Modelos

Toledo, G. (2021). Modelos [apunte]. Chile. UNAB

Modelos de la Investigación de
Operaciones

MODELOS DE LA INVESTIGACIÓN DE OPERACIONES

El modelo es la representación abstracta de la realidad, se construyen modelos con la

finalidad de poder resolver problemas del mundo real.
Todo problema de programación lineal está compuesto de una función objetivo que se
va a optimizar, (maximizar o minimizar) y las restricciones que describen los
requerimientos y las limitaciones de los recursos.

Modelos Determinísticos:
Suponen relaciones exactas para las características de operación, en lugar de funciones
de densidad de probabilidad. Son variables con valores preestablecidos

Modelos estocásticos:
Son aquellos modelos en los que, por lo menos una de las características de operación
está dada por una función de probabilidad. Los valores de las variables se obtienen al
azar.

Modelos Híbridos:
Son usados comúnmente en el tipo de investigación cuantitativa y que proponen como
métodos también valiosos para el desarrollo de estudios cualitativos. Un método híbrido
combina más de un método y también es llamado método multi-paradigmático. 1

Figura 1: Modelos de investigación de operaciones

Fuente: Chiavenato, I. (1989)

Modelos de la Investigación de
Operaciones

Los modelos que se abordarán en este curso son los destacados en la figura N° 1.

Elementos de un modelo de optimización

Un modelo matemático es una representación de la realidad y está compuesto de cinco

componentes.

Conjuntos: Es la agrupación de elementos que comparten características

(naturaleza) en común.

Ejemplos:
• Conjunto de vehículos.
• Conjunto de productos.
• Conjunto de tareas.
• Conjunto de períodos de tiempo.
• Conjunto de personas.

Parámetros: Son las decisiones ya tomadas. Los datos que se conocen.

Ejemplos: 2
• Distancia entre un punto y otro (Santiago – Calama).
• ¿Cuántos recursos (pintura, madera) requiere una silla?
• Precio de venta de un cierto producto.
• Sueldo de los trabajadores.
• Cantidad de vehículos disponibles.

Variables de Decisión
Definen cuáles son las decisiones que se deben tomar, las variables pueden tener 3 tipos
de naturaleza:
• Numéricas: Pueden tomar cualquier valor. Ejemplo:
 X = Cantidad a producir
 T = Tiempo de viaje
 Q = Cantidad a transportar
• Binarias: Solo pueden tomar 2 valores {0,1} Ejemplo:

1 Si se instala un bodega en el j
Yj �
0 En otro caso
Modelos de la Investigación de
Operaciones

1 𝑆𝑆𝑆𝑆 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 𝑦𝑦 𝑗𝑗

𝑊𝑊𝑖𝑖𝑖𝑖 �
0 𝐸𝐸𝐸𝐸 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
• Enteras: Solo pueden tomar valores enteros (sin decimales) Ejemplo:
 X = Cantidad a producir
 T = Tiempo de viaje
 Q = Cantidad a transportar

Función Objetivo
Define el criterio para decidir la mejor solución entre todas las soluciones factibles, hay
dos naturalezas de función objetivo:
• Minimizar: Encontrar el menor valor posible.
Ejemplo:
 Minimizar los costos de transporte
 Minimizar el tiempo de viaje
• Maximizar: Encontrar el mayor valor posible.
Ejemplo:
 Maximizar la utilidad
 Maximizar la cobertura
 Maximizar el rendimiento
3
Restricciones
Son un conjunto de ecuaciones e inecuaciones que restringen los valores de las
variables.
• ≤ Menor o igual que: El lado izquierdo debe ser menor o igual al lado derecho.
o Ejemplo: La cantidad de productos fabricados debe ser a lo más de 10
unidades, con x = cantidad de productos fabricados. X ≤10
• ≥ Mayor o igual que: El lado izquierdo debe ser mayor o igual al lado derecho.
o Ejemplo: La cantidad de productos fabricados debe ser por lo menos de
10 unidades, con x = cantidad de productos fabricados. X ≥ 10
• = Igualdad: El lado izquierdo debe ser igual al lado derecho.
o Ejemplo: La cantidad de productos fabricados debe ser igual a 10
unidades, x = cantidad de productos fabricados. X = 10
• También se podrían especificar restricciones de tipo menor que (<) o mayor que
(>), pero no son muy utilizadas en la práctica.
Modelos de la Investigación de
Operaciones

Reglas en las restricciones

Se define un conjunto de reglas que deben tener las restricciones para generar
problemas que sean factibles de resolver y evitar que las variables tiendan al infinito:
• Cuando se utiliza un objetivo de maximización se debe incluir al menos una
restricción de = o ≤
• Cuando se utiliza un objetivo de minimización se debe incluir al menos una
restricción de = o ≥
• En cada restricción los valores deben estar en la misma unidad, también aplica
para la F.O.

• En una restricción de relación de variable binaria y continua, un número

grande (M) debe acompañar a la variable binaria.

Estas restricciones por lo general surgen de:

• Limitaciones físicas
o Cantidad de materia prima disponible o Tiempo de Producción
Disponible 4

• Restricciones puestas por la administración

o No invertir más del doble en acciones respecto a lo invertido en bonos

• Restricciones externas
o El mercado no permite vender más de cierta cantidad de un producto
determinado

• Relaciones implicadas entre las variables

o En un problema de la inversión, las fracciones que representa la
proporción de dinero a invertir en los fondos debe sumar 1

• Restricciones lógicas sobre las variables individuales

o No se puede producir una cantidad negativa de productos
Modelos de la Investigación de
Operaciones

EJEMPLOS DE MODELOS EXTENDIDOS

Ejemplo 1: Prototipo Wyndor Glass co.

La W.G. Co. produce artículos vidrio de alta calidad, que incluyen ventanas y puertas de
vidrios. Tiene 3 plantas. Los marcos y las molduras de aluminio se hacen en la planta 1;
los de madera en la planta 2; la planta 3 produce el vidrio y el ensamblado de los
productos.

Debido a una reducción en las ganancias, la alta administración ha decidido reorganizar

la línea de producción de la compañía. Se descontinuarán varios productos no rentables
y se dejará libre una parte de la capacidad de producción, para emprender la fabricación
de 2 nuevos productos que tienen grandes ventas potenciales:

Producto 1: Puerta de vidrio de 8 pies con marco de aluminio.

Producto 2: Ventana guillotina con marco de madera 4 x 6 pies.

Determinar que tasas de producción deben tener los 2 productos a fin de maximizar las
utilidades totales, sujetas a las restricciones de capacidad limitadas en las 3 plantas.
Cada producto se fabricará en lotes de 20, de manera que la tasa de producción está 5
definida como el número de lotes que se producen a la semana.

Se dispone de los siguientes datos relevantes del problema reunidos por el equipo de
I.O. que estudio el problema:

Tiempo de producción
por lote horas Tiempo de producción
Producto disponible a la semana en
Planta 1 2 horas
1 1 0 4
2 0 2 12
3 3 2 18
Ganancias por lote $ 3.000 $ 5.000
Modelos de la Investigación de
Operaciones

Desarrollo:

1) Identificación de las Variables de Decisión:

x1 = N° de lotes del producto 1 fabricados por semana (puerta)

x2 = N° de lotes del producto 2 fabricados por semana (ventana)

2) Función objetivo:
Maximizar la ganancia semanal (miles de $).

Max Z = 3x1 + 5x2

3) Restricciones:
Son condiciones que las variables de decisión deben satisfacer para constituir una
solución aceptable.

Sujeto a:

Horas disponibles en la planta 1 x1 ≤4

Horas disponibles en la planta 2. 2x2 ≤ 12
Horas disponibles en la planta 3 3x1 + 2x2 ≤ 18
No negatividad x1 , x2 ≥ 0 6

Ejemplo 2: Asignación de personal

Una compañía desea realizar una jornada de mantenimiento preventivo a sus tres
máquinas principales 1, 2 y 3.

Teniendo en cuenta que según el grado de especialización de cada equipo prestador de

servicios de mantenimiento el costo de la tarea varía para cada máquina en particular,
por lo que debe de asignarse el equipo correcto a la máquina indicada con el objetivo de
minimizar el costo total de la jornada (cada equipo debe asignarse solo a una máquina).
Los costos asociados se pueden observar en la siguiente tabla:

Máquina 1 Máquina 2 Máquina 3

Equipo de mantención 1 10 9 5
Equipo de mantención 2 9 8 5
Equipo de mantención 3 6 7 7
Modelos de la Investigación de
Operaciones

Desarrollo:

Variables de Decisión:
x11 : 1 si se asigna el equipo de mantenimiento 1 a la máquina 1, 0 en otro caso
x12 : 1 si se asigna el equipo de mantenimiento 1 a la máquina 2, 0 en otro caso
x13 : 1 si se asigna el equipo de mantenimiento 1 a la máquina 3, 0 en otro caso
x21 :1 si se asigna el equipo de mantenimiento 2 a la máquina 1, 0 en otro caso
x22 : 1 si se asigna el equipo de mantenimiento 2 a la máquina 2, 0 en otro caso
x23 : 1 si se asigna el equipo de mantenimiento 2 a la máquina 3, 0 en otro caso
x31 : 1 si se asigna el equipo de mantenimiento 3 a la máquina 1, 0 en otro caso
x32 : 1 si se asigna el equipo de mantenimiento 3 a la maquina 2, 0 en otro caso
x33 :1 si se asigna el equipo de mantenimiento 3 a la maquina 3, 0 en otro caso

Función Objetivo:

Min 10*x11 + 9*x12 + 5*x13 +9*x21 + 8*x22 + 5*x23 + 6*x31 + 7*x32 + 7*x33

Sujeto a:
El equipo 1 solo trabaja en una máquina: x11 + x12 + x13 = 1 7
El equipo 2 solo trabaja en una máquina: x21 + x22 + x23 = 1
El equipo 3 solo trabaja en una máquina: x31 + x32 + x33 = 1
La máquina 1 solo puede ser atendida por 1 equipo: x11 + x21 + x31 = 1
La máquina 2 solo puede ser atendida por 1 equipo: x12 + x22 + x32 = 1
La máquina 3 solo puede ser atendida por 1 equipo: x13 + x23 + x33 = 1
Naturaleza de las variables: x11 , x12 , x13, x21, x22, x23, x31, x32, x33 ∈ {0,1}

Ejemplo 3: Elección de Proyectos de Inversión

Una compañía está evaluando 5 proyectos a desarrollar durante los próximos 3 años.
Cada año dispone de 25 millones para invertir en proyectos. El beneficio esperado (en
millones) para cada proyecto, así como la cantidad a invertir cada año (en millones) para
el mantenimiento de proyecto vienen dadas por la siguiente tabla.

Si se decide invertir en un proyecto se debe mantener por los 3 años, ¿qué proyectos se
deberían desarrollar para obtener un beneficio mayor?
Modelos de la Investigación de
Operaciones

Inversión
Proyecto Beneficio
1 2 3
1 5 1 8 20
2 4 7 10 40
3 3 9 2 20
4 7 4 1 15
5 8 6 10 30

Desarrollo:

Variables de Decisión:

1 Si se invierte en el proyecto 1
X1 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

1 Si se invierte en el proyecto 2
X2 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

1 Si se invierte en el proyecto 3 8
X3 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

1 Si se invierte en el proyecto 4
X4 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

1 Si se invierte en el proyecto 5
X5 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Función Objetivo:
Max 20*X1 + 40* X2 + 20* X3 + 15* X4 + 30* X5

Sujeto a:
Año 1: 5* X1 + 4* X2 + 3* X3 + 7* X4 + 8* X5 ≤ 25
Año 2: 1* X1 + 7* X2 + 9* X3 + 4* X4 + 6* X5 ≤ 25
Año 3: 8* X1 + 10* X2 + 2* X3 + 1* X4 + 10* X5 ≤ 25
Naturaleza de las variables: X1, X2, X3, X4, X5 ∈ {0,1}
Modelos de la Investigación de
Operaciones

Ejemplo 4: Modelo extendido con variables mixtas

Los modelos mixtos son aquellos que están compuestos de variables continuas y/o
enteras y binarias.

La fábrica de ropa BB planea fabricar 3 tipos de pijamas: P1, P2 y P3. La siguiente tabla
proporciona información sobre recursos y utilidad.

Recurso Tipo de pijama Disponibilidad

P1 P2 P3

Género 1,2 2,5 4 100.000

Mano de obra (horas) 3 5 8 6.000

Utilidad generada ($) 2.000 3.000 4.000

Para que la producción de cada tipo de pijama sea factible desde el punto de vista
tecnológico, se tienen que fabricar por lo menos 500, 800 y 1.000 pijamas del tipo P1,
9
P2 y P3 respectivamente (puede no fabricarse también, pero si se fabrica es más de las
unidades señaladas). Plantee un modelo matemático lineal para maximizar las utilidades
de BB.

Desarrollo:

Se debe decidir si se fabrica un determinado tipo de pijama, por lo que se tendrá́ una
variable binaria (y) para cada tipo, además, en caso de que se fabrique se debe decidir
cuantas unidades producirían, por lo que se tendrá́ una variable continua, asociada a
cada tipo de pijama (x).

Variables de decisión:

X1 : unidades de pijamas tipo 1 a fabricar

X2 : unidades de pijamas tipo 2 a fabricar
X3 : unidades de pijamas tipo 3 a fabricar
1 Si se decide fabricar el pijama tipo 1
Y1 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Modelos de la Investigación de
Operaciones

1 Si se decide fabricar el pijama tipo 2

Y2 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

1 Si se decide fabricar el pijama tipo 3

Y3 :�
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Función Objetivo

Se busca maximizar las utilidades de la empresa BB, la función objetivo será́ maximizar
la utilidad que genera cada pijama multiplicada por las unidades producidas. Dado que
la utilidad solo está asociada a la producción de pijama, no es necesario utilizar la
variable binaria en la función objetivo.

Max 2000X1 + 3000X2 + 4000X3

Restricciones

Hay varios recursos que limitan al modelo y los valores que pueden tomar las variables.
Se tiene una restricción asociada a la cantidad de género disponible, por lo que se
multiplica la cantidad de género que utiliza cada tipo de pijama por la cantidad a fabricar
de cada tipo, y se restringe (menor o igual) a la cantidad de género disponible.
10

Sujeto a:

Género: 1,2X1 + 2,5X2 + 4X3 ≤ 100000

Se tiene una cantidad de mano de obra en horas disponible, por lo que se multiplica la
cantidad de horas que requiere cada pijama por la cantidad de pijamas a fabricar y se
restringe a la cantidad de horas de mano de obra disponible.

Mano de obra: 3X1 + 5X2 + 8X3 ≤ 6000

Hasta aquí, el procedimiento es similar a los ejemplos anteriores, pero al observar el

enunciado se menciona que en caso de producir un tipo de pijama se debe fabricar un
mínimo, ese tipo de condiciones se escriben con variables binarias y continua, es decir,
una restricción mixta.
Modelos de la Investigación de
Operaciones

Para especificar el mínimo de un producto, al lado izquierdo se especifica la variable

continua de producción, y al lado derecho el valor mínimo multiplicado por la variable
binaria, en este caso.

Mínimo P1: X1 ≥ 500y

En caso de que se decida producir el pijama P1, es decir y1 = 1, la restricción queda:

x1 ≥ 500*1→ X1 ≥ 500

En caso en que no se decida producir el pijama P1, decir y1 = 0, la restricción queda:

x1 ≥ 500*0→ x1 ≥ 0

En el caso anterior, ya que no especificaría un mínimo de producción, pero faltaría indicar

que la variable tome valor 0, es decir, que no se produzca nada de ese producto, para
ello se debe agregar una restricción que acote el valor:

x1 ≤ 1000000000*y1 o x1 ≤ M*y1

11
Se utiliza un número grande, para que en caso de que se decida producir el pijama P1
quede: x1 ≤ 1000000000 y no interfiera con las otras restricciones, y en caso de que no
se decida producir el pijama P1 queda: x ≤ 0 obligando a la variable a que tome valor 0.

Siguiendo la lógica anterior se arman las restricciones para los otros tipos de pijama.

Mínimo P2: x2 ≥ 800y2

x2 ≤1000000000*y2 o x2 ≤ M*y2

Mínimo P3: x3 ≥ 1000y3

x3 ≤ 1000000000*y3 o x3 ≥ M*y3
Naturaleza de las variables: x1 , x2 , x3 ≥ 0

y1,y2,y3 ∈ {0,1}

Nota: En los modelos mixtos para especificar el número grande se suele abreviar con la
letra M.
Modelos de la Investigación de
Operaciones

MODELOS PARAMETRIZADOS

Considere el siguiente ejemplo de producción el cual se desea maximizar la utilidad total.

Se construirá el modelo de programación lineal en forma extendida y parametrizada.

Se dispone de la siguiente información.

Conjuntos:
𝐼𝐼 = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = {1,2, … 𝑛𝑛}
𝐵𝐵 = 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = {1,2, … 𝑚𝑚}
Parámetros
𝑢𝑢𝑖𝑖 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 є 𝐼𝐼
𝑏𝑏𝑗𝑗 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 є 𝐵𝐵
𝑎𝑎𝑖𝑖𝑖𝑖 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗
𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖

Definición de Variables:
Extendida:
𝑋𝑋1 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 1 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝í𝑜𝑜𝑜𝑜𝑜𝑜 𝑡𝑡
𝑋𝑋2 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 2 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝í𝑜𝑜𝑜𝑜𝑜𝑜 𝑡𝑡
𝑋𝑋𝑛𝑛 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑛𝑛 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝í𝑜𝑜𝑜𝑜𝑜𝑜 𝑡𝑡.
12
Parametrizada:
𝑋𝑋𝑖𝑖 = 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 є 𝐼𝐼 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝í𝑜𝑜𝑜𝑜𝑜𝑜 𝑡𝑡

Función objetivo:
Extendida
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑢𝑢1 𝑋𝑋1 + 𝑢𝑢2 𝑋𝑋2 + ⋯ . . 𝑢𝑢𝑛𝑛 𝑋𝑋𝑛𝑛

Parametrizada:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = � 𝑢𝑢𝑖𝑖 𝑋𝑋𝑖𝑖
𝑖𝑖 є 𝐼𝐼
Restricciones
Extendida
𝑎𝑎11 𝑋𝑋1 + 𝑎𝑎21 𝑋𝑋2 + ⋯ 𝑎𝑎𝑛𝑛1 𝑋𝑋𝑛𝑛 ≥ 𝑏𝑏1
𝑎𝑎12 𝑋𝑋1 + 𝑎𝑎22 𝑋𝑋2 + ⋯ 𝑎𝑎𝑛𝑛2 𝑋𝑋𝑛𝑛 ≥ 𝑏𝑏2
𝑎𝑎1𝑚𝑚 𝑋𝑋1 + 𝑎𝑎2𝑚𝑚 𝑋𝑋2 + ⋯ 𝑎𝑎𝑛𝑛𝑛𝑛 𝑋𝑋𝑛𝑛 ≥ 𝑏𝑏𝑚𝑚
𝑋𝑋1 , 𝑋𝑋2 , … . 𝑋𝑋𝑛𝑛 ≥ 0

Parametrizada
∑𝑖𝑖 є 𝐼𝐼 𝑎𝑎𝑖𝑖𝑖𝑖 𝑋𝑋𝑖𝑖 ≥ 𝑏𝑏𝑗𝑗 ⩝ 𝑗𝑗є 𝐵𝐵
𝑋𝑋𝑖𝑖 ≥ 0 ⩝ 𝑖𝑖 є 𝐼𝐼
Modelos de la Investigación de
Operaciones

Ejemplo 5: Modelos parametrizados

Supongamos que debemos invertir un total de $M en distintos proyectos, tratando de

lograr el mayor rendimiento posible.

Tasa de
Proyecto
rendimiento

1 𝑡𝑡1

2 𝑡𝑡2

3 𝑡𝑡3

4 𝑡𝑡4

Para evitar incurrir en riesgos excesivos se han establecido las siguientes restricciones:
• El monto para invertir en el proyecto 1 no debe ser menos del 30% del total.
• Los proyectos 2 y 3 en conjunto no pueden superar el 20% del total.
• El proyecto 4 debe representar al menos el 40% de la inversión.
• Ninguno de los proyectos debe exceder la mitad de la inversión. 13

Desarrollo:

i) Identificar las variables (la decisión que se debe tomar):

Se busca saber cuánto dinero invertir en 4 proyectos, por lo que las variables de
decisión serán cuánto invertir en cada uno de ellos.

Variables:
x1: Cantidad a invertir en el proyecto 1
x2: Cantidad a invertir en el proyecto 2
x3: Cantidad a invertir en el proyecto 3
x4: Cantidad a invertir en el proyecto 4

Función objetivo: Rendimiento

Max t1x1 +t2x2 +t3x3 +t4x4

ii) Restricciones (lo que limitan, restringen los valores de las variables):
Modelos de la Investigación de
Operaciones

Se identifican los siguientes límites para el modelo. El monto para invertir en el proyecto
1 no debe ser menos del 30%.

Límite inferior del proyecto 1: x1 ≥M*0,3

Los proyectos 2 y 3 en conjunto no pueden superar el 20% del total.

Límite superior para los proyectos 2 y 3: x2 +x3 ≤M*0,2

El proyecto 4 debe representar al menos el 40% de la inversión.

Límite inferior del proyecto 4: x4 ≥M*0,4

Ninguna de las posibilidades de inversión debe exceder (superar) la mitad del total de
la inversión.

x1 ≤ M/2; x2 ≤M/2; x3 ≤ M/2; x4 ≤M/2

Supongamos que debemos invertir un total de $M.

Cantidad de dinero a invertir M: x1+ x2 + x3 + x4 = M 14

Finalmente se escribe la naturaleza de las variables.

Naturaleza de las variables: x1,x2,x3,x4 ≥0

Resumen del modelo

Variables:
x1 : Cantidad a invertir en el proyecto 1
x2 : Cantidad a invertir en el proyecto 2
x3 :Cantidad a invertir en el proyecto 3
x4 : Cantidad a invertir en el proyecto 4

Función objetivo: Rendimiento

Max t1x1 +t2x2 +t3x3 +t4x4
Modelos de la Investigación de
Operaciones

Restricciones

Límite inferior del proyecto 1: x1 ≥M*0,3

Límite superior para los proyectos 2 y 3: x2 +x3 ≤M*0,2
Límite inferior del proyecto 4: x4 ≥M*0,4

Ninguna de las posibilidades de inversión debe exceder (superar) la mitad del

total de la inversión.

x1 ≤ M/2; x2 ≤M/2; x3 ≤ M/2; x4 ≤M/2

Cantidad de dinero a invertir M: x1+ x2 + x3 + x4 = M

Naturaleza de las variables: x1,x2,x3,x4 ≥0

MODELOS PARAMETRIZADOS

a. Conjuntos:

En este ejercicio se indica 4 proyectos para invertir, por lo que se puede crear un
15
conjunto de proyectos que los agrupe.

P = Proyectos{1,2,3,4}

b. Parámetros:

Se menciona la cantidad M a invertir por lo que se define el siguiente parámetro:

M = Cantidad a invertir

En este ejercicio también se conoce la tasa de rendimiento de cada proyecto, por lo

que se definen parámetros que lo represente, y dado que se repite para cada proyecto,
se le especifica un índice que indica que pertenece al conjunto de los proyectos.

tp = Tasa de rendimiento del proyecto p , p∈P

c. Variables de decisión:

Se resumen las variables indicando un índice para cada proyecto, el cual se especifica
que pertenece al conjunto de los proyectos.

xp =Cantidad de dinero a invertir en el proyecto. p,p∈P

Modelos de la Investigación de
Operaciones

d. Función Objetivo:

Dado que en la función objetivo cada variable está multiplicada por un parámetro de la
misma naturaleza, se puede resumir la expresión con una sumatoria.

𝑀𝑀𝑀𝑀𝑀𝑀 � 𝑡𝑡𝑝𝑝 𝑥𝑥𝑝𝑝

𝑝𝑝∈𝑃𝑃

e. Restricciones:

Para abreviar las restricciones se debe buscar un elemento que tengan en común.
La primera restricción solo aplica para el proyecto 1, por lo que no se puede abreviar y
se expresa igual.
Sujeto a:
Límite inferior del proyecto 1 x1 ≥M*0,3

La Segunda restricción solo aplica para el proyecto 2 y 3, porque no se puede abreviar

y se expresa igual. 16

Límite superior para los proyectos 2 y 3: x2 +x3 ≤M*0,2

La tercera restricción solo aplica para el proyecto 4, porque no se puede abreviar y se

expresa igual.

Límite inferior del proyecto 4: x4 ≥M*0,4

La cuarta restricción recibe para cada proyecto, por lo que se puede abreviar utilizando
un para todo (∀),

Ninguna inversión debe superar la mitad de la inversión:

xp ≤M/2 ∀p∈P

Nota: El símbolo para todo (∀) indica que la expresión escrita se va a repetir cada
elemento del conjunto de proyectos.

La quinta restricción está sumando todas las variables, por lo que es posible abreviar la
expresión utilizando una sumatoria.
Modelos de la Investigación de
Operaciones

Cantidad de dinero a invertir M:

� 𝑥𝑥𝑝𝑝 = 𝑀𝑀
𝑝𝑝∈𝑃𝑃

La restricción de naturaleza se repite para cada variable, por lo que al igual que la cuarta
restricción se pude abreviar utilizando un para todo.

Naturaleza de las variables: 𝑥𝑥𝑝𝑝 ≥ 0 ∀𝑝𝑝 ∈ 𝑃𝑃

Ejemplo 6: Transportes

Supongamos que una empresa posee dos plantas que elaboran un determinado producto
en cantidades de 250 y 450 unidades diarias. Dichas unidades deben ser transportadas
a tres centros de distribución con demandas diarias de 200 y 250 unidades. Los costos
de transporte son:

17

El modelo extendido quedaría de la siguiente manera:

Variables de Decisión:
𝑋𝑋11 = Unidades transportadas desde la planta 1, hasta el centro de distribución 1

𝑋𝑋12 = Unidades transportadas desde la planta 1, hasta el centro de distribución 2

𝑋𝑋13 = Unidades transportadas desde la planta 1, hasta el centro de distribución 3

𝑋𝑋21 = Unidades transportadas desde la planta 2, hasta el centro de distribución 1

Modelos de la Investigación de
Operaciones

𝑋𝑋22 = Unidades transportadas desde la planta 2, hasta el centro de distribución 2

𝑋𝑋23 = Unidades transportadas desde la planta 2, hasta el centro de distribución 3

Función Objetivo:
Minimizar 21* 𝑋𝑋11+25* 𝑋𝑋12+15* 𝑋𝑋13+28* 𝑋𝑋21+13* 𝑋𝑋22+ 19*𝑋𝑋23
Restricciones
Demanda CD1 𝑋𝑋11+𝑋𝑋21 = 200
Demanda CD2 𝑋𝑋12+𝑋𝑋22 = 200
Demanda CD2 𝑋𝑋13+𝑋𝑋23 = 250
Oferta P1. 𝑋𝑋11 +𝑋𝑋12 +𝑋𝑋13 ≤ 250
Oferta P2 𝑋𝑋21+𝑋𝑋22+𝑋𝑋23 ≤ 450
Naturaleza de las variables 𝑋𝑋11, 𝑋𝑋12, 𝑋𝑋13, 𝑋𝑋21, 𝑋𝑋22, 𝑋𝑋23 ≥ 0

Conjuntos:
Se agrupan en cada conjunto los índices que tienen una misma naturaleza. En este
ejercicio se cuenta con dos índices:

I:Plantas

J: Centro de distribución 18

Variables de decisión:
𝑋𝑋ij = Unidades transportadas desde la planta i, hasta el centro de distribución j
i є I, j є J.

Parámetros

Se debe especificar una letra o carácter para cada agrupación de datos que compartan
características similares.

Función objetivo

Todos los valores de la función objetivo comparten la característica de costos de

transporte, por lo que se puede agrupar de la siguiente manera:

cij :Costo de transportar una unidad desde la planta i al centro de distribución j,

i∈I,j∈J
Modelos de la Investigación de
Operaciones

Restricciones

Primero se identifican las restricciones que tengan una misma estructura, en este
ejercicio hay una de demanda y otra de oferta.

Las restricciones Demanda CD1, Demanda CD2 y Demanda CD3 comparten que el lado
derecho es de la misma naturaleza que es la demanda, por lo que se abrevia con la letra
D, como la demanda es de los centros de distribución se le indica el índice j.

Dj : Demanda del centro de distribución j, j ∈ J

Las restricciones Oferta P1 y Oferta P2 comparten que el lado derecho es de la misma

naturaleza que la oferta, por lo que se abrevia con la letra O, y la oferta es de las plantas
y se indica el índice i.

Oi : Oferta de la planta i, i ∈I

En este ejercicio, al lado izquierdo no hay valores que acompañen a las variables, no se
especifica nada.

Variables 19
Se abrevian las variables expresándolas con índices, se debe indicar a qué conjunto
pertenece cada índice.

Variable de Decisión:

Xij = Unidades transportadas desde la planta i, hasta el centro de destribución j,i∈I, j∈J

Función objetivo

En la función objetivo todas las variables están multiplicadas por un valor de costo, por
lo que se puede abreviar con una sumatoria.

Función Objetivo: Costo

𝑴𝑴𝑴𝑴𝑴𝑴 � � 𝒄𝒄𝒊𝒊𝒊𝒊 𝒙𝒙𝒊𝒊𝒊𝒊

𝒊𝒊∈𝑰𝑰 𝒋𝒋∈𝑱𝑱
Modelos de la Investigación de
Operaciones

Restricciones

Primero, se identifican las restricciones que tengan una misma estructura, en este
ejercicio encontramos dos: Luego, tanto para el lado izquierdo como derecho, los valores
que compartan una misma característica se escriben como sumatoria, y aquellas que se
repitan para cada valor de conjunto se especifica con un para todo (∀).

Demanda de los CD:

� 𝑋𝑋𝑖𝑖𝑖𝑖 = 𝐷𝐷𝑗𝑗 ∀𝑗𝑗 ∈ 𝐽𝐽

𝑖𝑖∈𝐼𝐼

Oferta de las plantas:

� 𝑋𝑋𝑖𝑖𝑖𝑖 ≤ 𝑂𝑂𝑗𝑗 ∀𝑖𝑖 ∈ 𝐼𝐼

𝑗𝑗∈𝐽𝐽

Naturaleza de las variables: 𝑋𝑋𝑖𝑖𝑖𝑖 ≥ 0 ∀𝑖𝑖 ∈ 𝐼𝐼, ∀𝑗𝑗 ∈ 𝐽𝐽

En resumen, el modelo quedará:

Conjuntos:
I: Plantas 20
J: Centros de distribución

Parámetros:

Oi :Oferta de la planta i, i∈I

Dj : Demanda del centro de distribución j, j ∈ J
cij :Costo de transportar una unidad desde la planta i a l centro de distribución
j,i∈I, j∈J

Variables de Decisión:

Xij = Unidades transportadas desde la planta i, hasta el centro de destribución j, i∈I, j∈J
Función Objetivo:

𝑴𝑴𝑴𝑴𝑴𝑴 � � 𝑐𝑐𝑖𝑖𝑖𝑖 𝑥𝑥𝑖𝑖𝑖𝑖

𝑖𝑖∈𝐼𝐼 𝑗𝑗∈𝐽𝐽
Modelos de la Investigación de
Operaciones

Restricciones:

Demanda de los CD: ∑𝑖𝑖∈𝐼𝐼 𝑋𝑋𝑖𝑖𝑖𝑖 = 𝐷𝐷𝑗𝑗 ∀𝑗𝑗 ∈ 𝐽𝐽

Oferta de las plantas: ∑𝑗𝑗∈𝐽𝐽 𝑋𝑋𝑖𝑖𝑖𝑖 ≤ 𝑂𝑂𝑗𝑗 ∀𝑖𝑖 ∈ 𝐼𝐼

Naturaleza de las variables: 𝑋𝑋𝑖𝑖𝑖𝑖 ≥ 0 ∀𝑖𝑖 ∈ 𝐼𝐼, ∀𝑗𝑗 ∈ 𝐽𝐽

NOTA: Cada vez que se escribe utilizando un índice se debe especificar a qué
conjunto pertenece.

Ejemplo 7: Problema de la mochila.

El problema de la mochila incluye a aquellos problemas en los que se desea llevar

cantidades de productos, estos se encuentran limitados y restringidos en las cantidades
máximas.

Un viajero está preparando su mochila con volumen de 40 unidades y desea maximizar

la cantidad de nutrientes que llevará.

Nutrientes Volumen 21
Alimento A 2 4
Alimento B 4 6
Alimento C 2,5 3
Alimento D 5 5

Desarrollo Extendido:

Variables:

xi : Cantidad a llevar del alimento i,i∈ {A, B, C, D}

Función Objetivo: Nutrientes

Max 2xA +4xB +2,5xC +5xD

Restricciones

Capacidad: 4xA +6xB +3xC +5xD ≤40 xi ≥ 0

Naturaleza de las variables: xi ≥ 0
Modelos de la Investigación de
Operaciones

Modelo Parametrizado

Conjuntos:
I: Alimentos {A,B,C,D}

Parámetros:

V: Volumen de la mochila
bi :Volumen que ocupa el alimento i , i∈I
ni : Nutrientes que aporta el alimento i, i ∈ I

Variables:

xi : Cantidad a llevar del alimento i,i∈I

Función Objetivo: Nutrientes

𝑀𝑀𝑀𝑀𝑀𝑀 � 𝑛𝑛𝑖𝑖 𝑥𝑥𝑖𝑖 22

𝑖𝑖∈𝐼𝐼

Restricción
� 𝑏𝑏𝑖𝑖 𝑥𝑥𝑖𝑖 ≤ 𝑉𝑉
𝑖𝑖∈𝐼𝐼

Naturaleza de las variables: 𝑥𝑥𝑖𝑖 ≥ 0 ∀𝑖𝑖 ∈ 𝑃𝑃

Modelos de la Investigación de
Operaciones

Bibliografía

1. Beneventti, D. (2019). Apunte Docente. Universidad Andrés Bello. Santiago.

2. Chiavenato I. (1989). Introducción a la teoría general de administración. Mc Graw
Hill.
3. Hillier, F. S. y Lieberman G. J. (1994). Introducción a la investigación de
operaciones. Mc Graw Hill.
4. Prawda, J. (2004). Métodos y modelos de investigación de operaciones (Volumen
1). Ed Limusa.
5. Taha, H., Martínez del Campo Varela, G. y González Pozo, V. (2004).
Investigación de operaciones (7ª. edición). México: Pearson Educación.

23