Instituto Tecnológico Superior de

San Pedro de las Colonias

Materia:
Investigación de Operaciones I
Nombre del Prototipo a Presentar:
Investigación del Tema 2.4 Casos Especiales de
Programación Lineal.
Integrantes:
Juan Manuel López Bretado
Carlos Alfredo Rodríguez Hernández

Grado y Sección:
“4 A”
Carrera:
Ing. Industrial
Profesor:
Ing. Edith González Solís
Lugar y Fecha:
San Pedro de la Colonias Coah. 13– Marzo – 2019
Casos Especiales de Programación Lineal
En la resolución de un modelo de Programación Lineal se pueden enfrentar ciertos
casos especiales que merecen particular atención. Estos casos (infinitas soluciones
óptimas, problema no acotado sin solución óptima, problema infactible, solución
óptima degenerada) se pueden detectar a través de la aplicación del Método
Simplex según hemos tratado previamente en el Blog. A continuación, un resumen
de dichos escenarios:
Infinitas Soluciones Óptimas:
Se detecta cuando luego de alcanzar una
solución básica factible óptima, al menos
una variable no básica tiene costo
reducido igual a cero. La siguiente
imagen representa esta situación donde
la solución óptima (infinitas) se alcanza
en el tramo entre los vértices B y C. En
efecto se puede representar de forma
general las soluciones óptimas como:
(x,y)= X(0,3)+(1-X )(2,2) con 0 ≤ X ≤1.
Problema No Acotado:
En las interacciones del Método Simplex
un problema no acotado se detecta cuando
al calcular el criterio de factibilidad o
mínimo cuociente que determina la
variable que deja la base, todas las
entradas en la columna de la variable no
básica entrante son negativas o cero, por
tanto, no existe denominador válido (mayor
a cero) que permita determinar el pivote.
En la siguiente representación gráfica se
puede apreciar que las curvas de nivel de
la función objetivo crecen en la dirección
del vector gradiente, donde en particular el
dominio de soluciones factibles es no
acotado para los valores que puede
adoptar la variable X2.
Es importante destacar que el hecho que un dominio de soluciones factibles sea no
acotado no implica necesariamente que el problema de Programación Lineal no
tiene solución.
Problema Infactible:
Si al finalizar la Fase I del Método Simplex de 2 Fases el valor de la función objetivo
es distinto a cero, entonces el problema lineal es infactible, es decir, el dominio de
soluciones factibles es vacío al existir restricciones incompatibles (por ejemplo en el
gráfico a continuación el área azul no se intersecta con el área color rojo).

Solución Óptima Degenerada:

Cuando se presenta un empate el cálculo de la condición de factibilidad del Método
Simplex, al menos una variable básica será cero en la siguiente iteración, caso en
el cual se dice que la nueva solución es degenerada. Esto implica que el modelo
tiene al menos una restricción redundante.

Fuente:https://www.gestiondeoperaciones.net/programacion_lineal/casos-
especiales-en-la-programacion-lineal-detectados-con-el-metodo-simplex/
 EJEMPLOS
1. Problemas Degenerados:
Dado el siguiente Problema Lineal
Max(z)= 10x1 + 6x2
s.a:
8x1 + 4x2 ≤ 24
8x1 + 2x2 ≤ 20
2x1 + 2x2 ≤ 8
x1,x2 ≥ 0
Si analizamos su solución gráfica:

Podemos observar que el vértice optimo está formado por la intersección de 3

restricciones (esta
sobre definido). Esto hace que en dicho punto se anulan más de n-m variables y
por lo tanto que
la solución sea degenerada
Numero de variables de este problema: n= 5
Numero de restricciones: m: 3

En el punto A: x1= 2 n-m=2

x2 = 2 Existen más de 2 variables nulas.
S1 = 0
S2 = 0
S2 = 0
2. Infinitas Soluciones:
Para el siguiente Problema Lineal
Max(z)= 8x1 + 4x2
s.a:
7x1 + 7x2 ≤ 49
10x1 + 5x2 ≤ 50
x1 , x2 ≥ 0
Si analizamos su solución grafica

En este problema podemos observar que la función objetivo (curva de isoutilidad),

es paralela a una de las restricciones limitantes del problema, por lo que esto hace
que existan dos vértices de la región factible que son óptimos, el A y el B, al tener
estas dos soluciones factibles, podemos realizar combinaciones lineales convexas
y obtener los restantes puntos que forman el segmento. Obteniendo infinitas
soluciones que le dan a la función objetivo el valor óptimo.
3. Problemas no acotados:
Para el siguiente Problema Lineal
Max(z)= 8x1 + 2x2
s.a:
4x1 + x2 ≥ 60
2x1 ≤ 40
x1 , x2 ≥ 0

En este caso el polígono de solución es abierto, y Z crece indefinidamente

dirigiéndose hacia la zona no acotada sin llegar nunca al óptimo.
4. Problemas Inconsistentes:
Dado el siguiente Problema Lineal
Max(z)= 20x1 + 30x2
s.a:
Z crece
indefinidamente
10x1 + 5x2 ≤ 150
5x1 + 6x2 ≤ 100
x2 ≥ 100
x1 , x2 ≥ 0
Gráficamente:

Podemos observar que no se ha podido formar la región factible, por lo que el

sistema de restricciones es incompatible.
En tablas de simplex

Problemas degenerados

La degeneración puede ocurrir en el Método Simplex durante el proceso de

pivoteo cuando se tiene un empate al determinar la variable que debe salir de la
base, es decir cuando se produce un empate en el valor de θ (theta).
Esto significa que al pasar a la tabla siguiente se anularán más de una variable
por lo que en la base existirá una variable con valor nulo y por lo tanto la solución
tendrá más de (n-m) valores de las variables nulos y la solución será posible
básica degenerada. Cabe aclarar que la solución que corresponde a la tabla en
la que se verifica el empate, no es degenerada, sino que lo será la siguiente.

Esta situación no impide que se llegue a la solución óptima.

cj 5 8 0 0 0
cb Base Solución x1 x2 x3 x4 x5
5 x1 30 1 1,5 2 0 0 30/1,5=20*
0 x4 200 0 10 1 1 0 200/10=20*
0 x5 50 0 2 0 0 1 50/2=25

Zj Z0 130 5 7,5 10 0 0
cj - zj 0 0,5 - 10 0 0
*
empate

Al existir el empate, arbitrariamente se elige la variable que sale de la base.

La tabla siguiente será:

cj 5 8 0 0 0
Cb Base Solución x1 x2 x3 x4 x5
5 x1 0 1 0 1,85 -0,15 0
8 x2 20 0 1 0,1 0,1 0
0 x5 10 0 0 -0,2 -0,2 1
Zj z0 160 5 8 10,05 0,05 0
cj - zj 0 0 -10,05 -0,05 0
Esta solución es básica degenerada porque tiene más de (n-m) valores de las
variables nulos.

x1 0
x2 20
x3 = 0
x4 0
x5 10
Infinitas soluciones

Se produce cuando las contribuciones marginales netas de una solución posible

básica son iguales a cero para las variables básicas y de las no básicas, sólo
queda como alternativa posible una que es igual a cero.

cj 10 20 0 0 0
Cb Base Solución x1 x2 s1 s2 S3
10 x1 8 1 0 40 -20 0
20 x2 14 0 1 -20 20 0
0 s3 5 0 0 -3 1 1
Zj z0 360 10 20 0 200 0
cj - zj 0 0 0 -200 0

La contribución marginal neta de s 1 es igual a cero, lo que significa que por producir
una unidad de esta variable (en realidad generar una unidad excedente de recurso,
porque es una variable de holgura), el beneficio no varía, pero sí cambia la solución.

Esto significa que podemos incorporarla a la base, obtenemos una solución distinta
a la anterior que le da a Z el mismo valor y sabemos por el Teorema II, que la
combinación lineal convexa de las mismas dará a Z el mismo valor, por lo tanto, el
problema tiene infinitas soluciones.

Gráficamente se visualiza cuando la recta de la función objetivo es paralela a una

arista del polígono de solución.
Problemas no acotados

Se presenta cuando los λij del vector columna de la variable que entra a la base son
negativos y/o nulos, por lo que al hacer el cociente para determinar la variable que
sale de la base (procedimiento para calcular θ (theta)), éste es infinito. Como vimos
en el teorema fundamental del Simplex, en casos como estos la función objetivo
puede aumentar sin cota y esta situación no es realista en la práctica, en este caso
se debe parar el proceso y el problema no tiene solución.

cj 3 1 0 0
cb Base Solución x1 x2 x3 x4
3 x1 1 1 0 0 No se
plantea
el
-1 cociente

1 x2 2 0 1 0 -1 2/0 = ∞

Zj z0 5 3 1 -3 -1
cj - zj 0 0 3 1

Debemos recordar que para calcular θ (theta) los valores negativos de λij no son
tenidos en cuenta porque las variables no pueden ser negativas ya que θ (theta)
en definitiva es el valor al cual ingresa la variable no básica a la base.

Problemas inconsistentes

En la tabla del simple un problema inconsistente se identifica cuando, en el cuadro

optimo ha quedado en la base una variable artificial con un valor distinto de cero.
Por ejemplo, para el siguiente problema de mínimo:

cj 4 6 0 0 M
Cb Base Solución x1 x2 s1 s2 A1
10 X3 5,5 -1,5 0 1 0 0
M A1 42 -4 0 0 -1 1
0 X2 5 0 1 0 0 0
Zj 30+42M 6-4M 6 0 -M M
cj - zj -2+4M 0 0 M 0

Estamos en el cuadro optimo ya que todos los cj-zj son mayores o iguales a cero y
en la bese nos queda una A1 con un valor de 42.

Fuente: https://es.scribd.com/document/163602062/Casos-Especiales-de-
Programacion-Lineal