You are on page 1of 58

2013

INVESTIGACION DE
OPERACIONES


UNIVERSIDAD AUTONOMA DE COAHILA

ALUMNO:

CATEDRATICO
INVESTIGACION DE OPERACIONES

Contenido
1.0 HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES............................................................ 3
CONCLUSIÓN ........................................................................................................................................ 6
2.0 PROGRAMACION LINEAL ................................................................................................................ 7
Origen de la programación lineal ......................................................................................................... 7
Variables .............................................................................................................................................. 9
Restricciones ....................................................................................................................................... 9
Función Objetivo ............................................................................................................................... 10
CONCLUSIÓN ...................................................................................................................................... 11
3.0 TECNICAS DE LA PROGRAMACION LINEAL ............................................................................ 15
PROGRAMACION LINEAL ENTERA ................................................................................................ 15
Variables ............................................................................................................................................ 15
Restricciones ..................................................................................................................................... 15
Función Objetivo ............................................................................................................................... 16
Restricciones ..................................................................................................................................... 19
Función objetivo ................................................................................................................................ 19
MODELO DE REDES .......................................................................................................................... 20
Modelo de Flujo Máximo .................................................................................................................. 21
Modelo de la ruta más corta ............................................................................................................... 23
ADMINISTRACION DE PROYECTOS PERT/CPM ........................................................................ 24
MODELOS DE INVENTARIOS .......................................................................................................... 25
El modelo de programación lineal aplicado al manejo de inventarios...................................... 26
Las variables ...................................................................................................................................... 26
La función objetivo ............................................................................................................................ 27
MODELOS DE LINEAS DE ESPERA ............................................................................................... 28
Características .................................................................................................................................. 29
Estructura de un sistema de línea de espera. .............................................................................. 29
Distribución de tiempos de servicio: .............................................................................................. 30
Disciplina en la línea de espera...................................................................................................... 31
Operación de estado estable. ......................................................................................................... 32
SIMULACION EN COMPUTADORA ................................................................................................. 32
ANALISIS DE DECISIONES ............................................................................................................... 33
INVESTIGACION DE OPERACIONES

Condiciones en que se toman las decisiones .............................................................................. 34
Interpretación de Certeza, Incertidumbre y Riesgo ..................................................................... 36
Toma de decisiones bajo condiciones de Certeza ...................................................................... 37
Toma de decisiones bajo condiciones de Incertidumbre ............................................................ 38
Toma de decisiones bajo condiciones de Riesgo........................................................................ 38
Probabilidad Objetiva ....................................................................................................................... 39
Probabilidad Subjetiva. .................................................................................................................... 39
Nivel de toma de decisiones ........................................................................................................... 40
Importancia de la toma de decisiones ........................................................................................... 41
PROGRAMACION DE METAS .......................................................................................................... 42
Metas y variables de desviación ..................................................................................................... 45
La función objetivo ............................................................................................................................ 45
PRONOSTICOS .................................................................................................................................... 46
Selección de un método de pronósticos ....................................................................................... 46
Métodos de series de tiempo. ......................................................................................................... 47
Método gráfico ................................................................................................................................... 48
Cadenas de markov ......................................................................................................................... 49
Estados ............................................................................................................................................... 49
Matriz de transición .......................................................................................................................... 50
Matriz regular ..................................................................................................................................... 50
Estado recurrente ............................................................................................................................. 50
Matriz ergódica .................................................................................................................................. 50
Estados absorbentes ........................................................................................................................ 51
PROGRAMACION DINAMICA ........................................................................................................... 52
Condiciones que se deben cumplir ................................................................................................ 52
Características de la programación dinámica .............................................................................. 53
CONCLUSIÓN ...................................................................................................................................... 53
4.0 METODO VOGEL .............................................................................................................................. 54
Los pasos del procedimiento son los siguientes: ........................................................................ 54
CONCLUSION ...................................................................................................................................... 55
BIBLIOGRAFÍA ......................................................................................................................................... 56

INVESTIGACION DE OPERACIONES

1.0 HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES.

Los inicios de lo que hoy se concede como Investigación de operaciones se
remota a los años 1759 cuando el economista Quesnay empieza a utilizar modelos
primitivos de programación matemática. Más tarde, otro economista de nombre Walras,
hace uso, en 1874, de técnicas similares. Los modelos lineales de la Investigación de
Operaciones, tiene como precursores a Jordan en 1873, Minkowsky en 1896 y a Farkas
en 1903. Los modelos dinámicos probabilísticos tienen su origen en Markov a fines del
siglo pasado. El desarrollo de los modelos de inventarios, así como el de tiempos y
movimientos, se lleva a cabo por los año 20 de este siglo, mientras que los modelos de
línea de espera se originan con los estudios de Erlang, a principios del siglo XX. Los
problemas de asignación se estudian con métodos matemáticos por los húngaros Konig
y Egervary en la segunda y tercera década de este siglo. Los problemas de distribución
se estudian por el ruso Kantorovich en 1939. Von Neuman cimenta en 1937 lo que años
más tarde culminaría como Teoría de juegos y la Teoría de preferencias (esta última
desarrollada en conjunto con Morgenstern). Hay que hacer notar los modelos
matemáticos de Investigación de Operaciones que utilizaron estos precursores, estaban
basados en el cálculo diferencial e integral (Newton, Lagrange, Laplace, Lebesgue,
Leibnitz, Reimman, Stieltjes, por mencionar algunos), la probabilidad y la estadística
(Bernoulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
No fue sino hasta la segunda guerra mundial, cuando la investigación de
operaciones empezó a tener auge. Primero se utilizó en la logística estratégica para
vencer al enemigo (teoría de Juegos) y, más tarde al finalizar la guerra, en la logística
de distribución de todos los recursos militares de los aliados dispersos por todo el
mundo. Fue debido precisamente a este último problema, que la fuerza área
norteamericana a través de su centro de investigación Rand Corporation, comisiono a
un grupo matemáticos para que resolviera este problema que estaba consumiendo
tantos recursos humanos, financieros y materiales. Fue el doctor George Dantzing, el
que en 1947, resumiendo el trabajo de muchos de sus precursores, inventara el método
Simplex, con lo cual dio inicio a la programación Lineal. (Prawda, 2004)
INVESTIGACION DE OPERACIONES

La Investigación de Operaciones o Investigación Operativa es una disciplina
donde las primeras actividades formales se dieron en Inglaterra en la Segunda Guerra
Mundial, cuando se encarga a un grupo de científicos ingleses el diseño de
herramientas cuantitativas para el apoyo a la toma de decisiones acerca de la mejor
utilización de materiales bélicos. Se presume que el nombre de Investigación de
Operaciones fue dado aparentemente porque el equipo de científicos estaba llevando a
cabo la actividad de Investigar Operaciones (militares).
Una vez terminada la guerra las ideas utilizadas con fines bélicos fueron adaptadas
para mejorar la eficiencia y la productividad del sector civil.
Una de las áreas principales de la Investigación de Operaciones es la Optimización o
Programación Matemática. La Optimización se relaciona con problemas de minimizar o
maximizar una función (objetivo) de una o varias variables, cuyos valores usualmente
están restringidos por ecuaciones y/o desigualdades.
Hoy en día el uso de modelos de optimización es cada vez más frecuente en la toma de
decisiones. Este mayor uso se explica, principalmente, por un mejor conocimiento de
estas metodologías en las diferentes disciplinas, la creciente complejidad de los
problemas que se desea resolver, la mayor disponibilidad de software y el desarrollo de
nuevos y mejores algoritmos de solución.
Un modelo de Investigación de Operaciones requiere necesariamente de una
abstracción de la realidad, además de identificar los factores dominantes que
determinan el comportamiento del Sistema en estudio. En este sentido, un modelo es
una representación idealizada de una situación real o un objeto concreto. (Investigacion
de operaciones, 2013)
INVESTIGACION DE OPERACIONES


Las primeras actividades formales de investigación de operaciones se dieron en
Inglaterra durante la segunda Guerra Mundial, cuando se encomendó a un equipo de
científicos ingleses la toma de decisiones acerca de la mejor utilización de materiales
bélicos. Al término de la guerra, las ideas formuladas en operaciones militares fueron
adaptadas para mejorar la eficiencia y la productividad en el sector civil. Hoy en día, la
investigación de operaciones es una herramienta dominante e indispensable para la
toma de decisiones.
Un elemento principal de investigación de operaciones es el modelado matemático.
Aunque la solución del modelo matemático establece una base para tomar una
decisión, se debe tener en cuenta factores intangibles o no cuantificables, por ejemplo
el comportamiento humano, para poder llegar a una decisión final. (Hamdy A., 2004)


INVESTIGACION DE OPERACIONES

CONCLUSIÓN

Como resultado de mejorar las estrategias y minimizar o maximizar los recursos
financieros y humanos, tecnológicos por origen de las guerras. Cuando estos
conocimientos fueran aplicados al campo comercial industrial dieron grandes
beneficios, ya que vieron un ahorro financieros gracias a la logística que dio como
resultado.













INVESTIGACION DE OPERACIONES

2.0 PROGRAMACION LINEAL

Origen de la programación lineal

El origen de la investigación de operaciones se dio con fines puramente militares, y la
programación lineal, como una de las aplicaciones de este campo del conocimiento, no
fue la excepción.
En 1947, George B. Dantzing y otro grupo de personas asociadas, trabajan para la
Fuerza Aérea de los Estado Unidos. En ese tiempo las autoridades encargadas de la
administración militar, pidieron a este grupo de personas que investigaran como se
podía aplicar las matemáticas y la estadística para resolver problemas de planeación y
programación con fines puramente militares. Fue así como en 1947 George B. Dantzing
plantea por primera vez la estructura matemática básica del problema de programación
lineal.
Paralelamente con la autorización de los procesos de producción, en las sociedades se
crearon estructuras organizativas que vinieron a presentar un nuevo tipo de problemas
de optimización, para los cuales anteriormente al método de programación lineal no
tenía procedimientos de solución científicos.
Algunos de los problemas más importantes que se vinieron a resolver fueron en los
siguientes campos de aplicación:
Administración de la producción. Aplicaciones.

 Plan agregado de producción: Encontrar el plan de producción de mínimo
costo.
 Planeación de productos: Determinar cuánto producir de cada artículo
para maximizar las utilidades.
INVESTIGACION DE OPERACIONES

 Ruteo de productos o problema de secuenciación: Encontrar la secuencia
óptima de elaboración de un producto qué debe ser procesado
secuencialmente en varias máquinas.
 Control de procesos: Minimizar la cantidad de material de desperdicio
generado por cortes de materias primas.
 Control de inventarios: Encontrar la combinación óptima de producto
mantenido.
 Programación de la distribución de productos: Encontrar el programa
óptimo de embarques.
 Estudios de localización de planta: Encontrar la localización óptima de una
nueva planta, mediante la evaluación de costos de transporte o embarque
entre localizaciones alternativas de planta, los proveedores y las fuentes
de demanda.
 Manejo de materiales: Encontrar las rutas de mínimo costo de equipos de
manejo de materiales como flotillas, caminos entre los centros de trabajo y
proveedores.
 Asignación de personal: Mínimo costo de personas a maquinas y/o
trabajos particulares.
Evaluación de proyectos de inversión:

 Aplicaciones agrícolas: Asignación optima de superficie para la producción
de las diferentes cosechas de ´productos.
Otras aplicaciones:

 Programación lineal: Se han logrado resolver otros muchos problemas en
otros campos del conocimiento. (Montoya Navarro, 1990)

INVESTIGACION DE OPERACIONES


Variables:
Las variables son números reales mayores o iguales a cero

En caso que se requiera que el valor resultante de las variables sea un número
entero, el procedimiento de resolución se denomina Programación entera.
Restricciones
Las restricciones pueden ser de la forma


Dónde:
INVESTIGACION DE OPERACIONES

A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = número de la ecuación, variable de 1 a M (número total de restricciones);
a; b; y, c = coeficientes técnicos conocidos;
X = Incógnitas, de 1 a N;
i = número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N =
M; N > M; ó, N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo
problema. (Universidad Peruana Unión, 2013)

Función Objetivo

INVESTIGACION DE OPERACIONES

CONCLUSIÓN

La programación lineal es de gran importancia, ya que puede resolver problemas en la
industria, comerciales y militares, para reducir costos o maximizar las ganancias, de una
manera eficaz.

PROGRAMACIÓN LINEAL

Es un enfoque de solución de problemas elaborado para ayudar a tomar decisiones. Es
un modelo matemático con una función objetivo lineal, un conjunto de restricciones
lineales variables no negativas. En el ambiente de negocios actual, pueden encontrarse
gran cantidad de aplicaciones.
 La función objetivo define la cantidad que se va a maximizar o minimizar
en un modelo de programación lineal.
 Las restricciones limitan o reducen el grado en que puede perseguirse el
objetivo.
 Las variables son las entradas controlables en el problema.

Para resolver un problema de programación lineal es recomendable seguir ciertos
pasos
Que son:
1. Entender el problema a fondo.
2. Describir el objetivo.
3. Describir cada restricción.
4. Definir las variables de decisión.
5. Escribir el objetivo en función de las variables de decisión.
INVESTIGACION DE OPERACIONES

6. Escribir las restricciones en función de las variables de decisión.
7. Agregar las restricciones de no negatividad.

TÉRMINOS CLAVE

Modelo Matemático
Representación de un problema donde el objetivo y todas las condiciones de
restricción se describen con expresiones matemáticas.
Restricciones de no negatividad
Conjunto de restricciones que requiere que todas las variables sean no negativas.
Solución Factible
Solución que satisface simultáneamente todas las restricciones.
Región Factible
Conjunto de todas las soluciones factibles.
Variable de holgura
Variable agregada al lado izquierdo de una restricción de "menos o igual que" para
convertir la restricción en una igualdad. El valor de esta variable comúnmente puede
interpretarse como la cantidad de recurso no usado.

Forma Estándar
Programación lineal en el que todas las restricciones están escritas como igualdades.
La solución óptima de la forma estándar de un programa lineal es la misma que la
solución óptima de la formulación original del programa lineal.
INVESTIGACION DE OPERACIONES


Punto Extremo
Desde el punto de vista gráfico, los puntos extremos son los puntos de solución factible
que ocurren en los vértices o "esquinas" de la región factible. Con problemas de dos
variables, los puntos extremos están determinados por la intersección de las líneas de
restricción.

Variable de Excedente
Variable restada del lado izquierdo de una restricción de "mayor o igual que" para
convertir dicha restricción en una igualdad. Generalmente el valor de esta variable
puede interpretarse como la cantidad por encima de algún nivel mínimo requerido.
(Metodos Cuantitativos, 2013)

¿Qué es la Programación Lineal?
Un modelo de Programación Lineal (PL) considera que las variables de decisión tienen
un comportamiento lineal, tanto en la función objetivo como restricciones del problema.
En este sentido, la Programación Lineal es una de las herramientas más utilizadas en la
Investigación Operativa debido a que por su naturaleza se facilitan los cálculos y en
general permite una buena aproximación de la realidad.

Los Modelos Matemáticos se dividen básicamente en Modelos Determistas (MD) o
Modelos Estocásticos (ME). En el primer caso (MD) se considera que los parámetros
asociados al modelo son conocidos con certeza absoluta, a diferencia de los Modelos
Estocásticos, donde la totalidad o un subconjunto de los parámetros tienen una
distribución de probabilidad asociada. Los cursos introductorios a la Investigación
Operativa generalmente se enfocan sólo en Modelos Determistas.
INVESTIGACION DE OPERACIONES



Supuestos Básicos de la Programación Lineal: Linealidad, Modelos Deterministas,
Variables reales, No Negatividad. (Programacion lineal.net, 2013)











INVESTIGACION DE OPERACIONES


3.0 TECNICAS DE LA PROGRAMACION LINEAL
PROGRAMACION LINEAL ENTERA

Se utiliza el termino de programación lineal entera cuando se obliga a que las
soluciones de los problemas de programación lineal deben ser enteras.
Tipo de problemas
Los tipos de problemas de programación lineal entera que podemos encontrar son los
siguientes:
a) Directos: las variables de decisión son variables cuantitativas enteras
b) Codificados: las variables son de tipo binario generalmente
c) Transformados: se produce cuando en un análisis se debe cumplir o restricción u
otra (a o b) y se desea expresar ambas restricciones como simultaneas. (De La
Fuente Garcia, 1996)
Variables
Las variables son números reales mayores o iguales a cero.
En caso que se requiera que el valor resultante de las variables sea un número
entero, el procedimiento de resolución se denomina Programación entera.
Restricciones
Las restricciones pueden ser de la forma:
INVESTIGACION DE OPERACIONES


 A = valor conocido a ser respetado estrictamente;
 B = valor conocido que debe ser respetado o puede ser superado;
 C = valor conocido que no debe ser superado;
 j = número de la ecuación, variable de 1 a M (número total de restricciones);
 a; b; y, c = coeficientes técnicos conocidos;
 X = Incógnitas, de 1 a N;
 i = número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N >
M; ó, N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.
Función Objetivo

INVESTIGACION DE OPERACIONES

Donde:
 = coeficientes son relativamente iguales a cero. (Fiadone, 2013)


En algunos casos se requiere que la solución óptima se componga de valores
enteros para algunas de las variables. La resolución de este problema se obtiene
analizando las posibles alternativas de valores enteros de esas variables en un
entorno alrededor de la solución obtenida considerando las variables reales.
Muchas veces la solución del programa lineal truncado está lejos de ser el
óptimo entero, por lo que se hace necesario usar algún algoritmo para hallar esta
solución de forma exacta. El más famoso es el método de 'Ramificar y Acotar' o
Branch and Bound por su nombre en inglés. El método de Ramificar y Acotar
parte de la adición de nuevas restricciones para cada variable de decisión
(acotar) que al ser evaluado independientemente (ramificar) lleva al óptimo
entero.
Este es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener fácilmente más de 1.000 variables) en el cual se aprecia
la utilidad de este procedimiento de cálculo.

Existen tres minas de carbón cuya producción diaria es:
La mina "a" produce 40 toneladas de carbón por día;
La mina "b" produce 40 t/día; y,
La mina "c" produce 20 t/día.

En la zona hay dos centrales termoeléctricas que consumen:
INVESTIGACION DE OPERACIONES

La central "d" consume 40 t/día de carbón; y,
La central "e" consume 60 t/día
Los costos de mercado, de transporte por tonelada son:
De "a" a "d" = 2 monedas
De "a" a "e" = 11 monedas
De "b" a "d" = 12 monedas
De "b" a "e" = 24 monedas
De "c" a "d" = 13 monedas
De "c" a "e" = 18 monedas

Si se preguntase a los pobladores de la zona cómo organizar el transporte, tal
vez la mayoría opinaría que debe aprovecharse el precio ofrecido por el
transportista que va de "a" a "d", porque es más conveniente que los otros,
debido a que es el de más bajo precio.
En este caso, el costo total del transporte es:
Transporte de 40 t de "a" a "d" = 80 monedas
Transporte de 20 t de "c" a "e" = 360 monedas
INVESTIGACION DE OPERACIONES

Transporte de 40 t de "b" a "e" = 960 monedas
Total 1.400 monedas.

Sin embargo, formulando el problema para ser resuelto por la programación
lineal se tienen las siguientes ecuaciones:
Restricciones
Restricciones de producción


Restricciones de producción

Función objetivo

La solución de costo mínimo de transporte diario resulta ser:
Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas
Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas
INVESTIGACION DE OPERACIONES

Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas
Total 1.280 monedas.
120 monedas menos que antes.
MODELO DE REDES

MODELOS DE REDES
Los problemas de optimización de redes se pueden representar en términos
generales a través de uno de estos cuatro modelos:
Modelo de minimización de redes (Problema del árbol de mínima expansión).
Modelo de la ruta más corta.
Modelo del flujo máximo.
Modelo del flujo del costo mínimo.
Modelo de minimización de redes

El modelo de minimización de redes o problema del árbol de mínima expansión tiene
que ver con la determinación de los ramales que pueden unir todos los nodos de una
red, tal que minimice la suma de las longitudes de los ramales escogidos. No se deben
incluir ciclos en la solución del problema.
Para crear el árbol de expansión mínima tiene las siguientes características:
1.Se tienen los nodos de una red pero no las ligaduras. En su lugar se proporcionan las
ligaduras potenciales y la longitud positiva para cada una si se inserta en la red. (Las
medidas alternativas para la longitud de una ligadura incluyen distancia, costo y
tiempo.)
INVESTIGACION DE OPERACIONES

2.Se desea diseñar la red con suficientes ligaduras para satisfacer el requisito de que
haya un camino entre cada par de nodos.
3.El objetivo es satisfacer este requisito de manera que se minimice la longitud total de
las ligaduras insertadas en la red.
Una red con n nodos requiere sólo (n-1) ligaduras para proporcionar una trayectoria
entre cada par de nodos. Las (n-1) ligaduras deben elegirse de tal manera que la red
resultante formen un árbol de expansión. Por tanto el problema es hallar el árbol de
expansión con la longitud total mínima de sus ligaduras.
Algoritmo para construir el árbol de expansión mínima:
1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta (es decir, se agrega
una ligadura) al nodo distinto más cercano.
2.Se identifica el nodo no conectado más cercano a un nodo conectado y se conectan
estos dos nodos (es decir, se agrega una ligadura entre ellos). Este paso se repite
hasta que todos los nodos están conectados.
3.Empates: los empates para el nodo más cercano distinto (paso 1) o para el nodo no
conectado más cercano (paso 2), se pueden romper en forma arbitraria y el algoritmo
debe llegar a una solución óptima. No obstante, estos empates son señal de que
pueden existir (pero no necesariamente) soluciones optimas múltiples. Todas esas
soluciones se pueden identificar si se trabaja con las demás formas de romper los
empates hasta el final.
Modelo de Flujo Máximo
Se trata de enlazar un nodo fuente y un nodo destino a través de una red de
arcos dirigidos. Cada arco tiene una capacidad máxima de flujo admisible. El objetivo es
el de obtener la máxima capacidad de flujo entre la fuente y el destino.
Características:
1.Todo flujo a través de una red conexa dirigida se origina en un nodo, llamado fuente,
y termina en otro nodo llamado destino.
INVESTIGACION DE OPERACIONES

2. Los nodos restantes son nodos de trasbordo.
3.Se permite el flujo a través de un arco sólo en la dirección indicada por la flecha,
donde la cantidad máxima de flujo está la por la capacidad del arco. En la fuente, todos
los arcos señalan hacia fuera. En el destino, todos señalan hacia el nodo.
4.El objetivo es maximizar la cantidad total de flujo de la fuente al destino. Esta cantidad
se mide en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale
de la fuente o la cantidad que entra al destino.
El problema de flujo máximo se puede formular como un problema de programación
lineal, se puede resolver con el método símplex y usar cualquier software. Sin embargo,
se dispone de un algoritmo de trayectorias aumentadas mucho más eficientes. El
algoritmo se basa en dos conceptos intuitivos, el de red residual y el de trayectoria
aumentada.
Algoritmo de la trayectoria de aumento para el problema de flujo máximo:
1.Se identifica una trayectoria de aumento encontrando alguna trayectoria dirigida del
origen al destino en la red residual, tal que cada arco sobre esta trayectoria tiene
capacidad residual estrictamente positiva. (Si no existe una, los flujos netos asignados
constituyen un patrón del flujo óptimo).
2.Se identifica la capacidad residual c* de esta trayectoria de aumento encontrando el
mínimo de las capacidades residuales de los arcos sobre esta trayectoria. Se aumenta
en c* el flujo de esta trayectoria.
3.Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de
aumento. Se aumenta en c* la capacidad residual de cada arco en la dirección opuesta
en esta trayectoria. Se regresa la paso 1.




INVESTIGACION DE OPERACIONES

Modelo de la ruta más corta
Considere una red conexa y no dirigida con dos nodos especiales llamados
origen y destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa.
El objetivo es encontrar la ruta más corta (la trayectoria con la mínima distancia total)
del origen al destino.
Se dispone de un algoritmo bastante sencillo para este problema. La esencia del
procedimiento es que analiza toda la red a partir del origen; identifica de manera
sucesiva la ruta más corta a cada uno de los nodos en orden ascendente de sus
distancias (más cortas), desde el origen; el problema queda resuelto en el momento de
llegar al nodo destino.
Algoritmo de la ruta más corta:
1.Objetivo de la n-ésima iteración: encontrar el n-ésimo nodo más cercano al origen.
(Este paso se repetirá para n=1,2,… hasta que el n-ésimo nodo más cercano sea el
nodo destino.)
2.Datos para la n-ésima iteración: n-1 nodos más cercanos al origen (encontrados en
las iteraciones previas), incluida su ruta más corta y la distancia desde el origen. (Estos
nodos y el origen se llaman nodos resueltos, el resto son nodos no resueltos.)
3.Candidatos para el n-ésimo nodo más cercano: Cada nodo resuelto que tiene
conexión directa por una ligadura con uno o más nodos no resueltos proporciona un
candidato, y éste es el nodo no resuelto que tiene la ligadura más corta. (Los empates
proporcionan candidatos adicionales.)
4.Cálculo del n-ésimo nodo más cercano: para cada nodo resuelto y sus candidatos, se
suma la distancia entre ellos y la distancia de la ruta más corta desde el origen a este
nodo resuelto. El candidato con la distancia total más pequeña es el n-ésimo nodo más
cercano (los empates proporcionan nodos resueltos adicionales), y su ruta más corta es
la que genera esta distancia.
La función objetivo está sujeta a una serie de restricciones, expresadas por
inecuaciones lineales: (Aguilar Barrón, 2012)
INVESTIGACION DE OPERACIONES




















ADMINISTRACION DE PROYECTOS PERT/CPM

INVESTIGACION DE OPERACIONES

PERT (Program Evaluation Review Technique) fue desarrollado a fines dela década de
1950 por la Navy Special Projects Office en colaboración con la empresa de consultoría
administrativa de Booz, Allen y Hamilton. La técnica recibió una considerable
publicidad, favorable para su uso, en el programa de ingeniería y desarrollo del misil
Polaris, un complicado proyecto que tenía 250 contratistas primarios y 9000
subcontratistas. Desde esa fecha, ha sido ampliamente recibido en otras áreas del
gobierno y de la industria y se ha aplicado en proyectos tan diferentes como la
construcción de fábricas, edificios y carreteras, investigación administrativa, desarrollo
de productos, instalación de nuevos sistemas de computadoras, etc. Hoy, muchas
empresas y agencias gubernamentales exigen que todos sus contratistas usen la
PERT.

CPM (Critical Path Method) fue desarrollado en 1957 por J. E. Kelly, de Remington
Rand, y M. R. Walker, de DuPont. S diferencia de la PERT en principio por los detalles
de cómo se manejan el Tiempo y el Costo. En realidad, las diferencias entre PERT y
CPM en la instrumentación efectiva se han ido borrando en cuanto las empresas han
integrados las mejores características de ambos sistemas en sus esfuerzos propios por
manejar con eficiencia sus proyectos. (Scribd, 2008)







MODELOS DE INVENTARIOS

INVESTIGACION DE OPERACIONES

El modelo de programación lineal aplicado al manejo de inventarios.

En este modelo se resuelve un problema de programación lineal inspirado en Winston
(1994) para obtener los valores que minimizan la función de costos. Así, el objetivo es
determinar “científicamente” una política óptima para el manejo de los inventarios.
La idea integradora que representa su inclusión en el sistema computarizado, tomando
la información necesaria para su ejecución directamente de la base de datos, se basa
en que, a medida que la organización utilice intensivamente y durante un largo período
el sistema, éste recaudará más datos con los cuales las estimaciones del modelo serán
cada vez más cercanas a la realidad (aspecto garantizado por la teoría estadística).
Asimismo, el modelo requiere partir de las siguientes suposiciones:
1. Tanto la función objetivo como las restricciones, son funciones lineales de las
variables.
2. Se trata de un modelo de múltiples períodos o dinámico.
3. La demanda en cada período es conocida al inicio del mismo y en general no
es constante.
4. Los costos del producto relacionados con mantenimiento del inventario y de
escasez, son conocidos para el primer período, y en caso que varíen de un
período a otro, lo hacen según un porcentaje de inflación constante, conocida
para el horizonte de planeación.
A continuación se definen los elementos que componen los modelos de
Programación lineal, a saber: variables, función objetivo y restricciones.


Las variables
Las variables utilizadas en el modelo se describen en detalle en el cuadro
INVESTIGACION DE OPERACIONES

1, así como también la nomenclatura que las identificará en adelante.







La función objetivo
Sea C el costo total del sistema, entonces
INVESTIGACION DE OPERACIONES



Los costos c1, c2 y c3, se incrementan según el porcentaje de inflación anual F. Ahora
bien, en el entendido de que existen tres posibilidades para seleccionar el período de la
demanda: meses, bimestres o trimestres, el porcentaje de inflación calculado para cada
caso será respectivamente: F/12, F/6 y F/4, de donde F’ es el porcentaje de inflación
anual aplicable según sea el caso. Según esto, los costos asociados con el sistema,
adquieren la forma:


Donde, m = 1, 2, 3.
Entonces, c1,i es el costo unitario del producto en el i-ésimo período, C2,i es el costo
unitario de mantener en el i-ésimo período y C3,i es el costo unitario de escasez en el i-
ésimo período. De lo descrito anteriormente, la nueva función de costos totales del
sistema, sería: (Ponsot Balaguer)



MODELOS DE LINEAS DE ESPERA

INVESTIGACION DE OPERACIONES

Características

Los modelos de línea de espera consisten en fórmulas y relaciones matemáticas que
pueden usarse para determinar las características operativas (medidas de desempeño)
para una cola

Las características operativas de interés incluyen las siguientes:
1. Probabilidad de que no haya unidades o clientes en el sistema
2. Cantidad promedio de unidades en la línea de espera
3. Cantidad promedio de unidades en el sistema (la cantidad de unidades en la línea de
espera más la cantidad de unidades que se están atendiendo)
4. Tiempo promedio que pasa una unidad en la línea de espera
5. Tiempo promedio que pasa una unidad en el sistema (el tiempo de espera más el
tiempo de servicio)
6. Probabilidad que tiene una unidad que llega de esperar por el servicio

Estructura de un sistema de línea de espera.

Para ilustrar las características básicas de un modelo de línea de espera, consideramos
la cola en el Burger Dome, que vende hamburguesas, papas fritas, refrescos y
malteadas, así como un número limitado de artículos de especialidad y postres. Aunque
a Burger Dome le gustaría servir inmediatamente a cada cliente, a veces llegan más
comensales de los que puede manejar el personal de Burger Dome, por tanto, los
clientes esperan en línea para hacer sus pedidos y recibir sus alimentos.

A Burger Dome le preocupa que los métodos que se usan actualmente para servir a los
clientes dan como resultado tiempos de espera excesivos. La administración desea
realizar un estudio con el fin de ayudar a determinar el mejor enfoque para producir los
tiempos de espera y mejorar el servicio.
INVESTIGACION DE OPERACIONES


Línea de espera de un solo canal:
Cada cliente que entra al restaurante de Burger Dome debe pasar por un canal, una
estación para tomar y surtir el pedido, para colocar el pedido, pagar la cuenta y recibir el
producto. Cuanto llegan más clientes forman una línea de espera y aguardan que se
desocupe la estación para tomar y surtir el pedido.
Distribución de llegadas:
Definir el proceso de llegada para una línea de espera implica determinar la distribución
de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas
situaciones de línea de espera, cada llegada ocurre aleatoria e independientemente de
otras llegadas y no podemos predecir cuándo ocurrirá. En tales casos los analistas
cuantitativos han encontrado que la distribución de probabilidad de poisson proporciona
una buena descripción del patrón de llegadas.


Distribución de tiempos de servicio:

El tiempo de servicio es el tiempo que pasa un cliente en la instalación una vez el
servicio ha iniciado.
INVESTIGACION DE OPERACIONES


Se puede utilizar la distribución de probabilidad exponencial para encontrar la
probabilidad de que el tiempo de servicio sea menor o igual que un tiempo t.


Disciplina en la línea de espera.

Al describir un sistema de línea de espera debemos definir la manera en que las
unidades que esperan el servicio se ordenan para recibirlo.
• En general para la mayoría de las líneas de espera orientadas al cliente, las unidades
que esperan servicio se acomodan según el principio el primero que llega, el primero al
que se sirve; este enfoque se conoce como disciplina de línea de espera o disciplina de
cola FCFS (first-come, first served).

Sin embargo algunas situaciones exigen disciplinas de cola diferentes:
• El primero que llega, primero al que se le sirve.
• Último en entrar, primero en salir
• Atención primero a la prioridad más alta

INVESTIGACION DE OPERACIONES

Operación de estado estable.

Generalmente la actividad se incrementa gradualmente hasta un estado normal o
estable. El período de comienzo o principio se conoce como período transitorio, mismo
que termina cuando el sistema alcanza la operación de estado estable o normal.







SIMULACION EN COMPUTADORA

Asociada en ocasiones a la teoría de colas y heredera de la dinámica de sistemas se
encuentra otra herramienta de los métodos cuantitativos como es la simulación. El
incremento de la capacidad de cálculo de los ordenadores, así como sus crecientes
capacidades gráficas hace que esta última esté experimentando una aplicación
creciente en el modelado de flujos de materiales, e incluso de información.

Esta aplicación creciente ha supuesto, en algunos casos, el abandono de las
herramientas 1 analíticas, que requiere un esfuerzo conceptual que aparentemente la
simulación no requiere. Hay que destacar, en contra de esta opinión que la simulación
bien aplicada exige un importante esfuerzo para garantizar la validez de resultados. De
hecho, dado que la simulación es comparable al análisis por experimentos, al hacer una
simulación hay que hacer frente a los mismos problemas que hay que afrontar cuando
se hace experimentación convencional (incluyendo diseño experimental y análisis
INVESTIGACION DE OPERACIONES

estadístico). De este modo el uso de la simulación no reduce el esfuerzo a realizar, sino
que resuelve problemas que la teoría de colas analítica no es actualmente capaz de
abordar (Harris, 1998)








ANALISIS DE DECISIONES

Uno de los aspectos más importantes en la vida de cada persona es la TOMA DE
DECISIONES Todos y cada uno de nosotros pasamos los días y las horas de nuestra
vida teniendo que tomar decisiones; algunas decisiones tienen una importancia relativa
en el desarrollo de nuestra vida, mientras otras no son tan importantes en ella.

Para los administradores, el proceso de toma de decisión es sin duda una de las
mayores responsabilidades. No obstante, este proceso lo llevamos a cabo
frecuentemente, aun cuando no lo notemos; por ejemplo, si vamos a comprar algún
determinado producto y existen dos lugares en donde éste se encuentra a la venta,
debemos decidir en dónde comprarlo o incluso, si realmente nos conviene hacerlo. La
toma de decisiones en una organización se circunscribe a una serie de personas que
están apoyando el mismo proyecto. Debemos empezar por hacer una selección de
decisiones, y esta selección es una de las tareas de gran trascendencia.
INVESTIGACION DE OPERACIONES



Condiciones en que se toman las decisiones

Las condiciones en las que los individuos toman decisiones en una organización son
reflejo de las fuerzas del entorno (sucesos y hechos) que tales individuos no pueden
controlar, pero las cuales pueden influir a futuro en los resultados de sus decisiones.
Estas fuerzas pueden ir desde nuevas tecnologías o la presencia de nuevos
competidores en un mercado hasta nuevas leyes o disturbios políticos. Además de
intentar la identificación y medición de la magnitud de estas fuerzas, los administradores
deben estimar su posible impacto. Los administradores y demás empleados
involucrados en los pronósticos y la planeación pueden sentirse fuertemente
presionados a identificar tales hechos y sus impactos, especialmente cuando no es
probable que ocurran hasta años después.

Con demasiada frecuencia, los individuos deben basar sus decisiones en la limitada
información de que disponen; de ahí que el monto y precisión de la información y el
nivel de las habilidades de conceptualización de los individuos sean cruciales para la
toma de decisiones acertadas. Las condiciones en las que se toman las decisiones
pueden clasificarse en términos generales como certeza o certidumbre, incertidumbre y
riesgo.

Prácticamente todas las decisiones se toman en un ambiente de cierta incertidumbre.
Sin embargo, el grado varía de una certeza relativa a una gran incertidumbre. En la
toma de decisiones existen ciertos riesgos implícitos. En una situación donde existe
certeza, las personas están razonablemente seguras sobre lo que ocurrirá cuando
tomen una decisión, cuentan con información que se considera confiable y se conocen
las relaciones de causa y efecto.
INVESTIGACION DE OPERACIONES


En algunos casos, las decisiones se toman bajo condiciones de certeza, esto significa
que el encargado de tomar una decisión conoce por adelantado el resultado de su
elección. Son pocas las decisiones que se toman bajo condiciones de certeza o
certidumbre.

Por otra parte en una situación de incertidumbre, las personas sólo tienen una base de
datos muy deficiente. No saben si estos son o no confiables y tienen mucha inseguridad
sobre los posibles cambios que pueda sufrir la situación. Más aún, no pueden evaluar
las interacciones de las diferentes variables; la condición bajo la cual resulta más difícil
tomar decisiones es la incertidumbre, pues en esta situación, los responsables de tomar
decisiones no cuentan con información suficiente para tener en claro las alternativas o
estimar su riesgo. Se basan ya sea en su intuición o en su creatividad. Por ejemplo una
empresa que decide ampliar sus operaciones a otro país quizás sepa poco sobre la
cultura, las leyes, el ambiente económico y las políticas de esa nación. La situación
política suele ser tan volátil que ni siquiera los expertos pueden predecir un posible
cambio en las mismas.

Por mucho, la situación típica es el riesgo. El encargado de tomar las decisiones es
capaz de estimar la verosimilitud de las alternativas o los resultados. Esta capacidad de
asignar probabilidades podría ser un resultado de la experiencia personal o de
información secundaria. En una situación de riesgo, quizás se cuente con información
basada en hechos, pero la misma puede resultar incompleta. Para mejorar la toma de
decisiones se puede estimar las probabilidades objetivas de un resultado, al utilizar, por
ejemplo modelos matemáticos. Por otra parte se puede usar la probabilidad subjetiva,
basada en el juicio y la experiencia. Afortunadamente se cuenta con varias
herramientas que ayudan a los administradores a tomar decisiones más eficaces.

INVESTIGACION DE OPERACIONES

Un enfoque racional para evaluar las alternativas bajo condiciones de riesgo es el uso
del valor esperado. Este es un concepto que permite a quien toma las decisiones
asignar un valor monetario según las consecuencias positivas y negativas que podrían
resultar de la selección de una alternativa en particular. En el momento de tomar
decisiones, todos los administradores deben de ponderar alternativas, muchas de las
cuales implican sucesos futuros que resultan difíciles de prever: la reacción de un
competidor a una nueva lista de precios, las tasas de interés dentro de tres años, la
confiabilidad de un nuevo proveedor. Por esta razón, las situaciones de toma de
decisiones se consideran dentro de una línea continua que va de la certeza (altamente
previsible) a la turbulencia (altamente imprevisible).

Interpretación de Certeza, Incertidumbre y Riesgo

CERTEZA: Bajo las condiciones de certeza o certidumbre, conocemos nuestro objetivo
y tenemos información exacta, medible y confiable acerca del resultado de cada una de
las alternativas que consideremos.

INCERTIDUMBRE: Bajo condiciones de incertidumbre es poco lo que se sabe de las
alternativas o de sus resultados.

RIESGO: Es la probabilidad de que suceda un evento, impacto o consecuencia
adversos. Se entiende también como la medida de la posibilidad y magnitud de los
impactos adversos, siendo la consecuencia del peligro, y está en relación con la
frecuencia con que se presente el evento. Se produce el riesgo siempre que no somos
capaces de diagnosticar con certeza el resultado de alguna alternativa, pero contamos
con suficiente información como para prever la probabilidad que tenga para llevarnos a
un estado de cosas deseado.

INVESTIGACION DE OPERACIONES

Turbulencia: Bajo condiciones de certeza, incertidumbre y riesgo, el objetivo final está
siempre claro, pero bajo condiciones de turbulencia incluso el objetivo puede ser poco
claro. La turbulencia también tiene lugar cuando el ambiente mismo cambia con
velocidad o es de hecho incierto. En Análisis de Riesgo prácticamente cada decisión se
basa en la interacción de variables importantes, muchas de las cuales tienen un
elemento de incertidumbre pero quizás un grado bastante alto de probabilidad. Por lo
tanto, la sensatez de lanzar un nuevo producto podría desprender de varias variables
críticas: el costo de producto, la inversión del capital, el precio que se puede fijar, el
tamaño del mercado potencial y la participación del mercado total. Ejemplo: Los
gerentes pueden comprender la verdadera probabilidad de una decisión que conduzca
a los resultados deseados.
Toma de decisiones bajo condiciones de Certeza

Una clase importante de problemas de decisiones incluye aquellos en los cuales cada
acto disponible para quien toma la decisión tiene consecuencias que pueden ser
conocidas previamente con certeza. A tales problemas se le llama toma de decisiones
bajo condiciones de certeza.
La toma de decisiones bajo certeza no es un proceso sencillo, cada una de las tareas a
las que se enfrenta quien toma la decisión bajo certidumbre (identificar los actos
disponibles, medir las consecuencias y seleccionar el mejor acto) involucra el uso de la
teoría de la programación lineal.

La certeza o certidumbre es la condición en que los individuos son plenamente
informados sobre un problema, las soluciones alternativas son obvias, y son claros los
posibles resultados de cada decisión. En condiciones de certidumbre, la gente puede al
menos prever (si no es que controlar) los hechos y sus resultados. Esta condición
significa el debido conocimiento y clara definición tanto del problema como de las
soluciones alternativas. Una vez que un individuo identifica soluciones alternativas y sus
resultados esperados, la toma de la decisión es relativamente fácil. El responsable de
INVESTIGACION DE OPERACIONES

tomar la decisión sencillamente elige la solución con el mejor resultado potencial. Por
ejemplo, de un agente de compras de una imprenta se espera que ordene papel de
calidad estándar al proveedor que ofrezca el menor precio y mejor servicio. Por
supuesto que generalmente el proceso de toma de decisiones no es tan simple. Un
problema puede tener muchas posibles soluciones, y calcular los resultados esperados
de todas ellas puede ser extremadamente lento y costoso.

La toma de decisiones en condiciones de incertidumbre es la excepción para la mayoría
de los administradores y otros profesionales. Sin embargo, los administradores de
primera línea toman decisiones diariamente en condiciones de certidumbre, o casi. Por
ejemplo, un apretado programa de producción puede obligar a un administrador de
primera línea a pedir a 10 empleados que trabajen cuatro horas de tiempo extra. El
administrador puede determinar el costo de las horas extras con toda certeza. También
puede prever con alto grado de certidumbre el número de las unidades adicionales que
pueden calcularse con casi absoluta certeza antes de programar las horas extras.
Toma de decisiones bajo condiciones de Incertidumbre

En muchos problemas de decisiones se presentan variables que no están bajo el
control de un competidor racional y acerca de las cuales quienes toman las decisiones
tiene poca o ninguna información sobre la base de la cual conocer el estado de cosas
futuras. La toma de decisiones bajo incertidumbre se presenta cuando no puede
predecirse el futuro sobre la base de experiencias pasadas. A menudo se presentan
muchas variables incontrolables. Algunas veces es posible consolidar los efectos de
esas variables no controlables en términos de su distribución de probabilidad. La toma
de decisiones bajo incertidumbre implica que no se conoce la probabilidad de que
prevalezca uno u otro de los estados de resultado.
Toma de decisiones bajo condiciones de Riesgo

INVESTIGACION DE OPERACIONES

El riesgo es la condición en la que los individuos pueden definir un problema,
especificar la probabilidad de ciertos hechos, identificar soluciones alternativas y
enunciar la probabilidad de que cada solución dé los resultados deseados. El riesgo
suele significar que el problema y las soluciones alternativas ocupan algún punto
intermedio entre los extremos representados por la plena información y definición y el
carácter inusual y ambiguo.

La probabilidad es el porcentaje de veces en las que ocurriría un resultado específico si
un individuo tomara muchas veces una misma decisión. El monto y calidad de la
información disponible para un individuo sobre la condición pertinente de la toma de
decisiones puede variar ampliamente, lo mismo que las estimaciones de riesgo del
individuo. El tipo, monto y confiabilidad de la información influyen en el nivel de riesgo y
en el hecho de si el responsable de tomar la decisión puede hacer uso de la
probabilidad objetiva o subjetiva en la estimación del resultado.

Probabilidad Objetiva
La posibilidad de que ocurra un resultado específico con base en hechos consumados y
números concretos se conoce como probabilidad objetiva. En ocasiones, un individuo
puede determinar el resultado probable de una decisión examinando expedientes
anteriores. Por ejemplo, aunque las compañías de seguros de vida no pueden
determinar el año en que morirá cada tenedor de pólizas, pueden calcular las
probabilidades objetivas basados en la expectativa de que los índices de mortalidad
prevalecientes en el pasado se repitan en el futuro.

Probabilidad Subjetiva.
A la apreciación basada en juicios y opiniones personales de que ocurra un resultado
específico se conoce como probabilidad subjetiva. Tales juicios varían de un individuo a
otro, dependiendo de su intuición, experiencia previa en situaciones similares,
conocimientos y rasgos personales (como preferencia por la asunción o por la elusión
INVESTIGACION DE OPERACIONES

de riesgos). Frecuentemente sin embargo, quienes toman decisiones cuentan con
información acerca de la probabilidad de que ocurra cada estado de resultado, aun
cuando no sepan con certeza el estado del resultado real.

La toma de decisiones cuando existe cierto número de estados de resultados posibles,
para los cuales se conoce la distribución de probabilidades recibe el nombre de toma de
decisiones bajo riesgo. En los problemas que involucran incertidumbre y riesgo, el
estado de resultado era una contingencia acerca de la cual quien toma las decisiones
en el peor de los casos se encontraba por completo en la oscuridad y en el mejor de los
casos contaba con información sobre probabilidades.

Nivel de toma de decisiones

Hay 4 niveles organizacionales. Estos incluyen los tres niveles gerencias (alto, medio y
de primera línea), más los empleados operativos. En términos generales, las decisiones
recurrentes y de rutina (decisiones programadas) se manejan mejor a niveles bajos de
la administración. Por el contrario, las decisiones no recurrentes y únicas (decisiones no
programadas) son mejor manejadas por la alta dirección.
De manera semejante, la alta dirección está mejor calificada para tomar decisiones
estratégicas a largo plazo, tales como determinar cuál es el negocio de la organización,
la dirección y los objetivos globales estratégicos de la misma y donde distribuir los
recursos clave de capital y personal.
Los gerentes de nivel medio están mejor equipados para coordinar decisiones con
implicaciones a mediano plazo. Los gerentes de primera línea deberían enfocarse en
decisiones departamentales más rutinarias. Por último los empleados operativos están
mejor capacitados para tomar decisiones relacionadas con el trabajo.

INVESTIGACION DE OPERACIONES

Importancia de la toma de decisiones

Es importante porque mediante el empleo de un buen juicio, la Toma de Decisiones
sobre todo en condiciones de certeza, incertidumbre y riesgo, nos indica que un
problema o situación es valorado y considerado profundamente para elegir el mejor
camino a seguir según las diferentes alternativas y operaciones. También es de vital
importancia para la administración ya que contribuye a mantener la armonía y
coherencia del grupo, y por ende su eficiencia.

En la Toma de Decisiones bajo condiciones de certeza, incertidumbre y riesgo,
considerar un problema y llegar a una conclusión válida, significa que se han
examinado todas las alternativas y que la elección ha sido correcta. Dicho pensamiento
lógico aumentará la confianza en la capacidad para juzgar y controlar situaciones.

Uno de los enfoques más competitivos de investigación y análisis para la toma de las
decisiones es la investigación de operaciones. Puesto que esta es una herramienta
importante para la administración de la producción y las operaciones.

La toma de decisiones, se considera como parte importante del proceso de planeación
cuando ya se conoce una oportunidad y una meta, el núcleo de la planeación es
realmente el proceso de decisión, por lo tanto dentro de este contexto el proceso que
conduce a tomar una decisión se podría visualizar de la siguiente manera:
- Elaboración de premisas.
- Identificación de alternativas.
- Evaluación de alternativas en términos de la meta deseada.
- Elección de una alternativa, es decir, tomar una decisión.
INVESTIGACION DE OPERACIONES

Cuando el administrador ha considerado las posibles consecuencias de sus opciones,
ya está en condiciones de tomar la decisión. Debe considerar tres términos muy
importantes. Estos son: maximizar, satisfacer y optimizar.
- Maximizar: es tomar la mejor decisión posible
- Satisfacer: es la elección de la primera opción que sea mínimamente aceptable o
adecuada, y de esta forma se satisface una meta o criterio buscado.

- Optimizar: Es el mejor equilibrio posible entre distintas metas. (Abuabara, 2011)
PROGRAMACION DE METAS

La forma del modelo de programación lineal sigue siendo la misma en programación
por meta, es decir, también se tiene una función objetivo que optimizar sujeta a una o
más restricciones. Sin embargo, dentro de este marco de referencia se agregarán dos
conceptos nuevos. El primero es el de las restricciones de meta en lugar de las
restricciones de recurso que se han analizado. El segundo concepto es el de rango de
prioridad entre las funciones de objetivo. Una vez que se establece un problema en el
formato del modelo general de programación lineal, para obtener la solución puede
aplicarse el MÉTODO SIMPLEX modificado solo para tomar en cuenta las prioridades.
La programación por metas es un enfoque para tratar problemas de decisión gerencial
que comprenden metas múltiples o inconmensurables, de acuerdo a la importancia que
se le asigne a estas metas. El tomador de decisiones debe ser capaz de establecer al
menos una importancia ordinal, para clasificar estas metas. Una ventaja importante de
la programación meta es su flexibilidad en el sentido de que permite al tomador de
decisiones, experimentar con una multitud de variaciones de las restricciones y de
prioridades de las metas cuando se involucra con un problema de decisión de objetivos
múltiples.
El primer paso en la formulación de un modelo de programación por metas consiste en
fijar los atributos que se consideran relevantes para el problema que se está
INVESTIGACION DE OPERACIONES

analizando. Una vez establecidos los atributos, se pasa a determinar el nivel de
aspiración que corresponde a cada atributo, es decir, el nivel de logro que el centro
decisor desea alcanzar. Seguidamente, se conecta el atributo con el nivel de aspiración,
por medio de la introducción de las variables de desviación negativa y positiva,
respectivamente. Así para el atributo i-ésimo, se tiene la siguiente meta: donde, como
es habitual, f(x) representa la expresión matemática del atributo i-ésimo, Ti su nivel de
aspiración, ni y pi las variables de desviación negativa y positiva, respectivamente. Las
variables de desviación negativa cuantifican la falta de logro de una meta con respecto
a su nivel de aspiración, mientras que las variables de desviación positiva cuantifican el
exceso de logro de una meta con respecto a su nivel de aspiración.
Como un nivel de aspiración no puede simultáneamente sobrepasarse y quedar por
debajo de él, al menos una de las dos variables de desviación tomarán valor cero
cuando la meta alcanza exactamente su nivel de aspiración.
Una vez clarificado el significado de las variables de desviación, es importante introducir
el concepto de variable de decisión no deseada. Una variable de decisión se dice que
no es deseada cuando al centro decisor le interesa que la variable en cuestión alcance
su valor más pequeño (esto es cero). Cuando la meta deriva de un atributo del tipo más
del atributo mejor (objetivo a maximizar) la variable no deseada (a minimizar), será la
variable de desviación negativa (cuantificación de la falta de logro). Finalmente, cuando
se desea alcanzar exactamente el nivel de aspiración tanto la variable de desviación
negativa como la positiva son variables no deseadas y por tanto variables a minimizar.
Supóngase que un fabricante quiere planear producir por lo menos tres mesas se
escribirá la restricción: T>=3
Esto no permite ningún valor por debajo de 3. Si hubiera otra restricción en conflicto con
esta, el problema no tendría solución factible.
Ahora bien, los objetivos administrativos son mucho menos rígidos y absolutos. Una
manera más real para establecer las restricciones de las mesas sería: "si es posible,
nos gustaría hacer tres mesas por lo menos. Esto tiene una prioridad alta". En forma
análoga, los objetivos de las ganancias o de los rendimientos sobre inversiones se
INVESTIGACION DE OPERACIONES

expresan en términos de metas deseadas: hacer lo posible por obtener ganancias de
$1000 el próximo año o buscar un rendimiento sobre inversiones del 10% antes de
impuestos. Sin duda pueden ocurrir desviaciones arriba o abajo, alrededor de una meta.
Si la restricción de las mesas es fabricar por lo menos tres, esto puede escribirse como:
T + Dut - Dot = 3
En donde Dut - Cantidad que falta para lograr el objetivo de las mesas.
Dot - Cantidad que sobrepasa el objetivo de las mesas.
T- Número de mesas.
Nótese que las restricciones de meta siempre se escriben como igualdades. El primer
subíndice de la variable de desviación indica la variación hacia abajo o hacia arriba de
la meta. El segundo subíndice indica de qué se trata el objetivo, en este caso mesas.
Existen cuatro formas de restricciones de objetivos, según se permita variación hacia
arriba o hacia abajo:
 CASO 1: Se permiten desviaciones en ambas direcciones.
 CASO 2: Solo se permiten desviaciones hacia abajo.
 CASO 3: Solo se permiten desviaciones hacia arriba
 CASO 4: No se permiten desviaciones.
No existe algo en la programación por objetivos que prohíba incluir restricciones que no
sean de objetivo o restricciones de recurso.
El significado de las variables de desviación no deseadas puede clarificarse por medio
del siguiente cuadro.
INVESTIGACION DE OPERACIONES

Metas y variables de desviación

La función objetivo
Para un problema de programación por meta siempre es minimizar alguna combinación
de variables de desviación. Desde un punto de vista de toma de decisiones
administrativa, esto significa que se está buscando la combinación de variables reales
por ejemplo (mesas y sillas) que cumplan mejor con todos los objetivos. Esto podría
llamarse optimizar un conjunto de objetivos "satisfactorios" o satisfacer.
La forma exacta de la función objetivo varía según la respuesta a estas dos preguntas:
1. ¿Son conmensurables o proporcionales los objetivos?
2. ¿Cuál es la importancia relativa de cada objetivo?
 Objetivos conmensurables de igual importancia: este es el caso más sencillo,
aunque muy pocas veces se encuentra en la práctica. Aquí los objetivos se
miden en una escala común (conmensurables y tienen la misma importancia.
 Ponderación preferente de los objetivos: las ponderaciones de preferencia
pueden aplicarse a cualquier grupo de objetivos conmensurables. Las
ponderaciones deben reflejar la utilidad o el valor de los objetivos.
 Rango de prioridad de los objetivos: ¿qué pasa cuando los objetivos no son
conmensurables, cuando no hay una escala común para comparar las
desviaciones de los diferentes objetivos? Este es un caso importante, al que se
enfrentan con frecuencia los administradores. Si el administrador puede ordenar
o dar un rango para sus metas entonces la solución es posible.
INVESTIGACION DE OPERACIONES

Quizás no sea una tarea fácil dar un rango a los objetivos de acuerdo con su
importancia pero es algo que la mayoría de las personas entienden y pueden lograr. En
la programación por objetivos se le asigna la prioridad P1al objetivo más importante,
siguiendo P2 a una prioridad más baja. No existe límite en el número de niveles de
prioridad pero debe asignarse una prioridad para cada variable de desviación. Se
permiten empates o prioridades iguales.
Los problemas de programación por meta se resuelven en orden de prioridad. Es decir,
se prueba la optimización en el nivel de prioridad más alto ignorando las prioridades
más bajas hasta optimizar este nivel. (Delgado, 2013)



PRONOSTICOS

Selección de un método de pronósticos
La selección de un método de pronósticos depende de varios factores. El grado en que
los datos históricos o el juicio subjetivo deben influir en el pronóstico es importante.
Muchos métodos de pronósticos operan solo con datos históricos y algunos se basan
en el juicio subjetivo. Con datos de series de tiempo, el patrón de comportamiento del
mismo influye en la decisión de selección.

Las consideraciones sobre beneficio costo son importantes cuando el pronóstico se
hace para respaldar la toma de decisiones más o menos importantes deben
emplearse métodos menos costosos. No obstante, el tiempo y el gasto dedicados a
los pronósticos deben aumentar con la importancia de la decisión.

INVESTIGACION DE OPERACIONES

Métodos de series de tiempo.

En los métodos de serie de tiempo se utilizan datos históricos de una variable para
generar un pronóstico del futuro. Estos métodos suponen que la variable pronosticada
tiene información útil para el desarrollo del pronóstico sobre su comportamiento anterior.
Lo que sucedió en el pasado continué ocurriendo en el futuro cuando esto sucede se
dice que lo datos de series de tiempo son estacionarios cuando esta suposición no se
cumple, la serie de tiempo es dinámica.

Cuando se analizan los datos de series de tiempo es importante pensar en buscar
variaciones de tendencias, estacionales, cíclicas y aleatorias.

Los componentes de tendencias refleja un movimiento general a largo plazo, ya se
a hacia arriba o hacia abajo a través del tiempo

La componente estacional refleja cambios hacia arriba o hacia abajo en puntos fijos en
el tiempo. En general se considera que esta componente ocurre con un periodo de un
año o menos. Cuando existe un patrón de cambio en puntos fijos en el tiempo
con duración de más de un año, el patrón refleja una componente cíclica.

La variación aleatoria esto es lo que queda después que se han separado
las demás componente. Es el ruido inexplicable que queda. Estas son las componentes
de los datos de una serie de tiempo la variación de tendencia, estacional, cíclica,
aleatoria

INVESTIGACION DE OPERACIONES

Método gráfico

El graficar los datos y obtener un pronóstico a partir de la gráfica más que confiar en el
poder analítico de las matemáticas y la estadística le método gráfico depende de la
experiencia y capacidad del analista para identificar, con su juicio subjetivo, los
patrones en los datos y hacer proyecciones basadas en esos patrones
Aun cuando se planee emplear métodos de pronósticos más complicados,
se recomienda que primero se grafique los datos. (Gaspar, 2013)














INVESTIGACION DE OPERACIONES

Cadenas de markov

Las cadenas de Márkov son una herramienta para analizar el comportamiento y el
gobierno de determinados tipos de procesos estocásticos, esto es, procesos que
evolucionan de forma no determinística a lo largo del tiempo en torno a un conjunto de
estados.
Una cadena de Márkov, por tanto, representa un sistema que varía un estado a lo largo
del tiempo, siendo cada cambio una transición del sistema. Dichos cambios no están
predeterminados, aunque sí lo está la probabilidad del próximo estado en función de los
estados anteriores, probabilidad que es constante a lo largo del tiempo (sistema
homogéneo en el tiempo). Eventualmente, es una transición, el nuevo estado puede ser
el mismo que el anterior y es posible que exista la posibilidad de influir en las
probabilidades de transición actuando adecuadamente sobre el sistema (decisión).

Estados
Los estados son la caracterización de la situación en que se halla el sistema en un
instante dado, de dicha caracterización puede ser tanto cuantitativa como cualitativa.
El estado de un sistema en un instante t es una variable cuyos valores solo pueden
pertenecer al conjunto de estaos en el sistema. El sistema modelizado por la cadena,
por lo tanto, es una variable que cambia con el valor del tiempo, cambio al que
llamamos transición.
INVESTIGACION DE OPERACIONES

Matriz de transición
Es el arreglo numérico donde se condensa las probabilidades de un estado a
otro. Dicha matriz es cuadrada con tantas filas y columnas como estados que tiene el
sistema, y los elementos de matriz representan la probabilidad de que el estado
próximo sea el correspondiente a la columna si el estado actual es el correspondiente a
la fila.
Posee 3 propiedades básicas:
1. La suma de las probabilidades de los estados debe ser igual a 1.
2. La matriz de transición debe ser cuadrada.
3. Las probabilidades de transición deben estar entre 0 y 1.
Matriz regular
Es una matriz cuadrada que posee inversa.
Estado recurrente
Un estado es recurrente si después de haber entrado a este estado, el proceso
definitivamente regresa a ese estado. Por consiguiente un estado es recurrente si y solo
si no es transitorio.
Matriz ergódica
Si los estados en una cadena son recurrentes, aperiódicos y se comunican entre sí, se
dice que la matriz es ergódica. Ejemplo:



INVESTIGACION DE OPERACIONES

Estados absorbentes
Una cadena de Márkov en la que uno o más estados es un estado absorbente, es una
cadena de Márkov absorbente. Se alistan los estados en el siguiente orden: primero los
estados transitorios y luego los estado absorbentes. Suponga que hay s-m estados
transitorios (t1, t2,…, ts-m) y m estado absorbentes (a1, a2,…, am), se escribe la matriz
de probabilidades de transición P como sigue: (Morales Mercado, 2011)














INVESTIGACION DE OPERACIONES

PROGRAMACION DINAMICA

El método de programación dinámica sirve para resolver problemas combinando las
soluciones de sus problemas. Normalmente es usada para resolver problemas de
optimización.

6.1 Requerimientos para la formulación de un problema de programación dinámica

Condiciones que se deben cumplir

Hay dos condiciones que se deben cumplir antes de comenzar a pensar en una
solución a un problema de optimización usando programación dinámica.

Sub-estructura óptima:
Un problema tiene sub-estructura óptima cuando la solución óptima a un problema se
puede componer a partir de soluciones óptimas de su sub-problema.

Superposición de Problemas.
El cálculo de la solución óptima implica resolver muchas veces un mismo sub-problema.
La cantidad de sub-problemas es “pequeña”
Al construir un algoritmo usando la estrategia de programación dinámica es
necesario:
1. Caracterizar la estructura de una solución óptima
2. Definir recursivamente el valor de una solución óptima.
3. Computar el valor de una solución en forma bottom-up.4. [Opcional] Construir una
solución óptima a partir de la información computada. (Peña Duran, 2006)

INVESTIGACION DE OPERACIONES

Características de la programación dinámica

Puede utilizarse problemas: lineales, determinísticos o estadísticos, uní o multivariados.
Es útil para resolver unos problemas donde se debe tomar una serie de decisiones
interrelacionadas.
Formato general: a diferencia de la P.L. la programación dinámica no tiene formulación
matemática estándar. Se trata de un enfoque de tipo general para la solución de
problemas y las ecuaciones se derivan de sus condiciones individuales.

CONCLUSIÓN

De acuerdo a las diferentes técnicas que se desarrollaron, dependiendo de cada tipo
de problemas que se puede presentar en una situación específica, dependerá de las
variables y restricciones, que cada empresa u organización analizara para una pronta
solución a la problemática que se le presente y que se adecue a sus necesidades.
Hoy en días se cuenta con una gama de software para una pronta solución y ahorrar
en costos y tiempo.









INVESTIGACION DE OPERACIONES

4.0 METODO VOGEL

Este método es heurístico y suele producir una mejor solución inicial que los dos
métodos antes descritos. De hecho, VAM suele producir una solución inicial óptima, o
próxima al nivel óptimo.
Los pasos del procedimiento son los siguientes:

Paso1: Evaluarse una penalización para cada renglón restando el menor elemento del
costo del renglón del elemento de costo menor siguiente en el mismo renglón.
Paso2: Identifíquese el renglón o columna con la mayor penalización, rompiendo
empates en forma arbitraria. Asígnese el valor mayor posible a la variable con el costo
más bajo del renglón o columna seleccionado. Ajústese la oferta y la demanda y
táchese el renglón o columna satisfecha. Si un renglón o columna se satisfacen al
mismo tiempo, solo uno de ellos se tacha y al renglón restante se le asigna una oferta
cero. Cualquier renglón o columna con oferta o demanda cero no debe utilizarse para
calcular penalizaciones futuras.
Paso3:
a. si solo hay un renglón o columna sin tachar, deténgase.
b. si solo hay un renglón con oferta positiva sin tachar, determínense las
variables básicas del renglón a través del método del costo mínimo.
c. c.-si todos los renglones y columnas sin tachar tienen oferta o demanda
cero asignadas, determinase las variables básicas cero a través del
método del costo mínimo. Deténgase.
D.-de lo contrario, calcúlense las penalizaciones de los renglones y
columnas no tachados y después diríjase al paso 2.


INVESTIGACION DE OPERACIONES

CONCLUSION

Este método te da una solución inicial para resolver un problema de transporte, el cual
este método selección la opción de menor costo y evade las opciones de mayor costo
programando la ruta ideal en cuanto a costos.


















INVESTIGACION DE OPERACIONES

BIBLIOGRAFÍA
Abuabara, R. (Febrero de 2011). Modelos Matematicos blog. Obtenido de
http://modelosmatematicos01.blogspot.mx/p/teoria-de-decisiones-bajo-incertidumbre.html
Aguilar Barrón, R. (02 de Agosto de 2012). tareastetra4. Obtenido de
http://tareastetra4.blogspot.mx/2012/08/modo-de-redes.html
De La Fuente Garcia, D. (1996). Programación lineal entera y programación no lineal. Madrid, España:
Universidad de Oviedo.
Delgado, F. M. (18 de Diciembre de 2013). Obtenido de http://fmarrerodelgado.galeon.com/metas.html
Fiadone, R. (30 de Julio de 2013). Wikipedia. Obtenido de
http://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal
Gaspar, I. D. (18 de Enero de 2013). Blogs de investigaion de Operaciones. Obtenido de
http://ignaciodamian.blogspot.mx/2013/01/seleccion-de-un-metodo-de-pronosticos.html
Hamdy A., T. (2004). Investigacion de operaciones (Septima ed.). Estado de Mexico, Estado de Mexico,
Mexico: Pearson Educacion de Mexico S.A de C.V.
Harris, G. a. (1998).
Investigacion de operaciones. (13 de Octubre de 2013). Investigacion de operaciones. Obtenido de
http://www.investigaciondeoperaciones.net/historia_de_la_investigacion_de_operaciones.html
Metodos Cuantitativos. (09 de Octubre de 2013). Galeon.com. Obtenido de
http://metodoscuantitativo2.galeon.com/
Montoya Navarro, M. (1990). Programación Lineal Investigación de Operaciones 1. Costa Rica:
Universidad Estatal a Distancia.
Morales Mercado, L. V. (03 de Junio de 2011). B I Power Blogger. Obtenido de
http://ingindustrialio2.blogspot.mx/2011/06/cadenas-de-markov.html
Peña Duran, R. (09 de Octubre de 2006). B I Power Blogger. Obtenido de
http://invdeo.blogspot.mx/2006/10/unidad-6.html
Ponsot Balaguer, E. (s.f.). web del profesor. Recuperado el 18 de Diciembre de 2013, de
http://webdelprofesor.ula.ve/economia/ernesto/Trabajos/Articulos_C/Modelo_PLP.pdf
Prawda, J. (2004). Metodos y Modelos de Investigacion de Operaciones "Modelos deterministicos" (Vol.
1). Distrito Federal, Mexico: Editorial Limusa S. A. de C.V.
Programacion lineal.net. (Agosto de 2013). Programacion lineal.net. Obtenido de
http://www.programacionlineal.net/programacion_lineal.html
INVESTIGACION DE OPERACIONES

Scribd. (15 de Octubre de 2008). Scribd. Obtenido de http://es.scribd.com/doc/6820716/Administracion-
de-Proyectos-PERT-y-CPM
Universidad Peruana Unión. (16 de 10 de 2013). Monografias. Obtenido de
http://www.monografias.com/trabajos89/historia-programacion-lineal/historia-programacion-
lineal.shtml