Universidad Autónoma de Chiapas

Facultad de contaduría y administración

C-1

Lic. Administración

Materia: Investigación y administración de operaciones

Docente: Dr. Noé Toledo castillejos

7°B

Alumna: Génesis Martínez Pérez

Trabajo de Investigación Documental Modelos de

Investigación de Operaciones

A 21 de Enero de 2022
CONTENIDO
INTRODUCCIÓN ........................................................................................................................ 4
MODELO DE ASIGNACION ...................................................................................................... 5
UTILIDAD ................................................................................................................................. 5
EJEMPLO ................................................................................................................................ 5
MODELO DE INVENTARIOS .................................................................................................... 7
DEFINICIÓN ............................................................................................................................ 7
MODELO EOQ CON DESCUENTOS POR CANTIDAD ..................................................... 7
UTILIDAD ................................................................................................................................. 7
EJEMPLO ................................................................................................................................ 8
MODELO DE COMPRA SIN DÉFICIT .................................................................................. 9
EJEMPLO .............................................................................................................................. 10
MODELO DE PROGRAMACIÓN LINEAL (OPTIMIZACIÓN LINEAL)................................. 11
DEFINICIÓN .............................................................................................................................. 11
UTILIDAD ............................................................................................................................... 11
MÉTODO DE REPRESENTACIÓN GRÁFICA. ................................................................. 11
EJEMPLO .............................................................................................................................. 11
MODELO DE PROGRAMACIÓN NO LINEAL ....................................................................... 13
DEFINICIÓN .......................................................................................................................... 13
UTILIDAD: .............................................................................................................................. 13
EJEMPLO .............................................................................................................................. 13
MODELO MATEMÁTICO HEURÍSTICO ................................................................................ 19
DEFINICIÓN .......................................................................................................................... 19
UTILIDAD ............................................................................................................................... 19
EJEMPLO .............................................................................................................................. 19
MODELO DE TRANSPORTE .................................................................................................. 20
DEFINICIÓN .......................................................................................................................... 20
UTILIDAD ............................................................................................................................... 21
EJEMPLO .............................................................................................................................. 22
MODELO PLANEACIÓN DE LA PRODUCCIÓN................................................................... 23
DEFINICIÓN .......................................................................................................................... 23
UTILIDAD ............................................................................................................................... 23
EJEMPLO .............................................................................................................................. 23
MODELO DE DIETA ................................................................................................................. 25
DEFINICIÓN .......................................................................................................................... 25
UTILIDAD ............................................................................................................................... 25
EJEMPLO .............................................................................................................................. 26
MODELO DE MONTECARLO ................................................................................................. 27
DEFINICIÓN .......................................................................................................................... 27
UTILIDAD ............................................................................................................................... 27
EJEMPLO .............................................................................................................................. 27
MODELO CADENAS DE MARKOV ........................................................................................ 29
DEFINICIÓN .......................................................................................................................... 29
UTILIDAD ............................................................................................................................... 29
EJEMPLO .............................................................................................................................. 30
BIBLIOGRAFÍA.......................................................................................................................... 32
 INTRODUCCIÓN

Comencemos definiendo, ¿Qué es un modelo?

Según una de las definiciones más simples de modelo es la propuesta de

Colin Lee (1972) “Un modelo es una representación de la realidad”

Esta definición es llamativa por su simplicidad, pero no aclara el porqué de los

modelos.

Pidd (1996) propone la siguiente definición mucho más completa:

Clean “Un modelo es una representación y externa de parte de la realidad como la

ven las personas que desean usar el modelo para entender, cambiar, gestionar y
controlar dicha parte de la realidad”

En cambio, esta segunda definición abre un poco mas el panorama, permite tomar
ciertas palabras claves para su fácil compresión.

Los modelos construidos permiten mediante su resolución ayudar a la toma de

decisiones revelar soluciones óptimas dado un objetivo establecido. Asimismo,
pueden ser utilizados para evaluar el impacto de tomar decisiones, antes de
tomarlos, y de este modo elegir la que más se ajuste a la solución. Pero, además,
desarrollar el modelo, ejecutarlo y analizar las soluciones permite objetivar el
proceso de análisis, permite “pintar una realidad” que todos tienen que aceptar, o
aportar datos que mejoren el modelo.

A continuación, veremos distintos modelos de investigación de operaciones, los

cuales nos servirán de mucho apoyo para la solución de problemas, modelos de
investigación como: modelo de asignación, modelo de inventarios, modelo de
programación lineal (optimización lineal), modelo de programación no lineal, modelo
de transporte, modelo planeación de la producción, modelo de dieta, modelo de
Montecarlo y modelo cadenas de Márkov.
MODELO DE ASIGNACION
El problema designaciones es otro caso especial del programa de transporte, uno
en el cual, todas las variables son de carácter binario (0,1) y a cada fuente se le
debe asignar uno y sólo un destino, y a cada destino una y sólo una fuente

El modelo de asignación es un tipo especial de problema de programación lineal en

el que los asignados son recursos que se destinan a la realización de tareas. La
asignación de personas a trabajos es una aplicación común del problema de
asignación.

UTILIDAD

• Utilizado para asignar personas, recursos, máquinas, vehículos o plantas.

• Determinar la asignación optima de trabajadores a puestos.

Para que se ajuste a la definición de un problema de asignación, es necesario que

este tipo de aplicaciones se formule de manera tal que se cumplan los siguientes
supuestos:

1. El número de asignados es igual al número de tareas. (Este número se

denota por n.)

2. A cada asignado se le asigna sólo una tarea.

3. Cada tarea debe realizarla sólo un asignado.

4. Existe un costo cij asociado con el asignado i (i 5 1, 2, . . ., n) que realiza la

tarea j (j 1, 2, . . ., n).

5. El objetivo es determinar cómo deben hacerse las n asignaciones para

minimizar los costos totales.

EJEMPLO
Un equipo de 3 mecánicos debe ser asignado para la realización de 3 tareas, donde
cada mecánico debe hacer una tarea. Se requiere encontrar la asignación de costo
mínimo para lo cual se dispone de los costos asociados a que el mecánico i realice
la tarea j.

Tarea1 Tarea2 Tarea3

Mecánico1 Q15 Q10 Q9
Mecánico2 Q9 Q15 Q10
Mecánico3 Q10 Q12 Q8

Solución:

PASO 1: En la matriz original de costo, identificar el mínimo de cada renglón y

restarlo de todos los elementos del renglón.

PASO 2: En la matriz que resulte del paso 1, identificar el mínimo de cada columna,
y restarlo de todos los elementos de la columna.

PASO 3: Identificar la solución óptima como la asignación factible asociada con los
elementos cero de la matriz obtenida en el paso 2.
Las celdas con valor cero y color cafés son la solución óptima. En consecuencia, el
mecánico 1 realiza la tarea 2, el mecánico 2 asuma la tarea 1 y el mecánico 3 la
tarea 3. Cada mecánico realiza exactamente una tarea y el costo total de dicha
asignación (valor óptimo) es de Q9+Q10+Q8=Q27. (Wordpress.com, 2020)

MODELO DE INVENTARIOS

DEFINICIÓN

Los modelos de inventarios son métodos que ayudan a reducir o minimizar los
niveles de inventario requeridos en la producción. Existen varios métodos que nos
ayudan a conseguir dicho objetivo, a continuación, se mencionan algunos de ellos.
(emagister, 2004)

MODELO EOQ CON DESCUENTOS POR CANTIDAD

Es una técnica de administración de inventarios para determinar el tamaño óptimo

de pedido de un artículo, el artículo en el inventario se puede comprar con un
descuento si el volumen de pedido excede un límite dado, es decir el precio de
compra por unidad.

UTILIDAD

Los modelos de inventarios se usan para:

• Considerar varios costos de inventario.

 • Determinar que tamaño de pedido minimiza el costo total del inventario.
• Los costos que se determinan son el costo de mantener inventario y el costo
de pedir.

EJEMPLO

Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su

principal producto, cuya demanda anual usted ha estimado en 5.000 unidades. El
costo de emitir una orden de pedido es de $49 y adicionalmente se ha estimado que
el costo anual de almacenar una unidad en inventario es un 20% del costo de
adquisición del producto. ¿Cuál es la cantidad de la orden que minimiza el costo
total del inventario?

Tamaño del Lote (Unidades) Descuento (%) Valor del Producto ($/Unidad)

0 a 999 0% 5

1.000 a 1999 4% 4,8

2.000 o más 5% 4,75

Para dar respuesta a esta situación se propone seguir los siguientes pasos:

PASO 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre de
precios.

PASO 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser

necesario. En nuestro ejemplo para el tramo 1 Q (1) =700 unidades está en el
intervalo por tanto se mantiene; para el tramo 2 Q (2) =714 está por debajo de la
cota inferior del intervalo, por tanto, se aproxima a esta cota quedando Q (2) =1.000;
finalmente en el tramo 3 Q (3)=718 que también está por debajo de la cota inferior
del intervalo, por tanto, se aproxima a esta cota quedando Q(3)=2.000

PASO 3: Calcular el costo asociado a cada una de las cantidades determinadas

(utilizando la fórmula de costo total presentada anteriormente)

Costo Tramo 1 = C(700)=$25.700

Costo Tramo 2 = C(1.000)=$24.725

Costo Tramo 3 = C(2.000)=$24.822

Se concluye que el tamaño óptimo de pedido que minimiza los costos totales es
1.000 unidades, con un costo total anual de $24.725.

(Blogger.com, 2019)

MODELO DE COMPRA SIN DÉFICIT

En este modelo en particular, por ser de compra, se deduce que el artículo no será
producido sino comprado o que se necesita un material auxiliar utilizado en la
producción, pero este elemento es comprado.

• La demanda es constante y conocida.

• El plazo de entrega es constante y conocido.
• El pedido llega en un solo lote y todo de una vez.
• Los costos por ordenar un pedido y los costos de mantenimiento son
constantes y conocidos.
• No son posibles los descuentos por cantidad.
• Se evitan las roturas de inventario.
• No se permite diferir demanda al futuro.
EJEMPLO

La empresa manufacturera Galey compra 8.000 chip cada año para utilizar en los
equipos que produce. El costo unitario de cada chip es de $30.000 y el costo de
mantener o almacenar un chip en inventario por año es de $3.000, además se sabe
que realizar un pedido tiene un costo de $10.000. ¿Cuál es la cantidad óptima de
pedido?

Solución:

La información entregada por la Empresa Galey es la siguiente:

Demanda por unidad de tiempo D = 8.000 uds/año

Costo por ordenar Co = $30.000 / pedido

Costo de mantenimiento Cm = $3.000 /uds/año

Primero se debe observar que los datos a trabajar estén en la misma unidad de
tiempo. Si la demanda es diaria se multiplica por el número de días que la empresa
labora; cuando no se indican se asumen 20 días de producción al mes. Si la
demanda es semanal se multiplica por el número de semanas a laborar en el año,
normalmente está entre 50 y 52; si la demanda es semestral se multiplica por dos
por cuanto el año tiene 2 semestres y así sucesivamente con otras demandas dadas
en diferentes cronologías. Para el caso planteado de la empresa Galey, esta trabaja
anualmente, lo que permite directamente aplicar la fórmula entregada por el modelo:

Q= 2√2𝐷𝐶𝑜/𝐶𝑚

Q= 2√(2(8.000)(30.000))/(3.000)

Q= 400 uds/pedido
MODELO DE PROGRAMACIÓN LINEAL (OPTIMIZACIÓN LINEAL)

DEFINICIÓN
es el nombre que se le da al cálculo de la mejor solución, a un problema modelado
como un conjunto de relaciones lineales. Estos problemas surgen en muchas
disciplinas de la ciencia y la ingeniería.
Es comúnmente utilizada en el ejercicio de la ingeniería, para abordar problemas de
productividad, de acuerdo a la satisfacción de determinadas restricciones – por
ejemplo: recursos, principalmente los limitados y costosos -, de acuerdo a un criterio
de optimización: maximizar un beneficio o minimizar un costo.

UTILIDAD

es optimizar, es decir, maximizar o minimizar funciones lineales, en varias variables

lineales, con restricciones lineales (sistemas de inecuaciones lineales), optimizando
una función objetivo también lineal.

MÉTODO DE REPRESENTACIÓN GRÁFICA.

Consiste en representar las restricciones sobre unos ejes de coordenadas, para

delimitar la región dónde se encuentran las soluciones factibles.

Las soluciones óptimas se encontrarán en el perímetro del polígono resultante. Si

nuestra función objetivo es una maximización y la línea que delimita nuestro dominio
no es convexa, entonces nuestro problema, bajo estas condiciones, no tiene
solución.

EJEMPLO

F.O.: Max 5X+6Y

S.a.: X+Y≤ 4

X+2Y≤ 6
La representación gráfica se ve en la figura. Dando valores a la función objetivo
vamos obteniendo sucesivas rectas paralelas, de forma que según aumenta la
función objetivo, la recta se separa del origen. Por tanto, puede suceder que nuestra
función objetivo de valor óptimo coincida con una arista o con un vértice del polígono
que delimite nuestro dominio. En nuestro caso, el vértice A (2,2) será la solución
óptima. Luego el valor óptimo de nuestra función objetivo será:

5*2 + 6*2 = 22

sí por el contrario nuestro problema hubiese sido:

F.O.: Max 5 X + 6 Y

S.a.: X + Y ≥ 4

X+2Y≥6

Gráficamente:

En este caso nuestra solución no está acotada, luego nuestro problema no tendrá
solución.
MODELO DE PROGRAMACIÓN NO LINEAL

DEFINICIÓN

Los problemas no lineales se caracterizan por tener relaciones no lineales; es decir,

no existe una relación directa y proporcional entre las variables que intervienen. Los
problemas de programación no lineal, también son llamados curvilíneos, ya que el
área que delimita las soluciones factibles en un gráfico se presenta en forma de
curva.

UTILIDAD:

Crear modelos con ecuaciones no lineales basados en problemas organizacionales

de la actualidad, donde el principal objetivo sea minimizar costos y maximizar las
utilidades.

tiene como finalidad proporcionar los elementos para encontrar los puntos óptimos
para una función objetivo.

La función objetivo en la programación no lineal, puede ser cóncavo o convexo. Es

cóncavo cuando se trata de maximizar utilidades, contribuciones, etc. Es convexo
cuando trata de minimizar recursos, costos, etc.

Los problemas que contienen restricciones lineales, se resuelven de una forma más
sencilla que los problemas con restricciones no lineales.

EJEMPLO

Formulación y resolución de modelos matemáticos con restricciones u objetivos no

lineales.

Una forma de resolver los problemas de programación no lineal es convirtiendo los

problemas de forma tal, que se pueda aplicar la programación lineal. Los problemas
de programación no lineal abarcan problemas con función objetivo no lineal y
restricciones no lineales, como se presenta en el ejemplo siguiente:

Maximizar Z= ($9.6 X - $0.06 X2) + $10Y

Sujeto a: 3 X2 + 2Y2 < 13,950

X > 0, Y > 0

Como se puede observar, tanto la función objetivo como la restricción presentan

variables de segundo grado (potencia cuadrática); por lo tanto, son no lineales. Para
comenzar con la resolución de un problema no lineal se representa la restricción en
un gráfico, para ello, se utiliza el mismo procedimiento empleado en el método
gráfico de programación lineal.

Considerando la desigualdad 3 X2 + 2Y < 13, 950, se le asigna un valor de 0 a la

variable Y, para encontrar el punto de X en el gráfico. Así mismo, se asigna un valor
de 0 a la variable X, para encontrar el punto Y en el gráfico:

Despejando la variable X se procede de la forma siguiente:

3 X2 + 2Y2 < 13,950

3 X2 + 2(0)2 < 13,950

X 2 < 13,950 / 3

X 2 < 4,650

X < 4,650

X < 68.19

Para despejar la variable Y se procede como sigue:

3 X2 + 2Y2 < 13,950

3 (0)2 + 2Y2 < 13,950

Y 2 < 13,950 / 2

Y 2 < 6,975
Y < 6,975

Y < 83.51

De acuerdo con el procedimiento por el método grafico de programación lineal, se

debe dibujar en un plano cartesiano cada una de las restricciones formuladas
matemáticamente, de esa forma se representa como se muestra en el grafico
siguiente la restricción considerada para este ejemplo:

Como podemos observar, la restricción se representa por una curva convexa, por
lo que la función objetivo es cóncava. Para graficar la función objetivo, se asigna un
valor cualquiera a la variable X y a la contribución; para este ejemplo, se asignó un
valor a X=40 y una contribución de $1,000. Sustituyendo el valor de X en la función
objetivo, se puede encontrar el valor de la variable Y, como se presenta a
continuación:

($9.6 X - $0.06 X2) + $10Y$ = $1,000 Función objetivo

$9.6 (40) - $0.06 (402) + $10Y$ = $1,000

$288 + $10Y$ = $1,000

$10Y = 1,000 - $288

Y = $712 / $10

Y = 71.2
Una vez obtenidos los valores de X, Y para la función objetivo, se pueden
representar en un gráfico y prolongarlo hasta tocar el punto más lejano del área de
soluciones factibles, para hallar la solución óptima.

La solución óptima para este ejemplo es X=30 y Y=75; sin embargo, puede
calcularse matemáticamente. Para ello, se debe encontrar la derivada de la función
objetivo, como se muestra a continuación:

Se resuelve la ecuación de la función objetivo para encontrar a través de un

procedimiento matemático el valor de las variables, despejando las variables
mediante el uso del álgebra y aplicando el cálculo diferencial, como sigue:

Una vez encontrada la derivada de la función objetivo, se procede a encontrar la

derivada de la restricción, como se muestra a continuación:
El siguiente paso consiste en igualar los resultados de las dos derivadas, la derivada
de la restricción con la derivada de la función objetivo.

Enseguida, se sustituye la ecuación Y resultante en la ecuación original de

restricción.
Con el resultado anterior de la ecuación Y, sustituida en la ecuación original de
restricción, se debe asignar un valor a X. Como se observa en el gráfico anterior, la
solución óptima es X =30, por lo que sustituiremos ese valor en la ecuación
resultante:

Como el valor de X=30 satisface la ecuación, se puede considerar ese valor como
un valor óptimo para el problema. Ese mismo valor puede sustituirse en la ecuación
de restricción original, para encontrar el valor óptimo de la variable Y.

3 X2 + 2Y2 = 13,950

3(30) 2 + 2Y2 = 13,950

2,700 + 2Y2 = 13,950

2Y2 = 13,950– 2,700

Y 2 = 11,250 / 2

Y = raíz 5,625

Y= 75

Con lo anterior, se tienen los valores óptimos de X e Y, por lo que ahora se procede
a calcular la contribución óptima, sustituyendo los valores encontrados en la función
objetivo:

Z = 9.6 (30) - $0.06 (30)2 + $10(75)

Z= $ 984
Se puede concluir que la empresa necesita producir 30 unidades del producto X y
75 unidades del producto Y para tener una contribución máxima de $984.

MODELO MATEMÁTICO HEURÍSTICO

DEFINICIÓN

El modelo heurístico es el modelo matemático que es considerado como el proceso

que viene como resultado de los diferentes métodos empíricos (modelos
matemáticos), los cuales casi siempre brindan una solución que es capaz de poder
resolver el problema planteado.

UTILIDAD

• Asimilación y transferencia de estructuras conceptuales y procedimientos

algorítmicos novedosos en un contexto de resolución de problemas.
• Desarrollo de estrategias heurísticas.
• Generación de estrategia positivas hacia las matemáticas.
(Lorenzo C, 2017)

EJEMPLO

Por ejemplo, se tiene que: Yt = A + B*Xt

Donde:

• Yt: es la variable dependiente que se va a explicar a partir de otra.

• Xt: es la variable independiente.
• A: es la constante del modelo en el hipotético evento de que Xt = 0.
• B: es la pendiente o cociente de apalancamiento del modelo.

Se tiene entendido que existen dos modelos matemáticos heurísticos, estos son:
El modelo matemático heurístico, que cuenta con determinaciones distintas (como
las internas y las externas), ambas bajo el concepto de matriz disciplinaria de Kuhn,
la cual se basa en la articulación de tres modalidades de prácticas académicas:

* Las modalidades de investigación, académica y empresarial.

* Las modalidades de aplicación, conocidas como las del conocimiento o de la

profesión.

* Las modalidades de reproducción del conocimiento o de la formación

universitaria.

* Las modalidades prácticas, se dividen en los subcampos que son los científicos,
profesionales y educativos.

(Lobato, 2016)

Para atender los problemas que en ocasiones pueden ser complejos en las
organizaciones y en la cotidianidad, los profesionales han acudido a su pensamiento
sistémico y a utilizar múltiples herramientas y métodos cuantitativos.

La labor de construir modelos matemáticos o más bien de representar

matemáticamente situaciones o sistemas reales, no es una tarea fácil y menos
cuando existen múltiples relaciones entre los elementos del sistema. Para el caso
de los sistemas empresariales, existen gran número de relaciones entre personas,
materiales, productos, máquinas, departamentos, clientes, fábricas, bodegas,
centros de almacenamiento, medios de transporte, políticas, información y dinero
entre otros.

MODELO DE TRANSPORTE

DEFINICIÓN

El modelo del transporte junto con el Modelo de Asignación es un caso particular

de los Modelos de Programación Lineal. También se los denomina problemas de

flujo en red y en general fue ideado para manejar distribución de mercaderías

desde varios puntos (origen) hacia lugares de demanda (destinos). Este esquema

da solución a innumerables problemas que posean en común esa característica de

flujo.

UTILIDAD

El modelo de programación lineal del transporte que vamos a desarrollar se basa

en las siguientes hipótesis:

1. el objetivo es reducir al mínimo posible el costo del transporte

2. la función del costo del transporte debe ser una función lineal del número

de unidades transportadas

3. tanto las cantidades de la oferta como de la demanda deberán estar

expresadas en las mismas unidades

4. los costos de trasporte por unidad no variarán con la cantidad transportada

5. la oferta total, suma de todos los centros de producción, deberá ser igual a

la demanda total, suma de todas las demandas de los centros de demanda

6. caso de no cumplirse la hipótesis anterior, deberá crearse una oferta ficticia

si la demanda total es superior a la oferta total, o una demanda ficticia si la

demanda es menor que la oferta, asignando costo nulo al transporte a las

casillas creadas correspondientes.

EJEMPLO

Se observan en el cuadro de la siguiente figura las tres variables a considerar en

el método.

Oferta: las letras OA, OB y OC representan centros de oferta, de producción, de

distribución. La capacidad de oferta de éstos viene indicada en la parte derecha

del cuadro por A, B, C.

Demanda: las siglas D1, D2 y D3 representan centros de demanda o almacenes.

En la parte inferior del cuadro se indica la cantidad demandada por cada centro

mediante 1, 2 y 3.

Costo de transporte: en la parte superior derecha de cada casilla se indica el

costo de trasporte desde cada centro de producción a cada centro de demanda,

mediante la notación Cij.

MODELO PLANEACIÓN DE LA PRODUCCIÓN

DEFINICIÓN

La Planeación de la Producción tiene como objetivo prever y movilizar todos los

recursos necesarios para la producción de un bien, o para la prestación de un
servicio, en el plazo adecuado y en las cantidades correctas. Eso implica la
determinación y cálculo de todos los recursos necesarios a la ejecución de las
órdenes de producción.

UTILIDAD

El proceso normal de la planeación se utiliza para desarrollar planes agregados con

el objetivo de equilibrar la demanda con los niveles de capacidad e inventario
disponibles. Por su parte el programa maestro de producción toma las demandas
previstas y determina un programa de actividades de producción que se utiliza como
insumo para la planeación de requerimiento de materiales, que proporciona los
requerimientos de las partidas de materiales y materias primas, Se recurre a
métodos cualitativos y cuantitativos para formular planes, programas y controles de
producción.

Uno de los primeros trabajos en esta área fue desarrollado por Hanssmann en 1960.

EJEMPLO
La Tabla 1 detalla el nivel de producción mensual en kilogramos de fruta
deshidra-tada. Así, por ejemplo, para el módulo 1 se debe producir 3274 kg. el mes
de marzo utilizando el proceso 1 y 2840 kg. el mes de agosto utilizando el proceso
2.

Para esos niveles de producción establecidos, la Tabla 2 muestra el

correspondiente nivel de inventario de fruta deshidratada en kilogramos. Por
ejemplo, el mes de noviembre y diciembre se registran inventarios únicamente del
módulo 2. Por el contrario, para el mes de enero se observa niveles elevados de
inventario de todos los módulos. La solución considera un valor de inventario inicial.

La Tabla 3 muestra el nivel de fuerza de trabajo mensual correspondiente al plan de

producción. Como se observa en la tabla, la disponibilidad actual de 12 trabajadores
es insuficiente los meses de junio y noviembre. Eso indica que se deben contratar
12 y 4 trabajadores respectivamente.

El costo mínimo determinado por el plan de producción asciende a 30.345 Sus.

MODELO DE DIETA

DEFINICIÓN

El objetivo del problema de la dieta es seleccionar un conjunto de alimentos que

satisfagan un conjunto de requisitos nutricionales diarios a un costo mínimo.

UTILIDAD

El problema se formula como un programa lineal donde el objetivo es minimizar el

costo y las restricciones son satisfacer los requerimientos nutricionales
especificados. Las restricciones del problema de la dieta normalmente regulan el
número de calorías y la cantidad de vitaminas, minerales, grasas, sodio y colesterol
en la dieta. Si bien la formulación matemática es simple, ¡la solución puede no ser
aceptable! Los requisitos nutricionales se pueden cumplir sin tener en cuenta el
sabor o la variedad, ¡así que considere el rendimiento antes de profundizar en una
comida de un menú "óptimo".

EJEMPLO

Se desea proponer una dieta que contenga al menos 2.000 (Kcal) , al menos 55
gramos de proteína y 800 (mg) de calcio. Adicionalmente para garantizar cierta
variedad en la dieta se establece límites de porciones por día en los alimentos. Con
esta información se requiere encontrar la dieta que tenga el menor costo asociado
y permita satisfacer los requerimientos anteriores.

Para ello definimos el siguiente modelo de Programación Lineal:

1. Variables de Decisión: Xi : Porciones de alimentos a consumir durante el día del
alimento i (Con i=1 ==> Avena, …. i=6 ==> Porotos).
2. Función Objetivo: Minimizar 30X1+240X2+130X3+90X4+200X5+60X6
3. Restricciones:
• Mínimo de Calorías (Kcal): 110X1+205X2+160X3+160X4+420X5+260X6 >=
2.000
• Mínimo de Proteínas: 4X1+32X2+13X3+8X4+4X5+14X6 >= 55
• Mínimo de Calcio: 2X1+12X2+54X3+285X4+22X5+80X6 >= 800
• Variedad de la Dieta: X1<=4 X2<=3 X3<=2 X4<=8 X5<=2 X6<=2
• No Negatividad: Xi>=0 Para todo i.
La Solución Óptima es X1=4, X2=0, X3=0, X4=2,08, X5=1,68, X6=2 y el Valor
Óptimo (costo de la dieta) es $764,07.
MODELO DE MONTECARLO

DEFINICIÓN

La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la

estadística y los computadoras para imitar, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando
se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre
bien a la simulación de eventos discretos o bien a la simulación de sistemas
continuos).

UTILIDAD

la simulación Monte Carlo consiste en crear un modelo matemático del sistema,

proceso o actividad que se quiere analizar, identificando aquellas variables (inputs
del modelo) cuyo comportamiento aleatorio determina el comportamiento global del
sistema. Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo
un experimento consistente en (1) generar – con ayuda del computador muestras
aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento
del sistema ante los valores generados. Tras repetir n veces este experimento,
dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos
será de utilidad para entender el funcionamiento del mismo – obviamente, nuestro
análisis será tanto más preciso cuanto mayor sea el número n de experimentos que
llevemos a cabo.

EJEMPLO

En la imagen inferior se muestra un análisis histórico de 200 días sobre el número

de consultas diarias realizadas a un sistema de información empresarial llamado
EIS residente en un servidor central. La tabla incluye el número de consultas diarias
(0 a 5) junto con las frecuencias absolutas (número de días que se producen 0, 1,
..., 5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las frecuencias
relativas acumuladas.
Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el
suceso asociado, en este caso, la probabilidad de un determinado número de
consultas (así, p.e., la probabilidad de que se den 3 consultas en un día sería de
0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad
asociada a una variable aleatoria discreta (la variable aleatoria es el número de
consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5). Supongamos
que queremos conocer el número esperado (o medio) de consultas por día. La
respuesta a esta pregunta es fácil si recurrimos a la teoría de la probabilidad:
Denotando por X a la variable aleatoria que representa el número diario de consultas
al EIS, sabemos que:

Por otra parte, también podemos usar simulación de Monte Carlo para estimar el

número esperado de consultas diarias (en este caso se ha podido obtener el valor

exacto usando teoría de probabilidad, pero ello no siempre será factible). Veamos

cómo:

Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria

discreta, será posible usar la columna de frecuencias relativas acumuladas para

obtener los llamados intervalos de números aleatorios asociados a cada suceso.

En este caso, los intervalos obtenidos son:

• [0,00 , 0,05) para el suceso 0

• [0,05 , 0,15) para el suceso 1

• [0,15 , 0,35) para el suceso 2

• [0,35 , 0,65) para el suceso 3

• [0,65 , 0,85) para el suceso 4

• [0,85 , 1,00) para el suceso 5

MODELO CADENAS DE MARKOV

DEFINICIÓN

Los modelos de Márkov son útiles al estudiar la evolución de sistemas en ensayos

que se repiten. En los periodos sucesivos en los que se realizan los ensayos no se
puede determinar con certeza el resultado o estado del sistema y entonces se usan
probabilidades de transición para describirlo.

UTILIDAD

Procesos markovianos que tienen como base los siguientes supuestos:

1. Existe un número limitado o finitos de estados posibles

2. La probabilidad de que los estados cambien permanece igual a lo largo del tiempo

3. Se puede predecir cualquier estado futuro a partir del estado anterior y de la

matriz de probabilidades de transición

4. El tamaño del sistema no cambia durante el análisis.

A estos se les llama cadenas de Márkov con probabilidad de transición

estacionarias. A estos procesos también se los denomina sin memoria.
EJEMPLO

una aplicación sencilla a un caso de análisis de mercado. Describiremos la

probabilidad de que un consumidor compre una determinada marca de producto M
en un determinado momento y en el siguiente compre otra denominada A o si se
quiere compre en una tienda M y luego en una tienda A. Con este ejemplo además
podríamos analizar la participación de mercado y la fidelización de los clientes a M
y A. Los periodos semanales o visitas (supongamos que son tiendas) se les llamara
ensayos del proceso. O sea, en cada ensayo el cliente compra en M o en A. Lo que
elige cada semana se denomina estado del sistema en ese periodo. Como en
nuestro ejemplo hay solo dos alternativas (M y A) el sistema tiene dos estados:

Estado 1: Compra en M

Estado 2: Compra en A

Evaluaremos la probabilidad que el cliente compre en alguna tienda durante un

periodo determinado: Supongamos que disponemos de datos de 100 compradores
en un periodo de 10 semanas.

Supongamos que en esos datos obtenidos vemos lo siguiente: De todos los clientes
que compraron en M en una semana determinada el 90% compraron en M la
siguiente semana y el 10% cambio a A Con los datos de A vemos que: De todos los
clientes que compraron en A en una semana determinada el 80% compraron en A
la siguiente semana y el 20% cambiaron a M

Esto lo podríamos presentar en una matriz como la siguiente:

Este proceso como dijimos antes, supone que las probabilidades de transición serán
las mismas para cualquier cliente y estas no cambian con el tiempo.
CONCLUSIONES

En la actualidad, las empresas deben de enfrentar problemas de todo tipo, las

cuales en algunos casos pueden poner en riesgo, no sólo la estabilidad, sino
también su permanencia en el mercado en el que están, por lo que deben de
resolverlos en forma rápida. Estos problemas pueden ser complejos, debido al
número de variables que se conozcan y por el nivel de certidumbre de información
que se maneja. Para resolverlos, el ser humano crea modelos para su intervención
y solución adecuada.
El tipo de modelos que se utilizan en Investigación de Operaciones son modelos
matemáticos, ya que permiten calcular valores exactos (o aproximados) de las
componentes de las variables controlables de un sistema (Prawda, 1994) de tal
forma que se optimice o mejore el comportamiento de este, sin dejar de considerar
sus criterios ya establecidos (restricciones. Es de suma importancia modelar
situaciones o problemas existentes en empresas u organizaciones con el fin de
hacer usos de técnicas matemáticas, que brinden soluciones objetivas que puedan
mejorar la situación o resolver el problema.
BIBLIOGRAFÍA

• S/N. (2020). El problema de la dieta. 21/01/22, de Neos Guide Sitio web:

https://neos-guide.org/content/diet-problem#problem

• Ivailo Peña, Rene Santa Cruz. (2001). Modelo de Planeación de la

Producción para una Empresa Agroindustrial. Scielo, 1, s/n.

• Iris Abril Martínez Salazar, León Gastón Vértiz Camarón, Jesús Fabián López
Pérez, Guillermo Jiménez Lozano, Luis Antonio Moncayo Martínez. (2014).
Investigación de operaciones. México: Grupo editorial Patria.

• Alejandro Salguero y Roberto Carro. (2009). Investigación de operaciones en

administración. Mar de Plata: Pincu

• IVÁN GÓMEZ GÓMEZ CEIPA, JORGE GIOVANNY BRITO, MARTHA

GUERRERO CARRASCO, Juan Carlos GIUSEPPE VANONI MARTÍNEZ,
ANDRÉS GÓMEZ RÍOS, JULIAN ZAPATA CORTÉS. (2020). Administración
de operaciones. Ecuador: UIDE.