¿Qué es la programación lineal?

La técnica matemática conocida por programación lineal se utiliza para obtener

una solución óptima a un problema condicionado por unas variables de partida
sujetas a ciertas restricciones. Un problema clásico de la programación sería el
siguiente: teniendo n productos del tipo A y m del tipo B, que pueden envasarse en
dos clases de paquetes en diferentes proporciones y con un precio distinto para
cada paquete, cuántos paquetes de cada tipo deberán formarse para obtener una
cantidad máxima de ingresos.

En el planteamiento del problema se manejan varios conceptos esenciales:

Las variables.
Las restricciones que se imponen, expresadas por inecuaciones lineales.
La función objetivo, de tipo lineal, que describe el problema.
El grupo de las soluciones posibles recibe el nombre de conjunto restricción o
conjunto solución factible. La solución debe situarse en el área definida por las
inecuaciones de restricción, que se conoce por región factible.

Región factible del sistema de inecuaciones lineales:

La región factible puede estar acotada, como en la figura, o no acotada. Cuando

está acotada, se representa gráficamente como un polígono con un número de
lados menor o igual que el de restricciones (en la figura, el polígono acotado tiene
cuatro lados, y las restricciones también son cuatro).

Se llama solución óptima a la que maximiza o minimiza la función objetivo. Esta

solución si es única siempre se encuentra en un vértice o punto extremo de la
región factible.

Resolución por método gráfico

Se representan gráficamente las inecuaciones del sistema, obteniéndose el

conjunto restricción.
Si la función objetivo es f (x,y)= ax + by, se trazan rectas paralelas a esta función
(que serán de la forma ax + by=k) y que pasen por cada uno de los vértices del
conjunto restricción.
Se observa en qué vértice la función objetivo se hace máxima (o mínima) sin más
que tener en cuenta cuál de las rectas tiene mayor (o menor) ordenada en el
origen.
Método algebraico de resolución

Para resolver un problema de programación lineal por métodos algebraicos, se

aplica el siguiente procedimiento operativo:

1. Se definen las variables.

2. Para cada restricción existente se escribe una inecuación lineal representativa.
3. Se define la expresión matemática de la función objetivo.
4. Se construyen sistemas cuadrados de ecuaciones a partir del conjunto inicial de
inecuaciones lineales. Por ejemplo, si se tuvieran cuatro inecuaciones con dos
incógnitas, se podrían construir seis sistemas distintos de ecuaciones lineales
(sustituyendo la desigualdad por igualdad).
5. Se resuelven todos estos sistemas y se anota el valor de los puntos obtenidos
como solución.
6. Se comprueban estos puntos en cada una de las inecuaciones. Los que
cumplan todas las restricciones serán los vértices de la región factible.
7. Se calcula el valor de la función objetivo para cada vértice.
8. La solución óptima será aquella para la cual la función objetivo es máxima (o
mínima, según el planteamiento del problema).
Esta técnica recibe el nombre de método de los vértices.

Tipos de soluciones

En los problemas de programación lineal con dos variables pueden darse varios
tipos de soluciones óptimas:

Solución única.
Solución múltiple (infinitas soluciones).
Solución no acotada (ausencia de solución), cuando la función objetivo no tiene
valores extremos, pues la región factible es no acotada.
Solución no factible, cuando no existe región factible por falta de puntos comunes
en el sistema de inecuaciones.
Solución degenerada, si en un solo punto (que se dice degenerado) coinciden tres
o más de las rectas que limitan la región factible.

Aplicación de la programación lineal

Esta aplicación constituye un campo importante de la optimización por diferentes

razones, existe una gran cantidad de problemas prácticos de investigación de
operaciones que se podrían plantear como problemas de la programación lineal.

En algunos casos de problemas de flujo de redes y de flujo de mercancías, se

pueden llegar a considerar durante su desarrollo matemático lo importantes que
son para generar por si mismos diversas investigaciones relacionadas con
algoritmos en su solución.
Diversos algoritmos creados para resolver otros tipos de problemas de
optimización, comprenden casos específicos del sistema de programación lineal.
Históricamente las ideas de este sistema han estimulado a innumerables
conceptos de optimización como la descomposición, la dualidad, la importancia de
la convexidad, además de sus generalizaciones.

De igual forma, es muy utilizada en la microeconomía y en la administración de

empresas, con el fin de maximizar los ingresos o disminuir los costos de un
determinado sistema de producción.

¿Qué son los métodos determinísticos?

Un modelo se define como determinístico cuando siempre que se someta a un

mismo estimulo, reacciona de la misma manera.

Los sistemas que representan los modelos deterministas carecen de

incertidumbre, es decir, todos los cambios de estado del sistema se pueden
predecir con certeza, y su comportamiento se evalúa con medidas de efectividad o
eficiencia tales como: Costos, tiempo y utilidades.

Generalmente si en el modelo se han tomado en cuenta todas las variables y

relaciones importantes, este se vuelve tan complejo de modelos matemáticos
necesarios. Por tanto se deben utilizar modelos parciales teniendo claro que las
soluciones obtenidas no son óptimas, y que el modelo que se está usando.

Si un modelo garantiza encontrar la solución óptima, el proceso de solución para

dicho modelo se llamara algoritmo de optimización.

Se define como algoritmo a una serie de instrucciones en una cierta secuencia

lógica, necesarias para describir las operaciones que llevan a la solución de un
problema. No siempre los algoritmos conducen a soluciones optimas, Sin embargo
en investigación de operaciones se hacen todos los esfuerzos posibles para
encontrar algoritmos de optimización. Este tipo de algoritmos son exclusivos de los
modelos deterministas.

La inclusión de mayor complejidad en las relaciones con una cantidad mayor de

variables y elementos ajenos al modelo determinístico hará posible que éste se
aproxime a un modelo probabilístico o de enfoque estocástico.

Estos tipos de modelos tienden a ser más populares en la literatura. Ejemplo:

incluyen la mayoría de los modelos de RBC (Ciclo Real de Negocios), o nuevos
modelos monetarios keynesianos.

En estos modelos, los choques golpean el día de hoy (con una sorpresa), pero
después su valor esperado es cero. Se esperan choques futuros, o cambios
permanentes en las variables exógenas que no pueden ser manejados por el uso
de aproximaciones de Taulor en torno a un estado estacionario.

Hay que tener en cuenta que cuando estos modelos son linealizados al primer
orden, los agentes se comportan como si los choques futuros fueran iguales a
cero (ya que su expectativa es nula), que es la certeza de la propiedad de
equivalencia. Se trata de una frecuencia en un punto alto en la literatura que
induce a un error de los lectores en el supuesto de que sus modelos puedan ser
determinísticos.

Ahora bien, dentro de los modelos podemos generar una subclasificación si

consideramos además del supuesto de certeza, que la demanda puede ser
estática, que es aquella donde esta permanece constante; y dinámica, donde a
pesar de ser conocida, varía a través del tiempo.

Inventarios con demanda determinística estática:

Consideramos que la demanda se conoce con certeza y es siempre la misma.

Modelos de cantidad económica de pedido (EOQ – clásico): Conocido también

como el modelo Harris – Wilson, el método EOQ busca un equilibrio entre los
costos de preparación y los costos de almacenamiento. Fue un modelo pionero
que sirvió de base para el desarrollo de otras variantes del modelo, como EOQ
con descuentos por cantidad, EOQ con faltantes planeados, EOQ con varios
artículos con limitación de almacenamiento, etc.
Inventarios con demanda determinística dinámica:

Tenemos un grado de conocimiento sobre la demanda pero esta varía a través del
tiempo. Esto plantea un reto y es el tamaño del lote, pues en función de este los
costos de inventario podrán ser mayores o menores. Para dar respuesta, se han
generado métodos o sistemas de loteo, como son los siguientes:

Lote por lote: Consiste en obtener justamente lo que necesito, lo que conlleva a
tener el inventario exacto requerido y con él un bajo costo de mantenimiento.

Período constante: Fija arbitrariamente los intervalos de pedido.

Cantidad económica de pedido (EOQ): El EOQ también puede ser usado para
determinar el tamaño de un lote, sin embargo autores Jay Heizer y Barry Render
no recomiendan su uso cuando la demanda es relativamente constante y no
dinámica.

Balanceo de período fragmentado (BPF): Busca equilibrio entre los costos de

mantener inventario y los costos de ordenar.

Algoritmo de Silver – Meal (SM): Es heurístico, es decir que a través de reglas de

decisión busca dar una buena (u optima) solución al problema de inventario. Se
enfoca en la minimización del costo total (ordenar y mantener) por período.

Costo unitario mínimo (CUM): Se enfoca en la minimización del costo unitario a

través de la comparación de los costos de ordenar y mantener para diferentes
tamaños de lote, en aras de elegir aquel que presente una menor diferencia.

Algoritmo de Wagner – Whitin (WW): A través de programación dinámica, busca la

minimización del costo de ordenar y el de mantener inventario.

¿Qué son los métodos probabilísticos?

Modelo probabilístico o estadístico es la forma que pueden tomar un conjunto de

datos obtenidos de muestreos de datos con comportamiento que se supone
aleatorio.

Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y

que incluye un conjunto de asunciones sobre la generación de algunos datos
muestrales, de tal manera que asemejen a los datos de una población mayor.
Las asunciones o hipótesis de un modelo estadístico describen un conjunto de
distribuciones de probabilidad, que son capaces de aproximar de manera
adecuada un conjunto de datos. Las distribuciones de probabilidad inherentes de
los modelos estadísticos son lo que distinguen a los modelos de otros modelos
matemáticos deterministas.

Un modelo estadístico queda especificado por un conjunto de ecuaciones que

relacionan diversas variables aleatorias, y en las que pueden aparecer otras
variables no aleatorias. Como tal "un modelo es una representación formal de una
teoría"1

Todos los tests de hipótesis estadísticas y todos los estimadores estadísticos

proceden de modelos estadísticos. De hecho, los modelos estadísticos son una
parte fundamentalmente de la inferencia estadística.

La interpretación de los resultados probabilísticos

A la hora de dibujar los resultados del MP se obtiene una nube de puntos similar a
la de la figura 1, y que representa la distribución conjunta de costes y efectos en
un mismo plano. Los siguientes pasos consisten en analizar y presentar la
información obtenida en este plano.

Tipos de muestreo probabilístico

El muestreo aleatorio simple, tal y como su nombre lo indica, es un método

completamente aleatorio que se utiliza para seleccionar una muestra. Este método
de muestreo es tan fácil como asignar números a los individuos (muestra) y luego
elegir de manera aleatoria números entre los números a través de un proceso
automatizado. Finalmente, los números que se eligen son los miembros que se
incluyen la muestra.

Existen dos formas en que las muestras se eligen: A través de un sistema de

lotería y uso de software de generación de números aleatorios. Esta técnica de
muestreo funciona generalmente en grandes poblaciones y tiene tanto ventajas
como desventajas.
Muestreo estratificado: este es un método en el cual una población grande se
divide en dos grupos más pequeños, que generalmente no se superponen, sino
que representan a toda la población en conjunto.

Durante el muestreo, estos grupos pueden organizarse y luego de estos se puede

obtener una muestra de cada grupo por separado.

Algo común en este tipo de método es organizar o clasificar las muestras por
sexo, edad, etnia, etc. Este método divide sujetos en grupos mutuamente
exclusivos y luego utiliza un muestreo aleatorio simple para elegir miembros de los
grupos.

Los miembros de cada uno de estos grupos deben ser distintos para que todos los
miembros de todos los grupos tengan la misma oportunidad de ser seleccionados
utilizando la probabilidad simple.

Muestreo por conglomerados: este es un método que selecciona de manera

aleatoria a los participantes cuando están dispersos geográficamente.

Por ejemplo, tenemos a 1000 participantes de toda la población de México,

supongamos que es probable que no sea posible obtener una lista completa de
todos estos. Pero en cambio, lo que hace el investigador es seleccionar áreas de
manera aleatoria (es decir, ciudades, comunidades, etc), y selecciona al azar
dentro de esos límites.

El muestreo por conglomerados por lo general analiza a una población particular

en la que la muestra consiste en varios elementos, por ejemplo, ciudad, familia,
universidad, etc. Los conglomerados se seleccionan básicamente dividiendo la
población mayor en varias secciones más pequeñas.

Muestreo sistemático: este se enfoca en elegir a cada “enésima” persona para que
sea parte de la muestra. Por ejemplo, puedes elegir que cada quinta persona sea
parte de la muestra, o que cada décima persona sea parte de ella.

El muestreo sistemático es una implementación extendida de la mismísima técnica

de probabilidad en la que cual, cada miembro de un grupo es seleccionado en
periodos regulares para formar una muestra. Cuando se utiliza este método de
muestreo, existe una oportunidad igual para que cada miembro de una población
sea seleccionado.
¿Cuando utilizar el muestreo probabilístico?

1.- Cuando se tiene que reducir el sesgo en el muestreo: este método de muestreo
se utiliza comúnmente cuando el sesgo debe ser mínimo.

La selección de la muestra determina en gran medida la calidad de la

investigación. Y la forma en la que los investigadores seleccionan su muestra
determina la calidad de sus hallazgos.

El muestreo probabilístico proporciona en gran medida calidad en los hallazgos del

investigador, esto sucede porque se trata de investigar a una representación
imparcial de la población. Esto es de especial importancia para eliminar el sesgo
en tus encuestas.

2.- Cuando la población es diversa: cuando el tamaño de la población es grande y

diversa, este método de muestreo es útil ya que ayuda a los investigadores a crear
muestras que representan completamente a la población.

Supongamos que queremos saber cuántas personas prefieren el turismo médico

antes de recibir un tratamiento en su propio país, este método de muestreo puede
ayudarle al investigador a recoger muestras de diversos estratos
socioeconómicos, antecedentes, etc., para representar a la población general.

Conoce más de la importancias de una muestra representativa para una

investigación eficaz.

3.- Para crear una muestra precisa: el muestreo probabilístico ayuda a los
investigadores a crear una muestra precisa de su población. Los investigadores
pueden utilizar este método para crear un tamaño de muestra preciso que les
pueda ayudar a obtener datos bien definidos.

Ventajas del muestreo probabilístico

1.- Es rentable: este proceso es rentable y efectivo en relación al tiempo y costo.

2.- Es simple y fácil: el muestreo de probabilidad es un método fácil ya que no

implica un proceso complicado. Es rápido y ahorra tiempo.
3.- No es técnico: este método de muestreo no requiere ningún conocimiento
técnico debido a la simplicidad con la que puede realizarse. Este método no
requiere ningún tipo de conocimiento complejo y por suerte, no es nada largo.

Formula del Muestreo Probabilístico

Existe una gran cantidad de formulas para realizar un muestreo probabilístico, una
de las más comunes por su sencillez es la del muestreo estatificado, sin embargo
te recomendamos leer e investigar los diversos métodos de muestre que hemos
mencionado anteriormente.

La modelación matemática y las herramientas de software.

Se puede decir que un modelo es la representación ideal de un sistema y la forma

en que este opera, en los cuales se destacan características relevantes del objeto
en estudio, cuyo objetivo es analizar o predecir el comportamiento futuro (6,7).

Es por excelencia la herramienta principal que utiliza la estadística para simbolizar

problemas o situaciones de la vida. Un caso particular lo constituyen los modelos
matemáticos.

Tipos de modelos

Existen diferentes clasificaciones de los modelos. Una de las más generales es la

presentada por Torres (8); según la cual un modelo puede ser una réplica del
objeto que representa. Cambiando la escala o el material con el que se construye
se denomina isomórfico y cuando tiene algún grado de abstracción del objeto que
representa, teniendo en cuenta solamente las variables más relevantes, se
denomina homomórfico.

Es importante señalar que a mayor nivel de abstracción hay menor grado de

similitud y uniformidad entre modelo y objeto representado y viceversa (9). De
acuerdo con el nivel de abstracción, se pueden agrupar los modelos físicos y de
escala como isomórficos y los análogos, matemáticos y de simulación como
homomórficos.

Los modelos matemáticos son la representación de un sistema por medio de

ecuaciones matemáticas o distribuciones estadísticas de valores aleatorios (10),
permitiendo obtener conocimientos científicos cuya veracidad se comprueba en el
curso de la práctica social (11). Los modelos matemáticos que más se utilizan en
la agronomía se pueden categorizar en dos clases: los modelos solamente
predictivos o empíricos y los modelos causales o mecanísticos (12).

Los primeros son descriptivos, se derivan de datos observados sin involucrar

procesos fisiológicos y tienen escasa capacidad explicativa (13). Se expresan
generalmente como ecuaciones de regresión (con uno o varios factores) y se
utilizan para estimar la producción final. Ejemplos de tales modelos incluyen la
respuesta de la producción a la aplicación de fertilizantes, la relación entre el área
de la hoja y la cantidad de hojas de una planta dada, la relación entre la altura del
tallo y el número de tallos, su diámetro y la producción final.

Por el contrario, los modelos mecanicistas poseen capacidad explicativa de la

fisiología del cultivo, porque consideran aspectos como la temperatura, la
radiación fotosínteticamente activa, el índice de área foliar, la fotosíntesis, la
respiración y la eficiencia en el uso de la radiación (13). Estos modelos tienen la
habilidad de imitar importantes procesos físicos, químicos o biológicos y describir
cómo y por qué resulta una respuesta particular. El analista comienza usualmente
con algún empirismo y en la medida que se gana en conocimiento se introducen
variables y parámetros adicionales para explicar la producción de la cosecha. Así,
el analista adopta un enfoque reduccionista. La mayoría de los modelos de
crecimiento de cultivos caen dentro de esta categoría.

Los modelos matemáticos de crecimiento de cultivos han sido desarrollados para

evaluar el impacto del cambio climático en la producción de alimentos y para
desarrollar estrategias tales como la gestión de riesgos de la aplicación de
pesticidas y fertilizantes en el marco agrícola (14); de forma que se logren
racionalizar los recursos disponibles.

Para el procesamiento y análisis de la problemática, utilizando análisis de

regresión, es necesario considerar (15):
Ploteo de puntos para analizar tendencia de datos.

Selección del tipo de modelo a ajustar.

Ajuste del modelo, con el apoyo de un software apropiado.

Descripción del proceso a partir del modelo obtenido.

En estos estudios se requiere de una labor eficiente en la organización y

desarrollo de la investigación científica y el conocimiento que esta genera, lo que
puede contribuir en gran medida la aplicación consecuente de estos modelos, con
el apoyo de las nuevas tecnologías de la información y la comunicación.
Igualmente, con mucha frecuencia, no se valoran los supuestos teóricos de los
modelos estadísticos y no se establecen conclusiones válidas a partir de la
información analizada (16).

Para la selección del modelo que mejor ajuste los datos del experimento,
fundamentalmente en los modelos explicativos y dinámicos, se deben tener en
cuenta los siguientes criterios (16):

Métodos de ajuste de los modelos.

Error estándar de los estimadores de los parámetros (Test t de Student).

Coeficiente de variación de los estimadores.

Límites de confianza de los parámetros.

Test de redundancia de los parámetros.

Análisis de varianza relacionado con el modelo en cuestión.

Coeficiente de determinación R2 y R2 ajustado por los grados de libertad, para

modelos con diferentes números de parámetros.

Suma de cuadrados o Cuadrado Medio Residual.

Error estándar de estimación.

Test de falta de ajuste del modelo.

Análisis del efecto del uso de transformaciones en el modelo.

Diagnóstico y tratamiento de la multicolinealidad, en modelos de regresión lineal

múltiple.

Validación de las predicciones del modelo.

Estadístico PRESS (Suma de Cuadrados del Error de Predicción).

Estadístico CMEP (Cuadrado Medio del Error de Predicción).

Estadístico Cp de Mallows.

Coeficientes de correlación entre los resultados predichos y los reales.

Análisis de la precisión de las estimaciones.

Análisis de los residuos.

Normalidad (Test de Shapiro-Wilks, Kolmogorov-Smirnov).

Autocorrelación (Test de Rachas, Signos, Durbin-Watson, X2 de independencia,

Ljung y Box).

Homocedasticidad (Gráficos de los residuos, Test de Cochran, Bartlett y Hartley).

Varios autores plantean que un modelo de cultivo es la simulación dinámica del

crecimiento del cultivo por el uso de la integración numérica de los procesos
constituyentes con ayuda de las computadoras (17,18). Pero aunque en muchos
trabajos suele verse la modelación y la simulación como un único proceso, estos
deben diferenciarse (9), pues la modelación puede realizarse sin necesidad de la
simulación, no siendo así para este último, el cual no se puede efectuar sino existe
el proceso de modelación.

Modelos de simulación de cultivos

La simulación puede ser definida como una técnica numérica para la realización
de experimentos con determinados tipos de modelos matemáticos, los cuales
describen el comportamiento de un sistema complejo dinámico, mediante el
empleo de la computación (19). Es el proceso de poner a funcionar el modelo para
ver si es correcto o no.

El concepto de simulación debe ser dinámico principalmente por dos razones: que
es la mejor comprensión de los procesos involucrados en la producción de cultivos
así como la resolución de problemas. Los modelos que sirven como herramienta
para resolver modelos suelen ser modelos multidisciplinarios (20).
Los modelos de simulación de crecimiento de cultivos y el análisis del sistema
suelo-planta-atmósfera son herramientas importantes para la investigación
agrícola moderna (21). Un modelo de cultivos representa de manera sencilla y
sintética los procesos fisiológicos y ecológicos más importantes que gobiernan el
crecimiento, utilizando ecuaciones matemáticas (20). La comprensión del
funcionamiento y evolución de los principales factores responsables de estas
condiciones es adquirida comparando resultados de la simulación con
observaciones experimentales. Estas observaciones se pueden diseñar para
validar el modelo, teniendo en cuenta las condiciones meteorológicas, edáficas y
de manejo del cultivo, según el lugar de implantación (22). Una vez realizada esta
primera etapa de validación del modelo, este puede ser utilizado para ayudar a
analizar e interpretar distintos escenarios futuros debido a modificaciones que
deseen proponerse en el manejo del cultivo, cambios en las condiciones climáticas
o para el pronóstico de rendimiento, entre otros indicadores.

Estos modelos pueden aumentar la comprensión y la gestión del sistema agrícola

de una manera holística. Los modelos de simulación de cultivos han sido utilizados
para investigar el comportamiento de diferentes cultivares en un rango de fechas
de siembra en relación con diferentes escenarios suelo-clima.

Los modelos de simulación se presentan como una alternativa para ser empleados
en los escenarios futuros (23). Aunque la técnica de simulación generalmente se
ve como un método de último recurso, los avances en las metodologías de
simulación y la disponibilidad de software que actualmente existe en el mercado
han hecho posible que la técnica de simulación sea una de las herramientas más
usadas en el análisis de sistemas, porque presenta ventajas tales como (24):

Permite estudiar sistemas reales que no se pueden evaluar analíticamente.

Hace posible estimar el comportamiento de un sistema existente, si se modifican

algunas de las condiciones de funcionamiento actuales.

Se pueden comparar distintas alternativas de diseño (o de formas de operar de un

sistema), antes de construirlo, para ver cuál se comporta mejor.
Permite estudiar en poco tiempo la evolución de un sistema en un período largo de
tiempo (se pueden evaluar años de experiencia en el sistema real en unos pocos
minutos de simulación).

Numerosos modelos han sido desarrollados por diferentes grupos de trabajo y

cada uno de ellos tiene fortalezas y debilidades para predecir las variables de
respuesta (25). Por lo que es muy importante, antes de adoptar uno u otro modelo
para aplicaciones agrícolas y medioambientales que se realice un trabajo de
evaluación y validación exhaustivo de estos (26).