Algebra Lineal Kolman

Subido por:
Libros de Ingeniería Química y más
https://www.facebook.com/pages/Interfase-
IQ/146073555478947?ref=bookmarks
Si te gusta este libro y tienes la posibilidad,

cómpralo para apoyar al autor.
La Optimización Lineal:
Un Instrumento de Gestión
Miguel Angel Larrinaga Ojanguren
Profesor del Departamento de Finanzas y

Técnicas Cuantitativas
BIBLIOTECA DE GESTIÓN
DESCLÉE DE BROWER
© Miguel Ángel Larrinaga Ojanguren, 2007
© EDITORIAL DESCLÉE DE BROUWER, S.A., 2007

Henao, 6 - 48009 Bilbao
www.edesclee.com
info@edesclee.com
Queda prohibida, salvo excepción prevista en la ley, cualquier forma de reproducción, dis-
tribución, comunicación pública y transformación de esta obra sin contar con la autorización
de los titulares de propiedad intelectual. La infracción de los derechos mencionados puede
ser constitutiva de delito contra la propiedad intelectual (arts. 270 y sgts. del Código Penal)
El Centro Español de Derechos Reprográficos (www.cedro.org) vela por el respeto de los
citados derechos.
Impreso en España-Printed in Spain

ISBN: 978-84-330-2178-6
A mis padres
INDICE
AGRADECIMIENTOS.................................................................................. 9
PRESENTACIÓN ........................................................................................ 11
Introducción ...........................................................................................11
Tan antigua como el mundo ...................................................................12
Una abundancia de programación lineal ................................................12
La optimización lineal como competencia profesional ..........................14
La optimización lineal en la empresa .....................................................15
Estrategias de Enseñanza/Aprendizaje ...................................................17
Estructura del libro .................................................................................18
Unas palabras finales..............................................................................19
1 UNA CIERTA LIMITACIÓN............................................................. 21
1.1 Introducción................................................................................21
1.2 La empresa BOCASA.................................................................22
1.2.1 El proceso productivo........................................................22
1.2.2 Un primer avance ..............................................................23
1.2.3 El resumen de los datos.....................................................25
1.3 Una resolución con sentido común.............................................26
1.4 Un paso más allá.........................................................................29
1.5 El papel de la optimización lineal...............................................30
1.6 A modo de conclusión ................................................................31
2 UNA VISIÓN GRÁFICA..................................................................... 35
2.1 Introducción................................................................................35
2.2 Razones para la linealidad ..........................................................36
2.3 Construyendo un modelo............................................................37
2.3.1 ¿Cuántas variables? ...........................................................38
2.3.2 ¿Cuántas restricciones? .....................................................39
2.3.3 ¿Qué unidades de medida? ................................................39
2.3.4 ¿Cuántas funciones objetivo?............................................40
2.4 El ejemplo a utilizar....................................................................41
2.5 Cálculos Preliminares .................................................................42
2.6 Pasos a seguir para la obtención del modelo ..............................43
2.6.1 Determinación de las variables de decisión ......................43
6 LA OPTIMIZACIÓN LINEAL: UN INSTRUMENTO DE GESTIÓN
2.6.2 Determinación de las restricciones....................................43
2.6.3 Determinación de la función objetivo ...............................44
2.7 Resolución Gráfica .....................................................................44
2.8 Otros Tipos de Soluciones ..........................................................48
2.8.1 Solución múltiple ..............................................................48
2.8.2 Solución ilimitada .............................................................50
2.8.3 Problema irrealizable.........................................................50
3 SENSIBILIDAD: MÁS ALLÁ DEL ÓPTIMO ................................ 55
3.1 Introducción................................................................................55
3.2 Cambio en las disponibilidades de los recursos..........................56
3.3 Cambio en los coeficientes de las variables en la función objetivo
61
3.4 Un breve apunte de Solver..........................................................63
3.5 Cambio en los consumos unitarios de recursos ..........................66
3.6 Programación Paramétrica..........................................................68
4 DUALIDAD: EL REVERSO............................................................... 75
4.1 Introducción................................................................................75
4.2 Otro sencillo ejemplo..................................................................76
4.3 Una pequeña vuelta de tuerca (v1.0) ..........................................78
4.4 Una pequeña vuelta de tuerca (v2.0) ..........................................81
4.5 El dual cómo herramienta de búsqueda de nuevas variables......83
4.6 Una última reflexión ...................................................................85
4.7 Conclusión ..................................................................................87
5 UNA CUESTIÓN DE OBJETIVOS ................................................... 91
5.1 Introducción................................................................................91
5.2 El objetivo como meta ................................................................92
5.2.1 Un ejercicio ajustado ........................................................93
5.2.2 Una pequeña variante ........................................................97
5.2.3 Una aplicación empresarial ...............................................99
5.3 Riesgo y Rendimiento...............................................................103
5.4 Una eficiencia más compleja ....................................................106
5.5 A modo de conclusión ..............................................................111
6 ALGUNOS EJEMPLOS. ................................................................... 115
6.1 Introducción..............................................................................115
6.2 Modelo 1...................................................................................116
6.3 Modelo 2...................................................................................118
6.3.1 Enunciado Modelo 2 .......................................................118
6.4 Modelo 3...................................................................................120
6.5 Modelo 4...................................................................................125
INDICE 7
6.5.1 Enunciado Modelo 4 .......................................................125
6.6 Modelo 5...................................................................................128
6.7 Modelo 6...................................................................................131
6.8 Modelo 7...................................................................................133
6.9 Modelo 8...................................................................................138
6.10 Modelo 9...................................................................................140
6.11 Modelo 10.................................................................................144
7 CONTINUARA…............................................................................... 147
7.1 El libro como emoción..............................................................148
7.2 El libro como experiencia.........................................................149
7.3 Un final inesperado...................................................................150
8 BIBLIOGRAFÍA ................................................................................ 155
8.1 Libros y Artículos .....................................................................155
8.2 Páginas Web .............................................................................159
8.3 Proveedores de Software ..........................................................160
I ANEXO I: UNA TARDE DE MATEMÁTICAS ............................ 161
I.1 A modo de introducción ...........................................................161
I.2 Un primer paso: Kuhn-Tucker..................................................162
I.3 Solución Básica, Puntos Extremos, Optimo. ............................166
I.3.1 Definición de solución básica realizable..........................167
I.3.2 ¿Para qué las soluciones básicas realizables? ..................169
I.3.3 Definición de puntos extremos ........................................171
I.4 En busca del óptimo..................................................................172
I.5 Algoritmo Simplex ...................................................................173
I.6 Tabla del Simplex .....................................................................174
I.7 Solución Irrealizable.................................................................179
I.8 Solución Ilimitada.....................................................................182
I.9 Solución Múltiple .....................................................................184
II ANEXO II: UNA DUALIDAD MATEMÁTICA............................ 191
II.1 Justificación de la Dualidad......................................................191
II.2 Aproximación a la Dualidad .....................................................192
II.2.1 Un problema excesivamente sencillo .............................193
II.2.2 Un problema más corriente.............................................193
II.2.3 Una nueva idea ...............................................................195
II.2.4 Resumen .........................................................................196
II.3 Teoría de la Dualidad................................................................196
II.4 Interpretación Económica de la Tabla del Simplex ..................203
II.4.1 Un ejemplo numérico .....................................................203
II.4.2 Calculo de variables duales ............................................205
II.4.3 El dual en la Tabla del Simplex......................................207
II.4.4 El significado de la Tabla del Simplex ...........................208
II.4.5 Interpretación Económica del planteamiento Dual.........209
II.4.6 El dual para generar columnas........................................211
II.5 El algoritmo Simplex-dual........................................................212
II.5.1 Una cuestión final...........................................................214
III ANEXO III: UN MANUAL DE SOLVER .................................. 217
III.1 Presentación..............................................................................217
III.2 El ejemplo a utilizar..................................................................218
III.2.1 Enunciado......................................................................218
III.2.2 Comentario al enunciado...............................................221
III.3 Diseño de la Hoja de Cálculo ...................................................222
III.3.1 Datos .............................................................................223
III.3.2 Variables .......................................................................224
III.3.3 Restricciones y Función Objetivo .................................224
III.4 La Macro Solver .......................................................................225
III.4.1 Menú Principal ..............................................................226
III.4.2 Agregando una restricción ............................................227
III.4.3 Usando las Opciones .....................................................231
III.5 Tipos de Soluciones..................................................................232
III.6 Salidas de un modelo No lineal ................................................234
III.6.1 Informe de Respuestas ..................................................234
III.6.2 Informe de Sensibilidad ................................................234
III.6.3 Informe de Límites ........................................................239
III.7 Salidas de un modelo lineal ......................................................241
III.7.1 Informe Sensibilidad Modelo Lineal Continuo.............242
III.8 Introduciendo Variables Enteras...............................................245
III.9 Introduciendo Variables Bivalentes..........................................247
AGRADECIMIENTOS
Nada es más grato que comenzar un libro con los agradecimientos a

aquellos que han ayudado a la finalización del mismo. Con la máxima de
“aprendemos enseñando”, este libro esta inicialmente agradecido a todos los
profesores que he tenido en La Comercial. Si en aquellos tiempos, lejos de las
“revolucionarias reformas educativas” que trae el proceso de integración en el
espacio europeo de educación superior fueron capaces de transmitir no sólo
conocimiento sino también interés, nada es más justo que mencionarles en estas
líneas. Así, José Luis y muy especialmente José Vicente, responsables del área
de Técnicas Cuantitativas han sido un espejo en el que mirarme.
El autor es a veces laberíntico en su discurso, barroco en el lenguaje y

amante de las frases largas que dejan exhausto al lector que discurre por las
mismas sin equipamiento adecuado. Maria, Álvaro, Joseba, Inmaculada han sido
profesores que han sabido acortar mis páginas, limpiar mis párrafos y suavizar
los textos.
Amaia, Luis, Leire y Feli son otros profesores que, con sus palabras
amables, pensamientos de Marcial, haikus indescifrables, regañinas periódicas,
etc. me han permitido disfrutar de tiempo útil para el trabajo.
Fernando y Javier, financieros impenitentes, también tienen su rincón en

estos agradecimientos como ejemplo de constancia. Antonio y Susana, por
introducirme en la idea del factor escaso.
El personal de La Comercial también tiene una línea de agradecimiento

por darme tiempo, una sonrisa en momentos tristes, por no ordenar mi
desordenada mesa de apuntes, por regar las flores.
Huelga decir que el autor está igualmente agradecido a todos los autores
consultados, a todos los alumnos que me han hecho mejorar en mi docencia y
por supuesto, a todos los compositores literarios y musicales que me han
acompañado en las horas de trabajo.
Finalmente, mi padre y mi madre: su cariño y su paciencia me han

demostrado que el conocimiento más importante y perenne es el que llega, no al
cerebro, sino al corazón y que la mejor metodología es la humildad en la
transmisión de conocimientos. Espero que este libro colabore de alguna manera
a que en el futuro haya más padres como ellos.
Como se puede deducir el libro está escrito, pensado y diseñado por el

autor pero en el fondo no es totalmente suyo. Por ello, los derechos de autor
correspondientes a este libro irán íntegramente a la Fundación Animo, destinada
a ayudar al acceso a la formación de jóvenes que, por limitaciones
socioeconómicas no gozan de esa posibilidad – y he aquí el primer ejemplo de
optimización condicionada del libro.
PRESENTACIÓN
Los objetivos de este capítulo son los siguientes:
x Presentar el libro desde una triple perspectiva:
Competencial: Objetivos perseguidos en términos de competencias.
Empresarial: Qué puede aportar a la gestión diaria.
Proactiva: Cómo involucrar al lector.
x Estructurar el paseo.
Introducción
Resulta complicado, a la hora de introducir un libro, lograr un equilibrio
entre un tono distendido, que “venda” el libro, y un tono científico, que acredite
la rigurosidad del mismo. Además, los nuevos productos multimedia parecen
minorar el encanto de un libro. Quizás, debiéramos utilizar la técnica que
Groucho Marx, por ejemplo, presentaba en las primeras páginas de su
autobiografía, Groucho y yo como herramienta de venta de su libro1.
1“Groucho y yo”, por Groucho Marx. Ed. Tusquets 2001, 320 pags. El texto
original en ingles dice en su pág 5.: “But as an added attraction, at no extra charge, my
idea was to put a fried egg on the cover. I think a lot of people that hate literature but
Las siguientes líneas pretenden recoger, en el fondo, razones para la
lectura y, espero, disfrute de este libro.
Tan antigua como el mundo

En pocas palabras podemos decir que la optimización lineal, es decir, la
búsqueda de un óptimo en un problema es, si se me admite la hipérbole, la
plasmación matemática de una pregunta filosófica: ¿Cómo ser feliz?
Expliquemos esta metáfora.
Tenemos un objetivo claro en términos lingüísticos: “felicidad”2 pero

muchas veces es difícil plasmarlo en términos más tangibles.
Aún suponiendo que hayamos llegado a esa feliz plasmación de

felicidad en, por ejemplo, disponer de un equilibrio salud-riqueza sostenible en
el tiempo, viene la siguiente pregunta clave. ¿Cómo?. Tenemos muchas formas
de lograrlo pero no todas son válidas para el contexto socio-cultural y
económico en el que nos encontramos. Es decir, unas condicionantes internas y
externas delimitan el conjunto posible de opciones a manejar. Finalmente una
vez elegidas las opciones, la realidad cambiante hace que el camino hacia la
felicidad no sea exactamente el esperado.
Al tratarse de una pregunta antigua, las posibles respuestas vienen desde

antiguo. Pensando en términos puramente matemáticos podemos citar a Isaac
Newton, quien en 1665 planteó su solución a la búsqueda de un óptimo local.
Veamos cómo es la cosecha en la actualidad.
Una abundancia de programación lineal

Es muy posible que usted, posible comprador del libro, ojee esta
introducción con el pensamiento de “¡Otro libro de programación lineal!” o
“¡Más matemáticas para la toma de decisiones! Pero si éstas muchas veces no se
loved fried eggs would buy if the price was right” que puede ser consultado en la página
web: http://www.amazon.com/gp/reader/0306806665/ref=sib_dp_pt/102-6749071-3502513#reader-link .
2 A título de curiosidad, la Real Academia de la Lengua, en su 22ª edición
definía la felicidad como “estado del ánimo que se complace en la posesión de un bien”.
Esta definición está prevista que se modifique en su 23ª edición con el siguiente texto:
“estado de grata satisfacción espiritual y física”. (www.rae.es).
PRESENTACIÓN 13
toman tan racionalmente porque no hay datos, tiempo, software, motivación o
cualquier combinación de ellas.”
De hecho, la cosecha de textos sobre programación lineal puede

calificarse como de generosa, rayana en términos de sobreexplotación. Para ello
también bucearemos el término “investigación operativa”, que engloba a la
optimización lineal, y, que en pocas palabras, podemos definirla como un
conjunto de técnicas matemáticas para ayudar a la toma de decisión empresarial.
Vayamos a Internet:
x Por ejemplo, si buscamos en www.amazon.com por “Linear Programming”

probablemente aparecerán más de 9.000 libros, aunque “sólo” 1.200 dentro
del subgrupo de Economics y 1.330 en la categoría de Management &
Leadership.
x Si ampliamos la búsqueda a “Operations Research”, el número de

referencias seguramente superará los 18.000, y en las categorías
mencionadas encontramos 2.580 y 3.625, respectivamente. Además
bastantes libros vienen acompañados de material en la red, suplementos, etc.
Como suele ser habitual, un tema tan prolífico impulsó la creación de

sociedades y organizaciones que tratan esos temas. Las sociedades de
investigación operativa, tanto españolas (www.seio.es) como británica
(www.orsoc.org.uk) o americana (www.informs.org) por nombrar algunas son
buenas fuentes de ejemplos de aplicación de diversas técnicas de investigación
operativa en general y de optimización lineal en particular.
Finalmente, un reciente esfuerzo de situar a la investigación operativa

nuevamente en el mercado lo podemos encontrar en la página Web
http://www.scienceofbetter.org/ como escaparate para el mismo.
Desde el punto de vista editorial, un nuevo libro de optimización lineal

parece, por tanto, destinado al olvido o como máximo al reducido círculo de los
alumnos de un determinado profesor. Las nuevas tecnologías permiten que
ciertos clásicos como el libro “Applied mathematical programming” de Bradley,
Hax y Magnanti (1977) puedan descargarse libremente desde la dirección
http://web.mit.edu/15.053/www/AppliedMathematicalProgramming.pdf.
Un libro presente en muchas bibliografías sobre la materia es

“Introduction to Operational Research, 8th Edition” (MacGraw-Hill, 2005) de
Frederick S Hillier y Gerald J Lieberman, de actualización periódica y que
abarca la investigación operativa en su conjunto.
En resumen, la optimización lineal no deja de tener actualidad dada el
inmenso número de publicaciones sobre la misma. Preguntémonos, por tanto,
por su utilidad.
La optimización lineal como competencia

profesional
El proyecto Europeo de Educación Superior, más conocido como
Proyecto Bologna reorienta las titulaciones universitarias en términos de
adquisición no sólo de conocimientos sino de competencias profesionales.
La definición del término competencia es siempre difícil. El marco

pedagógico de la Universidad de Deusto la define como “La capacidad de un
buen desempeño en contextos complejos y auténticos. Se basa en la integración
y activación de contenidos conceptuales, habilidades y destrezas, actitudes y
valores”. Clarificando la terminología, una persona competente es aquella que
tiene los conocimientos necesarios, sabe y quiere ponerlos en práctica para
lograr un resultado adecuado.
Desde esa perspectiva, el libro pretende ayudar a su lector a ejercitar las

siguientes competencias profesionales:
1. Traducir a un modelo matemático las principales características de un

problema de gestión empresarial. Así, tras la lectura del libro, el lector
debería estar dispuesto y capacitado para:
Identificar las variables de decisión, las restricciones a sus posibles

valores y el criterio a optimizar.
Expresar matemáticamente las restricciones y función objetivo,

utilizando en su caso, diferentes tipos de variables.
2. Explotar un sencillo software de optimización para modelos de relativa

dimensión. Esta competencia supone, por tanto, que al llegar al final del
libro, el lector deberá estar capacitado para
Estructurar los datos en un formato comprensible para todos, no sólo

para la herramienta.
Entender, explicar y criticar la información que el software empleado

genera.
PRESENTACIÓN 15
Saber ofrecer una respuesta cuando el software no llega a una solución
satisfactoria.
3. Explicar, en términos comprensibles por cualquier gestor, las hipótesis,

resultados y autocrítica en el empleo de la optimización lineal para la toma
de decisiones.
4. Gestionar un proyecto, Según la Universidad de Deusto, la competencia de

gestión de proyectos se define como la “Capacidad para preparar, dirigir,
evaluar y hacer seguimiento de un proyecto de manera eficaz”. Un problema
de programación lineal se convierte en general en un proyecto de
programación lineal.
Aplicar la programación lineal a un problema de gestión es el comienzo de

un proyecto, con sus tareas, sus secuencias y su control. Este libro puede
responder por tanto a esa idea.
La optimización lineal en la empresa

La optimización lineal puede convertirse en la excusa para analizar un
problema desde una óptica ordenada y holística de una empresa. Como hemos
dicho, es un grupo de técnicas que fundamentalmente trata de resolver el
problema de asignación de recursos escasos a actividades que compiten por
ellos, de modo que se logre un determinado objetivo.3
¿En qué campo de la empresa no podemos situarnos ante un problema

de esta naturaleza? Si utilizamos el modelo SCOR4 para representar las
principales funciones dentro de una empresa podemos distinguir:
Plan: En el campo estratégico, la decisión de localización de plantas

productivas, almacenes, rutas y todo lo relacionado con el diseñote la
cadena logística de una empresa son un campo abonado para el empleo de
esta técnica. Véase, por ejemplo, el caso de aplicación que la Consultora
Cap Gemini describe dentro de sus servicios de Investigación Operativa en
3 Un artículo sencillo que adelanta las páginas siguientes es “Linear

programming comes of age: a decision support tool for every manager”, D.J. Caine,
B.J. Parker, publicado en Management Decisión 1996, Vol: 34 nº 4, pp. 46 – 53.
4 SCOR significa “Supply Chain Operations Reference Model” y es un modelo
de medición del comportamiento de las cadenas de suministro. En www.supply-
chain.org puede encontrar una descripción más detallada del mismo.
http://www.uk.capgemini.com/services/consulting/or/demos/d019.pdf/. Algunas
otras aplicaciones pueden darse a la selección de canales de publicidad para
lanzar un nuevo producto, diseño de redes logísticas, etc.
Source: En el campo de aprovisionamiento, la selección de proveedores es

un tema crítico por su impacto posterior en la calidad del producto final, en
el coste total de producción.
Make: En el campo de producción, en la programación de la producción de

refrescos por parte de una empresa de bebidas en base a un software de
MRP (Materials Requirement Planning), la optimización lineal juega un
elemento esencial – aunque opaco normalmente a los usuarios de dichos
programas. En el sector de refino de petróleo desde la década de los 50 se
popularizó el empleo de técnicas de optimización.
Una lectura interesante puede descargarse de la siguiente dirección Web:

http://www.touchbriefings.com/pdf/1713/Zhang.pdf donde el autor
concluye que la optimización es el elemento clave de las refinerías más
productivas. Otro ejemplo muy habitual es la programación de tareas o
minimización del “makespan”.
Deliver: La determinación de las rutas de envío de los productos es un

ejemplo conocido y sufrido por todos. ¿Cómo puede un gran distribuidor
optimizar los costes de distribución de sus productos? Los problemas de
redes, tales como los problemas de transporte, asignación, rutas de viajantes
son problemas muy tratados por la programación lineal, aunque resueltos
más eficientemente con otros procedimientos alternativos a los que
comentaremos aquí.
Return: La mayor concienciación medioambiental ha afectado a muchos

modelos de optimización comentados anteriormente. Así, la planificación de
rutas incluye también las devoluciones, la aparición del MRP inverso donde
se desensamblan productos para obtener componentes válidos y reutilizarlos
en el MRP normal de un producto. Un ejemplo de anticipación puede
encontrarse en el artículo “A product and process selection model with
multidisciplinary environmental considerations” por Julie Ann Stuart, Jane
C. Ammons y Laura J. Turbina publicado en la revista Operations Research,
Mar/Apr99, Vol. 47 Issue 2, pp. 221-234.
En cualquier caso, desde la aparición del Método Simplex por George

Dantzig, en 1947, la posibilidad de resolver, en tiempos razonables, problemas
de grandes dimensiones, alimentado por el desarrollo de la informática, nos
encontramos ante una técnica que se ha aplicado en todas las áreas de la gestión
PRESENTACIÓN 17
empresarial. Se han apuntado algunas. Si acude a la página Web mencionada
anteriormente, www.scienceofbetter.org podrá encontrar otros casos de estudio.
Estrategias de Enseñanza/Aprendizaje
El libro pretende ser, en ciertos aspectos, interactivo con el lector, de
modo que continuamente aparecen preguntas, lecturas y ejercicios a los que el
lector puede ir respondiendo.
Es un libro que requiere lápiz y papel en unos casos, el empleo de un

software en otros. El libro demanda su atención y trata de mantenerla como un
regalo preciado. Si se me permite la expresión, de hecho, el libro no existe hasta
que se conforma en la mente del lector. Mientras tanto, es tan sólo una
secuencia ordenada de caracteres y símbolos.
No todos los ejercicios están resueltos puesto que no tienen una

solución única. Como muchas veces ocurre en el campo de gestión, la aversión
al riesgo del gestor definirá qué opción elegir entre un abanico de posibilidades
nacidas a la luz de analizar el problema bajo el prisma de varios escenarios
futuros posibles. Además, en el texto se distingue entre un simple ejercicio y un
caso práctico, un poco más extenso que se intercala en el devenir de cada
capítulo.
Finalmente, es un texto donde el inglés aparece repetidas veces. En un

entorno global, ser políglota se convierte en un elemento diferenciador. Con
humildad, el libro propone al lector algunas citas en ese idioma para que el
lector gane confianza en sus conocimientos de inglés. Esos conocimientos que
quedan aparcados en algún lugar del cerebro y a los que les cuesta salir. No
estamos hablando de una moda sino de un requisito necesario para poder estar
en el mercado.
La mayor parte de los casos prácticos están basados en artículos de

aplicación de revistas tales como Interfaces, Journal of Operational Research,
OR/MS Today, Operations Research u OR Insight así como de experiencias
personales y ejercicios trabajados durante mi docencia en la Universidad.
A lo largo del texto se aluden muchas direcciones de páginas Web.

Todas ellas fueron accedidas durante Julio de 2007 y su contenido era público,
sin restricciones de acceso. La razón de su inclusión es despertar la curiosidad
del lector a acceder a más información relacionada con el tema.
Estructura del libro

Este libro está dividido en varias etapas que se reflejan en el esquema
siguiente.
x Capítulo 1: Una cierta limitación
Un ejemplo muy sencillo nos permitirá recorrer brevemente las distintas

fases del libro. Así, partiendo de la teoría de las limitaciones o “theory of
constraint” (TOC), recorreremos un sencillo ejemplo de producción.
x Capítulo 2: Una visión gráfica
Desde las teorías de gestión visual de la producción, hasta la inundación

de gráficos que los procesos de mejora continua y certificados de calidad están
provocando en las empresas “una imagen vale más que mil palabras”, un
acercamiento gráfico a lo que podemos conseguir es el mejor método.
x Capítulo 3: Sensibilidad: Más allá del óptimo
¿Cómo podemos trabajar con varios escenarios? ¿Cómo de sensible es

la respuesta frente a cambios en el entorno? ¿Cómo anticiparnos a las cuestiones
del tipo “what-if”?
x Capítulo 4: Dualidad: El reverso
La trilogía inicial de la saga de la Guerra de las Galaxias popularizó la

expresión del “reverso oscuro o lado oscuro de la fuerza”. Los capítulos
anteriores esconden al igual que el malvado Darth Vader un reverso que
afortunadamente no es oscuro y que permite dar una vuelta de tuerca adicional a
la información a extraer.
x Capítulo 5: Una cuestión de objetivos
Finalmente, incluimos un pequeño rosario de variantes dentro de la

optimización matemática que tienen que ver con el problema de cómo afrontar
el logro de diversos objetivos a la vez.
x Capítulo 6: Algunos Ejemplos
En otros libros se adjuntan ejercicios para su resolución. En este caso

planteamos un capítulo donde aparecen diversos ejercicios resueltos total o
parcialmente, de forma que el lector pueda plantear, introducir en el optimizador
PRESENTACIÓN 19
y resolver, para después jugar con los resultados. Confío en que, si ha llegado a
este capítulo final del libro, los objetivos de aprendizaje expresados en la
introducción de libro se hayan cubierto. Para el mejor aprovechamiento de este
capítulo es necesario leer y practicar los contenidos del Anexo III.
x Anexo I: Una tarde de matemáticas
Este apartado está diseñado para aquellos interesados en la parte

matemática de los procesos. El método Simplex, desarrollado por George
Dantzig, la dualidad, la degeneración, el problema de las soluciones enteras son
conceptos sobre los que se ofrece una versión a caballo entre lo puramente
académico y el carácter iniciático y exploratorio del libro.
x Anexo II: Una dualidad matemática
Si el lector del Anexo I no ha quedado satisfecho con un primer plato

matemático, el libro le ofrece un segundo plato, que no es sino su reverso.
Desde esta perspectiva, si bien el Anexo I es la respuesta matemática al Capítulo
3, este Anexo II es la base matemática del Capítulo 4.
x Anexo III: Un manual de Solver
Los proyectos planteados deben ser resueltos. De entre la variedad de

software disponible, hemos escogido el más accesible puesto que viene
incorporado en todas las versiones de la hoja de cálculo de Microsoft Office. Es
la base necesaria para sacar el máximo provecho del capítulo 6 del libro.
Unas palabras finales

Permítame incluir aquí unas líneas extraídas del libro de Jeremy Rifkin,
“el tiempo del acceso” (The age of access, 2000, Ed. Tarcher/Putnam, pág.
253.): “Still, educators and a growing number of parents are worried that if
students’educational experiences take place more and more in front of the
screen or inside virtual worlds, they may not develop the appropiate skills
required to be fully functioning and whole human beings in society.”
La red es un medio, una impresionante herramienta, biblioteca o

teléfono de ayuda posible pero no “enseña”. El aprendizaje autónomo debe ser
guiado, conducido y valorado de alguna manera. Este libro está diseñado para
posibilitar ese aprendizaje autónomo sencillo, que requiere esfuerzo y que
“premia” con el conocimiento de una técnica de amplia aplicabilidad en la toma
de decisiones. El autor ha realizado ese aprendizaje y agradece desde estas
líneas a todos los autores y fuentes manejados y se disculpa si alguna fuente no
aparece suficientemente citada.
Finalmente, le planteo unos pequeños ejercicios de reflexión incluso

sobre este capítulo de introducción. Espero que los disfrute. “Labor improbus
omnia vincit”, se decía en Virgilio, Geórgicas, I, 145, tomado de Royo
Hernández (2002). Inicie, por tanto, este paseo por la optimización lineal. ¡Nos
vemos en el capítulo 1!.
Ejercicio de Reflexión
Piense en una decisión que vaya a tomar que afecte a varias personas.
x ¿Cuál es el objetivo que usted persigue? ¿Cuál es el objetivo que los
demás persiguen? ¿Llega a un consenso en la fijación de objetivos?
Identifique las posibles opciones para lograr ese objetivo
x ¿Cuántas opciones logra identificar? ¿Cuántas opciones logra cuantificar
su impacto en el logro del objetivo?
Finalmente enumere las principales limitaciones al logro del objetivo y del
ejercicio de las opciones. Al realizar este ejercicio está dibujando un modelo.
Thinking Case
The following lines are extracted from “Fighting cannibalization” by Ari
Buchalter and Humam Sakhnini, published in The McKinsey Quarterly
2006, Nº 1, pp. 12-13. Read it carefully and prepare a short report explaining
a couple of actions to solve the problem. You must clearly state the objective
you want to rise to, the decisions and the constraints you may face.
Situation
Any company that sells similar products at a range of prices fears
cannibalization. Take the case of a subscription media company that
expanded from one product line to a mix of offers that included several
similar but lower-priced products sold through a number of channels.
Executives felt that the new offers were necessary because the original
product, while quite profitable, was losing market share and might never
penetrate certain customer segments. The new products did indeed attract
these elusive customers, but the lower prices also lured some established
customers away from the mature product.
1 UNA CIERTA LIMITACIÓN
x Relacionar la gestión con la optimización lineal.
x Resolver lógicamente un sencillo problema de optimización.
x Relacionar un procedimiento matemático con una teoría de gestión.
El lector al finalizar el capítulo deberá ser capaz de:
x Resolver un problema de optimización con un solo factor escaso.
x Exponer las ventajas y desventajas de esta aproximación.
1.1 Introducción
¿Cómo se puede explicar la optimización lineal dentro de una
organización mezclando con delicadeza matemáticas y gestión? ¿Se encuentra
ante una audiencia de ingenieros? ¿Se encuentra ante un grupo de expertos en
marketing? Huya de los tópicos habituales y láncese a la lectura de este capítulo
de forma audaz. Si se le ocurrieron algunos ejemplos en los casos planteados en
la presentación del libro, ¡enhorabuena!. Ya está preparado. Piense en ellos al
finalizar este capítulo.
Para lograr nuestro propósito se va a utilizar un ejemplo5 basado en el
artículo “Synergies from spreadsheet LP used with the theory of constraints–a
case study” escrito por VJ Mabin y J. Gibson, publicado en el Journal of
Operational Research Society (1998) Vol. 49, pp. 918-927.
1.2 La empresa BOCASA

En una época donde la dieta rápida comienza a ser cuestionada y los
establecimientos de “fast food” replantean sus menús con ensaladas y otros
productos, la empresa BOCASA, dedicada a proveer a una de las cadenas de
mayor implantación estatal de jamón y salchichas precocinadas, trata de
replantear su forma de trabajar6.
Ha invertido una considerable cantidad de dinero en unas nuevas

instalaciones productivas. Consecuentemente, su posición de caja también ha
quedado afectada puesto que, al optar por la compra y no por el leasing de la
máquina, ha debido, simultáneamente, liquidar sus participaciones en Bolsa y
pedir un préstamo a 5 años.
1.2.1 El proceso productivo

Al analizar el proceso productivo, la empresa ha decidido seguir las
indicaciones que ha podido leer en un artículo de Richard D. Wilding y J.
Michael Newton7, sobre “Time-Based Process Mapping”, donde se detalla la
importancia de analizar cómo el coste se incorpora al producto, así como su
tiempo de producción y puesta en el mercado.
Fase I: Obtención del preparado
En esta fase se mezclan los diferentes componentes que formarán la

“masa” del jamón cocido y de las salchichas. Son dos líneas diferentes que
trabajan 40 horas semanales. Cada media hora se obtienen 100 Kg. de
5 Para una mayor discussion, por ejemplo, el artículo “Theory of constraints

and linear programming: a re-examination” por, Balakrishnan J.; Cheng C.H.
International Journal of Production Research, 2000, Vol. 38, nº 6, 15, pp. 1459-1463.
6 El proceso productivo que se describe es una simplificación de la realidad. El
texto no describe a ninguna empresa en concreto.
7 Richard Wilding y J. Michael Newton: “Enabling time-based strategy
through logistics – using time to competitive advantage”, Logistics Information
Management, 1996, Vol. 9, nº 1, pp. 32–38.
UNA CIERTA LIMITACIÓN 23
preparado para jamón cocido mientras que se obtienen 100 Kg. de preparado
para salchichas en tan sólo 7,5 minutos.
Fase II: Llenado
Una vez preparada la mezcla se rellenan los productos. Así son

necesarios 15 minutos para preparar 100 Kg. de salchichas mientras que el
jamón cocido necesita 48 minutos de cocción por cada 100 kg. Como en la Fase
I en esta línea se disponen de 40 horas semanales de tiempo productivo.
Fase III: Cocinado
Una vez preparada la mezcla se cocinan. Así son necesarios 15 minutos

para preparar 100 Kg. de salchichas mientras que el jamón cocido necesita 48
minutos de cocción por cada 100 kg. En este caso, existen 4 líneas productivas
trabajando cada una de ellas 40 horas semanales. Es decir, que en la Fase III
disponemos de 160 horas para el periodo de planificación manejado.
Fase IV: Refrigerado
Dadas las distintas características del producto se tarda 1 hora para

congelar 100 kg. de jamón mientras que es justo la mitad el tiempo necesario
para la misma cantidad de salchichas. Aquí disponemos de 200 horas a la
semana,
Fase V: Empaquetado
Existen cuatro personas dedicadas a esta tarea, trabajando 40 horas

semanales, es decir, 160 horas semanales. Las salchichas son el producto que
más tiempo consume puesto que se empaquetan en pequeñas bolsas, mientras
que el jamón se envía en los propios paquetes grandes donde se ha cocido. Cada
trabajador empaqueta unos 50 Kg. de salchichas a la hora.
Finalmente, el departamento de ventas nos informa que las ventas

semanales son aproximadamente de 8.000 Kg. tanto de jamón como de
salchichas.
1.2.2 Un primer avance

La optimización lineal consigue su primer éxito en la búsqueda de la
información necesaria y en su ordenación posterior. La obtención de los datos
anteriores ha exigido probablemente un cálculo de tiempos, costes unitarios,
márgenes que quizás hasta el momento no se habían realizado.
Quizás para ese momento, la empresa ha descubierto que hay productos
con los que realmente no gana tanto dinero como esperaba o en los que incluso
incurre en pérdidas. En este momento, el proceso puede desvelar que los
tiempos y ocupaciones de las instalaciones no eran tan exigentes y realmente
hay capacidad no utilizada.
Más concretamente, los datos que ha debido recabar pueden ser

aproximadamente los siguientes:
x Del departamento de planificación: Se habrá llegado a un acuerdo sobre qué

productos introducir en el proceso (Ej.: producto o familias), qué se va a
entender por una semana tipo, puesto que dado el carácter de estos
productos, seguro que habrá una mayor variabilidad en la demanda de las
salchichas (donde los jóvenes arrastran gran parte de la demanda) que en la
de jamón, demandado por cadenas que fabrican pizzas, por ejemplo.
x Del departamento de producción, tras analizar los tiempos de proceso, y

eliminar de tiempos de paradas previstas e imprevistas, etc. se obtendrá
información sobre productividades, mermas, etc. Si no existiera un proceso
de medición suficiente, surge aquí la oportunidad de pensar en adquirir
algún sistema de medición en planta que permita obtener esos datos con
facilidad.
x Desde el área legal, y dada la naturaleza de nuestros productos, se nos hará

notar sobre la normativa, cada día más amplia, sobre seguridad alimentaria
que impactará en la necesaria trazabilidad de las carnes utilizadas en el
proceso, de forma que muy probablemente el cálculo de tiempos y costes
saldrá de forma natural del proceso.
x Desde el departamento de ventas nos vendrán las ventas. Duro caballo de

batalla. La estimación de las ventas resulta, a veces, una información que no
se transmite a los procesos de producción de forma adecuada. Para plantear
este problema, por fin, llegaremos a acuerdo sobre las predicciones a utilizar
para la semana. Téngase en cuenta, por ejemplo, que los tiempos y costes de
proceso vendrán dados en muchos casos por el tamaño de los lotes de
producción, que a su vez vendrán influenciados por las cifras de demanda
manejadas por estos departamentos.
x Finalmente un punto importante es la contabilidad de costes o analítica que

sigue a todo el proceso. En este punto conviene recalcar que un despiece
detallado de los costes de los productos permite no sólo conocer cuándo un
producto es rentable sino también cómo de rentable resulta un cliente, etc.
En el artículo mencionado no se incluyen los datos reales de costes,
salvo la indicación de que el margen por lote de jamón es 6 veces mayor que el
margen por lote de salchichas. Hemos supuesto que el coste por hora es en todas
las instalaciones de 60€.
Pregunta 1.1
Antes de seguir adelante, haga un resumen de los datos presentados.
Acostúmbrese a recoger los datos ordenadamente dentro de una hoja de
cálculo. Rellene los huecos que se indican donde además de los datos
originales debe rellenar los tiempos necesarios para fabricar un lote de cada
producto.
Productos Jamón Salchichas
Lotes Producidos 1 1
Tamaño Lote 1000 400
Tiempos de Proceso Empleado Disponible
Jamón Salchichas
(Horas/Lote) (Horas) (Horas)
Mezcla (Jamón)
Mezcla (Salchichas)
Llenado
Cocinado
Refrigerado
Empaquetado
Jamón Salchichas
Demanda Semanal
8 20
(Lotes)
1.2.3 El resumen de los datos

Con la información anterior se elabora un cuadro resumen de los datos.
Para la clarificación de la información las variables se han manejado en lotes de
producción puesto que es la variable manejada en la empresa. Otro ejemplo
posible sería el empleo de palets, cajas, Kg., docenas, etc.
Esta Tabla 1.1 recoge los tiempos de proceso de lote. La columna de

Empleado indicaría el tiempo consumido en si fabricáramos un lote de jamón y
otro de salchichas, es decir, procesáramos 1.400 Kg. de producto en total. La
Tabla 1.2 detalla el cálculo de costes unitarios de producción.
Pregunta 1.2
La pregunta clave en este caso: ¿Está la empresa ganando por los productos
que se vende?
x ¿Cuánto gana por lote de salchicha? ¿Cuánto gana por kilo de jamón
vendido? ¿Tienen ambos productos los mismos márgenes sobre precio
de venta?
Para ello rellene la tabla siguiente sobre costes para los lotes manejados:
Datos por Lote Datos por Kilo
Productos Jamón Salchichas Jamón Salchichas
Margen Unitario
Precio de Venta
Coste Total
Producción
Mezcla
Llenado
Cocinado
Refrigerado
Empaquetado
Pregunta 1.3
Con los datos de las preguntas 1.2 y 1.3 dibuje un gráfico en el que en
abscisas vaya indicando el tiempo de producción por lote y en ordenadas el
coste total que se va incorporando al producto.
Este gráfico es en el fondo un ejemplo de visión gráfica de las actividades y
cómo van incorporando coste al producto. De esta forma, podría preguntarse
sobre cuáles son las fases que menos aportan o las que más tardan.
1.3 Una resolución con sentido común

La teoría de las limitaciones desarrolladas por Goldratt8 en el fondo
recoge una idea básica en la vida: sin perder las fortalezas tratar de mejorar los
puntos débiles, es decir, tratar de superar las limitaciones puesto que “the
strength of a chain is dictated by its weakest link”. Estamos, por tanto, al menos
8 Ver, por ejemplo, http://www.goldratt.com/toctpwhitepaper.pdf.

desde el punto de vista del autor de este libro, ante la aplicación del sentido
común.

Jamón Salchichas
Mezcla (Jamón) 5 0 5 40
Mezcla (Salchichas) 0 0.5 0.5 40
Llenado 8 1 9 40
Cocinado 8 1 9 160
Refrigerado 10 2 12 200
Empaquetado 1 7 8 160
Jamón Salchichas
Demanda Semanal
8 20
(Lotes)
Tabla 1.1: Los tiempos de proceso por tamaño de lote

Datos por Lote Datos por Kilo
Productos Jamón Salchichas Jamón Salchichas
Margen Unitario 90.00 € 15.00 € 0.09 € 0.04 €
Precio de Venta 2,010.00 € 705.00 € 2.01 € 1.76 €
Coste Total
1,920.00 € 690.00 € 1.92 € 1.73 €
Producción
Mezcla 300.00 € 30.00 € 0.30 € 0.08 €
Llenado 480.00 € 60.00 € 0.48 € 0.15 €
Cocinado 480.00 € 60.00 € 0.48 € 0.15 €
Refrigerado 600.00 € 120.00 € 0.60 € 0.30 €
Empaquetado 60.00 € 420.00 € 0.06 € 1.05 €
Tabla 1.2: Despiece de Costes del Problema

Volviendo al ejemplo de BOCASA ¿dónde reside la limitación para
lograr las mayores cotas de beneficio?
La primera respuesta es rápida: desde el punto de vista del cliente, las

ventas son las que son y por tanto no podemos, en principio, aspirar a mayores
logros. ¿Pero es esto cierto?
Si en la Tabla 1.1 sustituimos los lotes de producción por las ventas

máximas en ambos productos observaremos que no es posible alcanzar dicho
valor porque algún recurso, en este caso, proceso de fabricación aparece como
restrictivo. (Véase Tabla 1.3)

Jamón Salchichas
Mezcla (Jamón) 5 0 40 40
Mezcla (Salchichas) 0 0.5 10 40
Llenado 8 1 84 40
Cocinado 8 1 84 160
Empaquetado 1 7 148 160
Tabla 1.3: Requerimientos para atender a las ventas máximas.

La restricción de llenado aparece como la más limitativa, es decir, no
podemos cubrir todas las ventas. Por tanto debemos priorizar los productos. Es
decir, atender la demanda de unos productos antes que otros.
El método de la teoría de las limitaciones atiende el criterio de

ordenación de productos según el margen por unidad de factor limitativo. En
nuestro caso, según el margen que por hora de llenado, podemos obtener la
siguiente Tabla 1.4:
Jamón Salchichas
Margen (€/Lote) 90.00 € 15.00 €
Llenado (Horas/Lote) 8 1
Margen por Hora
11.25 € 15.00 €
Llenado
Tabla 1.4: Grado de Interés de los productos

Como podemos observar, ganamos más por hora en la fabricación de
salchichas, de forma que es más interesante atender prioritariamente las ventas
de esos productos. Es decir, fabricar los 20 lotes de salchichas indicados. Así,
empleamos 20 horas de las 40 disponibles en el proceso de llenado.
¿Cuántos lotes de jamón deberemos entonces fabricar? Con las 20 horas

restantes podremos realizar 20/8 = 2,5 lotes de producción, es decir, 2.500 kg.
de jamón.
El resultado final supone un margen total de 525 € para la semana
contemplada, como se observa en la Tabla 1.5.

Lotes Producidos 2.5 20
Jamón Salchichas
Mezcla (Jamón) 5 0 12.5 40
Mezcla (Salchichas) 0 0.5 10 40
Llenado 8 1 40 40
Cocinado 8 1 40 160
Empaquetado 1 7 142.5 160
Tabla 1.5: Plan Óptimo de Producción
Pregunta 1.4
En este punto observe la importancia de la detección del factor escaso. Si el
departamento de marketing deseara cambiar los precios de los productos:
x ¿qué relación de márgenes debería mantenerse para que la solución no
cambiara en términos de ser factor escaso la instalación de llenado?
1.4 Un paso más allá

En estos momentos en la empresa cabe una disyuntiva: ¿Nos interesa
intentar aumentar las ventas posibles de salchichas o bien incrementar la
capacidad productiva de la empresa?.
En el artículo en el que se basa este ejercicio, sus autores, VJ Mabin y J.

Gibson, se decantan por el análisis de la instalación productiva, pero realmente
deberíamos considerar igualmente qué supondría poder vender más cantidad de
salchichas. Fíjese que la perspectiva de esa aplicación de la teoría de las
limitaciones siempre está basada en el proceso interno escaso de la empresa,
siempre con una orientación productiva. Pero puede que el factor escaso esté en
la función de “ventas”.
1. Primera Opción: Incrementar la venta de salchichas.
Si pudiéramos vender un lote adicional de salchichas, es decir, 400 kg.

más, el resultado final sería fabricar 21 lotes de salchichas y 2,375 lotes de
jamón, obteniendo un margen de 528,75€. En definitiva, ganamos 3,75€ por el
lote. Fijémonos que el margen inicial del lote de salchichas es de 15 € pero la
reducción de tiempo en la fabricación de jamón reduce la mejora global hasta
esos 3,75€. ¿Qué coste adicional para la empresa supone conseguir esa venta
adicional?
2. Segunda Opción: Incrementar el tiempo de Llenado.
La empresa se planteaba la necesidad de ampliar su capacidad

productiva. La decisión vendrá dada siempre por la comparación entre los costes
y los ingresos que genera esa decisión, incorporando el momento de tiempo en
el que se producen.
Con la información disponible, en el fondo tenemos la posibilidad de

saber cuanto ganaríamos si pudiéramos acceder a una hora de trabajo de más.
Así, si dispusiéramos de una hora más de trabajo, al no poder vender más
salchichas, la producción sería íntegramente de jamón, y cómo se indica en la
Tabla 1.4, la ganancia por hora si la instalación se dedica a llenar para el jamón,
ganaríamos 11,25€.
Fíjense que este dato es relevante, puesto que nos permite establecer un
precio máximo a la nueva hora de trabajo en esa instalación. Dado que 11,25€
está calculado con un coste por hora de 60€/hora en esa instalación, me
interesará alquilar más horas de trabajo en esa instalación mientras que el coste
por hora no supere las 71,25€.
1.5 El papel de la optimización lineal

A continuación vamos a detallar el resultado que se obtendría de
introducir ese problema en la órbita de la optimización lineal.
Para ello incluimos en la Tabla 1.6 el llamado informe de sensibilidad
que proporciona la macro Solver9 incorporada en la Hoja de Cálculo
Microsoft® Excel 2002.
Microsoft Excel 10.0 Informe de sensibilidad
Celdas cambiantes
Valor Gradiente Coeficiente Aumento Descenso
Celda Nombre Igual reducido objetivo permisible permisible
$C$3 Lotes Producidos Jamón 2.5 0 90 30 90
$D$3 Lotes Producidos Salchichas 20 3.75 15 1E+30 3.75
Restricciones
Valor Sombra Restricción Aumento Descenso
Celda Nombre Igual precio lado derecho permisible permisible
$E$6 Mezcla (Jamón) 12.5 0 40 1E+30 27.5
$E$7 Mezcla (Salchichas) 10 0 40 1E+30 30
$E$8 Llenado 40 11.25 40 44 20
$E$9 Cocinado 40 0 160 1E+30 120
$E$10 Refrigerado 65 0 200 1E+30 135
$E$11 Empaquetado 142.5 0 160 1E+30 17.5
Tabla 1.6: Solución por Optimización Lineal y Solver
En ese Informe hemos destacado dos valores en negrita y tamaño

mayor. ¿Le suenan?.
Cómo puede ver el proceso seguido es en el fondo una optimización

pero la resolución vía optimización lineal nos dará más información que la
indicada inicialmente, como se verá más adelante, y que en esa Tabla 1.6 se
concretan en las columnas de Aumento y Descenso Permisible.
1.6 A modo de conclusión

Hemos terminado el primer capítulo. La teoría de las limitaciones, en su
parte más operativa, nos resuelve un problema donde existe un factor escaso.
Pero a veces la realidad nos enfrenta a más de una limitación. Y es ahí donde la
optimización lineal se abre paso. La Tabla 1.6 nos ofrece en menor tiempo y con
la garantía matemática de haber obtenido el mejor resultado posible con los
9 Para una actualización de la macro Solver, acudir a www.solver.com.

datos proporcionados. El resto de la teoría de las limitaciones empezaría a partir
de esa Tabla.
El siguiente capítulo presenta un paso intermedio: la resolución gráfica

para problemas con sólo dos decisiones a tomar pero con la posibilidad de
manejar varios factores limitativos. Dentro de este paseo, por tanto, pasamos del
camino vecinal, tranquilo, unidireccional, a una senda municipal, todavía no
muy transitada pero ya con dos carriles diferenciados.
A continuación y para finalizar el capítulo le proponemos un ejercicio

de reflexión y un sencillo caso práctico de repaso de los contenidos vistos.
Ejercicio 1.1
Un consultor que está aplicando la TOC en su empresa ha realizado un
ejemplo con los datos que se exponen a continuación. Su respuesta ha sido
que la solución es producir 60 unidades del producto U.
¿Cuál es su opinión al respecto?
En el mismo informe ha incluido el siguiente comentario: “However, since
the maximum demand cannot be met because of limitations, a conventional
analysis would indicate that U is definitely the preferred product – its
contribution of 1.50€ per labour minute (45€/30 minutes) out-strips Product
T’s 1.17€per minute (35€/30 minutes).” ¿Cómo cree que ha podido llegar a
ese comentario? ¿Está de acuerdo con la consultora en qué dicho
razonamiento es erróneo?
Datos ofrecidos por la empresa.
Unidades Disponibles de
Consumo Unitario de Recursos Producto T Producto U
Recursos
Instalación A (minutos) 10 2400
Instalación B (minutos) 20 10 2400
Instalación C (minutos) 5 2400
Instalación D (minutos) 15 2400
Materia Prima nº 2 (unidades) 1 2 120
Producto T Producto U
Precio Venta Unitario 60 65
Coste Unitario de Aprovisionamiento

25 20
de Materias Primas
Límite de Demanda Semanal 100 80

CASO PRÁCTICO 1.110
La pequeña empresa familiar FAMESA fabrica y vende dos productos

X y Y dentro del sector de objetos de turismo local. Para el próximo trimestre
prevé los datos recogidos en la Tabla 1.7 referidos a niveles de venta, coste
variable de material y consumos unitarios.
X Y X Y
Consumo Unitario de
Volumen de Ventas
8.600 5.600 Material por Unidad de 4,00 3,50
(Unidades)
Producto Final
Tiempo Unitario de
Precio Unitario Venta (€) 38 34
Proceso (horas/unidad)
Departamento 1 1,00 0,25
Coste Unitario Compra del
4 Departamento 2 0,25 1,00
Material (€)
Tabla 1.7: Datos de la empresa Famesa

Finalmente, podemos indicar que en cada departamento se puede
trabajar un máximo de 10.000 horas anuales con un coste de 80.000 € en el
Departamento 1 y de 120.000 € en el Departamento 2.
Con esos datos se pide:
x Calcule el margen bruto por unidad de producto X e Y.
x Compruebe que el plan óptimo previsto de producción supone agotar todas

las horas del departamento 1, vendiéndose todas las unidades.
x ¿Qué efecto tendría poder vender 1 unidad más del producto X?
10Este supuesto práctico está basado en el artículo “A Linear Programming

Framework for Flexible Budgeting and Its Application to Classroom Teaching” por
Massood Yahya-Zadeh, publicado en Issues in Accounting Education Vol. 17, No. 1,
February 2002, pp. 69 – 94.
CASO PRÁCTICO 1.1 (PREGUNTA EXTRA)
Suponga que la contabilidad de finalización del periodo nos da los siguientes

datos reales:
Real
Real X Y
Consumo Unitario
X Y 4,10 3,50
de Material
Tiempo Unitario de
Volumen de Ventas 7.029 7.171
Proceso
Precio Unitario (€) 36,00 35,00 Departamento 1 0,80 0,20
Coste Unitario de
3,90 3,90 Departamento 2 0,28 1,12
Material (€)
Tabla 1.8: Datos Reales de la empresa Famesa

Además se han trabajado efectivamente 10.000 horas en el
Departamento 2 a un coste total de 125.000 € mientras que en el Departamento
2 se han trabajado 7.057 horas a un coste total de 78.000 €. ¿Considera que se
ha trabajado el mejor plan de producción posible dadas las nuevas condiciones
del problema?
Suponga que debe realizar un análisis de desviación entre lo previsto y

lo real. ¿Qué conclusiones apuntaría en esa comparación?
2 UNA VISIÓN GRÁFICA
x Identificar los elementos de un programa lineal
x Identificar las fases para construir un modelo.
x Identificar toda la información que se puede extraer de un modelo de

programación lineal.
Para el final del capítulo, el lector deberá ser capaz de:
x Construir un modelo sencillo de optimización lineal.
x Extraer información de gestión de un modelo de optimización lineal.
2.1 Introducción
El capítulo anterior nos mostraba cómo la optimización valía para
explicar una teoría muy conocida en gestión. Pero nos empujaba a plantearnos
una pregunta - ¿qué hacemos cuando tenemos dos recursos escasos? La
matemática nos sale al paso.
Las siguientes páginas tratan de revisar el procedimiento de

optimización y modelado al mismo tiempo para así unir los problemas de la
modelización a la resolución y proporcionar un tránsito agradable por el árido
mundo de las matemáticas.
De esta manera el capítulo comienza justificando el uso de expresiones
lineales en los modelos para después resolver gráficamente un problema con dos
recursos escasos.
La aproximación gráfica permitirá ampliar el horizonte de los

problemas a tratar y será el último apartado antes de la utilización de la Macro
Solver para nuestros propósitos.
2.2 Razones para la linealidad

La modelización y el uso de herramientas matemáticas siempre han sido
objeto de controversia: frente a una oposición (puesto que la realidad siempre es
más compleja) se ha situado una especie de fe ciega en que el modelo pueda
permitir obtener un resultado óptimo.
Afortunadamente siempre estaremos en un terreno intermedio. Este

capítulo pretende introducir al lector las ventajas que una modelización
mediante optimización lineal puede ofrecer. De hecho, dentro del amplio campo
nos centramos en la optimización lineal por varios motivos:
x Es la base de otros procedimientos más complicados.
x Es la que mayor base de aplicaciones informáticas puede ofrecer.
x Es la más fácil de entender y la que proporciona mayor información.
x Es la más fácil de corregir y adaptar a situaciones cambiantes.
Las limitaciones sobre la continuidad de las decisiones a tomar (no es

posible ejecutar medio proyecto), sobre la linealidad de los datos numéricos
empleados (por ejemplo, los descuentos en precios de compra unitario por
volumen de compra) son comparativamente menos importantes que las ventajas
anteriormente expuestas.
Como podemos observar, y ya lo dijimos en la introducción al libro,

queremos que la técnica se entienda de un modo claro e intuitivo. Dejamos fuera
del capítulo toda expresión matemática “dura” de justificación. El método
básico de resolución se explica en el Anexo I y remitimos allí al lector que desee
una justificación rigurosa del método.
UNA VISIÓN GRÁFICA 37
El capítulo va construyendo el camino hacia la obtención de un modelo
de programación matemática y se une a su resolución. La regla de oro en estos
casos es siempre la práctica. Por otro lado, todo proyecto de aprendizaje
necesita de pequeñas recompensas que motiven, hemos unido en este capítulo
los pasos para modelar con la forma de resolución de un modelo sencillo.
Thinking Case 2.1
An ERP system is a powerful tool for planning the operations of a company.

Read carefully the following text and prepare a brief summary explaining the
role of optimization tools in this context.
http://www.sapinfo.net/resources/RFILE151603c685a08affde.pdf
2.3 Construyendo un modelo

Las fases más importantes para toda aplicación de una técnica de
investigación operativa son las siguientes:
x Planteamiento
Objetivos para toda la organización, restricciones, interrelaciones, tiempo
para tomar la decisión, etc.
x Construcción de un modelo:
Cuidado con las simplificaciones innecesarias
x Prueba del modelo

El modelo debe reflejar la situación real inicial de partida para después
buscar la mejor solución
x Obtención de una solución:

Planteamiento de los diversos escenarios posibles
x Establecimiento de controles sobre la solución
x Puesta en práctica de la solución.
Así, en el planteamiento y construcción del modelo debemos definir las

variables de decisión, restricciones a las que están sometidas y el objetivo a
lograr. En el siguiente esquema tenemos un proceso básico de trabajo.
En pocas palabras, la construcción del modelo supone ir respondiendo a
las siguientes preguntas en un modo que puede parecer secuencial pero que
muchas veces es un procedimiento en paralelo, puesto que la respuesta a una de
las preguntas influye en la respuesta a otra pregunta.
Thinking Case 2.2

We mentioned the following page in the introduction of the book.
http://www.uk.capgemini.com/services/consulting/or/demos/d019.pdf/
x Which problems may you face on developing a linear programming
model for the described problem?.
2.3.1 ¿Cuántas variables?

Las variables son aquellos elementos que recogen la decisión que
vamos a tomar. ¿Cuántas unidades producir? ¿Atender un proyecto de inversión
o no? ¿Localizar una planta productiva en un punto o en otro? ¿Asignar la clase
de primera hora de los lunes a una determinada asignatura?.
La clave reside en que la variable “efectivamente debe ser relevante a la

decisión”. En muchos casos, el horizonte de planificación califica esta situación.
Por ejemplo, la decisión de incrementar la capacidad productiva puede ser
variable en el medio plazo, pero en una planificación semanal es muy probable
que esta decisión no se pueda plantear.
En modelos de variables continuas no resulta un número crítico, pero sí

puede dificultar la interpretación de los resultados; en el caso de variables
enteras y/o bivalentes, el problema resulta importante, puesto que fácilmente
podremos llegar a utilizar la capacidad máxima de cálculo del programa que
estemos manejando.
Ejercicio 2.1
Una empresa que atiende un servicio de asistencia médica rápida por
teléfono está tratando de ajustar su plantilla, puesto que se trata de un
servicio gratuito pero que sin que se perjudique el servicio. Cada empleado
debe trabajar 7 horas al día pero nunca más de 3 horas continuadas.
x ¿Cuál sería la variable a manejar?
x ¿Qué datos necesitaría para definir cuántas variables a manejar?.
2.3.2 ¿Cuántas restricciones?
Resulta el número especialmente crítico en todos los modelos: un
número excesivo puede conllevar soluciones imposibles; en algunos casos
resulta más interesante no incluirlos o bien incluirlas pero con límites que no
supongan restricciones.
Thinking Case 2.3

A very interesting article on general rules for building a model was
published by Michael Pidd, in 1999. The article is “Just modeling through: a
rough guide to modeling in OR” published in Interfaces, vol 29(2), pp 118-
132 that can be accessed free in the following web page: http://leeds-
faculty.colorado.edu/Lawrence/mbap6100/Articles/Modeling.pdf
Which are the steps suggested by the author to build a model?
Ejercicio 2.2
Suponga una empresa que ensambla las piezas de un juguete desmontable
para niños de 2 años. Se trata de un robot que consta de dos brazos, dos
piernas, un tronco y una cabeza como elementos desmontables. Se venden
piezas sueltas y productos completos.
Es un producto barato de demanda bastante estable aunque se dispara todos
los fines de mes.
Suponiendo que debiera plantear un problema de planificación de
producción:
x ¿Qué tipos de restricciones manejaría?
x ¿Qué horizonte de planificación emplearía?
2.3.3 ¿Qué unidades de medida?

El uso de coeficientes muy distintos puede llevar a problemas en la
resolución, puesto, que todos los métodos implican inversiones de matrices, de
modo que pueden surgir problemas de estabilidad en la solución11.
11 Recomiendo al lector que lea el artículo “The Supply Chain Complexity

Triangle: Uncertainty Generation in the Supply Chain”, por Richard Wilding (1998),
publicado en International Journal of Physical Distribution and Logistics Management,
MCB University Press, Vol 28, No.8, pp 599-616, 1998, que puede descargarse en
Ejercicio 2.3
Una pequeña tienda de ferretería ha aumentado su tamaño con la adquisición
de una lonja vecina a la que dará un uso de almacén. Así ha construido todo
un sistema de almacenaje en carruseles horizontales, donde cada una de las
ubicaciones tiene una capacidad de 10 cm. de alto, 30 cm. de largo y 20 cm.
de ancho. Desearía colocar todo el inventario de sus referencias en cada una
de las 250 ubicaciones disponibles.
Las variables a manejar son las unidades de cada producto a asignar en cada
ubicación posible.
x ¿Qué unidades debería utilizar? Piense en los tipos de productos que
puede encontrar en una ferretería.
2.3.4 ¿Cuántas funciones objetivo?

Normalmente los problemas de optimización tienen una única función a
optimizar, pero existen casos, como la programación por metas, la programación
multicriterio, etc. en los que se manejan diversas funciones objetivos. En estos
casos, muchas veces no se alcanza un óptimo sino una solución de compromiso.
Ejercicio 2.4
Una empresa desea cubrir con red óptica propia las conexiones entre las 15
plantas productoras distribuidas por la península para poder instalar un
programa de control de producción y de distribución que permita planificar
conjuntamente el proceso de producción y de distribución. Desea por tanto
saber cómo unir las 15 plantas en una red de longitud mínima.
x ¿Considera que éste debería ser el único objetivo a cubrir?
En todo caso, un elemento importante es el software disponible que

condiciona las dimensiones del problema a resolver.
http://www.richardwilding.info/downloads/assets/ComplexityTriangle.pdf y replique el
ejercicio que aparece en la página numerada como 613.
Ejercicio 2.5
En la página Web siguiente puede encontrar un modelo real que responde al
Ejercicio 2.1.
http://www.rostima.com/Resources/WhitePapers/Scheduling%20in%20different%2
0industries.pdf
x ¿Había considerado todas las restricciones que aquí se comentan?
x ¿Qué conclusiones sobre la construcción de un modelo puede extraer de
este artículo?
2.4 El ejemplo a utilizar

Una empresa produce y vende dos productos distintos “A” y “B”.12
La producción se realiza en una instalación que trabaja ocho horas

diarias. En ella cada mil unidades de producto “A” o “B” requiere tres horas de
tiempo para su elaboración. El coste variable de transformación es de 5000 €
por hora de funcionamiento de la instalación.
La fabricación de ambos productos requiere la utilización de una

materia prima que es suministrada por un proveedor a razón de siete mil
unidades de materia prima por día. El producto “A” incorpora dos unidades de
materia prima por unidad de producto acabado mientras que el “B” incorpora
tres unidades. El coste de cada unidad de materia prima asciende a 3 €.
Las unidades que se producen cada día son vendidas inmediatamente no

pudiendo ser almacenadas. Tanto del producto “A” como del producto B las
ventas no pueden ser superiores a dos mil unidades por día. El precio unitario de
venta del producto “A” es 26 € y el de “B” 30.
Los costes fijos diarios de la empresa son de trece mil euros diarios.
¿Cuál es el programa de producción óptimo?.
12 El presente ejemplo está tomado de un libro clásico sobre optimización

lineal: “Integer Programming” (1972), R. S. Garfinkel y G.L.Nemhauser, Ed. John
Wiley.
2.5 Cálculos Preliminares

En la Tabla 2.1 detallamos los cálculos de costes variables de cada producto
para así obtener los márgenes brutos unitarios de cada producto que se detallan
en la Tabla 2.2.
Coste
Materia
Producto Transformación Variable
Prima
Unitario
Prod.“A” 3*5 = 15 2*3 = 6 21
Prod.“B” 3*5 = 15 3*3 = 9 24
Tabla 2.1: Costes Variables Unitarios (€/Unidad)
Precio de Coste Margen

Producto Venta Variable Bruto
Unitario Unitario Unitario
Prod.“A” 26 21 5
Prod.“B” 30 24 6
Tabla 2.2: Márgenes Brutos Unitarios (€/Unidad)
Ejercicio 2.6
Antes de seguir adelante:
x ¿Cuáles cree que deberían ser las unidades de medida a manejar en este
problema: unidades, cientos o miles de unidades?
x ¿Qué impacto tiene en los coeficientes obtenidos?
2.6 Pasos a seguir para la obtención del

modelo
2.6.1 Determinación de las variables de decisión
Son los factores sujetos a cambio, cuyos valores pueden cambiar o al
menos variar dentro de unos límites.
Normalmente los representamos mediante la notación “xj” siendo j un

subíndice numérico o alfanumérico. Así, en nuestro caso tenemos que:
x xA = Miles de unidades diarias producidas y vendidas del Pdto.“A”
x xB = Miles de unidades diarias producidas y vendidas del Pdto. “B”
Como podemos observar hemos optado por manejar la variable en

“miles de unidades” para que los coeficientes de las restricciones sean
manejables puesto que los tiempos de producción vienen dados en esas
unidades.
Ejercicio 2.7
Se desea dejar 500 unidades del producto A almacenadas permanentemente.
x ¿Cuál sería la definición de las variables?
Ejercicio 2.8
En el caso del modelo que aparece en la práctica Thinking Case 2.2:
x ¿Cuál sería la notación matemática de las variables que usted emplearía?
2.6.2 Determinación de las restricciones

Son las limitaciones expresadas como ecuaciones o inecuaciones
lineales en las variables de decisión. En nuestro caso tenemos varias
restricciones:
x horas de funcionamiento de la instalación
x unidades de materia prima disponibles (en miles)

x límite máximo de ventas para el producto A (en miles de unidades)
x límite máximo de ventas para el producto B (en miles de unidades)
x las distintas variables de decisión no pueden tomar valores negativos.
Ejercicio 2.9
En general, las variables de decisión se refieren a cantidades positivas. ¿Se le

ocurre algún caso en el que una variable pueda tomar tanto valores positivos
como negativos?
2.6.3 Determinación de la función objetivo

Es la expresión lineal de las variables de decisión que recoge el objetivo
a maximizar/minimizar. En nuestro caso es el margen bruto total obtenido
diariamente. De esta forma el planteamiento quedaría como sigue
Max Margen Bruto = 5 xA + 6 xB (miles de euros.)
3 xA + 3 xB d 8 (horas de funcionamiento de la instalación)
2 xA + 3 xB d 7 (miles) unidades de materia prima disponibles)
xA d2 (miles) unidades vendidas de producto “A”)
xB d 2 (miles) unidades vendidas de producto “B”)
xA t 0 x B t 0
2.7 Resolución Gráfica

Atendiendo a la resolución gráfica de las páginas siguientes observamos
cómo conseguir la solución:
Representamos en el Gráfico 2.1 las restricciones y así observamos un
polígono cerrado (zona sombreada) que recoge el conjunto de combinaciones
posibles de producción. Cualquier punto de esa zona cumple todas las
restricciones: es decir, tenemos horas de producción y materia prima suficiente
y no sobrepasamos el límite de ventas. En cualquier otra zona nos encontramos
con alguna limitación.
Por ejemplo, la posibilidad de fabricar 2 (miles de) unidades de ambos
productos XA, XB, no pertenece a la zona rayada, porque, aunque si cumpla la
restricción de ventas, no tenemos ni materia prima ni horas de fabricación
suficientes para esa combinación.
Una vez delimitado el conjunto de soluciones posibles, nos falta
representar el beneficio total. Gráficamente supone representar sucesivas rectas
que nos darán las combinaciones de productos XA, XB que nos proporcionan
diferentes valores de Beneficio Total. En general, al criterio optimizador
empleado se le denomina “la función objetivo o Z”.
Conjunto de Soluciones Posibles
3,5
Instalación
3 Materia Prima
Ventas A
2,5 Ventas B
Producto B
1,5
0,5
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 2.1: Conjunto de Soluciones Posibles

Así, en el Gráfico 2.2, a medida que aumentamos el valor de Z, la recta
que lo representa se va alejando del centro de coordenadas. Si buscamos
maximizar Z alejaremos lo más posible la recta del centro de coordenadas hasta
el límite que nos ofrece ese conjunto de soluciones posibles.
Los puntos de la recta que representan combinaciones posibles aparecen

en tramo discontinuo. Por ello, para un valor de Z = 12, toda la recta aparece en
tramo discontinuo, porque es posible llegar a ese beneficio con los recursos y
limitaciones planteadas. En cambio, no es posible alcanzar un Beneficio bruto
de Z = 18 (miles €).
Así, el máximo valor del beneficio bruto que podemos alcanzar es de

15. En este caso, la recta del beneficio sólo tiene un punto en trazo discontinuo,
que se corresponde con un vértice del polígono rayado. Y que es el óptimo,
como incluimos en el Gráfico 2.3.
Optimo del Problema
3,5
Margen Bruto = 18 Instalación
3 Materia Prima
Ventas A
2,5 Ventas B
Producto B
2
Margen Bruto = 15
1,5
Margen Bruto = 12
1
0,5
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 2.2: En búsqueda del punto óptimo

Es importante indicar, que al reflejar la solución óptima debemos
indicar todos los aspectos relevantes de dicha solución, es decir, no sólo los
valores óptimos, sino los consumos de recursos y los compromisos en las
diferentes áreas de actividad que se ven afectadas por nuestra decisión.
En consecuencia el óptimo es:
Z = 15 (miles) € XA = 1000 unidades XB = 1666 unidades
Por tanto vamos a fijarnos en la solución al problema (Tabla 2.3):

x Fabricamos 1 de XA (es decir, 1000 unidades) y 1,666 de XB (1666,6
unidades)
x Empleamos todas las horas de fabricación disponibles.
x Empleamos todas las unidades de materia prima suministradas.
x No agotamos toda la capacidad de venta.
Optimo del Problema
3,5
Instalación
3 Materia Prima
Ventas A
2,5 Ventas B
Producto B
2
Margen Bruto = 15
1,5 Plan de Producción:
1000 unidades de A
1666,6 unidades de B
1
0,5
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 2.3: Óptimo final

Esta Tabla 2.3 detalla por tanto el contenido de nuestros compromisos:
así, fabricamos ambos productos, agotando las horas de instalación y las
materias primas, aunque no alcanzamos el límite máximo de ventas.
¿Cuál es nuestro factor escaso? Vemos que son tanto las horas de
instalación como la materia prima, porque nos imposibilita vender más. A la
pregunta de ¿qué me interesa más: contratar más horas en la instalación o
realizar un pedido adicional? podremos contestar más adelante.
Unidades Unidades Total Total Total

Consumidas Consumidas Unidades Unidades Unidades
por XA por XB Disponibles Consumidas no
Utilizadas
Fabricación 3 horas 5 horas 8 horas 8 horas 0
Mat. Prima 2.000 5.000 7.000 7.000 0
Ventas XA 1.000 2.000 1.000 1.000
Ventas XB 1.666 2.000 1.666 333
Tabla 2.3: Resumen Óptimo Inicial

El lector puede encontrar “extraño” el resultado en el sentido de que la
producción del producto B son realmente 1666,6666 unidades. ¿Por qué
obtenemos este resultado? ¿Qué condición no hemos incluido en el problema?
¿Cuál sería la solución si hubiéramos incluido tal condición?.
Lógicamente no hemos incluido la condición de variables enteras puesto

que ello invalidaría esta forma de resolución. El lector puede probar todas las
posibles combinaciones enteras de las dos variables que cumplen todas las
condiciones y obtener la combinación de mayor margen. Esta aproximación, de
enumeración de todas las soluciones enteras, aunque poco eficiente, es válida.
En este caso, la solución entera sería producir exclusivamente el producto B.
2.8 Otros Tipos de Soluciones

Veamos otros tipos de soluciones que podemos encontrarnos al resolver
un modelo. Son respuestas inaceptables desde el punto de vista de gestión pero
en el mundo estrictamente matemático son totalmente posibles.
2.8.1 Solución múltiple

La solución múltiple hace referencia a la existencia de varias soluciones
que nos dan el mismo valor óptimo de la función objetivo. Es decir, que existen
diversas soluciones que cumpliendo las restricciones, nos dan el mejor valor del
objetivo propuesto.
Gráficamente, para el caso de dos variables, hace referencia al hecho de

que la función objetivo sea paralela a alguna de las restricciones limitativas, lo
que supone que al maximizar no habrá un único punto óptimo, sino que será un
conjunto de ellos. De este modo, el gestor deberá optar por la solución que
mejor considere.
Supongamos que en nuestro ejemplo, el margen del producto XA es
realmente de 6 € porque su precio de venta pasa de 26 € a 27 €. Por tanto, su
coeficiente en la función objetivo será de 6. Ell nuevo óptimo es el Gráfico 2.4.
Vemos que la recta que representa la función objetivo, el margen bruto,
en su máximo valor, no presenta un sólo punto en trazo discontinuo, sino que
tiene una familia de puntos, que vienen delimitados por dos vértices. En este
caso, tenemos diversas soluciones que nos dan el mismo valor de la función
objetivo, es decir, del margen bruto. ¿Cuál debemos escoger? El gestor puede
optar. Por ejemplo, si lo que desea es agotar el suministro del proveedor, puesto
que considera que en el futuro el proveedor le situará dentro de sus clientes
favoritos y por tanto, podrá acceder a descuentos, optará por la solución
indicada en el gráfico por el punto A.
Si, en cambio, le preocupa que todos los clientes a los que vende el
producto XA queden atendidos, de forma que en el futuro le consideren como un
proveedor estratégico, optará por el punto B.
Tengamos en cuenta, que estas últimas consideraciones en el fondo son
nuevas formulaciones de las restricciones que hemos contemplado. Si vamos al
punto A, en el fondo, nuestra limitación de materias primas pasa a ser una
exigencia de consumo de todas las unidades, con lo que la restricción pasaría a
ser una igualdad. Con el mismo razonamiento llegaríamos al punto B.
Optimo del Problema tras cambiar

el precio de venta del producto A
3,5
Instalación
3 Materia Prima
Ventas A
2,5 Ventas B
Margen Bruto Antiguo = 16
Producto B
2 Plan de Producción:
1000 unidades de A
1,5 A
Margen Bruto Nuevo = 16
2000 unidades de A
666,6 unidades de B
0,5 B
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 2.4: Solución Múltiple

2.8.2 Solución ilimitada
Esta solución aparece cuando podemos mejorar el logro del objetivo
tanto como queramos. Así, en el ejemplo supondría que podemos incrementar el
margen tanto como quisiéramos.
Si el lector quiere comprobarlo, suponga que las restricciones

limitativas sobre horas de instalación y materias primas pasan a ser del tipo
siguiente: es necesario cubrir como mínimo esas horas en la instalación y el
proveedor, exige para atendernos, un pedido mínimo de esas unidades de
Materia Prima. Además las dos mil unidades del producto A son un pedido
mínimo.
En este caso, la zona rayada que representaría las posibles

combinaciones de soluciones que cumplen las restricciones sería una zona no
cerrada, no formaría un polígono cerrado. Y al incluir la recta de la función
objetivo, podríamos alejarla del origen todo lo que quisiéramos, incrementando
el beneficio infinitamente.
Una solución de este tipo puede venir por una mala definición de las
restricciones o por la falta de alguna de ellas. Si de todos modos el modelo
estuviera correctamente planteado, el gestor podría optar por el punto más
conveniente.
2.8.3 Problema irrealizable.

Un problema irrealizable aparece cuando el conjunto de soluciones
posibles es un conjunto vacío, es decir, no existe ningún punto que cumpla todas
las restricciones simultáneamente. Es decir no hay forma de cumplir todas las
restricciones del modelo.
No es necesario incluir ningún gráfico. Por ej. supóngase que en este

ejemplo se establece una producción mínima de xA de 4.000 unidades. El
problema no tendría solución puesto que la capacidad de la instalación no
permite producir ese volumen de unidades.
En la práctica supondrá un nuevo planteamiento del problema para

analizar las causas de esta inexistencia de solución.

La optimización lineal es matemática. Aunque el capítulo 1 ha
presentado los conceptos básicos en formato más narrado, este capítulo 2 nos
ofrece una visión gráfica. En el fondo, este capítulo es una excusa para poder
resolver el problema de la empresa del capítulo 1 y despertarnos hacia la
curiosidad de nuevas preguntas.
La primera parte del capítulo la hemos dedicado a una suave reflexión

sobre el mundo del modelado de programas. Piense en él y trate de pensar en
esos términos. Construir un modelo es ante todo ordenar información
disponible, limpiarla y llegar a un consenso sobre dicha información. Aquí
tenemos un primer éxito. Recuerde esto a medida que el proceso se complique y
lleguemos al capítulo 6.
Ejercicio 2.10
Tenemos en el almacén 10.000 bolas decorativas de campañas navideñas

anteriores, que deseamos tratar de vender en paquetes de 800 y 900 bolas
respectivamente. La caja de 800 bolas es más barata y se trata de una caja de
cartón ligeramente decorada. Cada caja se vendería a un precio de 35,6 €/caja.
La caja de 900 bolas necesita de un cartón más grueso y además está envuelta
en papel con temas también navideños con una pequeña ventana de papel
transparente para ver el contenido interior. Esta caja se venderá a un precio
más alto, concretamente 40 €/caja.
Se desea conocer el plan de ventas óptimo para la empresa, si suponemos que

no es necesario emplear la totalidad de las 10.000 bolas. No es posible vender
medias cajas.
CASE STUDY 2.113
Jolas Corp. manufactures tables and chairs from wooden blocks (Figure
1). A table can be assembled from two large blocks (grey) and two small ones
(green). Assembly of a chair requires one large and two small blocks, as shown
in that Figure 1:
13 This is a well known exercise based on Lego of My Simplex, article

published by Norman Pendengraft, 1997, Vol 24, nº2 in OR/MS Today, which can be
accessed in http://lionhrtpub.com/orms/orms-2-97/legomysimplex.html.
Raw Materials
Finished Goods
A Table A Chair
Figure 1: the assembly proccess: from Raw Materials to Final Product

The marginal contribution to profit for each table sold is 16€ while that
of chairs is 10€ a piece. Assume that demand for Jolas’s wooden products is
unlimited. Jolas Corp. has six large and eight small blocks in stock for the
upcoming production run.
Please, answer the following two questions:
x What is the product mix (i.e., the number of tables and chairs to be
produced) for the upcoming production run that maximises that total
contribution to profit?
x What would the result if you can get an extra large block? (Hint: This
question will drive you to the next chapter).
CASO PRÁCTICO 2.1
Una pequeña cooperativa dedicada a la producción y venta de productos

ecológicos está analizando el proceso de recogida en los invernaderos y
envasado de sus productos.
Así, ha dividido sus productos en Calidad Extra y Superior, en función

de diversos estándares de calidad. Tras una toma de tiempos ha recogido la
siguiente información:
x Una unidad de categoría extra aporta un margen de 0,48€ mientras que una
unidad de calidad superior sólo aporta 0,25€.
x En general por cada unidad de Categoría Extra se venden como mínimo 3

unidades de Calidad Superior.
x Se necesita una hora para recoger 50 unidades de Calidad Extra mientras

que se recogen 100 unidades de Calidad Superior por hora.
x Se envasan 50 unidades de Calidad Extra por hora mientras que se envasan
80 unidades/hora de Calidad Superior
Como es previsible, los productos de calidad inferior requieren menor

tiempo de recogida y de envasado. Se disponen de 130 horas de recogida y 144
horas de envasado. Esta diferencia de horas se refiere a que se ha considerado
exclusivamente el tiempo útil y así, el proceso de recogida requiere unos
tiempos de limpieza de las instalaciones bastante importantes.
Tras la recogida al pasar a la instalación de envasado, se rompe un 5%

de las unidades recogidas en el caso de los productos de Calidad Superior
mientras que en el caso de Calidad Extra este porcentaje es de un 2 %.
x ¿Cuál es el plan de ventas que hace máximo el Margen?
x ¿Cuántos productos se recogen? ¿Cuántos se venden?
CASO PRÁCTICO 2.2
La empresa PTC fabrica y vende dos productos. Se emplean 2 horas en

producir una unidad del producto A mientras que se necesitan 3 horas para el
producto B. La empresa puede trabajar hasta 40 horas a la semana, aunque por
normas laborales necesita trabajar como mínimo 30 horas a la semana.
Por otro lado, el almacén está bastante lleno con las materias primas
utilizadas, de forma que para esos productos se dispone sólo de 300 m3 de
espacio disponible. Una unidad del producto A ocupa 12m3 y una unidad del
producto B ocupa 16m3. Finalmente, se desea que la producción de A se sitúe en
el entorno del ± 10% de la producción de B por arriba o por abajo. Es decir, que
si la producción de B es de 100 unidades, la producción de A debe situarse entre
90 y 110.
Desde el departamento de contabilidad nos informan que el coste

unitario de producción de cada producto es de 5€/unidad y 6€/unidad
respectivamente. G
El director administrativo financiero nos dice que los costes de

producción totales no pueden superar los 115 €.
La empresa fija sus precios de venta de forma que el margen unitario

sobre coste de producción es el mismo, para todos los productos. En este caso,
el 10%. Obtenga el plan de producción óptimo de la empresa.
3 SENSIBILIDAD:
MÁS ALLÁ DEL ÓPTIMO
x Analizar la sensibilidad de la solución de un problema.
x Aplicar una forma de valoración interna de recursos”.

x Avanzar más allá del óptimo, analizando la sensibilidad de la solución

frente a cambios:
x En las disponibilidades de recursos.

x En los márgenes de los productos.
x En los consumos unitarios de recursos.
x Relacionar sensibilidad con incertidumbre.
3.1 Introducción
En la vida real, normalmente las condiciones iniciales del problema no
permanecen inalterables, ni siquiera en el corto plazo. Muchas veces, tras
establecer un plan, nos preguntaremos ¿cómo nos afectará un aumento de las
horas disponibles en las instalaciones?, o bien, si ofrecemos un descuento
promocional que afecte al margen unitario de un producto, ¿posibilitará
incrementar nuestra participación en el mercado?.
Desde otro punto de vista, ¿cuál es la fiabilidad de la información que
manejamos? ¿Cuántas veces ha recibido datos precedidos por expresiones tales
como “aproximadamente”, “en el entorno”, “alrededor de”, “podemos estimar
en”, “estamos hablando de unos”,… ? ¿No estamos igualmente hartos de oír
sobre entornos turbulentos y cambiantes?
Ante esta situación, ¿qué tiempo de vida tiene nuestro óptimo?.

Ciertamente se podría pensar en volver a resolver el problema con los datos
proporcionados por la nueva situación, pero esta tarea puede resultar bastante
farragosa. ¿No podemos, entonces, aprovechar la información obtenida en el
óptimo inicial para lograr el nuevo óptimo con las nuevas condiciones?.
La técnica del Simplex, que luego se explica en el Anexo II, permite

aprovechar la información obtenida al resolver el problema inicial, para conocer
cual sería el óptimo si alguna condición variara. De hecho, esta técnica permite
conocer cual es el intervalo de variación de las condiciones iniciales del
problema, dentro del cual no cambian el óptimo, es decir, no cambian nuestros
compromisos de fabricación en cuanto a qué productos vamos a fabricar, qué
instalaciones se emplearán a máximo rendimiento, ventas, etc.
En este capítulo seguiremos utilizando el ejemplo del capítulo 2. Vamos

a calcular el intervalo dentro del cual siguen siendo restrictivos las horas de
instalación y el consumo de materia prima. Estos resultados son la materia
prima para cuestiones del tipo “what-if?” que puedan surgir tras la lectura del
óptimo.
3.2 Cambio en las disponibilidades de los

recursos
Supongamos un cambio en las horas de trabajo disponibles. Como se ve
en el Gráfico 3.1 un cambio en el límite de esa restricción supone desplazar la
recta que lo representa paralelamente, alejándose o acercándose al centro de
coordenadas según aumente o disminuye dicho límite.
¿Cuál es el intervalo de variación? Debe ser el intervalo de variación,

dentro del cual, seguimos manteniendo nuestros compromisos, a saber:
x la fabricación de ambos productos, xA, xB
x el consumo de todas las horas en la instalación de producción

SENSIBILIDAD: MÁS ALLÁ DEL ÓPTIMO 57
x el empleo de todo el suministro de materia prima
x y, finalmente, no agotamos todas nuestras posibilidades de ventas de ambos

productos.
Para ello, vamos a ir desplazando la recta que refleja el consumo de

horas en la instalación, aumentando o disminuyendo esa disponibilidad inicial
de 8 horas. Lo vemos en dicho Gráfico 3.1.
x Si vamos aumentando el nº de horas disponibles, la recta se desplaza hacia

arriba, y el óptimo del problema se va desplazando a lo largo de la recta que
representa el consumo de horas de instalación. Es decir, se va desplazando,
desde el óptimo inicial en el punto A hacia el punto B.
En todo ese trayecto, nuestros factores escasos siguen siendo los

mismos (fabricación y materias primas), pero más allá de él, la limitación de
ventas del producto A o de materia prima disponible, impide poder trabajar por
más tiempo en la instalación.
Es decir, por encima de dicho punto, las horas disponibles en la

instalación sería un factor del que no consumiríamos todas las unidades
disponibles, puesto que no podemos vender más de 2.000 unidades de producto
A. En cualquier caso, seguiría manteniéndose como restrictiva la limitación del
suministro de materias primas.
x Si optamos por descender del valor actual de 8 horas, el óptimo se desplaza

por la recta que refleja la limitación de materias primas, hasta el punto C.
Fijémonos que durante todo este trayecto, hemos agotado todas las horas
disponibles en la instalación.
Pero a partir del punto C, como tenemos una limitación de ventas del
producto B, aunque disponemos de materia prima, no podemos vender lo que
fabricamos, por lo que comienza a aparecer materia prima no utilizada. Es decir,
a partir del punto C, no aprovechamos al máximo el suministro diario de materia
prima y, en cambio, la imposibilidad de vender más de 2.000 unidades del
producto B pasa a ser un factor decisivo, que marca la producción.
Análisis de Sensibilidad de la Solución

ante variaciones de las horas disponibles
3,5
Margen Bruto = 14,5 Instalación
Plan de Producción
3 Materia Prima
500 unidades de A
2000 unidades de B Ventas A
Horas Trabajadas = 7,5h
2,5 Ventas B
Producto B
C 1000 unidades de A
1,5 A
Margen Bruto = 16
B 2000 unidades de A
1000 unidades de B
0,5 Horas Trabajadas 9 h
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 3.1: Sensibilidad: Límites de las restricciones

En ese Gráfico 3.1 recogemos, los puntos límite de este intervalo, que se
corresponden con una disponibilidad de 9 y 7,5 horas en la instalación.
Los valores reflejados se han obtenido fácilmente: por ejemplo, el punto

B. Conocida la influencia que tiene un cambio en la disponibilidad de algún
recurso en la representación gráfica, es decir, alejamiento del origen si aumenta
dicha disponibilidad o acercamiento al origen si desciende. Sabiendo además,
por donde van los óptimos posibles y cuál es el punto a partir del cual cambian
mis factores escasos, basta con sustituir en el punto B.
De este modo tenemos que xA = 2 y, y al agotarse toda la materia prima

disponible, se deberá emplear (7 – 2*2) = 3(mil unidades) para el producto A.
Esto supone fabricar 1(mil) unidades del producto B.
Similarmente, para fabricar xA = 2, xB = 1 se necesitan 9 horas en la

instalación.
Fijémonos en lo que ha ocurrido con el margen total: al aumentar en una
hora, hemos aumentado el margen bruto en 1.000 €. Por tanto, si hablamos en
términos unitarios, podemos concluir que una hora adicional de trabajo en la
instalación supondría un beneficio adicional de mil euros.
Esta información resulta de gran importancia. Decíamos en apartados

anteriores, que además de buscar la combinación mejor para el logro del
objetivo propuesto, nos gustaría tener información adicional. Y añadíamos:
¿Cuánto estaría dispuesto a pagar por una unidad adicional de factor escaso?. En
nuestro caso, ¿Cuánto estaríamos dispuestos a pagar a por una hora extra de
trabajo?.
Para responder a esa pregunta, repasemos la forma de cálculo. Hemos

en el fondo resuelto el problema con una hora más, sin cambiar los márgenes
unitarios de los productos. Es decir, seguimos manteniendo el coste por hora de
instalación en los 5.000€. Por tanto, el incremento en beneficio supone que ya se
ha incurrido en ese coste adicional de 5.000 € por trabajar una hora más.
Por tanto la conclusión es clara: estaríamos dispuestos a incurrir en esa

hora extra en unos costes adicionales que no superaran los 5.000 € actuales más
el beneficio extra obtenido de 1.000€, es decir, el coste máximo no debería
superar los 6.000€.
Ejercicio 3.1
¿Qué modificaciones incluiría en el problema en el caso de que la

información inicial sobre el coste de la hora de producción hubiera sido la
siguiente?
“Mientras trabajemos 7 horas o menos al día, el coste es de 5.000 €/hra. El

tiempo por encima de ese límite se considera hora extra y se paga un 50%
más caro”
Esta variación del beneficio por incremento del límite de alguna

restricción es el precio sombra, multiplicador de Lagrange o valor dual asociado
a dicha restricción o en general, al factor de producción que representa esa
restricción. De este modo, podemos distinguir dos posibles definiciones de ese
valor dual:
x cuando el coste del recurso no está incluido en el cálculo de los coeficientes

en la función objetivo, el valor dual es el precio a pagar cómo máximo por
esa unidad extra
x cuando el coste del recurso sí está incluido en el cálculo de los coeficientes
en la función objetivo el valor dual es el precio extra sobre el valor actual
del recurso.
Este segundo caso es el analizado en el ejemplo, donde los 1.000 € es el

premio sobre el valor actual de 5.000 € por hora.
Por tanto, fijémonos que ese precio sombra, realmente es una valoración
interna que hacemos de ese recurso que estamos consumiendo. Por tanto, ante la
pregunta: si tengo varios recursos escasos, ¿cuál intentaré aumentar su
disponibilidad? , la respuesta es clara. El recurso que tenga un precio sombra
mayor, de forma que ese precio sombra me permite hacer un ranking de
recursos.
Pero este precio sombra, ¿Se mantiene siempre constante? Vamos a

relacionarlo con el intervalo de sensibilidad obtenido. Dentro de ese intervalo el
precio sombra se mantiene constante, pero ¿qué ocurre más allá de esos
límites?. Si la disponibilidad de horas fuera
x superior a 9 horas, el óptimo vendría siempre delimitado por la restricción

de materia prima y por tanto el plan no variaría: es decir, el tiempo extra de
trabajo no se utilizaría en la fabricación de producto, no aumentaríamos
nuestro beneficio, por tanto no nos interesa trabajar por encima de las 9
horas. No pagaríamos nada por encima de esa disponibilidad. Es decir en
este caso su precio sombra se hace cero.
x inferior a 7,5 horas, la limitación vendría dada por la restricción de demanda

del producto B. Y por tanto, la limitación de la materia prima no sería
restrictiva. Por tanto, cambia el óptimo, pasando a otro intervalo de
sensibilidad, y cambia la valoración de ese recurso.
Ejercicio 3.2
Utilizando el Caso Práctico 2.1 del capítulo anterior, responda a la siguiente
pregunta.
x ¿Le resultaría interesante aumentar las horas disponibles de recogida de
130 horas a 131 horas si esta mejora le costará 10€?.
3.3 Cambio en los coeficientes de las variables

en la función objetivo
Vamos a analizar el cambio en la función objetivo, en el sentido en que
cambia la aportación de nuestras variables al logro de ese objetivo. En nuestro
ejemplo, el departamento de marketing considera que un incremento de precio
no afectara negativamente a la demanda, y, por tanto, cambiamos el margen de
un producto.
En este caso, ¿qué supone este cambio en el Gráfico 2.1 del capítulo
anterior?. Un cambio en el coeficiente de alguna variable afectará a la pendiente
de la función objetivo. En general el grado de interés relativo de un producto
sobre el resto se verá afectado.
Supondría ir girando en un sentido u otro la recta que refleja la función

objetivo. Si giramos mentalmente la recta en cualquier sentido y tratamos de
calcular el nuevo óptimo, veremos que si el giro no sobrepasa cierta magnitud,
nos seguimos manteniendo en el mismo, cambiando únicamente el margen total.
Un cambio brusco para entender el proceso: si el margen del producto A

fuera de cero, el resultado sería hacer exclusivamente el producto B. Fijémonos
que la recta de la función objetivo sería una recta horizontal.
Coja el lector un lápiz y volviendo al Gráfico 2.3 del capítulo anterior y,

sitúe sobre el mismo la recta de la función objetivo y gírelo mínimamente,
teniendo como centro del eje, el punto óptimo señalado en el mismo: verá que el
óptimo - si lo calcula - se mantiene. ¿Cuándo cambia?
Si nos fijamos en el Gráfico 3.2, vemos que el plan de producción

inicial no se alterará mientras que la pendiente de la función objetivo sea
intermedia a la pendiente de las dos primeras restricciones. Recuerde el
comentario sobre el impacto de un margen nulo en el producto xA comentado
hace unas pocas líneas.
Es decir, mientras haya girado sin sobrepasar las pendientes de las

rectas que representan las limitaciones de horas y disponibilidad de materias
primas, el óptimo no varía. En cuanto lo sobrepase, el óptimo cambiará.
Vamos a escribir las pendientes de la función objetivo y las

restricciones, suponiendo que CB es el coeficiente de la variable xB en la función
objetivo:
Análisis de Sensibilidad de la Solución

ante variaciones de coeficientes en la función objetivo
3,5
Margen Bruto = 14,5 Instalación
Plan de Producción
3 Materia Prima
500 unidades de A
2000 unidades de B Ventas A
Horas Trabajadas = 7,5h
2,5 Ventas B
Horas Desocupadas = 0,5 h
Producto B
C 1000 unidades de A
1,5 A
Margen Bruto = 16
2000 unidades de A
666,6 unidades de B
0,5 B Horas Trabajadas 8 h
Materia Prima Consumida
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 3.2: Sensibilidad: Coeficientes en la f. objetivo

x Pendiente Función Objetivo: Z = 5 xA + CB xB
La recta que la representa es: xA = Z/5 – (CB/5) xB
x Pendiente Restricción Horas 3 xA + 3 xB d 8
La recta que la representa es: xA = 8/3 – (3/3) xB
x Pendiente Restricción Materia Prima 2 xA + 3 xB d 7
La recta que la representa es: xA = 7/2 – (3/2) xB
Siempre que se cumpla que la pendiente de la función objetivo sea

intermedia entre ambas se mantendrá el óptimo.
– (3/2) d – (CB/5) d – (3/3) 5 d CB d 15/2

Esos valores son los recogidos en el Gráfico 3.2, como valores límites y
sus óptimos respectivos. Mientras el margen del producto XB se encuentre entre
esos valores, no cambiará nuestro plan de producción.
¿Qué ocurre más allá de esos límites?
x Si el margen del producto B es menor a 5 €/unidad (CB < 5), el producto XB

resulta menos interesante e intentaríamos fabricar XA tanto como
quisiéramos. En este caso pasaría a ser limitativa la restricción de demanda
del producto A y por tanto el óptimo sería:
XA = 2 XB = 0,66 Z = 10 + 0,66 CB
x Si el margen del producto B es mayor que 5,5 €/unidad (CB > 5,5) el
producto XB se convierte en el más interesante pero su producción viene
limitada por la imposibilidad de vender más de 2 (miles) unidades de ese
producto. En este caso el óptimo sería:
XA = 0,5 XB = 2 Z = 2,5 + 2 CB
En el Gráfico 3.2 aparece reflejada la influencia de un cambio en el

margen de XB. Así, el lector puede contemplar los valores de CB mínimos y
máximos, dentro del cual el plan de producción se mantiene.
Ejercicio 3.3
Con el Caso Práctico final del Capítulo anterior, analice la sensibilidad del
modelo ante una variación en el margen de los productos de Calidad Extra.
x ¿Cuánto puede descender el margen de estas cestas sin que se vea
afectado el óptimo?
x ¿Qué ocurre si el margen de estos productos es de 0,39€?.
x ¿Le lleva el resultado que obtiene a alguna nueva conclusión?
3.4 Un breve apunte de Solver.

Como se comentó en la presentación del libro, lógicamente la
optimización lineal no se ve limitada por el nº de variables manejadas. Pero el
método gráfico no puede ir más allá. Es necesario emplear otra técnica, el
método Simplex, que el Anexo II detalla cómo funciona.
La macro Solver es un optimizador que ofrece cómodamente los
resultados del capítulo 2 y 3. A continuación incluimos el informe de
sensibilidad correspondiente a nuestro problema. Planteamos a continuación
unas preguntas que el lector ya estará preparado para responder.
En la Tabla 3.1 recogemos la hoja de cálculo con los datos del problema
que manejamos.
Datos del Problema Productos

Restricciones XA XB Disponible
Instalación 3 3 8
Materia Prima 2 3 7
Demanda X A 1 0 2
Demanda X B 0 1 2
Productos
Función Objetivo XA XB
Márgen Bruto Total 5 6
Tabla 3.1: Datos Entrada

Con esos datos se diseña otra zona dentro de la Hoja de Cálculo donde
se expresan las restricciones.
Productos
Variables XA XB
Cantidades a Producir 1 1
Restricciones Empleado Disponible Sin Utilizar

Instalación 6 8 2
Materia Prima 5 7 2
Demanda X A 1 2 1
Demanda X B 1 2 1
Márgen Bruto Total 11
Tabla 3.2: Datos Entrada Macro Solver

Como se puede ver en esa Tabla 3.2 vemos que si fabricamos mil
unidades de cada producto (xA = 1, xB = 1) consumimos 6 horas en la
instalación, 5(mil) unidades de materia prima y ganamos 11(mil) euros. Si ahora
resolvemos el óptimo tenemos la Tabla 3.3 que incluye la solución óptima que
ya se conoce.
Productos
Variables XA XB
Cantidades a Producir 1 1,66666667
Restricciones Empleado Disponible Sin Utilizar

Instalación 8 8 0
Materia Prima 7 7 0
Demanda X A 1 2 1
Demanda X B 1,66666667 2 0,33333333
Márgen Bruto Total 15
Tabla 3.3: Resultado Óptimo Macro Solver

Finalmente, el propio software proporciona un informe de sensibilidad
que a continuación se detalla.
Celdas cambiantes
$C$16 Cantidades a Producir XA 1 0 5 1 1
$D$16 Cantidades a Producir XB 1,666 0 6 1,5 1
Restricciones
$C$19 Instalación 8 1 8 1 0,5
$C$20 Materia Prima 7 1 7 0,333 1
$C$21 Demanda XA 1 0 2 1E+30 1
$C$22 Demanda XB 1,666 0 2 1E+30 0,333
Tabla 3.4: Informe Sensibilidad Macro Solver

Aunque el Anexo III detalla más exactamente cómo utilizar esta macro
en este caso y con otro tipo de variables, podemos ver cómo se refleja la
información aportada hasta este momento en esa Tabla 3.4.
x Cantidades a Producir XB
$D$16 1,666 0 6 1,5 1
El margen del producto xB es de 6. El aumento y descenso permisible

me marcan el intervalo para este margen dentro del cual seguimos fabricando
ese producto y agotando las horas y la materia prima. Así, el margen del
producto B puede variar entre 5 (= 6 – 1) y 7,5 (= 6 + 1,5).

x Celda Nombre Igual precio lado derecho permisible permisible
$C$19 Instalación 8 1 8 1 0,5
En este caso, el precio sombra me indica un valor “1” que se

corresponde con el valor del precio extra a pagar por una hora más de la
instalación. En este caso, se complementa la información con el intervalo de
variación en el que ese precio permanece inalterado. Así, permaneciendo el
resto de elementos del modelo constante, si las horas disponibles se sitúan entre
7,5 horas (=8 – 0,5) y 9 horas (=8 + 1), se agotarán las horas de trabajo
disponibles, las 7.000 unidades de materia prima y el incremento de margen
bruto por hora será de 1(mil) €/hora.
3.5 Cambio en los consumos unitarios de

recursos
Supongamos que ha habido una mala estimación del consumo de horas
que consume una unidad del producto, de modo que en vez de necesitar 3 horas
para producir 1.000 unidades de xB necesitamos 4 horas. ¿Cómo afectaría esta
nueva situación al óptimo obtenido?.
Una variación de este tipo supone modificar -de forma análoga al

cambio en la función objetivo- la pendiente de la recta que representa la
limitación de horas de la instalación (ver Gráfico 3.3).Veamos que un cambio
supone modificar la forma de la zona rayada que recoge todas las posibles
combinaciones de puntos que cumplen las condiciones, y así por tanto también
cambia el óptimo.
Pero no sólo una cambio en la zona rayada. También supone un cambio

en el margen que obtenemos del producto B. Si antes se ganaba 6 €/unidad,
ahora sólo se gana 1 €/unidad. En el Gráfico 3.3, recogemos la solución.
Cambio en los consumos de recursos
3,5
3 Instalación
Materia Prima
2,5 Ventas A
Ventas B
Producto B
1,5
Margen Bruto = 10,5
Plan de Producción:
1
2.000 unidades de A
500 unidades de B
0,5
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 3.3: Sensibilidad: Cambio en los consumos unitarios

Cuando se cambia algún coeficiente de la restricción, no se plantea la
pregunta sobre cuál es el intervalo, porque la obtención de la solución es
compleja. Sólo nos preguntamos por la influencia de variaciones puntuales.
Notemos que en el nuevo óptimo ha habido un cambio en los factores

escasos: al incrementar la productividad del producto xA en la instalación de
producción, que era restrictiva, podemos fabricar más unidades de la misma,
pero no más de las 2.000 unidades, por lo que son las ventas del producto xA las
que se convierte en un factor limitativo para lograr un mayor beneficio.
Posteriormente, al haber horas disponibles y materia prima no utilizada,
fabricamos xB hasta el límite marcado por las horas que sigue siendo un factor
escaso.
Como podemos ver, ahora el margen bruto es más pequeño, sólo de

10,5 (miles) €, que ni siquiera llega a cubrir los costes fijos.
Ejercicio 3.4
Siguiendo con el ejemplo del Caso Práctico 1 del Capítulo 2 si se modifica la

forma de transporte de los productos, de forma que conseguimos que el
número de rupturas sea del 1% en todos los casos mediante la colocación de
una cinta transportadora más estable.
x ¿Cuál sería el efecto en la solución obtenida?
3.6 Programación Paramétrica

Hasta ahora hemos hablado de un cambio en alguna condición inicial
del problema planteado, o bien del análisis previo del intervalo de variación
dentro del cual, cualquier cambio de esas condiciones, no afecta al plan de
producción trazado. Pero podemos preguntarnos por el efecto sucesivo de
cambios en alguna de las condiciones: en nuestro caso, por ejemplo, podemos
preguntarnos como varía el plan de producción, si aumenta nuestro suministro
de materias primas.
En la siguiente tabla recogemos cómo varía el óptimo para diferentes

niveles de horas en la instalación. Los valores y puntos de esta tabla se pueden
observar en el Gráfico 3.4, que nos indica los diferentes puntos óptimos.
En la Tabla 3.5, hemos recogido en la última columna lo que hemos

denominado como precio sombra: es decir, la valoración interna que hacemos
del recurso “horas de instalación”. O, como hemos indicado, el incremento
máximo sobre el precio actual de cada hora que estaríamos dispuestos a pagar
por una hora extra.
Es importante comprobar cómo, lógicamente, cada vez es menor el

precio que estemos dispuestos a pagar por horas adicionales. A partir de 9 horas,
no pagamos nada puesto que en ese momento, pasaríamos a tener horas ociosas,
porque, aunque nos interesa dedicarla al producto xA, que es el producto de
menor tiempo unitario de proceso, viene limitado su venta a sólo 2.000
unidades.
Programación Paramétrica
3,5
2,5
Instalación
C Materia Prima
Ventas A
Producto B
2
B D
Ventas B
1,5
E
1
0,5
A F
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Producto A
Gráfico 3.4: Programación Paramétrica Horas

Horas Plan de Producción
Producción (miles de unidades)
Margen
Límite Límite Precio
Límite Inferior Límite Bruto
Puntos Inferior Superior Sombra
(L.I.) Superior (L.S.) (miles €.)
(L.I.) (L.S.) (€/hora)
L.IļL.S
AļB 0 6 xA = 0 x B = 0 xA = 0 xB = 2 0 ļ 12 2.000
BļC 6 7,5 xA = 0 x B = 2 xA = 0,5 xB = 2 12 ļ 14,5 1.666
CļE 7,5 9 xA = 0,5 xB = 2 xA = 2 x B = 1 14,5 ļ 16 1.000
E Más de 9 horas xA = 2 x B = 1 16 0
Tabla 3.5: Resultado Programación Paramétrica

En el Gráfico 3.5, se dibuja cómo varía el plan de producción al variar
la capacidad de la instalación de forma que podemos observar cómo no interesa
fabricar el producto A mientras no sobrepasemos las 6 horas de producción
diaria.
Producto A Producto B
2
Miles Unidade
1,5
1
0,5
0
0 1 2 3 4 5 6 7 8 9 10
Horas Producción
Gráfico 3.5: Plan de Producción vs. Variación Horas

Este Gráfico 3.5 resulta válido sólo para este análisis de variación
aislada de las horas. Si realizamos una variación simultánea del límite de horas
de trabajo con un aumento del coste horario, que afecta por tanto a los
márgenes, el resultado sería notablemente distinto.
Ejercicio 3.5
Realice un análisis paramétrico similar:
x Con el límite de suministro de materia prima
x Con el precio de venta del producto A

Afortunadamente, la optimización lineal no proporción sólo un óptimo
sino que esconde la forma sencilla de preguntarnos sobre el impacto de cambios
en nuestras decisiones por variaciones en el entorno.
Esta posibilidad de jugar con el modelo nos permite tomar decisiones de

mayor calidad, o como mínimo descartar claramente las que no son buenas.
En la presentación del capítulo mencionábamos la incertidumbre. La

posibilidad de anticiparnos a cambios, estableciendo preguntas what-if – es una
forma de cubrirse frente a la incertidumbre de la información manejada. Vea un
pequeño ejercicio de aplicación al finalizar este capítulo.
En conclusión, en este capítulo que finaliza hemos visto conceptos

como el precio sombra verdadero precio interno de nuestros recursos14. Es el
enlace perfecto para el siguiente capítulo. El lector ha visto la cara de la
moneda. El capítulo siguiente, para algunos alumnos que cursan carreras
técnicas donde se enseñan estas técnicas, nos mostrará la cruz, pero una cruz
llevadera.
CASO PRÁCTICO 3.1
La empresa CinturoSA realiza cinturones de diversas longitudes y

características. Para simplificar el problema ha agrupado todos sus productos en
dos grandes familias A y B.
Así la familia de productos A emplea por término medio 120 cm2 de

piel, una hebilla tipo “J” y seis arandelas metálicas.
En cambio, los productos de la familia B, en cambio, más centrados en

el sector juvenil, emplean 100 cm2, una hebilla tipo “J” – que se desgasta para
lograr un efecto “vintage” - y 15 arandelas metálicas.
El precio de compra de es de 0,2 €/cm2 de piel, 0,06€ por cada hebilla

tipo J y 1€ por cada paquete de 50 arandelas
El precio medio unitario de en la familia A es de 34€ mientras que en la

familia B es de 31€.
En la actualidad disponemos en el almacén de 19.000 cm2 de piel, 150

hebillas y 1.800 arandelas metálicas. Dado que el almacén es bastante viejo, las
arandelas empiezan a tener cierta herrumbre de forma que deberán usarse todas
ellas en el plan de producción.
El tratamiento de la hebilla para el grupo B supone un coste adicional de

0,65€ por hebilla.
14 Un caso interesante de reflexión puede encontrarse en Koltai, Tamásy

Tamás Terlaky (2000): “The difference between the managerial and mathematical
interpretation of sensitivity analysis results in linear programming”, publicado en el
International Journal of Production Economics, Vol. 65, pp. 257-274.
Con esta información, la empresa CinturoSA desea conocer:
x Plan óptimo de fabricación.
x Valoración de los recursos escasos.
x Análisis de la variación del plan de producción a medida que disponemos de

más piel y cuál sería el precio a pagar por esos cm2 extra de piel.
x Suponga que el tratamiento de la hebilla supone 5 minutos por cinturón y en

la instalación se disponen de 400 minutos para el tiempo considerado.
¿Afecta a la solución? Valore económicamente el impacto e indique alguna
decisión que tomaría.
CASE STUDY 3.1
The following example is taken from the article “Sensitivity Analysis

and Uncertainty in Linear Programming” by Julia L. Higle y Stein W. Wallace,
Interfaces, 2003, Vol. 33, No. 4, July–August,, pp. 53–60. The number of
variables has been reduced to two to allow the use of the graphical method.
The OlaWood Furniture Company manufactures desks and chairs. A

desk sells for 60€ and a Table sells for 40€. The manufacturer of each type of
furniture requires lumber and two types of skilled labour: Carpentry and
finishing. The Table 3.6 summarizes the basic data for this case study.
Production
Requirements
Resource
Resource Cost (€) Desk Table
Availability
Lumber (Board Feet) 2 8 6 2.000
Carpentry (Hours) 5,2 2 1,5 1.000
Finishing (Hours) 4 4 2 500
Table 3.6: OlaWood Furniture Company Data

Regarding the demand, OlaWood is faced with three possible demand
scenarios: Low demand values, most likely demand values, and high demand
values. Each of these scenarios is modelled with specified demand for each
product, and occurs with specified probabilities (See Table 3.7).
Item
Demand Scenario Probability Desk Table
Low Value 30% 50 20
Most Likely Value 40% 150 110
High Value 30% 200 225
Table 3.7: OlaWood Furniture Demand Scenario

Solve the problem in the three demand scenarios and decide how many
units for each resource you would buy.
4 DUALIDAD: EL REVERSO
x Entender la naturaleza dual de la optimización lineal.
x Explotar esa posibilidad para la búsqueda de nuevas decisiones.

x Aplicar el concepto de coste reducido en las decisiones de gestión.
x Aplicar el dual para buscar nuevas variables.
4.1 Introducción
En el capítulo anterior se ha explicado el concepto de precio sombra,
cómo un medidor del impacto en el objetivo a lograr de una variación de los
recursos que limitan alcanzar una mejor meta para ese objetivo.
En este capítulo el lector contemplará ese planteamiento desde otra

óptica más matemática, como el reflejo en un espejo del programa lineal inicial.
Un detalle más técnico se puede consultar en el Anexo II. En este capítulo
trataremos de ver ese lado, que hemos calificado como “reverso oscuro”
empleando el calificativo del personaje malvado de la famosa saga galáctica
“Star Wars”.
4.2 Otro sencillo ejemplo

Supongamos una empresa que produce 2 tipos de cestas navideñas A y
B. Estas cestas navideñas están compuestas por botellas de licor y turrón. Así los
datos que tenemos son los siguientes:
x La Cesta A contiene 2 tabletas de turrón y 1 botella de licor y se vende con

unos ingresos de 5€ por cesta.
x La Cesta B contiene 2 tabletas de turrón y 2 botellas de licor, y la empresa

ingresa 6€ por cada cesta de este tipo que vende.
En la actualidad la empresa dispone de 42 tabletas de turrón y 30

botellas. ¿Cuántas cestas le interesa preparar de cada tipo?
El planteamiento nos queda como sigue:
Max Ingresos = 5 xA + 6 xB (€)
2 xA + 2 xB d 42 (tabletas de turrón)
1 xA + 2 xB d 30 (botellas de licor)
xA t 0 x B t 0
El óptimo del problema es el siguiente:
Ingresos = 114 € XA = 12 Cestas XB = 9 Cestas
La representación del Gráfico 4.1, muy similar a la del Gráfico 2.1 del
capítulo de visión gráfica nos resuelve el problema. En este caso, hemos
llamado a este problema como problema primal.
Con dicho gráfico, podemos calcular muy fácilmente, el precio sombra

de cada recurso:
x Si tenemos dos turrones más, hacemos dos cestas más tipo A y una menos
tipo B, obteniendo unos ingresos de 118€. Es decir, ganamos 2€ por tableta
de turrón.
x Si tenemos una botella de licor más, en el nuevo óptimo hacemos una cesta
menos de tipo A y una más de tipo B, de forma que el ingreso se incrementa
en un euro. Es decir, el precio sombra es de 1€.
DUALIDAD: EL REVERSO 77
25
Ingresos = 5 xA + 6 xB
20
Turrón
15 Ingresos = 114 €
Cestas B
Plan de Producción:
12 Cestas A
10 9 Cestas B
5
Licor
0
0 5 10 15 20 25 30 35
Cestas A
Gráfico 4.1: Problema Primal

Finalmente, incluimos la salida de la macro Solver para este problema,
como repaso de lo visto en el capítulo anterior.
Celdas cambiantes
$C$14 Cestas A 12 0 5 1 2
$D$14 Cestas B 9 0 6 4 1
Restricciones
$C$17 Tabletas de Turrón 42 2 42 18 12
$C$18 Botellas de Licor 30 1 30 12 9
Ejercicio 4.1
Con el informe de sensibilidad de la Tabla 4.1 responda si son ciertas o
falsas las siguientes afirmaciones.
x Si el total de tabletas disponibles hubiera sido de 60, el ingreso total
hubiera sido de 150 €
x Si se rompen 3 botellas de licor, el ingreso sería de 111 con 15 cestas
tipo A preparadas.
x Si el precio de las cestas tipo A aument un 20% seguiríamos empleando
todas las tabletas y todas las botellas.
x Sólo fabricaré cestas tipo A siempre que el precio sea superior a 3€ por
cesta.
4.3 Una pequeña vuelta de tuerca (v1.0)

Supongamos que deseamos fabricar una cesta menos de tipo B.
Liberamos, por tanto, los siguientes recursos:
x 2 tabletas de turrón
x 2 botellas de licor
Esos recursos pueden ser vendidos independientemente a unos precios

que definimos como siguen:
x yT es el precio de una tableta de turrón
x yW es el precio de una botella de licor
Solamente venderemos esos recursos si nos compensan los ingresos

actuales. De este modo, deberemos comparar el precio obtenido con el ingreso
por cada cesta tipo B. Esta comparación se indica en la siguiente restricción:
2yT + 2yW t Ingreso por una cesta de tipo B = 6 €
Si lo que deseamos es dejar de fabricar una unidad de cesta de tipo A,

entonces los precios de las tabletas de turrón y licor deberían cumplir la
restricción:
2yT + 1yW t Ingreso por una cesta de tipo A = 5 €

De hecho, si tuviéramos un comprador que deseara quedarse con todas
nuestra existencias de turrones y licor (es decir, las 42 tabletas y las 30 botellas)
al menor coste de compra se enfrentaría al siguiente problema lineal donde las
variables son esos precios o costes para él. Con los datos anteriores, podemos
plantear por tanto el problema lineal completo de nuestro comprador:
Minimizar Coste Compra = 42 yT + 20 yW (€)
Sujeto a
2yT + 1yW t 5€ (Cesta A)

2yT + 2yW t 6€ (Cesta B)
yT t 0 yW t 0
La resolución gráfica la tenemos en el Gráfico 4.2, donde podemos
observar que el óptimo tiene el mismo valor Z = V = 114.
Además: yT = 2 €/Turrón yW = 1 €/Botella
Estos valores coinciden con los precios sombra vistos con anterioridad.
6
Coste de Recursos = 114 €
5
2 € por Tableta de Turrón
1 € por Botella de Licor
4
Precio Botella
Cesta A
3
c
Coste Compra = 42 yT + 20 yW
1
Cesta B
0
0 0,5 1 1,5 2 2,5 3 3,5
Precio Turrón
Gráfico 4.2: Problema Dual
En resumen tenemos los problemas que se recogen en la Tabla 4.1
¿Qué información recoge el dual? Lo hemos resumido en el nombre de
la función a optimizar: “Coste de los recursos”. No estamos hablando de un
coste real, sino de un coste de oportunidad.
Ese problema dual refleja, por tanto, una valoración en términos de

oportunidad, de los diferentes recursos. Es decir, dado el nivel de consumo, es
decir, de empleo de los mismos, la valoración de esos recursos es la que nos
indica este planteamiento.
PRIMAL Max Ingresos DUAL Min Coste Recursos

Z = 5 xA + 6 xB V = 42YT + 30YW
2xA + 2xB d 42 2 YT + 1 YW t 5
1xA + 2xB d 30 2 YTs + 2 YW t 6
xA t 0, xB t 0 YT t 0, YW t 0
Tabla 4.1: Relación Problemas Primal - Dual

Fijémonos, igualmente, que por tanto, las restricciones del dual, una por
cada uno de los dos productos, está comparando el ingreso unitario de cada
producto con la valoración, en términos de coste de oportunidad, del producto.
Al fabricarse ambos productos en el óptimo, la valoración interna coincide con
el margen bruto real del producto.
Una comparación más completa de los resultados queda a manos del

lector con los datos del informe de sensibilidad de este problema. Compárelos
con la Tabla 3.4 del Capítulo anterior.
Celdas cambiantes
$C$14 Precios de Tableta YT 2 0 42 18 12
$D$14 Precios de Botella YW 1 0 30 12 9
Restricciones
$C$17 Ingreso Cesta A 5 12 5 1 2
$C$18 Ingreso Cesta B 6 9 6 4 1
Tabla 4.2: Informe de Sensibilidad del Problema Dual

Ejercicio 4.2
Con el informe de sensibilidad de la Tabla 4.2 responda si son ciertas o
falsas las siguientes afirmaciones.
x Si el ingreso unitario por cesta A tomara el valor de 4€/cesta, el
resultado hubiera descendido de 114€ a 102€.
x Aunque el ingreso unitario por cada cesta B aumentara a 9€/cesta se
seguiría produciendo la cesta tipo A
Un resumen de ambos resultados se recoge en el Gráfico 4.3.
4.4 Una pequeña vuelta de tuerca (v2.0)

Pero es seguro que al lector le llama la atención que ese Gráfico 4.3 no
considera, por ejemplo, que en algún momento, la empresa habría comprado o
se decidiría a comprar las tabletas de turrón y las botellas de licor.
Vamos a modificar el planteamiento en el sentido de que la empresa

había adquirido las tabletas de turrón a 3€/unidad y las botellas a 5€/unidad.
Con este coste supongamos que los precios de venta de la Cesta A fuera
de 16€ por cesta mientras que el precio de venta de cada Cesta B fuera de 22€.
En esta nueva situación, sólo cambiaría la función objetivo del

problema:
Planteamiento v1.0 Planteamiento v2.0
Max Ingresos = 5 xA + 6 xB Max Margen = 5 xA + 6 xB

Ingresos Cestas A 12 u x 5€/u 60 €
Ingresos Cestas B 9 u x 6€/u 54 €
Total Ingresos 114 €
PRIMAL
DUAL
Ingresos Turrón 42 u x 2€/u 84 €
Ingresos Licor 30 u x 1€/u 30 €
Gráfico 4.3: Resultados del Primal y del Dual
Vemos, por tanto, que numéricamente los resultados serían los mismos.
Lo que ahora cambia es el significado del precio sombra o valor dual:
x yT = 2€ nos dice que el precio máximo a pagar por una tableta es 2€ más
sobre el precio normal de compra de la tableta, es decir, 5€/tableta.
x yW =1€ nos dice que el precio máximo a pagar por una botella es 1€ más
sobre el precio normal de compra de la tableta, es decir, 6€/tableta
Y de esta forma, aunque los ingresos puedan venir desde la óptica del
dual (se fabrican las cestas) o desde la óptica del dual (se venden las tabletas y
las botellas) el resultado es el mismo.
Ingresos Ingresos
12 u x 16€/u 192 € 42 u x 5€/u 210 €
Cestas A Turrón
Ingresos Ingresos
9 u x 22€/u 198 € 30 u x 6€/u 180 €
Cestas B Licor
PRIMAL DUAL
Compra Tabletas 42 u x 3€/u 126 €
Compra Licor 30 u x 5€/u 150 €
Total Gastos 276 €
Total Margen 114 €
Gráfico 4.4: Resultados del Primal y del Dual
4.5 El dual cómo herramienta de búsqueda de

nuevas variables.
Supongamos que deseamos fabricar una cesta tipo C muy sencilla que
sólo dispone de una botella de licor y una tableta de turrón. ¿A qué precio se
debería ofrecer para que fuera interesante realizar?. En este apartado seguimos a
partir del ejemplo v2.0, más completo y real.
Con la información disponible, vemos que detraer una botella de licor y

una tableta de turrón supone disminuir el margen en 1€ + 2€ = 3 €. Por tanto el
precio debe garantizar esa ganancia cómo mínimo.
Vemos, por tanto, que la información sobre los valores duales resulta
esencial para la fijación de precios de transferencia o venta de nuestros recursos.
De hecho, supóngase que desde el momento inicial hubiéramos

contemplado esa cesta tipo C, que se vende con un margen de sólo 2,5 €. En este
caso no es posible resolverlo gráficamente. El problema, en su expresión
matemática quedaría como sigue:
El planteamiento nos queda como sigue:

Max Margen = 5 xA + 6 xB + 2,5 xC
2 xA + 2 xB + 1 xC d 42 (tabletas de turrón)
1 xA + 2 xB + 1 xC d 30 (botellas de licor)
xA t 0 x B t 0 xC t 0
El informe de sensibilidad quedaría como detalla la Tabla 4.3.
Hasta este momento no teníamos una idea precisa del significado de la

columna de Gradiente Reducido. Fijémonos que el óptimo sigue siendo fabricar
exclusivamente las cestas tipo A y tipo B. Esta Tabla 4.3 es idéntica a la tabla
4.1 salvo en la fila de la Cesta C. Veamos con detenimiento esta fila:
Celdas cambiantes
$C$14 Cestas A 12 0 5 1 2
$D$14 Cestas B 9 0 6 4 1
$E$14 Cestas C 0 -0,5 2,5 0,5 1E+30
Restricciones
$C$17 Tabletas de Turrón 42 2 42 18 12
$C$18 Botellas de Licor 30 1 30 12 9
Tabla 4.3: Informe de Sensibilidad del Problema con tres cestas

x El Gradiente Reducido = -0,5
¿Cuánto valen los recursos que detraemos para hacer esta cesta C?
Comentábamos unas pocas líneas anteriormente que el óptimo disminuye en 3€
para fabricar una cesta con la que sólo ganamos 2,5€. Es decir, que nos obligan
a fabricar una cesta, la pérdida es de 0,5€.
x Aumento Permisible = 0,5
Es decir, que mientras el margen de la cesta C no aumenta por encima

de ese valor, no es un producto interesante.
4.6 Una última reflexión

Si volvemos al Gráfico 4.2, vemos que el óptimo se sitúa en el punto
yT =2, yW =1 porque la inclinación de la función objetivo es una determinada
(42yT + 30 yW). Es decir, que si la inclinación fuera diferente el óptimo sería
distinto y por tanto las valoraciones de los recursos también.
Las conclusiones que se extractan del dual sólo son válidas para ciertos
valores de los recursos. En este caso sencillo podemos ver entre qué posibles
valores de disponibilidad de turrones y botellas seguiremos valorando a dicho
precio.
Comparamos las pendientes de las rectas en el Gráfico 4.2.
x Pendiente Función Coste V = bT yT + bW yW
La recta que la representa es: yT = V/bT – (bW / bT) yW
x Pendiente Cesta A 2yT + 1yW t 5
La recta que la representa es: yT = 5/2 – (1/2) yW
x Pendiente Cesta B 2yT + 2yW t 6
La recta que la representa es: yT = 6/2 – (2/2) yW
Siempre que se cumpla que la pendiente de la función objetivo sea

intermedia entre ambas se mantendrá el óptimo.
Por tanto, tenemos la siguiente comparación
– (2/2) d – (bW / bT) d – (1/2) 1 t (bW / bT) t 0,5
El lector puede notar que estamos ante un análisis de sensibilidad de

variación simultánea de los límites de las restricciones no contemplado en el
capítulo anterior.
Ejercicio 4.1
Adjuntamos a continuación este mismo problema, pero con una composición
de las cestas de forma distinta. El planteamiento queda cómo sigue:
Max Margen = 5 xA + 9 xB + 11 xC
1 xA + 2 xB + 3 xC d 51 (tabletas de turrón)
2 xA + 2 xB + 1 xC d 41 (botellas de licor)
xA t 0 x B t 0 x C t 0
Celdas cambiantes
$C$14 Cestas A 0 -0,75 5 0,75 1E+30
$D$14 Cestas B 18 0 9 13 0,6
$E$14 Cestas C 5 0 11 1,5 6,5
Restricciones
$C$17 Tabletas de Turrón 51 3,25 51 72 10
$C$18 Botellas de Licor 41 1,25 41 10 24
Con estos datos responda a las siguientes preguntas:

x ¿Cuál sería el margen mínimo de las Cestas B para que me interesara
fabricar?
x ¿Cuánto estaría dispuesto a pagar por poder tener 2 botellas de licor
más?
x El dual de este problema tendría el siguiente planteamiento:
Minimizar Coste Compra = 51 yT + 41 yW
Sujeto a
1yT + 2yW t 5 (Cesta A)
2yT + 2yW t 9 (Cesta B)
3yT + 1yW t 11 (Cesta C)
yT t 0 yW t 0
x ¿Se anima a resolverlo gráficamente? ¿Hay alguna restricción que
pudiéramos eliminarla?
Es decir, siempre que el número de botellas de licor sea entre un 50% y
un 100% del número de tabletas de turrón, la valoración interna será la indicada.
4.7 Conclusión
El dual ofrece una perspectiva de valoración interna de los recursos
frente a la perspectiva de más de producción que nos ofrece el primal. El anexo
II proporciona las guías para aplicar el dual a cualquier formato de optimización
lineal manejado. A continuación vea unos ejercicios de aplicación. El último
caso práctico le ofrecerá una nueva versión del apartado 3.3.
Caso Práctico 4.1 :A vuelta con las bobinas de papel

Una empresa fabricante de papel tiene entre sus clientes a unos grandes
almacenes que venden en toda la península y que envuelven sus productos en
papel con su logotipo. Teniendo en cuenta la próxima campaña de Otoño-
Invierno, unida a la campaña del juguete, nuestra empresa ha recibido un
encargo de bobinas de papel de 20, 30, 40, 50 y 60 cm. de ancho y de 500 m. de
largo por parte de dichos almacenes. Las cantidades solicitadas se encuentran
recogidas en la Tabla 4.4. En sus almacenes dispone de bobinas de 500 m. de
largo, pero de 130 cm. de ancho.
Indique cómo atender el pedido utilizando un número mínimo de

bobinas de 130 cm. de ancho.
Anchuras de las Bobinas

20 cm 30 cm 40 cm 50 cm 60 cm
Pedido 400 300 250 200 100
Tabla 4.4: Pedidos
Este ejercicio es un planteamiento bastante complicado en la definición
de su variable. Como puede observar hay muchas formas de cortar las bobinas
de 130 cm: dos bobinas de 20 cm y 3 de 30 cm, aprovechando toda la anchura.
También es posible 6 de 20 cm, aunque nos queden unos restos.
Una forma de resolver el problema es plantear un problema con unos

pocos patrones de corte y después utilizar el dual para buscar un nuevo método.
Supongamos las siguientes dos variables que se corresponden con el nº
de bobinas de 130 cm que se cortan siguiendo los dos patrones de corte que se
indican.
Bobinas Bobinas Bobinas Bobinas Bobinas

Patrón
de 20 cm de 30 cm de 40 cm de 50 cm de 60 cm
1 3 1 1 - -
2 1 - - 1 1
Tabla 4.5: Descripción de dos patrones de corte
Con estos datos, el planteamiento del problema sería el siguiente
Minimizar nº bobinas de 130 cm = x1 + x2

3 x1 + 2 x2 400 (Bobinas de 20 cm)
x1 300 (Bobinas de 30 cm)
x1 t 0 x 2 t 0
Resolviendo el problema, obtenemos el siguiente informe de
sensibilidad. En este caso, no hemos considerado que las variables deban ser
enteras.
Celdas cambiantes
$C$12 Bobinas cortadas con Patrón 1 300 0 1 1E+30 1
$C$13 Bobinas cortadas con Patrón 2 200 0 1 1E+30 1
Restricciones
$C$16 Bobinas de 20 cm 1100 0 400 700 1E+30
$C$17 Bobinas de 30 cm 300 1 300 1E+30 50
$C$18 Bobinas de 40 cm 300 0 250 50 1E+30
$C$19 Bobinas de 50 cm 200 1 200 1E+30 100
$C$20 Bobinas de 60 cm 200 0 100 100 1E+30
Como puede observar, el nº de bobinas consumidas es de 500 bobinas
de 500 cm. de largo y 130 cm. de ancho y se generan 1.100 bobinas de 20 cm
cuando sólo son necesarias 400.
Podemos tratar de ver si una nueva forma de cortar el producto sería

viable utilizando el dual. En este caso, como el precio sombra de los recursos es
igual a cero en tres casos y los precios sombra distintos de cero valen uno, la
ecuación del dual nos queda tal y como sigue:
Nº de Bobinas de 30 Nº de Bobinas de 50 (Coeficiente

cm generadas por el + cm generadas por el > 1 en la función
nuevo patrón de corte nuevo patrón de corte Objetivo)
Por tanto, ¿cree que el patrón de corte consistente en cortar la bobina

con 4 de 20 cm y uno de 50 cm será un patrón atractivo? La respuesta es que no.
En cambio, un patrón de corte de exclusivamente 4 bobinas de 30 cm es bueno y
consigue reducir el nº de bobinas cortadas a 463 bobinas.
Se le pide comprobar si la siguiente solución es posible. ¿Cuántas

bobinas de 500 cm. de largo emplea? En cualquier caso, plantee el programa
lineal con esos patrones y resuelválo con Solver. Obtenga los valores duales de
las restricciones y trate de buscar, si es posible, un patrón de corte más
interesante.
Descripción del Patrón. Bobinas obtenidas de

Bobinas
cortadas
Patrón 20 cm 30 cm 40 cm 50 cm 60 cm
con este
patrón
1 94 1 0 0 1 1
2 83 0 3 1 0 0
3 60 0 0 2 1 0
4 43 4 0 0 1 0
5 43 3 1 1 0 0
6 4 0 1 1 0 1
7 2 2 1 0 0 1
8 1 1 2 0 1 0
9 1 1 0 0 2 0
Tabla 4.6: Descripción de 9 patrones de corte
5 UNA CUESTIÓN DE
OBJETIVOS
x Entender diversos modelos de optimización multiobjetivo.
x Ampliar el horizonte de aplicación de la técnica.

x Aplicar la programación por metas.
x Aplicar la programación cuadrática a una cartera de inversión.
x Aplicar la técnica conocida comoData Envelopment Analysis
5.1 Introducción
Todos los capítulos anteriores mantenían un rasgo en común: la
presencia de una solución función objetivo. Pero. ¿Cuántas veces se quiere
“matar muchos pájaros con un solo tiro”?. En una empresa, y más aún, en las
variadas cadenas logísticas de la que forma parte, los distintos agentes
participantes buscan distintos objetivos, que, además, no son pocas veces
diferentes e incluso contrapuestos.
Dentro de la programación matemática, la programación multiobjetivo,
la programación multicriterio y otras técnicas han tratado de resolver esos
problemas desde diversas perspectivas.
Los tres ejemplos que a continuación se detallan se explican

nuevamente en un tono cordial, alejado conscientemente de rigurosas
demostraciones matemáticas, haciendo hincapié en su practicidad, en su utilidad
y, por supuesto, comentando sus posibles limitaciones.
5.2 El objetivo como meta

En término coloquiales, la pregunta de “Deseo obtener el máximo
rendimiento de mi cartera de inversión” normalmente guarda una impresión
previa “espero ganar como mínimo el Euribor corregido con la inflación”, es
decir, un objetivo genérico se traduce en una cantidad a conseguir como mínimo
o como máximo.
Este proceso de traducción de un objetivo en un número es la base de la

programación por metas o “goal programming” introducido por Charnes,
Cooper y Ferguson en 195515, aunque el nombre como tal no aparece hasta que
Charnes y Cooper publican en Diciembre de 1961 el libro Management Models
and Industrial Applications of Linear Programming, Ed. John Wiley & Sons,
New Cork, pp. 467.
Así, un objetivo se puede traducir en tres tipos de metas:
Una meta inferior: “Como mínimo debo ganar 20.000 € este año”, es decir,
una meta de la que nos preocupa cualquier desviación por debajo
Una meta superior: “Como máximo voy a trabajar 50 horas esta semana”, es
decir, una meta de la que nos preocupa cualquier desviación por encima
Una meta muy concreta, de la que no queremos desviarnos excesivamente

ni por exceso ni por defecto
Fijémonos que muchas veces llegar al consenso sobre el dato de la meta

no es sencillo. Pero incluso una vez fijada la cifra y la desviación que nos
15 Concretamente, en el artículo “Optimal Estimation of Executive

Compensation”, Charnes, A.; Cooper, W. W.; Ferguson, R. OManagement Science,
Jan55, Vol. 1 Issue 2, pp. 138-151.
UNA CUESTIÓN DE OBJETIVOS 93
preocupa, seguimos teniendo el problema de la existencia de varias metas. Y por
tanto hay que priorizar el logro de las diferentes metas. Estamos ante lo que se
denomina “preemptive goal programming”. Veamos cómo tratar esta cuestión.
5.2.1 Un ejercicio ajustado

Una actividad de gestión habitual es la predicción de las ventas para un
próximo periodo. Junto a técnicas sencillas – pero bastante efectivas de aplicar y
de entender cómo son los modelos de medias móviles – encontramos la
regresión por mínimos cuadrados. Es una técnica ya tan extendida que incluso
aparece incorporada en la hoja de Cálculo Excel.
Así, si pensamos en el ajuste de una recta a un conjunto de puntos,

tenemos un problema de programación por metas, puesto que la recta de
regresión tiene como meta “acertar” con los valores de la variable analizada.
Supongamos que deseamos ajustar una regresión lineal con datos de

PIB (en índice) y tasa de Paro en datos trimestrales desde Marzo de 93 hasta
Diciembre de 2006 de los países de la zona Euro.
El ajuste a realizar sería una recta con término independiente donde este
ratio PIB es explicado por la tasa de Paro. El economista esta pensando, por
tanto, en realizar la regresión que a continuación se detalla16:
IndicePIBi = a + bParoi + di
En esa recta tenemos dos parámetros desconocidos:
a: Término independiente de la recta
b: Pendiente de la recta.
Como se puede observar nos aparece la variable di se define como

sigue:
di = IndicePIBi a bParoi
16 Dado el gráfico indicado, vemos que la relación no es claramente lineal,

aunque hay tramos donde sí hay esa evidencia. Desde el punto de vista económicamente
más estricto la ecuación debería explicar el paro en función del PiB, pero como ya se ha
indicado, el objetivo de este ejercicio no se encuadra en los modelos econométricos sino
en una aplicación previa al caso que viene a continuación.
Es decir, que recoge la desviación por exceso o por defecto entre el
valor real del Indice PIB y el valor estimado por la recta [a + bParoi] para el
trimestre considerado “i”.
Tasa de Tasa de
Trimestre PIB Trimestre PIB
Paro Paro
mar-93 104,754 9,7 mar-00 123,707 8,3
jun-93 104,782 10,1 jun-00 124,693 8,1
sep-93 105,211 10,4 sep-00 125,124 8
dic-93 105,614 10,7 dic-2000 125,943 7,8
mar-94 106,532 10,8 mar-2001 126,913 7,8
jun-94 107,119 10,8 jun-2001 127,064 7,8
sep-94 107,860 10,7 sep-2001 127,132 7,8
dic-94 108,783 10,7 dic-2001 127,260 7,9
mar-95 109,343 10,5 mar-2002 127,528 8
jun-95 109,995 10,4 jun-2002 128,060 8,2
sep-95 110,200 10,5 sep-2002 128,584 8,3
dic-95 110,370 10,5 dic-2002 128,636 8,4
mar-96 110,618 10,7 mar-2003 128,795 8,6
jun-96 111,348 10,7 jun-2003 128,667 8,7
sep-96 111,951 10,7 sep-2003 129,368 8,7
dic-96 112,195 10,7 dic-2003 129,970 8,8
mar-97 112,500 10,7 mar-2004 130,898 8,8
jun-97 113,766 10,6 jun-2004 131,325 8,9
sep-97 114,511 10,5 sep-2004 131,634 8,8
dic-97 115,696 10,4 dic-2004 131,920 8,7
mar-98 116,701 10,2 mar-2005 132,443 8,8
jun-98 117,093 10 jun-2005 132,920 8,7
sep-98 117,720 9,8 sep-2005 133,778 8,4
dic-98 118,086 9,7 dic-2005 134,281 8,4
mar-99 119,145 9,4 mar-2006 135,386 8,2
jun-99 119,749 9,1 jun-2006 136,727 7,9
sep-99 121,250 8,8 sep-2006 137,447 7,7
dic-99 122,623 8,6 dic-2006 138,683 7,5
Tabla 5.1: Datos Paro e Indice PIB Zona Euro. Fuente Eustat y BBVA
El problema reside en buscar la recta que mejor se ajuste a esos datos.
Pero… ¿qué se entiende por “ajuste”?. Normalmente el ajuste es esa desviación
expresada través de esa variable di.
Pero esa variable sólo nos da el error para un dato. El problema requiere
minimizar la desviación total. Y es en esta definición de la desviación total
donde encontramos un problema: matemáticamente se puede comprobar que la
suma de todos esos errores es siempre cero. Por tanto, es necesario buscar
formulaciones alternativas.
144
139
2004 - 2006
134
129 2001 - 2003

Pib
124
1998 - 2001
119
114
109 1994 - 1997
1993
104
7 7,5 8 8,5 9 9,5 10 10,5 11
Paro
Gráfico 5.1: Relación Indice PIB – Tasa de Paro

Fuente: Datos BBVA - Eustat
Veamos algunas posibilidades
Método 1: Mínimos Cuadrados donde la función objetivo utilizada es:
Minimizar la suma de las desviaciones al cuadrado: ¦ d2i

i
Método 2: Mínimos Absolutos donde la función objetivo utilizada es:
Minimizar la suma de las desviaciones en valor absoluto: ¦ |di|

i
Esta última opción encaja plenamente con un planteamiento lineal,
aunque no es una función continua.
Más detenidamente, podemos descomponer esa variable de desviación
+
en la diferencia de dos variables posibles positivas: di. = di di
+
di = desviación por defecto, es decir, cuando la recta queda por debajo del
punto. a + bParoi < IndicePIBi

di = desviación por exceso, es decir, cuando la recta queda por encima del
punto. a + bParoi > IndicePIBi
En este caso la función nos queda como sigue:
Minimizar ¦ |di|
i
= ¦ | d+i di | = ¦ [ d+i + di ]
i i
Esta descomposición es muy válida, porque el Método Simplex de

resolución garantizar que sólo tome valor una de las dos desviaciones17. Es
+
decir, que si di. = 5, quiere decir que di = 5, di = 0 mientras que si en otro caso
+
la situación es di. = -8, quiere decir que di = 0, di = 8. Por tanto, la suma del
valor absoluto se convierte el modelo definitivo queda, por tanto, como sigue:
+
Minimizar ¦ |di| = ¦ [ di + di ]
i i
Sujeto
+
IndicePIBi = a + bParoi + di
ҟ di i = 1993,...,2006
+
Siendo di 0 di 0
La tabla siguiente recoge las diferencias de estimación entre ambos

métodos:
17El método Simplex impide que en una misma solución tomen valor
simultáneamente variables con coeficientes iguales o proporcionales en las restricciones
del modelo.
Método Recta Estimada R2
Mínimos Cuadrados Ordinarios PIB = 195,59 – 8,03Paro 0,780
Mínimos Absolutos PIB = 196,8 – 8,11 Paro 0,778
Tabla 5.2: Comparación Ajuste.

Como se desprende de la Tabla 5.2 la diferencia no es tan importante. Si
el lector lo desea podrá comprobar cómo la recta realizada por mínimos
absolutos pasa exactamente por un nº de puntos.
5.2.2 Una pequeña variante

Como se puede observar en el fondo, una regresión diferencia dos
grupos de puntos: los que están por arriba de la recta y los que están por debajo
de la recta.
En un artículo, el oncólogo Wolberg18 junto a Mangasarian y Street,

propone el uso de la programación lineal para un pronóstico más acertado. Para
ello, utiliza toda la información que dispone para prever la evolución futura de
la enfermedad. Se trata de un ejercicio de reconocimiento de patrones. Lo que
viene a continuación, es obviamente, una simplificación de un problema sobre el
que se ha profundizado desde ese año 1995. Si el lector desea una versión más
geométrica tiene una sencilla explicación en la siguiente página Web:
http://cgm.cs.mcgill.ca/~beezer/cs644/example.html.
Así, tras un análisis no quirúrgico de un grupo de células de los

pacientes, se elaboran unos cuadros que detallan los indicadores que los
pacientes han mostrado en 30 características. Los pacientes son de dos tipos:
Recurrentes (R): aquellos en los que un cáncer extirpado reaparece: de estos

conoce el tiempo que ha tardado en reaparecer, denominado como tiempo
de recurrencia
18 Este ejercicio está basado en el artículo de Mangasarian, Street y Wolberg,

(1995) “Breast Cancer diagnosis and prognosis via linear programming” publicado en
la revista Operations Research, Vol. 43, nº 4, Julio-Agosto, pp.570 - 576. Se puede
descargar en la dirección: ftp://ftp.cs.wisc.edu/math-prog/tech-reports/94-10.pdf
No Recurrentes (NR): aquellos en los que de momento no ha reaparecido y
no se sabe si va a reaparecer. De éstos se conoce el tiempo transcurrido
desde el último chequeo, denominado tiempo de supervivencia.
Con toda la información, el objetivo es, en cierto modo, explicar el

tiempo que transcurre, bien en reaparecer para el primer caso de pacientes, bien
en no aparecer en el segundo caso, mediante los valores obtenidos en las
diferentes características.
Supongamos la siguiente información sobre 3 pacientes que han recaído

en la enfermedad tanto para el Colectivo R como para el Colectivo NR.
Tiempo de
Colectivo R Carac. 1 Carac. 2 Carac. 3 Carac. 4
Recurrencia
Paciente 1 5 6 4 3 6 meses
Del mismo modo, para tres pacientes que no han recaído (Colectivo B)
Tiempo de
Colectivo NR Carac. 1 Carac. 2 Carac. 3 Carac. 4
Supervivencia
Tabla 5.3: Datos para el ejercicio en base Wolberg.
Con estos datos se trata de obtener una relación lineal entre las 4
características y los valores de tiempo, considerando los datos de los 6 pacientes
analizados, y, teniendo en cuenta que:
es muy grave sobrestimar el tiempo de recurrencia, puesto que llevaría a un

pronóstico tardío, en el caso del Colectivo R
se considera también muy grave subestimar el tiempo de supervivencia

puesto que llevaría a un pronóstico precoz, con las consecuencias psíquicas
para el paciente, en el caso del Colectivo NR
En este caso, por tanto nos preocupa que se den ciertas desviaciones que
son las que se tratan de minimizar.
Así, siguiendo con la misma formulación del caso de la regresión aquí

tenemos dos tipos de “regresiones”.
En el caso de pacientes recurrentes:
+
Tiempoj = a + ¦ bj Característicaij + dRj ҟ dRj
i
En el caso de pacientes que no “repiten”:

+
Tiempoj = a + ¦ bj Característicaij + dNRj
ҟ dNRj
i
Todas las variables positivas
Y finalmente la función objetivo solo se trata de minimizar las variables

que se consideren, es decir, las de exceso en el colectivo R (dRj ) y las de
+
defecto en el caso del colectivo NR (dNRj )
+
Minimizar ¦ [ dRj + dNRj ]
i
Con esos datos la regresión queda como sigue:
Tiempo ~ 11,318 1,349Carac1 0,276Carac2 + 0,846Carac3 0,262 Carac4
Si la regresión no hubiera tenido esas características y se hubiera

empleado directamente mínimos cuadrados la solución sería:
Tiempo ~ 11,318 1,257Carac1 0,228Carac2 + 0,767Carac3 0,331 Carac4
5.2.3 Una aplicación empresarial

El siguiente ejemplo está basado en el artículo “Are You Using Costly
Outmoded Techniques to Purchase Materials?.” por Birsen Karpak, Rammohan
R. Kasuganti y Erdoóan Kumcu, publicado en diciembre de 2005 en la revista
Business Forum, Vol. 27, nº 1. pp.14 – 19.
Una empresa está planteándose su forma de seleccionar entre 5

proveedores para suministrarse de tres tipos de aleaciones de hierro. La Tabla
5.4 recoge los distintos tipos de aleaciones de hierro y los precios de compra por
Tm de cada uno de ellos.
Los objetivos propuestos son muy sencillos, con las cuantías que
indican en la Tabla 5.5:
El coste de compra debe ser minimizado.
La calidad de la compra debe ser igualmente la máxima posible.
La calidad de servicio del proveedor, medida en términos de fiabilidad de

plazos de entrega también se intentará que alcance el máximo valor posible.
Fiabilidad de
Variables de Decisión
Coste Envío
Xij donde “i” es Calidad
Unitario % de envíos
Proveedores proveedor y “j” es tipo (%)
(€/Unit) llegados cuando
de hierro (Calij)
Cij debían
proporcionado
(Tij)
X11 30 99 99
Proveedor 1
X12 40 90 97
X21 10 98 95
Proveedor 2 X22 20 96 90
X23 25 95 89
X31 30 90 70
Proveedor 3
X33 20 89 88
X41 25 99 92
Proveedor 4
X43 35 99 91
Proveedor 5 X53 30 90 85
Tabla 5.4: Datos para la selección de proveedores.
Las restricciones para alcanzar esos objetivos vienen dados tanto por el
lado de la demanda como de la oferta:
La capacidad de producción de los proveedores nº1 y nº2. Estos datos se

detallan en la Tabla 5.5 siguiente.
La demanda
Dado el proceso de consumo de los productos, la demanda exacta a

cubrir es de 2.000, 1.200 y 1.800 unidades respectivamente.
Objetivo Producto Meta

Coste de Compra Todos 10.000 €
Producto 1 95 %
Calidad del Hierro Producto 2 90 %
Producto 3 90 %
Producto 1 95 %
Calidad de Servicio Producto 2 90 %
Producto 3 90 %
Variables de Decisión Tiempo

Tiempo
Xij donde “i” es Producción
Proceso
Proveedores proveedor y “j” es Disponible
(h/Unid.)
tipo de hierro (Horas)
hij
proporcionado H
X11 1
Proveedor 1 3.000 horas
X12 1,5
X21 1
Proveedor 2 X22 1,25 3.500 horas
X23 1,5
Tabla 5.5: Metas y Disponibilidad de suministro.
x Planteamiento del Problema
Con esos datos el planteamiento de programación por metas es el

siguiente:
Restricciones de Meta
+
Objetivo 1: Coste de Compra ¦ ¦ Cij Xij + d1j ҟ d1j = 100
i j
Objetivo 2: Calidad del Hierro
¦ Calij Xij
i +
Demandaj + d2j ҟ d2j = Meta para cada Producto
Objetivo 3: Calidad del Envío

¦ Tij Xij
i +
Demandaj + d3j ҟ d3j = Meta Para cada Producto
Restricciones Estructurales
Producción Posible hij Xij Hj Para los proveedores 1 y 2
Demanda de cada producto ¦ Xij Hj Para los 3 tipos de aleaciones

i
Comentarios a la solución
Si nos proponemos minimizar exclusivamente los costes, contemplando

exclusivamente los límites de producción y demanda la solución es la siguiente
el resultado ofrece un coste de compra de 80.000 €.
Aleación Aleación Aleación Capacidad
Proveedores
1 2 3 Utilizada
Proveedor 1 0 0 0
Proveedor 2 2.000 1.200 0 100%
Proveedor 3 0 1.800
Proveedor 4 0 0
Proveedor 5 0
Calidad Producto 98 96 89
Calidad Envío 95 90 88
Tabla 5.6: Selección Óptima de Proveedores.
La Tabla 5.6 nos indica como en general cada aleación es pedida a un
único proveedor, lo que nos lleva a reflexionar sobre la concentración de riesgo
en una única fuente de suministro.
Fijémonos que cualquier meta expresada para las calidades distinta de

los valores obtenidos en esta tabla afectará al coste de compra.
Ejercicio 5.1
Suponga que se desea minimizar ese riesgo de concentración de oferta y por
tanto se introduce una restricción que nos indique un proveedor no puede
atender más del 50% de una única aleación. ¿Cómo se vería afectada la
solución?
5.3 Riesgo y Rendimiento

Un planteamiento tradicional en el que entran en juego dos objetivos
contrapuestos es la inversión en bolsa, donde el potencial inversor busca un
equilibrio entre rendimiento de su cartera y el riesgo de la misma.
La teoría de cartera desarrollada por Harry Markowitz19 es un problema

de dos objetivos que en el fondo se resuelve fijando una meta para uno de ellos,
normalmente el rendimiento esperado y minimizando el riesgo de dicha cartera,
midiendo ese riesgo con la matriz de varianzas y covarianzas de la misma.
La nomenclatura utilizada es la siguiente:
w El vector de proporciones de los n títulos con riesgo considerados.
La matriz de varianzas y covarianzas de los rendimientos de dichos

títulos, definida positiva.
1 Vector columna de unos.
E(r) Vector de rendimientos esperados de los títulos.
El planteamiento queda como sigue:
Minimizar Riesgo Min Var(P) = w`w
sujeto a
Esperanza de la Cartera E(r)` w = E(P)
Suma de Proporciones 1`w = 1
19 Ver su papel seminal Portfolio Selection, Journal of Finance, March 1952,

Vol. 7 Issue 1, pp. 77-91.
No negatividad w 0n
Variando el valor exigido de rendimiento se obtiene la llamada frontera

eficiente, es decir, aquella que ofrece para un rendimiento dado la cartera de
menor riesgo y viceversa, para un riesgo dado, la cartera que ofrece un mayor
rendimiento.
Desde el punto de vista puramente matemático estamos ante un caso de

optimización cuadrática, es decir, el conjunto de restricciones está expresado en
términos lineales mientras que la función objetivo es una función cuadrática.
Este tipo de problemas puede resolverse, por ejemplo, mediante un método
Simplex adaptado a él.
Un ejemplo con base internacional
Tomemos tres índices nacionales (Argentina, China y España) que

proporciona la Base de Datos MSCI desde 1998 hasta diciembre de 2006. Con
los mismos tenemos los dos gráficos siguientes:
300
250
Argentina
China
200
España
150
100
50
9/11
0
31-dic-98 31-dic-99 30-dic-00 30-dic-01 30-dic-02 30-dic-03 29-dic-04 29-dic-05 29-dic-06
Gráfico 5.2. Evolución de los índices: Diciembre 1998 Base 100

60,00%
50,00%
Argentina
40,00% China
España
30,00%
20,00%
10,00%
0,00%
-10,00%
-20,00%
-30,00% 9/11
-40,00%
31-dic-98 31-dic-99 30-dic-00 30-dic-01 30-dic-02 30-dic-03 29-dic-04 29-dic-05 29-dic-06
Gráfico 5.3. Serie de rendimientos mensuales: Enero 99 – Diciembre 2006

Algunos Hitos durante ese periodo:
El atentado de las torres gemelas el 11 de Septiembre de 2001.
El corralito en Argentina desde Diciembre de 2001 hasta el corralón en

Diciembre de 2002.
En Julio de 1999 se pone en marcha la China Securities Act.

Con estos datos es posible construir un mapa de combinaciones entre
los diferentes títulos considerados:
1,70%
Argentina
1,60%
1,50%
1,40%
1,30%
1,20%
1,10%
China
1,00%
0,90%
España
0,80%
4,50% 5,50% 6,50% 7,50% 8,50% 9,50% 10,50% 11,50% 12,50% 13,50%
Gráfico 5.4. Fronteras Eficientes

El gráfico 5.4 demuestra como la diversificación internacional de una
cartera, en este caso, desde España permite alcanzar mejores cotas de
rendimiento o en todo caso, el mismo riesgo con un rendimiento superior,
puesto que el índice español no se sitúa en la frontera eficiente.
Ejercicio 5.2
Vaya a la pagina web http://www.effisols.com/download/index.htm y
descargue la versión de muestra del programa que ofrece.
Existen otros programas de cálculo de las fronteras pero éste es bastante
sencillo. Obtenga cotizaciones de fin de mes de los títulos del Ibex-35 de los
últimos 5 años. ¿En qué posición se sitúan las empresas constructoras?
5.4 Una eficiencia más compleja

La aplicación anterior manejaba dos objetivos y obtenía como resultado
una frontera de puntos llamada eficiente. En el fondo, se identifican aquellos
puntos que maximizaban el cociente promedio entre riesgo o que minimizaban
el cociente riesgo entre promedio.
Esta medición de la eficiencia se puede hacer igualmente para otros

objetivos cualquiera, pero tiene la desventaja de cubrir solamente dos objetivos.
El análisis envolvente de datos o Data Envelopment Análisis permite

ampliar el concepto a un problema con un número mayor de objetivos. Así,
podemos definir en general la eficiencia como la relación entre los outputs
obtenidos y los inputs empleados. Según el énfasis se ponga en los outputs o en
los inputs podemos hablar de distintos niveles de eficiencia20.
Una explicación gráfica sencilla se recoge en el Gráfico 5.5.
20 Un libro bien explicado sobre este tema puede ser La medición de la

eficiencia y de la productividad, Antonio Alvarez Pinilla (Coord.). Ed. Pirámide. 2001,
Madrid, pp. 363.
Análisis Unidad 3
Output OF
D Unidad 5 Eficiencia en Input
OG
B Unidad 4
OH
Eficiencia en Output
OB
Unidad 2
Unidades
A Unidad 3
Ineficientes
H
Unidad 1
0 F G Input
Análisis Unidad 3
Gráfico 5.5. Una doble perspectiva de la eficiencia
5.4.1.1 Un primer supuesto resuelto gráficamente
Supongamos que analizamos el caso de seis entidades bancarias. El

siguiente ejercicio es sólo a efectos comparativos, sin verter ninguna opinión
sobre la gestión de las diferentes entidades, de forma que se han escamoteado
los nombres de las mismas.
Los datos de Créditos y Recursos son en millones de euros y toda la

información se ha recogido de las memorias publicadas en las páginas Web
como se indica en las Tabla 5.7 y Tabla 5.8.
Créditos Recursos
Nº
Entidad Oficinas a la de
empleados
clientela Clientes
Caja 1 385 2.354 17.081 16.495
Caja 2 131 743 5.391 6.204
Caja 3 294 2.574 12.755 17.421
Caja 4 5.186 23.229 139.765 197.495
Caja 5 1.987 13.047 95.078 109.590
Caja 6 299 1.712 7.914 8.762
Tabla 5.7: Datos para el caso DEA
Con estos datos podemos establecer dos ratios con el mismo
denominador, bien los empleados o bien las oficinas, de forma que podemos
realizar dos análisis alternativos.
En cualquiera de esos ratios vamos a entender que cuanto mayor son

mejor, es decir, considerando que la generación de negocio es importante, tanto
desde el lado del pasivo como del activo. Así obtenemos la Tabla 5.8.
Recursos Créditos Recursos
Créditos por
Entidad por por por
Empleado
Empleado Oficinas Oficina
Caja 1 7,256 7,007 44,366 42,844
Caja 2 7,256 8,350 41,153 47,359
Caja 3 4,955 6,768 43,384 59,255
Caja 4 6,017 8,502 26,950 38,082
Caja 5 7,287 8,400 47,850 55,153
Caja 6 4,623 5,118 26,468 29,304
Tabla 5.8: Ratios por Empleado y por Oficina

Recursos de la Clientela por Oficina
60,000
Caja 3 B
Caja 5
50,000
Caja 2 A
Caja 1
40,000 Caja 4
(millones €)
30,000 Caja 6
20,000
10,000
0,000 O
0,000 10,000 20,000 30,000 40,000 50,000 60,000
Créditos de la Clientela porOficina (Millones €)
Gráfico 5.6: Una posible frontera eficiente según datos por oficina
Como se puede observar, la frontera eficiente nos la dan la Caja 5 y la
Caja 3 en el caso de ratios por Oficina mientras que si empleáramos los ratios
por Empleado son la Caja 5 y la Caja 421.
21 Este último comentario lo puede comprobar el lector.

Viendo este Grafico 5.6 podemos pensar en qué grado son menos
eficientes algunas de las cajas contempladas. Por ejemplo, si nos fijamos en el
caso de utilizar como input las Oficinas, y nos centramos, en la Caja 2. ¿Cuánto
de alejado está de la línea recta que une las dos entidades relativamente más
eficientes?
Y recalco el concepto de “relativamente” más eficientes, puesto que

evidentemente la posición de cada entidad depende de las entidades incluidas en
el estudio, de la pulcritud de los datos manejados tanto en lo que se considera
input y output como en las propias cifras. Repito que este ejercicio no trata de
“sacar los colores” a ninguna entidad bancaria citada.
Si nos fijamos en ese grupo, manteniendo la misma relación existente

entre esos dos ratios para la Caja 2, si proyectamos (“alargamos”) la recta hasta
cortar la frontera eficiente, llegaríamos hasta el punto B. Es decir, que con esa
proporcionalidad, la Caja 2 debería haberse situado en dicho punto B. Por tanto,
su eficiencia en la actualidad es la distancia OA entre la distancia OB.
Si el lector lo desea puede calcular las coordenadas del punto B. Son

concretamente 47,892 en valor para Créditos y 55,155 para Recursos. Y el
cociente OA entre OB da un valor de 85,92%. Es decir, que la Caja 2 tiene un
margen de mejora del 14% aproximadamente.
Si hubiéramos resuelto este problema mediante un software, por

ejemplo, Frontier Analyst de Banxia Software22, nos hubiera proporcionado la
siguiente información de eficiencia, donde aparece el ratio de la Caja2 indicado.
Entidad Eficiencia
Caja 1 92,72%
Caja 2 86 %
Caja 3 100 %
Caja 4 64,27 %
Caja 5 100 %
Caja 6 55,31%
Tabla 5.10: Resultados del Modelo según DEA
22 Puede descargarse la versión demo de la siguiente dirección:

http://www.banxia.com/files/fa3demo.exe. Otra opción interesante es un libro que
incorpora CD sobre Data Envelopment Análisis como Introduction to the Theory and
Application of Data Envelopment Análisis, por Emmanuel Thanassoulis, 2001, Kluwer
Academic Publications, USA pp. 281
5.4.1.2 Un segundo supuesto resuelto mediante programación lineal
Para casos con mayor número de inputs y outputs está aproximación no

puede aplicarse y se plantea un programa lineal.
El objetivo a lograr es conseguir el mayor ratio de eficiencia para cada

unidad analizada. Ese ratio se define como un cociente ente una suma ponderada
de outputs y una suma ponderada de inputs.
En este caso, el peso de cada input y output no tiene un gran significado

y las únicas limitaciones que se le dan al problema son dos de sentido común:
todos los inputs y outputs deben tener un valor mínimo no nulo y el ratio de
cada unidad (en nuestro ejemplo entidad bancaria) calculada con esos pesos
debe tener un valor máximo del 100%. No es un problema lineal pero sí es
linealizable. Véase el Gráfico 5.7.
Aplicándolo a nuestro ejemplo, si incluimos los dos inputs (oficinas y

empleados) y los dos outputs (recursos y créditos), nos quedaría un programa
como el que se indica a continuación y cuyo resultado es del 92,71% para el
caso de la entidad Caja 6. Es decir, que ni siquiera con un problema lineal con
tan pocas limitaciones, el ratio llega al 100%. Es por tanto una entidad
ineficiente comparativamente con las entidades utilizadas y con los inputs y
outputs manejados.
Maximizar 7.914 U1 + 16.495 U2

Caja 2 = Resultado
Sujeto a las siguientes 299 V1 + 1.712 V2 64,43 %
restricciones La eficiencia de cada caja no supera el 100%
Caja 1 Cada input y output tiene un

17.081 U1 + 16.495 U2 peso estrictamente positivo
d 100%
385 V1 + 2.354 V2
Caja 2 U1 t H Créditos
5.391 U1 + 6.204 U2 U2 t H
d 100% Recursos
Caja 6 131 V1 + 742 V2 V1 t H Oficinas
7.914 U1 + 8.7624 U2
d 100% V2 t H Empleados
299 V1 + 1.712 V2
Gráfico 5.7: Planteamiento Matemático del DEA

Utilizando el software antes mencionado y con todos los datos
tendríamos los siguientes resultados:
Entidad Eficiencia Entidad Eficiencia

Caja 1 99,57% Caja 4 100 %
Caja 2 99,57 % Caja 5 100 %
Caja 3 100 % Caja 6 63,43%
Tabla 5.11: Resultados del Modelo Ampliado según DEA
Ejercicio 5.3
Con esos mismo datos suponga que sólo hay un output: los créditos a los
clientes. Plantee el programa de optimización indicado y compruebe si en este
caso cambian las cajas que resultan relativamente eficientes con las demás.

En este capítulo se han presentado varios ejemplos de tratamiento a un
problema de indefinición habitual: la empresa tiene que tener en cuenta los
objetivos de los partícipes sociales contemplados. Hay demasiados objetivos.
Se han presentado algunos ejemplos que esperemos hagan al lector

reflexionar sobre las posibilidades de la optimización lineal así como de las
limitaciones. En el caso de la optimización por metas, la asignación de pesos a
las desviaciones, el establecimiento de prioridades pueden modificar los
resultados.
La construcción de la cartera eficiente puede resultar complicada. Y en

el caso de muchos recursos que obtienen muchos resultados, el análisis
envolvente de datos da bastante juego para llegar a soluciones satisfactorias.
Como se ha visto, la limitación de la DEA es común a todas las técnicas: según
que datos se empleen, así saldrá la foto. No olvidemos que un concepto cómo el
de la eficiencia requiere siempre de un elemento comparador.
CASE STUDY 5.123
x Presentation
A national rail agency wants to improve the quality, reliability and

safety of the railway system to attract many more passengers to use the railway
services.
Table 5.12 presents the identified new railway projects and the values
are annual averages. There are ten projects identified for investment under the
new scheme, having a total cost of about Euro two billion for capital investment
over a 20 year period between 2009 and 2028. The estimated benefits are both
quantitative and qualitative.
There are three quantitative and four qualitative attributes to be

considered in the prioritisation process:
Qualitative Goals:
Goal 1 To explore the particular strength of rail to provide a high

quality public transport and/or haulage services.
Goal 2 To support land use social and economic policy at national,

regional and local level.
Goal 3 To improve environmental quality and health.
Goal 4 To promote sound project selection.
Quantitative Benefits:
The quantitative attributes include user benefits, safety and accident

benefits, environmental benefits, car resource cost savings and estimated annual
revenue due to the projects. Total economic benefit is here defined as the
summation of user benefits, safety and accident benefits, environmental benefits
and car resource cost savings.
23 This case has been taken from “Railway projects prioritisation for
investment: Application of goal programming” Aoife Ahern and Gabrial Anandarajah,
Transport Policy, Volume 14, Issue 1, January 2007, Pages 70-80.
x The variables
The decision variable, which is used for the selection of the projects,
i.e., it is one when the project i is selected and zero when the projected i is not
selected. The model has, therefore, 10 binary variables.
In addition there are 6x2 deviation variables defined as it follows:

dB
j
overachievement of the goal j
+
dBj ҟ underachievement of the goal j
x The objective function of the model
The objective of the model is to minimise underachievement of the

goals. The minimization of deviations implies that all the objectives are
minimised simultaneously.
x The constraints
There is only one rigid constraint: the total capital investment cost of
the selected projects should be below the financial availability for capital
investment. The rest of constraints are soft constraints for the different goals that
were described several lines above.
x The data
Annual Qual. Qual. Qual. Qual.
Annual
Projects Cost Economic Goal Goal Goal Goal
Revenue
Benefits 1 2 3 4
Project 1 123,6 21,4 6,3 3 4 3 4
Project 2 33,4 12,1 4,1 3 3 2 3
Project 3 116,8 12,1 3,5 1 3 2 1
Project 4 28,9 10,4 3,5 2 3 2 2
Project 5 289,8 34,4 12,2 2 3 2 2
Project 6 109,8 11,2 3,4 2 1 2 1
Project 7 154,2 4,9 1,8 1 3 2 0
Project 8 150,6 3,6 1,2 1 3 1 2
Project 9 571,7 73,1 13,4 1 3 2 1
Project 10 407,5 14,4 4,3 1 2 1 1
Goals - 197,6 53,7 17 28 19 17
Weights 0,475 0,095 0,114 0,117 0,111 0,088
Table 5.12: Table Data. Cost, economic benefits

and revenue are in million Euros
With the provided data, solve the problem using the weight assigned to
every goal and varying the budget starting from €100 million up to € 2000
million with steps of € 100 million. You may draw a graph like Figure 5.8.
100,00%
90,00%
80,00%
% Goal Achievement
70,00%
60,00%
Economic Benefit
50,00%
Customer Benefits
40,00%
Quality Goal 1
30,00%
Quality Goal 2
20,00%
Quality Goal 3
10,00%
Quality Goal 4
0,00%
0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000
Budget (Millones €)
Figure 5.8: Goals vs. Budget

6 ALGUNOS EJEMPLOS

Practicar en la construcción de modelos.
Practicar en la explicación de resultados.

Construir un modelo y razonar críticamente sobre él.
Introducir los datos de un problema de una forma clara en el optimizador
Extraer conclusiones de la salida de ordenador
6.1 Introducción
A continuación se presentan varios modelos. El esquema básico es el
siguiente:
Enunciado de un problema: El lector debería extrapolar los sencillos

enunciados a su realidad cotidiana en busca de aplicaciones similares.
Modelado del problema: En muchos casos se incluye el modelo en formato

matemático. El lector puede pensar en formulaciones alternativas e incluso
criticar las expuestas, bien por su longitud, bien, porque hay algún error en
las mismas. ¡No sea tímido y arriésguese!
Resolución mediante la macro Solver: En general en todos los casos se
hacen comentarios sobre la solución o pequeños problemas que hayan
surgido en su resolución.
Preguntas adicionales: El capítulo acaba en casa del lector con nuevas

preguntas que recogen variantes del problema.
6.2 Modelo 1
Enunciado Modelo 1
Para el próximo periodo, una conocida marca de ropa vaquera tiene

previsto lanzar cuatro nuevos productos para jubilados. Al tratarse de una idea
revolucionaria, no nos han especificado las características de la ropa propuesta.
Pero su Dtor. de Control nos ha planteado un problema de maximización del
Ingreso. La nomenclatura utilizada y la justificación de las restricciones son las
siguientes:
La función objetivo INGRESO recoge el beneficio total en euros.
Los nombres de las variables son X1, X2, X3, X4, X5, X6, medidos en pares
de pantalones.
La restricción HORAS hace referencia a las horas de trabajo disponibles en el

periodo analizado.
La restricción TELA hace referencia a los m2 de tela disponibles.
La restricción de RELACIÓN nace porque se exige que la producción de X2 +

X3 suponga exactamente el 50% de la producción total de los 4 productos.
La restricción CLIENTE hace referencia a que el producto 1 va a ser

distribuido a un sólo cliente que exige 300 unidades: en todo caso, si no le
puede atender, deberá reducir la factura a este cliente en 2€ por cada par no
atendido. Por otro lado, al tratarse de un producto que creemos que se va a
vender bien al año próximo, se puede fabricar por encima de esa cantidad,
incurriéndose en un coste de almacenamiento estimado en 3€ por par.
ALGUNOS EJEMPLOS 117
6.2.1.1 Planteamiento Modelo 1
Función Objetivo
Maximizar INGRESO (€) = 5X1 + 2X2 + 3X3 + 2X4 -2X5 - 3X6
Restricción de HORAS
2X1 + 3X2 + 1X3 + 1X4 + d 600 HORAS
Restricción de TELA
2X1 + 1X2 + 2X3 + 3X4 + d 900 TELA
Restricción de CLIENTE
1X1 + X5 X6 = 300 CLIENTE
Restricción de RELACIÓN para el Modelo No Lineal
X2 + X3
X1 + X2 + X3 + X4 = 0,5 RELACIÓN
Restricción de RELACIÓN para el Modelo Lineal
-0,5X1 + 0,5 X2 + 0,5X3 - 0,5X4 + =0 RELACIÓN
Restricción de No Negatividad
X1 t 0 X2 t 0 X3 t 0 X4 t 0 X5 t 0 X6 t 0 (medidos en pares de pantalones)
Preguntas y Comentarios al Modelo 1

Como puede observar, la última restricción es en el fondo una
aplicación de la programación por metas vista en el capítulo anterior, con la
diferencia de que en este caso, el exceso o defecto sobre la meta propuesta
tienen un diferente impacto en el criterio a optimizar.
Resuelva ambos modelos para comprobar cómo la columna de

Multiplicador de Lagrange ofrece los mismos valores que la columna de precio
sombra en los informes de sensibilidad respectiva.
Solución Modelo 1
La solución del problema es la siguiente:
X1 = 300 X3 = 200 X5 = 100 Ingreso Neto = 1.400 €
El precio sombra de la restricción de Horas es de 3,33 €.
Preguntas Adicionales al Modelo 1:

Supóngase que la restricción de proporción hubiera sido planteada en
términos no tan exigentes, es decir, “la relación debe ser en el entorno
del 50%”. ¿Cómo afectaría al resultado?
El precio sombra nos dice que por una hora más el ingreso aumenta en
3,333. ¿Hasta qué limite de horas? Haga un dibujo de la variación del
ingreso desde no tener horas hasta que las horas se conviertan en un
factor no escaso para la empresa. Extraiga alguna conclusión.
6.3 Modelo 2
6.3.1 Enunciado Modelo 2
La empresa Manzanas Asturianas vende bolsas con manzanas y bricks
con sidra. La empresa clasifica las manzanas según su tamaño, en una escala de
1 a 10, de más pequeña y baja calidad a más grande y de mayor calidad.
¿Cuántas veces ha comprado una bolsa de manzanas o de otra fruta en el
supermercado y no todas han tenido el mismo tamaño?.
En el momento actual de análisis, tiene 250.000 kg. de manzanas de

clase 8 y 350.000 kg. de manzanas de clase 6.
La calidad media garantizada en las bolsas de manzanas es de clase 8,

como mínimo, mientras que para las bricks es suficiente con una calidad media
de 6. Cada bolsa de manzanas contiene 2 Kilos y proporciona un margen de 0,8
€/bolsa mientras que cada caja de 1 litro le supone un margen de 0,3 €/caja.
Suponga que 1 Kilo de manzanas proporciona 1 litro de sidra.
Para este modelo maneje las siguientes variables:
M8B Kg. de Manzanas de Clase 8 comercializadas en Bolsas

M8C Kg. de Manzanas de Clase 8 comercializadas en Cajas (Bricks)
M6B Kg. de Manzanas de Clase 6 comercializadas en Bolsas (Bricks)
M6C Kg. de Manzanas de Clase 6 comercializadas en Cajas (Bricks)
Función Objetivo
M8B + M6B
Maximizar Margen 0,8 2 + 0,3 (M8C + M6C)
Restricción de Calidad Media
8M8B + 6M6B
Bolsas M8B + M6B 7
8M8C + 6M6C
Cajas M8C + M6C 6,5
Restricción de Manzanas Disponibles
Clase 8 M8B + M8C 250.000 kg.
Clase 6 M6B + M6C 350.000 kg.
M8B, M8C, M6B, M6C 0
Como podemos observar hemos planteado directamente las

restricciones de calidad media de forma no lineal.
6.3.1.2 Preguntas y Comentarios al Modelo 2
Plantee las restricciones de calidad en forma lineal. Y Resuelva ambos

modelos para comprobar que la solución es la misma.
Estamos ante un caso en el que se plantea un ratio, al estilo de DEA

visto en el capítulo anterior, para que el lector reflexione sobre la linealización
de las fracciones.
6.3.1.3 Solución Modelo 2
La solución del problema nos ofrece una calidad de las cajas de 6,5 y en
el caso de las bolsas, la calidad media es de 7, consumiéndose todas las
unidades disponibles.
Compruebe el número de cajas que obtiene. ¿Es una solución válida? Si

su respuesta es negativa, introduzca el cambio necesario y vuelva a resolver el
problema.

En el informe de sensibilidad aparece el límite del intervalo de la
restricción de calidad en bolsas y cajas. ¿Es entendible? ¿Cómo lo
interpretaría?
Supóngase que se desea maximizar la calidad media de todas las

naranjas empleadas además de maximizar los ingresos. ¿Cómo
incorporaría esta nueva condición?.
¿Qué ocurre si el margen de las cajas pasa a ser 0,5€/caja.
6.4 Modelo 3
6.4.1.1 Enunciado Modelo 3
La reciente escasez en los inventarios de bancos de sangre en los

hospitales ha llevado a realizar un mayor esfuerzo en la planificación del reparto
de las reservas existentes. Así, un planteamiento para un mejor control supone la
centralización de todas las reservas en dos centros o bancos de sangre que
suministrarían a todos los hospitales de la comunidad autónoma.
En un esfuerzo de simplificación supongamos los siguientes datos

medidos en bolsas de cada uno de los tipos de sangre.
Bancos de Sangre Sangre Sangre Sangre Sangre

Tipo A Tipo B Tipo AB Tipo O
Banco de Sangre I 200 115 50 185
Banco de Sangre II 135 40 15 160
Tabla 6.1.: Oferta Disponible de Sangre (Oik) (Bolsas)
Hospitales Sangre Sangre Sangre Sangre

Tipo A Tipo B Tipo AB Tipo O
Hospital 1 45 20 8 42
Hospital 2 30 15 6 38
Hospital 3 70 27 13 65
Hospital 4 9 4 0 10
Hospital 5 36 16 8 37
Hospital 6 48 12 16 36
Hospital 7 30 10 6 49
Tabla 6.2: Demanda de Sangre (Djk) (Bolsas)
Origen: Origen:
Hospitales Destino Banco de Banco de
Sangre I Sangre II
Hospital 1 5 9
Hospital 2 12 10
Hospital 3 14 7
Hospital 4 27 19
Hospital 5 17 8
Hospital 6 9 16
Hospital 7 7 14
Tabla 6.3: Costes Unitario de Transporte (Cij) (€/Bolsa)
La variable a manejar es la siguiente:
xijk = nº de bolsas del Banco de Sangre “i” (i = I,II) transportadas al Hospital “j”
(j = 1,2,3,..,7) llenas con el tipo de sangre “k” (k = A,B,AB,O)
Función Objetivo: Minimizar el Coste Total de Transporte

2 7 4
Min CT (€) = ¦ ¦ ¦ cij xiik
i=1 j=1 k=1
Restricción de Oferta Disponible de cada tipo de sangre en cada Banco

7
¦ xiik d Oik i,k
j=1
Restricción de Demanda Mínima de cada tipo de sangre en cada Hospital

2
¦ xiik t Djk j,k
i=1
Restricción de Límite Transporte de Banco de Sangre al Hospital

4
¦ xiik d 100 i,j
k=1
Restricción de No negatividad de las variables xijk t 0 i,j,k
Este es el primer modelo donde la notación en forma de sumatorios

aparece con toda su crudeza. Quizás el lector no se encuentre habituado a este
tipo de notación. No se preocupe. Tenga en cuenta la explicación antes de la
notación.
¿Es la restricción de transporte limitativa? Si la respuesta es afirmativa,

resuelva nuevamente aumentando la capacidad del transporte a un número muy
grande. ¿Mejora la solución? ¿Cuál sería el tamaño de camión óptimo?
Como puede observar estamos ante un planteamiento de transporte de

un producto entre bolsas de suero. La recogida de sangre por parte de los
donantes, análisis y clasificación de los mismos en los hospitales,
establecimiento de unos mínimos de stock en los mismos para cada una de las
clases y después reparto entre los diferentes hospitales de una red es un tema
muy tratado en la literatura24
La solución del problema la extraemos en parte del informe de

respuestas obtenida con el Solver. Ver Tabla 6.4.
Tipos de Sangre
Envíos del Banco I A B AB O
Al Hospital 1 45 15 8 32
Tipos de Sangre
Envíos del Banco II A B AB O
Tabla 6.4a: Salida basada en Solver para Modelo 3
24 Ver, por ejemplo, Allocating Blood to Hospitals, por Costas Sapountzis,

publicado en el Journal of the Operational Research Society, Vol. 40, No. 5 (May,
1989), pp. 443-449.
Restricciones
$D$41 Banco de Sangre I A 142 0 200 1E+30 58
$E$41 Banco de Sangre I B 69 0 115 1E+30 46
$F$41 Banco de Sangre I AB 42 0 50 1E+30 8
$G$41 Banco de Sangre I O 117 0 185 1E+30 68
$D$42 Banco de Sangre II A 126 0 135 1E+30 9
$E$42 Banco de Sangre II B 35 0 40 1E+30 5
$F$42 Banco de Sangre II AB 15 0 15 7 1
$G$42 Banco de Sangre II O 160 0 160 2 9
$D$46 Hospital 1 A 45 9 45 9 14
$E$46 Hospital 1 B 20 9 20 9 14
$F$46 Hospital 1 AB 8 9 8 8 7
$G$46 Hospital 1 O 42 9 42 9 14
$D$47 Hospital 2 A 30 10 30 9 30
$E$47 Hospital 2 B 15 10 15 5 15
$F$47 Hospital 2 AB 6 10 6 1 6
$G$47 Hospital 2 O 38 10 38 9 2
$D$48 Hospital 3 A 70 14 70 25 33
$E$48 Hospital 3 B 27 14 27 25 27
$F$48 Hospital 3 AB 13 14 13 8 13
$G$48 Hospital 3 O 65 14 65 25 2
$D$49 Hospital 4 A 9 19 9 9 9
$E$49 Hospital 4 B 4 19 4 5 4
$F$49 Hospital 4 AB 0 19 0 1 0
$G$49 Hospital 4 O 10 19 10 9 2
$D$50 Hospital 5 A 36 8 36 3 36
$E$50 Hospital 5 B 16 8 16 3 16
$F$50 Hospital 5 AB 8 8 8 1 7
$G$50 Hospital 5 O 37 8 37 3 2
$D$51 Hospital 6 A 48 16 48 9 2
$E$51 Hospital 6 B 12 16 12 9 2
$F$51 Hospital 6 AB 16 16 16 8 2
$G$51 Hospital 6 O 36 16 36 9 2
$D$52 Hospital 7 A 30 7 30 5 30
$E$52 Hospital 7 B 10 7 10 5 10
$F$52 Hospital 7 AB 6 7 6 5 6
$G$52 Hospital 7 O 49 7 49 5 49
$D$55 Hospital 1 Clinica I 100 -4 100 14 9
$E$55 Hospital 1 Clinica II 15 0 100 1E+30 85
$D$56 Hospital 2 Clinica I 0 0 100 1E+30 100
$E$57 Hospital 3 Clinica II 100 -7 100 9 25
$D$60 Hospital 6 Clinica I 100 -7 100 2 9
Tabla 6.4b: Parte del Informe de Sensibilidad del Modelo 3


¿Cómo es el reparto? ¿Hay hospitales que sólo reciben sangre de un único
Banco?
Si el tamaño de los camiones hubiera sido de 200, ¿cuál habría sido la

solución?
¿Qué interpretación da al precio sombra de la restricción de transporte?
6.5 Modelo 4
6.5.1 Enunciado Modelo 4
La empresa REFIL dispone de dos refinerías en la zona sur de la
península. Las Refinerías, A y B procesan el petróleo y envían el resultado del
refino (Propano, butano, etc.) a diversos almacenes situados en la comunidad
andaluza. De todos estos productos, existe una excepción, el gasóleo.
Este producto, demandado fundamentalmente en el norte, se almacena

en dos Depósitos situados en la Zona Centro. El Depósito 1 atiende a la
demanda de la Zona Noroeste de la península mientras que el Depósito 2 atiende
a la demanda de la Zona Nordeste.
En la Tabla Siguiente se detalla el coste unitario de transporte de cada

una de las dos refinerías consideradas a los dos depósitos de la Zona Centro.
Origen \ Destino Depósito 1 Depósito 2
Refinería A 4 5
Refinería B 6 3
Tabla 6.5: Costes Unitarios de Transporte (€/m3)
Estos datos han sido obtenidos al comparar las ofertas de AUTOSA y
TRENSA para el transporte del gasóleo. La gerencia de REFIL ha dispuesto que
sea AUTOSA quién transporte el gasóleo con destino el Depósito 1 mientras
que ha contratado a TRENSA para que transporte el gasóleo al Depósito 2.
La producción de gasóleo en cada refinería es de 2.500 y 3.000 m3

respectivamente y debe ser trasladada en su totalidad a los Depósitos.
Por otro lado, la capacidad de los depósitos es bastante desigual, Así,
mientras el depósito 1 puede contener hasta 4.000 m3 y el Depósito 2. sólo hasta
1.500 m3.
Si utilizamos las siguientes variables:
XA1 = Gasóleo transportado de la Refinería A al Depósito 1
XA2 = Gasóleo transportado de la Refinería A al Depósito 2
XB1 = Gasóleo transportado de la Refinería B al Depósito 1
XB2 = Gasóleo transportado de la Refinería B al Depósito 2
Función Objetivo: Minimizar el Coste Total de Transporte
Min Coste Transporte = 4 XA1 + 5 XA2 + 6 XB1 + 3 XB2
Restricción de Oferta de las Refinerías
XA1 + XA2 = 2500 Refinería 1
XB1 + XB2 = 3000 Refinería 2
Restricción de Demanda de los Depósitos
XA1 + XB1 <= 4000 Depósito 1
XA2 + XB2 <= 1500 Depósito 2
XA1, XA2, XB1, XB2 >= 0
Este es un problema que permite plantear un modelo donde las variables

pueden definirse como una tabla de 2x2. Así, el lector puede practicar en el
Solver la introducción de las variables no en formato “columna” sino también
en este formato.
Nuevamente tenemos un campo de aplicación, el de las refinerías, muy

explotado por la optimización lineal. Resuelva el modelo y obtenga la salida de
sensibilidad. Atendiendo a la misma, la gerencia desea preguntarse sobre lo
siguiente:
¿A que coste unitario sería interesante enviar gasóleo de la refinería A al

Depósito 2, permaneciendo inalterados el resto de datos del problema?
Si el coste de transporte de la refinería B al Depósito 2 hubiera sido de 5,

¿qué cambios habría habido en los dos informes indicados?
La solución al planteamiento inicial la tenemos en el siguiente informe

de respuestas.
Celda objetivo (Mínimo)
Valor
Celda Nombre Valor final
original
$D$25 Coste Total 0 23500
Celdas cambiantes
Valor
Celda Nombre Valor final
original
$D$13 Refinería A Depósito 1 0 2500
$D$14 Refinería A Depósito 2 0 0
$D$15 Refinería B Depósito 1 0 1500
$D$16 Refinería B Depósito 2 0 1500
Restricciones
Valor de
Celda Nombre fórmula Estado Divergencia
la celda
$D$20 Refinería A Depósito 1 2500 $D$20=$E$20 Opcional 0
$D$21 Refinería B Depósito 1 3000 $D$21=$E$21 Opcional 0
$D$22 Depósito 1 Depósito 1 4000 $D$22<=$E$22 Opcional 0
$D$23 Depósito 2 Depósito 1 1500 $D$23<=$E$23 Opcional 0
Tabla 6.6: Informe de Solver del Modelo 4


Comente la siguiente afirmación: "Me interesa aumentar la capacidad del
Depósito 2".
En la oferta inicial, los costes de transporte que AUTOSA manejaba para el

transporte al Depósito 2 desde las refinerías A y B fueron de 6 y 4 €/m3
respectivamente. AUTOSA plantea a REFIL la siguiente opción:
“Si me garantizan un transporte mínimo de 5.000 m3, todos nuestros costes

se rebajan en un 5% sobre nuestra oferta inicial”.
6.6 Modelo 5
La empresa TRANSITO S.A.L. se dedica al transporte de viajeros

dentro de la Península. Durante el mes de Noviembre, tuvo la posibilidad de
presentarse a un concurso público para el transporte de viajeros por un parque
natural.
Tras analizar todas las posibilidades de la zona se han establecido varias

zonas de recreo que son las únicas en las que el turista podrá realizar paradas de
más de 5 minutos. Se ha elegido estas zonas fundamentalmente porque desde
ellas se divisan las partes más bellas y se molesta mínimamente a aquellas
especies protegidas que en este parque se encuentran. Estas zonas definen los
únicos caminos por los que se puede caminar o pasear.
En el siguiente gráfico se recogen la situación de las diferentes zonas,

los posibles caminos y la longitud de los mismos medidos en minutos a pié.
Se desea diseñar la ruta más corta entre la entrada y la salida para poder
así ofrecer esa ruta a turistas “más cansado”. En cualquier caso se desea que el
turista esté más de 70 minutos.
Z1
30
20
20 Z4
Entrada 25
Z2
15
35 50 25
20 40
Salida
45 35
Z3 Z5 N
W E
Gráfico 6.1: Mapa para Ruta más Corta
Para este problema, el planteamiento requiere del uso de variables

bivalentes, que es el objetivo de este ejercicio puesto que las decisiones aquí son
evidentes: tomar un determinado sendero o no.
Para ello definimos las siguientes variables:
EZ1 Ir de la Entrada a la Zona 1 o no Z2Z5 Ir de la Zona 2 a la Zona 5 o no
Z1Z2 Ir de la Zona 1 a la Zona 2 o no Z4S Ir de la Zona 4 a la Salida o no
Z1Z4 Ir de la Zona 1 a la Zona 4 o no Z5Z4 Ir de la Zona 5 a la Zona 4 o no
Z2Z4 Ir de la Zona 2 a la Zona 4 o no Z5S Ir de la Zona 5 a la Salida o no
Función Objetivo: Minimizar la Distancia Recorrida

20EZ1 + 25EZ2 + 35EZ3 + 20Z1Z2 + 30Z1Z4 + 15Z2Z4 + 40Z2Z5 +
20Z3Z2 + 45Z3Z5 + 50Z4Z5 + 25Z4S + 50Z5Z4 + 35Z5S
Restricción de Comienzo del camino en la entrada
EZ1 + EZ2 + EZ3 = 1
Restricción de Llegada a la Salida
Z4S + Z5S = 1
Restricciones en cada Zona: Lo que entra es igual a lo que sale
Zona1 EZ1 = Z1Z2 + Z1Z4

Zona2 EZ2 + Z1Z2 + Z3Z2 = Z2Z4 + Z2Z5
Zona3 EZ3 = Z3Z5 + Z3Z2
Zona4 Z1Z4 + Z2Z4 + Z5Z4 = Z4Z5 + Z4S
Zona5 Z2Z5 + Z3Z5 + Z4Z5 = Z5Z4 +Z5S
Todas las variables son bivalentes.
Para resolver el problema siga los siguientes consejos:
Introduzca el modelo en la macro Solver sin introducir la característica de

variables bivalentes.
¿Es la solución una solución entera? ¿Cumple el requisito mínimo de 70

minutos? Si no es así, introduzca esta condición y resuelva de nuevo sin
introducir la característica de variables bivalentes.
Compruebe si la solución obtenida es entera o no y posteriormente

introduzca la característica de bivalentes y analice el resultado.
Finalmente obtenga la ruta más corta desde todas las zonas a la salida.
¿Cuál es el camino más corto?

La solución del modelo inicial es un modelo de variables enteras de 65

minutos con el recorrido Entrada o Zona2 o Zona4 o Salida.
Al incluir la restricción de tiempo se obtiene por ejemplo que la variable

EZ2 toma el valor 0,9, que no tiene sentido. Cuando introduce la condición de
binarias el Solver indica que quizás no ha encontrado una solución válida. Esto
se debe a la tolerancia del 5% que aparece en las opciones. Si aumenta
ligeramente (al 8%) verá que la solución no cambia y que realmente era correcta
inicialmente. Ahora pasa por las zonas 1 y 4.

Suponga que ahora desea conectar entre sí todos los puntos mediante un
tendido de red óptica, de forma basta con que un punto esté conectado a la
red para que esté conectado. Es lo que se conoce como árbol de mínima
expansión. ¿Cómo lo resolvería? Nota: no es posible realizarlo mediante el
algoritmo Simples. Busque en la red el algoritmo. Verá que es muy sencillo.
En cualquier caso, suponga que desea la ruta más corta pero pasando
necesariamente por la Zona 3 puesto que se ha instalado allí un pequeño
puesto donde quiere que los turistas gasten algún dinero. ¿Cómo sería la
solución?
6.7 Modelo 6
Azucena Gardenias desea mejorar su cosecha de tomates, ganadores de

premios en numerosos concursos agrícolas. Con este fin, desea preparar un
fertilizante a partir de 4 productos químicos que puede encontrar en el mercado
(productos P1, P2, P3, P4).
El producto P1 cuesta 1,2€/kg y supondría una productividad de su jardín de

200 kg. de tomates por Hectárea.
El producto P2 cuesta 1,8€/kg y con él obtendría 450 kg. de tomates por

Hectárea.
El producto P3 permite obtener 500 kg. de tomates por Hectárea, aunque su
coste es superior. Le costaría 1,98€/kg.
Finalmente el producto P4 es el más barato, sólo 1,06 €/Kg, aunque su

productividad es la más pequeña puesto que sólo nos permitiría producir
100 kg. de tomates por Hectárea. Con cada kg. de cada producto obtiene un
kg. de fertilizante.
Un uso excesivo de cada producto inutilizaría el terreno para un futuro

aprovechamiento. Así, existen limitaciones técnicas que aconsejan no emplear
más de 15 kg. de producto 1, 20 kg. de producto 2, 25 kg. de producto 3, 24 kg.
de producto 4.
En estos momentos, el presupuesto disponible de Azucena es de 90€ y

considera que debería emplear como mínimo 60 kg. de fertilizante para
conseguir una buena cosecha. Además, se desea emplear como máximo
exclusivamente 3 de los fertilizantes.
La solución en este caso queda como sigue donde puede notar cómo
aparecen las variables enteras y las variables bivalentes.
6.7.1.2 Solución, Respuestas y Comentarios al Modelo 6
Este es un ejercicio muy sencillo en el que dejamos el planteamiento

matemático en manos del lector. Las variables están claramente definidas,
puesto que serían las cantidades de cada componente a utilizar.
Reflexione sobre la veracidad o falsedad de las siguientes afirmaciones

empleando la Tabla 6.7.
Si pudiera comprar un kilogramo más de producto 2 obtendría 28

kilogramos de tomate más.
Si el consumo mínimo exigido fuese menor sería interesante para conseguir

una mayor productividad.
Si tuviera un euro más para invertir compraría más del producto 3.
Si mejorar la productividad del producto 4 hasta las120 Kg./Hectárea,

entonces compraría más de dicho producto.
Finalmente suponga que nos obligan a introducir cantidades mínimas de
compra. Es decir, de cada fertilizante, si deseamos comprar algo, como mínimo
debe ser 12 kg.
Celdas cambiantes
$C$14 P1 15 0 200 1E+30 39,13043478
$C$15 P2 20 0 450 1E+30 28,26086957
$C$16 P3 10,32608696 0 500 35,13513514 313,2075472
$C$17 P4 14,67391304 0 100 46,15384615 1E+30
Restricciones
$C$22 PRESUPUESTO 90 434,7826087 90 13,5 8,58
$C$23 CONSUMO MINIMO 60 -360,8695652 60 4,333333333 6,818181818
$C$24 LIMITE P1 15 39,13043478 15 17,30769231 11
$C$25 LIMITE P2 20 28,26086957 20 12,83783784 18,24324324
$C$26 LIMITE P3 10,32608696 0 25 1E+30 14,67391304
$C$27 LIMITE P4 14,67391304 0 24 1E+30 9,326086957
Tabla 6.7: Informe Sensibilidad Modelo Sencillo 6

Suponga que sólo desea emplear tres tipos de productos químicos. ¿Cuál
sería el planteamiento del problema? ¿Cuál sería la solución?
6.8 Modelo 7
Las compañías aéreas, especialmente a partir de 2001, compiten en dos
niveles: servicio y sobretodo precio. Para poder ofrecer un precio competitivo,
deben controlar sus costes. Y entre estos costes, el coste del combustible es uno
de los más importantes25.
El incremento de los precios del crudo a finales del verano de 2002 ha

impulsado a la compañía “Volare S.A” a planificar de otra forma su compra de
combustible.
25
Este ejercicio se basa en el artículo: A multiple period capacitated inventory
model for airline fuel management: a case study, por PP Zouein, WR Abillama y E
Tohme, publicado en el Journal of the Operacional Research Society, Vol 53, pp. 379 –
386.
Los objetivos perseguidos por este caso, y que los diferencia de los
anteriores son:
Presentar un caso de planificación de compras sin entrar en consideraciones

sobre modelos de gestión de stock
Presentar un caso donde se une una regresión lineal como forma de

alimentar un modelo de programación lineal
Presentar un caso donde el análisis de sensibilidad se revela muy

interesante.
Raquel Solero, gerente de la empresa está preocupada por el coste de

combustible. Reflexionando sobre este consumo, Raquel sabe que un avión
siempre carga un exceso de combustible sobre el normalmente necesario para un
viaje concreto. De este modo, una primera idea pudiera ser comprar combustible
en aquellos aeropuertos o destinos donde éste resulte más barato.
Pero por otro lado, el exceso de carga supone un peso adicional en el

avión, lo que lleva a un consumo mayor de combustible. Así, los ahorros por
compra pueden ser superados por el mayor consumo de combustible.
De este modo, está pensando en el problema como un problema de

gestión de inventarios, en el que en vez de decidir en cada periodo cuanto se
debe producir, piensa cuanto cargar en cada avión cada vez que aterriza.
La demanda, es decir, el consumo de fuel de un avión depende de

muchas características: el peso, las condiciones climáticas, la duración del viaje,
el plan de viaje (por ej. la altura a la que viaja).
Dentro de este planteamiento casi de inventarios, Raquel considera que

el concepto de stock de seguridad aparece: es necesario un mínimo puesto que a
veces hay retrasos en el avión (ej. Congestión en un aeropuerto).
6.8.1.2 El primer problema: el fuel
A Raquel siempre le ha parecido atractiva la idea de aplicar sus

conocimientos estadísticos en la vida real, y así, como en otras ocasiones ha
utilizado la programación lineal para programar los vuelos, las plantillas, etc.
Considera que en este caso, este primer problema puede resolverlo con una
regresión. Así, empleando información histórica sobre los vuelos realizados en
varios trayectos piensa modelar una regresión. De hecho, con los datos de la
Tabla 6.8 ha comprobado cómo la relación es muy lineal, de forma que la
regresión puede ser un instrumento interesante. En cualquier caso, realizará la
prueba de hipótesis correspondiente para comprobar la existencia de relación o
no.
Duración Peso al Consumo Duración

(Horas) despegue Fuel *Peso
(Kg.) (Litros) (Kg*h)
5,8 120.100 22.580 696.580
5,8 117.000 21.100 678.600
5,25 117.500 21.820 616.875
5,25 125.700 23.610 659.925
5,1 125.300 23.620 639.030
5,1 120.600 21.600 615.060
4,96 116.500 21.300 577.840
4,96 129.400 22.500 641.824
4,96 118.900 21.670 589.744
4,96 115.400 21.390 572.384
4,87 129.400 22.780 630.178
4,87 110.600 19.800 538.622
4,87 121.000 20.980 589.270
4,87 116.900 20.320 569.303
4,87 120.500 20.890 586.835
4,87 128.800 22.220 627.256
4,87 120.500 20.890 586.835
4,87 125.300 21.660 610.211
4,8 116.000 19.910 556.800
4,8 123.500 21.090 592.800
4,8 122.300 20.900 587.040
4,8 120.700 20.650 579.360
4,73 119.600 20.200 565.708
4,73 127.000 21.350 600.710
4,64 120.400 19.970 558.656
4,58 122.200 20.000 559.676
4,58 113.500 18.750 519.830
4,58 123.700 20.230 566.546
4,5 113.200 18.750 509.400
Tabla 6.8: Datos para la regresión de consumo de combustible
Pregunta Adicional al Modelo 7:

Estime mediante regresión lineal la siguiente ecuación:
Consumo Fuel = a + b (Duración*Peso)
Puede utilizar la regresión lineal normal o aplicar el ejemplo de

programación por metas del capitulo anterior. En el caso de mínimos
cuadrados ordinarios compruebe que obtiene:
Consumo Fuel = 6867,13583 + 0,024001946 (Duración * Peso)
Así, empleará la ecuación de esa recta para la estimación del Consumo de Fuel
para todos los viajes.
6.8.1.3 El resto del problema
Superado el primer problema, Raquel consiguió recoger para ese avión

todos los recorridos a realizar en un próximo periodo, indicando el precio del
combustible en cada uno de los destinos, reflejados en la misma moneda.
Ese dato, junto con la carga a transportar, y el nivel de fuel como stock
de seguridad al acabar el vuelo se recoge en la tabla siguiente.
Precio de
Stock de
Duración compra de
Vuelo Carga Seguridad
(Horas) combustible
(Kg.)
(€/litro)
1 2,64 19935 0,2338 7.508
2 2,89 7.978 0,2289 6.250
3 4,35 18.008 0,2338 5.450
4 3,73 20.005 0,2094 6.122
5 2,46 23.403 0,2338 10.263
6 2,47 2.418 0,2363 6.085
7 4,1 19.099 0,2338 5.645
8 3,88 12.008 0,2035 6.142
9 4,1 9.823 0,2338 5.645
10 3,88 12.578 0,2035 6.142
11 4,9 19.878 0,2338 5.657
12 4,03 11.978 0,2076 6.205
13 2,56 15.778 0,2338 10.263
14 2,47 6.478 0,2363 6085
Tabla 6.9: Datos de los Vuelos
Suponga que un litro es un kg. Los vuelos son consecutivos. Es decir, el
destino del viaje “1” es el origen del viaje “2”. El final del viaje “14” es el inicio
del viaje “1” en un aeropuerto peninsular.
Finalmente, para el tipo de avión a manejar los principales datos son:
• PMD (Peso Máximo Autorizado al Despegar) = 143.500 Kg.
• PMA = Peso Máximo Autorizado al Aterrizar = 131.000 Kg.
• PV = Peso en vacío del avión = 75.412 Kg.
• Tamaño del tanque de gasolina = 40.000 Kg.
6.8.1.4 Solución, Respuestas y Comentarios al Modelo 7
Raquel quiere saber cuál es la cantidad de combustible a comprar en

cada inicio del vuelo para minimizar el coste total del avión.
A la hora de plantear el modelo, recuerde que Raquel ha utilizado la

ecuación de la regresión anterior de la siguiente manera:
Consumo del viaje “i” = Término Independiente + pendiente x Duración

x Todo el peso del avión en el viaje.

Realice un análisis de sensibilidad de la solución ante cambios en la
estimación del consumo.
Reflexione sobre las siguientes cuestiones:
La principal duda reside en la forma de cálculo de la estimación del
consumo. ¿Qué opinión le merece la forma de cálculo? ¿Por qué no
utiliza una aproximación no lineal?
Además, Raquel no indica la procedencia de los datos. ¿Son
aplicables esas cifras a todos los vuelos?
Por otro lado, la determinación del stock de seguridad tampoco
aparece claramente especificada.
6.9 Modelo 8
6.9.1.1 Presentación del Modelo 8
Frente al resto de los modelos, este es un modelo sencillo de

planteamiento que se indica a continuación. Estamos ante un problema de
secuenciación de operaciones, que, como se da en la vida real, habrá que
comprobar si comparten o no recursos.
6.9.1.2 Enunciado del Modelo 8
La empresa TORNILLOSA produce dos componentes (XE1, GY2)

utilizando para ello cuatro máquinas (A,B,C,D). El proceso de producción de
cada unidad está basado en seis operaciones secuenciales. Los tiempos de cada
operación y la máquina a utilizar se indican en las siguientes tablas.
Operación 1 2 3 4 5 6
Máquina A B A B A A
Tiempo 8,5 6,1 7,2 9,3 8,4 2,5

Tabla 6.10: Tiempo de proceso para el Componente XE1
Operación 1 2 3 4 5 6
Máquina C D C B C C
Tiempo 7 5 9 8 6 5
Tabla 6.11: Tiempo de proceso para el Componente GY2
En cada momento una única operación puede hacerse en cada máquina
y deben hacerse todas las operaciones en el orden indicado. Indique cuál sería el
mínimo tiempo necesario para tener fabricado una unidad de cada componente.
6.9.1.3 Planteamiento del Modelo 8
La definición de las variables es la siguiente:
xi = Tiempo de inicio de la operación “i” (i = 1,2,...,6) para el producto XE1

yi = Tiempo de inicio de la operación “i” (i = 1,2,...,6) para el producto GY2
Pero también nos hace falta una variable adicional que “T” tiempo de
finalización de la producción de una unidad.
Restricción de Comienzo de actividades
Las limitaciones del problema vienen dado por la secuencia de las

operaciones. Así, por ejemplo, la operación nº 3 no puede iniciarse sin antes
haber completado la operación 1 y así sucesivamente. De este modo tenemos las
siguientes restricciones, que por brevedad, sólo incluimos la del producto XE11
No empezar oper. 2 en Máq. B sin acabar oper. nº 1 en Máq. A x2 t x1 + 8,5
No empezar oper. 3 en Máq. A sin acabar oper. nº 2 en Máq. B x3 t x2 + 6,1
No empezar oper. 4 en Máq. B sin acabar oper. nº 3 en Máq. A x4 t x3 + 7,2
No empezar oper. 5 en Máq. A sin acabar oper. nº 4 en Máq. B x5 t x4 + 9,3
No empezar oper. 6 en Máq. A sin acabar oper. nº 5 en Máq. A x6 t x5 + 8,4
Acabar la producción del producto XE11 T t x6 + 2,6
Restricción de No negatividad de las variables
x1 t 0 x 2 t 0 x3 t 0 x4 t 0 x5 t 0 x6 t 0 T t 0
Función Objetivo
Minimizar el tiempo de producción del producto Min T

Suponga que en la máquina D está averiada y el componente GY2 debe
pasar también por la máquina B. ¿Cómo afectaría al resultado?
6.10 Modelo 9
En un avión carguero, es decir, que sólo transporta carga, podemos

distinguir tres zonas posibles de almacenamiento: delantera (D), central (C) y
trasera (T). En cada una de esas zonas hay una limitación de peso máximo y
volumen máximo. Así, los datos proporcionados por CARGOLIGHT a la
consultora Pling para su avión A325 respecto a la capacidad máxima (en peso y
volumen) son los siguientes:
Compartimento Peso (Tm) Volumen (m3)

(Valores de “j”) PMaxj VMaxj
Delantero 10 6.800
Central 14 8.700
Trasero 6 5.300
Tabla 6.12: Restricciones de Peso y Volumen
En la actualidad se la han presentado cuatro clientes con las siguientes
características en cuanto a capacidad (peso y volumen). Las tarifas a cobrar por
Tm a cada cliente son los siguientes se incluyen también en la última columna
de dicha tabla
Clientes Peso (Tm) Volumen (m3) Tarifa (€/Tm)

(Valores de “i”) Pesoi Voli Ci
Cliente 1 7 480 310
Cliente 2 9 650 380
Cliente 3 8 580 350
Cliente 4 6 390 285
Tabla 6.13: Restricciones de Peso y Volumen
Además, el porcentaje de utilización de cada compartimento (en
términos de peso) debe ser el mismo para tener el avión balanceado.
6.10.1.2 Planteamiento del Modelo 9
Con estos datos, la consultora Pling definió la siguiente variable:
xij = Tm del cliente “i” (i = 1, 2, 3, 4) colocadas en el compartimento “j” (j = D, C,

T)
Y finalmente, con estos mimbres, planteó el siguiente problema:
Función Objetivo: Maximizar el Ingreso Total
4 3
Max Ingresos Totales (€) = ¦ ¦ [ci xij ]
i=1 j=1
Restricción de cumplimientos de pedidos
3
¦ xij = Pesoi i = 1, 2, 3, 4
j=1
Restricción de Peso Máximo en Cada Compartimento
4
¦ xij d PMaxj j = D; C; T
i=1
Restricción de Espacio en Cada Compartimento
4
¦ voli xij d Vmaxj j = D; C; T
i=1
Restricciones de equilibrio entre zonas
4 1 4 1 4 1 4 1
Zona Delante = Zona Centro ¦ 10 xiD = ¦ 14 xiC ¦ 10 xiD ¦ 14 xiC = 0
i=1 i=1 i=1 i=1
4 1 4 1 4 1 4 1
Zona Centro = Zona Trasera ¦ 14 xiC = ¦ 6 xiT ¦ 14 xiC ¦ 6 xiT = 0
i=1 i=1 i=1 i=1
Restricción de No Negatividad de las Variables
xij 0 i = 1, 2, 3, 4 j = D, C, T
Finalmente se adjunta la resolución del problema mediante el programa

SOLVER.
6.10.1.3 La solución que disgusta
Este es un caso distinto de los demás porque la empresa

CARGOLIGHT no está muy conforme con los resultados obtenidos. De hecho,
en un memorando interno considera que la solución obtenida es “basura, bien
envuelta, pero en definitiva, no aporta nada” y por tanto no está dispuesta a
pagar la tarifa de la consultora. ¿Cuál es su opinión al respecto?.
1. Comente la solución obtenida desde el punto de vista

matemático como de gestión.
2. Introduzca en el planteamiento la condición de que cada pedido

sólo puede ir a un compartimento del avión.
3. Introduzca en el planteamiento la condición de que no pueden

ponerse juntos en una zona los pedidos de los clientes 1 y 2. (En la realidad, por
ejemplo, no se pueden transportar unas frutas con otras porque se aceleran el
proceso de maduración).

Introduzca en el planteamiento la condición de que cada pedido sólo puede ir
a un compartimento del avión.
Introduzca en el planteamiento la condición de que no pueden ponerse juntos
en una zona los pedidos de los clientes 1 y 2. (En la realidad, por ejemplo,
no se pueden transportar unas frutas con otras porque se aceleran el proceso
de maduración).
Celda objetivo (Máximo)
Celda Nombre Valor original Valor final
$C$49 Ingreso Total 0 10100
Celdas cambiantes
$C$15 Cliente 1 Delantero 0 0
$D$15 Cliente 1 Central 0 7
$E$15 Cliente 1 Trasero 0 0
Restricciones
Celda Nombre Valor de la celda fórmula Estado Divergencia
$C$24 Cliente 1 Delantero 7 $C$24=$E$24 Opcional 0
$C$31 Peso Maximo Delantero 10 $C$31<=$E$31 Obligatorio 0
$C$32 Peso Máximo Central 14 $C$32<=$E$32 Obligatorio 0
$C$33 Peso Máximo Trasero 6 $C$33<=$E$33 Obligatorio 0
$C$37 Volumen Maximo Delantero 6430 $C$37<=$E$37 Opcional 370
$C$38 Volumen Máximo Central 6280 $C$38<=$E$38 Opcional 2420
$C$39 Volumen Máximo Trasero 3480 $C$39<=$E$39 Opcional 1820
$C$43 Zona Delante - Zona Centro 0 $C$43=0 Opcional 0
Tabla 6.14: Informe de Respuestas del Modelo 9

$C$15 Cliente 1 Delantero 0 0 310 0 1E+30
$D$15 Cliente 1 Central 7 0 310 1E+30 0
$E$15 Cliente 1 Trasero 0 0 310 0 1E+30
$C$16 Cliente 2 Delantero 9 0 380 1E+30 0
$D$16 Cliente 2 Central 0 0 380 0 1E+30
$C$17 Cliente 3 Delantero 1 0 350 0 0
$D$17 Cliente 3 Central 1 0 350 0 0
$E$17 Cliente 3 Trasero 6 0 350 1E+30 0
$C$18 Cliente 4 Delantero 0 0 285 0 1E+30
$D$18 Cliente 4 Central 6 0 285 1E+30 0
Restricciones
$C$25 Cliente 2 Delantero 9 380 9 0 2,142857143
$C$26 Cliente 3 Delantero 8 350 8 0 2,142857143
$C$31 Peso Maximo Delantero 10 0 10 1E+30 0
$C$32 Peso Máximo Central 14 0 14 1E+30 0
$C$33 Peso Máximo Trasero 6 0 6 1E+30 0
$C$37 Volumen Maximo Delantero 6430 0 6800 1E+30 370
$C$38 Volumen Máximo Central 6280 0 8700 1E+30 2420
$C$39 Volumen Máximo Trasero 3480 0 5300 1E+30 1820
$C$43 Zona Delante - Zona Centro 0 0 0 0 0
Tabla 6.15: Informe de Sensibilidad del Modelo 9
6.11 Modelo 10
La administración pública suele sacar a concurso la realización de

diferentes proyectos. En los casos de proyectos de gran envergadura, las
diferentes fases del mismo pueden asignarse a distintos contratistas.
La construcción de la pasarela peatonal de Uribitarte en Bilbao fue un

buen ejemplo de ello. Su construcción abarcó, agregadamente, cuatro fases:
FASE I: Cimentación
FASE II: Anclajes y Pasarela de Hormigón
FASE III: Pasarela Metálica
FASE IV: Pavimentación y otras obras menores.
Para el concurso se presentaron 4 contratistas con las siguientes

proposiciones recogidas en la Tabla I
Coste de la
Contratista Proposición Fase que incluye Proposición
(Miles €)
1A I y II 250
nº 1
1B I , II y III 400
2A II y III 125
nº 2
2B II y III y IV 350
nº 3 3A I 166
3B II 191
3C III 170
3D IV 120
nº 4 4A III y IV 363
4B I, III y IV 600
nº 5 5A I y III 413
5B I y IV 675
Tabla 6.16: Propuestas de los Contratistas
6.11.1.2 Las restricciones impuestas
El contratista nº 3 indicó que realizaría un descuento del 15%, sobre las

cantidades ofrecidas en cada proposición si se le concedía tres o cuatro fases.
El Administrador impuso como restricción que el nº de contratistas sea

como máximo de 3.
6.11.1.3 Comentarios al Modelo
Este es un problema muy típico que puede relacionarse con otras tareas
en la empresa: asignar personal a tareas, diseñar el horario de clases del aula de
formación, etc.
Es un problema relativamente sencillo y cómo tal al resolverlo es muy

posible que quizás le dé un resultado que le cause extrañeza. Si es así, descanse
un poco y revise el modelo con calma.

Suponga que para el caso anterior tres empresas de consultoría le han hecho
un ranking sobre la fiabilidad de ajuste a los presupuestos de los contratistas
indicados.
Así, en la tabla siguiente, un “1” significa muy fiable mientras que un 5
supone poca fiabilidad, es decir, que de escoger ese contratista la realidad de
gasto será notablemente superior a la indicada. ¿Cómo afectaría esto a su
resultado?
Valoración Valoración Valoración

Contratista
Consultora A Consultora B Consultora C
Nº 1 1 2 3
Nº 2 2 1 2
Nº 3 5 3 1
Nº 4 4 5 4
Nº 5 5 4 5
7 CONTINUARA…
El objetivo de este capítulo es el siguiente:
x Cerrar el libro desde una perspectiva doble:
Una perspectiva experiencial.
Una perspectiva emocional.
Hemos llegado al final del libro, pero como reza el título, no estamos
ante una conclusión como sería una terminación al uso. Podría tratarse del
epítome de todo el libro, pero ¿qué valor aportaría al lector?.
Dado que usted lector ha debido pagar por el libro, y, por tanto, dentro
de su problema de optimización lineal recurrente: ¿cómo gastar sus fondos? es
preciso que estas páginas también le ofrezcan, al menos, algo para pensar en
torno a la experiencia de la optimización.
Así, estas pocas líneas son, en el fondo, un enfoque aún más

multidisciplinar porque …. en fin, siga leyendo y viva la experiencia.
Si acudimos, una vez más, al Diccionario de la Real Academia de la

Lengua, en su versión on-line, www.rae.es y buscamos el significado de la
palabra experiencia podemos encontrar, además de su relación con experimento,
las siguientes acepciones:
Hecho de haber sentido, conocido o presenciado alguien algo.
Práctica prolongada que proporciona conocimiento o habilidad para hacer

algo.
Conocimiento de la vida adquirido por las circunstancias o situaciones
vividas.
Circunstancia o acontecimiento vivido por una persona.
Desde la perspectiva del autor de este libro, estas cuatro opciones se

puede agrupar en dos familias: las acepciones relacionadas con la práctica, con
la experimentación propiamente dicha y las relacionadas con la idea de “vivir”
un hecho.
Una experimentación que no llega a sentirse se queda en un

conocimiento mecánico que difícilmente puede trasladarse a otras personas.
7.1 El libro como emoción

Nuevamente, la Real Academia de la Lengua define emoción como
“Interés, generalmente expectante, con que se participa en algo que está
ocurriendo”. El diccionario de Oxford, en la explicación de “emotion” nos dice:
“a strong feeling, such as joy or anger. 2 instinctive feeling as distinguished
from reasoning or knowledge”.
La optimización lineal requiere emoción en la realización de la tarea. En

la actualidad se habla profusamente sobre la importancia de las personas en la
gestión y se publican numerosos libros, científicos, a modo de cuentos, etc.
Dentro de este tema, Carmen García Ribas habla sobre gestión de patrimonio
emocional, sobre el miedo. Muchas veces, los temas “matemáticos” no atraen a
las personas. Se tiene “miedo” sobre ellas y las personas se paralizan. Este libro,
excepto en los anexos, ha pretendido romper esa barrera.
Así, siguiendo las ideas de Carmen, un miedo gerencial es el miedo a la

fracaso. Intencionadamente el libro ha seguido las palabras con las que el
famoso pianista Daniel Barenboim guía al también excelente pianista sevillano
Javier Perianés en su clase magistral sobre la interpretación del primer
movimiento de la Sonata nº 31 op. 110 de Beethoven y que responden
curiosamente esa misma emoción. El argentino comenta que Beethoven pone al
pianista al límite en ese primer movimiento, le “asoma a un abismo” pero no le
hace caer.
Los capítulos 1 al 4 tratan de colocar al lector “sobre el abismo” de la

matemática pero afortunadamente los capítulos 5 y 6 ayudan a no arrojarse en
sus brazos con “ejecuciones” asequibles de la técnica.
CONTINUARA… 149
7.2 El libro como experiencia

“Quien no quiere pensar es un fanático; quien no puede pensar, es un
idiota; quien no osa pensar es un cobarde.” Son palabras de Sir Francis Bacon
(1561-1626). Si ha llegado al final del libro puede estar seguro que no se
encuentra en la última categoría de esta impactante cita.
En un reciente libro de Chris Anderson26 (2007) podemos leer en su

página 89: “Es maravilloso ver una película o escuchar un tema musical y
pensar que alguna persona de talento y un aparato han creado esa singular obra
de arte que apreciamos. Sin embargo, una vez que conocemos lo que hay detrás
del telón, empezamos a comprender que podríamos ser nosotros mismos.
Cuando las herramientas de producción son transparentes, nos inspiran a creer;
y cuando las personas comprenden cómo se ha realizado la gran obra, es más
probable que quieran hacerla ellas mismas.”
Este libro, con humildad, ha pretendido hacer transparente la

optimización lineal, de forma que el lector pueda convertirse en actor
protagonista en su puesta en práctica. En cualquier caso, conviene recordar que
estamos ante una técnica que necesita del trabajo en equipo.
En la Figura 7.1 se ha tratado de exponer los pasos a seguir en la

aplicación de lo visto en el libro, independientemente del tipo de problema a
tratar. No es trata de una sistemática rigurosa, y contrariamente al espíritu del
libro, la trayectoria no es “lineal”. Se mencionaba en una actividad un artículo
de Michael Pidd (1999) que daba una guía práctica para el modelado. Ahora que
terminamos resulta conveniente terminar con sus consejos, que podemos
resumir como sigue:
x Comenzar con pequeños problemas, que permiten éxitos rápidos y generar

confianza para probar con modelos más amplios, complejos que requieren
un análisis más pormenorizado del problema.
x Tras los resultados ser autocríticos, recordando que los mismos dependen de
la bondad de los datos.
x Paciencia, paciencia, paciencia, porque el camino no es lineal.
26 La Economía Long Tail: De los mercados de masas al triunfo de lo

minoritario. Ediciones Urano, Barcelona, pp. 318
Feedback
APLICACIÓN
DIMENSIONES
DEL MOTOR DE
DEL MODELO
OPTIMIZACIÓN
Descripción
de las
necesidades / Planteamiento del
cuestiones a modelo : Validación del
Selección de la Resolución: Conclusio
resolver Variables modelo con la
herramienta OPTIMIZACIÓN nes
mediante un Restricciones situación actual
modelo de Función Objetivo
optimización
Introducción Periodo de
Búsqueda de
del Modelo en Juego
Información
la Herramienta
Segundos Resultados y Presentación de

Primeros Resultados y Contratiempos Resultados:
Contratiempos
¿Estamos forzando el ¿Cómo sale la
¿Somos Capaces? modelo para que dé un organización en la foto?
¿Seguimos? resultado determinado?
¿Era la organización
¿Cómo son nuestros datos? ¿Controlamos el software consciente de la distancia
utilizado? respecto el óptimo?
Figura 7.1: Un sinuoso camino
7.3 Un final inesperado

Llegamos al final. De la misma forma que resultó difícil introducir el
libro, su finalización parece complicada. Para ello, vamos a echar mano de dos
recursos: un comentario y un examen.
7.3.1.1 Un comentario
El primer capítulo relacionó teoría de gestión con la necesidad de un

recurso matemático para afrontar problemas con más factores escasos. Ahora
acabamos rotando el argumento: de la optimización a la gestión.
Desde hace varios años, en el campo de la construcción de algoritmos

para resolución de problemas, por ejemplo, de redes, se ha trabajado en lo que
se denomina “swarm intelligence”. La idea surgió del análisis del
comportamiento de las hormigas, quienes como sujetos individuales no se
comportan y reaccionan tan inteligentemente ante el entorno como lo hace la
CONTINUARA… 151
colonia en su conjunto. Como no podía ser menos27, desde ese campo se
trasladaron las ideas al campo de gestión. Así, las ventajas según Bonabeu y
Meyer (2001) son las siguientes:28
Flexibilidad, puesto que el grupo se adapta rápidamente a los cambios:
Robustez, dado que aunque falle un miembro o varios, el conjunto puede

lograr realizar las tareas.
Autonomía: El grupo requiere de poca supervisión para trabajar

correctamente.
Un trabajo de optimización lineal es un trabajo en equipo, donde esas

tres características pueden aplicarse con naturalidad.
7.3.1.2 Un examen
Y como todo final de un camino debe resolver una encrucijada. En este

caso, se le propone un examen final. Siguiendo a Carmen García Ribas, “respira
y sonríe”. Veamos que tal lo afronta.
Un Primer Modelo:
Un avispado experto en divisas ha estado examinando la siguiente
información sobre la cotización de las divisas:
Moneda Euro Libra Yen
Euro 1 0,6 133,8
Libra 1,445 1 193,37
Yen 0,008 0,005 1
Dicha tabla nos dice, por ejemplo que 1Libra = 193,37 Yen. Pero
curiosamente si deseo saber cuántas libras suponen esa cantidad de yenes no es
27 Al lector quizás le venga a la cabeza ahora una de las recomendaciones de

Michael Pidd (1997, p. 121): “Use metaphors, analogies, and similarities”.
28 Swarm Intelligence. Por Bonabeau, Eric; Meyer, Christopher. Harvard
Business Review, May2001, Vol. 79 Issue 5, pp 106-114
la cantidad inicial (1Libra) sino una más pequeña (0,96685=0,005*193,37). Pero
también puede ocurrir que gane.
Así considera, que suponiendo nulos los costes de transacción, es

posible obtener unas ganancias por arbitraje. De este modo considera que es
posible plantear un modelo de programación lineal continua donde poder saber
cuál es la mejor forma de con 10.000 euros conseguir un retorno superior a esa
cantidad haciendo sucesivos cambios de moneda.
Un segundo modelo:
Una empresa está diseñando un gigantesco parque de atracciones en la
zona norte para quitar influencia a los parques temáticos de la zona de Levante.
El parque sólo admitirá como visitantes a grupos de más de 10 personas, para
garantizar así una cierta rentabilidad.
Es evidente el tiempo no muy soleado de esta zona, de modo que los

gestores del parque van a diseñarlo como una gran aventura: cada grupo deberá
buscar un tesoro, en un plazo máximo de 6 horas (de 8.00h a 14.00h o 14.30 h a
22h 30), que supondría lograr el premio de un viaje en crucero, para todo el
grupo, a lo largo del Cantábrico a realizar cuando se cierre el parque en Octubre.
Para ello tendrán que superar pistas, problemas, ataques del personal del parque,
etc. No es por tanto una visita guiada, sino que va a requerir a los participantes
unas ciertas dosis de valor (aunque en ningún caso correrán peligro).
El parque está dividido en 6 zonas y se desea colocar hospitales de

campaña permanentes en el centro de algunas de dichas zonas. Se desea que el
centro de cada zona no esté a más de 12 minutos del hospital más cercano. Las
distancias (medidas en minutos) entre los centros de las 6 zonas son las
recogidas en la Tabla 7.1.
Con esta información plantee el programa lineal que considere oportuno

para saber cuántos hospitales hace falta poner y en qué zonas. NOTA: este
ejercicio es una simplificación. Puede tener una aplicación por ej. en el caso de
cuántas cámaras de seguridad poner en una determinada sala de un museo, etc.
Es el tipo de problemas denominados de cubrimiento o “set covering problem”.
CONTINUARA… 153
De \ a Zona 1 Zona 2 Zona 3 Zona 4 Zona 5 Zona 6
Zona 1 0 10,5 9,5 16,5 9,5 12,5

Zona 2 10,5 0 8,5 10,5 10,5 16,5
Zona 3 9,5 8,5 0 10,5 6,5 6,5
Zona 4 16,5 10,5 10,5 0 8,5 15,5
Zona 5 9,5 10,5 6,5 8,5 0 12,5
Zona 6 12,5 16,5 6,5 15,5 12,5 0
Tabla 7.1: Tabla de Distancias
Un tercer modelo29:
Un grupo empresarial del sector de fabricación de papel desea analizar
el grado de eficiencia de su departamento de mantenimiento de instalaciones.
Para ello ha obtenido los siguientes datos de sus trece plantas productivas en
Europa, América y Asia:
Área Fábr. CM1 CM2 HE Prod.
1 87 61 9 96,8
2 94 31 11 94,4
Asia
3 94 42 13 93,6
4 105 44 10 96,3
5 98 73 13 84
6 106 98 11 95,2
América
7 107 33 7 90,6
8 110 106 7 91,8
9 115 43 19 93
10 74 29 8 93,1
Europa 11 96 60 16 89,2
12 88 61 14 96,9
13 99 79 17 92,8
Tabla 7.2: Inputs y Outputs
En esta tabla, los inputs considerados son:
29 Basado en el artículo “Assesing and Benchmarking maintenance

performance in a manufacturing facility: a data envelopment analysis approach”, por
Mohamed Djerdjouri, publicado en INFOR vol. 43. no. 2 May 2005
x CM1: Coste de Mantenimiento dedicado a instalaciones que producen
papel, en €/Tm
x CM2: Coste de Mantenimiento dedicado a instalaciones dedicadas a fabricar

bolsas de papel de diversos tamaños, actividad también importante en este
sector.
x HE: Indicador de horas extras imprevistas, en tanto por ciento, sobre las
horas totales de mantenimiento (horas normales, extras planificadas y extras
imprevistas).
En esta tabla, el único output considerado es:
x Prod: Un indicador de productividad, de forma que a mayor índice, mejor

para la empresa.
Con estos datos haga un breve informe sobre la eficiencia de las

diferentes plantas productivas en el empleo del servicio de mantenimiento de
cada empresa.
8 BIBLIOGRAFÍA
8.1 Libros y Artículos

AHERN, AOIFE Y GABRIAL ANANDARAJAH (2007): “Railway projects
prioritisation for investment: Application of goal programming”, Transport
Policy, Vol. 14, Issue 1, January, pp 70-80.
ALVAREZ PINILLA, ANTONIO (Coord.) (2001): La medición de la eficiencia y de

la productividad, Ed. Pirámide, Madrid, pp. 363.
ANDERSON, CHRIS (2007): La Economía Long Tail: De los mercados de masas

al triunfo de lo minoritario. Ediciones Urano, Barcelona, pp. 318.
BALAKRISHNAN J.; CHUN HUNG CHENG (2000): “Theory of constraints and

linear programming: a re-examination”, International Journal of Production
Research, Vol. 38, nº 6, pp. 1459-1463.
BONABEAU, ERIC; MEYER, CHRISTOPHER (2001): “Swarm Intelligence”

Harvard Business Review, May2001, Vol. 79 Issue 5, pp 106-114
BRADLEY, STEPHEN P., ARNOLDO C. HAX Y THOMAS L. MAGNANTI (1977):

Applied Mathematical Programming, Addison-Wesley. Reading
(Massachusetts).
BUCHALTER, ARI Y H. SAKHNINI (2001): “Fighting cannibalization”, The

McKinsey Quarterly, nº 1, pp. 12-13.
CAINE, D.J. B.J. PARKER (1996): “Linear programming comes of age: a decision
support tool for every manager”, Management Decision, Vol: 34 nº 4, pp. 46 –
53.
CHANG YIH-LONG Y ROBERT S. SULLIVAN (1989): QSB+ Quantitative Systems

for Business Plus. Prentice-Hall.
CHARNES, A.; W.W. COOPER (1961): Management Models and Industrial

Applications of Linear Programming, Ed. John Wiley & Sons, New Cork, pp-
467.
CHARNES, A.; W.W. COOPER Y R. O. FERGUSON (1955): “Optimal Estimation

of Executive Compensation by Linear Programming”, Management Science,
January, Vol. 1 Issue 2, pp. 138-151.
CIRIANI, TITO A Y ROBERT C. LEACHMAN (1994): Optimization in Industry 2:

Mathematical Programming and Modeling Techniques in Practice. John Wiley
and Sons, Chichester.
DANTZIG, GEORGE B. (1963): Linear Programming and Extensions, Princenton

Press, Princenton, New Jersey.
DJERDJOURI , MOHAMED (2005): “Assesing and Benchmarking maintenance

performance in a manufacturing facility: a data envelopment analysis
approach”, INFOR Vol. 43. nº2, pp. 121-133.
GARCIA RIBAS, CARMEN. (2003): Tengo miedo. Carisma y liderazgo a través de

la gestión del miedo Ed. Gránica, pp. 152.
GARFINKEL, R. S. Y G.L.NEMHAUSER (1972): Integer Programming, Ed. John

Wiley.
HIGLE, JULIA L. Y STEIN W. WALLACE (2003): “Sensitivity Analysis and

Uncertainty in Linear Programming”, Interfaces, Vol. 33, nº. 4, July–August,
pp. 53–60.
HILLIER FREDERICK S Y GERALD J LIEBERMAN (2005): Introduction to

Operational Research, MacGraw-Hill, México, 8ª Edición.
HILLIER FREDERICK S. Y GERALD J. LIEBERMAN (1995): Introduction to

Mathematical Programming, McGraw-Hill, New York.
BIBLIOGRAFÍA 157
HILLIER FREDERICK S. Y GERALD J. LIEBERMAN (2002): Introducción a la
Investigación de Operaciones, McGraw-Hill, 1023 páginas, 7ª edición, México.
HILLIER, FREDERICK S. Y GERALD J. LIERBERMAN (2005): Introduction to

Operations Research. McGraw-Hill, New York, 1061 páginas, 8ª edición,
Estados Unidos.
KARPAK , BIRSEN, RAMMOHAN R. KASUGANTI Y ERDOÓAN KUMCU (2005):

“Are You Using Costly Outmoded Techniques to Purchase Materials?”,
Business Forum, Vol. 27, nº 1, pp.14 – 19.
KOLTAI, TAMÁS Y TAMÁS TERLAKY (2000): “The difference between the

managerial and mathematical interpretation of sensitivity analysis results in
linear programming”, International Journal of Production Economics, Vol. 65 ,
pp. 257-274.
LUEBBE, R. Y B. FINCH (1992): “Theory of Constraints and Linear

Programming: a comparison”, International Journal of Production Research,
Vol. 30, nº 6, pp. 1471 – 1478.
LUENBERGER, DAVID G. (1989): Programación Lineal y No Lineal. Addison-

Wesley Iberoamericana, México.
MABIN , V.J. Y J. GIBSON (1998): “Synergies from spreadsheet LP used with the
theory of constraints–a case study”, Journal of the Operational Research
Society Vol. 49, pp. 918-927.
MANGASARIAN, OLVI L., W. NICK. STREET Y WILLIAM H. WOLBERG, (1995):

“Breast Cancer diagnosis and prognosis via linear programming”, Operations
Research, Vol. 43, nº 4, Julio-Agosto, pp.570 – 576.
MARKOWITZ, HARRY (1952): “Portfolio Selection”, Journal of Finance, March,

Vol. 7 Issue 1, pp. 77-91.
MARX, GROUCHO (2001): Groucho y yo. Ed. Tusquets. Barcelona, pp. 320.
PENDENGRAFT, NORMAN (1997): “Lego of My Simplex”, OR/MS Today, Vol.

24, nº2.
PIDD, MICHAEL (1999): “Just modeling through: a rough guide to modeling in

OR”, Interfaces, Vol. 29(2), pp 118-132.
RIFKIN, JEREMY (2000): The age of access, Ed. Tarcher/Putnam, Reino Unido,
pág. 253.
RIOS INSUA, SIXTO (1990): Investigación Operativa. Optimización. Editorial

Centro de Estudios Ramon Areces, Madrid.
ROYO HERNÁNDEZ, SIMÓN (2002): “La sociedad capitalista como negación del
ocio: historia de una paradoja actual”, LOGOS. Anales del Seminario de
Metafísica, Vol. 35 (2002),. pp. 193-222
SAPOUNTZIS, COSTAS (1989): “Allocating Blood to Hospitals”, Journal of the

Operational Research Society, Vol. 40, No. 5, May, pp. 443-449.
STUART ,JULIE ANN, JANE C. AMMONS Y LAURA J. TURBINA (1999): “A

product and process selection model with multidisciplinary environmental
considerations” Operations Research, Mar/Apr99, Vol. 47 Issue 2, pp. 221-234.
THANASSOULIS, EMMANUEL (2001): Introduction to the Theory and Application

of Data Envelopment Análisis, Kluwer Academic Publications, USA, pp. 281
WILDING, RICHARD (1998): “The Supply Chain Complexity Triangle:

Uncertainty Generation in the Supply Chain”, International Journal of Physical
Distribution and Logistics Management, MCB University Press, Vol. 28, nº.8,
pp 599-616.
WILDING, RICHARD Y J. MICHAEL NEWTON (1996): “Enabling time-based

strategy through logistics – using time to competitive advantage”, Logistics
Information Management, Vol. 9, nº 1, pp. 32–38.
YAHYA-ZADEH, MASSOOD (2002): “A Linear Programming Framework for

Flexible Budgeting and Its Application to Classroom Teaching”, Issues in
Accounting Education, Vol. 17, nº 1, February, pp. 69 – 94.
ZOUEIN, P.P., W.R. ABILLAMA Y E. TOHME (2002): “A multiple period

capacitated inventory model for airline fuel management: a case study”, Journal
of the Operational Research Society, Vol.53, pp. 379-386.
BIBLIOGRAFÍA 159
8.2 Páginas Web

La siguiente tabla recoge una relación de algunas páginas Web de
interés. Junto al link al que se accedió correctamente a finales de Julio de 2007,
se incluye una breve descripción de la página.
Página Web Breve Descripción
La sociedad de Investigación
www.seio.es
Operativa española
www.orsoc.org.uk
Operativa británica
www.informs.org
Operativa estadounidense
La página creada para “vender” la
http://www.scienceofbetter.org/
investigación operativa
Investigación Operativa en la
http://www.uk.capgemini.com/servic
consultora Cap Gemini en Reino
es/consulting/or
Unido
Sociedad Americana de Cadena de
www.supply-chain.org
Suministro creadora del modelo SCOR
Sociedad creadora e impulsora de la
http://www.goldratt.com
Teoría de las Limitaciones
http://www.sapinfo.net/ Un ERP importante del mercado
Publicación OR/MS Today de la
www.lionhrtpub.com/ORMS.shtml Sociedad de Investigación Operativa
Americana
Journal of the Operations Research
www.palgrave-journals.com/jors/
Society
http://mansci.journal.informs.org/ Management Science
http://or.pubs.informs.org/ Operations Research
http://interfaces.journal.informs.org/ Interfaces
http://ite.pubs.informs.org/index.php Informs Transactions in Education
8.3 Proveedores de Software

En la siguiente tabla se recoge algunas direcciones Web de proveedores
de programas de optimización lineal. Se ha escogido unas pocas proveedoras,
normalmente muy mencionadas en los libros de investigación operativa y
optimización lineal de mayor difusión.
Página Web Software Proporcionado
Mean Variance Optimizer, para el cálculo

www.effisols.com
de fronteras eficientes
Frontier Analyst para Análisis Envolvente

www.banxia.com
de Datos
Lindo, Lingo y What’s Best, para

www.lindo.com optimización lineal y no lineal, con
variables continuas, enteras y bivalentes.
www.ilog.com Ilog Optimization Suite
www.ampl.com AMPL
Creador de la macro Solver, entre otros

www.solver.com
optimizadotes.
I ANEXO I:
UNA TARDE DE
MATEMÁTICAS
x Comprender la necesidad de un algoritmo eficiente de resolución.
x Aprender a resolver un problema de optimización lineal por el Método

Simplex.
x Identificar los diferentes tipos de soluciones.

x Resolver el problema mediante el Método Simplex.
x Identificar el tipo de solución obtenida.
I.1 A modo de introducción

En los capítulos anteriores, y especialmente en el capítulo 6 hemos
planteado y resuelto con ordenador bastantes modelos de optimización lineal.
Podíamos darnos por satisfechos con esta aproximación, pero creemos que
quizás podemos obtener aún más información. Por otro lado, el cálculo de la
sensibilidad, la obtención de un único intervalo, el planteamiento dual son
elementos que han sido vistos muy por encima.
Este anexo pretende comenzar una serie de capítulos donde la
matemática aparece más visible. Para el lector que no guste de formulaciones
son capítulos evidentemente áridos, pero el rigor científico que apuntale nuestro
convencimiento de que la programación lineal es una técnica muy válida, nos
debe impulsar a ese esfuerzo.
Este capítulo se centrará en analizar la siguiente cuestión: ¿por qué

hemos seleccionado “modelo lineal” en la macro Solver?. Ya sabemos que una
razón se ha descrito cómo la búsqueda de mayor información. Ahora
responderemos igualmente pero con más argumentos.
I.2 Un primer paso: Kuhn-Tucker

Vamos a resolver un programa lineal como si fuera un problema de
optimización condicionado con unas restricciones. Así, recordando la estructura
del ejemplo empleado en la aproximación gráfica (capítulo 2) , el problema nos
quedaría como sigue:
Max Z = c´x
Axdb
x t 0n
donde:
x es el vector columna de las variables del problema, en nuestro caso “n”
variables.
c es el vector columna de los coeficientes de las variables en la función

objetivo.
A es la matriz que recoge los coeficientes de las variables en el total de las

“m” restricciones del problema.
b es el vector columna que recoge los límites de las “m” restricciones.
Este problema de optimización puede resolverse mediante la aplicación

de las condiciones de Kuhn-Tucker para optimización con restricciones de
desigualdad pero vamos a aplicarlas a ecuaciones con igualdad, puesto que de
esa forma conseguimos una solución más sencilla, y además es el primer paso
para el Simplex, y, especialmente para la dualidad del capítulo siguiente.
ANEXO I: UNA TARDE DE MATEMÁTICAS 163
Para transformar las desigualdades a igualdades introduciremos en cada
restricción en forma de inecuación una nueva variable positiva a la que
llamamos Variable Complementaria30. Así, en el caso anterior el problema nos
quedaría así:
Max Z = c´x
A x + xc = b
x t 0n xc t 0m
donde
xc es el vector columna que incluye las variables complementarias

de cada una de las restricciones expresadas en forma de desigualdad.
Ejercicio I.1
Si el problema hubiera incluido restricciones de límite inferior, ¿cómo
hubiera incluido las variables complementarias? ¿Qué significado podrían
tener?
Para poder resolver el problema, vamos a replantearlo en forma de

sumatorios
n
Max Z = ¦ cj xj
j
n
¦aij xj + xci = bi I = 1,2,.......m
j
xj t 0 j = 1,2,......n xci t 0 i = 1,2,......m
Fijémonos que en este planteamiento no hemos transformado las

inecuaciones referentes a las condiciones de no negatividad de las variables,
puesto que esto supondría la inclusión de nuevas variables y así sucesivamente.
30 En el original inglés distinguen entre “slack” para variables complementarias

introducidas en restricciones con límite superior y “surplus” para aquellas variables
complementarias introducidas en restricciones con límite inferior.
Para superar este problema, realizamos una sustitución de cada variable
por el cuadrado de otra variable libre.
2 2
Así, transformando las variables: xj = uj xci = uci tenemos la siguiente
función de Lagrange a maximizar31:
n 2 m n 2 2
[
Max L = ¦ cj u j + ¦ yi bi –¦ aij u j – uci ]
j i j
Igualando las primeras derivadas a cero tenemos que:
wL m m
wuj
= 2cjuj – 2 uj ¦aij yi = [
–2 uj ¦aij yi – cj ]=0
i i
m
uj ycj = 0 siendo ycj = ¦aij yi – cj i
i
m
xj ycj = 0 siendo ycj = ¦aij yi – cj j
i
wL
= -2 uci yi = 0 uci yi = 0 xci yi = 0 i
wuci
wL n 2 2
n
= bi – ¦ aij u j – uci = 0 bi – ¦aij xj – xci = 0 j
wyi
j j
Podemos extraer más condiciones de algunas derivadas segundas:
31 En las siguientes líneas se denomina como “y” al multiplicador de Lagrange

alternativamente al nombre tradicional de “O”. De esta forma podremos conectar este
anexo con el siguiente de forma más clara.
w2L m
wuj2
=-2 [
¦aij yi – cj ]d0 –2 ycj d 0 ycj t 0 j
i
w2L
=– 2 yi d 0 yi t 0 i
wuci2
w2L
= 0 d 0.
wyi2
Por tanto, las condiciones de KUHN-TUCKER se resumen en lo siguiente:

n
xci = bi –¦ aij xj xj t 0 xci t 0 i
j
m
ycj = ¦ aij yi – cj yi t 0 ycj t 0 j
i
xj ycj = 0 xci yi = 0 i = 1,2,.....m j = 1,2,.....n
Ejercicio I.2
Plantee las condiciones para el caso de un problema de minimización con
todas las inecuaciones de límite inferior y variables positivas. Compare los
resultados obtenidos.
Como vemos la resolución de ese sistema de ecuaciones, resulta

complicado, por lo que vamos a tratar de buscar un método más rápido de
acercamiento a la solución. Es el método Simplex desarrollado por G. Dantzig
en 1947.
Hemos de indicar que estas condiciones de Kuhn-Tucker recogen un

óptimo global, puesto que se trata de una función lineal definida sobre un
conjunto convexo de soluciones.
Ejercicio I.3
¿Qué desventajas tiene, a su juicio, el empleo de las condiciones de Kuhn-
Tucker? Piense en resolver el ejemplo gráfico mediante este esquema. ¿Qué
es lo que exigiría a otro método?
I.3 Solución Básica, Puntos Extremos,

Optimo.
Como hemos indicado, la optimización lineal es uno de los modelos
más importantes usados dentro de la Optimización Matemática. Muchos
problemas pueden ser planteados o resueltos a través de esta técnica. Las
soluciones óptimas son fácilmente obtenibles y con los ordenadores actuales,
esta herramienta es útil incluso en sistemas de grandes dimensiones.
Más aún, ciertos algoritmos de optimización lineal son frecuentemente

utilizados como subrutinas para resolver modelos con variables enteras, o
modelos no lineales. En estos casos a veces no es posible conocer la solución
óptima, sino puntos próximos a la misma, pero que, sin embargo, puede resultar
suficiente. Mediante la optimización lineal se consiguen soluciones con
suficiente aproximación.
Un problema de optimización lineal continuo podíamos expresarlo de la

siguiente forma, en la que no distinguimos entre variables originales y
complementarias:
Max c´ x sujeto a S ={ x Rn / Ax = b, x 0n }
siendo “x” un vector con todas las variables. Fijémonos que el

planteamiento está ya directamente en igualdad.
A la hora de hablar del vector de variables x podemos decir que:
Cualquier x S se considera una SOLUCIÓN y si además se cumple que

x 0n diremos que una SOLUCIÓN REALIZABLE.
Por otro lado:
Si existe una solución x0 S tal que: f > f (x0) f(x) x S

entonces llamamos x0 SOLUCIÓN ÓPTIMA.
Con estas premisas, un programa lineal se presenta tres posibles

resultados:
IRREALIZABLE cuando no existe ningún vector x de valores tal que cumpla

Ax = b siendo x t 0n
si existen dos vectores x e y tal que x S, c'y > 0 (y no tiene porque ser una
solución realizable); si cualquier combinación z = x + D y (D > 0) es una
solución realizable, podemos incrementar tanto el valor de la función
objetivo como queremos y estaremos ante una SOLUCIÓN ILIMITADA.
y por último una SOLUCIÓN OPTIMA FINITA (única o múltiple).
Si recordamos el objetivo de la optimización matemática, buscar y

encontrar la mejor solución dentro de las posibles soluciones, teniendo en
cuenta todas las condiciones que el problema a resolver impone, vemos que es
necesario manejar alguna técnica que nos permita encontrar dicha solución de
una forma fácil y rápida. Este método debe garantizarnos que,
independientemente de la dimensión del problema, la solución obtenida es la
mejor de todas las posibles.
En el pequeño ejemplo manejado podíamos enumerar todas las posibles

soluciones y encontrar la mejor pero incluso en ese caso tenemos un nº ilimitado
de soluciones (la zona sombreada en el gráfico 2.1). Podíamos resolverlos de
una forma iterativa, fijándonos en las características del problema. Es decir,
resolverlo siguiendo el esquema de búsqueda del factor escaso, grado de interés
de las variables, etc. Pero si el problema es suficientemente grande el proceso
sería laborioso, lento y con dudas sobre la verdadera solución óptima.
Para ello, vamos a utilizar una técnica, el método Simplex, que

garantiza plenamente todo lo indicado: rapidez y eficacia. Para ello, vamos a ir
fijándonos en las características del conjunto de soluciones posibles, para
comprobar que si en el ejemplo el óptimo estaba en un vértice del polígono
sombreado no era fruto de la casualidad, sino que el óptimo debía estar
necesariamente en algún vértice del polígono.
Posteriormente, explicaremos cómo plasmar la resolución en tablas, que

serán las que nos permitirán resolver cómodamente los problemas y nos
aportarán toda la información necesaria.
I.3.1 Definición de solución básica realizable

En el sistema de ecuaciones A x = b supongamos que el rango de la
matriz A sea m = nº de ecuaciones. Es decir, se supone que son m ecuaciones
linealmente independientes. Si existieran combinaciones lineales, eliminaríamos
algunas ecuaciones.
La matriz A no tiene porque ser cuadrada, y en general, supondremos

que m d n.
Vamos a representar las columnas de A de modo que podamos
descomponerla en dos matrices, donde el orden inicial de las variables es
arbitrario. De este modo si definimos dicha matriz A = (B,N), siendo
B = MATRIZ BÁSICA: matriz cuadrada (m x m), no singular, es decir,

que | B | 0, Rango = m
N = MATRIZ NO BÁSICA: con el resto de columnas de A no incluidas en B
Del mismo modo, vamos a dividir el vector x de variables en otros dos

ªx B º
vectores tal que x = « » siendo
¬xN¼
xB = Vector de variables asociadas a la matriz B; Vector de VARIABLES

BÁSICAS
xN = Vector de variables asociadas a la matiz N; Vector de VARIABLES NO

BÁSICAS.
ªx B º
Y dada la división anterior, A = [B,N], x = « » el sistema de
¬xN ¼
ecuaciones nos queda como sigue:
ªx B º
A x = [B, N] « » B xB + N xN = b
¬xN ¼
Como hemos indicado que |B| 0, por tanto existe B–1 si

premultiplicamos las dos partes de la igualdad por esta matriz inversa, nos
queda:
B–1 B xB + B–1 N xN = B–1 b
y despejando xB, variables básicas en función de variables no básicas:
xB = B–1 b – B–1 N xN
Si hacemos que las variables no básicas se anulen, es decir, xN = 0n–m
xB = B–1 b que es lo que llamamos una SOLUCIÓN BÁSICA

Si, además, resulta que xB t 0m, estamos entonces ante una SOLUCIÓN
BÁSICA REALIZABLE.
Nótese que el método parte de la idea de la discusión de un sistema de

ecuaciones compatible indeterminado. Así, de todas las soluciones posibles de
ese sistema, elige un tipo, que se denomina básica y si además, el resultado
garantiza que todas las variables distintas de cero sean positivas, se alcanza la
solución básica realizable.
I.3.2 ¿Para qué las soluciones básicas realizables?

La discusión anterior parece baladí. Vamos a justificarla representando
un problema e identificando ese tipo de soluciones en la misma. Así
supongamos el siguiente problema:
Max Z = 2x1 + 3x2
x1 + x2 d 5 x1 + x2 + xc1 =5
5x1 + 3x2 d15 5x1 + 3x2 + xc2 = 15
x1 t 0 x2 t 0 xc1 t 0 xc2 t 0
X1 = 0 Solución
X2 = 5 Básica
5 XC1 = 0 Realizable
XC2 = 0 Degenerada X1 = 0,5 Solución
4,5 X2 = 3,5 Realizable
XC1 = 1
4 XC2 = 2
3,5 Solución
X1 + X2 d 5 X1 = 3,5
3 X2 = 0,5 Solución
XC1 = 1
Básica
2,5 Solución XC2 = -4
Básica X1 = 5
2 Realizable X2 = 0
X1 = 0 5X1 + 3X2 d 15 XC1 = 0
1,5 X2 = 0 XC2 = -10
XC1 = 5 X1 = 3
XC2 = 15 Solución
1 X2 = 0
Básica
Realizable XC1 = 2
0,5 XC2 = 0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Figura I.1: Diferentes Tipos de Soluciones

Nótese la diferencia entre aquellos vértices del conjunto de soluciones
posibles y los vértices que no forman parte de dicho conjunto.
Ejercicio I.4
Suponga las siguientes funciones objetivos alternativas para el problema:
x Max Z = 100x1 + 2x2
x Min Z = x1 + 2x2
¿Qué conclusión extrae? ¿Qué ganamos respecto a aplicar las condiciones de
Kuhn-Tucker?
Por otro lado, en uno de los vértices definimos una SOLUCIÓN BÁSICA
REALIZABLE DEGENERADA (que en el ejemplo, es, además, el óptimo): su
característica gráfica radica en que es un punto de intersección de más de dos
rectas. De hecho, podemos encontrar dos soluciones básicas realizables
asociadas a dicho vértice.
En cualquier caso, con este gráfico podemos concluir, sin realizar

demostraciones tediosas las siguientes características.
“Si existe una solución realizable, existe una solución realizable básica.
Si un programa lineal tiene una solución óptima, entonces tiene una

solución óptima básica.
No todas las soluciones óptimas son básicas.32
Si encuentro una solución óptima, tengo por lo menos otra que además es
básica”.
Vamos a fijarnos en el conjunto de soluciones posibles S. El conjunto

de soluciones posibles S, si no es un conjunto vacío, es un CONJUNTO
CONVEXO. Esto quiere decir que cualquier combinación lineal convexa de dos
soluciones posibles nos da otra solución posible.
Demostración33:
Sean x e y dos soluciones posibles de S, es decir, A x = A y = b y

además x, y 0n. Si definimos una combinación lineal convexa de esta forma:
32
Recuerde el lector el caso de una solución múltiple.
33
La siguiente demostración se puede obviar sin que se vea afectado el
entendimiento general de procedimiento.
z = Ox+ (1 – O) y, siendo 0 d O d 1
Veamos si esta combinación cumple las restricciones:
A z = A [Ox+ (1 – O)y] = A O x + A (1 – O) y =
= O Ax + (1 – O)Ay =
= O b + (1 – O) b = b
Y dentro de este conjunto de soluciones posibles, distinguimos los

llamados PUNTOS EXTREMOS (o Corner Points).
I.3.3 Definición de puntos extremos

Llamaremos punto extremo de un conjunto convexo a aquel elemento
que no puede expresarse como combinación convexa de otros dos puntos
distintos de dicho conjunto.
Así, z S será un punto extremo si no existen dos puntos x e y S,

siendo x y, tal que z = Ox+ (1 – O)y, siendo 0 < O < 1.
A partir de aquí podemos deducir el siguiente teorema:
Un vector x es un punto extremo de S, si y solo si

es una solución básica realizable.
De hecho, en un problema con “n” variables y “m” restricciones

tenemos como máximo:
§n· = n!
©m¹ m! (n–m)!
Además, la relación entre puntos extremos y soluciones básicas

realizables no es única, es decir, puede ocurrir que a un punto extremo le
corresponda una o varias soluciones básicas realizables. Es el problema de la
DEGENERACIÓN.
Una SOLUCIÓN BÁSICA REALIZABLE DEGENERADA tiene relación con

la posibilidad de varias soluciones básicas realizables en un mismo punto
extremo. Así una solución básica es realizable si xB 0m. En el caso de que
alguna variable básica xBi = 0, se dice que es una solución básica degenerada. Si
esa variable básica nula la sustituyo por otra no básica, mantengo la misma
solución de la función objetivo. Estas soluciones son molestas porque complican
la resolución de programas lineales y pueden ocasionar ciclos.
Por último, veamos este teorema fundamental:
La función objetivo alcanza su óptimo en un punto extremo del

conjunto convexo de soluciones posibles.
Si se alcanza el óptimo en más de un punto extremo, también se alcanza

en cualquier combinación convexa de esos puntos.
Ejercicio I.5
Considere el siguiente problema: una empresa fabrica dos productos A y B
que consumen el mismo número de recursos por unidad. El producto A es
lavado en un momento del proceso productivo y consume 3litros/unidad. El
producto B no pasa por este proceso.
¿Es posible que la solución óptima sea fabricar ambos productos?
I.4 En busca del óptimo

Para encontrar una óptima solución empezamos con alguna solución
básica realizable, para ir pasando a otra, mejorando la función objetivo.
Tenemos la siguiente solución básica realizable:
xB = B–1 b – B–1 N xN
donde si xN = 0n–m , entonces xB = B–1 b y si es realizable xB 0m
Vamos a hallar el valor de la función objetivo para esta solución, para lo

cual descompondremos el vector de coeficientes de la función objetivo en dos
vectores:
ªcB º
c=« » siendo
¬cN ¼
cB = Vector de coeficientes en la función objetivo de Variables Básicas

cN = Vector de coeficientes en la función objetivo de Variables no Básicas
Entonces tenemos que:

ªx B º
Z = c´ x = [cB cN]« » = cBxB + cNxN
' '
¬xN¼
Sustituyendo xB por su valor obtenemos la siguiente expresión:
Z = cB [B–1 b – B–1 N xN]+ cNxN

' '
Z = cBB–1 b – [cBB–1 N xN – cN] xN

' ' '
Si se anulan las variables no básicas, xN = 0n–m queda: Z = cBB–1 b

'
I.5 Algoritmo Simplex

El método Simplex es un método iterativo de solución de problemas de
programación lineal. Los pasos a seguir se indican en la Figura I.2, que como se
ve refleja los pasos seguidos en la resolución del problema anterior:
OBTENCION PRIMERA SOLUCION BASICA REALIZABLE
TEST DE OPTIMO SI
OPTIMO
¿ y0j t 0 j R?
NO
Elegir variable a entrar en base xk

min y 0 j = y 0 k
NO
¿ y ik > 0 , i = 1 , 2 . . . m ? SOLUCION
ILIMITADA
SI
Elegir variable a salir de base x Br

y
m in y i 0 , y i k > 0 y
ik = y r0
i = 1,2,3...m rk
Mejora de la Solución
PIVOTE
Figura I.2: Algoritmo Simplex
I.6 Tabla del Simplex

Para poder aplicar con comodidad y de forma sistemática este
algoritmo, sin tener que ir resolviendo las ecuaciones sucesivamente, vamos a
utilizar unos cuadros. Vamos a ver el origen de estos cuadros.
Recordemos el planteamiento inicial, incluidas ya las variables
complementarias o de holgura.
Max Z = 5 x1 + 6 x2
3 x1 + 3 x2 + xc1 =8
2 x1 + 3 x2 + xc2 =7
x1 + + xc3 =2
x2 + xc4 =2
x1 0-, x2 0, xc1 0, xc2 0, xc3 0,xc4 0
Si expresáramos en forma matricial, la matriz que multiplica a las

diferentes variables va a recoger los coeficientes que van a aparecer en la tabla
del Simplex (ver Tabla I.1). Así, si nos fijamos en la tabla tenemos que:
la última fila son los coeficientes de Z cambiados de signo
las demás líneas recogen los coeficientes de las variables en las restricciones
con el mismo signo
la primera columna recoge los términos independientes.
la última parte de la matriz es una matriz unidad que recoge los coeficientes
de las variables básicas en las restricciones y la función objetivo.
Vamos a emplear mayoritariamente este cuadro, pues nos servirá para

futuros estudios de sensibilidad. Si nos fijamos en él, tenemos que:
la última fila refleja los y0j; para determinar la variable a entrar en base
escogeremos de entre las variables no básicas aquella que tenga coeficiente
más negativo.
las filas de las restricciones son los coeficientes yij: nos fijamos en los
coeficientes positivos de la variable a entrar y aplicando la regla del menor
cociente obtendremos la variable básica que sale de base.
los términos independientes son los yi0 ,es decir, los valores que van
tomando las diferentes variables básicas en cada momento.
Vamos a plantear el cuadro inicial, donde en columnas aparecen los
términos independientes, variables no básicas y variables básicas.
Ind x1 x2 xc1 xc2 xc3 xc4
xc1 8 3 3 1 0 0 0
xc2 7 2 3 0 1 0 0
xc3 2 1 0 0 0 1 0
m xc4 2 0 1 0 0 0 1
Z 0 -5 -6 0 0 0 0
n
Tabla I.1: Algoritmo Simplex: Tabla Inicial
Como en el caso anterior nos fijamos si estamos en el óptimo.
Comprobamos como las dos variables no básicas, x1, x2 tienen coeficientes
negativos en la función objetivo (5, 6, respectivamente). Por ello, resulta
interesante que cualquiera de ellas entre en base. Elegimos aquella que tenga un
coeficiente más negativo.
Entra x2
¿Que valor va a tener esta variable? Recordemos que el límite venía

dado en aquellas ecuaciones donde el coeficiente yik fuera positivo. En este caso
tiene coeficientes positivos en las tres restricciones, por lo que debemos aplicar
la regla del mínimo cociente.
yi0
Regla del cociente: min [ y , yik >0] i = 1,2,3...m
ik
En este caso tenemos:
y10 8
1º Ecuación = y = 3 = 2,666
1k
y20 7
2º Ecuación = y = 3 = 2,333
2k
y40 2
4º Ecuación = y = 1 = 2
4k
Por tanto sale de base la variable xc4. Nótese que aunque el Simplex es
un procedimiento matemático, no esconde en absoluto una lógica económica en
sus operaciones, puesto que pretende en cada pivote maximizar el uso de los
recursos.
En este caso inicialmente pasamos a hacer todo lo posible del Producto

B, puesto que es quién tiene mayor margen. El número máximo de unidades
viene dado por la restricción de ventas, de modo que es la variable
complementaria asociada a dicha restricción la que sale de la solución.
Realizamos el pivote de la siguiente manera:
dividimos la fila de la variable que sale de base por el coeficiente yrk de la

variable que entra en base (así despejamos la variable no básica xk)
calculamos el resto de los coeficientes de la siguiente forma:
* yrj
yij = yij yik y i = 0,1,2,...m j = 0,1,2,......n
rk
De este modo obtenemos el siguiente cuadro (Tabla I.2) tras realizar el

pivote:
Fijémonos que en esta tabla estamos indicando que no hemos empleado

2 horas de instalación y seguimos manteniendo 1.000 unidades de materia prima
sin utilizar.
Para ello vamos a emplearlos en la producción del producto A. De este

modo, si se agotan todas las horas de la instalación puede fabricar 666 unidades,
para las que no tengo materia prima. En cambio si puedo fabricar las 500
unidades que permite la materia prima.
Observes que de la Tabla I.2 a la Tabla I.3 hemos transformado la

columna de la variable x2 en una columna de una matriz identidad donde el “1”
aparece en la fila de la variable que ha pasado a tomar un valor nulo, en nuestro
caso la fila cuarta donde estaba xc4. Y el proceso es básicamente ese. Realizar
operaciones elementales por filas que transforman columnas en columnas de
una matriz identidad.
xc1 2 3 0 0 0 -3 2
m xc2 1 2 0 1 0 -3 1
xc3 2 1 0 0 1 0 2
x2 2 0 1 0 0 1 2
Z 12 -5 0 0 0 6 12
n
Tabla I.2: Algoritmo Simplex: Tabla Inicial tras primer pivote
Aplicando el mismo proceso tenemos que: Entra x1 Sale xc2
m xc1 1/2 0 0 1 -3/2 0 3/2
x1 1/2 1 0 0 ½ 0 -3/2
xc3 3/2 0 0 0 -1/2 1 3/2
x2 2 0 1 0 0 0 1
Z 14,5 0 0 0 5/2 0 -3/2
n
Tabla I.3: Algoritmo Simplex: Tabla Inicial tras segundo pivote
En la tabla I.3, vemos que seguimos teniendo todavía posibilidades de
emplear 0,5 horas de la Instalación. Como tenemos agotadas las ventas del
producto B podemos pensar en fabricar más unidades del producto A. Pero esto
supone tener que hacer menos unidades del producto B.
En este caso, obtener el mejor empleo de esta media hora es algo más
complicado, pero es una actividad que el lector sin duda podrá plantear.
Aplicando el mismo proceso tenemos que:

Entra xc4 Sale xc1
xc1 1/3 0 0 2/3 -1 0 1
x1 1 1 0 1 -1 0 0
xc3 1 0 0 -1 1 1 0
x2 5/3 0 1 -2/3 1 0 0
Z 15 0 0 1 1 0 0
Tabla I.4: Algoritmo Simplex: Tabla Óptima

SOLUCIÓN ÓPTIMA
Z = 15 x1 = 1 x2 = 5/3 xc1 = 0 xc2 = 0 xc3 = 1 xc4 = 1/3
Ejercicio I.6
Resuelva el ejercicio anterior mediante la macro Solver haciendo click
dentro Opciones en “Mostrar Resultado Iteraciones” en los dos casos
posibles:
x Sin Adoptar Modelo Lineal.
x Adoptando Modelo Lineal.
Compare los resultados con las tablas anteriores.
I.7 Solución Irrealizable.

Supongamos el siguiente problema
MAX Z = x1 + 2 x2
3 x1 + 4 x2 12 3 x1 + 4 x2 + xc1 = 12
5 x1 + 8 x2 40 5 x1 + 8 x2 – xc2 = 40
x1 0, x2 0 x1 0, x2 0, xc1 0, xc2 0
Como podemos observar, la introducción de variables complementarias
no permite partir de una primera solución básica realizable, puesto que la
variable complementaria de la segunda restricción tomaría un valor negativo.
Ejercicio I.7
Dibuje el problema anterior y resuelve gráficamente.
Considere el efecto si el problema hubiera sido de minimización.
Para ello vamos a crear un programa auxiliar. Así, vamos a suponer el

siguiente problema:
MAX Z = x1 + 2 x2
3 x1 + 4 x2 12 3 x1 + 4 x2 + xc1 = 12
5 x1 + 8 x2 40 5 x1 + 8 x2 – xc2 + xa2 = 40
x1 0, x2 0 x1 0, x2 0, xc1 0, xc2 0, xa2 0
Este planteamiento se diferencia con el primer ejemplo en que se ha

incluido una variable en la segunda restricción. Esa variable tiene un subíndice
que empieza por la letra "a" puesto que estamos ante una variable artificial,
creada exclusivamente para obtener una primera solución básica realizable.
De este modo, lo que nos interesa del problema anterior no es realmente

su óptimo sino conseguir una solución en la que la variable artificial tome el
valor nulo. Y para lograrlo, en una PRIMERA FASE resolvemos un problema
inicial que es el siguiente.
PRIMERA FASE
MAX W = – xa2 = – 40 + 5 x1 + 8 x2 – xc2
3 x1 + 4 x2 + xc1 = 12
5 x1 + 8 x2 – xc2 + xa2 = 40
–x1 – 2 x2 +Z =0
x1 0, x2 0, xc1 0, xc2 0, xa2 0

En este problema, hemos cambiado el nombre a la función objetivo,
puesto que no estamos optimizando la función original (Z) sino una nueva. Esta
nueva función W recoge la minimización del valor de todas las variables
artificiales. Como el método Simplex que manejamos parte de una formulación
estándar de maximización, la función se convierte en maximizar la suma de
todas las variables artificiales manejadas en el problema multiplicadas por “-1”.
Puesto que en cada pivote nos interesa conocer el valor de la función objetivo
original, la incluimos en la tabla utilizada en este problema.
Como vemos en el óptimo de W toma valor una variable artificial, por

lo que W < 0. De este modo no tenemos una primera solución básica realizable
del problema original, y por tanto el problema es irrealizable. Así con este
método conocemos rápidamente si el problema tiene solución o no.
Si el problema hubiera partido con un límite de la segunda restricción

con valor 15, el problema si hubiera tenido solución. En este caso habríamos
pasado a la SEGUNDA FASE.
Ind x1 x2 xc1 xc2 xa2
m xc1 12 3 4 1 0 0
xa2 40 5 8 0 -1 1
Z 0 -1 -2 0 0 0
W -40 -5 -8 0 1 0
n
Tabla I.5: Algoritmo Simplex: Tabla Inicial Problema Irrealizable
Ind x1 x2 xc1 xc2 xa2
x2 4 3/4 1 1/4 0 0
xa2 8 -1 0 -2 -1 1
Z 8 1/2 0 1/2 0 0
W -8 1 0 2 1 0
Tabla I.6: Algoritmo Simplex: Tabla Final Problema Irrealizable

Como esta segunda fase consiste exclusivamente en seguir optimizando
la función original, dejamos en manos del lector completar el ejercicio en el
caso de que el límite de la segunda restricción fuera 15.
I.8 Solución Ilimitada

La falta de solución no debe entenderse cómo un hecho negativo. Nos
ofrece la oportunidad de investigar cuál es el factor que impide llegar siquiera a
una solución.
Pero podemos encontrarnos con una solución que podíamos calificar de

opuesta: no hay límite a nuestras posibilidades. Supongamos el siguiente
problema:
MAX Z = x1 + 2 x2
– 3 x1 + 4 x2 4 3 x1 + 4 x2 + xc1 =4
x1 – 4 x2 1 x1 – 4 x2 + xc2 = 1
x1 0, x2 0 x1 0, x2 0, xc1 0, xc2 0
Ejercicio I.8
Ind x1 x2 xc1 xc2
m xc1 4 -3 4 1 0
xc2 1 1 -4 0 1
Z 0 -1 -2 0 0
n
Tabla I.7: Algoritmo Simplex: Tabla Final Problema Ilimitado
Ind x1 x2 xc1 xc2
x2 1 -3/4 1 1/4 0
xc2 5 -2 0 1 1
Z 2 -5/2 0 1/2 0
n
Tabla I.8: Algoritmo Simplex: Tabla Final Problema Ilimitado
Vemos que puede entrar en base x1 pero como todos los coeficientes en
las ecuaciones donde hay variable básicas despejadas son negativos, no tiene
limitación para su crecimiento.
Si expresamos la tabla anterior en forma de ecuaciones, y dando a la

variable xc1 = 0, puesto que va a seguir siendo no básica tenemos que:
x2 = 1 + 3/4 x1
xc2 = 5 + 2 x1
Z = 2 + 5/2 x1
Así, si x1 crece, también x2 y por tanto, también Z. Este tipo de

soluciones nos debe llevar a replantear el problema pues en el fondo, parece
suponer la inexistencia de limitaciones al empleo de recursos (entendiendo
recursos en sentido amplio, por ej. posibilidades de ventas).
Ciertamente los recursos son normalmente limitados, de modo que una

solución ilimitada surge por la no inclusión en el modelo de todas las variables o
de todos los recursos que consumen esas variables.
En cualquier caso, un conjunto de soluciones posibles abierto como el

del gráfico no tiene porque suponer necesariamente una solución infinita. En el
ejemplo propuesto, si nuestro objetivo hubiera sido minimizar Z el problema
hubiera tenido una solución en el punto Z = 0(x1 = x2 = 0).
I.9 Solución Múltiple

Una situación también posible y ya conocida es la existencia de un
óptimo finito pero múltiple. Tengamos el siguiente ejemplo:
Max Z = 6 x1 + 3 x2
x1 + 2x2 8
2x1 + x2 6
x1 0 x 2 0
Ejercicio I.9
Ind x1 x2 xc1 xc2
xc1 8 1 2 1 0
m xc2 6 2 1 0 1
Z 0 -6 -3 0 0
n
Tabla I.9: Algoritmo Simplex: Tabla Inicial Problema Múltiple
Tras el primer pivote con x1 tendríamos la siguiente solución:
Ind x1 x2 xc1 xc2
xc1 5 0 3/2 1 -1/2
x1 3 1 1/2 0 1/2
Z 18 0 0 0 3
n
Tabla I.10: Algoritmo Simplex: Tabla Final I Problema Múltiple
Vemos que puede entrar en base x2 sin que se vea alterado el óptimo
que sigue dando 18 como vemos en el siguiente cuadro
Tras el segundo pivote con x2:
Ind x1 x2 xc1 xc2
x2 10/3 0 1 2/3 -1/3
x1 4/3 1 0 -1/3 2/3
Z 18 0 0 0 3
n
Tabla I.11: Algoritmo Simplex: Tabla Final I Problema Múltiple
De esta forma se tienen dos soluciones básicas realizables que nos dan
el mismo valor óptimo para la función objetivo.
Fijémonos que cualquier punto situado entre los dos puntos indicados y
que cumpla 2x1 + x2 = 6 es una solución válida y óptima.
Este hecho refleja lo comentado anteriormente: Cualquier otro punto

combinación convexa de los dos puntos extremos óptimos, es decir, los que en
la gráfica pertenecen al segmento que une dichos puntos, también son
soluciones realizables óptimas. En estas soluciones podemos encontrar un nº de
variables no nulas mayor que el nº de ecuaciones. Por ejemplo, la solución x1 =
x2 = 2 es una solución óptima pero que implica también que xc1 = 2, es decir,
toman valor 3 variables. Es una solución realizable, aunque no básica.
De hecho, para cualquier valor 0 O 1, la siguiente expresión da todos

los puntos óptimos, sean soluciones básicas realizables o no.
x1
ªx º ª«30º» ª4/3 º ª4/3 + 5/3O º
2 «10/3» = «10/3 10/3O»
«x » «5»
=
c1
O + (1 – O )
«0 » « 5O »
¬x ¼ 0
c2
¬ ¼ ¬0 ¼ ¬0 ¼
Ejercicios de Repaso
Los siguientes ejercicios sólo tienen la finalidad de ejercitarse con el

método Simplex. Con cada ejemplo deberá:
Resolver el problema con el método Simplex, identificando su solución.
Resolver el problema mediante la macro Solver y comprobar que su

solución es correcta. Utilice la opción de modelo lineal así como la opción
de mostrar las iteraciones para comparar sus resultados.
Una vez obtenida la solución final, identifique la matriz Básica óptima y

obtenga su inversa (puede utilizar la Excel para ello).
Ejercicio 1 Ejercicio 2
Max Z = 4 x1 + 2 x2+ 5 x3 Max Z = x1 + 2 x2+ 3x3
x1 + 2x2 + 2x3 8 x1 + x2 2x3 = 8
2x1 + x2 + 3x3 6 2x1 + x2 + 4x3 6
x1 0 x 2 0 x 3 0 x1 0 x 2 0 x 3 0
Solución: x1 = 3 xc1 = 2 (Múltiple) Solución: No Tiene
Ejercicio 3 Ejercicio 4
Max Z = 3 x1 + 2 x2+ 5 x3 Max Z = 8x1 + 7 x2 + 8x3
x1 + 2x2 + 2x3 8 x1 + 2x2 2 x3 20
x1 + x2 + x3 = 6 -1 x1 + x2 + 3x3 24
x1 0 x 2 0 x 3 0 x1 0 x 2 0 x 3 0
Solución: x3 = 6 xc1 = 4 Solución: Ilimitada
Thinking Case
The following exercise is based on the article “Linear programming
comes of age: a decision support tool for every manager”, by D.J.Caine and
B.J. Parker, published in Management Decision, 1996, Vol. 34 nº 4, pp 46-
53.
Ustinov Corp. manufactures three kinds of lawn-mower engines, the

James, the Joker and the Rooker and wishes to determine the combinations
of the three products that should be produced. Labour, milling and turning
capacity are the only constraints on manufacture. Each James uses three
hours of labour, three hours of milling and two hours of turning. Each Joker
uses two hours of labour, one-and-a half hours of milling and four hours of
turning. Each Rooker uses two hours of labour, two hours of milling and two
hours of turning.
The James makes a unit contribution (before allocating fixed

overheads) of 22 €, the Joker model has a unit contribution of 20 € and,
finally the Rooker model has a unit contribution of 18 €.
In any one month there are 110.000 hours of labour available,

130.000 hours of milling time and 140.000 hours of turning capacity. How
many of each unit should the company produce if it wishes to maximize
contribution? Do you agree with the following solution?
The The The Slack Slack Slack

Ind James Joker Rooker Labour Milling Turning
The
40.000 2 0 1 1 0 -0,5
Rooker
Slack
27.500 -0,25 0 0 -1,25 1 0,25
Milling
The Joker 15.000 -0,5 1 0 -0,5 0 0,5
Z 1.020.000 4 0 0 8 0 1
Caso Práctico I.1
La empresa DULCESA tiene la posibilidad de fabricar ciertos productos

que pueden venderse directamente al mercado o pueden utilizarse como materia
prima para la elaboración de otros productos. Así, la empresa puede fabricar
pastas, rosquillas y galletas, las cuales a su vez pueden venderse en formato de
surtidos. Así, las pastas pueden formar parte del Surtido Light, al que se le
añaden “perlas del chocolate”. Las rosquillas pueden aparecer en el mercado
como “Desayuno completo” al añadirle una bolsa con chocolate en polvo.
Finalmente, las galletas pueden formar parte del último éxito de la empresa
“BioSurtido”, puesto que se incorpora caramelos de soja al surtido.
La siguiente Tabla I.12 recoge los precios de venta de cada producto

(€/Bolsa) que llega al mercado.
Producto Pastas Rosquillas Galletas Surtido Desayuno Bio

Light Completo Surtido
Precio 6,00 € 7,00 € 5,00 € 16,00 € 21,00 € 25,00 €

Bolsa
Tabla I.12: Caso Dulcesa: Precios de Venta

Por otro lado, del Departamento de Producción, hemos obtenido los
tiempos de proceso en las instalaciones que el director de la planta situada en la
provincia ha considerado como instalación crítica. Dicha información se resume
en la Tabla I.13, donde el elemento clave es el consumo de celofán puesto que el
tiempo de producción no es un límite salvo en el caso que se indica más
adelante.
Surtido Desayuno Bio

Recurso Pastas Rosquillas Galletas
Celofán
(cm2 por 10 15 20 50 60 90
bolsa)
Tabla I.13: Caso Dulcesa: Consumos de Celofán
El coste por cm2 es de 0,15€ y se disponen de 21.000 cm2 de celofán.
La calidad es un elemento diferenciador de esta empresa. Así, dispone

de una instalación, de gran capacidad donde se pueden “limpiar” de posibles
gérmenes algunos de los productos, sin afectar a su sabor. El tiempo de
funcionamiento máximo es de 100 horas para el periodo considerado.
El departamento de calidad nos ofrece los tiempos necesarios para estar
en la instalación, como se detalla en la Tabla I.14 (en minutos por bolsa).
Surtido Desayuno Bio

Recurso Pastas Rosquillas Galletas
Calidad 3 2 1 3 4 2
Tabla I.14: Caso Dulcesa: Tiempos en test de calidad

El coste por hora en esta instalación es de 0,05€/minuto.
Con estos datos plantee el problema y resuélvalo por el método

Simplex. (Nota: Primero calcule los márgenes. Después plantee la tabla. Tome
una bebida no alcohólica, reúnase con otras personas y trabaje. ¿Cuántos
productos fabrica?).
Ayuda: Incluimos aquí la Tabla I.15 Final del Ejercicio.

Ind Pastas Ros Galle Surtido Desayuno Bio Compl. Compl.
quillas tas Light Completo Surtido Celofán Calidad
Rosq. 120 0 1 2 4,8 5,6 10 0,12 -0,4
Pastas 1.920 1 0 -1 -2,2 -2,4 -6 -0,08 0,6
Margen 8.910 0 0 3 4,4 3,8 9 0,21 0,75

Bruto
Tabla I.15: Caso Dulcesa: Solución Final

II ANEXO II:
UNA DUALIDAD
MATEMÁTICA
x Construir el “dual” de un problema lineal.
x Conocer las utilidades de emplear el dual de un problema lineal.

x Formular el “dual” de un problema lineal.
x Utilizar el dual para la búsqueda de nuevas soluciones.
x Emplear el algoritmo Simplex-dual.
II.1 Justificación de la Dualidad

En el capítulo 4 hemos introducido el dual cómo el “reverso” de un
problema de optimización lineal. Es decir, hemos definido el dual como el
reflejo del problema original donde las variables reflejan precios y donde las
limitaciones comparan márgenes con costes internos de oportunidad por la
dedicación de recursos a estas actividades. Dada las características del capítulo
sólo se aplicaba la dualidad a ejercicios de dos variables.
En términos de utilidad del dual, en dicho capítulo, y muy
especialmente en el caso práctico que lo finalizaba veíamos cómo el dual
permitía testar si una nueva variable formaría de un hipotético nuevo óptimo si
se hubiera incluido en el problema. Pensemos ahora en estas utilidades desde la
óptica de un problema mayor que se ha resuelto mediante el Método Simplex:
El número crítico de un modelo de optimización lineal es el número de las

restricciones (= nº de filas en la tabla del Método Simplex del anexo I).
Como veremos en el punto 3, las dimensiones de primal y dual están
relacionadas, de forma que podremos elegir cualquiera de ambos
planteamientos y resolver el que parezca más fácil.
Los valores duales nos han ofrecido los multiplicadores de Lagrange de las
restricciones, digamos, que normales del problema. Pero en ningún caso
hemos considerado las restricciones “sencillas” o de cota inferior o superior
de una variable. ¿Dónde se encuentran?. Una profundización en el
planteamiento dual nos permite responder a esa pregunta.
En definitiva, ¿dónde se encuentra el dual la tabla del Simplex? Las

demostraciones matemáticas que se indicarán permitirán responder
claramente a esta pregunta.
Finalmente, este paseo por la programación lineal nos llevará al análisis de

sensibilidad de las soluciones. En ese análisis será necesario “exprimir al
máximo” las posibilidades de la tabla del Simplex. El dual, nos permite
mirar la tabla desde otra perspectiva.
Presentadas las razones, creemos que no es conveniente demorar aún

más el estudio del dual.
II.2 Aproximación a la Dualidad

En todo el texto hemos planteado una forma de trabajo interactiva con el
lector. Este Anexo sigue está tónica, aunque las dosis de matemática son un
poco más abundantes.
Así, en las siguientes líneas presentamos una nueva lectura, que sin
llegar a la “dureza” matemática de las condiciones de Kuhn-Tucker vistas en el
capítulo sobre el Método Simplex, presenta un planteamiento más ajustado.
ANEXO II: UNA DUALIDAD MATEMÁTICA 193
II.2.1 Un problema excesivamente sencillo
Si existe un planteamiento de programación lineal sencillo sería un
problema como cualquiera de los dos siguientes:
Ejemplo A Ejemplo B
Min Z = 6x1 + 12 x2 Min Z = 6x1 + 12 x2
Sujeto a x1 t 0, x2 t 0. Sujeto a x1 t 0, x2 t 0.
La solución a estos problemas es evidente:
x En el caso del ejemplo A, la solución es no hacer nada. Al tratar de hacer

mínimo la función Z, no me interesa dar valor a ninguna de las dos
variables. El resultado es, por tanto, x1 = x2 = 0 y el valor de Z = 0.
x En el caso del ejemplo B, la solución en cambio es una solución ilimitada.

Podemos dar tanto valor como queramos a x1 y Z seguirá disminuyendo
todo lo que se quiera.
Resumiendo, en el siguiente planteamiento general:
Min Z = C1x1 + C2 x2
Sujeto a x1 t 0, x2 t 0.
Si algún coeficiente en la función a optimizar es negativo, el resultado será una

solución ilimitada. En cualquier otro caso, la solución será Z = 0 y todas las
variables nulas.
De este modo, si cualquier problema de optimización lineal pudiera

transformarse a esta estructura, tendríamos fácilmente esa solución. Veámoslo
en el siguiente ejemplo
II.2.2 Un problema más corriente

Supongamos un problema como el que sigue:
Min Z = 6x1 + 12x2

Sujeto a la restricción 3x1 + 4x2 = 12
Todas las variables positivas x1 t 0, x2 t 0.
La solución de este problema es evidente: x1 = 4 x2 = 0 Z = 24
Este es un problema que podemos resolverlo mediante lo que se

denomina una “relajación” de la función Lagrange, que supone plantear un
óptimo de Lagrange sin incluir las condiciones de no negatividad.
Minimizar Lagrange = 6x1 + 12x2 +y[12 - 3x1 - 4x2 ]
Este es un problema nuevamente muy sencillo de resolver. De hecho,

podemos adelantar que tendrá una solución ilimitada muy negativa o un valor
finito, que en cualquier caso dependerá de la nueva variable “y”, que no tiene
ningún signo asociado34. Para entender mejor la nueva función vamos a agrupar
mejor los términos de la función de Lagrange
Minimizar Lagrange = 12y + [6 – 3y]x1 + [12- 4y]x2
Esta expresión es equivalente a los ejemplos A o B vistos al principio de

este apartado.
Si alguno de los coeficientes de la función es negativo, el resultado será

ilimitado, de forma que podemos intuir las condiciones para que el resultado sea
finito:
Coeficiente de x1 t 0 6 – 3y t 0 3y d 6
Coeficiente de x2 t 0 12 – 4y t 0 4y d 12
De este modo, siempre que “y d 2” el valor de la función de Lagrange

será siempre finito, con una solución donde x1 = x2 = 0 y el valor de la función
será L = 12y.
Por tanto quizás podemos preguntarnos cuál puede ser el máximo valor
de la función de Lagrange para ese valor. Para ello plantearíamos el siguiente
problema:
34 Recuerde cómo en el anexo I el comentario sobre esta variable “y”. Es el

multiplicador de Lagrange normalmente denominado con la letra “O”.
Max 12 y
Sujeto a 3y d 6
4y d 12
donde la variable “y” no está limitada en signo.
Este planteamiento es el dual del problema analizado y así, su óptimo es

“y = 2” y la función objetivo es igual a 24, valor que concuerda con el del
problema original.
Además, si aumentamos en una unidad el límite de la restricción del

problema original, la función objetivo aumenta en dos unidades. Es decir, el
valor de esa variable.
II.2.3 Una nueva idea

Finalmente, supongamos que en ese ejercicio nos obligan a fabricar algo
del producto “x2” , por ejemplo “x2 = 1” entonces para el producto “1” sólo nos
quedarían disponibles 12 4(unidades empleadas en el producto 2) = 8
unidades.
Así, el nuevo plan sería el siguiente:
x1 = 8/3, x2 = 1, Z = 28
Es decir, que el coste se incrementa en 4 unidades.
Si nos fijamos en la segunda restricción del dual indicado:
4y d 12
Si sustituimos el valor de la variable “y = 2” en esa inecuación vemos
que no se cumple en igualdad. Para ese producto que no fabricamos la
inecuación es una desigualdad estricta.
4*2 = 8 < 12
La diferencia entre esos dos valores es “4”, justo lo que hemos

calculado como el impacto de producir forzosamente una unidad de ese
producto no interesante.
De ahí, que en el planteamiento dual, no sólo podemos interpretar las
variables duales como “multiplicadores de Lagrange de las restricciones” sino
que las variables duales complementarias pueden también interpretarse como “el
impacto negativo en la función objetivo de alterar mínimamente la restricción de
cota limitativa para la variable”. Este valor se suele conocer como “coste
reducido” o “gradiente reducido”.
II.2.4 Resumen
Los anteriores ejercicios nos llevan a las siguientes conclusiones
El dual nace del primal.
El dual se basa en la optimización lineal natural de “Kuhn-Tucker” aunque

se puede demostrar con una relajación del problema.
Dada la relación de magnitudes entre ambos, es posible elegir el modelo

más sencillo para resolver y así obtener los óptimos respectivos.
El dual recoge información sobre los multiplicadores de Lagrange de las

restricciones sobre recursos (variables duales o precios sombra) y sobre las
restricciones de cota inferior de las variables (costes reducidos o gradientes
reducidos).
Los siguientes puntos extienden esta idea:

Con una aproximación más formal (punto 3)
Con una interpretación económica más amplia (punto 4,)
II.3 Teoría de la Dualidad

Si recordamos el planteamiento de programación lineal
n
Max Z = ¦ cjxj
j
n
¦ aijxj bi i = 1,2,3,…m
j
xj 0 j = 1,2,3,…n
y la condiciones de Kuhn-Tucker para el mismo:
n
xci = bi – ¦ aijxj xj 0 xci 0 i = 1,2,.....m
j
m
ycj = ¦ aijyi – cj yi 0 ycj 0 j = 1,2,.....n
i
xj ycj = 0 xci yi = 0 i = 1,2,.....m j = 1,2,.....n
Por tanto, si nos fijamos en dichas condiciones aparecen dos problemas:

el problema original, que llamaremos PRIMAL, y casi otro asociado, al anterior,
que llamaremos DUAL y que representamos a continuación:
m
Min V = ¦ biyi
i
m
¦ aijyi cj j = 1,2,3,…n
i
yi 0 i = 1,2,3,…m
Nos queda por relacionar esos dos problemas de forma más rotunda.
Los principales teoremas sobre la dualidad se enuncian a continuación:
El dual del dual es siempre el primal: éste es un teorema que solo se cumple
en la optimización lineal.
Dado un primal planteado de la forma indicada al inicio de este capítulo, el

valor de la función objetivo para cualquier solución realizable del problema
primal está limitado superiormente por el valor de la función objetivo de
cualquier solución realizable del dual. O lo que es lo mismo, el valor de la
función objetivo del dual tiene como límite inferior el valor de la función
objetivo del primal. (Dualidad Débil)
Así, sea x una solución realizable del primal, y v una solución realizable
del dual. Es decir que cumplen las restricciones del primal y del dual
respectivamente:
n m
¦ aijxj bi ¦ aijvi cj
j i
Si multiplico cada restricción del primal por bi y cada restricción del

dual por xj y suma para todas las restricciones del primal y del dual
respectivamente, obtengo:
n m
¦ a1j x1y1 b 1 y1 ¦ ai1vi x1 c1x1
j i
n m
¦ a2j x1 y2 b2 y2 ¦ ai2vi x2 c2 x2
j i
n m
¦ aijx1 yi bi yi ¦ ai1vi xj cj xj
j i
n m
¦ a2j x1ym bm y m ¦ ai2vi xn cnxn
j i
Y ahora, sumando verticalmente:
m n m n m n
¦ ¦ aijx1 yi ¦ bi yi ¦ ¦ ai1vi xj ¦ cj xj
i j i j i j
De este modo una misma expresión con límite inferior y superior, que
podemos “ordenar”:
n m
¦ j j ¦ biyi
c x d
j i
De esta propiedad se deduce que si tenemos dos soluciones realizables

al problema primal - dual, tal que las funciones objetivos den el mismo valor,
entonces esas soluciones son óptimas de los respectivos problemas.
x Si ambos problemas, primal y dual, tienen una solución óptima finita, los
correspondientes valores de las funciones objetivo primal y dual serán
iguales y tendremos el óptimo del problema. (Teorema de la dualidad)
Supongamos dos soluciones x e y respectivamente del primal y del dual,

donde además Z (x) = V(y). Veamos que esto sólo es posible en los óptimos
respectivos.
n m
Partimos pues de que : ¦ cjxj = ¦ biyi
j i
n m
Además, sabemos que: bi = ¦ aijxj + xci cj = ¦ aijyi – ycj
j i
Sustituyendo me queda:
n m m n
¦ ¦ ij i cj j ¦ [¦ aijxj + xci ]yi)
[ a y – y ]x =
j i i j
donde realizando las operaciones llegamos a la siguiente igualdad
n m
¦ j cj ¦ xciyi
c y =
j i
Y la única posibilidad para que la igualdad se mantenga es que esos

dobles productos sean cero, es decir, que tanto el primal como el dual tienen una
solución que cumple las condiciones de Kuhn-Tucker, es decir, el óptimo
respectivo.
En definitiva, el programa dual se caracteriza porque:
su función objetivo tiene sentido opuesto al primal, es decir, si en el

problema primal maximizamos, en el problema dual se minimiza
tiene tantas restricciones como variables hay en el primal
tiene tantas variables como restricciones hay en el primal

el límite de las restricciones en el primal es el coeficiente en la función
objetivo del dual de aquella variable dual a la que está asociada
los coeficientes en la función objetivo de las variables del primal, son los
límites de las restricciones del dual a las que están asociadas
los coeficientes en las restricciones del dual de las variables duales son los
coeficientes de las variables primales en la restricción a la que están
asociadas.
En la Tabla II.1 incluimos las posibles relaciones entre tipos de problemas.
Por último nos quedaría indicar el signo de las variables y de las

restricciones del dual mediante las siguientes reglas mnemotécnicas:
Si en el primal maximizamos,
las restricciones del dual tienen el mismo sentido que las variables del
primal a las que están asociadas: por ej: si una variable del primal xj t 0 la
restricción asociada del dual tiene ese igualmente un límite inferior (t), es
decir:
m
xj 0 ¦ aijyi cj
i
las variables del dual tienen distinto sentido a las restricciones del primal a
las que están asociadas: por ej una restricción con límite superior (d) en el
primal tiene una variable dual asociada positiva
n
¦ aijxj bi yi 0
j
Si en el primal estamos minimizando
las restricciones del dual tienen el sentido contrario al de las variables del
primal a las que están asociadas: por ej: si una variable del primal xj t 0 la
restricción asociada del dual tiene igualmente un límite superior (d), es
decir,
m
xj 0 ¦ aijyi d cj
i
las variables del dual tienen mismo sentido que las restricciones del primal a
las que están asociadas: por ej. una restricción con límite superior (d), en el
primal tiene una variable dual asociada negativa
n
¦ aijxj bi yi d 0
j
Pregunta II.1
Uno de los modelos de redes más conocidos es el modelo de transporte. En
el planteamiento siguiente se detalla la expresión del modelo en su formato
general, donde existe una oferta disponible y una demanda mínima a atender.
m n
Min Coste Total Transporte = ¦ ¦ cij xij
i j
n
¦ xij Oi i = 1,2,3,…n
j
m
¦ xij Dj j = 1,2,3,…m
i
xij 0 i = 1,2,3,…m, j = 1,2,3,…n
¿Cuál es el planteamiento dual de este problema?
Primal Finito Dual Finito
Max Z = 5x1 + 2x2 Min V = 7y1 + 10y2
3x1 + 1x2 d 7 3y1 + 4y2 t 5
4x1 + 2x2 d 10 1y1 + 2y2 t 2
x1 t 0, x2 t 0 y1 t 0, y2 t 0
Solución: x1 = 2, x2 = 1 Solución: y1 = 1, y2 = 1/2
Primal Infinito Dual Irrealizable
Max Z = 5x1 + 2x2 Min V = 7y1 + 10y2
3x1 – 1x2 d 7 3y1 + 4y2 t 5
4x1 – 2x2 d 10 –1y1 – 2y2 t 2
x1 t 0, x2 t 0 y1 t 0, y2 t 0
La variable x2 puede tomar un La restricción en negrita no se
valor tan grande como puede cumplir.
queramos.
Primal Irrealizable Dual Infinito
Max Z = 5x1 + 2x2 Min V = 7y1 + 10y2
3x1 + 1x2 d 7 3y1 + 4y2 t 5
4x1 + 2x2 d 10 1y1 + 2y2 t 2
x1 t 0, x2 t 0 y1 t 0, y2 t 0
La restricción en negrita no se La variable y1 puede tomar un
puede cumplir. valor tan grande como queramos.
Primal Irrealizable Dual Irrealizable
Max Z = 5x1 + 2x2 Min V = 7y1 – 10y2
–3x1 d7 –3y1 t5
2x2 d –10 2y2 t 2
x1 t 0, x2 t 0 y1 t 0, y2 t 0
La restricción en negrita no se La restricción en negrita no se
puede cumplir. puede cumplir.
Tabla II.1: Posibles Relaciones entre Primal – Dual
II.4 Interpretación Económica de la Tabla del

Simplex
Toda la información anterior nos ha permitido ir desgranando la
información sobre el dual de un problema. Aunque un apartado final nos
ofrecerá una visión más matemática de dicha interpretación, debemos ya
identificar la información en la tabla del Simplex. Vamos a repasar la
interpretación del dual, y con él de toda la tabla del Simplex con el siguiente
ejemplo:
II.4.1 Un ejemplo numérico

Supongamos el siguiente planteamiento PRIMAL del problema
Max Z = 5 x1 + 2 x2 + 6 x3 + 5 x4 (Ingreso en euros)
x1 + x2 + 2 x3 + 2 x4 d 100 (Unidades factor 1)
4 x1 + 2 x2 + 2 x3 + x4 d 80 (Unidades factor 2)
3 x1 + 4 x2 + x3 + 3 x4 d 100 (Unidades factor 3)
x1, x2, x3, x4 0
Supongamos que nos dicen que en el óptimo no empleamos todas las

unidades del factor 3.
El planteamiento DUAL del problema nos queda como sigue:
Min V= 100 y1 + 80 y2 + 100 y3 (Coste en euros)
y1 + 4 y2 + 3 y3 t 5 (Producto 1)
y1 + 2 y2 + 4 y3 t 2 (Producto 2)
2y1 + 2 y2 + y3 t 6 (Producto 3)
2y1 + y2 + 3 y3 t 5 (Producto 4)
y1, y2, y3 0
En este Dual sabemos que si el factor 3 no es escaso, el valor dual
asociado a dicho factor es igual a cero, es decir, que y3 = 0. De este modo el
dual nos queda como sigue:
Min V= 100 y1 + 80 y2 (Coste en euros)
y1 + 4 y2 t 5 (Producto 1)
y1 + 2 y2 t 2 (Producto 2)
2y1 + 2 y2 t 6 (Producto 3)
2y1 + y2 t 5 (Producto 4)
y1 , y 2 0
Este es un problema que puede resolverse gráficamente. (Dejamos su

resolución gráfica a manos del lector). El óptimo se da en el punto de corte de
las restricciones asociadas a los productos 3 y 4, de forma que el óptimo del
dual nos proporciona la siguiente información:
Valor de las variables duales y1 = 2, y2 = 1
Los factores 1 y 2 se consumen en su totalidad puesto que las variables

duales asociadas son no nulas.
Valor del Ingreso Total V = Z = 280 €
Los productos 3 y 4 son los productos que se fabrican, puesto que son las
rectas que se cruzan en el punto óptimo.
Los productos 1 y 2 no se fabrican, y de hecho, podemos calcular cuánto

perderíamos si nos obligaran a fabricar algo de esos productos: es el coste
reducido o gradiente reducido que hemos presentado anteriormente.
Producto 1 y1 + 4 y2 > 5 6>5 yc1 = 6 – 5 = 1
Producto 2 y1 + 2 y2 > 2 4> 2 yc2 = 4 – 2 = 2
Toda esta información del dual permite transformar el problema primal

al siguiente problema equivalente:
Max Z = 6 x3 + 5 x4 (Ingreso en euros)
2 x3 + 2 x4 = 100 (Unidades factor 1)
2 x3 + x4 = 80 (Unidades factor 2)
x3 , x 4 0
donde además sabemos que Z = 280. Así podemos también calcular los
valores de producción de los productos 3 y 4.
En resumen: hemos utilizado el dual de un problema para resolverlo en

su integridad porque era más fácil. Además no hemos utilizado el método
Simplex porque hemos podido resolver gráficamente el problema.
II.4.2 Calculo de variables duales

Dada la relación entre los problemas primal y dual, podemos obtener
fácilmente los valores de las variables duales en el óptimo final. Para ello vamos
a emplear un procedimiento matricial.
Así, dado el siguiente planteamiento primal donde hemos distinguidos

las variables básicas de las no básicas.
x Planteamiento Primal
' '
Max Z = c B x B + cN x N
sujeto a BxB + NxN = b
siendo xB t 0n , xN t 0n
donde tenemos ya identificadas las variables básicas del óptimo:
xB = B-1 b – B-1N xN si xN = 0n-m xB = B-1 b
' '
Z = cB [B-1 b – B-1N XN]+ cN xN
' ' '

Z = cB B-1 b +[ cB B-1N – cN ]xN
'
Si xN = 0n-m, entonces Z = cB B-1 b
x Planteamiento Dual del ejercicio
Min V = bý
Sujeto a Bý t cB
Ný t cN
y t 0m
Por las condiciones de Kuhn-Tucker, y siguiendo las conclusiones de

los ejemplos utilizados al inicio de este capítulo tenemos que:
Variables que toman valor están asociadas con restricciones del dual que se
cumplen estrictamente en igualdad
' '
xB > 0 Bý = cB y´B = cB y´ = cB B-1
Variables que no toman valor están asociadas con restricciones del dual que
son desigualdades estrictas.
xN = 0 Ný > cB Ný – yc = cN yc = Ný – cN
Sustituyendo el valor de las variables duales nos queda como sigue:
'
yc = Ný – cN yc = yŃ – cN yc = cB B-1 y – cN
' ' '
En resumen, las fórmulas para el cálculo de las variables en el dual son

las siguientes:
Valores Duales de las Restricciones de Recursos
' –1
Y´ = cBOptima BOptima
Valores Complementarios o Costes Reducidos de las variables
originales que no se producen
' –1 '
Yc´ = cBOptima BOptimaN - cN
Estas dos fórmulas se pueden resumir en la siguiente:
' –1
Yc´ = cBOptima BOptimaA – c'
II.4.3 El dual en la Tabla del Simplex
Finalmente podemos tratar de comprobar si en la tabla del Simplex
encontramos la información sobre el dual del ejercicio. Para ello escribimos
aquí la Tabla II.2 final del ejercicio que estamos planteando.
Ind x1 x2 x3 x4 xc1 xc2 xc3
x4 20 –3 –1 0 1 1 –1 0
x3 30 7/2 3/2 1 0 –1/2 1 0
xc3 10 17/2 11/2 0 0 –5/2 2 1
Z 280 1 2 0 0 2 1 0
Tabla II.2: Tabla Final Ejercicio Dual en el Simplex
Podemos ver cómo en esa tabla se encuentra la información del dual. Si
recordamos la expresión matricial de cálculo de la tabla podemos encontrar
fácilmente la explicación de cada elemento:
–1
–1
BOptimab BOptimaA
' –1 ' –1 ' ' –1

cBOptima BOptimab cBOptima BOptimaN - c cBOptima BOptima
N
Tabla II.3: La Tabla del Simplex: la visión del Primal
II.4.4 El significado de la Tabla del Simplex

Así podemos interpretar la Tabla II.3 como la siguiente Tabla II.4:
Valores
Variables
“Normales Relaciones Sustitución:
”
Entre variables “normales”
Valores Entre variables complementarias
Variables
“compleme
Entre variables “normales” y complementarias
ntarias”
Optimo Costes Reducidos Valores Duales

Función Gradientes Reducidos Multiplicadores Lagrange
Objetivo Precio Sombra
Tabla II.4: La Tabla del Simplex: la visión del Dual
La tabla siguiente ofrece una interpretación de la Tabla II.2:
Coeficiente Interpretación
20 Las unidades a fabricar del producto 4 (x4)
10 Las unidades no utilizadas del factor 3 (xc3), es decir, sólo
empleamos 90 unidades de ese factor
3/2 El coeficiente cruce de la columna de x2 y la fila de x3: si
nos obligaran a fabricar una unidad de x3 dejaríamos de
fabricar 1,5 unidades del producto 2
17/2 El coeficiente cruce de la columna de x1 y la fila de xc3: si
nos obligaran a fabricar una unidad de x1 deberíamos
emplea 8,5 unidades más del factor 3 de esas 10 que
todavía no hemos empleado.
Tabla II.5: Interpretación Completa de la Tabla del Simplex
Coeficiente Interpretación
2 El coeficiente cruce de la columna de xc1 y la fila de Z: es

el valor dual de la primera restricción, es decir si tenemos
una unidad de factor 1 más/menos disponible la función
objetivo aumenta/disminuye en 1 euro.
-1/2 El coeficiente cruce de la columna de xc1 y la fila de x3:

nos dice que si dispusiéramos de una unidad mas/menos
del factor 1 haríamos 0,5 unidades menos/mas del
producto 3
2 El coeficiente cruce de la columna de x1 y la fila de Z: es

el coste reducido del producto 1. Si nos obligaran a hacer
una unidad más del producto 1, la función objetivo se
vería perjudicada en 2 unidades.
Tabla II.5: Interpretación Completa de la Tabla del Simplex (Cont.)
II.4.5 Interpretación Económica del planteamiento Dual

Finalmente, terminamos este apartado destinado al significado del Dual,
comentando brevemente su interpretación en una forma más genérica. Así, dado
un problema como el que sigue:
n
Max Z = ¦ cjxj
j
n
¦ aijxj bi i = 1,2,3,…m
j
xj 0 j = 1,2,3,…n
donde:
cj son los ingresos unitarios del producto xj
bi son total de recursos disponibles del factor i
aij es la cantidad de factor i necesaria para producir una unidad de producto j
Si eliminamos la desigualdad y lo planteamos para poder resolver por el
método Simplex, introducimos una variable complementaria xci que
representaría los recursos ociosos, no dispuestos del factor i, tendríamos un
planteamiento clásico de producción.
Si planteamos el problema dual en general tenemos:
m
Min V = ¦ biyi
i
m
¦ aijyi cj j = 1,2,3,…n
i
yi 0 i = 1,2,3,…m
En este planteamiento vimos cómo esas variables duales “yi” podían

interpretarse como “precios a cobrar” si quisiéramos vender la totalidad de los
recursos disponibles. De hecho, el dual era el problema de ese comprador
ficticio.
Así, una vez definido el significado de las variables duales veamos que
significan las restricciones:
m
¦ aijyi representa la valoración o “coste interno” que hacemos de la
i
producción del producto xj en función de los recursos que consume,
m
¦ aijyi cj comparamos el coste de oportunidad de cada producto con el
i
ingreso unitario efectivo de cada producto.
Así, en el óptimo, si fabricamos un producto, xj , según las reglas de

complementariedad quiere decir, que ycj = 0, es decir, que cuando en el óptimo
m
un producto se fabrica, entonces ¦ aijyi = cj , es decir, que la valoración interna
i
es igual al margen real de ese producto.
Esta interpretación nos permite acercarnos nuevamente a la pregunta
siguiente: ¿desde el punto de vista del dual, cuándo nos interesa que una
variable toma valor?. Por eliminación sólo nos queda una posibilidad:
Cuando el coste interno sea menor que el margen que obtenemos, es

m
decir, que ¦ aijyi < cj. Esta afirmación nos lleva al siguiente punto
i
II.4.6 El dual para generar columnas

Volvamos al problema inicial de este apartado como el que sigue:
Min Z = 6x1 + 12x2
Sujeto a la restricción 3x1 + 4x2 = 12
Todas las variables positivas x1 t 0, x2 t 0.
En este caso, el dual se escribe como sigue:
Max V = 12 y
Sujeto a 3y d 6
4y d 12
La solución obtenida nos daba un valor de Z = V = 24. Sabemos que en

ese problema la solución era fabricar un sólo producto. Supongamos que nos
aparece un tercer producto que consume 5 unidades de ese único recurso. ¿Cuál
sería el margen mínimo para que fuera interesante fabricar?.
Si reescribimos ahora ambos problemas nos queda como sigue:
Primal Dual
Min Z = 6x1 + 12x2+ c3x3 Max V = 12 y
3x1 + 4x2 + 5x3 = 12 Sujeto a 3y d 6

4y d 12
x1 t 0, x2 t 0, x3 t 0. 5y d c3
Fijémonos que el Valor Dual óptimo “y = 2” será válido siempre que la
nueva restricción del dual se cumple con dicho valor:
5 * 2 < c3
Supongamos que el margen de ese nuevo producto (c3) es 9. Con el

valor dual actual no se cumpliría la restricción. De hecho habría que resolver el
problema dual y el nuevo valor óptimo de esa variable sería “y = 9/5” y
haríamos ese nuevo producto y el óptimo sería Z = V = 21,6, más interesante
que el anterior.
Fijémonos, que este hecho nos permite pensar en cómo agregar nuevas
variables a un problema.
Si esa nueva variable genera una restricción en el dual que no se cumple

con la solución existente, quiere decir que nos interesa que dicha variable forme
parte del óptimo. Por tanto, la información del dual nos puede ayudar a “generar
columnas”.
II.5 El algoritmo Simplex-dual

Dada la relación entre los problemas primal y dual, existe la posibilidad
de resolver algunos problemas mediante el uso de un algoritmo que se basa más
en el dual que en el primal. Es el algoritmo Simplex-dual.
Para ello vamos a utilizar el siguiente problema donde x1, x2

representan unidades de producto que deben consumir unas cantidades mínimas
de horas en dos instalaciones para que sean válidos los coeficientes técnicos de
producción. El objetivo reside en producir los productos al mínimo coste.
Min Coste Total Z = 3x1 + 2x2
2x1 + 1x2 t 8 Horas Instalación 1
1x1 + 3x2 t 7 Horas Instalación 2

x1 t 0 x2 t 0
En este problema, en vez de introducir variables artificiales vamos a

partir de una primera solución, en la que las variables básicas son las variables
complementarias. En este caso, su primer valor será negativo.
Veamos el cuadro inicial donde hemos multiplicado Z por (-1) para

pasar a un problema de maximización. Así hemos cambiado su nombre a Z*:
Ind x1 x2 xc1 xc2
xc1 -8 -2 -1 1 0
xc2 -7 -1 -3 0 1
Z* 0 3 2 0 0
Esta tabla nos ofrece una solución que es válida para el dual, aunque no
para el primal. Vamos a realizar un pivote tratando de no perder la solución
válida del dual y avanzar hacia el primal.
De este modo, vamos a sacar de la solución la variable “xc1”. Para ello

debemos buscar alguna variable que la haga aumentar de valor (es decir, alguna
con coeficiente negativo en esa fila).
Fila xc1 -8 = -2x1 -x2 + xc1 xc1 = -8 +2x1 + x2
Pueden ser ambas, pero al hacer el pivote debemos garantizar no perder

la solución del dual: Vamos a controlar el siguiente cociente para cada variable:
coeficiente en fila Z
coeficiente en la fila de la variable negativa
Para nuestro caso obtenemos las dos siguientes expresiones:
1 2
x1 -2 x2 -1
¿Cuál escogemos? En las dos tablas siguientes se recogen las posibles

soluciones:
Ind x1 x2 xc1 xc2 Ind x1 x2 xc1 xc2
x1 4 1 1/2 -1/2 0 x2 8 2 1 -1 0
xc2 -3 0 -5/2 -1/2 1 xc2 17 5 0 -3 1
Z* -12 0 1/2 3/2 0 Z* -16 -3 0 2 0
En la segunda tabla, hemos perdido la solución en el dual (aunque

hemos ganado en el primal). En cambio en la primera tabla, la fila de Z sigue
teniendo valores positivos. Por tanto, el criterio es el mayor de los cocientes
negativos.
Así, ahora podemos preguntarnos sobre “xc2” y decidir qué variable

entra en la solución, si “x2” o”xc1”
3/2 -3 1/2
x2 -5/2 = 5 = xc1 -1/2 = -1
Optamos por x2 y nos queda la siguiente tabla final:
Ind x1 x2 xc2 xc3
x1 17/5 1 0 -3/5 1/5
x2 6/5 0 1 1/5 -2/5
Z* -63/5 0 0 7/5 1/5
II.5.1 Una cuestión final

El planteamiento anterior nos ha permitido comprobar cómo podemos
pivotar en la tabla teniendo en cuenta el “primal” y el “dual”, es decir, tratar de
obtener soluciones validas donde no las hay sin perder la validez de la solución
en la otra cara.
Se puede extender esa idea a la situación siguiente. Supongamos

nuevamente la tabla final del ejercicio utilizado en el apartado de interpretación
económica del Dual:
Ind x1 x2 x3 x4 xc1 xc2 xc3
x4 20 –3 –1 0 1 1 –1 0
x3 30 7/2 3/2 1 0 –1/2 1 0
xc3 10 17/2 11/2 0 0 –5/2 2 1
Z 280 1 2 0 0 2 1 0
Supongamos que nos obligan a utilizar todas las unidades del recurso 3.
Como vemos en la solución, empleamos 90 unidades de las 100 disponibles, y
como resultado, en la tabla final aparece xc3 con valor 10. Podemos plantear
realizar un pivote en la tabla, determinando que variable entra en lugar de la
variable xc3 pero sin perjudicar a la solución en el dual. La respuesta, similar al
algoritmo Simplex-dual, es seleccionar aquella variable que menos perjudique a
la función objetivo.
Así, vemos que las variables “x1”, “x2”, “xc2” son las que hacen
disminuir el valor de la variable “xc3”. La elección es sencilla:
x1 = 10/(17/2) Tiene un impacto en Z = 1 x 10/(17/2) = 20/17
x2 = 10/(11/2) Tiene un impacto en Z = 2 x 10/(11/2) = 40/11
xc3 = 10/(2) Tiene un impacto en Z = 1 x 10/(2) = 5
Por tanto es “x1”. Esta elección permite que en el dual se mantenga una
solución válida. Similar al caso del algoritmo Simplex.
CASO PRÁCTICO 1I.1
Una empresa de refrescos tiene una red actual de cuatro embotelladoras

en para toda la península. En la tabla siguiente se detallan los datos de capacidad
de embotellado y demanda mínima a atender (en pallets) así como el coste
unitario de transporte (en €/pallet).
El transportista que mueve la ruta de Valencia a la Zona Sur controla

básicamente ese flujo y por tanto desea imponer esa situación de fuerza.
Considera que los precios de transporte no están actualizados y por tanto podría
presionar a la empresa. Para ello desea utilizar sus conocimientos en
optimización lineal y observar cómo varía sus ingresos con esa ruta a medida
que incrementa el coste por camión.
Explique cómo utiliza la macro Solver y los valores duales para
dibujarle al transportista cómo varían sus ingresos a medida que va aumentando
el precio. Obviamente, llegará un precio en el que sus ingresos serán cero dado
que la empresa de aguas no utilizará esa ruta.
Zona Zona Zona Zona Capacidad

Planta Embotelladora Norte Sur Este Oeste Embotellado
Planta 1 (Bizkaia) 100 120 130 150 3.000
Planta 2 (Valencia) 110 0 80 120 3.000
Planta 3 (Madrid) 90 90 80 95 3.000
Planta 4 (León) 95 85 90 80 3.000
Demanda Mínima 2.200 3.700 1.900 2.400

III ANEXO III:
UN MANUAL DE SOLVER
x Acercar un software de optimización sencillo: la macro Solver
x Conocer las posibilidades y limitaciones de la macro Solver
x Explicar la información que este software proporciona.

x Introducir modelos de optimización dentro de la macro Solver
x Responder a los problemas que la utilización de la macro tiene en casos

de variables no continuas.
x Aprovechar al máximo la información que la macro Solver

proporciona.
III.1 Presentación
La optimización lineal emplea el método Simplex para su resolución
como método fundamental. En páginas anteriores hemos comentado las
características de ese método pero lógicamente no parece adecuado pensar en
resolver problemas manualmente. Necesitamos para ello una ayuda.
De entre todas las posibilidades de software que se pueden encontrar en
l mercado (animamos al lector a que acuda a un buscador en Internet y busque
“software programación lineal” para que obtenga un número elevado de
posibilidades creadas por universidades y proveedores de software, en diversos
soportes35), hemos elegido utilizar la macro Solver por las siguientes razones:
x Fácil acceso dado que se incorpora con la Hoja de Cálculo Excel
x Fácil utilización por la razón anterior
x La información que proporciona es suficiente y en línea con lo que

proporcionan otros programas más sofisticados
x Es soporte de otros programas que existen en el mercado y también se

pueden exportar/importar datos hacia/desde esas otras aplicaciones.
Las limitaciones son, por otro lado, las siguientes:
x De dimensión, porque, por ej. sólo admite hasta 200 variables continuas en
su resolución.
x Ofrece problemas en la resolución de problemas con variables bivalentes y

enteras.
Las siguientes páginas ofrecen un ejemplo de aplicación, una

explicación de los resultados para que posteriormente el lector pueda realizar los
ejercicios del Capítulo 6. En cualquier caso, y siguiendo con la tónica del libro,
al final se incluye un ejercicio donde aplicar lo visto en este anexo.
III.2 El ejemplo a utilizar

III.2.1 Enunciado
En la actualidad en muchos sectores se dan fenómenos cada vez más
habituales como la integración con proveedores, la consideración de los mismos
como proveedores estratégicos mediante contratos para varios años,....
35 En búsqueda realizada en Julio de 2007, con palabras como “software”,

“programación lineal” y “descargar” o bien “software”, “linear programming” y
“download” el nº de páginas fue de 250.000 páginas.
ANEXO III: UN MANUAL DE SOLVER 219
En el siguiente ejercicio planteamos una propuesta basada en el modelo
aparecido en el Journal of Supply Chain Management sobre selección de
proveedores y asignación de pedidos36. El objetivo de la propuesta es obtener la
mejor calidad en nuestro suministro de materia prima. Para ello indicamos a
continuación el siguiente modelo, en el que tratamos de determinar cuántas
toneladas de cada una de las dos materias primas críticas (Carbono y Hierro)
para nuestro proceso productivo debemos solicitar a 5 posibles proveedores para
que la calidad sea máxima sin sobrepasar un coste medio de compra total de
11€. Este límite de coste quiere garantizar la competitividad en el mercado de
nuestro producto final.
Con estas premisas, el modelo tiene la siguiente formulación:
Función Objetivo Maximizar la Calidad esperada del suministro
2 5
Max Calidad = ¦ ¦ nij wij xij
i=1 j=1
donde nij recoge la calidad media que una conocida revista del sector ha
otorgado a esos posibles 5 proveedores en las dos materias primas contempladas
y wij es un factor de ponderación con relación al cumplimiento de las
condiciones (plazo de entrega, calidad del producto, nº de defectos, etc.) según
nuestras propias estimaciones, para cada uno de los productos/proveedores. Ver
datos en Tabla III.1 y Tabla III.2.
sujeto a las siguientes restricciones:
Restricción de Coste Medio Unitario Máximo (Datos en Tabla III.3)
2 5
¦ ¦ pij xij
i=1 j=1
Coste Medio Unitario: 2 5
d 11 €
¦ ¦ xij
i=1 j=1
36 La fuente completa es “Supplier Selection and Order Quantity Allocation: A

Comprehensive Model” por Vaidyanathan, Jayaraman, Rajesh Srivastava y W.C. Benton
publicado en Journal of Supply Chain Management: A Global Review of Purchasing &
Supply, Spring 99, Vol. 35 Issue 2, pp. 50-58.
donde pij recoge el precio unitario de compra de la materia prima i al
proveedor j. Esta restricción trata de delimitar el coste medio unitario puesto que
ambas materias primas se emplean en la fabricación de un único producto y por
tanto se desea que este coste medio unitario no exceda de 11 €.
x Capacidad de oferta por proveedor y producto (Ver Tabla III.4):

xij d Lij (Tm) i,j
x Diversificación de riesgos
Se exige comprar un mínimo de todos los productos a todos los proveedores
para evitar problemas de suministros. Concretamente se exige una cantidad
mínima de 5 Tm.
xij t 5 i,j
2 5
x Capacidad de nuestro almacén ¦ ¦ xij d 350 Tm
i=1 j=1
x Todas las variables positivas y continuas.
Con todos los datos podemos plasmar el modelo dentro de la macro
Solver y posteriormente optimizar.
Calidad Proveedor Proveedor Proveedor Proveedor Proveedor

(nij) nº 1 nº 2 nº 3 nº 4 nº 5
Carbono 7 9 9 6 5
Hierro 8 7 5 9 6
Tabla III.1: Calidad por Proveedor-Producto
Ponderación Proveedor Proveedor Proveedor Proveedor Proveedor
(wij) nº 1 nº 2 nº 3 nº 4 nº 5
Carbono 5 2 4 3 1
Hierro 5 2 4 3 1
Tabla III.2: Ponderación por Proveedor-Producto
Precio
Proveedor Proveedor Proveedor Proveedor Proveedor
Unitario
nº 1 nº 2 nº 3 nº 4 nº 5
(pij)
Carbono 11,4 10,8 9,5 12,2 9,1
Hierro 10,9 8,9 9,3 9,5 12,1
Tabla III.3: Precio Unitario Proveedor-Producto (€/Tm)
Límite Proveedor Proveedor Proveedor Proveedor Proveedor

Suministro nº 1 nº 2 nº 3 nº 4 nº 5
(Lij)
Carbono 70 60 30 30 50
Hierro 80 30 90 60 40
Tabla III.4: Límite Máximo Suministro Proveedor-Producto
Es muy posible que a estas alturas, amigo lector, se pregunte el porqué
de la elección de un modelo que parece complicado dada la restricción del coste
medio exigido. Veamos en la siguiente sección la justificación.
III.2.2 Comentario al enunciado

Cómo podemos observar el modelo propuesto no es totalmente lineal
dada la restricción de coste medio. La macro Solver puede resolver incluyendo
dicha restricción no lineal.
Pero también podemos linealizar el problema, transformando esa

restricción en la siguiente:
2 5
¦ ¦ pij xij
i=1 j=1 2 5 2 5
2 5
d 11 ¦ ¦ pij xij d 11 ¦ ¦ xij
¦ ¦ xij i=1 j=1 i=1 j=1
i=1 j=1
Por tanto la restricción queda como sigue
2 5
¦ ¦ (pij –11) xij d 0
i=1 j=1
Los dos modelos ofrecen el mismo resultado pero la versión “lineal”

ofrece las siguientes ventajas sobre la “no lineal”:
x Un problema lineal, salvo irresoluble o ilimitado, siempre tiene un óptimo y

además ese óptimo es global. Por tanto, siempre tenemos garantías de que la
solución obtenida es la mejor posible.
o Un problema lineal permite emplear el método Simplex, que es en definitiva

un procedimiento muy rápido de búsqueda de una solución. Se gana, por
tanto, en tiempo de resolución.
o Desde un planteamiento lineal se puede una mejor información sobre
sensibilidad de la solución.
La desventaja fundamental reside en que debemos transformar la

restricción y por tanto la interpretación del resultado es menos clara.
En cualquier caso ofreceremos la resolución en ambos casos.
III.3 Diseño de la Hoja de Cálculo

Este es el proceso más laborioso y cada uno debe buscar la mejor forma
de poder colocar la información en la hoja de cálculo. Algunas recomendaciones
podrían ser las siguientes:
o Distinga dentro de la hoja de cálculo áreas separadas para los datos y el

modelo. Puede situarlas en Hojas de Cálculo distintas dentro de un mismo
libro pero si el modelo no es muy grande es mejor si las sitúa en la misma
hoja.
El criterio de agrupación de variables viene en muchos casos definido

por los coeficientes en la función objetivo. Así, en un problema como el que nos
ocupa, con variables con dos subíndices que marcan distintos coeficientes en la
función objetivo, un formato de tabla puede resultar interesante.
o Agrupe las restricciones por su signo siempre que sea posible y no

entorpezca la interpretación del resultado. El objetivo es facilitar la entrada
de los datos a la macro Solver.
Con estas recomendaciones hemos establecido las hojas de cálculo

como se indican a continuación, distinguiendo la versión “no lineal” de la
versión “lineal”.
III.3.1 Datos
Datos
Proveedores Proveedores
Calidad (nij) nº1 nº2 nº3 nº4 nº5 Ponderación (wij) nº1 nº2 nº3 nº4 nº5
Carbono 7 9 9 6 5 Carbono 5 2 4 3 1
Hierro 8 7 5 9 6 Hierro 5 2 4 3 1
Precio Unitario (pij) nº1 nº2 nº3 nº4 nº5 LímiteSuministro nº1 nº2 nº3 nº4 nº5
Carbono 11,4 10,8 9,5 12,2 9,1 Carbono 70 60 30 30 50
Hierro 10,9 8,9 9,3 9,5 12,1 Hierro 80 30 90 60 40
Calidad Final (nij * wij) nº1 nº2 nº3 nº4 nº5 Compra Mínima nº1 nº2 nº3 nº4 nº5
Carbono 35 18 36 18 5 Carbono 5 5 5 5 5
Hierro 40 14 20 27 6 Hierro 5 5 5 5 5
Coste Medio Máximo 11 Espacio Almacén 350
Figura III.1: Datos para el problema “No lineal”

Datos
Calidad (nij) nº1 nº2 nº3 nº4 nº5 Ponderación (wij) nº1 nº2 nº3 nº4 nº5
Carbono 7 9 9 6 5 Carbono 5 2 4 3 1
Hierro 8 7 5 9 6 Hierro 5 2 4 3 1
Precio Unitario (pij) nº1 nº2 nº3 nº4 nº5 LímiteSuministro nº1 nº2 nº3 nº4 nº5
Carbono 11,4 10,8 9,5 12,2 9,1 Carbono 70 60 30 30 50
Hierro 10,9 8,9 9,3 9,5 12,1 Hierro 80 30 90 60 40
Calidad Final (nij * wij) nº1 nº2 nº3 nº4 nº5 Compra Mínima nº1 nº2 nº3 nº4 nº5
Carbono 35 18 36 18 5 Carbono 5 5 5 5 5
Hierro 40 14 20 27 6 Hierro 5 5 5 5 5
Proveedores Espacio Almacén 350

Coeficientes para Coste
Medio (pij - 10) nº1 nº2 nº3 nº4 nº5
Carbono 0,4 -0,2 -1,5 1,2 -1,9
Hierro -0,1 -2,1 -1,7 -1,5 1,1
Figura III.2: Datos para el problema “Lineal”

Las Figuras III.1 y III.2 recogen todos los coeficientes del problema. La
diferencia se da en la tabla extra de datos de la versión lineal donde se calculan
los coeficientes de la restricción de coste medio.
III.3.2 Variables
En este caso, las variables se han tomado en formato tabla (en vez de un
planteamiento de toda una fila o columna de variables) puesto que permite
mejor ver su resultado y establecer las relaciones correspondientes.
Además, las variables son las mismas, tanto para el planteamiento lineal
como no lineal. Así se refleja en la figura III.3.
Variables
Proveedores
Tm Suministrada nº1 nº2 nº3 nº4 nº5
Carbono 1 1 1 1 1
Hierro 1 1 1 1 1
Figura III.3: Variables para modelos “No lineal” y “Lineal”

III.3.3 Restricciones y Función Objetivo
Finalmente las restricciones son las mismas para ambos modelos. Sólo
cambia la formula de cálculo de la restricción de coste medio como se puede
desprender de la comparación de las Figuras III.4 y III.5.
En ambas figuras, la función objetivo se ha recogido de forma separada

para cada producto/proveedor y luego una casilla de suma total. De este modo
podemos tener una información más clara una vez obtenido el óptimo final.
En ambas figuras se compararán celda a celda las tablas de límite

Suministro y Compra mínima con sus correspondientes datos de Límite
suministro y Compra mínima (5 Tm).
Finalmente podemos ver como la restricción de calidad media aparece

como un cociente (desdoblado en su numerador y denominador) para el caso
“no lineal”. Esta misma restricción aparece de forma más simple para el caso
lineal, donde se compara con un límite de restricción que es cero como se indicó
anteriormente.
RESTRICCIONES
Valor Signo Límite
Coste Medio 10,37 <= 11
Numerador 103,7
Denominador 10
Límite Suministro Proveedores Proveedores

Valor nº1 nº2 nº3 nº4 nº5 Signo Límite nº1 nº2 nº3 nº4 nº5
Carbono 1 1 1 1 1 <= Carbono 70 60 30 30 50
Hierro 1 1 1 1 1 <= Hierro 80 30 90 60 40
Compra Mínima Proveedores Proveedores

Valor nº1 nº2 nº3 nº4 nº5 Signo Límite nº1 nº2 nº3 nº4 nº5
Carbono 1 1 1 1 1 >= Carbono 5 5 5 5 5
Hierro 1 1 1 1 1 >= Hierro 5 5 5 5 5
Valor Signo Límite

Espacio Disponible 10 <= 350
F. Objetivo
Calidad por Proveed. Proveedores

Valor nº1 nº2 nº3 nº4 nº5
Carbono 35 18 36 18 5
Hierro 40 14 20 27 6
Calidad Total 219
Figura III.4: Restricciones y Función Objetivo Modelo “No Lineal”
Valor Signo Límite

Coste Medio 10,37 <= 11
Modelo No Lineal
Numerador 103,7
Denominador 10
Valor Signo Límite

Modelo Lineal
Coste Medio -6,3 <= 0
Figura III.5: Detalle de la diferencia

entre modelo “No lineal” y “Lineal”
III.4 La Macro Solver

La macro Solver es una herramienta que permite resolver problemas de
optimización en general, lineales o no lineales, con variables continuas,
discretas o binarias.
III.4.1 Menú Principal
Se encuentra dentro del menú de Herramientas.
Figura III.6: Localización del Solver en la Hoja Excel

Una vez que accedemos a él tenemos la pantalla principal (Figura III.7)
que replica el formato de inecuaciones.
Figura III.7: Menú Principal de la macro Solver

Como podemos observar en esta pantalla principal del Solver aparecen
algunos elementos importantes:
x Celda Objetivo
Esta celda debe incluir una celda que incluya una operación (es decir,
que no sea un dato) y es donde se recoge lo que se desea minimizar o
maximizar. En nuestro ejemplo sería la casilla de CALIDAD TOTAL.
x Valor de la celda objetivo
Indicamos si deseamos maximizar, minimizar o igualar la función

objetivo a un valor determinado
x Cambiando las celdas
La macro Solver nos pregunta sobre cuáles son nuestras variables. Si

tenemos las variables en varias zonas, podemos incluir grupos de variables
separadas por punto y coma. El botón de “Estimar” hace que el propio programa
elija esas variables. Es preferible no utilizarlo.
x Sujetas a las siguientes restricciones
Aquí es donde podemos “agregar” una nueva restricción, “cambiar” o

“eliminar” una previamente introducida.
El resto de botones son explicativos por sí mismo. Conviene destacar

que el botón de “Restablecer Todo” borra toda la información introducida a la
Macro Solver (no borra la hoja de cálculo) y sólo debe activarse cuando se ha
perdido “el norte” en la introducción de los datos.
El botón de “Opciones” contiene opciones de carácter técnico para

optimizar la búsqueda de la solución. En general, con las opciones por defecto
se obtiene resultados satisfactorios. Sólo debemos cambiar dos elementos como
indicaremos más adelante.
III.4.2 Agregando una restricción

Una vez introducidas la función objetivo y las variables tenemos una
pantalla en el Solver como la que sigue (Figura III.8):
Figura III.8: Introduciendo variables y Función Objetivo

Debemos introducir las restricciones. Todas se introducen por igual.
La pantalla de introducción de una restricción es tan sencilla como la

Figura III.9.
Figura III.9: Pantalla de introducción de una restricción
Dentro de ese menú tenemos:
x Referencia de la celda
Aquí incluimos la parte izquierda de una restricción, donde hacemos los
cálculos con las variables. En nuestro caso, por ejemplo, el cociente del coste
medio exigido.
x Signo de la restricción
Evidentemente podemos tener restricción de “<=”, “>=”, “=”. Las otras

opciones permiten indicar si estamos ante variables enteras “int” o bivalentes
“bin”.
x Restricción
Recoge la parte derecha de la restricción, el límite superior o inferior de

una restricción. Siguiendo con el ejemplo de la restricción de Coste medio,
tenemos que sería indicar directamente el valor “10” o la casilla donde hayamos
recogido ese valor “10”.
Hemos elegido la restricción de límite de suministro para poder resaltar

como el diseño de la hoja permite en una sola línea introducir 10 restricciones
de cota superior de cada una de las cantidades a suministrar por cada proveedor.
¡De ahí que emplear un poco más de tiempo en el diseño de la Hoja de Cálculo
suponga ahorrar más tiempo en la introducción de datos en la macro Solver!
Así la Figura III.10 recoge la comparación de todas las casillas

C27:G28 con todas las casillas J39:N40. Esta comparación se realiza casilla por
casilla como ya hemos dicho.
Figura III.10: Introducción de varias restricciones

Finalmente nos queda el menú principal (Figura III.11) como sigue:
Figura III.11: Menú Principal al finalizar el ejercicio.

Como podemos comprobar tenemos cuatro líneas de restricciones:
x Coste Medio (C32 d E32)
x Límite Máximo de Suministro (C27:G28 d J39:40)
x Compra Mínima Exigida (C27:G28 t J45:N46)
x Espacio Disponible en almacén (C51 d E51).
Quizás el lector muestre extrañeza por dos hechos:
x ¿Hemos introducido todas las condiciones del problema?. ¡NO!. Falta

introducir la restricción de variables no negativas. Podemos incluirlas como
restricciones adicionales o bien utilizar las Opciones como se indica en la
siguiente sección
x No hemos utilizado las casillas de Límite Máximo (C39:G40) ni tampoco

las celdas del Límite Mínimo (C45:G46) puesto que al tratarse de
restricciones de cota superior e inferior es más eficiente el establecer la
comparación directamente entre las casillas de las variables y la de los
límites. Este pequeño “truco” permite ahorrar tiempo y garantizar que el
modelo Solver no proteste por un gran número de restricciones.
III.4.3 Usando las Opciones
Si volvemos al menú principal del Solver y pinchamos en el botón de
Opciones nos aparece el siguiente menú (Figura III.12).
Figura III.12: Menú Opciones dentro de la macro Solver

Como hemos comentado en este menú aparecen muchas opciones de
carácter técnicas. Para el ámbito de este libro es suficiente con comentar dos
elementos de esas opciones:
x Adoptar modelo lineal
Cuando estamos ante un modelo puramente lineal, seleccionando esta

opción nos permite emplear el Simplex y por tanto acceder más rápidamente a
una solución con todas las garantías de que sea óptima. Seleccionar o no este
botón será la diferencia entre los dos modelos “No lineal” y “Lineal que estamos
manejando”.
x Asumir no negativos
Este es el botón que nos permite decir fácilmente que todas las variables
son no negativas.
III.5 Tipos de Soluciones

Una vez introducidas todas las opciones, volvemos al menú principal y
pinchamos en el botón de resolver.
La macro Solver, si ha encontrado el óptimo global del problema nos

ofrece el siguiente mensaje:
Figura III.13: Mensaje de Solución Optima del Solver

Existen otros mensajes distintos que podemos clasificar como sigue:
x La solución cumple las restricciones pero no hay plenas garantías de tener el

óptimo.
En estos casos el mensaje puede ser doble:
x Solver ha llegado a la solución actual. Todas las restricciones se han

satisfecho.
x Solver no puede mejorar la solución actual. Todas las restricciones se

han satisfecho.
No puede alcanzarse mayor precisión, y la única opción es

modificar en el menú de opciones los valores por defecto de convergencia
(reducir) o aumentar el valor de precisión. En estos casos, la ejecución del
programa será más lenta.
x La Macro ha llegado al máximo de iteraciones y/o de tiempo
Este tipo de respuesta puede darse en problemas con variables enteras

y/o bivalentes, en cuyo caso, la propia Macro da la opción de sobrepasar el
límite máximo de iteraciones y/o de tiempo que tiene por defecto. Los mensajes
que pueden aparecer son los dos siguientes:
x Cuando se ha alcanzado el límite de tiempo, se ha seleccionado

Detener.
x Cuando se ha alcanzado el límite máximo de iteración, se ha

seleccionado Detener.
Desgraciadamente el modelo no tiene solución
El modelo no tiene solución. Las razones para ello pueden ser varias:
x restricciones no limitativas, de forma que el problema da una solución

ilimitada, en cuyo caso nos aparece el siguiente mensaje
Los valores de la celda objetivo no convergen.
x Restricciones imposibles de cumplir: en este la macro nos devuelve el

siguiente mensaje
Solver no ha podido encontrar una solución factible.
x Finalmente existen otros posibles mensajes:
No se han satisfecho las condiciones para Adoptar modelo lineal.
Sería el caso de nuestro primer ejemplo. Hay un cociente y por tanto no

se dan las condiciones para un problema lineal. En caso de duda,
podemos activar la casilla de verificación en Opciones, usar la escala
automática y ejecutar el programa. Si vuelve a salir este mensaje,
debemos desactivar esa opción.
Solver ha encontrado un valor de error en una celda objetivo o

restringido.
Hay un error en la forma de cálculo de la celda objetivo o en alguna

restricción (ej.: una división entre cero). Una o varias fórmulas han
producido un valor de error en el último cálculo. La solución reside en
buscar la celda en la que aparece una operación mal definida, hay un
cociente entre cero, etc.
III.6 Salidas de un modelo No lineal

En nuestro ejemplo, tenemos un modelo no lineal que se nos ha resuelto
y por tanto podemos obtener tres tipos de salidas que comentamos ahora:
III.6.1 Informe de Respuestas

Recoge el valor en el óptimo de:
x La función objetivo: Casilla con el número c
x Las variables (Celdas Cambiantes): Columna con el número d
x Las restricciones: Columna marcada con el número e
Como podemos ver en dicho informe, para la función objetivo y las

variables se nos ofrecen los valores de partida y el óptimo final, que es el que
nos interesa.
Para las restricciones nos ofrece para cada restricción el valor obtenido
(Columna e), y la divergencia entre el límite de la restricción y el valor que se
cumple (Columna f). Así, aquellas restricciones para los cuales la divergencia
es nula son las restricciones limitativas del modelo.
III.6.2 Informe de Sensibilidad

Como vimos en el ejemplo gráfico, la obtención del óptimo es una
contribución muy pobre. El informe de sensibilidad aporta esa información
adicional.
Este informe recoge datos sobre el impacto que en la función objetivo

tiene un cambio en los límites de todas las restricciones del problema.
Microsoft Excel 10.0 Informe de respuestas

$C$62 Calidad Total 219 10355 1
Celdas cambiantes
$C$27 Carbono Prov. 1 1 70
2
$D$27 Carbono Prov. 2 1 5
$E$27 Carbono Prov. 3 1 30
$F$27 Carbono Prov. 4 1 5
$G$27 Carbono Prov. 5 1 5
$C$28 Hierro Prov. 1 1 80
$D$28 Hierro Prov. 2 1 5
$E$28 Hierro Prov. 3 1 85
$F$28 Hierro Prov. 4 1 60 4
$G$28 Hierro Prov. 5 1 5
3
Restricciones
$C$50 Espacio Disponible 350 $C$50<=$E$50 Obligatorio 0
$C$32 Coste Medio 10,23142857 $C$32<=$C$21 Opcional 0,768571429
$C$27 Límite Mínimo Carbono Prov. 1 70 $C$27>=$J$45 Opcional 65
$D$27 Límite Mínimo Carbono Prov. 2 5 $D$27>=$K$45 Obligatorio 0
$E$27 Límite Mínimo Carbono Prov. 3 30 $E$27>=$L$45 Opcional 25
$F$27 Límite Mínimo Carbono Prov. 4 5 $F$27>=$M$45 Obligatorio 0
$G$27 Límite Mínimo Carbono Prov. 5 5 $G$27>=$N$45 Obligatorio 0
$C$28 Límite Mínimo Hierro Prov. 1 80 $C$28>=$J$46 Opcional 75
$D$28 Límite Mínimo Hierro Prov. 2 5 $D$28>=$K$46 Obligatorio 0
$E$28 Límite Mínimo Hierro Prov. 3 85 $E$28>=$L$46 Opcional 80
$F$28 Límite Mínimo Hierro Prov. 4 60 $F$28>=$M$46 Opcional 55
$G$28 Límite Mínimo Hierro Prov. 5 5 $G$28>=$N$46 Obligatorio 0
$C$27 Límite Máximo Carbono Prov. 1 70 $C$27<=$J$39 Obligatorio 0
$D$27 Límite Máximo Carbono Prov. 2 5 $D$27<=$K$39 Opcional 55
$E$27 Límite Máximo Carbono Prov. 3 30 $E$27<=$L$39 Obligatorio 0
$F$27 Límite Máximo Carbono Prov. 4 5 $F$27<=$M$39 Opcional 25
$G$27 Límite Máximo Carbono Prov. 5 5 $G$27<=$N$39 Opcional 45
$C$28 Límite Máximo Hierro Prov. 1 80 $C$28<=$J$40 Obligatorio 0
$D$28 Límite Máximo Hierro Prov. 2 5 $D$28<=$K$40 Opcional 25
$E$28 Límite Máximo Hierro Prov. 3 85 $E$28<=$L$40 Opcional 5
$F$28 Límite Máximo Hierro Prov. 4 60 $F$28<=$M$40 Obligatorio 0
$G$28 Límite Máximo Hierro Prov. 5 5 $G$28<=$N$40 Opcional 35
Salida Tipo III.1: Informe de Respuestas Modelo No Lineal
Recoge, por tanto, al igual que el informe de Respuesta el valor en el

óptimo de:
x Las variables (Celdas Cambiantes): Columna con el número d
x Las restricciones: Columna marcada con el número e

2 5
Celdas cambiantes
Valor Gradiente
Celda Nombre Igual reducido
$D$27 Carbono Prov. 2 5 -2
$F$27 Carbono Prov. 4 5 -2
$G$27 Carbono Prov. 5 5 -15
$D$28 Hierro Prov. 2 5 -6
$F$28 Hierro Prov. 4 60 7
$G$28 Hierro Prov. 5 5 -14
3 6
Restricciones
Valor Multiplicador
Celda Nombre Igual de Lagrange
$C$50 Espacio Disponible 350 20
$C$32 Coste Medio 10,23142857 0
Salida Tipo III.2: Informe de Sensibilidad Modelo No Lineal
Pero ofrece dos nuevas columnas g h:
Gradiente Reducido
La columna g recoge el efecto que una variación en los límites inferior

y superior de las variables tienen en la función objetivo. De este modo, es
posible encontrarnos con tres tipos de posibilidades que se recogen en la
siguiente tabla y que se explican a continuación.
Función Función
MAX MIN
Objetivo Objetivo
Valor de la Gradiente Valor de la Gradiente
Variable Reducido Variable Reducido
Límite Límite
Negativo Positivo
Inferior Inferior
Límite Límite
Positivo Negativo
Superior Superior
Valor Valor
Nulo Nulo
Intermedio Intermedio
Tabla III.5: Signos Gradiente Reducido
De esta forma tenemos que:
1. Un signo positivo supone que variaciones en el límite suponen variaciones

en el mismo sentido en la función objetivo.
2. Un signo negativo supone que variaciones en el límite suponen variaciones

en el sentido opuesto en la función objetivo.
Vamos a referirlas al ejemplo manejado:
x Variables con valor óptimo su límite superior
Es el caso de la compra del Carbono al Proveedor 1. Compramos 70

Tm, que es el límite máximo que nos ofrece el proveedor. Al estar
maximizando, esto nos hace pensar que nos hubiera gustado que su límite de
compra fuera mayor para poder haber comprado más.
Por esa razón, el gradiente reducido toma un valor de 15. Sí ese límite
superior aumentara en una Tm, es decir, podríamos comprar una Tm de
Carbono, la calidad total aumentaría en 15.
x Variables con valor óptimo su límite inferior
Es el caso de la compra de Hierro al Proveedor 2. Sólo compramos el

límite de 5 Tm que hemos impuesto por razones de diversificación. Es decir,
parece un proveedor poco interesante para ese producto y quizás nos hubiera
interesado no comprarle nada.
Por esa razón, el gradiente reducido toma un valor de –6. Si nos
obligaran a comprar una Tm, la calidad total disminuiría en 6.
x Variables con valor óptimo un valor intermedio.
En este caso, una pequeña variación del límite no afecta al resultado

final. Es el caso de la compra de Hierro al Proveedor nº 3. Se supera el límite
inferior de 5 Tm pero no se sobrepasa el límite de 90 Tm.
Multiplicador de Lagrange
La columna h es equivalente al gradiente reducido pero para

restricciones más complicadas que las de cota inferior o superior. Nuevamente
nos podemos encontrar aquí con las posibilidades que se indican en la tabla
siguiente y que explicamos con la ayuda del ejemplo a continuación.
Función Función
MAX MIN
Objetivo Objetivo
Multiplica Multiplica
Signo de la Valor de la
dor de dor de
Restricción Variable
Lagrange Lagrange
Positivo Negativo
Negativo Positivo
Positivo o Positivo o
= =
Negativo Negativo
Tabla III.6: Signos Multiplicador Lagrange
De esta forma tenemos que:
x Un signo positivo supone que variaciones en el límite suponen variaciones

en el mismo sentido en la función objetivo.
x Un signo negativo supone que variaciones en el límite suponen variaciones

en el sentido opuesto en la función objetivo.
Para las restricciones en igualdad, el multiplicador puede tener

cualquiera de los signos, pero el significado sigue siendo el mismo.
Así, el multiplicador de Lagrange de la restricción de Espacio de valor
30 nos indica que si pudiéramos aumentar la capacidad del almacén para una
Tm más la calidad total aumentaría en 30.
En cambio, la restricción de coste medio no es restrictiva puesto que el

precio medio no llega a los 11 euros.
III.6.3 Informe de Límites

El informe de límites ofrece una especie de análisis de sensibilidad
referida exclusivamente a las cotas superior e inferior de las variables.
Así, para cada variable indica entre que valores puede situarse su valor
dentro de los cuales se cumplen las restricciones. Muestra, como se ve en la
Salida III una lista con la celda objetivo y las celdas ajustables con sus valores
correspondientes así como los límites inferior (columnai) y superior
(columnaj) posibles para cada variable. No se genera este informe para los
modelos que tengan restricciones enteras. Es importante resaltar que el valor en
la función objetivo no representa ningún valor óptimo.
Siguiendo con el ejemplo, vemos que el Informe de Límites ofrece en

primer lugar el valor de la calidad óptima obtenida (valord). Después, para la
cantidad comprada de Carbono compradas al Proveedor 1, el informe nos ofrece
el valor óptimo inicial (valord) y los límites inferior y superior anteriormente
citados.
Microsoft Excel 10.0 Informe de límites
Celda objetivo
Celda Nombre Igual
$C$62 Calidad Total 10355 7 8
2
Celdas cambiantes Límite Celda Límite Celda
Celda Nombre Igual inferior objetivo superior objetivo
$C$27 Carbono Prov. 1 70 5 8080 70 10355
$D$27 Carbono Prov. 2 5 5 10355 5 10355
$E$27 Carbono Prov. 3 30 5 9455 30 10355
$F$27 Carbono Prov. 4 5 5 10355 5 10355
$G$27 Carbono Prov. 5 5 5 10355 5 10355
$C$28 Hierro Prov. 1 80 5 7355 80 10355
$D$28 Hierro Prov. 2 5 5 10355 5 10355
$E$28 Hierro Prov. 3 85 5 8755 85 10355
$F$28 Hierro Prov. 4 60 5 8870 60 10355
$G$28 Hierro Prov. 5 5 5 10355 5 10355
Salida Tipo III.3: Informe de Límites Modelo No Lineal
Si compramos sólo 5 Tm (comprando exactamente las mismas

cantidades óptimas de los otros productos) la función objetivo baja hasta el
valor 8080) cumpliéndose todas las restricciones. Esto no quiere decir que
comprando sólo 5 Tm ésta sea la mejor solución. Si resolvemos el problema
obligando a comprar 5 Tm de carbono al proveedor 1, la función objetivo toma
un valor superior.
Para el caso de la compra de Carbono al Proveedor 2 los límites son

más estrictos, puesto que una pequeña variación en esas cantidades impide
cumplir las restricciones. Así, si aumentamos la cantidad no se cumple la
restricción de espacio, por ejemplo.
La utilidad de este informe se ciñe a poder obtener estos sencillos

análisis de cambio en los límites de las variables. Es una información bastante
pobre.
III.7 Salidas de un modelo lineal

El modelo lineal ofrece las tres mismas salidas que en el caso no lineal
Los significados son prácticamente los mismos excepto que el informe de
sensibilidad ofrece mayor información. Así las Salidas Tipo I y Tipo III
siguientes recogen los informes de respuestas y de límites para el modelo lineal,
donde los números tienen el mismo significado que en el caso no lineal.
Microsoft Excel 10.0 Informe de respuestas

$C$67 Calidad Total 219 10355
1
Celdas cambiantes
Celda Nombre Valor original Valor final 2
$D$33 Carbono Prov. 2 1 5
$F$33 Carbono Prov. 4 1 5
$G$33 Carbono Prov. 5 1 5
$D$34 Hierro Prov. 2 1 5
$F$34 Hierro Prov. 4 1 60 4
$G$34 Hierro Prov. 5 1 5
3
Restricciones
$C$43 Límite Máximo Carbono Prov. 1 70 $C$43<=$J$43 Obligatorio 0
$D$43 Límite Máximo Carbono Prov. 2 5 $D$43<=$K$43 Opcional 55
$E$43 Límite Máximo Carbono Prov. 3 30 $E$43<=$L$43 Obligatorio 0
$F$43 Límite Máximo Carbono Prov. 4 5 $F$43<=$M$43 Opcional 25
$G$43 Límite Máximo Carbono Prov. 5 5 $G$43<=$N$43 Opcional 45
$C$44 Límite Máximo Hierro Prov. 1 80 $C$44<=$J$44 Obligatorio 0
$D$44 Límite Máximo Hierro Prov. 2 5 $D$44<=$K$44 Opcional 25
$E$44 Límite Máximo Hierro Prov. 3 85 $E$44<=$L$44 Opcional 4,999999999
$F$44 Límite Máximo Hierro Prov. 4 60 $F$44<=$M$44 Obligatorio 0
$G$44 Límite Máximo Hierro Prov. 5 5 $G$44<=$N$44 Opcional 35
$C$49 Límite Mínimo Carbono Prov. 1 70 $C$49>=$J$49 Opcional 65
$D$49 Límite Mínimo Carbono Prov. 2 5 $D$49>=$K$49 Obligatorio 0
$E$49 Límite Mínimo Carbono Prov. 3 30 $E$49>=$L$49 Opcional 25
$F$49 Límite Mínimo Carbono Prov. 4 5 $F$49>=$M$49 Obligatorio 0
$G$49 Límite Mínimo Carbono Prov. 5 5 $G$49>=$N$49 Obligatorio 0
$C$50 Límite Mínimo Hierro Prov. 1 80 $C$50>=$J$50 Opcional 75
$D$50 Límite Mínimo Hierro Prov. 2 5 $D$50>=$K$50 Obligatorio 0
$E$50 Límite Mínimo Hierro Prov. 3 85 $E$50>=$L$50 Opcional 80
$F$50 Límite Mínimo Hierro Prov. 4 60 $F$50>=$M$50 Opcional 55
$G$50 Límite Mínimo Hierro Prov. 5 5 $G$50>=$N$50 Obligatorio 0
$C$38 Coste Medio -269 $C$38<=$E$38 Opcional 269
$C$55 Espacio Disponible 350 $C$55<=$E$55 Obligatorio 0
Salida Tipo III.1: Informe de Respuestas Modelo Lineal

Para el informe de sensibilidad creamos una subsección específica.
Microsoft Excel 10.0 Informe de límites
1
Celda objetivo
Celda Nombre Igual
$C$67 Calidad Total 10355
7 8
2
Celdas cambiantes Límite Celda Límite Celda

Celda Nombre Igual inferior objetivo superior objetivo
$C$33 Carbono Prov. 1 70 5 8080 70 10355
$D$33 Carbono Prov. 2 5 5 10355 5 10355
$E$33 Carbono Prov. 3 30 5 9455 30 10355
$F$33 Carbono Prov. 4 5 5 10355 5 10355
$G$33 Carbono Prov. 5 5 5 10355 5 10355
$C$34 Hierro Prov. 1 80 5 7355 80 10355
$D$34 Hierro Prov. 2 5 5 10355 5 10355
$E$34 Hierro Prov. 3 85 5 8755 85 10355
$F$34 Hierro Prov. 4 60 5 8870 60 10355
$G$34 Hierro Prov. 5 5 5 10355 5 10355
Salida Tipo III.3: Informe de Límites Modelo Lineal

III.7.1 Informe Sensibilidad Modelo Lineal Continuo
Como podemos observar, en este informe grupos de columnas
adicionales respecto al modelo no lineal. Lo que se mantiene constante es la
información sobre:
x el valor de las variables en el óptimo (columna d )
x el valor de las restricciones en el óptimo (columna e )
x el gradiente reducido respecto de las cotas inferior/superior de las variables

(columna g )
x el multiplicador de Lagrange del resto de restricciones (columna h )

aunque aquí aparece con otro nombre distinto: precio sombra.
8.3.1.1 Sensibilidad de los coeficientes en la función objetivo
Las dos columnas (k) recogen el aumento o descenso permisible del

coeficiente en la función objetivo sin que se vea alterado el óptimo del
problema, es decir, sin que cambien el valor óptimo de las variables. Así, a la
izquierda de estas dos últimas columnas aparece el valor original del coeficiente
en la función objetivo de cada variable.
Aplicado al problema, el descenso permisible del primer coeficiente,

implica que mientras la calidad aportada por el Carbonos aportados por el
proveedor 1 no baje en 15 (es decir, no sea inferior a 35 – 15), seguiremos
comprando las 70 Tm que nos indica el óptimo, así como el resto de cantidades.
Lógicamente variará el valor final óptimo de la Calidad Total (que bajará).
Si nos fijamos en la calidad del Hierro aportado por el Proveedor nº 3

vemos que el informe de sensibilidad nos dice que mientras la calidad no
aumente en 7 (es decir, no valga más de 20 + 7) o disminuya en 2 (es decir, no
valga menos que 20 – 7), el óptimo seguirá siendo el mismo.
2 5 9
Celdas cambiantes
$C$33 Carbono Prov. 1 70 0 35 1E+30 15
$D$33 Carbono Prov. 2 5 0 18 2 1E+30
$E$33 Carbono Prov. 3 30 0 36 1E+30 16
$F$33 Carbono Prov. 4 5 0 18 2 1E+30
$G$33 Carbono Prov. 5 5 0 5 15 1E+30
$C$34 Hierro Prov. 1 80 0 40 1E+30 20
$D$34 Hierro Prov. 2 5 0 14 6 1E+30
$E$34 Hierro Prov. 3 85 0 20 7 2
$F$34 Hierro Prov. 4 60 0 27 1E+30 7
$G$34 Hierro Prov. 5 5 0 6 14 1E+30
3 6 10
Restricciones
$C$43 Límite Máximo Carbono Prov. 1 70 15 70 80 5
$D$43 Límite Máximo Carbono Prov. 2 5 0 60 1E+30 55
$E$43 Límite Máximo Carbono Prov. 3 30 16 30 80 5
$F$43 Límite Máximo Carbono Prov. 4 5 0 30 1E+30 25
$G$43 Límite Máximo Carbono Prov. 5 5 0 50 1E+30 45
$C$44 Límite Máximo Hierro Prov. 1 80 20 80 80 5
$D$44 Límite Máximo Hierro Prov. 2 5 0 30 1E+30 25
$E$44 Límite Máximo Hierro Prov. 3 85 0 90 1E+30 5
$F$44 Límite Máximo Hierro Prov. 4 60 7 60 80 4,999999999
$G$44 Límite Máximo Hierro Prov. 5 5 0 40 1E+30 35
$C$49 Límite Mínimo Carbono Prov. 1 70 0 5 65 1E+30
$D$49 Límite Mínimo Carbono Prov. 2 5 -2 5 55 5
$E$49 Límite Mínimo Carbono Prov. 3 30 0 5 25 1E+30
$F$49 Límite Mínimo Carbono Prov. 4 5 -2 5 25 5
$G$49 Límite Mínimo Carbono Prov. 5 5 -15 5 45 5
$C$50 Límite Mínimo Hierro Prov. 1 80 0 5 75 1E+30
$D$50 Límite Mínimo Hierro Prov. 2 5 -6 5 25 5
$E$50 Límite Mínimo Hierro Prov. 3 85 0 5 80 1E+30
$F$50 Límite Mínimo Hierro Prov. 4 60 0 5 55 1E+30
$G$50 Límite Mínimo Hierro Prov. 5 5 -14 5 35 5
$C$38 Coste Medio -269 0 0 1E+30 269
$C$55 Espacio Disponible 350 20 350 5 80
Salida Tipo III.2: Informe de Sensibilidad Modelo Lineal
8.3.1.2 Sensibilidad de los límites de las restricciones
Las dos columnas (l) recogen el aumento o descenso permisible del

límite de las restricciones que no se han introducido como cota inferior o
superior de las variables dentro del cual las variables que toman valor siguen
tomando (aunque su valor cambiará). A diferencia del caso anterior, en el que en
esos intervalos el valor de las variables era constante, aquí al variar los límites
(que normalmente suponen recursos disponibles) variarán esos valores.
Siguiendo con el ejemplo, la restricción de espacio es limitativa. El
informe nos dice que mientras no aumente en más de 8 Tm (hasta 350 + 8) o no
baje en más de 80 (es decir, hasta 350 – 8), el plan no cambia aunque se harán
distintos niveles de producción. Por ejemplo, si el espacio disponible es de 351
Tm compraríamos una Tm de Hierro al proveedor 3, incrementando la función
objetivo en 20.
Como hemos dicho antes, este “20” se corresponde con el valor que
para la restricción de espacio aparece en la columna de precio sombra que se
corresponde con el valor de Multiplicador de Lagrange del informe de modelo
no lineal.
Como podemos observar, parece que existe una pequeña limitación de

este informe reside en el tratamiento de las restricciones de cota inferior. No
aparece la sensibilidad ante variaciones en las cotas inferior o superior de las
variables.
III.8 Introduciendo Variables Enteras

La solución anterior nos hace ver que de muchos proveedores se toma
sólo la cantidad mínima, de forma que probablemente la empresa es muy
conservadora y quizás el exceso de diversificación está perjudicando
notablemente a la calidad media que se obtiene.
Con ese razonamiento, la empresa resuelve el problema eliminando esas

restricciones de compra mínima para comprobar el resultado mejora la calidad
total (llegando a 10510) comprando a tres proveedores.
Proveedores
Carbono 70 0 30 20 0
Hierro 80 0 90 60 0
Tabla III.8: Resultados sin Cota Inferior

La empresa se encuentra satisfecha con esta solución, cuando recibe de
forma urgente un fax de uno de los proveedores. La materia prima, sea carbono
o hierro, es transportada por un operador logístico que impone como condición
para alcanzar unas buenas tarifas que los camiones de 24 Tm que emplea se
llenen al completo.
Esta condición se impone, por tanto, a todos los proveedores.
Lógicamente en un camión sólo se puede transportar o carbón o hierro.
¿Qué influencia tiene esto en el problema? ¿Cómo podríamos incluir

esta restricción en el planteamiento?.
Existen muchas formas pero una de ellas puede ser la introducción de

una nueva variable CC1 = (Camiones de Carbón Proveedor 1) que será una
variable entera y entonces nos quedaría las siguientes condiciones a añadir en el
Solver:
xC1 xC1
24 = CC1 24 - CC1 = 0
siendo CC1 t 0 y Entera.
Esta característica de entera se introduce como se ve a continuación:
Figura III.14: Introducción Variable Entera

En esa Figura 111.14 hemos incluído la condición de entera a cada una
de las nuevas variables que recogen el nº de camiones por materia prima y
proveedor asignados. Así agregamos diez nuevas variables y diez nuevas
restricciones, quedando el menú principal de Solver como sigue:
Nuevas
Vari ables
Restricciones de
Vari ables Enteras
Restricciones
Nuevas de
Cami ones
Figura III.15: Menú Solver con variable Entera

Al resolver el ejercicio nos queda como resultado una calidad total de
9456 (un 9% menos que en el primer caso) y no compramos nada al Proveedor
5. En esta Tabla III.9 el lector puede comprobar que todas las cantidades son
múltiplos de 24 Tm.
Proveedores
Carbono 48 48 24 24 0
Hierro 72 0 72 48 0
Tabla III.8: Resultados sin Cota Inferior y camiones 24 Tm
III.9 Introduciendo Variables Bivalentes.

Volviendo al planteamiento inicial, supongamos que decidimos incluir
una condición bastante extrema: de cada proveedor sólo puedo recibir una de las
materias primas. Es decir, que si recibo hierro del proveedor 1, no puedo recibir
carbono de ese mismo proveedor, para no estar demasiado atado a él.
Nuevamente vamos a supone que eliminamos la condición de pedidos mínimos.
¿Cómo cambia el planteamiento?

Nos encontramos, por tanto, ante un claro ejemplo de una decisión con
dos posibles valores: Tomar o dejar. Son acciones excluyentes: estamos ante un
tipo de decisión que se puede modelar mediante una variable bivalente.
Así podemos definir una variable bivalente como sigue:
° 1o Comprar Carbono a Proveedor 1

GCP1 = ®
°̄ 0o No Comprar Carbono a Proveedor 1
Normalmente las variables bivalentes se expresan con una notación

ligeramente diferente dadas su especial característica.
¿Cómo podemos integrar esa variable en el modelo?. Debemos

introducir dos tipos de inecuaciones en el problema:
x Carbono o Hierro
Si nos centramos en el proveedor 1, tenemos por tanto dos nuevas

variables: dcp1 y dhp1. Como máximo la suma de esas dos variables sólo puede
ser la unidad, pudiendo ser cero si el proveedor no interesa.
GCP1 + GHP1 1
Ese tipo de restricción debería incluirse para los cinco proveedores.
Relación entre Cantidad y Proveedor
La restricción anterior no impide que la variable xij tome valor. Es decir,

debemos relacionar la variable continua xij con la variable bivalente
correspondiente. Así, pensando en el proveedor 1 tenemos que incluir las
siguientes dos nuevas restricciones:
xC1 LC1 GCP1 xH1 LH1 GHP1
donde LC1 son los límites de suministros de cada proveedor. Estas dos
inecuaciones obligan a que la variable bivalente tome valor para que podamos
comprar a ese proveedor.
La formulación final nos queda por tanto como sigue:
x Función Objetivo: Maximizar la Calidad
2 5
Max Calidad = ¦ ¦ nij wij xij
i=1 j=1
Restricción de Coste Medio Unitario Máximo en formato lineal
2 5
¦ ¦ (pij –11) xij d 0
i=1 j=1
x Capacidad de oferta por proveedor y producto que además relacionan las

variables continuas con las bivalentes
xij d Lij Gij (Tm)
x Relación de exclusión Carbono – Hierro para cada proveedor
GCj + GHj 1 j
2 5
x Capacidad de nuestro almacén ¦ ¦ xij d 350 Tm
i=1 j=1
Todas las variables positivas y continuas salvo la variable “Gij” que son
bivalentes.
Como podemos ver, hemos agregado la variable bivalente como una

más. Para esta nueva variable deberíamos agregar en Solver una nueva
restricción como sigue:
Figura III.16: Introducción Variable Bivalente

Este planteamiento final nos da cómo resultado:
Proveedores
Carbono 0 60 0 0 50
Hierro 90 0 90 60 0
Tabla III.9: Resultados con proveedores “mono producto”

La Calidad Total es de 8350.
CASO PRÁCTICO III. 1
El siguiente caso práctico es la resolución de un pequeño problema de

transporte realizado por diversos optimizadotes de la página Web
www.lindo.com. El objetivo del ejercicio es que, usted, amigo lector, resuelva
con la macro Solver y así aprenda por sí mismo el significado de las salidas de
los otros optimizadotes. En algunos casos incluimos también la forma de
introducción de los datos. Algunos de esos programas presentados también
ofrecen otras informaciones adicionales, como análisis paramétrico, impresión
de la tabla del Simplex, etc.
Enunciado del problema
Es un pequeño problema de transporte en el que se desea atender la

demanda de cuatro clientes desde tres almacenes. La tabla siguiente recoge los
principales datos del problema:
Customer Customer Customer Customer

Capacity
1 2 3 4
Warehouse 1 6 2 6 7 30
Demand 15 17 22 12
PROGRAMA LINGO
3. Pantalla de Datos de Entrada

4. Salida del Programa Lingo
Global optimal solution found at iteration: 7
Objective value: 161.0000
Variable Value Reduced Cost

CAPACITY( WH1) 30.00000 0.000000
CAPACITY( WH2) 25.00000 0.000000
CAPACITY( WH3) 21.00000 0.000000
DEMAND( C1) 15.00000 0.000000
DEMAND( C2) 17.00000 0.000000
DEMAND( C3) 22.00000 0.000000
DEMAND( C4) 12.00000 0.000000
COST( WH1, C1) 6.000000 0.000000
COST( WH1, C2) 2.000000 0.000000
COST( WH1, C3) 6.000000 0.000000
COST( WH1, C4) 7.000000 0.000000
COST( WH2, C1) 4.000000 0.000000
COST( WH2, C2) 9.000000 0.000000
COST( WH2, C3) 5.000000 0.000000
COST( WH2, C4) 3.000000 0.000000
COST( WH3, C1) 8.000000 0.000000
COST( WH3, C2) 8.000000 0.000000
COST( WH3, C3) 1.000000 0.000000
COST( WH3, C4) 5.000000 0.000000
VOLUME( WH1, C1) 2.000000 0.000000
VOLUME( WH1, C2) 17.00000 0.000000
VOLUME( WH1, C3) 1.000000 0.000000
VOLUME( WH1, C4) 0.000000 2.000000
VOLUME( WH2, C1) 13.00000 0.000000
VOLUME( WH2, C2) 0.000000 9.000000
VOLUME( WH2, C3) 0.000000 1.000000
VOLUME( WH2, C4) 12.00000 0.000000
VOLUME( WH3, C1) 0.000000 7.000000
VOLUME( WH3, C2) 0.000000 11.00000
VOLUME( WH3, C3) 21.00000 0.000000
VOLUME( WH3, C4) 0.000000 5.000000
Row Slack or Surplus Dual Price

OBJ 161.0000 -1.000000
DEM( C1) 0.000000 -6.000000
DEM( C2) 0.000000 -2.000000
DEM( C3) 0.000000 -6.000000
DEM( C4) 0.000000 -5.000000
SUP( WH1) 10.00000 0.000000
SUP( WH2) 0.000000 2.000000
SUP( WH3) 0.000000 5.000000
PROGRAMA LINDO
5. Pantalla de Datos de Entrada Programa Lindo
6. Coeficientes del problema en una salida Lindo

7. Salida del Programa Lindo
LP OPTIMUM FOUND AT STEP 6
OBJECTIVE FUNCTION VALUE
1) 161.0000
VARIABLE VALUE REDUCED COST

XWH1C1 2.000000 0.000000
XWH1C2 17.000000 0.000000
XWH1C3 1.000000 0.000000
XWH1C4 0.000000 2.000000
XWH2C1 13.000000 0.000000
XWH2C2 0.000000 9.000000
XWH2C3 0.000000 1.000000
XWH2C4 12.000000 0.000000
XWH3C1 0.000000 7.000000
XWH3C2 0.000000 11.000000
XWH3C3 21.000000 0.000000
XWH3C4 0.000000 5.000000
ROW SLACK OR SURPLUS DUAL PRICES

C1) 0.000000 -6.000000
C2) 0.000000 -2.000000
C3) 0.000000 -6.000000
C4) 0.000000 -5.000000
WH1) 10.000000 0.000000
WH2) 0.000000 2.000000
WH3) 0.000000 5.000000
NO. ITERATIONS= 6
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
XWH1C1 6.000000 2.000000 1.000000
XWH1C2 2.000000 9.000000 2.000000
XWH1C3 6.000000 1.000000 5.000000
XWH1C4 7.000000 INFINITY 2.000000
XWH2C1 4.000000 1.000000 2.000000
XWH2C2 9.000000 INFINITY 9.000000
XWH2C3 5.000000 INFINITY 1.000000
XWH2C4 3.000000 2.000000 5.000000
XWH3C1 8.000000 INFINITY 7.000000
XWH3C2 8.000000 INFINITY 11.000000
XWH3C3 1.000000 5.000000 INFINITY
XWH3C4 5.000000 INFINITY 5.000000
RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
C1 15.000000 10.000000 2.000000
C2 17.000000 10.000000 17.000000
C3 22.000000 10.000000 1.000000
C4 12.000000 10.000000 2.000000
WH1 30.000000 INFINITY 10.000000
WH2 25.000000 2.000000 10.000000
WH3 21.000000 1.000000 10.000000
8. Tabla Final del Problema

PROGRAMA WHAT’S BEST
9. Pantalla de Datos de Entrada What’s Best

Datos Customer 1 Customer 2 Customer 3 Customer 4
15 17 22 12
Variables Customer 1 Customer 2 Customer 3 Customer 4

Warehouse 1 2 17 1 0
Restrictions
Capacity Demand
Warehouse 1 20 30 <= Customer 1 15 15 =>=
Warehouse 2 25 25 =<= Customer 2 17 17 =>=
Warehouse 3 21 21 =<= Customer 3 22 22 =>=
Customer 4 12 12 =>=
Función Objetivo
Costes 161
10. Salida del Programa What’s Best
What'sBest! Solution Report
OBJECTIVE CELL:
CELL INITIAL
ADDRESS VALUE VALUE TYPE
------------------------------------------
Hoja1!C25 161 0 MIN
ADJUSTABLE CELLS:
CELL INITIAL DUAL UPPER LOWER

ADDRESS VALUE VALUE TYPE VALUE RANGE RANGE
----------------------------------------------------------------------
Hoja1!C14 2 0 >=0 0 2 +Inf
Hoja1!D14 17 0 >=0 0 17 +Inf
Hoja1!E14 1 0 >=0 0 1 +Inf
Hoja1!F14 0 0 >=0 2 2 13
Hoja1!C15 13 0 >=0 0 13 +Inf
Hoja1!D15 0 0 >=0 9 13 2
Hoja1!E15 0 0 >=0 1 1 2
Hoja1!F15 12 0 >=0 0 12 +Inf
Hoja1!C16 0 0 >=0 7 2 1
Hoja1!D16 0 0 >=0 11 17 1
Hoja1!E16 21 0 >=0 0 21 +Inf
Hoja1!F16 0 0 >=0 5 2 1
CONSTRAINT CELLS:
CELL DUAL UPPER LOWER

ADDRESS VALUE TYPE VALUE RANGE RANGE FORMULA
---------------------------------------------------------------------- ---------
Hoja1!E20 10 <= 0 +Inf 10 C20 <= D2
Hoja1!I20 0 >= 6 10 2 G20 >= H2
Hoja1!E21 0 <= 2 2 10 C21 <= D2
Hoja1!I21 0 >= 2 10 17 G21 >= H2
Hoja1!E22 0 <= 5 1 10 C22 <= D22
Hoja1!I22 0 >= 6 10 1 G22 >= H22
Hoja1!I23 0 >= 5 10 2 G23 >= H23
CASO PRÁCTICO III.2
Una imprenta imprime diversos artículos, entre los que destacan las
invitaciones de boda, menús de restaurantes, recordatorios y tarjetas de
presentación. A esta imprenta, que forma parte de una cadena de 30 imprentas
en toda la zona Norte de España, ha acudido un licenciado en Empresariales,
que tras un periodo vacacional, ha llegado a su nuevo puesto con grandes
ánimos. Aunque al principio se encarga de corregir las pruebas y otras tareas
“administrativas” está decidido a demostrar cuanto antes su valía por lo que ha
preparado un programa para planificar las ventas y producción para el mes de
Mayo, un mes donde el trabajo se acumula notablemente.
Con estas premisas va a plantear un modelo con las siguientes variables:
x x1 = nº de invitaciones de boda fabricadas en el periodo considerado
x x2 = nº de recordatorios fabricados en el periodo considerado
x x3 = nº de menús de restaurantes fabricados en el periodo considerado
x x4 = nº de tarjetas de presentación fabricados en el periodo considerado
En el proceso de fabricación de las diferentes tarjetas, la información

disponible (proporcionada por los diferentes encargados) nos indica la
existencia de varios recursos que limitan la producción: son los minutos
disponibles de fotocomposición, secado y el consumo de tinta. Sobre este
recurso desea consumirlo en su totalidad, para evitar stocks ya que es un
producto bastante tóxico.
Nuestro licenciado ha realizado un estudio de los costes de fabricación

de las diferentes tarjetas y productos, y ha obtenido los márgenes en €/unidad de
cada uno de ellos y que a continuación reflejamos:
Producto Margen Unitario
x1 (invitaciones de boda) 0,9 €
x2 (recordatorios) 0,3 €
x3 (menús) 0,2 €
x4 (tarjetas personales) 0,7 €

De este modo el problema queda como sigue:
Max Margen Diario = 0,9 x1 + 0,3 x2 + 0,2 x3 + 0,7 x4 (€)
3 x1+ 2 x2 + 2 x3 + 4 x4 460 (minutos diarios de fotocomposición)
2 x1+ 1 x2+ 4 x3 + 1 x4 = 600 (dl. de tinta a utilizar)
4 x1+ 1 x2+ 2 x3 + 3 x4 400 (minutos diarios de secado)
x1 0 x2 0 x3 0 x4 0
Preguntas a considerar.
1. Resuelva mediante la macro Solver obteniéndose los informes de

sensibilidad y de respuestas correspondientes.
2. Con la información obtenida responda a las siguientes cuestiones:º
x ¿Cuál sería el margen necesario para fabricar el producto que no se

fabrica y cual dejaríamos de hacer en su lugar?
x La compañía eléctrica nos informa de un corte de luz de 30 minutos que

afectará a la capacidad de fotocomposición y a la de secado. ¿Qué
implicaciones tiene sobre el plan óptimo inicialmente previsto?
x Si pudiera almacenar tinta al finalizar el día, ¿Cuánto dejaría?G
3. Suponga que el departamento de marketing ha considerado que los lotes de

de fabricación deben ser cajas de 25 unidades, de forma que sólo se pudiera
vender en ese formato y no por separado. Para ello el precio por cada lote
sería el que se indica a continuación:º
Margen por
Producto
Caja de 25 Unidades
x1 (invitaciones de boda) 24 €
x2 (recordatorios) 9€
x3 (menús) 5€
x4 (tarjetas personales) 18 €
¿Recomendaría usted esta medida?
4. En el cálculo de tiempos de fotocomposición no se han considerado unos

tiempos de preparación que dependen del total de productos a tintar. Los
tiempos de preparación son los siguientes:
Tiempo de Preparación
Intervalos
(minutos)
Productos a tintar < 150 unidades 12
151 Productos a tintar 200 22
201 Productos a tintar 34
¿Cómo afecta al resultado?

Eduard Ballarín Fredes.
CONTABILIDAD DE COSTES PARA LA TOMA DE DECISIONES, por Josep Mª. Rosanas Ma
SISTEMAS DE PLANIFICACIÓN Y CONTROL, por Eduardo Ballarín Fredes, Josep Mª. Rosa
Martí y Mª. Jesús Grandes.
LAS DECISIONES FINANCIERAS EN LA PRÁCTICA. Inversión y Financiación en la empre
por Fernando Gómez-Bezares.
EL CAMBIO EN LAS ORGANIZACIONES EMPRESARIALES, por Gordon L. Lippitt, Pe
Langseth y Jack Hossop.
GUÍA PRÁCTICA DE LA FRANQUICIA, por Martin Mendelsohn.
DIRECCIÓN FINANCIERA. Teoría y aplicaciones, por Fernando Gómez-Bezares.
GESTIÓN A MEDIDA DE LA EMPRESA, por Kepa Uriarte.
CASOS PRÁCTICOS DE INVERSIÓN Y FINANCIACIÓN, por Fernando Gómez-Bezares, J
Jordano y Javier Santibáñez.
GESTIÓN DE CARTERAS. Eficiencia, Teoría de cartera, CAPM, APT, por Fernando Góm
Bezares.
VALORACIÓN DE ACCIONES EN LA BOLSA ESPAÑOLA. Un análisis de la relación entr
rentabilidad y el riesgo, por Fernando Gómez-Bezares, José Antonio Madariaga y Javier Santibáñ
SISTEMAS DE INFORMACIÓN Y VENTAJA COMPETITIVA. Cómo gestionar con éxito
Sistemas de Información de la empresa, por José Antonio Ortega.
ESTADÍSTICA APLICADA A LA GESTIÓN Y A LAS CIENCIAS SOCIALES. Estadística d
criptiva y probabilidad, por José Luis Narvaiza, Jon Paul Laka, José Antonio Madariaga y J
Vicente Ugarte.
INVERSIÓN Y FINANCIACIÓN: CASOS RESUELTOS, por Javier Santibáñez.
ESTADÍSTICA APLICADA A LA GESTIÓN Y A LAS CIENCIAS SOCIALES. Inferencia e
dística, por José Luis Narvaiza, Jon Paul Laka, José Antonio Madariaga y José Vicente Ugarte.
EJERCICIOS DE TEORÍA Y POLÍTICA FINANCIERA, por Javier Santibáñez y Fernan
Gómez-Bezares.
GESTIÓN INTEGRADA DE PERSONAS. Una perspectiva de organización, por Alfonso
Morales, J. Antonio Ariza y Emilio Morales.
ESTADÍSTICA APLICADA A LA GESTIÓN Y A LAS CIENCIAS SOCIALES. Análisis de
Varianza y Regresión, por José Luis Narvaiza, Jon Paul Laka, José Antonio Madariaga y J
Vicente Ugarte.
OPCIONES Y FUTUROS, por Jaime Loring.
INTRODUCCIÓN A LA PSICOLOGÍA DEL TRABAJO, por José Luis Trechera.
COMERCIO ELECTRÓNICO: EMPRESARIO TECNOLÓGICO. Aspectos estratégicos, empre
riales y tecnológicos de los negocios electrónicos, por Borja Salazar Ruiz.
LA ESTRATEGIA EMPRESARIAL CON MÉTODO, por Antonio Freije Uriarte e Inmacul
Freije Obregón.
INTRODUCCIÓN A LA ESTRUCTURA ECONÓMICA. Fundamentos e instrumentos del anál
estructural, por Marta Alvarez Alday.
FUNDAMENTOS DE MATEMÁTICA FINANCIERA, por Amaia Apraiz Larragán.
NUEVOS CASOS PRÁCTICOS DE INVERSIÓN Y FINANCIACIÓN, por Javier Santibáñe
Fernando Gómez-Bezares
TEMAS ACTUALES DE ECONOMÍA Y EMPRESA Cuestiones de interés social en el siglo X

Algebra Lineal Kolman

Încărcat de

Informații document

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

Algebra Lineal Kolman

Încărcat de

Drepturi de autor:

Formate disponibile

Subido por:

Libros de Ingeniería Química y más

Si te gusta este libro y tienes la posibilidad,

Miguel Angel Larrinaga Ojanguren

Profesor del Departamento de Finanzas y

© EDITORIAL DESCLÉE DE BROUWER, S.A., 2007

Impreso en España-Printed in Spain

Nada es más grato que comenzar un libro con los agradecimientos a

El autor es a veces laberíntico en su discurso, barroco en el lenguaje y

Fernando y Javier, financieros impenitentes, también tienen su rincón en

El personal de La Comercial también tiene una línea de agradecimiento

Finalmente, mi padre y mi madre: su cariño y su paciencia me han

Como se puede deducir el libro está escrito, pensado y diseñado por el

Los objetivos de este capítulo son los siguientes:

x Presentar el libro desde una triple perspectiva:

 Competencial: Objetivos perseguidos en términos de competencias.

 Empresarial: Qué puede aportar a la gestión diaria.

 Proactiva: Cómo involucrar al lector.

Tan antigua como el mundo

Tenemos un objetivo claro en términos lingüísticos: “felicidad”2 pero

Aún suponiendo que hayamos llegado a esa feliz plasmación de

Al tratarse de una pregunta antigua, las posibles respuestas vienen desde

Una abundancia de programación lineal

De hecho, la cosecha de textos sobre programación lineal puede

x Por ejemplo, si buscamos en www.amazon.com por “Linear Programming”

x Si ampliamos la búsqueda a “Operations Research”, el número de

Como suele ser habitual, un tema tan prolífico impulsó la creación de

Finalmente, un reciente esfuerzo de situar a la investigación operativa

Desde el punto de vista editorial, un nuevo libro de optimización lineal

Un libro presente en muchas bibliografías sobre la materia es

La optimización lineal como competencia

La definición del término competencia es siempre difícil. El marco

Desde esa perspectiva, el libro pretende ayudar a su lector a ejercitar las

1. Traducir a un modelo matemático las principales características de un

 Identificar las variables de decisión, las restricciones a sus posibles

 Expresar matemáticamente las restricciones y función objetivo,

2. Explotar un sencillo software de optimización para modelos de relativa

 Estructurar los datos en un formato comprensible para todos, no sólo

 Entender, explicar y criticar la información que el software empleado

3. Explicar, en términos comprensibles por cualquier gestor, las hipótesis,

4. Gestionar un proyecto, Según la Universidad de Deusto, la competencia de

Aplicar la programación lineal a un problema de gestión es el comienzo de

La optimización lineal en la empresa

¿En qué campo de la empresa no podemos situarnos ante un problema

 Plan: En el campo estratégico, la decisión de localización de plantas

3 Un artículo sencillo que adelanta las páginas siguientes es “Linear

 Source: En el campo de aprovisionamiento, la selección de proveedores es

 Make: En el campo de producción, en la programación de la producción de

Una lectura interesante puede descargarse de la siguiente dirección Web:

 Deliver: La determinación de las rutas de envío de los productos es un

 Return: La mayor concienciación medioambiental ha afectado a muchos

En cualquier caso, desde la aparición del Método Simplex por George

Es un libro que requiere lápiz y papel en unos casos, el empleo de un

No todos los ejercicios están resueltos puesto que no tienen una

Finalmente, es un texto donde el inglés aparece repetidas veces. En un

La mayor parte de los casos prácticos están basados en artículos de

A lo largo del texto se aluden muchas direcciones de páginas Web.

Estructura del libro

x Capítulo 1: Una cierta limitación

Un ejemplo muy sencillo nos permitirá recorrer brevemente las distintas

x Capítulo 2: Una visión gráfica

Desde las teorías de gestión visual de la producción, hasta la inundación

x Capítulo 3: Sensibilidad: Más allá del óptimo

¿Cómo podemos trabajar con varios escenarios? ¿Cómo de sensible es

Competencial: Objetivos perseguidos en términos de competencias.

Empresarial: Qué puede aportar a la gestión diaria.

Proactiva: Cómo involucrar al lector.

Identificar las variables de decisión, las restricciones a sus posibles

Expresar matemáticamente las restricciones y función objetivo,

Estructurar los datos en un formato comprensible para todos, no sólo

Entender, explicar y criticar la información que el software empleado

Plan: En el campo estratégico, la decisión de localización de plantas

Source: En el campo de aprovisionamiento, la selección de proveedores es

Make: En el campo de producción, en la programación de la producción de

Deliver: La determinación de las rutas de envío de los productos es un

Return: La mayor concienciación medioambiental ha afectado a muchos

Fase I: Obtención del preparado

Fase II: Llenado

Fase III: Cocinado

Fase IV: Refrigerado