Investigación de Operaciones

Mayra Macas

Universidad Iberoamericana
del Ecuador
 El problema

Los recursos Los sistemas son cada

son escasos vez más complejos

Cada vez es más difícil asignar los

recursos o actividades de forma eficiente
 ¿Qué es la Investigación de
Operaciones?
Definición (Lawrence y Pasternak, 1998)
Un enfoque científico para la toma de decisiones
ejecutivas, que consiste en:
– El arte de modelar situaciones complejas,
– La ciencia de desarrollar técnicas de solución para resolver
dichos modelos y
– La capacidad de comunicar efectivamente los resultados.

Objetivo de la Investigación operativa:

Estudiar la asignación óptima de recursos escasos a
determinada actividad.
Evaluar el rendimiento de un sistema con objeto de mejorarlo.
 Investigación de Operaciones
(I.O.)
• Es la aplicación del método científico para
asignar los recursos o actividades de forma
eficiente, en la gestión y organización de
sistemas complejos
• Su objetivo es ayudar a la toma de decisiones
• Requiere un enfoque interdisciplinario
 Historia de la I.O.
• Se aplica por primera vez en 1780
• Antecedentes:
– Matemáticas: modelos lineales (Farkas, Minkowski) ([Link])
– Estadística: fenómenos de espera (Erlang, Markov) (años 20)
– Economía: Quesnay ([Link]), Walras ([Link]), Von Neumann
(años 20)
• El origen de la I.O. moderna se sitúa en la 2ª
Guerra Mundial para resolver problemas de
organización militar:
- Despliegue de radares, manejo de operaciones de bombardeo,
colocación de minas,…
 Historia de la I.O.
• Al terminar la guerra, sigue el desarrollo en la
industria, debido a:
– competitividad industrial
– progreso teórico
• RAND, Research ANnd Development Corp. (Dantzig)
• Princeton (Gomory, Kuhn, Tucker)
• Carnegie Institute of Technology (Charnes, Cooper)
– gran desarrollo de los computadores:
* aumento de la capacidad de almacenamiento de
datos
* Incremento de la velocidad de resolución de los
problemas.
 Actualidad de la I.O.
• Sigue habiendo un gran desarrollo, en muchos
sectores, con grandes avances sobre todo en el
campo de la Inteligencia Artificial
• Más información:
– Association of European O.R. Societies (EURO)
• [Link]/euro/euro_welcome.html
– Institute for O.R. and the Management Sci. (INFORMS)
• [Link]
– International Federation of O.R. Societies (IFORS)
• [Link]
– Instituto Chileno de Investigación Operativa (ICHIO)
• [Link]
 El método de la I.O.
• Definición del problema
• Formulación del problema y construcción del
modelo
• Resolución
• Verificación, validación, refinamiento
• Interpretación y análisis de resultados
• Implantación y uso extensivo

A lo largo de todo el proceso debe haber una interacción

constante entre el analista y el cliente
 Definición del problema
• Consiste en identificar los elementos de
decisión
– objetivos (uno o varios, optimizar o satisfacer)
– alternativas
– limitaciones del sistema
• Hay que recoger información relevante (los
datos pueden ser un grave problema)
• Es la etapa fundamental para que las
decisiones sean útiles
• "El Administrador Como un Definidor" del
profesor Oscar Johansen
 Factores problemáticos

• Datos incompletos, conflictivos, difusos

• Diferencias de opinión
• Presupuestos o tiempos limitados
• Cuestiones políticas
• El “cliente” (tomador de decisiones) no tiene una idea
firme de lo que quiere realmente (SDLC vs “CLDS”)
Plan de trabajo:
Observar
Ser consciente de las realidades políticas
Decidir qué se quiere realmente
Identificar las restricciones
Búsqueda de información permanente
 Formulación del problema
• Modelo: representación simplificada de la
realidad, que facilita su comprensión y el
estudio de su comportamiento
• Debe mantener un equilibrio entre sencillez y
capacidad de representación
• Modelo matemático: modelo expresado en
términos matemáticos
– hace más claras la estructura y relaciones
– facilita el uso de técnicas matemáticas y
ordenadores
– a veces no es aplicable
 Construcción del modelo
• Traducción del problema a términos
matemáticos
– objetivos: función objetivo
– alternativas: variables de decisión
– limitaciones del sistema: restricciones
• Pero a veces las relaciones matemáticas son
demasiado complejas
– heurísticos
– simulación
 Modelado matemático
• Paso 1.- Identificar las variables de decisión
¿Sobre qué tengo control?
¿Qué es lo que hay que decidir?
¿Cuál sería una respuesta válida en este caso?
• Paso 2.- Identificar la función objetivo
¿Qué pretendemos conseguir?
Si yo fuese “el jefe” ¿qué me interesaría más?
(Costo de Agencia y Supuestos de Racionalidad)
• Paso 3.- Identificar las restricciones o factores que limitan la
decisión
Recursos disponibles (trabajadores, máquinas, material)
Fechas límite
Restricciones por la naturaleza de las variables (no
negatividad, enteras, binarias)
Restricciones por la naturaleza del problema
• Paso 4.- Traducción de los elementos básicos a un modelo
matemático.
 Resolución del modelo
• Paso 1.- Elegir la técnica de resolución adecuada
– Técnicas existentes, modificación, creación o heurísticos.
• Paso 2.- Generar las soluciones del modelo
– Algoritmos, Programas computacionales, Solvers.
• Paso 3.- Comprobar/validar los resultados
– Probar la solución en el entorno REAL
• Paso 4.- Si los resultados son inaceptables, revisar el
modelo matemático
– Estudiar hipótesis, comprobar exactitud de datos, relajar o
endurecer aproximaciones, revisar restricciones
• Paso 5.- Realizar análisis de sensibilidad
– Analizar adaptaciones en la solución propuesta frente a
posibles cambios (principalmente en PARAMETROS)
 Tipos de modelos

• Determinísticos • Probabilísticos
– Programación – Programación
matemática estocástica
• Programación lineal – Gestión de inventarios
• Programación entera
– Fenómenos de espera
• Programación dinámica
(colas)
• Programación no lineal
– Teoría de juegos
• Programación multiobjetivo
– Modelos de transporte – Simulación
– Modelos de redes
“Guía general” para la formulación de modelos
Identificación de los elementos básicos.
Expresar en palabras:
• Datos del problema
– Factores que no son susceptibles de cambio
• Variables de decisión
– Variables sobre las que se tiene control
• Restricciones
– Causas por las que la decisión está limitada
• Función objetivo
– Medida del rendimiento que se quiere optimizar
 Ejemplo nº1
En una fábrica de cerveza se producen dos tipos: rubia y
negra. Su precio de venta es de 0,5 euros/l y 0,3 euros/l,
respectivamente. Sus necesidades de mano de obra son de
3 y 5 empleados, y de 5.000 y 2.000 euros de materias primas
por cada 10.000 l.
La empresa dispone semanalmente de 15 empleados y
10.000 euros para materias primas, y desea maximizar su
beneficio. ¿Cuántos litros debe producir?
 Formulación

Max z = 5.000x1 + 3.000x2

s .a.
3 x1 + 5 x2  15
5.000 x1 + 2.000 x2  10.000
x1 , x2  0
 Modelo Matemático

Definir las x1 , x2 , . . . . xn
Variables de Decisión

Función
Objetivo Maximizar ó min f( x1 , x2 , . . . . xn )

Sujeto a: g1( x1 , x2 , . . . . xn )  b1

g2( x1 , x2 , . . . . xn )  b 2
. .
Restricciones
. .
. .
gm( x1 , x2 , . . . . xn ) = bm
x1 , x2 , . . . . xn  0
 Programación Lineal

Cuando la función objetivo y todas

las Restricciones Son “Lineales” tenemos un
“Modelo de Programación Lineal.

Max Z = c1x1 + c2x2 + . . . + cnxn

Sujeto a: a11x1 + a12x2 + . . . + a1nxn  b1
a21x1 + a22x2 + . . . + a2nxn  b2
. . . .
. . . .
. . . .
am1x1 + am2x2 + . . . + amnxn  bm

xJ  0 Para J = 1, 2, 3, . . . n
 El modelo de P.L.
z: función objetivo
CT (c1,...,cn): vector de coeficientes de la f.o.
XT (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas
Matricialmente,

Opt CTX
s.a. Forma canónica
AX b
x0
 Modelos de prog. entera
• El modelo matemático es el modelo de P.L.,
pero con algunas variables enteras
– Programación entera mixta (MIP)
• x  R+, y  Z+
– Programación entera pura (IP)
• x  Z+
– Programación binaria ó 0-1 (0-1 MIP, 0-1 IP, BIP)
• x  {0,1}: variables de asignación, lógicas
• Son problemas más complicados de resolver
que los de P.L.
• El primer algoritmo de resolución se planteó en
el año 1958 (Gomory)
 Problemas típicos
• Problema del transporte
• Problema de flujo con coste mínimo en red
• Problema de asignación
• Problema de la mochila (knapsack)
• Problema del emparejamiento (matching)
• Problema del recubrimiento (set-covering)
• Problema del empaquetado (set-packing)
• Problema de partición (set-partitioning)
• Problema del coste fijo (fixed-charge)
• Problema del viajante (TSP)
• Problema de rutas óptimas
 Planificación de la producción
Product - mix
• Decidir nº de productos a elaborar
• Maximizar los beneficios de modo que:
• No se superen las cantidades de recurso disponibles
• se satisfagan las previsiones de demanda

Max z = ∑ cj . Xj n= nº de productos a elaborar

s.a. ∑ aj . Xj ≤ bj m = nº de recursos disponibles
Xj ≤ Uj ci = beneficio aportado por 1 unidad del producto i.

Xj ≥ Lj bj = cantidad del recurso j disponible.

Xj ≥ 0 a = unidades del recurso j necesarias par producir 1 del i.

ij

U = máxima venta potencial producto i.

i

Li = cantidad mínima requerida del producto i

 Planificación de la producción
Product – mix con costes en los recursos
• Decidir nº de productos a elaborar
• Maximizar los beneficios de modo que:
• No se superen las cantidades de recurso disponibles
• se satisfagan las previsiones de demanda

Max z = ∑ cj . Xj ─ ∑ cj . Xj n= nº de productos a elaborar

m = nº de recursos disponibles
s.a. ∑ aj . Xj = Yi
ci = beneficio aportado por 1 unidad del producto i.
bj = cantidad del recurso j disponible.
rj = coste de 1 unidad del recurso j.
Y i ≤ bj

X j ≤ Uj aij = unidades del recurso j necesarias par producir 1 del i.

X j ≥ Lj Ui = máxima venta potencial producto i.
Li = cantidad mínima requerida del producto i
Xj ≥ 0
 Mezclas de materiales
• Encontrar la cantidad de cada producto que va
a intervenir en la mezcla
• Minimizar gastos
• Teniendo en cuenta los requerimientos (de
calidad) exigidos.
Min z = ∑ cj . Xj
s.a. ∑ Xj = T
∑ aij . Xj ≤ cmaxi . T
∑ aij . Xj ≥ cmini . T
0 ≤ Xj ≤ Uj
( ∑ dj . Xj = T)
 Problema del transporte
• Distribuir un bien desde m orígenes a n
destinos
• Minimizar el coste
• Min z = ∑ ∑ cij . Xij
s.a. ∑ xij ≤ si
∑ xij ≥ di
xij ≥ 0
Oferta total: OT = ∑ Xj
Demanda total: DT = ∑ d j
Problema balanceado:
 Problema del transporte
balanceado
OT = DT ; ∑ Xj = ∑ dj

Min z = ∑ ∑ cij . X ij
s.a. ∑ xij = si
∑ xij = dj
xij ≥ 0
 Problema de asignación
Minimizar el coste total de operación de modo que:
- cada tarea se asigne a una y sólo una máquina
- cada máquina realice una y sólo una tarea
m n
Min  c
i =1 j =1
ij xij
xij: 1 si la tarea i se hace con la máquina j
cij: coste de realizar la tarea i con máquina j
s .a .
n tareas
m

x
i =1
ij = 1, j = 1..n
m máquinas

n
Si hay más máquinas que tareas se formula
x
j =1
ij = 1,i = 1..m con desigualdades, y se resuelve con tareas
ficticias
xij  0 ,1
Vívi está preocupada por su sobrepeso y el costo de la comida diaria, ella
sabe, que para bajar de peso, debe consumir a lo más, 1350 kcalorías,
pero requiere de un mínimo de 500 mgr de vitamina A, 350 mgr. de Calcio,
200 mgr. de proteínas y 150 mgr de minerales. Con los alimentos de la
tabla formula el modelo PL que la ayudaría

ALIMENTO PORCION VITAM. A CALCIO PROTEINAS MINERALES COSTO KCALORIAS

LECHE 1 TAZA 105 75 50 35 $ 75 60

HUEVO 2 UNIDADES 75 80 50 15 $ 70 50

ESPINACAS 1 RACION 100 125 78 $ 100

CHULETAS 2 CHULETAS 25 10 55 $400 175

PESCADO 1 PRESA 150 50 100 50 $500 150

TORTA 2 TROZOS 30 5 8 $300 200