FACULTAD DE INGENIERÍA

INVESTIGACIÓN DE OPERACIONES 1
5
DOCENTE: Ing. Luis Enrique Soto Chávez, MSc.

FECHA DE ENTREGA: lunes 05 de junio 2023

ESTUDIANTE: Doménica Muñoz PARALELO: IND250

TAREA T1_U1
TEMAS:
1. Introducción a la investigación operativa
1.1. Conceptos, origen y desarrollo histórico de la Investigación de Operaciones
1.2. Modelos y metodología de la Investigación de Operaciones
1.3. Modelo de Programación lineal – Introducción
1.4. Formulación y aplicación de modelos de programación lineal
1.5. Construcción de Modelos de Programación Lineal
1.6. Método Gráfico e Interpretación

Requerimientos para su entrega.

a) Deberá ser desarrollado de manera individual.

b) Debe elaborar un índice de temas y/o subtemas.
c) Colocar las referencias bibliográficas utilizadas para su desarrollo.
d) El trabajo autónomo deberá constar de una cantidad coherente y relevante
de hojas que justifiquen su desarrollo y de todos sus temas solicitados.
e) Sólo se podrá entregar en la plataforma Atrium, y NO en otro destino
electrónico.
 Tabla de contenido
1.1 Conceptos, origen y desarrollo histórico de la Investigación de Operaciones. 3
1.1.1 Concepto 3
1.1.2 Origen 3
1.2 Modelos y metodología de la Investigación de Operaciones 5
1.3 Modelo de Programación lineal – Introducción 6
1.4 Formulación y aplicación de modelos de programación lineal 6
1.5 Construcción de Modelos de Programación Lineal 7
1.6 Método Gráfico e Interpretación 7
1.7 Referencias Bibliográficas 9

2
 1. Introducción a la investigación operativa.
1.1 Conceptos, origen y desarrollo histórico de la Investigación de Operaciones.
1.1.1 Concepto

La investigación operativa es un método analítico de forma avanzada que ayuda a descubrir

una o varias soluciones a los problemas existentes, coopera a tomar buenas decisiones en
las organizaciones. Con el uso de la investigación operativa existe la probabilidad que los
directivos organizacionales puedan crear sistemas eficaces para así poder tener en claro
todas las alternativas posibles y predecir resultados.

La investigación de operaciones se remonta al advenimiento de la Revolución Industrial, y el

problema con esto es que a medida que aumenta la complejidad y la especialización, se
vuelve más difícil para las organizaciones asignar los recursos disponibles a diferentes
actividades de la manera más eficiente.

La Investigación Operativa (IO), también conocida como ciencia de la gestión o ciencia de la

decisión, es un campo multidisciplinar que utiliza métodos analíticos avanzados para tomar
mejores decisiones y optimizar sistemas complejos. Surgió durante la Segunda Guerra
Mundial y desde entonces ha evolucionado hasta convertirse en una disciplina destacada
con aplicaciones en diversos sectores, como la empresa, la ingeniería, la sanidad, la
logística y el transporte

1.1.2 Origen

El origen de la Investigación Operativa se remonta a principios del siglo XX, con el trabajo
pionero de personas como Frederick W. Taylor y Henry Gantt en el campo de la gestión
científica. Se centraron en la mejora de la eficiencia y la productividad en entornos
industriales mediante el análisis sistemático y la optimización de los procesos de trabajo.

Sin embargo, el desarrollo formal de la IO como disciplina tuvo lugar durante la Segunda
Guerra Mundial, cuando las operaciones militares requerían una planificación logística y una
toma de decisiones complejas. Durante la guerra, se reunió un equipo de científicos,
matemáticos e ingenieros para abordar los problemas operativos y de planificación militar.
Este grupo, conocido como la Sección de Investigación Operativa (IO), se creó en el Reino
Unido en 1939 y posteriormente se amplió a Estados Unidos.

La IO y otros grupos similares aplicaron métodos científicos y matemáticos para optimizar

las operaciones militares, como la asignación de recursos, la programación de los
movimientos de tropas y la minimización de riesgos. Emplearon técnicas como la
modelización matemática, el análisis estadístico, los algoritmos de optimización y la

3
 simulación para resolver problemas complejos y proporcionar apoyo a la toma de
decisiones.

Tras la guerra, el éxito de la IO en las aplicaciones militares llevó a su adopción en los

sectores civiles. La disciplina se expandió para abordar una amplia gama de retos a los que
se enfrentan las organizaciones, como la planificación de la producción, la gestión de
inventarios, la optimización de la cadena de suministro, la programación de proyectos, la
planificación del transporte y la asignación de recursos.

En las décadas de 1950 y 1960, el campo de la IO experimentó importantes avances en

términos de teoría, metodologías y aplicaciones. La programación lineal, desarrollada por
George Dantzig, surgió como una potente técnica de optimización para resolver problemas
con relaciones lineales. Otras técnicas matemáticas, como la teoría de colas, la teoría de
inventarios y la teoría de juegos, también encontraron aplicaciones en la IO.

La llegada de los ordenadores en los años 50 y 60 revolucionó el campo de la lógica

operativa. La capacidad de procesar grandes cantidades de datos y realizar cálculos
complejos aceleró el desarrollo y la aplicación de las técnicas de IO. La modelización y la
simulación por ordenador se convirtieron en herramientas esenciales para analizar y
optimizar sistemas complejos.

A lo largo de los años, la IO ha seguido evolucionando e incorporando avances de diversas

disciplinas, como las matemáticas, la estadística, la informática y la economía. El campo se
ha ampliado para incluir áreas como el análisis de decisiones, la gestión de riesgos, el
análisis de datos, el aprendizaje automático y la optimización bajo incertidumbre.

Hoy en día, la IO forma parte integral de la toma de decisiones de gestión tanto en el sector
público como en el privado. Sus aplicaciones abarcan desde la planificación estratégica y la
asignación de recursos hasta la optimización de procesos, la gestión de la cadena de
suministro y la modelización financiera. Los profesionales de la lógica operativa colaboran
con expertos en la materia, partes interesadas y responsables de la toma de decisiones
para desarrollar modelos, analizar datos y proporcionar información práctica para mejorar la
toma de decisiones y el rendimiento del sistema.

4
 1.2 Modelos y metodología de la Investigación de Operaciones

La Investigación de Operaciones (IO) utiliza una amplia gama de modelos y metodologías

para abordar problemas complejos y tomar decisiones informadas. Estas herramientas
analíticas y cuantitativas permiten a los investigadores de operaciones y analistas resolver
problemas, optimizar sistemas y mejorar la toma de decisiones. A continuación, se
presentan algunos de los modelos y metodologías más comunes utilizados en la IO:

Modelos de Programación Lineal: La Programación Lineal es una técnica ampliamente

utilizada en la IO para optimizar problemas de asignación de recursos limitados. Los
modelos de Programación Lineal buscan maximizar o minimizar una función objetivo lineal
sujeta a restricciones lineales. Estos modelos son útiles para problemas de planificación de
la producción, asignación de personal, distribución de recursos, entre otros.

El método Simplex: Se basa en la idea de que la solución óptima se encuentra en uno de

los vértices de la región factible, que es el conjunto de todas las soluciones que satisfacen
las restricciones del problema. El algoritmo comienza en un vértice inicial y se mueve de
vértice en vértice a lo largo de las aristas adyacentes, mejorando gradualmente el valor de
la función objetivo hasta alcanzar la solución óptima.

Modelos de Programación No Lineal: A diferencia de la Programación Lineal, los modelos

de Programación No Lineal permiten funciones objetivo y restricciones no lineales. Estos
modelos son útiles cuando las relaciones entre las variables son no lineales, como en
problemas de optimización de precios o diseño de productos.

Teoría de Colas: La Teoría de Colas se utiliza para analizar y optimizar sistemas de

espera, como líneas de producción, centros de llamadas o sistemas de transporte. Se basa
en modelos matemáticos que describen la llegada y el servicio de los clientes en una cola, y
se utilizan para determinar medidas de rendimiento, como el tiempo promedio de espera y
la utilización del sistema.

5
 1.3 Modelo de Programación lineal – Introducción

El modelo de Programación Lineal es una técnica matemática utilizada para resolver

problemas de optimización en los cuales se busca maximizar o minimizar una función lineal
sujeta a un conjunto de restricciones lineales. Este modelo se utiliza en una amplia gama de
aplicaciones en diferentes campos, como la planificación de la producción, la gestión de
inventarios, la asignación de recursos y la toma de decisiones empresariales.

El modelo de Programación Lineal se compone de varios elementos fundamentales:

Variables de decisión: Son las incógnitas que representan las cantidades que se desean
determinar o asignar. Estas variables representan las decisiones que se deben tomar en el
problema y están sujetas a las restricciones establecidas.

Función objetivo: Es la expresión matemática que se desea maximizar o minimizar. La

función objetivo es lineal, es decir, está compuesta por una combinación lineal de las
variables de decisión. Dependiendo del problema, se busca maximizar o minimizar esta
función para lograr el objetivo deseado.

Restricciones: Son las limitaciones o condiciones que deben cumplirse en el problema.

Estas restricciones también son lineales y se definen como igualdades o desigualdades
lineales en términos de las variables de decisión. Estas restricciones pueden representar
limitaciones de recursos, requerimientos técnicos, restricciones de capacidad, entre otros.

Condición de No Negatividad: Especifica las restricciones adicionales en los valores que

pueden tomar las variables de decisión. Por ejemplo, las variables pueden ser no negativas
o pueden estar sujetas a límites superiores o inferiores.

1.4 Formulación y aplicación de modelos de programación lineal

La formulación y aplicación de modelos de programación lineal se basa en la representación

matemática de un problema de optimización con el objetivo de encontrar la mejor solución
posible. A continuación, se presentan los pasos clave para formular y aplicar modelos de
programación lineal:

Definición del problema: Comienza por identificar claramente el problema que se desea
resolver. Por ejemplo, puede ser la maximización de las ganancias, la minimización de los
costos o la asignación óptima de recursos.

Identificación de variables de decisión: Determina las variables que representarán las

decisiones a tomar en el problema. Estas variables deben ser cuantificables y estar
relacionadas con el objetivo y las restricciones del problema. Asigna nombres y símbolos a
cada variable.

6
 Establecimiento de la función objetivo: Formula la función objetivo que se busca
maximizar o minimizar. La función objetivo debe ser lineal y expresarse en términos de las
variables de decisión. Define los coeficientes de la función objetivo que indican la
importancia relativa de cada variable.

Establecimiento de las restricciones: Identifica y formula las restricciones del problema.

Estas restricciones deben ser lineales y representarse mediante desigualdades o
igualdades en términos de las variables de decisión. Considera las limitaciones de recursos,
las capacidades, las demandas y cualquier otro factor relevante.

Definición del dominio de las variables: Establece los límites o restricciones adicionales
para las variables de decisión. Por ejemplo, algunas variables pueden tener un límite
superior o inferior, o pueden ser no negativas.

1.5 Construcción de Modelos de Programación Lineal

Construcción del modelo de programación lineal: Combina la función objetivo, las

restricciones y el dominio de las variables para formar el modelo matemático completo de
programación lineal. Este modelo debe estar en una forma estándar o canónica, que es una
forma normalizada para los algoritmos de resolución.

Resolución del modelo: Utiliza métodos y algoritmos de programación lineal, como el

método Simplex o el método de punto interior, para resolver el modelo. Estos algoritmos
buscarán la solución óptima mediante iteraciones y ajustes de las variables de decisión.

Interpretación de la solución: Una vez obtenida la solución óptima, interpreta los valores
de las variables de decisión y la función objetivo en términos del problema original. Analiza
la viabilidad y relevancia de la solución en relación con las restricciones y los objetivos del
problema.

Análisis de escenarios: Realiza análisis de sensibilidad para evaluar cómo cambia la

solución óptima ante cambios en los coeficientes de la función objetivo y las restricciones.
También puedes realizar análisis de escenarios para explorar diferentes situaciones y
evaluar el impacto en la solución.

Implementación: Implementa la solución óptima en la práctica y realiza un seguimiento

para evaluar su desempeño real. Si es necesario, ajusta y actualiza el modelo en función de
nuevas circunstancias y cambios en el problema.

1.6 Método Gráfico e Interpretación

El método gráfico es una técnica utilizada en la programación lineal para resolver problemas
de optimización con dos variables de decisión. Este método proporciona una representación

7
 visual de la región factible y permite identificar la solución óptima mediante la inspección
gráfica.

A continuación, se muestra una guía paso a paso para utilizar el método gráfico e interpretar
los resultados:

Formulación del problema: Escribe la función objetivo y las restricciones en términos de

las variables de decisión. Asegúrate de que todas las expresiones sean lineales.

Graficar las restricciones: Para cada restricción, dibuja la línea correspondiente en un

sistema de coordenadas bidimensional, considerando las variables de decisión. Utiliza una
línea sólida para las restricciones de igualdad y una línea punteada para las restricciones de
desigualdad.

Identificar la región factible: La región factible es la intersección de todas las

restricciones. Esta región está limitada por las líneas de las restricciones y puede ser un
área cerrada o un semiplano. Si adentro de la región factible satisface todas las
restricciones del problema.

Determinar la solución óptima: Una vez que se ha identificado la región factible,

encuentra la solución óptima. Esto se logra inspeccionando visualmente las líneas de nivel
de la función objetivo. Si se busca maximizar la función objetivo, la solución óptima estará
en el punto de la región factible donde la línea de nivel es más alta. Si se busca minimizar la
función objetivo, la solución óptima estará en el punto de la región factible donde la línea de
nivel es más baja.

Interpretar los resultados: Una vez identificada la solución óptima, interpreta los valores
de las variables de decisión y el valor óptimo de la función objetivo. Estos valores
representan la asignación óptima que satisface las restricciones y maximiza o minimiza la
función objetivo. Asegúrate de que la solución esté dentro de los límites establecidos por las
restricciones y de que tenga sentido en el contexto del problema.

8
 Bibliografía
calameo. (s.f.). Obtenido de https://www.calameo.com/books/00316133559abf11e1ae3
Gestion de Operaciones. (s.f.). Obtenido de
https://www.gestiondeoperaciones.net/programacion_lineal/historia-de-la-
investigacion-de-operaciones/
Ingeneria Industrial. (s.f.). Obtenido de
https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/metodo-
grafico/
QUESTION PRO. (s.f.). Obtenido de https://www.questionpro.com/blog/es/investigacion-
operativa/: https://www.questionpro.com/blog/es/investigacion-operativa/
questionpro. (s.f.). Obtenido de https://www.questionpro.com/blog/es/programacion-lineal/
QUESTIONPRO. (s.f.). Obtenido de https://www.questionpro.com/blog/es/programacion-
lineal/
STUDOCU. (s.f.). Obtenido de https://www.studocu.com/pe/document/universidad-andina-
nestor-caceres-velasquez/ing-de-metodos/autoevaluacion-investigacion-operativa/
28606212