You are on page 1of 78

Modelos Deterministas: Optimizacin Lineal Pgina 1 de 78

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

Europe Mirror Site


USA Site

Un modelo de Optimizacin Matemtica consiste en una funcin objetivo y un conjunto de


restricciones en la forma de un sistema de ecuaciones o inecuaciones. Los modelos de
optimizacin son usados en casi todas las reas de toma de decisiones, como en ingeniera
de diseo y seleccin de carteras financieras de inversin . Esta pagina web presenta
ejemplos focalizados y estructurados para la formulacin de problemas de optimizacin,
diseo de la estrategia optima y herramientas de control de calidad que incluyen validacin,
verificacin y anlisis post-solucin.
Profesor Hossein Arsham

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:

8. JavaScript para Optimizacin Lineal,


Sitio Espejo para Espaa , Sitio Espejo para Amrica Latina.
9. Descarga Gratuita de Programa para Solucionar Problemas de Programacin
Lineal,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
10. Ciencia de la Administracin Aplicada para Gerentes y Lideres Gerenciales,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
11. Razonamiento Estadstico para la Toma de Decisiones Gerenciales,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
12. Optimizacin de Enteros y Modelos de Redes,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
13. Modelos Probabilsticos: Del anlisis de la decisin,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
14. Construccin de Regiones de Sensibilidad General de Programacin Lineal,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
15. Introduccin a la Teora de Juegos,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.
16. Toma de Decisiones con Periodos de Tiempo Crtico en Economa y Finanzas,

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 2 de 78

Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.


17. Una Clasificacin de JavaScript Estadticos,
Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

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.

Optimizacin: Programacin Lineal (PL)

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. Problema Dual: Construccin y Significado


2. El Problema Dual del Problema del Carpintero y su Interpretacin
3. Errores de Redondeo cometido por los Gerentes
4. Clculo de los Precios Sombra
5. Comportamiento de los Cambios en los Valores RHS del Valor Optimo
6. Interpretacin Incorrecta del Precio Sombra
7. El Precio Sombra es Siempre No Negativo?
8. Precios Sombra Alternativos

Manejo de Incertidumbres mediante Modelacin de Escenarios:


Anlisis de Sensibilidad y Anlisis de Especificidad

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

12. Clculo de minimax y maximin en una sola corrida


13. Situaciones de ms por menos y menos por ms

El Mtodo Simplex Clsico

1. Introduccin
2. Mtodo Algebraico
3. Pivoteando Operaciones en Filas
4. El Mtodo Simplex

Programas Lineales Generales con Enteros

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

Herramientas para el Proceso de Validacin de Modelos

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

Los problemas de toma de decisiones se pueden clasificar en dos categoras: modelos de

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 4 de 78

decisin determinsticos y modelos de decisin probabilsticos. En los modelos


deterministicos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo
deseado de manera "deterministica", es decir, libre de riesgo. Esto depende de la influencia
que puedan tener los factores no controlables, en la determinacin de los resultados de una
decisin y tambin en la cantidad de informacin que el tomador de decisin tiene para
controlar dichos factores.

Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema


constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El problema
puede ser reducir el costo de operacin y a la vez mantener un nivel aceptable de servicio,
utilidades de las operaciones actuales, proporcionar un mayor nivel de servicio sin
aumentar los costos, mantener un funcionamiento rentable cumpliendo a la vez con las
reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calidad del
producto sin reducir la calidad de otros aspectos. Para identificar la mejora del
funcionamiento del sistema, se debe construir una representacin sinttica o modelo del
sistema fsico, que puede utilizarse para describir el efecto de una variedad de soluciones
propuestas.

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 matemtico es una ecuacin, desigualdad o sistema de ecuaciones o


desigualdades, que representa determinados aspectos del sistema fsico representado en el
modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias fsicas, en el
campo de la ingeniera, los negocios y la economa.

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.

El modelo matemtico que describe el comportamiento de la medida de efectividad se


denomina funcin objetivo. Si la funcin objetivo es describir el comportamiento de la
medida de efectividad, debe capturar la relacin entre esa medida y aquellas variables que
hacen que dicha medida flucte. Las variables del sistema pueden categorizarse en
variables de decisin y parmetros. Una variable de decisin es una variable que puede ser
directamente controlada por el decisor. Tambin existen algunos parmetros cuyos valores
pueden ser inciertos para el decisor. Esto requiere un anlisis de sensibilidad despus de
descubrir la mejor estrategia. En la prctica, resulta casi imposible capturar la relacin
precisa entre todas las variables del sistema y la medida de efectividad a travs de una
ecuacin matemtica. En cambio, el analista de IO/CA debe tratar de identificar aquellas
variables que afectan en mayor grado la medida de efectividad y luego debe intentar definir
de manera lgica la relacin matemtica entre estas variables y la medida de efectividad.
Esta relacin matemtica es la funcin objetivo que se emplea para evaluar el rendimiento
del sistema en estudio.

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.

En cada etapa del proceso de desarrollo, el analista debe evaluar la correspondencia o


validez del modelo. Normalmente se emplean dos criterios para realizar esta determinacin.
El primero implica la experimentacin del modelo: someter el modelo a una serie de
condiciones y registrar los valores asociados de la medida de efectividad dada por el
modelo en cada caso. Si la medida de efectividad vara de manera antinatural con una
sucesin de condiciones de entrada, es posible que la funcin objetivo no sea vlida. Por
ejemplo, supngase que se desarrolla un modelo destinado a calcular el valor de mercado
de viviendas unifamiliares. El modelo debe expresar el valor de mercado en dlares como
una funcin de la superficie cubierta en pies cuadrados, cantidad de dormitorios, cantidad
de baos y tamao del lote. Despus de desarrollar el modelo, el analista lo aplica a la

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.

La optimizacin, tambin denominada programacin matemtica, sirve para encontrar la


respuesta que proporciona el mejor resultado, la que logra mayores ganancias, mayor
produccin o felicidad o la que logra el menor costo, desperdicio o malestar. Con
frecuencia, estos problemas implican utilizar de la manera ms eficiente los recursos, tales
como dinero, tiempo, maquinaria, personal, existencias, etc. Los problemas de optimizacin
generalmente se clasifican en lineales y no lineales, segn las relaciones del problema sean
lineales con respecto a las variables. Existe una serie de paquetes de software para resolver
problemas de optimizacin. Por ejemplo, LINDO o WinQSB resuelven modelos de
programas lineales y LINGO y What'sBest! resuelven problemas lineales y no lineales.

La Programacin Matemtica, en general, aborda el problema de determinar asignaciones


ptimas de recursos limitados para cumplir un objetivo dado. El objetivo debe representar
la meta del decisor. Los recursos pueden corresponder, por ejemplo, a personas, materiales,
dinero o terrenos. Entre todas las asignaciones de recursos admisibles, queremos encontrar
la/s que maximiza/n o minimiza/n alguna cantidad numrica tal como ganancias o costos.

El objetivo de la optimizacin global es encontrar la mejor solucin de modelos de


decisiones difciles, frente a las mltiples soluciones locales.

Programacin Lineal (PL)

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.

La Programacin Lineal (PL) es un procedimiento matemtico para determinar la


asignacin ptima de recursos escasos. La PL es un procedimiento que encuentra su
aplicacin prctica en casi todas las facetas de los negocios, desde la publicidad hasta la
planificacin de la produccin. Problemas de transporte, distribucin, y planificacin global
de la produccin son los objetos ms comunes del anlisis de PL. La industria petrolera
parece ser el usuario ms frecuente de la PL. Un gerente de procesamiento de datos de una
importante empresa petrolera recientemente calcul que del 5% al 10% del tiempo de
procesamiento informtico de la empresa es destinado al procesamiento de modelos de PL
y similares.

La programacin lineal aborda una clase de problemas de programacin donde tanto la


funcin objetivo a optimizar como todas las relaciones entre las variables correspondientes
a los recursos son lineales. Este problema fue formulado y resuelto por primera vez a fines
de la dcada del 40. Rara vez una nueva tcnica matemtica encuentra una gama tan diversa
de aplicaciones prcticas de negocios, comerciales e industriales y a la vez recibe un
desarrollo terico tan exhaustivo en un perodo tan corto. Hoy en da, esta teora se aplica
con xito a problemas de presupuestos de capital, diseo de dietas, conservacin de
recursos, juegos de estrategias, prediccin de crecimiento econmico y sistemas de
transporte. Recientemente la teora de la programacin lineal tambin contribuy a la
resolucin y unificacin de diversas aplicaciones.

Es importante que el lector entienda desde el comienzo que el trmino "programacin"


tiene un significado distinto cuando se refiere a Programacin Lineal que cuando hablamos
de Programacin Informtica. En el primer caso, significa planificar y organizar mientras
que en el segundo caso, significa escribir las instrucciones para realizar clculos. La
capacitacin en una clase de programacin tiene muy poca relevancia directa con la otra
clase de programacin. De hecho, el trmino "programacin lineal" se acu antes de que
la palabra programacin se relacionara con el software de computacin. A veces se evita
esta confusin utilizando el trmino optimizacin lineal como sinnimo de programacin
lineal.

Cualquier problema de PL consta de una funcin objetivo y un conjunto de restricciones.


En la mayora de los casos, las restricciones provienen del entorno en el cual usted trabaja
para lograr su objetivo. Cuando usted quiere lograr el objetivo deseado, se dar cuenta de
que el entorno fija ciertas restricciones (es decir, dificultades, limitaciones) para cumplir
con su deseo (vale decir, el objetivo). Es por eso que las religiones, como el Budismo entre
otras, prescriben vivir una vida abstemia. Sin deseo, no hay dolor. Puede usted seguir este
consejo con respecto a su objetivo de negocios?

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.

Cuando se formula un problema de toma de decisiones como un programa lineal, se deben


verificar las siguientes condiciones:

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);

2. 2. El objetivo debe ser ya sea la maximizacin o minimizacin de una funcin lineal.


El objetivo debe representar la meta del decisor; y

3. 3. Las restricciones tambin deben ser lineales. . Asimismo, la restriccin debe


adoptar alguna de las siguientes formas ( , , O =, es decir que las restricciones de
PL siempre estn cerradas).

Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a < 1. Este
problema tan sencillo no tiene solucin.

Como siempre, se debe tener cuidado al categorizar un problema de optimizacin como un


problema de PL. El siguiente problema es un problema de PL?

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.

El mtodo Simplex es un algoritmo de solucin muy utilizado para resolver programas


lineales. Un algoritmo es una serie de pasos para cumplir con una tarea determinada.

Proceso de Formulacin de un Problema de PL y su Aplicacin

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

controlables? Defina las variables de decisin con precisin utilizando nombres


descriptivos. Recuerde que las entradas controlables tambin se conocen como
actividades controlables, variables de decisin y actividades de decisin.
2. Cules son los parmetros? Vale decir cules son las entradas no controlables? Por
lo general, son los valores numricos constantes dados. Defina los parmetros con
precisin utilizando nombres descriptivos.
3. Cul es el objetivo? Cul es la funcin objetivo? Es decir, qu quiere el dueo del
problema? De qu manera se relaciona el objetivo con las variables de decisin del
dueo del problema? Es un problema de maximizacin o minimizacin? El objetivo
debe representar la meta del decisor.
4. Cules son las restricciones? Es decir, qu requerimientos se deben cumplir?
Debera utilizar un tipo de restriccin de desigualdad o igualdad? Cules son las
conexiones entre las variables? Escrbalas con palabras antes de volcarlas en forma
matemtica.

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.

A continuacin, se incluye un problema ilustrativo muy sencillo. Sin embargo, el abordaje


del problema es igual para una gran variedad de problemas de toma de decisin, mientras
que el tamao o la complejidad pueden variar. El primer ejemplo es un problema de mix de
productos y el segundo es un problema de mezcla.

El Problema del Carpintero

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.

Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada una y


seleccionado el par (X1, X2) que maximice 5X1 + 3X2 (los ingresos netos). Sin embargo,
lleva mucho tiempo enumerar todas las alternativas posibles y si no se enumeran todas las
alternativas, no podemos estar seguros de que el par seleccionado (como una solucin) es la
mejor de todas las alternativas. Otras metodologas preferidas (ms eficientes y efectivas),
conocidas como las Tcnicas de Soluciones de Programacin Lineal estn disponibles en el
mercado en ms de 4000 paquetes de software de todo el mundo.

La solucin ptima, es decir, la estrategia ptima, , es establecer X1 = 10 mesas y X2 = 20


sillas. Programamos las actividades semanales del carpintero para que fabrique 10 mesas y
20 sillas. Con esta estrategia (ptima), los ingresos netos son de US$110. Esta . Esta
solucin prescripta sorprendi al carpintero dado que debido a los mayores ingresos netos
provenientes de la venta de una mesa (US$5), el sola fabricar ms mesas que sillas.

Contratar o no contratar a un ayudante? Supngase que el carpintero pudiera contratar a un


ayudante a un costo de US$2 por hora (adicionales $2) Le conviene al carpintero contratar
a un ayudante? En caso afirmativo, por cuntas horas?

X3 es la cantidad de horas extra, entonces el problema modificado es:

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

Maximizar 7X1 + 15X2

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.

Otras Aplicaciones Comunes de PL

La programacin lineal es una herramienta poderosa para seleccionar alternativas en un


problema de decisin y por consiguiente se aplica en una gran variedad de entornos de
problemas. La cantidad de aplicaciones es tan alta que sera imposible enumerarlas todas. A
continuacin, indicamos algunas de las principales aplicaciones que cubren las reas
funcionales ms importantes de una organizacin empresarial.

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.

Administracin de Produccin y Operaciones: muchas veces en las industrias de proceso,


una materia prima en particular puede transformarse en una gran variedad de productos. Por
ejemplo, en la industria petrolera, el crudo puede refinarse para producir nafta, kerosene,
aceite para calefaccionar y distintas clases de aceite para motor. Segn el margen de
ganancia actual de cada producto, el problema es determinar la cantidad que se debera
fabricar de cada producto. Esta decisin est sujeta a numerosas restricciones tales como
lmites de las capacidades de diversas operaciones de refinado, disponibilidad de materia
prima, demandas de cada producto y polticas gubernamentales con respecto a la
fabricacin de determinados productos. En la industria de productos qumicos y de
procesamiento de alimentos existen problemas similares.

Recursos Humanos: los problemas de planificacin de personal tambin se pueden analizar


con programacin lineal. Por ejemplo, en la industria telefnica, la demanda de servicios de
personal de instalacin / reparacin son estacionales. El problema es determinar la cantidad
de personal de instalacin / reparacin y reparacin de lneas que debemos tener
incorporada en la fuerza laboral por cada mes a fin de minimizar los costos totales de
contratacin, despido, horas extras y salarios en horas ordinarias. El conjunto de
restricciones comprende restricciones con respecto a la demanda de servicio que se debe
satisfacer, uso de horas extra, acuerdos con los sindicatos y la disponibilidad de personal
calificado para contratar. Este ejemplo es opuesto a la hiptesis de divisibilidad. Sin
embargo, los niveles de fuerza laboral de cada mes normalmente son lo suficientemente
altos como para poder redondear al nmero entero ms cercano sin problemas, siempre y
cuando no se violen las restricciones.

Marketing: se puede utilizar la programacin lineal para determinar el mix adecuado de


medios de una campaa de publicidad. Supngase que los medios disponibles son radio,
televisin y diarios. El problema es determinar cuntos avisos hay que colocar en cada
medio. Por supuesto que el costo de colocacin de un aviso depende del medio elegido. El
objetivo es minimizar el costo total de la campaa publicitaria, sujeto a una serie de
restricciones. Dado que cada medio puede proporcionar un grado diferente de exposicin a
la poblacin meta, puede haber una cota inferior con respecto a la exposicin de la
campaa. Asimismo, cada medio puede tener distintos ratings de eficiencia para producir
resultados deseables y por consiguiente puede haber una cota inferior con respecto a la
eficiencia. Adems, puede haber lmites con respecto a la disponibilidad para publicar en
cada medio.

Distribucin: otra aplicacin de programacin lineal es el rea de la distribucin. Considere


un caso en el que existen m fbricas que deben enviar productos a n depsitos. Una
determinada fbrica podra realizar envos a cualquier cantidad de depsitos. Dado el costo
del envo de una unidad del producto de cada fbrica a cada depsito, el problema es
determinar el patrn de envo (cantidad de unidades que cada fbrica enva a cada depsito)
que minimice los costos totales. Este decisin est sujeta a restricciones que exigen que
cada fbrica no pueda enviar ms productos de los que tiene capacidad para producir.

Mtodo de Solucin Grfica

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

que a los nmeros.

Procedimiento para el Mtodo Grfico de Solucin de Problemas de PL:

1. El problema es un problema de PL? La respuesta es afirmativa si y slo si:

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.

2. Puedo utilizar el mtodo grfico? La respuesta es afirmativa si la cantidad de


variables de decisin es 1 o 2.

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.

5. Elimine los lados que no 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.

Un Ejemplo Numrico: El Problema del Carpintero

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:

Valor de la Funcin Objetivo en cada Esquina o Punto Extremo


Coordenadas de los Puntos Funcin de los Ingresos
Elecciones del Decisor
Extremos Netos
Cantidad de Mesas o Sillas X1, X2 5 X1 + 3 X2
No fabricar ninguna mesa ni
0, 0 0
silla
Fabricar todas la mesas
20, 0 100
posibles
Fabricar todas las sillas
0, 25 75
posibles
Fabricar una combinacin de
10, 20 110
productos

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.

La principal deficiencia del mtodo grfico es que se limita a resolver problemas


lineales que tengan slo 1 o 2 variables de decisin. Sin embargo, la conclusin principal y
til a la que podemos arribar a partir del anlisis de los mtodos grficos es la siguiente:

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:

Hecho N 1: La regin factible de cualquier programa lineal es siempre un conjunto


convexo.

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.

El conjunto de la regin factible en cualquier programa lineal se denomina poliedro y si


est acotado se denomina politopo.

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.

La convexidad de la regin factible de los programas lineales facilita la resolucin de


problemas de PL. Debido a esta propiedad y a la linealidad de la funcin objetivo, la
solucin es siempre uno de los vrtices. Asimismo, dado que la cantidad de vrtices es
limitada, todo lo que debemos hacer es buscar todos los vrtices factibles y luego evaluar la
funcin objetivo en dichos vrtices para encontrar el punto ptimo.

En el caso de programas no lineales, el problema es mucho ms difcil de resolver porque la


solucin podra estar en cualquier parte dentro de la regin factible, en el lmite de la regin
factible o en un vrtice.

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.

Vnculo entre Programacin Lineal y Sistemas de Ecuaciones

George Dantzig la programacin lineal es estrictamente "la teora y la solucin de sistemas


lineales de desigualdad". Probablemente ya ha notado que las soluciones bsicas de un
programa lineal son las soluciones de los sistemas de ecuaciones que constan de
restricciones en una posicin obligatoria.

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:

Seis Soluciones Bsicas con Cuatro Soluciones Bsicas Factibles

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.

Extensin a Mayores Dimensiones

El Mtodo Grfico se limita a resolver problemas de PL con una o dos variables de


decisin. Sin embargo, proporciona una clara ilustracin de dnde se encuentran las
regiones factibles y no factibles as como tambin los vrtices. Desarrollar una
comprensin visual del problema contribuye a un proceso de pensamiento ms racional.
Por ejemplo, ya vimos que: si un programa lineal tiene una regin factible acotada no vaca,
la solucin ptima es siempre uno de los vrtices de su regin factible (una esquina o punto
extremo). Como resultado, lo que debemos hacer es buscar todos los puntos de interseccin
(vrtices) y luego examinar cul de todos los vrtices factibles proporciona la solucin
ptima. Ahora, aplicando conceptos de Geometra Analtica, sortearemos esta limitacin de
la visin humana. El Mtodo Algebraico est diseado para extender los resultados del
mtodo grfico a problemas de PL multidimensionales, tal como se ilustra en el siguiente
ejemplo numrico.

Ejemplo Numrico: el Problema del Transporte

El objetivo es encontrar la manera ms efectiva de transportar productos. La siguiente tabla


presenta un resumen de la oferta y la demanda en cada origen (por ejemplo: el depsito)
O1, O2 y destino (por ejemplo: el mercado) D1 y D2, junto con el costo unitario de
transporte.

Matriz de Costo Unitario de


Transporte
D1 D2 Oferta
O1 20 30 200
O2 10 40 100
Demanda 150 150 300

Xij representa la cantidad de productos enviados desde el origen i hasta el destino j. La


formulacin de PL del problema de minimizacin del costo total de transporte es la
siguiente:

Min 20X11 + 30X12 + 10X21 + 40X22

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

Min 20X11 + 30X12 + 10X21 + 40X22

Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
todas Xij 0

Este problema de PL no se puede resolver mediante el mtodo grfico. Sin embargo, el


mtodo algebraico no tiene ninguna limitacin con respecto a la dimensin de PL. Ntese
que tenemos tres ecuaciones con cuatro variables de decisin restringidas. Fijando
cualquiera de las variables en cero obtenemos:

X11 X12 X21 X22 Costo Total de Transporte


0 200 150 -50 No factible
200 0 -50 150 No factible
150 50 0 100 8500
50 150 100 0 6500*

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

Conceptos y Tcnicas de Aprendizaje Asistidos por Computadora

Debemos ser precavidos al cuestionar nuestra intuicin y demostrar porqu debemos


aprender mediante un instrumento que en este curso es un paquete de software. Todos los
alumnos de Fsica y Qumica realizan experimentos en los laboratorios para conocer bien
los temas de estos dos campos de estudio. Usted tambin debe realizar experimentos para
comprender los conceptos de la Ciencia de Administracin. Por ejemplo, debe utilizar
paquetes de software para realizar anlisis what-if o de hiptesis. El software le permite
observar los efectos de la variacin de los valores dados.

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

Precaucin! Antes de utilizar cualquier software, verifique que sea confiable.

Aqu encontrar una Gua de Software de PL para su revisin: LP Software Guide.

Cmo Interpretar los Resultados del Paquete de Software LINDO

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.

Lindo es un paquete de software muy popular que resuelve problemas lineales. La


aplicacin LP/ILP de WinQSB realiza las mismas operaciones que Lindo pero de una
manera mucho ms fcil de usar.
El nombre LINDO es la abreviatura en ingls de Linear INteractive Discrete Optimization
(Optimizacin Lineal Discreta e INteractiva). Aqu la palabra "discreta" significa pasar de
una solucin factible bsica a la siguiente en lugar de desplazarse por toda la regin factible
en busca de la solucin bsica factible ptima (si la hubiere).

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


S.T. 2X1 + X2 < 40
X1 + 2X2 < 50
End

{MAX 5X1 + 3X2, Sujeta a 2X1 + X2 < 40 X1 + 2X2 < 50, Fin }

NOTA:

1. La funcin objetivo no debera contener ninguna restriccin. Por ejemplo, no se


puede ingresar Max 2X1 + 5.
2. Todas las variables deben aparecer en el lado izquierdo de las restricciones, mientras
que los valores numricos deben aparecer en el lado derecho de las restricciones (es
por eso que a estos nmeros se los denomina valores RHS o valores del lado
derecho).
3. Se presupone que todas las variables son no negativas. No ingrese las condiciones de
no negatividad.

Si desea obtener todas Tablas Simplex, entonces

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

Range (Sensitivity) Analysis" (Desea realizar un anlisis de rango [de sensibilidad]?).


Seleccione "Yes" (S), si lo desea. Despus de minimizar la ventana actual, ver el
resultado que puede imprimir para su anlisis gerencial.

z De lo contrario, haga clic en "Solve" (Resolver), y luego elija "Solve" (Resolver).

Es conveniente copiar el problema de PL de la primera ventana y luego pegarlo en la parte


superior de la pgina de resultado.

En la parte superior de la pgina aparece la tabla inicial y a lo largo de la parte superior de


la tabla figuran las variables. La primera fila de la tabla es la funcin objetivo. La segunda
fila es la primera restriccin. La tercera fila es la segunda restriccin y as sucesivamente
hasta enumerar todas las restricciones en la tabla.

Despus de la tabla inicial aparece un enunciado que indica la variable de entrada y la


variable de salida. La variable de salida est expresada como la fila donde se colocar la
variable de entrada. Luego se imprime la primera tabla de iteraciones. Se sigue ingresando
sentencias y continan las iteraciones de la tabla continan hasta llegar a la solucin
ptima.

La siguiente sentencia, `LP OPTIMUM FOUND AT STEP 2' (OPTIMO DE PL


ENCONTRADO EN EL PASO 2) indica que se encontr la solucin ptima en la iteracin
2 de la tabla inicial. Inmediatamente debajo aparece el ptimo del valor de la funcin
objetivo. Este es el dato ms importante que le interesa a todo gerente.

Muchas veces, aparecer un mensaje que lo sorprender: "LP OPTIMUM FOUND AT


STEP 0" (OPTIMO DE PL ENCONTRADO EN EL PASO 0). Cmo puede ser paso 0?
No es necesario primero desplazarse para encontrar un resultado...? Este mensaje es muy
confuso. Lindo lleva un registro en su memoria de todas la actividades previas realizadas
antes de resolver cualquier problema que usted ingrese. Por lo tanto, no muestra
exactamente cuntas iteraciones fueron necesarias para resolver el problema en cuestin. A
continuacin presentamos una explicacin detallada y una solucin para saber con
exactitud la cantidad de iteraciones: Supngase que usted corre el problema ms de una vez
o resuelve un problema similar. Para saber cuntas iteraciones lleva realmente resolver un
problema en particular, debe salir de Lindo y luego reingresar, volver a escribir y a
presentar el problema. De esta manera aparecer la cantidad exacta de vrtices (excluyendo
el origen) visitados para llegar a la solucin ptima (si es que existe) en forma correcta.

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.

Debajo de la solucin, aparecen los valores de las variables de holgura / excedente de la


tabla final. Los valores de las variables de holgura / excedente para la solucin final figuran
en la columna `SLACK OR SURPLUS' (HOLGURA O EXCEDENTE). Los precios
sombra relacionados aparecen a la derecha. Recuerde: Holgura representa la cantidad que
sobra de un recurso y Excedente representa el exceso de produccin.

La restriccin obligatoria se puede encontrar buscando la variable de holgura / excedente


con el valor de cero. Luego, examine cada restriccin para encontrar la que tenga slo esta
variable especificada. Otra manera de expresar esto es buscar la restriccin que exprese
igualdad en la solucin final.

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.

Debajo aparece el anlisis de sensibilidad para el RHS. La columna de "filas" imprime el


nmero de fila del problema inicial. Pro ejemplo, la primera fila impresa ser la dos porque
la fila uno es la funcin objetivo. La primera restriccin es la fila dos. El RHS de la primera
restriccin est representado por la fila dos. A la derecha, aparecen los valores para los
cuales el valor RHS puede cambiar manteniendo la validez de los precios sombra.

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).

Cmo crear condiciones de no negatividad (variables libres): Por omisin, prcticamente


todos los paquetes de software de resolucin de problemas de PL (como por ejemplo
LINDO) presuponen que todas las variables son no negativas.

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.

El problema convertido es:

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

Implementaciones de Computacin con el Paquete WinQSB

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.

Tipo de variable: seleccione el tipo de variable desde la pantalla "Problem


Specification" (Especificacin del Problema) (la primera pantalla que aparece al ingresar un
nuevo problema); para programacin lineal, utilice la opcin predeterminada
"Continuous" (Continua).

Formato de datos de entrada: seleccione el formato de datos de entrada desde la pantalla


"Problem Specification" (Especificacin del Problema). Normalmente, es preferible utilizar
el formato Matrix (Matriz) para ingresar los datos. En el formato Normal, el modelo
aparece ya ingresado. Este formato puede ser ms conveniente cuando se debe resolver un
problema grande con muchas variables. Puede desplazarse por los formatos seleccionando
el botn "Switch to the" (Cambiar a ...) del men Format (Formato).

Identificacin de Variables / Restricciones: es conveniente cambiar los nombres de las


variables y las restricciones para facilitar la identificacin del contexto que representan. Los
nombres de las variables y las restricciones se pueden cambiar desde el men Edit
(Edicin).

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).

Resolver mediante el Mtodo Grfico: seleccione el mtodo grfico desde el men


"Solve and Analyze" (Resolver y Analizar) (slo se puede utilizar para problemas de dos
variables). Tambin puede hacer clic en el cono Graph (Grfico) en la parte superior de la
pantalla. Puede ajustar los rangos X-Y despus de resolver el problema y de que aparezca el
grfico. Elija el men Option (Opcin) y seleccione los nuevos rangos desde la lista
desplegable.

Soluciones Optimas Alternas (si es que existen): despus de resolver el problema, si


aparece un mensaje que le informa: "Alternate solution exists!!" (Existe una solucin
alterna!!), para ver todas las soluciones ptimas de los puntos extremos elija el men
Results (Resultados) y luego seleccione "Obtain alternate optimal" (Obtener ptimo
alterno). Visite tambin la seccin Soluciones Mltiples de este sitio Web para ver algunas
advertencias.

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.

Puede cambiar la direccin de una restriccin haciendo clic en la celda.

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).

Cmo Resolver un Sistema de Ecuaciones Lineales Utilizando un Software de PL?

Ya dijimos que en el Mtodo Algebraico de resolucin de problemas de PL, debemos


resolver algunos sistemas de ecuaciones. Por consiguiente, existe un vnculo entre los
paquetes de software para resolver problemas de PL y aquellos que sirven para resolver
sistemas de ecuaciones. Supngase que tenemos un sistema de ecuaciones muy grande que
queremos resolver y tenemos un paquete de software de resolucin de problemas de PL
pero no tenemos ningn paquete de resolucin de sistemas de ecuaciones. La pregunta es
"Cmo se puede utilizar un paquete de software de PL para encontrar la solucin de un
sistema de ecuaciones?" Los siguientes pasos esbozan el proceso de resolucin de cualquier
sistema de ecuaciones lineales mediante un paquete de resolucin de problemas de PL.

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.

Ejemplo numrico: resolver el siguiente sistema de ecuaciones

2X1 + X2 = 3
X1 -X2 = 3

Dado que el paquete WinQSB acepta PL en diversos formatos (a diferencia de LINDO), la


resolucin del problema utilizando WinQSB es sencilla:

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.

Utilizando cualquier software de PL, como Lindo o WinQSB, llegamos a la solucin


ptima Y1 = 3, Y2 = 0, T = 1. Ahora, sustituya esta solucin de PL en ambas
transformaciones X1 = Y1 - T y X2 = Y2 - T. Esto nos da los valores numricos para
nuestras variables originales. Por ende, la solucin del sistema de ecuaciones es X1 = 3 - 1
= 2, X2 = 0 - 1 = -1, la cual se puede verificar fcilmente.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 24 de 78

Problema Dual: Construccin y Significado

Asociado a cada problema (primario) de PL existe un problema correspondiente


denominado problema dual. La siguiente clasificacin de las restricciones de las variables
de decisin resulta til y fcil de recordar para construir el problema dual.

------------------------------------------------------------------------------
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.

Construccin de Problemas Duales:

- Si el problema primario es un problema de maximizacin, entonces su problema dual es


un problema de minimizacin (y viceversa).

- 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.

-Los elementos RHS de un problema se transforman en los coeficientes de la funcin


objetivo del otro problema (y viceversa).

- Los coeficientes de la matriz de las restricciones de un problema son la transposicin de


los coeficientes de la matriz de las restricciones del otro problema.

Puede verificar las reglas de construccin del problema dual utilizando su paquete
WinQSB.

Ejemplos Numricos:

Considere el siguiente problema primario:

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.

Siguiendo la regla de construccin antes mencionada, el problema dual es:

max 2u1 - u2 + 3u3


sujeta a:
u1 + u2 1,
u1 - u2 + u3 -2,
u1 0,
u2 0,
u3 0

El Problema Dual del Problema del Carpintero:

Maximizar 5X1 + 3X2

sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0

El problema dual es:

Minimizar 40U1 + 50U2

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.

- Si una restriccin en un problema no es obligatoria (en otras palabras, el valor LHS o


valor del lado izquierdo) concuerda con el valor RHS), la variable asociada en el problema
es cero. De manera inversa, si una variable de decisin en un problema no es cero, la
restriccin asociada en el otro problema es obligatoria. A estos resultados se los conoce

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 26 de 78

como Condiciones Complementarias de Holgura.

- Obtener el rango de sensibilidad del RHS de un problema partiendo del rango de


sensibilidad del coeficiente de costos del otro problema y viceversa.

Para ms detalles y ejemplos numricos, lea los siguientes artculos:


A. Benjamin, Sensible Rules for Remembering Duals_ S-O-B Method, SIAM Review, 37,
85-87, 1995.

H. Arsham, An Artificial-Free Simplex Algorithm for General LP Models, Mathematical


and Computer Modelling, 25, 107-123, 1997.

El Problema Dual del Problema del Carpintero y su Interpretacin

En esta seccin, construiremos el Problema Dual del Problema del Carpintero y


presentaremos la interpretacin econmica del mismo.

Recordemos los parmetros de entrada no controlables del Problema del Carpintero:

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.

Donde X1 y X2 representan la cantidad de mesas y sillas a fabricar.

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

fabricar los productos. En consecuencia, el problema de la compaa de seguros es:

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.

Si implementa este problema en un paquete de software, ver que la solucin ptima es U1


= US$7/3 y U2 = US$1/3 con el valor ptimo de US$110 (el monto que el Carpintero
espera recibir). Esto asegura que el Carpintero pueda manejar su vida sin inconvenientes. El
nico costo es la prima que le cobra la compaa de seguros.

Como puede ver, el problema de la compaa de seguros est estrechamente relacionado


con el problema original.

Segn la terminologa del proceso de diseo de modelos de IO/CA, el problema original se


denomina Problema Primario mientras que el problema relacionado se denomina Problema
Dual

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.

Clculo de los Precios Sombra

Ahora ya sabe que los precios sombra son la solucin del problema dual. Aqu tenemos
un ejemplo numrico.

Calcule el precio sombra para ambos recursos en el siguiente problema de PL:

Max -X1 + 2X2


sujeta a:
X1 + X2 5
X1 + 2X2 6
tanto X1 como X2 son no negativas.

La solucin de este problema primario (utilizando por ejemplo el mtodo grfico) es X1 =


0, X2 = 3, con el sobrante S1 = 2 del primer recurso mientras que el segundo recurso se
utiliza por completo, S2 = 0.

Los precios sombra son la solucin del problema dual:

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 28 de 78

Min 5U1 + 6U2


Sujeta a:
U1 + U2 -1
U1 + 2U2 2
tanto U1 como U2 son no negativas.

La solucin del problema dual (utilizando por ejemplo el mtodo grfico) es U1 = 0, U2 =


1 que son los precios sombra para el primer y el segundo recurso, respectivamente. Fjese
que siempre que la holgura / excedente de una restriccin no es cero, el precio sombra
relacionado con ese RHS de la restriccin es siempre cero, pero puede no darse el caso
contrario. En este ejemplo numrico S1 = 2 (es decir, el valor de holgura del RHS 1 del
problema primario), que no es cero; por lo tanto U1 es igual a cero tal como es de esperar.

Considere el siguiente problema:

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.

Comportamiento de los Cambios en los Valores RHS del Valor Optimo

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:

Caso I: Problema de Maximizacin

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 : cambio en la direccin opuesta. Vale decir que un aumento en el


valor RHS no produce un aumento en el valor ptimo sino que ste disminuye 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).

Caso II: Problema de Minimizacin

Para restriccin de : cambio en la direccin opuesta. Vale decir que un aumento en el


valor RHS no produce un aumento del valor ptimo sino que ste disminuye o permanece
igual segn la restriccin sea obligatoria o no obligatoria).

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

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).

Interpretacin Incorrecta del Precio Sombra

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.

Precio Sombra = Cambio en el Valor Optimo / Cambio en el RHS,

Dado que el cambio en el RHS est dentro del rango de sensibilidad.


Desafortunadamente, existen interpretaciones errneas con respecto a la definicin del
precio sombra. Una de ellas indica: "En los problemas de programacin lineal, el precio
sombra de una restriccin es la diferencia entre el valor optimizado de la funcin objetivo y
el valor de la funcin objetivo, evaluada de manera opcional, cuando el RHS de una
restriccin aumenta en una unidad". El ltimo sitio Web establece lo siguiente "Precios
Sombra: los precios sombra para un problema de programacin lineal son las soluciones
para su correspondiente problema dual. El precio sombra i es el cambio en la funcin
objetivo que resulta del aumento en una unidad en la coordenada i de b. Un precio sombra
tambin es el monto que un inversor tendra que pagar por una unidad de un recurso para
comprarle la parte al fabricante."

Un anti-ejemplo:

Considere la siguiente PL:


Max X2

sujeta a:
X1 + X2 2
2.5X1 + 4X2 10
Donde ambas variables de decisin son no negativas.

El problema tiene su solucin ptima en (0, 2) con un valor ptimo de 2.


Supngase que quiere calcular el precio sombra del primer recurso, es decir el RHS de la
primera restriccin.

Si cambiamos el RHS de la primera restriccin aumentndolo en una unidad tenemos:

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.

El Precio Sombra es Siempre No Negativo?

Probablemente se est preguntando si el precio sombra de un valor RHS es siempre no


negativo. Todo depende de la formulacin del problema primario y de su correspondiente
dual. Lo importante es recordar que el precio sombra de un determinado valor RHS es el
ndice de cambio del valor ptimo con respecto al cambio en ese RHS, dado que el cambio
se encuentra dentro de los lmites de ese RHS.

Considere el siguiente ejemplo numrico:

Max 3X1 + 5X2


Sujeta a:
X1 + 2X2 50
-X1 + X2 10
X1, X2 son no negativas.

Nos interesa saber el precio sombra del valor del RHS 2 = 10. El problema dual es:

Min 50U1 + 10U2


Sujeta a:
U1 - U2 3
2U1 + U2 5
U1 0, mientras que U2 0

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:

Max 3X1 + 5X2


Sujeta a:
X1 + 2X2 50
X1 - X2 -10
X1, X2 son no negativas.

El problema dual de este problema primario ahora es:

Min 50Y1 - 10Y2


Sujeta a:
Y1 + Y2 3
2Y1- Y2 5
tanto Y1 como Y2 son no negativas

Nuevamente, la formulacin dual puede verificarse utilizando el software WinQSB. La


solucin de este problema dual es Y1 = 8/3 y Y2 = 1/3. Entonces, el precio sombra del
valor del RHS 2 = -10 es Y2 = 1/3. Vale decir que por cada aumento (disminucin) unitario
en el valor RHS 2, el valor ptimo del problema primario aumenta (disminuye) en 1/3,
dado que el cambio en RHS 2 esta dentro de los lmites de sensibilidad.

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.

Precios Sombra Alternativos

Supngase que tenemos una PL que tiene una nica solucin ptima. Es posible tener ms
de un conjunto de precios duales?

S, es posible. Considere el siguiente problema:

Min 16X1 + 24X2


sujeta a:
X1 + 3X2 6
2X1 + 2X2 4
todas las variables de decisin 0.

Su dual es:

Max 6U1 + 4U2


sujeta a:
U1 + 2U2 16
3U1 + 2U2 24
todas las variables de decisin 0,

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.

Considere el siguiente problema de PL con una restriccin redundante:

Max 10X1 + 13X2


sujeta a:
X1 + X2 = 1
X1 + X2 = 1
X1+2X2 = 2
y todas las variables son no negativas.

Si corremos el problema dual en Lindo vemos que X1 = 0, X2 = 1, con precios sombra (0,
13, 0).

Si utilizamos WinQSB para este problema, obtenemos X1 = 0, X2 = 1 con distintos precios


sombra (0, 7, 3).

En el caso de redundancia, los precios sombra obtenidos con un paquete de PL pueden no


coincidir con aquellos obtenidos con otro paquete de software.

Manejo de Incertidumbres mediante Modelacin de Escenarios:


Anlisis de Sensibilidad y Anlisis de Especificidad

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.

El hombre utiliza construcciones (modelos) matemticas e informticas para una variedad


de entornos y propsitos, con frecuencia para conocer los posibles resultados de uno o ms
planes de accin. Esto puede relacionarse con inversiones financieras, alternativas de
seguros (asegurar o no asegurar/cunto), prcticas industriales e impactos ambientales. El
uso de modelos se ve perjudicado por la inevitable presencia de incertidumbres, que surgen
en distintas etapas, desde la construccin y corroboracin del modelo en s hasta su uso.
Normalmente su uso es el culpable.

Toda solucin a un problema de toma de decisiones se basa en determinados parmetros


que se presumen como fijos. El anlisis de sensibilidad es un conjunto de actividades
posteriores a la solucin que sirven para estudiar y determinar qu tan sensible es la
solucin a los cambios en las hiptesis. Estas actividades tambin se denominan anlisis de
estabilidad, anlisis what-if o de hiptesis, modelacin de escenarios, anlisis de
especificidad, anlisis de incertidumbre, anlisis de inestabilidad numrica, inestabilidad
funcional y tolerancia, anlisis de post optimalidad, aumentos y disminuciones admisibles y
muchos otros trminos similares que reflejan la importancia de esta etapa del proceso de
modelacin. Por ejemplo, anlisis de sensibilidad no es el trmino tpico empleado en la
econometra para referirse al mtodo de investigacin de la respuesta de una solucin frente
a perturbaciones en los parmetros. En econometra, esto se denomina esttica comparativa
o dinmica comparativa, segn el tipo de modelo en cuestin.

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.

Resulta vital comprender la influencia de lo antedicho en el plan de accin sugerido por el


modelo por las siguientes razones:

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.

Existen numerosos ejemplos de entornos donde esto es aplicable, tales como:

z Construccin de indicadores (econmicos / ambientales)


z Anlisis y pronstico de riesgo (ambiental, financiero, de seguros,...)
z Optimizacin y calibracin de modelos (per se)

A continuacin, sigue una lista abreviada de las razones por las cuales se debe tener en
cuenta el anlisis de sensibilidad:

Toma de decisiones o desarrollo de recomendaciones para decisores:

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:

z Para formular recomendaciones ms crebles, comprensibles, contundentes o


persuasivas.
z Para permitir a los decisores seleccionar hiptesis.
z Para comunicar una falta de compromiso a una nica estrategia.
z El decisor debe incorporar algunas otras perspectivas del problema tal como
perspectivas culturales, polticas, psicolgicas, etc. en las recomendaciones del
cientfico de administracin.

Aumentar la comprensin o aptitud del sistema:

z Para estimar la relacin entre las variables de entrada y las de salida.


z Para comprender la relacin entre las variables de entrada y las de salida. Para
desarrollar pruebas de las hiptesis.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 34 de 78

Desarrollo del modelo:

z Para probar la validez o precisin del modelo.


z Para buscar errores en el modelo
z Para simplificar el modelo.
z Para calibrar el modelo.
z Para hacer frente a la falta o insuficiencia de datos.
z Para priorizar la adquisicin de informacin.

Lista abreviada de casos en los que se debe considerar la realizacin de un anlisis de


sensibilidad:

1. Con el control de los problemas, el anlisis de sensibilidad puede facilitar la


identificacin de regiones cruciales en el espacio de los parmetros de entrada.
2. En ejercicios de seleccin, el anlisis de sensibilidad sirve para localizar algunos
parmetros influyentes en sistemas con cientos de datos de entrada inciertos.
3. Se utilizan tcnicas de anlisis de sensibilidad basados en varianza para determinar si
un subconjunto de parmetros de entrada puede representar (la mayor parte de) la
varianza de salida.
4. El punto (3) puede utilizarse para la reduccin del mecanismo (descartar o corregir
partes no relevantes del modelo) y para la extraccin de un modelo (construir un
modelo a partir de otro ms complejo). Ver tambin el problema de la "relevancia"
del modelo: los parmetros del conjunto de entrada del modelo son relevantes con
respecto a la tarea del modelo?
5. El punto (3) tambin puede utilizarse para la identificacin del modelo identificando
las condiciones experimentales para las cuales su capacidad para discriminar dentro
del modelo se encuentra en su punto mximo.
6. Al igual que en el punto (5), el anlisis de sensibilidad puede utilizarse para la
calibracin del modelo, para determinar si los experimentos con sus incertidumbres
relacionadas permitirn la estimacin de los parmetros. Esto es particularmente til
frente a problemas mal condicionados (mal formulados).
7. El anlisis de sensibilidad puede complementarse con algoritmos de bsqueda /
optimizacin; identificando los parmetros ms importantes, el anlisis de
sensibilidad puede permitir que se reduzca la dimensionalidad del espacio donde se
realiza la bsqueda.
8. Como una herramienta de aseguramiento de calidad, el anlisis de sensibilidad
asegura que la dependencia de la salida (resultado) de los parmetros de entrada del
modelo tenga una similitud fsica y una explicacin.
9. Para resolver un problema inverso, el anlisis de sensibilidad sirve como una
herramienta para extraer parmetros incorporados en modelos cuyos resultados no se
correlacionan fcilmente con la entrada desconocida (por ejemplo en cintica
qumica, para extraer las constantes cinticas de sistemas complejos a partir del
ndice de rendimiento de los componentes).
10. Para asignar recursos en el rea de I&D de manera ptima, el anlisis de sensibilidad
muestra donde vale la pena invertir a fin de reducir el rango de incertidumbre del
modelo.
11. El anlisis de sensibilidad puede determinar cuantitativamente qu parte de la
incertidumbre de mi prediccin se debe a incertidumbre paramtrica de la estimacin
y cunto a incertidumbre estructural.

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.

Anlisis de sensibilidad vs. programacin estocstica: el anlisis de sensibilidad y las

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.

Clculo de Rangos de Sensibilidad para Problemas Pequeos

Para calcular los rangos de sensibilidad de problemas de PL con 2 variables de decisin


como mximo y/o 2 restricciones como mximo, puede probar alguno de los siguientes
abordajes de fcil uso.

La nica restriccin es que no se permiten restricciones de igualdad.Tener una restriccin


de igualdad implica degeneracin, porque cada restriccin de igualdad, por ejemplo, X1 +
X2 = 1, significa dos restricciones simultneas: X1 + X2 1 , y X1 + X2 1. Entonces, la
cantidad de restricciones obligatorias en tal caso ser mayor a la cantidad de variables de
decisin. Esto se denomina situacin degenerada para la cual el anlisis de sensibilidad
normal no es vlido.

Rango de Sensibilidad de Costos para Problemas de PL con dos Variables de Decisin

Volviendo al Problema del Carpintero, si cambiamos la ganancia de cada producto, cambia


la pendiente de la funcin objetivo de igual valor (funcin iso). Para "pequeos" cambios,
el ptimo permanece en el mismo punto extremo. Para cambios mayores, la solucin
ptima se desplaza a otro punto. Por consiguiente, tenemos que modificar la formulacin y
resolver un nuevo problema.

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.

Para un problema de PL de 2 dimensiones, puede probar el sencillo abordaje que


presentamos a continuacin para saber cul es la cantidad de aumento/disminucin de
cualquier coeficiente de la funcin objetivo (tambin conocidos como coeficientes de
costos porque histricamente durante la Segunda Guerra Mundial, el primer problema de
PL fue un problema de minimizacin de costos) a fin de mantener la validez de la solucin
ptima actual. La nica condicin requerida para este abordaje es que no se permiten
restricciones de igualdad, ya que esto implicara degeneracin, para lo cual el anlisis de
sensibilidad tradicional no es vlido.

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 2: Perturbe el coeficiente de costos j por el parmetro cj (esta es la cantidad


desconocida de cambios).

Paso 3: Construya una ecuacin correspondiente a cada restriccin obligatoria, como figura
a continuacin:

(Costo Cj perturbado) / coeficiente de Xj en la restriccin = Coeficiente de la otra variable


en la funcin objetivo / coeficiente de esa variable de la restriccin.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 36 de 78

Paso 4: La cantidad de aumento admisible es el cj positivo menor posible, mientras que la


disminucin admisible es el cj negativo mayor posible obtenido en el Paso 3.

Fjese que si no hay cj positivo (negativo), la cantidad de aumento (disminucin) es


ilimitada.

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

2. Comnmente se cree que se puede calcular el rango de sensibilidad al costo acotando


la pendiente (perturbada) de la funcin objetivo (funcin iso) por las pendientes de
las dos lneas resultantes de las restricciones obligatorias. Este mtodo grfico basado
en las pendientes est descripto en de An Introduction to Management Science, by
Anderson D., y Williams T., 9 Ed., West Publisher, 2000, (Seccin 3.2).
Lamentablemente, esto es confuso. Debera advertirse que este abordaje no es
general y funciona si y slo si los coeficientes no cambian de signo.

Por ejemplo, si aplicamos este abordaje en la construccin del rango de sensibilidad


de los coeficientes de costos del siguiente problema;

Maximizar 5X1 + 3X2

Sujeta a: X1 + X2 2, X1 - X2 0, X1 0, X2 0

Obtenemos rangos incorrectos. Visite el sitio Web Myths and Counterexamples in


Mathematical Programming para ver ilustraciones y una explicacin de este anti-
ejemplo.

El problema del carpintero:

Maximice 5X1 + 3X2

Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0

Clculo del incremento/disminucin permisibles de C1 = 5: Las restricciones obligatorias


son la primera y la segunda. Alterando este coeficiente de costo por c1 se obtiene 5 + c1.
En el paso 3 se obtiene:

(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.

De modo similar, para el segundo coeficiente de costo C2 = 3 se obtiene el rango de


sensibilidad [2.5, 10].

Consideremos el problema anterior con otro ejemplo:

Maximice 5X1 + 3X2

Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0

Clculo del incremento/disminucin permisibles de C1 = 5: Las restricciones obligatorias


son la primera y la segunda. Alterando este coeficiente de costo por c1 se obtiene 5 + c1.
En el paso 3 se obtiene:

(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.

De modo similar, para el segundo coeficiente de costo C2 = 3 se obtiene el rango de


sensibilidad [3 - 8, 3 + 2] = [-5, 5].

Rango de sensibilidad del lado derecho para problemas de PL con dos restricciones
como mximo

En el Problema del Carpintero, cuando se efectan cambios menores en cualquiera de los


recursos, la estrategia ptima (es decir, hacer el producto mixto) sigue siendo vlida.
Cuando los cambios son mayores, esta estrategia ptima cambia y el Carpintero debe, hacer
todas las mesas o las sillas que pueda. Este es un cambio drstico de estrategia; por lo tanto,
tenemos que revisar la formulacin y resolver un nuevo problema.

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?

Histricamente, el precio sombra se defini como la mejora en el valor de la funcin


objetivo por incremento unitario en el lado derecho porque con frecuencia el problema se
pone en la forma de mejora de maximizacin de utilidad (en el sentido de incremento).

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

Hasta dnde se puede incrementar o disminuir cada RHS individual manteniendo la


validez de los precios sombra? Esta frase equivale a preguntar cul es el rango de
sensibilidad para el coeficiente de costo en el problema dual.

El dual del Problema del Carpintero es:

Minimice 40U1 + 50U2

Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0

La solucin ptima es U1 = 7/3 y U2 = 1/3 (que son los precios sombra).

El Problema del Carpintero:

Maximice 5X1 + 3X2

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:

(40 + r1)/2 = 50/ 1, y (40 + r1) / 1 = 50/ 2.

De la resolucin de estas dos ecuaciones se obtiene: r1 = 60 y r1 = -15. Por lo tanto, el


rango de sensibilidad para el primer RHS en el problema del carpintero es: [40-15, 40 + 60]
= [25, 100].

De modo similar, para el segundo RHS, se obtiene: [50 - 30, 50 + 30] = [20, 80].

Qu es la Regla del 100% (regin de sensibilidad)

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:

r1/60 + r2/30 1, 0 r1 60, 0 r2 30.

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

observa que en el lado izquierdo de la condicin, cada trmino es un nmero no negativo


menor que uno, que podra representarse como un porcentaje de cambio permisible. La
suma total de estos cambios no debera exceder el 100%.

Aplicando la regla del 100% a los otros tres cambios posibles en los RHS se obtiene:

r1/(-15) + r2/(-30) 1, -15 r1 0, -30 r2 0.


r1/(60) + r2/(-30) 1, 0 r1 60, -30 r2 0.
r1/(-15) + r2/(30) 1, -15 r1 0, 0 r2 30.

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:

c1/(-3.5) + c2/7 1, -3.5 c1 0, 0 c2 7.

Donde 3.5 y 7 son la disminucin y el incremento permisibles de los coeficientes de costo 1


y C2, respectivamente, que se hallaron anteriormente mediante la aplicacin del anlisis de
sensibilidad ordinario. , respectively, that we found earlier by the application of the
ordinary sensitivity analysis.

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.

Como otro ejemplo numrico, consideremos el siguiente problema:

Maximice 5X1 + 3X2

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.

Claramente, la aplicacin de la regla del 100%, en la forma en que aqu se la presenta, es


general y puede extenderse a cualquier problema de PL de mayor magnitud. Sin embargo, a
medida que aumenta la magnitud del problema, este tipo de regin de sensibilidad se
reduce y por lo tanto, resulta menos til para la gestin. . Existen tcnicas ms poderosas y
tiles (que proporcionan condiciones necesarias y suficientes a la vez) para manejar
cambios simultneos dependientes (o independientes) de los parmetros. Para realizar un
estudio abarcador de los distintos tipos de anlisis de sensibilidad en PL con ejemplos
numricos ilustrativos, consltese el siguiente artculo:

Arsham H., Perturbation analysis of general LP models: A unified approach to sensitivity,


parametric tolerance, and more-for-less analysis, Mathematical and Computer Modelling,
12, 1437-1446, 1990.

Aadir una nueva restriccin

El proceso: Introduzca la solucin ptima corriente en la restriccin recin aadida. Si la


restriccin no se viola, la nueva restriccin NO afecta la solucin ptima. De lo contrario,
el nuevo problema debe resolverse para obtener la nueva solucin ptima.

Suprimir una restriccin

El proceso: Determine si la restriccin es obligatoria (es decir, activa, importante) hallando


si el valor de holgura/excedente es cero. Si es obligatoria, la supresin puede cambiar la
solucin ptima corriente. Suprima la restriccin y resuelva el problema. De lo contrario (si
no es una restriccin obligatoria), la supresin no afectar la solucin ptima.

Reemplazar una restriccin

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

Aadir una variable (por ejemplo, introducir un nuevo producto)

El proceso: Construya la nueva restriccin del problema solucin ptima corriente es


ptima), de lo contrario produzca el nuevo producto (la solucin ptima corriente ya no es
ms ptima). Para determinar el nivel de dual. Inserte la solucin dual en esta restriccin. Si
la restriccin se satisface, NO produzca el nuevo producto (la produccin del nuevo
producto (es decir, una solucin ptima mejor) resuelva el siguiente problema.

Suprimir una variable (es decir, cancelar un producto)

El proceso: Si para la solucin ptima corriente, el valor de la variable suprimida es cero,


entonces la solucin ptima corriente sigue siendo la ptima sin incluir la variable. De lo
contrario, suprima la variable de la funcin objetivo y las restricciones, y luego resuelva el
problema.

Problema de asignacin ptima de recursos

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.

Recordarn asimismo que habitualmente las restricciones se clasifican como restricciones


del tipo de recurso o de produccin. Es un hecho que en la mayora de los problemas de
maximizacin, las restricciones de recursos forman parte natural del problema, mientras
que en el problema de minimizacin, las restricciones de produccin son la parte ms
importante del problema.

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.

Asimismo, obsrvese que el valor ptimo de asignacin de recursos es siempre el mismo


como lmite superior del rango de sensibilidad RHS1 generado por el software.

Por ejemplo, el incremento permisible en el nmero de horas es 100 - 40 = 60 horas, con el


adicional 250 - 110 = 140.

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.

Determinacin de la mnima utilidad neta del producto

En la mayora de los casos, la utilidad neta es un factor incontrolable en un entorno de


negocios "tomador de precios". Es por ello que a los gerentes les importa conocer cul es la
utilidad neta mnima de cada producto determinado, que indica que su produccin es
rentable para empezar.

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.

Aqu, la estrategia ptima es X1 =10, X2 = 20, con un valor ptimo de $110.

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

Y todas las variables, X1, X2, c1, son no negativas.

Ahora, el problema dual del carpintero es:

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.

La implementacin de este problema en el paquete de computacin muestra que la solucin


ptima es U1 = $7/3, U2 = $1/3, y c1 = $1.5.

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

En la mayora de las situaciones de la vida real, al decisor puede no interesarle la


optimizacin, y desear en cambio alcanzar un cierto valor para la funcin objetivo. A la
mayora de los gerentes les satisface una solucin "suficientemente buena". A este
problema se lo conoce como "satisfacer" el problema de "alcanzar la meta".

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

pueden formular y resolver modelos de programacin de metas en PL tradicional, usando


cdigos de solucin de PL tradicionales.

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

Considere el Ejemplo 1 en la seccin Inicializacin del Mtodo Smplex en un sitio


asociado a ste. En lugar de maximizar ahora queremos alcanzar una meta de 4, es decir,

Meta: -X1 + 2X2 = 4


sujeta a:
X1 + X2 2,
-X1 + X2 1,
X2 3,
y X1, X2 0.

Si se aade esta meta al conjunto de restricciones y se convierten las restricciones a la


forma de igualdad se obtiene:

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.

Clculo de minimax y maximin en una sola corrida

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.

Como aplicacin, supongamos que en el Problema del Carpintero, sin prdida de


generalidad, hay tres mercados con funciones objetivos de 5X1 + 3X2, 7X1 + 2X2, y 4X1
+ 4X2, respectivamente. Al carpintero le interesa conocer el peor mercado. Es decir, la
solucin del siguiente problema:

El problema del minimax:

Min Max {5X1 + 3X2, 7X1 + 2X2, 4X1 + 4X2}

Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
Y ambos, X1, X2, son no negativos.

El Problema del Minimax equivale a:

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.

Si se toman todas las variables a la izquierda de las restricciones y este problema se


implementa en el paquete de computacin, la solucin ptima es X1 = 10, X2 = 20, y =
$110. Esto significa que el primero y el segundo mercados son los peores (porque la
primera y la segunda restricciones son obligatorias) aportando slo $110 de utilidad neta.

De modo similar, se puede resolver el minimax de varias funciones objetivos en una sola
corrida.

Situaciones de ms por menos y menos por ms

Considere el siguiente problema de PL de produccin:

Maximice X1 + 3X2 + 2X3,


sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = 9, todas Xi son no negativas.

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:

Maximice X1 + 3X2 + 2X3


sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = L , L, y todas Xi son no negativas.

Con LINDO (o WinQSB) se debe resolver:

Maximice X1 + 3X2 + 2X3


sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 - L = 0.

La L ptima es 8 horas, y el valor ptimo es $8!

La condicin necesaria y suficiente para que se d la situacin de ms por menos/menos


por ms es que existan restriccin(es) de igualdad con precio(s) sombra negativos para los
valore(s) RHS.

Para obtener ms informacin sobre sta y otras paradojas visite:


Counterexamples and Explanations for LP Myths

El Mtodo Simplex Clsico

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 46 de 78

El Mtodo Simplex es la solucin algortmica inicial para resolver problemas de


Programacin Lineal (PL). Este es una implementacin eficiente para resolver una serie de
sistemas de ecuaciones lineales. Mediante el uso de una estrategia ambiciosa mientras se
salta desde un vrtice factible hacia el prximo vrtice adyacente, el algoritmo termina en
una solucin ptima.

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

Estamos interesados en resolver el siguiente problema general:

Max( Min) C.X


sujeto a:
AX a
BX b
DX = d
con la posibilidad de algunas variables restringidas: algunos Xi's 0, algunos Xi's 0, y
todos los dems sin restriccin en el signo.

Es utilizada la notacin comn: C = {Cj} para los coeficientes de la funcin objetivo


(conocidos como los coeficientes de costo dado que histricamente, la primera PL fue un
problema de minimizacin de costos), y X = {Xj } se utiliza para las variables de decisin.

A continuacin presentamos el procedimiento de cuatro pasos para la solucin algebraica


del algoritmo:

1. Construccin de los lmites del conjunto de restricciones: Transformar todas las


desigualdades (excepto la condicin de restriccin de cada variable, si existe alguna)
a igualdades, mediante la adicin o sustraccin de variables de exceso o defecto. La
construccin de los lmites de las variables de las variables restringidas es incluido en
el prximo paso.

2. Encontrar Todos los Vrtices: Si el nmero de variables (incluyendo las de exceso


y defecto) son mayores al nmero de ecuaciones, proceda a hacer ceros el siguiente
nmero de variables:

[(Nmero total de variables incluyendo las de exceso y defecto) (Nmero de


ecuaciones)]

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.

Note que si Xi 0, entonces podra ser escrito como Xi - Si = 0, llevando los Si


correspondientes a cero significa que Xi = 0, por lo tanto, no es necesario introducir
explcitamente variables de exceso y defecto. Adicionalmente, note que cuando
cualquier Xi no esta restringido en el signo, este no adiciona una restriccin.

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.

Nmero de Soluciones Bsicas: Despus de convertir todas las inigualdades en


igualdades, dejemos que T = el nmero total de variables, incluyendo las de exceso y
defecto, E = Nmero de ecuaciones, y R = el nmero total de las variables de exceso y
defecto, as como tambin las variables de decisiones restringidas, por lo que el nmero
mximo de soluciones bsicas es:

R! / [(T - E)! (R + E - T)!]

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.

El resultado principal: Si un problema de PL no tiene solucin(es) acotadas, el mtodo


algebraico generar las soluciones.

Ejemplo 1 : Un Problema sin Ninguna Variable Restringida:

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

Introduciendo las variables d defecto y exceso, obtenemos:

X1 + X2 - S1 = 10
X1 + S2 = 8
X2 + S3 = 12

Para este problema E = 3, T = 5, R = 3, por lo tanto, existen como mximo 3! / [2! . (3 -


2)! ] = 3 soluciones bsicas. Para encontrar las soluciones bsicas, sabemos que existen 3
ecuaciones con 5 incgnitas, dejando cualquier 2 = 5 - 3 variables de exceso o defecto a
cero, y luego resolviendo el sistema de ecuaciones resultante de 3 incgnitas, obtenemos:

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

La solucin ptima es S1= 10, S2 = 0, S3 = 0, X1 = 8, X2 = 12, con un valor ptimo de 20.

Ejemplo 2: Un Problema con Una variable Restringida:

El siguiente problema es atribuido a Andreas Enge, y Petra Huhn.

Maximizar 3X1 + X2 - 4X3


sujeto a:
X1 + X2 - X3 =1,
X2 2,
X1 0

Luego de agregar la variable de exceso, tenemos:

Maximizar 3X1 + X2 - 4X3


sujeto a:
X1 + X2 - X3 =1,
X2 - S1 = 2,

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*

Por lo tanto la solucin ptima es X1 = 0, X2 = 2, X3 = 1, con un valor ptimo de -2.

Ejemplo 3: El Problema del Carpintero:

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

Por lo tanto, de la tabla anterior, obtenemos que la solucin ptima es S1= 0, S2 = 0, X1 =


10, X2 = 20, con un valor ptimo de $110.

Ejemplo 4: Un Problema con Restricciones Mixtas:

Min X1 + 2X2
sujeto a:
X1 + X2 4
-X1 + X2 2
X1 0, y X2 son no-restringidas en signo.

Introduciendo las variables de exceso y defecto, tenemos:

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*

Por lo tanto, de la tabla anterior vemos que la solucin ptima es X1 = 1, X2 = 3, S1= 0, S2


= 0, con un valor ptimo de 7.

Ejemplo 5: Un Problema de Transporte:

El objetivo es encontrar la forma mas efectiva de transportar bienes. La oferta y demanda


de cada origen (por ejemplo, almacenes) O1, O2 y destinos (por ejemplo, mercados) D1 y
D2, junto a los costos unitarios de transporte se encuentran resumidos en la tabla siguiente:

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 50 de 78

La Matriz de Costos Unitarios


de Transporte
D1 D2 Oferta
O1 20 30 200
O2 10 40 100
Demanda 150 150 300

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:

Min 20X11 + 30X12 + 10X21 + 40X22

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:

Min 20X11 + 30X12 + 10X21 + 40X22

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:

X11 X12 X21 X22 Costo Total de Transporte


0 200 150 -50 no-factible
200 0 -50 150 no-factible
150 50 0 100 8500
50 150 100 0 6500*

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.

Ejemplo 6: Un Problema con Muy Pocas Restricciones:

Asi como en nuestro ejemplo anterior, considere el problema siguiente:

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

Introduciendo la variable de exceso tenemos:

X1 + X2 + S1 = 5

Los parmetros para este problema son: T = 3, R = 1, y E = 1. Esto proporciona el nmero


total de soluciones bsicas posibles 1! / [(1!). (0!)] = 1. Haciendo la variable de exceso
cero, tenemos esta ecuacin simple X1 + X2 = 5 con dos variables a resolver. Por lo tanto,
no existen esquinas; adicionalmente, la regin de factibilidad no se encuentra definida. Sin
embrago, cualquier solucin arbitraria tal y como X1 = 0, X2 = 5 es una solucin ptima al
problema de PL, con un valor ptimo de 5.

Pivoteando Operaciones en Filas

Como usted recuerda, el mtodo algebraico envuelve el resolver varios sistemas de


ecuaciones lineales. Cuando el problema de PL tiene varias variables y restricciones, el
resolver muchos sistemas de ecuaciones manualmente se vuelve tedioso y en algunos casos
cuando son problemas de gran escala, se hace imposible de resolverlos. Por lo tanto,
necesitamos que las computadoras hagan los clculos por nosotros. Uno de los algoritmos o
aproximaciones computarizadas para resolver sistemas de ecuaciones lineales es conocido
como las operaciones de pivoteo de Gauss-Jordan (GJ.)

El pivoteo de GJ ser tambin requerido posteriormente cuando utilicemos el Mtodo


Simplex, por lo tanto, ahora es el momento preciso para desarrollar los hbitos necesarios
para los tiempos futuros.

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.

Note: El nmero cambiando a "1" llamado pivote, es usualmente encerrado en crculo,


nunca puede ser cero. Si este valor es cero, intercambie esta fila con otra fila mas abajo que
tenga un elemento diferente de cero en esa columna (sino existe ninguno, entonces la
conversin ser imposible.)

Un Ejemplo Numrico: Utilizando la operacin de filas de Gauss-Jordan, resuelva el


siguiente sistema de ecuaciones:

2X1 + X2 + X3 = 3
X1 + 3X3 = 1
2X1 + X2 = 2

El objetivo es convertir los coeficientes del sistema de ecuaciones en la siguiente matriz


identidad. Los resultados de los elementos del Lado de la Mano Derecha (LMD) (?)
proporcionan la solucin (si esta existe.)

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;

Paso 2. En cada columna:

a) Primero obtenga 1 en la fila apropiada mediante la multiplicacin del recproco. Note: Si


existe un valor cero en esta posicin, intercambie con una fila mas abajo en la en la cual se
encuentre un valor no-cero (si es posible.)

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.

Apliquemos el procedimiento anterior a nuestro ejemplo numrico.

Notaciones: Fila vieja [ ], Fila nueva { }. Colocando estas dos matrices una junto a la otra,
la matriz argumentada es:

Fila # Operaciones Resultados LMD


1 2 1 1 3
2 1 0 3 1
3 2 1 0 2
1 [1]/2 1 1/2 1/2 3/2
2 -1{1}+[2] 0 -1/2 5/2 -1/2
3 -2{1}+[3] 0 0 -1 -1
1 (-1/2){2}+[1] 1 0 3 1
2 [2]/(-1/2) 0 1 -5 1
3 (0){2}+[3] 0 0 -1 -1
1 (-3){3} + [1] 1 0 0 -2
2 (5){3} + [2] 0 1 0 6
3 [3]/(-1) 0 0 1 1

La solucin es X1 = -2, X2 = 6, y X3 =1, la cual puede ser verificada mediante


sustituciones.

Visite adicionalmente las pginas web Resolviendo un sistema de ecuaciones lineales,


Mquina Pivote, Resolver un Sistema de Ecuaciones Lineales, y El Mdulo de Ecuador
The Equator Module.

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

dems restricciones deben estar en la forma con un LMD de valores no-negativos.

As como el Mtodo Algebraico, el mtodo simplex es una solucin algortmica tabular.


Sin embargo, cada tabla (de iteracin) en el mtodo simplex corresponde a un movimiento
desde un Conjunto Bsico de Variables (CBV) (puntos extremos esquinas) a otro,
asegurndose que la funcin objetivo mejore en cada iteracin hasta encontrar la solucin
ptima.

La presentacin del mtodo simplex no es universal. En la Costa Oeste de los Estados


Unidos, profesores disfrutan resolviendo problemas de minimizacin, mientras que en la
Costa Este se prefiere la maximizacin. Igualmente dentro de estos dos grupos usted
encontrar diferentes presentaciones de las reglas del mtodo simplex. El procedimiento
siguiente describe todos los pasos envueltos en la aplicacin de la solucin algortmica del
mtodo simplex:

1. Convertir la PL a la forma siguiente:

Convierta el problema de minimizacin a un problema de maximizacin (mediante la


multiplicacin por 1 de la funcin objetivo).
Todas las variables deben ser no-negativas.
Todos los valores al LMD deben ser no-negativos (multiplique ambos lados por -1, si
es necesario).
Todas las restricciones deben estar en la forma (excepto las condiciones de no-
negatividad).Restricciones no estrictamente iguales son permitidas.
Si esta condicin no puede ser satisfecha, utilice la Inicializacin del Mtodo
Simples: Libre-Artificialidad.

2. Convierta las restricciones a igualdades mediante la adicin de diferentes variables


de exceso para cada una de ellas.

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.)

4. Determine si la tabla de iteracin actual es ptima. Es decir: :


Si todos los valores al LMD son no-negativos (llamada, condicin de factibilidad)
Si todos los elementos de la ltima fila, es decir la fila Cj, son no-positivos (llamado
condicin de optimalidad).

Si la respuesta a ambas preguntas es S, entonces detngase. La tabla de iteracin


actual contiene una solucin ptima.
De otra forma, proceda al prximo paso.

5. Si el CBV actual es no es ptimo, determine cual variable no-bsica debera


convertirse en variable bsica y viceversa. Para encontrar la nueva CBV con un
mejor valor de funcin objetivo, realice el siguiente procedimiento:

{ Identifique la variable entrante: Esta es la que posee el valor positivo Cj ms


grande (En el caso de que dos valores sean iguales en esta condicin,
seleccione el valor mas a la izquierda de las columnas.)

{ Identifique la variable saliente: Esta es la variable con el ratio en columna no-


negativa ms pequeo (para encontrar los ratio en columnas, divida los LMD
de las columnas entre la variable de columna entrante, siempre que sea
posible). En caso de que existan dos valores iguales, seleccionamos la variable

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 54 de 78

correspondiente al valor mas arriba de la columna igualada.)

{ Generar la nueva tabla de iteracin: Realice la operacin de pivoteo de Gauss-


Jordan para convertir la columna entrante en un vector columna identidad
(incluyendo los elementos de la fila Cj.)

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.

Interpretacin Geomtrica del Mtodo Simplex: El mtodo simplex siempre comienza al


origen (esquina o punto extremo) y luego salta de esquina a esquina hasta que encuentra el
punto extremo ptimo (si est bordeado.) Por lo tanto, en cada una de las iteraciones del
simplex, estamos buscando una mejor solucin entre los vrtices de un Simplex. un simplex
en un espacio n-dimensional es la forma ms fcil teniendo n + 1 vrtices. Por ejemplo, un
triangulo es un simplex de espacio de 2 dimensiones mientras que una pirmide es un
simplex en un espacio de 3 dimensiones. Estos movimientos pueden ser observados cuando
se corresponde cada tabla de iteracin del simplex con un punto extremo especfico en el
mtodo grfico, por ejemplo en el problema del carpintero, as como se muestra a
continuacin:

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.

Un Ejemplo Numrico: El Problema del Carpintero

Maximizar 5X1 + 3X2

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:

Maximizar 5X1 + 3X2

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.

la tabla de iteracin inicial es:

CBV X1 X2 S1 S2 LMD Ratio de Columna (C/R)


S1 [2] 1 1 0 40 40/2
S2 1 2 0 1 50 50/1
Cj 5 3 0 0

La solucin mostrada por la tabla de iteracin es: S1 = 40, S2 = 50, X1 = 0, y X2 = 0. Esta


solucin es el origen, mostrada en nuestro mtodo grfico.

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:

CBV X1 X2 S1 S2 LMD Ratio de Columna (C/R)


X1 1 1/2 1/2 0 20 20/(1/2)=40
S2 0 [3/2] -1/2 1 30 30/(3/2)=10
Cj 0 1/2 -5/2 0

La solucin para esta tabla de iteracin es: X1 = 20, S2 = 30, S1 = 0, y X2 = 0. Esta


solucin es el punto extremo (20, 0), mostrado en nuestro mtodo grfico.

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

La solucin para esta tabla de iteracin es: X1 = 10, X2 = 20, S1 = 0, y S2 = 0. Esta


solucin es el punto extremo (10, 20), mostrado en nuestro mtodo grfico.

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.

Programas lineales generales con enteros

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:

z La solucin redondeada puede no ser factible, y


z El redondeo puede no dar una solucin ptima.

Por lo tanto, el redondeo de resultados de programas lineales puede proporcionar respuestas


razonables, pero para garantizar soluciones ptimas debemos aplicar programacin lineal
con enteros. Por omisin, el software de PL asume que todas las variables son continuas.
Con el software Lindo, convendr usar la sentencia de entero general - GIN. GIN seguida
de un nombre de variable restringe el valor de la variable a los enteros no negativos (0,1,2,
). El siguiente ejemplo sencillo ilustra el uso de la sentencia GIN.

Max 11X1 + 10X2


S.T. 2X1 + X2 12
X1 - 3X2 1
END
GIN X1
GIN X2

La salida despus de siete iteraciones es:

VALOR DE LA FUNCION OBJETIVO

1) 66.00000

VARIABLE VALOR COSTO REDUCIDO


X1 6.000000 -11.000000
X2 0.000000 -10.000000

FILA HOLGURA O EXCEDENTE


2) 0.000000
3) 5.000000

Si no hubiramos especificado X1 y X2 como enteros generales en este modelo, LINDO no


habra hallado la solucin ptima de X1 = 6 y X2 = 0. En cambio, LINDO habra
considerado a X1 y X2 como continuos y habra llegado a la solucin X1 = 5.29 y X2 =
1.43.

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.

Aplicacin mixta de programacin con enteros: restricciones "Y-O"

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.

Programas lineales con enteros 0 - 1

Con el comando INT en LINDO se restringe la variable a 0 o 1. A estas variables con


frecuencia se las llama variables binarias. En muchas aplicaciones, las variables binarias
pueden ser muy tiles en situaciones de todo o nada. Entre los ejemplos podemos incluir
cosas tales como asumir un costo fijo, construir una nueva planta o comprar un nivel
mnimo de algn recurso para recibir un descuento por cantidad.

Ejemplo: Considere el siguiente problema de la mochila

Maximice 11X1 + 9X2 + 8X3 + 15X4


Sujeta a:: 4X1 + 3X2 + 2X3 + 5X4 8, and Xi either 0 or 1.

Con LINDO, la sentencia del problema es:

Max 11X1 + 9X2 + 8X3 + 15X4


S.T. 4X1 + 3X2 + 2X3 + 5X4 8
END
INT X1
INT X2
INT X3
INT X4

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.

VALOR DE LA FUNCION OBJETIVO

1) 24.00000

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 58 de 78

VARIABLE VALOR COSTO REDUCIDO


X1 0.000000 -11.000000
X2 1.000000 -9.000000
X3 0.000000 -8.000000
X4 1.000000 -15.000000

FILA HOLGURA O EXCEDENTE PRECIOS DUALES


2) 0.000000 0.000000

Nro. DE ITERACIONES = 8

Aplicaciones para formulacin de presupuestos de inversiones

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.

Problemas de scheduling (planificacin de turnos)

Si se quiere utilizar la mano de obra lo ms eficientemente posible es importante analizar


los requerimientos de personal durante las diversas horas del da. Esto es en especial as en
las grandes organizaciones de servicios, donde la demanda de los clientes es repetitiva pero
cambia de manera significativa segn la hora. Por ejemplo, se necesitan muchos ms
operadores telefnicos durante el perodo del medioda a las dos de la tarde que desde la
medianoche a las dos de la maana. Pero, sin embargo, debe haber algunos operadores de
guardia durante la madrugada. Como los operadores habitualmente cumplen turnos de ocho
horas es posible planificar las horas de trabajo de los operadores de modo tal que un solo
turno cubra dos o ms "perodos pico" de demanda. Mediante el diseo de planes horarios
inteligentes, la productividad de los operadores aumenta y el resultado es un plantel ms
reducido, y por lo tanto, una reduccin en los costos salariales. Algunos otros ejemplos de
reas donde los modelos de scheduling han resultado tiles son los conductores de

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 59 de 78

mnibus, los controladores de trfico areo y las enfermeras. A continuacin analizaremos


un problema de ejemplo y desarrollaremos un modelo de programacin con enteros para
planificar el horario de trabajo de enfermeras.

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.

Perodo Hora del da Nmero requerido de enfermeras


1 8:00 - 10:00 10
2 10:00 - 12:00 8
3 12:00 - 2:00 9
4 2:00 - 4:00 11
5 4:00 - 6:00 13
6 6:00 - 8:00 8
7 8:00 - 10:00 5
8 10:00 - 12:00 3

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,

habr dos enfermeras extra de guardia en el perodo 2.

Programacin no lineal

La programacin lineal ha demostrado ser una herramienta sumamente poderosa, tanto en


la modelizacin de problemas de la vida real como en la teora matemtica de amplia
aplicacin. Sin embargo, muchos problemas interesantes de optimizacin son no lineales.
El estudio de estos problemas implica una mezcla diversa de lgebra lineal, clculo
multivariado, anlisis numrico y tcnicas de computacin. Entre las reas especiales
importantes se encuentra el diseo de algoritmos de computacin (incluidas las tcnicas de
puntos interiores para programacin lineal), la geometra y el anlisis de conjuntos
convexos y funciones, y el estudio de problemas especialmente estructurados, tales como la
programacin cuadrtica. La optimizacin no lineal proporciona informacin fundamental
para el anlisis matemtico, y se usa extensamente en las ciencias aplicadas (en campos
tales como el diseo de ingeniera, el anlisis de regresin, el control de inventario y en la
exploracin geofsica).

Programacin con restricciones no binarias

A travs de los aos, la comunidad dedicada a la programacin con restricciones ha venido


prestando considerable atencin a la modelstica y resolucin de problemas usando
restricciones unarias y binarias. Ha sido slo desde hace poco que se viene prestando ms
atencin a las restricciones no binarias, y se debe principalmente a la influencia del nmero
creciente de aplicaciones en la vida real. Una restriccin no binaria es una restriccin que se
define con k variables, donde k normalmente es mayor que 2. En tal sentido, la restriccin
no binaria puede considerarse como una restriccin ms global. La modelizacin de (una
parte de) un problema con una restriccin no binaria presenta dos ventajas principales:
Facilita la expresin del problema y habilita una mayor propagacin ms poderosa de la
restriccin a medida que se dispone de informacin ms global.

Los xitos logrados en aplicaciones para programacin de itinerarios, horarios de trabajo y


rutas han demostrado que usar restricciones no binarias es una direccin de investigacin
promisoria. De hecho, cada vez ms personas creen que este tema es crucial para que la
tecnologa de las restricciones se convierta en una manera realista de modelizar y resolver
problemas de la vida real.

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.

Herramientas para el Proceso de Validacin de Modelos:


El Lado Oscuro de la Programacin Lineal

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 61 de 78

Introduccin:Que podra salir mal en el proceso de construccin de un modelo de


Programacin Lineal (PL)? Los obstculos potenciales siempre existen, los cuales afectan
cualquier aplicacin de la PL; Por lo tanto, los tomadores de decisiones y los analistas
deben estar concientes de las deficiencias de la PL al momento de crear el modelo.

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):

Una Clasificacin de Soluciones de Programacin Lineal para el Proceso de


Validacin de Modelos

Characteristics of the Feasible Region (FR)= Caractersticas de la Regin de Factibilidad


(RF.)

Bounded FR = RF Limitada; Empty FR = RF Vaca; Unbounded FR= RF Ilimitada; No


Solution= Sin Solucin.

Degenerate Solution= Solucin Degenerada; Multiple Solution= Soluciones Multiples;


Unbounded Solution= Solucin Ilimitada; Unique Solution= Solucin Unica; Bounded
Solution= Solucin Limitada.

Estos y otros obstculos no son mucho ms de las deficiencias en la programacin lineal


pero son situaciones de las cuales los tomadores de decisiones deberan estar conscientes.
Que podra salir mal en el proceso de construccin de un modelo 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

Identificacin: En el Algoritmo Simplex, si se introduce una columna j y todos los aij en


esa columna son menores o iguales a cero, el ratio la columna (C/R) no puede ser
determinado. Vea tambin el caso de degeneracin.

Por ejemplo, considere el siguiente problema:

Max Y1
sujeto a:
Y1 + Y2 -2T = 0
Y1 -Y2 = 2
todas la variables de decisin son 0.

A continuacin por ejemplo, en el mtodo libre-artificial, obtenemos la tabla siguiente:

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.

El Anlisis de Sensibilidad no es aplicable.

Los software WinQSB y Lindo establecen que el problema es ilimitado.

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:

Max -4X1 -2X2


sujeto a:
X1 4
X2 2
todas las variables de decisin son 0.

La solucin ptima es X1 = 4, y X2 = 0.

Soluciones Optimas Mltiples (soluciones ptimas Innumerables)

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.

La condicin necesaria para que exista un PL con mltiples soluciones: Si el nmero


total de ceros en el Costo Reducido junto al nmero de ceros la columna de Precio Sombra
exceden el nmero de restricciones, se podran tener mltiples soluciones. Si se realiza una
corrida del problema anterior en un software como WinQSB Lindo, se encontrarn cuatro
ceros. Sin embargo, debe darse cuenta que esta es simplemente una condicin Necesaria y
no una condicin Suficiente, as como en el ejemplo numrico anterior.
Desafortunadamente, el QSB utiliza esta condicin necesaria. Por lo tanto, proporciona
mensajes Errneos.

Ejemplo: El problema siguiente tiene varias soluciones:

Max 6X1 + 4X2


sujeto a:
X1 + 2X2 16
3X1 + 2X2 24
todas las variables de decisin son 0.

Utilizando el software QSB, usted obtendr dos soluciones, (X1 = 8, X2 = 0) y (X1 = 4, X2


= 6). Note que, la existencia de soluciones mltiples significa que tenemos soluciones
ptimas innumerables (No solo dos).

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:

X1 = 8 + (1 - )4 = 4 + 4, X2 = 0 + (1- )6 = 6 - , para todos los 0 1.

Resolucin: Revise los coeficientes dela funcin objetivo y las restricciones. Podran
existir errores de aproximacin redondeo.

Anlisis de Sensibilidad No aplicable.

El WinQSB y Lindo sostienen que el problema es ilimitado.

Anlisis de Sensibilidad: El anlisis de sensibilidad se basado en una solucin ptima


podra no ser vlida para las dems.

Advertencia al Usar Paquetes de Software: Desafortunadamente, Lindo, no proporciona


ninguna advertencia directa sobre la existencia de soluciones mltiple. El WinQSB indica
que una solucin ptima alternativa ha sido encontrada. Sin embargo, este tipo de
enunciado podra ser confuso. Por ejemplo, el problema siguiente tiene una nica solucin
ptima, cuando el WinQSB indica la existencia de mltiples soluciones.

Max 30X1 - 4X2


Sujeto a: 5X1 - X2 30
X1 5
X1 0
X2 is unrestricted.

La nica solucin es X1 = 5, X2 = -5 con un valor ptimo de 170.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 64 de 78

Para el problema siguiente, el WinQSB proporciona 4 soluciones mltiples distintas:

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.

No Soluciones (PL No-Factible)

Una solucin no-factible significa que las restricciones son demasiado limitantes y no han
dejado espacio para la regin de factibilidad.

El problema siguiente por ejemplo, no tiene solucin:

Max 5X1 + 3X2


sujeto A:
4X1 + 2X2 8
X1 4
X2 6.

Identificacin: Si no se puede traer ninguna variable mientras se mantiene la factibilidad


(es decir, los valores de LMD restantes son no-negativos).

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.

Un punto de esquina (vrtice) en un problema de variables de decisin n- dimensional es


llamado vrtice de degeneracin si ms de n restricciones se hacen activas (relevantes a la
solucin) en el punto de esquina. Esto es siempre que un punto de esquina se oscula. Por
ejemplo, en un problema de 2 dimensiones, un punto de esquina es degenerado si en el 3 o
mas restricciones se convierten en igualdades.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 65 de 78

Por ejemplo, considere el siguiente problema de dos dimensiones:

Max X1 + X2
sujeto a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisin son 0.

La solucin ptima es X1 = 1, y X2 = 1, en el cual todas las tres restricciones son activas.

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.

En casos extraos, la degeneracin podra causar ciclismos, as como se muestra en el


problema siguiente::

Max 6X1 + 3X2


sujeto a:
X1 1
X2 1
X1 - X2 1
-X1 + X2 1
todas las variables de decisin son 0.

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.

El problema siguiente y su dual son ambos degenerados:

Min X2
sujeto a:
X2 - 2X3 + X4 = 1
X1 + 2X2 - X3 = 0
X1 + X2 + 3X3 = 2
todas las variables de decisin son 0.

Redundancia Entre las Restricciones

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

siguiente ejemplo numrico:

Maximice 5X1 + 6X2

sujeto a: 3X1 + 6X2 8, 6X1 + 4X2 24, and both X1, X2 0.

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

La PL siguiente no posee vrtices:

Maximice X1 + X2

sujeto a: X1 + X2 5, X1, X2 sin restriccin.

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.

La Forma Estndar: Mediante la conversin de las inigualdades en igualdades con una


variable de rezago S1, y restringiendo las variables por X1 - y, y X2 -y, encontramos la
siguiente solucin bsica:

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

PL con Soluciones Optimas Ilimitadas y de Restriccin Mltiple

Considere el siguiente problema de PL:

Maximice X1 + X2

sujeto a: X1 + X2 = 5, ambos X1, y X2 son no-restringidos en signo.

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.

Sobre Las Variables de Decisin Bsicas y no-Bsicas

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 5X1 + 6X2

sujeto: 3X1 + 6X2 8, 6X1 + 4X2 24, y ambos X1, X2 0.

Aplicando el mtodo Simplex para resolver el problema, la variable de decisin X2 se hace


bsica luego de la primera iteracin. Sin embargo, en la segunda iteracin, la variable de
decisin X1 reemplaza a X2 como nueva variable bsica. En la segunda iteracin para este
problema, proporciona tambin la solucin ptima. Note que, una de las restricciones es
redundante.

PL sin Ninguna Solucin Interior

Considere el problema siguiente:

Maximice X1 + 2X2

sujeto a: X1 + X2 = 2, X1 0, X2 0.

Este problema no tiene puntos interiores. Un punto interior es un punto de factibilidad,


dado que usted dibuja un pequeo crculo alrededor de ese punto, y por lo tanto todos los
puntos dentro del crculo son tambin factibles. No existen puntos factibles con tales
propiedades. Consecuentemente, este problema posee un conjunto interior vaco. Sin
embargo, el problema tiene dos vrtices en: (2, 0), y (0, 2) de donde el segundo es la
solucin ptima con valor ptimo de 4.

PL sin Ninguna Solucin Interior ni Solucin Acotada

Considere el problema siguiente:

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.

PL con un Punto Interior como Optimo

Considere el problema siguiente:

Maximice X1 + X2 + X3 + X4

sujeto a: X1 + X2 = 100, X1 + X3 = 150, X3 + X4 = 200, todas las Xi 0.

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.

Para algunas situaciones adicionales interesantes, viste el sitio Web Mitos y


Contraejemplos en la PL

Solucin Optima Generada por un Paquete de PL no es la Misma Obtenida por Otro


Paquete

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

WinQSB: Utilizando el paquete de WinQSB, se encontrarn las soluciones mltiples


siguientes: A = (0, 7, 3) y B = (7, 0, 3). Esto sugiere que todos los puntos entre estas
soluciones ptimas generadas son tambin ptimas. Todas las combinaciones lineales de
estas dos soluciones son tambin ptimas:

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,

son ptimos, para todo t, inclusive cuado t es una M-grande.

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.

Corriendo este problema en Lindo (o su WinQSB), se obtiene x1 = 13 y todas las dems


variables son iguales a cero. En trminos de las variables originales, se obtiene: X1= 13, X2
= 0, y X3 = 0. Como se puede observar, la solucin obtenido por Lindo no es obtenible por
WinQSB y viceversa. Obviamente, los resultados de sensibilidad para este problema
utilizando cualquiera de estos paquetes no son validos. El conjunto de todas las soluciones
ptimas es un medio plano, es decir:
{Todos los puntos sobre el plano X1 + X2 + 2X3 = 13 tal que X1 + X2 + X3 10}

Dado que el precio sombra del problema dual es una solucin al primal, observemos
mas detenidamente el problema dual, el cual es:

Max 10U1 + 13U2


Sujeto a:
U1 + U2=1
U1 + U2=1
U1+2U2=2
Todas las variables son no-negativas.

Corriendo el problema dual en Lindo (o en su WinQSB), obtenemos U1 = 0, U2 = 1, con


precios sombra de (0, 13, 0) los cuales son la solucin para el primal obtenidos previamente
por el Lindo (o WinQSB). Sin embargo, eliminando la primera restriccin redundante en el
problema dual, tenemos :

Max 10U1 + 13U2


Sujeto a:
U1 + U2=1
U1+2U2=2
Todas las variables son no-negativas.

Ahora, haciendo la corrida en el Lindo (o WinQSB), obtenemos U1 = 0, U2 = 1, con los


precios sombra de (7, 3) los cuales son las soluciones del primal (0, 7, 3) obtenidas
previamente por el WinQSB. La otra solucin es no producible.

Utilizando el WinQSB para el problema dual, obtenemos U1 = 0, U2 = 1, con los precios


sombra de (0, 7, 3) el cual es una de las soluciones del primal obtenidas previamente
mediante este software.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 70 de 78

La Tabla Optima del Simplex Proporciona una Solucin Dual?

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.

Ejemplo Numrico: Considere problema siguiente,

Maximice 3X1 + 5X2

Sujeto a:
X1 + 2X2 50,
-X1 + X2 10,
X1 0, X2 0.

Introduciendo variables de exceso y defecto S1 y S2 respectivamente, y siguiendo los pasos


de la Solucin Algortmica Libre-Artificial, obtenemos la tabla final de simplex siguiente:

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:

Minimice 50Y1 + 10Y2

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.

La Conversin a la Forma Estndar Podra Distorsionar la Regin de Factibilidad

Considere el siguiente problema de PL:

Maximice X1 + X2

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 71 de 78

sujeto a: X1 + X2 5, X1, X2 no-restringido.

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.

La Forma Estndar: Convirtiendo las inigualdades en igualdades con la variable de


exceso S1 y restringiendo las variables mediante X1 - y, y X2 -y, obtenemos la forma
estndar siguiente:

Maximice X1 + X2 -2y

sujeto a:
X1 + X2 -2y + S1 = 5, y todas las variables estn restringidas en signo.

Las soluciones bsicas son:

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):

(X1, X2) = (0, 5) + 1(1, -1) + 2(-1, 1) =


(1 - 2, 5 - 1 + 2),

para todo 1 0, y 2 0.

En vez de (0, 5) cualquier punto sobre la lnea puede ser utilizado.

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

(X1, X2) = (0, 5) + 1(-1,1) + 2(1,-1) + 3(-1,-1),

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)].

La idea general para la representacin paramtrica es que comenzamos en el vrtice. Nos


movemos es la direccin de factibilidad de cada borde al prximo punto factible. Si dicho
punto existe (es decir, hemos encontrado oto vrtice). Si no, el poliedro no es restringido en
esa direccin, lo que significa que dicha direccin es una raya extrema. Note que, un
poliedro sin vrtices siempre contiene una lnea (o hiper-plano). Para dicho poliedro
adicionamos una raya perpendicular a la lnea (o hiper-plano) si la restriccin tiene la forma
de inigualdad ( , o como en el ejemplo anterior.

Remover las Restricciones de Igualdad Mediante la Sustitucin Podra Cambiar el


Problema:

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.

Este problema no tiene solucin. Sin embargo, sustituyendo, digamos X3 = -1 - X2 en


todos lados, el problema cambia a:

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

Interpretacin Errnea del Precio Sombra

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.

Desafortunadamente, existen malas interpretaciones en referencia al concepto del precio


sombra. Una de estas es, en los problemas de PL el precio sombra de una restriccin es la
diferencia entre el valor optimizado de la funcin objetivo y el valor de la funcin objetivo,
evaluado en los trminos ptimos cuando el LMD de la restriccin es incrementado en una
unidad. Este es el tpico de los siguientes sitios Web: Diseos de Sistema de Soporte de
Decisiones, Mtodos Cuantitativos, y Precios Sombra y Costos de Penalidad . El ltimo
sitio Web contiene lo siguiente: los Precios Sombra para un problema de PL son la
solucin de su dual. El i-simo precio sombra es el cambio en la funcin objetivo resultante
del incremento de una unidad en la i-sima coordenada de b. Un precio sombra tambin es
el monto que un inversionista tendra que pagar por una unidad adicional de recurso con el
objetivo de comprar al fabricante.

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.

Este problema logra su solucin ptima en (0, 2) con un valor ptimo de 2.


Suponga que se desea calcular el precio sombra del primer recurso, lo cual es la LMD de la
primera restriccn.

Cambiando la LMD de la primera restriccin incrementndolo en una unidad, obtenemos:

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.

Si desea calcular el precio sombra de un LMD cuando su rango de sensibilidad no es


disponible, usted lo podra obtener para por lo menos dos perturbaciones. Si la tasa de
cambio para ambos casos le proporciona los mismos valores, esta tasa es por lo tanto el
precio sombra. Como un ejemplo, suponga que perturbamos el LMD de la primera
restriccin por +0,02 y 0,01. Resolviendo el problema despus de estos cambios utilizando
su software para resolver su PL, los valores ptimos son 2,02, y 1,09, respectivamente.
Dado que el valor ptimo para el problema nominal (sin ninguna perturbacin) es igual a 2,
la tasa de cambio para estos dos casos son: (2,02 - 2)/0,02 = 1, y (1,09 - 2)/(-0,01) = 1,
respectivamente. Dado que estas dos tasa son la misma, concluimos que el precio sombra
para la LMD de la primera restriccin es por lo tanto igual a 1.

Es el Precio Sombra Siempre no-Negativo?

Usted podra preguntarse Es el precio sombra de un valor de LMD siempre no-


negativo? Esto solo depende de la formulacin del primal y su dual. Lo que es importante
para recordar es que el precio sombra de un LMD dado es la tasa de cambio en el valor
ptimo con respecto a ese LMD, dado que el cambio se encuentra dentro de los lmites de
sensibilidad de ese LMD.

Considere el siguiente ejemplo numrico:

Max 3X1 + 5X2


Sujeto a:
X1 + 2X2 50
-X1 + X2 10
X1, X2 son no-negativos.

Estamos interesados en encontrar el precio sombra de LMD2 = 10. el problema dual es:

Min 50U1 + 10U2


Sujeto a:
U1 - U2 3
2U1 + U2 5
U1 0, mientras que U2 0

Esto se puede verificar utilizando el software WinQSB. La solucin para el dual es U1 =


8/3, U2 = -1/3. Por lo tanto, el precio sombra para el LMD2 = 10 es U2 = -1/3. Esto
significa que por cada unidad de incremento (descenso) en el valor de LMD2 el valor
ptimo para el problema primal decrece (incrementa) en 1/3, dado el cambio en que el
LMD2 se encuentra entre sus lmites de sensibilidad.

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:

Max 3X1 + 5X2


Sujeto a:
X1 + 2X2 50
X1 - X2 -10
X1, X2 son no-negativos.

El problema dual para este problema primal ahora es ahora:

Min 50Y1 - 10Y2


Sujeto a:
Y1 + Y2 3
2Y1- Y2 5
Ambos Y1 y Y2 son no-negativos.

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.

Precios Sombra Alternativos

Suponga que tenemos una PL y esta tiene una solucin ptima nica. Es posible encontrar
mas de un conjunto de precios duales?

Si, es posible. Considere el problema siguiente:

Min 16X1 + 24X2


sujeto a:
X1 + 3X2 6
2X1 + 2X2 4
todas las variables de decisin son 0.

Su solucin dual es:

Max 6U1 + 4U2


sujeto a:
U1 + 2U2 16
3U1 + 2U2 24
todas las variables de decisin son 0,

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.

Considere el siguiente problema de PL con restricciones redundantes:

Max 10X1 + 13X2


Sujeto a:
X1 + X2 = 1
X1 + X2 = 1
X1+ 2X2 = 2
y todas las variables son no-negativas.

Haciendo la corrida del dual en Lindo (o su WinQSB ) se obtiene el resultado en X1 = 0,


X2 = 1, con los precios sombra de (0, 13, 0).

Usando el WinQSB para este problema, obtenemos X1 = 0, X2 = 1 con diferentes precios


sombra de (0, 7, 3).

En el caso de redundancia, el precio sombra obtenido por un paquete de PL podra no ser el


mismo obtenido por otro.

Situaciones de Mas-por Menos & Menos-por Mas

Considere el siguiente problema de PL de produccin:

Maximizar X1 + 3X2 + 2X3


sujeto a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = 9, todos los Xi son no-negativos.

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.

Esta situacin se encuentra con frecuencia y es conocida como La Paradoja de Mas-por


Menos. El recurso nmero 2 tiene un precio sombra negativo!

Para determinar el mejor nmero de horas, se debe trabajar para maximizar el ingreso
mediante la resolucin de la siguiente PL paramtrica:

Maximice X1 + 3X2 + 2X3


sujeto a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = L , L, y todos los Xi son no-negativos.

Usando LINDO ( su WinQSB) debemos resolver

Maximice X1 + 3X2 + 2X3


sujeto a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 - L = 0.

El L ptimo es 8 horas, y el valor ptimo es $8!

La condicin necesaria y suficiente para la situacin de existencia de mas-por-menos/


menos- por mas es tener restriccin (es) de igualdad con precio (s) sombra negativo (s)

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 77 de 78

para los valores de LMD.

Una seleccin de:

|Associao Portuguesa de Investigao Operacional| BUBL Catalogue| Ciencias Sociales|


Decision Sciences Institute| Economa| Excite: Operations Research| Gacetilla Matemtica|
La Brujula S.A.| MERLOT| NetFirst| Scottish Further Education| Scout Report |toma de
decisiones |Virtual Library | World Lecture Hall |Yahoo: Operations Research|

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.

Agradecera recibir comentarios, sugerencias e inquietudes por e-mail. Gracias.


Profesor Hossein Arsham

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:

Ciencia de la Administracin Aplicada para Gerentes y Lideres Gerenciales,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina

Optimizacin de Enteros y Modelos de Redes,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

Introduccin a la Teora de Juegos ,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

Modelos Probabilsticos: Del anlisis de la decisin,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

Toma de Decisiones con Periodos de Tiempo Crtico en Economa y Finanzas,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

Razonamiento Estadstico para la Toma de Decisiones Gerenciales,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

Una Clasificacin de JavaScript Estadticos,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

El Aprendizaje con la Asistencia del Computador,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 78 de 78

Temas en Algebra Lineal,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

Construccin de Regiones de Sensibilidad General de Programacin Lineal,


Sitio Espejo para Espaa, Sitio Espejo para Amrica Latina.

EOF: 1994-2009.

http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010

You might also like