I Operaciones2014

INVESTIGACIN DE OPERACIONES
BTA-603
Profesor: Rolando Pea y Lillo Valenzuela

Ingeniero Civil Industrial
OBJETIVOS GENERALES
Entregar mtodos cuantitativos para la modelacin de
procesos de toma de decisiones que contemplan una
funcin objetivo a optimizar y un conjunto de recursos y
restricciones que darn el entorno a los modelos.
UNIDADES TEMTICAS
Introduccin: Historia de la Investigacin de operaciones
Introduccin a la programacin lineal.
Modelo de programacin lineal con dos variables.
Solucin grfica de la P.L.
Anlisis grfico de sensibilidad.
El mtodo Simplex
Anlisis de dualidad y sensibilidad
Modelo de transporte y sus variantes.
Modelos de Redes:
Problema de la ruta ms corta.
Modelo de flujo mximo
Mtodos CPM y PERT
Programacin dinmica determinstica
Anlisis de decisiones y juegos
EVALUACIN
PRUEBA 1: 02 de Octubre
PRUEBA 2: 27 de Noviembre
PRUEBA RECUPERATIVA: 04 de Diciembre
EXAMEN: 11 de Diciembre
Requisito de Asistencia: Igual o mayor al 75% de las

clases realizadas.
INTRODUCCIN
La Investigacin de Operaciones (IO) es una ciencia enfocada hacia la
toma de decisiones gerenciales, basada en el mtodo cientfico para
resolver problemas. No es slo un conjunto de herramientas
matemticas. De hecho, es un enfoque sistmico que usa herramientas
analticas para resolver problemas.
La IO tiene sus races en operaciones militares de la Segunda Guerra
Mundial; cuando la Alemania Nazi pareca imparable y la Wehrmach, y
la Luftwaffe dominaban tierra y Aire e Inglaterra segua en la lista.
Las Operaciones Militares presentaban gran dificultad logstica. Si se
agrupan muchos soldados en un rea determinada, podran ser
cercados y dados de baja, o si su distribucin era muy dispersa,
tendran flancos dbiles que podran ser utilizados por el enemigo; la
cercana a los centros de recursos, agua, alimento, refuerzos, vas de
transporte, etctera, constituan variables determinantes. Haba que
tomar decisiones, decisiones muy importantes que no slo costaban
dinero, si no vidas humanas.
INTRODUCCIN
Los aliados llamaron a cientficos de todas las reas del conocimiento
humano para que ayudaran en las tareas de planeacin de las
Operaciones Militares: Bilogos, Qumicos, Fsicos, Socilogos,
Psiclogos y Matemticos entre otros para aplicar la metodologa
cientfica o como se llam: para hacer "Investigacin de Operaciones
Militares".
su posterior aplicacin en el campo de los negocios, creacin de bases

tericas y el desarrollo de la computadora permiti que esta nueva
disciplina fuese incluida como asignatura en las universidades a partir
de la dcada de los 50.
INTRODUCCIN
La Investigacin de Operaciones (IO) es una ciencia enfocada hacia la
toma de decisiones gerenciales, basada en el mtodo cientfico para
resolver problemas. No es slo un conjunto de herramientas
matemticas. De hecho, es un enfoque sistmitico que usa
herramientas analticas para resolver problemas.
Churchman, Ackoff y Arnoff, definen la investigacin de operaciones

como la aplicacin, por grupos interdisciplinarios, del mtodo cientfico
a problemas relacionados con el control de las organizaciones o
sistemas (hombre-mquina), a fin de que se produzcan soluciones que
mejor sirvan a los objetivos de la organizacin.
INTRODUCCIN
Con su orientacin filosfica Churchman, Ackoff (y Arnoff) en su libro
publicado en 1957 sobre I. O., sistematizan los conceptos y presentan
de manera general las fases del mtodo de la I. O. derivado del mtodo
cientfico.
I. O. =
Interdisciplina
Enfoque de sistemas
Mtodo cientfico
Mtodos, tcnicas y herramientas de I. O.
Fases:
Formulacin de problemas
Construccin de modelo
Obtencin de solucin del modelo
Prueba del modelo y solucin
Establecer controles sobre solucin
Implantar la solucin
INTRODUCCIN
Por otra parte, la sociedad de investigacin de operaciones de la Gran
Bretaa define la investigacin de operaciones como el ataque de la
ciencia moderna a los complejos problemas que surgen en la direccin
y en la administracin de grandes sistemas de hombres, mquinas,
materiales y dinero, en la industria, en los negocios, en el gobierno y en
la defensa. Su actitud diferencial consiste en desarrollar un modelo
cientfico del sistema tal, que incorpore valoraciones de factores como
el azar y el riesgo y mediante el cual se predigan y comparen los
resultados de decisiones, estrategias o controles alternativos. Su
propsito es el de ayudar a la gerencia a determinar cientficamente
sus polticas y acciones.
En todas todas ellas se destacan los siguientes aspectos:
a) Su aplicacin en sistemas , ya que se usa para tomar decisiones

dentro de sistemas.
b) El uso de modelos como su esencia en la toma de decisiones.
c) Su propsito de ayudar a tomar accin, cientficamente, con anlisis

cuantitativo.
d) Su casi ilimitada amplitud de aplicaciones le permite ser usado en

negocios, industrias, gobierno y defensa.
Tomar decisiones es la tarea esencial de toda persona o grupo que
tiene bajo su responsabilidad el funcionamiento de una organizacin
entera o parte de ella.
En la toma de decisiones el anlisis puede tomar dos formas:

cualitativo y cuantitativo.
El anlisis cualitativo se basa principalmente en el juicio y experiencia

de la gerencia, incluye sentimientos intuitivos sobre el problema tratado
y es ms un arte que una ciencia.
El anlisis cuantitativo se concentra en hechos cuantitativos o datos

asociados con los problemas y desarrolla expresiones matemticas
que describen las relaciones existentes en ellos.
El papel del anlisis cuantitativo en la toma de decisiones puede variar
dependiendo de la importancia de los factores cualitativos. En algunas
situaciones, cuando el problema, el modelo y los insumos permanecen
invariantes, el anlisis cuantitativo puede hacer automtica la decisin
con los resultados obtenidos.
En otros casos, el anlisis cuantitativo es slo una ayuda para tomar la
decisin y sus resultados deben ser combinados con informacin
cualitativa.
Los modelos matemticos son la base del anlisis cuantitativo. La
esencia de la IO es el uso de modelos, que son una representacin
simplificada de un sistema de la vida real, de una situacin o de una
realidad.
Un sistema es un conjunto de elementos que interactan entre s. Un
modelo captura caractersticas selectas de un sistema, proceso o
realidad, y luego las combina en una representacin abstracta del
original. La IO hace uso extensivo del anlisis cuantitativo, como parte
integral del enfoque cientfico para tomar decisiones gerenciales.
Este anlisis es racional y lgico. Consiste en:
a) Definir claramente un problema, que previamente se ha

determinado que existe,
b) Desarrollar un modelo,
c) Recolectar los datos de insumo,
d) Solucionar el Modelo,
e) Validar resultados, Interpretarlos y
f) Implementarlos en la ejecucin de una decisin.
1. Definicin del problema

Definir el problema es el paso inicial del anlisis cuantitativo, es
primordial y muchas veces el paso ms difcil. Debe reflejar una
representacin segura del inters total de sistema. La esencia
del problema se debe establecer explcitamente y no de manera
ambigua. La definicin del problema es un paso crtico y determinante
en el xito o fracaso de cualquier enfoque cuantitativo para tomar
decisiones. Si el problema no se ha escrito, no se ha definido.
Muchas veces se concluye que el problema debe ser redefinido
despus de haber realizado varios pasos para tomar una decisin.
Al definir el problema se deben identificar alternativas, criterios para

evaluar esas alternativas, y seleccionarlas.
La optimizacin es un criterio utilizado y es sinnimo de maximizacin o

minimizacin.
La evaluacin de las alternativas se hace con modelos y la definicin

de un problema determinar el tipo de modelo a usar.
2. Formulacin de un modelo matemtico
Los modelos pueden ser objeto de diversas clasificaciones. Tres
formas de modelo son: Icnico, Analgico y Matemtico.
Los icnicos son representaciones a escala (rplicas fsicas) de

objetos reales.
Los analgicos o esquemticos son modelos fsicos en cuanto a la

forma pero no son semejantes fsicamente al objeto que est siendo
modelado (mapas de carreteras).
Los modelos matemticos (llamados tambin simblicos) representan

sistemas del mundo real; cuantifican sus variables y las combinan en
expresiones y frmulas matemticas. Son idealizaciones de problemas
de la vida real basados en supuestos claves, estimados y/o
estimaciones estadsticas.
Los modelos matemticos son los que, tradicionalmente, han sido ms
comnmente identificados con la IO, son la base para el anlisis
cuantitativo, contienen variables y parmetros. Relacionan variables de
decisin (Insumos Controlables) con parmetros o coeficientes fijos
(Insumos Incontrolables) y frecuentemente buscan maximizar o
minimizar una funcin objetivo sujeta a restricciones.
Formular y construir el modelo son procesos integrados. La formulacin
es el aspecto lgico conceptual y la construccin es la expresin de las
relaciones lgicas en el lenguaje simblico de la Matemtica.
La IO provee un sinnmero de modelos para distintos sistemas. Esos
modelos o representaciones cuantitativas de la realidad es un aspecto
clave que diferencia la toma de decisiones cuantitativas de las tomas
de decisin en general.
El desarrollo de los modelos, y en general el anlisis cuantitativo,
involucra a grupos interdisciplinarios.
El modelo debe tener solucin, ser realista, fcil de entender y de
modificar. Adems debe permitir que los datos de insumo requeridos
puedan ser obtenidos
Las principales razones para usar modelos, en lugar de trabajar
directamente sobre la realidad, son las siguientes:
a) Ahorro de dinero, tiempo u otro bien de valor;
b) Evitar riesgos de daos al sistema cuando se est
solucionando el problema;
c) Para entender mejor el ambiente real cuando ste es muy
complicado.
La recoleccin de los datos, se refiere a obtener la informacin
cuantitativa que es necesaria para obtener una solucin. Incluye
escalas de medidas: nominal, ordinal y ratios.
Las fuentes de datos incluyen:
a) Reportes de la organizacin y documentos;
b) Muestreos estadsticos;
c) Entrevistas con personas empleados o relacionadas con la
organizacin cuyo juicio y experiencia son invalorables y a
menudo proporcionan informacin excelente.
Adems pueden incluirse otras medidas directas. A menudo los datos
son incorrectos o inapropiados porque son recolectados bajo
suposiciones que no son apropiadas. A veces no estn disponibles y
deben ser recogidos por el analista.
Dependiendo de datos buenos, se obtendrn buenos resultados; de lo
contrario, se obtendr lo que no se quiere, como resultado de la
utilizacin de un mal insumo.
3. Obtencin de una solucin a partir del
modelo.
Resolver un modelo consiste en encontrar los valores de las
variables dependientes, asociadas a las componentes
controlables del sistema con el propsito de optimizar, si es
posible, o cuando menos mejorar la eficiencia o la efectividad del
sistema dentro del marco de referencia que fijan los objetivos y
las restricciones del problema.
La seleccin del mtodo de solucin depende de las

caractersticas del modelo. Los procedimientos de solucin
pueden ser clasificados en tres tipos: a) analticos, que utilizan
procesos de deduccin matemtica; b) numricos, que son de
carcter inductivo y funcionan en base a operaciones de prueba
y error; c) simulacin, que utiliza mtodos que imitan o, emulan al
sistema real, en base a un modelo.
La solucin de modelos matemticos, bien documentada en IO, incluye
un algoritmo o serie de clculos especficos que deben realizarse.
Cada modelo usa un algoritmo particular. Muchos de ellos contienen
pasos repetitivos y por eso se les llama iterativos, esto permite su fcil
implementacin en la computadora.
En anlisis cuantitativo la solucin ptima es la mejor solucin
matemtica.
Las microcomputadoras, al realizar clculos largos y complejos, han
permitido usar las tcnicas cuantitativas an en empresas pequeas.
4. Prueba del modelo
Antes de usar el modelo debe probarse exhaustivamente para intentar

identificar y corregir todas las fallas que se puedan presentar
Los modelos deben ser probados para su validez interna o externa. En

sentido interno, las representaciones matemticas deben tener sentido
unas con respecto a las otras. En sentido externo, los resultados
obtenidos del modelo deben tener sentido cuando se comparan con la
realidad de la situacin que es estudiada.
Datos pasados pueden ser usados frecuentemente para probar la
validez de un modelo matemtico.
5. Validacin del modelo
Es importante que todas las expresiones matemticas sean
consistentes en las dimensiones de las unidades que emplean.
Adems, puede obtenerse un mejor conocimiento de la validez
del modelo variando los valores de los parmetros de entrada y/o
de las variables de decisin, y comprobando que los resultados
de moelo se comporten de una manera factible.
6. Establecimiento de controles sobre la solucin
La interpretacin de resultados implica examinarlos a la luz de los
objetivos propuestos. Se debe determinar las implicaciones de su
aplicacin. Adems, como el modelo es una aproximacin de la
realidad, debe ser analizada la sensibilidad de la solucin a cambios
que ocurran en sus insumos. Para ello se cuenta con el Anlisis de
Sensibilidad o Anlisis de Post - optimizacin.
7. Implantacin de la solucin
La toma de decisin e implementacin consiste en trasladar los
resultados obtenidos en detalladas instrucciones de operaciones para
la organizacin. Los procesos de control son necesarios. Muchos
grupos de anlisis cuantitativo han fracasado en sus esfuerzos porque
han fallado en implementar, apropiadamente, una buena solucin
viable.
La solucin ptima de un modelo matemtico, no es siempre la poltica
que debe ser implementada por la empresa.
La decisin final la debe tomar el ser humano, que tiene conocimientos
que no se pueden cuantificar exactamente, y que puede ajustar los
resultados del anlisis para llegar a una decisin conveniente.
.
El anlisis cuantitativo no reemplaza el sentido comn, es un
complemento. Los modelos cuantitativos auxilian a los encargados de
tomar decisiones, pero es ir muy lejos decir que lo sustituye.
El rol de la experiencia, intuicin y juicio del ser humano no puede ser

disminuido.
Entre los mas usados modelos cuantitativos de IO se encuentran los

usados en las Tcnicas de Programacin Lineal, PERT-CPM y los de la
Teora de Colas. Aunque el ritmo de desarrollo de nuevas tcnicas ha
bajado con relacin a los primeros tiempos, en los ltimos tiempos ha
aumentado la extensin de la amplitud de las reas donde se aplica y
en las magnitudes de los problemas que pueden ser resueltos con las
metodologas de IO.
Un punto clave es que la IO usa una metodologa que est objetiva y
claramente articulada. Est construida alrededor de la filosofa de que
tal enfoque es superior al que est basado solamente en la subjetividad
y opinin de expertos. Por lo tanto conduce a mejores y ms
consistentes decisiones.
Sin embargo no excluye el juicio y razonamiento no cuantificable del

ser humano. No es pues un proceso absoluto de toma de decisiones,
sino una ayuda para tomar buenas decisiones.
NORMAS PARA LOGRAR XITO EN LA IO
1. El xito del empleo de la IO es el de un enfoque de solucin de

problemas y no una coleccin asociada de mtodos
cuantitativos.
2. La IO es relativamente costosa, lo que significa que no debe

emplearse en todos los problemas, sino tan slo en aquellos
en que las ganancias sea mayores que los costos.
NORMAS..........
Para llegar a hacer un uso apropiado de la IO, es

necesario primero comprender la metodologa para
resolver los problemas, as como los fundamentos de
las tcnicas de solucin para de esta forma saber
cundo utilizarlas o no en las diferentes circunstancias.
LIMITACIONES DE LA IO
1. Frecuentemente es necesario hacer simplificaciones del

problema original para poder manipularlo y tener una
solucin.
2. La mayora de los modelos slo considera un solo
objetivo y frecuentemente en las organizaciones se
tienen objetivos mltiples.
3. Existe la tendencia a no considerar la totalidad de las
restricciones en un problema prctico, debido a que los
mtodos de enseanza y entrenamiento dan la
aplicacin de esta ciencia centralmente se basan en
problemas pequeos para razones de ndole prctico,
por lo que se desarrolla en los alumnos una opinin muy
simplista e ingenua sobre la aplicacin de estas tcnicas
a problemas reales.
LIMITACIONES DE LA IO
4. Rara vez se realizan anlisis costo-beneficio de la

implantacin de soluciones definidas por medio de la IO,
en ocasiones los beneficios potenciales se ven
superados por los costos ocasionados por el desarrollo
e implantacin de un modelo.
Aplicaciones de la Investigacin de operaciones
Desarrollo de poltica nacional de administracin del agua,

incluyendo mezcla de nuevas instalaciones, procedimientos de
operacin y costeo.
Optimizacin de operaciones de produccin para cumplir metas

con un costo mnimo.
Optimizacin del corte de rboles en productos de madera para

maximizar su produccin.
Aplicaciones de la Investigacin de operaciones
Asignacin ptima de recursos hidrulicos y trmicos en el

sistema nacional de generacin de energa.
Programacin de turnos de trabajo en las oficinas de reservaciones

y en los aeropuertos para cumplir con las necesidades del cliente a
un costo mnimo.
Optimizacin de las operaciones de refinacin y de la oferta,

distribucin y comercializacin de productos.
Optimizacin de inversiones de capital para producir gas natural
durante 25 aos.
Optimizacin de la programacin y asignacin de oficiales de
patrulla con un sistema computarizado.
Administracin de inventarios de petrleo y carbn para el servicio

elctrico con el fin de equilibrar los costos de inventario y los
riesgos de faltantes.
Optimizacin de la mezcla de ingredientes disponibles para que los
productos de gasolina cumplieran con los requerimientos de ventas y
calidad.
Integracin de una red nacional de inventario de refacciones para
mejorar el apoyo al servicio.
Optimizacin del diseo de una red nacional de transporte y la

programacin de rutas de envo.
Rapidez en la coordinacin de aviones, tripulaciones, carga y
pasajeros para manejar la evacuacin por aire en el proyecto
Tormenta del Desierto en el Medio Oriente.
Diseo de un sistema de estructura de precios, sobreventa y

coordinacin de vuelos para mejorar las utilidades.
Diseo de un programa efectivo de intercambio de agujas para

combatir el contagio del SIDA.
Introduccin a la Programacin lineal
El problema general es asignar recursos limitados entre

actividades competitivas de la mejor manera posible
(ptima).
Este problema incluye elegir el nivel de ciertas actividades que

compiten por recursos escasos necesarios para realizarlas
INTRODUCCIN A LA PROGRAMACIN LINEAL
El adjetivo lineal significa que todas las funciones matemticas del

modelo deber ser funciones lineales. En este caso, las palabra
programacin no se refiere a programacin en computadoras; en
esencia es un sinnimo de planeacin. As, la programacin lineal
trata la planeacin de las actividades para obtener un resultado
ptimo.
MODELO GENERAL DE PL
Los trminos clave son recursos y actividades, en donde m

denota el nmero de distintos tipos de recursos que se pueden
usar y n denota el nmero de actividades bajo consideracin.
Z =valor de la medida global de efectividad

Xj =nivel de la actividad j (para j = 1,2,...,n)
Cj =incremento en Z que resulta al aumentar una unidad en el nivel
de la actividad j
bi = cantidad de recurso i disponible para asignar a las
actividades (para i = 1,2,...,m)
aij =cantidad del recurso i consumido por cada unidad de la
actividad j
Estructura de un modelo de PL
1. Funcin objetivo. Consiste en optimizar el objetivo que

persigue una situacin la cual es una funcin lineal de las
diferentes actividades del problema, la funcin objetivo se
maximizar o minimiza.
2. Variables de decisin. Son las incgnitas del problema. La
definicin de las variables es el punto clave y bsicamente
consiste en los niveles de todas las actividades que pueden
llevarse a cabo en el problema a formular.
Estructura de un Modelo de pl
3. Restricciones Estructurales. Diferentes requisitos que

debe cumplir cualquier solucin para que pueda llevarse a
cabo, dichas restricciones pueden ser de capacidad,
mercado, materia prima, calidad, balance de materiales,
etc.
4. Condicin tcnica. Todas las variables deben tomar

valores positivos, o en algunos casos puede ser que
algunas variables tomen valores negativos.
Modelo general de PL
n
Optimizar Z = c x
j 1
j j
Sujeta a: n
a x
j 1
ij j bi i 1, 2,......, m
x j 0 j 1, 2,......., n
PROGRAMACIN LINEAL
PROGRAMACION LINEAL
FORMULACION MATEMATICA
PROBLEMA GENERAL PROBLEMAS ESPECIALES
METODO GRAFICO METODO ALGEBRAICO PROBLEMAS DE TRANSPORTE PROBLEMAS DE ASIGNACIN

(SIMPLEX)
PROGRAMACIN LINEAL
Supuestos de la P.L.
Proporcionalidad: La contribucin de cada actividad al valor de la

funcin objetivo Z es proporcional al nivel de actividad xj, como lo
representa el trmino cjxj en la funcin objetivo. De manera similar, la
contribucin de cada actividad al lado izquierdo de cada restriccin
funcional es proporcional al nivel de la actividad xj, en la forma en que lo
representa el trmino aijxj en la restriccin. En consecuencia, esta
suposicin elimina cualquier exponente diferente a 1 para las variables
en cualquier trmino de las funciones (ya sea la funcin objetivo o la
funcin en el lado izquierdo de las restricciones funcionales) en un
modelo de programacin lineal.
Aditividad: Cada funcin en un modelo de programacin lineal (ya sea

la funcin objetivo o el lado izquierdo de las restricciones funcionales) es
la suma de las contribuciones individuales de las actividades respectivas.
PROGRAMACIN LINEAL
Divisibilidad: Las variables de decisin en un modelo de programacin

lineal pueden tomar cualquier valor, incluyendo valores no enteros, que
satisfagan las restricciones funcionales y de no negatividad. As, estas
variables no estn restringidas a slo valores enteros. Como cada
variable de decisin representa el nivel de alguna actividad, se supondr
que las actividades se pueden realizar a niveles fraccinales.
Certidumbre: los parmetros del modelo (cj, aij y los bi) son constantes
conocidas y estimadas con certeza, o sea, no interviene una funcin de
probabilidad para obtenerlos
En los problemas reales, los valores que se emplean estn basados en
una prediccin de las condiciones futuras, por lo que es inevitable que se
introduzca un cierto grado de incertidumbre. Por esto es siempre
importante realizar un anlisis de sensibilidad despus de encontrar una
solucin optima.
PROGRAMACIN LINEAL
Objetivo nico: Los modelos matemticos deben ser de objetivo nico

como los modelos de costo-beneficio, no es aplicable a objetivos
mltiples.
No negatividad: Las variables de produccin no pueden tomar valores

negativos. No se puede no fabricar una determinada cantidad de
producto
PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE LA MEZCLA DE PRODUCTOS

Una compaa fabrica dos tipos de componentes electrnicos:
transistores y bobinas.
Cada transistor requiere un minuto de tiempo en el departamento de
ensamble, dos minutos de tiempo en el departamento de Control de
Calidad y un minuto de tiempo en empaque.
Cada bobina requiere dos minutos de tiempo en ensamble, un minuto de
tiempo en Control de Calidad y dos minutos en empaque.
Existe un total de 300 minutos en Ensamble, 400 minutos en C. Calidad y
400 minutos en Empaque disponibles cada da.
Tanto los transistores como las bobinas contribuyen en un dlar a la
utilidad.
La compaa desea determinar la mezcla de productos optima que
maximice la utilidad total.
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Maximizar las utilidades de la compaa (U).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar

X.Cantidad de transistores a fabricar por da {unds./da}
Y.Cantidad de bobinas a fabricar por da {unds./da}
Paso 3: Identificar las restricciones del modelo:
R1) Tiempo disponible en el depto. de Ensamble por da 300

min.
R2) Tiempo disponible en el depto. de C. Calidad por da de
400 min.
R3) Tiempo disponible en el depto. de Empaque por da de
400 min.
R4) No Negatividad.
PROGRAMACIN LINEAL
Paso 4: Construccin del modelo matemtico

F.Objetivo
MAX { U = X + Y }
Sujeto a :
R1) X + 2Y 300
R2) 2X + Y 400
R3) X + 2Y 400
R4) X , Y 0
PROGRAMACIN LINEAL
PROBLEMA DE LA DIETA
La compaa OF utiliza diariamente por lo menos 800 libras de alimento
especial. El alimento especial es una mezcla de maz y semilla de soya,
con las siguientes composiciones.
libra componente por libra de alimento ganado

Costo
A. ganado Proteinas Fibra
US$/lb
Maz 0,09 0,02 0,30
Semilla Soya 0,60 0,06 0,90
PROGRAMACIN LINEAL
Los requerimientos dietticos diarios de alimento especial estipulan por lo

menos un 30% de protenas y cuando mucho un 5% de fibra. OF desea
determinar el costo mnimo diario de la mezcla de alimento.
.?
Solucin:
Formulacin
Minimizar el costo diario total de la mezcla de
alimento(C).{dlares/da}
X.libras de maz en la mezcla diaria {lb./da}
Y. Libras de semilla de soya en la mezcla diaria {lb./da}
Paso 3: Identificar las restricciones del modelo
R1) Requerimientos de alimentos: por lo menos 800 lbs./da
R2) Requerimiento de protenas de por lo menos un 30%
R3) Requerimientos de fibra de cuando mucho un 5%.
R4) No Negatividad.
Paso 4: Construccin del modelo matemtico
F. Objetivo
M in { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y 800
R2) 0.09X + 0.6Y 0.3(X + Y)
R3)0.02 X + 0.06Y 0.05(X + Y)
R4) X , Y 0
Paso 4.1: Construccin del modelo matemtico (ORDENADO)
F. Objetivo
M in { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y 800
R2) 0.21X - 0.30Y 0
R3)0.03 X - 0.01Y 0
R4) X , Y 0
PROGRAMACIN LINEAL
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificacin de
la compaa DALLAS S.A. ,que tiene tres plantas y cuatro almacenes
regionales. Cada mes se requiere de una lista de requerimientos de cada
almacn y se conocen, tambin las capacidades de produccin de las
plantas. Adems se conoce el costo de transporte de cada planta a cada
almacn. El problema es determinar qu plantas deben abastecer a que
almacenes de manera que minimicen los costos totales de transporte.
Consideremos que los costos de transporte entre dos ciudades
cualquiera, son proporcionales a las cantidades embarcadas. Supngase
que las capacidades mensuales de cada planta son 70, 90 y 180
respectivamente. Los requerimientos de cada almacn para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los
que se muestran en la tabla siguiente:
PROGRAMACIN LINEAL
Planta Almacn
1 2 3 4
1 19 30 50 10
2 70 30 40 60
3 40 8 70 20
Se pide:
Formular como un PPL.
Solucin:
Formulacin
Minimizar el costo total de transporte (C).{u.m/mes}
Xij.Cantidad a enviar de la planta i al almacn j mensualmente
{uds/mes}
i = 1,2,3 / j = 1,2,3,4
Paso 3: Identificar las restricciones del modelo
R1) Capacidad mensual de produccin planta 1 de 70
R4) Requerimientos del almacn 1 para Marzo de 50
R8) No Negatividad.
Paso 4.1: Construccin del modelo matemtico
F.Objetivo
Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+
+10X14+60X24+20X34}
Sujeto a :
R1) X11+X12+X13+X14 70
R2) X21+X22+X23+X24 90
R3) X31+X32+X33+X34 180
R4) X11+X21+X31 50
R5) X12+X22+X32 80
R6) X13+X23+X33 70
R7) X14+X24+X34 140
R8) Xij 0 i,j
Modelo General de PL
Definicin de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Funcin objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn = b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn = b2
.
.
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn = bi
.
.
am1X1 + am2X2 + ... + amjXj + ... + amnXn = bm
Condiciones de signo para variables: toda xj 0

m = # total de restricciones,
n = # de variables de decisin (originales)
Cj, aij y bi son constantes (o parmetros) dados.
8
Mtodos de Resolucin
Mtodo Grfico
Empleado principalmente para PPL con dos variables de decisin. Este
mtodo se basa en la idea de obtener regiones de soluciones factibles
(RSF), en las cuales se encontrara la combinacin de variables de
decisin que optimizan el modelo.
Mtodo Algebraico (SIMPLEX)

Empleado principalmente para PPL con ms de dos variables de
decisin. Este mtodo se desarrollo con base en el mtodo grfico y
corresponde a un sistema heurstico, por lo cual requiere de una solucin
inicial factible para empezar a funcionar.
8
Forma estndar de los modelos de Programacin Lineal.
Existen m recursos limitados de cualquier tipo, que se pueden

asignar entre n actividades competitivas de cualquier clase.
Maximizar Z = c1x1 + c2x2 + ... + cnxn,

sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn b1
a21x1 + a22x2 + ... + a2nxn b2 restricciones funcionales
am1x1 + am2x2 + ... + amnxn bm

y
x1 0, x2 0, ..., xn 0
restricciones de no negatividad
Solucin Grfica para Modelos Lineales con dos
Variables.
Para la solucin grfica de programas lineales con dos

variables.
1. se traza un eje de coordenadas cartesianas, en l,

2. se grafican las desigualdades dadas por el problema,
3. se identifica el rea de Soluciones Factibles y
4. se procede a graficar la funcin objetivo para conocer el
valor ptimo (maximizar o minimizar) que ser la
solucin del problema.
Ejemplo: Problema de mezcla de productos.
Un fabricante est tratando de decidir sobre las

cantidades de produccin para dos artculos:
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 usan 8 unidades de
material cada una y requieren 12 horas de mano de
obra por silla. El margen de contribucin es el
mismo para las mesas que para las sillas: $5.00 por
unidad. El fabricante prometi construir por lo
menos dos mesas.
Paso 1: formulacin del problema
El primer paso para resolver el problema es expresarlo en trminos
matemticos en el formato general de PL.
Cul es el objetivo?: maximizar la ganancia.

Como cada unidad de mesas o sillas producidas contribuir con $5
en la ganancia. As las dos alternativas son la produccin de
mesas y la produccin de sillas, la funcin objetivo es:
Maximizar Z = 5x1 + 5x2
donde: x1 = nmero de mesas producidas

x2 = nmero de sillas producidas
Restricciones del problema (limitaciones)
Existen tres restricciones. Primero, el material est limitado a 96
unidades. Cada mesa se lleva 12 unidades de material y cada silla
usa 8 unidades, entonces:
12x1 + 8x2 96
La segunda restriccin es el total de horas de mano de obra. Una

mesa se lleva 6 horas, una silla 12 horas y se dispone de un total
de 72 horas:
6x1 + 12x2 72
La tercera es que el fabricante prometi producir por lo menos dos

mesas:
x1 2
Por ltimo, las restricciones de no negatividad son:
x1 0, x2 0
Se tiene entonces:
Maximizar Z = 5x1 + 5x2
Sujeto a: 12x1 + 8x2 96

6x1 + 12x2 72
x1 2
Y
x1 0, x2 0
grfica de las restricciones
No negatividad
x1 2. La manera ms sencilla de dibujar las restricciones de
recursos es en dos pasos: (1) convertir una desigualdad en una
ecuacin y graficar la ecuacin y (2) sombrear el rea apropiada arriba
y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en
una ecuacin aqu significa ignorar la parte de mayor que o menor
que de la restriccin.
6x1 + 12x2 72. La lnea la podemos dibujar si conocemos dos
puntos sobre ella. Si x1 = 0. La ecuacin se reduce, entonces, a:
12x2 = 72 x2 = 6
Si x2 = 0
6x1 = 72 x1 = 12
6x1 + 12x2 72. La lnea la podemos dibujar si conocemos dos
puntos sobre ella. Si x1 = 0. La ecuacin se reduce, entonces, a:
12x2 = 72 x2 = 6
Si x2 = 0
6x1 = 72 x1 = 12
Combinando los grficos:
12x1 + 8x2 96 : si x1 = 0, x2 = 12
x2 =0, x1 = 8,
Cualquier solucin que est

en la frontera o dentro del
rea sombreada cumplir
con todas las restricciones
Obtencin de la solucin ptima: lneas de indiferencia:
La funcin objetivo es
Z = 5x1 + 5x2
es posible suponer algunos
valores para Z y graficar las
lneas resultantes. En la
siguiente figura se muestran
las lneas para Z = 25 y
Z = 50:
En la grfica puede
observarse que la lnea de
indiferencia para Z = 50 est
completamente fuera de la
regin factible. Para Z = 25,
parte de la lnea cae dentro
de la regin factible. Por
tanto, existe alguna
combinacin de x1 y x2 que
satisface todas las
restricciones y da una
ganancia total de $25.
el punto ptimo est en la
interseccin de las lneas de
restriccin para materiales y horas
de mano de obra. Las
coordenadas de este punto se
encuentran resolviendo el sistema
de ecuaciones que forman estas
dos restricciones al igualarlas.
Las coordenadas de este punto
son (6, 3). La sustitucin de este
punto en la funcin objetivo da la
ganancia mxima:
Z = 5(6) + 5(3) = $45

Uso del mtodo grfico para minimizacin
La solucin del problema de minimizacin sigue el mismo

procedimiento que la de problemas de maximizacin. La
nica diferencia es que ahora se quiere el menor valor
posible para la funcin objetivo.
Ejemplo: Problema de dieta.
Un comprador est tratando de seleccionar la

combinacin ms barata de dos alimentos, que debe
cumplir con ciertas necesidades diarias de vitaminas. Los
requerimientos vitamnicos son por lo menos 40 unidades
de vitamina W, 50 unidades de vitamina X y 49 unidades
de vitamina Y. Cada onza del alimento A proporciona 4
unidades de vitamina W, 10 unidades de vitamina X y 7
unidades de vitamina Y; cada onza del alimento B
proporciona 10 unidades de W, 5 unidades de X y 7
unidades de Y. El alimento A cuesta 5 pesos/kilogramo y
el alimento B cuesta 8 pesos/kilogramo.
Paso 1: formulacin del problema
La meta en este problema es encontrar la manera menos costosa

para satisfacer las necesidades vitamnicas en los alimentos A y B.
Matemticamente la funcin objetivo es:
Minimizar Z = 5A + 8B
Sujeto a (restricciones): 4A + 10B 40 vitamina W

10A + 5B 50 vitamina X
7A + 7B 49 vitamina Y
A 0, B 0 no negatividad
No negatividad
B
A
B
B
Paso 2: grfica de las restricciones.

El procedimiento para graficar es el mismo que se us antes:
(1) graficar cada ecuacin de restriccin;
(2) graficar el rea apropiada.
Para la primera restriccin la

ecuacin es 4A + 10B = 40. Las
dos intersecciones con los ejes
son (0,4) y (10,0).
La restriccin pide 40 unidades

o ms de la vitamina W.
Cualquier punto que est arriba
de la lnea de restriccin ser
factible
Para la vitamina X, la ecuacin

10A + 5B = 50 tiene
intersecciones con los ejes en
(0,10) y (5,0).
Ntese que las soluciones que

quedan en las reas a o b no
son factibles, ya que quedan
abajo de las lneas de restriccin
Al agregar la tercera restriccin,

7A + 7B 49 tiene
intersecciones con los ejes en
(0,7) y (7,0).
El segundo paso queda

terminado, como se muestra en
la figura.
Paso 3: localizacin de la solucin ptima
En la figura se muestra la
frontera extrema ms dos lneas
de indiferencia, las de Z = 40
pesos y Z = 60 pesos.
La frontera extrema est
formada por los puntos a, b, c y
d, puesto que stos son los
puntos de interseccin factibles
ms cercanos al origen
Ajustando una lnea de

indiferencia tan cerca del origen
como sea posible, el ltimo
punto de contacto con la frontera
extrema ser el punto b,
interseccin de las rectas
4A + 10B = 40 y
7A + 7B = 49, es la
solucin ptima.
Multiplicando la primera ecuacin por 7 y la segunda por (-4), se tiene:
28A + 70B = 280

-28A - 28B = -196
0 + 42B = 84
B = 84/42 = 2
Remplazando en
4A + 10B = 40
4A + 10x2 = 40
4A = 40 20
A = 20/4 = 5
La solucin menos costosa es:
5 kilogramos de alimento A y
2 kilogramos de alimento B.
El costo total de esta combinacin es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos

CASOS ESPECIALES:
Mltiples soluciones
Maximizar Z=3x1+2x2
sujeta a:
x1 4
x2 12
3x1+2x2 18
x1 0
x2 0
X2 x1 4
12
10
8
rea de
6 factibilidad
X1
1 2 3 4 5 6
X2
x2 12
12
10
8
rea de
6 factibilidad
X1
1 2 3 4 5 6
X2
12
10
8
3x1+2x2 18
6
4 rea de
factibilidad
2
X1
1 2 3 4 5 6
X2
Maximizar Z=3x1+2x2
12
10
6 Para Z = 24
x1 = 8
x2 = 12
Para Z = 12 4
x1 = 4
x2 = 6
2
X1
1 2 3 4 5 6
X2
Maximizar Z=3x1+2x2
12
Desplazando la lnea
10 de indiferencia, se
observa que cualquier
8 punto de la recta
3x1+2x2 = 18, maximiza
la funcin objetivo, de
6 modo que hay mltiples
soluciones.
4
X1
1 2 3 4 5 6
CASOS ESPECIALES:
Ninguna solucin factible
Maximizar Z=3x1+2x2
sujeta a:
(1/40)x1 + (1/60)x2 1
(1/50)x1 + (1/50)x2 1
x1 30
X2 20
x1 0
x2 0
(1/40)x1 + (1/60)x2 1
60
50
40
30
20
rea de
factibilidad
10
10 20 30 40 50 60
(1/50)x1 + (1/50)x2 1
60
50
40
30
20
rea de
factibilidad
10
10 20 30 40 50 60
x1 30
60
50
40
30
20
10
10 20 30 40 50 60
rea de
factibilidad
Ninguna solucin factible
60
50
40
30
20
10
10 20 30 40 50 60
Mtodos de Resolucin
GRAFICO
Maximize Z = 400X1 + 800 X 2

Sujeto a:
Where
R1) 3X1 + 5X 2 5,000 Fab
Z = the monthly profit from Max and Multimax
X1 =R2) X1 +
the number of Max 3,000
4X 2produced Assy
each month
X 2 =R3) X1 , Xof
the number 2 Multimax produced
0 Nonnegativity
each month
8
Mtodo de Resolucin: Paso 1
Graficar las restricciones
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0 1,000 2,000 3,000 X1 10
Graficar las restricciones
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0 1,000 2,000 3,000 X1 11
Obtener la RSF
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
RSF
C
0,0 1,000 2,000 3,000 X1 11
Mtodo de Resolucin:
X2 3,000
Premisa: el punto
2,000 optimo siempre se
encuentra en uno de
los vrtices de la
RSF.
1,000
A B
RSF
C
0,0 1,000 2,000 3,000 X1 11
Mtodo de Resolucin: Paso3
Encontrar el Punto Optimo: Alternativas
Alternativa 1
Encontrar todas las combinaciones de X1 y X2 que determinan los
vrtices de la RSF, luego se evalan en la funcin objetivo y se elige la
combinacin que maximice (o minimice) dicha funcin.
Alternativa 2
Graficar la F.O. dndose en valor arbitrario de Z (depende de la escala
del grfico), luego la recta se desplaza en forma paralela en el sentido
estricto de la optimizacin. El ultimo punto que tope la F.O al salir de la
RSF corresponder a la solucin optima.
13
Mtodo de Resolucin: Paso3
Encontrar el Punto Optimo(1)
X2 3,000
2,000
1,000
Z=320.000 A B
C
0,0 1,000 2,000 3,000 X1
13
Encontrar el Punto Optimo (2)
X2 3,000
2,000
Optimal Point
1,000
A B
C
0,0 1,000 2,000 3,000 X1
14
Encontrar el Punto Optimo (3)
X2 3,000
El punto optimo (B) se encuentra

2,000 en la interseccin de las dos rectas
3X1 + 5X 2 5,000 Fab
1,000
A B X1 + 4X 2 3,000 Assy
C
0,0 1,000 2,000 3,000 X1 3X1 + 12X 2 9,000 Assy
3X1 + 5X 2 5,000 Fab
7X 2 4,000
X 2 = 571.43, or 571 Multimax
5000 - 5(571)
X1 = 715 Max
3
15
RESULTADOS
Max Z = 400X1 + 800 X 2
Z = 400(715) + 800 (571)
Z = $286,000 + $456,800 = $742,800
X1=715
X2=571
Z =742,800.
16

I Operaciones2014

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

I Operaciones2014

Încărcat de

Drepturi de autor:

Formate disponibile

INVESTIGACIN DE OPERACIONES

Profesor: Rolando Pea y Lillo Valenzuela

Requisito de Asistencia: Igual o mayor al 75% de las

su posterior aplicacin en el campo de los negocios, creacin de bases

Churchman, Ackoff y Arnoff, definen la investigacin de operaciones

a) Su aplicacin en sistemas , ya que se usa para tomar decisiones

b) El uso de modelos como su esencia en la toma de decisiones.

c) Su propsito de ayudar a tomar accin, cientficamente, con anlisis

d) Su casi ilimitada amplitud de aplicaciones le permite ser usado en

En la toma de decisiones el anlisis puede tomar dos formas:

El anlisis cualitativo se basa principalmente en el juicio y experiencia

El anlisis cuantitativo se concentra en hechos cuantitativos o datos

a) Definir claramente un problema, que previamente se ha

1. Definicin del problema

Al definir el problema se deben identificar alternativas, criterios para

La optimizacin es un criterio utilizado y es sinnimo de maximizacin o

La evaluacin de las alternativas se hace con modelos y la definicin

Los icnicos son representaciones a escala (rplicas fsicas) de

Los analgicos o esquemticos son modelos fsicos en cuanto a la

Los modelos matemticos (llamados tambin simblicos) representan

La seleccin del mtodo de solucin depende de las

Antes de usar el modelo debe probarse exhaustivamente para intentar

Los modelos deben ser probados para su validez interna o externa. En

El rol de la experiencia, intuicin y juicio del ser humano no puede ser

Entre los mas usados modelos cuantitativos de IO se encuentran los

Sin embargo no excluye el juicio y razonamiento no cuantificable del

1. El xito del empleo de la IO es el de un enfoque de solucin de

2. La IO es relativamente costosa, lo que significa que no debe

Para llegar a hacer un uso apropiado de la IO, es

1. Frecuentemente es necesario hacer simplificaciones del

4. Rara vez se realizan anlisis costo-beneficio de la

Desarrollo de poltica nacional de administracin del agua,

Optimizacin de operaciones de produccin para cumplir metas

Optimizacin del corte de rboles en productos de madera para

Asignacin ptima de recursos hidrulicos y trmicos en el

Programacin de turnos de trabajo en las oficinas de reservaciones

Optimizacin de las operaciones de refinacin y de la oferta,

Administracin de inventarios de petrleo y carbn para el servicio

Optimizacin del diseo de una red nacional de transporte y la

Diseo de un sistema de estructura de precios, sobreventa y

Diseo de un programa efectivo de intercambio de agujas para

El problema general es asignar recursos limitados entre

Este problema incluye elegir el nivel de ciertas actividades que

El adjetivo lineal significa que todas las funciones matemticas del

Los trminos clave son recursos y actividades, en donde m

Z =valor de la medida global de efectividad

1. Funcin objetivo. Consiste en optimizar el objetivo que

3. Restricciones Estructurales. Diferentes requisitos que

4. Condicin tcnica. Todas las variables deben tomar

PROBLEMA GENERAL PROBLEMAS ESPECIALES

METODO GRAFICO METODO ALGEBRAICO PROBLEMAS DE TRANSPORTE PROBLEMAS DE ASIGNACIN

Proporcionalidad: La contribucin de cada actividad al valor de la

Aditividad: Cada funcin en un modelo de programacin lineal (ya sea

Divisibilidad: Las variables de decisin en un modelo de programacin

Objetivo nico: Los modelos matemticos deben ser de objetivo nico

No negatividad: Las variables de produccin no pueden tomar valores

PROBLEMA DE LA MEZCLA DE PRODUCTOS

Paso 2: Identificar las variables de decisin que deseamos determinar

R1) Tiempo disponible en el depto. de Ensamble por da 300

Paso 4: Construccin del modelo matemtico

libra componente por libra de alimento ganado

Los requerimientos dietticos diarios de alimento especial estipulan por lo

Condiciones de signo para variables: toda xj 0