Informe de Investigación Operativa
Dualidad y análisis de sensibilidad
Ing. Quelal Vazcones Maribel Alexandra
Grupo 4
Estudiantes: Cornejo Franco Melanie Camila; Morales Alvarez Jenny Jamileth; Troya
Bobadilla Bryan Nicolas; Zambrano Suarez Keyci Nayelhi
RESUMEN
La práctica tuvo como propósito aplicar la programación lineal en Microsoft Excel para
modelar y resolver un problema de optimización relacionado con la producción de
compotas de fruta. Se formuló el modelo matemático definiendo variables de decisión,
función objetivo y restricciones de tiempo y azúcar. Mediante el uso de la herramienta
Solver, se determinó que la solución óptima consistió en producir 8 unidades de compota
de naranja y 0 de manzana, alcanzando un beneficio máximo de 12 USD. El análisis
evidenció que la restricción de tiempo fue limitante, mientras que la de azúcar no lo fue.
La comparación con métodos teóricos confirmó la coherencia de los resultados y la
eficacia del software. Se concluyó que la correcta estructuración de datos y el uso de
herramientas computacionales facilitan la toma de decisiones precisas en problemas de
optimización.
Palabras clave: programación lineal, Solver, optimización, función objetivo,
restricciones.
1. INTRODUCCIÓN mediante variables de decisión, función
objetivo y restricciones, se logra
La programación lineal constituye una
identificar la solución óptima que
herramienta matemática de optimización
satisface las condiciones planteadas
que permite modelar y resolver
(Alvarado Boirivant, 2009). El proceso
problemas donde se busca maximizar o
involucra la formulación matemática del
minimizar una función objetivo, sujeta a
problema, su resolución mediante
un conjunto de restricciones lineales.
métodos como el gráfico o el algoritmo
Este enfoque se aplica ampliamente en
simplex, y el análisis de los resultados
contextos donde los recursos son
para la toma de decisiones estratégicas.
limitados y es necesario asignarlos de
manera eficiente para alcanzar metas La relevancia de esta técnica radica en su
específicas (Puente Riofrío & Gavilánez capacidad para ofrecer soluciones
Álvarez, 2018). Su origen se remonta a cuantitativas precisas, mejorando la
mediados del siglo XX, cuando George eficiencia y reduciendo costos en
B. Dantzig desarrolló el método simplex, diferentes sectores productivos.
reconocido como uno de los algoritmos Asimismo, la incorporación de
más influyentes en la ciencia y la herramientas computacionales
ingeniería (Grudner Carranza, 2021). especializadas ha ampliado su alcance,
permitiendo resolver modelos con
En el ámbito empresarial, industrial y
múltiples variables y restricciones en
agrícola, la programación lineal se utiliza
menor tiempo. De este modo, la
para planificar operaciones, optimizar el
programación lineal se consolida como
uso de materias primas, gestionar
un pilar en la investigación de
inventarios, diseñar rutas de transporte y
operaciones, contribuyendo a la toma de
distribuir recursos humanos y
financieros. Al modelar el problema
decisiones fundamentadas en datos y • Comparar la solución generada en
modelos matemáticos robustos. Excel con los cálculos manuales o
teóricos del método correspondiente.
2. Objetivos
3. MATERIALES Y MÉTODOS
2.1 Objetivo general
3.1 Materiales
Aplicar la programación lineal en
Microsoft Excel para modelar y resolver • Excel
el ejercicio 2, identificando la solución • Cuaderno
óptima mediante el uso de herramientas • Bolígrafo
computacionales. • Computadora
2.2 Objetivos específicos • Internet
• Documentos de la web
• Formular el modelo matemático del
(Artículos, tesis, libros)
ejercicio definiendo variables de
decisión, función objetivo y 3.2 Procedimiento experimental
restricciones. 1. El docente presenta las
• Ingresar los datos del problema en instrucciones generales de la
una hoja de cálculo estructurada en práctica, indicando el objetivo, el
Microsoft Excel. alcance y la metodología para
• Configurar y utilizar la herramienta desarrollar el ejercicio de
Solver para optimizar la función programación lineal en Microsoft
objetivo del modelo planteado. Excel.
• Interpretar los resultados obtenidos, 2. Se revisa el enunciado del
verificando el cumplimiento de las ejercicio y se identifican las
restricciones y la coherencia de la variables de decisión, la función
solución.
objetivo y las restricciones cálculo, detallando los valores de
correspondientes. la función objetivo y de cada
3. Se crea una hoja de cálculo en variable de decisión.
Excel, organizando los datos del 7. Se realiza un análisis de los
problema en tablas que incluyan resultados, evaluando su
coeficientes, recursos coherencia y comparándolos con
disponibles y demás parámetros los cálculos teóricos, si
del modelo. corresponde.
4. Con la orientación del docente, se 8. El docente proporciona
accede a la herramienta Solver de retroalimentación sobre el
Excel y se establecen: desarrollo de la práctica, orienta
• La celda objetivo a la interpretación de los resultados
maximizar o minimizar. y explica la forma correcta de
• Las celdas que contienen estructurar el informe y la
las variables de decisión. discusión final.
• Las restricciones del
4. Resultados
modelo según los datos
Ejercicio en clases
ingresados.
Una empresa se dedica a la producción
5. Se ejecuta Solver para obtener la
de compotas de fruta para bebes, las
solución óptima del problema,
compotas pueden ser de manzana y
verificando que los valores
naranja, la compota de manzana se vende
resultantes cumplan las
a 1.25 usd y la de naranja se vende a 1.5
restricciones planteadas.
usd. Para el procesamiento se requieren
6. Se registran los resultados en
5 horas de trabajo/ unidad y solo se
tablas dentro de la misma hoja de
disponen de 40 horas de trabajo a la
semana. La empresa tiene una
4.3. Restricciones
disponibilidad de 300 Kg de azúcar, de
3. RESTRICCIONES
los cuales se utilizan 20 Kg para la
Restricción 1
manzana, 25Kg de azúcar para la
Trabajo Tiempo Disponible Ecuación
naranja.
Manzana 5 40 5x+5y≤40
4.1. Función objetivo Naranja 5
Restricción 2
1. FUNCIÓN OBJETIVO
Azúcar Peso Disponible Ecuación
MAXIMIZAR BENEFICIO Z = 1.25X+1.5Y
Kg
4.2. Variables de decisión Manzana 20 300 20x+25y≤300
Naranja 25
[Link] PRECIO
DECISIÓN USD
Cantidad de paquete x 1.25 4.3.1 No negatividad
1
3.1 NO NEGATIVIDAD
Cantidad de paquete y 1.5
X≥0
2
Y≥0
4.4. Modelo
4. Modelo
Z= 1.25X+1.5Y
R1 5x+5y≤40
R2 20x+25y≤300
No X≥0 4.6.1. Informe de respuesta
Negatividad Y≥0
Resultado: Solver encontró una solución.
4.5. Tabla de Solver Se cumplen todas las restricciones y
condiciones óptimas.
[Link] SOLVER
Motor de Solver
VARIABL X Y Si Ecu Can
Motor: Simplex LP
E 0 8 gn ació tida Tiempo de la solución: 0,016 segundos.
DECISIÓN o n d Iteraciones: 1 Subproblemas: 0
Tiempo 5 5 ≤ 40 40 Opciones de Solver
Peso 2 2 ≤ 200 300 Tiempo máximo Ilimitado, Iteraciones
0 5 Ilimitado, Precisión 0,000001, Usar escala
automática
Función 12
Máximo de subproblemas Ilimitado,
Objetivo
Máximo de soluciones de enteros Ilimitado,
4.6. Interpretación Tolerancia de enteros 1%, Asumir no
negativo
La interpretación de la tabla indica que,
considerando los recursos disponibles y Cel Nombre Valor Valor
da original final
los precios establecidos, la alternativa $C$ FUNCIÓN 0 12
40 OBJETIVO X
más conveniente para la empresa es
fabricar 8 unidades de compota de
naranja y ninguna de compota de
manzana. Esta decisión permite obtener Cel Nom Valor Valor Enter
da bre original final o
un ingreso máximo de 12 dólares $C$ X 0 0 Conti
37 nuar
estadounidenses. $D$ Y 0 8 Conti
37 nuar
Interpretación: Actualmente, la variable
Ce Nom Valor Fórmul Estad De
ld bre de la a o mo
a celda ra X no está en la solución óptima (valor
$F ≤ 40 $F$38< Vincul 0
$3 ECUA =$G$3 ante cero) y su coste reducido negativo indica
8 CIÓN 8
$F ≤ 200 $F$39< No 100
$3 ECUA =$G$3 vincul que incluirla en la solución podría
9 CIÓN 9 ante
mejorar el objetivo si su coeficiente
4.6.2. Informe de sensibilidad objetivo aumentara. Sin embargo, el
margen para reducir este coeficiente es
ilimitado, lo que significa que mientras
no se reduzca por debajo de cierto
umbral, la solución no cambiará.
Variable Y ($D$37):
Valor actual: 0
Análisis
Celdas de Variables Coeficiente objetivo: 0
Variable X ($C$37): Coste reducido: 1.5
Valor actual: 0 Rango permisible: puede aumentar
indefinidamente (1E+30) y reducir hasta
Coeficiente objetivo: 1.25
0.25.
Coste reducido: -0.25
Interpretación: La variable Y también
Rango permisible de variación del está en valor cero y su coste reducido
coeficiente objetivo: puede aumentar positivo indica que añadirla a la solución
hasta 0.25 o reducirse hasta un valor muy actual no mejoraría la función objetivo.
grande (1E+30). La solución es estable ante cambios en su
coeficiente dentro de los límites Rango permisible: puede aumentar
indicados. indefinidamente y reducir hasta 100.
Restricciones Interpretación: Esta restricción no está
activa (no es limitante) porque su precio
Restricción en $F$38:
sombra es cero. Cambios razonables en
Valor final (lado derecho): 40 el lado derecho de esta restricción no
afectarían la solución óptima.
Precio sombra: 0.3
4.6.3. Informe de limites
Rango permisible para el lado derecho:
puede aumentar hasta 20 y reducir hasta
40.
Interpretación: Esta restricción está
activa (limitante) en la solución, dado
que el precio sombra es diferente de cero. Función Objetivo
Un incremento de una unidad en el lado Valor actual de la función objetivo
derecho aumentaría el valor de la función ($C$40): 12
objetivo en 0.3 unidades, mientras que
Esto indica que la solución óptima del
una reducción significativa en el lado
modelo produce un valor objetivo de 12,
derecho puede cambiar la solución
que es el resultado que el modelo busca
óptima.
maximizar o minimizar (según el
Restricción en $F$39: contexto).
Variable X ($C$37)
Valor final: 200
Valor actual: 8
Precio sombra: 0
Esto indica que la variable X está una variable decisiva para alcanzar ese
presente en la solución con un valor de 8 valor.
unidades.
La variable X tiene un coste reducido
Límites inferiores y superiores para el negativo en el análisis previo (-0.25), lo
objetivo relacionados con X: que implica que su inclusión mejora el
objetivo, coherente con su valor actual
Límite inferior: 0
positivo (8).
Límite superior: 12
La variable Y aparentemente está en 0
Resultado objetivo en límites: en el
(no aparece aquí), lo que indica que no
límite inferior el objetivo es 0 y en el
contribuye en la solución actual.
límite superior es 12
El rango permisible de la variable X para
Interpretación:
mantener la solución óptima es amplio (0
La variable X puede variar desde 0 hasta a 12), por lo que pequeños ajustes no
12 sin que se pierda la factibilidad o afectarían la optimización.
cambie el valor óptimo de la función
5. Discusión
objetivo (que es 12). En la solución
actual, está en 8, por lo que existe Los resultados obtenidos en la práctica
margen para ajustar su valor dentro de de laboratorio, donde se determinó que la
ese rango. estrategia óptima consiste en producir 8
unidades de compota de naranja y
Análisis global combinando ambos
ninguna de compota de manzana, con un
fragmentos:
ingreso máximo de 12 USD, confirman
La función objetivo está en 12 con la
la aplicabilidad práctica de la
variable X en 8, lo que sugiere que X es
programación lineal en la optimización
de recursos y maximización de
beneficios. Este hallazgo es coherente encontrada en la práctica es un caso
con lo expuesto por Puente Riofrío y particular de maximización, donde las
Gavilánez Álvarez (2018), quienes restricciones y coeficientes favorecen la
señalan que la programación lineal asignación total de recursos a un solo
permite formular modelos matemáticos producto. Alvarado Boirivant (2009)
capaces de asignar de manera eficiente menciona que este tipo de soluciones es
recursos limitados para alcanzar un común cuando una de las alternativas
objetivo definido. genera un margen de beneficio
significativamente mayor por unidad de
Asimismo, los procedimientos
recurso consumido. Sin embargo, en
realizados en Microsoft Excel utilizando
otros estudios reportados por el mismo
la herramienta Solver reflejan la
autor, las soluciones óptimas pueden
facilidad que ofrecen las herramientas
implicar combinaciones de varios
computacionales para resolver modelos
productos, especialmente cuando los
de optimización, incluso aquellos que en
coeficientes de la función objetivo y las
su formulación manual podrían requerir
restricciones están más equilibrados.
un mayor tiempo de cálculo. Esto
coincide con la visión de Grudner Además, al comparar el ejercicio
Carranza (2021), quien destaca que el realizado en Microsoft Excel con la
uso de algoritmos como el simplex, solución obtenida utilizando el software
implementados en software, permite ManoQ, se observó que ambos métodos
obtener soluciones rápidas y precisas en arrojaron resultados idénticos en
contextos con múltiples variables y términos de producción óptima y valor
restricciones. máximo del ingreso. Esta coincidencia
refuerza la validez y confiabilidad de los
Al contrastar estos resultados con la
modelos matemáticos empleados, así
literatura, se observa que la solución
como la precisión de las herramientas solución óptima la producción de 8
computacionales para resolver unidades de compota de naranja y 0
problemas de programación lineal, unidades de compota de manzana, lo que
independientemente del software genera un beneficio máximo de 12 USD,
utilizado. cumpliendo con todas las restricciones
planteadas.
Las diferencias entre el resultado
obtenido y otros casos documentados se Se formuló correctamente el modelo
explican por la configuración particular matemático, definiendo la función
del problema planteado en el laboratorio: objetivo y las restricciones de tiempo y
la disponibilidad de recursos, la relación azúcar, lo que permitió representar
entre consumo y beneficio de cada fielmente la situación real de la empresa.
producto, y la naturaleza de las
La organización de los datos en tablas
restricciones condicionaron la
dentro de Excel facilitó la visualización
concentración de la producción en un
del problema y la ejecución del modelo
solo tipo de compota. Esta situación
en Solver, evidenciando la importancia
refuerza la importancia de realizar un
de una correcta estructuración de la
análisis previo de los parámetros del
información.
modelo antes de la toma de decisiones,
El uso de Solver permitió optimizar la
tal como lo sugieren Puente Riofrío y
función objetivo de manera rápida y
Gavilánez Álvarez (2018), para anticipar
precisa, demostrando la eficacia de las
los posibles escenarios de producción.
herramientas computacionales en la
6. Conclusiones
resolución de problemas de
Se aplicó la programación lineal en programación lineal.
Microsoft Excel para resolver el
ejercicio propuesto, obteniendo como
La interpretación de resultados fue programas especializados en
coherente con el análisis teórico, optimización para validar la consistencia
confirmando que las restricciones y de la solución.
parámetros del problema favorecen la
Profundizar en el uso de funciones
producción exclusiva de compota de
avanzadas de Solver, como el análisis de
naranja para maximizar el beneficio.
sensibilidad, para obtener información
7. Recomendaciones adicional que apoye la toma de
decisiones estratégicas.
En futuras prácticas, incluir análisis de
escenarios variando precios, recursos o 8. Bibliografía
coeficientes, para evaluar cómo cambian • Alvarado Boirivant, J. (2009). La
las decisiones óptimas bajo diferentes programación lineal: Aplicación de
condiciones. la pequeñas y medianas empresas.
Revista Reflexiones, 88(1), 89–
Incorporar en el modelo otras posibles
105. Universidad de Costa Rica.
restricciones, como demanda mínima de
[Link]
cada producto o limitaciones logísticas,
[Link]
para simular situaciones más cercanas a
• Grudner Carranza, E. C. (2021).
la realidad empresarial.
Aplicaciones de la programación
Guardar y documentar paso a paso el
lineal en investigación de
procedimiento en Excel, de manera que
operaciones – Algoritmo simplex.
sirva como guía de referencia para
Revista Tecnológica Pizarra
prácticas posteriores o para aplicar la
Matemática, 17(23), 1–15.
técnica en casos reales.
[Link]
Comparar los resultados de Solver con df/rtft/v17n23/v17n23_a03.pdf
métodos manuales o con otros
• Puente Riofrío, M. I., & Gavilánez
Álvarez, Ó. D. (2018).
Programación lineal para la toma
de decisiones. Escuela Superior
Politécnica de Chimborazo.
[Link]
ccion-
publicaciones/public/docs/books/2
019-09-19-210805-
58%20Libro%20Programacio%C
C%81n%20Lineal%[Link]
9. ANEXOS
Figura 1. Jenny Morales
Figura 2. Melanie Cornejo
Figura 3. Bryan Troya
Figura 4. Keyci Zambrano
10. Diagrama de flujo
INICIO
Objetivo, alcance,
metodología Instrucciones
Revisión del
JENNY
Problema enunciado del MORALES
ejercicio
variables, función
C Identificación
objetivo y
restricciones
hoja de
cálculo en
Excel
Configuración de BRYAN
Solver en Excel TROYA
Definir celda
objetivo
Seleccionar KEYCI
variables de ZAMBRANO
decisión
Establecer
restricciones
Verificación del
cumplimiento MELANIE
de restricciones CORNEJO
Tabla con resultados
Análisis de JENNY
resultados MORALES
Orientación para
BRYAN
informe y discusión TROYA
FIN
