POST-OPTIMIZACIN Y SENSIBILIDAD

EN PROBLEMAS LINEALES.

Una de las hiptesis bsicas de los problemas lineales es la constancia de
los coeficientes que aparecen en el problema. Esta hiptesis solamente es
admisible a muy corto plazo, dado que para periodos de planificacin ms
amplios las condiciones y circunstancias del anlisis pueden ir cambiando.

El anlisis de post-optimizacin propiamente dicho, que estudia
como quedan afectadas las condiciones de optimalidad y de factibilidad de
la solucin actual, cuando se produce una modificacin o un cambio en
alguno de los coeficientes de problema. Adems, permite establecer la
solucin cuando se introducen nuevas variables o nuevas restricciones en el
problema.

El anlisis de sensibilidad, en este caso lo que se determina es el
rango o campo de variacin admisible para los diferentes coeficientes del
problema, dentro del cual la solucin actual se mantiene como factible y
como ptima.

El anlisis paramtrico o programacin lineal parametrica, en este
tipo de anlisis es posible determinar el conjunto de soluciones que
aparecen cuando alguno (o algunos) de los coeficientes del problema vara
de forma continua respecto de algn parmetro.





Condicin de factibilidad:

x
B
= B
-1
b 0


Condicin de optimalidad :

w
j
= c
j
- | c
B
B
-1
P
j
| 0


Sea:
Max F(x) = x
1
+ 2 x
2

s.a: x
1
+ x
2
4
2 x
1
+ x
2
6
x
1
0, x
2
0

La tabla ptima es:
1 2 0 0
X
1
x
2
s
1
s
2

2 x
2
1 1 1 0 4
0 s
2
1 0 -1 1 2
z
j
2 2 2
w
j
-1 0 -2 0 8

La grfica es:

0
1
2
3
4
5
0 1 2 3 4 5 6 7 8




Dentro del anlisis de post-optimizacin se pueden plantear los
siguientes casos que estudiaremos a continuacin:


1.- Cambio o variacin en los coeficientes de la funcin objetivo, c
j
.

2.- Modificacin en los trminos independientes de las restricciones, b
i
.

3.- Variacin en los coeficientes tcnicos de las restricciones, a
ij
.

4.- Introduccin de nuevas variables.

5.- Adicin de nuevas restricciones.




CAMBIO O VARIACIN EN LOS COEFICIENTES DE LA FUNCIN
OBJETIVO, c
j


Cambio en un c
j
de una variable no bsica.

Slo al w
j
de la variable c
j

As si c
k
pasa al valor c
k
.
w
k
= c
k
- | c
B
B
-1
P
k
|

w
k
= c
k
- | c
B
B
-1
P
k
|


Ejemplo 1.
Sobre el ejemplo planteado en la introduccin, realizamos una
modificacin del coeficiente asociado a la variable x
1
, suponemos que
cambia de su valor actual c
1
= 1 al valor de c
1
= 3/2.

El actual w
1
es :

w
1
= 1-
(

|
|
.
|

\
|
|
|
.
|

\
|
2
1
1 1 -
0 1
0) (2 = 1 - 2 = -1 < 0.

El nuevo valor w
1
ser:

w
1
= 3/2 -
(

|
|
.
|

\
|
|
|
.
|

\
|
2
1
1 1 -
0 1
0) (2 = 3/2 - 2 = -1/2 < 0.




1.5 2 0 0
x
1
X
2
s
1
s
2

2 x
2
1 1 1 0 4
0 s
2
1 0 -1 1 2
z
j
2 2 2 0
w
j
-.5 0 -2 0 8

Ejemplo 2.
Supongamos ahora que el coeficiente en la funcin objetivo de la
variable x
1
es ahora de 3. Al igual que en el ejemplo 1, solamente se ver
afectado el rendimiento marginal de esta variable. Con lo cual el nuevo
rendimiento marginal de x
1
es:

w
1
= 3 -
(

|
|
.
|

\
|
|
|
.
|

\
|
2
1
1 1 -
0 1
0) (2 = 3 - 2 = 1 > 0.


3 2 0 0
x
1
X
2
s
1
s
2

2 x
2
1 1 1 0 4
0 s
2
1 0 -1 1 2
z
j
2 2 2 0
w
j
1 0 -2 0 8


la nueva tabla :

3 2 0 0


x
1
X
2
s
1
s
2

2 x
2
0 1 2 -1 2
3 x
1
1 0 -1 1 2
z
j
3 2 1 1
w
j
0 0 -1 -1 10

Grficamente, este cambio equivale a una modificacin de la
pendiente de la funcin objetivo original (1/2) a una nueva pendiente de
(3/2), lo cual supone que el punto (0,4) ya no es el punto extremo de
tangencia de la funcin objetivo con el conjunto de oportunidades, sino que
se desplaza hasta el punto (2,2). La nueva solucin grfica es:

0
1
2
3
4
5
0 1 2 3 4 5 6 7 8


La curva de nivel de la funcin objetivo est representada por la recta
que une el punto (10/3,0) con el punto (0,5), siendo el punto de contacto el
punto (2,2) donde la funcin objetivo alcanza el valor de 10.

Cambio en un c
j
de una variable bsica.



Esta modificacin afectar al vector de coeficientes de la funcin objetivo
de las variables bsicas, es decir, al vector c
B
, y con ello a todos los
rendimientos marginales de las variables no bsicas (los de las bsicas
seguirn siendo cero), los cuales es necesario recalcular para adecuarlos a
los cambios producidos en el vector c
B
.

w
j
= c
j
- | c
B
B
-1
P
j
|

Ejemplo 3
Supongamos para el ejemplo de la introduccin que se ha producido
una modificacin en el coeficiente de la funcin objetivo de la variable x
2
,
pasando del valor actual de c
2
= 2 a c
2
= 4.

Como la variable x
2
es una variable bsica, esto afectar al vector de
coeficientes de variables bsicas, el vector c
B
era c
B
= ( 2, 0)
t
, con el cambio
en el coeficiente c
2
el nuevo vector c
B
ser c
B
= ( 4, 0)
t
.

Como este cambio afecta a todos los rendimientos marginales de las
variables no bsicas (x
1
y s
1
), los nuevos rendimientos marginales sern:
w
1
= 1- ( )
(

|
|
.
|

\
|
|
|
.
|

\
|
2
1
1 1
0 1
0 4 = 1 - 4 = -3 < 0

w
s1
= 0 - ( )
(

|
|
.
|

\
|
|
|
.
|

\
|
2
1
1 1
0 1
0 4 = 0 - 4 = -4 < 0

Siendo el nuevo valor de la funcin objetivo



F(x) = c
B
t
x
B
= (4,0)
|
|
.
|

\
|
2
4
= 16

O lo que es lo mismo, que sustituyendo en la tabla ptima el valor
del nuevo coeficiente c
2
, es decir:

1 4 0 0
x
1
x
2
s
1
s
2

4 x
2
1 1 1 0 4
0 s
2
1 0 -1 1 2
z
j
4 4 4 0
w
j
-3 0 -4 0 16


0
1
2
3
4
5
0 1 2 3 4 5 6 7 8

Grfico 3




MODIFICACIN EN LOS TRMINOS INDEPENDIENTES DE LAS
RESTRICCIONES , b
i


Afecta a la condicin de factibilidad, es decir, a

x
B
= B
-1
b

si se mantiene la condicin de no negatividad de las variables (mayor o
igual que cero) la solucin actual (entendida como que las variables bsicas
son las mismas, y no como valor de estas variables) sigue siendo ptima.

Los cambios pueden violar esta condicin de factibilidad, es decir,
que x
B
tenga alguna o algunas componentes menores que cero. En este
caso, cuando se rompe la factibilidad del problema, ya no es posible seguir
iterando dado que se mantiene la condicin de optimalidad ( w
i
0 i ) y
por tanto no hay criterio de entrada.

La forma de restablecer la factibilidad es por la vial del dual, ya que a una
solucin factible primal le corresponde una solucin optima dual, por
tanto, si la solucin es infactible, la solucin del dual deja de ser ptima, y
es posible seguir iterando por la va del dual hasta encontrar una solucin
ptima y factible, momento en el cual es posible establecer la solucin
correspondiente de primal.



Ejemplo 4.

Supongamos sobre el problema que estamos manejando a lo largo de
la exposicin:
Max f(x) = x
1
+ 2 x
2

s.a: x
1
+ x
2
4
2 x
1
+ x
2
6
x
1
0, x
2
0

que se produce una modificacin del trmino independiente de la primera
restriccin pasando a tomar el valor de 5.

La matriz B est formada por los vectores P
2
y P
s2
, es decir:

B =
|
|
.
|

\
|
1 1
0 1
B
-1
=
|
|
.
|

\
|
1 1
0 1


el nuevo valor de los trminos independientes es

b =
|
|
.
|

\
|
6
5


por lo que el valor de las variables bsicas ser:

x
B
=
|
|
.
|

\
|
1 1
0 1

|
|
.
|

\
|
6
5
=
|
|
.
|

\
|
1
5
0



Como el nuevo valor de las variables bsicas mantiene la
factibilidad, la solucin actual se mantiene como ptima, solamente se
habr producido un cambio en el valor de las variables y en el valor de la
funcin objetivo, es decir

x
2
= 5, s
2
= 1 , F(x) = 25 + 01 = 10

La tabla ptima ser la misma que la original salvo los cambios en el
valor de las variables y en la funcin objetivo:

1 2 0 0
x
1
x
2
s
1
s
2

2 x
2
1 1 1 0 5
0 s
2
1 0 -1 1 1
z
j
2 2 2 0
w
j
-1 0 -2 0 10

Grficamente un cambio en el trmino independiente significa una
alteracin del conjunto de oportunidades original. Para el ejemplo que
estamos analizando el cambio de b
1
= 4 a b
1
= 5, significa una ampliacin
del conjunto de oportunidades, con lo que el vrtice solucin ha pasado de
ser el (0,4) a ser el (0,5), es decir:



0
1
2
3
4
5
0 1 2 3 4 5 6 7 8


Ejemplo 5 .
Vamos a suponer ahora, un incremento superior en el trmino
independiente de la primera restriccin para que pase a ser de 8, lo que
significa que b
1
= 8.
El valor de las variables bsicas ser:

x
B
=
|
|
.
|

\
|
1 1
0 1

8
6
|
\

|
.
| =
|
|
.
|

\
|
2
8


Con estos valores de las variables bsicas se ha perdido la
factibilidad del problema, es decir, la nueva solucin (variables bsicas x
2
=
8, s
2
=-2 ) no pertenece al conjunto de oportunidades que se ha formando
con el aumento del trmino independiente de la primera restriccin.
Grficamente esto significa :



0
2
4
6
8
10
0 2 4 6 8 10 12 14 16


El nuevo conjunto de oportunidades viene definido nica y
exclusivamente por la segunda restriccin, por tanto la primera se comporta
como inactiva. El punto que nos ha proporcionado el anlisis anterior, el
punto (0,8) est fuera del nuevo conjunto, por lo que se trata de una
solucin infactible, es decir, se trata de una solucin imposible para este
problema.
La forma de restablecer la factibilidad es a travs del paso al
problema dual asociado:

La tabla correspondiente, aunque infactible, es la siguiente:
1 2 0 0
x
1
x
2
s
1
s
2

2 x
2
1 1 1 0 8
0 s
2
1 0 -1 1 -2
z
j
2 2 2 0
w
j
-1 0 -2 0 16



Desde esta tabla ya no se puede seguir iterando por el mtodo primal
del simplex, dado que se verifica la condicin de optimalidad (w
j
0).

El problema dual asociado ser:

Min G() = 8
1
+ 6
2

s.a:
1
+ 2
2
1

1
+
2
2

1
0 ;
2
0

La tabla de dual asociada a la solucin infactible del primal ser:

-8 -6 0 0

1

2
d
1
d
2

-8
1
1 1 0 -1 2
0 d
1
0 -1 1 -1 1
z
j
-8 -8 0 8
w
j
0 2 0 -8 -16

donde d
1
y d
2
son las variables de holgura del dual asociadas a las dos
restricciones.

Para obtener la tabla dual se ha procedido de la forma que hemos
visto con anterioridad, es decir, en primer lugar hemos de conocer las
variables bsicas del problema. En este caso sern las variables (
1
y d
1
)
que son las variables del dual asociadas a las variables no bsicas del
primal s
1
y x
1
respectivamente. Una vez conocidas las variables bsicas, el
paso siguiente es obtener la matriz B y su inversa, es decir:



B =
|
|
.
|

\
|

0 1
1 1
B
-1
=
|
|
.
|

\
|
1 1
1 0


Una vez determinada la matriz B
-1
, multiplicamos la matriz de
coeficientes tcnicos del dual y as obtenemos las componentes de la tabla.
El valor de las variables bsicas se obtiene al multiplicar B
-1
por el vector
de trminos independientes.

Como puede observarse, la tabla anterior del dual es factible, pero no
es ptima, por tanto podemos introducir la variable
2
en la base
eliminando de ella a la variable
1
, obtenindose la siguiente tabla:

-8 -6 0 0

1

2
d
1
d
2

-6
2
1 1 0 -1 2
0 d
1
1 0 1 -2 3
z
j
-6 -6 0 6
w
j
-2 0 0 -6 -12

En este caso se trata de una tabla que es factible y ptima, por tanto,
para determinar la solucin ptima del primal debemos realizar el paso del
dual al primal de la forma que hemos expuesto con anterioridad.

Las variables bsicas del primal son x
2
y s
1
, ya que son las variables
del primal asociadas a las variables no bsicas del dual ( d
2
y
1
). Con estas
variables determinamos la matriz B, y a travs de su inversa ya podemos
completar todo el proceso.



B =
|
|
.
|

\
|
0 1
1 1
B
-1
=
|
|
.
|

\
|
1 1
1 0


Por tanto, la tabla ptima del problema primal es:

1 2 0 0
x
1
x
2
s
1
s
2

2 x
2
2 1 0 1 6
0 s
1
-1 0 1 -1 2
4 2 0 2
-3 0 0 -2 12

Solucin que se corresponde con el vrtice (0,6), siendo la primera
restriccin inactiva, tal como hemos podido constatar por el grfico
anterior.

Todo lo que acabamos de exponer se puede simplificar si en lugar de
emplear el algoritmo del simplex, usamos el algoritmo dual simplex, ya que
en este caso se hace innecesario el paso al problema dual y su posterior
transformacin al primal.



VARIACIN EN LOS COEFICIENTES TCNICOS DE LAS
RESTRICCIONES, a
ij


Los cambios o modificaciones en los coeficientes tcnicos de las
restricciones pueden afectar tanto a la condicin de factibilidad como a la
de optimalidad, segn se trate de un coeficiente asociado a una variable no
bsica o a una variable bsica.

Los coeficientes tcnicos forman parte de los vectores asociados a las
diferentes variables, vectores P
i
.Como la repercusin segn se trate de una
variable bsica o no bsica, puede ser muy distinta, estudiaremos los dos
casos por separado.

Variacin en un coeficiente tcnico de una variable no bsica.

El cambio en un coeficiente a
ij
afecta al vector P
j
, y por tanto al
correspondiente vector transformado en la tabla ptima, dado que P
j
= B
-1

P
j
. Estos cambios afectan a los rendimientos indirectos de esta variable y
por consiguiente a los rendimientos marginales, es decir, a la condicin de
optimalidad:

w
j
= c
j
- | c
B
B
-1
P
j
|

Si w
j
es menor que cero, la solucin actual seguir siendo optima, y
adems de vrtice, si la original era as.



Si w
j
es cero, quiere decir que la solucin actual es ptima, pero ya
no es nica, sino que existe una solucin alternativa a esta.

En el caso de que w
j
sea positivo la solucin actual deja de ser
ptima , y deberemos seguir iterando hasta encontrar una nueva solucin
ptima.

Ejemplo 6.
Sobre el problema que venimos usando a lo largo de esta exposicin,
vamos a suponer que se ha producido un cambio en el coeficiente de la
variable x
1
de la primera restriccin pasando del valor actual de 1 al nuevo
valor de 1/3.

Esta modificacin afecta al rendimiento marginal de la variable x
1
,
que ser en este caso:

w
1
= 1 - ( )
(

|
|
.
|

\
|
|
|
.
|

\
|
2
3 / 1
1 1
0 1
0 2 = 1/3 > 0

Con lo que la solucin actual deja de ser ptima, por tanto debemos
seguir iterando a travs del mtodo simplex hasta encontrar la nueva
solucin ptima.

La tabla correspondiente ser:




1 2 0 0
x
1
x
2
s
1
s
2

2 x
2
.33 1 1 0 4
0 s
2
1.66 0 -1 1 2
z
j
.66 2 2 0
w
j
.33 0 -2 0 8

Por tanto, introduciendo la variable x
1
en la base y eliminando a la
variable s
2
, tenemos la tabla siguiente:

1 2 0 0
x
1
x
2
s
1
s
2

2 x
2
0 1 1.2 -.2 3.6
1 x
1
1 0 -.6 .6 1.2
z
j
1 2 1.8 .2
w
j
0 0 -1.8 -.2 8.4

En el grfico 5, podemos observar que se ha producido una
alteracin del conjunto de oportunidades, y con ello un cambio del vrtice
solucin ptima, del vrtice (0,4) se ha pasado al vrtice (1.2, 3.6).



0
1
2
3
4
5
0 1 2 3 4 5 6 7 8


Variacin en un coeficiente tcnico de una variable bsica .

Los cambios en un vector bsico afectan tanto a las condiciones de
optimalidad como a las de factibilidad, dado que el vector P
j
pertenece a la
matriz B, y por tanto sus modificaciones pueden afectar sustancialmente al
problema actual. Los cambios pueden ser mltiples, desde hacer que B sea
una matriz singular, y por tanto sin inversa, hasta que las modificaciones de
B mantengan la factibilidad y la optimalidad de la solucin actual.

En el caso que B devenga una matriz singular, ya no tenemos
procedimiento para poder continuar, y la alternativa en este caso es
reiniciar el problema desde su origen.

En el caso de que B siga siendo regular, y por tanto sea posible
obtener B
-1
, pueden darse los casos siguientes:




a) x
B
= B
-1
b 0
w
j
= c
j
- | c
B
B
-1
P
j
| 0
La solucin actual sigue siendo factible y ptima.

b) x
B
= B
-1
b 0
w
j
= c
j
- | c
B
B
-1
P
j
| > 0
La solucin se mantiene como factible, pero deja de ser ptima, en
este caso es posible seguir iterando a travs del mtodo simplex hasta
encontrar la solucin ptima.

c) x
B
= B
-1
b < 0
w
j
= c
j
- | c
B
B
-1
P
j
| 0
En esta caso la solucin es infactible pero se verifica la condicin de
optimalidad, por tanto, la alternativa es seguir el proceso explicado para
esta situacin, es decir, pasar al dual (factible pero no ptimo) y seguir
iterando por la va del dual hasta encontrar la solucin ptima y una vez
alcanzada esta solucin, regresar al programa primal para poder determinar
su solucin ptima.

d) x
B
= B
-1
b < 0
w
j
= c
j
- | c
B
B
-1
P
j
| > 0
Cuando la solucin actual se convierte en infactible y adems no
verifica las condiciones de optimalidad, la alternativa ms conveniente es
iniciar nuevamente el proceso de obtencin de la solucin.



ADICIN DE NUEVAS VARIABLES.

La incorporacin de una nueva variable al problema original produce
un aumento de la dimensionalidad de la tabla por la va de las columnas.

Para ver si esa adicin altera la solucin actualmente ptima, hay que
comprobar la condicin de optimalidad de esa variable, ya que el aumento
de las columnas no afecta a la condicin de factibilidad de la tabla.

La nueva variable aadida x
k
, llevar asociado su coeficiente en la
funcin objetivo ( c
k
) y su vector de coeficientes tcnicos ( P
k
), y
habremos de calcular su rendimiento marginal.

w
k
= c
k
- | c
B
B
-1
P
k
|

Si este rendimiento marginal es menor que cero, la solucin actual se
mantiene como ptima. Si se anula el rendimiento marginal significa que
hay soluciones alternativas a la actual pero con el mismo valor de la
funcin objetivo. En el supuesto que dicho rendimiento marginal sea
positivo hemos de introducir la nueva variable en la tabla como variable
bsica y seguir iterando hasta encontrar la nueva solucin ptima.



Ejemplo 7.
Al problema que venimos utilizando como base:

Max F(x) = x
1
+ 2 x
2

s.a: x
1
+ x
2
4
2 x
1
+ x
2
6
x
1
0, x
2
0

le aadimos una nueva variable (x
3
) con coeficiente en la funcin objetivo
de c
3
= 6 y un vector tcnico:P
3
= (2,2)
t

El rendimiento marginal de la nueva variable es :

w
3
= 6 - ( )
(

|
|
.
|

\
|
|
|
.
|

\
|
2
2
1 1
0 1
0 2 = 2 > 0

Al ser este rendimiento marginal positivo, la solucin actual deja de
ser ptima, y por tanto deberemos introducir la variable x
3
en la tabla, para
ello solo necesitamos conocer el vector transformado (P
3
) respecto de la
base B del vector original. (Vector que se ha calculado en w
3
), con ello la
tabla ser:
1 2 6 0 0
x
1
x
2
x
3
s
1
s
2

2 x
2
1 1 2 1 0 4
0 s
2
1 0 0 -1 1 2
z
j
2 2 4 2 0
w
j
-1 0 2 -2 0 8



Introduciendo la variable x
3
en lugar de x
2
, la nueva tabla ser:

1 2 6 0 0
x
1
x
2
x
3
s
1
s
2

2 x
2
1 1 2 1 0 4
0 s
2
1 0 0 -1 1 2
z
j
2 2 4 2 0
w
j
-1 0 2 -2 0 8

La tabla es ptima ya que todos los rendimientos marginales de las
variables no bsicas son negativos.




INTRODUCCIN DE NUEVAS RESTRICCIONES.

La introduccin de una nueva restriccin al problema original,
conlleva un aumento de la dimensionalidad de la tabla por la va de las
filas, as como un aumento del nmero de variables bsicas. Por tanto, el
aumento del nmero de filas no afecta a la condicin de optimalidad pero si
a la de factibilidad.

En trminos de representacin grfica las nuevas restricciones
afectan al poliedro (o politopo) que forman las restricciones, de manera que
ste se puede ver reducido o no y en consecuencia la actual solucin puede
dejar de pertenecer al nuevo conjunto convexo.

Para analizar si las nuevas restricciones afectan a la solucin actual
procederemos de la siguiente forma:

1) Para la nueva restriccin:

a x b
kj j k

j
n
1


Se aade la correspondiente variable de holgura, para convertirla en
una igualdad, es decir:

k
1
j kj
b x a

=
= +
n
j
k
s



2) Sustituyendo los valores de la variables x
j
por sus valores en la
solucin ptima, podremos determinar el valor de la variable s
k
.

a) Si s
k
h
> 0 , la actual solucin verifica la restriccin y por tanto
continua siendo ptima, nicamente necesitamos una nueva variable bsica
que ser s
k
.

b) Si s
k
= 0, la solucin sigue siendo ptima, pero degenerada, ya que
la nueva variable bsica es nula.

c) En el caso de que x
k
h
< 0, la la solucin actual no verifica la nueva
restriccin, y por tanto, es infactible para el nuevo problema, lo cual se
puede resolver restituyendo la factibilidad por la va del dual. Es decir,
planteamos el programa dual asociado, y para este programa la nueva
restriccin equivale a introducir una variable adicional, para lo cual
procedemos como hemos visto en el epgrafe anterior para aadir nuevas
variables. Una vez alcanzada la solucin ptima y factible del dual,
tendremos que deshacer las transformaciones realizadas volviendo de
nuevo al programa primal.

Ejemplo 8 .
Al problema original le aadimos la siguiente restriccin:

3x
1
+x
2
6

En el grfico 7 podemos observar que esta restriccin modifica el
conjunto de oportunidades original, pero en la porcin de conjunto


eliminada no est la actual solucin optima, la del punto (0,4), por lo quye
se mantendr como ptima.

0
1
2
3
4
5
0 1 2 3 4 5 6 7 8


Para resolverlo, repetiremos los pasos expuestos con anterioridad, es
decir:

1) Aadimos la variable de holgura correspondiente:

3x
1
+x
2
+s
3
= 6

2) Sustituimos x
1
y x
2
por sus valores en la solucin ptima, es decir,
x
1
=0 y x
2
=4, tenemos :
s
3
= 6 - 30 - 14 = 2 > 0

con ello, vemos que la nueva variable mantiene la factibilidad de la
solucin actual. Por tanto, solo cabe aadir el nuevo valor de la variable


bsica s
3
= 2., es decir, la nueva solucin ser: x
2
= 4, s
2
= 2 y s
3
= 2 siendo
el valor de la funcin objetivo de f(x) = 8.

Si queremos reconstruir la tabla ptima hemos de recurrir al clculo
de la inversa de la nueva base B, y a partir de ella obtener todas las
componentes de la tabla.

Ejemplo 9 .
Al problema original le aadimos la restriccin siguiente:

x
1
+ 3 x
2
6.

Por tanto el nuevo problema ser:


Max F(x) = x
1
+ 2 x
2

s.a: x
1
+ x
2
4
2 x
1
+ x
2
6
x
1
+ 3 x
2
6.
x
1
0, x
2
0

Antes de proceder a analizar el comportamiento de la nueva
restriccin, y dado que el problema tiene dos variables, podemos ver en el
grfico 8 el efecto de la introduccin de la nueva restriccin:



0
1
2
3
4
5
0 1 2 3 4 5 6 7 8


Como puede observarse la nueva restriccin elimina una porcin
factible del conjunto original y entre los puntos eliminados, est la solucin
(vrtice (0,4)). Con ello, la nueva solucin se obtiene en el punto (12/5,
6/5), que es el punto de tangencia del nuevo conjunto de oportunidades con
la recta de nivel de la funcin objetivo.

Vamos a proceder ahora a travs de la operacin descrita con
anterioridad, a convertir la restriccin en una igualdad con la introduccin
de una nueva variable de holgura.

1) Aadimos la variable de holgura correspondiente:

x
1
+ 3 x
2
+s
3
= 6.
2) Sustituimos x
1
y x
2
por sus valores en la solucin ptima, es decir
x
1
=0 y x
2
=4, con lo que tenemos :
s
3
= 6 - 0 - 34 = -6 < 0



el valor de la nueva variable es negativo, por tanto, se trata de una solucin
infactibe. Para restituir la factibilidad, tenemos que introducir la nueva
restriccin en el primal como una nueva variable en el dual, por ello, vamos
a plantear los primales y duales correspondientes:

Programa Primal Original (PPO):

Max F(x) = x
1
+ 2 x
2

s.a: x
1
+ x
2
4
2 x
1
+ x
2
6
x
1
0, x
2
0

A este programa le corresponde el siguiente Programa Dual Original
(PDO):

Min G() = 8
1
+ 6
2

s.a.
1
+ 2
2
1

1
+
2
2

1
0,
2
0

Si aadimos la correspondiente restriccin al primal, obtendremos el
Programa Primal Ampliado (PPA):
Max F(x) = x
1
+ 2 x
2

s.a: x
1
+ x
2
4
2 x
1
+ x
2
6
x
1
+ 3 x
2
6.
x
1
0, x
2
0



Asociado a este programa primal tenemos su correspondiente dual,
Programa Dual Ampliado (PDA):

Min G() = 8
1
+ 6
2
+ 6
3

s.a.
1
+ 2
2
+
3
1

1
+
2
+ 3
3
2

1
0,
2
0 ,
3
0

Las tablas ptimas del PPO y del PDA son las siguientes:
1 2 0 0
x
1
x
2
s
1
s
2

2 x
2
1 1 1 0 4
0 s
2
1 0 -1 1 2
z
j
2 2 2 0
w
j
-1 0 -2 0 8

-4 -6 0 0

1

2
d
1
d
2

-4
1
1 1 0 -1 2
0 d
1
0 -1 1 -1 1
z
j
-4 -4 0 4
w
j
0 -2 0 -4 -8

La introduccin de una nueva restriccin en el PPO, equivale a
introducir una nueva variable en el PDO, es decir a introducir la variable
3

con coeficiente en la funcin objetivo de c
3
= 6, y un vector asociado :P
3
=


|
|
.
|

\
|
3
1
. Por tanto el vector transformado respecto a las variables bsicas del
dual ser:

P
3
= B
-1
P
3
=
|
|
.
|

\
|
1 1
1 0

|
|
.
|

\
|
3
1
.=
|
|
.
|

\
|
2
3
.

Dado que podemos intuir que el rendimiento marginal asociado a
esta nueva variable ser positivo (variable asociada a un primal infactible)
podemos insertar la nueva columna en la tabla dual correspondiente, y
tenemos:

-4 -6 -6 0 0

1

2

3
d
1
d
2

-4
1
1 1 3 0 -1 2
0 d
1
0 -1 2 1 -1 1
z
j
-4 -4 -12 0 4
w
j
0 -2 6 0 -4 -8

Como podemos observar el rendimiento marginal de la variable
3
es
positivo (valor de la variable s
3
cambiado de signo) por tanto esta tabla no
es ptima, ya que podemos introducir en la base a la variable
3

desplazando de la base actual a la variable d
1
. Con lo cual la nueva tabla es
:



-4 -6 -6 0 0

1

2

3
d
1
d
2

-4
1
1 5/2 0 -3/2 1/2 1/2
-6
3
0 -1/2 1 1/2 -1/2 1/2
z
j
-4 -7 -6 3 1
w
j
0 1 0 -3 -1 -5

Esta tabla tampoco es ptima ya que el rendimiento marginal de la
variable
2
es positivo, por tanto la variable
2
entra en la base desplazando
de ella a la variable
1
. En este caso la nueva tabla es:

-4 -6 -6 0 0

1

2

3
d
1
d
2

-6
2
2/5 1 0 -3/5 1/5 1/5
-6
3
1/5 0 1 1/5 -2/5 3/5
z
j
-18/5 -6 -6 12/5 6/5
w
j
-2/5 0 0 -12/5 -6/5 -24/5

Una vez llegados a la tabla ptima del programa dual, hemos de
regresar al programa primal, es decir, hemos de establecer las relaciones
entre la variables de ambos problemas:

1
= 0 s
1
=2/5

2
= 1/5 s
2
= 0

3
= 3/5 s
3
= 0
d
1
= 0 x
1
= 12/5


d
2
= 0 x
2
= 6/5
G() = 24/5 = F(x)

A partir de las relaciones anteriores podemos determinar que la
solucin ptima es el vrtice (12/5, 6/5), no obstante, si queremos obtener
la tabla optima asociada a este programa primal ampliado (PPA), basta con
determinar las variables bsicas, y a partir de ellas la matriz B, y con ella B
-
1
, y toda la tabla ptima.
Las variables bsicas son: (x
1
, x
2
, s
1
), la matriz formada por los
vectores asociados a estas variables es:
B=
|
|
|
.
|

\
|
0 3 1
0 1 2
1 1 1


la matriz inversa
B
-1
=
|
|
|
.
|

\
|

5 / 1 5 / 2 1
5 / 2 5 / 1 0
5 / 1 5 / 3 0


Multiplicando la matriz B
-1
por la matriz de coeficientes del
problema, es decir la matriz A, obtendremos los coeficientes de la tabla
ptima, es decir:

B
-1
A =
|
|
|
.
|

\
|

5 / 1 5 / 2 1
5 / 2 5 / 1 0
5 / 1 5 / 3 0

|
|
|
.
|

\
|
6 1 0 0 3 1
6 0 1 0 1 2
4 0 0 1 1 1


Con lo cual la tabla ptima del problema primal ser:



1 2 0 0 0
x
1
x
2
s
1
s
2
s
3

0 s
1
0 0 1 -2/5 -1/5 2/5
1 x
1
1 0 3/5 -1/5 12/5
2 x
2
0 1 0 -1/5 2/5 6/5
z
j
1 2 0 1/5 3/5
w
j
0 0 0 -1/5 -3/5 24/5

Como era de esperar la nueva solucin coincide con el vrtice que se
ha determinado previamente por el mtodo grfico, es decir, el vrtice
(12/5,6/5).