La primera actividad de Investigación de Operaciones se dio durante la Segunda

Guerra Mundial en Gran Bretaña, donde la Administración Militar llamó a un grupo

de científicos de distintas áreas del saber para que estudiaran los problemas
tácticos y estratégicos asociados a la defensa del país.

El nombre de Investigación de Operaciones fue dado aparentemente porque el

equipo estaba llevando a cabo la actividad de investigar operaciones (militares).

Al término de la guerra y atraídos por los buenos resultados obtenidos por los
estrategas militares, los administradores industriales empezaron a aplicar las
herramientas de la Investigación de Operaciones a la resolución de sus problemas
que empezaron a originarse.
La Investigación Operativa es una disciplina que consiste en la aplicación
de métodos analíticos avanzados con el propósito de apoyar el proceso de
toma de decisiones, identificando los mejores cursos de acción posibles.

En este contexto la Investigación de Operaciones utiliza técnicas de modelamiento

matemático, análisis estadístico y optimización matemática, con el objetivo de
alcanzar soluciones óptimas o cercanas a ellas cuando se enfrentan problemas de
decisión complejos.

Se espera que las decisiones alcanzadas mediante el uso de un modelo de

investigación operativa sean significativamente mejores en comparación a
aquellas decisiones que se podrían tomar haciendo uso de la simple intuición o
experiencia del tomador de decisiones.

Lo anterior es particularmente cierto en aquellos problemas de naturaleza

real complejos, que consideran cientos, incluso miles de variables de
decisión y restricciones.
Definición (Lawrence y Pasternak, 1998)
• Un enfoque científico para la toma de decisiones ejecutivas,
que consiste en:
• El arte de modelar situaciones complejas,
• La ciencia de desarrollar técnicas de solución para resolver
dichos modelos y
• La capacidad de comunicar efectivamente los resultados.

“Es la aplicación del método científico para asignar recursos o

actividades de forma eficiente, en la gestión y organización de
sistemas complejos con el objetivo de ayudar en la toma de
decisiones a través un enfoque interdisciplinario.”
a) Formulación del problema: implica definir objetivos y metas, examinar los recursos internos para
lograrlos y los aspectos relevantes del entorno, determinar programas de acción alternativos.

b) Desarrollo de un modelo para representar el problema que se está estudiando: “reducir” el problema a
una estructura generalmente matemática en la cual se encuentran presentes el o los objetivos y las
restricciones explícitas y subyacentes para lograrlos.

c) Búsqueda de una solución al problema: hallar la mejor o la óptima solución para el logro del objetivo, en
el marco de las restricciones.

d) Poner en práctica la solución: implantar la solución, ya sea a modo de prueba o en forma definitiva.

e) Establecimiento de controles sobre la solución: prestar atención a los cambios en la situación, a fin de
incorporarlos al modelo ⇒ retroalimentación.
 Por investigación cualitativa entendemos
estudios que proporcionan una descripción
verbal o explicación del fenómeno estudiado, su
esencia, naturaleza, comportamiento, en
contraste con la exposición ofrecida en la
investigación cuantitativa: cifras.

La investigación cualitativa es corriente en las

ciencias humanas, mientras que en las ciencias
naturales la tendencia es a favor del enfoque
cuantitativo
TIPO DE MODELOS CARACTERISTICAS EJEMPLOS

Icónico Es una representación física de algunos Planos y mapas (dos

objetos, ya sea en forma idealizada dimensiones).
(bosquejos) o a escala distinta. Debe ser Maquetas y prototipos
tangible y de fácil compresión.
Analógicos Puede representar situaciones dinámicas o Curvas de demanda.
cíclicas, son mas usuales y pueden Curvas de distribución
representar las características y de frecuencia.
propiedades del acontecimiento que se Diagramas de flujo
estudia.
Simbólicos o Son representaciones de la realidad en Modelo de simulación
matemáticos forma de cifras, símbolos matemáticos y Modelo algebraico
funciones, para representar variables de Modelo de hoja de
decisión y relaciones que nos permiten cálculo electrónica
describir y analizar el comportamiento del
sistema.
Un modelo simbólico emplea Un modelo siempre es una
las matemáticas para simplificación de la realidad, debe
representar las relaciones incorporar al modelo suficientes
En síntesis, los datos detalles para que el resultado
entre los datos de interés.
Requiere que sus datos sean
numéricos son la médula satisfaga sus necesidades, sea
de los modelos simbólicos. consistente con los datos que tiene
cuantificables, es decir, que usted a su alcance, y pueda ser
resulte posible expresarlos en analizado en el tiempo con el que
forma numérica. usted cuenta para ese propósito.
La Programación Lineal es una de las técnicas agrupadas como
programación matemática, aplicable a problemas de asignación de recursos
limitados, con actividades competitivas hacia un objetivo común, que puede
ser de maximizar beneficios o minimizar pérdidas.

Se utiliza un modelo matemático con representación válida de la

problemática en estudio; sus relaciones deben ser lineales, que significa
utilizar, sólo variables de primer grado en cada término. El objetivo de la
Programación Lineal es encontrar el valor de la función objetivo.

Los modelos de Programación Lineal por su sencillez son frecuentemente

usados para abordar una gran variedad de problemas de naturaleza real en
ingeniería y ciencias sociales, lo que ha permitido a empresas y
organizaciones importantes beneficios y ahorros asociados a su utilización.
Cualquier modelo de PL se compone de cuatro elementos básicos:

• Variables de decisión, qué se trata de determinar.

• Son las incógnitas (o decisiones) que deben determinarse resolviendo el modelo
• Función objetivo (meta), define la medida de efectividad del sistema como una función
matemática,
• busca optimizar ya sea maximizar (beneficios) o minimizar (costos).
• Restricciones que se deben satisfacer.
• Tener en cuenta las limitaciones tecnológicas, económicas y otras del sistema.
• Condiciones de no negatividad, condiciones del modelo que estipulan que las variables de
decisión deben tener valores positivos.
 Ejemplo 1

La variables de decisión de este problema están definidas por:

X1 = número de pantalones
X2 = número de chaquetas

Productos Tejido de Tejido de Precio $

algodón (m) poliéster (m)

pantalones 1 2 50
chaquetas 1.5 1 40
750 1000
La función objetivo se define de la siguiente manera:

• Maximizar (Z) = 50 X1 + 40 X2
Sujeta a las siguientes restricciones:
• (1) Tejido de algodón: X1 + 1.5X2 <= 750
• (2) Tejido de poliéster: 2 X1 + 1 X2 <= 100
• (3) Condición: X1 , X2 >= 0
 Ejemplo 2

Disponemos de 210.000 dólares para invertir en bolsa. Nos

recomiendan dos tipos de acciones. Las del tipo A, que rinden el
10% y las del tipo B, que rinden el 8%.
• Decidimos invertir un máximo de 130.000 dólares en las del tipo A y como
mínimo 60.000 en las del tipo B.
• Además queremos que la inversión en las del tipo A sea menor que el doble de la
inversión en B.
• ¿Cuál tiene que ser la distribución de la inversión para obtener el máximo interés
anual?

La variables de decisión de este problema están definidas por:

• X1 = Cantidad que se invierte en acciones tipo A
X2 = Cantidad que se invierte en acciones tipo B
 Montos máximo y
Acciones Inversión Rendimiento
mínimo de inversión
Acciones de Tipo A X1 0,10*X1 X1 ≤ 130,000
Acciones de tipo B X2 0,08*X2 X2 ≥ 60,000
210,000 0,10X1+0,08X2

La función objetivo se define de la siguiente manera:

Maximizar (Z) = 0,10 X1 + 0,08 X2

Sujeta a las siguientes restricciones:
• Acciones: X1 + X2 <= 210,000
• Inversión tipo A: X1 * 0,10 <= 130,000
• Inversión tipo B: X1 * 0,08 >= 60,000
• Restricción de Inversión: X1 <= 2*X2