Investigación Operativa Año 2017

UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

Unidad 1: INTRODUCCIÓN
_____________________________________________________________________________
Unidad 1: Introducción.
Conceptos fundamentales y características. Orígenes y evolución. Metodología de la Investigación
de Operaciones. Clasificación de los modelos de I.O. según la disponibilidad de información:
Problemas bajo certidumbre, bajo riesgo y bajo incertidumbre. Problemas de Optimización.
Estructuración de los modelos matemáticos. Modelado de problemas: Transporte, Asignación de
recursos, Planificación Financiera, Modelos de producción.

¿Qué es Investigación Operativa?

La Investigación Operativa es la disciplina que estudia las metodologías que permite

adoptar las decisiones políticas o de diseño que mejor responden a los objetivos de una
organización. En otras palabras, estudia la toma de decisiones óptimas de acuerdo a un
determinado criterio.

Ejemplo 1: Una compañía cuenta con las maquinarias necesarias para la fabricación de
varios productos, y sus directivos deben decidir cuál de ellos fabricar. Si los produjeran a todos,
deberían hacer tan pocos de cada uno que no podrían competir en el mercado pues el costo fijo de
producción aumentaría excesivamente el precio de cada unidad. Si fabricaran unos pocos
productos, es posible que no se pueda colocar toda la producción. En principio, se debería fabricar
sólo algunos, pero ¿cuáles? Y ¿qué cantidad de cada uno? Un estudio de Investigación de
Operaciones permite tomar esta decisión.

Ejemplo 2: Se tiene que construir un silo para almacenar granos, el cual debe tener una
capacidad determinada. Pero no se conoce qué dimensiones debería tener para que resulte más
económica su construcción. Distintas combinaciones de diámetro y altura implicarán superficies
de chapa diferentes y, por lo tanto, costos diferentes. También la mano de obra puede valer
distinto según el tipo de silo, o los desperdicios de material que en cada caso se producen pueden
ser decisivos para el costo final de construcción del silo. La Investigación Operativa también da
respuesta a este problema.

Se suele decir que la Investigación Operativa es una mezcla de arte y ciencia. Se dice que
es un arte porque en primer lugar se requiere representar el problema a resolver mediante un
modelo matemático. Esto no tiene reglas fijas para su realización, sino que se necesitan conocer
muy bien las características del sistema y tener una gran imaginación para que dicha
representación sea lo más simple posible.
La ciencia se manifiesta en el desarrollo de procedimientos para la solución de dichos
modelos matemáticos.

Breve Reseña Histórica

Investigación Operativa es una disciplina que nace durante la Segunda Guerra Mundial con
el objetivo de establecer estrategias óptimas en las operaciones militares (defensa aérea y terrestre,
mejor aprovechamiento de radares y bombarderos, etc.) Ante los buenos resultados obtenidos, los
empresarios e industriales se interesan en aplicar esta disciplina para resolver sus propios
problemas. De este modo se impulsa la investigación es esta área.

1
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

En 1947 se desarrolla la primera técnica matemática para resolver problemas lineales (el
método Simplex). A partir de ese momento, los esfuerzos mancomunados de los individuos
interesados en las instituciones académicas como en la industria ha permitido el desarrollo de
técnicas de resolución sistemática de gran número de problemas de Investigación Operativa.
La creciente importancia de la Investigación Operativa se debe a dos razones:
1. El desarrollo paralelo de la computación digital. Esto ha logrado contar con equipos
cada vez más rápidos, con mayor capacidad de memoria y más económicos. Por lo
tanto se posibilita la resolución de problemas complejos.
2. El propio objetivo de la Investigación Operativa. Sin duda, una disciplina que
estudia cómo aprovechar el uso de recursos escasos es de indiscutible interés.

Actualmente el impacto de la Investigación Operativa ( I.O.) puede advertirse en muchas

áreas tales como Administración, Economía, Ingeniería, Ciencias sociales, Comunicaciones,
Agricultura, el campo militar, etc.

Fases de un Estudio de Investigación de Operaciones

En un estudio de I.O. se distinguen cinco fases fundamentales:

1. Definición del Problema: Esto implica:

a) Una descripción exacta del objetivo del estudio. Este objetivo debe reflejar el interés global
del problema. A veces no es tan simple y es común considerar el interés de un subproblema
en lugar del problema total.
b) Identificación de las alternativas de decisión, pues si el análisis no tiene en cuenta todas las
alterativas es posible que la solución hallada no sea la correcta.
c) Identificación de las restricciones o limitaciones del sistema. Esto permite descartar ciertas
alternativas que no deben considerarse.

2. Construcción del Modelo: Esto implica expresar los objetivos y restricciones a través de
relaciones cuantitativas en función de variables de decisión. Para ello, las variables relevantes del
problema deben ser cuantificables. De la complejidad de este modelo depende el método de
resolución que se emplee y por lo tanto, la calidad del resultado. Debe recordarse que el modelo es
una aproximación al problema, en general incluye suposiciones o simplificaciones, las que no
deberían alejar al modelo de la realidad.

3. Resolución del modelo: Si el modelo responde a un formato común o determinado, puede

resolverse por técnicas de optimización definidas. Si las relaciones matemáticas que definen al
modelo son muy complejas, deberán utilizarse otras técnicas en lugar de buscar una solución
analítica. En estos casos se utilizarán modelos de simulación o métodos heurísticos.
Los modelos de simulación “imitan” el comportamiento del sistema en un período de
tiempo. Para ello se especifican un número de eventos o sucesos en el tiempo, y luego se presta
atención al sistema sólo cuado ellos ocurren. La información que se obtiene se acumula
estadísticamente.
La simulación de un modelo implica gran número de cálculos. Como el análisis que hace la
simulación es equivalente a realizar experimentos, está sujeto al error experimental.
Los modelos heurísticos son procedimientos de búsqueda basados en reglas empíricas o
intuitivas. Se parte de una solución actual y se la va modificando en base a dichas reglas. Cuando

2
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

ya o se puede mejorar la solución, luego de varios intentos, se supone que se ha llegado a un buen
resultado.
Sólo la programación matemática, que es la que nos da resultados analíticos, nos permite
saber si se ha llegado realmente al óptimo.

4. Validación del modelo: El modelo representa un sistema. Para saber cuán bien lo hace es
común testear su validez comparando sus predicciones con los datos reales disponibles. Cuando
no se cuenta con el sistema real se lo suele simular.

5. Implementación de resultados: Esta fase implica la traducción de los resultados de análisis e

instrucciones detalladas y entendibles por aquellas personas que administrarán el sistema.

Clasificación de los Problemas de I.O. según la Disponibilidad de Información.

Una vez identificados los objetivos, variables y limitaciones es necesario construir una
medida de eficiencia que se pueda usar para determinar cuál es la mejor alternativa.
El tipo de criterio de decisión adecuado dependerá de cuán bien se conozcan los datos
disponibles.
Existen tres tipos de problemas:

- Problemas Bajo Certidumbre: Cuado hay disponibilidad de información perfecta. Quien va a

tomar la decisión conoce exactamente el estado del sistema.
Por ejemplo, considerando un problema en el cual se quiere determinar qué tipos de
productos fabricar de manera de obtener máxima ganancia, si este es un problema bajo
certidumbre, para cada producto la ganancia es perfectamente conocida.

- Problemas Bajo Riesgo: Cuando los datos, si bien no se conocen con certeza, tienen una
probabilidad asociada conocida o posible de estimar.
El ejemplo anterior será un problema bajo riesgo si para cada producto la ganancia no se
conoce perfectamente sino que es una variable aleatoria que tiene asociada una función
densidad de probabilidad.

- Problemas Bajo Incertidumbre: Cuando los datos, no se conocen exactamente ni tienen

probabilidades asociadas.
El ejemplo anterior será un problema bajo incertidumbre si, por ejemplo, para cada producto
la ganancia se sabe que puede tomar uno de tres valores, pero no se conoce con qué
probabilidad puede darse cada uno de ellos. Realmente un problema bajo incertidumbre no
implica desconocimiento total del problema.

Estructura de los Modelos Matemáticos

Un modelo matemático incluye un conjunto de tres elementos básicos:

* Variables de decisión: Son las variables relevantes en función de las cuales se escribe el
modelo matemático. Son las incógnitas a determinar a partir de la solución del problema. (x)

3
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

* Función Objetivo: Mide la efectividad del sistema como una función matemática de las
variables de decisión. (f(x))

* Restricciones: Son funciones de las variables de decisión que representan las limitaciones
físicas y tecnológicas del sistema que restringen el rango de valores que pueden tomar las
variables de decisión. (g(x) (,,) b)

Un modelo matemático de optimización (de objetivo único) se lo plantea, en general, de la

siguiente forma:

 Maximizar 
Optimizar  ó  f
 x 
 Minimizar 
sujeto a

g  b restriccio nes de desigualda d
x 
h x   a restriccio nes de igualdad
L  x U restriccio nes de cota

Donde:

x: vector de variables de decisión

Otra forma equivalente es:

 Maximizar 
Optimizar  ó  f
 x j  j  1,..., n
 Minimizar 
sujeto a

g i x   bi i  1,..., m
j

hk  x   a k k  1,..., p
j

Lj  x j U j j  1,..., n

Donde xi : variable de decisión. Componente i del vector x.

Clasificación de los Modelos de Optimización

Existen varias maneras de clasificar los modelos de optimización, pero la que en este
momento es de nuestro interés considera la linealidad de las funciones que constituyen el modelo.
De esta forma, los problemas de optimización se clasifican en:

4
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

 Función Objetivo lineal

 Pr oblemas LINEALES 
 Re stricciones lineales

 Función Objetivo y restricciones no lineales


 Pr oblemas NO LINEALES  Función Objetivo lineal y restricciones no lineales
 Función Objetivo no lineal y restricciones lineales


Nota: cuando se menciona restricciones no lineales implica que al menos una restricción es una
función no lineal de las variables intervinientes.
Basta con que una de las funciones que conforman el modelo matemático sea no lineal
para que el mismo se clasifique como no-lineal.

Simplificaciones del Modelo Matemático

Luego de construido el modelo matemático que representa en la forma más exacta posible
los objetivos y características del problema a resolver, a menudo se introducen simplificaciones
para poder tratarlo analítica y/o algorítmicamente.
Las simplificaciones que suelen efectuarse son:

1. Disminución del número de variables. Esto se logra mediante el uso de las restricciones de
igualdad para realizar sustituciones.
2. Reducción del número de restricciones. Esto se logra haciendo sustituciones y eliminando
restricciones innecesarias o redundantes.
3. Simplificación de las funciones. Esto implica disminuir el grado de no-linealidad mediante
la aproximación de funciones (por ejemplo, haciendo desarrollos de Taylor).

Ejemplos de Modelado

Problema 1:
Se debe construir un depósito cilíndrico de al menos 95 m3 de capacidad. Hallar las
dimensio0nes del mismo de manera que la superficie metálica requerida para su construcción sea
mínima.

Variables de decisión: las incógnitas del problema son las dimensiones del depósito cilíndrico:

H : altura (m)
R : radio (m)

Restricciones: H y R no pueden tomar cualquier valor. En primer lugar, no tiene sentido físico
que tomen valores negativos y en segundo lugar, deben ser tales que produzcan un valor mínimo
de capacidad de 95 m3.

1) Volumen  95 m3  R2 (m2) H (m)  95 (m3)

5
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

2) No negatividad de las variables H  0 ; R 0

Función Objetivo: La medida que se utilizará para determinar qué solución es mejor que otra es la
superficie total del cilindro:

Superficie de la tapa = Superficie de la base:  R2

Superficie lateral: 2 R H

F.O.: Superficie total del cilindro S = 2 R2 + 2 R H

Modelo Matemático:
Min S  2  R 2  2  R H
suj .a
 R 2 H  95
R0
H 0
Este es un modelo no-lineal pues una de las restricciones y la función Objetivo son
funciones no-lineales.

Problema 2:
Una compañía produce dos artículos, A y B, los que pueden venderse en el mercado a $20
y $15 por unidad, respectivamente. Su elaboración consta de dos etapas: ensamblado y terminado.
El producto A requiere 5 hr. Para ensamblado y ½ hr. para terminado, mientras que el
producto B requiere 2 hr. y 1 hr. para las mismas tareas.
La mano de obra con que cuenta la compañía limita el ensamblado a 100. diarias y el
terminado a 30 hr diarias.
Se desea conocer qué cantidad de cada producto es conveniente fabricar para obtener un
mayor ingreso por ventas.

Variables de decisión: Se quiere conocer la cantidad a producir de A y de B.

xA : cantidad de A a producir (unidades de A/día)

xB : cantidad de B a producir (unidades de B/día)

Restricciones:
1) disponibilidad de tiempo para ensamble 100 (hr/día)

5 [hr/unid. A] xA [unid. A/día] + 2 [hr/unid. B] xB [unid. B/día]  100 [hr/día]

2) disponibilidad de tiempo de terminado 30 (hr/día)

0.5 [hr/unid. A] xA [unid. A/día] + 1 [hr/unid. B] xB [unid. B/día]  30 [hr/día]

6
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

3) no negatividad de las variables

xA , xB  0

Función Objetivo:

Ingreso por ventas V [$/día] = 20 [$/unid. A] x A [unid. A/día] + 15 [$/unid. B] xB [unid.

B/día]

Modelo Matemático:
Max V  20 x A 15 x B
suj.a
5 x A  2 x B  100
0.5 x A  x B  30
x A , xB  0

El modelo resultante es lineal.

Problema 3:
Un problema de establecimiento de horarios de trabajo
Una oficina de correos necesita un número diferente de empleados de tiempo completo, para
diferentes días de la semana. El número de empleados de tiempo completo requeridos para cada
día, se da en la Tabla 1. Las reglas sindicales señalan que cada empleado de tiempo completo,
tiene que trabajar durante cinco días consecutivos y, después, descansar dos días. Por ejemplo un
empleado que trabaja de lunes a viernes tiene que descansar sábado y domingo. La oficina de
correos quiere cumplir con sus requisitos diarios y utilizar solamente empleados de tiempo
completo. Formule un modelo matemático que pueda utilizar la oficina de correos para minimizar
el número de empleados de tiempo completo que hay que contratar.

Tabla 1
día Número de empleados de tiempo completo
requeridos
1-Lunes 17
2-Martes 13
3-Miércoles 15
4-Jueves 19
5-Viernes 14
6-Sábado 16
7-domingo 11

Variables de decisión:

7
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

La clave para formular correctamente este problema es darse cuenta de que la decisión
principal de la oficina de correos no es cuántas personas trabajan cada día, sino cuántas personas
empiezan a trabajar cada día de la semana.

xi = número de empleados que empiezan a trabajar el día i.

Por ejemplo, x1 es el número de personas que empiezan a trabajar el lunes (estas personas
trabajan del lunes al viernes)

Restricciones:

Se debe asegurar que haya suficientes empleados trabajando cada día de la semana.

3) empleados requeridos el día lunes:

x1 + x4 + x5 + x6 + x7  17

4) empleados requeridos el día martes:

x1 + x2 + x5 + x6 + x7  13

5) empleados requeridos el día miércoles:

x1 + x2 + x3 + x6 + x7  15

6) empleados requeridos el día jueves:

x1 + x2 + x3 + x4 + x7  19

7) empleados requeridos el día viernes:

x1 + x2 + x3 + x4 + x5  14

8) empleados requeridos el día sábado:

x2 + x3 + x4 + x5 + x6  16

9) empleados requeridos el día domingo:

x3 + x4 + x5 + x6 + x7  11

8) no negatividad de las variables

x1, x2, x3, x4, x5, x6, x7  0

Función Objetivo:

Número total de empleados contratados N = x1 + x2 + x3 + x4 + x5 + x6 + x7

8
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

Modelo Matemático:
Min N  x1  x 2  x3  x 4  x5  x6  x7
suj .a
x1  x 4  x5  x6  x7  17
x1  x 2  x5  x6  x7  13
x1  x 2  x3  x6  x 7  15
x1  x 2  x3  x 4  x7  19
x1  x 2  x3  x 4  x5  14
x 2  x3  x 4  x5  x 6  16
x3  x 4  x5  x 6  x 7  11
x1 , x 2 , x3 , x 4 , x5 , x6 , x 7  0 y enteras

El modelo resultante es lineal.

Problema 4:
Problema de Transporte
El problema de transporte surge de la planificación de bienes y servicios desde varias
localidades de suministro a varias localidades de demanda.
El objetivo normal de un problema de transporte es minimizar el costo de embarcar bienes
de los orígenes a los destinos.
Una empresa de enviar un producto desde sus tres plantas a cuatro centros de distribución.
Las capacidades de producción a lo largo del siguiente período de planificación son:

Planta Capacidad de
Producción (kg)
1 5000

2 6000

3 2500

El pronóstico de demanda para el mismo período para los centros de distribución es:

Centro de Distribución Pronóstico de

Demanda (kg)
1 6000
2 4000

3 2000

4 1500

9
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

Se desea determinar las rutas a usar y la cantidad que se embarcará por cada ruta para lograr
que el costo de transporte total sea mínimo.
El costo de transporte por unidad en cada ruta se da en la siguiente tabla:

Costo de Transporte [$/kg]

Centro de Distribución Centro de Distribución Centro de Distribución Centro de Distribución
1 2 3 4

Planta 1 3 2 7 6
Planta 2 7 5 2 3
Planta 3 2 5 4 5
Este problema de transporte se lo puede representar por la siguiente red:

Suministro Costo de trasporte Demanda

o por unidad
CD1 6000
5000 3
P1
2
7
6 CD2 4000

6000 7
P2 5
2
3 CD3
2000
2 5
2500 P3 4
5 CD4 1500

Rutas de distribución

Figura 1

Variables de decisión:
XP1-CD1 = cantidad de unidades enviadas desde Planta1 hacia Centro de Distribución 1
XP1-CD2 = cantidad de unidades enviadas desde Planta1 hacia Centro de Distribución 2
XP1-CD3 = cantidad de unidades enviadas desde Planta1 hacia Centro de Distribución 3
XP1-CD4 = cantidad de unidades enviadas desde Planta1 hacia Centro de Distribución 4
XP2-CD1 = cantidad de unidades enviadas desde Planta 2 hacia Centro de Distribución 1
XP2-CD2 = cantidad de unidades enviadas desde Planta 2 hacia Centro de Distribución 2

10
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

XP2-CD3 = cantidad de unidades enviadas desde Planta 2 hacia Centro de Distribución 3

XP2-CD4 = cantidad de unidades enviadas desde Planta 2 hacia Centro de Distribución 4
XP3-CD1 = cantidad de unidades enviadas desde Planta 3 hacia Centro de Distribución 1
XP3-CD2 = cantidad de unidades enviadas desde Planta 3 hacia Centro de Distribución 2
XP3-CD3 = cantidad de unidades enviadas desde Planta 3 hacia Centro de Distribución 3
XP3-CD4 = cantidad de unidades enviadas desde Planta 3 hacia Centro de Distribución 4

Restricciones:
Restricciones de suministro de cada planta: (La cantidad de unidades suministrada por cada
planta no puede superar su capacidad de producción)
(Planta 1) XP1-CD1 + XP1-CD2 + XP1-CD3+ XP1-CD4 ≤ 5000
(Planta 2) XP2-CD1 + XP2-CD2 + XP2-CD3+ XP2-CD4 ≤ 6000
(Planta 3) XP3-CD1 + XP3-CD2 + XP3-CD3+ XP3-CD4 ≤ 2500

Restricciones de demanda de cada centro de distribución: (Cada centro de distribución debe

suficiente cantidad de unidades ara satisfacer su demanda)
(Centro de Distribución 1) XP1-CD1 + XP2-CD1 + XP3-CD1 ≥ 6000
(Centro de Distribución 2) XP1-CD2 + XP2-CD2 + XP3-CD2 ≥ 4000
(Centro de Distribución 3) XP1-CD3 + XP2-CD3 + XP3-CD3 ≥ 2000
(Centro de Distribución 4) XP1-CD4 + XP2-CD4 + XP3-CD4 ≥ 1500

Restricciones de no negatividad:
XP1-CD1, XP1-CD2, XP1-CD3, XP1-CD4, XP2-CD1, XP2-CD2, XP2-CD3, XP2-CD4, XP3-CD1, XP3-CD2,
XP3-CD3, XP3-CD4 ≥ 0

Función Objetivo:

Costo total de transporte C ($) = 3 XP1-CD1+2 XP1-CD2+7 XP1-CD3+6 XP1-CD4+7 XP2-CD1

+5 XP2-CD2+2 XP2-CD3+3 XP2-CD4+2 XP3-CD1+5 XP3-CD2+4 XP3-CD3+5 XP3-CD4

Modelo Matemático:

11
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

Min C  3 X P 1-CD1  2 X P 1-CD2  7 X P 1-CD3  6 X P 1-CD4  7 X P 2-CD1  5 X P 2-CD2  2 X P 2-CD3  3 X P 2-CD4 

2 X P 3-CD1  5 X P 3-CD2  4 X P 3-CD3  5 X P 3-CD4
suj .a
X P 1-CD1  X P 1-CD2  X P 1-CD3  X P 1-CD4  5000
X P 2-CD1  X P 2-CD2  X P 2-CD3  X P 2-CD4  6000
X P 3-CD1  X P 3-CD2  X P 3-CD3  X P 3-CD4  2500
X P 1-CD1  X P 2-CD1  X P 3-CD1  6000
X P 1-CD2  X P 2-CD2  X P 3-CD2  4000
X P 1-CD3  X P 2-CD3  X P 3-CD3  2000
X P 1-CD4  X P 2-CD4  X P 3-CD4  1500
X P 1-CD1 , X P 1-CD2 , X P 1-CD3 , X P 1-CD4 , X P 2-CD1 , X P 2-CD2 , X P 2-CD3 , X P 2-CD4 , X P 3-CD1 , X P 3-CD2 , X P 3-CD3 , X P 3-CD4  0

El modelo resultante es lineal.

La notación de sumatoria simplifica la escritura del modelo de la siguiente manera:

3 4
Min C   cij X PiCDj
i 1 j 1

suj . a
4

X
j 1
Pi CDj  ai  i  1,2,3
3

X
i 1
Pi CDj  bj  j  1,2,3,4

X PiCDj  0  i  1,2,3  j  1,2,3,4

Donde cij: costo de transporte por unidad de la planta i al centro de distribución j.
ai: capacidad de producción de la planta i
bj: demanda del centro de distribución j.

Problema 5:
Red de distribución de bienes
Una compañía fabricará el mismo nuevo producto en dos plantas distintas y después tendrá
que enviarlo a dos almacenes de distribución, donde cualquiera de las dos fábricas puede abastecer
a cualquiera de los dos almacenes. La red de distribución disponible para el envío de este producto
se muestra en la Figura 2, donde F1 y F2 son las dos fábricas, A1 y A2 son los dos almacenes y
CD es el centro de distribución. Las cantidades que deben enviarse a F1 y F2 se muestran a la
izquierda, y las cantidades que deben recibirse en A1 y A2 se muestran a la derecha. Cada flecha
representa un canal factible de envío. El costo por unidad enviada a través de cada canal se
muestra al lado de la flecha, junto con las cantidades máximas que se pueden enviar por estos
canales.. Algunos canales tienen suficiente capacidad para manejar todo lo que las fábricas pueden
enviar.

12
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

La decisión que debe tomarse se refiere a cuánto enviar a través de cada canal de

$900/unidad
50 unidades 30 unidades
F1 A1 requeridas
producidas
$400/unidad

$200/unidad $300/unidad
$200/unidad Máximo CD
10 unidades
$100/unidad

Máximo 60 unidades
$300/unidad 80 unidades requeridas
40 unidades F2 A2
producidas

distribución. El objetivo es minimizar el costo total de envío.

Figura 2

Variables de decisión:
XF1-F2 = cantidad de unidades enviadas desde F1 hacia F2
XF1-CD = cantidad de unidades enviadas desde F1 hacia F2CD
XF1-A1 = cantidad de unidades enviadas desde F1 hacia A1
XF2-CD = cantidad de unidades enviadas desde F2 hacia CD
XCD-A2 = cantidad de unidades enviadas desde CD hacia A2
XA1-A2 = cantidad de unidades enviadas desde A1 hacia A2
XA2-A1 = cantidad de unidades enviadas desde A2 hacia A1

Restricciones:
a) Restricciones de flujo en cada localidad
(cantidad producida + cantidad recibida = cantidad enviada + cantidad requerida)
(fábrica 1) 50 = XF1-F2 + XF1-CD + XF1-A1
(fábrica 2) 40 + XF1-F2 = XF2-CD
(centro de distribución) XF1-CD + XF2-CD = XCD-A2
(almacén 1) XF1-A1 + XA2-A1 = XA1-A2 + 30
(almacén 2) XCD-A2 + XA1-A2 = XA2-A1 + 60

b) Restricciones de cota superior (capacidad máxima)

13
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

XF1-F2  10 XCD-A2  80
c) Restricciones de no negatividad:
XF1-F2 , XF1-CD , XF1-A1 , XF2-CD , XCD-A2 , XA1-A2 , XA2-A1  0

Función Objetivo:

Costo total de envío C = 2 XF1-F2 + 4 XF1-CD + 9 XF1-A1 + 3 XF2-CD + XCD-A2 + 3 XA1-A2 +2

XA2-A1

Modelo Matemático:

Min C  2 X F1-F2  4 X F1-CD  9 X F1-A1  3 X F2-CD  X CD -A2  3 X A1-A2  2 X A2-A1

suj.a
X F1-F2  X F1-CD  X F1-A1  50
 X F1-F2  X F2-CD  40
X F1-CD  X F2-CD  X CD -A2  0
X F1-A1  X A2-A1  X A1-A2  30
X CD -A2  X A1-A2  X A2-A1  60
X F1-F2  10
X CD -A2  80
X F1-F2 , X F1-CD , X F1-A1 , X F2-CD , X CD -A2 , X A1-A2 , X A2-A1  0

El modelo resultante es lineal.

Problema 6:
Programación multiperíodo de la Producción .
La empresa Tec-Systems requiere atender en los próximos 4 trimestres la demanda de
Notebooks de su clientela compuesta de grandes empresas y de instituciones educativas.
La demanda estimada a lo largo de los próximos 4 trimestres es de: 7000, 15000, 10000,
8000. La empresa dispone en inventario de 5000 Notebooks.
La empresa Tec-Systems dispone de suficiente capacidad para ensamblar 10000 PC por
trimestre, a un costo de $2000 por Notebooks. Empleando horas extras, puede ensamblar 2500
Notebooks adicionales a un costo de $2200 por unidad. Las Notebooks ensambladas en un
trimestre pueden atender la demanda de ese trimestre, o pueden mantenerse en inventario para
atender una demanda posterior. Cada computadora en inventario cuesta $100 por concepto de
costo de almacenamiento.
¿Cual debería ser la estrategia de Tec-Systems para atender su clientela de Notebooks al
mínimo costo?

14
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

P1 PE1 P2 PE2 P3 PE3 P4 PE4

I0 I1 I2 I3 I4
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

D1 D2 D3 D4

Variables de decisión:
Pi = cantidad de notebooks producidas en el trimestre i en tiempo normal (i=1,2,3,4)
PEi = cantidad de notebooks producidas en el trimestre i en tiempo extra (i=1,2,3,4)
Ii = = cantidad de notebooks en inventario al finalizar el trimestre i (i= 0,1,2,3,4)

Di = cantidad de notebooks demandadas en el trimestre i (i=1,2,3,4)

Restricciones:
a) Los límites de producción en cada trimestre:
En el 1er Trimestre. P1 ≤ 10000
PE1 ≤ 2500
En el 2do Trimestre. P2 ≤ 10000
PE2 ≤ 2500
En el 3er Trimestre. P3 ≤ 10000
PE3 ≤ 2500
En el 4to Trimestre. P4 ≤ 10000
PE4 ≤ 2500
b) En cada periodo el inventario al inicio del periodo y la producción del periodo debe atender la
demanda o termina incrementando el inventario al final del periodo (“Lo que ingresa en el período
= lo que sale en el período”):
En el 1er Trimestre. I0+ P1 + PE1 = D1 + I1
En el 2do Trimestre. I1+ P2 + PE2 = D2 + I2
En el 3er Trimestre. I2+ P3 + PE3 = D3 + I3
En el 4to Trimestre. I3+ P4 + PE4 = D4 + I4

c) Demanda en cada trimestre:

En el 1er Trimestre. D1 = 7000

En el 2do Trimestre. D2 = 15000

15
 Investigación Operativa Año 2017
UTN – FRSF
Ingeniería Industrial
Unidad 1: Introducción

En el 3er Trimestre. D3 = 10000

En el 4to Trimestre. D4 = 8000

d) Inventario inicial: I0 = 5000

e) Restricciones de no negatividad:
P1, P2, P3, P4, PE1, PE2, PE3, PE4, I0, I1, I2, I3, I4, D1, D2, D3, D4, ≥ 0

Función Objetivo:

Costo total CTOT ($) = Costa de producción en tiempo normal + Costo de producción en tiempo
extra + costo de inventario

Ctot = 2000P1 + 2000P2 + 2000P3 + 2000P4 +2200PE1 + 2200PE2 + 2200PE3 + 2200PE4 + 100 I1 +
100I2 +100 I3+100 I4

Modelo Matemático:

Min C tot  2000P1  P2  P3  P4   2200PE1  PE2  PE3  PE 4   100I 1  I 2  I 3  I 4 

suj . a
5000  P1  PE1  I 1  7000
I 1  P2  PE 2  I 2  15000
I 2  P3  PE3  I 3  10000
I 3  P4  PE 4  I 4  15000
P1 , P2 , P3 , P4 , PE1 , PE 2 , PE3 , PE 4 , I 1 , I 2 , I 3 , I 4  0

16