República Bolivariana de Venezuela

Ministerio del Poder Popular Para La Educación Universitaria

U.P.T.B. “Argelia Laya”
Higuerote Edo-Miranda
Unidad Curricular: Investigación de operaciones

Programación lineal

Profesor: Estudiante:
Cristian Blanco Jeickol Aguirre C.I:
27454701
 Modelos de programación lineal

La programación lineal es una técnica matemática muy utilizada en la

dirección de operaciones, siendo uno de los grandes avances científicos que se
dieron en la primera mitad del siglo XX. Su campo de estudio es la asignación
óptima de los recursos limitados entre diferentes actividades empresariales.
Todo problema de producción representado algebraicamente mediante un
modelo de programación lineal estará formado por los siguientes elementos:

Variables de decisión (Xj): son las incógnitas del problema. Serán los niveles de
fabricación y venta, o de utilización de un proceso, en el caso de que el
empresario establezca como objetivo la maximización de sus ingresos o
beneficios. Por el contrario, si los que desea es la minimización de los costes de
producción, las incógnitas serán las cantidades de factores necesarias para hacer
frente a la demanda.
Función objetivo: como se ha comentado con anterioridad, puede ser formulada
siguiendo un principio de óptimo, buscando la maximización de los ingresos o
beneficios empresariales, que viene dado por los productos o servicios ofrecidos.
Max = C1x1+C2x2+...............+Cnxn

Donde Cj son los rendimientos directos unitarios de los procesos j (1, 2,..., n).

Por otro lado, puede basarse en un principio de ahorro, donde lo que se

quiere es minimizar el coste empleado en la producción, por lo que habrá que
controlar la asignación de los factores, así como las cantidades disponibles de
estos.

Min = y1x1+y2x2+...............+ymxm

Donde yi son los costes unitarios de los factores i empleados (1, 2,..., m).

Restricciones: constituye el denominado conjunto de soluciones factibles o región

factible. Al vector formado por las variables de decisión se le denomina plan o
programa de producción, y será factible si satisface todas las restricciones o
condicionantes del problema. El plan o programa óptimo será aquel programa que
logre el objetivo marcado por el director de operaciones, es decir, que maximice el
beneficio o minimice el coste. Podemos distinguir cuatro tipos de restricciones:
a) Recursos limitados: en el caso de que la función objetivo sea maximizar
serán:
a11x1 + a12x2 + ... + a1nxn ≤ b1

a21x1 + a22x2 + ... + a2nxn ≤ b2

.........................................................

am1x1 + am2x2 + ... + amnxn ≤ bm

Dónde:

aij: son los coeficientes técnicos y representan la cantidad de factor i (1, 2,..., m)
necesaria para fabricar una unidad de producto j (1, 2,.... n). Estos coeficientes
técnicos forman la denominada matriz tecnológica o de coeficientes técnicos de la
empresa (Amxn). Cada columna de esta matriz representa un proceso productivo
Pj.
bm: son los recursos disponibles para la empresa. Su valor absoluto dependerá
de la dimensión empresarial. Forman un vector columna (b). Ejemplo: unidades de
material.
b) Restricciones de demanda: hace referencia a la cantidad de producto o
servicio que la empresa debe ofrecer como mínimo, para cubrir la demanda
existente, o como máximo, en el caso de que el mercado solo puede absorber una
determinada cantidad.
c) Restricciones de oferta: relacionada con la cantidad mínima de los bienes que
tienen que comercializarse para cubrir los costes fijos o, por el contrario, la
cantidad máxima que la empresa puede fabricar de un determinado producto.
d) Restricción de no negatividad o sentido económico: las cantidades
fabricadas y vendidas de los productos, así como los consumos mínimos de los
factores para garantizar la demanda, deben ser positivos o nulos.
La definición del número de variables y de ecuaciones (restricciones y
limitaciones) es algo que lo determina el propio empresario, según las
características de la empresa en un momento dado.
 Resolución gráfica de los problemas de programación lineal

El método gráfico es utilizado para la resolución del programa óptimo cuando el

número de variables de decisión (incógnitas del problema) es igual a dos. Para su
implementación se representa la región factible, es decir, el conjunto de puntos
contenidos en el área delimitada por el eje de abscisas, el eje de ordenadas y las
restricciones del programa. Para ello, se convierten dichas restricciones del
problema (≤, ≥) en ecuaciones (=).

En nuestro caso, como todas las restricciones son en sentido menor o igual, las
rectas constituyen los límites superiores para el conjunto de soluciones factibles,
cumpliéndose además que las variables de decisión deben tomar un valor mínimo
nulo (condicionante de no negatividad).

Una vez determinadas las posibles soluciones, deberemos elegir la situación

óptima, siendo esta la que optimice el valor de la función objetivo. Para alcanzar
esta solución pueden utilizarse dos procedimientos: el método de solución a partir
de las rectas isobeneficio o el método de solución a partir de los vértices.

Método de solución a partir de las rectas isobeneficio

Se siguen los siguientes pasos:

 — Se fija un nivel arbitrario para la función objetivo y se determina la recta

isobeneficio que representa todas las combinaciones (X 1, X2) que lo
alcanzarían. Para su representación se buscan los puntos de corte con el
eje de abscisas (valor de X 1 cuando X2=0) y con el eje de ordenadas (valor
de X2 cuando X1=0).
 — A continuación, se desplaza la recta isobeneficio hacia el origen y hacia
+ ∞, para analizar en qué sentido se optimiza el valor de la función objetivo.
En el caso de maximización de beneficios este hecho se producirá a
medida que nos alejamos del origen o punto (0,0).
 — Por último, se desplaza la recta isobeneficio paralelamente sobre el
conjunto de soluciones factibles hasta alcanzar el valor máximo, que será
uno de sus vértices.

Método de solución a partir de los vértices

También llamado método de los puntos extremos. Supone buscar el beneficio en

cada uno de los vértices del conjunto de soluciones posibles, respaldado por la
teoría matemática que afirma que la solución óptima se encontrará en uno de los
extremos. Una vez que se han determinado los vértices de la región factible, se
sustituyen en la función objetivo para calcular el máximo beneficio o mínimo coste.

Si aplicamos este método a nuestro problema de producción quedaría la siguiente

representación gráfica:
Los vértices obtenidos serían:

 — Vértice 1: (0,0), donde el beneficio será Z=(15×0)+(20×0)=0€

 — Vértice 2: (0,80), donde el beneficio será Z=(15×0)+(20×80)=1.600€
 — Vértice 3: (10,70), donde el beneficio será Z=(15×10)+(20×70)=1.550€
 — Vértice 4: (45,0), donde el beneficio será Z=(15×45)+(20×0)=675€

A la vista de los resultados obtenidos, la solución óptima de esta empresa sería

fabricar y vender 80 faldas, obteniendo un beneficio máximo diario de 1.600€.
 El Método Simplex
es un método analítico de solución de problemas de programación lineal, capaz de
resolver modelos más complejos que los resueltos mediante el método gráfico, sin
restricción en el número de variables y con una mayor capacidad de análisis de
sensibilidad.
El Método Simplex es un método iterativo que permite ir mejorando la solución en
cada paso. La razón matemática de esta mejora radica en que el método consiste
en caminar del vértice de un poliedro a un vértice vecino de manera que aumente
o disminuya (según el contexto de la función objetivo, sea maximizar o minimizar).
Dado que el número de vértices que presenta un poliedro solución es finito, en la
medida en que se pueda satisfacer el conjunto de restricciones, siempre se hallará
como mínimo una solución óptima.

Este popular método fue creado en el año de 1947 por el estadounidense George

Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un
algoritmo capaz de solucionar problemas de m restricciones y n variables.
Simplex es considerado como uno de los algoritmos más importantes de la
historia, y hoy por hoy sigue siendo la base en la que se fundamentan la mayor
parte de solucionadores de modelos de programación lineal.

La importancia de la teoría de matrices en el Método Simplex es fundamental,

dado que el algoritmo se basa en dicha teoría para la resolución de sus
problemas. De tal manera que veremos previamente, en qué consiste una matriz
identidad.
¿Qué es una matriz identidad?

Una matriz puede definirse como una ordenación rectangular de elementos, (o

listado finito de elementos), los cuales pueden ser números reales o complejos,
dispuestos en forma de filas y de columnas.

La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo

número tanto de columnas como de filas) de orden n que tiene todos los
elementos diagonales iguales a uno (1) y todos los demás componentes iguales a
cero (0), se denomina matriz idéntica o identidad de orden n, y se denota por:

Consideraciones importantes al utilizar el Método Simplex

Variables de holgura y exceso

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales
que se modelan mediante programación lineal no lo son, para ello hay que
convertir estas inecuaciones en ecuaciones utilizando unas variables
denominadas de holgura y exceso relacionadas con el recurso al cual hace
referencia la restricción y que en el tabulado final representa el «Slack or
surplus» al que hacen referencia los famosos programas de resolución de
investigación de operaciones, estas variables adquieren un gran valor en el
análisis de sensibilidad y juegan un rol fundamental en la creación de la matriz
identidad, base del Simplex.

Estas variables suelen estar representadas por la letra «S», se suman (del lado
izquierdo de la restricción) si la restricción es de signo «<= » y se restan (del lado
izquierdo de la restricción) si la restricción es de signo «>=».
Publicaciones relacionadas
Una consideración importante consiste en que el sistema de restricciones debe ser
restrictivo, y esto significa solo una cosa: El lado derecho de las restricciones no
puede contener variables, solo un número mayor o igual a 0.
En el caso en que, por ejemplo, tengamos la siguiente restricción:

2X1 + 1X2 + 1X3 + 2X4 <= -24

Procederemos, primero a convertir la desigualdad en igualdad añadiendo una
variable de holgura:

2X1 + 1X2 + 1X3 + 2X4 + 1S1 = -24

Segundo, a multiplicar ambos lados de la igualdad por (-1), de tal manera que el
lado derecho cumpla con la condición: positivos mayores o iguales a 0.

-2X1 – 1X2 – 1X3 – 2X4 – 1S1 = 24

De esta manera lograríamos estandarizar esta restricción para nuestro algoritmo
Simplex.

Variable artificial / Método de la «M»

Una variable artificial es un truco matemático para convertir inecuaciones «>=» en
ecuaciones, o cuando aparecen igualdades en el problema original, la
característica principal de estas variables es que no deben formar parte de la
solución, dado que no representan recursos. El objetivo fundamental de estas
variables es la formación de la matriz identidad.

Estas variables se representan por la letra «A», siempre se suman a las

restricciones, su coeficiente es M (por esto se le denomina Método de la M
grande, donde M significa un número demasiado grande muy poco atractivo para
la función objetivo), y el signo en la función objetivo va en contra del sentido de la
misma, es decir, en problemas de Maximización su signo es menos (-) y en
problemas de Minimización su signo es (+), repetimos con el objetivo de que su
valor en la solución sea cero (0).
Variables no negativas
Todas las variables del método Simplex deben cumplir con la condición de no
negatividad. Cuando existe alguna variable del modelo que no tiene restricción
de no-negatividad, se debe reemplazar por la diferencia de dos variables positivas.
Por lo tanto en el modelo donde aparezca esta variable , se debe cambiar por:

Sea Xi una variable sin restricción de no-negatividad (puede ser mayor, igual o

menor que cero), se debe cambiar por:
(Xi(+) – Xi(-)) donde Xi(+) >= 0 y  Xi(-) >= 0
Este tipo de variables son poco comúnes, y se utilizan mucho en la programación
por metas.

Método Simplex paso a paso

Lo primero que diremos es que la resolución de un problema mediante Método

Simplex manual carece de sentido práctico, y solo se utiliza hoy por hoy con fines
académicos. Dicho de otro modo, para que el estudiante reconozca el
funcionamiento del algoritmo.

Dicho esto, veamos el problema objeto de estudio:

El problema
La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado
su producción en dos líneas más. Por lo tanto, actualmente fabrica mesas, sillas,
camas y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y
2 piezas cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8
pines y 2 piezas cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular
de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente
cada biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases
trapezoidales de 2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta
producirla $10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se
vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende en $ 40000,
cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El objetivo de la
fábrica es maximizar las utilidades.

Paso 1: Modelación mediante programación lineal

Variables:
X1 = Cantidad de mesas a producir (unidades)
X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)
Restricciones:
2X1 + 1X2 + 1X3 + 2X4 <= 24
2X1 + 2X2 + 1X3 <= 20
2X3 + 2X4 <= 20
4X4 <= 16
Función Objetivo:
ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

Paso 2: Estandarizar el modelo

Este paso consiste en cumplir las consideraciones del modelo para que se ajuste
al método Simplex:
  Convertir inecuaciones en ecuaciones
 Pasar, de ser necesario, el lado derecho de las restricciones a números
positivos.
 Verificar que todas nuestras variables sean de naturaleza no-negativa.
Convertir las inecuaciones en igualdades (Variables de Holgura y Exceso)
En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado
que todas las restricciones son «<=».

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24

2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16
En cuyo caso:

S1 = Cantidad de piezas rectangulares de 8 pines que no se utilizarán (holgura)

S2 = Cantidad de piezas cuadradas de 4 pines que no se utilizarán (holgura)
S3 = Cantidad de bases trapezoidales que no se utilizarán (holgura)
S4 = Cantidad de piezas rectangulares de 2 pines que no se utilizarán (holgura)
De esta manera podemos apreciar una matriz identidad (n = 4), formado por las
variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso,
por ejemplo la variable de holgura «S1» solo tiene coeficiente 1 en la restricción
correspondiente al recurso 1.

La función objetivo no sufre variaciones, dado que es un problema de

maximización (más adelante veremos qué pasaría si se tratara de un problema de
minimización).

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4
 

Paso 3: Definir la solución básica inicial

El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables cuyo coeficiente
es 1 en la matriz identidad.

1S1 = 24
1S2  = 20
1S3 = 20
1S4  = 16
Esto en términos de solución significaría que todos los recursos permanecerían
ociosos, y suena lógico, por lo menos suena como un buen punto de
partida: inicialmente no se usa ningún recurso.
La tabla simplex
El Método Simplex se hace un poco más sencillo (y esto es mucho decir si
estamos abordando una resolución manual), mediante el uso de tabulados
simplex.

Cada quien puede agregar o retirar elementos del tabulado, de acuerdo a su

utilidad, yo particularmente recomiendo este tabulado base, y luego iré
incorporando elementos con un fin pedagógico:

Variable Solución = Todo parte de definir las variables que harán parte de la
solución. En esta columna se consigna la solución básica inicial, y a partir de esta
en cada iteración se van incluyendo las variables que formarán parte de la
solución final.
Solución: (segundo término) = En esta fila se consigna el segundo término de la
solución, es decir, el coeficiente de las variables de la columna variable solución,
lo más adecuado es que estas se consignen de manera ordenada, tal cual como
se escribieron en la definición de restricciones.

Cb = En esta columna se consigna el valor que tiene la variable que se encuentra
a su derecha «Variable solución» en la función objetivo.

Cj = Dado que en cada columna se registra una variable (título de la columna), la
fila «Cj» hace referencia al coeficiente que tiene cada una de ellas en la función
objetivo en la función objetivo.

Zj = En esta fila se consigna la contribución total, es decir la suma de los

productos entre el término de cada columna y Cb.

Cj – Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado
es un «Shadow price», es decir, la utilidad que se deja de recibir por cada unidad
de la variable correspondiente que no forme parte de la solución. Y representa
también el precio dual de las restricciones representadas por las variables de
holgura y exceso.
Tabulado con la solución inicial:

Nota: La base del Simplex es el orden y la organización de la información.

Paso 4: Realizar las iteraciones necesarias

Ya lo dijimos, el Método Simplex es un algoritmo iterativo, y por ende, los criterios

para pasar de una iteración a otra son definitivos.

Recordemos algo: El Método Simplex consiste en realizar intentos o recorridos

mientras el modelo va de un vértice del poliedro objetivo a otro. Cada recorrido de
un vértice a otro estará representato por un tabulado de Simplex o iteración.

¿Qué es lo que pasa en cada iteración? Básicamente una variable entra a la

solución inicial, por ende, una variable sale de la solución inicial, y al final de la
iteración nos preguntamos si hemos hallado o no la solución óptima.

El procedimiento a seguir es el siguiente:

1. Evaluar que variable entrará y cual saldrá de la solución óptima:

En nuestro caso de ejemplo, todos los Cj – Zj son iguales a 20000, por lo tanto, la
decisión debe tomarse de forma arbitraria, es decir, puede elegirse cualquiera
como variable de entrada. Elegiremos la variable X4 ¿Por qué? Porque sí, lo
estamos haciendo de forma arbitraria para romper el empate.

Dado que X4 es la variable de entrada, los valores que se encuentran en su

columna pasarán a ser A. Y B siempre será la columna solución. Veamos:
En el caso de la columna temporal A cuando el valor es igual o menor que 0 no se
considera para el cálculo de B/A. Por ejemplo, en la fila #2 el valor de A era igual
a 0, por lo tanto, no se considera para el cálculo de B/A.

Dado lo anterior, la elección de la fila saliente se da de acuerdo al menor valor de

la columna temporal B/A, es decir, entre los valores 20 – 10 – 4. (Tal como
observamos en la imagen anterior). Así entonces, la variable que sale será S4.
2. El hecho de que una variable distinta forme parte de las variables solución
implica una serie de cambios en el tabulado Simplex, cambios que se explicarán a
continuación.

El valor de la intersección entre la columna de la variable que entra y la fila de la

variable que sale, se denomina a (minúscula). Veamos en este caso cuál es el a.

A continuación, todos los valores de la fila de salida se dividen por a.

Como resultado tendremos los valores correspondientes a la nueva fila, en este

caso la fila X4.

 Lo siguiente corresponde a registrar los nuevos valores de cada fila.

Recordemos que el valor de a depende de la intersección de la columna entrante
y cada fila. En este caso vamos a registrar los nuevos valores de la fila # 1,
correspondiente a la variable S1. Por lo tanto a será equivalente a 2. Veamos:

Uno de los pasos más confusos en Simplex es el que se detallará a continuación,

sin embargo, es cuestión de prestar suma atención al procedimiento.
La fila de la nueva variable entrante:

Deberá multiplicarse por el valor de -a (Recordemos que el valor de a para la fila

#1 es 2). Es decir, -a es igual a -2. Como resultado tendremos una fila temporal,
podemos denominarla – si así lo queremos – por la iteración y la fila, es decir,
estamos en la primera iteración, y abordando la fila #1. Su nombre será fila
temporal I1-f1 (Esto es algo que me he inventado, espero no complicarlo).

Estos valores, deben sumarse con los valores de la fila 1 que se encontraba en la
tabla anterior (S1). Veamos:
Como resultado tendremos los valores correspondientes a la fila1 de la primera
iteración, en este caso la fila S1.

En el caso de la fila 2, recordemos que el valor de a corresponde a 0. Así que los
valores pasan tal cual como se encontraban en la tabla anterior.
Veamos qué pasa con la tercera fila:

Veamos como queda la tabla:

Una vez registrados los valores de toda la tabla, podemos calcular el valor
de Zj y Cj – Zj.
Esta misma operación se efectúa para toda la tabla; es decir, cada columna
deberá multiplicarse por Cb. Es recomendable utilizar otra tabla para registrar
dichos valores. Al final, deberá sumar los sumar los valores de cada columna y
totalizarlos en Zj. A esa tabla le llamaremos: Tabla de productos de Cb:

El objetivo de esta tabla anterior es determinar los valores de Zj (Sumatoria de

columnas) y Cj-Zj (Diferencia entre la fila Cj y la fila Zj), si ya los tenemos,
podemos regresar a nuestra tabla de variables:
De esta manera se culmina la primera iteración, este paso se repetirá cuantas
veces sea necesario y solo se dará por terminado el método según los siguientes
criterios.

Maximizar Minimizar

Cuando todos los Cj – Zj sean <= 0 Cuando todos los Cj – Zj sean >= 0
 Continuamos con las iteraciones para lo cual tenemos que repetir los
pasos anteriores.

En esta última iteración podemos observar que se cumple con la consigna Cj – Zj

<= 0, para ejercicios cuya función objetivo sea «Maximizar», por ende hemos
llegado a la respuesta óptima.
X2 = 7
X3 = 6
X4 = 4

S1 = 3 (Cantidad de piezas rectangulares de 8 pines sin utilizar =3)

Función Objetivo: $ 340000
Sin embargo, una vez finalizado el Método Simplex se debe observar una matriz
identidad en el rectángulo determinado por las variables de decisión (líneas
punteadas), el hecho de que en este caso no se muestre la matriz identidad
significa que existe una solución óptima alterna.

La manera de llegar a la otra solución consiste en alterar el orden en que cada una
de las variables entró a la solución básica, recordemos que el proceso fue
decidido al azar debido a la igualdad en el Cj – Zj del tabulado inicial. Aquí les
presentamos una de las maneras de llegar a la otra solución.
Podemos observar cómo existe una solución óptima alternativa en la cual la
combinación de variables es distinta y existe un menor consumo de recursos,
dado que el hecho de que se encuentre la variable «S1» en la solución óptima con
un coeficiente de «3» significa que se presenta una holgura de 3 unidades del
recurso (pieza rectangular de 8 pines).

X1 = 3 (Cantidad de mesas a producir = 3)

X2 = 4 (Cantidad de sillas a producir = 4)
X3 = 6 (Cantidad de camas a producir = 6)
X4 = 4 (Cantidad de bibliotecas a producir = 4)
Con una utilidad de: $ 340000

Problemas de minimización con el Método Simplex

Para resolver problemas de minimización mediante el algoritmo simplex existen

dos procedimientos que se emplean con regularidad.
  El primero, que a mi juicio es el más recomendable se basa en un
artificio aplicable al algoritmo fundamentado en la lógica matemática que
dicta que «para cualquier función f(x), todo punto que minimice a f(x)
maximizará también a – f(x)». Por lo tanto, el procedimiento a aplicar es
multiplicar por el factor negativo (-1) a toda la función objetivo.

A continuación, se resuelve el algoritmo como un problema de maximización.

 El segundo procedimiento, el cual pretende conservar la minimización

consiste en aplicar los criterios de decisión que hemos esbozado con
anterioridad, en los casos de la variable que entra, que sale y el caso en
el que la solución óptima es encontrada. Aquí recordamos los
procedimientos según el criterio dado el caso «minimizar».

El Método Simplex Dual

nos ofrece una alternativa algorítmica para abordar la resolución de

modelos de Programación Lineal. En particular este método se puede utilizar
cuando luego de llevar a la forma estándar un modelo de Programación
Lineal no se dispone de una solución básica factible inicial con la cual se pueda
dar inicio a las iteraciones del algoritmo. En este contexto a continuación se
presenta un ejemplo con los detalles de la aplicación de este procedimiento.
Ejemplo del Método Simplex Dual

Consideremos el siguiente problema para ilustrar sobre la aplicación del Método

Simplex Dual:

Para llevar el problema anterior a la forma estándar se requiere agregar

2 variables de exceso no negativas para la restricción 1 y 2, que llamaremos
respectivamente X4 y X5. De esta forma el problema en su formato estándar
queda definido por:

Luego construimos la tabla inicial del Método Simplex:

¿Cómo continuar con las iteraciones del Método Simplex? Antes de ello es
necesario disponer de una solución básica factible inicial. En este contexto si
quisiéramos usar X4 y X5 como variables básicas (y en
consecuencia X1, X2 y X3 como variables no básicas) se requiere
que X4 y X5 sean mayores o iguales a cero, sin embargo, sus coeficientes en las
respectivas filas son negativos y por tanto no se dispone de la identidad (matriz
con «1» como diagonal y el resto de coeficientes igual a cero).
En consecuencia, para formar la identidad podemos multiplicar por «-1» la fila 1 y
2, obteniendo lo siguiente:

En la tabla anterior se tiene una solución básica (infactible en las variables

primales), pero al tener costos reducidos no negativos esto define una solución
básica factible en el dual.
Ahora X4 y X5 son variables básicas y adoptan los valores de -1 y -3/2,
respectivamente, lo que claramente no satisface las condiciones de no negatividad
para las variables de decisión, es decir, no corresponde a una solución básica
factible.

Sin embargo, en esta instancia podemos aplicar el Método Simplex Dual como

alternativa de resolución. Para ello seleccionaremos una variable que deje la base
y adoptaremos como criterio de selección aquella variable básica asociada al lado
derecho «más negativo» (con esto se busca favorecer la rapidez de
convergencia).

En el ejemplo dicha variable es X5. Luego para determinar que variable entra a la
base realizamos un mínimo cuociente entre el negativo del costo reducido de las
variables no básicas y las entradas estrictamente menores a cero para las
variables no básicas en la fila 2 (fila asociada al lado derecho más negativo).

Es decir: Min{-160/-2; -120/-2; -280/-2}=60 ==> el cuociente mínimo se alcanza en

la segunda columna asociada a la variable no básica X2, por tanto dicha variable
entra a la base.

En cada iteración del Método Simplex Dual se escoge un lado derecho con valor
negativo, identificando la respectiva variable básica primal, quien deja la base.
Finalmente se realiza una iteración realizando las operaciones filas que sean
necesarias, de modo de ingresar X2 a la base al mismo tiempo que X5 deja la
base. Los resultados serían:
Notar que ahora las variables básicas son X4 y X2 donde sólo X4=-1/4 lo que no
satisface la condición de ser una solución básica factible. Por lo tanto realizamos
una nueva iteración, en este caso sacando de la base a la variable X4 y
calculamos el mínimo cociente: Min{-40/-1; -160/-3; -60/-1/2}=40 ==> el cociente
mínimo está en la primera columna por tanto la variable X1 entra a la base.

En consecuencia, se actualiza la tabla quedando lo siguiente:

Las variables básicas ahora son X1=1/4 y X2=1/2 (que cumplen las condiciones

de no negatividad). Adicionalmente el costo reducido de las variables no básicas
también es mayor o igual a cero, por tanto, estamos frente a la solución óptima del
problema.

Se puede reconocer adicionalmente que el valor óptimo es V(P)=100 que se

obtendría al evaluar la solución óptima del problema en la función objetivo, sin
embargo, en el procedimiento dicho valor se obtiene con signo cambiado.

El ejemplo anterior nos permitió apreciar cómo a través del Método Simplex

Dual se puede abordar la resolución de un modelo de Programación Lineal que
luego de ser llevado a la forma estándar no provee una solución básica factible
inicial.

Cabe destacar que el Método Simplex Dual que no es la única

alternativa algorítmica a la cual podemos recurrir para resolver el problema
propuesto. Por ejemplo, podríamos haber alcanzado idénticos resultados
aplicando el Método Simplex de 2 Fases con algo más de trabajo.
Alternativamente podríamos definir el modelo dual al problema propuesto y
resolverlo por el Método Simplex para posteriormente utilizar las condiciones
del Teorema de Holguras Complementarias.

En resumen, ante un modelo de optimización contamos con varias alternativas de

resolución y es deber de quien resuelve evaluar los distintos caminos en términos
de su complejidad y representación.

Análisis de sensibilidad
¿Qué es el análisis de sensibilidad?
El análisis de sensibilidad es una herramienta a través de la cual se estudia
los cambios que se producen en una variable cuando se introducen ciertas
variaciones en el modelo financiero. Así, el análisis de sensibilidad tiene por objeto
permitir a una empresa o entidad a predecir cuáles serán los resultados que se
obtengan con un proyecto determinado, además de que será fundamental para
poder comprender las incertidumbres, las limitaciones y el alcance de cualquier
decisión que se tome al respecto.

El análisis de sensibilidad también es conocido como análisis hipotético, ya

que resulta fundamental para determinar cómo los diferentes valores que puede
adoptar una variable independiente afectan a una variable dependiente.

¿Cómo se lleva a cabo el análisis de sensibilidad?

Para llevar a cabo el análisis de sensibilidad se han de calcular los flujos de
caja (hacen referencia a los flujos de entradas y salidas de efectivo en un periodo
de tiempo determinado) y el VAN (valor actual neto, es decir, el valor presente de
los flujos de caja netos como consecuencia de una inversión), al cambiar una
variable.

Así pues, para poder llevar a cabo el análisis de sensibilidad se han de

comparar el VAN antiguo y el VAN nuevo, y el resultado que arroje esta operación
deberá ser multiplicado por 100. Esta operación dará como resultado un
porcentaje de cambio. La fórmula del análisis de sensibilidad es la siguiente:

Análisis de sensibilidad = ((VANn – VANe) / VANe) x 100

 Donde:

VANn: hace referencia al valor actual neto nuevo.

VANe: hace referencia al valor actual neto que se tenía antes de realizar el
cambio en la variable que se está midiendo.
Ventajas e inconvenientes del análisis de sensibilidad
Ventajas
El análisis de sensibilidad cuenta con no pocas ventajas, entre las que
destacamos las siguientes:

Facilita la toma de decisiones: el análisis de sensibilidad puede resultar de

gran utilidad para tomar una decisión, por lo que resulta muy ventajoso para las
empresas, sobre todo a la hora de planificar los proyectos que se pretenden llevar
a cabo. Esto es así porque el análisis de sensibilidad dará como resultado
diversos pronósticos sobre un proyecto concreto que estarán fundamentados en
datos.
Asegura el control de calidad del proyecto: gracias al análisis de
sensibilidad, las empresas podrán determinar qué procesos y proyectos no están
dando los resultados esperados, es decir, qué proyectos no cumplen con los
objetivos que se fijaron en un principio. De esta forma, y gracias al análisis de
sensibilidad, las empresas podrán detectar los errores y fallos que se están
produciendo, lo cual les permitirá subsanarlos y esto redundará positivamente en
la calidad de los productos, así como suponer un ahorro importante de tiempo.
Mejora en la asignación de los recursos disponibles: gracias al análisis de
sensibilidad, las empresas podrán determinar cuáles son las fortalezas y las
flaquezas de un proceso o proyecto y, con base en esta información, podrán
asignar de mejor manera los recursos de que disponen. De esta forma, el impacto
de los recursos redundará en los resultados del proyecto.
Pronóstico del éxito o fracaso de un proyecto: el análisis de sensibilidad
arroja resultados fiables, ya que estos están basados en datos confiables y
certeros. Así, al estudiar las diferentes variables y los eventuales resultados que
pueden producirse, las entidades y empresas podrán tomar mejores y más
fundamentadas decisiones, lo que facilitará el éxito del proyecto.
Inconvenientes
Sin duda, el análisis de sensibilidad cuenta con no pocas ventajas, aunque
también cuenta con algún que otro inconveniente. Veamos los inconvenientes más
importantes:
 Una sola variable cada vez: quizá el inconveniente principal del análisis de
sensibilidad es que este tan solo puede estudiar los cambios que se produce en
una sola variable cada vez.
No utilización de distribuciones de probabilidad: esta realidad limita de
forma bastante notable la capacidad predictiva del análisis de sensibilidad.
Análisis de sensibilidad: ejemplo
Para entender mejor toda esta información, lo mejor es ilustrarla con un
ejemplo. Imaginemos que una empresa ha invertido dinero en maquinaria nueva.
Este cambio de maquinaria es la novedad que se ha introducido y que puede
afectar a la variable que estamos midiendo. Así, en este caso, el VANe es de
564,29, mientras que el VANn es de 648,61. En este caso concreto, aplicando la
fórmula:

Análisis de sensibilidad = ((VANn – VANe) / VANe) x 100

Análisis de sensibilidad = ((648,61 – 564,29) / 564,29 x 100 = 14,94 %

En este caso, podemos afirmar que, gracias a la introducción de nueva

maquinaria, se produce un cambio en las ventas que trae consigo un incremento
del VAN de casi un 15 %, por lo que esta novedad puede resultar eficaz.

Sin duda, el análisis de sensibilidad es una buena estrategia para conocer o

estimar si un nuevo proyecto tendrá el éxito espera o no.