OPTIMIZACIÓN Y SIMULACIÓN

PARA LA EMPRESA
Tema 2
Programación Lineal
 ORGANIZACIÓN DEL TEMA

• Sesiones:
• Introducción, definición y ejemplos
• Propiedades y procedimientos de solución
• Interpretación económica
 ORÍGENES DE LA PL
• George Dantzig fue el fundador de la Programación Lineal
(PL)
• Desarrolló el método Simplex en 1947
• Algoritmo inteligente que busca la solución óptima entre
un conjunto muy reducido de alternativas
• Coincide con el inicio de la informática
• Durante mucho tiempo constituyó el núcleo de la
computación científica
 ORÍGENES DE LA PL
• El primer problema de PL que se resolvió fue el problema de la dieta (9
restricciones y 77 variables)
• Se necesitaron 9 personas trabajando durante 15 días para completar
los cálculos del método Simplex
• La primera implementación en ordenador del Simplex se realizó en 1952
• Se pudo resolver un problema de PL de 48 restricciones y 71
variables en 18 horas
• Actualmente se pueden resolver PLs de millones de variables y
restricciones en horas o incluso minutos
 MODELOS LINEALES:
PROPIEDADES
• En un modelo lineal, tanto la función objetivo como las restricciones son funciones
T
lineales de las variables x, a + b x
• El modelo básico de PL es:

donde c es un vector de n componentes, x es el vector de variables de decisión, A

es una matriz m x n y b es un vector de m componentes
• Un vector x que satisface las restricciones se conoce como una solución factible
(aunque quizás no sea la solución) o un punto factible
• El conjunto de todas las soluciones factibles es la región factible
 MODELOS LINEALES:
PROPIEDADES
• Los PLs se pueden analizar algebraicamente o geométricamente

• Ambos enfoques son equivalentes

• Enfoque algebraico: escribir la representación matemática del PL, por ejemplo,

• Analizar las propiedades matriciales de sus componentes, en nuestro caso

 MODELOS LINEALES:
PROPIEDADES
• Enfoque geométrico:
• Analizar la geometría de la región factible
175

160

140
3x1+2x2≤300

120 x1≤180

100
x2

80
2x2≤150

60

40
3x1+5x2=480
3x1+5x2=360

20

0
0 20 40 60 80 100 120 140 160 180 200

x1
 EJEMPLO 1:
DIETA NUTRICIONAL
• Problema clásico

• Descripción:

• Preparar una dieta diaria para un grupo de personas asegurando una ingesta mínima de
varios componentes nutricionales (vitaminas, proteínas, calcio, grasas, carbohidratos, etc.)

• Se dispone de n alimentos básicos (huevos, leche, pan, pollo) de donde se obtienen los
nutrientes

• Objetivo:

• Diseñar una dieta que garantice una alimentación saludable (mínimo de nutrientes)

• Con coste mínimo

 EJEMPLO 1:
DIETA NUTRICIONAL
• Datos del problema:

• Alimentos básicos:

• Con costes unitarios c1,…, cn

• Componentes nutricionales:

• Se necesitan al menos b1,…, bm unidades de cada nutriente

• Relación entre alimentos y nutrientes:

• Cada unidad de alimento j contiene aij unidades del nutriente i

 EJEMPLO 1:
DIETA NUTRICIONAL
• Modelo:

• Variables: encontrar un vector dieta x = (x1,…, xn) que especifique las

cantidades de cada alimento a comprar cada día

• Función objetivo: minimizar el coste de la compra de alimentos

• Restricciones: satisfacer requerimientos nutricionales

 EJEMPLO 1:
DIETA NUTRICIONAL
• Datos:
Alimento
Carne Patatas Req. diarios
Hidratos de c. 5 15 50
Proteínas 20 5 40
Grasas 15 2 60
Coste por ración 5 2

• Solución: x1 = 3.7209, x2 = 2.0930, coste = 22.7907

• Multiplicadores: 0.0930 (Hidratos de c.), 0 (Proteínas), 0.3023

(Grasas)
 EJEMPLO 1:
DIETA NUTRICIONAL
• Formulación del problema:

• Variables:

• Cantidades de alimentos básicos en la dieta

x1 : carne, x2 : patatas.
• Función objetivo:

• Coste total
min 5x1 + 2x2
• Restricciones:

• Cumplir con los requisitos mínimos de la dieta

5x1 + 15x2 50, 20x1 + 5x2 40, 15x1 + 2x2 60

• Variables no negativas
 MODELOS LINEALES:
PROPIEDADES
• Problema de dieta: 10

6 5x1+2x2=50

5x1+2x2=40
5 15x1+2x2≥60
x2

• Región factible 4

• Función objetivo 2

1 20x1+5x2≥40
5x1+15x2≥50

0
0 1 2 3 4 5 6 7 8 9 10 11 12

x1
 EJEMPLO 2:
CAMPAÑA DE MARKETING
• Descripción:
• Para vender un nuevo producto, una empresa dispone de 100000 euros/semana
• El producto se puede publicitar en cuatro medios:
TV, Periódicos, Radio e Internet
• Los clientes potenciales captados por cada anuncio y semana, y en cada medio, son:
5000, 8500, 2400 y 2800, respectivamente
• El coste semanal de un anuncio en cada medio es:
600, 925, 290 y 380, respectivamente
• Cada medio impone unos límites semanales sobre los anuncios a contratar:
30, 60, 60 y 80, respectivamente
• ¿Cómo repartir el presupuesto semanal en publicidad para conseguir la mayor
audiencia (potenciales clientes)?
 EJEMPLO 2:
CAMPAÑA DE MARKETING
• Modelo:

• Variables: Encontrar, para cada medio, el número de anuncios a contratar por

semana, x = (x1, x2, x3, x4)

• Función objetivo: conseguir la máxima audiencia posible

• Restricciones:

• Límites presupuestarios

• Número máximo de anuncios permitido en cada medio

• No negatividad
 EJEMPLO 2:
CAMPAÑA DE MARKETING
• Modelo:

• Solución:

• Contratar cada semana 30 anuncios en TV, 60

en Periódicos, 60 en Radio, y 24 en Internet
 MODELOS LINEALES:
SOLUCIÓN
• Posibles soluciones de un PL:

• Existe una única solución óptima (en un vértice)

• Existen infinitas soluciones óptimas (en aristas, caras o

incluso la región factible completa)

• La solución óptima es no acotada

• La región factible es vacía (problema infactible)

 MODELOS LINEALES:
SOLUCIÓN
• Si un PL es factible y acotado, entonces tiene al menos una
solución óptima que estará en un vértice de la región factible
• Como el número de vértices de la región es finito, basta con
buscar la solución en ese reducido número de puntos
• Esta es la base del algoritmo Simplex:
• Algoritmo computacional basado en un procedimiento
iterativo para calcular una solución de los PLs
• Desarrollado por G.B. Dantzig en 1947, marca el origen de la
optimización moderna
 MODELOS LINEALES:
SOLUCIÓN
• Cómo funciona el método Simplex?

1. Encontrar una solución inicial factible (vértice)

• Se puede obtener resolviendo un problema auxiliar más sencillo

2. Comprobar si la solución (vértice) es óptima

• Analizando el cambio en la función objetivo a lo largo de las aristas que se alejan del vértice

3. Si no es óptima, seleccionar la arista con mayor mejora en la función objetivo

4. Moverse, a lo largo de esa arista, al vértice adyacente

5. Repetir 2-4 hasta encontrar una solución óptima (en un número finito de pasos)

• ¿Cómo representar estos pasos en términos algebraicos (programables)?

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Para obtener información útil extra de la solución del problema, necesitamos
obtener no solo los valores de la solución, sino también los valores de parámetros
asociados

• Multiplicadores de Lagrange

• Nos permiten asignar precios a los recursos y límites de la solución

• Y además entender por qué un conjunto de valores es óptimo

• También podemos realizar un análisis de sensitividad:

• ¿Qué le pasa a la solución si cambiamos algún parámetro (dato) del problema?

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Los precios sombra proporcionan información relevante para el análisis económico
de la solución de un PL

• Cada restricción tiene asociado un precio sombra

• Representa el cambio en la función objetivo debido a un cambio unitario en el

lado derecho de la restricción

• Se puede entender cómo el valor de una unidad adicional de recurso:

• Si pagamos el precio sombra por esta unidad, nuestro beneficio no cambia

• El método Simplex calcula los precios sombra a la vez que calcula la solución del PL
INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Para entender el significado de los precios sombra, consideramos de nuevo el
problema de la dieta:

• Cuya solución óptima es:

x1 = 3.7209, x2 = 2.0930, coste = 22.7907

• Con multiplicadores:

0.0930 (Hidratos de c.), 0 (Proteínas), 0.3023 (Grasas)

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Imaginemos que necesitamos proporcionar 51 gramos de hidratos de c., en lugar de 50
• El problema a resolver es:

• La nueva solución óptima es:

x1 = 3.7116, x2 = 2.1628, coste = 22.8837
• El coste se ha incrementado en 0.093 euros, el precio sombra asociado con la
primera restricción
INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• También disponemos de los precios sombra correspondientes a los
requerimientos de proteínas y grasas:

• La dieta óptima recomienda 84.8837 gramos de proteínas, más del doble

de la cantidad mínima requerida (40)

• La solución no cambia si incrementamos dicho límite, y su precio

sombra es 0

• Si el mínimo requerido de grasas se incrementa hasta 61 gramos, el coste

sube a 23.093 euros

• El incremento del coste es 0.3023 euros (que es su precio sombra)

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Para obtener estos valores en Excel, necesitamos llamar a la herramienta Solver

• Una vez obtenemos la solución, seleccionamos ”Sensitividad” en la ventana de diálogo

• Obtenemos una nueva hoja con la información que se muestra:

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Otros valores relevantes en la solución de un PL son los costes reducidos
• Un coste reducido se asocia a una variable con valor óptimo 0, o en su cota
inferior
• Representa el cambio en la función objetivo cuando la variable pasa a valer 1 (o
una unidad superior que su cota inferior)
• Interpretación del coste reducido:
• Coste de empezar una nueva actividad (no llevada a cabo previamente)
• Si las variables tienen cotas superiores ub, los costes reducidos se asocian a las
mismas:
• Representan el cambio en el objetivo si la variable toma el valor ub + 1,
• Representan el beneficio asociado a un incremento unitario en esa variable,
que ya estaba en su nivel máximo
 INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Para el problema de la campaña de marketing:

• Maximizar audiencia, elegir número de anuncios en cada medio

• Informe obtenido a través de la opción “Sensitividad”:

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• De los anteriores valores, se deduce que:
• El precio sombra asociado al presupuesto es 7.3684
• Cada euro adicional de presupuesto incrementaría la audiencia en 7.3684 clientes
• El número óptimo de anuncios de Internet es 0 < 23,9474 < 80
• Su coste reducido es 0
• El óptimo de anuncios en TV está en su cota superior (=30) y su coste reducido es 578.9474
• Cada anuncio adicional incrementaría la audiencia en 578.9474 clientes
• El óptimo de anuncios en Periódicos está en su cota superior (=60) y su coste reducido es
1684.2105
• Cada anuncio adicional incrementaría la audiencia en 1684.2105 clientes
• El óptimo de anuncios en Radio está en su cota superior (=60) y su coste reducido es
263.1579
• Cada anuncio adicional incrementaría la audiencia en 263.1579 clientes
INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Finalmente, también podemos obtener información extra sobre los
máximos cambios permitidos en los parámetros que no afectarían a la
solución

• En problema dieta, seleccionamos “Sensitividad” y obtenemos:

INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Observemos los valores de las columnas “Allowable increase” y
“Allowable decrease”

• Para cambios en los parámetros de la función objetivo se tiene:

• El valor del coste de la carne podría subir hasta 5 + 10 y la

solución no cambiaría, sí el coste de la dieta (más cara)

• Se podría reducir hasta 5 - 4.33 y la solución no cambiaría

• La solución también se mantendría para precios de patatas en el

intervalo [0.67,15]
INTERPRETACIÓN ECONÓMICA
DE LA SOLUCIÓN
• Para el lado derecho de las restricciones se tiene:
• Los límites de grasa se podrían incrementar hasta 60 + 90 y disminuir hasta 60 - 35.09
sin afectar la solución
• Consideremos el caso para el que el límite de grasa se fija en 61. La nueva solución es:

• En este caso, la solución ha cambiado. ¿Por qué?

• Qué restricciones están activas en la solución
• Qué valores valores toman los multiplicadores de Lagrange