FUNDACIÓN UNIVERSITARIA DEL ÁREA ANDINA

FACULTAD DE INGENIERÍA Y CIENCIAS BÁSICAS

INVESTIGACIÓN DE OPERACIONES I

SEMANA 1:
CONCEPTOS BÁSICOS E INTRODUCCIÓN A LA
PROGRAMACIÓN LINEAL

DANILO DE JESÚS ARIZA AGÁMEZ

1
2
 CONCEPTOS BÁSICOS E INTRODUCCIÓN A LA
PROGRAMACIÓN LINEAL
¿Qué es la Investigación de Operaciones (IO)?

 Aplicación de principios científicos a tareas administración

de organizaciones.

 Su aparición se remonta a los comienzos de la Segunda

Guerra Mundial, con la necesidad de asignación de escasos
recursos a las diferentes operaciones militares.

 Los “buenos resultados” en la guerra motivaron su aplicación

en empresas de diversos tipos (fabricación, transporte,
sistemas de telecomunicaciones, gestión financiera, entre
otros).

 A la IO también se le llama ciencias de la administración.

Áreas de la IO
Diferentes problemas, según su naturaleza, se abordan desde
diferentes áreas, entre las áreas de la IO se encuentran:

 Programación lineal
 Programación lineal entera
 Programación no lineal:
 Programación dinámica
 Teoría de inventarios
 Problemas de asignación y transporte
 Teoría de colas:

Etapas de un estudio de IO
En la IO, además de los principios propios del área, también se
requiere creatividad, malicia, criterios acertados para usar una u
3
otra técnica de IO, entre otras. Un conjunto básico de directrices
para realizar un estudio de IO son:

Definición del problema y recolección de datos.

La definición del problema se refiere a precisar el problema a
resolver ¿qué es lo que se quiere? Se debe tener claridad sobre
diferentes alternativas, objetivo principal y las limitaciones. De la
apropiada definición del problema depende en buena medida las
conclusiones a que se llegue y las decisiones.

Se debe contar con la cantidad suficiente de datos que permita el

adecuado entendimiento de la situación. Apropiados sistemas de
información brindan datos muy útiles.

Planteamiento de un modelo matemático.

La definición del problema se traduce luego a un modelo
matemático que englobe la esencia de la situación.
El modelo es una abstracción dada en expresiones matemáticas
que relacionan las variables involucradas. Generalmente se
establece aproximaciones y simplificaciones. Un mismo
problema puede dar lugar a diferentes modelos dependiendo del
enfoque del analista.

Planteamiento de la solución a partir del modelo.

A partir del modelo, el equipo de IO emplea procedimientos de
solución. Usualmente se puede utilizar paquetes de software para
hallar la solución óptima.

Muchas veces la búsqueda rigurosa del valor óptimo es muy

costoso, en estos casos se aplica procedimientos heurísticos o
intuitivos que, dan buenas soluciones aproximadas.

Una solución óptima a partir de un modelo puede ser muy

diferente del ideal real, en IO se considera análisis posteriores
4
(Qué pasaría si se hubiese tomado en cuenta otras
suposiciones).

Validación del modelo y preparación para su

implementación.
Es probable que el modelo planteado presente fallas asociadas
con suposiciones y aproximaciones.

Antes de aplicar el modelo se debe hacer pruebas que permitan

detectar y corregir fallas, dando lugar a una serie de modelos a
partir de modificaciones del original.

Implementación de la solución.
Adoptado un modelo y su solución se crear un sistema que
permita su aplicación, dependiendo la naturaleza del problema es
posible que se realice la implementación con base en
computadores.

La implementación debe considerar pasos como capacitación al

personal involucrado. Una buena solución puede ser
aprovechable por varios años con las de debidas supervisiones y
posibles modificaciones.

Programación lineal (PL)

Se puede decir que es el área de IO que ayuda a resolver
problemas de asignación de recursos limitados de la mejor forma
posible, a diferentes actividades que compiten por ellos.

Él término programación se refiere a planeación, mientras que el

carácter lineal se debe a que el modelado conduce a funciones
lineales como expresiones que relacionan las variables. La PL se
usa también ámbitos distintos a la asignación de recursos cuyo
modelado coincide con el modelo de la PL.
5
Ejemplo de un problema de PL. Identificación y definición.
La empresa La Arenosa, que basa su negocio en la producción y
venta de ventanas y puertas de vidrio, cuenta con tres plantas de
operación, El Tintal, Quinta Camacho y Puente Aranda. Con el fin
de optimizar las utilidades la gerencia contempla replantear la
producción con la fabricación puertas de vidrio de 2,5 metros y
ventanas corredizas de 1,20 por 1,90 metros con marco de
madera. Las puertas solo necesitan parte de la capacidad del
Tintal y Puente Aranda, mientras que las ventanas requieren
capacidad de de fabricación solo Quinta Camacho y Puente
Aranda. Los estudios indican que se puede vender la totalidad de
productos fabricados, pero se debe definir cómo usar la
capacidad de producción de tal manera que se logre la mayor
utilidad. El equipo de IO plantea la siguiente definición del
problema:

En la fabricación de puertas (P1) y ventana (P2) (en lotes de 20

unidades), se quiere saber el número de lotes semanales de cada
producto para obtener la máxima utilidad (se puede dar múltiples
posibilidades que satisfagan las limitaciones)

Definido el problema, y con la información de la utilidad de cada

producto, la cantidad de horas requeridas en cada planta y la
cantidad de horas semanales disponibles en cada planta, el
equipo de IO elabora la siguiente tabla.

6
 Horas requeridos por Horas semanales
Planta lote disponibles por
P1 P2 planta
El Tintal 1 0 4
Quinta 0 2 12
Camacho
Puente 3 2 18
Aranda
Utilidad por $ $
lote 6.000.000 10.000.000
Datos del problema de la empresa La Arenosa

Modelado como un problema de PL

Con la información de la tabla se plantea el modelo de PL en que
se decide cuantos lotes de P1 y P2 fabricar semanalmente. Se
define el siguiente conjunto de variables:

x 1=Cantidad de lotes de P1 a fabricar por semana( variable de decisión)

x 2=Cantidad de lotes de P2 a fabricar por semana(variable de decisión)
Z=Ganancia total en miles de pesos .( Función objetivo a maximizar )

Al fabricar x 1 lotes del producto P1 y x 2 lotes de P2, la función Z ,de

la que se quiere el mayor valor posible es:

Z=6 x 1+10 x 2

Según la tabla se obtiene el siguiente conjunto de restricciones

(estructurales), que se refieren a las limitaciones del recurso.
Además, las cantidades a producir deben ser x 1 ≥ 0 y ≥ 0 ,
(restricciones de no negatividad). El modelo se resume en hallar
los valores de x 1 y x 2 para:

Maximizar Z=6 x 1 +10 x2

7
Sujeta a: x 1 ≤ 4
2 x2 ≤12
3 x 1+2 x 2 ≤ 18
x1 ≥ 0 ; x2 ≥ 0

(Analizar el otro ejemplo de la cartilla)

Procedimiento gráfico de solución de problemas de PL.

Aplicable fácilmente a situaciones con dos variables de decisión.
Si se considera el caso de igualdad en cada restricción estructural
y sus correspondientes gráficas (líneas rectas). Las restricciones
de no negatividad ( x 1 ≥ 0 , x 2 ≥ 0) obligan a considerar solo valores en
el primer cuadrante del plano cartesiano.

Representación gráfica del ejemplo de la empresa La Arenosa

En la Figura se ha sombreado la región limitada por las rectas

obtenidas. Cualquier par x 1 , x 2 dentro de la región sombreada
satisface las restricciones (región factible), pero se quiere hallar el
par x 1 , x 2 que maximice Z , ¿cuál o cuáles de los infinitos puntos de
la región factible da el mayor Z?

Apliquemos ensayo y error graficando Z=6 x 1+10 x 2para varios

valores de prueba de Z , (se obtiene rectas paralelas), si la recta
tiene puntos en la región factible (al menos uno) significa que el Z
8
elegido es válido (aunque no necesariamente el mejor), con
varias pruebas podemos ver cuál es el mejor.

(6,0) y (0,9)

Figura: representación para hallar la solución del problema de la

empresa La Arenosa. Entre estas rectas, la que da el mejor valor
de Z es la más alejada del origen.

La idea fundamental del método gráfico consiste en trazar familia

de rectas Z=c y observar cuál de las que tocan la región factible
es la más alejada del origen. En esta recta el punto o puntos que
está sobre la región factible da la solución.

En la práctica se puede trazar una recta y valerse de traslación de

la regla sobre la región factible en la dirección que Z mejora su

9
valor. La traslación se hace hasta que la regla pasa solo por un
punto de la región factible.

El método gráfico solo es útil en problemas con dos variables de

decisión (incluso con tres), para más de tres variables es
imperativo usar algún método analítico.

Modelo general de un problema de PL

En general puede haber muchas variables de decisión y muchas
restricciones estructurales

En un problema de programación lineal se habla de la existencia

de m recursos (restringidos) asignables a n actividades
(demandantes).

Z=función objetivo o medida global de desempeño .

x j nivel de la actividad j( para j=1 ,2 , .. . , n).
c j=incremento en Z obtenido al aumentar una unidad en el nivel de la actividad j .
b i=cantidad de recurso disponible para asignarse a las actividades(i=1 , 2, . . ., m).
a ij=cantidad del recurso i consumido por cada unidad de laactividad j .

A partir de la definición del problema se plantea un cuadro

resumen de las actividades, recursos requeridos y recurso
disponible.

Recurso Consumo de recursos por unidad Disponibil

de actividades idad de
Actividades recursos
1 2 … n
1 a 11 a 12 … a 1n b1
2 a 21 a 22 … a 2n b2
⋮ ⋮ ⋮ ⋮ ⋮
m am1 am2 … a mn bm
10
 Aporte a Z c1 c2 … cn
por unidad
de actividad
Tabla 1.3: parámetros del modelo general de problema de
programación lineal.

Por cada unidad de la actividad 1 se usa la cantidad a 11 del

recurso 1, una cantidad a 21 del recurso 2…, en general, por cada
unidad de la actividad n se utiliza una cantidad a 1n del recurso 1,
una cantidad a 2n del recurso 2, y así sucesivamente. A los
coeficientes c 1 , … ,c n ; b1 , … , bn ; a11 , … , a1 n , … ,a m 1 , … , amn se les conoce como
parámetros del modelo

Forma estándar del modelo de un problema de PL

Con el cuadro resumen se procede a plantear el modelo para:

Maximizar :Z=c1 x 1+ c2 x 2+ …+c n x n

sujeta a :a11 x 1+ a12 x 2 +… +a1 n xn ≤ b1

a 21 x1 + a22 x 2+ …+ a2 n x n ≤ b2
⋮ ⋮⋮ ⋮
a m 1 x 1+ am 2 x2 +… +a mn x n ≤b m

x 1 ≥ 0 , x2 ≥ 0 , … , x n ≥0

Otras formas de problemas de PL

Minimizar :Z =c 1 x 1 +c 2 x 2 +…+c n x n

sujeta a :a11 x 1+ a12 x 2 +… +a1 n xn ≤ o ≥ b1

a 21 x1 + a22 x 2+ …+ a2 n x n ≤ o ≥b 2
⋮ ⋮⋮ ⋮
a m 1 x 1+ am2 x2 +… +a mn x n ≤o ≥ b m

x i ∈ R para algunos valores de i

11
Soluciones de un problema de PL
Solución factible: cualquiera que satisface todas las
restricciones del problema.

Solución óptima: aquella o aquellas soluciones factibles que dan

el mejor valor de la función objetivo.

Soluciones factibles en vértices: se presentan en vértices de la

región factible o intersección de dos restricciones.

Un conjunto de restricciones puede dar lugar a una región factible

poligonal (acotada), también puede haber regiones no acotadas.
En cualquier problema de programación lineal con región
factible acotada, el problema tiene soluciones factibles en
vértices, la mejor solución factible en vértice es una solución
óptima. Si un problema de programación lineal tiene solución
óptima única tal solución se da en un vértice.

12