4 Modelos Deterministas

Modelos Deterministas http://www.investigacion-operaciones.com/Modelos_Deterministicos.
htm
Regresar a la Página Principal
Un modelo de Optimización Matemática consiste en una función objetivo y un conjunto de

restricciones en la forma de un sistema de ecuaciones o inecuaciones. Los modelos de
optimización son usados en casi todas las áreas de toma de decisiones, como en ingeniería de
diseño y selección de carteras financieras de inversión . Esta pagina web presenta ejemplos
focalizados y estructurados para la formulación de problemas de optimización, diseño de la
estrategia optima y herramientas de control de calidad que incluyen validación, verificación y
análisis post-solución.
Material Didáctico preparado por el Profesor Hossein Arsham,
pagina WEB http://ubmail.ubalt.edu/~harsham/index.html
MENÚ
1. Introducción y resumen
2. Optimización: Programación Lineal (PL)
3. Problema Dual: Construcción y Significado
4. Manejo de Incertidumbres mediante Modelación de Escenarios
5. Programas lineales generales con enteros
6. El apéndice I. Ciencia de la Administración Aplicada
7. El apéndice II. Modelos Probabilísticos: Del Análisis de la Decisión
8. El apéndice Recursos de la Toma de Decisión
Optimización: Programación Lineal (PL)

1. Introducción y resumen
2. Optimización
3. Programación Lineal (PL)
4. Proceso de Formulación de un Problema de PL y su Aplicación
El Problema del Carpintero
Un Problema de Mezcla
Otras Aplicaciones Comunes de PL
5. Método de Solución Gráfica
6. Vínculo entre Programación Lineal y Sistemas de Ecuaciones
7. Extensión a Mayores Dimensiones
8. Ejemplo Numérico: el Problema del Transporte
9. Conceptos y Técnicas de Aprendizaje Asistidos por Computadora
10. Cómo Interpretar los Resultados del Paquete de Software LINDO
11. Implementaciones de Computación con el Paquete WinQSB
12. ¿Cómo Resolver un Sistema de Ecuaciones Lineales Utilizando un Software de PL?
1 de 51 31-10-2012 13:13
Modelos Deterministas http://www.investigacion-operaciones.com/Modelos_Deterministicos.htm
Problema Dual
1. Problema Dual: Construcción y Significado
2. El Problema Dual del Problema del Carpintero y su Interpretación
3. Errores de Redondeo cometido por los Gerentes
4. Cálculo de los Precios Sombra
5. Comportamiento de los Cambios en los Valores RHS del Valor Optimo
6. Interpretación Incorrecta del Precio Sombra
7. ¿El Precio Sombra es Siempre No Negativo?
8. Precios Sombra Alternativos
Manejo de Incertidumbres mediante Modelación de Escenarios:

Análisis de Sensibilidad y Análisis de Especificidad
1. Introducción
2. Cálculo de Rangos de Sensibilidad para Problemas Pequeños
3. Qué es la Regla del 100% (región de sensibilidad)
4. Añadir una nueva restricción
5. Suprimir una restricción
6. Reemplazar una restricción
7. Añadir una variable (por ejemplo, introducir un nuevo producto)
8. Suprimir una variable (es decir, cancelar un producto)
9. Problema de asignación óptima de recursos
10. Determinación de la mínima utilidad neta del producto
11. Indicadores de metas
12. Cálculo de minimax y maximin en una sola corrida
13. Situaciones de más por menos y menos por más
Programas lineales generales con enteros

1. Introducción
2. Aplicación mixta de programación con enteros: restricciones "Y-O"
3. Programas lineales con enteros 0 - 1
4. Aplicaciones para formulación de presupuestos de inversiones
5. Problemas de scheduling (planificación de turnos)
6. Programación con restricciones no binarias
7. Optimización combinatoria
8. Programación no lineal
Introducción y Resumen
Los problemas de toma de decisiones se pueden clasificar en dos categorías: modelos de decisión
determinísticos y modelos de decisión probabilísticos. En los modelos deterministicos, las buenas
decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "deterministica",
es decir, libre de riesgo. Esto depende de la influencia que puedan tener los factores no
controlables, en la determinación de los resultados de una decisión y también en la cantidad de
información que el tomador de decisión tiene para controlar dichos factores.
Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema
2 de 51 31-10-2012 13:13
constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El problema puede ser
reducir el costo de operación y a la vez mantener un nivel aceptable de servicio, utilidades de las
operaciones actuales, proporcionar un mayor nivel de servicio sin aumentar los costos, mantener
un funcionamiento rentable cumpliendo a la vez con las reglamentaciones gubernamentales
establecidas, o "mejorar" un aspecto de la calidad del producto sin reducir la calidad de otros
aspectos. Para identificar la mejora del funcionamiento del sistema, se debe construir una
representación sintética o modelo del sistema físico, que puede utilizarse para describir el efecto
de una variedad de soluciones propuestas.
Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la
presencia de la misma. Una fotografía es un modelo de la realidad ilustrada en la imagen. La
presión arterial puede utilizarse como un modelo de la salud de una persona. Una campaña piloto
de ventas puede utilizarse como un modelo de la respuesta de las personas a un nuevo producto.
Por último, una ecuación matemática puede utilizarse como un modelo de la energía contenida en
un determinado material. En cada caso, el modelo captura algún aspecto de la realidad que
intenta representar.
Ya que un modelo sólo captura determinados aspectos de la realidad, su uso puede no ser
apropiado en una aplicación en particular porque no captura los elementos correctos de la
realidad. La temperatura es un modelo de las condiciones climáticas pero puede ser inapropiado
si uno está interesado en la presión barométrica. Una foto de una persona es un modelo de la
misma pero brinda poca información acerca de sus logros académicos. Una ecuación que predice
las ventas anuales de un producto en particular es un modelo de ese producto pero tiene poca
utilidad si lo que nos interesa es el costo de producción por unidad. Por lo tanto, la utilidad del
modelo depende del aspecto de la realidad que representa.
Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados de la
realidad si lo hace de una manera distorsionada o sesgada. Una ecuación que pronostica el
volumen mensual de ventas puede ser exactamente lo que el gerente de ventas quiere pero podría
generar grandes pérdidas si arroja constantemente cálculos de ventas altos. Un termómetro que
lee de más (o de menos) tendría poca utilidad para realizar un diagnóstico médico. En
consecuencia, un modelo útil es aquel que captura los elementos adecuados de la realidad con un
grado aceptable de precisión.
Un modelo matemático es una ecuación, desigualdad o sistema de ecuaciones o desigualdades,

que representa determinados aspectos del sistema físico representado en el modelo. Los modelos
de este tipo se utilizan en gran medida en las ciencias físicas, en el campo de la ingeniería, los
negocios y la economía.
Un modelo ofrece al analista una herramienta que puede manipular en su análisis del sistema en
estudio, sin afectar al sistema en sí. Por ejemplo, supóngase que se ha desarrollado un modelo
matemático para predecir las ventas anuales como una función del precio de venta unitario. Si se
conoce el costo de producción por unidad, se pueden calcular con facilidad las utilidades anuales
totales para cualquier precio de venta. Para determinar el precio de venta que arrojará las
utilidades totales máximas, se pueden introducir en el modelo distintos valores para el precio de
venta, uno a la vez, determinando las ventas resultantes y calculando las utilidades anuales
totales para cada valor de precio de venta examinado. Mediante un proceso de prueba y error, el
analista puede determinar el precio de venta que maximizará las utilidades anuales totales.
Lo ideal sería que si el modelo matemático es una representación válida del rendimiento del
sistema, mediante la aplicación de las técnicas analíticas adecuadas, la solución obtenida a partir
del modelo debería ser también la solución para el problema del sistema. Así, la efectividad de los
3 de 51 31-10-2012 13:13
resultados de la aplicación de cualquier técnica operativa es en gran medida una función del
grado en el cual el modelo representa al sistema en estudio.
A fin de definir las condiciones que nos conducirán a la solución del problema del sistema, el
analista primero debe identificar un criterio según el cual se podrá medir el sistema. Este criterio
a menudo se denomina medida del rendimiento del sistema o medida de efectividad. En
aplicaciones empresariales, la medida de efectividad generalmente son los costos o las utilidades,
mientras que en aplicaciones gubernamentales esta medida generalmente se define en términos
de un índice costo/beneficio.
El modelo matemático que describe el comportamiento de la medida de efectividad se denomina

función objetivo. Si la función objetivo es describir el comportamiento de la medida de
efectividad, debe capturar la relación entre esa medida y aquellas variables que hacen que dicha
medida fluctúe. Las variables del sistema pueden categorizarse en variables de decisión y
parámetros. Una variable de decisión es una variable que puede ser directamente controlada por
el decisor. También existen algunos parámetros cuyos valores pueden ser inciertos para el
decisor. Esto requiere un análisis de sensibilidad después de descubrir la mejor estrategia. En la
práctica, resulta casi imposible capturar la relación precisa entre todas las variables del sistema y
la medida de efectividad a través de una ecuación matemática. En cambio, el analista de IO/CA
debe tratar de identificar aquellas variables que afectan en mayor grado la medida de efectividad
y luego debe intentar definir de manera lógica la relación matemática entre estas variables y la
medida de efectividad. Esta relación matemática es la función objetivo que se emplea para
evaluar el rendimiento del sistema en estudio.
La formulación de una función objetivo que tenga sentido normalmente es una tarea tediosa y
frustrante. Los intentos de desarrollo de una función objetivo pueden terminar en un fracaso.
Esto puede darse porque el analista elige el conjunto incorrecto de variables para incluir en el
modelo o bien, si el conjunto es el adecuado, porque no identifica correctamente la relación entre
estas variables y la medida de efectividad. En un nuevo intento, el analista trata de descubrir las
variables adicionales que podrían mejorar su modelo descartando aquellas que parecen tener
poca o ninguna relevancia. No obstante, sólo se puede determinar si estos factores realmente
mejoran el modelo una vez realizadas la formulación y prueba de nuevos modelos que incluyan
las variables adicionales. Todo el proceso de selección y rechazo de variables puede requerir
reiteraciones múltiples hasta desarrollar una función objetivo satisfactoria. En cada iteración, el
analista espera lograr alguna mejora en el modelo, aunque no siempre se tiene tanta buena suerte.
Por lo general, el éxito final es precedido por una serie de fracasos frustrantes y pequeños
progresos.
En cada etapa del proceso de desarrollo, el analista debe evaluar la correspondencia o validez del
modelo. Normalmente se emplean dos criterios para realizar esta determinación. El primero
implica la experimentación del modelo: someter el modelo a una serie de condiciones y registrar
los valores asociados de la medida de efectividad dada por el modelo en cada caso. Si la medida
de efectividad varía de manera antinatural con una sucesión de condiciones de entrada, es
posible que la función objetivo no sea válida. Por ejemplo, supóngase que se desarrolla un
modelo destinado a calcular el valor de mercado de viviendas unifamiliares. El modelo debe
expresar el valor de mercado en dólares como una función de la superficie cubierta en pies
cuadrados, cantidad de dormitorios, cantidad de baños y tamaño del lote. Después de desarrollar
el modelo, el analista lo aplica a la tasación de distintas viviendas, con distintos valores para las
características mencionadas y descubre que el valor de mercado desciende a medida que
aumenta la superficie cubierta expresada en pies cuadrados. Dado que este resultado no
concuerda con la realidad, el analista cuestionaría la validez del modelo. Por otro lado, supóngase
que el modelo es tal que el valor de las viviendas es una función creciente de cada una de las
4 de 51 31-10-2012 13:13
cuatro características citadas, como generalmente es de esperar. Si bien este resultado es

alentador, no necesariamente implica que el modelo es una representación válida de la realidad,
dado que la tasa de aumento de cada variable puede ser excesivamente alta o baja. La segunda
etapa de la validación del modelo requiere una comparación de los resultados del modelo con los
resultados obtenidos en la realidad.
Optimización
La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de realizar las tareas
cotidianas de la vida. A lo largo de la historia de la humanidad, se puede observar la larga
búsqueda de fuentes más efectivas de alimentos al comienzo y luego de materiales, energía y
manejo del entorno físico. Sin embargo, relativamente tarde en la historia de la humanidad,
comenzaron a formularse ciertas clases de preguntas generales de manera cuantitativa, primero
en palabras y después en notaciones simbólicas. Un aspecto predominante de estas preguntas
generales era la búsqueda de lo "mejor" o lo "óptimo". Generalmente, los gerentes buscan
simplemente lograr alguna mejora en el nivel de rendimiento, es decir, un problema de "búsqueda
de objetivo". Cabe destacar que estas palabras normalmente no tienen un significado preciso
Se han realizado grandes esfuerzos por describir complejas situaciones humanas y sociales. Para
tener significado, esto debería escribirse en una expresión matemática que contenga una o más
variables, cuyos valores deben determinarse. La pregunta que se formula, en términos generales,
es qué valores deberían tener estas variables para que la expresión matemática tenga el mayor
valor numérico posible (maximización) o el menor valor numérico posible (minimización). A este
proceso general de maximización o minimización se lo denomina optimización.
La optimización, también denominada programación matemática, sirve para encontrar la

respuesta que proporciona el mejor resultado, la que logra mayores ganancias, mayor producción
o felicidad o la que logra el menor costo, desperdicio o malestar. Con frecuencia, estos problemas
implican utilizar de la manera más eficiente los recursos, tales como dinero, tiempo, maquinaria,
personal, existencias, etc. Los problemas de optimización generalmente se clasifican en lineales y
no lineales, según las relaciones del problema sean lineales con respecto a las variables. Existe
una serie de paquetes de software para resolver problemas de optimización. Por ejemplo, LINDO
o WinQSB resuelven modelos de programas lineales y LINGO y What'sBest! resuelven
problemas lineales y no lineales.
La Programación Matemática, en general, aborda el problema de determinar asignaciones

óptimas de recursos limitados para cumplir un objetivo dado. El objetivo debe representar la meta
del decisor. Los recursos pueden corresponder, por ejemplo, a personas, materiales, dinero o
terrenos. Entre todas las asignaciones de recursos admisibles, queremos encontrar la/s que
maximiza/n o minimiza/n alguna cantidad numérica tal como ganancias o costos.
El objetivo de la optimización global es encontrar la mejor solución de modelos de decisiones

difíciles, frente a las múltiples soluciones locales.
Programación Lineal (PL)
La programación lineal muchas veces es uno de los temas preferidos tanto de profesores como de
alumnos. La capacidad de introducir la PL utilizando un abordaje gráfico, la facilidad relativa del
método de solución, la gran disponibilidad de paquetes de software de PL y la amplia gama de
5 de 51 31-10-2012 13:13
aplicaciones hacen que la PL sea accesible incluso para estudiantes con poco conocimiento de
matemática. Además, la PL brinda una excelente oportunidad para presentar la idea del análisis
what-if o análisis de hipótesis ya que se han desarrollado herramientas poderosas para el análisis
de post optimalidad para el modelo de PL.
La Programación Lineal (PL) es un procedimiento matemático para determinar la asignación

óptima de recursos escasos. La PL es un procedimiento que encuentra su aplicación práctica en
casi todas las facetas de los negocios, desde la publicidad hasta la planificación de la producción.
Problemas de transporte, distribución, y planificación global de la producción son los objetos más
comunes del análisis de PL. La industria petrolera parece ser el usuario más frecuente de la PL.
Un gerente de procesamiento de datos de una importante empresa petrolera recientemente
calculó que del 5% al 10% del tiempo de procesamiento informático de la empresa es destinado
al procesamiento de modelos de PL y similares.
La programación lineal aborda una clase de problemas de programación donde tanto la función
objetivo a optimizar como todas las relaciones entre las variables correspondientes a los recursos
son lineales. Este problema fue formulado y resuelto por primera vez a fines de la década del 40.
Rara vez una nueva técnica matemática encuentra una gama tan diversa de aplicaciones
prácticas de negocios, comerciales e industriales y a la vez recibe un desarrollo teórico tan
exhaustivo en un período tan corto. Hoy en día, esta teoría se aplica con éxito a problemas de
presupuestos de capital, diseño de dietas, conservación de recursos, juegos de estrategias,
predicción de crecimiento económico y sistemas de transporte. Recientemente la teoría de la
programación lineal también contribuyó a la resolución y unificación de diversas aplicaciones.
Es importante que el lector entienda desde el comienzo que el término "programación" tiene un
significado distinto cuando se refiere a Programación Lineal que cuando hablamos de
Programación Informática. En el primer caso, significa planificar y organizar mientras que en el
segundo caso, significa escribir las instrucciones para realizar cálculos. La capacitación en una
clase de programación tiene muy poca relevancia directa con la otra clase de programación. De
hecho, el término "programación lineal" se acuñó antes de que la palabra programación se
relacionara con el software de computación. A veces se evita esta confusión utilizando el término
optimización lineal como sinónimo de programación lineal.
Cualquier problema de PL consta de una función objetivo y un conjunto de restricciones. En la

mayoría de los casos, las restricciones provienen del entorno en el cual usted trabaja para lograr
su objetivo. Cuando usted quiere lograr el objetivo deseado, se dará cuenta de que el entorno fija
ciertas restricciones (es decir, dificultades, limitaciones) para cumplir con su deseo (vale decir, el
objetivo). Es por eso que las religiones, como el Budismo entre otras, prescriben vivir una vida
abstemia. Sin deseo, no hay dolor. ¿Puede usted seguir este consejo con respecto a su objetivo de
negocios?
Qué es una función: una función es una cosa que hace algo. Por ejemplo, una máquina de moler
café es una función que transforma los granos de café en polvo. La función (objetivo) traza,
traduce el dominio de entrada (denominado región factible) en un rango de salida con dos valores
finales denominados valores máximo y mínimo.
Cuando se formula un problema de toma de decisiones como un programa lineal, se deben

verificar las siguientes condiciones:
1. 1. La función objetivo debe ser lineal. Vale decir que se debe verificar que todas las
variables estén elevadas a la primera potencia y que sean sumadas o restadas (no divididas
ni multiplicadas);
6 de 51 31-10-2012 13:13
2. 2. El objetivo debe ser ya sea la maximización o minimización de una función lineal. El

objetivo debe representar la meta del decisor; y
3. 3. Las restricciones también deben ser lineales. . Asimismo, la restricción debe adoptar
alguna de las siguientes formas ( £, ³, O =, es decir que las restricciones de PL siempre
están cerradas).
Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a < 1. Este problema
tan sencillo no tiene solución.
Como siempre, se debe tener cuidado al categorizar un problema de optimización como un

problema de PL. ¿El siguiente problema es un problema de PL?
Max X2
sujeta a:
X1 + X2 £ 0
X12 - 4 £ 0
Aunque la segunda restricción parece "como si" fuera una restricción no lineal, esta restricción
puede escribirse también de la siguiente forma:
X1 ³ -2, y X2 £ 2.
En consecuencia, el problema es de hecho un problema de PL.
Para la mayoría de los problemas de PL, podemos decir que existen dos tipos importantes de
objetos: en primer lugar, los recursos limitados, tales como terrenos, capacidad de planta, o
tamaño de la fuerza de ventas; en segundo lugar, las actividades, tales como "producir acero con
bajo contenido de carbono", y "producir acero con alto contenido de carbono". Cada actividad
consume o probablemente contribuye cantidades adicionales de recursos. Debe haber una
función objetivo, es decir, una manera de discriminar una mala de una buena o una mejor
decisión. El problema es determinar la mejor combinación de niveles de actividades, que no
utilice más recursos de los disponibles. Muchos gerentes se enfrentan a esta tarea todos los días.
Afortunadamente, el software de programación lineal ayuda a determinar esto cuando se ingresa
un modelo bien formulado.
El método Simplex es un algoritmo de solución muy utilizado para resolver programas lineales.
Un algoritmo es una serie de pasos para cumplir con una tarea determinada.
Proceso de Formulación de un Problema de PL y su Aplicación
Para formular un problema de PL, recomiendo seguir los siguientes lineamientos generales
después de leer con atención el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de variables de decisión, los
parámetros, la función objetivo y un conjunto de restricciones. Al formular un determinado
problema de decisión en forma matemática, debe practicar la comprensión del problema (es
decir, formular un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del
problema. Mientras trata de comprender el problema, formúlese las siguientes preguntas
generales:
1. ¿Cuáles son las variables de decisión? Es decir, ¿cuáles con las entradas controlables?
7 de 51 31-10-2012 13:13
Defina las variables de decisión con precisión utilizando nombres descriptivos. Recuerde
que las entradas controlables también se conocen como actividades controlables, variables
de decisión y actividades de decisión.
2. Cuáles son los parámetros? Vale decir ¿cuáles son las entradas no controlables? Por lo
general, son los valores numéricos constantes dados. Defina los parámetros con precisión
utilizando nombres descriptivos.
3. ¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es decir, ¿qué quiere el dueño del
problema? ¿De qué manera se relaciona el objetivo con las variables de decisión del dueño
del problema? ¿Es un problema de maximización o minimización? El objetivo debe
representar la meta del decisor.
4. ¿Cuáles son las restricciones? Es decir, ¿qué requerimientos se deben cumplir? ¿Debería
utilizar un tipo de restricción de desigualdad o igualdad? ¿Cuáles son las conexiones entre
las variables? Escríbalas con palabras antes de volcarlas en forma matemática.
Recuerde que la región factible tiene poco o nada que ver con la función objetivo (minim. o
maxim.). Estas dos partes en cualquier formulación de PL generalmente provienen de dos fuentes
distintas. La función objetivo se establece para cumplir con el deseo (objetivo) del decisor
mientras que las restricciones que forman la región factible generalmente provienen del entorno
del decisor que fija algunas limitaciones / condiciones para lograr su objetivo.
A continuación, se incluye un problema ilustrativo muy sencillo. Sin embargo, el abordaje del
problema es igual para una gran variedad de problemas de toma de decisión, mientras que el
tamaño o la complejidad pueden variar. El primer ejemplo es un problema de mix de productos y
el segundo es un problema de mezcla.
El Problema del Carpintero
Durante un par de sesiones de tormenta de ideas con un carpintero (nuestro cliente), éste nos
comunica que sólo fabrica mesas y sillas y que vende todas las mesas y las sillas que fabrica en
un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta situación.
El objetivo es determinar cuántas mesas y sillas debería fabricar para maximizar sus ingresos
netos. Comenzamos concentrándonos en un horizonte de tiempo, es decir, un plazo de
planificación, , para revisar nuestra solución semanalmente, si fuera necesario. Para saber más
acerca de este problema, debemos ir al negocio del carpintero y observar lo que sucede y medir
lo que necesitamos para para formular (para crear un modelo de) su problema. Debemos
confirmar que su objetivo es maximizar sus ingresos netos. Debemos comunicarnos con el
cliente.
El problema del carpintero se trata de determinar cuántas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una función objetivo La función objetivo es: 5X1 +
3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan los ingresos
netos (por ejemplo, en dólares o décimas de dólares) de la venta de una mesa y una silla,
respectivamente. Los factores limitantes, que normalmente provienen del exterior, son las
limitaciones de la mano de obra (esta limitación proviene de la familia del carpintero) y los
recursos de materia prima (esta limitación proviene de la entrega programada). Se miden los
tiempos de producción requeridos para una mesa y una silla en distintos momentos del día y se
calculan en 2 horas y 1 hora, respectivamente. Las horas laborales totales por semana son sólo
8 de 51 31-10-2012 13:13
40. La materia prima requerida para una mesa y una silla es de 1 y 2 unidades, respectivamente.
El abastecimiento total de materia prima es de 50 unidades por semana. En consecuencia, la
formulación de PL es la siguiente:
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 £ 40 restricción de mano de obra
X1 + 2 X2 £ 50 restricción de materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemático para el problema del carpintero. Las variables de decisión, es
decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo son los
ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este modelo son lineales
(las variables de decisión están elevadas a la primera potencia). El coeficiente de estas
restricciones se denomina denomina Factores Tecnológicos (matriz). El período de revisión es de
una semana, un período conveniente dentro del cual es menos probable que cambien (fluctúen)
las entradas controlables (todos los parámetros tales como 5, 50, 2,..). Incluso en un plazo de
planificación tan corto, debemos realizar el análisis what-if o de hipótesis para responder a
cualquier cambio en estas entradas a los efectos de controlar el problema, es decir, actualizar la
solución prescripta.
Nótese que dado que el Carpintero no va a ir a la quiebra al final del plazo de planificación,
agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los
requerimientos que X1 y X2 deben ser números enteros positivos. Recuerde que las condiciones
de no negatividad también se denominan "restricciones implícitas". Nuevamente, un Programa
Lineal funcionaría bien para este problema si el Carpintero continúa fabricando estos productos.
Los artículos parciales simplemente se contarían como trabajos en proceso y finalmente se
transformarían en productos terminados, en la siguiente semana.
Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada una y

seleccionado el par (X1, X2) que maximice 5X1 + 3X2 (los ingresos netos). Sin embargo, lleva
mucho tiempo enumerar todas las alternativas posibles y si no se enumeran todas las alternativas,
no podemos estar seguros de que el par seleccionado (como una solución) es la mejor de todas las
alternativas. Otras metodologías preferidas (más eficientes y efectivas), conocidas como las
Técnicas de Soluciones de Programación Lineal están disponibles en el mercado en más de 4000
paquetes de software de todo el mundo.
La solución óptima, es decir, la estrategia óptima, , es establecer X1 = 10 mesas y X2 = 20 sillas.

Programamos las actividades semanales del carpintero para que fabrique 10 mesas y 20 sillas.
Con esta estrategia (óptima), los ingresos netos son de US$110. Esta . Esta solución prescripta
sorprendió al carpintero dado que debido a los mayores ingresos netos provenientes de la venta
de una mesa (US$5), el solía fabricar más mesas que sillas.
¿Contratar o no contratar a un ayudante? Supóngase que el carpintero pudiera contratar a un

ayudante a un costo de US$2 por hora (adicionales $2) ¿Le conviene al carpintero contratar a un
ayudante? En caso afirmativo, ¿por cuántas horas?
X3 es la cantidad de horas extra, entonces el problema modificado es:
Maximizar 5 X1 + 3 X2 - 2 X3
9 de 51 31-10-2012 13:13
Sujeta a:
2 X1 + X2 £ 40 + X3 restricción de la mano de obra con horas adicionales desconocidas
En esta nueva condición, veremos que la solución óptima es X1 = 50, X2 = 0, X3 = 60, con
ingresos netos óptimos de US$130. Por lo tanto, el carpintero debería contratar a un ayudante por
60 horas. ¿Qué pasaría si sólo lo contrata por 40 horas? La respuesta a esta pregunta y a otros
tipos de preguntas del estilo "qué pasaría si" (what-if) se estudia en la sección sobre análisis de
sensibilidad en este sitio Web.
Un Problema de Mezcla
El taller LUBEOIL se especializa en cambios de aceite del motor y regulacion del sistema
electrico. El beneficio por cambio del aceite es $7 y de $15 por regulación. Joe tiene un cliente
fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio de aceite requiere
de 20 minutos de trabajo y $8 de insumos. Una regulación toma una hora de trabajo y gasta $15
en insumos. LUBEOIL paga a los mecánicos $10 por hora de trabajo y emplea actualmente a dos
de ellos, cada uno de los cuales labora 40 horas por semana. Las compras de insumos alcanzan
un valor de $1.750 semanales. LUBEOIL desea maximizar el beneficio total. Formule el
problema.
Esto es una pregunta de programación linear. Una porción de un cambio del aceite o del ajuste no
es factible.
X1 = Cambios del aceite, ajuste
X2 = Ajuste
Maximizar 7X1 + 15X2
Sujeta a:
X1 ³ 30 Cuenta De la Flota
20X1 + 60X2 £ 4800 De trabajo tiempo
8X1 + 15X2 £ 1750 Primas Materias
X1 ³ 0, X2 ³ 0.
El coste de trabajo de $10 por hora no se requiere para formular el problema desde el beneficio
por cambio del aceite y el ajuste toma en la consideración el coste de trabajo.
Otras Aplicaciones Comunes de PL
La programación lineal es una herramienta poderosa para seleccionar alternativas en un

problema de decisión y por consiguiente se aplica en una gran variedad de entornos de
problemas. La cantidad de aplicaciones es tan alta que sería imposible enumerarlas todas. A
continuación, indicamos algunas de las principales aplicaciones que cubren las áreas funcionales
más importantes de una organización empresarial.
Finanzas: el problema del inversor podría ser un problema de selección del mix de su cartera de
inversiones. En general, la variedad de carteras puede ser mucho mayor que lo que indica el
ejemplo y se pueden agregar muchas más restricciones distintas. Otro problema de decisión
implica determinar la combinación de métodos de financiación para una cantidad de productos
10 de 51 31-10-2012 13:13
cuando existe más de un método de financiación disponible. El objetivo puede ser maximizar las
ganancias totales cuando las ganancias de un producto determinado dependen del método de
financiación. Por ejemplo, se puede financiar con fondos internos, con deuda a corto plazo o con
financiación intermedia (créditos amortizados). Puede haber limitaciones con respecto a la
disponibilidad de cada una de las opciones de financiación, así como también restricciones
financieras que exijan determinadas relaciones entre las opciones de financiación a los efectos de
satisfacer los términos y condiciones de los préstamos bancarios o financiación intermedia.
También puede haber límites con respecto a la capacidad de producción de los productos. Las
variables de decisión serían la cantidad de unidades que deben ser financiadas por cada opción
de financiación.
Administración de Producción y Operaciones: muchas veces en las industrias de proceso, una

materia prima en particular puede transformarse en una gran variedad de productos. Por ejemplo,
en la industria petrolera, el crudo puede refinarse para producir nafta, kerosene, aceite para
calefaccionar y distintas clases de aceite para motor. Según el margen de ganancia actual de cada
producto, el problema es determinar la cantidad que se debería fabricar de cada producto. Esta
decisión está sujeta a numerosas restricciones tales como límites de las capacidades de diversas
operaciones de refinado, disponibilidad de materia prima, demandas de cada producto y políticas
gubernamentales con respecto a la fabricación de determinados productos. En la industria de
productos químicos y de procesamiento de alimentos existen problemas similares.
Recursos Humanos: los problemas de planificación de personal también se pueden analizar con
programación lineal. Por ejemplo, en la industria telefónica, la demanda de servicios de personal
de instalación / reparación son estacionales. El problema es determinar la cantidad de personal de
instalación / reparación y reparación de líneas que debemos tener incorporada en la fuerza
laboral por cada mes a fin de minimizar los costos totales de contratación, despido, horas extras y
salarios en horas ordinarias. El conjunto de restricciones comprende restricciones con respecto a
la demanda de servicio que se debe satisfacer, uso de horas extra, acuerdos con los sindicatos y
la disponibilidad de personal calificado para contratar. Este ejemplo es opuesto a la hipótesis de
divisibilidad. Sin embargo, los niveles de fuerza laboral de cada mes normalmente son lo
suficientemente altos como para poder redondear al número entero más cercano sin problemas,
siempre y cuando no se violen las restricciones.
Marketing: se puede utilizar la programación lineal para determinar el mix adecuado de medios
de una campaña de publicidad. Supóngase que los medios disponibles son radio, televisión y
diarios. El problema es determinar cuántos avisos hay que colocar en cada medio. Por supuesto
que el costo de colocación de un aviso depende del medio elegido. El objetivo es minimizar el
costo total de la campaña publicitaria, sujeto a una serie de restricciones. Dado que cada medio
puede proporcionar un grado diferente de exposición a la población meta, puede haber una cota
inferior con respecto a la exposición de la campaña. Asimismo, cada medio puede tener distintos
ratings de eficiencia para producir resultados deseables y por consiguiente puede haber una cota
inferior con respecto a la eficiencia. Además, puede haber límites con respecto a la disponibilidad
para publicar en cada medio.
Distribución: otra aplicación de programación lineal es el área de la distribución. Considere un

caso en el que existen m fábricas que deben enviar productos a n depósitos. Una determinada
fábrica podría realizar envíos a cualquier cantidad de depósitos. Dado el costo del envío de una
unidad del producto de cada fábrica a cada depósito, el problema es determinar el patrón de
envío (cantidad de unidades que cada fábrica envía a cada depósito) que minimice los costos
totales. Este decisión está sujeta a restricciones que exigen que cada fábrica no pueda enviar más
productos de los que tiene capacidad para producir.
11 de 51 31-10-2012 13:13
Método de Solución Gráfica
Dado que somos una especie visual (especialmente la cultura estadounidense), debido a nuestro
sistema educativo, muchas de las herramientas de enseñanza escolar utilizadas en la actualidad
son de naturaleza gráfica. Les enseñamos a leer mostrándoles figuras de las cosas. Les
enseñamos a contar mostrándoles el orden de los números. En consecuencia, nuestros receptores
visuales se agudizan a expensas de otras funciones cognitivas. También he descubierto que las
personas de negocios responden mejor a los gráficos y a los cuadros que a los números.
Procedimiento para el Método Gráfico de Solución de Problemas de PL:
1. ¿El problema es un problema de PL? La respuesta es afirmativa si y sólo si:
Todas las variables están elevadas a la primera potencia y son sumadas o restadas (no
dividas ni multiplicadas). La restricción debe adoptar alguna de las siguientes formas (£, ³,
o =, es decir que las restricciones de PL siempre están cerradas), y el objetivo debe ser de
maximización o minimización.
Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a <. Este
problema tan sencillo no tiene solución.
2. ¿Puedo utilizar el método gráfico? La respuesta es afirmativa si la cantidad de variables de

decisión es 1 o 2.
3. Utilice papel milimetrado. Grafique cada restricción, una por una, como si fueran
igualdades (como si todo £ y ³, es = ) y luego trace la línea.
4. A medida que se crea cada línea, divida la región en 3 partes con respecto a cada línea.
Para identificar la región factible para esta restricción en particular, elija un punto en
cualquier lado de la línea y coloque sus coordenadas en la restricción, si satisface la
condición, este lado es factible, de lo contrario el otro lado es factible. En el caso de
restricciones de igualdad, sólo los puntos sobre la línea son factibles.
5. Elimine los lados que no son factibles.
Una vez graficadas todas las restricciones, debe generarse una región factible no vacía
(convexa), salvo que el problema sea no factible.
6. Cree (como mínimo) dos líneas de igual valor desde la función objetivo, fijando la función
objetivo en dos números distintos cualquiera. Grafique las líneas resultantes. Al mover
estas líneas paralelas, encontrará el vértice óptimo (punto extremo), si es que existe.
En general, si la región factible se encuentra dentro del primer cuadrante del sistema de
coordenadas (es decir si X1 y X2 ³ 0), entonces, para los problemas de maximización,
usted debe mover la función objetivo de igual valor (función iso) paralela a sí misma lejos
del punto de origen (0, 0), como mínimo, teniendo a la vez un punto en común con la
región factible. Sin embargo, para los problemas de minimización, debe realizar lo opuesto,
es decir, mover la función objetivo de igual valor (función iso) paralela a sí misma
acercándola al punto de origen, a su vez teniendo como mínimo un punto en común con
la región factible. El punto común proporciona la solución óptima.
Recuerde que las restricciones de PL proporcionan los vértices y las esquinas. Un vértice es la
12 de 51 31-10-2012 13:13
intersección de 2 líneas o en general, n hiperplanos en problemas de PL con n variables de

decisión. Una esquina es un vértice que además es factible.
Un Ejemplo Numérico: El Problema del Carpintero
Sujeta a:
2 X1 + X2 £ 40
X1 + 2 X2 £ 50
and both X1, X2 are non-negative.
Nota: Existe una alternativa del abordaje de la función objetivo de igual valor (función iso) con
problemas que tienen pocas restricciones y una región factible acotada. Primero busque todas las
esquinas, también llamadas puntos extremos. Luego, evalúe la función objetivo en los puntos
extremos para llegar al valor óptimo y a la solución óptima.
Por ejemplo, en el problema del carpintero, la región factible convexa proporciona los puntos
extremos con las coordenadas que figuran en la siguiente Tabla:
Valor de la Función Objetivo en cada Esquina o Punto Extremo
Coordenadas de los Puntos Función de los Ingresos

Elecciones del Decisor
Extremos Netos
Cantidad de Mesas o Sillas X1, X2 5 X1 + 3 X2
No fabricar ninguna mesa ni silla 0, 0 0
Fabricar todas la mesas posibles 20, 0 100
Fabricar todas las sillas posibles 0, 25 75
13 de 51 31-10-2012 13:13
Fabricar una combinación de

10, 20 110
productos
Dado que el objetivo es maximizar, de la tabla anterior surge que el valor óptimo es 110, el cual
se obtiene si el carpintero sigue la estrategia óptima de X1 = 10 y X2 = 20.
La principal deficiencia del método gráfico es que se limita a resolver problemas lineales que
tengan sólo 1 o 2 variables de decisión. Sin embargo, la conclusión principal y útil a la que
podemos arribar a partir del análisis de los métodos gráficos es la siguiente:
Si un programa lineal tiene una región factible acotada no vacía, la solución óptima es
siempre uno de los puntos extremos. .
La prueba de esta afirmación surge de los resultados de los siguientes dos hechos:
Hecho N° 1: La región factible de cualquier programa lineal es siempre un conjunto convexo.
Debido a que todas las restricciones son lineales, la región factible (R.F.) es un polígono.
Además, este polígono es un conjunto convexo. En cualquier problema de PL que tenga más de
dos dimensiones, los límites de la región factible son partes de los hiperplanos, y la región factible
en este caso se denomina poliedro y también es convexa. Un conjunto convexo es aquel en el
cual si se eligen dos puntos factibles, todos los puntos en el segmento de la línea recta que une
estos dos puntos también son factibles. La prueba de que la región factible de los programas
lineales son siempre conjuntos convexos surge por contradicción. Las siguientes figuras ilustran
ejemplos de los dos tipos de conjuntos: un conjunto no convexo y un conjunto convexo.
El conjunto de la región factible en cualquier programa lineal se denomina poliedro y si está

acotado se denomina politopo.
Hecho N° 2: El valor iso de una función objetivo de un programa lineal es siempre una función
lineal.
Este hecho surge de la naturaleza de la función objetivo de cualquier problema de PL. Las
siguientes figuras ilustran las dos clases típicas de funciones objetivo de igual valor (función iso).
14 de 51 31-10-2012 13:13
De la combinación de los dos hechos expresados arriba surge que si un programa lineal tiene una
región factible acotada no vacía, la solución óptima es siempre uno de los puntos extremos.
Para superar la deficiencia del método gráfico, utilizaremos esta conclusión útil y práctica en el
desarrollo de un método algebraico aplicable a problemas de PL multidimensionales.
La convexidad de la región factible de los programas lineales facilita la resolución de problemas

de PL. Debido a esta propiedad y a la linealidad de la función objetivo, la solución es siempre
uno de los vértices. Asimismo, dado que la cantidad de vértices es limitada, todo lo que debemos
hacer es buscar todos los vértices factibles y luego evaluar la función objetivo en dichos vértices
para encontrar el punto óptimo.
En el caso de programas no lineales, el problema es mucho más difícil de resolver porque la

solución podría estar en cualquier parte dentro de la región factible, en el límite de la región
factible o en un vértice.
Por suerte, la mayoría de los problemas de optimización empresarial son lineales y es por eso que
la PL es tan popular. Hoy en día, existen más de 400 paquetes de software en el mercado para
resolver problemas de PL. La mayoría se basa en la búsqueda de vértices. Esto equivale a pasar
de un vértice a otro cercano en busca de un punto óptimo.
Vínculo entre Programación Lineal y Sistemas de Ecuaciones
George Dantzig la programación lineal es estrictamente "la teoría y la solución de sistemas

lineales de desigualdad". Probablemente ya ha notado que las soluciones básicas de un programa
lineal son las soluciones de los sistemas de ecuaciones que constan de restricciones en una
posición obligatoria.
Por ejemplo, en el caso del Problema del Carpintero, se pueden calcular todas las soluciones
básicas, tomando dos ecuaciones cualquiera y resolviéndolas al mismo tiempo. Luego, se utilizan
las restricciones de las otras ecuaciones para verificar la factibilidad de esta solución. Si es
factible, esta solución es una solución básica factible que proporciona las coordenadas de un
punto extremo de la región factible. Para ilustrar el procedimiento, considere las restricciones del
Carpintero en la posición obligatoria (es decir todas con signo =):
15 de 51 31-10-2012 13:13
2X1 + X2 = 40
X1 + 2X2 = 50
X1 = 0
X2 = 0
Aquí tenemos 4 ecuaciones con 2 incógnitas. Existen como máximo C42 = 4! / (2! 2!) = 6
soluciones básicas. Si resolvemos los seis sistemas de ecuaciones resultantes tenemos:
Seis Soluciones Básicas con Cuatro Soluciones Básicas Factibles
X1 X2 5X1 + 3X2
10 20 110*
0 40 No factible
20 0 100
0 25 75
50 0 No factible
0 0 0
Cuatro de las soluciones básicas que figuran arriba son soluciones básicas factibles que
satisfacen todas las restricciones y pertenecen a los vértices de la región factible. Al incluir la
solución básica factible en la función objetivo, podemos calcular el valor óptimo. Entonces, de la
tabla anterior surge que la solución óptima es X1 = 10, X2 = 20, con un valor óptimo de US$110.
Este abordaje puede aplicarse para resolver problemas de PL de más dimensiones.
Extensión a Mayores Dimensiones
El Método Gráfico se limita a resolver problemas de PL con una o dos variables de decisión. Sin
embargo, proporciona una clara ilustración de dónde se encuentran las regiones factibles y no
factibles así como también los vértices. Desarrollar una comprensión visual del problema
contribuye a un proceso de pensamiento más racional. Por ejemplo, ya vimos que: si un programa
lineal tiene una región factible acotada no vacía, la solución óptima es siempre uno de los
vértices de su región factible (una esquina o punto extremo). Como resultado, lo que debemos
hacer es buscar todos los puntos de intersección (vértices) y luego examinar cuál de todos los
vértices factibles proporciona la solución óptima. Ahora, aplicando conceptos de Geometría
Analítica, sortearemos esta limitación de la visión humana. El Método Algebraico está diseñado
para extender los resultados del método gráfico a problemas de PL multidimensionales, tal como
se ilustra en el siguiente ejemplo numérico.
Ejemplo Numérico: el Problema del Transporte
El objetivo es encontrar la manera más efectiva de transportar productos. La siguiente tabla

presenta un resumen de la oferta y la demanda en cada origen (por ejemplo: el depósito) O1, O2
y destino (por ejemplo: el mercado) D1 y D2, junto con el costo unitario de transporte.
Matriz de Costo Unitario de

Transporte
D1 D2 Oferta
O1 20 30 200
16 de 51 31-10-2012 13:13
O2 10 40 100
Demanda 150 150 300
Xij representa la cantidad de productos enviados desde el origen i hasta el destino j. La

formulación de PL del problema de minimización del costo total de transporte es la siguiente:
Min 20X11 + 30X12 + 10X21 + 40X22
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todas Xij ³ 0
Como este problema de transporte es equilibrado (oferta total = demanda total) todas las
restricciones están en forma de igualdad. Además, cualquiera de las restricciones es redundante
(si se suman dos restricciones cualquiera y se resta otra obtenemos la restricción restante).
Borremos la última restricción. El problema entonces queda así:
Min 20X11 + 30X12 + 10X21 + 40X22
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
todas Xij ³ 0
Este problema de PL no se puede resolver mediante el método gráfico. Sin embargo, el método
algebraico no tiene ninguna limitación con respecto a la dimensión de PL. Nótese que tenemos
tres ecuaciones con cuatro variables de decisión restringidas. Fijando cualquiera de las variables
en cero obtenemos:
X11 X12 X21 X22 Costo Total de Transporte

0 200 150 -50
No factible
200 0 -50 150 No factible
150 50 0 100 8500
50 150 100 0 6500*
Ahora poniendo cualquier y dos (o más) las variables para poner cero de a, es fácil de ver,
inspeccionando las tres ecuaciones que todas las otras soluciones son no factible.
Por lo tanto, la estrategia óptima es X11 = 50, X12 = 150, X21 = 100, y X22 = 0, con un costo
total de transporte mínimo de US$6.500.
Si lo desea, puede resolver este problema con Modul Net.Exe en el paquete WinQSB para
verificar estos resultados.
17 de 51 31-10-2012 13:13
Conceptos y Técnicas de Aprendizaje Asistidos por Computadora
Debemos ser precavidos al cuestionar nuestra intuición y demostrar porqué debemos aprender
mediante un instrumento que en este curso es un paquete de software. Todos los alumnos de
Física y Química realizan experimentos en los laboratorios para conocer bien los temas de estos
dos campos de estudio. Usted también debe realizar experimentos para comprender los conceptos
de la Ciencia de Administración. Por ejemplo, debe utilizar paquetes de software para realizar
análisis what-if o de hipótesis. El software le permite observar los efectos de la variación de los
valores dados.
Los programas lineales reales siempre se resuelven por computadora. Por lo general las
computadoras utilizan el método simplex para llegar a las soluciones. Los coeficientes de la
función objetivo se denominan coeficientes de costos (porque históricamente durante la Segunda
Guerra Mundial, el primer problema de PL fue un problema de minimización de costos),
coeficientes tecnológicos y valores RHS (o valores del lado derecho). Esta es la manera perfecta
de aprender conceptos del análisis de sensibilidad. Como usuario, usted puede darse el lujo de ver
resultados numéricos y compararlos con lo que usted espera ver.
El paquete LINDO es un software muy utilizado para problemas de PL. Se puede bajar una
versión para Windows gratuita en la página Home de LINDO en LINDO, http://www.lindo.com.
En este sitio se explica como ejecutar e interpretar los resultados del paquete LINDO.
¡Precaución! Antes de utilizar cualquier software, verifique que sea confiable.
Aquí encontrará una Guía de Software de PL para su revisión: LP Software Guide.
Cómo Interpretar los Resultados del Paquete de Software LINDO
En este curso, utilizamos paquetes de software con dos objetivos distintos. Queremos realizar
muchos experimentos numéricos utilizando paquetes de software como herramientas para
resolver muchos problemas a fin de ver por nosotros mismos, y comprender todos los conceptos
teóricos (como por ejemplo, los precios sombra) contenidos en los temas del curso. Esto
comprende también las herramientas de computación disponibles en la Web. Por último,
aprendemos a usar e interpretar los resultados de los paquetes de software a fin de resolver
problemas prácticos de gran tamaño.
Lindo es un paquete de software muy popular que resuelve problemas lineales. La aplicación
LP/ILP de WinQSB realiza las mismas operaciones que Lindo pero de una manera mucho más
fácil de usar.
El nombre LINDO es la abreviatura en inglés de Linear INteractive Discrete Optimización
(Optimización Lineal Discreta e Interactiva). Aquí la palabra "discreta" significa pasar de una
solución factible básica a la siguiente en lugar de desplazarse por toda la región factible en busca
de la solución básica factible óptima (si la hubiere).
Al igual que todos los paquetes de PL, tal como WinQSB, Lindo emplea el método simplex.
Junto con la solución del problema, el programa también proporciona un análisis común de
sensibilidad de los Coeficientes de la Función Objetivo (denominados Coeficientes de Costos) y
el RHS de las restricciones. A continuación, presentamos una explicación de los resultados del
paquete LINDO.
Supóngase que usted desea correr el Problema del Carpintero. Inicie el paquete LINDO (o
18 de 51 31-10-2012 13:13
WinQSB). Desde el teclado escriba lo siguiente en la venta actual:
MAX 5X1 + 3X2

S.T. 2X1 + X2 < 40
X1 + 2X2 < 50
End
{MAX 5X1 + 3X2, Sujeta a 2X1 + X2 < 40 X1 + 2X2 < 50, Fin }
NOTA:
1. La función objetivo no debería contener ninguna restricción. Por ejemplo, no se puede

ingresar Max 2X1 + 5.
2. Todas las variables deben aparecer en el lado izquierdo de las restricciones, mientras que
los valores numéricos deben aparecer en el lado derecho de las restricciones (es por eso
que a estos números se los denomina valores RHS o valores del lado derecho).
3. Se presupone que todas las variables son no negativas. No ingrese las condiciones de no
negatividad.
Si desea obtener todas Tablas Simplex, entonces
Haga clic en "Reports" (Informes) y luego elija "Tableau" (Tabla), luego haga clic en
"Solve" (Resolver) y elija "Pivot" haga clic en "OK" (Aceptar), "Close" (Cerrar), "Cancel"
(Cancelar), continúe de esta manera hasta que aparezca el mensaje "Do? Range
(Sensitivity) Analysis" (Desea realizar un análisis de rango [de sensibilidad]?). Seleccione
"Yes" (Sí), si lo desea. Después de minimizar la ventana actual, verá el resultado que puede
imprimir para su análisis gerencial.
De lo contrario, haga clic en "Solve" (Resolver), y luego elija "Solve" (Resolver).
Es conveniente copiar el problema de PL de la primera ventana y luego pegarlo en la parte

superior de la página de resultado.
En la parte superior de la página aparece la tabla inicial y a lo largo de la parte superior de la

tabla figuran las variables. La primera fila de la tabla es la función objetivo. La segunda fila es la
primera restricción. La tercera fila es la segunda restricción y así sucesivamente hasta enumerar
todas las restricciones en la tabla.
Después de la tabla inicial aparece un enunciado que indica la variable de entrada y la variable
de salida. La variable de salida está expresada como la fila donde se colocará la variable de
entrada. Luego se imprime la primera tabla de iteraciones. Se sigue ingresando sentencias y
continúan las iteraciones de la tabla continúan hasta llegar a la solución óptima.
La siguiente sentencia, `LP OPTIMUM FOUND AT STEP 2' (OPTIMO DE PL ENCONTRADO

EN EL PASO 2) indica que se encontró la solución óptima en la iteración 2 de la tabla inicial.
Inmediatamente debajo aparece el óptimo del valor de la función objetivo. Este es el dato más
importante que le interesa a todo gerente.
Muchas veces, aparecerá un mensaje que lo sorprenderá: "LP OPTIMUM FOUND AT STEP 0"
(OPTIMO DE PL ENCONTRADO EN EL PASO 0). ¿Cómo puede ser paso 0? ¿No es necesario
primero desplazarse para encontrar un resultado...? Este mensaje es muy confuso. Lindo lleva un
19 de 51 31-10-2012 13:13
registro en su memoria de todas la actividades previas realizadas antes de resolver cualquier

problema que usted ingrese. Por lo tanto, no muestra exactamente cuántas iteraciones fueron
necesarias para resolver el problema en cuestión. A continuación presentamos una explicación
detallada y una solución para saber con exactitud la cantidad de iteraciones: Supóngase que usted
corre el problema más de una vez o resuelve un problema similar. Para saber cuántas iteraciones
lleva realmente resolver un problema en particular, debe salir de Lindo y luego reingresar, volver
a escribir y a presentar el problema. De esta manera aparecerá la cantidad exacta de vértices
(excluyendo el origen) visitados para llegar a la solución óptima (si es que existe) en forma
correcta.
Después de esto sigue la solución del problema, es decir la estrategia para fijar las variables de
decisión a fin de lograr el valor óptimo antes mencionado. Esto aparece con una columna de
variables y una columna de valores. La columna de valores contiene la solución del problema. La
reducción de costos asociada con cada variable se imprime a la derecha de la columna de
valores. Estos valores se toman directamente de la tabla simplex final. La columna de valores
proviene del RHS. La columna de reducción de costos proviene directamente de la fila
indicadora.
Debajo de la solución, aparecen los valores de las variables de holgura / excedente de la tabla
final. Los valores de las variables de holgura / excedente para la solución final figuran en la
columna `SLACK OR SURPLUS' (HOLGURA O EXCEDENTE). Los precios sombra
relacionados aparecen a la derecha. Recuerde: Holgura representa la cantidad que sobra de un
recurso y Excedente representa el exceso de producción.
La restricción obligatoria se puede encontrar buscando la variable de holgura / excedente con el

valor de cero. Luego, examine cada restricción para encontrar la que tenga sólo esta variable
especificada. Otra manera de expresar esto es buscar la restricción que exprese igualdad en la
solución final.
Debajo, aparece el análisis de sensibilidad de los coeficientes de costos (es decir de los
coeficientes de la función objetivo). Cada parámetro de coeficiente de costos puede variar sin
afectar la solución óptima actual. El valor actual del coeficiente se imprime junto con los valores
de límite superior e inferior permitidos para que la solución siga siendo óptima.
Debajo aparece el análisis de sensibilidad para el RHS. La columna de "filas" imprime el número
de fila del problema inicial. Pro ejemplo, la primera fila impresa será la dos porque la fila uno es
la función objetivo. La primera restricción es la fila dos. El RHS de la primera restricción está
representado por la fila dos. A la derecha, aparecen los valores para los cuales el valor RHS
puede cambiar manteniendo la validez de los precios sombra.
Nótese que en la tabla simplex final, los coeficientes de las variables de holgura / excedente en la
fila objetivo proporcionan la unidad del valor del recurso. Estos números se denominan precios
sombra o precios duales. Debemos tener cuidado al aplicar estos números. Sólo sirven para
pequeños cambios en las cantidades de recursos (es decir, dentro de los rangos de sensibilidad del
RHS).
Cómo crear condiciones de no negatividad (variables libres): Por omisión, prácticamente todos
los paquetes de software de resolución de problemas de PL (como por ejemplo LINDO)
presuponen que todas las variables son no negativas.
Para cumplir con este requerimiento, convierta cualquier variable no restringida Xj en dos
variables no negativas reemplazando cada Xj por y - Xj. Esto aumenta la dimensionalidad del
20 de 51 31-10-2012 13:13
problema sólo en uno (introducir una variable y) independientemente de cuántas variables sean
no restringidas.
Si cualquier variable Xj está restringida a ser no positiva, reemplace cada Xj por - Xj. Esto reduce
la complejidad del problema.
Resuelva el problema convertido y luego vuelva a ingresar los valores de las variables originales.
Ejemplos Numéricos
Maximizar -X1
sujeta a:
X1 + X2 ³ 0,
X1 + 3X2 £ 3.
El problema convertido es:
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y ³ 0,
-X1 - 3X2 + 4y £ 3,
X1 ³ 0,
X2 ³ 0,
and y ³ 0.
La solución óptima para las variables originales es: X1 = 3/2 - 3 = -3/2, X2 = 3/2 - 0 = 3/2, con
valor óptimo de 3/2.
Para detalles acerca de los algoritmos de solución, visite el sitio Web Artificial-Free Solution
Algorithms, ejemplo N° 7.
Implementaciones de Computación con el Paquete WinQSB
Utilice el módulo LP/ILP de su paquete WinQSB para cumplir dos objetivos: resolver grandes
problemas y realizar experimentos numéricos para comprender los conceptos presentados en las
secciones LP y ILP.
Tipo de variable: seleccione el tipo de variable desde la pantalla "Problem Specification"

(Especificación del Problema) (la primera pantalla que aparece al ingresar un nuevo problema);
para programación lineal, utilice la opción predeterminada "Continuous" (Continua).
Formato de datos de entrada: seleccione el formato de datos de entrada desde la pantalla

"Problem Specification" (Especificación del Problema). Normalmente, es preferible utilizar el
formato Matrix (Matriz) para ingresar los datos. En el formato Normal, el modelo aparece ya
ingresado. Este formato puede ser más conveniente cuando se debe resolver un problema grande
con muchas variables. Puede desplazarse por los formatos seleccionando el botón "Switch to
the…" (Cambiar a ...) del menú Format (Formato).
Identificación de Variables / Restricciones: es conveniente cambiar los nombres de las

variables y las restricciones para facilitar la identificación del contexto que representan. Los
nombres de las variables y las restricciones se pueden cambiar desde el menú Edit (Edición).
21 de 51 31-10-2012 13:13
Autoajuste de ancho de columnas (Best Fit): Con el botón "best fit" del menú Format
(Formato) cada columna puede tener su propio ancho.
Resolver buscando la solución óptima (si es que existe): Seleccione "Solve the problem"
(Resolver el problema) desde el menú "Solve and Analyze" (Resolver y Analizar), o utilice el
ícono "Solve" (Resolver) que se encuentra en la parte superior de la pantalla. Esto genera un
"Combined Report" (Informe Combinado) que brinda la solución y los resultados adicionales
(reducción de costos, rangos de optimalidad, holgura / excedente, rango de factibilidad y precios
sombra).
Resolver mediante el Método Gráfico: seleccione el método gráfico desde el menú "Solve and
Analyze" (Resolver y Analizar) (sólo se puede utilizar para problemas de dos variables). También
puede hacer clic en el ícono Graph (Gráfico) en la parte superior de la pantalla. Puede ajustar los
rangos X-Y después de resolver el problema y de que aparezca el gráfico. Elija el menú Option
(Opción) y seleccione los nuevos rangos desde la lista desplegable.
Soluciones Optimas Alternas (si es que existen): después de resolver el problema, si aparece
un mensaje que le informa: "Alternate solution exists!!" (¡¡Existe una solución alterna!!), para
ver todas las soluciones óptimas de los puntos extremos elija el menú Results (Resultados) y
luego seleccione "Obtain alternate optimal" (Obtener óptimo alterno). Visite también la sección
Soluciones Múltiples de este sitio Web para ver algunas advertencias.
Notas:
Utilice el archivo de Ayuda ("Help") del paquete WinQSB para aprender cómo funciona.
Para ingresar problemas en el software QSB; para una restricción tal como X1 + X2 ³ 50, el
coeficiente es 1 y debe ingresarse de esta manera en el software. Para cualquier variable que no
se utilice en esa restricción en particular (por ejemplo si el problema tuviera X3 pero no fuera
parte de la restricción mencionada) simplemente deje la celda en blanco para esa restricción.
Puede cambiar la dirección de una restricción haciendo clic en la celda.
Para construir el dual de un determinado problema, haga clic en Format (Formato), luego
seleccione "Switch to the Dual Form" (Cambiar a la forma dual).
¿Cómo Resolver un Sistema de Ecuaciones Lineales Utilizando un Software de PL?
Ya dijimos que en el Método Algebraico de resolución de problemas de PL, debemos resolver

algunos sistemas de ecuaciones. Por consiguiente, existe un vínculo entre los paquetes de
software para resolver problemas de PL y aquellos que sirven para resolver sistemas de
ecuaciones. Supóngase que tenemos un sistema de ecuaciones muy grande que queremos
resolver y tenemos un paquete de software de resolución de problemas de PL pero no tenemos
ningún paquete de resolución de sistemas de ecuaciones. La pregunta es "¿Cómo se puede
utilizar un paquete de software de PL para encontrar la solución de un sistema de ecuaciones?"
Los siguientes pasos esbozan el proceso de resolución de cualquier sistema de ecuaciones lineales
mediante un paquete de resolución de problemas de PL.
1- Debido a que los paquetes de resolución de problemas de PL requieren que todas las variables
sean no negativas, por cada variable substituya Xi = Yi - T en todas partes.
2- Cree un objetivo artificial, como por ejemplo minimizar T
22 de 51 31-10-2012 13:13
3- Las restricciones del problema de PL son las ecuaciones del sistema después de las
sustituciones mencionadas en el paso 1.
Ejemplo numérico: resolver el siguiente sistema de ecuaciones
2X1 + X2 = 3
X1 -X2 = 3
Dado que el paquete WinQSB acepta PL en diversos formatos (a diferencia de LINDO), la

resolución del problema utilizando WinQSB es sencilla:
Primero, cree una PL con un objetivo artificial como por ejemplo Max X1, sujeta a 2X1 + X2 =
3, X1 - X2 = 3, y tanto X1 como X2 sin restricción de signo. Luego, ingrese esta PL en el módulo
LP/ILP para arribar a la solución.
Si usted utiliza un paquete de software de PL que requiere que todas las variables sean no
negativas, primero substituya X1 = Y1 - T y X2 = Y2 - T en ambas ecuaciones. También
necesitamos una función objetivo. Fijemos una función objetivo artificial como por ejemplo
minimizar T. El resultado es la siguiente PL:
Min T
Sujeta a:
2Y1 + Y2 - 3T = 3,
Y1 - Y2 = 3.
Utilizando cualquier software de PL, como Lindo o WinQSB, llegamos a la solución óptima Y1 =
3, Y2 = 0, T = 1. Ahora, sustituya esta solución de PL en ambas transformaciones X1 = Y1 - T y
X2 = Y2 - T. Esto nos da los valores numéricos para nuestras variables originales. Por ende, la
solución del sistema de ecuaciones es X1 = 3 - 1 = 2, X2 = 0 - 1 = -1, la cual se puede verificar
fácilmente.
Problema Dual: Construcción y Significado
Asociado a cada problema (primario) de PL existe un problema correspondiente denominado

problema dual. La siguiente clasificación de las restricciones de las variables de decisión resulta
útil y fácil de recordar para construir el problema dual.
------------------------------------------------------------------------------
Construcción del Problema Dual
Objetivo: Max (por ejemplo Objetivo: Min (por ejemplo
las utilidades) los costos)
Tipos de restricciones: Tipos de restricciones:
£ una restricción usual ³una restricción usual
= una restricción limitada = una restricción limitada
(estricta) (estricta)
³ una restricción inusual £una restricción inusual
Tipos de variables:
³ 0 una condición usual
23 de 51 31-10-2012 13:13
... sin restricción de

signo
£ 0 una condición
inusual
---------------------------------------------------------------------------
Existe una correspondencia uno a uno entre el tipo de restricción y el tipo de variable utilizando
esta clasificación de restricciones y variables tanto para los problemas primarios como los duales.
Construcción de Problemas Duales:
- Si el problema primario es un problema de maximización, entonces su problema dual es un

problema de minimización (y viceversa).
- Utilice el tipo de variable de un problema para determinar el tipo de restricción del otro
problema.
- Utilice el tipo de restricción de un problema para determinar el tipo de variable del otro
problema.
-Los elementos RHS de un problema se transforman en los coeficientes de la función objetivo del
otro problema (y viceversa).
- Los coeficientes de la matriz de las restricciones de un problema son la transposición de los

coeficientes de la matriz de las restricciones del otro problema.
Puede verificar las reglas de construcción del problema dual utilizando su paquete WinQSB.
Ejemplos Numéricos:
Considere el siguiente problema primario:
min x1 - 2x2
sujeta a:
x1 + x2 ³ 2,
x1 - x2 £ -1,
x2 ³ 3,
x1, x2 ³ 0.
Siguiendo la regla de construcción antes mencionada, el problema dual es:
max 2u1 - u2 + 3u3

sujeta a:
u1 + u2 £ 1,
u1 - u2 + u3 £ -2,
u1 ³ 0,
u2 £ 0,
u3 ³ 0
El Problema Dual del Problema del Carpintero:
24 de 51 31-10-2012 13:13
Maximizar 5X1 + 3X2
sujeta a:
2X1 + X2 £ 40
X1 + 2X2 £ 50
X1 ³ 0
X2 ³ 0
El problema dual es:
Minimizar 40U1 + 50U2
Sujeta a:
2U1 + U2 ³ 5
U1 + 2U2 ³ 3
U1 ³ 0
U2 ³ 0
Aplicaciones: usted puede utilizar la dualidad en una amplia gama de aplicaciones tales como:
- En algunos casos, puede ser más eficiente resolver el problema dual que el primario.
- La solución dual proporciona una interpretación económica importante tal como los precios
sombra (es decir, los valores marginales de los elementos RHS) que son los multiplicadores
Lagrangianos que demuestran una cota (estricta) del valor óptimo del problema primario y
viceversa. Históricamente, el precio sombra se definió como la mejora en el valor de la función
objetivo por aumento unitario en el lado derecho, porque el problema generalmente adoptaba la
forma de una mejora de maximización de utilidades (es decir, un aumento). El precio sombra
puede no ser el precio de mercado. El precio sombra es por ejemplo el valor del recurso bajo la
"sombra" de la actividad comercial. Se puede realizar un análisis de sensibilidad,es decir un
análisis del efecto de pequeñas variaciones en los parámetros del sistema sobre las medidas de
producción, calculando las derivadas de las medidas de producción con respecto al parámetro.
- Si una restricción en un problema no es obligatoria (en otras palabras, el valor LHS o valor del
lado izquierdo) concuerda con el valor RHS), la variable asociada en el problema es cero. De
manera inversa, si una variable de decisión en un problema no es cero, la restricción asociada en
el otro problema es obligatoria. A estos resultados se los conoce como Condiciones
Complementarias de Holgura.
- Obtener el rango de sensibilidad del RHS de un problema partiendo del rango de sensibilidad
del coeficiente de costos del otro problema y viceversa.
El Problema Dual del Problema del Carpintero y su Interpretación
En esta sección, construiremos el Problema Dual del Problema del Carpintero y presentaremos la
interpretación económica del mismo.
Recordemos los parámetros de entrada no controlables del Problema del Carpintero:
Datos de entrada no
25 de 51 31-10-2012 13:13
controlables
Mesas Sillas Disponible
Mano de
2 1 40
obra
Materia
1 2 50
prima
Ingresos
5 3
netos
Y su formulación de PL
Sujeta a:
2 X1 + X2 £ 40 restricción de mano de obra
Donde X1 y X2 representan la cantidad de mesas y sillas a fabricar.
Supóngase que el Carpintero desea contratar un seguro para sus ingresos netos. Digamos que:
U1 = el monto en dólares pagadero al Carpintero por cada hora de trabajo perdida (por
enfermedad, por ejemplo),
U2 = el monto en dólares pagadero al Carpintero por cada unidad de materia prima perdida (por
incendio, por ejemplo).
Por supuesto que el corredor de seguros intenta minimizar el monto total de US$(40U1 + 50U2)
pagadero al Carpintero por la Compañía de Seguros. Sin embargo, como es de esperar, el
Carpintero fijará las restricciones (es decir las condiciones) para que la compañía de seguros
cubra toda su pérdida que equivale a sus ingresos netos debido a que no puede fabricar los
productos. En consecuencia, el problema de la compañía de seguros es:
Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2 ³ 5 ingresos netos por una mesa
1U1 + 2U2 ³ 3 ingresos netos por una silla
U1, U2 son no negativas.
Si implementa este problema en un paquete de software, verá que la solución óptima es U1 =

US$7/3 y U2 = US$1/3 con el valor óptimo de US$110 (el monto que el Carpintero espera
recibir). Esto asegura que el Carpintero pueda manejar su vida sin inconvenientes. El único costo
es la prima que le cobra la compañía de seguros.
Como puede ver, el problema de la compañía de seguros está estrechamente relacionado con el
problema original.
Según la terminología del proceso de diseño de modelos de IO/CA, el problema original se

denomina Problema Primario mientras que el problema relacionado se denomina Problema Dual
26 de 51 31-10-2012 13:13
Tal como vimos en el Problema del Carpintero y su Problema Dual, el Valor Optimo es siempre el
mismo para ambos problemas. Esto se denomina Equilibrio Económico entre el Problema
Primario y el Problema Dual.
Errores de Redondeo cometido por los Gerentes: tenga cuidado siempre que redondee el valor de
los precios sombra. Por ejemplo, el precio sombra de la restricción de recursos en el problema
anterior es 8/3, por ende, si usted desea comprar más de este recurso, no debería pagar más de
US$2.66. Sin embargo, siempre que usted quiera vender cualquier unidad de este recurso, no
debería hacerlo a un precio inferior a US$2.67.
Podría darse un error similar si usted redondea en los límites de los rangos de sensibilidad. Como
siempre, hay que prestar atención porque el límite superior e inferior deben redondearse para
abajo y para arriba, respectivamente.
Cálculo de los Precios Sombra
Ahora ya sabe que los precios sombra son la solución del problema dual. Aquí tenemos un
ejemplo numérico.
Calcule el precio sombra para ambos recursos en el siguiente problema de PL:
Max -X1 + 2X2

sujeta a:
X1 + X2 £ 5
X1 + 2X2 £ 6
La solución de este problema primario (utilizando por ejemplo el método gráfico) es X1 = 0, X2

= 3, con el sobrante S1 = 2 del primer recurso mientras que el segundo recurso se utiliza por
completo, S2 = 0.
Los precios sombra son la solución del problema dual:
Min 5U1 + 6U2

Sujeta a:
U1 + U2 ³ -1
U1 + 2U2 ³ 2
tanto U1 como U2 son no negativas.
La solución del problema dual (utilizando por ejemplo el método gráfico) es U1 = 0, U2 = 1 que
son los precios sombra para el primer y el segundo recurso, respectivamente. Fíjese que siempre
que la holgura / excedente de una restricción no es cero, el precio sombra relacionado con ese
RHS de la restricción es siempre cero, pero puede no darse el caso contrario. En este ejemplo
numérico S1 = 2 (es decir, el valor de holgura del RHS 1 del problema primario), que no es cero;
por lo tanto U1 es igual a cero tal como es de esperar.
Considere el siguiente problema:
Max X1 + X2
sujeta a:
X1 £ 1
27 de 51 31-10-2012 13:13
X2 £ 1
X1 + X2 £ 2
todas las variables de decisión ³ 0.
Utilizando un paquete de software, puede verificar que el precio sombra para el tercer recurso es
cero, mientras que no hay sobrante de ese recurso en la solución óptima X1 =1, X2 = 1.
Comportamiento de los Cambios en los Valores RHS del Valor Optimo
Para estudiar los cambios direccionales en el valor óptimo con respecto a los cambios en el RHS
(sin restricciones redundantes y con todos los RHS ³0) distinguimos los dos casos presentados a
continuación:
Caso I: Problema de Maximización
Para restricción de £ : cambio en la misma dirección. Vale decir que un aumento en el valor RHS
no produce una disminución en el valor óptimo sino que éste aumenta o permanece igual según la
restricción sea obligatoria o no obligatoria.
Para restricción de ³ : cambio en la dirección opuesta. Vale decir que un aumento en el valor RHS
no produce un aumento en el valor óptimo sino que éste disminuye o permanece igual según la
Para restricción de =: el cambio puede ser en cualquier dirección (ver la sección Más por Menos
en este sitio).
Caso II: Problema de Minimización
Para restricción de £ : cambio en la dirección opuesta. Vale decir que un aumento en el valor
RHS no produce un aumento del valor óptimo sino que éste disminuye o permanece igual según
la restricción sea obligatoria o no obligatoria).
Para restricción de ³ : cambio en la misma dirección. Vale decir que un aumento en el valor RHS
no produce una disminución del valor óptimo sino que éste aumenta o permanece igual según la
Para restricción de =: el cambio puede ser en cualquier dirección (ver la sección Más por Menos
en este sitio).
Interpretación Incorrecta del Precio Sombra
El Precio Sombra nos indica cuánto cambiará la función objetivo si cambiamos el lado derecho
de la correspondiente restricción. Esto normalmente se denomina "valor marginal", "precios
duales" o "valor dual" para la restricción. Por lo tanto, el precio sombra puede no coincidir con el
"precio de mercado".
Por cada restricción del RHS, el Precio Sombra nos indica exactamente cuánto cambiará la
función objetivo si cambiamos el lado derecho de la restricción correspondiente dentro de los
límites fijados por el rango de sensibilidad del RHS.
28 de 51 31-10-2012 13:13
Por consiguiente, por cada valor RHS, el precio sombra es el coeficiente del cambio en el valor
óptimo causado por cualquier aumento o disminución admisible en el RHS dentro del cambio
admisible.
Precio Sombra = Cambio en el Valor Optimo / Cambio en el RHS,
Dado que el cambio en el RHS está dentro del rango de sensibilidad.
Desafortunadamente, existen interpretaciones erróneas con respecto a la definición del precio

sombra. Una de ellas indica: "En los problemas de programación lineal, el precio sombra de una
restricción es la diferencia entre el valor optimizado de la función objetivo y el valor de la
función objetivo, evaluada de manera opcional, cuando el RHS de una restricción aumenta en
una unidad". El último sitio Web establece lo siguiente "Precios Sombra: los precios sombra para
un problema de programación lineal son las soluciones para su correspondiente problema dual. El
precio sombra i° es el cambio en la función objetivo que resulta del aumento en una unidad en la
coordenada i° de b. Un precio sombra también es el monto que un inversor tendría que pagar por
una unidad de un recurso para comprarle la parte al fabricante."
Un anti-ejemplo:
Considere la siguiente PL:

Max X2
sujeta a:
X1 + X2 £ 2
2.5X1 + 4X2 £ 10
Donde ambas variables de decisión son no negativas.
El problema tiene su solución óptima en (0, 2) con un valor óptimo de 2.

Supóngase que quiere calcular el precio sombra del primer recurso, es decir el RHS de la primera
restricción.
Si cambiamos el RHS de la primera restricción aumentándolo en una unidad tenemos:
Max X2
sujeta a:
X1 + X2 £ 3
2.5X1 + 4X2 £ 10
donde ambas variables de decisión son no negativas.
El nuevo problema tiene la solución óptima (0, 2.5) con un valor óptimo de 2.5.
Entonces, pareciera "como si" el precio sombra de este recurso es 2.5 - 2 = 0.5. De hecho, el
precio sombra de este recurso es 1, el cual se puede verificar construyendo y resolviendo el
problema dual.
El motivo de este error se torna obvio si observamos que el aumento admisible para mantener la
validez del precio sombra del primer recurso es 0.5. El aumento en 1 excede el cambio admisible
del primer valor RHS.
Ahora supóngase que cambiamos el mismo valor RHS en + 0.1 que es admisible. Entonces el
valor óptimo del nuevo problema es 2.1. Por consiguiente, el precio sombra es (2.1 -2) / 0.1 = 1.
Es necesario prestar mucha atención al calcular los precios sombra.
29 de 51 31-10-2012 13:13
Si usted quiere calcular el precio sombra de un valor RHS sin tener su rango de sensibilidad,
puede obtener los valores óptimos de dos perturbaciones como mínimo. Si el índice de cambio en
ambos casos arroja los mismos valores, entonces este índice es realmente el precio sombra. A
modo de ejemplo, supóngase que perturbamos el RHS de la primera restricción en +0.02 y -0.01.
Si resolvemos el problema después de estos cambios utilizando un software de PL, obtenemos los
valores óptimos de 2.02 y 1.09, respectivamente. Como el valor óptimo para el problema nominal
(sin ninguna perturbación) es igual a 2, el índice de cambio para los dos casos es: (2.02 - 2)/0.02
= 1, y (1.09 - 2)/(-0.01) = 1, respectivamente. Como estos dos índices coinciden, podemos
concluir que el precio sombra del RHS de la primera restricción es de hecho igual a 1.
¿El Precio Sombra es Siempre No Negativo?
Probablemente se esté preguntando si el precio sombra de un valor RHS es siempre no negativo.

Todo depende de la formulación del problema primario y de su correspondiente dual. Lo
importante es recordar que el precio sombra de un determinado valor RHS es el índice de cambio
del valor óptimo con respecto al cambio en ese RHS, dado que el cambio se encuentra dentro de
los límites de ese RHS.
Considere el siguiente ejemplo numérico:
Max 3X1 + 5X2

Sujeta a:
X1 + 2X2 £ 50
-X1 + X2 ³ 10
X1, X2 son no negativas.
Nos interesa saber el precio sombra del valor del RHS 2 = 10. El problema dual es:
Min 50U1 + 10U2

Sujeta a:
U1 - U2 ³ 3
2U1 + U2 £ 5
U1 ³ 0, mientras que U2 £ 0
Esto se puede verificar con el software WinQSB. La solución del problema dual es U1 = 8/3, U2
= -1/3. Por lo tanto, el precio sombra del valor RHS 2 = 10 es U2 = -1/3. Es decir que por cada
aumento (disminución) unitario en el RHS2, el valor óptimo del problema primario disminuye
(aumenta) en 1/3, dado que el cambio en RHS 2 está dentro de los límites de sensibilidad.
Para otra versión del mismo problema primario, fíjese que el problema puede escribirse de la
misma manera, cambiando la dirección de la segunda restricción de desigualdad:
Max 3X1 + 5X2

Sujeta a:
X1 + 2X2 £ 50
X1 - X2 £ -10
X1, X2 son no negativas.
El problema dual de este problema primario ahora es:
Min 50Y1 - 10Y2
30 de 51 31-10-2012 13:13
Sujeta a:
Y1 + Y2 ³ 3
2Y1- Y2 £ 5
tanto Y1 como Y2 son no negativas
Nuevamente, la formulación dual puede verificarse utilizando el software WinQSB. La solución

de este problema dual es Y1 = 8/3 y Y2 = 1/3. Entonces, el precio sombra del valor del RHS 2 =
-10 es Y2 = 1/3. Vale decir que por cada aumento (disminución) unitario en el valor RHS 2, el
valor óptimo del problema primario aumenta (disminuye) en 1/3, dado que el cambio en RHS 2
esta dentro de los límites de sensibilidad.
Como ya debe haber notado, ambos problemas duales son iguales al sustituir U1 = Y1, y U2 =
-Y2. Esto significa que los precios sombra obtenido para RHS 2 = 10, y RHS 2 = -10 tienen el
mismo valor con el signo opuesto (como es de esperar). Por ende, , el signo del precio sombra
depende de cómo se formule el problema dual , aunque el significado y su interpretación son
siempre los mismos.
Precios Sombra Alternativos
Supóngase que tenemos una PL que tiene una única solución óptima. ¿Es posible tener más de un
conjunto de precios duales?
Sí, es posible. Considere el siguiente problema:
Min 16X1 + 24X2

sujeta a:
X1 + 3X2 ³ 6
2X1 + 2X2 ³ 4
todas las variables de decisión ³ 0.
Su dual es:
Max 6U1 + 4U2

sujeta a:
U1 + 2U2 £ 16
3U1 + 2U2 £ 24
todas las variables de decisión ³ 0,
Este problema dual tiene diversas soluciones alternativas, tales como, (U1 = 8, U2 = 0) y (U1 = 4,
U2 = 6). Todas las combinaciones convexas de estos dos vértices también son soluciones.
Existen casos generales para los cuales los precios sombra no son únicos. Como en el ejemplo
anterior, siempre que exista redundancia entre las restricciones, o si la solución óptima es
"degenerada", puede haber más de un conjunto de precios duales. En general, las restricciones
lineales independientes son condición suficiente para que exista un único precio sombra.
Considere el siguiente problema de PL con una restricción redundante:
Max 10X1 + 13X2

sujeta a:
X1 + X2 = 1
31 de 51 31-10-2012 13:13
X1 + X2 = 1
X1+2X2 = 2
y todas las variables son no negativas.
Si corremos el problema dual en Lindo vemos que X1 = 0, X2 = 1, con precios sombra (0, 13, 0).
Si utilizamos WinQSB para este problema, obtenemos X1 = 0, X2 = 1 con distintos precios

sombra (0, 7, 3).
En el caso de redundancia, los precios sombra obtenidos con un paquete de PL pueden no

coincidir con aquellos obtenidos con otro paquete de software.
Manejo de Incertidumbres mediante Modelación de Escenarios:

Análisis de Sensibilidad y Análisis de Especificidad
El entorno comercial muchas veces es impredecible e incierto debido a factores tales como
cambios económicos, reglamentaciones públicas, dependencia de subcontratistas y proveedores,
etc. Los gerentes generalmente se ven inmersos en un entorno dinámico e inestable donde aun los
planes a corto plazo deben re-evaluarse constantemente y ajustarse de manera incremental. Todo
esto requiere una mentalidad orientada al cambio para hacer frente a las incertidumbres.
Recuerde que las sorpresas no forman parte de una decisión sólida.
El hombre utiliza construcciones (modelos) matemáticas e informáticas para una variedad de

entornos y propósitos, con frecuencia para conocer los posibles resultados de uno o más planes
de acción. Esto puede relacionarse con inversiones financieras, alternativas de seguros (asegurar
o no asegurar/cuánto), prácticas industriales e impactos ambientales. El uso de modelos se ve
perjudicado por la inevitable presencia de incertidumbres, que surgen en distintas etapas, desde la
construcción y corroboración del modelo en sí hasta su uso. Normalmente su uso es el culpable.
Toda solución a un problema de toma de decisiones se basa en determinados parámetros que se

presumen como fijos. El análisis de sensibilidad es un conjunto de actividades posteriores a la
solución que sirven para estudiar y determinar qué tan sensible es la solución a los cambios en las
hipótesis. Estas actividades también se denominan análisis de estabilidad, análisis what-if o de
hipótesis, modelación de escenarios, análisis de especificidad, análisis de incertidumbre, análisis
de inestabilidad numérica, inestabilidad funcional y tolerancia, análisis de post optimalidad,
aumentos y disminuciones admisibles y muchos otros términos similares que reflejan la
importancia de esta etapa del proceso de modelación. Por ejemplo, análisis de sensibilidad no es
el término típico empleado en la econometría para referirse al método de investigación de la
respuesta de una solución frente a perturbaciones en los parámetros. En econometría, esto se
denomina estática comparativa o dinámica comparativa, según el tipo de modelo en cuestión.
Se puede hacer frente a las incertidumbres de una manera más "determinista". Este abordaje
tiene distintos nombres tales como "modelación de escenarios", "modelación determinista",
"análisis de sensibilidad" y "análisis de estabilidad". La idea es generar, de manera subjetiva, una
lista ordenada de incertidumbres importantes que supuestamente podrían tener un mayor impacto
sobre el resultado final. Esto se lleva acabo antes de focalizarse en los detalles de cualquier
"escenario" o modelo.
Resulta vital comprender la influencia de lo antedicho en el plan de acción sugerido por el

modelo por las siguientes razones:
32 de 51 31-10-2012 13:13
Pueden presentarse distintos niveles de aceptación (por el público en general, por los decisores,
por las partes interesadas) a distintos tipos de incertidumbre.
Distintas incertidumbres tienen distintos impactos sobre la confiabilidad, robustez y eficiencia del
modelo.
La relevancia del modelo (su correspondencia con la tarea) depende en gran medida del impacto
de la incertidumbre sobre el resultado del análisis. Las sorpresas no forman parte de las
decisiones óptimas sólidas.
Existen numerosos ejemplos de entornos donde esto es aplicable, tales como:
Construcción de indicadores (económicos / ambientales)
Análisis y pronóstico de riesgo (ambiental, financiero, de seguros,...)
Optimización y calibración de modelos (per se)
A continuación, sigue una lista abreviada de las razones por las cuales se debe tener en cuenta el
análisis de sensibilidad:
Toma de decisiones o desarrollo de recomendaciones para decisores:
Para probar la solidez de una solución óptima. Las sorpresas no forman parte de las
decisiones óptimas sólidas.
Para identificar los valores críticos, umbrales, o valores de equilibrio donde cambia la
estrategia óptima.
Para identificar sensibilidad o variables importantes.
Para investigar soluciones sub-óptimas.
Para desarrollar recomendaciones flexibles que dependan de las circunstancias.
Para comparar los valores de las estrategias de decisión simples y complejas.
Para evaluar el riesgo de una estrategia o escenario.
Comunicación:
Para formular recomendaciones más creíbles, comprensibles, contundentes o persuasivas.
Para permitir a los decisores seleccionar hipótesis.
Para comunicar una falta de compromiso a una única estrategia.
El decisor debe incorporar algunas otras perspectivas del problema tal como perspectivas
culturales, políticas, psicológicas, etc. en las recomendaciones del científico de
administración.
Aumentar la comprensión o aptitud del sistema:
Para estimar la relación entre las variables de entrada y las de salida.
33 de 51 31-10-2012 13:13
Para comprender la relación entre las variables de entrada y las de salida. Para desarrollar
pruebas de las hipótesis.
Desarrollo del modelo:
Para probar la validez o precisión del modelo.
Para buscar errores en el modelo
Para simplificar el modelo.
Para calibrar el modelo.
Para hacer frente a la falta o insuficiencia de datos.
Para priorizar la adquisición de información.
Lista abreviada de casos en los que se debe considerar la realización de un análisis de

sensibilidad:
1. Con el control de los problemas, el análisis de sensibilidad puede facilitar la identificación

de regiones cruciales en el espacio de los parámetros de entrada.
2. En ejercicios de selección, el análisis de sensibilidad sirve para localizar algunos

parámetros influyentes en sistemas con cientos de datos de entrada inciertos.
3. Se utilizan técnicas de análisis de sensibilidad basados en varianza para determinar si un

subconjunto de parámetros de entrada puede representar (la mayor parte de) la varianza de
salida.
4. El punto (3) puede utilizarse para la reducción del mecanismo (descartar o corregir partes
no relevantes del modelo) y para la extracción de un modelo (construir un modelo a partir
de otro más complejo). Ver también el problema de la "relevancia" del modelo: ¿los
parámetros del conjunto de entrada del modelo son relevantes con respecto a la tarea del
modelo?
5. El punto (3) también puede utilizarse para la identificación del modelo identificando las
condiciones experimentales para las cuales su capacidad para discriminar dentro del
modelo se encuentra en su punto máximo.
6. Al igual que en el punto (5), el análisis de sensibilidad puede utilizarse para la calibración
del modelo, para determinar si los experimentos con sus incertidumbres relacionadas
permitirán la estimación de los parámetros. Esto es particularmente útil frente a problemas
mal condicionados (mal formulados).
7. El análisis de sensibilidad puede complementarse con algoritmos de búsqueda /

optimización; identificando los parámetros más importantes, el análisis de sensibilidad
puede permitir que se reduzca la dimensionalidad del espacio donde se realiza la búsqueda.
8. Como una herramienta de aseguramiento de calidad, el análisis de sensibilidad asegura que

la dependencia de la salida (resultado) de los parámetros de entrada del modelo tenga una
similitud física y una explicación.
34 de 51 31-10-2012 13:13
9. Para resolver un problema inverso, el análisis de sensibilidad sirve como una herramienta
para extraer parámetros incorporados en modelos cuyos resultados no se correlacionan
fácilmente con la entrada desconocida (por ejemplo en cinética química, para extraer las
constantes cinéticas de sistemas complejos a partir del índice de rendimiento de los
componentes).
10. Para asignar recursos en el área de I&D de manera óptima, el análisis de sensibilidad
muestra donde vale la pena invertir a fin de reducir el rango de incertidumbre del modelo.
11. El análisis de sensibilidad puede determinar cuantitativamente qué parte de la

incertidumbre de mi predicción se debe a incertidumbre paramétrica de la estimación y
cuánto a incertidumbre estructural.
Errores de redondeo cometido por los gerentes: como siempre, se debe prestar atención al
redondear el valor de los límites de los rangos de sensibilidad. El límite superior y el límite
inferior deben redondearse hacia abajo y hacia arriba respectivamente para que sean válidos.
Análisis de sensibilidad vs. programación estocástica: el análisis de sensibilidad y las

formulaciones de programación estocástica son los dos principales enfoques para manejar la
incertidumbre. El análisis de sensibilidad es un procedimiento de post optimalidad que no puede
influir en la solución. Sirve para investigar los efectos de la incertidumbre sobre la
recomendación del modelo. Por otro lado, la formulación de programación estocástica introduce
información probabilística acerca de los datos del problema, a pesar de los primeros momentos
(es decir los valores esperados) de la distribución de la función objetivo con respecto a la
incertidumbre. Esto ignora las evaluaciones de riesgo del decisor, caracterizadas por la varianza o
el coeficiente de variación.
Cálculo de Rangos de Sensibilidad para Problemas Pequeños
Para calcular los rangos de sensibilidad de problemas de PL con 2 variables de decisión como
máximo y/o 2 restricciones como máximo, puede probar alguno de los siguientes abordajes de
fácil uso.
La única restricción es que no se permiten restricciones de igualdad.Tener una restricción de

igualdad implica degeneración, porque cada restricción de igualdad, por ejemplo, X1 + X2 = 1,
significa dos restricciones simultáneas: X1 + X2 £ 1 , y X1 + X2 ³ 1. Entonces, la cantidad de
restricciones obligatorias en tal caso será mayor a la cantidad de variables de decisión. Esto se
denomina situación degenerada para la cual el análisis de sensibilidad normal no es válido.
Rango de Sensibilidad de Costos para Problemas de PL con dos Variables de Decisión
Volviendo al Problema del Carpintero, si cambiamos la ganancia de cada producto, cambia la

pendiente de la función objetivo de igual valor (función iso). Para "pequeños" cambios, el óptimo
permanece en el mismo punto extremo. Para cambios mayores, la solución óptima se desplaza a
otro punto. Por consiguiente, tenemos que modificar la formulación y resolver un nuevo
problema.
El problema es encontrar un rango para cada coeficiente de costos c(j), de la variable Xj, de
manera que la solución óptima actual, es decir el punto extremo actual (esquina) siga siendo
óptimo.
35 de 51 31-10-2012 13:13
Para un problema de PL de 2 dimensiones, puede probar el sencillo abordaje que presentamos a

continuación para saber cuál es la cantidad de aumento/disminución de cualquier coeficiente de
la función objetivo (también conocidos como coeficientes de costos porque históricamente
durante la Segunda Guerra Mundial, el primer problema de PL fue un problema de minimización
de costos) a fin de mantener la validez de la solución óptima actual. La única condición requerida
para este abordaje es que no se permiten restricciones de igualdad, ya que esto implicaría
degeneración, para lo cual el análisis de sensibilidad tradicional no es válido.
Paso 1: Considere las únicas dos restricciones obligatorias de la solución óptima actual. Si hay
más de dos restricciones obligatorias, hay degeneración, en cuyo caso el análisis de sensibilidad
tradicional no es válido.
Paso 2: Perturbe el coeficiente de costos j° por el parámetro cj (esta es la cantidad desconocida

de cambios).
Paso 3: Construya una ecuación correspondiente a cada restricción obligatoria, como figura a
continuación:
(Costo Cj perturbado) / coeficiente de Xj en la restricción = Coeficiente de la otra variable en la

función objetivo / coeficiente de esa variable de la restricción.
Paso 4: La cantidad de aumento admisible es el cj positivo menor posible, mientras que la

disminución admisible es el cj negativo mayor posible obtenido en el Paso 3.
Fíjese que si no hay cj positivo (negativo), la cantidad de aumento (disminución) es ilimitada.
Advertencias:
1. Recuerde que nunca debe dividir por cero. Dividir por cero es una falacia común en
algunos libros de texto. Por ejemplo en Introduction to Management Science, de Taylor
III, B., 6th Ed., Prentice Hall, 1999, the author, unfortunately, divides by zero on page 189.
Para mayores detalles y otras falacias comunes, visite el sitio Web The zero saga &
confusions with numbers . Una pregunta para usted: ¿cuáles de estas afirmaciones son
correctas y por qué?
a) cualquier número divido por cero es indefinido;
b) cero divido por cualquier número es cero; o
c) cualquier número dividido por sí mismo es 1
2. Comúnmente se cree que se puede calcular el rango de sensibilidad al costo acotando la

pendiente (perturbada) de la función objetivo (función iso) por las pendientes de las dos
líneas resultantes de las restricciones obligatorias. Este método gráfico basado en las
pendientes está descripto en de An Introduction to Management Science, by Anderson D.,
y Williams T., 9° Ed., West Publisher, 2000, (Sección 3.2). Lamentablemente, esto es
confuso. Debería advertirse que este abordaje no es general y funciona si y sólo si los
coeficientes no cambian de signo.
Por ejemplo, si aplicamos este abordaje en la construcción del rango de sensibilidad de los
coeficientes de costos del siguiente problema;
Maximizar 5X1 + 3X2
Sujeta a: X1 + X2 £ 2, X1 - X2 £ 0, X1 ³ 0, X2 ³ 0
36 de 51 31-10-2012 13:13
Obtenemos rangos incorrectos.
El problema del carpintero:
Maximice 5X1 + 3X2
Sujeta a:
2X1 + X2 £ 40
X1 + 2X2 £ 50
X1 ³ 0
X2 ³ 0
Cálculo del incremento/disminución permisibles de C1 = 5: Las restricciones obligatorias son la

primera y la segunda. Alterando este coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3
se obtiene:
(5 + c1)/2 = 3/1, para la primera restricción, y (5 + c1)/1 = 3/2 para la segunda restricción.
Resolviendo estas dos ecuaciones se obtiene: c1 = 1 y c1 = -3.5. Por lo tanto, el incremento
permisible es 1, mientras que la disminución permisible es 1.5. Por lo tanto, mientras el primer
coeficiente de costo C1 permanezca dentro del intervalo [ 5 - 3.5, 5 + 1] = [1.5, 6], continúa la
solución óptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se obtiene el rango de sensibilidad

[2.5, 10].
Consideremos el problema anterior con otro ejemplo:
Maximice 5X1 + 3X2
Sujeta a:
X1 + X2 £ 2
X1 - X2 £ 0
X1 ³ 0
X2 ³ 0
Cálculo del incremento/disminución permisibles de C1 = 5: Las restricciones obligatorias son la

primera y la segunda. Alterando este coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3
se obtiene:
(5 + c1)/1 = 3/1, para la primera restricción y (5 + c1)/1 = 3/(-1) para la segunda restricción.
Resolviendo estas dos ecuaciones se obtiene: c1 = -2 y c1 = -8. Por lo tanto, la disminución
permisible es 2, mientras que el incremento permisible es ilimitado. Por lo tanto, mientras el
primer coeficiente de costo C1 permanezca dentro del intervalo [ 5 - 2, 5 + ¥] = [3, ¥], continúa
la solución óptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se obtiene el rango de sensibilidad

[3 - 8, 3 + 2] = [-5, 5].
Rango de sensibilidad del lado derecho para problemas de PL con dos restricciones como
máximo
En el Problema del Carpintero, cuando se efectúan cambios menores en cualquiera de los
37 de 51 31-10-2012 13:13
recursos, la estrategia óptima (es decir, hacer el producto mixto) sigue siendo válida. Cuando los
cambios son mayores, esta estrategia óptima cambia y el Carpintero debe, hacer todas las mesas
o las sillas que pueda. Este es un cambio drástico de estrategia; por lo tanto, tenemos que revisar
la formulación y resolver un nuevo problema.
Además de la información necesaria que antes se mencionó, también nos interesa saber cuánto
puede vender (o comprar) el Carpintero de cada recurso a un precio (o costo) "razonable". Es
decir, ¿hasta dónde se puede incrementar o disminuir el RHS(i) con un valor i fijo, mientras se
mantiene la validez del precio sombra corriente del RHS(i)? Es decir, ¿hasta dónde se puede
incrementar o disminuir el RHS(i) con un valor i fijo mientras se mantiene la solución óptima
corriente para el problema dual?
Históricamente, el precio sombra se definió como la mejora en el valor de la función objetivo por
incremento unitario en el lado derecho porque con frecuencia el problema se pone en la forma de
mejora de maximización de utilidad (en el sentido de incremento).
Asimismo, con cualquier RHS, el precio sombra (también conocido como su valor marginal), es
la cantidad de cambio en el valor óptimo proporcional a una unidad de cambio para ese RHS en
particular. Sin embargo, en algunos casos no se permite cambiar tanto el RHS. El rango de
sensibilidad del RHS proporciona los valores para los que el precio sombra tiene significado
económico y permanece sin cambios.
¿Hasta dónde se puede incrementar o disminuir cada RHS individual manteniendo la validez de
los precios sombra? Esta frase equivale a preguntar cuál es el rango de sensibilidad para el
coeficiente de costo en el problema dual.
El dual del Problema del Carpintero es:
Minimice 40U1 + 50U2
Sujeta a:
2U1 + U2 ³ 5
U1 + 2U2 ³ 3
U1 ³ 0
U2 ³ 0
La solución óptima es U1 = 7/3 y U2 = 1/3 (que son los precios sombra).
El Problema del Carpintero:
Maximice 5X1 + 3X2
Sujeta a:
2X1 + X2 £ 40
X1 + 2X2 £ 50
X1 ³ 0
X2 ³ 0
Cálculo del Rango para RHS1: Las primeras dos restricciones son obligatorias, por lo tanto:
(40 + r1)/2 = 50/ 1, y (40 + r1) / 1 = 50/ 2.
38 de 51 31-10-2012 13:13
De la resolución de estas dos ecuaciones se obtiene: r1 = 60 y r1 = -15. Por lo tanto, el rango de

sensibilidad para el primer RHS en el problema del carpintero es: [40-15, 40 + 60] = [25, 100].
De modo similar, para el segundo RHS, se obtiene: [50 - 30, 50 + 30] = [20, 80].
Qué es la Regla del 100% (región de sensibilidad)
El rango de sensibilidad que se presentó en la sección anterior es un análisis del tipo "what-if" o
de hipótesis del tipo de "un cambio por vez". Consideremos el problema del Carpintero;
supongamos que queremos hallar los incrementos permisibles simultáneos de RHS ( r1, r2 ³ 0).
Existe un método sencillo de aplicar que se conoce como "la regla del 100%" que establece que
los precios sombra no cambian si se da la siguiente condición suficiente:
r1/60 + r2/30 £ 1, 0 £ r1 £ 60, 0 £ r2 £ 30.
Aquí, 60 y 30 son los incrementos permisibles de los RHS, basados en la aplicación del análisis
de sensibilidad ordinario. Es decir, siempre que el primer y el segundo RHS aumentan r1, y r2
respectivamente, mientras esta desigualdad continúe, los precios sombra para los valores del lado
derecho permanecen sin cambios. Obsérvese que ésta es una condición suficiente porque, si se
viola esta condición, entonces los precios sombra pueden cambiar o aún así seguir iguales. El
nombre "regla del 100%" surge evidente cuando se observa que en el lado izquierdo de la
condición, cada término es un número no negativo menor que uno, que podría representarse
como un porcentaje de cambio permisible. La suma total de estos cambios no debería exceder el
100%.
Aplicando la regla del 100% a los otros tres cambios posibles en los RHS se obtiene:
r1/(-15) + r2/(-30) £ 1, -15 £ r1 £ 0, -30 £ r2 £ 0.

r1/(60) + r2/(-30) £ 1, 0 £ r1 £ 60, -30 £ r2 £ 0.
r1/(-15) + r2/(30) £ 1, -15 £ r1 £ 0, 0 £ r2 £ 30.
La siguiente Figura ilustra la región de sensibilidad de ambos valores RHS como resultado de la
aplicación de la regla del 100% al problema del Carpintero.
Desde un punto de vista geométrico, obsérvese que el poliedro con los vértices (60, 0), (0, 30),
(-15, 0) y (0,-30) en la Figura es sólo un subconjunto de una región de sensibilidad más grande
para los cambios en ambos RHS. Por lo tanto, permanecer dentro de esta región de sensibilidad
es sólo una condición suficiente (no necesaria) para mantener la validez de los precios sombra
39 de 51 31-10-2012 13:13
actuales.
Pueden obtenerse resultados similares para los cambios simultáneos de los coeficientes de costos.
Por ejemplo, supongamos que queremos hallar la disminución permisible simultánea en 1 y los
incrementos en 2, , es decir, el cambio en ambos coeficientes de costo de 1 £ 0 y c2 ³ 0.
La regla del 100% establece que la base corriente sigue siendo óptima siempre que:
c1/(-3.5) + c2/7 £ 1, -3.5 £ c1 £ 0, 0 £ c2£ 7.
Donde 3.5 y 7 son la disminución y el incremento permisibles de los coeficientes de costo 1 y C2,
respectivamente, que se hallaron anteriormente mediante la aplicación del análisis de sensibilidad
ordinario. , respectively, that we found earlier by the application of the ordinary sensitivity
analysis.
La Figura anterior también ilustra todas las otras posibilidades de incrementar/disminuir los
valores de ambos coeficientes de costos como resultado de la aplicación de la regla del 100%,
mientras se mantiene al mismo tiempo la solución óptima corriente para el problema del
Carpintero.
Como otro ejemplo numérico, consideremos el siguiente problema:
Maximice 5X1 + 3X2
Sujeta a:
X1 + X2 £ 2
X1 - X2 £ 0
X1 ³ 0
X2 ³ 0
Quizás recuerden que ya hemos calculado los rangos de sensibilidad con un cambio por vez para
este problema en la sección Cálculo de Rangos de Sensibilidad. El rango de sensibilidad para el
primer coeficiente de costo es [ 5 - 2, 5 + ¥] = [3, ¥], mientras que para el segundo coeficiente de
costo es [3 - 8, 3 + 2] = [-5, 5]. Se debería poder reproducir una figura similar a la anterior
ilustrando todas las otras posibilidades de incrementar/disminuir ambos valores de coeficientes de
costos como resultado de la aplicación de la regla del 100%, mientras al mismo tiempo se
mantiene la solución óptima corriente para este problema.
Claramente, la aplicación de la regla del 100%, en la forma en que aquí se la presenta, es general
y puede extenderse a cualquier problema de PL de mayor magnitud. Sin embargo, a medida que
aumenta la magnitud del problema, este tipo de región de sensibilidad se reduce y por lo tanto,
resulta menos útil para la gestión. . Existen técnicas más poderosas y útiles (que proporcionan
condiciones necesarias y suficientes a la vez) para manejar cambios simultáneos dependientes (o
independientes) de los parámetros.
Añadir una nueva restricción
El proceso: Introduzca la solución óptima corriente en la restricción recién añadida. Si la

restricción no se viola, la nueva restricción NO afecta la solución óptima. De lo contrario, el
nuevo problema debe resolverse para obtener la nueva solución óptima.
40 de 51 31-10-2012 13:13
Suprimir una restricción
El proceso: Determine si la restricción es obligatoria (es decir, activa, importante) hallando si el

valor de holgura/excedente es cero. Si es obligatoria, la supresión puede cambiar la solución
óptima corriente. Suprima la restricción y resuelva el problema. De lo contrario (si no es una
restricción obligatoria), la supresión no afectará la solución óptima.
Reemplazar una restricción
Supongamos que se reemplaza una restricción por una nueva. ¿Cuál es el efecto de este
intercambio?
El proceso: Determine si la restricción previa es obligatoria (es decir, activa, importante) hallando
si el valor de holgura/excedente es cero. Si es obligatoria, el reemplazo puede afectar la solución
óptima corriente. Reemplace la restricción y resuelva el problema. De lo contrario (si no es una
restricción obligatoria), determine si la solución corriente satisface la nueva restricción. Si la
satisface, entonces este intercambio no afectará la solución óptima. De lo contrario (si la solución
corriente no satisface la nueva restricción), reemplace la restricción anterior por la nueva y
resuelva el problema.
Añadir una variable (por ejemplo, introducir un nuevo producto)
El proceso: Construya la nueva restricción del problema solución óptima corriente es óptima), de
lo contrario produzca el nuevo producto (la solución óptima corriente ya no es más óptima). Para
determinar el nivel de dual. Inserte la solución dual en esta restricción. Si la restricción se
satisface, NO produzca el nuevo producto (la producción del nuevo producto (es decir, una
solución óptima mejor) resuelva el siguiente problema.
Suprimir una variable (es decir, cancelar un producto)
El proceso: Si para la solución óptima corriente, el valor de la variable suprimida es cero,

entonces la solución óptima corriente sigue siendo la óptima sin incluir la variable. De lo
contrario, suprima la variable de la función objetivo y las restricciones, y luego resuelva el
problema.
Problema de asignación óptima de recursos
Como los recursos son siempre escasos, a los gerentes les preocupa el problema de la asignación
óptima de los recursos. Se recordará que en el Problema del Carpintero se trataron ambos
recursos como parámetros, es decir, como valores numéricos fijos:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 £ 40, restricción de mano de obra
X1 + 2 X2 £ 50, restricción de material
y ambas X1, X2 son no negativas.
41 de 51 31-10-2012 13:13
Recordarán asimismo que habitualmente las restricciones se clasifican como restricciones del tipo
de recurso o de producción. Es un hecho que en la mayoría de los problemas de maximización,
las restricciones de recursos forman parte natural del problema, mientras que en el problema de
minimización, las restricciones de producción son la parte más importante del problema.
Supongamos que desea hallar la mejor asignación del recurso mano de obra para el Carpintero.
En otras palabras, ¿cuál es el mejor número de horas que el Carpintero debería asignar a su
negocio?
Tomemos como R el número de horas asignadas, el cual se usará para determinar su valor
óptimo. Por lo tanto, el modelo matemático es hallar R1, de modo tal que:
Sujeta a:
2 X1 + X2 £ R1 restricción mano de obra
X1 + 2 X2 £ 50 restricción de material
y todas las variables X1, X2 y R1 son no negativas.
Obsérvese que ahora R1 se trata no como un parámetro sino como una variable de decisión. Es
decir, la maximización se realiza con las tres variables, X1, X2 y R1:
Sujeta a:
2 X1 + X2 - R1 £ 0 restricción de mano de obra
X1 + 2 X2 £ 50 restricción de material
y todas las variables X1, X2 y R1 son no negativas.
Con software de PL, la solución óptima es X1 = 50, X2 = 0, con una asignación óptima de la
mano de obra de R1 = 100 horas. Así, el valor óptimo es $250.
Asimismo, obsérvese que el valor óptimo de asignación de recursos es siempre el mismo como
límite superior del rango de sensibilidad RHS1 generado por el software.
Por ejemplo, el incremento permisible en el número de horas es 100 - 40 = 60 horas, con el

adicional 250 - 110 = 140.
Incluso se puede obtener el precio sombra para este recurso usando esta información. El precio
sombra es el índice de cambio en el valor óptimo con respecto al cambio en el lado derecho. Por
lo tanto, (250 - 110)/(100 - 40) = 140/60 = 7/3, que es el precio sombra del RHS1, según se halló
por otros métodos en las secciones anteriores.
Determinación de la mínima utilidad neta del producto
En la mayoría de los casos, la utilidad neta es un factor incontrolable en un entorno de negocios

"tomador de precios". Es por ello que a los gerentes les importa conocer cuál es la utilidad neta
mínima de cada producto determinado, que indica que su producción es rentable para empezar.
Se recordará que en el Problema del Carpintero ambas utilidades netas ($5 y $3) fueron
consideradas como entradas incontrolables, es decir, que eran valores determinados por el
42 de 51 31-10-2012 13:13
mercado:
Sujeta a:
2 X1 + X2 £ 40 restricción mano de obra
X1 + 2 X2 £ 50 restricción material.
Y ambos, X1, X2, son no negativos.
Aquí, la estrategia óptima es X1 =10, X2 = 20, con un valor óptimo de $110.
Supongamos que el Carpintero desea conocer el valor mínimo del primer coeficiente en la
función objetivo, que actualmente es $5, para poder producir con rentabilidad el primer producto
(las mesas).
Supóngase que la utilidad neta mínima es c1 dólares; por lo tanto, el problema consiste en hallar
c1, de manera tal que:
Maximice c1 X1 + 3 X2
Sujeta a:
2 X1 + X2 £ 40 restricción mano de obra
X1 + 2 X2 £ 50 restricción material.
Y todas las variables, X1, X2, c1, son no negativas.
Ahora, el problema dual del carpintero es:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 ³ c1 Utilidad neta de una mesa
1U1 + 2U2 ³ 3 Utilidad neta de una silla.
Y U1, U2, c1 son no negativas.
Se observa que ahora la utilidad neta c1 se trata como una variable de decisión. La minimización
se hace sobre las tres variables; X1, X2 y c1:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 - c1 ³ 0
1U1 + 2U2 ³ 3
Y U1, U2, c1 son no negativas.
La implementación de este problema en el paquete de computación muestra que la solución

óptima es U1 = $7/3, U2 = $1/3, y c1 = $1.5.
Se recordará que existen soluciones alternativas para este valor de frontera del rango de
sensibilidad para el coeficiente de costo. La solución correspondiente al límite inferior se
describe en el rango del análisis de sensibilidad del coeficiente de costo, calculado con
anterioridad en el Problema del Carpintero. Por lo tanto, la mínima utilidad neta es siempre la
misma que el límite inferior del rango de sensibilidad del coeficiente de costo generado por el
software.
43 de 51 31-10-2012 13:13
Indicadores de metas
En la mayoría de las situaciones de la vida real, al decisor puede no interesarle la optimización, y

desear en cambio alcanzar un cierto valor para la función objetivo. A la mayoría de los gerentes
les satisface una solución "suficientemente buena". A este problema se lo conoce como
"satisfacer" el problema de "alcanzar la meta".
Una de las razones por las cuales los gerentes de empresas sobrestiman la importancia de la
estrategia óptima es que las organizaciones con frecuencia usan indicadores como "sustitutos"
para satisfacer sus necesidades inmediatas. La mayoría de los gerentes prestan atención a
indicadores tales como la utilidad, el flujo de fondos, el precio de la acción, etc. que indican más
una supervivencia que una meta de optimización.
Para resolver el problema de alcanzar la meta, se debe primero añadir la meta del conjunto de
restricciones. Para convertir el problema de alcanzar la meta en un problema de optimización, se
debe crear una función objetivo ficticia. Podría ser una combinación lineal del subconjunto de
variables de decisión. Si se maximiza esta función objetivo se obtendrá una solución factible (si
es que existe). Si se minimiza, se podría obtener otra (habitualmente en el otro "lado" de la región
factible). Se podría optimizar con diferentes funciones objetivas.
Otro abordaje es usar modelos de "Programación de Metas" que manejan con precisión
problemas de satisfacción de restricciones sin necesariamente tener un solo objetivo.
Básicamente, consideran medidas de violación de restricciones e intentan minimizarlas. Se
pueden formular y resolver modelos de programación de metas en PL tradicional, usando códigos
de solución de PL tradicionales.
En el algoritmo de solución sin variables artificiales se puede usar una función objetivo ficticia de
cero pero no en algunos paquetes de software, tales como el Lindo. Con los paquetes de software
se puede maximizar o minimizar cualquier variable como una función objetivo.
Ejemplo numérico
Considere el Ejemplo 1 en la sección Inicialización del Método Símplex en un sitio asociado a

éste. En lugar de maximizar ahora queremos alcanzar una meta de 4, es decir,
Meta: -X1 + 2X2 = 4

sujeta a:
X1 + X2 ³ 2,
-X1 + X2 ³ 1,
X2 £ 3,
y X1, X2 ³ 0.
Si se añade esta meta al conjunto de restricciones y se convierten las restricciones a la forma de

igualdad se obtiene:
X1 + X2 - S1 = 2, -X1 + X2 - S2 = 1, X2 + S3 = 3, y
X1, X2, S1, S2, S3 ³ 0.
Una solución es X1 = 2, X2 = 3, S1 = 3, S2 = 0, y S3 = 0.
Cálculo de minimax y maximin en una sola corrida
44 de 51 31-10-2012 13:13
Supongamos que quiere hallar el peor de varios valores de funciones objetivos definidas con un
conjunto común de restricciones en una sola corrida de computación.
Como aplicación, supongamos que en el Problema del Carpintero, sin pérdida de generalidad,
hay tres mercados con funciones objetivos de 5X1 + 3X2, 7X1 + 2X2, y 4X1 + 4X2,
respectivamente. Al carpintero le interesa conocer el peor mercado. Es decir, la solución del
siguiente problema:
El problema del minimax:
Min Max {5X1 + 3X2, 7X1 + 2X2, 4X1 + 4X2}
Sujeta a:
2 X1 + X2 £ 40
X1 + 2 X2 £ 50
Y ambos, X1, X2, son no negativos.
El Problema del Minimax equivale a:
Maximice y
Sujeta a:
y £ 5x1 + 3X2
y £ 7X1 + 2X2
y £ 4X1 + 4X2
2X1 + X2 £ 40
X1 + 2X2 £ 50
Y todas las variables, X1, X2, y, son no negativas.
Si se toman todas las variables a la izquierda de las restricciones y este problema se implementa
en el paquete de computación, la solución óptima es X1 = 10, X2 = 20, y = $110. Esto significa
que el primero y el segundo mercados son los peores (porque la primera y la segunda
restricciones son obligatorias) aportando sólo $110 de utilidad neta.
De modo similar, se puede resolver el minimax de varias funciones objetivos en una sola corrida.
Situaciones de más por menos y menos por más
Considere el siguiente problema de PL de producción:
Maximice X1 + 3X2 + 2X3,

sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = 9, todas Xi son no negativas.
Los totales de mano de obra son 4 y 9. El valor óptimo para este problema es $7.
Ahora, si se cambia la segunda mano de obra disponible de 9 por 12, el valor óptimo sería $4. Es
decir, que se ha trabajado más horas por menos utilidad.
Esta situación surgen frecuentemente y se conoce como "La Paradoja de Más por Menos". El
recurso número 2 tiene un precio sombra negativo!
45 de 51 31-10-2012 13:13
Para hallar el mejor número de horas se debe trabajar para maximizar el ingreso, resolviendo la
siguiente PL paramétrica:
Maximice X1 + 3X2 + 2X3

sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = L , L, y todas Xi son no negativas.
Con LINDO (o WinQSB) se debe resolver:
Maximice X1 + 3X2 + 2X3

sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 - L = 0.
La L óptima es 8 horas, y el valor óptimo es $8!
La condición necesaria y suficiente para que se dé la situación de más por menos/menos por más
es que existan restricción(es) de igualdad con precio(s) sombra negativos para los valore(s)
RHS.
Programas lineales generales con enteros
La PL estándar asume que las variables de decisión son continuas. Sin embargo, en muchas
aplicaciones, los valores fraccionarios pueden no servir de mucho (por ej., 2,5 empleados). Por
otra parte, como a esta altura ya saben, como los programas lineales con enteros son más difíciles
de resolver, quizás se pregunten para qué la molestia. ¿Por qué no simplemente usar un programa
lineal estándar y redondear las respuestas a los enteros más cercanos? Desafortunadamente, esto
genera dos problemas:
La solución redondeada puede no ser factible, y
El redondeo puede no dar una solución óptima.
Por lo tanto, el redondeo de resultados de programas lineales puede proporcionar respuestas

razonables, pero para garantizar soluciones óptimas debemos aplicar programación lineal con
enteros. Por omisión, el software de PL asume que todas las variables son continuas. Con el
software Lindo, convendrá usar la sentencia de entero general - GIN. GIN seguida de un nombre
de variable restringe el valor de la variable a los enteros no negativos (0,1,2,…). El siguiente
ejemplo sencillo ilustra el uso de la sentencia GIN.
Max 11X1 + 10X2
S.T. 2X1 + X2 £ 12
X1 - 3X2 ³ 1
END
GIN X1
GIN X2
La salida después de siete iteraciones es:
VALOR DE LA FUNCION OBJETIVO
1) 66.00000
VARIABLE VALOR COSTO REDUCIDO

X1 6.000000 -11.000000
X2 0.000000 -10.000000
46 de 51 31-10-2012 13:13
FILA HOLGURA O EXCEDENTE

2) 0.000000
3) 5.000000
Si no hubiéramos especificado X1 y X2 como enteros generales en este modelo, LINDO no

habría hallado la solución óptima de X1 = 6 y X2 = 0. En cambio, LINDO habría considerado a
X1 y X2 como continuos y habría llegado a la solución X1 = 5.29 y X2 = 1.43.
Observen asimismo que el simple redondeo de la solución continua a los valores enteros más
próximos no da la solución óptima en este ejemplo. En general, las soluciones continuas
redondeadas pueden no ser las óptimas y, en el peor de los casos, no son factibles. Sobre esta
base, uno se puede imaginar que puede demandar mucho tiempo obtener la solución óptima en
un modelo con muchas variables de enteros. En general, esto es así, y les convendrá utilizar la
característica GIN sólo cuando es absolutamente necesario.
Como último comentario, el comando GIN también acepta un argumento de valor entero en lugar
de un nombre de variable. El número corresponde al número de variables que uno desea que sean
enteros generales. Estas variables deben aparecer primero en la formulación. De tal modo, en
este ejemplo sencillo, podríamos haber reemplazado las dos sentencias GIN por la única
sentencia GIN 2.
Aplicación mixta de programación con enteros: restricciones "Y-O"
Supongan que una panadería vende ocho variedades de rosquillas. La preparación de las
variedades 1, 2 y 3 implica un proceso bastante complicado, por lo que la panadería decidió que
no les conviene hornear estas variedades, a menos que pueda hornear y vender por lo menos 10
docenas de las variedades 1, 2 y 3 combinadas. Supongan también que la capacidad de la
panadería limita el número total de rosquillas horneadas a 30 docenas, y que la utilidad unitaria
de la variedad j es j dólares. Si xj, j = 1, 2, … ,6 denote el número de docenas de la variedad j que
se deben hornear, y luego la utilidad máxima puede hallarse resolviendo el siguiente problema
(asumiendo que la panadería consigue vender todo lo que hornea):
Maximice Z = S Pj Xj
Sujeta a las restricciones: S Xj £ 30
X1 + X2 + X3 = 0, OR, X1 + X2 + X3 ³ 10
Maximice Z = S Pj Xj
Sujeta a las restricciones: S Xj £ 30
X1 + X2 + X3 - 30y £ 0,
X1 + X2 + X3 - 10y³ 10
Xj ³ 0, y = 0, or 1.
Programas lineales con enteros 0 - 1
Con el comando INT en LINDO se restringe la variable a 0 o 1. A estas variables con frecuencia
se las llama variables binarias. En muchas aplicaciones, las variables binarias pueden ser muy
útiles en situaciones de todo o nada. Entre los ejemplos podemos incluir cosas tales como asumir
47 de 51 31-10-2012 13:13
un costo fijo, construir una nueva planta o comprar un nivel mínimo de algún recurso para recibir
un descuento por cantidad.
Ejemplo: Considere el siguiente problema de la mochila
Maximice 11X1 + 9X2 + 8X3 + 15X4

Sujeta a:: 4X1 + 3X2 + 2X3 + 5X4 £ 8, and Xi either 0 or 1.
Con LINDO, la sentencia del problema es:

Max 11X1 + 9X2 + 8X3 + 15X4
S.T. 4X1 + 3X2 + 2X3 + 5X4 £ 8
END
INT X1
INT X2
INT X3
INT X4
Luego haga clic en SOLVE. La salida da la solución óptima y el valor óptimo después de ocho
iteraciones "Branch-and-Bound" (de rama y frontera).
Observe que en lugar de repetir INT cuatro veces se puede usar INT 4. Las primeras cuatro
variables aparecieron en la función objetivo.
VALOR DE LA FUNCION OBJETIVO
1) 24.00000
VARIABLE VALOR COSTO REDUCIDO

X1 0.000000 -11.000000
X2 1.000000 -9.000000
X3 0.000000 -8.000000
X4 1.000000 -15.000000
FILA HOLGURA O EXCEDENTE PRECIOS DUALES

2) 0.000000 0.000000
Nro. DE ITERACIONES = 8
Aplicaciones para formulación de presupuestos de inversiones
Supongan que una compañía de Investigación y Desarrollo dispone de una suma de dinero, D
dólares, para invertir. La compañía ha determinado que existen N proyectos en los que conviene
invertir, y por lo menos dj dólares deben invertirse en el proyecto j si se decide que ese proyecto j
es aquél en el que vale la pena invertir. Asimismo, la compañía determinó que la utilidad neta que
puede obtenerse después de invertir en el proyecto j es de jdólares. El dilema de la compañía es
que no puede invertir en todos los proyectos N, porque
S dj > D. Por lo tanto, la compañía debe decidir en cuáles de los proyectos invertirá maximizando
la utilidad. Para resolver este problema, el asesor formula el siguiente problema:
Xj = 1 si la compañía invierte en el proyecto j, y
Xj = 0 si la compañía no invierte en el proyecto j.
El monto total que se invertirá entonces es de
S dj Xj, y como este monto no puede ser superior a D dólares tenemos la siguiente restricción:
48 de 51 31-10-2012 13:13
S dj Xj £ D
La utilidad total será S Pj Xj. Por lo tanto, la compañía quiere el problema 0-1:
Maximice Z= S Pj Xj
Sujeta a: S dj Xj £ D, Xj = 0, OR 1.
Problemas de scheduling (planificación de turnos)
Si se quiere utilizar la mano de obra lo más eficientemente posible es importante analizar los
requerimientos de personal durante las diversas horas del día. Esto es en especial así en las
grandes organizaciones de servicios, donde la demanda de los clientes es repetitiva pero cambia
de manera significativa según la hora. Por ejemplo, se necesitan muchos más operadores
telefónicos durante el período del mediodía a las dos de la tarde que desde la medianoche a las
dos de la mañana. Pero, sin embargo, debe haber algunos operadores de guardia durante la
madrugada. Como los operadores habitualmente cumplen turnos de ocho horas es posible
planificar las horas de trabajo de los operadores de modo tal que un solo turno cubra dos o más
"períodos pico" de demanda. Mediante el diseño de planes horarios inteligentes, la productividad
de los operadores aumenta y el resultado es un plantel más reducido, y por lo tanto, una
reducción en los costos salariales. Algunos otros ejemplos de áreas donde los modelos de
scheduling han resultado útiles son los conductores de ómnibus, los controladores de tráfico
aéreo y las enfermeras. A continuación analizaremos un problema de ejemplo y desarrollaremos
un modelo de programación con enteros para planificar el horario de trabajo de enfermeras.
Es un problema de rutina en los hospitales planificar las horas de trabajo de las enfermeras. Un
modelo de planificación es un problema de programación con enteros que consiste en minimizar
el número total de trabajadores sujeto al número especificado de enfermeras durante cada
período del día.
Período Hora del día Número requerido de enfermeras

1 8:00 - 10:00 10
2 10:00 - 12:00 8
3 12:00 - 2:00 9
4 2:00 - 4:00 11
5 4:00 - 6:00 13
6 6:00 - 8:00 8
7 8:00 - 10:00 5
8 10:00 - 12:00 3
Como cada enfermera trabaja ocho horas puede comenzar a trabajar al comienzo de cualquiera
de los siguientes cinco turnos: 8:00, 10:00, 12:00, 2:00 o 4:00. En esta aplicación no
consideramos ningún turno que comience a las 9:00, 11:00, etc. Tampoco es necesario tener
enfermeras que comiencen a trabajar después de las 4:00, porque entonces su turno terminaría
después de la medianoche, cuando no se necesitan enfermeras. Cada período tiene dos horas de
duración, de modo tal que cada enfermera que se presenta a trabajar en el período t también
trabajará durante los períodos t + 1, t+ 2, y t + 3 --- ocho horas consecutivas. La pregunta es:
"¿Cuántas enfermeras deberían comenzar su turno en cada período para satisfacer los
requerimientos del recurso especificados en la tabla anterior?" Para formular el modelo de este
49 de 51 31-10-2012 13:13
problema. Xt es una variable de decisión que denota el número de enfermeras que comenzarán su
horario en el período t. La mano de obra total, que deseamos minimizar, es S Xt. Durante el
período 1, debe haber por lo menos 10 personas de guardia; entonces, debemos tener X1 ³ 10. De
modo similar, los requerimientos del período 2 sólo pueden satisfacerse con X1 + X2 ³ 8. De esta
manera denotamos los requerimientos de los períodos restantes:
X1 + X2 + X3 ³ 9,
X1 + X2 + X3 + X4 ³ 11,
X2 + X3 + X4 + X5 ³ 13,
X3 + X4 +X5 ³ 8,
X4 + X5 ³ 5,
X5 ³ 3,
Todas las variables son números enteros.
Observe que X1 no está incluida en la restricción del período 5, ya que las enfermeras que
comienzan en el período 1 ya no están en servicio en el período 5. Asimismo, observe que puede
resultar necesario tener más que el número requerido de personas en algunos períodos. Por
ejemplo, vemos con la primera restricción que el número de enfermeras que comienzan a trabajar
en el período 1 debe ser 10, como mínimo. Todas ellas estarán todavía trabajando en el período 2,
pero en ese momento sólo se necesitarán ocho personas. Entonces, incluso si X2 = 0, habrá dos
enfermeras extra de guardia en el período 2.
Programación no lineal
La programación lineal ha demostrado ser una herramienta sumamente poderosa, tanto en la

modelización de problemas de la vida real como en la teoría matemática de amplia aplicación. Sin
embargo, muchos problemas interesantes de optimización son no lineales. El estudio de estos
problemas implica una mezcla diversa de álgebra lineal, cálculo multivariado, análisis numérico y
técnicas de computación. Entre las áreas especiales importantes se encuentra el diseño de
algoritmos de computación (incluidas las técnicas de puntos interiores para programación lineal),
la geometría y el análisis de conjuntos convexos y funciones, y el estudio de problemas
especialmente estructurados, tales como la programación cuadrática. La optimización no lineal
proporciona información fundamental para el análisis matemático, y se usa extensamente en las
ciencias aplicadas (en campos tales como el diseño de ingeniería, el análisis de regresión, el
control de inventario y en la exploración geofísica).
Programación con restricciones no binarias
A través de los años, la comunidad dedicada a la programación con restricciones ha venido

prestando considerable atención a la modelística y resolución de problemas usando restricciones
unarias y binarias. Ha sido sólo desde hace poco que se viene prestando más atención a las
restricciones no binarias, y se debe principalmente a la influencia del número creciente de
aplicaciones en la vida real. Una restricción no binaria es una restricción que se define con k
variables, donde k normalmente es mayor que 2. En tal sentido, la restricción no binaria puede
considerarse como una restricción más global. La modelización de (una parte de) un problema
con una restricción no binaria presenta dos ventajas principales: Facilita la expresión del
problema y habilita una mayor propagación más poderosa de la restricción a medida que se
50 de 51 31-10-2012 13:13
dispone de información más global.
Los éxitos logrados en aplicaciones para programación de itinerarios, horarios de trabajo y rutas
han demostrado que usar restricciones no binarias es una dirección de investigación promisoria.
De hecho, cada vez más personas creen que este tema es crucial para que la tecnología de las
restricciones se convierta en una manera realista de modelizar y resolver problemas de la vida
real.
Optimización combinatoria
Agrupar, cubrir y particionar (aplicaciones de los programas con enteros) son los principales
temas matemáticos que constituyen la interfaz entre la combinatoria y la optimización. La
optimización combinatoria es el estudio de estos problemas. Aborda la clasificación de problemas
de programación con enteros, de acuerdo con la complejidad de algoritmos conocidos para
resolverlos, y con el diseño de algoritmos apropiados para resolver subclases especiales de
problemas. En particular, se estudian problemas de flujos de red, correspondencias y sus
generalizaciones matroides. Esta materia es uno de los elementos unificadores de la
combinatoria, la optimización, la investigación operacional y la computación científica.
Regresar a la Página Principal
51 de 51 31-10-2012 13:13

4 Modelos Deterministas

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

4 Modelos Deterministas

Transféré par

Droits d'auteur :

Formats disponibles

Modelos Deterministas http://www.investigacion-operaciones.com/Modelos_Deterministicos.

Regresar a la Página Principal

Un modelo de Optimización Matemática consiste en una función objetivo y un conjunto de

Material Didáctico preparado por el Profesor Hossein Arsham,

pagina WEB http://ubmail.ubalt.edu/~harsham/index.html

Optimización: Programación Lineal (PL)

Manejo de Incertidumbres mediante Modelación de Escenarios:

Programas lineales generales con enteros

Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema

Un modelo matemático es una ecuación, desigualdad o sistema de ecuaciones o desigualdades,

El modelo matemático que describe el comportamiento de la medida de efectividad se denomina

cuatro características citadas, como generalmente es de esperar. Si bien este resultado es

La optimización, también denominada programación matemática, sirve para encontrar la

La Programación Matemática, en general, aborda el problema de determinar asignaciones

El objetivo de la optimización global es encontrar la mejor solución de modelos de decisiones

Programación Lineal (PL)

La Programación Lineal (PL) es un procedimiento matemático para determinar la asignación

Cualquier problema de PL consta de una función objetivo y un conjunto de restricciones. En la

Cuando se formula un problema de toma de decisiones como un programa lineal, se deben

2. 2. El objetivo debe ser ya sea la maximización o minimización de una función lineal. El

Como siempre, se debe tener cuidado al categorizar un problema de optimización como un

Proceso de Formulación de un Problema de PL y su Aplicación

El Problema del Carpintero

Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada una y

La solución óptima, es decir, la estrategia óptima, , es establecer X1 = 10 mesas y X2 = 20 sillas.

¿Contratar o no contratar a un ayudante? Supóngase que el carpintero pudiera contratar a un

X3 es la cantidad de horas extra, entonces el problema modificado es:

Maximizar 7X1 + 15X2

Otras Aplicaciones Comunes de PL

La programación lineal es una herramienta poderosa para seleccionar alternativas en un

Administración de Producción y Operaciones: muchas veces en las industrias de proceso, una

Distribución: otra aplicación de programación lineal es el área de la distribución. Considere un

Método de Solución Gráfica

Procedimiento para el Método Gráfico de Solución de Problemas de PL:

1. ¿El problema es un problema de PL? La respuesta es afirmativa si y sólo si:

2. ¿Puedo utilizar el método gráfico? La respuesta es afirmativa si la cantidad de variables de

5. Elimine los lados que no son factibles.

intersección de 2 líneas o en general, n hiperplanos en problemas de PL con n variables de

Un Ejemplo Numérico: El Problema del Carpintero

Valor de la Función Objetivo en cada Esquina o Punto Extremo

Coordenadas de los Puntos Función de los Ingresos

Fabricar una combinación de

Hecho N° 1: La región factible de cualquier programa lineal es siempre un conjunto convexo.

El conjunto de la región factible en cualquier programa lineal se denomina poliedro y si está

La convexidad de la región factible de los programas lineales facilita la resolución de problemas

En el caso de programas no lineales, el problema es mucho más difícil de resolver porque la

Vínculo entre Programación Lineal y Sistemas de Ecuaciones

George Dantzig la programación lineal es estrictamente "la teoría y la solución de sistemas

Seis Soluciones Básicas con Cuatro Soluciones Básicas Factibles

Extensión a Mayores Dimensiones

Ejemplo Numérico: el Problema del Transporte

El objetivo es encontrar la manera más efectiva de transportar productos. La siguiente tabla

Matriz de Costo Unitario de

Xij representa la cantidad de productos enviados desde el origen i hasta el destino j. La

Min 20X11 + 30X12 + 10X21 + 40X22

Min 20X11 + 30X12 + 10X21 + 40X22

X11 X12 X21 X22 Costo Total de Transporte

Conceptos y Técnicas de Aprendizaje Asistidos por Computadora

¡Precaución! Antes de utilizar cualquier software, verifique que sea confiable.

Aquí encontrará una Guía de Software de PL para su revisión: LP Software Guide.

Cómo Interpretar los Resultados del Paquete de Software LINDO

WinQSB). Desde el teclado escriba lo siguiente en la venta actual:

MAX 5X1 + 3X2

1. La función objetivo no debería contener ninguna restricción. Por ejemplo, no se puede