INTRODUCCIÓN A LA

INVESTIGACIÓN
OPERATIVA

Iván Castillo López

Iván Castillo López Página 1

1 ¿Qué es la Investigación Operativa?

La Investigación Operativa o investigación de

operaciones (I.O.) es la ciencia de la toma de
decisiones, es decir la aplicación de métodos
analíticos y el desarrollo de modelos matemáticos que
apoyen la toma de decisiones.

La metodología que utiliza la I.O. para enfrentar un

problema se resume en:

a) Definición del problema

Identificar el ámbito, más específicamente se

refiere a considerar la dimensión espacial,
dimensión temporal u horizonte, separabilidad de
las decisiones (impacto de las decisiones en otros
o dentro del sistema), recursos disponibles y
tecnología.

Definir los objetivos y

Definir las alternativas de decisión.

Iván Castillo López Página 2

 b)Construcción del modelo

Modelo = una aproximación a la realidad.

Se necesitan construir modelos matemáticos

(modelos que emplean elementos matemáticos en su
formulación, signos, variables, funciones), que
represente el sistema en que se desarrolla el
problema (sistema de producción, sistemas logísticos,
sistemas de distribución, etc)

Los elementos característicos de estos modelos son:

las variables, las restricciones y las medidas de
efectividad.

Las variables se clasifican en tres grupos:

Variables de decisión o endógenas: Son las

variables cuyo resultado se conocerá con la
resolución del modelo, los valores generados son
las decisiones que se deberán tomar.

Variables exógenas o parámetros: Valores que

están fuera del alcance del tomador de

Iván Castillo López Página 3

 decisiones, desde el punto del vista del modelo
son datos:

Variables de estado: variables que muestran el
estado del modelo en un instante dado, depende
de las variables de decisión y de estado.

Las restricciones se refieren a las limitaciones de las

variables de decisión.

Las medidas de efectividad son funciones que nos

permiten comparar cuál decisión es mejor o peor.

Dada la dificultad de representar problemas de la vida

real es necesario hacer supuestos válidos en la
construcción de un modelo.

Sin embargo, muchos de los sistemas complejos de la

vida real no se pueden representar por modelos
matemáticos, por este motivo la I.O. hace uso de
otros enfoques, como ser la simulación, teoría de
juegos, teoría de colas, etc.

c) Resolución del modelo

Consiste en determinar los valores de las variables de

decisión, para esto se deben emplear las técnicas y el

Iván Castillo López Página 4

software adecuado, sin embargo no es posible
siempre resolver un modelo, esto se debe
principalmente en la lenta convergencia de los
algoritmos o lo que es peor la complejidad del modelo
la cual puede hacer que el problema sea imposible
computacionalmente de resolver por el algoritmo.

Para algunas de estas situaciones se han desarrollado

procedimientos llamados heurísticas, que también
son iterativos pero que no garantizan la optimalidad
de la solución, estos métodos se utilizan a fin de
acelerar la convergencia o para obtener soluciones
aproximadas no necesariamente óptimas.

Además es útil proveer información acerca de la

variación de algunos parámetros y su efecto en la
solución del modelo, a este análisis se llama análisis
de sensibilidad.

d) Validación del modelo

Se refiere a que el modelo debe ser probado,

concretamente lo que se hace es verificar que los
resultado del mismo sean compatibles con la realidad

Iván Castillo López Página 5

 e) Implementación y control

Implementación computacional, procedimientos que

permitan utilizar los resultados del modelo

2 Disciplinas de la investigación operativa

2.1 Programación matemática u optimización

Conjunto de técnicas para determinar valores de

variables de decisión, de modo que se obtenga el
mejor valor de una medida de efectividad (función
objetivo) y se cumplan ciertas restricciones.

Cuando se tiene más de una medida de rendimiento

se llama programación multicriterio y cuando se
incluye la incertidumbre de los parámetros se llama
programación matemática estocástica.

2.2 Programación dinámica

Técnica en que se resuelve el problema identificando

una estructura dinámica de las variables de decisión,
es decir se toman las mismas decisiones en varias
etapas y en que las decisiones dependen del estado
en que se encuentre y del estado anterior.

Iván Castillo López Página 6

2.3 Teoría de colas

Técnica que estudia el fenómeno de espera y trata de

representar el sistema de colas. El fenómeno de la
espera no solo involucra a seres humanos, los
trabajos en una fábrica esperan a ser procesados, los
aviones esperan autorización para aterrizar, las
llamadas a un call center deben tener el menor
tiempo de espera.

2.4 Simulación

Estudios de sistemas, en los que se busca es

reproducir su comportamiento y no optimizarlo.

2.5 Teoría de Juegos

Estudia problemas donde 2 o más agentes buscan

alcanzar cierto grado de equilibrio.

2.6 PROBLEMA GENERAL DE OPTIMIZACIÓN

El problema general de optimización matemática

cosiste en determinar los valores de las variables de
decisión, de modo que se optimice el valor de una
medida de rendimiento o efectividad y de tal forma
que se cumplan las restricciones.

Iván Castillo López Página 7

Un problema básico de optimización puede ser
modelado de la siguiente forma

‫݂ ܰܫܯ‬ሺ‫ݔ‬ሻ ‫݂ ܺܣܯ‬ሺ‫ݔ‬ሻ

‫ݏ‬. ܽ. O bien ‫ݏ‬. ܽ.

x∈ ܵ x∈ ܵ

݂ ሺ‫ ݔ‬ሻ es la medida de efectividad o función objetivo, la

cual es una función escalar multivariada.

Las restricciones limitan el valor de las variables de

decisión, entonces estas deben pertenecer a un
conjunto S, por tanto todas las variables que cumplan
todas las restricciones se llaman solución factible y si
esta es la mejor se llama solución óptima.

Cuando el problema no tiene restricciones se llaman

no restringido o irrestricto, caso contrario es
restringido, entonces en la anterior formulación S es
el conjunto de soluciones factibles.

Ahora, consideremos el siguiente problema de

optimización

Iván Castillo López Página 8

 ‫݂ ܰܫܯ‬ሺ‫ݔ‬ሻ

‫ݏ‬. ܽ.

݃௜ ሺ‫ݔ‬ሻ ≤ 0 ݅ = 1 … ݉

Si las funciones f(x) y g(x) son lineales, el problema se

llama programación lineal (linear programming LP),
si al menos una de ellas no es lineal, entonces el
problema se llama programación no lineal.

Si las variables son del tipo que pueden tomar valores

en un intervalo de la recta real, se dice que el
problema es continuo, si una variable puede tomar
valores solamente en un conjunto de valores enteros
se dice que ella es entera, si todos las variable toman
valores enteros, se dice que el problema es de
programación entera (integer programing IP), un
caso particular es cuando las variable pueden tomar
solamente valores de cero o uno, en tal caso la
variable se llama binaria, si las variables pueden
tomar valores tanto enteros como continuos el
problema es de programación entera mixta (mixed
integer programming MIP).

Iván Castillo López Página 9

2.7 Clasificación de modelos

Según las características de las funciones, un

problema se divide principalmente en determinístico
y estocástico, este último se refiere a problemas en
que los parámetros tienen un comportamiento
incierto, caso contrario es deterministico.

En las figura se puede visualizar la clasificación de los

modelos de optimización.

Iván Castillo López Página 10

3 Algoritmos, Métodos y Heurísticas

Una instancia es especificar valores para todos los

parámetros de un problema.

Un método es una secuencia finita o infinita de pasos

para determinar la solución a una instancia dada

Algoritmo es un secuencia FINITA de pasos que

garantiza la solución a instancia dada

Ante la dificultad de problemas aun no se han

desarrollado algoritmos o si existen tardan demasiado
en encontrar una solución, ante este hecho se ha
desarrollado heurísticas que son procedimientos que
en un tiempo razonable son capaces de encontrar
buenas aproximaciones a la solución.

Una heurística se puede describir como un

procedimiento que se basa en un conjunto de ideas
intuitivas, que sin ser rigurosos, puedan ser utilizadas
en la búsqueda de soluciones de calidad para un
problema dado.

Iván Castillo López Página 11

4 Complejidad de problemas

La complejidad de un algoritmo se define como el

tiempo máximo que se requiere para resolver una
instancia de un tamaño L

La complejidad de un problema está definido por el

algoritmo que mejor lo resuelve.

La complejidad de un algoritmo esta dado por la

mayor cantidad de pasos necesarios para resolver el
problema.

Problema P: existe un algoritmo que en tiempo

polinomial lo resuelve

Problema NP. Existe un algoritmo no deterministico

que lo resuelve en tiempo polinomial

Problema NP completo. Problemas muy difícilmente

aun no resueltos eficientemente

Iván Castillo López Página 12