INVESTIGACIÓN OPERACIONES I

ING. ANALUI MARTÍNEZ DE GÓMEZ

INVESTIGACIÓN OPERACIONES I
CONTENIDO:
TEMA 1: Programación Lineal
TEMA 2: Método Simplex Dual
TEMA 3: Transporte. Flujo de Redes
TEMA 4: Modelo de Colas
TEMA 5: Modelos de Inventario
 INVESTIGACIÓN OPERACIONES I
PLAN DE EVALUACION
TIPO OBJETIVOS FECHA PORCENTAJE
PRUEBA UNIDAD I 14/04/2011 Y 25
ESCRITA 15/04/2011
TRABAJO 1 UNIDAD II 05/05/2011 Y 10
06/05/2011
PRUEBA UNIDAD II 19/05/2011 Y 15
ESCRITA 20/05/2011

PRUEBA UNIDAD II Y 23/06/2011 Y 25

ESCRITA III 24/06/2011

TRABAJO 2 UNIDAD V 07/07/2011 Y 10

08/07/2011
PRUEBA UNIDAD IV 14/07/2011 Y 15
ESCRITA 15/07/2011
 INVESTIGACIÓN OPERACIONES
BIBLIOGRAFIA
•HILLIER, F.S Y LIEBERMAN G.J. Introducción a la
investigación de Operaciones.6 Ed. Mc GrawHill. 1997 7 Ed. 2002
•TAHA HAMDY A. Investigación de operaciones. Alfaomega. 5
Ed. 1995
• DAVIS K Roscoey MC KEOWN Patrick. Modelos cuantitativos
para administración. Grupo editorial Iberoamerica. 2 Ed. 1986.
•BAZARAA MS y JJ JJ. Jarvis
Jarvis. Programación lineal y flujo de redes
redes.
Limusa. Noriega editores, 2 ed. 1998.
•GASS S.I. Programación lineal. Compañía Editorial Continental.
1981
•LUENBERGER, D.C. Introductiontolinear andnon linear
p g
programing.g
•PRAWDA, Juan. Métodos y modelos de Investigación de
operaciones. Limusa.
INTRODUCCIÓN A INVESTIGACIÓN
DE OPERACIONES
Naturaleza de la Investigación Operaciones
•Antecedentes:
A d
Surge durante la segunda Guerra Mundial, luego y con motivo de
la revolución industrial,
industrial ha ido teniendo cada vez más
importancia dado el crecimiento y complejidad de las nuevas
organizaciones. Actualmente está cobrando especial importancia
con el desarrollo de la informática.

•Definición
Aplicación del método científico por un grupo multidisciplinario
personas a la
l resolución
l ió ded un problema
bl en una organización,
i ió de d
tal manera que sirva mejor a los objetivos de la organización
como un todo.
 Metodología de la Investigación
Operaciones

1. DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN

DE DATOS.
2. CONSTRUCCIÓN DE UN MODELO.
3. OBTENCIÓN DE SOLUCIONES AL MODELO.
4. PRUEBA Y EVALUACIÓN DE LAS SOLUCIONES.
5 IMPLANTACIÓN Y CONTROL DE LAS SOLUCIONES.
5. SOLUCIONES
 Metodología de la Investigación
Operaciones
•Metas y objetivos.
Identificación de las alternativas.
•Identificación
•Identificación de las limitaciones y
1. DEFINICIÓN restricciones.
DEL PROBLEMA
•Requerimientos del sistema
Y
RECOLECCIÓN
DE DATOS ¿Cual es el problema al que me enfrento?
•Describir el problema
•Delimitar el problema
•Identificar los entes afectados
•Análisis costo-beneficio

U equipo
Un i d de IO trabaja
b j a nivel
i ld de asesoría
í
 Metodología de la IO
Un estudio de IO busca soluciones óptimas globales y no
soluciones locales.

LOS BENEFICIARIOS
•Los dueños
•Los empleados
•Los clientes
•Los
Los vendedores
•Los proveedores
•El estado

El objetivo siempre debería ir en función de maximizar

los beneficios,
beneficios y como tal se espera que en el largo
plazo genere una rentabilidad social.
Metodología de la Investigación
Operaciones
RECOLECCIÓN DE INFORMACIÓN
•Contabilidad •Demandas
•Clientes •Competencia
•Proveedores R
•Recursos
•Empleados •Antecedentes Históricos
•Mercado Futuro
•Futuro
•Impuestos •Costos y precios
•Productos

Si
Sistemas d
de IInformación
f i G Gerencial
i l
 Metodología de la Investigación
Operaciones

UN MODELO ES UNA
22.FORMULACIÓN
FORMULACIÓN
REPRESENTACIÓN IDEALIZADA
DE UN MODELO
DE UN SISTEMA.
MATEMÁTICO

Un modelo matemático también es una representación

idealizada, pero expresada en términos de símbolos y
expresiones matemáticas.
 Metodología de la Investigación
Operaciones
2.FORMULACIÓN DE UN MODELO MATEMÁTICO
Forma general de un modelo matemático en IO:

Función objetivo: Z= f(Xi , Yj)

Restricciones: Sujeto a : g(Xi , Yj) ≤ k
donde:
Z: es la medida de utilidad o relación del sistema
Xi: son las variables controlables por el usuario
Yj: variables no controlables,
controlables pero que afectan a Z
f y g son relaciones entren Yj, Xi y Z
 Metodología de la Investigación
Operaciones
3. OBTENCIÓN
Uso del computador
p absolutamente
DE LA SOLUCIÓN
necesario.
A PARTIR DE UN
Los modelos buscan optimizar
MODELO
(maximizar o minimizar).
minimizar)

La solución optima del modelo no pasa a ser una buena

aproximación de la verdadera solución optima del problema
 Metodología de la Investigación
Operaciones

ES MUY
U Ú ÚTIL REALIZAR UN UNA
PRUEBA RETROSPECTIVA
Mirar el pasado.
44. PRUEBA Y Actualizar la información con respecto
EVALUACIÓN al pasado.
DE LAS Verificar que resultados se hubieran.
SOLUCIONES obtenido con las presentes decisiones.
Consistencia en las dimensiones.
¿¿ Son satisfactorias estas decisiones?

Nunca dejar por fuera a quienes toman las decisiones del

problema
bl
ORGANIZACIONES QUE IMPLEMENTARON LA IO
DENTRO DE SU ORGANIZACIÓN
ORGANIZACIONES QUE IMPLEMENTARON LA IO
DENTRO DE SU ORGANIZACIÓN
 AREAS DE APLICACIÓN DE LA IO

• MANUFACTURA.
• TRANSPORTE.
• TELECOMUNICACIONES.
• SALUD.
SALUD
• PLANEACIÓN.
• SERVICIOS.
• FINANZAS.
• OTROS.
 PROGRAMACIÓN LINEAL
Es una parte de las matemáticas que trata de optimizar
(maximizar o minimizar) una función lineal en un conjunto
definido por unas restricciones que están dadas por
inecuaciones lineales.
lineales

1- Es una técnica cuantitativa ampliamente aplicada en sistemas

que presenten relaciones lineales,
lineales para utilizar los recursos
escasos de la mejor manera posible.
2- La mejor manera de usar los recursos escasos se logra
g
utilizando un modelo del sistema llamado Modelo de
Programación Lineal.
33- El Modelo de Programación Lineal es un modelo matemático
con variables de decisión, coeficientes y/o parámetros,
restricciones y una Función Objetivo.
4- Es determinístico porque todos los datos relevantes
utilizados, son conocidos.
 PROGRAMACIÓN LINEAL
5- La Formulación y Construcción del Modelo Lineal implica:
a)Definir claramente las variables de decisión y expresarlas
simbólicamente
i bóli t o convencionalmente.
i l t
b)Definir claramente la Función Objetivo y las restricciones y
expresarlas matemáticamente como funciones lineales
6- Debe cuidarse que los elementos componentes del modelo
sean expresados para el mismo período de tiempo.
7- Se debe estipular que las variables de decisión sean mayores
o iguales a cero. Esto acerca el modelo a la realidad. En los
programas de computadora para resolver modelos lineales,
lineales ya
está incluida esta condición y no hace falta incorporarla
manualmente.
 PROGRAMACIÓN LINEAL

LOS TÉRMINOS CLAVE SON: RECURSOS Y ACTIVIDADES

• m : denota el número de distintos tipos de RECURSOS que se pueden usar

• n: denota el número de ACTIVIDADES bajo consideración.

Ejemplos
j p de recursos son dinero y tipos
p especiales
p de maquinaria,
q ,
equipo, vehículos y personal.

Ejemplos de actividades incluyen inversión en proyectos específicos,

publicidad en un medio determinado y el envío de bienes de cierta
fuente a cierto destino.

El tipo
i más
á usuall de
d aplicación
li ió de d programación
ió lineal
li l involucra
i l l
la
asignación de recursos a ciertas actividades.

La cantidad disponible de cada recurso está limitada,

limitada de forma que
deben asignarse con todo cuidado.
 SÍMBOLOS UTILIZADOS

Estos símbolos se enumeran a continuación, junto con su interpretación para el

problema general de asignación de recursos a actividades.

Z = valor de la medida global de efectividad

xj = nivel de la actividad j (para j = 1,2,...,n)
cj = incremento en Z que resulta al aumentar una unidad en el nivel de la
actividad j
bi = cantidad de recurso i disponible para asignar a las actividades (para i =
1,2,...,m)
aij
ij = cantidad
tid d del
d l recurso i consumido
id por cada d unidad
id d de
d la
l actividad
ti id d j

El modelo establece el problema en términos de tomar decisiones sobre los

niveles de las actividades,
actividades por lo que x1,x2,....,xn
x1 x2 xn se llaman VARIABLES DE
DECISIÓN.

Los valores de cj,j, bi y aijj (p

(para i = 1,2,....,m
, , , y j = 1,2,....,n)
, , , ) son las constantes de
entrada al modelo.
Las cj, bi y aij también se conocen como PARÁMETROS del modelo.
 FORMA ESTÁNDAR DEL MODELO

OPTIMIZAR (maximizar o minimizar)

Z = c1x1 + c2x2 +....+ cnxn,

SUJETA A LAS RESTRICCIONES:

a11x1 + a12x2 +....+ a1nxn < b1
a21x1 + a22x2 +....+ a2nxn < b2
.
.
.
am1x1 + am2x2 +....+ amnxn < bm

X1 ≥ 0, X2 ≥ 0, ..., Xn ≥ 0
 PREMISAS DEL MODELO DE PROGRAMACIÓN
LINEAL

Proporcionalidad: La contribución de cada actividad al valor de la

función objetivo Z es proporcional al nivel de actividad xj, xj como lo
representa el término cjxj en la función objetivo.
De manera similar, la contribución de cada actividad al lado
izquierdo
d de
d cada
d restricción funcional
f l es proporcionall all nivell de
d la
l actividad
d d
xj, en la forma en que lo representa el término aijxj en la
restricción.

Aditividad: Suma directa de las contribuciones individuales de

las variables.
variables
Esta suposició n garantiza que la contribución total tanto a la
función objetivo como a las restricciones, es igual a la suma de las
contribuciones
ib i i di id l
individuales..
 SOLUCIONES DE UN PROBLEMA DE PL
Según sean las restricciones, se obtendrán poliedros diferentes,
acotados o no, y según sea la posición de la función objetivo
respecto de dicho poliedro se pueden originar diferentes
situaciones. Según el tipo de soluciones que presenten un
problema de Programación Lineal puede ser:

FACTIBLE: si existe la región factible. En este caso nos podemos encontrar:

1. ÓPTIMO FINITO Y ÚNICO: La solución óptima está formada por un
ú i punto con coordenadas
único d d reales.
l
2. MÚLTIPLES ÓPTIMOS: Un problema de Programación Lineal puede
tener más de un óptimo. Además, o bien el problema tiene un único
ó i
óptimo, o bien,
bi tiene
i i fi i óptimos.
infinitos ó i
3. ÓPTIMO INFINITO: Un problema de Programación Lineal puede
tener un óptimo no finito, es decir, la función objetivo puede tomar, un
valor
l tan grande
d o tan pequeño ñ como se quiera i sin
i abandonar
b d l región
la ió
factible.
 SOLUCIONES DE UN PROBLEMA DE PL

REGIÓN FACTIBLE NO ACOTADA, ÓPTIMO FINITO:

La no acotación de la región factible no implica necesariamente óptimo
infinito. Puede ocurrir que la función objetivo alcance el óptimo en la
zona acotada de la región factible.
REGIÓN FACTIBLE NO ACOTADA
ACOTADA, ÓPTIMO FINITO E
INFINITO:
Puede darse el caso que todos los puntos de una de las semirrectas que
determinan la región factible no acotada sean solución del problema.
problema
NO FACTIBLE. REGIÓN FACTIBLE VACÍA:
El conjunto de restricciones de un p
problema de Programación
g Lineal
puede ser incompatible, conduciendo a una región factible vacía.
SOLUCIONES DE UN PROBLEMA DE PL
SOLUCIONES DE UN PROBLEMA DE PL
SOLUCIONES DE UN PROBLEMA DE PL
 PL: FORMULACION Y SOLUCION GRAFICA

Es un modelo sencillo de PL con dos variables de decisión .

Casi no tiene utilidad en situaciones reales pero muestra como
funciona el proceso de optimización en PL.
El método ggráfico se utiliza p
para la solución de p
problemas de PL,,
representando geométricamente a las restricciones, condiciones
técnicas y el objetivo.
El modelo
d l se pueded resolver
l en forma
f gráfica
áfi sii sólo
ól tiene
i d
dos
variables. Para modelos con tres o más variables, el método
gráfico es impráctico o imposible.
Cuando los ejes son relacionados con las variables del problema,
el método es llamado método gráfico en actividad. Cuando se
relacionan las restricciones tecnológicas se denomina método
gráfico en recursos.
 PL: FORMULACION Y SOLUCION GRAFICA

CONSTRUCCION DEL MODELO MATEMATICO

Se puede realizar respondiendo tres preguntas:
1. ¿ Qué busca determinar el modelo?
E decir
Es d i cuales
l son las
l variables
i bl del
d l problema.
bl
2. ¿ Qué restricciones deben imponerse a la variable a fin de
satisfacer las limitaciones del sistema representado por el modelo?
3. ¿Cuál es el objetivo (meta) que se necesita alcanzar para
determinar la solución óptima (mejor) de todos los valores
factibles de las variables
 LOS PASOS NECESARIOS PARA REALIZAR EL
MÉTODO SON

1. Graficar las soluciones factibles, o el espacio de soluciones

(f ibl ) que satisfagan
(factible), i f todas
d lasl restricciones
i i en forma
f
simultánea.
2. Las restricciones de no negatividad
g Xi>= 0 confían todos
los valores posibles.
3. El espacio encerrado por las restricciones restantes se
d t
determinan
i sustituyendo
tit d en primer
i té i <=
término < por (=)
( ) para
cada restricción, con lo cual se produce la ecuación de una
línea recta.
4. Trazar cada línea recta en el plano y la región en cual se
encuentra cada restricción cuando se considera la
g
desigualdad lo indica la dirección de la flecha situada sobre
la línea recta asociada.
 LOS PASOS NECESARIOS PARA REALIZAR EL
MÉTODO SON

5. Cada punto contenido o situado en la frontera del espacio

de soluciones satisfacen todas las restricciones y p por
consiguiente, representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el
espacio
i d
de soluciones,
l i l
la solución
l ió ó ti
óptima puede
d
determinarse al observar la dirección en la cual aumenta la
función objetivo.
7. Las líneas paralelas que representan la función objetivo
se trazan mediante la asignación de valores arbitrarios a fin
de determinar la ppendiente y la dirección en la cual crece o
decrece el valor de la función objetivo.
 EJEMPLO 1

Disponemos de 210.000 euros para invertir en bolsa. Nos recomiendan dos tipos
de acciones. Las del tipo A, que rinden el 10% y las del tipo B, que rinden el 8%.
Decidimos invertir un máximo de 130.000 euros en las del tipo p A y como
mínimo 60.000 en las del tipo B. Además queremos que la inversión en las del
tipo A sea menor que el doble de la inversión en B. ¿Cuál tiene que ser la
distribución de la inversión para obtener el máximo interés anual?

Solución
Es un problema de programación lineal.
Llamamos x a la cantidad que invertimos en acciones de tipo A
Llamamos y a la cantidad que invertimos en acciones de tipo B

La función objetivo es; MAXIMIZAR

F(x, y)= 0,1x+0,08y
 EJEMPLO 1

Condiciones que deben cumplirse (restricciones):

Dibujamos las rectas auxiliares asociadas a las restricciones para

Conseguir la región factible (conjunto de puntos que cumplen esas
condiciones)
 EJEMPLO 1

La región factible es la pintada de amarillo, de vértices A, B, C, D y E

Comprobarlo analíticamente (es decir comprobar que el valor máximo de la

función objetivo, F, se alcanza en el vértice D)
 EJEMPLO 1

Encontremos los vértices:

A(0, 60000), B(120000, 60000), C(130000, 65000), D(130000, 80000) y E(0,
210000)

Se encuentran directamente (son las intersecciones con los ejes

coordenados)

Si dibujamos la curva F(x, y) =0 (en rojo) y la desplazamos se puede

comprobar gráficamente que el vértice mas alejado es el D,
D y por tanto
es la solución óptima.

Comprobarlo
p analíticamente ((es decir comprobar
p que el valor máximo
q
de la función objetivo, F, se alcanza en el vértice D)
 EJEMPLO 2
En una pastelería
E l í se hacen
h d tipos
dos i d tartas: Vienesa
de Vi y Real.
R l Cada
C d tarta
Vienesa necesita un cuarto de relleno por cada Kg. de bizcocho y
produce un beneficio de 250 Pts, mientras que una tarta Real necesita
medio Kg. de relleno por cada Kg. de bizcocho y produce 400 Ptas. de
beneficio. En la pastelería se pueden hacer diariamente hasta 150 Kg. de
bizcocho y 50 Kg. de relleno, aunque por problemas de maquinaria no
pueden hacer mas de 125 tartas de cada tipo. ¿Cuántas tartas Vienesas y
cuantas
t Reales
R l deben
d b venderd all día
dí para que sea máximo
á i ell beneficio?
b fi i ?

Solución
En primer lugar hacemos una tabla para organizar los datos:
 EJEMPLO 2
Función objetivo
j ((hayy que
q obtener su máximo): )
f(x, y)=250x+ 400y
Sujeta a las siguientes condiciones (restricciones del problema):

Consideramos las rectas auxiliares a las restricciones y dibujamos la

región factible:
f

Para 0.25x+0.50y=50, Para x + y =150

ó x + 2y=200
 EJEMPLO 2
La otras dos son paralelas a los ejes
Al eje OY x=125
Al eje Ox y =125
Y las otras restricciones (x e y mayor o igual a cero) nos indican que las
soluciones deben estar en el primer cuadrante
La región factible la hemos coloreado de amarillo:
 EJEMPLO 2
Encontremos los vértices:
El O(0,0), el A(125, 0) y el D(0, 100) se encuentran directamente (son las
intersecciones con los ejes coordenados)
Se observa q
que la restricción y es redundante ((es decir “sobra”))
Resolviendo el sistema:
por reducción obtenemos y=50, x=100
O
Otro vértice
i es ell punto C(100,
C(100 50)
Y el último vértice que nos falta se obtiene resolviendo el sistema:
X+y=150
y
X=125
Cuya solución es: X=125, Y=25 B(125, 25)
Los vértices
értices de la
l región
re ión son O(0,0),
O(0 0) A(125,0),
A(125 0) B(125,25)
B(125 25) y C(100,50)
C(100 50) y
D(0,100),
Si dibujamos el vector de dirección de la función objetivo
f(x, y)=250x+ 400y
Haciendo 250x+ 400y =0, y=-(250/400)x=-125x/200
Algunas reflexiones
• Hemos pasado
H d ded lal definición
d fi i ió del
d l problema
bl a su
formulación matemática.
• Error de especificación,
especificación el error más frecuente consiste en
descuidar las limitaciones (restricciones, características de
las variables, etc,)
En el ejemplo anterior:
a) Todas las variables son continuas (admitimos fracciones
de día)
b)) Existe un único objetivo
j ((minimizar los costes))
c) El objetivo y las restricciones son lineales
Las tres consideraciones anteriores nos llevan a lo que
denominamos un problema de Programación Lineal PL
 Algunas reflexiones
El ejercicio anterior plantea un PROBLEMA DE DECISIÓN
Hemos tomado una situación real y hemos construido su equivalente
matemático
i MODELO MATEMÁTICO Á
Durante la formulación del modelo matemático nosotros
consideramos
id ell método
ét d cuantitativo
tit ti que (esperanzadamente)
( d t ) nos
permitirá resolver el modelo numéricamente ALGORITMO
El algoritmo es un conjunto de instrucciones que siguiendo de
manera gradual producen una solución numérica
Llegamos a una nueva definición de I.O.
Ciencia para la representación de problemas reales mediante
modelos matemáticos qque jjunto con métodos cuantitativos nos
permiten obtener una solución numérica a los mismos
Dificultades

Dificultades de este tipo de enfoques:

•Identificación del problema (debemos ignorar partes o tratar el
problema entero)
•Elección del modelo matemático adecuado así como el
algoritmo adecuado para resolverlo (validación del algoritmo)
•Dificultades en la implementación
•Velocidad (costes) que supone llegar a una solución
•Calidad de la solución
•Consistencia de la solución
 DIAGNOSTICO
Que el área de sistemas lo proporcione

TIPOS DE PROBLEMAS

Planeación Distribución Asignación de Inventarios Programación Pronósticos Medio Análisis Analisis de

de la recursos de Actividades de Ambiente de Líneas Sistemas de
Producción limitados Demanda de Espera Producción

Información Cuantitativa y Cualitativa

del Sistema bajo estudio

Seleccionar el Modelo

Modelos Determinísticos Modelos Estocásticos

Programación
g Programación
g Programación
g Optimización Control de Pronósticos Teoría de Simulación de
Programación Lineal Entera Lineal por Dinámica Inventarios Colas Sistemas
de Redes
Lineal metas Comportamient Determinación Estimación de
Soluciones
Soluciones Soluciones en Soluciones en orientadas a la Soluciones o futuro sistema de tiempos de las medidas de
Soluciones Enteras orden de Etapas por etapas basado en datos espera y desempeño del
distribución
Reales prioridad continuas (n+1) históricos longitud de la sistema
óptima
cola promedio modelado

HERRAMIENTAS DE INVESTIGACIÓN DE OPERACIONES

FIN