Professional Documents
Culture Documents
Portafolio de Evidencias-Tema 3 - Grupo 4I1 - Tujeque Alex
Portafolio de Evidencias-Tema 3 - Grupo 4I1 - Tujeque Alex
INGENIERIA INDUSTRIAL
GRUPO: 4I1
ASIGNATURA:
INVESTIGACIÓN DE OPERACIONES I
INTEGRANTES:
➢ Matos Solís Joel Antonio
➢ Trujeque Olan Alex Armando
Introducción………………………………………………………………………………. 3
3. Programación entera…………………………………………………………………..4
Conclusión…………………………………………………...…………………………. .31
Bibliografía………………………………………………………………………………. 32
2
Introducción
Cada vez es más difícil asignar los recursos o actividades de la forma más eficaz,
pues los recursos cada vez son más escasos y crecen las complejidades de los
sistemas generando problemas para decisiones óptimas.
En el siglo pasado las Organizaciones del mundo solo estaban constituidas por un
número reducido de personas y eran dirigidos por una sola persona. Todo este
panorama cambia radicalmente con la Primera Revolución Industrial. Como se
sabe, ésta trajo consigo la energía, las maquinarias y los equipos que
revolucionaron las industrias mecanizando la producción. Consecuentemente con
ello vino la división o especialización del trabajo trayendo con ello las nuevas
responsabilidades de finanzas, producción, mercado e investigación y desarrollo
por parte de especialistas y científicos.
3
3. Programación entera
3.1. Introducción y casos de aplicación.
La Programación Lineal (Optimización lineal), 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.
El objetivo primordial de la Programación Lineal 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.
Los resultados y el proceso de optimización se convierten en una base cuantitativa
del proceso de toma de decisiones frente a las situaciones planteadas. Decisiones
en las que sería importante tener en cuenta diversos criterios adicionales, como:
• Los hechos
• La experiencia
• La intuición
• La autoridad
Es preciso considerar que la solución de un modelo matemático establece una
base para la toma de decisiones; sin embargo, puede considerarse como esencial
el análisis de los resultados obtenidos.
Aplicación
Asignación:
Una universidad está programando las clases para el próximo semestre
académico y requiere buscar la mejor asignación posible de profesores a los
distintos cursos que se deben dictar. Considere que existen 5 profesores: A, B, C,
D, E y 5 cursos (asignaturas): C1, C2, C3, C4, C5. Adicionalmente, los profesores
han manifestado sus preferencias por dictar los distintos cursos en una escala de
1 a 10, donde 10 es la máxima puntuación y 1 la mínima puntuación o preferencia.
Se asume que cada profesor es apto para dictar cualquier curso, independiente
4
del puntaje de su preferencia. La siguiente tabla resume las puntuaciones que
asigna cada profesor a cada curso:
Profesores
Cursos A B C D E
C1 5 8 5 9 7
C2 7 2 3 6 8
C3 9 10 8 9 8
C4 8 7 9 7 8
C5 6 9 9 10 5
Se ha establecido como criterio que cada profesor debe dictar sólo un curso y a la
vez que cada curso obviamente debe tener un profesor. En base a lo anterior se
desea encontrar la asignación de profesores que maximice el total de las
preferencias.
Variables de Decisión:
𝑖 = 𝐴 𝑗 = 𝐶1
Donde P (i, j) corresponde a una forma sintética de resumir los parámetros del
modelo, es decir, P (i, j) es la preferencia del profesor i (en una escala de 1 a 10)
por dictar el curso j. Por ejemplo, P (D, C3) = 9.
Costos fijos:
Usted ha sido designado por el gerente de su empresa para decidir cómo
distribuirá su tráfico telefónico en el próximo mes, seleccionando entre 3
proveedores posibles y asignando la cantidad de tráfico (minutos) que desee en
5
cada caso, es decir, puede repartir el tráfico en 1, 2 o 3 proveedores a su antojo y
su decisión sólo dependerá de los costos de cada alternativa.
El proveedor 1 cobra un cargo fijo mensual de US$50 y el costo por minuto a red
fija es de US$0,02 y a celular de US$0,12. El proveedor 2 tiene un cargo fijo
mensual de US$60, con un costo por minuto de US$0,015 y US$0,15 a red fija y
celular respectivamente. Finalmente, el proveedor 3 tiene un cargo fijo mensual de
US$40 con un costo por minuto a red fija de US$0,03 y a celular de US$0,14. Si
usted llama por uno de estos proveedores (aunque hable sólo un minuto) deberá
pagar el cargo fijo. Asuma que la cantidad de minutos que la empresa consume
mensualmente es de 30.000 para red fija y 18.000 para celular. Formule y
resuelva un modelo de Programación Entera que permita decidir cómo distribuir el
tráfico telefónico mensual de la forma más económica para la empresa.
Variables de Decisión:
• 𝑋𝑖 : Minutos a red fija que se llaman a través del proveedor 𝑖 con 𝑖 = 1,2,3
• 𝑌𝑖 : Minutos a celular que se llaman a través del proveedor 𝑖 con 𝑖 = 1,2,3
1, 𝑠𝑖 𝑠𝑒 𝑙𝑙𝑎𝑚𝑎 𝑐𝑜𝑛 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟
con 𝑖 = 1,2,3
Función Objetivo:
Restricciones:
𝑋1 + 𝑋2 + 𝑋3 = 30000
𝑌1 + 𝑌2 + 𝑌3 = 18000
𝑋𝑖 ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖
6
3.2. Definición y modelos de programación entera.
Un modelo de Programación Entera es aquel cuya solución óptima tiene sentido
solamente si una parte o todas las variables de decisión toman valores
restringidos a números enteros, permitiendo incorporar en el modelamiento
matemático algunos aspectos que quedan fuera del alcance de los modelos de
Programación Lineal.
En este sentido los algoritmos de resolución de los modelos de Programación
Entera difieren a los utilizados en los modelos de Programación Lineal,
destacándose entre ellos el Algoritmo de Ramificación y Acotamiento (o Branch &
Bound), Branch & Cut, Planos Cortantes, Relajación Lagrangeana, entre otros.
Los modelos de Programación Entera se pueden clasificar en 2 grandes áreas:
Programación Entera Mixta (PEM) y Programación Entera Pura (PEP).
Programación Entera Mixta (PEM)
A esta categoría pertenecen aquellos problemas de optimización que consideran
variables de decisión enteras o binarias pero no de forma exclusiva. De esta forma
un problema de PEM puede considerarse como un híbrido entre distintas
categorías de modelamiento, siendo un caso típico aquel que considera la mezcla
de variables enteras y variables continuas (estas últimas características de los
modelos de Programación Lineal). A modo de ejemplo los siguientes artículos que
hemos abordado en el Blog dan cuenta de modelos de Programación Entera
Mixta:
1. Incorporación de Costos Fijos
2. Problemas de Localización y Transporte
3. Problema de Generación Eléctrica
Programación Entera Pura (PEP)
En esta categoría encontramos aquellos modelos de Programación Entera que
consideran exclusivamente variables de decisión que adoptan valores enteros o
binarios. Un ejemplo de ello son las siguientes aplicaciones:
1. Problema de Asignación
2. Problema de Corte de Rollos
3. Selección de Invitados a una Boda
4. Programación de la Explotación Forestal
5. Problema de la Mochila
7
Notar que en los problemas anteriores (PEP) el conjunto de las soluciones
factibles (o dominio de soluciones factibles) es finito. Esto ocurrirá generalmente
con los problemas de Programación Entera (puros).
Adicionalmente resulta interesante hacer un contraste entre las propiedades de un
modelo de Programación Lineal (PL) y uno de Programación Entera (PE). A
continuación, se presentan 2 modelos de optimización que se diferencian
únicamente en que al segundo de ellos (PE) se le exige que las variables de
decisión adopten valores enteros.
8
Ejemplo 1
Un problema que afronta todos los días un electricista consiste en decidir qué
generadores conectar. El electricista en cuestión tiene tres generadores con las
características que se muestran en la tabla 3. Hay dos periodos en el día. En el
primero se necesitan 2900 mega watts. En el segundo. 3900 mega watts. Un
generador que se conecte para el primer periodo puede ser usado en el segundo
sin causar un nuevo gasto de conexión. Todos los generadores principales (como
lo son A, B y C de la figura) son apagados al término del día. Si se usa el
generador A también puede usarse el generador C, no se usa generador B si se
usa generador
A. Formule este problema como un PLEM. GENERADOR
A 3000 5 2100
B 2000 4 1800
C 1000 7 3000
Restricciones:
Ejemplo 2
El proveedor 1 cobra un cargo fijo mensual de US$50 y el costo por minuto a red
fija es de US$0,02 y a celular de US$0,12. El proveedor 2 tiene un cargo fijo
mensual de US$60, con un costo por minuto de US$0,015 y US$0,15 a red fija y
celular respectivamente. Finalmente, el proveedor 3 tiene un cargo fijo mensual de
US$40 con un costo por minuto a red fija de US$0,03 y a celular de US$0,14. Si
usted llama por uno de estos proveedores (aunque hable sólo un minuto) deberá
pagar el cargo fijo. Asuma que la cantidad de minutos que la empresa consume
mensualmente es de 30.000 para red fija y 18.000 para celular. Formule y
9
resuelva un modelo de Programación Entera que permita decidir cómo distribuir el
tráfico telefónico mensual de la forma más económica para la empresa.7
10
3.3. Método gráfico de programación entera (de corte) (algoritmo
de Gomory).
El Método Gráfico (resolución gráfica) constituye una excelente alternativa de
representación y resolución de modelos de Programación Lineal que tienen 2
variables de decisión. Para estos efectos existen herramientas computacionales
que facilitan la aplicación del método gráfico como los softwares TORA,
IORTutorial y GeoGebra, los cuales se pueden consultar en detalle en Cómo
Resolver Gráficamente un Modelo de Programación Lineal con TORA, Cómo
Resolver Gráficamente un Modelo de Programación Lineal con IORTutorial y
Cómo Resolver Gráficamente un modelo de Programación Lineal con GeoGebra,
respectivamente. En este contexto a continuación presentamos un compendio de
ejercicios de Programación Lineal resueltos a través del método gráfico.
Ejemplo 1
Una empresa vitivinícola ha adquirido recientemente un terreno de 110 hectáreas.
Debido a la calidad del sol y el excelente clima de la región, se puede vender toda
la producción de uvas Sauvignon Blanc y Chardonay. Se desea conocer cuánto
plantar de cada variedad en las 110 hectáreas, dado los costos, beneficios netos y
requerimientos de mano de obra según los datos que se muestran a continuación:
Función Objetivo:
Restricciones:
• 𝑋1 + 𝑋2 ≤ 110
11
• 100𝑋1 + 200𝑋2 ≤ 10.000
• 10𝑋1 + 30𝑋2 ≤ 1.200
• 𝑋1 , 𝑋2 ≥ 0
12
Ejemplo 2
Un taller tiene tres (3) tipos de máquinas A, B y C; puede fabricar dos (2)
productos 1 y 2, todos los productos tienen que ir a cada máquina y cada uno va
en el mismo orden: Primero a la máquina A, luego a la B y luego a la C. La
siguiente tabla muestra:
Función Objetivo:
Maximizar 𝑋1 + 1,5𝑋2
Restricciones:
• 2𝑋1 + 2𝑋2 ≤ 16
• 𝑋1 + 2𝑋2 ≤ 12
• 4𝑋1 + 2𝑋2 ≤ 28
• 𝑋1 , 𝑋2 ≥ 0
13
soluciones factibles y la curva de nivel de la función objetivo que pasa por el
vértice óptimo se muestra con una línea punteada de color rojo.
14
• Si la solución obtenida satisface las restricciones de integralidad, es la
solución óptima del problema original.
• En otro caso, se actualiza el valor de la cota inferior con el valor óptimo de
la función objetivo del problema relajado. B. Ramificación:
Empleando la variable xk que ha de ser entera y no lo es, se generan mediante
ramificación dos problemas. Si xk= a.b , donde a es la parte entera y b su parte
decimal, los problemas fruto de la ramificación son los siguientes:
15
• Si no existe candidato a minimizador, el problema es no factible.
por lo cual, para los intervalos de valores de los dos nuevos subproblemas se
tiene
17
(debido a la nueva restricción x1 ≤ 0 y la restricción de no negatividad sobre x1) y
x1 = 1 (debido a la nueva restricción x1 ≥ 1 y la anterior x1 ≤ 1).
El tercer cambio se hace en el paso de acotamiento. Antes, con un problema de
PE pura y coeficientes enteros en la función objetivo, el valor de Z de la solución
óptima del relajamiento de PL del subproblema se redondeaba hacia abajo para
obtener la cota, puesto que cualquier solución factible del problema debía tener
una Z entera. Ahora, con algunas variables sin la restricción de integridad, la cota
es el valor de Z sin redondear.
18
Pasos de cada iteración:
1. Ramificación: Entre los subproblemas restantes (no sondeados), se selecciona
el de creación más reciente. (Los empates se rompen con la cota más grande.)
Entre las variables restringidas a enteros, que tienen valores no enteros en la
solución óptima del relajamiento de PL del subproblema, se elige la primera en el
orden natural como la variable de ramificación. Si xj es esta variable y xj su valor
en esta solución, se debe ramificar desde el nodo del subproblema para crear dos
nuevos subproblemas luego de agregar las restricciones respectivas xj ≤ [xj] y xj ≥
[xj] + 1.
2. Acotamiento: Se obtiene la cota de cada subproblema si se aplica el método
símplex (o el método símplex dual si se reoptimiza) al relajamiento de PL y se
utiliza el valor de Z para la solución óptima resultante.
3. Sondeo: Se aplican las pruebas de sondeo que se presentan a continuación a
cada nuevo subproblema y se descartan aquellos que quedan sondeados por
cualquiera de las pruebas.
Prueba 1: Su cota ≤ Z*, donde Z* es el valor de Z en la solución de apoyo actual.
Prueba 2: Su relajamiento de PL no tiene soluciones factibles.
Prueba 3: La solución óptima para su relajamiento de PL tiene valores enteros en
todas sus variables restringidas a enteros. (Si esta solución es mejor que la de
apoyo, se convierte en la nueva solución de apoyo y se vuelve a aplicar la prueba
1 con la nueva Z* a todos los subproblemas no sondeados.)
Prueba de optimalidad: El proceso se detiene cuando no hay subproblemas
restantes; la solución de apoyo actual es óptima. De otra manera, se realiza otra
iteración.
Ejemplo de PEM.
Ahora se ilustrará este algoritmo mediante su aplicación al siguiente problema de
PEM:
19
Observe que el número de variables restringidas a enteros es I = 3, de manera
que x4 es la única variable continua.
Paso inicial. Después de establecer Z* = - ∞, se forma el relajamiento de PL de
este problema mediante la eliminación del conjunto de restricciones si xj es entero
para j = 1, 2, 3. Si se aplica el método símplex a este relajamiento de PL, la
solución óptima es
Como tiene soluciones factibles y esta solución óptima tiene valores no enteros
para sus variables restringidas a enteros, se sondea todo el problema y el
algoritmo continúa abajo con la primera iteración completa.
Iteración 1. En esta solución óptima del relajamiento de PL la primera variable
restringida a enteros que tiene un valor no entero es x1 = (5/ 4), con lo cual ésta
se convierte en la variable de ramificación. Cuando se ramifica desde el nodo de
todo el problema (soluciones factibles de todo) con esta variable se crean los
siguientes dos subproblemas:
Subproblema 1:
Problema original más la restricción adicional x1 ≤ 1.
Subproblema 2:
Problema original más la restricción adicional x1 ≥ 2.
De nuevo se elimina el conjunto de restricciones a valores enteros y se resuelven
los relajamientos de PL de estos dos subproblemas; los resultados son:
Subproblema 1:
20
Subproblema 2:
Relajación PL: Soluciones no factibles.
Este resultado del subproblema 2 significa que queda sondeado por la prueba 2.
Igual que en el caso del problema completo, el subproblema 1 no pasa las
pruebas de sondeo.
En la fi gura 11.11 se resumen todos estos resultados en el árbol de solución.
Subproblema 4:
21
Como ambas soluciones existen (soluciones factibles) y tienen valores no enteros
de variables restringidas a enteros, ninguno de los subproblemas se sondea. (La
prueba 1 no es operativa, puesto que todavía Z* = - ∞, hasta que se encuentre la
primera solución de apoyo.) Hasta este punto, el árbol de solución se presenta en
la figura 11.12.
Subproblema 6:
Problema original más las restricciones adicionales
22
Los resultados que se obtienen cuando se resuelven los relajamientos de PL son
los siguientes.
Subproblema 5:
Subproblema 6:
Relajamiento LP No tiene soluciones factibles.
El subproblema 6 se sondea de inmediato con la prueba 2. Sin embargo, observe
que el subproblema 5 también se puede sondear. La prueba 3 pasa porque la
solución óptima de este relajamiento de PL tiene valores enteros (x1 = 0, x2 = 0,
x3 = 2) para las tres variables restringidas a enteros. (No importa que x4 = 1/2,
puesto que x4 no está restringida a enteros.) Esta solución factible para el
problema original se convierte en la primera solución de apoyo (incumbente):
.
Con esta Z* se vuelve a realizar la prueba de sondeo 1 al otro subproblema
(subproblema 4) y pasa la prueba, puesto que su cota 12(1/6) ≤ Z*.
Esta iteración tuvo éxito en el sondeo de las tres maneras posibles. Lo que es
más, ya no hay subproblemas restantes; por tanto, la solución de apoyo actual es
óptima.
23
En el OR Tutor se presenta otro ejemplo de aplicación del algoritmo de PEM.
Además, en la sección Worked Examples en el sitio en internet de este libro se
presenta un ejemplo pequeño (sólo dos variables, pero restringidas a enteros) que
incluye presentaciones gráficas. En el IOR Tutorial se incluye también una rutina
interactiva para ejecutar este algoritmo.
1 2 3 4 1 2 3 4
24
La solución óptima es:
Z = 57 / 4
X1 = 5 / 4
X2 = 3 / 2
X3 = 7 / 4
X4 = 0
Como X1 debe ser entera; se convierte en la variable de ramificación
1 2 3 4 1 2 3 4 5
25
H2 0 0 0 0 0 1/5 1 1/5 0 -12/5 3/5
X1 0 1 0 0 0 0 0 0 0 1 1
X3 0 0 0 1 0 1/5 0 0 0 -1/5 9/5
Base Z X X X X H H H H H Solución
26
Parte 3
Maximizar
Z = 4X1 – 2X2 + 7X3 - X4,
Sujeta a
X1 + 5X3 ≤ 10
X1 + X2 - X3 ≤ 1
6X1 - 5X2 ≤ 0
-X1 + 2X3 – 2X4 ≤ 3
X1 ≤ 1
X2 ≤ 1
Xj ≥ 0 para j = 1, 2, 3, 4
Xj es entero, para j = 1, 2, 3.
Cuando lo resolvemos queda como:
1 0 0 0 1 7/5 0 13/30 0 0 1/6 85/6
X2 0 0 1 0 0 0 0 0 0 1 1
H2 0 0 0 0 0 1/5 1 -1/5 0 0 -2 1
X1 0 1 0 0 0 0 0 1/6 0 0 5/6 5/6
X3 0 0 0 1 0 1/5 0 -1/30 0 0 -1/6 11/6
H5 0 0 0 0 0 0 0 -1/6 0 1 -5/6 1/6
H4 0 0 0 0 2 -2/5 0 7/30 1 0 7/6 1/6
Base Z 𝑋1 𝑋2 𝑋3 𝑋4 𝐻1 𝐻2 𝐻3 𝐻4 𝐻5 𝐻6 Solución
27
Parte 4
Maximizar:
Z = 4X – 2X2 + 7X3 - X4,
Sujeta a
X1 + 5X3 ≤ 10
X1 + X2 - X3 ≤ 1
6X1 - 5X2 ≤ 0
-X1 + 2X3 – 2X4 ≤ 3
X1 ≤ 1
X2 ≥ 2
Xj ≥ 0 para j = 1, 2, 3, 4 Xj es entero, para j = 1, 2, 3.
Cuando lo resolvemos queda como:
1 0 0 0 1 0 0 0 25/6 73/6
X1
0 1 0 0 0 1/6 5/6 0 0 0 5/6 5/6
X2
H3 0 0 0 0 0 1/5 1 -1/5 0 0 -2 2
H4 0 0 0 0 0 -1 -5 1 0 0 -10 5
H5 0 0 0 0 2 -1/6 7/6 0 1 0 7/6 1/6
X3 0 0 0 0 0 -1/6 -5/6 0 0 1 -5/6 1/6
0 0 0 1 0 1/6 -1/6 0 0 0 -1/6 11/6
Base Z 𝑋1 𝑋2 𝑋3 𝑋4 𝐻1 𝐻2 𝐻3 𝐻4 𝐻5 𝐻6 Solución
28
De ambos subproblemas (caso empate) seleccionamos el de cota más (+) grande,
en este caso sería el subproblema 3.
En la siguiente ramificación como X1 = 5/6; entonces X1 se convierte en la
variable de ramificación (variable de ramificación recurrente) X1 ≤ 0 X1 ≥ 1
Parte 5
Maximizar
Z = 4X – 2X2 + 7X3 - X4, Sujeta a X1 + 5X3 ≤ 10
X1 + X2 - X3 ≤ 1
6X1 - 5X2 ≤ 0
-X1 + 2X3 – 2X4 ≤ 3
X1 ≤ 1
X2 ≤ 1
X1 ≤ 0
Xj ≥ 0 para j = 1, 2, 3, 4
Xj es entero, para j = 1, 2, 3.
Cuando lo resolvemos queda como:
1 0 2 0 0 6/5 0 0 1/2 0 0 33/10 27/2
X4 0 0 0 0 1 1/5 0 0 -1/2 0 0 -7/10 1/2
H2 0 0 1 0 0 1/5 1 0 0 0 0 -6/5 3
H3 0 0 -5 0 0 0 0 1 0 0 0 -6 0
X3 0 0 0 1 0 1/5 0 0 0 0 0 -1/5 2
H5 0 0 0 0 0 0 0 0 0 1 0 -1 1
H6 0 0 1 0 0 0 0 0 0 0 0 1 1
X1 1 0 0 0 0 0 0 0 0 0 1 0
Base Z 𝑋1 𝑋2 𝑋3 𝑋4 𝐻1 𝐻2 𝐻3 𝐻4 𝐻5 𝐻6 𝐻7 Solución
29
X3 = 2
X4 = 1 / 2
Parte 6
Maximizar:
Z = 4X – 2X2 + 7X3 - X4, Sujeta a X1 + 5X3 ≤ 10
X1 + X2 - X3 ≤ 1
6X1 - 5X2 ≤ 0
-X1 + 2X3 – 2X4 ≤ 3
X1 ≤ 1
X2 ≤ 1
X1 ≥ 1
Xj ≥ 0 para j = 1, 2, 3, 4
Xj es entero, para j = 1, 2, 3.
Cuando resolvemos obtenemos que ‘’No existe solución posible para el
problema’’
Resultado del ejercicio
Al terminar de resolver el problema, con esto nos pudimos dar cuenta y podemos
observar que en el subproblema 5, con las restricciones que tenemos y de igual
manera con X1, X2 y X3 sean enteros, podemos decir que el problema de
programación de enteros mixta va quedando como resulto lo siguiente:
La solución óptima es:
Z = 27 / 2
X1 = 0
X2 = 0
X3 = 2
X4 = 1 / 2
30
Conclusión
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, por lo que deben de resolverlos en forma
rápida y expedita. Estos problemas pueden ser complejos, debido al número de
variables y parámetros que se conozcan y por el nivel de certidumbre de
información que se maneja. Para resolverlos, el ser humano crea modelos y aplica
uno de los tres procesos de solución que existen: procesos algorítmicos, procesos
heurísticos o la simulación.
Estos procesos son utilizados por los ingenieros, que son reconocidos como
solucionadores de problemas, para lo cual manejan diferentes herramientas,
dentro de las cuales está la investigación de operaciones. Esta herramienta nace
en la segunda guerra mundial para analizar las operaciones militares, cuyas
técnicas se aplicaron posteriormente para solucionar problemas del sector
productivo, dando tan buenos resultados que se extendió su uso.
La decisión final la debe tomar el ser humano, que tiene conocimiento que no se
pueden cuantificar exactamente, y que puede ajustar los resultados del análisis
para llegar a una decisión conveniente.
31
Bibliografía
32