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 ( s, >, 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 s 0
X1
2
- 4 s 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 s 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 s 40 restriccin de mano de obra
X1 + 2 X2 s 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 s 40 + X3 restriccin de la mano de obra con horas adicionales
desconocidas
X1 + 2 X2 s 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 s 4800 De trabajo tiempo
8X1 + 15X2 s 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 (s, >, 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 s 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 esquinaes un vrtice que adems es factible.
Un Ejemplo Numrico: El Problema del Carpintero
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 s 40
X1 + 2 X2 s 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 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
C
4
2
= 4! / (2! 2!) = 6 soluciones bsicas. Si resolvemos los seis
sistemas de ecuaciones resultantes tenemos:
Seis Soluciones Bsicas con Cuatro Soluciones Bsicas Factibles
X1 X2
5X1 +
3X2
10 20 110*

0 40 No factible

20 0 100

0 25 75

50 0 No factible

0 0 0

Cuatro de las soluciones bsicas que figuran arriba son soluciones
bsicas factibles que satisfacen todas las restricciones y pertenecen
a los vrtices de la regin factible. Al incluir la solucin bsica
factible en la funcin objetivo, podemos calcular el valor ptimo.
Entonces, de la tabla anterior surge que la solucin ptima es X1 =
10, X2 = 20, con un valor ptimo de US$110. Este abordaje puede
aplicarse para resolver problemas de PL de ms dimensiones.

Extensin a Mayores Dimensiones
El Mtodo Grfico se limita a resolver problemas de PL con una o
dos variables de decisin. Sin embargo, proporciona una clara
ilustracin de dnde se encuentran las regiones factibles y no
factibles as como tambin los vrtices. Desarrollar una
comprensin visual del problema contribuye a un proceso de
pensamiento ms racional. Por ejemplo, ya vimos que: si un
programa lineal tiene una regin factible acotada no vaca, la
solucin ptima es siempre uno de los vrtices de su regin factible
(una esquina o punto extremo). Como resultado, lo que debemos
hacer es buscar todos los puntos de interseccin (vrtices) y luego
examinar cul de todos los vrtices factibles proporciona la solucin
ptima. Ahora, aplicando conceptos de Geometra Analtica,
sortearemos esta limitacin de la visin humana. El Mtodo
Algebraico est diseado para extender los resultados del mtodo
grfico a problemas de PL multidimensionales, tal como se ilustra
en el siguiente ejemplo numrico.
Ejemplo Numrico: el Problema del Transporte
El objetivo es encontrar la manera ms efectiva de transportar
productos. La siguiente tabla presenta un resumen de la oferta y la
demanda en cada origen (por ejemplo: el depsito) O1, O2 y destino
(por ejemplo: el mercado) D1 y D2, junto con el costo unitario de
transporte.

Matriz de Costo Unitario
de Transporte

D1 D2 Oferta
O1

20 30 200
O2

10 40 100
Demanda

150 150 300
Xij representa la cantidad de productos enviados desde el origen i
hasta el destino j. La formulacin de PL del problema de
minimizacin del costo total de transporte es la siguiente:
Min 20X11 + 30X12 + 10X21 + 40X22
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todas Xij > 0
Como este problema de transporte es equilibrado (oferta total =
demanda total) todas las restricciones estn en forma de igualdad.
Adems, cualquiera de las restricciones es redundante (si se suman
dos restricciones cualquiera y se resta otra obtenemos la restriccin
restante). Borremos la ltima restriccin. El problema entonces
queda as:
Min 20X11 + 30X12 + 10X21 + 40X22
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
todas Xij > 0
Este problema de PL no se puede resolver mediante el mtodo
grfico. Sin embargo, el mtodo algebraico no tiene ninguna
limitacin con respecto a la dimensin de PL. Ntese que tenemos
tres ecuaciones con cuatro variables de decisin restringidas.
Fijando cualquiera de las variables en cero obtenemos:
X11 X12 X21 X22 Costo Total de Transporte
0 200 150 -50

No factible

200 0 -50 150 No factible
150 50 0 100 8500
50 150 100 0 6500*
Ahora poniendo cualquier y dos (o ms) las variables para poner
cero de a, es fcil de ver, inspeccionando las tres ecuaciones que
todas las otras soluciones son no factible.
Por lo tanto, la estrategia ptima es X11 = 50, X12 = 150, X21 =
100, y X22 = 0, con un costo total de transporte mnimo de
US$6.500.
Si lo desea, puede resolver este problema con Modul Net.Exe en el
paquete WinQSB para verificar estos resultados.
Para obtener una versin ms detallada del Mtodo Algebraico,
visite el sitio Toward the Simplex Method

Conceptos y Tcnicas de Aprendizaje Asistidos por Computadora
Debemos ser precavidos al cuestionar nuestra intuicin y demostrar
porqu debemos aprender mediante un instrumento que en este
curso es un paquete de software. Todos los alumnos de Fsica y
Qumica realizan experimentos en los laboratorios para conocer
bien los temas de estos dos campos de estudio. Usted tambin debe
realizar experimentos para comprender los conceptos de la Ciencia
de Administracin. Por ejemplo, debe utilizar paquetes de software
para realizar anlisis what-if o de hiptesis. El software le permite
observar los efectos de la variacin de los valores dados.
Los programas lineales reales siempre se resuelven por
computadora. Por lo general las computadoras utilizan el mtodo
simplex para llegar a las soluciones. Los coeficientes de la funcin
objetivo se denominan coeficientes de costos (porque
histricamente durante la Segunda Guerra Mundial, el primer
problema de PL fue un problema de minimizacin de costos),
coeficientes tecnolgicos y valores RHS (o valores del lado
derecho). Esta es la manera perfecta de aprender conceptos del
anlisis de sensibilidad. Como usuario, usted puede darse el lujo de
ver resultados numricos y compararlos con lo que usted espera ver.
El paquete LINDO es un software muy utilizado para problemas de
PL. Se puede bajar una versin para Windows gratuita en la pgina
Home de LINDO en LINDO, http://www.lindo.com. En este sitio se
explica como ejecutar e interpretar los resultados del paquete
LINDO.
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 s 3.
El problema convertido es:
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y > 0,
-X1 - 3X2 + 4y s 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:
s 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)
suna restriccin inusual

Tipos de variables:

> 0 una condicin
usual
... sin restriccin de
signo
s 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 s -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 s 1,
u1 - u2 + u3 s -2,
u1 > 0,
u2 s 0,
u3 > 0
El Problema Dual del Problema del Carpintero:
Maximizar 5X1 + 3X2
sujeta a:
2X1 + X2 s 40
X1 + 2X2 s 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 Sillas Disponible
Mano de
obra
2 1 40
Materia
prima
1 2 50
Ingresos
netos
5 3

Y su formulacin de PL
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 s 40 restriccin de mano de obra
X1 + 2 X2 s 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 s 5
X1 + 2X2 s 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 s 1
X2 s 1
X1 + X2 s 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 s : 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 s : 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 s 2
2.5X1 + 4X2 s 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 s 3
2.5X1 + 4X2 s 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 s 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 s 5
U1 > 0, mientras que U2 s 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 s 50
X1 - X2 s -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 s 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 s 16
3U1 + 2U2 s 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 s 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.,
6
th
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 s 2, X1 - X2 s 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 s 40
X1 + 2X2 s 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 s 2
X1 - X2 s 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 s 40
X1 + 2X2 s 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
, r
2
> 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:
r
1
/60 + r
2
/30 s 1, 0 s r
1
s 60, 0 s r
2
s 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
r
2
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:
r
1
/(-15) + r
2
/(-30) s 1, -15 s r
1
s 0, -30 s r
2
s 0.
r
1
/(60) + r
2
/(-30) s 1, 0 s r
1
s 60, -30 s r
2
s 0.
r
1
/(-15) + r
2
/(30) s 1, -15 s r
1
s 0, 0 s r
2
s 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
s 0 y c
2
> 0.
La regla del 100% establece que la base corriente sigue siendo
ptima siempre que:
c
1
/(-3.5) + c
2
/7 s 1, -3.5 s c
1
s 0, 0 s c
2
s 7.
Donde 3.5 y 7 son la disminucin y el incremento permisibles de
los coeficientes de costo
1
y C
2
, 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 s 2
X1 - X2 s 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 s 40, restriccin de mano de obra
X1 + 2 X2 s 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 s R1 restriccin mano de obra
X1 + 2 X2 s 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 s 0 restriccin de mano de obra
X1 + 2 X2 s 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 s 40 restriccin mano de obra
X1 + 2 X2 s 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 s 40 restriccin mano de obra
X1 + 2 X2 s 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 s 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 s 40
X1 + 2 X2 s 50
Y ambos, X1, X2, son no negativos.
El Problema del Minimax equivale a:
Maximice y
Sujeta a:
y s 5x1 + 3X2
y s 7X1 + 2X2
y s 4X1 + 4X2
2X1 + X2 s 40
X1 + 2X2 s 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 s a
BX > b
DX = d
con la posibilidad de algunas variables restringidas: algunos
Xi's > 0, algunos Xi's 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 s 0) solamente. Luego de llevar todas estas variables a
cero, proceda a encontrar las otras variables mediante la
resolucin del sistema cuadrado de ecuaciones.
Note que si Xi > 0, entonces podra ser escrito como Xi - Si =
0, llevando los Si correspondientes a cero significa que Xi =
0, por lo tanto, no es necesario introducir explcitamente
variables de exceso y defecto. Adicionalmente, note que
cuando cualquier Xi no esta restringido en el signo, este no
adiciona una restriccin.
3. Comprobar la Factibilidad: Todas las variables de defecto
o exceso deben ser no-negativas, y compruebe por la
condicin de restriccin (si existe alguna) en cada variable.
Cada solucin factible es llamada una Solucin Factible
Bsica, la cual es el punto en cada esquina de la regin de
factibilidad.
4. Seleccionar una Esquina Optima: Entre todas las
soluciones factibles (i.e., puntos en las esquinas factibles),
encuentre el ptimo (si existe alguno) evaluando cada uno en
la funcin objetivo. Podran existir soluciones ptimas
mltiples.
Recuerde que: un sistema lineal AX=b tiene una solucin si y solo
si el rango de A es igual al rango de la matriz argumento (A,B).
Definiciones a Saber:
Cada solucin para cualquier sistema de ecuaciones es llamada
una Solucin Bsica (SB). Todos las SB, que son factibles se les
llama Soluciones Factibles Bsicas (SFB).
En cada solucin bsica, las variables, que usted igualo a cero, son
llamadas las Variables No-Bsicas (VNB), todas la otras variables
que se calcularos mediante el sistema de ecuaciones son
llamadasVariables 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 s 8
X2 s 12
Introduciendo las variables d defecto y exceso, obtenemos:
X1 + X2 - S1 = 10
X1 + S2 = 8
X2 + S3 = 12
Para este problema E = 3, T = 5, R = 3, por lo tanto, existen como
mximo 3! / [2! . (3 - 2)! ] = 3 soluciones bsicas. Para encontrar las
soluciones bsicas, sabemos que existen 3 ecuaciones con 5
incgnitas, dejando cualquier 2 = 5 - 3 variables de exceso o defecto
a cero, y luego resolviendo el sistema de ecuaciones resultante de 3
incgnitas, obtenemos:
S1 S2 S3 X1 X2 X1 + X2
0 0 10 8 2 10
10 0 0 8 12 20*
0 10 0 -2 12 10
La solucin ptima es S1= 10, S2 = 0, S3 = 0, X1 = 8, X2 = 12, con
un valor ptimo de 20.
Ejemplo 2: Un Problema con Una variable Restringida:
El siguiente problema es atribuido a Andreas Enge, y Petra Huhn.
Maximizar 3X1 + X2 - 4X3
sujeto a:
X1 + X2 - X3 =1,
X2 > 2,
X1 > 0
Luego de agregar la variable de exceso, tenemos:
Maximizar 3X1 + X2 - 4X3
sujeto a:
X1 + X2 - X3 =1,
X2 - S1 = 2,
Este problema de PL no puede ser resuelto por el mtodo grfico.
Sin embargo, el mtodo algebraico es general en el sentido que no
pone ninguna limitacin en la dimensionalidad del problema. Note
que tenemos dos ecuaciones con una variable de exceso, y una
variable de decisin restringida. Los parmetros para este problema
son: T= 4, R = 2, y E = 2. Esto nos proporciona el nmero total de
soluciones bsicas posibles: 2! / [(2!). (0!)] = 1. Haciendo las
variables X1 y de exceso iguales a cero:
X1 X2 X3 S1 3X1 + X2 -4X3

0 2 1 0 -2*

Por lo tanto la solucin ptima es X1 = 0, X2 = 2, X3 = 1, con un
valor ptimo de -2.
Ejemplo 3: El Problema del Carpintero:
Introduciendo las variables de exceso y defecto para convertir todas
las inigualdades en igualdades, tenemos:
2X1 + X2 + S1 = 40
X1 + 2X2 + S2 = 50
Aqu tenemos 2 ecuaciones con 4 incgnitas. Dado que las variables
X1 y X2 son ambas restringidas, debemos llevar otras dos variables
incluyendo estas dos a cero. Resolviendo el sistema de seis
ecuaciones resultante, tenemos:
S1 S2 X1 X2
5X1 +
3X2
0 0 10 20 110*

0 -30 0 40 no-factible

0 30 20 0 100

15 0 0 25 75

-60 0 50 0 no-factible

40 50 0 0 0

Por lo tanto, de la tabla anterior, obtenemos que la solucin ptima
es S1= 0, S2 = 0, X1 = 10, X2 = 20, con un valor ptimo de $110.
Ejemplo 4: Un Problema con Restricciones Mixtas:
Min X1 + 2X2
sujeto a:
X1 + X2 > 4
-X1 + X2 s 2
X1 > 0, y X2 son no-restringidas en signo.
Introduciendo las variables de exceso y defecto, tenemos:
X1 + X2 - S1 = 4
-X1 + X2 + S2 = 2
Aqu tenemos 2 ecuaciones con 4 incgnitas. Dado que solo X1 es
restringida, debemos hacer cero por lo menos dos de las variables
S1, S2, y X1. Resolviendo el sistema de seis ecuaciones resultante,
tenemos:
X1 X2 S1 S2 X1 + 2X2
0 4 0 -2 no-factible

0 2 -2 0 no-factible

1 3 0 0 7*

Por lo tanto, de la tabla anterior vemos que la solucin ptima es X1
= 1, X2 = 3, S1= 0, S2 = 0, con un valor ptimo de 7.
Ejemplo 5: Un Problema de Transporte:
El objetivo es encontrar la forma mas efectiva de transportar bienes.
La oferta y demanda de cada origen (por ejemplo, almacenes) O1,
O2 y destinos (por ejemplo, mercados) D1 y D2, junto a los costos
unitarios de transporte se encuentran resumidos en la tabla
siguiente:

La Matriz de Costos
Unitarios de Transporte

D1 D2 Oferta
O1

20 30 200
O2

10 40 100
Demanda

150 150 300
Dejemos que los Xij denoten la cantidad de transportacin que sale
del origen i al destino j. La formulacin de la PL del problema de
minimizacin del costo total de transporte es:
Min 20X11 + 30X12 + 10X21 + 40X22
sujeto a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todos los Xij > 0
dado que este problema de transporte es balanceado (oferta total =
demanda total), todas las restricciones estn en forma de igualdad.
Adicionalmente, todas las restricciones son redundantes (agregando
dos restricciones cualquiera y sustrayendo alguna otra obtendramos
la restante.) Eliminemos una restriccin de tal forma que el
problema se reduce a:
Min 20X11 + 30X12 + 10X21 + 40X22
sujeto a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
para todos los Xij > 0
Este problema de PL no puede ser resuelto por el mtodo grfico.
Sin embargo el mtodo algebraico no tiene limitaciones en las
dimensiones del PL. Note que tenemos tres ecuaciones con cuatro
variables de decisin restringidas. Haciendo cualquiera de las
variables cero, tenemos:
X11 X12 X21 X22 Costo Total de Transporte
0 200 150 -50

no-factible

200 0 -50 150 no-factible
150 50 0 100 8500
50 150 100 0 6500*
Por lo tanto, la estrategia ptima es X11 = 50, X12 = 150, X21 =
100, y X22 = 0, con por lo menos un coste total de transporte de
$6,500.
Ejemplo 6: Un Problema con Muy Pocas Restricciones:
Asi como en nuestro ejemplo anterior, considere el problema
siguiente:
Max X1 + X2
sujeto a:
X1 + X2 s 5
Introduciendo la variable de exceso tenemos:
X1 + X2 + S1 = 5
Los parmetros para este problema son: T = 3, R = 1, y E = 1. Esto
proporciona el nmero total de soluciones bsicas posibles 1! /
[(1!). (0!)] = 1. Haciendo la variable de exceso cero, tenemos esta
ecuacin simple X1 + X2 = 5 con dos variables a resolver. Por lo
tanto, no existen esquinas; adicionalmente, la regin de factibilidad
no se encuentra definida. Sin embrago, cualquier solucin arbitraria
tal y como X1 = 0, X2 = 5 es una solucin ptima al problema de
PL, con un valor ptimo de 5.

Pivoteando Operaciones en Filas
Como usted recuerda, el mtodo algebraico envuelve el resolver
varios sistemas de ecuaciones lineales. Cuando el problema de PL
tiene varias variables y restricciones, el resolver muchos sistemas de
ecuaciones manualmente se vuelve tedioso y en algunos casos
cuando son problemas de gran escala, se hace imposible de
resolverlos. Por lo tanto, necesitamos que las computadoras hagan
los clculos por nosotros. Uno de los algoritmos o aproximaciones
computarizadas para resolver sistemas de ecuaciones lineales es
conocido como las operaciones de pivoteo de Gauss-Jordan (GJ.)
El pivoteo de GJ ser tambin requerido posteriormente cuando
utilicemos el Mtodo Simplex, por lo tanto, ahora es el momento
preciso para desarrollar los hbitos necesarios para los tiempos
futuros.
El pivoteo utiliza operaciones en fila (conocido como las
operaciones en fila de Gauss-Jordan) para cambiar una matriz de
entrada (la pivote) a "1", y luego cambiar todas las otras entradas en
la columna pivote a cero.
Una vez que el pivote es elegido, las operaciones de pivotaje en
fila debe ser como sigue:
Paso 1: Hacer un pivote "1" mediante la divisin de toda la fila
pivote por el valor del pivote.
Paso 2: Hacer el resto de la columna pivote ceros agregando a cada
fila a mltiplo confiable de la fila pivote.
Note: El nmero cambiando a "1" llamado pivote, es usualmente
encerrado en crculo, nunca puede ser cero. Si este valor es cero,
intercambie esta fila con otra fila mas abajo que tenga un elemento
diferente de cero en esa columna (sino existe ninguno, entonces la
conversin ser imposible.)
Un Ejemplo Numrico: Utilizando la operacin de filas de Gauss-
Jordan, resuelva el siguiente sistema de ecuaciones:
2X1 + X2 + X3 = 3
X1 + 3X3 = 1
2X1 + X2 = 2
El objetivo es convertir los coeficientes del sistema de ecuaciones
en la siguiente matriz identidad. Los resultados de los elementos del
Lado de la Mano Derecha (LMD) (?) proporcionan la solucin (si
esta existe.)
1 0 0 ?
0 1 0 ?
0 0 1 ?
Paso 1. Utilice las operaciones de fila columna por columna;
Paso 2. En cada columna:
a) Primero obtenga 1 en la fila apropiada mediante la multiplicacin
del recproco. Note: Si existe un valor cero en esta posicin,
intercambie con una fila mas abajo en la en la cual se encuentre un
valor no-cero (si es posible.)
b) Reduzca todos los otros valores de la columna a cero mediante la
adicin del mltiplo apropiado correspondiente desde la fila que
contiene el uno, a cada fila subsiguiente.
Apliquemos el procedimiento anterior a nuestro ejemplo numrico.
Notaciones: Fila vieja [ ], Fila nueva { }. Colocando estas dos
matrices una junto a la otra, la matriz argumentada es:

Fila # Operaciones Resultados LMD
1

2 1 1 3
2

1 0 3 1
3

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

La solucin es X1 = -2, X2 = 6, y X3 =1, la cual puede ser
verificada mediante sustituciones.
Visite adicionalmente las pginas web Resolviendo un sistema de
ecuaciones lineales, Mquina Pivote, Resolver un Sistema de
Ecuaciones Lineales, y El Mdulo de Ecuador The Equator Module.

El Mtodo Simplex
El Mtodo Simplex es otro algoritmo para resolver problemas de
PL. Recuerde que el mtodo algebraico proporciona todos los
vrtices incluyendo aquellos que no son factibles. Por lo tanto, esta
no es una manera eficiente de resolver problemas de PL con
numerosas restricciones. El Mtodo Simplex es una modificacin
del mtodo algebraico, el cual vence estas deficiencias. Sin
embargo, el Mtodo Simplex tiene sus propias deficiencias. Por
ejemplo, este requiere que todas las variables sean no-negativas
(> 0); Adems, todas las dems restricciones deben estar en la
forma s con un LMD de valores no-negativos.
As como el Mtodo Algebraico, el mtodo simplex es una solucin
algortmica tabular. Sin embargo, cada tabla (de iteracin) en el
mtodo simplex corresponde a un movimiento desde un Conjunto
Bsico de Variables (CBV) (puntos extremos esquinas) a otro,
asegurndose que la funcin objetivo mejore en cada iteracin hasta
encontrar la solucin ptima.
La presentacin del mtodo simplex no es universal. En la Costa
Oeste de los Estados Unidos, profesores disfrutan resolviendo
problemas de minimizacin, mientras que en la Costa Este se
prefiere la maximizacin. Igualmente dentro de estos dos grupos
usted encontrar diferentes presentaciones de las reglas del mtodo
simplex. El procedimiento siguiente describe todos los pasos
envueltos en la aplicacin de la solucin algortmica del mtodo
simplex:
1. Convertir la PL a la forma siguiente:
Convierta el problema de minimizacin a un problema de
maximizacin (mediante la multiplicacin por 1 de la
funcin objetivo).
Todas las variables deben ser no-negativas.
Todos los valores al LMD deben ser no-negativos
(multiplique ambos lados por -1, si es necesario).
Todas las restricciones deben estar en la forma s (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 s a igualdades mediante la adicin
de diferentes variables de exceso para cada una de ellas.
3. Construya la tablatura simplex inicial con todas las variables
de exceso en CBV. La ltima fila en la tabla de iteracin
contiene el coeficiente de la funcin objetivo (fila Cj.)
4. Determine si la tabla de iteracin actual es ptima. Es decir: :
Si todos los valores al LMD son no-negativos (llamada,
condicin de factibilidad)
Si todos los elementos de la ltima fila, es decir la fila Cj,
son no-positivos (llamado condicin de optimalidad).
Si la respuesta a ambas preguntas es S, entonces detngase.
La tabla de iteracin actual contiene una solucin ptima.
De otra forma, proceda al prximo paso.
5. Si el CBV actual es no es ptimo, determine cual variable no-
bsica debera convertirse en variable bsica y viceversa.
Para encontrar la nueva CBV con un mejor valor de funcin
objetivo, realice el siguiente procedimiento:
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 s 40
X1 + 2X2 s 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 X1 X2 S1 S2 LMD Ratio de Columna (C/R)

S1 [2] 1 1 0 40 40/2

S2 1 2 0 1 50 50/1

Cj 5 3 0 0


La solucin mostrada por la tabla de iteracin es: S1 = 40, S2 = 50,
X1 = 0, y X2 = 0. Esta solucin es el origen, mostrada en nuestro
mtodo grfico.
Esta tabla de iteracin no es ptima dado que algunos elementos Cj
son positivos. La variable entrante es X1 y la saliente es S1
(mediante la prueba de C/R). El elemento pivote se encuentra entre
las llaves ({}). Luego de pivotear, tenemos:
CBV X1 X2 S1 S2 LMD Ratio de Columna (C/R)

X1 1 1/2 1/2 0 20 20/(1/2)=40

S2 0 [3/2] -1/2 1 30 30/(3/2)=10

Cj 0 1/2 -5/2 0


La solucin para esta tabla de iteracin es: X1 = 20, S2 = 30, S1 =
0, y X2 = 0. Esta solucin es el punto extremo (20, 0), mostrado en
nuestro mtodo grfico.
Esta tabla de iteracin no es ptima dado que algunos elementos Cj
son positivos. La variable entrante es X2 y la saliente es S2
(mediante la prueba de C/R). El elemento pivote se encuentra entre
las llaves ({}). Luego de pivotear, tenemos:
CBV X1 X2 S1 S2 LMD

X1 1 0 2/3 -1/3 10

X2 0 1 -1/3 2/3 20

Cj 0 0 -7/3 -1/3


La solucin para esta tabla de iteracin es: X1 = 10, X2 = 20, S1 =
0, y S2 = 0. Esta solucin es el punto extremo (10, 20), mostrado en
nuestro mtodo grfico.
Esta tabla de iteracin es ptima dado que todos los elementos Cj
son no-positivos y todos los LMD son no-negativos. La solucin
ptima es X1 = 10, X2 = 20, S1 =0, S2 = 0. Para encontrar el valor
ptimo, sustituya estos valores en la funcin objetivo 5X1 + 3X2 =
5(10) + 3(20) = $110.
Visite tambin las pginas web tutOR, El Lugar Simplex, La
Mquina Simplex, y Explorador -PL.

Programas lineales generales con enteros
La PL estndar asume que las variables de decisin son continuas.
Sin embargo, en muchas aplicaciones, los valores fraccionarios
pueden no servir de mucho (por ej., 2,5 empleados). 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 s 12
X1 - 3X2 > 1
END
GIN X1
GIN X2

La salida despus de siete iteraciones es:

VALOR DE LA FUNCION OBJETIVO

1) 66.00000

VARIABLE VALOR COSTO REDUCIDO
X1 6.000000 -11.000000
X2 0.000000 -10.000000


FILA HOLGURA O EXCEDENTE
2) 0.000000
3) 5.000000
Si no hubiramos especificado X1 y X2 como enteros generales en
este modelo, LINDO no habra hallado la solucin ptima de X1 =
6 y X2 = 0. En cambio, LINDO habra considerado a X1 y X2 como
continuos y habra llegado a la solucin X1 = 5.29 y X2 = 1.43.
Observen asimismo que el simple redondeo de la solucin continua
a los valores enteros ms prximos no da la solucin ptima en este
ejemplo. En general, las soluciones continuas redondeadas pueden
no ser las ptimas y, en el peor de los casos, no son factibles. Sobre
esta base, uno se puede imaginar que puede demandar mucho
tiempo obtener la solucin ptima en un modelo con muchas
variables de enteros. En general, esto es as, y les convendr utilizar
la caracterstica GIN slo cuando es absolutamente necesario.
Como ltimo comentario, el comando GIN tambin acepta un
argumento de valor entero en lugar de un nombre de variable. El
nmero corresponde al nmero de variables que uno desea que sean
enteros generales. Estas variables deben aparecer primero en la
formulacin. De tal modo, en este ejemplo sencillo, podramos
haber reemplazado las dos sentencias GIN por la nica sentencia
GIN 2.

Aplicacin mixta de programacin con enteros: restricciones "Y-O"
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 = EP
j
X
j

Sujeta a las restricciones: EX
j
s 30
X1 + X2 + X3 = 0, OR, X1 + X2 + X3 > 10
Maximice Z = EP
j
X
j

Sujeta a las restricciones: EX
j
s 30
X1 + X2 + X3 - 30y s 0,
X1 + X2 + X3 - 10y> 10
X
j
> 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 s 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 s 8
END
INT X1
INT X2
INT X3
INT X4
Luego haga clic en SOLVE. La salida da la solucin ptima y el
valor ptimo despus de ocho iteraciones "Branch-and-Bound" (de
rama y frontera).
Observe que en lugar de repetir INT cuatro veces se puede usar INT
4. Las primeras cuatro variables aparecieron en la funcin objetivo.

VALOR DE LA FUNCION OBJETIVO

1) 24.00000

VARIABLE VALOR COSTO REDUCIDO
X1 0.000000 -11.000000
X2 1.000000 -9.000000
X3 0.000000 -8.000000
X4 1.000000 -15.000000


FILA HOLGURA O EXCEDENTE PRECIOS DUALES
2) 0.000000 0.000000

Nro. DE ITERACIONES = 8

Aplicaciones para formulacin de presupuestos de inversiones
Supongan que una compaa de Investigacin y Desarrollo dispone
de una suma de dinero, D dlares, para invertir. La compaa ha
determinado que existen N proyectos en los que conviene invertir, y
por lo menos d
j
dlares deben invertirse en el proyecto j si se decide
que ese proyecto j es aqul en el que vale la pena invertir.
Asimismo, la compaa determin que la utilidad neta que puede
obtenerse despus de invertir en el proyecto j es de
j
dlares. El
dilema de la compaa es que no puede invertir en todos los
proyectos N, porque
Ed
j
> 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:
X
j
= 1 si la compaa invierte en el proyecto j, y
X
j
= 0 si la compaa no invierte en el proyecto j.
El monto total que se invertir entonces es de
Ed
j
X
j
, y como este monto no puede ser superior a D dlares
tenemos la siguiente restriccin:
Ed
j
X
j
s D
La utilidad total ser EP
j
X
j
. Por lo tanto, la compaa quiere el
problema 0-1:
Maximice Z= EP
j
X
j

Sujeta a: Ed
j
X
j
s D, X
j
= 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 Hora del da Nmero requerido de enfermeras
1 8:00 - 10:00 10
2 10:00 - 12:00 8
3 12:00 - 2:00 9
4 2:00 - 4:00 11
5 4:00 - 6:00 13
6 6:00 - 8:00 8
7 8:00 - 10:00 5
8 10:00 - 12:00 3
Como cada enfermera trabaja ocho horas puede comenzar a trabajar
al comienzo de cualquiera de los siguientes cinco turnos: 8:00,
10:00, 12:00, 2:00 o 4:00. En esta aplicacin no consideramos
ningn turno que comience a las 9:00, 11:00, etc. Tampoco es
necesario tener enfermeras que comiencen a trabajar despus de las
4:00, porque entonces su turno terminara despus de la
medianoche, cuando no se necesitan enfermeras. Cada perodo tiene
dos horas de duracin, de modo tal que cada enfermera que se
presenta a trabajar en el perodo t tambin trabajar durante los
perodos t + 1, t+ 2, y t + 3 --- ocho horas consecutivas. La pregunta
es: "Cuntas enfermeras deberan comenzar su turno en cada
perodo para satisfacer los requerimientos del recurso especificados
en la tabla anterior?" Para formular el modelo de este problema.
X
t
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 EX
t
. Durante el perodo 1, debe haber
por lo menos 10 personas de guardia; entonces, debemos tener
X
1
> 10. De modo similar, los requerimientos del perodo 2 slo
pueden satisfacerse con X
1
+ X
2
> 8. De esta manera denotamos los
requerimientos de los perodos restantes:
X
1
+ X
2
+ X
3
> 9,
X
1
+ X
2
+ X
3
+ X
4
> 11,
X
2
+ X
3
+ X
4
+ X
5
> 13,
X
3
+ X
4
+X
5
> 8,
X
4
+ X
5
> 5,
X
5
> 3,
Todas las variables son nmeros enteros.
Observe que X
1
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 Y1 Y2 T LMD

T 0 -1 1 1

Y1 1 -1 0 2

Cj 0 1


A pesar de que la variable Y2 debera entrar como una variable
bsica, todos los elementos en esta columna son menores que cero,
Por lo tanto, el problema de programacin lineal es ilimitado.
Aprenda que una solucin ptima ilimitada significa tener una
regin de factibilidad cerrada ilimitada, sin embrago, la situacin
inversa de este enunciado podra no ocurrir. Una solucin ptima
ilimitada significa que las restricciones no limitan a la solucin
ptima y que la regin de factibilidad se extiende hasta el infinito.
Resolucin: En la vida real, esta situacin es muy extraa. Revise
la formulacin de las restricciones, faltan una o ms restricciones.
Revise tambin alguna mala especificacin de las restricciones en
cuanto a las direcciones de las inigualdades o errores numricos.
El Anlisis de Sensibilidad no es aplicable.
Los software WinQSB y Lindo establecen que el problema es
ilimitado.
Regin de Factibilidad Ilimitada: Tal y como se mencion
anteriormente, aprenda que una solucin ilimitada requiere una
regin de factibilidad cerrada ilimitada. La situacin inversa de este
enunciado podra no ocurrir. Por ejemplo, el siguiente problema de
PL tiene una regin de factibilidad cerrada ilimitada, sin embargo,
la solucin es limitada:
Max -4X1 -2X2
sujeto a:
X1 > 4
X2 s 2
todas las variables de decisin son > 0.
La solucin ptima es X1 = 4, y X2 = 0.

Soluciones Optimas Mltiples (soluciones ptimas Innumerables)
Identificacin: En la tabla de iteracin final del Simplex, si la fila
Cj (la ltima fila en la tabla) es cero para una o ms de las variables
no-bsicas, tendramos dos soluciones 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 s 16
3X1 + 2X2 s 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 = 8o + (1 - o)4 = 4 + 4o, X2 = 0o + (1- o)6 = 6 - o, para todos
los 0 s os 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 s 30
X1 s 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 s 8
X1 > 4
X2 > 6.
Identificacin: Si no se puede traer ninguna variable mientras se
mantiene la factibilidad (es decir, los valores de LMD restantes son
no-negativos).
Resolucin: Revise las restricciones por cualquier mala
especificacin en las direcciones de las inigualdades, y por errores
numricos. Si no existen errores, entonces existen conflictos de
intereses. Esto puede ser resuelto encontrando el IIS (vea la Nota de
abajo) y luego reformule el modelo.
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
hiper- planos si estamos en el n-simo espacio Euclideano, digamos
3 lneas en un espacio de 2 dimensiones. En dicho vrtice un
mtodo como el Simplex puede cambiar de una representacin (con
n hiper-planos) a otra, y podra terminar de forma cclica en el
primero y luego repeir este ciclo. Ahora, agregando pequeas
cantidades para (digamos, el LMD de las restricciones) mover
ligeramente al hiper-plano correspondiente y perturbar el vrtice.
En vez, existirn muchos vrtices cercanos donde solo hiper-planos
se encuentran. Ahora, el mtodo puede ir de uno a otro (mejorando
cada vez la funcin objetivo) y dejar esta rea de degeneracin.
Luego, la perturbacin puede ser apagada de nuevo en
implementaciones computacionales modernas del mtodo Simplex
y sus muchas variaciones.
Un punto de esquina (vrtice) en un problema de variables de
decisin n- dimensional es llamado vrtice de degeneracin si ms
de n restricciones se hacen activas (relevantes a la solucin) en el
punto de esquina. Esto es siempre que un punto de esquina se
oscula. Por ejemplo, en un problema de 2 dimensiones, un punto de
esquina es degenerado si en el 3 o mas restricciones se convierten
en igualdades.
Por ejemplo, considere el siguiente problema de dos dimensiones:
Max X1 + X2
sujeto a:
X1 s 1
X2 s 1
X1 + X2 s 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 (b
i
/a
ij
) 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 s 1
X2 s 1
X1 - X2 s 1
-X1 + X2 s 1
todas las variables de decisin son > 0.
Ambos, el Lindo y el WinQSB toman 3 iteraciones para resolver
este problema simple de degeneracin.
Resolucin: agregue al valor de LMD un nmero pequeo, como
0,001. Esto debera resolver el problema.
Anlisis de Sensibilidad: El anlisis de sensibilidad podra ser IN-
valido y usted podra tener Precios Sombra Alternativos.
El problema siguiente y su dual son ambos degenerados:
Min X2
sujeto a:
X2 - 2X3 + X4 = 1
X1 + 2X2 - X3 = 0
X1 + X2 + 3X3 = 2
todas las variables de decisin son > 0.

Redundancia Entre las Restricciones
Redundancia significa que algunas de las restricciones no son
necesarias dado que existen otras mas severas. Para un caso sencillo
de PL con restricciones redundantes, considere el siguiente ejemplo
numrico:
Maximice 5X1 + 6X2
sujeto a: 3X1 + 6X2 s 8, 6X1 + 4X2 s 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 s 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 s 8, 6X1 + 4X2 s 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 = 0o + (1 - o)7 = 7 - 7o,
X2 = 7o + (1- o)0 = 7o,
X3 = 3o + (1- o)3 = 3,
para todo 0 s os 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 s 50,
-X1 + X2 > 10,
X1 > 0, X2 > 0.
Introduciendo variables de exceso y defecto S1 y S2
respectivamente, y siguiendo los pasos de la Solucin Algortmica
Libre-Artificial, obtenemos la tabla final de simplex siguiente:
BVS X1 X2 S1 S2 LMD

X1 1 0 1/3 2/3 10

X2 0 1 1/3 -1/3 20

Cj 0 0 8/3 1/3


Los precios sombra no son (8/3, 1/3). Como usted observa, despus
de construir el problema dual, el cual es:
Minimice 50Y1 + 10Y2
Sujeto a:
Y1 - Y2 > 3,
2Y1 + Y2 > 5,
Y1 > 0,
and Y2 s 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 s 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 s 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 + oh: o > 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):
(X
1
, X
2
) = (0, 5) + o1(1, -1) + o2(-1, 1) =
(o1 - o2, 5 - o1 + o2),
para todo o1 > 0, y o2 > 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:
(X
1
, X
2
) = (0, 5) + o1(-1,1) + o2(1,-1) + o3(-1,-1),
para todo o1 > 0, o2 > 0, y o3 > 0.
El ltimo trmino necesario para todos los puntos por debajo de la
lnea. Esto se obtiene del hecho de que ambas variables son no-
restringidas en signo [en direcciones [(0, -1) y (-1, 0)].
La idea general para la representacin paramtrica es que
comenzamos en el vrtice. Nos movemos es la direccin de
factibilidad de cada borde al prximo punto factible. Si dicho punto
existe (es decir, hemos encontrado oto vrtice). Si no, el poliedro no
es restringido en esa direccin, lo que significa que dicha direccin
es una raya extrema. Note que, un poliedro sin vrtices siempre
contiene una lnea (o hiper-plano). Para dicho poliedro adicionamos
una raya perpendicular a la lnea (o hiper-plano) si la restriccin
tiene la forma de inigualdad ( >, o s como en el ejemplo anterior.

Remover las Restricciones de Igualdad Mediante la Sustitucin Podra
Cambiar el Problema:
Siempre que exista cualquier restriccin en forma de igualdad en u
problema de PL, existe la tentacin de reducir el tamao del
problema removiendo las restricciones de igualdad mediante la
sustitucin. El problema se mantiene igual si se eliminan la(s)
variable(s) no-restringidas mediante la igualdad de restricciones (si
es posible). Sin embargo, si no existen variables no-restringidas, se
debe remover la restriccin de igualdad mediante la sustitucin
dado que esto podra generar otro problema de PL totalmente
diferente. Este es un ejemplo para remover una restriccin de
igualdad:
Max X1
Sujeto a:
X2 + X3 = -1
X1 - 2X2 + X3 s 1
X1 + X2 s 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 s 2
X1 + X2 s 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 i-sima coordenada de b. Un precio
sombra tambin es el monto que un inversionista tendra que pagar
por una unidad adicional de recurso con el objetivo de comprar al
fabricante.
Un Contraejemplo:
Considere la siguiente PL:
Max X2
sujeto a:
X1 + X2 s 2
2,5X1 + 4X2 s 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 s 3
2,5X1 + 4X2 s 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 s 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 s 5
U1 > 0, mientras que U2 s 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 s 50
X1 - X2 s -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 s 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 s 16
3U1 + 2U2 s 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.
Profesor Hossein Arsham

Este sitio fue lanzado el 25/2/1994, y sus materiales intelectuales son revisados a
fondo anualmente. La versin actual es la 8
a
Edicin. Todos los links externos
son chequeados una vez al mes.