TRABAJO FINAL DE INVESTIGACIÓN DE OPERACIONES

Luis Cárcamo
Dayana Tirado
Yicela Martínez Herrera
David Osorio

Investigación de Operaciones.

Presentado al Ing.
Nelson Zúñiga Portillo
Docente

Universidad del Atlántico

Facultad de Ingeniería
Programa de Ingeniería Química
23 de julio 2019
 TABLA DE CONTENIDO

TABLA ..................................................................................................................... 3
GRÁFICA ................................................................................................................ 4
RESUMEN .............................................................................................................. 5
1. INTRODUCCIÓN ............................................................................................ 6
2. OBJETIVOS .................................................................................................... 7
2.1. Objetivo General ..................................................................................... 7
2.2. Objetivos Específicos .............................................................................. 7
3. ANÁLISIS DE SENSIBILIDAD ........................................................................ 8
3.1. Definición de análisis de sensibilidad ...................................................... 8
3.1.1. Análisis de sensibilidad por el método gráfico .................................. 8
3.1.2. Análisis de sensibilidad por el método simplex. ............................. 10
3.2. Aplicación del análisis de sensibilidad .................................................. 11
3.2.1. Análisis de sensibilidad por cambio de la función objetivo. ..... 11
3.2.2. Cambio de una constante del lado derecho ................................... 13
3.2.3. Solución por el método simplex...................................................... 14
4. MODELO DE TRANSPORTE ....................................................................... 16
4.1. Definición del modelo de transporte ...................................................... 16
4.2. Aplicación del modelo de transporte ..................................................... 20
5. MODELO DE ASIGNACIÓN ......................................................................... 23
5.1. Definición del modelo de asignación ..................................................... 23
5.2. Aplicación del modelo de asignación .................................................... 25
6. ARTICULOS RELACIONADOS CON INVESTIGACION DE OPERACIONES
APLICADOS A LA INGENIERIA QUIMICA ........................................................... 30
6.1. Primer artículo....................................................................................... 30
6.2. Segundo artículo ................................................................................... 31
7. CONCLUSIONES ......................................................................................... 32
8. BIBLIOGRAFÍA ............................................................................................. 33
 TABLA

Tabla 1. Valores objetivos obtenidos por el método gráfico._______________________________11

Tabla 2. Tabla ultima método simplex._______________________________________________14

Tabla 3. Costos de envío, oferta y demanda de Powerco.________________________________16

Tabla 4. Costo de mantenimiento por máquina.________________________________________21
Tabla 5. Primer pasó del método húngaro.____________________________________________21
Tabla 6. Segundo pasó del método húngaro.__________________________________________21
Tabla 7. Tercer pasó del método húngaro.____________________________________________22
Tabla 8. Matriz de costos reducidos._________________________________________________22
Tabla 9. Matriz de costos reducidos._________________________________________________22
Tabla 10. Matriz de costos reducidos.________________________________________________23
Tabla 11. Matriz de costos reducidos.________________________________________________23
Tabla 12. Matriz de costos reducidos.________________________________________________24
Tabla 13. Matriz de costos reducidos.________________________________________________24
 GRÁFICA

Gráfica 1. Efecto de cambiar un coeficiente de la función objetivo. a) función objetivo original.

(b) cambio que no afecta la base óptima. (c) cambio que afecta la base óptima. _____________9

Grafica 2. Área factible del problema._______________________________________________11

Grafica 3. Punto obtenido al aumentar el lado derecho de la restricción 4. _______________13

Grafica 4.. Punto obtenido al disminuir el valor dereco de la restriccion 4.___________________13

Gráfica 5. Representación gráfica del problema de Powerco y su solución óptima.____________18

Gráfica 6. Modelo general de asignación con n trabajadores y n puestos.___________________19

 RESUMEN

En el siguiente trabajo de investigación se estudian diferentes casos particulares de

la investigación de operaciones como lo son el análisis de sensibilidad, problema de
transporte y el problema de asignación, en este se desarrollan los conceptos,
metodología e implementación de dichos casos a través de ejemplos prácticos
además de las diferentes metodologías existentes para solucionarlos ya que por
medios de estos nos brinda herramientas que se pueden presentar en el entorno
laboral.
Además se presentan dos artículos de la ACS (American Chemical Society) en los
cuales se refleja la aplicación de la investigación de operaciones (principalmente la
programación lineal) a la industria química.
 1. INTRODUCCIÓN

En el entorno laboral comúnmente se presentan situaciones en las que en necesario

la toma de decisiones, las cuales van muy ligadas al factor económico, por lo que
se requiere de herramientas que ayuden a tomar la mejor decisión posible, para
determinadas situaciones la investigación de operaciones ofrece herramientas
como el análisis de sensibilidad, el estudio del problema del transporte y el estudio
del problema de asignación.

El análisis de sensibilidad permite identificar los efectos que produce la modificación

de la solución óptima de un modelo de programación planteado con anterioridad, en
cuanto al problema de transporte, este ayuda a encontrar un plan óptimo de
distribución de mercancías desde los puntos de suministro hasta los destinos. Por
otro lado, el análisis del problema de asignación puede considerarse como un caso
especial del problema de transporte en el que se busca optimizar la asignación de
personas u objetos a labores determinadas.

En el presente trabajo se explicarán detalladamente el análisis de sensibilidad, el

problema del transporte y el problema de asignación, su aplicación en la
investigación de operaciones y como a partir de sus resultados obtenidos en ellos
se pueden tomar decisiones, todo lo anterior con respectivos ejemplos, finalmente
se presentan artículos relacionados con la investigación de operaciones aplicados
a la ingeniería Química y como estos impactan positivamente en ella.
 2. OBJETIVOS

2.1. Objetivo General

Analizar las diferentes herramientas desarrolladas por la investigación de

operaciones para la resolución de problemas de optimización cuando se enfrentan
a sistemas de decisión complejos como lo son el análisis de sensibilidad, problema
de transporte y de asignación.

2.2. Objetivos Específicos

 Definir los conceptos de análisis de sensibilidad, problema de transporte y de

asignación a partir de una investigación bibliográfica.

 Utilizar modelos matemáticos para representar problemas de transporte,

asignación y análisis de sensibilidad y resolverlos

 Observar las aplicaciones de esta temática a nivel científico a partir de la

búsqueda de artículos dentro de la base de datos de la Universidad del
atlántico.
 3. ANÁLISIS DE SENSIBILIDAD

A través del análisis de sensibilidad el ingeniero se permite identificar los efectos

que produce en la solución óptima del modelo de programación planteado
inicialmente cuando se llevan a cabo modificaciones en cualquiera de los
parámetros de este. Generalmente los cambios más frecuentes que se investigan
están relacionados a cambios en los coeficientes de las variables en la función
objetivo, tanto para variables básicas como para las variables no básicas; cambios
en los recursos disponibles, cambios en los coeficientes en las restricciones y/o
introducción de una nueva restricción.
El análisis de sensibilidad tiene como objetivo identificar un rango permisible de
cambios en los cuales las variables o parámetros pueden fluctuar sin que se
modifique la solución óptima; lo que se busca es que estas variaciones o
sensibilidad hagan uso de la solución y valor óptimo actual, sin tener la necesidad
de resolver para cada variación un nuevo problema. Esto permite conocer un
margen sobre el cual se pueden tomar determinado número de decisiones que se
vean reflejados en beneficios para quien ofrece determinado bien o servicio. Sin
embargo, así mismo se identifica aquellos parámetros sensibles, es decir, los
parámetros cuyos valores no pueden cambiar sin que cambie la solución óptima.
Es importante realizar un seguimiento a los parámetros con holguras reducidas y
realizar ajustes de ser necesario debido que la presencia cambios pueden
desembocar en una solución no factible
En general es necesario
 Determinar los parámetros que al cambiarlos producen cambios en la
solución óptima.
 Determinar el intervalo de valores para que no cambie la solución óptima
(intervalo permisible).
 Determinar el intervalo de valores para que la solución siga siendo factible.
El análisis de sensibilidad se puede realizar mediante el modelo grafico o utilizando el
método Simplex, y lo que se busca es que estas variaciones o sensibilidad hagan uso de la
solución y valor optimo actual, sin tener la necesidad de resolver para cada variación un
nueva problema.

3.1. Definición de análisis de sensibilidad

3.1.1. Análisis de sensibilidad por el método gráfico

La resolución por el método grafico se consideran los siguientes casos para el
análisis de sensibilidad
  La sensibilidad de la solución óptima a los cambios de la disponibilidad de
los recursos (lado derecho de las restricciones)
 La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el
costo unitaria (coeficientes de la función objetivo).

Además de tener en cuenta el precio sombra.

3.1.1.1. Cambios de coeficientes de la función objetivo

Aquí está la primera observación importante sobre el cambio de los coeficientes
de la función objetivo: esto no afecta la región factible. Por esta razón, el punto
óptimo que se encuentra durante la solución original del problema seguirá
siendo el punto el punto esquina. Lo peor que podría es que el valor original del
punto esquina no será el óptimo después que la función objetivo sea cambio. En
ese caso, se puede restaurar la solución en el punto original de esquina y se
continúa hasta que se alcance el nuevo óptimo. Un análisis de rango dirá si se
tiene que hacer esto o no.
Gráfica 1. Efecto de cambiar un coeficiente de la función objetivo. a) función objetivo original.
(b) cambio que no afecta la base óptima. (c) cambio que afecta la base óptima.

3.1.1.2. Cambios de una constante del lado derecho

Las constantes del lado derecho normalmente representan una limitación de un
recurso, y es probable que cambien en la práctica a medida que cambian las
condiciones del problema o negocio. Este método crea gráficamente una
traslación paralela a la resta de restricciones que puede modificar la solución
óptima y la función objetivo. Entre las características importantes del método
tenemos:
 La línea de restricción se desplaza, lo que podría cambiar la región
factible.
 La pendiente de la línea de restricción no cambia.
 Las ubicaciones de los puntos de esquina pueden cambiar.
 La solución óptima puede cambiar.
 3.1.1.3. Precio sombra
Es un valor que nos muestra como varía la función objetivo frente a cambios
unitarios en el recurso óptimo. Un ejemplo claro es un precio sombra igual a
cero, el cual indica que un aumento en los recursos no tiene efecto sobre la
solución óptima actual.

Precio sombra = Valor marginal del recurso

Una restricción del tipo ≥ tendrá un precio de sombra negativo.

Una restricción del tipo ≤ tendrá un precio sombra positivo.
Una restricción del tipo = tendrá un precio sombra positivo, negativo cero .

Siempre que la variable de holgura sea positiva en la solución óptima, la

restricción tiene un precio sombra igual a cero.

3.1.1.4. Rangos de los coeficientes objetivos

Son los intervalos de valores de los coeficientes de la función objetivo para los
cuales la base actual sigue siendo óptima (intervalo permisible). En estos
intervalos puede cambiar el valor de la función objetivo pero los valores de las
variables de decisión se conservan sin cambio. Por ejemplo se puede modificar
un precio dentro de ese intervalo y los valores óptimos de las variables de
decisión se conservan sin cambio, pero hay u nuevo valor de la función objetivo.

3.1.2. Análisis de sensibilidad por el método simplex.

A partir de uso de la tabla final del método simplex se pueden realizar diferentes
análisis de sensibilidad, entre los más recurrentes se encuentran:
1. Cambio en el “lado derecho” de las restricciones: busca identificar si las
actuales variables básicas se mantienen luego de la modificación de uno o más
parámetros asociados a “lado derecho” del modelo.

2. Incorporación de una nueva variable de decisión: evalúa si la nueva variable

es un aporte significativo a los resultados del modelo original.

3. Cambio en los coeficientes de la función objetivo: busca identificar qué ocurre

con la actual solución óptima del escenario base si se cambian uno o varios de
los coeficientes que definen la función objetivo. La solución óptima actual también
lo será para el nuevo escenario siempre que los nuevos costos reducidos sean
mayores o iguales a cero (notar que también cambia el valor de la función objetivo
en la actual solución óptima).

4. Incorporación de una nueva restricción: para saber si la actual solución y valor

óptimo se mantendrá luego de incorporar una nueva restricción al problema se
 debe evaluar la solución actual y verificar si satisface la nueva restricción. En
caso afirmativo, la actual solución también lo será del problema con la nueva
restricción, en caso contrario se incorpora la nueva restricción a la tabla final del
Simplex del escenario base.

3.2. Aplicación del análisis de sensibilidad

Un productor tabaquero posee 85 hectáreas (ha) de terreno para plantar dos
variedades de tabacos Virginia y Procesado. La variedad Virginia tiene un ingreso
de 9.600 USD/ha y necesita 3 horas/ha de uso de maquinaria y 80 horas/ha de
mano de obra. Además, el Estado limita su explotación a 30 ha como máximo. La
variedad Procesado tiene un ingreso de 7500 USD/ha y utiliza 2 horas/ha de uso de
maquinaria y 60 horas/ha de mano de obra. La cooperativa local le ha asignado un
máximo de 190 horas de uso de maquinaria y solo se dispone de 5420 horas de
mano de obra a 12 USD/hora.
3.2.1. Análisis de sensibilidad por cambio de la función objetivo.
En primer lugar definimos el modelo de optimización para este problema. Esto
consiste en identificar las variables de decisión, función objetivo y restricciones.
Variables de Decisión:
𝐗 𝟏 = 𝐍ú𝐦𝐞𝐫𝐨 𝐝𝐞 𝐇𝐚 𝐚 𝐩𝐥𝐚𝐧𝐭𝐚𝐫 𝐝𝐞 𝐥𝐚 𝐯𝐚𝐫𝐢𝐞𝐝𝐚𝐝 𝐕𝐢𝐫𝐠𝐢𝐧𝐢𝐚.
𝐗 𝟐 = 𝐍ú𝐦𝐞𝐫𝐨 𝐝𝐞 𝐇𝐚 𝐚 𝐩𝐥𝐚𝐧𝐭𝐚𝐫 𝐝𝐞 𝐥𝐚 𝐯𝐚𝐫𝐢𝐞𝐝𝐚𝐝 𝐏𝐫𝐨𝐜𝐞𝐬𝐚𝐝𝐨.
Función Objetivo:
𝐙𝐌𝐚𝐱 = 𝟖𝟔𝟒𝟎𝐗 𝟏 + 𝟔𝟕𝟖𝟎𝐗 𝟐

Restricciones:
𝐱 𝟏 ≤ 𝟑𝟎
𝐱 𝟏 + 𝐱 𝟐 ≤ 𝟖𝟓
𝟑𝐱 𝟏 + 𝟐𝐱 𝟐 ≤ 𝟏𝟗𝟎
𝟖𝟎𝐱 𝟏 + 𝟔𝟎𝐱 𝟐 ≤ 𝟓𝟒𝟐𝟎
No negatividad
𝐗𝟏, 𝐗𝟐 ≥ 𝟎

Mediante el uso del software en línea Zweig Media y del planteamiento del
problema, se haya el área factible, la gráfica encontrada se presenta a continuación.
Grafica 2. Área factible del problema.
La zona blanca denota el área factible en donde el valor óptimo se encuentra en el
punto verde, al cual llamaremos vértice C. Esto lo podemos observar en la siguiente
tabla:

Tabla 1. Valores objetivos obtenidos por el método grafico.

Vértices Líneas del vértice Valor de objetivo

x1 = 0
A( 0,0) 0
x2 = 0
x1 + x2 = 85
B(0,85) 576300
x1=0
x1 + x2 = 85
C(16,69) 606060
80x1 + 60x2 = 5420
3x1 + 2x2 = 190
D(30,0) 601260
80x1 + 60x2 = 5420
x1 = 30
E(30,50) 598200
3x1 + 2x2 = 190
x1 = 30
F(30,0) 259200
x2 = 0

Se determinó el intervalo de variación de la utilidad total, manteniendo constante la

utilidad por hectárea de tabaco procesado, de forma que la actual solución óptima
no cambie.

Sea en términos generales la función objetivo 𝒁 = 𝑪𝟏 𝑿𝟏 + 𝑪𝟐 𝑿𝟐 , donde inicialmente

en el ejemplo 𝑪𝟏 = 𝟖𝟔𝟒𝟎 y 𝑪𝟐 = 𝟔𝟕𝟖𝟎. La pendiente de las curvas de nivel de la
función objetiva es −𝑪𝟏 /𝑪𝟐 . De este modo se conserva la actual solución óptima
(vértice C) en la medida que:

𝟒 𝑪𝟏
− ≤− ≤ −𝟏
𝟑 𝑪𝟐
 𝟒 𝑪𝟏
≥ ≥𝟏
𝟑 𝑪𝟐

𝟒 𝑪𝟏
≥ ≥𝟏
𝟑 𝟔𝟕𝟖𝟎

𝟗𝟎𝟒𝟎 ≥ 𝑪𝟏 ≥ 𝟔𝟕𝟖𝟎

En este caso la utilidad por hectárea del tabaco Virginia puede variar entre 6.780
USD y 9.040 USD, de tal forma que el actual nivel de producción (solución óptima)
sería el mismo. Lo anterior permite concluir que el intervalo de variación para la
utilidad total será 𝟓𝟕𝟔, 𝟑𝟎𝟎 ≤ 𝒁 ≤ 𝟔𝟏𝟐, 𝟒𝟔𝟎.

3.2.2. Cambio de una constante del lado derecho

Siguiendo con el análisis de la empresa tabacalera se analiza el problema al
cambiarle el lado derecho a algunas de las restricciones, en este caso
aumentaremos y disminuiremos el número de horas de mano de obra para
calcular el precio sombra, para esto observando las grafica anterior si
aumentamos la disponibilidad de horas de la restricción 4 obtenemos un nuevo
punto óptimo (20,65) este se muestra en la gráfica. Así mismo en el caso
de disminuir la disponibilidad de horas en mano de obra se mantiene la
base óptima hasta el vértice B cuya coordenada es (0,85) ver gráfica. De
esta forma se obtiene el precio sombra de la siguiente forma:

Grafica 3. Punto obtenido al aumentar el lado derecho de la restricción 4.

Grafica 4.. Punto obtenido al disminuir el valor dereco de la restriccion 4.

 𝐟(𝟐𝟎, 𝟔𝟓) − 𝐟(𝟎, 𝟖𝟓) 𝟔𝟏𝟑𝟓𝟎𝟎 − 𝟓𝟕𝟔𝟑𝟎𝟎
(𝐏𝐫𝐞𝐜𝐢𝐨 𝐬𝐨𝐛𝐫𝐚 𝐑𝟒) = = = $𝟗𝟑/𝒉
(𝐑 𝟒 (𝟐𝟎, 𝟔𝟓) − 𝐑 𝟒 (𝟎, 𝟖𝟓)) 𝟓𝟓𝟎𝟎 − 𝟓𝟏𝟎𝟎
En consecuencia el lado derecho de la restricción 4 (disponibilidad de mano de
obra) puede variar entre [5100, 5500] y se conservan las actuales restricciones
activas. Adicionalmente dado que en el óptimo actual se utilizan 5.420 horas de
mano de obra se deben contratar 80 horas adicionales (de modo de alcanzar las
5.500 horas). Luego, la variación de 80 horas adicionales implicaría un aumento
en la utilidad total de 80*93USD=7.440USD.

3.2.3. Solución por el método simplex

Siguiendo el mismo ejemplo, para hallar la tabla última por el método simplex se
usó el software zweig media y el análisis de sensibilidad utilizado es el de cambio
de los coeficientes de la función objetivo. La tabla arrojada por el programa es la
siguiente:

Tabla 2. Tabla ultima método simplex.

X1 X2 S1 S2 S3 S4 p
1 0 0 -3 0 1/20 0 16
0 0 0 1 1 -1/20 0 4
0 1 0 4 0 -1/20 0 69
0 0 1 3 0 -1/20 0 14
0 0 0 1200 0 93 1 606060

La solución básica factible es óptima es x1=16 y x2= 69 con un valor óptimo de V(p)
de 606060 rectificando el valor obtenido en el método gráfico. A continuación se
determina un intervalo de variación para los coeficientes que ponderan a las
variables x1 y x2 en la función objetivo de modo que conservar la actual solución
óptima. En este sentido tanto x1 como x2 son variables básicas en el óptimo según
se aprecia en la tabla anterior.
Luego el intervalo de variación para C1 (en adelante coeficiente asociado a la
variable x1 en la función objetivo de minimización) que mantiene la solución óptima
original es:
1200 93
≤ ∆𝐶1 ≤
−3 1⁄
20
−400 ≤ ∆𝐶1 ≤ 1860
Del cálculo anterior se obtiene que C 1 (coeficiente que multiplica a la variable x 1
en la función objetivo de minimización) puede variar en el intervalo entre C1 [-
8640-400, -8640+1860], es decir, C1 [-9040, -6780] y se conserva la actual
solución óptima. Si hacemos la equivalencia en la función objetivo de
maximización original el intervalo corresponde a C1 [6780, 9040], es decir, existe
una reducción permisible de 1860 y un aumento permisible de 400 para el valor
actual del parámetro que mantiene la solución óptima inicial.
 4. MODELO DE TRANSPORTE

En ésta ocasión se estudiará un modelo particular de problema de programación

lineal, uno en el cual su resolución a través del método simplex es dispendioso, pero
que debido a sus características especiales ha permitido desarrollar un método más
práctico de solución. El objetivo del modelo de transporte es determinar el programa
de transporte que minimice el costo total del transporte y que al mismo tiempo
satisfaga los límites de la oferta y la demanda. En el modelo se supone que el costo
de transporte es proporcional a la cantidad de unidades transportadas en
determinada ruta. En general, se puede ampliar el modelo de transporte a otras
áreas de operación, entre otras el control de inventarios, programación de empleos
y asignación de personal.
4.1. Definición del modelo de transporte

El modelo de transporte se define como una técnica que determina un programa de

transporte de productos o mercancías desde unas fuentes hasta los diferentes
destinos al menor costo posible.
Es un caso especial de problema de programación Lineal, en el que todos los
coeficientes de las variables en las restricciones tienen coeficiente uno (1), esto es:
𝑎𝑖,= 1; para todo i, para todo j.
Gráficamente:
𝑋𝑖𝑗= Unidades a enviar desde la fuente i-ésima (i=1,..., m) al destino j-ésima (j=1,...,
n).

𝐶𝑖𝑗= Costo de enviar una unidad desde la fuente i-ésima (i=1,..., m) al destino jésima
(j=1,..., n).

𝑎𝑖 = Disponibilidad (oferta) en unidades, de la fuente i-ésima (i=1,..., m).

𝑏𝑗 = Requerimiento (demanda) en unidades, del destino j-ésima (j=1,..., n).

Matemáticamente:

Minimizar 𝑍 = 𝐶1,1𝑋1,1+…....+ 𝐶1,𝑗𝑋1,𝑗+..+ 𝐶1,𝑛𝑋1,𝑛+..+ 𝐶𝑖,1𝑋𝑖,1+..+ 𝐶𝑖,𝑗𝑋𝑖,𝑗+..+

𝐶𝑖,𝑛𝑋𝑖,𝑛+..+ 𝐶𝑚,1𝑋𝑚,1+..+ 𝐶𝑚,𝑗𝑋𝑚,𝑗+..+ 𝐶𝑚,𝑛𝑋𝑚,𝑛

Otra forma de formularlo sería:

Minimice 𝑍 = ∑ ∑ 𝐶𝑖𝑗𝑋𝑖𝑗 𝑛 𝑗=1 𝑚 𝑖=1

C.S.R.

∑ 𝑋𝑖𝑗 = 𝑎𝑖 𝑛 𝑗=1 ; 𝑖 = 1,…,𝑚 Todo lo disponible fue enviado.

∑ 𝑋𝑖𝑗 = 𝑏𝑗 𝑚 𝑖=1 ; j= 1,…,𝑛 Todo lo enviado fue requerido.

𝑋𝑖𝑗 ≥ 0 ; = 1,…,𝑚 ;𝑗 = 1,…,𝑛

Observación:
∑ ∑ 𝑋𝑖𝑗 𝑛 𝑗=1 𝑚 𝑖=1 = ∑ 𝑎𝑖 𝑚 𝑖=1
Dónde:

 Solución básica factible.

Cuando cada variable aparece dos veces en el sistema de ecuaciones, entonces

tiene m+n-1 grados de libertad y el número de variables básicas debe ser igual al
número de grados de libertad del sistema. Lo anterior nos asegura una solución
básica factible no degenerada, este tipo de soluciones se puede solucionar por tres
métodos que son

 Método de la esquina noreste:

este método es sencillo y fácil de hacer, no tiene en cuenta los costos para hacer
las asignaciones, pero generalmente nos deja lejos del óptimo.
El algoritmo de cálculos es el siguiente:
a. Construya una tabla de ofertas (disponibilidades) y demandas (requerimientos).
b. Empiece por la esquina noroeste.

c. Asigne lo máximo posible (Lo menor entre la oferta y la demanda,

respectivamente).

d. Actualice la oferta y la demanda y rellene con ceros el resto de casillas (Filas o

Columnas) en donde la oferta o la demanda haya quedado satisfecha.
e. Muévase a la derecha o hacia abajo, según haya quedado disponibilidad para
asignar.

f. Repita los pasos del 3 al 5 sucesivamente hasta llegar a la esquina inferior derecha
en la que se elimina fila y columna al mismo tiempo.
Nota: No elimine fila y columna al mismo tiempo, a no ser que sea la última casilla.
El romper ésta regla ocasionará una solución en donde el número de variables
básicas es menor a m+n-1, produciendo una solución básica factible degenerada.
Disponibilidad = requerimiento
Oferta = Demanda
Mercado Perfecto

 Método del costo mínimo:

El método del costo mínimo determina una mejor solución inicial al concentrarse en
las rutas más económicas. Asigna lo más posible a la celda con el costo unitario
mínimo. Luego se tacha la fila o columna satisfecha y se ajustan las cantidades de
oferta y demanda como corresponda. Si una fila o una columna se satisfacen al
mismo tiempo, sólo se tacha una, igual que en el método de la esquina noroeste. A
continuación, seleccione la celda no tachada con el costo unitario mínimo y repita el
proceso hasta que se deje sin tachar exactamente una fila o columna. Este método
es más elaborado que el método de la esquina noreste ya que tiene en cuenta los
costos para hacer las asignaciones pero al igual que el método anterior también nos
deja alejados del óptimo.
El algoritmo de cálculos es el siguiente:
a. Construya una tabla de disponibilidades, requerimientos y costos.

b. Empiece en la casilla que tenga el menor costo de toda la tabla, si hay empate,
escoja arbitrariamente (Cualquiera de los empatados).

c. Asigne lo máximo posible entre la disponibilidad y el requerimiento (El menor de

los dos).
d. Rellene con ceros (0) la fila o columna satisfecha y actualice la disponibilidad y el
requerimiento, restándoles lo asignado.
Nota: Recuerde que no debe eliminar o satisfacer fila y columna al mismo tiempo,
caso en que la oferta sea igual a la demanda, en tal caso recuerde usar la Épsilon.

e. Muévase a la casilla con el costo mínimo de la tabla resultante (sin tener en

cuenta la fila o columna satisfecha). f. Regrese a los puntos 3,4,5 sucesivamente,
hasta que todas las casillas queden asignadas

 Método de Vogel:

Este método es una versión mejorada del método anterior que por lo general, pero
no siempre, produce mejores soluciones iniciales. Este método es más elaborado
que los anteriores, más técnico y dispendioso ya que tiene en cuenta los costos, las
ofertas y las demandas para hacer las asignaciones y generalmente nos deja cerca
al óptimo.
El algoritmo de cálculos es el siguiente:

a. Construir una tabla de disponibilidades (ofertas), requerimientos (demanda) y

costos.

b. Calcular la diferencia entre el costo más pequeño y el segundo costo más

pequeño, para cada fila y para cada columna.

c. Escoger entre las filas y columnas, la que tenga la mayor diferencia (en caso de
empate, decida arbitrariamente).

d. Asigne lo máximo posible en la casilla con menor costo en la fila o columna

escogida en el punto 3.

e. Asigne cero (0) a las otras casillas de la fila o columna donde la disponibilidad o
el requerimiento quede satisfecho.
f. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o columna(s)
satisfechas, hasta que todas las casillas queden asignadas.

Nota: Recuerde que no debe satisfacer filas y columnas al mismo tiempo; caso en
que la disponibilidad sea igual al requerimiento; en tal caso use el Épsilon.

4.2. Aplicación del modelo de transporte

Powerco tiene tres plantas de energía eléctrica que satisfacen las necesidades de
cuatro ciudades. Cada central eléctrica puede suministrar los siguientes números
de kilovatios-hora (kwh) de electricidad: planta 1-35 millones; planta 2-50 millones;
Planta 3-40 millones (ver Tabla 3). Las demandas de potencia pico en estas
ciudades, que ocurren al mismo tiempo (2 P.M.), son las siguientes (en kwh): ciudad
1-45 millones; ciudad 2-20 millones; ciudad 3-30 millones; Ciudad 4-30 millones.
Los costos de enviar 1 millón de kwh de electricidad de la planta a la ciudad
dependen de la distancia que la electricidad deba recorrer. Formule un LP para
minimizar el costo de satisfacer la demanda de energía máxima de cada ciudad.
Tabla 3. Costos de envío, oferta y demanda de Powerco.

Desde Hasta Suministro

Ciudad 1 Ciudad 2 Ciudad 3 Ciudad 4 (millones de kwh)
Planta 1 $8 $6 $10 $9 35
Planta 2 $9 $12 $13 $7 50
Planta 3 $14 $9 $16 $5 40
Demanda 45 20 30 30
(millones de kwh)
Para formular el problema de Powerco como un LP, definimos una variable para
cada decisión que Powerco debe tomar. Debido a que Powerco debe determinar la
cantidad de energía que se envía de cada planta a cada ciudad, definimos (para i =
1, 2, 3 y j = 1, 2, 3, 4)
𝒙𝒊𝒋 =
𝐧ú𝐦𝐞𝐫𝐨 𝐝𝐞 (𝐦𝐢𝐥𝐥𝐨𝐧𝐞𝐬) 𝐤𝐰𝐡 𝐩𝐫𝐨𝐝𝐮𝐜𝐢𝐝𝐨𝐬 𝐞𝐧 𝐥𝐚 𝐩𝐥𝐚𝐧𝐭𝐚 𝒊 𝐲 𝐞𝐧𝐯𝐢𝐚𝐝𝐨𝐬 𝐚 𝐥𝐚 𝐜𝐢𝐮𝐝𝐚𝐝 𝒋.
En términos de estas variables, el costo total de suministrar las demandas de
potencia pico a las ciudades 1-4 se puede escribir como:
𝟖𝒙𝟏𝟏 + 𝟔𝒙𝟏𝟐 + 𝟏𝟎𝒙𝟏𝟑 + 𝟗𝒙𝟏𝟒 (Costo de envío de energía de la planta 1)
𝟗𝒙𝟐𝟏 + 𝟏𝟐𝒙𝟐𝟐 + 𝟏𝟑𝒙𝟐𝟑 + 𝟕𝒙𝟐𝟒 (Costo de envío de energía de la planta 2)
𝟏𝟒𝒙𝟑𝟏 + 𝟗𝒙𝟑𝟐 + 𝟏𝟔𝒙𝟑𝟑 + 𝟓𝒙𝟑𝟒 (Costo de envío de energía de la planta 3)
Powerco enfrenta dos tipos de restricciones. Primero, la potencia total suministrada
por cada planta no puede exceder la capacidad de la planta. Por ejemplo, la
cantidad total de energía enviada desde la planta 1 a las cuatro ciudades no puede
exceder los 35 millones de kwh. Cada variable con el primer subíndice 1 representa
un envío de energía desde la planta 1, por lo que podemos expresar esta restricción
mediante la restricción LP
𝒙𝟏𝟏 + 𝒙𝟏𝟐 + 𝒙𝟏𝟑 + 𝒙𝟏𝟒 ≤ 𝟑𝟓
De manera similar, podemos encontrar restricciones que reflejan las capacidades
de las plantas 2 y 3. Debido a que la energía es suministrada por las centrales
eléctricas, cada una es un punto de suministro. Análogamente, una restricción que
asegura que la cantidad total enviada desde una planta no exceda la capacidad de
la planta es una restricción de suministro. La formulación de LP del problema de
Powerco contiene las siguientes tres restricciones de suministro:
𝒙𝟏𝟏 + 𝒙𝟏𝟐 + 𝒙𝟏𝟑 + 𝒙𝟏𝟒 ≤ 𝟑𝟓 (Restricción de suministro de la planta 1)
𝒙𝟐𝟏 + 𝒙𝟐𝟐 + 𝒙𝟐𝟑 + 𝒙𝟐𝟒 ≤ 𝟓𝟎 (Restricción de suministro de la planta 2)
𝒙𝟑𝟏 + 𝒙𝟑𝟐 + 𝒙𝟑𝟑 + 𝒙𝟑𝟒 ≤ 𝟒𝟎 (Restricción de suministro de la planta 3)
Segundo, necesitamos la restricción de que cada ciudad recibirá suficiente energía
para satisfacer su demanda máxima. Cada ciudad exige poder, por lo que cada una
es un punto de demanda. Por ejemplo, la ciudad 1 debe recibir al menos 45 millones
de kwh. Cada variable con el segundo subíndice 1 representa un envío de energía
a la ciudad 1, por lo que obtenemos la siguiente restricción:
𝒙𝟏𝟏 + 𝒙𝟐𝟏 + 𝒙𝟑𝟏 ≥ 𝟒𝟓
De manera similar, obtenemos una restricción para cada una de las ciudades 2, 3 y
4. Una restricción que garantiza que una ubicación recibe su demanda es una
restricción de demanda. Powerco debe satisfacer las siguientes cuatro restricciones
de demanda:
𝒙𝟏𝟏 + 𝒙𝟐𝟏 + 𝒙𝟑𝟏 ≥ 𝟒𝟓 (Restricción de la demanda de la ciudad 1)
𝒙𝟏𝟐 + 𝒙𝟐𝟐 + 𝒙𝟑𝟐 ≥ 𝟐𝟎 (Restricción de la demanda de la ciudad 2)
𝒙𝟏𝟑 + 𝒙𝟐𝟑 + 𝒙𝟑𝟑 ≥ 𝟑𝟎 (Restricción de la demanda de la ciudad 3)
𝒙𝟏𝟒 + 𝒙𝟐𝟒 + 𝒙𝟑𝟒 ≥ 𝟑𝟎 (Restricción de la demanda de la ciudad 4)
Debido a que todos los 𝒙𝒊𝒋 deben ser no negativos, agregamos las restricciones de
signo 𝒙𝒊𝒋 ≥ 𝟎 (𝒊 = 𝟏, 𝟐, 𝟑; 𝒋 = 𝟏, 𝟐, 𝟑, 𝟒).

La combinación de la función objetivo, las restricciones de suministro, las

restricciones de demanda y las restricciones de signo dan como resultado la
siguiente formulación de LP del problema de Powerco:
𝐦𝐢𝐧 𝒁 = 𝟖𝒙𝟏𝟏 + 𝟔𝒙𝟏𝟐 + 𝟏𝟎𝒙𝟏𝟑 + 𝟗𝒙𝟏𝟒 + 𝟗𝒙𝟐𝟏 + 𝟏𝟐𝒙𝟐𝟐 + 𝟏𝟑𝒙𝟐𝟑 + 𝟕𝒙𝟐𝟒 + 𝟏𝟒𝒙𝟑𝟏
+ 𝟗𝒙𝟑𝟐 + 𝟏𝟔𝒙𝟑𝟑 + 𝟓𝒙𝟑𝟒
Restricciones de suministro
𝒙𝟏𝟏 + 𝒙𝟏𝟐 + 𝒙𝟏𝟑 + 𝒙𝟏𝟒 ≤ 𝟑𝟓
𝒙𝟐𝟏 + 𝒙𝟐𝟐 + 𝒙𝟐𝟑 + 𝒙𝟐𝟒 ≤ 𝟓𝟎
𝒙𝟑𝟏 + 𝒙𝟑𝟐 + 𝒙𝟑𝟑 + 𝒙𝟑𝟒 ≤ 𝟒𝟎
Restricciones de demanda
𝒙𝟏𝟏 + 𝒙𝟐𝟏 + 𝒙𝟑𝟏 ≥ 𝟒𝟓
𝒙𝟏𝟐 + 𝒙𝟐𝟐 + 𝒙𝟑𝟐 ≥ 𝟐𝟎
𝒙𝟏𝟑 + 𝒙𝟐𝟑 + 𝒙𝟑𝟑 ≥ 𝟑𝟎
𝒙𝟏𝟒 + 𝒙𝟐𝟒 + 𝒙𝟑𝟒 ≥ 𝟑𝟎
𝒙𝒊𝒋 ≥ 𝟎 (𝒊 = 𝟏, 𝟐, 𝟑; 𝒋 = 𝟏, 𝟐, 𝟑, 𝟒)

Encontraremos que la solución óptima en este LP es 𝒛 = 𝟏𝟎𝟐𝟎, 𝒙𝟏𝟐 = 𝟏𝟎, 𝒙𝟏𝟑 = 𝟐𝟓,
𝒙𝟐𝟏 = 𝟒𝟓, 𝒙𝟐𝟑 = 𝟓, 𝒙𝟑𝟐 = 𝟏𝟎, 𝒙𝟑𝟒 = 𝟑𝟎. La Figura 1 es una representación gráfica
del problema de Powerco y su solución óptima. La variable 𝒙𝒊𝒋 está representada
por una línea, o arco, que une el punto de suministro 𝒊 (planta 𝒊) y el punto de
demanda 𝒋 (ciudad 𝒋).
Gráfica 5. Representación gráfica del problema de Powerco y su solución óptima.
 5. MODELO DE ASIGNACIÓN
El problema de asignación es un tipo especial de problema de programación lineal
en el que los asignados son recursos que se destinan a la realización de tareas. Por
ejemplo, “La mejor persona para el puesto” es una buena descripción del modelo
de asignación. El caso se puede ilustrar con la asignación de trabajadores de
diversos niveles de capacitación a los puestos. Un puesto que coincide con los
conocimientos de un trabajador cuesta menos que uno en que el trabajador no es
tan hábil. El objetivo del modelo es determinar la asignación óptima (de costo
mínimo) de trabajadores a puestos.
El método de asignación se utiliza para resolver problemas de programación lineal
con unas características muy especiales. Estos problemas pueden clasificarse
dentro de los métodos de transporte, y por los tanto la técnica de transporte les dará
solución. Sin embargo, es más rápido el proceso con método de asignación.

5.1. Definición del modelo de asignación

𝒙𝒊𝒋 = 𝟏 𝒔𝒊 𝒔𝒆 𝒂𝒔𝒊𝒈𝒏𝒂 𝒑𝒂𝒓𝒂 𝒓𝒆𝒂𝒍𝒊𝒛𝒂𝒓 𝒍𝒂 𝒕𝒂𝒓𝒆𝒂 𝒋, 𝟎 𝒔𝒊 𝒏𝒐 𝒆𝒔 𝒂𝒔𝒊.

Para 𝒊 = 𝟏, 𝟐, … , 𝒏 y 𝒋 = 𝟏, 𝟐, … , 𝒏. Entonces, cada 𝒙𝒊𝒋 es una variable binaria (toma

valores de 0 o 1). Las variables binarias son importantes en investigación de
operaciones para representar las decisiones sí o no.
Si 𝒛 es el costo total, el método del problema de asignación es:
 𝒏 𝒏

𝐦𝐢𝐧 𝒛 = ∑ ∑ 𝑪𝒊𝒋 𝒙𝒊𝒋

𝒊=𝟏 𝒋=𝟏

Sujeto a:
𝒏 𝒏

∑ 𝒙𝒊𝒋 = 𝟏 𝒑𝒂𝒓𝒂 𝒊 = 𝟏, 𝟐, … , 𝒏; ∑ 𝒙𝒊𝒋 = 𝟏 𝒑𝒂𝒓𝒂 𝒋 = 𝟏, 𝟐, … , 𝒏.

𝒋=𝟏 𝒊=𝟏

𝒙𝒊𝒋 ≥ 𝟎 𝒑𝒂𝒓𝒂 𝒕𝒐𝒅𝒐 𝒊, 𝒋

El modelo general de asignación con n trabajadores y n puestos se representa en

la gráfica 5.
Gráfica 6. Modelo general de asignación con n trabajadores y n puestos.

El elemento 𝑪𝒊𝒋 representa el costo de asignar al trabajador 𝒊 al puesto

𝒋 (𝒊, 𝒋 = 𝟏, 𝟐, … , 𝒏). No se pierde generalidad al suponer que la cantidad de
trabajadores siempre es igual a la cantidad de puestos, porque siempre se pueden
agregar trabajadores o puestos ficticios para obtener esa condición.
El modelo de asignación es en realidad un caso especial del modelo de transporte,
en el cual los trabajadores representan las fuentes y los puestos representan los
destinos. La cantidad de oferta en cada fuente, y la cantidad de demanda en cada
destino son exactamente iguales a 1. El costo de “transportar” el trabajador 𝒊 al
puesto 𝒋 es 𝑪𝒊𝒋 . De hecho, se puede resolver el modelo de asignación en forma
directa como modelo normal de transporte. Sin embargo, el hecho de que todas las
ofertas y las demandas son iguales a 1, condujo al desarrollo de un algoritmo
sencillo de solución llamado método húngaro.
El método húngaro puede resolver el modelo de asignación realizando los
siguientes pasos:
Paso 1. En la matriz original de costo, identificar el mínimo de cada renglón y
restarlo de todos los elementos del renglón.
Paso 2. En la matriz que resulte del paso 1, identificar el mínimo de cada columna,
y restarlo de todos los elementos de la columna.
Paso 2a. Si no se puede asegurar una asignación factible (con todos los elementos
cero) con los pasos 1 y 2,
i. Trazar la cantidad mínima de líneas horizontales y verticales en la última
matriz reducida que cubran todos los elementos cero.
ii. Seleccionar el elemento mínimo no cubierto, restarlo de todo elemento no
cubierto y a continuación sumarlo a todo elemento en la intersección de dos
líneas.
iii. Si no se puede encontrar una asignación factible entre los elementos cero
que resulten, repetir el paso 2a. En caso contrario, seguir en el paso 3 para
determinar la asignación óptima.

Paso 3. Identificar la solución óptima como la asignación factible asociada con los
elementos cero de la matriz obtenida en el paso 2.
Sean 𝒑𝒊 y 𝒒𝒋 los costos mínimos del renglón i y la columna j, como se definieron en
los pasos 1 y 2, respectivamente.

5.2. Aplicación del modelo de asignación

La compañía de manufactura "Jiménez y Asociados" desea realizar una jornada de

mantenimiento preventivo a sus tres máquinas principales A, B y C. El tiempo que
demanda realizar el mantenimiento de cada máquina es de 1 día, sin embargo, la
jornada de mantenimiento no puede durar más de un día, teniendo en cuenta que
la compañía cuenta con tres proveedores de servicios de mantenimiento debe de
asignarse un equipo de mantenimiento a cada máquina para poder cumplir con la
realización del mantenimiento preventivo. Teniendo en cuenta que según el grado
de especialización de cada equipo prestador de servicios de mantenimiento el costo
de la tarea varía para cada máquina en particular, debe de asignarse el equipo
correcto a la máquina indicada con el objetivo de minimizar el costo total de la
jornada. Los costos asociados se pueden observar en la siguiente tabla:
Tabla 4. Costo de mantenimiento por máquina.

Maquina 1 Maquina 2 Maquina 3

Equipo de
10€ 9€ 5€
mantenimiento 1
Equipo de
9€ 8€ 3€
mantenimiento 2
Equipo de
6€ 4€ 7€
mantenimiento 3

Este problema se desarrollará a través de los tres pasos nombrados anteriormente

que corresponden al método húngaro.
Primeramente, se encuentra el elemento menor de cada fila de la matriz inicial
suministrada por el problema.
Tabla 5. Primer pasó del método húngaro.

Elemento
Maquina 1 Maquina 2 Maquina 3
menor
Equipo de
10 9 5 P1=5
mantenimiento 1
Equipo de
9 8 3 P2=3
mantenimiento 2
Equipo de
6 4 7 P3=4
mantenimiento 3

Luego se construye una nueva matriz con las diferencias entre los valores de la
matriz original y el elemento menor de la fila a la cual corresponde.
Tabla 6. Segundo pasó del método húngaro

Maquina 1 Maquina 2 Maquina 3

Equipo de
5 4 0
mantenimiento 1
Equipo de
6 5 0
mantenimiento 2
Equipo de
2 0 3
mantenimiento 3

Los cálculos realizados se presentan a continuación:

Fila 1: (10-5=5), (9-5=4), (5-5=0)
Fila 2: (9-3=6), (8-3=5), (3-3=0)
Fila 3: (6-4=2), (4-4=0), (7-4=3)
En la matriz construida en el paso anterior se procede a efectuar el primer paso,
pero esta vez en relación a las columnas, por ende, se escoge el elemento menor
de cada columna.
Tabla 7. Tercer pasó del método húngaro.

Maquina 1 Maquina 2 Maquina 3

Equipo de
5 4 0
mantenimiento 1
Equipo de
6 5 0
mantenimiento 2
Equipo de
2 0 3
mantenimiento 3
Elemento menor q1=2 q2=0 q3=0
De igual manera, se construye una nueva matriz con la diferencia entre los valores
de la matriz anterior y el elemento menor de la columna a la cual corresponde cada
valor, la cual se denomina matriz de costos reducidos.
Tabla 8. Matriz de costos reducidos.

Maquina 1 Maquina 2 Maquina 3

Equipo de
3 4 0
mantenimiento 1
Equipo de
4 5 0
mantenimiento 2
Equipo de
0 0 3
mantenimiento 3

Los cálculos realizados se presentan a continuación:

Columna 1: (5-2=3), (6-2=4), (2-2=0)
Columna 2: (4-0=4), (5-0=5), (0-0=0)
Columna 3: (0-0=0), (0-0=0), (3-0=3)
A continuación, se trazan líneas horizontales o verticales o ambas con el objetivo
de cubrir todos los ceros de la matriz de costos reducidos con el menor número de
líneas posibles.
Tabla 9. Matriz de costos reducidos.

Maquina 1 Maquina 2 Maquina 3

Equipo de 0
3 4
mantenimiento 1
Equipo de
4 5 0
mantenimiento 2
Equipo de
0 0 3
mantenimiento 3
Como se puede observar el menor número de líneas horizontales y/o verticales
necesarios para cubrir los ceros de la matriz de costos reducidos es igual a 2, por
ende, al ser menor que el número de filas o columnas es necesario recurrir al
siguiente paso que consiste en seleccionar el menor elemento de los elementos no
subrayados.
Tabla 10. Matriz de costos reducidos.

Maquina 1 Maquina 2 Maquina 3

Equipo de 0
3 4
mantenimiento 1
Equipo de
4 5 0
mantenimiento 2
Equipo de 3
0 0
mantenimiento 3
Elemento menor no
3
subrayado
Luego se procede a restarse de los elementos no subrayados y a adicionarse a los
elementos ubicados en las intersecciones de las líneas, en este caso existe una
única intersección.
Tabla 11. Matriz de costos reducidos.

Maquina 1 Maquina 2 Maquina 3

Equipo de
0 1 0
mantenimiento 1
Equipo de
1 2 0
mantenimiento 2
Equipo de
0 0 6
mantenimiento 3

Los cálculos realizados se presentan a continuación:

Fila 1: (3-3=0), (4-3=1)
Fila 2: (4-3=1), (5-3=2)
Intersección: (3+3=6)
Realizado este pasó, se procede a trazar líneas horizontales o verticales o ambas
nuevamente con el objetivo de cubrir todos los ceros de la matriz de costos
reducidos con el menor número de líneas posibles.

Tabla 12. Matriz de costos reducidos.

Maquina 1 Maquina 2 Maquina 3

Equipo de 0 0
1
mantenimiento 1
Equipo de
1 2 0
mantenimiento 2
Equipo de
0 0 6
mantenimiento 3

De la matriz anterior, se observa que fue necesario trazar tres líneas (la misma
cantidad de filas o columnas de la matriz) para cubrir los ceros y por ende se ha
llegado al tabulado final, en el que por simple observación se determina las
asignaciones óptimas.
Tabla 13. Matriz de costos reducidos.
 Maquina 1 Maquina 2 Maquina 3
Equipo de
0 1 0
mantenimiento 1
Equipo de
1 2 0
mantenimiento 2
Equipo de
0 0 6
mantenimiento 3

Por ende, la asignación que representa el menor costo para la jornada de

mantenimiento preventivo determina que el Equipo 1 realice el mantenimiento de la
Máquina 1, el Equipo 2 realice el mantenimiento de la Máquina 3 y el Equipo 3
realice el mantenimiento de la Máquina 2. El costo total para la jornada de
mantenimiento es 𝟏𝟎 + 𝟑 + 𝟒 = 𝟏𝟕€.
 6. ARTICULOS RELACIONADOS CON INVESTIGACION DE OPERACIONES
APLICADOS A LA INGENIERIA QUIMICA

6.1. Primer artículo

Título: Maximización de la producción de derivados lácteos mediante la

metodología de la optimización lineal en la empresa Planta Lechera El Mantaro S.A.
Resumen: El presente estudio se realizó con el fin de resolver los pocos beneficios
que obtiene la empresa Planta Lechera El Mantaro S.A. como consecuencia de la
producción empírica de los derivados lácteos. Anteriormente las ganancias
quincenales sumaban S/ 3030.00, mientras que, aplicando las técnicas de
optimización lineal y utilizando eficientemente los recursos de la empresa, se
maximizó la producción y se incrementaron las ganancias a S/ 9300.00. En la
implementación metodológica, se planteó un nuevo modelo de optimización de la
producción que contempló producir ocho tipos de derivados lácteos. Para la solución
del modelo de optimización lineal, se utilizó el software Lingo V. 13.0 y en las
pruebas estadísticas de las hipótesis se trabajó con la prueba T-Student. Los
valores obtenidos permitieron validar que la aplicación del modelo de optimización
lineal mejora los beneficios de la empresa.
Autores: Fidel O. Arauco
Año: 2018
Link: http://dbvirtual.uniatlantico.edu.co:2176/descarga/maximizacion-de-la-
produccion-de-derivados-lacteos-mediante-la-metodologia-de-la-optimizacion-
lineal-en-la-empresa-planta-lechera-el-mantaro-s-a-
 6.2. Segundo artículo

Título: Análisis de sensibilidad del rendimiento de los condensadores evaporativos

usando un enfoque experimental.
Resumen: Los condensadores evaporativos operan a temperaturas de
condensación más bajas con respecto a las unidades de condensación en seco y
suponen un consumo de agua reducido en comparación con los condensadores
enfriados por agua. Se diseñó y construyó una plataforma de prueba para investigar
el condensador evaporativo a pequeña escala. El refrigerante de condensación ha
sido simulado por calentadores eléctricos y una unidad de tratamiento de aire
proporciona aire con temperatura de bulbo seco y humedad relativa establecida por
el usuario. Todos los parámetros que afectan el rendimiento del condensador
evaporativo pueden ser monitoreados y ajustados, para llevar a cabo una extensa
campaña experimental o un análisis de sensibilidad. Los resultados, como se
esperaba, muestran claramente que el calor liberado al aire aumenta con la
temperatura de la superficie exterior de los calentadores eléctricos y disminuye con
la humedad relativa. Un aumento del 37.5% de la tasa de flujo de aire (en agua
rociada constante) conduce a una reducción máxima de la tasa de transferencia de
calor del 50%. Se compararon diferentes disposiciones de tubos, lo que demuestra
que una disminución del tono transversal implica un peor rendimiento.
Autores: María Fiorentino y Giuseppe Starace
Año: 2017
Link:
http://dbvirtual.uniatlantico.edu.co:2060/science/article/pii/S1876610217337384
 7. CONCLUSIONES

Del presente trabajo se concluye que la investigación de operaciones brinda

herramientas para la toma de decisiones en casos que se presentan comúnmente
en el entorno laboral como por ejemplo que tan afectado se ve un modelo de
programación por el cambio en el valor de sus parámetros (análisis de sensibilidad),
cual es la manera óptima de transportar mercancía desde los puntos de suministro
a los destinos (problema del transporte) o cual es la manera óptima de asignar
personal u objetos a la realización de tareas (problema de asignación).

Gracias a las herramientas que brinda la investigación de operaciones para la toma

de decisiones, esta es de mucha ayuda en la cotidianidad del entorno laboral,
resaltando el caso de la industria química, como se observó en la bibliográfica
consultada, esta tiene muchas aplicaciones (principalmente la programación lineal)
como el uso óptimo de tanques de almacenamiento, ubicación de una planta,
presentación de un producto entre otras.
Las aplicaciones de estos modelos de optimización tienen gran influencia puesto
que nos dan la facilidad de tomar decisiones dentro de una compañía, estableciendo
de manera cuantitativa las soluciones que optimicen diversos problemas que se
puedan presentar dentro del entorno laboral.
 8. BIBLIOGRAFÍA

GEOTUTORIALES. Análisis de sensibilidad método gráfico. {En línea}. [4 de marzo

2018} disponible en: www.gestiondeoperaciones.net/programacion_lineal/analisis-
de-sensibilidad-metodo-grafico/
GEOTUTORIALES. Análisis de Sensibilidad en Programación Lineal utilizando la
Tabla Final del Método Simplex. {En línea}. [4 de marzo 2018} disponible en:
www.gestiondeoperaciones.net/programacion_lineal/analisis-de-sensibilidad-en-
programacion-lineal-utilizando-la-tabla-final-del-metodo-simplex/
CARRO, Roberto. Investigación de operaciones en administración: Análisis de
sensibilidad o de post optimalidad. 2da Edición. Mar de plata: Universidad nacional
mar de plata, 2009. 92p.
TAHA, Hamdy. Investigación de operaciones. Séptima edición. México: Pearson
educación, 2004. 165p – 200p.
WISTON, Wayne. Operations research applications and algorithms. Cuarta edición.
Canadá: Thomson learning, 2004. 360p-363p.
SALAZAR LÓPEZ, Brayan. “Problemas de Asignación”. {En línea}. {1 de marzo de
2019}. Disponible en: (https://www.ingenieriaindustrialonline.com/herramientas-
para-el-ingeniero-industrial/investigaci%C3%B3n-de-operaciones/problemas-de-
asignaci%C3%B3n/).