Tema 3.

Herramientas de la investigación de operaciones

Introducción

El mundo globalizado y el uso de nuevas tecnologías han empujado a las empresas a

optimizar sus recursos para poder ser más competitivos. Con el desarrollo de las cadenas
productivas y la manufactura se han implementado mayores retos. Por ello, el analista de
operaciones se ha visto en la necesidad de conocer más y mejores herramientas que le
ayuden a realizar propuestas de mejora en las distintas áreas funcionales en la
organización.

Son estas herramientas de optimización, que parten de modelos matemáticos

desarrollados en los distintos periodos de la historia, las que han caracterizado y dado
forma a la investigación de operaciones.

Hemos definido a la investigación de operaciones como una caja de herramientas

matemáticas del ingeniero industrial; este conjunto de herramientas se divide en
modelos, ya sean probabilísticos o determinísticos.

Pero ¿qué es un modelo probabilístico?, ¿en qué se diferencia de un modelo

determinístico?, ¿qué herramientas de mejora incluye cada uno?, ¿cuáles son los métodos
para resolverlos? Estas interrogantes serán respondidas en el presente tema, donde la
programación lineal es una herramienta en la cual se pondrá mayor atención, no solo en
este tema sino en los posteriores.

Explicación

3.1 Herramientas probabilísticas y determinísticas

Los modelos no probabilísticos son los más utilizados en los cursos introductorios de
investigación de operaciones, así como la teoría de decisiones; entre ellos destacan las
siguientes herramientas:

Programación lineal

• Maximizar utilidades
• Minimizar costos

Modelo de redes

• Pert
• CPM

Teoría de colas

• Para 1 servidor
• Para 2 o más servidores
Teoría de decisiones

• Matrices pros y contras, Proceso de Jerarquización Analítica, Pugh, Plus Minus

Interesting
• Árbol de decisión (teoría de juegos)

Otros

• Cálculo diferencial e integral (procesos continuos)

• Procesos de Markov
• Estadística paramétrica de escala débil o fuerte

Los modelos probabilísticos son apropiadamente desarrollados y representados en la

simulación. Esto se debe a que en la simulación se establecen los datos de entrada y de
servicio u operación del proceso a modelar (tasa de llegadas de clientes, tasa de servicio,
tiempos de ciclo, llegadas de piezas a las estaciones de trabajo, arribo de mercancía, etc.)
en términos de distribuciones muestrales (normal, exponencial, weibull, beta, gamma,
entre otras). Para poder generar tales eventos es necesario producir un número
indeterminado de números aleatorios que se “ajustan” a dichas distribuciones o patrones
del sistema que se analiza.

Por ello en modelos probabilísticos como la simulación, cada vez que se ejecuta el modelo
con los mismos datos, el resultado varía, aunque ligeramente. Esto es similar a lo que
ocurre en la vida real, no ocurre igual con los modelos determinísticos.

Una ventaja de la simulación (y de la investigación de operaciones en general) es que es

una buena herramienta para conocer el impacto de los cambios en los procesos, sin
necesidad de llevarlos a cabo en la realidad.

Este curso se basa en los primeros dos sets de herramientas de investigación de

operaciones, comenzando con programación lineal, la cual se explica a continuación. El
resto de las herramientas se explicarán en cursos de investigación de operaciones
posteriores.

3.2 ¿Qué es la programación lineal?

La programación lineal es la principal herramienta de la investigación de operaciones, es

a través de la cual se pueden resolver situaciones reales en las que se pretende identificar
y resolver dificultades para aumentar la productividad respecto a los recursos
(principalmente los limitados y costosos), aumentando así los beneficios. Su objetivo es
optimizar, es decir, maximizar o minimizar funciones lineales en varias variables reales
con restricciones lineales (sistemas de inecuaciones lineales), optimizando una función
objetivo también lineal.

Cada uno de estos elementos en la programación lineal, como su nombre lo indica, se

apoyan en ecuaciones de primer grado; los problemas que se pueden resolver con dichas
ecuaciones pueden ser representados en su forma más elemental, como se muestra en el
siguiente ejemplo.
Ejemplo:
La empresa de exportación Maíz Real, ubicada en la Ciudad de Oaxaca, desea exportar
maíz de primera calidad a Japón. Al realizar una misión comercial al país nipón, Ernesto
Fuentes (gerente de ventas) desea entrar a toda costa al mercado japonés, por lo cual les
ofrece a los compradores venderles el kilogramo de maíz un 25% más barato que su
competencia, con la condición de que la compra mínima sea de 35 toneladas mensuales.

Los compradores aceptan, sin embargo, le hacen entender que los aranceles japoneses
son de 50 centavos de dólar por kilogramo de maíz importado, por lo tanto, Ernesto debe
tener en cuenta que debe absorber el arancel. Si el precio de la competencia es de $3.75
por kilo, ¿en cuánto le sugerirías a Ernesto fijar el precio del kilogramo de maíz?

Donde:

X = el precio de venta a fijar.

Al realizar el despeje, se obtendría de la siguiente manera:

4.33

Como se puede ver en el resultado anterior, el precio final de venta con descuento más
aranceles sigue siendo mayor al de la competencia ($3.75); así que, ¿cuál es el precio
mínimo que Ernesto debe manejar para igualar el precio de sus competidores
considerando los aranceles?

Todos los elementos que conforman los modelos de programación lineal deben ser
ecuaciones de primer grado, satisfaciendo el principio de linealidad. Taha (2011) establece
que estos modelos deben cumplir con dos propiedades:

a. Proporcionalidad: cada variable del modelo matemático debe estar

expresada en los mismos términos o valores, es decir, como en el ejemplo
anterior (Maíz Real), las expresiones matemáticas se manejan en términos de
kilogramos, por lo tanto, si se modelan matemáticamente cantidades en horas
 de trabajo, toneladas, piezas, etc., estos deben ser los mismos valores que se
expresen en ambos lados de la ecuación.

b. Aditividad: el modelo matemático considera las variables objetivo del modelo

como mutuamente incluyentes, es decir, que matemáticamente hablando el
modelo establece que las variables a considerar no compiten por ganar
mercado, sino que el resultado de la programación lineal no considera un
modelo de libre competencia y libre mercado.

Si bien la programación lineal busca maximizar utilidades o minimizar costos en el mundo

globalizado actual, la perspectiva de la programación lineal no empata con las
necesidades reales del mercado.

Obviamente las necesidades de una empresa no se ajustarán estrictamente a un número

determinado de unidades a vender a sus clientes, debido a que en el mundo actual la
perspectiva es diferente; las ventas llenan a las empresas no solo de liquidez, sino que
también les ayudan a ganar mercado, orientando sus operaciones a satisfacer las
necesidades del cliente, la lealtad, el servicio postventa y la innovación. Al final
determinan el valor de mercado y la demanda.

Por ello, habrá que revisar siempre si el resultado final del modelo de programación lineal
empata realmente con la demanda de productos de los clientes; siendo así, estaríamos
hablando de un modelo matemático funcional.

Además, como se comentó en la introducción del tema, el modelo de programación lineal

sigue haciendo ruido en algunas organizaciones, incluyendo su aplicación en los modelos
de transporte y asignación.

3.3 Aplicaciones de la programación lineal

La programación lineal parte del objetivo de lo que se desea hacer, ya sea maximizar
utilidades o minimizar costos.

Del objetivo que se plantea surgen las herramientas específicas. También puede decirse
que los modelos de transporte, asignación y transbordo pertenecen a la opción
“minimizar costos” de la programación lineal (Taha, 2017).

Modelos de maximización

• Este modelo tiene como objetivo maximizar una ganancia, la cual puede ser el
ingreso generado por ventas, la utilidad obtenida por un producto, el
rendimiento de uso de una maquinaria, etc. Como todo modelo de PL, esta
maximización está limitada por restricciones, las cuales pueden ser generadas
por insumos o recursos de la empresa.
Modelos de minimizar

• Los modelos de este tipo están enfocados a minimizar los costos generados
por el uso de materia prima, maquinaria, mano de obra, etc., es decir, un
recurso de la organización que obviamente genera un costo por su tiempo y/o
cantidad ocupada. Para que se logre encontrar la solución óptima que cumpla
con el menor costo deberá cumplir con las restricciones planteadas en el
modelo matemático establecido.

Método de transporte

• En método de transporte se busca reducir los costos de envío entre dos o más
empresas de origen y dos o tres destinos, las cuales pueden ser sucursales,
matrices o intermediarios.

Método de asignación

• Este método permite asignar la locación al menor costo posible; también

permite asignar varios candidatos a las distintas áreas vacantes, optimizando
la mejor combinación área- persona.

Método de transbordo

• Es una variante del método de transporte ya que este además de incluir nodos
fuente y destino, permite incluir la posibilidad de utilizar nodos transitorios.
• Cada uno de estos modelos posee consideraciones específicas en su desarrollo,
las cuales se explicarán a lo largo del curso.
• Cierre
• La programación lineal es la herramienta que toma la atención principal en esta
primera edición de las materias de Investigación de Operaciones. Es un
acercamiento a cómo los modelos matemáticos pueden ayudar a optimizar
procesos, sin embargo, es importante comprender que también existen diferentes
herramientas como la simulación, la teoría de colas o los modelos de redes, que
son de vital importancia en la mejora continua y que tienen una función de utilidad
muy particular.
• Poder diferenciar el uso y aplicación de las diversas herramientas revisadas en el
presente tema es un deber del ingeniero industrial en el ejercicio de su profesión.
Sin embrago, como mencionamos anteriormente, el elemento total de este curso
es la programación lineal y sus diferentes usos; el planteamiento de las demás
herramientas se abordará en cursos posteriores de investigación de operaciones.
• El siguiente tema tratará del uso de software como estrategia para resolver
modelos matemáticos complejos en investigación de operaciones.
Tema 4. ¿Cómo resolver modelos matemáticos en investigación de
operaciones?
Introducción

Una vez que realizamos el planteamiento del problema, seleccionado el modelo

matemático idóneo (con base en el problema), habiendo incluido todas las variables de
entrada y desarrollado las ecuaciones o expresiones matemáticas correspondientes, nos
preguntamos cómo solucionar un modelo matemático de investigación de
operaciones

Podemos recurrir a las herramientas de antaño: las fórmulas de teoría de colas para uno
o más servidores, la simulación a pie y en cuaderno con el apoyo de un libro de estadística
y su tabla de números aleatorios o repasando la forma de reducción gaussiana para
ecuaciones lineales, cálculo diferencial y procesos markovianos.

Si bien podemos invertir tiempo en ello, primero responderemos a una pregunta: ¿quién
podría calcular manualmente la raíz cuadrada de 2.15?

Quizá puedes revisar en Internet o en alguna enciclopedia antigua que explique el

método, pero lo que sí es seguro es que tardarías varias horas antes de encontrar el
método manual, entenderlo y resolver el problema a pie; mucho más de lo que tardarías
en utilizar tu celular o la calculadora de una computadora, sin contar las enormes
posibilidades de cometer un error en el proceso de cálculo manual.

Por ello, las variables tiempo y precisión en la solución de un modelo matemático

complejo son determinantes en la solución de un problema real.

El plus del analista de operaciones y del ingeniero industrial es saber elegir la

herramienta correcta para el problema planteado, coordinar el levantamiento de los
datos y desarrollar el modelo matemático; el software se encargará de la solución pronta
y expedita del modelo matemático complejo.

Explicación

4.1 Métodos de solución de problemas de investigación de operaciones

Existen dos maneras de solucionar los modelos matemáticos en general en la

investigación de operaciones:

• Modo manual
• Computarizado

Los elementos que se deben considerar para la elección del método de solución se basan
en los siguientes parámetros:
Costo-presupuesto

• Se tiene que evaluar el costo que se incurrirá en la solución del modelo

seleccionado; en algunas ocasiones el software especializado puede tener un
costo alto (para el caso de simulación) o puede ser necesario invertir en
capacitación para la operación del mismo.

Tiempo

• Otro elemento importante es el tiempo que se tiene para resolver el modelo;

por ejemplo, el modo manual consume mucho tiempo y no reditúa ni al
analista de operaciones ni al cliente a quien se le proporciona el servicio

Precisión

• Si es un proyecto que posee un modelo de simulación, teoría de colas o

programación lineal, la precisión del resultado es importante y, básicamente,
resolver el desarrollo matemático aumenta la oportunidad del error en cada
paso o iteración; por ello, este punto vuelve al modo manual poco factible.

Presentación ejecutiva

• Al presentar la información al cliente es importante ofrecer los resultados

conforme a los puntos anteriores, es decir, llevar a cabo la solución
matemática cumpliendo con el tiempo, la precisión y el presupuesto.

Selección de software

• Por último, es importante llevar a cabo la selección del software con base en
las necesidades y requerimientos del proyecto.
• La presentación adquiere trascendencia cuando el cliente contempla que la
solución de su modelo fue llevada a cabo con un software especializado. Esto
aumenta la confiabilidad del cliente hacia los resultados y la calidad del trabajo del
analista.

4.2 Uso de software

• En los primeros años de la investigación de operaciones el analista no contaba con
el uso de la tecnología en la resolución de modelos. En la actualidad existe una
variedad de software conocidos y no tan conocidos, acorde a la herramienta de
investigación de operaciones utilizada, por ejemplo:
En el caso de la programación lineal tanto WinQSB como Excel, Lindo y Lingo, tienen
aproximadamente la misma antigüedad. En particular, WinQSB cubre la mayoría de las
herramientas de investigación de operaciones en la misma aplicación. Aunque Lindo y
Lingo son softwares más pesados en tamaño, no existe gran diferencia entre estos tres
softwares, salvo que los dos últimos solo vienen en versiones de prueba, es decir, las
versiones gratuitas que duran entre 30 y 90 días.

En el caso de Microsoft Excel, por ser un software más versátil y de amplio uso, miles de
compañías a nivel mundial y de cualquier sector lo utilizan, pues es de gran beneficio en
cuanto a análisis de datos para la solución de problemas y toma de decisiones. Además,
Excel cuenta con complementos como Solver, el cual nos ayuda a resolver de manera
sencilla cualquier modelo matemático de programación lineal o no lineal.

En cuanto a los modelos de redes WinQSB apoya tanto a Pert como a CPM; MS Project es
bueno para realizar únicamente gráficos de Gantt y es amistoso con los dispositivos de
impresión tipo Plotter, lo cual permite imprimir los gráficos de Gantt en tamaño grande,
con la finalidad de pegarlos en la pared de la oficina. Nuevamente, Excel puede ser una
opción más accesible, pues en este mismo encontrarás plantillas ya definidas para un
diagrama de Gantt, y plantillas a complementar para realizar un modelo de CPM.

También existen herramientas en línea, como phpsolver, que ayudan a la solución de

modelos de maximización y minimización y demuestran su desarrollo por método gráfico
o simplex, según sea el caso.

En teoría de decisiones Excel es sencillamente la mejor opción, ya que este tema trata
sobre matrices de datos.

Para estadística se puede utilizar Minitab en los casos que requieran herramientas
gráficas, tales como:
 Y herramientas estadísticas, como:en Exce

Datos por atributos

Prueba de hipótesis:

• Prueba “p” para proporciones (para 1 muestra)

• Prueba “p” para proporciones (para 2 muestras)

Herramientas de análisis:

• Chi cuadrado
• Análisis de discriminante

Datos variables

Prueba de hipótesis:

• Prueba “t” para medias (para 1 muestra):

• Prueba “t” para medias (2 muestras):
• Prueba “F” para varianza.

Herramientas de análisis:

Análisis de medias

• ANOVA para medias

• ANOVA para varianzas

Correlación:

• Lineal simple
• Lineal múltiple

Además de los diagramas de Pareto e Ishikawa, gráficos de control, entre otros.

 • STATISTICA es un software que hace casi las mismas funciones que Minitab (al
igual que NCSS), sin embargo, STATISTICA es una excelente opción en cuanto a
análisis multivariable se refiere, específicamente para “análisis factorial”.
• NCSS es bueno para estimar la confiabilidad en instrumentos conformados
por variables cuantitativas, tamaños de muestra y potencia de la prueba.
• En SPSS es necesario declarar las variables de estudio aparte del manejo de
datos, ya que maneja diferentes pestañas.

Para cálculo diferencial e integral se puede utilizar el programa Derive, el cual es mucho
más sencillo que MathLab, que requiere un mayor conocimiento de programación.

En simulación se ha publicado recientemente una investigación que muestra que

Promodel es el software de más uso en empresas de Estados Unidos, muy por encima de
Witness, SIMIO, Arena y otros. Para la teoría de colas se puede utilizar WinQSB.

Como se puede apreciar, el software WinQSB posee una amplia gama de herramientas
para la solución de problemas de investigación de operaciones.

4.3 Introducción a Excel Solver

Con el propósito de facilitar la aplicación de modelos matemáticos y asegurar la

confiabilidad en los resultados de los mismos, el uso de software de aplicación se vuelve
necesario. Como ya dijimos, las nuevas tecnologías, su influencia en los mercados
globalizados y la competencia son eslabones muy grandes en nuestra economía; una
forma de sacar provecho de ello es ir a la par con esta dinámica económica y
organizacional, donde el común denominador de la competencia es el servicio al cliente.

Por lo tanto, en esta primera parte del tema presentaremos al software que nos ayudará
a resolver modelos matemáticos complemento Solver en Microsoft Excel.

Microsoft Excel es un software que ha ido evolucionando para adaptarse a las

necesidades del mercado, y ha avanzado tanto que hoy en día es una herramienta básica
en prácticamente cualquier empresa y cualquier área dentro de la misma, incluso en el
uso personal. Dentro del potencial de Excel se encuentra el complemento Solver, el cual
está diseñado para resolver modelos matemáticos de optimización de programación
lineal.

El impacto de tal aportación ha contribuido notablemente en la mejora sistemática en

organizaciones, haciendo eco en áreas importantes de la empresa tales como:
 l

Cierre

Los diferentes métodos de solución de problemas de investigación de operaciones están

orientados a facilitar el cálculo matemático; como hemos dicho, poseer una visión
holística de los procesos y sistemas en una organización es importante. Asimismo, el
planteamiento del problema, la selección de la herramienta y la modelación matemática
son fundamentales en la creatividad del ingeniero industrial, ya que este debe volver
práctico algo tan abstracto y complejo como un modelo matemático.

Con el afán por obtener resultados confiables, válidos y con la prontitud que los tiempos
actuales demandan, el uso de software se ha vuelto un factor determinante en los
procesos de mejora en el mundo organizacional. Por ello, en este tema se realizó una
breve semblanza de los posibles programas o software que en la actualidad cumplen con
la función de resolver modelos matemáticos probabilísticos y determinísticos.

En el siguiente tema verás cómo se modela matemáticamente un problema de

programación lineal y qué elementos incluye; al final realizaremos un ejercicio de
programación lineal similar a lo que ocurre realmente en la industria automotriz.

Tema 5. Construcción de un modelo de programación lineal

Introducción

En otros temas ya has visto de dónde surgen los modelos matemáticos y cuál ha sido la
evolución de las herramientas más importantes de la ingeniería industrial del siglo XX
hasta nuestros días; estas herramientas han ejercido una gran influencia en la mejora
continua de organizaciones de todo el mundo.

Hemos visto también cómo se ha integrado la investigación de operaciones dentro del

contexto histórico y los tipos de modelos matemáticos que ofrece; también revisamos
cómo el uso de software ha revolucionado la forma de resolver estos modelos, incluso
aquellos con mayor grado de complejidad, de los cuales se desprende la programación
lineal.
En este punto nos preguntamos cuáles son los elementos que componen un modelo de
programación lineal, qué son las restricciones, y cómo se podría desarrollar un modelo
matemático en la industria de la manufactura.

En el presente capítulo responderemos a estas interrogantes. Además desarrollaremos

un ejemplo relacionado con la industria automotriz y mostraremos cómo se realiza el
método de solución de las ecuaciones planteadas mediante Solver de Microsoft Excel.

Explicación

5.1 Componentes del modelo matemático de programación lineal

La programación lineal trata de modelar matemáticamente un problema en el que se

pretende maximizar utilidades o minimizar costos. Los elementos o componentes de un
modelo de programación lineal son los siguientes:

La función objetivo: es la finalidad buscada en el problema planteado. Se representa a

través de ecuación lineal que contiene a las variables involucradas, de las cuales se busca
optimizar su uso, maximizando sus ganancias o utilidades o minimizando sus costos,
tiempos, etc.

Las restricciones: son todas aquellas limitantes que establece el contexto del problema
planteado. Deberán ser descritas en manera de ecuaciones lineales en función de las
variables identificadas y pueden ser a partir de una hasta las que sean necesarias.

La solución óptima: es el resultado de aplicar el método de programación lineal al

modelo matemático planteado. Deberá ser interpretada de acuerdo a las variables
identificadas y el contexto del problema. De manera común representa las utilidades
obtenidas por cada producto o los costos derivados de cada uno.

Para obtener la información de la función objetivo es necesario saber los costos de los
productos que se van a modelar matemáticamente. Recuerda que para obtener tanto la
utilidad como los costos se puede considerar la fórmula de contable para costeo unitario -
utilidad:

PV- CV = Utilidad

Donde:

PV = Precio de venta
CV = Costo variable

Las restricciones son consideradas como los elementos que interactúan directamente con
el problema que se plantea, y estas pueden ser tanto insumos como materiales y
recursos. Una forma fácil de modelar las restricciones es considerando como elementos
candidatos a entrar en el modelo los recursos de las 6M en una organización:
Todas las restricciones de cualquier tipo deben ser consideradas dentro del modelo
matemático final.

5.2 Modelación matemática

Para entender la estructura de un modelo de programación lineal veamos el siguiente

ejemplo:

La empresa alemana automotriz Vacuum & Biggersse fabrica el refuerzo tubular para el
tablero de los automóviles T1978 y S1990. El ingeniero de manufactura, Ignacio Romero,
desea conocer si aplicando la programación lineal puede saber cuántos refuerzos de cada
tipo necesita fabricar para maximizar la utilidad de ambas piezas que se fabrican
para Lord Motor Company.

Para dicha tarea, el ingeniero de manufactura define las siguientes consideraciones para
el modelo:

Conociendo lo anterior, se define la utilidad como:

Las restricciones se expresan como sigue:

Es decir, si explicamos cada una de ellas, estas restricciones representan prácticamente
las consideraciones mencionadas por el ingeniero en la tabla anterior:

Restricción de materiales

Restricciones de tiempo de proceso

Restricciones de transporte

Restricciones de demanda

5.3 Activación de Solver en Microsoft Excel

Para iniciar la solución de modelos matemáticos en Solver, es necesario que verifiques

que esté activado este complemento de Excel.

Para activarlo, ve al Menú Archivo > Opciones > Complementos (Add-ins) > Solver Add-in.
Antes de hacer clic en OK, revisa la opción de Manage o Administrar, y asegúrate que esté
seleccionada la opción de Solver.

Una vez ejecutado esto, haz clic en OK.

Ahora tienes activado Solver.

5.4 Solución de modelo de programación lineal con Solver de Microsoft Excel

Una vez activado Solver de Excel, y después de haber identificado las utilidades de los
productos, el objetivo y las restricciones, el primer paso para iniciar una solución en Solver
es el siguiente:

1. Generar una matriz con los datos proporcionados.

. Generar las fórmulas de Excel para la función objetivo y para cada restricción.

Una vez identificada la información, se debe agregar una fila y una columna. La fila que
agreguemos servirá para dos cosas:

1. Poder realizar las fórmulas en Excel.

2. Que Solver nos dé la solución de cuántos refuerzos de cada tipo necesita
fabricar Vacuum & Biggersse para maximizar sus utilidades. Ubica en la
siguiente tabla esta fila que llamaremos “Unidades a producir”.

En cuanto a la columna que agregamos, haremos la fórmula como se muestra en la

siguiente tabla:

Una fórmula en Excel es una expresión que hace referencia a una o varias celdas para obtener
un resultado
3. En la barra de menús, ir al menú Datos o Data.

4.Una vez abierto Solver, se desplegará la siguiente ventana, donde el primer paso es
hacer referencia a la celda de la función objetivo. Aquí también se debe revisar que la
opción seleccionada sea Max, que significa que el objetivo es maximizar las utilidades.

5. El siguiente campo que se solicita en la ventana de Solver es “By changing

variables/Celdas variables”, en el cual se hace referencia a las celdas donde queremos la
solución de Solver, en este caso, las que marcamos como “Unidades a producir”.
6. Posteriormente, viene la sección de “Sujeto a las restricciones/Subject to Constraints”,
donde debemos hacer referencia a las fórmulas de las restricciones ya identificadas
previamente. Cada restricción debe darse de manera individual hasta tenerlas todas
enlistadas.
7. Antes de hacer clic en Solver, asegúrate de que esté marcada la opción de no
negatividad, así como el método de solución, donde la opción debe ser siempre “Simplex
LP”.

8. Ahora si, al hacer clic en “Solve” o “Resolver”, automáticamente se llenan los campos
que habíamos llenado con las fórmulas, dándonos la solución óptima.

De acuerdo con lo explicado, la solución sería: Vacuum & Biggersse necesita fabricar 5
refuerzos tipo “t” y 3.6 (redondeamos a 3, puesto que no se pueden hacer 0.6 refuerzos)
de tipo “s” para optimizar sus recursos, y su utilidad máxima sería de $154 USD.

Este problema también se puede resolver con software WinQSB o TORA. Revisa los
siguientes procedimientos.
Solución en software WinQSB

Una vez realizado el modelo matemático, el ingeniero de manufactura decide introducir

los datos en WinQSB. Al abrir en WinQSB la opción de “Linear and Integer Programming”,
para programación lineal, aparecerá la siguiente ventana:

Posteriormente se abrirá el paquete para programación lineal:

Elige en el menú File>New Problem:

En la tabla anterior se debe especificar lo siguiente:

 • Número de variables = 2 (flecha azul)
• Número de restricciones = 7 (flecha verde)
• Asegurar que el objetivo sea = Maximizar (flecha roja)
• Dejar todo lo demás igual, y hacer clic en Ok.

Después aparecerá la siguiente tabla donde se tendrán que capturar tanto las
restricciones (círculo azul) como la función objetivo (flecha morada):

X1 = es la variable 1. En este caso, el modelo T1978 (t)

X2 = sería la variable de estudio 2. En este caso sería el modelo S1990 (s)
Cada una de las letras C son las restricciones.

Al llenar la tabla, esta debe quedar de la siguiente manera:

Después, elige del menú Solve and analyze>Solve the problem:

Al hacer clic en “resolver el problema” aparece la siguiente leyenda:

Esto no solo significa que el problema tiene solución, sino que, también se ha encontrado
una solución óptima. Al hacer click en “aceptar” aparece la siguiente tabla de resultados:

En la tabla anterior se muestra el resultado final (círculo verde). La cantidad óptima de

unidades a vender para maximizar la utilidad en la empresa Vacuum & Biggers ($154) es

• 5 refuerzos tubulares del modelo T1978

• 4 refuerzos tubulares del modelo S1990

Solución en software TORA

Si bien, vender 5 refuerzos del modelo T1978 y 3 del modelo "s" (S1990) contribuiría a
maximizar las utilidades de la empresa, en la vida real este escenario solo sería posible si
la empresa fuera un monopolio automotriz en la ciudad, o mejor aún, en el país, ya que
con esa clase de control la empresa decidiría cuánto vender, independientemente de las
necesidades del mercado, sujetándose estrictamente a su capacidad de producir y
obtener ganancias.

También sería rentable si el estado definiera cuántas unidades se producirán,

independientemente de la demanda, deseos o necesidades de los clientes o de la
población.

Como podrás ver, en el mundo globalizado actual la perspectiva de la programación lineal

puede no empatar con las necesidades reales del mercado.

Obviamente las necesidades de la Lord Motor Company no se ajustarán a la unidades que

le desee vender su proveedor, la empresa Vacuum & Biggers. Por ello, habrá que revisar
siempre si el resultado final del modelo de programación lineal empata realmente con la
demanda de productos de los clientes. De ser así, entonces el resultado del modelo
permitirá satisfacer la demanda y habremos encontrado la manera de maximizar las
utilidades de la empresa sin afectar a los clientes.

Cierre

La programación lineal en su método más tradicional (maximizar utilidades) tiene como

premisa determinar el número o cantidad de unidades a vender para maximizar las
utilidades. No es un punto de equilibrio, sino un punto de máxima ganancia donde los
productos que se venden no pueden competir entre sí (debido a su planteamiento
matemático). Sin embargo, la resultante puede mostrar un número determinado o fijo de
piezas a vender para cumplir con esa premisa.

Recordemos que en el mundo actual la perspectiva es que las necesidades del cliente, la
lealtad, el servicio postventa y la innovación determinan el valor de mercado y la
demanda.

El modelo de programación lineal también es de utilidad en algunas organizaciones, en

cuanto a su aplicación en modelos de transporte y asignación.