1

OPTIMIZACIN

Introduccin:

Modelos Matemticos: Intervienen en los problemas de toma de decisiones, cuya solucin
requiere la identificacin de tres componentes principales:

1. Cules son las alternativas de la decisin?
2. Bajo que criterios se toma la decisin?
3. Qu es un criterio objetivo para la evaluacin de las alternativas


Por lo general, las alternativas del problema de decisin pueden tener la forma de variables
desconocidas. Estas variables se utilizan para construir las restricciones y el criterio
objetivo como funciones matemticas apropiadas. El resultado final es un modelo
matemtico que relaciona las variables, las restricciones y la funcin objetivo. La solucin
del modelo produce entonces los valores de las variables de la decisin que optimizan
(maximizan o minimizan) el valor de la funcin objetivo, al mismo tiempo que satisfacen
todas las restricciones. Se hace referencia a la solucin resultante como la solucin factible
ptima.

Un modelo matemtico de Optimizacin por lo comn se organiza como sigue:

Maximizar o minimizar (Funcin Objetivo)

Sujeto a (Restricciones)

Observacin: An cuando los modelos matemticos son la piedra angular de la mayor
parte de los estudios de la Optimizacin, en la solucin del problema de toma de decisiones
hay algo ms que la construccin y la solucin del modelo matemtico. De manera
especfica, los problemas de decisiones por lo comn incluyen importantes factores
intangibles, que tal vez no son fcilmente cuantificables. El principal entre estos factores es
la presencia del elemento humano en la mayor parte de los ambientes de toma de
decisiones. De hecho, se han reportado situaciones de decisiones donde el efecto de la
conducta humana ha influido a tal grado en el problema, que la solucin obtenida del
modelo matemtico se considera impracticable. Una ilustracin de esto es el problema del
ascensor. En respuesta a las quejas de los inquilinos acerca del servicio tan lento del
ascensor en un edificio de oficinas muy grande, se analiz la situacin utilizando un
modelo de lneas de espera. Sin embargo, la solucin propuesta para apresurar el servicio
del ascensor no mitig el problema. Un estudio adicional de la situacin revel que las
quejas de los inquilinos eran ms bien un caso de tedio y el problema se resolvi utilizando
espejos de cuerpo entero en la entrada del ascensor. Las quejas desaparecieron cuando los
usuarios se mantenan ocupados contemplndose a s mismos y a los dems mientras
esperaban el servicio.


2

Tcnicas de Optimizacin

En los modelos matemticos, las variables de decisin pueden ser enteras o continuas, y el
objetivo y las funciones de restriccin son lineales o no lineales. Los problemas de
optimizacin planteados por estos modelos dieron origen a una variedad de mtodos de
solucin, cada uno diseado para tomar en cuenta las propiedades matemticas especiales
del modelo. La ms prominente y exitosa de estas tcnicas es la programacin lineal,
donde todas las funciones, el objetivo y las restricciones son lineales y todas las variables
son continuas. Otras tcnicas que abordan otros tipos de modelos matemticos son
programacin dinmica, programacin entera, programacin no lineal, programacin
de metas, programacin de redes, para mencionar slo unas cuantas.

Todas las tcnicas de Optimizacin dan por resultado algoritmos computacionales que son
de naturaleza iterativa. Esto significa que el problema se resuelva en iteraciones y que cada
nueva iteracin lleva la solucin ms cerca de la ptima.

Algunos modelos matemticos son tan complejos que es imposible resolverlos mediante
cualquiera de los algoritmos de optimizacin disponibles. En esos casos, puede ser
necesario abandonar la bsqueda de la solucin ptima y simplemente se debe buscar una
buena solucin, utilizando la heurstica. Casi siempre, una heurstica aplica reglas cortas
para producir una buena solucin al problema. La ventaja de una heurstica sobre un
algoritmo de optimizacin exacta es que, en general, su ejecucin es ms rpida.

Modelado de simulacin

Hay muchas situaciones reales que todava estn ms all de las capacidades de representar
sistemas matemticamente. Por una parte la rigidez de la representacin matemtica
puede hacer que resulte imposible describir en forma adecuada el problema de decisiones
mediante un modelo matemtico. Por otro lado, incluso cuando es posible formular un
modelo matemtico apropiado, el problema de optimizacin resultante puede ser
demasiando complejo para los algoritmos disponibles.
Un enfoque alternativo para modelar un sistema complejo es la simulacin. El modelado
por simulacin es la segunda mejor opcin para observar un sistema real. Difiere del
modelado matemtico en que no es necesario exponer de manera explcita la relacin entre
la entrada y la salida. En vez de ello, desglosa el sistema real en mdulos y despus imita el
comportamiento real del sistema, utilizando relaciones lgicas para unir los mdulos
apropiados. Empezando con el modulo de entrada, los clculos de la simulacin avanzan
entre los mdulos apropiados hasta que se obtiene el resultado deseado.

El Arte del Modelado

Un estudio de Optimizacin debe estar arraigado en el trabajo en equipo, donde tanto los
analistas de Optimizacin como el cliente trabajan en colaboracin. Los analistas, con sus
conocimientos sobre modelado, necesitarn la experiencia y la cooperacin del cliente para
quien se est haciendo el estudio..

3

Como un instrumento de toma de decisiones, la optimizacin debe considerarse como una
ciencia y a la vez como un arte. Es una ciencia en virtud de las tcnicas matemticas
incorporadas que presenta y es un arte debido a que el xito de todas las fases que preceden
y siguen a la solucin del modelo matemtico depende en gran parte de la creatividad y la
experiencia de las operaciones en equipo de investigacin.

Resulta difcil prescribir cursos de accin especficos para los factores intangibles. Debido
a eso, solo se suele ofrecer pautas generales para la puesta en prctica de la optimizacin.

Las etapas principales incluyen:
1. Definicin del problema
2. Construccin del modelo
3. Solucin del modelo
4. Validacin del modelo
5. Puesta en prctica de la solucin

La tercera etapa (Solucin del modelo), es la que mejor se define y la ms difcil de poner
en prctica, debido a que aborda en su mayor parte la teora matemtica ms precisa.
Aplicar el resto de las etapas es ms un arte que una teora.

La definicin del problema implica establecer el alcance del problema que se est
investigando. Esta es una funcin que debe desempear todo el equipo de investigacin. El
resultado final es identificar tres elementos principales de decisin del problema: (1) la
descripcin de las alternativas de decisin, (2) La determinacin del objetivo del estudio y
(3) la especificacin de las limitaciones bajo las cuales opera el sistema que se modela.

La construccin del modelo implica traducir la definicin del problema a relaciones
matemticas. Si el modelo resultante se ajusta en uno de los modelos matemticos estndar,
como programacin lineal, por lo comn es posible encontrar una solucin utilizando
algoritmos disponibles. Caso contrario se puede optar por simplificar el modelo y emplear
un enfoque heurstico, o bien considerar el empleo de la simulacin, si es apropiado. En
algunos casos, una combinacin de modelos matemtico, de simulacin y heurstico puede
ser apropiada para resolver el problema de decisiones.

La solucin del modelo es, con mucho, la ms sencilla de todas las etapas, debido a que
implica el empleo de algoritmos de optimizacin bien definidos. Un aspecto importante de
la etapa de solucin del modelo es el anlisis de sensibilidad. Esta obtiene informacin
adicional acerca de la solucin ptima cuando el modelo experimenta algunas
variaciones en sus parmetros. El anlisis de sensibilidad es particularmente importante
cuando no es posible conocer con precisin los parmetros del modelo. En estos, es
importante estudiar el comportamiento de la solucin ptima en la vecindad de las
estimaciones iniciales de los parmetros del modelo.

La validacin del modelo verifica si el modelo propuesto hace lo que se supone que debe
hacer, es decir, el modelo proporciona una prediccin razonable del comportamiento del
sistema que se est estudiando? los resultados son intuitivamente aceptables? el modelo
no contiene sorpresas? En el aspecto formal, un mtodo para verificar la validez de un
4

modelo, es comparar su resultado con los datos de los resultados histricos. El modelo es
vlido si, bajo condiciones similares de entrada, reproduce el desempeo que se conoce.

La puesta en prctica de la solucin de un modelo validado implica la traduccin de los
resultados del modelo a instrucciones de operacin, impertidas en una forma que sea
comprensible para los individuos que administrarn el sistema recomendado.
5


PROGRAMACIN LINEAL

La Programacin Lineal (PL) es una herramienta para resolver problemas de optimizacin,
es una tcnica de modelado matemtico, diseada para optimizar el empleo de recursos
limitados. En 1947, George Dantzig cre un mtodo eficaz, el algoritmo simplex, para
resolver problemas de PL. A partir del surgimiento del algoritmo simplex, se ha usado la
PL para resolver problemas de optimizacin en industrias tan diversas como la banca, la
educacin, la silvicultura, el petrleo, el transporte, en las ciencias conductuales y sociales,
etc. En una encuesta de la revista Fortune, de 500 empresas, el 85% de las que contestaron
dijeron que haban utilizado la programacin lineal.

La utilidad de la tcnica se incrementa mediante la disponibilidad de programas de
computadora altamente eficientes.

Los clculos en la PL, igual que en la mayor parte de los modelos de IO, por lo comn son
voluminosos y tediosos y, por consiguiente, requieren el empleo de la computadora.

Construccin del modelo de PL

A travs de ejemplos sencillos, se proporcionan los elementos bsicos de un modelo de PL,
y se definen algunos trminos importantes que se usan en la resolucin de los problemas de
PL. Los resultados dan las ideas concretas para la solucin y la interpretacin del problema
de PL.

Ejemplo 1: Juguetes S.A. (JUSA) fabrica dos tipos de juguetes de madera: soldados y
trenes. Se vende un soldado a 27 dlares y se usan 10 dlares de materia prima. Cada
soldado que se produce aumenta los costos variables de mano de obra y los costos
generales en 14 dlares. Se vende un tren a 21 dlares y se usan 9 dlares de materia prima.
Cada tren producido aumenta los costos en 10 dlares. La produccin de soldados y trenes
de madera necesita dos tipos de trabajo especializado: carpintera y acabado. Un soldado
requiere 2 horas de acabado y 1 hora de carpintera. Un tren requiere 1 hora de acabado y 1
hora de carpintera. Cada semana, JUSA puede conseguir toda la materia prima que
necesita, pero solamente dispone de 100 horas de acabado y 80 de carpintera. La demanda
de los trenes no tiene lmite, pero se vende a lo ms 40 soldados semanalmente. JUSA
quiere maximizar su ganancia semanal (ingresos costos). Formule un modelo matemtico
para la situacin de JUSA que se pueda utilizar para maximizar la ganancia semanal.

Solucin: Al crear el modelo para JUSA, se exploran las caractersticas comunes a todos
los problemas de PL.

El modelo de PL, lo mismo que en cualquier modelo de IO, incluye tres elementos bsicos:
1. Variables de decisin que tratamos de determinar
2. Objetivo (meta) que tratamos de optimizar
3. Restricciones que necesitamos satisfacer

6

La definicin apropiada de las variables de decisin es un primer paso esencial hacia el
desarrollo del modelo. Una vez que se definen las variables, la tarea de construir la funcin
objetivo y las restricciones no debe ser difcil.

Variables de decisin. Empezamos definiendo las variables de decisin pertinentes. En
cualquier problema de PL, las variables de decisin tienen que representar completamente
las decisiones que tomar (en este caso, por JUSA). Claramente tiene que decidir cuntos
soldados y trenes hay que producir cada semana. Con esto en mente definimos:
1
x = el nmero de soldados producidos cada semana
2
x = el nmero de trenes producidos cada semana

Funcin objetivo. En cualquier problema de PL, la persona que toma la decisin quiere
optimizar (maximizar o minimizar) alguna funcin de las variables de decisin. La funcin
que hay que maximizar o minimizar se llama funcin objetivo. En el problema de JUSA, se
observa que hay maximizar las utilidades que son ingresos menos costos.

|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|
variables
costos
prima materia
de costos
semanales
ingresos


Se pueden expresar las ganancias y los costos semanales en funcin de las variables de
decisin
1
x y
2
x . Sera tonto por parte de JUSA fabricar ms soldados de los que puede
vender, por lo tanto, suponemos que se vendern todos los juguetes producidos. Entonces:
Ingresos semanales = ingresos semanales por los soldados
+ ingresos semanales por los trenes
= |
.
|

\
|
|
.
|

\
|
+ |
.
|

\
|
|
.
|

\
|
semana
trenes
tren
dlares
semana
soldados
soldado
dlares

=
2 1
21 27 x x +

Tambin:
Costos semanales de materia prima =
2 1
9 10 x x +
Costos semanales variables =
2 1
10 14 x x +

Entonces JUSA quiere maximizar
( ) ( ) ( )
2 1 2 1 2 1 2 1
2 3 10 14 9 10 21 27 x x x x x x x x + = + + +

As, el objetivo de JUSA es escoger
1
x y
2
x para maximizar
2 1
2 3 x x + . Se emplea la
variable z para denotar el valor de la funcin objetivo para cualquier PL. La funcin
objetivo de JUSA es:

Maximizar
2 1
2 3 x x z + = (1)

(De aqu en adelante se abreviar maximizar con max y minimizar con min). El coeficiente
de una variable en la funcin objetivo se llama coeficiente de la funcin objetivo de la
variable. Por ejemplo, el coeficiente de la funcin objetivo de
1
x es 3, y el coeficiente de la
7

funcin objetivo de
2
x es 2. El coeficiente de la funcin objetivo de cada variable es
simplemente la contribucin de la variable a la ganancia (o prdida) de la compaa.

Restricciones. Al aumentar
1
x y
2
x , crece la funcin objetivo de JUSA. Esto significa que
si JUSA pudiera escoger libremente cualquier valor para
1
x y
2
x , la compaa podra
obtener una ganancia arbitrariamente grande, al escoger
1
x y
2
x muy grandes.
Desafortunadamente, los valores de
1
x y
2
x estn limitados por las siguientes tres
restricciones:

Restriccin 1 No se pueden usar ms de 100 horas de acabado cada semana
Restriccin 2 No se pueden usar ms de 80 horas de carpintera cada semana
Restriccin 3 Debido a la demanda limitada, se tienen que producir a lo ms 40 soldados
por semana.

Se supone que la cantidad de materia prima disponible es ilimitada, por lo tanto, no hay
ninguna restriccin al respecto.

El siguiente paso en formular un modelo matemtico para el problema de JUSA es expresar
las restricciones en trminos de las variables de decisin
1
x y
2
x , obsrvese que:

( ) ( )
2 1 2 1
2 1 2
semana
hechos trenes
tren
acabado de h.

semana
hechos soldados
soldado
acabado de h.
semana
acabado de totales (h) Horas
x x x x + = + =
|
.
|

\
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
=


Ahora se puede expresar la Restriccin 1 como:
100 2
2 1
s + x x (2)

De manera similar la Restriccin 2 como:
80
2 1
s + x x (3)

Finalmente, expresamos el hecho de que se pueden vender a lo ms 40 soldados por
semana, limitando la produccin semanal de soldados a 40. Esto proporciona la tercera
restriccin:
40
1
s x (4)

As, (2)-(4) expresan las restricciones en trminos de las variables de decisin; se llaman
las restricciones para el problema de programacin lineal. Los coeficientes de las
variables de decisin en las restricciones se llaman coeficientes tecnolgicos. Esto se debe
a que los coeficientes tecnolgicos reflejan a menudo la tecnologa utilizada para producir
diferentes productos. Por ejemplo, el coeficiente tecnolgico de
2
x en (3) es 1, lo que
indica que un soldado necesita 1 hora de carpintera. El nmero al lado derecho de cada
8

restriccin, se llama lado derecho (o ld) de la restriccin. Muchas veces el ld de una
restriccin representa la cantidad disponible de un recurso.

Restricciones de signo ( o de no negatividad). Para completar la formulacin de un PL, hay
que contestar la siguiente pregunta para cada variable de decisin: puede tomar una
variable de decisin valores no negativos solamente, o se le pueden permitir valores tanto
positivos como negativos?

Si una variable de decisin solamente toma valores no negativos, aadimos la restriccin
de signo 0 > . Si una variable de decisin puede tomar valores positivos u negativos ( o
inclusive cero), se dice que no tiene restriccin de signo, que se abrevia SRS. Para el
problema de JUSA es obvio que 0
1
> x y 0
2
> x . En algunos problemas, sin embargo,
algunas variables pueden ser SRS. Por ejemplo, si
i
x representa un balance de caja de una
empresa,
i
x tomar un valor negativo si la empresa debe ms dinero de lo que tiene
disponible.

Juntando la funcin objetivo, las restricciones y las restricciones de signo, se obtiene el
siguiente modelo de optimizacin para JUSA:


2 1
2 3 max x x z + = (Funcin objetivo) (1)
sujeta a (se abrevia s.a.)
100 2
2 1
s + x x (Restriccin de acabado) (2)
80
2 1
s + x x (Restriccin de carpintera) (3)
40
1
s x (Restriccin de demanda de soldados) (4)
0
1
> x (Restriccin de signo) (5)
0
2
> x (Restriccin de signo) (6)


sujeto a (s.a.) significa que los valores de las variables de decisin
1
x y
2
x tienen que
satisfacer todas las restricciones, incluyendo las de signo.


Ejemplo 2: La industria Pintar y Pintar (P&P) produce pinturas tanto para interiores como
para exteriores, a partir de dos materias primas M1 y M2. La siguiente tabla proporciona
los datos bsicos del problema:
Toneladas de materia
prima por tonelada de
Toneladas de materia
prima por tonelada de

Pintura
Para exteriores
Pintura
Para interiores
Disponibilidad
mxima diaria
(toneladas)
Materia Prima M1 6 4 24
Materia Prima M2 1 2 6
Utilidad por tonelada
(miles de dlares)
5 4
9

Una encuesta de mercado restringe la demanda mxima diaria de pintura para interiores a 2
toneladas. Adems, la demanda diaria de pintura para interiores no puede exceder a la de
pintura para exteriores por ms de 1 tonelada. P&P quiere determinar la mezcla de
productos ptima de pinturas para interiores y exteriores que maximice la utilidad total
diaria.

Solucin: Para el problema de P&P, necesitamos determinar las cantidades que se van a
producir de pintura para interiores y para exteriores. Por consiguiente, las variables del
modelo pueden ser:
1
x = toneladas diarias producidas de pintura para exteriores
2
x = toneladas diarias producidas de pintura para interiores

Utilizando estas definiciones, la siguiente tarea es construir la funcin objetivo. Un objetivo
lgico para la compaa es incrementar tanto como sea posible (es decir, maximizar) la
utilidad total diaria de la pintura, tanto para interiores como para exteriores. Si z representa
la utilidad diaria total (en miles de dlares), se obtiene:

2 1
4 5 x x z + =

El objetivo de la compaa es:
max
2 1
4 5 x x z + =

El ltimo elemento del modelo aborda las estricciones que limitan el empleo de los recursos
y la demanda de producto acabado.

En cuanto tiene que ver las restricciones de materia prima (recursos), se puede expresar:


|
|
.
|

\
|
s
|
|
.
|

\
|
prima materia de
mxima idad Disponibil
pinturas ambas para
prima materia de Empleo


De los datos del problema resulta:

Empleo de materia prima M1 =
2 1
4 6 x x + toneladas
Empleo de materia prima M2 =
2 1
2 1 x x + toneladas

Debido a que las disponibilidades diarias de la materia prima M1 y M2 estn limitadas a 24
y 6 toneladas respectivamente, las restricciones asociadas se expresan:

24 4 6
2 1
s + x x materia prima M1
6 2 1
2 1
s + x x materia prima M2

En lo que tiene que ver con la demanda de producto terminado, hay dos restricciones:
demanda mxima de pintura para interiores y, el exceso de produccin diaria de pintura
para interiores sobre la produccin de la pintura para exteriores.

10

Estas restricciones se expresan en la forma:
2
2
s x
1
1 2
s x x

Una restriccin implcita sobre el modelo, es que las variables no pueden tomar valores
negativos, por tanto se aaden restricciones de no negatividad
0
1
> x
0
2
> x

El modelo completo de P&P se escribe en la forma:


2 1
4 5 Max x x z + =
sujeta a

0 ,
2
1
6 2 1
24 4 6
2 1
2
2 1
2 1
2 1
>
s
s +
s +
s +
x x
x
x x
x x
x x



Antes de definir formalmente un problema de programacin lineal, definimos los conceptos
de funcin lineal y desigualdad lineal

Definicin. Una funcin ( )
n
x x x f ,..., ,
2 1
es una funcin lineal de
n
x x x ,..., ,
2 1
s y slo s
para algn conjunto de constantes
n
c c c ,..., ,
2 1
, ( )
n n n
x c x c x c x x x f + + + = ... ,..., ,
2 2 1 1 2 1


Por ejemplo, ( )
2 1 2 1
3 2 , x x x x f = es una funcin lineal de
1
x y
2
x , pero
( )
2 2 1 2 1
2 , x x x x x f + = no es una funcin lineal de
1
x y
2
x .

Definicin. Para cualquier funcin lineal ( )
n
x x x f ,..., ,
2 1
y cualquier nmero b , las
desigualdades ( ) b x x x f
n
s ,..., ,
2 1
y ( ) b x x x f
n
> ,..., ,
2 1
son desigualdades lineales.

Por ejemplo 5 . 3 3 2
2 1
s + x x y 1 4
2 1
> x x son desigualdades lineales, pero 5
2
2
1
> x x no
es una desigualdad lineal.

Definicin. Un problema de programacin lineal (PL) es un problema de optimizacin,
para el cual hacemos lo siguiente:

1. Tratamos de maximizar (o minimizar) una funcin lineal de variables de decisin.
La funcin que se pretende maximizar o minimizar se llama la funcin objetivo.
11

2. Los valores de las variables de decisin tienen que satisfacer un conjunto de
restricciones. Cada restriccin tiene que ser una ecuacin lineal o una desigualdad
lineal.
3. hay una restriccin de signo para cada variable. Para cualquier variable
i
x , la
restriccin de signo especifica que
i
x tiene que ser no negativo ( ) 0 >
i
x o que
i
x puede ser una variable sin restriccin de signo(SRS).

Definicin. Cualquier solucin que satisface todas las restricciones del modelo, incluyendo
las restricciones de signo, se llama una solucin factible.

Definicin. La regin factible para un PL es el conjunto de todas las soluciones factibles.

Por ejemplo, en P&P, la solucin 3
1
= x , 1
2
= x satisface todas las restricciones, por lo que
es factible, y en este caso el valor de la funcin objetivo es 19 ) 1 ( 4 ) 3 ( 5 = + = z (miles de
dlares).

Desde el punto de vista del modelo, lo que interesa es la solucin factible ptima que
produce la mxima utilidad total. Se puede intuir que existen infinitas soluciones factibles,
por lo que resulta imposible emplear sustituciones directas para determinar la ptima. En
vez de ello, se necesitan procedimientos eficientes que localicen la solucin ptima de una
manera sistemtica.

Observacin.- En los ejemplos de JUSA y de P&P, las funciones del objetivo y de las
restricciones son todas lineales. La suposicin de linealidad hace que estn intrnsecas las
propiedades de:
- Proporcionalidad: que requiere que la contribucin de cada variable de la decisin,
tanto en la funcin objetivo como en las restricciones, sea directamente
proporcional al valor de la variable. Por ejemplo si P&P otorga descuentos por
cantidad cuando las ventas exceden ciertos lmites, entonces los ingresos ya no
sern proporcionales a la cantidad de las ventas.
- Aditividad: que estipula que la contribucin total de todas las variables en la
funcin del objetivo y en las restricciones sea la suma directa de la contribucin
individual de cada variable. Por ejemplo, dos productos competidores, en donde un
incremento en el nivel de ventas de un producto afecta en forma adversa al del otro,
no satisface la propiedad de aditividad.

12

Solucin Grfica de Problemas Bidimensionales

A continuacin se analiza la manera como se puede resolver grficamente problemas
con solamente dos variables. Se acostumbra a denotar a la variables con
1
x y
2
x y los
ejes coordenados los ejes
1
x y
2
x .

Se empieza por determinar la regin factible, la cual es la interseccin de los conjuntos
definidos por las restricciones.

En el caso de que una restriccin sea de la forma: b x a x a s +
2 2 1 1
o b x a x a > +
2 2 1 1
, el
conjunto de puntos que satisfacen una desigualdad de este tipo incluye los puntos de la
recta b x a x a = +
2 2 1 1
ms todos los puntos a un lado de la recta, para determinar cual
delos dos lados de la recta es el que satisface la desigualdad, basta con escoger un
punto de prueba que no est en la recta, si satisface la igualdad es el lado buscado, si
no satisface, es el otro lado de la recta.

Adems se tiene que una recta de la forma b x a x a = +
2 2 1 1
, bajo la forma pendiente-
interseccin con el eje vertical, toma la forma:
2
1
2
1
2
a
b
x
a
a
x + = , con lo cual, si no
cambian los valores de los coeficientes
1
a y
2
a , las rectas son paralelas por tener la
misma pendiente:
2
1
a
a
.

Despus de identificar la regin factible, se busca la solucin ptima, que corresponde
al punto de la regin factible con el mayor valor de la funcin objetivo. Para encontrar
la solucin ptima, se grafica una recta que corresponda a todos los puntos con un
mismo valor de z . En un problema de maximizacin se llama recta de isoutilidades (en
un problema de minimizacin se llama de isocostos). Para dibujar una lnea de
isoutilidades se escoge cualquier punto de la regin factible y se calcula el valor de z ,
as por ejemplo en el ejemplo 1, tomemos el punto ) 0 , 20 ( . Para ) 0 , 20 ( ,
60 ) 0 ( 2 ) 20 ( 3 = + = z As, ) 0 , 20 ( se encuentra en la lnea de isoutilidades
60 2 3
2 1
= + = x x z , se observa que todas las rectas de isoutilidades son paralelas (no
cambian los coeficientes), por lo que para obtener el mximo se generan las otras lneas
de isoutilidades, trazndolas paralelamente a la primera en una direccin que aumente
el valor de z . La ltima lnea que corte la regin factible define el mximo valor de z .
En el ejemplo, la funcin objetivo
2 1
2 3 x x z + = se incrementar al aumentar
1
x y al
aumentar
2
x , por lo que la recta de isoutilidades se deber mover en direccin noreste
(hacia arriba y hacia la derecha), el ltimo punto de la regin factible que corta la lnea
de isoutilidades es ) 60 , 20 ( que corresponde a la solucin ptima. De donde el valor
ptimo de z es 180 ) 60 ( 2 ) 20 ( 3 = + = z .


13

Definicin. Una restriccin se considera obligatoria si el lado izquierdo es igual al lado
derecho de la restriccin al sustituir los valores ptimos de las variables de decisin en
la restriccin.

Definicin. Una restriccin se considera no obligatoria si el lado izquierdo no es igual
al lado derecho de la restriccin al sustituir los valores ptimos de las variables de
decisin en la restriccin.

En el ejemplo de JUSA las restricciones:
100 2
2 1
s + x x (Restriccin de acabado) (2)
80
2 1
s + x x (Restriccin de carpintera) (3)
son obligatorias

Por otro lado, la regin factible del ejemplo es un polgono que corresponde a un
conjunto convexo.

Definicin. Un conjunto de puntos S es un conjunto convexo si el segmento rectilneo
que une dos puntos cualesquiera de S se encuentra completamente contenido en S .

La solucin ptima de ejemplo coincide con un vrtice o punto extremo del polgono.

Definicin. Para cualquier convexo S , un punto P de S es un punto extremo si para
cada segmento rectilneo que se encuentra completamente en S y que pasa por el punto
P , P es un extremo del segmento rectilneo.

Observacin. Se puede demostrar que cualquier PL que tiene una solucin ptima,
tiene un punto extremo que es ptimo.

Casos Especiales

Los problemas de PL pueden tener los siguientes tipos de soluciones:

1. Solucin nica
2. Infinitas soluciones (soluciones alternativas o mltiple)
3. No tiene solucin
4. Solucin no acotada ( z puede tomar valores arbitrariamente grandes)

Para ilustrar estas situaciones se tiene:

1. Problema de P&P (pinturas)
2. Una compaa automotriz produce automviles y camiones. Cada vehculo tiene
que pasar por un taller de pinta y por un taller de montaje de la carrocera. Si el
taller de pintura pintara solamente camiones, se podra pintar 40 camiones al
da, si pintara solamente automviles, se podra pintar 60 al da. Si el taller de
carrocera produjera solamente camiones, podra fabricar 50 camiones al da. Si
14

fabricara solamente automviles, podra fabrica 50 al da. Cada camin aporta
300 dlares a la utilidad y cada automvil, 200. Utilizando la PL determine la
produccin diaria que maximiza la ganancia diaria.
3. En el ejemplo anterior supngase que se requiere se produzcan por lo menos 30
camiones y 20 automviles.
4. Resuelva el siguiente PL
2 1
2 max x x z =
s.a. 1
2 1
s x x
6 2
2 1
> + x x
0 ,
2 1
> x x


Ejemplos de PL

Ejemplo 3. Un problema de alimentacin
La alimentacin de cierta persona requiere que todo lo que coma pertenezca a uno de los
cuatro grupos bsicos de alimentos (pastel de chocolate, helado, refresco, pastel de
queso). Se dispone de bizcochos de chocolate y nueces, helado de chocolate, cola y pastel
de queso con pia. Cada bizcocho cuesta 50 centavos, cada bola de helado, 20 centavos;
cada botella de cola, 30 centavos; y cada pieza de pastel de queso con pia, 80 centavos.
Cada da tiene que ingerir por lo menos 500 caloras, 6 onzas de chocolate, 10 onzas de
azcar y 8 onzas de grasa. El contenido nutritivo por unidad de cada elemento se muestra
en el cuadro.
Formule un PL que se pueda utilizar para satisfacer las necesidades a un costo mnimo

CALORIAS CHOCOLATE
(onzas)
AZUCAR
(onzas)
GRASA
(onzas)
Bizcocho 400 3 2 2
Helado (bola) 200 2 2 4
Refresco (botella) 150 0 4 1
Pastel de queso
con pia
500 0 4 5

Solucin: Sean las siguientes variables de decisin:
1
x = nmero de biscochos ingeridos diariamente
2
x = nmero de bolas de helado ingeridas diariamente
3
x = botellas de cola ingeridos diariamente
4
x = piezas de pastel de queso con pia ingeridas diariamente

PL:
4 3 2 1
80 30 20 50 min x x x x z + + + =
s.a.
15


0
8 5 4 2
10 4 4 2 2
6 2 3
500 500 150 200 400
4 3 2 1
4 3 2 1
2 1
4 3 2 1
>
> + + +
> + + +
> +
> + + +
i
x
x x x x
x x x x
x x
x x x x



Ejemplo 4. Un problema de establecimiento del horario de trabajo
Una oficina de correos necesita un nmero diferente de empleados de tiempo completo,
para diferentes das de la semana. El nmero de empleados de tiempo completo requeridos
para cada da, se da en la tabla. Las reglas sindicales sealan que cada empleado de tiempo
completo tiene que trabajar durante cinco das consecutivos y, despus descansar dos das.
La oficina de correos quiere cumplir con sus requerimientos y utilizar solamente empleados
de tiempo completo. Formule un PL que pueda utilizar la oficina de correos para minimizar
el nmero de empleados de tiempo completo que hay que contratar.


Nmero de empleados
requeridos
Da 1 = lunes 17
Da 2 = martes 13
Da 3 = mircoles 15
Da 4 = jueves 19
Da 5 = viernes 14
Da 6 = sbado 16
Da 7 = domingo 11

Solucin. Sean las variables de decisin:
i
x = nmero de empleados que empiezan a trabajar el da i

7 6 5 4 3 2 1
min x x x x x x x z + + + + + + =
s.a.

0
11
16
14
19
15
13
17
7 6 5 4 3
6 5 4 3 2
5 4 3 2 1
7 4 3 2 1
7 6 3 2 1
7 6 5 2 1
7 6 5 4 1
>
> + + + +
> + + + +
> + + + +
> + + + +
> + + + +
> + + + +
> + + + +
i
x
x x x x x
x x x x x
x x x x x
x x x x x
x x x x x
x x x x x
x x x x x


Ejemplo 5. Problema de mezclas
16

Sunco Oil produce tres tipos de gasolina (1, 2 y 3). Cada tipo de gasolina se produce
mezclando tres tipos de petrleo crudo (1, 2 y 3). La tabla da los precios de venta por barril
de las gasolinas y los precios de compra, por barril del petrleo crudo. Sunco puede
comprar hasta 5000 barriles de cada tipo de petrleo crudo diariamente.

Precio de venta
Por barril (Dlares)
Precio de compra
Por barril (Dlares
Gasolina 1 70 Crudo 1 45
Gasolina 2 60 Crudo 2 35
Gasolina 3 50 Crudo 3 25

Los tres tipos de gasolina difieren en su ndice de octano y en su contenido de azufre. La
mezcla de petrleo crudo que se utiliza para obtener la gasolina 1 debe tener un ndice de
octano promedio de por lo menos 10 y a lo ms 1% de azufre. La mezcla de petrleo que se
utiliza para obtener la gasolina 2 debe tener un ndice de octano promedio de por lo menos
8 y a lo ms 2% de azufre, y la gasolina 3 debe tener al menos 6 de octano y a lo ms 1%
de azufre. El ndice de octano y el contenido de azufre de los tres tipos de petrleo se dan
en la siguiente tabla. La transformacin de un barril de petrleo en un baril de gasolina
cuesta 4 dlares, y la refinera de Sunco puede producir diariamente, hasta 14000 barriles
de gasolina.

Indice de octano Contenido de azufre
Crudo 1 12 0.5%
Crudo 2 6 2.0%
Crudo 3 8 3.0%

Los clientes de sunco necesitan diariamente las siguientes cantidades de cada tipo de
gasolina: gasolina 1, 3000 barriles, gasolina 2, 2000 barriles, gasolina 3, 1000 barriles. La
compaa se siente comprometida a cumplir con esas demandas. Sunco tiene la posibilidad
de estimular la demanda de sus productos mediante la publicidad. Cada dlar invertido
diariamente en la publicidad para cierto tipo de gasolina, aumenta la demanda diaria de ese
tipo de gasolina en 10 barriles. Por ejemplo, si Sunco decide gastar diariamente 20 dlares
para promover la gasolina 2, la demanda diaria de la gasolina 2 se incrementar en
20(10)=200 barriles. Formule un PL que permita a Sunco a maximizar sus ganancias
diarias.

Solucin.
Sean las siguientes variables de decisin:
i
a = dlares gastados en la publicidad para la gasolina i
ij
x = barriles del petrleo crudo i que se usan diariamente para producir la gasolina j

Ingresos diarios por la venta de gasolina:
) ( 50 ) ( 60 ) ( 70
33 23 13 32 22 12 31 21 11
x x x x x x x x x + + + + + + + +

Costos diarios por compra de petrleo crudo:
17

) ( 25 ) ( 35 ) ( 45
33 32 31 23 22 21 13 12 11
x x x x x x x x x + + + + + + + +

Costos diarios de publicidad:
3 2 1
a a a + +

Costos diarios de la produccin:
) ... ( 4
33 12 11
x x x + + +

Demanda de gasolina 1:
1 31 21 11
10 3000 a x x x + = + +
Demanda de gasolina 2:
2 32 22 12
10 2000 a x x x + = + +
Demanda de gasolina 3:
3 33 23 13
10 1000 a x x x + = + +

Restriccin de petrleo crudo 1:
5000
13 12 11
s + + x x x
Restriccin de petrleo crudo 2:
5000
23 22 21
s + + x x x
Restriccin de petrleo crudo 3:
5000
33 32 31
s + + x x x


Produccin total de gasolina:
14000 ) ( ) ( ) (
33 23 13 32 22 12 31 21 11
s + + + + + + + + x x x x x x x x x

Petrleo que se usa para obtener la gasolina 1, debe tener un ndice de octano de por lo
menos 10: 10
8 6 12
mezcla la en 1 Gasolina
gasolina la en total octanico Indice
31 21 11
31 21 11
>
+ +
+ +
=
x x x
x x x

que equivale a: 0 2 4 2
31 21 11
> x x x
Petrleo que se usa para obtener la gasolina 2, debe tener un ndice de octano de por lo
menos 8: 0 2 4
22 12
> x x
Petrleo que se usa para obtener la gasolina 3, debe tener un ndice de octano de por lo
menos 6: 0 2 6
33 13
> + x x (Restriccin redundante)

Petrleo que se usa para obtener la gasolina 1, debe tener a lo ms 1% de azufre:
01 . 0
03 . 0 02 . 0 005 . 0
1 gasolina la de mezcla la en Barriles
1 gasolina la de mezcla la en azufre de Total
31 21 11
31 21 11
s
+ +
+ +
=
x x x
x x x

que equivale a: 0 02 . 0 01 . 0 005 . 0
31 21 11
s + + x x x
Petrleo que se usa para obtener la gasolina 2, debe tener a lo ms 2% de azufre:
0 01 . 0 015 . 0
32 12
s + x x
18

Petrleo que se usa para obtener la gasolina 3, debe tener a lo ms 1% de azufre:
0 02 . 0 01 . 0 005 . 0
33 23 13
s + + x x x

Combinando la funcin objetivo y las restricciones, menos la restriccin redundante, se
obtiene el PL que se puede expresar en forma matricial:

11
x
12
x
13
x
21
x
22
x
23
x
31
x
32
x
33
x
1
a
2
a
3
a

21 11 1 31 21 11 41 31 21 -1 -1 -1
(max)
1 0 0 1 0 0 1 0 0 -10 0 0
=3000
0 1 0 0 1 0 0 1 0 0 -10 0
=2000
0 0 1 0 0 1 0 0 1 0 0 -10
=1000
1 1 0 0 0 0 0 0 0 0 0
s5000
0 0 0 1 1 1 0 0 0 0 0 0
s5000
0 0 0 0 0 0 1 1 1 0 0 0
s5000
1 1 1 1 1 1 1 1 1 0 0 0
s1400
0
2 0 0 -4 0 0 -2 0 0 0 0 0
0 >
0 4 0 0 -2 0 0 0 0 0 0 0
0 >
-0.005 0 0 0.01 0 0 0.02 0 0 0 0 0
0 >
0 -0.015 0 0 0 0 0 0.01 0 0 0 0
0 >
0 0 -0.005 0 0 0 0 0 0 0 0 0
0 >

Resolviendo con un programa de PL. se obtiene como solucin ptima: 287500 = z
22 . 2222
11
= x 11 . 2111
12
= x 67 . 666
13
= x 44 . 444
21
= x 22 . 4222
22
= x 34 . 333
23
= x
33 . 333
31
= x 67 . 3166
32
= x 0
33
= x 0
1
= a 750
2
= a 0
3
= a
As, Sunco tendra que producir 3000
31 21 11
= + + x x x barriles de gasolina 1, usando
2222.22 barriles de crudo 1, 444.44 barriles de crudo 2 y 333.33 barriles de crudo 3, similar
para las dems cantidades; obteniendo una ganancia de 287500 dlares.


19

METODO SIMPLEX

Se basa en la resolucin de un sistema de ecuaciones lineales de la forma b AX = , donde
A es una matriz de orden mxn ( m ecuaciones y n incgnitas) con m n > .

Suponemos que estos sistemas admiten al menos una solucin (en este caso, tendrn
infinitas soluciones), de entre todas las posibles soluciones consideramos las denominadas
soluciones bsicas que son las que tienen ) ( m n variables con valor cero: variables no
bsicas (VNB), y m variables con valor no necesariamente cero: variables bsicas (VB)

Ejemplo:

Para el sistema lineal de ecuaciones:
4 2
2
3 2 1
3 1
= +
= +
x x x
x x


se tiene: 2 , 3 = = m n

Una solucin bsica debe tener 1 2 3 = = m n variables con valor cero (VNB) y 2 = m
variables con valor no necesariamente cero (VB), as por ejemplo podemos tomar:

{ } 0 ,
1 1
= = x x VNB
{ } 2 , 6 , ,
3 2 3 2
= = = x x x x VB

{ } 0
2 2
= = x x VNB
{ } 0 , 2 , ,
3 1 3 1
= = = x x x x VB

Observacin: se puede mostrar que el nmero de soluciones bsicas es siempre finito

Como en la modelizacin de los PL, las restricciones lineales son de tipo; > = s , , , las
desigualdades se las transforma en igualdades de la siguiente manera:

- Si i_sima restriccin es de tipo s, en el lado izquierdo se aade una variable
artificial, denotada
i
s , llamada de holgura

Ejemplo: Supngase que se tiene la restriccin sobre el nmero de horas disponibles de
mano de obra:
100 2
2 1
s + x x
El lado izquierdo es lo que se va a utilizar de horas de mano de obra: (
2 1
2 x x + ), mientras
que el lado derecho es la disponibilidad, entonces la diferencia: ) 2 ( 100
2 1 1
x x s + = es la
capacidad no utilizada (holgura), ecuacin que equivale a:
100 2
1 2 1
= + + s x x

20

- Si i_sima restriccin es de tipo >, en el lado izquierdo se resta una variable
artificial, denotada
i
e , llamada de exceso

Ejemplo: Supngase que se tiene la restriccin sobre el nmero mnimo de caloras que
debe consumirse:
500 2 3
2 1
> + x x
El lado izquierdo es lo que consume: (
2 1
2 3 x x + ), mientras que el lado derecho es lo que
se necesita, entonces la diferencia: ) 2 3 ( 500
2 1 1
x x e + = representa el exceso que ha
consumido en caloras, ecuacin que equivale a:
500 2 3
1 2 1
= + e x x

Observacin: Las variables de holgura y exceso son siempre no negativas

Con estas variables de holgura o exceso se tiene que todas las restricciones pueden
ponerse como ecuaciones lineales, en este caso se dice que el PL est en su forma
estndar, las cuales forman un sistema lineal de ecuaciones; todas las soluciones de este
sistema forman la regin factible del PL.

Teorema: La regin factible de un PL es un conjunto convexo que tiene un nmero
finito de puntos extremos (vrtices) que corresponden a las soluciones bsicas del
sistema formado por las restricciones. Adems si el PL admite solucin ptima, sta
coincide con uno de los puntos extremos.

Observacin: El teorema anterior indica que en el caso que un PL admita solucin
ptima, entonces sta debe buscarse de entre las soluciones bsicas, la cual tendr m
variables bsicas (VB) (igual al nmero de restricciones) y ) ( m n variables no bsicas
(VNB)

Metodologa del Simplex

Determinar la regin factible (sistema de ecuaciones lineales)
Buscar una solucin bsica factible (sbf)
Es esta solucin la ptima?

Si la respuesta es afirmativa, el problema est resuelto
Si la respuesta es negativa, se busca otra sbf que sea adyacente y que mejore la solucin
(si el problema es de maximizacin, que aumente el valor de la funcin objetivo, si es
de minimizacin, que disminuya el valor de la funcin objetivo)

Para saber si la sbf es la ptima, debe establecerse un criterio, el cual puede ser el
siguiente: al cambiar de valor las variables bsicas (dentro de la regin factible) es
posible mejorar la solucin?

Lo anterior ilustremos con un ejemplo:

21

Supngase que se tiene el PL siguiente:

40
100 2
80 . .
2 3 max
1
2 1
2 1
2 1
s
s +
s +
+ =
x
x x
x x a s
x x z


Transformamos a la forma estndar:

40
100 2
80 . .
0 2 3 max
3 1
2 2 1
1 2 1
2 1
= +
= + +
= + +
= +
s x
s x x
s x x a s
x x z


En el sistema que forman las restricciones, se tienen 5 = n variables y 3 = m
restricciones, por lo que una solucin bsica debe tener 3 = m variables bsica (VB) y
2 = m n variables no bsicas (VNB)

Tomemos:
{ }
{ } 40 , 100 , 80 , ,
0 , 0 ,
3 2 1 3 2 1
2 1 2 1
= = = =
= = =
s s s s s s VB
x x x x VNB


Valor de la funcin objetivo:
0 2 3
2 1
= + = x x z

Realizamos la pregunta: es esta solucin la ptima?

Para responder la pregunta analizamos la funcin objetivo:
2 1
2 3 x x z + =

Se tiene que por cada unidad que se incremente en
1
x , la utilidad (FO) se incrementa en
3 unidades, y lo mismo por cada unidad que se incremente en
2
x , la utilidad se
incrementa en 2, entonces conviene incrementar el valor de
1
x de su valor actual 0 hasta
lo mximo permitido (que debemos determinarlo de las restricciones), manteniendo a
2
x en su valor actual 0.

De las ecuaciones se tiene:
40
100 2
80
3 1
2 1
1 1
= +
= +
= +
s x
s x
s x


que equivale a:
22


1 3
1 2
1 1
40
2 100
80
x s
x s
x s
=
=
=


como todas las variables son no negativas, entonces:

1
40
0
2
100
0
1
80
0
1 3
1 2
1 1
s >
s >
s >
x s
x s
x s


As, el mximo valor que puede tomar
1
x es: 40
1
40
,
2
100
,
1
80
min =
)
`

Ntese que el valor 40
1
= x se obtiene de la tercera ecuacin, por lo que en este caso
0
3
= s y
3
s de variable bsica pasa a ser variable no bsica, as como
1
x de variable no
bsica pasa a ser bsica (al tener un valor distinto de cero)


De donde la nueva solucin bsica factible (sbf) es:

{ }
{ } 40 , 20 , 40 , ,
0 , 0 ,
1 2 1 1 2 1
2 3 2 3
= = = =
= = =
x s s x s s VB
x s x s VNB


Valor de la funcin objetivo:
120 2 3
2 1
= + = x x z

Lo anterior se puede expresar en un PL equivalente, en donde cada variable bsica
aparece solo en una de las ecuaciones con coeficiente uno (1) (la que corresponde a la
fila de donde se obtuvo su valor) y en las dems ecuaciones con coeficiente cero (0);
esto se puede lograr al utilizar las operaciones elementales entre filas:

- se pueden intercambiar dos filas:
j i
F F
- a una fila se la puede multiplicar por un escalar diferente de cero:
i i
F F
- a una fila se le puede sumar un mltiplo de otra fila:
j i i
F F F +

De esta manera el nuevo PL ser:
23

40 40
20 20 2
40 40 . .
120 120 3 2 max
VB
1 3 1
2 3 2 2
1 3 1 2
3 2
= = +
= = +
= = +
= = +
x s x
s s s x
s s s x a s
z s x z


Repetimos el proceso, al analizar si esta nueva sbf es la ptima.

La funcin objetivo es:
3 2
3 2 120 s x z + = ,sta puede aumentar de valor si
incrementamos el valor de
2
x de su valor actual cero hasta el mximo permitido por las
restricciones

De las ecuaciones se tiene:

2 2
2 1
20
40
x s
x s
=
=


como todas las variables son no negativas, entonces:

1
20
0
1
40
0
2 2
2 1
s >
s >
x s
x s

As, el mximo valor que puede tomar
2
x es: 20
2
20
,
1
40
min =
)
`

Ntese que el valor 20
2
= x se obtiene de la segunda ecuacin, por lo que en este caso
0
2
= s y
2
s de variable bsica pasa a ser variable no bsica, as como
2
x de variable no
bsica pasa a ser bsica (al tener un valor distinto de cero)


De donde la nueva solucin bsica factible (sbf) es:

{ }
{ } 40 , 20 , 20 , ,
0 , 0 ,
1 2 1 1 2 1
2 3 1 3
= = = =
= = =
x x s x x s VB
s s s s VNB


Valor de la funcin objetivo:
160 ) 20 ( 2 ) 40 ( 3 2 3
2 1
= + = + = x x z

y el problema PL equivalente, despus de utilizar operaciones elementales, es:

24

40 40
20 20
20 20 2 . .
160 160 2 max
VB
1 3 1
2 2 2
1 3 2 1
3 2
= = +
= = +
= = +
= = + +
x s x
x s x
s s s s a s
z s s z


A partir de este ejemplo, se puede deducir el mtodo del Simplex para un problema
Estndar:

- La funcin objetivo debe ser de maximizacin
- Las restricciones deben ser de tipo s, las que se transforman en ecuaciones con
ayuda de variables de holgura
- Se busca una solucin bsica factible: las variables bsicas son las de holgura
- Se realiza la pregunta: Es esta solucin ptima?
- Si no es ptima, se realiza una iteracin para encontrar una mejor sbf, que sea
adyacente a la anterior
- Hay que determinar que variable entra a la base y cual sale de la base (de no
bsica pasa a ser bsica y viceversa)
- La solucin es ptima si en la fila de la funcin objetivo, todos los coeficientes
son no negativos
- Si hay coeficientes negativos, se escoge como variable que entra la que tiene el
coeficiente ms negativo en la fila correspondiente a la funcin objetivo.
- Para determinar que variable sale de la base, se forma la prueba de la razn:
entra que variable la de e coeficient
derecho lado
razn = , siempre y cuando el coeficiente de
la variable que entra, sea positivo. La fila con la razn ms pequea se dice que
es la ganadora. En esa fila se queda la variable que entra con coeficiente uno, en
las dems filas el coeficiente de la variable que entra debe ser cero, esto se logra
al usar operaciones elementales entre filas, usando como pivote a la fila
ganadora.

Observacin: Los pasos del Simplex, pueden presentarse en un arreglo matricial, llamado
Tabla Simplex.

25

Ejemplo:

0 ,
40
100 2
80 . .
2 3 max
2 1
1
2 1
2 1
2 1
>
s
s +
s +
+ =
x x
x
x x
x x a s
x x z


Tabla Simplex inicial (para el problema en la forma estndar)

# z
1
x
2
x
1
s
2
s
3
s
l.d. VB razn
(0) 1 -3 -2 0 0 0 0 z
(1) 0 1 1 1 0 0 80
1
s
80/1
(2) 0 2 1 0 1 0 100
2
s
100/2
(3) 0 1 0 0 0 1 40
3
s
40/1*

Variable que entra:
1
x
Fila ganadora de la prueba de la razn: (3), variable que sale:
3
s

Nueva tabla Simplex, despus de aplicar OEF

# z
1
x
2
x
1
s
2
s
3
s
l.d. VB razn
(0) 1 0 -2 0 0 3 120 z
(1) 0 0 1 1 0 -1 40
1
s
40/1
(2) 0 0 1 0 1 -2 20
2
s
20/1*
(3) 0 1 0 0 0 1 40
1
x
40/1

Variable que entra:
2
x
Fila ganadora de la prueba de la razn: (2), variable que sale:
2
s

Nueva tabla Simplex, despus de usar OEF

# z
1
x
2
x
1
s
2
s
3
s
l.d. VB razn
(0) 1 0 0 0 2 -1 160 z
(1) 0 0 0 1 -1 1 20
1
s
20/1*
(2) 0 0 1 0 1 -2 20
2
x
---
(3) 0 1 0 0 0 1 40
1
x
40/1

Variable que entra:
3
s
Fila ganadora de la prueba de la razn: (1), variable que sale:
1
s
26

Nueva tabla Simplex, despus de usar OEF

# z
1
x
2
x
1
s
2
s
3
s
l.d. VB razn
(0) 1 0 0 0 1 0 180 z
(1) 0 0 0 1 -1 1 20
3
s

(2) 0 0 1 2 -1 0 60
2
x

(3) 0 1 0 -1 1 0 20
1
x


Solucin Optima:

20
1
= x , 60
2
= x , 0
1
= s , 0
2
= s , 20
3
= s

Valor Optimo:

180 = z

Observacin: Los coeficientes de las variables bsicas (VB) en la fila 0 (de la funcin
objetivo) son siempre cero, recprocamente: si en la fila 0 el coeficiente de una variable es
cero, entonces sta debe ser una variable bsica.


Uso del Algoritmo Simplex para Problemas de Minimizacin

Se puede aplicar el algoritmo Simplex para resolver problemas de minimizacin, de dos
maneras diferentes:

Mtodo 1: La funcin objetivo de minimizacin se transforma en una de maximizacin, al
cambiarla de signo, ya que se tiene:
) ( max min z z

Mtodo 2: En el algoritmo Simplex, cuando se determina que variable entra a la base, se
escoge la que en la fila (0), tenga el coeficiente ms positivo


Ejemplo:

0 ,
6
4 . .
3 2 min
2 1
2 1
2 1
2 1
>
s
s +
=
x x
x x
x x a s
x x z


27

Otras Soluciones Optimas

En algunos PL, se tiene que el ptimo se alcanza en ms de un punto extremo, en este caso
se dice que el PL tiene soluciones ptimas mltiples. Usando la tabla Simplex se puede
determinar cuando sucede este caso.

Supngase que se ha determinado el ptimo en un punto extremo A. Recurdese que en la
tabla Simplex todas las variables bsicas deben tener coeficiente cero en la fila 0 (si no, no
seran variables bsicas). Si al analizar la tabla Simplex que da la solucin ptima, hay una
variable que sin ser bsica tiene coeficiente cero en la fila 0, entonces debera ser bsica,
por lo que se la ingresa en la base, la nueva solucin debe dar el mismo valor del ptimo,
pero en otro punto extremo B ; en este caso, se puede demostrar que todo punto en el
segmento de recta que une estos dos puntos, tambin es ptimo:

1 0 , ) 1 ( s s + = t B t A t P

Ejemplo:

5
8 5 . 0 5 . 1 2
20 5 . 1 2 4
48 6 8 . .
20 35 60 max
2
3 2 1
3 2 1
3 2 1
3 2 1
s
s + +
s + +
s + +
+ + =
x
x x x
x x x
x x x a s
x x x z


El ptimo se alcanza en los puntos:
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
=
8
0
2
3
2
1
x
x
x
A y
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
=
2 . 11
6 . 1
0
3
2
1
x
x
x
B
Valor Optimo: 280 = z

Por lo que todo punto:
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|
+
|
|
|
.
|

\
|
= + =
t
t
t
t t B t A t P
2 . 3 2 . 11
6 . 1 6 . 1
2
2 . 11
6 . 1
0
) 1 (
8
0
2
) 1 ( , 1 0 s s t ,
tambin es ptimo.

PL no Acotados

Para algunos PL se tiene que existen puntos en la regin factible para los cuales z toma
valores arbitrariamente grandes (en problemas de maximizacin), o arbitrariamente
pequeos (en problemas min). Cuando se presenta esta situacin se dice que el PL es no
acotado. Al analizar la tabla Simplex se puede determinar si esta situacin ocurre: Cuando
se ha determinado que variable debe entrar en la base, la prueba de la razn no indica en
que fila debe hacerlo (los correspondientes coeficientes o son negativos o son cero, lo que
implica que la variable puede aumentar de valor indefinidamente)
28


Ejemplo:

10 5 6
5 . .
4 3 30 36 max
4 2 1
3 2 1
4 3 2 1
s +
s +
+ =
x x x
x x x a s
x x x x z




Resumen del Algoritmo Simplex para un Problema de Maximizacin

Paso 1: Convierta el PL en la forma estndar
Paso 2: Encuentre una solucin bsica factible (sbf). Esto es fcil si todas las restricciones
son s, con lados derechos no negativos. Entonces se puede usar la variable de holgura
i
s
como variable bsica para la fila i . Si no hay ninguna sbf disponible fcilmente (en el caso
de que haya restricciones de tipo = o de tipo >), se puede usar una de las tcnicas para
determinar una sbf inicial como el mtodo de la M grande o el mtodo de las dos fases.
Paso 3: Si todas las variables no bsicas tiene coeficientes no negativos en la fila 0, es
ptima la sbf actual. Si algunas variables en la fila 0 tienen coeficientes negativos, escoja la
variable con el coeficiente ms negativo en la fila 0, para que entre en la base. Se llama esta
variable, la variable que entra.
Paso 4: Utilice Operaciones Elementales entre Filas (OEF) para convertir la variable que
entra en una variable bsica en la fila que gana la prueba de la razn (se pueden resolver
arbitrariamente los empates). Despus de usar las OEF para obtener una nueva forma
cannica, regrese al paso 3, utilizando la forma cannica actual.
29

El Mtodo de la M Grande

Recurdese que el algoritmo simplex requiere una sbf inicial. Para todos los problemas que
se han presentado con restricciones de tipo s, encontramos una sbf inicial, utilizando las
variables de holgura como variables bsicas. Si un PL tiene algunas restricciones de tipo >
o de igualdad, puede ser difcil hallar una sbf inicial

Ejemplo

10
20 3
4 . .
3 2 min
2 1
2 1
2 4
1
1 2
1
2 1
= +
> +
s +
+ =
x x
x x
x x a s
x x z


Transformando a la forma estndar, aadimos una variable de holgura en la primera
restriccin y restamos una variable de exceso a la segunda restriccin, obtenindose:

10
20 3
4 . .
0 3 2 min
2 1
2 2 1
1 2 4
1
1 2
1
2 1
= +
= +
= + +
=
x x
e x x
s x x a s
x x z


Al buscar una sbf, vemos que se podra usar 4
1
= s como una variable bsica (y factible)
para la fila 1. Multiplicando por (-1) la fila 2, observamos que se podra usar 20
2
= e
como una variable bsica para la fila 2, pero se viola la restriccin de signo 0
2
> e , por
ltimo, en la fila 3 no aparece una variable bsica obvia. Por lo tanto, para poder utilizar el
algoritmo simplex, las filas 2 y 3 necesitan cada una, una variable bsica (y factible). Para
remediar este problema inventamos una variable bsica factible para cada restriccin que
necesite una. Ya que se crean estas variables y que no se trata de variables reales, se las
llama variables artificiales. Si aadimos una variable artificial a la fila i , sta ser
i
a

En nuestro ejemplo, se tendr:

10 a
20 3
4 . .
0 3 2 min
3 2 1
2 2 2 1
1 2 4
1
1 2
1
2 1
= + +
= + +
= + +
=
x x
a e x x
s x x a s
x x z


Ahora se tiene una sbf: 0 = z , 4
1
= s , 20
2
= a , 10
3
= a , desafortunadamente, no hay
garanta que la solucin ptima de este problema sea la misma solucin ptima del
30

problema original, ya que al resolver se podra tener que una o ms variables artificiales
sean positivas.

En un problema de minimizacin, es posible asegurar que todas las variables artificiales
sean iguales a cero, al aadir un trmino
i
Ma a la funcin objetivo para cada variable
artificial
i
a (En un problema de maximizacin se aade un trmino
i
Ma a la funcin
objetivo). Aqu M representa un nmero muy grande positivo. As, la nueva funcin
objetivo, en el ejemplo, ser

3 2 2 1
3 2 min Ma Ma x x z + + + =

Modificar de esta forma la funcin objetivo hace que esto sea muy costoso para una
variable artificial que sea positiva. Con esta funcin objetivo modificada, parece razonable
que la solucin ptima tendr: 0
3 2
= = a a , en este caso, la solucin ptima resolver el
problema original. A veces sucede, sin embargo, que al resolver problemas de este tipo,
algunas variables artificiales pueden tomar valores positivos en la solucin ptima. Si esto
sucede, el problema original no tendr una solucin factible.

Descripcin del mtodo de la M Grande

Paso 1: Modifique las restricciones de tal manera que el lado derecho de cada restriccin
sea no negativo
Paso 2: Cada restriccin transforme en igualdad de la manera siguiente: si es de tipo s
aada una variable de holgura, si es de tipo =, sume una variable artificial y, si es de tipo >
reste una variable de exceso y sume una variable artificial.
Paso 3: Sea M un nmero positivo muy grande. Si el PL es de min, aada (para cada
variable artificial)
i
Ma a la funcin objetivo. Si el PL es uno de maximizacin, se aade
i
Ma a la funcin objetivo.
Paso 4: Ya que cada variable artificial estar en la base inicial, debe tener coeficiente cero
en la fila de la funcin objetivo, por lo que hay que eliminar todas las variables artificiales
de la fila 0 antes de empezar el algoritmo simplex. Esto asegura que empecemos con una
forma cannica. La eliminacin se la hace usando las filas de las restricciones que
contienen las variables artificiales.
Paso 5: Si todas las variables artificiales son iguales a cero en la solucin ptima, se ha
encontrado la solucin ptima del problema original. Si cualquier variable artificial es
positiva en la solucin ptima, el problema original es no factible.

Observacin: Cuando una variable artificial sale de la base, se puede quitar su columna de
futuros cuadros (tablas), esto se debe a que el propsito de una variable artificial solamente
es obtener una solucin inicial bsica y factible. Una vez que una variable artificial salga de
la base, ya no la necesitamos ms.

Solucin del ejemplo

Siguiendo los pasos 1-3, se obtiene:
31

10
20 3
4 . .
3 2 min
3 2 1
2 2 2 1
1 2 4
1
1 2
1
3 2 2 1
= + +
= + +
= + +
+ + + =
a x x
a e x x
s x x a s
Ma Ma x x z


Problema que es equivalente a:

10
20 3
4 . .
0 3 2 min
3 2 1
2 2 2 1
1 2 4
1
1 2
1
3 2 2 1
= + +
= + +
= + +
=
a x x
a e x x
s x x a s
Ma Ma x x z


Siguiendo el paso 4, eliminamos las variables artificiales de la fila cero al reemplazar esta
fila por: Fila 0 + M (fila2) + M (fila3), esto produce:

10
20 3
4 . .
30 ) 3 4 ( ) 2 2 ( min
3 2 1
2 2 2 1
1 2 4
1
1 2
1
2 2 1
= + +
= + +
= + +
= + +
a x x
a e x x
s x x a s
M Me x M x M z


Con lo cual se tiene la tabla inicial del simplex:

z
1
x
2
x
1
s
2
e
2
a
3
a
l.d. VB Razn
1
2 2 M 3 4 M 0
M 0 0 M 30 z
0 1 0 0 0 4
1
s
16
0 1 3 0 -1 1 0 20
2
a
3
20
*
0 1 1 0 0 0 1 10
3
a
10

Entra en la base
2
x por tener el coeficiente ms grande
Sale de la base
2
a por estar en la fila ganadora de la prueba de la razn

Siguiente tabla simplex

z
1
x
2
x
1
s
2
e
2
a
3
a
l.d. VB Razn
1
3
3 2 M

0 0
3
3 M

3
4 3 M

0
3
10 60 M +
z
0
12
5

0 1
12
1

12
1

0
3
7

1
s
5
28

0
3
1

1 0
3
1

3
1

0
3
20

2
x
20
0
3
2

0 0
3
1

3
1

1
3
10

3
a
5*

32

Entra en la base
1
x por tener el coeficiente ms grande
Sale de la base
3
a por estar en la fila ganadora de la prueba de la razn

Siguiente tabla simplex

z
1
x
2
x
1
s
2
e
2
a
3
a
l.d. VB Razn
1 0 0 0
2
1

2
2 1 M

2
2 3 M

25 z
0 0 0 1
8
1

8
1

8
5

4
1

1
s

0 0 1 0
2
1

2
1

2
1

5
2
x

0 1 0 0
2
1

2
1

2
3

5
1
x



Solucin Optima:
5
1
= x , 5
2
= x ,
4
1
1
= s , 0
2
= e

Valor Optimo:

25 = z
33

Anlisis de Sensibilidad

Si un PL tiene ms de dos variable de decisin, no se podr determinar grficamente el
intervalo de valores del lado derecho (0 de un coeficiente de la funcin objetivo) para los
cuales la base actual es ptima. Se puede obtener estos intervalos mediante clculos a
mano, pero resultan muchas veces tediosos, as que se determina el intervalo de los valores
de un lado derecho, o de un coeficiente de la funcin objetivo, para los cuales la base es
ptima, mediante paquetes de computadora, como el LINDO, como una ilustracin se
analizan los siguientes ejemplos:

Ejemplo(Winco)

Winco vende cuatro tipos de productos. En la tabla se dan los recursos requeridos para
producir una unidad de cada producto, y los precios de venta de cada producto. Se disponen
de 4600 unidades de materia prima y 500 horas de trabajo. Para satisfacer las demandas de
los clientes, hay que producir exactamente 950 unidades en total. Los clientes exigen que se
produzcan por lo menos 400 unidades de producto 4. Formule un PL que se pueda usar para
maximizar los ingresos de Winco

Producto 1 Producto 2 Producto 3 Producto 4
Materia prima 2 3 4 7
Horas de trabajo 3 4 5 6
Precio de venta 4 6 7 8

Solucin:

Sea
i
x = nmero de unidades del producto i , producidos. Entonces el PL adecuado es:
5000 6 5 4 3
4600 7 4 3 2
1
1000 s.a.
8 7 6 4 max
4 3 2 1
4 3 2 1
4
4 3 2 1
4 3 2 1
s + + +
s + + +
>
= + + +
+ + + =
x x x x
x x x x
x
x x x x
x x x x z


Salida LINDO

max 4x1 + 6x2 + 7x3 + 8x4
subject to
x1 + x2 + x3 + x4 = 950
x4 >= 400
2x1 + 3x2 + 4x3 + 7x4 <= 4600
3x1 + 4x2 + 5x3 + 6x4 <= 5000
end



34

LP OPTIMUM FOUND AT STEP 4

OBJECTIVE FUNCTION VALUE

1) 6650.000

VARIABLE VALUE REDUCED COST
X1 0.000000 1.000000
X2 400.000000 0.000000
X3 150.000000 0.000000
X4 400.000000 0.000000


ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 3.000000
3) 0.000000 -2.000000
4) 0.000000 1.000000
5) 250.000000 0.000000

NO. ITERATIONS= 4


RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 4.000000 1.000000 INFINITY
X2 6.000000 0.666667 0.500000
X3 7.000000 1.000000 0.500000
X4 8.000000 2.000000 INFINITY

RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 950.000000 50.000000 100.000000
3 400.000000 37.500000 125.000000
4 4600.000000 250.000000 150.000000
5 5000.000000 INFINITY 250.000000














35

Ejemplo (Tucker)

Tucker debe producir 1000 automviles. La compaa tien cuatro fbricas. En la tabla se
dan, para cada fbrica, el costo de produccin de un Tucker, adems de la materia prima y
de la mano de obra que se necesita. El sindicato de trabajadores de la rama automotriz,
exige que se produzcan por lo menos 400 automviles en la fbrica 3. Se disponen de 3300
horas de trabajo y de 4000 unidades de materia prima para que se distribuyan en las cuatro
fbricas. Formule un PL cuya solucin permitir a Tucker minimizar los costos de producir
1000 automviles

Fbrica Costos (miles USD) Mano de obra Materia prima
1 15 2 3
2 10 3 4
3 9 4 5
4 7 5 6

Solucin

Sea
i
x = nmero de automviles producidos en la fbrica i . Entonces, expresar la funcin
objetivo en miles de dlares, el PL adecuado es:

4000 6 5 4 3
3300 5 4 3 2
400
1000 s.a.
7 9 10 15 min
4 3 2 1
4 3 2 1
3
4 3 2 1
4 3 2 1
s + + +
s + + +
>
= + + +
+ + + =
x x x x
x x x x
x
x x x x
x x x x z


Salida LINDO

min 15x1 + 10x2 + 9x3 + 7x4
subject to
x1 + x2 + x3 + x4 = 1000
x3 >= 400
2x1 + 3x2 + 4x3 + 5x4 <= 3300
3x1 + 4x2 + 5x3 + 6x4 <= 4000
end

36

LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE

1) 11600.00

VARIABLE VALUE REDUCED COST
X1 400.000000 0.000000
X2 200.000000 0.000000
X3 400.000000 0.000000
X4 0.000000 7.000000


ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 -30.000000
3) 0.000000 -4.000000
4) 300.000000 0.000000
5) 0.000000 5.000000

NO. ITERATIONS= 2


RANGES IN WHICH THE BASIS IS UNCHANGED:



OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 15.000000 INFINITY 3.500000
X2 10.000000 2.000000 INFINITY
X3 9.000000 INFINITY 4.000000
X4 7.000000 INFINITY 7.000000

RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 1000.000000 66.666664 100.000000
3 400.000000 100.000000 400.000000
4 3300.000000 INFINITY 300.000000
5 4000.000000 300.000000 200.000000

37

Intervalos para los coeficientes de la Funcin Objetivo

Para cada coeficiente de la FO, se tiene un intervalo para el cual los valores de la base
actual es ptima, este intervalo se da en la parte de la salida LINDO llamada OBJECTIVE
COEFFICIENT RANGES. LA seccin de la salida llamada ALLOWABLE INCREASE
(AI), indica la cantidad en la cual se puede aumentar un coeficiente de la funcin objetivo,
sin que la base actual cambie. Similarmente, la seccin llamada ALLOWABLE
DECREASE (AD) , indica la cantidad en la cual se puede disminuir un coeficiente de la
funcin objetivo, sin que la base actual cambie. Para ilustrar estos conceptos, sea
i
c el
coeficiente de la funcin objetivo correspondiente a
i
x

En el ejemplo 1, al cambiar
1
c , la base actual ser ptima si: 5 1 4 4
1
= + s s = c
Si se cambia
2
c , la base es ptima si: 666667 . 6 666667 . 0 6 5 . 0 6 5 . 5
2
= + s s = c

Se refiere a este tipo de intervalos, para los cuales la base es ptima, como el intervala
permisible para
i
c . Si
i
c queda en su intervalo permisible, los valores de las variables de
decisin permanecern sin cambio, pero el valor ptimo de z puede cambiar.

Ejemplo:
a) Suponga que Winco aumenta el precio del producto 2 en 50 cedntavos la unidad.
Cul es la nueva solucin ptima del PL?
b) Suponga que se aumenta el precio de venta del producto 1 en 60 centavos. Cul es
la nueva solucin ptima?
c) Suponga que se disminuye el precio de venta del producto 3 en 60 centavos. Cul
es la nueva solucin ptima para el PL?

Solucin:

a) Como el AI para
2
c es 0.666667 dlares, y solamente
2
c se aumenta en 0.5 dlares,
la base actual sigue siendo ptima. Los valores ptimos de las variables de decisin
no cambian ) 400 , 150 , 400 , 0 (
4 3 2 1
= = = = x x x x . Se puede encontrar el
nuevo valor ptimo de z de dos maneras: Primero, es posible sustituir simplemente
los valores ptimos de las variables de decisin en la nueva funcin objetivo, lo que
da:
Valor Optimo: 6850 ) 400 ( 8 ) 150 ( 7 ) 400 ( 5 . 6 ) 0 ( 4 = + + + = z

Otra manera para ver que el nuevo valor ptimo es 6850, consiste en observar el
nico cambio en los ingresos de las ventas. Cada unidad del producto 2 aporta con 50
centavos ms a las utilidades. Por lo tanto, el ingreso total tiene que aumentar en
400(0.5)=200 dlares, y as:
Valor Optimo: z = valor original + incremento = 6850

b) El AI para
1
c es 1, por lo tanto, la base actual es ptima, y los valores ptimos de
las variables de decisin no cambian. Ya que el valor de
1
x en la solucin ptima es
38

0, el cambio en el precio de venta del producto 1 no cambiar el valor ptimo de z,
que permanecer igual a 6650 dlares.

c) Para
3
c , AD=0.50 y, por lo tanto, la base actual ya no es ptima. Sin resolver el
problema, no se puede determinar la nueva solucin ptima.

Costos Reducidos

La parte REDUCED COSTS de la salida LINDO, da informacin acerca de cmo un
cambio en el coeficiente de la funcin objetivo de una variable no bsica, cambiar la
solucin ptima del PL. Para cualquier variable no bsica
k
x , su costo reducido es la
cantidad en la cual hay que mejorar el coeficiente de la funcin objetivo de
k
x , antes de
que el PL obtenga una solucin ptima en la cual
k
x ser una variable bsica. Si se mejora
el coeficiente de la funcin objetivo de una variable no bsica en su costo reducido,
entonces el PL tendr otras soluciones ptimas por lo menos una en la cual
k
x ser bsica,
y tambin por lo menos una en la cual
k
x no ser bsica- Si se mejora el coeficiente de una
variable no bsica
k
x en ms de su costo reducido, entonces, cualquier solucin ptima
tendr a
k
x como variable bsica.

En el ejemplo 1, las variables bsicas son:
4 4 3 2
, , , s x x x . La variable no bsica
1
x tiene un
costo reducido de 1 dlar. Esto significa que si se incrementa el coeficiente de
1
x (en este
caso, el precio de venta por unidad de
1
x ) en exactamente un dlar, habr otras soluciones
ptimas, de las cuales por lo menos una tendr a
1
x como una variable bsica. Si se
aumenta en ms de un dlar, entonces toda solucin ptima tendr a
1
x como variable
bsica. As, el costo reducido para
1
x es la cantidad por la cual
1
x no consigue la solucin
ptima.

En el ejemplo 2, la variable no bsica
4
x tiene un costo reducido de 7 (es decir, 7000
dlares), se sabe que si se disminuye el costo de produccin de
4
x en 7, habr otras
soluciones ptimas, y en por lo menos una de estas soluciones ptimas,
4
x ser bsica. Si
el costo de produccin de
4
x baja en ms de 7, entonces, cualquier solucin ptima para el
PL tendr a
4
x como una variable bsica.

Intervalos para los lados derechos

El intervalo de los valores de un lado derecho, es el que permite que la solucin actual siga
siendo ptima. Esta informacin se da en la seccin RIGHTHAND SIDE RANGES de la
salida de LINDO. Para ilustrar esto considrese la primera restriccin del ejemplo 1.
Actualmente, el lado derecho de la primera restriccin es 950 ) 950 (
1
= b . La base actual
ser ptima si se disminuye
1
b en menos de 100 (el decremento permisible) o si se
incrementa en menos de 50. Por lo tanto, la base actual ser ptima si:
39

1000 50 950 100 950 850
1
= + s s = b

A esto se le denomina el intervalo permisible para
1
b . Aunque un cambio en el lado
derecho de una restriccin deja la base actual como ptima, la salida LINDO no
proporciona suficiente informacin para determinar los nuevos valores de las variables
bsicas. Sin embargo, cuando la base actual sigue siendo ptima, despus de cambiar el
lado derecho de una restriccin, la salido LINDO permite determinar el nuevo valor ptimo
de z del PL

Precios sombra y Precios Dual

El precio sombra es la cantidad en la cual mejorar el valor ptimo de z del PL si se
incrementa el lado derecho de la restriccin i en una unidad (suponiendo que con este
cambio la base actual es ptima). Si, despus de un cambio en el lado derecho de una
restriccin, la base actual ya no es ptima, los precios sombra de todas las restricciones
podrn cambiar. Se obtiene el precio sombra para cada restriccin en la seccin DUAL
PRICES de la salida de LINDO. Si el lado derecho de la i _sima restriccin aumenta en
una cantidad
i
b A y si el nuevo valor del lado derecho de la restriccin queda dentro del
intervalo permisible, dado en la seccin RIGHTHAND SIDES RANGES de la salida,
entonces se podrn usar la frmula:

(Nuevo valor ptimo de z) = (Valor ptimo anterior de z) + (precio sombra)
i
b A

Ejemplo
a) En el ejemplo 1, suponga que se debe producir un total de 980 unidades. determine
el nuevo valor ptimo de z
b) En el ejemplo1, suponga que se dispone de 4500 unidades de materia prima. Cul
es el nuevo ptimo de z?. Conteste la misma pregunta si solo se dispone de 4400
unidades de materia prima
c) En el ejemplo 2, suponga que se dispone de 4100 unidades de materia prima.
Encuentre el nuevo valor ptimo de z
d) En el ejemplo 2, suponga que se debe producir exactamente 950 automviles. Cul
ser el nuevo valor ptimo de z?

Solucin

a) 30
1
= Ab , como el incremento permisible es 50, la base actual es ptima, y se tiene:
Nuevo valor de z = 6650 + 30(3) = 6740
b) 100
2
= Ab , como el decremento permisible es 150, es vlido el precio sombra de
1 dlar, de donde:
Nuevo ptimo de z = 6650 100(1) = 6550
si solo se dispone de 4400 unidades, entonces 200
2
= Ab y no est dentro de los
valores permisibles, no se puede determinar el nuevo valor ptimo de z
40

c) 100
4
= Ab , el precio dual es 5 (miles). La base actual es ptima y, por lo tanto, se
tiene:
Nuevo valor ptimo de z = 11600 100(5) = 11100
d) 50
1
= Ab , como el decremento posible es 100, el precio sombra es 30 (miles) y
con esto se tiene:
Nuevo valor ptimo de z = 11600 (-50)(-30) = 10100

Observacin:

- Se puede mostrar que una restriccin > siempre tendr un precio sombra no
positivo, una restriccin tendr siempre un precio sombra no negativo; y una
restriccin de tipo igualdad puede tener un precio sombra positivo, negativo o
cero.
- Para cualquier restriccin en forma de desigualdad, el producto de los valores de
las variable s de holgura, o de exceso, y el precio sombra de la restriccin es
cero. Esto significa que cualquier restriccin cuya variable de holgura, o de
exceso, es >0, tendr un precio sombra igual a cero. Tambin significa que
cualquier restriccin con un precio sombra no cero, debe ser una restriccin
obligatoria.