Investigacin de Operaciones

Solucin de un
problema
financiero
mediante la
programacin
lineal

[SOLUCIN DE UN PROBLEMA FINANCIERO

MEDIANTE LA PROGRAMACIN LINEAL]

Tabla de contenido
CAPITULO I: GENERALIDADES Y DEFINICIONES.................................................3
1.1.

Informacin de la empresa........................................................................3

1.2.

Identificacin del problema........................................................................3

1.3.

Planteamiento del problema......................................................................4

1.4.

Formulacin del problema.........................................................................5

1.4.1.

Variables de decisin..........................................................................5

1.4.2.

Funcin Objetivo................................................................................5

1.4.3.

Restricciones.................................................................................... 5

1.5.

Justificacin del problema.........................................................................5

1.6.

Objetivos de la investigacin......................................................................6
Objetivos especficos............................................................................. 6

1.6.1.
1.7.

Hiptesis General..................................................................................... 6

CAPITULO II: MARCO TERICO...........................................................................6

2.1

Investigacin de operaciones.....................................................................6

2.2

Mtodo simplex........................................................................................ 8

2.3

Mtodo dos Fases.................................................................................. 11

2.4

El software LINDO................................................................................. 14

2.4.1
2.5

Beneficios clave de la aplicacin LINDO:.............................................15

El software Lingo................................................................................... 17

2.5.1

Beneficios clave de LINGO...............................................................18

2.6

Anlisis de Datos................................................................................... 21

2.7

Tamao de Muestra................................................................................22

2.7.1
2.8

Definiciones:................................................................................... 22

Tipos de Investigacin............................................................................ 26

CAPITULO III: SOLUCIN DEL MODELO MATEMTICO.......................................27

3.1

Problema de la CREDINKA.....................................................................27

3.2

Formulacin del modelo matemtico.........................................................28

3.3

Solucin en LINDO.................................................................................30

Conclusiones................................................................................................... 31
Recomendaciones........................................................................................... 32
Bibliografa...................................................................................................... 32

Investigacin de Operaciones | CAPITULO II: MARCO TERICO

CAPITULO I: GENERALIDADES Y DEFINICIONES

1.1.

Informacin de la empresa

La empresa Credinka SAC

inicia sus operaciones el 12 de Febrero de 1994. Sus

productos se han alineado a ofrecer servicios financieros al sector rural. Con el ingreso al
Grupo Diviso como accionista, Credinka expande sus operaciones a las regiones del Sur
al 2007. Diviso es reconocida como un conglomerado econmico importante en el sector
financiero y de mercado de capitales. Actualmente la FINANCIERA CREDINKAon se ha
integrado para iniciar sus operaciones como Financiera Credinka, siendo ahora la cuarta
financiera del sistema peruano en colocaciones y tercera en captaciones, de esta
manera refuerza su liderazgo en micro finanzas. Cuenta con 1200 colaboradores, 80
oficinas distribuidas en 12 regiones especialmente del sur del Per.
Productos de sus operaciones y su atencin al cliente, Financiera Credinka es
considerada una financiera solvente y estable. Adems ha mostrado un crecimiento dado
a las inversiones y al buen manejo de sus recursos. Financiera Credinka se ha
consolidado como una empresa promotora del desarrollo econmico del pas, fomentado
el crecimiento de pequeas empresas y emprendedores en actividades vinculadas al
comercio, manufactura, construccin y servicio.
La sede principal se encuentra en Av. Rivera Navarrete, Lima y en Av. De la Cultura,
Cuzco.
Financiera Credinka ofrece productos de crdito y deposito. Para crditos ofrece
productos como: crditos MYPE, de consumo e hipotecario; mientras que en depsitos
ofrece: Ahorro Corriente, Deposito CTS y plazo fijo.

1.2.

Identificacin del problema

Las actuales exigencias del mercado obligan a que las financieras sean eficientes en sus
operaciones. Para la Financiera Credinka se ha convertido en un reto constante ofrecer
productos crediticios totalmente accesibles para las pequeas empresas y personas
naturales sin poner el riesgo la solvencia y estabilidad de la misma. De la misma forma
Financiera Credinka desea consolidarse como una empresa lder en el rubro financiero
por ello deber maximizar sus ganancias para lograr tal objetivo. El problema se focaliza
en la utilizacin ptima de los recursos. Es decir, que la inversin hecha en los tres
diferentes productos financieros deber obtener la mxima cantidad de intereses
generados. Sin embargo, se deber considerar las restricciones de demanda histrica. El

objetivo ser la mejor distribucin de la inversin en cada uno de los tipos de crditos
para obtener la mayor cantidad de intereses generados.

1.3.

Planteamiento del problema

La empresa FINANCIERA CREDINKA dispone de un monto de 250 millones de soles

para invertir en los productos destinados a crditos. Este monto ser invertido en los 4
tipos de crditos. A continuacin se presentan las tasas de crdito:

Crdito microempresa:
Crdito Pequea Empresas:
Crdito Medianas Empresas:
Crdito Hipotecario:

de S/.500 a ms 21.6122%
de S/500 a ms 28.662%
de S/500 a ms 28.662%
cualquier monto 12.5%

La asignacin de estos crditos debe satisfacer las siguientes polticas de la

organizacin.
El monto asignado al crdito de microempresa debe ser al menos 43% del monto
asignado a los crditos hipotecario y mediana empresa, y al menos un 27% del
total de dinero prestado.
La gerencia ha estipulado que la cantidad total del crdito de Medianas Empresas
tiene que ser mayor o igual a la cantidad total de crdito microempresas.
El crdito hipotecario no puede ser mayor al total destinado de los otros tipos de
crditos.
El crdito pequeas empresas debe ser por lo menos el 65% del total entre
crdito hipotecario y crdito microempresas.
Las polticas tributarias, el inters recibido por la Financiera Creinka no debe exceder
a un retorno del 25% sobre el capital prestado.

1.4.

Formulacin del problema

La asignacin de montos de acuerdo al tipo de crdito determina la maximizacin de

las ganancias de la financiera.
Para formular el problema se utilizaran las herramientas y mtodos de la
investigacin de operaciones.

1.4.1. Variables de decisin

X1: Monto asignado al crdito microempresa.
X2: Monto asignado al crdito pequeas empresas.
X3: Monto asignado al crdito Medianas empresas.
X4: Monto asignado al crdito hipotecario.
1.4.2. Funcin Objetivo
Sera de maximizacin de ganancias:
MAX Z = 0.21622X1+0.28662X2+0.28662X3+0.125X4
1.4.3. Restricciones
X1+X2+X3+X4 <= 250 000 000
0.21622X1+0.28662X2+0.28662X3+0.125X4 <= 0.25(X1+X2+X3+X4)
X1 >= 0.43(X3+X4)
X1 >= 0.27(X1+X2+X3+X4)
X3 >= X1
X4 <= X1+X2+X3
X2 >= 0.65(X1+X4)

1.5.

Justificacin del problema

Para lograr con el objetivo de maximizar las ganancias, se utilizaran los mtodos de la
investigacin operativa. Para ello se realizara un modelado de un problema financiero
real y se resolver mediante mtodo simplex y de dos fases de manera manual y a
travs de la utilizacin del software Lindo y Lingo. Los resultados obtenidos solo
funcionaran de acuerdo a las restricciones consideradas en el modelado, pudindose
variar los resultados si se consideran otros factores internos o externos de la
organizacin.

1.6.

Objetivos de la investigacin

Conseguir la utilizacin optima del recurso monetario (inversin) para maximizar

las ganancias.
Aplicar mtodos de programacin lineal a situaciones reales del sistema

financiero.
Resolucin del problema utilizando Lindo y Lingo.

1.6.1. Objetivos especficos

1.7.

Distribuir y controlar los montos asignados al tipo de prstamo

Establecer estrategias para obtener pagos puntuales
Proveer facilidades de pago
Poseer tasas competitivas en el mercado financiero

Hiptesis General

La asignacin de montos para cada tipo de crdito determinara la maximizacin de

ganancias de FINANCIERA CREDINKA.

CAPITULO II: MARCO TERICO

2.1

Investigacin de operaciones

La Investigacin de Operaciones (IO), o Investigacin Operativa, es la investigacin de

las operaciones a realizar para el logro ptimo de los objetivos de un sistema o la mejora
del mismo. Esta disciplina brinda y utiliza la metodologa cientfica en la bsqueda de
soluciones ptimas, como apoyo en los procesos de decisin, en cuanto a lo que se
refiere a la toma de decisiones ptimas y en sistemas que se originan en la vida real.
El trmino IO se utiliza por primera vez en el ao 1939 durante la 2da Guerra Mundial,
especficamente cuando surge la necesidad de investigar las operaciones tcticas y
estratgicas de la defensa area, ante la incorporacin de un nuevo radar, en
oportunidad de los ataques alemanes a Gran Bretaa. El avance acelerado de la
tecnologa militar hace que los ejecutivos y administradores militares britnicos deban
recurrir a los cientficos, en pos de apoyo y orientacin en la planificacin de su defensa.
El xito de un pequeo grupo de cientficos que trabajaron en conjunto con el ejecutivo
militar a cargo de las operaciones en la lnea, deriv en una mayor demanda de sus
servicios y la extensin del uso de la metodologa a USA, Canad y Francia entre otros.

Sin embargo, el origen de la Investigacin Operativa puede considerarse como anterior a

la Revolucin Industrial, aunque fue durante este perodo que comienzan a originarse los
problemas tipo que la Investigacin Operativa trata de resolver. A partir de la Revolucin
Industrial y a travs de los aos se origina una segmentacin funcional y geogrfica de la
administracin, lo que da origen a la funcin ejecutiva o de integracin de la
administracin para servir a los intereses del sistema como un todo.
La Investigacin Operativa tarda en desarrollarse en el campo de la administracin
industrial. El uso de la metodologa cientfica en la industria se incorpora al principiar los
aos 50, a partir de la 2da Revolucin Industrial, propiciada por los avances de las
Comunicaciones, y la Computacin, que sientan las bases para la automatizacin, y por
sobre todo por el florecimiento y bienestar econmico de ese perodo.
Los primeros desarrollos de esta disciplina (IO) se refirieron a problemas de
ordenamiento de tareas, reparto de cargas de trabajo, planificacin y asignacin de
recursos en el mbito militar en sus inicios, diversificndose luego, y extendindose
finalmente a organizaciones industriales, acadmicas y gubernamentales.
En esta disciplina se destacan las siguientes caractersticas esenciales:
Una fuerte orientacin a Teora de Sistemas.
La participacin de equipos interdisciplinarios.
La aplicacin del mtodo cientfico en apoyo a la toma de decisiones.
En base a estas propiedades, una posible definicin es: la Investigacin Operativa es la
aplicacin del mtodo cientfico por equipos interdisciplinarios a problemas que
comprenden el control y gestin de sistemas organizados (hombre- mquina); con el
objetivo de encontrar soluciones que sirvan mejor a los propsitos del sistema (u
organizacin) como un todo, enmarcados en procesos de toma de decisiones.

2.2

Mtodo simplex

Mtodo Simplex desarrollado por George Bernard Dantzig (8 de noviembre de 1914 - 13

de mayo de 2005) en 1947. Este mtodo se basa en la conversin del problema con
restricciones con desigualdades en un problema cuyas restricciones son ecuaciones

lineales. Es un mtodo matricial.

Conversin
El algoritmo Simplex para resolver modelos de programacin lineal requiere que el
modelo este en su forma estndar.
Lo que se hace es convertir el modelo a la forma estndar. Esto se logra introduciendo
nuevas variables, algunas de las cuales reemplazaran a las variables originales. Para
cada restriccin del tipo se introduce una nueva variable de holgura (snack variable) S
que se suma al primer miembro y la desigualdad se convierte en igualdad; se aade la
restriccin de signo a la nueva variable si 0.
Para cada restriccin del tipo se introduce una nueva variable de exceso (excess
variable) ei que se resta al primer miembro y la desigualdad se convierte en igualdad; se
aade la restriccin de signo a la nueva variable ei 0.
Para cada variable xi que tiene restriccin de signo del tipo 0, se cambian todas las
apariciones de xi en el modelo por la expresin xi donde xi es una nueva variable con
restriccin de signo xi 0.
Para cada variable xi que no tiene restriccin de signo se cambian todas las apariciones
de ella en el modelo por la expresin xi xi donde xi y xi son dos nuevas variables
con restriccin de signo xi 0 y xi 0.
La conversin se realiza en dos fases: en la primera se convierten las desigualdades y
en la segunda se aplican las reglas para las variables que en el modelo original tiene
signo no positivo o no tienen restriccin de signo.

Ejemplo:

PASO 1

Base

Variable de decisin

Variable de holgura

Solucin

X1

X2

S1

S2

S3

S1

18

S2

42

S3
Z

3
-3

1
-2

0
0

0
0

1
0

24
0

PASO 2
Base

S1
S2

Variable de decisin

Variable de holgura

Solucin Operacin

X1

X2

S1

S2

S3

2
2

1
3

1
0

0
1

0
0

18
42

18/2=9
42/2=21

S3
Z

3
-3

1
-2

0
0

0
0

1
0

24
0

24/3=8

PASO 3
Base

Variable de decisin

Variable de holgura

Solucin

Operacin

X1

X2

S1

S2

S3

S1

1/3

-2/3

2/(1/3) =6

S2

7/3

-2/3

26

26/(7/3)=78/7

X1

1/3

-1/3

8/(1/3)=24

-1

24

PASO 4
Base

Variable de decisin

Variable de holgura

Solucin

Operacin

X1

X2

S1

S2

S3

X2

-2

S2

-7

12

No se toma por
ser negativo
12/4=3

X1

-1

6/1=6

-3

-2

-1

30

PASO 5
Base

Variable de decisin

Variable de holgura

Solucin

X1

X2

S1

S2

S3

X2
S2

0
0

1
0

-1/2
-7/4

0
0

0
1

12
3

X1

1
0

0
0

-3/4

0
0

0
0

2
33

5/4

2.3

Mtodo dos Fases

La desventaja de la tcnica M es el posible error de cmputo que podra resultar de

asignar un valor muy grande a la constante M. Esta situacin podra presentar errores de
redondeo en las operaciones de la computadora digital. Para evitar esta dificultad el
problema se puede resolver en 2 fases.

FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de

las variables artificiales.
La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original.
Si el problema tiene un espacio factible el valor mnimo de la funcin objetivo ptimo ser
cero, lo cual indica que todas las variables artificiales son cero. En este momento
pasamos a la fase 2.
* Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no
tiene solucin y termina anotndose que no existen soluciones factibles.
FASE 2. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema
original. En este caso, la funcin objetivo original se expresa en trminos de las variables
no bsicas utilizando las eliminaciones usuales Gauss-Jordan.
Ejemplo:
Min

Z = 200X1 + 500X2

Sujeto a
2X1+3X2 >=36
3X1+6X2>=60
X1, X2>=0
Solucin:
Min Z=200X1+500X2
Sujeto a:
2X1+3X2+R1-S1 =36
3X1+6X2+R2-S2=60
X1, X2>=0
FASE 1
Minimizar Z=R1+R2
Sujeto a:

2X1+3X2+R1-S1 =36
3X1+6X2+R2-S2=60
X1, X2>=0
Forma estndar:
Minimizar
Z-R1-R2=0
Sujeto a:
2X1+3X2+R1-S1 =36
3X1+6X2+R2-S2=60
X1, X2>=0

V.B

X1

X2

S1

S2

R1

R2

Soluci

Z
R1
R2

1
0
0

0
2
3

0
3
6

0
-1
0

0
0
-1

-1
1
0

-1
0
1

n
0
36
60

V.B

X1

X2

S1

S2

R1

R2

Soluci

0
1
0

0
0
1

n
96
36
60

Z
R1
R2

1
0
0

5
2
3

9
3
6

-1
-1
0

-1
0
-1

V.B

X1

X2

S1

S2

R1

R2

Solucin

-1

1/2

3/2

R1

-1

1/2

-1/2

R2

-1/2

1/6

10

V.B

X1

X2

S1

S2

R1

R2

Solucin

-1

-1

R1

-2

-1

12

R2

-2/3

-1

2/3

FASE 2
Minimizar

Z=2000X1+5000X2 +0S1+0S2
Z-2000X1-5000X2 -0S1-0S2

V.B

X1

X2

S1

S2

Soluci

Z
R1
R2

1
0
0

-2000
1
0

-500
0
1

0
-2
1

0
1
-2/3

n
0
12
4

V.B

X1

X2

S1

S2

Soluci

-3500
-2
1

500/3
1
2/3

n
26000
12
4

S1

S2

Soluci

0
1
0

n
6000
12
12

Z
R1
R2

1
0
0

0
1
0

0
0
1

V.B

X1

X2

Z
R1
R2

1
0
0

-5000/3
1
2/3

0
0
1

-500/3
-2
-1/3

Solucin ptima:
X1=0
X2=12
Z=6000

2.4

El software LINDO

LINDO es una aplicacin para computadoras que se utiliza para resolver problemas de
programacin lineal, cuadrtica y entera.
Desde 1979 el programa LINDO ha sido una de las herramientas de optimizacin
favoritas de las comunidades Educativas y Empresariales. LINDO Systems se ha
dedicado a proveer poderosas e innovativas herramientas de optimizacin que tambin
son flexibles y muy fciles de usar. LINDO tiene una larga historia y es uno de los
pioneros en crear poderosos programas de optimizacin.
En 1979 se vendi en Mxico la primer copia comercial de LINDO, la ayuda que este
proporcion en aquel momento, le hizo ganar popularidad muy rpidamente para luego

ser utilizado en aplicaciones industriales. En 1983 la versin LINDO/PC fue el primer

paquete para programacin lineal, este manejaba 60 restricciones y 120 variables. En
1996 apareci la versin 6.0 para WINDOWS.
Antes que aparecieran Lotus 1-2-3 o Excel, LINDO haba sido incorporado a la planilla
de clculo VisiCalc, el paquete se llam VINO y es el equivalente del SOLVER que viene
con Excel. En estos momentos existe una hoja de clculo llamada WHATS Best! la cual
se integra a EXCEL o LOTUS 1-2-3; sta resuelve problemas de optimizacin con
algoritmos de LINDO Systems.

2.4.1 Beneficios clave de la aplicacin LINDO:

Rpido, Fcil de desarrollo de aplicaciones
La API LINDO hace que sea fcil para usted para integrar a la perfeccin la
optimizacin en su propia aplicacin. La interfaz de programador ha sido
diseada para una mxima facilidad de uso y flexibilidad. Viene con clara,
documentacin y ejemplo integral para ayudarle a trabajar rpidamente.
Solucionadores de gran alcance
API LINDO le proporciona un arsenal de poderosas solucionadores para
Estocstico, lineal, no lineal (convexo y no convexo / Global), cuadrtica,

cuadrtica con restricciones, Segundo Cono Orden y Entero optimizacin. Todos

los solucionadores incorporan numerosas mejoras para una mxima velocidad y
robustez.
Caractersticas estocsticas Programacin
Sistema LINDO ha comenzado a distribuir una nueva versin de la API LINDO
que incluye nuevas caractersticas para permitir a los usuarios incorporar la
incertidumbre en sus modelos de optimizacin.
Amplio conjunto de rutinas
Ya sea que su aplicacin es grande o pequeo, simple o complejo, el API LINDO
proporciona la flexibilidad y funcionalidad que usted necesita. Incluye docenas de
rutinas para formular, resolver, consultar y modificar sus problemas.
Interfaz Conveniente para MATLAB
El Windows de 32 bits y 64 bits de API LINDO se pueden ejecutar como MATLAB
funcin exigible. Usando MATLAB modelado y programacin ambiente 's, se
puede construir y resolver modelos y crear algoritmos personalizados basados en
rutinas y solucionadores de la API LINDO.
Amplia Documentacin y ayuda
API LINDO proporciona todas las herramientas que se necesitan para poner en
marcha rpidamente. Usted consigue la API LINDO Manual del usuario (en
formato impreso y disponible en lnea en formato pdf), que incluye la definicin de
funciones detalladas para todas las rutinas. Tambin se incluye en el manual es
una discusin para ayudarle a escribir sus propias applications.applications.
Analizar modelos no factibles y no acotadas.
API LINDO incluye herramientas que le permiten rastrear lo que ha causado un
modelo sea inviable o ilimitado. Las herramientas de aislar una parte del modelo
original como la fuente del problema. Esto le permite enfocar su atencin en una
parte relativamente pequea subseccin de la modelo para buscar errores de
formulacin o de entrada de datos. En lineal inviable, no lineal, modelos
cuadrticos

enteros,

las

herramientas

se

encuentran

el

conjunto

irreductiblemente inconsistente de restricciones (IIS), y en los modelos sin lmites,

las herramientas se encuentra el conjunto irreductiblemente ilimitado de
columnas (SIU).
Crear Aplicaciones Web e Intranet
La API LINDO es seguro para subprocesos para permitirle crear web y
aplicaciones de red que manejan mltiples sesiones de usuario al mismo tiempo.
Aplicaciones Web y de red requieren de licencia especial. Pngase en contacto
con Sistemas LINDO para ms informacin.
Modelo Tamao Flexibilidad
Por qu pagar ms capacidad que usted necesita? El API LINDO est
disponible en una variedad de diferentes capacidades. Las capacidades van
desde unos pocos cientos de variables para las versiones con capacidad
ilimitada, por lo que puede seleccionar el producto que mejor se adapte a sus
necesidades para un problema particular.

2.5

El software Lingo

LINGO es una completa herramienta diseada para hacer la construccin y la solucin

lineal, no lineal (convexo y no convexo / Global), cuadrtica, cuadrtica con restricciones,
Segundo Cono Orden, estocstico, y modelos de optimizacin enteros ms rpido, ms
fcil y ms eficiente. LINGO proporciona un paquete completamente integrado que
incluye un potente lenguaje para expresar los modelos de optimizacin, un ambiente con
todas las funciones para los problemas de construccin y edicin, y un conjunto de
solucionadores incorporados rpido. El LINGO recientemente lanzado 14.0 incluye una
serie de importantes mejoras y nuevas caractersticas.

2.5.1 Beneficios clave de LINGO

Fcil de expresin de modelo
LINGO le ayudar a reducir el tiempo de desarrollo. Te permite formular sus
lineales, no lineales y enteros problemas rpidamente en una forma de fcil
lectura. Lenguaje de modelado de LINGO le permite expresar los modelos de una
manera intuitiva sencilla utilizando sumas y variables sub indicadas - al igual que
lo hara con lpiz y papel.
Modelos son ms fciles de construir, ms fcil de entender, y, por lo tanto, ms
fcil de mantener.
Opciones de datos convenientes
LINGO se toma el tiempo y la molestia de la gestin de sus datos. Se le permite
construir modelos que tiran de la informacin directamente de las bases de datos
y hojas de clculo. Del mismo modo, puede LINGO informacin solucin de
salida a la derecha en una base de datos u hoja de clculo haciendo ms fcil
para que pueda generar informes en la aplicacin de su eleccin.
Solucionadores de gran alcance
LINGO est disponible con un completo conjunto de rpidos, capaces de resolver

incorporadas para lineal, no lineal (convexo y no convexo / Global), cuadrtica,

cuadrtica con restricciones, Segundo Cono Orden, estocstico, y Entero
optimizacin. Usted nunca tiene que especificar o cargar un programa de
solucin

separada,

porque

LINGO

lee

su

formulacin

selecciona

automticamente el apropiado.
Modelo de manera interactiva o crear aplicaciones llave
Usted puede construir y resolver modelos dentro LINGO, o puede llamar LINGO
directamente desde una aplicacin que ha escrito. Para el desarrollo de modelos
de forma interactiva, LINGO proporciona un entorno de modelado completa para
construir, resolver y analizar sus modelos. Para la construccin de soluciones
llave en mano, LINGO viene con DLL exigible y las interfaces OLE que se puede
llamar desde aplicaciones escritas por el usuario. LINGO tambin se puede
llamar directamente desde una aplicacin o base de datos macro de Excel.
Amplia Documentacin y ayuda
LINGO proporciona todas las herramientas que se necesitan para poner en
marcha rpidamente. Usted consigue el Manual LINGO usuario (en formato
impreso y disponible a travs de la ayuda en lnea), que describe completamente
los comandos y caractersticas del programa. Tambin se incluyen con sper
versiones y ms grande es una copia de Optimizacin Modelado con LINGO, un
texto completo modelado discutir todas las principales clases de problemas
lineales, enteros y de optimizacin no lineal.
LINGO tambin viene con docenas de ejemplos basados en el mundo real para
que usted pueda modificar y ampliar.
Mtodo Simplex
MAXIMIZAR: 0.21622 X1 + 0.28662X2 + 0.28662X3 + 0.125X4
1X1 + 1X2 +1X3 + 1X4 <= 250000000
1X1 + 0X2 - 1X3 + 0X4 <= 0
-1X1 - 1X2 - 1X3 + 1X4 <= 0
-1X1 - 0X2 + 0.43X3 + 1X4 <= 0
0.65X1 - 1X2 + 0X3 + 0.43X4 <= 0
-0.73X1 0.27X2 + 0.27X3 + 0.27X4 <= 0

-0.03378X1 + 0.03662X2 + 0.03662X3 - 0.125X4 <= 0

X1, X2, X3, X4 => 0

MAXIMIZAR 0.21622 X1 + 0.28662X2 + 0.28662X3 + 0.125X4 + 0X5 + 0X6 + 0X7 + 0X8 +

0X9 +0X10 +0X11
1 X1 + 1X2 + 1 X3 + 1 X4 + 1X5 =250000000
1X1 -1X2 + 1X5 = 0
-1X1 -1X2 -1X3 + 1X4 + 1X7 = 0
-1X1 - 0.43X3 + 0.43X4 + 1X8 = 0
0.65X1 - 1X2 + 0.65X4 + 1X9 = 0
-0.73X1 + 0.27X2 + 0.27X3 + 0.27X4 +1X10 = 0
-0.03378X1 + 0.03662X2 + 0.03662X3 - 0.125X4 + 1X11= 0
X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11 > = 0

Tablero inicial

La solucin ptima es:

Z=62500000
X1=67500000
X2=87757088
X3=67500000
X4=27242914

2.6

Anlisis de Datos

En esta parte del trabajo se presentan a continuacin los resultados obtenidos.

Para llevar a cabo un anlisis de forma ms clara se cre un archivo en Microsoft Excel,
donde se realiz el vaciado de los resultados para ser analizados por medio de una
grfica, que se presenta continuacin.

Segn el grafico presentado se concluye que tenemos que designar el 27% del monto
total a crdito de Microempresas, 35 % a crdito de pequeas empresas, 27 % a crdito
de Medianas Empresas y solo el 11 % a crdito hipotecario para vivienda.
Al cumplir con esta asignacin de montos la empresa CREDINKA maximizara sus
ganancias.

2.7

Tamao de Muestra
2.7.1 Definiciones:

Poblacin: Es aquel conjunto de individuos o elementos que le podemos observar,

medir una caracterstica o atributo.
Ejemplos de poblacin:
El conjunto formado por todos los estudiantes universitarios de la UNMSM.
El conjunto de todos los estudiantes de una carrera profesional.
El conjunto de personas que realizan ciclismo en el departamento de Lima.
Son caractersticas medibles u observables de cada elemento por ejemplo, su estatura,
su peso, edad, sexo, etc.
Supongamos que nos interesa conocer el peso promedio de la poblacin formada por los
estudiantes de una universidad. Si la universidad tiene 5376 alumnos, bastara pesar

cada estudiante, sumar los 5376 pesajes y dividirlo por 5376. Pero este proceso puede
presentar dificultades dentro de las que podemos mencionar:
Localizar y pesar con precisin cada estudiante:
Escribir todos los datos sin equivocaciones en una lista:
Efectuar los clculos.
Las dificultades son mayores si en nmero de elementos de la poblacin es infinito, si los
elementos se destruyen, si sufren daos al ser medidos o estn muy dispersos, si el
costo para realizar el trabajo es muy costoso.
Una solucin a este problema consiste en medir solo una parte de la poblacin que
llamaremos muestra y tomar el peso medio en la muestra como una aproximacin del
verdadero valor del peso medio de la poblacin.
El tamao de la poblacin es la cantidad de elementos de esta y el tamao de la muestra
es la cantidad de elementos de la muestra. Las poblaciones pueden ser finitas e infinitas.
Los datos obtenidos de una poblacin pueden contener toda la informacin que se desee
de ella. De lo que se trata es de extraerle esa informacin a la muestra, es decir a los
datos mustrales sacarle toda la informacin de la poblacin.
La muestra debe obtener toda la informacin deseada para tener la posibilidad de
extraerla, esto slo se puede lograr con una buena seleccin de la muestra y un trabajo
muy cuidadosos y de alta calidad en la recogida de los datos.
Es bueno sealar que en un momento una poblacin puede ser muestra en una
investigacin y una muestra puede ser poblacin, esto es dado por el objetivo del
investigacin, por ejemplo en el caso de determinar la estatura media de los estudiantes
universitarios en Cuba una muestra poda ser escoger algunas universidades del pas y
realizar el trabajo, si por el contrario se quiere saber la estatura promedio de los
estudiantes de una universidad en especfico en Cuba, entonces el conjunto formado por
todos los estudiantes de esta universidad sera la poblacin y la muestra estara dada
por los grupos, carreras o aos seleccionado para realzar el experimento.
Parmetro: Son las medidas o datos que se obtienen sobre la distribucin de
probabilidades de la poblacin, tales como la media, la varianza, la proporcin, etc.
Estadstico: Los datos o medidas que se obtienen sobre una muestra y por lo tanto una
estimacin de los parmetros.
Error Muestral: Es la diferencia entre un estadstico y su parmetro correspondiente. Es
una medida de la variabilidad de las estimaciones de muestras repetidas en torno al

valor de la poblacin, nos da una nocin clara de hasta dnde y con qu probabilidad
una estimacin basada en una muestra se aleja del valor que se hubiera obtenido por
medio de un censo completo. Siempre se comete un error, pero la naturaleza de la
investigacin nos indicar hasta qu medida podemos cometerlo (los resultados se
someten a error muestral e intervalos de confianza que varan muestra a muestra). Vara
segn se calcule al principio o al final. Un estadstico ser ms preciso en cuanto y tanto
su error es ms pequeo. Podramos decir que es la desviacin de la distribucin
muestral de un estadstico y su fiabilidad.
Nivel de Confianza: Probabilidad de que la estimacin efectuada se ajuste a la realidad.
Cualquier informacin que queremos recoger est distribuida segn una ley de
probabilidad (Gauss o Student), as llamamos nivel de confianza a la probabilidad de que
el intervalo construido en torno a un estadstico capte el verdadero valor del parmetro.
Varianza Poblacional: Cuando una poblacin es ms homognea la varianza es menor
y el nmero de entrevistas necesarias para construir un modelo reducido del universo, o
de la poblacin, ser ms pequeo. Generalmente es un valor desconocido y hay que
estimarlo a partir de datos de estudios previos.
El tamao de la muestra: Al realizar un muestreo probabilstica es importante saber el
nmero mnimo de unidades de anlisis (personas, organizaciones, etc.), que se
necesitan para conformar una muestra (n) que me asegure un error estndar menor que
0.01 fijado por el muestrista o investigador), dado que la poblacin (N) es
aproximadamente de tantos elementos.
En el tamao de una muestra de una poblacin tenemos que tener presente adems si
es conocida o no la varianza poblacional.
Para determinar el tamao de muestra necesario para estimar con un error mximo
permisible

prefijado y conocida la varianza poblacional (2) podemos utilizar la

frmula:

Donde:
n = el tamao de la muestra.
= ingreso promedio de las familias
Desviacin estndar de la poblacin.
Z = Valor obtenido al 95% de intervalo de confianza

r = Precisin

Tamao de la muestra para la poblacin infinita o desconocida:

Tamao de la muestra para la poblacin finita y conocida

Donde:
n: tamao muestral
N: tamao de la poblacin
z: valor correspondiente a la distribucin
p: prevalencia esperada del parmetro a evaluar, en caso de desconocerse
(p=0.5)
i: error que se prev cometer si es del 10 %, i = 0.1

2.8

Tipos de Investigacin

Los tipos de investigacin se catalogan segn un propsito sealado, se busca un

determinado nivel de conocimiento y se basa en una estrategia particular o1 combinada.
La clasificacin segn el propsito: pura y aplicada
Investigacin Pura: Se busca aumentar los conocimientos tericos, sin interesarse
directamente en sus posibles aplicaciones o consecuencias prcticas; es decir se
encarga de buscar informacin para desarrollar una teora sobre un determinado
problema.
Investigacin Aplicada: Busca conocimientos con fines de aplicacin inmediata a la

realidad para modificarlo; es decir presenta solucin a problemas prcticos ms que

formular teoras sobre ellos.
Su clasificacin segn el nivel de conocimientos: exploratoria, descriptiva, explicativa.
Investigacin Exploratoria: Es aquella que slo se propone alcanzar una visin general
del tema en estudio, o sea, buscar el tpico de inters, formular el problema y delimitar
futuros temas de investigacin.
Investigacin Descriptiva: Propone conocer grupos homogneos de fenmenos,
utilizando criterios sistemticos que permitan poner de manifiesto su estructura o
comportamiento. No se ocupa de la verificacin de hiptesis, sino de la descripcin de
hechos a partir de un criterio terico.
Investigacin Explicativa: El cientfico se preocupa ms en buscar las causas o los por
qu de la ocurrencia del fenmeno, de cules son las variables o caractersticas que
presenta y de cmo se dan sus interrelaciones. Su objetivo es encontrar las relaciones
de causa-efecto que se dan entre los hechos a objeto de conocerlos con mayor
profundidad.
Su clasificacin segn la estrategia: documental, de campo, experimental
Investigacin Documental: Se basa en anlisis de datos obtenidos de diferentes
fuentes de informacin. A esta investigacin se adscribe el concepto de Investigacin
documental o bibliogrfica.
Investigacin de Campo: La estrategia que cumple el investigador se basa en mtodos
que permiten recoger los datos en forma directa de la realidad donde se presenta. Los
datos obtenidos son llamados primarios o de primera mano.
Investigacin Experimental: Cuando el investigador manipula los datos directamente o
mediante la creacin de condiciones para establecer mecanismos de control y llegar a
conocer las relaciones causa-efecto del fenmeno. Persigue el control de varias
variables, dejando alguna de ellas sin modificar para ver su efecto.
El tipo de investigacin que se utiliza en el trabajo es aplicada, dado que los
conocimientos acerca de programacin lineal sern empleados para dar solucin a un
problema prctico en finanzas.

CAPITULO III: SOLUCIN DEL MODELO MATEMTICO

3.1

Problema de la CREDINKA

La financiera CREDINKA dispone de un monto de S/. 250 millones para destinar a 4

tipos de crditos ofrecidos a sus clientes para los prximos 12 meses, las cuales tienes
las siguientes tasas de crdito:

Crdito Microempresas: de S/.500 a ms 21.622%

Crdito Pequeas Empresas: de S/.500 a ms 28.662%
Crdito Medianas Empresas: de S/.500 a ms 28.662%
Crdito hipotecario para vivienda: cualquier monto 12.5%

La asignacin de estos crditos, debe satisfacer las siguientes polticas utilizadas por la
institucin:
El monto asignado al crdito de Microempresas debe ser al menos 43% del monto
asignado a los crditos hipotecario y mediana Empresa, y al menos un 27% del total del
dinero prestado.
La gerencia ha estipulado que la cantidad total del crdito de Medianas Empresas tiene
que ser mayor o igual a la cantidad total crdito Microempresas.
El crdito hipotecario para vivienda no puede ser mayor al total destinado de los otros
crditos.
El crdito Pequeas Empresas deber ser por lo menos el 65% del total entre crdito
hipotecario para vivienda y crdito Microempresas.
Por polticas tributarias, el inters recibido por la Financiera no debe exceder a un
retorno del 25% sobre el capital prestado.
Se requiere asignar montos de acuerdo al tipo de prstamo para determinar
maximizacin de ganancias en la Financiera CREDINKA.

3.2

Formulacin del modelo matemtico

Variables de Decisin:
X1: Monto asignado al crdito Microempresas.
X2: Monto asignado al crdito Pequeas Empresas.
X3: Monto asignado al crdito Medianas Empresas.
X4: Monto asignado al crdito hipotecario para vivienda.

la

Funcin Objetivo:
Max Z = 0.21622X1 + 0.28662X2 + 0.28662X3 + 0.125X4
Restricciones:
El problema de CREDINKA est sujeto a las siguientes restricciones:
Restriccin 1: La financiera CREDINKA dispone de un monto de S/. 250 millones para
destinar a 4 tipos de crditos. (Restriccin de recursos)
X1 + X2 + X3 + X4 <= 250000000
Restriccin 2: El monto asignado al crdito de Microempresas debe ser al menos 43%
del monto asignado a los crditos hipotecario y mediana Empresa, y al menos un 27%
del total del dinero prestado.
X1 >= 0.43 (X3 + X4)
X1 >= 0.27 (X1 + X2 + X3 + X4)
Restriccin 3: La gerencia ha estipulado que la cantidad total del crdito de Medianas
Empresas tiene que ser mayor o igual a la cantidad total de crdito Microempresas.
X3 >= X1
Restriccin 4: El crdito hipotecario para vivienda no puede ser mayor al total destinado
de los otros crditos.
X4 <= X1 + X2 +X3
Restriccin 5: El crdito Pequeas Empresas deber ser por lo menos el 65% del total
entre crdito hipotecario para vivienda y crdito Microempresas.
X2 >= 0.65 (X4 + X1)
Restriccin 6: Por polticas tributarias, el inters recibido por la Financiera no debe
exceder a un retorno del 25% sobre el capital prestado.
0.21622 X1 + 0.28662 X2 + 0.28662 X3 + 0.125 X4 <= 0.25 (X1 + X2 + X3 X4)

MODELO MATEMTICO:
MAX = 0.21622 X1 + 0.28662 X2 + 0.28662 X3 + 0.125 X4
S.A:
X1 + X2 + X3 + X4 <= 250000000;
X1 - 0.43 X3 - 0.43 X4 >= 0

0.73 X1 - 0.27 X2 - 0.27 X3 - 0.27 X4 >= 0

X3 - X1 >= 0
X4 - X1 - X2 - X3 <= 0
X2 - 0.65 X1 - 0.65 X4 >=0
-0.03378 X1 + 0.03662 X2 + 0.03662 X3 - 0.125 X4 <= 0

3.3

Solucin en LINDO

Interpretacin de los resultados:

Z = 62 500 000
X1 = 81052792 (Cantidad de soles asignados a crdito microempresas)
X2 = 66554960 (Cantidad de soles asignados a crdito pequea empresa)
X3 = 81052792 (Cantidad de soles asignados a crdito mediana empresa)
X4 = 21339456 (Cantidad de soles asignados a crdito hipotecario)

Para que esta solucin sea vigente los coeficientes de la funcin objetivo no deben
variar, excepto por el coeficiente 4, este debe estar en el rango de:
0.125 2.928846 <= c4 <= 0.125
-2.803846 <= c4 <= 0.125

Conclusiones

La programacin lineal es una herramienta poderosa para la resolucin de

problemas.

El software Lingo y Lindo ofrecen la misma solucin al problema planteado,

debido a la estructura de la PL.

La Utilizacin del software nos provee de resultados ptimos en menor tiempo.

el monto asignado a la pequea empresa es mayor debido a que su tasa

es mayor entre las 4 diferentes tasas ofrecidas por la FINANCIERA
CREDINKAON.

Si bien las restricciones son limitadas, es posible realizar un anlisis ms

profundo de otras variables como el riesgo.

Los valores obtenidos son los ptimos dado las restricciones, pero para
implementarlo es necesario revisar y o modificar la PL, dado a factores
externos o variables no consideradas.

Las soluciones tambin nos muestra el rango " optimo", los cuales sern
controlados en la implementacin del modelo en lo real.

Recomendaciones

Para hacer un trabajo de investigacin donde se aplique la investigacin

operativa es necesario tener bien definido qu tipo de tema o asunto se va
analizar como por ejemplo en el nuestro problemas de planeamiento
financiero.

Debemos Tener objetivos claros de nuestra investigacin as como tener

concomimientos o averiguar sobre el campo elegido.

Una vez encontrado el tema y debemos describir el problema para su posterior

modelamiento de sus realidad a travs de modelos matemticos y adems de
ello usar los mtodos adecuado para su solucin.

Se recomienda Elegir un mtodo de acuerdo a las restricciones a la que se

encuentra sometido la funcin objetivo.

Una vez obtenido la solucin ptima hacer un anlisis de todo y como afecta
eso a la empresa con que se est haciendo el estudio.

Bibliografa
http://www.nuevavision.com.pe/archivos/1765-2005.R.pdf
http://gestion.pe/tu-dinero/agenda-inclusiva-sbs-y-asbanc-2098433
http://www.nuevavision.com.pe/index.php?option=com_content&view=article&
id=11&Itemid=161
http://www.itlalaguna.edu.mx/Academico/Carreras/industrial/invoperaciones1/
U2D.HTML
http://www.lindo.com/index.php?option=com_content&view=article&id=1&Ite
mid=9
http://operativa.tripod.com/index.html
Mallo Paulino, Artola

Maria. Decisiones Financieras con programacin lineal,

Universidad de Mar de Plata, 2009

Enciclopedia Financiera , http://www.enciclopediafinanciera.com/definicionprogramacion-lineal.html, visitado el 18/11/2014