ProgramaciÃ N Lineal Resoluciã N de Problemas en Hoja de Cã¡lcul

Programacin Lineal
Resolucin de Problemas en
Hoja de Clculo
Ethel Mokotoff
Departamento de Fundamentos de Economa
Universidad de Alcal
Programacin Lineal
Resolucin de Problemas en
Hoja de Clculo
SEPTEM EDICIONES
Oviedo, 2004
Ttulo: Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

1 Edicin, octubre 2004
Este libro no podr ser reproducido, ni total ni parcialmente, sin el previo permiso escrito del editor. Todos los derechos reservados.
Ethel Mokotoff
Septem Ediciones, S. L.
Cimadevilla 15, esc. A 1C 33003-Oviedo
Tfno. 985 20 85 12
Fax. 985 20 85 13
e-mail: info@septemediciones.com
www.septemediciones.com
Coleccin: septem universitas
Diseo Cubierta e interior: M&R Studio
Ao: 2004
Depsito Legal: SE-0_____/2004
Impresin: Publidisa
ISBN: 84-95687-43-7
ISBN Versin Digital: 1-4135-9752-1
Impreso en Espaa-Printed in Spain
ndice
Captulo 1. Marco Terico ......................................................................................7

1. Introduccin ......................................................................................................7
Captulo 2. Programacin matemtica ................................................................ 9
1. Introduccin ......................................................................................................9
2. Formulacin de un programa matemtico ........................................................ 9
3. Ejemplo ...........................................................................................................11
4. ptimos locales y ptimo global .................................................................... 13
5. Programas matemticos convexos ................................................................ 14
Captulo 3. Programacin lineal ......................................................................... 19
1. Introduccin ....................................................................................................19
2. Modelos lineales ............................................................................................19
3. Programas lineales .........................................................................................21
4. Formulacin de un programa lineal ................................................................. 22
5. Valor dual de una restriccin .......................................................................... 24
Captulo 4. Formulaciones ms importantes ..................................................... 27
1. Introduccin ....................................................................................................27
2. Ejemplo del problema de la planificacin de la produccin ............................. 27
3. Ejemplo del problema de la dieta ................................................................... 28
4. Ejemplo del problema del transporte .............................................................. 29
Captulo 5. Resolucin de problemas en ordenador utilizando Whats Best ... 31
1. Introduccin ....................................................................................................31
2. Descripcin del problema ............................................................................... 32
3. Introduccin de datos en la hoja de clculo.................................................... 33
4. Resolucin del problema ................................................................................41
5. Variantes al problema planteado .................................................................... 43
6. Resultados duales ..........................................................................................46
Captulo 6. Solucin de problemas .................................................................... 57
1. Introduccin ....................................................................................................57
2. Ejemplo del problema de la planificacin de la produccin ............................. 57
3. Ejemplo del problema de la dieta ................................................................... 59
4. Ejemplo del problema del transporte .............................................................. 60
Captulo 7. Aplicaciones Econmicas................................................................. 63

1. Matriz input-output de Leontieff ...................................................................... 63
2. Subasta de sobre cerrado .............................................................................. 68
3. Juegos de suma cero .....................................................................................72
Captulo 8. Aplicaciones Financieras ................................................................. 77
1. Planificacin de inversiones ............................................................................ 77
2. Modelo de Markowitz .....................................................................................81
Captulo 9. Problemas de planificacin ............................................................. 87
1. Asignacin de turnos ......................................................................................87
2. Asignacin de mquinas ................................................................................93
3. Planificacin de proyectos ............................................................................. 97
Captulo 10. Problemas Propuestos .................................................................. 101
Referencias ..........................................................................................................107
Captulo 1. Marco Terico
1. Introduccin
Cuando nos encontramos ante un problema que queremos resolver, lo primero que
debemos hacer es plantear un modelo adecuado al problema, esto significa traducir la expresin verbal del mismo a una expresin matemtica a la cual podamos
aplicar algn mtodo de resolucin.
La complejidad de un modelo depende de las expresiones matemticas que
presente. Si nuestro problema busca hacer el uso ms eficiente de unos recursos
disponibles, normalmente tratar de maximizar o minimizar una funcin de una o
ms variables, sujetas a restricciones. A estos problemas se los llama problemas
de optimizacin. Dentro de la teora de la optimizacin hay gran variedad de
problemas, entre los que se encuentran los problemas de programacin matemtica, de los cuales nos ocuparemos. La teora de juegos es tambin parte de la
teora de la optimizacin, y se diferencia de la programacin matemtica en que en
la primera hay varios decisores, en cambio en la programacin matemtica existe un
nico decisor. Adems, la variable tiempo no interviene como variable esencial en
los problemas de programacin matemtica, lo cual los diferencia de los problemas
de optimizacin dinmica.
La finalidad de este trabajo es la de poner al alcance de un estudiante universitario el manejo de una herramienta informtica de optimizacin, que le permita resolver problemas de la actividad empresarial, en los cuales, el mejor aprovechamiento
de recursos limitados es siempre un objetivo. Para tal fin se resea brevemente, en
los primeros captulos, la teora que constituye el marco de estos problemas.
En el Captulo 2 se describen, de forma muy general, los problemas de programacin matemtica, su formulacin y las propiedades que deben verificarse para
Ethel Mokotoff
que sea posible encontrar una solucin ptima.

Un gran nmero de situaciones reales pueden expresarse por medio de modelos
de programacin lineal. Esta gran aplicabilidad, y las eficientes tcnicas de resolucin que aparecieron a mediados del siglo XX, han hecho de este rea de la
optimizacin una herramienta de gran utilidad en el terreno de la Economa y Empresa. El Captulo 3 est dedicado a revisar someramente los fundamentos tericos
de la programacin lineal.
De entre los innumerables casos de la vida real que pueden modelizarse con
programacin lineal, hemos escogido los ms tradicionales para describir su formulacin, y as se presentan en el Captulo 4. Estos mismos problemas se resuelven
con Whats Best en el Captulo 6, luego de haber descrito en el Captulo 5 las
caractersticas fundamentales y el modo de operar de este optimizador.
La eleccin del Whats Best, entre las diversas herramientas informticas de
optimizacin que se comercializan en la actualidad, se ha basado simplemente en el
hecho de que responde a una buena combinacin de dos elementos que nos interesan, su poder de resolucin, junto a un manejo simple, sobre todo para el usuario
familiarizado con Hojas de Clculo.
Los ltimos captulos estn destinados a resolver problemas ms reales. En el
Captulo 7 se plantean y resuelven ejemplos de Aplicaciones Econmicas, en el
Captulo 8 de Aplicaciones Financieras y en el 9 de Planificacin.
Al final del libro se proponen 10 aplicaciones ms que se dejan sin resolver para
motivar al lector a realizar su planteamiento y solucin. Estos son slo algunos ejemplos que surgen de los modelos clsicos. Podran plantearse muchos otros modelos. Esperamos que con estos elementos bsicos, el lector se sienta animado a
formular programas lineales, para intentar resolver los problemas de decisin que
puedan surgirle en su vida profesional.
Captulo 2. Programacin matemtica
1. Introduccin
Debido a la estructura del modelo general de la programacin matemtica, una
gran variedad de problemas reales puede ser representada como problemas de
programacin matemtica.
Gran parte de las aplicaciones se refieren a la administracin y uso eficiente de
recursos para mejorar la productividad. Estas aplicaciones incluyen problemas
operativos como la distribucin y planificacin de la produccin, seleccin de carteras, localizacin de plantas, anlisis y planificacin de inversiones, diseo de redes
de comunicacin o transporte, diseo de circuitos elctricos, diseo de sistemas de
produccin automtica, etc.
En este Captulo se describe, de forma muy general, la teora de la programacin matemtica, con la nica intencin de crear el marco necesario para saber
enfrentarse a problemas que responden a estas caractersticas. Pero esta descripcin carece absolutamente de demostraciones. Presentamos, primero, la formulacin general de los problemas de programacin matemtica con un ejemplo. Se
explica luego la diferencia entre ptimos locales y ptimo global. Finalmente se
enuncian las propiedades que debe reunir un programa para que sea posible encontrar una solucin ptima.
2. Formulacin de un programa matemtico

Los problemas de programacin matemtica pueden definirse como el clculo del
ptimo de una funcin, en la cual las variables que intervienen estn sujetas a
unas condiciones. En algunos casos, como cuando se trata de beneficios, optimizar
significar maximizar, y en otros, por ejemplo si se miden gastos, optimizar ser
minimizar. Las condiciones establecen un subconjunto de posibles valores de las
Ethel Mokotoff
10
variables, como ser mayores o iguales que cero, menores que una cantidad lmite, o
que una combinacin lineal de ellas no pueda sobrepasar un lmite o deba superar
un nivel mnimo, etc. A estas condiciones se las denomina restricciones.
La formulacin general de un problema de programacin matemtica es:
Optimizar f(x)
sujeto a:
g(x)d
h(x)e
i(x)=f
xS
donde:
x=(x1, x2,..., xq)T es el vector columna de las variables de decisin, x E q
g=(g1, g2,..., gm)T es el vector columna de las funciones de restricciones de tipo
(es un campo vectorial)
h=(h1, h2,..., hn)T es el vector columna de las funciones de restricciones de tipo
i=(i1, i2,..., ip)T es el vector columna de las funciones de restricciones de tipo =
d=(d1, d2,..., dm)T es el vector columna del segundo miembro de restricciones de
tipo
e=(e1, e2,..., en)T es el vector columna del segundo miembro de restricciones de
tipo
f=(f1, f2,..., fp)T es el vector columna del segundo miembro de restricciones de
tipo =
S es un determinado subconjunto de Eq
En esta formulacin optimizar puede significar minimizar o maximizar.
El vector x es el vector de las variables de decisin del problema, cuyos valores podemos elegir. Solucionar el problema ser encontrar los valores de estas
variables, de manera que se alcance un valor ptimo de f(x), sin incumplir las restricciones impuestas.
Programacin Lineal: Resolucin de Problemas en Hoja de Clculo
11
La funcin f(x) es la funcin objetivo del problema. Es una funcin escalar que
indica el valor de la medida de inters del problema para cada valor del vector x.
Las g(x), h(x) y i(x), son funciones vectoriales de m, n y p componentes, respectivamente, que restringen los valores de las componentes del vector x, es decir, hacen que x no pueda ser cualquier vector de q componentes que optimice la
funcin objetivo, sino que debe respetar las condiciones que estas restricciones
imponen a sus componentes.
S representa a las restricciones impuestas sobre el conjunto de variables, pero
que no son relaciones matemticas entre las variables, sino que tienen que ver con la
naturaleza de las mismas. Esta idea se aclarar con los siguientes ejemplos:
Con S es posible especificar que las variables slo puedan tomar valores no
negativos. Por ejemplo, si se trata de cantidades a producir, no tiene sentido

hablar de producir cantidades menores que cero.
S puede significar que todas o algunas de las variables representan relaciones
lgicas, es decir, que slo pueden tomar los valores s/no. Este es el caso de un
rea muy importante de la programacin matemtica que es la optimizacin
combinatoria. Consideremos, por ejemplo, que se trata de decidir si construir
o no una nueva planta.
S puede ser el conjunto de los nmeros naturales, es decir, que las variables
slo puedan tomar valores enteros no negativos, en este caso se habla de

optimizacin entera. Sea por ejemplo la determinacin del nmero de viviendas a construir. No es posible edificar la vivienda a medias, es necesario que el
nmero de unidades a construir sea siempre un valor discreto, y los redondeos,
en muchos casos, pueden conducir a grandes errores.
Se llama solucin factible a todo vector x que cumple las restricciones.
3. Ejemplo
Una empresa automotriz fabrica dos modelos de automvil diferentes, cada uno
con un precio diferente, en sus tres plantas. Cada modelo tiene un precio uniforme,
pero diferente coste segn en cual de las plantas haya sido fabricado. Adems,
Ethel Mokotoff
12
cada planta tiene un lmite en su capacidad de produccin.

Se deben establecer las cantidades a producir de cada modelo en cada planta,
de manera de maximizar los beneficios totales. Se conoce del mercado el nmero
mximo de unidades de cada modelo que pueden ser vendidas.
COSTES UNITARIOS DE FABRICACIN
Plantas
Norte
Oeste
Sur
Precios Demanda
Mod A
700.000 800.000 1.200.000 1.300.000
1.504
Mod B
900.000 1.200.000 1.050.000 1.500.000
486
Capacidad
500
100
200
Las variables de decisin estn representadas por qij, donde i indica de qu

modelo de automvil se trata (i= 1, 2) y j la planta en la cual se fabrica (j= 1, 2, 3).
La funcin de beneficios a maximizar es el resultado de restar los costes de
produccin a los ingresos obtenidos por la venta de los productos fabricados.
La cantidad total de unidades del modelo i que se fabrican queda indicada por
3
q
j 1
ij
Los ingresos por venta de los productos quedan determinados por

2
i 1
j 1
j 1
j 1
pi qij 1.300.000 q1 j 1.500.000 q2 j

Los costes de produccin se calculan como
2
c
i 1 j 1
ij
q ij
As resulta la siguiente formulacin del problema:

3
j1
j1
Max 1.300.000 q1j 1.500.000 q 2j
q
q
q
11
12
13
q
q
q
21
22
23
13
s.a
Restricciones de Capacidad
q11 +q 21
500
q12 +q 22
100
q13 +q 23
200
Restricciones de Demanda
q11 +q 12 +q 13
1504
q21 +q 22 +q 23
486
Restricciones de No Negatividad
qij 0,
i= 1, 2
j= 1, 2, 3
4. ptimos locales y ptimo global

En un modelo de programacin matemtica se busca la mejor solucin. Pero
puede ocurrir que existan varias soluciones que sean ptimos locales, es decir,
soluciones que son la mejor solucin en una zona del conjunto de soluciones, pero
entre la totalidad de las soluciones posibles, puede haber alguna que la mejore.
El ptimo global es la mejor de todas las soluciones factibles. En algunos problemas pueden encontrarse ptimos locales, pero no siempre es fcil encontrar el
ptimo global. Es por esta razn (la existencia de ms de un ptimo local), que la
solucin que un mismo optimizador pueda encontrar, depende de la solucin inicial, ya que busca en las proximidades de la solucin inicial, y, en cuanto encuentra
el primer ptimo local, se para y da el resultado. Si se busca mejorar la solucin,
puede ser conveniente optimizar varias veces con diferentes soluciones iniciales.
Es evidente que, cuando formulamos un programa matemtico, lo que deseamos calcular son sus ptimos globales. Los ptimos locales pueden ser de muy
poca utilidad y conducirnos a adoptar decisiones muy poco apropiadas para el
problema que se trata de resolver. Por otro lado, tanto la teora, como las herra-
Ethel Mokotoff
14
mientas actuales de optimizacin, no permiten, en algunos problemas, encontrar

ms que ptimos locales.
Encontrar condiciones de optimalidad global, o algoritmos que encuentren
ptimos globales, es posible slo cuando el programa matemtico es convexo,
es decir, que la funcin objetivo debe ser convexa, y las restricciones deben
presentar tales caractersticas que hagan que el conjunto de soluciones factibles
sea convexo. De este modo se garantiza que cualquier ptimo local sea ptimo
global. Es por esto que la convexidad de los programas matemticos es tan
importante y merece nuestra atencin.
5. Programas matemticos convexos

Un conjunto de puntos es un conjunto convexo, si todos los puntos del segmento de recta que une cualquier par de puntos del conjunto, tambin pertenecen a dicho conjunto. El conjunto de la Figura A es, segn la definicin anterior,
un conjunto convexo, mientras el de la Figura B es cncavo.
x1
x1
x2
x2
FIGURA A CONJUNTO CONVEXO
FIGURA B CONJUNTO CNCAVO
Los conjuntos encerrados dentro de los contornos de las figuras anteriores son
de dos dimensiones, si generalizamos este concepto a conjuntos n-dimensionales,
es necesario recurrir a una definicin ms formal, como la siguiente:
Un conjunto S n es convexo si
x1, x2 S
,
0
1,
15
los puntos x= x2 + (1-)x1 pertenecen a S.

Para las funciones tambin es posible analizar su convexidad o concavidad.
Como en el caso de conjuntos, es posible realizar un anlisis grfico en dos
dimensiones, aunque slo cuando se trata de funciones de una variable:
Una funcin es convexa si todo segmento que una cualquier par de puntos de
su grfica, nunca se sita por debajo de la misma. Si la cuerda siempre est por
encima de la grfica de la funcin, entonces la funcin es estrictamente convexa.
Esta distincin entre convexidad y convexidad estricta es necesaria debido a
que una funcin puede ser cncava y convexa a la vez. Sea el caso de una funcin
lineal, el segmento que une dos de sus puntos, no est por debajo ni por encima de
la grfica de la funcin, por lo tanto la funcin es cncava y convexa, pero no es
estrictamente convexa.
FIGURA A FUNCIN
FIGURA B FUNCIN
ESTRICTAMENTE CONVEXA
CONVEXA
Estas definiciones pueden formalizarse para hacerlas extensibles a funciones de

ms de una variable:
Una funcin f(x), definida en un conjunto convexo S de n, es una funcin
convexa si
x 1, x 2 S
,
0
1
se verifica:
f(x2 + (1-)x1) f(x2) + (1-)f(x1)
La funcin es estrictamente convexa si se verifica la expresin anterior con
desigualdad estricta cuando 0<<1 y x1 x2.
Ethel Mokotoff
16
En la expresin principal de la definicin, el miembro de la izquierda es el valor

de la funcin en un punto intermedio entre x1 y x2, mientras que el miembro de la
derecha es el valor de la ordenada, en el mismo punto, de la recta que une los
puntos f(x1) y f(x2).
f(x)
f(x1)
f(x2)+(1-)f(x1)
f(x2)
f(x2+(1-)x1)
x1
x2+(1-)x1
x2
Debido a que, si una funcin no es convexa es cncava, entonces, segn el

grfico (dibujado para el caso S ), una funcin es cncava si la recta que une
un par de puntos cualesquiera de su grfica, nunca est por encima de la grfica
de la funcin, y es estrictamente cncava si la recta que une un par de puntos
cualesquiera de su grfica siempre est por debajo de la grfica de la funcin.
A partir de estas definiciones, es importante observar, que las funciones lineales son convexas y cncavas, pero no son ni estrictamente convexas ni estrictamente cncavas.
Un programa matemtico de minimizacin es convexo si su funcin objetivo es convexa y el conjunto de soluciones factibles determinado por las
restricciones es un conjunto convexo.
Un programa matemtico de maximizacin es convexo si su funcin objetivo es cncava y el conjunto de soluciones factibles determinado por las
restricciones es un conjunto convexo.
Para asegurar la convexidad del conjunto de soluciones factibles B={x/
g(x)b, h(x)c, i(x)=d} es suficiente, aunque no necesario, que se verifiquen las
siguientes condiciones:
17
1. Las funciones g(x) que definen restricciones del tipo g(x)b deben ser funciones convexas.
2. Las funciones h(x) que definen restricciones del tipo h(x)b deben ser funciones cncavas.
3. Las funciones i(x) que definen restricciones del tipo i(x)=b deben ser funciones lineales.
Recordemos la razn que nos motiv a repasar las nociones de convexidad:
Si un programa matemtico es convexo, todo ptimo local (mnimo o
mximo) es ptimo global.
Captulo 3. Programacin lineal
1. Introduccin
Este captulo est dedicado a la rama de la programacin matemtica que ms
se ha desarrollado. A fines de los aos cuarenta George B. Dantzig desarrolla el
algoritmo simplex, que resuelve problemas de programacin lineal aprovechando la especial estructura de estos programas, y constituyendo el mtodo ms
poderoso de resolucin de los mismos. A partir de entonces no han cesado de
extenderse las aplicaciones de la programacin lineal en la Economa e Industria, dado que un gran nmero de situaciones reales pueden ser representadas mediante modelos de programacin lineal.
En el apartado siguiente describimos las caractersticas de un modelo lineal,
as como el modo de generar el modelo matemtico a partir de la expresin verbal
de un problema real. Se caracterizan, luego, los programas lineales, enunciando
sus propiedades fundamentales, que hacen que siempre sea posible resolverlos. En
el cuarto apartado se presenta la formulacin estndar de un programa lineal,
y se explica cmo un problema de programacin lineal cualquiera, puede ser expresado con la formulacin estndar. Por ltimo se hace referencia a la importancia
de los resultados duales de un programa lineal.
2. Modelos lineales
Expresiones lineales
Si todos los trminos de una expresin matemtica son de primer orden, la expresin es lineal. Esto significa que no contiene variables elevadas al cuadrado,
cubo, ni a ningn exponente distinto de uno, tampoco puede aparecer una variable
en el denominador de algn trmino, o estar multiplicada por otra variable. En las
Ethel Mokotoff
20
expresiones matemticas lineales existe proporcionalidad: para cada incremento o

disminucin unitaria del valor de una variable, el resultado de la expresin aumenta
o disminuye en una cantidad fija, que es el coeficiente de esa variable en la expresin.
Ecuaciones lineales son las que representan a las relaciones lineales, su forma
bsica es la ecuacin de una recta:
y=mx+b
donde m y b son constantes.
Ejemplo
Supongamos que alguien compra naranjas a 200 unidades monetarias (en adelante, u.m.) el kilogramo. La expresin utilizada para representar la funcin de costes C, en trminos de la cantidad de naranjas comprada N, expresada en kilogramos es:
C=200 x N.
Lgicamente, un grfico para la funcin de costes C es una lnea recta, con
pendiente 200 y ordenada al origen 0:
10000
8000
Coste 6000
4000
2000
0
0
10
20
30
40
Naranjas compradas
Las expresiones lineales pueden tener una o varias variables. Si, por ejemplo,
tambin se compran manzanas, M, a 250 u.m. el kilogramo, y pltanos, P, a 300
u.m. el kilogramo, la funcin de costes es
C= 200 x N+ 250 x M+ 300 x P
esta expresin de costes es tambin lineal. Las variables N, M, P, aparecen con
21
exponente 1 y multiplicadas por un factor fijo. Pero su representacin grfica no es

posible, pues tiene 4 dimensiones.
Expresiones no-lineales
Por definicin, toda expresin que no sea lineal ser no-lineal. Las expresiones
no-lineales incluyen relaciones en las cuales las variables estn elevadas al cuadrado, al cubo, potencias distintas de uno, o estn multiplicadas o divididas entre ellas.
Si todas las expresiones matemticas presentes en un modelo son
lineales, el modelo es lineal.
Siempre que sea posible, un problema debe formularse con expresiones lineales. Si, por ejemplo tenemos que reflejar la relacin
x/y 10
entre dos variables x e y, ambas mayores que cero, ser mejor presentar esa relacin como
x 10 y
3. Programas lineales
Un programa lineal es un programa matemtico en el cual, tanto la funcin
objetivo, como todas las restricciones impuestas sobre las variables de decisin,
son funciones lineales de dichas variables.
Las variables de decisin pueden ser continuas o discretas, en el primer caso se
trata de un programa lineal continuo, mientras que si todas o algunas de las variables son discretas estamos ante un programa lineal entero o mixto. Este ltimo
tipo de programas constituye en s mismo una importante rama de las Matemticas
que excede a las ambiciones de esta exposicin, por lo cual, nos centraremos en el
estudio de programas lineales continuos.
Al estudiar la convexidad de funciones hemos hecho hincapi en que toda funcin lineal es convexa, por lo tanto, si la funcin objetivo es lineal ser convexa.
Adems, si todas las restricciones son funciones lineales, quedan garantizadas
las condiciones suficientes de convexidad del conjunto de soluciones factibles de un programa matemtico, enunciadas al estudiar la convexidad de programas matemticos.
Ethel Mokotoff
22
Estamos en condiciones de afirmar que:

Todo programa lineal, definido sobre variables continuas, es convexo, por
lo tanto, cualquier ptimo que se encuentre es ptimo global y constituye
la mejor solucin al problema.
Los modelos con expresiones no lineales son mucho ms difciles de resolver que los
modelos lineales. A diferencia de los modelos lineales, en un modelo no lineal puede
que sea extremadamente difcil encontrar el ptimo, aunque ste exista. Tambin puede ocurrir que se crea haber alcanzado el ptimo y exista una mejor solucin.
4. Formulacin de un programa lineal

Un programa lineal continuo puede ser formulado de diversas maneras, pero para su
procesamiento de cmputo, es convertido a una forma estndar. Los programas de
ordenador actuales aceptan presentaciones flexibles y cmodas para el usuario, aunque luego, internamente, convierten el problema a la formulacin estndar. Presentamos, a continuacin, la expresin escalar de la formulacin de un programa lineal
n
Min ci xi Min (c1 x1 c2 x2 ... cn xn )

i 1
s. a
a11 x1+ a12 x2+... a1j xj+...+ a1n xn = b1
a21 x1+ a22 x2+... a2j xj+...+ a2n xn = b2
..................................................
ai1 x1+ ai2 x2+... aij xj+...+ ain xn = bi
.................................................
am1 x1+ am2 x2+... amj xj+...+ amn xn = bm
x1 0, x2 0,... xn 0
En forma matricial la expresin resulta ms compacta:
Min c x
Ax=b
x 0,
23
donde
c=(c1, c2,..., cn) es el vector fila de los coeficientes de las variables en la funcin
objetivo
x=(x1, x2,..., xn)T es el vector columna de las variables de decisin
b=(b1, b2,..., bm)T es el vector columna del segundo miembro de las m restricciones
Amxn= [aij] es la matriz de los coeficientes de las restricciones
Cualquier programa lineal, aunque no tenga, exactamente, esta formulacin, puede
traducirse a la forma estndar, mediante las siguientes transformaciones:
Conversin de desigualdades a igualdades
n
a
j 1
ij x j bi
a
j 1
ij
x j i bi
i 0
n
aij x j bi
j 1
a
j 1
ij
x j i bi
i 0
Sustitucin de cada variable libre por dos variables restringidas a no negatividad
xi libre
es sustituida por
xi= hi- pi
hi 0
pi 0
Sustitucin del objetivo de maximizacin por minimizacin
Max(c x)
es equivalente a
Min(-c x)
La popularidad de la programacin lineal se debe, en parte, al gran nmero de
Ethel Mokotoff
24
problemas reales que pueden modelizarse como programas lineales, y, por otro
lado, a la sorprendente rapidez y eficacia con que se resuelven con el mtodo simplex.
Por la finalidad de este trabajo, no tiene sentido profundizar en los mtodos de
resolucin, pues se encargar de ello un ordenador, pero s conviene hacer una
interpretacin de resultados.
Hay garantas de que, si existe una solucin, esta ser encontrada. Pero no siempre se puede resolver un programa lineal, porque no todos los problemas lineales
tienen solucin. Pueden ocurrir que:
el ptimo sea ilimitado (el valor de la funcin objetivo tiende a infinito negativo), o
las restricciones hayan hecho que el conjunto de soluciones factibles est vaco.
En los casos en los cuales el programa lineal tiene solucin ptima, adems de
la solucin ptima, el simplex brinda informacin acerca de resultados duales,
que son de gran utilidad como se explica a continuacin.
5. Valor dual de una restriccin

En general, el valor dual de una restriccin es la tasa de variacin del valor de
la funcin objetivo con respecto a variaciones en el valor del trmino independiente (miembro de la derecha) de la restriccin, siempre que el resto de la
informacin del problema no vare (ceteris paribus) y dentro de cierto intervalo de variacin del trmino independiente. Se lo suele llamar precio sombra o
coste reducido y permite analizar el efecto de pequeas perturbaciones.
Como ejemplo, supongamos el problema de maximizar ingresos por ventas,
sujeto a unas restricciones de capacidad productiva. Si la capacidad productiva
est saturada (esto quiere decir que se aprovecha hasta el mximo sin dejar capacidad ociosa), si pudiramos producir una unidad ms, nuestros ingresos aumentaran. La cantidad que aumenta el valor de la funcin objetivo, por unidad de incremento de capacidad productiva, est medida por el valor dual de esta restriccin de
capacidad productiva. La idea intuitiva es que si una restriccin est impidiendo a la
funcin objetivo seguir mejorando, el precio sombra indica cunto mejorara el
valor de la funcin objetivo, en el hipottico caso de que la restriccin en cuestin se
25
relajara en una unidad, permitiendo al valor de la funcin objetivo mejorar. El nombre

de precio sombra se debe a que indica hasta cunto puede pagarse por una unidad
adicional del recurso en cuestin, sin que ello represente una reduccin de los beneficios.
Se dice que una restriccin est saturada cuando acta efectivamente como restriccin. Siguiendo con nuestro ejemplo, si en la solucin ptima se utiliza la totalidad de la
capacidad productiva, la restriccin est saturada, y ampliar la capacidad productiva
permitira mejorar los ingresos. Pero si queda capacidad productiva sin utilizar, esa restriccin no est activa, no representa una verdadera limitacin a nuestro problema, y
aunque ampliramos la capacidad productiva, la solucin ptima sera la misma. El precio sombra es nulo en este caso.
Si se trata de restricciones de menor o igual, relajarla significa aumentar el valor del
trmino independiente, por ejemplo ampliar la capacidad productiva. Mientras que, en
restricciones de mayor o igual, sea por ejemplo el caso de estar obligados a satisfacer
una demanda (como en el problema de la dieta que se presenta en el siguiente captulo),
relajar la restriccin significa reducir el valor del trmino independiente.
Con las definiciones anteriores, estamos en condiciones de afirmar que los valores
duales iguales a cero deben interpretarse, en general, como restricciones no saturadas;
en cambio valores duales distintos de cero miden la mejora en el valor de la funcin
objetivo que se producira si relajramos la restriccin en una unidad.
La utilidad de la informacin dual es muy grande, pero no debe olvidarse que los
valores duales son vlidos siempre que se cumplan los siguientes supuestos:
El resto de los datos del problema se mantiene invariable, es decir, que no pueden
analizarse los efectos en el valor de la funcin objetivo de ms de una variacin
simultneamente.
El valor del trmino independiente de la restriccin en cuestin vara dentro de un
intervalo de validez. No pueden extenderse los resultados duales a variaciones de
magnitud arbitrariamente grande, debido a que ms all de sus lmites de estabilidad,
el valor dual cambia.
Captulo 4. Formulaciones ms importantes
1. Introduccin
La programacin lineal permite resolver problemas de diversa naturaleza, como
son los problemas de produccin, planificacin financiera, asignacin de personal,
inventarios, control, etc. En este captulo presentamos tres casos de inters desde el
punto de vista de la Economa y la Empresa, con su respectiva modelizacin matemtica y formulacin como problema de programacin lineal.
Estos mismos problemas sern resueltos con Whats Best en los captulos siguientes, despus de haber introducido el manejo de esta herramienta informtica.
2. Ejemplo del problema de la planificacin de la produccin

Una fbrica produce seis bienes distintos a partir de seis materias primas. Cada producto requiere una diferente combinacin de materias primas (restricciones tecnolgicas) y de l se obtiene un beneficio. Se debe encontrar la cantidad a producir de cada
bien que maximice los beneficios totales, con el stock actual de materias primas.
Producto
Beneficio (u.m)
Acero
Madera
Plstico
Caucho
Vidrio
Pintura
1
3.000
1
4
0
2
2
1
2
4.500
4
5
3
0
4
4
3
2.400
0
3
8
1
2
1
4
2.600
4
0
0
2
2
4
5
2.400
2
1
1
1
2
3
6
Existencias
3.000
0
800
0
1.160
0
1.780
5
1.050
4
1.360
4
1.240
En la formulacin se representa mediante x1, x2,..., x6 a las cantidades a producir de cada uno de los productos 1, 2,..., 6, respectivamente.
Ethel Mokotoff
28
Formulacin del problema
x1
4x 1
2x 1
2x 1
x1
Max 3.000 x1+ 4.500 x2+ 2.400 x3+ 2.600 x4+ 2.400 x5+ 3.000 x6
s.a
+4x 2
+4x 4
+2x 5
800
+5x 2
+3x 3
+ x5
1.160
3x 2
+8x 3
+ x5
1.780
+ x3
+2x 4
+ x5
+5x 6
1.050
+4x 2
+2x 3
+2x 4
+2x 5
+4x 6
1.360
+4x 2
+ x3
+4x 4
+3x 5
+4x 6
1.240
xi 0, 1i6
3. Ejemplo del problema de la dieta

Consiste en determinar una dieta alimenticia de la forma menos costosa, satisfaciendo unas exigencias mnimas de nutricin. Se dispone de cuatro alimentos, cada uno
con su coste, y se desea conocer en qu proporcin deben participar estos alimentos en la dieta.
Los mens que se preparen con estos alimentos deben contener una cantidad
mnima de vitaminas, que se encuentran, en ciertas proporciones dentro de cada
alimento.
COMPOSICIN
NUTRITIVA DE CADA ALIMENTO
Alimento
1
2
3
4 Mnimo Requerido
Vitamina A 2,2 3,4 7,2 1,5
2,4
Vitamina B 1,4 1,1 0,0 0,8
0,7
Vitamina C 2,3 5,6 11,1 1,3
5,0
Vitamina D 12,0 11,9 41,8 52,1
21,0
Coste
35 50 80 95
Las variables x1, x2, x3 y x4 representan las cantidades de alimento 1, 2, 3 y 4

presentes en la dieta, respectivamente.
2,2x1 +
1,4x1 +
2,3x1 +
Min 100(35 x1+ 50 x2+ 80 x3+ 95 x4)

s.a
3,4x2 +
7,2x3 +
1,5x4
1,1x2 +
0,8x4
5,6x2 +
11,1x3 +
1,3x4
2,4
0,7
5,0
12,0x1 +
x1 +
11,9x2 +
x2 +
41,8x3 +
52,1x4
x3 +
x4
xi
0, 1 i 4
29
21,0
1
4. Ejemplo del problema del transporte

Una empresa fabrica un producto en sus tres plantas situadas en distintas ciudades. El
producto se consume en cuatro mercados distintos. Cada planta tiene una capacidad
mxima de produccin, y cada mercado tiene una demanda que debe ser satisfecha.
Encontrar las cantidades a producir en cada planta, de manera que se satisfagan las
demandas de todos los mercados, minimizando los costes de transporte. Se conocen
los costes de transporte desde cada planta a cada centro de consumo.
COSTES DE TRANSPORTE
Mercados
Planta A
Planta B
Planta C
Demanda
1
5,00
9,60
0,00
30
DE CADA PLANTA A CADA MERCADO
2
7,00
5,50
7,50
57
3
0,00
7,00
7,15
41
4 Capacidad productiva
0,00
70
7,50
110
4,00
135
51

3
Min
c
i 1 j 1
ij
xij
s.a
4
x
j 1
ij
x
i 1
ij
qi , 1 i 3
d j , 1 j 4
xij 0, 1 i 3 y 1 j 4
En esta expresin simplificada
cij es el coste de transporte, desde cada planta i, hasta cada mercado j
xij es la cantidad a transportar, desde cada planta i, hasta cada mercado j (estas
son las variables de decisin)
qi es la capacidad productiva de la planta i
Ethel Mokotoff
30
dj es la demanda del mercado j

Para el lector menos familiarizado con esta notacin, presentamos a continuacin la misma formulacin en forma extensiva.
x 11
x 21
X 31
Min 5x11+7x12+9,6x21+5,5x22+7x23+7,5x24+7,5x32+7,15x33+4x34
+x 12
+x 13
+x 14
70
+x 22
+x 23
+x 24
110
+x 32
+x 33
+x 34
135
x 11
+x 21
+x 31
30
x 12
+x 22
+x 32
57
x 13
+x 23
+x 33
41
x 14
+x 24
+x 34
51
xij 0, 1 i 3 y 1 j 4
Captulo 5. Resolucin de problemas en ordenador

utilizando Whats Best
1. Introduccin
La eleccin del Whats Best, entre las diversas herramientas informticas de
optimizacin que se comercializan en la actualidad se ha basado, simplemente, en el
hecho de que responde a una buena combinacin de dos elementos que nos interesan: poder de resolucin, y manejo simple, sobre todo para el usuario acostumbrado a utilizar hojas de clculo. Aunque hoy en da la herramienta Solver, que puede
incluirse como complemento de Excel, es suficientemente potente, no presenta las
ventajas didcticas del Whats Best.
Whats Best (a partir de aqu lo llamaremos WB) permite al usuario construir y
resolver modelos de optimizacin lineales, no lineales y enteros desde una hoja de clculo, por lo que puede considerarse como una extensin de Excel o de Lotus 1-2-3. Una
vez instalado el software, WB se convierte en un nuevo comando del men de Excel, y
seleccionndolo, se despliega el men de WB, ofreciendo sus posibilidades (la versin
4.0 presenta la posibilidad de tener los comandos como un conjunto de botones).
Con WB los modelos pueden haber sido creados en formato libre utilizando las
ecuaciones de la hoja de clculo. No es necesario que el problema est expresado
en formato estndar, lo cual ahorra mucho trabajo y evita posibles errores.
Este programa ofrece resultados duales con sus respectivos rangos de validez.
Esta informacin adicional es de gran utilidad y permite realizar interesantes anlisis
de sensibilidad.
En este captulo introducimos el WB mediante el desarrollo de un sencillo ejemplo en
Excel. Se explica como expresar y resolver problemas en WB, paso a paso, para que
el lector pueda definir el problema en una hoja de clculo y resolverlo.
Ethel Mokotoff
32
Se han usado las convenciones de Excel para indicar rangos de celdas (:), funciones, y referencias a celdas (=). Si se est trabajando en Lotus 1-2-3 las convenciones seran .., @, y +, respectivamente.
2. Descripcin del problema

Una empresa construye dos modelos de ordenador, uno estndar y otro de lujo. El
estndar tiene un beneficio de 30.000 u.m. por unidad, y el de lujo 50.000 u.m. por
unidad. Como se muestra en la tabla de requerimientos, los dos modelos son construidos a partir de tres componentes: equipo estndar, equipo de lujo, y disqueteras.
= ORDENADOR ESTNDAR
Equipo estndar +
1 disquetera
= ORDENADOR DE LUJO
Equipo de lujo
2 disquetera
REQUERIMIENT OS DE COMPONENTES
Modelo:
Equipo Estndar
Equipo de Lujo
Disqueteras
33
PARA CADA MODELO DE PRODUCT O
Estndar
1
0
1
De Lujo Existencias
0
60
1
50
2
120
Qu combinacin de modelos estndares y de lujo maximizar los beneficios

de la empresa, contando con las actuales existencias de componentes?
Nos encontramos ante un problema de programacin lineal cuya formulacin es:
x1
Max 30.000 x1+ 50.000 x2

s.a
60
(equipos estndares)
x2
x1
+2x 2
50
(equipos de lujo)
120
(disqueteras)
x1 0, x2 0,
donde:
x1: es la cantidad de ordenadores estndares a producir y
x2: es la cantidad de ordenadores de lujo a producir.
3. Introduccin de datos en la hoja de clculo

Podemos comenzar volcando la informacin del problema en una hoja de clculo
(restricciones tecnolgicas, niveles de existencias y beneficio por unidad). No es
necesario ajustarse a ninguna formulacin estndar. La informacin puede presentarse en la hoja clculo de cualquier forma. Una posibilidad es la que se presenta a
continuacin en la siguiente figura.
Ethel Mokotoff
34
A
1 PLAN DE PRODUCCION DE ORDENADORES

2
3 PRODUCTO
ESTANDAR
DE LUJO
4
5 CANTIDAD A PRODUCIR
6
7
8 BENEFICIO UNITARIO
30000 u.m.
50000 u.m.
9
10
11
RESTRICCIONES TECNOLOGICAS
12
13
MODELOS:
ESTANDAR
DE LUJO
EXISTENCIAS
14 COMPONENTES:
15 EQUIPOS ESTANDAR
16 EQUIPOS DE LUJO
60
50
17 DISQUETERA
120
Con los comandos de WB se establece cuales son las celdas en las que aparecern
los valores ptimos de las variables. Segn la distribucin de datos que presentamos, los
valores de las cantidades a producir de ordenadores estndares y de lujo podran ir en
las celdas C5 y D5, respectivamente. A estas celdas se les puede asignar cualquier
nmero (incluido el cero), pero deben ser rellenadas con algn nmero. Para indicar que
C5 y D5 son las celdas de las variables de decisin, es decir, las celdas ajustables, se
seleccionan las celdas C5 y D5 y se elige la opcin Adjustable del comando WB:
Aparece entonces una ventana de dilogo como la que a continuacin se presenta:
35
En la caja de texto de la ventana de dilogo debe aparecer $C$5: $D$5, que

es el rango de las celdas asignadas a las variables de decisin. Seleccionando la
opcin Adjust en esta ventana de dilogo se indica al sistema que estas sern las
celdas ajustables. Si la informacin de la ventana est completa y correcta se
acepta con OK. La hoja de clculo presentar el aspecto siguiente:
CELDAS AJUSTABLES
1
2
3
4
5
6
7
8
9
A
B
C
PLAN DE PRODUCCION DE ORDENADORES
PRODUCTO
ESTANDAR
CANTIDAD A PRODUCIR
BENEFICIO UNITARIO
DE LUJO
0
30000 u.m.
50000 u.m.
El objetivo es maximizar la funcin de beneficios,

Max 30.000 x1+ 50.000 x2.
Entonces, habr que escribir esta ecuacin que calcula los beneficios en la hoja de
clculo. Como x1 y x2 fueron asignadas a las celdas C5 y D5 respectivamente, y los
beneficios unitarios estn en las celdas C8 y D8, la frmula que debemos introducir es
=C5*C8+ D5*D8. Merece la pena observar que esta expresin es el producto de
los vectores formados por los rangos C5:D5 y C8:D8, y puede calcularse mediante la
funcin sumaproducto de Excel, resultando =sumaproducto(C5:D5;C8:D8). Esta
funcin es muy til, especialmente si tratamos con rangos de gran dimensin. La
frmula puede colocarse en la celda G6 y arriba, en G4, puede escribirse un rtulo
que la identifique, por ejemplo Beneficios.
Ethel Mokotoff
36
Para indicarle a WB que en G6 est la funcin objetivo debemos seleccionar G6

y luego elegir la opcin Best del comando WB:
Aparece entonces la ventana de dilogo de Best. Si en la caja de texto de la

ventana de dilogo no est indicada la celda de la funcin objetivo, debemos introducirla. Se selecciona la opcin Maximize y , a continuacin, se acepta con OK.
A esta altura la hoja de clculo debe presentar este aspecto:
CELDA FUNCIN OBJETIVO

G6= +C5*C8+D5*D8
1
2
3
4
5
6
7
8
A
B
C
D
PRODUCTO
CANTIDAD A PRODUCIR
BENEFICIO UNITARIO
ESTANDAR
DE LUJO
0
30.000 u.m.
BENEFICIOS
0
50.000 u.m.
- u.m.
37
Las restricciones para este problema las imponen las existencias de los componentes. El uso total de cada uno de los componentes debe ser menor, o a lo sumo
igual, que sus existencias.
x1
x1
60
equipos estndares
x2
50
equipos de lujo
120
disqueteras
+2x 2
Por tanto, debemos introducir en la hoja de clculo las frmulas que calculen el
uso total de cada componente, que resulta ser igual a la suma, para cada modelo de
ordenador, de los productos de cantidades producidas por consumo del componente en cuestin. Para los equipos estndares, la cantidad producida de ordenadores estndares x1, estar indicada en la celda C5; la cantidad requerida de equipos estndares por unidad de ordenadores estndares, est indicada en la celda
C15. Entonces, el producto de las cantidades de las celdas C5 por C15 es la
cantidad de equipos estndares consumidos en la produccin de ordenadores
estndares. En general, podramos establecer C5*C15+D5*D15 como cantidad
de equipos estndares consumidos. En este caso particular el segundo trmino es
cero porque en la produccin de equipos de lujo no se emplean equipos estndares
(D15=0). Guardamos esta frmula, C5*C15+D5*D15, en la celda E15.
La cantidad consumida de equipos estndares debe ser menor o a lo sumo igual
que las existencias de los mismos, cantidad que figuran en G15, resultando E15
G15. Para indicarle a WB que esta es una restriccin del problema, se sita el
cursor en F15, y se elige la opcin Constraints del comando WB,
Ethel Mokotoff
38
Aparece entonces una ventana de dilogo como esta:
Seleccionamos la opcin Less Than para indicar que el tipo de restriccin es

menor o igual. Adems, en la caja de texto correspondiente a Left Hand Side
debe indicarse la celda E15 que representa el miembro izquierdo de la restriccin,
y en la caja de texto rotulada con Right Hand Side debe especificarse la celda
G15 que es la que tiene la informacin del miembro derecho de la restriccin. Por
ltimo aceptamos con OK.
La hoja de clculo debe presentar el siguiente aspecto:
GENERACIN AUTOMTICA DE UNA RESTRICCIN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
C
D
PRODUCTO
ESTANDAR
DE LUJO
BENEFICIOS
CANTIDAD A PRODUCIR
0
- u.m.
BENEFICIO UNITARIO
30000 u.m.
50000 u.m.
RESTRICCIONES TECNOLOGICAS
MODELOS: ESTANDAR: DE LUJO:
COMPONENTES:
EQUIPOS ESTANDAR
1
EQUIPOS DE LUJO
0
DISQUETERA
1
UNIDADES
EXISTENCIAS
CONSUMIDAS
0
0
<=
60
1
50
2
120
WB escribe en la celda F15 la frmula WB(E15,, G15) correspondiente a la

restriccin de menor o igual de los equipos estndares.
39
Para establecer las restricciones de equipos de lujo y disqueteras, puede repetirse el procedimiento que acabamos de describir para equipos estndares a las
restricciones de equipos de lujo y disqueteras, o pueden directamente copiarse los
rangos E15:F15 en E16:F17 con los procedimientos de Copiar y Pegar de Excel.
Para copiar correctamente las frmulas de E15 en E16 y E17, es necesario que
en la frmula escrita en E15, la fila 5 se haya fijado mediante el signo $ en la expresin de unidades a producir de ordenadores estndares, C$5, y para los de lujo
D$5. Es decir, que la frmula de E15 debe ser igual a C$5*C15+D$5*D15.
Las celdas F16 y F17, que se rellenaron en el procedimiento anterior, tambin
podran haberse llenado junto con la F15 si antes de invocar Constraints se hubieran seleccionado las tres celdas. Entonces aparecera E15:E17 en Left Hand Side
y G15:G17 en Right Hand Side, dentro de la ventana de dilogo de Constraints,
tal como se muestra en la figura:
Una vez que la hoja est completa presentar el siguiente aspecto, ver la siguiente figura:
Ethel Mokotoff
40
HOJA DE CLCULO ANTES DE OPTIMIZAR

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
C
PRODUCTO
ESTANDAR
CANTIDAD A PRODUCIR
BENEFICIO POR UNIDAD
DE LUJO
BENEFICIOS
Celdas Ajustables
-u.m.
30000 u.m.
50000 u.m.
Funcin Objetivo
Restricciones
REQUERIMIENTOS DE COMPONENTES
MODELOS:
COMPONENTES:
EQUIPOS ESTANDAR
EQUIPOS DE LUJO
DISQUETERAS
ESTANDAR
DE LUJO
1
0
1
UNIDADES
EXISTENCIAS
CONSUMIDAS
0
0
<=
60
1
0
<=
50
2
0
<=
120
Este modelo est preparado para ser resuelto.

Los tres elementos bsicos de la programacin lineal son la definicin de las
variables, de la funcin objetivo, y de las restricciones.
1. La determinacin de las celdas ajustables (C5:D5, en el ejemplo
anterior) indica al sistema que en esas celdas puede haber cualquier
valor factible que optimice el problema planteado. Son las variables de
decisin del problema.
2. Definir la celda con la funcin objetivo es indicarle al sistema cual
es el objetivo de la optimizacin. En el problema planteado se persigue
maximizar los beneficios, que se calculan con la expresin 30.000 x1+
50.000 x2 (funcin guardada en la celda G6). Esto significa que el sistema
debe encontrar los valores de las celdas ajustables que hagan mximo el
valor de esta funcin.
3. Especificar las restricciones es establecer las limitaciones a los valores
de las variables de decisin del problema. Por lo general, son las
limitaciones de los recursos con que se cuenta para alcanzar un objetivo
las que determinan el conjunto factible de soluciones. En nuestro
problema, las limitaciones las imponen las existencias de componentes,
que hacen que no sea posible producir un nmero ilimitado de ordenadores,
debido a que las cantidades utilizadas de cada componente no pueden
superar a sus existencias. (En el ejemplo las restricciones se guardan en
el rango E15:G17).
41
4. Resolucin del problema

La tarea del WB para el presente problema puede resumirse de la siguiente forma:
Encontrar los valores de cantidades a producir (C5:D5) de ambos bienes,
de forma que maximicen el beneficio (G6), sin permitir que las
cantidades de recursos empleados (E15:E17) superen las existencias
(G15:G17).
Si pretendemos resolver este problema sin ayuda de algn mtodo de programacin lineal, parece razonable esperar que, dado que los ordenadores de lujo
aportan un beneficio bastante mayor que los estndares, fabricar la mayor cantidad
posible de ordenadores de lujo maximice los beneficios. Entonces, como la produccin de ordenadores de lujo est limitada por la cantidad de equipos de lujo en
existencias, se producirn 50 ordenadores de lujo empleando 100 disqueteras. Por
lo cual, la cantidad a producir de ordenadores estndares queda limitada por las
disqueteras remanentes que son 20, esto supone que se producen 20 ordenadores
estndares. Entonces, los beneficios totales resultan ser:
20 x 30.000 u.m. + 50 x 50.000 u.m. = 3.100.000 u.m.
Pero estos beneficios no son mximos. Si bien esta es una buena solucin al
problema es posible mejorarla y, por lo tanto, no es ptima.
Para que WB optimice el problema planteado es necesario invocar la opcin
Solve del men WB.
En ese momento el sistema permite modificar el nombre de los ficheros en los

cuales se guardarn los datos relativos al modelo resuelto que por defecto son:
WBTO.XLS para la hoja de clculo; WBFR.XLS para la solucin y
WBERR.PRN para los posibles mensajes de error.
Ethel Mokotoff
42
Cuando reaparece la hoja de clculo, en las celdas ajustables figuran los valores
de las variables de decisin que hacen ptima la funcin objetivo, y en la celda de
funcin objetivo el valor ptimo de la misma.
Para el problema que se utiliza de ejemplo, la solucin despus de optimizar
(Solve) es
HOJA DE CLCULO DESPUS
A
B
C
1 P L A N D E P R O D U C C I O ND E O R D E N A D O R E S
DE LA OPTIMIZACIN
E
2
ESTANDAR
D E LUJO
3 PRODUCTO
4
5 C A N T I D A DA P R O D U C I R
60
BENEFICIOS
30
6
7
- u.m
8 BENEFICIOUNITARIO
3 0 0 0 0 u.m.
5 0 0 0 0 u.m.
9
10
11
REQUERIMIENTOSD E C O M P O N E N T E S
12
MODELOS: ESTANDAR
D E LUJO
13
14 COMPONENTES:
1
1 5 E Q U I P O SE S T A N D A R
60
####
60
1 6 E Q U I P O S D E LUJO
17 DISQUETERA
1
2
30
120
####
####
50
120
0
1
UNIDADES
CONSUMIDAS
EXISTENCIAS
La solucin que da WB es producir 60 unidades de ordenadores

estndares (C5) y 30 unidades de ordenadores de lujo (D5), con este
plan de produccin se obtiene un beneficio de 3.300.000 u.m. (G6).
Este beneficio es el mejor posible dadas las existencias de
componentes (G15:G17) y la tecnologa actual (C15:D17).
43
5. Variantes al problema planteado

Suele ser conveniente explorar el problema desde varios ngulos antes de decidir
cual es la mejor decisin a tomar. En el problema planteado podran contemplarse
otras condiciones que pueden encontrarse en la vida real y no estn reflejadas en el
modelo matemtico utilizado.
Pensemos por ejemplo, en los componentes que no se utilizan en este plan de
produccin. En el caso de equipos estndares y disqueteras se aprovechan todas
las existencias pero sobran 20 equipos de lujo. Si pueden usarse en el prximo
ejercicio y no hay inconvenientes en cuanto a mantenerlas en depsito hasta entonces, el problema parece bien planteado. Pero, si por el contrario, los equipos de
lujo no pueden emplearse en ejercicios futuros por problemas de obsolescencia, o
porque no pueden guardarse en almacn y, en cambio, los equipos estndares podrn usarse en un futuro, o son mucho menos valiosos, en este caso, puede que lo
que nos interese sea maximizar el empleo de equipos de lujo, es decir, maximizar la
celda E16.
Podramos hacer la prueba de indicarle a WB que la funcin objetivo a maximizar
no es la de los beneficios, sino las unidades consumidas de equipos de lujo (E16).
Se elige entonces la opcin Best del comando WB. En la caja de texto de la
ventana Best aparecer la celda $G$6, en donde se guarda la funcin objetivo
anterior (funcin de beneficios). Para indicarle al sistema la nueva funcin objetivo,
o bien se introduce con el teclado la ubicacin de la nueva funcin objetivo (E16),
o moviendo las flechas del teclado desplazamos el cursor hasta la casilla indicada.
Una vez que en la caja de texto aparece E16, se acepta con OK. Si a continuacin
indicamos a WB que optimice, mediante el comando Solve, la hoja de clculo
terminar mostrando los resultados que se presentan a continuacin en la tabla:
Ethel Mokotoff
44
FUNCIN OBJETIVO : MAXIMIZAR UNIDADES CONSUMIDAS

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
C
P L A N D E PRODUCCIOND E O R D E N A D O R E S
PRODUCTO
ESTANDAR
DE
EQUIPOS
F
DE
LUJO (E16)
D E LUJO
BENEFICIOS
C A N T I D A D A PRODUCIR
50
- u.m.
BENEFICIO UNITARIO
30000 u.m.
50000 u.m.
REQUERIMIENTOSD E C O M P O N E N T E S
MODELOS:
COMPONENTES:
EQUIPOS E S T A N D A R
EQUIPOS D E LUJO
DISQUETERA
ESTANDAR
D E LUJO
1
0
1
UNIDADES
CONSUMIDAS
0
0
<=
1
<=
50
2
100
<=
EXISTENCIAS
60
50
120
Si bien se maximiza el consumo de equipos de lujo, es decir, se consumen las 50

unidades que existen, la funcin de beneficios es menor que en el caso anterior. Discutiremos este resultado.
Al cambiar el objetivo de maximizar beneficios a maximizar unidades consumidas de
equipos de lujo, no hay razn para fabricar ordenadores estndares y, el resultado de no
producir ningn ordenador estndar, si bien responde al modelo matemtico planteado,
no responde a los objetivos reales que la empresa persigue. Una forma ms idnea de
traducir al modelo la idea de utilizar todos los equipos de lujo es, manteniendo como
funcin objetivo a la funcin de beneficios, cambiar la restriccin de los equipos de lujo
de menor o igual, a una estricta igualdad. Hacemos esto con la hoja de clculo original
(G6 es, nuevamente, la celda de la funcin objetivo), invocando la opcin Constraints
del men de WB, y cambiando la restriccin de F16 de menor o igual por igual.
Habiendo seleccionado previamente la celda correspondiente, no es necesario introducir la referencia en la caja de texto. Si no haba sido seleccionada, habr que editar la
caja de texto.
45
El resultado que presenta la hoja de clculo despus de optimizar con estas

variantes debe ser:
UNIDADES CONSUMIDAS
DE
EQUIPOS
DE
RESTRICCIN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
LUJO = EXISTENCIAS
DE = EN
ESTANDAR
EQUIPOS
DE
LUJO
F16
A
B
C
D
PRODUCTO
DE
DE LUJO
BENEFICIOS
CANTIDAD A PRODUCIR
20
50
3.100.000 u.m.
BENEFICIO UNITARIO
30.000 u.m
50.000 u.m.
MODELOS:
COMPONENTES:
EQUIPOS ESTANDAR
EQUIPOS DE LUJO
DISQUETERA
ESTANDAR
DE LUJO
1
0
1
UNIDADES
CONSUMIDAS
0 20
<=
1 50
=
2 120 =<=
EXISTENCIAS
60
50
120
Con esta solucin se fabrican todos los ordenadores de lujo necesarios para
consumir la totalidad de equipos de lujo pero la funcin objetivo sigue siendo la de
maximizar beneficios. Por lo tanto se producirn tantos ordenadores estndares
como las restricciones permitan, es decir, se emplear el resto de disqueteras y los
equipos estndares necesarios para construir los ordenadores estndares que las
disqueteras permitan. Los beneficios siguen siendo menores que los obtenidos inicialmente (3.100.000 frente a 3.300.000), pero ahora se emplean todos los equipos de lujo existentes.
Otra modificacin puede plantearse si la empresa se encuentra con una restriccin financiera que le obliga a asegurarse unos beneficios de al menos 3.200.000
u.m., pero tambin se quieren maximizar el uso de equipos de lujo. Este nuevo
modelo se obtiene introduciendo la restriccin de beneficios y volviendo a colocar
empleo de equipos de lujo como objetivo a maximizar. La nueva restriccin puede
introducirse en la hoja de clculo de dos maneras diferentes: editando la frmula
=WB(G6,>=,3200000), o escribiendo 3.200.000 u.m. en la celda I6 e indicando a WB la presencia de una restriccin de mayor o igual en H6 mediante la
Ethel Mokotoff
46
opcin Constraints del comando WB.

FUNCIN OBJETIVO : MAXIMIZAR UNIDADES CONSUMIDAS DE EQUIPOS DE LUJO, CON
RESTRICCIN DE CONSEGUIR UNOS BENEFICIOS 3.200.000 PESETAS
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
C
PRODUCTO
ESTANDAR
DE LUJO
BENEFICIOS
CANTIDAD A PRODUCIR
40
40
3.200.000 u.m. =>=
BENEFICIO UNITARIO
30.000 u.m.
3.200.000 u.m.
50.000 u.m.
MODELOS:
COMPONENTES:
EQUIPOS ESTANDAR
EQUIPOS DE LUJO
DISQUETERA
ESTANDAR
DE LUJO
1
0
1
UNIDADES
CONSUMIDAS
0 40
<=
1 40
<=
2 120
=<=
EXISTENCIAS
60
50
120
Los resultados obtenidos para el modelo actual permiten cubrir las necesidades
financieras de obtener las 3.200.000 u.m. de beneficio con la produccin de 40 unidades de cada modelo de ordenador. Si comparamos este resultado con la solucin
obtenida cuando se buscaba maximizar el consumo de equipos de lujo, pero sin restricciones financieras, observamos que se produce una cada en la funcin objetivo de
10 unidades de consumo de equipos de lujo, es decir, dada la restriccin financiera, la
empresa se ve obligada a dejar de utilizar diez unidades de equipos de lujo.
6. Resultados duales
Las variantes al problema que acabamos de analizar en el apartado anterior son
slo algunos ejemplos de los posibles anlisis de resultados que, de un modo muy
sencillo, permiten adaptar el modelo a problemas de decisin de la vida real.
Pero la herramienta ms importante de anlisis de sensibilidad que tiene la programacin lineal es el anlisis dual. WB lo brinda por medio del comando Dual del
47
men WB.
Recordando el concepto de valor dual de una restriccin, decimos que es la
cantidad que vara el valor en el ptimo de la funcin objetivo cuando el trmino
independiente de la restriccin (miembro de la derecha) vara en una unidad, siempre que los dems datos del problema se mantengan idnticos (lo que en Economa
se denomina ceteris paribus). WB provee el valor dual de las restricciones y los
lmites superior e inferior de variaciones que puede sufrir el trmino de la derecha de la restriccin, sin que el valor dual encontrado cambie.
Valores duales de las restricciones
Cuando se selecciona la opcin Dual aparece la ventana de informacin dual:

En la caja de texto superior deber indicarse la celda, o rango de celdas, en las
cuales se encuentran las frmulas de las restricciones cuyo valor dual se desea conocer. Siguiendo con nuestro ejemplo (volviendo al modelo original), en las celdas F15,
F16 y F17 estn las frmulas de las tres restricciones, por lo que se debera editar la
caja de texto superior con F15:F17, o indicar el rango con el ratn.
En la otra caja de texto, la inferior, debe indicarse el rango en que WB escribir
los valores duales. Es importante tener presente que, si en la primera caja de texto
se indica un rango de m celdas, el sistema necesitar m celdas para escribir los
resultados duales, entonces el rango de la segunda caja deber ser tambin m.
En nuestra hoja de clculo, colocamos los valores duales a la derecha de la
columna de existencias, es decir, en la columna H, las filas las hacemos coincidir con
las filas de las restricciones. Entonces, en la caja de texto inferior colocamos
H15:H17 (en esta caja de texto figura, por defecto, el rango de celdas que hubieran estado seleccionadas antes de invocar el comando Dual del men WB).
Ethel Mokotoff
48
Cuando la ventana Dual est completa, con la opcin Dual Value seleccionada, se acepta con OK. As se cierra la ventana, pero no se calculan los resultados
duales hasta que no se active la orden Solve. Podramos editar la celda H14 de la
hoja de clculo con una etiqueta para los valores duales. Invocamos Solve para
obtener los resultados duales. Despus de resolver, en nuestra hoja de clculo,
deber aparecer la siguiente informacin:
A
10
11
12
MODELOS:
13
ESTANDAR
DE LUJO
UNIDADES
14 COMPONENTES:
EXISTENCIASVALOR
CONSUMIDAS
DUAL
15 EQUIPOS ESTANDAR
60
=<=
60
16 EQUIPOS DE LUJO
30
<=
50
17 DISQUETERA
120
=<=
120
25000
5000
La interpretacin de estos resultados es la siguiente:
El valor dual de la restriccin de equipos estndares es 5.000. Esto
significa que, por cada equipo estndar que se pueda agregar a las existencias,
los beneficios mejoraran en 5.000 u.m.. Si a la empresa un equipo estndar le
cuesta ms de 5.000 u.m. no mejora sus beneficios aumentando las existencias de
este recurso, pero si le cuesta menos de 5.000 u.m. puede mejorar los beneficios.
Supongamos que se compran dos equipos estndares ms. Como la restriccin
de disqueteras est saturada, para fabricar dos ordenadores estndares ms, habr que dejar de fabricar un ordenador de lujo. Por el valor dual de equipos
estndares, al relajar la restriccin en dos unidades ( es decir contar con 62 equipos estndares, en lugar de 60), la funcin objetivo aumenta 2 x 5.000 u.m. =10.000
u.m.. Verifiquemos este resultado:
Se fabrican dos ordenadores estndares ms, cada uno tiene un beneficio
de 30.000 u.m.
2 x 30.000 = 60.000
aumento de beneficios
Se fabrica un ordenador de lujo menos, el cual tiene un beneficio de 50.000

u.m.
1 x 50.000 = 50.000
49
disminucin de beneficios
Los beneficios aumentan en

60.000 u.m. - 50.000 u.m. = 10.000 u.m.
como consecuencia de la compra de dos equipos estndares ms, verificando el resultado que adelantaba el valor dual.
El valor dual de la restriccin de equipos de lujo es cero. Esto significa
que aunque la empresa agregue equipos de lujo a sus existencias, los beneficios
no mejoraran, por muy baratos que los compre. Este resultado se debe a que,
para el problema planteado, los beneficios son mximos produciendo slo treinta ordenadores de lujo ya que cada uno consume dos disqueteras. Por lo cual,
dada la restriccin de disqueteras, por cada ordenador de lujo que se fabrica se
dejan de fabricar dos estndares, y el beneficio unitario de los primeros no es el
doble que el de los segundos. As pues, compensar producir todos los ordenadores estndares que sea posible.
El valor dual de la restriccin de disqueteras es 25.000. Esto significa
que por cada disquetera que se agregue a las existencias, los beneficios mejorarn en 25.000 u.m.. Es importante observar que la interpretacin debe hacerse
sin variar el resto de los valores del problema. As, como la restriccin de equipos estndares est saturada, una disquetera ms formar parte de un nuevo
ordenador de lujo. El resultado de 25.000 u.m. responde a que el beneficio de
los ordenadores de lujo es 50.000 u.m., pero con una disquetera se construira
medio ordenador de lujo. Si se aaden dos disqueteras, se construir un ordenador de lujo ms, incrementando la funcin de beneficios en 50.000 u.m..
Lmite inferior y superior de validez
WB permite conocer tanto el valor dual como su rango de validez. El valor dual
de una restriccin indica la cantidad en que vara el valor de la funcin objetivo si el
trmino independiente de la restriccin vara en una unidad. Pero este valor dual
puede no ser el mismo a medida que aadimos unidades al trmino independiente y
entonces WB nos informa de cuales son los lmites de variacin del trmino
independiente para los cuales ese valor dual calculado no vara. Esta infor-
Ethel Mokotoff
50
macin es la que se obtiene con las opciones Upper Range y Lower Range.
En nuestra hoja de clculo situamos, a la derecha del valor dual de cada restriccin, el lmite inferior y a continuacin el superior del trmino independiente, indicando el rango de validez del valor dual.
Para que WB provea el lmite inferior de validez del valor dual, en la ventana Dual
debemos indicar el rango de celdas donde se encuentran las frmulas de las restricciones, F15:F17, y el rango de celdas donde se escribir el lmite inferior del trmino
independiente de cada restriccin, I15:I17. Seleccionamos la opcin Lower Range
y aceptamos con OK. La hoja de clculo no se actualizar hasta no invocar Solve. Pero
antes de hacerlo prepararemos la hoja para obtener tambin los lmites superiores. Se
repite el procedimiento anterior, pero esta vez seleccionamos la opcin Upper Range.
La caja de texto superior debe contener la referencia de las celdas con las frmulas de las restricciones, y la inferior, el rango de celdas donde se escribir el lmite
superior de las restricciones, que es J15:J17. Aceptamos con OK. En la hoja de
clculo podemos poner etiquetas a las columnas en donde aparecer el rango de
validez de los valores duales. Ahora que hemos introducido toda la informacin, invocamos Solve.
51
Una vez resuelto el problema, en la hoja de clculo aparece la siguiente informacin:

8
EXISTENCIAS
VALOR
9
10
11
12
13 UNIDADES
14 CONSUMIDAS
60
30
120
15
16
17
=<=
<=
=<=
60
50
120
RANGO DE VARIACION
DUAL
DISMINUCION
AUMENTO
5000
0
25000
40
20
60
60
1E+20
40
18
Veamos que significa el rango de variacin de una restriccin. El valor dual es

vlido para los datos actuales, es decir, si las existencias de equipos estndares
aumentan de 60 a 61 unidades, entonces la funcin objetivo aumenta 5.000 u.m. y
si disminuye de 60 a 59, la funcin objetivo disminuir 5.000 u.m.. Este anlisis
puede extenderse, de manera que, si las existencias de equipos estndares aumentan en 10 unidades, la funcin objetivo aumentar 50.000 u.m.. Pero esto no es as
indefinidamente. Habr un momento en que aunque agreguemos equipos estndares
la funcin objetivo dejar de aumentar porque se habrn consumido todas las
disqueteras. Este lmite dentro del cual el anlisis del valor dual es vlido, es el que
indica el rango de variacin.
En la primera restriccin el lmite superior es 60. Esto quiere decir que el valor
dual de 5.000 u.m. es vlido para unidades adicionales de equipos estndares hasta
haber aadido 60 equipos estndares, es decir, hasta que el trmino independiente
de la restriccin sea 120. A partir de 120 el valor dual de 5.000 u.m. dejar de ser
vlido.
Comprobemos en la hoja de clculo que ocurre con los valores duales si aadimos 59 equipos estndares adicionales:
Ethel Mokotoff
52
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
E
F
PRODUCTO
BENEFICIOS
CANTIDAD A PRODUCIR
3.595.000 u.m.
BENEFICIO UNITARIO
UNIDADES
COMPONENTES:
CONSUMIDAS
EQUIPOS ESTANDAR
=<=
119
EQUIPOS DE LUJO
0,5
<=
DISQUETERA
120
=<=
EXISTENCIAS
119
50
120
VALOR
DUAL
5000
0
25000
RANGO DE VARIACION
DISMINUCION A U M E N T O
99
49,5
1
1
1E+20
99
Los beneficios aumentan en 59 x 5.000 u.m. = 295.000 u.m., como poda ser
previsto con el valor dual. Como 59 unidades no sobrepasan el lmite superior de
validez del valor dual, este no cambia y sigue siendo 5.000 u.m..
Observemos que ocurre si aadimos una unidad ms de equipos estndares, es
decir, si contamos con 120 equipos.
1
2
3
PRODUCTO
BENEFICIOS
4
5
CANTIDAD A PRODUCIR
3.600.000 u.m.
6
7
8
BENEFICIO UNITARIO
9
10
11
12
UNIDADES
COMPONENTES:
CONSUMIDAS
15 EQUIPOS ESTANDAR
120
=<=
16 EQUIPOS DE LUJO
0
<=
17 DISQUETERA
120
=<=
13
EXISTENCIAS
14
120
50
120
VALOR
DUAL
0
0
30000
RANGO DE VARIACION
DISMINUCION AUMENTO
0
1E+20
50
1E+20
120
0
En este caso, con 120 equipos estndares, los beneficios han aumentado 5.000
u.m. con respecto a los beneficios correspondientes a 119 equipos estndares,
pero el valor dual es cero. Esto significa que si seguimos aadiendo equipos
estndares, los beneficios no mejoran. Slo podramos mejorar los beneficios aadiendo disqueteras, ya que la restriccin de disqueteras es la nica con valor dual
distinto de cero.
53
Volvamos a la situacin original de 60 unidades de equipos estndares para

analizar el lmite inferior de la restriccin:
11
12
13 UNIDADES
EXISTENCIAS
VALOR
14 CONSUMIDAS
15
16
17
60
30
120
=<=
<=
=<=
60
50
120
RANGO DE VARIACION
DUAL
DISMINUCION
AUMENTO
5000
0
25000
40
20
60
60
1E+20
40
18
Observemos que al disminuir en una unidad el trmino independiente de la restriccin, la funcin objetivo deber disminuir en 5.000 u.m., este razonamiento es
vlido hasta haber disminuido 40 unidades, es decir hasta tener 20 equipos
estndares. Si fijamos las existencias en 20 unidades, el valor dual de esta restriccin sigue siendo 5.000 u.m., pero su rango inferior de variacin es ahora 0.
1
2
3
PRODUCTO
BENEFICIOS
4
5
CANTIDAD A PRODUCIR
3.100.000 u.m.
6
7
8
BENEFICIO UNITARIO
9
10
11
12
13
COMPONENTES:
15 EQUIPOS ESTANDAR
16 EQUIPOS DE LUJO
17 DISQUETERA
14
UNIDADES
CONSUMIDAS
EXISTENCIAS
20
=<=
20
50
=<=
50
120
=<=
120
VALOR
DUAL
5000
0
25000
RANGO DE VARIACION
DISMINUCION
0
0
100
AUMENTO
100
1 E + 20
0
Comprobamos que los beneficios disminuyeron en 40 x 5.000 u.m. = 200.000

u.m., con respecto al problema original, en el cual, con 60 equipos estndares,
obtenamos 3.300.000 u.m. de beneficio. Pero para 20 equipos estndares el rango inferior de variacin del valor dual 5.000 ahora es cero, porque el valor dual de
5.000, en el problema original, tiene un lmite inferior de 40, es decir, que si a los 60
equipos iniciales, les quitamos ms de 40 equipos, el valor dual deja de ser 5.000 y
pasa a ser 30.000, que son los beneficios que se pierden por dejar de fabricar un
ordenador estndar mientras sobran disqueteras para hacerlo.
Ethel Mokotoff
54
Volviendo al problema original, el valor dual de la restriccin de equipos de lujo

igual a cero implica que, aunque aadiramos equipos de lujo, los beneficios no
mejoraran porque las disqueteras disponibles se emplean para fabricar el mayor
nmero posible de ordenadores estndar. Lo comprobamos con la hoja de clculo
siguiente, en la cual, supusimos tener 1.000 equipos de lujo:
A
1
2
3
PRODUCTO
BENEFICIOS
4
5
CANTIDAD A PRODUCIR
3.300.000 u.m.
6
7
8
BENEFICIO UNITARIO
9
10
11
12
UNIDADES
EXISTENCIAS
COMPONENTES:
CONSUMIDAS
15 EQUIPOS ESTANDAR
60
=<=
60
16 EQUIPOS DE LUJO
30
<=
1000
17 DISQUETERA
120
=<=
120
13
14
VALOR
DUAL
5000
0
25000
RANGO DE VARIACION
DISMINUCIONAUMENTO
60
60
970
1E+20
60
1940
Los beneficios no cambian, como era de esperar por el valor dual de la restriccin de equipos de lujo.
En cambio si aumentamos las existencias de disqueteras, los beneficios tiene que
cambiar a juzgar por el valor dual. Consideramos ahora 160 disqueteras de existencias.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
C
PRODUCTO
ESTNDAR
DE LUJO
BENEFICIOS
CANTIDAD A PRODUCIR
60
50
4.300.000 u.m
BENEFICIO UNITARIO
30.000 u.m.
50.000 u.m.
ESTANDAR:
COMPONENTES:
EQUIPOS ESTANDAR
EQUIPOS DE LUJO
DISQUETERA
1
0
1
DE LUJO:
0
1
2
UNIDADES
EXISTENCIAS
CONSUMIDAS
60
=<=
60
50
=<=
50
160
=<=
160
VALOR RANGO DE VARIACION

DUAL DISMINUCION
AUMENTO
5000
0
100
0
0
1E+20
25000
100
0
55
Efectivamente, podemos comprobar que los beneficios mejoran en 40 x 25.000

u.m. = 1.000.000 u.m. con respecto al problema original. Pero si siguiramos aadiendo disqueteras los beneficios no mejoraran, como puede observarse por el
cero en el lmite superior de variacin del valor dual. Esto es debido a que las otras
dos restricciones estn tambin saturadas, entonces, si agregamos disqueteras, no
hay equipos con los cuales montar ms ordenadores y esas disqueteras no pueden
emplearse. Lo comprobamos considerando una disquetera ms, es decir, 161
disqueteras:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
B
C
PRODUCTO
ESTNDAR
DE LUJO
BENEFICIOS
CANTIDAD A PRODUCIR
60
50
4.300.000 u.m.
BENEFICIO UNITARIO
30.000 u.m.
50.000 u.m.
ESTANDAR:
COMPONENTES:
EQUIPOS ESTANDAR
EQUIPOS DE LUJO
DISQUETERA
1
0
1
DE LUJO:
0
1
2
UNIDADES
EXISTENCIAS
CONSUMIDAS
60
=<=
60
50
=<=
50
160
<=
161
VALOR RANGO DE VARIACION

DUAL DISMINUCION
AUMENTO
30000
60
1
50000
50
0,5
0
1
1,00E+20
En este caso los beneficios no mejoran porque siguen fabricndose el mismo nmero de ordenadores estndares y de lujo, aunque s cambian los valores duales de
las tres restricciones. Es importante notar cmo, al haber excedente de disqueteras,
los precios sombra de los equipos aumentan. Ahora con un equipo estndar ms
podran obtenerse 30.000 u.m. ms de beneficio. Con respecto a la restriccin de
equipos de lujo el anlisis es ms complicado. Si bien el valor dual (variacin en el
valor de la funcin objetivo provocada por una variacin unitaria en el trmino de la
derecha de la restriccin) es 50.000, su rango superior de variacin es de 0,5 unidades, porque hacen falta dos disqueteras para montar un ordenador de lujo.
Este tipo de anlisis de sensibilidad es muy sencillo de realizar y puede resultar
de gran utilidad a la hora de tomar decisiones.
Valor dual de variables de decisin
Otra informacin de inters es el valor dual de las variables de decisin. Tiene

sentido cuando en la solucin ptima alguna variable vale cero, es decir no partici-
Ethel Mokotoff
56
pa en la solucin. Si, por alguna razn, tuviramos que hacerla tomar un valor
mayor que cero, es decir, si nos viramos obligados a hacerla entrar en la solucin, esto implicara una variacin en el valor de la funcin objetivo que puede
medirse por el valor dual de la variable, que suele llamarse coste de oportunidad.
Por medio del comando Dual de WB se puede conocer el valor dual de una
variable de decisin. En la ventana titulada Dual habr que especificar la celda
ajustable de la cual se quiere conocer el valor dual, y luego de optimizar la hoja de
clculo podremos conocer el valor dual de la variable.
Notas
Las capacidades lmite que soporta WB 4.0 segn la versin son:

Personal Comercial Profesional Industrial Extendido
Celdas
Numricas
Variables
Restricciones
1.600
6.400
16.000
64.000
128.000
500
250
1.600
800
4.000
2.000
16.000
8.000
32.000
16.000
Si bien el modelo utilizado se optimiza en pocos segundos, modelos de mayor

tamao pueden consumir algunos minutos en encontrar el ptimo.
Captulo 6. Solucin de problemas
1. Introduccin
En este captulo presentamos las soluciones ptimas a los problemas planteados
anteriormente. Los soluciones fueron obtenidas introduciendo en una hoja de clculo las formulaciones descriptas en el Captulo 4, y aplicando WB como herramienta de optimizacin.
2. Ejemplo del problema de la planificacin de la produccin

La solucin ptima es producir las cantidades de producto que se indican en la fila
14. Los beneficios son mximos sin producir ninguna unidad del producto 2.
Todas las restricciones estn saturadas a excepcin de la de vidrio (fila 11), por
lo tanto, esperamos valores duales mayores que cero para todas las restricciones
Ethel Mokotoff
58
menos para la de vidrio.

Con estos datos los beneficios ascienden a 1.502.000 u.m., pero estudiaremos los
valores duales para saber qu recurso puede permitirnos mejorar estos beneficios.
Los resultados duales permiten ver que los recursos que mayor incremento en
los beneficios podran producir son pintura (fila 12) y madera (fila 8).
Para analizar las ventajas de la incorporacin de unidades adicionales de cualquier recurso deberamos conocer sus costes, que en este problema, se consideran
incluidos en los beneficios unitarios.
Aplicaremos el concepto de precio sombra al recurso pintura. Como la adquisicin de una unidad adicional de pintura reportara a los beneficios totales 557,80
u.m., si el coste de adquirir esta unidad adicional de pintura es inferior a esa cantidad,
al comprarla mejoraramos los beneficios totales. Este anlisis es extensible a todos
los recursos, aunque es obvio que unidades adicionales de vidrio no mejoraran los
beneficios a ningn coste si se mantienen los dems datos del problema invariantes.
Como las unidades a producir del producto 2 son nulas en la solucin ptima,
59
tiene sentido analizar su variable dual. En este caso su valor es 478,76. Esto significa que si hubiera que producir este producto, por cada unidad que se produzca,
los beneficios descenderan en esa cantidad. Esta afirmacin es vlida para cantidades a producir del producto 2 que no superen los lmites de este valor dual.
3. Ejemplo del problema de la dieta

Se satisfacen los requerimientos nutritivos con un coste de 4.878 u.m.. Como en
este problema el objetivo es minimizar costes, la interpretacin de los valores duales
es diferente a la del problema anterior.
Aqu, relajar en una unidad una restriccin significa disminuir el requerimiento

mnimo de alguna vitamina.
Relajamos la restriccin de Vitamina D (fila 19) reduciendo su trmino independiente. El valor dual nos informa que por cada unidad menos requerida de vitamina
D, el coste total de la dieta se reduce en casi 17 u.m.. Este anlisis es vlido hasta
una disminucin de 9,08 unidades menos de esta vitamina.
La dieta ptima para este problema est determinada por los porcentajes de
alimentos que se indican en la fila 10. En esta dieta no entra el alimento 4 porque su
60
Ethel Mokotoff
coste es demasiado alto en relacin con su aporte vitamnico. Si nos viramos obligados a incluir el alimento 4 en la dieta, por ejemplo, porque hace que la dieta
resulte ms sabrosa, podramos analizar el aumento de coste que ello supone con el
valor dual de la variable de decisin. El valor dual de dicha variable es de 57,88
u.m.. Esto significa que si en nuestra dieta asignamos un 10% de participacin al
alimento 4, el coste total se incrementa en 578,8 u.m..
Esta nueva solucin la hemos obtenido fijando la variable porcentaje del alimento 4 en 10%. Otra forma de incluir esta modificacin es aadiendo una restriccin que obligue a esta variable a ser igual a 10%. En cualquier caso, la nueva
solucin ptima, hace que los costes totales asciendan a 5.457 u.m..
4. Ejemplo del problema del transporte

En este problema hay un vector de demanda a satisfacer (fila 9) y un lmite de
capacidad productiva (columna G), es decir, que coexisten restricciones de mayor
o igual con restricciones de menor o igual.
La frmula del Coste Total resulta ser el producto de la matriz de costes unitarios (B3: E5) por la matriz de cantidades a transportar (B15: E17). Para su clculo
se utiliza la funcin de Excel sumaproducto.
61
De la observacin de los resultados duales surge que el valor dual de la capacidad productiva de la Planta A es -4. Este valor negativo se interpreta de la siguiente
manera: si la Planta A es capaz de producir una unidad ms (se aumenta la capaci-
Ethel Mokotoff
62
dad productiva a 71) la funcin objetivo disminuye en cuatro unidades, por tanto, el
nuevo valor de Coste Total debera ser 397,5.
Los valores duales de las otras dos restricciones de capacidad productiva son
cero. Aumentar la capacidad productiva de las Plantas B o C no disminuir los
costes.
La interpretacin de resultados duales para las restricciones de demanda es

diferente, pues se trata de restricciones de mayor o igual. Relajarlas implica disminuir su valor (al contrario que en las restricciones de capacidad productiva). Una
relajacin unitaria en el mercado 2, significa que la demanda de este mercado (celda C9) resulta ser igual a 56, y esto implica una disminucin en los costes totales de
5,5.
Captulo 7. Aplicaciones Econmicas
1. Matriz input-output de Leontieff

En el anlisis estructural de un sistema econmico se utiliza el modelo de Leontieff,
que consiste en una matriz con la informacin correspondiente a las relaciones entre
los diferentes sectores de una economa.
Consideremos una economa con tres sectores: servicios, industria y agricultura.
Parte de la produccin de un sector es consumida por otro, como insumo, y por los
consumidores finales.
Las cantidades producidas por un sector, necesarias para la produccin de una
unidad del producto de otro, estn reflejadas en la siguiente matriz, en la cual las
cantidades producidas estn expresadas en unidades monetarias (u.m.).
INSUMO
Servicios
Industria
Agricultura
Mano de obra
PRODUCCIN
Servicios Industria Agricultura
0.2
0.2
0.2
0.5
0.4
0.6
0.1
0.1
0.1
0.2
0.3
0.1
La columna Servicios indica que para producir 1 u.m. de servicios es necesario

consumir 0.2 u.m. del propio sector servicios, 0.5 u.m. de productos de industria,
0.1 u.m. de productos de agricultura y 0.2 u.m. de mano de obra. Del mismo modo,
se interpretan las otras columnas.
Para el perodo considerado se dispone de una cantidad de mano de obra nacional equivalente a 80 u.m.. Adems se conoce la demanda interna de cada sector,
que es de 30 u.m. de servicios, 30 u.m. de industria y 5 u.m. de agricultura.
Ethel Mokotoff
64
Cules son las cantidades a producir por cada sector, suponiendo que, como
resultado de decisiones polticas, se busca maximizar la produccin total del pas
con las siguientes ponderaciones: 0.3 para servicios, 0.5 para industria y 0.2
para agricultura?
Conviene contratar mano de obra extranjera? Hasta qu precio sera rentable pagar por esa mano de obra?
Supongamos ahora que este pas est inmerso en un mercado internacional en
el cual se fijan lmites a las exportaciones. Si los lmites actuales son 15 u.m. para
servicios, 20 u.m. para industria y 2 u.m. para agricultura, son convenientes
estos valores a nuestra economa?, en qu sector tendramos que centrar nuestros esfuerzos negociadores?
Establecemos la siguiente notacin:
Con el subndice i = {1,2,3} denotamos a los tres sectores: servicios, industria y
agricultura, respectivamente.
xi es la produccin del sector i, medida en um;
di es la demanda por parte del sector de los consumidores finales de los bienes
producidos por el sector i, medida en um;
aij es la cantidad de bienes producidos por el sector i, necesarios para la elaboracin de una unidad del bien producido por el sector j, medida en um;
li es la cantidad de mano de obra necesaria para la produccin de una unidad del
bien i, medida en um;
L representa la disponibilidad de mano de obra en el perodo de tiempo considerado, medida en um.
La produccin de cada sector debe satisfacer la demanda de los tres sectores
de la economa y la de los consumidores finales, es decir:
3
xi a ij x j d i
j 1
65
Si denotamos como wi a las ponderaciones que el gobierno establece sobre la

3
produccin del sector i, entonces deberamos maximizar la funcin w i x i , en

i 1
el conjunto factible que queda determinado por las 4 restricciones tecnolgicas,

3
Max wi x j
i 1
s.a
3
(1 aii ) xi aij x j d i , i
j 1
j i
l x
i 1
xi 0, i
Introducimos el modelo en la hoja de clculo y lo resolvemos con WB
Insumos
Servicios
Industria
Agricultura
Mano de Obra
Servicios
0.2
0.5
0.1
0.2
Produccin
Industria
Agricultura
0.2
0.4
0.1
0.3
0.2
0.6
0.1
0.1
Produccin Total
Servicios
Pesos
Cantidades a Producir
max
Servicios
Industria
Agricultura
Industria
0.3
96.92
Agricultura
0.5
184.23
0.2
53.46
=>=
=>=
>=
Demanda interna
30
30
5
131.88
Produccin Neta
30
30
20
Utilizada
Mano de Obra
Disponible
80
=<=
80
Ethel Mokotoff
66
Las cantidades a producir de cada sector que maximizan la funcin objetivo, son
las que figuran en la fila 13 de la hoja de clculo.
Para saber si conviene aumentar la capacidad de mano de obra contratndola
en el extranjero, hacemos uso de la informacin dual. Calculamos entonces los
valores duales de las 4 restricciones.
Insumos
Servicios
Industria
Agricultura
Mano de Obra
Servicios
0.2
0.5
0.1
0.2
Produccin
Industria
Agricultura
0.2
0.4
0.1
0.3
demanda
0.2
0.6
0.1
0.1
30
30
5
80
Produccin Total
Servicios
Pesos
max
Servicios
Industria
Agricultura
Industria
0.3
96.92
Agricultura
0.5
184.23
131.88
Produccin Neta
30
30
20
=>=
=>=
>=
Utilizada
Mano de Obra
0.2
53.46
Demanda interna Valores Duales

30
-0.07
30
-0.03
5
0.00
Disponible
80
=<=
80
1.68
El valor dual de la restriccin de mano de obra nos informa de que por cada um
de mano de obra en que aumentemos la capacidad laboral, el valor de la funcin
objetivo aumenta en 1.68 u.m.. Esto nos permitir saber que el precio sombra,
es decir, el precio que estamos dispuestos a pagar por aumentar en 1 u.m. la
disponibilidad de mano de obra es precisamente de 1.68 u.m..
Pero ese aumento en el valor de la funcin objetivo, qu interpretacin tiene?
Tal como est planteado el problema, el aumento de produccin provoca un
aumento de excedente, ya que las demandas internas estn satisfechas, Seremos capaces de exportar todo nuestro excedente de produccin? Un modelo
ms realista debera contemplar este aspecto.
67
Para elaborar un modelo ms realista, en el cual se limite el excedente de

produccin a las cantidades que es posible exportar, se aaden 3 restricciones,
una para cada sector. El excedente de produccin puede medirse mediante la
expresin
3
(1 aii ) xi aij x j d i
j 1
j i
La formulacin del modelo resulta entonces

3
Max wi xi
i 1
s.a
3
(1 aii ) xi aij x j d i , i
j 1
j i
l x
i 1
(1 a ii ) xi a ij x j d i ei , i
j 1
j i
xi 0, i
donde ei es el lmite mximo de exportaciones del sector i.
Aadimos las restricciones en la hoja de clculo y resolvemos con WB.
Ethel Mokotoff
68
Insumos
Servicios
Industria
Agricultura
Mano de Obra
Produccin
Industria
0.2
0.4
0.1
0.3
Servicios
0.2
0.5
0.1
0.2
Agricultura
0.2
0.6
0.1
0.1
demanda Exportaciones
30
15
30
20
5
2
80
Produccin Total
Pesos
max
Servicios
Industria
Agricultura
Servicios
Industria
Agricultura
0.3
0.5
94.92
190.23
131.48
Produccin Neta
30
43
7
Demanda interna
=>=
>=
>=
Utilizada
Mano de Obra
0.2
39.46
30
30
5
Valores Duales
-0.03
0.00
0.00
Disponible
80
=<=
Excedente
0
13
2
<=
<=
=<=
80
1.65
Exportaciones:
Servicios
Industria
Agricultura
Lmite de Exportaciones Valores Duales

15
0.00
20
0.00
2
0.03
Para saber qu sectores estn activamente limitados por la cuota establecida,

utilizamos la informacin dual. El valor de las variables duales de las restricciones de
exportacin nos indica que el sector agrcola est realmente afectado por la cantidad lmite de exportacin (valor dual mayor que cero).
Por cada um ms que se pueda exportar, nuestra produccin ponderada mejorara en 0.03 u.m.. El resto de los sectores no est realmente limitado, no se produce un excedente que alcance los valores mximos de exportacin (valores duales
nulos).
Con la inclusin de las restricciones de exportacin la produccin agrcola ha
disminuido notablemente (de 53.46 a 39.46). El gobierno debera negociar una
mayor cuota de exportaciones agrcolas.
2. Subasta de sobre cerrado

Consideremos una subasta de sobre cerrado en la cual se ofrecen objetos de 5
clases diferentes, y hay 4 participantes que pujan por ellos.
69
Cada participante i entrega en sobre cerrado el precio que est dispuesto a

pagar por un objeto de tipo j. Si bien se ofrecen Sj unidades de cada tipo de objeto
j, cada participante est interesado en adquirir, a lo sumo, una nica unidad de cada
tipo de objeto. Del modelo deben surgir los precios de equilibrio de cada clase de
objeto, desconocidos a priori, y una asignacin de objetos a participantes que consiga que todo participante acepte las unidades asignadas al precio de equilibrio.
Suponemos que toda puja por un objeto que resulte menor que su precio de equilibrio no consigue el objeto, y que toda puja mayor que dicho precio s lo consigue.
Si no se consigue vender todas las unidades de una clase de objetos, su precio de
equilibrio resulta cero. Supongamos tambin que ningn participante quiere ms de
tres objetos. Para maximizar los beneficios de todos los participantes, el modelo
debe asegurar que se asigna un objeto a un participante si, para ese participante, no
hay otro objeto con mayor diferencia entre su puja y el precio de equilibrio.
Identificamos con j, siendo j=1, 2, 3, 4 y 5, a las clases de objetos, y con i,
siendo i=1, 2, 3 y 4, a los participantes. Las cantidades disponibles de cada clase
de objeto son 1, 2, 3, 3 y 4, respectivamente.
Las pujas de los participantes para cada tipo de objeto se indican a continuacin
Tipos de Objetos
1 2 3 4 5
Participantes
1 9 2 8 6 3
2 6 7 9 1 5
3 7 8 6 3 4
4 5 4 3 2 1
Cada elemento aij representa la puja del participante i sobre la clase de objeto j.
El modelo lineal que planteamos es:
4 5
Max aij xij

i 1 j 1
s.a
Ethel Mokotoff
70
xij S j , j
i 1
xij 3, i
j 1
xij 1, i y j ,
si el participante i compra un objeto de tipo j
1
donde x ij
0 si el participante i no compra un objeto de tipo j
Los precios de equilibrio se obtienen del valor de las variables duales correspondientes a cada una de las 5 primeras restricciones. Lo hacemos as debido a que
podemos interpretar a los valores duales de las restricciones de disponibilidad de
cada objeto como el precio mximo a pagar por aumentar en una unidad el nmero
de objetos disponibles (ya que el valor dual es el incremento en el valor de la funcin objetivo que se obtiene al aumentar en una unidad el trmino de la derecha de
la restriccin) -ver tabla de la pgina 73-.
Segn los valores duales de las restricciones de unidades disponibles, los precios
de mercado para los 5 tipos de objetos resultan ser 6, 4, 3, 0 y 0 respectivamente.
Comprobemos que la asignacin que obtenemos mediante el modelo de Programacin Lineal verifica las condiciones impuestas por el planteamiento del problema. Para ello creamos la matriz con los beneficios que cada participante obtendra con cada una de las clases de objetos, dados los precios de mercado.
Tipos de Objeto
1 2 3 4 5
Participantes
Precio
1 3 - 5 6 3
2 0 3 6 1 5
3 1 4 3 3 4
4 - 0 0 2 1
6 4 3 0 0
Para cada participante, definiremos un vector con los objetos para los cuales
Participantes
1
2
3
4
Cantidad Total
Participantes
1
2
3
4
1
9
6
7
5
1
1
1
0
0
0
71
Pujas presentadas
Tipos de Objetos
2
3
2
8
7
9
8
6
4
3
2
3
4
6
1
3
2
3
5
3
5
4
1
4
Tipos de Objetos
3
1
1
1
0
4
1
0
0
1
5 Utilidad
0
1
1
1
2
0
1
1
0
max
Tipos de Objeto N de Objetos Vendidos

Disponibilidad Valores Duales
1
1
=<=
1
6
2
2
=<=
2
4
3
3
=<=
3
3
4
2
<=
3
0
5
3
<=
4
0
Participantes
1
3
=<=
3
2
3
=<=
3
3
3
=<=
3
4
2
<=
3
Variables de asignacin ij
1-1
1
=<=
1
2-1
0
<=
1
3-1
0
<=
1
4-1
0
<=
1
1-2
0
<=
1
2-2
1
=<=
1
3-2
1
=<=
1
4-2
0
<=
1
1-3
1
=<=
1
2-3
1
=<=
1
3-3
1
=<=
1
4-3
0
<=
1
1-4
1
=<=
1
2-4
0
<=
1
3-4
0
<=
1
4-4
1
=<=
1
1-5
0
<=
1
2-5
1
=<=
1
3-5
1
=<=
1
4-5
1
=<=
1
23
21
18
3
65
Ethel Mokotoff
72
obtiene algn beneficio, ordenados en forma no creciente de beneficios.

Participante 1 (4, 3, 1, 5)
Participante 2 (3, 5, 2)
Participante 3 (2, 5, 3, 4)
Participante 4 (4, 5)
Los elementos subrayados son aquellos que son asignados a cada participante
segn la solucin encontrada por el modelo planteado. De su observacin concluimos que la solucin obtenida cumple con todas las condiciones que el diseo de la
subasta impona.
3. Juegos de suma cero

Con este problema se pretende ejemplificar la aplicacin de la Programacin Lineal
a la Teora de Juegos (para una descripcin introductoria de los elementos bsicos
de la Teora de Juegos, puede consultarse Prez et al., 2004).
Sea un juego de suma cero de dos jugadores, J1 y J2, con tres acciones cada
uno (1,2 y 3) y con los pagos siguientes:
J2
1
2
3
1 3,-3 -2,2 -4,4
J1 2 -1,1 4,-4 2,-2
3 2,-2 2,-2 6,-6
El primer pago corresponde a J1 y el segundo a J2.

Este juego queda definido por la matriz de pagos
3 2 4
A 1 4
2
2
2
6
Cada elemento aij de la matriz representa la cantidad que J2 paga a J1 si J1

realiza la accin i y J2 realiza la accin j. Las acciones posibles del jugador J1 estn
73
asociadas por las filas de la matriz A. Anlogamente, las acciones posibles de J2

estn asociadas con las columnas de la misma matriz.
A cada accin se la denomina estrategia pura. Una estrategia mixta para un
jugador es un vector que especifica las probabilidades de realizar cada una de las
acciones posibles, (x1, x2, x3) para J1 y (y1, y2, y3) para J2.
Resolver un juego como el planteado es encontrar un par de estrategias mixtas
ptimas, (x*1, x*2, x*3) y (y*1, y*2, y*3) y un nmero real v, llamado valor del juego,
tales que:
E
i,
y ,y ,y
v , para las estrategias puras i=1, 2, 3
significa el pago esperado por J si juega
mienE
x ,x ,x
, j
x ,x ,x
tras que J juega su estrategia pura j. E
tiene un significado ani,
y ,y ,y
E x1* , x 2* , x 3* , j v , para las estrategias puras j=1, 2, 3
*
1
*
1
*
2
*
2
*
3
*
3
*
1
*
2
1
*
3
*
1
*
2
*
3
logo.
Puede demostrarse que todo juego de este tipo tiene solucin. El jugador J1
busca un vector de estrategias puras (x1, x2, x3) y un nmero v, tales que:
a11 x1 a 21 x 2 a31 x3 v
a12 x1 a 22 x 2 a32 x3 v
a13 x1 a 23 x 2 a33 x3 v
x1 x 2 x3 1
x1 0
x2 0
x3 0
Anlogamente, el jugador J2 busca un vector de estrategias puras (y1, y2, y3) y
un nmero v, tales que:
a11 y1 a12 y 2 a13 y 3 v
a 21 y1 a 22 y 2 a 23 y 3 v
a31 y1 a32 y 2 a33 y 3 v
Ethel Mokotoff
74
y1 y 2 y3 1
y1 0
y2 0
y3 0
Para formular el programa lineal equivalente realizamos la transformacin que se
describe a continuacin.
Transformamos todos los elementos de la matriz en positivos sumando un nmero apropiado a todos ellos. Suponemos tambin que el nmero real v es mayor que
cero. Dividimos todos los trminos de las restricciones por v y definimos nuevas
variables xi e yj.
xi'
resultando
x
i
'
i
xi
yi
'
y yi
v
v
1
1
xi y
v i
v
y
i
'
i
1
1
yi
v i
v
'
Para el participante 1 maximizar v es equivalente a minimizar xi Anlogamente,

i
'
para el participante 2, maximizar v es equivalente a minimizar yi .
i
As resultan el programa lineal primal:

Min xi'
i
s.a
a11 x'1 a 21 x' 2 a31 x'3 1
a12 x'1 a 22 x' 2 a32 x' 3 1
a13 x'1 a 23 x' 2 a33 x' 3 1
x'1 0
x' 2 0
x' 3 0
y su dual:
Max yi'
i
75
s.a
a11 y '1 a 21 y ' 2 a 31 y '3 1
a12 y'1 a 22 y' 2 a32 y' 3 1
a13 y'1 a 23 y' 2 a33 y' 3 1
y'1 0
y' 2 0
y' 3 0
Debido a que todo juego tiene una solucin, entonces el primal tiene solucin
1
ptima y min x'i = max y i' . Al resolver uno de los dos problemas, la esv
i
i
trategia ptima del otro problema puede conocerse mediante la informacin dual
del problema resuelto.
Un mtodo alternativo para reducir el problema del juego a un problema lineal
es el siguiente: transformamos las desigualdades que definen el problema en igualdades, restando a cada una de ellas una variable de holgura positiva.
a11 x1 a 21 x 2 a31 x3 x 4 v
a12 x1 a 22 x 2 a32 x3 x5 v
a13 x1 a 23 x 2 a33 x3 x6 v
x1 x 2 x3 1
x1 0
x2 0
x3 0
Restando la primera restriccin a las otras dos y usando el trmino de la izquierda de la primera restriccin como funcin objetivo, dado que es igual a v, podemos
plantear el programa lineal siguiente
Max a11 x1 a21 x2 a31 x3 x4
s.a
(a12 a11 ) x1 (a 22 a 21 ) x 2 (a32 a 31 ) x3 x5 0
(a13 a11 ) x1 (a 23 a 21 )x 2 (a33 a31 )x3 x6 0
Ethel Mokotoff
76
x1 x 2 x3 1
x1 0
x2 0
x3 0
Planteamos y resolvemos este programa lineal con los datos de la matriz de
pagos.
Matriz de Pagos
J2
3
-2
-1
4
2
2
J1
x1
x2
Solucin:
max
Restricciones
-4
2
6
x3
0
0 =
0 =
1 =
x4
x5
0
0
1
-0.60
0.00
2.00
x6
0
La interpretacin de la solucin obtenida es que el Jugador J1 jugar la accin 3,

asegurndose una utilidad de 2.
Si bien en este caso la solucin podra haberse obtenido directamente observando la matriz de pagos, cuando la dimensin de la matriz es considerablemente grande, el mtodo directo puede llegar a ser muy engorroso. En estos casos resulta ms
eficiente aplicar la programacin lineal.
Captulo 8. Aplicaciones Financieras
1. Planificacin de inversiones
Comenzamos con un problema sencillo de planificacin de inversiones. Supongamos
tener que construir un plan de inversiones para maximizar el capital acumulado al cabo
de cinco aos. Actualmente se dispone de 6 millones de u.m. para invertir.
Se puede invertir comprando cuatro tipos de acciones S1, S2, S3 y S4. Cada
peseta invertida en S1 proporcionara dos aos ms tarde un beneficio de 0.40 u.m.
y es posible la venta de dichas acciones para una reinversin inmediata al comienzo
del tercer ao. Cada u.m. invertida en acciones de S2 producira un beneficio de
otra peseta al final de tres aos, y el importe de las acciones ms los beneficios
puede ser invertido de nuevo al comienzo del cuarto ao. Las acciones de S3 y S4
estarn a la venta una sola vez en el horizonte temporal de los cinco aos. Cada
peseta invertida en S3 al comienzo del segundo ao dara un beneficio de 1.70 u.m.
al final del quinto ao. Las acciones de S4 slo estarn en venta al comienzo del
quinto ao y proporcionaran 0.40 u.m. al final de ese ao. Para estas dos ltimas
acciones tambin sera posible recuperar el importe de la inversin.
Durante los dos primeros aos no se puede invertir ms de 5 millones en una
compaa cualquiera. En los dos siguientes aos no se podr invertir ms de 6
millones, excepto en S4, cuyo lmite est fijado en 8 millones. El dinero que no se
invierta en acciones devenga un inters del 10% anual.
Notacin
xij es el dinero invertido en la accin i al comienzo del ao j, siendo i=1, 2, 3 y

4, y j=1, 2, 3, 4 y 5
yj es la cantidad no invertida o excedente al comienzo del ao j, siendo j=1, 2,
3, 4 y 5
Ethel Mokotoff
78
Cj es el capital disponible al final del ao j, siendo j=1, 2, 3, 4 y 5

La formulacin del modelo resulta:
Max C5
s.a
x11 x 21 6
x11 5
x 21 5
y1 6 x11 x 21
C1 1.1 y1
x12 x 22 x32 C1
x12 5
x 22 5
x32 5
y2 C1 x12 x22 x32
C 2 1.1 y 2 1.4 x11
x13 x 23 C 2
x13 6
x 23 6
y3 C 2 x13 x 23
C3 1.1 y 3 1.4 x12 2 x 21 x14 C 3
x14 6
y 4 C 3 x14
C 4 1.1 y 4 1.4 x13 2 x 22 x 45 C 4
x45 8
y 5 C 4 x45
C 5 1.1 y 5 1.4 x14 2 x 23 2.7 x 32 1.4 x 45
Introducimos el modelo en la hoja de clculo y resolvemos con WB.

POSIBILIDAD DE INVERTIR
ACCIONES S1
S2
AO 1
1
AO 2
1
AO 3
1
AO 4
1
AO 5
0
1
1
1
0
0
CANTIDADES MAXIMAS
ACCIONES S1
AO 1
AO 2
AO 3
AO 4
AO 5
5
5
6
6
0
5
5
6
0
0
INGRESOS OBTENIDOS
ACCIONES S1
AO 1
AO 2
AO 3
AO 4
AO 5
0
0
0
0
0
S3
S2
S4
0
1
0
0
0
S3
S2
0
0
0
0
1
S4
0
5
0
0
0
S3
0
0
0
8
0
0
0
0
0
8
S4
0
0
0
0
7,02
CAPITAL INICIAL
6 MILLONES DE U.M.
CANTIDADES INVERTIDAS
ACCIONES S1
S2
AO 1
0
AO 2
0
AO 3
0
AO 4
0
AO 5
0
0
4
0
0
0
AO 1
AO 2
AO 3
AO 4
AO 5
DINERO NO INVERTIDO
1
1
1
1
1
S3
0
0
0
0
11,2
DINERO NO INVERTIDO
6,6
0
0
0
0
0
0
0
0
8
DINERO NO INVERTIDO
6
0
0
0
0
S4
0
2,6
0
0
0
CAPITALES AL FINAL DE CADA AO

6,6
0
0
8
18,22 FUNCIN OBJETIVO A MAXIMIZAR
79
Ethel Mokotoff
80
POSIBILIDAD DE INVERTIR
ACCIONES S1
S2
AO 1
1
AO 2
1
AO 3
1
AO 4
1
AO 5
0
1
1
1
0
0
CANTIDADES MAXIMAS
ACCIONES S1
AO 1
AO 2
AO 3
AO 4
AO 5
5
5
6
6
0
5
5
6
0
0
INGRESOS OBTENIDOS
ACCIONES S1
AO 1
AO 2
AO 3
AO 4
AO 5
0
0
0
0
0
S3
S2
S4
0
1
0
0
0
S3
S2
0
0
0
0
1
S4
0
5
0
0
0
S3
0
0
0
8
0
0
0
0
0
8
S4
0
0
0
0
7,02
CAPITAL INICIAL
6 MILLONES DE U.M.
CANTIDADES INVERTIDAS
ACCIONES S1
S2
AO 1
0
AO 2
0
AO 3
0
AO 4
0
AO 5
0
0
4
0
0
0
AO 1
AO 2
AO 3
AO 4
AO 5
DINERO NO INVERTIDO
1
1
1
1
1
S3
0
0
0
0
11,2
DINERO NO INVERTIDO
6,6
0
0
0
0
0
0
0
0
8
DINERO NO INVERTIDO
6
0
0
0
0
S4
0
2,6
0
0
0
CAPITALES AL FINAL DE CADA AO

6,6
0
0
8
18,22 FUNCIN OBJETIVO A MAXIMIZAR
Al resolver en la hoja de clculo el modelo planteado se obtiene la siguiente

solucin:
C5=18.2 millones de u.m.
x22=4 millones de u.m.
x32=2.6 millones de u.m.
x45=8 millones de u.m.
Es decir, se obtienen 18.2 millones de u.m. al final del quinto ao, despus de
haber realizado las siguientes inversiones:
AO 1: 0 u.m.
81
AO 2: 4 millones de u.m. en la accin S2, y 2.6 millones de u.m. en S3

AO 3: 0 u.m.
AO 4: 0 u.m.
AO 5: 8 millones de u.m. en la accin S4
2. Modelo de Markowitz
El modelo de seleccin de carteras de Markowitz (1959) supone que un inversor
espera una rentabilidad alta corriendo un mnimo riesgo. El objetivo del modelo es
minimizar el riesgo sujeto a una rentabilidad esperada dada. Markowitz utiliz la
desviacin estndar de la rentabilidad como medida de riesgo. El modelo resulta
ser un programa cuadrtico para el cual se necesita conocer una estimacin de la
rentabilidad esperada de cada una de las acciones y la matriz de covarianzas de las
rentabilidades.
Notacin
Sj es la accin j, siendo j=1, 2, ...n

T es el nmero de perodos del horizonte de planificacin
t es un perodo que pertenece al horizonte de planificacin, siendo t= 1, 2,... T
r es un parmetro que representa la tasa mnima de rentabilidad requerida por un
inversor
Rj es una variable aleatoria que representa la tasa de rentabilidad de la accin j
rj es la rentabilidad esperada, siendo rj= E[Rj], de la accin j
rjt es la rentabilidad realizada para la accin j durante el perodo t
sij es la covarianza entre rentabilidades de la accin i y la accin j, siendo sij=
E[(Ri-ri)(Rj-rj)]
xj es la cantidad de dinero a invertir en Sj
uj es la cantidad mxima de dinero que puede invertirse en Sj
C es el capital total invertido
Ethel Mokotoff
82
yt es una variable auxiliar

pjt es el precio de mercado de la accin j el primer da hbil del mes
Nj es el nmero de unidades de acciones j requeridas como cantidad mnima a
comprar
cj es el precio de compra del lote mnimo de la accin j, siendo cj= pj Nj
Formulaciones
El modelo de Markowitz presenta la siguiente formulacin:

n
Min
i 1 j 1
ij
xi x j
s.a
r j x j C
j 1
x j C
j 1
0 x j u j , j=1,2,...,n
Esta formulacin presenta los siguientes inconvenientes:
Para carteras de inters, el tamao de la matriz de covarianzas [ ij ] puede ser
muy grande.
La expresin de la funcin objetivo es cuadrtica y los modelos de Programacin Cuadrtica suelen ser mucho ms difciles de resolver que los de Programacin Lineal.
El modelo es vlido slo si suponemos que la tasa de rentabilidad tiene una
distribucin normal, y el inversor es adverso al riesgo en el sentido de que prefiere menos desviacin estndar.
Estos inconvenientes fueron superados por un modelo de programacin lineal
presentado por Konno y Yamazaki, en 1991. Este modelo mide el riesgo como
desviacin absoluta media en lugar de desviacin estndar (as los supuestos mencionados en el apartado anterior ya no son necesarios). Adems se aproxima el
83
valor esperado de la variable aleatoria, rj= E[Rj], como el promedio de los valores
realizados de la variable aleatoria Rj en T perodos de un horizonte de planificacin
1 T
rj= E[Rj]= r jt
T t 1
En este modelo ya no es necesario conocer la matriz de covarianzas,
Min
1
T
r r
x

T
t 1
j 1
jt
s.a
n
r j x j C
j 1
x j C
j 1
0 x j u j , j=1,2,...,n
Empleando variables auxiliares la formulacin lineal resulta:
Min
T
1 y
T t 1 t
s.a
y t
r jt r j
x j 0,
t=1,...,T
y t
r jt r j
x j 0,
t= 1,..., T
j 1
n
j 1
r x
j 1
x j C
j 1
0 x j u j , j=1,2,...,n
La aversin al riesgo de un inversor no es simtrica, es decir, el inversor penaliza
solo las desviaciones negativas, en lugar de la desviacin absoluta, entonces el modelo debe formularse como:
Ethel Mokotoff
84
Min
T
1 y
T t 1 t
s.a
n
yt r jt r j x j 0 , t=1,...,T
j 1
r j x j C
j 1
x j C
j 1
0 x j u j , j=1,2,...,n
Como el nmero de lotes de una accin debe ser una cantidad entera, la solucin debera redondearse. x*j representa la cantidad de dinero a invertir en la accin j. Entonces, si
x*j
cj
no resulta entero, habra que aplicar alguna regla de redon-
deo o considerar el problema con variables enteras. Una regla de redondeo podra
ser que el nmero de lotes de j es:
x*j x *j x *j
0.5 , y
si
c
c
c j
j
x*j x *j x *j
1
si
0.5 .
c j
cj
c j
El problema sin restricciones de nmero mnimo de lotes se obtiene

automticamente haciendo cj= pj.
Se ha utilizado este modelo para resolver problemas de optimizacin de carteras
con 70 acciones que cotizaron en la bolsa de Madrid desde Enero de 1991 hasta
Diciembre de 1998. Se calcul la tasa de rentabilidad mensual de las 70 acciones
para 96 meses en base a sus precios diarios de mercado:
La notacin
a significa entero inmediato inferior de la magnitud a, mientras que

a representa al entero
inmediato superior a la magnitud a.
rjt=
85
p j( t 1 ) p jt
p jt
donde pjt es el precio de mercado de la accin j el primer da hbil del mes t. En los
casos en que se produjeron cambios en Nj, se han reescalado los precios para
reflejar slo variaciones de precio.
Se consideraron diferentes cantidades a invertir, es decir que C tom valores
como 1, 5, 10, 50 y 500 millones de u.m.. Las fronteras de eficiencia asociadas con
cada valor de C han sido obtenidas resolviendo cada caso para 9 valores diferentes
del parmetro de rentabilidad mensual esperado (r={ 0.25, 0.50, 0.75, 1.00, 1.25,
1.50, 2.00, 2.50, 3.00} ).
Se resolvieron todos los casos posibles considerando la tasa de rentabilidad de
cada accin durante los 96 meses de los cuales se dispone de datos histricos, y as
se realizaron las predicciones que permitieron construir una cartera ptima en cada
caso.
Para cada solucin propuesta se calcularon:
n
la tasa de rentabilidad media RM%=
r j x *j
C
j 1
100% ,
2
*
1
100% , y
r
x
RM
%
/
100
la desviacin *= T 1
jt
j
t 1 j 1
el ratio de Sharpe SHR= (RM%-RF)/*,

donde RF es la tasa de inters libre de riesgo, que fue fijada al 4% anual, es decir
RF= 0.333%
Con cada solucin ptima obtenida se calcul la tasa de rentabilidad de la cartera en el mes siguiente al ltimo dato registrado (enero de 1999):
n
RMR%=
j 1
r j(T 1) x *j
C*
100%
Captulo 9. Problemas de planificacin
1. Asignacin de turnos
Consideremos el caso de un hospital para el cual hay que organizar los turnos de
trabajo de sus enfermeros. La carga de trabajo estimada para una jornada se presenta en la tabla que sigue:
La jornada laboral de cada enfermero es de 8 horas consecutivas.
Turnos
1
2
3
4
5
6
Desde
6:00 hs
10:00 hs
14:00 hs
18:00 hs
22:00 hs
2:00 hs
Hasta Nmero mnimo de enfermeros

10:00 hs
60
14:00 hs
70
18:00 hs
60
22:00 hs
50
2:00 hs
20
6:00 hs
30
a) Encontrar el nmero mnimo de enfermeros y la hora a la cual cada uno debe

comenzar su jornada laboral, de modo que siempre queden cubiertas las necesidades de atencin estimadas.
b) Suponiendo que las horas trabajadas entre las 22:00 horas y las 6:00 horas se
pagan un 30% ms caras que el resto de horas, encontrar el plan de turnos ptimo
que minimice los costes satisfaciendo las necesidades de trabajo estimadas.
Resolucin
a) Para plantear las restricciones de requerimiento de personal, debemos tener

en cuenta que a cada hora que consideremos estarn presentes todas las personas que comenzaron su turno hace 8 horas, o menos. Por ejemplo, entre la 1 y 2
de la maana estn trabajando aquellas personas que entraron a partir de las 18
horas. Con este razonamiento, el modelo queda planteado como sigue:
Ethel Mokotoff
88
24
Min x i
i 1
s.a
24
x i x1 20
i 18
24
i 19
i 1
24
i 20
i 1
24
i 21
i 1
24
i 22
i 1
24
i 23
i 1
xi x i 30
x i x i 30
xi x i 30
x i x i 30
x i x i 60
7
x 24 x i 60
i 1
8
x i 60
i 1
9
x i 60
i 2
10
x i 70
i 3
11
x i 70
i 4
12
xi 70
i 5
13
xi 70
i 6
89
14
x i 60
i 7
15
x i 60
i 8
16
x i 60
i 9
17
xi 60
i 10
18
x i 50
i 11
19
xi 50
i 12
20
xi 50
i 13
21
xi 50
i 14
22
x i 20
i 15
23
xi 20
i 16
24
x i 20
i 17
donde xi representa el nmero de enfermeros que comenzaron su jornada a la hora i.

Es decir, cada una de las 24 restricciones corresponde a cada una de las 24 horas
del da. La primera obliga a que entre la 1 y las 2 de la maana haya por lo menos
20 enfermeros, y as sucesivamente.
Introducimos el modelo en la hoja de clculo y lo resolvemos con WB.
Ethel Mokotoff
90
TURNOS
1
2
3
4
5
6
DESDE
HASTA
REQUERIMIENTOS MNIMOS
6:00 hs
10:00 hs
60
10:00 hs
14:00 hs
70
14:00 hs
18:00 hs
60
18:00 hs
22:00 hs
50
22:00 hs
2:00 hs
20
2:00 hs
6:00 hs
30
RESTRICCIONES
HORA ENTRAN ENFERMEROS PRESENTES
1:00
0
30
>=
2:00
0
30
=>=
3:00
0
30
=>=
4:00
0
30
=>=
5:00
0
30
=>=
6:00
40
70
>=
7:00
0
70
>=
8:00
20
60
=>=
9:00
0
60
=>=
10:00
10
70
=>=
11:00
0
70
=>=
12:00
0
70
=>=
13:00
0
70
=>=
14:00
30
60
=>=
15:00
0
60
=>=
16:00
20
60
=>=
17:00
0
60
=>=
18:00
0
50
=>=
19:00
0
50
=>=
20:00
0
50
=>=
21:00
0
50
=>=
22:00
0
20
=>=
23:00
0
20
=>=
24:00
30
30
>=
Total de Enfermeros:
20
30
30
30
30
60
60
60
60
70
70
70
70
60
60
60
60
50
50
50
50
20
20
20
150
En cada una de las columnas de la tabla de restricciones figuran, en este orden: todas
las horas de la jornada, el valor de la variable xi en la solucin ptima, el nmero de
enfermeros presentes en cada tramo horario y el nmero mnimo de enfermeros requerido para la correcta prestacin del servicio. La solucin ptima nos informa de que el
nmero total de enfermeros necesario para satisfacer este requerimiento es 150 y que
deben comenzar su jornada segn los turnos que se resumen en la tabla siguiente:
HORA DE ENTRADA
6:00 hs
8:00 hs
10:00 hs
14:00 hs
16:00 hs
24:00 hs
NMERO DE ENFERMEROS ENTRANTES

40
20
10
30
20
30
91
b) Para incluir los costes adicionales por nocturnidad en el modelo, cambiamos

la funcin objetivo, que pasa a ser:
6
7
24

8
9
10
11
Min x i x i x 24 x i x i x i x i x i
i 1
i 1

i 1 i 2 i 3 i 4
i 23
12
13
14
15
16
17
18
x i x i x i x i x i x i x i
i 5
i 6
i 7
i 8
i 9
i 10 i 11
22
19
20
21
23
24
24
x i x i x i 1, 3 x i x i x i x i x 1
i 12 i 13 i 14
i 15 i 16 i 17 i 18
4
5
3
2
24
24
24
24
x i x i x i x i x i x i x i x i
i 1
i 21
i 1
i 19
i 20
i 1
i 1
i 22
Cada trmino entre parntesis corresponde al nmero de enfermeros que est

trabajando a cada una de las 24 horas. Los 16 primeros trminos corresponden
al tramo horario de 6:00 a 22:00 horas, por lo tanto tienen coeficiente 1. Los 8
trminos siguientes, en cambio, corresponden al tramo horario con suplemento
por nocturnidad, por lo tanto estn afectados del coeficiente 1,3.
Las restricciones son las mismas que en el modelo anterior, slo cambiamos la
funcin objetivo y resolvemos.
Ethel Mokotoff
92
TURNO
1
2
3
4
5
6
DESDE HASTA
6:00 hs
10:00 hs
14:00 hs
18:00 hs
22:00 hs
2:00 hs
10:00
14:00
18:00
22:00
2:00
6:00
hs
hs
hs
hs
hs
hs
60
60
70
70
60
60
50
50
20
20
30
30
RESTRICCIONES
HORA ENTRADA ENTRAN ENFERMEROS PRESENTES
1:00
0
20 =>=
2:00
30
30 =>=
3:00
0
30 =>=
4:00
0
30 =>=
5:00
0
30 =>=
6:00
30
60 =>=
7:00
0
60 =>=
8:00
0
60 =>=
9:00
0
60 =>=
10:00
40
70 =>=
11:00
0
70 =>=
12:00
0
70 =>=
13:00
0
70 =>=
14:00
30
70 >=
15:00
0
70 >=
16:00
0
70 >=
17:00
0
70 >=
18:00
20
50 =>=
19:00
0
50 =>=
20:00
0
50 =>=
21:00
0
50 =>=
22:00
0
20 =>=
23:00
0
20 =>=
24:00
0
20 =>=
MINIMIZAR COSTE
1260
PLUS
20
30
30
30
30
60
60
60
60
70
70
70
70
60
60
60
60
50
50
50
50
20
20
20
1.3
1.3
1.3
1.3
1.3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1.3
1.3
1.3
Si bien el nmero total de enfermeros necesarios para cubrir el servicio es el

mismo, al penalizar el nmero de enfermeros que trabajan de noche, la solucin
ptima cambia, en el sentido de que la hora de entrada de algunos enfermeros
cambia para satisfacer los requerimientos de servicio pero con el menor nmero de
enfermeros posible trabajando entre las 22 y las 6 horas. Las dos soluciones obtenidas son ptimos alternativos del primer modelo planteado, pero la primera solucin obtenida no es solucin ptima para el segundo modelo, pues si calculramos
el valor de la funcin de costes obtendramos costes superiores a los que se obtienen con la segunda solucin ptima.
93
2. Asignacin de mquinas
En una fbrica se producen tres bienes A, B y C, empleando tres mquinas diferentes, M1, M2 y M3. Se pretende optimizar la planificacin de operaciones, de manera
que se obtengan beneficios mximos, utilizando un modelo de programacin lineal.
Se sabe que el producto A requiere tres operaciones para su elaboracin. La
primera operacin debe realizarse en M1 durante una hora, la segunda en M2 durante tres horas, y la tercera en M3 durante una hora. El producto B requiere dos
operaciones, la primera operacin debe realizarse en M1 durante dos horas, y la
segunda en M3 durante cuatro horas. Por ltimo, el producto C requiere dos operaciones, la primera en M1 durante una hora, y la segunda en M2 durante dos horas.
La fbrica trabaja durante las 24 horas del da, de lunes a viernes. Suponemos
que las tres mquinas, M1, M2 y M3, estn disponibles siempre, y que cada una
requiere un tiempo de mantenimiento de 50, 20 y 30 horas cada 4 semanas, respectivamente.
Los beneficios unitarios de cada producto, A, B y C, son respectivamente, 4.000,
2.000 y 5.000 u.m..
1. Encontrar el plan de produccin ptimo.
2. Suponiendo que para mantener a ciertos clientes es necesario producir algunas unidades del bien A, determinar el nuevo plan de produccin ptimo.
3. Si tuvisemos la posibilidad de disminuir el tiempo de mantenimiento de alguna de las mquinas mediante una pequea inversin, en cul de las tres mquinas convendra hacer la inversin?
4. Un pequeo taller tiene una mquina idntica a nuestra mquina M2 y nos
ofrece 200 horas de mquina por 250.000 u.m.. Aceptaramos esta oferta?
Por qu?
Suponemos un horizonte de planificacin de 4 semanas. El modelo de programacin lineal que determina el plan de produccin que hace mximo el beneficio
queda planteado como sigue:
3
Max c i x i
i 1
Ethel Mokotoff
94
s.a
3
a ij xi b j , j 1,2 ,3
i 1
donde:
xi es la cantidad a producir del bien i, con i=1, 2 y 3
ci es el beneficio unitario del bien i
aij es la cantidad de horas de la mquina j necesarias para producir una unidad
del bien i
bj es la disponibilidad de horas de la mquina j
1. El plan de produccin ptimo se obtiene resolviendo el problema planteado,
tal como se ha hecho en la hoja de clculo.
El plan ptimo es producir 100 unidades del bien B, 230 del C y no producir
ninguna unidad del bien A. Los beneficios alcanzan el valor de 1.350.000 u.m..
Productos
Cantidades
Beneficios Unitarios
Mquinas
M1
M2
M3
Beneficios
Horas-Mquina Totales
M1
M2
M3
0
4.000
100
2.000
230
5.000
1
3
1
2
0
4
1
2
0
1.350.000
430
460
400
<=
<=
<=
Horas-Mquina Disponibles
430
460
450
2. Para responder a esta cuestin, calculamos el valor dual de las variables x1, x2
y x 3.
Como era de esperar, la nica variable con valor dual distinto de cero es x1,
pues es la nica cuyo valor en la solucin ptima es cero. El valor dual de x1

Productos:
A
Cantidades
0
4,000
100
2,000
230
5,000
Mquinas
M1
M2
M3
1
3
1
2
0
4
1
2
0
Beneficios
1,350,000
M1
M2
M3
Variables
x1
x2
x3
430
460
400
95
=<=
=<=
<=
430
460
450
Valor Dual
Lmite Superior
25
3000
0
0
indica la disminucin en el valor de la funcin de beneficios que se producira por

cada unidad del bien A que nos viramos forzados a producir. Es decir que,
como el valor dual de x1 es 3.000 u.m., si producimos 1 unidad de A, los beneficios disminuirn en 3.000 u.m.. Para saber hasta donde se mantiene esta proporcionalidad, debemos calcular el lmite superior del dual. En este caso ese
lmite es 25, indicando que si producimos hasta 25 unidades de A, sabemos que
los beneficios disminuirn en 3.000 u.m. por cada unidad de A producida. Si
quisiramos producir ms de 25 unidades, ya no podramos predecir la disminucin de los beneficios con esta informacin. En ese caso, deberamos plantear
nuevamente el problema aadiendo una restriccin que indique el nmero mnimo de unidades de A a producir.
3. Para saber qu mquinas estn limitando la produccin, debemos calcular los
valores duales de las restricciones de disponibilidad de cada uno de ellas.
Los resultados duales obtenidos para las mquinas, informan que:
disponer de una hora adicional de trabajo de M1, permitira incrementar los
beneficios en 1.000 u.m.
Ethel Mokotoff
96
Productos:
A
Cantidades
B
100
2,000
230
5,000
1
3
1
2
0
4
1
2
0
Mquinas
M1
M2
M3
Beneficios
1,350,000
M1
M2
M3
Restricciones
M1
M2
M3
0
4,000
430
460
400
Valor Dual
1000
2000
0
=<=
=<=
<=
430
460
450
Trmino constante de la Derecha

Lmite Inferior Valor Actual Lmite Superior
200
430
25
50
460
400
50
450
1E+20
disponer de una hora adicional de trabajo de M2, permitira incrementar los

beneficios en 2.000 u.m.
disponer de una hora adicional de trabajo de M3, no mejorara el valor de la
funcin de beneficios porque sobran horas-mquina de M3.
En conclusin:
no conviene aumentar la capacidad de M3,
aumentar la capacidad de M2 sera una buena inversin, siempre que por
cada hora de mantenimiento que nos ahorremos invirtamos menos de 2.000
u.m.,
y tambin conviene aumentar la capacidad de M1, siempre que por cada
hora de mantenimiento que nos ahorremos invirtamos menos de 1.000 u.m.
Actualmente, puesto que se pierden 20 horas al mes en mantenimiento de M2, es
importante verificar si esta mejora en los beneficios se mantiene hasta que desaparezcan las horas de mantenimiento. Para ello averiguamos el lmite superior
del trmino de la derecha para el valor dual obtenido. Dado que este lmite es
97
400, y como mucho podramos ahorrar 20 horas, estamos en condiciones de

asegurar que eliminar las 20 horas de mantenimiento aumentara los beneficios
en 40.000 u.m.. Con respecto a la mquina M1, podemos asegurar que por
cada hora de mantenimiento que ahorremos los beneficios mejoraran en 1.000
u.m., pero esta proporcionalidad slo se mantiene las primeras 25 horas de
mantenimiento. Como esta mquina pierde actualmente 50 horas en mantenimiento, si quisiramos saber si conviene o no seguir invirtiendo hasta disminuir
en ms de 25 horas el tiempo de mantenimiento, deberamos plantear una variante del problema.
4. Con la informacin dual de M2, podemos afirmar que por cada hora adicional de
M2 nuestros beneficios aumentaran en 2.000 u.m./hora, y esta proporcionalidad se
mantendra con seguridad hasta aadir 400 horas. Si nos ofrecen 200 horas por
250.000 u.m., el precio de la hora adicional nos costara 1.250 u.m.. Es decir, por
cada hora que contratemos al taller, los beneficios aumentaran en 750 u.m..
3. Planificacin de proyectos
Una compaa est estudiando el lanzamiento de un nuevo producto de temporada. Se
quiere saber si el producto estar a la venta en la poca en que su demanda es todava
alta. Se debe construir el grfico, llamado PERT2, que representa la red del proyecto, y
as conocer el tiempo total del mismo y sus actividades crticas, es decir el camino crtico.
En el PERT cada nodo representa una actividad y cada arco una relacin de precedencia entre dos actividades. Las actividades crticas son aquellas cuya finalizacin no puede atrasarse sin que esto afecte al tiempo de finalizacin del proyecto. La tabla siguiente
recoge toda la informacin concerniente a las actividades involucradas en el proyecto,
con sus duraciones, medidas en das, y relaciones de precedencia.
Sigla que significa Project Evaluation and Review Technique.
Ethel Mokotoff
98
A
B
C
D
E
F
G
H
Actividad
Estudio de capacidad productiva
Estudio del volumen de ventas
Estudio de la competencia
Diseo del producto
Estudio del plan de produccin
Estudio econmico de la produccin
Anlisis de precios
Preparacin del presupuesto
Predecesoras Duracin
2
A
10
A
7
A; B
5
D
3
E
2
C; F
1
F; G
14
El diagrama PERT del proyecto se representa a continuacin:
2
A
10
14
FIN
2
C
La duracin de las actividades est indicada en los arcos que representan los
vnculos de precedencia, pues una actividad no puede comenzar hasta que no hayan acabado sus predecesoras. El camino crtico es el camino ms largo que une la
primera actividad (A) con la finalizacin del proyecto (FIN).
Si bien existen tcnicas especficas para resolver este problema, ms simples
que el mtodo simplex, y desarrolladas antes de que ste fuera conocido, queremos
con este ejemplo demostrar la aplicabilidad de la programacin lineal.
Las variables independientes del modelo, xij, son los arcos ij, y sus valores en la
solucin ptima deben indicar si forman parte o no del camino crtico. La funcin
objetivo del modelo a maximizar es la longitud del camino ms largo del PERT, que
medir la duracin total del proyecto. Las restricciones deben obligar al modelo a:
Que la tarea A sea crtica, pues es predecesora de todas las dems, de forma
directa o indirecta.
El nodo que representa la finalizacin del proyecto debe pertenecer al camino
crtico.
99
Una actividad puede ser crtica slo si alguna de sus predecesoras lo es. Adems, si una actividad es crtica y tiene sucesoras, una de sus sucesoras debe ser
tambin crtica.
Max 2 x AB 2 x AC 10 x BD 5 x DE 3 x EF 2 x FG 7 xCG xGH 14 x H Fin
s.a
x AB x AC 1
x AB xBD 0
x AC xCG 0
xBD xDE 0
xDE xEF 0
xFG xCG xGH 0
xGH xH Fin 0
xH Fin 1
xij 1, ij
Estas restricciones harn que el valor de xij resulte 1 si el arco ij pertenece al
camino crtico, es decir si la tarea i es crtica.
Planteamos y resolvemos este modelo en la hoja de clculo.
Ethel Mokotoff
100
AB
AC
BD
CG
DE
EF
FG
GH
H-FIN
DURACIN TIPO DE TAREA

2
1
2
0
10
1
7
0
5
1
3
1
2
1
1
1
14
1
RESTRICCIONES DE EQUILIBRIO DE NODOS

A
-1
=
B
0
=
C
0
=
D
0
=
E
0
=
F
0
=
G
0
=
H
0
=
FIN
1
=
TIEMPO TOTAL
37
=<=
<=
=<=
<=
=<=
=<=
=<=
=<=
=<=
1
1
1
1
1
1
1
1
1
-1
0
0
0
0
0
0
0
1
Resolviendo el problema nos encontramos con que el proyecto acabara en 37

das siempre que ninguna de las tareas del camino crtico se atrasara. La nica tarea
no crtica de nuestro proyecto es la tarea C, pues las reas que entran o salen de C
(xAC y xCG) tienen asociado valor cero en la solucin. El resto de las tareas son
crticas, porque todas tienen algn arco de entrada o salida con valor 1 en la solucin ptima.
Captulo 10. Problemas Propuestos
Problema 1
Una empresa fabrica tres modelos de cmaras fotogrficas, cada una de las cuales
requiere diferentes exigencias tecnolgicas. El modelo Super Deluxe requiere 17 horas
de mano de obra, 8 horas de pruebas, y su beneficio unitario es de 6.000 u.m.. El
modelo Special requiere 10 horas de mano de obra, 4 horas de pruebas, y su beneficio
unitario es de 4.000 u.m.. El modelo Classic requiere 2 horas de mano de obra, 2 horas
de pruebas, y su beneficio unitario es de 2.000 u.m.. Se dispone de 1.000 horas de
mano de obra y 500 horas de pruebas.
Un estudio de mercado ha permitido estimar que la demanda de la Super Deluxe no
ser superior a 50 mquinas, la demanda de la Special no ser superior a 80, y la
demanda de la Classic no ser superior a 150.
Formular el modelo de programacin lineal que determine el plan de produccin
ptimo, en el sentido de maximizar beneficios.
Problema 2
Una empresa debe planificar la produccin mensual de un bien. Se sabe que los costes de produccin durante las dos primeras semanas son de 1.000 u.m. por unidad y
de 1.500 u.m. las dos ltimas semanas. La demanda semanal a satisfacer es de 300,
700, 900 y 800 unidades a lo largo de las cuatro semanas. La capacidad semanal de
produccin es de 700 unidades, pero la tercera y cuarta semanas se pueden contratar
horas extraordinarias. Al contratar horas extraordinarias, la capacidad productiva se
aumenta en 200 unidades semanales, pero los costes unitarios tambin aumentan en
500 u.m.. El excedente de produccin puede almacenarse con un coste de 300 u.m.
por unidad y semana.
Formular el modelo de programacin lineal que determine el plan de produccin
ptimo, en el sentido de maximizar beneficios.
Problema 3
Un inversor tiene unos ingresos mensuales de 300.000 u.m.. Puede invertir dinero a un
inters mensual de 0,05 %, o pedir crdito a un inters de 0,15 %. Considerando un
horizonte temporal de dos meses, su funcin de utilidad es
U= log x1+0,8 log x2
donde x1 y x2 son sus consumos en los dos meses considerados. Encontrar las cantidades a invertir y/o prestar que maximicen su funcin de utilidad.
Ethel Mokotoff
102
Problema 4
Una empresa produce tres bienes P1, P2 y P3, empleando dos materias primas MP1 y
MP2, y dos mquinas M1 y M2. La tabla que presentamos a continuacin presenta la
informacin del problema:
Necesidades para
producir una unidad
Recurso
M1
M2
MP1
MP2
Unidades de
medida
Horas
Horas
Kilogramos
Kilogramos
P1
P2
P3
1
3
1
1
2
0
4
1
1
2
0
1
Capacidad
mxima mensual
430
460
420
300
Se sabe que la demanda mensual mnima para P2 es de 70 unidades y la mxima

para P3 es 240 unidades. Los beneficios unitarios de los tres productos P1, P2 y P3, son
300.000 u.m., 200.000 u.m. y 500.000 u.m., respectivamente.
Para mejorar la situacin financiera de la empresa se barajan un conjunto de propuestas. Discutir la factibilidad de las mismas, sabiendo que no son todas mutuamente excluyentes.
Propuestas:
1. Aumentar el precio de P3, de manera que su beneficio aumente un 20%. Esta
decisin conlleva el hecho de que la demanda mxima del producto pasara a ser
de 210 unidades en lugar de 240.
2. Comprar cantidades adicionales de MP2 a otro proveedor a un precio superior en
3.000 u.m./kilogramo al del proveedor actual.
3. Aumentar la capacidad mensual de M1 y M2 en 40 horas cada una, a un coste
adicional de 35.000 u.m./mes.
4. Aumentar la demanda mnima del producto P2 en 30 unidades mensuales.
5. El tiempo de procesamiento del producto P1 en la mquina M2 se puede reducir
a 2 horas/unidad, incrementando el coste de dicho producto en 4.000 u.m..
Problema 5
El suministro elctrico de un pas tiene tres fuentes alternativas: energa elica, trmica e hidrulica. Las plantas de suministro, as como los centros de consumo, se
encuentran distribuidas en distintas zonas geogrficas. Adems de los costes de produccin de las energas alternativas, se deben considerar los costes de transporte
cuando la planta de suministro y el centro de consumo no estn en la misma zona
geogrfica. Elaborar la planificacin energtica del pas que garantice la satisfaccin
de la demanda de todos los centros de consumo a mnimo coste.
En la tabla que sigue se rene toda la informacin concerniente a la capacidad
productiva y demanda del problema.
103
Zona
Tipo de
Capacidad
Coste unitario Demanda
energa productiva (Kwh)
(u.m.)
(Kwh)
Elica
80.000
5
1.300.000
Norte Trmica
11.500.000
15
Hidrulica
0
Elica
0
5.500.000
Sur
Trmica
0
Hidrulica
5.200.000
12
Este
Elica
500.000
4
3.700.000
Trmica
0
Hidrulica
3.300.000
12
Elica
0
6.000.000
Oeste Trmica
0
Hidrulica
0
Elica
0
4.100.000
Centro Trmica
0
Hidrulica
7.100.000
10
Si el centro de consumo coincide con la zona geogrfica donde se encuentra la

planta de abastecimiento, no se consideran costes de transporte ni prdidas, pero
cuando el fluido elctrico debe transportarse, entonces hay que tener en cuenta estos
costes de transporte y las prdidas. En la tabla siguiente se presenta esta informacin. En cada celda de la tabla, el primer dato corresponde al coste en pesetas por
Kwh, y el segundo al porcentaje de prdidas.
Zona
Norte
Sur
Este
Oeste
Centro
Tipo de
energa
Elica
Trmica
Hidrulica
Elica
Trmica
Hidrulica
Elica
Trmica
Hidrulica
Elica
Trmica
Hidrulica
Elica
Trmica
Hidrulica
Norte
Sur
Este
Oeste Centro
10/0.20 9/0.20 7/0.18 5/0.20

2/0.15 1.7/0.15 2/0.15 1/0.20
3/0.15
3/0.15 3/0.15 3/.20
9/0.20 9/0.20
9/0.20 9/0.20
2/0.15 3/0.15
3/0.20 3/0.15
3/0.15 3/0.15
3/0.15 3/0.15 3/0.15
Ethel Mokotoff
104
Problema 6
Una empresa que vende refrescos debe planificar su actividad publicitaria para el prximo ao. Se sabe que dispondr de 10.000.000 de u.m. para esta actividad y que los
medios a utilizar son la prensa escrita y la televisin. El gasto mensual en publicidad
televisiva nunca podr ser superior al doble del gasto en prensa. La estimacin de
ventas se realiza considerando que el mercado est segmentado en cuatro clases de
familia. Cada tipo de familia est caracterizado por una demanda mxima y un ndice
de impacto del medio publicitario empleado, que varan mes a mes.
Clase
A
B
C
D
Ene
1
5
12
10
Demanda mxima mensual

Feb Mar Abr May Jun
0
0
0
0
2
5
5
5
5
5
8
8
8
9
11
10
10
10 10
15
Clase
A
B
C
D
Ene
0,002
0,005
0,002
0,003
Feb
0,001
0,005
0,002
0,003
Mar
0,002
0,005
0,002
0,004
ndice
Abr
0,002
0,005
0,002
0,004
de impacto de
May
Jun
0,002 0,002
0,005 0,005
0,002 0,002
0,003 0,005
Clase
A
B
C
D
Ene
0,005
0,002
0,007
0,005
Feb
0,006
0,002
0,006
0,005
Mar
0,006
0,002
0,006
0,005
ndice de impacto
Abr
May
Jun
0,006 0,006 0,006
0,002 0,002 0,002
0,006 0,006 0,006
0,005 0,005 0,005
de cada tipo de familia

Jul Ago Sept Oct
3
5
1
0
5
5
5
5
14 18
18
12
15 15
15
15
Nov
0
5
9
10
prensa
Jul
0,002
0,005
0,005
0,006
Dic
2
8
20
15
escrita
Ago
0,001
0,004
0,005
0,006
Sept
0,002
0,005
0,002
0,003
Oct
0,001
0,005
0,002
0,003
Nov
0,001
0,005
0,002
0,003
Dic
0,002
0,004
0,006
0,003
de televisin
Jul
Ago
0,006 0,001
0,005 0,005
0,009 0,005
0,005 0,004
Sept
0,007
0,002
0,006
0,005
Oct
0,006
0,002
0,006
0,005
Nov
0,006
0,002
0,006
0,005
Dic
0,005
0,006
0,008
0,004
Se entiende que optimizar el reparto del presupuesto en publicidad es encontrar el

plan de gasto mensual en cada medio, que maximice la funcin de impacto sobre las
cuatro clases de familias, a lo largo de todo el ao, satisfaciendo las restricciones
impuestas al total del presupuesto y a la relacin entre gasto en televisin y gasto en
prensa escrita.
Problema 7
Se subastan cinco terrenos, A, B, C, D y E. Tres compradores, interesados en los
terrenos, hacen sus ofertas en sobre cerrado. Las ofertas se pueden hacer sobre una
combinacin de varios terrenos, con especificacin del precio mximo que el comprador est dispuesto a pagar por cada combinacin. Cada uno debe proponer dos ofertas, aunque slo quiera comprar una combinacin de terrenos.
La informacin contenida en los sobres se presenta en la tabla que sigue:
Comprador Combinacin de terrenos
A, B, D
X
C, D, E
B, E
Y
A, D
B, D, E
Z
C, E
Precio Mximo
95
80
60
82
90
71
105
Encontrar una asignacin que maximice el beneficio del conjunto de los agentes,
incluido el vendedor.
Problema 8
El Jefe de Estudios de un Instituto tiene que organizar el prximo curso, en el cual se
debern dictar 136 asignaturas diferentes. Cuenta con 62 profesores, a los cuales les
ha pedido que hagan una lista con las asignaturas en el orden en que desean impartirlas. De esta forma se ha construido una matriz con las preferencias de los profesores,
en la cual se denota por rij la posicin que para el profesor j ocupa la asignatura i. Se
conoce la demanda a satisfacer de las 136 asignaturas formulada por los alumnos.
Con esta informacin se ha construido un vector de 136 componentes, donde cada
componente si es el nmero de grupos de cada asignatura i. Ningn profesor puede
tener a su cargo ms de 6 grupos en un curso acadmico.
Con esta informacin, se debe realizar la asignacin de profesores a grupos de manera tal que, adems de satisfacer la demanda de los alumnos, se maximice la satisfaccin de los profesores, en el sentido de que se respeten las preferencias manifestadas.
Problema 9
Una siderurgia estima que en los 6 prximos meses tendr que abastecer las siguientes demandas:
Mes
Julio Agosto Septiembre Octubre Noviembre Diciembre
Demanda (Tn) 3.000 6.000
5.000
2.000
4.000
5.000
La capacidad productiva est determinada por la mano de obra, y actualmente es

de 4.000 toneladas por mes. Al comienzo del horizonte de planificacin hay 500 toneladas de acero almacenadas. Mientras que el coste normal de la mano de obra es de
10.000 u.m. por tonelada producida, las horas extraordinarias elevan este coste a
14.000 u.m. por tonelada. Tambin es posible aumentar la capacidad productiva normal mediante una inversin de 30.000 u.m. por tonelada, o disminuirla a un coste de
8.000 u.m. por tonelada reducida. El coste de almacenaje del acero es de 500 u.m. por
tonelada al final de cada mes.
Se debe planificar la actividad de la empresa para los 6 meses, sabiendo que al final
de Diciembre se quieren volver a tener 500 toneladas de acero almacenadas y una
capacidad de trabajo normal de 3.000 toneladas por mes.
Problema 10
Una empresa produce alimento para perros y alimento para gatos. La elaboracin de
estos dos productos requiere dos operaciones, mezclado y empaque, cuyos tiempos
de proceso se presentan en la siguiente tabla:
Horas por tonelada producida
Operacin Alimento para perros Alimento para gatos Capacidad mxima
Mezclado
0.25
0.15
8
Empaque
0.10
0.30
8
El producto est elaborado sobre la base de tres ingredientes: carne, pescado y

cereales. Estos ingredientes aportan protenas, hidratos de carbono y minerales, en la
Ethel Mokotoff
106
proporcin que se indica:
Descripcin de los ingredientes en porcentaje de aportaciones

Protenas Hidratos de Carbono Minerales Coste (u.m./Tn)
Carne
12
10
1
60.000
Pescado
20
8
2
90.000
Cereales
3
30
0
20.000
Los dos productos deben satisfacer los porcentajes de composicin que se indican
en la siguiente tabla:
Requerimientos de composicin de los productos

en porcentaje
Protena Hidratos de Carbono Minerales Precio de venta (u.m.)
Alimento
11
15
1
75.000
para perro
Alimento
10
16
1
98.000
para gato
Encontrar la composicin y cantidad diaria a producir de cada uno de los productos, de tal forma que se maximicen los beneficios.
Referencias
Borrell Fontelles, J.; (1989); Mtodos Matemticos para la Economa: Programacin Matemtica; Pirmide, Madrid.
Gass, S.; (1985); Linear Programming: Methods and Applications; McGrawHill, New York.
Hoy, M.; Livernois, J.; McKenna, C.; Rees, R. y Stengos, T.; (1996); Mathematics
for Economics; Addison-Wesley, Ontario.
Konno, H. y Yamazaki, H.; (1991); Mean-absolute deviation portfolio optimization
model and its applications to Tokyo stock market; Management Science 37,
519-531.
Markowitz, H.; (1959); Portfolio Selection: Efficient diversification of
Investments, John Wiley & Sons.
Mokotoff, E. y Olmeda, I., (2000); Mixed-integer programming versus linear
programming in portfolio optimization, Laboratorio de Finanzas
Computacionales, Universidad de Alcal.
Prez, J.; Jimeno, J.L. y Cerd, E.: Teora de Juegos, Pearsons Educacin, Madrid 2004.
Ravindran, A.; Phillips, D. y Solberg, J.; (1987); Operations Research, Principles
and Practice; John Wiley & Sons, New York.
Sarabia Viejo, A.; (1996); La Investigacin Operativa: una herramienta para la
adopcin de decisiones; Universidad Pontificia de Comillas, Madrid.
Schrage, L.; (1991); LINDO:An Optimization Modeling System; Boyd and Fraser;
Danvers.
Ethel Mokotoff
108
Sharpe, W.F.; (1971); A linear programming approximation for the general portfolio
analysis problem; Journal of Financial and Quantitative Analysis, 12631275.
Stone, B.K.; (1967); A linear programming formulation of the general portfolio
selection; Journal of Financial and Quantitative Analysis, 621-636.
Taha, H.A.; (1997); Operations Research: An Introduction; Prentice-Hall; London.
Villalba Vil, D. y Jerez Mndez, M.; (1990); Sistemas de Optimizacin para la
Planificacin y Toma de Decisiones; Pirmide, Madrid.
Williams, H.P.; (1995); Model Building in Mathematical Programming; John Wiley
and Sons, Chichester.

ProgramaciÃ N Lineal Resoluciã N de Problemas en Hoja de Cã¡lcul

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

ProgramaciÃ N Lineal Resoluciã N de Problemas en Hoja de Cã¡lcul

Încărcat de

Drepturi de autor:

Formate disponibile

Programacin Lineal

Ttulo: Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

Captulo 1. Marco Terico ......................................................................................7

Captulo 7. Aplicaciones Econmicas................................................................. 63

Captulo 1. Marco Terico

que sea posible encontrar una solucin ptima.

Captulo 2. Programacin matemtica

2. Formulacin de un programa matemtico

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

negativos. Por ejemplo, si se trata de cantidades a producir, no tiene sentido

S puede significar que todas o algunas de las variables representan relaciones

slo puedan tomar valores enteros no negativos, en este caso se habla de

cada planta tiene un lmite en su capacidad de produccin.

Las variables de decisin estn representadas por qij, donde i indica de qu

Los ingresos por venta de los productos quedan determinados por

pi qij 1.300.000 q1 j 1.500.000 q2 j

As resulta la siguiente formulacin del problema:

Max 1.300.000 q1j 1.500.000 q 2j

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

4. ptimos locales y ptimo global

mientas actuales de optimizacin, no permiten, en algunos problemas, encontrar

5. Programas matemticos convexos

FIGURA A CONJUNTO CONVEXO

FIGURA B CONJUNTO CNCAVO

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

los puntos x= x2 + (1-)x1 pertenecen a S.

Estas definiciones pueden formalizarse para hacerlas extensibles a funciones de

En la expresin principal de la definicin, el miembro de la izquierda es el valor

Debido a que, si una funcin no es convexa es cncava, entonces, segn el

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

Captulo 3. Programacin lineal

expresiones matemticas lineales existe proporcionalidad: para cada incremento o

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

exponente 1 y multiplicadas por un factor fijo. Pero su representacin grfica no es

Estamos en condiciones de afirmar que:

4. Formulacin de un programa lineal

Min ci xi Min (c1 x1 c2 x2 ... cn xn )

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

5. Valor dual de una restriccin

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

relajara en una unidad, permitiendo al valor de la funcin objetivo mejorar. El nombre

Captulo 4. Formulaciones ms importantes

2. Ejemplo del problema de la planificacin de la produccin

Formulacin del problema

3. Ejemplo del problema de la dieta

NUTRITIVA DE CADA ALIMENTO

Las variables x1, x2, x3 y x4 representan las cantidades de alimento 1, 2, 3 y 4

Min 100(35 x1+ 50 x2+ 80 x3+ 95 x4)

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

4. Ejemplo del problema del transporte

DE CADA PLANTA A CADA MERCADO

Formulacin del problema

dj es la demanda del mercado j

Captulo 5. Resolucin de problemas en ordenador

2. Descripcin del problema

Programacin Lineal: Resolucin de Problemas en Hoja de Clculo

PARA CADA MODELO DE PRODUCT O

Qu combinacin de modelos estndares y de lujo maximizar los beneficios

Nos encontramos ante un problema de programacin lineal cuya formulacin es:

Max 30.000 x1+ 50.000 x2

3. Introduccin de datos en la hoja de clculo

1 PLAN DE PRODUCCION DE ORDENADORES

Aparece entonces una ventana de dilogo como la que a continuacin se presenta: