• Ingeniería de Sistemas

Docente: M.Sc. Ing. Nieves Soledad Vásquez Perales

1
En el libro de Ackoff y Sasieni, “Investigación de
Operaciones”, 1994:
“La Investigación de Operaciones (IO) es la
aplicación del método científico por equipos
interdisciplinarios a problemas que comprenden
el control de sistemas organizados hombre-
máquina, para dar soluciones que sirvan mejor
a los propósitos de
la organización
como un todo”.

2
En el libro de Shamblin y Stevens, “Un Enfoque
Fundamental”, 1991:
“La Investigación de Operaciones es un
enfoque científico de la toma de decisiones”.

En el libro de Winston llamado Investigación de

Operaciones, “Aplicaciones y Algoritmos 2ª
edición”, 1994:
“Planteamiento científico a la toma de
decisiones que busca determinar cómo diseñar y
operar mejor un sistema, normalmente bajo
condiciones que requieren la asignación de
recursos escasos”. 3
En los siglos XVII y XVIII, matemáticos como
Newton, Leibnitz, Bernouilli y Lagrange, se
ocuparon de obtener máximos y mínimos
condicionados de determinadas funciones.

El matemático francés Jean Baptiste-Joseph

Fourier (1768-1830) fue el primero en intuir,
aunque de forma imprecisa, los métodos de lo
que actualmente llamamos programación lineal
(PL) y la potencialidad que de ellos se deriva.

4
El matemático Gaspar Monge (1746-1818), en
1776 se interesó por problemas de PL.

En 1939 el matemático ruso Leonidas

Vitalyevich Kantarovitch publica la monografía:
“Métodos matemáticos de organización y
planificación de la producción”,
donde explica a una teoría
matemática precisa conocida
actualmente como programación
lineal.

5
En 1941-1942 se formula por primera vez el
problema de transporte, estudiado por
Koopmans y Kantarovitch, donde se suele
conocer con el nombre de problema de
Koopmans-Kantarovitch.

Tres años más tarde, G. Stigler plantea otro

problema conocido con el nombre de régimen
alimenticio optimal, conocido actualmente
como el problema de la dieta.

6
La primera actividad de IO se dio durante la
Segunda Guerra Mundial en Inglaterra, donde la
Administración Militar convocó a un grupo de
científicos de distintas áreas del conocimiento
para tomar decisiones con respecto a la mejor
utilización del material bélico.

El nombre de Investigación de Operaciones fue

dado aparentemente porque el equipo estaba
llevando a cabo la actividad de investigar
operaciones (militares).

[Ver vídeo: Historia de la IO.mp4] 7

Al término de la guerra y
atraídos por los buenos
resultados obtenidos por los
estrategas militares, los
administradores industriales
empezaron a aplicar las
herramientas de la Investigación
de Operaciones a la resolución
de sus problemas que empezaron
a originarse debido al
crecimiento del tamaño y la
complejidad de las industrias.
8
En estos años posteriores a la Segunda Guerra
Mundial, en E.E.U.U. se asumió que la eficaz
coordinación de todas las energías y recursos de
la nación era un problema de tal complejidad, que
su resolución y simplificación pasaba
necesariamente por los modelos de optimización
que resuelve la programación lineal.

9
10
 Incrementa la posibilidad de tomar mejores
decisiones. Antes de la aplicación de la IO en
una organización, las decisiones que se toman
son generalmente de carácter intuitivo,
ignorando la mayoría de las interrelaciones
que existen entre los componentes del
sistema.

 Mejora la coordinación entre los múltiples

componentes de la organización. En otras
palabras, la IO genera un mayor nivel de
ordenación.

11
 Mejora el control del sistema. Al hacer que
éste opere con costos más bajos, con
interacciones más fluidas y logrando una
mejor coordinación entre los elementos más
importantes de todo el sistema.

12
 Recursos Recursos
Financieros Humanos

Procesos
OPTIMIZA: Planes de
de
Marketing
Producción

Distribución
de Asignación
Productos de
… Recursos

13
14
Determina las unidades a
producir, a partir de una
disponibilidad en tiempo y
materia prima.

Determina el correcto
sistema de distribución de
los productos desde las
fábricas (origen) hacia las
sucursales (destinos).
15
Elabora un plan de producción, balanceando la
oferta y la demanda, de manera que se satisfaga
adecuadamente las variables que intervienen en
los mismos procesos para así aumentar la
utilidad y producción.
16
Arte de Modelar
¿Qué es un modelo?
Un modelo es una
representación lo
suficientemente precisa de
las características
esenciales de una situación
como para que las
conclusiones (soluciones)
obtenidas sean válidas
también para el problema
real. 17
Ejemplo teórico:
Área: Aplicación al ámbito de la salud.
Problema a resolver: Planificación y asignación de recursos
en un sistema de salud.
Fases de construcción del modelo:
1) Definir las categorías de enfermos (en función de sus
necesidades y respuestas a un determinado tratamiento).
2) Definir un conjunto de servicios (obtener una clasificación
de acuerdo a las necesidades de los enfermos y con la
disponibilidad de recursos).
3) Planificar y asignar los recursos (asignar los servicios
entre las distintas categorías de enfermos a lo largo del
tiempo). 18
Ejercicio en clase 1:
En base al ejemplo planteado, proponer un
modelo teórico de su entorno.
Área: ………………………..
Problema a resolver: …………………………..
Fases de construcción del modelo:
1) ……………………………………………….
2) .........................................................................
3) ………………………………………............. 19
Si bien los modelos de IO presentan naturaleza
matemática, se tiende a pensar que un estudio de
investigación de operaciones está inmerso en un
análisis matemático.

Sin embargo, en algunos casos se puede obtener

una solución de “sentido común” mediante
observaciones sencillas.

20
Ejemplo:

Al atender quejas sobre la lentitud de los elevadores en

un gran edificio de oficinas, el equipo de IO percibió la
situación en principio como un problema de línea de
espera que podría requerir el uso del análisis
matemático o la simulación de colas.
Después de estudiar el comportamiento de las personas
que se quejaron, el psicólogo del equipo sugirió que se
instalaran espejos de cuerpo completo a la entrada de los
elevadores. Las quejas desaparecieron, ya que las personas
se mantenían ocupadas observándose a sí mismas y a las
demás mientras esperaban el elevador.
21
El anterior ejemplo demuestra que antes de
aventurarse en un complicado modelado
matemático, el equipo de IO debe explotar todas
las posibilidades de manera que permita utilizar
ideas para resolver la situación.

La solución del problema de los elevadores

instalando espejos, se basó en la psicología
humana más que en un modelado matemático.

22
El objetivo de la Programación Lineal (PL) es
optimizar (maximizar o minimizar) en variables
reales con restricciones lineales.
Para implementar la PL en la práctica, las
principales fases son:
1) Problema a Resolver.
2) Construcción del modelo.
3) Solución del modelo.
4) Validación del modelo.
5) Implementación de la solución. 23
En general, la Programación Lineal se plantea así:

Variables de decisión:
Son las variables que se pretende determinar

Función Objetivo (F.O.):

Es el objetivo (o meta) que se desea optimizar
(maximizar o minimizar).

Sujeto a las siguientes restricciones (s.a.):

Son las restricciones que la solución debe
satisfacer.
24
Planteamiento de modelos en P.L.

Problema 1.
La fábrica de Tejidos “Sánchez” requiere fabricar dos tejidos de
diferente calidad. Se dispone de 300 Kg. de lana tipo A, 200 Kg.
de lana tipo B y 100 Kg. de lana tipo C. Para obtener un metro de
Tejido Tipo 1 por día se necesitan 90 gr. de A, 80 gr. de B y 70 gr.
de C. Para producir un metro de Tejido Tipo 2 por día se necesitan
60 gr. de A, 40 gr. de B y 20 gr de C.
El Tejido Tipo 1 se vende a $30 el metro y el Tejido Tipo 2 se
vende a $40 el metro
Si se desea obtener el máximo beneficio, ¿cuántos metros de cada
tipo de tejido se deben fabricar?
25
Plantear el problema como un modelo de P.L.
 Resolución (Modelo):
Previamente se elaborará un cuadro de ayuda para el
problema:
Cant. requerida x tipo de Tejido en gr. Disponibilidad de
Tejido de tipo 1 Tejido Tipo 2 lana (Kg)

Lana Tipo A 90 60 300

Lana Tipo B 80 40 200
Lana Tipo C 70 20 100
Utilidad x m 30 40
($)

Para resolver el problema, las cantidades deben estar

en una misma unidad gr. o Kg. (Se transformará en
26
los gramos en Kg.)
 Resolución (Modelo):
La tabla final de ayuda convertido en Kg. es la
siguiente:
Cant. requerida x tipo de Tejido en Kg. Disponibilidad de
Tejido de tipo 1 Tejido Tipo 2 lana (Kg)
Lana Tipo A 0.090 0.060 300
Lana Tipo B 0.080 0.040 200
Lana Tipo C 0.070 0.020 100
Utilidad x m 30 40
($)

27
Resolución (Modelo):

Variables de decisión:
(Se plantean a partir de la pregunta del problema)
X1: Cantidad de metros de tejido tipo 1 a fabricar.
X2: Cantidad de metros de tejido tipo 2 a fabricar.
Función Objetivo (F.O.):
(Se plantea generalmente a partir de los costos o beneficios
que se desea optimizar.)
Utilidad para el Tejido de Tipo 1 = 30X1
Utilidad para el Tejido de Tipo 2 = 40X2
Maximizar Z = 30X1 + 40X2 28
Resolución (Modelo):

Sujeto a las siguientes restricciones (s.a.):

(Se plantean a partir de los requerimientos y
disponibilidad de recursos)
0.090 X1 + 0.060 X2 ≤ 300
0.080 X1 + 0.040 X2 ≤ 200
0.070 X1 + 0.020 X2 ≤ 100

X1, X2 ≥ 0 (restricción de no negatividad)

La restricción de no negatividad implica que las

variables no deben ser negativas. 29
Problema 2.
Reddy Mikks produce pinturas para interiores y exteriores con dos
materias primas M1 y M2. La siguiente tabla proporciona los datos
básicos del problema.
Tn. de materia prima por Tn. de Disponibilidad diaria
máxima (Tn.)
Pintura para Pintura para
exteriores interiores
Materia prima, M1 6 4 24
Materia prima, M2 1 2 6
Utilidad x Tn. 5 4
(En miles de $)

Una encuesta de mercado indica que la demanda diaria de pintura para

interiores no puede ser mayor que 1 tonelada más que la de pintura para
exteriores. También, que la demanda máxima diaria de pintura para
interiores es de 2 toneladas. Reddy Mikks desea determinar la mezcla
optima (la mejor) de productos para exteriores y para interiores que
30
maximice la utilidad diaria total.
Resolución (Modelo):

Variables de decisión:
X1: Toneladas producidas diariamente de pintura para exteriores.
X2: Toneladas producidas diariamente de pintura para interiores.
F.O.:
Maximizar Z = 5X1 + 4X2
s.a.:
6 X1 + 4 X2 ≤ 24
X1 + 2 X2 ≤ 6
X2 ≤ X1 + 1 - X1 + X2 ≤ 1
X2 ≤ 2
31
X1, X2 ≥ 0
Ejercicio en clase 2:
A&B S.A. produce dos productos, los cuales se venden como
materia prima para empresas que fabrican productos de
limpieza. A&B S.A. ha especificado que el total de la
producción de los productos 1 y 2 debe ser por lo menos de
800 litros. Asimismo, se debe cumplir con un pedido especial
de uno de sus clientes con 80 litros del producto 1. El tiempo
de procesar el producto 1 es de tres horas por litro y del
producto 2 es de dos horas. Las disponibilidades de tiempo
para el proceso es de 160 horas de proceso. Los costos de
producción es de 3$us. para el producto 1 y de 4$us. para el
producto 2.
Plantear como un modelo de P.L.
32
 Problema 3.
La empresa Mercurio S.A. tiene una cartera de acciones, bonos entre
otras opciones de inversión. En la actualidad existen fondos
disponibles por $100.000, los cuales deben ser considerados para
nuevas oportunidades de inversión. Mercurio está considerando
cuatro tipo de acciones detallados a continuación:
Acciones
A B C D
Precio por acción $ 90 60 70 30
Tasa de rendimiento anual 0.15 0.04 0.03 0.06
Riesgo 0.08 0.06 0.04 0.07

La tasa anual de rendimiento debe ser por lo menos el 9% de la

inversión. Ninguna de las acciones puede representar más del 50%
de la inversión total. 33
Plantear como un modelo de P.L. para minimizar el riesgo.
Resolución (Modelo):

Variables de decisión:
XA: Cantidad de acciones de tipo A
XB: Cantidad de acciones de tipo B.
XC: Cantidad de acciones de tipo C.
XD: Cantidad de acciones de tipo D.
F.O.:
Minimizar Z = 7.2 XA + 3.6 XB + 2.8 XC + 2.1 XD

34
Resolución (Modelo):

s.a.:
90 XA + 60 XB + 70 XC + 30 XD ≤ 100.000
13.5 XA + 2.4 XB + 2.1 XC + 1.8 XD ≥ 0.09 (100.000)
90 XA ≤ 0.5 (100.000)
60 XB ≤ 0.5 (100.000)
70 XC ≤ 0.5 ( 100.000)
30 XD ≤ 0.5 ( 100.000)

XA, XB, XC, XD ≥ 0

35
Problema 4.
La empresa Saturno S.R.L. se dedica al negocio de venta de jugos de
fruta. Saturno S.R.L. tiene una utilidad neta de 3 Bs. por cada jugo
mediano y de 5 Bs. por cada jugo familiar. Cada jugo incluye dos
ingredientes principales: agua y concentrado de fruta. La empresa tiene
disponible 200 litros de agua y 150 litros de concentrado de fruta por día.
Cada jugo mediano utiliza 400 ml. de agua y 300 ml. de concentrado de
fruta. Cada jugo familiar utiliza 600 ml. de agua y 450 ml. de concentrado
de fruta. Saturno S.R.L. tiene una venta por día de al menos 400 jugos
mediados y a lo sumo 60 jugos familiares. Por otra parte, se debe cumplir
con el requerimiento mínimo de un cliente de 20 jugos mediados
diariamente. Plantear como un modelo de programación lineal.

36
Resolución (Modelo):

Variables de decisión:
XM: Cantidad de jugo mediano a fabricar.
XF: Cantidad de jugo familiar a fabricar.

F.O.:
Maximizar Z = 3 XA + 5 XF

37
Resolución (Modelo):

s.a.:
0,40 XM + 0,30 XF ≤ 200
0,60 XM + 0,45 XF ≤ 150
XM ≥ 400
XF ≤ 60
XM ≥ 20

XA, XB, XC, XD ≥ 0

Nota.- La restricciones XM ≥ 400 y XM ≥ 20 quedaría en una sola: XM ≥ 420, dado que se refieren
ambas a jugos medianos y guardan relación similar. Por lo tanto, el modelo final, se muestra en la
siguiente diapositiva.

38
Resolución (Modelo final):
Variables de decisión:
XM: Cantidad de jugo mediano a fabricar.
XF: Cantidad de jugo familiar a fabricar.
F.O.:
Maximizar Z = 3 XA + 5 XF

s.a.:
0,40 XM + 0,30 XF ≤ 200
0,60 XM + 0,45 XF ≤ 150
XM ≥ 420
XF ≤ 60
XA, XB, XC, XD ≥ 0

39