TEMA 01: Fundamentos de la Investigación de Operaciones

Introducción
Desde el nacimiento del hombre en este planeta tubo el problema de cómo conseguir recursos
para su subsistencia, debido a lo escaso que son estos; siempre pensaba en la racionalización de
estos como una manera de ahorrar recursos, posteriormente ante nuevos tipos de problemas
donde era necesario la utilización de recursos viene la siguiente pregunta ¿Cómo puedo optimizar
los recursos, en un problema de maximización o m inimización? , naciendo un nuevo tipo de
problema el de optimizar recursos tipo: hombre- máquina, hombre- actividad, recursos-hombre,
etc.

La Investigación de Operaciones empieza a nacer como tal en la segunda guerra mundial en los
años 50, la necesidad de optimizar los escasos recursos en la defensa nacional y el avance de la
tecnología en computación hace propicio que se desarrolle nuevos métodos científicos de
asignación de recursos. Los militares ingleses y americanos hicieron un llamado a los científicos de
la época para que los ayuden a implementar métodos y estrategias de forma científica en la
asignación de recursos en la defensa de Gran Bretaña ante los ataques aéreos alemanes. El
término “Investigación de Operaciones” nace justamente de las operaciones militares realizadas,
las cuales tenían como prioridad optimizar recursos.

Al inicio los problemas desarrollados por la I.O fue de Asignación de recursos, Ordenamiento de
Tareas, balance de carga de trabajo y planificación. Debido al éxito alcanzado en las tareas
militares poco a poco fue despertando el interés de los empresarios en esta disciplina,
extendiéndose a las empresas industriales, comerciales, financieras y gubernamentales.

Después de la segunda guerra mundial, los administradores industriales reconocieron el valor de

aplicar técnicas similares a sus complejos problemas de decisión. Los primeros esfuerzos se
dedicaron a desarrollar modelos apropiados y procedimientos correspondientes para solucionar
problemas que surgían en áreas como refinerías de petróleo, distribución de productos, planeación
de productos, el estudio de mercado y la planeación de inversiones.

El fondo de la I.O se basa en el uso de modelos matemáticos y el uso de computadoras para

realizar los cálculos que son difíciles de realizar a mano en un modelo real por el tamaño de la
matriz. El término “Programación Lineal” se refiere a la planificación de los recursos y cada
ecuación del programa es lineal es decir funciones lineales. Así, la programación lineal trata
la planeación de las actividades para obtener un resultado óptimo, esto es, el resultado que mejor
alcance la meta especificada (según el modelo matemático) entre todas las alternativas de
solución.

George Bernard Dantzig (1914 –2005) fue un profesor, físico y matemático estadounidense,
reconocido por desarrollar el método simplex y es considerado como el "padre de la programación
lineal". Con el método simplex y el desarrollo de las computadoras actualmente es posible dar
solución a problemas complicados de la P.L
1.1. Introducción a la Investigación de Operaciones

A continuación vamos a revisar algunas definiciones de

Investigación de Operaciones por los siguientes reconocidos
autores:
Taha (2004): “La Investigación de Operaciones aspira a determinar el mejor curso de acción óptimo
de un problema de decisión con la restricción de recursos limitados, aplicando técnicas
matemáticas para representar por medio de un modelo y analizar problemas de decisión”

Prawda (2004): “Es la aplicación por grupos interdisciplinarios de Método Científico a problemas
relacionados con el control de las organizaciones o de sistemas en relación al hombre-máquina,
con el fin de producir soluciones óptimas para dichas organizaciones”

Moskowitz –Wright (1991): “La Investigación de Operaciones toma al Método Científico aplicado
a la solución de problemas y la toma de decisiones de la gerencia en función a la construcción de
un modelo simbólico examinando y analizando entre relaciones que lleguen a una técnica en la
toma de decisiones en base a los resultados óptimos.

Thierauf (1984): “La Investigación de Operaciones utiliza el enfoque planeado (Método Científico)
y un grupo interdisciplinario a fin de representar las complicadas relaciones funcionales como
modelos matemáticos para suministrar una base cuantitativa en la toma de decisiones, descubrir
nuevos problemas para un análisis cuantitativo”.

De las definiciones de Investigación de Operaciones, como vemos podemos resaltar los

siguientes términos: organización, sistema, grupos interdisciplinarios, objetivo y metodología
científica.

1.2. Modelos de Investigación de Operaciones

La investigación de operaciones utiliza modelos matemáticos que imitan algún problema de la

realidad y nos ayudan a tomar decisiones al encontrar soluciones optimas posibles que solo
contemplan algunas variables involucradas. Es casi imposible que un modelo contenga todas las
variables involucradas en un problema real, por este motivo solo se consideran las más
importantes, queda claro que dichas soluciones no deben tomarse como si fuera las únicas, estas
primero deben validarse con la realidad y tomar en cuenta otros criterios como la experiencia y
otras variables no tangibles o no cuantificables involucradas
1.3. Solución del modelo de
investigación de operaciones.
No existe una sola técnica general con la que se
solucionan todos los modelos matemáticos que
surgen en la realidad sino por el contrario la
naturaleza y complejidad del método determinan
el tipo de solución.

La técnica más importante para la IO es la

programación lineal que es el modelo presentado
en la sección anterior. Existen otras técnicas
como la programación entera donde las variables solo pueden tomar valores enteros como es el
caso de personas o vehículos por ejemplo; la programación dinámica, en la que el problema
original se descompone en otros sub problemas; la programación de redes, teoría de colas, etc
entre otras.

Otra característica en general de estas técnicas es que se obtienen mediante cálculos repetitivos
en que cada cálculo se acerca cada vez más al valor optimo, esta repetición es tediosa por lo que
en realidad manualmente solo se hacen pequeños problemas, siendo la mayor parte de los
problemas solucionarse mediante el uso del computador o software especiales como el Tora,
Lingo, Solver, entre otros. Estos software usan algoritmos que son instrucciones para el cálculo que
utilizan las computadoras.

1.4. El arte del modelado.

La realidad es tan compleja que los modelos matemáticos solo tienen grados de aproximación a la
realidad, donde solo se tienen en cuenta las variables más importantes. La Fig.1.4 representa los
niveles de abstracción que caracteriza el modelo matemático utilizado en IO.
1.5. Fases de estudio en la Investigación de Operaciones.
Un estudio de investigación de operaciones es una labor multidisciplinaria, requiere de un equipo
conocedor de las técnicas de IO pero también de la experiencia y conocimiento del modelo real al
cual quieren comprender y solucionar, lo que significa que cualquier cliente que contrate un equipo
de IO deberá trabajar codo a codo para llegar a un término aceptable de solución del problema.

La identificación del problema, significa definir las limitaciones

del problema, esto es tendrá que definir los siguiente:
1. - La descripción de las alternativas de decisión;

2. - Definir el objetivo, y

3. - las condiciones bajo la cual funcionara el sistema modelado.

La construcción del problema, implica traducir las relaciones lógicas intervinientes en el sistema
real a restricciones matemáticas. Una vez encontrado el modelo se revisara si existe algún modelo
de IO que se ajuste, caso contrario tendrá que realizar algunas simplificaciones hasta que pueda
usar algún modelo matemático, de simulación o heurístico.

La solución del modelo, es en realidad la fase más sencilla de todas de la I.O , porque solo se
trata de la aplicación de algoritmos ya definidos que serán utilizados en una computadora, por lo
que el trabajo se resume solo a ingresar los datos en el software adecuado.
Un aspecto importante en la solución del modelo implica tener información acerca de la
sensibilidad del modelo es decir que sucederá a la solución si existen cambios en ciertos
parámetros como los coeficientes de la función objetivo, restricciones de recursos o constantes
tecnológicas.

La validación del modelo, esta parte comprende el analizar los resultados que sean aceptables
con la realidad, es decir que no contengan sorpresas o sean irreales; otra forma de validar es
comparar los resultados con datos históricos. El modelo se considera válido si bajo las mismas
condiciones el modelo entrega resultados cercanos a la realidad.

La implementación, encontrada las respuestas a las variables de decisión, no queda más que
implementarlas en la empresa, por lo que deben ser traducidas a lenguaje corriente para las
personas que operan las decisiones.

1.6. Introducción a la programación lineal , modelo de PL con dos

variables
Ahora procederemos mediante un problema a implementar un modelo de Programación Lineal,
para luego solucionarlo mediante el método grafico; aunque en la realidad es difícil encontrar
modelos de dos variables, el desarrollo de estos ejercicios reforzara la parte teórica del uso del
algoritmo y su fundamento de uso.

Todo modelo de programación lineal tiene que tener tres componentes: Las variables, el Objetivo
( meta a optimizar) y las restricciones.

Ejemplo 1.1 Compañía Tekno SAC.

Cierto fabricante produce dos artículos, X eY, para lo que requiere la utilización de dos secciones
de producción: sección de montaje y sección de pintura.El artículo X requiere una hora de trabajo
en la sección de montaje y dos en la de pintura; y el artículo Y, tres horas en la sección de
montaje y una hora en la de pintura.La sección de montaje solo puede estar en funcionamiento
nueve horas diarias, mientras que la de pintura solo ocho horas cada día. El beneficio que se
obtiene produciendo el artículo Y es de S/. 40 soles y el de X es de S/. 20 soles.Calcula la
producción diaria de los artículos X y Y que maximiza el beneficio.

Primero determinaremos la Función Objetivo:

Es la de maximizar los ingresos; por cada producto A vendido ingresara 20X y de Y serán
40Y. Por lo que el ingreso total será: 20X + 40Y

Tendremos entonces la Función Objetivo siguiente: Max F.O: 20X + 40Y

Segundo determinaremos las restricciones

La primera restricción será la de montaje, este tiene solo 9 horas de trabajo, por lo que podrá
atender productos X y Y de la siguiente manera:

1(h/unidad de X) x X (número de X producir) + 3 (h/ unidad de Y) x Y (número de Y) <= 9

horas

La segunda restricción será la de pintado, esta tiene solo 8 horas para atender la producción
de X y Y, por lo que su restricción será la siguiente:

2(h/ unidad de X) x X (número de X) + 1(h/ unidad de Y) x Y (número de unidades de Y<= 8

horas

La restricción lógica, son la no negatividad de los recursos es decir no es posible producir

bienes si no hubieran horas libres de trabajo en montaje y en pintado.

X, y >=0

Por lo que el modelo matemático de Tekno SAC quedaría de la siguiente manera

Función Objetivo Maximizar: Z = 20 X + 40Y

Sujeto a : 1X + 3Y <= 9

2 X + 1Y <= 8

X, Y >=0

Cualquier valor que satisfaga dichas restricciones es una solución factible, la solución óptima será
aquella que cumple el objetivo que para este caso es la maximización, en otros casos podría
pedirse minimizar la función, por ejemplo cuando se tratasen de costos o disminución de peso por
ejemplo.

1.7. Solución gráfica de la programación lineal

Este procedimiento implica dos pasos:

 1. Delimitar gráficamente el espacio correspondiente a todas las soluciones factibles del
modelo

2. Determinar la solución óptima entre todos los puntos factibles del espacio delimitado en el
paso

Solucionaremos el ejercicio del ejemplo n° 1.1

En primer lugar se tiene que graficar todas las restricciones, determinando la zona que cumple
todas las soluciones factibles, posteriormente se calculan cada valor extremo del polígono
resultante que se encuentre acotado por las restricciones, quedando como muestra el cuadro nº
1.1, siendo su valor optimo el punto (3,2) de S/.140

Tabla 1.1: Muestra los valores

extremos del polígono de solucionesfactibles

Fig 1.6 Gráfica de todas las restricciones y función objetivo

La zona pintada de ladrillo representa la zona factible de todas las soluciones, se observa que el
valor de la función z =0 cuando (x,y) = (0,0)

El valor de z aumenta conforme busca el valor más extremo es decir en el punto (3,2) obtiene su
máximo valor de S/. 140, esto se calcula de la siguiente manera: 20X +40Y= 20*3+40*2= 140.
Ejercicio 1.2
En una granja de pollos se da una dieta "para engordar" con una composición mínima de 15
unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo se
encuentran dos clases de compuestos: el tipo I con una composición de una unidad de A y
cinco de B, y el tipo II con una composición de cinco unidades de A y una de B. El precio
del tipo I es de 10 soles y el del tipo II es de 30 soles. Se pregunta:

¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste
mínimo?

Solución:

Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II.

Resumamos los datos en una tabla:

La función que nos da el coste es z = 10x + 30y = 10(x + 3y).

Debemos hacer mínima esta función, sujeta a las restricciones anteriores.

Dibujamos el recinto correspondiente a las restricciones, y la recta 10(x + 3y) = 0

X+ 3y = 0, que nos da la dirección de las rectas z = 10(x + 3y).

Ejercicio 1.3
a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones:

b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del sistema
anterior.
Ejercicio 1.4
Maximiza la función z = x +y, sujeta a las siguientes restricciones:
1.8. Análisis de sensibilidad

El análisis de sensibilidad es la determinación de qué tan sensible son las soluciones óptimas y el
valor de la función objetivo con respecto a los cambios en los datos del problema, es decir cuánto
puede cambiar la solución del problema (variables de decisión) cuando varía por ejemplo los
precios de algún producto o coeficientes de la función objetivo, seguirá siendo óptima la solución o
a cambiado. También pueden cambiar los recursos o valores del lado derecho de las restricciones.
1.8.1 Análisis de sensibilidad de la
Función Objetivo (F.O)
Tenemos la F.O Maximizar : 6X1 + 10X2

De la función objetivo tenemos que la intersección de las restricciones (1) y (2) nos da el punto
óptimo, para que siga siendo el mismo (70,90), la variación del valor de la pendiente de la F.O ( o
de los coeficientes de la F.O) debe estar entre el valor de las pendientes de las restricciones que
contienen dicho punto, de lo contrario el punto más extremo que nos de el valor máximo
cambiaría, como se ve en la Fig. 2.3.2 donde un cambio en la pendiente de la F.O que sale entre
los valores de la pendientes de las restricciones determina que el nuevo punto extremo es el X1=
115 y X2= 0.
 De la F.O tenemos 6X1 + 10X2 se observa que la pendiente es

Pendiente de F.O = -6/10 = - 3/5

De la restricción (1) 4X1 + 2X2 ≤ 460 tenemos que la pendiente es:

Pendiente de (1) = -4/2 = -2

De la restricción (2) 2X1 + 4X2 ≤ 500 tenemos que la pendiente es :

Pendiente de (2) = -2/4 = -1/2

De lo que se observa lo siguiente:

Pendiente de (1) ≤ pendiente F.O ≤ pendiente (2) ó -2 ≤ -0.6 ≤-0.5

Es decir que mientras el valor de la pendiente de la F.O no salga del rango determinado por el valor
de las pendientes de las restricciones que determinan el punto óptimo, este siempre será el mismo,
de lo contrario pasaría que el punto óptimo cambiaría como se muestra en el ejemplo de la fig.
2.3.1

Fig. 1.8 Muestra como el cambio de la pendiente de la F.O determina que el punto
más extremo es el punto X1= 115 y X2= 0

La variación en los coeficientes de la función objetivo representa por ejemplo un cambio en los
precios de los productos, la pregunta en cuestión sería ¿Cuáles son los rangos o variación de
precios de los productos para que la solución óptima siga siendo la misma? ; la solución a esta
pregunta es determinar los parámetros que hacen que la pendiente de la F.O no salgan de los
valores de las pendientes de las restricciones que determinan el punto óptimo.
Calculo de los límites de aceptación de la variación de los valores de las pendientes de la
F.O,

1.8.2 Análisis de sensibilidad del valor del lado derecho de la

restricción (1)

Todas las restricciones pueden variar el valor del lado derecho, en este caso supongamos que el
valor del lado derecho de la restricción (1) puede variar, es decir por aumento o disminución de las
horas hombre que este recurso representa, siendo el valor inicial de 460

Restricción (1) : 4X1 + 2X2 ≤ 460 se convierte en

4X1 + 2X2 ≤ c siendo c una variable

Lo que se busca en el análisis de sensibilidad son los extremos en que puede variar “c” para que
el punto óptimo siga siendo determinado por las restricciones (1) y (2) dentro de la zona de
factibilidad de las restricciones esto se cumple en los extremos de los siguientes puntos :

Extremo menor c= 280 X1= 10 X2= 120 F.O = 1,260

Valores intermedios entre estos puntos extremos determinan

nuevos puntos óptimos con diferentes valores de la F.O

Figura 1.9 Extremo menor punto óptimo determinado todavía por (1) y (2) cuando c=
280, un valor menor del LD1 determinaría un punto óptimo por las restricciones (1) y (3)
 Figura 1.10 Extremo mayor punto óptimo determinado todavía por (1) y (2) cuando
c=1000, un valor mayor del LD1 determinaría un punto óptimo por las restricciones (2) y (5)

1.8.3 Análisis de sensibilidad- Precio sombra

De la tabla 2.3.2.3 se puede observar que un incremento o
disminución del lado recurso del lado derecho de la ecuación tiene
un aumento o disminución de la F.O pudiéndose calcular una
pendiente entre los rangos desde 280 hasta 1000 de la siguiente
manera :

Este valor de
S/.0.33 centavos significa que por cada unidad u hora adicional del recurso del lado derecho habrá
un aumento o disminución en el valor de función objetivo de S/.0.33, a este valor se le llama
precio sombra o precio dual del recurso.

Queda como ejercicio determinar el precio sombra de la restricción (2) y (3)

1.9. Problemas tipo propuestos

A continuación presentamos algunas definiciones que deben estar claras
antes de solucionar algunos problemas:
Región factible: Es el conjunto de valores para las variables de decisión en un programa lineal
que satisface todas las restricciones

Solución factible: Una solución en la que las variables de decisión son factibles

Punto extremo: El punto esquina de una región factible, es normalmente una intersección de dos
Líneas extremo

Línea de función Objetivo: Línea utilizada en el método gráfico en el cual todos los puntos sobre
la línea tienen el mismo valor de función objetivo.

Solución óptima: El punto en la región factible que tienen el mejor valor de la función objetivo

Programa lineal infactible: Es el programa lineal en el que no existen valores de las variables que
satisfagan todas las restricciones

Programa lineal ilimitado: Es el programa lineal factible en el que la función objetivo puede
mejorarse indefinidamente

A continuación te presentamos un pool de ejercicios propuestos para que los resuelvas

Instrucciones: Resuelva cada uno de los siguientes programas lineales usando el método gráfico,
indique si el problema es infactible, óptimo o ilimitado; para los que sean óptimos encuentre los
valores de las variables y el valor de la función objetivo
1.10. Resolución de problemas mediante software
Existen varios software libres que se pueden bajar por internet para utilizarlos en la solución de
problemas investigación de operaciones, entre ellos están el Tora, Lingo, Solver en excell, Winqsb,
entre otros, a continuación te mostramos un link de donde podrás descargar el software Tora con el
cual podrás trabajar todos los ejercicios propuestos y verificar si tus soluciones gráficas están
correctas.

Para instalar el software Tora puedes aprender cómo se baja del internet visualizando el Link vídeo
para instalar el Tora en la siguiente dirección electrónica: http://youtu.be/COUcyKtYnAQ

Además puedes ver como se realizan la resolución de ejercicios utilizando Tora en el

link http://youtu.be/Mk2zZpIXrKc

Tema 02: Método Simplex para la solución de los problemas de

Programación Lineal

Introducción
El método simplex es un algoritmo. El método simplex es un procedimiento algebraico sistemático
que examina las esquinas (vértices o puntos extremos) de un programa lineal en busca de una
solución óptima sea esta maximización o minimización. El algoritmo comienza con la determinación
de un vértice inicial, esto se llama FASE I; si el problema es inconsistente, la fase I lo descubrirá. Si
el modelo de PL es consistente entonces el algoritmo empieza a recorrer todos los vértices
adyacentes uno por uno (esto es porque la solución siempre estará en un punto extremo por ser la
naturaleza del problema encontrar un máximo o un mínimo), cada movimiento en la secuencia de ir
a cada vértice se llama iteración o pivote y el movimiento implica una manipulación del sistema
lineal; el algoritmo simplex está diseñado para que cada vez que cambia de punto este sea mayor
o menor que el anterior dependiendo si se trata de un problema de maximización o minimización.
Si el problema es no acotado el algoritmo lo descubrirá. Cuando se alcance el vértice óptimo el
algoritmo lo reconocerá con la prueba de optimalidad, es decir que cada iteración contiene la
solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la
prueba de optimalidad. Una vez encontrado el punto óptimo se detiene las iteraciones.

De hecho, cualquier procedimiento iterativo de solución es un algoritmo. Entonces, un algoritmo es

simplemente un proceso en el que se repite (se itera) un procedimiento sistemático una y otra vez
hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento sistemático se
realiza una iteración. En consecuencia, un algoritmo sustituye un problema difícil por una serie de
problemas fáciles.

2.1. El método Simplex

Una propiedad general del método simplex es que resuelve el problema de programación lineal en
iteraciones. Cada iteración desplaza la solución a un nuevo punto esquina que tiene potencial de
mejorar el valor de la función objetivo. El proceso termina cuando ya no se pueden obtener
mejoras. El método simplex implica cálculos tediosos y voluminosos, lo que hace que la
computadora sea una herramienta esencial para resolver los problemas de PL. Por lo tanto las
reglas computacionales del método simplex se adaptan para facilitar el cálculo automático.(p,71)

2.2. El algoritmo de mejora finita algebraico para programación

lineal

Todo problema repetitivo sobre todo de índole matemático puede ser resuelto por un
algoritmo, el algoritmo es una serie de instrucciones secuenciales con decisores
intermedios para encontrar algún tipo de resultados; siendo el caso de programación lineal
el siguiente algoritmo:

Paso 0. Inicio: Encontrar una solución factible básica inicial (punto extremo)

Paso 1. Prueba de optimalidad : Para la solución factible básica actual:

a) Dado el punto extremo actual, ver si uno de los bordes conduce a un punto extremo
vecinal con un valor de función objetivo más grande. Si la respuesta es “no”, detener el
procedimiento: el punto extremo actual es óptimo. Si la respuesta es “sí”, continuar con el
paso 2; el punto extremo actual no es óptimo.

b) Si todos los costos reducidos son ≤ 0, entonces la sfb actual es óptima; en cualquier otro
caso, continuar con el paso 2

Paso 2. Traslado:

a) Escoger cualquiera de los bordes de mejora encontrados en el paso 1 y trasladarse del

punto extremo actual al punto extremo vecinal asociado que tiene un valor de función objetivo
más grande. Regresar al paso 1

Este algoritmo nos da la lógica de trabajo con la matemática funciona para encontrar un punto
óptimo sea máximo o mínimo.

2.3. Forma estándar

Un problema de programación lineal puede venir en diversas formas: su objetivo puede ser
maximizar o minimizar; puede tener restricciones de igualdad o desigualdad; las variables pueden
ser no negativas, no positivas; o sin restricciones. Por lo tanto en lugar de desarrollar múltiples
métodos para cada problema se desarrolla un solo algoritmo que desarrollé una sola forma
específica, conocida como forma estándar.
Forma estándar, es una forma particular de un problema de PL en el que l función objetivo debe
ser maximizada; solamente existen restricciones de igualdad y todos los lados derechos y variables
son no negativas.

El primer paso antes de aplicar el método algebraico simplex es poner el PL en la forma estándar,
el siguiente ejemplo muestra un PL que tiene todas las posibles alternativas de restricciones,
variables, FO, etc; el cual convertiremos en forma estándar.
2.4. Cálculos del método simplex
Utilizaremos un
ejercicio para mostrar

los cálculos
algebraicos
involucrados en este
método SIMPLEX
Segunda tabla:
Para encontrar la segunda tabla primero se mostrara una tabla previa donde se muestra como el
renglón pivote n° 01 se ha dividido entre “ 6” , de este modo aplicando los cálculos de operaciones
de renglón de Gauss-Jordan se tratara de convertir los coeficientes de la primera columna desde
el renglón 2 al 4 en “ cero” .
Después de realizar los cálculos operacionales de renglón de Gauss-Jordan encontramos la tabla
n° 03; donde encontramos la segunda columna pivote que es la que corresponde a la variable X2
y el segundo renglón pivote que corresponde al vector de salida S2.+
Después de realizar los cálculos operacionales de renglón de Gauss-Jordan encontramos la tabla
n° 03; donde encontramos la segunda columna pivote que es la que corresponde a la variable X2
y el segundo renglón pivote que corresponde al vector de salida S2.
2.5. Método simplex minimización

Un método para solucionar un caso de minimización es tomando el negativo de esta función

convertirlo a la forma estándar y resolverlo como si fuera un caso de maximización. Esto es asi
porque cualquier todo punto que minimice a f(x) maximizará también a –f(x) . Por lo que tomando el
negativo de una función de minimización y resolviéndolo como si fuera el modelo de maximización
se obtendrá la solución correcta.
Tema 03: Programación Lineal Entera y Programación lineal
Entera Mixta

Introducción
Hasta ahora los problemas y soluciones de programación lineal han sido dentro del campo de
valores de números reales, sin tener en cuenta que en algunos casos la solución no es posible
porque es necesario soluciones dentro del campo de números enteros. La programación entera
PE ha llegado a ser un área muy especializada de la ciencia de la Administración. Esto es así
porque cuando queremos asignar una persona a algún sitio, o fabricar barcos, aviones no es
posible dividirlos en partes por razones obvias. Hay que tener en cuenta el significado de PE, antes
de esta unidad las variables solución podían tener números como 6.253; ahora deben tener
números enteros como 7 ó 8 ó 9, es decir sin decimales; en algunos casos es posible los
problemas plantearan soluciones mixtas, es decir variables que permitan los números enteros y
variables que permitan decimales a lo cual se llaman PLM, o programación lineal mixta.

En este tema nos introduciremos dentro de este campo en forma superficial para ilustrar la
importancia del tema, así como los métodos de resolución más útiles y prácticos. Este problema de
la no divisibilidad debe ser resuelto por algoritmos especialmente diseñados para resolver
problemas de programación entera.
 3.1. Algoritmo Ramificación y Acotamiento de Branch &
Bound

Los algoritmos de programación lineal entera se basan en el aprovechamiento del gran éxito
computacional de la programación lineal. En la estrategia de esos algoritmos interviene tres pasos.

Paso 1: Relajar el espacio de soluciones del programa lineal entero omitiendo la restricción entera
en todas las variables enteras y sustituyéndola por cualquier variable binaria y que tenga el
intervalo continuo 0 ≤y≤1. El resultado del relajamiento es un problema lineal normal.

Paso 2 : Resolver el programa lineal e identificar su óptimo continuo.

Paso 3: Iniciar en el punto óptimo e ir agregando restricciones especiales que modifiquen en forma
iterativa el espacio de soluciones del programa lineal, en una forma que al final produzca un punto
extremo que satisfaga los requisitos enteros.

Se han desarrollado dos métodos generales para obtener las restricciones especiales del
paso 3 que son:

 El método de ramificación y acotamiento B & B

 El método del plano cortante

Aunque ninguno de ellos es efectivo computacionalmente en forma consistente, de acuerdo con la

experiencia el método B & B es mucho mejor que el del plano cortante. (p, 372)

En este tema desarrollaremos el primer método de B & B

3.2 Problema y caso

Ejemplo
Desarrollo:

1.- El programa lineal 0: Nos da la primera solución considerando que el problema no es

entero, lo que se considera una solución al problema relajado; nos da la solución: X1= 3.75,
X2= 1.25 Y Z= 23.75

2.- El PL 0 inicial relajado se reemplaza por dos problemas PL 1: X1 ≤3 Y PL2: X1≥4

3.- Se agotan ambos problemas encontrando el mayor Z posible, considerando de si se trata

de un problema “Entero puro cuando todas las variables son enteras” o “Entero mixto
cuando se aceptan algunas variables reales”

Nota: Sin solución es porque sale de la zona factible de

soluciones
Podemos observar que en dos ramas de la resolución no se puede llegar a una solución pero luego
al realizar otra iteración, por la otra rama obtuvimos una solución mejor.
Primera parte:

Segunda parte

De esta solución se observa que en PLE no es posible por lo que se divide el problema en dos
subproblemas (acotamiento)

Subproblema 1 : Cuando X1 ≤ 3

Subproblema 2 : Cuando X1 ≥ 4
3.3 Problema tipo PLEM

En algunos casos es posible que una de las variables sea entera y la otra no, en este caso se
llamara problema lineal entero mixto, la solución recorre el mismo procedimiento para PLE solo que
se tiene en cuenta que una de las variables puede ser divisible.

Del caso resuelto anterior se tendría la siguiente solución: X1=4, X2= 0.83 y Z= 23.33; por ser la
que el máximo valor de Z.

Video de Investigación de Operaciones

Para saber más

Ponemos a tu disposición dos videos cortos referentes al método de ramificación y acotamiento
de B & B utilizado para encontrar PLE los cuales te invitamos a visualizar para reforzar y ampliar
los temas que hemos estudiado, estos los encontrarás en la siguiente dirección electrónica:

Documento 1: " Método ramificación y acotamiento de Branch & Bound ”

Documento 2: " Método ramificación y acotamiento de Branch & Bound”

Dirección: https://youtu.be/jAl-XtxXVV4

Lecturas recomendadas
Para saber más

Ponemos a tu disposición y te invitamos a revisar dos interesantes documentos que te ayudaran a

reforzar y ampliar los temas que hemos estudiado, estos los encontrarás en la base de datos e-
libros que utiliza nuestra universidad:

Documento 1: e-libro Investigación de Operaciones

Autor : Chediak Pinzón, FranciscoAlonso

Editorial : Universidad de Ibagué

Año : 2012

Documento 1: e-libro Investigación de Operaciones: Programación lineal. Problema de

transporte. Análisis de redes .

Autor : Kong, Maynard

Editorial : Fondo Editorial de la Pontificia Universidad Católica del Perú

Año : 2010
Conclusiones

Con esta tercera semana has aprendido a solucionar problemas de programación lineal
donde las variables de decisión pueden ser enteras o mixtas, como es el caso de producción
de bienes indivisibles. Te felicito porque ya estas comprendiendo el mundo de la
investigación de operaciones en una forma práctica y amena.

Tema 04: Método Húngaro de Asignación

Introducción
Los matemáticos Dénes Köning y Jenö Egervary presentaron sus trabajos en la primera mitad del
siglo XX, estos trabajos fueron la base con lo que el matemático William Harold Kuhn (1925-2014)
presento en 1955 su trabajo sobre el problema de asignación, y desde entonces se le conoce como
el método húngaro.

Un caso particular del modelo de transporte es el modelo de asignación, que tiene como propósito
asignar personas u objetos a tareas de tal forma que se optimice algún objetivo, por ejemplo:
minimizar tiempos de producción, costos o defectos de producción. Históricamente el problema de
asignación se resolvió utilizando las mismas técnicas que se utilizaban para el modelo de
transporte, sin embargo, resultaba tedioso hacerlo de esta manera debido a las características
particulares del mismo. A partir del trabajo realizado por dos matemáticos húngaros, se obtiene un
algoritmo eficiente para este modelo; Iniciamos la unidad planteando el problema general de
asignación, hacemos hincapié en su estructura, como en el caso especial del modelo de transporte
y planteamos algunos problemas tipo. Continuamos resolviendo el modelo de asignación por el
método húngaro. Terminamos la unidad estudiando algunos problemas de asignación
desbalanceados.

4.1 El problema de asignación

Gould, Eppen & Schmidt (1992) nos explican el problema de

asignación de la siguiente manera:
Los problemas de asignación ocurren en muchos contextos de administración. En general
consisten en el problema para determinar la asignación óptima de agentes u objetos “individuales”
a “n” tareas. Por ejemplo, el administrador puede tener que asignar agentes de venta a territorios
designados, o telefonistas para atender llamadas de servicios, o editores a los manuscritos, o
modelos a las agencias de publicidad. Los agentes u objetos que van a designarse son indivisibles
en el sentido de que ningún agente se puede dividir entre varias tareas. La restricción importante,
para cada agente, es que será designado a una y solo una tarea. (p, 299)

William Harold Kuhn, presento la primera versión conocida del método Húngaro en 1955. Esta fue
revisada por James Munkres en 1957, y ha sido conocido desde entonces como el algoritmo del
método húngaro, método de asignación Munkres, o el algoritmo de Kuhn-Munkres.
El algoritmo modela un problema de asignación como una matriz de costo m x n, donde cada
elemento representa el costo de asignar la n trabajadora al m trabajo. El algoritmo utiliza el método
de eliminación Gaussiana para hacer aparecer por lo menos un ceros en cada fila y columna. Sin
embargo, en el caso de un problema de maximización de beneficio, el costo de la matriz necesita
ser modificada de modo que la minimización de sus elementos resulte maximizar los valores de
costo originales.

4.2 El algoritmo del método Húngaro

Características claves para satisfacer la asignación óptima, cada

nueva matriz calculada deberá satisfacer los siguientes criterios:
 Propiedad 1: Todos los números son no negativos.

 Propiedad 2: Cada fila y cada columna tiene al menos una celda con un valor de cero

Siempre que en cualquiera de estas matrices, encuentre una asignación en la que cada celda
seleccionada tenga un valor de cero, ha encontrado, de hecho la asignación óptima.

Pasos conceptuales del algoritmo de asignación

 Paso 0. Inicialización: al sustraer números apropiados de las filas y/o columnas de la

matriz de asignación original, cree una nueva matriz de asignación que tenga las
propiedades 1 y 2

 Paso 1. Prueba de optimalidad: Sí es posible encontrar una asignación factible en la matriz

actual en la que cada celda seleccionada tenga un valor de cero, deténgase con una
asignación óptima; de otra forma, vaya al paso 2.

 Paso 2. Movimiento: Al sumar y/o sustraer números apropiados de las filas y/o columnas
de la actual matriz de asignación, cree una nueva matriz de asignación con las
propiedades 1 y 2 y vaya al paso 1. (p, 449)

4.2.1 Ejercicio resuelto

Un Vicepresidente de una compañía Francesa desea envía cuatro gerentes (G1, G2, G3 y G4)
para un proceso de auditoría a las plantas situadas en Argentina, Brasil, Perú y Venezuela. Los
costos de envío y las plantas se reflejan en la Tabla 4.2.1 (Los costos pueden representar las
habilidades de cada gerente para solucionar ciertos problemas ubicados en cada planta, asimismo
puede ser costos de dinero o una relación relativa de capacidades)

Paso uno: Se identifica en cada fila el valor mínimo, que luego es restada de todos los valores de
cada fila
Paso dos: Se restan a cada fila el valor mínimo

Paso tres : Se hace lo mismo con cada columna

Paso cuatro: Se tachan los ceros con líneas (con las mínimas posibles) de tal manera que si el
número de líneas es igual al tamaño de la matriz (en este caso es 4x4), se detiene el proceso, y se
asignan los valores; para nuestra caso tenemos solo tres líneas por lo que se necesita hacer otro
paso adicional.

Se ubica el valor mínimo de la matriz que no se encuentre cubierta por las líneas, para nuestro
caso es el número 2, el cual se restara a todos los otro números no cubiertos por las líneas; pero
para los números ubicados en las intersecciones de las líneas se sumaran

Pasó cinco: Se tachan todos los ceros (cuidando que sean con las líneas mínimas posibles),
para nuestro caso son cuatro, como la matriz es 4x4, el método ha terminado y procedemos a la
asignación de recursos.
Paso seis: La asignación de recursos empieza siempre por las columnas o filas que solo tienen un
cero, de otra manera no sería posible asignarles otro valor; posteriormente se trabaja para
asignarle a cada recurso a su actividad.
 4.3 Casos especiales del método húngaro

Para resolver el método Húngaro es necesario que la matriz sea cuadrada, balanceada es decir
que las filas y columnas sean iguales o m = n, a veces por las condiciones del problema no es
posible cumplir este requisito por lo que aparecen dos condiciones, o faltan destinos o faltan
ofertas; en los casos se completan a una matriz cuadrada agregando la fila o columna ficticia
necesaria, con costo cero. Luego se aplica el algoritmo del método húngaro de las formas normal.

4.3.1 Caso en que la oferta supera a la demanda

Imaginemos que del problema anterior el Vicepresidente quiere inspeccionar personalmente la
planta de Venezuela, entonces quedarían cuatro gerentes para tres plantas, para compensar este
problema se asigna una planta ficticia con costo cero. Trabajándose la matriz normalmente con el
método húngaro.

4.3.2 Caso en que la demanda supera la oferta

Al igual que en el caso anterior supongamos que el G4 por problemas personales no puede realizar
los trabajos de auditoría, por lo que en este caso los puntos demandados superan a la oferta, por lo
que quedarían tres gerentes para cuatro plantas, para compensar este problema se asigna un
gerente ficticia con costo cero. Trabajándose la matriz normalmente con el método húngaro.

4.4 Ejercicios planteados

4.4.1 Ejercicio en que la oferta supera la demanda
Este caso es cuando por ejemplo el Vicepresidente principal quiere participar directamente en la
auditoría de Venezuela, quedando cuatro vicepresidentes para tres países; para solucionar este
caso agregamos un destino ficticio, para balancear la matriz con costo cero y trabajamos de la
misma manera como en el caso de matriz balanceada. La diferencia es que el vicepresidente
asignado al destino ficticio en la realidad no ira a ningún lugar.

Lo mismo se hace cuando existe la demanda supera a la oferta, pero en este caso se agrega una
oferta ficticia igual con costo cero, y se resuelve de la misma manera que una matriz balanceada.

Primer paso: Se balancea la matriz agregando (en este caso) una demanda ficticia con cero costo,
se identifican los valores mínimos en filas y columnas.
Segundo paso: Se calcula la matriz reducida de acuerdo al método Húngaro, en nuestro caso

Tercer paso: En nuestro caso tenemos cuatro líneas que cubren los ceros, la matriz es 4x4 por lo
que tenemos solución.
Video de Investigación de Operaciones
Para saber más

Ponemos a tu disposición dos vídeos cortos referentes al método Húngaro los cuales te
invitamos a visualizar para reforzar y ampliar los temas que hemos estudiado, estos los
encontrarás en la siguiente dirección electrónica:

Documento 1: " Método de asignación Húngaro”

Dirección: https://youtu.be/Rjts-iAq1XE

Documento 2: " Método de asignación Húngaro”

Dirección: https://youtu.be/0Zgdui3GqZo
 Conclusiones
Con esta cuarta semana has aprendido el método de asignación de recursos cuando los
recursos son indivisible a n tareas; por ejemplo la asignación de gerentes a una actividad de
auditoría en diferentes países. Este es un tema importante porque la asignación también se
refiere a las diferentes tipos de capacidades de los recursos para dichas actividades o
preferencias de estrategias de quien asigne, también pueden ser usadas en estos casos.

TEMA 05:Modelos de Transporte solución básica y óptima

Introducción

Un problema clásico en PL es el problema de enviar bienes desde un punto a otro punto, esto
parece sencillo a primera vista sin embargo no lo es tanto, ya que en la vida real puede tratarse de
“n” puntos de embarque y “n” destinos por lo que en si se tiene una matriz “nxn” y todas las
combinaciones posibles, ojo cuidando que siempre se obtenga el mínimo costo.

El problema de transporte es un problema de programación lineal, por lo que también puede

resolverse por el método simplex, sin embargo por tratarse de un caso especial se desarrollaron
métodos específicos que hacen mucho más fácil su cálculo, a los que se les llamo modelos
matemáticos del método de trasporte, que es el tema que estaremos desarrollando.

El objetivo en estos modelos siempre será el de minimizar los costos, para mejorar las utilidades y
poder llevar a un precio competitivo a los clientes.

Que nos dice Solow & kamlesh (1996):

Una clase de problemas que tiene una estructura especial en sus restricciones cuando se le
formula de manera matemática tiene que ver con la distribución de bienes. Por lo general, estos
bienes deben ser enviados desde puntos de suministro conocidos ( fabricas, plantas , etc) hasta
puntos de demanda conocidos ( clientes, tiendas, detallistas, etc). ……. El objetivo general consiste
en hallar el mejor el mejor plan de
distribución, es decir, la cantidad que se
debe enviar por cada una de las rutas
desde los puntos de suministros, a través
de los puntos intermedios, hasta los puntos
de demanda. Con el término “mejor” se
entiende un plan que minimice los costos
totales de envío, produzca la mayor
ganancia u optimice algún otro objetivo
corporativo especificado en la por la
gerencia.( p, 382)

En la primera parte de esta unidad los

modelos de trasporte nos dan soluciones
básicas factibles, sin asegurarnos que
cualquiera de ellas es una solución óptima.
En la segunda parte revisaremos
algoritmos que nos darán la certeza de
que la solución si es óptima es decir que
nuestros costos de distribución sean los
menores en las circunstancias descritas
del problema.

Mapa conceptual
Observa detenidamente el siguiente esquema, en el encontrarás de un “vistazo” de manera
sintetizada los principales concepto de la temática que abordaremos.

¿Qué conceptos o categorías te llaman la atención?

5.1 Métodos prácticos para solución básica de modelos de
transporte

El problema de trasporte es un modelo cuyo problema es transportar bienes de un punto llamado

origen hacia otro llamado destino, a un costo razonable. Lo que se busca es satisfacer la demanda
principalmente u otro objetivo estratégico de la empresa. Esta distribución se realiza a través de
una red que vamos a llamar “red de distribución” y que será en si el modelo de PL que se tendrá
que solucionar con los algoritmos adecuados.

La solución usando los algoritmos de trasporte se realiza en dos partes, la primera se encuentra
una solución básica factible (no necesariamente óptima); en la senda parte, se utiliza otros
métodos que partiendo de una solución básica factible se llega a una solución óptima. Se debe
tener en cuenta que estos métodos la demanda es igual a la oferta, y la solución nos sirve como
una solución básica inicial, no necesariamente óptima.

Estos métodos son: Esquina Nor-Oeste, costo mínimo y Vogel. Antes de describir el procedimiento,
es necesario establecer que el número de variables básicas en cualquier solución básica de un
problema de transporte es una menos de la que se espera. Normalmente, en los problemas de
programación lineal, se tiene una variable básica para cada restricción. En los problemas de
transporte con m recursos y n destinos el número de restricciones funcionales es m+n. Sin
embargo el número de variables básicas = m + n-1 (Es decir las variables solución).

5.1.1 Método Esquina Nor-Oeste.

Este algoritmo o procedimiento está dado por los siguientes tres pasos:

Taha (2004) presenta el algoritmo Esquina Nor- Oeste :

Paso 1. Asignar todo lo más que se pueda a la celda seleccionada y ajustar las cantidades
asociadas de oferta y demanda restando la cantidad asignada.

Paso 2. Salir del renglón o la columna cuando se alcance oferta o demanda cero, y tacharlo, para
indicar que no se puede hacer más asignaciones a ese renglón o columna. Si un renglón y una
columna dan cero al mismo tiempo, tachar sólo uno (el renglón o la columna) y dejar una oferta
(demanda) en el renglón (columna) que no se tachó.

Paso 3. Si queda exactamente un renglón o columna sin tachar, detenerse. En caso contrario
avanzar a la celda de la derecha si se acaba de tachar una columna o a la de abajo si se tachó un
renglón. Seguir con el paso 1. (p, 178)

Ejercicio 5.1
Tenemos la tabla 5.1 correspondiente al ejercicio 5.1, donde tenemos que la oferta es: 15+25+10 =
50 y la demanda es: 5+15+15+15 =50. Los orígenes son Tumbes, Lima y Arequipa, para satisfacer
una demanda en Cajamarca, Madre de Dios, Cuzco y Loreto. Los costos de transporte son Ci,j
En este ejercicio tenemos = m =3 , y n= 4 , entonces m+n= 7

Variables solución = 7-1 = 6 , para no ser degenerada

Costos de transporte:

C1,1 = Tumbes – Cajamarca: = 10

C1,2 = Tumbes – Madre de Dios = 2

C1,3 = Tumbes – Cuzco = 20

C1,4= Tumbes – Loreto = 11

C2,1 = Lima – Cajamarca: = 12

C2,2 = Lima – Madre de Dios = 7

C2,3 =Lima – Cuzco = 9

C2,4= Lima – Loreto = 20

C3,1 = Arequipa – Cajamarca = 04

C3,2 = Arequipa– Madre de Dios= 14

C3,3 = Arequipa – Cuzco = 16

C3,4= Arequipa – Loreto = 18

Solución:
Costo total = 5x10+10x2+5x7+15x9+5x20+10x18= 520

Variables Solución son 6 : X1,1 = 5 / X1,2= 10 / X2,2 = 5 / X2,3=15 / X2,4= 5 / X3,4 = 10

5.1.2 Método del costo mínimo

El algoritmo del costo mínimo se utiliza tomando como base a las rutas que tengan el menor costo:
Taha (2004) nos refiere un algoritmo de costo mínimo que se puede explicar de la siguiente
manera:

Este método determina una mejor solución de inicio, porque se concentra en las rutas menos
costosas. Se inicia asignando todo lo
posible a la celda que tenga el
mínimo costo unitario ( los empates
se rompen en forma arbitraria) . A
continuación, el renglón o la columna
ya satisfecha se tacha, y las
cantidades de oferta y demanda se
ajustan en consecuencia. Si se
satisface en forma similar simultanea
un renglón y una columna al mismo
tiempo, sólo se tacha uno de los
dos, igual que en el método de la
esquina noroeste. A continuación se
busca la celda no tachada con el
costo unitario mínimo y se repite el
proceso hasta que queda sin tachar
exactamente un renglón o una
columna.
5.1.3 Método de Vogel.
Este método es heurístico y suele producir una mejor solución inicial que los métodos anteriores.
De hecho, suele producir una solución inicial óptima, o próxima al nivel óptimo.

Los pasos del procedimiento son los siguientes:

Taha (2004) muestra el algoritmo de Vogel:

1. Determinar para cada renglón (columna) una medida de penalización restando el elemento
de costo unitario mínimo en el renglón (columna) del elemento con costo unitario siguiente
al mínimo del mismo renglón (columna).

2. Identifíquese el renglón o columna con mayor penalización, rompiendo empates en forma

arbitraria. Asigne el mayor valor posible a las variables con el costo más bajo del renglón o
columna seleccionado. Ajústese la oferta y la demanda y táchese el renglón o columna
satisfecha. Si un renglón y una columna se satisfacen al mismo tiempo, sólo uno de ellos
se tacha y al renglón (columna) restante se le asigna una oferta (demanda) cero.

a) Si queda sin tachar exactamente un renglón o columna con cero oferta o demanda,
detenerse.

b) Si queda sin tachar un renglón (columna) con oferta ( demanda) positiva, determinar las
variables básicas en el renglón (columna) con el método de costo mínimo. Detenerse.

c) Si todos los renglones o columnas sin tachar tiene oferta y demanda cero asignadas,
determínese las variables básicas cero a través del método de costo mínimo. Deténgase.

d) En cualquier otro caso, seguir con el paso 1. ( p, 180)

 5.2 Método de solución óptima
5.2.1 Método de distribución modificada MODI
El método de distribución modificada o MODI es un método utilizado para encontrar una
solución óptima a un problema de transporte, partiendo de un problema básico factible, que
previamente se encontró con cualquiera de los métodos anteriormente descritos para este fin como
son: método Esquina Nor- Oeste, costo mínimo o Vogel.
5.2.2 Algoritmo MODI

Después de encontrar una solución factible básica con cualquiera

de los métodos anteriormente descritos se usa el siguiente
algoritmo para encontrar una solución óptima:
Taha (2004) explica el algoritmo MODI.

Paso 1: Usar la condición de optimalidad símplex para determinar la variable de entrada como
variable no básica actual que puede mejorar la solución. Si se satisface la condición de
optimalidad, detenerse. En caso contrario seguir con el paso 2

Paso 2: Determinar la variable de salida con la condición de factibilidad simplex. Cambiar la base y
regresar al paso 1.(P, 182)
 Video de Investigación de Operaciones
Para saber más
Ponemos a tu disposición tres videos cortos referentes a los métodos de solución básica ( Nor-
Oeste, costo mínimo y Vogel) , asimismo el método MODI de optimizar la solución básica. Te
invitamos a visualizar los vídeos para reforzar y ampliar los temas que hemos estudiado, estos
los encontrarás en la siguiente dirección electrónica:

Documento 1: “ Método Esquina Nor-Oeste, costo mínimo y voguel”

Dirección : https://youtu.be/FhDg5N4MF2U

Documento 2: " Método Modi”

Dirección: https://youtu.be/QYgP8pC0XTQ
Documento 3: " Método Modi”

Dirección: https://youtu.be/HKrIV9B_QaQ

Conclusiones
Con esta quinta semana has aprendido a tomar decisiones de transporte de mercadería
optimizando sus costos, utilizando modelos de investigación de operaciones que te ayudaran,
teniendo en cuenta que esta solución es solo una aproximación porque tendrá que validarse
primero con la realidad y luego con otros criterios como económicos, de marketing, entre otros.
Tema 06: Modelo de Control de Inventarios con Demanda
Independiente

Introducción
Uno de los elementos de la administración de producción más importantes es el control de
inventarios, ya que los inventarios es dinero convertido en materias primas, productos en proceso
hasta llegar a producto terminado, toda esa cadena es dinero invertido donde también hay que
incluir la cantidad de stock existentes en los almacenes, costos de mantenimientos, costos por
pedir a los proveedores, costos financieros si se realizaron préstamos bancarios, etc. Todos estos
costos representan un alto porcentaje del capital de trabajo, además de que sus niveles de stock
están ligados al nivel de servicio que la empresa ofrece a sus clientes. Por lo que la decisión de
controlarlos está completamente justificada y es un punto clave en la productividad de cualquier
empresa.

Un alto nivel de inventarios se ve reflejado en un alto nivel de “servicio al cliente” lo que traducido
significa que el cliente siempre tendrá lo que pide en el momento que lo requiera; esto obviamente
significa un alto costo para la empresa. En este punto existen criterios encontrados entre el
gerente de marketing y el gerente financiero, por un lado el gerente de marketing siempre
preferirá tener altos stock para cumplir los pedidos y el gerente financiero pedirá un mínimo stock
o por lo menos un stock con un nivel de servicio razonable para bajar los costos financieros. Por
otro lado producción prefiere trabajar a plena capacidad para bajar los costos fijos unitarios a su
mínima expresión, lo cual no es razonable sino se tiene en cuenta el mercado, ya que “mercadería
que no vendes equivale a plata que pierdes”.
6.1 Control de inventarios con demanda independiente
Una distinción importante en el control de inventarios es si la demanda es independiente o
dependiente. La demanda independiente está condicionada por las condiciones del mercado, fuera
de control de las operaciones. Es decir el mercado manda la demanda del producto. Por el
contrario la demanda dependiente se relaciona por la interdependencia que existe entre las partes
por ejemplo de un producto, así en operaciones si se quiere producir 10 vehículos, necesitaremos
4 puertas por cada vehículo, cuatro llantas , etc.

Schroeder (2011) nos explica su concepto de inventario de la

siguiente manera:
El inventario es un cumulo de materiales que se utilizan para facilitar la producción o para
satisfacer las demandas de los clientes. Los inventarios típicos incluyen la materia prima, la
producción en proceso y los productos terminados…….. . Nuestra definición de inventario es que
éste es un cúmulo o conjunto de materiales. Algunos autores lo definen como cualquier tipo de
recurso inactivo que tiene un valor económico potencial y que permite considerar a los equipos o a
los trabajadores inactivos como un inventario; sin embargo, los recursos inactivos aparte de los
materiales son una forma de capacidad. Desde una perspectiva administrativa y contable, es
esencial distinguir entre inventario y capacidad. La capacidad proporciona el potencial para
producir, mientras que el inventario es el producto en algún punto del dentro del proceso de
transformación y de distribución.

Los depósitos de inventario se localizan en diversos puntos dentro del proceso de producción, los
flujos de materiales conectan a un punto del inventario con otro. La tasa a la cual se repone el
inventario es la oferta, y la tasa de agotamiento del inventario es la demanda. El inventario actúa
como un amortiguador entre la tasa de oferta y la de demanda. (p, 357)

Todo administrador de inventarios debe pensar en dos decisiones que tomar, la primera se refiere
a la cantidad, es decir ¿Cuánto pedir u ordenar para volver a recuperar el stock?, y la segunda
pregunta es ¿Cuándo se debe pedir u ordenar?. El propósito de contestar estas preguntas es
para tomar la decisión que mejore la productividad y utilidades de la empresa.

En primer lugar se analizarán los modelos determinísticos de inventarios, en los que es razonable
suponer que la tasa de demanda del artículo es constante, o casi constante.

6.2 Objetivo General del control de inventario

Los objetivos de un sistema de control de inventario son entre los
principales

1. Minimizar el valor monetario del stock.

2. Minimizar los costos de mantenimiento del almacén

3. Minimizar las perdidas por daños, obsolescencia o por artículos perecederos.

4. Obtener un nivel razonable de inventario o nivel de servicio eficiente para que la

producción no carezca de materia prima, partes y suministros.

5. Tener una distribución eficiente de los inventarios, incluyendo las funciones de despacho y
recibo.

6. Tener un sistema eficiente de información del stock.

7. Proporcionar información sobre el valor de los inventarios a contabilidad.

8. Hacer compras de manera que se puedan lograr adquisiciones económicas y eficientes.

9. Hacer pronósticos sobre futuras necesidades de inventarios

6.3 Estructura de costos de inventario

La estructura de costos de inventario incorpora cuatro tipos de costo, según
Schroeder (2011):

1. Costo unitario del artículo: es el costo derivado de comprar o producir los artículos
individuales de inventarios. Su unidad de medida es ($/unidad).

2. Costos de ordenar o pedir: es el costo relacionado a la adquisición de un grupo o lote de

artículos, también se dice que es el costo de las acciones necesaria para realizar una
nueva compra. Este costo de pedir no depende del número de artículos que tenga el lote
respectivo, sino que está asociado a las actividades de hacer el pedido si es desde el
punto de vista de comprar, o de los costos de transformar el sistema (costos de set up) y
adecuarlo a la fabricación de un nuevo lote o corrida de producción. Su unidad de medida
es ($/orden).

3. Costos de mantener o poseer inventarios: este costo está asociado a la permanencia

del artículo durante un período de tiempo. Su valoración se determina en función del
tiempo almacenado y del valor del bien involucrado.
 Por lo tanto, el costo de mantener, involucra aspectos tales como:

o Costo de capital.

o Costo de almacenamiento.

o Costo de obsolescencia y pérdida.

4. Costos de inexistencia: son los costos que reflejan las consecuencias de quedarse sin
material en un determinado momento.

Entre estos costos podemos indicar:

o Falta de materia prima (debido a paro de la producción, mano de obra ociosa,

etc...).

o Falta de productos terminados (perdida por no ventas, necesidad de

subcontratación, pérdida de prestigio frente a clientes, etc...).

o Falta de repuestos.

Su unidad de medida es ($/unidad).

6.4 Modelo determinístico control de inventario de cantidad

económica de pedido EOQ
6.4.1 Modelo del lote económico EOQ

Para la aplicación de este modelo se tiene en cuenta las siguientes

suposiciones:
1. La tasa de demanda es constante, recurrente y conocida
 2. El tiempo de entrega es constante y se conoce

3. No se permiten inexistencias

4. El material se adquiere o produce en lotes, el cual se coloca en inventario a la vez

5. La estructura de costo es: el costo unitario es constante, el costo de mantenimiento

depende en forma lineal del nivel promedio de inventario. Existe un costo fijo para ordenar
la compra y no depende de la cantidad pedida.

6. El artículo es un producto singular; no existe interacción con otros productos ( relaciones

que cambien los supuestos anteriores).

El lote económico EOQ (Economic Order Quantity) o Orden Económica de Pedido, es una fórmula
que nos da la cantidad de producto a comprar o producir bajo los supuestos anteriormente
establecidos. A continuación trabajaremos la fórmula del lote económico como sigue:

D= Tasa de demanda, unidades por año

S= Costo de pedido o colocación de orden soles por año

C= Costo unitario, soles por unidad

i = Tasa de interés por llevar el inventario, porcentaje del valor en soles al año

Q= Tamaño de lote, unidades

n= Numero de pedidos al año

P= Tiempo entre cada pedido = 1/n

TC= Total costo de ordenar la compra más costo de inventario

6.4.2 Ejercicio clásico
de lote económico
La demanda anual de gaseosas en un restaurant 360 cajas , cada vez que se tiene que realizar un
pedido se incurren en S/.10 por cada pedido, la tasa de mantenimiento del stock anual es del 25 %,
y cada caja cuesta S/. 8.00, calcular: el lote económica, cuantos lotes al año y la frecuencia de
compra. Se trabaja 200 días al año y el proveedor demora 5 días en entregar el pedido.

De acuerdo a formula:

Debe comprar lotes de 60 cajas

Cuantos lotes al año (n) : Demanda / tamaño de lotes = 360 /60 = 6 lotes al año

Frecuencia (P) : 12 meses / (6 lotes al año) = 2 meses, cada dos meses

Costo por ordenar la compra = (10x360)/ 60 = 60

Costo de mantener el inventario = (0.25x8)x(60/2) = 60

Costo de inventario anual = 360x 8 = 2,880

TC= 60+60+2880= 3,000

Nota: Si los cálculos están bien realizados tenemos que:

Costo por ordenar compra = Costo por mantener el inventario

Supongamos que para abastecer el producto el proveedor se demora 5 días ¿Cuál sería el punto
de reorden?

Tiempo de abastecimiento = L = 5 días

La demanda diaria sería= 360/ 200 = 1.8 cj / día

En 5 días se necesitaran = 1.8 x 5 = 9 cj

El punto de reorden o pedido sería de 9cj, es decir cada vez que el stock se encuentre en 9cj el
administrador tendría que realizar un pedido.

6.5 Sistema control de inventario con demanda

aleatoria
6.5.1 Sistemas de revisión continua
En este sistema se realizan controles constantes del nivel de stock. Cuando debido al consumo se
llegue a un nivel mínimo (punto de pedido, s), se emitirá un pedido de medida fija Q (lote
económico). El punto de pedido intenta equilibrar los costes opuestos de ruptura y posesión de
stocks, mientras que el tamaño del lote económico se calcula para conseguir el equilibrio entre los
costes de lanzamiento y los de posesión. Este es el método que siguen los modelos EOQ. L es el
tiempo de aprovisionamiento. Se está considerando un cambio con el modelo del lote económico
que es que la demanda es aleatoria.
El punto crítico de análisis
es el comportamiento de la demanda durante el tiempo de entrega (L), para esta suposición
consideramos las estadísticas para su desarrollo y el nivel de servicio de atención. Definimos nivel
de servicio como “la probabilidad de que todos los pedidos sean surtidos con el material
almacenado durante el tiempo de entrega del reabastecimiento de un ciclo de reorden”

El punto de reorden se define : S= m + s

m = demanda media promedio durante el tiempo de entrega

s= inventario de seguridad

El inventario de seguridad se define: s= z . σ

Donde : Z= factor de seguridad

σ = desviación estándar de la demanda durante el tiempo de entrega

Reemplazando S= m + s = m + z . σ

Los valores de “z” salen de la tabla de distribución normal de acuerdo al nivel de servicio requerid

6.5.2 Ejercicio tipo sistema revisión continua.

Una dulcería tiene una demanda promedio de 200 cajas de chocolate al día, el tiempo de
reabastecimiento es de 4 días, la desviación estándar diaria de la demanda es de 150 cajas, y
su nivel de servicio deseado es del 95%.

S= S/.20 por orden

I= 20% al año

C= s/. 10 por cj.

La dulcería abre 250 días al año.

Calcular su lote económico y su punto de orden.

Solución:
Demanda anual = 250*200 = 50,000 cj / año

6.5.3 Sistema de revisión periódica

Se realiza una revisión en instantes concretos, tras intervalos temporales de igual longitud
(período de revisión, T). Después de la revisión se lanza una orden de pedido, la cantidad de la
cual es determinada a partir de la diferencia entre la cobertura S y el nivel de stock observado.
6.5.4 Ejercicio tipo sistema de revisión periódica
Del mismo caso del ejercicio 8.4.1 tenemos

Video de Investigación de Operaciones

Para saber más

Ponemos a tu disposición tres videos cortos referentes a los métodos de solución básica (Nor-
Oeste, costo mínimo y Vogel) , asimismo el método MODI de optimizar la solución básica. Te
invitamos a visualizar los vídeos para reforzar y ampliar los temas que hemos estudiado, estos
los encontrarás en la siguiente dirección electrónica:

Documento 1: “ Método del lote económico EOQ”

Dirección : https://youtu.be/C6z5QKwr1ys

Documento 2: "Método del lote económico EOQ”

 Dirección: https://youtu.be/xIufx22HA6Q

Documento3: “ Método del lote económico con tiempo de atención”

Dirección: https://youtu.be/PPxkrUgVMGA

Documento4: “ Método del lote económico EOQ”

Dirección: https://youtu.be/QNkpbIymkHo

Documento5: “ Control de inventario con sistema de revisión continua

Dirección: https://youtu.be/FUGVbrmXp0o

Documento6: “ Control de inventario con sistema de revisión periódica

Dirección: https://youtu.be/VoA3X5ObYZs

Lecturas recomendadas
Para saber más

Ponemos a tu disposición y te invitamos a revisar dos interesantes documentos que te ayudaran a

reforzar y ampliar los temas que hemos estudiado, estos los encontrarás en la base de datos e-
libros que utiliza nuestra universidad:

Documento 1: e-libro Investigación de Operaciones

Autor : Chediak Pinzón, FranciscoAlonso

Editorial : Universidad de Ibagué

Año : 2012
Documento 1: e-libro Investigación de Operaciones: Programación lineal. Problema de
transporte. Análisis de redes .

Autor : Kong, Maynard

Editorial : Fondo Editorial de la Pontificia Universidad Católica del Perú

Año : 2010
Tema 07: Modelo de Línea de Espera

Introducción

La vida cotidiana lleva consigo que tengamos que hacer colas cuando necesitamos un servicio, por
ejemplo, colas para pagar en un super mercado, colas para pagar en una farmacia, para ver una
película, colas para lavar el carro, colas para subir al metro, colas para un servicio estatal sea
Municipalidades, Sunat, Sunarp, o para servicios bancarios, etc. Bueno el problema que causa a
las personas las colas es el mismo, Stress, pérdida de tiempo que podrías emplearla en algo más
productivo, cansancio, inclusive dejar la cola para buscar un sustituto del servicio o producto que
buscas si es que lo hubiera; en éste caso se trataría de una perdida potencial de clientes, y por lo
tanto la posibilidad de que las utilidades bajen.

Tenemos que hacer cola para que nos atiendan y tal vez otra para pagar. Casi siempre pensamos
que estamos perdiendo el tiempo y a veces nos vamos a otro proveedor del servicio porque no
queremos seguir perdiendo más tiempo. Es en este punto, que el administrador del negocio tiene
que reflexionar entre mejorar el servicio colocando nuevos puntos (cajeras, médicos, técnicos, etc.)
para mejorar la calidad o pagar las consecuencias de perder los clientes. El estudio de las colas es
importante porque proporciona tanto una base teórica del tipo de servicio que podemos esperar de
un determinado recurso, como la forma en la cual dicho recurso puede ser diseñado para
proporcionar un determinado grado de servicio a sus clientes.

Debido a lo comentado anteriormente, se plantea como algo muy útil el desarrollo de una
herramienta que sea capaz de dar una respuesta sobre las características que tiene un
determinado modelo de colas.

La respuesta es casi siempre simple, en algún momento la capacidad de servicio ha sido (o es)
menor que la capacidad demandada. Esta limitación se puede eliminar invirtiendo en elementos
que aumenten la capacidad. En estos casos la pregunta es: ¿Compensa invertir? La teoría de
colas intenta responder a estas preguntas utilizando métodos matemáticos analíticos
Mapa conceptual
Observa detenidamente el siguiente esquema, en el encontrarás de un “vistazo” de manera
sintetizada los principales concepto de la temática que abordaremos.

¿Qué conceptos o categorías te llaman la atención?

7.1 Descripción de un modelo de colas
Krajeuski, Ritman, Malhotra (2008) nos dicen al respecto de la formación de
colas:

Se conoce como fila de espera una hilera formada por uno o varios “clientes” que esperan a recibir
un servicio. Los clientes pueden ser personas u objetos inanimados, como máquinas que requieren
mantenimiento, pedidos de mercaderías en espera de ser enviados, o artículos del inventario de
espera de ser utilizados. Las filas de espera se forman debido a un desequilibrio temporal entre la
demanda de un servicio y la capacidad del sistema para suministrarlo. En la mayoría de los
problemas de filas de espera que se presentan en la vida real, la tasa de demanda varía; es decir,
los clientes llegan a intervalos impredecibles.
Lo más común es que también haya
variaciones en la tasa de producción del
servicio, dependiendo de las necesidades del
cliente.(p, 292)

Esto implica que si la tasa de llegada es mayor

que la tasa de servicio, la cola crecerá; la cola
es en sí una línea de espera, la teoría de colas
son modelos matemáticos que simulan un
sistema o procesamiento, para determinar
mediante fórmulas en estado estacionario que
simulen la realidad, y encuentren tiempos
adecuados de procesos (nivel de servicio) vs
costos.

Existen diversidad de sistemas de colas, cada

sistema simplifica una realidad de procesos,
clientes que esperan ser atendidos, las colas
pueden ser sencillas o como un sistema de
colas interconectadas formando una red de
colas. En la siguiente figura podemos ver un
ejemplo de modelo de colas sencillo. Este
modelo puede usarse para representar una
situación típica en la cual los clientes llegan,
esperan si los servidores están ocupados, son
servidos por un servidor disponible y se
marchan cuando se obtiene el servicio
requerido.
7.2 Objetivos de la teoría de colas

Objetivos de la Teoría de Colas

Los objetivos de la teoría de colas consisten en:

 Identificar el nivel óptimo de capacidad del sistema que minimiza el coste global del mismo.

 Evaluar el impacto que las posibles alternativas de modificación de la capacidad del

sistema tendrían en el coste total del mismo.

 Establecer un balance equilibrado (“óptimo”) entre las consideraciones cuantitativas de

costes y las cualitativas de servicio.

 Hay que prestar atención al tiempo de permanencia en el sistema o en la cola: la

“paciencia” de los clientes depende del tipo de servicio específico considerado y eso puede
hacer que un cliente “abandone” el sistema.

7.3 Elementos existentes en la teoría de cola

Taha (2004) dice sobre los elementos comunes que tienen los
diferentes modelos de colas:
Los actores principales en una línea de espera o cola son el cliente y el servidor. Los clientes se
en una fuente. Al llegar a la instalación pueden recibir servicio inmediato, o esperar en una cola o
línea de espera, si la instalación está ocupada. Cuando en una instalación se termina un servicio,
en forma automática se “atrae” a un cliente que espera, si lo hay, de la cola. Si la cola está vacía, la
instalación se vuelve inactiva hasta que llega un cliente nuevo.

Desde un punto de vista del análisis de las colas, el proceso de llegada se representa con el
tiempo entre llagadas, de los clientes sucesivos, y el servicio se describe con el tiempo de servicio
por cada cliente. Por lo general, los tiempos entre llegadas y de servicios pueden ser
probabilísticos o determinísticos.

El tamaño de la cola, desempeña un papel en el análisis de las colas, y puede ser finito, como en
el área de reserva entre dos máquinas consecutivas, o pueden ser infinitos, como en las
instalaciones de pedido por correos.

La disciplina de la cola, que representa el orden en el que se seleccionan los clientes de una
cola, es un factor importante en el análisis de los modelos de colas. La disciplina más común es la
primero en llegar, primero en servirse ( PLPS; también FCFS, del ingles first come, first served).
Entre otras disciplinas están ultimo en llegar, primero en servirse (ULPS; también LCFC de last
come, first served), y de dar servicio en orden aleatorio ( SEOA; también SIRO, de service in
ramdom order). También, los clientes se pueden seleccionar en la cola con base en cierto orden de
prioridad. Por ejemplo, los trabajos urgentes en un taller se procesan antes que los trabajos
normales.

El comportamiento de los clientes en espera juega un papel en el análisis de las líneas de espera.
Los clientes “ humanos” se pueden saltar de una cola a otra, tratando de reducir la espera.
También pueden rehusar totalmente a la cola por haber esperado demasiado.

El diseño de la instalación de servicio puede comprender servidores en paralelo (por ejemplo, el

funcionamiento de la oficina de correos). Tambien, los ordenadores pueden ordenarse en series
( por ejemplo, cuando los trabajos se procesan en máquinas sucesivas) o bien pueden formar una
red ( por ejemplo, los enrutadores en una red de computadoras).

La fuente donde se generan los clientes puede ser finita o infinita. Una fuente finita limita a los
clientes que llegan al servicio ( por ejemplo, las maquinas que piden el servicio de
mantenimiento) . También, una fuente infinita es abundante por siempre ( por ejemplo, las llamadas
que llegan a una central telefónica).

Las variaciones de los elementos de un caso de colas dan lugar a diversos modelos de colas.
(p,581)

7.4 El modelo básico M/M/1

Imagínese una cola de espera para el uso de una fotocopiadora en un trabajo, tenemos la cola de
espera para el servicio, la persona usando el servicio y el objeto que realiza el servicio (la
fotocopiadora).

En este sistema el administrador desea conocer:

La cantidad de personas en el sistema: Las que están recibiendo el servicio actualmente, así como
las que lo están esperando.

a) El número de personas en la fila: Los que están esperando el servicio.

b) El tiempo de espera: : Lapso que media entre momento que un individuo entra en el sistema y el
momento en que sale. El lapso incluye la duración del servicio.

c) El tiempo de espera en fila: Tiempo que media entre el tiempo de entrar al servicio y el tiempo de
inicio del servicio

Se debe tener en cuenta que cada modelo de cola tiene sus propias fórmulas matemáticas.
7.4.1 Definiciones del modelo básico M/M/1
Cada llegada de un cliente es una “tarea “, como cada llegada es independiente y no conocemos
su momento de llegada decimos que es probabilística, por lo tanto decimos que para este caso
tiene una distribución exponencial al igual que el tiempo de servicio, para nuestro modelo
distribución exponencial es también la distribución de Poisson. De la Fig. 6.2 definimos lo
siguiente:
7.4.2 Formulas del modelo básico

7.4.3 Ejemplo de la fotocopiadora

7.5 Ecuación de flujo de Little
 7.6 El
modelo

generalizado
Aunque la distribución exponencial describe muy bien el proceso de llegada, en algunas ocasiones
no se adapte muy bien al proceso de servicios, por lo que se desarrolló un modelo generalizado del
modelo básico, donde la distribución de tiempo de servicios es arbitraria; es decir ni siquiera es
necesario conocer el tipo de distribución del tiempo de servicio. Este modelo solo necesita conocer
su media, 1/ λ y su desviación estándar σ2 . La siguiente tabla 6.2 nos muestra las fórmulas de
este modelo:
7.6.1 Ejercicio de aplicación del modelo generalizado
Supongamos que tenemos que decidir contratar a una secretaria entre dos candidatas, una tiene
un tiempo de 15 minutos por tarea (muy constante) y la otra tiene una duración de 14 minutos pero
con distribución exponencial. Las tareas llegan a un ritmo de 3 documentos por hora
7.7 Modelo una cola varios servidores M/M/S

Se debe tener en cuenta de no confundir una cola con varios servidores, es

diferente de varias colas varios servidores
7.7.1 Ejercicio tipo M/M/S
7.8 Taxonomía de los modelos de espera

Con el paso del tiempo se ha implantado una notación para representar los problemas de colas
que constan de 5 símbolos separados por barras. (Notación Kendall)

A / B / X /Y / Z

A: indica la distribución de tiempo entre llegadas consecutivas

B: Indica al patrón de servicio de servidores

X: es el número de canales de servicio

Y: es la restricción en la capacidad del sistema

Z: es la disciplina de cola

Las distribuciones típicas entre otras de entrada de cola y servicios son :

M = Exponencial

D= Determinantica

Ek = Erlang tipo k (k=1,2.3,….)

G= General
7.9 Fórmulas para sistemas más comunes
Video de Investigación de Operaciones
Para saber más

Ponemos a tu disposición cuatro videos cortos referentes a la teoría de colas, encontraras

ejercicios comunes de sistemas M/M/1 y M/M/S. Te invitamos a visualizar los vídeos para reforzar
y ampliar los temas que hemos estudiado, estos los encontrarás en la siguiente dirección
electrónica:

Documento 1: “Teoría de colas”

Dirección: https://youtu.be/jb3_zvj0w_c

Documento 2: " Conceptos básicos de teoría de colas”

Dirección : https://youtu.be/GuiMiHqJuCg
Documento3: " Ejercicio de colas1”

Dirección: https://youtu.be/t3x2KinUqAA

Documento 4: " Ejercicio de cola2”

Dirección: https://youtu.be/AxVTQTRDVbk

Conclusiones
Con esta séptima semana has aprendido a tomar decisiones acerca de la cantidad de
servidores o puntos de servicios se deberán colocar, para tener un nivel de servicio y costo
razonable aceptable por la empresa para balanceado el criterio de costos versus
satisfacción del cliente.