2.

INVESTIGACIN DEQPERACIONES

La investigacif'.l de operaciones tiene sus orfgenes, en la segunda guerra mundial, en

1937 en Gran Bretaa, matemticos, ingenieros y Qient(ficosse unierbn para estudjar la
1

estrategia de defensa del pafs. El objetivo principal, era determinar la forma ms

efectiva de utilizar los limitados recursos militares. Las a~vic;tades de este gr;upo que
formaba parte del personal operativo de la organiacn militar 'btriica, se
denominaron: investigacin de operaciones (militares).
Los xitos alcanzados motivaron a ros E.U. de Amrica a emprender este tipo de
estudios. Ambos grupos trabajaron con xito en el e~tudio de prpblemas logrsticos
complejos, el desarrollo de patrones de vuelo para aviones, la pla'neacin de maniobras
1
navales y el uso efectivo de recursos militares.

Despus de ra gaerra, se hizo claro que muchos de los problemas enfrentados desde el
punto de vista blico, se asemejaban a situaciones de conflicto en las empresas. Los
mtodos y tcnicas encontrados se empezaron a utilizar en la'dcad de 1950, cuando
se pudo disponer comercialmente de comptadores. 11 -
Existen dos corrientes con respeeto a la investigacin en esta 'rea. Unir tradiclonaJ,
que conserva el nombre de investigacin de operaciones .o investigacin operaconet u
operativa y otra que se eonoce con el nombre de Ciencias de la administracin
(Management Sciences).
~
A partir de la dcada de 1960, _se empezaron a aplicar 'f des~r:rollar .con ~xito dversos
modelos de l. de O. Esto se debi en parte a la nueva generacin de profesionales que
salieron de fas universidades pioneras en este tipo de ensenanza.

La 1.0. permite responder a preguntas hipotticas, lo cual facilita la toma de decisiones

en las organizaciones. Es el tipo de pregunta: qu pasara si. ..

Las reas ms comunes en fas cuales se ha aplicado son:

Produccin, compras. mercadotecnia, contabilidad, planeacin financiera, inventarios,
problemas de asignacin, reemplazo de equipos, lneas de espera, teorfa de
decisiones. simulacin de sistemas.

La l. de O., en su parte prctica, es una herramienta administrativa por excelencia.

Debido a su gran xito, es posible creer que con ella se puedan enfrentar la mayora de
los problemas que se presentan en las organizaciones. Nada ms equivocado. Existe
un aspecto blando en las relaciones humanas que imposibilitan, al menos hasta el
momento, su anlisis bajo tcnicas de carcter matemtico.

Por lo anterior, debe quedamos claro que su aplicacin es posible en situaciones en las
cuales tengamos un conocimiento medible de los objetivos a seguir, de la estructura
que identifica a la situacin bajo estudio y de la incertidumbre que pueda rodear las
decisiones a tomar.

6
Incluso, lo anterior sigue siendo vlido an en el caso de la llamada investigacin de
operaciones blanda que intenta incursionar en los aspectos complejos de la actividad
humana.
 3. MODELOS

Al enfrentar una situacin real, compleja en sf, no nos es posible, ni es cenvenente,

considerarla en toda su magnitud. Tenemos limitaciones de percepcin y de
conocimiento, por una parte y en general no todas las variables o manifestaciones de lo
observado es de importancia cuando se realiza un estudio particular. Para obviar lo
anterior se recurre a los modelos, lo que generalmente se hace, es representar la
situacin que nos interesa mediante un modelo.

Un modelo es, un intento de reflejar y explicar el comportamiento de una situacin que

es de nuestro Inters; se debe subrayar que se trata de representar una realidad y en
ello se debe ser muy cuidadoso.

Gran parte de lo que conocemos del mundo que nos rodea, se debe a nuestros
sentidos. La informacin que tengamos de l, los valores (incluyendo los prejuicios) que
hayamos desarrollado de acuerdo con la cultura en la cual estemos inmersos as como
nuestro lenguaje, influyen notablemente en la forma en que percibimos los fenmenos.
Realidad y percepcin de la realidad son dos situaciones casi siempre distintas, aunque
evidente en s, en la historia de la ciencia han existido casos en los cuales estas dos
situaciones han sido confundidas.

Mediante qu proceso nos aproximamos a 10 real?"

En primer lugar, nuestros pensamientos son abstracciones de nuestra percepcin del

mundo, estos pensamientos slo se refieren a aquellos aspectos que consideramos
como ms importantes entre todos los aspectos que, tericamente, podrlan definir el
fenmeno: una aproximacin sera mejor que otra en la medida en que sea ms
explicativa y ms predictiva. El valor de un modelo se mide por su grado de explcacin
del fenmeno que intenta explicar.

Posteriormente, esta interpretacin (percepcin) es "modelada", "estructurada", es

decir, puesta de alguna forma coherente y con significado, cuando esta
conceptualizacin, que llamaremos "modelo" se puede "materializar" de alguna manera
(expresiones verbales, diagramas, objetos flsicos. ecuaciones) se est en capacidad de
manipularla y en algunos casos, de resolver los problemas que el modelo plantea.

Podramos resumir lo anterior en la secuencia: percepcin, interpretacin,

conceptualizacin y modelado; aunque est expresada en forma lineal, cada uno de
estos pasos, se interrelaciona con los otros, enriquecindose, de esta manera, se
genera el proceso de adquisicin de conocimiento.

Este proceso del modelado, se Ilustra mediante el siguiente diagrama y en el que se

destacan los puntos donde es factible introducir errores de concepcin.
 Figura 1. Proceso de modelado
t::.S).'.EXO
~.l.l.
~__- --_.. ,_ _ _ _ 1 err;ic 1
,...,.-- ._

:>-:E?2R~:.~.co:: :JEL
~~~O , ..,,

--~---_- 1 ~rrcr 1
?REs::c.l.c:::
CO'.\:O '.\~OD:::LO

sou;c:ox :)~ - - - - - -
-
.EJ
:'.'-. !O:>:::LO

3.1 CLASIFICACIN DE LOS MODELOS

3.1.1 Modelo mental: arreglo de un saln

3.1.2 Modelo a Escala: Es una representacin del objeto real
3.1.3 Modelo matemMtco: Expresa una relacin matemtica
3.1.4 Modelos de simulacin: es una tcnica manipulada fuera de su contexto y a su
vez una herramienta de 1.0.

Otra clasificacin posible de los modelos es por el tema; desde este punto de vista,
pueden ser sicolgicos, sociolgicos, ffsicos, matemticos, econmicos, mdicos, administrativos.

3.1.5 Descriptivos: Permite conocer las situaciones. costumbres y aptitudes de

actividades, objetos, personas, procesos, etc.
3.1.6 Nonnatlvos: Acciones que se deben tomar para alcanzar los resultados
deseados.
3.1.7 Deterministicos: Las relaciones o parmetros son conocidos.
3.1.8 Estocsticos: Hay incertidumbre, probabilidad

Fases usuales no secuenciales de un estudio de 10:

Definicin del problema de inters y recoleccin de datos

Objetivos apropiados
Restriccones
 Acciones a seguir
Lmites de tiempo para la toma de decisiones
Extraccin de datos
Preparacin para aplicar el modelo
Instalar un sistema bien documentado
Interfaces , interaccin con el usuario
Sistemas interactivos, llamados sistemas de apoyo para las decisiones
Implementacin
Etapa crtica
Correcciones
Etapas
Nuevo sistema con realidad operativa
Capacitaciones
Supervisin
Retroalimentacin de funcionamiento
Documentacin de la metodologfa
Conclusin
Ingenio e innovacin

f.

e
 4. QU ES P.TIMIZAR ?

Es maximizar o minimizar uno o varios objetivos.

1 Es hacer ms con os-msrnos-recursos.
Es hacer lo mismo con renos reecrscs.
Es cambiar recursos ineficientes por recursos eficientes.
E.s eliminar recursos existentes que afectan gativamente el sistema.

4.1 PORQU PTIMIZAR?

Porque existen recursos en las organizaciones que no estn siendo

aprovechados adecuadamente.
Porque no se alcanzan los resultados deseados con los recursos disponibles.
Porque se tienen recursos Ineficientes o que no se necesitan.
Porque se requiere aumentar la competividad a costos eficientes de inversin,
operacin y mantenimiento.
Porque existe una exigencia creciente de sistemas y procedimientos ms
eficientes.

4.2 OPTIMIZACIN

Es la rama de ta matemtica aplicada, que se ocupa de ta determinacin de las

mejores soluciones, respecto a un objetivo, para ciertos problemas que pueden ser
matemticamente modelados y para los cuales existen modelos bien deflnidos. Es una
herramienta importante para la toma de decisiones que involucra desarrollo de modelos
matemticos que representen lo ms fielmente del problema de la vida real, el
problema matemtico puede o no representar el problema de la vida real.

4.2.1 Medidas cuantitativas de desempefto del sistema bajo eatudlo

Estudio de criterios de optimalldad. Los problemas de ingenieria tienen objetivos

comunes como: minimizar el costo de inversiones, minimizar el costo de operaciones,
minimizar el costo de mantenimiento, maximizar los beneficios econmicos, etc.; debe
decidirse que objetivos interesan en un caso en particular y la prioridad que se debe
dar cada uno de ellos.

4.2.2 Componentes de un problema de optimizacin

4.2.2.1 Variables de decisin: Decisiones Cuantificables sobre las que se ejerce

control, por ejemplo: ruta que debe seguir un vehlculo de transporte masivo.
localizacin y nmero de paradas, nmero de vehfculos, precio de pasaje.
4.2.2.2 Funcin Objetivo: Medidade la efectividad buscada expresada en funcin de
las variables de decisin, es lo que se minimiza o se maximiza.

4.2.2.3 Restricciones: Factores que limitan-, los valeres que pueden asumir las
variables de decisin, por ejemplo: capacidad mxima de cada vehcelo.

4.2.2.4 Parmetro: Dato$ ~ recursos que asumen valores constantes y ~ue forman
los coeficientes de las variables, por ejemplo, velocidad de desplazamiento, costo de
operacin por kilmetro.
 6 5. PROGRAMACIN LINEAL

"Es una tcnica o mtodo cuyo objetivo es la solucin ptima de problemas en los
cuales intervienen recursos limitados entre .actiVida~es competitivas.

Es un mtodo matemtico que permite asignar una cantidad fija de recursos a la

satisfaccin de varias demandas, de tal forma que mientras se optimiza algn objetivo,
se satisface otras condiciones definidas~1 L

.
5.1 APLICACIONES PARA LA :f OMA . DE DICIONES

Problemas de:
Transporte
Asignacin o distribucin de.. perscnal o mquinas
Produccin
Proveedores
Agente viajero
Control
Anlisis de actividades
Formulacin de dieta

5.2 ALGUNAS AREAS DE APLICACIN

Agricultura
Industria qufmica
lriduStria de papl
Industria de hierro
Aerolf neas
Gobiemo
Industria de petrleos

Consideremos el siguiente problema.

Una empresa agrfcola produce tres tipos de motores de diferente potencia que
denomina: "liviano", "medio" y "pesado". El precio de venta de cada unidad de motor
tipo "liviano es de $8'500.000, el de un "medio" de $9'5000.000 y ei de cada "pesado"
de $10'000.000. El tiempo de produccin de en 1Mano" es de 4.0 horas, mtentras que
el de un tractor "medio es de 5.0 y el de un "pesado" es de 5.5 horas. La empresa
puede operar cuando ms, 120 horas por mes. Un tractor tipo "pesado" produce una
contaminacin ambien~I de 1.2 veces superior a la de un "liviano" y un "medio" de 1.1
veces ms que la de u11 "liviano. El punto ae equilibrio de 'ta empresa (Ingresos

1
Angel Len. Manual Prctico 10.
 mlnimos para operar sin prdida) es de $100'000.000. Se desea encontrar la
produccin mensual que minimice la contaminacin.

Como lo que se desea conocer es la pr.odtJcein de. motores, denominemos por Xt el

nmero de motores de tipo liviano a producir, por Xm el de motores tipo mediano y Xp el
de motores pesados.
, ..
El objetivo, es decidir la produccin de motores con el-fin de producir el.menor impacto
ambiental posible. Esto podemos expresarlo matemticamente mediante la ecuacin:

Minimizar z = 1.' >4 + 1 '.f Xrii ~ 1 :2

Xp

Esto se conoce como la funcin objetivo.

Las ventas totales deben estar por encima de los $1oomillones: Por lo tanto la
ecuacin correspondiente es:

8.500.000 X1+9.500.000Xm+10.000.000 Xp 2: 100.000.000 . ,

Esta es una de las restricciones del problema. En general representan las limitaciones
de los recursos escasos, dinero en este caso.

El otro recurso escaso es el tiempo, se dispone de 120 horas para la produccin, por lo
tanto podemos escribir:

4.0 .X, + 5.0 Xm + 5.5 Xp S 120

Finalmente, no se pueden producir cantidades

X12: negativas
O, Xm~ de
Xp2:ll')Q~ores,
o. por lo que'
anadlremos:

El modelo correspondiente a este problema es:

Min z = 1.0 .x,+ 1.1Xm+1.2 Xp

Sujeto a:
, '
8.500.00.0 )(,+ 9.500.000 Xm + 10.000.000 Xp 2: 100.000.000
4.0 Xt + 5.0 Xm + 5.5 Xp s 120

X12: O, Xm 2: O, Xp 2: 0.

Obsrvese que tanto. la funcin obje~vo como las restri~_io~es son funciones lineales,
es decir todas las variables (las Xt ) son elevadas a la potencia uno.

14

- ----------- ---- ----

5.3 POSTULADOS BSICOS DE LA PROGAMACIN LINEAL

Cuatro son los postulados que debe cumplir un modelo de programacin lineal:

5.3.'1 Pbtulado d dlvlslbllldal: Este postuldo establece que cualquier producto

puede ser elaborado ncualquier antidad positiva, es decir, puede existir fraccin de '
producto, mientras existan recursos para hacerlo. '

Asf, en.~el problema anterior una solucin puede ser >4 = 2.3, X'm = 4.7 y Xp = 3.8.
Eviaetement no tjene Sentido pr9ducir 2.3 motores livianos por mes, sin embargo
esto' tiene varias po~lbie.sjustifieaciones.
. - ; . l
.

2.3 motores livianos por mes significa 2.3 motores cada 1 O meses o que la' produccin
debe ser de ~ motores liviar:i9s por mes y en proceso quedaria un 30% de la .
producciori, que se compfefarra en el siguiente1
mes. n

Ms complejo, es la interpretacin desde el punto de vista de la funcin objetivo. La

contaminacin de un motor liVian es de 1 unidsd:' dos motores producirfan 2.0
unidades de contaminacin, pero acaso podemos asegurar que 2.3 motores livianos
contaminan en 2.3 1-mida~es?

Los modelos de programacin lineal, pese a su carcter matemtico, son modelos

cualitativos ms que cuantitativos. U~ ..produccin de 2.~ motores no debe .tq111a~ en. _
cuenta literalmente. La gerencia debe pesar otros factores no Incluidos en el modelo,
como por ejemplo la inexactitud en los clculos (Realmente. la contaminacin de un
motor mediano es 1.1 o esto es slo una !ilproxlmacin. un. promedio? Y es
exactamente 5.5 horas el tiempo de produccin de un motor pesado"!).
. .
Consideraciones de este tipo, permiten relajar un poco el impacto de la exigen'cia de
divisiblidad en los resultados.
;..
De todas maneras, si no es posible aceptar soluciones fraccionadas, se
tendr que
recurrir a otro tipo de tcnicas como el de la programacin entera que resue!ve.
problemas en los cuales los valores de las variables deban ser estrictamente nmeros
enteros.

5.3.2 Postulado de aditlvidad y proporcionalidad: Cuando se utiliza un mismo

recurso el consumo total del mismo, es la suma de los consumos Individuales de cada
producto y el recurso es consumido en forma directamente proporcional a la cantidad
de cada bien producido.
' ~ '

Asr, un motor liviano consume 4.0 horas por mes y uno mediano 5.0 horas por mes; por
lo tanto la produccin de un motor liviano y uno mediano consumirn 9.0 horas
mensuales. Adems, producir dos motores livianos, deben consumir 8 horas

15
mensuales y 3 pesados 16.5. Esto explica la restriccin con respecto al recurso horas
mensuales.

En esencia, no existen economfas de escala en donde los bienes puedan interactuar

reduciendo et consumo.
. '
5.~.3 Postulado de finitud: El nmero de. productcs, asi como ~I d~ .fe~~o.s, es.
finito. En el' ejemplo, son tres productos y los recursos (costos de prodlccin y horas
disponibles) son limitados.

Por otra parte, el proceso productivo debe ser ptimo, esto quiere decir, en el
ejemplo, qu~ se posee un procedimiento excet~nte par~ producir los motores. No
tiene sentlqo utilizar modelos matemtic0s, si se pueden lograr mej9ras mediante
prq~dimintos menos finos, como por ejemplo mejorar los mtodos de trabajo, reparar
una maquinaria defectuosa, etc.

En forma un poco forzada, un proceso d,a optl11'1zacin mate~tica Slo puede usarse
con xito ... en un proceso productivo ptimo!

Postulado de no negatividad: La prQducCin no podr ~~ jar:ns .negativa {><~O, :v'i);

Pueden existir ~lgunos casos especiaes de pr09ramacin lineal en los cuales los X
sean sin restriccin de signo en este caso puede ser llevado a Uno ~quivale~te cor
restriccin de signo positivo. Por otra parte, hay ocasiones especiales en los cuales
tos X pued~n,ser negativos

1
1. Definicin de Variables
2. Determlracin de'la Funcin Obj~ti'i9
3. Restricciones
~ No Negati.vidad
5.5 ACIN LINEAL - SOLUCIN GRFCA
PROGRAM .
Sea el problema:
max. z =x1+ x2
s.a: 2x1 + x2 ~ 80
X1 +2X2 s 100
s 30

Grafiquemos el problema en un sistema de ejes coordenados

 Figura 2. Sistema de ejes coordenados

iuu.

80 lQ]
nO
'-lll

Grafiquemos: 2x1 + X2 ~ 80

Si x1 =.O entoncesx~ ;= 80. ~upto G= 89

Si X2 = o entonces Xt = 40 Punto E= .40

Flg~ra 3. Recta de la primera ecuacin

20

20 60 80 100

Uniendo los dos puntos obtenemos una recta, correspondiente a la ecuacin:

La desigualdad es: 2x1 + x2 5: 80

Vemos que el punto (0,0) cumple con esta relacin.

 Figura 4. Puntos que cumplen con la desigualdad de la prmera ecuacin

100

20

20 60 80 100

Por lo tanto, la parte sombreada son todos los puntos que cumplen con la
desigualdad
y con la condicn de ser valores postivos (x1, X2 ~ O).
Figura ... Recta de la $egundaecaacl6n

lUO

La siguiente desigualdad es: X1 + 2X2 s 100.

La recta pasa por tos puntos O= 50 y H=100

 Figura 6. Puntos que cumplen.con la desigualdad de la segunda ecuacin

De nuevo el punto (0,0) cumple con la desigualdad.

Los puntos que cumplen con esta desiguaJdaQ, se indican en la parte sombreada de la
figura.

Figura 7. Regin de las dos primeras ecuaciones

19

-- -- ------
 Figur 8. Recia de la tercera euacn

100

Finalmente, la ltima desigualdad:

x1 ::;; 30, est indicada en la figura por la reda vertical que paS por el punto A:;:(30,0).

Figura 9. Regin factible

El rea sombreada indica los puntos que son solucin del problema de programacin
lineal:

max. Z=x1+ X2
s.a: 2x1 + x2 s 80
X1+2X2$100
X1 s 30
X1, X2;;: : 0

Miremos ahora la funcin objetivo, su ecuacin es:

20
 t
Grafiquemos la recta: x1+ x2.

Como no tiene un valor especifico. dmosle uno:

X1+ X2= 20.

La grfica correspondiente ser:

Figura 1 o. Recta x1 + x2

100

80

80 100

Para otros valores de z, se tienen los siguientes resultados:

Z=O
Z=60

21
 Figura 11. Solucin factible

1 oo

Como puede observarse, z crece a medida que nos alejamos del origen. La solucin
del problema propuesto, se hallar en el extremo ms alejado del origen, de la regin
de soluciones factibles.

Figura 12. Punto ptimo

100

'<.

La solucin al problema ser:

X1= 20
X2 =40
z = 60