Instituto Tecnolgico de

Piedras Negras

Alumna: Jeanette Itzarely Rodarte

Materia: Investigacin de Operaciones I
Ing. Hctor David Garza Reyes
Clase: 12:00- 13:00
 Casos Especiales en el Mtodo Simplex
Degeneracin

En la aplicacin de la condicin de factibilidad, una coincidencia de la razn mnima se

debe descomponer en forma arbitraria para los fines de determinar la variable que sale.
Cuando suceda esto una o ms veces de las variables bsicas, ser necesariamente
igual a cero en la siguiente iteracin. En este caso, decimos que la nueva solucin es
degenerada.

Ejemplo (Solucin ptima degenerada)

Maximizar z = 3x1 +9x2

Sujeto a

X1+4X28
X1+2x24
X1,X20

Tres rectas cruzan el ptimo. Como ste es un problema bidimensional, se dice que el
punto est ms que determinado (o sobredeterminado), ya que solo necesitamos dos
rectas para identificarlo. Por este motivo, concluimos que una de las restricciones es
redundante. Desafortunadamente no existen tcnicas confiables para identificar
restricciones redundantes directamente a partir de la tabla.
Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera
tiene que ver con el fenmeno del ciclaje o reciclaje. Si se observan las iteraciones 1 y
2 de la tabla, se ver que el valor de la funcin objetivo no ha mejorado (z=18). Por lo
tanto, es posible, en trminos generales, que el procedimiento simplex repetira
la misma sucesin de iteraciones, sin mejorar nunca el valor de la funcin objetivo ni
poner fin a los clculos.

El segundo punto terico se presenta en el examen de las iteraciones 1 y 2. Ambas

iteraciones, pese a diferir en la clasificacin de las variables como bsicas y no
bsicas, producen valores idnticos de todas las variables y el valor de la funcin
objetivo, es decir,

x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18

Por lo tanto, se genera un argumento relacionado con la posibilidad de suspender los

clculos en la iteracin 1 (cuando aparece la degeneracin), aunque no es ptima. Este
argumento no es vlido porque, en general, una solucin puede ser temporalmente
degenerada.

Opciones ptimas

Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una

restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima),
la funcin objetivo tomara el mismo valor optimo en ms de un punto de solucin. Por
esta razn reciben el nombre de opciones ptimas.

Ejemplo (Infinidad de soluciones)

Maximizar z = 2x1 + 4x2

Sujeto a
 X1+X25
X1+X24
X1,X20

En trminos algebraicos sabemos que el mtodo simplex es capaz de encontrar

soluciones en puntos extremos exclusivamente.

Como es de esperarse, el mtodo simplex slo determina los puntos extremos B y C.

Matemticamente podemos determinar todos los puntos (x1, x2), del segmento de
recta BC, como un promedio ponderado no negativo de los puntos B y C. Esto es, dada
la relacin 0 1 y

B: x1 =0, x2=5/2

C: X1=3, x2=1
Solucin no acotada

En algunos modelos de programacin lineal los valores de las variables se pueden

aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa
que el espacio de soluciones es no acotado cuando menos en una direccin. Como
resultado, el valor de la funcin objetivo puede crecer (caso de maximizacin) o de
crecer (caso de minimizacin) en forma indefinida. En este caso decimos que el
espacio de soluciones y el valor "ptimo" de la funcin objetivo son no acotados.

La falta de explicacin en un modelo puede sealar solo una cosa: el modelo est mal
construido. Evidentemente resulta irracional hacer que un modelo produzca una
ganancia " infinita". Las irregularidades ms probables en estos modelos son: 1) Nose
toman en cuenta una ms restricciones redundantes, y 2) No se determinan
correctamente los parmetros (constantes) de algunas restricciones.

La regla general para reconocer la falta de acotacin es la siguiente. Sien cualquier

iteracin los coeficientes de las restricciones de una variable no bsica son no
positivos, entonces el espacio de soluciones no est acotado en esa direccin.
Adems, si el coeficiente de la funcin objetivo de esa variable en el caso de la
maximizacin o positivo en el caso de la minimizacin, entonces el valor de la funcin
objetivo tampoco est acotado.

Ejemplo (Funcin objetivo no acotada)

Maximizar z = 2x1 + x2

Sujeto a

X1-X210
2X1 40
X1,X20
Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1 tiene
el coeficiente ms negativo. Normalmente se selecciona como la variable que entra.
Sin embargo, ntese que todos los coeficientes de las restricciones por debajo de
x2 son negativos o cero, esto significa que x2 se puede hacer crecer en forma
indefinida sin que se infrinja ninguna de las restricciones. Como cada incremento de
una unidad en x2, aumentar z en 1, un incremento infinito en x2tambin dar lugar a
un incremento infinito en z. Por lo tanto, concluimos que el problema no tiene solucin
acotada. Este resultado se puede apreciar en la figura. El espacio de soluciones no
est acotado en la direccin de x2 y el valor de z puede crecer en forma indefinida.

La regla general para reconocer la falta de acotacin es la siguiente. Si en cualquier

iteracin los coeficientes de las restricciones de una variable no bsica son no
positivos, entonces el espacio de soluciones no est acotado en esa direccin.
Adems, si el coeficiente de la funcin objetivo de esa variable es negativo en el caso
de la maximizacin o positivo en el caso de la minimizacin, entonces el valor de la
funcin objetivo est acotado.

Solucin infactible

Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el modelo

no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones
son del tipo (suponiendo constantes no negativas en el segundo miembro) ya que la
variable de holgura produce siempre alguna solucin factible. Sin embargo, cuando
empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales
que, por su mismo diseo, no ofrecen una solucin factible al modelo original. Aunque
se toman medidas (a travs del uso de la penalizacin) para hacer que las variables
artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene un
espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la
iteracin ptima. Esta es nuestra indicacin que el problema no tiene solucin factible.

Desde el punto de vista prctico un espacio infactible apunta a la posibilidad de que el

modelo no se haya formulado correctamente en virtud de que las restricciones estn en
conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en
forma simultnea, en este caso, quina se necesite una estructura del modelo
totalmente deferente que no admita todas las restricciones al mismo tiempo.

Ejemplo de espacio de solucin infactible

Maximizar z = 3x1 + 2x2

Sujeto a

2X1+X22

3X1+4X212

X1,X20

Las iteraciones simplex de la tabla muestran que la variable artificial R es positiva (= 4)

en la solucin ptima. Esta es una indicacin de que el espacio de soluciones es
infactible. La figura muestra el espacio de soluciones infactible.

El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha invertido
en esencia la direccin de la desigualdad de 3X1+4X212 a 3X1+4X212 . El resultado
lo podemos llamar la solucin pseudoptima.
Precio Sombra
Definicin: Es el precio asociado a la restriccin i que mejora el valor ptimo de la
funcin objetivo, si se aumenta en una unidad el Lado Derecho (LD) de una restriccin
en el problema primal y al hacerlo la base actual sigue siendo ptima.

Explicacin: El precio sombra es el valor que adquieren las variables del Dual en un
tablero ptimo. Si en un problema se resuelve el Dual y se obtienen los siguientes
resultados:

W*=240 Z*=240
Y1*=15
Y2*=5
Y3*=10
Por lo tanto el precio sombra correspondiente a la restriccin 3 del Primal es de 10.

SignosLos valores que adquieren los precios sombra para una:

Restriccin Un valor

0
ser
= IRRESTRICTO

Interpretacin:
La interpretacin del precio sombra depende del tipo de restriccin y el tipo de funcin
objetivo del problema.

Si la restriccin es:

El precio sombra para este caso se puede interpretar como el precio mximo que
se estara dispuesto a pagar por una unidad adicional de recurso (aumento en LD de
una restriccin).

Tambin puede interpretarse como el precio extra mximo que se estara dispuesto a
pagar dado un precio base (sobreprecio). Este caso se da cuando se busca maximizar
utilidad (ingresos -costos) y existen costos asociados a los productos utilizados para la
produccin.

En este caso, dado que el valor del precio sombra es negativo cuando ocurra un
incremento en el LD de la restriccin asociada en realidad no se incrementar el valor
de Z ptimo sino que disminuir.

La interpretacin por lo que esto ocurre porque es ms difcil cumplir dicha restriccin,
por lo tanto incrementar en una unidad el LD de la restriccin cuesta ms

= Para este caso, dado a que la asignacin de signo es irrestricta, es decir, el valor
que adquiere el precio sombra tanto puede ser positivo como negativo.

Por lo tanto, dependiendo el signo que adquiera (segn el problema) es la

interpretacin que se le da.

Funcin:

El precio sombra es utilizado para calcular el nuevo valor ptimo de Z cuando se

propone un cambio en el LD de una restriccin, siempre y cuando no cambie la base se
mantenga ptima.

Procedimiento:
Como primer paso hay que encontrar el tablero ptimo del PRIMAL
Encontrar el precio sombra, es decir encontrar el valor ptimo de las variables
del DUAL
Proponer el cambio en el LD de la restriccin i (bi )
Realizar anlisis de sensibilidad para verificar que la base actual sigue siendo
ptima, si lo es
Aplicar la frmula segn sea el caso:

MAX Nuevo Z ptimo= Antiguo Z ptimo + bi *(Precio sombra de restriccin i)

MIN Nuevo Z ptimo= Antiguo Z ptimo - bi *(Precio sombra de restriccin i)