Академический Документы
Профессиональный Документы
Культура Документы
Optimizacin Lineal
La URL de este sitio es:
http://ubmail.ubalt.edu/~harsham/opre640S/SpanishD.htm
sta es la versin espaola del sitio Web principal ingls que se
encuentra disponible en:
Optimization Modeling Process:
Linear Programming
Europe Mirror Site
Un modelo de Optimizacin Matemtica consiste en una funcin
objetivo y un conjunto de restricciones en la forma de un sistema de
ecuaciones o inecuaciones. Los modelos de optimizacin son usados
en casi todas las reas de toma de decisiones, como en ingeniera de
diseo y seleccin de carteras financieras de inversin . Esta pagina
web presenta ejemplos focalizados y estructurados para la
formulacin de problemas de optimizacin, diseo de la estrategia
optima y herramientas de control de calidad que incluyen validacin,
verificacin y anlisis post-solucin.
Profesor Hossein Arsham
MENU
1.
2.
3.
4.
5.
6.
7.
8.
Introduccin y resumen
Optimizacin: Programacin Lineal (PL)
Problema Dual: Construccin y Significado
Manejo de Incertidumbres mediante Modelacin de Escenarios
Programas lineales generales con enteros
El apndice I. Ciencia de la Administracin Aplicada
El apndice II. Modelos Probabilsticos: Del Anlisis de la Decisin
El apndice Recursos de la Toma de Decisin
Para buscar el sitio, proba en Edicion | Encotrar en la pgina [Ctrl + f]. Escribi una
palabra o frase en el espacio del dilogo. Por ejemplo "optimizacin" o "sensibilidad" Si
el primer resultado de la palabra o la frase no es lo que vos buscabas, intenta con
Encuentra Prximo.
5.
6.
7.
8.
9.
10.
Introduccin y resumen
Optimizacin
Programacin Lineal (PL)
Proceso de Formulacin de un Problema de PL y su Aplicacin
El Problema del Carpintero
Un Problema de Mezcla
Otras Aplicaciones Comunes de PL
Mtodo de Solucin Grfica
Vnculo entre Programacin Lineal y Sistemas de Ecuaciones
Extensin a Mayores Dimensiones
Ejemplo Numrico: el Problema del Transporte
Conceptos y Tcnicas de Aprendizaje Asistidos por Computadora
Cmo Interpretar los Resultados del Paquete de Software LINDO
11.
12.
PL?
Problema Dual
1.
2.
3.
4.
5.
6.
7.
8.
Introduccin
Clculo de Rangos de Sensibilidad para Problemas Pequeos
Qu es la Regla del 100% (regin de sensibilidad)
Aadir una nueva restriccin
Suprimir una restriccin
Reemplazar una restriccin
Aadir una variable (por ejemplo, introducir un nuevo producto)
Suprimir una variable (es decir, cancelar un producto)
Problema de asignacin ptima de recursos
Determinacin de la mnima utilidad neta del producto
Indicadores de metas
Clculo de minimax y maximin en una sola corrida
Situaciones de ms por menos y menos por ms
Introduccin
Aplicacin mixta de programacin con enteros: restricciones "Y-O"
Programas lineales con enteros 0 - 1
Aplicaciones para formulacin de presupuestos de inversiones
Problemas de scheduling (planificacin de turnos)
Programacin con restricciones no binarias
Optimizacin combinatoria
Programacin no lineal
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)
3.
3. Las restricciones tambin deben ser lineales. . Asimismo, la restriccin debe
adoptar alguna de las siguientes formas ( , , O =, es decir que las restricciones de PL
siempre estn cerradas).
Por ejemplo, el siguiente problema no es un problema de PL: Max X,
sujeta a 1. Este problema tan sencillo no tiene solucin.
Como siempre, se debe tener cuidado al categorizar un problema de
optimizacin como un problema de PL. El siguiente problema es un
problema de PL?
Max X2
sujeta a:
X1 + X2 0
X12 - 4 0
Aunque la segunda restriccin parece "como si" fuera una restriccin
no lineal, esta restriccin puede escribirse tambin de la siguiente
forma:
X1 -2, y X2 2.
En consecuencia, el problema es de hecho un problema de PL.
Para la mayora de los problemas de PL, podemos decir que existen
dos tipos importantes de objetos: en primer lugar, los recursos
limitados, tales como terrenos, capacidad de planta, o tamao de la
fuerza de ventas; en segundo lugar, las actividades, tales como
"producir acero con bajo contenido de carbono", y "producir acero con
alto contenido de carbono". Cada actividad consume o probablemente
contribuye cantidades adicionales de recursos. Debe haber una
funcin objetivo, es decir, una manera de discriminar una mala de
una buena o una mejor decisin. El problema es determinar la mejor
combinacin de niveles de actividades, que no utilice ms recursos de
los disponibles. Muchos gerentes se enfrentan a esta tarea todos los
das. Afortunadamente, el software de programacin lineal ayuda a
determinar esto cuando se ingresa un modelo bien formulado.
El mtodo Simplex es un algoritmo de solucin muy utilizado para
resolver programas lineales. Un algoritmo es una serie de pasos para
cumplir con una tarea determinada.
Proceso de Formulacin de un Problema de PL y su Aplicacin
Para formular un problema de PL, recomiendo seguir los siguientes lineamientos
generales despus de leer con atencin el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de
variables de decisin, los parmetros, la funcin objetivo y un
conjunto de restricciones. Al formular un determinado problema de
decisin en forma matemtica, debe practicar la comprensin del
problema (es decir, formular un Modelo Mental) leyendo
detenidamente una y otra vez el enunciado del problema. Mientras
trata de comprender el problema, formlese las siguientes preguntas
generales:
1.
Cules son las variables de decisin? Es decir, cules con las entradas
controlables? Defina las variables de decisin con precisin utilizando nombres
descriptivos. Recuerde que las entradas controlables tambin se conocen como
actividades controlables, variables de decisin y actividades de decisin.
2.
Cules son los parmetros? Vale decir cules son las entradas no controlables?
Por lo general, son los valores numricos constantes dados. Defina los parmetros con
precisin utilizando nombres descriptivos.
3.
Cul es el objetivo? Cul es la funcin objetivo? Es decir, qu quiere el
dueo del problema? De qu manera se relaciona el objetivo con las variables de
decisin del dueo del problema? Es un problema de maximizacin o minimizacin?
El objetivo debe representar la meta del decisor.
4.
Cules son las restricciones? Es decir, qu requerimientos se deben cumplir?
Debera utilizar un tipo de restriccin de desigualdad o igualdad? Cules son las
conexiones entre las variables? Escrbalas con palabras antes de volcarlas en forma
matemtica.
Recuerde que la regin factible tiene poco o nada que ver con la
funcin objetivo (minim. o maxim.). Estas dos partes en cualquier
formulacin de PL generalmente provienen de dos fuentes distintas.
La funcin objetivo se establece para cumplir con el deseo (objetivo)
del decisor mientras que las restricciones que forman la regin
factible generalmente provienen del entorno del decisor que fija
algunas limitaciones / condiciones para lograr su objetivo.
A continuacin, se incluye un problema ilustrativo muy sencillo. Sin
embargo, el abordaje del problema es igual para una gran variedad
de problemas de toma de decisin, mientras que el tamao o la
complejidad pueden variar. El primer ejemplo es un problema de mix
de productos y el segundo es un problema de mezcla.
El Problema del Carpintero
Durante un par de sesiones de brain-storming con un carpintero (nuestro cliente), ste
nos comunica que slo fabrica mesas y sillas y que vende todas las mesas y las sillas
que fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar
esta situacin.
El objetivo es determinar cuntas mesas y sillas debera fabricar para
maximizar sus ingresos netos. Comenzamos concentrndonos en un
horizonte de tiempo, es decir, un plazo de planificacin, , para revisar
nuestra solucin semanalmente, si fuera necesario. Para saber ms
acerca de este problema, debemos ir al negocio del carpintero y
observar lo que sucede y medir lo que necesitamos para para
formular (para crear un modelo de) su problema. Debemos confirmar
que su objetivo es maximizar sus ingresos netos. Debemos
comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuntas mesas y
sillas debe fabricar por semana; pero primero se debe establecer una
funcin objetivo La funcin objetivo es: 5X1 + 3X2, donde X1 y X2
representan la cantidad de mesas y sillas; y 5 y 3 representan los
ingresos netos (por ejemplo, en dlares o dcimas de dlares) de la
venta de una mesa y una silla, respectivamente. Los factores
limitantes, que normalmente provienen del exterior, son las
limitaciones de la mano de obra (esta limitacin proviene de la familia
del carpintero) y los recursos de materia prima (esta limitacin
proviene de la entrega programada). Se miden los tiempos de
produccin requeridos para una mesa y una silla en distintos
momentos del da y se calculan en 2 horas y 1 hora, respectivamente.
Las horas laborales totales por semana son slo 40. La materia prima
requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50
unidades por semana. En consecuencia, la formulacin de PL es la
siguiente:
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemtico para el problema del carpintero. Las
variables de decisin, es decir, las entradas controlables son X1, y X2.
La salida o el resultado de este modelo son los ingresos netos totales
5 X1 + 3 X2. Todas las funciones empleadas en este modelo son
lineales (las variables de decisin estn elevadas a la primera
potencia). El coeficiente de estas restricciones se denomina denomina
Factores Tecnolgicos (matriz). El perodo de revisin es de una
semana, un perodo conveniente dentro del cual es menos probable
que cambien (flucten) las entradas controlables (todos los
parmetros tales como 5, 50, 2,..). Incluso en un plazo de
planificacin tan corto, debemos realizar el anlisis what-if o de
hiptesis para responder a cualquier cambio en estas entradas a los
efectos de controlar el problema, es decir, actualizar la solucin
prescripta.
Ntese que dado que el Carpintero no va a ir a la quiebra al final del
plazo de planificacin, agregamos las condiciones que tanto X1 como
X2 deben ser no negativas en lugar de los requerimientos que X1 y
X2 deben ser nmeros enteros positivos. Recuerde que las
condiciones de no negatividad tambin se denominan "restricciones
implcitas". Nuevamente, un Programa Lineal funcionara bien para
este problema si el Carpintero contina fabricando estos productos.
Los artculos parciales simplemente se contaran como trabajos en
proceso y finalmente se transformaran en productos terminados, en
la siguiente semana.
Podemos intentar resolver X1 y X2 enumerando posibles soluciones
para cada una y seleccionado el par (X1, X2) que maximice 5X1 +
3X2 (los ingresos netos). Sin embargo, lleva mucho tiempo enumerar
todas las alternativas posibles y si no se enumeran todas las
alternativas, no podemos estar seguros de que el par seleccionado
(como una solucin) es la mejor de todas las alternativas. Otras
metodologas preferidas (ms eficientes y efectivas), conocidas como
las Tcnicas de Soluciones de Programacin Lineal estn disponibles
en el mercado en ms de 4000 paquetes de software de todo el
mundo.
La solucin ptima, es decir, la estrategia ptima, , es establecer X1
= 10 mesas y X2 = 20 sillas. Programamos las actividades semanales
del carpintero para que fabrique 10 mesas y 20 sillas. Con esta
estrategia (ptima), los ingresos netos son de US$110. Esta . Esta
solucin prescripta sorprendi al carpintero dado que debido a los
Funcin de los
Ingresos Netos
X1, X2
5 X1 + 3 X2
0, 0
20, 0
100
0, 25
75
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.
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
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.
X1 + X2 0,
X1 + 3X2 3.
El problema convertido es:
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y 0,
-X1 - 3X2 + 4y 3,
X1 0,
X2 0,
and y 0.
La solucin ptima para las variables originales es: X1 = 3/2 - 3 =
-3/2, X2 = 3/2 - 0 = 3/2, con valor ptimo de 3/2.
Para detalles acerca de los algoritmos de solucin, visite el sitio Web
Artificial-Free Solution Algorithms, ejemplo N 7.
Implementaciones de Computacin con el Paquete WinQSB
Utilice el mdulo LP/ILP de su paquete WinQSB para cumplir dos objetivos: resolver
grandes problemas y realizar experimentos numricos para comprender los conceptos
presentados en las secciones LP y ILP.
Tipo de variable: seleccione el tipo de variable desde la pantalla
"Problem Specification" (Especificacin del Problema) (la primera
pantalla que aparece al ingresar un nuevo problema); para
programacin lineal, utilice la opcin predeterminada "Continuous"
(Continua).
Formato de datos de entrada: seleccione el formato de datos de
entrada desde la pantalla "Problem Specification" (Especificacin del
Problema). Normalmente, es preferible utilizar el formato Matrix
(Matriz) para ingresar los datos. En el formato Normal, el modelo
aparece ya ingresado. Este formato puede ser ms conveniente
cuando se debe resolver un problema grande con muchas variables.
Puede desplazarse por los formatos seleccionando el botn "Switch to
the" (Cambiar a ...) del men Format (Formato).
Identificacin de Variables / Restricciones: es conveniente
cambiar los nombres de las variables y las restricciones para facilitar
la identificacin del contexto que representan. Los nombres de las
variables y las restricciones se pueden cambiar desde el men Edit
(Edicin).
Autoajuste de ancho de columnas (Best Fit): Con el botn "best
fit" del men Format (Formato) cada columna puede tener su propio
ancho.
Resolver buscando la solucin ptima (si es que existe):
Seleccione "Solve the problem" (Resolver el problema) desde el men
"Solve and Analyze" (Resolver y Analizar), o utilice el cono "Solve"
(Resolver) que se encuentra en la parte superior de la pantalla. Esto
genera un "Combined Report" (Informe Combinado) que brinda la
solucin y los resultados adicionales (reduccin de costos, rangos de
optimalidad, holgura / excedente, rango de factibilidad y precios
sombra).
Existe una correspondencia uno a uno entre el tipo de restriccin y el tipo de variable
utilizando esta clasificacin de restricciones y variables tanto para los problemas
primarios como los duales.
Construccin de Problemas Duales:
- Si el problema primario es un problema de maximizacin, entonces
su problema dual es un problema de minimizacin (y viceversa).
- Utilice el tipo de variable de un problema para determinar el tipo de
restriccin del otro problema.
- Utilice el tipo de restriccin de un problema para determinar el tipo
de variable del otro problema.
-Los elementos RHS de un problema se transforman en los
coeficientes de la funcin objetivo del otro problema (y viceversa).
- Los coeficientes de la matriz de las restricciones de un problema son
la transposicin de los coeficientes de la matriz de las restricciones
del otro problema.
Puede verificar las reglas de construccin del problema dual
utilizando su paquete WinQSB.
Ejemplos Numricos:
Considere el siguiente problema primario:
min x1 - 2x2
sujeta a:
x1 + x2 2,
x1 - x2 -1,
x2 3,
x1, x2 0.
Siguiendo la regla de construccin antes mencionada, el problema
dual es:
max 2u1 - u2 + 3u3
sujeta a:
u1 + u2 1,
u1 - u2 + u3 -2,
u1 0,
u2 0,
u3 0
El Problema Dual del Problema del Carpintero:
Maximizar 5X1 + 3X2
sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
El problema dual es:
Minimizar 40U1 + 50U2
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0
netos
Y su formulacin de PL
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Donde X1 y X2 representan la cantidad de mesas y sillas a fabricar.
Supngase que el Carpintero desea contratar un seguro para sus
ingresos netos. Digamos que:
U1 = el monto en dlares pagadero al Carpintero por cada hora de
trabajo perdida (por enfermedad, por ejemplo),
U2 = el monto en dlares pagadero al Carpintero por cada unidad de
materia prima perdida (por incendio, por ejemplo).
Por supuesto que el corredor de seguros intenta minimizar el monto
total de US$(40U1 + 50U2) pagadero al Carpintero por la Compaa
de Seguros. Sin embargo, como es de esperar, el Carpintero fijar las
restricciones (es decir las condiciones) para que la compaa de
seguros cubra toda su prdida que equivale a sus ingresos netos
debido a que no puede 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
Max X2
sujeta a:
X1 + X2 2
2.5X1 + 4X2 10
Donde ambas variables de decisin son no negativas.
El problema tiene su solucin ptima en (0, 2) con un valor ptimo de
2.
Supngase que quiere calcular el precio sombra del primer recurso,
es decir el RHS de la primera restriccin.
Si cambiamos el RHS de la primera restriccin aumentndolo en una
unidad tenemos:
Max X2
sujeta a:
X1 + X2 3
2.5X1 + 4X2 10
donde ambas variables de decisin son no negativas.
El nuevo problema tiene la solucin ptima (0, 2.5) con un valor
ptimo de 2.5.
Entonces, pareciera "como si" el precio sombra de este recurso es 2.5
- 2 = 0.5. De hecho, el precio sombra de este recurso es 1, el cual se
puede verificar construyendo y resolviendo el problema dual.
El motivo de este error se torna obvio si observamos que el aumento
admisible para mantener la validez del precio sombra del primer
recurso es 0.5. El aumento en 1 excede el cambio admisible del
primer valor RHS.
Ahora supngase que cambiamos el mismo valor RHS en + 0.1 que es
admisible. Entonces el valor ptimo del nuevo problema es 2.1. Por
consiguiente, el precio sombra es (2.1 -2) / 0.1 = 1. Es necesario
prestar mucha atencin al calcular los precios sombra.
Si usted quiere calcular el precio sombra de un valor RHS sin tener su
rango de sensibilidad, puede obtener los valores ptimos de dos
perturbaciones como mnimo. Si el ndice de cambio en ambos casos
arroja los mismos valores, entonces este ndice es realmente el precio
sombra. A modo de ejemplo, supngase que perturbamos el RHS de
la primera restriccin en +0.02 y -0.01. Si resolvemos el problema
despus de estos cambios utilizando un software de PL, obtenemos
los valores ptimos de 2.02 y 1.09, respectivamente. Como el valor
ptimo para el problema nominal (sin ninguna perturbacin) es igual
a 2, el ndice de cambio para los dos casos es: (2.02 - 2)/0.02 = 1, y
(1.09 - 2)/(-0.01) = 1, respectivamente. Como estos dos ndices
coinciden, podemos concluir que el precio sombra del RHS de la
primera restriccin es de hecho igual a 1.
El Precio Sombra es Siempre No Negativo?
Probablemente se est preguntando si el precio sombra de un valor RHS es siempre no
negativo. Todo depende de la formulacin del problema primario y de su
correspondiente dual. Lo importante es recordar que el precio sombra de un
determinado valor RHS es el ndice de cambio del valor ptimo con respecto al cambio
en ese RHS, dado que el cambio se encuentra dentro de los lmites de ese RHS.
Considere el siguiente ejemplo numrico:
Para probar la solidez de una solucin ptima. Las sorpresas no forman parte de
las decisiones ptimas slidas.
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 comprender la relacin entre las variables de entrada y las de salida. Para
desarrollar pruebas de las hiptesis.
Desarrollo del modelo:
pendientes de las dos lneas resultantes de las restricciones obligatorias. Este mtodo
grfico basado en las pendientes est descripto en de An Introduction to Management
Science, by Anderson D., y Williams T., 9 Ed., West Publisher, 2000, (Seccin 3.2).
Lamentablemente, esto es confuso. Debera advertirse que este abordaje no es general y
funciona si y slo si los coeficientes no cambian de signo.
Por ejemplo, si aplicamos este abordaje en la construccin del rango
de sensibilidad de los coeficientes de costos del siguiente problema;
Maximizar 5X1 + 3X2
Sujeta a: X1 + X2 2, X1 - X2 0, X1 0, X2 0
Obtenemos rangos incorrectos. Visite el sitio Web Myths and
Counterexamples in Mathematical Programming para ver ilustraciones
y una explicacin de este anti-ejemplo.
El problema del carpintero:
Maximice 5X1 + 3X2
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Clculo del incremento/disminucin permisibles de C1 = 5: Las
restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
(5 + c1)/2 = 3/1, para la primera restriccin, y (5 + c1)/1 = 3/2 para
la segunda restriccin. Resolviendo estas dos ecuaciones se obtiene:
c1 = 1 y c1 = -3.5. Por lo tanto, el incremento permisible es 1,
mientras que la disminucin permisible es 1.5. Por lo tanto, mientras
el primer coeficiente de costo C1 permanezca dentro del intervalo [ 5
- 3.5, 5 + 1] = [1.5, 6], contina la solucin ptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se
obtiene el rango de sensibilidad [2.5, 10].
Consideremos el problema anterior con otro ejemplo:
Maximice 5X1 + 3X2
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Clculo del incremento/disminucin permisibles de C1 = 5: Las
restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
(5 + c1)/1 = 3/1, para la primera restriccin y (5 + c1)/1 = 3/(-1) para
la segunda restriccin. Resolviendo estas dos ecuaciones se obtiene:
c1 = -2 y c1 = -8. Por lo tanto, la disminucin permisible es 2,
mientras que el incremento permisible es ilimitado. Por lo tanto,
mientras el primer coeficiente de costo C1 permanezca dentro del
intervalo [ 5 - 2, 5 + ] = [3, ], contina la solucin ptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se
obtiene el rango de sensibilidad [3 - 8, 3 + 2] = [-5, 5].
66.00000
VALOR
6.000000
0.000000
COSTO REDUCIDO
-11.000000
-10.000000
Observe que en lugar de repetir INT cuatro veces se puede usar INT 4.
Las primeras cuatro variables aparecieron en la funcin objetivo.
VALOR DE LA FUNCION OBJETIVO
1)
VARIABLE
X1
X2
X3
X4
24.00000
FILA
2)
VALOR
0.000000
1.000000
0.000000
1.000000
COSTO REDUCIDO
-11.000000
-9.000000
-8.000000
-15.000000
HOLGURA O EXCEDENTE
0.000000
Nro. DE ITERACIONES =
PRECIOS DUALES
0.000000