Modelos Deterministas:

Optimizacin Lineal
Sitio Espejo para Amrica Latin
Esta es la versin en Espaol del sitio Web principal en Ingls, el cual se
encuentra disponible en:
Linear Programming
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

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
o El Problema del Carpintero
o Un Problema de Mezcla
o 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
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 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 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 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)

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 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
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:
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 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 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
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:
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
Elecciones del Decisor

Coordenadas de los Puntos

Extremos

Funcin de los
Ingresos Netos

Cantidad de Mesas o Sillas

X1, X2

5 X1 + 3 X2

No fabricar ninguna mesa ni

silla

0, 0

Fabricar todas la mesas

posibles

20, 0

100

Fabricar todas las sillas

posibles

0, 25

75

Fabricar una combinacin de

productos

10, 20

110

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:
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 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
10
0
20
0
50
0

X2
20
40
0
25
0
0

5X1 + 3X2
110*
No factible
100
75
No factible
0

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
O1 20
O2 10
Demanda 150

D2
30
40
150

Oferta
200
100
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:
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
0
No factible
200
150
50

X12
200

X21
150

X22
-50

Costo Total de Transporte

0
50
150

-50
0
100

150
100
0

No factible
8500
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.
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

 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? 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.
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.
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.

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 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.

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 las utilidades)
Tipos de restricciones:
una restriccin usual
= una restriccin limitada
(estricta)
una restriccin inusual

Objetivo: Min (por

ejemplo los costos)
Tipos de restricciones:
una restriccin usual
= una restriccin limitada
(estricta)
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,
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
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
Mano de
2
obra
Materia
1
prima
Ingresos
5
netos

Sillas

Disponible

40

50

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 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:
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 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.
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.
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 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.
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:
Construccin de indicadores (econmicos / ambientales)
Anlisis y pronstico de riesgo (ambiental, financiero, de
seguros,...)
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:
Para probar la solidez de una solucin ptima. Las sorpresas no
forman parte de las decisiones ptimas slidas.
Para identificar los valores crticos, umbrales, o valores de
equilibrio donde cambia la estrategia ptima.
Para identificar sensibilidad o variables importantes.
Para investigar soluciones sub-ptimas.
Para desarrollar recomendaciones flexibles que dependan de las
circunstancias.
Para comparar los valores de las estrategias de decisin simples
y complejas.
Para evaluar el riesgo de una estrategia o escenario.
Comunicacin:
Para formular recomendaciones ms crebles, comprensibles,
contundentes o persuasivas.
Para permitir a los decisores seleccionar hiptesis.
Para comunicar una falta de compromiso a una nica estrategia.
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:
Para estimar la relacin entre las variables de entrada y las de
salida.

 Para comprender la relacin entre las variables de entrada y las

de salida. Para desarrollar pruebas de las hiptesis.
Desarrollo del modelo:
Para probar la validez o precisin del modelo.
Para buscar errores en el modelo
Para simplificar el modelo.
Para calibrar el modelo.
Para hacer frente a la falta o insuficiencia de datos.
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 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.
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 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.
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 ( r 1,
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 r 1, 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 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

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.
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:
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.
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
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
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

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)]
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 unaSolucin 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
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
0
10
0

S2
0
0
10

S3
10
0
0

X1
8
8
-2

X2
2
12
12

X1 + X2
10
20*
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
0

X2
2

X3
1

S1
0

3X1 + X2 -4X3
-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:
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
0
0
0
15
-60
40

S2
0
-30
30
0
0
50

X1
10
0
20
0
50
0

X2
20
40
0
25
0
0

5X1 + 3X2
110*
no-factible
100
75
no-factible
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
0
0
1

X2
4
2
3

S1
0
-2
0

S2
-2
0
0

X1 + 2X2
no-factible
no-factible
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:
La Matriz de Costos Unitarios
de Transporte
D1
O1 20
O2 10
Demanda 150

D2
30
40
150

Oferta
200
100
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
0
no-factible
200
150
50

X12
200

X21
150

X22
-50

Costo Total de Transporte

0
50
150

-50
0
100

150
100
0

no-factible
8500
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:
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 GaussJordan, 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.)
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

1/2

1/2

3/2

-1{1}+[2]

-1/2

5/2

-1/2

-2{1}+[3]

-1

-1

(-1/2){2}+[1]

[2]/(-1/2)

-5

(0){2}+[3]

-1

-1

(-3){3} + [1]

-2

(5){3} + [2]

[3]/(-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 dems
restricciones deben estar en la forma con un LMD de valores nonegativos.
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 nobsica debera convertirse en variable bsica y viceversa. Para
encontrar la nueva CBV con un mejor valor de funcin objetivo,
realice el siguiente procedimiento:
o 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.)
o 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 correspondiente al
valor mas arriba de la columna igualada.)
o 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
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
S1
S2
Cj

X1
[2]
1
5

X2
1
2
3

S1
1
0
0

S2
0
1
0

LMD
40
50

Ratio de Columna (C/R)

40/2
50/1

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
S2
Cj

X1
1
0
0

X2
1/2
[3/2]
1/2

S1
1/2
-1/2
-5/2

S2
0
1
0

LMD
20
30

Ratio de Columna (C/R)

20/(1/2)=40
30/(3/2)=10

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
Cj

X1
1
0
0

X2
0
1
0

S1
2/3
-1/3
-7/3

S2
-1/3
2/3
-1/3

LMD
10
20

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). 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:
La solucin redondeada puede no ser factible, y
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)

VARIABLE

66.00000

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"

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)
VARIABLE
X1
X2
X3
X4

24.00000

FILA
2)

VALOR
0.000000
1.000000
0.000000
1.000000

COSTO REDUCIDO
-11.000000
-9.000000
-8.000000
-15.000000

HOLGURA O EXCEDENTE
0.000000

Nro. DE ITERACIONES =

PRECIOS DUALES
0.000000

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 dejdlares. 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 Xj 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 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
1
2
3
4
5
6
7
8

Hora del da
8:00 - 10:00
10:00 - 12:00
12:00 - 2:00
2:00 - 4:00
4:00 - 6:00
6:00 - 8:00
8:00 - 10:00
10:00 - 12:00

Nmero requerido de enfermeras

10
8
9
11
13
8
5
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. Entonces, incluso si X 2 =
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

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

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
T
Y1
Cj

Y1
0
1
0

Y2
-1
-1
1

T
1
0

LMD
1
2

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 nobsicas, tendramos dos soluciones 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.
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 nonegativos).
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.
Anlisis de Sensibilidad: No aplicable.
Note: La mayora de los software comerciales tales como CPLEX y
LINDO tienen una funcin llamada IIS (Irreducible Infeasible Subset=
Subconjunto de Infactibilidad Reducible) es decir, el conjunto de
restricciones mnimas necesarias a remover del problema de forma tal
de hacerlo factible. Este conjunto de restricciones es no-factible, pero
un subconjunto apropiado de un IIS es factible. Por lo tanto todas las
restricciones en el IIS contribuyen a la no-factibilidad. Esto significa
que se puede remover o modificar por lo menos una de las restricciones
en la IIS de forma tal de proporcionar factibilidad al modelo. Por lo
tanto, encontrar una IIS simplemente ayuda a enfocar los esfuerzos en
el diagnstico. Podran existir varias IIS en el modelo y un simple error
se podra presentar en diferentes formas de IIS. En consecuencia, se
debe reparar el modelo de la forma siguiente:
Paso 1: encontrar una IIS,
Paso 2: reparar la infactibilidad en la IIS, y
Paso 3: revisar si el modelo es su totalidad es ahora factible, si no,
realice el paso de nuevo.

En los Paquetes de Generacin de Horarios, por ejemplo, la eliminacin

total de inconsistencias en los datos iniciales es una tarea ardua. Por lo
tanto, algunos paquetes estn equipados con un mdulo de interfaz que
acta como un depurador. Esto eliminar mucho de los problemas de
infactibilidad durante el nivel superficial de la primera corrida. Como
un acercamiento alternativo, los problemas de infactibilidad pueden ser
manejados como un problema de optimizacin lineal, con el objetivo de
minimizar el nmero de violaciones de restricciones (posiblemente
ponderadas.) Cuando ninguna solucin satisface todas las restricciones,
una solucin cercana es encontrada. Esta solucin cercana podra
resaltar los datos de entrada que generan conflicto a los cuales se debe
dirigir.

Degeneracin

Un vrtice degenerado es uno a travs del cual pasan mas de n hiperplanos 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.
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 INvalido 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 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.

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:

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,
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.

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
Cj

X1
1
0
0

X2
0
1
0

S1
1/3
1/3
8/3

S2
2/3
-1/3
1/3

LMD
10
20

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
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, 1) =
( - , 5 - + ),
para todo 0, y 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:
(X1, X2) = (0, 5) + (-1,1) + (1,-1) + (-1,-1),

para todo 0, 0, y 0.
El ltimo trmino necesario para todos los puntos por debajo de la
lnea. Esto se obtiene del hecho de que ambas variables son norestringidas 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 hiperplano). 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) norestringidas 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.

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 isima 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.
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 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.
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) para los valores de LMD.

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
enhttp://home.ubalt.edu/ntsbarsh/Business-stat para el duplicado.
Agradecera recibir comentarios, sugerencias e inquietudes por e-mail.
Gracias.