UNIVERSIDAD DE ORIENTE
NÚCLEO DE SUCRE CARÚPANO
ESCUELA DE CIENCIAS
DEPARTAMENTO DE INFORMÁTICA
CÁTEDRA- PROGRAMACION LINEAL I
PROGRAMACION LINEAL E INVESTIGACION DE OPERACIONES
Tutora
Mercedes Salazar
Bachiller
Adrian Brito
CI 28.664.009
Carúpano, octubre de 2024.
Introducción
La optimización de recursos es un aspecto esencial en la toma de decisiones en una amplia
variedad de sectores, desde la industria y el comercio hasta la administración pública. La
capacidad de gestionar eficientemente recursos limitados es clave para maximizar el rendimiento
y minimizar los costos en cualquier organización. En un entorno donde la competitividad está en
constante aumento, optimizar procesos y decisiones se ha vuelto no solo deseable, sino necesario
para asegurar el éxito a largo plazo.
El avance de las matemáticas aplicadas y la informática ha permitido desarrollar métodos
sofisticados que ayudan a modelar problemas complejos. Estos métodos permiten definir
escenarios en los que múltiples variables interactúan bajo ciertas restricciones, como costos,
tiempo o disponibilidad de recursos, para encontrar soluciones que logren los mejores resultados
posibles. La toma de decisiones basadas en datos y en el análisis sistemático de estos problemas
se ha convertido en un estándar en muchas industrias.
No solo las grandes empresas se benefician de la optimización; las pequeñas y medianas
empresas, así como las administraciones públicas, enfrentan problemas similares en la gestión de
sus recursos. La correcta planificación de la producción, la distribución, la asignación de
presupuestos y la programación de tareas son ejemplos comunes en los que la optimización tiene
un impacto directo en la eficiencia y, en última instancia, en los resultados.
A lo largo de este trabajo, se explorarán las metodologías que permiten resolver estos problemas
de manera sistemática. Se presentarán los conceptos fundamentales que proporcionan una base
sólida para abordar la optimización en diversos contextos, y se examinarán aplicaciones prácticas
que demuestran su relevancia tanto en el ámbito académico como en situaciones del mundo real.
En resumen, el objetivo de este trabajo es proporcionar una comprensión clara y accesible de los
principios fundamentales que permiten abordar problemas de optimización de manera eficiente.
Estos principios serán clave para enfrentar los desafíos actuales y futuros, donde la capacidad de
gestionar recursos de manera óptima puede marcar la diferencia entre el éxito y el fracaso en
cualquier tipo de organización. Los métodos que se desarrollarán a continuación, basados en
modelos matemáticos, permiten abordar problemas complejos de manera sistemática, siempre en
búsqueda de la solución más eficiente posible dentro de los límites establecidos.
1.1 Programación Matemática
La programación matemática se presenta como una herramienta poderosa y esencial en la
resolución de problemas complejos y multifacéticos que requieren una cuidadosa selección de la
mejor opción entre una amplia gama de alternativas disponibles. Esta disciplina permite a los
analistas y tomadores de decisiones no solo identificar las soluciones óptimas, sino también
evaluar diferentes escenarios y sus posibles resultados, facilitando así una comprensión más
profunda de las implicaciones y consecuencias de cada elección.
De acuerdo con Calvo C. e Ivorra C. (2023)
Los problemas de los que se ocupa la programación matemática son problemas en
los que debemos determinar cuál es la mejor opción entre una serie de
posibilidades: la producción que proporciona el máximo beneficio, el consumo
que proporciona la mayor utilidad, la asignación de tareas a trabajadores que
permite realizar un trabajo en el menor tiempo posible, etc. (p. 11)
La capacidad de optimización en programación matemática es esencial en diversas
disciplinas, ya que permite maximizar resultados y modelar situaciones del mundo real que
influyen en la toma de decisiones informadas. Modelizar un problema implica identificar
elementos clave, como las variables de decisión, que representan las elecciones a realizar; la
función objetivo, que determina qué soluciones son más favorables al buscar maximizar o
minimizar resultados; y las restricciones, que son condiciones que aseguran la viabilidad de las
soluciones propuestas. Estas restricciones pueden incluir limitaciones presupuestarias y
normativas ambientales, garantizando que las soluciones sean aceptables y realistas. La correcta
identificación y formulación de estos elementos es fundamental para construir modelos
matemáticos que reflejen la complejidad de los problemas prácticos y faciliten decisiones
informadas.
Figura 1
Ejemplo de un modelo de optimización
Nota. Adaptado de introducción a la programación matemática (p.13), por Calvo C. e Ivorra C.
(2023)
Esto se ilustra en el trabajo de Calvo C. e Ivorra C., donde una fábrica de cosméticos analiza
el lanzamiento de dos cremas: una de gama alta (A) y otra económica (B). Aquí, las variables de
decisión son las cantidades a producir, y la función objetivo busca maximizar el beneficio,
expresada como “B(x,y)=4x+5y” debido a los márgenes de beneficio aplicados a cada producto.
Además, se establecen restricciones para garantizar soluciones viables, como no exceder un
presupuesto diario de 12 unidades monetarias y respetar un límite de horas de trabajo (ver Fig.
1). Es importante destacar que no se pueden producir cantidades negativas de cremas, lo cual es
un requisito lógico en la programación matemática. Si una solución no cumple con alguna de
estas restricciones, se considera una solución no viable.
Aunque los criterios para seleccionar una función objetivo pueden variar, la maximización
del beneficio y la eficiencia en la producción son principios comunes en la programación
matemática. Estos principios permiten a las empresas no solo tomar decisiones informadas, sino
también mantener una ventaja competitiva en el mercado, resaltando la importancia de integrar
modelos matemáticos en la estrategia empresarial.
1.2 Investigación de Operaciones
La investigación de operaciones (IO) se originó en un contexto de creciente complejidad
organizacional, principalmente impulsado por la Revolución Industrial. La evolución de las
pequeñas empresas artesanales hacia grandes corporaciones trajo consigo desafíos en la
administración de recursos y en la coordinación de actividades dentro de las organizaciones. Este
escenario de problemas complejos creó la necesidad de herramientas que permitieran a las
organizaciones optimizar sus operaciones.
Una de las principales razones del surgimiento de la IO se dio durante la Segunda Guerra
Mundial, cuando las fuerzas militares británicas y estadounidenses convocaron a científicos para
resolver problemas relacionados con la asignación eficiente de recursos en operaciones bélicas.
Como bien describe Hillier F. y Lieberman G. (2010).
Debido a los esfuerzos bélicos, existía la urgente necesidad de asignar recursos
escasos a las distintas maniobras militares y a las actividades que componían cada
operación de la manera más eficaz. Por ello, las administraciones militares
estadounidense y británica llamaron a un gran número de científicos para que
aplicaran el método científico a éste y a otros problemas estratégicos y tácticos.
En realidad, les solicitaron que hicieran investigación sobre operaciones
(militares). Estos grupos de científicos fueron los primeros equipos de IO.
(Investigación de Operaciones, p. 1)
En concordancia con este contexto, la IO comenzó a extenderse a otros sectores una vez
terminada la guerra, debido a su éxito en la resolución de problemas complejos. En su obra,
Hillier y Lieberman presentan y analizan un estudio premiado de investigación de operaciones
realizado por la empresa Merrill Lynch, que revisó su estructura de precios para mejorar su
posición competitiva en el mercado. Este estudio proporciona un marco práctico para que los
estudiantes comprendan cómo se define y aborda un problema organizacional. A través del
análisis de este caso, se exploran temas clave como la misión del grupo de ciencia de la
administración que lideró el proyecto, la recolección de datos relevantes de los clientes y las
recomendaciones de nuevos precios.
En este contexto, Merrill Lynch, una destacada institución financiera, identificó la necesidad
de ajustar su estructura de precios para responder de manera más efectiva a las demandas del
mercado y mantener una ventaja competitiva. Ante este reto, la empresa recurrió a la
investigación de operaciones como herramienta clave para optimizar su toma de decisiones en
torno a los precios.
Proceso de la investigación de operaciones:
1. Definición del problema: Merrill Lynch identificó que su estructura de precios
necesitaba ser ajustada para adaptarse mejor a las necesidades de sus clientes y mejorar
su competitividad. El objetivo del grupo de ciencia de la administración (IO) era
encontrar una manera de ofrecer mejores precios sin afectar sus márgenes de ganancia.
2. Recolección de datos: El equipo de IO recopiló datos detallados de sus clientes, como
los tipos de productos financieros adquiridos, sus volúmenes de inversión y el
comportamiento histórico de compra. También se analizaron datos del mercado
competitivo para entender cómo las tarifas de Merrill Lynch se comparaban con las de
sus competidores.
3. Modelado matemático: Se utilizó un modelo de optimización (programación
matemática) que permitía evaluar diferentes opciones de precios para maximizar los
beneficios y, al mismo tiempo, satisfacer a los clientes. Este modelo matemático
consideraba múltiples variables, como la demanda de productos, los márgenes y las
tendencias del mercado.
4. Solución: Aplicando métodos de investigación de operaciones, el equipo de IO fue capaz
de proponer diferentes estructuras de precios personalizadas para distintos segmentos de
clientes. Esto permitió a Merrill Lynch ofrecer precios competitivos que se ajustaban a
las características y comportamientos de sus clientes.
5. Implementación: Los nuevos precios fueron implementados en las operaciones diarias
de la compañía, y se monitorearon los resultados para garantizar que las decisiones
optimizadas ayudaran a mejorar la posición competitiva de Merrill Lynch.
Gracias a este estudio de investigación de operaciones, Merrill Lynch pudo ajustar sus
precios de manera más estratégica, lo que no solo incrementó su competitividad en el mercado
financiero, sino que también mejoró la satisfacción de sus clientes, manteniendo márgenes
rentables. Este enfoque no solo permite conectar la teoría de la investigación de operaciones con
su aplicación práctica, sino que también fomenta el desarrollo de habilidades analíticas críticas
para la toma de decisiones organizacionales estratégicas, demostrando cómo la investigación de
operaciones puede impactar positivamente la competitividad de una empresa.
1.3 Relación entre Programación Matemática y la Investigación de Operaciones
La relación entre la Programación Matemática y la Investigación de Operaciones puede
entenderse como una colaboración simbiótica, donde ambas disciplinas se apoyan mutuamente
para resolver problemas de optimización en el mundo real. La Programación Matemática se
ocupa de la creación de modelos abstractos que buscan maximizar o minimizar variables bajo un
conjunto de restricciones, pero por sí sola, esta teoría carece de un contexto práctico. Aquí es
donde la Investigación de Operaciones juega un papel crucial, actuando como un marco que
permite adaptar y aplicar esos modelos matemáticos a situaciones concretas y problemas reales
en áreas como la producción, la logística, las finanzas o la gestión de recursos.
Es decir, mientras la Programación Matemática proporciona las bases conceptuales y técnicas
para resolver problemas de optimización, la Investigación de Operaciones identifica los
problemas prácticos, define los parámetros relevantes y ajusta los modelos para garantizar que
puedan ser aplicados eficazmente en entornos reales. Por ejemplo, la Programación Lineal puede
ser utilizada para encontrar la forma óptima de asignar recursos en una empresa, pero es la
Investigación de Operaciones la que se encarga de contextualizar ese modelo, integrándolo con
las necesidades y restricciones específicas del sistema empresarial.
De este modo, la Programación Matemática ofrece las herramientas teóricas y
metodológicas, mientras que la Investigación de Operaciones asegura que esas herramientas
tengan un impacto tangible al proporcionar el contexto y las soluciones aplicadas. Ambas
disciplinas se complementan, formando una relación simbiótica donde la teoría y la práctica se
retroalimentan: la teoría cobra vida en la aplicación práctica, y los problemas del mundo real
impulsan el desarrollo de nuevas soluciones teóricas.
1.4 Modelo Matemático
En el ámbito de la investigación de operaciones (IO), uno de los pilares fundamentales es la
construcción de un modelo matemático que permita abordar y resolver problemas complejos de
manera efectiva. Un modelo matemático es una representación abstracta de un sistema real
mediante ecuaciones y relaciones matemáticas que buscan optimizar ciertos objetivos, como la
minimización de costos o la maximización de beneficios. La construcción y solución de estos
modelos no sigue una metodología única, sino que depende de la naturaleza del problema y las
características del sistema que se busca modelar. Esto convierte al modelado en una fase crucial,
donde las decisiones que se tomen afectarán directamente los resultados del análisis posterior.
Acorde con Taha H (2012)
En la investigación de operaciones no se cuenta con una técnica general única
para resolver todos los modelos que puedan surgir en la práctica. En su lugar, el
tipo y complejidad del modelo matemático determina la naturaleza del método de
solución.(p. 5).
La flexibilidad en la elección de la técnica de solución es esencial para abordar la diversidad
de problemas que enfrentan las organizaciones. Algunos problemas pueden resolverse fácilmente
con métodos como la programación lineal, que es adecuada cuando las funciones objetivo y las
restricciones son lineales. Sin embargo, otros problemas más complejos, como los que
involucran variables enteras o no lineales, requieren la implementación de otras metodologías,
como la programación entera, la programación dinámica o la simulación.
Un ejemplo práctico de esta flexibilidad en los modelos matemáticos se puede observar en
un problema de optimización de inventarios. Imagina una empresa que necesita determinar el
tamaño óptimo de los lotes de producción para minimizar el costo total de inventario y
producción. Para este tipo de problemas, la programación lineal podría ser una excelente
herramienta si las variables clave, como la tasa de producción y la demanda, pueden ser
representadas de forma lineal. Sin embargo, si la empresa también debe cumplir con
restricciones complejas, como la capacidad limitada de almacenamiento o la incertidumbre en la
demanda, el modelo deberá incorporar elementos no lineales o estocásticos, y, por tanto, será
necesario utilizar técnicas más avanzadas como la programación no lineal o programación
dinámica.
El tipo de modelo matemático que se elige en la investigación de operaciones está
directamente relacionado con la complejidad del sistema que se modela y los objetivos que se
persiguen. Cada problema presenta desafíos únicos, lo que hace necesario adaptar la técnica de
solución a las particularidades del caso. Como se observa en el ejemplo de la optimización de
inventarios, un problema sencillo puede abordarse con una técnica directa como la programación
lineal, pero a medida que se introducen más restricciones o incertidumbres, se requiere una
metodología más sofisticada, demostrando la importancia de una elección flexible y adecuada
del modelo.
1.5 Metodologías empleadas en la Investigación de Operaciones
La Investigación de Operaciones (IO) se caracteriza por su enfoque en la toma de decisiones
optimizada mediante modelos matemáticos. Sin embargo, lo que hace particularmente poderosa
a la IO es la diversidad de metodologías que ofrece para abordar problemas de distinta
naturaleza. Dependiendo del tipo de modelo y los requerimientos del problema, se pueden
aplicar técnicas específicas que van desde la programación lineal hasta la simulación y el análisis
de redes. Cada una de estas metodologías tiene su propio campo de aplicación, lo que permite
que la IO sea una herramienta versátil y adaptable a un amplio rango de sectores industriales y
comerciales.
Según Taha H. (2012) “La técnica de IO más importante es la programación lineal. Está
diseñada para modelos con funciones objetivo y restricciones lineales. Otras técnicas incluyen la
programación entera, la programación dinámica, la programación de red, y la programación no
lineal. (p. 5)”. Esto nos indica que la programación lineal ocupa un lugar central dentro de las
técnicas empleadas en la IO, ya que se utiliza cuando las relaciones entre las variables del
problema se pueden expresar de manera lineal. En cambio, en problemas donde las decisiones
deben tomarse en variables enteras (por ejemplo, la cantidad de productos a fabricar), es
necesario recurrir a la programación entera. De forma similar, si el problema involucra
decisiones secuenciales a lo largo del tiempo, la programación dinámica es la técnica adecuada.
Además, cuando se deben resolver problemas de flujos o asignación en redes (como las rutas
más cortas o la optimización de transporte), se utiliza la programación de red.
En el ámbito de la programación matemática y la investigación de operaciones, existen
diversas metodologías que facilitan la toma de decisiones informadas y la optimización de
procesos. Estas técnicas se aplican en una variedad de campos, desde la logística hasta la
planificación financiera, permitiendo a las organizaciones resolver problemas complejos de
manera eficiente. A continuación, se presenta un resumen de algunas de las metodologías más
relevantes, junto con una breve descripción de cada una y ejemplos de su aplicación práctica.
Metodología Descripción Ejemplo de Aplicación
Método Simplex Técnica para resolver problemas de Optimización de la mezcla de
programación lineal. productos en una fábrica.
Programación Método que divide un problema en Planificación de rutas de entrega
Dinámica subproblemas más simples. minimizando costos.
Programación Entera Método que requiere que algunas o todas las Planeación de producción en
variables sean enteras. fábricas con cantidades
discretas.
Teoría de Colas Estudio de sistemas donde los clientes llegan Optimización del servicio al
y esperan. cliente en un centro de atención.
Programación Entera Método que requiere que algunas o todas las Planeación de producción en
variables sean enteras. fábricas con cantidades
discretas.
Método Gráfico Enfoque visual para resolver problemas de Optimización de recursos en un
programación lineal con dos variables, problema simple de dos
basado en graficar restricciones. variables.
Árbol de Decisiones Técnica gráfica para tomar decisiones Decisiones de inversión en
secuenciales bajo incertidumbre, evaluando proyectos con múltiples
alternativas y sus resultados esperados. incertidumbres.
La elección de la metodología adecuada es crucial para abordar los desafíos específicos de
cada situación. Las técnicas mencionadas no solo ofrecen soluciones efectivas, sino que también
brindan un marco para el análisis y la interpretación de resultados. Al comprender y aplicar estas
metodologías, los profesionales pueden optimizar recursos, mejorar procesos y tomar decisiones
más fundamentadas en un entorno dinámico y competitivo.
Conclusiones
La programación lineal se erige como una herramienta poderosa y fundamental para
optimizar recursos en diversos campos, desde la industria hasta la administración. Su
capacidad para ofrecer soluciones prácticas a problemas reales la convierte en un enfoque
clave en la toma de decisiones, facilitando la mejora de procesos y la maximización de
resultados.
El éxito de la programación lineal depende en gran medida de la correcta formulación del
problema, donde la identificación precisa de variables y restricciones es esencial. En este
contexto, los coeficientes que acompañan a las variables en las funciones objetivo y
restricciones juegan un papel crucial, ya que determinan el impacto de cada variable en la
solución final. Además, los términos independientes aportan información adicional sobre
los límites y capacidades del sistema, lo que resalta la importancia de un análisis
exhaustivo al abordar problemas complejos.
La representación gráfica y simbólica de los modelos, junto con la interpretación de los
resultados, proporciona una comprensión más profunda del problema. Este enfoque no
solo facilita la implementación de soluciones en herramientas computacionales, sino que
también ayuda a los tomadores de decisiones a visualizar las implicaciones de las
diferentes alternativas, guiando la toma de decisiones estratégicas en entornos
cambiantes.
Métodos de resolución como el método simplex son vitales en el proceso de
programación lineal, ya que permiten obtener soluciones óptimas de manera eficiente,
incluso para problemas complejos. Esta eficiencia es especialmente valiosa en contextos
donde el tiempo y los recursos son limitados, lo que demuestra la relevancia de la
programación lineal en la práctica.
Es crucial entender los conceptos de factibilidad y optimalidad dentro del contexto de la
programación lineal. Cualquier solución que se considere válida debe cumplir con todas
las restricciones del problema, lo que subraya la necesidad de un análisis riguroso para
asegurar que las decisiones tomadas sean no solo óptimas, sino también viables dentro de
los parámetros establecidos. Además, la correcta identificación de los coeficientes y
términos independientes permite ajustar los modelos a situaciones específicas,
aumentando la relevancia y aplicabilidad de las soluciones obtenidas.
Referencias Electrónicas
Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la Investigación de Operaciones.
Disponible en: [Link]
%C3%B3n%20a%20la%20Investigaci%C3%B3n%20de%20Operaciones%20%289na%20ed
%29%20-%20Hillier%20%[Link]
Taha, H. A. (2012). Investigación de Operaciones. Disponible en:
[Link]
[Link]
Calvo C. e Ivorra C. (2023). Introducción a la Programación Matemática para Titulaciones de
Economía y Empresa. Disponible en: [Link]