INVESTIGACIN DE

OPERACIONES
Ing. Carlos Alfredo Gil Narvaez
RESEA HISTRICA
Las primeras actividades formales de la
Investigacin de Operaciones se dieron en
Inglaterra durante la Segunda Guerra Mundial,
cuando se encomend a un equipo de cientficos
ingleses la toma de decisiones acerca de la mejor
utilizacin de materiales blicos. Al termino de la
guerra, estas ideas fueron adaptadas para
mejorar la eficiencia y la productividad en el
sector civil.
Un elemento principal de la investigacin de
operaciones es el modelado matemtico
CONCEPTO
La Investigacin de Operaciones o Investigacin
Operativa, es una rama de las Matemticas
consistente en el uso de modelos matemticos y
algoritmos con objeto de realizar un proceso de
toma de decisiones. Frecuentemente, trata del
estudio de complejos sistemas reales, con la
finalidad de mejorar (u optimizar) su
funcionamiento.
La investigacin de operaciones permite el
anlisis de la toma de decisiones teniendo en
cuenta la escasez de recursos, para determinar
cmo se puede optimizar un objetivo definido,
como la maximizacin de los beneficios o la
minimizacin de costos.
MODELOS MATEMTICOS
Imaginemos que tenemos un compromiso por
cinco semanas entre Lima y Tacna. Vuela hacia
Tacna el Lunes y retorna el Mircoles. Un pasaje
ida y vuelta cuesta 180 Dlares, pero se ofrece un
descuento del 20% si las fechas del viaje abarcan
un fin de semana. Un boleto de viaje en cualquier
direccin cuesta el 75% del precio regular (solo
ida). Cmo debe de comprar los boletos para
reducir el costo de traslado durante las 5
semanas?
Se puede considerar que el caso es un problema de
toma de decisiones, cuya solucin requiere
identificar tres componentes:
Cules son las alternativas de solucin?

Bajo que restricciones se toma la decisin?

Cul es el criterio objetivo adecuado para

evaluar las alternativas?
Aunque el ejemplo anterior ilustra los tres
componentes principales de un modelo de IO, los
cuales son: alternativas, criterio objetivo y
restricciones, las situaciones difieren por los
detalles de la construccin de cada componente y la
solucin del modelo resultante. Para ilustrar este
punto, considere la formacin de un rectngulo de
rea mxima con un trozo de alambre de L
centmetros de longitud. Cul ser el mejor ancho
y altura del rectngulo?
En contraste con el ejemplo de los boletos, el
nmero de alternativas en este ejemplo no es finito;
es decir, el ancho y la altura del rectngulo pueden
asumir una cantidad infinita de valores porque son
variables continuas. Para formalizar esta
observacin, las alternativas del problema se
identifican definiendo el ancho y la altura como
variables algebraicas:

w = ancho del rectngulo en pulgadas,

h = altura del rectngulo en pulgadas.
Con base en estas definiciones, las restricciones de
la situacin pueden expresarse verbalmente como

1. Ancho del rectngulo + altura del rectngulo =

la mitad de la longitud del alambre.

2. El ancho y la altura no pueden ser negativos.

Estas restricciones se traducen de manera algebraica
como sigue
1. 2 ( w + h )= L
2. w 0; h 0
Ahora el nico componente restante es el objetivo del
problema; es decir, maximizar el rea del rectngulo. Si
Z se define como el rea del rectngulo, el modelo
completo es

Maximizar Z= wh
sujeto a
2 ( w + h )= L
w, h 0
Utilizando clculo diferencial, la mejor solucin de
este modelo es w = h = L / 4 la cual requiere la
construccin de una forma cuadrada.

Con los datos de los dos ejemplos anteriores, el

modelo general de IO se organiza en el siguiente
formato general:
MODELO PRESCRIPTIVO O DE
OPTIMIZACIN
Un modelo de este tipo dicta el comportamiento
para una organizacin que le permitir a esta
alcanzar mejor sus metas. Entre los elementos de
un modelo prescriptivo tenemos:

Funcin objetivo
Variables de decisin
Restricciones
Una solucin del modelo es factible si satisface
todas las restricciones; es ptima si, adems de ser
factible, produce el mejor valor (mximo o mnimo)
de la funcin objetivo. En el ejemplo de los boletos,
el problema considera tres alternativas factibles, y
la tercera es la que produce la solucin ptima. En
el problema del rectngulo, una alternativa factible
debe satisfacer la condicin w + h = L / 2 donde w y
h son variables no negativas. Esta definicin
conduce a una infinidad de soluciones factibles y, a
diferencia del problema de los boletos, el cual
utiliza una sencilla comparacin de precios, la
solucin ptima se determina aplicando clculo
diferencial.
 PROBLEMAS
1.En el ejemplo de los boletos, identifique una cuarta alternativa
factible.
2.En el problema del rectngulo, identifique dos soluciones factibles, e
indique cul es la mejor.
3. Amy, Jim, John y Kelly estn en la ribera de un ro y desean cruzar
a la ribera opuesta en una canoa, la cual slo puede llevar dos
personas a la vez. Como Amy es la ms atltica, puede cruzar el ro
remando en 1 minuto. Jim, John y Kelly lo haran en 2, 5 y 10
minutos, respectivamente. Si dos personas estn en la canoa, la
persona ms lenta determina el tiempo de cruce. El objetivo es que las
cuatro personas estn en la ribera opuesta en el menor tiempo
posible.
(a)Identifique por los menos dos planes factibles para cruzar el ro
(recuerde que la canoa es el nico medio de transporte y que no puede
viajar vaca).
(b)Defina el criterio para evaluar las alternativas.
(c)Cul es el menor tiempo para llevar a las cuatro personas al otro
SOLUCIN DEL MODELO DE IO
En la investigacin de operaciones no se cuenta con
una tcnica general nica para resolver todos los
modelos que puedan surgir en la prctica. En su
lugar, el tipo y complejidad del modelo matemtico
determina la naturaleza del mtodo de solucin.
Por ejemplo, la solucin del problema de los boletos
requiere una clasificacin simple de las
alternativas, basada en el precio de la compra total,
mientras que la solucin del problema del
rectngulo utiliza clculo diferencial para
determinar el rea mxima.
La tcnica de IO ms importante es la
programacin lineal. Est diseada para
modelos con funciones objetivo y restricciones
lineales. Otras tcnicas incluyen la programacin
entera (en la cual las variables asumen valores
enteros), la programacin dinmica (en la cual
el modelo original puede descomponerse en
subproblemas ms pequeos y manejables), la
programacin de red (en la cual el problema
puede modelarse como una red), y la
programacin no lineal (en la cual las funciones
del modelo son no lineales). stas son slo algunas
de las muchas herramientas de IO con que se
cuenta.
Una peculiaridad de la mayora de las tcnicas de
IO es que por lo general las soluciones no se
obtienen en formas cerradas (como si fueran
frmulas), sino que ms bien se determinan
mediante algoritmos. Un algoritmo proporciona
reglas fijas de clculo que se aplican en forma
repetitiva al problema, y cada repeticin (llamada
iteracin) acerca la solucin a lo ptimo. Como los
clculos asociados con cada iteracin suelen ser
tediosos y voluminosos, es recomendable que estos
algoritmos se ejecuten
con la computadora.
FASES DE UN ESTUDIO DE IO
Es una ciencia por las tcnicas matemticas que
incorpora, y un arte porque el xito de las fases que
conducen a la solucin del modelo matemtico
depende en gran medida de la creatividad y
experiencia del equipo de IO.Willemain (1994)
manifiesta que una prctica [de IO] eficaz requiere
ms que competencia analtica. Tambin requiere,
entre otros atributos, juicio tcnico (es decir,
cundo y cmo utilizar una tcnica dada), as como
habilidades de comunicacin y supervivencia
organizacional.
Es difcil prescribir cursos de accin especficos
(semejantes a los que indica la teora precisa de la
mayora de los modelos matemticos) para estos
factores intangibles.
Sin embargo, podemos ofrecer lineamientos
generales para la implementacin de la IO en la
prctica.
Para implementar la IO en la prctica, las fases
principales son:

1. Definicin del problema.

2. Construccin del modelo.
3. Solucin del modelo.
4. Validacin del modelo.
5. Implementacin de la solucin.
La definicin del problema implica definir el alcance del
problema investigado. Esta funcin debe ser realizada por
todo el equipo de IO. El objetivo es identificar tres elementos
principales del problema de decisin: (1) descripcin de las
alternativas de decisin; (2) determinacin del objetivo del
estudio, y (3) especificacin de las limitaciones bajo las cuales
funciona el sistema modelado.
La construccin del modelo implica un intento de
transformar la definicin del problema en relaciones
matemticas. Si el modelo resultante se ajusta a uno de los
modelos matemticos estndar, como la programacin lineal,
se suele obtener una solucin utilizando los algoritmos
disponibles. Por otra parte, si las relaciones matemticas son
demasiado complejas como para permitir la determinacin de
una solucin analtica, el equipo de IO puede optar por
simplificar el modelo y utilizar un mtodo heurstico, o bien
considerar la simulacin, si es lo apropiado. En algunos casos,
una simulacin matemtica puede combinarse con modelos
heursticos para resolver el problema de decisin.
La solucin del modelo es por mucho la ms
sencilla de todas las fases de IO porque implica el
uso de algoritmos de optimizacin bien definidos.
Un aspecto importante de la fase de solucin del
modelo es el anlisis de sensibilidad. Tiene que ver
con la obtencin de informacin adicional sobre el
comportamiento de la solucin ptima cuando el
modelo experimenta algunos cambios de
parmetros. El anlisis de sensibilidad es
particularmente necesario cuando no se pueden
estimar con precisin los parmetros del modelo.
En estos casos es importante estudiar el
comportamiento de la solucin ptima en el entorno
de los parmetros estimados.
La validez del modelo comprueba si el modelo propuesto
hace en realidad lo que dice que hace, es decir, predice
adecuadamente el comportamiento del sistema que se
estudia? Al principio, el equipo de IO debe estar convencido
de que el resultado del modelo no contenga sorpresas. En
otras palabras, tiene sentido la solucin? Los resultados son
intuitivamente aceptables? Del lado formal, un mtodo comn
de comprobar la validez de un modelo es comparar su
resultado con resultados histricos. El modelo es vlido si, en
condiciones de datos de entrada iguales, reproduce de forma
razonable el desempeo pasado. Sin embargo, no suele haber
seguridad de que el desempeo futuro continuar copiando el
comportamiento pasado. Adems, como el modelo se basa en
el examen cuidadoso de datos pasados, la comparacin
propuesta casi siempre es favorable. Si el modelo propuesto
representara un sistema nuevo (inexistente), no habra datos
histricos disponibles. En esos casos podemos utilizar la
simulacin como una herramienta independiente para
comprobar el resultado del modelo matemtico.
La implementacin de la solucin de un modelo
validado implica la transformacin de los
resultados en instrucciones de operacin
comprensibles que se emitirn a las personas que
administrarn el sistema recomendado. La
responsabilidad de esta tarea recae principalmente
en el equipo de IO.
PROGRAMACIN LINEAL
La programacin lineal se aplica a modelos de
optimizacin en la que la funcin objetivo y
restricciones son estrictamente lineales. La
tcnica se aplica en una amplia variedad de
casos, en los campos de agricultura, industria,
transporte, economa, salud, ciencias sociales y
militar.
Tambin produce algoritmos eficientes de
computo para problemas de miles de restricciones
y variables. En realidad, debido a su tremenda
eficiencia de clculo, la programacin lineal
forma la columna vertebral de los algoritmos de
solucin para otros modelos de investigacin de
operaciones.
Sin embargo, podemos ofrecer lineamientos
generales para la implementacin dela IO en la
prctica. Para implementar la IO en la prctica, las
fases principales son:
 MODELO DE PROGRAMACIN LINEAL CON
DOS VARIABLES

La compaa Vencedor produce pinturas para

interiores y exteriores: Supermate y Latex Rocky.
Tonelada de Materia Prima
Supermate Latex Rocky Disponibilidad
diaria mxima (Tn)

Materia Prima 6 4 24
(M1)

Materia Prima 1 2 6
(M2)

Utilidad por Tn 5 4
(miles de soles S/.)
Segn un estudio de mercado la demanda diaria de
pintura Latex Rocky no puede ser mayor que 1
tonelada mas que la de pintura Supermate.
Tambin, que la demanda mxima diaria de
pintura Latex Rocky es de 2 toneladas.
Vencedor desea determinar la mescla optima que
maximice la utilidad diaria total.
 Para el problema de Vencedor se necesita
determinar las cantidades a producir de ambos
tipos de pintura.

x1, Toneladas a producir diariamente de pintura

Supermate

x2, Toneladas a producir diariamente de pintura

Latex Rocky
 Para formar la funcin objetivo, la empresa desea
aumentar sus utilidades todo lo posible. Si z
representa la utilidad diaria, el objetivo de la
empresa se expresa asi:

Maximizar z = 5 x1 + 4 x2
 Ahora definiremos las restricciones que limitan el uso de las materias
primas y la demanda.
Segn los datos del problema:
Uso de la materia prima M1 = 6x1 + 4x2
Uso de la materia prima M2 = 1x1 + 2x2
Ya que la disponibilidad de las materias primas M1 y M2 se limitan a 24 y
6 toneladas, respectivamente, las restricciones se expresan de la siguiente
manera:
6x1 + 4x2 <= 24
x1 + 2x2 <= 6
La primera restriccin de la demanda indica que la diferencia entre la
produccin diaria de pinturas Latex Rocky y Supermate, x2 - x1, no
debe ser mayor que una tonelada y eso se traduce en x2 x1 <= 1
La segunda indica que la demanda diaria mxima de pintura Latex
Rocky no puede superar las 2 toneladas. x2 <= 2
Una de las restricciones que se sobreentiende es la de no negatividad
x1, x2 >= 0
 El modelo de Vencedor completo es:
Maximizar z = 5 x1 + 4 x2

Sujeto a

6x1 + 4x2 <= 24

x1 + 2x2 <= 6
-x1 + x2 <= 1
x2 <= 2

x1 , x2 >= 0
SOLUCIN GRFICA
El procedimiento de solucin grfica comprende
dos pasos:

Determinacin del espacio de soluciones que define

todas las soluciones factibles del modelo

Determinacin de la solucin ptima, entre todos los

puntos factibles del espacio de solucin
PASO 1. DETERMINACIN DEL ESPACIO
DE SOLUCIONES FACTIBLES
X2

X2 = 2
2

1 2 3 4 5 6 X1
DETERMINACIN DE LA SOLUCIN OPTIMA
PRACTICA CALIFICADA
Unos grandes almacenes encargan a un fabricante pantalones y chaquetas
deportivas. El fabricante dispone para la confeccin de 750 m de tejido de
algodn y 1000 m de tejido de polister. Cada pantaln precisa 1 m de algodn
y 2 m de polister. Para cada chaqueta se necesitan 1.5 m de algodn y 1 m de
polister. El precio del pantaln se fija en S/. 50 y el de la chaqueta en S/. 40
Qu nmero de pantalones y chaquetas debe suministrar el fabricante a los
almacenes para que stos consigan una venta mxima?

Una compaa fabrica y venden dos modelos de lmpara L1 y L2. Para su

fabricacin se necesita un trabajo manual de 20 minutos para el modelo L1 y de
30 minutos para el L2; y un trabajo de mquina de 20 minutos para L1 y de 10
minutos para L2. Se dispone para el trabajo manual de 100 horas al mes y para
la mquina 80 horas al mes. Sabiendo que el beneficio por unidad es de S/.15 y
S/.10 para L1 y L2, respectivamente, planificar la produccin para obtener el
mximo beneficio.

En un Almacn de frutas hay 800 Kg de naranjas, 800 Kg de manzanas y 500

Kg. de Pltanos. Para su venta se hacen dos lotes (A y B). El lote A contiene 1
Kg de naranjas, 2 Kg de manzanas y 1 kg de pltanos; el lote B se compone de 2
Kg de naranjas, 1 kg de manzanas y 1 Kg de pltanos. La utilidad por
kilogramo que se obtiene del lote A es S/. 12.00 y con el lote B S/14.00.
Determinar el nmero de kilogramos de cada tipo para conseguir beneficios
mximos.
 Unos grandes almacenes encargan a un fabricante
pantalones y chaquetas deportivas. El fabricante
dispone para la confeccin de 750 m de tejido de
algodn y 1000 m de tejido de polister. Cada
pantaln precisa 1 m de algodn y 2 m de polister.
Para cada chaqueta se necesitan 1.5 m de algodn y 1
m de polister. El precio del pantaln se fija en S/. 50
y el de la chaqueta en S/. 40 Qu nmero de
pantalones y chaquetas debe suministrar el
fabricante a los almacenes para que stos consigan
una venta mxima?

x1 = Cantidad de pantalones
x2 = Cantidad de chaquetas

Maximizar z - 50x1 - 40x2

Sujeto a
x1 + 1.5x2 + x3 = 750
2x1 + x2 + + x4 = 1000

x1, x2 >= 0
 Una compaa fabrica y venden dos modelos de
lmpara L1 y L2. Para su fabricacin se necesita un
trabajo manual de 20 minutos para el modelo L1 y de
30 minutos para el L2; y un trabajo de mquina de 20
minutos para L1 y de 10 minutos para L2. Se dispone
para el trabajo manual de 100 horas al mes y para la
mquina 80 horas al mes. Sabiendo que el beneficio
por unidad es de S/.15 y S/.10 para L1 y L2,
respectivamente, planificar la produccin para
obtener el mximo beneficio.

x1 = Cantidad de Lmparas L1
x2 = Cantidad de Lmparas L2

Maximizar z 15x1 - 10x2

Sujeto a
20x1 + 30x2 + x3 = 6000
20x1 + 10x2 + x4 = 4800

x1, x2 >= 0
 En un Almacn de frutas hay 800 Kg de naranjas, 800
Kg de manzanas y 500 Kg. de Pltanos. Para su venta
se hacen dos lotes (A y B). El lote A contiene 1 Kg de
naranjas, 2 Kg de manzanas y 1 kg de pltanos; el
lote B se compone de 2 Kg de naranjas, 1 kg de
manzanas y 1 Kg de pltanos. La utilidad por
kilogramo que se obtiene del lote A es S/. 12.00 y con
el lote B S/14.00. Determinar el nmero de
kilogramos de cada tipo para conseguir beneficios
mximos.

x1 = Cantidad de Lote A
x2 = Cantidad de Lote B

Maximizar z 12x1 - 14x2

Sujeto a
x1 + 2x2 + x3 = 800
2x1 + x2 + x4 = 800
x1 + x2 + x5 = 500

x1, x2 >= 0
EL MTODO SIMPLEX
Es un algoritmo iterativo para resolver de una forma
eficiente los problemas de Programacin Lineal de gran
tamao. Fue desarrollado primeramente en 1947 por C.B.
Dantizg y sus colaboradores en el Departamento de las
Fuerza Areas de los Estados Unidos. Posteriormente, se
han realizado algunas modificaciones para incrementar su
eficiencia de clculo pero el mtodo es bsicamente el
mismo.
Una propiedad general del mtodo simplex es que resuelve
la programacin lineal en iteraciones. Cada iteracin
desplaza la solucin a un nuevo punto esquina que tiene
potencial de mejorar el valor de la funcin objetivo. El
proceso termina cuando ya no se pueden obtener mejoras.
El mtodo Simplex implica clculos tediosos y voluminosos,
lo que hace que la computadora sea una herramienta
esencial para resolver los problemas de programacin
lineal.
EXPLICACIN GRFICA DEL PROCESO
SIMPLEX
Ya se ha apuntado en el procedimiento de solucin
grfica que la bsqueda de una solucin ptima debe
hacerse nicamente en los vrtices del espacio factible
de solucin. Esto es fcil de comprender en un
problema con slo dos variables y tres restricciones,
pero en problemas mayores se necesita un
procedimiento para identificas y evaluar todos los
vrtices.
En el mtodo Simplex, la bsqueda comienza,
normalmente, en el origen y se desplaza al vrtice
adyacente que incremente el valor de la funcin
objetivo. Cuando se alcanza el nuevo vrtice, la
bsqueda se desplaza hacia otro nuevo adyacente que
sea mejor que el ltimo. El proceso contina hasta
que no se pueda lograr ninguna mejora.
CONVERSIN DE DESIGUALDADES A
ECUACIONES
En las restricciones ( ), el lado derecho representa el lmite de
disponibilidad de un recurso, y en ese caso el lado izquierdo
representara el uso de ese recurso limitado por parte de las
actividades (variables) del modelo. La diferencia entre el lado
derecho y el lado izquierdo de la restriccin representa, la
cantidad no usada u holgura del recurso.

Para convertir una desigualdad ( ) en una ecuacin, se agrega

una variable de holgura al lado izquierdo de la restriccin. Por
ejemplo, en el ejemplo de Vencedor la restriccin asociada con el
uso de la materia prima M1 esta dada como
6X1 + 4X2 24

Si se define h1 como la holgura, o cantidad no usada, de M1, la restriccin se puede

convertir en la siguiente ecuacin
6X1 + 4X2 + S1 = 24, h1 0
 Una restriccin () establece, normalmente, un lmite
inferior para las actividades del modelo de
programacin lineal, como tal, la cantidad por la que
el lado izquierdo es mayor que lmite mnimo (lado
derecho) representa un excedente.

La conversin de () a (=) se logra restando una

variable de excedencia, del lado izquierdo de la
desigualdad. Ejemplo
X1 + X2 800

Si se define S1 como una variable de excedencia, se

puede convertir en la siguiente ecuacin:
X1 + X2 - S1 = 800, S1 0
NATURALEZA ITERATIVA DEL MTODO
SIMPLEX
La figura muestra el espacio de soluciones de la
programacin lineal del ejemplo Vencedor.
Normalmente, el mtodo simplex comienza en el origen
(punto A), donde x1 = x2 = 0. En este punto de inicio, el
valor de la funcin objetivo z es cero.
ALGORITMO SIMPLEX
Para explicar los detalles de clculo de una iteracin
simplex, que incluyen las reglas para determinar las
variables de entrada y salida, as como para detener los
clculos cuando se ha llegado a la solucin ptima. Como
medio de explicacin usaremos un ejemplo.

Maximizar z = 5 x1 + 4 x2

Sujeto a

6x1 + 4x2 <= 24

x1 + 2x2 <= 6
-x1 + x2 <= 1
x2 <= 2
x1 , x2 >= 0
 Maximizar z - 5x1 - 4x2 = 0

6x1 + 4x2 + h1 = 24
x1 + 2x2 + h2 = 6
-x1 + x2 + h3 = 1
x2 + h4 = 2

x1, x2, h1, h2, h3, h4 0

Bsic z x1 x2 h1 h2 h3 h4 Soluci
a n
z 1 -5 -4 0 0 0 0 0

h1 0 6 4 1 0 0 0 24

h2 0 1 2 0 1 0 0 6

h3 0 -1 1 0 0 1 0 1

h4 0 0 1 0 0 0 1 2
 En el diseo de la tabla se especifica el conjunto
de variables bsicas y no bsicas, y tambin se
muestra la solucin asociada con la iteracin de
inicio. Como se explic anteriormente las
iteraciones simplex comienzan en el origen
(x1,x2)=(0,0). As, el conjunto asociado de
variables no bsicas y bsicas se define como
sigue:

Variables no bsicas (cero): (x1,x2)

Variables bsicas: (h1, h2, h3,h4)
 Se debe seleccionar para Entrar en la solucin
bsica a la variable no bsica con el mayor
coeficiente negativo, en nuestro caso x1 = -5
Si fuera el caso que todos los coeficientes de la
funcin objetivo mayores a cero, no sera posible
mejorar z y eso querra decir que se habra
llegado al ptimo.
Para determinar la variable de salida, en forma
directa con la tabla, se calculan las
intersecciones, o coordenadas (x1)
Bsica z x1 x2 h1 h2 h3 h4 Soluci
n

z 1 -5 -4 0 0 0 0 0

h1 0 6 4 1 0 0 0 24 X1=24/6=4

h2 0 1 2 0 1 0 0 6 X1=6/1=6

h3 0 -1 1 0 0 1 0 1 X1=1/-1=-1
(ignorar)

h4 0 0 1 0 0 0 1 2 X1=2/0 =
(ignorar)
 Los clculos necesarios para obtener la nueva solucin
bsica son de dos tipos:
Fila Pivote
Nueva fila pivote = Fila Pivote / Elemento Pivote

Las dems filas

Nueva fila = fila actual (su coeficiente en la columna pivote) *
nuevo fila pivote

Bsica z x1 x2 h1 h2 h3 h4 Soluci
n
z

h1 0 6 4 1 0 0 0 24

h2

h3

h4