1

Definiciones

 Sistemas:

Definición: Es la integración de un conjunto de elementos u objetos (físicos o

abstractos) que se relacionan entre sí con un propósito común. (Tapia, 2006)

Clasificación:

 Sistema abierto: La mayor parte de los sistemas orgánicos son abiertos, lo cual

significa que intercambian energía con sus ambientes. En esta condición como

su insumo en forma de datos y un programa de direcciones, transformando los

datos como lo especifique el programa y presentando los resultados como su

producto. (Tapia, 2006)

 Sistemas cerrados: Un sistema es cerrado si no hay importación o exportación

de información, calor o materiales físicos, y por ende no hay cambio de

componentes. Un ejemplo es una reacción química que ocurre en un recipiente

sellado o aislado. (Tapia, 2006)

 Modelo:

Definición: Es una representación de una situación real. En el caso de investigación

de operaciones los modelos que se manejan son matemáticos, los cuales consisten

en una ecuación que describe el comportamiento de un fenómeno que sucede en un

sistema dado. (Landeta, 1996)

Clasificación:

 Modelo probabilístico o escolástico y determinístico: Los probabilísticos o

escolásticos son aquellos que se basan en probabilidades en cuanto a la

 2

información que usan como datos. Los determinísticos son los que emplean

información que se conoce exactamente, o bien que puede ser obtenida.

(Landeta, 1996)

 Modelo estático y dinámico: Los estáticos son aquellos que se ocupan de una

situación que tiene condiciones que no cambian respecto al tiempo, es decir,

son constantes. Los dinámicos en cambio, son aquellos en los cuales si existen

variaciones en las condiciones con el tiempo. (Landeta, 1996)

 Modelos descriptivos y normativos o de optimización: los descriptivos son

los modelos que no indican ninguna acción a ser tomada, simplemente

presentan una relación que nos dice lo que sucede en el mundo real. Los

normativos por el contrario. Si señalan un curso de acción a ser tomado.

(Landeta, 1996)

 Investigación de operaciones:

Definición: En esta disciplina se destacan las siguientes características esenciales:

 Una fuerte orientación a Teoría de Sistemas.

 La participación de equipos interdisciplinarios.

 La aplicación del método científico en apoyo a la toma de decisiones.

En base a estas propiedades, la Investigación Operativa es la aplicación del método

científico por equipos interdisciplinarios a problemas que comprenden el control y

gestión de sistemas organizados (hombre- máquina); con el objetivo de encontrar

soluciones que sirvan para mejor a los propósitos del sistema (u organización) como

un todo, enmarcados en procesos de toma de decisiones.

 3

Los pasos a seguir en la aplicación del método científico (coincidentes con los de

la Teoría General de Sistemas) son, en su expresión más simple:

1.- Planteo y Análisis del problema.

2.- Construcción de un modelo.

3.- Deducción de la(s) solución(es).

4.- Prueba del modelo y evaluación de la(s) solución(es).

5.- Ejecución y Control de la(s) solución(es).

(Uruguay, 2002)

TEMAS DE CLASE

 Programación meta: En la formulación de una Programación Meta, el tomador

de decisiones especifica niveles aceptables o deseables de los valores de cada

atributo (por ejemplo restricciones de una sola variable) o en combinaciones de

multiatributo (restricciones de multiatributo) y éstos sirven como las metas

primarias. (Taha, 2004)

 Programación no lineal: se considera como tal al conjunto de métodos utilizados

para optimizar una función objetivo, sujeta a una serie de restricciones en los que

una o más de las variables incluidas es no lineal. (Taha, 2004)

 Modelo de asignación: Este tipo de problemas son lineales, con una estructura

de transporte, solo que la oferta en cada origen es de valor uno y la demanda en

cada destino es también de valor uno. Sería muy ineficiente resolver este tipo de

problemas por medio del método simplex o por medio del algoritmo de

transporte. Dénes Köning y Jenö Egervary. (Taha, 2004)

 4

 Modelo de transporte: El modelo de transporte es una clase especial de

programación lineal que tiene que ver con transportar un artículo desde sus

fuentes (es decir, fábricas) hasta sus destinos (es decir, bodegas). El objetivo es

determinar el programa de transporte que minimice el costo total del transporte y

que al mismo tiempo satisfaga los límites de la oferta y la demanda. (Taha, 2004)

 Programación dinámica: La programación dinámica encuentra la solución

óptima de un problema con n variables descomponiéndolo en n etapas, siendo

cada etapa un sub-problema de una sola variable. Sin embargo, como la

naturaleza de la etapa difiere de acuerdo con el problema de optimización, la

programación dinámica no proporciona los detalles de cómputo para optimizar

cada etapa. (Taha, 2004)

 Teoría de inventarios: Una empresa o una industria suele tener un inventario

razonable de bienes para asegurar su funcionamiento continuo. En forma

tradicional se considera a los inventarios como un mal necesario: si son muy

pocos, causan costosas interrupciones; si son demasiados equivalen a tener un

capital ocioso. El problema del inventario determina la cantidad que equilibra los

dos casos extremos. Un factor importante en la formulación y la solución de un

modelo de inventario es que la demanda de un artículo (por unidad de tiempo) sea

determinística (que se conozca con certidumbre) o probabilística (que se pueda

describir con una distribución de probabilidad). (Taha, 2004)

 Simulación: La simulación es la mejor alternativa de la observación de un

sistema. Nos permite recopilar información pertinente acerca del comportamiento

 5

del sistema al paso del tiempo. La simulación no es una técnica de optimización.

Más bien se usa para estimar las mediciones del desempeño de un sistema

modelado. (Taha, 2004)

 Teoría de remplazo: Analizando la teoría se refiere a abordar el problema desde

diferentes perspectivas y bajo diferentes circunstancias, por ejemplo la operación

de los equipos de manera económica o por los costos de operación ,mediante una

serie de averiguaciones de equipo ,para determinar si debe ser remplazado,

algunas veces con rigor teórico –práctico, esta teoría procede de un documento

publicado en 1993 de Aktuar Tidskr Skand “industrial remplacement” .la teoría de

remplazo pueden ser clasificados según sus características: como comparaciones,

modelos de optimización y modelos de limite.

 Red de actividad: Se le conoce a la red como una representación gráfica en la

cual se muestran diferentes eventos, también se refieren al proceso de un proyecto

en el cual se referencian distintas actividades desde el principio hasta el final, se

determina un tiempo específico del proyecto en el cual se proyectan distintos

eventos del proyecto, en el sistema de actividades los nodos representan las

actividades y las flechas se vuelven conectores para denotar las relaciones

precedentes

 Análisis de Markov: El análisis de markov es una forma de analizar el

movimiento actual de alguna variable, a fin de pronosticar el movimiento futuro

de la misma. Este método ha comenzado a usarse en los últimos años como

instrumento de investigaciones de mercadotecnia, para examinar y pronosticar el

 6

comportamiento de los clientes desde el punto de vista de su lealtad a una marca y

de sus formas de cambio a otras marcas. Andréi Andréyevich Márkov entre 1906

y 1907 (Taha, 2004)

 Optimización: En la teoría clásica de la optimización se usa el cálculo diferencial

para determinar puntos extremos, o de máximo o mínimo, para funciones sin

restricciones y restringidas. (Taha, 2004)

 Probabilidad:

o Programación dinámica probabilística: La programación dinámica

probabilística difiere de la determinística en que los estados y los retornos

o retribuciones en cada etapa son probabilísticos. La programación

dinámica probabilística se origina en especial en el tratamiento de modelos

estocásticos de inventario y en los procesos markovianos de decisión.

(Taha, 2004)

o Modelos probabilísticos de inventario: los modelos estocásticos de

inventario, en los que la demanda se describe mediante una distribución de

probabilidades. Los modelos que se presentan se clasifican, en el sentido

amplio, en situaciones de revisión continua y periódica. Los modelos de

revisión periódica incluyen tanto casos de un solo periodo como de varios

periodos. Las soluciones propuestas van desde el uso de una versión

probabilística de la cantidad económica de pedido (CEP o EOQ, de

economic order quantity) determinística hasta casos más complejos que se

resuelven con programación dinámica. (Taha, 2004)

 7

PROGRAMACIÓN LINEA

 Definición: El objetivo primordial de la Programación Lineal es optimizar, es

decir, maximizar o minimizar funciones lineales en varias variables reales con

restricciones, también lineales. Los problemas en Programación Lineal

corresponden a situaciones reales en las que se pretende identificar y resolver

dificultades para la mejor utilización de recursos limitados y generalmente

costosos. Es importante tener en cuenta algunos aspectos importantes inmersos en

la teoría general de sistemas, pero que en Investigación Operativa son de mucha

ayuda:

1. Las corrientes de entrada.

2. Proceso de conversión.

3. Las corrientes de salida.

4. La comunicación de retroalimentación.

Lo anterior se traduce como el proceso de la toma de decisiones, la cual es

probablemente la tarea más característica del ejecutivo, a la que se enfrenta

cotidianamente, debido a la esencia misma de sus funciones.

Como bien se sabe, la Investigación Operacional es una herramienta en el proceso

de la toma de decisiones, para lo cual tiene a su favor los criterios propios que

intervienen en dicha secuencia, algunos de los principales son:

• Los hechos

• La experiencia

• La autoridad
 8

• La intuición

(LOZANO, 1999)

 Características: Los supuestos en que se basa la Programación Lineal y que

ayudan a concluir sobre la formulación presentada de un problema son:

o Proporcionalidad. Implica que la función objetivo Z, la cual queda

reducida a 𝑍 = 𝐶𝑟 𝑋𝑟 y la utilización de cada recurso que sería 𝐴𝑖𝑟 𝑋𝑟 (𝑖 =

1,2,…m) son directamente proporcionales al valor de la actividad r

determinada.

o Aditivita: Dados los niveles de actividad, el uso total de cada recurso y el

valor resultante de Z deben igualar la suma correspondiente a las

cantidades generadas por el valor de cada actividad.

o No negatividad: El resultado de cada una de las variables de decisión en

la solución óptima de ser positivo. Cuando se presentan variables

negativas, éstas se deben expresar como la adición de variables positivas.

o Optimalidad: En algunos casos las variables reales que describen las

actividades tienen sentido únicamente con valores enteros; debemos tener

en cuenta que en Programación Lineal se aceptan valores reales positivos.

(LOZANO, 1999)

 Función objetivo: está en un variable, normalmente simbolizada por la letra z, la

cual representa aquello que se desea optimizar, por ejemplo, un costo que se

pretende minimizar, o bien, una utilidad que se busca maximizar. (J.J. RUZ,

2000)
 9

 Variables del problema: son aquellas variables que no se conocen y que al

momento de resolver el problema, deberán quedar definidas de tal manera que

logren la optimización de la función objetivo. A estas variables también se les

conoce como variables de decisión. (J.J. RUZ, 2000)

 Coeficiente de la función objetivo: son cantidades constantes que aparecen en la

ecuación de la función objetivo multiplicando a las variables del problema.

 Restricciones: Son las limitaciones físicas o condiciones que debe cumplir el

problema, por ejemplo cantidad disponible de materiales, tiempo, mano de obra,

etc. También suele llamárseles restricciones funcionales. (J.J. RUZ, 2000)

 Restricciones no explicitas: son aquellas condiciones ocultas en el problema, las

cuales no aparecen en la información disponible, pero que deben de ser tomadas

en cuenta tanto en el planteamiento como en la resolución del mismo. Los

ejemplos más frecuentes de este tipo de restricciones son la no negatividad de las

variables de problema o el que éstas beban ser números enteros. (J.J. RUZ, 2000)

 Metodología: para plantear un problema puede aplicarse los siguientes pasos:

Paso 1.- Definir las variables del problema. Este paso consiste en identificar

dichas variables y denotarlas por letras.

Paso 2.- Definir la función objetivo. Esto será identificar aquella variable a

ser optimizada, la cual representamos como z y expresar su ecuación matemática

en función de las variables del problema y sus coeficientes. En este paso deberá

además establecerse si la optimización es una maximización o una minimización.

 10

Paso 3.- Definir las restricciones. Esto será el establecer una ecuación para

cada restricción en función de las variables del problema. Es frecuente que las

ecuaciones de las restricciones sean desigualdades del tipo mayor o igual que (≥)

y/o menor o igual que (≤).

Paso 4.- Definir las restricciones no explicitas. Consiste en identificar y

expresar dichas restricciones en el planteamiento del problema.

 Solución gráfica: La resolución gráfica de los problemas de programación lineal

no es muy práctica porque sólo se puede aplicar cuando el número de variables es

de 2 o 3. Sin embargo es bastante útil para interpretar visualmente los conceptos y

procedimientos utilizados posteriormente. Para resolver gráficamente un

problema de programación lineal seguimos los siguientes pasos: (J.J. RUZ, 2000)

1) Dibujamos la región factible utilizando las ecuaciones de las rectas que

resultan de convertir las restricciones en igualdades.

2) Determinamos los puntos extremos de la región factible: puntos de

intersección entre las rectas y que pertenecen a la región factible.

3) Evaluamos la función objetivo en los puntos extremos y determinamos

el de valor óptimo.

 Método Simplex: es un procedimiento matricial iterativo para manejar variables

no negativas, de fácil implementación en computadora, lo cual nos permite

solucionar problemas de un número elevado de variables y de restricción de una

manera ágil y eficiencia (Landeta, 1996)

 11

 Variables básicas: las m variables xB de x asociadas a las columnas de B.

(J.J. RUZ, 2000)

 Variables no básicas: las n‐m restantes variables xN de x. (J.J. RUZ, 2000)

 Solución factible: valores de x que satisface n todas las restricciones, incluidas

las de no negatividad (J.J. RUZ, 2000)

 Solución factible óptima: la solución factible que proporciona el óptimo para la

función objetivo. (J.J. RUZ, 2000)

 Modelamiento lineal entero pura: Un LP donde se requiere que todas las

variables sean enteras. (Operaciones, 2003)

 Modelamiento lineal entero mixto Un LP donde sólo algunas variables deben

ser enteras. (Operaciones, 2003)

 Modelamiento lineal binaria: Un LP donde todas las variables deben ser igual a

1 o 0. (Operaciones, 2003)

BIBLIOGRAFÍA

J.J. RUZ. (2000).

Tema 4: Programación lineal con variables continuas: método del Simplex.
Madrid : Universidad Complutense Madrid.
Landeta, J. M. (1996). Fundamentos de investigación de operaciones para adminitración
. Mexico: Universitaria potosina.
LOZANO, G. J. (1999). INVESTIGACIÓN OPERATIVA I. Bogota, Colombia:
UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MANIZALES.
Operaciones, I. d. (2003). Programación Lineal Entera. Fundamentos de Investigación
de Operaciones .
Taha, H. A. (2004). Investigación de operaciones. Mexico: Pearson.
Tapia, B. R. (2006). Fundamentos de sistemas. México: Universidad nacional autonaoma
de mexico.
Uruguay, U. d. (2002). Introduccion a la investigación de operaciones . Uruguay:
Facultad de ingenieria.
12