Programación Lineal Resolución de Problemas en Hoj... - (PG 12 - 31)

12 Ethel Mokotoff
cada planta tiene un límite en su capacidad de producción.

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 número
máximo de unidades de cada modelo que pueden ser vendidas.
COSTES UNITARIOS DE FABRICACIÓN
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 decisión están representadas por qij, donde i indica de qué
modelo de automóvil se trata (i= 1, 2) y j la planta en la cual se fabrica (j= 1, 2, 3).
La función de beneficios a maximizar es el resultado de restar los costes de
producción 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 3 3 3
 pi  qij 1.300.000 q1 j 1.500.000 q2 j

i 1 j 1 j 1 j 1
Los costes de producción se calculan como

Copyright © 2005. Septem Ediciones. All rights reserved.
2 3
 c
i 1 j 1
ij q ij
Así resulta la siguiente formulación del problema:

3 3
Max 1.300.000 q1j 1.500.000 q 2j 
j1 j1

q 
q 
q
11 12 13


q 
q 
q 
21 22 23
Mokotoff, Ethel. Programación lineal: resolución de problemas en hoja de cálculo, Septem Ediciones, 2005. ProQuest Ebook Central,
http://ebookcentral.proquest.com/lib/unadsp/detail.action?docID=3160891.
Created from unadsp on 2018-07-03 07:25:29.
Programación Lineal: Resolución de Problemas en Hoja de Cálculo 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 y j= 1, 2, 3
4. Óptimos locales y óptimo global

En un modelo de programación matemática se busca la mejor solución. Pero
puede ocurrir que existan varias soluciones que sean óptimos locales, es decir,
soluciones que son la mejor solución en una zona del conjunto de soluciones, pero
entre la totalidad de las soluciones posibles, puede haber alguna que la mejore.
El óptimo global es la mejor de todas las soluciones factibles. En algunos pro-
blemas pueden encontrarse óptimos locales, pero no siempre es fácil encontrar el
óptimo global. Es por esta razón (la existencia de más de un óptimo local), que la
solución que un mismo optimizador pueda encontrar, depende de la solución ini-
cial, ya que busca en las proximidades de la solución inicial, y, en cuanto encuentra
el primer óptimo local, se para y da el resultado. Si se busca mejorar la solución,
puede ser conveniente optimizar varias veces con diferentes soluciones iniciales.
Es evidente que, cuando formulamos un programa matemático, lo que desea-
mos calcular son sus óptimos globales. Los óptimos 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 teoría, como las herra-
14 Ethel Mokotoff
mientas actuales de optimización, no permiten, en algunos problemas, encontrar

más que óptimos locales.
Encontrar condiciones de optimalidad global, o algoritmos que encuentren
óptimos globales, es posible sólo cuando el programa matemático es convexo,
es decir, que la función objetivo debe ser convexa, y las restricciones deben
presentar tales características que hagan que el conjunto de soluciones factibles
sea convexo. De este modo se garantiza que cualquier óptimo local sea óptimo
global. Es por esto que la convexidad de los programas matemáticos es tan
importante y merece nuestra atención.
5. Programas matemáticos convexos

Un conjunto de puntos es un conjunto convexo, si todos los puntos del seg-
mento de recta que une cualquier par de puntos del conjunto, también perte-
necen a dicho conjunto. El conjunto de la Figura A es, según la definición anterior,
un conjunto convexo, mientras el de la Figura B es cóncavo.
x1 x2
x1 x2
FIGURA A CONJUNTO CONVEXO FIGURA B CONJUNTO CÓNCAVO
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 definición más formal, como la siguiente:
Un conjunto S   n es convexo si
 x1, x2 S
   , 0
1,
los puntos x= x2 + (1-)x1 pertenecen a S.

Para las funciones también es posible analizar su convexidad o concavidad.
Como en el caso de conjuntos, es posible realizar un análisis gráfico en dos
dimensiones, aunque sólo cuando se trata de funciones de una variable:
Una función es convexa si todo segmento que una cualquier par de puntos de
su gráfica, nunca se sitúa por debajo de la misma. Si la cuerda siempre está por
encima de la gráfica de la función, entonces la función es estrictamente convexa.
Esta distinción entre convexidad y convexidad estricta es necesaria debido a
que una función puede ser cóncava y convexa a la vez. Sea el caso de una función
lineal, el segmento que une dos de sus puntos, no está por debajo ni por encima de
la gráfica de la función, por lo tanto la función es cóncava y convexa, pero no es
estrictamente convexa.
FIGURA A FUNCIÓN ESTRICTAMENTE CONVEXA FIGURA B FUNCIÓN CONVEXA
Estas definiciones pueden formalizarse para hacerlas extensibles a funciones de

más de una variable:
Una función f(x), definida en un conjunto convexo S de  n, es una función

convexa si
 x 1, x 2  S
  , 0
1
se verifica:
f(x2 + (1-)x1)  f(x2) + (1-)f(x1)
La función es estrictamente convexa si se verifica la expresión anterior con
desigualdad estricta cuando 0<<1 y x1  x2.
16 Ethel Mokotoff
En la expresión principal de la definición, el miembro de la izquierda es el valor

de la función 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 x
Debido a que, si una función no es convexa es cóncava, entonces, según el

gráfico (dibujado para el caso S ), una función es cóncava si la recta que une
un par de puntos cualesquiera de su gráfica, nunca está por encima de la gráfica
de la función, y es estrictamente cóncava si la recta que une un par de puntos
cualesquiera de su gráfica siempre está por debajo de la gráfica de la función.
A partir de estas definiciones, es importante observar, que las funciones linea-
les son convexas y cóncavas, pero no son ni estrictamente convexas ni estric-
tamente cóncavas.
• Un programa matemático de minimización es convexo si su función objeti-

vo es convexa y el conjunto de soluciones factibles determinado por las
restricciones es un conjunto convexo.
• Un programa matemático de maximización es convexo si su función obje-
tivo es cóncava 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:
1. Las funciones g(x) que definen restricciones del tipo g(x)b deben ser fun-
ciones convexas.
2. Las funciones h(x) que definen restricciones del tipo h(x)b deben ser fun-
ciones cóncavas.
3. Las funciones i(x) que definen restricciones del tipo i(x)=b deben ser funcio-
nes lineales.
Recordemos la razón que nos motivó a repasar las nociones de convexidad:
Si un programa matemático es convexo, todo óptimo local (mínimo o

máximo) es óptimo global.
Capítulo 3. Programación lineal
1. Introducción
Este capítulo está dedicado a la rama de la programación matemática que más
se ha desarrollado. A fines de los años cuarenta George B. Dantzig desarrolla el
algoritmo simplex, que resuelve problemas de programación lineal aprove-
chando la especial estructura de estos programas, y constituyendo el método más
poderoso de resolución de los mismos. A partir de entonces no han cesado de
extenderse las aplicaciones de la programación lineal en la Economía e Indus-
tria, dado que un gran número de situaciones reales pueden ser representadas me-
diante modelos de programación lineal.
En el apartado siguiente describimos las características de un modelo lineal,
así como el modo de generar el modelo matemático a partir de la expresión 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 formulación estándar de un programa lineal,
y se explica cómo un problema de programación lineal cualquiera, puede ser expre-

sado con la formulación estándar. Por último se hace referencia a la importancia
de los resultados duales de un programa lineal.
2. Modelos lineales
Expresiones lineales
Si todos los términos de una expresión matemática son de primer orden, la ex-
presión es lineal. Esto significa que no contiene variables elevadas al cuadrado,
cubo, ni a ningún exponente distinto de uno, tampoco puede aparecer una variable
en el denominador de algún término, o estar multiplicada por otra variable. En las
20 Ethel Mokotoff
expresiones matemáticas lineales existe proporcionalidad: para cada incremento o

disminución unitaria del valor de una variable, el resultado de la expresión aumenta
o disminuye en una cantidad fija, que es el coeficiente de esa variable en la expre-
sión.
Ecuaciones lineales son las que representan a las relaciones lineales, su forma
básica es la ecuación de una recta:
y=mx+b
donde m y b son constantes.
Ejemplo
Supongamos que alguien compra naranjas a 200 unidades monetarias (en ade-
lante, u.m.) el kilogramo. La expresión utilizada para representar la función de cos-
tes C, en términos de la cantidad de naranjas comprada N, expresada en kilogra-
mos es:
C=200 x N.
Lógicamente, un gráfico para la función de costes C es una línea 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,
también se compran manzanas, M, a 250 u.m. el kilogramo, y plátanos, P, a 300
u.m. el kilogramo, la función de costes es
C= 200 x N+ 250 x M+ 300 x P
esta expresión de costes es también lineal. Las variables N, M, P, aparecen con
exponente 1 y multiplicadas por un factor fijo. Pero su representación gráfica no es

posible, pues tiene 4 dimensiones.
Expresiones no-lineales
Por definición, toda expresión que no sea lineal será no-lineal. Las expresiones
no-lineales incluyen relaciones en las cuales las variables están elevadas al cuadra-
do, al cubo, potencias distintas de uno, o están multiplicadas o divididas entre ellas.
Si todas las expresiones matemáticas presentes en un modelo son

lineales, el modelo es lineal.
Siempre que sea posible, un problema debe formularse con expresiones linea-
les. Si, por ejemplo tenemos que reflejar la relación
x/y  10
entre dos variables x e y, ambas mayores que cero, será mejor presentar esa rela-
ción como
x  10 y
3. Programas lineales
Un programa lineal es un programa matemático en el cual, tanto la función
objetivo, como todas las restricciones impuestas sobre las variables de decisión,
son funciones lineales de dichas variables.
Las variables de decisión pueden ser continuas o discretas, en el primer caso se
trata de un programa lineal continuo, mientras que si todas o algunas de las varia-
bles son discretas estamos ante un programa lineal entero o mixto. Este último
tipo de programas constituye en sí mismo una importante rama de las Matemáticas
que excede a las ambiciones de esta exposición, por lo cual, nos centraremos en el
estudio de programas lineales continuos.
Al estudiar la convexidad de funciones hemos hecho hincapié en que toda fun-
ción lineal es convexa, por lo tanto, si la función objetivo es lineal será convexa.
Además, si todas las restricciones son funciones lineales, quedan garantizadas
las condiciones suficientes de convexidad del conjunto de soluciones facti-
bles de un programa matemático, enunciadas al estudiar la convexidad de pro-
gramas matemáticos.
22 Ethel Mokotoff
Estamos en condiciones de afirmar que:
Todo programa lineal, definido sobre variables continuas, es convexo, por

lo tanto, cualquier óptimo que se encuentre es óptimo global y constituye
la mejor solución al problema.
Los modelos con expresiones no lineales son mucho más difíciles de resolver que los
modelos lineales. A diferencia de los modelos lineales, en un modelo no lineal puede
que sea extremadamente difícil encontrar el óptimo, aunque éste exista. También pue-
de ocurrir que se crea haber alcanzado el óptimo y exista una mejor solución.
4. Formulación de un programa lineal

Un programa lineal continuo puede ser formulado de diversas maneras, pero para su
procesamiento de cómputo, es convertido a una forma estándar. Los programas de
ordenador actuales aceptan presentaciones flexibles y cómodas para el usuario, aun-
que luego, internamente, convierten el problema a la formulación estándar. Presen-
tamos, a continuación, la expresión escalar de la formulación 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 expresión resulta más compacta:
Min c x
Ax=b
x  0,
donde
c=(c1, c2,..., cn) es el vector fila de los coeficientes de las variables en la función
objetivo
x=(x1, x2,..., xn)T es el vector columna de las variables de decisión
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 formulación, puede
traducirse a la forma estándar, mediante las siguientes transformaciones:
• Conversión de desigualdades a igualdades
n n
a
j 1
ij x j  bi  a
j 1
ij x j  i  bi
i  0
n n
 aij x j bi 
j 1
a j 1
ij x j i  bi
i  0
• Sustitución de cada variable libre por dos variables restringidas a no negatividad
xi libre
es sustituida por
xi= hi- pi
hi  0
pi  0
• Sustitución del objetivo de maximización por minimización
Max(c x)
es equivalente a
Min(-c x)
La popularidad de la programación lineal se debe, en parte, al gran número de
24 Ethel Mokotoff
problemas reales que pueden modelizarse como programas lineales, y, por otro
lado, a la sorprendente rapidez y eficacia con que se resuelven con el método simplex.
Por la finalidad de este trabajo, no tiene sentido profundizar en los métodos de
resolución, pues se encargará de ello un ordenador, pero sí conviene hacer una
interpretación de resultados.
Hay garantías de que, si existe una solución, esta será encontrada. Pero no siem-
pre se puede resolver un programa lineal, porque no todos los problemas lineales
tienen solución. Pueden ocurrir que:
• el óptimo sea ilimitado (el valor de la función objetivo tiende a infinito negativo), o
• las restricciones hayan hecho que el conjunto de soluciones factibles esté vacío.
En los casos en los cuales el programa lineal tiene solución óptima, además de
la solución óptima, el simplex brinda información acerca de resultados duales,
que son de gran utilidad como se explica a continuación.
5. Valor dual de una restricción

En general, el valor dual de una restricción es la tasa de variación del valor de
la función objetivo con respecto a variaciones en el valor del término indepen-
diente (miembro de la derecha) de la restricción, siempre que el resto de la
información del problema no varíe (ceteris paribus) y dentro de cierto interva-
lo de variación del término independiente. Se lo suele llamar precio sombra o
coste reducido y permite analizar el efecto de pequeñas perturbaciones.
Como ejemplo, supongamos el problema de maximizar ingresos por ventas,

sujeto a unas restricciones de capacidad productiva. Si la capacidad productiva
está saturada (esto quiere decir que se aprovecha hasta el máximo sin dejar capa-
cidad ociosa), si pudiéramos producir una unidad más, nuestros ingresos aumenta-
rían. La cantidad que aumenta el valor de la función objetivo, por unidad de incre-
mento de capacidad productiva, está medida por el valor dual de esta restricción de
capacidad productiva. La idea intuitiva es que si una restricción está impidiendo a la
función objetivo seguir mejorando, el precio sombra indica cuánto mejoraría el
valor de la función objetivo, en el hipotético caso de que la restricción en cuestión se
relajara en una unidad, permitiendo al valor de la función objetivo mejorar. El nombre

de precio sombra se debe a que indica hasta cuánto puede pagarse por una unidad
adicional del recurso en cuestión, sin que ello represente una reducción de los beneficios.
Se dice que una restricción está saturada cuando actúa efectivamente como restric-
ción. Siguiendo con nuestro ejemplo, si en la solución óptima se utiliza la totalidad de la
capacidad productiva, la restricción está saturada, y ampliar la capacidad productiva
permitiría mejorar los ingresos. Pero si queda capacidad productiva sin utilizar, esa res-
tricción no está activa, no representa una verdadera limitación a nuestro problema, y
aunque ampliáramos la capacidad productiva, la solución óptima sería la misma. El pre-
cio sombra es nulo en este caso.
Si se trata de restricciones de menor o igual, relajarla significa aumentar el valor del
término 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 capítulo),
relajar la restricción significa reducir el valor del término 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 función
objetivo que se produciría si relajáramos la restricción en una unidad.
La utilidad de la información dual es muy grande, pero no debe olvidarse que los
valores duales son válidos 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 función objetivo de más de una variación
simultáneamente.
• El valor del término independiente de la restricción en cuestión varía dentro de un
intervalo de validez. No pueden extenderse los resultados duales a variaciones de
magnitud arbitrariamente grande, debido a que más allá de sus límites de estabilidad,
el valor dual cambia.
Capítulo 4. Formulaciones más importantes
1. Introducción
La programación lineal permite resolver problemas de diversa naturaleza, como
son los problemas de producción, planificación financiera, asignación de personal,
inventarios, control, etc. En este capítulo presentamos tres casos de interés desde el
punto de vista de la Economía y la Empresa, con su respectiva modelización ma-
temática y formulación como problema de programación lineal.
Estos mismos problemas serán resueltos con What’s Best en los capítulos si-
guientes, después de haber introducido el manejo de esta herramienta informática.
2. Ejemplo del problema de la planificación de la producción

Una fábrica produce seis bienes distintos a partir de seis materias primas. Cada pro-
ducto requiere una diferente combinación de materias primas (restricciones tecnológi-
cas) y de él 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 1 2 3 4 5 6 Existencias
Beneficio (u.m) 3.000 4.500 2.400 2.600 2.400 3.000
Acero 1 4 0 4 2 0 800
Madera 4 5 3 0 1 0 1.160
Plástico 0 3 8 0 1 0 1.780
Caucho 2 0 1 2 1 5 1.050
Vidrio 2 4 2 2 2 4 1.360
Pintura 1 4 1 4 3 4 1.240
En la formulación se representa mediante x1, x2,..., x6 a las cantidades a produ-

cir de cada uno de los productos 1, 2,..., 6, respectivamente.
28 Ethel Mokotoff
Formulación del problema

Max 3.000 x1+ 4.500 x2+ 2.400 x3+ 2.600 x4+ 2.400 x5+ 3.000 x6
s.a
x1 +4x 2 +4x 4 +2x 5  800
4x 1 +5x 2 +3x 3 + x5  1.160
3x 2 +8x 3 + x5  1.780
2x 1 + x3 +2x 4 + x5 +5x 6  1.050
2x 1 +4x 2 +2x 3 +2x 4 +2x 5 +4x 6  1.360
x1 +4x 2 + x3 +4x 4 +3x 5 +4x 6  1.240
xi 0, 1i6
3. Ejemplo del problema de la dieta

Consiste en determinar una dieta alimenticia de la forma menos costosa, satisfacien-
do unas exigencias mínimas de nutrición. Se dispone de cuatro alimentos, cada uno
con su coste, y se desea conocer en qué proporción deben participar estos alimen-
tos en la dieta.
Los menús que se preparen con estos alimentos deben contener una cantidad
mínima de vitaminas, que se encuentran, en ciertas proporciones dentro de cada
alimento.
COMPOSICIÓN NUTRITIVA DE CADA ALIMENTO
Alimento 1 2 3 4 Mínimo 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.

Min 100(35 x1+ 50 x2+ 80 x3+ 95 x4)
s.a
2,2x1 + 3,4x2 + 7,2x3 + 1,5x4  2,4
1,4x1 + 1,1x2 + 0,8x4  0,7
2,3x1 + 5,6x2 + 11,1x3 + 1,3x4  5,0
12,0x1 + 11,9x2 + 41,8x3 + 52,1x4  21,0

x1 + x2 + x3 + x4 = 1
xi
0, 1 i 4
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
máxima de producción, 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 DE CADA PLANTA A CADA MERCADO
Mercados 1 2 3 4 Capacidad productiva

Planta A 5,00 7,00 0,00 0,00 70
Planta B 9,60 5,50 7,00 7,50 110
Planta C 0,00 7,50 7,15 4,00 135
Demanda 30 57 41 51

3 4
Min  c
i 1 j 1
ij xij
s.a
4
x  qi , 1  i  3
ij
j 1
x
i 1
ij d j , 1  j 4
xij  0, 1 i 3 y 1 j 4
En esta expresión 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 decisión)
qi es la capacidad productiva de la planta i
30 Ethel Mokotoff
dj es la demanda del mercado j

Para el lector menos familiarizado con esta notación, presentamos a continua-
ción la misma formulación en forma extensiva.
Min 5x11+7x12+9,6x21+5,5x22+7x23+7,5x24+7,5x32+7,15x33+4x34
x 11 +x 12 +x 13 +x 14  70
x 21 +x 22 +x 23 +x 24  110
X 31 +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
Capítulo 5. Resolución de problemas en ordenador
utilizando What’s Best
1. Introducción
La elección del What’s Best, entre las diversas herramientas informáticas de
optimización que se comercializan en la actualidad se ha basado, simplemente, en el
hecho de que responde a una buena combinación de dos elementos que nos intere-
san: poder de resolución, y manejo simple, sobre todo para el usuario acostumbra-
do a utilizar hojas de cálculo. Aunque hoy en día la herramienta Solver, que puede
incluirse como complemento de Excel, es suficientemente potente, no presenta las
ventajas didácticas del What’s Best.
What’s Best (a partir de aquí lo llamaremos WB) permite al usuario construir y
resolver modelos de optimización lineales, no lineales y enteros desde una hoja de cálcu-
lo, por lo que puede considerarse como una extensión de Excel o de Lotus 1-2-3. Una
vez instalado el software, WB se convierte en un nuevo comando del menú de Excel, y
seleccionándolo, se despliega el menú de WB, ofreciendo sus posibilidades (la versión
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 cálculo. No es necesario que el problema esté expresado
en formato estándar, lo cual ahorra mucho trabajo y evita posibles errores.
Este programa ofrece resultados duales con sus respectivos rangos de validez.
Esta información adicional es de gran utilidad y permite realizar interesantes análisis
de sensibilidad.
En este capítulo 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 cálculo y resolverlo.

Programación Lineal Resolución de Problemas en Hoj... - (PG 12 - 31)

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

Programación Lineal Resolución de Problemas en Hoj... - (PG 12 - 31)

Încărcat de

Drepturi de autor:

Formate disponibile

12 Ethel Mokotoff

cada planta tiene un límite en su capacidad de producción.

Los ingresos por venta de los productos quedan determinados por

 pi  qij 1.300.000 q1 j 1.500.000 q2 j

Los costes de producción se calculan como

Así resulta la siguiente formulación del problema:

4. Óptimos locales y óptimo global

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

5. Programas matemáticos convexos

FIGURA A CONJUNTO CONVEXO FIGURA B CONJUNTO CÓNCAVO

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

FIGURA A FUNCIÓN ESTRICTAMENTE CONVEXA FIGURA B FUNCIÓN CONVEXA

Estas definiciones pueden formalizarse para hacerlas extensibles a funciones de

Una función f(x), definida en un conjunto convexo S de  n, es una función

En la expresión principal de la definición, el miembro de la izquierda es el valor

Debido a que, si una función no es convexa es cóncava, entonces, según el

• Un programa matemático de minimización es convexo si su función objeti-

Si un programa matemático es convexo, todo óptimo local (mínimo o

y se explica cómo un problema de programación lineal cualquiera, puede ser expre-

expresiones matemáticas lineales existe proporcionalidad: para cada incremento o

exponente 1 y multiplicadas por un factor fijo. Pero su representación gráfica no es

Si todas las expresiones matemáticas presentes en un modelo son

Estamos en condiciones de afirmar que:

Todo programa lineal, definido sobre variables continuas, es convexo, por

4. Formulación de un programa lineal

5. Valor dual de una restricción

Como ejemplo, supongamos el problema de maximizar ingresos por ventas,

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

2. Ejemplo del problema de la planificación de la producción

En la formulación se representa mediante x1, x2,..., x6 a las cantidades a produ-

Formulación del problema

3. Ejemplo del problema de la dieta

Vitamina D 12,0 11,9 41,8 52,1 21,0

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

Formulación del problema

12,0x1 + 11,9x2 + 41,8x3 + 52,1x4  21,0

4. Ejemplo del problema del transporte

Mercados 1 2 3 4 Capacidad productiva

Formulación del problema

dj es la demanda del mercado j

S-ar putea să vă placă și