INVESTIGACION DE OPERACIONES

GRUPO
Claudia Rosati V-13.583.211
María Alexandra Flores V12.112.707

Tema I

Introducción a la investigación de operaciones.

El propósito de la Investigación de Operaciones consiste en preparar al profesional
para decidir entre diferentes medios o métodos disponibles para alcanzar un objetivo
propuesto, de modo que se alcance un resultado en relación a determinados criterios
de optimización.

Si bien, la intuición y la experiencia forman parte de las consideraciones en un proceso

de toma de decisiones, algunas decisiones merecen un estudio más profundo, en razón
de sus consecuencias y de la complejidad del contexto, haciéndose imprescindible un
sustento metodológico para la toma de decisiones, el cual puede hallarse en los
procedimientos propios de la investigación de operaciones.

La Investigación de Operaciones incluye un conjunto muy amplio de técnicas

orientadas a proporcionar una ayuda cuantitativa a la toma de decisiones. El método
empleado es el método científico, y las técnicas que se utilizan son, en buena medida,
técnicas matemáticas.

Reseña histórica, definición y fases de estudio.

Los inicios de lo que hoy se conoce como Investigación de Operaciones se remonta a
los años 1759 cuando el economista Quesnay empieza a utilizar modelos primitivos de
programación matemática. Más tarde, otro economista de nombre Walras, hace uso
de técnicas similares. Los modelos lineales de la Investigación de Operaciones tienen
como precursores a Jordan en 1873 Minkowsky en 1896 y a Farkas en 1903. Los
modelos dinámicos probabilísticos tienen su origen con Markoiv a fines del siglo
pasado. El desarrollo de los modelos de inventarios así como el de tiempos y
movimientos se lleva hasta los años veinte. Pero no fue hasta la Segunda Guerra
Mundial cuando la Investigación de Operaciones empezó a tomar auge, las primeras
investigaciones de operaciones fueron puestas en práctica, primero se le utilizó en la
logística estratégica para vencer al enemigo (teoría de juegos) para desarrollar
estrategias y tácticas de guerra. Para todo esto, los altos mandos militares americanos
e ingleses hicieron un llamado a todos los científicos para que diseñaran este método,
desarrollando primero el “radar” y más tarde al finalizar la guerra en la logística de
distribución de todos los recursos militares de los aliados dispersos por todo el mundo.
En 1950 se introdujo a la industria, los negocios y el gobierno, un ejemplo
sobresaliente es el método “Simplex” para resolver problemas de programación lineal,
desarrollada en 1947 por George Dantzing. El auge mayor para darle la aplicación
universal en casi todas las empresas del mundo fue con el inicio de las computadoras
en 1980.
Actualmente la Investigación de Operaciones se encuentra todavía en una edad
incipiente donde todavía hay mucho por hacer en el desarrollo de este campo fértil.

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, produzcan soluciones que sirvan a
los objetivos, de modo que se alcance un resultado en relación a determinados
criterios de optimización.

Las etapas de un estudio de Investigación de Operaciones son las siguientes:

- Definición del problema de interés y recolección de los datos relevantes.
- Formulación de un modelo matemático que represente el problema.
- Desarrollo de un procedimiento basado en computadora para derivar una solución al
problema a partir del modelo.
- Prueba del modelo y mejoramiento según sea necesario.
- Preparación para la aplicación del modelo prescrito por la administración.
- Puesta en marcha.

Clasificación de los modelos lineales.

Factible: si existe el conjunto de soluciones o valores que satisfacen las restricciones.
Estas a su vez pueden ser: con solución única, con solución múltiple (si existe más de
una solución) y con solución no acotada (cuando no existe límite para la función
objetivo).
No factible: cuando no existe el conjunto de soluciones que cumplen las restricciones,
es decir, cuando las restricciones son inconsistentes.

Pasos para la construcción de los modelos lineales.

Para resolver un problema de programación lineal es recomendable seguir ciertos
pasos que son:
1. Definición del problema
2. Desarrollo de un modelo matemático y recolección de datos
Identificación de las variables de decisión
Identificación de los datos del problema
Identificación de la función objetivo
Identificación de las restricciones
3. Resolución del modelo matemático
4. Validación, instrumentación y control de la solución
5. Modificación del modelo
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 cómo 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.

Utilización de los modelos lineales.

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 ejército, en la agricultura, la industria, los transportes, la economía,
los sistemas de salud, en el ejército 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.

La Programación Lineal es un procedimiento o algoritmo matemático mediante el cual

se resuelve un problema indeterminado, formulado a través de ecuaciones lineales,
optimizando la función objetivo, también lineal.
Consiste en optimizar (minimizar o maximizar) una función lineal, denominada función
objetivo, de tal forma que las variables de dicha función estén sujetas a una serie de
restricciones que expresamos mediante un sistema de inecuaciones lineales.

En otras palabras, la Programación Lineal es el estudio de modelos matemáticos

concernientes a la asignación eficiente de los recursos limitados en las actividades
conocidas, con el objetivo de satisfacer las metas deseadas (tal como maximizar
beneficios o minimizar costos).

Tema II

Modelos lineales. Limitaciones.

Un problema de programación matemática consta de los siguientes elementos: datos,
variables, restricciones y función a optimizar. Un PPL se dice que está bien formulado si
tiene una solución acotada. Sino tiene solución es porque está restringido en exceso.
Por tanto, para que el problema este bien formulado es crucial que las restricciones se
elijan adecuadamente. Las restricciones son el conjunto de condiciones que toda
solución candidata a óptima debe cumplir. Estas condiciones están asociadas a la
realidad física, económica o de ingeniería en la que surge el problema. Este conjunto
de restricciones define el conjunto factible, esto es, el conjunto de soluciones que
satisfacen las restricciones. Este conjunto tiene interés en sí mismo ya que engloba
todas las soluciones que son de interés real y entre las que están las soluciones
óptimas.

Método simplex, soluciones gráficas y algebraicas.

Es un método analítico de solución de problemas de programación lineal para resolver
modelos más complejos que los del método gráfico sin restricción en el número de
variables. Es un método iterativo que permite ir mejorando la solución en cada paso.
La razón matemática de esta mejora radica en que el método consiste en caminar del
vértice de un poliedro a un vértice vecino de manera que aumente o disminuya (según
el contexto de la función objetivo, sea maximizar o minimizar), dado que el número de
vértices que presenta un poliedro solución es finito siempre se hallará solución
EL MÉTODO SIMPLEX
INICIA: Con una solución básica y factible, pero no óptima.
BUSCA: La optimalidad
TERMINA: Con una solución que conserva la factibilidad y, además, es óptima.

El Método Simplex Gráfico debe su denominación, al uso del plano cartesiano para
representar las funciones lineales que modelan la relación entre una variable
independiente “x” con otra dependiente “y”. El método gráfico es una forma fácil y
rápida para la solución de problemas de Programación Lineal, siempre y cuando el
modelo conste de dos variables. Para modelos con tres o más variables, el método
gráfico es imposible.
Consiste en representar geométricamente las restricciones, condiciones técnicas y
función objetivo.

Las funciones con las cuales trabaja la programación lineal, están relacionadas con
procesos de producción a nivel de tiempos de fabricación, cantidad de mano de obra,
materiales, equipos utilizados y costos de operación entre muchos otros aspectos.

Todos los problemas de programación lineal incluidos los de tipo gráfico, demandan la
maximización o minimización de los diferentes recursos invertidos, a fin de obtener el
mayor beneficio, como función de los objetivos que persiga tanto el área donde se
presenta la problemática o necesidad como los directivos de la organización
empresarial

Variantes del modelo simplex M grande y doble fase.

VARIANTES DEL MÉTODO SIMPLEX
Cuando en el modelo de P.L., se presentan restricciones del tipo =(igual) o ≥ (mayor o
igual que), el método simplex ya no se puede utilizar para generar soluciones, por lo
que ahora se debe recurrir a las llamadas variantes del método simplex que son
técnicas diseñadas para tal efecto. Entre dichas técnicas se tienen:
a) Método de la Gran “M”.
b) Método de Doble Fase.

MÉTODO DE LA GRAN “M”

Este método es de tipo alfanumérico, y tiene la gran desventaja de ser
computacionalmente ineficiente. También se le llama método de penalización. Se
aplica del modo siguiente:
1.- Formular el modelo de P.L.
2.- Estandarizar el modelo de P.L., agregando las variables de holgura necesarias, pero
además a las restricciones del tipo = o ≥, hay que agregarles al lado izquierdo, una
variable no negativa llamada variable artificial denotada por ai ( i = 1,2,…,m)
3.- Como el agregar la variable artificial a las restricciones mencionadas con
anterioridad, viola el status de estas, entonces para corregir esta anomalía, se penaliza
a la función objetivo agregando las variables artificiales a esta, con un coeficiente
denotado por “M”, que es una cantidad muy grande, de tal modo que si la función
objetivo es del tipo Maximizar M se agrega restando y si es del tipo Minimizar M se
agrega sumando.
4.- Igualar con cero la función objetivo.
5.- Construir la tabla como se señaló en el método simplex.
6.- Checar que en el renglón objetivo de la tabla los coeficientes de las variables
básicas iniciales sean cero, y de no ser así hacer la reducción adecuada utilizando
eliminación gaussiana.
7.- Proceder como en el método simplex hasta obtener la solución óptima si esta
existe.

MÉTODO DE DOBLE FASE

Este método elimina la deficiencia computacional del método de la Gran M. Se aplica
del modo siguiente:
1.- Formular el modelo de P.L.
2.- Estandarizar el modelo de P.L., agregando las variables de holgura necesarias, pero
además a las restricciones del tipo = o ≥, hay que agregarles al lado izquierdo, una
variable no negativa llamada variable artificial denotada por ai ( i = 1,2,…,m)

FASE I
3.- Sustituir la función objetivo original por una nueva función objetivo del tipo
minimizar, que es igual a la suma de las variables artificiales que tenga el modelo.
4.- Igualar la nueva función objetivo con cero.
5.- Construir la tabla como en el método simplex.
6.- Antes de empezar a iterar, checar que las variables básicas actuales, tengan
coeficiente cero en el renglón objetivo de la tabla, y de no ser así utilizar eliminación
gaussiana para hacer las reducciones necesarias.
7.- Proceder como en el método simplex para generar nuevas soluciones, hasta que la
función objetivo actual adquiera el valor cero y en ese momento parar, con lo cual
termina la Fase I. Si no toma valor cero la función objetivo actual, es señal de que el
problema no tiene solución al menos por este método.
FASE II
8.- Retomar la función objetivo original e igualarla con cero.
9.- utilizar la última tabla obtenida en la fase I, pero eliminando las columnas de las
variables artificiales, cuya función ya fue utilizada en dicha fase.
10.- Sustituir el renglón objetivo de la tabla por los valores de la función objetivo
original que previamente fue igualada con cero.
11.- Checar que los coeficientes de las variables básicas actuales en el renglón objetivo
de la tabla sean cero, y de no ser así, utilizar eliminación gaussiana para hacer las
reducciones necesarias.
12.-Proceder como en el método simplex para generar nuevas soluciones, hasta
obtener la óptima si esta existe

Interpretación de la solución óptima del modelo lineal.

El conjunto de vértices del recinto (formados por las restricciones) se denomina
conjunto de soluciones factibles básicas y el vértice donde se presenta la solución
óptima se llama solución máxima(o mínima según el caso).
Soluciones complementarias óptimas.- Con la solución óptima, al final del simplex se
tiene, la solución primal X* y una óptima complementaria dual Y*, en el renglón Z,
como coeficientes de las variables de holgura y/o artificiales que forman la primera
solución básica, ("Precios Sombra" o "Variables Duales" o "Multiplicadores del
Simplex").
TIPOS DE SOLUCIONES:
1. SOLUCIÓN: Cualquier conjunto de valores para las variables.
2. SOLUCIÓN ÓPTIMA: Es una solución factible que maximiza o minimiza el
valor de la función objetivo.
3. SOLUCIÓN FACTIBLE: Es una solución que satisface a todas las restricciones.
4. SOLUCIÓN BÁSICA: Dado un programa lineal en forma estándar, con n variables y
m restricciones se obtiene una solución básica igualando a 0 n-m de las
variables y resolviendo las ecuaciones de restricción para encontrar los valores de las
otras m variables.
5. SOLUCIÓN BÁSICA FACTIBLE: Es una solución básica que también es factible; es
decir que incluso satisface las condiciones de no-negatividad. Una solución básica
factible corresponde a un punto extremo

Conceptos básicos. Pasos para la construcción de modelos.

Algunos conceptos básicos de la Programación Lineal que se pueden visualizar a través
del Método Gráfico son:

A. Región factible: La región factible es formada por las restricciones del problema y
en alguno(s) de sus vértices se localiza la solución óptima. La forma de la región
factible depende del tipo de restricciones que se tengan. Aun así, se pueden considerar
dos tipos básicos: la región factible "cerrada" y la "abierta".
La región factible cerrada se tiene cuando las restricciones, incluyendo las de "no
negatividad", delimitan la región factible del problema. En el tipo abierto, se tiene una
región factible no acotada que solo permite la minimización.

“Cuando un problema modelado no tiene región factible, es debido a que algunas de

sus restricciones son contradictorias entre sí. Este tipo de problemas son "infactibles",
es decir, que el problema modelado no tiene solución. En estos casos es necesario
revisar el modelo del problema, ya que existe alguna inconsistencia en las restricciones
que no permite tener una región factible”.
Los problemas infactibles se debe de replantear la(as) restricción(es) que crean las
contradicciones.

B. Restricción activa y Restricción redundante.

“Las restricciones que forman parte de la región factible son las "restricciones activas"
mientras las que no la forman son las redundantes”
Las restricciones activas son en síntesis las que forman la región factible en donde se
puede encontrar la solución óptima. Estas restricciones son la esencia del problema
modelado, de tal forma que, si se quita alguna de ellas se cambia la solución óptima.
Una restricción redundante no tiene ningún efecto en la solución óptima del problema,
es una restricción ficticia que da lo mismo dejarla en el modelo o quitarla

C. Demostrar que: Máx. Z = mín.(-Z)

“Al demostrar que Máx. Z = mín. (-Z), también se está demostrando que lo contrario es
verdadero, es decir que mín. Z = Máx. (-Z).
Este principio es muy poderoso en la solución de problemas de minimización mediante
el Método Simplex.”

D. Análisis de cambios que afectan al modelo del problema.

“Un problema modelado de Programación Lineal, que experimente algún tipo de
cambio, puede o no cambiar su solución óptima dependiendo del cambio. Existen dos
tipos básicos de cambio: el cambio de un coeficiente de contribución de la Función
Objetivo o el cambio en la disponibilidad de los recursos de las restricciones”.
Un cambio en alguno de los coeficientes de la Función Objetivo, equivale a rotar dicha
Función Objetivo. Cuando se quiere provocar una solución óptima alterna, se rota la
Función Objetivo hasta quedar paralela a una restricción activa. Dependiendo del
sentido de la rotación que se haga en la Función Objetivo así será el cambio que tenga
su ecuación.

Los pasos de la metodología se definen a continuación:

A. Calcular los puntos para graficar cada restricción.
Para graficar una restricción, primero se le considera como una recta, es decir como si
fuera una igualdad, y luego se encuentra el espacio solución que cumple con la
condición de dicha restricción, poniendo una pequeña flecha para indicarlo.

B. Graficar las Restricciones

Teniendo los puntos de la recta calculados anteriormente se une con una recta los
puntos encontrados, teniendo en cuenta si la restricción es mayor o menor al recurso.

C. Determinar la región factible.

Para determinar la región factible en la gráfica, es importante atender el sentido de las
restricciones para encontrar el área común a todas. Para hacer esto, nos podemos
auxiliar de las pequeñas flechas que indican el sentido de cada restricción.

D. Calcular las coordenadas de los vértices de la región factible.

En el gráfico, se marcan los vértices que forman la región factible. La importancia de
calcular las coordenadas de estos vértices, es que ayudan a calcular el valor de la
Función Objetivo encada uno de ellos y en base a este listado, se encuentra la solución
óptima del problema.

E. Calcular el valor de la Función Objetivo en dichos vértices.

Para calcular el valor de la Función Objetivo en un vértice, simplemente se sustituye en
ella el valor de X1y X2 dado por las coordenadas de dicho vértice.

F. Encontrar la solución óptima del problema.

Al graficar se presentan los valores de la Función Objetivo en cada uno de los vértices
de la región factible, de éstos se escoge aquel valor que cumple con lo establecido en
la Función Objetivo.

Formulación del problema. Utilización de diagramas esquemáticos para representar

los diversos componentes del problema.
Un diagrama esquemático que es una imagen que representa los componentes de un proceso,
dispositivo, o de otro objeto utilizando, símbolos y líneas menudo estandarizados abstractos,
es decir, es un dibujo simplificado que utiliza símbolos y líneas para transmitir información
importante. Por ejemplo, si usted está tomando el metro es posible que aparezca un “mapa”
que le muestra todas las estaciones a lo largo de una línea de metro, pero ese mapa no se
mostrará todas las carreteras y edificios puede pasar a lo largo del camino. En este caso, todo
el sistema de metro puede ser representada como líneas de diferentes colores que
representan las diferentes rutas de metro, con puntos indica las paradas a lo largo de las
líneas.