Clase 1 — Tomar la mejor decisión posible cuando hay recursos limitados y mil variables. Aquí lo hacemos con matemáticas. — Elkin Rodríguez E.
Ruta de hoy · 3 horas
Cómo va a fluir la clase
01
Rompehielo — la pelota y la cadena de nombres
02
Encuadre — quién les habla, objetivos, reglas, evaluación
—
Break · 15 min
03
¿Qué es la IO? Y la sala de guerra donde nació.
04
Los 3 ingredientes y los 5 pasos del modelado
05
Gimnasio de modelado — 8 retos, de "una línea" a binarias
06
Método gráfico — resolvemos una PL completa, paso a paso
07
La IA modela en vivo …¿y se equivoca?
08
Dinámica central — modelamos juntos en el tablero
09
Cierre — 3 ideas + reto relámpago
Dinámica de apertura · ~25 min
La pelota y la cadena de nombres
Te lanzo la pelota. Quien la recibe: nombre + qué le apasiona.
Dice en qué le gustaría desempeñarse como ingeniero(a).
Da su opinión: ¿la IA reemplaza al que sabe optimizar?
El reto: antes de hablar, repite el nombre de quien lanzó la pelota.
La cadena crece: el último intenta nombrar a todos. 🔥
Quién les habla
Optimización con consecuencias reales
Consultoría en datos y estrategia, y liderazgo de estrategia de datos en una multinacional. Aquí un modelo bien planteado no es un ejercicio: es plata ahorrada, tiempo ganado y decisiones defendibles.
Objetivos oficiales · evaluables
Al terminar el curso, ustedes podrán…
Modelar problemas
Traducir un problema real a un modelo con variables, restricciones y función objetivo.
Resolver y optimizar
Formular y resolver programación lineal y entera para hallar la mejor solución.
Analizar sensibilidad
Entender cómo cambia la solución cuando cambian los datos — y decidir con eso.
El giro 2026 · mi valor agregado
Solvers con IA y modelado conversacional
Ya se puede describir un problema en lenguaje natural y que la IA arme el modelo. La pregunta es: ¿lo armó bien? Ahí entran ustedes.
Copilotos de optimización: qué aceleran y dónde se equivocan.
Modelado conversacional de problemas reales.
Por qué entender la teoría los vuelve imposibles de engañar por un solver.
Reglas de juego
Tres acuerdos innegociables
10′
Puntualidad
Máximo 10 minutos para arrancar. Después, es muy probable que cierre el salón.
Respeto
Todas las opiniones caben. Debatimos ideas, no personas.
Hambre de aprender
Lo más importante. Aquí se premia atreverse a ir más allá.
↳ Clase de 3 horas: hay un break de 15 min.
Cómo los evalúo
Tres cortes · 33,3% cada uno
50%
Dinámicas
Talleres y dinámicas, principalmente en clase.
40%
Parcial del corte
Un parcial que cierra cada corte.
10%
Participación
Puntos por participar y atreverse a ir más allá.
Break de 15 min → y arrancamos con lo bueno
¿Qué es la Investigación de Operaciones?
El corazón de hoy
La ciencia de decidir mejor
Investigación de Operaciones: usar modelos matemáticos para tomar la mejor decisión posible cuando los recursos son limitados.
Nació en la Segunda Guerra Mundial para asignar recursos escasos. Hoy decide rutas de domicilios, turnos de enfermeras y cuánto stock pedir.
Origen · Reino Unido, 1939-1940
La sala de guerra donde nació
No había computadores: había físicos, matemáticos y biólogos metidos en la misma sala resolviendo problemas militares con datos. Los llamaron Operational Research.
Los dirigía Patrick Blackett (después Nobel de Física). A su equipo interdisciplinario le decían "el circo de Blackett".
La pregunta no era "¿cómo construyo un arma mejor?", sino "¿cómo uso mejor lo que ya tengo?". Esa sigue siendo la pregunta de la IO.
Lo que descubrieron con datos
Tres decisiones que cambiaron la guerra
Convoyes más grandes
Contra la intuición, los convoyes grandes perdían menos porcentaje de barcos. Las pérdidas dependían del perímetro, no del área. Un modelo lo demostró.
Cargas de profundidad
Ajustaron la detonación a menor profundidad. La tasa de submarinos hundidos se multiplicó sin gastar un peso más.
Blindaje de aviones
Reforzaron donde los que volvíanno tenían impactos: los que recibían ahí no volvían. (Sesgo de supervivencia · grupo de Wald, EE. UU.)
Al terminar la guerra, la misma idea pasó a las aerolíneas, la logística y las fábricas. En 1947, George Dantzig inventó el método símplex y la programación lineal — el motor que verán funcionar hoy.
La receta que se repite siempre
Los 3 ingredientes de todo modelo
Variables de decisión
Lo que tú controlas. ¿Cuántas unidades de A y de B produzco?
Función objetivo
Lo que quieres maximizar o minimizar. Maximizar ganancia, minimizar costo.
Restricciones
Los límites de la realidad. Horas de máquina, presupuesto, materia prima.
El proceso completo
De la realidad a la decisión · 5 pasos
01
Definir Entender el problema real y qué se decide. El paso que más se salta la gente… y el que más cuesta caro.
02
Formular Traducirlo a variables, objetivo y restricciones. Aquí vive el 80% del arte.
03
Resolver Dejar que el método (gráfico, símplex, un solver) encuentre el óptimo.
04
Validar ¿La respuesta tiene sentido en la vida real? ¿Olvidé una restricción?
05
Implementar Llevarlo a la operación y medir si de verdad mejoró.
La IA de hoy es rapidísima en el paso 3 y buena en el 2. Los pasos 1, 4 y 5 siguen siendo 100% humanos. Ahí está su trabajo.
Ejemplo guiado · mezcla de producción
De la historia al modelo
El enunciado
Una fábrica hace sillas ($40) y mesas ($50). Cada silla usa 2 h de carpintería; cada mesa, 4 h. Hay 100 h disponibles. ¿Cuánto de cada una para ganar más?
El modelo
max Z = 40·s + 50·m s.a. 2·s + 4·m ≤ 100
s ≥ 0, m ≥ 0
Traducir la historia a esas 3 líneas: eso es modelar.
Eso fue formular (paso 2). Ahora entrenamos ese músculo con 8 retos que suben de dificultad: les muestro el enunciado, ustedes me gritan las 3 piezas, y recién ahí pasamos a la solución.
Suben de dificultad: de "una línea" a enteros, binarios y trampas del mundo real.
No importa fallar el número. Importa cazar las 3 piezas rápido.
Marcador mental: cada acierto de restricción olvidada = punto de participación.
Gimnasio · reto 1 de 8
Reto 1 · Parcial vs. proyecto
Tienes 12 horas libres esta semana. Cada hora al parcial te sube la nota esperada 0,5 pts; cada hora al proyecto, 0,3 pts. El proyecto necesita mínimo 4 horas para entregar algo presentable. ¿Cómo repartes las horas para ganar más puntos?
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 1 · solución
Reto 1 · solución
var x = horas al parcial · y = horas al proyecto max Z = 0,5·x + 0,3·y s.a. x + y ≤ 12
y ≥ 4
x, y ≥ 0
Óptimo: x = 8, y = 4 → Z = 5,2 pts. El parcial rinde más por hora, así que al proyecto solo le das el mínimo que exige la restricción.
Gimnasio · reto 2 de 8
Reto 2 · La tienda de Doña Rosa
Doña Rosa arma dos combos. El Combo A deja $3.000; el Combo B, $4.000. Cada A usa 1 bolsa; cada B usa 2 bolsas. Tiene 20 bolsas. ¿Cuántos de cada uno para ganar más?
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 2 · solución
Reto 2 · solución
var A, B = combos de cada tipo (utilidad en miles) max Z = 3·A + 4·B s.a. A + 2·B ≤ 20
A, B ≥ 0
Trampa de intuición: B deja más plata por unidad, pero por bolsa A rinde $3.000 y B solo $2.000.
Óptimo: A = 20, B = 0 → Z = $60.000."Más caro" ≠ "más rentable por recurso".
Gimnasio · reto 3 de 8
Reto 3 · Domicilios
Un domiciliario reparte pedidos de comida ($5.000) y de farmacia ($4.000) en un turno. Comida: 15 min de viaje + 5 de espera. Farmacia: 10 min de viaje + 10 de espera. En el turno hay 180 min de viaje y 120 min de espera. Maximizar el ingreso.
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 3 · solución
Reto 3 · solución
var c = pedidos de comida · f = pedidos de farmacia max Z = 5·c + 4·f (miles) s.a. 15·c + 10·f ≤ 180 (viaje)
5·c + 10·f ≤ 120 (espera)
c, f ≥ 0
Óptimo: c = 6, f = 9 → Z = $66.000. Dos recursos que compiten: el óptimo aparece donde ambos aprietan a la vez.
Gimnasio · reto 4 de 8
Reto 4 · La dieta del deportista
Dos productos: avena ($2.000/porción: aporta 1 de proteína y 2 de hierro) y yogur ($3.000/porción: 3 de proteína y 1 de hierro). Se necesitan mínimo 9 de proteína y 8 de hierro al día. Minimizar el costo.
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 4 · solución
Reto 4 · solución
var a = porciones de avena · y = porciones de yogur min Z = 2·a + 3·y s.a. 1·a + 3·y ≥ 9 (proteína)
2·a + 1·y ≥ 8 (hierro)
a, y ≥ 0
Cambia el chip: ahora minimizamos y las restricciones son ≥. La región factible está "hacia afuera".
Óptimo: a = 3, y = 2 → Z = $12.000 (ambas restricciones quedan al límite). El histórico "problema de la dieta" — Stigler, 1945.
Gimnasio · reto 5 de 8
Reto 5 · Presupuesto de pauta
Una startup tiene $10 millones para publicidad. Instagram alcanza 50 personas por cada $1.000; TikTok, 40 por cada $1.000. Por contrato no puede poner más de $6 millones en una sola plataforma. Maximizar el alcance.
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 5 · solución
Reto 5 · solución
var I, T = miles de $ en cada plataforma max Z = 50·I + 40·T s.a. I + T ≤ 10.000
I ≤ 6.000 · T ≤ 6.000
I, T ≥ 0
Óptimo: I = 6.000, T = 4.000 → alcance = 460.000 personas. Instagram rinde más → se llena hasta el tope y el resto va a TikTok. Los topes por canal cambian todo.
Gimnasio · reto 6 de 8
Reto 6 · Turnos de meseros
Un restaurante necesita ≥ 8 meseros en almuerzo y ≥ 10 en cena. Un mesero de turno completo ($60k) cubre almuerzo y cena. Uno de solo-cena ($35k) cubre únicamente la cena. Solo los de turno completo cubren el almuerzo. Minimizar el costo. (Meseros = número entero.)
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 6 · solución
Reto 6 · solución
var F = turno completo · S = solo-cena (enteros) min Z = 60·F + 35·S s.a. F ≥ 8 (almuerzo)
F + S ≥ 10 (cena)
F, S ≥ 0 enteros
Óptimo: F = 8, S = 2 → Z = $550k. Tentación: "pongo 10 completos" = $600k, más caro. Aparecen las variables enteras.
Gimnasio · reto 7 de 8
Reto 7 · Las arepas (léanlo tal cual)
"Vendo arepas de queso (utilidad $2.000) y de huevo (utilidad $3.000). Tengo 6 horas; cada arepa toma 6 minutos, del tipo que sea. Dime cuántas hacer para ganar más."
Modelen exactamente lo que dice el enunciado. ¿Variables? ¿Objetivo? ¿Restricciones?
Reto 7 · la trampa
Reto 7 · la trampa
max Z = 2·q + 3·h s.a. 6·q + 6·h ≤ 360 → q + h ≤ 60
Literal, sin más límites → 60 de huevo = $180.000.
Pero en la vida real solo se venden ~20 de huevo al día. El enunciado nunca lo dijo.
Con la restricción real h ≤ 20: h = 20, q = 40 → Z = $140.000.
Moraleja (puente a la IA): un solver optimiza lo que le escribes. La restricción que olvidaste no la inventa por ti. Esa restricción olvidada es tu responsabilidad, no la del solver.
Gimnasio · reto 8 de 8
Reto 8 · Proyectos de la alcaldía
La alcaldía tiene $100 millones y 4 proyectos (cada uno se hace o no, sin fracciones):
Maximizar el beneficio social sin pasar el presupuesto.
¿Variables? ¿Objetivo? ¿Restricciones?
Reto 8 · solución
Reto 8 · solución
var x₁…x₄ ∈ {0,1} (binarias) max Z = 60·x₁ + 50·x₂ + 70·x₃ + 25·x₄ s.a. 40·x₁ + 30·x₂ + 50·x₃ + 20·x₄ ≤ 100
Óptimo: Ciclovía + Biblioteca + Alumbrado → costo 100, beneficio 145. (El Parque queda por fuera aunque "suene" prioritario.)
No existe "media biblioteca" → el método gráfico ya no sirve. Esto motiva los métodos de la próxima clase.
Clímax · ahora sí lo resolvemos completo
Reto 9 · Morrales
Una microempresa hace dos morrales: Clásico (C) deja $30.000, Pro (P) deja $50.000. Corte: C usa 1 h, P usa 2 h — hay 40 h/semana. Costura: C usa 2 h, P usa 1 h — hay 50 h/semana.
max Z = 30·C + 50·P (miles) s.a. C + 2·P ≤ 40 (corte)
2·C + P ≤ 50 (costura)
C, P ≥ 0
Método gráfico · paso 1 de 4
Paso 1 · Dibujar las restricciones
Cada recta se traza por sus cortes con los ejes; cada ≤ es el semiplano hacia el origen.
Método gráfico · paso 2 de 4
Paso 2 · La región factible
Donde se cumplen todas las restricciones a la vez. Clave: el óptimo de una PL siempre está en un vértice — solo hay que probar las esquinas.
Método gráfico · paso 3 de 4
Paso 3 · Evaluar los vértices
Se evalúa Z = 30C + 50P en cada esquina:
(0,0)
Z = 0
(25,0)
Z = 750
(0,20)
Z = 1.000
(20,10)
Z = 1.100 ← el mayor
Método gráfico · paso 4 de 4
Paso 4 · La decisión
Óptimo: C = 20, P = 10 → Z = $1.100.000 por semana.
Las dos restricciones quedan al tope (40 h de corte y 50 h de costura usadas al 100%): ambos recursos son cuellos de botella.
Pregunta que abre la próxima clase: "¿Y si consigo 1 hora más de costura, cuánto gano?" → eso es análisis de sensibilidad.
Capa 2 · el giro 2026
¿Y si la IA arma el modelo por mí?
Puede hacerlo. Pero un modelo mal planteado da una respuesta perfecta… a la pregunta equivocada.
El solver optimiza; ustedes deciden qué se optimiza.
Detectar cuándo la IA olvidó una restricción del mundo real.
Entender la teoría = ser imbatibles revisando lo que propone.
Demostración en vivo
La IA modela… ¿y se equivoca?
Voy a pegarle a una IA el enunciado del Reto 7 (arepas) tal cual.
Va a formular bien y a responder "60 de huevo" — perfecto y equivocado.
Le revelo la restricción real (h ≤ 20) y observamos cómo cambia todo.
Lo que ya es real: sistemas como OptiMUS y NL4Opt traducen lenguaje natural a modelos con solvers. Aceleran los pasos 2 y 3.
Lo que NO hacen solos: garantizar que no falte una restricción del mundo real. Por eso hay investigación entera dedicada a detectar sus alucinaciones.
"El que entiende la teoría es imposible de engañar por un solver. Ese es el nuevo rol: no calcular a mano, sino dirigir y validar a la máquina."
Dinámica central · en grupos · ~30 min
Modelamos juntos en el tablero
Les doy un caso simple (una dieta, un horario, un transporte). En grupo, escriben en el tablero:
¿Cuáles son las variables de decisión?
¿Qué maximizan o minimizan?
¿Cuáles son las restricciones? Lo sustentan en 2 minutos.
Reto relámpago · en parejas · 3 min
Lo hacen solos
"Un café vende tinto ($1.500) y capuchino ($4.000). Tiene leche para 30 capuchinos y una máquina que hace máximo 100 bebidas en la mañana. Maximizar el ingreso."
Escriban las 3 piezas y el óptimo.
El que termina primero lo sustenta. 🔥
Cierre
Se llevan tres ideas
La IO es decidir mejor con recursos limitados.
Todo modelo son 3 piezas: variables · objetivo · restricciones.
La IA arma modelos; ustedes los validan y los dirigen.
El óptimo de una PL vive en un vértice; la IA lo encuentra en segundos — validar que sea el problema correcto sigue siendo tarea suya.
Próxima clase: cuando los vértices son demasiados para dibujar — el método símplex — y responder "¿cuánto vale una hora más?" (análisis de sensibilidad).