Vous êtes sur la page 1sur 58

INSTITUTO TECNOLGICO DE VILLAHERMOSA

Ingeniera Civil

INSTITUTO TECNOLGICO DE VILLAHERMOSA

Departamento:
CIENCIAS DE LA TIERRA

Asignatura:
MODELOS DE OPTIMIZACIN DE RECURSOS

Unidad:
2
Tema:
EL MODELO DE PROGRAMACIN LINEAL
Autores:

Alejo Flix Samuel Arturo


Carrillo Alfonso Eduardo
Ramn Hernndez Nallely

Catedrtico:
Ing. Juan Sols Hernndez

VILLAHERMOSA, TABASCO, 07 DE MARZO DEL 2017


NDICE

INTRODUCCIN ..................................................................................................................................1
2.- EL MODELO DE PROGRAMACIN LINEAL ......................................................................................2
2.1.- EL PLANTEAMIENTO DEL PROBLEMA DE P.L. .........................................................................2
2.1.1.- Formulacin de problemas de programacin lineal ........................................................5
2.1.2.- Construccin del modelo matemtico ............................................................................6

2.2.- EL MODELO PRIMAL Y EL DUAL ............................................................................................11


2.2.1.- Importancia de la dualidad en programacin lineal ......................................................13
2.2.2.- Resolucin del problema dual, pas a paso ..................................................................13
2.2.3.- Teoremas de la dualidad en programacin lineal..........................................................18

2.3.- LA INTERPRETACIN GEOMTRICA ......................................................................................19

2.4.- EL MTODO SIMPLEX TABULAR ...........................................................................................23

2.5.- ANLISIS DE SENSIBILIDAD: CAMBIOS EN LOS COEFICIENTES OBJETIVOS, CAMBIOS EN LOS


RECURSOS Y CAMBIOS EN LOS COEFICIENTES TECNOLGICOS ...................................................27

2.6.- USO DE SOFTWARE ..............................................................................................................43


2.6.1.- Microsoft Excel ..............................................................................................................43
2.6.2.- Geogebra.......................................................................................................................44
2.6.3.- LINDO ............................................................................................................................44
2.6.4.- PHPSimplex ...................................................................................................................45
2.6.5.- Microsoft Project...........................................................................................................45

2.7. PROGRAMACIN CON GRFICA DE GANTT DE LAS ACTIVIDADES DE UN PROYECTO ...............46

CONCLUSIN ....................................................................................................................................47
GLOSARIO DE TRMINOS .................................................................................................................48
ANEXOS ............................................................................................................................................50
BIBLIOGRAFA ...................................................................................................................................56
INTRODUCCIN

En esta investigacin aprenderemos que la programacin lineal es una herramienta


determinstica; es decir, todos los parmetros del modelo se suponen conocidos con
certeza. Sin embargo, en la vida real, es raro encontrar un problema donde
prevalezca una verdadera certeza respecto a los datos. La tcnica de la PL
compensa esta "deficiencia", proporcionando anlisis sistemticos post ptimos y
paramtricos que permiten al tomador de decisiones probar la sensibilidad de la
solucin ptima "esttica" respecto a cambios discretos o continuos de los
parmetros del modelo. Bsicamente, estas tcnicas adicionales agregan una
dimensin dinmica a la propiedad de solucin ptima de la PL.

Veremos algunos ejemplos de aplicaciones clsicas tales como:

1. Un fabricante desea elaborar un programa de produccin y una poltica de


inventarios que satisfaga la demanda de ventas en periodos futuros. De forma ideal,
el programa y la poltica permitirn a la compaa satisfacer la demanda y al mismo
tiempo minimizar los costos totales de produccin e inventarios.

2. Un analista financiero debe seleccionar una cartera de inversiones a partir de


diversas alternativas de inversin en bonos y acciones. Al analista le gustara
establecer la cartera que maximice el rendimiento sobre la inversin.

Con ellos podremos definir dos caractersticas de la programacin lineal: la una


primera caracterstica de todos los problemas de programacin lineal: el objetivo es
la maximizacin o minimizacin de alguna cantidad.

Una segunda caracterstica de los problemas de PL es que existen limitaciones


o restricciones que obstruyen la medida en que puede tratarse de alcanzar el
objetivo

1
2.- EL MODELO DE PROGRAMACIN LINEAL
La programacin lineal da respuesta a situaciones en las que se exige maximizar o
minimizar funciones que se encuentran sujetas a determinadas limitaciones, que
llamaremos restricciones.

Su empleo es frecuente en aplicaciones de la industria, la economa, la estrategia


militar, etc.

La programacin lineal es una tcnica matemtica relativamente reciente (siglo XX),


que consiste en una serie de mtodos y procedimientos que permiten resolver
problemas de optimizacin en el mbito, sobre todo, de las Ciencias Sociales. Nos
centraremos en este tema en aquellos problemas simples de programacin lineal,
los que tienen solamente 2 variables, problemas bidimensionales.

Para sistemas de ms variables, el procedimiento no es tan sencillo y se resuelven


por el llamado mtodo Simplex (ideado por G.B.Danzig, matemtico
estadounidense en 1951). Recientemente (1984) el matemtico indio establecido
en Estados Unidos, Narenda Karmarkar, ha encontrado un algoritmo, llamado
algoritmo de Karmarkar, que es ms rpido que el mtodo simplex en ciertos casos.
Los problemas de este tipo, en el que intervienen gran nmero de variables, se
implementan en ordenadores. (Anexo 1)

2.1.- EL PLANTEAMIENTO DEL PROBLEMA DE P.L.

La programacin lineal es un mtodo de resolucin de problemas que se ha


desarrollado para ayudar a los administradores a tomar decisiones. Su xito se mide
por la difusin de su uso como una herramienta de la toma de decisiones. Desde su
aparicin a finales de la dcada de 1940, la programacin lineal (PL) ha demostrado
que es una de las herramientas ms efectivas de la investigacin de operaciones.
Su xito se debe a su flexibilidad para describir un gran nmero de situaciones
reales en las siguientes reas: militar, industrial, agrcola, de transporte, de la

2
economa, de sistemas de salud, e incluso en las ciencias sociales y de la conducta.
Un factor, importante en el amplio uso de esta tcnica es la disponibilidad de
programas de computadora muy eficientes para resolver problemas extensos de
PL.

Algunos ejemplos de aplicaciones clsicas de la programacin lineal son:

Un fabricante desea elaborar un programa de


produccin y una poltica de inventarios que
satisfaga la demanda de ventas en periodos
futuros. De forma ideal, el programa y la poltica
permitirn a la compaa satisfacer la demanda
y al mismo tiempo minimizar los costos totales
de produccin e inventarios.

Un analista financiero debe


seleccionar una cartera de inversiones a
partir de diversas alternativas de
inversin en bonos y acciones.
Al analista le gustara establecer la
cartera que maximice el rendimiento
sobre la inversin.

Un gerente de mercadotecnia
desea determinar la mejor forma
de asignar un presupuesto de
publicidad fijo entre diversos
medios tales como radio,
televisin, peridicos y revistas.
Al gerente le gustara determinar la combinacin de medios que maximiza la
eficacia de la publicidad.

3
Estos son algunos ejemplos de casos en los cuales se ha utilizado con xito la PL.
De la observacin de estos ejemplos, podemos definir una primera caracterstica
de todos los problemas de programacin lineal: el objetivo es la maximizacin o
minimizacin de alguna cantidad.

Por otra parte hay una segunda caracterstica de los problemas de PL, es que
existen limitaciones o restricciones que obstruyen la medida en que puede tratarse
de alcanzar el objetivo. (Anexo 2)

Por otro lado, la utilidad de la PL va ms all de sus aplicaciones inmediatas. De


hecho, la PL debera considerarse como una base importante del desarrollo de otras
tcnicas de la Investigacin de Operaciones (IO), incluidas la programacin entera,
la estocstica, la de flujo de redes y la cuadrtica.

Desde este punto de vista, el conocimiento de la PL es fundamental para


implementar estas tcnicas adicionales.

La programacin lineal es una herramienta determinstica; es decir, todos los


parmetros del modelo se suponen conocidos con certeza. Sin embargo, en la vida
real, es raro encontrar un problema donde prevalezca una verdadera certeza
respecto a los datos.

La tcnica de la PL compensa esta "deficiencia", proporcionando anlisis


sistemticos post ptimos y paramtricos que permiten al tomador de decisiones
probar la sensibilidad de la solucin ptima "esttica" respecto a cambios discretos
o continuos de los parmetros del modelo.

Bsicamente, estas tcnicas adicionales agregan una dimensin dinmica a la


propiedad de solucin ptima de la PL.

A continuacin se presentan los fundamentos del anlisis de sensibilidad y se


muestra su aplicacin por medio de ejemplos prcticos.

4
2.1.1.- Formulacin de problemas de programacin lineal

Se presenta un modelo sencillo de PL con dos variables de decisin y se muestra


cmo construir el modelo. Si bien es cierto que una solucin grfica bidimensional
casi no tiene utilidad en situaciones reales (las cuales normalmente comprenden
cientos o miles de variables y restricciones), el procedimiento ofrece una excelente
oportunidad para entender cmo funciona el proceso de optimizacin en la PL.
Tambin permite presentar el concepto de anlisis de sensibilidad de manera lgica
y comprensible.

Un ejemplo sera un negocio de pinturas de casa.


La compaa PintaRpido es una pequea fbrica de pinturas para interiores y
exteriores de casas para su distribucin al mayoreo. Se utilizan dos materiales
bsicos, A y B, para producir las pinturas. La disponibilidad mxima de A es de 6
toneladas diarias; la de B es de 8 toneladas por da.

La necesidad diaria de materia prima por tonelada de pintura para interiores y


exteriores se resumen en la tabla que sigue:

Toneladas de materia prima por tonelada de pintura

Exterior Interior Disponibilidad Mxima (toneladas)


Materia prima A 1 2 6
Materia prima B 2 1 8

Un estudio del mercado ha establecido que la demanda diaria de pintura para


interiores no puede ser mayor que la de pintura para exteriores en ms de una
tonelada. Asimismo, el estudio seala que la demanda mxima de pintura para
interiores est limitada a dos toneladas diarias.

El precio al mayoreo por tonelada es $3 000 para la pintura de exteriores y $2 000


para la pintura de interiores.

5
Cunta pintura para exteriores e interiores debe producir la compaa todos los
das para maximizar el ingreso bruto?

2.1.2.- Construccin del modelo matemtico

La construccin de un modelo matemtico se puede iniciar respondiendo a las tres


preguntas siguientes:

Qu busca determinar el modelo? Dicho de otra manera, cules son


las variables (incgnitas) del problema?
Qu restricciones deben imponerse a las variables a fin de satisfacer las
limitaciones del sistema representado por el modelo?
Cul es el objetivo (meta) que necesita alcanzarse para determinar la
solucin ptima (mejor) de entre todos los valores factibles de las variables?

Una manera efectiva de responder a estas preguntas consiste en hacer un resumen


verbal del problema.

En trminos del ejemplo de compaa PintaRpido, la situacin se describe en la


forma siguiente.

La compaa busca determinar las cantidades (en toneladas) de pintura para


exteriores e interiores que se producirn, para maximizar (incrementar hasta donde
sea factible) el ingreso bruto total (en miles de unidades monetarias), a la vez que
se satisfacen las restricciones de la demanda y el uso de materias primas.

El punto capital del modelo matemtico consiste en identificar, en primer trmino,


las variables y despus expresar el objetivo y las restricciones como funciones
matemticas de las variables.

Por lo tanto, en relacin con el problema compaa PintaRpido, tenemos lo


siguiente.

6
2.1.2.1.- Variables

Como deseamos determinar las cantidades de pintura para exteriores e interiores


que se producirn, las variables del modelo se pueden definir como (Anexo 3)

XE = toneladas de pintura para exteriores producidas diariamente

X1 = toneladas de pintura para interiores producidas diariamente

Funcin objetivo. Como cada tonelada de pintura para exteriores se vende en $


3000, el ingreso bruto obtenido de la venta de XE toneladas es 3XE miles de
unidades monetarias.

En forma anloga, el ingreso bruto que se obtiene de vender X1 toneladas de pintura


para interiores es 2X1 miles de unidades monetarias. Bajo la suposicin de que las
ventas de pintura para exteriores e interiores son independientes, el ingreso bruto
total se convierte en la suma de los dos ingresos.

Si hacemos que z represente el ingreso bruto total (en miles de unidades


monetarias), la funcin objetivo se puede escribir matemticamente como

= +

La meta consiste en determinar los valores (factibles) de XE y X1 que maximizarn


este criterio.

7
2.1.2.2.- Restricciones.

El problema de la compaa PintaRpido impone restricciones sobre el uso de


materias primas y sobre la demanda. La restriccin del uso de materias primas se
puede expresar en forma verbal como (Anexo 4)

Esto nos lleva a las restricciones que siguen (vanse los datos del problema):

XE + 2X1 < 6 (materia prima A)

2XE+ X1 < 8 (materia prima B)

Las restricciones sobre la demanda se expresan en forma verbal como

Matemticamente, stos se expresan, respectivamente, como

Una restriccin implcita (o "sobreentendida") es que la cantidad que se produce de


cada pintura no puede ser negativa (menor que cero).

8
Para evitar obtener una solucin como sta, imponemos las restricciones de no
negatividad, que normalmente se escriben como

Los valores de las variables XE y X1, se dice, constituyen una solucin factible si
satisfacen todas las restricciones del modelo, incluyendo las restricciones de no
negatividad.

El modelo matemtico completo para el problema de la Compaa Pinta Rpido


se puede resumir ahora de la manera siguiente:

Determnense las toneladas de pinturas para interiores y exteriores que se


producirn para

Maximizar (Funcin
Z =3XE+2X1
sujeto a objetivo)
XE+2X1<6
2XE+ X1<8
-XE+ X1<1 (Restricciones)
X1<2
XE > 0, X1 > 0

Qu hace que este modelo sea un programa lineal?

Tcnicamente, es un programa lineal porque todas sus funciones (restricciones y


objetivo) son lineales.

La linealidad implica que se cumplen las propiedades de proporcionalidad y de


aditividad.

9
La proporcionalidad requiere que la contribucin de cada variable (por
ejemplo, xE y xI) en la funcin objetivo o su uso de los recursos
sea directamente proporcional al nivel (valor) de la variable.

Por ejemplo, si compaa PintaRpido ofrece vender la tonelada de pintura para


exteriores en $2 500 cuando las ventas sean superiores a dos toneladas, no ser
cierto que cada tonelada de pintura producir un ingreso de $3 000; puesto que
generar $3 000 por tonelada para XE < 2 toneladas y $2 500 por tonelada XE>2
toneladas.

Esta situacin no satisface la condicin de proporcionalidad directa con XE.

La aditividad requiere que la funcin objetivo sea la suma directa de las


contribuciones individuales de las variables.

En forma anloga, el primer miembro o lado izquierdo de cada restriccin debe ser
la suma de los usos individuales de cada variable del recurso correspondiente.

Por ejemplo, en el caso de dos productos en competencia, donde un aumento en el


nivel de ventas de un producto afecta contrariamente al del otro, los dos productos
no satisfacen la propiedad de aditividad.

10
2.2.- EL MODELO PRIMAL Y EL DUAL

A todo programa lineal, llamado problema primal, le corresponde otro que se


denomina problema dual. Las relaciones existentes entre ambos problemas son las
siguientes (Anexo 5):

El dual tiene tantas variables como restricciones existen en el primal.


El dual tiene tantas restricciones como variables tiene el primal.
Los coeficientes de la funcin objetivo del primal son los trminos
independientes de las restricciones del dual.
Los trminos independientes de las restricciones del primal son los
coeficientes en la funcin objetivo del dual.
La matriz de coeficientes de las restricciones del dual es igual a la traspuesta
de la del primal.

Se pueden distinguir dos tipos de problemas duales:

Duales simtricos: para primales que incluyan restricciones de desigualdad.


Duales asimtricos: para primales en forma estndar, es decir, con
restricciones de igualdad.

Otro tipo de relaciones entre los problemas primal y dual son las siguientes:

Para duales simtricos el sentido de desigualdad de las restricciones del dual


es inverso al de las del primal; mientras que para asimtricos, las
restricciones del dual son de sentido menor o igual en caso de que el
problema primal sean de minimizacin, y de mayor o igual en caso de
maximizacin. Adems, las variables del dual, variables duales, no estn
sujetas a la condicin de no negatividad.

El problema dual de uno de minimizacin es de maximizacin y viceversa.

11
El dual del programa dual es el primal.

Se consideran problemas primales dado que tienen una relacin directa con la
necesidad del planteamiento, y sus resultados responden a la formulacin del
problema original; sin embargo cada vez que se plantea y resuelve un problema
lineal, existe otro problema nsitamente planteado y que puede ser resuelto, es el
considerado problema dual, el cual tiene unas importantes relaciones y propiedades
respecto al problema primal que pueden ser de gran beneficio para la toma de
decisiones.

Relaciones entre problemas primales y duales

El nmero de variables que presenta el problema dual se ve determinado por


el nmero de restricciones que presenta el problema primal.
El nmero de restricciones que presenta el problema dual se ve determinado
por el nmero de variables que presenta el problema primal.
Los coeficientes de la funcin objetivo en el problema dual corresponden a los
trminos independientes de las restricciones (RHS), que se ubican del otro lado
de las variables.
Los trminos independientes de las restricciones (RHS) en el problema dual
corresponden a los coeficientes de la funcin objetivo en el problema primal.
La matriz que determina los coeficientes tcnicos de cada variable en cada
restriccin corresponde a la transpuesta de la matriz de coeficientes tcnicos
del problema primal.

El sentido de las igualdades y desigualdades se comporta segn la tabla de TUCKER,


presentada a continuacin.

12
2.2.1.- Importancia de la dualidad en programacin lineal

La resolucin de los problemas duales respecto a los primales se justifica dada la


facilidad que se presenta dados problemas donde el nmero de restricciones supere
al nmero de variables.

Adems de tener gran aplicacin en el anlisis econmico del problema.

Otra de las ventajas que presenta es que dado a que el nmero de restricciones y
variables entre problema dual y primal es inverso, se pueden resolver grficamente
problemas que presenten dos restricciones sin importar el nmero de variables.

2.2.2.- Resolucin del problema dual, pas a paso

El siguiente problema a resolver es hasta el momento el modelo ms completo de


los resueltos en los mdulos anteriores, dado que trataremos de resolver un
problema primal y su dual mediante Mtodo Simplex utilizando variables de holgura,
exceso y artificiales; adems resolveremos el primal utilizando Simplex
maximizando y el dual minimizando.

Dado el siguiente modelo primal:

ZMAX = 40X1 + 18X2

16X1 + 2X2 700


6X1 + 3X1 612
X1 80
X2 <120
X1 = 28,75
X2 = 120
S1 = 79.5
S3 = 51.25

13
Funcin objetivo = 3310

Procedemos a resolver el problema dual

Definimos el problema dual

Este paso se lleva a cabo teniendo en cuenta las relaciones que se expusieron en
la definicin de la dualidad. Ahora las variables en el dual las representaremos por
"" y corresponden a cada restriccin.

El modelo queda de la siguiente forma:

ZMIN = 7001 + 6122 + 803 + 1204

161 + 62 + 3 40
21 + 32 + 4 18
1; 4 0
Ahora preparamos el modelo para ser resuelto mediante Mtodo Simplex,
utilizaremos el procedimiento en el cual la funcin objetivo es multiplicada por (-1) y
resolveremos el modelo mediante maximizacin.

ZMIN = 7001 + 6122 + 803 + 1204

Lo que es igual (-Z) MAX = -7001 - 6122 - 803 - 1204

14
Ahora dado que los signos de las inecuaciones son mayor o igual procedemos a
volverlas ecuaciones agregando variables de exceso, recordemos que en este caso
las variables de exceso se restan del lado izquierdo de la igualdad, por ende.

161 + 62 + 3 + 04 - 1S1 + 0S2 = 40

211 + 32 + 03 + 4 + 0S1- 1S2 = 18

1; 4 0

Recordemos que el Mtodo Simplex solo es posible por la formacin de la matriz


identidad, sin embargo en una matriz identidad no pueden ir coeficientes negativos,
el cual es el caso, por ende recurriremos al artificio denominado "Mtodo de la M
grande" utilizando variables artificiales, las cuales siempre se suman.

161 + 62 + 3 + 04 - 1S1 + 0S2 + 1A1 + 0A2 40

211 + 32 + 03 + 4 + 0S1 - 1S2 + 0A1 + 1A2 18

1; 4 0

Ahora si observamos la matriz identidad formada por las variables artificiales,


nuestra funcin objetivo es la siguiente (vara dada la incorporacin de las nuevas
variables).

(-Z)MAX = -7001 - 6122 - 803 - 1204 + 0S1 + 0S2 - MA1 - MA2

Recordemos que el coeficiente de las variables de holgura y exceso es 0, adems


que los coeficientes de las variables artificiales es M, donde M corresponde a un
nmero grande poco atractivo cuyo signo en la funcin objetivo depende del criterio
de la misma, dado que la funcin es maximizar el signo es negativo.

15
Dado que utilizaremos el Mtodo Simplex y no un software para la resolucin del
modelo es necesario que M adquiera valor, en este caso ser "-10000" un nmero
bastante grande en el problemas.

Las iteraciones que utiliza el Mtodo Simplex son las siguientes:

16
Podemos observar que todos los Cj - Zj son menores o iguales a 0, por ende hemos
llegado a la solucin ptima del problema, sin embargo recordemos que la funcin
objetivo fue alterada en su signo al principio, por ende se hace necesario regresarle
su signo original a Zj y a la fila Cj - Zj.

(-Z)Max = -3310 * (-1)

Zmax = 3310

Podemos cotejar con la funcin objetivo del modelo primal y encontraremos que
hallamos el mismo resultado.

Ahora se hace necesario interpretar los resultados de la tabla dual respecto al


modelo primal, y esta interpretacin se realiza siguiendo los siguientes principios.

17
La interpretacin del tabulado final del modelo dual es la siguiente:

2.2.3.- Teoremas de la dualidad en programacin lineal

Si el modelo primal o dual tiene solucin ptima finita entonces su respectivo


dual o primal tendrn solucin ptima finita.

Si el modelo primal o dual tiene solucin ptima no acotada, entonces su


respectivo dual o primal no tendrn solucin, ser un modelo infactible.

Si el modelo primal o dual no tiene solucin entonces su respectivo dual o


primal no tendrn solucin.

Sea "A" un modelo primal cuyo modelo dual es "B", el modelo dual de "B" es
igual a "A", es decir "El modelo dual de un dual es un modelo primal".

18
2.3.- LA INTERPRETACIN GEOMTRICA

La solucin grfica del modelo de programacin lineal (PL) de compaa


PintaRpido. El modelo se puede resolver en forma grfica porque slo tiene dos
variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o
imposible. No obstante, podremos deducir conclusiones generales del mtodo
grfico que servirn como la base para el desarrollo del mtodo de solucin general.

El primer paso del mtodo grfico consiste en graficar las soluciones factibles, o
el espacio de soluciones (factible), que satisfaga todas las restricciones en
forma simultnea. La figura 2.3.1 representa el espacio de soluciones que se
requiere. Las restricciones de no negatividad XE > 0 y XI > 0 confinan todos los
valores factibles al primer cuadrante (que est definido por el espacio arriba de o
sobre el eje xE y a la derecha de 0 sobre el eje xI). El espacio encerrado por las
restricciones restantes se determina sustituyendo en primer trmino (<) por (=) para
cada restriccin, con lo cual se produce la ecuacin de una lnea recta. Despus se
traza cada lnea recta en el plano (xE, xI) y, la regin en la cual se encuentra cada
restriccin cuando se considera la desigualdad, lo indica la direccin de la flecha
situada sobre la lnea recta asociada. Una manera fcil de determinar la direccin
de la flecha es usar el origen (0,0) como punto de referencia. Si (0,0) satisface la
desigualdad, la direccin factible debe incluir al origen; si no es as, debe estar en
el lado opuesto. Por ejemplo, (0,0) satisface la desigualdad - XE + XI < 1, lo que
significa que la desigualdad es factible en el semiespacio que incluye al origen.
Aplicando este procedimiento a nuestro ejemplo, especificamos el espacio de
soluciones ABCDEF mostrado en la figura 2-1.

Para obtener la solucin ptima (mxima) desplazamos la recta del ingreso


"cuesta arriba" hasta el punto donde cualquier incremento adicional en el ingreso
producira una solucin infactible. La figura 2.3.2 ilustra que la solucin ptima
ocurre en el punto C. Como C es la interseccin de las rectas 1 y 2, los valores
de xE y xI, se determinan al resolver las dos ecuaciones que siguen en forma
simultnea:

19
XE + 2XI = 6

2XE + XI= 8

2.3.1

2.3.2

20
Cada punto contenido en la frontera del espacio de solucin ABCDEF satisface
todas las restricciones y por consiguiente, representa un punto factible.

Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones,


la solucin ptima puede determinarse al observar la direccin en la cual aumenta
la funcin objetivo z=3XE +2XI; la figura 2.3.2 ilustra este resultado.

Las lneas paralelas que representan la funcin objetivo se trazan mediante la


asignacin de valores crecientes (arbitrarios) a z=3XE+2XI, a fin de determinar la
pendiente y la direccin en la cual crece el ingreso total (funcin objetivo).

En la figura 2.3.2 se utiliz z = 6 y z = 9.

Las dos ecuaciones producen XE=3 1/3, XI=1 1/3. Por lo tanto, la solucin indica
que la produccin diaria debe ser de 3 1/3 toneladas de pintura para exteriores y de
1 1/3 toneladas de pintura para interiores. El ingreso asociado es:

Z=3(3 1/3)+2 (1 1/3)=12 2/3 (miles de $)

En la figura 2.3.3 se presenta la salida del modelo compaa PintaRpido,


empleando el programa TORA. La primera parte proporciona un resumen de la
solucin (xE = 3.3333, xI = 1.3333 y z = 12.6667), as como la contribucin de cada
variable individual a la funcin objetivo. La segunda parte de la salida en la figura 2-
3 en lista las restricciones y su tipo, junto con los valores asociados de sus variables
de holgura o de exceso. Una variable de holgura est asociada con la restriccin (<)
y representa la cantidad en que excede el segundo miembro de la restriccin al
primero. Una variable de exceso se identifica con una restriccin (>) y representa el
exceso del primer miembro sobre el segundo.

En restricciones del tipo (<), por lo general el segundo miembro representa el lmite
de la disponibilidad de un recurso, en tanto que su primer miembro representa el
uso de este limitado recurso, por las diferentes actividades (variables) del modelo.

Desde este punto de vista, la variable de holgura representa la cantidad no utilizada


del recurso. En general, las restricciones del tipo (>) establecen requisitos mnimos
de especificacin, en cuyo caso la variable de exceso representa la cantidad de

21
exceso con la que satisface la especificacin mnima. En el modelo de la compaa
PintaRpido las dos primeras restricciones representan la disponibilidad de las
materias primas A y B. Ambas restricciones muestran holguras nulas, es decir, que
se han usado completamente. Las restricciones de la demanda 3 y 4 tienen holguras
positivas, o sea, sus lmites son mayores que los necesarios para la solucin ptima.

La figura 2.3.3 incluye dos columnas adicionales: "costo reducido" y "precio dual".
La importancia de esta informacin se explicar en la prxima seccin, despus de
presentar el tema del anlisis de sensibilidad.

La observacin que acabamos de analizar es la idea principal para resolver


programas lineales en general. En realidad, podemos ver que ya no nos tiene que
preocupar el hecho de que el espacio de soluciones tenga un nmero infinito de
ellas porque ahora podemos concentrar un nmero finito de puntos extremos.

2.3.3

22
2.4.- EL MTODO SIMPLEX TABULAR

El Mtodo Simplex es un mtodo analtico de solucin de problemas


de programacin lineal capaz de resolver modelos ms complejos que los resueltos
mediante el mtodo grfico sin restriccin en el nmero de variables. (Anexo 6)

El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin en


cada paso. La razn matemtica de esta mejora radica en que el mtodo consiste
en caminar del vrtice de un poliedro a un vrtice vecino de manera que aumente o
disminuya (segn el contexto de la funcin objetivo, sea maximizar o minimizar),
dado que el nmero de vrtices que presenta un poliedro solucin es finito siempre
se hallar solucin.

Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense


George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo de
crear un algoritmo capaz de solucionar problemas de m restricciones y n variables.

Se define como un mtodo matemtico para la resolucin de un problema de forma


iterativa, de manera que se pueda ir mejorando paso a paso, es decir, se inicia con
una solucin bsica factible pero no ptima, y se genera soluciones bsicas factibles
cada vez mejores hasta encontrar la solucin ptima, si sta existe, la base de su
lgica es mantener la factibilidad mientras busca el ptimo, es decir, se mejora que
hasta que no sea posible mejorar ms.

Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo


consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda
se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si
el nmero de variables es mayor). Como el nmero de vrtices (y de aristas) es
finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la
siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice
A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta.

23
Resolviendo un problema por medio del mtodo simplex (ejemplo)
sea el siguiente problema:

Maximizar Z=f(x,y)=3x+2y sujeto a las condiciones 2x1+x2<=4, x1+2x2<=5, x1>=0,


y>=0
Paso 1) convertir las desigualdades en igualdades

2x1+x2+s1=4
x1+2x2+s2=5
Paso 2) Graficar las ecuaciones (condiciones)

Paso 3) Buscando las soluciones factibles y el mximo


A= (0,0)
B= (2,0)
C= (5,0)
D= (1,2)
E= (0,4)
F= (0,2.5)

24
En seguida vemos que el valor mximo es el de 12 que corresponde a E, pero E no
es factible, por lo que necesitamos otro valor, checando el 10 que corresponde al C
vemos que tampoco es factible, siguiendo nuestra rutina toca el turno al 8 que
corresponde al D esa solucin si es factible, por lo 8 es el valor que estamos
buscando, es decir, el mximo.

Degeneracin

Al aplicar la condicin de factibilidad del mtodo simplex, se puede romper un


empate en la razn mnima en forma arbitraria. Cuando se presenta un empate, al
menos una variable bsica ser cero en la siguiente iteracin y se dice que la nueva
solucin ha sido degenerada.

Solucin no factible

Los modelos de programacin lineal con restricciones inconsistentes no tienen


solucin factible. Estos casos nunca suceden si todas las restricciones son del tipo
<= (suponiendo lados derechos no negativos), porque las holguras permiten una
solucin factible. Para otros tipos de restricciones se usan variables artificiales.
Aunque esas variables artificiales se penalizan en la funcin objetivo para obligarlas
a ser cero en el ptimo, eso solo puede suceder si el modelo tiene un espacio
factible. En caso contrario, al menos una variable artificial ser positiva en la
iteracin ptima. Desde el punto de vista prctico, un espacio no factible indica la
posibilidad de que el modelo no est bien formulado

25
Es un trmino financiero, muy utilizado en las empresas para tomar decisiones de
inversin, que consiste en calcular los nuevos flujos de caja y el VAN (en un
proyecto, en un negocio, etc.), al cambiar una variable (la inversin inicial, la
duracin, los ingresos, la tasa de crecimiento de los ingresos, los costes, etc.) De
este modo teniendo los nuevos flujos de caja y el nuevo VAN podremos calcular y
mejorar nuestras estimaciones sobre el proyecto que vamos a comenzar en el caso
de que esas variables cambiasen o existiesen errores de apreciacin por nuestra
parte en los datos iniciales.

Para hacer el anlisis de sensibilidad tenemos que comparar el VAN antiguo con el
VAN nuevo y nos dar un valor que al multiplicarlo por cien nos da el porcentaje de
cambio.

La frmula a utilizar es la siguiente: .

Donde VANn es el nuevo

VAN obtenido y

VANe es el VAN que tenamos antes de realizar el cambio en la variable.

26
2.5.- ANLISIS DE SENSIBILIDAD: CAMBIOS EN LOS
COEFICIENTES OBJETIVOS, CAMBIOS EN LOS RECURSOS Y
CAMBIOS EN LOS COEFICIENTES TECNOLGICOS

El Anlisis de Sensibilidad se relaciona con la cuantificacin de los efectos en la


solucin ptima de cambios en los parmetros del modelo matemtico. Cuando
escribimos un modelo, damos por aceptado que los valores de los parmetros se
conocen con certidumbre; pero en la realidad no siempre se cumple que los valores
sean verdicos, ya que por ejemplo las variaciones en los costos de los materiales,
en la mano de obra o en el precio de un producto, ocasionan cambios en los
coeficientes de la funcin objetivo. As mismo las demoras en los envos de los
proveedores, las huelgas, los deterioros no previstos y otros factores
imponderables generarn cambios en la disponibilidad de los recursos.

Los cambios en el modelo matemtico, que pueden cuantificarse a veces sin


necesidad de volver a resolver el modelo, se relacionan con:

Cambios en los coeficientes de las variables de decisin en la funcin


objetivo (Ganancias por unidad de variable de decisin)
Cambios en los lados derechos de las restricciones que definen el modelo.
(Cantidad de recursos disponibles)

Los efectos de cambios en los coeficientes dentro de la matriz A son muy difciles
de cuantificar, y por tanto en estos casos se aconseja correr de nuevo el modelo
con los cambios. En primera instancia veremos cuando solo un coeficiente cambia;
despus veremos cuando varios coeficientes cambian simultneamente.

El anlisis de la sensibilidad es una tcnica que, aplicada a la valoracin de


inversiones, permite el estudio de la posible variacin de los elementos que
determinan una inversin de forma que, en funcin de alguno de los criterios de
valoracin, se cumpla que la inversin es efectuable o es preferible a otra. Por
ejemplo, se puede analizar cul es la cuanta mnima de uno de los flujos de caja
para que la inversin sea efectuable segn el Valor Actualizado Neto (VAN), o cul
es valor mximo que puede tener el desembolso inicial para que una inversin sea

27
preferible a otra segn la Tasa Interna de Retorno o Rentabilidad (TIR). El anlisis
de sensibilidad se considera como una primera aproximacin al estudio de
inversiones con riesgo, ya que permite identificar aquellos elementos que son ms
sensibles ante una variacin.

Puede aplicarse a la valoracin de inversiones con dos objetivos fundamentales:

Para determinar la efectuabilidad de una inversin


Para establecer un determinado orden de preferencia (jerarquizacin) entre
varias inversiones

En cualquiera de los dos casos es posible utilizarlo con cualquiera de los mtodos
de valoracin de inversiones aunque, por su importancia, se analiza para el VAN y
para la TIR.

EL ANLISIS DE SENSIBILIDAD PARA DETERMINAR LA EFECTUABILIDAD


DE UNA INVERSIN

En este caso se trata de determinar la posible variacin del desembolso inicial, de


los flujos de caja y del tipo de descuento para que interese realizar la inversin. Este
anlisis se realiza segn el VAN y segn la TIR.

Anlisis de sensibilidad para determinar la efectuabilidad segn el VAN

La condicin que tiene que cumplir una inversin para ser efectuable segn el VAN
es que sea mayor que cero.

Por tanto, para determinar la variacin o sensibilidad de alguno de los parmetros


de la inversin tan solo es necesario despejar el parmetro analizado de la anterior
inecuacin.

Anlisis de sensibilidad del desembolso inicial para determinar la


efectuabilidad segn el VAN

Para determinar el valor mximo del desembolso inicial hay que dejar A como
incgnita y despejarla de la inecuacin anterior. As se obtiene que el VAN ser
positivo, y por tanto la inversin efectuable, siempre que:

28
El valor obtenido permite determinar cul es mximo desembolso inicial que puede
pagar la empresa para que la inversin sea interesante para la empresa.

Adems, si se dispone de un valor estimado del desembolso, la diferencia entre el


valor obtenido y el estimado permite determinar si la empresa tiene mucho o poco
margen de variacin para mantener la decisin sobre la aceptacin de la inversin.

Anlisis de sensibilidad de los flujos de caja para determinar la efectuabilidad


segn el VAN

Al analizar la posible variacin de alguno de los flujos de caja para que el VAN siga
siendo positivo, se deja el flujo de caja a analizar (Qj) como incgnita y se despeja
de la mencionada inecuacin obteniendo:

El valor obtenido es el mnimo flujo de caja que tiene que generar la inversin en el
perodo j para que la inversin sea interesante para la empresa.

Si la empresa conoce el valor real del flujo de caja la diferencia con el obtenido
permite determinar si la empresa tiene mucho o poco margen de variacin para
mantener la decisin sobre la aceptacin de la inversin.

Anlisis de sensibilidad del tipo de descuento para determinar la


efectuabilidad segn el VAN

En este caso se trata de determinar cul es el valor mximo del tipo de descuento
(k) para que la inversin sea efectuable segn el VAN, que se obtiene despejando
el tipo de descuento de la inecuacin sealada anteriormente. Este valor coincide
con el de la TIR, por lo que el valor mximo del tipo de descuento para que la
inversin sea efectuable segn el VAN es justo la TIR de la inversin (K < TIR).

29
Anlisis de sensibilidad para determinar la efectuabilidad segn la TIR

La condicin que tiene que cumplir una inversin para ser efectuable segn la TIR
es que sta sea mayor que la rentabilidad exigida para aceptar una inversin
(TIR>k).

Para determinar la variacin o sensibilidad de alguno de los parmetros de la


inversin hay que despejar el parmetro analizado de la expresin de la TIR
teniendo en cuenta:

Que esta expresin debe ser mayor que cero


Que se utiliza K como tipo de descuento

Como puede observarse el resultado es similar al obtenido segn el VAN.

anlisis de sensibilidad del desembolso inicial para determinar la


efectuabilidad segn la TIR

El valor mximo del desembolso inicial para que la inversin sea efectuable segn
la TIR se obtiene despejando el citado parmetro de la inecuacin anterior:

El valor obtenido y la interpretacin es similar a la lograda con el VAN.

Anlisis de sensibilidad de los flujos de caja para determinar la efectuabilidad


segn la TIR

Al analizar la posible variacin de alguno de los flujos de caja para que, segn la
TIR, la inversin sea efectuable, se fija el flujo de caja a analizar (Qj) como incgnita
y se despeja de la mencionada inecuacin:

De nuevo, tanto el valor obtenido como la interpretacin son similares a las logradas
con el VAN.

Anlisis de sensibilidad del tipo de descuento para determinar la


efectuabilidad segn la TIR

La condicin que debe cumplir la TIR de una inversin para que sea considerada
efectuable es que su valor sea superior al de K, por lo que el tipo de descuento
mximo del citado tipo de descuento coincide con la TIR.

30
ANLISIS DE SENSIBILIDAD PARA DETERMINAR LA JERARQUIZACIN
ENTRE VARIAS INVERSIONES

Cuando se dispone de un conjunto de alternativas de inversin la empresa debe


realizar un proceso para establecer la preferencia entre unas y otras. Este proceso,
denominado jerarquizacin, determina la inversin que realizar la empresa, en
caso de slo poder elegir una, o el orden en el que realizar varias, si dispone de
recursos suficientes. La aplicacin del anlisis de sensibilidad en este contexto
permite medir las posibles variaciones de los parmetros de la inversin para que
se mantenga el orden de preferencia establecido. Al igual que en el caso de la
efectuabilidad se analiza tanto para el VAN como para la TIR.

Anlisis de sensibilidad para determinar la jerarquizacin segn el VAN

Segn el VAN son mejores aquellas inversiones que tienen un VAN superior. Por
tanto, si se dispone de varias alternativas jerarquizadas segn el VAN (de mayor a
menor valor), puede interesar analizar si esa ordenacin es afectada por la variacin
de alguna de las magnitudes que intervienen en el clculo del VAN de cada
proyecto. En este caso, se analizan los elementos de una inversin X de manera
que sta sea preferible a otra inversin Y cuyo VAN es VANy. Por tanto, la
condicin que tiene que cumplirse (VANx > VANY) es la siguiente:

En caso de querer analizar los parmetros de la inversin X para que no fuese


preferible a la inversin Y en la expresin anterior tan slo habra que sustituir el
signo mayor por menor, ya que la condicin a cumplir sera VANx<VANy.

Anlisis de sensibilidad del desembolso inicial en la jerarquizacin segn el


VAN

Para analizar la variacin del desembolso inicial A, se despeja el mismo de la


inecuacin anterior, obteniendo:

Por tanto, el valor obtenido es el mximo que puede tener el desembolso de la


inversin X para que sta sea preferible a la inversin Y segn el VAN.

31
Anlisis de sensibilidad de los flujos de caja en la jerarquizacin segn el
VAN

En este caso, el procedimiento es similar, pero despejando el flujo de caja a analizar:

Mostrar/Ocultar

El valor obtenido es el mnimo que puede tener el flujo de caja del perodo j de la
inversin X para que sta sea preferible a la inversin Y segn el VAN.

Anlisis de sensibilidad del tipo de descuento en la jerarquizacin segn el


VAN

Se trata de determinar si modificando el tipo de descuento aplicado a varias


inversiones, se produce algn cambio en la jerarquizacin de las mismas. Para
realizar este anlisis es fundamental conocer si el VAN de las inversiones
analizadas se corta en algn punto (vase Interseccin de Fisher).

Si no se produce ese punto de corte, las modificaciones de k no afectan a la


jerarquizacin, ya que como puede verse en el grfico adjunto,
independientemente del valor de k siempre el VAN de X es superior al VAN
de Y.
Si el VAN de ambas inversiones coincide (es decir si existe alguna interseccin
de Fisher), segn el tipo de descuento utilizado el VAN de la inversin X es
superior o inferior al de Y. As, en el grfico adjunto se observa que si se utiliza
un tipo de descuento k1 inferior a rf, el VAN de Y es superior al de X
(VANy1>VANx1). Sin embargo, si el tipo utilizado k2 es superior a rf ocurre lo
contrario (VANx2>VANy2). En definitiva, la inversin X ser preferible a la
inversin Y segn el VAN siempre que el tipo de descuento utilizado sea
superior a rf.

Mostrar/Ocultar

Anlisis de sensibilidad para determinar la jerarquizacin segn la TIR

La TIR establece la preferencia de las inversiones que tienen una TIR ms elevada.
En este caso el anlisis de sensibilidad determina la posible variacin de los

32
parmetros de una inversin para que se mantenga el orden de preferencia
establecido. Si se analizan los elementos de una inversin X de manera que sta
sea preferible a otra inversin Y, es necesario que se cumpla que la TIR de X
(TIRx) sea superior a la TIR de Y (TIRy). Para realizar este anlisis se utiliza un
procedimiento similar al del VAN con dos diferencias:

En lugar del VAN de la inversin a comparar (VANy) se utiliza el valor cero.


Se emplea como tipo de descuento la TIR de la inversin a comparar (TIRy).

En caso de querer analizar los parmetros de la inversin X para que no fuese


preferible a la inversin Y, en la expresin anterior tan slo habra que sustituir el
signo mayor por menor, ya que la condicin a cumplir sera TIRx<TIRy.

Anlisis de sensibilidad del desembolso inicial en la jerarquizacin segn la


TIR

Para analizar la variacin del desembolso inicial A, se despeja el mismo de la


inecuacin anterior, obteniendo:

Por tanto, el valor obtenido es el mximo que puede tener el desembolso de la


inversin X para que sta sea preferible a la inversin Y segn la TIR.

Anlisis de sensibilidad de los flujos de caja en la jerarquizacin segn la TIR

En este caso, el procedimiento es similar, pero despejando el flujo de caja a analizar:

El valor obtenido es el mnimo que puede tener el flujo de caja del perodo j de la
inversin X para que sta sea preferible a la inversin Y segn la TIR.

Anlisis de sensibilidad del tipo de descuento en la jerarquizacin segn la


TIR

En este caso, la jerarquizacin de las inversiones segn la TIR no depende del tipo
de descuento, por lo que la preferencia, aplicando el citado mtodo de valoracin,
no se modifica por el tipo k utilizado.

33
Ejemplo.

Una inversin con un desembolso inicial de 150 miles de euros, genera unos flujos
de caja anuales (tambin en miles de euros) de 100 en el primer ao y de 190 en el
segundo. Si el tipo de descuento utilizado para valorar la inversin es del 5%,
determinar:

a) El flujo de caja mximo para aceptar la inversin segn el VAN y segn la TIR,
as como el margen de variacin del citado parmetro:

Segn el VAN para que la inversin sea efectuable, el mximo valor que estara
dispuesto a pagar el inversor es:

Por tanto, para que la inversin sea efectuable A tiene que ser inferior 176,87 miles
de euros. Como el desembolso inicial es de 150, el margen de variacin para que
la inversin sea efectuable es de 26,87 miles de euros. Si se realiza el anlisis segn
la TIR el resultado es el mismo.

b) El inversor quiere determinar el valor mnimo del primer flujo de caja para que la
inversin sea efectuable, segn VAN y TIR, y si hay mucho margen de variacin
con respecto al estimado. Para ello se despeja Q1 de la siguiente expresin:

Para que interese realizar la inversin el flujo neto de caja del ao 1 debe tomar
como mnimo un valor de 71,78 miles de euros. Teniendo en cuenta que valor
estimado es de 100, el margen de variacin es de 28,22 miles de euros (100
71,78). Al igual que en el caso anterior, el anlisis realizado segn la TIR no ofrece
diferencias.

c) Cual es el valor mnimo del segundo flujo de caja para que la inversin analizada
sea preferible a otra cuyo VAN es de 20 mil euros. En este caso la condicin que
debe cumplir el VAN de la inversin analizada es que sea superior a 20. Despejando
Q2 se obtiene el valor buscado:

Por tanto, Q2 tiene que ser mayor que 92,18 miles de euros para que la inversin
analizada sea preferible al proyecto alternativo.

34
d) Determinar el valor mximo que debe tener el segundo flujo de caja para que la
inversin analizada no sea preferible a otra alternativa con una TIR del 12%. Para
responder a esta cuestin se despeja Q2 de la expresin anterior en la que se han
producido los siguientes cambios:

- En lugar del VAN de la inversin alternativa se utiliza el valor cero.

- Al querer que la inversin analizada no sea preferible se hace que sea menor en
lugar de mayor.

- Se emplea la TIR de la inversin alternativa (12%) como tipo de descuento.

Slo si Q2 es menor de 87,64 la inversin analizada no es preferible a la alternativa.


En este caso el margen de variacin es de 12,26 miles de euros (100-87,64).

Anlisis de sensibilidad

En el momento de tomar decisiones sobre la herramienta financiera en la que


debemos invertir nuestros ahorros, es necesario conocer algunos mtodos para
obtener el grado de riesgo que representa esa inversin. Existe una forma de
anlisis de uso frecuente en la administracin financiera llamada Sensibilidad, que
permite visualizar de forma inmediata las ventajas y desventajas econmicas de un
proyecto.

Este mtodo se puede aplicar tambin a inversiones que no sean productos de


instituciones financieras, por lo que tambin es recomendable para los casos en que
un familiar o amigo nos ofrezca invertir en algn negocio o proyecto que nos
redituara dividendos en el futuro.

El anlisis de sensibilidad de un proyecto de inversin es una de las herramientas


ms sencillas de aplicar y que nos puede proporcionar la informacin bsica para
tomar una decisin acorde al grado de riesgo que decidamos asumir.

Anlisis de Sensibilidad

La base para aplicar este mtodo es identificar los posibles escenarios del
proyecto de inversin, los cuales se clasifican en los siguientes:

35
Pesimista:
Es el peor panorama de la inversin, es decir, es el resultado en caso del fracaso
total del proyecto.

Probable:
ste sera el resultado ms probable que supondramos en el anlisis de la
inversin, debe ser objetivo y basado en la mayor informacin posible.

Optimista:
Siempre existe la posibilidad de lograr ms de lo que proyectamos, el escenario
optimista normalmente es el que se presenta para motivar a los inversionistas a
correr el riesgo.

As podremos darnos cuenta que en dos inversiones donde estaramos


dispuestos a invertir una misma cantidad, el grado de riesgo y las utilidades se
pueden comportar de manera muy diferente, por lo que debemos analizarlas por su
nivel de incertidumbre, pero tambin por la posible ganancia que representan:

Ejemplo:

Inversin A Inversin B
Inversin Inicial $ 100,000 $ 100,000

Posibles ganancias en el periodo de Inversin


Resultado Posible
Pesimista 2,500 0.00
Probable 50,000 50,000
Optimista 60,000 100,000

Resultados incluyendo la inversin:


Pesimista (-97,500) (-100,000)
Probable 150,000 150,000
Optimista 160,000 200,000

Los estimados de resultados se deben fijar por medio de la investigacin de cada


proyecto, es decir, si se trata de una sociedad de inversin podremos analizar el

36
histrico de esa herramienta financiera en particular, en el caso de un proyecto de
negocio, debemos conocer la proyeccin financiera del mismo y las bases en que
determinaron dicha proyeccin.

Como se puede observar en el ejemplo, el grado de mayor riesgo lo presenta el


proyecto B, pero tambin la oportunidad de obtener la mayor utilidad. Normalmente
as se comportan las inversiones, a mayor riesgo mayores utilidades posibles.

Despus de conocer el sistema de anlisis de Sensibilidad de un proyecto, lo


siguiente es que analices y tomes decisiones en base a tus expectativas de riesgo.
Recomendamos asesora de un profesional antes de invertir tu dinero, en conjunto
podrn considerar ste y otros mtodos para tomar la decisin que ms se adapte
a tus requerimientos. El anlisis de sensibilidad o postoptimal para los modelos de
Programacin Lineal, tiene por objetivo identificar el impacto que resulta en los
resultados del problema original luego de determinadas variaciones en los
parmetros, variables o restricciones del modelo, sin que esto pase por resolver el
problema nuevamente.

Es decir, ya sea si resolvemos nuestro modelo grficamente o utilizando el Mtodo


Simplex, lo que se busca es que estas variaciones o sensibilidad hagan uso de la
solucin y valor ptimo actual, sin tener la necesidad de resolver para cada variacin
un nuevo problema. En especial nos concentraremos en el anlisis de sensibilidad
o postoptimal que hace uso de la tabla final del Mtodo Simplex.

Cambios en los coeficientes tecnolgicos

Unos de los puntos que hay que tener en cuenta cuando se va a analizar el cambio
en los coeficientes tecnolgicos, es si los cambios ocurren en las variables bsicas
o en las no bsicas, ya que dependiendo de ello, se afecta o no la solucin ptima
que se tenga. Por ejemplo, si el cambio se realiza a una variable no bsica,
seguramente al calcular su nuevo costo de oportunidad puede resultar atractivo
producir o no, ya que de obtenerse un costo de oportunidad positivo, el tablero que
hasta ese momento era ptimo, deja de serlo y se obtendra a travs del cambio en

37
los coeficientes tecnolgicos, una nueva solucin. Los coeficientes tecnolgicos
forman parte de los vectores asociados a las diferentes variables, vectores Pi. Como
la repercusin, segn se trate de una variable bsica o no bsica, puede ser muy
distinta, se estudiarn los dos casos por separado.

VARIACIN EN UN COEFICIENTE TECNOLGICO DE UNA VARIABLE BSICA

Los cambios en un vector bsico afectan tanto a las condiciones e optimalidad,


como a las de factibilidad, dado que el vector Pj pertenece a la matriz B, y por tanto,
sus modificaciones pueden afectar sustancialmente al problema actual. Los
cambios pueden ser mltiples, desde hacer que la matriz inicial B sea una matriz
singular, y, por tanto, sin inversa, hasta que las modificaciones de sta mantengan
la factibilidad y la optimalidad dela solucin actual. En el caso de que la matriz
original B devenga de una matriz singular, ya no se tiene procedimiento para poder
continuar y la alternativa en este caso es reiniciar el problema de su origen. En el
caso de que la matriz B siga siendo regular, y por tanto, sea posible obtener B-1,
pueden drselos casos siguientes:

38
Variacin en un coeficiente tecnolgico de una variable no bsica

El cambio en un coeficiente a ij, afecta el vector PJ, y, por tanto, al correspondiente


vector transformado en la tabla ptima, dado que Pj = B-1 * Pj. Los cambios afectan a los
rendimientos indirectos de esta variable y por consiguiente a los rendimientos marginales, es
decir, a la condicin de optimalidad: Wj = cj

(CB B-1 Pj) a. Si Wj es menor que cero, la solucin actual seguir siendo ptima. b. Si Wj es
cero, quiere decir que la solucin actual es ptima, pero ya no es nica, sino que existe una
solucin alternativa a sta. c. Si Wj es mayor a cero, la solucin actual deja de ser ptima y se
deber seguir iterando hasta encontrar una nueva solucin ptima. Otra forma de investigar
el efecto de los cambios en los coeficientes de la funcin objetivo, es calcular el intervalo para
el que cada coeficiente individual mantenga la solucin ptima actual. Esto se hace
reemplazando el CJ actual con CJ + DJ, donde DJ representa la cantidad (positiva o negativa)
de cambio

Cambios en la matriz A de coeficientes tecnolgicos de restricciones en variables


no bsicas.

39
Los cambios en A para variables bsicas resultan en clculos muy complicados, siendo mejor
recalcular con el simplex. Para cambio de coeficientes de la matriz A de restricciones, en
variables no bsicas, slo interesa manejar los de ellas, pues el resto queda igual. Se
procede as:

1ra. Etapa.-

Usando la frmula de Zj - Cj = CB B-1 A - C = YA - C se revisa si el coeficiente indicador Zj -


Cj cambia de signo. Si no ocurre el cambio de signo en tal coeficiente no es necesario aplicar
la 2. Etapa, ya que el cambio propuesto no afecta la optimalidad del problema. Cuando el
coeficiente Zj - Cj cambia de signo, se entiende que el cambio propuesto, s provoca la prdida
de optimalidad de la solucin que se est revisando y en tal caso se procede a la siguiente
etapa.

2. Etapa.-

Se aplica utilizando la frmula A* = B-1 A con la cual se calcula la nueva columna a*j. Se
aplica el simplex hasta re optimizar.

Ejemplo 3-10. Cambio en la matriz A de coeficientes tecnolgicos de restricciones


(MINSENA1).

Dado el modelo de PL siguiente y su correspondiente tabla simplex ptimo:

Figura. Modelo y tabla simplex ptima del ejemplo MINSENA1.

40
Suponga que el coeficiente 13 = -1 cambia por 13 = 2.

1ra. Etapa: indicador Z3 - C3 = Y 3 - c3 = (3, -1/2) (2, 1)T - 4 = 3/2 > 0 no ptima

Tambin, con ms labor de clculo, se verifica este resultado usando las matrices:

Zj-Cj = YA - C =(3,-1/2) - (3, -1, 4) = (3, -1, 11/2) - (3, -1, 4)

Zj - Cj = (0, 0, 3/2) > 0 ya no es ptima, as se procede con la:

2da. Etapa:

Clculo de la columna *3 de la matriz A*:

El resultado se verifica con todas las matrices, aunque con ms labor de clculo:

La tabla simplex dada con la solucin ptima original, se arregla con los nuevos
coeficientes Z3 - C3 y 3, procediendo a re optimizar:

Figura. Re optimizacin del ejemplo MINSENA1, debido al cambio en 13.

La nueva solucin ptima es: Zo = 8; X2 = 8, X3 = 4, X1 = S1 = W1 = W2 = 0

Cambio en la matriz A de coeficientes tecnolgicos de restricciones.

Dado el modelo de PL siguiente y su correspondiente tabla simplex ptimo:

41
Figura 3-29. Modelo y tabla simplex ptima del ejemplo MINSENA2.

Suponga que el vector columna 1= (2, 6, 2) T de coeficientes en restricciones, cambia a 1 =


(6, 6, -2 )T. Calcule la nueva solucin ptima.

1ra. Etapa:

Z1-C1 =Y 1 -C1 = (1/16, 0, -53/16) (6, 6, -2)T -5 = 2 > 0 no es ptima

2da. Etapa:

Se procede al clculo de la columna *1 de la matriz A*:

Ahora se sustituyen los valores Z1 - C1 = 2 y *1 = (0, 7, -1)T en la tabla simplex dada,


procediendo al cambio de base, haciendo bsica a X1 y no bsica a H2.

Figura. Re optimizacin del ejemplo MINSENA2, cambian coeficientes 1.

La nueva solucin ptima es: Zo = -44.30, X1 = 3.214, X2 = 4.125, X3 = 5.089.

42
2.6.- USO DE SOFTWARE

Existen muchas herramientas y materiales didcticos disponibles para ser utilizadas


en el tema de la programacin lineal de Bachillerato de Ciencias Sociales. Sin
pretender ser exhaustivos, vamos a repasar las caractersticas de algunos de ellos.

El software a disposicin de los institutos, profesores y alumnos, puede clasificarse


de muchas maneras. Una clasificacin til es la que divide los programas
disponibles en programas de propsito general y programas de propsito
especfico.

Con la vista puesta en el aprendizaje de algn punto del currculo, podemos


considerar como software de propsito especfico aquel que est especialmente
diseado para ser utilizado en un nico momento del itinerario curricular (por
ejemplo, en el tema de la programacin lineal); el software de propsito general
sera aquel que puede ser utilizado dentro de los lmites de una unidad didctica,
pero que puede ser reutilizado en el aprendizaje de otros temas.

Por lo general, el software de propsito general requerir, tanto para el alumno como
para el profesor, un aprendizaje previo para interactuar con el programa, que es un
coste adicional al que supone la interaccin con la mquina, mientras que el de
propsito especfico, puesto que en general tendr una funcionalidad restringida,
requerir un aprendizaje menor, o incluso ningn aprendizaje previo.

2.6.1.- Microsoft Excel

Con esta distincin in mente, y con esta


caracterizacin de cada uno de los tipos
de software, podemos citar como
software de propsito general la hoja de
clculo de Microsoft, Excel, que cuenta
con un complemento denominado
Solver, que permite calcular la

43
solucin al problema de programacin lineal general (utilizando diversos
algoritmos).

La hoja de clculo Excel, que tiene grandes ventajas para cubrir diferentes puntos
del currculo de matemticas en distintos niveles de la enseanza, resulta algo
alambicada cuando se quiere aplicar a la programacin lineal de segundo de
Bachillerato de Ciencias Sociales.

2.6.2.- Geogebra

Al contrario que Excel, Geogebra es gratuito


y est disponible en red, de modo que no es
necesario instalarlo en los equipos antes de
que se vaya a utilizar (esta ltima puede
parecer una ventaja menor, pero hay que
tener en cuenta lo comentado en el primer apartado de este trabajo sobre las
razones que llevan a los profesores de secundaria a mostrarse reticentes al empleo
en sus clases de las herramientas tecnolgicas).

En relacin al tema de la programacin lineal, puede emplearse para calcular las


soluciones de un problema en dimensin n = 2, pero es necesaria cierta inversin
de tiempo en aprender a manejar el programa. Permite cierto grado de andamiaje
para calcular la solucin de problemas concretos (en el sentido de que Geogebra
realiza parte de los clculos algebraicos necesarios para llegar a ella), pero no
dispone de objetos especficos para programacin lineal.

2.6.3.- LINDO
LINDO es una aplicacin para computadoras
que se utiliza para resolver problemas de
programacin lineal, cuadrtica y entera.

Desde 1979 el programa LINDO ha sido una de


las herramientas de optimizacin favoritas de
las comunidades Educativas y Empresariales.

44
LINDO Systems se ha dedicado a proveer poderosas e innovativas herramientas de
optimizacin que tambin son flexibles y muy fciles de usar. LINDO tiene una larga
historia y es uno de los pioneros en crear poderosos programas de optimizacin.

2.6.4.- PHPSimplex
PHPSimplex es una herramienta online
para resolver problemas de
programacin lineal. Su uso es libre y
gratuito. Para acceder a ella basta con
pulsar sobre el icono que aparece a la
izquierda, o sobre PHPSimplex en el
men superior.

PHPSimplex es capaz de resolver problemas mediante el mtodo Simplex, el


mtodo de las Dos Fases, y el mtodo Grfico, y no cuenta con limitaciones en el
nmero de variables de decisin ni en las restricciones de los problemas.

2.6.5.- Microsoft Project


Microsoft Project (o MSP) es un software de administracin de proyectos diseado,
desarrollado y comercializado por Microsoft para asistir a administradores de
proyectos en el desarrollo de planes, asignacin de recursos a tareas, dar
seguimiento al progreso, administrar presupuesto y analizar cargas de trabajo.

El software Microsoft Office Project en todas sus versiones (la versin 2013 es la
ms reciente a febrero de 2013) es til para la gestin de proyectos, aplicando
procedimientos descritos en el PMBoK del Project Management Institute.

45
2.7. PROGRAMACIN CON GRFICA DE GANTT DE LAS
ACTIVIDADES DE UN PROYECTO

46
CONCLUSIN
Como ya estudiamos la programacin lineal es un mtodo de resolucin de
problemas que se ha desarrollado para ayudar a los administradores a tomar
decisiones. Su xito se mide por la difusin de su uso como una herramienta de la
toma de decisiones. Desde su aparicin a finales de la dcada de 1940, la
programacin lineal (PL) ha demostrado que es una de las herramientas ms
efectivas de la investigacin de operaciones. Su xito se debe a su flexibilidad para
describir un gran nmero de situaciones reales en las siguientes reas: militar,
industrial, agrcola, de transporte, de la economa, de sistemas de salud, e incluso
en las ciencias sociales y de la conducta. Un factor, importante en el amplio uso de
esta tcnica es la disponibilidad de programas de computadora muy eficientes para
resolver problemas extensos de PL.

Por otro lado, la utilidad de la PL va ms all de sus aplicaciones inmediatas. De


hecho, la PL debera considerarse como una base importante del desarrollo de otras
tcnicas de la Investigacin de Operaciones (IO), incluidas la programacin entera,
la estocstica, la de flujo de redes y la cuadrtica. Desde este punto de vista, el
conocimiento de la PL es fundamental para implementar estas tcnicas adicionales.

47
GLOSARIO DE TRMINOS
Anlogo

Se refiere al vnculo de semejanza que existe entre dos elementos diferentes.

Para establecer una relacin de analoga, es necesario realizar una comparacin.


Al hallarse puntos en comn, similitudes o aproximaciones, se puede afirmar que
dos objetos o entes son anlogos.

Ciencias sociales

Agrupan a todas las disciplinas cientficas cuyo objeto de estudio est vinculado a
las actividades y el comportamiento de los seres humanos. Las ciencias sociales,
por lo tanto, analizan las manifestaciones de la sociedad, tanto materiales como
simblicas.

Factores imponderables

Son factores que se sabe que son importantes pero no que tan importante.
Ingreso bruto total

Es la cantidad total de dinero que recibe de alquileres, despus de haber pagado


los gastos de la propiedad.

Mtodo analtico

Es aquel mtodo de investigacin que consiste en la desmembracin de un todo,


descomponindolo en sus partes o elementos para observar las causas, la
naturaleza y los efectos.

Mtodo iterativo

Es un mtodo que progresivamente va calculando aproximaciones a la solucin de


un problema. En Matemticas, en un mtodo iterativo se repite un mismo proceso
de mejora sobre una solucin aproximada

Modelo matemtico

48
Es uno de los tipos de modelos cientficos que emplea algn tipo de formulismo
matemtico para expresar relaciones, proposiciones sustantivas de hechos,
variables, parmetros, entidades y relaciones entre variables de las operaciones,
para estudiar comportamientos de sistemas complejos ante situaciones difciles de
observar en la realidad.

Restricciones

Cuando hablamos de las restricciones en un problema de programacin lineal, nos


referimos a todo aquello que limita la libertad de los valores que pueden tomar las
variables de decisin.

Resumen verbal

Un resumen es una exposicin acotada y reducida del tratamiento de un tema


determinado. En general, el trmino hace alusin a un compendio escrito de los
puntos ms importantes de un tema explayado con detenimiento y minuciosidad,
aunque tambin puede hablarse un resumen oral. La tarea de resumir un tema suele
aplicarse con asiduidad para hacer frente a las exigencias del estudio formal, en
cualquiera de sus niveles.

Tabla de Tucker

Los problemas duales simtricos son los que se obtienen de un problema primal en
forma cannica y normalizada, es decir, cuando llevan asociadas desigualdades de
la forma mayor o igual en los problemas de minimizacin, y desigualdades menores
o igual para los problemas de maximizacin.

Variables

Se trata de algo que se caracteriza por ser inestable, inconstante ymudable. En


otras palabras, una variable es un smbolo que permite identificar a un elemento no
especificado dentro de un determinado grupo. Este conjunto suele ser definido como
el conjunto universal de la variable (universo de la variable, en otras ocasiones), y
cada pieza incluida en l constituye un valor de la variable

49
ANEXOS
Anexo 1

50
Anexo 2

Anexo 3

51
Anexo 4

52
Anexo 5

53
Anexo 6

54
55
BIBLIOGRAFA

Ing. Bryan Salazar Lpez. (2016). PROGRAMACIN LINEAL, de


INGENIERIAINDUSTRIALONLINE.COM.https://www.ingenieriaindustrialonli
ne.com/herramientas-para-el-ingeniero-industrial/investigaci%C3%B3n-de-
operaciones/programaci%C3%B3n-lineal/ > (con acceso 01/03/2017)

Jean Pierre Ferrer Castillo. (2014). Programacin lineal HERRAMIENTAS,


de SlideShare.
https://www.slideshare.net/jeanpierreferrercastillo/programacion-lineal-sof
>(con acceso 02/03/2017)

Ing. Bryan Salazar Lpez. (2016). MTODO GRFICO, de


INGENIERIAINDUSTRIALONLINE.COM.
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-
gr%C3%A1fico/ > (con acceso 01/03/2017)

Ing. Bryan Salazar Lpez. (2016). MTODO SIMPLEX, de


INGENIERIAINDUSTRIALONLINE.COM.
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/ >
(con acceso 01/03/2017)

Davis, K. R. y P. G. McKeown, Modelos cuantitativos para administracin,


Grupo Editorial Iberoamrica, 1986

56

Vous aimerez peut-être aussi