LICEO

UNIVERSIDAD PEDRO DE GANTE

“POR UNA CULTURA HUMANISTA Y TRASCENDENTE”
LICENCIATURA EN CONTADURÍA PÚBLICA
SEGUNDO CUATRIMESTRE

NOMBRE Y MATRÍCULA:
IRENE GUADALUPE PLIEGO MONRREAL
UCF180062

TEMA:
“ACTIVIDAD DE APRENDIZAJE I-MAPA CONCEPTUAL”
CAPÍTULO 1

CATEDRÁTICO:
LIC. HUGO I. ALONSO VÁZQUEZ
“INVESTIGACIÓN DE OPERACIONES”

13 de junio de 2019

ÍNDICE
OBJETIVOS...................................................................................................................3

INTRODUCCIÓN...........................................................................................................4

I. MAPA CONCEPTUAL.........................................................................................5

II. Definición de Investigación de Operaciones........................................................6

III. Modelos de Investigación de Operaciones........................................................11

IV. Solución del modelo de IO.................................................................................15

V. Modelos de colas y simulación..........................................................................15

VI. El arte del modelado..........................................................................................21

VII. Más que sólo matemáticas................................................................................25

VIII. Fases de un estudio de IO.................................................................................27

CONCLUSIONES........................................................................................................32

BIBLIOGRAFIA:...........................................................................................................33

OBJETIVOS

2
 Definición de Investigación de Operaciones
 Modelos de Investigación de Operaciones
 Solución del modelo de IO
 Modelos de colas y simulación
 El arte del modelado
 Más que sólo matemáticas
 Fases de un estudio de IO

3
 INTRODUCCIÓN.

La presente actividad de aprendizaje tiene como objetivo la investigación del significado y

utilidad de “La Investigación de Operaciones”, y a su vez, comprender cómo ésta proporciona
modelos y técnicas con los cuales se procesan datos y se generan resultados que brindan una
aproximación para la solución de un problema práctico, cómo, cuánto producir y dónde
hacerlo.

La Investigación de Operaciones, comprende un conjunto de métodos matemáticos,

sistemáticos que bajo una metodología concreta modelan un sistema productivo y generan
resultados numéricos en apoyo a la toma de decisiones.

La Investigación de Operaciones es hoy en día y desde hace algunas décadas una herramienta
de máxima efectividad que nos ayuda en diversas áreas, pero especialmente en la
Administración de organizaciones.

Atentamente.
Irene G. Pliego Monrreal

4
 I. MAPA CONCEPTUAL

INVESTIGACIÓN DE
OPERACIONES
Modelos de Solución del El arte del Modelo de Fases de Más que
Investigación Modelo IO modelado Colas y estudio de IO solo
de Simulación matemática
Operaciones s
Definición del
Modelo Problema
Modelo Modelo
Icónico Analógico Simbólico o
Matemático
Construcción
del Modelo
Cuantitativos y
Cualitativos
Solución del
Estándares y Modelo
hechos a la
medida Validación del
Modelo
Probabilísticos y
determinísticos
Implementación
Descriptivos y de de la solución
Optimización

Estáticos y
Dinámicos

De simulación y
no simulación

5
 II. Definición de Investigación de Operaciones.
La investigación de operaciones es una disciplina científica que los gerentes y administradores
utilizan para tomar decisiones informadas para sus operaciones, con base en la aplicación de
modelos y resultados numéricos.
Por tal motivo la investigación operativa, como también se le conoce, se basa en gran medida
en las matemáticas, las estadísticas y la programación.
Los gerentes de operaciones usan la investigación operativa ampliamente para programar y
ensamblar sus funciones de producción. Es utilizada principalmente en las industrias de
manufactura, combustibles, energía y telecomunicaciones.
La investigación de operaciones abarca un conjunto de procedimientos y métodos
cuantitativos basados en modelos matemáticos y estadísticos, simulación, experimentos y
métodos de optimización que se aplican para solución de problemas de producción y negocios
complejos.
El conjunto de herramientas la investigación operativa permite crear un modelo matemático
que simula procesos y sistemas del mundo real con el fin de encontrar “soluciones óptimas”.
Las soluciones óptimas de la investigación de operaciones son aquellas que minimizan los
riesgos, optimizan el tiempo, minimizan los costos y maximizan la producción, los ingresos y
la utilidad.
Para sintetizar, la investigación operativa es un enfoque científico empleado en la resolución
de problemas para la administración y representa una ayuda para los ejecutivos en la toma de
decisiones proporcionando información cuantitativa necesaria basada en métodos matemáticos
y estadísticos rigurosos.

Históricamente la investigación de operaciones se originó con motivos de estrategia militar

durante la Segunda Guerra Mundial.
Época durante la cual las fuerzas armadas de los Estados Unidos y Gran Bretaña buscaron la
ayuda de científicos para resolver problemas bajo enfoque estratégico y tácticas de guerra un
tanto complejas, como hacer que los campos de minas no representaran una amenaza o
aumentar la eficiencia de las baterías anti aéreas y submarinas.
La enciclopedia Británica reseña que los primeros pasos en investigación de operaciones se
dieron en 1937 en Gran Bretaña como iniciativa del físico británico Albert Percival Rowe,

6
quien desempeña como superintendente de la Estación de Investigación Bawdsey, fundada un
año antes para contrarrestar la avanzada Alemana.
De modo que los primeros trabajos de investigación operativa se encaminaron a optimizar la
locación de aeronaves alemanas con apoyo de ondas de radio o radares.
En 1938 AP Rowe acuñó el término “Operation Research” (OR) o investigación de
operaciones en inglés para referirse al análisis y procesamiento de aspectos operativos a
diferencia de aspectos técnicos del funcionamiento de radares.
Hacia 1942 el físico norteamericano Philip McCord Morse en colaboración con investigadores
del Instituto Tecnológico de Massachusetts (MIT), desarrollaron un método para maximizar la
probabilidad de encontrar un submarino y encontraron tácticas sobre el número óptimo de
buques antisubmarinos y aviones para contrarrestar el ataque de fuerzas alemanas.
La participación de un equipo multidisciplinario del MIT en los trabajos de PM Morse
permitió la implementación del primer curso académico de técnicas no militares de
investigación operativa(IO) en el MIT en 1948.
La llegada de la computación en la década de los 50, facilitó enormemente la realización de
los complicados cómputos que demandaban los modelos de IO y su aplicación trascendió a
otros ámbitos.
En 1952 se introduce un plan de estudios conducente a títulos de maestría y doctorado en
investigación de operaciones en el Instituto de Tecnología de Case hoy conocido como Case
Western Reserve University o Universidad de Case en Cleveland.
Desde entonces se da paso a la amplia aplicación de la investigación operativa a nivel
gubernamental y empresarial.
Hacia 1959 se crea la Federación Internacional de Sociedades de Investigación de Operaciones
o IFORS por sus siglas en inglés.
Por su enfoque de aplicación de las ciencias a problemas tácticos y operativos la IO será
considerada como una disciplina siempre joven y en constante innovación.

Herramientas de la investigación de operaciones

Las herramientas de la investigación de operaciones se pueden clasificar en dos grupos
atendiendo al tipo de variables y datos que los modelos consideran. Estas pueden ser
determinísticas o probabilísticas.

7
 o La investigación de operaciones determinística formula y resuelve modelos cuyas
variables asumen datos certeros, es decir, aquellos que una vez resuelto el problema
determinará valores precisos. Entre ellas: la programación lineal, programación
dinámica, los modelos de transporte, las redes y las aplicaciones de ruta crítica (CPM).
o La investigación de operaciones probabilística involucra modelos cuyas variables y
valores no se conocen con certeza, por lo cual, aplica herramientas de la estadística
inferencial para generar aproximaciones de procesos o sistemas.

Algunas aplicaciones de investigación de operaciones probabilística son: Teoría de colas,

cadenas de Markov, árbol de decisión, teoría de juegos y simulación.
Las principales herramientas de la investigación operativa en:
 La teoría de los juegos
 Meta-heurística
 Métodos de simulación Monte Carlo
 Los modelos de control de inventarios
 Procesos de decisión de Markov
 Modelos de colas
 Programación lineal y los modelos de transporte
 Programación no lineal
 Los modelos de redes
 Programación dinámica
 El análisis de entrada-salida
 Árboles de decisión o el modelado de elecciones
 La economización.
 Otras técnicas y algoritmos matemáticos.

Optimización de sistemas de distribución

La IO permite conocer ¿Cuál es el número óptimo de almacenes, vehículos y rutas para
minimizar los costos de distribución o maximizar las velocidades de entrega?

8
¿Dónde deberían ubicarse los almacenes? ¿Cuáles son las rutas de entrega más eficientes? ¿El
tamaño óptimo que deben tener los camiones? y hasta cómo deben embalarse los productos
para un envío eficiente.

Mejoras a la programación de la producción

¿Cómo deben fijarse las secuencias de los centros de trabajo para minimizar el tiempo de las
distintas órdenes de producción o maximizar el flujo de trabajo?
¿Qué tipo de programación generará los mayores ingresos, minimizará los costos o reducirá
los tiempos de entrega?
Ante una contingencia ¿cómo deben reordenarse las órdenes para minimizar las demoras?
¿Cómo eliminar las colas o los cuellos de botella en los centros operativos?

Optimización de la producción
¿Qué distribución de la planta o Layout, qué secuencia de máquinas, procesos y flujos de
trabajo minimizarán defectos, maximizarán la calidad y resultados?

Cambios favorables de la gestión de un minorista

¿Qué locaciones ofrecen el mayor potencial para nuevos puntos de retail? ¿Qué densidad de
tienda maximiza las ganancias? ¿Qué ubicaciones minoristas específicas producirán la mayor
rentabilidad sobre la inversión?
¿Qué distribución de puntos minoristas minimiza costos de la cadena de suministro y
distribución?

Distribución óptima de la mercancía en una tienda

¿Cuál es la combinación óptima de mercadería en una tienda para maximizar las ganancias?
¿Cómo debería variar esta mezcla de productos a lo largo del ciclo económico? ¿Cómo ajustar
los elementos de marketing para sacar el mayor provecho de la combinación mercancías?
¿La optimización de una categoría afectará negativamente a otras? ¿Cómo pueden optimizarse
las categorías de productos sin perjudicar las ventas generales de la tienda?

9
Mejoras a la cadena de suministro
¿Cuál es la forma idónea de administrar el flujo de materias primas, componentes y
suministros de los diversos proveedores al fabricante? ¿Qué cambios o consideraciones deben
efectuarse en condiciones de demanda variable e incierta?

Optimización de redes
¿Cuál es el diseño óptimo de una red de telecomunicaciones?
¿Cómo debería operar un sistema de válvulas y ductos para maximizar el fluido?
¿Cómo deberían diseñarse los aeropuertos para minimizar el tiempo entre llegadas de
aeronaves?
¿Cómo se deben organizar y programar los semáforos para maximizar el tráfico?

Modelado de sistemas de transporte

¿Cómo deberían diseñarse la red de transporte público masivo para minimizar la inversión en
infraestructura?
¿Qué estructura de ruta minimiza el número de autobuses necesarios para alcanzar un
determinado umbral de servicio o minimiza los tiempos de espera?
¿Cómo alinear el flujo de la flota a las condiciones cambiantes de horario, estado del tiempo o
tráfico buscando minimizar costos y demoras?

Optimización de la estrategia
La investigación de operaciones permite modelar incluso cuestionamientos de la estrategia de
negocios como qué mercados, tecnologías, sistemas, procesos, productos y servicios lograrán
el mayor éxito a largo plazo para una corporación, unidad de negocios o marca determinada.

Importancia de la investigación de operaciones en la toma de decisiones

El alcance de la investigación de operaciones es muy amplio. Abarca cualquier esfuerzo por
aplicar metódicamente las técnicas modernas de matemáticas, estadística e informática a
problemas gubernamentales, comerciales e industriales que surgen en la gestión de materiales,
dinero, máquinas y seres humanos.

10
Debemos tener claro que la investigación de operaciones nunca reemplazará a un gerente
como tomador de decisiones. El modelo y sus resultados son solo un apoyo a la decisión no un
curso de acción definitivo.
La investigación operativa aporta un modelo, una aproximación al proceso o sistema
estudiando, corresponde a los analistas y gerentes mejorar el modelo, ajustarlo a la realidad y
generar datos o respuestas cada vez más precisas.
La responsabilidad última y completa para analizar todos los factores y tomar decisiones será
del director o gerente de operaciones o del área donde la investigación operativa se aplique.
En un sentido amplio, la investigación operativa se ocupa de aspectos generales de la
producción como cadena de suministro, controles de inventario, ventas, programación de la
producción, flujo general de bienes y servicios de las plantas a los consumidores.
Sin embargo, variables como problemas cotidianos, imprevistos, conflictos, relaciones
interpersonales, motivación y el rendimiento de un trabajador o las interrelaciones en un área
en particular con clientes y proveedores, escapan hasta ahora de los modelos de optimización,
es por ello que los modelos difícilmente reemplazarán al gerente en la toma de decisiones.

III. Modelos de Investigación de Operaciones

MODELO
Es una representación o abstracción de una situación u objeto real, que muestra las relaciones
(directas o indirectas) y las interrelaciones de la acción y la reacción en términos de causa y
efecto. Tipos de modelos: Icónico, Analógicos, Simbólicos o matemáticos

11
MODELO ICONICO
Es una representación física de algunos objetos, ya sea en forma idealizada (bosquejos) o a
escala distinta.
Ejemplo: •Planos y mapas (dos dimensiones)
•Maquetas y prototipos (4 dimensiones)

MODELO ANALÓGICO
Puede representar situaciones dinámicas o cíclicas, son más usuales y pueden representar las
características y propiedades del acontecimiento que se estudia.
Ejemplo:
•Curvas de demanda.
•Curvas de distribución de frecuencia en las estadísticas y diagramas de flujo.

MODELO SIMBOLICO O MATEMATICO

Son representaciones de la realidad en forma de cifras, símbolos matemáticos y funciones,
para representar variables de decisión y relaciones que nos permiten describir y analizar el
comportamiento del sistema.

Tipos de Modelos Matemáticos

1. Cuantitativos y cualitativos
2. Estándares y hechos a la medida
3. Probabilísticas y determinísticos
4. Descriptivos y de optimización
5. Estáticos y dinámicos
6. De simulación y no simulación

Modelo Cualitativo y Cuantitativo

La mayor parte de los problemas de un negocio u organización comienzan con un análisis y
definición de un modelo cualitativo y se avanza gradualmente hasta obtener un modelo
cuantitativo. La investigación de operaciones se ocupa de la sistematización de los modelos
cualitativos y de su desarrollo hasta el punto en que pueden cuantificarse.

12
Cuando es posible construir un modelo matemático insertando símbolos para representar
relaciones entre constantes y variables estamos ante un modelo cuantitativo. Una ecuación es
un modelo de este tipo. Las formulas, las matrices, los diagramas o series de valores que se
obtienen mediante procesos matemáticos.

Modelo Estándar
Se llaman modelos estándar a los que solo hay que insertar o sustituir diferentes valores con el
fin de obtener un valor a una respuesta de un sistema y son aplicables al mismo tipo de
problemas en negocios afines.
Ejemplo:
•El cálculo de costos o gastos.
•El cálculo de las ganancias, etc.

Modelos Hechos a la Medida

Se llaman modelos hechos a la medida cuando se crean modelos para resolver un caso de
problema en específico que se ajusta únicamente a este problema.

Modelo Probabilístico y Determinístico

Los modelos que se basan en las probabilidades y estadísticas y que se ocupan de
incertidumbres futuras se llaman probabilísticas y los modelos que no tienen consideraciones
probabilísticas se llaman determinísticos el PERT, los inventarios, la programación lineal,
enfocan su atención en aquellas circunstancias que son críticas y en los que las cantidades son
determinadas y exactas.

Modelo Descriptivo y de Optimización

Cuando un modelo constituye sencillamente una descripción matemática de una condición real
del sistema se llama descriptivo. Algunos de estos modelos se emplean para mostrar
geográficamente una situación y ayudan al observador a evaluar resultados por secciones una
sobre otra.
Puede obtenerse una solución, sin embargo, en este modelo solo se intenta describir la
situación y no escoger una alternativa. Cuando con la aplicación del modelo se llega a una

13
solución óptima de acuerdo con los criterios de entrada, se trata de un modelo de
optimización.

Modelo Estático y Dinámico

Los modelos estáticos se ocupan de determinar una respuesta para una serie especial de
condiciones fijas que probablemente no cambiaran significativamente a corto plazo, es decir,
la solución está basada en una condición estática.
Un modelo dinámico por el contrario este sujeto al factor tiempo que desempeña un papel
esencial en la secuencia de las decisiones, independientemente de cuales hayan sido las
decisiones anteriores. A la programación dinámica pertenecen estos modelos.

Modelos Simulados y No Simulados

Con el uso de la computadora es fácil preparar un modelo simulado paso por paso donde se
puede reproducir el funcionamiento de sistemas o problemas de gran escala. En un modelo de
simulación los datos de entrada pueden ser reales o generados en forma aleatoria.
Los modelos que no se prestan para usar datos empíricos o simulados en forma aleatoria son
modelos no simulados como los de optimización o los creados a la medida.

14
 IV. Solución del modelo de IO
En la investigación de operaciones no se cuenta con una técnica general única para resolver
todos los modelos que puedan surgir en la práctica. En su lugar, el tipo y complejidad del
modelo matemático determina la naturaleza del método de solución.
La técnica de IO más importante es la programación lineal. Está diseñada para modelos con
funciones objetivo y restricciones lineales. Otras técnicas incluyen la programación entera (en
la cual las variables asumen valores enteros), la programación dinámica (en la cual el modelo
original puede descomponerse en subproblemas más pequeños y manejables), la programación
de red (en la cual el problema puede modelarse como una red), y la programación no lineal (en
la cual las funciones del modelo son no lineales).
Éstas son sólo algunas de las muchas herramientas de IO con que se cuenta. Una peculiaridad
de la mayoría de las técnicas de IO es que por lo general las soluciones no se obtienen en
formas cerradas (como si fueran fórmulas), sino que más bien se determinan mediante
algoritmos. Un algoritmo proporciona reglas fijas de cálculo que se aplican en forma repetitiva
al problema, y cada repetición (llamada iteración) acerca la solución a lo óptimo.
Como los cálculos asociados con cada iteración suelen ser tediosos y voluminosos, es
recomendable que estos algoritmos se ejecuten con la computadora. Algunos modelos
matemáticos pueden ser tan complejos que es imposible resolverlos con cualquiera de los
algoritmos de optimización disponibles. En esos casos quizá sea necesario abandonar la
búsqueda de la solución óptima y simplemente buscar una buena solución aplicando la
heurística, y la metaheurística, o bien reglas empíricas.

V. Modelos de colas y simulación

Las colas y la simulación estudian las líneas de espera. No son técnicas de optimización; más
bien determinan medidas de desempeño de las líneas de espera, como tiempo de espera
promedio en la cola, tiempo de espera promedio para el servicio, y el uso de las instalaciones
de servicio.
Los modelos de colas utilizan modelos probabilísticos y estocásticos para analizar líneas de
espera, y la simulación estima las medidas de desempeño al imitar el comportamiento del
sistema real. De cierto modo, la simulación tiene ventajas para observar un sistema real, ya

15
que la diferencia principal entre las colas y la simulación es que los modelos de colas son
puramente matemáticos y, en consecuencia, están sujetos a hipótesis específicas que limitan el
alcance de su aplicación.
La simulación, por otra parte, es flexible y puede utilizarse para analizar prácticamente
cualquier situación de colas. El uso de la simulación no está exento de inconvenientes. El
proceso de desarrollar modelos de simulación es costoso, tanto en tiempo como en recursos;
además la ejecución de los modelos de simulación suele ser lenta, aun con la computadora más
rápida.

El origen de la Teoría de Colas está en el esfuerzo de Agner Kraup Erlang (Dinamarca, 1878 -
1929) en 1909 para analizar la congestión de tráfico telefónico con el objetivo de cumplir la
demanda incierta de servicios en el sistema telefónico de Copenhague. Sus investigaciones
acabaron en una nueva teoría denominada teoría de colas o de líneas de espera. Esta teoría es
ahora una herramienta de valor en negocios debido a que un gran número de problemas
pueden caracterizarse, como problemas de congestión llegada-salida.

Modelo de formación de colas.

En los problemas de formación de cola, a menudo se habla de clientes, tales como personas
que esperan la desocupación de líneas telefónicas, la espera de máquinas para ser reparadas y
los aviones que esperan aterrizar y estaciones de servicios, tales como mesas en un restaurante,
operarios en un taller de reparación, pistas en un aeropuerto, etc. Los problemas de formación
de colas a menudo contienen una velocidad variable de llegada de clientes que requieren cierto
tipo de servicio, y una velocidad variable de prestación del servicio en la estación de servicio.
 
Cuando se habla de líneas de espera, se refieren a las creadas por clientes o por las estaciones
de servicio. Los clientes pueden esperar en cola simplemente porque los medios existentes son
inadecuados para satisfacer la demanda de servicio; en este caso, la cola tiende a ser explosiva,
es decir, a ser cada vez más larga a medida que transcurre el tiempo. Las estaciones de
servicio pueden estar esperando por que los medios existentes son excesivos en relación con la
demanda de los clientes; en este caso, las estaciones de servicio podrían permanecer ociosas la
mayor parte del tiempo. Los clientes puede que esperen temporalmente, aunque las

16
instalaciones de servicio sean adecuadas, porque los clientes llegados anteriormente están
siendo atendidos. Las estaciones de servicio pueden encontrar temporal cuando, aunque las
instalaciones sean adecuadas a largo plazo, haya una escasez ocasional de demanda debido a
un hecho temporal. Estos dos últimos casos tipifican una situación equilibrada que tiende
constantemente hacia el equilibrio, o una situación estable.

En la teoría de la formación de colas, generalmente se llama sistema a un grupo de unidades

físicas, integradas de tal modo que pueden operar al unísono con una serie de operaciones
organizadas. La teoría de la formación de colas busca una solución al problema de la espera
prediciendo primero el comportamiento del sistema. Pero una solución al problema de la
espera consiste en no solo en minimizar el tiempo que los clientes pasan en el sistema, sino
también en minimizar los costos totales de aquellos que solicitan el servicio y de quienes lo
prestan.
La teoría de colas incluye el estudio matemático de las colas o líneas de espera y provee un
gran número de modelos matemáticos para describirlas.

Se debe lograr un balance económico entre el costo del servicio y el costo asociado a la espera
por ese servicio.
La teoría de colas en sí no resuelve este problema, sólo proporciona información para la toma
de decisiones.
Objetivos de la Teoría de Colas
Los objetivos de la teoría de colas consisten en:

17
  Identificar el nivel óptimo de capacidad del sistema que minimiza el coste global del
mismo.
 Evaluar el impacto que las posibles alternativas de modificación de la capacidad del
sistema tendrían en el coste total del mismo.
 Establecer un balance equilibrado (“óptimo”) entre las consideraciones cuantitativas de
costes y las cualitativas de servicio.
 Hay que prestar atención al tiempo de permanencia en el sistema o en la cola: la
“paciencia” de los clientes depende del tipo de servicio específico considerado y eso
puede hacer que un cliente “abandone” el sistema.

Elementos existentes en un modelo de colas:

Fuente de entrada o población potencial: Es un conjunto de individuos (no necesariamente
seres vivos) que pueden llegar a solicitar el servicio en cuestión. Podemos considerarla finita o
infinita. Aunque el caso de infinitud no es realista, sí permite (por extraño que parezca)
resolver de forma más sencilla muchas situaciones en las que, en realidad, la población es
finita pero muy grande. Dicha suposición de infinitud no resulta restrictiva cuando, aun siendo
finita la población potencial, su número de elementos es tan grande que el número de
individuos que ya están solicitando el citado servicio prácticamente no afecta a la frecuencia
con la que la población potencial genera nuevas peticiones de servicio.

Cliente: Es todo individuo de la población potencial que solicita servicio. Suponiendo que los
tiempos de llegada de clientes consecutivos son 0<t1<t2<..., será importante conocer el patrón
de probabilidad según el cual la fuente de entrada genera clientes. Lo más habitual es tomar
como referencia los tiempos entre las llegadas de dos clientes consecutivos: T{k} = tk - tk-1,
fijando su distribución de probabilidad.
Normalmente, cuando la población potencial es infinita se supone que la distribución de
probabilidad de los Tk (que será la llamada distribución de los tiempos entre llegadas) no
depende del número de clientes que estén en espera de completar su servicio, mientras que en
el caso de que la fuente de entrada sea finita, la distribución de los Tk variará según el número
de clientes en proceso de ser atendidos.

18
Capacidad de la cola: Es el máximo número de clientes que pueden estar haciendo cola (antes
de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita. Lo más sencillo, a
efectos de simplicidad en los cálculos, es suponerla infinita. Aunque es obvio que en la mayor
parte de los casos reales la capacidad de la cola es finita, no es una gran restricción el
suponerla infinita si es extremadamente improbable que no puedan entrar clientes a la cola por
haberse llegado a ese número límite en la misma.

Disciplina de la cola: Es el modo en el que los clientes son seleccionados para ser servidos.
Las disciplinas más habituales son:
1. La disciplina FIFO (first in first out), también llamada FCFS (first come first served):
según la cual se atiende primero al cliente que antes haya llegado.
2. La disciplina LIFO (last in first out), también conocida como LCFS (last come first
served) o pila: que consiste en atender primero al cliente que ha llegado el último.
3. La RSS (random selection of service), o SIRO (service in random order), que
selecciona a los clientes de forma aleatoria.

Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los clientes que lo

solicitan. Para determinar totalmente el mecanismo de servicio debemos conocer el número de
servidores de dicho mecanismo (si dicho número fuese aleatorio, la distribución de
probabilidad del mismo) y la distribución de probabilidad del tiempo que le lleva a cada
servidor dar un servicio. En caso de que los servidores tengan distinta destreza para dar el
servicio, se debe especificar la distribución del tiempo de servicio para cada uno.

19
La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es decir los clientes
que ya han solicitado el servicio pero que aún no han pasado al mecanismo de servicio.

El sistema de la cola: es el conjunto formado por la cola y el mecanismo de servicio, junto

con la disciplina de la cola, que es lo que nos indica el criterio de qué cliente de la cola elegir
para pasar al mecanismo de servicio. Estos elementos pueden verse más claramente en la
siguiente figura 2:

Figura 2

Un modelo de sistema de colas debe especificar la distribución de probabilidad de los tiempos

de servicio para cada servidor.
La distribución más usada para los tiempos de servicio es la exponencial, aunque es común
encontrar la distribución degenerada o determinística (tiempos de servicio constantes) o la
distribución Erlang (Gamma).

20
 VI. El arte del modelado
La figura 1 ilustra los niveles de abstracción que caracterizan el desarrollo de un modelo de
IO. Abstraemos de la situación real el mundo real supuesto al concentrarnos en las variables
dominantes que controlan el comportamiento del sistema real. El modelo expresa de una
manera razonable las funciones matemáticas que representan el comportamiento del mundo
real supuesto. Para ilustrar los niveles de abstracción en el modelado, considere la Tyko
Manufacturing Company, donde se producen varios recipientes de plástico. Cuando se emite
una orden de producción al departamento de producción, las materias primas necesarias se
toman de las existencias de la compañía o se adquieren con proveedores externos.

Figura 1

Una vez que se completa un lote de producción, el departamento de ventas se encarga de

distribuir el producto a los clientes. Una pregunta lógica al analizar la situación de Tyko es la
determinación del tamaño de un lote de producción. ¿Cómo puede un modelo representar esta
situación? Al examinar todo el sistema se ve que algunas variables pueden incidir
directamente en el nivel de producción, incluida la siguiente lista (parcial) clasificada por
departamentos.
1. Departamento de producción: Capacidad de producción expresada en función de las horas
de mano de obra y máquina disponibles, inventario en proceso y normas de control de calidad.
2. Departamento de materiales: Existencias disponibles de materias primas, programas de
entrega de proveedores externos y limitaciones de almacenamiento.
3. Departamento de ventas: Pronóstico de ventas, capacidad de las instalaciones de
distribución, eficacia de las campañas publicitarias y el efecto de la competencia.

Cada una de estas variables afecta el nivel de producción en Tyko. Sin embargo, es realmente
difícil establecer relaciones funcionales explícitas entre ellas y el nivel de producción. Un

21
primer nivel de abstracción requiere definir los límites del mundo real supuesto.
Reflexionando un poco, podemos aproximar el sistema real por medio de dos parámetros
dominantes:
1. Tasa de producción.
2. Tasa de consumo.
La determinación de la tasa de producción implica variables como la capacidad de producción,
las normas de control de calidad y la disponibilidad de las materias primas. Los datos de
ventas determinan la tasa de consumo. En esencia, la simplificación a partir del mundo real al
mundo real supuesto se logra “concentrando” varios parámetros del mundo real en un único
parámetro del mundo real supuesto. Ahora es más fácil abstraer un modelo desde el mundo
real supuesto. Con las tasas de producción y consumo se pueden establecer medidas de exceso
o escasez de inventario. Entonces el modelo abstraído puede construirse para equilibrar los
costos conflictivos de exceso y escasez de inventario; es decir, para minimizar el costo total
del inventario.

Algunos principios para tener éxito en el modelado:

Existen múltiples tipos de modelos (y por tanto de procesos de modelado) se pueden extraer
algunos principios generales útiles, en cualquier caso:
• Los modelos han de ser simples, su análisis debe ser complejo
• Los modelos se deben elaborar paso a paso
• Es siempre útil usar metáforas, analogías y similitudes para hacer el modelado
• Los datos disponibles no deben conformar el modelo
• Modelar es explorar

Los modelos han de ser simples, su análisis debe ser complejo. Al modelar se puede tener la
tendencia de trasladar toda la complejidad de la realidad al modelo. Esto, aunque suele agradar
al que “mira” el modelo, no es útil para quien lo debe utilizar por dos motivos: un modelo de
este tipo es difícil de construir y también es difícil de utilizar.
Antes de comenzar el proceso de modelado se debería responder a la pregunta: “¿Para qué
quiero y necesito el modelo?” de un modo concreto. De este modo se puede garantizar que
para hacer un “simulador de coches”, no se pierde tiempo modelando el funcionamiento del

22
turbo cuando lo que se pretende es hacer una herramienta para comprender el funcionamiento
de los tapones de tráfico.
Ir paso a paso. Es habitual observar que se pretende construir un modelo considerando todos
los aspectos simultáneamente desde el principio. Los pintores primero hacen bocetos. La
ciencia avanza paso a paso. Los modelos, si pretenden estar dentro de ella, también deben ser
elaborados paso a paso.
Un corolario de este principio exige “Dividir para Vencer”. Empezar generando pequeños
modelos de una parte reducida y determinada del proceso para aumentar su ámbito (scope)
gradualmente.
De este principio se deriva que la estrategia recomendable es evitar tener todos los aspectos en
cuenta desde el principio. El proceso de modelado puede comenzar aislando una pequeña parte
y realizando un modelo detallado, que permita su reproducción en otras secciones. También se
puede realizar al principio un modelo muy general, e ir mejorando etapa a etapa la exactitud
del mismo.
Usar al máximo metáforas, analogías y similitudes. Un buen modelador, más que quedar
“restringido” por la realidad tal y como la percibe a primera vista, la aborda e incluso la
modela desde puntos de vista alternativos que le pueden dar una imagen con otro nivel de
detalle, o incluso le facilita herramientas que ya han sido utilizadas en casos similares.
El abandonar de modo explícito la realidad puede simplificar el problema o puede permitir
representarlo de un modo más sencillo. Cualquier plano de metro de cualquier ciudad no
representa cada línea y cada estación tal cual es sino que une mediante líneas, los puntos, que
representan estaciones, que en casi ningún caso pueden superponerse sobre un plano detallado
y proporcional de la ciudad. La representación exacta de la realidad incrementaría la dificultad
en la lectura de dichos planos.
Sirva para ilustrarlo un ejemplo sencillo que propone/descubre el Profesor Companys de la
Universidad Politécnica de Cataluña: El problema de secuenciación de unidades en una línea
multimodelo (planteado en Monden, 1983) persigue la regularidad en la aparición de opciones
(Heijunka). En su versión PRV (regularidad en la aparición de productos) se puede abordar
heurísticamente mediante técnicas de reparto de escaños como la denominada Ley D’Hont.
Una vez dado ese paso, (el de la comprobación de similitudes) el modelador dispondrá de
algoritmos y resultados que fueron desarrollados a finales del siglo XVIII.

23
Los datos disponibles no deben conformar el modelo. Un fallo común a la hora de plantear un
modelo es retrasar el comienzo del modelado hasta que se disponga de los datos. El
planteamiento debe ser el contrario. El modelo debe requerir datos, no los datos conformar el
modelo.
El analista debe desarrollar las líneas básicas sobre el modelo y una vez hecho esto, debiera
definirse la estructura de datos necesarios. Si hubiera tiempo lo lógico sería que a la luz de
estos resultados preliminares se redefiniera el modelo y por tanto los datos necesarios, y así
sucesivamente.
Se pueden distinguir tres conjuntos básicos de datos necesarios para crear y validar un modelo:
1. Datos que aportan información preliminar y contextual. Permitirán generar el modelo.
2. Datos que se recogen para definir el modelo. Estos datos nos permitirán parametrizar
el modelo.
3. Datos que permiten evaluar la bondad del modelo.

Hay que destacar la importancia de que los datos del segundo y el tercer tipo sean distintos,
porque en caso contrario el modelo realmente no se habrá validado.
Una última recomendación respecto a los datos es evitar aquellos que ya están recogidos.
Sirva el siguiente clásico ejemplo como ilustración:
“Para desarrollar un modelo para la programación de producción puede ser necesario
desarrollar submodelos de demandas de los clientes para los productos fabricados. La mayor
parte de las empresas guardan esta información en sistemas.
El modo rápido de recoger la información de la demanda es acudir a los sistemas informáticos
que se usan para introducir órdenes y enviar facturas. Pero no es conveniente tomar ese
camino tan evidente. Los sistemas sólo recogen lo que se vende, no lo que el cliente quiere.
Las ventas muchas veces simplemente son un reflejo indirecto del stock disponible, pues se
obliga al cliente a comprar lo que existe.”
Principio subyacente: Modelar es Explorar. Dado que un modelo es el resultado de
representar objetivamente parte de la realidad para tomar decisiones, implementar o entender,
se podría pensar que el proceso de modelar es un proceso lineal.

24
Sin embargo, la experiencia muestra que en el proceso de modelar hay muchas vueltas atrás,
cambios de dirección o cambios de perspectiva, incluso es bastante habitual que haya cambios
de herramientas.
Modelar es explorar la realidad, y en especial la realidad desconocida. Por ello siempre aplica
el siguiente corolario de la ley de Murphy: “Si se consigue que el modelo funcione a la
primera, es que se ha errado el problema”.

VII. Más que sólo matemáticas

Debido a la naturaleza matemática de los modelos de IO, tendemos a pensar que un estudio de
investigación de operaciones siempre está enraizado en el análisis matemático. Aunque el
modelado matemático es fundamental en la IO, primero se deben explorar métodos más
sencillos. En algunos casos se puede obtener una solución de “sentido común” mediante
observaciones sencillas. En realidad, como invariablemente el elemento humano afecta la
mayoría de los problemas de decisión, un estudio de la psicología de las personas puede ser
clave para resolver el problema. A continuación se presentan tres ejemplos que respaldan este
argumento.

1. Al atender quejas sobre la lentitud de los elevadores en un gran edificio de oficinas, el

equipo de IO percibió la situación en principio como un problema de línea de espera que
podría requerir el uso del análisis matemático o la simulación de colas. Después de estudiar el
comportamiento de las personas que se quejaron, el psicólogo del equipo sugirió que se
instalaran espejos de cuerpo completo a la entrada de los elevadores. Como por milagro, las
quejas desaparecieron, ya que las personas se mantenían ocupadas observándose a sí mismas y
a las demás mientras esperaban el elevador.
2. En un estudio de los mostradores de documentación en un gran aeropuerto inglés, un equipo
de consultores estadounidenses y canadienses utilizó la teoría de colas para investigar y
analizar la situación. Una parte de la solución recomendaba utilizar letreros bien colocados
que urgieran a los pasajeros cuya salida era en 20 minutos a que avanzaran al inicio de la cola
y solicitaran el servicio de inmediato. La solución no tuvo éxito porque los pasajeros, en su
mayoría británicos, estaban “condicionados a un comportamiento muy estricto en las colas” y,
por consiguiente, se rehusaban a adelantarse a otros que esperaban en la cola.

25
3. En una fundidora de acero en India, primero se producen lingotes a partir del mineral de
hierro, los cuales se utilizan después en la fabricación de varillas y vigas de acero. El gerente
notó una gran demora entre la producción de los lingotes y su transferencia a la siguiente fase
de fabricación (donde se elaboraban los productos finales). Idealmente, para reducir el costo
de recalentamiento la fabricación debía comenzar en cuanto los lingotes salieran del horno. Al
principio el problema se percibió como una situación de equilibrio de la línea de producción,
el cual podría resolverse reduciendo la producción de lingotes o incrementando la capacidad
del proceso de fabricación. El equipo de IO utilizó tablas sencillas para registrar la producción
de los hornos durante los tres turnos del día. Se descubrió que aun cuando el tercer turno
comenzaba a las 11:00 P.M., la mayoría de los lingotes se producían entre las 2:00 y las 7:00
A.M. Una investigación más a fondo reveló que los operadores del turno preferían descansar
más al principio del turno y luego compensar durante la madrugada la producción perdida. El
problema se resolvió “nivelando” la producción de los lingotes a lo largo del turno.

De estos ejemplos se pueden sacar tres conclusiones:

1. Antes de aventurarse en un complicado modelado matemático, el equipo de IO debe
explorar la posibilidad de utilizar ideas “agresivas” para resolver la situación. La solución del
problema de los elevadores con la instalación de espejos se basó en la psicología humana más
que en el modelado matemático. También es más sencilla y menos costosa que cualquier
recomendación que un modelo matemático pudiera haber producido. Quizás esta sea la razón
de que los equipos de investigación de operaciones suelan recurrir a los conocimientos de
personas “externas” que se desempeñan en campos no matemáticos (el psicológico en el caso
del problema de los elevadores).Este punto fue aceptado y ejecutado por el primer equipo de
IO en Inglaterra durante la Segunda Guerra Mundial.
2. Las soluciones se originan en las personas y no en la tecnología. Cualquier solución que no
tome en cuenta el comportamiento humano probablemente falle. Aun cuando la solución
matemática del problema del aeropuerto británico pudo haber sido razonable, el hecho de que
el equipo consultor no se percatara de las diferencias culturales entre los Estados Unidos e
Inglaterra (los estadounidenses y los canadienses tienden a ser menos formales) dio por
resultado una recomendación que no se podía poner en práctica.

26
3. Un estudio de IO no debe iniciar con el prejuicio de utilizar una herramienta matemática
específica antes de que se justifique su uso. Por ejemplo, como la programación lineal es una
técnica exitosa, existe la tendencia de utilizarla para modelar “cualquier” situación. Esa forma
de proceder suele conducir a un modelo matemático del todo alejado de la situación real. Por
lo tanto, es imperativo que se analicen primero los datos disponibles aplicando las técnicas
más simples siempre que sea posible (por ejemplo, promedios, gráficas e histogramas), para
determinar el origen del problema. Una vez que se define el problema, puede decidirse cuál
será la herramienta más apropiada para la solución. En el problema de la fundidora de acero,
todo lo que se necesitaba para aclarar la situación de la producción de lingotes era la
elaboración de tablas sencillas.

VIII. Fases de un estudio de IO

Los estudios de investigación de operaciones se basan en la labor de equipo, donde los
analistas de IO y el cliente trabajan codo con codo. Los conocimientos de modelado de los
analistas de IO se deben complementar con la experiencia y cooperación del cliente para quien
realizan el estudio. Como herramienta de toma de decisiones, la IO es tanto una ciencia como
un arte. Es una ciencia por las técnicas matemáticas que incorpora, y un arte porque el éxito de
las fases que conducen a la solución del modelo matemático depende en gran medida de la
creatividad y experiencia del equipo de IO.
Willemain (1994) manifiesta que “una práctica [de IO] eficaz requiere más que competencia
analítica. También requiere, entre otros atributos, juicio técnico (es decir, cuándo y cómo
utilizar una técnica dada), así como habilidades de comunicación y supervivencia
organizacional”. Es difícil prescribir cursos de acción específicos (semejantes a los que indica
la teoría precisa de la mayoría de los modelos matemáticos) para estos factores intangibles.
Sin embargo, podemos ofrecer lineamientos generales para la implementación de la IO en la
práctica. Para implementar la IO en la práctica, las fases principales son:
1. Definición del problema.
2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.

27
 5. Implementación de la solución.

La fase 3, que se ocupa de la solución del modelo, es la mejor definida y por lo general la más
fácil de implementar en un estudio de IO, porque maneja principalmente modelos matemáticos
precisos. La implementación de las fases restantes es más un arte que una teoría.
La definición del problema implica definir el alcance del problema investigado. Esta función
debe ser realizada por todo el equipo de IO. El objetivo es identificar tres elementos
principales del problema de decisión: (1) descripción de las alternativas de decisión; (2)
determinación del objetivo del estudio, y (3) especificación de las limitaciones bajo las cuales
funciona el sistema modelado.
La construcción del modelo implica un intento de transformar la definición del problema en
relaciones matemáticas. Si el modelo resultante se ajusta a uno de los modelos matemáticos
estándar, como la programación lineal, se suele obtener una solución utilizando los algoritmos
disponibles. Por otra parte, si las relaciones matemáticas son demasiado complejas como para
permitir la determinación de una solución analítica, el equipo de IO puede optar por
simplificar el modelo y utilizar un método heurístico, o bien considerar la simulación, si es lo
apropiado. En algunos casos, una simulación matemática puede combinarse con modelos
heurísticos para resolver el problema de decisión, como lo demuestran los análisis de casos del
capítulo 26, que se encuentra en el sitio web.
La solución del modelo es por mucho la más sencilla de todas las fases de IO porque implica
el uso de algoritmos de optimización bien definidos .Un aspecto importante de la fase de
solución del modelo es el análisis de sensibilidad. Tiene que ver con la obtención de
información adicional sobre el comportamiento de la solución óptima cuando el modelo
experimenta algunos cambios de parámetros. El análisis de sensibilidad es particularmente
necesario cuando no se pueden estimar con precisión los parámetros del modelo. En estos
casos es importante estudiar el comportamiento de la solución óptima en el entorno de los
parámetros estimados.
La validez del modelo comprueba si el modelo propuesto hace en realidad lo que dice que
hace, es decir, ¿predice adecuadamente el comportamiento del sistema que se estudia? Al
principio, el equipo de IO debe estar convencido de que el resultado del modelo no contenga
“sorpresas”. En otras palabras, ¿tiene sentido la solución? ¿Los resultados sin intuitivamente

28
aceptables? Del lado formal, un método común de comprobar la validez de un modelo es
comparar su resultado con resultados históricos. El modelo es válido si, en condiciones de
datos de entrada iguales, reproduce de forma razonable el desempeño pasado. Sin embargo, no
suele haber seguridad de que el desempeño futuro continuará copiando el comportamiento
pasado. Además, como el modelo se basa en el examen cuidadoso de datos pasados, la
comparación propuesta casi siempre es favorable. Si el modelo propuesto representara un
sistema nuevo (inexistente), no habría datos históricos disponibles. En esos casos podemos
utilizar la simulación como una herramienta independiente para comprobar el resultado del
modelo matemático. La implementación de la solución de un modelo validado implica la
transformación de los resultados en instrucciones de operación comprensibles que se emitirán
a las personas que administrarán el sistema recomendado. La responsabilidad de esta tarea
recae principalmente en el equipo de IO.

Construir un modelo de programación matemática es un proceso largo, que se realiza paso a

paso. No existe una metodología que permita construir a la primera el modelo que corresponda
idóneamente al problema que se intenta resolver. Sin embargo, todos los modeladores expertos
asumen que el proceso de construcción de un modelo de PM es un camino de continuas idas y

29
vueltas. Lo normal y corriente es que una vez terminada una fase haya que volver a una etapa
anterior y de este modo volver a comenzar.

Tres son los objetivos básicos que se deben pretender al construir modelos de programación
matemática:
• Que sea un modelo fácil de entender
• Que sea un modelo cuyos errores sean fáciles de detectar
• Que sea un modelo de fácil resolución

Facilidad para entender el modelo. A menudo es posible construir un modelo compacto y

realista donde diferentes variables aparezcan de modo implícito y no de modo explícito. Sin
embargo, construir este tipo de modelos conduce habitualmente a soluciones difíciles de
evaluar y más aún de interpretar. Incluso, aunque los modelos menos compactos requieren un
tiempo más largo de resolución, este tiempo compensa el que posteriormente habría que
invertir en la interpretación de la solución.
Es útil también utilizar acrónimos para designar las variables y las restricciones, de tal modo
que los resultados se puedan, posteriormente, interpretar más fácilmente.
Existe también unas normas de estilo que, no siendo obligatorias permiten entender mejor el
modelo, si todo el mundo las utiliza igual.
En general se admite que:
• las letras minúsculas comenzando por la g se suelen referir a índices
• las letras x,y,z,v son variables mientras que a,b,c,d,m,n,p,q suelen utilizarse como
parámetros
• las letras griegas α,β,µ,π,δ,λ suelen hacer referencia a variables binarias
• Las letras mayúsculas para los datos (y conjuntos) y las letras en minúscula para las
variables (aunque a veces, se hace al revés).
Aunque no existe ninguna norma escrita, el uso de este estilo simplifica el trabajo que supone
entender un modelo.
En cualquier caso, es imprescindible que no existan homónimos ni sinónimos, esto es,
elementos con el mismo nombre y significado distinto, o elementos con distinto nombre y el

30
mismo significado. Y, por otra parte, es muy importante usar una escritura estructurada simple
para facilitar el entendimiento del modelo.
Facilidad para detectar errores en el modelo. Este objetivo está claramente unido al anterior.
Los errores podrían ser de dos tipos: de tecleo (números erróneos o defectos ortográficos) y de
formulación.
Para evitar los problemas de tecleo es útil utilizar programas de generación de matrices o
lenguajes de modelado. Muchos de estos programas tienen procedimientos que detectan
errores además de otras funciones relacionadas.
Facilidad para encontrar la solución. Los modelos de programación lineal utilizan una gran
cantidad de tiempo de computación (y de memoria), y por tanto sería interesante construir
modelos que sean resueltos de modo rápido. Este objetivo se contrapone en la práctica al
primero de los enunciados. En algunos casos es posible reducir el tamaño del modelo
mediante procedimientos instalados en el propio editor de modelos. En otros es un ejercicio
que debe realizar el modelador.

31
CONCLUSIONES.

A través de la presente investigación se ha podido entender que el objetivo de la Investigación

de Operaciones, es como su nombre lo indica, “hacer investigación sobre las operaciones”, de
manera que se aplica a problemas que se refieren a la conducción y coordinación de
operaciones (o actividades) dentro de una organización.
Y es que, desde los pequeños negocios, hasta las corporaciones multinacionales enfrentan
decisiones empresariales de qué productos y servicios ofrecer, cómo ofrecerlos, dónde, y a qué
precio. Muchos empresarios, gerentes y directores de manufactura toman decisiones con base
en su propio criterio, un conjunto de habilidades conceptuales y técnicas que se traducen en un
sexto sentido, muchos de ellos buscan apoyo en los métodos cuantitativos, herramientas como
la investigación de operaciones o investigación operativa, de esta manera desde hace mucho
tiempo se comenzó a intentar aplicar diversos métodos que de una u otra forma permitieran a
las organizaciones tomar la decisión más acertada, o la que más conviniera a sus intereses.
Se espera que las decisiones alcanzadas mediante el uso de un modelo de investigación
operativa sean significativamente mejores en comparación a aquellas decisiones que se
podrían tomar haciendo uso de la simple intuición o experiencia del tomador de decisiones.
Además, se ha podido comprender que el enfoque de la Investigación de Operaciones es el
modelaje. Un modelo es una herramienta analítica que nos sirve para lograr una visión bien
estructurada de la realidad. Así, el propósito del modelo es proporcionar un medio para
analizar el comportamiento de las componentes de un sistema con el fin de optimizar su
desempeño (identificar el mejor curso de acción posible). En la actualidad 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.

Atentamente.
Irene G. Pliego Monrreal

32
BIBLIOGRAFIA:

o Investigación de Operaciones. Hamdy A. Taha. University of Arkansas, Fayetteville.

Traducción Rodolfo Navarro Salas Ingeniero Mecánico Universidad Nacional
Autónoma de México. Pearson-Novena Edición.
o "Investigación de Operaciones". Hamdy A. Taha. Quinta edición. Alfaomega.
o Universidad Autónoma del Estado de Hidalgo, Escuela Superior Huejutla, I.S.C.
Guadalupe Hernández Coca, julio-diciembre 2011.
o Modelado y Resolución de Problemas de Organización Industrial mediante
Programación Matemática Lineal. José Pedro García Sabater, Julien Maheut. Grupo de
Investigación ROGLE. Departamento de Organización de Empresas. Curso 2015 /
2016
o Manual de Publicaciones de la American Psychological Asociation (APA). Tercera
Edición, traducida de la sexta en inglés.

33