INVESTIGACIN DE

OPERACIONES
Ing. Carlos Alfredo Gil Narvaez

RESEA HISTRICA
Las primeras actividades formales de la
Investigacin de Operaciones se dieron en
Inglaterra durante la Segunda Guerra Mundial,
cuando se encomend a un equipo de cientficos
ingleses la toma de decisiones acerca de la mejor
utilizacin de materiales blicos. Al termino de la
guerra, estas ideas fueron adaptadas para
mejorar la eficiencia y la productividad en el
sector civil.
Un elemento principal de la investigacin de
operaciones es el modelado matemtico

CONCEPTO
La Investigacin de Operaciones o Investigacin
Operativa, es una rama de las Matemticas
consistente en el uso de modelos matemticos y
algoritmos con objeto de realizar un proceso de toma
de decisiones. Frecuentemente, trata del estudio de
complejos sistemas reales, con la finalidad de
mejorar (u optimizar) su funcionamiento.
La investigacin de operaciones permite el anlisis
de la toma de decisiones teniendo en cuenta la
escasez de recursos, para determinar cmo se puede
optimizar un objetivo definido, como la maximizacin
de los beneficios o la minimizacin de costos.

MODELOS MATEMTICOS

Imaginemos que tenemos un compromiso por

cinco semanas entre Lima y Tacna. Vuela hacia
Tacna el Lunes y retorna el Mircoles. Un pasaje
ida y vuelta cuesta 180 Dlares, pero se ofrece un
descuento del 20% si las fechas del viaje abarcan
un fin de semana. Un boleto de viaje en cualquier
direccin cuesta el 75% del precio regular (solo
ida)

Se puede considerar que el caso es un problema de

toma de decisiones, cuya solucin requiere
identificar tres componentes:
Cules son las alternativas de solucin?
Bajo que restricciones se toma la decisin?
Cul es el criterio objetivo adecuado para
evaluar las alternativas?

MODELO PRESCRIPTIVO O DE
OPTIMIZACIN

Un modelo de este tipo dicta el comportamiento

para una organizacin que le permitir a esta
alcanzar mejor sus metas. Entre los elementos de
un modelo prescriptivo tenemos:

Funcin objetivo
Variables de decisin
Restricciones

PROGRAMACIN LINEAL
La programacin lineal se aplica a modelos de
optimizacin en la que la funcin objetivo y
restricciones son estrictamente lineales. La tcnica
se aplica en una amplia variedad de casos, en los
campos de agricultura, industria, transporte,
economa, salud, ciencias sociales y militar.
Tambin produce algoritmos eficientes de computo
para problemas de miles de restricciones y
variables. En realidad, debido a su tremenda
eficiencia de clculo, la programacin lineal forma
la columna vertebral de los algoritmos de solucin
para otros modelos de investigacin de operaciones.

MODELO DE PROGRAMACIN
LINEAL CON DOS VARIABLES

La compaa Vencedor produce pinturas para

interiores y exteriores: Supermate y Latex Rocky.
Tonelada de Materia Prima
Supermate

Latex Rocky

Disponibilidad
diaria mxima (Tn)

Materia Prima (M1)

24

Materia Prima (M2)

Utilidad por Tn
(miles de soles S/.)

Segn un estudio de mercado la demanda diaria de

pintura Latex Rocky no puede ser mayor que 1
tonelada mas que la de pintura Supermate.
Tambin, que la demanda mxima diaria de
pintura Latex Rocky es de 2 toneladas.
Vencedor desea determinar la mescla optima que
maximice la utilidad diaria total.

Para el problema de Vencedor se necesita

determinar las cantidades a producir de ambos
tipos de pintura.
x1, Toneladas a producir diariamente de pintura
Supermate
x2, Toneladas a producir diariamente de pintura
Latex Rocky

Para formar la funcin objetivo, la empresa desea

aumentar sus utilidades todo lo posible. Si z
representa la utilidad diaria, el objetivo de la
empresa se expresa asi:

Maximizar z = 5 x1 + 4 x2

Ahora definiremos las restricciones que limitan el uso de las materias

primas y la demanda.
Segn los datos del problema:
Uso de la materia prima M1 = 6x1 + 4x2

Ya que la disponibilidad de las materias primas M1 y M2 se limitan a 24 y

6 toneladas, respectivamente, las restricciones se expresan de la siguiente
manera:
6x1 + 4x2 <= 24

Uso de la materia prima M2 = 1x1 + 2x2

x1 + 2x2 <= 6

La primera restriccin de la demanda indica que la diferencia entre la

produccin diaria de pinturas Latex Rocky y Supermate, x2 - x1, no debe
ser mayor que una tonelada y eso se traduce en x2 x1 <= 1
La segunda indica que la demanda diaria mxima de pintura Latex
Rocky no puede superar las 2 toneladas. x2 <= 2

Una de las restricciones que se sobreentiende es la de no negatividad

x1, x2 >= 0

El modelo de Vencedor completo es:

Maximizar z = 5 x1 + 4 x2
Sujeto a

6x1 + 4x2 <= 24

x1 + 2x2 <= 6
-x1 + x2 <= 1
x2 <= 2
x1 , x2 >= 0

SOLUCIN GRFICA

El procedimiento de solucin grfica comprende

dos pasos:
Determinacin

del espacio de soluciones que define

todas las soluciones factibles del modelo

Determinacin

de la solucin ptima, entre todos los

puntos factibles del espacio de solucin

PASO 1. DETERMINACIN DEL ESPACIO

DE SOLUCIONES FACTIBLES
X2
6

+
1
6X

1
-X

X2

2
4X

=
24

X2 = 2

X +
1
2X

=6

X1

DETERMINACIN DE LA SOLUCIN
OPTIMA

PRACTICA CALIFICADA

Unos grandes almacenes encargan a un fabricante pantalones y chaquetas

deportivas. El fabricante dispone para la confeccin de 750 m de tejido de algodn y
1000 m de tejido de polister. Cada pantaln precisa 1 m de algodn y 2 m de
polister. Para cada chaqueta se necesitan 1.5 m de algodn y 1 m de polister. El
precio del pantaln se fija en S/. 50 y el de la chaqueta en S/. 40 Qu nmero de
pantalones y chaquetas debe suministrar el fabricante a los almacenes para que
stos consigan una venta mxima?
Una compaa fabrica y venden dos modelos de lmpara L1 y L2. Para su fabricacin
se necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para
el L2; y un trabajo de mquina de 20 minutos para L1 y de 10 minutos para L2. Se
dispone para el trabajo manual de 100 horas al mes y para la mquina 80 horas al
mes. Sabiendo que el beneficio por unidad es de S/.15 y S/.10 para L1 y L2,
respectivamente, planificar la produccin para obtener el mximo beneficio.
En un Almacn de frutas hay 800 Kg de naranjas, 800 Kg de manzanas y 500 Kg. de
Pltanos. Para su venta se hacen dos lotes (A y B). El lote A contiene 1 Kg de
naranjas, 2 Kg de manzanas y 1 kg de pltanos; el lote B se compone de 2 Kg de
naranjas, 1 kg de manzanas y 1 Kg de pltanos. La utilidad por kilogramo que se
obtiene del lote A es S/. 12.00 y con el lote B S/14.00. Determinar el nmero de
kilogramos de cada tipo para conseguir beneficios mximos.

Unos grandes almacenes encargan a un fabricante pantalones

y chaquetas deportivas. El fabricante dispone para la
confeccin de 750 m de tejido de algodn y 1000 m de tejido de
polister. Cada pantaln precisa 1 m de algodn y 2 m de
polister. Para cada chaqueta se necesitan 1.5 m de algodn y
1 m de polister. El precio del pantaln se fija en S/. 50 y el de
la chaqueta en S/. 40 Qu nmero de pantalones y chaquetas
debe suministrar el fabricante a los almacenes para que stos
consigan una venta mxima?

x1 = Cantidad de pantalones
x2 = Cantidad de chaquetas

Maximizar z - 50x1 - 40x2

Sujeto a
x1 + 1.5x2 + x3
= 750
2x1 +
x2 +
+ x4 = 1000

x1, x2 >= 0

Una compaa fabrica y venden dos modelos de lmpara L1 y

L2. Para su fabricacin se necesita un trabajo manual de 20
minutos para el modelo L1 y de 30 minutos para el L2; y un
trabajo de mquina de 20 minutos para L1 y de 10 minutos
para L2. Se dispone para el trabajo manual de 100 horas al
mes y para la mquina 80 horas al mes. Sabiendo que el
beneficio por unidad es de S/.15 y S/.10 para L1 y L2,
respectivamente, planificar la produccin para obtener el
mximo beneficio.

x1 = Cantidad de Lmparas L1
x2 = Cantidad de Lmparas L2

Maximizar z 15x1 - 10x2

Sujeto a
20x1 + 30x2 + x3
= 6000
20x1 + 10x2 +
x4
= 4800

x1, x2 >= 0

En un Almacn de frutas hay 800 Kg de naranjas, 800 Kg de

manzanas y 500 Kg. de Pltanos. Para su venta se hacen dos
lotes (A y B). El lote A contiene 1 Kg de naranjas, 2 Kg de
manzanas y 1 kg de pltanos; el lote B se compone de 2 Kg de
naranjas, 1 kg de manzanas y 1 Kg de pltanos. La utilidad
por kilogramo que se obtiene del lote A es S/. 12.00 y con el lote
B S/14.00. Determinar el nmero de kilogramos de cada tipo
para conseguir beneficios mximos.

x1 = Cantidad de Lote A
x2 = Cantidad de Lote B

Maximizar z 12x1 - 14x2

Sujeto a
x1 + 2x2 + x3
= 800
2x1 + x2
+ x4
= 800
x1 + x2
+ x5 = 500

x1, x2 >= 0

EL MTODO SIMPLEX
Es un algoritmo iterativo para resolver de una forma
eficiente los problemas de Programacin Lineal de gran
tamao. Fue desarrollado primeramente en 1947 por C.B.
Dantizg y sus colaboradores en el Departamento de las
Fuerza Areas de los Estados Unidos. Posteriormente, se han
realizado algunas modificaciones para incrementar su
eficiencia de clculo pero el mtodo es bsicamente el mismo.
Una propiedad general del mtodo simplex es que resuelve la
programacin lineal en
iteraciones. Cada iteracin
desplaza la solucin a un nuevo punto esquina que tiene
potencial de mejorar el valor de la funcin objetivo. El
proceso termina cuando ya no se pueden obtener mejoras.
El mtodo Simplex implica clculos tediosos y voluminosos, lo
que hace que la computadora sea una herramienta esencial
para resolver los problemas de programacin lineal.

EXPLICACIN GRFICA DEL

PROCESO SIMPLEX
Ya se ha apuntado en el procedimiento de solucin
grfica que la bsqueda de una solucin ptima debe
hacerse nicamente en los vrtices del espacio factible
de solucin. Esto es fcil de comprender en un problema
con slo dos variables y tres restricciones, pero en
problemas mayores se necesita un procedimiento para
identificas y evaluar todos los vrtices.
En
el mtodo Simplex, la bsqueda comienza,
normalmente, en el origen y se desplaza al vrtice
adyacente que incremente el valor de la funcin
objetivo. Cuando se alcanza el nuevo vrtice, la
bsqueda se desplaza hacia otro nuevo adyacente que
sea mejor que el ltimo. El proceso contina hasta que
no se pueda lograr ninguna mejora.

CONVERSIN DE DESIGUALDADES
A ECUACIONES
En

las restricciones ( ), el lado derecho representa el lmite de

disponibilidad de un recurso, y en ese caso el lado izquierdo
representara el uso de ese recurso limitado por parte de las
actividades (variables) del modelo. La diferencia entre el lado
derecho y el lado izquierdo de la restriccin representa, la
cantidad no usada u holgura del recurso.

Para

convertir una desigualdad ( ) en una ecuacin, se agrega

una variable de holgura al lado izquierdo de la restriccin. Por
ejemplo, en el ejemplo de Vencedor la restriccin asociada con el
uso de la materia prima M1 esta dada como
6X1 + 4X2 24
Si se define h1 como la holgura, o cantidad no usada, de M1, la restriccin se puede
convertir en la siguiente ecuacin
6X1 + 4X2 + S1 = 24, h1 0

Una restriccin () establece, normalmente, un lmite

inferior para las actividades del modelo de programacin
lineal, como tal, la cantidad por la que el lado izquierdo es
mayor que lmite mnimo (lado derecho) representa un
excedente.
La conversin de () a (=) se logra restando una variable de
excedencia, del lado izquierdo de la desigualdad. Ejemplo
X1 + X2 800
Si se define S1 como una variable de excedencia, se puede
convertir en la siguiente ecuacin:
X1 + X2 - S1 = 800, S1 0

NATURALEZA ITERATIVA DEL

MTODO SIMPLEX

La figura muestra el espacio de soluciones de la

programacin
lineal
del
ejemplo
Vencedor.
Normalmente, el mtodo simplex comienza en el origen
(punto A), donde x1 = x2 = 0. En este punto de inicio, el
valor de la funcin objetivo z es cero.

ALGORITMO SIMPLEX

Para explicar los detalles de clculo de una iteracin

simplex, que incluyen las reglas para determinar las
variables de entrada y salida, as como para detener los
clculos cuando se ha llegado a la solucin ptima. Como
medio de explicacin usaremos un ejemplo.
Maximizar z = 5 x1 + 4 x2
Sujeto a

6x1 + 4x2 <= 24

x1 + 2x2 <= 6

-x1 + x2 <= 1
x2 <= 2

Maximizar z - 5x1 - 4x2 = 0

6x1 + 4x2 + h1
x1 + 2x2
-x1 +

x2

= 24
+ h2

= 6
+ h3

x2
x1, x2, h1, h2, h3, h4 0

= 1
+ h4 = 2

Bsic
a

x1

x2

h1

h2

h3

h4

Soluci
n

-5

-4

h1

24

h2

h3

-1

h4

En el diseo de la tabla se especifica el conjunto

de variables bsicas y no bsicas, y tambin se
muestra la solucin asociada con la iteracin de
inicio. Como se explic anteriormente las
iteraciones simplex comienzan en el origen
(x1,x2)=(0,0). As, el conjunto asociado de
variables no bsicas y bsicas se define como
sigue:

Variables no bsicas (cero): (x1,x2)

Variables bsicas: (h1, h2, h3,h4)

Se debe seleccionar para Entrar en la solucin

bsica a la variable no bsica con el mayor
coeficiente negativo, en nuestro caso x1 = -5
Si fuera el caso que todos los coeficientes de la
funcin objetivo mayores a cero, no sera posible
mejorar z y eso querra decir que se habra
llegado al ptimo.
Para determinar la variable de salida, en forma
directa con la tabla, se calculan las
intersecciones, o coordenadas (x1)

Bsica

x1

x2

h1

h2

h3

h4

Soluci
n

-5

-4

h1

24

X1=24/6=4

h2

X1=6/1=6

h3

-1

X1=1/-1=-1
(ignorar)

h4

X1=2/0 =
(ignorar)

Los clculos necesarios para obtener la nueva solucin bsica son de dos
tipos:
Fila

Pivote

Nueva fila pivote = Fila Pivote / Elemento Pivote

Las

dems filas

Nueva fila = fila actual (su coeficiente en la columna pivote) * nuevo fila pivote
Bsica

x1

x2

h1

h2

h3

h4

Soluci
n

24

z
h1
h2
h3
h4