Modelos Deterministas:

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.

Optimizacin: Programacin Lineal (PL)

1.
2.
3.
4.
o
o
o

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?

Implementaciones de Computacin con el Paquete WinQSB

Cmo Resolver un Sistema de Ecuaciones Lineales Utilizando un Software de

Problema Dual
1.
2.
3.
4.
5.
6.
7.
8.

Problema Dual: Construccin y Significado

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

Manejo de Incertidumbres mediante Modelacin de Escenarios:

Anlisis de Sensibilidad y Anlisis de Especificidad
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

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

Programas lineales generales con enteros

1.
2.
3.
4.
5.
6.
7.
8.

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)

el rendimiento del sistema. El problema puede ser reducir el costo de

operacin y a la vez mantener un nivel aceptable de servicio,
utilidades de las operaciones actuales, proporcionar un mayor nivel
de servicio sin aumentar los costos, mantener un funcionamiento
rentable cumpliendo a la vez con las reglamentaciones
gubernamentales establecidas, o "mejorar" un aspecto de la calidad
del producto sin reducir la calidad de otros aspectos. Para identificar
la mejora del funcionamiento del sistema, se debe construir una
representacin sinttica o modelo del sistema fsico, que puede
utilizarse para describir el efecto de una variedad de soluciones
propuestas.
Un modelo puede considerarse como una entidad que captura la
esencia de la realidad sin la presencia de la misma. Una fotografa es
un modelo de la realidad ilustrada en la imagen. La presin arterial
puede utilizarse como un modelo de la salud de una persona. Una
campaa piloto de ventas puede utilizarse como un modelo de la
respuesta de las personas a un nuevo producto. Por ltimo, una
ecuacin matemtica puede utilizarse como un modelo de la energa
contenida en un determinado material. En cada caso, el modelo
captura algn aspecto de la realidad que intenta representar.
Ya que un modelo slo captura determinados aspectos de la realidad,
su uso puede no ser apropiado en una aplicacin en particular porque
no captura los elementos correctos de la realidad. La temperatura es
un modelo de las condiciones climticas pero puede ser inapropiado
si uno est interesado en la presin baromtrica. Una foto de una
persona es un modelo de la misma pero brinda poca informacin
acerca de sus logros acadmicos. Una ecuacin que predice las
ventas anuales de un producto en particular es un modelo de ese
producto pero tiene poca utilidad si lo que nos interesa es el costo de
produccin por unidad. Por lo tanto, la utilidad del modelo depende
del aspecto de la realidad que representa.
Un modelo puede ser inadecuado aun cuando intenta capturar los
elementos apropiados de la realidad si lo hace de una manera
distorsionada o sesgada. Una ecuacin que pronostica el volumen
mensual de ventas puede ser exactamente lo que el gerente de
ventas quiere pero podra generar grandes prdidas si arroja
constantemente clculos de ventas altos. Un termmetro que lee de
ms (o de menos) tendra poca utilidad para realizar un diagnstico
mdico. En consecuencia, un modelo til es aquel que captura los
elementos adecuados de la realidad con un grado aceptable de
precisin.
Un modelo matemtico es una ecuacin, desigualdad o sistema de
ecuaciones o desigualdades, que representa determinados aspectos
del sistema fsico representado en el modelo. Los modelos de este
tipo se utilizan en gran medida en las ciencias fsicas, en el campo de
la ingeniera, los negocios y la economa.
Un modelo ofrece al analista una herramienta que puede manipular
en su anlisis del sistema en estudio, sin afectar al sistema en s. Por
ejemplo, supngase que se ha desarrollado un modelo matemtico
para predecir las ventas anuales como una funcin del precio de

venta unitario. Si se conoce el costo de produccin por unidad, se

pueden calcular con facilidad las utilidades anuales totales para
cualquier precio de venta. Para determinar el precio de venta que
arrojar las utilidades totales mximas, se pueden introducir en el
modelo distintos valores para el precio de venta, uno a la vez,
determinando las ventas resultantes y calculando las utilidades
anuales totales para cada valor de precio de venta examinado.
Mediante un proceso de prueba y error, el analista puede determinar
el precio de venta que maximizar las utilidades anuales totales.
Lo ideal sera que si el modelo matemtico es una representacin
vlida del rendimiento del sistema, mediante la aplicacin de las
tcnicas analticas adecuadas, la solucin obtenida a partir del
modelo debera ser tambin la solucin para el problema del sistema.
As, la efectividad de los resultados de la aplicacin de cualquier
tcnica operativa es en gran medida una funcin del grado en el cual
el modelo representa al sistema en estudio.
A fin de definir las condiciones que nos conducirn a la solucin del
problema del sistema, el analista primero debe identificar un criterio
segn el cual se podr medir el sistema. Este criterio a menudo se
denomina medida del rendimiento del sistema o medida de
efectividad. En aplicaciones empresariales, la medida de efectividad
generalmente son los costos o las utilidades, mientras que en
aplicaciones gubernamentales esta medida generalmente se define
en trminos de un ndice costo/beneficio.
El modelo matemtico que describe el comportamiento de la medida
de efectividad se denomina funcin objetivo. Si la funcin objetivo es
describir el comportamiento de la medida de efectividad, debe
capturar la relacin entre esa medida y aquellas variables que hacen
que dicha medida flucte. Las variables del sistema pueden
categorizarse en variables de decisin y parmetros. Una variable de
decisin es una variable que puede ser directamente controlada por
el decisor. Tambin existen algunos parmetros cuyos valores pueden
ser inciertos para el decisor. Esto requiere un anlisis de sensibilidad
despus de descubrir la mejor estrategia. En la prctica, resulta casi
imposible capturar la relacin precisa entre todas las variables del
sistema y la medida de efectividad a travs de una ecuacin
matemtica. En cambio, el analista de IO/CA debe tratar de identificar
aquellas variables que afectan en mayor grado la medida de
efectividad y luego debe intentar definir de manera lgica la relacin
matemtica entre estas variables y la medida de efectividad. Esta
relacin matemtica es la funcin objetivo que se emplea para
evaluar el rendimiento del sistema en estudio.
La formulacin de una funcin objetivo que tenga sentido
normalmente es una tarea tediosa y frustrante. Los intentos de
desarrollo de una funcin objetivo pueden terminar en un fracaso.
Esto puede darse porque el analista elige el conjunto incorrecto de
variables para incluir en el modelo o bien, si el conjunto es el
adecuado, porque no identifica correctamente la relacin entre estas
variables y la medida de efectividad. En un nuevo intento, el analista
trata de descubrir las variables adicionales que podran mejorar su

modelo descartando aquellas que parecen tener poca o ninguna

relevancia. No obstante, slo se puede determinar si estos factores
realmente mejoran el modelo una vez realizadas la formulacin y
prueba de nuevos modelos que incluyan las variables adicionales.
Todo el proceso de seleccin y rechazo de variables puede requerir
reiteraciones mltiples hasta desarrollar una funcin objetivo
satisfactoria. En cada iteracin, el analista espera lograr alguna
mejora en el modelo, aunque no siempre se tiene tanta buena suerte.
Por lo general, el xito final es precedido por una serie de fracasos
frustrantes y pequeos progresos.
En cada etapa del proceso de desarrollo, el analista debe evaluar la
correspondencia o validez del modelo. Normalmente se emplean dos
criterios para realizar esta determinacin. El primero implica la
experimentacin del modelo: someter el modelo a una serie de
condiciones y registrar los valores asociados de la medida de
efectividad dada por el modelo en cada caso. Si la medida de
efectividad vara de manera antinatural con una sucesin de
condiciones de entrada, es posible que la funcin objetivo no sea
vlida. Por ejemplo, supngase que se desarrolla un modelo destinado
a calcular el valor de mercado de viviendas unifamiliares. El modelo
debe expresar el valor de mercado en dlares como una funcin de la
superficie cubierta en pies cuadrados, cantidad de dormitorios,
cantidad de baos y tamao del lote. Despus de desarrollar el
modelo, el analista lo aplica a la tasacin de distintas viviendas, con
distintos valores para las caractersticas mencionadas y descubre que
el valor de mercado desciende a medida que aumenta la superficie
cubierta expresada en pies cuadrados. Dado que este resultado no
concuerda con la realidad, el analista cuestionara la validez del
modelo. Por otro lado, supngase que el modelo es tal que el valor de
las viviendas es una funcin creciente de cada una de las cuatro
caractersticas citadas, como generalmente es de esperar. Si bien
este resultado es alentador, no necesariamente implica que el modelo
es una representacin vlida de la realidad, dado que la tasa de
aumento de cada variable puede ser excesivamente alta o baja. La
segunda etapa de la validacin del modelo requiere una comparacin
de los resultados del modelo con los resultados obtenidos en la
realidad.
Optimizacin
La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de realizar las
tareas cotidianas de la vida. A lo largo de la historia de la humanidad, se puede observar
la larga bsqueda de fuentes ms efectivas de alimentos al comienzo y luego de
materiales, energa y manejo del entorno fsico. Sin embargo, relativamente tarde en la
historia de la humanidad, comenzaron a formularse ciertas clases de preguntas generales
de manera cuantitativa, primero en palabras y despus en notaciones simblicas. Un
aspecto predominante de estas preguntas generales era la bsqueda de lo "mejor" o lo
"ptimo". Generalmente, los gerentes buscan simplemente lograr alguna mejora en el
nivel de rendimiento, es decir, un problema de "bsqueda de objetivo". Cabe destacar
que estas palabras normalmente no tienen un significado preciso

Se han realizado grandes esfuerzos por describir complejas

situaciones humanas y sociales. Para tener significado, esto debera
escribirse en una expresin matemtica que contenga una o ms
variables, cuyos valores deben determinarse. La pregunta que se
formula, en trminos generales, es qu valores deberan tener estas
variables para que la expresin matemtica tenga el mayor valor
numrico posible (maximizacin) o el menor valor numrico posible
(minimizacin). A este proceso general de maximizacin o
minimizacin se lo denomina optimizacin.
La optimizacin, tambin denominada programacin matemtica,
sirve para encontrar la respuesta que proporciona el mejor resultado,
la que logra mayores ganancias, mayor produccin o felicidad o la
que logra el menor costo, desperdicio o malestar. Con frecuencia,
estos problemas implican utilizar de la manera ms eficiente los
recursos, tales como dinero, tiempo, maquinaria, personal,
existencias, etc. Los problemas de optimizacin generalmente se
clasifican en lineales y no lineales, segn las relaciones del problema
sean lineales con respecto a las variables. Existe una serie de
paquetes de software para resolver problemas de optimizacin. Por
ejemplo, LINDO o WinQSB resuelven modelos de programas lineales y
LINGO y What'sBest! resuelven problemas lineales y no lineales.
La Programacin Matemtica, en general, aborda el problema de
determinar asignaciones ptimas de recursos limitados para cumplir
un objetivo dado. El objetivo debe representar la meta del decisor. Los
recursos pueden corresponder, por ejemplo, a personas, materiales,
dinero o terrenos. Entre todas las asignaciones de recursos
admisibles, queremos encontrar la/s que maximiza/n o minimiza/n
alguna cantidad numrica tal como ganancias o costos.
El objetivo de la optimizacin global es encontrar la mejor solucin de
modelos de decisiones difciles, frente a las mltiples soluciones
locales.
Programacin Lineal (PL)
La programacin lineal muchas veces es uno de los temas preferidos tanto de profesores
como de alumnos. La capacidad de introducir la PL utilizando un abordaje grfico, la
facilidad relativa del mtodo de solucin, la gran disponibilidad de paquetes de software
de PL y la amplia gama de aplicaciones hacen que la PL sea accesible incluso para
estudiantes con poco conocimiento de matemtica. Adems, la PL brinda una excelente
oportunidad para presentar la idea del anlisis what-if o anlisis de hiptesis ya que se
han desarrollado herramientas poderosas para el anlisis de post optimalidad para el
modelo de PL.
La Programacin Lineal (PL) es un procedimiento matemtico para
determinar la asignacin ptima de recursos escasos. La PL es un
procedimiento que encuentra su aplicacin prctica en casi todas las
facetas de los negocios, desde la publicidad hasta la planificacin de
la produccin. Problemas de transporte, distribucin, y planificacin
global de la produccin son los objetos ms comunes del anlisis de
PL. La industria petrolera parece ser el usuario ms frecuente de la
PL. Un gerente de procesamiento de datos de una importante
empresa petrolera recientemente calcul que del 5% al 10% del

tiempo de procesamiento informtico de la empresa es destinado al

procesamiento de modelos de PL y similares.
La programacin lineal aborda una clase de problemas de
programacin donde tanto la funcin objetivo a optimizar como todas
las relaciones entre las variables correspondientes a los recursos son
lineales. Este problema fue formulado y resuelto por primera vez a
fines de la dcada del 40. Rara vez una nueva tcnica matemtica
encuentra una gama tan diversa de aplicaciones prcticas de
negocios, comerciales e industriales y a la vez recibe un desarrollo
terico tan exhaustivo en un perodo tan corto. Hoy en da, esta teora
se aplica con xito a problemas de presupuestos de capital, diseo de
dietas, conservacin de recursos, juegos de estrategias, prediccin de
crecimiento econmico y sistemas de transporte. Recientemente la
teora de la programacin lineal tambin contribuy a la resolucin y
unificacin de diversas aplicaciones.
Es importante que el lector entienda desde el comienzo que el
trmino "programacin" tiene un significado distinto cuando se refiere
a Programacin Lineal que cuando hablamos de Programacin
Informtica. En el primer caso, significa planificar y organizar
mientras que en el segundo caso, significa escribir las instrucciones
para realizar clculos. La capacitacin en una clase de programacin
tiene muy poca relevancia directa con la otra clase de programacin.
De hecho, el trmino "programacin lineal" se acu antes de que la
palabra programacin se relacionara con el software de computacin.
A veces se evita esta confusin utilizando el trmino optimizacin
lineal como sinnimo de programacin lineal.
Cualquier problema de PL consta de una funcin objetivo y un
conjunto de restricciones. En la mayora de los casos, las restricciones
provienen del entorno en el cual usted trabaja para lograr su objetivo.
Cuando usted quiere lograr el objetivo deseado, se dar cuenta de
que el entorno fija ciertas restricciones (es decir, dificultades,
limitaciones) para cumplir con su deseo (vale decir, el objetivo). Es
por eso que las religiones, como el Budismo entre otras, prescriben
vivir una vida abstemia. Sin deseo, no hay dolor. Puede usted seguir
este consejo con respecto a su objetivo de negocios?
Qu es una funcin: una funcin es una cosa que hace algo. Por
ejemplo, una mquina de moler caf es una funcin que transforma
los granos de caf en polvo. La funcin (objetivo) traza, traduce el
dominio de entrada (denominado regin factible) en un rango de
salida con dos valores finales denominados valores mximo y mnimo.
Cuando se formula un problema de toma de decisiones como un
programa lineal, se deben verificar las siguientes condiciones:
1.
1. La funcin objetivo debe ser lineal. Vale decir que se debe
verificar que todas las variables estn elevadas a la primera potencia
y que sean sumadas o restadas (no divididas ni multiplicadas);
2.
2. El objetivo debe ser ya sea la maximizacin o minimizacin de una funcin
lineal. El objetivo debe representar la meta del decisor; y

3.
3. Las restricciones tambin deben ser lineales. . Asimismo, la restriccin debe
adoptar alguna de las siguientes formas ( , , O =, es decir que las restricciones de PL
siempre estn cerradas).
Por ejemplo, el siguiente problema no es un problema de PL: Max X,
sujeta a 1. Este problema tan sencillo no tiene solucin.
Como siempre, se debe tener cuidado al categorizar un problema de
optimizacin como un problema de PL. El siguiente problema es un
problema de PL?
Max X2
sujeta a:
X1 + X2 0
X12 - 4 0
Aunque la segunda restriccin parece "como si" fuera una restriccin
no lineal, esta restriccin puede escribirse tambin de la siguiente
forma:
X1 -2, y X2 2.
En consecuencia, el problema es de hecho un problema de PL.
Para la mayora de los problemas de PL, podemos decir que existen
dos tipos importantes de objetos: en primer lugar, los recursos
limitados, tales como terrenos, capacidad de planta, o tamao de la
fuerza de ventas; en segundo lugar, las actividades, tales como
"producir acero con bajo contenido de carbono", y "producir acero con
alto contenido de carbono". Cada actividad consume o probablemente
contribuye cantidades adicionales de recursos. Debe haber una
funcin objetivo, es decir, una manera de discriminar una mala de
una buena o una mejor decisin. El problema es determinar la mejor
combinacin de niveles de actividades, que no utilice ms recursos de
los disponibles. Muchos gerentes se enfrentan a esta tarea todos los
das. Afortunadamente, el software de programacin lineal ayuda a
determinar esto cuando se ingresa un modelo bien formulado.
El mtodo Simplex es un algoritmo de solucin muy utilizado para
resolver programas lineales. Un algoritmo es una serie de pasos para
cumplir con una tarea determinada.
Proceso de Formulacin de un Problema de PL y su Aplicacin
Para formular un problema de PL, recomiendo seguir los siguientes lineamientos
generales despus de leer con atencin el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de
variables de decisin, los parmetros, la funcin objetivo y un
conjunto de restricciones. Al formular un determinado problema de
decisin en forma matemtica, debe practicar la comprensin del
problema (es decir, formular un Modelo Mental) leyendo
detenidamente una y otra vez el enunciado del problema. Mientras
trata de comprender el problema, formlese las siguientes preguntas
generales:
1.
Cules son las variables de decisin? Es decir, cules con las entradas
controlables? Defina las variables de decisin con precisin utilizando nombres
descriptivos. Recuerde que las entradas controlables tambin se conocen como
actividades controlables, variables de decisin y actividades de decisin.

2.
Cules son los parmetros? Vale decir cules son las entradas no controlables?
Por lo general, son los valores numricos constantes dados. Defina los parmetros con
precisin utilizando nombres descriptivos.
3.
Cul es el objetivo? Cul es la funcin objetivo? Es decir, qu quiere el
dueo del problema? De qu manera se relaciona el objetivo con las variables de
decisin del dueo del problema? Es un problema de maximizacin o minimizacin?
El objetivo debe representar la meta del decisor.
4.
Cules son las restricciones? Es decir, qu requerimientos se deben cumplir?
Debera utilizar un tipo de restriccin de desigualdad o igualdad? Cules son las
conexiones entre las variables? Escrbalas con palabras antes de volcarlas en forma
matemtica.
Recuerde que la regin factible tiene poco o nada que ver con la
funcin objetivo (minim. o maxim.). Estas dos partes en cualquier
formulacin de PL generalmente provienen de dos fuentes distintas.
La funcin objetivo se establece para cumplir con el deseo (objetivo)
del decisor mientras que las restricciones que forman la regin
factible generalmente provienen del entorno del decisor que fija
algunas limitaciones / condiciones para lograr su objetivo.
A continuacin, se incluye un problema ilustrativo muy sencillo. Sin
embargo, el abordaje del problema es igual para una gran variedad
de problemas de toma de decisin, mientras que el tamao o la
complejidad pueden variar. El primer ejemplo es un problema de mix
de productos y el segundo es un problema de mezcla.
El Problema del Carpintero
Durante un par de sesiones de brain-storming con un carpintero (nuestro cliente), ste
nos comunica que slo fabrica mesas y sillas y que vende todas las mesas y las sillas
que fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar
esta situacin.
El objetivo es determinar cuntas mesas y sillas debera fabricar para
maximizar sus ingresos netos. Comenzamos concentrndonos en un
horizonte de tiempo, es decir, un plazo de planificacin, , para revisar
nuestra solucin semanalmente, si fuera necesario. Para saber ms
acerca de este problema, debemos ir al negocio del carpintero y
observar lo que sucede y medir lo que necesitamos para para
formular (para crear un modelo de) su problema. Debemos confirmar
que su objetivo es maximizar sus ingresos netos. Debemos
comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuntas mesas y
sillas debe fabricar por semana; pero primero se debe establecer una
funcin objetivo La funcin objetivo es: 5X1 + 3X2, donde X1 y X2
representan la cantidad de mesas y sillas; y 5 y 3 representan los
ingresos netos (por ejemplo, en dlares o dcimas de dlares) de la
venta de una mesa y una silla, respectivamente. Los factores
limitantes, que normalmente provienen del exterior, son las
limitaciones de la mano de obra (esta limitacin proviene de la familia
del carpintero) y los recursos de materia prima (esta limitacin
proviene de la entrega programada). Se miden los tiempos de
produccin requeridos para una mesa y una silla en distintos
momentos del da y se calculan en 2 horas y 1 hora, respectivamente.

Las horas laborales totales por semana son slo 40. La materia prima
requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50
unidades por semana. En consecuencia, la formulacin de PL es la
siguiente:
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemtico para el problema del carpintero. Las
variables de decisin, es decir, las entradas controlables son X1, y X2.
La salida o el resultado de este modelo son los ingresos netos totales
5 X1 + 3 X2. Todas las funciones empleadas en este modelo son
lineales (las variables de decisin estn elevadas a la primera
potencia). El coeficiente de estas restricciones se denomina denomina
Factores Tecnolgicos (matriz). El perodo de revisin es de una
semana, un perodo conveniente dentro del cual es menos probable
que cambien (flucten) las entradas controlables (todos los
parmetros tales como 5, 50, 2,..). Incluso en un plazo de
planificacin tan corto, debemos realizar el anlisis what-if o de
hiptesis para responder a cualquier cambio en estas entradas a los
efectos de controlar el problema, es decir, actualizar la solucin
prescripta.
Ntese que dado que el Carpintero no va a ir a la quiebra al final del
plazo de planificacin, agregamos las condiciones que tanto X1 como
X2 deben ser no negativas en lugar de los requerimientos que X1 y
X2 deben ser nmeros enteros positivos. Recuerde que las
condiciones de no negatividad tambin se denominan "restricciones
implcitas". Nuevamente, un Programa Lineal funcionara bien para
este problema si el Carpintero contina fabricando estos productos.
Los artculos parciales simplemente se contaran como trabajos en
proceso y finalmente se transformaran en productos terminados, en
la siguiente semana.
Podemos intentar resolver X1 y X2 enumerando posibles soluciones
para cada una y seleccionado el par (X1, X2) que maximice 5X1 +
3X2 (los ingresos netos). Sin embargo, lleva mucho tiempo enumerar
todas las alternativas posibles y si no se enumeran todas las
alternativas, no podemos estar seguros de que el par seleccionado
(como una solucin) es la mejor de todas las alternativas. Otras
metodologas preferidas (ms eficientes y efectivas), conocidas como
las Tcnicas de Soluciones de Programacin Lineal estn disponibles
en el mercado en ms de 4000 paquetes de software de todo el
mundo.
La solucin ptima, es decir, la estrategia ptima, , es establecer X1
= 10 mesas y X2 = 20 sillas. Programamos las actividades semanales
del carpintero para que fabrique 10 mesas y 20 sillas. Con esta
estrategia (ptima), los ingresos netos son de US$110. Esta . Esta
solucin prescripta sorprendi al carpintero dado que debido a los

mayores ingresos netos provenientes de la venta de una mesa

(US$5), el sola fabricar ms mesas que sillas.
Contratar o no contratar a un ayudante? Supngase que el
carpintero pudiera contratar a un ayudante a un costo de US$2 por
hora (adicionales $2) Le conviene al carpintero contratar a un
ayudante? En caso afirmativo, por cuntas horas?
X3 es la cantidad de horas extra, entonces el problema modificado es:
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:
2 X1 + X2 40 + X3 restriccin de la mano de obra con horas
adicionales desconocidas
X1 + 2 X2 50 restriccin de materiales
En esta nueva condicin, veremos que la solucin ptima es X1 = 50,
X2 = 0, X3 = 60, con ingresos netos ptimos de US$130. Por lo tanto,
el carpintero debera contratar a un ayudante por 60 horas. Qu
pasara si slo lo contrata por 40 horas? La respuesta a esta pregunta
y a otros tipos de preguntas del estilo "qu pasara si" (what-if) se
estudia en la seccin sobre anlisis de sensibilidad en este sitio Web.
Un Problema de Mezcla
El taller de Joe se especializa en cambios de aceite del motor y regulacion del sistema
electrico. El beneficio por cambio del aceite es $7 y de $15 por regulacion. Joe tiene un
cliente fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio
de aceite requiere de 20 minutos de trabajo y $8 de insumos. Una regulacion toma una
hora de trabajo y gasta $15 en insumos. Joe paga a los mecanicos $10 por hora de
trabajo y emplea actualmente a dos de ellos, cada uno de los cuales labora 40 horas por
semana. Las compras de insumos alcanzan un valor de $1.750 semanales. Joe desea
maximizar el beneficio total. Formule el problema.
Esto es una pregunta de programacin linear. Una porcin de un
cambio del aceite o del ajuste no es factible.
X1 = Cambios del aceite, ajuste
X2 = Ajuste
Maximizar 7X1 + 15X2
Sujeta a:
X1 30 Cuenta De la Flota
20X1 + 60X2 4800 De trabajo tiempo
8X1 + 15X2 1750 Primas Materias
X1 0, X2 0.
El coste de trabajo de $10 por hora no se requiere para formatar el
problema desde el beneficio por cambio del aceite y el ajuste toma en
la consideracin el coste de trabajo.
Otras Aplicaciones Comunes de PL
La programacin lineal es una herramienta poderosa para seleccionar alternativas en un
problema de decisin y por consiguiente se aplica en una gran variedad de entornos de
problemas. La cantidad de aplicaciones es tan alta que sera imposible enumerarlas
todas. A continuacin, indicamos algunas de las principales aplicaciones que cubren las
reas funcionales ms importantes de una organizacin empresarial.

Finanzas: el problema del inversor podra ser un problema de

seleccin del mix de su cartera de inversiones. En general, la
variedad de carteras puede ser mucho mayor que lo que indica el
ejemplo y se pueden agregar muchas ms restricciones distintas.
Otro problema de decisin implica determinar la combinacin de
mtodos de financiacin para una cantidad de productos cuando
existe ms de un mtodo de financiacin disponible. El objetivo puede
ser maximizar las ganancias totales cuando las ganancias de un
producto determinado dependen del mtodo de financiacin. Por
ejemplo, se puede financiar con fondos internos, con deuda a corto
plazo o con financiacin intermedia (crditos amortizados). Puede
haber limitaciones con respecto a la disponibilidad de cada una de las
opciones de financiacin, as como tambin restricciones financieras
que exijan determinadas relaciones entre las opciones de financiacin
a los efectos de satisfacer los trminos y condiciones de los
prstamos bancarios o financiacin intermedia. Tambin puede haber
lmites con respecto a la capacidad de produccin de los productos.
Las variables de decisin seran la cantidad de unidades que deben
ser financiadas por cada opcin de financiacin.
Administracin de Produccin y Operaciones: muchas veces en las
industrias de proceso, una materia prima en particular puede
transformarse en una gran variedad de productos. Por ejemplo, en la
industria petrolera, el crudo puede refinarse para producir nafta,
kerosene, aceite para calefaccionar y distintas clases de aceite para
motor. Segn el margen de ganancia actual de cada producto, el
problema es determinar la cantidad que se debera fabricar de cada
producto. Esta decisin est sujeta a numerosas restricciones tales
como lmites de las capacidades de diversas operaciones de refinado,
disponibilidad de materia prima, demandas de cada producto y
polticas gubernamentales con respecto a la fabricacin de
determinados productos. En la industria de productos qumicos y de
procesamiento de alimentos existen problemas similares.
Recursos Humanos: los problemas de planificacin de personal
tambin se pueden analizar con programacin lineal. Por ejemplo, en
la industria telefnica, la demanda de servicios de personal de
instalacin / reparacin son estacionales. El problema es determinar
la cantidad de personal de instalacin / reparacin y reparacin de
lneas que debemos tener incorporada en la fuerza laboral por cada
mes a fin de minimizar los costos totales de contratacin, despido,
horas extras y salarios en horas ordinarias. El conjunto de
restricciones comprende restricciones con respecto a la demanda de
servicio que se debe satisfacer, uso de horas extra, acuerdos con los
sindicatos y la disponibilidad de personal calificado para contratar.
Este ejemplo es opuesto a la hiptesis de divisibilidad. Sin embargo,
los niveles de fuerza laboral de cada mes normalmente son lo
suficientemente altos como para poder redondear al nmero entero
ms cercano sin problemas, siempre y cuando no se violen las
restricciones.
Marketing: se puede utilizar la programacin lineal para determinar el
mix adecuado de medios de una campaa de publicidad. Supngase

que los medios disponibles son radio, televisin y diarios. El problema

es determinar cuntos avisos hay que colocar en cada medio. Por
supuesto que el costo de colocacin de un aviso depende del medio
elegido. El objetivo es minimizar el costo total de la campaa
publicitaria, sujeto a una serie de restricciones. Dado que cada medio
puede proporcionar un grado diferente de exposicin a la poblacin
meta, puede haber una cota inferior con respecto a la exposicin de
la campaa. Asimismo, cada medio puede tener distintos ratings de
eficiencia para producir resultados deseables y por consiguiente
puede haber una cota inferior con respecto a la eficiencia. Adems,
puede haber lmites con respecto a la disponibilidad para publicar en
cada medio.
Distribucin: otra aplicacin de programacin lineal es el rea de la
distribucin. Considere un caso en el que existen m fbricas que
deben enviar productos a n depsitos. Una determinada fbrica
podra realizar envos a cualquier cantidad de depsitos. Dado el
costo del envo de una unidad del producto de cada fbrica a cada
depsito, el problema es determinar el patrn de envo (cantidad de
unidades que cada fbrica enva a cada depsito) que minimice los
costos totales. Este decisin est sujeta a restricciones que exigen
que cada fbrica no pueda enviar ms productos de los que tiene
capacidad para producir.
Mtodo de Solucin Grfica
Dado que somos una especie visual (especialmente la cultura estadounidense), debido a
nuestro sistema educativo, muchas de las herramientas de enseanza escolar utilizadas
en la actualidad son de naturaleza grfica. Les enseamos a leer mostrndoles figuras de
las cosas. Les enseamos a contar mostrndoles el orden de los nmeros. En
consecuencia, nuestros receptores visuales se agudizan a expensas de otras funciones
cognitivas. Tambin he descubierto que las personas de negocios responden mejor a los
grficos y a los cuadros que a los nmeros.
Procedimiento para el Mtodo Grfico de Solucin de Problemas de
PL:
1.
El problema es un problema de PL? La respuesta es afirmativa si y slo si:
Todas las variables estn elevadas a la primera potencia y son
sumadas o restadas (no dividas ni multiplicadas). La restriccin debe
adoptar alguna de las siguientes formas (, , o =, es decir que las
restricciones de PL siempre estn cerradas), y el objetivo debe ser de
maximizacin o minimizacin.
Por ejemplo, el siguiente problema no es un problema de PL: Max X,
sujeta a . Este problema tan sencillo no tiene solucin.
2.
Puedo utilizar el mtodo grfico? La respuesta es afirmativa si la cantidad de
variables de decisin es 1 o 2.
3.
Utilice papel milimetrado. Grafique cada restriccin, una por una, como si
fueran igualdades (como si todo y , es = ) y luego trace la lnea.
4.
A medida que se crea cada lnea, divida la regin en 3 partes con respecto a cada
lnea. Para identificar la regin factible para esta restriccin en particular, elija un punto
en cualquier lado de la lnea y coloque sus coordenadas en la restriccin, si satisface la

condicin, este lado es factible, de lo contrario el otro lado es factible. En el caso de

restricciones de igualdad, slo los puntos sobre la lnea son factibles.
5.
Elimine los lados que no son factibles.
Una vez graficadas todas las restricciones, debe generarse una regin
factible no vaca (convexa), salvo que el problema sea no factible.
6.
Cree (como mnimo) dos lneas de igual valor desde la funcin objetivo, fijando
la funcin objetivo en dos nmeros distintos cualquiera. Grafique las lneas resultantes.
Al mover estas lneas paralelas, encontrar el vrtice ptimo (punto extremo), si es que
existe.
En general, si la regin factible se encuentra dentro del primer
cuadrante del sistema de coordenadas (es decir si X1 y X2 0),
entonces, para los problemas de maximizacin, usted debe mover la
funcin objetivo de igual valor (funcin iso) paralela a s misma lejos
del punto de origen (0, 0), como mnimo, teniendo a la vez un punto
en comn con la regin factible. Sin embargo, para los problemas de
minimizacin, debe realizar lo opuesto, es decir, mover la funcin
objetivo de igual valor (funcin iso) paralela a s misma acercndola
al punto de origen, a su vez teniendo como mnimo un punto en
comn con la regin factible. El punto comn proporciona la solucin
ptima.
Recuerde que las restricciones de PL proporcionan los vrtices y las
esquinas. Un vrtice es la interseccin de 2 lneas o en general, n
hiperplanos en problemas de PL con n variables de decisin. Una
esquina es un vrtice que adems es factible.
Un Ejemplo Numrico: El Problema del Carpintero
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
and both X1, X2 are non-negative.

Nota: Existe una alternativa del abordaje de la funcin objetivo de

igual valor (funcin iso) con problemas que tienen pocas restricciones
y una regin factible acotada. Primero busque todas las esquinas,
tambin llamadas puntos extremos. Luego, evale la funcin objetivo
en los puntos extremos para llegar al valor ptimo y a la solucin
ptima.
Por ejemplo, en el problema del carpintero, la regin factible convexa
proporciona los puntos extremos con las coordenadas que figuran en
la siguiente Tabla:
Valor de la Funcin Objetivo en cada Esquina o Punto Extremo
Elecciones del Decisor

Coordenadas de los Puntos

Extremos

Funcin de los
Ingresos Netos

Cantidad de Mesas o Sillas

X1, X2

5 X1 + 3 X2

No fabricar ninguna mesa ni

silla

0, 0

Fabricar todas la mesas

posibles

20, 0

100

Fabricar todas las sillas

posibles

0, 25

75

Fabricar una combinacin

10, 20
110
de productos
Dado que el objetivo es maximizar, de la tabla anterior surge que el
valor ptimo es 110, el cual se obtiene si el carpintero sigue la
estrategia ptima de X1 = 10 y X2 = 20.
La principal deficiencia del mtodo grfico es que se limita a resolver problemas
lineales que tengan slo 1 o 2 variables de decisin. Sin embargo, la conclusin

principal y til a la que podemos arribar a partir del anlisis de los mtodos grficos es
la siguiente:
Si un programa lineal tiene una regin factible acotada no
vaca, la solucin ptima es siempre uno de los puntos
extremos. .
La prueba de esta afirmacin surge de los resultados de los siguientes
dos hechos:
Hecho N 1: La regin factible de cualquier programa lineal es
siempre un conjunto convexo.
Debido a que todas las restricciones son lineales, la regin factible
(R.F.) es un polgono. Adems, este polgono es un conjunto convexo.
En cualquier problema de PL que tenga ms de dos dimensiones, los
lmites de la regin factible son partes de los hiperplanos, y la regin
factible en este caso se denomina poliedro y tambin es convexa. Un
conjunto convexo es aquel en el cual si se eligen dos puntos factibles,
todos los puntos en el segmento de la lnea recta que une estos dos
puntos tambin son factibles. La prueba de que la regin factible de
los programas lineales son siempre conjuntos convexos surge por
contradiccin. Las siguientes figuras ilustran ejemplos de los dos tipos
de conjuntos: un conjunto no convexo y un conjunto convexo.

El conjunto de la regin factible en cualquier programa lineal se

denomina poliedro y si est acotado se denomina politopo.
Hecho N 2: El valor iso de una funcin objetivo de un programa lineal
es siempre una funcin lineal.
Este hecho surge de la naturaleza de la funcin objetivo de cualquier
problema de PL. Las siguientes figuras ilustran las dos clases tpicas
de funciones objetivo de igual valor (funcin iso).

De la combinacin de los dos hechos expresados arriba surge que si

un programa lineal tiene una regin factible acotada no vaca, la
solucin ptima es siempre uno de los puntos extremos.
Para superar la deficiencia del mtodo grfico, utilizaremos esta
conclusin til y prctica en el desarrollo de un mtodo algebraico
aplicable a problemas de PL multidimensionales.
La convexidad de la regin factible de los programas lineales facilita
la resolucin de problemas de PL. Debido a esta propiedad y a la
linealidad de la funcin objetivo, la solucin es siempre uno de los
vrtices. Asimismo, dado que la cantidad de vrtices es limitada, todo
lo que debemos hacer es buscar todos los vrtices factibles y luego
evaluar la funcin objetivo en dichos vrtices para encontrar el punto
ptimo.
En el caso de programas no lineales, el problema es mucho ms difcil
de resolver porque la solucin podra estar en cualquier parte dentro
de la regin factible, en el lmite de la regin factible o en un vrtice.
Por suerte, la mayora de los problemas de optimizacin empresarial
son lineales y es por eso que la PL es tan popular. Hoy en da, existen
ms de 400 paquetes de software en el mercado para resolver
problemas de PL. La mayora se basa en la bsqueda de vrtices. Esto
equivale a pasar de un vrtice a otro cercano en busca de un punto
ptimo.
Vnculo entre Programacin Lineal y Sistemas de Ecuaciones
George Dantzig la programacin lineal es estrictamente "la teora y la solucin de
sistemas lineales de desigualdad". Probablemente ya ha notado que las soluciones
bsicas de un programa lineal son las soluciones de los sistemas de ecuaciones que
constan de restricciones en una posicin obligatoria.
Por ejemplo, en el caso del Problema del Carpintero, se pueden
calcular todas las soluciones bsicas, tomando dos ecuaciones
cualquiera y resolvindolas al mismo tiempo. Luego, se utilizan las
restricciones de las otras ecuaciones para verificar la factibilidad de
esta solucin. Si es factible, esta solucin es una solucin bsica
factible que proporciona las coordenadas de un punto extremo de la
regin factible. Para ilustrar el procedimiento, considere las
restricciones del Carpintero en la posicin obligatoria (es decir todas
con signo =):
2X1 + X2 = 40
X1 + 2X2 = 50
X1 = 0
X2 = 0
Aqu tenemos 4 ecuaciones con 2 incgnitas. Existen como mximo
C42 = 4! / (2! 2!) = 6 soluciones bsicas. Si resolvemos los seis
sistemas de ecuaciones resultantes tenemos:
Seis Soluciones Bsicas con Cuatro Soluciones Bsicas Factibles
X1 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 3.
El problema convertido es:
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y 0,
-X1 - 3X2 + 4y 3,
X1 0,
X2 0,
and y 0.
La solucin ptima para las variables originales es: X1 = 3/2 - 3 =
-3/2, X2 = 3/2 - 0 = 3/2, con valor ptimo de 3/2.
Para detalles acerca de los algoritmos de solucin, visite el sitio Web
Artificial-Free Solution Algorithms, ejemplo N 7.
Implementaciones de Computacin con el Paquete WinQSB
Utilice el mdulo LP/ILP de su paquete WinQSB para cumplir dos objetivos: resolver
grandes problemas y realizar experimentos numricos para comprender los conceptos
presentados en las secciones LP y ILP.
Tipo de variable: seleccione el tipo de variable desde la pantalla
"Problem Specification" (Especificacin del Problema) (la primera
pantalla que aparece al ingresar un nuevo problema); para
programacin lineal, utilice la opcin predeterminada "Continuous"
(Continua).
Formato de datos de entrada: seleccione el formato de datos de
entrada desde la pantalla "Problem Specification" (Especificacin del
Problema). Normalmente, es preferible utilizar el formato Matrix
(Matriz) para ingresar los datos. En el formato Normal, el modelo
aparece ya ingresado. Este formato puede ser ms conveniente
cuando se debe resolver un problema grande con muchas variables.
Puede desplazarse por los formatos seleccionando el botn "Switch to
the" (Cambiar a ...) del men Format (Formato).
Identificacin de Variables / Restricciones: es conveniente
cambiar los nombres de las variables y las restricciones para facilitar
la identificacin del contexto que representan. Los nombres de las
variables y las restricciones se pueden cambiar desde el men Edit
(Edicin).
Autoajuste de ancho de columnas (Best Fit): Con el botn "best
fit" del men Format (Formato) cada columna puede tener su propio
ancho.
Resolver buscando la solucin ptima (si es que existe):
Seleccione "Solve the problem" (Resolver el problema) desde el men
"Solve and Analyze" (Resolver y Analizar), o utilice el cono "Solve"
(Resolver) que se encuentra en la parte superior de la pantalla. Esto
genera un "Combined Report" (Informe Combinado) que brinda la
solucin y los resultados adicionales (reduccin de costos, rangos de
optimalidad, holgura / excedente, rango de factibilidad y precios
sombra).

Resolver mediante el Mtodo Grfico: seleccione el mtodo

grfico desde el men "Solve and Analyze" (Resolver y Analizar) (slo
se puede utilizar para problemas de dos variables). Tambin puede
hacer clic en el cono Graph (Grfico) en la parte superior de la
pantalla. Puede ajustar los rangos X-Y despus de resolver el
problema y de que aparezca el grfico. Elija el men Option (Opcin)
y seleccione los nuevos rangos desde la lista desplegable.
Soluciones Optimas Alternas (si es que existen): despus de
resolver el problema, si aparece un mensaje que le informa:
"Alternate solution exists!!" (Existe una solucin alterna!!), para ver
todas las soluciones ptimas de los puntos extremos elija el men
Results (Resultados) y luego seleccione "Obtain alternate optimal"
(Obtener ptimo alterno). Visite tambin la seccin Soluciones
Mltiples de este sitio Web para ver algunas advertencias.
Notas:
Utilice el archivo de Ayuda ("Help") del paquete WinQSB para
aprender cmo funciona.
Para ingresar problemas en el software QSB; para una restriccin tal
como X1 + X2 50, el coeficiente es 1 y debe ingresarse de esta
manera en el software. Para cualquier variable que no se utilice en
esa restriccin en particular (por ejemplo si el problema tuviera X3
pero no fuera parte de la restriccin mencionada) simplemente deje
la celda en blanco para esa restriccin.
Puede cambiar la direccin de una restriccin haciendo clic en la
celda.
Para construir el dual de un determinado problema, haga clic en
Format (Formato), luego seleccione "Switch to the Dual Form"
(Cambiar a la forma dual).
Cmo Resolver un Sistema de Ecuaciones Lineales Utilizando
un Software de PL?
Ya dijimos que en el Mtodo Algebraico de resolucin de problemas de PL, debemos
resolver algunos sistemas de ecuaciones. Por consiguiente, existe un vnculo entre los
paquetes de software para resolver problemas de PL y aquellos que sirven para resolver
sistemas de ecuaciones. Supngase que tenemos un sistema de ecuaciones muy grande
que queremos resolver y tenemos un paquete de software de resolucin de problemas de
PL pero no tenemos ningn paquete de resolucin de sistemas de ecuaciones. La
pregunta es "Cmo se puede utilizar un paquete de software de PL para encontrar la
solucin de un sistema de ecuaciones?" Los siguientes pasos esbozan el proceso de
resolucin de cualquier sistema de ecuaciones lineales mediante un paquete de
resolucin de problemas de PL.
1- Debido a que los paquetes de resolucin de problemas de PL
requieren que todas las variables sean no negativas, por cada
variable substituya Xi = Yi - T en todas partes.
2- Cree un objetivo artificial, como por ejemplo minimizar T
3- Las restricciones del problema de PL son las ecuaciones del
sistema despus de las sustituciones mencionadas en el paso 1.
Ejemplo numrico: resolver el siguiente sistema de ecuaciones
2X1 + X2 = 3
X1 -X2 = 3

Dado que el paquete WinQSB acepta PL en diversos formatos (a

diferencia de LINDO), la resolucin del problema utilizando WinQSB es
sencilla:
Primero, cree una PL con un objetivo artificial como por ejemplo Max
X1, sujeta a 2X1 + X2 = 3, X1 - X2 = 3, y tanto X1 como X2 sin
restriccin de signo. Luego, ingrese esta PL en el mdulo LP/ILP para
arribar a la solucin.
Si usted utiliza un paquete de software de PL que requiere que todas
las variables sean no negativas, primero substituya X1 = Y1 - T y X2
= Y2 - T en ambas ecuaciones. Tambin necesitamos una funcin
objetivo. Fijemos una funcin objetivo artificial como por ejemplo
minimizar T. El resultado es la siguiente PL:
Min T
Sujeta a:
2Y1 + Y2 - 3T = 3,
Y1 - Y2 = 3.
Utilizando cualquier software de PL, como Lindo o WinQSB, llegamos a
la solucin ptima Y1 = 3, Y2 = 0, T = 1. Ahora, sustituya esta
solucin de PL en ambas transformaciones X1 = Y1 - T y X2 = Y2 - T.
Esto nos da los valores numricos para nuestras variables originales.
Por ende, la solucin del sistema de ecuaciones es X1 = 3 - 1 = 2, X2
= 0 - 1 = -1, la cual se puede verificar fcilmente.
Problema Dual: Construccin y Significado
Asociado a cada problema (primario) de PL existe un problema correspondiente
denominado problema dual. La siguiente clasificacin de las restricciones de las
variables de decisin resulta til y fcil de recordar para construir el problema dual.
-----------------------------------------------------------------------------Construccin del Problema Dual
Objetivo: Max (por
Objetivo: Min (por
ejemplo las utilidades)
ejemplo los costos)
Tipos de restricciones:
Tipos de restricciones:
una restriccin usual
una restriccin usual
= una restriccin limitada
= una restriccin limitada
(estricta)
(estricta)
una restriccin inusual
una restriccin inusual
Tipos de variables:
0 una condicin
usual
... sin restriccin de
signo
0 una condicin
inusual
---------------------------------------------------------------------------

Existe una correspondencia uno a uno entre el tipo de restriccin y el tipo de variable
utilizando esta clasificacin de restricciones y variables tanto para los problemas
primarios como los duales.
Construccin de Problemas Duales:
- Si el problema primario es un problema de maximizacin, entonces
su problema dual es un problema de minimizacin (y viceversa).
- Utilice el tipo de variable de un problema para determinar el tipo de
restriccin del otro problema.
- Utilice el tipo de restriccin de un problema para determinar el tipo
de variable del otro problema.
-Los elementos RHS de un problema se transforman en los
coeficientes de la funcin objetivo del otro problema (y viceversa).
- Los coeficientes de la matriz de las restricciones de un problema son
la transposicin de los coeficientes de la matriz de las restricciones
del otro problema.
Puede verificar las reglas de construccin del problema dual
utilizando su paquete WinQSB.
Ejemplos Numricos:
Considere el siguiente problema primario:
min x1 - 2x2
sujeta a:
x1 + x2 2,
x1 - x2 -1,
x2 3,
x1, x2 0.
Siguiendo la regla de construccin antes mencionada, el problema
dual es:
max 2u1 - u2 + 3u3
sujeta a:
u1 + u2 1,
u1 - u2 + u3 -2,
u1 0,
u2 0,
u3 0
El Problema Dual del Problema del Carpintero:
Maximizar 5X1 + 3X2
sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
El problema dual es:
Minimizar 40U1 + 50U2
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0

Aplicaciones: usted puede utilizar la dualidad en una amplia gama

de aplicaciones tales como:
- En algunos casos, puede ser ms eficiente resolver el problema dual
que el primario.
- La solucin dual proporciona una interpretacin econmica
importante tal como los precios sombra (es decir, los valores
marginales de los elementos RHS) que son los multiplicadores
Lagrangianos que demuestran una cota (estricta) del valor ptimo del
problema primario y viceversa. Histricamente, el precio sombra se
defini como la mejora en el valor de la funcin objetivo por aumento
unitario en el lado derecho, porque el problema generalmente
adoptaba la forma de una mejora de maximizacin de utilidades (es
decir, un aumento). El precio sombra puede no ser el precio de
mercado. El precio sombra es por ejemplo el valor del recurso bajo la
"sombra" de la actividad comercial. Se puede realizar un anlisis de
sensibilidad,es decir un anlisis del efecto de pequeas variaciones
en los parmetros del sistema sobre las medidas de produccin,
calculando las derivadas de las medidas de produccin con respecto
al parmetro.
- Si una restriccin en un problema no es obligatoria (en otras
palabras, el valor LHS o valor del lado izquierdo) concuerda con el
valor RHS), la variable asociada en el problema es cero. De manera
inversa, si una variable de decisin en un problema no es cero, la
restriccin asociada en el otro problema es obligatoria. A estos
resultados se los conoce como Condiciones Complementarias de
Holgura.
- Obtener el rango de sensibilidad del RHS de un problema partiendo
del rango de sensibilidad del coeficiente de costos del otro problema
y viceversa.
Para ms detalles y ejemplos numricos, lea los siguientes artculos:
A. Benjamin, Sensible Rules for Remembering Duals_ S-O-B Method,
SIAM Review, 37, 85-87, 1995.
H. Arsham, An Artificial-Free Simplex Algorithm for General LP Models,
Mathematical and Computer Modelling, 25, 107-123, 1997.
El Problema Dual del Problema del Carpintero y su
Interpretacin
En esta seccin, construiremos el Problema Dual del Problema del Carpintero y
presentaremos la interpretacin econmica del mismo.
Recordemos los parmetros de entrada no controlables del Problema
del Carpintero:
Datos de entrada
no controlables
Mesas
Sillas
Disponible
Mano de
2
1
40
obra
Materia
1
2
50
prima
Ingresos 5
3

netos
Y su formulacin de PL
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Donde X1 y X2 representan la cantidad de mesas y sillas a fabricar.
Supngase que el Carpintero desea contratar un seguro para sus
ingresos netos. Digamos que:
U1 = el monto en dlares pagadero al Carpintero por cada hora de
trabajo perdida (por enfermedad, por ejemplo),
U2 = el monto en dlares pagadero al Carpintero por cada unidad de
materia prima perdida (por incendio, por ejemplo).
Por supuesto que el corredor de seguros intenta minimizar el monto
total de US$(40U1 + 50U2) pagadero al Carpintero por la Compaa
de Seguros. Sin embargo, como es de esperar, el Carpintero fijar las
restricciones (es decir las condiciones) para que la compaa de
seguros cubra toda su prdida que equivale a sus ingresos netos
debido a que no puede fabricar los productos. En consecuencia, el
problema de la compaa de seguros es:
Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2 5 ingresos netos por una mesa
1U1 + 2U2 3 ingresos netos por una silla
U1, U2 son no negativas.
Si implementa este problema en un paquete de software, ver que la
solucin ptima es U1 = US$7/3 y U2 = US$1/3 con el valor ptimo de
US$110 (el monto que el Carpintero espera recibir). Esto asegura que
el Carpintero pueda manejar su vida sin inconvenientes. El nico
costo es la prima que le cobra la compaa de seguros.
Como puede ver, el problema de la compaa de seguros est
estrechamente relacionado con el problema original.
Segn la terminologa del proceso de diseo de modelos de IO/CA, el
problema original se denomina Problema Primario mientras que el
problema relacionado se denomina Problema Dual
Tal como vimos en el Problema del Carpintero y su Problema Dual, el
Valor Optimo es siempre el mismo para ambos problemas. Esto se
denomina Equilibrio Econmico entre el Problema Primario y el
Problema Dual.
Errores de Redondeo cometido por los Gerentes: tenga cuidado
siempre que redondee el valor de los precios sombra. Por ejemplo, el
precio sombra de la restriccin de recursos en el problema anterior es
8/3, por ende, si usted desea comprar ms de este recurso, no
debera pagar ms de US$2.66. Sin embargo, siempre que usted
quiera vender cualquier unidad de este recurso, no debera hacerlo a
un precio inferior a US$2.67.
Podra darse un error similar si usted redondea en los lmites de los
rangos de sensibilidad. Como siempre, hay que prestar atencin

porque el lmite superior e inferior deben redondearse para abajo y

para arriba, respectivamente.
Clculo de los Precios Sombra
Ahora ya sabe que los precios sombra son la solucin del problema dual. Aqu
tenemos un ejemplo numrico.
Calcule el precio sombra para ambos recursos en el siguiente
problema de PL:
Max -X1 + 2X2
sujeta a:
X1 + X2 5
X1 + 2X2 6
tanto X1 como X2 son no negativas.
La solucin de este problema primario (utilizando por ejemplo el
mtodo grfico) es X1 = 0, X2 = 3, con el sobrante S1 = 2 del primer
recurso mientras que el segundo recurso se utiliza por completo, S2 =
0.
Los precios sombra son la solucin del problema dual:
Min 5U1 + 6U2
Sujeta a:
U1 + U2 -1
U1 + 2U2 2
tanto U1 como U2 son no negativas.
La solucin del problema dual (utilizando por ejemplo el mtodo
grfico) es U1 = 0, U2 = 1 que son los precios sombra para el primer
y el segundo recurso, respectivamente. Fjese que siempre que la
holgura / excedente de una restriccin no es cero, el precio sombra
relacionado con ese RHS de la restriccin es siempre cero, pero
puede no darse el caso contrario. En este ejemplo numrico S1 =
2 (es decir, el valor de holgura del RHS 1 del problema primario), que
no es cero; por lo tanto U1 es igual a cero tal como es de esperar.
Considere el siguiente problema:
Max X1 + X2
sujeta a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisin 0.
Utilizando un paquete de software, puede verificar que el precio
sombra para el tercer recurso es cero, mientras que no hay sobrante
de ese recurso en la solucin ptima X1 =1, X2 = 1.
Comportamiento de los Cambios en los Valores RHS del Valor
Optimo
Para estudiar los cambios direccionales en el valor ptimo con respecto a los cambios en
el RHS (sin restricciones redundantes y con todos los RHS 0) distinguimos los dos
casos presentados a continuacin:
Caso I: Problema de Maximizacin

Para restriccin de : cambio en la misma direccin. Vale decir que

un aumento en el valor RHS no produce una disminucin en el valor
ptimo sino que ste aumenta o permanece igual segn la restriccin
sea obligatoria o no obligatoria.
Para restriccin de : cambio en la direccin opuesta. Vale decir que
un aumento en el valor RHS no produce un aumento en el valor
ptimo sino que ste disminuye o permanece igual segn la
restriccin sea obligatoria o no obligatoria.
Para restriccin de =: el cambio puede ser en cualquier direccin (ver
la seccin Ms por Menos en este sitio).
Caso II: Problema de Minimizacin
Para restriccin de : cambio en la direccin opuesta. Vale decir que
un aumento en el valor RHS no produce un aumento del valor ptimo
sino que ste disminuye o permanece igual segn la restriccin sea
obligatoria o no obligatoria).
Para restriccin de : cambio en la misma direccin. Vale decir que
un aumento en el valor RHS no produce una disminucin del valor
ptimo sino que ste aumenta o permanece igual segn la restriccin
sea obligatoria o no obligatoria.
Para restriccin de =: el cambio puede ser en cualquier direccin (ver
la seccin Ms por Menos en este sitio).
Interpretacin Incorrecta del Precio Sombra
El Precio Sombra nos indica cunto cambiar la funcin objetivo si cambiamos el lado
derecho de la correspondiente restriccin. Esto normalmente se denomina "valor
marginal", "precios duales" o "valor dual" para la restriccin. Por lo tanto, el precio
sombra puede no coincidir con el "precio de mercado".
Por cada restriccin del RHS, el Precio Sombra nos indica
exactamente cunto cambiar la funcin objetivo si cambiamos el
lado derecho de la restriccin correspondiente dentro de los lmites
fijados por el rango de sensibilidad del RHS.
Por consiguiente, por cada valor RHS, el precio sombra es el
coeficiente del cambio en el valor ptimo causado por cualquier
aumento o disminucin admisible en el RHS dentro del cambio
admisible.
Precio Sombra = Cambio en el Valor Optimo / Cambio en el RHS,
Dado que el cambio en el RHS est dentro del rango de
sensibilidad.
Desafortunadamente, existen interpretaciones errneas con respecto a la definicin del
precio sombra. Una de ellas indica: "En los problemas de programacin lineal, el precio
sombra de una restriccin es la diferencia entre el valor optimizado de la funcin
objetivo y el valor de la funcin objetivo, evaluada de manera opcional, cuando el RHS
de una restriccin aumenta en una unidad". El ltimo sitio Web establece lo siguiente
"Precios Sombra: los precios sombra para un problema de programacin lineal son las
soluciones para su correspondiente problema dual. El precio sombra i es el cambio en
la funcin objetivo que resulta del aumento en una unidad en la coordenada i de b. Un
precio sombra tambin es el monto que un inversor tendra que pagar por una unidad de
un recurso para comprarle la parte al fabricante."
Un anti-ejemplo:
Considere la siguiente PL:

Max X2
sujeta a:
X1 + X2 2
2.5X1 + 4X2 10
Donde ambas variables de decisin son no negativas.
El problema tiene su solucin ptima en (0, 2) con un valor ptimo de
2.
Supngase que quiere calcular el precio sombra del primer recurso,
es decir el RHS de la primera restriccin.
Si cambiamos el RHS de la primera restriccin aumentndolo en una
unidad tenemos:
Max X2
sujeta a:
X1 + X2 3
2.5X1 + 4X2 10
donde ambas variables de decisin son no negativas.
El nuevo problema tiene la solucin ptima (0, 2.5) con un valor
ptimo de 2.5.
Entonces, pareciera "como si" el precio sombra de este recurso es 2.5
- 2 = 0.5. De hecho, el precio sombra de este recurso es 1, el cual se
puede verificar construyendo y resolviendo el problema dual.
El motivo de este error se torna obvio si observamos que el aumento
admisible para mantener la validez del precio sombra del primer
recurso es 0.5. El aumento en 1 excede el cambio admisible del
primer valor RHS.
Ahora supngase que cambiamos el mismo valor RHS en + 0.1 que es
admisible. Entonces el valor ptimo del nuevo problema es 2.1. Por
consiguiente, el precio sombra es (2.1 -2) / 0.1 = 1. Es necesario
prestar mucha atencin al calcular los precios sombra.
Si usted quiere calcular el precio sombra de un valor RHS sin tener su
rango de sensibilidad, puede obtener los valores ptimos de dos
perturbaciones como mnimo. Si el ndice de cambio en ambos casos
arroja los mismos valores, entonces este ndice es realmente el precio
sombra. A modo de ejemplo, supngase que perturbamos el RHS de
la primera restriccin en +0.02 y -0.01. Si resolvemos el problema
despus de estos cambios utilizando un software de PL, obtenemos
los valores ptimos de 2.02 y 1.09, respectivamente. Como el valor
ptimo para el problema nominal (sin ninguna perturbacin) es igual
a 2, el ndice de cambio para los dos casos es: (2.02 - 2)/0.02 = 1, y
(1.09 - 2)/(-0.01) = 1, respectivamente. Como estos dos ndices
coinciden, podemos concluir que el precio sombra del RHS de la
primera restriccin es de hecho igual a 1.
El Precio Sombra es Siempre No Negativo?
Probablemente se est preguntando si el precio sombra de un valor RHS es siempre no
negativo. Todo depende de la formulacin del problema primario y de su
correspondiente dual. Lo importante es recordar que el precio sombra de un
determinado valor RHS es el ndice de cambio del valor ptimo con respecto al cambio
en ese RHS, dado que el cambio se encuentra dentro de los lmites de ese RHS.
Considere el siguiente ejemplo numrico:

Max 3X1 + 5X2

Sujeta a:
X1 + 2X2 50
-X1 + X2 10
X1, X2 son no negativas.
Nos interesa saber el precio sombra del valor del RHS 2 = 10. El
problema dual es:
Min 50U1 + 10U2
Sujeta a:
U1 - U2 3
2U1 + U2 5
U1 0, mientras que U2 0
Esto se puede verificar con el software WinQSB. La solucin del
problema dual es U1 = 8/3, U2 = -1/3. Por lo tanto, el precio sombra
del valor RHS 2 = 10 es U2 = -1/3. Es decir que por cada aumento
(disminucin) unitario en el RHS2, el valor ptimo del problema
primario disminuye (aumenta) en 1/3, dado que el cambio en RHS 2
est dentro de los lmites de sensibilidad.
Para otra versin del mismo problema primario, fjese que el problema
puede escribirse de la misma manera, cambiando la direccin de la
segunda restriccin de desigualdad:
Max 3X1 + 5X2
Sujeta a:
X1 + 2X2 50
X1 - X2 -10
X1, X2 son no negativas.
El problema dual de este problema primario ahora es:
Min 50Y1 - 10Y2
Sujeta a:
Y1 + Y2 3
2Y1- Y2 5
tanto Y1 como Y2 son no negativas
Nuevamente, la formulacin dual puede verificarse utilizando el
software WinQSB. La solucin de este problema dual es Y1 = 8/3 y Y2
= 1/3. Entonces, el precio sombra del valor del RHS 2 = -10 es Y2 =
1/3. Vale decir que por cada aumento (disminucin) unitario en el
valor RHS 2, el valor ptimo del problema primario aumenta
(disminuye) en 1/3, dado que el cambio en RHS 2 esta dentro de los
lmites de sensibilidad.
Como ya debe haber notado, ambos problemas duales son iguales al
sustituir U1 = Y1, y U2 = -Y2. Esto significa que los precios sombra
obtenido para RHS 2 = 10, y RHS 2 = -10 tienen el mismo valor con el
signo opuesto (como es de esperar). Por ende, , el signo del precio
sombra depende de cmo se formule el problema dual , aunque el
significado y su interpretacin son siempre los mismos.
Precios Sombra Alternativos
Supngase que tenemos una PL que tiene una nica solucin ptima. Es posible tener
ms de un conjunto de precios duales?

S, es posible. Considere el siguiente problema:

Min 16X1 + 24X2
sujeta a:
X1 + 3X2 6
2X1 + 2X2 4
todas las variables de decisin 0.
Su dual es:
Max 6U1 + 4U2
sujeta a:
U1 + 2U2 16
3U1 + 2U2 24
todas las variables de decisin 0,
Este problema dual tiene diversas soluciones alternativas, tales como,
(U1 = 8, U2 = 0) y (U1 = 4, U2 = 6). Todas las combinaciones
convexas de estos dos vrtices tambin son soluciones.
Existen casos generales para los cuales los precios sombra no son
nicos. Como en el ejemplo anterior, siempre que exista redundancia
entre las restricciones, o si la solucin ptima es "degenerada", puede
haber ms de un conjunto de precios duales. En general, las
restricciones lineales independientes son condicin suficiente para
que exista un nico precio sombra.
Considere el siguiente problema de PL con una restriccin
redundante:
Max 10X1 + 13X2
sujeta a:
X1 + X2 = 1
X1 + X2 = 1
X1+2X2 = 2
y todas las variables son no negativas.
Si corremos el problema dual en Lindo vemos que X1 = 0, X2 = 1, con
precios sombra (0, 13, 0).
Si utilizamos WinQSB para este problema, obtenemos X1 = 0, X2 = 1
con distintos precios sombra (0, 7, 3).
En el caso de redundancia, los precios sombra obtenidos con un
paquete de PL pueden no coincidir con aquellos obtenidos con otro
paquete de software.
Manejo de Incertidumbres mediante Modelacin de
Escenarios:
Anlisis de Sensibilidad y Anlisis de Especificidad
El entorno comercial muchas veces es impredecible e incierto debido a factores tales
como cambios econmicos, reglamentaciones pblicas, dependencia de subcontratistas
y proveedores, etc. Los gerentes generalmente se ven inmersos en un entorno dinmico
e inestable donde aun los planes a corto plazo deben re-evaluarse constantemente y
ajustarse de manera incremental. Todo esto requiere una mentalidad orientada al cambio
para hacer frente a las incertidumbres. Recuerde que las sorpresas no forman parte de
una decisin slida.
El hombre utiliza construcciones (modelos) matemticas e
informticas para una variedad de entornos y propsitos, con

frecuencia para conocer los posibles resultados de uno o ms planes

de accin. Esto puede relacionarse con inversiones financieras,
alternativas de seguros (asegurar o no asegurar/cunto), prcticas
industriales e impactos ambientales. El uso de modelos se ve
perjudicado por la inevitable presencia de incertidumbres, que surgen
en distintas etapas, desde la construccin y corroboracin del modelo
en s hasta su uso. Normalmente su uso es el culpable.
Toda solucin a un problema de toma de decisiones se basa en
determinados parmetros que se presumen como fijos. El anlisis de
sensibilidad es un conjunto de actividades posteriores a la solucin
que sirven para estudiar y determinar qu tan sensible es la solucin
a los cambios en las hiptesis. Estas actividades tambin se
denominan anlisis de estabilidad, anlisis what-if o de hiptesis,
modelacin de escenarios, anlisis de especificidad, anlisis de
incertidumbre, anlisis de inestabilidad numrica, inestabilidad
funcional y tolerancia, anlisis de post optimalidad, aumentos y
disminuciones admisibles y muchos otros trminos similares que
reflejan la importancia de esta etapa del proceso de modelacin. Por
ejemplo, anlisis de sensibilidad no es el trmino tpico empleado en
la econometra para referirse al mtodo de investigacin de la
respuesta de una solucin frente a perturbaciones en los parmetros.
En econometra, esto se denomina esttica comparativa o dinmica
comparativa, segn el tipo de modelo en cuestin.
Se puede hacer frente a las incertidumbres de una manera ms
"determinista". Este abordaje tiene distintos nombres tales como
"modelacin de escenarios", "modelacin determinista", "anlisis de
sensibilidad" y "anlisis de estabilidad". La idea es generar, de
manera subjetiva, una lista ordenada de incertidumbres importantes
que supuestamente podran tener un mayor impacto sobre el
resultado final. Esto se lleva acabo antes de focalizarse en los detalles
de cualquier "escenario" o modelo.
Resulta vital comprender la influencia de lo antedicho en el plan de
accin sugerido por el modelo por las siguientes razones:
Pueden presentarse distintos niveles de aceptacin (por el pblico en
general, por los decisores, por las partes interesadas) a distintos tipos
de incertidumbre.
Distintas incertidumbres tienen distintos impactos sobre la
confiabilidad, robustez y eficiencia del modelo.
La relevancia del modelo (su correspondencia con la tarea) depende
en gran medida del impacto de la incertidumbre sobre el resultado del
anlisis. Las sorpresas no forman parte de las decisiones ptimas
slidas.
Existen numerosos ejemplos de entornos donde esto es aplicable,
tales como:

Construccin de indicadores (econmicos / ambientales)

Anlisis y pronstico de riesgo (ambiental, financiero, de seguros,...)

Optimizacin y calibracin de modelos (per se)

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

Toma de decisiones o desarrollo de recomendaciones para

decisores:

Para probar la solidez de una solucin ptima. Las sorpresas no forman parte de
las decisiones ptimas slidas.

Para identificar los valores crticos, umbrales, o valores de equilibrio donde

cambia la estrategia ptima.

Para identificar sensibilidad o variables importantes.

Para investigar soluciones sub-ptimas.

Para desarrollar recomendaciones flexibles que dependan de las circunstancias.

Para comparar los valores de las estrategias de decisin simples y complejas.

Para evaluar el riesgo de una estrategia o escenario.

Comunicacin:

Para formular recomendaciones ms crebles, comprensibles, contundentes o

persuasivas.

Para permitir a los decisores seleccionar hiptesis.

Para comunicar una falta de compromiso a una nica estrategia.

El decisor debe incorporar algunas otras perspectivas del problema tal como
perspectivas culturales, polticas, psicolgicas, etc. en las recomendaciones del
cientfico de administracin.
Aumentar la comprensin o aptitud del sistema:

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

Para comprender la relacin entre las variables de entrada y las de salida. Para
desarrollar pruebas de las hiptesis.
Desarrollo del modelo:

Para probar la validez o precisin del modelo.

Para buscar errores en el modelo

Para simplificar el modelo.

Para calibrar el modelo.

Para hacer frente a la falta o insuficiencia de datos.

Para priorizar la adquisicin de informacin.

Lista abreviada de casos en los que se debe considerar la
realizacin de un anlisis de sensibilidad:
1.
Con el control de los problemas, el anlisis de sensibilidad puede facilitar la
identificacin de regiones cruciales en el espacio de los parmetros de entrada.
2.
En ejercicios de seleccin, el anlisis de sensibilidad sirve para localizar algunos
parmetros influyentes en sistemas con cientos de datos de entrada inciertos.
3.
Se utilizan tcnicas de anlisis de sensibilidad basados en varianza para
determinar si un subconjunto de parmetros de entrada puede representar (la mayor
parte de) la varianza de salida.
4.
El punto (3) puede utilizarse para la reduccin del mecanismo (descartar o
corregir partes no relevantes del modelo) y para la extraccin de un modelo (construir
un modelo a partir de otro ms complejo). Ver tambin el problema de la "relevancia"
del modelo: los parmetros del conjunto de entrada del modelo son relevantes con
respecto a la tarea del modelo?
5.
El punto (3) tambin puede utilizarse para la identificacin del modelo
identificando las condiciones experimentales para las cuales su capacidad para
discriminar dentro del modelo se encuentra en su punto mximo.
6.
Al igual que en el punto (5), el anlisis de sensibilidad puede utilizarse para la
calibracin del modelo, para determinar si los experimentos con sus incertidumbres

relacionadas permitirn la estimacin de los parmetros. Esto es particularmente til

frente a problemas mal condicionados (mal formulados).
7.
El anlisis de sensibilidad puede complementarse con algoritmos de bsqueda /
optimizacin; identificando los parmetros ms importantes, el anlisis de sensibilidad
puede permitir que se reduzca la dimensionalidad del espacio donde se realiza la
bsqueda.
8.
Como una herramienta de aseguramiento de calidad, el anlisis de sensibilidad
asegura que la dependencia de la salida (resultado) de los parmetros de entrada del
modelo tenga una similitud fsica y una explicacin.
9.
Para resolver un problema inverso, el anlisis de sensibilidad sirve como una
herramienta para extraer parmetros incorporados en modelos cuyos resultados no se
correlacionan fcilmente con la entrada desconocida (por ejemplo en cintica qumica,
para extraer las constantes cinticas de sistemas complejos a partir del ndice de
rendimiento de los componentes).
10.
Para asignar recursos en el rea de I&D de manera ptima, el anlisis de
sensibilidad muestra donde vale la pena invertir a fin de reducir el rango de
incertidumbre del modelo.
11.
El anlisis de sensibilidad puede determinar cuantitativamente qu parte de la
incertidumbre de mi prediccin se debe a incertidumbre paramtrica de la estimacin y
cunto a incertidumbre estructural.
Errores de redondeo cometido por los gerentes: como siempre, se
debe prestar atencin al redondear el valor de los lmites de los
rangos de sensibilidad. El lmite superior y el lmite inferior deben
redondearse hacia abajo y hacia arriba respectivamente para que
sean vlidos.
Anlisis de sensibilidad vs. programacin estocstica: el
anlisis de sensibilidad y las formulaciones de programacin
estocstica son los dos principales enfoques para manejar la
incertidumbre. El anlisis de sensibilidad es un procedimiento de post
optimalidad que no puede influir en la solucin. Sirve para investigar
los efectos de la incertidumbre sobre la recomendacin del modelo.
Por otro lado, la formulacin de programacin estocstica introduce
informacin probabilstica acerca de los datos del problema, a pesar
de los primeros momentos (es decir los valores esperados) de la
distribucin de la funcin objetivo con respecto a la incertidumbre.
Esto ignora las evaluaciones de riesgo del decisor, caracterizadas por
la varianza o el coeficiente de variacin.
Clculo de Rangos de Sensibilidad para Problemas Pequeos
Para calcular los rangos de sensibilidad de problemas de PL con 2 variables de decisin
como mximo y/o 2 restricciones como mximo, puede probar alguno de los siguientes
abordajes de fcil uso.
La nica restriccin es que no se permiten restricciones de
igualdad.Tener una restriccin de igualdad implica degeneracin,
porque cada restriccin de igualdad, por ejemplo, X1 + X2 = 1,
significa dos restricciones simultneas: X1 + X2 1 , y X1 + X2 1.
Entonces, la cantidad de restricciones obligatorias en tal caso ser
mayor a la cantidad de variables de decisin. Esto se denomina
situacin degenerada para la cual el anlisis de sensibilidad normal
no es vlido.

Rango de Sensibilidad de Costos para Problemas de PL con

dos Variables de Decisin
Volviendo al Problema del Carpintero, si cambiamos la ganancia de
cada producto, cambia la pendiente de la funcin objetivo de igual
valor (funcin iso). Para "pequeos" cambios, el ptimo permanece en
el mismo punto extremo. Para cambios mayores, la solucin ptima
se desplaza a otro punto. Por consiguiente, tenemos que modificar la
formulacin y resolver un nuevo problema.
El problema es encontrar un rango para cada coeficiente de costos
c(j), de la variable Xj, de manera que la solucin ptima actual, es
decir el punto extremo actual (esquina) siga siendo ptimo.
Para un problema de PL de 2 dimensiones, puede probar el sencillo
abordaje que presentamos a continuacin para saber cul es la
cantidad de aumento/disminucin de cualquier coeficiente de la
funcin objetivo (tambin conocidos como coeficientes de costos
porque histricamente durante la Segunda Guerra Mundial, el primer
problema de PL fue un problema de minimizacin de costos) a fin de
mantener la validez de la solucin ptima actual. La nica condicin
requerida para este abordaje es que no se permiten restricciones de
igualdad, ya que esto implicara degeneracin, para lo cual el anlisis
de sensibilidad tradicional no es vlido.
Paso 1: Considere las nicas dos restricciones obligatorias de la
solucin ptima actual. Si hay ms de dos restricciones obligatorias,
hay degeneracin, en cuyo caso el anlisis de sensibilidad tradicional
no es vlido.
Paso 2: Perturbe el coeficiente de costos j por el parmetro cj (esta
es la cantidad desconocida de cambios).
Paso 3: Construya una ecuacin correspondiente a cada restriccin
obligatoria, como figura a continuacin:
(Costo Cj perturbado) / coeficiente de Xj en la restriccin =
Coeficiente de la otra variable en la funcin objetivo / coeficiente de
esa variable de la restriccin.
Paso 4: La cantidad de aumento admisible es el cj positivo menor
posible, mientras que la disminucin admisible es el cj negativo
mayor posible obtenido en el Paso 3.
Fjese que si no hay cj positivo (negativo), la cantidad de aumento
(disminucin) es ilimitada.
Advertencias:
1.
Recuerde que nunca debe dividir por cero. Dividir por cero es una falacia comn
en algunos libros de texto. Por ejemplo en Introduction to Management Science, de
Taylor III, B., 6th Ed., Prentice Hall, 1999, the author, unfortunately, divides by zero on
page 189.
2.
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?
3.
a) cualquier nmero divido por cero es indefinido;
4.
b) cero divido por cualquier nmero es cero; o
5.
c) cualquier nmero dividido por s mismo es 1
6.
Comnmente se cree que se puede calcular el rango de sensibilidad al costo
acotando la pendiente (perturbada) de la funcin objetivo (funcin iso) por las

pendientes de las dos lneas resultantes de las restricciones obligatorias. Este mtodo
grfico basado en las pendientes est descripto en de An Introduction to Management
Science, by Anderson D., y Williams T., 9 Ed., West Publisher, 2000, (Seccin 3.2).
Lamentablemente, esto es confuso. Debera advertirse que este abordaje no es general y
funciona si y slo si los coeficientes no cambian de signo.
Por ejemplo, si aplicamos este abordaje en la construccin del rango
de sensibilidad de los coeficientes de costos del siguiente problema;
Maximizar 5X1 + 3X2
Sujeta a: X1 + X2 2, X1 - X2 0, X1 0, X2 0
Obtenemos rangos incorrectos. Visite el sitio Web Myths and
Counterexamples in Mathematical Programming para ver ilustraciones
y una explicacin de este anti-ejemplo.
El problema del carpintero:
Maximice 5X1 + 3X2
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Clculo del incremento/disminucin permisibles de C1 = 5: Las
restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
(5 + c1)/2 = 3/1, para la primera restriccin, y (5 + c1)/1 = 3/2 para
la segunda restriccin. Resolviendo estas dos ecuaciones se obtiene:
c1 = 1 y c1 = -3.5. Por lo tanto, el incremento permisible es 1,
mientras que la disminucin permisible es 1.5. Por lo tanto, mientras
el primer coeficiente de costo C1 permanezca dentro del intervalo [ 5
- 3.5, 5 + 1] = [1.5, 6], contina la solucin ptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se
obtiene el rango de sensibilidad [2.5, 10].
Consideremos el problema anterior con otro ejemplo:
Maximice 5X1 + 3X2
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Clculo del incremento/disminucin permisibles de C1 = 5: Las
restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
(5 + c1)/1 = 3/1, para la primera restriccin y (5 + c1)/1 = 3/(-1) para
la segunda restriccin. Resolviendo estas dos ecuaciones se obtiene:
c1 = -2 y c1 = -8. Por lo tanto, la disminucin permisible es 2,
mientras que el incremento permisible es ilimitado. Por lo tanto,
mientras el primer coeficiente de costo C1 permanezca dentro del
intervalo [ 5 - 2, 5 + ] = [3, ], contina la solucin ptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se
obtiene el rango de sensibilidad [3 - 8, 3 + 2] = [-5, 5].

Rango de sensibilidad del lado derecho para problemas de PL

con dos restricciones como mximo
En el Problema del Carpintero, cuando se efectan cambios menores
en cualquiera de los recursos, la estrategia ptima (es decir, hacer el
producto mixto) sigue siendo vlida. Cuando los cambios son
mayores, esta estrategia ptima cambia y el Carpintero debe, hacer
todas las mesas o las sillas que pueda. Este es un cambio drstico de
estrategia; por lo tanto, tenemos que revisar la formulacin y resolver
un nuevo problema.
Adems de la informacin necesaria que antes se mencion, tambin
nos interesa saber cunto puede vender (o comprar) el Carpintero de
cada recurso a un precio (o costo) "razonable". Es decir, hasta dnde
se puede incrementar o disminuir el RHS(i) con un valor i fijo,
mientras se mantiene la validez del precio sombra corriente del
RHS(i)? Es decir, hasta dnde se puede incrementar o disminuir el
RHS(i) con un valor i fijo mientras se mantiene la solucin ptima
corriente para el problema dual?
Histricamente, el precio sombra se defini como la mejora en el
valor de la funcin objetivo por incremento unitario en el lado derecho
porque con frecuencia el problema se pone en la forma de mejora de
maximizacin de utilidad (en el sentido de incremento).
Asimismo, con cualquier RHS, el precio sombra (tambin conocido
como su valor marginal), es la cantidad de cambio en el valor ptimo
proporcional a una unidad de cambio para ese RHS en particular. Sin
embargo, en algunos casos no se permite cambiar tanto el RHS. El
rango de sensibilidad del RHS proporciona los valores para los que el
precio sombra tiene significado econmico y permanece sin cambios.
Hasta dnde se puede incrementar o disminuir cada RHS individual
manteniendo la validez de los precios sombra? Esta frase equivale a
preguntar cul es el rango de sensibilidad para el coeficiente de costo
en el problema dual.
El dual del Problema del Carpintero es:
Minimice 40U1 + 50U2
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0
La solucin ptima es U1 = 7/3 y U2 = 1/3 (que son los precios
sombra).
El Problema del Carpintero:
Maximice 5X1 + 3X2
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Clculo del Rango para RHS1: Las primeras dos restricciones son
obligatorias, por lo tanto:

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

De la resolucin de estas dos ecuaciones se obtiene: r1 = 60 y r1 =
-15. Por lo tanto, el rango de sensibilidad para el primer RHS en el
problema del carpintero es: [40-15, 40 + 60] = [25, 100].
De modo similar, para el segundo RHS, se obtiene: [50 - 30, 50 + 30]
= [20, 80].
Qu es la Regla del 100% (regin de sensibilidad)
El rango de sensibilidad que se present en la seccin anterior es un anlisis del tipo
"what-if" o de hiptesis del tipo de "un cambio por vez". Consideremos el problema del
Carpintero; supongamos que queremos hallar los incrementos permisibles simultneos
de RHS ( r1, r2 0). Existe un mtodo sencillo de aplicar que se conoce como "la regla
del 100%" que establece que los precios sombra no cambian si se da la siguiente
condicin suficiente:
r1/60 + r2/30 1, 0 r1 60, 0 r2 30.
Aqu, 60 y 30 son los incrementos permisibles de los RHS, basados en
la aplicacin del anlisis de sensibilidad ordinario. Es decir, siempre
que el primer y el segundo RHS aumentan r1, y r2 respectivamente,
mientras esta desigualdad contine, los precios sombra para los
valores del lado derecho permanecen sin cambios. Obsrvese que
sta es una condicin suficiente porque, si se viola esta condicin,
entonces los precios sombra pueden cambiar o an as seguir iguales.
El nombre "regla del 100%" surge evidente cuando se observa que en
el lado izquierdo de la condicin, cada trmino es un nmero no
negativo menor que uno, que podra representarse como un
porcentaje de cambio permisible. La suma total de estos cambios no
debera exceder el 100%.
Aplicando la regla del 100% a los otros tres cambios posibles en los
RHS se obtiene:
r1/(-15) + r2/(-30) 1, -15 r1 0, -30 r2 0.
r1/(60) + r2/(-30) 1, 0 r1 60, -30 r2 0.
r1/(-15) + r2/(30) 1, -15 r1 0, 0 r2 30.
La siguiente Figura ilustra la regin de sensibilidad de ambos valores
RHS como resultado de la aplicacin de la regla del 100% al problema
del Carpintero.

Desde un punto de vista geomtrico, obsrvese que el poliedro con

los vrtices (60, 0), (0, 30), (-15, 0) y (0,-30) en la Figura es slo un
subconjunto de una regin de sensibilidad ms grande para los

cambios en ambos RHS. Por lo tanto, permanecer dentro de esta

regin de sensibilidad es slo una condicin suficiente (no necesaria)
para mantener la validez de los precios sombra actuales.
Pueden obtenerse resultados similares para los cambios simultneos
de los coeficientes de costos. Por ejemplo, supongamos que
queremos hallar la disminucin permisible simultnea en 1 y los
incrementos en 2, , es decir, el cambio en ambos coeficientes de costo
de 1 0 y c2 0.
La regla del 100% establece que la base corriente sigue siendo
ptima siempre que:
c1/(-3.5) + c2/7 1, -3.5 c1 0, 0 c2 7.
Donde 3.5 y 7 son la disminucin y el incremento permisibles de los
coeficientes de costo 1 y C2, respectivamente, que se hallaron
anteriormente mediante la aplicacin del anlisis de sensibilidad
ordinario. , respectively, that we found earlier by the application of
the ordinary sensitivity analysis.
La Figura anterior tambin ilustra todas las otras posibilidades de
incrementar/disminuir los valores de ambos coeficientes de costos
como resultado de la aplicacin de la regla del 100%, mientras se
mantiene al mismo tiempo la solucin ptima corriente para el
problema del Carpintero.
Como otro ejemplo numrico, consideremos el siguiente problema:
Maximice 5X1 + 3X2
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Quizs recuerden que ya hemos calculado los rangos de sensibilidad
con un cambio por vez para este problema en la seccin Clculo de
Rangos de Sensibilidad. El rango de sensibilidad para el primer
coeficiente de costo es [ 5 - 2, 5 + ] = [3, ], mientras que para el
segundo coeficiente de costo es [3 - 8, 3 + 2] = [-5, 5]. Se debera
poder reproducir una figura similar a la anterior ilustrando todas las
otras posibilidades de incrementar/disminuir ambos valores de
coeficientes de costos como resultado de la aplicacin de la regla del
100%, mientras al mismo tiempo se mantiene la solucin ptima
corriente para este problema.
Claramente, la aplicacin de la regla del 100%, en la forma en que
aqu se la presenta, es general y puede extenderse a cualquier
problema de PL de mayor magnitud. Sin embargo, a medida que
aumenta la magnitud del problema, este tipo de regin de
sensibilidad se reduce y por lo tanto, resulta menos til para la
gestin. . Existen tcnicas ms poderosas y tiles (que proporcionan
condiciones necesarias y suficientes a la vez) para manejar cambios
simultneos dependientes (o independientes) de los parmetros. Para
realizar un estudio abarcador de los distintos tipos de anlisis de
sensibilidad en PL con ejemplos numricos ilustrativos, consltese el
siguiente artculo:

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

approach to sensitivity, parametric tolerance, and more-for-less
analysis, Mathematical and Computer Modelling, 12, 1437-1446,
1990.
Aadir una nueva restriccin
El proceso: Introduzca la solucin ptima corriente en la restriccin recin aadida. Si
la restriccin no se viola, la nueva restriccin NO afecta la solucin ptima. De lo
contrario, el nuevo problema debe resolverse para obtener la nueva solucin ptima.
Suprimir una restriccin
El proceso: Determine si la restriccin es obligatoria (es decir, activa, importante)
hallando si el valor de holgura/excedente es cero. Si es obligatoria, la supresin puede
cambiar la solucin ptima corriente. Suprima la restriccin y resuelva el problema. De
lo contrario (si no es una restriccin obligatoria), la supresin no afectar la solucin
ptima.
Reemplazar una restriccin
Supongamos que se reemplaza una restriccin por una nueva. Cul es el efecto de este
intercambio?
El proceso: Determine si la restriccin previa es obligatoria (es decir, activa,
importante) hallando si el valor de holgura/excedente es cero. Si es obligatoria, el
reemplazo puede afectar la solucin ptima corriente. Reemplace la restriccin y
resuelva el problema. De lo contrario (si no es una restriccin obligatoria), determine si
la solucin corriente satisface la nueva restriccin. Si la satisface, entonces este
intercambio no afectar la solucin ptima. De lo contrario (si la solucin corriente no
satisface la nueva restriccin), reemplace la restriccin anterior por la nueva y resuelva
el problema.
Aadir una variable (por ejemplo, introducir un nuevo
producto)
El proceso: Construya la nueva restriccin del problema solucin ptima corriente es
ptima), de lo contrario produzca el nuevo producto (la solucin ptima corriente ya no
es ms ptima). Para determinar el nivel de dual. Inserte la solucin dual en esta
restriccin. Si la restriccin se satisface, NO produzca el nuevo producto (la produccin
del nuevo producto (es decir, una solucin ptima mejor) resuelva el siguiente
problema.
Suprimir una variable (es decir, cancelar un producto)
El proceso: Si para la solucin ptima corriente, el valor de la variable suprimida es
cero, entonces la solucin ptima corriente sigue siendo la ptima sin incluir la variable.
De lo contrario, suprima la variable de la funcin objetivo y las restricciones, y luego
resuelva el problema.
Problema de asignacin ptima de recursos
Como los recursos son siempre escasos, a los gerentes les preocupa el problema de la
asignacin ptima de los recursos. Se recordar que en el Problema del Carpintero se
trataron ambos recursos como parmetros, es decir, como valores numricos fijos:
Maximice 5 X1 + 3 X2
Sujeta a:

2 X1 + X2 40, restriccin de mano de obra

X1 + 2 X2 50, restriccin de material
y ambas X1, X2 son no negativas.
Recordarn asimismo que habitualmente las restricciones se
clasifican como restricciones del tipo de recurso o de produccin. Es
un hecho que en la mayora de los problemas de maximizacin, las
restricciones de recursos forman parte natural del problema, mientras
que en el problema de minimizacin, las restricciones de produccin
son la parte ms importante del problema.
Supongamos que desea hallar la mejor asignacin del recurso mano
de obra para el Carpintero. En otras palabras, cul es el mejor
nmero de horas que el Carpintero debera asignar a su negocio?
Tomemos como R el nmero de horas asignadas, el cual se usar para
determinar su valor ptimo. Por lo tanto, el modelo matemtico es
hallar R1, de modo tal que:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 R1 restriccin mano de obra
X1 + 2 X2 50 restriccin de material
y todas las variables X1, X2 y R1 son no negativas.
Obsrvese que ahora R1 se trata no como un parmetro sino como
una variable de decisin. Es decir, la maximizacin se realiza con las
tres variables, X1, X2 y R1:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 - R1 0 restriccin de mano de obra
X1 + 2 X2 50 restriccin de material
y todas las variables X1, X2 y R1 son no negativas.
Con software de PL, la solucin ptima es X1 = 50, X2 = 0, con una
asignacin ptima de la mano de obra de R1 = 100 horas. As, el
valor ptimo es $250.
Asimismo, obsrvese que el valor ptimo de asignacin de recursos
es siempre el mismo como lmite superior del rango de sensibilidad
RHS1 generado por el software.
Por ejemplo, el incremento permisible en el nmero de horas es 100 40 = 60 horas, con el adicional 250 - 110 = 140.
Incluso se puede obtener el precio sombra para este recurso usando
esta informacin. El precio sombra es el ndice de cambio en el valor
ptimo con respecto al cambio en el lado derecho. Por lo tanto, (250 110)/(100 - 40) = 140/60 = 7/3, que es el precio sombra del RHS1,
segn se hall por otros mtodos en las secciones anteriores.
Determinacin de la mnima utilidad neta del producto
En la mayora de los casos, la utilidad neta es un factor incontrolable en un entorno de
negocios "tomador de precios". Es por ello que a los gerentes les importa conocer cul
es la utilidad neta mnima de cada producto determinado, que indica que su produccin
es rentable para empezar.

Se recordar que en el Problema del Carpintero ambas utilidades

netas ($5 y $3) fueron consideradas como entradas incontrolables, es
decir, que eran valores determinados por el mercado:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin mano de obra
X1 + 2 X2 50 restriccin material.
Y ambos, X1, X2, son no negativos.
Aqu, la estrategia ptima es X1 =10, X2 = 20, con un valor ptimo de
$110.
Supongamos que el Carpintero desea conocer el valor mnimo del
primer coeficiente en la funcin objetivo, que actualmente es $5, para
poder producir con rentabilidad el primer producto (las mesas).
Supngase que la utilidad neta mnima es c1 dlares; por lo tanto, el
problema consiste en hallar c1, de manera tal que:
Maximice c1 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin mano de obra
X1 + 2 X2 50 restriccin material.
Y todas las variables, X1, X2, c1, son no negativas.
Ahora, el problema dual del carpintero es:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 c1 Utilidad neta de una mesa
1U1 + 2U2 3 Utilidad neta de una silla.
Y U1, U2, c1 son no negativas.
Se observa que ahora la utilidad neta c1 se trata como una variable
de decisin. La minimizacin se hace sobre las tres variables; X1, X2 y
c1:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 - c1 0
1U1 + 2U2 3
Y U1, U2, c1 son no negativas.
La implementacin de este problema en el paquete de computacin
muestra que la solucin ptima es U1 = $7/3, U2 = $1/3, y c1 = $1.5.
Se recordar que existen soluciones alternativas para este valor de
frontera del rango de sensibilidad para el coeficiente de costo. La
solucin correspondiente al lmite inferior se describe en el rango del
anlisis de sensibilidad del coeficiente de costo, calculado con
anterioridad en el Problema del Carpintero. Por lo tanto, la mnima
utilidad neta es siempre la misma que el lmite inferior del rango de
sensibilidad del coeficiente de costo generado por el software.
Indicadores de metas
En la mayora de las situaciones de la vida real, al decisor puede no interesarle la
optimizacin, y desear en cambio alcanzar un cierto valor para la funcin objetivo. A la
mayora de los gerentes les satisface una solucin "suficientemente buena". A este
problema se lo conoce como "satisfacer" el problema de "alcanzar la meta".

Una de las razones por las cuales los gerentes de empresas

sobrestiman la importancia de la estrategia ptima es que las
organizaciones con frecuencia usan indicadores como "sustitutos"
para satisfacer sus necesidades inmediatas. La mayora de los
gerentes prestan atencin a indicadores tales como la utilidad, el flujo
de fondos, el precio de la accin, etc. que indican ms una
supervivencia que una meta de optimizacin.
Para resolver el problema de alcanzar la meta, se debe primero aadir
la meta del conjunto de restricciones. Para convertir el problema de
alcanzar la meta en un problema de optimizacin, se debe crear una
funcin objetivo ficticia. Podra ser una combinacin lineal del
subconjunto de variables de decisin. Si se maximiza esta funcin
objetivo se obtendr una solucin factible (si es que existe). Si se
minimiza, se podra obtener otra (habitualmente en el otro "lado" de
la regin factible). Se podra optimizar con diferentes funciones
objetivas.
Otro abordaje es usar modelos de "Programacin de Metas" que
manejan con precisin problemas de satisfaccin de restricciones sin
necesariamente tener un solo objetivo. Bsicamente, consideran
medidas de violacin de restricciones e intentan minimizarlas. Se
pueden formular y resolver modelos de programacin de metas en PL
tradicional, usando cdigos de solucin de PL tradicionales.
En el algoritmo de solucin sin variables artificiales se puede usar una
funcin objetivo ficticia de cero pero no en algunos paquetes de
software, tales como el Lindo. Con los paquetes de software se puede
maximizar o minimizar cualquier variable como una funcin objetivo.
Ejemplo numrico
Considere el Ejemplo 1 en la seccin Inicializacin del Mtodo Smplex
en un sitio asociado a ste. En lugar de maximizar ahora queremos
alcanzar una meta de 4, es decir,
Meta: -X1 + 2X2 = 4
sujeta a:
X1 + X2 2,
-X1 + X2 1,
X2 3,
y X1, X2 0.
Si se aade esta meta al conjunto de restricciones y se convierten las
restricciones a la forma de igualdad se obtiene:
X1 + X2 - S1 = 2, -X1 + X2 - S2 = 1, X2 + S3 = 3, y
X1, X2, S1, S2, S3 0.
Una solucin es X1 = 2, X2 = 3, S1 = 3, S2 = 0, y S3 = 0.
Para obtener detalles sobre los algoritmos de soluciones visite el sitio
Web Artificial-Free Solution Algorithms.
Clculo de minimax y maximin en una sola corrida
Supongamos que quiere hallar el peor de varios valores de funciones objetivos definidas
con un conjunto comn de restricciones en una sola corrida de computacin.
Como aplicacin, supongamos que en el Problema del Carpintero, sin
prdida de generalidad, hay tres mercados con funciones objetivos de

5X1 + 3X2, 7X1 + 2X2, y 4X1 + 4X2, respectivamente. Al carpintero

le interesa conocer el peor mercado. Es decir, la solucin del siguiente
problema:
El problema del minimax:
Min Max {5X1 + 3X2, 7X1 + 2X2, 4X1 + 4X2}
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
Y ambos, X1, X2, son no negativos.
El Problema del Minimax equivale a:
Maximice y
Sujeta a:
y 5x1 + 3X2
y 7X1 + 2X2
y 4X1 + 4X2
2X1 + X2 40
X1 + 2X2 50
Y todas las variables, X1, X2, y, son no negativas.
Si se toman todas las variables a la izquierda de las restricciones y
este problema se implementa en el paquete de computacin, la
solucin ptima es X1 = 10, X2 = 20, y = $110. Esto significa que el
primero y el segundo mercados son los peores (porque la primera y la
segunda restricciones son obligatorias) aportando slo $110 de
utilidad neta.
De modo similar, se puede resolver el minimax de varias funciones
objetivos en una sola corrida.
Situaciones de ms por menos y menos por ms
Considere el siguiente problema de PL de produccin:
Maximice X1 + 3X2 + 2X3,
sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = 9, todas Xi son no
negativas.
Los totales de mano de obra son 4 y 9. El valor ptimo para este
problema es $7.
Ahora, si se cambia la segunda mano de obra disponible de 9 por 12,
el valor ptimo sera $4. Es decir, que se ha trabajado ms horas por
menos utilidad.
Esta situacin surgen frecuentemente y se conoce como "La Paradoja
de Ms por Menos". El recurso nmero 2 tiene un precio sombra
negativo!
Para hallar el mejor nmero de horas se debe trabajar para maximizar
el ingreso, resolviendo la siguiente PL paramtrica:
Maximice X1 + 3X2 + 2X3
sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = L , L, y todas Xi son
no negativas.
Con LINDO (o WinQSB) se debe resolver:
Maximice X1 + 3X2 + 2X3
sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 - L = 0.
La L ptima es 8 horas, y el valor ptimo es $8!

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

por menos/menos por ms es que existan restriccin(es) de igualdad
con precio(s) sombra negativos para los valore(s) RHS.
Para obtener ms informacin sobre sta y otras paradojas visite:
Counterexamples and Explanations for LP Myths
Programas lineales generales con enteros
La PL estndar asume que las variables de decisin son continuas. Sin embargo, en
muchas aplicaciones, los valores fraccionarios pueden no servir de mucho (por ej., 2,5
empleados). Por otra parte, como a esta altura ya saben, como los programas lineales
con enteros son ms difciles de resolver, quizs se pregunten para qu la molestia. Por
qu no simplemente usar un programa lineal estndar y redondear las respuestas a los
enteros ms cercanos? Desafortunadamente, esto genera dos problemas:

La solucin redondeada puede no ser factible, y

El redondeo puede no dar una solucin ptima.

Por lo tanto, el redondeo de resultados de programas lineales puede proporcionar
respuestas razonables, pero para garantizar soluciones ptimas debemos aplicar
programacin lineal con enteros. Por omisin, el software de PL asume que todas las
variables son continuas. Con el software Lindo, convendr usar la sentencia de entero
general - GIN. GIN seguida de un nombre de variable restringe el valor de la variable a
los enteros no negativos (0,1,2,). El siguiente ejemplo sencillo ilustra el uso de la
sentencia GIN.
Max 11X1 + 10X2
S.T. 2X1 + X2 12
X1 - 3X2 1
END
GIN X1
GIN X2
La salida despus de siete iteraciones es:
VALOR DE LA FUNCION OBJETIVO
1)
VARIABLE
X1
X2

66.00000
VALOR
6.000000
0.000000

COSTO REDUCIDO
-11.000000
-10.000000

FILA HOLGURA O EXCEDENTE

2)
0.000000
3)
5.000000

Si no hubiramos especificado X1 y X2 como enteros generales en

este modelo, LINDO no habra hallado la solucin ptima de X1 = 6 y
X2 = 0. En cambio, LINDO habra considerado a X1 y X2 como
continuos y habra llegado a la solucin X1 = 5.29 y X2 = 1.43.
Observen asimismo que el simple redondeo de la solucin continua a
los valores enteros ms prximos no da la solucin ptima en este
ejemplo. En general, las soluciones continuas redondeadas pueden no
ser las ptimas y, en el peor de los casos, no son factibles. Sobre esta
base, uno se puede imaginar que puede demandar mucho tiempo
obtener la solucin ptima en un modelo con muchas variables de

enteros. En general, esto es as, y les convendr utilizar la

caracterstica GIN slo cuando es absolutamente necesario.
Como ltimo comentario, el comando GIN tambin acepta un
argumento de valor entero en lugar de un nombre de variable. El
nmero corresponde al nmero de variables que uno desea que sean
enteros generales. Estas variables deben aparecer primero en la
formulacin. De tal modo, en este ejemplo sencillo, podramos haber
reemplazado las dos sentencias GIN por la nica sentencia GIN 2.
Aplicacin mixta de programacin con enteros: restricciones
"Y-O"
Supongan que una panadera vende ocho variedades de rosquillas. La preparacin de las
variedades 1, 2 y 3 implica un proceso bastante complicado, por lo que la panadera
decidi que no les conviene hornear estas variedades, a menos que pueda hornear y
vender por lo menos 10 docenas de las variedades 1, 2 y 3 combinadas. Supongan
tambin que la capacidad de la panadera limita el nmero total de rosquillas horneadas
a 30 docenas, y que la utilidad unitaria de la variedad j es j dlares. Si xj, j = 1, 2, ,6
denote el nmero de docenas de la variedad j que se deben hornear, y luego la utilidad
mxima puede hallarse resolviendo el siguiente problema (asumiendo que la panadera
consigue vender todo lo que hornea):
Maximice Z = Pj Xj
Sujeta a las restricciones: Xj 30
X1 + X2 + X3 = 0, OR, X1 + X2 + X3 10
Maximice Z = Pj Xj
Sujeta a las restricciones: Xj 30
X1 + X2 + X3 - 30y 0,
X1 + X2 + X3 - 10y 10
Xj 0, y = 0, or 1.
Programas lineales con enteros 0 - 1
Con el comando INT en LINDO se restringe la variable a 0 o 1. A estas variables con
frecuencia se las llama variables binarias. En muchas aplicaciones, las variables binarias
pueden ser muy tiles en situaciones de todo o nada. Entre los ejemplos podemos incluir
cosas tales como asumir un costo fijo, construir una nueva planta o comprar un nivel
mnimo de algn recurso para recibir un descuento por cantidad.
Ejemplo: Considere el siguiente problema de la mochila
Maximice 11X1 + 9X2 + 8X3 + 15X4
Sujeta a:: 4X1 + 3X2 + 2X3 + 5X4 8, and Xi either 0 or 1.
Con LINDO, la sentencia del problema es:
Max 11X1 + 9X2 + 8X3 + 15X4
S.T. 4X1 + 3X2 + 2X3 + 5X4 8
END
INT X1
INT X2
INT X3
INT X4

Luego haga clic en SOLVE. La salida da la solucin ptima y el valor

ptimo despus de ocho iteraciones "Branch-and-Bound" (de rama y
frontera).

Observe que en lugar de repetir INT cuatro veces se puede usar INT 4.
Las primeras cuatro variables aparecieron en la funcin objetivo.
VALOR DE LA FUNCION OBJETIVO
1)
VARIABLE
X1
X2
X3
X4

24.00000

FILA
2)

VALOR
0.000000
1.000000
0.000000
1.000000

COSTO REDUCIDO
-11.000000
-9.000000
-8.000000
-15.000000

HOLGURA O EXCEDENTE
0.000000

Nro. DE ITERACIONES =

PRECIOS DUALES
0.000000

Aplicaciones para formulacin de presupuestos de inversiones

Supongan que una compaa de Investigacin y Desarrollo dispone de una suma de
dinero, D dlares, para invertir. La compaa ha determinado que existen N proyectos
en los que conviene invertir, y por lo menos dj dlares deben invertirse en el proyecto j
si se decide que ese proyecto j es aqul en el que vale la pena invertir. Asimismo, la
compaa determin que la utilidad neta que puede obtenerse despus de invertir en el
proyecto j es de jdlares. El dilema de la compaa es que no puede invertir en todos los
proyectos N, porque
dj D. Por lo tanto, la compaa debe decidir en cules de los proyectos invertir
maximizando la utilidad. Para resolver este problema, el asesor formula el siguiente
problema:
Xj = 1 si la compaa invierte en el proyecto j, y
Xj = 0 si la compaa no invierte en el proyecto j.
El monto total que se invertir entonces es de
dj Xj, y como este monto no puede ser superior a D dlares tenemos la siguiente
restriccin:
dj Xj D
La utilidad total ser Pj Xj. Por lo tanto, la compaa quiere el
problema 0-1:
Maximice Z= Pj Xj
Sujeta a: dj Xj D, Xj = 0, OR 1.
Problemas de scheduling (planificacin de turnos)
Si se quiere utilizar la mano de obra lo ms eficientemente posible es importante
analizar los requerimientos de personal durante las diversas horas del da. Esto es en
especial as en las grandes organizaciones de servicios, donde la demanda de los clientes
es repetitiva pero cambia de manera significativa segn la hora. Por ejemplo, se
necesitan muchos ms operadores telefnicos durante el perodo del medioda a las dos
de la tarde que desde la medianoche a las dos de la maana. Pero, sin embargo, debe
haber algunos operadores de guardia durante la madrugada. Como los operadores
habitualmente cumplen turnos de ocho horas es posible planificar las horas de trabajo de
los operadores de modo tal que un solo turno cubra dos o ms "perodos pico" de
demanda. Mediante el diseo de planes horarios inteligentes, la productividad de los

operadores aumenta y el resultado es un plantel ms reducido, y por lo tanto, una

reduccin en los costos salariales. Algunos otros ejemplos de reas donde los modelos
de scheduling han resultado tiles son los conductores de mnibus, los controladores de
trfico areo y las enfermeras. A continuacin analizaremos un problema de ejemplo y
desarrollaremos un modelo de programacin con enteros para planificar el horario de
trabajo de enfermeras.
Es un problema de rutina en los hospitales planificar las horas de
trabajo de las enfermeras. Un modelo de planificacin es un problema
de programacin con enteros que consiste en minimizar el nmero
total de trabajadores sujeto al nmero especificado de enfermeras
durante cada perodo del da.
Perodo
Hora del da
Nmero requerido de enfermeras
1
8:00 - 10:00
10
2
10:00 - 12:00
8
3
12:00 - 2:00
9
4
2:00 - 4:00
11
5
4:00 - 6:00
13
6
6:00 - 8:00
8
7
8:00 - 10:00
5
8
10:00 - 12:00
3
Como cada enfermera trabaja ocho horas puede comenzar a trabajar
al comienzo de cualquiera de los siguientes cinco turnos: 8:00, 10:00,
12:00, 2:00 o 4:00. En esta aplicacin no consideramos ningn turno
que comience a las 9:00, 11:00, etc. Tampoco es necesario tener
enfermeras que comiencen a trabajar despus de las 4:00, porque
entonces su turno terminara despus de la medianoche, cuando no
se necesitan enfermeras. Cada perodo tiene dos horas de duracin,
de modo tal que cada enfermera que se presenta a trabajar en el
perodo t tambin trabajar durante los perodos t + 1, t+ 2, y t + 3
--- ocho horas consecutivas. La pregunta es: "Cuntas enfermeras
deberan comenzar su turno en cada perodo para satisfacer los
requerimientos del recurso especificados en la tabla anterior?" Para
formular el modelo de este problema. Xt es una variable de decisin
que denota el nmero de enfermeras que comenzarn su horario en
el perodo t. La mano de obra total, que deseamos minimizar, es Xt.
Durante el perodo 1, debe haber por lo menos 10 personas de
guardia; entonces, debemos tener X1 10. De modo similar, los
requerimientos del perodo 2 slo pueden satisfacerse con X1 + X2 8.
De esta manera denotamos los requerimientos de los perodos
restantes:
X1 + X2 + X3 9,
X1 + X2 + X3 + X4 11,
X2 + X3 + X4 + X5 13,
X3 + X4 +X5 8,
X4 + X5 5,
X5 3,
Todas las variables son nmeros enteros.

Observe que X1 no est incluida en la restriccin del perodo 5, ya que

las enfermeras que comienzan en el perodo 1 ya no estn en servicio
en el perodo 5. Asimismo, observe que puede resultar necesario
tener ms que el nmero requerido de personas en algunos perodos.
Por ejemplo, vemos con la primera restriccin que el nmero de
enfermeras que comienzan a trabajar en el perodo 1 debe ser 10,
como mnimo. Todas ellas estarn todava trabajando en el perodo 2,
pero en ese momento slo se necesitarn ocho personas. Entonces,
incluso si X2 = 0,
habr dos enfermeras extra de guardia en el perodo 2.
Programacin no lineal
La programacin lineal ha demostrado ser una herramienta sumamente poderosa, tanto
en la modelizacin de problemas de la vida real como en la teora matemtica de amplia
aplicacin. Sin embargo, muchos problemas interesantes de optimizacin son no
lineales. El estudio de estos problemas implica una mezcla diversa de lgebra lineal,
clculo multivariado, anlisis numrico y tcnicas de computacin. Entre las reas
especiales importantes se encuentra el diseo de algoritmos de computacin (incluidas
las tcnicas de puntos interiores para programacin lineal), la geometra y el anlisis de
conjuntos convexos y funciones, y el estudio de problemas especialmente estructurados,
tales como la programacin cuadrtica. La optimizacin no lineal proporciona
informacin fundamental para el anlisis matemtico, y se usa extensamente en las
ciencias aplicadas (en campos tales como el diseo de ingeniera, el anlisis de
regresin, el control de inventario y en la exploracin geofsica).
Programacin con restricciones no binarias
A travs de los aos, la comunidad dedicada a la programacin con restricciones ha
venido prestando considerable atencin a la modelstica y resolucin de problemas
usando restricciones unarias y binarias. Ha sido slo desde hace poco que se viene
prestando ms atencin a las restricciones no binarias, y se debe principalmente a la
influencia del nmero creciente de aplicaciones en la vida real. Una restriccin no
binaria es una restriccin que se define con k variables, donde k normalmente es mayor
que 2. En tal sentido, la restriccin no binaria puede considerarse como una restriccin
ms global. La modelizacin de (una parte de) un problema con una restriccin no
binaria presenta dos ventajas principales: Facilita la expresin del problema y habilita
una mayor propagacin ms poderosa de la restriccin a medida que se dispone de
informacin ms global.
Los xitos logrados en aplicaciones para programacin de itinerarios,
horarios de trabajo y rutas han demostrado que usar restricciones no
binarias es una direccin de investigacin promisoria. De hecho, cada
vez ms personas creen que este tema es crucial para que la
tecnologa de las restricciones se convierta en una manera realista de
modelizar y resolver problemas de la vida real.
Optimizacin combinatoria
Agrupar, cubrir y particionar (aplicaciones de los programas con enteros) son los
principales temas matemticos que constituyen la interfaz entre la combinatoria y la
optimizacin. La optimizacin combinatoria es el estudio de estos problemas. Aborda la
clasificacin de problemas de programacin con enteros, de acuerdo con la complejidad
de algoritmos conocidos para resolverlos, y con el diseo de algoritmos apropiados para

resolver subclases especiales de problemas. En particular, se estudian problemas de

flujos de red, correspondencias y sus generalizaciones matroides. Esta materia es uno de
los elementos unificadores de la combinatoria, la optimizacin, la investigacin
operacional y la computacin cientfica.
Una seleccin de:
|Associao Portuguesa de Investigao Operacional| BUBL
Catalogue| Ciencias Sociales| Decision Sciences Institute| Economa|
Excite: Operations Research| Gacetilla Matemtica| La Brujula S.A.|
Los cursos en la investigacin operacional| MERLOT| |NetFirst|
Production and Operations Management Society| Scottish Further
Education| Scout Report |toma de decisiones |Twirlix:
Unternehmensforschung |Virtual Library | World Lecture Hall |Yahoo:
Operations Research|
Pueden encontrarse ms sitios haciendo clic en los siguientes motores
de bsqueda:
HotBot
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.
Agradecera recibir comentarios, sugerencias e inquietudes por email. Gracias.
Profesor Hossein Arsham
Este sitio fue lanzado el 25/2/1996, y sus materiales intelectuales son
revisados a fondo anualmente. La versin actual es la 8a Edicin.
Todos los links externos son chequeados una vez al mes.
Vuelta a:
Ciencia de la Administracin Aplicada:
Toma de decisiones estratgicas acertadas
Modelos Probabilsticos:
Del Anlisis de la Decisin
Dr Arsham's Home Page
EOF: 1996-2003.