Investigación Operativa

UNIDAD I

 Ing. Jorge Moya Delgado

 7mo. Semestre FACII
1.1. Presentación y Motivación
del estudio de I. O.
 Introducción.- La disciplina de la investigación
operativa es la aplicación del método científico para
asignar recursos o actividades de forma eficaz, en la
gestión y organización de sistemas complejos.
 El avance de la (I.O.) se debe en parte a la llegada
de los computadores digitales en el ámbito de los
negocios, pero sobre todo a los grandes adelantos
mediante el estudio de los modelos y los métodos
científicos.
Método Científico
 Es un proceso de investigación que consta de varias
etapas:
 La observación
 Formulación de la Hipótesis
 Diseño experimental
 Análisis de los resultados
Método Científico
 La observación
 Se observa y se describe el proceso objeto de estudio.
 Formulación de la Hipótesis
 Formular una hipótesis no es más que adelantar la solución a
un problema planteado. Para ello, se establecen posibles
causas que expliquen el fenómeno estudiado, que después
habrá que confirmar experimentalmente
 Diseño experimental
 Se monta un dispositivo experimental que pueda probar
nuestras hipótesis.
 Si hay varias variables, se controlan todas salvo la que
queremos estudiar.
 Análisis de los resultados
 Los resultados obtenidos se suelen reflejar en tablas de datos
y gráficas. La variable independiente se representa en abscisas
y la dependiente en el eje de ordenadas
Antecedentes Históricos de la I. O.
Año Autor Técnica desarrollada
1759 Quesnay Modelos primarios de programación matemática

1873 Jordan Modelos lineales

1874 Waelas Modelos primarios de programación matemática

1896 Minkousky Modelos lineales

1897 Harkov Modelos dinámicos probabilísticos
1903 Farkas Modelos dinámicos probabilísticos
1906 Erlang Líneas de espera
1920-1930 Koning-Egervary Asignación
1937 Morgestern Lógica estadística
1937 Von Neuman Teoría de juegos
1939 Kantorovich Planificación en producción y distribución

1941 Hithcock Transporte

1947 George Dantzing Método Simplex
1947 Año en que se dio inicio a la programación y con el
uso de las computadoras empezó a extenderse la I. O.
1950-1956 Kun-Tucker Programación no lineal
1953 Kendall Introduce la notación para identificar los sistemas
de colas
1954 Lemke Desarrollo del Simplex Dual
1957 Markowitz Simulación y programación discreta
1957 Kelly y Walker Desarrollan el método CPM
1958 Richard Bellman Programación dinámica
1958 Gomory Programación entera
1958 Arrow-Karlin Inventarios
1959 Dijkstra Algoritmo de Ruta más corta
1956-1962 Ford-Fulkerson Redes de flujo
1960 Raiffa Análisis de decisiones
1960 Land y Doig Algoritmo de ramificación y acotamiento
1962 Ford y Fulkerson Método Primal-Dual
1963 Karmarkar Nared Algoritmos de punto interior
1965 Balas Algoritmo de enumeración implícita
1968 Handy Taha Completa la notación de Kendall agregando el
tamaño de la población
1984 Hopfield Red neuronal
1984 Holland Algoritmos genéticos
1986 Hopfield y Tank Utilización de la red neuronal en la Investigación
Operativa
Enfoque de la I. O.
 El enfoque de la Investigación Operativa sigue las pautas del
método científico. En particular, el proceso comienza por la
observación cuidadosa y la formulación del problema y
sigue con la construcción de un modelo científico (por lo
general matemático) que intenta abstraer la esencia del
problema real. En este punto se propone la hipótesis de que el
modelo es una representación lo suficientemente precisa
de las características esenciales de la situación como para
que las conclusiones (soluciones) obtenidas sean válidas también
para el problema real. Esta hipótesis se verifica y modifica
mediante las pruebas adecuadas. Entonces, en cierto modo, la
Investigación Operativa incluye la investigación científica
creativa de las propiedades fundamentales de las operaciones.
Sin embargo, existe más que esto. En particular, la Investigación
Operativa se ocupa además de la administración práctica de la
organización. Así, para tener éxito, deberá también proporcionar
conclusiones positivas y claras que pueda usar el tomador de
decisiones cuando las necesite.
La contribución al enfoque de Investigación
Operativa proviene principalmente de:
 La estructuración de una situación de la vida real como un
modelo matemático, logrando una abstracción de los
elementos esenciales para que pueda buscarse una solución
que concuerde con los objetivos del tomador de decisiones.
Esto implica tomar en cuenta el problema dentro del
contexto del sistema completo.
 El análisis de la estructura de tales soluciones y el
desarrollo de procedimientos sistemáticos para obtenerlas.
 El desarrollo de una solución, incluyendo la teoría
matemática si es necesario, que lleva al valor óptimo de la
medida de lo que se espera del sistema (o quizá que
compare los cursos de acción opcionales evaluando esta
medida para cada uno).
1.3. Modelos matemáticos
 Los modelos matemáticos tienen muchas ventajas
sobre una descripción verbal del problema. Una
ventaja obvia es que el modelo matemático
describe un problema en forma mucho más
concisa. Esto tiende a hacer que toda la estructura
del problema sea más comprensible y ayuda a
revelar las relaciones importantes entre causa y
efecto. De esta manera indica con más claridad que
datos adicionales son importantes para el análisis.
Definición de Investigación
Operativa
 Un enfoque científico al análisis de muchos tipos de
problemas complejos de toma de decisiones
(Económicos, de Ingeniería o de medio ambiente,
etc.), en la forma que los enfrentan individuos y
organizaciones.
 El problema en estudio implica el diseño y la operación
de sistemas o partes de los sistemas, se requiere
evaluar las consecuencias probables de las elecciones
de decisión, de sistemas que requieren la asignación de
recursos escasos (Fondos, Materias Primas, Recursos
Humanos, Tiempo) cuyo objetivo es mejorar la
efectividad del sistema como un todo
1. 3 FASES DE UN ESTUDIO DE I. O.
 El proceso de la Investigación Operativa comprende las
siguientes fases:
1. Definición del problema de interés y recolección de datos
relevantes
2. Formulación de un modelo matemático que represente el
problema
3. Desarrollo de un procedimiento basado en computadora
para derivar una solución para el problema a partir del
modelo
4. Prueba del modelo y mejoramiento de acuerdo con los
resultados.
5. Preparación , ejecución del modelo para el análisis de
resultados y establecer controles
6. Implementación (poner la solución a trabajar)
 1.- Definición del problema de interés y recolección de
datos relevantes

 En esta fase del proceso se necesita: una

descripción de los objetivos del sistema, es decir,
qué se desea optimizar; identificar las variables
implicadas, ya sean controlables o no; determinar
las restricciones del sistema. También hay que
tener en cuenta las alternativas posibles de
decisión y las restricciones para producir una
solución adecuada, además de los limites de
tiempo para tomar la decisión.
Responsabilidades sociales muy distintas al
objetivo de las ganancias
 Las cinco partes que son afectadas por una empresa de
negocios localizadas en un país determinado son: 1) los
dueños (accionistas, etc.), que desean obtener ganancias
(dividendos, valuación de acciones, etc.); 2) los empleados,
que aspiran a un empleo seguro con un salario razonable; 3)
los clientes, que quieren un producto confiable a un precio
justo; 4) los proveedores, que desean integridad y un precio de
venta razonable para sus bienes, y 5) el gobierno y, por ende,
la nación, que quiere el pago de impuestos justo y que se tome
en cuenta el interés común. Las cinco partes hacen
contribuciones esenciales a la empresa; ésta no debe servir a
ninguna de ellas para explotar a las otras
 2.- Formulación de un modelo matemático que
represente el problema
 En esta fase, el investigador de operaciones debe decidir el
modelo a utilizar para representar el sistema. Debe ser un
modelo tal que relacione a las variables de decisión con los
parámetros y restricciones del sistema. Los parámetros (o
cantidades conocidas) se pueden obtener ya sea a partir de
datos pasados o estimados por medio de algún método
estadístico.
 Es recomendable determinar si el modelo es probabilístico
o determinístico. El modelo puede ser matemático, de
simulación o Heurísticos, dependiendo de la complejidad
de los cálculos matemáticos que se requieran. Como
ejemplo de modelos, tenemos:
Modelos
Determinísticos Probabilísticos Heurísticos
Programación matemática Programación estocástica Annealing (recocido)
simulado
Programación lineal Gestión de inventarios Búsqueda tabú
Programación entera Fenómenos de espera Algoritmos genéticos
(colas)
Programación dinámica Teoría de juegos Redes neuronales
artificiales
Programación Simulación Algoritmos bioinspirados
no lineal
Programación
multiobjetivo
Modelos de transporte
Modelo de redes
3. OBTENCIÓN DE SOLUCIONES A PARTIR DEL MODELO
 Una vez que se tiene el modelo, se procede a derivar
una solución matemática empleando las diversas
técnicas y métodos matemáticos para resolver
problemas y ecuaciones. Debemos tener en cuenta que
las soluciones que se obtienen en este punto del
proceso son matemáticas y debemos interpretarlas en
el mundo real. Además, para la solución del modelo, se
deben realizar análisis de sensibilidad, es decir, ver
cómo se comporta el modelo ante cambios en las
especificaciones y parámetros del sistema. Esto se hace
debido a que los parámetros no necesariamente son
precisos y las restricciones pueden estar equivocadas.
4. Prueba del Modelo
 Validación del modelo. La validación de un modelo
requiere que se determine si dicho modelo puede
predecir con certeza el comportamiento del sistema.
Un método común para probar la validez del modelo
es someterlo a datos pasados disponibles del sistema
actual y observar si reproduce las situaciones pasadas
del sistema. Pero, como no hay seguridad de que el
comportamiento futuro del sistema continúe
replicando el comportamiento pasado, entonces
siempre debemos estar atentos a cambios posibles del
sistema con el tiempo, para poder ajustar
adecuadamente el modelo.
5. PREPARACIÓN PARA APLICAR EL MODELO
 Una vez que hayamos obtenido la solución o soluciones del
modelo, el siguiente y último paso del proceso es
interpretar esos resultados y dar conclusiones y cursos de
acción para la optimización del sistema. Si el modelo
utilizado puede servir a otro problema, es necesario revisar,
documentar y actualizar el modelo para sus nuevas
aplicaciones.
 Sistema s tecnológicos informáticos como apoyo para
las toma de decisiones. para ayudar a los Usuarios y
administradores a usar los datos y modelos de I.O. existen
gran cantidad de programas y sistemas para la toma de
decisiones que apoyan (no sustituyen) su toma de
decisiones.
6.- IMPLEMENTACIÓN
Una vez desarrollado el sistema para aplicar el modelo, la
última etapa de un estudio de IO es implementarlo
según de acuerdo con los requerimientos de los usuarios.
Esta etapa es crítica, pues aquí y sólo aquí se cosecharán
los beneficios del estudio. Por lo tanto, es importante
que el equipo de IO participe para asegurar que las
soluciones del modelo se traduzcan con exactitud en un
procedimiento operativo, y para corregir defectos en la
solución que se presenten en cualquier momento.
Plan de Implementación
1. Entrega del producto a la Administración
1. Explicación de forma cuidadosa del funcionamiento
del sistema de toma de decisiones
2. Desarrollar procedimientos para la puesta en
operación
1. Capacitación detallada al personal para su utilización
2. Supervisión por parte del Grupo de IO de cualquier
problema de operación del sistema
3. Realizar correcciones de ser el caso
4. Realizar análisis Post-Optimo
5. Documentación de la metodología con suficiente claridad
1.4. Modelo Matemático de I.O.
Un modelo matemático de I. O. es un conjunto de ecuaciones que describe un
sistema o problema.
El modelo matemático generalmente contiene dos clases de ecuaciones:
1. Función objetivo(función de efectividad). La función objetivo define la
medida de efectividad del sistema como una función matemática de las
variables de decisión, como por ejemplo expresiones de ganancia o costo de
una operación en particular.
2. Las ecuaciones de restricción (Restricciones). Son expresiones
matemáticas de las limitaciones tecnológicas, económicas y otras del
sistema, el modelo debe incluir restricciones (implícitas o explícitas) que
restrinjan las variables de decisión a un rango de valores factibles.
3. Variables y parámetros de decisión. Las variables de decisión son las
incógnitas (o decisiones) que deben determinarse resolviendo el modelo.
Los parámetros son los valores conocidos que relacionan las variables de
decisión con las restricciones y función objetivo. Los parámetros del modelo
pueden ser determinísticos o probabilísticos.
Típicos Ejemplos problemas de I.O
1. Un fabricante quiere elaborar un programa de producción y una
política de inventario que satisfaga la demanda de ventas en periodos
futuros. En términos ideales, el programa y la política permitirán a la
empresa satisfacer la demanda y al mismo tiempo minimizar los
costos totales de producción e inventario.
2. Un analista financiero debe seleccionar un portafolio entre diversas
alternativas de acciones e inversiones. Al analista le gustaría
establecer el portafolio que maximice el rendimiento sobre la
inversión.
3. Un gerente de marketing quiere determinar cómo asignar mejor un
presupuesto de publicidad fijo entre medios de publicidad alternos
como la radio, la televisión, el periódico y las revistas. Al gerente le
gustaría determinar la combinación de medios que maximice la
efectividad de la publicidad.
4. Una empresa tiene almacenes en varias ubicaciones. Dadas las
demandas específicas de los clientes, a la empresa le gustaría
determinar cuánto debe enviar cada almacén a cada cliente, de modo
que los costos del transporte local se minimicen
Ejercicios:
 Crear un modelo de I. O. de la vida real
 Plantee un problema de la vida real en el que podemos
iniciarnos a resolver problemas de I.O.
Formulación del problema
 La formulación del problema es el proceso de traducir
una descripción verbal de un problema en un
enunciado matemático. El enunciado matemático del
problema se conoce como modelo matemático.
 Entender el problema a fondo
 Describir el Objetivo
 Describir cada restricción
 Definir las variables de decisión
 Escribir la función objetivo en base a las V. de decisión
 Escribir las restricciones en función de las V. de decisión
 Añadir las restricciones de no-negatividad
Ejemplo 1:
 Una fábrica elabora dos productos A y B. Cada uno de
ellos debe ser procesado en dos máquinas diferentes.
Una máquina tiene capacidad disponible de 24 horas y
la otra de 16 horas. Cada unidad del producto A
requiere 2 horas en ambas máquinas. Cada unidad del
producto B necesita de 3 horas en el la primera
máquina y una hora en la segunda. La utilidad
incremental es de $6 por unidad del producto A y de $7
por unidad del producto B, la fabrica pude vender
tantas unidades de cada producto como pueda
fabricar.

 Análisis Cuantitativo para los Negocios, Bonini, Hausman, Bierman (Novena edición)
1.5 La Programación Lineal
 La técnica de la I. O. más importante es la
Programación Lineal, esta diseñada con modelos de
función objetivo y restricciones lineales que nos
permite asignar una cantidad fija de recursos en la
satisfacción de varias demandas de tal manera que
mientras se optimiza la función objetivo se satisfacen
las condiciones requeridas.
 1.5.1 Requisitos generales para resolver un
problema de programación lineal
1.-Establecer un objetivo en una forma matemática por
medio de una función objetivo.
2.-Las variables que intervienen deben relacionarse
matemáticamente.
3.-Las ecuaciones e inecuaciones que intervienen deben ser
lineales.
4.- Se debe establecer varias alternativas de solución.
1.5.2 Métodos de solución
Métodos para la resolución de programación
lineal
 Método Gráfico
 Método Simplex con sus variantes
 Método Simplex soluciones por programas
informáticos
 1.5.3. Método Gráfico
Requisitos
1.- Establecer la función objetivo
2.- Establecer las restricciones en forma de ecuaciones o
inecuaciones.
3.- Establecer si se requiere un máximo o mínimo para las
variables de decisión
Solución al Ejercicio
Formulación:
X1 Numero de unidades del Producto A
X1 Numero de unidades del Producto B
Z = Función Objetivo o Económica
Maximizar Z = 6X1 + 7X2
S. R. 2X1 + 3X2 <= 24
2X1 + 1X2 <= 16
X1 , X2 >= 0
Ejercicio 2
Ejercicio 2
 Para la fiesta de su hijo una madre desea hacer pastelillos. Sus
conocimientos culinarios le permiten hacerlos de tres tipos A, B,
C, en todos los cuales intervienen como ingredientes
mantequilla, nata y crema. De los que posee 232, 300, y 720
gramos. Un pastelillo del tipo A precisa 5 gramos de mantequilla,
8 de nata y 9 de crema. Uno del tipo B, 6,5,8 respectivamente, y
uno de tipo C necesita 4 de mantequilla, 6 de nata y 12 de crema.
La madre quiere optimizar la cantidad de pastelillos a hacer
antes de cualquier otra consideración. Responder las sigueintes
cuestiones:
 A) escriba la función objetivo
 B) ¿Cual es el número optimo de pastelillos a fabricar
 C) ¿Cuánta materia prima utiliza y cuánta sobra?
Ejercicios 3
 Un fabricante está tratando de decidir las cantidades
de producción para dos artículos: mesas y sillas. Se
cuenta con 96 unidades de material y con 72 horas de
mano de obra. Cada mesa requiere 12 unidades de
material y 6 horas de mano de obra. Por otra parte, las
sillas utilizan 8 unidades de material cada una y
requieren 12 horas de mano de obra por silla. El
margen de beneficio es el mismo para las mesas que
para las sillas: 5 euros por unidad. El fabricante
prometió construir por lo menos dos mesas
Ejercicio 4
 Reiser Sports Products quiere determinar la cantidad de balones de
futbol de All-Pro (A) y Universitario (U) a producir con el fi n de
maximizar las utilidades durante el siguiente horizonte de planeación
de cuatro semanas. Las restricciones que afectan las cantidades de
producción son las capacidades de producción en tres departamentos:
corte y teñido, costura e inspección y empaque. Para el periodo de
planeación de cuatro semanas se dispone de 340 horas de corte y
teñido, 420 horas de costura y 200 horas de inspección y empaque. Los
balones de futbol All-Pro producen utilidades de $5 por unidad y los
balones Universitarios producen una utilidad de $4 por unidad. El
modelo de programación lineal con los tiempos de producción
expresados en minutos es el siguiente:
 Resolver por el método Simplex Corte y teñido 12 6
Costura 9 15
Inspección y 6 6
Empaque
Ejercicio 5
HiDec produce 2 modelos de artículos electrónicos,
donde se usan resistores, capacitores y chips. La tabla
siguiente es un resumen de los datos de este caso.
Recurso Modelo 1 Modelo 2 Disponibilidad
Requerimientos de(Unidades)
recursos (unidades)
por unidad máxima
Unidades
Resistor 2 3 1200
Capacitor 2 1 1000
Chips 0 4 800
Utilidad $3 $4

a) Determinar la solución
b) Determinar el estado de cada recurso
 Ejercicio
La producción de una compañía está limitada a dos productos A y B , la
ganancia para cada producto a sido calculada en 10 para A y 12 para B, cada
producto pasa a través de tres departamentos de la planta.
El tiempo requerido para cada producto y el tiempo total disponible en cada
departamento es el siguiente :
Departamento. Horas Requeridas Horas Disponibles
A B
1 2 3 1500
2 3 2 1500
3 1 1 600

Siendo x1 cada unidad producida para A por mes

Siendo x2 cada unidad producida para B por mes
Maximizar la ganancia distribuyendo de la mejor forma posible la producción
de X1 y X2 con las restricciones indicadas.
Función Objetivo Max Z = 10X1 + 12X2
Sujeto a :
2X1+3X2<=1500
3X1+2X2<=1500
X1+ X2 <= 600
x1>=0 , x2>=0
Método Gráfico
2x1+3x2<=1500 x1=0 2x1+3x2<=1500 x2 =0
3x2<=1500 2x1<=1500
x2<=1500/3 x1<=1500/2
x2<=500 x1<=750

3x1+2x2<=1500 x1=0 3x1+2x2<=1500 x2 =0

2x2<=1500 3x1<=1500
x2<=1500/2 x1<=1500/3
x2<=750 x1<=500

x1 + x2<=600 x1= 0 x1 + x2<=600 x2= 0

x2<= 600 x1<= 600
 750
700 Z2= 10(0)+12(500)= 6000
Z3= 10(300)+12(300)=
6600
600 Z4= 10(500)+ 0 = 5000

500
z2 (0,500) z3 (300,300)
400

300

z4 (500,0)
200

100

100 200 300 400 500 600 700 750