Qué es la Investigación de Operaciones

por GEO Tutoriales el 13/01/2015 en Programación Lineal 3

La Investigación de Operaciones o Investigación Operativa (en

inglés OR u Operations Research) es una disciplina que consiste en la aplicación de
métodos analíticos avanzados con el propósito de apoyar el proceso de toma de
decisiones, identificando los mejores cursos de acción posibles.
En este contexto la Investigación de Operaciones utiliza técnicas de
modelamiento matemático, análisis estadístico y optimización matemática, con el
objetivo de alcanzar soluciones óptimas o cercanas a ellas cuando se enfrentan
problemas de decisión complejos. Se espera que las decisiones alcanzadas
mediante el uso de un modelo de investigación operativa sean significativamente
mejores en comparación a aquellas decisiones que se podrían tomar haciendo uso
de la simple intuición o experiencia del tomador de decisiones. Lo anterior es
particularmente cierto en aquellos problemas de naturaleza real complejos, que
consideran cientos, incluso miles de variables de decisión y restricciones.
La Investigación de Operaciones se complementa con otras disciplinas como la
Ingeniería Industrial y la Gestión de Operaciones. En términos estrictos un
modelo de optimización considera una función objetivo en una o varias variables
que se desea maximizar (por ejemplo el ingreso o beneficio asociado a un plan de
producción) o por el contrario minimizar (por ejemplo los costos de una firma, el
riesgo asociado a una decisión, la pérdida de un alternativa, etc). Los valores que
pueden adoptar las variables de decisión usualmente están restringidos por
restricciones que adoptan la forma de ecuaciones y/o inecuaciones que buscan
representar las limitantes asociadas a la problemática.
El enfoque de la Investigación de Operaciones es el modelaje. Un modelo es una
herramienta analítica que nos sirve para lograr una visión bien estructurada de la
realidad. Así, el propósito del modelo es proporcionar un medio para analizar el
comportamiento de las componentes de un sistema con el fin de optimizar su
desempeño (identificar el mejor curso de acción posible).
Una visión esquemática del proceso asociado a la construcción de un modelo de
optimización se presenta a continuación:
1. Definición del problema: Se debe definir el problema para el cual se busca
proponer un curso de acción. ¿Es un problema relevante? ¿es posible tomar
una buena decisión sin la necesidad de resolver un modelo de optimización?
¿cuáles son sus alcances? ¿cuáles son los factores que influyen en el desempeño
del sistema?, etc. La calidad del modelo de optimización dependerá en gran parte
de la asertividad en la definición del problema de decisión.
2. Construcción de un modelo: Un modelo de optimización considera
necesariamente una abstracción o simplificación de la realidad. Por un lado se
busca que el modelo sea representativo del problema real que se busca
representar pero que al mismo tiempo sea simple de modo de favorecer su
resolución haciendo uso de un algoritmo ad-hoc. Alcanzar este equilibrio no es
trivial. Por ello ante un mismo problema puede existir más de un modelo de
optimización que lo represente con distintos niveles de detalle y abstracción.
3. Solución del modelo: Una vez construido el modelo de optimización se deben
identificar las alternativas de resolución para el mismo. Para ello se puede hacer
uso de programas computacionales que utilizan algoritmos de resolución
específicos dependiendo de las características del modelo. Por ejemplo, para
resolver un problema de Programación Lineal (las variables de decisión se
representan como funciones lineales tanto en la función objetivo como
restricciones) se puede utilizar el Método Simplex.
4. Validación: Se verifica que la solución alcanzada cumpla con las condiciones
(restricciones) impuestas al problema.
5. Implementación y control de la solución: Una vez verificada la solución se
procede a su implementación. Cabe destacar que esto puede lugar a
actualizaciones del modelo de optimización tanto en términos del modelo como el
valor de los parámetros estimados. Por ejemplo, si el modelo de optimización
 corresponde a un Plan Maestro de la Producción (PMP) y se genera un cambio
en el valor de la hora hombre de los trabajadores será necesario actualizar el valor
del parámetro que representa dicho costo para posteriores instancias de
resolución.
En la actualidad el uso de modelos de optimización es cada vez más frecuente en
la toma de decisiones. Este mayor uso se explica, principalmente, por un mejor
conocimiento de estas metodología en las diferentes disciplinas, la creciente
complejidad de los problemas que se desea resolver, la mayor disponibilidad de
software y el desarrollo de nuevos y mejores algoritmos de solución.

Las sub disciplinas más destacadas en la Investigación de Operaciones moderna

son:

 Tecnologías de la Información
 Medioambiente, Energía y Recursos Naturales
 Ingeniería Financiera
 Manufactura y Servicios
 Gestión de la Cadena de Suministro (SCM)
 Marketing
 Revenue Management
 Problemas de Transporte
 Simulación
 Modelos Estocásticos
Investigación de operaciones
Ir a la navegaciónIr a la búsqueda

Diseño de experimentos según el método de Doehlert

Este artículo trata sobre Investigación de operaciones. Para la revista académica,

véase Operations Research (revista).
La investigación de operaciones (también llamada investigación operativa), es
una disciplina que se ocupa de la aplicación de métodos analíticos avanzados
para ayudar a tomar mejores decisiones. 1 Además, el término análisis
operacional se utiliza en el ejército británico (y en algunos otros ejércitos de la
Commonwealth británica) como parte intrínseca del desarrollo, la gestión y la
garantía de su capacidad operativa. En particular, el análisis operacional forma
parte del sistema de estimación de la efectividad operativa combinada y de la
evaluación de inversiones que apoyan la toma de decisiones de la defensa
británica.
A menudo se considera que es un subcampo de las matemáticas aplicadas.2 Los
términos ciencia de la gestión y teoría de la decisión a veces se usan como
sinónimos.3
Empleando técnicas de otras ciencias matemáticas, como modelado
matemático, análisis estadístico y optimización, la investigación de operaciones
llega a soluciones óptimas o casi óptimas para problemas complejos de toma de
decisiones. Debido a su énfasis en la interacción humano-tecnología y debido a su
enfoque en aplicaciones prácticas, la investigación de operaciones se superpone
con otras disciplinas, en particular la ingeniería industrial y la administración de la
producción, y se basa en la psicología y en la ciencia de la organización. La
investigación de operaciones a menudo se ocupa de determinar los valores
extremos de algún objetivo del mundo real: los máximos (de ganancia, rendimiento
o rentabilidad) o mínimos (de pérdida, riesgo o costo). Originada en los esfuerzos
militares previos a la Segunda Guerra Mundial, sus técnicas han crecido para
tratar problemas en distintas industrias.4

Índice
 1Visión general
 2Historia
o 2.1Orígenes históricos
o 2.2Segunda Guerra Mundial
o 2.3Después de la Segunda Guerra Mundial
 3Problemas abordados
 4Ciencia de la gestión
o 4.1Campos relacionados
o 4.2Aplicaciones
 5Sociedades y revistas
o 5.1Sociedades
o 5.2Revistas del INFORMS
o 5.3Otras revistas
 6Véase también
 7Referencias
 8Lectura adicional
o 8.1Libros y artículos clásicos
o 8.2Libros de texto clásicos
o 8.3Historia
 9Enlaces externos

Visión general[editar]
La investigación operativa (IO) abarca una amplia gama de técnicas y métodos de
resolución de problemas aplicados para mejorar la toma de decisiones y la
eficiencia, como la simulación, la optimización, la teoría de colas y otros modelos
de procesos estocásticos, procesos de decisión de Markov, métodos
econométricos, análisis envolvente de datos, redes neurales, sistemas
expertos, análisis de decisiones y procesos analíticos jerárquicos.5 Casi todas
estas técnicas implican la construcción de modelos matemáticos que intentan
describir el sistema. Debido a la naturaleza computacional y estadística de la
mayoría de estos campos,también tiene fuertes vínculos con las ciencias de la
computación y la analítica. Los investigadores operacionales que se enfrentan a
un nuevo problema deben determinar cuál de estas técnicas es la más adecuada,
dada la naturaleza del sistema, los objetivos de mejora y las limitaciones de
tiempo y capacidad de cálculo.
Las principales subdisciplinas en la investigación operativa moderna, identificadas
por la revista "Operations Research" (Investigación de Operaciones),6 son:

 Informática y tecnologías de la información.

 Ingeniería financiera
 Manufactura, ciencia de los servicios y administración de la cadena de
suministro
 Modelo de políticas y trabajo del sector público.
 Gestión de ingresos
 Simulación
 Modelos estocásticos
 Transporte

Historia[editar]
En las décadas posteriores a las dos guerras mundiales, las herramientas de la
investigación de operaciones se aplicaron más ampliamente a los problemas en
los negocios, la industria y la sociedad. Desde entonces, la investigación operativa
se ha expandido a un campo ampliamente utilizado en industrias que van desde
productos petroquímicos a líneas aéreas, finanzas, logística y gobierno,
enfocándose en el desarrollo de modelos matemáticos que pueden usarse para
analizar y optimizar sistemas complejos, y se ha convertido en un área de
investigación académica e industrial activa.4
Orígenes históricos[editar]
En el siglo XVII, matemáticos como Christiaan Huygens y Blaise
Pascal (abordando el problema de la partida interrumpida) intentaron resolver
cuestiones relacionadas con decisiones complejas mediante el uso del cálculo
de probabilidad. Otros matemáticos de los siglos XVIII y XIX resolvieron este tipo
de problemas mediante combinatoria. La investigación de Charles Babbage sobre
el costo del transporte y la clasificación del correo condujo a la universal "Penny
Post" de Inglaterra en 1840, y en los estudios sobre el comportamiento dinámico
de los vehículos ferroviarios en defensa del ancho de vía del GWR.7 A partir del
siglo XX, el estudio de la gestión de inventarios podría considerarse el origen de la
investigación de operaciones modernas con el concepto de cantidad económica
de pedido desarrollado por Ford W. Harris en 1913. La investigación operativa
puede haberse originado en los esfuerzos de los planificadores militares durante la
Primera Guerra Mundial (teoría de convoy y Leyes de Lanchester). Percy Williams
Bridgman llevó la investigación operativa a los problemas de la física en la década
de 1920 y luego intentaría extenderlos a las ciencias sociales. 8
La investigación operativa moderna se originó en el Establecimiento de
Investigación de Bawdsey en el Reino Unido en 1937 y fue el resultado de una
iniciativa del superintendente del establecimiento, A. P. Rowe, que concibió la idea
como un medio para analizar y mejorar el funcionamiento del sistema planteado
de alerta de radar temprana del Reino Unido, y de su red de instalaciones (Chain
Home (CH)). Inicialmente, analizó el funcionamiento del equipo de radar y sus
redes de comunicación, expandiéndose más tarde para incluir el comportamiento
del personal operativo. Esto reveló limitaciones no apreciadas de la red CH y
permitió que se tomaran medidas correctivas.9
Científicos en el Reino Unido, incluyendo a Patrick Blackett, Cecil Gordon, Solly
Zuckerman, C. H. Waddington, Owen Wansbrough-Jones, Frank Yates, Jacob
Bronowski y Freeman Dyson, y en los Estados Unidos con George
Dantzig buscaron maneras para tomar mejores decisiones en áreas como
la logística y los horarios de adiestramiento.
Segunda Guerra Mundial[editar]
El campo moderno de la investigación operativa surgió durante la Segunda Guerra
Mundial. En este período, la investigación operativa se definió como "un método
científico para proporcionar a los departamentos ejecutivos una base cuantitativa
para la toma de decisiones sobre las operaciones bajo su control". 10 La actividad
también era conocida como análisis operacional (Ministerio de Defensa del Reino
Unido desde 1962)11 y gestión cuantitativa. 12
Durante la Segunda Guerra Mundial, cerca de 1000 hombres y mujeres
participaron en investigación operativa en Gran Bretaña, y alrededor de 200
científicos trabajaron en este campo para el Ejército Británico.13
Patrick Maynard Stuart Blackett trabajó para varias organizaciones diferentes
durante la guerra. Al comienzo del conflicto, mientras trabajaba para el Royal
Aircraft Establishment (RAE), creó un equipo conocido como el "Circo", que ayudó
a reducir el número de disparos de la defensa antiaérea necesarios para derribar
un avión enemigo desde un promedio de más de 20.000 al comienzo del Batalla
de Inglaterra a 4000 en 1941.14

Un Liberator con el camuflaje estándar de los bombarderos nocturnos de la RAF verde/tierra

oscura/negro tal como fue originalmente utilizado por el Comando de Costas

En 1941, Blackett se mudó de la RAE a la Armada, tras trabajar primero con

el Comando de Costas de la RAF en 1941 y luego a principios de 1942
al Almirantazgo británico.15 El equipo de Blackett en la Sección de Investigación
Operacional del Comando Costero (CC-ORS) incluyó a dos futuros ganadores
del Premio Nobel y a muchas otras personas que pasaron a ser figuras
destacadas en sus campos. 16 Llevaron a cabo una serie de análisis cruciales que
contribuyeron al esfuerzo bélico. Gran Bretaña introdujo el sistema
de convoyes para reducir las pérdidas de cargueros, pero si bien se aceptó el
principio de usar buques de guerra para acompañar a los buques mercantes, no
estaba claro si era mejor que los convoyes fueran pequeños o grandes. Los
convoyes viajan a la velocidad del miembro más lento, por lo que los convoyes
pequeños pueden viajar más rápido. También se argumentó que los U-
Boot alemanes serían más difíciles de detectar para los pequeños convoyes. Por
otro lado, los convoyes grandes podrían desplegar más buques de guerra contra
un atacante. El personal de Blackett demostró que las pérdidas sufridas por los
convoyes dependían en gran medida de la cantidad de buques de escolta
presentes, en lugar del tamaño del convoy. Su conclusión fue que algunos
convoyes grandes son más defendibles que muchos pequeños. 17
Al realizar un análisis de los métodos utilizados por el Comando de Costas de la
RAF para cazar y destruir submarinos, uno de los analistas preguntó de qué color
eran los aviones. Como la mayoría de ellos eran del Comando de Bombarderos,
estaban pintados de negro para operaciones nocturnas. A sugerencia de CC-ORS
se realizó una prueba para ver si ese era el mejor color para camuflar el avión
para operaciones diurnas en los cielos grises del Atlántico Norte. Las pruebas
mostraron que, en promedio, los aviones pintados de blanco no se vieron hasta
que estuvieron un 20 % más cerca que los pintados de negro. Este cambio indicó
que un 30 % más de submarinos serían atacados y hundidos con el mismo
número de avistamientos. 18 Como resultado de estos hallazgos, el Comando
Costero cambió sus aeronaves para usar superficies inferiores blancas.
Otros trabajos realizados por el CC-ORS indicaron que, en promedio, si la
profundidad de disparo de las cargas de profundidad se cambiara de 100 pies a 25
pies, las tasas de efectividad subirían. La razón era que si un U-boat viera un
avión poco antes de que llegara al objetivo, las cargas no harían daño explotando
a 100 pies (porque el U-boat no habría tenido tiempo de descender hasta esa
profundidad) y si vio la aeronave desde muy lejos del objetivo, tuvo tiempo de
alterar su rumbo bajo el agua, por lo que las posibilidades de que estuviera dentro
de la zona de impacto de 20 pies de los cargas eran pequeñas. Era más eficiente
atacar a los submarinos cerca de la superficie cuando se conocía mejor la
ubicación de los objetivos que intentar destruirlos a mayor profundidad cuando sus
posiciones solo podían ser adivinadas. Antes del cambio de configuración de 100
pies a 25 pies, el 1 % de los submarinos sumergidos se hundieron y el 14 % se
dañaron. Después del cambio, el 7 % fue hundido y el 11 % dañado (si se cuentan
los submarinos capturados en la superficie, incluso si fueron atacados poco
después de sumergirse, los números aumentaron a 11 % hundidos y a 15 %
dañados). Blackett observó que "puede haber pocos casos en los que se haya
obtenido una ganancia operativa tan grande con un cambio de táctica tan pequeño
y simple".19

Mapa de la Línea Kammhuber

La Sección de Investigación Operativa del Comando de Bombardeo (BC-ORS)

analizó un informe de una encuesta realizada por el Comando de Bombardeo de
la RAF. Para la encuesta, inspeccionó todos los bombarderos que regresaban de
misiones sobre Alemania durante un período en particular. Se tomó nota de todos
los daños causados por la defensa antiaérea alemana y se recomendó que se
agregara armadura en las zonas más dañadas. Esta recomendación no se adoptó
porque el hecho de que la aeronave regresara con estas áreas dañadas indicaba
que estas áreas no eran vitales, y agregar armadura a las áreas no vitales donde
el daño es aceptable afecta negativamente el rendimiento de la aeronave.
También se rechazó su sugerencia de suprimir a algunos miembros de la
tripulación para que la pérdida de una aeronave produjera menores pérdidas de
personal. El equipo de Blackett hizo la recomendación lógica de colocar la
armadura en las áreas que estaban completamente intactas por el daño en los
bombarderos que regresaron. Razonaron que la toma de datos estaba sesgada,
ya que solo incluía a los aviones que regresaron a Gran Bretaña. Las zonas
intactas de las aeronaves que retornaron fueron probablemente los puntos vitales
que, de ser dañadas, se traducirían en la pérdida de la aeronave. 2021 Se cita una
historia similar acerca de un estudio de evaluación de daños similar completado en
los Estados Unidos por el Grupo de Investigación Estadística de la Universidad de
Columbia.22 y fue el resultado del trabajo realizado por Abraham Wald23
Cuando Alemania organizó sus defensas aéreas en la Línea Kammhuber, los
británicos se dieron cuenta de que si los bombarderos de la RAF volaban en
una formación lineal cerrada podrían abrumar a los cazas nocturnos alemanes que
volaban individualmente, dirigidos a sus objetivos por los controladores de tierra.
Fue entonces una cuestión de calcular estadísticamente las pérdida causadas por
las colisiones entre los bombarderos frente a las pérdidas causadas por los cazas
nocturnos para determinar la separación a la que deberían volar los bombarderos
para minimizar las pérdidas de la RAF.24
La relación de la tasa de cambio de la salida respecto a la entrada fue un rasgo
característico de la investigación operativa. Al comparar el número de horas de
vuelo de los aviones aliados con el número de avistamientos de submarinos en un
área determinada, fue posible redistribuir los aviones a áreas de patrulla más
productivas. La comparación de estas tasas permitieron establecer "ratios de
efectividad" útiles en la planificación. La proporción de 60 minas
marinas colocadas por barco hundido era común a varias campañas: minas
alemanas en puertos británicos, minas británicas en rutas alemanas y minas de
Estados Unidos en rutas japonesas.25
La investigación operacional duplicó la tasa de acierto de los bombardeos sobre
los objetivos previstos de los Boeing B-29 Superfortress que atacaban Japón
desde las Islas Marianas, al aumentar la proporción de entrenamiento del 4 al 10
por cien de las horas de vuelo; reveló que las manadas de lobos de tres
submarinos de los Estados Unidos eran el número más efectivo; mostró que la
pintura de esmalte brillante era un camuflaje más efectivo para los cazas
nocturnos que el acabado de pintura de camuflaje opaco tradicional, y que el
acabado liso de la pintura aumentaba la velocidad de los aviones al reducir la
fricción de los fuselages con el aire.25
En tierra, las secciones de investigación operativa del Grupo de Investigación
Operativa del Ejército (AORG) del Ministerio de Suministros (MoS) fueron
desplegadas en la Batalla de Normandía en 1944, y siguieron a las fuerzas
británicas en el avance hacia el centro de Europa. Analizaron, entre otros temas,
la efectividad de la artillería, los bombardeos aéreos y los disparos antitanque.
Después de la Segunda Guerra Mundial[editar]
Con las técnicas ampliadas y la creciente concienciación sobre el terreno al final
de la guerra, la investigación operativa ya no se limitó solo a la táctica, sino que se
extendió para abarcar la adquisición de equipos, la capacitación, la logística y la
infraestructura. La investigación de operaciones también creció en muchas otras
áreas además del ámbito militar una vez que los científicos aprendieron a aplicar
sus principios al sector civil. Con el desarrollo del algoritmo
símplex para programación lineal en 194726 y el desarrollo de computadoras en las
tres décadas siguientes, la investigación operativa ahora puede "resolver
problemas con cientos de miles de variables y restricciones. Además, los grandes
volúmenes de datos requeridos para tales problemas pueden ser almacenados y
manejados de manera muy eficiente."26

Problemas abordados[editar]
 Método de la ruta crítica o planeamiento de proyectos: identificación de los
procesos que afectan a la duración general de un proyecto complejo
 Floorplanning: diseño de los equipos de una fábrica o de los componentes
de un circuito integrado para reducir el tiempo de manufactura (por lo tanto,
reducir el costo)
 Optimización de redes: por ejemplo, la configuración de las redes de
telecomunicaciones o del sistema de energía para mantener la calidad del
servicio durante las interrupciones del servicio
 Problemas de asignación
 Localización de instalaciones
 Problemas de asignación:
o Problema de la asignación
o Problema de la asignación generalizado
o Problema de la asignación cuadrática
o Problema de asignación de blancos
 Teoría de búsqueda Bayesiana: búsqueda de objetivos
 Búsqueda optimizada
 Encaminamiento, como determinar las rutas de los autobuses para que se
necesite la menor cantidad posible de autobuses
 Administración de la cadena de suministro : gestión del flujo de materias
primas y productos en función de la demanda incierta de los productos
terminados
 Actividades de producción del proyecto: gestión del flujo de actividades de
trabajo en un proyecto de capital en respuesta a la variabilidad del sistema a
través de herramientas de investigación de operaciones para la reducción de la
variabilidad y la asignación de amortiguadores utilizando una combinación de
asignación de capacidad, inventario y tiempo 2728
 Mensajes eficientes y tácticas de respuesta al cliente
 Automatización industrial: automatización o integración de sistemas
robóticos en procesos de operaciones impulsados por humanos
 Globalización: procesos de globalización de operaciones para aprovechar
materiales, mano de obra, tierra u otros insumos de productividad más baratos
 Transporte: gestión de sistemas de transporte y
entrega freight (Ejemplos: LTL shipping, transporte intermodal, problema del
viajante)
 Planificación:
o Organización de personal
o Pasos de fabricación
o Gestión de proyectos
o Tráfico de datos de red: estos son conocidos como teoría de colas o
sistemas de colas
o Eventos deportivos y su cobertura televisiva
 Mezcla de materias primas en refinerías de petróleo
 Determinación de precios óptimos, en muchas configuraciones minoristas y
B2B, dentro de las disciplinas de ciencia de precios
 Problema de corte de valores: corte de artículos pequeños a partir de
tamaños más grandes
La investigación operativa también se usa ampliamente en el gobierno, donde se
usa política basada en la evidencia.

Ciencia de la gestión[editar]
Artículo principal: Ciencia de la gestión
En 1967, Stafford Beer caracterizó el campo de la ciencia de la administración
como "el uso comercial de la investigación de operaciones".29 Sin embargo, en los
tiempos modernos el término ciencia de la administración también se puede usar
para referirse a los campos separados de los estudios
organizacionales o estrategia de negocios. La ciencia de la gestión es una rama
interdisciplinaria de las matemáticas aplicadas dedicada a la planificación óptima
de decisiones, con fuertes vínculos con la economía, los negocios, la ingeniería y
otras ciencias. Utiliza varios principios basados
en investigación científica, estrategias y técnicas analíticas, incluyendo modelado
matemático, estadísticas y análisis numérico con el fin de mejorar la capacidad de
una organización para adoptar decisiones de gestión racionales y significativas al
llegar a soluciones óptimas o casi óptimas para problemas complejos de decisión.
Los científicos de gestión ayudan a las empresas a lograr sus objetivos utilizando
los métodos científicos de la investigación operativa.
El mandato del científico de la administración es utilizar técnicas racionales,
sistemáticas y basadas en la ciencia para informar y mejorar las decisiones de
todo tipo. Por supuesto, las técnicas de la ciencia de la administración no se
limitan a aplicaciones comerciales, sino que pueden aplicarse a militares, médicos,
administración pública, grupos caritativos, grupos políticos o a comunidades.
La ciencia de la administración tiene que ver con el desarrollo y la aplicación
de modelos y conceptos que pueden resultar útiles para ayudar a iluminar los
problemas de la administración y resolver problemas de gestión, así como para
diseñar y desarrollar nuevos y mejores modelos de excelencia organizacional. 30
La aplicación de estos modelos dentro del sector corporativo se conoció como
ciencia de la gestión.31
Campos relacionados[editar]
Algunos de los campos que tienen una considerable superposición con la
Investigación Operativa y con la Ciencia de la Gestión incluyen: 32

 Analítica de negocios
 Minería de datos / Ciencia de datos / Macrodatos
 Análisis de decisión
 Inteligencia en la decisión
 Ingeniería
 Ingeniería financiera
 Pronósticos
 Teoría de juegos
 Geografía / Ciencia de la información geográfica
 Teoría de grafos
 Ingeniería industrial
 Logística
 Modelo matemático
 Optimización
 Probabilidad y estadística
 Gestión de proyectos
 Análisis político
 Simulación
 Modelos de redes sociales / Modelización de transporte
 Proceso estocástico
 Administración de la cadena de suministro
Aplicaciones[editar]
Las aplicaciones son abundantes, como en aerolíneas, compañías de
fabricación, club de servicio, sucursales militares y gobierno. La gama de
problemas y problemas a los que ha aportado ideas y soluciones es muy amplia.
Incluye: 30

 Programación (de aerolíneas, trenes, autobuses, etc.)

 Asignación (asignación de personal a vuelos, trenes o autobuses;
empleados a proyectos; compromiso y despacho de instalaciones de
generación de energía)
 Ubicación de la instalación (decidir la ubicación más adecuada para nuevas
instalaciones, como almacén, fábrica o estación de bomberos)
 Ingeniería hidráulica y de tuberías (gestión del flujo de agua de los
embalses)
 Servicios de salud (información y gestión de la cadena de suministro).
 Teoría de juegos (identificación, comprensión, desarrollo de estrategias
adoptadas por las empresas)
 Diseño urbano
 Ingeniería de redes informáticas (enrutamiento de paquetes; temporización;
análisis)
 Ingeniería de telecomunicaciones y comunicación de datos (enrutamiento
de paquetes; tiempo; análisis)33
La administración también está preocupada por el llamado 'análisis operacional
suave' que se refiere a los métodos para la planificación estratégica, los sistemas
de soporte a decisiones, y los métodos de estructuración de problemas.
Al tratar con este tipo de desafíos, el modelado y simulación matemáticos pueden
no ser apropiados o pueden no ser suficientes. Por lo tanto, desde los años 1990
se han desarrollado varios métodos de modelado no cuantificados. Estos incluyen:

 Enfoques basados en partes interesadas, incluidos análisis de

metajuegos y teoría de dramas
 Análisis morfológico y varias formas de diagramas de influencia
 Correspondencia cognitiva
 Elección estratégica
 Análisis de robustez
I. LA INVESTIGACIÓN DE OPERACIONES, USO
DE MODELOS Y METODOS DE OPTIMIZACION
I.1 INTRODUCCION A LA INVESTIGACIÓN DE OPERACIONES
1. Un poco de Historia
Se inicia desde la revolución industrial, en los libros se dice que fue a partir de la segunda
Guerra Mundial. La investigación de operaciones se aplica a casi todos los problemas. En 1947,
en EE.UU., George Datzing encuentra el método simplex para el problema
de programación lineal. En la investigación de operaciones, las computadoras son la
herramienta fundamental en la investigación de operaciones.
2. Definición
La Investigación de Operaciones, es la aplicación del método científico por
un grupo multidisciplinario de personas a un problema, principalmente relacionado con
la distribución eficaz de recursos limitados (dinero, materia prima, mano de obra,
energía), que apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un grupo
de personas con distintas áreas de conocimiento, discuten sobre la manera de resolver un
problema en grupo.). Puede considerarse tanto un arte como una ciencia. Como arte refleja los
conceptos eficiente y limitado de un modelo matemático definido para una situación dada.
Como ciencia comprende la deducción de métodos de cálculo para resolver los modelos.
2.1 Pasos del Método científico en IO
1. Definición del problema.- Desde el punto de vista de la Investigación de
operaciones(IO),esto indica tres aspectos principales:(a)Una descripción de la meta o
el objetivo del estudio,(b)Una Identificación de las alternativas de decisión y (c) Un
reconocimiento de las limitaciones, restricciones y requisitos del sistema
2. Construcción del Modelo. Dependiendo de la definición del problema, el equipo de
investigación de operaciones deberá decidir sobre el modelo mas adecuado para representar
el sistema (modelo matemático, modelo de simulación; combinación de modelos matemáticos,
de simulación y heurísticos)
3. Solución del Modelo.- En modelos matemáticos esto se logra usando técnicas de
optimización bien definidas y se dice que el modelo proporciona una solución optima. Si se
usan los modelos de simulación o heurísticos el concepto de optimalidad no esta bien definido,
y la solución en estos casos se emplea para obtener evaluaciones aproximadas de las medidas
del sistema
4.Validación del Modelo.- Un modelo es valido si, independientemente de sus inexactitudes
al representar el sistema, puede dar una predicción confiable del funcionamiento del sistema
5. Implantación de los resultados Finales.-La tarea de aplicar los resultados probados del
sistema recae principalmente en los investigadores de operaciones. Esto básicamente
implicaría la traducción de estos resultados en instrucciones de operación detallada, emitidas
en una forma comprensible a los individuos que administraran y operaran el sistema después.
La interacción del equipo de investigación de operaciones y el personal de operación llegara a
su máximo en esta fase.
I.2 TIPOS DE MODELOS DE INVESTIGACION DE OPERACIONES
Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo
es analizar el comportamiento del sistema o bien predecir su comportamiento futuro.
Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se
hacen las suposiciones y restricciones necesarias para representar las porciones más relevantes
del mismo. Claramente no habría ventaja alguna de utilizar modelos si estos no simplificaran la
situación real. En muchos casos podemos utilizar modelos matemáticos que, mediante letras,
números y operaciones, representan variables, magnitudes y sus relaciones.

Fig.1.2: Representación de un modelo

1. Modelos Matemáticos
Un modelo es producto de una abstracción de un sistema real: eliminando las complejidades y
haciendo suposiciones pertinentes, se aplica una técnica matemática y se obtiene una
representación simbólica del mismo.  Un modelo matemático consta al menos de
tres conjuntos básicos de elementos:
 Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del
modelo. Los parámetros representan los valores conocidos del sistema o bien que se pueden
controlar.
 Restricciones
Las restricciones son relaciones entre las variables de decisión y magnitudes que dan sentido a
la solución del problema y las acotan a valores factibles. Por ejemplo si una de las variables de
decisión representa el número de empleados de un taller, es evidente que el valor de esa
variable no puede ser negativo.
 Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión, parámetros y
una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo del
sistema es minimizar los costos de operación, la función objetivo debe expresar la relación
entre el costo y las variables de decisión. La solución ÓPTIMA se obtiene cuando el valor del
costo sea mínimo para un conjunto de valores factibles de las variables. Es decir hay que
determinar las variables x1, x2,..., xn que optimicen el valor de Z = f(x1, x2,..., xn) sujeto a
restricciones de la forma g(x1, x2,..., xn) ? b. Donde x1, x2,..., xn son las variables de decisión Z
es la función objetivo, f es una función matemática.
EJEMPLO 1.2.1: Sean X1 y X2 la cantidad a producirse de dos productos 1 y 2, los parámetros
son los costos de producción de ambos productos, $3 para el producto 1 y $5 para el producto
2. Si el tiempo total de producción esta restringido a 500 horas y el tiempo de producción es de
8 horas por unidad para el producto 1 y de 7 horas por unidad para el producto 2, entonces
podemos representar el modelo como: 
MinZ = 3X1 + 5X2 (Costo total de Producción)
Sujeto a (S.A):
8X1 + 7X2 ?  500 (Tiempo total de producción)
X1, X2>= 0 (Restricciones de no negatividad)
EJEMPLO 1.2.2: En una empresa se fabrican dos productos, cada producto debe pasar por
una máquina de ensamblaje A y otra de terminado B,antes antes de salir a la venta.El producto
1 se vende a $60 y el otro a $50 por unidad. La siguiente tabla muestra el tiempo requerido por
cada producto:

Producto Maquina A Maquina B

1 2H 3H

2 4H 2H

Total disponible 48 H 36 H

Para representar el modelo de este problema primero se debe determinar las variables de
decisión: Sea Xi: La cantidad a fabricar del producto 1 y 2 (i=1,2), entonces X1: cantidad a
fabricar del producto 1, X2: cantidad a fabricar del producto2, luego el modelo quedaría de la
siguiente manera:
MaxZ = 60X1+ 50X2 (máximo ingreso por ventas)
S.A: 2X1+ 4X2 <= 48 (disponibilidad horas _maquina A)
3X1+ 2X2 <= 36 (disponibilidad horas _maquina B)
X1, X2 >= 0 (Restricciones de no negatividad)
2. Modelos de Simulación
La simulación es una técnica para crear modelos de sistemas grandes y complejos que
incluyen incertidumbre. Se diseña un modelo para repetir el comportamiento del sistema. Este
tipo de modelamiento se basa en la división del sistema en módulos básicos o elementales que
se enlazan entre sí mediante relaciones lógicas bien definidas (de la forma SI / ENTONCES).
El desarrollo de un modelo de simulación es muy costoso en tiempo y recursos.

II. PROGRAMACION LINEAL

II.1 INTRODUCCION A LA PROGRAMACION LINEAL
1. INTRODUCION
La programación Lineal (PL) es una técnica de modelado matemático, diseñada para optimizar
el empleo de recursos limitados. La programación lineal se aplica exitosamente en el ejercito,
en la agricultura, la industria, los transportes, la economía, los sistemas de salud, en el ejercito
e incluso en los sistemas conductuales y sociales.
La utilidad de esta técnica se incrementa mediante el uso y disponibilidad
de programas de computadora altamente eficientes. De hecho la PL, debido a su alto nivel
de eficiencia computacional, es la base para el desarrollo de algoritmos de solución de otros
tipos (más complejos) de modelos de IO, incluyendo la programación entera, no lineal y
estocástica.
2. MODELOS DE PROGRAMACION LINEAL
Para formular un problema de programación lineal se debe tener presente que la función
objetivo y todas las restricciones deben ser lineales y todas las variables deben ser continuas
(pueden asumir valores fraccionales).
2.1 SOLUCIÓN GRAFICA DE PL: Los modelos de PL que se resuelven por el método
geométrico o grafico solo son apropiados para casos en que el número de variables son a lo más
dos.
EJEMPLO 2.1.1: UN PROBLEMA DE MINIMIZACION (Contratación de
Personal): El departamento de control de calidad de la empresa Gerconsa S.A que fabrica
autopartes, desea contratar personal tanto senior como junior, para las inspecciones de sus
productos.
El personal senior recibe por su jornada de 8hrs., $188y realiza su labor a una tasa promedio
de 30 inspecciones por hora, con un rendimiento del 99%.en cambio el personal junior, recibe
$150 por su jornada, realizando 25 inspecciones por hora, con un rendimiento del 95%.
La demanda diaria de inspecciones es de 1600 unidades y el personal senior a contratar, no
debe ser mayor que el personal júnior.
Si las ensambladoras aplican una multa de $5 por cada unidad defectuosa, ¿cuánto de personal
senior y júnior, se debe contratar?
SOLUCION:
La formulación del modelo al problema de minimización seria:
Sea Xi: Numero de personal a contratar (i = senior, j = junior o
i =1,2)
La función objetivo consistiría en minimizar los costos de salario y los de castigo por unidad
defectuosa
Z = Salario + Multa
Salario = 118x1+ 150x2
Multa = (30*8*0.01X1+ 25*8*0.05X2)*5
Luego la función objetivo es:
MinZ = 200X1+ 200X2 y sujeta a las restricciones:
30(8) X1+25(8) X2>=1600 (Demanda diaria)
X1<= X2 (Relación personal)
Finalmente el modelo se reduce a:
MinZ = 200X1 + 200X2
S.A.: 6X1+ 5X2 >=40 (1)
X1 - X2 <=0 (2)
X1, X2 >=0
Gráficamente y después de haber utilizado el amigable software TORA el problema quedaría
así:

Fig.2.1: Solución grafica (optima) al problema de contratación de personal

Este modelo pudo haberse resuelto fácilmente graficando en las coordenadas X1 y X2 y
hallando el punto de intersección común a ambas rectas. Se puede ver que la intersección de
recta de la función objetivo con las rectas 1 y 2 lo hace dentro de la región factible y en su punto
mínimo (punto optimo), después de haber resuelto algebraicamente por sistemas
de ecuaciones simultaneas las restricciones 1 y 2 tenemos finalmente el punto optimo mínimo
para el problema:
X1=3.64
X2=3.64
Z*=1454.55
De los resultados puede verse que tenemos valores fraccionarios para un problema de
contratación de personal lo cual es inapropiado dado que se trata del recurso humano, sin
embargo solo se ha resuelto para efecto demostrativo grafico (además no olvidemos que en PL
las variables son continuas), ya que la programación lineal entera se encarga de darle una
solución Optima a este problema.
EJEMPLO 2.1.2: UN PROBLEMA DE MAXIMIZACION. Javier Cutipe es un exitoso
vendedor de la distribuidora de gaseosas Gerconsa y tiene que decidir como asignar sus
esfuerzos entre los diferentes tipos de clientes de las zonas de Moquegua que le han dado (san
Antonio, san francisco, la villa los ángeles, samegua, y chen chen).Puede visitar comerciantes y
clientes que compran al menudeo. Una visita a un comerciante usualmente le produce S/.400
en ventas, pero la visita en promedio dura 2horas y debe manejar también en promedio, 10
kilómetros. En una visita a un comprador al menudeo le vende S/.500 y requiere de unas
3horas y 20 kilómetros manejando el carro aproximadamente. Javier viaja trabajando como
máximo, 600kilometros por semana en su propio carro y prefiere trabajar nomás de 36 horas
por semana. Construya un modelo de programación lineal para Javier Cutipe Mamani
SOLUCION:
Sea: X1: Numero de comerciantes
X2: Numero de clientes al menudeo
El modelo resultante es:
Max Z= 400X1+500X2 (Ingreso por ventas brutas)
S.A: 2X1+3X2 <= 36 (restricción de horas semanales) (1)
10X1+20X2<=600 (restricción de distancia recorrida) (2)
X1,X2>=0 (Restricción de no negatividad)
Fig.2.2: Solución grafica (optima) al problema de Javier Cutipe
El modelo anterior se resuelve gráficamente aplicando Tora, también pudo haberse resuelto
fácilmente graficando en las coordenadas X1 y X2 y hallando el punto de intersección común a
la recta (1) con el eje X1, la recta de la función objetivo alcanza su nivel máximo (punto optimo)
en la región factible para X1=18 y X2=0, esto algebraicamente es después de haber resuelto la
restriccion1 (ecuacion1) y haciendo x2=0 en la misma ecuación
(nótese que la restricción 2 es redundante). Finalmente el punto óptimo mínimo para el
problema es de:
X1=18
X2=0
Z*= S/.7200
Este resultado nos dice que Javier Cutipe deberá concentrar sus esfuerzos solo en la venta a 18
comerciantes dado que alli maximizara sus ingresos por ventas en S/.7200
2.2 SOLUCIÓN POR COMPUTADORA DE PROBLEMAS DE PL
En la practica, donde los modelos típicos de programación Lineal implican cientos, o incluso
miles de variables y restricciones, la única forma de resolver estos problemas es utilizando
un programa apropiado de computadora. En el mercado informático existen softwares que
tienen módulos de programación lineal (PL) tal como el Tora, Storm, Programas como el lindo,
lingo, etc. También se puede hacer uso de Solver en Excel para resolver problemas de PL.
EJEMPLO 2.2.1: La figura 2.3 presenta la solución de TORA para el problema de
contratación de personal del ejemplo 2.1.1

Fig.2.3: Solución óptima usando TORA

La información de salida se divide en dos partes principales (1) resumen de la solución óptima
(optimum solution sumary) que comprende los valores óptimos de las variables de decisión y el
valor optimo de la función Objetivo y (2) Análisis de sensibilidad (Sensitivity análisis) referente
a hacer cambios en el lado derecho(right-and sides) y en los coeficientes de la función objetivo
EJEMPLO 2.2.2: La figura 2.4 presenta la solución de LINDO para el problema de Javier
Cutipe del ejemplo 2.1.2
LP OPTIMUM FOUND AT STEP 1
OBJECTIVE FUNCTION VALUE
1) 7200.000
VARIABLE VALUE REDUCED COST
X1 18.000000 0.000000
X2 0.000000 100.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 200.000000
3) 420.000000 0.000000
NO. ITERATIONS= 1
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 400.000000 INFINITY 66.666664
X2 500.000000 100.000000 INFINITY
RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 36.000000 84.000000 36.000000
3 600.000000 INFINITY 420.000000
Fig.2.4: Solución óptima usando LINDO
2.3 ANALISIS DE ALGUNOS MODELOS DE PL: Se presentan algunos modelos realistas
de de PL, en los cuales las definición de variables y la construcción de la función objetivo y de
las restricciones no son tan directas como en el caso de los modelos de dos variables. Además la
salida de TORA de la computadora para cada modelo permitirá interpretaciones muy claras de
las soluciones.
EJEMPLO 2.3.1: Un distribuidor de ferretería planea vender paquetes de tuercas y tornillos
mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaños de tuercas y tornillos
componen el paquete y se compran en lotes de 200 libras. Los tamaños 1 ,2 y 3 cuestan
respectivamente $20, $80 y $12, además:
a. El peso combinado de los tamaños 1y 3 debe ser al menos la mitad del peso total del paquete
b. El peso de los tamaños 1 y 2 no debe ser mayor que 1,6 libras
c. Cualquier tamaño de tornillo debe ser al menos 10 porciento del paquete total
¿Cuál será la composición del paquete que ocasionara un costo mínimo? (formule solamente el
modelo de pl.)
SOLUCION:
Formulación
Sea : X1 = peso de las unidades de tamaño 1
X2 = peso de las unidades de tamaño 2
X3 = peso de las unidades de tamaño 3
De este modo se tendrán las siguientes Restricciones:
X1+ X2+ X3 >=2 peso mínimo de cada paquete
X1 +X3 >= (X1+ X2+ X3)/2 Peso combinado d e l os tamaños 1 y 3
X1+ X2 <=1.6 Peso combinado de 1 y 2
X1>=0.10(X1+ X2+ X3) Condición de peso para cualquier tamaño
X2>=0.10(X1+ X2+ X3)
X3>=0.10(X1+ X2+ X3)
Siendo la función MinZ = 20X1+ 80X2+ 12X3)/200, en resumen se tiene el siguiente modelo:
MinZ = 0.1X1+0.04X2+0.06X3
S.A: X1+ X2+ X3 >= 2
X1 - X2+ X3 >=0
X1+ X2 <=1.6
0.9X1-0.1X2-0.1X3 >=0
-0.1X1+0.9X2-0.1X3 >=0
-0.1X1-0.1X2+0.9X3 >=0
X1, X2, X3 >=0

Fig.2.5: Solución óptima usando TORA

Del resultado del sotware Tora se puede ver que la solución optima es :
X1* = 0.20
X2* = 1.00
X3* = 0.80
Z*= 0.11
EJEMPLO 2.3.2: Al mezclar diferentes hidrocarburos se obtiene gasolina de diferentes
grados. En este ejemplo se supone que una refinería dispone sólo de dos tipos de gasolina cuyas
características se presentan en la siguiente tabla:

Mezclas disponibles Octanaje Presión de vapor Cantidad disponible (Barriles)

Tipo 1 104 5 30,000

Tipo 2 94 9 70,000

 Con la combinación de estos productos se pueden producir dos tipos de gasolina: para
automóvil y aviación. Las cualidades de estos productos aparecen en la siguiente tabla:

Mínimo Máxima presión de Precio de venta

Producto final Máxima venta (Barriles)
octanaje vapor (Barril)

Aviación 102 6 20,000 45.10

Automóvil 96 8 Sin tope 32.40

El octanaje y la presión de vapor del producto resultante es proporcional a la cantidad de cada

gasolina utilizada en la mezcla.
Por ejemplo para partes iguales de ambas gasolinas:
Octanaje: 0.5*104 + 0.5*94 = 99
Presión de vapor: 0.5*5 + 0.5*9 = 7
La empresa desea maximizar los ingresos por la venta de gasolina como producto final
Formulación
Sean x1 el número de barriles de gasolina del tipo 1 para aviación.
X2 el número de barriles de gasolina del tipo 2 para aviación.
X3 el número de barriles de gasolina del tipo 1 para automóvil.
X4 el número de barriles de gasolina del tipo 2 para automóvil.
La venta correspondiente a gasolina para aviación es 45.10*(x1 + x2) y la venta correspondiente
a gasolina para automóvil es 32.40(x3 + x4) entonces la función objetivo es:
Maximizar:
Z = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4
Existen varias restricciones:
Demanda de gasolina para aviación:
X1 + x2 ? 20,000
Cantidad disponible por tipo de gasolina:
X1 + x3 ? 30,000
X2 + x4 ? 70,000
Restricción de octanaje:
Aviación: (104x1 + 94x2)/(x1 + x2) ? 102 ? 2x1 - 8x2 ? 0
Automóvil: (104x3 + 94x4)/(x3 + x4) ? 96 ? 8x3 - 2x4 ? 0
Restricción de presión de vapor:
Aviación: (5x1 + 9x2)/(x1 + x2) ? 6 ? -x1 + 3x2 ? 0
Automóvil: (5x3 + 9x4)/(x3 + x4) ? 8 ? -3x3 + x4 ? 0
No negatividad:
X1, x2, x3, x4 ? 0
En Resumen el modelo se presenta de la siguiente manera:
MaxZ = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4
X1 + x2 ? 20,000 Demanda de gasolina para aviación:
X1 + x3 ? 30,000 Cantidad disponible por tipo de gasolina
X2 + x4 ? 70,000 Cantidad disponible por tipo de gasolina
2x1 - 8x2 ? 0 Restricción de octanaje aviación
8x3 - 2x4 ? 0 Restricción de octanaje automóvil
-x1 + 3x2 ? 0 Restricción de presión de vapor aviación
-3x3 + x4 ? 0 Restricción de presión de vapor automóvil:
X1, x2, x3, x4 ? 0 Restricción de no negatividad
Una vez Formulado el modelo matemático hacemos uso del TORA para encontrar una solución
óptima:
X1*=16000.00
X2*=4000.00
X3*=4666.67
X4*=14000.00
Z*= 1506800.00
Fig.2.6: Solución óptima usando TORA

III. EL METODO SIMPLEX

La idea general del método Simplex es comenzar en un punto extremo y desplazarse hacia un
punto extremo adyacente con el objeto de mejorar el valor de la función objetivo, manteniendo
la factibilidad. La manera más sencilla de seleccionar un punto extremo inicial es usar la
base B constituida por variables de holgura y/o artificiales. De esta forma la base B inicial es
la matriz identidad I que obviamente es una base. Los puntos extremos adyacentes se
determinan intercambiando un vector de B con un vector no básico que moverá la solución
hacia la optimalidad.
 Tabla Simplex en forma matricial
Expresemos el programa lineal en forma matricial: 
Max z = CX
Sujeto a: (AI)X = b
X >= 0
 
Subdividamos el vector X en XI y XII, entonces el problema estándar se puede escribir de la
siguiente manera: (I)

1 -CI -CII   z   0

0 A I   XI = b

        XII    

 
En una iteración cualquiera, sea XB La representación de las variables básicas y B su base
asociada, entonces XB representa a m elementos de X y B representa
los vectores de (AI) correspondientes a XB, y sea CB el vector de elementos de C asociado a
XB.
Entonces:
B XB = b y z = CBXB
o bien:

1 -CB z = 0

0 B XB b

 
La solución se puede expresar:

z = 1 CBB-1 0 = CBB-1b

XB 0 B-1 b B-1b

Por lo tanto, aplicando este resultado, premultiplicando a (I) se obtiene

1 CBB-1 1 -CI -CII Z CBB-1b

0 B-1 0 A I XI = B-1b

XII

 
Esta ecuación matricial se resuelve mediante la iteración simplex general (II):
 Básica XI XII Solución

z CBB-1A-CI CBB-1-CII CBB-1b

XB B-1A B-1 B-1b

 
Esta tabla muestra los detalles del cálculo del método simplex, es decir, si se conoce B se puede
encontrar en cada paso B-1, por lo tanto XB y z.
 Por ejemplo consideremos el método simplex con variables de holgura, en este caso, CII = 0 la
solución básica inicial se identifica como:
XB = XII, CB = CII = 0, B = I, B-1 = I
Sustituyendo en (II) se obtiene el método simplex general con variables de holgura
(III):

Básica XI XII Solución

z -CI 0

XB A I b

 Si utilizamos simplex con variables artificiales (variables utilizadas como variables de holgura
para las restricciones que no cumplen la forma estándar). En este caso CII = (-M,-M,..., -M)
(coeficientes de penalización para la función objetivo). La solución básica inicial se puede
expresar como:
XB = XII, CB = CII, B = I, B-1 = I
Sustituyendo en (II) se obtiene el método simplex general con variables artificiales y
de holgura (IV):

Básica XI XII Solución

z CIIA-CI 0 CIIb

XII A I b

 EJEMPLO 3.1:
Max z = 3x1 + 10x2
Sujeto a:
X1 + 4x2 <= 8
X1 + 2x2 <= 4
X1, x2 >= 0
Forma típica:
Z -3x1 - 10x2 = 0
X1 + 4x2 + h1 = 8
X1 + 2x2 + h2 = 4
X1, x2, h1, h2 >=0

VB x1 x2 h1 h2 Solución

Z -3 -10 0 0 0

h1 1 4 1 0 8 8/4=2

h2 1 2 0 1 4 4/2=2

 
Por inspección entra x2 y puede salir tanto h1 como h2, escojamos arbitrariamente h1 y
cambiemos x2 por h1.
 
Primera iteración:

VB x1 x2 h1 h2 Solución

Z -1/2 0 5/2 0 20

x2 1/4 1 1/4 0 2

h2 1/2 0 -1/2 1 0

 
La solución básica después de la primera iteración es
X1 = 0, x2 = 2, h1 = 0, h2 = 0
 Al ser h2, variable básica, h2 = 0, se dice que es solución degenerada, es posible que
el método itere sin llegar a la solución optima.
 
Segunda iteración:
De la tabla anterior, entra x1 y sale h2:

VB x1 x2 h1 h2 Solución

Z 0 0 2 1 20

x2 0 1 1/2 -1/2 2
 X1 1 0 -1 2 0

 
La función objetivo no se ha incrementado, un problema puede ser temporalmente degenerado
y luego encontrar la solución óptima.

1.1.1 Tipos de modelos de

investigación de operaciones
MODELOS DETERMINISTAS:
En los modelos deterministas, ni las variables exógenas, ni las endógenas, se obtienen por medio
relaciones exactas para las características de operación, en lugar de funciones de densidad de pro
preestablecidos.

MODELOS ESTOCÁSTICOS:
Son aquellos modelos en los que, por lo menos una de las características de operación está dada
valores de ésta o éstas variables, se obtienen al azar.

MODELOS ESTÁTICOS:
Son aquellos modelos que no toman en cuenta, explícitamente, a la variable tiempo.

MODELOS DINÁMICOS:
Los modelos matemáticos que tratan de las interacciones que varían con el tiempo, se denominan

MODELOS DE SIMULACIÓN:

En comparación con los modelos matemáticos, ofrecen una mayor flexibilidad en la representación
principal es que la simulación enfoca el sistema desde un nivel básico elemental. Por otra parte, la
considerar el sistema desde un nivel menos detallado.                                            

MODELO MATEMÁTICO:

Se emplea cuando la función objetivo y las restricciones del modelo se pueden

o matemática como funciones de las variables de decisión.

MODELOS FORMALES:

Se usan para resolver problemas cuantitativos de decisión en el mundo real. Algunos modelos e
llamados modelos determinísticos. Esto significa que todos los datos relevantes (es decir, los
evaluarán) se dan por conocidos. En los modelos probabilísticos (o estocásticos), alguno de
inciertos, aunque debe especificarse la probabilidad de tales datos.
 
MODELO DE INVENTARIOS:
Un inventario es un recurso empleado pero útil que posee valor económico. El problema se plante
o productora de bienes y servicios no produce en un momento determinado la cantidad suficiente
que debe realizar un almacenamiento protector contra posibles inexistencias.

PERT/CPM:
El método del camino crítico es un proceso administrativo de planeación, programación, ejecución
actividades componentes de un proyecto que debe desarrollarse dentro de un tiempo crítico y al c
 
PROGRAMACIÓN ESTOCÁSTICA:
Si a los problemas de Programación Matemática (en general) se les incorpora la incertidumbre en
se puede abordar mediante la denominada Programación Estocástica.
 
 TEORÍA DE LAS COLAS:
La teoría de colas es el estudio matemático de las colas o líneas de espera dentro de un sistema
tiempo de espera medio en las colas o la capacidad de trabajo del sistema sin que llegue a colap
teoría de colas se engloba en la investigación de operaciones y es un complemento muy importa
de control. Se trata así de una teoría que encuentra aplicación en una
como negocios, comercio, industria, ingenierías, transporte y logística o telecomunicaciones.

TEORÍA DE JUEGOS:

La teoría de juegos trata de establecer como debiera comportarse  racionalmente un individuo ant

del adversario cuando se conocen las  reglas de la competencia aceptadas por los participantes

Fases de la Investigación de Operaciones

07ABR

La Investigación de Operaciones aspira determinar la mejor solución (optima) para un problema

de decisión con la restricción de recursos limitados.
En la Investigación de Operaciones utilizaremos herramientas que nos permiten tomar una
decisión a la hora de resolver un problema tal es el caso de los modelos e Investigación de
Operaciones que se emplean según sea la necesidad.
Para llevar a cabo el estudio de Investigación de Operaciones es necesario cumplir con una serie
de etapas o fases. Las principales etapas o fases de las que hablamos son las siguientes:
1. Formulación y definición del problema.
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.

2. Construcción del modelo.

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 ser 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
heurístico, dependiendo de la complejidad de los cálculos matemáticos que se requieran.

3. Solución 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 como se comporta el modelo a 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. 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 de cambios
posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.
5. Implementación de resultados.
Consiste en traducir los resultados del modelo validado en instrucciones para el usuario o los
ejecutivos responsables que serán tomadores de decisiones.