INVESTIGION OPERATIVA

UNIDAD 1: PROGRAMACION LINEAL Y METODO SIMPLEX

TEMA 1: INVESTIGACION DE OPERACIONES E HISTORIA

INTRODUCCION

Derivado del rápido crecimiento de los sistemas de información aunado a las

múltiples adaptaciones que sufren las organizaciones mediante el uso de
nuevas tecnologías para la toma de decisiones, resurge la necesidad de
reestructurarse nuevamente para la toma de decisiones apoyados en un
sistema que permita visualizar con eficacia el proceso de productividad de la
organización, para no darle cabida a las decisiones equivocadas que
repercutan directamente en los intereses y objetivos de la organización y
evitar déficits.

La alta competitividad que existe en los mercados hace que la toma de

decisiones sea más rápida, la postergación da ventaja, al contrario, así es
cuando no se cuenta con los equipos de información y conocimientos
adecuados para hacer frente al marco legal de la globalización

HISTORIA DE LA INVESTIGACION DE OPERACIONES

La investigación de operaciones es una herramienta básica para la toma de

las decisiones en las empresas por su enfoque cuantitativo, apoyada por las
matemáticas. Las primeras investigaciones de operaciones fueron puestas en
práctica a principios de la segunda guerra mundial, 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”. 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.

La aplicación de los métodos de investigación de operaciones, sirve a los

profesionistas para tomar las decisiones más acertadas en el ámbito laboral.
Las empresas deben contar con estos métodos, para resolver problemas de
optimización de recursos en la entidad. La observación es base fundamental
para identificar problemas, desarrollándola mediante la formulación del
planteamiento del problema y de esta forma determinar las variables
culminando con la aplicación de estos métodos de investigación de
operaciones.
CONCEPTO DE INVESTIGACION DE OPERACIONES

Existen muchas definiciones las cuales algunas son engañosas, pero el autor
de este material menciona dos, las cuales son las más acertadas.

Para Churchman, Ackoff y Arnoff:

La investigación de operaciones es la aplicación, por grupos

interdisciplinarios, del método científico a problemas relacionados con el
control de las organizaciones o sistemas (hombre – máquina). A fin de que
se produzcan soluciones que mejor sirvan a los objetivos de la organización.

De acuerdo a la definición anterior resalta que en todo ente económico donde

se relación el hombre, insumos y la máquina debe sobreponerse la
optimización del recurso, para el beneficio de la organización.

Para la sociedad de I.O de la Gran Bretaña es la siguiente.

La investigación de operaciones es el ataque de la ciencia moderna a los

complejos problemas que surgen en la dirección y en la administración de
grandes sistemas de hombres, maquinas, materiales y dinero, en la industria,
en los negocios, en el gobierno y en la defensa. Su actitud diferencial cosiste
en desarrollar un modelo científico del sistema tal, que incorpore valoraciones
de factores como el azar y el riesgo y mediante el cual se predigan y
comparen los resultados de decisiones, estrategias o controles alternativos.
Su propósito es el ayudar a la gerencia a determinar científicamente sus
políticas y acciones.

La Investigación de Operaciones (IO) o Investigación Operativa es una

rama de las matemáticas que hace uso de modelos matemáticos y algoritmos
con el objetivo de ser usado como apoyo a la toma de decisiones. Se busca
que las soluciones obtenidas sean significativamente más eficientes (en
tiempo, recursos, beneficios, costos, etc.) en comparación a aquellas
decisiones tomadas en forma intuitiva o sin el apoyo de una herramienta para
la toma de decisiones.

Los modelos de Investigación de Operaciones son frecuentemente usados

para abordar una gran variedad de problemas de naturaleza real en ingeniería
y ciencias sociales, lo que ha permitido a empresas y organizaciones
importantes beneficios y ahorros asociados a su utilización.

La Investigación de Operaciones o Investigación Operativa hace uso de

métodos cuantitativos como herramienta de apoyo para el proceso de toma
de decisiones.

En cualquier ámbito de la actividad humana se deben tomar decisiones de

distinta índole y la forma en cómo éstas se toman se pueden basar en una
perspectiva cualitativa o cuantitativa.

En el ambiente actual donde la complejidad de los problemas es creciente,

debido a un ambiente más globalizado y competitivo, la Investigación de
Operaciones ha permitido abordar de forma eficiente modelos que responden
a distintas problemáticas, superando ampliamente los procedimientos
cualitativos.
 TEMA 2: ENFOQUE, ESTRUCTURA Y FORMULACION DE MODELOS
MATEMATICOS DE PROGRAMACION LINEAL

ENFOQUE DE LA INVESTIGACION DE OPERACIONES

Tiene un enfoque novelístico producto de sus creadores aunado a la presión

de supervivencia de la guerra o la sinergia generada al combinarse diferentes
disciplinas. Una descripción del enfoque es la siguiente:

1. Dentro de un ente económico, interactúan muchas variables.

2. Identificar las variables que norman la conducta o es estado actual del
problema.
3. Se construye un modelo cuantitativo del sistema asumido (modelo
matemático).
4. Se obtiene la solución al modelo cuantitativo mediante la aplicación de
una o más de las técnicas desarrolladas por la IO.
5. Se toma el resultado apegado a la mejor realidad posible para las
tomas de decisiones.
6. Se implanta la solución en el sistema real. Es decir, llevarlo a cabo.

METODOLOGIA DE LA INVESTIGACION DE OPERACIONES

Definición del problema y recolección de datos. - Para que tenga mayor

exactitud en la toma de decisiones debe identificarse primero ¿cuál es el
problema que afecta a la organización? ¿Cuánto es la perdida que causa este
problema? Aterrizando todo esto en un marco teórico, delimitando alcances
y objetivos, cuestionando cual sería la mejor solución, y que método debe
aplicar. Una vez definido el problema empezar por recabar datos que
interfieren en el problema planteado, identificando las variables, creando
hipótesis para la solución del problema, concluyendo con la aplicación del
modelo matemático aplicar IO.

Obviamente, la definición del problema en este aspecto es cuantitativo, ya

que representa dinero, y la su definición se basaría en las variables
matemáticas que estos produzcan. Partiendo de las variables aplicaría el
razonamiento matemático mediante las técnicas de las IO.

Formulación de un modelo matemático. - Una vez definido el problema se

debe formular un modelo matemático de acuerdo a las variables localizadas
de cada problema, diseñando para esto ecuaciones que permitan ver el
panorama general del problema. Un modelo siempre debe ser menos
complejo que el problema real, es una aproximación abstracta de la realidad
con consideraciones y simplificaciones que hacen más manejable el problema
y permiten evaluar eficientemente las alternativas de solución. Existe
software que ya tienen diseñados las ecuaciones de acuerdo a los problemas
a plantear. Únicamente se necesita saber utilizarlos y sobre todo
desarrollarlos manualmente para verificar que estos paquetes son
plenamente confiables.
Obtención de una solución a partir del modelo. - Mediante la definición del
problema se identifican las variables dependientes (que dependen de las
variables independientes) y para solucionarlo debe resolverse un modelo que
consiste en encontrar los valores de las variables mejorando la eficiencia y la
efectividad del sistema dentro del marco de referencias que fijan los objetivos
y restricciones del problema.

Prueba modelo. - Es el desarrollo del modelo matemático en la Investigación

de operaciones ya definido, para la solución de problemas específicos, para
computadoras, mediante el uso de paquetes de software actualizándose
mediante versiones. Este software no es en un 100% confiable, mantienen
margen de error mínimos, que no pueden ser detectables. Pero conforme se
van desarrollando nuevas tecnologías computacionales estos errores se van
minimizando. Este proceso de prueba y mejoramiento de un modelo para
incrementar su validez se conoce como “validación del modelo”.

MODELOS DE INVESTIGACION DE OPERACIONES

Entre los principales modelos destacan:

 Planeación de la producción
 Asignación de Personal
 Transporte
 Inventarios
 Administración de Proyectos
 Estrategias de Inversión
 Mercado

PROGRAMACION LINEAL

La programación lineal es el campo de la programación matemática dedicado

a maximizar o minimizar (optimizar) una función lineal, denominada función
objetivo, de tal forma que las variables de dicha función estén sujetas a una
serie de restricciones expresadas mediante un sistema de ecuaciones o
inecuaciones también lineales. El método tradicionalmente usado para
resolver problemas de programación lineal es el Método Simplex.

Los modelos de Programación Lineal son ampliamente utilizados como

herramienta de apoyo a la toma de decisiones tanto por sus propiedades que
facilitan su resolución, como así también su pertinencia a distintos problemas
de naturaleza real. A continuación, se presentan algunos ejemplos resumidos
en complejidad con el objetivo de mostrar algunas aplicaciones típicas.

Aplicaciones de la Programación Lineal

 Problemas de Inversión
 Problemas de Proceso Productivo
 Problema de Mezcla de Productos
 TEMA 3: METODO GRAFICO Y ANALISIS DE SENSIBILIDAD

Resolución Gráfica de Modelos de Programación Lineal

En modelo de programación lineal en 2 variables resulta ser la forma más

sencilla que puede adoptar un modelo de optimización y generalmente son
utilizados para introducir los conceptos básicos de la investigación de
operaciones y particularmente la programación lineal. Básicamente las
propiedades de un modelo lineal en 2 variables son extendibles a problemas
lineales con un número mayor de variables y en este sentido la resolución
gráfica resulta de gran ayuda para entender estos conceptos.

Ejemplo Resolución Gráfica

Resuelva el siguiente modelo de programación lineal a través de la

resolución gráfica.

En primera instancia se asigna un eje a cada una de las variables de decisión,

por ejemplo, X1 corresponde al eje horizontal y X2 corresponde al eje vertical.
Luego se grafican las restricciones. La primera restricción intercepta el eje X1
en 3 (cuando X2=0) y el eje X2 en 6 (cuando X1=0). Dado que la restricción
es del tipo "<=" ésta determina el área que está bajo la recta que une las
coordenadas (X1, X2) = (3,0) y (X1, X2) = (0,6). En caso de tener dudas
sobre el área que determina cada restricción se recomienda considerar un
punto cualquiera fácil de evaluar en la restricción. Por ejemplo, la coordenada
(X1, X2) = (0,0) al evaluar en la restricción 1 la cumple (2*0+0<=6) y por
tanto esta coordenada será parte del dominio de dicha inecuación. De forma
similar se gráfica la segunda restricción que corta X1 en (28/7,0) y corta X2
en (0,7/2).

La intersección de los dominios que determinan las restricciones del problema

definirán el dominio de soluciones factibles. Este dominio esta en verde en la
imagen a continuación.
Una vez que ha identificado el dominio se debe buscar la solución óptima.
Una propiedad de los problemas de programación lineal es que cuando
admiten solución, ésta se encontrará siempre en un vértice del dominio de
soluciones factibles y en caso muy especiales en la frontera de dicho dominio.
Por tanto, una forma de resolver será enumerando todos los vértices del
dominio y evaluando éstos en la función objetivo. En este caso como el
problema consiste en maximizar el valor de la función objetivo, el vértice que
tenga un valor mayor corresponderá a la solución óptima. En el ejemplo se
disponen de 4 vértices de fácil identificación, sin embargo, esta forma de
resolución claramente queda limitada a problemas de tamaño menor.

Otra forma de resolución es a través de las curvas de nivel de la función

objetivo que corresponden en el ejemplo a rectas paralelas que crecen en la
dirección del gradiente de dicha función. Es decir, si desplazamos la función
objetivo en la dirección del vector (X1, X2) = (120,80) el valor de la función
objetivo crecerá a su mayor tasa.

En consecuencia, para encontrar la solución óptima se desplazan las curvas

de nivel en la dirección del gradiente hasta que se intercepte por última vez
el dominio de puntos factibles. La línea punteada en rojo de la imagen anterior
corresponde a dicha curva de nivel y el último punto donde esta curva
intercepta el dominio corresponde al vértice con
coordenadas (X1,X2)=(20/9,14/9) (Solución Óptima) con Valor
Óptimo V(P)=391,1.
Análisis de Sensibilidad - Interpretación de informes de Sensibilidad

Consideremos:

Los resultados de este modelo de Programación Lineal son los

siguientes: Solución Óptima: X=4, Y=10, Z=36. Valor Óptimo:
V(P)=6.620 como se muestra en la siguiente imagen:

Una vez que se obtiene la solución óptima se puede requerir varios informes,
sin embargo, nos concentraremos en el informe de Sensibilidad. La imagen a
continuación ha sido levemente editada y corresponde a dicho informe. La
columna en amarillo corresponde al coeficiente objetivo sumado al aumento
permisible (Max) y restado a la disminución permisible (Min).
Existe una división en cuanto a los informes: "Celdas cambiantes" (o
variables de decisión) y "Restricciones".

INTERVALO DE VARIACIÓN COEFICIENTES DE LA FUNCIÓN

OBJETIVO: Los números bajo el titulo Coeficiente objetivo corresponden a
los actuales valores de los parámetros en la función objetivo. Por ejemplo,
actualmente el coeficiente que acompaña a X en la función objetivo (de
maximización) es 200. La solución óptima se mantendrá en la medida que
dicho coeficiente varié en el intervalo entre [120,240] y asumiendo que el
resto de los parámetros del modelo permanecen constante. También se
puede llegar a una conclusión similar para el coeficiente que acompaña a Y
en la función objetivo (actualmente 150) y cuyo rango de variación que
conserva la actual solución óptima es [140,180].

PRECIO SOMBRA DE LAS RESTRICCIONES: El precio sombra corresponde

a una tasa de cambio del valor óptimo ante una modificación marginal de un
lado derecho de una restricción. Por ejemplo, el lado derecho de la restricción
1 es 315 y su precio sombra es 8. El intervalo donde este precio sombra es
válido es [275,675] es decir que cualquier variación de dicho lado derecho en
ese intervalo provocará una variación proporcional al precio sombra en
cuanto al valor de la función objetivo. Por ejemplo, si el lado derecho aumenta
de 315 a 415 el nuevo valor óptimo será V(P)=6.620 + (415-315)*8 = 7.420.
Nuevamente se asume que el resto de los parámetros del modelo
permanecen constante. Además, es importante notar que el precio sombra
no necesariamente debe ser un aumento del lado derecho.

Otro aspecto relevante del precio sombra resulta ser su significado

económico. Los lados derechos en el caso de un modelo de maximización
generalmente están asociados a la disponibilidad de recursos escasos, por
ejemplo, para la utilización en un proceso productivo (materiales, horas
hombre, recursos financieros, etc). En este sentido el precio sombra puede
representar una disposición a pagar por unidad adicional de recurso. En el
ejemplo anterior se puede considerar que como máximo se pagará $8 por
cada unidad adicional del recurso (lado derecho) de la primera restricción. Si
el precio del recurso es menor al precio sombra entoces existirá un incentivo
a "comprar" más debido a que esto tendrá un impacto neto positivo en la
función objetivo.

TEMA 4: Método Simplex

El Método Simplex es un algoritmo de resolución para modelos de

Programación Lineal desarrollado por George Dantzig en el año 1947. Como
todo algoritmo cuenta con un proceso iterativo que secuencialmente a través
de pasos o iteraciones va aproximando el valor óptimo del problema lineal en
caso de existir este último.

Para aplicar el Método Simplex a un modelo de Programación Lineal se

requiere que éste último se encuentre en una forma estándar.

Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

Se consideran las siguientes fases:

1. Realizar un cambio de variables y normalizar el signo de

los términos independientes.

Se realiza un cambio en la nomenclatura de las variables.

Estableciéndose la correspondencia siguiente:

 x pasa a ser X1

 y pasa a ser X2

Como los términos independientes de todas las restricciones son

positivos no es necesario hacer nada. En caso contrario habría que
multiplicar por "-1" en ambos lados de la inecuación (teniendo en
cuenta que esta operación también afecta al tipo de restricción).

2. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales según la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial
= + artificial
≤ + holgura
 En este caso se introduce una variable de holgura (X3, X4 y X5)
en cada una de las restricciones del tipo ≤, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:

2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24

3. Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

4. Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los
coeficientes de las variables de decisión del problema original y las de
holgura, exceso y artificiales agregadas en el paso 2 (en las columnas,
siendo P0 el término independiente y el resto de variables Pi coinciden
con Xi), y las restricciones (en las filas). La columna Cb contiene los
coeficientes de las variables que se encuentran en la base.

La primera fila está formada por los coeficientes de la función

objetivo, mientras que la última fila contiene el valor la función objetivo
y los costes reducidos Zj - Cj.

La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m,

donde si j = 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij. Aunque
al tratarse de la primera tabla del método Simplex y ser todos los
Cb nulos se puede simplificar el cálculo, y por esta vez disponer Zj = -
Cj.

Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0

5. Condición de parada.

Si el objetivo es la maximización, cuando en la última fila (fila

indicadora) no existe ningún valor negativo entre los costes reducidos
(columnas P1 en adelante) se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe

posibilidad de mejora. El valor de Z (columna P0) es la solución óptima
del problema.
 Otro caso posible es que en la columna de la variable entrante a la
base todos los valores son negativos o nulos. Esto indica que el
problema no se encuentra acotado y su solución siempre resultará
mejorable. Ante esta situación no es necesario continuar iterando
indefinidamente y también se puede dar por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa.

6. Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para

ello se escoge la columna cuyo valor en la fila Z sea el menor de entre
todos los negativos. En este caso sería la variable X1 (P1) de
coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la

condición anterior (caso de empate), entonces se optará por aquella
variable que sea básica.

La columna de la variable que entra en la base se llama columna

pivote (en color verde).

Una vez obtenida la variable que entra en la base, se procede a

determina cual será la variable que sale de la misma. La decisión se
toma en base a un sencillo cálculo: dividir cada término independiente
(columna P0) entre el elemento correspondiente de la columna pivote,
siempre que ambos elementos sean estrictamente positivos (mayores
que cero). Se escoge la fila cuyo resultado haya resultado mínimo.

Si hubiera algún elemento menor o igual a cero no se realiza dicho

cociente. En caso de que todos los elementos de la columna pivote
fueran de ésta condición se habría cumplido la condición de parada y
el problema tendría una solución no acotada (ver teoría del método
Simplex).

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar

al menor cociente positivo indica la fila de la variable de holgura que
sale de la base. En este caso resulta ser X5 (P5), de coeficiente 3. Esta
fila se llama fila pivote (en color verde).

Si al calcular los cocientes, dos o más resultados cumplen la

condición para elegir el elemento saliente de la base (caso de empate),
se escoge aquella que no sea variable básica (siempre que sea es
posible).

La intersección de la fila pivote y columna pivote marca

el elemento pivote, en este caso el 3.
 7. Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente

manera:

 En la fila del elemento pivote cada nuevo elemento se calcula

como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote /

Pivote

 En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior

Elemento Fila en Columna Pivote * Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1,

mientras que el resto de elementos de la columna pivote se anulan
(análogo al método de Gauss-Jordan).

Se muestran a continuación los cálculos para la fila P4:

Anterior fila P4 42 2 3 0 1 0
- - - - - -
Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

Tabla II . Iteración nº 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1

8.- Al comprobar la condición de parada se observa que no se cumple ya

que entre los elementos de la última fila hay uno negativo, -1. Se continúa
iterando nuevamente los pasos 6 y 7.

 6.1. La variable que entra en la base es X2 (P2), por ser la

variable que corresponde a la columna donde se encuentra el
coeficiente -1.
  6.2. Para calcular la variable que sale, se dividen los términos
de la columna P0 entre los términos correspondientes de la
nueva columna pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 / 1/3
[=24]. Como el menor cociente positivo es 6, la variable que
sale de la base es X3 (P3).

 6.3. El elemento pivote es 1/3.

 7. Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III . Iteración nº 3

3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1

9.-Una nueva comprobación de la condición de parada revela que entre

los elementos de la fila indicadora vuelve a haber uno negativo, -1.
Significa que aun no se ha llegado a la solución óptima y hay que seguir
iterando (pasos 6 y 7):

 6.1. La variable que entra en la base es X5 (P5), por ser la

variable que corresponde al coeficiente -1.

 6.2. Se escoge la variable que sale calculando el cociente entre

los términos de la columna de términos independientes y los
términos correspondientes de la nueva columna pivote: 6/(-2)
[=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4 (P4).

 6.3. El elemento pivote es 4.

 7. Después de actualizar todas las filas, se obtiene la tabla

siguiente:

Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0
10.- Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos

cumpliéndose, por tanto la condición de parada.

La solución óptima viene dada por el valor de Z en la columna de

los términos independientes (P0), en este ejemplo: 33. En la misma
columna se puede ver el punto donde se alcanza, observando las filas
correspondientes a las variables de decisión que han entrado en la
base: X1 = 3 y X2 = 12.

Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.