You are on page 1of 24

El Lado Oscuro de la Programación Lineal

Introducción:¿Que podría salir mal en el proceso de construcción de un modelo de


Programación Lineal (PL)? Los obstáculos potenciales siempre existen, los cuales
afectan cualquier aplicación de la PL; Por lo tanto, los tomadores de decisiones y los
analistas deben estar concientes de las deficiencias de la PL al momento de crear el
modelo.
Los obstáculos potenciales siempre existen, los cuales afectan cualquier aplicación de
la PL. Las soluciones óptimas podrían ser no-factibles, ilimitadas, ó podrían existir
soluciones múltiples. La degeneración del modelo podría ocurrir. La figura siguiente
proporciona una clasificación de para el proceso de validación de modelos de
Programación Lineal (PL):

Una Clasificación de Soluciones de Programación Lineal para el Proceso de


Validación de Modelos
Characteristics of the Feasible Region (FR)= Características de la Región de
Factibilidad (RF.)
Bounded FR = RF Limitada; Empty FR = RF Vacía; Unbounded FR= RF Ilimitada;
No Solution= Sin Solución.
Degenerate Solution= Solución Degenerada; Multiple Solution= Soluciones Multiples;
Unbounded Solution= Solución Ilimitada; Unique Solution= Solución Unica; Bounded
Solution= Solución Limitada.
Estos y otros obstáculos no son mucho más de las deficiencias en la programación
lineal pero son situaciones de las cuales los tomadores de decisiones deberían estar
conscientes. ¿Que podría salir mal en el proceso de construcción de un modelo de
Programación Lineal (PL)?
Problemas con los Paquetes de PL: La mayoría de los software para resolver
problemas de PL tienen problemas en reconocer el lado oscuro de la PL, y/o dar alguna
sugerencia ó remedio para resolverlo. Resuelva el problema siguiente utilizando el
WinQSB, y luego descubra y reporte los resultados obtenidos.

Ilimitación
Identificación: En el Algoritmo Simplex, si se introduce una columna j y todos los aij
en esa columna son menores o iguales a cero, el ratio la columna (C/R) no puede ser
determinado. Vea también el caso de degeneración.
Por ejemplo, considere el siguiente problema:
Max Y1
sujeto a:
Y1 + Y2 -2T = 0
Y1 -Y2 = 2
todas la variables de decisión son 0.
A continuación por ejemplo, en el método libre-artificial, obtenemos la tabla siguiente:
BVS Y1 Y2 T LMD
T 0 -1 1 1
Y1 1 -1 0 2
Cj 0 1
A pesar de que la variable Y2 debería entrar como una variable básica, todos los
elementos en esta columna son menores que cero, Por lo tanto, el problema de
programación lineal es ilimitado.
Aprenda que una solución óptima ilimitada significa tener una región de factibilidad
cerrada ilimitada, sin embrago, la situación inversa de este enunciado podría no ocurrir.
Una solución óptima ilimitada significa que las restricciones no limitan a la solución
óptima y que la región de factibilidad se extiende hasta el infinito.
Resolución: En la vida real, esta situación es muy extraña. Revise la formulación de
las restricciones, faltan una o más restricciones. Revise también alguna mala
especificación de las restricciones en cuanto a las direcciones de las inigualdades o
errores numéricos.
El Análisis de Sensibilidad no es aplicable.
Los software WinQSB y Lindo establecen que el problema es ilimitado.
Región de Factibilidad Ilimitada: Tal y como se mencionó anteriormente, aprenda que
una solución ilimitada requiere una región de factibilidad cerrada ilimitada. La
situación inversa de este enunciado podría no ocurrir. Por ejemplo, el siguiente
problema de PL tiene una región de factibilidad cerrada ilimitada, sin embargo, la
solución es limitada:
Max -4X1 -2X2
sujeto a:
X1 4
X2 2
todas las variables de decisión son 0.
La solución óptima es X1 = 4, y X2 = 0.

Soluciones Optimas Múltiples (soluciones óptimas Innumerables)


Identificación: En la tabla de iteración final del Simplex, si la fila Cj (la última fila en
la tabla) es cero para una o más de las variables no-básicas, tendríamos dos soluciones
óptimas (por lo tanto muchas infinitas) Para encontrar la otra esquina ( si existe), se
hace un pivote en una columna no–básica con Cj igual a cero.
La condición necesaria para que exista un PL con múltiples soluciones: Si el
número total de ceros en el Costo Reducido junto al número de ceros la columna de
Precio Sombra exceden el número de restricciones, se podrían tener múltiples
soluciones. Si se realiza una corrida del problema anterior en un software como
WinQSB ó Lindo, se encontrarán cuatro ceros. Sin embargo, debe darse cuenta que
esta es simplemente una condición Necesaria y no una condición Suficiente, así como
en el ejemplo numérico anterior. Desafortunadamente, el QSB utiliza esta condición
necesaria. Por lo tanto, proporciona mensajes Erróneos.
Ejemplo: El problema siguiente tiene varias soluciones:
Max 6X1 + 4X2
sujeto a:
X1 + 2X2 16
3X1 + 2X2 24
todas las variables de decisión son 0.
Utilizando el software WinQsb, usted obtendrá dos soluciones, (X1 = 8, X2 = 0) y (X1
= 4, X2 = 6). Note que, la existencia de soluciones múltiples significa que tenemos
soluciones óptimas innumerables (No solo dos).
Siempre que existan dos vértices que sean óptimos, se pueden generar todas las otras
soluciones óptimas mediante la "combinación lineal " de las coordenadas de las dos
soluciones. Por ejemplo, para el ejemplo anterior basado en dos soluciones obtenidas
del QSB, todas las soluciones siguientes son por lo tanto óptimas:
X1 = 8 + (1 - )4 = 4 + 4 , X2 = 0 + (1- )6 = 6 - , para todos los 0 1.
Resolución: Revise los coeficientes dela función objetivo y las restricciones. Podrían
existir errores de aproximación ó redondeo.
Análisis de Sensibilidad No aplicable.
El WinQSB y Lindo sostienen que el problema es ilimitado.
Análisis de Sensibilidad: El análisis de sensibilidad se basado en una solución óptima
podría no ser válida para las demás.
Advertencia al Usar Paquetes de Software: Desafortunadamente, Lindo, no
proporciona ninguna advertencia directa sobre la existencia de soluciones múltiple. El
WinQSB indica que una solución óptima alternativa ha sido encontrada. Sin embargo,
este tipo de enunciado podría ser confuso. Por ejemplo, el problema siguiente tiene una
única solución óptima, cuando el WinQSB indica la existencia de múltiples soluciones.
Max 30X1 - 4X2
Sujeto a: 5X1 - X2 30
X1 5
X1 0
X2 is unrestricted.
La única solución es X1 = 5, X2 = -5 con un valor óptimo de 170.
Para el problema siguiente, el WinQSB proporciona 4 soluciones múltiples distintas:
Minimizar X1 + X2 + 2X3
Sujeto a:
X1 + X2 + X3 10
X1 + X2 + 2X3 13
X1, X2 son no-negativas.
El conjunto de soluciones óptimas para este problema constituye la mitad del plano. Es
decir, todas las soluciones óptimas se encuentran en el plano X1 + X2 + 2X3 = 13, tal
que X1 + X2 + X3 10, X1 0, X2 1, y X3 0.

No Soluciones (PL No-Factible)


Una solución no-factible significa que las restricciones son demasiado limitantes y no
han dejado espacio para la región de factibilidad.
El problema siguiente por ejemplo, no tiene solución:
Max 5X1 + 3X2
sujeto A:
4X1 + 2X2 8
X1 4
X2 6.
Identificación: Si no se puede traer ninguna variable mientras se mantiene la
factibilidad (es decir, los valores de LMD restantes son no-negativos).
Resolución: Revise las restricciones por cualquier mala especificación en las
direcciones de las inigualdades, y por errores numéricos. Si no existen errores, entonces
existen conflictos de intereses. Esto puede ser resuelto encontrando el IIS (vea la Nota
de abajo) y luego reformule el modelo.
Análisis de Sensibilidad: No aplicable.
Note: La mayoría de los software comerciales tales como CPLEX y LINDO tienen una
función llamada IIS (Irreducible Infeasible Subset= Subconjunto de Infactibilidad
Reducible) es decir, el conjunto de restricciones mínimas necesarias a remover del
problema de forma tal de hacerlo factible. Este conjunto de restricciones es no-factible,
pero un subconjunto apropiado de un IIS es factible. Por lo tanto todas las restricciones
en el IIS contribuyen a la no-factibilidad. Esto significa que se puede remover o
modificar por lo menos una de las restricciones en la IIS de forma tal de proporcionar
factibilidad al modelo. Por lo tanto, encontrar una IIS simplemente ayuda a enfocar los
esfuerzos en el diagnóstico. Podrían existir varias IIS en el modelo y un simple error
se podría presentar en diferentes formas de IIS. En consecuencia, se debe reparar el
modelo de la forma siguiente:
Paso 1: encontrar una IIS,
Paso 2: reparar la infactibilidad en la IIS, y
Paso 3: revisar si el modelo es su totalidad es ahora factible, si no, realice el paso de
nuevo.
En los Paquetes de Generación de Horarios, por ejemplo, la eliminación total de
inconsistencias en los datos iniciales es una tarea ardua. Por lo tanto, algunos paquetes
están equipados con un módulo de interfaz que actúa como un depurador. Esto
eliminará mucho de los problemas de infactibilidad durante el nivel superficial de la
primera corrida. Como un acercamiento alternativo, los problemas de infactibilidad
pueden ser manejados como un problema de optimización lineal, con el objetivo de
minimizar el número de violaciones de restricciones (posiblemente ponderadas.)
Cuando ninguna solución satisface todas las restricciones, una solución cercana es
encontrada. Esta solución cercana podría resaltar los datos de entrada que generan
conflicto a los cuales se debe dirigir.
Degeneración
Un vértice degenerado es uno a través del cual pasan mas de n hiper- planos si estamos
en el n-ésimo espacio Euclideano, digamos 3 líneas en un espacio de 2 dimensiones.
En dicho vértice un método como el Simplex puede cambiar de una representación (con
n hiper-planos) a otra, y podría terminar de forma cíclica en el primero y luego repeir
este “ciclo”. Ahora, agregando pequeñas cantidades para (digamos, el LMD de las
restricciones) mover ligeramente al hiper-plano correspondiente y “perturbar” el
vértice. En vez, existirán muchos vértices cercanos donde solo hiper-planos se
encuentran. Ahora, el método puede ir de uno a otro (mejorando cada vez la función
objetivo) y dejar esta área de degeneración. Luego, la perturbación puede ser apagada
de nuevo en implementaciones computacionales modernas del método Simplex y sus
muchas variaciones.
Un punto de esquina (vértice) en un problema de variables de decisión n- dimensional
es llamado vértice de degeneración si más de n restricciones se hacen activas
(relevantes a la solución) en el punto de esquina. Esto es siempre que un punto de
esquina se oscula. Por ejemplo, en un problema de 2 dimensiones, un punto de esquina
es degenerado si en el 3 o mas restricciones se convierten en igualdades.
Por ejemplo, considere el siguiente problema de dos dimensiones:
Max X1 + X2
sujeto a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisión son 0.
La solución óptima es X1 = 1, y X2 = 1, en el cual todas las tres restricciones son
activas.
Siempre que la solución óptima sea degenerada, se obtendrán múltiples precios sombra.
Para el problema anterior, los dos grupos de precios sombra son (1, 1, 0) y (0, 0, 1)
como se podría verificar si se construye y soluciona el problema dual
Identificación: Si existen por lo menos dos ratios de columna mas pequeños e iguales
(bi/aij) mientras se aplica el método Simplex, la solución es degenerada y
arbitrariamente escoge una variable saliente.
En casos extraños, la degeneración podría causar ciclismos, así como se muestra en el
problema siguiente::
Max 6X1 + 3X2
sujeto a:
X1 1
X2 1
X1 - X2 1
-X1 + X2 1
todas las variables de decisión son 0.
Ambos, el Lindo y el WinQSB toman 3 iteraciones para resolver este problema simple
de degeneración.
Resolución: agregue al valor de LMD un número pequeño, como 0,001. Esto debería
resolver el problema.
Análisis de Sensibilidad: El análisis de sensibilidad podría ser IN- valido y usted
podría tener Precios Sombra Alternativos.
El problema siguiente y su dual son ambos degenerados:
Min X2
sujeto a:
X2 - 2X3 + X4 = 1
X1 + 2X2 - X3 = 0
X1 + X2 + 3X3 = 2
todas las variables de decisión son 0.
Redundancia Entre las Restricciones
Redundancia significa que algunas de las restricciones no son necesarias dado que
existen otras mas severas. Para un caso sencillo de PL con restricciones redundantes,
considere el siguiente ejemplo numérico:
Maximice 5X1 + 6X2
sujeto a: 3X1 + 6X2 8, 6X1 + 4X2 24, and both X1, X2 0.
Identificación: Por lo menos una fila en la tabla de iteración tiene todos los elementos
incluyendo los de LMD con valores iguales a cero.
Resolución: Elimine dicha fila y prosiga. Sin embargo, la redundancia en las
restricciones no es absoluta sino relativa. Adicionalmente, lo “minimalista” de un
conjunto de restricciones, es decir, que no existen redundantes para describir una región
de factibilidad, no implica necesariamente que el número de restricciones es el mas
pequeño.
Análisis de Sensibilidad: El análisis de sensibilidad de LMD podría ser invalido por
que las restricciones redundantes no están disponibles, adicionalmente se podrían
tener Precios Sombra Alternativos. Por ejemplo, en casi todos los Modelos de
Redes una de las restricciones es siempre redundante, por lo tanto los resultados del
análisis de sensibilidad de paquetes de computadora (tales como el modulo de QSB)
para este tipo de problemas podrían ser inválidos.

PL sin Vértices
La PL siguiente no posee vértices:
Maximice X1 + X2
sujeto a: X1 + X2 5, X1, X2 sin restricción.
Este problema tiene una región de factibilidad cerrada sin restricción y sin vértices. Sin
embargo, todas las soluciones múltiples son los puntos sobre la línea X1 + X2 = 5.
La Forma Estándar: Mediante la conversión de las inigualdades en igualdades con
una variable de rezago S1, y restringiendo las variables por X1 - y, y X2 -y,
encontramos la siguiente solución básica:
X1 X2 y S1 X1+X2
__________________________
0 0 0 -5 no- factible
0 0 -5/2 0 no- factible
0 5 0 0 5
5 0 0 0 5
Esto proporciona dos soluciones básicas simples con valores objetivos iguales. Esto
indica que, existen soluciones múltiples, sin embargo, la región de factibilidad original
se encuentra distorsionada!
Para este problema, el WinQSB proporciona dos soluciones óptimas distintas: (X1 =
5, X2 = 0), y (X1 = 0, X2 = 5) las cuales no son vértices. Esto significa que, no solo
cualquier combinación convexa de estos dos puntos es óptima, sino que los puntos
mas allá de ellos son por lo tanto óptimos.

PL con Soluciones Optimas Ilimitadas y de Restricción Múltiple


Considere el siguiente problema de PL:
Maximice X1 + X2
sujeto a: X1 + X2 = 5, ambos X1, y X2 son no-restringidos en signo.
Este problema tiene una región de factibilidad cerrada e ilimitada. Existen soluciones
óptimas múltiples, tanto limitadas como ilimitadas, las cuales son los puntos sobre la
línea X1 + X2 = 5.

Sobre Las Variables de Decisión Básicas y no-Básicas


Cuando se realizan las iteraciones del Simplex, se cumple que “cuando una variable de
decisión se hace una variable básica, esta se mantiene básica”. Pues no!, no siempre es
así. Una variable de decisión no-básica puede convertirse básica durante las iteraciones
del Simplex, y en una iteración siguiente convertirse no-básica de nuevo. Considere el
problema siguiente:
Maximice 5X1 + 6X2
sujeto: 3X1 + 6X2 8, 6X1 + 4X2 24, y ambos X1, X2 0.
Aplicando el método Simplex para resolver el problema, la variable de decisión X2 se
hace básica luego de la primera iteración. Sin embargo, en la segunda iteración, la
variable de decisión X1 reemplaza a X2 como nueva variable básica. En la segunda
iteración para este problema, proporciona también la solución óptima. Note que, una
de las restricciones es redundante.
PL sin Ninguna Solución Interior
Considere el problema siguiente:
Maximice X1 + 2X2
sujeto a: X1 + X2 = 2, X1 0, X2 0.
Este problema no tiene puntos interiores. Un punto interior es un punto de factibilidad,
dado que usted dibuja un pequeño círculo alrededor de ese punto, y por lo tanto todos
los puntos dentro del círculo son también factibles. No existen puntos factibles con
tales propiedades. Consecuentemente, este problema posee un conjunto interior vacío.
Sin embargo, el problema tiene dos vértices en: (2, 0), y (0, 2) de donde el segundo es
la solución óptima con valor óptimo de 4.

PL sin Ninguna Solución Interior ni Solución Acotada


Considere el problema siguiente:
Maximice X1 + 2X2
sujeto a: X1 + X2 = 2, X1 - X2 = 0, X1 0, y X2 0.
El problema tiene una región de factibilidad la cual es el punto simple (X1 = 1, X2 =
1), con un valor óptimo de 3. Por lo tanto, este problema no tiene punto interior ni punto
limitado (acotado). Solo posee un vértice.

PL con un Punto Interior como Optimo


Considere el problema siguiente:
Maximice X1 + X2 + X3 + X4
sujeto a: X1 + X2 = 100, X1 + X3 = 150, X3 + X4 = 200, todas las Xi 0.
Por ejemplo, la solución ótima X1 = 50, X2 = 50, X3 = 100, X4 = 100, con valor óptimo
de 300, es un punto interior de la región de factibilidad para este problema. De hecho,
cualquier solución factible (no necesariamente básica) es una solución óptima también.
Para algunas situaciones adicionales interesantes, viste el sitio Web Mitos y
Contraejemplos en la PL
Solución Óptima Generada por un Paquete de PL no es la Misma Obtenida por
Otro Paquete
La Solución obtenida por paquete de PL podría no ser la misma que se obtendría con
otro paquete. Considere el siguiente ejemplo numérico:
Minimice X1 + X2 + 2X3
Sujeto a:
X1 + X2 + X3 10
X1 + X2 + 2X3 13
X1, X2 sin restricción en el signo
WinQSB: Utilizando el paquete de WinQSB, se encontrarán las soluciones múltiples
siguientes: A = (0, 7, 3) y B = (7, 0, 3). Esto sugiere que todos los puntos entre estas
soluciones óptimas generadas son también óptimas. Todas las combinaciones lineales
de estas dos soluciones son también óptimas:
X1 = 0 + (1 - )7 = 7 - 7 ,
X2 = 7 + (1- )0 = 7 ,
X3 = 3 + (1- )3 = 3,
para todo 0 1.
Sin embargo, note que ambas restricciones son activas, por lo tanto las soluciones se
encuentran sobre la intercepción de estos dos planos, el cual es una línea.
Adicionalmente, cualquier punto sobre la línea no esta restringido a los a estar entre los
puntos A y B. En otras palabras, es cualquier punto sobre la línea de intercepción (en
forma paramétrica):
X1 = t,
X2 = 7 - t,
X3 = 3,
son óptimos, para todo t, inclusive cuado t es una M-grande.
Por lo tanto, este problema de PL no tiene vértices, tiene multiples soluciones limitadas,
y soluciones ilimitadas.
Lindo: Para correr este problema en Lindo, primero se debe satisfacer las condiciones
de no-negatividad mediante la sustitución de para cada variable no-restringida Xi = xi
- y. El resultado es:
min x1 + x2 + 2x3 - 5y
sujeto a:
x1 + x2 + x3 - 3y 10
x1 + x2 + 2x3 - 5y 13
Todas las variables son no-negativas.
Corriendo este problema en Lindo (o su WinQSB), se obtiene x1 = 13 y todas las demás
variables son iguales a cero. En términos de las variables originales, se obtiene: X1=
13, X2 = 0, y X3 = 0. Como se puede observar, la solución obtenido por Lindo no es
obtenible por WinQSB y viceversa. Obviamente, los resultados de sensibilidad para
este problema utilizando cualquiera de estos paquetes no son validos. El conjunto de
todas las soluciones óptimas es un medio plano, es decir:
{Todos los puntos sobre el plano X1 + X2 + 2X3 = 13 tal que X1 + X2 + X3 10}
Dado que el precio sombra del problema dual es una solución al primal, observemos
mas detenidamente el problema dual, el cual es:
Max 10U1 + 13U2
Sujeto a:
U1 + U2=1
U1 + U2=1
U1+2U2=2
Todas las variables son no-negativas.
Corriendo el problema dual en Lindo (o en su WinQSB), obtenemos U1 = 0, U2 = 1,
con precios sombra de (0, 13, 0) los cuales son la solución para el primal obtenidos
previamente por el Lindo (o WinQSB). Sin embargo, eliminando la primera restricción
redundante en el problema dual, tenemos :
Max 10U1 + 13U2
Sujeto a:
U1 + U2=1
U1+2U2=2
Todas las variables son no-negativas.
Ahora, haciendo la corrida en el Lindo (o WinQSB), obtenemos U1 = 0, U2 = 1, con
los precios sombra de (7, 3) los cuales son las soluciones del primal (0, 7, 3) obtenidas
previamente por el WinQSB. La otra solución es no producible.
Utilizando el WinQSB para el problema dual, obtenemos U1 = 0, U2 = 1, con los
precios sombra de (0, 7, 3) el cual es una de las soluciones del primal obtenidas
previamente mediante este software.

¿La Tabla Optima del Simplex Proporciona una Solución Dual?


La utilidad de la tabla del simplex para aplicaciones gerenciales es obtenida por el
hecho de que esta contiene toda la información necesaria para realizar análisis de
sensibilidad, asi como usted aprenderá posteriormente en este curso. Sin embargo, la
tabla óptima del simplex no proporciona la solución dual por si mismo. Los precios
sombra son las soluciones del problema dual.
Como usted ahora sabrá, los precios sombra pueden ser positivos, cero o igualmente
negativos, sin embargo, en la tabla final del simplex la última fila debe ser siempre no-
positiva (así como lo requiere los algoritmos de solución). Por lo tanto, no podemos
simplemente leer los valores de los precios sombra en la tabla final sin antes formular
el problema dual.
Ejemplo Numérico: Considere problema siguiente,
Maximice 3X1 + 5X2
Sujeto a:
X1 + 2X2 50,
-X1 + X2 10,
X1 0, X2 0.
Introduciendo variables de exceso y defecto S1 y S2 respectivamente, y siguiendo los
pasos de la Solución Algorítmica Libre-Artificial, obtenemos la tabla final de simplex
siguiente:
BVS X1 X2 S1 S2 LMD
X1 1 0 1/3 2/3 10
X2 0 1 1/3 -1/3 20
Cj 0 0 8/3 1/3
Los precios sombra no son (8/3, 1/3). Como usted observa, después de construir el
problema dual, el cual es:
Minimice 50Y1 + 10Y2
Sujeto a:
Y1 - Y2 3,
2Y1 + Y2 5,
Y1 0,
and Y2 0.
Obteniendo la formulación del problema dual, ahora se pueden leer correctamente los
precios sombra. Por lo tanto, los precios sombra son Y1 = 8/3, y Y2 = -1/3. De nuevo,
cuando se construye el dual del problema se observa que Y2 tiene que ser 0, en signo.
Esta es la razón por la cual se toma -1/3 en vez de 1/3 para Y2, de la tabla final del
simplex.

La Conversión a la Forma Estándar Podría Distorsionar la Región de Factibilidad


Considere el siguiente problema de PL:
Maximice X1 + X2
sujeto a: X1 + X2 5, X1, X2 no-restringido.
Este problema tiene una región de factibilidad cerrada ilimitada sin vértices. Sin
embargo, todas las soluciones múltiples son los puntos sobre la línea X1 + X2 = 5.
Ahora veamos que obtenemos si convertimos este problema a forma estándar, el cual
es un requerimiento para iniciar el Método Simplex.
La Forma Estándar: Convirtiendo las inigualdades en igualdades con la variable de
exceso S1 y restringiendo las variables mediante X1 - y, y X2 -y, obtenemos la forma
estándar siguiente:
Maximice X1 + X2 -2y
sujeto a:
X1 + X2 -2y + S1 = 5, y todas las variables están restringidas en signo.
Las soluciones básicas son:
X1 X2 y S1 X1+X2
_________________________
0 0 0 5 0
0 0 -5/2 0 no-factible
0 5 0 0 5
5 0 0 0 5
Esto proporciona vértices óptimos. Esto indica que existen soluciones múltiples. Sin
embargo, la región de factibilidad original se encuentra ahora distorsionada!, esto
significa que no somos capaces de producir todas las soluciones mediante el uso de
cualquier combinación convexa de las dos soluciones (0, 5) y (5, 0).
Para encontrar la solución a este problema, se necesitan saber las dos definiciones
siguientes:
Raya: Una raya es la mitad de una línea: {V + h: 0}, de donde h es un vector
no-cero contenido en S. El punto V es llamada la raíz, por lo tanto se dice que la raya
esta enraizada a V.
Raya Extrema: Una raya extrema de un conjunto cerrado de S es una raya que no
puede ser expresada como combinación lineal de cualquier otra raya de S.
Todos los puntos óptimos están localizados en cualquiera de los dos extremos de la
raya ambos arraizados a V = (0, 5), en las direcciones (1, -1), y (-1, 1):
(X1, X2) = (0, 5) + (1, -1) + (-1, 1) =
( - ,5- + ),
para todo 0, y 0.
En vez de (0, 5) cualquier punto sobre la línea puede ser utilizado.
Sin embargo, para representar todos los puntos en la región de factibilidad, se necesita
un término adicional:
(X1, X2) = (0, 5) + (-1,1) + (1,-1) + (-1,-1),
para todo 0, 0, y 0.
El último término necesario para todos los puntos por debajo de la línea. Esto se obtiene
del hecho de que ambas variables son no-restringidas en signo [en direcciones [(0, -1)
y (-1, 0)].
La idea general para la representación paramétrica es que comenzamos en el vértice.
Nos movemos es la dirección de factibilidad de cada borde al próximo punto factible.
Si dicho punto existe (es decir, hemos encontrado oto vértice). Si no, el poliedro no es
restringido en esa dirección, lo que significa que dicha dirección es una raya extrema.
Note que, un poliedro sin vértices siempre contiene una línea (o hiper-plano). Para
dicho poliedro adicionamos una raya perpendicular a la línea (o hiper-plano) si la
restricción tiene la forma de inigualdad ( ,o como en el ejemplo anterior.

Remover las Restricciones de Igualdad Mediante la Sustitución Podría Cambiar


el Problema:
Siempre que exista cualquier restricción en forma de igualdad en u problema de PL,
existe la tentación de reducir el tamaño del problema removiendo las restricciones de
igualdad mediante la sustitución. El problema se mantiene igual si se eliminan la(s)
variable(s) no-restringidas mediante la igualdad de restricciones (si es posible). Sin
embargo, si no existen variables no-restringidas, se debe remover la restricción de
igualdad mediante la sustitución dado que esto podría generar otro problema de PL
totalmente diferente. Este es un ejemplo para remover una restricción de igualdad:
Max X1
Sujeto a:
X2 + X3 = -1
X1 - 2X2 + X3 1
X1 + X2 2
Todas las variables son no-negativas.
Este problema no tiene solución. Sin embargo, sustituyendo, digamos X3 = -1 - X2 en
todos lados, el problema cambia a:
Max X1
Sujeto a:
X1 - 3X2 2
X1 + X2 2
Todas las variables son no-negativas,
Obteniendo una solución óptima de (X1 = 2, X2 = 0), con un valor óptimo de 2. por lo
tanto, estos dos problemas No son equivalentes.
Sin embargo, usted se preguntará: ¿Bajo que condiciones es seguro el eliminar una
restricción de igualdad por sustitución? La respuesta es, ya sea bajo una variable no-
restringida, como se mencionó anteriormente, o si todos los coeficientes de una
restricción de igualdad tiene el mismo signo que LD, entonces sería seguro el eliminar
cualquier variable por sustitución de forma tal de reducir el número de variables y
restricciones.

Interpretación Errónea del Precio Sombra


El Precio Sombra nos dice en cuanto la función objetivo cambiará si cambiamos el lado
derecho (LMD) de la restricción correspondiente. Esto es llamado comúnmente el
“valor marginal”, “precio dual” o “valor dual” para la restricción. Por lo tanto, el precio
sombra no seria el mismo que el “precio de Mercado”.
Para cada LMD de las restricciones, el Precio Sombra dice exactamente en cuanto
cambiará la función objetivo si cambiamos el lado derecho (LMD) de la restricción
correspondiente dentro de los límites dados en el rango de sensibilidad del LMD.
Por lo tanto, para cada valor de LMD, el precio sombra es el ratio del cambio en el
valor óptimo causado por cada incremento (descenso) permitido dentro del cambio
permisible del LMD.

Desafortunadamente, existen malas interpretaciones en referencia al concepto del


precio sombra. Una de estas es, “ en los problemas de PL el precio sombra de una
restricción es la diferencia entre el valor optimizado de la función objetivo y el valor
de la función objetivo, evaluado en los términos óptimos cuando el LMD de la
restricción es incrementado en una unidad.” Este es el tópico de los siguientes sitios
Web: Diseños de Sistema de Soporte de Decisiones, Mótodos Cuantitativos, y Precios
Sombra y Costos de Penalidad . El último sitio Web contiene lo siguiente: “los Precios
Sombra para un problema de PL son la solución de su dual. El i-ésimo precio sombra
es el cambio en la función objetivo resultante del incremento de una unidad en la i-
ésima coordenada de b. Un precio sombra también es el monto que un inversionista
tendría que pagar por una unidad adicional de recurso con el objetivo de comprar al
fabricante.”
Un Contraejemplo:
Considere la siguiente PL:
Max X2
sujeto a:
X1 + X2 2
2,5X1 + 4X2 10
donde ambas variables de decisión son no-negativas.
Este problema logra su solución óptima en (0, 2) con un valor óptimo de 2.
Suponga que se desea calcular el precio sombra del primer recurso, lo cual es la LMD
de la primera restriccón.
Cambiando la LMD de la primera restricción incrementándolo en una unidad,
obtenemos:
Max X2
Sujeto a:
X1 + X2 3
2,5X1 + 4X2 10
Donde ambas variables de decisión son no-negativas.
El nuevo problema tiene una solución óptima de (0, 2,5) con un valor óptimo de 2,5.
Por lo tanto, esto parece “como si” el precio sombra para este recurso es 2,5 - 2 = 0,5.
De hecho el precio sombra para este recurso es 1, el cual puede ser encontrado mediante
la construcción y resolución del problema dual.
La razón para este problema se hace evidente si se nota que la tolerancia incrementa
para mantener la validez de que el precio sombra del primer recurso es 0,5. El
incremento en 1 esta mas allá del cambio permitido en el primer valor del LMD.
Suponga ahora que cambiamos el mismo valor de LMD por + 0,1 el cual es permisible,
luego el valor óptimo para el nuevo problema es 2,1. Por lo tanto el precio sombra es
(2,1 -2) / 0,1 = 1. Debemos ser cuidadosos cuando calculamos el precio sombra.
Si desea calcular el precio sombra de un LMD cuando su rango de sensibilidad no es
disponible, usted lo podría obtener para por lo menos dos perturbaciones. Si la tasa de
cambio para ambos casos le proporciona los mismos valores, esta tasa es por lo tanto
el precio sombra. Como un ejemplo, suponga que perturbamos el LMD de la primera
restricción por +0,02 y –0,01. Resolviendo el problema después de estos cambios
utilizando su software para resolver su PL, los valores óptimos son 2,02, y 1,09,
respectivamente. Dado que el valor óptimo para el problema nominal (sin ninguna
perturbación) es igual a 2, la tasa de cambio para estos dos casos son: (2,02 - 2)/0,02 =
1, y (1,09 - 2)/(-0,01) = 1, respectivamente. Dado que estas dos tasa son la misma,
concluimos que el precio sombra para la LMD de la primera restricción es por lo tanto
igual a 1.
¿Es el Precio Sombra Siempre no-Negativo?
Usted podría preguntarse “¿Es el precio sombra de un valor de LMD siempre no-
negativo?” Esto solo depende de la formulación del primal y su dual. Lo que es
importante para recordar es que el precio sombra de un LMD dado es la tasa de cambio
en el valor óptimo con respecto a ese LMD, dado que el cambio se encuentra dentro de
los límites de sensibilidad de ese LMD.
Considere el siguiente ejemplo numérico:
Max 3X1 + 5X2
Sujeto a:
X1 + 2X2 50
-X1 + X2 10
X1, X2 son no-negativos.
Estamos interesados en encontrar el precio sombra de LMD2 = 10. el problema dual
es:
Min 50U1 + 10U2
Sujeto a:
U1 - U2 3
2U1 + U2 5
U1 0, mientras que U2 0
Esto se puede verificar utilizando el software WinQSB. La solución para el dual es U1
= 8/3, U2 = -1/3. Por lo tanto, el precio sombra para el LMD2 = 10 es U2 = -1/3. Esto
significa que por cada unidad de incremento (descenso) en el valor de LMD2 el valor
óptimo para el problema primal decrece (incrementa) en 1/3, dado el cambio en que el
LMD2 se encuentra entre sus límites de sensibilidad.
Para otro ejemplo del mismo problema primal, note que el problema puede ser escrito
de forma equivalente mediante el cambio en la dirección de la segunda restricción de
inigualdad:
Max 3X1 + 5X2
Sujeto a:
X1 + 2X2 50
X1 - X2 -10
X1, X2 son no-negativos.
El problema dual para este problema primal ahora es ahora:
Min 50Y1 - 10Y2
Sujeto a:
Y1 + Y2 3
2Y1- Y2 5
Ambos Y1 y Y2 son no-negativos.
De nuevo, la formulación del dual puede ser verificada utilizando el software WinQSB
software. La solución a este problema dual es Y1 = 8/3 y Y2 = 1/3. Por lo tanto, el
precio sombra para LMD2 = -10 es Y2 = 1/3. esto significa que para cada unidad de
incremento (descenso) en el valor LMD2, el valor óptimo para el problema primal
incrementa (decrece) en 1/3, dado que el cambio en LMD2 se encuentra dentro de los
límites de sensibilidad.
Como usted previamente notó, ambos problemas duales son el mismo cuando se
sustituye U1 = Y1, y U2 = -Y2. Esto significa que los precios sombra obtenidos por el
LMD2 = 10, y LMD2 = -10 tienen el mismo valor con signos contrarios (como se
esperaba). Por lo tanto, el signo del precio sombra depende de cuando se formula el
problema dual, a pesar de que su significado e interpretación son siempre los mismos.
Visite adicionalmente

Situaciones de Mas-por-Menos & Menos-por-Mas.


Precios Sombra Alternativos
Suponga que tenemos una PL y esta tiene una solución óptima única. ¿Es posible
encontrar mas de un conjunto de precios duales?
Si, es posible. Considere el problema siguiente:
Min 16X1 + 24X2
sujeto a:
X1 + 3X2 6
2X1 + 2X2 4
todas las variables de decisión son 0.
Su solución dual es:
Max 6U1 + 4U2
sujeto a:
U1 + 2U2 16
3U1 + 2U2 24
todas las variables de decisión son 0,
Este problema dual tiene varias soluciones alternativas tales como, (U1 = 8, U2 = 0) y
(U1 = 4, U2 = 6). Todas las combinaciones convexas de estos dos vértices son
soluciones también.
Existen casos generales para los cuales los precios sombra no son únicos. Así como en
el ejemplo anterior, siempre que exista redundancia entre las restricciones, o si la
solución óptima es “degenerada”, debería existir masa de un conjunto de precios
duales. En general, la interdependencia lineal de las restricciones son una condición
suficiente para la unicidad de los precios sombra.
Considere el siguiente problema de PL con restricciones redundantes:
Max 10X1 + 13X2
Sujeto a:
X1 + X2 = 1
X1 + X2 = 1
X1+ 2X2 = 2
y todas las variables son no-negativas.
Haciendo la corrida del dual en Lindo (o su WinQSB ) se obtiene el resultado en X1 =
0, X2 = 1, con los precios sombra de (0, 13, 0).
Usando el WinQSB para este problema, obtenemos X1 = 0, X2 = 1 con diferentes
precios sombra de (0, 7, 3).
En el caso de redundancia, el precio sombra obtenido por un paquete de PL podría no
ser el mismo obtenido por otro.

Situaciones de Mas-por Menos & Menos-por Mas


Considere el siguiente problema de PL de producción:
Maximizar X1 + 3X2 + 2X3
sujeto a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = 9, todos los Xi son no-negativos.
El total e horas de trabajo son 4 y 9. El valor óptimo para este problema es $7.
Ahora, si se cambia la segunda disponibilidad de trabajo desde 9 a 12, el valor óptimo
sería $4. Esto significa que se ha trabajado mas horas por menos ingreso.
Esta situación se encuentra con frecuencia y es conocida como “La Paradoja de Mas-
por Menos”. El recurso número 2 tiene un precio sombra negativo!
Para determinar el mejor número de horas, se debe trabajar para maximizar el ingreso
mediante la resolución de la siguiente PL paramétrica:
Maximice X1 + 3X2 + 2X3
sujeto a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = L , L, y todos los Xi son no-
negativos.
Usando LINDO ( su WinQSB) debemos resolver
Maximice X1 + 3X2 + 2X3
sujeto a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 - L = 0.
El L óptimo es 8 horas, y el valor óptimo es $8!
La condición necesaria y suficiente para la situación de existencia de mas-por-menos/
menos- por –mas es tener restricción (es) de igualdad con precio (s) sombra negativo
(s) para los valores de LMD.