Registro Proyecto

FICHA DE IDENTIFICACIÓN DE TRABAJO DE INVESTIGACIÓN
Título
Nombres y Apellidos Código de estudiantes
Álvarez Cocha David 201315736
Autor/es Camacho Morales Milton 201312842
Rojas Rioja Wilson 201311964
Fecha 27/11/2018
Carrera Ingeniería En gas y petróleo

Asignatura Investigación Operativa
Grupo A
Docente Ing. Edwin Jara Arias
Periodo Académico Semestre II/2018
Subsede Sacaba-Cbba
Copyright © (2018) por (David, Milton, Wilson). Todos los derechos reservados.
.
RESUMEN:
Título: Investigación operativa en el ámbito petrolero
Autor/es: Álvarez Cocha David, Camacho Morales Milton, Rojas Rioja Wilson
La investigación de operaciones significa "hacer investigación sobre las operaciones”.

Entonces, la investigación de operaciones se aplica a problemas que se refieren a la
conducción y coordinación de operaciones (o actividades) dentro de una organización. La
naturaleza de la organización es esencialmente inmaterial y, de hecho, la investigación de
operaciones se ha aplicado de manera extensa en áreas tan diversas como la manufactura,
el transporte, la constitución, las telecomunicaciones, la planeación financiera, el cuidado
de la salud, la milicia y los servicios públicos, por nombrar sólo unas cuantas. Así, la
gama de aplicaciones es extraordinariamente amplia
Palabras clave: investigación operativa, simplex, operaciones.
ABSTRACT:
Operations research means "doing research on operations." Then, operations research

applies to problems that relate to the conduct and coordination of operations (or activities)
within an organization. The nature of the organization is essentially immaterial and, in
fact, the investigation of operations has been applied extensively in areas as diverse as
manufacturing, transportation, the constitution, telecommunications, financial planning,
health care, the military and public services, to name just a few. Thus, the range of
applications is extremely wide.
Key words: operational research, simplex, operations.
Asignatura: Investigación Operativa

Carrera: Ingeniería en gas y petróleo Página 4 de 33
Tabal de contenido
Introducción.......................................................................................................................4
Capítulo 1. Planteamiento del Problema............................................................................5
3.1 Objetivos...............................................................................................................5
Objetivo general.........................................................................................................5
Objetivos específicos..................................................................................................5
3.2 Justificación..........................................................................................................5
3.3 Planteamiento de hipótesis...................................................................................5
Capítulo 2. Marco Teórico..................................................................................................6
2.1 Desarrollo del marco teórico................................................................................6
Capítulo 3. Método...........................................................................................................28
3.1 Tipo de Investigación..........................................................................................28
3.2 Operacionalización de variables.........................................................................28
3.3 Técnicas de Investigación...................................................................................28
Capítulo 4. Cálculos y resultados.....................................................................................29
Capítulo 5. Conclusiones..................................................................................................32
Referencias.......................................................................................................................33

Introducción
Como su nombre lo dice, la investigación de operaciones significa "hacer

investigación sobre las operaciones". Entonces, la investigación de operaciones se aplica a
problemas que se refieren a la conducción y coordinación de operaciones (o actividades)
dentro de una organización. La naturaleza de la organización es esencialmente inmaterial y,
de hecho, la investigación de operaciones se ha aplicado de manera extensa en áreas tan
diversas como la manufactura, el transporte, la constitución, las telecomunicaciones, la
planeación financiera, el cuidado de la salud, la milicia y los servicios públicos, por
nombrar sólo unas cuantas. Así, la gama de aplicaciones es extraordinariamente amplia.
La parte de investigación en el nombre significa que la investigación de operaciones usa
un enfoque similar a la manera en que se lleva a cabo la investigación en los campos
científicos establecidos. En gran medida, se usa el método científico para investigar el
problema en cuestión. (De hecho, en ocasiones se usa el término ciencias de la
administración como sinónimo de investigación de operaciones.) En particular, el proceso
comienza por la observación cuidadosa y la formulación del problema incluyendo la
recolección de los datos pertinentes. El siguiente paso es la construcción de un modelo
científico (por lo general matemático) que intenta abstraer la esencia del problema real. En
este punto se propone la hipótesis de que el modelo es una representación lo
suficientemente precisa de las características esenciales de la situación como para que las
conclusiones (soluciones) obtenidas sean válidas también para el problema real. Después,
se llevan a cabo los experimentos adecuados para probar esta hipótesis, modificarla si es
necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como
validación del modelo.)

Capítulo 1. Planteamiento del Problema
¿Cómo generar mayores beneficios en la industrialización y comercialización de

hidrocarburos en una refinería o plataforma petrolera, aplicando la investigación operativa
para la carrera de ingeniería petrolera?
3.1 Objetivos
Objetivo general
Aplicar la investigación operativa para generar mayor beneficio en una refinería, con la
menor utilización de recursos
Objetivos específicos
 Formular modelos en investigación operativa aplicando métodos que nos de la

investigación de operaciones para poder tomar las mejores decisiones que nos
generen mayores benéficos.
 Generar modelos que puedan ser aplicados para la optimización o maximización

de beneficios (método simplex), en el área petrolera.
3.2 Justificación
El tema presentado en esta investigación es desarrollado debido a la importancia que

tiene la toma de decisiones eficientes en cualquier industria o empresa, y más aún en la
industria o empresas petroleras, ya que estas trabajan capitales enormes y procedimientos
muy complejos que no pueden dar chance a los errores, fallas o malas decisiones porque
ponen en riego los procesos peligrosos y gran cantidad de capital.
3.3 Planteamiento de hipótesis
Toma de decisiones eficiente y eficaz, gracias a la aplicación de métodos de

investigación de operaciones tales como simplex y asignación (húngaro), para la obtención
de un mayor beneficio en el área petrolera.
Capítulo 2. Marco Teórico
3.1 Desarrollo del marco teórico
2.1.1 Introducción a los modelos
¿Porque los modelos?: La modelización es el centro del proceso de toma de decisiones
El proceso estructurado de modelización es el centro de la actividad en Investigación de

Operaciones. Es por eso que la pregunta pertinente es, "¿Se asemeja el modelo al mundo
real?". El modelo no es la realidad, pero sí contiene partes de ella, entonces cabe otra nueva
pregunta que debemos hacernos es: "¿Contiene el modelo las partes importantes que son
relevantes para el problema de decisión?"
El razonamiento y los cálculos simbólicos son fundamentales para la modelización analítica

(es decir, matemática). Por lo tanto, como ocurre con cualquier idioma extranjero, se debe
desarrollar una comprensión de la matemática, que es el idioma de todas las ciencias,
incluido el proceso de modelización en IO que apunta a asistir a quien decide1.
Un modelo mental es la representación de los pensamientos de quien decide sobre la

realidad. Por lo tanto, es una exteriorización de la realidad. Los modelos matemáticos
emplean símbolos y notaciones, incluidos los números. De este modo, existen tres
conceptos diferentes: la realidad, el modelo mental y su representación. En todas sus
formas, la modelización analítica es un procedimiento que reconoce y verbaliza un
problema y luego lo cuantifica convirtiendo las palabras en expresiones matemáticas.
Búsqueda bibliográfica, referente al tema de investigación. La adopción de una teoría o

desarrollo de una perspectiva teórica. Ello implica analizar y exponer los enfoques teóricos
que se consideren válidos o aplicables a los objetivos de la investigación, y que pueden
ayudar a entender o a reconocer mejor hechos o datos que son significativos para la
investigación.

Alternativamente, cuando no existen varios enfoques teóricos, debe presentarse una

explicación del problema aceptada por la mayoría de los trabajos que aparecen en la
literatura.
La modelización analítica es más que un conjunto de conceptos y habilidades que deben
dominarse; incluye métodos de investigación y razonamiento, y los medios de
comunicación (es decir, hacer común lo experimentado individualmente). El modelo
matemático que se confeccione puede incluirse o no dentro del informe, dependiendo del
destinatario. El equipo de IO debe necesariamente redactar un informe que resulte
comprensible a todos los que lo lean.
Lo más importante en la toma de decisiones es entender el problema. Recordar que la
formulación de un problema es generalmente más importante que su solución. De hecho, si
usted puede entender el problema, por lo general, el mismo problema le dirá cómo
resolverlo.
Prescripción de una solución: Es la identificación de una solución estratégica y su etapa de
implementación. Hay que buscar una solución estratégica utilizando las técnicas de
solución que tiene la IO y que veremos mas adelante. Todo problema de decisión gerencial
tiene varias soluciones. Lo que se desea lograr es una solución estratégica satisfactoria,
también llamada "decisión acertada". No existe cosa tal como “la” solución para los

problemas del mundo real. Las soluciones dependen del presupuesto, del tiempo y de
muchas otras restricciones y condiciones.
2.1.2 Bases teóricas especializadas sobre el tema
2.1.2.1 Conceptos en optimización
Una jerarquía problemas ha emergido, junto con una correspondiente colección de técnicas
para su solución. Estos problemas, son conocidos como el problema de la programación
matemática, donde se encuentra el valor de x , tal que:
Min f (x1, x2,..., xn)
Sujeto a
gi (x1 , x2 ,..., xn ) >= bi ,
hj (x) = 0, i =1,..., m
j =1,..., p
Donde ƒ(x), g(x), ℎ(x), son funciones generales del parámetro x ∈ ℛn. Las técnicas
para resolver tales problemas son siempre iterativas, por naturaleza, y su convergencia es
estudiada usando matemáticas del mundo real.
Si la restricción no existe, o es una restricción de igualdad, con menor o igual número de
variables que la función objetivo entonces, el cálculo diferencial, da la respuesta, ya que
solo se trata de buscar los valores extremos de la función.
En el caso de las restricciones como la función objetivo son lineales se encuentra en el
campo de la Programación Lineal, la existencia de máximo o mínimo, está asegurada, y el
problema se reduce a la aplicación de algoritmos de álgebra lineal, tales como el Método
Simplex y Método Dual. En el caso de la Programación No Lineal, existen las

llamadas condiciones de Khun-Tucker, las cuales, en algunos casos, pueden ser utilizadas
para poder encontrar puntos críticos, máximos o mínimos.
Existen diferencias geométricas entre los programas no lineales y los programas lineales.
Aquí se distinguen, dos tipos de soluciones: un óptimo local que está en un lado, y un punto
global que se encuentra en el otro lado del punto conocido como óptimo. Un óptimo local,
es un óptimo con respecto a la solución factible en una región cerrada en dicho punto. Se
formaliza estas dos clases de óptimos, mediante la siguiente definición.
Definición. Sea
x = (x1, x2 ,, xn ) , una solución factible a un problema de
Minimización, con una función objetivo f (x) ; se llama x a:
1. Un mínimo global, siy = ( y1 , y2 ,..., yn ) ;
2. Un mínimo local, si
f (x) = f ( y) , para cada punto factible
f (x) = f ( y) , para cada punto factible
y = (y1, y2,..., yn ) , suficiente cerrado a x . Esto es, si existe un
Número
0 > 0 , muy pequeño, tal que cada variable
El concepto de mínimo local, es muy importante. Muchos procedimientos en programación
no lineal de propósito general, sólo determinan el mínimo local [11].

2.12.2 Soluciones aproximadas
En la actualidad, todos los algoritmos conocidos para problemas NP- completos utilizan
tiempo exponencial, con respecto al tamaño de la entrada. Se desconoce si hay algoritmos
más rápidos, por lo cual, para resolver un problema NP-completo de tamaño arbitrario, se
utiliza uno de los siguientes enfoques:
• Aproximación: Un algoritmo que rápidamente encuentra una solución no
necesariamente óptima, pero dentro de un cierto rango de error. En algunos casos,
encontrar una buena aproximación es suficiente para resolver el problema, pero no todos
los problemas NP-completos tienen algoritmos de aproximación.
• Probabilística: Un algoritmo probabilístico utiliza aleatoriedad para obtener en
promedio una buena solución al problema planteado con una pequeña probabilidad de
fallar, para una distribución dada de los datos de entrada.
• Restricciones: Restringiendo la estructura de las entradas se pueden encontrar
algoritmos más rápidos.
• Casos particulares: Puede ocurrir que se reconozcan casos particulares del problema
para los cuales existen soluciones rápidas.
• Heurísticas: Un algoritmo que trabaja razonablemente bien en muchos casos. En
general son rápidos, pero no existe medida de la calidad de la respuesta.
Las aproximaciones Metaheurísticas suelen ser empleadas. Un ejemplo de algoritmo
heurístico de complejidad O (n log n) es el algoritmo voraz, utilizado para la coloración de
vértices, en algunos compiladores [4].

Desde su origen, la programación matemática, se encuentra abocada en problemas para los
que no existe método analítico alguno que permita obtener, con seguridad y en un tiempo
conveniente, el óptimo teórico. Éste es, por ejemplo, el caso de los problemas
combinatorios en que el sentido común da por imposible la enumeración. Es más que
normal que el tamaño y la naturaleza de ciertos problemas combinatorios nos prohibían
abordarlos por la vía del sentido común. Nuestro buen sentido, educado por la ciencia, sabe
distinguir particularmente los problemas NP completos, para los cuales no existe un
algoritmo que en tiempo polinomial sea capaz de encontrar la solución [11] .
Desde la investigación de Operaciones se ha establecido, por esas razones, métodos
denominados heurísticos, que no proporcionan el óptimo formal, pero susceptibles de llegar
a soluciones buenas, tanto más fiables en cuanto que permiten determinar al mismo tiempo
una cota superior o inferior del óptimo teórico con el que se comparan [11].
Con el auge de las computadoras, hacia principios de los ochenta, estos métodos han ido
ganando terreno, puesto que se iba haciendo, cada vez más, factible y fácil intentar
diferentes heurísticas y juzgar su eficacia relativa.
Durante los últimos años han aparecido una serie de técnicas, denominadas metaheurìsticas,
cuya finalidad es la de encontrar buenas soluciones a problemas de optimización (lineal o
no lineal y con o sin restricciones) [4].
Entre ellas se pueden enumerar los algoritmos genéticos, el recocido simulado, la búsqueda
tabú, entre otras. Su aplicación a los problemas de secuenciación de todo tipo es una
finalidad típica y clásica. Es más, prácticamente todas ellas están basadas en intentar
resolver, de la mejor forma posible, problemas típicos de organización de la producción.
Así, los problemas típicos de secuenciación de trabajos en máquinas, de asignación de
rutas, planificación de la producción, han sido, son y, casi con toda seguridad, serán el
banco de pruebas de las más modernas técnicas de búsqueda de soluciones a problemas en
los que, de entrada, se sacrifica la posibilidad de encontrar la solución óptima [4].
Los Algoritmos Genéticos (GA, del inglés Genetic Algorithms) fueron introducidos por
John H. Holland en 1975, para imitar algunos de los mecanismos que se observan en la
evolución de la naturaleza. Estos mecanismos no son conocidos en profundidad, pero sí
algunas de sus características: la evolución ocurre en los cromosomas; un ser vivo da vida a
otro, mediante la decodificación de los cromosomas de sus progenitores, el cruce de los
mismos, y la codificación de los nuevos cromosomas formando los descendientes [5].
Las mejores características de los padres se trasladan a los hijos, mejorando
progresivamente las generaciones.
La resolución de un problema, es la búsqueda de una solución óptima en un gran espacio de
soluciones. De la misma manera la naturaleza se enfrenta al mismo dilema en la búsqueda
de la mejor adaptación de los individuos al medio. Los integrantes de una población
compiten entre ellos en la búsqueda de la supervivencia. Aquellos miembros de la
población capaces de adaptarse mejor al medio que les rodean, tendrán mayor oportunidad
de sobrevivir. Por otro los integrantes de la población con menos capacidades, tendrán una
oportunidad menor de sobrevivir [4].
En el proceso de reproducción, los padres transmiten a sus hijos parte de su carga genética.
En este cruce los individuos descendientes poseerán características del fenotipo de sus
ancestros. Debido a que los individuos mejor dotados poseerán mayor descendencia, las
sucesivas generaciones disfrutarán de la combinación de las buenas características de
generaciones pasadas, lo que se traducirá en una mejor adaptación al medio.
2.1.3 Problemas tipo en Investigación Operativa

Desde sus comienzos la Investigación n de Operaciones se ha aplicado a una gran variedad
de problemas; la gran mayoría de ellos han sido de naturaleza táctica, mas que estratégica.
Un problema es más táctico que estratégico si cumple con las siguientes condiciones:
1) su solución n puede modificarse o anularse fácilmente, tiene efecto de corta
duración n;
2) su solución n afecta a una parte menor de la organización n;
3) los resultados deseados se consideran como proporcionados (obtenidos), sin que
medie una selección n de medios, fines, metas u objetivos a largo plazo.
La planificación n de una empresa u organización n, con sus metas y objetivos, es un
problema más estratégico que táctico. El minimizar los costos del transporte, en el que la
minimización n en sí es el resultado conveniente, es considerado un problema más táctico
que estratégico.
La aplicación n de la Investigación n Operativa a una amplia variedad de problemas
tácticos, y la frecuente recurrencia de esos problemas, ha permitido identificar problemas
tipo que se agrupan según los modelos y procedimientos (técnicas) similares para su
resolución n. Esos problemas tipo son: asignación n de recursos escasos, ordenamiento,
secuenciación n y coordinación n de tareas, líneas de espera, mantenimiento y reemplazo de
equipos, inventarios, costos y tiempos, gestión n de proyectos.
2.1.3.1 Asignación de recursos, Ordenamiento
Los primeros desarrollos de la Investigación n Operativa se refirieron a problemas de
asignación n de recursos, ordenamientos de tareas, reparto de cargas de trabajo,
planificación, todos con un objetivo preciso de optimización de la función económica U en
un mundo determinista. Entre las técnicas de optimización citamos: la Programación Lineal
(se verá en el curso), No lineal, Los métodos de ordenamiento, Programación Dinámica,

Combinatoria, algoritmos de teoría de Grafos, etc. Un ejemplo clásico: determinar el
número de piezas, de cada tipo, que debe producir un determinado taller, a fin de obtener el
máximo beneficio. Existen varias máquinas, cada una de las cuales tiene determinadas
propiedades y características, según las categorías o partes de piezas a producir por cada
una de ellas; por lo general se conoce la capacidad máxima del taller y el beneficio que se
obtendrá con cada categoría de pieza producida.
2.1.3.2 Líneas de espera, Reemplazo de equipos
Estos temas se desarrollan en mundo aleatorio por lo general. Se estudian las esperas y
retrasos ocurridos en el sistema, o las fallas en las instalaciones, su reparació n y posibles
políticas de mantenimiento y/o reemplazo.
2.1.3.3 Inventario, Costos y tiempos
Se trata de la operación más simple, la de almacenar y/o mantener recursos; se estudia
cuánto y cuándo adquirir. Muchos casos se resuelven modelándolos como líneas de espera.
2.1.3.4 Gestión de proyectos
Los conjuntos de tareas de un proyecto se modelan mediante un grafo, sobre el que se
determinan cuáles son los tiempos y las tareas críticas ("cuellos de botellas") del proyecto.
Técnicas usadas: CPM-PERT, método del Camino Crítico.
Algunos de estos problemas, se estudiarán en el curso “Introducción a la Investigación de
Operaciones”.
2.1.4 IO como apoyo a la toma de decisiones
Los procesos de decisión pueden desarrollarse bajo situaciones deterministas, aleatorias, de
incertidumbre, o de competencia (adversas). Estas situaciones se modelan a través de
sistemas que también serán de tipo deterministas, aleatorios, inciertos o basados en
situaciones de competencia (adversas). Los sistemas determinísticos interpretan la realidad

bajo el principio de que todo es conocido con certeza. Los sistemas basados en situaciones
aleatorias, de incertidumbre o de Competencia, asocian la incertidumbre a los fenómenos a
analizar, incertidumbre que puede resultar de la variación propia de los fenómenos
(variaciones que eluden a nuestro control, pero que tienen un patrón específico) o
incertidumbre resultante de la propia inconsistencia de esos fenómenos.
Aplicando el método científico, el Investigador de Operaciones construirá uno o más
modelos (representaciones) del sistema, con sus operaciones correspondientes y sobre él
realizará su investigación.
Los modelos de IO se pueden representar con ecuaciones las que, aunque puedan resultar
complejas, tienen una estructura muy sencilla:
U = f (xi, yj) según
Restricciones
U es la utilidad o valor de ejecución del sistema,
Xi son las variables no controlables, o dependientes, cuyos valores dependerán de
yj las interrelaciones y valores de las variables independientes.
Son las variables controlables, o independientes, con valores dados.
F es una función en xi e yj.
Frecuentemente se requieren una o más ecuaciones o inecuaciones de las llamadas
restricciones, para expresar el hecho de que algunas de las variables no controlables (o
todas), pueden manejarse dentro de ciertos límites. Por ejemplo, el tiempo de máquina
asignado a la producción de un producto siempre tendrá valor positivo, y no será mayor que
el tiempo total disponible o asignado para tal fin; otro ejemplo, la suma del dinero
presupuestado para cada departamento en un organización o industria no puede exceder la
suma de dinero disponible, etc.
Una vez obtenido el modelo, éste puede usarse para encontrar exacta o aproximadamente
los valores óptimos de las variables no controlables, aquellas que producen la mejor
ejecución del sistema, es decir, la solución al problema.
Ejemplo: Modelo de un problema agrícola.
Supongamos que una empresa citrícola y el Estado pretenden hacer inversiones cuantiosas
en el cultivo de naranja, limón , pomelo y mandarinas, con un doble objetivo: a) reducir el
desempleo rural y b) aumentar las exportaciones para equilibrar la balanza de pagos.
Según estudios realizados, se maneja la siguiente información (datos inventados):
Tipo de Producción Área mínima Precio Costo por Horas-hombre

árbol promedio anual por árbol (m2) promedio árbol de cuidado
en kgs / árbol mundial por kg anual por árbol
Naranja 150 4 $ 10 $ 2.00 36
Limó n 200 5 $ 04 $ 0.50 72
Pomelo 050 3 $ 15 $ 1.00 50
Mandarina 150 6 $ 07 $ 1.50 10
1. Existe una extensión propicia para este tipo de cultivo de 250.000 m2
2. Se asegura el suministro de agua, aproximadamente por 20 años (existencia de aguadas
en la zona).
3. La financiera pretende hacer una inversión de 20 millones, pensando exportar toda su
producción a partir del 3er año, que es cuando los árboles comienzan a ser productivos.
4. El gobierno ha determinado que éste proyecto emplee al menos 200 personas
ininterrumpidamente.

Decisión a tomar: ¿Cuántos árboles de naranja, limón, pomelo y mandarina, deberán
sembrarse con el objetivo de maximizar el valor de la futura exportación anual?
Formulación del problema:
Sean: X1: número de árboles de naranja a ser sembrados.
X2: número de árboles de limón a ser sembrados.
X3: número de árboles de pomelo a ser sembrados.
X4: número de árboles de mandarinas a ser sembrados.
Valor medio de la export. Anual: U = 10·150X1 + 4·200X2 + 15·50X3 + 7·150X4
Según las siguientes restricciones:
Extensión de tierra: 4X1 + 5X2 + 3X3 + 6X4 ≤ 250 000 m2
Inversión inicial: 2X1 + 0.5X2 + 1X3 + 1.50X4 ≤ $20 000 000
Desempleo mínimo: 36X1 + 72X2 + 50X3 + 10X4 ≥ 200·8·360 (horas hombre/día/año)
Número de árboles a sembrar: X1 ≥ 0, X2 ≥ 0, X3 ≥ 0, X4 ≥ 0
Obtuvimos un modelo del problema de tipo: Maximizar U = f ( ) Sujeto a: Restricciones
Para ciertos tipos de funciones, como ser relaciones algebraicas elementales, si las
restricciones no son demasiado numerosas, existen métodos analíticos que resuelven el
problema ejemplo que hemos modelado como un problema de programación matemática
lineal. Para problemas con gran número de restricciones, llamados “de gran tamaño”, se
han desarrollado técnicas que los resuelven, la mayor de las veces en forma aproximada.
La función f, puede consistir en un conjunto de reglas de cómputo (un algoritmo p. ej.);
reglas lógicas que nos permiten calcular la utilidad (U) de ejecución para cualquier
conjunto específico de valores de las variables tanto controlables como no controlables;
generalmente obtenemos soluciones aproximadas a los valores óptimos de las variables
correspondientes. Otras veces, nos vemos forzados a experimentar con el modelo y
simularlo, seleccionando valores de las variables según una distribución de probabilidad, lo
que nos permite calcular o muestrear un valor aproximado de la función U.
2.1.5 Método Simplex aplicado al área Petrolera
Método Simplex es un método analítico de solución de problemas de programación

lineal capaz de resolver modelos más complejos que los resueltos mediante el método
gráfico sin restricción en el número de variables.
El Método Simplex es un método iterativo que permite ir mejorando la solución en cada

paso. La razón matemática de esta mejora radica en que el método consiste en caminar del
vértice de un poliedro a un vértice vecino de manera que aumente o disminuya (según el
contexto de la función objetivo, sea maximizar o minimizar), dado que el número de
vértices que presenta un poliedro solución es finito siempre se hallará solución.
Este famosísimo método fue creado en el año de 1947 por el estadounidense George
Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un
algoritmo capaz de solucionar problemas de m restricciones y n variables.
¿Qué es una matriz identidad?

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado
finito de elementos), los cuales pueden ser números reales o complejos, dispuestos en
forma de filas y de columnas.
La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto
de columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a

uno (1) y todos los demás componentes iguales a cero (0), se denomina matriz idéntica o
identidad de orden n, y se denota por:
La importancia de la teoría de matrices en el Método Simplex es fundamental, dado que

el algoritmo se basa en dicha teoría para la resolución de sus problemas.
2.1.6 Observaciones importantes al utilizar método simplex

2.1.6.1 Variables de holgura y exceso
El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se
modelan mediante programación lineal no lo son, para ello hay que convertir estas
inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso
relacionadas con el recurso al cual hace referencia la restricción y que en el tabulado final
representa el "Slack or surplus" al que hacen referencia los famosos programas de
resolución de investigación de operaciones, estas variables adquieren un gran valor en el
análisis de sensibilidad y juegan un rol fundamental en la creación de la matriz identidad
base del Simplex.
Estas variables suelen estar representadas por la letra “H”, se suman si la restricción es
de signo "<= " esto es el método simplex.
Si la restricción es ">=" se debe agregar otras dos variables que serán “S” con el signo
negativo por delante y la otra será “R” con el signo positivo por delante, pero el ejercicio
también puede tener solo el “=” en este caso solo se debe aumentar la variable “R” con el
signo positivo por delante. En estos casos se aplicara el método de las Ms.
Por ejemplo:
 SIMPLEX

Inecuaciones de programación lineal solo con “<=”
Max Z= 12x1+4x2+8x3
2X1+ 3X2+ X3 <= 500
3X1+ X2+ X3<= 700
4X1+ 2X2+ 2X3<= 800
Inecuaciones transformadas en ecuaciones, forma canónica
Max Z= 12x1+4x2+8x3+ H1+ H2+ H3

O en Min Z= 12x1+4x2+8x3+H1+H2+H3
2X1+ 3X2+ X3+ H1 = 500
3X1+ X2+ X3 +1H2 = 700
4X1+ 2X2 +2X3 +1H3 = 800

Matriz Identidad
Luego igualar a O de esta manera, la función objetivo o Z, el signo en la constante H

siempre será positivo en cualquier caso
Max Z-12x1-4x2-8x3+H1+H2+H3 = 0
Ò en Min Z -12x1-4x2-8x3+H1+H2+H3 =0
“Ojo” en el caso de Min debemos volverlo a Max multiplicando por (-1), el signo en la
constante H siempre será positivo en cualquier caso

Min Z -12x1-4x2-8x3+H1+H2+H3=0 *(-1)

Max Z+12x1+4x2+8x3+H1+H2+H3 =0
 Variable artificial o método simplex de las Ms
Una variable artificial es un truco matemático para convertir inecuaciones ">=" en

ecuaciones, o cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que no
representan recursos. El objetivo fundamental de estas variables es la formación de la
matriz identidad.
Estas variables se representan por la letra “R”, siempre se suman a las restricciones,
pero antes debemos poner una variable de exceso que será denominada con la letra “S” y
deberá llevar el signo negativo para así retirar el exceso.
En este método el coeficiente es M (por esto se le denomina Método de la M grande,
donde M significa un número demasiado grande muy poco atractivo para la función
objetivo), y el signo en la función objetivo va en contra del sentido de la misma, es decir, en
problemas de Maximización su signo es menos (-) y en problemas de Minimización su
signo es (+), repetimos con el objetivo de que su valor en la solución sea cero (0).
Inecuaciones de programación lineal solo con “>=”
Max Z= 12x1+4x2+8x3
2X1+ 3X2+ X3 >= 500

3X1+ X2+ X3>= 700
4X1+ 2X2+ 2X3>= 800
Max Z= 12x1+4x2+8x3+S1-M+S2-M+S3-M
Ò en Min Z= 12x1+4x2+8x3+S1+M+S2+M+S3+M
2X1+ 3X2+ X3 –S1+R1 = 500
3X1+ X2+ X3 -S2+R2 = 700
4X1+ 2X2+ 2X3 -S3+R3= 800
Matriz identidad
Luego igualar a O de esta manera, la función objetivo o Z, el signo en la constante S

siempre será positivo en cualquier caso
Max Z-12x1-4x2-8x3+S1+M+S2+M+S3+M= 0
Ò en Min Z -12x1-4x2-8x3+S1-M+S2-M+S3-M=0
“Ojo” en el caso de Min debemos volverlo a Max multiplicando por (-1), el signo en la
constante S siempre será positivo en cualquier caso
Min Z -12x1-4x2-8x3+S1-M+S2-M+S3-M=0 *(-1)

Max Z+12x1+4x2+8x3+S1+M+S2+M+S3+M=0

Cuando estamos utilizando el método de las Ms antes de pasar el ejercicio a la matriz se
debe realizar el siguiente procedimiento:
 Copiar los números la fila de Z también llamada función objetivo
 Copiar los números de las filas donde exista R debajo de la FO y multiplicarlas por
+/- M como corresponda según el signo que tenga M en la última FO igualada a 0
 Por ultimo sumar todas las columnas y el resultado será la FO o Z que se pondrá en
la fila de Z en la matriz
12 4 8 1 M +1 M +1 M = 0
2 3 1 -1 1 0 0 0 0 =500 (-M)
3 1 1 0 0 -1 1 0 0 =700 (-M)
4 2 2 0 0 0 0 -1 1 =800 (-M)
Sum
12 4 8 1 M +1 M +1 M = 0
ar
Todo -2M -3M -M M -M 0 0 0 0 = -500M
-3M -M -M 0 0 M -M 0 0 = -700M
- 4M -2M -2M 0 0 0 0 M -M = -800M
-9M+12 -6M+4 -4M+8 M+1 0 M+1 0 M+1 0 = -200M
Inecuaciones de programación lineal solo con “=”
Max Z= 12x1+4x2+8x3
2X1+ 3X2+ X3 = 500
3X1+ X2+ X3= 700

4X1+ 2X2+ 2X3= 800
Max Z= 12x1+4x2+8x3-M-M-M
Ò en Min Z= 12x1+4x2+8x3+M+M+M
2X1+ 3X2+ X3 +R1 = 500
3X1+ X2+ X3 +R2 = 700
4X1+ 2X2+ 2X3 +R3 = 800
Matriz identidad
Luego igualar a O de esta manera,

Max Z-12x1-4x2-8x3+M+M+M= 0
Ò en Min Z -12x1-4x2-8x3-M-M-M=0
“Ojo” en el caso de Min debemos volverlo a Max multiplicando por (-1)

Min Z -12x1-4x2-8x3-M-M-M=0 *(-1)
Max Z+12x1+4x2+8x3+M+M+M=0
Cuando estamos utilizando el método de las Ms antes de pasar el ejercicio a la matriz se

debe realizar el siguiente procedimiento:
 Copiar los números la fila de Z también llamada función objetivo
 Copiar los números de las filas donde exista R debajo de la FO y multiplicarlas por
+/- M como corresponda según el signo que tenga M en la última FO igualada a 0
 Por ultimo sumar todas las columnas y el resultado será la FO o Z que se pondrá en
la fila de Z en la matriz
12 4 8 M M M = 0
2 3 1 1 0 0 =500 (-M)
3 1 1 0 1 0 =700 (-M)
4 2 2 0 0 1 =800 (-M)
Sum
12 4 8 M M M = 0
ar
Todo -2M -3M -M -M 0 0 = -500M
-3M -M -M 0 -M 0 = -700M
- 4M -2M -2M 0 0 -M = -800M
-9M+12 -6M+4 -4M+8 0 0 0 = -2000M
Después de realizar ese procedimiento y llevar las inecuaciones o restricciones a la forma

canónica, se debe transferir los datos a una matriz y resolverla con el método de Gaus
Jordan, de esta manera podremos obtener el resultado óptimo ya sea de maximización de
beneficios o minimización de costos o procedimientos. Los pasos a seguir para la
realización del procedimiento de Gaus Jordan son:
1) Para conseguir el pivote o la base con la que se trabajara, se debe escoger la variable
de la fila de Z con el valor más negativo y alejado del 0.
2) Luego debemos dividir todos los números de esa columna con los de la columna de
LD o resultados y se debe escoger y encerrar en un círculo el número que nos
genere el menor resultado en la división. Este será denominado PIVOTE.
3) Una vez determinado el pivote, para realizar la siguiente interacción en la matriz el
pivote de convierte en una unidad (1) y toda su columna se transforma en 0. Por
otro lado debemos dividir todos los números de la fila del pivote entre el mismo y
colocar los resultados en la siguiente interacciones respectivamente.
4) Para obtener los resultados de las casillas faltantes de la matriz debemos formar un
rectángulo entre el pivote y el elemento que se quiere encontrar, como la diagonal
principal, aplicando de esta manera:
6 4 ¿? Numero a encontrar
Pivote
2
X= Elemento a encontrar- producto diagonal

Pivote
4- 6x3
2
Este procedimiento de los 4 pasos se debe seguir hasta que en la fila de Z todos los
números sean positivos, esto quiere decir que ya se logró obtener el resultado, ya sea de
maximización o minimización óptimo, tomar en cuenta que para los casos de minimización
que se hallan convertido en maximización multiplicándolos por (-1), el resultado en el lado
derecho o LD será negativo en Max convertido y tendremos q multiplicarlo por (-1) para
obtener el resultado esperado. O y tendremos q multiplicarlo por (-1) para obtener el
resultado esperado.
2.1.7 Ejercicio simplex aplicados a la ingeniería
 En una plataforma petrolera se extraen dos tipos de hidrocarburos, petróleo liviano

y petróleo pesado, que requieren de dos primeros procesos para su extracción del
pozo, se desea saber qué cantidad se puede extraer de los dos tipos de
hidrocarburos, para generar el mayor beneficio de la extracción con la menor
utilización de recurso. Las estimaciones de extracción son de 4000 barriles para
petróleo liviano y 5000 barriles para petróleo pesado cada semana. Los procesos (I y
II) muestran sus coeficientes en el siguiente cuadro:
Hidrocarburos Proceso I Proceso II

X1= petróleo liviano 20 hrs/barril 25 hrs/barril

X2= petróleo pesado 30hrs/ barril 15 hrs/barril
Capacidad máxima de 80hrs/barril 70hrs/barril
proceso semanal
Max Z= 4000X1+5000X2
20X1+30X2<=80
25X1+15X2<=70
X1, X2>=0
Max Z= 4000X1+5000X2+H1+H2
20X1+30X2+H1 =80
25X1+15X2 +H2=70
Max Z-4000X1-5000X2+H1+H2=0

Capítulo 3. Método
3.1 Tipo de Investigación
El tipo de investigación de este trabajo es exploratoria porque se investigaran

conceptos, información relacionada, descriptiva para poder aplicarla y explicativa para
resolver los problemas y obtener los mejores resultados.
3.2 Operacionalización de variables
Este proyecto final de investigación operativa esta realizado empleando métodos que nos
ayudaran a la mejor toma de decisiones, los métodos son el simplex normal, y con Ms
además de los métodos de asignación de recursos.
3.3 Técnicas de Investigación
Se realizaron técnicas de investigación, recolección de información relacionada con la

materia investigación operativa, específicamente de los métodos simplex y asignación, de
libros páginas web y apuntes.

Capítulo 4. Cálculos y resultados
Z X1 X2 H1 H2 LD
Z 1 -4000 -5000 0 0 0
H1 0 20 30 1 0 80
H2 0 25 15 0 1 70
Z 1 -2000/3 0 500/3 0 44000/3
X2 0 2/3 1 1/30 0 8/3
H2 0 15 0 -1/2 1 30
Z 1 0 0 1300/9 400/9 44000/3
X2 0 0 1 1/18 -2/45 4/3
X1 0 1 0 -1/30 1/15 2
Z=44000/3
X1= 2
X2=4/3
S1=0
S2=0
El máximo de barriles que podemos obtener con la menor utilización de recursos es

de 44000/3(14666.67) a la semana y para obtener esta cantidad de barriles se deben
extraer 2 del hidrocarburo (PETROLEO LIVIANO) y 4/3 del hidrocarburo
(PETROLEO PESADO) por hora.
 Una petrolera tiene dos refinerías y necesita producir al menos 800, 1400 y 500
barriles de petróleo de los grados bajo, medio y alto respectivamente. Cada día la

refinería A produce 200 barriles de grado bajo, 300 de medio y 100 de alto, la
refinería B produce 100 de grado alto, 100 de bajo y 200 de medio, si los costos
diarios son de 2500$ para aperar a refinería A y de 2000$ para operar la refinería B.
¿Cuántos días debe ser operada cada refinería para satisfacer los requerimientos de
producción a un costo mínimo? ¿cuál es el costo mínimo?
Min Z = 2500X1+2000X2
200X1+100X2>=800 bajo
300X1+200X2>=1400 medio
100X1+100X2>=500 alto
X1, X2>=0
Min Z = 2500X1+2000X2
200X1+100X2-S1+R1 =800
300X1+200X2 -S2+R2 =1400
100X1+100X2 -S3+R3 =500
Min Z = 2500X1+2000X2+0S1+M+0S2+M+0S3+M
Min Z -2500X1-2000X2+0S1-M+0S2-M+0S3-M = 0 *(-1)
Max (-Z) +2500X1+2000X2+0S1+M+0S2+M+0S3+M = 0
2500 2000 0 M 0 M 0 M 0
200 100 -1 1 0 0 0 0 800 (-M)
300 200 0 0 -1 1 0 0 1400 (-M)
100 100 0 0 0 0 -1 1 500 (-M)
Multiplicar por menos M todas las filas donde existe R o M

2500 2000 0 M 0 M 0 M 0
-200M -100M M -M 0 0 0 0 -800M
-300M -200M 0 0 M -M 0 0 -1400M
-100M -100M 0 0 0 0 M -M -500M
2500-600M 2000-400M M 0 M 0 M 0 -2700M
Este resultado es la última FO que se debe copiar en la fila de Z de la matriz que se

realizara a continuación
Z X1 X2 S1 R1 S2 R2 S3 R3 LD
Z -1 2500-600M 2000-400M M 0 M 0 M 0 -2700M
R1 0 200 100 -1 1 0 0 0 0 800
R2 0 300 200 0 0 -1 1 0 0 1400
R3 0 100 100 0 0 0 0 -1 1 500
Z -1 0 750-100M 25/2-2M -25/2+3M M 0 M 0 -10000-300M

X1 0 1 ½ -1/200 1/200 0 0 0 0 4
R2 0 0 50 3/2 -3/2 -1 1 0 0 200
R3 0 0 50 ½ -1/2 0 0 -1 1 100
Z -1 0 0 5-M -5+2M M 0 15-M -15+2M -11500-100M
X1 0 1 0 -1/100 1/100 0 0 1/100 -1/100 3
R2 0 0 0 1 -1 -1 1 1 -1 100
X2 0 0 1 1/100 -1/100 0 0 -1/50 1/50 2
Z -1 0 0 0 M 5 M-5 10 M-10 -12000
X1 0 1 0 0 0 -1/100 1/100 1/50 -1/50 4
R1 0 0 0 1 -1 -1 1 1 -1 100
X2 0 0 1 0 0 1/100 -1/100 3/100 -3/100 1
Max (-Z)=-12000
Min Z= 12000
X1=4
X2=1
El costo mínimo que logramos obtener con esta operación es de 12000$
Para lograr generar una buena producción y con el costo más bajo que obtuvimos la
primera refinería debe trabajar 4 días y la segunda refinería debe operar por solo 1 día, de
esta manera la petrolera generara menor gasto o costos de producción y por ende generara
mayores beneficios.

Capítulo 5. Conclusiones
Al culminar este proyecto, se pudo llegar a cumplir el objetivo que nos planteaba el
problema empelado para la realización del proyecto, este la generación de mayores
beneficios gracias a la aplicación de la investigación operativa, en el desarrollo de la carrera
de ingeniería petrolera.
Luego de realizar las operaciones y procedimientos en el proyecto aplicando los métodos

simplex y de asignación en la carrera de ingeniería petrolera, se logró obtener una mejor
toma de decisiones, que nos generó mayores beneficios totales.

Referencias
www.phpsimplex.com/teoria_metodo_simplex.htm
https://www.programacionlineal.net/simplex.html
https://es.slideshare.net/yesidariza/el-mtodo-simplex
ri.uaemex.mx/bitstream/handle/20.500.11799/31644/secme-16318.pdf?sequence...
https://www.ingenieriaindustrialonline.com/herramientas-para-el.../método-simplex/
https://books.google.com.bo/books?id=1INKAQAAIAAJ


Registro Proyecto

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Registro Proyecto

Transféré par

Droits d'auteur :

Formats disponibles

FICHA DE IDENTIFICACIÓN DE TRABAJO DE INVESTIGACIÓN

Carrera Ingeniería En gas y petróleo

La investigación de operaciones significa "hacer investigación sobre las operaciones”.

Palabras clave: investigación operativa, simplex, operaciones.

Operations research means "doing research on operations." Then, operations research

Key words: operational research, simplex, operations.

Asignatura: Investigación Operativa

Asignatura: Investigación Operativa

Como su nombre lo dice, la investigación de operaciones significa "hacer

Asignatura: Investigación Operativa

¿Cómo generar mayores beneficios en la industrialización y comercialización de

 Formular modelos en investigación operativa aplicando métodos que nos de la

 Generar modelos que puedan ser aplicados para la optimización o maximización

El tema presentado en esta investigación es desarrollado debido a la importancia que

3.3 Planteamiento de hipótesis

Toma de decisiones eficiente y eficaz, gracias a la aplicación de métodos de

3.1 Desarrollo del marco teórico

2.1.1 Introducción a los modelos

¿Porque los modelos?: La modelización es el centro del proceso de toma de decisiones

El proceso estructurado de modelización es el centro de la actividad en Investigación de

El razonamiento y los cálculos simbólicos son fundamentales para la modelización analítica

Un modelo mental es la representación de los pensamientos de quien decide sobre la

Búsqueda bibliográfica, referente al tema de investigación. La adopción de una teoría o

Asignatura: Investigación Operativa

Alternativamente, cuando no existen varios enfoques teóricos, debe presentarse una

La modelización analítica es más que un conjunto de conceptos y habilidades que deben

dominarse; incluye métodos de investigación y razonamiento, y los medios de

comunicación (es decir, hacer común lo experimentado individualmente). El modelo

destinatario. El equipo de IO debe necesariamente redactar un informe que resulte

comprensible a todos los que lo lean.

Lo más importante en la toma de decisiones es entender el problema. Recordar que la

formulación de un problema es generalmente más importante que su solución. De hecho, si

Prescripción de una solución: Es la identificación de una solución estratégica y su etapa de

Asignatura: Investigación Operativa

muchas otras restricciones y condiciones.

2.1.2 Bases teóricas especializadas sobre el tema

2.1.2.1 Conceptos en optimización

para su solución. Estos problemas, son conocidos como el problema de la programación

matemática, donde se encuentra el valor de x , tal que:

Min f (x1, x2,..., xn)

gi (x1 , x2 ,..., xn ) >= bi ,

estudiada usando matemáticas del mundo real.

Si la restricción no existe, o es una restricción de igualdad, con menor o igual número de

variables que la función objetivo entonces, el cálculo diferencial, da la respuesta, ya que

solo se trata de buscar los valores extremos de la función.

En el caso de las restricciones como la función objetivo son lineales se encuentra en el

campo de la Programación Lineal, la existencia de máximo o mínimo, está asegurada, y el

problema se reduce a la aplicación de algoritmos de álgebra lineal, tales como el Método

Simplex y Método Dual. En el caso de la Programación No Lineal, existen las

para poder encontrar puntos críticos, máximos o mínimos.

formaliza estas dos clases de óptimos, mediante la siguiente definición.

x = (x1, x2 ,, xn ) , una solución factible a un problema de

Minimización, con una función objetivo f (x) ; se llama x a:

1. Un mínimo global, siy = ( y1 , y2 ,..., yn ) ;

f (x) = f ( y) , para cada punto factible

f (x) = f ( y) , para cada punto factible

y = (y1, y2,..., yn ) , suficiente cerrado a x . Esto es, si existe un

0 > 0 , muy pequeño, tal que cada variable

El concepto de mínimo local, es muy importante. Muchos procedimientos en programación

no lineal de propósito general, sólo determinan el mínimo local [11].

tiempo exponencial, con respecto al tamaño de la entrada. Se desconoce si hay algoritmos

utiliza uno de los siguientes enfoques:

• Aproximación: Un algoritmo que rápidamente encuentra una solución no