UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

FACULTAD DE INGENIERÍA INDUSTRIAL

LICENCIATURA EN LOGÍSTICA Y TRANSPORTE MULTIMODAL

INVESTIGACION DE OPERACIONES I

INVESTIGACIÓN

Integrantes:

Sunemy Barba 8-993-1447

Yeanelis Ubarte 8-990-2239

Nombre del Profesor (a):

Alberto Alonzo

Grupo:

12L231

I Semestre 2023
 1. ¿Qué es la investigación de operaciones?

La investigación de operaciones es una rama de las matemáticas aplicadas y la

ciencia de la administración que se enfoca en la toma de decisiones óptimas en
situaciones complejas de negocio y producción utilizando métodos cuantitativos.
Esta disciplina utiliza modelos matemáticos, estadísticos y de simulación para
resolver problemas en áreas como la logística, la cadena de suministro, la
planificación de producción, la gestión de inventarios y la asignación de recursos.

La investigación de operaciones combina la teoría, la práctica y el análisis de

datos para brindar soluciones objetivas y factibles a los problemas empresariales.
Es utilizada por compañías de todos los tamaños y en diferentes sectores,
incluyendo finanzas, transporte, tecnología, salud y energía.

Algunas de las aplicaciones más comunes de la investigación de operaciones

incluyen:

- Optimizar el uso de recursos y minimizar costos.

- Reducir los tiempos de espera y mejorar la eficiencia.
- Planificar y programar la producción.
- Mejorar el servicio al cliente y la satisfacción.
- Controlar la calidad y la productividad.
- Gestionar riesgos y tomar decisiones estratégicas.

La investigación de operaciones puede ser aplicada de manera complementaria a

otros enfoques como el análisis de Big Data, la inteligencia artificial y la gestión de
proyectos.

2. ¿Qué es la programación lineal?

La programación lineal es una técnica matemática utilizada para optimizar la

asignación de recursos limitados en un proceso productivo o empresarial. Se basa
en la formulación de ecuaciones y desigualdades lineales para representar las
restricciones y objetivos del problema a resolver, y en la búsqueda de la
combinación óptima de variables que maximice o minimice una función objetivo
lineal.

Esta técnica es ampliamente utilizada en la planificación de la producción, la

gestión de recursos, la logística y la toma de decisiones empresariales. Permite
analizar y comparar diferentes escenarios y encontrar la solución óptima,
considerando variables como costos, ingresos, tiempos y capacidades.

La programación lineal ha evolucionado en nuevas técnicas como la programación

entera y la programación no lineal, y se ha extendido a áreas como la ingeniería,
la economía, la estadística y la informática.

3. Defina: función objetivo, variables de decisión, restricciones, restricciones

de no negatividad, valor de la función objetivo, restricciones funcionales (o
restricciones estructurales), parámetros del modelo, solución del modelo,
solución factible, solución no factible, solución óptima, región factible, línea
de frontera de restricción,
- Función objetivo: Es una expresión matemática que se utiliza en la
programación lineal para representar el objetivo o meta que se quiere
alcanzar. Por lo general, está asociada a una variable que se debe
maximizar o minimizar, y se expresa en términos de las variables de
decisión.
- Variables de decisión: Las variables de decisión son los parámetros que se
utilizan para la resolución de un problema de optimización, y que
representan las decisiones que se deben tomar. Pueden ser continuas o
enteras, y se deben especificar en la función objetivo y en las restricciones
del modelo.
- Restricciones: Las restricciones son las limitaciones que se deben tener en
cuenta en el modelo de programación lineal, y que se expresan a través de
ecuaciones o desigualdades lineales. Estas restricciones pueden estar
relacionadas con la cantidad de recursos disponibles, la capacidad de
producción, la demanda, entre otros factores.
- Restricciones de no negatividad: Son restricciones que se establecen en la
programación lineal para garantizar que las variables de decisión no
puedan tomar valores negativos. Esto asegura que las soluciones sean
realistas y factibles.
- Valor de la función objetivo: El valor de la función objetivo es el resultado de
la evaluación de la función objetivo para una solución particular. Para la
resolución de un problema de programación lineal, se busca maximizar o
minimizar el valor de la función objetivo.
- Restricciones funcionales (o restricciones estructurales): Las restricciones
funcionales o estructurales se utilizan en la programación lineal para
representar relaciones funcionales entre las variables de decisión. En
general, estas restricciones son de la forma AxB = C.
- Parámetros del modelo: Son los valores que se utilizan en la formulación
del modelo de programación lineal, y que representan las constantes que
aparecen en la función objetivo y las restricciones del problema.
- Solución del modelo: Es el conjunto de valores que se asignan a las
variables de decisión para obtener una solución que cumpla con las
restricciones y maximice o minimice el valor de la función objetivo.
- Solución factible: Es aquella solución que satisface todas las restricciones
del modelo.
- Solución no factible: Es aquella solución que no satisface alguna o todas las
restricciones del modelo, por lo que no es una solución válida.
- Solución óptima: Es la solución factible que maximiza o minimiza el valor de
la función objetivo.
- Región factible: Es el conjunto de valores de las variables de decisión que
cumplen con todas las restricciones del modelo.
- Línea de frontera de restricción: Es el límite de la región factible y se define
por la igualdad de una restricción específica.
4. ¿Qué es el método simplex?
El método simplex es un algoritmo utilizado en la programación lineal para
encontrar la solución óptima de un modelo matemático. Este método se basa en la
construcción de una tabla denominada tabla simplex, en la que se representan
todas las variables de decisión y las restricciones del modelo de programación
lineal.

El algoritmo del método simplex consiste en iteraciones sucesivas para mejorar la

solución actual. En cada iteración, se selecciona la variable de entrada (aquella
que aumentará el valor de la función objetivo), se determina la variable de salida
(aquella que se hará cero en la siguiente iteración) y se calculan los nuevos
valores para las demás variables de decisión. El proceso continúa hasta que se
encuentra la solución óptima.

El método simplex es ampliamente utilizado en la industria y el comercio para

resolver problemas de optimización en la planificación de la producción, la gestión
de inventarios, la asignación de recursos y la toma de decisiones empresariales.

5. Describa el método simplex paso a paso. Considere los casos de

optimización por maximización y por minimización de la función objetivo.
También considere cuando los signos de relación de las restricciones son
menor o igual a (<=), igual (=) o mayor o igual a (>=).

El método simplex es un algoritmo utilizado para resolver problemas de

programación lineal. A continuación, se describen los pasos para su
implementación:

I. Formulación del problema: Se debe escribir la función objetivo y las

restricciones en forma estándar, es decir, maximizando o minimizando la
función objetivo sujeta a las restricciones lineales.
II. Identificación de variables básicas: Se identifican las variables básicas, es
decir, aquellas que tienen un valor mayor o igual a cero en la solución
óptima.
III. Tabla inicial: Se construye la tabla simplex con las variables básicas y no
básicas. La fila superior corresponde a los coeficientes de las variables no
 básicas en la función objetivo y las columnas de la izquierda corresponden
a las variables básicas con sus coeficientes en las restricciones.
IV. Cálculo de las variables básicas: A partir de la tabla simplex se calculan las
variables básicas haciendo uso de las restricciones. Para ello se resuelve el
sistema de ecuaciones que corresponde a las restricciones utilizando las
variables no básicas como incógnitas.
V. Cálculo de los coeficientes reducidos: Se calculan los coeficientes
reducidos de la tabla simplex, que son los coeficientes de la función objetivo
para las variables no básicas.
VI. Elección de la variable de entrada: Se elige la variable de entrada, es decir,
aquella variable no básica con un coeficiente reducido más negativo en el
caso de maximización o más positivo en el caso de minimización.
VII. Cálculo de los cocientes: Se calculan los cocientes entre el término
independiente de cada restricción y el coeficiente correspondiente de la
variable de entrada. Se elige el cociente más pequeño para determinar la
variable de salida, es decir, la variable básica que dejará de serlo.
VIII. Cambio de variables básicas y no básicas: Se cambian las variables
básicas y no básicas en la tabla simplex en función de la variable de
entrada y la variable de salida.
IX. Repetición del proceso: Se repiten los pasos 4 a 8 hasta que se obtenga
una solución óptima.
X. Interpretación de la solución: Se interpreta la solución obtenida en términos
de las variables del problema.

En el caso de maximización, se debe seguir el proceso anteriormente descrito. Si

se desea minimizar la función objetivo, se deben multiplicar todos los coeficientes
de la función objetivo y las restricciones por -1. También cabe mencionar que
cuando las restricciones tienen el signo de menor o igual que (<=), las variables de
holgura se añaden como variables no básicas en la tabla inicial; cuando el signo
es igual (=), se integra la restricción directamente en la tabla; y si el signo es
mayor o igual que (>=), se utilizan variables de exceso como variables no básicas.
 6. Describa, a través de un ejemplo, un modelo de dos variables de decisión
con soluciones múltiples.

Un ejemplo de un modelo de dos variables de decisión con soluciones múltiples es

el siguiente:

Supongamos que una empresa de granos quiere maximizar sus ganancias

mediante la mezcla de dos tipos de granos: trigo y maíz. La empresa tiene una
limitación en la cantidad total de granos que puede adquirir y también tiene una
limitación en la cantidad de proteínas que puede tener la mezcla. Los datos son
los siguientes:

 El trigo cuesta $2 por libra y tiene 12 gramos de proteínas por libra.

 El maíz cuesta $1 por libra y tiene 8 gramos de proteínas por libra.
 La empresa tiene un presupuesto de $100 para adquirir granos.
 La mezcla de trigo y maíz debe tener al menos 10 gramos de proteínas por
libra.

Sea x el número de libras de trigo y y el número de libras de maíz a adquirir,

entonces el modelo de programación lineal es el siguiente:

Maximizar Z = 2x + y

Sujeto a:

- x + y ≤ 100 (limitación presupuestaria)

- 12x + 8y ≥ 10(x+y) (limitación de proteínas)
Al resolverlo se obtiene que hay múltiples soluciones óptimas, es decir, diferentes
combinaciones de x e y que maximizan Z. Al analizar las restricciones, se puede
ver que cualquier combinación de x y y que cumpla con ambas limitaciones es una
solución óptima. Por ejemplo, si fijamos x en 50 libras, podemos obtener diferentes
valores de y que cumplan ambas limitaciones y maximicen Z. Algunas posibles
soluciones óptimas son:

- x = 50 libras, y = 50 libras, Z = $150

- x = 50 libras, y = 30 libras, Z = $130
- x = 50 libras, y = 70 libras, Z = $170

Es decir, la empresa tiene diferentes opciones para maximizar sus ganancias

mediante la mezcla de trigo y maíz.

7. Describa, a través de un ejemplo, un modelo de dos variables de decisión

con soluciones no acotada.

Un ejemplo de un modelo de dos variables de decisión con soluciones no

acotadas es el siguiente:

Supongamos que una empresa tiene dos productos: A y B. La empresa puede

producir hasta un máximo de 600 unidades de A por día y 800 unidades de B
por día. La empresa quiere maximizar sus ganancias, pero el precio de venta de
B es desconocido y variable, y solo se sabe que es al menos de $5 por unidad.
La variable de decisión x representa la cantidad de unidades de A que se
producen y la variable de decisión y representa la cantidad de unidades de B
que se venden.

Sea P el precio de venta de B, entonces el modelo de programación lineal es el

siguiente:

Maximizar Z = 10x + Py

Sujeto a:

- x ≤ 600 (limitación de producción de A)

- y ≤ 800 (limitación de producción de B)

- y ≥ 0 (no se puede vender una cantidad negativa de B)

Se encuentra que la solución óptima no está acotada si el precio P de venta de B
es igual o mayor que $10. Es decir, para cualquier valor de x que satisfaga la
limitación de producción de A, se puede encontrar un valor de y que aumente Z
arbitrariamente grande.

Por ejemplo, si fijamos x en 500 unidades de A, entonces podemos calcular

diferentes valores de y que cumplen con las limitaciones:

- P = $5, y = 800 unidades de B, Z = $5000 + $5*800 = $9000

- P = $10, y = 5000 unidades de B, Z = $5000 + $10*5000 = $55000
- P = $20, y = 10000 unidades de B, Z = $5000 + $20*10000 = $205000

En este caso, como el precio de venta de B es desconocido y variable, se puede

decir que la solución óptima no está acotada si P es igual o mayor que $10.

8. Describa, a través de un ejemplo, un modelo de dos variables de decisión

con soluciones no factible.

Un ejemplo de un modelo de dos variables de decisión con soluciones no factibles

es el siguiente:

Supongamos que una empresa de servicio de envío ofrece dos tipos de envíos,
terrestre y aéreo. La empresa quiere maximizar sus ingresos diarios por ventas
de los envíos, pero tiene ciertas restricciones. Los datos son los siguientes:

 El envío terrestre cuesta $10 y el envío aéreo cuesta $20.

 La empresa tiene una flota disponible de 50 camiones terrestres y 20
aviones para realizar envíos.
 La entrega de los envíos terrestres tarda 2 días y la de los envíos aéreos
tarda 1 día.
 La empresa tiene como objetivo cumplir un mínimo de 200 entregas por día.

Sea x el número de envíos terrestres y y el número de envíos aéreos a realizar,

entonces el modelo de programación lineal es el siguiente:

Maximizar Z = 10x + 20y

Sujeto a:

- x + y ≥ 200 (mínimo de entregas)

- 2x ≤ 50 (limitación de camiones terrestres)
- y ≤ 20 (limitación de aviones)
Se encuentra que no existe solución factible. Esto ocurre porque la limitación de
mínimo de entregas (x + y ≥ 200) es incompatible con el resto de las restricciones.
En particular, las otras restricciones restringen la cantidad total de envíos a un
máximo de 50+20=70 envíos en total, lo que es insuficiente para cumplir con el
mínimo de 200 envíos por día.

Por lo tanto, el modelo es inconsistente y no tiene solución factible. En este caso,

la empresa tendría que revisar sus restricciones y objetivos para poder encontrar
una solución viable para aumentar sus ingresos diarios a través de los envíos,
como por ejemplo, adquirir más camiones terrestres o aviones.

9. Describa, a través de un ejemplo, un modelo de dos variables de decisión

con soluciones degradada.

Un ejemplo de un modelo de dos variables de decisión con soluciones degradadas

es el siguiente:

Supongamos que una empresa quiere producir dos productos: A y B. La empresa

tiene una limitación en la cantidad total de materias primas disponibles, pero
también quiere minimizar los costos de producción. Los datos son los siguientes:

 La producción de una unidad de A requiere 4 unidades de materia prima 1 y

2 unidades de materia prima 2.
 La producción de una unidad de B requiere 2 unidades de materia prima 1 y
3 unidades de materia prima 2.
 La empresa tiene disponible un total de 120 unidades de materia prima 1 y
90 unidades de materia prima 2.
 El costo de producción de una unidad de A es de $10 y el costo de
producción de una unidad de B es de $15.

Sea x el número de unidades de A a producir y y el número de unidades de B a

producir, entonces el modelo de programación lineal es el siguiente:

Minimizar Z = 10x + 15y

Sujeto a:
- 4x + 2y ≤ 120 (limitación de materia prima 1)
- 2x + 3y ≤ 90 (limitación de materia prima 2)
Se encuentra que la solución óptima es x = 15 unidades de A y y = 30 unidades de
B, con un costo total de producción de $600. Sin embargo, si se aumenta
ligeramente la cantidad de materia prima 1 disponible, por ejemplo, a 121
unidades, la solución óptima cambia a x = 15.5 unidades de A y y = 29.25
unidades de B, con un costo total de producción de $597.75.

Esto significa que la solución óptima es degradada, es decir, una pequeña

modificación en los datos del problema (en este caso, una unidad adicional de
materia prima 1 disponible) resulta en una mejora significativa (una reducción del
costo total de producción de $2.25). Esto sugiere que la planificación de la
producción podría ser más sensible a la disponibilidad de materias primas de lo
que se pensaba originalmente.

10. Seleccione uno de los 10 casos de estudio compartidos en la carpeta del

curso, para presentar en clases.