INVESTIGACION DE OPERACIONES

Historia de la Investigacin de Operaciones.

La primera actividad de Investigacin de Operaciones se dio durante la

Segunda Guerra Mundial en Gran Bretaa, donde la Administracin Militar
llam a un grupo de cientficos de distintas reas del saber para que estudiaran
los problemas tcticos y estratgicos asociados a la defensa del pas.
El nombre de Investigacin de Operaciones fue dado aparentemente porque el
equipo estaba llevando a cabo la actividad de investigar operaciones
(militares).
Motivados por los resultados alentadores obtenidos por los equipos britnicos,
los administradores militares de Estados Unidos comenzaron a realizar
investigaciones similares. Para eso reunieron a un grupo selecto de
especialistas, los cuales empezaron a tener buenos resultados y en sus
estudios incluyeron problemas logsticos complejos, la planeacin de minas en
el mar y la utilizacin efectiva del equipo electrnico.
Al trmino de la guerra y atrados por los buenos resultados obtenidos por los
estrategas militares, los administradores industriales empezaron a aplicar las
herramientas de la Investigacin de Operaciones a la resolucin de sus
problemas que empezaron a originarse debido al crecimiento del tamao y la
complejidad de las industrias.
Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de
Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el
liderazgo en este campo rpidamente creciente. La primera tcnica matemtica

ampliamente aceptada en el medio de Investigacin de Operaciones fue el

Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el
matemtico norteamericano George B. Dantzig.
Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y
cooperacin de las personas interesadas tanto en el rea acadmica como en
el rea industrial.
Un segundo factor en el progreso impresionante de la Investigacin de
Operaciones fue el desarrollo de la computadora digital, que con sus
tremendas capacidades de velocidad de cmputo y de almacenamiento y
recuperacin de informacin, permitieron al tomador de decisiones rapidez y
precisin.
Si no hubiera sido por la computadora digital, la Investigacin de Operaciones
con sus grandes problemas de computacin no hubiera crecido al nivel de hoy
en da.
Actualmente la Investigacin de Operaciones se est aplicando en muchas
actividades. Estas actividades han ido ms all de las aplicaciones militares e
industriales, para incluir hospitales, instituciones financieras, bibliotecas,
planeacin urbana, sistemas de transporte y sistemas de comercializacin.

Definicin.

Tambin Investigacin Operacional. Se puede definir de la siguiente manera:

La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios
del mtodo cientfico a problemas relacionados con el control de las

organizaciones o sistemas a fin de que se produzcan soluciones que mejor

sirvan a los objetivos de toda la organizacin.

Metodologa de la Investigacin de Operaciones.

El proceso de la Investigacin de Operaciones comprende las siguientes fases:

1. Formulacin y definicin del problema.

En esta fase del proceso se necesita: una descripcin de los objetivos
del sistema, es decir, qu se desea optimizar; identificar las variables
implicadas, ya sean controlables o no; determinar las restricciones del
sistema. Tambin hay que tener en cuenta las alternativas posibles de
decisin y las restricciones para producir una solucin adecuada.

2. Construccin del modelo.

En esta fase, el investigador de operaciones debe decidir el modelo a
utilizar para representar el sistema. Debe ser un modelo tal que
relacione a las variables de decisin con los parmetros y restricciones
del sistema. Los parmetros (o cantidades conocidas) se pueden
obtener ya sea a partir de datos pasados o ser estimados por medio de
algn mtodo estadstico. Es recomendable determinar si el modelo es
probabilstico o determinstico. El modelo puede ser matemtico, de
simulacin o heurstico, dependiendo de la complejidad de los clculos
matemticos que se requieran.

3. Solucin del modelo.

Una vez que se tiene el modelo, se procede a derivar una solucin

matemtica empleando las diversas tcnicas y mtodos matemticos
para resolver problemas y ecuaciones. Debemos tener en cuenta que
las soluciones que se obtienen en este punto del proceso, son
matemticas y debemos interpretarlas en el mundo real. Adems, para
la solucin del modelo, se deben realizar anlisis de sensibilidad, es
decir, ver

cmo

se

comporta

el

modelo

cambios

en

las

especificaciones y parmetros del sistema. Esto se hace, debido a que

los parmetros no necesariamente son precisos y las restricciones
pueden estar equivocadas.
4. Validacin del modelo.
La validacin de un modelo requiere que se determine si dicho modelo
puede predecir con certeza el comportamiento del sistema. Un mtodo
comn para probar la validez del modelo, es someterlo a datos pasados
disponibles del sistema actual y observar si reproduce las situaciones
pasadas del sistema. Pero como no hay seguridad de que el
comportamiento

futuro

del

sistema

contine

replicando

el

comportamiento pasado, entonces siempre debemos estar atentos de

cambios posibles del sistema con el tiempo, para poder ajustar
adecuadamente el modelo.
5. Implementacin de resultados.
Una vez que hayamos obtenido la solucin o soluciones del modelo, el
siguiente y ltimo paso del proceso es interpretar esos resultados y dar
conclusiones y cursos de accin para la optimizacin del sistema. Si el
modelo utilizado puede servir a otro problema, es necesario revisar,
documentar y actualizar el modelo para sus nuevas aplicaciones.

Estructura de los modelos empleados en la Investigacin de Operaciones.

El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es

una herramienta que nos sirve para lograr una visin bien estructurada de la
realidad. As, el propsito del modelo es proporcionar un medio para analizar el
comportamiento de las componentes de un sistema con el fin de optimizar su
desempeo. La ventaja que tiene el sacar un modelo que represente una
situacin real, es que nos permite analizar tal situacin sin interferir en la
operacin que se realiza, ya que el modelo es como si fuera un espejo de lo
que ocurre.
Para aumentar la abstraccin del mundo real, los modelos se clasifican como:

Los modelos icnicos son la representacin fsica, a escala reducida o

aumentada de un sistema real.
Los modelos anlogos esencialmente requieren la sustitucin de una
propiedad por otra con el fin de permitir la manipulacin del modelo.
Despus de resolver el problema, la solucin se reinterpreta de acuerdo
al sistema original.
Los modelos simblicos o matemticos son los modelos ms
importantes para la investigacin de operaciones, emplean un conjunto
de smbolos y funciones para representar las variables de decisin y sus
relaciones para describir el comportamiento del sistema. El uso de las
matemticas para representar el modelo, el cual es una representacin
aproximada de la realidad, nos permite aprovechar las computadoras de
alta velocidad y tcnicas de solucin con matemticas avanzadas.

Un modelo matemtico comprende principalmente tres conjuntos

bsicos de elementos. Estos son:
Variables y parmetros de decisin. Las variables de decisin son
las incgnitas (o decisiones) que deben determinarse resolviendo el
modelo. Los parmetros son los valores conocidos que relacionan las
variables de decisin con las restricciones y funcin objetivo. Los

parmetros del modelo pueden ser determinsticos o probabilsticos.

Restricciones. Para tener en cuenta las limitaciones tecnolgicas,
econmicas y otras del sistema, el modelo debe incluir restricciones
(implcitas o explcitas) que restrinjan las variables de decisin a un

rango de valores factibles.

Funcin objetivo. La funcin objetivo define la medida de
efectividad del sistema como una funcin matemtica de las
variables de decisin. La solucin ptima ser aquella que produzca
el mejor valor de la funcin objetivo, sujeta a las restricciones.

reas de aplicacin de la Investigacin de Operaciones.

Como su nombre lo dice, Investigacin de Operaciones significa hacer

investigacin sobre las operaciones. Esto dice algo del enfoque como del rea
de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas
que se refieren a la conduccin y coordinacin de operaciones o actividades
dentro de una organizacin. La naturaleza de la organizacin es esencialmente
inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los
negocios, la industria, la milicia, el gobierno, los hospitales,
etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las
organizaciones ms grandes del mundo (alrededor de una docena) y una

buena proporcin de las industrias ms pequeas cuentan con grupos bien

establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la
area y de proyectiles, la automotriz, la de comunicaciones, computacin,
energa elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del
petrleo y del transporte, han empleado la Investigacin de Operaciones. Las
instituciones financieras, gubernamentales y de salud estn incluyendo cada
vez ms estas tcnicas.
Para ser ms especficos, se consideran algunos problemas que se han
resuelto mediante algunas tcnicas de Investigacin de Operaciones. La
programacin lineal se ha usado con xito en la solucin de problemas
referentes a la asignacin de personal, la mezcla de materiales, la distribucin
y el transporte y las carteras de inversin. La programacin dinmica se ha
aplicado con buenos resultados en reas tales como la planeacin de los
gastos de comercializacin, la estrategia de ventas y la planeacin de la
produccin. La teora de colas ha tenido aplicaciones en la solucin de
problemas referentes al congestionamiento del trfico, al servicio de mquinas
sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la
programacin del trfico areo, al diseo de presas, a la programacin de la
produccin y a la administracin de hospitales. Otras tcnicas de Investigacin
de Operaciones, como la teora de inventarios, la teora de juegos y la
simulacin, han tenido exitosas aplicaciones en una gran variedad de
contextos.

Programacin Lineal.

Introduccin

La programacin lineal es una tcnica matemtica relativamente reciente (siglo

XX), que consiste en una serie de mtodos y procedimientos que permiten
resolver problemas de optimizacin en el mbito, sobre todo, de las Ciencias
Sociales. Nos centraremos en este tema en aquellos problemas simples de
programacin lineal, los que tienen solamente 2 variables, problemas
bidimensionales. Para sistemas de ms variables, el procedimiento no es tan
sencillo y se resuelven por el llamado mtodo Simplex (ideado por G.B. Danzig,
matemtico estadounidense en 1951). Recientemente (1984) el matemtico
indio establecido en Estados Unidos, Narenda Karmarkar, ha encontrado un
algoritmo, llamado algoritmo de Karmarkar, que es ms rpido que el mtodo
simplex en ciertos casos. Los problemas de este tipo, en el que intervienen
gran nmero de variables, se implementan en ordenadores.

Definicin

es el campo de la optimizacin matemtica dedicado a maximizar o minimizar

(optimizar) una funcin lineal, denominada funcin objetivo, de tal forma que las
variables de dicha funcin estn sujetas a una serie de restricciones
expresadas mediante un sistema de inecuaciones tambin lineales. Los
mtodos ms recurridos para resolver problemas de programacin lineal
son algoritmos de pivote, en particular los algoritmos simplex.
Supuestos de la programacin lineal.

Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un

modelo est directamente relacionada con la realidad de los supuestos.
Suposicin de Proporcin. Tiene que ver con la forma lineal de las funciones.
Ya que el objetivo es lineal, la contribucin al objetivo de cualquier decisin es
proporcional al valor de la variable de decisin. Producir dos veces ms de
producto producir dos veces ms de ganancia, contratando el doble de
pginas en las revistas doblar el costo relacionado con las revistas.
Supuesto de Adicin. La contribucin de una variable a la funcin 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.
Anlogamente, ya que cada restriccin es lineal, la contribucin de cada
variable al lado izquierdo de cada restriccin 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 formulacin del modelo puede ayudar a manejar
situaciones que parecen en un comienzo como lejanos a estos supuestos.
Suposicin de ser Divisible. Es posible tomar una fraccin de cualquier
variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67
avisos en la televisin?. Es posible que la suposicin 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
solucin seran 2,667 minutos con una mnima duda que est cercana a la

solucin ptima. Si la suposicin de divisible no es vlida, entonces se usar la

tcnica de Programacin Lineal Entera.
Supuesto de Certeza. La Programacin Lineal no permite incertidumbre en los
valores.
No negatividad: Ser difcil que un problema cumpla con todas las
suposiciones de manera exacta. Pero esto no negar la factibilidad de uso del
modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es
consistente con los requerimientos ms estrictos dentro del modelo y se tiene
claras sus limitaciones al interpretar los resultados.

PROBLEMAS RESUELTOS

1. Una compaa (Purificacin del mineral) posee dos minas, P y Q. En el

cuadro siguiente se muestra la produccin de los elementos por cada tonelada
producida por ambas minas respectivamente:
MINAS COBRE

ZINC

MOLIBDENO

COSTO POR TON. DE

OBTENCIN DE MINERAL

50 lb

4 lb

1 lb

$ 50

15 lb

8 lb

3 lb

$ 60

La compaa debe producir cada semana, al menos las siguientes cantidades

de los metales que se muestran a continuacin:

87,500 libras de cobre

16,000 libras de zinc
5,000 libras de molibdeno

Cunto mineral deber obtenerse de cada mina con objeto de cumplir los
requerimientos de produccin a un costo mnimo?

Solucin:

Variables:
x1 = la Cantidad de Mineral de la MINA P en libras
x2 = la Cantidad de Mineral de la MINA Q en libras
Max Z = 50x1 + 60x2 .(1)
50x1 + 15x2 < 87,500 ......... (2) (COBRE)
4x1 + 8x2 < 16,000... (3) (ZINC)
x1 + 3x2 < 5000 ......(4) (MOLIBDENO)
x1, x2 > 0 lo que queda planteado

2. Una compaa posee dos minas: la mina A produce cada da 1 tonelada de

hierro, 3 toneladas de bronce y 5 de cobre. La mina B produce cada da 2
toneladas de cada uno de los tres metales. La compaa necesita al menos 80
toneladas de mineral de alta calidad, 160 toneladas de calidad media y 200 de
baja calidad. Sabiendo que el costo diario de la operacin es de $2,000 en
cada mina. Cuntos das deben trabajar cada mina para que el costo sea
mnimo?
Mina A

Mina B

Cantidad

Hierro

80

Bronc
e

160

Cobre

200

X1= Produccin por tonelada en la mina A

X2= Produccin por tonelada en la mina B
Problema Original
Min f(x) = 2000x1 + 2000x2

Min f(a) = a1 + a2 + a3

Sujeta a: x1 + 2x2 80
3x1 + 2x2 160
5x1 + 2x2 200
x1, x2 0

Problema Estandarizado
Min f(x) = 2000x1 + 2000x2

f(a) - a1 - a2 - a3 = 0

Sujeta a: x1 + 2x2 - h1 + a1 = 80
3x1 + 2x2 - h2 + a2 = 160
5x1 + 2x2 - h3 + a3 = 200
x1, x2, h1, h2, h3, a1, a2, a3 0

Fase I
Se hace el tablero y se itera con el mtodo Simplex
Se hace cero los coeficientes de las variables bsicas por el mtodo gaussiano.

Se procede a iterar con el mtodo Simplex

Aqu termina la primera fase ya que nos dio un cero en la columna solucin del
rengln objetivo.

Fase II
Se toma como base la tabla anterior de la fase I y se eliminan las columnas de
las variables artificiales posteriormente se modifican los valores de f(a) por los
de f(x) igualada a cero y se ponen esos coeficientes en el rengln objetivo.

Min f(x) = 2000x1 + 2000x2

f(x) - 2000x1 - 2000x2 = 0

Bas
e

f(x)

x1

x2

f(x)

-2000

-2000

x1

- 3/4

x2

h3

h1

h2

h3

1/4

20

-2

40

1/2

- 1/2

40

h1

h2

h3

Solucin

-500

120000

Solucin

Se hacen cero las variables no bsicas.

Bas
e

f(x)

f(x)

x1

x2

-500

x1

- 3/4

x2

h3

1/2

1/4

20

-2

40

- 1/2

40

As queda la solucin ptima ya que no hay ninguna variable no bsica ms

positiva en el rengln objetivo.

Solucin
f(x)

120000

x1

20

x2

40

h3

40

3. Una compaa de transporte de concentrado de mineral tiene 10 camiones

con capacidad de 20 toneladas y 5 camiones de 15 toneladas de capacidad.
Los camiones grandes tienen costos de operacin de $ 0,30/Km y los ms
pequeos de $0,25/km. La prxima semana, la compaa debe transportar 200
toneladas de concentrado de plomo para un recorrido de 800 km. La posibilidad
de otros compromisos impone que por cada dos camiones medianos
mantenidos en reserva debe quedarse por lo menos uno de los grandes. Se
pregunta Cul es el nmero ptimo de camiones de ambas clases que deben
movilizarse para transportar el concentrado?

Solucin:
a. Formulacin del modelo matemtico
Paso 1: Identificacin de las variables de decisin
CG = el nmero de camiones grandes empleados por semana.
CM = el nmero de camiones medianos empleados por semana.
Paso 2: Identificacin de los datos del problema
a) La compaa posee 10 camiones con capacidad de 20 toneladas.
b) La compaa posee 5 camiones con capacidad de15 toneladas.
c) El costo de operacin de un camin grande es de $0,30 / km.
d) El costo de operacin de un camin mediano es de $0,25 / km.
e) Costo de operacin de un camin grande para un recorrido de 800 km =
$0,30 * 800 = $240
f) Costo de operacin de un camin grande para un recorrido de 800 km =
$0,25 * 800 = $200

g) En reserva debe quedarse un camin grande por cada dos camiones

medianos.
Paso 3 Identificacin de la funcin objetivo
FV: Minimizar el costo de operacin de los camiones a movilizar
D: Minimizar (costo de operacin de los camiones grandes a movilizar + costo
de operacin de los camiones medianos a movilizar)
FM: Minimizar 240 CG + 200 CM
Paso 4 Identificacin de las restricciones
a) Tonelaje a transportar
FV: La compaa debe transportar 200 toneladas de concentrado
D: (toneladas de concentrado transportado por camiones grandes + toneladas
de concentrado transportado por camiones medianos) es igual 200 toneladas
de concentrado
FM: 20 CG + 15 CM = 200
b) Relacin de reserva de camiones
FV: por cada dos camiones medianos mantenidos en reserva debe quedarse
por lo menos un camin grande
FM: 2(5- CM) <= (10 CG)
CG 2 CM <= 0
c) Nmero de camiones
FV: La compaa puede utilizar un mximo de 10 camiones grandes
FM: CG <= 10
De manera similar para los camiones medianos
CM <= 5
d) Restricciones lgicas

CG y CM >= 0
Paso 5 Formulacin matemtica del modelo
Minimizar 240 CG + 200 CM
Sujeto a:
20 CG + 15 CM = 200
CG 2 CM <= 0
CG <= 10
CM <= 5
CG y CM >= 0 y enteros