I.

Definiciones y terminología de Investigación de Operaciones

La Investigación de Operaciones es una disciplina que consiste en la aplicación de

métodos analíticos avanzados con el propósito de apoyar el proceso de toma de
decisiones, identificando los mejores cursos de acción posibles.

La Investigación de Operaciones utiliza técnicas de modelamiento matemático,

análisis estadístico y optimización matemática, con el objetivo de alcanzar
soluciones óptimas o cercanas a ellas cuando se enfrentan problemas de decisión
complejos. Se espera que las decisiones alcanzadas mediante el uso de un modelo
de investigación operativa sean significativamente mejores en comparación a
aquellas decisiones que se podrían tomar haciendo uso de la simple intuición o
experiencia del tomador de decisiones.

El enfoque de la Investigación de Operaciones es el modelaje. Un modelo es una

herramienta analítica que nos sirve para lograr una visión bien estructurada de la
realidad. Así, el propósito del modelo es proporcionar un medio para analizar el
comportamiento de las componentes de un sistema con el fin de optimizar su
desempeño.

ALGORITMOS: Conjunto finito bien definido de instrucciones para llevar a cabo una
determinada tarea que dado un estado inicial, terminará en un estado final definido.

ANÁLISIS CUANTITATIVO: Técnica que aplica las matemáticas, especialmente el

cálculo estocástico, al ámbito de la economía y la Bolsa.

AUTOMATIZACIÓN: Se refiere al uso de sistemas o elementos computarizados y

electromecánicos para controlar maquinarias o procesos industriales.

BASE CUANTITATIVA: Esta es la habilidad de emplear técnicas presentadas como

métodos cuantitativos o investigación de operaciones, como pueden ser la
programación lineal, teoría de líneas de espera y modelos de inventarios.
CONDICIÓN DE NO NEGATIVIDAD: En la programación lineal las variables de
decisión sólo pueden tomar valores de cero a positivos. No se permiten valores
negativos.

EFICACIA: Consecución de objetivos; logro de los efectos deseados.

EFICIENCIA: Logro de los fines con la menor cantidad de recursos; el logro de

objetivos al menor costo u otras consecuencias no deseadas

ESTADO DE UN SISTEMA: Es el conjunto de variables necesarios para describir el

estatus del sistema en algún momento determinado.

GENERADOR DE NÚMEROS ALEATORIOS: Es un componente o funcionalidad

que crea números o símbolos para un programa software en una forma que carezca
de un patrón evidente, y que así parezcan ser números aleatorios.

MODELO DE SIMULACIÓN ESTÁTICO: Es una representación de un sistema en

un punto particular en el tiempo.

MODELO: Resultado del proceso de generar una representación abstracta,

conceptual, gráfica o visual.

NÚMERO ALEATORIO: Es un resultado de una variable al azar especificada por

una función de distribución. Cuando no se especifica ninguna distribución, se
presupone que se utiliza la distribución uniforme continua en el intervalo [0,1).En los
ordenadores personales es fácil simular la generación de números aleatorios,
mediante mecanismos de generación de números pseudoaleatorios.

NÚMERO PSEUDO-ALEATORIO: Es un número generado en un proceso que

parece producir números al azar, pero no lo hace realmente. Las secuencias de
números pseudo-aleatorios no muestran ningún patrón o regularidad aparente
desde un punto de vista estadístico, a pesar de haber sido generadas por un
algoritmo completamente determinista, en el que las mismas condiciones iníciales
producen siempre el mismo resultado.

SIMULACIÓN: Técnica que imita la operación de un sistema del mundo real a

medida que evoluciona con el tiempo; sin ser el sistema.
SISTEMA CONTINÚO: Es aquel en el que las variables de estado cambian de forma
continua con el tiempo.

SISTEMA DISCRETO: Es en el cual las variables de estado cambian solo en puntos

discretos o contables del tiempo.

SISTEMA: Es una colocación de entidades que actúan e interactúan hacia la

realización de algún fin lógico.

VARIABLE CONTINUA: Es la variable que puede adquirir cualquier valor dentro de

un intervalo especificado de valores. Por ejemplo la masa (2,3 kg, 2,4 kg, 2,5 kg,
…), que solamente está limitado por la precisión del aparato medidor, en teoría
permiten que siempre exista un valor entre dos cualesquiera.

VARIABLE DISCRETA: Es la variable que presenta separaciones o interrupciones

en la escala de valores que puede tomar. Estas separaciones o interrupciones
indican la ausencia de valores entre los distintos valores específicos que la variable
pueda asumir. Ejemplo: El número de hijos (1, 2, 3, 4, 5).

VARIABLES CUALITATIVAS: aquellas que no aparecen en forma numérica, sino

como categorías o atributos (sexo, profesión, color de ojos) y sólo pueden ser
nominales u ordinales.

VARIABLES CUANTITATIVAS: Son las variables que se expresan mediante

cantidades numéricas. Las variables cuantitativas además pueden ser discretas y
continuas.

VARIABLES DE ESTADO: Son variables cuyos valores definen el estado de un

sistema en un instante determinado.

VARIABLES NOMINALES: lo único que puede hacerse es establecer frecuencias

en cada atributo y la igualdad o desigualdad entre los diferentes casos, ver cuál es
el grupo que tiene mayor frecuencia alcanzando el concepto de “moda” (y también
obtener algunas medidas de asociación cuando se relacionan variables entre sí).

VARIABLES ORDINALES: recogen la idea de orden pero no tiene sentido realizar

operaciones aritméticas con ellas ya que no puede medirse distancia entre una
categoría y otra. Se puede establecer aquí igualdad y desigualdad, y relaciones
como mayor que, y menor que. Puede establecerse orden, pero no medirse
distancia dentro de ese orden. La medida estadística de tendencia central más
apropiada para estas escalas es la “mediana”.

II. Modelos: definición, desarrollo y tipos

Es una representación ideal de un sistema real y de la forma cómo opera. Un modelo

es una abstracción selectiva de la realidad.

Es una representación o abstracción de una situación u objeto real, que muestra las
relaciones y las interrelaciones de la acción y la reacción en términos de causa y
efecto.

El objetivo de un modelo es poder predecir su comportamiento en un futuro.

Existen diversos tipos de clasificaciones en los modelos, pero los más destacados
son:

MODELO ICÓNICO: La relación de correspondencia se establece a través de las

propiedades morfológicas, habitualmente un cambio de escala con conservación
del resto de las propiedades.

En un modelo icónico se conservan las proporciones del objeto real mediante una
reducción de escala y una selección de las propiedades representadas.

Ejemplo:

•Planos y mapas (dos dimensiones).

•Maquetas y prototipos (4 dimensiones).

MODELO ANALÓGICO: Pueden representar las características y propiedades del

acontecimiento que se estudia. Se construyen mediante un conjunto de
convenciones que sintetizan y codifican propiedades del objeto real para facilitar la
"lectura" o interpretación de las mismas.

Ejemplo:

•Curvas de demanda.

•Un mapa impreso

MODELO SIMBÓLICO O MATEMÁTICO: Son representaciones de la realidad en

forma de cifras, símbolos matemáticos y funciones, para representar variables de
decisión y relaciones que nos permiten describir y analizar el comportamiento del
sistema.

Ejemplo:

•La representación de un edificio mediante la identificación y codificación en una

estructura geométrica de sus elementos básicos.

El modelo matemático también se divide en:

1. Cuantitativos y cualitativos: El cuantitativo mide los hechos sociales valiéndose

de los números, considerándose que todo puede observarse, registrarse y medirse
denotativamente. El cualitativo se basa en el análisis e interpretación subjetiva de
los mismos a partir del discurso.

2. Estándares y hechos a la medida: Los estándares son aquellos que solo hay que
insertar o sustituir diferentes valores con el fin de obtener un valor a una respuesta
de un sistema. Se llaman modelos hechos a la medida cuando se crean modelos
para resolver un caso de problema en específico que se ajusta únicamente a este
problema.

3. Probabilísticas y determinísticos: El probabilístico es aquel que quiere asociar un

valor de probabilidad a cada punto del espacio muestral. Los modelos que no tienen
consideraciones probabilísticas se llaman determinísticos.

4. Descriptivos y de optimización: Los descriptivos pretenden predecir qué sucede

en una situación concreta dada. La optimización sirve para determinar el punto
exacto para resolver alguna problemática administrativa, de producción, o cualquier
otra situación.

5. Estáticos y dinámicos: Los modelos estáticos se ocupan de determinar una

respuesta para una serie especial de condiciones fijas que probablemente no
cambiarán significativamente a corto plazo. Un modelo dinámico por el contrario
está sujeto al factor tiempo que desempeña un papel esencial en la secuencia de
las decisiones, independientemente de cuales hayan sido las decisiones anteriores.

6. De simulación y no simulación: En un modelo de simulación los datos de entrada

pueden ser reales o generados en forma aleatoria. Los modelos que no se prestan
para usar datos empíricos o simulados en forma aleatoria son modelos no
simulados.

III. Principales aplicaciones de la Investigación de Operaciones

La Investigación de Operaciones hace uso de modelos matemáticos con el objetivo

que las decisiones que éstos nos proveen sean significativamente mejores en
comparación a aquellas decisiones que se toman con una base cualitativa.

Las áreas en que podemos aplicar la Investigación de operaciones pueden ser

diversas, pero se concentra principalmente en:

Área personal: La automatización y la disminución de costos, reclutamiento de

personal, clasificación asignación a tareas de mejor actuación e incentivos a la
producción.

Modelos de inventarios: Estos existen debido al hecho de que no hay una respuesta
inmediata de los suministros por parte de los proveedores, que garanticen una
dinámica estable

Mercado y distribución: El desarrollo e introducción de producto, envasado,

predicción de la demanda y actividad competidora, localización de bodegas y
centros distribuidores.
Teoría de redes: permite la resolución de múltiples problemas de programación
matemática mediante la implementación de algoritmos especiales creados para tal
fin.

Compras y materiales: Las cantidades y fuentes de suministro, costos fijos y

variables, sustitución de materiales, reemplazo de equipo, comprar o rentar.

Manufactura: La planeación y control de la producción, mezclas óptimas de

manufactura, ubicación y tamaño de planta, el tráfico de materiales y el control de
calidad.

Finanzas y contabilidad: Los análisis de flujo efectivo, capital requerido de largo

plazo, inversiones alternas, muestreo para la seguridad en auditorias y
reclamaciones.

Pronósticos: Es la predicción de lo que sucederá con un elemento determinado

dentro del marco de un conjunto dado de condiciones.

Planeación: Con los metodos PERT para el control de avance de cualquier proyecto
con múltiples actividades, tanto simultaneas como las que deban esperar para
ejecutarse.

IV. Fases de estudio de Investigación de Operaciones

Un estudio de investigación de operaciones se basa en la labor de equipo, donde

los analistas de investigación de operaciones y el cliente trabajan en conjunto. Los
analistas, con sus conocimientos de modelado, deben complementarse con la
experiencia y la cooperación del cliente para quien hacen el estudio.

Como herramienta de toma de decisiones, la investigación de operaciones es una

ciencia y un arte. Es una ciencia por las técnicas matemáticas que presenta, y es
un arte porque el éxito de todas las fases que anteceden y siguen a la resolución
del modelo matemático depende mucho de la creatividad y la experiencia del equipo
de investigación de operaciones.
Las fases principales de la implementación de la investigación de operaciones en la
práctica comprenden:

1. La definición del problema.

2. La construcción del modelo.

3. La solución del modelo.

4. La validación del modelo.

5. La implementación de la solución

La definición del problema implica definir el alcance del problema que se investiga.
Es una función que se debe hacer entre todo el equipo de investigación de
operaciones. Su resultado final será identificar tres elementos principales del
problema de decisión, que son: 1) la descripción de las alternativas de decisión; 2)
la determinación del objetivo del estudio, y 3) la especificación de las limitaciones
bajo las cuales funciona el sistema modelado.

La construcción del modelo implica traducir la definición del problema a relaciones

matemáticas. Si el modelo que resulte se ajusta a uno de los modelos matemáticos
normales, como puede ser la programación lineal, se puede llegar a una solución
empleando los algoritmos disponibles. En forma alternativa, si las relaciones
matemáticas son demasiado complejas como para permitir el cálculo de una
solución analítica, puede ser que el equipo de investigación de operaciones opte
por simplificar el modelo y usar un método heurístico, o que el equipo pueda recurrir
al uso de una simulación, si es aproximada. En algunos casos se podrá necesitar
una combinación de modelos matemáticos, de simulación y heurísticos para
resolver el problema de decisiones. (Se conoce como heurística al conjunto de
técnicas o métodos para resolver un problema)

La solución del modelo supone el uso de algoritmos bien definidos de optimización.

Un aspecto importante de la fase de solución del modelo es el análisis de
sensibilidad. Tiene que ver con la obtención de información adicional sobre el
comportamiento de la solución óptima cuando el modelo sufre ciertos cambios de
parámetros. Se necesita en especial el análisis de sensibilidad cuando no se pueden
estimar con exactitud los parámetros del modelo. En esos casos es importante
estudiar el comportamiento de la solución óptima en las proximidades de los
parámetros estimados.

La validación del modelo comprueba si el modelo propuesto hace lo que se quiere

que haga. Desde el lado formal, un método frecuente para comprobar la validez de
un modelo es comparar su resultado con datos históricos. El modelo es válido si,
bajo condiciones de datos semejantes, reproduce el funcionamiento en el pasado.

Sin embargo, en general no hay seguridad de que el funcionamiento en el futuro

continúe reproduciendo los datos del pasado. También, como el modelo se suele
basar en un examen cuidadoso de los datos históricos, la comparación propuesta
debería ser favorable. Si el modelo propuesto representa un sistema nuevo, no
existente, no habrá datos históricos para las comparaciones. En esos casos se
podrá recurrir a una simulación, como herramienta independiente para verificar los
resultados del modelo matemático.

La implementación de la solución de un modelo validado implica la traducción de

los resultados a instrucciones de operación, emitidas en forma comprensible para
las personas que administrarán al sistema recomendado. La carga de esta tarea la
lleva principalmente el equipo de investigación de operaciones.

V. Formulación de problemas lineales

Los principales elementos de un modelo de programación lineal son:

 Las variables o incógnitas

 La función objetivo
 Las restricciones

La característica distintiva de los modelos de programación lineal es que las

funciones que representan el objetivo y las restricciones son lineales.
Los problemas de optimización se formulan muy a menudo verbalmente, para poder
llegar a una solución se requiere un planteamiento matemático. El procedimiento
consiste en los siguientes pasos:

Paso 1: Identificar las variables de entrada, esto generalmente está en función de

la pregunta del problema.

Paso 2: Determinar la cantidad que desea optimizarse y exprésese

matemáticamente. A la ecuación resultante se le llama función objetivo.

Paso 3: Identificar todos los requerimientos, restricciones o limitaciones y

expresarse algebraicamente. A estas ecuaciones se les llama conjunto de
restricciones.

Paso 4: Expresar todas las condiciones ocultas, es decir, aquellas que el enunciado
no mencione, pero son obvias debido a la naturaleza del problema.

Ejercicio:
Un negocio se dedica a fabricar baleros y matracas, fabricar cada uno ofrece una
ganancia en ventas pero consume recursos como se muestra en la siguiente tabla:

Consumo de recursos por cada unidad

Tiempo disponible
Proceso fabricada
en cada proceso
Baleros Matracas
Corte 2 4 240
Ensamble 2 2 180
Ganancia unitaria 100 160

El dueño del negocio desea saber cuántos baleros y matracas fabricar para
obtener la máxima ganancia con los recursos disponibles.

Solución: Se requiere plantear los siguientes elementos

Variables de decisión: Cantidad fabricada de

X1 = Baleros
X2 = Matracas

Función objetivo: Maximizar la ganancia

Z= $100 X1 + $160 X2

Restricciones:
Proceso Consumo Relación Disponible
Corte 2X1 + 4X2  240
Ensamble 2X1 + 2X2  180
Bibliografía
https://www.gestiondeoperaciones.net/programacion_lineal/que-es-la-
investigacion-de-operaciones/
http://www.investigaciondeoperaciones.net/
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/
https://es.slideshare.net/d1305/glosario-de-investigacin-de-operaciones
https://investigaciondeoperaciones2.wordpress.com/2010/11/16/terminologia/
https://angelux07.wordpress.com/investigacion-de-operaciones/
https://www.uaeh.edu.mx/docencia/P_Presentaciones/huejutla/sistemas/investigac
ion_operaciones/modelos.pdf
http://www6.uniovi.es/~feli/CursoMDT/Tema1/Page2.html
https://invdeop.wordpress.com/2011/04/07/modelos-de-la-investigacion-de-
operaciones/
https://sites.google.com/site/io4in4/home/principales-aplicaciones-de-la-io
https://www.youtube.com/watch?v=ytiq74ALnUQ