MONOGRAFIA Parte 1 y 2

UNIVERSIDAD TECNOLÓGICA DE TECAMACHALCO
Organismo Público Descentralizado del Gobierno del Estado de

Puebla.
______________________________________________
INGENIERIA INDUSTRIAL
MATERIA:
INVESTIGACIÓN DE OPERACIONES
UNIDAD I:
INTTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES
ALUMNO:
EDGAR HUERTA NICANOR
GRADO Y GRUPO:
9° C
DOCENTE:
ING. JOSÉ MIGUEL TELLEZ ZEPEDA
TECAMACHALCO DE GUERRERO DE PUEBLA, 20 DE MAYO DE 2022

INVESTIGACION DE OPERACIONES
INDICE
Introducción ...................................................................................................... 4
CAPITULO I ...................................................................................................... 5
1. ¿Qué es Investigación de operaciones? .................................................... 6
2. La Evolución Histórica de la Investigación de Operaciones ....................... 8
3. Clasificación de los problemas de la Investigación de operaciones.......... 11
Programación lineal ..................................................................................... 12
Programación entera ................................................................................... 13
Programación dinámica ............................................................................... 13
Programación no lineal ................................................................................ 13
4. Metodología o Fases de Estudio de la Investigación de operaciones....... 15
CAPITULO II ................................................................................................... 17
5. Definición y tipos de modelo de investigación de operaciones. ................ 18
5.1. Programación lineal ........................................................................... 18
5.1.1. Método símplex ........................................................................... 18
5.1.2. Método de Dualidad y análisis de sensibilidad ............................. 19
5.1.3. Sensibilidad ................................................................................. 19
5.2. Modelos de utilización no lineal .......................................................... 20
5.3. Problemas de transporte y asignación ............................................... 22
5.4. Programación entera .......................................................................... 22
5.5. Programación dinámica...................................................................... 23
5.6. Modelos de Problemas de Redes ...................................................... 24
5.7. Modelos de programación Multi-criterio.............................................. 24
5.8. Modelos de Inventarios. ........................................................................ 25
5.8.1 Modelos de procesos Estocásticos ................................................. 25

5.9. Modelos de Teoría de Colas .............................................................. 26
5.10. Modelos de Simulación ................................................................... 27
6. Principales aplicaciones ........................................................................... 28
7. Introducción a la programación lineal ....................................................... 30
Conclusiones .................................................................................................. 33
Referencias ..................................................................................................... 34
Bibliografía ...................................................................................................... 35
Ilustración 1-1: características de la investigación de operaciones.................... 6
Ilustración 2-1: primeros 50 años de la investigación de operaciones ............... 8
Ilustración 2-2: línea del tiempo ...................................................................... 10
Ilustración 4-1: Tipos de modelos.................................................................... 16
Ilustración 5-1: Formulación pata la programación Multi-criterio ...................... 25
Ilustración 5-2: Modelo de Teoría de colas ...................................................... 26
Ilustración 7-1: Mapa conceptual sobre la programación lineal ....................... 32
Tabla 1: clasificación de modelos.................................................................... 12
Tabla 2: Mapa conceptual ............................................................................... 14
Tabla 3: comparativa entre problema primal y problema dual ......................... 19
Tabla 4: tipos de modelos no lineales ............................................................. 20
Tabla 5: Principales aplicaciones .................................................................... 28

Introducción
Dentro del siguiente apartado se dará a conocer que es la investigación de

operaciones, así como sus usos y aplicaciones así como también su origen y
comienzo de sus aplicaciones, la cual nace durante la Segunda Guerra Mundial
como una herramienta para la toma de decisiones acerca de la mejor utilización
del material de guerra. Posteriormente, su aplicación fue extendiéndose a áreas
como la ingeniería civil y la agricultura, dando gran importancia a la utilización de
modelos matemáticos para la identificación de las mejores alternativas de
decisión. En la actualidad, la aplicación de la IO es de gran importancia para
organizaciones, sistemas económicos, educacionales, entre otros.
Esta herramienta centra su atención en simular matemáticamente un sistema,

intentando incorporar restricciones que permitan garantizar una solución óptima
con un gran ajuste a la realidad. En este contexto, la IO se puede definir como la
aplicación, por grupos interdisciplinarios, del método científico a problemas
relacionados con el control de los sistemas (empresariales, económicos,
etcétera), generando alternativas para ser evaluadas y eligiendo la más
conveniente
CAPITULO I
1. ¿Qué es Investigación de operaciones?
Debemos de entender a La investigación de operaciones como una rama de las

matemáticas que se vale de modelos, análisis estadístico y algoritmos para
tomar decisiones operativas.
Según (Figueroa R.) con una explicación general sobre los orígenes y
aplicaciones de la investigación de operaciones (IO) con el propósito de
proporcionar una definición adecuada. Posteriormente, se describe la diferencia
que hay entre un sistema y un modelo. (Figueroa, 2017).
Después Se puntualiza por medio de ejemplos la distinción entre un modelo

determinístico y un Modelo estocástico, siendo ambos simbólicos. Se hace
referencia a las siete fases que permiten con mayor facilidad modelar un sistema,
los cuales son:
 Observaciones aplicadas al sistema.

 Definición del problema.
 Formulación del modelo.
 Solución del modelo.
 Validación del modelo.
 Modificación del modelo.
 La implementación del modelo.
Ilustración 1-1: características de la investigación de operaciones

Se explican conceptos que son componentes importantes en la estructura

matemática de un modelo, como son:
 Datos.
 Variables de decisión.
 Parámetros.
 Restricciones.
 Función objetivo.
 Medidas de desempeño.
La investigación de operaciones (IO) es la disciplina que enfrenta un problema

Concreto, lo divide en pequeñas partes, lo cual facilita el análisis de cada una de
ellas, para obtener un problema abstracto o, mejor aún, un modelo, todo ello
mediante una investigación del sistema donde ocurre el problema, con el fin de
ofrecer acciones o alternativas de solución.
2. La Evolución Histórica de la Investigación de Operaciones
Los primeros esfuerzos por estructurar esta disciplina se realizaron durante la

Segunda Guerra Mundial en Gran Bretaña, donde la administración militar
convocó a un grupo de científicos de distintas áreas del conocimiento para que
estudiaran y ofrecieran soluciones viables a problemas tácticos y estratégicos
asociados con la defensa del país.
Aparentemente, la investigación de operaciones (IO) fue bautizada así debido a

que el equipo realizaba una investigación de operaciones militares.
Un grupo importante de administradores militares de Estados Unidos inició

algunas investigaciones similares, motivados por los resultados alentadores que
obtuvieron los equipos británicos. Para llevarlas a cabo, reunieron a varios
especialistas, quienes lograron resultados tan sorprendentes que obligaron a
concentrar la atención en este nuevo enfoque científico. En sus estudios se
incluyeron problemas logísticos complejos, tales como la planeación de minas
en el mar y la eficaz utilización de equipo electrónico.
Ilustración 2-1: primeros 50 años de la investigación de operaciones

Al término de la guerra y atraídos por los éxitos que consiguieron los estrategas
militares, algunos administradores industriales comenzaron a aplicar esta
herramienta para resolver los problemas que originaban el tamaño y la
complejidad de las industrias.
En un principio se acreditó a Gran Bretaña el mérito de haber utilizado la IO como

una nueva disciplina, pero Estados Unidos tomó pronto el liderazgo en este
campo creciente. La primera técnica matemática ampliamente aceptada en el
medio fue el método símplex de programación lineal, desarrollado en 1947 por
el matemático estadounidense George B. Dantzig. Desde entonces, se han
incorporado nuevas técnicas y otras se han perfeccionado gracias al esfuerzo y
cooperación de expertos interesados tanto en el área académica como en la
industrial.
En el progreso impresionante de la investigación de operaciones fue

determinante el desarrollo de la computadora digital, que con sus enormes
capacidades de velocidad de cómputo, almacenamiento y recuperación de
información, permitió a los tomadores de decisiones actuar con rapidez y
precisión. De no haber sido por la computadora digital, esta disciplina que
plantea grandes problemas de computación no hubiera crecido hasta el nivel en
el que se encuentra hoy en día.
En la actualidad, la IO se aplica a distintas actividades, que trascienden los

ámbitos militares e industriales, para incluir actividades tales como la salud
pública, instituciones financieras, bibliotecas, planeación urbana, sistemas de
transporte y sistemas de comercialización.3
Cabe mencionar que la IO ha sido un factor de primera importancia en el

mejoramiento de la eficiencia de numerosas organizaciones alrededor del
mundo, y su aplicación ha contribuido en gran medida al incremento de la
productividad de la economía de algunos países.
Ilustración 2-2: línea del tiempo

3. Clasificación de los problemas de la Investigación de

operaciones.
El álgebra es una ciencia cuyo objetivo es simplificar y generalizar las cuestiones

relativas a los números por medio de la utilización de letras llamadas literales.
Un problema algebraico es toda cuestión en la que se tiene que hallar una o más
cantidades desconocidas llamadas incógnitas, relacionadas con otras
cantidades conocidas denominados datos.
Modelos físicos o icónicos: Permiten materializar las propiedades físicas del

objeto.
Modelos análogos: Utilizan un medio diferente para representar físicamente las

propiedades reales de un objeto.
Modelos simbólicos: Utilizan datos, parámetros y restricciones sujetas a un

objetivo que se desea alcanzar.
En general, estos tres tipos de modelos tienen algo en común: Representan una
abstracción cuidadosamente seleccionada de la realidad de un sistema Desde
el punto de vista de la OI, los modelos simbólicos se dividen en dos tipos:
determinísticos y estocásticos:
Modelos determinísticos: Nombrados así, debido a que se conocen con

certeza todos los datos necesarios para obtener una solución óptima, lo que
asegura relativamente la incertidumbre con respecto a las variables
involucradas. Un ejemplo de modelo determinístico es la asignación de la
tripulación de una aerolínea para cada uno de los vuelos del mes próximo
conociendo los horarios de vuelo, el personal disponible, las restricciones legales
sobre horas de trabajo.
Modelos estocásticos: Llamados así, debido a que no se conocen con certeza

todos los datos necesarios para obtener una solución óptima, lo cual ocasiona
que las variables involucradas se comporten relativamente de manera aleatoria.
Estos problemas son denominados también modelos Probabilísticos.
Tabla 1: clasificación de modelos
Programación lineal
Para (G.D. Penn) Existen técnicas de búsqueda muy eficientes para optimizar
los modelos lineales restringidos. Por razones históricas, a los modelos lineales
restringidos se les llama programas lineales PL (o LP, por las siglas en inglés de
Linear Program). No obstante, la flexibilidad de las hojas de cálculo electrónicas
exige que se preste atención a la representación del modelo de PL en ellas, antes
de poder proceder con los detalles del proceso de optimización propiamente
dicho. Nuestras metas en el presente capítulo son desarrollar algunas técnicas
para la formulación de modelos de PL; recomendar algunas reglas para la
expresión de modelos de PL en una hoja de cálculo electrónica que facilitan la
aplicación de, el paquete de optimización que ha sido incorporado a Excel (y
también a varios otros paquetes de hojas de cálculo); y usar para optimizar los
modelos de PL en hojas de cálculo de un modo mucho más eficaz que la
búsqueda exhaustiva. (PENN, 2015).
Programación entera
Los modelos de programación entera son una extensión de los modelos lineales
en los que algunas variables toman valores enteros. Con frecuencia las variables
enteras solo toman valores en 0-1, ya que este tipo de variables permiten
representar condiciones lógicas. Este tipo de modelos permite representar
sistemas mucho más complejos. A cambio, la resolución de los mismos se
complica excesivamente. No se puede utilizar la suavidad de las funciones para
inferir el comportamiento de las mismas cerca del ´optimo. Problemas con unas
solas decenas de variables pueden ser casi imposibles de resolver.
Programación dinámica
EPPEN, G. D. explica la programación dinámica como todos los esfuerzos de

modelado cuantitativo requieren una intensa interacción y comunicación entre
quien construye el modelo y el usuario final. Esto es particularmente cierto en los
proyectos de simulación. El usuario final debe comprender cómo introducir
decisiones y parámetros y cómo analizar el resultado. El conocimiento de
primera mano por parte del usuario es fundamental para asegurar que la
simulación capture la esencia del problema real. Asimismo, el hecho de que el
usuario tenga un conocimiento personal del problema real puede ser un factor
importante en la búsqueda de una buena solución. Una buena documentación y
las dinámicas de grupo están íntimamente relacionadas y son parte importante
de la administración de cualquier proyecto basado en el modelado y el análisis
cuantitativos. (EPPEN, 2000)
Programación no lineal
Un modelo de programación matemática en el cual por lo menos una de las

funciones de restricción o la función objetivo, o ambas, son no lineales
Tabla 2: Mapa conceptual

4. Metodología o Fases de Estudio de la Investigación de

operaciones
4.1. La primera fase es tradicional al método científico, la

observación:
La observación se usa para identificar hechos y síntomas relativos a un sistema,

puede hacerse con una ojeada casual o con un examen concentrado, detallado
y prolongado que se base en los requerimientos del problema que se estudia. El
administrador capacitado debe ser muy sensible a la presencia de
contratiempos, pero debe cerciorarse de que se identifique el principal y no sólo
uno de sus síntomas.
4.2. La segunda fase consiste en definir el problema:
Es una función que todo el equipo de OI debe realizar, el cual implica estudiar,
definir e identificar la principal causa del problema:
a) La descripción de alternativas de decisión.
b) La determinación del objetivo del estudio.
c) La especificación de las limitaciones bajo las cuales funciona el sistema.
4.3. La tercera fase consiste en formular el modelo:
Se debe seleccionar o aislar del sistema aquellos aspectos de la realidad que

sean relevantes dentro del ámbito del problema, estableciendo los objetivos que
se desean alcanzar y las restricciones bajo las cuales se encuentra sujeto el
sistema modelado.
4.4. La cuarta fase consiste en solucionar el modelo:

Implica encontrar los valores de las variables dependientes asociadas a los

componentes controlables del sistema; es decir, obtener el objetivo que se desea
alcanzar, las restricciones bajo las cuales se encuentre sujeto el problema y los
cambios de incertidumbre que existen en sus respectivos parámetros; a esto se
le conoce como Análisis de Sensibilidad y es muy necesario cuando los
principios del sistema no pueden estimarse con exactitud.
4.5. La quinta fase consiste en validar el modelo:
Un modelo es válido cuando proporciona una predicción confi able del

funcionamiento del sistema. Para comprobar la efi ciencia de este modelo es
necesario comparar las variables exógenas del actual con respecto a uno pasado
en una situación similar.
La sexta fase consiste en modificar el modelo:
En el caso de que no suceda lo ya indicado, es necesario modificar el modelo.

Lo cual implica que deberá iniciar nuevamente el proceso revisando cada una de
las fases anteriores de la metodología de la OI
En la última y séptima fase se lleva a cabo la implementación del modelo:
Esto implica verificar los resultados obtenidos y analizarlos mediante la

experimentación. Esta etapa es crítica, porque sólo aquí es donde se cosecharán
los beneficios del estudio, los cuales son respaldados por la toma de decisiones
al mundo real.
Ilustración 4-1: Tipos de modelos

CAPITULO II
5. Definición y tipos de modelo de investigación de

operaciones.
5.1. Programación lineal
El desarrollo de la programación lineal ha sido clasificado como uno de los

avances científicos más importantes de mediados del siglo xx, y estamos de
acuerdo con esta aseveración. Su efecto desde 1950 ha sido extraordinario. En
la actualidad es una herramienta de uso normal que ha ahorrado miles o millones
de dólares a muchas compañías o negocios, incluso empresas medianas, en los
distintos países industrializados del mundo; su aplicación a otros sectores de la
sociedad se ha ampliado con rapidez. Una proporción muy grande de los
programas científicos en computadoras está dedicada al uso de la programación
lineal. Se han escrito docenas de libros de texto sobre esta materia y se cuentan
por cientos los artículos publicados que describen aplicaciones importantes.
La programación lineal utiliza un modelo matemático para describir el problema.

El adjetivo lineal significa que todas las funciones matemáticas del modelo deben
ser funciones lineales. En este caso, la palabra programación no se refiere aquí
a términos computacionales; en esencia es sinónimo de planeación. (Hillier,
2003).
5.1.1. Método símplex
El método símplex es un procedimiento algebraico. Sin embargo, sus conceptos

fundamentales son geométricos. La comprensión de estos conceptos
geométricos proporciona una fuerte intuición sobre la forma en que opera el
método símplex y las razones de su elevada eficiencia. Por lo tanto, antes de
profundizar en los detalles algebraicos, se dedicará esta sección a enfocar el
método desde un punto de vista geométrico.
Se ha comprobado su extraordinaria eficiencia, y se usa en forma rutinaria para

resolver problemas grandes en las computadoras de hoy en día. Excepto en el
caso de problemas muy pequeños, se ejecuta siempre en una computadora y

existe una amplia variedad de paquetes complejos de software para ello. (Bixby,
2002).
5.1.2. Método de Dualidad y análisis de sensibilidad
Uno de los descubrimientos más importantes durante el desarrollo inicial de la

programación lineal fue el concepto de dualidad y sus importantes
ramificaciones. Este descubrimiento reveló que, asociado a todo problema de
programación lineal, existe otro problema lineal llamado dual. Desde distintos
puntos de vista las relaciones entre el problema dual y el original (llamado primal)
son muy útiles.
Tabla 3: comparativa entre problema primal y problema dual
5.1.3. Sensibilidad
En realidad, los valores de los parámetros que se usan en el modelo casi siempre
son sólo estimaciones basadas en una predicción de las condiciones futuras.
Con frecuencia, los datos que se obtienen para desarrollar estas estimaciones
son bastante burdos o no existen, así que los parámetros de la formulación
original pueden representar tan sólo la opinión proporcionada por el personal de
línea. Los datos pueden incluso representar estimaciones optimistas o

pesimistas que protegen los intereses de los estimadores.
En realidad, los valores de los parámetros que se usan en el modelo casi siempre
son sólo estimaciones basadas en una predicción de las condiciones futuras.
Con frecuencia, los datos que se obtienen para desarrollar estas estimaciones
son bastante burdos o no existen, así que los parámetros de la formulación
original pueden representar tan sólo la opinión proporcionada por el personal de
línea. Los datos pueden incluso representar estimaciones optimistas o
pesimistas que protegen los intereses de los estimadores. (Wendell, 2004)
5.2. Modelos de utilización no lineal
Los problemas de programación no lineal se presentan de muchas formas

distintas. Al contrario del método símplex para programación lineal, no se
dispone de un algoritmo que resuelva todos estos tipos especiales de problemas.
En su lugar, se han desarrollado algoritmos para algunas clases (tipos
especiales) de problemas de programación no lineal. (Fiacco, 1990)
Tabla 4: tipos de modelos no lineales
Tipos de problema Concepto
Optimización no restringida Los problemas de optimización no

restringida no tienen restricciones, por
lo que la función objetivo es,
sencillamente, maximizar.
Optimización restringida Los problemas de optimización

linealmente restringida linealmente se
caracterizan por restricciones que se
ajustan por completo a la
programación lineal, de manera que
todas las funciones de restricción son

lineales, pero la función objetivo es no
lineal.
Programación cuadrática La programación cuadrática es muy

importante, en parte porque las
formulaciones de este tipo surgen de
manera natural en muchas
aplicaciones. P
Programación convexa La programación convexa abarca una

amplia clase de problemas, entre los
cuales, como casos especiales, se
puede mencionar todos los tipos
anteriores cuando f (x) es una función
cóncava que debe maximizarse
Programación separable Una función separable es una función

en la que cada término incluye una
sola variable, por lo que la función se
puede separar en una suma de
funciones de variables individuales.
Por ejemplo, si f (x) es una función
separable.
Programación no convexa La programación no convexa incluye

todos los problemas de programación
no lineal que no satisfacen los
supuestos de programación convexa
Programación geométrica El problema se puede transformar en

un problema de programación
convexa equivalente.
5.3. Problemas de transporte y asignación
El primero de ellos se conoce como problema de transporte, nombre que recibe

porque muchas de sus aplicaciones involucran cómo determinar la manera
óptima de transportar bienes. Sin embargo, algunas de sus aplicaciones
importantes —como la programación de la producción— en realidad no tienen
nada que ver con el transporte.
El segundo tipo, llamado problema de asignación, incluye aplicaciones como la

asignación de personas a tareas. Aunque sus usos parecen diferir de los del
problema de transporte, se verá que los asuntos de asignación se pueden
considerar un caso especial del problema de transporte.
Las aplicaciones de los problemas de transporte y asignación tienden a requerir

un número muy grande de restricciones y variables, de manera que una solución
en computadora del método simplex puede necesitar de un esfuerzo
computacional exorbitante. Por fortuna, una característica clave de estos
problemas es que la mayor parte de los coeficientes de las restricciones son
iguales a cero. Como resultado, se han podido desarrollar algoritmos
simplificados especiales que logran ahorros computacionales sorprendentes
para explotar esta estructura especial del problema. En consecuencia, es
importante familiarizarse bien con estos tipos especiales de problemas a fi n de
reconocerlos cuando surjan y aplicar el procedimiento adecuado para
resolverlos.
5.4. Programación entera
En muchos problemas prácticos, las variables de decisión sólo tienen sentido

real si su valor es entero. Por ejemplo, con frecuencia es necesario asignar a las
actividades cantidades enteras de personas, máquinas o vehículos. Si el hecho
de exigir valores enteros es la única diferencia que tiene un problema con la
formulación de programación lineal, entonces se trata de un problema de
programación entera (PE). (El nombre completo es programación lineal entera,

pero, por lo general, el adjetivo lineal se omite, excepto cuando se hace una
comparación con el problema más esotérico de programación no lineal). (Abbink,
2005).
5.5. Programación dinámica
La programación dinámica es una técnica matemática útil para la toma de

decisiones secuenciales interrelacionadas. Proporciona un procedimiento
sistemático para determinar la combinación óptima de decisiones. En contraste
con la programación lineal, no cuenta con una formulación matemática estándar
“del” problema de programación dinámica, si no que se trata de un enfoque de
tipo general para solucionar problemas; además, las ecuaciones específicas que
se usan de ben ajustarse a la situación particular. Por tanto, es necesario cierto
grado de creatividad y un buen conocimiento de la estructura general de los
problemas de programación dinámica para reconocer cuándo y cómo un
problema puede ser resuelto por medio de es tos procedimientos. Es posible
desarrollar mejor es tas habilidades median te la ex posición de una gran
variedad de aplicaciones de programación dinámica y con el análisis detallado
de las características comunes de todas es tas situaciones. Con este fi n, se
presentará un gran número de ejemplos ilustrativos. (Hiller F. S., 2006).
La programación dinámica es una técnica muy útil para tomar una sucesión de
decisiones interrelacionadas. Requiere la formulación de una relación recursiva
apropiada para cada problema individual. Sin embargo, proporciona grandes
ahorros computacionales en comparación con la enumeración exhaustiva para
encontrar la mejor combinación de decisiones, en especial cuando se trata de
problemas grandes.
5.6. Modelos de Problemas de Redes
(Hiller F. S., 2006). Los problemas de redes surgen en una gran variedad de
situaciones. Las redes de transporte, eléctricas y de comunicaciones
predominan en la vida diaria. La representación de redes se utiliza de manera
amplia en áreas tan diversas como producción, distribución, planeación de
proyectos, localización de instalaciones, administración de recursos y planeación
financiera, por mencionar sólo algunos ejemplos. En realidad, una
representación de redes proporciona un poderoso apoyo visual y conceptual
para mostrar las relaciones entre las componentes de los sistemas, de tal modo
que se usa casi en todos los ámbitos científicos, sociales y económicos.
Uno de los mayores desarrollos recientes en investigación de operaciones (IO)

ha sido el rápido avance tanto en la metodología como en la aplicación de los
modelos de optimización de redes. La aparición de algunos algoritmos ha tenido
un efecto importante, al igual que las ideas de ciencias de la computación acerca
de estructuras de datos y la manipulación eficiente de éstos. En la actualidad se
dispone de algoritmos y paquetes de computadora que se usan en forma
rutinaria para resolver problemas muy grandes que no se habrían podido
manejar hace dos o tres décadas. Muchos modelos de optimización de redes
son en realidad tipos especiales de problemas de programación lineal. (pag. 361)
5.7. Modelos de programación Multi-criterio
La programación multi-criterio establece un enfoque de gran potencialidad

cuando la decisión se centra en optimizar más de un objetivo, lo cual a su vez
debe satisfacer un conjunto de restricciones. A partir de estos planteamientos se
genera el conjunto de soluciones eficientes y de la matriz de pagos
correspondiente.
Ilustración 5-1: Formulación pata la programación Multi-criterio
5.8. Modelos de Inventarios.
Los modelos matemáticos de inventarios que aplican este enfoque se pueden

dividir en dos grandes categorías: modelos determinísticos y modelos
estocásticos, según la posibilidad de predecir la demanda. La demanda de un
producto en inventario es el número de unidades que será necesario extraer de
éste para algún uso (como venta) durante un periodo específico. Si la demanda
en periodos futuros se puede pronosticar con precisión considerable, es
razonable usar una política de inventarios que suponga que los pronósticos
siempre serán muy precisos. Éste es el caso de la demanda conocida, ante la
cual se usa un modelo de inventarios determinístico. Sin embargo, cuando no se
puede predecir con exactitud, es necesario usar un modelo de inventarios
estocástico, en el cual la demanda en cualquier periodo es una variable aleatoria
en lugar de una constante conocida.
5.8.1 Modelos de procesos Estocásticos
Un proceso estocástico se define como una colección indexada de variables

aleatorias {Xt}, donde el índice t toma valores de un conjunto T dado. Con
frecuencia T se considera el conjunto de enteros no negativos mientras que Xt
representa una característica de interés cuantificable en el tiempo t. Por ejemplo,
puede representar los niveles de inventario al final de la semana t. Los procesos
estocásticos son de interés para describir el comportamiento de un sistema en

operación durante algunos periodos.
5.9. Modelos de Teoría de Colas
(Hiller F. S., 2010). Las colas (líneas de espera) son parte de la vida diaria. Todos
esperamos en colas para comprar un boleto para el cine, hacer un depósito en
el banco, pagar en el supermercado, enviar un paquete por correo, obtener
comida en la cafetería, subir a un juego en la feria, etc. Nos hemos acostumbrado
a una considerable cantidad de esperas, pero todavía nos molesta cuando éstas
son demasiado largas. Sin embargo, tener que esperar no sólo es una molestia
personal. El tiempo que la población de un país pierde al esperar en las colas es
un factor importante tanto de la calidad de vida como de la eficiencia de su
economía.
La teoría de colas es el estudio de la espera en las distintas modalidades. Utiliza

los modelos de colas para representar los tipos de sistemas de líneas de espera
(sistemas que involucran colas de algún tipo) que surgen en la práctica. Las
fórmulas de cada modelo indican cuál debe ser el desempeño del sistema
correspondiente y señalan la cantidad promedio de espera que ocurrirá en
diversas circunstancias. (pag. 738)
Ilustración 5-2: Modelo de Teoría de colas

5.10. Modelos de Simulación
(Hiller F. S., 2006). Esta última técnica importante de investigación de

operaciones. La simulación se clasifica en un escalón muy alto entre las técnicas
que más se usan. Aún más, debido a que es una herramienta tan flexible,
poderosa e intuitiva, sus aplicaciones crecen con rapidez de manera continua.
Esta técnica involucra el uso de una computadora para imitar (simular) la
operación de un proceso o sistema completo. Por ejemplo, a menudo se usa
simulación para realizar un análisis de riesgo de procesos financieros mediante
la imitación repetida de la evolución de las transacciones necesarias para
generar un perfil de los resultados posibles. También se utiliza ampliamente en
el análisis de sistemas estocásticos que continuarán en operación
indefinidamente.
En el caso de este tipo de sistemas, la computadora genera y registra las

ocurrencias de los eventos que impulsan el sistema como si en realidad estuviera
en operación física. Debido a su velocidad, la computadora puede simular incluso
años de operación en cuestión de segundos. El registro del desempeño de la
operación simulada del sistema de varias alternativas de diseño o
procedimientos de operación permite evaluar y comparar estas alternativas
antes de elegir una. (pag. 901).
6. Principales aplicaciones
(Hiller F. S., 2010) Como su nombre lo indica, el objetivo de esta disciplina implica
“investigar sobre las operaciones”. En consecuencia, esta disciplina se aplica a
la problemática relacionada con la conducción y la coordinación de actividades
en una organización. En esencia, la naturaleza de la organización es irrelevante,
por lo cual la IO ha sido aplicada de manera extensa en áreas tan diversas como
manufactura, transporte, construcción, telecomunicaciones, planeación
financiera, cuidado de la salud, fuerzas armadas y servicios públicos, por
nombrar sólo unas cuantas. Así, la gama de aplicaciones es inusualmente
amplia. La IO incluye el término investigación en el nombre porque utiliza un
enfoque similar al que se aplica en las áreas científicas establecidas. El método
científico se utiliza para explorar los diversos problemas que deben ser
enfrentados, pero en ocasiones se usa el término management science o ciencia
de la administración como sinónimo de investigación de operaciones. El proceso
comienza por la observación cuidadosa y la formulación del problema, lo cual
incluye la recolección de los datos pertinentes. (pag. 32)
Tabla 5: Principales aplicaciones

7. Introducción a la programación lineal
Para Frederick S. El desarrollo de la programación lineal ha sido clasificado como

uno de los avances científicos más importantes de mediados del siglo xx, y
estamos de acuerdo con esta aseveración. Su efecto desde 1950 ha sido
extraordinario. En la actualidad es una herramienta de uso normal que ha
ahorrado miles o millones de dólares a muchas compañías o negocios, incluso
empresas medianas, en los distintos países industrializados del mundo; su
aplicación a otros sectores de la sociedad se ha ampliado con rapidez. Una
proporción muy grande de los programas científicos en computadoras está
dedicada al uso de la programación lineal. Se han escrito docenas de libros de
texto sobre esta materia y se cuentan por cientos los artículos publicados que
describen aplicaciones importantes.
La programación lineal utiliza un modelo matemático para describir el problema.

El adjetivo lineal significa que todas las funciones matemáticas del modelo deben
ser funciones lineales. En este caso, la palabra programación no se refiere aquí
a términos computacionales; en esencia es sinónimo de planeación. Por lo tanto,
la programación lineal involucra la planeación de actividades para obtener un
resultado óptimo; esto es, el resultado que mejor alcance la meta especificada
—de acuerdo con el modelo matemático— entre todas las alternativas factibles.
Aunque la asignación de recursos a las actividades es la aplicación más
frecuente, la programación lineal tiene muchas otras posibilidades. (Hiller F. S.,
2010)
En realidad, cualquier problema cuyo modelo matemático se ajuste al formato

general del modelo de programación lineal, es un problema de programación
lineal. (Por esta razón, un problema de programación lineal y su modelo se
denominan con frecuencia programa lineal, o incluso sólo PL.) Aún más, se
dispone de un procedimiento de solución muy eficiente llamado método simplex
para resolver estos problemas lineales, incluso los de gran tamaño. Éstas son
algunas razones del tremendo efecto de la programación lineal en las décadas

recientes.
Por otro lado Robert J. Thierauf nos dice que la Programación Lineal es una
técnica cuantitativa ampliamente aplicada en sistemas que presenten relaciones
lineales, para utilizar los recursos escasos de la mejor manera posible. La mejor
manera de usar los recursos escasos se logra utilizando un modelo del sistema
llamado Modelo de Programación Lineal. El Modelo de Programación Lineal es
un modelo matemático con variables de decisión, coeficientes y/o parámetros,
restricciones y una Función Objetivo. Es determinístico porque todos los datos
relevantes utilizados, son conocidos.
Es lineal porque las restricciones y el objetivo son funciones lineales. La

contribución de cada variable al valor total del objetivo y al lado derecho de cada
restricción es proporcional al valor de la variable. Es aditivo porque los términos
de sus restricciones y objetivo pueden sumarse (o restarse). La contribución de
cada variable es independiente del valor de las otras variables. Es divisible
porque las variables de decisión pueden aceptar valores fraccionales. En caso
de no aceptar valores fraccionales, sería preferible usar Programación Lineal
Entera. (Thierauf, 2010)
Ilustración 7-1: Mapa conceptual sobre la programación lineal

Conclusiones
Como resultado Figueroa R. Nos deja que, podemos afirmar que este método
(fases para modelar un sistema) es una herramienta científica cuya médula
espinal sustenta la base del equipo de investigación de operaciones, el cual tiene
como objetivos: observar, investigar, analizar, solucionar y predecir el
comportamiento de sistemas con base en modelos matemáticos, los cuales son
aplicados en cualquier tipo de organización.
Como relación con la ingeniería en sistemas y la investigación en todas sus

ramas. Consiste en el uso de modelos matemáticos, estadísticos y algoritmos.
Su objetivo es realizar la toma de decisiones, con la finalidad de mejorar y
optimizar el funcionamiento de los procesos.
Para la integración de equipos debe incluirse personal con intereses firmes en:
matemáticas, estadísticas, teoría de la probabilidad, economía, administración
de empresas, computación e ingeniería.
Baker, K. R. Nos afirma la programación lineal como una técnica poderosa para
tratar problemas de asignación de recursos escasos entre actividades que
compiten, al igual que otros problemas cuya formulación matemática es
parecida. Se ha convertido en una herramienta estándar de gran importancia
para muchas organizaciones industriales y de negocios. Aún más, casi cualquier
organización social tiene el problema de asignar recursos en algún contexto y
cada vez es mayor el reconocimiento de la aplicación tan amplia de esta técnica
(Baker, 2006).
Referencias
Abbink, E. (2005). Reinventing Crew Scheduling at Netherlands Railways. En G.

T. L. Kroon, Interfaces (págs. 393-401).
Baker, K. R. (2006). Optimization Modeling with Spreadsheets. En Optimization

Modeling with Spreadsheets (pág. 99). CA: Duxbury.
Bixby, R. E. (2002). Solving Real-World Linear Programs: A Decade and More of

Progress. En Operations Research (págs. 3-15).
EPPEN, G. D. (2000). En G. D. EPPEN, Investigación de Operaciones (pág.

581). México: PRENTICE-HALL.
Fiacco, A. V. (1990). Nonlinear Programming: Sequential Unconstrained

Minimization. En A. V. Fiacco, Classics in Applied Mathematics 4.
Philadelphia: Society for Industrial and Applied Mathematics.
Figueroa, R. P. (2017). INVESTIGACION DE OPERACIONES 1. En R. P.

Figueroa, INVESTIGACION DE OPERACIONES 1 (pág. 237). Alfaomega
Grupo Editor, S.A. de C. V., México.
Hiller, F. S. (2006). Investigacion de operaciones. Stanford University: The

McGraw-Hill.
Hiller, F. S. (2010). Investigacion de operaciones. Mexico: McGrawHill.
Hillier, F. S. (2003). Introduction to Management Science. En F. S. Hillier, A

Modeling and Case Studies Approach with Spreadsheets, 2a. ed (págs.
caps. 2, 4.). IL: McGraw-Hill.
PENN, G. (2015). INVESTIGACION DE OPERACIONES. En L. R. Weatherford,

INVESTIGACION DE OPERACIONES en la ciencia admistrativa (pág.
794). naucalpan.
Thierauf, R. J. (2010). Manual investigacion de operaciones. En R. J. Thierauf,

Manual investigacion de operaciones (pág. 14).
Wendell, R. (2004). Tolerance Sensitivity and Optimality Bounds in Linear

Programming. En Management (págs. 797-803).
Bibliografía
Abbink, E. (2005). Reinventing Crew Scheduling at Netherlands Railways. En G.

T. L. Kroon, Interfaces (págs. 393-401).
Baker, K. R. (2006). Optimization Modeling with Spreadsheets. En Optimization

Modeling with Spreadsheets (pág. 99). CA: Duxbury.
Bixby, R. E. (2002). Solving Real-World Linear Programs: A Decade and More of

Progress. En Operations Research (págs. 3-15).
EPPEN, G. D. (2000). En G. D. EPPEN, Investigación de Operaciones (pág.

581). México: PRENTICE-HALL.
Fiacco, A. V. (1990). Nonlinear Programming: Sequential Unconstrained

Minimization. En A. V. Fiacco, Classics in Applied Mathematics 4.
Philadelphia: Society for Industrial and Applied Mathematics.
Figueroa, R. P. (2017). INVESTIGACION DE OPERACIONES 1. En R. P.

Figueroa, INVESTIGACION DE OPERACIONES 1 (pág. 237). Alfaomega
Grupo Editor, S.A. de C. V., México.
Hiller, F. S. (2006). Investigacion de operaciones. Stanford University: The

McGraw-Hill.
Hiller, F. S. (2010). Investigacion de operaciones. Mexico: McGrawHill.
Hillier, F. S. (2003). Introduction to Management Science. En F. S. Hillier, A

Modeling and Case Studies Approach with Spreadsheets, 2a. ed (págs.
caps. 2, 4.). IL: McGraw-Hill.
PENN, G. (2015). INVESTIGACION DE OPERACIONES. En L. R. Weatherford,

INVESTIGACION DE OPERACIONES en la ciencia admistrativa (pág.
794). naucalpan.
Thierauf, R. J. (2010). Manual investigacion de operaciones. En R. J. Thierauf,

Manual investigacion de operaciones (pág. 14).
Wendell, R. (2004). Tolerance Sensitivity and Optimality Bounds in Linear

Programming. En Management (págs. 797-803).

MONOGRAFIA Parte 1 y 2

Cargado por

Información del documento

Descripción original:

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

MONOGRAFIA Parte 1 y 2

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLÓGICA DE TECAMACHALCO

Organismo Público Descentralizado del Gobierno del Estado de

INTTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES

EDGAR HUERTA NICANOR

ING. JOSÉ MIGUEL TELLEZ ZEPEDA

TECAMACHALCO DE GUERRERO DE PUEBLA, 20 DE MAYO DE 2022

1. ¿Qué es Investigación de operaciones? .................................................... 6

2. La Evolución Histórica de la Investigación de Operaciones ....................... 8

3. Clasificación de los problemas de la Investigación de operaciones.......... 11

Programación lineal ..................................................................................... 12

Programación entera ................................................................................... 13

Programación dinámica ............................................................................... 13

Programación no lineal ................................................................................ 13

4. Metodología o Fases de Estudio de la Investigación de operaciones....... 15

5. Definición y tipos de modelo de investigación de operaciones. ................ 18

5.1. Programación lineal ........................................................................... 18

5.1.1. Método símplex ........................................................................... 18

5.1.2. Método de Dualidad y análisis de sensibilidad ............................. 19

5.1.3. Sensibilidad ................................................................................. 19

5.2. Modelos de utilización no lineal .......................................................... 20

5.3. Problemas de transporte y asignación ............................................... 22

5.4. Programación entera .......................................................................... 22

5.5. Programación dinámica...................................................................... 23

5.6. Modelos de Problemas de Redes ...................................................... 24

5.7. Modelos de programación Multi-criterio.............................................. 24

5.8. Modelos de Inventarios. ........................................................................ 25

5.8.1 Modelos de procesos Estocásticos ................................................. 25

5.9. Modelos de Teoría de Colas .............................................................. 26

5.10. Modelos de Simulación ................................................................... 27

6. Principales aplicaciones ........................................................................... 28

7. Introducción a la programación lineal ....................................................... 30

Ilustración 1-1: características de la investigación de operaciones.................... 6

Ilustración 2-1: primeros 50 años de la investigación de operaciones ............... 8

Ilustración 2-2: línea del tiempo ...................................................................... 10

Ilustración 4-1: Tipos de modelos.................................................................... 16

Ilustración 5-1: Formulación pata la programación Multi-criterio ...................... 25

Ilustración 5-2: Modelo de Teoría de colas ...................................................... 26

Ilustración 7-1: Mapa conceptual sobre la programación lineal ....................... 32

Tabla 1: clasificación de modelos.................................................................... 12

Tabla 2: Mapa conceptual ............................................................................... 14

Tabla 3: comparativa entre problema primal y problema dual ......................... 19

Tabla 4: tipos de modelos no lineales ............................................................. 20

Tabla 5: Principales aplicaciones .................................................................... 28

Dentro del siguiente apartado se dará a conocer que es la investigación de

Esta herramienta centra su atención en simular matemáticamente un sistema,

1. ¿Qué es Investigación de operaciones?

Debemos de entender a La investigación de operaciones como una rama de las

Después Se puntualiza por medio de ejemplos la distinción entre un modelo

 Observaciones aplicadas al sistema.

Ilustración 1-1: características de la investigación de operaciones

Se explican conceptos que son componentes importantes en la estructura

La investigación de operaciones (IO) es la disciplina que enfrenta un problema

2. La Evolución Histórica de la Investigación de Operaciones

Los primeros esfuerzos por estructurar esta disciplina se realizaron durante la

Aparentemente, la investigación de operaciones (IO) fue bautizada así debido a

Un grupo importante de administradores militares de Estados Unidos inició

Ilustración 2-1: primeros 50 años de la investigación de operaciones

En un principio se acreditó a Gran Bretaña el mérito de haber utilizado la IO como

En el progreso impresionante de la investigación de operaciones fue

En la actualidad, la IO se aplica a distintas actividades, que trascienden los

Cabe mencionar que la IO ha sido un factor de primera importancia en el

Ilustración 2-2: línea del tiempo