APLICACIÓN DE SOFTWARE EN LA INVESTIGACIÓN
DE OPERACIONES:
EXCEL Y PYTHON COMO HERRAMIENTAS DE APOYO
A LA TOMA DE DECISIONES
Índice
1. Introducción a la Investigación de Operaciones
2. Herramientas Informáticas en la IO
3. Excel en Investigación de Operaciones
3.1 Funcionalidades útiles de Excel en IO
3.2 Ejemplo: Programación lineal en Excel
3.3 Ejemplo: Modelo de transporte en Excel
4. Python en Investigación de Operaciones
4.1 Bibliotecas comunes de Python para IO
4.2 Ejemplo: Programación lineal con PuLP
4.3 Visualización y análisis de sensibilidad
5. Comparación entre Excel y Python
6. Aplicaciones reales
7. Conclusiones
8. Referencias
1. Introducción a la Investigación de Operaciones
La Investigación de Operaciones (IO) es una disciplina que se enfoca en la
aplicación de métodos analíticos avanzados para ayudar a tomar mejores
decisiones. Se desarrolló durante la Segunda Guerra Mundial, cuando los
militares comenzaron a utilizar métodos científicos para resolver problemas
estratégicos y tácticos. Desde entonces, su uso se ha expandido a múltiples
sectores como la industria, la salud, el transporte y las finanzas.
El objetivo fundamental de la IO es proporcionar una base racional para la toma
de decisiones, utilizando modelos matemáticos, estadística y algoritmos para
resolver problemas complejos que involucran múltiples variables y restricciones.
La IO combina conocimientos de matemáticas, estadística, economía,
informática y teoría de sistemas, y se enfoca en optimizar procesos, maximizar
beneficios o minimizar costos. Su impacto en el mundo empresarial y científico
ha sido profundo, especialmente al ofrecer soluciones cuantitativas para
problemas operativos complejos.
2. Herramientas Informáticas en la IO
El avance de la tecnología ha impulsado el uso de herramientas informáticas en
la Investigación de Operaciones. Originalmente, muchos modelos eran resueltos
manualmente o con el uso de calculadoras programables, pero con el tiempo
surgieron plataformas más sofisticadas que permiten la modelación y solución
eficiente de problemas complejos.
Entre las herramientas más comunes se encuentran los programas de hojas de
cálculo como Microsoft Excel, así como lenguajes de programación como
Python, que permiten un mayor control, automatización y escalabilidad en el
análisis.
El uso de software ofrece numerosas ventajas en la IO, tales como:
- Reducción del tiempo de cálculo.
- Mayor precisión en los resultados.
- Capacidad para modelar problemas más grandes y complejos.
- Automatización de procesos repetitivos.
- Visualización clara de los resultados mediante gráficos e interfaces amigables.
Estas herramientas no solo facilitan la solución de problemas, sino que también
ayudan a presentar los resultados de manera clara a los responsables de la
toma de decisiones.
3. Excel en Investigación de Operaciones
3.1 Funcionalidades útiles de Excel en IO
- Fórmulas y funciones (SUMA, SI, MAX, MIN, etc.).
- Tablas dinámicas y filtros para el análisis de datos.
- Gráficos para visualizar tendencias y comparaciones.
- Complemento Solver para resolver modelos de optimización.
- Uso de celdas vinculadas para construir modelos dinámicos.
3.2 Ejemplo: Programación lineal en Excel
Problema: una empresa produce dos productos A y B. Cada unidad de A
requiere 2 horas de trabajo y 3 unidades de material; cada unidad de B requiere
4 horas de trabajo y 2 unidades de material. La empresa dispone de 100 horas
de trabajo y 90 unidades de material. El beneficio por unidad es de $30 para A y
$40 para B. Se desea maximizar el beneficio.
Modelo matemático:
Max Z = 30A + 40B
Sujeto a:
2A + 4B ≤ 100 (horas)
3A + 2B ≤ 90 (material)
A, B ≥ 0
Pasos en Excel:
1. Ingresar los coeficientes en una tabla de celdas.
2. Usar fórmulas para calcular las restricciones y la función objetivo.
3. Abrir el complemento Solver (Datos > Solver).
4. Definir la celda objetivo (Z), seleccionar 'Maximizar'.
5. Agregar las restricciones del modelo.
6. Seleccionar método Simplex LP y hacer clic en 'Resolver'.
3.3 Ejemplo: Modelo de transporte en Excel
El modelo de transporte permite minimizar el costo de envío de productos desde
múltiples orígenes a múltiples destinos, cumpliendo con restricciones de oferta y
demanda.
En Excel, se representa mediante una matriz donde filas son orígenes y
columnas son destinos. Se usan fórmulas para calcular el costo total y
restricciones de capacidad y demanda. Solver se utiliza para minimizar el total
de costos respetando todas las restricciones.
4. Python en Investigación de Operaciones
4.1 Bibliotecas comunes de Python para IO
Python cuenta con una variedad de bibliotecas que facilitan el desarrollo de
modelos de IO. Algunas de las más utilizadas incluyen:
- NumPy y pandas: para manipulación de datos y cálculos matriciales.
- PuLP: para modelado de problemas de programación lineal y entera.
- SciPy: para métodos de optimización no lineal.
- OR-Tools (Google): para problemas de rutas, programación entera, transporte,
etc.
- Matplotlib y Seaborn: para visualización de resultados.
4.2 Ejemplo: Programación lineal con PuLP
El mismo problema planteado anteriormente se puede resolver con Python
usando la biblioteca PuLP.
Código en Python:
from pulp import *
modelo = LpProblem("Maximizar_Beneficio", LpMaximize)
A = LpVariable("A", lowBound=0)
B = LpVariable("B", lowBound=0)
modelo += 30*A + 40*B
modelo += 2*A + 4*B <= 100
modelo += 3*A + 2*B <= 90
[Link]()
print(f"A = {value(A)}")
print(f"B = {value(B)}")
print(f"Beneficio = {value([Link])}")
4.3 Visualización y análisis de sensibilidad
Python también permite representar gráficamente los resultados utilizando
bibliotecas como matplotlib. Además, se pueden realizar análisis de sensibilidad
variando parámetros del modelo y observando el efecto en la solución, lo que es
clave para apoyar decisiones robustas.
5. Comparación entre Excel y Python
Tanto Excel como Python son herramientas útiles para la Investigación de
Operaciones, pero sus aplicaciones y ventajas varían según la complejidad del
problema, la experiencia del usuario y el objetivo del análisis.
A continuación, se presenta una comparación general entre ambas
herramientas:
| Característica | Excel | Python
|
|--------------------------|-----------------------------------------|--------------------------------------
------|
| Facilidad de uso | Muy alta (interfaz gráfica) | Requiere
conocimientos de programación |
| Curva de aprendizaje | Baja | Media a alta
|
| Flexibilidad | Limitada a sus funciones y complementos | Muy alta
(totalmente programable) |
| Automatización | Moderada (macros) | Alta (scripts,
funciones, clases) |
| Visualización | Gráficos integrados | Gráficos
personalizables (matplotlib, etc.) |
| Escalabilidad | Limitada (depende del tamaño del archivo) | Muy alta
(procesamiento de grandes datos) |
| Comunidad y soporte | Amplia | Muy amplia y activa
|
En resumen, Excel es ideal para problemas pequeños, análisis rápidos y
usuarios no técnicos. Python es preferido para modelado avanzado, proyectos a
gran escala y desarrollos repetitivos o automatizados.
6. Aplicaciones reales
La Investigación de Operaciones se utiliza en numerosos campos de la vida real.
Tanto Excel como Python han demostrado ser herramientas eficaces para
abordar diferentes tipos de problemas en diversos sectores:
- **Logística y transporte**: optimización de rutas de distribución, modelos de
asignación y planificación de flotas.
- **Producción y manufactura**: planificación de la producción, control de
inventarios, programación de tareas.
- **Salud**: asignación de recursos hospitalarios, programación de personal,
gestión de citas médicas.
- **Finanzas**: optimización de portafolios, análisis de riesgo, gestión de
inversiones.
- **Sector público**: asignación de presupuestos, planificación urbana, análisis
de políticas públicas.
- **Retail y comercio**: predicción de demanda, ubicación de almacenes,
estrategias de precios.
Estas aplicaciones se pueden desarrollar fácilmente con Python para entornos
más complejos o repetitivos, y con Excel cuando se requiere rapidez,
visualización y facilidad de uso.
7. Conclusiones
El uso de herramientas informáticas como Excel y Python ha revolucionado el
campo de la Investigación de Operaciones, permitiendo resolver problemas
complejos de forma más rápida, precisa y escalable.
Excel destaca por su facilidad de uso y acceso generalizado, siendo adecuado
para usuarios sin experiencia en programación. Python, por otro lado, ofrece un
entorno poderoso y flexible, ideal para modelado avanzado, automatización y
análisis extensivo.
La elección entre uno u otro dependerá del problema, los recursos disponibles y
las capacidades del analista. No obstante, ambos representan pilares
fundamentales en la caja de herramientas moderna de quienes toman
decisiones basadas en modelos cuantitativos.
8. Referencias
- Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la Investigación de
Operaciones. McGraw-Hill.
- Taha, H. A. (2017). Investigación de Operaciones. Pearson Educación.
- Microsoft. (2024). Solver en Excel. Recuperado de
[Link]
- PuLP Documentation. (2024). [Link]
- Python Software Foundation. (2024). [Link]
- Google OR-Tools. (2024). [Link]