You are on page 1of 0

Dualidad y análisis de sensibilidad en programación lineal

55










3 Dualidad y análisis de sensibilidad en programación lineal


3.1 Introducción

En el tema anterior se describieron las características de los modelos de programación lineal, así como
los diferentes caminos a partir de los que podemos encontrar la solución: resolución gráfica, algoritmo
símplex o uso de programas informáticos. En este tema, se describen dos técnicas también relaciona-
das con la programación lineal: la dualidad y el análisis de sensibilidad.

La segunda sección del tema desarrolla la teoría asociada a la dualidad: cómo se obtiene el dual de un
programa lineal, la interpretación del concepto de precio sombra y una serie de teoremas y resultados
útiles para la interpretación de un modelo lineal.

La tercera sección muestra las posibilidades del análisis de sensibilidad de la programación lineal. Se
trata de analizar cómo varía la solución del modelo (tanto el valor de la función objetivo como el valor
de las variables de decisión) en función de dos conjuntos de parámetros del modelo: los coeficientes de
coste de la función objetivo y los términos independientes de las restricciones.

El tema concluye con un problema resuelto y con un glosario de los términos más relevantes introdu-
cidos en el mismo.


3.2 Dualidad en programación lineal

Dado un modelo lineal determinado, podemos definir otro modelo lineal que nos permitirá obtener pro-
piedades interesantes del primero y que será su dual. La solución del modelo dual permite obtener
interesantes resultados, relativos al análisis de sensibilidad de los términos independientes. Más con-
cretamente, para los rangos de valores de los términos independientes para los que se mantiene la base
óptima (que podemos conocer mediante el análisis de sensibilidad), la solución del dual nos permite
conocer el precio sombra de la restricción, que será la variación de la función objetivo por unidad in-
crementada del término independiente de la restricción.

En la primera parte de esta sección, encontramos cómo hallar el dual de un modelo lineal. En las si-
guientes, se define con más precisión el concepto de precio sombra, cómo obtener la solución del dual
a partir de la del primal, y su aplicación al análisis de sensibilidad. Finalmente, se enuncian algunas
propiedades de interés, como el teorema de la holgura complementaria y las relaciones entre las solu-
ciones del primal con las soluciones del dual.


3.2.1 Reglas de obtención del dual

Si el modelo está escrito en la forma canónica, el dual resulta singularmente fácil de obtener. Por
ejemplo, partiendo de la forma canónica del modelo de máximo:
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


56
Primal Dual

[MIN] z = c’· x [MAX] w = b’· u

A· x ≥ b A’· u ≤ c
x
j
≥ 0 u
i
≥ 0

Si se trata de obtener el dual del dual, se obtendrá el primal: se trata de una correspondencia biunívoca.

De forma más general, las reglas para obtener el dual de cualquier modelo lineal se indican en la tabla
adjunta:


Primal Dual Dual Primal
Maximizar la F.O. Minimizar la F. O.
Una variable no negativa Una restricción mayor o igual
Una variable no positiva Una restricción menor o igual
Una variable no restringida en signo Una igualdad
Una restricción menor o igual Una variable no negativa
Una restricción mayor o igual Una variable no positiva
Una igualdad Una variable no restringida en signo


En los ejemplos 4.2.1, 4.2.2 y 4.2.3 (además del ejemplo 5), se muestran diversos ejemplos de obten-
ción del dual.


3.2.2 Interpretación de las variables duales: precios sombra

Cada variable del dual está asociada a una restricción del programa primal, y su valor óptimo repre-
senta el incremento de la función objetivo del primal por cada unidad que aumente el término inde-
pendiente de dicha restricción, siempre que este último aumento no suponga un cambio de base. Es,
por tanto, el precio adicional máximo que estamos dispuestos a pagar por el incremento del recurso.
Los valores de estas variables se denominan precios sombra. De manera analítica, podemos escribir
que la variable dual de la restricción i representará:


i
i
b
z
u


=




Los precios sombra obtenidos a partir del óptimo del dual serán válidos siempre que no varíe la base
óptima. En consecuencia, los resultados obtenidos del dual están íntimamente ligados al análisis de
sensibilidad de los términos independientes, tal como se muestra en el ejemplo 2.4.1.


Ejemplo 2.2.1 Problema de la granja

El problema de la granja puede modelizarse mediante un modelo lineal de máximo en forma canónica,
por lo que su dual también estará en forma canónica. Puede observarse que:

a) Los coeficientes de la función objetivo son los términos independientes de las restricciones del
dual y viceversa.

b) Los coeficientes tecnológicos de las restricciones en el primal son las columnas de los coeficien-
tes tecnológicos asociados a cada variable del primal. Nótese, por ejemplo, cómo la primera res-
tricción tiene los coeficientes asociados a la variable CEB.
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


57
Primal Dual

[MAX]z = 50CEB + 80LEC [MIN]w = 80CUO + 110ARE + 720TRA

sujeto a: sujeto a:

CEB ≤ 80 ARE + 8TRA ≥ 80
CEB + LEC ≤ 110 CUO + ARE + 4TRA ≥ 50
4CEB + 8LEC ≤ 720 CUO, ARE, TRA ≥ 0
CEB, LEC ≥ 0

Recuérdese que CEB y LEC son la superficie a cultivar de cebada y lechugas, respectivamente, por el
agricultor para maximizar su beneficio.

El dual del problema tiene tres variables, tantas como restricciones. Cada variable dual está asociada a
una restricción:

1. La primera restricción del primal tiene asociada la variable CUO. Dicha restricción indicaba la
cota máxima de cebada que podía cultivarse. El valor de dicha variable indicará el incremento del
beneficio del agricultor por unidad incrementada de la cantidad máxima de cebada.

2. La segunda restricción nos dice que la máxima área cultivable es de 110. Su variable dual es
ARE. Representa el beneficio adicional obtenido al aumentar el área cultivable en una unidad.
También representa el precio máximo a pagar por una unidad más de área cultivable.

3. Finalmente, con la tercera restricción disponemos sólo de 720 horas de trabajo. Su variable dual
es TRA. Representa el incremento del beneficio al contratar horas de trabajo adicionales, así co-
mo el precio máximo a pagar por dichas horas.


Ejemplo 2.2.2 Problema de la dieta

En ese caso nos encontramos con un primal que es un modelo de mínimo escrito en forma canónica.
Se trata, en este caso, de encontrar la dieta de coste mínimo a partir de un conjunto de alimentos (P, Q,
M, G, E) que cubra con unas necesidades mínimas de nutrientes (proteínas en la primera restricción y
calorías en la segunda).

El dual tendrá dos variables (tantas como restricciones el primal) y cinco restricciones (tantas como
variables el primal), y estará también en forma canónica:

Primal Dual

Función Objetivo: Función Objetivo:

[MIN]z = 35P + 130Q + 100M + 75G + 30E [MAX]w = 70u
1
+ 3000u
2


Restricciones: Restricciones:

8,3P + 24,9Q + 0,4M + 6,0G + 5,1E ≥ 70 8,3u
1
+ 246u
2
≤ 35
246P + 423Q + 793M + 93G + 26E ≥ 3000 24,9u
1
+ 423u
2
≤ 130
P, Q, M, G, E ≥ 0 0,4u
1
+ 793u
2
≤ 100
6u1 + 93u
2
≤ 7
5,1u
1
+ 26u
2
≤ 30
u
1
, u
2
≥ 0
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


58
Las variables del dual u
1
y u
2
representan respectivamente los incrementos en el coste de la dieta que
supone la exigencia en el contenido de la misma de un gramo más de proteínas o una kilocaloría más.


Ejemplo 2.2.3 Transporte barato

En este caso, nos encontramos ante un modelo lineal que busca minimizar el coste de transporte desde
tres orígenes (i = 1, 2, 3) a cuatro destinos (j = 1, 2, 3). Se trata de un modelo de 4 × 3 = 12 variables y
4 + 3 = 7 restricciones.

El dual tendrá 7 variables, tantas como restricciones del primal: tres asociadas a las restricciones de
capacidad en el origen (u
1
, u
2
, u
3
), y cuatro asociadas a los destinos (v
1
, v
2
, v
3
, v
4
). Por ser las restric-
ciones de igualdad, las variables duales no están restringidas en signo.

En cuanto a las restricciones del dual, serán 12, tantas como variables del primal. Cada variable x
ij

tendrá asociada una restricción de la forma:

u
i
+ v
j
≤ c
ij


El signo de la desigualdad viene determinado por el hecho de que las x
ij
son no negativas.

En definitiva, el primal y el dual se muestran a continuación:

Primal Dual

Función Objetivo: Función Objetivo:

[MIN] z = 8x
11
+ 13x
12
+ 9x
13
+ 8x
14
+ [MAX] w = 60u
1
+ 70u
2
+ 80u
3
+
9x
21
+ 11x
22
+ 12x
23
+ 10x
24
+ 75v
1
+ 45v
2
+ 40v
3
+ 50v
4

7x
31
+ 8x
32
+ 10x
33
+ 9x
34


Restricciones: Restricciones:

x
11
+ x
12
+ x
13
+ x
14
= 60 u
1
+v
1
≤8 u
2
+v
1


≤9 u
3
+v
1
≤7
x
21
+ x
22
+ x
23
+ x
24
= 70 u
1
+v
2
≤13 u
2
+v
2
≤11 u
3
+v
2
≤8
x
31
+ x
32
+ x
33
+ x
34
= 80 u
1
+v
3
≤9 u
2
+v
3
≤12 u
3
+v
3
≤10
u
1
+v
4
≤8 u
2
+v
4
≤10 u
3
+v
4
≤9
x
11
+ x
21
+ x
31
= 75
x
12
+ x
22
+ x
32
= 45 u
i
, v
j
no restringidas en signo
x
13
+ x
23
+ x
33
= 40
x
14
+ x
24
+ x
34
= 50

x
11
, x
12
, x
13
, x
14
,
x
21
, x
22
, x
23
, x
24
,
x
31
, x
32
, x
33
, x
34
≥ 0

Las variables del dual u
i
representan los incrementos de coste por cada unidad adicional ofertada en
cada centro emisor i, mientras que las variables del dual v
j
se corresponden con los incrementos de
coste por cada unidad adicional solicitada por un centro receptor j.


3.2.3. Obtención de la solución del dual

El dual de un modelo lineal es otro modelo lineal, que puede solucionarse (después de las oportunas
transformaciones, si alguna de las variables resultantes es no negativa o no restringida en signo) del
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


59
mismo modo que el primal. Sin embargo, en general puede obtenerse la solución del dual resolviendo
el primal. En los dos ejemplos siguientes, veremos dos modos de obtener la solución óptima del dual:

a) A partir de la tabla símplex óptima del primal, en el ejemplo 4.3.1. La solución obtenida nos
permitirá obtener un importante resultado: el teorema de la holgura complementaria.

b) Mediante un programa informático. Dado que en general los programas de resolución de modelos
lineales realizan el análisis de sensibilidad, podemos realizar un análisis más exacto de la evolu-
ción de los precios sombra. Todo ello se muestra, con un modelo lineal sencillo, en el ejemplo
4.4.1.


Ejemplo 2.3.1 Tablas símplex del problema de la granja

Las tablas símplex óptimas obtenidas para el primal y para el dual son:

Tabla símplex óptima del programa primal:


Base Coefic. Valor
(RHS)
50
CEB
80
LEC
0
H1
0
H2
0
H3
H1 0 40 0 0 1 -2 0.25
CEB 50 40 1 0 0 2 -0.25
LEC 80 70 0 1 0 -1 0.25
7600 0 0 0 -20 -7.5


Tabla símplex óptima del programa dual:


Base Coefic. Valor
(RHS)
80
CUO
110
ARE
720
TRA
0
D1
0
D2
TRA 720 7.5 -0.25 0 1 -0.25 0.25
ARE 110 20 1 1 0 1 -2
7600 40 0 0 70 40


Del examen de las dos tablas óptimas, podemos deducir algunas propiedades interesantes:

1. El valor de la función objetivo del dual en el óptimo es igual que el valor de la función objetivo
del primal en el óptimo. Esta propiedad se cumple de manera general:

c’· x* = b’ · u*

2. La primera restricción del primal se cumple con holgura (H1= 40), y su variable dual asociada es
igual a cero en el óptimo del dual (CUO = 0).

3. Las otras dos restricciones se cumplen sin holgura (H2=H3=0) y sus variables asociadas TRA y
ARE son positivas. Se trata del precio sombra asociado a las restricciones y tiene la interpreta-
ción siguiente:

• ARE = 20 indica que si aumentamos la cantidad de tierra disponible en ∆b
2
, la función ob-
jetivo aumenta en 20 ∆b
2
. Por lo tanto, este es el máximo precio a pagar por tierra adicio-
nal.
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


60
• TRA = 7,5 indica que si aumentamos la cantidad de trabajo en ∆b
3
, la función objetivo au-
menta en 7,5· ∆b
3
. Así que esta es la cantidad máxima a pagar por trabajo adicional.

No necesitamos resolver el dual para obtener el óptimo u* si disponemos de la tabla símplex óp-
tima del primal y el modelo no tiene restricciones de igualdad. La solución del dual se obtiene a
partir de los coeficientes de coste reducidos de las variables de holgura y exceso de las restriccio-
nes:

a) La variable dual asociada a una restricción de ≤ es igual al coeficiente de coste reducido de su
variable de holgura asociada en la tabla símplex óptima del primal, cambiada de signo.

b) La variable dual asociada a una restricción de ≥ es igual al coeficiente de coste reducido de su
variable de exceso asociada en la tabla símplex óptima del primal.

En las tablas puede observarse cómo podemos encontrar la solución del dual en el primal y la del pri-
mal en el dual.


3.2.4 Teorema de la holgura complementaria

La propiedad observada en el ejemplo anterior es generalizable, dado el carácter de precio sombra de
las variables duales. En general, podremos decir que:

1. Si una restricción se cumple con holgura o exceso, su variable dual asociada es 0: al no ser activa
la restricción, los incrementos del término independiente no afectarán al valor del óptimo.

2. Si una restricción se cumple con el signo de igualdad, su variable dual asociada puede ser dife-
rente de 0: al ser la restricción activa, cabrá esperar que el óptimo, y en consecuencia el valor de
la función objetivo, varíen al modificar el valor de su término independiente.

Este resultado es el teorema de la holgura complementaria, que puede expresarse como sigue:

(u*)’ · ( A· x* - b ) = 0

El primer término representa la solución óptima del dual, y el segundo la holgura de las restricciones
en el óptimo. Se pretende expresar, de esta manera, que para cada una de las restricciones al menos
uno de los dos términos ha de ser cero. El siguiente ejemplo muestra también cómo se cumple la hol-
gura complementaria.


Ejemplo 2.4.1 Solución problema de reparto mediante programa informático

Un taller mecánico puede fabricar dos tipos de productos, P1 y P2. El beneficio unitario obtenido es de
20 y 60, respectivamente. Para fabricar estos dos productos dispone de dos recursos, horas hombre
(HH) y horas máquina (HM). En lo que respecta a las horas hombre, dispone de 2.700, y fabricar una
unidad de P1 consume 30 HH. En cuanto a las HM, sabemos que dispone de 850, y que fabricar una uni-
dad de P1 consume 5 HM, y una de P2 10 HM. Además, las condiciones contractuales le obligan a
fabricar un mínimo de 95 unidades, sean de P1 o de P2.

Para maximizar el beneficio, puede plantearse el siguiente modelo, en el que P1 y P2 es la cantidad a
producir en el óptimo de cada producto. Deben plantearse tres restricciones:

a) Una restricción HH que limita a 2.700 el número de HM.

b) Una restricción HM que limita a 850 el número de HH.
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


61
c) Una última restricción PM que impone un número mínimo de 95 unidades, entre P1 y P2.

El modelo, introducido en el programa LINDO, es:

MAX 20P1 + 60P2
ST
HH) 30P1 + 20P2 < 2700
HM) 5P1 + 10P2 < 850
PM) P1 + P2 > 95
END

Una vez ejecutado el programa, se obtiene la siguiente solución:

ÓPTIMO OBTENIDO EN EL PASO 2

VALOR FUNCIÓN OBJECTIVO

1) 4900.000

VARIABLE VALOR COSTE REDUCIDO
P1 20.000000 0.000000
P2 75.000000 0.000000


FILA HOLGURA O MARGEN VARIABLES DUALES
HH) 600.000000 0.000000
HM) 0.000000 8.000000
PM) 0.000000 -20.000000

NO. ITERACIONES= 2

El programa nos da el valor de la variable dual para cada restricción (en rojo). El dual de este modelo
es:

[MIN] w =2700HH + 850HM + 95PM
30HH + 5HM + PM ≥ 20
20HH + 10HM + PM ≥ 60
HH, HM ≥ 0
PM ≤ 0

La interpretación que cabe hacer del resultado es:

HH = 0:
Esta variable muestra que, si aumentamos el número de HH, no se obtiene beneficio adicional.
Este resultado concuerda con el hecho de que tenemos una holgura de 600 en HH (en azul): el
efecto de añadir HH será el de aumentar dicha holgura, sin que el óptimo ni el valor de la función
objetivo se vean afectados.

HM = 8:
Aumentar las horas máquina supone (mientras se mantenga la base óptima) aumentar el benefi-
cio, a razón de 8 unidades por cada HM adicional. Dado que estamos variando el término inde-
pendiente, el óptimo se modificará (y el valor de la función objetivo) si variamos el número
máximo de HH.
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


62
PM = – 20:
Dado que el primal es un programa de máximo, y la restricción de número mínimo es de mayor o
igual, la variable PM debe ser no positiva. Esta variable muestra que la empresa puede obtener un
gran rendimiento de reducir la cantidad máxima. En los límites de la base óptima actual, reducir
la cantidad máxima en una unidad supone aumentar en 20 la función objetivo. Ello se debe a que,
liberado de producir una cantidad mínima, la empresa puede dejar de producir P1 para producir
más cantidad del más rentable P2.

Estas interpretaciones son válidas para los intervalos de valores de los términos independientes para
los que se mantiene la base óptima, que son suministrados por el propio programa:

RANGOS PARA LOS QUE NO CAMBIA LA BASE:

RANGOS TÉRMINOS INDEPENDIENTES
FILA VALOR INCREMENT0 DECREMENT0
ACTUAL PERMITIDO PERMITIDO
HH 2700.000000 INFINITO 600.000000
HM 850.000000 100.000000 300.000000
PM 95.000000 15.000000 10.000000

Para este contexto observamos que los resultados son válidos:

1. Para un incremento ilimitado de las HH

2. Para un incremento de hasta 100 HM

3. Para un decremento de hasta 10 unidades máximas a fabricar

Una vez rebasados estos valores, la base óptima cambia y debe rehacerse el análisis con los nuevos
valores.


3.2.5 Características de las soluciones del dual y del primal

Asimismo, existen algunas propiedades de interés a cerca de las soluciones del primal y del dual:

a) Si el primal tiene solución óptima acotada x*, el dual también tendrá solución óptima acotada u*.
Ambas soluciones darán el mismo valor de la función objetivo:

c’· x* = b’ · u*

b) Si uno de los dos problemas tiene óptimo no acotado, el otro no tendrá solución ( la región facti-
ble será un conjunto vacío).

c) Si uno de los dos problemas no tiene solución, el otro puede tener óptimo no acotado, o no tener
tampoco solución.

Dichas relaciones se muestran en el siguiente esquema:


© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


63
PRIMAL DUAL


3.3 Análisis de sensibilidad

El análisis de sensibilidad es una herramienta especialmente útil cuando no tenemos una certeza abso-
luta sobre los valores que se han dado a los términos independientes de las restricciones (en muchas
ocasiones asociados a la limitación de los recursos) o los coeficientes de la función objetivo (coefi-
cientes de coste). Para estos casos el análisis de sensibilidad consiste en estudiar cómo evoluciona el
óptimo y el valor de la función objetivo en el óptimo ante variaciones de dichos términos independien-
tes y coeficientes.

El análisis de sensibilidad propiamente dicho estudia los intervalos para los cuales la modificación de
un valor (coeficiente de la función objetivo o término independiente) en el programa lineal, de forma
individualizada, no cambia las variables que componen la base de nuestra solución. Hallando, para el
rango de valores definido en el intervalo, la evolución de la función objetivo (expresado a través de los
precios sombra).

Por otro lado, el análisis paramétrico, que no es más que un análisis de sensibilidad en profundidad de
los términos independientes de las restricciones, estudia las variaciones de la solución óptima más allá
de la solución obtenida con los valores iniciales de los parámetros. Se consideran todos los valores
posibles del término independiente, desde -∞ a +∞, analizando las variables que entran y salen de la
base (cambios de base), así como la evolución de los precios sombra.

Ciertamente, el análisis de sensibilidad puede ir más allá que un estudio sobre la evolución de los coe-
ficientes de la función objetivo o de los términos independientes, por ejemplo, el estudio de los coefi-
cientes tecnológicos de la matriz A. No obstante la aplicación que este hecho representa es menos
habitual, pues suele ser un dato bastante fiable. Posiblemente por este motivo no sea habitual encon-
trarlo implementado en los módulos de programas informáticos.

Otros aspectos tenidos en cuenta en la bibliografía más clásica sobre análisis de sensibilidad son la
introducción de nuevas variables o de nuevas restricciones, situación que se vuelve trivial cuando el
programa lineal se resuelve informáticamente, pues sólo hay que insertarlas y volver a ejecutar la apli-
cación.


3.3.1 Análisis de sensibilidad: resolución gráfica

Para ilustrar de forma clara y sencilla en qué consiste el análisis de sensibilidad, utilizaremos nueva-
mente la metodología gráfica de resolución con el ejemplo de dos variables de la granja.
Óptimo
propio
Sin
soluciones
Óptimo
impropio
Óptimo
propio
Sin soluciones
Óptimo
impropio
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


64
Ejemplo 3.1.1 Problema de la granja

Recordemos que el modelo inicial del problema de la granja era:

[MAX]z = 50CEB + 80LEC

sujeto a:

4CEB + 8LEC ≤ 720 (1)
CEB + LEC ≤ 110 (2)
CEB ≤ 80 (3)

CEB, LEC ≥ 0

Las 3 restricciones de este modelo nos definen una región factible (o dominio) en el plano CEB/LEC donde
se encuentran las infinitas soluciones factibles. Gráficamente lo representaremos por la siguiente figura:




Por otro lado, sabemos identificar las soluciones factibles en los vértices (A, B, C, D y O), una de las
cuales será la solución óptima.

Finalmente, existiría un segundo plano, perpendicular al del papel, y que representaría el plano de la
función objetivo. El punto óptimo será aquel de la región factible que esté a mayor distancia (puesto que
la función es de maximización) entre el plano de la región factible y el plano de la función objetivo.

Dado que tenemos resuelto el programa lineal, veamos que la tabla símplex nos da la solución en el punto:


Base Coefic. Valor
(RHS)
50
CEB
80
LEC
0
H3
0
H2
0
H1
H3 0 40 0 0 1 -2 0.25
CEB 50 40 1 0 0 2 -0.25
LEC 80 70 0 1 0 -1 0.25
7600 0 0 0 -20 -7.5


CEB* = 40
LEC* = 70
H3* = 40
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


65
Para cuyo valor de la función objetivo es máximo en la región factible y toma un valor de beneficio de 7600.

Gráficamente, este hecho significa que el punto óptimo se encuentra en la intersección de las restric-
ciones (1) y (2), concretamente es la solución factible en el vértice que hemos denominado B. Presen-
tando una holgura respecto a la restricción (3) de H3 = 40.

El objeto de este ejemplo es ir más allá de lo estudiado hasta ahora, adentrándonos en el mundo de las
hipótesis y la sensibilidad que presenta el óptimo frente a ellas. Empezaremos con hipótesis referentes
a los términos independientes de las restricciones:


Cambios en el término independiente de las restricciones

Lo primero que deberíamos notar es que dos de las restricciones son activas –las rectas (1) y (2)–
mientras que la (3) es NO activa, es decir, tiene holgura. El hecho de que una restricción sea activa
tiene ciertas implicaciones, puesto que indica que el recurso asociado a dicha restricción será escaso y
nos limita un incremento de la función objetivo. Como se ha visto anteriormente, las restricciones
activas tendrán un precio sombra diferente de cero. Esto significa que estaríamos dispuestos a negociar
un incremento unitario del recurso a un precio inferior al precio sombra (valor que aumenta la función
objetivo por el aumento unitario del recurso). En este caso, los precios sombra son positivos: si
aumentamos las horas de trabajo o la superficie cultivable, aumentaremos el beneficio.

Por el contrario, una restricción NO activa está asociada a un recurso NO escaso, del cual tenemos
disponibilidad a un nivel de producción óptimo; por tanto, será fácil concluir que su precio sombra
asociado será nulo. Al tener holgura en dicho recurso no estaremos dispuestos a pagar ningún precio
por un incremento unitario del recurso y un incremento o decremento “pequeño” de su disponibilidad
(más adelante veremos los límites para los que es válido este análisis) no afectará al valor de la fun-
ción objetivo en el óptimo.

Lo expuesto hasta ahora lo trasladaremos a la exposición gráfica: un cambio en el término indepen-
diente de una restricción implica que la restricción se moverá paralelamente a su posición actual.

En el caso de la granja, un incremento en el valor del término independiente de una restricción implica
que dicha restricción se desplazará hacia el exterior de la región factible ampliando el área de la región
factible; consecuentemente, el óptimo se verá desplazado si la restricción es activa, tal y como muestra
el gráfico siguiente:


© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


66
El caso de la recta (4) equivale a la frontera CEB + LEC = 120, mientras que el de la recta (5) equival-
dría a la frontera CEB + LEC = 90. Recordemos que el valor actual es CEB + LEC = 110.

Un hipotético aumento o reducción de los recursos disponibles, en este caso de las hectáreas de terreno
para cultivar, deforma la región factible, desplazando el óptimo si la restricción estudiada es activa. El
desplazamiento del óptimo implica, así mismo, una variación del valor de la función objetivo resultado
de multiplicar el precio sombra de la restricción por el incremento del término independiente. En nues-
tro ejemplo sabemos que el precio sombra de la restricción (2) asociada al área tiene un valor de 20;
por tanto, si aumentáramos nuestra área de cultivo de 110 a 120 Ha, nuestra función objetivo aumen-
taría en 20*10=200 unidades, pasando de un beneficio de 7600 a uno de 7800. Si, por el contrario,
nuestra área de cultivo fuera de 90 Ha, la variación sería en sentido opuesto 20*(-20)=400, pasando el
beneficio de 7600 a 7200.

No obstante, este incremento no se mantendrá indefinidamente. Es fácil comprender que si tuviéramos
un terreno ilimitado nuestro beneficio no sería infinito, puesto que muy posiblemente la limitación de
otros recursos (mano de obra disponible o cuota de hectáreas de cebada) nos limitarían la producción.
Este último hecho está asociado a que las condiciones que configuran nuestra solución (la base) habrá
cambiado.

El análisis de sensibilidad resultará interesante, porque nos indicará el rango de valores para cada tér-
mino independiente de modo que no se modifique la base de la solución óptima (es decir, el óptimo se
encuentre en la intersección de las mismas restricciones), manteniéndose además, para el citado rango
de valores del término independiente, el valor del precio sombra de la restricción.

Es importante recordar que, como consecuencia de un desplazamiento de una restricción activa, se
modificarán tanto el valor de las variables de decisión de la base como el valor de la función obje-
tivo.


Cambios en los coeficientes de coste

Los cambios en los coeficientes de la función objetivo provocan un cambio en la inclinación del plano
oblicuo descrito por la función objetivo.

Intentaremos representar la función objetivo sobre el plano CEB/LEC como la proyección sobre el
plano CEB/LEC de la recta de intersección entre el plano definido por la función objetivo y un plano
paralelo al plano CEB/LEC situado a una altura Z* (valor de la función objetivo en el óptimo). Esta
recta proyectada sobre el plano CEB/LEC pasará por el punto de la solución factible en el vértice óp-
tima y definirá una dirección perpendicular a la dirección de máximo crecimiento de la función objeti-
vo (o lo que es lo mismo, dicha recta muestra una dirección de crecimiento nulo de la función ob-
jetivo).

La siguiente figura nos muestra las proyecciones de las rectas de intersección entre planos paralelos al
plano CEB/LEC a alturas de 4000 (4), 7600 (5) y 9600 (6) con el plano de la función objetivo. Se pue-
de observar que la recta de intersección situada a una altura de 7600 pasa por el vértice de la región
factible que es óptimo.
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


67


Si modificamos los coeficientes de la función objetivo, cambiará la dirección de máximo crecimiento
y, por tanto, cambiará también la pendiente de la recta proyectada, tal y como se muestra en la siguien-
te figura:




En el gráfico presentado se ha ido modificando el valor del coeficiente asociado a la variable CEB.

Recordemos que la expresión original de la función objetivo era:

[MAX]Z = 50· CEB + 80· LEC , proyección que coincide con la recta (4) y cuya intersección se situaba
a una distancia (altura, valor de la función objetivo) de 7600 respecto al eje FO.

En las rectas sucesivas hemos aumentado el coeficiente de CEB, resultando la función objetivo con la
siguiente expresión:

(5) [MAX]Z = 60· CEB + 80· LEC intersección a distancia 8000
(6) [MAX]Z = 80· CEB + 80· LEC intersección a distancia 8800
(7) [MAX]Z = 100· CEB + 80· LEC intersección a distancia 10400

Queda claro, pues, que el hecho de aumentar el beneficio por hectárea de cebada conlleva un aumento
en el beneficio total (como era de esperar).
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


68
No obstante, cuando el coeficiente de CEB toma un valor de 80 sucede un hecho destacable: la pro-
yección de la recta intersección tiene una dirección paralela a la restricción (2), lo que implica que el
óptimo no se encontrará sólo sobre el vértice B, sino que se encontrará sobre el vértice B, sobre el C, y
sobre los infinitos puntos que configuran la arista de unión BC, obteniéndose un óptimo múltiple. Si
llegados a este punto, aumentáramos un infinitésimo el coeficiente de CEB, nos encontraríamos con
un cambio de base y el óptimo pasaría de ubicarse en el vértice B a ubicarse en el vértice C; este hecho
sucede en el caso (7) donde la solución no es B sino C (80,30).

Lo que estudia el análisis de sensibilidad de los coeficientes de coste es precisamente dónde se en-
cuentra el límite superior e inferior de cada coeficiente para que el óptimo se mantenga en el mismo
vértice (solución) que en el programa original, sabiendo que en el límite (superior e inferior) el óptimo
será múltiple.

Cabe recordar que a pesar de que el valor de las variables de decisión de la solución óptima no cam-
bia puesto que no cambia la solución (ni se deforma la región factible), el valor de la FO en la solu-
ción cambia al modificarse el valor de sus coeficientes.


Análisis paramétrico

El análisis paramétrico se aplica cuando la variación que sufre el término independiente de una restric-
ción traspasa los límites de los valores para los cuales se mantiene la base.

El análisis paramétrico tiene en cuenta una serie de intervalos sucesivos en la evolución del término
independiente desde –∞ a +∞. En cada uno de estos intervalos existirá una base (vértice) que indicará
cuál es la solución óptima para el intervalo, cuáles son los precios sombra (que se mantendrán) para
las restricciones activas en el intervalo y cuál es el valor de la función objetivo en el límite superior e
inferior del intervalo. Pudiéndose calcular su valor para el resto de puntos intermedios multiplicando
el incremento respecto al límite por el valor del precio sombra.

Estudiemos gráficamente qué implica rebasar los límites del intervalo de mantenimiento de la base pa-
ra el análisis de sensibilidad, y para lo cual será necesario un análisis paramétrico.

Si observamos la siguiente figura, podremos notar que la restricción (2) ha superado los límites del
análisis de sensibilidad, superior en el caso de (7) e inferior en el caso de (6).



© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


69
En el caso que la restricción (2) tome la forma:

CEB + LEC ≤ 60 (6)

la región factible habría quedado reducida al área interior al triángulo definido por CEB = 0, LEC = 0
y CEB + LEC = 60. El límite de terreno disponible para cultivar sería mucho más restrictivo que las
horas de mano de obra disponible o el límite de cultivar 80 hectáreas de cebada, y los vértices de la
región factible serían los tres vértices del triángulo. Si los coeficientes de la función objetivo son 50 y
80 para la cebada y la lechuga respectivamente, está claro que cultivaríamos las 60 Ha de nuestro te-
rreno exclusivamente con lechuga.

Por otro lado, si lo que sucediera es que el término independiente de la restricción (2) excede su valor
del análisis de sensibilidad, como ocurre en el caso de (7):

CEB + LEC ≤ 160 (7)

En este caso, la región factible sería el espacio contenido dentro de las restricciones (1) y (3) –se pue-
de avanzar que el punto óptimo sería el vértice de intersección entre (1) y (3)–. La restricción (2) no
sería activa y en consecuencia tendría un precio sombra nulo.

Puede observarse, por lo tanto, que el análisis paramétrico requiere de un conocimiento mucho más
profundo del problema y de la modelización que el análisis de sensibilidad, y que en cada análisis
solamente podrá tenerse en cuenta una restricción, dejando el resto de condiciones invariables.


3.3.2 Análisis de sensibilidad mediante programas informáticos

Los programas informáticos que resuelven modelos de programación lineal, como el LINDO, suelen
incorporar la posibilidad de realizar el análisis de sensibilidad de los coeficientes de coste c y de los
términos independientes de las restricciones b. El resultado de este análisis es el intervalo de valores
de estos parámetros para el que se mantiene la base. En el ejemplo siguiente (que corresponde al pro-
blema resuelto 4.1) vemos cómo muestra el programa LINDO los resultados del análisis de sensibili-
dad.


Ejemplo 3.2.1 Análisis de sensibilidad con el programa LINDO

A continuación presentaremos los resultados de la resolución mediante el programa LINDO del mode-
lo lineal:

MAX 20P1 + 60P2
ST
HH) 30P1 + 20P2 < 2700
HM) 5P1 + 10P2 < 850
PM) P1 + P2 > 95
END

La primera parte corresponde a la resolución del modelo (cuya interpretación ya se analizó en el tema
anterior):

LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE

1) 4900.000
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


70
VARIABLE VALUE REDUCED COST
P1 20.000000 0.000000
P2 75.000000 0.000000


ROW SLACK OR SURPLUS DUAL PRICES
HH) 600.000000 0.000000
HM) 0.000000 8.000000
PM) 0.000000 -20.000000

NO. ITERATIONS= 2

Ahora, sin embargo, podemos interpretar totalmente los resultados. La columna dual prices muestra el
valor de las variables duales asociadas a las restricciones en el óptimo. En el caso del programa LIN-
DO, es importante saber que cuando analizamos un modelo de mínimo el programa nos da el valor de
las variables duales cambiadas de signo.

Si al resolver el modelo, respondemos sí (yes) a la pregunta DO (RANGE) SENSITIVITY ANALY-
SIS?, obtenemos el siguiente listado:

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
P1 20.000000 10.000000 INFINITY
P2 60.000000 INFINITY 20.000000

RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
HH 2700.000000 INFINITY 600.000000
HM 850.000000 100.000000 300.000000
PM 95.000000 15.000000 10.000000

El programa nos suministra los rangos para los que la base no varía (RANGES IN WHICH THE BA-
SIS IS UNCHANGED):

a) Los coeficientes de la función objetivo (OBJ COEFFICIENT RANGES) de cada una de las va-
riables.

b) Los términos independientes, que el programa llama valores del lado derecho (RIGHTHAND
SIDE RANGES) de cada una de las restricciones.

Para cada uno de estos parámetros, el listado suministra el valor original del modelo (CURRENT CO-
EF para los coeficientes de coste y CURRENT RHS para los términos independientes), y los incre-
mentos máximo (ALLOWABLE INCREASE) y mínimo (ALLOWABLE DECREASE) para los que
se mantiene la base.

Por ejemplo, los valores del término independiente de la restricción HM para los que no cambia la base son:

[850 – 300, 850 + 100]
[550, 950]

Y el rango de valores del coeficiente de coste de la variable P2 para el que no cambia la base es:
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


71
[60 – 20, 60 + ∞]
[40, ∞]

Como hemos visto anteriormente, esto no significa que el valor de las variables en el óptimo y el valor
de la función objetivo sea el mismo. Recordemos que en el caso de variaciones de c el valor de las
variables no varía, pero sí la función objetivo. Cuando variamos b, cambian los valores de las varia-
bles de decisión (aunque las no básicas siguen valiendo cero), y en consecuencia también el valor de la
función objetivo.


3.4 Ejercicios resueltos

Seguidamente se muestra un ejemplo de análisis de sensibilidad e interpretación de variables duales como
precios sombra en un problema sencillo de dos variables (el lector puede realizar el análisis de sensibili-
dad gráficamente). Ya se había utilizado este mismo modelo en los ejemplos 2.4.1 y 3.2.1, para introducir
la dualidad y el análisis de sensibilidad en programas informáticos. Ahora se muestra cómo responder a
preguntas relacionadas con la naturaleza del modelo usando dualidad y análisis de sensibilidad.


3.4.1 Taller mecánico

Un taller mecánico puede fabricar dos tipos de productos, P1 y P2. El beneficio unitario obtenido con
cada producto es de 20 y 60, respectivamente. Para fabricar estos dos productos, dispone de dos recur-
sos, horas hombre (HH) y horas máquina (HM). En lo que respecta a las HH, dispone de 2.700, y fa-
bricar una unidad de P1 consume 30 HH, y una de P2 20 HH. Dispone de 850 HM, y sabemos que
fabricar una unidad de P1 consume 5 HM, y una de P2 10 HM. Además, las condiciones contractuales
le obligan a fabricar un mínimo de 95 unidades, sea de P1 o de P2. Para maximizar el beneficio, el jefe
del taller mecánico ha elaborado el siguiente modelo:

MAX 20P1 + 60P2
ST
HH) 30P1 + 20P2 < 2700
HM) 5P1 + 10P2 < 850
PM) P1 + P2 > 95
END

Una vez resuelto este modelo con un programa informático, se han obtenido los siguientes resultados:

ÓPTIMO OBTENIDO EN EL PASO 2

VALOR FUNCIÓN OBJECTIVO

1) 4900.000

VARIABLE VALOR COSTE REDUCIDO
P1 20.000000 0.000000
P2 75.000000 0.000000


FILA HOLGURA O EXCESO VARIABLES DUALES
HH) 600.000000 0.000000
HM) 0.000000 8.000000
PM) 0.000000 -20.000000

NO. ITERACIONES= 2
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


72
RANGOS PARA LOS QUE NO CAMBIA LA BASE:

RANGOS COEFICIENTES DE COSTE
VARIABLE COEF INCREMENTO DECREMENTO
ACTUAL PERMITIDO PERMITIDO
P1 20.000000 10.000000 INFINITO
P2 60.000000 INFINITO 20.000000

RANGS TERMES INDEPENDENTS
FILA TÉRMINO INCREMENTO DECREMENTO
ACTUAL PERMITIDO PERMITIDO
HH 2700.000000 INFINITO 600.000000
HM 850.000000 100.000000 300.000000
PM 95.000000 15.000000 10.000000

Aunque hemos traducido los resultados del modelo, el encargado no entiende nada, y le ha pedido que
analice los resultados. En la práctica, desea que les responda a las siguientes preguntas:

a) Escriba el dual del modelo original, indicando el sentido de las variables duales en cada caso.

b) Escriba el modelo original en forma estándar, con las variables de holgura y exceso de las restric-
ciones. ¿Qué variables forman la base en el óptimo?

c) ¿Qué beneficio adicional se obtiene al contratar una hora más de trabajo? Justifique brevemente
su respuesta a partir de los resultados indicados.

d) Si el beneficio obtenido con P2 pasa de 60 a 50, ¿el óptimo cambia? ¿Y el valor de la función
objetivo? Razone brevemente su respuesta.

e) El cliente está dispuesto a negociar la cantidad mínima a suministrar de producto. ¿Vale la pena?
Si es así, ¿propondría aumentar o disminuir la cantidad mínima? ¿Qué precio estaría dispuesto a
pagar por aumentar (o disminuir) esta cantidad mínima? ¿Hasta qué valor estaría dispuesto a au-
mentar (o disminuir) esta cantidad?


Solución

a) Escriba el dual del modelo original, indicando el sentido de las variables duales en cada caso.

MIN 2700HH + 850HM + 95PM
30HH + 5HM + PM ≥ 20
20HH + 10HM + PM ≥ 60
HH, HM ≥ 0
PM ≤ 0

HH, HM y PM representan el incremento del beneficio por incremento de horas hombre, horas má-
quina y producción máxima, respectivamente.

b) Escriba el modelo original en forma estándar, con las variables de holgura y exceso de las restric-
ciones. ¿Qué variables forman la base en el óptimo?

Esta es la forma estándar del modelo. H(xx) representan variables de holgura, y E(xx) representan
variables de exceso de la restricción xx.

MAX 20P1 + 60P2
© Los autores, 2002; © Edicions UPC, 2002.
Dualidad y análisis de sensibilidad en programación lineal


73
HH) 30P1 + 20P2 + H(HH) = 2700
HM) 5P1 + 10P2 + H(HM) = 850
PM) P1 + P2 + E(PM) = 95
P1, P2, H(HH), H(HM), E(PM) ≥ 0

Del examen de la solución óptima, encontramos que las variables básicas son P1, P2 y H(HH). El nú-
mero de variables básicas es igual al de restricciones.

c) ¿Qué beneficio adicional se obtiene al contratar una hora más de trabajo? Justifique brevemente
su respuesta a partir de los resultados indicados.

No se obtiene ningún beneficio adicional. Puede verse por el hecho de que H(HH) = 600 (es decir,
sobran 600 horas de trabajo), y por el hecho de que la variable dual asociada a la restricción HH es
igual a cero.

d) Si el beneficio obtenido con P2 pasa de 60 a 50, ¿el óptimo cambia? ¿Y el valor de la función
objetivo? Razone brevemente su respuesta.

Si observamos en la solución del programa informático los rangos de valores para los que no cambia
la base, encontramos que el beneficio por unidad de P2 (coeficiente de coste de P2 en la función obje-
tivo) puede bajar hasta 40 sin que cambie la base. Sabemos que, en estas condiciones, no cambia el
valor del óptimo, que continúa siendo P1 = 20, y P2 = 75. En cuanto al valor de la función objetivo,
como para cada unidad de P2 tenemos una disminución del beneficio de 10, el valor de esta función
disminuye en 10· 75 = 750. Entonces el beneficio total ha sido de 4.900 – 750 = 4.150.

e) El cliente está dispuesto a negociar la cantidad mínima a suministrar de producto. ¿Vale la pena?
Si es así, ¿propondría aumentar o disminuir la cantidad mínima? ¿Qué precio estaría dispuesto a
pagar por aumentar (o disminuir) esta cantidad mínima? ¿Hasta qué valor estaría dispuesto a au-
mentar (o disminuir) esta cantidad?

La variable dual de la restricción PM vale –20. Esto significa que, si podemos, hemos de intentar
disminuir esta cantidad mínima. De hecho, podemos estar dispuestos a pagar hasta 20 um por unidad
que disminuye esta cantidad mínima. El valor máximo con que puede bajarse esta cantidad sin que
cambie la base es 10, tal como puede verse en los rangos de valores de los términos independientes
del análisis de sensibilidad. Esto significa que, por debajo de 95 – 10 = 85, la restricción PM no es
activa, y no vale la pena pagar por variarla.



3.5 Glosario de términos


Análisis de sensibilidad

Estudio de las variaciones que se producen en la solución de un modelo lineal cuando varían los pará-
metros de dicho modelo. El análisis de sensibilidad más usual se realiza para variaciones de los coefi-
cientes de coste c y los términos independientes b. También es posible analizar el impacto de varia-
ciones de los coeficientes tecnológicos de la matriz A, y el efecto de añadir nuevas variables y nuevas
restricciones.


Base, cambio de

Cuando alguno de los parámetros varíe fuera de los intervalos obtenidos por análisis de sensibilidad,
tendremos un cambio de base. En resolución gráfica, esto supone que la solución se encuentra en un
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I


74
vértice diferente al de la solución original. En general, implica que las variables básicas son diferentes
de dicha solución original.


Dual de un programa lineal

Es otro programa lineal, que puede obtenerse a partir de un conjunto de reglas, cuya solución u es el
valor de los precios sombra de las restricciones del programa original. La correspondencia es biunívo-
ca: el dual del dual es el primal.


Holgura complementaria, teorema de la

Teorema que enuncia que el precio sombra de una restricción que no se cumple con el signo igual
(esto es, cuya variable de holgura o exceso es diferente de cero) es igual a cero.


Precio sombra

El precio sombra de una restricción es el incremento de la función objetivo por unidad de incremento
del término independiente de la restricción, dentro del rango de valores del término independiente que
nos suministra el análisis de sensibilidad. El precio sombra puede ser negativo (la función objetivo
disminuye al aumentar el término independiente) positivo (la función objetivo aumenta) o nulo (para
las restricciones que se cumplan con holgura o exceso no nulos).


Primal

Es el problema original del que se obtiene el programa dual. A su vez, es el dual de dicho dual.


Rangos de valores

Intervalos de valores de los coeficientes de coste y términos independientes para los que no varía la
base óptima en un modelo lineal. Es el resultado del análisis de sensibilidad obtenido por programas
informáticos.
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


75










4 El problema del transporte


4.1 El problema del transporte: formulación general

El llamado problema del transporte es un caso particular de programación lineal, que puede formularse
del modo siguiente:

Dados m orígenes de recursos y n destinos de esos recursos, determinar cómo deben distri-
buirse los recursos desde los i = 1,...,m orígenes hasta los j = 1,...,n destinos para minimizar
los costes totales de distribución.

Las variables de decisión de este problema se definirán como:

x
ij
: cantidad de recurso que se transporta desde el origen i hasta el destino j.

El problema tendrá entonces m×n variables de decisión.

Los parámetros del problema serán:

o
i
= cantidad de recursos en el origen i i = 1,...,m
d
ij
= necesidad de recursos en el destino j j = 1,...,n
c
ij
= coste de enviar una unidad de recurso de un origen i a un destino j

Así, podemos representar gráficamente el problema del transporte del modo siguiente:


o
1
o
2
o
3






d
1
d
2
d
3
d
4


Figura 1.a Problema del transporte


Este problema puede formularse como problema lineal de la siguiente forma:



[MIN]
∑∑
= =
⋅ =
m
i
n
j
ij ij
x c z
1 1

s.a.:

=
=
n
j
i ij
o x
1
i = 1,…,m restricciones origen
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

76

j
m
i
ij
d x =

=1
j = 1,...,n restricciones destino
x
ij
≥ 0


El problema tiene entonces m×n variables de decisión y m + n restricciones. Para un número de oríge-
nes y destinos relativamente reducido, el problema es bastante voluminoso. Por ejemplo, para m = 3 y
n = 4 tenemos 12 variables de decisión y 7 restricciones. Sin embargo, la estructura bien definida del
problema hace que éste tenga propiedades que permiten resolverlo mediante procedimientos más efi-
cientes que el método símplex.

En este tema, presentaremos en primer lugar las propiedades del problema del transporte y a continua-
ción un procedimientos de resolución específico. El procedimiento tiene dos etapas:

1. Determinación de una solución inicial, lo más cercana al óptimo que sea posible.

2. La determinación de la solución óptima, siguiendo la misma estrategia que en el método símplex,
pero con procedimientos más sencillos que la inversión de la matriz básica.


4.2 Propiedades del problema del transporte

La primera propiedad de interés del problema del transporte es la propiedad de soluciones enteras, que
se enuncia:

En aquellos problemas en que o
i
y d
j
sean enteros, las variables de decisión x
ij
tienen valores
enteros para cualquier solución básica, incluida la solución óptima.

Si las condiciones de una situación que puede modelizarse mediante problema de transporte exigen
que las variables de decisión sean enteras y los recursos en los orígenes y las demandas en los destinos
son valores enteros, no necesitamos añadir al modelo la condición de que las variables sean enteras,
puesto que la solución óptima será entera con toda seguridad.

Otra propiedad importante es la relativa a la existencia de solución. Las condiciones en que podemos
estar seguros de que el problema tendrá solución se enuncian en la propiedad de soluciones factibles:

La condición necesaria y suficiente para que un problema de transporte tenga solución es que éste sea
un problema del transporte equilibrado: las cantidades disponibles en los orígenes debe ser igual a las
cantidades demandadas en los destinos.

La condición de problema del transporte equilibrado puede enunciarse en términos de los parámetros
del problema del siguiente modo:


∑ ∑
= =
=
n
j
j
m
i
i
d o
1 1



Una condición para que el problema pueda resolverse mediante el procedimiento del transporte es que
dicho problema debe estar equilibrado. Podemos modificar un problema del transporte cualquiera para
que esté equilibrado añadiendo orígenes y destinos ficticios.

Para el caso:
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


77

∑ ∑
= =
>
n
j
j
m
i
i
d o
1 1



las disponibilidades de recursos en los orígenes es mayor que la demanda en los destinos. Por lo tanto,
no necesitamos transportar todos los recursos del origen al destino. Podemos equilibrar el problema
añadiendo un destino ficticio d
F
, de demanda:


∑ ∑
= =

n
j
j
m
i
i
d o
1 1



Las cantidades x
iF
que se obtengan en la solución serán las cantidades no transportadas desde los orí-
genes. Por lo tanto, su coste de transporte será nulo, y haremos c
iF
= 0.

La situación contraria, esto es:


∑ ∑
= =
<
n
j
j
m
i
i
d o
1 1



representa un problema que no tiene solución, dado que los recursos en los orígenes son inferiores a
las demandas en los destinos. Aunque, formalmente, el problema no tenga solución, sí podemos en-
contrar la forma de transportar el máximo posible de recursos del origen al destino. Podemos equili-
brar el problema así planteado creando un origen ficticio o
F
, que representará la demanda que no se ha
podido satisfacer en los destinos. La capacidad de dicho origen será:


∑ ∑
= =

m
i
i
n
j
j
o d
1 1



Las cantidades xFj que se obtengan en la solución representarán la demanda que no se ha podido cu-
brir en el destino j. Dado que se desea minimizar la cantidad no servida, haremos los coeficientes aso-
ciados al destino iguales a un número muy grande M: c
Fj
=M.

El problema de la figura (del se adjunta la tabla de costes de transporte del destino i al origen j) está
desequilibrado debido a que las cantidades ofertadas en el origen superan a las demandas de los desti-
nos.


O
1
=100 O
2
=200 O
3
= 150





D
A
= 160 D
B
=70 D
C
= 120 D
D
= 80

D
A
D
B
D
C
D
D

O
1
8 9 9 5 100
O
2
4 5 8 7 200
O
3
3 6 5 9 150
160 70 120 80

Figura 2.a Equilibrado del problema de transporte
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

78
Para que el problema esté equilibrado, debe añadirse un destino ficticio E, igual a la diferencia entre la
oferta total y la demanda total. En este caso, el valor del destino ficticio debe ser:

(100 + 200 + 150 ) – (160 + 70 + 120 + 80 ) = 450 – 430 = 20

De manera que el problema se transforma en:


O
1
= 100 O
2
= 200 O
3
= 150





D
A
= 160 D
B
=70 D
C
= 120 D
D
= 80 D
E
= 20

D
A
D
B
D
C
D
D
D
E

O
1
8 9 9 5 0 100
O
2
4 5 8 7 0 200
O
3
3 6 5 9 0 150
160 70 120 80 20


Formalmente, esto equivale a añadir variables de holgura a las restricciones originales asociadas a los
orígenes y a los destinos (con lo que se convierten en restricciones de igualdad), además de añadir una
nueva restricción (también de igualdad) para el destino ficticio.

Para el ejemplo, el conjunto de restricciones original era:

x
1A
+ x
1B
+ x
1C
+ x
1D
≤ 100
x
2A
+ x
2B
+ x
2C
+ x
2D
≤ 200
x
3A
+ x
3B
+ x
3C
+ x
3D
≤ 150
x
1A
+ x
2A
+ x
3A
= 160
x
1B
+ x
2B
+ x
3B
= 70
x
1C
+ x
2C
+ x
3C
= 120
x
1D
+ x
2D
+ x
3D
= 80

Y después de la introducción del destino ficticio, tenemos:

x
1A
+ x
1B
+ x
1C
+ x
1D
+ x
1E
= 100
x
2A
+ x
2B
+ x
2C
+ x
2D
+ x
2E
= 200
x
3A
+ x
3B
+ x
3C
+ x
3D
+ x
3E
= 150
x
1A
+ x
2A
+ x
3A
= 160
x
1B
+ x
2B
+ x
3B
= 70
x
1C
+ x
2C
+ x
3C
= 120
x
1D
+ x
2D
+ x
3D
= 80
x
1E
+ x
2E
+ x
3E
= 20


4.3 La tabla del transporte

Para un problema de transporte equilibrado, todas las restricciones son de igualdad; podemos escribir
una solución básica cualquiera del problema utilizando la tabla del transporte.

Se trata de una tabla m×n, en la que los orígenes son representados por las filas y los destinos por
las columnas, a la que se le añade una columna y una fila adicionales donde se escriben las ofertas
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


79
y las demandas totales, respectivamente. En la figura 1 se detalla la tabla de transporte para el
ejemplo 2.a:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1


100
4 5 8 7 0
O
2


200
3 6 5 9 0
O
3


150
160 70 120 80 20


Si queremos escribir una solución al problema, bastará con asignar valores a las variables de mo-
do que cumplan el conjunto de restricciones. En la tabla de transporte, escribiremos valores en
cada celda (i, j) asociada a la variable x
ij
, de modo que la suma de los valores de cada fila i sea
igual a la oferta disponible en el centro emisor i y los valores de las columnas j iguales a la de-
manda de cada centro receptor j. Para conocer el valor de la función objetivo para la solución así
obtenida, es útil escribir en cada celda su coeficiente de coste asociado. El valor de la función ob-
jetivo se obtiene entonces como la suma de los productos de los valores de la celda por su coefi-
ciente de coste.


Soluciones básicas para el problema del transporte

Como es sabido, el número de variables básicas de un programa lineal es igual al número de restric-
ciones linealmente independientes (rango de la matriz B). En un problema de transporte equilibrado,
una de las restricciones es una combinación lineal de las otras. En consecuencia, una solución básica
se caracterizará por tener un máximo de m+n–1 variables básicas. Por lo tanto, las posibles solucio-
nes óptimas tendrán un máximo de m+n–1 valores diferentes de cero, aunque en ocasiones podemos
tener alguna otra variable nula. La tabla de transporte siguiente muestra una solución básica para el
problema del transporte del ejemplo 2.a:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

70 30
100
4 5 8 7 0
O
2

160 20 20
200
3 6 5 9 0
O
3

120 30
150
160 70 120 80 20


Una propiedad interesante de las soluciones básicas de un problema de transporte es que, si unimos
con una recta las variables básicas en un problema de transporte, obtenemos un árbol, esto es, un grafo
conexo y sin ciclos. En la tabla se ha dibujado el árbol para esta solución básica.


4.4 Resolución del problema del transporte

Puede resolverse el problema del transporte mediante cualquier algoritmo de programación lineal. Sin
embargo, la estructura especial del problema permite diseñar algoritmos más eficientes, como el que
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

80
ahora se indica bajo la denominación de algoritmo del transporte. Dicho método se realiza en dos pa-
sos:

a) Encontrar una buena solución factible inicial.

b) Encontrar, por aproximaciones sucesivas, la solución óptima a partir de la solución factible ini-
cial.


4.4.1 Determinación de una (buena) solución factible inicial

Tenemos varias posibilidades de encontrar una solución inicial para un problema del transporte. Algu-
nos métodos son más laboriosos que otros, aunque los primeros aseguran, en casi todas las circunstan-
cias, una mejor solución. En cualquier caso, conviene recordar que cualquiera estos métodos no asegu-
ra encontrar el óptimo. Además, no nos dan un procedimiento para verificar si efectivamente hemos
encontrado el óptimo.

Los métodos de determinación de una solución inicial del problema del transporte que mostraremos en
esta sección son:

1. Método del rincón noroeste

2. Método de los mínimos costes

3. Método de la máxima ganancia


Método del rincón noroeste

Se trata de una metodología que nos permite encontrar una solución a partir de la esquina superior
izquierda de las filas o columnas no saturadas (esto es, que se les ha asignado una cantidad igual a la
oferta o demanda asociadas, respectivamente).

Formalmente, tenemos el algoritmo siguiente:


Paso 0 Se escoge x
11

Paso 1 Se asigna a la variable escogida un valor tal que satura una fila (origen) o una columna (des-
tino).

Paso 2 Si se ha retornado el origen, se escoge x
i,j+1
Si se ha retornado el destino, se escoge x
i+1,j

Paso 3; Si i = m y j = n ; finalizar
Si no, ir a Paso 1



Ejemplo 4.1.a Encontrar una solución inicial del problema del transporte del ejemplo 2.a mediante el
método del rincón noroeste.

Partimos de la tabla del transporte para el problema equilibrado:

© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


81
D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1


100
4 5 8 7 0
O
2


200
3 6 5 9 0
O
3


150
160 70 120 80 20


Comenzamos a saturar el rincón noroeste, asignando 100 a la celda (1,A). Esto satura la primera fila
(no podemos enviar nada más desde el primer origen). Para indicar que se ha saturado, se ha marcado
en negrilla el valor de la cantidad total asociada al centro emisor.


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2


200
3 6 5 9 0
O
3


150
160 70 120 80 20


Dado que la primera columna está saturada, ahora el rincón noroeste es (2,A). Sólo podemos asignarle
60, con lo que la primera columna queda también saturada:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2

60
200
3 6 5 9 0
O
3


150
160 70 120 80 20


Se va procediendo según el mismo sistema hasta que se encuentra una solución inicial. Para este pro-
blema, deberemos repetir el proceso 5 + 3 – 1 = 7 veces, que es la cantidad de variables básicas para
este problema:

Rincón noroeste: celda (2, A):


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2

60 70
200
3 6 5 9 0
O
3


150
160 70 120 80 20
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

82
Rincón noroeste: celda (2, C):


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2

60 70 70
200
3 6 5 9 0
O
3


150
160 70 120 80 20


Rincón noroeste: celda (3, C):


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2

60 70 70
200
3 6 5 9 0
O
3

50
150
160 70 120 80 20


Rincón noroeste: celda (3, D):


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2

60 70 70
200
3 6 5 9 0
O
3

50 80
150
160 70 120 80 20


Rincón noroeste: celda (3, E):


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

100
100
4 5 8 7 0
O
2

60 70 70
200
3 6 5 9 0
O
3

50 80 20
150
160 70 120 80 20


© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


83
Multiplicando cada celda por su coste, obtenemos el valor de la función objetivo, que es el coste de
transporte total:

COSTE = 100· 8 + 60· 4 + +70· 5 + 70· 8 + 50· 5 + 80· 9 + 20· 0 = 2.920


Método de mínimos costes

El método del rincón noroeste es un método sencillo para obtener una solución básica, pero no nos
garantiza que se trate de una buena solución, que economice el número de iteraciones a realizar en la
segunda etapa del algoritmo para llegar al óptimo. Ello se debe a que no hemos tenido en cuenta los
valores de los coeficientes de coste: bien pudiera ser que las variables básicas de esta solución estuvie-
ran afectadas de los costes más elevados.

Mediante el método de mínimos costes, escogemos como variable básica aquella afectada con el mí-
nimo coste que no corresponda a una columna o fila saturadas. De esta manera, al tener en cuenta los
costes, es de esperar obtener una solución inicial con un valor más pequeño de la función objetivo.


Ejemplo 4.1.b Encontrar una solución inicial del problema del transporte del ejemplo 2.a mediante el
método de mínimos costes.

Tenemos toda una columna con costes 0. Eligiendo una celda cualquiera de esa columna, por ejemplo
(1,E), tenemos:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

20
100
4 5 8 7 0
O
2


200
3 6 5 9 0
O
3


150
160 70 120 80 20


Ahora vamos saturando filas o columnas, escogiendo siempre aquella variable susceptible de ser bási-
ca (en columna o fila no saturada) con un coeficiente de coste menor:

Mínimos costes: celda (3, A). Queda saturada la fila 3:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

20
100
4 5 8 7 0
O
2


200
3 6 5 9 0
O
3

150
150
160 70 120 80 20


Mínimos costes: celda (2, A). Queda saturada la columna 1:

© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

84
D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

20
100
4 5 8 7 0
O
2

10
200
3 6 5 9 0
O
3

150
150
160 70 120 80 20


Ahora nos encontramos con un empate: las celdas (1,D) y (2,B) son las de coste mínimo. El algoritmo
no nos indica cuál de las dos es preferible, por lo que optaremos por la segunda:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

20
100
4 5 8 7 0
O
2

10 70
200
3 6 5 9 0
O
3

150
150
160 70 120 80 20


A continuación, escogeremos la otra celda de coste igual a 5:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

80 20
100
4 5 8 7 0
O
2

10 70
200
3 6 5 9 0
O
3

150
150
160 70 120 80 20


Nótese que esta última asignación ha saturado a la vez una fila y una columna. Cuando esto sucede y
no estamos en el último paso, tenemos una solución degenerada: debemos considerar saturada una sola
de las dos y asignar un valor de 0 a la otra en un paso posterior.


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

80 20
100
4 5 8 7 0
O
2

10 70 0
200
3 6 5 9 0
O
3

150
150
160 70 120 80 20


Ahora sólo podemos asignar valores a la celda (2, C):
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


85
D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

80 20
100
4 5 8 7 0
O
2

10 70 120 0
200
3 6 5 9 0
O
3

150
150
160 70 120 80 20


De modo que ahora se obtiene una nueva solución, con un coste considerablemente más bajo que en la
etapa anterior:

COSTE = 80· 5 + 20· 0 + 10· 4 + 70· 5 + 120· 8 + 7· 0 + 150· 3 = 2.200

La solución obtenida por el método de mínimos costes es mucho mejor que la obtenida por el método
del rincón noroeste en el ejemplo 4.1.a.


Método de Vogel (o de máxima ganancia)

Es un método basado en el concepto de ganancia. La ganancia para una fila o columna se define como:

ganancia = coste que sigue al mínimo – coste mínimo

La estrategia del método de Vogel consiste en ir asignando valores a las celdas de menor coste no
saturadas, de manera que de las posibles filas o columnas que puedan saturarse, lo haga la de
ganancia máxima. De esta manera, nos aseguramos de no saturar aquellas celdas con costes bajos
(pero superiores al mínimo) y tener que escoger celdas con un coste elevado en los siguientes pa-
sos. Ello se debe a que las filas o columnas con coeficientes de coste bajos, pero no mínimos, ten-
drán valores de ganancia reducidos. En cada una de las iteraciones deberemos recalcular las ga-
nancias.


Ejemplo 4.1.c Encontrar una solución inicial del problema del transporte del ejemplo 2.a mediante el
método de Vogel.

Seguidamente se procederá a obtener una solución inicial mediante este método para nuestro proble-
ma. En cada caso, la ganancia se escribe junto a la denominación del origen o destino.

Las ganancias más elevadas se encuentran en las filas, pero no podemos saturar ninguna de ellas. Por
lo tanto, saturaremos la columna de ganancia más elevada en la celda de coste mínimo:


1 D
A
1 D
B
3 D
C
2 D
D
0 D
E

8 9 9 5 0
5 O
1


100
4 5 8 7 0
4 O
2


200
3 6 5 9 0
3 O
3

120
150
160 70 120 80 20


© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

86
Ahora debemos recalcular las ganancias de las filas, dado que hemos eliminado la columna C. Dicha
columna no tiene ganancia, porque ya está saturada. La fila o columna de mayor ganancia que puede
saturarse es la columna D:


1 D
A
1 D
B
D
C
2 D
D
0 D
E

8 9 9 5 0
5 O
1

80
100
4 5 8 7 0
4 O
2


200
3 6 5 9 0
3 O
3

120
150
160 70 120 80 20


Ahora podemos saturar la primera fila, con ganancia 8. Obsérvese cómo se satura también la columna
E. Sin embargo, no la damos por saturada para tener una solución con n + m – 1 variables básicas,
alguna de las cuales será cero.


1 D
A
1 D
B
D
C
D
D
0 D
E

8 9 9 5 0
8 O
1

80 20
100
4 5 8 7 0
4 O
2


200
3 6 5 9 0
3 O
3

120
150
160 70 120 80 20


1 D
A
1 D
B
D
C
D
D
0 D
E

8 9 9 5 0
O
1

80 20
100
4 5 8 7 0
4 O
2


200
3 6 5 9 0
3 O
3

30 120
150
160 70 120 80 20


Ahora sólo podemos saturar las columnas, que carecen de ganancia (al quedar sólo una fila por saturar,
el concepto de ganancia para las columnas deja de tener sentido). Las vamos saturando por coste mí-
nimo creciente, empezando por la columna E:


D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

80 20
100
4 5 8 7 0
4 O
2

130 70 0
200
3 6 5 9 0
O
3

30 120
150
160 70 120 80 20
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


87
D
A
D
B
D
C
D
D
D
E

8 9 9 5 0
O
1

80 20
100
4 5 8 7 0
O
2

130 70 0
200
3 6 5 9 0
O
3

30 120
150
160 70 120 80 20


El coste total para esta alternativa es de:

COSTE = 80· 5 + 20· 0 + 130· 4 + 70· 5 + 0· 0 + 30· 3 + 120· 5 = 1.960

Obsérvese la notable mejora en el coste total respecto de las soluciones obtenidas con los otros dos
métodos. Aunque (todavía) no tengamos garantías de haber obtenido la solución óptima, sí sabemos
que es una buena solución. Una buena solución inicial ahorra muchas iteraciones en la fase siguiente
del algoritmo del transporte, que es la de determinación del óptimo.


4.4.2 Determinación del óptimo

Para hallar el óptimo del problema de transporte equilibrado, se trabaja con el problema de transporte
y con su dual: las expresiones genéricas de ambos problemas se muestran en la tabla adjunta.


[MIN]
∑∑
= =
⋅ =
m
i
n
j
ij ij
x c z
1 1


[MAX]
∑ ∑
= =
⋅ + ⋅ =
n
j
j j
m
i
i i
v d u o w
1 1



=
=
n
j
i ij
o x
1

ij j i
c v u ≤ + i = 1,...,m; j = 1,...,n


=
=
m
i
j ij
d x
1

x
ij
≥ 0 u
i
, v
j
n.r.s.



Las variables del dual, no restringidas en signo, tienen la siguiente interpretación:

Las variables u
i
, asociadas a las restricciones de los orígenes, son iguales al incremento de la
función objetivo en el óptimo por cada unidad adicional ofertada en el centro emisor i.

Las variables v
j
, asociada a las restricciones de los destinos, son iguales al incremento de
la función objetivo en el óptimo por cada unidad adicional demandada en el centro recep-
tor j.

A partir de la forma del dual, podemos realizar el siguiente análisis utilizando el teorema de la holgura
complementaria:

En las variables básicas, si x
ij
≠ 0 (solución no degenerada) la restricción se cumple con signo igual:
esto significa que tenemos un máximo de n + m – 1 ecuaciones del tipo:

u
i
+ v
j
= c
ij

© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

88
Esto significa que podemos obtener los valores de las variables duales asociadas a una solución del
primal resolviendo un sistema de ecuaciones indeterminado: podemos fijar arbitrariamente el valor de
al menos una de las variables y obtener las demás.

Para las variables no básicas x
ij
= 0, el coste reducido de la variable es igual a la holgura de la restricción:

(c
ij
– z
ij
) = c
ij
– (u
i
+ v
j
)

Por lo tanto, una vez obtenidos los valores de las variables duales, podremos obtener los coeficientes
de coste reducidos. Para el problema de mínimo, si todos resultan ser positivos, hemos hallado el óp-
timo. En caso contrario, obtendremos una nueva solución construyendo un ciclo de desplazamiento a
partir del coste reducido negativo de mayor valor absoluto.


Ejemplo 4.2.a. Determinar el óptimo para el problema del transporte del ejemplo 2.a, a partir de la
solución obtenida por el método de Vogel en el ejemplo 4.1.c.

Apliquemos el algoritmo a la solución obtenida por el método de Vogel. En la tabla se indican las
variables asociadas a cada uno de los orígenes y destinos.


v
A
D
A
v
B
D
B
v
C
D
C
v
D
D
D
v
E
D
E

8 9 9 5 0
u
1
O
1

80 20
100
4 5 8 7 0
u
2
O
2

130 70 0
200
3 6 5 9 0
u
3
O
3

30 120
150
160 70 120 80 20


A partir de la tabla, vemos que podemos plantear el siguiente sistema de ecuaciones:

u
1
+ v
D
= 5
u
1
+ v
E
= 0
u
2
+ v
E
= 0
u
2
+ v
A
= 4
u
2
+ v
B
= 5
u
3
+ v
A
= 3
u
3
+ v
C
= 5

Como tenemos siete ecuaciones para ocho incógnitas, el sistema es indeterminado. Haciendo, por
ejemplo u
1
= 0, tenemos:

v
D
= 5
v
E
= 0
u
2
= 0
v
A
= 4
v
B
= 5
u
3
= -1
v
C
= 6

De manera que ya podemos obtener los coeficientes de coste reducidos a partir de la expresión c
ij
– (u
i

+ v
j
), para cada una de las variables no básicas. Se detallan en la tabla, en la esquina superior derecha
de cada casilla:
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


89
v
A
= 4 v
B
= 5 v
C
= 6 v
D
= 5 v
E
= 0
8 4 9 4 9 3 5 0
u
1
= 0
80 20
100
4 5 8 2 7 2 0
u
2
=0
130 70 0
200
3 6 2 5 9 5 0 1
u
3
=-1
30 120
150
160 70 120 80 20


Como todos los coeficientes reducidos son positivos, hemos llegado al óptimo. Al no haber ningún
coeficiente de coste reducido nulo, sabemos además que la solución es única. En este problema, el mé-
todo de Vogel ha permitido dar con el óptimo.


El ciclo de desplazamiento

El fundamento del ciclo de desplazamiento reside en que podemos obtener una nueva solución para el
problema de transporte si sumamos y restamos la misma cantidad a dos casillas de una fila o columna.
A partir de cualquier variable no básica, puede construirse un ciclo dentro de la tabla de transporte,
formado por la casilla de la variable no básica y de al menos tres casillas de variables básicas. A la
casilla de variable no básica se le asignará un signo + (indicando que en la nueva solución tendrá un
valor no nulo). A partir de ahí, se van asignando alternativamente signos + y –. Cada fila y columna
afectadas tendrá al menos un par de signos + y –.

La variable saliente en la iteración será aquella de menor valor de las afectadas de signo –, dado que
ninguna variable puede ser negativa. Una vez detectada esta variable, se suma y resta su valor (según
el signo asignado) a cada una de las variables afectadas por el ciclo, obteniéndose así la nueva solu-
ción.


Algoritmo de transporte para problema de mínimo

Paso 0 Se determina una solución inicial, a partir de alguno de los métodos propuestos:
• Rincón noroeste
• Mínimos costes
• Máxima ganancia

Paso 1 Para las variables básicas, se plantea el sistema de ecuaciones indeterminado:
u
i
+ v
j
= c
ij

Fijando arbitrariamente el valor de una de las variables, se obtienen las restantes u
i
, v
j
.

Paso 2 Prueba de óptimo: para las variables no básicas, se encuentra su coste reducido a partir de:
(c
ij
– z
ij
) = c
ij
– (u
i
+ v
j
)
Si todos los valores obtenidos son no negativos: la solución es óptima. Fin del algoritmo.
Si alguno de los valores es negativo. Ir a paso 3.

Paso 3 Variable entrante: la variable entrante será aquella que asegure un mayor decrecimiento de la
función objetivo, esto es, aquella con un (c
ij
– z
ij
) negativo de mayor valor absoluto.

Paso 4 Variable saliente: Se determina el ciclo de desplazamiento asociado a la variable entrante. La
variable saliente será aquella de mayor valor absoluto de las afectadas con signo – en el ciclo.

Paso 5 A partir del ciclo de desplazamiento, obtener la nueva solución básica. Ir a paso 1.
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

90
Ejemplo 4.2.c Determinar el óptimo para el problema del transporte del ejemplo 2.a a partir de la
solución obtenida por el método del rincón noroeste en el ejemplo 4.1.b.

La tabla asociada a la solución obtenida por el método del rincón noroeste es:


v
A
= 4 v
B
= 5 v
C
= 8 v
D
= 12 v
E
= 3
8 9 0 9 -3 5 -11 0 -7
u
1
= 4
100
100
4 5 8 7 -5 0 -3
u
2
= 0
60 70 70
200
3 2 6 4 5 9 0
u
3
=-3
50 80 20
150
160 70 120 80 20


Ahora encontramos que algunos coeficientes de coste reducido son positivos, indicando que no
estamos en el óptimo. En particular, la variable x
1D
resulta ser la variable entrante, puesto que ase-
gura el mayor decrecimiento de la función objetivo. El ciclo de desplazamiento para esta variable
será:


v
A
= 4 v
B
= 5 v
C
= 8 v
D
= 12 v
E
= 3
8 9 0 9 -3 5 -11 0 -7
u
1
= 4
- 100 +
100
4 5 8 7 -5 0 -3
u
2
= 0
+ 60 70 - 70
200
3 2 6 4 5 9 0
u
3
=-3
+ 50 - 80 20
150
160 70 120 80 20


Nótese como intervienen, en este caso, seis variables básicas en el ciclo de desplazamiento. La varia-
ble saliente será la (2,C), por ser la de menor valor de las afectadas con signo -.

La nueva solución será:


v
A
= 12 v
B
= 13 v
C
= 5 v
D
= 9 v
E
= 0
8 9 0 9 8 5 0 4
u
1
=-4
30 70
100
4 5 8 11 7 6 0 8
u
2
=-8
130 70
200
3 -9 6 -7 5 9 0
u
3
= 0
120 10 20
150
160 70 120 80 20


Todavía no hemos llegado al óptimo, puesto que en la tabla tenemos coeficientes de coste negativos.
Para este caso particular, se alcanza el óptimo después de otras tres iteraciones, por lo que preferimos
mostrar el proceso completo en el problema de máximo del ejemplo 5.a.


© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


91
4.5 El problema del transporte: caso de máximo

Todo el planteamiento se ha realizado para el problema de mínimo. Sin embargo, todo lo dicho, reali-
zando los cambios de signo pertinentes, es igualmente válido para el problema de máximo. Los pará-
metros relativos al origen y al destino tienen la misma definición, pero los c
ij
ahora tienen el sentido de
utilidad o beneficio obtenido por transportar una cantidad i a un destino j.

En este problema, la definición de ganancia es:

ganancia = coste que sigue al mínimo – coste mínimo

Otra alternativa para resolver el problema de máximo es cambiar los signos de los c
ij
y resolverlo co-
mo un problema de mínimo.


Ejemplo 5.a. Resolver el problema de transporte del ejemplo 2.a, para el caso de máximo, a partir de
la solución obtenida por el método del rincón noroeste.

El método del rincón noroeste nos da la misma solución para el problema de máximo que para el de
mínimo. En el ejemplo 4.2.c ya hallamos los coeficientes de coste reducidos para esta solución bá-
sica:


v
A
= 4 v
B
= 5 v
C
= 8 v
D
= 12 v
E
= 3
8 9 0 9 -3 5 -11 0 -7
u
1
= 4
100
100
4 5 8 7 -5 0 -3
u
2
= 0
60 - 70 + 70
200
3 2 6 4 5 9 0
u
3
=-3
+ - 50 80 20
150
160 70 120 80 20


Ahora hemos de buscar coeficientes de coste reducidos que permitan aumentar la función objetivo,
esto es, de signo positivo. Vemos que el coeficiente más grande se encuentra en la celda (3, B), por lo
que x
3B
será la variable entrante. En la misma tabla se indica el ciclo de desplazamiento. La variable
saliente, en este caso, será x
3C
. La cantidad a incrementar y disminuir será la más pequeña de las celdas
afectadas con signo -, que en este caso es 50. La nueva solución es:


v
A
= 4 v
B
= 5 v
C
= 8 v
D
= 12 v
E
= -1
8 9 0 9 -3 5 -7 0 -3
u
1
= 4
100
100
4 5 8 7 -1 0 1
u
2
= 0
60 - 20 120 +
200
3 -2 6 5 -4 9 0
u
3
= 1
+ 50 80 - 20
150
160 70 120 80 20


Ahora la variable entrante es x
2E
, la única con coeficiente de coste reducido positivo. Una vez obtenido
el ciclo de desplazamiento, vemos que la variable saliente puede ser tanto x
2B
como x
3E
, puesto que
ambas tienen el mismo valor. Haremos salir de la base a x
3E
y dejaremos dentro de la base, con un
valor igual a cero, a x
2B
.
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

92
Al calcular los coeficientes de coste reducidos para la nueva solución, comprobaremos que hemos
llegado al óptimo, puesto que todos los coeficientes de coste reducidos son negativos:


v
A
= 4 v
B
= 5 v
C
= 8 v
D
= 8 v
E
= 0
8 9 0 9 -3 5 -7 0 -4
u
1
= 4
100
100
4 5 8 7 -1 0
u
2
= 0
60 0 120 20
200
3 -2 6 5 -4 9 0 -1
u
3
= 1
70 80
150
160 70 120 80 20


El valor de la función objetivo es de 3.140 y tiene la siguiente interpretación en términos del problema
original del ejemplo 2.a:

a) Desde el origen 1, deben enviarse 100 unidades al destino 1. El origen 1 trabaja a plena capacidad.

b) Desde el origen 2, deben enviarse 60 unidades al destino 1 y 120 al destino 2, que es servido
exclusivamente desde este origen. Quedan 20 unidades de capacidad del origen 2 sin utilizar.

c) Finalmente, el origen 3 sirve a los destinos 2 y 4, con 70 y 80 unidades respectivamente. Este
origen también trabaja a plena capacidad.

Formalmente, esta no es la única solución óptima, puesto que el coeficiente de coste reducido de (1,B)
es igual a cero. Sin embargo, si obtenemos el ciclo de desplazamiento observamos que la única dife-
rencia de las dos soluciones es dónde se encuentra la variable básica igual a cero: en (2,B) en la solu-
ción actual, y en (1,B) en la nueva solución. A efectos prácticos, la distribución de recursos es la mis-
ma en las dos soluciones.


4.6 Problemas resueltos

Seguidamente se muestra un ejemplo de aplicación al problema del transporte: la planificación de la
producción de una empresa industrial.


Problema 6.1 Planificación de la producción

El director de producción de la empresa Bowman debe llevar a cabo la planificación de la producción
para los próximos cuatro meses. Las demandas estimadas (en lotes) para cada mes se detallan en la
tabla adjunta. En dicha tabla se indican también los niveles de stock mínimo o de seguridad.

Los costes de producción son de 100 euros por lote para los cuatro meses, y cada lote en existencias
al final del periodo incurre en unos costes de almacenamiento de 20 euros por lote.


M1 M2 M3 M4
Demanda 100 250 130 200
Inventario mín. 10 25 13 20


La capacidad productiva es de 175 lotes por mes. No se cuenta con inventarios al principio del periodo.
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


93
a) Determinar cuál debe ser el plan de producción (producción prevista para cada mes) que mini-
mice el total de costes de producción y almacenamiento, así como los niveles de inventarios en
cada mes.

La idea es la de modelizar esta situación mediante un problema de transporte, en el que los orígenes
sean la producción y los destinos la demanda. Entonces, las variables de decisión x
ij
representarán el
valor de la producción del mes i para servir la demanda del mes j. Tendremos los siguientes casos:

i = j Producción que se utiliza para servir la demanda del mes. Estas unidades no incurrirán en
costes de almacenamiento.

i < j Producción que se utiliza para servir la demanda de meses futuros. Estas unidades incurrirán
en costes de almacenamiento.

i > j Representaría la producción que se utiliza para servir demanda de meses anteriores. En prin-
cipio, asumiremos que no pueden permitirse retrasos en el servicio, y asignaremos a estas
posibilidades un coste muy elevado M.

Una complicación adicional que tenemos en este problema es la existencia de un inventario mínimo.
Esto supone que hemos de incluir en la demanda las necesidades asociadas al mantenimiento de este
inventario mínimo, utilizando la demanda corregida para tal fin. Dicha demanda se calcula como:

demanda corregida = demanda + inventario mínimo final – inventario mínimo inicial

Teniendo en cuenta que el inventario al principio de M1 es cero, tenemos:


M1 M2 M3 M4
Demanda 100 250 130 200
Inventario mín. 10 25 13 20
Dem. corregida 110 265 118 207


La demanda corregida total para los cuatro meses es de 700, cantidad igual a la capacidad productiva
para los cuatro meses (175×4 = 700), por lo que el problema de transporte está equilibrado.

Con estos datos, podemos proceder a elaborar la tabla del transporte para este problema. Por ejemplo,
c13 representa el coste de producir en el mes 1 y servir en el mes 3: como el lote ha estado almacena-
do dos meses, tenemos unos costes de 100 + 2×20 = 140 euros por lote.


M1 M2 M3 M4
100 120 140 160
M1

175
M 100 120 140
M2

175
M M 100 120
M3

175
M M M 100
M4

175
110 265 118 207


Mediante el método de los mínimos costes, encontramos la solución óptima:
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

94
v
1
=M-20 v
2
=M v
3
=100 v
4
=120
100 120 140 M-80 160 M-60 u
1
=120
-M 100 65
175
M M-80 100 120 M-80 140 M-80 u
2
=100
-M 175
175
M 20 M 100 120
u
3
=0
25 118 32
175
M 40 M 20 M M-80 100
u
4
=-20
175
175
110 265 118 207


Formalmente. el problema de transporte tiene solución factible. Sin embargo, la solución obtenida no
es satisfactoria: aunque la capacidad productiva es suficiente, nos vemos obligados a servir 25 lotes de
la demanda del mes 2 con un mes de retraso, o bien, no contar con stock de seguridad durante ese mes.

Podemos evaluar esta situación elaborando la tabla siguiente, basada en la ecuación:

stock inicial (SI) + producción (P) = demanda (D) + stock final (SF)


SI P D SF Stock seg.
M1 0 175 100 75 10
M2 75 175 250 0 25
M3 0 175 130 45 13
M4 45 175 200 20 20


Vemos que tenemos niveles de inventario por encima del nivel de seguridad de tres meses, excepto el
segundo, en el que podemos decir que tenemos rotura de inventario, dado que no tenemos inventario
de seguridad en el mes en que la demanda es más alta. Añadir capacidad, por ejemplo, mediante capa-
cidad adicional, permite una planificación de la producción más ajustada a los requerimientos.

Vistos los resultados del apartado anterior, se plantea la posibilidad de añadir capacidad adicional.
Los costes de producción de esta capacidad adicional son de 130 euros por lote y su valor máximo es
de 50 nuevos lotes por mes.

b) Determinar cuál será ahora el plan de producción que minimice los costes totales de producción
y almacenamiento.

Ahora hemos añadido 4×50=200 lotes de capacidad adicional. En el modelo de transporte, deberemos
añadir un destino ficticio adicional de valor 200 lotes que representará la capacidad no utilizada. Ade-
más, deberemos añadir cuatro nuevos orígenes que representarán las posibilidades de producción su-
ministradas por la capacidad adicional. Su coste será el mismo que en la capacidad inicial, más un
sobrecoste de 30 euros por lote.


M1 M2 M3 M4 DF
100 120 140 160 0
M1
110 65
175
M 100 120 140 0
M2
175
175
M M 100 120 0
M3
118 32 25
175
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


95
M M M 100 0
M4
175
175
130 150 170 190 0
M1(A)
50
50
M 130 150 170 0
M2(A)
25 25
50
M M 130 150 0
M3(A)
50
50
M M M 130 0
M4(A)
50
50
110 265 118 207 200


La solución es la misma que en el apartado anterior, con una excepción: las 25 unidades que se
tenían que servir con retraso se producen ahora usando la capacidad adicional. Es la única ocasión
en que usamos esta posibilidad. La capacidad adicional da una producción más ajustada a la de-
manda:


SI P D SF Stock seg.
M1 0 175 100 75 10
M2 75 200 250 25 25
M3 25 150 130 45 13
M4 45 175 200 20 20


c) ¿Cuál será el nuevo plan de producción si los costes de la capacidad productiva adicional baja a
110 euros por lote?

En el caso anterior, era más económico producir con un mes de antelación que producir usando la
capacidad adicional (100 + 20 < 130). Ahora, al disminuir el coste de la capacidad adicional, será pre-
ferible usar la capacidad adicional a pagar costes de almacenamiento adicionales.


M1 M2 M3 M4 DF
100 120 140 160 0
M1
110 40 25
175
M 100 120 140 0
M2
175
175
M M 100 120 0
M3
118 57
175
M M M 100 0
M4
175
175
130 150 170 190 0
M1(A)
50
50
M 130 150 170 0
M2(A)
50
50
M M 130 150 0
M3(A)
50
50
M M M 130 0
M4(A)
32 18
50
110 265 118 207 200

© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

96
A diferencia del caso anterior, producimos en horas extra en los meses M2 (50 unidades) y M4 (32
unidades). La producción ahora será:


SI P D SF Stock seg.
M1 0 150 100 50 10
M2 50 225 250 25 25
M3 25 118 130 13 13
M4 13 207 200 20 20



4.7 Problemas propuestos


Problema 7.1

La empresa Logitrans cuenta con un sistema logístico formado por dos fábricas (F1 y F2) y tres al-
macenes de distribución (A1, A2 y A3). Los costes de producción son de 8 euros por lote en F1, y
de 6 euros por lote en F2. Los costes de transporte por lote para cada combinación de fábrica y alma-
cén se detallan en la tabla adjunta. También se indica la capacidad productiva en el periodo temporal
considerado de cada una de las fábricas y la demanda de cada uno de los tres almacenes.


A1 A2 A3 Capacidad
F1 4 6 2 100
F2 5 3 7 150
Demanda 80 60 90


a) Determinar cómo deben abastecerse los almacenes para minimizar la suma de costes de produc-
ción y transporte.

Se ofrece la posibilidad de que la demanda de cada almacén no sea fija, sino que pueda estar entre dos
valores (demanda máxima d
max
y demanda mínima d
min
), tal como se indica en la tabla. La demanda
total debe seguir siendo de 230, como en el caso anterior.


A1 A2 A3
d
max
70 50 80
d
mín
90 70 100


b) Determinar cómo deben abastecerse ahora los almacenes para minimizar la suma de costes de
producción y transporte. ¿La flexibilidad supone un ahorro de costes respecto del planteamiento
anterior?

(Solución: En a) el coste de producción y transporte total óptimo es de 2.320 euros. En b) el coste óp-
timo es de 2.300 euros).


Problema 7.2

El fabricante de productos de limpieza Lavablanc se plantea optimizar la política a seguir respecto de
la fabricación y distribución de uno de sus productos.
© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


97
Para la producción dispone de tres fábricas (en adelante F1, F2 y F3) con costes de producción por
unidad de 10, 12 y 15 respectivamente. La capacidad productiva de las tres fábricas es la misma: 150
unidades a la semana.

Las ventas se realizan en tres puntos de venta V1, V2 y V3. La demanda máxima en cada uno de los
puntos de venta es de 100, 200 y 300 respectivamente. Los precios a los que se puede vender el pro-
ducto también varían: son de 30, 25 y 27 para V1, V2 y V3 respectivamente.

El último componente del coste es el de transporte. En la tabla adjunta se detallan los costes asociados
a transportar una unidad desde un centro de producción a uno de ventas:


V1 V2 V3
F1 3 9 7
F2 4 2 6
F3 7 8 9


Se desea hallar, mediante el algoritmo del transporte, las unidades que se deben transportar desde los
diferentes centros de producción a los diferentes centros de ventas para maximizar los beneficios to-
tales.

(Solución: Mediante el método de Vogel se obtiene la solución óptima. El beneficio para esta solución
es de 4.300).


Problema 7.3

Textilsa, empresa del ramo textil, le ha encargado la elaboración de su plan maestro de producción
para los próximos seis meses. Para ello cuenta con los siguientes datos:

1. En cada día laborable (ver tabla), la empresa tiene una capacidad de producción de 15 lotes/día.
El coste de fabricación de cada lote en esas horas es de 100 um/lote. Si se desea, pueden produ-
cirse en horas extra –siempre en días laborables– hasta 4 um/lote, a un coste de 130 um/lote.

2. Se desea mantener un stock mínimo de seguridad (medido a final de mes), igual al 10% de la de-
manda del mes. El mantenimiento de dicho stock, así como del stock adicional que fuera necesa-
rio, será igual a 20 um/lote almacenado a final de mes.

En estas condiciones, el departamento de producción de Textilsa debe cubrir la demanda indicada en
la tabla.


MES DEMANDA STOCK SEGURIDAD DÍAS LABORABLES
stock inicial 50
MAYO 260 26 20
JUNIO 270 27 22
JULIO 200 20 23
AGOSTO 290 29 5
SEPTIEMBRE 270 27 18
OCTUBRE 270 27 21
© Los autores, 2002; © Edicions UPC, 2002.
Métodos cuantitativos en organización industrial I

98
Con estos datos, se pide:

a) Plantear el problema como un problema de transporte, indicando:
1. El significado, en este contexto, de los orígenes y los destinos.
2. Las capacidades de los orígenes y las demandas de los destinos (tener en cuenta las necesi-
dades de stock de seguridad).
3. Los coeficientes de coste para este caso (tener en cuenta que no puede diferirse la demanda).

b) Obtener una solución inicial para este problema mediante el método de los mínimos costes.

c) Determinar la solución óptima.

(Solución: La solución de mínimos costes es la óptima. Se producen 72 lotes en horas extra en agosto,
y en julio tenemos un inventario de 152 unidades por encima del de seguridad. El coste total del plan
óptimo es de 162.020).



4.8 Glosario de términos


Árbol

Grafo conexo sin ciclos (ver tema teoría de grafos).


Destino

En la nomenclatura del problema del transporte, puntos receptores de recursos. El total de recursos
provenientes de los diferentes orígenes ha de ser igual a la demanda del destino en un problema del
transporte equilibrado.


Ciclo de desplazamiento

Metodología para pasar de una solución básica a otra en la tabla del transporte, consistente en sumar y
restar la misma cantidad a las filas y columnas que forman parte del ciclo de desplazamiento. Todas
las celdas del ciclo menos una (la de la variable entrante) deben ser de variables básicas.


Equilibrado, problema del transporte

Se dice de aquel problema del transporte tal que el total de las capacidades de los orígenes es igual al
total de las demandas de los destinos. Podemos equilibrar un problema del transporte cualquiera me-
diante un origen o un destino ficticios.


Ganancia

La ganancia de una fila o columna es igual a la diferencia entre el segundo coeficiente de coste más
pequeño y el coeficiente de coste más pequeño de la fila o columna, en el problema de mínimo. En el
problema de máximo, es igual a la diferencia entre el coeficiente de coste más grande y el segundo
más grande.


© Los autores, 2002; © Edicions UPC, 2002.
El problema del transporte


99
Método de los mínimos costes

Método de determinación de una solución inicial del problema del transporte, consistente en asignar
un valor a la celda de menor coeficiente de coste (en el problema de mínimo) de la región de la tabla
del transporte formada por la intersección de las filas y columnas no saturadas.


Método de la máxima ganancia

Método de determinación de una solución inicial del problema del transporte, consistente en asignar
un valor a una celda tal que sature la fila o columna de mayor ganancia posible.


Método del rincón noroeste

Método de determinación de una solución inicial del problema del transporte, consistente en asignar
un valor a la celda superior izquierda (rincón noroeste) de la región de la tabla del transporte formada
por la intersección de las filas y columnas no saturadas.


Método de Vogel

Denominación alternativa del MÉTODO DE MÁXIMA GANANCIA.


Origen

En la nomenclatura del problema del transporte, puntos emisores de recursos. En un problema del
transporte equilibrado, el total de recursos emitidos a los diferentes destinos ha de ser igual a la capa-
cidad total del origen.


Problema del transporte

Modelo que representa una situación en la que se distribuye un recurso desde m orígenes hasta n desti-
nos, con un coste por unidad de distribuir el recurso del origen i al destino j constante. Es un caso par-
ticular de programación lineal.


Saturación (de una fila o columna)

Asignar a una de las celdas de la fila o columna en la tabla de transporte un valor tal que la suma de
valores es igual a la capacidad máxima (fila) o demanda máxima (columna). Cuando esto sucede, no
podemos asignar valores positivos al resto de celdas de la fila o columna.

© Los autores, 2002; © Edicions UPC, 2002.