INTRODUCCIÓN A LA

MODELACIÓN MATEMÁTICA
Y OPTIMIZACIÓN

Carlos Julio Vidal Holguín

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA
 UNIVERSIDAD DEL VALLE
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA

INTRODUCCIÓN A LA MODELACIÓN MATEMÁTICA Y

OPTIMIZACIÓN

Programación Lineal, Programación No Lineal y Teoría de Redes:

Formulación y solución de modelos, teoría de dualidad, análisis de
sensibilidad, problema del transporte y problemas seleccionados de redes.

(Versión 1.5 Agosto de 2005)

Escrito y recopilado por Carlos Julio Vidal Holguín

Cali, Agosto de 2005

 1. LA INVESTIGACIÓN DE
OPERACIONES
1.1. ORÍGENES
Algunos autores afirman que las primeras semillas para el surgimiento de la IO se
remontan hacia mediados del siglo XVIII cuando en 1759 el economista Quesnay utilizó
algunos modelos simples de programación matemática y hacia el año 1874 cuando otro
economista, Walras, usó técnicas similares. Sin embargo, el acontecimiento histórico que
marcó el verdadero origen de la IO fue la segunda guerra mundial.

Generalmente, en tiempos de guerra los recursos se vuelven escasos y su utilización

debe hacerse en la forma más racional posible para obtener de ellos el máximo provecho. Fue
así como la milicia británica y posteriormente la de los Estados Unidos decidieron apoyarse en
un grupo de investigadores con el objeto de diseñar procedimientos científicos para ser
utilizados en las estrategias y técnicas militares. Estos grupos se dedicarían, por lo tanto, a
investigar las operaciones militares. Al parecer, de aquí surgió el nombre de esta disciplina
como sigue utilizándose actualmente. Es de destacar que los estudios realizados por estos
grupos de científicos, según se afirma, contribuyeron positivamente a grandes triunfos de los
países aliados en la segunda guerra mundial, tales como las batallas de Inglaterra y del
Atlántico Norte.

Por otra parte, como consecuencia de la primera Revolución Industrial acaecida en el

Siglo XIX, las organizaciones en general habían sufrido cambios sustanciales, pasando de
pequeños talleres artesanales a medianas y grandes empresas. Además, se pasó de empresas
con un solo administrador o dueño absoluto, quien tenía a su cargo las principales decisiones,
a empresas que por su naturaleza y tamaño tuvieron la necesidad de crear la división funcional
del trabajo y segmentar las responsabilidades administrativas, delegando en varias personas el
proceso de toma de decisiones.

Aunque lo anterior trajo grandes ventajas, empezaron a surgir problemas debidos a la

independencia de los departamentos y secciones de las empresas. Cada ente defendía sus
objetivos particulares, sin contribuir como un todo a las metas y objetivos generales de la
organización, lo cual inclusive se sigue observando en la actualidad. Es entonces cuando
aparecen los primeros problemas de decisión a alto nivel, los cuales eventualmente trataría de
abordar algunas técnicas de la investigación de operaciones.

Debido al éxito de los grupos de científicos que realizaron la investigación de

operaciones militares y como el ambiente de las organizaciones era el propicio, la industria
empezó a interesarse en ellos para que diseñaran procedimientos científicos para abordar los
problemas de decisión que las empresas estaban enfrentando. Fue así como al terminar la
guerra, los británicos comenzaron a utilizar esta metodología en sus industrias y se dieron
cuenta que sus problemas eran de naturaleza semejante a la de los problemas militares:
recursos limitados y dificultad para lograr su mejor asignación a las diversas actividades de la
empresa. En los Estados Unidos, el interés de la industria por las técnicas de la IO no fue tan
inmediato y surgió con el advenimiento de las Segunda Revolución Industrial, caracterizada
por la automatización y el advenimiento de los computadores electrónicos digitales.

El notable adelanto logrado en pocos años en las técnicas de la IO se debió al interés de

muchos científicos en perfeccionar lo que ya habían desarrollado para las tácticas militares y
al surgimiento de los computadores. Fue así como en 1947, el Dr. George Dantzig, con la
ayuda de muchos de sus antecesores, logró desarrollar el método simplex para la solución de
problemas de programación lineal, método que hasta la actualidad es utilizado mundialmente
para la solución de grandes problemas de aplicación de esta técnica.

Antes de finalizar la década de los 50s, otras técnicas de la IO fueron ampliamente

desarrolladas, tales como la programación dinámica, la teoría de colas y la teoría de
inventarios. En 1952 se funda en Estados Unidos la “Operations Research Society of
America”, ORSA, la cual hacia 1972 ya contaba con alrededor de 8000 miembros en todo el
mundo. Posteriormente, la ORSA se fusionó con el Instituto Americano para las Ciencias de
la Administración y se creó el “Institute for Operations Research and the Management
Sciences”, INFORMS (ver página web www.informs.org), el cual actualmente cuenta con
miles de miembros de todo el mundo y celebra reuniones trimestrales en los Estados Unidos y
reuniones anuales en diferentes partes del mundo, donde se exponen las últimas
investigaciones en el área. Existen también actualmente diversas organizaciones en todo el
mundo para la divulgación y el desarrollo de la investigación de operaciones, tales como
EURO en Europa y la recientemente creada SOCIO en Colombia (Sociedad Colombiana de
Investigación de Operaciones). Todas estas organizaciones tienen importantes publicaciones
periódicas que circulan a nivel mundial. INFORMS, por ejemplo, publica las revistas
“Operations Research” y “Management Science”, entre otras, de gran renombre en el área de
investigación de operaciones.

En las universidades, por otra parte, existen programas de estudios de pregrado y

postgrado (a nivel de maestría y doctorado) íntimamente relacionados con el área de la
investigación de operaciones. Existen, por ejemplo, escuelas de ingeniería industrial con áreas
especializadas en optimización y en producción y distribución que hacen extensiva
investigación y aplicación de las técnicas de la investigación de operaciones.

Algunas de las técnicas de la IO se han ido especializando de tal forma, que

actualmente representan un cuerpo independiente y con desarrollos propios, como por
ejemplo, la estadística, la optimización y la simulación. En otros casos, algunas áreas del
conocimiento utilizan ampliamente la IO, como es el caso de la Logística, la cual aplican por
ejemplo diversas técnicas de optimización. Además, existen diversos proveedores de software
dedicados exclusivamente al desarrollo de programas especializados de técnicas de IO, como
es el caso de la simulación y la optimización, quienes promueven sus productos con
seminarios y cursos alrededor del mundo.

Aunque muchas veces se ha dado la discusión sobre la utilidad real de la IO y su

posible decadencia, todo parece indicar que sus diversas técnicas han tomado en la actualidad
completa independencia y autonomía, y las innumerables aplicaciones que existen siguen en
desarrollo y crecimiento. Un ejemplo típico de esto es la aplicación de la IO para el diseño y
optimización de las cadenas de abastecimiento.

1.2. NATURALEZA DE LA INVESTIGACIÓN DE

OPERACIONES
De acuerdo con Hillier y Lieberman (1997), se ha tratado de enmarcar a la IO y
definirla. Sin embargo, su propio origen hace que esto sea una tarea muy difícil o imposible.
En lugar de definirla, entonces, es preferible dar una idea de su naturaleza y sus características
para comprender mejor su esencia.

La IO aplica el método científico para el estudio de los diversos problemas,

observando y definiendo claramente el problema en cuestión. Posteriormente se diseña un
modelo (generalmente matemático) que permite representar y abstraer la realidad del sistema
bajo estudio. Seguidamente, se obtienen las soluciones del modelo y se trata de validar el
modelo, principalmente con el análisis de las respuestas del modelo y la experimentación. De
acuerdo con los resultados de la validación, es posible retornar al rediseño del modelo y su
refinamiento, convirtiéndose así en un proceso iterativo que puede cambiar de acuerdo con la
dinámica del sistema estudiado. Como puede observarse, esta metodología corresponde a la
utilización del enfoque de sistemas como herramienta de estudio de los problemas, donde se
identifican y analizan los componentes, interrelaciones y factores significativos del sistema
bajo análisis.

Las conclusiones obtenidas con la aplicación del modelo deben enmarcarse en la

realidad del problema analizado y deben ser fáciles de interpretar y de implementar para el
ente decisorio. Por lo tanto, la IO debe producir soluciones de problemas reales que puedan
ser aplicadas de una manera eficiente y racional por las personas responsables de los procesos
decisorios de la organización.

Como puede observarse, el punto de vista de la IO es muy amplio, pues apunta hacia
cualquier tipo de organización, tratando de resolver los conflictos entre los componentes de la
misma, para obtener el máximo provecho de los recursos disponibles y lograr los objetivos
globales de la empresa. Ese “máximo aprovechamiento de los recursos” se ve reflejado en la
mayoría de los casos que estudia la investigación operacional en la búsqueda de soluciones
óptimas de los problemas.

La investigación de operaciones se ocupa y hace uso de diversos y muy variados

campos del conocimiento humano. Por lo tanto, la IO presenta la característica de ser aplicada
por grupos interdisciplinarios, tales como personas expertas en los campos de las
matemáticas, la estadística y la probabilidad, economía, administración, ingeniería industrial y
de sistemas, ciencias de la computación, sicología, ingeniería en general, e incluso en las áreas
de la salud, tales como la medicina y epidemiología.

Por otra parte, el grupo que realiza un estudio específico en alguna organización debe
contener personas expertas en las áreas antes mencionadas y además poseer un conocimiento
global y profundo de la organización misma, de tal forma que la definición del problema, el
diseño del modelo y la utilización de sus soluciones estén enmarcados dentro del contexto del
sistema real y específico bajo estudio. De esto último puede deducirse que los resultados que
brinda la IO se obtienen en general de mediano a largo plazo, pues el conocimiento inicial del
sistema bajo estudio por parte del grupo puede consumir un tiempo considerable.

En resumen, y tal como lo expresan Hillier y Lieberman (1997), la investigación de

operaciones se ocupa de la modelación y la toma de decisiones óptimas en sistemas
determinísticos y probabilísticos de la vida real. Aquí nos ocuparemos de modelos
determinísticos de optimización y sus aplicaciones a sistemas reales.

1.3. IMPACTO DE LA INVESTIGACIÓN DE

OPERACIONES
Debido a su amplio punto de vista, la IO se ha aplicado y se continúa aplicando a los
más diversos campos del conocimiento humano. Es así como las diversas técnicas de la IO se
han utilizado con éxito en campos de los negocios, entes gubernamentales y militares, la banca
y otros sectores de servicios y la industria en general, en aspectos como la producción, los
mercados, las inversiones y las finanzas, la salud, las ciencias sociales, la biología, etc. Unos
pocos ejemplos de estas aplicaciones son los siguientes:

• Control y predicción del crecimiento económico,

• Planeación de la expansión de plantas manufactureras,
• Planeación urbana,
• Optimización de servicios de transporte y de transporte de basuras,
• Diseño de redes de tubería,
• Optimización y diseño de cadenas de abastecimiento regionales e internacionales,
• Estrategias de sustitución de importaciones,
• Planeación agregada de la producción,
• Planeación y estrategias en empresas de transporte aéreo,
• Problemas de inventarios en general, incluyendo materias primas y productos
terminados,
• Mantenimiento y reemplazo de equipos,
• Evaluación de estrategias de publicidad,
• Tratamiento óptimo de tumores cancerosos,
• Estudio de la propagación de epidemias (como el SIDA),
• Distribución del esfuerzo de ventas,
• Entrenamiento de personal,
• Diversas aplicaciones en refinerías petroleras,
• Predicción financiera,
• Optimización de satélites,
• Distribución de fuerzas navales y aéreas,
• Evaluación de inversiones en bonos y acciones,
• Planeación y control de proyectos,
 • Estudios de diversos sistemas de servicio (teoría de colas y simulación),
• Programas de vacunación de perros callejeros,
• Predicción de trabajo policiaco,
• Estudios de factores de criminalidad y
• Otras diversas aplicaciones en muchos campos.

Como puede observarse, las posibilidades de aplicación son inmensas y cada día más
especializadas. Las aplicaciones reales de la IO están creciendo cada día, especialmente en
nuestro medio cuando apenas empieza a reconocerse su importancia y utilidad para el diseño y
optimización de sistemas complejos.

Entre las técnicas de la IO que más se han utilizado se resaltan el análisis estadístico
cuyo origen tuvo lugar con el desarrollo de la IO, para posteriormente volverse una técnica
independiente con sus propios desarrollos. Igualmente, la programación lineal y la simulación
han tenido y tienen actualmente un gran desarrollo en diversos campos, como por ejemplo los
sistemas integrados de producción y distribución, los sistemas de manejo de materiales,
algunas aplicaciones en agricultura, los problemas de planeación de las líneas aéreas y muchos
otros más.

Entre otras técnicas de la IO se destacan:

• Los modelos de redes,

• La programación dinámica,
• Los modelos de inventarios,
• La teoría de pronósticos,
• La teoría de análisis de decisión y juegos,
• Los sistemas de colas,
• Los procesos markovianos de decisión y
• La optimización no-lineal.

Prácticamente cada una de estas técnicas podría dar lugar a cursos completos o
seminarios especializados, con amplia exposición de aplicaciones reales. Esta publicación se
centra en lo que podría denominarse un curso de Introducción a la Optimización o
Investigación de Operaciones I, concentrándose principalmente en los modelos de
programación lineal y brindando una introducción a la teoría de redes y a la programación no-
lineal.
 2. EL PROCESO DE DISEÑO EN
INGENIERÍA
Como ya se ha visto, la IO aplica el método científico para analizar, modelar y
optimizar sistemas complejos reales. Desde el punto de vista de la ingeniería industrial y de
sistemas, esta metodología podría definirse como el “proceso de diseño en ingeniería.” Este
proceso consiste en una serie de pasos bien definidos para encontrar la solución de problemas
reales. La Figura 2.1 muestra una síntesis de este proceso.

Figura 2.1. El proceso de diseño en ingeniería

Inicialmente debe identificarse claramente el problema que se va a resolver. Este paso

es fundamental para el éxito de todo el proceso, ya que si el problema no está bien formulado,
cualquier análisis podría llegar a conclusiones sin sentido. Una vez definido el problema, se
pasa a su análisis y se recolectan datos preliminares que permitan enmarcarlo de una forma
más precisa.

Posteriormente, se generan posibles alternativas de solución del problema. El paso

siguiente consiste en la evaluación de las alternativas con el objeto de determinar la mejor o
mejores. Es en este paso cuando la formulación de un modelo como herramienta de decisión
puede ser muy importante. Obviamente, puede llegarse a una selección de una buena
alternativa sin necesidad de formular ningún modelo, pero generalmente éste da una visión
mucho más amplia del sistema bajo estudio y, en otras ocasiones, se hace imprescindible su
utilización.

El modelo formulado entra en un proceso de validación para determinar su grado de

aproximación con la realidad, a través de la comparación con resultados históricos y con
indicadores extraídos del sistema real bajo análisis. Una vez superado este paso, el modelo
puede utilizarse para evaluar las alternativas de solución y determinar la mejor.

Los dos pasos siguientes son comunes al proceso bien sea que exista o no un modelo
de decisión. Se trata de especificar claramente la solución con el objeto de que sea
implementada de una forma correcta y de que permita su continua evaluación y control. Estos
pasos pueden identificar desviaciones de la realidad o cambios con respecto de la concepción
original del problema, de tal forma que se puede hacer necesario un proceso continuo de
análisis y refinamiento del modelo, incluso existiendo la posibilidad de reformular el problema
e iniciar el proceso de nuevo.

2.1. MODELOS
Uno de los pasos fundamentales del proceso descrito anteriormente puede ser la
formulación y validación de un modelo de decisión. En general, puede decirse que un modelo
es la abstracción de la realidad, el cual debe poseer dos características básicas:

• Ser más fácil de manipular y

• Proveer una mejor visión del sistema bajo estudio.

En todas las disciplinas, de una u otra forma, se utilizan modelos. A continuación se da una
clasificación típica de modelos.

2.1.1. Clasificación de Modelos

De acuerdo con su naturaleza los modelos pueden clasificarse en:

• Físicos, los cuales normalmente lucen semejantes a la realidad física, pero a menor
escala, como por ejemplo un avión en miniatura siendo probado en un túnel de
viento.

• Análogos o analógicos, los cuales no asemejan físicamente el sistema bajo estudio,

sino que exhiben conexiones entre los parámetros de entrada y las variables de
salida proporcionales a los correspondientes parámetros y variables existentes en el
sistema real. Un ejemplo clásico de un modelo análogo se utiliza en la localización
óptima de una nueva planta o centro de distribución en el plano, donde se trata de
minimizar la suma ponderada de las distancias de la nueva instalación hacia todas
las instalaciones existentes (plantas o centros de distribución). Para ello se
construye una estructura en la que se tiene una mesa horizontal con agujeros
 dispuestos de la misma forma que las instalaciones existentes, normalmente a
escala. Una cuerda para cada una de las instalaciones existentes se ata a un nudo
común y todas se hacen pasar por sus agujeros respectivos, a través de poleas que
se puedan considerar sin fricción. En el extremo libre de cada cuerda se cuelga un
peso proporcional al volumen que manejará la correspondiente instalación
multiplicado por su costo unitario de transporte. El sistema se deja en libertad hasta
que el nudo quede en reposo; el punto de equilibrio del nudo corresponde a la
localización óptima del nuevo centro de distribución y la longitud de las cuerdas
entre el nudo y las poleas representará la distancia entre las instalaciones existentes
y la nueva instalación. Como puede verse, se trata aquí de resolver un problema de
localización mediante el uso de un modelo analógico mecánico.

• Matemáticos, los cuales incorporan las propiedades y el comportamiento básico del

sistema bajo estudio mediante relaciones matemáticas reflejadas en parámetros,
variables de decisión, funciones objetivo, etc. El ejemplo típico son los modelos de
programación lineal que se exponen a partir del capítulo siguiente.

Otro tipo de clasificación define los modelos como descriptivos, o sea aquéllos que
sólo describen el sistema bajo estudio, o normativos u optimizables, los cuales se formulan
para mejorar u optimizar el sistema bajo estudio. De manera semejante, los modelos se pueden
clasificar en determinísticos o estocásticos (probabilísticos), de acuerdo con su capacidad de
involucrar o no variables aleatorias en el análisis.

A partir de estas últimas clasificaciones, se pueden dar todas las combinaciones

posibles de modelos, a saber:

• Modelos determinísticos – descriptivos (como por ejemplo las ecuaciones que

reflejan la Ley de Ohm);
• Modelos determinísticos – optimizables (como por ejemplo los modelos de
programación lineal);
• Modelos estocásticos – descriptivos (como por ejemplo los modelos de colas y
simulación);
• Modelos estocásticos – optimizables (como por ejemplo algunos modelos de
programación no-lineal e inventarios).

Existen otras clasificaciones más detalladas, pero con las dadas aquí es suficiente para
ilustrar los tipos de modelos objeto de esta publicación. En general, los modelos matemáticos
tratados en esta publicación, es decir los de programación lineal, modelos de redes y
programación no-lineal, pueden ser clasificados como modelos matemáticos determinístico-
optimizables.
 2.1.2. Ventajas y Desventajas del Uso de Modelos

Existen múltiples ventajas en el uso de modelos como herramientas poderosas para la

toma de decisiones. Las principales son:

• Consideración de aspectos fundamentales del sistema que serían muy difíciles o

imposibles de analizar sin la ayuda de los modelos;
• Definición precisa de los objetivos, estructura y restricciones del sistema;
• Definición de parámetros, costos e indicadores de eficiencia que recogen los
aspectos más relevantes para el análisis del sistema bajo estudio;
• Evaluación sistemática de alternativas;
• Rápida respuesta de análisis de sensibilidad, los cuales de otra forma serían
demasiado dificultosos o imposibles.

Por el contrario, existen también algunas desventajas que deben ser evaluadas antes de
emprender la tarea de formulación de un modelo para la solución de un problema. Ellas son:

• Requerimiento y recolección de conjuntos de datos muy extensos y, en general, con

altas exigencias en su grado de precisión;
• Requerimiento de conocimientos altamente especializados para su formulación,
solución y análisis de resultados;
• Necesidad de disponer de sistemas de computación y programas complejos y
costosos;
• Requerimiento de tiempos de solución muy largos, los cuales pueden en algunos
casos puede resultar prohibitivos.

A pesar de estas desventajas potenciales, cuando se emprende la tarea de modelar una

situación real y se identifican los aspectos básicos a ser involucrados en el modelo con la
información requerida necesaria, las ventajas potenciales superan ampliamente cualquier
dificultad que se encuentre.

2.1.3. Algunas Conclusiones con Respecto del Uso de Modelos

Uno de los aspectos básicos de la modelación matemática es el de considerar el

suficiente grado de abstracción de la realidad, de tal forma que el modelo tenga el suficiente
realismo, contra la posibilidad de que sea resuelto en un tiempo de computación aceptable. El
arte de modelar consiste precisamente en identificar las características fundamentales del
sistema a ser involucradas en el modelo y en diseñar modelos que permitan ser resueltos en
forma eficiente. Desde este punto de vista es tan importante y fundamental formular un
modelo, como encontrar sus soluciones en un tiempo computacional aceptable, para después
analizarlas e implementar las que se consideren mejores.

La formulación de modelos debe ser un proceso progresivo, donde inicialmente se

formule un modelo de poca elaboración y luego se refine gradualmente hasta obtener el
equilibrio mencionado anteriormente. Generalmente, es un error tratar de formular en el inicio
del proceso el modelo más complejo y elaborado.

Los modelos deben siempre considerarse como un soporte o ayuda para la toma de
decisiones y nunca como el reemplazo de las personas que toman las decisiones. Si se formula
un modelo pensando que sus resultados van a resolver todos los problemas de decisión y van a
ser implementados “a ojos cerrados,” se cae en un grave error que puede traer consecuencias
impredecibles. Existen en la realidad muchos factores que no pueden ser involucrados en
modelos matemáticos y que sólo los grupos de personas que toman las decisiones pueden
evaluar. Por lo tanto, desde este punto de vista, los modelos son una poderosa herramienta
para este proceso, pero no el fin mismo de la decisión.