MARQUEZ ARELLANO MARCO ANTONIO

SECUENCIA: 2IM62
TAHA, H. INVESTIGACIÓN DE OPERACIONES, ED. PEARSON, 9NA. EDICION
MEXICO 2012
CAPÍTULO 1 QUÉ ES LA INVESTIGACIÓN DE OPERACIONES
Los tres componentes principales de un modelo de IO, son: alternativas, criterio objetivo
y restricciones. Aunque los modelos de IO están diseñados para “optimizar” un criterio
objetivo específico sujeto a un conjunto de restricciones, la calidad de la solución resultante
depende de la exactitud con que el modelo representa el sistema real.
En la investigación de operaciones no se cuenta con una técnica general única para resolver
todos los modelos que puedan surgir en la práctica. En su lugar, el tipo y complejidad del
modelo matemático determina la naturaleza del método de solución.
La técnica de IO más importante es la programación lineal ya que está diseñada para
modelos con funciones objetivo y restricciones lineales. Otras técnicas incluyen la
programación entera (en la cual las variables asumen valores enteros), la programación
dinámica (en la cual el modelo original puede descomponerse en sub problemas más
pequeños y manejables), la programación de red (en la cual el problema puede modelarse
como una red), y la programación no lineal (en la cual las funciones del modelo son no
lineales).
Una peculiaridad de la mayoría de las técnicas de IO es que por lo general las soluciones
no se obtienen en formas cerradas (como si fueran fórmulas), sino que más bien se
determinan mediante algoritmos. Un algoritmo proporciona reglas fijas de cálculo que se
aplican en forma repetitiva al problema, y cada repetición (llamada iteración) acerca la
solución a lo óptimo.

MODELOS DE COLAS Y SIMULACIÓN

Las colas y la simulación estudian las líneas de espera. No son técnicas de optimización;
más bien determinan medidas de desempeño de las líneas de espera, como tiempo de
espera promedio en la cola, tiempo de espera promedio para el servicio, y el uso de las
instalaciones de servicio. Los modelos de colas utilizan modelos probabilísticos y
estocásticos para analizar líneas de espera, y la simulación estima las medidas de
desempeño al imitar el comportamiento del sistema real.
Un estudio de IO no debe iniciar con el prejuicio de utilizar una herramienta matemática
específica antes de que se justifique su uso.
Para implementar la IO en la práctica, las fases principales son:
1. Definición del problema.
2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de la solución.
Un método común de comprobar la validez de un modelo es comparar su resultado con
resultados históricos. El modelo es válido si, en condiciones de datos de entrada iguales,
reproduce de forma razonable el desempeño pasado. Sin embargo, no suele haber
seguridad de que el desempeño futuro continuará copiando el comportamiento pasado.
 MARQUEZ ARELLANO MARCO ANTONIO
SECUENCIA: 2IM62
TAHA, H. INVESTIGACIÓN DE OPERACIONES, ED. PEARSON, 9NA. EDICION
MEXICO 2012
CAPÍTULO 2 MODELADO CON PROGRAMACIÓN LINEAL
Todos los modelos de IO, incluido el de PL, constan de tres componentes básicos.
1. Las variables de decisión que pretendemos determinar.
2. El objetivo (la meta) que necesitamos optimizar (maximizar o minimizar).
3. Las restricciones que la solución debe satisfacer.
La definición correcta de las variables de decisión es un primer paso esencial en el
desarrollo del modelo. Una vez hecha, la tarea de construir la función objetivo y las
restricciones es más directa.
SOLUCIÓN GRÁFICA DE LA PL1
La solución gráfica incluye dos pasos:
1. Determinar el espacio de soluciones factibles.
2. Determinar la solución óptima de entre todos los puntos localizados en el espacio
de soluciones.
Una característica importante de la solución de PL óptima es que siempre está asociada
con un punto de esquina del espacio de soluciones (donde, en dos dimensiones, se
intersecan dos líneas). Esto es cierto incluso si la función objetivo es paralela a una
restricción.
En la práctica, los modelos de PL suelen implicar miles de variables y restricciones, y la
computadora es el único medio viable para resolver problemas de PL. Esta sección
presenta dos sistemas de software comúnmente utilizados: Excel Solver y AMPL.
Solver es en particular atractivo para los usuarios de hojas de cálculo.AMPL es un lenguaje
de modelado algebraico que, como todos los lenguajes de programación de alto grado,
requiere más conocimientos. No obstante,AMPL, y lenguajes similares2, ofrece una gran
flexibilidad de modelado.
APLICACIONES DE PROGRAMACIÓN LINEAL

1. Inversión.
2. Planificación de la producción y control de inventarios.
3. Planificación de la mano de obra.
4. Planificación de desarrollo urbano.
5. Refinación y mezcla de petróleo.
 MARQUEZ ARELLANO MARCO ANTONIO
SECUENCIA: 2IM62

.- WINSTON, L. INVESTIGACIÓN DE OPERACIONES, ED. IBEROAMERICA 4TA.

EDICION MEXICO 1994 PP 1338
CAPITULO 1 INTRDUCCIÓN A LA CONSTRUCCIÓN DE MODELOS
La investigación de operaciones es, simplemente, un enfoque científico en la toma de
decisiones que busca el mejor diseño y operar un sistema.
Por sistema, se requiere dar a entender una organización de componentes
interdependientes, que trabajan juntos para lograr un objetivo del sistema.
Modelos prescriptivos o de optimización
Un modelo de este tipo trata de encontrar valores, entre conjunto de todos los valores para
las variables de decisión, que optimicen (maximicen o minimicen) una función objetivo que
satisfagan las restricciones dadas.
La función objetivo
En la mayoría de los modelos hay una función que deseamos maximizar o minimizar. Esta
función se llama función objetivo del modelo.
Variables de decisión
Las variables cuyos valores están bajo nuestro control e influyen en el desempeño del
sistema, se denominan variables de decisión.
Restricciones
En la mayor parte de las situaciones solo son posibles ciertos valores de las variables de
decisión. Por ejemplo, ciertas combinaciones de volumen, presión y temperatura, podrían
ser peligrosas.
MODELOS ESTÁTICOS Y DINÁMICOS
Un modelo estático es uno en el cual las variables de decisión no requieren sucesiones de
decisiones para periodos múltiples. Un modelo dinámico es uno en el cual las variables de
decisión si requieren sucesiones de decisiones para periodos múltiples.
MODELOS LINEALES Y NO LINEALES
Supóngase que siempre que las variables de decisión aparecen en la función objetivo y en
las restricciones de un modelo de optimización, están multiplicadas por constantes y
acomodadas en forma de suma. Un modelo de esta forma es un modelo lineal. MODELOS
ENTEROS Y NO ENTEROS
Si una o más variables de decisión deben ser enteros, entonces se dice que un modelo de
optimización en un modelo entero. Si todas las variables de decisión son libres para asumir
valores fraccionarios, entonces es un modelo no entero.
MODELOS DETERMINISTICOS Y ESTOCÁSTICOS
Supóngase que para cualquier valor de las variables de decisión, se conoce con certeza el
valor de la función objetivo y si las restricciones se cumplen o no. Entonces se tiene un
modelo determinístico.
 MARQUEZ ARELLANO MARCO ANTONIO
SECUENCIA: 2IM62

.- WINSTON, L. INVESTIGACIÓN DE OPERACIONES, ED. IBEROAMERICA 4TA.

EDICION MEXICO 1994 PP 1338
CAPITULO 2 ALGEBRA LINEAL BASICA
Matrices y Vectores
Una matriz es cualquier arreglo rectangular de números. Si una matriz A tiene m renglones
y n columnas, se le llama matriz de m x n. Se denomina a m x n orden de la matriz.
a11 a12 a1n  a11 a12 a1n 
   
a a22 a2n  a a22 a2n 
A   21 o A   21
   
   
am1 am 2 amn  am1 am 2 amn 

DEFINICIÓN DE VECTOR (EN ÁLGEBRA MATRICIAL)

 que consta de una sola columna, es decir, una matriz m x l se conoce como
Una matriz
vector columna, y se expresa como

u1  u1 
   
u2  u
u o bien u   2 
   
   
um  um 
ADICIÓN Y SUBSTRACCIÓN DE MATRICES

3 2 4  0 3 8  3 5 4 

        3 10 6 4   9 6
a 5 6 8  5 6 2  0 0 10  b      
11 25  22 21 33 46

3 0 0 
 
0 0 4 
 
3 0 4 

MULTIPLICACIÓN DE UNA MATRIZ POR UN ESCALAR

Un solo número real (que equivale a una  matriz 1 x 1) se denomina escalar en las

operaciones del álgebra matricial. Cuando una matriz se multiplica por un escalar, cada
elemento de la matriz queda multiplicado por ese escalar (que es una constante)
MULTIPLICACIÓN DE MATRICES

Dos matrices se pueden multiplicar entre sí sólo si el número de columnas en una de ellas
es igual al número de filas en la otra. En particular, la matriz producto AB está definida
solamente si el número de columnas en A es el mismo que el número de filas en B; en este
caso se dice que las matrices A y B son compatibles ante la multiplicación, y la matriz
producto tiene el mismo número de filas que A y el mismo número de columnas que B. Así,
una matriz m x n se puede multiplicar con una matriz n x p para obtener una matriz m x p.

EJEMPLO
1 3 1  1 0 3 3
     
a 2 0 0 1 2   2 0

0 1 6
33 
 1 3
32 
 7 16
32

