Io ST113

6
UNIVERSIDAD NACIONAL DE INGENIERIA

Facultad de Ingeniería Industrial y de Sistemas
Area de Sistemas Computación e Informática
Facultad de Ingenieria Industria l y de Sistemas
Universidad Nacional de Ingeniería
INVESTIGACION DE
OPERACIONES I
(ST – 113)
Profesora: Ing. IRMA INGA SERRANO
1
CAPITULO I
INTRODUCCION A LA INVESTIGACION DE OPERACIONES 6
¿QUE ES LA INVESTIGACION DE OPERACIONES?

 La Investigación de operaciones llamado también Ciencia

de la Administración ó Ciencia de las Decisiones:


 “Es el conjunto de conocimientos que involucran

procedimientos racionales cuantitativos para la toma de
decisiones con base en métodos científicos.”

 “Es una disciplina que ayuda en la toma de decisiones

mediante la aplicación de un enfoque científico a problemas de
decisión que involucran factores cuantitativos”
2
Proceso de toma de decisiones
en la solución de un problema 6
Análisis
cualitativo
Determinar
Definir el Resumen y Toma de
los criterios de
problema Evaluación decisión
evaluación
Análisis
cuantitativo
3
RESUMEN HISTORICO
6
n La Investigación de Operaciones tiene sus orígenes durante la

Segunda Guerra Mundial cuando existía la necesidad

urgente de asignar en forma efectiva los escasos recursos a

las diferentes operaciones militares.
n
n Los americanos y británicos encargaron a un grupo de
científicos para que aplicando el método científico resuelvan
este problema y otros problemas estratégicos y tácticos. Los
resultados fueron excelentes.

n Al terminar la guerra el éxito de la IO generó gran interés en

sus aplicaciones fuera del campo militar como la industria,
los negocios, gobierno, etc.
4
6
n En 1947 George Dantzing crea el Método Simplex para la

resolución de problemas de programación lineal. Asimismo,

otras herramientas de la IO como la Programación Dinámica,
Líneas de Espera, Teoría de Inventarios, etc.se desarrollaron

antes de 1950 .
n La revolución de las computadoras contribuyó al desarrollo de la
IO y con ella surgió una nueva herramienta de la IO: la
Simulación.
n Actualmente existen sociedades de profesionales de IO como:
INFORMS (Instituto de Investigación de Operaciones y
Ciencias de la Administración) con sede en EE.UU; IFORS
(Federación Internacional de Sociedades de Investigación de
Operaciones)
5
ARTE DE LA REPRESENTACION
POR MEDIO DE MODELOS 6
SISTEMA: Conjunto de partes que interactúan entre si para lograr

un conjunto de metas.
MODELOS: representación de objetos o de situaciones reales.
Tipos de Modelos
A) Por su forma de expresión
1.- Modelos Físicos: representación física de la realidad.
 Ejm. maqueta de un edificio.

2.- Modelos Abstractos:
2.1. Modelo descriptivo:
Forma de expresión: lenguaje natural.
Metodología para solucionar el problema: sentido común
6
6
2.1. Modelo Matemático

 Forma de expresión: en forma cuantitativa mediante
símbolos y expresiones matemáticos.

 Metodología para solucionar el problema: método
matemático

 Características
n Describe el problema en forma concisa
n Facilita el manejo del problema y de sus interrelaciones
n Facilita el uso de las técnicas matemáticas en computadoras
n Entrega soluciones hallados con técnicas matemáticas que
pueden ser las óptimas.
7
6

Modelos de Simulación
 Simula el sistema real.
 En IO, un modelo de simulación es un conjunto de pasos

enlazados lógicamente que simulan el comportamiento del
sistema real y en el que se experimentarán las posibles

soluciones.
 Características:
n Se utilizan en problemas cuya representación matemática es
muy compleja
n Puede llevarse a cabo usando muchos lenguajes de
programación de computadoras y paquetes ya construidos
n Mide la calidad de la solución sugerida.
n Se puede determinar una buena solución, no necesariamente la
óptima
8
B).- Modelos según su estructura
6
n Modelo determinístico
 Los datos o parámetros del sistema son conocidos con certeza.
n Modelo probabilístico
 Algunos parámetros son de tipo probable
n Modelo lineal
 Las relaciones funcionales son de tipo lineal
n Modelo no lineal
 Algunas relaciones funcionales son no lineales
n Modelo Continuo
 Las variables de decisión pueden tomar valores fraccionarios
n Modelo Discreto
 Una o mas variables de decisión toman valores enteros
n Modelo estàtico
 Las propiedades y relaciones funcionales no sufren cambios en el
tiempo.
n Modelo dinámico:
 El tiempo juega en él un rol muy importante. 9
Técnicas de la IO
6
n Los modelos utilizados en la IO son :

 Modelos matemáticos
 Modelos de simulación
 En los modelos matemáticos

 Los problemas de optimización planteados dieron origen a
una variedad de técnicas:
n La programación lineal
n La Programación lineal entera
n La Programación no lineal
n La programación dinámica
n La programación de metas
n La programación de redes, etc.
10
Metodología de la Investigación de Operaciones
6
1.- DEFINICION DEL PROBLEMA

Comprende:
• Determinar claramente el o los objetivos del estudio

• Identificar las partes de la organización involucrados en el

estudio .
• Recolección de datos relevantes
c)
2.- FORMULACION DEL MODELO
 Dependiendo de la definición del problema, el analista

decide el tipo de modelo mas adecuado para representar el
problema.
 El modelo debe expresar en forma cuantitativa el objetivo
del estudio y las limitaciones o restricciones del problema
11
6
3.- SOLUCION DEL MODELO

 En Modelos de simulación:
 El concepto de optimidad no está tan bien definido y la
solución son buenas y factibles pero no necesariamente la òptima.

Para obtener la solución se utiliza la computadora en el cual se
programa los pasos indicados en el modelo o bien se utilizan los

paquetes ya diseñados para este fin. (GPSS, Estela, Promodel, etc)
 En Modelos Matemáticos:
 Se utilizan técnicas de optimización bien definidos llamados
algoritmos los cuales en forma iterativa halla la solución óptima.
 Sin embargo, existen problemas con ciertas características que:
 - necesita de muchas iteraciones para solucionarlos, ó
 - a veces es imposible hallar una algoritmo de solución.
 Entonces, existen otros métodos prácticos (heurísticos) basadas

en reglas prácticas con el cual se obtiene una buena solución en
forma rápida y simple. Ejm. Problemas de redes.
12
6
4.- VALIDACION DEL MODELO

 El modelo debe ser verificado y probado completamente
para asegurar que ofrece una representación suficientemente

precisa del problema real.
 El ensayo y validación del modelo se llevan a cabo

frecuentemente con problemas “de práctica” relativamente
pequeños cuyas soluciones son conocidos o esperados.
5.- GENERACION DE INFORMES E IMPLEMENTACION
 Presentar un informe con los resultados del modelo que sea

de fácil comprensión para quien toma las decisiones. El informe
también debe incluir la decisión recomendada y cualquier otra
información respecto a los resultados que sean de utilidad para
el tomador de decisiones.

13
CAPITULO II
PROGRAMACION LINEAL
6
n Es una de las técnicas mas potentes de la IO, debido a su

flexibilidad para describir situaciones reales. Ha sido
desarrollado para representar y solucionar problemas de

decisión que implican la optimización (maximización o

minimización) de una función lineal sujeta a restricciones
lineales.
n Se aplica en diferentes campos: industrial, militar, financiero,
salud, informática, etc.
n Es una herramienta determinística. Para compensar esta
situación, una vez hallada la solución óptima la IO
proporciona el “Análisis de sensibilidad”.
n
14
Estructura de un modelo de programación lineal
6
 Un Problema de programación lineal tiene:

n
n Variables de decisión: son aquellas definidas por el analista

cuyos valores van a solucionar el problema
n Función Objetivo (FO): Es aquella función lineal que se va a

optimizar (Maximizar o Minimizar)
n Restricciones: representan las limitaciones que tiene el
problema.
 Restricciones estructurales: son inecuaciones lineales de
tipo >=, <= o = que un valor b.
 Signo de las variables
 Las variables de decisión pueden ser de tipo: >=0, <= 0 o
sin restricción de signo (srs)
15
Forma general de un modelo de programación
lineal 6
 Sea Xi las variables de decisión del problema, i= 1,2,..n

 FO: Max (ó Min) Z = c1x1 + c2X2 + ….. + cnXn

 Sujeto a (s.a.):
 a11X1 + a12X2 + a13X3 + …… + a1nXn ≤ b1
 a21X1 + a22X2 + a23X3 + …… + a2nXn ≥ b2
 …. ……….. ……… …………. .. ………. = …..
 am1X1 + am2X2 + am3X3 + …… + amnXn bm

 Xi (>=0, <=0, srs)
16
Ejemplo de un problema de programación lineal
6
 Una fábrica produce pinturas para exteriores y para interiores de casas,

para distribuirlos al por mayor.
 Para producir las pinturas se utilizan dos materiales básicos A y B. La

disponibilidad máxima de A es de 60Tn y la de B es de 80Tn por día. La
necesidad diaria de materia prima por cada Tn de pintura es el siguiente:

 Pintura para exteriores: 1Tn de materia prima A y 2 Tn de materia
prima B
 Pintura para interiores: 2 Tn de materia prima A y 1 Tn de materia
prima B
 Un estudio de mercado ha establecido que la demanda diaria de pintura
para interiores no puede ser mayor que la de pintura para exteriores en mas de
10 Tn. Asimismo, el estudio señala que la demanda máxima de pintura para
interiores está limitada a 20 Tn diarias.
 El precio al por mayor por Tn es de $3000 para la pintura de exteriores
y de $2000 para la pintura para interiores.
 ¿Cuánta pintura para exteriores e interiores debe producir la compañía
todos lo días para maximizar el ingreso total?
 Nota: Suponga que todo lo que se produce se vende. 17
6
 FORMULACION DEL PL

 Sea X1: tn de pintura para exteriores a producir y vender por día

 X2: tn de pintura para exteriores a producir y vender por día
 FO: Max Z = 3000X1 + 2000X2

 s.a.
 X1 + 2X2 ≤ 60
 2X1 + X2 ≤ 80
 X2 – X1 ≤ 10
 X2 ≤ 20

X1, X2 ≥ 0
18
Suposiciones de la Programación lineal
6
 Un problema de programación lineal satisface:

1.-Suposición de certidumbre
 Los parámetros del sistema se conocen con certeza

2.- Suposición de divisibilidad
 Las variables pueden tomar valores fraccionarios (valores reales)

3.- Suposición de proporcionalidad
 La contribución de cada variable a al función objetivo y al lado

izquierdo de cada restricción es proporcional al valor de la variable
4.- Suposición de Aditividad
 La contribución de cada variable a al función objetivo y al lado

izquierdo de cada restricción es independiente de los valores de las
otras variables.
19
Formulación de Problemas de Programación Lineal
6
Para la formulación de PL, se debe tener en cuenta lo siguiente:


n El modelo es la representación matemática del problema. Usted

no debe agregar ni quitar restricciones que no están en el

problema.
n Las unidades en el que se trabaja una restricción debe ser la

misma tanto en el lado izquierdo como en el lado derecho.
n
20
CAPITULO III
SOLUCION DE PROBLEMAS DE PL
6
 La solución de un PL consiste en determinar los valores de

las variables que cumplan con todas las restricciones y den el
mejor valor para la F.O.


 METODOS PARA LA SOLUCION DE un PL

 1.- Método gráfico
 Consiste en graficar las regiones que cumplan con cada una
de las restricciones. La intersección de dichas regiones forma el
espacio de soluciones factibles del PL (región factible).
 La recta de la FO se fija en un punto de la región factible,
luego se desplaza sobre ella en la dirección en el cual mejora Z.
 El último punto (o puntos) que toca la recta de la FO antes
de abandonar la región factible, es la solución óptima.
21
6
n EJEMPLO: X2
1.- Sea el siguiente PL

 Max Z = 2X1 + 3X2 Z (1)

 s.a.
 2X1 + X2 ≤ 230 (1) B (3)
 X1 + 2X2 ≤ 250 (2) A C
 X2 ≤ 120 (3) (2)
Z
 Xi ≥0
 D X1
 O
 Solución óptima:
 X1= 70 , X2= 90 (punto C)
 Zop = 410
22
6
2.- Problema
 Bevco produce una bebida Cifrut con sabor a naranja que
se obtiene al mezclar refresco con sabor a naranja y jugo de

naranja. Cada Oz de refresco de naranja contiene 0.5 Oz de
azúcar y 1 mg de vitamina C. Cada Oz de jugo de naranja

contiene 0.25 OZ de azúcar y 3 mg de vitamina C.
 A Bevco le cuesta 2 centavos cada Oz de refresco de
naranja y 3 centavos cada Oz de jugo de naranja. El
departamento de mercadotecnia de Bevco ha decidido que cada
botella de 40 Oz de Cifrut debe contener por lo menos 80 mg de
vitamina C y a lo mas 20 Oz de azúcar.
 Formule y determine la solución óptima del problema para
satisfacer sus necesidades al menor costo..
23
6
n El modelo:
 Sea X1: Oz de refresco de naranja en 1 botella de Cifrut
 X2: Oz de jugo de naranja en 1 botella de Cifrut

 MinZ = 2X1+ 3X2

 s.a. (1)
(3)
 0.5 X1+ 0.25X2 ≤ 20
A
 X1 + 3X2 ≥ 80
 X1 + X2 = 40 B (2)
 Xi ≥0 Z

 Solución óptima (Punto B)

 X1=20, X2=20 Zop= 100
24
6
2.- Método Algebraico- Método Simplex

 El método Simplex es un método iterativo que empieza con
una solución factible y en cada iteración obtiene una nueva
solución que mejora Z, hasta encontrar la solución óptima, si

existe.
 Características
n El método simplex soluciona modelos que tienen una forma
específica conocida como forma estándar. Las restricciones
de este PL son ecuaciones.
n El método simplex divide las variables del PL en dos grupos:
 Variables Básicas (VB) y
 Variables No Básicas (VNB)
n El método simplex utiliza el Método de Gauss-Jordan para
solucionar el sistema de ecuaciones.
n El método simplex halla soluciones básicas factibles (sbf)
 sbf: solución que se encuentra en la intersección de las
rectas (o planos o hiperplanos) de las restricciones. 25
6
 FORMA ESTANDAR DE UN PL
Es un PL que tiene las siguientes características:
n F.O. : Max ó Min

n Los lados derechos de las restricciones son ≥0

n Las restricciones son igualdades
n Las variables son ≥0
 Nota:
n La forma estándar es un PL equivalente al original, por lo
tanto la solución óptima de la forma estándar lo es del
PL original.
n Si la forma estándar es un PL no factible entonces el PL
original también lo es.
26
6
Conversión de un PL en Forma Estándar

1.- Restricciones:
 Restricción ≤ : Para convertirla en = se le adiciona una

variable de holgura Si (Si ≥0), que representa la cantidad de
recursos no utilizados, demanda insatisfecha, etc.

 Ejm.
 3X1+ 4X2 + 2X3 ≤ 500 …….. (1)
 3X1+ 4X2 + 2X3 +S1 = 500 …… (1)

 Restricción ≥: Para convertirla en = se le agrega una

variable de exceso Ei (Ei ≥0), que representa la cantidad
excedente al requerimiento mínimo.

27
6
 Ejm.
 4X1+2X2+X3 ≥ 100 ……. (2)
 4X1+2X2+X3 + E2 = 100 …(2)

Nota: Los coeficientes de Si y Ei en la función objetivo son cero.
2.- Variables
 Variable Xi ≤0: Se hace un cambio de variable
 Xi = - Xi’, tal que Xi’≥0
 Variable Xi srs: Esta variable se reemplaza por la
diferencia de dos variables no negativas
 Xi = Xi’ – Xi” , tal que Xi’ y Xi” ≥0

Ejemplo.

28
6
 VARIABLES BASICAS Y VARIABLES NO BASICAS

n Un PL preparado para el Método simplex (forma estándar
preparado) tiene:
n variables y mrestricciones tal que n >m
n Para resolver el sistema de ecuaciones, es necesario agrupar las

variables en dos grupos:
 VNB: n-m variables que toman un valor arbitrario
(cero)
 VB: m variables para resolver el sistema de m
ecuaciones

 SOLUCION BASICA DEL PL

 Está formado por la unión del conjunto de VB y VNB
29
6
n EJEMPLO:
 PL original PL estándar

 Max Z = 2X1 + 3X2 Max Z= 2X1+3X2

 s.a. s.a.
 2X1 + X2 ≤ 230 … (1) 2X1+X2 + S1 = 230 ... (1)
 X1 + 2X2 ≤ 250 … (2) X1+2X2+ S2 = 250 … (2)
 X2 ≤ 120 … (3) X2+ S3 = 120 … (3)
 Xi ≥0 Xi, Si ≥0

Número de Variables = n=6

Número de VB = número de restricciones = m =3
Número de VNB = n-m = 6-3 = 3
30
Método Simplex
6
 PASOS
1.- Determinar la solución inicial
 Usando la forma estándar del PL original, determinar la sbf

inicial el cual está formado por:
 VB: las variables de holgura de cada restricción

 VNB: las demás variables del PL
2.- Seleccionar la VNB entrante, utilizando la condición de
optimidad.
 Condición de optimidad: la VNB que entra debe ser
aquella que tenga el mejor coeficiente para mejorar Z. Un
empate se rompe arbitrariamente
 El óptimo se alcanza cuando todas las VNB tienen
coeficientes desfavorables para Z
31
6
3.- Seleccionar la VB saliente, utilizando la condición de

factibilidad.
 Condición de factibilidad: el valor que tome la variable

entrante debe ser de tal manera que las otras variables básicas
sigan siendo factibles. Esta condición es la que determina la

variable que sale.
 Un empate se rompe arbitrariamente.
4.- Determinar la nueva solución
 Realizar las operaciones matemáticas para determinar el

valor de las nuevas VB y el valor de Z
5.- Volver al paso 2
32
Método Simplex Tabular
6
 El método simplex realiza todas sus operaciones matemáticas en

el Tablero Simplex, el cual tiene la siguiente estructura:

 Todas las variables del modelo Solución r


Z Coeficientes de las variables en la fila Valor de Z

Z

Coeficientes de las variables en Valores
 VB de las
las restricciones
 VB

Características de un Tablero Simplex en cualquier iteración


n Los coeficientes de las VB en la fila Z, tienen valor cero.

n Los coeficientes de la VB en las restricciones forman la matriz
identidad
33
6
PASOS
0.- Acondicionar la F.O.
 Escribir la F.O. como si fuera una restricción

Ejm. Max Z = 2X1+ 3X2
 Se escribe: Max Z – 2X1 - 3X2 = 0

1.- Determinar la SBF inicial
 VB: Las variables de holgura de cada restricción

 VNB: Las demás variables
2.- Seleccionar la VNB entrante
 PL Max: la VNB que tenga coeficiente negativo. Si existen

varios, se escoge el del coeficiente mas negativo.
 PL Min: La VNB que tenga el coeficiente positivo. Si
existen varios, se escoge el del coeficiente mas positivo.

34
6
3.- Seleccionar la VNB saliente

 La VB que sale es aquella que tiene la menor razón r.
valor de la columna solución

r=
 coef. positivo de la VNB entrante
 Un empate se rompe arbitrariamente.

4.- Nueva solución:
 Realizar las operaciones necesarias (Gauss-Jordan) para

obtener el nuevo Tablero Simplex
5.- Volver al paso 2, hasta que no exista VNB con coeficientes
favorables para mejorar la F.O.


35
6
n EJERCICIOS
 Hallar la solución óptima de los siguientes PL
 1) Max Z = 2X1 + 3X2
 s.a.
2X1 + X2 ≤ 230 (1)
 X1 + 2X2 ≤ 250 (2)

 X2 ≤ 120 (3)
 Xi ≥0

 2) Max Z = 60X1 + 30X2 + 20X3

 s.a.
 8X1 + 6X2 + X3 ≤ 480 (1)
 4X1 + 2X2 + 1.5X3 ≤ 200 (2)
 2X1 + 1.5X2 + 0.5X3 ≤ 80 (3)
 Xi ≥0

36
Solución artificial para el Método Simplex
6
n Si un PL tiene restricciones de tipo ≥ ó = (las cuales no tendrán

variables de holgura) entonces existe un problema para
formar la sbf inicial del método simplex.
n Entonces, a las ecuaciones que no tienen variables de holgura,

se le agrega una variable artificial ai (ai ≥0 ). Estas

variables artificiales serán utilizadas como “variables de
holgura” para formar la sbf inicial del simplex.
 Ejm 3X1+4X2 ≥ 100 .. (1) ; 2X1+3X2 = 60 … (2)
 3X1+4X2–e1+a1= 100 (1) 2X1+3X2+ a2 = 60 ..(2)
n Las variables artificiales no tienen significado físico para el
modelo, por lo tanto se deben tomar medidas para llevarlas a
nivel cero en la solución óptima. Para este propósito existen
métodos como:
 Técnica M ó método de la penalización
 La técnica de las dos fases.
37
6
 Técnica M (ó Método de la Penalización)

Pasos
1.- Agregar las variables artificiales a las ecuaciones que no tienen

variables de holgura.
2.- Penalizar a las variables artificiales dándoles en la F.O. un coeficiente
grande M (M>>0)desfavorable.
 Para un PL Max:
 Max Z= C1X1+ …… +CnXn – Ma1 – Ma2 - ….
 Para un PL Min:
 Min Z= C1X1+….. + CnXn + Ma1 + Ma2 + …
3.- Acondicionar la fila Z :
 Las variables artificiales formarán parte de las VB iniciales,

entonces deben tener coeficiente cero en la fila Z.De esta manera se
tendrá una solución inicial artificial para el simplex.
4.- Realizar las operaciones comunes del método simplex para buscar la
solución óptima, si existe.
38
6
n Ejemplo:
 Min Z = 2X1+ 3X2
 s.a.
 0.5 X1+ 0.25X2 ≤ 20
 X1 + 3X2 ≥ 80
 X1 + X2 = 40
 Xi ≥0
 Técnica M
 Min Z= 2X1 + 3X2 + MA2 + MA3
 s.a.
 0.5X1 + 0.25X2 + S1= 20 …... (1)
 X1 + 3X2 –E2 + A2 = 80 ….. (2)
 X1 + X2 + A3 = 40 ……. (3)
 X1, X2, S1, A2, A3 ≥0
39
6
n Acondicionando Z:
 Las ecuaciones (2) y (3) se suman y se despeja:
 A2+A3 = 120 – 2X1 – 4X2 + E2

Reemplazando en la F.O.
 Min Z = 2X1+3X2 + M (120-2X1- 4X2 +E2)

 = (2-2M)X1 (3-4M)X2 + ME2 + 120M
Escribiendo la F.O. como restricción:
 Min Z + (2M-2)X1 + (4M-3)X2 – ME2 = 120M


n Pasar al Tablero Simplex donde la solución inicial será:

 VB: S1, A2, A3
 VNB: X1, X2, E2
 Valor inicial de Z: 120M
40
Casos Especiales
6
n PL CON SOLUCIONES OPTIMAS ALTERNATIVAS

 Es aquel PL que tiene mas de una solución óptima para el mismo
valor de Zop.
 Gráficamente:
 La recta Z es paralela a una restricción límite antes de salir

 En el Simplex:
 La solución es óptima
 Existe una VNB que tiene coeficiente 0 en la fila Zy que al
entrar a la base se halla otra solución pero Zop no cambia.
 Ejm.
 Max Z= 2X1+ 4X2
 s.a.
 X1 + 2X2 ≤ 10
 X1 + X2 ≤ 8
 Xi ≥0
41
6
n PL NO ACOTADO
 Es aquel PL que tiene soluciones factibles pero no tiene solución
óptima.
Gráficamente:
 El PL no acotado tiene región factible abierto.

 En el PL no acotado la recta Z nunca sale de la región factible
En el Simplex:
 El tablero no es óptimo
 Existe VNB que entra pero no existe VB que sale (no existe r)
Ejemplo:
 Max Z= 2X1+ 3X2

 s.a.
 X1 + 2X2 ≥ 10
 X1 + X2 ≥ 8
 Xi ≥0
42
6
n PL NO FACTIBLE
Es aquel PL que no tiene soluciones factibles.
Gráficamente:
No existe región factible.

En el Simplex:
 El último Tablero Simplex tiene como VB a variable(s)

artificial(es) con valor >0
Ejemplo:
 Max Z= 2X1+ 3X2

 s.a.
 X1 + 2X2 ≤ 10
 X1 + X2 ≤ 8
 X2 ≥ 6
 Xi ≥0
43

Io ST113

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

Io ST113

Cargado por

Copyright:

Formatos disponibles

6

UNIVERSIDAD NACIONAL DE INGENIERIA

Profesora: Ing. IRMA INGA SERRANO

¿QUE ES LA INVESTIGACION DE OPERACIONES?

 La Investigación de operaciones llamado también Ciencia

de la Administración ó Ciencia de las Decisiones:

 “Es el conjunto de conocimientos que involucran

 “Es una disciplina que ayuda en la toma de decisiones

n La Investigación de Operaciones tiene sus orígenes durante la

Segunda Guerra Mundial cuando existía la necesidad

urgente de asignar en forma efectiva los escasos recursos a

n Al terminar la guerra el éxito de la IO generó gran interés en

n En 1947 George Dantzing crea el Método Simplex para la

resolución de problemas de programación lineal. Asimismo,

Líneas de Espera, Teoría de Inventarios, etc.se desarrollaron

SISTEMA: Conjunto de partes que interactúan entre si para lograr

A) Por su forma de expresión

1.- Modelos Físicos: representación física de la realidad.

 Ejm. maqueta de un edificio.

2.1. Modelo descriptivo:

Forma de expresión: lenguaje natural.

Metodología para solucionar el problema: sentido común

2.1. Modelo Matemático

símbolos y expresiones matemáticos.

 En IO, un modelo de simulación es un conjunto de pasos

sistema real y en el que se experimentarán las posibles

n Los modelos utilizados en la IO son :

 En los modelos matemáticos

1.- DEFINICION DEL PROBLEMA

• Determinar claramente el o los objetivos del estudio

• Identificar las partes de la organización involucrados en el

 Dependiendo de la definición del problema, el analista

3.- SOLUCION DEL MODELO

solución son buenas y factibles pero no necesariamente la òptima.

programa los pasos indicados en el modelo o bien se utilizan los

 - a veces es imposible hallar una algoritmo de solución.

 Entonces, existen otros métodos prácticos (heurísticos) basadas

4.- VALIDACION DEL MODELO

para asegurar que ofrece una representación suficientemente

 El ensayo y validación del modelo se llevan a cabo

 Presentar un informe con los resultados del modelo que sea

n Es una de las técnicas mas potentes de la IO, debido a su

desarrollado para representar y solucionar problemas de

decisión que implican la optimización (maximización o

 Un Problema de programación lineal tiene:

n Variables de decisión: son aquellas definidas por el analista

n Función Objetivo (FO): Es aquella función lineal que se va a

 Sea Xi las variables de decisión del problema, i= 1,2,..n

 FO: Max (ó Min) Z = c1x1 + c2X2 + ….. + cnXn

 Xi (>=0, <=0, srs)

 Una fábrica produce pinturas para exteriores y para interiores de casas,

 Para producir las pinturas se utilizan dos materiales básicos A y B. La

necesidad diaria de materia prima por cada Tn de pintura es el siguiente:

 Sea X1: tn de pintura para exteriores a producir y vender por día

 FO: Max Z = 3000X1 + 2000X2

 Un problema de programación lineal satisface:

 Los parámetros del sistema se conocen con certeza

 Las variables pueden tomar valores fraccionarios (valores reales)

 La contribución de cada variable a al función objetivo y al lado

 La contribución de cada variable a al función objetivo y al lado

Para la formulación de PL, se debe tener en cuenta lo siguiente:

n El modelo es la representación matemática del problema. Usted