UNIVERSIDAD TECNICA FEDERICO SANTA MARIA

DEPARTAMENTO DE INDUSTRIAS

GESTION DE INVESTIGACION DE OPERACIONES

ILN250 - Primer Semestre 2018

Prof. Magda Silva G

[email protected]
 Objetivos.

El principal objetivo del curso consiste en

enfrentar al alumno al problema de
modelado matemático mediante la
formulación de modelos de optimización
tanto lineales como no lineales y de
modelos estocásticos elementales. La
implementación se llevara a cabo
empleando software de uso comercial.

07/03/2018 2
 Contenidos.

Introducción a la Investigación de Operaciones.

2. Programación Lineal.
(a) Introducción.

(b) Resolución gráfica de modelos de programación lineal.

(c) Formulación de problemas como modelos de programación

lineal.
(d) El Método Simplex.

(e) Teoría de Dualidad.

07/03/2018 3
 Contenidos.
3. Programación Entera.
(a) Introducción.
(b) Formulación de problemas como modelos de programación
entera.
(c) Método de Branch & Bound.

4. Programación No – Lineal.
(a) Introducción y Ejemplos.
(b) Propiedades básicas de los problemas de programación no –
lineal.
(c) Problemas de optimización no – restringida de varias variables.
(d) Condiciones de optimalidad en problemas de optimización
restringida.

07/03/2018 4
 Contenidos.

5. Cadenas de Markov.
(a) Introducción.
(b) Cadenas de Markov en tiempo discreto.

6. Introducción a la Teoría de Colas.

(a) Introducción.
(b) Sistema M/M/1 y M/M/c.

07/03/2018 5
 Bibliografía.
Bibliografía básica:
Hillier F. S. y Lieberman G. J., Investigación de
Operaciones. Mc Graw Hill, 2002.
Taha, H. A., Investigación de Operaciones, una introducción.
Pearson Education, 2004.
Ortiz, C., Varas, S. y Vera, J., Optimización y Modelos para la
Gestión. J.C.Sáez, 2004.
Bibliografía complementaria:
Chvátal, V., Linear Programming. W.H.Freeman and Company,
1983.
Bertsekas, D.P., Nonlinear Programming. Athena Scientific, 1999.
Wolsey, L., Integer Programming. Wiley, 1998.
Ross, S.M., Introduction to Probability Models. Academic Press,
New York, 2000.
07/03/2018 6
 Evaluación.

• Se realizarán dos certámenes en el semestre:

Primer Certamen: Martes 8 de Mayo 2018.
Segundo Certamen: Martes 3 de Julio 2018.

•Tareas Computacionales comunes en grupos de trabajo de 2

alumnos de un mismo paralelo.

•Evaluación complementaria por parte del profesor

•Talleres, Quizes

07/03/2018 7
 Evaluación.
• Requisitos para aprobar el curso

PC=promedio de los certámenes,

EC=promedio de la evaluación complementaria,
PT=promedio de las tareas computacionales
NP=nota de presentación,
la nota final del curso (NF)

NF=0,65PC+0,2EC+0,15PT

07/03/2018 8
 Evaluación.

Expresión valida siempre y cuando se cumplan las siguientes

condiciones mínimas de aprobación:

(1) Promedio Ponderado de Certámenes y Evaluación

Complementaria:
NP=(0,65PC+0,2EC)/0,85)≥55.
(2) Promedio Mínimo de Certámenes: PC ≥50

07/03/2018 9
 Evaluación.

• Requisitos para aprobar el curso

Si un alumno no cumple con algunas de las condiciones anteriores

su nota final de reprobación corresponderá a:

NF = NP Si NP<55
NF = PC Si NP≥55 pero PC<50 .

07/03/2018 10
 INTRODUCCIÓN

07/03/2018 11
 Definiciones de IO

Es la aplicación de métodos científicos, técnicas

y herramientas en la solución de problemas de
operación de sistemas con el fin de controlar
dichas operaciones en forma óptima.
(Arnoff- Churchman - Ackoff).

La I.O tiene como objetivo el optimizar el

comportamiento de un sistema cuyo propósito
está orientado a la resolución de un problema
determinado.
(Nc. Closkey-Coppinger).

07/03/2018 12
 La Investigación de Operaciones es la aplicación del método científico ,
principalmente de programación y análisis, a problemas
interdisciplinarios relacionados con la toma de decisiones, el control y
la operación de las organizaciones o sistemas a fin de encontrar y
producir soluciones que optimicen los objetivos de la organización o
sistema, generalmente bajo condiciones que implican la utilización y
asignación de recursos escasos.

Encontrar la asignación óptima de las cantidades de

recursos ( tiempo, dinero, personas, materias primas,
maquinas,…), con las cuales se maximice o minimice un
objetivo ( utilidad, costos, distancias, ingresos, tiempo…)

07/03/2018 13
 El Proceso de la Investigación de Operaciones

Para llevar a cabo el estudio de Investigación de Operaciones es necesario

cumplir con una serie de etapas o fases:

• Definición y recolección de datos del Problema

•Construcción del modelo matemático

•Obtención de Solución del modelo

•Validación y análisis de la solución

•Implantación de la solución

07/03/2018 14
 MODELACIÓN Y OPTIMIZACIÓN EN IO

•Una Representación Simplificada e Idealizada de la Realidad

•Se construyen Modelos Simbólicos (cuantitativos) que utilizan las
matemáticas para representar las relaciones entre los datos de interés
•Modelos de Programación Lineal
•Programación Entera
•Programación Dinámica
•Programación No-lineal
•Análisis de Redes
•Líneas de Espera
•Simulación, etc…
•Los modelos contienen Variables de Decisión:
La solución del Modelo produce Valores Numéricos de estas Variables de Decisión

•La solución del modelo busca alcanzar un Objetivo (Optimizar: maximizar o

minimizar): , utilizando una Medida del Desempeño que indica el Logro de este
Objetivo.

07/03/2018 15
 ALGUNAS HERRAMIENTAS DE INVESTIGACIÓN DE OPERACIONES

DIAGNOSTICO y DEFINICION DEL PROBLEMA

Planeación Distribución Asignación Inventarios Programación Pronósticos de Medio Análisis de Analisis de

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

Información Cuantitativa y Cualitativa del

Sistema bajo estudio

TIPOS DE MODELOS DE IO

Modelos Determinísticos Modelos Estocásticos

Programación Programación Programación No- Programación Optimización de Control de Pronósticos Teoría de Simulación de
Lineal Lineal Entera Lineal Dinámica Redes Inventarios Colas Sistemas
Estimación de
Soluciones en Soluciones Soluciones por Comportamiento Determinación las medidas de
orientadas a la etapas (n+1) futuro sistema de tiempos de desempeño
Etapas continuas basado en datos espera y
distribución del sistema
históricos longitud de la
óptima modelado
cola promedio

07/03/2018 16
Tipo de modelo Clase de Frecuencia de uso
incertidumbre en Empresas
Programación lineal D Alta
Redes (incluye PERT/CPM) D,P "
Inventarios, producción y
programación D,P "
Econometría, predicción y
simulación D,P "
Programación entera D Baja
Programación dinámica D,P "
Programación estocástica P "
Programación no lineal D "
Teoría de juegos P "
Control óptimo D,P "
Líneas de espera P "
Ecuaciones diferenciales D "
 1. Modelo de Administración de un Capital

• Variables Cantidad de Fondos

de Decisión: mantenidos en c/u de varias
inversiones (Efectivo, bonos,
bolsa de valores etc... )

• Medida del
Rentabilidad total
Desempeño:

• Objetivo: Maximizar rentabilidad total

07/03/2018 18
 2. Modelo de Asignación de la Fuerza de Ventas

• Variables Cuantos Vendedores Asignar

de Decisión: a cada Territorio.

• Medida del
Desempeño: Ingreso por Ventas

• Objetivo: Maximizar el
Ingreso por Ventas

07/03/2018 19
3. Modelo de Programación del Trabajo en un Taller

• Variables Cuantas horas Programar

de Decisión: En cada actividad en
determinadas máquinas y
en que secuencia

• Medida del
Costo de Fabricación y/o
Desempeño:
Tiempo de Fabricación

• Objetivo: Minimizar el Costo y/o el

Tiempo de Fabricación

07/03/2018 20
 Construcción del Modelo
• Tipos de Modelos

– Analógicos
– Matemáticos
– Simulación
– Heurísticos

Estructura de los Modelos Matemáticos

• Variables de Decisión y Parámetros

• Restricciones
• Función Objetivo
• Modelos Analógicos
Un ejemplo de modelo análogo son las
simulaciones de deformación tectónica de la
corteza terrestre que se realizan con cajas de
arena comprimidas mediante pistones de
accionamiento manual o servo-asistidos
(adosados a motores).

– Matemáticos
– Simulación

Heurístico arte, técnica o procedimiento

práctico o informal, para resolver problemas.
 EJEMPLO DE ESTRUCTURA MATEMÁTICA DE UN TIPO DE MODELACIÓN

x1 , x 2 , . . . . xn
Definir las
Variables de Decisión

Función Maximizar ó Minimizar f( x1 , x2 , . . . . xn )

Objetivo

g1( x1 , x2 , . . . . xn )  b1

g2( x1 , x2 , . . . . xn )  b2
. .
Sujeto a las siguientes . .
restricciones . .

gm( x1 , x2 , . . . . xn ) = bm

x1 , x 2 , . . . . x n  0

07/03/2018 23
 Cuando la función objetivo y todas las Restricciones son Lineales , con
coeficientes conocidos y con la siguiente estructura, entonces tenemos un
tipo de MODELO DE PROGRAMACIÓN LINEAL.

Maximizar Z = c1x1 + c2x2 + . . . + cnxn

Restricciones: a11x1 + a12x2 + . . . + a1nxn  b1

a21x1 + a22x2 + . . . + a2nxn  b2

. . . .
. . . .
. . . .
am1x1 + am2x2 + . . . + amnxn  bm

xJ  0 Para J = 1, 2, 3, . . . n

07/03/2018 24
 Modelo Lineal de 2 productos a fabricar

• Variables de Decisión:
•Parámetros
•Restricciones
•Objetivo
Se desea optimizar la producción en una planta piloto de chocolate en barras.
Para la fabricación de estas barras se requiere azúcar, cacao, crocante y tiempo de preparación.
La siguiente tabla muestra los requerimientos para la fabricación de cada barra de los chocolates
choco y blanco. Además la planta debe fabricar por lo menos 20 barras de cada uno de los
chocolates.

CHOCO (gr.)/barra BLANCO (gr./barra) DISPONIBILIDAD

AZUCAR 6 3 300 gr.

CACAO 2 2 240 gr.

CROCANTE 1 2 200 gr.

TIEMPO 2 min 3 min 180 min

UTILIDAD $30 $25

07/03/2018 25
 Modelo Lineal de 2 productos a fabricar

• Variables de Decisión:

p2

L
3
L2

p1
L4

L1
07/03/2018 26