MODULO I GENERAL INVESTIGACION DE OPERACIONES

UNIVERSIDAD SANTIAGO DE CALI

FACULTAD CIENCIAS ECONOMICAS Y EMPRESARIALES
ELABORADO POR: PREOFESOR: JUAN C. PORTOCARRERO CUERO

1.1 MATRICES

Una matriz es una tabla ordenada de escalares aij de la forma

La matriz anterior se denota también por (aij), i =1, ..., m, j =1, ..., n, o simplemente
por (aij).
Los términos horizontales son las filas de la matriz y los verticales son sus
columnas. Una matriz con m filas y n columnas se denomina matriz m por n, o matriz
m  n.
Las matrices se denotarán usualmente por letras mayúsculas, A, B, ..., y los
elementos de las mismas por minúsculas, a, b, ...
Ejemplo:

donde sus filas son (1, -3, 4) y (0, 5, -2) y sus

TIPOS DE MATRICES
Según el aspecto de las matrices, éstas pueden clasificarse en:

Matrices cuadradas
Una matriz cuadrada es la que tiene el mismo número de filas que de columnas. Se
dice que una matriz cuadrada n  n es de orden n y se denomina matriz n-
cuadrada.
Ejemplo: Sean las matrices

Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente.

Matriz identidad
Sea A = (ai j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A
consiste en los elementos a11, a22, ..., ann. La traza de A, escrito tr A, es la suma de
los elementos diagonales.
La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra

1
posición, denotada por I, se conoce como matriz identidad (o unidad). Para
cualquier matriz A,
A· I = I ·A = A.

Matrices triangulares
Una matriz cuadrada A = (ai j ) es una matriz triangular superior o simplemente una
matriz triangular, si todas las entradas bajo la diagonal principal son iguales a cero.
Así pues, las matrices

son matrices triangulares superiores de órdenes 2, 3 y 4.

Matrices diagonales
Una matriz cuadrada es diagonal, si todas sus entradas no diagonales son cero o
nulas. Se denota por D = diag (d11, d22, ..., dnn ). Por ejemplo,

son matrices diagonales que pueden representarse, respectivamente, por

diag(3,-1,7) diag(4,-3) y diag(2,6,0,-1).

TRASPUESTA DE UNA MATRIZ

La traspuesta de una matriz A consiste en intercambiar las filas por las
columnas y se denota por AT.
Así, la traspuesta de

En otras palabras, si A = (ai j ) es una matriz m  n, entonces AT = es la

matriz n  m. La trasposición de una matriz cumple las siguientes propiedades:
1. (A + B)T = AT + BT.
2. (AT)T = A.
3. (kA)T = kAT (si k es un escalar).
4. (AB)T = BTAT.

Matrices simétricas
Se dice que una matriz real es simétrica, si AT = A; y que es antisimétrica,
si AT = -A.
Ejemplo:
Consideremos las siguientes matrices:

2
 Podemos observar que los elementos simétricos de A son iguales, o que AT =
A. Siendo así, A es simétrica.
Para B los elementos simétricos son opuestos entre sí, de este modo B es
antisimétrica.
A simple vista, C no es cuadrada; en consecuencia, no es ni simétrica ni
antisimétrica.

Matrices ortogonales
Se dice que una matriz real A es ortogonal, si AAT = AT A = I. Se observa que
una matriz ortogonal A es necesariamente cuadrada e invertible, con inversa A-1
= AT .
Consideremos una matriz 3  3 arbitraria:

Si A es ortogonal, entonces:

Matrices normales
Una matriz es normal si conmuta con su traspuesta, esto es, si AAT = ATA.
Obviamente, si A es simétrica, antisimétrica u ortogonal, es necesariamente
normal.
Ejemplo:

Puesto que AAT = ATA, la matriz es normal

SUMA Y RESTA DE MATRICES

Para poder sumar o restar matrices, éstas deben tener el mismo número de filas y
de columnas. Es decir, si una matriz es de orden 3  2 y otra de 3  3, no se
pueden sumar ni restar. Esto es así ya que, tanto para la suma como para la
resta, se suman o se restan los términos que ocupan el mismo lugar en las
matrices.
Ejemplo:

3
Para sumar o restar más de dos matrices se procede igual. No necesariamente
para poder sumar o restar matrices, éstas tienen que ser cuadradas.
Ejemplo:

PRODUCTO DE MATRICES
Para poder multiplicar dos matrices, la primera debe tener el mismo número
de columnas que filas la segunda. La matriz resultante del producto quedará
con el mismo número de filas de la primera y con el mismo número de
columnas de la segunda.
Es decir, si tenemos una matriz 2  3 y la multiplicamos por otra de orden 3 
5, la matriz resultante será de orden 2  5.
(2  3)  (3  5) = (2  5)
Se puede observar que el producto de matrices no cumple la propiedad
conmutativa, ya que en el ejemplo anterior, si multiplicamos la segunda por la
primera, no podríamos efectuar la operación.
3  5 por 2  3,
puesto que la primera matriz no tiene el mismo número de columnas que filas
la segunda.
Supongamos que A = (ai j ) y B = (bi j ) son matrices tales que el número de
columnas de A coincide con el número de filas de B; es decir, A es una matriz
m  p y B una matriz p  n. Entonces el producto AB es la matriz m  n cuya
entrada ij se obtiene multiplicando la fila i de A por la columna j de B.
Esto es,

4
 Ejemplo:
1.

2.

Producto por un escalar

El producto de un escalar k por la matriz A, escrito k·A o simplemente kA, es
la matriz obtenida multiplicando cada entrada de A por k:

Ejemplo:

Entonces:

DIVISIÓN DE MATRICES
La división de matrices se define como el producto del numerador
multiplicado por la matriz inversa del denominador. Es decir, sean las
matrices A y B tal que A/B = AB-1:
Si una matriz está dividida entre un escalar, todos los términos de la
matriz quedarán divididos por ese escalar.
Ejemplo:

MATRICES INVERTIBLES
Se dice que una matriz cuadrada A es invertible, si existe una matriz B con la propiedad
de que
AB = BA = I
siendo I la matriz identidad. Denominamos a la matriz B la inversa de A y la denotamos por
A-1.
Ejemplo:

5
Puesto que AB = BA = I, A y B son invertibles, siendo cada una la inversa de la otra
MÉTODO DE GAUSS
Sea A = (ai j ) una matriz cuadrada de orden n. Para calcular la matriz inversa de A, que
denotaremos como A-1, seguiremos los siguientes pasos:

Paso 1. Construir la matriz n  2n M = (A I ) esto es, A está en la mitad izquierda de M y

la matriz identidad I en la derecha.
Paso 2. Se deja tal y como está la primera fila de M, y debajo del primer término de la
diagonal principal, a11, que llamaremos pivote, ponemos ceros. Luego se opera como se
indica en el siguiente ejemplo.
Ejemplo:
Consideremos una matriz 3  3 arbitraria

Paso 1.

Paso 2.

El siguiente paso es igual que el anterior, pero esta vez se coge como pivote el segundo
término de la diagonal principal.
Al llegar al último término de la diagonal, se procede igual que antes, pero poniendo los
ceros encima del nuevo pivote. Se observa que al coger como pivote el último término
de la diagonal, la matriz A se transforma en una matriz triangular.
Una vez realizados todos los pasos, la mitad izquierda de la matriz M se convierte en
una matriz diagonal. En este momento hay que proceder a transformar, si es que no lo
está, la mitad izquierda en la matriz identidad, dividiendo si fuera necesario las filas de
M por un escalar.
Ejemplo:
Supongamos que queremos encontrar la inversa de

Primero construimos la matriz M = (A I),

6
La mitad izquierda de M está en forma triangular, por consiguiente, A es invertible. Si
hubiera quedado toda una fila con ceros en la mitad A de M, la operación habría
terminado (A no es invertible).
A continuación, cogemos como pivote a33, ponemos ceros encima de éste y seguimos
operando hasta que nos quede una matriz diagonal.

Ya que la matriz colocada en la mitad izquierda es diagonal, no hay que operar más.
Transformamos la matriz diagonal en una matriz identidad; para ello hay que dividir la
segunda fila entre -1:

La matriz que ha quedado en la mitad derecha de M es precisamente la matriz inversa

de A:

Para comprobar si el resultado es correcto, se procede a multiplicar AA-1, teniendo que

dar como resultado la matriz identidad I.
Comprobación:
AA-1 = I

7
 EJERCICIOS CON MATRICES
 Sean

a) ¿Qué clase de matrices son?

b) Calcular:
- A - B + C.
A + B - C.
3A + C/2.
c) Calcular:
(A · B) /C.
d) Calcular la inversa de A (A-1) y comprobar el resultado.

Resolución:
a) Las tres matrices son cuadradas y de orden tres. A su vez, B es una matriz
triangular, ya que todas las entradas debajo de la diagonal principal son ceros, y C
es antisimétrica porque los elementos simétricos son opuestos entre sí.

b)

8
c) Puesto que (A B) /C = A B C-1, calcularemos primero la inversa de C y
luego haremos el producto.

 Dividimos la primera fila entre -6, la segunda entre 3 y la tercera entre -3 para
que en la mitad izquierda quede la matriz identidad,

 Por lo tanto, la matriz inversa de C es:

 A continuación, se calcula el producto de las matrices A y B,

 Por último, calculamos (AB)C-1.

9
=

 Sacando factor común 1/3, el resultado puede escribirse como:

d) Primero se construye la matriz M = (A I) y luego se va desarrollando por

Gauss. Así pues:

 Se simplifica un poco para que las operaciones no sean tan costosas, dividiendo
la tercera fila entre cuatro. De este modo, se tiene

.
Se vuelve a simplificar, dividiendo la primera fila entre dos y la segunda entre
cuatro,

.
 Puesto que ya ha quedado una matriz diagonal en la mitad izquierda de M, se
procede a transformar esta mitad izquierda en una matriz identidad, dividiendo la
primera fila entre -3042, la segunda entre -78 y la tercera entre 39,

Así pues, la matriz que ha quedado en la mitad derecha es precisamente la

matriz identidad, que sacando factor común 1/78 se puede escribir como:

10
  Para comprobar el resultado, la matriz inversa de A o A-1, tiene que cumplir
AA-1 = I.

Procedamos a la comprobación:

MATRICES Y SISTEMAS DE ECUACIONES LINEALES

La matriz ampliada M de un sistema de m ecuaciones con n incógnitas es la
siguiente:

Cada fila de M corresponde a una ecuación del sistema y cada columna a los
coeficientes de una incógnita, excepto la última, que corresponde a las
constantes del sistema.
Un sistema de ecuaciones lineales puede resolverse trabajando con su matriz
ampliada, específicamente, reduciéndola a forma escalonada mediante el
proceso de Gauss.
Método de Gauss
Para resolver sistemas de ecuaciones lineales, se aplica el método de Gauss.
Este proceso se ilustra en el siguiente ejemplo.
Ejemplo:
Sea el sistema,

su matriz ampliada asociada es

11
Ahora resolvemos por el método de Gauss sabiendo que la primera columna
corresponde a los coeficientes de la x, la segunda a los de la y, la tercera a los
de la z y la cuarta a los términos independientes:

De este modo, el sistema tiene la solución única

x = 2, y = -1, z = 3.

La resolución de sistemas de ecuaciones lineales por matrices, aplicando el

método de Gauss u otros, es una de las múltiples aplicaciones que tienen éstas.

Ejercicio:
 Hallar el valor de x, y, z, t en los siguientes sistemas de ecuaciones lineales
aplicando matrices:

a) La matriz M asociada al sistema de ecuaciones es:

La tercera fila se suprime, puesto que es múltiplo de la segunda y resultaría una

fila nula. Así, el sistema queda formado por dos ecuaciones con cuatro
incógnitas:

La solución del sistema es compatible e indeterminado, esto es, tiene infinitas

soluciones.
x = -9 - y + 10t
z = 7t - 7 ó (- 9 - y + 10t, y, 7t - 7, t).
Dependiendo de qué valores se escojan para y y t, salen distintos resultados.
Así, para y = t = 0 tendremos la solución del sistema
12
 x = -9, y = 0, z = -7, t = 0.

b) La matriz M asociada al sistema de ecuaciones es:

No hay necesidad de continuar calculando nada más, puesto que la matriz

escalonada ya nos indica que el sistema es incompatible (SI), es decir, que no
tiene solución. Específicamente, la tercera fila de la matriz escalonada
corresponde a la ecuación
0x + 0y + 0z + 0t = -5
obteniendo como resultado 0 = -5, que es absurdo. Por lo tanto, decimos que
no tiene solución.

DETERMINANTES
A cada matriz n-cuadrada A = (ai j ) se le asigna un escalar particular denominado
determinante de A, denotado por det (A), | A | o

Una tabla ordenada n  n de escalares situada entre dos líneas verticales, llamada
determinante de orden n, no es una matriz.
La función determinante apareció por primera vez en el estudio de los sistemas de
ecuaciones lineales. Veremos que es una herramienta indispensable en el estudio
y obtención de éstas.
DETERMINANTES DE ORDEN UNO Y DOS
Los determinantes de orden uno y dos se definen como sigue:

= a11

Así, el determinante de una matriz 1  1 A = (a11) es el propio escalar a11, es decir,

det (A) = |a11| = a11.
Ejemplos:
a) Dado que el determinante de orden uno es el mismo escalar, tenemos det (24) =
24, det(-3) = -3, det (3x+5) = 3x+5.

b)

13
DETERMINANTES DE ORDEN TRES
Consideremos una matriz 3  3 arbitraria A = (ai j ). El determinante de A se define
como sigue:

a12a21a33 - a32a23a11

Obsérvese que hay seis productos, cada uno formado por tres elementos de la
matriz. Tres de los productos aparecen con signo positivo (conservan su signo) y
tres con signo negativo (cambian su signo).
Para calcular los determinantes de orden tres, el siguiente diagrama puede ayudar
a resolverlos:

Ejemplo:
Calcular el valor del determinante:

= 24 + 20 + 0 - (-4) - 0 - (-15) = 44 + 4 + 15 = 63

El determinante de la matriz 3  3 A = (ai j ) puede reescribirse como:

det (A) = a11(a22a33 – a23a32) – a12(a21a33 – a23a31) + a13(a21a32 – a22a31) =

que es una combinación lineal de tres determinantes de orden dos, cuyos

coeficientes (con signos alternantes) constituyen la primera fila de la matriz dada.
Esta combinación lineal puede indicarse de la forma siguiente:

14
Nótese que cada matriz 2  2 se obtiene suprimiendo en la matriz inicial la fila y la
columna que contienen su coeficiente.

Ejemplo:
Para demostrar que la propiedad anterior se cumple, trabajaremos con :

= 3(8+5) - 2(0-10) + 1(0+4) = 39 + 20 + 4 = 63

PROPIEDADES DE LOS DETERMINANTES

Las propiedades básicas del determinante son las siguientes:

1. El determinante de una matriz A y el de su traspuesta AT son iguales, es decir,

2. Sea A una matriz cuadrada,

 Si A posee dos filas (columnas) iguales, necesariamente = 0.
 Si A es triangular, esto es, A sólo tiene ceros por encima o por debajo de la
diagonal principal, entonces es igual al producto de los elementos de la
diagonal.

3. Supongamos que B se ha obtenido de A mediante una operación elemental

entre filas o columnas,
 Si se han intercambiado dos filas (columnas) de A, |B| = - |A|.
 Si se ha sumado un múltiplo de una fila (columna) a otra, entonces |B| = |A|.
 Si se ha multiplicado una fila (columna) de A por un escalar k, |B| = k|A|.

4. Sea A cualquier matriz n-cuadrada, son equivalentes los siguientes principios:

 A es invertible, es decir, A tiene inversa A-1.
AX = 0 tiene solamente la solución trivial.
El determinante de A no es nulo: |A|  0.

5. El determinante es una función multiplicativa. Es decir, el determinante del

producto de matrices A y B es el producto de los determinantes: |AB| = |A| |B|.

6. Supongamos que A y B son matrices similares, entonces: |A| = |B|.

DETERMINANTES DE ORDEN ARBITRARIO

15
 Sea A = (ann) una matriz de orden arbitrario n  n (siendo n un número par).
Para calcular el det (A) se procede de la siguiente manera:

Los signos se van alternando según la posición que ocupen las entradas del
determinante. Es decir:

Ejemplo:

Si observamos la matriz, podemos ver que en la tercera columna hay dos

ceros. Así pues, si cogemos las entradas de la tercera columna para calcular el
determinante, nos ahorraremos calcular dos determinantes, ya que el producto
de un determinante por cero es cero.

+ = -1(-35) + 3(35) = 35 + 105 = 140.

EJERCICIOS CON DETERMINANTES

Calcular los siguientes determinantes:

Soluciones:

16
= 2(-6-24+16+2)+ 5(-4-24+6)-1(4+12-16-3) = -24-110+3 = -131.

= 1·(16+0+24-(-4)-(-30)-0) -2·(-128-2+30-(-40)-12-(-16)) = 74-2·(-56) =

= 74+112 = 186.

ADJUNTO DE UNA MATRIZ

Consideremos una matriz n-cuadrada A = (ai j ) sobre un cuerpo K. El adjunto de A,
denotado por adj A, es la traspuesta de la matriz de cofactores de A:

Ejemplo:

Los cofactores de los nueve elementos de A son:

17
La traspuesta de la matriz de los cofactores anteriores proporciona el adjunto de A:

 Aplicación del adjunto para hallar la matriz inversa

Para toda matriz cuadrada A,

A·(adj A) = (adj A) · A = |A|I

De este modo, si |A|  0,

Observemos que esta propiedad nos permite hallar por otro método la inversa de
una matriz.
Ejemplo:
Consideremos la matriz

y el det A:

Así pues, aplicando la propiedad anterior:

Ejercicio:
 Calcular, por la propiedad anterior, la inversa de las siguientes matrices:
a)

b)

a) Primero hallaremos el determinante de la matriz A:

18
El siguiente paso es hallar el adjunto de la matriz B, así pues, los cofactores de los
cuatro elementos de B son:
B11 = 5 B12 = -2

B21 = 1 B22= 3
y el adjunto de B, denotado por adj B, será

b) Empezaremos por hallar el det A,

Los cofactores de los nueve elementos de A son:

La traspuesta de la matriz de los cofactores anteriores proporciona el adjunto de A:

Aplicando la propiedad de la matriz inversa obtenemos A-1:

CÁLCULO DEL RANGO DE UNA MATRIZ

19
Consideremos la matriz A = (aij):

1. El rango de la matriz A coincide con el de la matriz A' que se obtiene

suprimiendo en la matriz A todas la líneas (filas o columnas) cuyas entradas
estén sólo formadas por ceros, es decir, que sean nulas.
2. Consideremos la matriz:
A1 = (a11, a12, ..., a1N)
y supongamos que

entonces :
rango (A) rango(A 1) = 1
3. Añadimos filas de la matriz A a la matriz A1 hasta encontrar una matriz que
cumpla:

tal que posea un menor no nulo de la forma:

Por consiguiente,
rango (A) rango(A 2) = 2.

Si esto no hubiese sido posible, entonces: rango (A) = 1.

Supongamos que rango (A)  rango (A2) y que i = 2 y j = 2.

4. Añadimos filas a la matriz A2 hasta encontrar una matriz que cumpla:

de forma que posea un menor de orden tres de la forma:

Entonces:
rango (A)  rango (A2) = 3.
En caso de no haber sido posible encontrar dicho menor, entonces:
rango (A) = rango (A2) = 2.
Suponiendo que rango (A) rango (A3) y que i = 3 y j = 3, se procedería como en
los casos anteriores, y así sucesivamente hasta agotar todas las filas de la
matriz A.

20
Ejemplos:
a) Sea la matriz A una matriz de orden tres. Hallar el rango (A).

Como A es una matriz cuadrada de orden tres, como máximo el rango (A) puede
valer tres. Calcularemos primero el determinante o determinantes de las
submatrices de orden dos de A. Así pues

Ya que el resultado es cero, probaremos con todas las submatrices de A hasta

encontrar una cuyo determinante no sea cero. Si no encontramos ninguna, el
rango (A) = 1.

Puesto que el resultado de calcular el determinante de esta submatriz de A no es

nulo, podemos afirmar de momento que el rango (A) = 2.
Añadimos ahora una columna y una fila más para ver si el rango puede ser tres:

Dado que el determinante de A no es nulo y a su vez es de orden tres, el rango

(A) = 3.
No necesariamente para poder calcular el rango de una matriz, ésta tiene que
ser cuadrada. Así, en el siguiente ejemplo:

b) Calcular el rango de la matriz B de orden 3  4.

Como hay una determinante de orden dos no nulo, el rango de la matriz B es

mayor o igual que 2. Calculamos a continuación los determinantes de orden
superior:

Probamos con un segundo determinante de orden tres:

Así pues, como hay un determinante de orden tres que no es nulo, el rango (B) =
21
 3.

Un rango mayor que 3 no se puede hallar, ya que no se puede formar un determinante

de orden 4. Recuérdese que para poder calcular el determinante de una matriz o de
una submatriz, éstas tienen que ser cuadradas

22
 REGLA DE CRAMER
Los pasos a seguir para calcular los sistemas de ecuaciones según la regla de
Cramer son los siguientes:

1. Hallar la matriz ampliada (A b) asociada al sistema de ecuaciones, esto es: que

la primera columna esté formada por las entradas de los coeficientes de la primera
incógnita de las ecuaciones; que la segunda columna la formen las de la segunda
incógnita, y así hasta llegar a la última columna, que estará constituida por las
entradas de los términos independientes de las ecuaciones.

2. Calcular el determinante de A.

3. Aplicar la regla de Cramer, que consiste en:

a) ir sustituyendo la primera columna del det (A) por los términos independientes;

b) dividir el resultado de este determinante entre el det (A) para hallar el valor de la
primera incógnita;

c) continuar sustituyendo los términos independientes en las distintas columnas

para hallar el resto de las incógnitas.

Ejemplo:
Sea el sistema de ecuaciones lineales formado por dos ecuaciones con dos
incógnitas:

Encontrar el valor de x e y mediante la regla de Cramer.

Empezaremos con el primer paso, que consiste en hallar la matriz ampliada A b
asociada al sistema de ecuaciones lineales:

El segundo paso es calcular el determinante de A. Así pues:

Y el tercero y último paso consiste en calcular las incógnitas:

ANÁLISIS DE LOS SISTEMAS DE ECUACIONES LINEALES

A continuación, se estudiará la manera de saber de antemano si un sistema de

23
ecuaciones lineales tienen o no solución y si tienen una única o infinitas soluciones.
El estudio o discusión de los sistemas de ecuaciones se efectúa aplicando el teorema
de Rouché-Fröbenius. Éste dice que con un sistema de ecuaciones lineales pueden
ocurrir dos cosas:
1. Que el sistema de ecuaciones sea un sistema compatible (S.C.), esto es, que
tenga solución.

2. Que el sistema de ecuaciones sea un sistema incompatible (S.I.) o que no tenga

solución.

El primer caso puede dividirse en dos:

a) que sea un sistema compatible y determinado (S.C.D.), esto es, que tenga una
única solución;

b) que el sistema sea compatible e indeterminado (S.C.I.), es decir, que tenga infinitas
soluciones.

Sea un sistema no homogéneo:

En consecuencia, la matriz ampliada Ab asociada al sistema de ecuaciones es:

y el sistema será compatible cuando:

rango (A) = rango (A b),

lo que suele expresarse diciendo que el rango de la matriz de coeficientes coincide

con el rango de la matriz ampliada.
Si el sistema anterior es compatible y
rango (A) = rango (A b) = número de incógnitas,
el sistema es compatible y determinado, es decir, tiene una única solución.

Si, por el contrario, tenemos que

rango (A) = rango (A b) < número de incógnitas,
el sistema es compatible e indeterminado, es decir, tiene infinitas soluciones.

Si rango (A)  rango (A b), el sistema es incompatible y no tiene ninguna solución.

Ejemplos:
Discutir, sin resolver, los siguientes sistemas de ecuaciones:

24
Puesto que rango (A) = 1  rango (A b) = 2, el sistema es incompatible; no existe
ninguna solución.

Ya que rango (A) = rango (A b) = 2 = número de incógnitas, el sistema es compatible

y determinado; es decir, existe una única solución.

25
Puesto que rango (A) = rango (A b) = 1 < número de incógnitas, el sistema es
compatible e indeterminado; existen infinitas soluciones.

Ejercicio:
 Discutir y calcular el valor de las incógnitas de los siguientes sistemas de
ecuaciones lineales:

a)

Calculamos a continuación el rango de A y el rango de la matriz ampliada (A b):

El rango de la matriz A será:

El rango de la matriz ampliada (A b):

Dado que rango (A) = rango (A b) = 3 = número de incógnitas,

el sistema es compatible y determinado; tiene, pues, una única solución.

Resolvamos el sistema mediante la regla de Cramer:

Calculamos el det (A):

26
Aplicando la regla de Cramer:

x = 68/23; y = -53/23; z = -42/23.

27
1.2 INTRODUCCION A LA INVESTIGACION OPERACIONES
1.2.1 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 inicio de la actividad llamada
investigación de operaciones, casi siempre se atribuye a 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. Esfuerzos similares
fueron de gran ayuda en a isla de campaña en el pacífico.
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.
Cuando comenzó 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.
Se pueden identificar por lo menos otros dos factores que jugaron un papel
importante en el desarrollo de la investigación de operaciones durante este
período. Uno es el gran progreso que ya se había hecho en el mejoramiento de

28
las técnicas disponibles en esta área. Después de la guerra, muchos científicos
que habían participado en los equipos de IO o que tenían información sobre este
trabajo, se encontraban motivados a buscar resultados sustanciales en este
campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el
método simplex para resolver problemas de programación lineal, desarrollado en
1947 por George Dantzing. Muchas de las herramientas características de la
investigación de operaciones, como programación lineal, programación dinámica,
líneas de espera y teoría de inventarios, fueron desarrolladas casi por completo
antes del término de la década de 1950.
Un segundo factor que dio ímpetu 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 a mano puede resultar casi imposible.
Por lo tanto, el desarrollo de la computadora electrónica digital, con su 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 tiene acceso a estos paquetes. En consecuencia, por rutina, se usa
toda una gama e computadoras, desde las grandes hasta las portátiles, para
resolver problemas de investigación de operaciones.

NATURALEZA 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, la constitución, las telecomunicaciones, la planeación

29
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
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 quedó implícito en la sección anterior, 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

30
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 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.
¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?
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 seleccionamos dos de las mas aceptadas y representativas.
LA DEFINICIÓN DE CHURCHMAN, ACKOFF Y ARNOFF: 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 conceptos:

31
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 ataque 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 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

32
 propósito específico; desde éste punto de vista, se considera como empresa
desde una universidad hasta una armadora 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.

ENFOQUE DE LA INVESTIGACIÓN DE OPERACIONES:

la parte innovadora de la IO es sin duda alguna su enfoque modelístico, producto
de sus creadores aunado a la presión de supervivencia de la guerra o la sinergía
generada al combinarse diferentes disciplinas, una descripción del enfoque es la
siguiente. (Ver la figura 11).
1. Se define el sistema real en donde se presenta el problema. Dentro del
sistema interactuan normalmente un gran numero de variables.
2. Se seleccionan las variables que norman la conducta o el estado actual del
sistema, llamadas variables relevantes, con las cuales se define un sistema
asumido del sistema real.

33
3. Se construye un modelo cuantitativo del sistema asumido, identificando y
simplificando las relaciones entre las variables relevantes mediante las
utilización de funciones matemáticas.
4. Se obtiene la solución al modelo cuantitativo mediante la aplicación de una o
más de las técnicas desarrolladas por la IO.
5. Se adapta e imprime la máxima realidad posible a la solución teórica del
problema real obtenida en el punto 4, mediante la consideración de factores
cualitativos o no cuantificables, los cuales no pudieron incluirse en el modelo.
Además se ajusta los detalles finales vía el juicio y la experiencia del tomador
de decisiones.
6. Se implanta la solución en el sistema real.

LA INVESTIGACIÓN DE OPERACIONES OBTIENE LA SOLUCIÓN DEL

PROBLEMA REAL INDIRECTAMENTE, Y NO COMO NORMALMENTE SE
INTENTARÍA PASANDO DIRECTAMENTE DEL PROBLEMA REAL A LA
SOLUCIÓN REAL.

1.2.1.1 METODOLOGÍA DE LA INVESTIGACION DE OPERACIONES

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"!
Por su naturaleza, la investigación de operaciones se encarga del bienestar de
toda la organización, no sólo de algunos de sus componentes. Un estudio de IO
busca soluciones óptimas globales y no soluciones subóptimas aunque sean lo

34
mejor para uno de los componente. Entonces, idealmente, los objetivos que se
formulan debe coincidir con los de toda la organización. Sin embargo, esto no
siempre es conveniente. Muchos problemas interesan nada más a una parte de
la organización, de manera que el análisis sería innecesariamente besado si los
objetivos fueran muy generales y si se prestara atención especial a todos los
efectos secundarios sobre el resto de la organización. En lugar de ello, los
objetivos usados en un estudio deben ser tan específicos como sea posible,
siempre y cuando contemplen las metas principales del tomador de decisiones y
mantengan un nivel razonable de consistencia con los objetivos de los altos
niveles.
Las condiciones fundamentales para que exista un problema es que se
establezca una diferencia entre lo que es (situación actual) y lo que debe ser
(situación deseada u objetivo) y además exista cuando menos una forma de
eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el
tomador de decisiones o ejecutivo; b) los objetivos de la organización; c) el
sistema o ambiente en el que se sitúa el problema; d) Los cursos de acción
alternativos que se pueden tomar para resolverlo.
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.
FORMULACIÓN DE UN MODELO MATEMÁTICO
Una vez definido el problema del tomador de decisiones, la siguiente etapa
consiste en reformularlo 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.

35
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. De esta manera, indica con más claridad que
datos adicionales son importantes para el análisis. También facilita
simultáneamente el manejo del problema en su totalidad y el estudio de todas sus
interpelaciones. Por último, un modelo matemático forma un puente para poder
emplear técnicas matemáticas y computadoras de alto poder, para analizar el
problema. Sin duda, existe una amplia disponibilidad de paquetes de software
para muchos tipos de modelos matemáticos, para micro y mini computadoras.
Por otro lado, 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). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una
representación válida del problema. El criterio apropiado para juzgar la validez de
un modelo es el hecho de si predice o no con suficiente exactitud los efectos
relativos de los diferentes cursos de acción, para poder tomar una decisión que

36
tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o
factores que tienen aproximadamente el mismo efecto sobre todas las opciones.
Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad
sea aproximadamente correcta para las diferentes alternativas, siempre que sus
valores relativos (es decir, las diferencias entre sus valores) sean bastante
preciso. Entonces, todo lo que se requiere es que exista una alta correlación
entre la predicción del modelo y lo que ocurre en la vida real. Para asegurar que
este requisito se cumpla, es importante hacer un número considerable de
pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de
pruebas se haya colocado después en el orden del libro, gran parte del trabajo de
validación del modelo se lleva a cabo durante la etapa de construcción para que
sirva de guía en la obtención del modelo matemático.

OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO

Resolver un modelo consiste en encontrar los valores de las variables
dependientes, asociadas a las componentes controlables del sistema 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.
Los procedimientos de solución pueden ser clasificados en tres tipos: a)
analíticos, que utilizan procesos de deducción matemática; b) numéricos, que son
de carácter inductivo y funcionan en base a operaciones de prueba y error; c)
simulación, que utiliza métodos que imitan o, emulan al sistema real, en base a
un 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.
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

37
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 o interpelaciones
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 actual 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.
Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas
detalladas del modelo, es sencillo "no ver el bosque por buscar los árboles".
Entonces, después de completar los detalles ("los árboles") de la versión inicial
del modelo, una buena manera de comenzar las pruebas es observarlo en forma
global ("el bosque") para verificar los errores u omisiones obvias. El grupo que
hace esta revisión debe, de preferencia, incluir por lo menos a una persona que
no haya participado en la formulación. Al examinar de nuevo la formulación del
problema y comprarla con el modelo pueden descubrirse este tipo de errores.
También es útil asegurarse de que todas las expresiones matemáticas sean
consistentes en las dimensiones de las unidades que emplean. Además, puede
obtenerse un mejor conocimiento de la validez del modelo variando los valores de
los parámetros de entrada y/o de las variables de decisión, y comprobando que
los resultados del modelo se comporten de una manera factible. Con frecuencia,

38
esto es especialmente revelador cuando se asignan a los parámetros o a las
variables valores extremos cercanos a su máximo o a su mínimo.
Un enfoque más sistemático 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.
ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION
Una solución establecida como válida para un problema, permanece como tal
siempre y cuando las condiciones del problema tales como: las variables no
controlables, los parámetros, las relaciones, etc., no cambien significativamente.
Esta situación
se vuelve más factible cuando algunos de los parámetros fueron estimados
aproximadamente. Por lo anterior, es necesario generar información adicional
sobre el comportamiento de la solución debido a cambios en los parámetros del
modelo. Usualmente esto se conoce como análisis de sensibilidad. En pocas
palabras, esta fase consiste en determinar los rangos de variación de los
parámetros dentro de los cuales no cambia la solución del problema.
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

39
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. 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 documento 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. Esta condición es crucial
especialmente cuando se estudian políticas gubernamentales en controversia.
IMPACTO DE LA INVESTIGACIÓN DE OPERACIONES

40
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.

RIESGO AL APLICAR LA INVESTIGACIÓN DE OPERACIONES

Al aplicar la I de O al estudio de sistemas y a la resolución de problemas se corre
el riesgo de tratar de manipular los problemas para buscar que se ajusten a las
diferentes técnicas, modelos de algoritmos establecidos en lugar de analizar los
problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los
métodos apropiados, es decir resolver el problema utilizando los métodos que
proporcionan las mejoras soluciones y no buscar ajustar el problema a un método
específico.
Para llegar a hacer un uso apropiado de la I de O, es necesario primero
comprender la metodología para resolver los problemas, así como los
fundamentos de las técnicas de solución para de esta forma saber cuándo
utilizarlas o no en las diferentes circunstancias.

1.2.1.2 APLICACIONES DE LA INVESTIGACIÓN DE OPERACIONES

INVESTIGACIÓN DE OPERACIONES, PODEROSA HERRAMIENTA PARA

EL USO ÓPTIMO DE LOS RECURSOS ESCASOS
Cuál es la forma más eficiente de asignar ciertos recursos escasos para
conseguir la más alta tasa de retorno? ¿Cuál es la mejor manera de asignar
rutas a una flotilla de transporte de bienes que deben ser colocados en
bodegas de distribuidores para que los costos sean más bajos? ¿Cuántas
ventanillas deben colocarse en un banco en las horas normales y en las horas

41
y días pico para que los clientes no se desesperen y se larguen al banco que
está cruzando la calle?

¿Cuántas cajas registradoras debe habilitar un supermercado para que el largo

de las colas no entorpezcan la circulación de los clientes que aún están
comprando y de los trabajadores que colocan mercadería, etiquetan y dan
atención al público? ¿De qué manera debe asignarse un presupuesto en una
industria (o en un sector de la economía de un país), para que se satisfaga la
demanda interna y externa del bien o servicio que produce?

¿Cuál será la demanda de líneas telefónicas para el año 2000, teniendo en

cuenta el crecimiento natural de la población, el cambio de sus hábitos, la
producción, el número de profesionales, escuelas, comercios, etcétera, que
habrá en ese entonces? ¿Será posible hacer predicciones (aproximadas por
supuesto) de cuántas escuelas, comercios, profesionales, etcétera, habrá en el
año 2000? Hermosa cantidad de preguntas para comenzar un artículo sobre
Investigación de Operaciones (IO), pero definitivamente es muy oportuno
porque es en estos casos donde los especialistas en esta disciplina pueden
apoyar a los demás.

Una pregunta más: ¿Qué es entonces la Investigación de Operaciones?

realmente es un poco difícil dar una respuesta corta a esta última pregunta
pero si la IO va a tratar de encontrar respuesta a las preguntas que hemos
planteado en el primer párrafo y a otra tonelada más, debemos tratar de definir
lo que es. Hillier, Lieberman, Shamblin, Stevens, Taha, Tierauf, Grosse,
Sasieni, por mencionar algunos de los grandes especialistas en IO, dan una
serie de definiciones que bien podría resumirse como:
Es un enfoque científico de la toma de decisión. Podemos decir que la IO utiliza
un enfoque planeado (método científico) y un grupo interdisciplinario para
representar, mediante modelos simbólicos, las relaciones funcionales que se
dan en la realidad, lo cual suministra una base cuantitativa para la toma de
decisiones. Algo que es tan general como la definición que acabamos de dar
pero que da mucha claridad sobre lo que hace la Investigación de Operaciones
es que, cuando se aplica alguna herramienta de la IO, se busca obtener el
óptimo resultado del uso de los recursos escasos.

Mucho se dice de la formación previa que se debe tener para hacer

Investigación de Operaciones, incluso hay autores que aún dicen en sus libros,
que no se requiere ningún conocimiento de matemática para poder leerlo, sin
embargo, no advierten al ingenuo lector que tampoco podrán resolver
problemas reales sino solamente algunos ejemplos de juguete que se
encuentran ahí mismo. Nuestra experiencia en el campo de la enseñanza y la
aplicación de las herramientas de la IO, nos han hecho ver que para hacer IO
en forma profesional aceptable, se requiere de una sólida preparación en
Estadística Descriptiva e Inferencial, conocimientos sobre las aplicaciones del
Cálculo Diferencial e Integral y del Algebra Lineal, y desde luego, principios
generales de Economía, de lo contrario, el estudioso de la Investigación de
Operaciones se sentirá decepcionado y el que debe aplicarla se frustrará a
menudo.

42
CÓMO SE TRABAJA EN INVESTIGACIÓN DE OPERACIONES
La Investigación de Operaciones busca el óptimo resultado en la utilización de
recursos escasos y usa el método científico. El orden habitual de las
investigaciones que se realizan con este instrumental es el siguiente:
1. Se define el problema que se desea resolver en la forma más completa y
clara que sea posible.
2. Se construye un modelo apropiado que represente al sistema o al proceso
en estudio (matematización del problema).
3. Se deduce una o varias soluciones a partir del modelo construido.
4. Se hace una prueba del modelo y de la solución obtenida, contrastando esto
con la realidad, si es que existe información suficiente, de lo contrario el
contraste se hace con modelos secundarios.
5. Se ajusta el modelo y se monitorea el resultado.
6. Se implementa la solución, esto es, se pone a trabajar al modelo y sus
soluciones.
Veamos en detalle cada una de las partes que acabamos de enumerar:
1. Definición del problema. No es posible iniciar la búsqueda de la solución de
un problema si no está claro ¿cuál es el problema? Al investigador no le debe
caber la menor duda de que sabe correctamente lo que busca, de lo contrario
cualquier cosa que encuentre está bien y está mal, lo cual es una
contradicción. Siempre nos debemos responder cuestiones tales como:
¿Cuáles son los objetivos? ¿Cuáles las acciones a tomar y cuáles sus
alternativas? ¿Cuáles son las restricciones? ¿Cómo se medirán los resultados?
La definición del problema debe ser clara, concisa y con palabras sencillas que
no dejen lugar a varias interpretaciones.
2. Construcción del modelo apropiado que represente al sistema o proceso en
estudio. Un modelo, desde el punto de la Investigación de Operaciones, es una
representación de una realidad (o de una idealidad). Estos pueden ser:
Icónicos (representaciones físicas como los aeromodelos, las maquetas, los
carritos, los muñecos, etcétera); análogos, la mayoría de los cuales son más
dinámicos que los icónicos y pueden mostrar comportamientos derivados de
acciones, como las superficies y las curvas de oferta y demanda, los
nomogramas de ingeniería que describen fenómenos de deformación de
estructuras o comportamientos de todas las variables de una caldera, etcétera;
Redes gráficas, como las redes CPM-PERT, Project, Harvard y otras, que se
utilizan para la planificación, ejecución y control de proyectos; Matemáticos o
Simbólicos, los cuales se describen generalmente por medio de sistemas de m
ecuaciones con n incógnitas o en forma matricial: A*x = b, donde A es un
matriz, y, x y b son vectores de los espacios vectoriales Rm y Rn,
respectivamente.
Es habitual que la función llamada función objetivo y que es la que se desea
optimizar, se escriba en forma separada como f(x) = z. Existen otras
clasificaciones pero es suficientemente claro si nos referimos sólo a estos
cuatro. Por otro lado, se dice que los modelos son Determinísticos, como los de
Programación Lineal y Transporte; y, Probabilísticos, como las Cadenas de
Markov, los de Teoría de Juegos, Teoría de Decisiones, las líneas de Espera y
otros.
3. Deducción de una o varias soluciones. Cuando el modelo ha sido bien
escogido o construido, se espera que la solución del problema real sea teórico.
Algunas veces no es posible obtener soluciones exactas para el problema

43
original, entonces aceptaremos soluciones aproximadas o bien usamos
soluciones alternas en la construcción del modelo. Es posible y no es nada raro
que podamos detectar varias soluciones alternas.
4. Pruebas del modelo y contraste con la realidad. Comparaciones de
soluciones con las de modelos secundarios.
Usando información histórica, ésta se mete al modelo y se observa si los
resultados son coincidentes con los resultados reales que fueron observados a
través del tiempo, luego se hace lo mismo con información del período ex post
(la información obtenida durante la época de construcción) y se compara con el
funcionamiento real del proceso.
5. Ajustes del modelo y monitoreo de resultados. En este momento ya tenemos
a nuestro modelo dándonos resultados aceptables (parecidos, si no iguales a
los observados), se hace un balance y se ve si vale la pena hacer ajustes a los
coeficientes y organización de la estructura del modelo para obtener mejores
resultados o si por el contrario es necesario hacer reingeniería.
Debe seguirse haciendo comparaciones con varias generaciones de resultados
para lograr afinar el modelo.
6. Implementación de la solución. Una vez pasadas todas las pruebas que dan
seguridad sobre el funcionamiento del instrumento, se da la capacitación
necesaria a las personas que tendrán a su cargo la operación del modelo,
preparando todas las herramientas de cómputo para que se elaboren
automáticamente los reportes que permitirán a los tomadores de decisión hacer
su trabajo.(F)

LAS PRINCIPALES HERRAMIENTAS DE LA INVESTIGACIÓN 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,
etcétera), 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.
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 grandemente 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.

44
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.
Los expertos Hillier y Lieberman dicen en su tratado (usado como texto durante
varias generaciones de estudiosos de la Investigación de Operaciones) con la
Revolución Industrial se inventó la división del trabajo y esto trajo como
consecuencia un crecimiento en la dimensión y complejidad de las
organizaciones. La superespecialización de los individuos, los departamentos
de las industrias y aún las mismas industrias, produjo un efecto de aparente
desorden (a veces aparente y a veces real) dentro de las organizaciones, ya
que se intentaba armar rompecabezas con todas las piezas que producían los
especialistas. Sin las técnicas y modelos de la I.O. la situación hubiese
devenido en un caos, fue esta herramienta (o si lo queremos decir en términos
más globales, las herramientas) la que permitió organizar todos los cabos
sueltos y al mismo tiempo la situación hizo que la I.O. creciera.
Nosotros sabemos que la reingeniería propone olvidarnos de la división del
trabajo y regresar a una especie de todología ya que esto evita los pasos
laterales que no agregan valor a los procesos y nos da la opción de atender
directamente al beneficiario del proceso ¡el cliente!. Las técnicas de redes,
teoría de colas, modelos de inventarios, programación lineal, transporte,
etcétera, aunado a la capacitación del personal y a la tecnología cambiante y
agresiva son, en esta era de la Planificación Estratégica, los instrumentos
indispensables para la Reingeniería y la Calidad Total.

INVESTIGACIÓN DE OPERACIONES PODEROSA HERRAMIENTA AL

SERVICIO DE LA ADMINISTRACIÓN, LA ECONOMÍA Y LAS INGENIERÍAS
Los modelos de redes tipo CPM-PERT y el MS-PROJET como métodos
gerenciales para la planificación, ejecución y control de proyectos.
Pese a que para poder leer e interpretar adecuadamente una red CPM-PERT
sólo se necesita saber leer y escribir, esta técnica para la planificación de
proyectos es un instrumento gerencial por excelencia, ya que permite al
ejecutivo mantener un control muy preciso durante la ejecución de los mismos.
Este ingenioso y elegante método para la optimización de tiempos y
minimización de costos es la mezcla de dos instrumentos creados hace
algunos años; el CEMP (Crithical Path Method) y el PERT (Program Evaluation
on Review Technique).
El primero fue diseñado en el segundo lustro de los años 50, por los
investigadores de Dupont: J.E. Kelly y M.R. Walker y originalmente fue
denominado CPPSM (Crithical Path Planing and Scheduling Method), se usó
para la programación y control de la factoría química en Kentuky y demostró
sus grandes ventajas respecto a los métodos clásicos por su aptitud de integrar
modificaciones sin dificultad.

45
El segundo método fue diseñado en la misma época por Naval Special Project
Office, con la colaboración de la Lockhead Aircraft y de la firma Booz-Allen &
Hamilton. Lo extraordinario es que habiendo sido diseñados por grupos
diferentes que buscaban resultados diferentes (uno la minimización de costos y
el otro la optimización de los tiempos), y que el primero fuera de tipo
determinístico y el segundo probabilístico, las coincidencias gráficas fueran tan
notables en ambos métodos. Puede decirse que a primera vista no existe
ninguna diferencia desde el punto de vista gráfico.
Estos dos métodos aportaron los elementos administrativos necesarios para
formar el método actual CPM-PERT que definitivamente es de más difícil
lectura y más elegante y poderoso que sus antecesores, se usa para el control
de los tiempos de ejecución y los costos de operación buscando que el
proyecto sea realizado en tiempo óptimo y al menor costo posible.
Los métodos de redes, en general, habían estado siendo manejados como
secretos militares por la NASA, que como ahora sabemos había tenido una
serie de sonados fracasos en sus lanzamientos de satélites artificiales. Fue en
el momento de la desesperación y angustia (1957), cuando los soviéticos
colocaron el primer Sputnik en órbita, cuando dieron mayor abertura a otras
personas e instituciones para que les ayudaran a poner a punto a su cohete
Polaris y a recuperar el tiempo perdido por haber trabajado aislados.
De ese momento en adelante toda la programación de NASA se hizo usando
redes y esto les permitió, como lo hace con cualquier proyecto, manejar
simultáneamente la enorme cantidad de actividades desarrolladas por
subcontratistas ligadas entre sí pero desarrolladas en lugares diferentes por
personas que no tenían relación directa.
La administración y las ingenierías fueron las grandes ganadoras ya que en
forma casi natural comenzaron a utilizar CPM y PERT como instrumentos.
Al principio el PERT se utilizó para evaluar la programación de un proyecto de
investigación y desarrollo, en la actualidad se usa para controlar el avance de
otro tipo de proyectos como:
1. Programación de proyectos de construcción de edificios, autopistas, puentes,
etcétera.
2. Programación de la mudanza de grandes instituciones como bancos,
hospitales, industrias, etcétera.
3. Creación de procedimientos para la cuenta regresiva y la suspensión del
lanzamiento de los vuelos espaciales (de todos los vuelos de todos los países
que compiten en la era espacial).
4. Instalaciones de sistema de cómputo, de maquinaria y equipo de grandes
industrias.
5. Diseño y distribución de productos nuevos.
6. Inicio, proceso y conclusión de fusiones de instituciones en corporaciones y
de corporaciones mismas.
7. Construcción de equipo, maquinaria estacionaria y vehículos automotores.
8. Flujos de costos mínimos, etcétera.
Características importantes a tener en cuenta para usar la metodología CPM-
PERT
A. El método requiere de la participación de expertos. Esto significa que para
hacer una red sobre un área especial no se puede y sobre todo no se debe
improvisar la información, la misma debe ser proveída por alguien que haya
tenido la experiencia previa.

46
Por ejemplo, para construir y colocar una puerta, es un experto en hacer y
colocar puertas quien debe proporcionar la información sobre tiempos y costos,
preferiblemente una fábrica de puertas que un carpintero. Para dar la
información sobre el lanzamiento de un producto nuevo al mercado se
necesita de un experto que haya llevado a cabo lanzamientos de productos
nuevos; y así para cualquier actividad ya que dependeremos en grado sumo de
esa experiencia para poder armar la red.
En caso que no se cuente con alguien que haya tenido la vivencia previa, como
podría ser el caso del lanzamiento de una nave tripulada a Júpiter, se construye
un modelo experto de simulación, el cual nos permitirá generar, por esta vía,
información con cierto grado de confianza.
B. El proyecto que se planifica es único. Esto significa que una red hecha para
una casa no se puede usar para otra casa, aunque sea muy semejante (o igual,
como se dice en el lenguaje corriente). Hacer varias casas “iguales” es un
proyecto que es diferente de un proyecto para hacer una casa y luego repetirlo
varias veces.
C. El proyecto que se planifica debe tener claramente establecidas las
limitaciones. No debe haber ninguna duda en cuanto a la definición del
proyecto y en cuanto a la disponibilidad de tiempo y dinero. El clásico “hágase”
sin contemplar el presupuesto disponible o el tiempo máximo que puede
usarse, que se da a veces cuando no hay prisas, es un veneno mortal para el
método CPM-PERT.

47
 1.3 INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL
1.3.1. Introducción.
Muchas personas clasifican el desarrollo de la Programación Lineal
(PL) entre los avances científicos más importantes de mediados del siglo XX.
En la actualidad es una herramienta común que ha ahorrado miles o millones
de dólares a muchas compañías y negocios, incluyendo industrias medianas en
distintos países del mundo. ¿Cuál es la naturaleza de esta notable herramienta
y qué tipo 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). Este problema de asignación puede surgir cuando deba elegirse el
nivel de ciertas actividades que compiten por recursos escasos para realizarlas.
La variedad de situaciones a las que se puede aplicar esta descripción es sin
duda muy grande, y va desde la asignación de instalaciones productivas a los
productos, hasta la asignación de los recursos nacionales a las necesidades de
un país; 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.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios
criterios al mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se
tiene el criterio de frescura, tamaño, tipo (blanco, integral u otro), costo y
rebanado o sin rebanar. Se puede ir un paso más adelante y dividir estos
criterios en dos categorías: restricciones y el objetivo. Las restricciones son las
condiciones que debe satisfacer una solución que está bajo consideración. Si
más de una alternativa satisface todas las restricciones, el objetivo se usa para
seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de
pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de
ayer. Si varias marcas satisfacen estas restricciones, puede aplicarse el
objetivo de un costo mínimo y escoger las más barata.

48
 Existen muchos problemas administrativos que se ajustan a este molde
de tratar de minimizar o maximizar un objetivo que está sujeto a una lista de
restricciones. un corredor de inversiones, por ejemplo, trata de maximizar el
rendimiento sobre los fondos invertidos pero las posibles inversiones están
restringidas por las leyes y las políticas bancarias. Un hospital debe planear
que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor,
propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de
minimizar el costo. Un fabricante, al planear la producción futura, busca un
costo mínimo al mismo tiempo cómo cumplir restricciones sobre la demanda
del producto, la capacidad de producción, los inventarios, el nivel de empleados
y la tecnología. La PL se ha aplicado con éxito a estos y otros problemas.
La PL es una técnica determinista, no incluye probabilidades y utiliza un
modelo matemático para describir el problema. El adjetivo lineal significa que
todas las funciones matemáticas del modelo deben ser funciones lineales. En
este caso, la palabra programación no se refiere a programación en
computadoras; en esencia es un sinónimo de planeación. Así, la PL trata la
planeación de las actividades para obtener un resultado óptimo, esto es, el
resultado que mejor alcance la meta especificada (según el modelo) entre
todas las opciones de solución. Aunque la asignación de recursos a las
actividades es la aplicación más frecuente, la PL tiene muchas otras
posibilidades. De hecho, cualquier problema cuyo modelo matemático se ajuste
al formato general del modelo de PL es un problema de PL.

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 ganancia, contratando el doble de
páginas en las revistas doblará el costo relacionado con las revistas. Es una
Suposición de Proporción.

49
 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 $10,750.00, 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 otra 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 conocer todas

50
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.

1.3.2 Formulación de modelos de Programación Lineal.

Aunque se ponga en duda, la parte más difícil de PL es reconocer
cuándo ésta puede aplicarse y formular el problema matemáticamente. Una
vez hecha esa parte, resolver el problema casi siempre es fácil.
Para formular un problema en forma matemática, deben expresarse
afirmaciones lógicas en términos matemáticos. Esto se realiza cuando se
resuelven “problemas hablados” al estudiar un curso de álgebra. Algo muy
parecido sucede aquí al formular las restricciones. Por ejemplo, considérese la
siguiente afirmación: A usa 3 horas por unidad y B usa 2 horas por unidad. Si
deben usarse todas las 100 horas disponibles, la restricción será:

3A + 2B = 100

Sin embargo, en la mayoría de las situaciones de negocios, no es

obligatorio que se usen todos los recursos (en este caso, horas de mano de
obra). Más bien la limitación es que se use, cuando mucho, lo que se tiene
disponible. Para este caso, la afirmación anterior puede escribirse como una
desigualdad:

3A + 2B  100

Para que sea aceptable para PL, cada restricción debe ser una suma
de variables con exponente 1. Los cuadrados, las raíces cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Además, la forma estándar
para una restricción pone a todas las variables del lado izquierdo y sólo una
constante positiva o cero del lado derecho. Esto puede requerir algún

51
reacomodo de los términos. Si, por ejemplo, la restricción es que A debe ser
por los menos el doble de B, esto puede escribirse como:

A  2B ó A  2B  0

Nótese que pueden moverse términos de un lado a otro de las

desigualdades como si fuera un signo de igualdad. Pero al multiplicar una
desigualdad por 1, el sentido de esta desigualdad se invierte. Puede ser
necesario hacer esto para que los coeficientes del lado derecho sean positivos.
Por ejemplo, si se quiere que A sea por lo menos tan grande como B  2,
entonces:

A B2
ó AB  2
por último B  A  2

Una nota final sobre desigualdades: es sencillo convertir una

desigualdad en una ecuación. Todo lo que se tiene que hacer es agregar (o
restar) una variable extra. Por ejemplo:

BA2 es lo mismo que BA+S=2

en donde S representa la diferencia, o la holgura, entre B  A y 2. S se llama

variable de holgura. Por otro lado, se restaría una variable de superávit en el
caso siguiente:

A  2B  0 es lo mismo que A  2B S = 0

Algunos métodos de solución (como el Método Símplex) y la mayoría

de los programas de computadora (como el MathProg, que viene en el OR
Courseware, que acompaña al libro “Introducción a la Investigación de
Operaciones” de los autores Hillier y Lieberman) requieren que todas las
desigualdades se conviertan en igualdades.

52
 La metodología de PL requiere que todas las variables sean positivas o
cero, es decir, no negativas. Para la mayoría de los problemas esto es real, no
se querría una solución que diga: prodúzcanse menos dos cajas o contrátense
menos cuatro personas.
Mientras que no existe un límite en el número de restricciones que
puede tener un problema de PL, sólo puede haber un objetivo. La forma
matemática del objetivo se llama función objetivo. Debe llevar consigo el
maximizar o minimizar alguna medida numérica. Podría ser maximizar el
rendimiento, la ganancia, la contribución marginal o los contactos con los
clientes. Podría ser minimizar el costo, el número de empleados o el material
de desperdicio. Con frecuencia el objetivo es evidente al observar el problema.
Como el valor de la función objetivo no se conoce hasta que se
resuelve el problema, se usa la letra Z para representarlo. La función objetivo
tendrá, entonces, la forma:

Maximizar Z = 4A + 6B
ó
Minimizar Z = 2x1 + 5x2

Se analiza una aplicación para ilustrar el formato de los problemas de

Programación Lineal.
Forma estándar de los modelos de Programación Lineal.
Supóngase que existe cualquier número (digamos m) de recursos
limitados de cualquier tipo, que se pueden asignar entre cualquier número
(digamos n) de actividades competitivas de cualquier clase. Etiquétense los
recursos con números (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea
xj (una variable de decisión) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z
la medida de efectividad global seleccionada. Sea c j el incremento que resulta
en Z por cada incremento unitario en x j (para j = 1, 2, ..., n). Ahora sea bi la
cantidad disponible del recurso i (para i = 1, 2, ..., m). Por último defínase aij
como la cantidad de recurso i que consume cada unidad de la actividad j (para
i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo matemático para
el problema general de asignar recursos a actividades. En particular, este
modelo consiste en elegir valores de x1, x2, ..., xn para:

53
 Maximizar Z = c1x1 + c2x2 + ... + cnxn,
Sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn  b1
a21x1 + a22x2 + ... + a2nxn  b2

am1x1 + am2x2 + ... + amnxn  bm

y
x1  0, x2 0, ..., xn  0

Ésta se llamará nuestra forma estándar (porque algunos libros de texto

adoptan otras formas) para el problema de PL. Cualquier situación cuya
formulación matemática se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminología que usaremos para
los modelos de PL. La función que se desea maximizar, c 1x1 + c2x2 + ... + cnxn,
se llama función objetivo. Por lo general, se hace referencia a las limitaciones
como restricciones. Las primeras m restricciones (aquellas con una función del
tipo ai1x1 + ai2x2 + ... + ainxn, que representa el consumo total del recurso i)
reciben el nombre de restricciones funcionales. De manera parecida, las
restricciones xj  0 se llaman restricciones de no negatividad. Las variables xj
son las variables de decisión. Las constantes de entrada, a ij, bi, cj, reciben el
nombre de parámetros del modelo.

Otras formas de modelos de Programación Lineal.

Es conveniente agregar que el modelo anterior no se ajusta a la forma
natural de algunos problemas de programación lineal. Las otras formas
legítimas son las siguientes:

1. Minimizar en lugar de maximizar la función objetivo:

Minimizar Z = c1x1 + c2x2 + ... + cnxn,

54
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o
igual:

ai1x1 + ai2x2 + ... + ainxn,  bi, para algunos valores de i,

3. Algunas restricciones funcionales en forma de ecuación:

ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,

4. Las variables de decisión sin la restricción de no negatividad:

xj no restringida en signo para algunos valores de j.

Cualquier problema que incluya una, varias o todas estas formas del modelo
anterior también se clasifica como un problema de PL, siempre y cuando éstas
sean las únicas formas nuevas introducidas. Puede ser que la interpretación
que se ha dado de asignación de recursos limitados entre actividades que
compiten no se aplique, pero independientemente de la interpretación o el
contexto, lo único que se necesita es que la formulación matemática del
problema se ajuste a las formas permitidas. Se verá que estas otras cuatro
formas legales se pueden reescribir en una forma equivalente para que se
ajuste al modelo que se presentó. Entonces, todo problema de PL se puede
poner en nuestra forma estándar si se desea.

Ejemplo de MAXIMIZACION:
Problema de mezcla de productos.
Un fabricante está tratando de decidir sobre las cantidades de producción para
dos artículos: mesas y sillas. Se cuenta con 96 unidades de material y con 72
horas de mano de obra. Cada mesa requiere 12 unidades de material y 6 horas
de mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una
y requieren 12 horas de mano de obra por silla. El margen de contribución es el
mismo para las mesas que para las sillas: $5.00 por unidad. El fabricante
prometió construir por lo menos dos mesas.

55
Paso 1: formulación del problema.
El primer paso para resolver el problema es expresarlo en términos matemáticos
en el formato general de PL. ¿Cuál es el objetivo? Es maximizar la contribución a
la ganancia. Cada unidad de mesas o sillas producidas contribuirá con $5 en la
ganancia. Así las dos alternativas son la producción de mesas y la producción de
sillas. Ahora puede escribirse la función objetivo:

Maximizar Z = 5x1 + 5x2

En donde: x1 = número de mesas producidas

x2 = número de sillas producidas

¿Cuáles son las restricciones o limitaciones del problema? Existen tres

restricciones. Primero, el material está limitado a 96 unidades. Cada mesa se
lleva 12 unidades de material y cada silla usa 8 unidades. La primera restricción
es, entonces:

12x1 + 8x2  96

La segunda restricción es el total de horas de mano de obra. Una mesa se lleva 6

horas, una silla 12 horas y se dispone de un total de 72 horas. Así:

6x1 + 12x2  72

Existe una limitación más. El fabricante prometió producir por lo menos dos
mesas. Esto puede expresarse como:

x1  2

Por último, las restricciones de no negatividad son:

x1  0, x2  0

56
Poniendo todo junto el modelo se tiene:

Maximizar Z = 5x1 + 5x2

Restricciones: 12x1 + 8x2  96
6x1 + 12x2  72
x1  2

x1  0, x2  0
La forma matricial A.X=B del anterior modelo es:
12 8
A= 6 12 x= X1 96
1 0 X2 b= 72
2

Es decir, 12 8 96
6 12 X1 = 72
1 0 X2 2

Ejemplo de MINIMIZACIÓN:
Problema de dieta.
Un comprador está tratando de seleccionar la combinación más barata de
dos alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas.
Los requerimientos vitamínicos son por lo menos 40 unidades de vitamina W, 50
unidades de vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A
proporciona 4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades
de vitamina Y; cada onza del alimento B proporciona 10 unidades de W, 5
unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y el
alimento B cuesta 8 pesos/kilogramo.

Paso 1: formulación del problema.

57
La meta en este problema es encontrar la manera menos costosa para satisfacer
las necesidades vitamínicas. Las dos alternativas disponibles son los alimentos A
y B. Matemáticamente la función objetivo es:

Minimizar Z = 5A + 8B

Las restricciones son los requerimientos mínimos de las tres vitaminas. Éstas se
muestran enseguida:

Restricciones: 4A + 10B  40 vitamina W

10A + 5B  50 vitamina X
7A + 7B  49 vitamina Y
A  0, B  0 no negatividad

La forma matricial A.X=b del anterior modelo es:

4 10
A= 10 5 x= X1 40
7 7 X2 b= 50
49

Es decir, 4 10 40
10 5 X1 = 50
7 7 X2 49

Bibliografía

Hillier, Frederick y Peral J Liberman. Introducción a la Investigación de

Operaciones. México, Mc Graw Hill, 200
Portocarrero C. Juan. Módulos de Investigación de Operaciones. Cali, USC,
2017
Bibliografía en Ingles:

58
 Altier, W. J., The Thinking Manager’s Toolbox: Effective Processes for Problem
Solving and Decision Making, Oxford University Press, Nueva York, 1999.
Checkland, P., Systems Thinking, System Practice, Wiley, Nueva York, 1999. Evans,
J., Creative Thinking in the Decision and Management Sciences, South-Western
Publishing, Cincinnati, Ohio, 1991.
Gass, S., “Model World: Danger, Beware the User as a Modeler”, Interfaces, vol. 20,
núm. 3, págs. 60-64, 1990.
Morris, W., “On the Art of Modeling”, Management Science, vol. 13, págs. B707-
B717, 1967.
Paulos, J. A., Innumeracy: Mathematical Illiteracy and its Consequences, Hill and
Wang, Nueva York, 1988. Taha, H., “Guide to Optimization Models”, capítulo 11.3
en Maynard’s Industrial Engineering Handbook, 5a. ed.,
Kjel Zandon, editor, McGraw-Hill, Nueva York, 2001, págs. 11.45-11.65. Willemain, T.
R., “Insights on Modeling from a Dozen Experts”, Operations Research, vol. 42, núm.
2; págs. 213-222, 1994.

59