UNIVERSIDAD ANDRES BELLO

Facultad de Economía y Negocios

Introducción a la
Investigación de Operaciones
Profesor: Yerko Sánchez Oñate

yersanchez@gmail.com

Operación del Plan de Negocio

1er semestre 2018
 ¿Investigación de Operaciones?

Disciplina que aplica métodos analíticos

avanzados (modelamiento matemático) para
ayudar a tomar mejores decisiones .
• Optimización
• Simulación
 Investigación de Operaciones

CIENCIA ARTE
Proporciona técnicas Depende de creatividad
matemáticas y algorítmicas y habilidad

Determina el mejor (óptimo) CURSO de ACCIÓN de un problema

de DECISIÓN en condiciones de RECURSOS ESCASOS.

LA PROGRAMACION MATEMÁTICA PERMITE

MODELAR Y ANALIZAR PROBLEMAS DE DECISIÓN
 Historia de la Optimización
• La O. nace en Inglaterra durante la Segunda Guerra
Mundial, para solucionar algunos problemas militares.
• Luego de la guerra se comenzó a aplicar en otras áreas
como control de inventarios, asignación de recursos, listas
de espera, etc.
• En los 50’s y 60’s se perfeccionan las técnicas para obtener
soluciones, tanto analíticas como deductivas, hasta su
formalización en la actualidad.
• Actualmente, uso de modelos matemáticos para apoyar a
tomadores de decisiones en las más diversas áreas.
 Se desarrolló fuertemente en la
planificación de operaciones militares
 Aplicaciones de la Optimización
• Forestal:
- Asignación de camiones a predios forestales.
- Asignación de máquinas a faenas.
-Transporte de madera desde predios forestales a los aserraderos
y centros pulpables.
- Optimización del trozado en aserradero.
• Médica:
- Asignación de camas (costos vs beneficios).
- Programación de las operaciones quirúrgicas.
- Asignación de personal de turno.
• Minería:
- Programación de máquinas a trabajos.
- Asignación de contratistas a las distintas faenas.
- Programación de turnos del personal de operaciones.
 Casos de Éxito
 La planificación óptima de su personal
de vuelo permite a American Airlines
ahorrar un millón de dólares al año.
 La mejora de los repartos por carretera
en Reynolds Metals ha aumentado la
puntualidad en las entregas,
reduciendo los costes de flete en 7
millones de dólares al año.
 El óptimo control del tráfico en la
autopista Hanshin, en Osaka permite
ahorrar al año 17 millones de horas de
conducción.
 Casos de Éxito
 La mejor planificación de las unidades
de generación termohidráulica le
supone a Southern Company un ahorro
de 140 millones de dólares.
 Tras la restructuración de su
departamento de operaciones en
Norteamérica, Procter&Gamble ha
disminuido sus plantas en un 20%, con
un ahorro de 200 millones de dólares al
año.
Impacto de la IO
Enfoque de la IO
 Disciplinas de la IO
La Investigación de Operaciones incluye
disciplinas como:
• Programación lineal
• Programación No lineal
• Programación Dinámica
• Modelos Estocásticos
• Simulación

La IO pretende ayudar a tomar decisiones

en sistemas complejos
 Problemas de Decisión

OBJETIVO VARIABLES RESTRICCIONES

maximizar beneficios Variables de Restricciones Operacionales
minimizar costos Decisión Restricciones de Recursos

OPTIMIZAR:
- Concepción FISICA y OPERACIONAL para enfrentar un problema
de Decisión mediante: INTUICIÓN, EXPERIENCIA, PRÁCTICA , CREATIVIDAD.
- Definir límites físicos (capacidad, restricción) de la formulación deseada
para representar la SITUACIÓN REAL: Espíritu observador y Analítico.
- Definir modelo adecuado y someterlo a pruebas (análisis de sensibilidad).

“ FORMACIÓN MATEMÁTICA Y ESPÍRITU ANALÍTICO”

 Qué es un modelo…

• Un modelo es una representación simplificada de

la realidad, la cual es mas fácil de tratar y de
explorar que la realidad misma, para un propósito
especifico.

• Busca proporcionar herramientas analíticas para

poder plasmar la teoría en modelos capaces de
resolver problemáticas complejas.
 Los modelos no son perfectos…
Algunos modelos
Otros no tanto…
son buenos…

Siempre es mejor tener algo que no tener nada

(a menos que cueste demasiado caro).
 Modelos de IO
MODELO:
• Abstracción del sistema real.
• Soporte para analizar un problema de decisión.

Un Modelo de IO requiere:
- VARIABLES DE DECISIÓN.
- FUNCIÓN OBJETIVO → f(variables de decisión).
- RESTRICCIONES → Recursos, tiempo, rest. Op.
Modelo de Entradas y Resultados
 Modelación
En general, usaremos un Modelo Matemático de
Optimización, que tiene la siguiente estructura:
 Solución de Problemas de Decisión
(Procedimiento)

• Definición del problema

(objetivos, restricciones, ...)
• Recolección de datos
• Construcción del modelo (elegir el modelo)
• Solución del modelo (obtener solución optima
con técnicas de optimización)
• Validación del modelo (análisis de sensibilidad)
• Implementación de resultados finales.
 Modelo matemático
• n decisiones en un modelo matemático:
f(x1,x2,…xn), como medida de desempeño, se
puede expresar como la función:
Z=3x1+2x2+…+5xn
• Esta función se denomina FUNCIÓN OBJETIVO
 Modelo matemático
• Las limitaciones del modelo se expresan en las mismas
variables, en formas de ecuaciones o desigualdades:
X1+3x2<=10
• Estas se denominan restricciones (a la función objetivo)
• Las constantes se denominan parámetros del modelo
• Este tipo de modelo con algunas de sus variantes tipifican los
modelos de IO.
• En nuestro caso, corresponderían a los tipos lineales, es decir
programación lineal
 Terminología
Parámetro:
• Valor conocido y constante dentro del modelo. Ejemplo:
Oferta, Demanda, coeficiente de utilidad marginal,
coeficiente de costo marginal, disponibilidad de recurso,
tiempo.
Variables de decisión:
• Cantidades que se pueden controlar para mejorar el
objetivo.
Restricciones:
• Limitaciones en los valores para las variables de decisión.
Función Objetivo:
• Medida para comparar las alternativas.
• Se busca maximizar o minimizar este objetivo
 Programación Lineal (Supuestos)
• Linealidad: las medidas de desempeño (función
objetivo) y las restricciones son lineales (aditivas
y proporcionales) en relación a las variables de
decisión.
• Divisibilidad: el nivel de las actividades (valores
de las variables de decisión) pertenece a un
conjunto denso (pueden tomar valores
decimales).
• Certidumbre: Las variables exógenas son
conocidas y constantes (son parámetros).
 Programación Lineal
• Para sistemas de más de dos variables, el
procedimiento no es tan sencillo y se resuelven por
el llamado método Simplex (ideado por George
Danzig, matemático estadounidense en 1951).

• En 1984 el matemático indio establecido en

Estados Unidos, Narenda Karmarkar, encontró un
algoritmo, llamado algoritmo de Karmarkar, que es
más rápido que el método simplex en ciertos casos.
Los problemas de este tipo, en el que intervienen
gran número de variables, se implementan en
ordenadores.
 Modelo general:
Programación Lineal
Función Objetivo:
Max ó min Z= c1 x1 + c2 x2 + c3 x3 + ...+ cn xn
Sujeto a:
a11 x1 + a12 x2 +...+ a1n xn  b1
a21 x1 + a22 x2 +...+ a2n xn  b2
. . .

am 1 x1 + am2 x2 +...+ amn xn  bm

xj  0 ; j=1..n

Modelo General de PL con “m” restricciones y ”n” variables de Decisión.

 Formato Canónico
(Restricciones con desigualdades)
Función Objetivo:
Max ó min Z= c1 x1 + c2 x2 + c3 x3 + ...+ cn xn
Sujeto a:
a11 x1 + a12 x2 +...+ a1n xn  b1
a21 x1 + a22 x2 +...+ a2n xn  b2
. . .

am 1 x1 + am2 x2 +...+ amn xn  bm

xj  0 ; j=1..n

Modelo General de PL con “m” restricciones y ”n” variables de Decisión.

 Formato Estándar
(Restricciones con igualdades)
Función Objetivo:
Max ó min Z= c1 x1 + c2 x2 + c3 x3 + ...+ cn xn
Sujeto a:
a11 x1 + a12 x2 +...+ a1n xn + h1 = b1
a21 x1 + a22 x2 +...+ a2n xn + h2 = b2
. . .

am 1 x1 + am2 x2 +...+ amn xn + hm = bm

xj  0 ; j=1..n

Modelo General de PL con “m” restricciones y ”n” variables de Decisión.

 Enfoque matricial
de la Programación Lineal
Sea el P.P.L:
Optimizar Z =CX
s.a. AX <= b
X≥0
Donde:
 Enfoque matricial
de la Programación Lineal
Donde A es de orden m por n; CX son vectores renglón y
columna con n componentes y b es un vector columna con
m componentes. Se denotan a las columnas de A por
a1,a2,…, an con m<n. Se considera a la matriz A partida en
dos matrices, una B con m vectores linealmente
independientes y otra con n-m vectores linealmente
independientes.
Am,m = ( Bm,m Nn,n-m)

La matriz B se denomina base (variables básicas) y N matriz

de variables No básicas.
 Enfoque matricial
de la Programación Lineal
Sean: A =[ B : N ]; Ct=[ CB : CN ]t; Xt=[ XB : XN ]t

Optimizar Z=[ CB : CN ]t [ XB : XN ]
s.a.
[ B : N ] [ XB : XN ] = [ b ]
[ X : X ]t ≥ 0

Optimizar Z=CBXB+CNXN
s.a.
BXB+NXN = b
X ≥0
 Enfoque matricial
de la Programación Lineal
BXB+NXN = b /B-1
B-1BXB+ B-1NXN = B-1b
I XB+ B-1NXN = B-1b
XB = B-1b - B-1NXN
Reemplazando en la F.O.
Z=CBXB+C
Z=CB[B-1b - B-1NXN ] + CNXN NXN
Z=CBB-1b - CBB-1NXN + CNXN NXN
Z=CBB-1b – [ -CN + CBB-1N] XN
Z=CBB-1b – [CBB-1N - CN ] XN
“costos reducidos”
 Enfoque matricial
de la Programación Lineal

Z XB XN LD

Zj-Cj 1 0 CBB-1N - CN CBB-1b

XB 0 I B-1N B-1b
 Método gráfico
Pasos de aplicación:

1.-Graficar c/u de las restricciones correspondiente al

problema en un eje de coordenadas (X1, X2).
2.-Definir la región factible de Soluciones del problema.
3. Encontrar los puntos extremos del polígono que se
forma con las intersecciones.
4.-Evaluar la Función objetivo con los puntos encontrados
y elegirlo de acuerdo al objetivo (Maximizar o
minimizar).
 Método Simplex

Método Simplex: Pasos de aplicación

1.- Igualar la Función Objetivo a cero
2.- Convertir las desigualdades de las restricciones en
igualdades (<= a = ) agregando una variable de holgura hi .
3.- Confeccionar el Tableau(Tabla o Matriz) con solucion básica
inicial igual a cero con sus respectivos coeficientes.
4.- Elegir la variable que entra en la base (de las Xi) la cual
corresponde a la que menos contribuye a la función
objetivo (Criterio de elección de la columna pivote).
 Método Simplex
5.- Elegir la variable básica que sale de la base de acuerdo al
criterio de min cociente entre el LD y su coeficiente
correspondiente de la columna pivote (Criterio de
elección de la fila pivote).
6.- Deja un 1 en la intersección entre la Columna y la fila
pivote y dejar 0 en el resto de la columna pivote
aplicando operaciones elementales (pivoteando con la fila
pivote).
7.- Repetir el proceso hasta que la primera fila (Zj-Cj) sean
todos positivos (caso de Máximo) o sean todos negativos
(caso de mínimo).
 Ejemplo 1 (método gráfico)

Max Z = 3X1 + 5X2

S.A.:
X1 <= 4
2X2 <= 12
3X1 + 2X2 <= 18
X1,X2 >= 0
 Ejemplo 1 (método gráfico)
Max Z = 3X1 + 5X2
S.A.:
(1) X1 <= 4
(2) 2X2 <= 12
(3) 3X1 + 2X2 <= 18
X1,X2 >= 0
(0, 6)
(2, 6)
9
(4, 3)

(4,0)
Región
Factible

4
 Ejemplo 2 (método simplex)
Resuelva el siguiente problema de PPL
mediante método Simplex:

max Z = 2 x1  x2  3x3
s.a.
x1  x2  x3  100
5 x1  5 x2  5 x3  500
x1  x3  50
x1 , x2 , x3  0
Solución: Ejemplo 2 (método simplex)
Solución: Formato estándar:
Z - 2X1 - X2 - 3X3 = 0
X1+ X2 + X3 + h1 = 100
5X1 + 5X2 + 5X3 +h2 =500
-X1- X3 + h3 = -50
 Desarrollo (En Clase)
Resolver el ejemplo 1 mediante el método
Simplex: