Concepto de Modelado.

Generalidades

Introducción

Origen y evolución de la IO

Referencias
LECCIÓN 1 de 3

Introducción

La llegada de la Revolución Industrial produjo en las organizaciones una

mayor utilización de maquinaria, un mayor grado de especificación de las
tareas que se realizaban en cada área, la determinación de nuevas
relaciones entre empresarios y empleados y la separación de clientes y
productores, entre otros cambios.

El mundo contemplaba un crecimiento en complejidad y dimensiones al que

debían adaptarse las organizaciones.

Bajo estas nuevas condiciones, los medios acostumbrados para determinar y

llegar a los objetivos no eran enteramente satisfactorios.

Podríamos afirmar que se vislumbraba el nacimiento de una nueva disciplina

que llegaría y se instalaría con un impacto arrollador sobre la administración.
La vital influencia que ejercería en la toma de decisiones estaba a un paso.
Nos referimos, específicamente, a la ciencia de la administración (CA) cuyo
objetivo es proporcionar procesos y procedimientos que ayuden a resolver
problemas.
Cabe a esta altura preguntarse: ¿cómo se vincula la ciencia de la
administración (CA) y la investigación de operaciones (IO)? ¿Qué métodos
proporciona la CA/IO para resolver problemas?

Para dar respuestas a estas preguntas, nos basaremos en una situación

problemática.

Problema: La empresa Silban S.A. fabrica y vende dos tipos de productos:

sillas y bancos, para lo que dispone de una máquina cortadora de madera
que trabaja 8 horas diarias y de un total de 9 kg de madera como materia
prima por día para fabricarlos.

Se desea determinar el número de productos diarios a fabricar de cada tipo

(sillas y bancos) para obtener el máximo beneficio, teniendo en cuenta que
la utilidad por cada silla es de $2000 y por cada banco es de $3000. Además,
se conocen los datos de la siguiente tabla que representan las horas de
trabajo de la máquina cortadora empleadas para cada producto y la materia
prima (madera) necesaria para cada uno.

Tabla 1: Datos de los recursos que se necesitan para la producción

Recurso Silla Banco

Horas máquina
1 2
cortadora
 Recurso Silla Banco

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

1. La cantidad de sillas y de bancos a fabricar para maximizar la ganancia.

2. ¿A cuánto asciende la ganancia máxima de la fábrica?

Nuestro objetivo, en esta lectura, no es resolver el problema, sino que

plantearlo a través de la comprensión de los modelos matemáticos, pero antes
debemos abordar la evolución de la CA/IO.

C O NT I NU A R
LECCIÓN 2 de 3

Origen y evolución de la IO

La empresa Silban S.A. desea maximizar sus beneficios económicos en

forma óptima por medio de la fabricación y comercialización de sillas y
bancos. Por otra parte, sabe que tiene limitaciones de recursos, tales como
horas máquina de la cortadora de madera y cantidad de materia prima
(madera). Finalmente, los administradores de la organización recordaron que
durante la segunda guerra sucedía algo parecido, ya que se fabricaban
barcos, aviones, armas, entre otros, y que debían producirse rápidamente y
con limitaciones de recursos. A tal fin, decidieron indagar cómo fue el origen
de la IO y cómo puede ayudarlo en su empresa.

Durante la Segunda Guerra Mundial hubo principalmente dos factores que se

conjugaron para dar comienzo a una incipiente disciplina llamada
“Investigación de Operaciones (IO)”: la necesidad de coordinar recursos en
función de la problemática que significaba la defensa de un país y la
limitación de esos recursos.

Fue en Gran Bretaña donde comenzó IO, al formarse un equipo

interdisciplinario con el objeto de estudiar los problemas tácticos y
estratégicos relativos, como dijimos, para la defensa del país. Pero debido a
que ese grupo era parte del personal operativo de la milicia británica y
teniendo en cuenta que analizaba operaciones de índole militar, se lo
denominó “grupo de investigación de operaciones”. Así nace la sigla IO.

Entre los beneficios obtenidos se pueden mencionar los siguientes: el uso del
nuevo radar para el éxito de cualquier combate aéreo, la detección de barcos
y submarinos fue otro de los frentes en los que la investigación de
operaciones aportó resultados decisivos positivos a los problemas que se
iban planteando a medida que la guerra avanzaba. Para nuestra situación
problemática, lo expresado es equivalente a que existe un mercado
competitivo para Silban S.A. y, en base a sus estudios de mercado, sus
beneficios los encontraron en la fabricación de sillas y bancos de calidad para
poder competir y que a su vez le permita obtener beneficios económicos a
pesar de las restricciones de recursos con las que cuenta hoy en día (horas
máquinas de cortado y cantidad de madera para la fabricación).

Retomando la evolución de la IO, concluida la guerra, la beneficiosa

experiencia que se obtuvo en las acciones bélicas despertó un enorme
interés en trasladar la IO a ámbitos distintos al terreno militar.

En virtud de que la explosión industrial continuaba, era lógico que a ese

ámbito se volcaran las primeras experiencias de la IO. Le siguieron el área de
negocios y el área de gobierno.

Antes de comenzar los años 50, los Estados Unidos también estaba
haciendo sus aportes a la nueva ciencia a través de importantes métodos
desarrollados por científicos, pero en la siguiente década es cuando la
investigación de operaciones se eleva al rango académico por medio de las
carreras universitarias que brindaron capacitación en la nueva ciencia
aplicable a sectores como mercadotecnia, contabilidad, ingeniería industrial y
finanzas, entre muchas otras.

Este proceso coincide con la aparición de las primeras computadoras y se

potenció tres décadas más tarde con la irrupción en el mercado de las
computadoras personales que poseían gran capacidad de cálculo y alta
velocidad en el proceso de datos.

Sin duda, el impacto de la investigación de operaciones continuará

aumentado. Por ejemplo, al inicio de la década de los 90, la Oficina de
Estadísticas Laborales de los Estados Unidos de América predijo que la IO
sería el área profesional clasificada como la tercera de más rápido
crecimiento para los estudiantes universitarios en los Estados Unidos
graduados entre los años 1990 y 2005. Pronosticó también que, para el año
2005, habría 100000 personas trabajando como analistas de investigación de
operaciones (Hillier y Lieberman, 1998, p. 4).

En nuestra materia llamaremos indistintamente CA/IO a esta ciencia, sin

hacer diferenciaciones.

Ya conocimos el origen de la IO, pero para plantear el problema propuesto

debemos abordar otros conceptos como es el modelado.

Modelado
Quien deba tomar decisiones en una organización necesita una base
científica para hacerlo, pero sin olvidar las variables no mensurables que
afectan a la organización. Es por eso que la parte medular de la resolución de
un problema está en saber interpretar las situaciones y variables que lo
conforman. La construcción de modelos es una parte fundamental de la IO.

Pero, ¿qué es un modelo?

En esta parte de la lectura nos centraremos en el concepto de modelado y en

la importancia de la construcción de modelos en la IO. Lo haremos citando
textualmente a algunos autores que intentaron definir el concepto de
modelo.

Una de las definiciones más simples de modelo es la propuesta por Colin Lee
(1973, p. 7): “Un modelo es una representación de la realidad”. Box y Draper
(citado en García Sabater-Maheut, 2015, https://goo.gl/oGmE9a) advierten
de una característica de los modelos: “Básicamente, todos los modelos son
erróneos, aunque algunos son útiles”

La realidad es multiforme y difícil de capturar, pero para poder

tomar decisiones de manera racional es necesario conocer las
posibilidades que se nos abren y el efecto de las mismas. Esos
“cálculos” los hacemos a través de modelos que pueden ser más
 o menos simples. El arte de crear modelos requiere mucha
experiencia, pero también requiere técnica y un poco de filosofía
al reconocer que los modelos siempre son representaciones de
la realidad, que asumimos que existe, y es percibida de modo
diferente por diferentes actores en función de sus necesidades
(García Sabater-Maheut, 2015, https://goo.gl/oGmE9a).

¿Por qué es importante la construcción de modelos?

Cada problema que se nos presenta es diferente a otro, no solo por las
variables que intervienen, sino, principalmente, por los detalles en la
construcción de cada componente del problema.

Esta diferenciación es importante, pues se podría ver reflejada también en la

solución del modelo resultante, es decir que, si logramos alcanzar con éxito
los objetivos del modelado, tendremos soluciones más acertadas en los
problemas planteados. Por ejemplo, para nuestro problema, las variables
estarían dadas por la cantidad de sillas y de bancos a producir para obtener
el mayor beneficio en Silban S.A.

Clasificación de los modelos

Existen numerosas clasificaciones de modelos, tantas como abstracciones

se hagan de la compleja realidad en la que estamos insertos.
Cada texto consultado parte de distintos criterios –el tema es muy amplio–,
pero hemos optado por abarcar el tema con el criterio de orientarnos hacia
los modelos que más se trabajan en la IO.

Una primera aproximación a la clasificación de los modelos sería la siguiente:

Modelo mental
–
Es la representación de un determinado sistema o proceso. Lo observamos
permanentemente y sin darnos cuenta al tratar de solucionar problemas básicos.
Imaginemos al dueño de la empresa observando donde instalar la línea de
producción, teniendo en cuenta la ubicación de las materias prima
(principalmente madera), localización de máquinas cortadoras, sector de
ensamblaje de sillas y bancos, entre otros. El dueño de Silban S.A. deberá
aprovechar al máximo las dimensiones físicas del lugar para que el recorrido de
los materiales desde su ingreso, fabricación y egreso sean los más adecuados.
En este caso, el modelo ha sido mental.

Modelo a escala
–
Evidentemente somos conscientes de las limitaciones del modelo mental. Si el
lugar de fabricación de la empresa Silban S.A. tiene dimensiones muy grandes se
puede hacer un plano a escala de los espacios destinados, por ejemplo,
almacenaje de materias primas y productos elaborados (sillas y bancos), área
destinada a producción de sillas y bancos, entre otros, con el fin de reducir
manipulaciones innecesarias de materiales y de minimizar los tiempo de
producción. Por lo expuesto, la empresa deberá recurrir al modelo a escala con el
que podremos combinar infinidad de disposiciones hasta dar con la más
adecuada.

Modelo matemático
–
Los modelos mencionados anteriormente han sido utilizados durante muchos
años, pero actualmente son los modelos matemáticos los utilizados por la
mayoría de los investigadores en CA/IO para analizar problemas.
Según Davis y McKeown (1995): “Estos modelos se elaboran usando símbolos
matemáticos para representar los diferentes componentes del problema” (p. 6).

Como metodología para representar y estudiar problemas de la realidad, la

investigación operativa utiliza:

Los modelos, porque representan la realidad en forma

abstracta.

La observación, porque permite estudiar los problemas

a partir de eventos observados personalmente.

La experiencia, porque permite intuir soluciones a los

problemas presentados.
 La estadística, porque a partir de datos previos se
puede inferir cómo estudiar los problemas.

SUBMIT

Dada su importancia, desarrollaremos a continuación los modelos

matemáticos, su clasificación y sus procesos de solución.

Los modelos matemáticos tienen una primera clasificación

M O D E LO S D E S C RI PT I V O S M O D E LO S N O RM AT I V O S

Representan una relación pero no un curso de acción. Por ejemplo: un modelo

que pronostica la comisión por ventas o un modelo estadístico como el de
regresión que relaciona una variable independiente con una dependiente. Los
modelos de líneas de espera también pueden considerarse como ejemplos de
modelos descriptivos. En estos modelos no se puede identificar si la acción o
decisión a tomar por el administrador será la ‘mejor’.

M O D E LO S D E S C RI PT I V O S M O D E LO S N O RM AT I V O S
Se llaman también modelos de optimización. Son prescriptivos, pues marcan un
curso de acción que debe tomar el administrador para alcanzar el objetivo
propuesto. La situación planteada responde a modelos normativos, ya que busca
maximizar los beneficios de Silban S.A. por medio de la óptima fabricación de
sillas y bancos.

Estos modelos pueden contener sub-modelos descriptivos. La diferencia

sustancial con los modelos descriptivos es que, en los normativos, puede llegarse
a la solución ‘óptima’, lo que significa tomar el ‘mejor’ curso de acción.

Las características de los modelos descriptivos y normativos se exhiben en

el siguiente cuadro resumen.

Figura 1: Los modelos matemáticos: clasificación, principales

características y elementos
 Fuente: adaptado en base a Davis y McKeown, 1995.

Subclasificación de los modelos matemáticos

Además de los modelos descriptivos y normativos, existen otras

clasificaciones de los modelos matemáticos.

“Pero, en realidad, son subclasificaciones de los modelos descriptivos y

normativos” (Davis y McKeown, 1995, p. 10).
En el siguiente cuadro se definen algunos de los más utilizados en IO:

Figura 2: Subclasificación de los modelos matemáticos según criterios

Fuente: Adaptado en base a Davis y McKeown, 1995.

A continuación, se explican las características principales de cada una de las

subclasificaciones indicadas en la Tabla 2.

Tabla 2: Subclasificación de los modelos matemáticos según criterios

Nro. Características

Los parámetros del modelo se conocen con certidumbre tanto

1
en la función objetivo como en las restricciones.
 Nro. Características

No se conoce/n con certidumbre alguno/s de los parámetros

2
del problema.

Todas las relaciones funcionales implican que todas las

3 variables dependientes son proporcionales a las independientes
y de grado uno (lineales).

Utilizan una o varias relaciones funcionales curvilíneas o no

4
proporcionales.

Se definen en un punto fijo del tiempo y se supone que las

5
condiciones del modelo no cambian para ese período.

El mejor u óptimo curso de acción se determina al examinar

6
períodos múltiples.

Proceso de planteamientos de modelos y experimentación. Se

utiliza cuando la complejidad o la naturaleza de un problema no
7 permiten plantear un modelo matemático que se ajuste en
forma adecuada al problema. Se simulan, entonces, dichos
problemas complejos.

Fuente: elaboración propia en base a Davis y McKeown, 1995.

En un modelo estocástico, los parámetros de problema se conocen con certeza

y se definen como fijos en el tiempo examinado.
 Falso, porque los parámetros del problema no se
conocen con exactitud.

Verdadero, porque los parámetros del problema se

conocen con certeza y puede predecirse su
comportamiento en el tiempo.

SUBMIT

Una vez adquiridos los conceptos básicos sobre CA/IO y los modelos
matemáticos, podemos concluir a modo de síntesis, que el problema
planteado:

1 se relaciona con la CA/IO, porque se debe tomar decisiones sobre

cuánto fabricar y cuánto vender de sillas y bancos para obtener la
mayor ganancia;

2 es un modelo matemático normativo, porque busca optimizar a

través de la fijación de un objetivo (maximizar utilidades a través de
venta de sillas y bancos) y cursos de acción para alcanzarlo
(utilización de recursos de fabricación, tales como horas máquinas
de cortadora y cantidad de materias primas);
3 es un modelo determinístico, porque se conocen con certeza los
parámetros (función objetivo y recursos –horas máquina y
cantidad de materia prima-);

4 es un modelo lineal, porque tanto la función objetivo (maximizar

ganancia) como los recursos (restricciones) tienen variables
dependientes proporcionales a las variables independientes y son
de primer grado;

5 es un modelo estático, porque se considera que las condiciones del

modelo (utilidades de sillas y bancos, como así también las
restricciones de horas máquina y cantidad de materia prima), no
cambian en relación al tiempo definido.

C O NT I NU A R
LECCIÓN 3 de 3

Referencias

Davis, K. y McKeown, P. (1995). Introducción a los Modelos y a la Ciencia de

la Administración. En Autores, Modelos cuantitativos para Administración
(pp. 2-22). México: Grupo Editorial Iberoamérica.

García-Sabater, J. (2015). Modelado y Resolución de Problemas de

Organización Industrial mediante Programación Matemática Lineal.
Recuperado de
http://personales.upv.es/jpgarcia/LinkedDocuments/modeladomatematico.
pdf

Hillier, F. S. y Lieberman, G. J. (1998). Introducción a la Investigación de

Operaciones. México: McGraw Hill.

Lee, C. (1974). Modelos de planificación. Madrid, España: Ediciones Pirámide

Fases del estudio de IO

Introducción

Procesos de solución de los modelos matemáticos

Fases de un estudio de IO

Referencias
LECCIÓN 1 de 4

Introducción

En el estudio de la investigación de operaciones (IO), los modelos

matemáticos presentan una serie de secuencia o pasos, conocida como
fases, para la resolución de problemas, mediante diversas técnicas de la IO.

Esta lectura tiene como objetivo conocer estas fases en el estudio de IO. A tal
fin, retomamos la situación problemática presentada en la lectura anterior:

Problema: La empresa Silban S.A. fabrica y vende dos tipos de productos:

sillas y bancos, para lo que dispone de una máquina cortadora de madera
que trabaja 8 horas diarias y con un total de 9 kg de madera como materia
prima por día para fabricarlos.

Se desea determinar el número de productos diarios a fabricar de cada tipo

(sillas y bancos) para obtener el máximo beneficio y saber que la utilidad por
cada silla es de $2000 y por cada banco de $3000. Además, se conocen los
datos de la siguiente tabla que representan las horas de trabajo de la
máquina cortadora empleada para cada producto y la materia prima
necesaria para cada uno.
Tabla 1: Datos de los recursos que se necesitan para la producción

Recursos Silla Banco

Horas máquina
1 2
cortadora

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

a) La cantidad de productos tanto de silla como de banco a fabricar para así

maximizar la ganancia.

b) ¿A cuánto asciende la ganancia máxima de la fábrica?

Recordemos que no buscamos resolver el problema, sino aprender a vincular

la situación planteada a las fases del estudio de la IO.

C O NT I NU A R
LECCIÓN 2 de 4

Procesos de solución de los modelos matemáticos

No resulta fácil encontrar el modelo que más se adapte a una determinada

situación. En primer lugar, se exploran métodos sencillos que pueden llevar a
una solución de ‘sentido común’ para el problema planteado. Por ejemplo,
para nuestra situación problemática, para determinar el modelo que mejor
se adapte, observamos que hay una relación entre la cantidad de sillas y
bancos a producir para que arroje el máximo beneficio para la empresa. Por
lo tanto, si varía la cantidad de sillas, esto impactará en el beneficio de Silban
S.A. Lo mismo pasa si cambia la cantidad de bancos. Los recursos que se
pueden observar en la tabla del problema son limitados y esto hace pensar, a
prima facie, que hay una relación entre la fabricación de sillas y bancos que
modifica las utilidades, lo que hace suponer que existen variables
dependientes (como optimizar beneficios de la empresa) y variables
independientes (como la cantidad de sillas y bancos a fabricar).

Además, es importante tener en cuenta el comportamiento humano para

que la solución no falle.

Como indica Taha (2012): “El tipo y complejidad del modelo matemático
determina la naturaleza del método de solución” (p. 5).
De lo expresado se deduce la importancia de una correcta definición del
problema.

Técnicas para resolver un problema de IO

Existen diferentes técnicas para la resolución de problemas de IO conocidas

como programación. A continuación mencionaremos algunas de ellas:

1 Programación lineal: función objetivo y restricciones lineales.

2 Programación entera: las variables representan números enteros.

3 Programación dinámica: el modelo original se puede descomponer

en submodelos.

4 Programación de red: el problema se modela mediante una red.

5 Programación no lineal: la relación entre las variables del problema

es no lineales.

De estas técnicas mencionadas abordaremos solo la programación lineal, ya

que, como se pudo observar en la lectura anterior, el problema responde a un
modelo lineal. ¿Por qué? Porque al seguir la línea de pensamiento abordado
en el punto ‘Procesos de solución de los modelos matemáticos’, arribamos a
la existencia de una relación entre la producción de sillas y bancos que
modifica las utilidades de la empresa, lo que es equivalente a expresar que
hay una variable dependiente denominada función objetivo (optimizar los
beneficios de Silban S.A.) y variables independientes -o variables de decisión-
(cantidad de sillas y bancos a fabricar)que son condicionadas por
limitaciones (restricciones) de recursos de horas máquina y cantidad de
materia prima. Por otro lado, tanto la función objetivo como las restricciones
son funciones lineales que dependen de las variables “silla y bancos”.
Finalmente, por lo expresado, un problema de programación lineal debe
tener una función objetivo, restricciones lineales y condiciones esenciales
que se describieron.

Esta técnica es exitosa, pero ¡CUIDADO!, no debe aplicarse a cualquier

situación. La tendencia a utilizarla puede conducirnos a un modelo
matemático del todo alejado de la situación real. Por lo tanto, es imperativo
que se analicen primero otras técnicas.

Por este motivo hay que tener en cuenta lo que expresó Taha (2012): “La
técnica de IO más importante es la programación lineal. Está diseñada para
modelos con funciones objetivo y restricciones lineales” (p. 5).

Otros métodos que producen solución en IO son:

a) Algoritmos
–
 “Un algoritmo es un conjunto de procedimientos, que cuando se
siguen en forma ordenada, proporcionan una solución óptima a un
problema” (Davis-McKeown, 1995, p. 12).

En otras palabras, no se obtienen mediante fórmulas cerradas.

Un algoritmo proporciona reglas fijas de cálculo que se aplican en forma

repetitiva al problema y cada repetición (llamada iteración) acerca la solución a lo
óptimo. Como los cálculos asociados con cada iteración suelen ser tediosos y
voluminosos es recomendable que estos algoritmos se ejecuten con la
computadora. (Taha, 2012, p. 5).

b) Simulación
–
Emula o ‘simula’ la conducta del problema para un conjunto definido de
condiciones de entrada. Se utiliza cuando el problema no puede resolverse en
forma analítica (matemática). Se analiza la conducta del modelo para determinar
el mejor curso de acción.

c) Heurística
–
Son procedimientos de búsqueda que intentan pasar de un punto de solución a
otro para mejorar el objetivo del modelo con cada movimiento sucesivo. Estos
métodos dan una solución aproximada aceptable. Puede también obtenerse una
o más soluciones aproximadas. Se utilizan cuando el planteamiento matemático
de un problema es complejo y una solución analítica no es viable o cuando la
simulación no es práctica debido al tiempo excesivo de procesamiento.

Algunos modelos matemáticos pueden ser tan complejos que es imposible

resolverlos con cualquiera de los algoritmos de optimización disponibles. En
esos casos, quizás, sea necesario abandonar la búsqueda de la solución óptima y
simplemente buscar una buena solución aplicando la heurística y la
metaheurística o bien, reglas empíricas. (Taha, 2012, p. 5).

Después de abordar las técnicas de solución para los modelos matemáticos,

estamos en condición de afrontar las fases de un estudio de IO

Los algoritmos son procedimientos de búsqueda que permiten obtener una o

más soluciones aproximadas aceptables.

Falso, son procedimientos que, ejecutados en forma

ordenada, arriban a una solución óptima.

Verdadero, son procedimientos que ejecutados en

forma ordenada permiten obtener más de una solución
óptima.

SUBMIT

C O NT I NU A R
LECCIÓN 3 de 4

Fases de un estudio de IO

Taha (2012, p. 10) establece que las fases de un estudio de OI son:

1 Definición del problema: Investigación realizada por todo el equipo

de IO. Se identifican tres elementos:

1) Descripción de las alternativas.

2) Determinación del objeto del estudio.

3) Especificación de las limitaciones mediante las cuales funciona

el sistema modelado.

2 Construcción del modelo: Transformar la definición del problema en

relaciones matemáticas de acuerdo con el grado de complejidad de
las variables intervinientes.

3 Solución del problema: Usar de algoritmos de optimización bien

definidos. Aplicar el análisis de sensibilidad.

4 Validación del modelo: Comparar los resultados con los datos

históricos. El modelo es válido si, en condiciones de datos de
 entrada iguales, reproduce de forma razonable el desempeño
pasado. Si el modelo propuesto representa un sistema nuevo
(inexistente), utilizar modelos de simulación.

5 Implementación de la solución: Una vez validado el modelo,

transformar los resultados en instrucciones de operación
comprensibles. La responsabilidad de esta tarea recae
principalmente en el equipo de IO.

¿En qué fase del estudio de IO se expresa el problema en relaciones

matemáticas?

Construcción del modelo porque se toma la definición

del problema y se lo transforma en expresiones con
relaciones matemáticas.

Validación del modelo porque se acepta el modelo por

medio de relaciones matemáticas.

Definición del problema porque se expresa a través de

relaciones matemáticas.

Solución del problema porque los resultados obtenidos

provienen de relaciones matemáticas.
 Implementación de la solución porque para llevarlo a la
práctica se lo construyó con relaciones matemáticas.

SUBMIT

Ahora sí podemos vincular nuestro ejemplo con cada una de las fases del
estudio de la IO:

Definición del problema

–
Los tres elementos son:

1. Descripción de las alternativas: cantidad de sillas y bancos a fabricar.

2. Determinación del objeto del estudio: maximizar los beneficios de la empresa

Silban S.A. por medio de la fabricación de sillas y bancos.

3. Especificaciónde las limitaciones mediante las cuales funciona el sistema

modelado: los recursos necesarios para la producción de sillas y bancos que
se encuentran limitados por la cantidad de horas máquina de la cortadora de
madera y la cantidad de materia prima (madera).

Construcción del modelo

–
La transformación del problema en un modelo matemático implica:

1. Definir las variables de decisión: cantidad de sillas y bancos a producir.

2. Definir
la función objetivo: cantidad de sillas y bancos a producir que
maximicen las ganancias de la fábrica.

3. Establecer
las restricciones: las horas de trabajo de la máquina cortadora de
madera y la cantidad de materia prima (madera) necesaria para producir
cada producto.

Solución del problema

–
La definición del algoritmo de solución que optimice el objetivo de maximizar las
utilidades.

En este tópico se utilizarán el método gráfico y el método simplex. Métodos que

se estudiarán en próximas lecturas. De estos métodos se obtendrá la cantidad de
sillas y bancos a producir que maximizará los beneficios de Silban S.A.

Validación del modelo

–
La comparación de si los datos obtenidos como solución del problema son
consistentes con el problema. Aquí se corrobora si la cantidad de sillas y bancos
a producir que arrojan los métodos condice con el objetivo de maximización y las
restricciones en horas máquinas y de materia prima requerida para su
fabricación.
Implementación de la solución
–
Una vez validado el modelo se exponen los resultados obtenidos. En este caso se
exhiben la cantidad de sillas y bancos a producir y la ganancia óptima conseguida
por la mezcla de producto fabricado (sillas y bancos).

C O NT I NU A R
LECCIÓN 4 de 4

Referencias

Davis, K., y McKeown, P. (1995). Introducción a los Modelos y a la Ciencia de

la Administración. En Autores, Modelos Cuantitativos para Administración
(pp. 2-22). México: Grupo Editorial Iberoamérica.

Real Academia Española. (2019). Algoritmo. En Diccionario de la lengua

española (22.a ed.). Recuperado de https://dle.rae.es/?w=algoritmo

Taha, H. A. (2012). ¿Qué es la investigación de operaciones? En Autor,

Investigación de operaciones (pp. 1-11). México: Pearson Educación.
Concepto de programación lineal. Formulación del
modelo

Como hemos visto en las lecturas anteriores, las relaciones y las características
entre las variables del problema que se trate definen los tipos de programación
matemática.
El objetivo de la presente lectura es abordar la temática relacionada con la
programación lineal en cuanto al planteo del problema y sus características.

La programación lineal (PL)

Generalización del modelo de PL y terminología

Video conceptual

Referencias
LECCIÓN 1 de 4

La programación lineal (PL)

Recordemos que la programación lineal se refiere a un conjunto de técnicas

matemáticas que intentan optimizar, es decir, intentan obtener la máxima
mejora posible en cualquier problema de tipo económico, social, industrial o
de otras disciplinas. Esa máxima mejora se expresa mediante una función
objetivo que está sujeta a restricciones o limitaciones de recursos.

Como la programación lineal es un modelo matemático abstracto de un

problema físico, es necesario utilizar símbolos matemáticos para representar
las cantidades físicas del problema.

Antes de generalizar el planteamiento de un problema de PL en términos

matemáticos, haremos referencia al problema mencionado en las anteriores
lecturas.

Problema: La empresa Silban S.A. fabrica y vende dos tipos de productos,

sillas y bancos, para lo que dispone de una máquina cortadora de madera
que trabaja 8 horas diarias y dispone de un total de 9 kg de madera como
materia prima por día para fabricarlos.
Se desea determinar el número de productos diarios a fabricar de cada tipo
(sillas y bancos) para obtener el máximo beneficio, y saber que la utilidad por
cada silla es de $2000 y por cada banco de $3000. Además, se conocen los
datos de la siguiente tabla que representa las horas de trabajo de la máquina
cortadora empleadas para cada producto y la materia prima (madera)
necesaria para cada uno.

Tabla 1: Datos de los recursos que se necesitan para la producción

Recursos Silla Banco

Horas máquina
1 2
cortadora

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

a) La cantidad de productos de silla y banco a fabricar para maximizar la

ganancia.

b) ¿A cuánto asciende la ganancia máxima de la fábrica?

Lo que se busca no es resolver el problema, sino plantearlo matemáticamente.

Formulación del problema

En este tópico se identifican los elementos fundamentales del modelo de PL

para el problema:

1 Las variables de decisión

2 La función objetivo

3 Las restricciones

En primer lugar, nos preguntamos:

¿Cuáles son las variables de decisión?

–
Esto es lo primero que tenemos que definir para hacer compatibles las variables
de decisión con la función objetivo y las restricciones. En otras palabras,
queremos que las variables de decisión tengan el mismo sentido en todo el
problema, que no cambien su significado al introducirlas en la función objetivo y
en las restricciones.
Para entender un poco más qué plantear y cómo podemos preguntarnos
además:

¿Qué es lo se quiere optimizar? ¿Bajo qué condiciones?

–
Estas son preguntas fundamentales para definir las variables de decisión en
consonancia con la función objetivo y las restricciones. Si se quiere maximizar
los beneficios es evidente que la función objetivo tendrá que estar en relación
directa con las variables de decisión: a mayor valor de éstas, más crecerán los
beneficios.

Por lo tanto, si llamamos Z a la función beneficio: Z=f(x,y) que se lee: Z está en

función de x y de y. Si nos referimos al problema planteado, entonces
definiremos:

x: silla
y: banco

Ya que la función Z varía de acuerdo con la cantidad de sillas y bancos que se

fabrican y comercializan (aquí estamos simplificando el problema. Se supone que
los costos de producción ya están contemplados en el beneficio neto). También
estamos en condiciones de plantear la función objetivo:

Maximizar Z = 2000x + 3000y

Analicemos brevemente esta ecuación: si se venden, por ejemplo, 10 sillas, la

empresa ganará por su venta $20000 y si se venden, por ejemplo, 3 bancos, Silban
S.A. ganará por ellos $9000. El beneficio o ganancia total será de $29000 (esto es
solo un ejemplo).

Con este análisis, nos aseguramos la coherencia que las variables de decisión
siguen teniendo en la función objetivo, es decir, siguen teniendo el mismo sentido
que les dimos al principio (siguen siendo cantidades o unidades de sillas y
bancos), solo que Z ahora está expresada en $ que es, en definitiva, su verdadera
magnitud, ya que hablamos de beneficios.

Pero si nos quedamos aquí, podríamos decir que las ganancias de la empresa se
harían cada vez más grandes si se fabrican y venden grandes cantidades de sillas
y bancos, especialmente de bancos que es el que más ganancia deja. Entonces la
función objetivo crecería sin límites. Eso no es real porque existen restricciones.
En este caso, son restricciones de tiempo en horas máquina de la cortadora de
madera y de kilogramos de materia prima (madera).

¿Cómo armamos las restricciones?

–
Reiteramos: las variables de decisión (silla y banco) no tienen que perder su
sentido en el problema. Parece evidente, entonces, que, por ahora, dos de las
restricciones serán las siguientes: una restricción será de horas máquina de la
cortadora (leer bien el primer párrafo del problema) que, en este caso, no deberá
exceder las 8 hs. La otra restricción es de kilogramos de materia prima (madera)
que no deberá exceder los 9 kg.

Intentemos, entonces, armar las restricciones que en este caso consistirán en un

sistema de inecuaciones:

x + 2y < = 8 restricción de horas máquina cortadora

3x + y < = 9 restricción de kilogramos de materia prima (madera).

Es fundamental identificar cuáles magnitudes están relacionadas en cada

inecuación. Lo que queremos decir es que podemos tener magnitudes distintas, y
de hecho las tenemos, en ambas inecuaciones: una inecuación se refiere a horas
mientras que la otra, a kilogramos. Lo importante es que cada inecuación dé
cuenta de la misma magnitud. Siempre es importante verificar esto.

Analicemos lo expuesto:
x + 2y < = 8, ¿la magnitud horas máquina cortadora se conserva en ambos
miembros de la desigualdad?

Primer miembro: x +2y, ¿son horas o cantidades?

x: son sillas, si se fabrican, por ejemplo, 2 sillas y un banco. Demanda 1 hora de

maquinaria cortadora, entonces 1 x 2 = 2: 2 sillas utilizarán 2 horas de máquina de
la cortadora de las 8 horas que están disponibles.

2y: y representa a los bancos. Cada banco demanda 2 hs de máquina cortadora.

Entonces, si, por ejemplo, se fabrican 3 bancos, se utilizarán 2 x 3 = 6 hs de
máquina cortadora.

De esa forma, el primer miembro está expresado en horas y el segundo también.

Por lo tanto, hay coherencia en la misma inecuación. En esta suposición no
quedarían horas máquina sin utilizar. El mismo análisis podemos hacer con la
segunda inecuación que nos dará como resultado kg en ambos miembros.

Para finalizar este análisis y poder resumir el planteo del problema, no debemos
olvidar lo siguiente: Las variables de decisión nunca pueden ser negativas. ¿Por
qué? porque no se pueden fabricar cantidad sillas y bancos negativos.

Finalmente, hagamos una síntesis de lo analizado y obtendremos el planteo del

problema:

Variables de decisión:
x: silla
y: banco

Maximizar: z= 2000x + 3000y

Sujeta a las restricciones (SA):

x + 2y < = 8
3x + y < = 9
x, y > = 0
 donde A x > = 0 e y > = 0 se las llama restricciones de no negatividad.

En la formulación del problema de PL, ¿cuáles son los elementos

fundamentales?

Variables de decisión, objetivo y restricciones porque

definen el planteo de un problema de PL.

Objetivo y restricciones porque son los dos elementos

fundamentales de PL.

Variables de decisión, objetivos, restricciones y

negatividad porque definen el planteo de un problema
de PL.

Objetivos, restricciones y no negatividad porque son

los tres elementos fundamentales de PL.

SUBMIT
Una vez resuelto el planteo del problema, expresaremos en término teórico
al modelo de PL.

C O NT I NU A R
LECCIÓN 2 de 4

Generalización del modelo de PL y terminología

En general un problema de programación lineal consiste en optimizar

(maximizar o minimizar) la función.

A la función Z = F (x1, x2, ...,xn) = c1x1 + c2x2 + ... + cnxn, se la denomina

función objetivo o función criterio.

Los coeficientes c1, c2, ..., cn son números reales y se llaman coeficientes de

beneficio o coeficientes de costo. Son datos de entrada del problema.

x1, x2, ..., xn son las variables de decisión (o niveles de actividad) que deben

determinarse.

Al conjunto de valores de x1, x2, ..., xn que satisfacen simultáneamente todas

las restricciones se le denomina región factible. Cualquier punto dentro de la

región factible representa un posible programa de acción.

La solución óptima es el punto de la región factible que hace máxima o

mínima la función objetivo (Calmaestra, 2001, https://goo.gl/aoWUMa).

Características del modelo de PL

Según Davis y McKeown (1995) se pueden enumerar las siguientes
características del modelo de PL:

1. Un solo objetivo
–
Necesitamos ocuparnos de un objetivo a la vez. Se maximiza una única función,
por ejemplo, el objetivo en nuestro problema es maximizar los beneficios de la
empresa y saber que cada silla tiene una utilidad de $2000 y cada banco de
$3000.

2. Restricciones
–
La maximización o minimización de un objetivo está sujeta a restricciones. La
disponibilidad de los recursos escasos limita la producción a niveles que puedan
alcanzarse con los recursos disponibles. “Si no existiera esta restricción sería
posible fabricar una cantidad ilimitada de productos, lo cual, por supuesto, es
totalmente irreal. Esas limitaciones de los niveles de producción se denominan
restricciones” (Davis y McKeown, 1995, p. 25).

En nuestra situación problemática, las restricciones están dadas por los recursos
que se necesitan para la fabricación en horas máquinas, en el uso de la cortadora
de madera y en la cantidad de materia prima (madera) para la producción.

3. Proporcionalidad o linealidad
–
La relación entre la función objetivo y las variables de decisión (nivel de
fabricación de cada producto) debe ser proporcional. Igualmente, la relaciones
entre las restricciones y el nivel de fabricación de los productos también debe ser
proporcional (lineales).

En nuestro problema se puede visualizar que tanto la función objetivo como las
restricciones están en función de variables de decisión: silla (x) y banco (y); todas,
expresiones lineales:

z= 2000x + 3000y

SA:
x + 2y < = 8
3x + y < = 9

4. Divisibilidad
–
La producción de cierto tipo de productos puede expresarse mediante fracciones,
por ejemplo, se admite que el resultado arroje algún valor como: 4,33 sillas o 2,52
bancos, entre otros. Es decir, no deben ser sólo números enteros.

5. Aditividad
–
La función objetivo muestra que las partes de la misma contribuyen a la función
objetivo en forma aditiva. Esto significa que, en el caso de nuestro problema, si
deseamos agregar alguna variable de decisión más a la función objetivo, la
misma debe aportar a la meta, es decir, si buscamos maximizar beneficios no
podemos agregar una variable de decisión que reste utilidades.
6. No negatividad de los productos
–
Los productos fabricados no son valores negativos. Significa que no podemos
fabricar una cantidad negativa de sillas y/o de bancos.

7. Certidumbre
–
Significa que las utilidades, la disponibilidad de recursos escasos y las relaciones
entre los niveles de producción y los usos de los recursos se conocen con
certeza y no varían en el tiempo establecido de estudio.

En relación con la problemática planteada, significa que los $2000 de las sillas,
los $3000 de los bancos y las restricciones en recursos (horas máquina de la
cortadora y la madera como materia prima) no cambiarán en el tiempo que se
estudia y se conocen con certeza.

En un modelo de programación lineal se analizan varios objetivos a la vez, pero

siempre respetando todas las restricciones del problema.

Falso, ya que es una característica de los modelos de

programación lineal.
Verdadero, ya que en un modelo de programación
lineal se pueden analizar más de un objetivo en forma
simultánea.

SUBMIT

C O NT I NU A R
LECCIÓN 3 de 4

Video conceptual

Video 1. Introducción a la Programación Lineal

Verify to continue
We detected a high number of errors from your
connection. To continue, please confirm that
you’re a human (and not a spambot).

I'm not a robot

reCAPTCHA
Privacy - Terms

C O NT I NU A R
LECCIÓN 4 de 4

Referencias

Calmaestra, L. (2001). Programación lineal [publicación en línea].

Recuperado de
http://recursostic.educacion.es/descartes/web/materiales_didacticos/prog_l
ineal_lbc/definicion_pl.htm

Davis, K., y McKeown, P. (1995). Modelos Cuantitativos para Administración.

México: Grupo Editorial Iberoamérica.

C O NT I NU A R
El método gráfico

Hasta aquí sabemos plantear un problema de programación lineal (PL), pero aún no
hemos aprendido a resolverlo.

La solución a los problemas de PL puede hacerse en forma gráfica cuando la función

objetivo y las restricciones están en función de solo dos variables de decisión.

En esta lectura desarrollaremos el método gráfico para resolver problemas de PL.

Resolución de un problema de PL mediante el método grá co

Referencias

Revisión del módulo

LECCIÓN 1 de 3

Resolución de un problema de PL mediante el

método gráfico

Para aprender a resolver un problema de PL por el método gráfico

retomaremos el problema inicial formulado:

Problema: La empresa Silban S.A. fabrica y vende dos tipos de productos:

sillas y bancos, para lo que dispone de una máquina cortadora de madera
que trabaja 8 horas diarias y dispone de un total de 9 kg de madera como
materia prima por día para fabricarlos.

Se desea determinar el número de productos diarios a fabricar de cada tipo

(sillas y bancos) para obtener el máximo beneficio, teniendo en cuenta que la
utilidad por cada silla es de $2000 y por cada banco de $3000. Además, se
conocen los datos de la siguiente tabla que representan las horas de trabajo
de la máquina cortadora empleadas para cada producto y la materia prima
(madera) necesaria para cada uno.

Tabla 1: Datos de los recursos que se necesitan para la producción

Recursos Silla Banco

 Recursos Silla Banco

Horas
1 2
máquina cortadora

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

a) La cantidad de productos de sillas y bancos a fabricar para maximizar la

ganancia.

b) ¿A cuánto asciende la ganancia máxima de la fábrica?

Para resolver los problemas de PL, el método gráfico que se debe seguir
incluye los siguientes pasos:

1 Plantear el problema en términos matemáticos:

Definir las variables de decisión.

Plantear en términos matemáticos la función objetivo.

2 Plantear las restricciones sobre los recursos en términos

matemáticos.
 3 Graficar las restricciones.

4 Graficar la función objetivo.

5 Determinar los valores de las variables al punto que arrojen las

máximas utilidades o mínimos costos según corresponda.

Recuerda que la identificación de los elementos fue estudiada en la Lectura 3

de este módulo, es decir, que en el primer paso, plantear el problema en
términos matemáticos, obtuvimos:

Variables de decisión:

X: Representa silla

y: Representa banco

Maximizar: z= 2000x + 3000y

Sujeta a las restricciones (SA):

Las restricciones de no negatividad x ≥ 0 e y ≥ 0 existen, ya que en este
problema no pueden existir sillas y bancos con valor negativo de fabricación.
Siempre se agregan las condiciones de no negatividad a cualquiera que sea
el problema de PL que se plantee.

Es indispensable que, antes de abordar el paso 2: graficar las restricciones,

repasemos qué representa un sistema de inecuaciones lineales.

A continuación se exhiben gráficamente las inecuaciones por separado y

posteriormente como un sistema de inecuaciones:

Figura 1: Representación gráfica de la inecuación x + 2y ≤ 8

Fuente: elaboración propia.

Figura 2: Representación gráfica de la inecuación 3x + y ≤ 9

Fuente: elaboración propia.

Figura 3: Representación gráfica del sistema de inecuaciones conformado

por x + 2y ≤ 8 y 3x + y ≤ 9
 Fuente: elaboración propia.

Por las restricciones de no negatividad x ≥ 0 e y ≥ 0 solo se toma el primer

cuadrante como se observa en la siguiente figura (no pueden fabricarse
cantidad negativa de sillas y/o bancos).

Figura 4: Solución gráfica de las condiciones de no negatividad

 Fuente: elaboración propia.

Ahora resultará sencillo analizar el conjunto solución, teniendo como base las
condiciones de no negatividad y el sistema de inecuaciones. Si unificamos
todas las gráficas obtendremos la siguiente solución gráfica que muestra el
área común de todas las restricciones.

Figura 5: Solución gráfica del sistema de inecuaciones correspondiente al

problema planteado
 Fuente: elaboración propia.

La región pintada de azul es la que incluye todos los puntos que son
soluciones factibles de las inecuaciones. Es aconsejable que se considere
una restricción a la vez (ordenadamente) y se vaya buscando las regiones
que son comunes a todas las restricciones.

Como observamos, la región solución o factible es un conjunto infinito de

puntos conformados, según nuestro problema, por silla y banco. Pero, ¿cuál
de las combinaciones de sillas y bancos (x, y), que pertenecen a la región
factible, optimiza (maximiza) a la función objetivo?
No olvidemos que x representa a una unidad de silla e y a una unidad de
banco que se fabrican en la empresa.

Nuestro problema ahora será determinar el par o los pares (x, y) que
producen la máxima ganancia.

Retomemos entonces a la función objetivo del planteo inicial:

Maximizar Z= 2000x + 3000y

Valuemos la función objetivo en un punto de la región factible para poder

graficarla, por ejemplo, en el punto (2, 1), que significa producir dos sillas y un
banco, entonces reemplazando en la función objetivo, se tiene que:

Z = 2000 x 2 + 3000 x 1 = 4000 + 3000 = 7000

En este caso alcanzaríamos un beneficio de $7000 al fabricar diariamente

dos sillas y un banco.

Figura 6: Recta representativa de la función objetivo Z= 2000x + 3000y =

7000
 Fuente: elaboración propia.

Como se observa en la figura 6, la función objetivo (Z) no alcanzó su valor

máximo porque existen puntos de la región factible que están por encima de
Z. A esta altura cabe preguntarse: ¿cómo obtenemos el punto óptimo de silla
y banco que maximice en forma gráfica la función objetivo?

La respuesta es llevar gráficamente a la función objetivo (Z) – en forma

paralela- hasta que arribe al punto más extremo, como se observa a
continuación:
Figura 7: Recta representativa de la función objetivo (Z) que pasa por el
punto más extremo de la región factible

Fuente: elaboración propia.

Para ampliar y para demostrar que lo realizado hasta ahora tiene sentido,
analicemos qué sucede con la función objetivo en el punto (0, 0), que es
equivalente a no fabricar ninguno de los dos productos y que por lo tanto
resulta en:

Z = 2000 x 0 + 3000 x 0 = 0
Es decir, que el beneficio que obtenemos es nulo si no hay producción de
sillas y bancos.

Ahora bien, continuando con la figura 7, en la que se observa que la función

objetivo (Z) pasa por el punto más lejano de la región factible: ¿cuál es el
valor de coordenada de este punto (cantidad de silla y banco)?, es decir, hay
que determinar el valor de la variable en el punto que arroje la mayor utilidad
o, expresado de otra manera, la cantidad de silla y de banco a fabricar para
maximizar las ganancias indicando el valor del beneficio obtenido.

Para conseguir este valor, en la figura 7 se muestra que la función objetivo

toca el valor extremo más lejano de la región factible en la intersección de las
inecuaciones x+2y≤8 y 3x+y≤9. Como las inecuaciones representan
semiplanos, convertimos las inecuaciones antes mencionadas en
ecuaciones porque la intersección se produce en el cruce de las dos rectas,
de lo que resulta el siguiente sistema de ecuaciones:{x + 2y = 8 3x + y=9

Este sistema de dos ecuaciones con dos incógnitas se puede resolver al

emplear algunos de estos métodos: sustitución, igualación o reducción. Al
utilizar cualquiera de ellos obtenemos que x=2 e y=3, por lo tanto, el punto de
intersección es el punto (2, 3) que en nuestro problema sería fabricar dos
sillas y tres bancos diariamente.

Para conocer el beneficio valuamos el punto (2, 3) en la función objetivo, que

resulta en:
 Z = 2000 x 2 + 3000 x 3 = 13.000

Podemos concluir que si se fabrican dos sillas y tres bancos, el fabricante

obtendrá el máximo beneficio diario de $13000.

Gráficamente se expresa:

Figura 8: Recta representativa de la función objetivo (Z) que pasa por el

punto (2, 3)

Fuente: elaboración propia.

A continuación, mostramos una síntesis en la que se exhibe cómo se
encuentra el punto que optimiza, maximiza, en este caso, a la función
objetivo del problema planteado.

A partir de un punto inicial de la región factible:

1 se trazó la función objetivo;

2 se localizó su mejor lado;

3 se desplazó la función objetivo paralelamente a sí misma en la

dirección de mejora.

Finalmente, es necesario aclarar que el método gráfico de resolución es solo

aproximado. Además, es válido para cuando el problema tiene dos o tres
variables de decisión.

Hasta ahora vimos el método gráfico para problemas de maximización, pero:

¿cómo se resuelven en un caso de minimización?

Para abordar la minimización mediante el método gráfico emplearemos el

siguiente problema:

Los administradores de empresa de jugos JuCor S.A. han especificado que

la producción mensual total combinada de jugo de naranja y de manzana
debe ser, al menos, de 7700 litros. Por otro lado, se debe satisfacer también
el pedido de un cliente de 2750 litros de jugo de naranja. Los objetivos de los
administradores de la empresa son cumplir con los requisitos anteriores e
incurrir en un costo de producción mínimo. Los costos de producción son de
$3 por litro de jugo de naranja y de $2 por litro de jugo de manzana.

El proceso de resolución es similar al de maximización ya visto, así que

comencemos a identificar las variables de decisión: a las mismas, las
llamaremos x1 a la cantidad de litros de jugo de naranja y x2 a la cantidad de
litros de jugo de manzana. Como los costos de producción son de $3 para
cada litro de jugo de naranja y de $2 para cada litro de jugo de manzana, la
función objetivo será:

Minimizar: Z= 3x1 + 2x2

En cuanto a las restricciones, tenemos que se debe producir no menos de

7700 litros (jugos de naranja y de manzanas), por lo tanto:

x1 + x2 ≥ 7700

Además, se debe satisfacer la demanda del cliente de 2750 litros de jugo de

naranja, entonces:

x1 ≥ 2750
Determinadas la función objetivo y las restricciones, podemos formular el
planteo de programación lineal correspondiente con este problema:

Variable de decisión:

x1: cantidad de litros de jugo de naranja

x2: cantidad de litros de jugo de manzana

Minimizar: Z= 3x₁ + 2x₂,

Sujeta a las restricciones (SA):

La restricción (1) se refiere a la producción de jugos de naranja y manzana, la

restricción (2) se refiere a la demanda de jugo de naranja, las restricciones
(3) y las restricciones (4) son las de no negatividad, es decir, no puede haber
cantidades negativas de jugos de naranja y/o de manzana.

Figura 9: Región factible de un problema de minimización

 Fuentes: adaptado de Conforte y Mase, 2001, p. 67; De las Casas y Mase, 2010, p. 143.

La región sombreada es la región de soluciones factibles. Debemos ahora

representar una recta de la familia de la función objetivo (podemos tomar la
que pasa por el origen del sistema de coordenadas) y desplazarla hasta
encontrar la primer recta que tenga intersección con la región de soluciones
factibles.

Figura 10: Solución óptima en forma gráfica del problema de minimización

planteado
 Fuente: adaptado de Conforte y Mase, 2001, p. 68; De las Casas y Mase, 2010, p. 143.

Con un gráfico a escala se podrá verificar que el punto de la solución óptima

es el punto (2750, 4950), que reemplazado en la función objetivo, se obtiene:

Z= 3 x 2750 + 2 x 4950 = 18.150

Es decir, que para nuestro problema de minimización podemos concluir que,

sí produce 2750 litros de jugo de naranja y 4950 litros de jugo de manzana, la
empresa obtendrá un costo mínimo de $18150 por mes.

Finalmente, una vez vistos los métodos de maximización y minimización

para un problema de PL por el método gráfico, cabe preguntarse: ¿todos los
problemas de programación lineal tienen una única solución óptima?

La respuesta es NO. Cuando los problemas de programación lineal no tienen

una sola solución óptima se denominan casos especiales de PL.

A continuación, se describen los casos especiales, pero no se realiza sobre un

problema concreto porque no se arriba a una solución óptima única para
maximizar o minimizar a la función objetivo.

Casos especiales:

PRO BLE M A N O PRO BLE M A N O

D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando el conjunto factible no está acotado y la función objetivo

se puede incrementar o decrementar ilimitadamente. En la realidad esto es
imposible, ya que no es posible obtener beneficios o costos infinitos.

Significa que hay un error en la formulación del modelo, posiblemente debido

a que no se incluyeron en el mismo una o varias restricciones que acoten a la
región factible.

Figura 11: Caso especial: problema no acotado

Fuente: elaboración propia.
 PRO BLE M A N O PRO BLE M A N O
D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando no existe ninguna solución posible, es decir, un conjunto

factible vacío.

Se produce por un error en la formulación del problema por una cantidad

excesiva de restricciones o la inclusión de restricciones incorrectas.

Figura 12: Caso especial: Problema no factible

Fuente: elaboración propia.
 PRO BLE M A N O PRO BLE M A N O
D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando por un vértice de la región factible pasan más de dos
restricciones, por lo que una de ellas es redundante y el punto está
determinado en exceso.

Figura 13: Caso especial: degeneración

Fuente: elaboración propia.
 PRO BLE M A N O PRO BLE M A N O
D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando la función objetivo (Z) es paralela a una restricción no

acotada, es decir, la función objetivo tendrá el mismo valor óptimo en más de
un punto del conjunto factible, por lo que puede seleccionar varias alternativas
sin deterioro del valor óptimo.

Figura 14: Caso especial: óptimos múltiples u opciones óptimas

Fuente: elaboración propia.
Todos los problemas de programación lineal que se resuelven por el método
gráfico tienen una única solución óptima factible.

Falso, porque no todos los problemas de PL tienen una

única solución óptima.

Verdadero, porque el método gráfico siempre asegura

una única solución óptima factible que coincide con
uno de los vértices de la región factible.
 SUBMIT

¿Cómo se denomina el caso especial de PL que no tiene una única región

factible?

No factible, porque tiene más una región factible.

No acotado, porque crece infinitamente la región

factible.

Degenerado, porque tiene más de una región factible.

Óptimo múltiple, porque varios puntos de la región

factible pueden ser óptimos.

SUBMIT

C O NT I NU A R
LECCIÓN 2 de 3

Referencias

De las Casas, G., y Mase, M. (2010). Álgebra. Córdoba: IES Siglo 21.

Conforte, J., y Mase, M. (2001). Matemática I. Córdoba: IES Siglo 21

C O NT I NU A R
LECCIÓN 3 de 3

Revisión del módulo

Hasta acá aprendimos

Concepto de modelado. Generalidades

–
En Gran Bretaña comenzó la investigación de operaciones durante la
segunda guerra mundial para estudiar problemas tácticos y estratégicos.
Posteriormente, la Ciencia de la Administración, lo traslado para resolución de
problemas de esta disciplina mediante el modelado de problemas,
estudiándolo como una abstracción de la realidad.

Fases del estudio de IO

–
En el estudio de la investigación de operaciones (IO), los modelos
matemáticos presentan una serie de secuencia o pasos, conocida como
fases, para la resolución de problemas, mediante diversas técnicas de la IO.

Concepto de programación lineal. Formulación del modelo

–
Existen diferentes técnicas para la resolución de problemas de Investigación
de operaciones, entre ellas está la programación lineal, cuyos elementos del
modelado cuenta con variables de decisión, función objetivo a maximizar o
minimizar según el problema y un conjunto de restricciones de recursos.

El método gráfico
–
Para la resolución de problemas de programación lineal, el método gráfico es
una técnica que se emplea cuando la función objetivo y las restricciones son
lineales, es decir, que están en función de solo dos variables de decisión.

C O NT I NU A R