Investigacion Operativa Univerdad Andres Bello

Investigación Operativa
Profesor Darío Canut de Bon B.

Primer Semestre 2022 Ingeniero Electrónico PUCV
Magíster en Ingeniería Industrial mención IO PUCV
Alumno Doctorado en Ingeniería Industrial PUCV
d.canutdebon@uandresbello.edu
Investigación Operativa
Descripción del Curso

IO – Contenidos
UNIDAD I: INTRODUCCIÓN A LA INVESTIGACIÓN OPERATIVA

• Descripción del curso • Generalidades de la Investigación Operativa
UNIDAD II: MODELAMIENTO
• Modelamiento de problemas en ingeniería
• Modelo general de programación lineal
• Modelos lineales mixtos y enteros
• Restricciones lógicas
UNIDAD III: PROGRAMACIÓN LINEAL
• Geometría de problemas lineales
• El método Simplex • Método de las dos fases
UNIDAD IV: TEORÍA DE DUALIDAD

• Dualidad en programación lineal
• Análisis de sensibilidad
UNIDAD V: PROGRAMACIÓN LINEAL ENTERA
• Definiciones y conceptos fundamentales
• Método de Ramificación y Acotamiento
IO – Contenidos
Semana Unidad Detalle Estudio Personal
1 Presentación del curso Contenidos y programa de la asignatura
Lectura HL 1.2 y T 1
(09 marzo) Unidad 1 Variables restricciones y función objetivo
2 Problema de la dieta estructurado Lectura OVV 2
Unidad 2 Modelamiento
(16 marzo) Resolución de modelo Desarrollo guía ejercicios 1
3 Modelos de planificación de proyectos Lectura HL 11.1-11.4, OVV2,
(23 marzo) Restricciones lógicas – Variables binarias T9.1, 11.1-11.2
4 Problema de despacho de pedidos Lectura HL 11.1-11.4, OVV2,
(30 marzo) (asignación con capacidad) T9.1, 11.1-11.2
5
Solemne 1
(06 abril)
6 Método Simplex Lectura HL 5.1-5.3
Unidad 3 Programación Lineal
(13 abril) Geometría de problemas lineales Desarrollo guía de ejercicios 2
7 Método Simplex Lectura HL 4
(20 abril) Simplex Tabular T 3.3, 3.4.3, 3.5
(27 abril) Casos Especiales 1 T 3.3, 3.4.3, 3.5
(04 mayo) Casos Especiales 2 T 3.3, 3.4.3, 3.5
10
Solemne 2 (Probabilidad de desplazamiento al 18 de mayo)
(11 mayo)
11 Análisis de sensibilidad Lectura HL 4.7, 6, T 3.6, 4.5
Unidad 4 – Teoría de Dualidad
(18 mayo) Dualidad, factibilidad y optimalidad Desarrollo guía de ejercicios 3
12 Dualidad (complementariedad)
Unidad 4 – Teoría de Dualidad Lectura HL 4.7, 6, T 3.6, 4.5
(25 mayo) Sensibilidad lados derechos
13 Programación Lineal Entera
Unidad 5 - PLE Lectura HL 11.6-11.7, T 9.2.1
(01 junio) Definiciones y conceptos
14
Unidad 5 - PLE Modelamiento PLEM Lectura HL 11.6-11.7, T 9.2.1
(8 junio)
15
Unidad 5 - PLE Ramificación y acotamiento (B&B) Lectura HL 11.6-11.7, T 9.2.1
(15 junio)
16
Solemne 3
(22 junio)
IO – Descripción del Curso
Evaluaciones
En el transcurso del semestre se realizarán las siguientes evaluaciones:
• 03 evaluaciones teóricas de contenido y ejercicios

(individual - escrito)
• 01 trabajo de investigación y desarrollo

(individual - escrito)
• 08 talleres (al menos)

(individual-grupal – escrito+comp.)
Evaluaciones
Eximición: Si la nota de presentación a examen es superior o igual a
5,0 y no existe ningún promedio de cada tipo de evaluación (solemnes,
trabajo o talleres) bajo 4.0.
Observación: Evaluaciones no rendidas deberán ser justificadas por

conducto regular. La última semana de clases del semestre será la
fecha única para rendir solemnes debidamente justificadas.
Talleres: Se realizan sobre conceptos, resolución de problemas,

implementación de programas o modelos. No se realizan
recuperaciones de talleres, los que serán evaluados con nota 1.0 en
caso de no rendirlo en la fecha fijada. Se realizarán al menos 2 previo
solemnes.
Cálculo de Nota
𝑁𝑃𝐸 = ෍ 0.2 ∙ 𝑁𝑆 + 0.25 ∙ ෑ 𝑁𝑇𝑎 + 0.15 ∙ 𝑁𝑇𝑟

𝑛𝑆 𝑛𝑇𝑎
NPE: Nota presentación a examen

NS: Nota de solemne
nS: Número de solemnes
NTa: Nota de taller
nTa: Número de talleres
NTr: Nota trabajo semestral
𝑁𝐹 = 0.7 ∙ 𝑁𝑃𝐸 + 0.3 ∙ 𝑁𝐸

NE: Nota del Examen
NF: Nota final
Resultados de Aprendizaje
• Identificar los conocimientos propios de la IO para establecer su

aporte hacia el uso eficiente de la información dentro de una
organización.
• Elaborar, a partir de la información y del comportamiento de los
sistemas, modelos de optimización lineales y/o enteros, para el
análisis de sistemas productivos y de servicios.
• Resolver problemas de programación lineal, e interpretar los
resultados para el análisis de sistemas productivos y de servicio.
• Analizar los distintos escenarios del entorno, para optimizar los
procesos y operaciones de los sistemas productivos y de servicio.
• Resolver problemas de programación entera, e interpretar los
resultados, para el análisis de sistemas productivos y de servicio
¿Cómo aporta este ramo al plan de estudios?

Resultados de Aprendizaje
Bibliografía
Texto Guía:
• Hillier, F. S. & Lieberman, G. J. (2010). Introducción a la investigación de
operaciones. McGraw-Hill. 9ª edición.
Bibliografía mínima:
• Taha, H. A. (2012). Investigación de operaciones. Pearson. 9ª edición.
• Winston, W. L. (2006). Investigación de Operaciones: Aplicaciones y
Algoritmos. International Thomson, 3ª edición.
Complementaria
• Ortiz, C.V., Vera, J. & Varas S. (2004). Optimización y modelos para la gestión.
JC Sáez Editor, 1ª edición.
• Gaither, N. & Frazier, G. (2000). Administración de producción y operaciones
(Vol. 8). International Thomson.
• Revistas especializadas del área de Investigación de Operaciones.
IO – Unidad 1
Generalidades de la
Investigación de Operaciones
IO – Unidad 1 – Generalidades de IO
Definiciones de IO
• Es la aplicación de métodos científicos, técnicas y herramientas en

la solución de problemas de operación de sistemas con el fin de
controlar dichas operaciones en forma óptima.
(Arnoff - Churchman - Ackoff)
• La I.O. es la aplicación del método científico para proveer a los

departamentos ejecutivos con bases cuantitativas para la toma de
decisiones relacionadas con operaciones bajo su control.
(Morse - Kimball)
Definiciones de IO
• I.O. es la aplicación del método científico por grupos de trabajo

interdisciplinario para la resolución de problemas de control de
sistemas hombre-máquina organizados con el fin de cumplir con
objetivos establecidos por la organización en la mejor forma
posible.
(Ackkoff - Sasieni)
• La I.O. tiene como objetivo el optimizar el comportamiento de un

sistema cuyo propósito está orientado a la resolución de un
problema determinado.
(Nc. Closkey - Coppinger)
Qué es la Investigación de Operaciones
• Una metodología que aplica el rigor científico para obtener el mejor

resultado posible sobre el modelo de un problema particular.
Fases de la Investigación de Operaciones
Definir el
Modelar Resolver Validar Implementar
Problema
Detalle de las Fases de IO
• Definir el Problema
• Se debe conocer el área del problema (la técnica).

• Identificar el problema a resolver y definir el/los objetivo/s
cuantificables.
• Analizar el entorno en el cual (el problema) se encuentra
inmerso.
• Observar las restricciones que limitan el espacio de acción.
• Evaluar los posibles cursos de acción para resolver el problema.
• Esto es una visión de sistema (Componentes, relaciones, límites

o fronteras, medio en el cual está inmerso).
• Modelar
Un modelo es una abstracción o una representación idealizada de

un sistema de la vida real. Su propósito es proporcionar un medio
que permita estudiar el comportamiento del sistema con el fin de
mejorar su desempeño. Si el sistema no existe todavía, permitir un
adecuado estudio para definir la estructura ideal de este sistema
indicando las relaciones funcionales entre sus elementos.
Modelar es un arte, no una ciencia, por esto la experiencia es de

gran ayuda.
• Clasificación de los Modelos Determinístico
Lineal No Lineal
Continua Entera No Convexo Convexo
Mixto Completo Restringido
Binario Binario Irrestricto

• Resolver
• Importante la búsqueda del óptimo o mejor solución.
• Óptimo es la mejor solución para ese modelo.
• Tiempo para resolver modelos es relevante según el problema o

la aplicación.
• Procedimientos para encontrar soluciones exactas (óptimas) y

aproximadas (sub-óptimas).
• Exactas:
• Aproximadas:
• Resolver
• Método: Procedimiento que se sigue en las ciencias para hallar
la verdad y enseñarla.
• Algoritmo: Conjunto ordenado y finito de operaciones que
permite hallar la solución de un problema.
• Heurística: Manera de buscar la solución de un problema
mediante métodos no rigurosos…
• Metaheurística: Heurística aplicable a diferentes familias de
problemas.
Nota: Definiciones extraídas de la RAE, excepto la de Metaheurística.

• Resolver
• Soluciones:
• Factibles: Soluciones que satisfacen todas las restricciones
del modelo.
• Óptima: Solución factible que entrega el mejor valor

(máximo o mínimo) al ser evaluado en la función objetivo.
• Infactibles: Soluciones que no satisfacen al menos una

restricción del modelo.
• Resolver
• Análisis de Sensibilidad:
• Coeficientes en la FO (variación de costos):
Cambia la pendiente de la FO, pudiendo alterar de
forma importante la solución óptima.
• Lado derecho de las restricciones (disponibilidad de

recursos):
Aumenta o disminuye la región factible, pudiendo
desplazar el óptimo.
• Validar
• Verificar si el modelo hace lo que se supone que debería hacer
según lo propuesto por el analista.
• La intuición tiene mucho que ver en esta fase:
• ¿Hace sentido la solución?
• ¿Son aceptables los resultados?
• Análisis dimensional.
• El modelo se valida si al compararlo con los datos reales,
entrega “resultados aceptables”. (Ante similares entradas,
presenta similares salidas).
• Validar
• Mediante:
• Validación de supuestos.
• Análisis de salidas (físicos, estadísticos, etc.).
• Opinión de Expertos (e.g. encuestas).

• Empleo de datos históricos.
• Animación.
• Implementar
• Corresponde a utilizar los resultados obtenidos con el modelo,

para intervenir el proceso.
• Se busca la mejora de los resultados en el proceso intervenido.
• Se debe considerar procesos de capacitación.

• Ejemplo Aplicado:
Investigación de Operaciones
Unidad 2: Modelación
Profesor Darío Canut de Bon B.

Primer Semestre 2021 Ingeniero Electrónico PUCV
Magíster en Ingeniería Industrial mención IO PUCV
Alumno Doctorado en Ingeniería Industrial PUCV
d.canutdebon@uandresbello.edu
IO – Unidad 2
Modelo General de PL
IO – Unidad 2 – Modelo General de PL
Definir el Problema
• Se debe conocer el área del problema (la técnica).

La asesoría de personal especialista en el área es fundamental.
• Objetivos cuantificables.
Si no es posible de cuantificar nuestro problema no se puede
representar matemáticamente.
• Analizar el entorno en el cual (el problema) se encuentra inmerso.

A menudo no se identifican factores externos que influyen en
nuestro problema. Tampoco se evalúan los posibles efectos que
los resultados pueden tener sobre otros componentes del sistema.
Definir el Problema
• Observar las restricciones que limitan el espacio de acción.

Considerar todas las restricciones del problema, que sean
atingentes a nuestro objetivo.
• Evaluar los posibles cursos de acción para resolver el problema.

Tomar en cuenta todos los posibles caminos que podrían entregar
alguna solución. No descartar nunca, a priori, un curso de acción.
Recordar que en la vida real el problema no viene definido
Atingencia: Relación, conexión, correspondencia. (RAE, 23ª edición)

Definir el Problema (PARÉNTESIS)
Para reflexionar y discutir.
No podemos resolver problemas pensando de la misma manera que

cuando los creamos.
A. Einstein
Definir el Problema
Obteniendo Datos
• La adquisición de datos relevantes es importante para:

• Entender el problema.
• Ingresar algunos parámetros en el modelo posterior.
• Esta labor consume mucho tiempo y a menudo muchos recursos.
• En ocasiones, no se cuenta con los datos desde un principio.
• Es muy importante analizar las unidades de medida en que se
obtienen los datos.
• Hay investigadores que aseguran que en la mayoría de los casos
para construir el modelo no se requiere tener datos (para resolverlo
sí).
Modelar
Un modelo es una representación o abstracción de la realidad.

Modelar

Modelar

Modelar
Formulando un modelo matemático

• Representaciones idealizadas de la realidad.
• Expresiones matemáticas que reflejan las características del
sistema.
• Las variables de decisión representan cada una de las decisiones
que deben ser tomadas.
• Una ventaja fundamental de plantear modelos matemáticos es que
describen mejor el problema.
• Para resolver un modelo, éste debe ser lo suficientemente sencillo
para ser resuelto, pero tan complejo como se pueda para
representar la realidad.
• Debe existir una alta correlación entre la predicción del modelo y lo
que debería pasar en el mundo real.
Obteniendo soluciones del modelo
• Distintos tipos de soluciones para el modelo.

• La mejor solución es llamada solución óptima, y pueden ser varias,
o incluso no existir.
• Si el modelo posee al menos una solución factible, entonces debe
tener al menos una solución óptima (en casos acotados).
• Diversas formas de resolución pueden ser aplicadas, dependiendo
del tiempo disponible para la resolución y qué tan buena se desea
que sea la solución encontrada.
• Análisis post-optimal (también llamado análisis what-if) que incluye
análisis de sensibilidad.
Validar
Debido a que el modelo puede tener fallas, es necesario probar el

modelo previo a su uso (aplicación). Los análisis se realizan al probar el
funcionamiento del modelo.
• Consistencia dimensional.
• Prueba de resultados con datos históricos.
¿Cómo aplicaría estas dos aproximaciones a la Validación?

Implementar
Una vez verificado el modelo:
• Implementación de sistema de apoyo a la toma de decisiones.

• Generar la intervención del proceso.
• Instrucción/entrenamiento/capacitación a los involucrados.
• Obtener realimentación de los resultados de la implementación.
• Efectuar modificaciones o ajustes necesarios a realizar en el
modelo.
Diagrama
Mundo Real Mundo Abstracto
Identificar el
Modelar
Problema
Recopilar
Resolver
Datos
Implementar Validar
Control
Ejercicio
Un empresario del rubro del transporte marítimo requiere decidir qué

tipos de contenedores llevará un determinado buque en su próximo
viaje. Su intención es maximizar sus utilidades.
¿Cuál es el problema?
¿Qué restricciones pueden existir?
¿Cuál es el objetivo?
¿Qué modelo cree que sería conveniente utilizar o desarrollar?
¿Qué se requiere saber para calcular la solución?

Ejercicio
Restricciones adicionales encontradas:

• Se cuenta con 4 tipos de contenedores.
• No se pueden llevar más de 3 contenedores del mismo tipo.
• Existe una capacidad máxima de carga en el buque.
Datos:
• Capacidad del buque: 200 [ton].
Contenedor Peso [ton] Utilidad
1 30 120
2 50 140
3 40 110
4 80 160
Ejercicio
Generar posibles soluciones: Contenedor Peso [ton] Utilidad

1 30 120
Aplicar la siguiente plantilla 2 50 140
para buscar soluciones. 3 40 110
4 80 160
Contenedor Sol 1 Sol 2 Sol 3 Sol 4 Sol 5

1
2
3
4
Peso [ton]
Utilidad
Ejercicio
Posibles soluciones:
1 2 1 2 1 0
2 2 0 1 1 1
3 1 0 1 2 1
4 0 2 1 1 1
Peso [ton] 200 190 230 240 170
Utilidad 630 440 650 640 410
¿Todas estas soluciones son factibles?

Ejercicio
1 2 1 2 1 0
2 2 0 1 1 1
3 1 0 1 2 1
4 0 2 1 1 1
Peso [ton] 200 190 230 240 170
Utilidad 630 440 650 640 410

¿Qué solución es la mejor?
Ejercicio
1 2 1 2 1 0
2 2 0 1 1 1
3 1 0 1 2 1
4 0 2 1 1 1
Peso [ton] 200 190 230 240 170
Utilidad 630 440 650 640 410

¿Qué solución es la mejor?
¿Cómo estar seguros que no existe otra mejor?
Ejercicio
Modelo: Problema de la Mochila

max 120  x1 + 140  x2 + 110  x3 + 160  x4
s.a. 30  x1 + 50  x2 + 40  x3 + 80  x4  200 (1)
xi  3 i = 1..4 (2)
xi  Z 0+ i = 1..4 (3)
Contenedor Peso [ton] Utilidad
1 30 120
2 50 140
3 40 110
4 80 160
Ejercicio
Modelo de Clase: Problema de la Mochila
• A: Conjunto de contenedores.
• xi: Número de contenedores a utilizar del tipo i.
• wi: Peso en [ton] de un contenedor tipo i.
• ci: Utilidad por llevar un contenedor tipo i.
• W: Capacidad del carguero en [ton].
• Mi: Número de contenedores disponibles del tipo i.
max c  x
i A
i i
s.a. w x
i A
i i W (1)
xi  M i i  A (2)
xi  Z 0+ i  A (3)
Elementos de los Modelos de IO
• Parámetros: Datos no variables al resolver el modelo. También se

les llama variables exógenas, es decir que son externas al modelo.
• Variables de decisión: Definen la respuesta del modelo. También
llamadas variables endógenas. Establecen las decisiones que deben
ser tomadas.
• Restricciones: Son funciones que relacionan variables y
parámetros. Al resolver el modelo se deben cumplir esas funciones
para poder obtener un “resultado útil”.
• Función objetivo: Es una relación entre variables y restricciones
que indica qué tan buena es la solución que se evalúa en un
instante. Es la medida de efectividad del modelo.
Del ejercicio anterior

Modelo de Clase: Problema de la Mochila
• A: Conjunto de contenedores. Variables
• xi: Número de contenedores a utilizar del tipo i.
• wi: Peso en [ton] de un contenedor tipo i. Parámetros
• ci: Utilidad por llevar un contenedor tipo i.
• W: Capacidad del carguero en [ton].
• Mi: Número de contenedores disponibles del tipo i.
max c  x
i A
i i Función Objetivo
s.a. w x
i A
i i W (1)
Restricciones
xi  M i i  A (2)
xi  Z 0+ i  A (3)
IO – Unidad 2
Resolución de problemas mediante

formulación de modelos de PL
Problema de Programación Lineal
Un problema de programación matemática es lineal, si

su función objetivo y todas sus restricciones son
lineales.
Problema Introductorio
Actividad en clases:
Analizar el problema que se muestra a continuación.
• ¿En qué consiste el problema?
• ¿Cuál es el objetivo de la empresa respecto a su plan de

producción?
• ¿Cuáles son las restricciones que se poseen?
• ¿Qué información se necesita para resolver el problema?

Reddy Mikks es una empresa que produce pinturas de interior y

exterior desde dos materias primas M1 y M2. La siguiente tabla
muestra los datos básicos del problema.
Ton. de MP por ton. de Disponibilidad
Materia Prima
Pint. Ext. Pint. Int. diaria (ton.)
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.
Una investigación de mercado revela que la demanda diaria de pintura
de interior no puede exceder la de la pintura de exterior por más de 1
ton. Además la demanda diaria máxima de pintura de interior es 2 ton.
Determine las cantidades de cada pintura a producir diariamente, para
maximizar la utilidad total diaria.
• Variables: ¿Qué decisiones deben tomarse?

Cuánto producir de cada tipo de pintura (en toneladas).
• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

Por la utilidad que genera para la empresa
• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

1. No sobrepasar la disponibilidad de M1.
3. Condiciones de la investigación de mercado.
4. Dominio de la producción (no negativo).
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.
• Variables: ¿Qué decisiones deben tomarse?

Cuánto producir de cada tipo de pintura (en toneladas).
• x1: toneladas de pintura de exterior a producir

• x2: toneladas de pintura de interior a producir
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.
• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

Por la utilidad que genera para la empresa
Z = max 5x1+4x2
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.

6x1 + 4x2 ≤ 24 (1)

x1 + 2x2 ≤ 6 (2)
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.

3. Condiciones de la investigación de mercado.
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
4. Dominio de la producción (no negativo).
X1 ≥ 0 (5)
X2 ≥ 0 (6)
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.
max Z = 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
X1 ≥ 0 (5)
X2 ≥ 0 (6)
• Solución Gráfica
6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
6x1 +4x2 ≤ 24 (1)

x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
Z = max 5x1+4x2
Z = 15
Z = max 5x1+4x2
Z = 21

Investigacion Operativa Univerdad Andres Bello

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigacion Operativa Univerdad Andres Bello

Cargado por

Copyright:

Formatos disponibles

Investigación Operativa

Profesor Darío Canut de Bon B.

Descripción del Curso

UNIDAD I: INTRODUCCIÓN A LA INVESTIGACIÓN OPERATIVA

UNIDAD IV: TEORÍA DE DUALIDAD

En el transcurso del semestre se realizarán las siguientes evaluaciones:

• 03 evaluaciones teóricas de contenido y ejercicios

• 01 trabajo de investigación y desarrollo

• 08 talleres (al menos)

Observación: Evaluaciones no rendidas deberán ser justificadas por

Talleres: Se realizan sobre conceptos, resolución de problemas,

𝑁𝑃𝐸 = ෍ 0.2 ∙ 𝑁𝑆 + 0.25 ∙ ෑ 𝑁𝑇𝑎 + 0.15 ∙ 𝑁𝑇𝑟

NPE: Nota presentación a examen

𝑁𝐹 = 0.7 ∙ 𝑁𝑃𝐸 + 0.3 ∙ 𝑁𝐸

• Identificar los conocimientos propios de la IO para establecer su

¿Cómo aporta este ramo al plan de estudios?

• Es la aplicación de métodos científicos, técnicas y herramientas en

• La I.O. es la aplicación del método científico para proveer a los

• I.O. es la aplicación del método científico por grupos de trabajo

• La I.O. tiene como objetivo el optimizar el comportamiento de un

Qué es la Investigación de Operaciones

• Una metodología que aplica el rigor científico para obtener el mejor

Fases de la Investigación de Operaciones

Detalle de las Fases de IO

• Se debe conocer el área del problema (la técnica).

• Esto es una visión de sistema (Componentes, relaciones, límites

Detalle de las Fases de IO

Un modelo es una abstracción o una representación idealizada de

Modelar es un arte, no una ciencia, por esto la experiencia es de

Detalle de las Fases de IO

• Clasificación de los Modelos Determinístico

Continua Entera No Convexo Convexo

Mixto Completo Restringido

Binario Binario Irrestricto

Detalle de las Fases de IO

• Óptimo es la mejor solución para ese modelo.

• Tiempo para resolver modelos es relevante según el problema o

• Procedimientos para encontrar soluciones exactas (óptimas) y

Detalle de las Fases de IO

Nota: Definiciones extraídas de la RAE, excepto la de Metaheurística.

Detalle de las Fases de IO

• Óptima: Solución factible que entrega el mejor valor

• Infactibles: Soluciones que no satisfacen al menos una

Detalle de las Fases de IO

• Lado derecho de las restricciones (disponibilidad de

Detalle de las Fases de IO

Detalle de las Fases de IO

• Opinión de Expertos (e.g. encuestas).

Detalle de las Fases de IO

• Corresponde a utilizar los resultados obtenidos con el modelo,

• Se busca la mejora de los resultados en el proceso intervenido.

• Se debe considerar procesos de capacitación.

Detalle de las Fases de IO

Detalle de las Fases de IO

Detalle de las Fases de IO

Profesor Darío Canut de Bon B.

• Se debe conocer el área del problema (la técnica).

• Analizar el entorno en el cual (el problema) se encuentra inmerso.

• Observar las restricciones que limitan el espacio de acción.

• Evaluar los posibles cursos de acción para resolver el problema.

Recordar que en la vida real el problema no viene definido

Atingencia: Relación, conexión, correspondencia. (RAE, 23ª edición)

Definir el Problema (PARÉNTESIS)