Io Guia Tema 1 PDF

UNIVERSIDAD NACIONAL EXPERIMENTAL
“FRANCISCO DE MIRANDA”
ÁREA DE TECNOLOGÍA
DEPARTAMENTO DE GERENCIA
INVESTIGACIÓN DE OPERACIONES
PROFESOR: Dr. JUAN LUGO MARÍN
Tema No. 1
Introducción a la Investigación de operaciones y Modelación
Introducción
La programación matemática es una potente técnica de modelado
usada en el proceso de toma de decisiones. Cuando se trata de resolver un
problema de esta naturaleza, la primera etapa consiste en identificar las
posibles decisiones que pueden tomarse; esto lleva a identificar las
variables del problema concreto. Normalmente, las variables son de
carácter cuantitativo y se buscan los valores que optimizan el objetivo. La
segunda etapa supone determinar que decisiones resultan admisibles; esto
conduce a un conjunto de restricciones que se determinan teniendo
presente la naturaleza del problema en cuestión. En la tercera etapa, se
calcula el costo/beneficio asociado a cada decisión admisible; esto supone
determinar una función objetivo que asigna, a cada conjunto posible de
valores para las variables que determinan una decisión, un valor de
costo/beneficio. El conjunto de todos estos elementos define el problema de
optimización.
La programación lineal (PL), que trata exclusivamente con funciones
objetivos y restricciones lineales, es una parte de la programación
matemática, y una de las áreas más importantes de la matemática aplicada.
Se utiliza en campos como la ingeniería, la economía, la gestión, y muchas
otras áreas de la ciencia, la técnica y la industria. En el presente tema se
introduce la programación lineal por medio de los aspectos teóricos que la
definen y determinan para luego ilustrarla con varios ejemplos
seleccionados. Para empezar nuestra exposición se hace notar que cualquier
problema de programación lineal requiere identificar cuatro componentes
básicos:
1. El conjunto de datos.
1
2. El conjunto de variables involucradas en el problema, junto con sus
dominios respectivos de definición.
3. El conjunto de restricciones lineales del problema que definen el conjunto
de soluciones admisibles.
4. La función lineal que debe ser optimizada (minimizada o maximizada).
En el presente material didáctico se provee una lista de ejemplos,

prestando especial atención en cada caso a estos cuatro elementos.
La lista seleccionada no es sino una pequeña muestra de la gran
cantidad de problemas de programación lineal (PL) disponibles en las
referencias. El objetivo en dicha selección es poder ilustrar de manera clara
el alcance de la programación lineal y ayudar a los estudiantes de este
curso a familiarizarse con los cuatro elementos descritos anteriormente.
Antes de iniciar con los aspectos teórico prácticos de lo que implica la
formulación de Modelos de Programación Lineal, se pretende acercar al
alumno a los aspectos teóricos de la Investigación de Operaciones, haciendo
especial enfásis en: los orígenes de la Investigación de Operaciones,
algunas definiciones conceptuales de la misma, y principales áreas de
aplicación. Se considera fundamental también el revisar algunos conceptos
relacionados con los Modelos dado su importancia y protagonismo que
reviste en el ámbito de la Investigación de Operaciones.
Orígenes de la Investigación de Operaciones

Desde al advenimiento de la Revolución Industrial, el mundo ha sido
testigo de un crecimiento sin precedentes en el tamaño y la complejidad de
las organizaciones. En ese periodo de la historia, los pequeños talleres
artesanales se convirtieron en las corporaciones actuales que manejan
enormes cantidades de recursos humanos, técnicos, monetarios y materiales.
Conforme las organizaciones se hicieron más complejas, también se hizo más
complejo el proceso de toma de decisiones. Puesto que en muchas decisiones
estaba en juego la inversión de enormes cantidades de dinero, así como
esfuerzos de otras naturaleza, no necesariamente monetarias, se hacía
imperiosa la necesidad de contar con un enfoque sistemática y científicamente
bien soportado, para llevar a cabo el proceso de toma de decisiones en el
seno de las organizaciones. Tenemos entonces que el incremento de la
2
complejidad organizacional, los múltiples problemas generados por esta así
como la necesidad de encontrar la mejor forma de resolverlos, proporcionaron
el ambiente adecuado para el surgimiento de la Investigación de Operaciones
(IO).
Las raíces de la Investigación de Operaciones se remontan a muchas
décadas, cuando se hicieron los primeros intentos para emplear el método
científico en la administración de una empresa. Sin embargo, el surgimiento
formal de la actividad llamada Investigación de Operaciones, está relacionada
con los servicios militares prestados a principios de la segunda guerra
mundial. Debido a los esfuerzos bélicos, existía una necesidad urgente de
asignar recursos escasos a las distintas operaciones militares y a las
actividades dentro de cada operación, en la forma más efectiva. Por esto, las
administraciones militares americana e inglesa hicieron un llamado a un gran
número de científicos para que aplicaran el método científico a éste y a otros
problemas estratégicos y tácticos. De hecho, se les pidió que hicieran
investigación sobre operaciones (militares). Estos equipos de científicos
fueron los primeros equipos de IO. Con el desarrollo de métodos efectivos
para el uso del nuevo radar, estos equipos contribuyeron al triunfo del
combate aéreo inglés. A través de sus investigaciones para mejorar el manejo
de las operaciones antisubmarinas y de protección, jugaron también un papel
importante en la victoria de la batalla del Atlántico Norte.
Al terminar la guerra, el éxito de la Investigación de Operaciones en las
actividades bélicas generó un gran interés en sus aplicaciones fuera del
campo militar. Como la explosión industrial seguía su curso, los problemas
causados por el aumento en la complejidad y especialización dentro de las
organizaciones pasaron de nuevo a primer plano. Comenzó a ser evidente
para un gran número de personas, incluyendo a los consultores industriales
que habían trabajado con o para los equipos de IO durante la guerra, que
estos problemas eran básicamente los mismos que los enfrentados por la
milicia, pero en un contexto diferente. Así que los estudiosos de este nuevo
enfoque encontraron el ambiente propicio para extrapolar los principios
teórico – prácticos de la Investigación de Operaciones del ámbito de la milicia
al ámbito de las organizaciones, y cuando se habla de organizaciones nos
referimos a estas en su definición más amplia: empresas manufactureras,
refinerías, hospitales, universidades, hoteles, etc.
3
Es así como, cuando comienza la década de 1950, estos individuos
habían introducido el uso de la investigación de operaciones en la industria,
los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado
con rapidez. Aunque se ha acreditado a Gran Bretaña el inicio de la
Investigación de Operaciones como una nueva disciplina, los Estados Unidos
tomaron pronto el liderazgo en este campo rápidamente creciente. La
primera técnica matemática ampliamente aceptada en el medio de
Investigación de Operaciones fue el Método Símplex de Programación
Lineal, desarrollado en 1947 por el matemático norteamericano George B.
Dantzig. Desde entonces las nuevas técnicas se han desarrollado gracias al
esfuerzo y cooperación de las personas interesadas tanto en el área
académica como en el área industrial.
Otro factor que dio gran empuje al desarrollo de este campo fue el
advenimiento de la computadoras. Para manejar de una manera efectiva los
complejos problemas inherentes a esta disciplina, por lo general se requiere
un gran número de cálculos. Llevarlos a cabo manualmente puede resultar
casi imposible. Por lo tanto, el desarrollo de la computadora, con su enorme
capacidad para realizar cálculos aritméticos, miles o tal vez millones de veces
más rápido que los seres humanos, fue una gran ayuda para la investigación
de operaciones. Un avance más tuvo lugar en la década de 1980 con el
desarrollo de las computadoras personales cada vez más rápidas,
acompañado de buenos paquetes de software para resolver problemas de IO,
esto puso las técnicas al alcance de un gran número de personas. Hoy en día,
literalmente millones de individuos tienen acceso a estos paquetes, lo que ha
generalizado el empleo de esta disciplina a las distintas empresas en todo el
mundo.
Características de la Investigación de Operaciones

Es muy notable el rápido crecimiento del tamaño y la complejidad de
las organizaciones (empresas) que se ha dado en estos últimos tiempos. Tal
tamaño y complejidad nos hace pensar que una sola decisión equivocada
puede repercutir grandemente en los intereses y objetivos de la
organización y en ocasiones pueden pasar años para rectificar tal error.
También el ritmo de la empresa de hoy implica que las DECISIONES se
tomen más rápidamente que nunca, pues el hecho de posponer la acción
4
puede dar una decisiva ventaja al contrario en este mundo de alta
competencia.
La palpable dificultad de tomar decisiones ha hecho que el hombre
se aboque en la búsqueda de una herramienta o método que le permita
tomar las mejores decisiones de acuerdo a los recursos disponibles y a los
objetivos que persigue. Tal herramienta recibió el nombre de Investigación
de Operaciones.
Cuando nos referimos a la Investigación de Operaciones, es
importante resaltar los siguientes términos: organización, sistema, grupos
interdisciplinarios, objetivo y metodología científica.
Una organización puede entenderse como un sistema, en el cual
existen componentes; canales que comunican tales componentes e
información que fluye por dichos canales. En todo sistema los componentes
interactúan unos con otros y tales interacciones pueden ser controlables e
incontrolables. En un sistema grande, los componentes se relacionan de
muchas maneras, pero no todas son importantes, o mejor dicho, no todas
las interacciones tienen efectos importantes en las componentes del sistema
visto como un todo.
Por lo tanto es necesario que exista un procedimiento sistemático que
identifique a quienes toman decisiones y a las interacciones que tengan
importancia para los objetivos de la organización o sistema. Uno de esos
procedimientos es precisamente la Investigación de Operaciones.
La Investigación de Operaciones desde sus inicios siempre ha estado
ligada a aceptar el fenómeno de la complejidad en los distintos niveles
organizacionales, partiendo del paradigma sistémico para estudiar los
problemas organizacionales, por esta razón es fácil inferir que los problemas
que se presentan en las organizaciones no fácilmente se pueden resolver
por un sólo especialista. Por el contrario son problemas multidisciplinarios,
cuyo análisis y solución requieren de la participación de varios
“especialistas”. Estos grupos interdisciplinarios, multidisciplinarios y más
recientemente transdisciplinarios, necesariamente requieren de un lenguaje
común para poder entenderse y comunicarse, donde la Investigación de
Operaciones viene a ser ese puente de comunicación.
Ya se había mencionado que el enfoque de la Investigación de
Operaciones, es sistemático y científico, se dice que es científico puesto que
5
su concepción misma está inspirada en método científico. En particular, el
proceso de la Investigación de Operaciones comienza por la observación
cuidadosa y la formulación del problema y sigue con la construcción de un
modelo científico (por lo general matemático) que intenta abstraer la
esencia del problema real. En este punto se propone la hipótesis de que el
modelo es una representación lo suficientemente precisa de las
características esenciales de la situación real estudiada como para que las
conclusiones (soluciones) obtenidas a través del modelo sean válidas
también para el problema real. Esta hipótesis se verifica y modifica
mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigación
de Operaciones incluye la investigación científica creativa de las
propiedades fundamentales de las operaciones. Sin embargo, existe más
que esto. En particular, la Investigación de Operaciones se ocupa también
de la administración práctica de la organización. Así, para tener éxito,
deberá también proporcionar conclusiones positivas y claras que pueda usar
el tomador de decisiones cuando las necesite.
La contribución del enfoque de Investigación de Operaciones proviene
principalmente de:
1. La estructuración de una situación de la vida real como un modelo
matemático, logrando una abstracción de los elementos esenciales para que
pueda buscarse una solución que concuerde con los objetivos del tomador
de decisiones. Esto implica tomar en cuenta el problema dentro del contexto
del sistema completo.
2. El análisis de la estructura de tales soluciones y el desarrollo de
procedimientos sistemáticos para obtenerlas.
3. El desarrollo de una solución, incluyendo la teoría matemática si es
necesario, que lleva al valor óptimo de la medida de lo que se espera del
sistema (o quizá que compare los cursos de acción opcionales evaluando
esta medida para cada uno).
Investigación de operaciones y Toma de Decisiones
6
La toma de decisiones es un proceso que se inicia cuando una persona
observa un problema y determina que es necesario resolverlo procediendo a
definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a
generar alternativas de solución y evaluarlas hasta seleccionar la que le
parece mejor entre el conjunto de alternativas factibles disponibles, este
proceso puede se cualitativo o cuantitativo.
El enfoque cualitativo se basa en la experiencia y el juicio personal, las
habilidades necesarias en este enfoque son inherentes en la persona y
aumentan con la práctica. En muchas ocasiones este proceso basta para
tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se
obtienen del estudio de herramientas matemáticas que le permitan a la
persona mejorar su efectividad en la toma de decisiones. Este enfoque es útil
cuando no se tiene experiencia con problemas similares o cuando el problema
es tan complejo o importante que requiere de un análisis exhaustivo para
tener mayor posibilidad de elegir la mejor solución.
La investigación de operaciones proporciona a los tomadores de
decisiones bases cuantitativas para seleccionar las mejores decisiones y
permite elevar su habilidad para hacer planes a futuro.
En el ambiente socioeconómico, complementado con el enorme auge
de las tecnologías de información y comunicación, hacen que el escenario de
los negocios hoy por hoy sean altamente competitivo y complejo, en ese
contexto los métodos tradicionales de toma de decisiones se han vuelto
inoperantes e inadmisibles ya que los responsables de dirigir las actividades
de las empresas e instituciones se enfrentan a situaciones complicadas,
inestables y cambiantes con rapidez, que requieren de soluciones creativas y
prácticas apoyadas en una base cuantitativa sólida.
En organizaciones grandes se hace necesario que el tomador de
decisiones tenga un conocimiento básico de las herramientas cuantitativas
que utilizan los especialistas para poder trabajar en forma estrecha con ellos y
ser receptivos a las soluciones y recomendaciones que se le presenten.
En organizaciones pequeñas puede darse que el tomador de decisiones
domine las herramientas cuantitativas y él mismo las aplique para apoyarse
en ellas y así tomar sus decisiones.
Investigación de Operaciones– Algunas Definiciones-
7
Como toda disciplina en desarrollo, la investigación de operaciones ha
ido evolucionando no sólo en sus técnicas y aplicaciones sino en la forma
como la conceptualizan los diferentes autores, en la actualidad no existe
solamente una definición sino muchas, algunas demasiado generales, otras
demasiado engañosas, aquí se han seleccionado algunas de las más
aceptadas y representativas.
Ladefinición de Churchman, Ackoff y Arnoff, plantean que la
Investigación de operaciones es la aplicación, por grupos interdisciplinarios,
del método científico a problemas relacionados con el control de las
organizaciones o sistemas (hombre-máquina), a fin de que se produzcan
soluciones que mejor sirvan a los objetivos de la organización.
De ésta definición se pueden destacar los siguientes aspectos:
1. Una organización es un sistema formado por componentes que
se interaccionan, unas de estas interacciones pueden ser controladas y
otras no.
2. En un sistema la información es una parte fundamental, ya que
entre las componentes fluye información que ocasiona la interacción entre
ellas. También dentro de la estructura de los sistemas se encuentran
recursos que generan interacciones. Los objetivos de la organización se
refieren a la eficacia y eficiencia con que las componentes pueden
controlarse, el control es un mecanismo de autocorrección del sistema que
permite evaluar los resultados en términos de los objetivos establecidos.
3. La complejidad de los problemas que se presentan en las
organizaciones ya no encajan en una sola disciplina del conocimiento, se
han convertido en multidisciplinario por lo cual para su análisis y solución
se requieren grupos compuestos por especialistas de diferentes áreas del
conocimiento que logran comunicarse con un lenguaje común.
4. La investigación de operaciones es la aplicación de la
metodología científica a través modelos matemáticos, primero para
representar al problema y luego para resolverlo.
La definición de la sociedad de investigación de operaciones de la
Gran Bretaña es la siguiente: La investigación de operaciones es el
abordaje de la ciencia moderna a los complejos problemas que surgen en la
dirección y en la administración de grandes sistemas de hombres,
máquinas, materiales y dinero, en la industria, en los negocios, en el
8
gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un
modelo científico del sistema tal, que incorpore valoraciones de factores
como el azar y el riesgo y mediante el cual se predigan y comparen los
resultados de decisiones, estrategias o controles alternativos. Su propósito
es el de ayudar a la gerencia a determinar científicamente sus políticas y
acciones.
En relación a ésta definición deben destacarse los siguientes aspectos:

1. Generalmente se asocian los conceptos de dirección y
administración a las empresas de tipo lucrativo, sin embargo, una empresa
es un concepto más amplio, es algo que utiliza hombres, máquinas,
materiales y dinero con un propósito específico; desde éste punto de vista,
se considera como empresa desde una universidad hasta una
ensambladora de automóviles.
2. Para tratar de explicar el comportamiento de un sistema
complejo, el científico debe representarlo en términos de los conceptos que
maneja, lo hace expresando todos los rasgos principales del sistema por
medio de relaciones matemáticas. A esta representación formal se le llama
modelo.
3. La esencia de un modelo es que debe ser predictivo, lo cual no
significa predecir el futuro, pero si ser capaz de indicar muchas cosas
acerca de la forma en que se puede esperar que un sistema opere en una
variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se
conocen las debilidades del sistema se pueden tomar cursos de acción
agrupados en tres categorías: A) Efectuar cambios que lleven a la empresa
o parte de ella a una nueva ruta; B) Realizar un plan de toma de
decisiones; C) Instalar estrategias que generen decisiones. Cuando se
aplica alguno de estos remedios, la investigación de operaciones nos ayuda
a determinar la acción menos vulnerable ante un futuro incierto.
4. El objetivo global de la investigación de operaciones es el de
apoyar al tomador de decisiones, en cuanto ayudarlo a cumplir con su
función basado en estudios científicamente fundamentados.
9
La Investigación de Operaciones también se puede definir como la
aplicación por grupos interdisciplinarios del método científico a problemas
relacionados con el control de las organizaciones o sistemas a fin de que se
produzcan soluciones que mejor sirvan a los objetivos de toda la
organización, esto se logra a través del modelado de sistemas
probabilísticos o determinísticos a situaciones reales que se suceden en las
organizaciones.
Características de la Investigación de Operaciones.

La Investigación de Operaciones usa el método científico para
investigar el problema en cuestión. En particular, el proceso comienza por la
observación cuidadosa y la formulación del problema incluyendo la
recolección de datos pertinentes.
La Investigación de Operaciones adopta un punto de vista
organizacional sistémico global. De esta manera intenta resolver los
conflictos de interés entre los componentes de la organización de forma que
el resultado sea el mejor para la organización como un todo.
La Investigación de Operaciones intenta encontrar una mejor solución
(llamada solución optima), para el problema bajo consideración. En lugar de
contentarse con mejorar el estado de las cosas, la meta es identificar el
mejor curso de acción posible. Cuando en el ámbito de la Investigación de
Operaciones se hace referencia a la solución óptima, la misma hace
referencia a la “mejor” solución entre el conjunto de soluciones o
alternativas factibles disponibles.
En la Investigación de Operaciones es necesario emplear el enfoque
de equipo. Los equipos de IO deben incluir personal con antecedentes
firmes en matemáticas, estadísticas y teoría de probabilidades, economía,
administración de empresas ciencias de la computación, ingeniería, etc. El
equipo también necesita tener la experiencia y las habilidades para permitir
la consideración adecuada de todas las ramificaciones del problema.
La Investigación de Operaciones ha desarrollado una serie de técnicas
y modelos muy útiles en el campo de la Ingeniería. Entre ellos tenemos: la
Programación No Lineal, Teoría de Colas, Programación Entera,
Programación Dinámica, entre otras.
10
La Investigación de Operaciones tiende a representar el problema
cuantitativamente para poder analizarlo y evaluar un criterio común.
Metodología de la Investigación de Operaciones
El proceso de la Investigación de Operaciones comprende las

siguientes fases:
Definición del problema.
Formulación del modelo matemático.
Solución del modelo.
Validación del modelo.
Implementación de resultados.
Explicando en más detalles cada una de estas fases

tenemos:
Definición del Problema y Recolección de Datos: La mayor parte

de los problemas prácticos con los que se enfrenta el equipo IO están
descritos inicialmente de una manera vaga. Por consiguiente, la primera
actividad que se debe realizar es el estudio del sistema relevante y el
desarrollo de un resumen bien definido del problema que se va a analizar.
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo
que se puede hacer, las interrelaciones del área bajo estudio con otras áreas
de la organización, los diferentes cursos de acción posibles, los límites de
tiempo para tomar una decisión, etc. Este proceso de definir el problema es
crucial ya que afectará en forma significativa la relevancia de las conclusiones
del estudio. ¡Es difícil extraer una respuesta "correcta" a partir de un
problema "equivocado"!
Para formular un problema se requiere; a) identificar las componentes
y variables controlables y no controlables del sistema; b) identificar los
posibles cursos de acción, determinados por las componentes controlables; c)
definir el marco de referencia dado por las componentes no controlables; d)
definir los objetivos que se busca alcanzar y clasificarlos por orden de
importancia; e) identificar las interpelaciones importantes entre las diferentes
partes del sistema y encontrar las restricciones que existen.
11
Formulación de un modelo matemático: Una vez definido el
problema, la siguiente etapa consiste en formularlo de manera conveniente
para su análisis. La forma convencional en que la investigación de operaciones
realiza esto es construyendo un modelo matemático que represente la esencia
del problema. Antes de analizar como formular los modelos de este tipo, se
explorará la naturaleza general de los modelos y, en particular, la de los
modelos matemáticos.
El modelo matemático está constituido por relaciones matemáticas
(ecuaciones y desigualdades) establecidas en términos de variables, que
representa la esencia el problema que se pretende solucionar.
Para construir un modelo es necesario primero definir las variables en
función de las cuales será establecido. Luego, se procede a determinar
matemáticamente cada una de las dos partes que constituyen un modelo: a)
la medida de efectividad que permite conocer el nivel de logro de los objetivos
y generalmente es una función (ecuación) llamada función objetivo; b) las
limitantes del problema llamadas restricciones que son un conjunto de
igualdades o desigualdades que constituyen las barreras y obstáculos para la
consecución del objetivo.
Un modelo siempre debe ser menos complejo que el problema real, es
una aproximación abstracta de la realidad con consideraciones y
simplificaciones que hacen más manejable el problema y permiten evaluar
eficientemente las alternativas de solución.
Los modelos matemáticos tienen muchas ventajas sobre una
descripción verbal del problema. Una ventaja obvia es que el modelo
matemático describe un problema en forma mucho más concisa. Esto tiende a
hacer que toda la estructura del problema sea más comprensible y ayude a
revelar las relaciones importantes entre causa y efecto. Es decir, existen
obstáculos que deben evitarse al usar modelos matemáticos. Un modelo es,
necesariamente, una idealización abstracta del problema, por lo que casi
siempre se requieren aproximaciones y suposiciones de simplificación si se
quiere que el modelo sea manejable (susceptible de ser resuelto).
Solución del modelo: Resolver un modelo consiste en encontrar los

valores de las variables, asociadas a las componentes controlables del sistema
12
con el propósito de optimizar, si es posible, o cuando menos mejorar la
eficiencia o la efectividad del sistema dentro del marco de referencia que fijan
los objetivos y las restricciones del problema.
La selección del método de solución depende de las características del
modelo. Muchos de los procedimientos de solución tienen la característica de
ser iterativos, es decir buscan la solución en base a la repetición de la misma
regla analítica hasta llegar a ella, si la hay, o cuando menos a una
aproximación.
Validación y Prueba del modelo: El desarrollo de un modelo

matemático grande es análogo en algunos aspectos al desarrollo de un
programa de computadora grande. Cuando se completa la primera versión, es
inevitable que contenga muchas fallas. El programa debe probarse de manera
exhaustiva para tratar de encontrar y corregir tantos problemas como sea
posible. Eventualmente, después de una larga serie de programas mejorados,
el programador (o equipo de programación) concluye que el actual da, en
general, resultados razonablemente válidos. Aunque sin duda quedarán
algunas fallas ocultas en el programa (y quizá nunca se detecten, se habrán
eliminado suficientes problemas importantes como para que sea confiable
utilizarlo).
De manera similar, es inevitable que la primera versión de un modelo
matemático grande tenga muchas fallas. Sin duda, algunos factores
relevantes no se incorporaron al modelo y algunos parámetros no se
estimaron correctamente. Esto no se puede eludir dada la dificultad de la
comunicación y la compresión de todos los aspectos y sutilezas de un
problema operacional complejo, así como la dificultad de recolectar datos
confiables. Por lo tanto, antes de usar el modelo debe probarse
exhaustivamente para intentar identificar y corregir todas las fallas que se
pueda. Con el tiempo, después de una larga serie de modelos mejorados, el
equipo de IO concluye que el modelo considerado produce resultados
razonablemente válidos. Aunque sin duda quedarán algunos problemas
menores ocultos en el modelo (y quizá nunca se detecten), las fallas
importantes se habrán eliminado de manera que ahora es confiable usar el
modelo. Este proceso de prueba y mejoramiento de un modelo para
incrementar su validez se conoce como validación del modelo.
13
Un enfoque bastante sistemático y usual para la prueba del modelo es
emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza
datos históricos y reconstruye el pasado para determinar si el modelo y la
solución resultante hubieran tenido un buen desempeño, de haberse usado.
La comparación de la efectividad de este desempeño hipotético con lo que en
realidad ocurrió, indica si el uso del modelo tiende a dar mejoras significativas
sobre la práctica actual. Puede también indicar áreas en las que el modelo
tiene fallas y requiere modificaciones. Lo que es más, el emplear las
alternativas de solución y estimar sus desempeños históricos hipotéticos, se
pueden reunir evidencias en cuanto a lo bien que el modelo predice los
efectos relativos de los diferentes cursos de acción.
Cuando se determina que el modelo y la solución no son válidos, es
necesario iniciar nuevamente el proceso revisando cada una de las fases de la
metodología de la investigación de operaciones.
Implantación de la solución: El paso final se inicia con el proceso de

"vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o
tomadores de decisiones. Una vez superado éste obstáculo, se debe traducir
la solución encontrada a instrucciones y operaciones comprensibles para los
individuos que intervienen en la operación y administración del sistema. La
etapa de implantación de una solución se simplifica en gran medida cuando se
ha propiciado la participación de todos los involucrados en el problema en
cada fase de la metodología. Preparación para la aplicación del modelo
Esta etapa es crítica, ya que es aquí, y sólo aquí, donde se cosecharán
los beneficios del estudio. Por lo tanto, es importante que el equipo de IO
participe, tanto para asegurar que las soluciones del modelo se traduzcan con
exactitud a un procedimiento operativo, como para corregir cualquier defecto
en la solución que salga a la luz en este momento.
El éxito de la puesta en práctica depende en gran parte del apoyo que
proporcionen tanto la alta administración como la gerencia operativa. Es más
probable que el equipo de IO obtenga este apoyo si ha mantenido a la
administración bien informada y ha fomentado la guía de la gerencia durante
el estudio. La buena comunicación ayuda a asegurar que el estudio logre lo
que la administración quiere y por lo tanto merezca llevarse a la práctica.
14
También proporciona a la administración el sentimiento de que el estudio es
suyo y esto facilita el apoyo para la implantación.
La etapa de implantación incluye varios pasos. Primero, el equipo de
investigación de operaciones de una cuidadosa explicación a la gerencia
operativa sobre el nuevo sistema que se va a adoptar y su relación con la
realidad operativa. En seguida, estos dos grupos comparten la responsabilidad
de desarrollar los procedimientos requeridos para poner este sistema en
operación. La gerencia operativa se encarga después de dar una capacitación
detallada al personal que participa, y se inicia entonces el nuevo curso de
acción. Si tiene éxito, el nuevo sistema se podrá emplear durante algunos
años. Con esto en mente, el equipo de IO supervisa la experiencia inicial con
la acción tomada para identificar cualquier modificación que tenga que
hacerse en el futuro.
A la culminación del estudio, es apropiado que el equipo de
investigación de operaciones documente su metodología con suficiente
claridad y detalle para que el trabajo sea reproducible. Poder obtener una
réplica debe ser parte del código de ética profesional del investigador de
operaciones.
Áreas de aplicación de la Investigación de Operaciones

Como su nombre lo dice, la investigación de operaciones significa
"hacer investigación sobre las operaciones". Entonces, la investigación de
operaciones se aplica a problemas que se refieren a la conducción y
coordinación de operaciones (o actividades) dentro de una organización. La
naturaleza de la organización es esencialmente inmaterial y, de hecho, la
investigación de operaciones se ha aplicado de manera extensa en áreas tan
diversas como la manufactura, el transporte, el gobierno, las
telecomunicaciones, la planeación financiera, el cuidado de la salud, la milicia
y los servicios públicos, por nombrar sólo unas cuantas. Así, la gama de
aplicaciones es extraordinariamente amplia.
La parte de investigación en el nombre significa que la investigación de
operaciones usa un enfoque similar a la manera en que se lleva a cabo la
investigación en los campos científicos establecidos. En gran medida, se usa el
método científico para investigar el problema en cuestión. (De hecho, en
ocasiones se usa el término ciencias de la administración como sinónimo de
15
investigación de operaciones.) En particular, el proceso comienza por la
observación cuidadosa y la formulación del problema incluyendo la recolección
de los datos pertinentes. El siguiente paso es la construcción de un modelo
científico (por lo general matemático) que intenta abstraer la esencia del
problema real. En este punto se propone la hipótesis de que el modelo es una
representación lo suficientemente precisa de las características esenciales de
la situación como para que las conclusiones (soluciones) obtenidas sean
válidas también para el problema real. Después, se llevan a cabo los
experimentos adecuados para probar esta hipótesis, modificarla si es
necesario y eventualmente verificarla. (Con frecuencia este paso se conoce
como validación del modelo.) Entonces, en cierto modo, la investigación e
operaciones incluye la investigación científica creativa de las propiedades
fundamentales de las operaciones. Sin embargo, existe más que esto. En
particular, la IO se ocupa también de la administración práctica de la
organización. Así, para tener éxito, deberá también proporcionar conclusiones
claras que pueda usar el tomador de decisiones cuando las necesite.
Una característica más de la investigación de operaciones es su amplio
punto de vista. Como se ha planteado ya anteriormente, la IO adopta un
punto de vista organizacional, de esta manera, intenta resolver los conflictos
de intereses entre las componentes de la organización de forma que el
resultado sea el mejor para la organización completa. Esto no significa que el
estudio de cada problema deba considerar en forma explícita todos los
aspectos de la organización sino que los objetivos que se buscan deben ser
consistentes con los de toda ella.
Una característica adicional es que la investigación de operaciones
intenta encontrar una mejor solución, (llamada solución óptima) para el
problema bajo consideración. (Decimos una mejor solución y no la mejor
solución porque pueden existir muchas soluciones que empaten como la
mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta
es identificar el mejor curso de acción posible. Aun cuando debe interpretarse
con todo cuidado en términos de las necesidades reales de la administración,
esta "búsqueda de la optimidad" es un aspecto importante dentro de la
investigación de operaciones.
Todas estas características llevan de una manera casi natural a otra. Es
evidente que no puede esperarse que un solo individuo sea un experto en
16
todos lo múltiples aspectos del trabajo de investigación de operaciones o de
los problemas que se estudian; se requiere un grupo de individuos con
diversos antecedentes y habilidades. Entonces, cuando se va a emprender un
estudio de investigación de operaciones completo de un nuevo problema, por
lo general es necesario emplear el empleo de equipo. Este debe incluir
individuos con antecedentes firmes en matemáticas, estadística y teoría de
probabilidades, al igual que en economía, administración de empresas,
ciencias de la computación, ingeniería, ciencias físicas, ciencias del
comportamiento y, por supuesto, en las técnicas especiales de investigación
de operaciones. El equipo también necesita tener la experiencia y las
habilidades necesarias para permitir la consideración adecuada de todas las
ramificaciones del problema a través de la organización.
La investigación de operaciones ha tenido un impacto impresionante en
el mejoramiento de la eficiencia de numerosas organizaciones en todo el
mundo. En el proceso, la investigación de operaciones ha hecho
contribuciones significativas al incremento de la productividad dentro de la
economía de varios países. Hay ahora más de 30 países que son miembros de
la International Federation of Operational Research Societies (IFORS), en la
que cada país cuenta con una sociedad de investigación de operaciones.
Sin duda, el impacto de la investigación de operaciones continuará
aumentando. Por ejemplo, al inicio de la década de los 90, el U.S. Bureau of
Labor Statistics predijo que la IO sería el área profesional clasificada como la
tercera de más rápido crecimiento para los estudiantes universitarios en
Estados Unidos, graduados entre 1990 y 2005. Pronosticó también que, para
el año 2005, habría 100 000 personas trabajando como analistas de
investigación de operaciones.
Principales herramientas de Invetsigación de Operaciones

Cuando hablamos de herramientas en IO, nos estamos refiriendo a
los diferentes modelos teóricos (como por ejemplo, modelos de transporte y
teoría de colas), y a otras disciplinas (como matemática, administración,
economía, etc), que se utilizan como instrumentos de trabajo habitual para
el profesional de la Investigación de Operaciones. Debe quedar claro, sin
embargo, que cada día se agregan más tipos de modelos y otras disciplinas
imposibles de enumerar en este momento.
17
De la misma manera la Investigación de Operaciones es considerada,
ella misma como una herramienta al servicio de otras disciplinas. Es bien
conocido que la Administración de Negocios se ha estado beneficiando
enormemente de la Investigación de Operaciones ahora que se ha iniciado
toda una revolución con el uso de Planificación Estratégica, Reingeniería y
los programas de Calidad Total, para mencionar algunos.
A continuación presentamos una lista, no exhaustiva, de diferentes
tipos de modelos que se podrían considerar como herramientas de la
Investigación de Operaciones, sugerimos al lector revisarla y compararla
con los contenidos de libros clásicos de I.O:
1. Modelos gráficos de programación lineal.
2. Modelos algebraicos de programación lineal.
3. Redes y programación lineal para transporte.
4. Modelos de toma de decisión en condiciones de incertidumbre.
5. Modelos de toma de decisión en condiciones de certeza.
6. Modelos Bayesianos.
7. Procesos estocásticos con cadenas de Markov.
8. Líneas de espera (Teoría de colas).
9. Modelos de optimización con redes para la planeación, ejecución
y control de proyectos.
10. Cadenas de Markov para el reemplazo de activos fijos.
11. Modelos de inventarios determinísticos.
12. Modelos de inventarios probabilísticos.
13. Modelos de programación dinámica y teoría de juegos.
14. Modelos de simulación para la obtención de información experta.
15. Modelos heurísticos de autoaprendizaje y autocorrección.
Modelos
Un modelo de decisión debe considerarse como un vehículo para
resumir un problema de decisión en forma tal que haga posible la
identificación y evaluación sistemática de todas las alternativas de decisión
del problema. Después se llega a una decisión seleccionando la alternativa
que se juzgue sea la mejor entre todas las opciones disponibles.
18
Una definición simple pero que toma la esencia de lo que es un
Modelo, es que éste es una abstracción selectiva de la realidad. Es decir que
un modelo es una representación que idealiza simplifica y abstrae la
realidad. En otras palabras podemos decir que un modelo es producto de
una abstracción de un sistema real, en el cual se eliminan las complejidades
y se hacen suposiciones pertinentes, llevando al mismo tiempo aplicaciones
de técnicas matemáticas, lo que conlleva a la obtención de una
representación simbólica del mismo, tal como se muestra en la siguiente
figura.
El término Modelo reviste especial importancia en el campo de la

Investigación de Operaciones, puesto que la misma se encarga de la toma
de decisiones óptimas sobre problemas que ocurren en las organizaciones a
través del empleo de Modelos de naturaleza cuantitativa. Así tenemos
entonces que los Modelos en Investigación de Operaciones son:
Modelos de Decisión
El modelo de decisión debe contener tres elementos:
Alternativas de decisión, de las cuales se hace una
selección.
Restricciones, para excluir alternativas infactibles.
Criterios para evaluar y clasificar alternativas factibles.
Modelos Matemáticos
19
Se emplea cuando la función objetivo y las restricciones del modelo
se pueden expresar en forma cuantitativa o matemática como funciones de
las variables de decisión.
Modelos de Simulación
Los modelos de simulación difieren de los matemáticos en que las
relación entre la entrada y la salida no se indican en forma explícita. En
cambio, un modelo de simulación divide el sistema representado en
módulos básicos estructurados que después se enlazan entre si vía
relaciones lógicas bien definidas. Por lo tanto, las operaciones de cálculos
pasarán de un módulo a otro hasta que se obtenga un resultado de salida.
Los modelos de simulación cuando se comparan con modelos
matemáticos; ofrecen mayor flexibilidad al representar sistemas complejos,
pero esta flexibilidad no está libre de inconvenientes. La elaboración de
este modelo suele ser costoso en tiempo y recursos.
Modelos de Optimización Restringida

Este tipo de Modelos entran en la clasificación de Modelos
Matemáticos, en estos se busca maximizar o minimizar una función
específica llamada objetivo, la cual depende de un número finito de
variables, en un modelo de optimización restringida, éstas se encuentran
relacionadas a través de una o más restricciones. Este tipo de Modelos
tienen la siguiente estructura:
Optimizar z = f(x1,x2,..,xn) (1)
Con las condiciones:
g1(x1,x2,..,xn) b1
g2(x1,x2,..,xn) b2
...................... =
.....................
gm(x1,x2,..,xn) ...bm
Cada una de las m relaciones emplea uno de los signos , ,=

respecto de las constantes bi , i = 1,..,m. Los programas matemáticos sin
restricciones se producen cuando todas las gi y las bi son 0 i = 1,..,m.
20
Un modelo matemático comprende principalmente tres conjuntos
básicos de elementos. Estos son: 1) variables y parámetros de decisión, 2)
restricciones y 3) función objetivo.
1. Variables y parámetros de decisión. Las variables de
decisión son las incógnitas (o decisiones) que deben determinarse
resolviendo el modelo. Los parámetros son los valores conocidos que
relacionan las variables de decisión con las restricciones y función
objetivo. Los parámetros del modelo pueden ser determinísticos o
probabilísticos.
2. Restricciones. Para tener en cuenta las limitaciones
tecnológicas, económicas y otras del sistema, el modelo debe incluir
restricciones (implícitas o explícitas) que restrinjan los valores de las
variables de decisión a un rango de valores factibles.
3. Función objetivo. La función objetivo define la medida de
efectividad del sistema como una función matemática de las variables
de decisión.
La solución óptima será aquella que produzca el mejor valor de la

función objetivo, sujeta a las restricciones.
Introducción a la Programación Lineal

Muchas personas clasifican el desarrollo de la programación lineal entre
los avances científicos más importantes de mediados del siglo XX, su impacto
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, incluyendo empresas medianas en los distintos países
industrializados del mundo; su aplicación a otros sectores de la sociedad se
está ampliando con rapidez. Una proporción muy grande de los cálculos
científicos en computadoras está dedicada al uso de la programación lineal.
¿Cuál es la naturaleza de esta notable herramienta y qué tipos de
problemas puede manejar?. Expresado brevemente, el tipo más común de
aplicación abarca el problema general de asignar recursos limitados entre
actividades competitivas de la mejor manera posible (es decir, en forma
óptima). Con más precisión, este problema incluye elegir el nivel de ciertas
actividades que compiten por recursos escasos necesarios para realizarlas.
21
Después, los niveles de actividad elegidos dictan la cantidad de cada recurso
que consumirá cada una de ellas. La variedad de situaciones a las que se
puede aplicar esta descripción es sin duda muy grande, y va desde la
asignación de instalaciones de producción a los productos, hasta la asignación
de los recursos nacionales a las necesidades de un país; desde la selección de
una cartera de inversiones, hasta la selección de los patrones de envío; desde
la planeación agrícola, hasta el diseño de una terapia de radiación, etc. No
obstante, el ingrediente común de todas estas situaciones es la necesidad de
asignar recursos a las actividades eligiendo los niveles de las mismas.
La programación lineal utiliza un modelo matemático para describir el
problema. El adjetivo lineal significa que todas las funciones matemáticas del
modelo deber ser funciones lineales. En este caso, las palabra programación
no se refiere a programación en computadoras; en esencia es un sinónimo de
planeación. Así, la programación lineal trata la planeación de las actividades
para obtener un resultado óptimo, esto es, el resultado que mejor alcance la
meta especificada (según el modelo matemático) entre todas las alternativas
de solución.
Aunque la asignación de recursos a las actividades es la aplicación más
frecuente, la programación lineal tiene muchas otras posibilidades, de hecho,
cualquier problema cuyo modelo matemático se ajuste al formato general del
modelo de programación lineal es un problema de programación lineal. Aún
más, se dispone de un procedimiento de solución extraordinariamente
eficiente llamado método simplex, para resolver estos problemas, incluso los
de gran tamaño. Estas son algunas causas del tremendo auge de la
programación lineal en las últimas décadas.
Los términos clave en los Modelos de Programación Lineal son recursos
y actividades. Algunos ejemplos de recursos son dinero y tipos especiales de
maquinaria, equipo, vehículos y personal. Los ejemplos de actividades
incluyen inversión en proyectos específicos, publicidad en un medio
determinado y el envío de bienes de cierta fuente a cierto destino. En
cualquier aplicación de programación lineal, puede ser que todas las
actividades sean de un tipo general (como cualquiera de los ejemplos), y
entonces cada una correspondería en forma individual a las alternativas
específicas dentro de esta categoría general.
22
El tipo más usual de aplicación de programación lineal involucra la
asignación de recursos a ciertas actividades. La cantidad disponible de cada
recurso está limitada, de forma que deben asignarse con todo cuidado. La
determinación de esta asignación incluye elegir los niveles de las actividades
que lograrán el mejor valor posible de la medida global de efectividad.
Se llama programación lineal al conjunto de técnicas

matemáticas que pretenden resolver la situación siguiente:
Optimizar (maximizar o minimizar) una función objetivo, función
lineal de varias variables, sujeta a:
una serie de restricciones, expresadas por inecuaciones lineales.
Un problema de programación lineal en dos variables, tiene la

siguiente formulación estándar:
pudiendo cambiarse maximizar por minimizar, y el sentido de las

desigualdades.
En un problema de programación lineal intervienen:
• La función f(x,y) = ax + by + c llamada función
objetivo y que es necesario optimizar. En esa expresión x e y son
las variables de decisión, mientras que a, b y c son constantes.
• Las restricciones que deben ser inecuaciones lineales.
Su número depende del problema en cuestión. El carácter de
desigualdad viene impuesto por las limitaciones, disponibilidades o
necesidades, que son: inferiores a ... ( menores: < o ); como
mínimo de ... (mayores: > o ) . Tanto si se trata de maximizar
como de minimizar, las desigualdades pueden darse en cualquiera de
los dos sentidos.
• Al conjunto de valores de x e y que verifican todas y
cada una de las restricciones se le denomina conjunto (o región )
factible. Todo punto de ese conjunto puede ser solución del
problema; todo punto no perteneciente a ese conjunto no puede ser
23
solución. En el apartado siguiente veremos como se determina la
región factible.
• La solución óptima del problema será un par de valores
(x0, y0) del conjunto factible que haga que f(x,y) tome el valor
máximo o mínimo.
Ciertos símbolos se usan de manera convencional para denotar las

distintas componentes de un modelo de programación lineal. Estos símbolos
se enumeran a continuación, junto con su interpretación para el problema
general de asignación de recursos a actividades.
Z = Valor de la función objetivo o de la medida global de
efectividad
xj = Variable de decisión o nivel de la actividad j (para j =
1,2,...,n)
cj = Coeficiente objetivo
bi = Vector disponibilidad o cantidad de recurso i disponible
para asignar a las actividades (para i = 1,2,...,m)
aij = Coeficiente tecnológico o cantidad del recurso i
consumido por cada unidad de la actividad j
El modelo establece el problema en términos de tomar decisiones sobre

los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de
decisión. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las
constantes de entrada al modelo. Las cj, bi y aij también se conocen como
parámetros del modelo.
Formulación de Modelos de Programación Lineal

Para formular un problema de PL, es recomendable seguir los
siguientes lineamientos generales después de leer con atención el
enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de
variables de decisión, los parámetros, la función objetivo y un conjunto de
restricciones. Al formular un determinado problema de decisión en forma
matemática, debe practicar la comprensión del problema (es decir, formular
24
un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del
problema. Mientras trata de comprender el problema, formúlese las
siguientes preguntas generales:
1. ¿Cuáles son las variables de decisión? Es decir, ¿cuáles
son las entradas controlables? Defina las variables de decisión con
precisión utilizando nombres descriptivos. Recuerde que las entradas
controlables también se conocen como actividades controlables,
variables de decisión y actividades de decisión.
2. Cuáles son los parámetros? Vale decir ¿cuáles son las
entradas no controlables? Por lo general, son los valores numéricos
constantes dados. Defina los parámetros con precisión utilizando
nombres descriptivos.
3. ¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es
decir, ¿qué quiere el dueño del problema? ¿De qué manera se
relaciona el objetivo con las variables de decisión del dueño del
problema? ¿Es un problema de maximización o minimización? El
objetivo debe representar la meta del decisor.
4. ¿Cuáles son las restricciones? Es decir, ¿qué
requerimientos se deben cumplir? ¿Debería utilizar un tipo de
restricción de desigualdad o igualdad? ¿Cuáles son las conexiones
entre las variables? Escríbalas con palabras antes de volcarlas en
forma matemática.
Recuerde que la región factible tiene poco o nada que ver con la
función objetivo (minim. o maxim.). Estas dos partes en cualquier
formulación de PL generalmente provienen de dos fuentes distintas. La
función objetivo se establece para cumplir con el deseo (objetivo) del
decisor mientras que las restricciones que forman la región factible
generalmente provienen del entorno del decisor que fija algunas
limitaciones / condiciones para lograr su objetivo.
A continuación, se incluye un problema ilustrativo muy sencillo. Sin

embargo, el abordaje del problema es igual para una gran variedad de
problemas de toma de decisión, mientras que el tamaño o la complejidad
25
pueden variar. El primer ejemplo es un problema de mix de productos y el
segundo es un problema de mezcla.
Ejemplo No. 1: El Problema del Carpintero

Durante un par de sesiones de tormenta de ideas con un carpintero
(nuestro cliente), éste nos comunica que sólo fabrica mesas y sillas y que
vende todas las mesas y las sillas que fabrica en un mercado. Sin embargo,
no tiene un ingreso estable y desea optimizar esta situación.
El objetivo es determinar cuántas mesas y sillas debería fabricar para
maximizar sus ingresos netos. Comenzamos concentrándonos en un
horizonte de tiempo, es decir, un plazo de planificación, , para revisar
nuestra solución semanalmente, si fuera necesario. Para saber más acerca
de este problema, debemos ir al negocio del carpintero y observar lo que
sucede y medir lo que necesitamos para para formular (para crear un
modelo de) su problema. Debemos confirmar que su objetivo es maximizar
sus ingresos netos. Debemos comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuántas mesas y
sillas debe fabricar por semana; pero primero se debe establecer una
función objetivo La función objetivo es: 5X1 + 3X2, donde X1 y X2
representan la cantidad de mesas y sillas; y 5 y 3 representan los ingresos
netos (por ejemplo, en dólares o décimas de dólares) de la venta de una
mesa y una silla, respectivamente. Los factores limitantes, que
normalmente provienen del exterior, son las limitaciones de la mano de
obra (esta limitación proviene de la familia del carpintero) y los recursos de
materia prima (esta limitación proviene de la entrega programada). Se
miden los tiempos de producción requeridos para una mesa y una silla en
distintos momentos del día y se calculan en 2 horas y 1 hora,
respectivamente. Las horas laborales totales por semana son sólo 40. La
materia prima requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50
unidades por semana. En consecuencia, la formulación de PL es la
siguiente:
Maximizar 5 X1 + 3 X2
26
Sujeta a:
2 X1 + X2 <= 40 restricción de mano de obra
X1 + 2 X2 <= 50 restricción de materiales
Tanto X1 como X2 son no negativas.
Este es un modelo matemático para el problema del carpintero. Las

variables de decisión, es decir, las entradas controlables son X1, y X2. La
salida o el resultado de este modelo son los ingresos netos totales 5 X1 + 3
X2. Todas las funciones empleadas en este modelo son lineales (las
variables de decisión están elevadas a la primera potencia). El coeficiente
de estas restricciones se denomina denomina Factores Tecnológicos
(matriz). El período de revisión es de una semana, un período conveniente
dentro del cual es menos probable que cambien (fluctúen) las entradas
controlables (todos los parámetros tales como 5, 50, 2,..). Incluso en un
plazo de planificación tan corto, debemos realizar el análisis what-if o de
hipótesis para responder a cualquier cambio en estas entradas a los efectos
de controlar el problema, es decir, actualizar la solución prescripta.
Nótese que dado que el Carpintero no va a ir a la quiebra al final del
plazo de planificación, agregamos las condiciones que tanto X1 como X2
deben ser no negativas en lugar de los requerimientos que X1 y X2 deben
ser números enteros positivos. Recuerde que las condiciones de no
negatividad también se denominan "restricciones implícitas". Nuevamente,
un Programa Lineal funcionaría bien para este problema si el Carpintero
continúa fabricando estos productos. Los artículos parciales simplemente se
contarían como trabajos en proceso y finalmente se transformarían en
productos terminados, en la siguiente semana.
Ejemplo No. 2: Un Problema de Mezcla
El taller LUBEOIL se especializa en cambios de aceite del motor y

regulación del sistema eléctrico. El beneficio por cambio del aceite es $7 y
de $15 por regulación. Joe tiene un cliente fijo con cuya flota, le garantiza
30 cambios de aceite por semana. Cada cambio de aceite requiere de 20
27
minutos de trabajo y $8 de insumos. Una regulación toma una hora de
trabajo y gasta $15 en insumos. LUBEOIL paga a los mecánicos $10 por
hora de trabajo y emplea actualmente a dos de ellos, cada uno de los
cuales labora 40 horas por semana. Las compras de insumos no pueden
alcanzar un valor mayor de $1.750 semanales. LUBEOIL desea maximizar
el beneficio total. Formule el problema.
Esto es una pregunta de programación linear. Una porción de un
cambio del aceite o del ajuste no es factible.
X1 = Cambios del aceite

X2 = Regulación de Sistema Eléctrico
Maximizar 7X1 + 15X2
Sujeta a:
X1 >= 30 Cuenta De la Flota
20X1 + 60X2 <= 4800 Tiempo de Trabajo
8X1 + 15X2 <= 1750 Costo de Materias Primas
X1 >=0, X2 >= 0.
Supuestos de la programación lineal.
Existe un número de suposiciones realizadas en cada modelo. La

utilidad de un modelo está directamente relacionada con la realidad de los
supuestos.
El primer supuesto tiene que ver con la forma lineal de las
funciones. Ya que el objetivo es lineal, la contribución al objetivo de
cualquier decisión es proporcional al valor de la variable de decisión.
Producir dos veces más de producto producirá dos veces más de ganacia,
contratando el doble de páginas en las revistas doblará el costo relacionado
con las revistas. Es una Suposición de Proporción.
Además, la contribución de una variable a la función objetivo
es independiente de los valores de las otras variables. La ganancia con una
computadora Notebook es de determinadas unidades monetarias,
28
independientemente de cuantas computadoras Desktop se producen. Este
es un Supuesto de Adición.
Análogamente, ya que cada restricción es lineal, la
contribución de cada variable al lado izquierdo de cada restricción es
proporcional al valor de la variable e independiente de los valores de
cualquier ora variable.
Estas suposiciones son bastante restrictivas. Veremos, sin
embargo, que ser claros y precisos en la formulación del modelo puede
ayudar a manejar situaciones que parecen en un comienzo como lejanos a
estos supuestos.
El siguiente supuesto es la Suposición de ser Divisible. Es
posible tomar una fracción de cualquier variable. Por ejemplo, en un
problema de marketing, qué significa comprar 2.67 avisos en la televisión?.
Es posible que la suposición de ser divisible sea insatisfecha en este
ejemplo. O puede ser que tales unidades de 2.67 avisos correspondan a
2,666.7 minutos de avisos, en cuyo caso redondeando la solución serían
2,667 minutos con una mínima duda que esté cercana a la solución óptima.
Si la suposición de divisible no es válida, entonces se usará la técnica de
Programación Lineal Entera.
La última suposición es el Supuesto de Certeza. La
Programación Lineal no permite incertidumbre en los valores.
Será difícil que un problema cumpla con todas las
suposiciones de manera exacta. Pero esto no negará la factibilidad de uso
del modelo. Un modelo puede ser aún útil aunque difiera de la realidad, si
se es consistente con los requerimientos más estrictos dentro del modelo y
se tiene claras sus limitaciones al interpretar los resultados.
Existen limitaciones prácticas para el uso de la PL. Una se

relaciona con los cálculos. En general se necesita una computadora.
Desafortunadamente, las calculadoras, aun las programables, son poco
útiles, puesto que la PL tiene necesidad de gran cantidad de memoria o
almacenamiento. Si no se tiene acceso a una computadora, se estará
limitado a problemas muy sencillos. La otra limitación se refiere al costo de
formular un problema de PL. En teoría, podría usarse PL, por ejemplo, para
hacer las compras semanales de abarrotes. Sin embargo, sería necesario
29
conocer todas las compras posibles que pueden realizarse (éstas serían las
variables), además de cada restricción como sabor, número de comidas,
vitaminas y proteínas. Es obvio que el costo de obtener todos estos datos
excede lo que se podría ahorrar si se hicieran las compras óptimas. Antes
de emprender una aplicación de PL, debe considerarse la disponibilidad y el
costo de los datos necesarios.
Ejemplos de Formulación de Modelos de Programación Lineal
Ejemplo 1: Decisiones de Fabricación o Compra

Ejemplo: EL PROBLEMA DE MEZCLA DE PRODUCTOS DE BLUBBERMAID,
INC.
BlubberMaid, Inc, fabrica tres productos de caucho: Airtex (material
esponjoso), Extendex (material elástico) y Resistex (material rígido). Los
tres productos requieren los mismos tres polímeros químicos y una base. La
cantidad de cada ingrediente usada por libra del producto final se muestra
en la tabla…
TABLA. INGREDIENTES USADOS EN LA PRODUCCION DE AIRTEX, EXTENDEX Y RESISTEX
INGREDIENTE (oz/lb de producto)

PRODUCTO POLÍMERO A POLÍMERO B POLÍMERO C BASE
Airtex 4 2 4 6
Extendex 3 2 2 9
Resistex 6 3 5 2
BlubberMaid, Inc, tiene el compromiso de producir al menos 1000 libras de

Airtex, 500 libras de Extendex y 400 libras de Resistex para la próxima
semana, pero la gerencia de la compañía sabe que puede vender más de
cada uno de los tres productos. Los inventarios actuales de los ingredientes
son 500 libras del polímero A, 425 libras del polímero B, 650 libras del
polímero C y 1100 libras de base. Cada libra de Airtex produce a la
compañía una ganancia de $7, cada libra de Extendex una ganancia de $7 y
cada libra de Resistex una ganancia de $6. Como gerente del departamento
de producción, usted necesita determinar un plan de producción óptimo
para esta semana.
30
Solución:
Identificación de las variables de decisión.
Siguiendo los pasos de la formulación de problemas, primero identifique las

variables de decisión. Pregúntese lo que puede controlar y la información
que constituye un plan de producción, esto lo debe llevar a identificar las
siguientes variables:
A: el número de libras de Airtex por producir esta semana
E: el número de libras de Extendex por producir esta semana
R: el número de libras de Resistex por producir esta semana
Identificación de la función objetivo.
Para BlubberMaid, el objetivo lógico es determinar cuánto fabricar de cada

producto para maximizar la ganancia total. Al aplicar la técnica de
descomposición se llega a:
Ganancia Total=ganancia de Airtex+ ganancia de Extendex+ ganancia de

Resistex
Como cada libra de Airtex produce una ganancia de $7, A libras de Airtex
produce $7 A. De manera similar, Extendex y Resistex contribuyen con $7E
y $6R, respectivamente, a la ganancia total. En términos de las variables de
decisión y de los datos de ganancia, la función objetivo es:
Maximizar 7A+7E+6R
Identificación de las restricciones
Aplicar la técnica de agrupamiento lo debe conducir a identificar los

siguientes tres grupos de restricciones:
1. Restricciones de recursos para asegurar que no se usen más de los

tres polímeros y la base que están disponibles.
2. Restricciones de demanda para asegurar que se cumplan los
compromisos de la compañía.
31
3. Restricciones lógicas para especificar que todas las cantidades de
producción son no negativas.
RESTRICCIONES DE RECURSOS
Este grupo consiste en cuatro restricciones: una para cada uno de los
tres polímeros y una para la base. Para la disponibilidad limitada de 500
libras del polímero A:
Cantidad empleada del polímero A ≤ 500 libras
El uso de la descomposición lleva a:
Cantidad empleada del polímero A= (cantidad empleada para producir A

libras de Airtex) + (cantidad empleada para producir E libras de Extendex)
+ (cantidad empleada para producir R libras de Resistex)
Para determinar la cantidad del polímero A usada en la fabricación de cada

producto, trabaje con un ejemplo específico. Por ejemplo, fije A=100,
E=300 y R=200. De acuerdo con los datos de la tabla 1:
Cantidad del polímero A empleada en Airtex = 4(100) = 400

Cantidad del polímero A empleada en Extendex = 3(300) = 900
Cantidad del polímero A empleada en Resistex = 6(200) = 1200
Entonces, en términos de las variables de decisión, podría pensar que la

restricción apropiada para el polímero A es:
4 A + 3 E + 6 R ≤ 500
Sin embargo, esta restricción no es correcta. La razón es que las unidades

en la expresión de la izquierda están en onzas, pero las unidades de la
derecha están en libras. Esta discrepancia puede corregirse convirtiendo las
32
unidades de cualquier lada a las del otro lado. Por ejemplo, al convertir las
500 libras disponibles del polímero A a 800 onzas (1 libra es igual a 16
onzas) se obtiene la siguiente restricción:
4 A + 3 E + 6 R ≤ 8000 (polímero A)
Siguiendo una lógica similar para los tres resultados de recursos restantes
en estas restricciones:
2 A + 2 E + 3 R ≤ 6800 (polímero B)
4 A + 2 E + 5 R ≤ 10400 (polímero C)
6 A + 9 E + 2 R ≤ 17600 (base)
RESTRICCIONES DE DEMANDA
Este grupo consiste en tres restricciones: una para el requerimiento mínimo
sobre la cantidad de cada uno de los tres productos. Estas restricciones son
A ≥ 1000 (Airtex)
E ≥ 500 (Extendex)
R ≥ 400 (Resistex)
RESTRICCIONES LÓGICAS
Como todas las cantidades de producción deben ser no negativas, se
necesitan las siguientes restricciones lógicas:
A, E, R ≥ 0
Formulación completa y solución del problema de mezcla de
productos de BlubberMaid, Inc.
Como gerente del departamento de producción, usted junta todas las

piezas, lo que resulta en el siguiente modelo matemático del problema de
programación lineal de BlubberMaid, Inc.
Maximizar 7A+7E+6R
Dependiendo de
33
A ≥ 1000 (Airtex)
A E R ≥ 0
Formulación completa y solución del problema de mezcla de

productos de BlubberMaid, Inc.
Como gerente del departamento de producción, usted junta todas las

piezas, lo que resulta en el siguiente modelo matemático del problema de
programación lineal de BlubberMaid, Inc.
Maximizar 7A+7E+6R
Dependiendo de
A ≥ 1000 (Airtex)
A E R ≥ 0
Ejemplo 2: Decisiones de Fabricación o Compra

Ejemplo: EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL COMPANY
34
MTV Steel Company produce tres tamaños de tubos: A, B y C, que son
vendidos, respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie
del tubo A se requieren 0.5 minutos de tiempo de procesamiento sobre un
tipo particular de máquina de modelado. Cada pie del tubo B requiere 0.45
minutos y cada pie del tubo C requiere 0.6 minutos. Después de la
producción, cada pie de tubo, sin importar el tipo, requiere 1 onza de
material de soldar. El costo total se estima en $3, $4 y $4 por pie de los
tubos A, B y C, respectivamente.
Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente
grandes que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000
pies del tubo C. Como sólo se disponen de 40 horas de tiempo de máquina
esta semana y sólo se tienen en inventario 5500 onzas de material de
soldar, el departamento de producción no podrá satisfacer esta demanda,
que requiere un total de 97 horas de tiempo de máquina y 11000 onzas de
material de soldar.
No se espera que continúe este alto nivel de demanda. En vez de expandir
la capacidad de las instalaciones de producción, la gerencia de MTV Steel
está considerando la compra de algunos de estos tubos a pro-veedores de
Japón a un costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B
y $7 por pie del tubo C. Estos diversos datos se resumen en la tabla 2.
Como gerente del departamento de producción, se le ha pedido hacer
recomendaciones respecto a la cantidad de producción de cada tipo de tubo
y la cantidad de compra a Japón para satisfacer la demanda y maximizar las
ganancias de la compañía.
TABLA 2. DATOS PARA EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL
PRECIO DE DEMANDA TIEMPO DE MATERIAL COSTO DE COSTO DE

TIPO VENTA MÁQUINA PARA SOLDARPRODUCCIÓN COMPRA
($/ft) (ft) (min/ft) (oz/ft) ($/ft) ($/ft)
A 10 2000 0.50 1 3 6
B 12 4000 0.45 1 4 6
C 9 5000 0.60 1 4 7
Cantidad disponible 40 hr 5500 oz
Solución:
Identificación de las variables de decisión
35
En este problema, tiene libertad para elegir cuántos pies de cada tipo de
tubo producir y cuántos pies comprar a Japón. Esto da como resultado las
siguientes seis variables de decisión:
AP= el número de pies de tubo de tipo A por producir

BP= el número de pies de tubo de tipo B por producir
CP= el número de pies de tubo de tipo C por producir
AJ= el número de pies de tubo de tipo A que comprar a Japón

BJ= el número de pies de tubo de tipo B que comprar a Japón
CJ= el número de pies de tubo de tipo C que comprar a Japón
Como se estableció en la descripción del problema, el objetivo global es

maximizar las ganancias totales. Si aplicamos la descomposición se obtiene:
Ganancias Totales= (ganancias de la producción)+ (ganancias de los

productos comprados a Japón)
Si aplicamos la descomposición a las ganancias de la producción tenemos:
Ganancias de la producción= (ganancias de producir el tubo de tipo A)+

(ganancias de producir el tubo de tipo B)+
(ganancias de producir el tubo de tipo C)
Cada una de estas ganancias, a su vez, se calcula como el ingreso menos el

costo por pie. Por ejemplo, como los tubos del tipo A se venden a $10 por
pie pero su producción cuesta $3, la ganancia neta es $7 por pie. Por tanto,
la ganancia por producir AP pies de tubo del tipo A es 7 AP. Un cálculo
similar para los tubos de los tipos B y C tiene como resultado:
Ganancias de la producción= 7 AP+ 8 BP + 5 CP
Aplicando una descomposición y lógica similares a los productos comprados

a Japón se tiene:
36
Ganancias de los productos comprados a Japón= 4 AJ+ 6 BJ+ 2
CJ
Como esperaría, cada pie de tubo producido tiene como resultado una
ganancia más alta que cada pie de tubo comprado del proveedor externo.
La combinación de estos dos componentes de ganancia resulta en la
siguiente función objetivo global:
Maximizar 7 AP+ 8 BP+ 5 CP+ 4 AJ+ 6 BJ+ 2

CJ
La aplicación de la descomposición lleva a:
Tiempo de máquina= (tiempo de máquina usado para producir tubo de tipo

A)+
total usado (tiempo de máquina usado para producir tubo de
tipo B)+
(tiempo de máquina usado para producir tubo de
tipo C)
Recuerde de la tabla 2 que cada pie del tubo A requiere 0.5 minutos de
tiempo de máquina. Por tanto, para producir AP pies se requiere 0.5AP
minutos. De manera análoga, cada pie de tubo B requiere 0.45 minutos y
cada pie de tubo C requiere 0.6 minutos. La restricción es:
0.5AP+ 0.45BP+ 0.6CP ≤ 40
Sin embargo, observe que la cantidad del lado izquierdo se expresa en

minutos, mientras que la de la derecha se expresa en horas. Una forma de
corregir esta inconsistencia es convertir 40 horas en 40 * 60= 2400
minutos:
0.5AP+ 0.45BP+ 0.6CP ≤ 2400 (tiempo de máquina)

Regresando a la disponibilidad de material para soldar, la restricción
asociada es:
37
El material para soldar total no debe exceder las 5500 onzas
Aplicando la descomposición y recordando que cada pie de tubo, sin

importar el tipo, requiere 1 onza de material para soldar, esta restricción de
recursos es:
AP+ BP+ CP ≤ 5500 (material para

soldar)
Este grupo está constituido por tres restricciones, una para la demanda
asociada con cada tipo de tubo. Para el tubo A:
Número total de pies del tubo de tipo A= 2000 pies
Aplicando la descomposición:
Número total de pies =(número de pies de tipo A producidos)+

del tubo de tipo A (número de pies de tipo A comprados a
Japón)
= AP+ AJ
En consecuencia, la restricción de demanda del tubo de tipo A es:
AP+ AJ = 2000 (demanda del tipo A)

Una lógica similar da como resultado las siguientes restricciones de
demanda para los tubos de tipo B y C:
BP+ BJ = 4000 (demanda del tipo B)

CP+ CJ = 5500 (demanda del tipo C)
La única restricción lógica en este problema es que todas las variables
deben ser no negativas.
38
Formulación completa y solución del problema de fabricación o
compra de MTV Steel Company
Una vez que se unen todas las piezas, da por resultado el modelo de
programación lineal siguiente para el problema de MTV Steel Company:
Maximizar 7AP+ 8BP+ 5CP+ 4AJ+ 6BJ+ 2CJ

Dependiendo de
AP + AJ = 2000 (demanda del
tipo A)
BP + BJ = 4000 (demanda del
tipo B)
CP +CJ = 5500 (demanda del
tipo C)
0.5AP+ 0.45BP+ 0.6CP ≤ 2400 (tiempo de máquina)

AP+ BP+ CP ≤ 5500 (tiempo para soldar)
AP , BP , CP , AJ , BJ , CJ ≥ 0
La solución óptima a este problema, obtenida con un paquete de software

de programación lineal, es:
AP = 2000.000
BP = 0.000
CP = 2333.333
AJ = 0.000
BJ = 4000.000
CJ = 2666.667
39
Con una ganancia neta de $55000. En otras palabras, MTV Steel debería
producir 2000 pies de tubo de tipo A y 2333.333 pies de tubo C e importar
4000 pies de tubo de tipo B y 2666.667 pies de tubo de tipo C de Japón.
Ejemplo 3: Problemas de Dietas

Ejemplo: EL PROBLEMA DE DIETAS DEL HOSPITAL GENERAL MOUNTAIN
VIEW
El Departamento de Nutrición del Hospital General Mountain View prepara
30 menús de cena, uno para cada día del mes. Una comida consiste en
espagueti, pavo, papas en escalope, espinacas y pastel de manzana. Como
director del Departamento de Nutrición, usted ha determinado que esta
comida debe proporcionar 63000 miligramos (mg) de proteínas, 10 mg de
hierro, 15 mg de niacina, 1 mg de tiamina y 50 mg de vitamina C. Cada 100
gramos de esta comida proporciona la cantidad de cada nutriente y grasas
indicadas en la tabla 3.
TABLA 3. NUTRIENTES PROPORCIONADOS POR LAS DISTINTAS COMIDAS
NUTRIENTE (mg/100g)
PROTEÍNAS HIERRO TIACINA TIAMINA VITAMINA C GRASA
Espagueti 5000 1.1 1.4 0.18 0.0 5000
Pavo 29300 1.8 5.4 0.06 0.0 5000
Papas 5300 0.5 0.9 0.06 10.0 7900
Espinacas 3000 2.2 0.5 0.07 28.0 300
Pastel de manzana 4000 1.2 0.6 0.15 3.0 14300
Para evitar la demasiada cantidad de un tipo de comida, no debe incluirse

en ella más de 300 gramos de espagueti, 300 gramos de pavo, 200 gramos
de papas, 100 gramos de espinacas y 100 gramos de pastel de manzana.
Como director del departamento de nutrición, usted desea determinar la
composición de una comida que satisface los requerimientos nutricionales y
proporciona la mínima cantidad de grasas.
Solución:
40
En este problema, usted puede controlar la cantidad de cada uno de los
cinco alimentos que incluir en la comida, lo que lo lleva a definir las
siguientes cinco variables:
SPAG= el número de 100 gramos de espagueti que incluir

PAVO= el número de 100 gramos de pavo que incluir
PAPA= el número de 100 gramos de papas que incluir
SPIN= el número de 100 gramos de espinacas que incluir
MANZ= el número de 100 gramos de espinacas que incluir
Por conveniencia, se ha escogido que las unidades de las variables se den

en cientos de gramos porque ésas son las unidades usadas en la tabla 3.

minimizar el contenido de grasas totales de la dieta. Aplicando los
resultados de descomposición en lo siguiente:
Contenido de grasas totales= (grasa aportada por el espagueti)+

(grasa aportada por el pavo)+
(grasa aportada por las papas)+
(grasa aportada por las espinacas)+
(grasa aportada por el pastel de manzana)
Si usa los datos de la última columna de la tabla 3 y trabaja con un ejemplo

específico debe llegar a identificar el siguiente objetivo global:
Minimizar 5000SPAG+ 5000PAVO+ 7900PAPA+ 300SPIN+

14300MANZ
La aplicación de la técnica de agrupamiento lo conduce a los siguientes tres

grupos de restricciones:
41
1. Restricciones de nutrientes para asegurar que la comida proporciona
la cantidad mínima de cada nutriente.
2. Restricciones de límite para asegurar que no se incluya demasiada
cantidad de un tipo de comida (por ejemplo, solicitar a un paciente
que coma 1000 gramos de espinacas).
3. Restricciones lógicas para asegurar que todas las variables sean no
negativas.
REQUERIMIENTOS DE NUTRIENTES
Este grupo consiste en cinco restricciones, una para asegurar la cantidad
mínima de cada uno de los cinco nutrientes. Considere el requerimiento de
proteínas:
Cantidad total de proteínas en la comida ≥ 63000 mg

Aplicando la descomposición:
Cantidad total de = (cantidad de proteínas del espagueti)+

Proteínas en la comida (cantidad de proteínas del pavo)+
(cantidad de proteínas de las papas)+
(cantidad de proteínas de las espinacas)+
(cantidad de proteínas del pastel de
manzana)
Refiérase a la primera columna de la tabla 3. Cada 100 gramos de

espagueti contienen 5000 mg de proteínas. Por tanto, SPAG cien gramos de
esta comida proporciona 5000SPAG mg de proteínas a la comida. De
manera similar, usando los datos restantes de la primera columna de la
tabla 3 da como resultado la siguiente restricción para proteínas:
5000SPAG+ 29300PAVO+ 5300PAPA+ 3000SPIN+ 4000MANZ ≥ 63000
(proteínas)
Aunque las unidades de las variables se expresan en cientos de gramos, las

unidades de ambos lados de la restricción anterior están en miligramos.
42
Usando las siguientes cuatro columnas de datos de la tabla 3 obtenemos las
siguientes restricciones similares para cada uno de los siguientes cuatro
nutrientes:
1.1SPAG + 1.8PAVO + 0.5PAPA + 2.2SPIN + 1.2MANZ ≥ 10 (hierro)

1.4SPAG + 5.4PAVO + 0.9PAPA + 0.5SPIN + 0.6MANZ ≥ 15 (niacina)
0.18SPAG+ 0.06PAVO+ 0.06PAPA+ 0.07SPIN+ 0.15MANZ ≥ 1 (tiamina)
10PAPA+ 28SPIN+ 3MANZ ≥ 50
(vitamina C)
RESTRICCIONES DE LÍMITE
Estas restricciones limitan la cantidad máxima de cada tipo de alimento en
la comida. Teniendo en mente que las unidades de las variables están en
cientos de gramos, surgen las siguientes restricciones de límite:
SPAG ≤ 3
PAVO ≤ 3
PAPA ≤ 2
SPIN ≤ 1
MANZ ≤ 1
La única restricción lógica en este problema es que todas las variables son
no negativas.
Formulación completa y solución del problema de dietas del Hospital

General Mountain View
Toda esta información da como resultado el siguiente modelo de

programación lineal para el problema del Hospital General Mountian View:
Minimizar
5000SPAG+ 5000PAVO+ 7900PAPA+ 300SPIN+
14300MANZ
43
Dependiendo de
REQUERIMIENTOS DE NUTRIENTES
5000SPAG+ 29300PAVO+ 5300PAPA+ 3000SPIN+ 4000MANZ ≥ 63000
(proteínas)
1.1SPAG+ 1.8PAVO+ 0.5PAPA+ 2.2SPIN+ 1.2MANZ ≥ 10
(hierro)
(niacina)
(tiamina)
10PAPA+ 28SPIN+ 3MANZ ≥
50 (vitamina C)
RESTRICCIONES DEL LÍMITE
SPAG ≤
3
PAVO ≤
3
PAPA ≤
2
SPIN ≤
1
MANZ ≤
1
SPAG, PAVO, PAPA, SPIN, MANZ ≥ 0
44
Con un contenido de grasa de 54800 miligramos. En otras palabras, la
comida debería consistir en 300 gramos de espagueti, 283.3 gramos de
pavo, 200 gramos de papas, 100 gramos de espinacas y 66.7 gramos de
pastel de manzana.
Ejemplo 4: Administración de Cartera de Valores

Ejemplo: EL PROBLEMA DE INVERSIÓN DE PENSION PLANNERS, INC.
Al gerente de cartera de PensionvPlanners, Inc. se le ha pedido invertir $1
000 000 de un gran fondo de pensiones. El departamento de investigación
de Inversiones ha identificado seis fondos mutuos con estrategias de
inversión variables, resultando en diferencia rendimientos potenciales y
riesgos asociados, como se resume en la tabla 4.
TABLA 4. RIESGO Y TASA ESPERADA DE RENDIMIENTOS DE SEIS FONDOS DE INVERSIÓN
FONDO
1 2 3 4 5 6
Precio ($/acción) 45 76 110 17 23 22
Devolución esperada (%) 30 20 15 12 10 7
Categoría de riesgo Alto Alto Alto Mediano Mediano Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en

los diversos fondos. Para ese fin, la administración de Pension Planners, Inc.
ha especificado las siguientes pautas:
1. La cantidad total invertida en fondos de alto riesgo debe estar entre

50 y 75% de la cartera.
2. La cantidad total invertida en fondos de mediano riesgo debe estar
entre 20 y 30% de la cartera.
3. La cantidad total invertida en fondos de bajo riesgo debe ser al
menos de 5% de la cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el

riesgo invirtiendo en muchas alternativas diferentes. La gerencia de Pension
Planners, Inc, ha especificado que la cantidad invertida en los fondos de alto
riesgo 1, 2 y 3 deben estar en la tasa 1:2:3, respectivamente. La cantidad
invertida en los fondos de mediano riesgo 4 y 5 debe ser 1:2.
45
Con estas pautas, ¿qué cartera debería usted, gerente de cartera,
recomendar para maximizar la tasa esperada de retorno?
Solución:
En este problema, usted puede controlar cuánto invertir en cada uno de los
seis fondos mutuos, dando así origen a seis variables de decisión. Como
siempre, debe especificar las unidades asociadas con cada variable. Por
ejemplo, para el fondo 1, podría definir cualquiera de las siguientes
variables:
F1 = el número de acciones del fondo 1 por comprar

F1 = el número de dólares por invertir en el fondo 1
F1 = la fracción de la agenda por invertir en el fondo 1
Cada opción conduce a un modelo matemático diferente pero equivalente.

Aquí se utiliza la última opción. Así que, para cada uno de los fondos
restantes, defina:
F2 = la fracción de la cartera por invertir en el fondo 2

RESTRICCIONES DE LIMITACIÓN DE INVERSIÓN

Este grupo consiste en tres subgrupos de restricciones, uno para cada
categoría de riesgo, a saber:
1. La cantidad total invertida en fondos de alto riesgo debe estar entre

50 y 75% de la cartera. Como F1, F2 y F3 representan la fracción de
la cartera por invertir en fondos de alto riesgo, la fracción de la
cartera total invertida en fondos de alto riesgo es F1 + F2 + F3. Estas
restricciones son
46
F1 + F2 + F3 ≥ 0.50 (mínimo en alto
riesgo)
F1 + F2 + F3 ≥ 0.75 (máximo en alto
riesgo)
2. La cantidad total invertida en fondos de mediano riesgo debe estar

entre 20 y 30% de la cartera. Como F4 y F5 representan la fracción
de cartera por invertir en fondos de mediano riesgo, la fracción de la
cartera total invertida en fondos de mediano riesgo es F4 + F5. Estas
restricciones son:
F4 + F5 ≥ 0.20 (mínimo en mediano

riesgo)
F4 + F5 ≤ 0.30 (máximo en alto
riesgo)
Formulación completa y solución del problema de inversión de

Pension Planners, Inc.
A continuación se muestra el modelo de programación lineal completo para

los socios generales de Pension Planners, Inc:
Maximizar 0.30F1+ 0.20F2+ 0.15F3+ 0.12F4+ 0.10F5+ 0.07F6

Dependiendo de
RESTRICCIONES DE LIMITACIÓN DE INVERSIÓN
F1+ F2+ F3 ≥ 0.50 (mínimo en alto riesgo)

F1+ F2+ F3 ≥ 0.75 (máximo en alto riesgo)
F4+ F5 ≥ 0.20 (mínimo en mediano
riesgo)
47
F4+ F5 ≥ 0.30 (máximo en mediano
riesgo)
F6 ≥ 0.05 (mínimo en bajo riesgo)
RESTRICCIONES DE DIVERSIFICACIÓN
-2F1 + F2 =0 (proporción de F1 a F2)

-3F 1 + F3 =0 (proporción de F1 a F3)
-2F4 + F5 =0 (proporción de F4 a F5)
F1 + F2 + F3 + F4 + F5 + F6 = 1.0 (cartera
total)
F1 + F2 + F3 + F4 + F5 + F6 ≥ 0
La solución óptima para este problema que cualquier paquete de software

de programación lineal produce es:
F1 = 0.1250
F2 = 0.2500
F3 = 0.3750
F4 = 0.0667
F5 = 0.1333
F6 = 0.0500
Cada una tasa de rendimiento de 0.168583. En otras palabras, la cantidad

de dinero invertido en cada uno de los seis fondos es:
Cantidad en el fondo 1 = 0.1250 * 1 000 000 = $ 125 000

Inversión Total = $ 1 000 000
48
con una tasa de rendimiento esperado de 16. 86% (o $ 168 600).
Recuerde que las variables de decisión se definen como la fracción de la
cartera a invertir, en vez de la cantidad de dólares. Este enfoque tiene una
ventaja clara. Si la cantidad de dólares de la cartera cambia, un evento
probable, el modelo actual permanece inalterado. Simplemente necesita
multiplicar las fracciones obtenidas en la solución anterior por el nuevo
tamaño de la cartera para determinar las nuevas cantidades a invertir en
cada uno de los seis fondos.
Ejemplo 5: Problemas de Mezclas

Ejemplo: EL PROBLEMA DE MEZCLADO DE GASOLINA DE HEXXON OIL
COMPANY
Hexxon Oil Company obtiene tres tipos de petróleo crudo de sus pozos de
Mississippi, Nuevo México y Texas. La gasolina obtenida de estos petróleos
crudos se mezcla junto con dos aditivos para obtener el producto final.
Estos petróleos crudos y aditivos contienen azufre, plomo y fósforo, como
se muestra en la tabla 5. El costo de cada componente también se
presenta. Debido a los residuos e impurezas, cada galón de petróleo crudo
de Mississipi resulta sólo en 0.35 de galón del producto final, que contiene
0.07% de azufre. De manera similar, cada galón de crudo de Nuevo México
produce 0.40 de galón del producto final que contiene 0.08% de sulfuro y
cada galón de crudo de Texas resulta en 0.30 de galón del producto final
que contiene 0.10% de azufre. La gerencia ha establecido las siguientes
especificaciones para controlar las cantidades de azufre, plomo y fósforo:
1. Cada galón debe tener a lo más 0.07% de azufre
2. Cada galón debe tener entre 1.25 y 2.5 gramos de plomo
3. Cada galón debe tener entre 0.0025 y 0.0045 gramos de fósforo
4. La cantidad total de los aditivos no puede exceder de 19% de la
mezcla
TABLA 5. COMPOSICIÓN Y COSTO DE LOS COMPONENTES DE MEZCLA
PETROLEOS CRUDOS ADITIVOS

Mississippi Nuevo México Texas 1 2
Azufre (%) 0.07 0.08 0.10 - -
Plomo (g/gal) - - - 7 6
Fósforo (g/gal) - - - 0.025 0.02
Costo ($/gal) 0.55 0.47 0.33 0.08 0.12
49
Como gerente de producción, determine un plan de mezclado que produzca
una gasolina aceptable al mínimo costo.
Si aplicamos la descomposición llegamos a
Cantidad de gasolina = (cantidad producida del petróleo crudo de

Mississippi)+
(cantidad producida del petróleo crudo de
NuevoMéxico)+
(cantidad producida del petróleo crudo de
Texas)+
(cantidad del aditivo 1)+ (cantidad del aditivo
2)
Recuerde que cada galón de crudo de Mississippi produce sólo 0.35 de galón
de gasolina. Por tanto, XM galones de este crudo producen 0.35XM galones
de gasolina. De manera similar, como cada galón de petróleo crudo de
Nuevo México produce 0.40 de galón de gasolina y cada galón de petróleo
crudo de Texas resulta en 0.30 de galón de gasolina, esta restricción es
0.35XM + 0.40XN + 0.30XT + A1 + A2 = 1.0

(producción)
RESTRICCIONES DE COMPOSICION DE MEZCLADO

Este grupo consiste en tres conjuntos de restricciones, uno por cada una de
las limitaciones de azufre, plomo y fósforo en la mezcla final. Por ejemplo,
para el azufre:
Proporción de azufre en la mezcla ≤ 0.0007 (esto es, ≤ 0.07%)
Aplicando la descomposición,
50
Sin embargo, de la restricción de producción anterior, la cantidad total de la
mezcla es precisamente 1 galón, así que lo único que se necesita calcular es
la cantidad de azufre en la mezcla. Aplicando la descomposición,
Cantidad de azufre = (cantidad de azufre del petróleo crudo de

Mississippi)+
en la mezcla (cantidad de azufre del petróleo crudo de Nuevo
México)+
(cantidad de azufre del petróleo crudo de Texas)+
(cantidad de azufre del aditivo 1)+
(cantidad de azufre del aditivo 2)
De acuerdo con la tabla 5, cada galón de petróleo crudo de Mississippi
produce 0.35 de galón de gasolina que contiene 0.07% de azufre. Por tanto,
XM galones de este petróleo crudo produce 0.35 XM galones que contienen
0.07% de azufre. Así
Cantidad de azufre del petróleo crudo de Mississippi = 0.0007 * 0.35Xm

=
0.000245XM
Observando que los aditivos no aportan azufre, y aplicando una lógica
similar a los otros dos resultados de petróleos crudos en la siguiente
restricción de azufre:
0.35 * 0.0007XM + 0.40 * 0.0008XN + 0.30 * 0.001XT ≤ 0.0007

o
0.000245XM + 0.00032XN + 0.0003XT ≤ 0.0007 (azufre)
Existen límites inferiores y superiores sobre las cantidades de plomo y
azufre en la mezcla final. Aplicando el mismo razonamiento usado en el
desarrollo de la restricción de azufre, se obtienen las siguientes cuatro
restricciones para plomo y fósforo:
7 A1 + 6 A2 ≤ 2.50 (límite superior en plomo)

7 A1 + 6 A2 ≥ 1.25 (límite inferior en plomo)
0.025 A1 + 0.02 A2 ≤ 0.0045 (límite superior en fósforo)
51
0.025 A1 + 0.02 A2 ≥ 0.0025 (límite inferior en fósforo)
Finalmente, existe la limitación de que la mezcla contenga a lo más 19% de

aditivos. Por tanto, el total de A1 y A2 debe ser de a lo más 0.19 de galón,
resultando las siguientes restricciones:
A1 + A2 ≤ 0.19 (límite superior en

aditivos)
La única restricción lógica es que todas las variables sean no negativas.
Formulación completa y solución del problema de mezclas de la

Hexxon Oil Company
Como gerente de producción de Hexxon Oil Company, reúne toda esta

información en el siguiente modelo de programación lineal:
Minimizar 0.55XM + 0.47XN + 0.33XT + 0.08 A1 + 0.12 A2

Dependiendo de
RESTRICCIONES DE PRODUCIÓN
0.35XM + 0.40XN + 0.30XT + A1 + A2 = 1.0 (producción)
RESTRICCIONES DE COMPOSICION DE MEZCLADO
0.000245XM + 0.00032XN + 0.0003XT ≤ 0.0007 (azufre)

7 A1 + 6 A2 ≤ 2.50 (límite superior en
plomo)
7 A1 + 6 A2 ≥ 1.25 (límite inferior en
plomo)
0.025 A1 + 0.02 A2 ≤ 0.0045 (límite superior en
fósforo)
0.025 A1 + 0.02 A2 ≥ 0.0025 (límite inferior en
fósforo)
52
A1 + A2 ≤ 0.19 (límite superior en
aditivos)
RESTRICCIÓN LÓGICA
XM , XN , XT , A1 , A2 ≥ 0
La solución óptima a este problema, que resulta de usar cualquier paquete
de software de programación lineal, es
XM = 0.0000
XN = 1.3750
XT = 0.8667
A1 = 0.1400
A2 = 0.0500
con una valor de función objetivo de 0.94945. En otras palabras, cada galón
de producto final se fabrica mezclando y procesando 1.3750 galones de
petróleo crudo de Nuevo México y 0.8667 de galón de petróleo crudo de
Texas con 0.14 de galón de aditivo 1 y 0.05 de galón de aditivo 2, a un
costo total de 94.945 centavos.
Ejemplo 6: Planeación de Producción Agregada

Ejemplo: EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DE NATIONAL
STEEL CORPORATION
National Steel Corporation (NSC) produce un acero especial usado en las
industrias de aviación y aeroespaciales. El departamento de ventas de NSC
ha recibido pedidos de 2400, 2200, 2700 y 2500 toneladas de acero para
cada uno de los siguientes 4 meses. NSC puede satisfacer estas demandas
produciendo el acero, extrayéndolo de su inventario, o usando cualquier
combinación de las dos alternativas.
Se proyecta que los costos de producción por tonelada de acero durante
cada uno de los siguientes cuatro meses sean de $7400, $7500, $7600 y
$7650. Como los costos suben cada mes, debido a las presiones
inflacionarias, tal vez sea mejor que NSC produzca más acero del que
53
necesita en un mes determinado y que almacene el exceso. La capacidad de
producción, sin embargo, no puede exceder las 4000 toneladas en ningún
mes. La producción mensual se termina al final del mes, cuando la demanda
se satisface. Cualquier acero remanente se almacena en inventario a un
costo de $120 por tonelada por cada mes que permanece allí. Estos datos
se resumen en la tabla 6
TABLA 6. DATOS PARA EL PROBLEMA DE PRODUCCIÓN-PLANEACIÓN DE NSC
MES
1 2 3 4
Demanda (tons) 2400 2200 2700 2500
Costo de producción ($/ton) 7400 7500 7600 7650
Costo de inventario
($/ton/mes) 120 120 120 120
Si el nivel de producción se incrementa de un mes al siguiente, entonces la

compañía incurre en un costo de $50 por tonelada de producción
incrementada para cubrir la mano de obra adicional y/o el tiempo extra.
Cada tonelada de producción disminuida incurre en un costo de $30 para
cubrir los beneficios de empleados no utilizados.
El nivel de producción durante el mes anterior fue de 1800 toneladas, y el
inventario que comienza es de 1000 toneladas. El inventario al final del
cuarto mes debe ser de al menos 1500 toneladas para cubrir la demanda
anticipada. Formule un plan de producción para NSC que minimice los
costos totales en los siguientes 4 meses.
Solución:
Identificación de las variables de decisión
En este problema, usted tiene la libertad para elegir cuántas toneladas de

acero producir cada mes para satisfacer la demanda. Surgen cuatro
variables:
X1 = el número de toneladas de acero por producir durante el mes 1

54
A primera vista, usted podría pensar que éstas son todas las variables que
se requieren. Con estas variables, siempre puede determinar la cantidad en
inventario. Por ejemplo, del diagrama esquemático de la figura 1, el
inventario al final del primer mes es
Inventario al final del mes 1 = inventario inicial + cantidad de producción –

demanda
= 1000 + X1 – 2400
Cantidad de producción
(X1)
Inventario de inicio Inventario de

(I1=1000) Terminación
(I )
Demanda
(D1=2400)
Figura 1. Relación entre niveles de inventario, producción y

demanda
Sin embargo, escribir el inventario al final del segundo, tercero y
subsecuentes meses es más complicado. Por ejemplo, para el mes 2:
Inventario al = inventario inicial+ cantidad de producción-

demanda
final del mes 2 = (1000 + X1 – 2400) + X2 – 2200
Para simplificar, es conveniente crear otras cinco variables para representar

los niveles de inventario al principio de cada mes:
I1 = inventario en toneladas al principio del mes 1
55
Identificación de la función objetivo

minimizar los costos totales sobre el horizonte de planeación de 4 meses. Si
aplicamos la descomposición para identificar tres componentes de costo
diferentes llegamos a
Costos totales = costos de producción+ costos de inventario+ costos del

cambio en la producción
COSTOS DE PRODUCCIÓN
Aplicando nuevamente la descomposición se identifican los costos de
producción como la suma de los costos de producción en cada uno de los 4
meses. Usando las variables de producción X1, X2, X3, X4, junto con los
costos de producción por toneladas de la tabla 6, llegamos a
Costos de producción = 7400X1 + 7500X2 + 7600X3 + 7650X4
COSTOS DE INVENTARIO
Una descomposición similar produce un costo de inventario total como la
suma de los costos de inventario durante cada uno de los cuatro meses.
Como los niveles de inventario cambian solamente al final del mes, todos
los inventarios al principio del mes incurren en un costo de $120 por
tonelada para ese mes. Usando las variables I1, I2, I3, I4 llegamos a
Costos de inventario = 120I1 + 120I2 + 120I3 + 120I4
Observe que I5 no se incluye en esta porción porque el objetivo es

minimizar los costos totales solamente en los siguientes 4 meses, e I5
incurre en costos durante el quinto mes.
COSTOS DEL CAMBIO EN LA PRODUCCION
56
Para determinar los costos del cambio en la producción de un mes al
siguiente, trabaje con un ejemplo específico en el que, digamos X1 = 100 y
X2 = 300. En este caso, existe un incremento de 300 – 100 = 200
toneladas de acero del mes 1 al mes 2. Por tanto, a un costo de $50 por
tonelada de incremento,
Costo del cambio en la producción = (300 – 100) * 50 = $10 000
Usando este ejemplo, podría escribir la siguiente expresión general:
Costo del cambio en la producción = (X2 – X1) * 50
Sin embargo, ¿qué sucede si X1=300 y X2=100? Esto es, ¿qué pasa si el
nivel de producción disminuye? En este caso, la expresión anterior resulta
en un costo de (100 – 300) * 50= -$10 000, es decir, una ganancia de $10
000, que no tiene sentido. En vez de esto, a un costo de $30 por tonelada
de decremento, la expresión correcta es
Costo del cambio en la producción = (300 – 100) * 30

= $6000
En general, cuando el nivel de producción disminuye del mes 1 al mes 2, la

expresión correcta es
Costo del cambio en la producción = (X1 – X2) * 30

combinando con las expresiones para resultados de incremento y
decremento se obtienen los siguientes costos del cambio en la producción
del mes 1 al mes 2:
Costo del cambio en la producción = 50(X2 – X1), si X2 ≥ X1

(incremento)
30(X1 – X2), si X1 >X2
(decremento)
Como los valores de X1 y X2 son por ahora desconocidos, la cuestión es

cómo combinar estos dos casos en una sola expresión.
57
Una forma de abordar esto es creando variables de decisión adicionales
cuyos valores son precisamente las cantidades de producción incrementada
y decrementada de un mes al siguiente. Esto es,
S1 = el número de toneladas de producción incrementada en el mes 1

D1 = el número de toneladas de producción decrementada en el mes 1



Los valores de estas variables dependen de los niveles de producción. Por
ejemplo, cuando X2=300 y X1=100, usted desea que S2 sea 200 y D2, 0.
Si X2=100 y X1=300, desea que S2 sea 0 y D2, 200. Las restricciones que
aseguran las relaciones adecuadas entre estas variables se identifican en la
siguiente sección.
Con estas nuevas variables, cuando S1 es positiva, D1 debe ser 0. De

manera similar, cuando D1 es positiva, S1 debe ser 0. Por tanto, los costos
del cambio en la producción para el primer mes son 50S1+ 30D1. Por
consiguiente, los costos totales del cambio en la producción son:
Costos del cambio = (costo del cambio en la producción en el mes 1)+

en la producción (costo del cambio en la producción en el mes 2)+
(costo del cambio en la producción en el mes 3)+
(costo del cambio en la producción en el mes 4)+
= (50S1+ 30D1) + (50S2+ 30D2)+
(50S3+ 30D3) + (50S4+ 30D4)
FUNCIÓN OBJETIVO COMPLETA
58
La combinación de los tres componentes de costo da como resultado la
siguiente función objetivo global:
Minimizar costos totales = 7400X1 + 7500X2 + 7600X3 + 7650X4 +

120I1 + 120I2 + 120I3 + 120I4 +
50S1 + 30D1 + 50S2 + 30D2 + 50S3 + 30D3
+ 50S4 + 30D4
Aplicando la técnica de agrupamiento debe llegar a identificar los siguientes

seis grupos de restricciones:
1. Restricciones de inventario inicial y final para asegurar los adecuados

niveles de inventario de inicio y fin
2. Restricciones de limitación de producción para asegurar que la
producción de cualquier mes dado no exceda de 4000 toneladas
3. Restricciones de equilibrio de inventario para asegurar la adecuada
relación entre las variables de producción y las de inventario
4. Las restricciones de cambio en la producción para asegurar la
adecuada relación entre las variables de producción y las de cambio
en la producción
5. Restricciones de demanda para asegurar que se satisfagan las
demandas cada mes
6. Restricciones lógicas para asegurar que todas las variables son no
negativas
RESTRICCIONES DE INVENTARIO INICIAL Y FINAL

En palabras, las dos restricciones en este grupo son:
1. El nivel de inventario inicial es de 1000 toneladas
2. El nivel de inventario final debe ser al menos de 1500 toneladas
59
Como I1 e I5 representan los inventarios inicial y final al principio y final del
período de planeación de 4 meses, respectivamente, estas restricciones
son:
I1 = 1000 (inventario de inicio)

I5 ≥ 1500 (inventario final)
RESTRICCIONES DE LIMITACIÓN DE PRODUCCIÓN

La producción en cualquier mes no puede exceder las 4000 toneladas, así
que las cuatro restricciones en este grupo son
X1 ≤ 4000 (límite en el
mes 1)
mes 2)
mes 3)
mes 4)
60
Bibliografía
Anderson, D.; Sweeney, D.; Williams, T. (2004). Métodos cuantitativos para los
negocios. México. Editorial Thomson.
Eppen, G.; Gould, F. J.; Moore, J.; Schmidt. C.; Weatherford, L. (1998). Investigación
de Operaciones en la Ciencia Administrativa. México. Editorial Prentice Hall
Hillier, F.; Liberman, G. (2001). Investigación de Operaciones. México. Editorial Mc.

Graw Hill.
Mathur, K.; Solow, D (1996). Investigación de Operaciones. El arte de la toma de

decisiones. México. Prentice Hall.
Taha, H. (2004). Investigación de Operaciones. México. Perason Prentice Hall.
Wayne, W. (2005). Investigación de Operaciones. Aplicaciones y Algoritmos. México.

Editorial Thomson.
61

Io Guia Tema 1 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Io Guia Tema 1 PDF

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL EXPERIMENTAL

En el presente material didáctico se provee una lista de ejemplos,

Orígenes de la Investigación de Operaciones

Características de la Investigación de Operaciones

Investigación de operaciones y Toma de Decisiones

Investigación de Operaciones– Algunas Definiciones-

En relación a ésta definición deben destacarse los siguientes aspectos:

Características de la Investigación de Operaciones.

Metodología de la Investigación de Operaciones

El proceso de la Investigación de Operaciones comprende las

Explicando en más detalles cada una de estas fases

Definición del Problema y Recolección de Datos: La mayor parte

Solución del modelo: Resolver un modelo consiste en encontrar los

Validación y Prueba del modelo: El desarrollo de un modelo

Implantación de la solución: El paso final se inicia con el proceso de

Áreas de aplicación de la Investigación de Operaciones

Principales herramientas de Invetsigación de Operaciones

El término Modelo reviste especial importancia en el campo de la

Modelos de Optimización Restringida

Cada una de las m relaciones emplea uno de los signos , ,=

La solución óptima será aquella que produzca el mejor valor de la

Introducción a la Programación Lineal

Se llama programación lineal al conjunto de técnicas

Un problema de programación lineal en dos variables, tiene la

pudiendo cambiarse maximizar por minimizar, y el sentido de las

Ciertos símbolos se usan de manera convencional para denotar las

El modelo establece el problema en términos de tomar decisiones sobre

Formulación de Modelos de Programación Lineal

A continuación, se incluye un problema ilustrativo muy sencillo. Sin

Ejemplo No. 1: El Problema del Carpintero

Tanto X1 como X2 son no negativas.

Este es un modelo matemático para el problema del carpintero. Las

Ejemplo No. 2: Un Problema de Mezcla

El taller LUBEOIL se especializa en cambios de aceite del motor y

X1 = Cambios del aceite

Maximizar 7X1 + 15X2

Supuestos de la programación lineal.

Existe un número de suposiciones realizadas en cada modelo. La

Existen limitaciones prácticas para el uso de la PL. Una se

Ejemplos de Formulación de Modelos de Programación Lineal

Ejemplo 1: Decisiones de Fabricación o Compra

TABLA. INGREDIENTES USADOS EN LA PRODUCCION DE AIRTEX, EXTENDEX Y RESISTEX

INGREDIENTE (oz/lb de producto)

BlubberMaid, Inc, tiene el compromiso de producir al menos 1000 libras de

Siguiendo los pasos de la formulación de problemas, primero identifique las

Identificación de la función objetivo.

Para BlubberMaid, el objetivo lógico es determinar cuánto fabricar de cada

Ganancia Total=ganancia de Airtex+ ganancia de Extendex+ ganancia de

Identificación de las restricciones

Aplicar la técnica de agrupamiento lo debe conducir a identificar los

1. Restricciones de recursos para asegurar que no se usen más de los

Cantidad empleada del polímero A ≤ 500 libras

El uso de la descomposición lleva a:

Cantidad empleada del polímero A= (cantidad empleada para producir A

Para determinar la cantidad del polímero A usada en la fabricación de cada

Cantidad del polímero A empleada en Airtex = 4(100) = 400

Entonces, en términos de las variables de decisión, podría pensar que la

Sin embargo, esta restricción no es correcta. La razón es que las unidades

Como gerente del departamento de producción, usted junta todas las

Formulación completa y solución del problema de mezcla de

Como gerente del departamento de producción, usted junta todas las

Ejemplo 2: Decisiones de Fabricación o Compra

TABLA 2. DATOS PARA EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL