INVESTIGACIÓN DE

OPERACIONES
INGENIERÍA EN SISTEMAS COMPUTACIONALES
UNIDAD 1: PROGRAMACIÓN LINEAL
COMPETENCIA

 Resuelve problemas de programación lineal para

generar la solución óptima aplicando el uso de
conceptos, técnicas y algoritmos del método
simplex.

 Actividad de aprendizaje: Solucionar problemas con la

computadora utilizando un software de aplicación o un
lenguaje de programación.
 UNIDAD 1: PROGRAMACIÓN LINEAL
Definición:
• Significa como su nombre lo
indicada hace la investigación
sobre las operaciones
• Se aplica a problemas que se
refiere a la conducción y
coordinación de operaciones o
actividades dentro de una
organización.
• Aspira a determinar el mejor curso
de un problema de decisión con la
restricción de recursos limitados
Continuación…

 La programación Lineal es la técnica más sencilla de la

Investigación de Operaciones pero debemos tener en cuenta
que el objetivo de un proceso de IO es optimizar un proceso,
ya sea maximizando en algunos casos como cuando se
trata de ganancias, resultado, o minimizando si nos
referimos a recursos, personal, esfuerzo, tiempo etc.
1.1 DEFINICIÓN, DESARROLLO Y TIPOS DE MODELOS DE
INVESTIGACIÓ DE OPERACIONES

 Investigación de operaciones: Es la aplicación de la

metodología científica a través de modelos
matemáticos en donde primero se presenta el
problema y luego se resuelve.
 Tipos de modelos de I.O
1. Modelo simbólico o matemático
2. Modelo de simulación
3. Modelo Heurística
 Modelo simbólico o matemático
 Es el tipo de modelo más importante de la I.O. Al formular
este tipo de modelo uno supone que todas las variables
relevantes son cuantificables. Por consiguiente los símbolos
matemáticos se utilizan para representar variables las cuales
están relacionadas con las funciones matemáticas para
poder descubrir el comportamiento de un sistema,
lográndose la solución del modelo por una manipulación
matemática apropiada.
 Modelo de simulación.

 Estas imitan el comportamiento de sistema sobre un periodo.

Esto se logra especificando ciertos eventos los cuales son
puntos en el tiempo en donde se ocurrencia significa que
puede recolectarse su información la cual pertenece al
comportamiento de este sistema siendo está muy importante.
Los modelos de simulación no necesitan funciones
matemáticas para realizar variables, usualmente es posible
simular sistemas complejos que no pueden modelarse o
resolverse matemáticamente. La principal falla de la
simulación consiste en que el análisis es equivalente a realizar
experimentos y estar sujeto a errores experimentales.
 Modelo Heurístico.
 Este modelo heurístico de solución descansa en las reglas
empíricas o intuitivas, las cuales dan una solución actual al
modelo permitiendo determinar una solución mejorada.
Actualmente los métodos heurísticos son procedimiento de
búsqueda que pasan inteligentemente de un punto de
solución a otro con el objetivo de mejorar el criterio de este
modelo. Cuando ninguna mejora adicional puede lograrse
la mejor solución que se haya obtenido es la solución
aproximada al modelo.
Las fases de estudio de la I.O son las siguientes:

 Definición del problema: desde el punto de vista de la I.O nos indica 3

aspectos principales que son:
a) Una descripción de la meta u objetivo del estudio
b) Una identificación de las alternativas de decisión
c) Un reconocimiento de las limitaciones y restricciones como los requisitos del
sistema.

 Una descripción del objetivo del estudio debe reflejar una

representación aproximada del interés total del sistema, una falla
común en este aspecto es identificar algunas metas representando
solamente una porción del sistema.
 Construcción del modelo: Dependiendo de la definición del problema, el
equipo de I.O deberá decidir el modelo más adecuado para representar
el sistema. Tal modelo deberá especificar expresiones cuantitativas para
el objetivo y restricciones del problema. Si el modelo resultante se justa
a uno de los modelos matemáticos comunes para obtenerse una
solución conveniente mediante técnicas matemáticas. Si las relaciones
matemáticas de modelos son demasiado complejas para permitir
soluciones y puede ser apropiado un modelo de simulación.
 Solución del modelo: en modelos matemáticos se logra una solución
utilizando técnicas de optimización y se dice que este modelo
proporcionara una solución óptima si se utiliza los modelos de
simulación y heurísticos, el concepto de optimización no está también
definido y la solución en estos casos se emplea para obtener
evaluaciones aproximadas.
 Además de la solución del modelo se debe asegurar información
adicional sobre el comportamiento de la solución debida a cambios
en los parámetros del sistema. Usualmente esto se conoce como
análisis de sensibilidad. Tal análisis es especialmente necesario
cuando los parámetros del sistema no pueden estimarse
aproximadamente.
 Validación del modelo: un modelo es válido si independientemente de
sus inexactitudes al representar el sistema puede dar una predicción
confiable del funcionamiento del sistema. Un método común para
probar la validez de un modelo es comparar su funcionamiento con
algunos datos pasados con los disponibles del sistema actual. El
modelo será válido si bajo condiciones similares de entrada puede
reproducir el funcionamiento pasado del sistema
 Implantación de los resultados finales: esto implicaría básicamente la
traducción de estos resultados en instrucciones de operaciones
detalladas y emitidas en forma comprensible a los individuos que
administran y operan el sistema.
 Aplicaciones de la Investigación de Operaciones. Ha crecido
rápidamente principalmente por tener mejores conocimientos de esta
metodología. La creciente complejidad de los problemas que se
presentan cotidianamente, se tiene la necesidad de utilizar un
software y desarrollo de nuevos y mejores algoritmos.
Aplicaciones de la I.O
1. Optimización de las operaciones de 6. Optimización de la inversión del capital
producción para cumplir con la finalidad de un para producir gas natural durante 20 años.
costo mínimo.
7. Administración de inventarios de
2. La optimización del corte de arboles en petróleo y carbón para el sector eléctrico
productos de madera maximizando su con la finalidad de equilibrar los costos de
producción. inventarios.
3. Asignación optima de recursos hidráulicos 8. Optimización de la programación y
térmicos en el sistema nacional de generación de asignación de los sistemas
energía. computarizados.
4. Programación de turnos de trabajo en oficinas 9. Optimización de la mezcla de
de reservaciones y aeropuertos para cumplir con ingredientes disponibles para que los
las necesidades del cliente. productos de gasolina cumplieran con los
requerimientos de venta y calidad.
5. Optimización de las operaciones de
distribución y comercialización de un producto. 10. Rapidez en la coordinación de aviones,
tripulación, carga y pasajeros para manejar
la evacuación por aire de proyectos
 1.2 FORMULACIÓN DE MODELOS
 Un modelo de programación lineal de 2 variables es el que se nos presenta cuando
queremos optimizar un proceso en el cual están inmiscuidos 2 factores los cuales
influyen directamente en los resultados de estudio.
 Por ejemplo: Si queremos realizar una investigación para maximizar las ganancias de
una fábrica de computadoras en la cual existen 2 líneas de fabricación una para
fabricar laptops y otra para PC de escritorio y los costos de fabricación y valores de
venta de las mismas son diferentes, entonces estaremos en presencia de un Modelo
de Programación Lineal de 2 variables donde una se referiría a las producción de
laptops y otra a la producción de PC de escritorio, ya que en dependencia de las
restricciones y lo que se quiere obtener como resultado podría decidirse sobre cuáles
son las cantidades de uno u otro tipo de computadora que sería más factible producir
para logar el resultado deseado.
Modelo matemático

 Un modelo es una herramienta que nos sirve para lograr una visión
bien estructurada de la realidad. Su propósito es proporcionar un
medio para analizar el comportamiento de los componentes de un
sistema con el fin de optimizar su desempeño.
 Un modelo matemático es producto de la abstracción de un sistema
real eliminando las complejidades haciendo suposiciones
supertinentes, se aplica una térmica matemática y se obtiene una
representación simbólica del mismo
 Elemento de un modelo matemático
1. Variables de decisión: Son las incógnitas que deben determinarse a partir
de la solución del modelo y se representa por
2. Parámetros: Son los valores conocidos del sistema o bien que se pueden
controlar
3. Restricciones: Son relaciones entre las variables de decisión y magnitudes
que dan sentido a la solución del problema y las acotan a valores factibles;
y las restricciones del modelo limitan, el valor de los variables de decisión y
son los recursos disponibles limitados, que incluye la restricción de no
negatividad () de las variables d decisión
4. Función objetivo: Es una relación matemática entre las variables de
decisión, parámetros y una magnitud que representa el objetivo o producto
del sistema, (Z), el cual es la medición de la efectividad en función de las
variables. Determínalo que se va a optimizar (Maximizar o minimizar)
Podemos considerar la situación como un problema de
toma de decisiones, cuya solución requiere responder
tres preguntas:

1. ¿Cuáles son las alternativas de decisión?

2. ¿Conforme a qué restricciones se toma la decisión?
3. ¿Cuál es el criterio objetivo apropiado para evaluar las
alternativas?
EJEMPLO: 1

Una fabrica produce 2 productos m y n, costos de producción de

ambos productos son 3 pesos para el producto m y 5 pesos para el
producto n. Si el tiempo total de producción esta restringido a 500
horas, y el tiempo de producción son de 8 horas por unidad para el
producto M y 4 horas para el producto N, minimizar el costo de
producción
PASO 1: Crear el proceso, tabular.
Tipo de producto Tiempo de Costo de producción
producción por
unidad
M 8 3
N 4 5
Continuación…

 PASO 2: Definición de variables de decisión

Cantidad de producto a producir de M

Cantidad de producto a producir de N

 PASO 3: Definir las restricciones

 PASO 4: Definición de la función objetivo

 PASO 5: Crear el modelo de programación lineal (P.L.)

Minimizar

Sujeto a:
EJEMPLO 2:

 Un granjero López tiene 480 hectáreas en las que se puede sembrar

ya sea frijol o maíz, él calcula que tiene800 horas de trabajo
disponible durante la estación crucial del verano. Dado los márgenes
de utilidad. ¿Cuál es la utilidad máxima que proporciona al plantar
ambos productos? se da la siguiente información.

Maíz Frijol

Utilidad $40 hora $30 hora

Trabajo 2 hectáreas/hr. 1 hectárea/hr.

EJEMPLO 3:

 Reddy Mikks produce pinturas tanto para interiores como

para exteriores a partir de 2 materias primas m1 y m2. La
siguiente tabla proporciona los datos básicos del problema.
Materia prima en toneladas Toneladas
Pintura Ext. Pintura Int. Disponibilidad
máxima diaria

Materia prima M1 6 4 24
Materia prima M2 1 2
6
Utilidad por 5 4
tonelada (1000
dólares)
Continuación…

 Una encuesta de mercado restringe la de la demanda

máxima diaria de pintura para interiores a 2 toneladas.
Además la demanda diaria de pintura interiores no puede
exceder la pintura para exteriores, por más de una
tonelada. Reddy Mikks quiere determinar la mezcla de
producto optima de pinturas para interiores y exteriores que
maximicé la utilidad total diaria
 Los dos días mas importante de
tu vida: El día que naces y el día
que descubres porque.
Buen día!!
1.2 SOLUCIÓN GRÁFICA

 Método gráfico: Es una técnica en la cual un modelo de

programación lineal de 2 variables se resuelven
gráficamente. El procedimiento gráfico incluye 2 pasos
básicos:
1. La determinación del espacio de solución que define las
soluciones factibles que satisfacen todas las restricciones del
modelo.
2. La determinación de la solución optima de entre todos los
puntos en el espacio de solución factible.
Ejemplo: Solución grafica del problema de Reddy Mikks

Función objetivo:
S. a.

Paso 1: Determinar el espacio de solución

 Seguimiento: Graficar las funciones de solución
 Seguimiento: Encontrar los puntos o coordenadas del espacio de solución

A (0,0) B (0, 1), C (1,2), D (2, 2), E (x, y) y F(4,0)

Para encontrar la coordenada de E se tiene que realizar un sistema de ecuaciones de

eliminación de variables de la siguiente manera:
 Paso 2: Función objetivo

Evaluar la función para encontrar el valor optimo:

 A (0,0) B (0, 1), C (1,2), D (2, 2), E (3, 3/2) y F(4,0)
Coordenadas Sustitución Valor de Z
A (0,0) Z=5(0)+4(0) 0
B (0, 1), Z=5(0)+4(1) 4
C (1,2), Z=5(1)+4(2) 13
D (2, 2) Z=5(2)+4(2) 18
E (3, 3/2) Z=5(3)+4(3/2) 21
F(4,0) Z=5(4)+4(0) 20
LAS MATEAMTICAS NOS ENSEÑARON QUE TODOS LOS
PROBLEMAS TIENEN SOLUCIÓN
https://www.zweigmedia.com/utilities/lpg/index.html?lang=es
Conclusión del problema:

 La mezcla optima diaria del producto es de 3

toneladas de pintura para exteriores y 1.5
(3/2) toneladas de pintura para exteriores, lo
cual producirá una utilidad diaria de 21,000
dólares
 http://www.phpsimplex.com/simplex/grafico1.
php?l=es&metodo=grafico&v=2&rt=4&Submit
=Continuar
¿ALGUNA DUDA
HASTA AHORA?
 Ejercicio:
1. Un negocio se dedica a la fabricación de sillas y mesas, fabricar cada uno consume
una determinada cantidad de tiempo (en horas) de los departamentos “corte” y
“ensamble”. Los departamentos tiene disponible una limitada cantidad de horas de
trabajos 120 horas para corte y 90 horas para ensamble. Cada uno de los productos
ofrecen a la empresa la siguiente contribución: $50 usd para las mesas y $80 usd
para las sillas. La información mas los consumos de tiempo de cada producto se
resumen en la siguiente tabla:

Proceso Consumo de tiempo por cada Tiempo disponible en Determine la

unidad de producto, horas cada departamento
cantidad a
horas.
producto de
sillas y mesas
Mesa Sillas para obtener la
máxima ganancia
posible
Corte 1 2 120
Problema del granjero
Problemas de las sillas y mesas
 Resolver los siguientes ejercicios

2. La compañía ODGA S.A, fabrica 2 tipos de productos, producto A y producto B; cada

producto A genera una utilidad de 3USD y cada producto B una utilidad de 5 USD. La
disponibilidad de los centros de maquinados se presenta en la siguiente tabla. La
producción del producto A requiere de 4 horas de trabajo en el centro de maquinado 1 y 2
horas en el centro de maquinado 2. La fabricación del producto B requiere 6 horas en el
centro de maquinado 1, 6 horas en el maquinado 2 y 1 hora en el centro de maquinado 3.

Centro de Disponibilidad (horas máximas)

maquinado
1 120
2 72
3 10
Si la empresa busca maximizar la utilidad. ¿Cuántos productos de cada tipo debe
fabricarse por día?
Continuación…

3.- Maximizar 4.- Minimizar

Ejercicio 1:
Ejercicio 2
Ejercicio 3:
1.2 METODO SIMPLEX

 La mayor parte de los PL de la vida cotidiano tiene varias variables, por lo que es
necesario un método para resolver PL con más de 2 variables.
 El algoritmo simplex se usa para resolver PL que tienen miles de restricciones y
variables y se aplican en la industria.
 Antes de poder utilizar el algoritmo simplex para resolver un PL, este se debe
convertir en un problema equivalente en el cual todas las restricciones son
ecuaciones y todas las variables son no negatividad.
 Se dice que un PL en esta forma está en la forma estándar cada restricción de
desigualdad se debe reemplazar por una restricción de igualdad:
Reglas:

 Se define para cada restricción una variable de holgura respetando las siguientes
formas:

Forma inicial Forma PL transformada Variable de desviación

deseada
Ejemplo

Forma de programación lineal Forma estándar

Minimizar

S.A. S.A
Pasos para resolver problemas con el método simplex

1. Transformar el problema de PL a forma estándar

2. Tabular el modelo en la forma simplex
3. Identificar a la variable de entrada que es aquella variable no básica con el coeficiente más
negativo en el renglón Z cuando sea problema de maximización y cuando sea minimización
será el coeficiente más positivo en el renglón Z.
4. Encontrar las razones o intersecciones identificando al ganador de la prueba del
coeficiente, aquella razón no negativa mínima (Es decir un valor menor pero positivo)
5. Encontrar el renglón pivote el cual será aquella donde se identifico la razón no negativa
mínima.
6. Identificar el elemento pivote, ya que será donde hay una intersección entre la variable de
entrada y el renglón pivote
7. Calcular la nueva solución básica basándose en las operaciones de renglones gaus-jordan.
Dichos cálculos incluye 2 tipos:
 2 tipos de cálculos:

Paso 8: Se termina de resolver el problema siempre y cuando en el renglón Z ya no existe

valores negativos
Ejemplo con el método simplex: Reddy Mikks

 P.L Maximiza

S. a.
Paso 1: Convertir en forma estándar

Maximiza

S. a.
Paso 2: Tabular el modelo en la forma simplex

z x1 x2 s1 s2 s3 s4 Solución Razón
optima

Z 1 -5 -4 0 0 0 0 0

S1 0 6 4 1 0 0 0 24

S2 0 1 2 0 1 0 0 6

S3 0 0 1 0 0 1 0 2

S4 0 -1 1 0 0 0 1 1
Paso 3: Identificar Variable de entrada
Variable de entrada

z x1 x2 s1 s2 s3 s4 Solución Razón
optima

Z 1 -5 -4 0 0 0 0 0

S1 0 6 4 1 0 0 0 24

S2 0 1 2 0 1 0 0 6

S3 0 0 1 0 0 1 0 2

S4 0 -1 1 0 0 0 1 1
Paso 4: Razón

z x1 x2 s1 s2 s3 s4 Solución Razón
optima

Z 1 -5 -4 0 0 0 0 0 0/-5=0

S1 0 6 4 1 0 0 0 24 24/6=4

S2 0 1 2 0 1 0 0 6 6/1 =6

S3 0 0 1 0 0 1 0 2 2/0=∞

S4 0 -1 1 0 0 0 1 1 -1/1 =-1
Paso 5: Encontrar el renglón pivote

Renglón
pivote
Paso 6: Encontrar el elemento pivote
Elemento pivote
Paso 7: Calcular la solución básica optima
Nuevo renglón
pivote =Renglón
z x1 x2 s1 s2 s3 s4 Solución Razón
pivote
optima actual/Elemento
pivote

Z 1 -5 -4 0 0 0 0 0

x1 0 1 2/3 1/6 0 0 0 4

S2 0 1 2 0 1 0 0 6

S3 0 0 1 0 0 1 0 2

S4 0 -1 1 0 0 0 1 1

Tener valores “0” en esta fila.

Continuación…

z x1 x2 s1 s2 s3 s4 Solución Razón
optima

Z 1 0 -2/3 5/6 0 0 0 20

X1 0 1 2/3 1/6 0 0 0 4 6

x2 0 0 4/3 -1/6 1 0 0 2 3/2

S3 0 0 1 0 0 1 0 2 2

S4 0 0 5/3 1/6 0 0 1 5 3
Continuación…

z x1 x2 s1 s2 s3 s4 Solución Razón
optima

Z 1 0 0 ¾ ½ 0 0 21

X1 0 1 0 1/4 -1/2 0 0 3

X2 0 0 1 -1/8 ¾ 0 0 3/2

S3 0 0 0 1/8 -3/4 1 0 ½

S4 0 0 0 3/8 -5/4 0 1 5/2

Solución optima:
Resolver con el programa
Ejercicios

 Resolver el siguiente problema de Programación Lineal utilizando el Método

Simplex:
 Max     z= 40X1 + 60X2

s.a.     2X1 + 1X2 <= 70

         1X1 + 1X2 <= 40
            1X1 + 3X2 <= 90
             X1 >= 0  X2 >= 0
2.- Maximizar 3.- Minimizar
Ser grande no
es cuestión de
tamaño sino
de ACTITUD
!!PARA ALCANZAR
LO QUE NUNCA
HAS TENIDO
TENDRÁS QUE
HACER LO QUE
NUNCA HAS
HECHO!!