Tema 2.

Optimizaci
on de
modelos lineales
Introducci
on
Modelizaci
on y ejemplos: planificaci
on financiera, determinaci
on del
marketing-mix, logstica, planificaci
on de la producci
on, mezcla de
recursos...
Resoluci
on del problema: herramientas inform
aticas
An
alisis econ
omico de la soluci
on: precios sombra y costes reducidos
An
alisis de sensibilidad
1- Opt. Lineal

2.1. Introducci
on: Programaci
on Lineal
La Programaci
on Lineal estudia la optimizaci
on (maximizaci
on o minimizaci
on) de una funci
on lineal en presencia de restricciones lineales de
igualdad y/o desigualdad.
Es una de las herramientas m
as importantes en la gesti
on y asignaci
on
de recursos.
Se trata de asignar o localizar un n
umero de recursos limitados, entre
diversas actividades.
Se busca la soluci
on que mejor valor tenga para la funci
on objetivo y, a
su vez, verifique todas las restricciones impuestas al modelo.

2- Opt. Lineal

2.1. Introducci
on: Programaci
on Lineal
Tiene su origen en 1947, cuando Dantzig formula por primera vez el
modelo de Programaci
on Lineal y propone el algoritmo del simplex para
su resoluci
on
(Dantzig cita como antecedentes los trabajos pioneros de L. Kantorovich,
F.L. Hitchcock, W. Leontief y J. von Neumann).
Dantzig trabajaba como consejero matem
atico de los controladores de la
Fuerza A
erea de Estados Unidos y se le pidi
o que mecanizara el proceso
de planificaci
on.
Dantzig desarroll
o un mecanismo de planificaci
on para un programa
temporal de despliegue, entrenamiento y abastecimiento logstico.

3- Opt. Lineal

2.1. M
as informaci
on y recursos en. . .

P
agina web del Profesor Hossein Arsham (Merrick School of Business, University of Baltimore). Tiene un link a una versi
on en castellano.
http://home.ubalt.edu/ntsbarsh/Business-satat/opre/partVIII.htm
Wikipedia en ingl
es:
http://en.wikipedia.org/wiki/Linear_programming

4- Opt. Lineal

2.2. Ejemplos
Modelado de Sistemas

5- Opt. Lineal

2.2. Ejemplo 1
Una f
abrica de cerveza produce dos tipos: rubia y negra. Las tecnologas
de producci
on para cada una de ellas son muy distintas.
La f
abrica debe decidir cu
antos litros de cerveza debe producir semanalmente teniendo en cuenta que 1000 litros de cerveza rubia se venden a
100 euros y 1000 litros de cerveza negra a 125 euros.
Para producir 1000 litros de cerveza rubia (negra) se necesitan 3 (5)
empleados. La f
abrica s
olo dispone de 15 empleados.
La compra de materias primas supone para el fabricante un precio de 90
euros (85 euros) por cada 1000 litros de cerveza rubia (negra) y dispone
de 350 euros semanales para este concepto.
El problema que se plantea la gerente de la f
abrica es determinar cu
antos
litros de cerveza debe producir teniendo en cuenta las condiciones anteriores.

6- Opt. Lineal

2.2. Ejemplo 1 (cont.)

Los elementos que tenemos en el problema son:

Productos
C. Rubia
C. Negra

beneficio
100
125

coste
90
85

mano obra
3
5

Recursos lmites
Dinero
350
Trabajadores
15

7- Opt. Lineal

2.2. Ejemplo 1 (cont.)

Las posibles decisiones que puede tomar son:
x1 = litros de cerveza rubia (en miles).
x2 = litros de cerveza negra (en miles).
Restricciones:
No emplear m
as empleados de los 15 disponibles:
3x1 + 5x2 15
No superar el presupuesto en la compra de materias primas:
90x1 + 85x2 350
La producci
on es positiva: x1, x2 0
Objetivo: maximizar el beneficio obtenido: m
ax 100x1 + 125x2
Soluci
on
optima: x1 = 2,4359 y x2 = 1,5385 con un beneficio de
435.8984 euros.
8- Opt. Lineal

2.2. Ejemplo 1. Elementos del problema

m
ax 100x1 + 125x2
s.a.
3x1 +
5x2 15 (trabajadores)
29x1 + 85x2 350 (presupuesto)
x 0.
Se distinguen los siguientes elementos en un problema de programaci
on
lineal:
Funci
on objetivo.
Restricciones:

Matriz de restricciones
Vector del lado derecho.
Restricciones de no negatividad.
Regi
on factible.
9- Opt. Lineal

2.2. Ejemplo 2

[M
etodos Matem
aticos para la economa. J Borrell]

Una empresa minera produce lignito y antracita.

Puede vender toda la producci
on que obtenga de ambos minerales con
un beneficio unitario de 24 y 18 euros por tonelada vendida, respectivamente.
El proceso de producci
on est
a dividido en tres fases:

1. primero se corta el mineral,

2. despu
es se procede al tamizado y a la selecci
on,
3. y por
ultimo se produce el lavado.

10- Opt. Lineal

2.2. Ejemplo 2 (cont.)

La producci
on requiere del uso de maquinaria.
Las necesidades en cada una de las tres fases durante los tiempos y la
disponibilidad m
axima de cada tipo de m
aquinas son:
Corte
Lignito
3
Antracita
4
Disponibilidad m
axima
12

Tamizado Lavado
3
4
3
2
10
8

Si el objetivo de la empresa minera es maximizar su beneficio, cu

antas
toneladas de cada clase de carb
on debe producir al da?
La respuesta a esta pregunta se obtiene resolviendo un problema de
programaci
on lineal.

11- Opt. Lineal

2.2. Ejemplo 2 (cont.)

Elementos:
Conjuntos:

Productos: Lignito y antracita.

Procesos (recursos): corte, tamizado y lavado.
Par
ametros:

Beneficio neto y unitario por producto (euros).

Consumo de cada recurso por cada tonelada de carb
on producida
(horas).
Disponibilidad de cada recurso (horas).

12- Opt. Lineal

2.2. Ejemplo 2 (cont.)

Variables de decisi
on
Para cada producto: cantidad de toneladas producidas:
x1: cantidad de lignito.
x2: cantidad de antracita.

Restricciones
Lmites en el uso de los recursos

13- Opt. Lineal

2.2. Ejemplo 2 (cont.)

Para encontrar la soluci
on a la pregunta planteada, la directora de producci
on de la empresa minera debe resolver el siguiente problema de
programaci
on lineal:

m
ax 24x1 + 18x2
s.a.

3x1 + 4x2 12,

3x1 + 3x2 10,
4x1 + 2x2 8,
x 0,

Soluci
on
optima
Producir x1 = 0,8Tn de lignito y x2 = 2,4Tn de antracita, con un
beneficio de 62.4.
14- Opt. Lineal

2.2. Asignaci
on y Distribuci
on de Recursos
Los ejemplos anteriores son todos problemas de Asignaci
on y distribuci
on de recursos:
Problemas en los que se trata de asignar o localizar un n
umero de
recursos, siempre limitados, entre diversas actividades.
En estos problemas se plantea un conflicto entre la funci
on objetivo, que
cuantifica el beneficio derivado de cada asignaci
on, y las restricciones,
que establecen los lmites a las asignaciones posibles.
Se busca la soluci
on que mejor valor tenga para la funci
on objetivo y, a
su vez, verifique todas las restricciones impuestas al modelo.

15- Opt. Lineal

2.2. Ejemplo 3: Problemas de mezclas

Uno de los campos donde m
as se ha aplicado la Programaci
on Lineal es
on
optima de la mezcla de productos a fabricar.
en el de la planificaci
El problema consiste en determinar c
omo combinar diversos productos
de manera que la mezcla resultante contenga una serie de constituyentes
en ciertas cantidades fijas minimizando el costo final de la mezcla.
Hay que determinar la cantidad de materia prima a comprar/producir,
as como la proporci
on de cada materia prima en cada producto final.
Todo ello, teniendo en cuenta las caractersticas t
ecnicas del producto
final, las materias primas disponibles y sus componentes t
ecnicos.
Este tipo de problemas se aplica en diversos campos industriales, como
son las industrias de la alimentaci
on, ganadera, farmac
eutica, qumica,
sider
urgica o petrolfera, y tambi
en en la determinaci
on del marketingmix.
16- Opt. Lineal

2.2. Ejemplo 3. Problemas de mezclas

Las limitaciones que suelen aparecer vienen dadas por:
Garanta mnima relativa
Costos fijos de producci
on
N
umero m
aximo de ingredientes
Ingredientes sustitutivos
Procesos sustitutivos
Proporciones de mercado
Proporciones en caractersticas t
ecnicas
Tarifas de precios

17- Opt. Lineal

2.2. Ejemplo 3. Campa

nas publicitarias
Aplicaci
on de la PL al Marketing (ver http://home.ubalt.edu/ntsbarsh/
Business-satat/opre/partVIII.htm)
Se puede utilizar la programaci
on lineal para determinar el mix adecuado de medios de una campa
na de publicidad. Sup
ongase que los medios
disponibles son radio, televisi
on y diarios. El problema es determinar cu
antos
avisos hay que colocar en cada medio. Por supuesto que el costo de colocaci
on de un aviso depende del medio elegido. El objetivo es minimizar el
costo total de la campa
na publicitaria, sujeto a una serie de restricciones.
Dado que cada medio puede proporcionar un grado diferente de exposici
on a
la poblaci
on objetivo, puede haber una cota inferior con respecto a la exposici
on de la campa
na. Asimismo, cada medio puede tener distintos ratings de
eficiencia para producir resultados deseables y por consiguiente puede haber
una cota inferior con respecto a la eficiencia. Adem
as, puede haber lmites
con respecto a la disponibilidad para publicar en cada medio.

18- Opt. Lineal

2.2. Ejemplo 3. Campa

nas publicitarias
Para comercializar un nuevo producto, una empresa dispone de 100000
euros/semana para gastos de publicidad.
Su producto se puede anunciar en 4 medios:
TV, Prensa, Radio e Internet.
Los potenciales clientes semanales del producto en cada aunucio y
medio son:
5000, 8500, 2400, 2800, resp.
El coste semanal de cada anuncio en cada medio es:
600, 925, 290, 380, resp.
Cada medio impone a la compa
na un m
aximo de anuncios semanales: 30, 60, 60, 80, resp.
C
omo puede la compa
na repartir su presupuesto publicitario para
conseguir la m
axima audiencia (clientes)?
19- Opt. Lineal

2.2. Ejemplo 3. Campa

nas publicitarias (cont.)
El problema consiste en encontrar, para cada medio, el n
umero de
anuncios a publicitar: x = (x1, x2, x3, x4) de forma que se alcance la
m
axima audiencia:

maximizar
sujeto a

5000x1 + 8500x2 + 2400x3 + 2800x4

600x1 + 925x2 + 290x3 + 380x4 8000
0 x1 30, 0 x2 60, 0 x3 60, 0 x4 80

Soluci
on: publicitar cada semana 30 anuncios en TV, 60 anuncios
en Prensa, 60 en Radio, y 24 en Internet.

20- Opt. Lineal

2.2. Ejemplo 4
Una empresa elabora un cierto alimento refinando diferentes tipos de
aceite y mezcl
andolos.
Los tipos de aceite se clasifican en dos categoras: vegetales (VEG1 y
VEG2) y no vegetales (OIL1, OIL2 y OIL3).
Dependiendo del tipo de aceite, vegetal o no vegetal, se requieren diferentes lneas de producci
on para el refino del aceite.
En un mes, la capacidad m
axima de refino es de 200 Tn de aceite
vegetal y 250 Tn de no vegetal.
Se puede asumir que el coste de refino es nulo y que durante el proceso
no se producen p
erdidas de peso.

21- Opt. Lineal

2.2. Ejemplo 4 (cont.)

Por restricciones tecnol
ogicas, la dureza del producto final debe estar
entre 3 y 6 unidades.
Se puede asumir que la dureza se mezcla linealmente. Esto es, la dureza
final es la media ponderada de la dureza de los distintos aceites utilizados
en la mezcla.
La dureza (por tonelada) de cada uno de los aceites, as como su coste
(por tonelada) de producci
on, son los que aparecen en la siguiente tabla

Coste
Dureza

VEG1
110
8.8

VEG2 OIL1
120
130
6.1
2.0

OIL2
110
4.2

OIL3
115
5.0

Cada tonelada de producto final se vende a un precio de 150 u.m..

Para determinar c
omo ha de hacer su producci
on de manera que obtenga
el mayor beneficio neto posible, la empresa debe resolver un problema
de programaci
on lineal continua.
22- Opt. Lineal

2.2. Ejemplo 4 (cont.)

Elementos:
Conjuntos:

Aceites vegetales: VEG1 y VEG2

Aceites no vegetales: OIL1, OIL2 y OIL3.
Par
ametros:

Para cada aceite original: coste y dureza.

Para la mezcla final: beneficio y lmites para la dureza.
Capacidad de refino total de tipo de aceite, vegetal y no vegetal.

23- Opt. Lineal

2.2. Ejemplo 4 (cont.)

Variables
x1, x2, x3, x4, x5: cantidad de cada aceite utilizada en la mezcla.
Funci
on objetivo
m
ax 40x1 + 30x2 + 20x3 + 40x4 + 35x5
Restricciones
x1 + x2 200
x3 + x4 + x5 250
8,8x1 + 6,1x2 + 2,0x3 + 4,2x4 + 5,0x5
6
3
x1 + x2 + x3 + x4 + x5
Soluci
on
optima
x1 = 159,2593, x2 = 40,7407, x3 = 0, x4 = 250, x5 = 0
Producci
on total: 450 toneladas.
24- Opt. Lineal

Beneficio: 17592.59.

2.2. Ejemplo 4 (cont.)

Si se imponen las siguientes condiciones adicionales al problema:

(i) El alimento final no puede contener m

as de tres tipos de aceite
diferentes.
(ii) Si el producto final contiene un cierto tipo de aceite, debe contener
al menos 20 toneladas del mismo.
(iii) Si la mezcla contiene alg
un tipo de aceite vegetal (VEG1 o VEG2),
entonces tambi
en debe contener aceite no vegetal de tipo 3 (OIL3).

Entonces, el problema a resolver es ahora uno de programaci

on entera
mixta.

25- Opt. Lineal

2.2. Ejemplo 5: Planificaci

on de encuestas
Una empresa quiere realizar una encuesta telef
onica para una investigaci
on en marketing.
Para obtener resultados estadsticamente significativos, debe obtener
respuesta de al menos 150 maridos, 120 esposas, 100 solteros y 110
solteras.
Las llamadas se pueden hacer en horario de ma
nana (a un coste de
2 euros/llamada) o de tarde (a un coste de 5 euros/llamada).

26- Opt. Lineal

2.2. Ejemplo 5: Planificaci

on de encuestas (cont.)
El porcentaje de
exito (en %) para obtener respuesta es el siguiente:
Tipo persona
Maridos
Esposas
Solteros
Solteras
Ninguno

Porcentaje ma
nana
30
10
10
10
40

Porcentaje tarde
30
30
15
20
5

Adem
as, por razones de personal, al menos la mitad de las llamadas
deben realizarse en el turno de tarde.
Para recomendar a la empresa una estrategia para que realice la
encuesta de forma satisfactoria con el menor coste posible se resuelve
un problema de programaci
on lineal.

27- Opt. Lineal

2.2. Ejemplo 6. Problema del transporte

Uno de los modelos m
as usados en logstica es el modelo del transporte.
Una empresa dispone de 2 centros de producci
on que fabrican un determinado
producto. Este producto debe ser transportado a 3 centros de demanda (mercados).
Transportar la mercanca de una f
abrica a un mercado tiene un determinado precio:
90 euros por unidad transportada y 100 Km. recorridos.
A continuaci
on se suministran las distancias, dij , entre los centros de producci
on y
los mercados (en cientos de Km.), la cantidad m
axima producida en cada centro,
y la cantidad demandada en cada mercado:
distancia
P1
P2
demanda

M1
2.5
2.5
325

M2
1.7
1.8
300

M3
1.8
1.4
275

oferta
350
600

C
omo se debe transportar la mercanca de forma tal que se minimice
el coste total del envo?

28- Opt. Lineal

2.2. Ejemplo 6. Problema del transporte (cont.)

Variables de decisi
on (cantidad a transportar de producci
on a mercado): x11, x12, . . . , x23 (6 decisiones)
Objetivo (minimizar el coste total): (90 2,5)x11 + (90 1,7)x12 +
(90 1,4)x23
Restricciones (demanda en cada mercado):
x11 + x21 325
x12 + x22 300
x13 + x23 275
Restricciones (lmite de producci
on, oferta, en cada planta):
x11 + x12 + x13 350
x21 + x22 + x23 600
Restricciones (lmites t
ecnico):
todas las variables 0.
29- Opt. Lineal


2.2. Ejemplo 7. Compa
na PECE
dispone de un centro de montaje situado en Madrid
La compa
na PECE
y un almac
en en Zaragoza.
Adem
as, cuenta con 8 grandes clientes situados en: Madrid, Zaragoza,
Bilbao, Barcelona, Valencia, Alicante, Albacete y Pamplona.
La empresa dispone de 100 ordenadores de mesa en el centro de montaje
y 45 en el almac
en para servir la demanda de estos 8 clientes.
Los costes de transporte desde el centro y el almac
en a cada uno de los
clientes y la demanda son:

Madrid
Zaragoza
Demanda
30- Opt. Lineal

Ma
14.00
24.00
22

Za
24.00
15.00
14

Bi
21.00
28.00
18

Ba
20.00
20.00
17

Va
21.50
18.50
15

Al
19.00
19.50
13

Alb
17.00
24.00
15

Pa
30.00
28.00
20

2.2. Ejemplo 7 (cont.)

Gr
aficamente, la situaci
on se puede representar de la siguiente forma:

Origenes

Destinos

31- Opt. Lineal

Ma

Za

Ma

Za

Bi

Ba

Va

Al

Alb

Pa

22

14

18

17

15

13

15

20

2.2. Ejemplo 7 (cont.)

Los elementos del problema son:
Conjuntos:

Almacenes centrales.
Clientes.
Par
ametros:

Coste de transporte de cada almac

en a cada cliente (euros).
Demanda de cada cliente (n
umero de ordenadores).
Capacidad de cada almac
en (n
umero de ordenadores).

32- Opt. Lineal

2.2. Ejemplo 7 (cont.)

Las variables del modelo son xij , cantidad transportada desde el origen
i al destino j.

mn 14x11 + 24x12 + + 30x18 + 24x21 + + 28x28

x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 100
x21 + x22 + x23 + x24 + x25 + x26 + x27 + x28 45
x11 + x21 = 22
x12 + x22 = 14
...
x18 + x28 = 20

33- Opt. Lineal

2.2. Ejemplo 7 (cont.)

La siguiente figura muestra la soluci
on. En algunos arcos se indica la
cantidad que se transporta por ellos. En el resto, la cantidad transportada es igual a la demanda de los destinos.

Origenes

Ma

Za

Destinos

Ma

Za

Bi

Ba

Va

Al

Alb

Pa

22

14

18

17

15

13

15

20

Coste=2583.5
34- Opt. Lineal

16

2.2. Ejemplo 7 (cont.)

La compa
na est
a estudiando la posibilidad de instalar un almac
en intermedio en la red, cerca de Barcelona, Valencia, Alicante, ya que piensa
que puede reducir los costes de transporte.
Los costes de transporte desde el centro y al nuevo almac
en y de este
almac
en a cada cliente son:

Madrid
Zaragoza

Centro
11.00
10.00

Almac
en
central

Ba
6.00

Va
5.00

Al
5.50

Adicionalmente, hay un coste de 2 euros por la manipulaci

on de cada
ordenador en este almac
en y una capacidad m
axima de 30 ordenadores
por semana.

35- Opt. Lineal

2.2. Ejemplo 7 (cont.)

La siguiente figura muestra c
omo quedara el nuevo problema. El nuevo
nodo nodo rojo representa el nuevo almac
en y los arcos rojos las nuevas
rutas.

Origenes

Destinos

36- Opt. Lineal

Ma

Za

Ma

Za

Bi

Ba

Va

Al

Alb

Pa

22

14

18

17

15

13

15

20

2.2. Ejemplo 7 (cont.)

Hay que a
nadir nuevas variables al modelo, que representan la cantidad
de ordenadores transportada a trav
es de los nuevos arcos.
Estas variables deben a
nadirse en las restricciones que garantizan que no
sale demasiado de cada uno de los orgenes y que se atiende la demanda
en cada uno de los destinos.
Adem
as, hay que a
nadir nuevas restricciones que garanticen que al nuevo
almac
en no llegan m
as de 30 unidades y que todo lo que entra en el
almac
en sale hacia los destinos.

37- Opt. Lineal

2.2. Ejemplo 7 (cont.)

El modelo resulta:
mn 14x11 + 24x12 + + 30x18 + 24x21 + + 28x28
+(11 + 2)x1c + (10 + 2)x2c + 6xc4 + 5xc5 + 5,5xc6
x1c+x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 100
x2c+x21 + x22 + x23 + x24 + x25 + x26 + x27 + x28 45
x11 + x21 = 22
x12 + x22 = 14
x13 + x23 = 18
xc4+x14 + x24 = 17
xc5+x15 + x25 = 15
xc6+x16 + x26 = 13
x17 + x27 = 15
x18 + x28 = 20
x1c + x2c 30
38- Opt. Lineal

xc4 + xc5 + xc6 = x1c + x2c

2.2. Ejemplo 7 (cont.)

La siguiente figura muestra la soluci
on. En algunos arcos se indica la
cantidad que se transporta por ellos. En el resto, la cantidad transportada es igual a la demanda de los destinos.

Origenes

Ma

Za

11
19
2
15
Destinos

15

Ma

Za

Bi

Ba

Va

Al

Alb

Pa

22

14

18

17

15

13

15

20

Coste=2542
39- Opt. Lineal

2.2. Propiedades de los modelos Lineales

La Programaci
on Lineal se ha convertido en una de las herramientas
m
as importantes en la optimizaci
on matem
atica debido a dos razones
fundamentales:
Es posible resolver problemas de grandes dimensiones.
Pr
acticamente todos los modelos se pueden resolver, independientemente de su formulaci
on.

Sin embargo, este

exito de la programaci
on lineal tiene un coste: los
modelos utilizan unas hip
otesis de partida que muchas veces suponen
una simplificaci
on excesiva del problema.
Por ejemplo, suponen que los costes son lineales: producir el doble cuesta
el doble, cuando las economas de escala suelen indicar que a mayor producci
on, menor coste unitario (producir el doble cuesta un poco menos
del doble).
40- Opt. Lineal

2.2. Hip
otesis que conducen a modelos lineales
A continuaci
on mostramos las hip
otesis m
as importantes que se asumen
al utilizar la programaci
on lineal como herramienta de trabajo.
Las propiedades fundamentales de los modelos lineales son:
1. Linealidad.
2. Separabilidad y aditividad.
3. Divisibilidad y continuidad.
4. Datos perfectamente conocidos.
5. Un s
olo objetivo.

41- Opt. Lineal

2.2. Hip
otesis que conducen a modelos lineales
Linealidad y proporcionalidad: La contribuci
on de cada variable a la
funci
on objetivo y a cada restricci
on es proporcional al valor que
toma dicha variable.

La cantidad de recurso consumido por unidad de actividad puede

depender del nivel de actividad.
El precio de venta puede depender de la cantidad vendida.
Alternativas: Modelos no lineales, funciones lineales a trozos (modelizaci
on con variables 0-1)

42- Opt. Lineal

2.2. Hip
otesis que conducen a modelos lineales
Separabilidad y aditividad: El coste total es la suma de los costes
individuales de cada variable.

No hay efectos cruzados en los precios.

La contribuci
on total a cada restricci
on se halla sumando la contribuci
on de cada variable. El consumo total de un recurso se
halla como suma del consumo de cada actividad.
No se permiten sinergias entre dos procesos.
No permite representar situaciones en las que, por ejemplo, el
simple hecho de realizar una actividad supone un consumo fijo de
un recurso, independientemente del nivel en que se realice.
Alternativas: Modelos no lineales, modelizaci
on con variables 0-1
(implicaciones entre variables, variables semicontinuas)
43- Opt. Lineal

2.2. Hip
otesis que conducen a modelos lineales
Divisibilidad y continuidad: asume que las decisiones adoptadas o las
actividades desarrolladas pueden fragmentarse a cualquier nivel.

Ciertas decisiones, como el n

umero de coches producidos de cada
modelo tome valores fraccionales.
Alternativas: La Programaci
on Entera permite restringir algunas decisiones a tomar valores enteros.
ogicas
Adem
as, la P.E. permite modelizar condiciones l
Si se realiza una actividad, debe hacerse dentro de unos niveles
mnimos y m
aximos.

Decisiones incompatibles.
Decisiones implicadas.

44- Opt. Lineal

2.2. Hip
otesis que conducen a modelos lineales
Datos perfectamente conocidos: implica que todos los elementos
que definen el problema est
an perfectamente determinados.

Esta hip
otesis es muy fuerte y puede invalidar cualquier modelo.
Pero incluso con el riesgo que supone el uso de modelos determinsticos, los beneficios que proporcionan suele compensarlo.
Alternativas:

Estudiar la sensibilidad de la soluci

on a peque
nos cambios en los
par
ametros del modelo.
Utilizar modelos de Programaci
on Estoc
astica Lineal, que permite considerar diversos escenarios futuros y determinar soluciones v
alidas para todos ellos.

45- Opt. Lineal

2.2. Hip
otesis que conducen a modelos lineales
Un
unico objetivo. No se pueden considerar varios objetivos como:
maximizar el beneficio y minimizar el impacto medioambiental.

En las aplicaciones reales frecuentemente aparecen varios objetivos, normalmente contrapuestos.

Alternativas:

Programaci
on Multiobjetivo, que permite determinar soluciones
eficientes.
Una soluci
on es eficiente si no es posible mejorar un objetivo sin
empeorar el resto

Programaci
on por Metas: permite trabajar con modelos en los
que las restricciones no sean tan rgidas.

46- Opt. Lineal