Ochoa SNA-SD PDF

ESCUELA DE POSGRADO
PROGRAMA ACADÉMICO DE DOCTORADO EN

EDUCACIÓN
Programa “Invessoft” en el análisis de investigación operativa en

estudiantes de ingeniería industrial de una universidad pública, Lima
2021
TESIS PARA OBTENER EL GRADO ACADÉMICO DE:

Doctora en Educación
AUTORA:
Ochoa Sotomayor, Nancy Alejandra (ORCID: 0000-0001-6190-3404)
ASESORA:
Dra. Napaico Arteaga, Miriam Elizabeth (ORCID: 0000-0002 - 5577- 4682)
LÍNEA DE INVESTIGACIÓN:
Innovaciones pedagógicas
LIMA – PERÚ
2021
Dedicatoria
Al Divino por el logro obtenido; a mi
Madre, por ser la persona que más
me ama; a mis hijos por ser el
motor de mi vida.
ii
Agradecimiento
A las personas que hicieron
posible la realización de esta meta
personal por brindarme las
facilidades de realizar mi
investigación; y en especial a las
personas que con su soporte y
aliento permitieron la culminación
de la producción de investigación.
iii
Índice de contenidos
Dedicatoria ii
Agradecimiento iii
Índice de contenidos iv
Índice de tablas v
Índice de figuras vi
Resumen vii
Abstract viii
Resumo ix
I. INTRODUCCIÓN 1
II. MARCO TEÓRICO 7
III. METODOLOGÍA 28
3.1 Tipo y diseño de investigación 29
3.2 Variables y operacionalización 30
3.3 Población, muestra, muestreo y unidad de análisis 30
3.4 Técnicas e instrumentos de recolección de datos 31
3.5 Procedimientos 33
3.6 Método de análisis de datos 34
3.7 Aspectos éticos 34
IV. RESULTADOS 35
4.1 Resultados descriptivos 36
4.2 Resultados inferenciales 42
V. DISCUSIÓN 49
VI. CONCLUSIONES 53
VII. RECOMENDACIONES 55
VIII. PROPUESTA 57
8.1 Descripción 58
8.2. Ventajas y desventajas 58
8.3 Justificación y explicación de la propuesta 58
8.4 Cronograma de actividades 59
8.5 Evaluación y control 59
REFERENCIAS 61
ANEXOS 70
iv
Índice de tablas
Tabla 1 Distribución de la población por grado y sexo 28

Tabla 2 Distribución de la muestra por grado y sexo 28
Tabla 3 Confiabilidad 29
Tabla 4 Juicio de expertos 30
Tabla 5 Comparación de niveles de la dimensión programación
lineal, grupos control y experimental, según pre test y post test 33
Tabla 6 Comparación de niveles de la dimensión cola de espera,
grupos control y experimental, según pre test y post test 34
Tabla 7 Comparación de niveles de la dimensión administración de
proyectos, grupos control y experimental, según pre test y
post test 35
Tabla 8 Comparación de niveles de la dimensión pronósticos, grupos
control y experimental, según pre test y post test 36
Tabla 9 Comparación de niveles de la variable investigación operativa,
grupos control y experimental, según pre test y post test 37
Tabla 10 Prueba de normalidad 38
Tabla 11 Prueba U de Mann-Whitney – Hipótesis general 39
Tabla 12 Prueba U de Mann-Whitney – Hipótesis específica 1 40
v
Índice de figuras
Figura 1 Pantalla de inicio de POM-QM 11

Figura 2 Ventana desplegable de la opción POM-QM 12
Figura 3 Ventana emergente de opciones de Excel, Solver 13
Figura 4 Programa Lingo 14
Figura 5 Pantalla principal del módulo: Programación lineal y
programación lineal entera 15
Figura 6 Niveles de la dimensión programación lineal, grupos control y
experimental, según pre test y post test 33
Figura 7 Niveles de la dimensión cola de espera, grupos control y
Figura 8 Niveles de la dimensión administración de proyectos, grupos
control y experimental, según pre test y post test 35
Figura 9 Niveles de la dimensión pronósticos, grupos control y
Figura 10 Niveles de la variable investigación operativa, grupos control y
vi
Resumen
El estudio realizado tuvo como objetivo: determinar la influencia del programa

Invessoft que consta de tres softwares POM-QM, solver y lingo, aplicados de manera
secuencial para un mejor análisis de investigación operativa que genere
conocimientos significativos en estudiantes de Ingeniería Industrial de una
universidad pública de la ciudad de Lima; debido a que una gran cantidad de
estudiantes presentan dificultades en el estudio de programación lineal, colas de
espera, administración de proyectos y pronósticos, con un enfoque cuantitativo, de
tipo aplicada; se enmarcó dentro del diseño preexperimental, para el que contó con
una muestra de 80 estudiantes (40 en el grupo control y 40 en el experimental); la
validez el contenido del instrumento se realizó a través del juicio de expertos y la
confiabilidad con KR-20= 0.842. La autora implementó un proyecto educativo de doce
sesiones de aprendizaje, que fue aplicado al grupo experimental y validado por
expertos. Se concluye que el programa Invessoft influye significativamente en el
análisis de investigación operativa en estudiantes de Ingeniería industrial de una
Universidad Pública; habiéndose obtenido un valor U de Mann-Whitney=68,500 y p=
0,000.
Palabras clave: Programa, Invessoft, investigación, operativa, programación,

lineal.
vii
Abstract
The objective of the study was: To determine the influence of the Invessoft program
that consists of three softwares POM-QM, solver and lingo, applied sequentially for
a better analysis of operational research that generates significant knowledge in
students of Industrial Engineering of a public university in the city of Lima; Due to
the fact that a large number of students present difficulties in the study of linear
programming, queuing, project management and forecasting, with a quantitative
approach, applied type, it was framed within the pre-experimental design, for which
it had a sample of 80 students (40 in the control group and 40 in the experimental
group); the content validity of the instrument was made through the judgment of
experts and the reliability with KR-20 = 0. 842. The author implemented an
educational project of twelve learning sessions, which was applied to the
experimental group and validated by experts. It is concluded that the Invessoft
program significantly influences the analysis of operations research in industrial
engineering students of a public university; having obtained a Mann-Whitney U-
value=68.500 and p= 0.000.
Keywords: Invessoft, program, operations, research, linear, programming.
viii
Resumo
O objectivo do estudo era o seguinte: Determinar a influência do programa Invessoft

que consiste em três softwares POM-QM, solver e lingote, aplicados de forma
sequencial para uma melhor análise da investigação operativa que gera
conhecimentos significativos nos estudantes de Engenharia Industrial de uma
universidade pública da cidade de Lima; Devido ao facto de um grande número de
estudantes ter dificuldades no estudo da programação linear, fila de espera, gestão
de projectos e previsão, com uma abordagem quantitativa, tipo aplicado, foi
enquadrado dentro do desenho pré-experimental, para o qual tinha uma amostra
de 80 estudantes (40 no grupo de controlo e 40 no grupo experimental); a validade
do conteúdo do instrumento foi levada a cabo através de julgamento especializado
e fiabilidade com KR-20 = 0. 842. O autor implementou um projecto educativo de
doze sessões de aprendizagem, que foi aplicado ao grupo experimental e validado
por peritos. Conclui-se que o programa Invessoft tem uma influência significativa
na análise da investigação operacional em estudantes de engenharia industrial de
uma universidade pública; tendo obtido um valor U de Mann-Whitney=68.500 e p=
0.000.
Palavras-chave: software, Invessoft, pesquisa, operacional, programação, linear.
ix
I. INTRODUCCIÓN
La investigación operativa es una disciplina científica, rama de las matemáticas,
que tiene un enfoque cuantitativo y consiste en construir modelos matemáticos que
representan problemas reales y determinar una solución óptima (en tiempo,
recursos, costos, beneficios, entre otros) en confrontación con decisiones tomadas
de manera instintiva o sin el uso de instrumentos creados para ello. Estos modelos
se resuelven mediante algoritmos matemáticos que sirven para contribuir en la
toma de decisiones (Alzate, 2018).
La investigación operativa es empleada en diferentes áreas tales como el
transporte, salud, manufactura, servicios públicos marketing, gestión empresarial,
entre otros. El sistema utilizado inicia con la técnica de contemplación, recolección
de datos y la formulación del problema, luego se procede a construir y validar el
modelo matemático, con lo cual se busca separar el fondo del problema verdadero,
para finalmente aportar respuestas y deducciones que contribuyan en la toma de
decisiones para resolver el problema inicial (Bedoya, 2020).
A nivel internacional, la investigación de operaciones es personalizada por
la IFORS (Federación Internacional de Sociedades de Investigación Operacional);
la cual fue fundada en 1955 y está compuesta por 50 entidades distribuidas por
todo el mundo. Esta organización tiene como objetivos principales el de impulsar el
buen desenvolvimiento de la investigación operativa a nivel global y, el de unir a las
entidades que conforman la federación.
La entidad de la IFORS ubicada en América Latina es la Asociación Latino-
Ibero-Americana de Investigación Operativa (ALIO), la cual fue fundada en 1982 en
Rio de Janeiro (Brasil). Esta entidad tiene como finalidad impulsar el intercambio
de saberes, técnicas y metodologías entre los entes vinculados con la investigación
operativa de América Latina.
En la enseñanza de la investigación operativa; la programación lineal, cola
de espera, administración de proyectos y pronósticos, son fundamentales por la
necesidad de poder resolver problemas de mayor dificultad, dado que se tiene que
representar la realidad y existen gran cantidad de variables involucradas que hacen
difícil encontrar la solución por métodos manuales lo cual toma mucho tiempo; por
lo expuesto, es necesario la utilización de herramientas digitales para lograr una
rápida comprensión y resolución de los problemas (Nares & Tovato, 2012). Con el
2
avance de las Tecnologías de Información y Conocimiento (TIC) se han superado
estas limitaciones (Rodríguez ét al., 2018).
Las TIC han tenido un gran impacto en los distintos medios de la vida
humana y, especialmente en el contexto educativo, ha evolucionado en lo que se
conoce como Tecnologías del Aprendizaje y del Conocimiento (TAC) que busca
lograr el aprendizaje significativo del alumno con el aporte de tecnologías
informáticas (Ureta & Rossetti, 2020). Se han creado diferentes programas para la
investigación operativa que se pueden utilizar como soporte para una mejor
enseñanza-aprendizaje de cursos de optimización y toma de decisiones (M. Falco
et al., 2018).
El curso de investigación operativa, es obligatorio dentro de la formación del
ingeniero industrial, tiene como objetivo la optimización del uso de recursos en la
vida real para la toma de decisiones, mediante modelamiento matemático y
haciendo uso intensivo de algoritmos. Con el avance de la informática los software
se convierten en una herramienta didáctica para estudiantes y docentes
potenciando el proceso de enseñanza-aprendizaje, sin embargo también es
necesaria una base teórica adecuada en lo que se refiere a la investigación
operativa (Sánchez & Rosete, 2020).
Actualmente, el empleo de recursos informáticos en la enseñanza-
aprendizaje se hace imprescindible ya que se ha implementado el desarrollo de
clases virtuales en todos los niveles educativos desde que la Organización Mundial
de la Salud, declaró al COVID-19 como pandemia en marzo de 2020 (Bravo &
Quezada, 2021). Ante esta emergencia sanitaria, el sistema educativo ha dado un
profundo giro en el desarrollo de clases presenciales hacia la modalidad en línea lo
cual ha constituido un gran desafío tanto para alumnos y profesores (Figallo et al.,
2020).
En el proceso de enseñanza del curso investigación de operaciones, resulta
en muchos casos muy laborioso para los estudiantes generando que no logren
comprender el beneficio que tiene el curso para su formación académica siendo
necesario aplicar estrategias de enseñanza-aprendizaje que sean fáciles, flexibles,
orientado al usuario e interesante en la medida que los alumnos cooperen de
manera proactiva en la construcción y análisis de modelos matemáticos de
escenarios del mundo real, y que viene a ser un aplicativo de optimización
3
empresarial el cual es un potente instrumento de ayuda y análisis para la toma de
decisiones (Caicedo et al., 2020).
La meta de la enseñanza, debe ser equiparar la orientación entre las
necesidades propias de los temas de acuerdo al sentido de aceptación asignado
por el estudiante. De acuerdo a Mastache & Davatec (2019), se puntualizan la
comprensión del conocimiento a nivel interno y externo. En el nivel interno, debido
al vínculo que posee con los demás conocimientos que se agrupan en la disciplina
y, en el nivel externo, debido al uso que se realice con dichos conocimientos con
sus respectivas limitaciones. Es decir, los estudiantes deben poder comprender a
lo que estudian y hacen, y para ello, en el nivel externo es el maestro quien debe
crear ambientes apropiadas para que ese sentido se prospere, por ello se recurre
a la utilización de nuevas técnicas didácticas que relacione el desarrollo con el
proceder que tendrán como profesionales, o el contexto de aprendizaje con el
medio que ellos conocen como estudiantes.
En la Facultad de Ingeniería Industrial de una universidad pública el curso
de investigación de operaciones, es una asignatura obligatoria porque permite
optimizar problemas para tomar las decisiones correctas; sin embargo, en el curso
se ha estado desarrollando de manera tradicional a través de la resolución de
problemas mediante cálculos en forma manual. La resolución manual de los
problemas de programación lineal, colas de espera, administración de proyectos,
pronósticos incrementa su complejidad a medida que aumentan las variables de allí
que se hace necesario los recursos informáticos (Yamira et al., 2018).
Los docentes, en su mayoría, desconocen las nuevas competencias digitales
que permiten la optimización en la enseñanza, lo que provoca que los estudiantes
no adquieran de manera eficaz y eficiente estas competencias imprescindibles para
una formación integral de conocimientos científicos y destrezas analíticas en el
perfil del futuro profesional de Ingeniería Industrial (Fernández et al., 2019).
El trabajo de investigación considera como objetivo determinar la influencia
del programa de optimización Invessoft en el análisis de investigación operativa en
estudiantes de ingeniería industrial de una universidad pública. El programa
Invessoft comprende un conjunto de software: Solver (Fylstra et al., 1998) PQM-
OM (Herrera & Zuloeta, 2018), Lingo (Men & Yin, 2018) para solucionar problemas
de programación lineal con un enfoque formativo.
4
Ante la realidad descrita, se realizó la formulación el problema, donde el
problema general fue: ¿Cuál es la influencia del programa Invessoft en el análisis
de Investigación Operativa en estudiantes de Ingeniería Industrial de una
universidad pública, Lima 2021?; asimismo, los problemas específicos:
▪ ¿Cuál es la influencia del programa Invessoft en el análisis de programación
lineal en estudiantes de Ingeniería Industrial de una universidad pública,
Lima 2021?;
▪ ¿Cuál es la influencia del programa Invessoft en el análisis de colas de
espera en estudiantes de Ingeniería Industrial de una universidad pública,
Lima 2021?;
▪ ¿Cuál es la influencia del programa Invessoft en el análisis de administración
de proyectos en estudiantes de Ingeniería Industrial de una universidad
pública, Lima 2021?;
▪ ¿Cuál es la influencia del programa Invessoft en el análisis de pronósticos
en estudiantes de Ingeniería Industrial de una universidad pública, Lima
2021?.
Con respecto a la justificación de la investigación, en el aspecto teórico, se
justifica porque permitió demostrar la afectividad de la aplicación de un software
educativo, que se fundamentó en los planteamientos teóricos de Betancourt (2004)
y Gutiérrez (2919) con respecto a la investigación operativa, así como de Aquino
(2019), Carro (2014), Churchman, Ackoff y Arnoff (1973) con respeto al análisis de
la investigación operativa, respondiendo a la realidad problemática.
También, se justifica en el aspecto práctico porque la aplicación del
programa Invessoft, en la búsqueda que los estudiantes alcancen los nuevos
conocimientos de una manera práctica y didáctica; que les permita reorientar su
aprendizaje de una manera eficaz y eficiente frente a cualquier dificultad o problema
operativo en la solución de los ejercicios a través de un novedoso programa para
el aprendizaje de la investigación operativa (Ávila, 2019).
De la misma manera, se justifica en el aspecto metodológico, porque el estudio
obedece a un enfoque cuantitativo, realizándose un análisis estadístico con los
resultados obtenidos con la información que se recogió en el empleo de
instrumentos confiables y debidamente validados, que permitió medir los niveles
del análisis de investigación de operaciones (Bravo & Quezada, 2021).
5
En cuanto a la justificación epistemológica, se buscó la influencia del
programa Invessoft en el análisis de investigación operativa que es esencial en el
dictado de cursos de optimización. Por lo tanto es presente trabajo de investigación
desde la perspectiva epistemológica está basada en el paradigma positivista
porque es el único que es verificable y visible, repetible para ver la tendencia y
plantear hipotesis para construir teorías conduce al estudio de ciencias, August
Comte el padre del paradigma positivista, es cuantitativo, un conocimiento
ordenado, demostrable y equiparable, medible y repetible (Martínez, 2013).
Por todo ello, se plantearon objetivos, y como objetivo general: Determinar
la influencia del programa Invessoft en el análisis de Investigación Operativa en
estudiantes de Ingeniería Industrial de una universidad pública, Lima 2021; así
como los objetivos específicos:
▪ Determinar la influencia del programa Invessoft en el análisis de
programación lineal en estudiantes de Ingeniería Industrial de una
universidad pública, Lima 2021.
▪ Determinar la influencia del programa Invessoft en el análisis de colas de
espera en estudiantes de ingeniería industrial
administración de proyectos en estudiantes de ingeniería industrial
pronósticos en estudiantes de ingeniería industrial.
También se formularon las hipótesis, donde la hipótesis general fue: El
programa Invessoft influye en el análisis de investigación operativa en estudiantes
de Ingeniería Industrial de una universidad pública, Lima 2021, y las hipótesis
específicas:
▪ El programa Invessoft influye en el análisis de programación lineal en
estudiantes de ingeniería industrial.
▪ El programa Invessoft influye en el análisis de colas de espera lineal en
estudiantes de ingeniería industrial.
▪ El programa Invessoft influye en el análisis de administración de proyectos
en estudiantes de ingeniería industrial
▪ El programa Invessoft influye en el análisis de pronósticos en estudiantes
de ingeniería industrial.
6
II. MARCO TEÓRICO
7
En el desarrollo del estudio, se hallaron investigaciones nacionales relacionadas
con la investigación como:
Ochoa et al.( 2021), publicaron un artículo tuvo como objetivo determinar la
influencia el programa de optimización, en la que se utilizó como recursos didácticos
Solver, POM-QM y Lingo para la resolución de problemas en investigación
operativa en estudiantes de una universidad pública de Lima, Perú. Se tomó esta
decisión en la medida que los participantes presentaban dificultades en la
resolución de problemas con el uso de estrategias tradicionales. La pesquisa de
tipo cuantitativo, aplicado, contó con 80 participantes (40 en el grupo experimental
y 40 en grupo control). En la investigación se adoptó el diseño cuasiexperimental
con medida solo después. En el grupo experimental se aplicó el programa durante
12 semanas, mientras el grupo control continuó con metodología tradicional. Para
medir los logros se utilizó una prueba de rendimiento que sometido a una validez
de contenido por juicio de experto que evidenció 0.94 en la V de Aiken; mientras
que la confiabilidad kr21=0,965. Los resultados evidenciaron diferencias
significativas entre ambos grupos a un nivel de confianza p<0.05 siendo que los
alumnos del grupo experimental mostraron mejor desempeño que el grupo control,
llegando a la conclusión que el empleo de las herramientas digitales facilita la
resolución de problemas investigación operativa.
Martínez et al., 2020), presentaron un artículo con el fin de aplicar el modelo
de enrutamiento de vehículos combinado con algoritmos de optimización para la
toma de decisiones en la repartición de insumos. De enfoque cuantitativo, y diseño
experimental, la muestra fue de 20 patrones para estudiar el comportamiento de los
algoritmos usados al problema. Se empleó la biblioteca CVRP, que está
implementada en MatLab. La metodología empleada fue la correlacional-causal. Se
empleó la incertidumbre de las diferentes rutas de los los vehículos diferentes con
diferencas de tiempo, combinado con algoritmos de optimización para la resolución
de la distribución de los recursos. Se tiene como conclusiones que en esta
pandemia ocasionada por el COVID – 19, es fundamental tener una estructura de
transporte óptima para la distribución de recursos médicos necesarios.
Camacho et al. (2019) hace mención que los softwares aportado al mejor
desarrollo del curso, el cual ha sido de aporte en cuanto a calidad y otros factores,
buscando brindar habilidades para obtener resultados mediante el programa de
8
aprendizaje, realizó un examen que se le aplicó a 20 alumnos, en el cual se
desarrollaron inecuaciones e primero y n-orden, su análisis, síntesis e incluso
interpretarlo gráficamente, mediante softwares como Winqsb, lindo y Matlab.
Obtuvo como resultado que sólo 9 obtuvieron un efecto similar al del programa, 7
resolvieron equivocadamente y los otros 4 no eligieron el programa como parte de
la solución. Como conclusión se tiene que el aplicativo para programas de
contenido matemático tiene diferencias epistemológicas respecto a la
representación gráfica y al conocimiento de los estudiantes que permite su
elaboración. Asimismo, se recomienda desarrollar el programa mediante una
constante comunicación y cuestionamiento del programa para evitar que los
estudiantes tomen decisiones equivocadas.
Paxci (2017), realizó un trabajo de investigación que tuvo como objetivo
determinar la eficiencia del uso de entorno virtuales en la enseñanza de
programación lineal, en una universidad de Puno, el diseño fue cuasi experimental,
se sacaron dos pruebas, una pre-prueba y otra post-prueba a dos grupos, la
muestra fue tomada a 68 estudiantes, consistió en ejercicios aplicativos de
programación lineal, llegó a la conclusión que promedio de notas del grupo
experimental es de 14.86 y el del grupo control 11.64, demostrando así con la que
la enseñanza en entorno virtual virtuales influyen significativamente en el
aprendizaje de los estudiantes. .
Andia (2016) realizó el estudio para determinar el incremento de la
productividad haciendo uso de la aplicación de la investigación de operaciones, de
enfoque numérico, tipo aplicado y diseño cuasi experimental, una prueba de 152
reportes de producción que fueron obtenidos de forma diaria, y se aplicó un sistema
atendedor de colas anterior y actual que permitió la realización de la investigación
de operaciones, y concluyó: la aplicación de la investigación de operaciones mejoró
significatividad la productividad en el proceso de atención el cliente del Consorcio
Eulen del Perú.
Berger (2016), en su tesis, tuvo como propósito revisar modelos y métricas
de confiabilidad de software seleccionando una gran variedad de modelos de
Investigación Operativa, modelos matemáticos y estadísticos que se aplicarán a las
distintas fases del tiempo de vida de un programa, y asegurar la calidad, gracias a
la fiabilidad de su articulación. La muestra fue de 5 softwares más utilizado por los
9
docentes que dictan el curso de Investigación de operaciones de la Universidad
Nacional mayor de San Marcos, fue una tesis cuasi experimental, transversal, se
utilizó una encuesta para analizar los softwares, la muestra fue de estudio fue de
50 estudiantes, obteniendo un nivel de confiabilidad de confiabilidad Alfa de
Cronbach de 0.90 para los softwares. Las exigencias de calidad para el software
nacen con la gran necesidad de tener mercancías sin imperfecciones, que
complazcan las precisiones del cliente, y así lograr su contentamiento.
De la misma manera, los trabajos internacionales, Caicedo et al., (2020),
presentaron un artículo cuya finalidad es diseñar una táctica de enseñanza activa
con un enfoque recreativo que apoye y complemente los conceptos aplicados en el
curso de investigación de operaciones, gracias al modelamiento y utilización de una
actividad lúdica. De enfoque numérico, de tipo aplicado y diseño pre experimental,
la muestra utilizada en este estudio fue de 16 estudiantes y se aplicó un
cuestionario. Se desarrolló el CEREBR-IO, para medir la programación lineal y se
concluyó: La formulación de modelos matemáticos de programación lineal, es
reforzada con aspectos lúdicos, también los conceptos teóricos necesarios de la
investigación de operaciones, validando la procedencia y la utilidad de la lúdica en
la disciplina para el desarrollo del aprendizaje de los estudiantes.
Quintas et al. (2020) presentaron un artículo cuyo objetivo fue evaluar la
aplicación del curso de Investigación Operativa para el manejo de los desperdicios
en México. Se ejecutaron tres modelos de estudio, que son: Simulación MonteCarlo
para un tema de juegos aleatorios, otra de toma de decisiones con respecto a
registros y Programación Lineal en un tema de mejoras para la problemática acerca
de la basura en la Ciudad de México, se monitoreó durante 150 días y se concluyó
que, a través del uso de las TIC 's se permite alcanzar dos objetivos. El primero,
que mediante el uso de SOLVER de Excel, se puede evitar engorrosos cálculos
que, hasta hace algunos años, se realizaban obligatoriamente.
Falco et al. (2019), presentaron un artículo cuyo propósito es determinar las
opiniones realizadas por los estudiantes y docentes, con respecto a la ejecución de
Tanziflex que es un sistema web de con una plataforma múltiple instintiva que
ayuda a resolver problemas de programación lineal. De enfoque cuantitativo, diseño
correlacional, una muestra de 32 estudiantes y 19 maestros; y se aplicó un
cuestionario tipo Likert, y aplicó un cuestionario: Las TACs son el componente de
10
unión de las TICs y la práctica docente, en búsqueda de una mejora en el aspecto
educativo y en el entendimiento de los estudiantes decursos temas diferentes de
cada curso en la universidad; existen m{múltiples herramientas software con
características relevantes como complemento para el proceso de enseñanza -
aprendizaje de investigación operativa, la gran mayoría es necesario tener
conocimiento previo de modelización.
Vallejos et al. (2017) llevaron a cabo un estudio con la intención de simular
y representar visualmente el comportamiento del sistema, con cambios en el
parámetro de definición del proceso en que facilite la experimentación de los
estudiantes. De enfoque cuantitativo, tipo correlacional causal. Se realizaron
pruebas experimentales que simulan el Modelo de Cola M/M/1; y la aplicación de
una propuesta que definió Piera et al. (2013), y concluyó: El modelado y elaboración
del simulador de una guía basada en teoría de colas expuesto como caso de
enseñanza, brinda un instrumento novedoso para la toma de decisiones, que se
logra implementar en la educación universitaria, permitiendo simular y visualizar de
manera gráfica el comportamiento del sistema ante un problema real propuesto, y
susceptible de utilizar con la simulación, y permite el cambio de parámetros que
define la técnica de simulación.
Cavallin et al. (2017), realizó un análisis, con el fin de demostrar la influencia
de los programas de enseñanza en la motivación del entendimiento de los temas
de la investigación operativa en los estudiantes. Con un enfoque numérico, tipo
aplicado y diseño pre experimental, una prueba de 16 estudiantes, donde el
excesivo enfoque matemático que se adopta para su enseñanza disipa su
importancia práctica, generando así que el estudiante no pueda utilizar la
provechosa contribución que tiene dicha materia y, por otro lado, el docente no
pueda mostrar la potencial dimensión de su uso; y concluye: se demostró que los
métodos usados despiertan la atención por el tema y las consideran muy
importantes en el aprendizaje de la investigación operativa. Con respecto a la
variable Programa Invessoft, son un conjunto de Software que se pueden usar para
una mejor enseñanza- aprendizaje de cursos de optimización y toma de decisiones
en las carreras de Ingeniería. La aplicación de un programa en el campo educativo,
es significativo, por cuanto si una cantidad de personas se reúnen con una finalidad
11
educativa, la meta principal, debe ser aquél que dichas personas generen ideas y
materiales, y no lo hagan aquellos que los reciben del fuera (Betancourt, 2004).
Entre los modelos teóricos de la investigación operativa se debe poner más
importancia en los considerandos teóricos de los modelos matemáticos o también
en los temas realistas. Los modelos matemáticos son muy importantes en
investigación operativa, pero no logra constituir el ejercicio principal de la
investigación operativa, se requiere la verificación de la aplicabilidad de los efectos
que logran derivarse de los modelos matemáticos (Anderson et al., 2011)
Según Anderson et al. (2011), investigación operativa es un procedimiento
concienzudo que modela los problemas reales parla toma de decisiones en las
empresas, utilizando modelos matemáticos y una serie de operaciones para
modelar y solucionar problemas complicados.
Asimismo, la teoría de la ingeniería del software, donde se planteó que el
incorporar bases sólidas en ingeniería, están encaminados a la obtención un
software económico que tenga fiabilidad y eficiencia en máquinas y procesos reales
(Bauer, 1972); así como también, es la técnica profesional y de gestión propias de
la producción y sostenimiento ordenado de productos software, que se desarrollan
y modifican a tiempo y dentro de los costos previstos (Fairley, 1985).
El Programa Invessoft, es un software educativo, que es utilizado en la
enseñanza de la investigación de operativa en ingeniería y otras especialidades de
ciencias; donde logran intervenir operaciones numéricas, que se pueden utilizar
para una mejor enseñanza- aprendizaje de cursos de optimización y toma de
decisiones en las carreras de Ingeniería, comprende un conjunto de software:
solver, POM-QM, solver, lingo para resolver problemas de investigación operativa,
por presentar dificultades en la comprensión y análisis por parte de los estudiantes
(Gutiérrez et al., 2020).
Así también, el programa Invessoft, comprende los siguientes elementos: el
POM-QM (Production and Operations Management - Quantitative Methods), que es
un instrumento, el cual contiene los primordiales procedimientos numéricos para
desarrollar las materias de Investigación operativa I y II, de esta forma como otros
propios de las profesiones de Ingenierías (Ávila, 2015).
Según (Rito, 2015), es un software para la administración de rendimiento
maniobras, para procedimientos cuantitativos, para ciencias de la administración y
12
para el estudio de las operaciones. Las actualizaciones del software de Windows,
POM para Windows, QM for Windows y DS para Windows fueron mezcladas, para
conformar un producto flexible - POM - QM for Windows. Este software se configura
para exhibir modelos de POM, modelos QM o los dos modelos de POM y QM.
Howard (2006) señaló que, el programa POM - QM, es considerado un
software de muy sencillo uso, el cual fue creado para ayudar a los estudiantes, a
comprender los campos de la administración e investigación de operaciones. El
programa, tiene por finalidad la resolución de diversos problemas, o su utilización
como método de comprobación, para los ejercicios que fueron resueltos a mano.
Así, se puede afirmar que, el POM-QM, es un software de vigorosa utilidad
de ayuda para dar respuesta a una gran diversidad de conflictos de Investigación
Operativa, como también permite la intervención eficaz en la elaboración y
formación de modelos. (Howard, 2006).
Figura 1
Pantalla de inicio de POM - QM versión 5.2
Nota: Extraído de software POM-QM
13
Figura 2
Ventana desplegable de la opción POM-QM
Nota. En Module se va a seleccionar el módulo en el cual se desee trabajar.
Luego de seleccionar la ruta: File/New. Para la creación de un nuevo archivo

de programación. Aparecerá la ventana de “Create data set for Linear
Programming”, project manamgement, waiting queues, forecasts, para darle
solución a algún problema deseado.
Eppen et al. (2000), señalaron que, Solver es un paquete agregado de Excel
que permite la optimización numérica de modelos sujetos a restricciones, como el
de programación lineal. Este utiliza una técnica denominada algoritmo matemático
de programación, los algoritmos son expresados mediante códigos en
computadora, que aplicará iterativamente hasta conseguir hallar la solución óptima
por consiguiente una decisión óptima.
Para Ramos (2012), es un complemento que se incorporó al Excel, con el
objetivo de servir de asistente al usuario relacionado con problemas de
optimización; asimismo, brinda la posibilidad de la obtención de raíces aproximadas
de funciones no lineales muy comunes en la ingeniería.
Vega (2021), señaló que es una herramienta para facilitar la toma de
elecciones al resolver problemas de mejoramiento, partiendo de los recursos
humanos, materiales, tecnológicos entre otros, que se encuentra disponibles en
una institución.
14
Se puede afirmar que Solver es una herramienta de optimización
comúnmente utilizada para solucionar problemas con programación lineal mediante
el método Simplex. Este software puede ser fácilmente utilizado por los estudiantes
gracias a su simplicidad y disponibilidad, ya que está incluida en Microsoft Excel el
cual es conocido por todos los ingenieros industriales.
Figura 3
Ventana emergente de opciones de Excel, Solver
Nota. Microsoft Excel 2016
También comprende el programa Lingo (LINear Generalize Optimizer), de

acuerdo Canizo & Lucero (2002), es un instrumento sencillo que se usa en la
formulación de problemas lineales y no lineales, con el fin de resolverlos y examinar
su solución. Se caracteriza por brindar, de manera óptima, el mejor resultado,
teniendo como ejemplos: una mayor ganancia, o el mínimo valor. Se trata de una
herramienta sencilla para emplear la potencialidad de la optimización lineal y no
lineal al formular problemas muy amplios de manera precisa, desarrollando y
evaluando su solución. La optimización es un apoyo a la búsqueda de la respuesta
con la solución más efectiva, logra la mayor utilidad o el menor costo.
Para Gonzales et al. (2001), es una herramienta matemática, la cual resuelve
una diversa variedad de problemas sobre optimización, estos sean lineales, no
lineales o enteros, empleando un lenguaje práctico, el que sirve como un gran
apoyo en la docencia y la asistencia de la misma. Asimismo, Lindo está integrado
en el paquete Solver Suite (manual de usuario). Lindo es útil en lograr las soluciones
problemáticas lineales. Sin embargo, Lingo, difiere de Lindo, en la facilidad de la
15
escritura del modelo pues el lenguaje de programación es más sencillo de emplear.
Se debe contar con que Lingo detecta óptimos locales y a excepción de la
programación lineal y convexa, el encontrar los óptimos globales no resulta tan
sencillo.
Figura 4
Programa Lingo
Nota. Lingo
También, comprende el programa WinQSB, que según (Long-Chang, 2003),

es un conglomerado de técnicas o métodos de sencilla compresión, que permite a
los estudiantes y profesionales de las carreras de ingeniería, realizar estudios y
resolver problemas de tipos administrativos, o de temas relacionados a proyectos,
o transporte, entre otros. WinQSB, fue especialmente desarrollado con la finalidad
de resolver conflictos de gran complejidad, utilizando la técnica de mecanización
de procesos.
Según (Quesada, V. y Vergara, 2015), WinQSB es un programa que abarca
una gran cantidad de técnicas relacionadas a la investigación de operaciones, y
con lo cual, lo convierte en un programa de mucha utilidad para la resolución de
16
numerosos problemas del tipo administrativos y económicos. Considerado una de
las aplicaciones de mayor uso entre los estudiantes de pre grado, como también
por sus docentes y profesionales, que tienen relación con materias o temas
semejantes a la investigación de operaciones.
Una de las formas de acceder al programa, luego de realizar su instalación,
es mediante la siguiente ruta: Inicio/Programas/Seleccionar carpeta WinQSB.
Luego de escoger el módulo en el cual se desea trabajar, se verá una nueva
pantalla, la cual comparte las mismas características con todos los demás módulos
del WinQSB.
Figura 5
Pantalla principal del módulo: Programación lineal y programación lineal entera.
Nota . Manual de uso de WinQSB

Con respecto a la variable investigación operativa, Churchman et al. (1973)
señalaron que la investigación de operaciones es el uso del método científico por
grupos interdisciplinarios, a problemas vinculados con el control de estructuras o
sistemas (hombre-máquina), con el objetivo de que se brindar soluciones que sean
útiles a las metas de la organización. Para Carro (2014) es una ciencia aplicada
desde comienzos del siglo XX y ha comprobado que las herramientas que brinda
son exitosas en diversas organizaciones.
Para Taha (2012) es un arte al explicar e ilustrar el problema mediante
modelos matemáticos. Así mismo la considera una ciencia ya que resuelve el
modelo empleando algoritmos matemáticos específicos y convenientes.
Aquino (2012) señaló que, la investigación operativa es la parte de la
matemática que profundiza en el estudio de las operaciones que ocurren en un
sistema, a través de la aplicación de modelos matemáticos y algoritmos para tomar
decisiones que sean confiables y conlleve a la optimización de los recursos
disponibles.
17
En forma resumida, la investigación operativa es la utilización del método
científico a través de patrones y técnicas matemáticas para encontrar soluciones
óptimas, ya que se suele tener diversas posibles soluciones del problema a
enfrentar, sin embargo, solo una traerá mayor beneficio a la compañía, siendo esta
la solución óptima. Debido a su gran utilidad es que se aplica en diversos tipos de
empresas, así como también en casi todos los campos de la ingeniería, economía,
administración, sistemas de salud, servicios militares, entre otros.
La investigación operativa es un curso obligatorio, como parte de la
formación en la ingeniería industrial, tiene como objetivo la optimización del uso de
recursos en la vida real para la toma de decisiones, mediante modelamiento
matemático y haciendo uso intensivo de algoritmos, los softwares ayudan la
enseñanza aprendizaje y se convierte en una herramienta didáctica para
estudiantes y docentes.
Así, las dimensiones de la investigación operativa, está comprendida por la
Programación Lineal (PL), de acuerdo a Hillier, F. y Lieberman (2010), es un
instrumento de la Investigación de operaciones muy utilizada actualmente y que ha
permitido ahorrar cuantiosas cantidades de dinero a millones de empresas.
Señalaron, que esta herramienta emplea un modelo matemático para explicar un
problema, refiriéndose con el término lineal a que todas las inecuaciones
matemáticas del modelo deben ser lineales y con programación se hace referencia
a la planeación. Por consiguiente, definen la programación lineal como el desarrollo
de actividades teniendo como objetivo alcanzar una respuesta óptima.
Para Jacobs ét al. (1967), es un conjunto de técnicas matemáticas que
asignan los recursos escasos a ciertas exigencias que compiten por estos, de
manera óptima. De manera formal, la programación lineal implica una secuencia de
optimización donde se toman valores no negativos para un grupo de variables de
decisión representadas como x1 ,x2,…,xn de manera que estos valores maximicen
o minimicen una función de optimización satisfaciendo unas restricciones lineales
expresadas mediante igualdades o desigualdades.
Winston (2005), señaló que es un modelo de optimización que tiene
diferentes métodos de solución, siendo los más difundidos el método gráfico y el
método Simplex. Así, Serra (2004), señaló que las diversas utilidades de la
programación lineal han comprobado que es una de las herramientas cuantitativas
18
que más beneficios ha aportado para tomar decisiones, por ello es la más empleada
en la IO debido a su simple implementación.
En base a lo anterior, se puede afirmar, que la programación lineal es un
proceso matemático aplicado para solucionar problemas con el objetivo de obtener
una solución óptima, partiendo de la selección de la cuantía de las variables de
decisión y estos satisfaciendo las limitaciones dadas ya sea por disponibilidad de
recursos, ciertas especificaciones dadas, entre otras condiciones que no permitan
escoger con libertad los valores de las variables de decisión. Asimismo,
destacamos los métodos de solución más empleados como el método gráfico y el
simplex.
Según Guerrero (2017), las formas de representar el modelo de
programación lineal, son las siguientes:
De forma algebraica, es la forma más usada y se representa así:
Max o min Z= C1 X1 + C2X2 + ….. + CnXn
Sujeto a:
A11X1 + A12X2 +……. A1nXn ≤ B1
A11X1 + A12X2 + ……….

A1nXn ≤ B1
A11X1 + A12X2 +……… A1nXn ≤ B1
A11X1 + A12X2 +……….. A1nXn ≤ B1
Donde:
X1 , X2 ……..Xn ≥ 0
.
De forma sumatorial, donde se hace uso de sumatorias de la siguiente

manera: forma canónica, es la forma más simple y se toma como base para las
demostraciones.
𝑀á𝑥 𝑍 = 𝐺𝑋
Sujeto a:
𝐴𝑋 ≤ 𝑏
𝑋≥0
19
Otra dimensión es las colas de espera, que de acuerdo a Eppen et al. (2000)
es una secuencia de elementos que llegan a una instalación en busca de servicio.
Asimismo, para Taha (2012), las colas de espera conllevan un estudio que
cuantifica la ocurrencia de esperar a través de medidas de desempeño, llamadas
longitud promedio de cola, tiempo de espera promedio en la cola y el uso promedio
del servicio. Los protagonistas de esta situación de colas de espera son el servicio
y el cliente. Los clientes toman el servicio viniendo de una fuente, sucede a menudo
que se generen colas en diferentes instalaciones como el banco, un supermercado,
entre otros, por consiguiente, este estudio es importante para reducir estas colas
de espera.
Para Carro (2014), sirven para poder hallar la conducta de la situación en la
que se encuentran los clientes, como también poder hallar la largueza aproximada
de la cola, y el tiempo aproximado de tiempo que los clientes esperan.
Figura 6
Sistema de colas de espera
Llegadas Salida
Instalación
Cola Disciplina del s
de la cola servicio
Nota: Elaboración propia
20
Figura 7
Estructuras típicas de colas: varias líneas, múltiples
Nota: Elaboración propia
Sistemas de colas: Etiquetas para distintos modelos

Notación de Kendall: A/B/c
• A: Distribución de tiempos entre llegadas
• B: Distribución de tiempos de servicio
M: distribución exponencial
D: distribución degenerada
Ek: distribución Erlang
c: Número de servidores
Fórmulas para calcular el desempeño del modelo de colas

Número esperado de clientes en la cola Lq
Número esperado de clientes en el sistema Ls
Tiempo esperado de espera en la cola Wq
Tiempo esperado de espera en el sistema Ws
1
Ws = Wq +

Ws
Ls =
Lq =  Wq
Ls = Lq +


21
También se tiene la dimensión administración de proyectos, que Shek
(2013) señaló que es la gestión orientada al avance de actividades que se
encuentran organizadas de manera secuencial, con el fin de lograr un buen
resultado. Así mismo, se le puede denominar como el medio necesario para
conseguir los objetivos de los proyectos, bajo el mando de profesionales
conocedores del tema, que simbolizan a los intermediarios, para el cumplimiento
de las metas trazadas por las empresas, de las cuales son miembros.
Jacobs ét al. (2009), señalaron que es la parte de un proceso de
planificación, dirección y control de recursos, pueden ser del tipo de equipo, de
humanos o de material, con el fin de satisfacer las limitaciones que presenta el
proyecto.
Para Carro (2014), administrar proyectos se trata de la correlación que existe
entre el transcurso de una diligencia, las actividades deben programarse en el
tiempo con sus fechas de iniciación y terminación, con el fin de que se logren
satisfacer las limitaciones que nos exige el proyecto..
Los términos básicos más utilizados en el estudio, fueron: Actividades: se
definen como procesos que tienen la finalidad de recabar un proyecto, es decir,
grupos de tareas que son realizados por personas que desean realizar una
actividad. (Cañal de León, 2000)
Finalmente, la dimensión pronósticos, Jacobs ét al. (2009), señaló que es
difícil desarrollar un sistema de proyecciones, en el corto plazo, es necesario el
levantamiento de información para estimar las necesidades de materiales,
productos. Los servicios, mano de obra u otros recursos pueden enfrentarse a
cambios de la demanda y los pronósticos permiten ajustar los calendarios y variar
las cantidades. Los cambios estratégicos en las empresa requieren pronosticar
como base para los ajustes respectivos, como el desarrollo de mercados nuevos,
propuesta de nuevos productos o servicios y ampliar o construir nuevas
infraestructuras.
Al respecto Jacobs et al.( 2009), indicó que con los pronósticos se puede
determinar el camino a seguir y decidir donde se colocarán las recursos
tecnológicos, financieros, humanos, para una mejor gestión. Se consideran
diversos aspectos como: tipo de demanda (dependiente, independiente) , horizonte
temporal (largo, mediano, corto plazo).
22
Los pronósticos se clasifican en dos grupos: característicos y cuantitativos,
donde se aplicarán diversas metodologías como: juicio de expertos, estudio de
mercado, series de tiempo, promedio móvil, suavización exponencial, análisis de
regresión, modelo estacional, entre otras; (Everett & Ebert, 1991).
Figura 8
Pronósticos y el ciclo operativo
Fuente: Adaptado de Jacobs
Figura 9
Técnicas de pronóstico
Fuente: Adaptado de Jacobs
23
Everett y Ebert (1991), señalaron que se estiman hacia el futuro datos del
pasado mediante una secuencia de actividades que se trabajan de manera
sistémica en forma predeterminada para hacer una proyección del futuro.
Para Hillier, F. y Lieberman (2010), es un instrumento necesario en la toma
de decisiones de la gerencia y en especial, es un elemento fundamental para el
buen funcionamiento de cualquier estructura de inventarios.
▪ Diagrama de Gantt: Representa simultánea y gráficamente la programación
de procesos, la cual monitorea que las actividades del proyecto se
desarrollen de manera óptima, ordenada y detallando las diversas fases del
producto, durante un período de tiempo, en forma de gráficas (barras
horizontales). (Rodríguez et al., 2018).
▪ Distribución beta: Es un tipo de distribución probabilística aplicada en el
método PERT para estimar los tiempos esperados de las diferentes
actividades (Eppen et al., 2000).
▪ Distribución Exponencial: Es una distribución de probabilidad que presenta
conexiones con la distribución de Poisson y gamma, con la diferencia de que
la tasa de ocurrencia en la exponencial la actividad es por unidad de tiempo
(Eppen et al., 2000).
▪ Distribución Poisson: Distribución de probabilidad discreta aplicada en los
sistemas de colas para hallar la cantidad de llegadas que ocurren en un
determinado tiempo, esto a partir de la determinación de la frecuencia de
llegada u ocurrencia media expresada como λ. (Rito, 2015).
▪ Erlang k: Es la distribución probabilística aplicada a un caso en particular de
cola con límite de capacidad y al ser este límite igual al número de
servidores, en otras palabras no se genera una cola. (García et al., 2016).
▪ Evento: Un evento es un instante del tiempo, en el cual las actividades que
se estaban realizando, concluyen, para poder dar pase a otras empiecen.
Con referente al término de redes, los eventos, serían los correspondientes
a decir nodos. (Taha, 2012).
▪ Función objetivo: Se trata de la expresión matemática la cual tiene un
objetivo la cual es minimizar o maximizar dicha expresión. Se puede
representar mediante la expresión dada que la función objetivo lineal es igual
24
a la suma de la multiplicación del precio neto o costo unitario por la actividad
o proceso, hasta un elemento. (Taha, 2012).
▪ Incertidumbre: Es la duda sobre la veracidad de un resultado obtenido
mediante una evaluación a todas las fuentes de error que haya sido posible
encontrar, a las cuales se le aplicarán las correcciones correspondientes. Es
una proyección que va de la mano del resultado anteriormente mencionado,
el que contiene el rango de valores dentro del cual se identifica el valor
verdadero. (Maroto et al., 1993).
▪ Modelo matemático: Es una representación de un fenómeno real mediante
símbolos, cifras, algoritmos que conlleva a una mejor toma de decisiones o
a entender mejor la realidad que se vive. (Winston, 2005).
▪ Multicanal: Se define como una serie de canales que son organizados
estratégicamente para que los clientes de una organización o empresa
puedan acelerar y mejorar el proceso de compra y afianzar el trato cliente-
empresa. (Gené & Arnavat, 2004).
▪ No negatividad: El concepto de no negatividad hace referencia a las
condiciones del modelo en el cual se precisan que las variables de decisión
deben presentar sólo valores positivos o iguales a cero. (Gutiérrez et al.,
2020).
▪ Optimización: Tiende a dar una mejoría al problema para mejorar el
resultado que tenemos, Por tanto, la optimización de los procesos y los
recursos trata de establecer acciones que mejoran aquellas tareas que
intervienen en la elaboración de la solución que hemos propuesto (Lozano,
2003).
▪ Parámetro: La definición de parámetro es aquella función, valor, medida o
indicador definido sobre valores numéricos representativos de una población
considerando imprescindible y orientativo el logro evaluado y valorado,
logrando de esta manera la comprensión y ubicación en perspectiva de dicha
situación. (Curvelo, 2016).
▪ PERT / CPM: Tanto el método del Program evaluation and review, y el
método Critical path method, ambas herramientas son de enfoque
cuantitativo, y sirven para brindar apoyo a los gerentes, y con ellos poder
planear y tener el control de grandes y complicados proyectos. Gracias a la
25
gran necesidad de optimizar la manera de dirigir las empresas y/o negocios.
Inicialmente, ambos métodos eran muy similares, en relación hacia dónde
estaban enfocados sus objetivos, aunque siempre tuvieron sus diferencias
al momento de realizar estimaciones de tiempo para actividades. Por un
lado, con el método PERT, se pueden realizar tres estimaciones de tiempo,
con el fin de poder acercarse a la realidad, de conocer el tiempo deseado de
terminación de una actividad. Con todo lo mencionado, se puede entender
que el método PERT, es una técnica probabilística. Por otro lado, el método
CPM, se basa en que los tiempos de actividad son conocidos, por ello a este
método se le considera que es determinístico. A pesar de sus diferencias y
similitudes, para términos generales, a ambos métodos se les considera con
el término PERT/CPM. (Render et al., 2012).
▪ Planeación: Consiste en aquel sistema que comienza con la elección e
ilación en cuanto a eventos, al igual como el planteamiento y el uso de
hipótesis referidas al porvenir visualizado, y formulado en base a acciones
prometidas e imprescindibles para llegar a los objetivos esperados. (Terry,
2010).
▪ Probabilísticos: Esta definición representa un tipo de modelo matemático el
cual toma un conjunto de datos obtenidos estimando cada uno de los
posibles resultados, a futuro, de una variable al azar, incluyendo que este
puede aplicarse en muchos ámbitos y son, en especial, de gran valor, para
conseguir el perfeccionamiento de la cadena de suministro. (Vermorel, 2015)
▪ Proyecto: Se entiende como una agrupación de actividades que tienen
relación de dependencia, y que generan un consumo de recursos y de
tiempo para poder realizar dichas actividades (Taha, 2012).
▪ Red: Se puede definir a una red, como una cadena de nodos conectados
mediante ramas. La manera de representar a una red es (N, A), donde la
letra N simboliza al grupo de nodos, y la letra A, representa al grupo de
ramas, vistos en la red. (Taha, 2012).
▪ Restricciones: Es una condición que se les da a las variables de decisión
tomadas, para poder resolver algún problema. Sirven para acotar los
posibles valores y poder dar solución a una interrogante (Eppen et al., 2000).
26
▪ Ruta crítica: Es un método de proceso administrativo que consiste en
planear, organizar, direccionar y controlar todas las tareas que conforman
un proyecto. Se emplea en la planificación de proyectos con la finalidad de
calcular los tiempos y plazos, teniendo como objetivo determinar la duración
de este proyecto (y a un costo óptimo), en el que cada actividad desarrollada
cuenta con una duración estimada, las que determinan, de manera conjunta,
la duración del proyecto entero; cabe resaltar que se puede contar con más
de una ruta crítica. (Piera et al., 2013b).
▪ Simplex: Esta técnica, relaciona los conceptos del álgebra, con la geometría.
Se desarrolló en 1947 por Dantzig y consta en la reiteración de una serie de
pasos fijos, el cual empieza hallando una solución factible de origen. La
solución factible de origen, va a representar a un punto, que formará parte
de los vértices del polígono que se forme con las demás soluciones factibles.
El método Simplex utiliza la solución factible de origen, para preguntarse si,
esa misma solución, es óptima o no para resolver el problema. En caso no
sea considerada una solución óptima, el método Simplex se volverá a poner
en búsqueda de la solución factible, y así sucesivamente, hasta dar con la
solución óptima. (Carro, 2014).
▪ Toma de decisiones: Al momento de tomar decisiones, se debe realizar un
estudio a las alternativas, para poder escoger la mejor de ellas. Según las
características de los datos, dependerá qué alternativa se escogerá para
resolver los problemas presentados (Taha, 2012).
▪ Variables: Es un símbolo, característica o propiedad determinada del objeto
de estudio dentro de un determinado grupo, esta puede variar según
transcurre el tiempo por otra dentro del “Universo de la variable” pues cada
pieza del universo constituye un valor de la variable (Taha, 2012).
27
III. METODOLOGÍA
28
3.1 Tipo y diseño de investigación
El análisis pertenece a un enfoque cuantitativo, que según Hernández-Sampieri &
Mendoza, (2018), permitió el recojo de datos de manera numérica y se analizó
estadísticamente, para contrastar las hipótesis que se relacionan con las variables.
Según Klimovsky ( 2011), el estudio se desarrolló con el método hipotético-
deductivo, que es el proceso que se inicia en la formulación de hipótesis, y con el
resultado obtenido al contrastar la hipótesis, se deducen conclusiones de las
hipótesis formuladas.
La presente investigación fue de tipo aplicada, porque según Carrasco
(2019) posee propósitos muy concretos, funcional, de aplicación en el corto plazo,
es decir, analiza para hacer, cambiar, y generar modificaciones en un área
particular de la existencia, como es el enlace de causa efecto entre las variables.
La investigación fue de diseño experimental, correspondiente a la clase
preexperimental, porque los individuos o grupos de estudio no se escogen al azar,
aun cuando el investigador manipula el factor de exposición, asimismo cumplen con
la condición para determinar el control y validez interna de los instrumentos, así
como el nivel de certeza sobre el grado de paridad inicial de los individuos a
investigar Hernández-Sampieri & Mendoza, (2018); con un grupo llamado
experimental y el otro grupo llamado control; donde se manipuló la variable
independiente para la medición de la variable dependiente, la manera en que la
aplicación del programa Invessoft mejora el análisis de la investigación operativa, y
sigue al siguiente esquema:
GE - X O1
GC - - O2
Dónde:
X: Aplicación del Programa Invessoft
GE: Grupo experimental, Investigación Operativa IV ciclo A04R1 Grupo A con
40 estudiantes
GC: Grupo de control, Investigación Operativa IV ciclo A04R1 Grupo B con 40
estudiantes
O1 y O2: Pos test
29
3.2 Variables y operacionalización
Variable independiente (X): Programa Invessoft
Definición conceptual
Software educativo que es utilizado en la enseñanza de la investigación de
operativa en ingeniería y otras especialidades de ciencias; donde logran intervenir
operaciones numéricas, que se pueden utilizar para una mejor enseñanza-
aprendizaje de cursos de optimización y toma de decisiones en las carreras de
Ingeniería, comprende un conjunto de software: solver, POM-QM, lingo, para
resolver problemas de investigación operativa, por presentar dificultades en la
comprensión y análisis por parte de los estudiantes y que al combinar criterios no
probabilístico y probabilísticos con el uso intenso de softwares se tomaran mejores
decisiones, Rosales (2021).
Definición operacional
Aplicación de sesiones de aprendizaje de manera virtual, con los software, Solver
POM-QM y lingo para mejorar los niveles de análisis de la investigación operativa
en ingeniería y otras especialidades de ciencias; donde logran intervenir
operaciones numéricas, que se pueden utilizar para una mejor enseñanza-
aprendizaje de cursos de optimización y toma de decisiones.
Variable dependiente (Y): Investigación operativa
Definición conceptual
Es la parte de la matemática que profundiza en el estudio de las operaciones que
ocurren en un sistema, a través de la aplicación de modelos matemáticos y
algoritmos para tomar decisiones que sean confiables y conlleve a la optimización
de los recursos disponibles (Aquino, 2012).
Definición operacional
Acción de medir el nivel de análisis de la investigación operativa a través de sus
dimensiones programación lineal, colas de espera, administración de proyectos y
pronósticos, y mediante los niveles: inicio, proceso, logro y logro esperado.
3.3 Población, muestra, muestreo y unidad de análisis
La población según Hernández-Sampieri & Mendoza (2018), es el grupo de
elementos que tienen propiedades y rasgos frecuentes, de quienes se recogerán
datos para su análisis, está conformado por 80 estudiantes del curso de
30
investigación operativa, de la escuela de ingeniería industrial de una universidad
pública, de la sección A04R1, divididos en dos grupos A y B.
Tabla 1
Distribución de la población de estudio
Grupos Estudiantes Total
M F
A04R1 A 23 17 40
A04R1 B 18 22 40
Total 41 39 80
Nota. Nóminas de matrícula 2021
Muestra
La muestra según Hernández-Sampieri & Mendoza (2018), es un subconjunto de
la población, con características similares, que representa a una porción de la
investigación y de quienes se recogerán los datos para la contrastación de las
hipótesis.
Muestreo
El muestreo será por conveniencias, que según Lopez & Fachelli (2015), es una
método no probabilística y no aleatorio, que se utiliza para generar pruebas, según
la sencillez de acceso, y la disposición de los individuos de estar dentro de la
muestra, y para efecto del estudio, comprende el 100% de la población.
Unidad de análisis
De acuerdo a Arias (2006), son cada uno de los individuos que constituyen la
muestra, en este caso son los estudiantes del curso de investigación operativa de
la escuela de Ingeniería Industrial de una universidad pública.
3.4 Técnicas e instrumentos de recolección de datos
Técnicas de recolección de datos
Ander-Egg (2011), afirma que es la técnica utilizada fue el test, que es una técnica
de investigación, análisis y estudio que permitió que se aprecien los conocimientos
adquiridos; y permitieron organizar los datos que fueron extraídos de la
investigación, sin necesidad de explicar las causas o consecuencias, se limita a
describir el comportamiento que se sigue en los objetivos.
31
Instrumento de recolección de datos
Según Lotito (2015), un instrumento de rendimiento que tiene como objetivo el
examen del aprendizaje de competencias en las personas. En esta investigación
se utilizó el test de rendimiento que mide el análisis de la investigación operativa.
El examen de rendimiento está constituido de 20 preguntas que evalúa las 4
dimensiones: programación lineal (5 items), colas de espera (5 ítems),
administración de proyectos (5 items),, pronósticos (5 items); cada pregunta con
cuatro alternativas de respuesta, donde sola una es la respuesta correcta, la escala
fue dicotónica: correcto (1) e incorrecto (0), aplicándose a los estudiantes de
manera individual. Para dar inicio al proceso de evaluación, se les informó el
objetivo del estudio que es establecer la influencia del programa Invessoft en el
análisis de investigación operativa, se aplicó a cada estudiante de manera
unipersonal con una duración de 150 minutos.
Tabla 2
Baremo de la variable análisis de investigación operativa
Rangos
Niveles
Análisis de Programación Colas de Administración Pronósticos
investigación lineal espera de proyectos
operativa l
Inicio 00 – 06 00 - 01 00 - 01 00 - 01 00 - 01
Proceso 07 – 13 02 - 03 02 - 03 02 - 03 02 - 03
Logrado 14 - 20 03 - 05 04 - 05 04 - 05 04 - 05
La confiabilidad de los instrumentos, según Hidalgo (2006) es el grado de

semejanza de las respuestas comprobadas entre el investigador y el investigado.
Se realizó a través de una pre prueba aplicada a 15 estudiantes, mediante el KR20
cuyo resultado fue de 0.842, dicotómicos que corresponde a un nivel alto de
certeza para la prueba de investigación operativa, y procesado en el software
estadístico Excel; se utilizó esta técnica porque los reactivos del instrumento de
evaluación son dicotómicos.
Tabla 3
Confiabilidad
N° Instrumento KR20 N° de ítems
1 Prueba de investigación operativa 0,842 20
32
De la misma manera, se realizó la validez de contenido, que según Carrasco,
(2019), hace referencia de la competencia de una herramienta para calcular de
manera reveladora y adecuada, la cualidad de cuya medición se diseñó. Se realizó
mediante la opinión de jueces o expertos en relación al instrumento de
investigación, tomándose en cuenta criterios de claridad, pertinencia y coherencia.
Tabla 4
Juicio de expertos para el instrumento análisis de investigación operativa
N° Experto Especialidad Resultados
1 Cruz Yupanqui Gladys Marcionila Investigadora- Matemática Existe suficiencia
2 Méndez Vergaray Juan Metodólogo Existe suficiencia
3 Núñez Lira Luis Alberto Metodólogo Existe suficiencia
4 Zapillado Huanca, Oscar Adrián Investigador -Matemático Existe suficiencia
5 Manrique Suárez, Luis Humberto Investigador-Sistemas Existe suficiencia
Fuente: resultados obtenidos de los certificados de validación
En la tabla se observa que la validez de contenido, determinó la aplicabilidad
de los cuestionarios por los jueces, por lo tanto, procede su aplicación.
3.5 Procedimientos
Luego del recojo de datos se procedió a elaborar la base de datos, un análisis
descriptivo en SPSS versión 25, presentado en tablas y figuras estadísticas en
frecuencias y porcentajes; determinación de la normalidad, procesamiento de la
prueba de hipótesis, o análisis inferencial en SPSS v25, en tablas estadísticas que
se realizó de acuerdo a los resultados de la evaluación de normalidad. A los
estudiantes se les informó el objetivo de la prueba de conocimientos mediante una
explicación sencilla y concisa sobre la metodología a seguir, protegiéndose la
identidad de los participantes; previamente se solicitó permiso al Director de
Escuela de Ingeniería Industrial de una universidad pública sobe la realización del
trabajo de investigación. Según Ñaupas et al.(2018), consentimiento informado es
una invitación a los individuos a participar en una investigación, y autorizan que la
data recolectada en el estudio puede ser usada en la investigación.
La secuencia metodológica sustenta el haber alcanzado los objetivos
esperados de la investigación, para lo cual se siguieron las siguió el siguiente
procedimiento: establecer la población de estudiantes para aceptar el Programa
33
Invessoft, repartición igualitaria de responsabilidades entre todos los integrantes de
la Facultad de Ingeniería Industrial de una universidad pública para consensuar
sobre el lugar y fechas para el desarrollo del programa Invessoft, estrecha
comunicación con los estudiantes, seguimiento, control y retroalimentación en el
desarrollo del proyecto.
3.6 Método de análisis de datos
Luego de los procesos de aplicación de instrumentos y recojo de datos, se procede
a organizar la información a través del Excel y el SPSS 25, se realizó la
presentación de los resultados de la siguiente manera: análisis descriptivo. Se
muestran los resultados en tablas y figuras estadísticas de barras de frecuencias y
porcentajes acerca de los niveles de las variables y sus dimensiones, así como la
interpretación de las mismas (Hernández-Sampieri & Mendoza, 2018).
Así también para el análisis inferencial se hizo primeramente la prueba de
normalidad a través Kolmogorov Smirnov, al 95% de confianza, porque cuento con
80 datos, los resultados obtenidos con un p≤ 0,05 de la prueba evidenciaron que
no tienen una distribución normal, por lo que se optó por utilizar la prueba no
paramétrica U de Mann-Whitney.
3.7 Aspectos éticos
El estudio está enmarcado en las normas APA en su sétima edición, donde se
consignaron los autores nacionales e internacionales citados de acuerdo al tipo de
referencia. Se gestionó permiso a los directivos de la universidad para poder
realizar el estudio. Se respetó el anonimato de los integrantes de la muestra. Se
respetó la idoneidad y autenticidad de los logros alcanzados en el uso de los
instrumentos para la prueba de hipótesis.
34
IV. RESULTADOS
35
4.1 Resultados descriptivos
Después de recoger la data se procedió al tratamiento de la información, en la que
hay certeza de un mejor rendimiento en ellos estudiantes del grupo experimental
en contraste con los del grupo control, en el análisis de investigación operativa,
programación lineal, colas de espera, administración de proyectos y pronósticos
como se visualiza en la tabla.
Tabla 5
Comparación de niveles del análisis de Investigación Operativa de los grupos
control y experimental
GRUPO Total
Experimental Control
Recuento 7 14 21
Inicio % dentro de 17,5% 35,0% 26,2%
Análisis de Investigación
GRUPO
Recuento 21 19 40
Proceso % dentro de 52,5% 47,5% 50,0%
GRUPO
Operativa
Recuento 12 7 19
Logro % dentro de 32,5% 17,5% 23,8%
GRUPO
Recuento 40 40 80
Total % dentro de 100,0% 100,0% 100,0%
GRUPO
Al analizar la tabla, de los 80 estudiantes en la investigación: 26.2% (21) alcanzarón

el nivel inicio 50% (40) el nivel proceso, y 23.8% (19) se ubicaron en la categoría
logro. Igualmente de los 40 estudiantes del grupo experimental: el 17.5% (7) se
ubicó en la categoría inicio, 52.5% (21) se ubico en la categoría en proceso y 32.5%
(12) en la categoría logro en la variable analisis de investigación operativa.
Asimismo de los 40 estudiantes del grupo control: 35.0% (14) se ubicó en la
categoría de inicio, 47.5% (19) se ubicó en la categoría proceso y 17.5% (7) en el
nivel logro.
36
Figura 10
Niveles del análisis de investigación operativa
47.5% 52.5%
60.0%
50.0%
35.0% 32.5%
40.0% Inicio
30.0% 17.5% Logro
Proceso Proceso
20.0%
17.5%
10.0% Logro
0.0%
Inicio
Control
Experimental
En la figura 10 se advierte que el 35.0% del grupo control y el 17.5% del grupo
experimental se están en la categoría inicio; 47.5% del grupo control y 52.5% del
grupo experimental se ubican en la categoría de proceso. Por último, el 17.5% del
grupo control y el 32.5% del grupo experimental se ubican en la categoría logrado.
Tabla 6
Comparación de niveles de la dimensión programación lineal de los grupos control
y experimental
GRUPO Total
Recuento 3 15 18
Programación lineal
Inicio
% dentro de GRUPO 7,7% 37,7% 22.4%
Recuento 29 20 49
Proceso
% dentro de GRUPO 72,3% 49,0% 61.3%
Recuento 8 5 13
Logro
% dentro de GRUPO 20,0% 13,3% 13.3%
Recuento 40 40 80
Total
% dentro de GRUPO 100,0% 100,0% 100,0%
37
De los 80 estudiantes en la dimensión programación lineal: 22.4% (18) alcanzarón
el nivel inicio, 61.3% (49) el nivel proceso, y 13.3% (13) se ubicaron en la categoría
logrado. Igualmente de los 40 estudiantes del grupo experimental: el 7.7% (3) se
ubicó en el nivel en inicio, 72.5% (29) se ubico en el nivel proceso y 20.0% (8) en
el nivel logro. Asimismo de los 40 estudiantes del grupo control: 37.7% (15) se ubicó
en el nivel de inicio, 49.0% (20) se ubicó en el nivel proceso y 13.3% (5) en el nivel
logrado.
Figura 11
Niveles del análisis de programación lineal
72.3%
80.0% 49.0%
60.0%
Inicio
37.7% 13.3%
40.0% 20.0% Logro
Proceso Proceso
20.0%
Logro
7.7%
0.0%
Inicio
Control
Experimental
Tabla 7
Comparación de niveles de la dimensión colas de espera de los grupos control y
experimental
GRUPO Total
Recuento 4 10 14
Inicio
Colas de espera
% dentro de GRUPO 10.0% 25.0% 17.5%

Recuento 15 16 31
Proceso
% dentro de GRUPO 37.5% 40.0% 38.8%
Recuento 21 14 35
Logro
% dentro de GRUPO 52.5% 35.0% 43.7%
Recuento 40 40 80
Total
% dentro de GRUPO 100,0% 100,0% 100,0%
38
De los 80 estudiantes en la dimensión colas de espera: 17.5% (14) alcanzarón el
nivel inicio, 38.8% (31) el nivel proceso, y 43.7% (35) se ubicaron en el nivel
logrado. Igualmente de los 40 estudiantes del grupo experimental: el 10.0% (4) se
ubicó en el nivel en inicio, 37.5% (21) se ubico en el nivel proceso y 52.5% (21) en
el nivel logro. Asimismo de los 40 estudiantes del grupo control: 17.5% (14) se ubicó
en el nivel de inicio, 38.8% (31) se ubicó en el nivel proceso y 17.5% (14) en el nivel
logro.
Figura 12
Niveles del análisis de colas de espera
40.0% 52.5%
60.0% 37.5%
50.0% 35.0%
40.0% Inicio
30.0% 25.0% Logro
Proceso
20.0% Proceso
10.0% Logro
10.0%
0.0%
Inicio
Control
Experimental
Tabla 8
Comparación de niveles de la dimensión administración de proyectos de espera de
los grupos control y experimental
GRUPO Total
Recuento 8 8 16
Administración de
Inicio
% dentro de GRUPO 20.0% 20.0% 20.0%
Recuento 24 26 50
Proceso
proyectos
% dentro de GRUPO 60.0% 65.0% 62.5%

Recuento 8 6 14
Logro
% dentro de GRUPO 20.0% 15.0% 17.5%
Recuento 40 40 80
Total
% dentro de GRUPO 100,0% 100,0% 100,0%
39
De los 80 estudiantes en la dimensión administración de proyectos: 20.0% (16)
alcanzarón el nivel inicio, 62.5% (50) el nivel proceso, y 17.5% (14) se ubicaron en
el nivel logro. Igualmente de los 40 estudiantes del grupo experimental: el 20.0%
(8) se ubicó en el nivel en inicio, 60.0% (24) se ubico en el nivel proceso y 20.0%
(8) en el nivel logro. Asimismo de los 40 estudiantes del grupo control: 20.0% (16)
se ubicó en el nivel de inicio, 65.0% (26) se ubicó en el nivel proceso y 15.0% (6)
en el nivel logro.
Figura 13
Niveles del análisis de administración de proyectos
65.0%
60.0%
80.0%
70.0%
60.0%
50.0% Inicio
40.0% 15.0% Logro
20.0%
30.0% 20.0% Proceso Proceso
20.0% 20.0%
Logro
10.0%
0.0%
Inicio
Control
Experimental
Tabla 9
Comparación de niveles de la dimensión pronósticos de los grupos control y
experimental
GRUPO Total
Recuento 4 10 14
Inicio
% dentro de GRUPO 10.0% 25.0% 17.5%
Recuento 26 22 48
Pronósticos
Proceso
% dentro de GRUPO 65.0% 55.0% 60.0%
Recuento 10 8 18
Logro
% dentro de GRUPO 25.0% 20.0% 22.5%
Recuento 40 40 80
Total
% dentro de GRUPO 100,0% 100,0% 100,0%
40
De los 80 estudiantes en la dimensión pronosticos: 17.5% (14) alcanzarón el nivel
inicio, 60.0% (48) el nivel proceso, y 22.5% (18) se ubicaron en el nivel logro.
Igualmente de los 40 estudiantes del grupo experimental: el 10.0% 4) se ubicó en
el nivel en inicio, 65.0% (26) se ubico en el nivel proceso y 25.0% (10) en el nivel
logro. Asimismo de los 40 estudiantes del grupo control: 25.0% (10) se ubicó en el
nivel de inicio, 55.0% (22) se ubicó en el nivel proceso y 20.0% (8) en el nivel logro.
Figura 14
Niveles del análisis de investigación pronósticos
65.0%
55.0%
70.0%
60.0%
50.0%
Inicio
40.0% 20.0% 25.0%
25.0% Logro
30.0% Proceso Proceso
20.0%
10.0% Logro
10.0%
0.0%
Inicio
Control
Experimental
41
4.2 Resultados inferenciales
Prueba de normalidad
Para efectos de la utilización del estadístico para la prueba de hipótesis, se aplicó

una prueba de normalidad, que por comprender 80 elementos en la muestra se
usó la prueba de Kolmogorov Smirnov, al 95% de confianza.
Se ha evaluado la normalidad de los datos considerando el puntaje total de cada

grupo, así como de cada dimensión.
Ho : La variable Análisis de investigación operativa y sus dimensiones tienen

distribución normal
Ha: La variable Análisis de investigación operativa y sus dimensiones no tienen
distribución normal
Regla de contraste:
Sí p ≤ 0,05, se rechaza la Ho
Sí p > 0,05, se acepta la Ha
Tabla 10
Prueba de normalidad Kolmogorov-Smirnov para la variable y sus dimensiones
Kolmogorov-Smirnova Shapiro-Wilk
Grupo Estadístico gl Sig. Estadístico gl Sig.
Experimental Programación Lineal ,171 40 ,005 ,884 40 ,001
Colas de espera ,239 40 ,000 ,819 40 ,000
Administración de ,223 40 ,000 ,825 40 ,000
proyectos
Pronósticos ,279 40 ,000 ,796 40 ,000
Análisis de ,165 40 ,008 ,890 40 ,001
investigación
operativa
Control Programación Lineal ,203 40 ,000 ,898 40 ,002
Colas de espera ,202 40 ,000 ,923 40 ,010
Administración de ,191 40 ,001 ,926 40 ,012
proyectos
Pronósticos ,192 40 ,001 ,923 40 ,010
Análisis de ,136 40 ,060 ,960 40 ,168
investigación
operativa
a. Corrección de significación de Lilliefors
42
Análisis e interpretación: En la tabla se muestran los resultados de la prueba
Kolmogorov Smirnov, al 95% de confianza. El valor p hallado para ambos grupos,
la variable análisis de investigación operativa y sus dimensiones es mucho menor
que 0.05, por lo que se afirma que es posible rechazar H o, la variables y sus
dimensiones no presentan normalidad. y para efecto del estudio, se utilizó un
estadístico no paramétrico para la comparación de las hipótesis, como le prueba U
de Mann-Whitney.
Hipótesis general
Ho El programa Invessoft no influye en el análisis de investigación operativa en
estudiantes de Ingeniería Industrial de una universidad pública, Lima 2021.
Ha El programa Invessoft influye en el análisis de investigación operativa en
Tabla 11
Estadística de grupo
Grupo N Media Desviación Media de Coeficiente

estándar error estándar de Variación
Total
Experimental 40 15,200 1,91083 ,30213 12.57%
Total Control 40 10,350 2,08228 ,32924 20.09%
Tabla 12
Prueba de U de Mann-Whitney- Hipótesis general
Estadísticos de pruebaa
TOTAL
U de Mann-Whitney 68,500
W de Wilcoxon 888,500
Z -7,076
Sig. asintótica (bilateral) ,000
a. Variable de agrupación: Grupo
En la tabla de verificación de la influencia de la variable independiente sobre la

dependiente a través del estadístico U de Mann-Whitney, donde el valor p = 0.000
<0.05; lo que permite asumir que existen diferencias significativas entre el grupo
control y el grupo experimental con un nivel de confianza del 95%. En
consecuencia, se rechaza la hipotesis nula y se acepta la alternativa, que indica
43
que el programa Invessoft tiene efectos en la variable análisis de investigación
operativa.
Asimismo, se observan evidencias que en el grupo experimental el promedio de
notas es 15.2, mientras que en el grupo control la media es de 10.4. Lo que
demuestra las diferencias en el rendimiento entre ambos grupos, dándose este en
favor del grupo experimental. Además, se observa una mejor homogeneidad de
variabilidad en el grupo experimental (12.57%); mientras que en el grupo control se
observa una mayor variabilidad (20.09%).
Hipótesis específica 1
H0 El programa Invessoft no influye en el análisis de programación lineal en
H1 El programa Invessoft influye en el análisis de programación lineal en
Tabla 13
Estadísticas de grupo

Programación Experimental 40 3,58 1,259 ,199 35.16%

Lineal
Control 40 2,53 ,987 ,156 39.01%
Tabla 14
Prueba U de Mann-Whitney – Hipótesis específica 1
Programación lineal
Z -3,891
44
consecuencia, se rechaza la hipótesis nula y se acepta la alternativa, que indica
que el programa Invessoft tiene efectos en la variable análisis de programación
lineal.
Asimismo, se observan evidencias que en el grupo experimental el puntaje
promedio de notas es 3.58, mientras que en el grupo control la media es de 2.54.
Lo que demuestra las diferencias en el rendimiento entre ambos grupos, dándose
este en favor del grupo experimental. Además, se observa una mejor
homogeneidad de variabilidad en el grupo experimental (35.16%); mientras que en
el grupo control se observa una mayor variabilidad (39.01%).
H0 El programa Invessoft no influye en el análisis de colas de espera en
H1 El programa Invessoft influye en el análisis de colas de espera en estudiantes
de Ingeniería Industrial de una universidad pública, Lima 2021.
Tabla 15

Colas de Experimental 40 ,83 ,385 ,385 46.38%

espera
Control 40 ,53 ,506 ,506 95.47%
Tabla 16
Colas de espera
Z -5,122
45
que el programa Invessoft tiene efectos en la dimensión colas de espera.
promedio de notas es 0.83, mientras que en el grupo control la media es de 0.53
H0 El programa Invessoft no influye en el análisis de administración de proyectos
en estudiantes de Ingeniería Industrial de una universidad pública, Lima 2021.
H1 El programa Invessoft influye en el análisis de administración de proyectos en
Tabla 17
Administración
Experimental 40 3,85 1,258 ,198 32.67%
de proyectos
Control 40 2,58 1,152 ,182 44.65%
Tabla 18
Administración de
proyectos
Z -4,321
46
que el programa Invessoft tiene efectos en la dimensión administración de
proyectos.
H0 El programa Invessoft no influye en el análisis de pronósticos en estudiantes
de Ingeniería Industrial de una universidad pública, Lima 2021
H1 El programa Invessoft influye en el análisis de pronósticos en estudiantes de
Ingeniería Industrial de una universidad pública, Lima 2021
Tabla 19
Pronósticos
Experimental 40 3,83 1,375 ,217 35.90%
Control 40 2,80 1,181 ,187 42.18%
Tabla 20
Pronósticos
Z -3,404
47
que el programa Invessoft tiene efectos en la dimensión pronósticos.
48
V. DISCUSIÓN
49
Diversos estudios muestran que el empleo de los Software contribuye
satisfactoriamente en el proceso de la enseñanza y el aprendizaje de la asignatura
Investigación Operativa en estudiantes universitarios, corroborando así los
resultados obtenidos en el presente trabajo de investigación. Un estudio realizado
por Ochoa et al.( 2021), luego de utilizar diferentes recursos didácticos Solver,
POM-QM y Lingo para la resolución de problemas en investigación operativa
porque los participantes presentaban dificultades, realizaron un estudio de tipo
cuantitativo, aplicado, contó con 80 participantes, dividido en dos grupos, la
investigación adoptó el diseño cuasiexperimental con medida solo después,
aplicaron en el grupo experimental un programa durante 12 semanas, mientras el
grupo control continuó con metodología tradicional, para medir los logros se utilizó
una prueba de rendimiento que sometido a una validez de contenido por juicio de
experto que evidenció 0.94 en la V de Aiken; mientras que la confiabilidad
kr21=0,965. Los resultados evidenciaron diferencias significativas entre ambos
grupos a un nivel de confianza p<0.05 siendo que los alumnos del grupo
experimental mostraron mejor desempeño que el grupo control, llegando a la
conclusión que el empleo de las herramientas digitales facilita la resolución en la
resolución de problemas investigación operativa. Un estudio similar fue realizado
por Sánchez & Rosete (2020) en el que el grupo experimental recibió las clases
del curso Investigación Operativa utilizando los software WinQSB y Solver, este
grupo tuvo mejores calificaciones que los alumnos del grupo control quienes
recibieron las clases de la manera tradicional sin el uso de software. En el estudio
realizado por Cavallin et al. (2017) se utilizó un método pedagógico para la
enseñanza de la Investigación Operativa, utilizando el software POM-QM y tuvo
como resultado un mayor interés por la temática por parte de los estudiantes.
Similarmente, Sousa (2014) determinó que el empleo de la Calculadora LOpt
(calculadora para optimización lineal) contribuyó significativamente en el proceso
de enseñanza y aprendizaje de la Investigación Operativa. Cabe mencionar, que
hay investigaciones orientadas al desarrollo de software que puedan ser de utilidad
en la enseñanza de la Investigación Operativa; al respecto, se desarrolló un
prototipo de software para uso en la programación lineal con un enfoque
pedagógico; que se caracterizó por ser sencillo y didáctico para estudiantes de
ingeniería de sistemas del curso Investigación Operativa lo que dio lugar a un mayor
50
interés por la asignatura por parte de los estudiantes (Ávila, 2019). En otro estudio,
con fines didácticos, se integró el algoritmo Simplex en una hoja de cálculo de
Excel, creando un programa automatizado en VBA (Visual Basic para Aplicaciones)
para Excel, con el que se implementó el algoritmo (Ferreira, 2015).
La investigación realizada demuestra que en el análisis de investigación
operativa el 32.5% de los estudiantes que se les enseñó con el programa Invessoft
y 17.5.5% del grupo control obtuvieron el nivel logrado; de igual manera el 52.5%
del grupo experimental y 47.55% del grupo control se situaron en el nivel de
proceso; en cambio 17.5% de grupo experimental y 35.0% del grupo control se
situaron en el nivel de inicio; estos logros demuestran que la utilización del
programa tuvo resultados positivos en el grupo de experimento; además, la prueba
de hipótesis demostró que existían diferencias significativas entre el grupo control
y el experimental después de aplicar el programa. Al respecto, Kowalski et al.
(2015) afirma que en las universidades que forman ingenieros industriales deben
enfocarse a la solución de problemas mediante algoritmos y el uso intensivode
softwares el estudiante., de igual manera Medel et al. (2018) desarrolla softwares
educativos en plataforma libre utilizó como marco de trabajo Bootstrap, la biblioteca
de JavaScript JQuery, además de HTML5 y CSS3 alrealizar controles
comprobaron la calidad de la aplicación y la satisfacción de los requisitos. Tambien
Mariana Falco et al.(2018) afirma que los softwares son un complemento
importante en la enseñanza del curso de investigación operativa a medida que los
problemas se formulan con muchasvariables y la solución manual se dsvuelve
compleja. Es evidente que nuestra propuesta en el analisis de investigación
operativa es de suma importancia el uso intensivo de softwares,tambien
concuerda con (Y. Martínez et al., 2020) de enfoque cuantitativo, y diseño
experimental, la muestra fue de 20 patrones para estudiar el comportamiento de los
algoritmos usados al problema.
El análisis de los resultados de evaluación de programación lineal reveló que
20.0% experimental y 13.3% del grupo control se situaron en el nivel logrado; 72.3%
del grupo experimental y 49.5% del grupo control se ubicaron en el nivel proceso;
mientras que el 7.7% y 37.7% del grupo experimental y control respectivamente en
inicio. Al respecto Rosales & Chávarri (2021) manifiestan que para resolver
51
programación lineal los mejores softwares son solver, lingo y pqm, coincidiendo
con nuestra investigación sobre el uso de los softwares.
Al analizar los resultados de la evaluación de colas de espera se evidenció
un 52.5% del grupo experimental y 35% del grupo control alcanzaron el nivel
logrado; 37.5% del grupo experimental y 40.0% del grupo control en proceso
mientras que 10% del grupo experimental y 25.0% del grupo control en inicio. La
investigación de (Camacho et al., 2019) destaca la importancia de la construcción
de simuladores gráficos en modelos de colas de espera mediante el uso de
softwares en la educación superior, resaltando la generación de informes para su
interpretación, concuerda con nuestra posición del uso de herramientas que
optimicen el aprendizaje.
Con respecto a los resultados de administración de proyectos el 20.0% del
grupo experimental y 15.0% del grupo control se ubicaron en nivel logrado; 60.0%
del grupo experimental y 65% del grupo control en proceso; mientras que el 20.0%
del grupo experimental y 20.0% del grupo control en nivel inicio. Al respecto
Guerrero (2011) diseña un modelo de aprendizaje en competencias en
administración de proyectos basados en la empleabilidad y competitividad
profesional, concordando con nuestra propuesta sobre el uso de herramientas que
mejoren el proceso enseñanza aprendizaje.
Al analizar los resultados dé pronósticos el 25.0% del grupo experimental el 20.0%
del grupo experimental y 65.0% del grupo control se ubicaron en nivel logrado;
55.0% del grupo experimental y 55.0% del grupo control en proceso; mientras que
el 10.0% del grupo experimental y 25.0 del grupo control en nivel inicio. En la
investigación realizada por (García et al., 2016) desarrolla un soporte tecnológico
basado en casos, aplicó el modelo ARIMA de Box y Jenkins con el objetivo de
mejorar los modelos de pronósticos brindando diferentes escenarios de mejora
que coincide con nuestra propuesta en el uso intensivo de softwares.
52
VI. CONCLUSIONES
53
Primera
Se evidenció que el programa Invessoft sí influye en el análisis de investigación
operativa en estudiantes de Ingeniería Industrial de una universidad pública, Lima
2021; habiéndose obtenido un p=0,000 y en la prueba U de Mann-Whitney =.
68,500.
Segunda
Se determinó que el programa Invessoft sí influye en el análisis de programación
lineal en estudiantes de ingeniería industrial; obteniéndose un p=0,001 y en la
prueba U de Mann-Whitney.= 407,500.
Tercera
Se determinó que el programa Invessoft, sí influye en el análisis de colas de espera
lineal en estudiantes de ingeniería industrial; obteniéndose un p=0,000 y en la
prueba U de Mann-Whitney=. 280,500.
Cuarta
Se determinó que el programa Invessoft sí influye en el análisis de administración
de proyectos en estudiantes de ingeniería industrial; obteniéndose p=0,000 y en la
prueba U de Mann-Whitney=. 361,000.
Quinta
Se determinó que el programa Invessoft sí influye en el análisis de pronósticos en
estudiantes de ingeniería industrial; habiéndose obtenido un p=0,001 y en la prueba
U de Mann-Whitney.= 455,500.
54
VII. RECOMENDACIONES
55
Primera: Se recomienda programas de actualización dirigido a docentes que
enseñan el curso de investigación operativa, en el uso intensivo de softwares de
optimización dado que la investigación demuestra que el uso de un programa
mejora significativamente en el rendimiento del estudiante.
Segunda: Se recomienda a los decanos la implementación de programas de tutoría

dirigido a estudiantes en softwares de programación lineal, planteamiento,
reconocimiento de variables, interpretación.
Tercera: Se recomienda a los directores de escuela implementar los laboratorios

con simuladores de fenómenos de líneas de espera, porque en la investigación
demuestra que el uso de programas mejora de manera significativa la comprensión
de los estudiantes.
Cuarta: Se recomienda a los docentes que enseñan el curso de investigación

operativa realizar modelos de administración de proyectos a través de softwares de
optimización.
Quinta: Se recomienda a los directores de escuela implementar los laboratorios

con simuladores de pronósticos, porque en la investigación demuestra que el uso
de programas mejora de manera significativa la comprensión de los estudiantes.
56
VIII. PROPUESTA
57
Taller de virtual de capacitación Invessoft para una mejor enseñanza del
curso de investigación operativa
8.1 Descripción
El taller de capacitación Invessoft propone la mejora en la enseñanza en el curso de
investigación operativa, a través del desarrollo de sesiones, donde se aplicó un
examen de rendimiento a cada grupo de estudiantes del diseño cuasi experimental.
Al terminar la investigación se plantea la preparación de sesiones para un mejor
aprendizaje de los estudiantes. Las sesiones deben estar dentro del área de OTAP
(Oficina de Planificación y Tutoría Académica) en la que participan docentes dentro
de su carga lectiva asignados al área mediante un aprendizaje activo en la que se
vinculen las teorías con el mundo real. Dirigido a estudiantes que hayan
desaprobado en el ciclo anterior estudiantes con bajo rendimiento en el curso,
estudiantes que quieran mejorar sus capacidades de tomar decisiones.
8.2. Ventajas y desventajas
Los talleres de enseñanza son muy productivos y mejoran el rendimiento de los
estudiantes, presentan las siguientes ventajas: (a) Lograr un mejor manejo de los
softwares de optimización. (b) Orientar en la mejor toma de decisiones (c)
Motivar a los docentes a especializarse en uso de softwares que propios de la
carrera de ingeniería industrial (d) Promover el desarrollo de capacitaciones en el
área de tutoría de la facultad. (e) Aplicar talleres similares para la mejora de la
enseñanza en las demás escuelas de ingeniería que conforman la facultad.
Algunas desventajas que pueden presentarse: a) Poco compromiso de los
docente a participar de los talleres. (b) Falta de conocimiento de softwares
aplicados a investigación operativa. (c) Cruce de horarios entre la disponibilidad
docente y del estudiante. (d) Interrupción del internet por diferentes motivos (caída o
sobresaturación de la red, corte del servicio, entre otros). (e) Falta de contar
paquete de datos por la situación económica de estudiantes de
universidad estatal.
8.3 Justificación y explicación de la propuesta
Los talleres de reforzamiento son muy importantes, porque los estudiantes de
ingeniería tendrán mejores herramientas y desarrollarán mejores capacidades que
los ayudarán a dominar la metodología de solución de problemas de decisión
empresariales, comprensión de procesos de modelamiento de problemas, aplicar
algoritmos matemáticos y selección de softwares adecuados, interpretación de
58
resultados para tomar mejores decisiones en su vida personal y como profesionales
serán más competitivos.
8.4. Cronograma de actividades
El taller virtual de capacitación Invessoft debe programarse antes del inicio del ciclo
académico, para que los estudiantes y personal docente programen sus horas y los
estudiantes sepan con la debida anticipación la programación de las fechas del
taller virtual.
8.5 Evaluación y control
A fin de cada ciclo académico se debe hacer una evaluación para determinar el
número de estudiantes que han participado en estos talleres de capacitación virtual,
y expresar mediante indicadores evaluar si el rendimiento de los estudiantes ha
mejorado; asimismo para controlar el cumplimiento de los docentes sobre las horas
asignadas dentro de su carga académicas.
Sesión Aprendizaje a desarrollar Contenido temático Estrategia Materiales o
didáctica recursos
1 Sensibilización e invitación a los -Examen diagnóstico. -Plataforma - Pruebas de

participar en el taller tems respuestas cortas y
abiertas
2 Dominar la metodología de resolución -Modelamiento de problemas - Plataforma Trabajos prácticos

de problemas de decisión. formales frente a los intuitivos tems y tareas
experimentales
Modelos de optimización con
limitantes
-Presentar diferentes aplicaciones

en el mundo empresarial
3 Analizar y definir un problema de -Evaluar que tipo de optimización - Plataforma Trabajos prácticos
decisión bajo estudio se requiere teams y tareas
experimentales
-Problemas no factibles
4 Comprender el procedimiento de -Gráficas de desigualdades y - Plataforma - Pruebas de

modelado de problemas ya estudiados contornos teams respuestas cortas y
por la Investigación Operativa. abiertas
-limitantes activas e inactivas
-problemas no acotados
5 Representar mediante un modelo -Sinopsis de solución por - Plataforma Trabajos prácticos

matemático problemas de decisión programa teams y tareas
similares a los ya estudiados u otros experimentales
asociados a la actuación profesional -Problemas duales
59
6 Adaptar los modelos existentes a casos -Simulación - Plataforma Trabajos prácticos
concretos que se ajusten razonablemente teams y tareas
a ellos -Eventos aleatorios experimentales
7 Comprender y aplicar los algoritmos y -Heurística, objetivos múltiples - Plataforma Prueba de

herramientas para hallar soluciones a los teams ejecución de tareas
modelos matemáticos. -Modelos de restricciones de simuladas
lagranje
8 Interpretar los resultados obtenidos y Interpretar las soluciones de los - Plataforma Emite informe
elaborar fundadamente pequeños diferentes soltwares y tomar teams
informes. decisionesu
60
REFERENCIAS
61
Alzate, P. M. (2018). Investigación de Operaciones. Conceptos fundamentales.
Ediciones de la U.
Ander-Egg, E. (2011). Técnicas e investigación social. Trillas.
Anderson, David, Sweeney, D., Williams, T., & Camm, J. (2011). Métodos
cuantitavivos para los negociós (L. Cengage (ed.); 11.a ed.).
Andia, R. X. (2016). Aplicación de la Investigación de Operaciones para la mejora
de la productividad en el proceso de atención al cliente del Consorcio Eulen
del Perú de Servicios Generales S.A., Callao, 2016. Universidad César Vallejo.
Aquino, J. (2012). Investigación de operaciones. Red Tercer Milenio.
Ávila, J. (2015). Investigación de Operaciones apoyado con software. Universidad
Nacional Costa Rica, 5.
http://www.niee.ufrgs.br/eventos/RIBIE/2008/pdf/investigacion_operaciones.p
df%0A
Ávila, N. (2019). Prototipo de software de apoyo para el aprendizaje de los métodos
simplex y dual-simplex pertenecientes a la programación lineal en
investigación de operaciones. Universidad Autónoma de Bucaramanga.
Bauer, F. (1972). Software engineering, information processing. En North Holland
Publishing. Co., Amsterdam.
Berger, E. (2016). Investigación de Operaciones y Métricas para la medición y
mejora de la Confiabilidad de Software.
https://www.google.com/search?q=berger+2016%2C+investigacion+operativa
&oq=&aqs=chrome.2.35i39i362l8...8.18038067j0j15&sourceid=chrome&ie=U
TF-8
Betancourt, S. (2004). Efectos de un programa de intervención basada en la técnica
de aprendizaje de la controversia, sobre el pensamiento crítico de los/as
chicos/as de sexto curso del Centro de Enseñanza Primaria de Plentzia –
Vizcaya en el área de castellano a partir del pro. Universidad Complutense de
Madrid.
Bravo, F., & Quezada, T. (2021). Virtual education in the university in times of Covid-
19. Entrepreneurship TES, 5(1), 154-166.
https://doi.org/10.33970/eetes.v5.n1.2021.238
Caicedo, A., Benítez, D., & Ramírez, A. (2020). CEREBR-IO : Playful activity for
teaching and strengthening the subject Investigación de Operaciones
62
CEREBR-IO : Actividad lúdica para la enseñanza y el. I+D Revista de
Investigaciones, 15(2), 148-168
https://www.revistacomunicar.com/index.php?contenido=detalles&numero=5
1&arti culo=51-2017-06 .
Caicedo Mora, A. D., Benítez Agudelo, D. S., & Ramírez Rubio, A. M. (2020).
CEREBR-IO: Actividad lúdica para la enseñanza y el fortalecimiento de la
investigación de operaciones. I+D Revista de Investigaciones, 15(2), 137-151.
https://doi.org/10.33304/revinv.v15n2-2020013
Camacho, A., Ivette, M., Franco, C., & Gonz, V. (2019). Fidelidad en el uso de app
para la resolución de softwares. 74-89. file:///C:/Users/pc/Desktop/Dialnet-
FidelidadEnElUsoDeAppParaLaResolucionDeEcuacionesD-6940121.pdf
Cañal de León, P. (s. f.). Teaching activities: A classification scheme. In Research
in the School. 2000 (Vol. 40, pp. 5-21).
Canizo, E., & Lucero, P. (2002). Investigación Operativa 2002 Software Para
Programación Lineal Investigación Operativa 2002 Software Para
Programación Lineal. Investigación Operativa 2002 Software Para
Programación Lineal, 1-22.
Carrasco, S. (2019). Metodología de investigación científica. Pautas metodológicas
para diseñar y elaborar el proyecto de investigación. San Marcos.
Carro, R. (2014). Investigación de operaciones en la administración. Universidad
Nacional Mar del Plata.
Cavallin, A., Rossit, D., Rossit, D., Broz, D., Frutos, M., & López, N. (2017).
Estrategias de enseñanza para motivar el aprendizaje de los estudiantes en
contenidos de Investigación Operativa. Revista de La Escuela de
Perfeccionamiento en Investigación Operativa, 25(41), 54-68
https://doi.org/10.19083/10.19083/ridu.2020.1315.
Churchman, C., Ackoff, R., & Arnoff, L. (1973). Introducción a la investigación
operativa (Madrid: Es). Aguilar.
Curvelo, D. (2016). Estrategias didácticas para el logro del aprendizaje significativo
en los alumnos cursantes de la asignatura seguridad industrial. Universidad de
Carabobo.
Eppen, G., Gould, F., Schmidt, C., Moore, J., & Weatherford, L. (2000).
Investigacion de operaciones en la ciencia de la administración. En
63
Pearson/Prentice Hall.
Everett, E. y Ebert, R. (1991). Production and operations management: concepts,
models and operation.University of Missouri.
Fairley, R. (1985). Software engineering concepts. Mc Graw-Hill.
Falco, M., Nuñez, I., Perea, L., Carlevari, R., & Tanzi, F. (2018). Herramienta
Software como Soporte al Proceso de Enseñanza-Aprendizaje de la
Programación Lineal. Simposio Argentino de Enseñanza Superior en
Informática (SAESI)-JAIIO 47, 33-45.
http://sedici.unlp.edu.ar/handle/10915/71017
Falco, M., Nuñez, I., Perea, L., Carlevari, R., & Tanzi, F. (2019). Tanziflex:
Herramienta software para la resolución de problemas de programación lineal.
Revista Iberoamericana de Informática Educativa, 29, 1-13.
Falco, Mariana, Núñez, I., Tanzi, F., & Muñoz, L. P. (2018). Abordando el Análisis
de Usabilidad de Tanziflex, una Herramienta Web para Investigación
Operativa. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação,
30, 91-107. https://doi.org/10.17013/risti.30.91-106
Fernández, V., Zelaia, A., & Aramendia, P. (2019). Software management tool and
links for Operations Research.
Ferreira, J. (2015). La hoja de cálculo como herramienta para investigación
operativa. Universidad Politécnica de Cartagena.
Figallo, F., González, M., & Diestra, V. (2020). Perú: Educación superior en el
contexto de la pandemia por el COVID-19. Revista de Educación Superior en
América Latina, 8(8), 20-28. https://doi.org/10.14482/esal.8.378.85
Flores, M. (2020). Fundamentals of Operations Research in Economics. Dominio
de las Ciencias, 6(4), 1560-1573.
https://dominiodelasciencias.com/ojs/index.php/es/article/view/1568/2959
Fylstra, D., Lasdon, L., Watson, J., & Waren, A. (1998). Design and use of the
Microsoft Excel Solver. INFORMS Journal Applied Analytic, 28(5), 29-55.
https://doi.org/10.1287/inte.28.5.29
García, A., Trujillo, Y., & Arza, L. (2016). Pronóstico de éxito en la Mejora de
Procesos de Software. Revista Cubana de Ciencias Informáticas, 10(0), 15-30.
Gené, J., & Arnavat, X. (2004). Multichannel marketing strategies.2000, 1-5
http://repositorio.ucv.edu.pe/bitstream/handle/UCV/21504/Valdez_BEB.pdf?se
64
quenc e=1&isAllow .
Gonzales, D., Santos, R., & Palmas, R. (2001). Una experiencia práctica de
programación matemática con lingo. Rect@ - Revista Electrónica de
Comunicaciones y Trabajos de ASEPUMA., 9(1), 19.
Guerrero, D. A. M. (2011). Modelo de aprendizaje y certificación en competencias
en la dirección de proyectos de desarrollo sostenible. 692.
Guerrero, H. (2017). Applied linear programming. Ecoe.
Gutiérrez, M., Ruiz, A., & Pérez, L. (2020). Educative software using by
Rehabilitation teachers, Holguín. September 2019- January 2020. 0.Health
Care & Global Health, 4(2), 65-70. https://doi.org/10.22258/hgh.2020.42.82.
Hernández-Sampieri, & Mendoza. (2018a). Metodología de la investigación - Las
rutas cuantitativa, cualitativa y mixta. En McGraw-Hill (Ed.), Mac graw hill
education.
Hernández-Sampieri, R., & Mendoza, C. P. (2018b). Metodologìa de la
Investigaciòn. Las rutas Cuantitativa Cualitativa y Mixta. En universidad
tecnologica laja Bajio.
Herrera, W., & Zuloeta, J. A. (2018). Sensitivity analysis with WinQsb in the
optimization of linear programming problems.Universidad Nacional Pedro Ruiz
Gallo.
Hillier, F. y Lieberman, G. (2010). Introducción a la investigación de operaciones.
Mc Graw-Hill.
Howard, J. (2006). POM-QM for Windows, version 3 : software for decision
sciences : quantitative methods, management science, production and
operations management. Pearson/Prentice Hall.
Jacobs, F.; Chase, R.; Quliano, R. (2009). Administración de operaciones. Mc
Graw-Hill.
Juan, Á. A., Huertas, M. A., Steegmann, C., & Terrádez, M. (2006). Uso e
integración de las TIC en asignaturas cuantitativas aplicadas: La experiencia
de los estudios de informática y multimedia de la UOC. Teoría de la Educación.
Educación y Cultura en la Sociedad de la Información, 7(1).
https://www.redalyc.org/pdf/440/44015082010.pdf .
Klimovsky, G. (2011). The hypothetical-deductive method and logic . Memoria
Académica, 3-24. https://doi.org/10.24215/1859959.27.e9 .
65
Kowalski, V., Enríquez, H., Santelices, I., & Erck, M. (2015). Enseñanza de
algoritmos en Investigación Operativa : un enfoque desde la formación por
competencias. Ingeniería Industrial. Actualidad y Nuevas Tendencias, 4, 15.
http://www.redalyc.org/html/2150/215047546008/
Long-Chang, Y. (2003). WinQSB. Wiley.
Lopez, & Fachelli. (2015). METHODOLOGY OF QUANTITATIVE SOCIAL
RESEARCH (Número 17). https://doi.org/10.1344/reyd2018.17.13
Lotito, F. (2015). Test psicológicos y entrevistas: usos y aplicaciones claves en el
proceso de selección e integración de personas a las empresas. R.A.N., 1(2),
89-102. https://doi.org/10.4236/ce.2018.915190 .
Lozano, J. (2003). How and where to optimize logistics costs. FC Editorial.
Maroto, A., Boqué, R., Riu, J., & Rius, X. (1993). Cálculo de incertidumbre en
medidas físicas. Medida de una masa. 1-7 https://doi.org/10.18041/2382-
3240/saber.2019v14n1.5236.
Martínez, V. (2013). Research Paradigms. Multimedia manual for the development
of research papers. Multimedia manual for the development of research papers.
A vision from the dialectical-critical epistemology, 18-27.
http://datateca.unad.edu.co/contenidos/90018/TEORIA_DEL_CONOCIMIENT
O/_TEXTOS_UNIDAD_1_/El_conocimiento_cientifico.pdf%0Ahttp://educa.mi
nedu.gob.bo/assets/uploads/files/cont/esfm/esfm132-q6rd.pdf
Martínez, Y., Oquendo, H., Caballero, Y., Guerra, L., & Junco, R. (2020). Application
of Operations Research in the Distribution of COVID-19- Related Resources.
Retos de la Dirección, 14(2), 86-105.
http://scielo.sld.cu/scielo.php?pid=S2306-
91552020000200086&script=sci_arttext&tlng=pt
Mastache, A., & Davatec, R. (2019). Between meaningful teaching and contextual
difficulties. III Coloquio de Investigación Educativa en Argentina.
Medel, Y., Castroz, F., Fornaris, D., Hernández, O., & Plá Hernández, O. (2018).
Software educativo sobre plataforma libre para la asignatura Investigación de
Operaciones. Revista Informátiva Jurídica, 0(0), 8.
Men, B. H., & Yin, S. Y. (2018). Application of LINGO in Water Resources
Optimization Teaching Based on Integer Programming. Creative Education, 9,
2516-2524. https://doi.org/10.4236/ce.2018.915190
66
Métodos cuantitavivos para los negociós. (2011).
Nares, M. & Tovato, G. (2012). Tratamiento y resolución de un problema de
programación lineal con recursos aleatorios. Investigación Operativa, XX(33),
58-71. https://doi.org/10.5377/elhigo.v10i2.10557
.Ñaupas, M., Valdivia, R., Palacios, J., & Romero, H. (2018). Metodología de la
investigacion. En edicionesdelau.com.
Ochoa, N., Zúñiga, L., Méndez, J., & Flores, E. (2021). Optimization Software in
Operational Research Analysis in a Public University. 11(4), 3061-3079.
https://doi.org/https://doi.org/10.47059/revistageintec.v11i4.2350
Paxci, Y. (2017). Entornos virtuales para el aprendizaje de programación lineal en
estudiantes de secundaria. En Tesis.
http://repositorio.unap.edu.pe/bitstream/handle/UNAP/8783/Yovana_Paxci_C
ontreras.pdf?sequence=1&isAllowed=y
Piera, M., Guash, T., Casanovas, J., & Figueras, J. (2013b). How to improve your
company's logistics through simulation. En Ediciones Diaz de Santos, S-A.
http://www.ebooks7-24.com.bdigital.sena.edu.co/stage.aspx?il=&pg=&ed=
Quesada, V. y Vergara, J. (2015). Programación lineal y entera , programación por
metas , programación dinámica , teoría y sistemas de inventario , pronósticos
, planeación agregada , PERT- teoría y simulación de colas , proceso de
Markov QUESADA IBARGUEN : Ingeniero. Universidad de Cartagena.
Quintas, I., Baca, G., & Sánchez, I. (2020). La Enseñanza de Investigación de
Operaciones a través de Estudio de Caso : manejo de basura en la ciudad de
Mexico. 1-16. https://www.adeepra.org.ar/congresos/Congreso
IBEROAMERICANO/TICEDUCACION/R0353_Quintas.pdf
Ramos, L. (2012). Use of the Solver in Excel. Institut National de la Recherche
Scientifique.
Render, B., Stair, R., & Hanna, M. (2012). Métodos cuantitativos para los negocios.
Cengage Learning Editores.
Rito, J. (2015). Investigación de operaciones. Uinversidad de Managua.
Rodríguez, D., Castro, D., & Meneses, J. (2018). Problematic uses of ICT among
young people in their personal and school life. Comunicar: Revista científica
iberoamericana de comunicación y educación, 56, 91-100.
https://doi.org/http://dx.doi.org/10.15366/tp2018.31.015 .
67
Rodríguez, M. (2018). The incorporation of information and communication
technologies in universities: Experiences and practices. Pedagogical trends,
31, 275-288. https://doi.org/http://dx.doi.org/10.15366/tp2018.31.015
Rojas, M. J., Silva, A. M., & Correa, L. (2014). Tecnologías de la información y la
comunicación en la educación: Tendencias investigativas. Revista Academia y
Virtualidad, 7(2), 27-40. https://doi.org/10.24215/18509959.27.e9
Rosales, P. (2021). PLAN-DEMIA: Planning the production of tons of plastic using

linear programming: Use of Excel Solver and Lingo.. Journal of Chemical
Information and Modeling, 13(9).
Sánchez, E., & Rosete, A. (2020). Experiencias en la asignatura Investigación de
Operaciones en la carrera de Ingeniería Informática. Revista Iberoamericana
de Tecnología en Educación y Educación en Tecnología, 27, 83-88.
https://doi.org/10.24215/18509959.27.e9
Serra, D. L. F. (2004). Quantitative Methods for Decision Making. España: Gestión
2000. España.
Shek, I. (2013). El enfoque de gestión de proyectos en las organizaciones
dedicadas a proyectos de investigación. Caso: Grupo de Investigación GIRH.
Casos empresariales, 150-161. https://doi.org/10.15308/sinteza-2016-257-264
Sousa, E. (2014). Avaliação de um software para o ensino de pesquisa operacional:
Um estudo de caso. Pontificia Universidade Católica de Goiás.
Taha, H. (2012). Investigación de operaciones. Pearson Educación.
Taha, H. A. (2012). Investigación de Operaciones (9° edition). PEARSON.
Terry, G. (2010). Principios de la administración. Cecsa.
Ureta, L., & Rossetti, G. (2020). Las TAC en la construcción de conocimiento
disciplinar: Una experiencia de aprendizaje con estudiantes universitarios.
Revista Iberoamericana de Tecnología en Educación y Educación en
Tecnología, 26, 100-109. https://doi.org/10.24215/18509959.26.e11
Vallejos, Y., Ávila, J., & Mariño, S. (2017). Queuing theory. Proposal of a didactic
simulator.Revista Publicando, 4(13), 5-20.
https://doi.org/10.17268/sci.agropecu.2018.01.11.
Vega, F. (2021). Algebraic Polynomial Sum Solver Over { 0 , 1 }. Preprints 2019,
February, 1-7. https://doi.org/10.20944/preprints201908.0037.v6
Vermorel, J. (2015). Control de inventario: Definición e ideas claves Lokad.
68
Quantiative Supply Chain.
Winston, W. (2005). Operations research. Applications and algorithms.Thompson.
Yamira, I., Viltres, M., Enrique, F., Dieguez, C., & Montero, D. F. (2018). Software
educativo sobre plataforma libre para la asignatura Investigación de
Operaciones.
69
ANEXOS
ANEXO A: Matriz de operacionalización
Variable: Análisis de Investigación operativa
INDICADORES Escala/Rangos Técnica

DIMENSIÓN CRITERIOS DE EVALUACIÓN O PREGUNTA FORMULADA N|° de
items
Identifica variables de 1. Se identifica las variables de decisión asignándole un nombre simbólico, son la razón de ser de la empresa
Programación Lineal decisión 5
Determina la función 2. Se expresa el objetivo de la organización global en forma matemática usando las variables de decisión Escala de
objetivo. medición:
Formula las restricciones 3. Expresa de manera matemática las limitantes que las variables de decisión deben satisfacer Correcta=1
Incorrecta=0
Formulación del modelo 4. Convierte la descripción cualitativa de un problema de la vida real a forma matemática
matemático
Análisis de Indicadores 5. Interpreta el logro de los objetivos
Caracterizar el sistema de 6. Identificar los componentes del sistema: población, proceso de llegada, proceso de colas, disciplina de
colas colas, proceso de servicio, proceso de salida. 5 Rangos:
Colas de espera Evaluar sistema de colas 7. Determina el sistema adecuado de acuerdo a características del problema: tiempo entre llegadas, tiempos
de servicios, estaciones a canales en el sistema
Cálculo de medidas de 8. Calcula el número promedio de de clientes que se encuentran esperando en la cola para ser atendidos Inicio
rendimiento 9. Calcula el tiempo promedio que un cliente que llega tenga que esperar en ser atendido (0-6 puntos)
10. Evalúa ahorros netos a proponer mejoras Test de
Desarrollar la red del 11. Identifica las actividades del proyecto y elabora el diagrama de red que registra las relaciones de conocimiento
proyecto precedencia de actividades Proceso
(10713 puntos)
Identificar las tareas críticas 12. Calcula tiempos de inicio y termino de actividades más temprano y más lejano e identifica las tareas
Administración de críticas Logro
Proyectos Cálculo de tiempos de 13. Calcula el tiempo de terminación del proyecto (14-20 puntos)
duración del proyecto 14. Analiza actividades con holgura de tiempos 5
15. Analiza actividades que pueden acortarse y calcula los costos de compresión
Análisis de dispersión 16. Grafica la lluvia de puntos para analizar la tendencia
.
Escoger el modelo 17. Encuentra la fórmula matemática adecuada para el tratamiento de datos
matemático adecuado 18. Encuentra indicadores que determinan el modelo matemático correspondiente
Pronósticos de tendencia
5
Cálculos de pronósticos 19. Calcula valores futuros de los siguientes periodos
20. Calcula periodos en que llegara a cantidades requeridas
Fuente: Elaboración propia.
ANEXO B: Matriz de consistencia
Programa “Invessoft” en el análisis de investigación operativa en estudiantes de ingeniería industrial de una universidad pública, Lima 2021
Problema Objetivos Hipótesis Variables e indicadores
Problema General Objetivo General Hipótesis General Variable Independiente: PROGRAMA INVESSOFT
¿Cuál es la influencia del Determinar la influencia del El programa Invessoft
programa Invessoft en el programa Invessoft en el análisis influye en el análisis de Software Sesiones
análisis de Investigación de Investigación Operativa en investigación operativa en
Operativa en estudiantes de estudiantes de Ingeniería estudiantes de Ingeniería
POM-QM 1. Programación Lineal: formulación y solución manual
Ingeniería Industrial de una Industrial de una universidad Industrial de una
universidad pública, Lima pública, Lima 2021 universidad pública, Lima Solver 2. Programación Lineal: formulación y solución manual
2021? 2021 3. Programación Lineal: formulación y solución POM-QM
Lingo
4 Programación Lineal: formulación y solución con solver
Problemas específicos Objetivos específicos Hipótesis específicas 5. Programación Lineal: formulación y solución con Lingo
¿Cuál es la influencia del Determinar la influencia del El programa Invessoft 6. Colas de espera con POM-QM
programa Invessoft en el programa Invessoft en el análisis influye en el análisis de 7. Colas de espera con Solver
análisis de programación lineal de programación lineal en programación lineal en 8. Colas de espera con lingo
en estudiantes de Ingeniería estudiantes de Ingeniería estudiantes de Ingeniería
9. Administración de proyectos método tradicional
Industrial de una universidad Industrial de una universidad Industrial de una
pública, Lima 2021? pública, Lima 2021 universidad pública, Lima 10. Administración de proyectos utilizando Solver
2021 11 Administración de proyectos POM-QM
¿Cuál es la influencia del Determinar la influencia del 12. Pronósticos con Solver
programa Invessoft en el programa Invessoft en el análisis El programa Invessoft
análisis de colas de espera en de colas de espera en estudiantes influye en el análisis de
estudiantes de Ingeniería de Ingeniería Industrial de una colas de espera lineal en Variable Dependiente: ANÁLISIS DE INVESTIGACIÓN OPERATIVA
Industrial de una universidad universidad pública, Lima 2021 estudiantes de Ingeniería
pública, Lima 2021? Industrial de una Dimensiones Indicadores Escala de Rangos
¿Cuál es la influencia del Determinar la influencia del universidad pública, Lima medición
programa Invessoft en el programa Invessoft en el análisis 2021 Programación Identifica variables de decisión Dicotómica Rangos:
análisis de administración de de administración de proyectos El programa Invessoft Lineal Determinar función objetivo Correcto (1)
proyectos en estudiantes de en estudiantes de Ingeniería influye en el análisis de Formula restricciones Incorrecto (0) Inicio(0-06
Ingeniería Industrial de una Industrial de una universidad administración de Formulación del modelo puntos)
universidad pública, Lima pública, Lima 2021 proyectos en estudiantes de matemático
2021? Ingeniería Industrial de una Análisis de indicadores
Determinar la influencia del universidad pública, Lima Colas de Caracterizar el sistema de colas Dicotómica Proceso(07-13
¿Cuál es la influencia del programa Invessoft en el análisis 2021 espera Evaluar sistema de colas Correcto (1) puntos)
programa Invessoft en el de pronósticos en estudiantes de Cálculo de medidas de Incorrecto (0)
rendimiento
análisis de pronósticos en
estudiantes de Ingeniería Ingeniería Industrial de una El programa Invessoft Administrac Desarrollar la red del proyecto Dicotómica
Industrial de una universidad universidad pública, Lima 2021 influye en el análisis de ión de Identificar las tareas críticas Correcto (1)
pública, Lima 2021? pronósticos en estudiantes proyectos Cálculo de tiempos de duración Incorrecto (0) Logro(14-20
de Ingeniería Industrial de del proyecto puntos)
una universidad pública,
Lima 2021
4.- Pronósticos Análisis de dispersión Dicotómica

Determinar modelos Correcto (1)
matemáticos de tendencia Incorrecto (0)
Cálculo de pronósticos
TIPO Y DISEÑO DE POBLACIÓN Y MUESTRA TÉCNICAS E ESTADÍSTICA A UTILIZAR

INVESTIGACIÓN INSTRUMENTOS
TIPO: Aplicada, Bernal Población: Estudiantes de la Variable independiente: Descriptiva:

(2010) porque se basa en la Facultad de Ingeniería Programa Invessoft Se utilizará el software Microsoft Excel para la elaboración de tablas y figuras estadística en la
aplicación de un programa Industrial de una universidad Esta variable se manipula presentación de los resultados por dimensiones
de manera ordenada y pública de Lima, 2020. para observar la influencia
sistémica en el análisis de con respecto a la variable Inferencial:
investigación operativa Tamaño de muestra: dependiente. Para efectos de la utilización del estadístico para la prueba de hipótesis, se aplicó una prueba de
Estuvo conformada por 80 VARIABLE normalidad, que por comprender 40 elementos en la muestra se utilizó la prueba de Kolmogorov
DISEÑO: Experimental: DEPENDIENTE:
estudiantes matriculados en el Smirnov,.se afirma que todos los conjuntos de datos no tienen una distribución normal; y para
porque consiste en Análisis de
Curso de Investigación efecto del estudio, se utilizó un estadístico no paramétrico para la contratación de las hipótesis,
manipular intencionalmente investigación
Operativa de la Facultad de como le prueba U de Mann-Whitney.
la variable independiente de operativa
Ingeniería Industrial de una
un modelo para observar y Técnica:
universidad pública en el ciclo
medir sus efectos en la Prueba de rendimiento
2020-II, distribuido en grupo
variable dependiente Instrumento:
experimental (GE = 40 y grupo
(Ñaupas et al., 2018) Rúbrica de evaluación
control (GC = 40)
Clase preexperimental: Autor: El investigador
porque se hizo una sola Año: 2020
Tipo de muestreo:
medición, luego de la Monitoreo: Observación
No probabilístico, por
aplicación de un estímulo del análisis Ámbito de
conveniencia, porque no se Aplicación: Mediante la
(Ñaupas et al., 2018) .
escogieron las aulas y a criterio herramienta del meet y
El diseño de investigación
de la investigadora se formulario Google en
fue:
designaron los grupos GE y GE estudiantes de una
GE - X O1
el grupo A y el GC al grupo B UniversidadPública.
GC - - O2
Forma de
MÉTODO: Método hipotético- Administración:
deductivo, porque se basa en Individual sincrónica
procedimiento que extrae
conclusiones a partir de
hipótesis(Bernal, 2010)
ANEXO C: Matriz de especificaciones
Dimensión Indicadores % Criterios de evaluación o pregunta formulada Contenido a desarrollar o Tipo de pregunta/ N° de la
ae aprendizaje esperado Cantidad de preguntas Puntaje cerrada/abierta pregunta
de la en la
pregunta
prueba
Identifica variables 5% Se identifica las variables de decisión asignándole un Da un nombre simbólico a
Programación de decisión nombre simbólico, son la razón de ser de la empresa las variables 1 1 Cerrada 1
Lineal
Determina la función 5% Se expresa el objetivo de la organización global en Expresa las cantidades 1 1 Cerrada
objetivo. forma matemática usando las variables de decisión individuales de manera 2
matemática usando
variables
Formula las Expresa de manera matemática las limitantes que las Expresa los recursos 1 1 Cerrada 3
restricciones 5% variables de decisión deben satisfacer limitantes mediante
inecuaciones
Formula el modelo
Formulación del 5% Convierte la descripción cualitativa de un problema Formula el modelo 1 1 Cerrada 4
modelo matemático de la vida real a forma matemática
Análisis de 5% Interpreta el logro de los objetivos Evalúa, analiza reportes de 1 1 Cerrada 5

Indicadores salida
Caracterizar el 5% Identificar los componentes del sistema: población, Definir la población clientes 1 1 Cerrada 6
sistema de colas proceso de llegada, proceso de colas, disciplina de Evaluar el proceso de
Colas de espera colas, proceso de servicio, proceso de salida. llegada
Evaluar el proceso dé
servicio
Evaluar sistema de 5% Determina el sistema adecuado de acuerdo a Determinar la distribución 1 1 Cerrada 7
colas características del problema: tiempo entre llegadas, estadística del as llegadas
tiempos de servicios, estaciones a canales en el y salidas de los clientes
sistema
Calculo de medidas 5% Calcula el numero promedio de de clientes que se Numero promedio de 1 1 Cerrada 8
de rendimiento encuentran esperando en la cola para ser atendidos llegadas al sistema
Tiempo promedio de espera
5% Tiempo promedio de 1 1 Cerrada 9

Calcula el tiempo promedio que un cliente que llega servicio
tenga que esperar en ser atendido Tiempo promedio en la cola
5% Evaluar, analizar los 1 1 Cerrada 10
Evalúa ahorros netos a proponer mejoras reportes de salida
Desarrollar la red Identifica las actividades del proyecto y elabora el Identificación de actividades 1 1 Cerrada 11
Administración del proyecto 5% diagrama de red que registra las relaciones de Estimar los tiempos de las
de Proyectos precedencia de actividades actividades y sus
precedencias
Identificar las tareas 5% Determinar la ruta critica Trazar la red de proyectos 1 1 Cerrada 12
críticas Calcular las probabilidades de cambios de fecha Calcular los tiempos de inicio
y terminación más temprano y
más tardío
Cálculo de 5% Calcula el tiempo de terminación del proyecto Determinar la ruta critica 1 1 Cerrada 13
tiempos de . Analiza actividades con holgura de tiempos Calcular las probabilidades Cerrada 14
1 1
duración del Analiza actividades que pueden acortarse y calcula de cambios de fecha Cerrada 15
proyecto los costos de compresión 1 1
Análisis de 5% Grafica la lluvia de puntos para analizar la tendencia Graficar con Lluvia de 1 1 Cerrada 16
dispersión puntos el comportamiento
Pronósticos . de lo datos
Escoger el modelo Encuentra la fórmula matemática adecuada para el Probar con los diferentes 1 1 Cerrada 17
matemático 5% tratamiento de datos modelos matemáticos y 1 1 Cerrada 18
adecuado . Encuentra indicadores que determinan el modelo escoger el adecuado .
de tendencia matemático correspondiente
Cálculos de 5% Calcula valores futuros de los siguientes periodos Estimar cantidades en 1 1 Cerrada 19
pronósticos Calcula periodos en que llegara a cantidades periodos futuros Cerrada 20
Calcular los intervalos de
1 1
requeridas
control
ANEXO D: Instrumento
Examen: INVESTIGACIÓN DE OPERACIONES
DOCENTE: OCHOA SOTOMAYOR NANCY ALEJANDRA

ESCUELA: INGENIERÍA INDUSTRIAL FECHA: SEMESTRE
TIEMPO: 150 MINUTOS
_______________________________________________________________
PROGRAMACIÓN LINEAL
Una mueblería elabora tres productos: mesas, sofás y sillas. Estos productos son
procesados en cinco departamentos: el de serrado de madera, el de corte de tela, el de
lijado, el de entintado y el de montaje. Las mesas y las sillas sólo llevan madera, y los
sofás llevan madera y tela. Se requiere mucho pegamento e hilo y éstos representan un
costo relativamente insignificante que queda incluido en el gasto de operaciones. Los
1.
requerimientos específicos de cada producto son los siguientes:
Recurso o actividad Requerimiento Requerimiento Requerimiento

por mesa por sofá por silla
(cantidad disponible por mes)
Madera (4 350 pies de tablones) 10 u.m./pie = 100 u.m./

pies de tablones a 10
7.5u.m./pie = 75 u.m.a
pies de tablones 10 u.m./pie
4 pies =40 u.m.
de tablones a
Tela (2 500 metros) mesa
Ninguno 10 metros a Ninguna
17.50 u.m./metro = 175u.m.
Serrar la madera (280 horas) 30 minutos 24 minutos 30 minutos
Cortar la tela (140 horas) Ninguno 24 minutos Ninguno
Lijar (280 horas) 30 minutos 6 minutos 30 minutos
Entintar (140 horas) 24 minutos 12 minutos 24 minutos
Montar (700 horas) 60 minutos 90 minutos 30 minutos
Los gastos de trabajo directo de la compañía suman 75 000 u.m. por mes por concepto de las 1 540 horas
de trabajo, a 48.70 u.m. por hora. Basándose en la demanda actual, la empresa puede vender 300 mesas
180 sofás y 400 sillas por mes. Los precios de venta son 400 dólares para las mesas, 750 dólares para los
sofás y 240 dólares para las sillas. Suponga que el costo de mano de obra es fijo y que, durante el próximo
mes, la empresa no proyecta contratar ni despedir a empleados.
1.-Las variables de decisión son:
a) Mesas, sofás y sillas b) Madera, tela, lija c) Pegamento, tela, hilo d) Horas hombre, costos e) N.A.
2.-La funcion objetivo es:
a) Max Z = 300X1 + 500X2 + 200X3 − 75 000 b) Min Z = 300X1 + 500X2 + 200X3 − 75 000
c) Max Z = 500X1 + 200X2 + 100X3 − 75 000 d) Min Z = 300X1 + 500X2 + 200X3 N.A
e) N.A
3.- Son restricciones o limitantes:
a) Horas de trabajo en aserradero b) Horas de trabajo en corte y montaje c) Madera, tela, lija
d) Horas de trabajo en : aserradero, corte, tinte, lijado y montaje e) N.A.
4.- La formulación del modelo
a) Utilidad = 300X1 + 500X2 + 200X3

ssr:
Madera: 10X1 + 7.5X2 + 4X3 < 4 350
Tela: 10X2 < 2 500
Serrado: 0.5X1 + 0.4X2 + 0.5X3 < 280
Cortado: 0.4X2 < 140
Lijado: 0.5X1 + 0.1X2 + 0.5X3 < 280
Entintado: 0.4X1 + 0.2X2 + 0.4X3 < 140
Montaje: 1X1 + 1.5X2 + 0.5X3 < 700
Demanda:
Mesas: X1 < 300
Sofás: X2 < 180
Sillas: X3 < 400
b) Max Z = 300X1 + 500X2 + 200X3 -75000

ssr:
Madera: 10X1 + 7.5X2 + 4X3 < 4 350
Tela: 10X2 < 2 500
Serrado: 0.5X1 + 0.4X2 + 0.5X3 < 280
Lijado: 0.5X1 + 0.1X2 + 0.5X3 < 280
Entintado: 0.4X1 + 0.2X2 + 0.4X3 < 140
Montaje: 1X1 + 1.5X2 + 0.5X3 < 700
Demanda:
Mesas: X1 < 300
Sofás: X2 < 180
Sillas: X3 < 400
b) Max Z = 300X1 + 500X2 + 200X3 -75000

ssr:
Madera: 10X1 + 7.5X2 + 4X3 < 4 350
Tela: 10X2 < 2 500
Serrado: 0.5X1 + 0.4X2 + 0.5X3 < 280
Lijado: 0.5X1 + 0.1X2 + 0.5X3 < 280
Entintado: 0.4X1 + 0.2X2 + 0.4X3 < 140
Montaje: 1X1 + 1.5X2 + 0.5X3 < 700
Demanda:
Mesas: X1 < 300
Sofás: X2 < 180
Sillas: X3 < 400
c) Max Z = 300X1 + 500X2 + 200X3 -75000

ssr:
Madera: 10X1 + 7.5X2 + 4X3 < 4 350
Tela: 10X2 < 2 500
Serrado: 0.5X1 + 0.4X2 + 0.5X3 < 280
Lijado: 0.5X1 + 0.1X2 + 0.5X3 < 280
Entintado: 0.4X1 + 0.2X2 + 0.4X3 < 140
Montaje: 1X1 + 1.5X2 + 0.5X3 < 700
Demanda:
Mesas: X1 < 300
Sofás: X2 < 180
Sillas: X3 < 400
X1,X2,X3>=0, entero
d) Max Z = 300X1 + 500X2 + 200X3 -75000

ssr:
Madera: 10X1 + 7.5X2 + 4X3 < 4 350
Tela: 10X2 < 2 500
Serrado: 0.5X1 + 0.4X2 + 0.5X3 < 280
Lijado: 0.5X1 + 0.1X2 + 0.5X3 < 280
Entintado: 0.4X1 + 0.2X2 + 0.4X3 < 140
Montaje: 1X1 + 1.5X2 + 0.5X3 < 700
Demanda:
Mesas: X1 < 300
Sofás: X2 < 180
Sillas: X3 < 400
X1,X2,X3>=0, entero
e) N.A
5.- Interprete los resultados:
a) Se producen 260 mesa, 180 sofas y 0 sillas. La utilidad es 93,000 um

b) Se producen 200 mesa, 120 sofas y 100mesas. La utilidad es 110,000 um
c) Se producen 260 mesa, 180 sofas y 50 mesas. La utilidad es 50,000 um
d) Se producen 300 mesa, 180 sofas y 50 mesas. La utilidad es 100,000 um
e) N.A.
COLAS DE ESPERA
La empresa SERLIMUTSAC es una empresa de limpieza que se encarga de recolectar y
compactar latas de aluminio y botellas de plástico en la ciudad de Lima. Los choferes de
camiones descargan estos materiales para reciclar, esperan en promedio 15 minutos antes de
vaciar sus cargas. El costo por hora del chofer mientras esta en la cola se estima en S/. 60 por
hora. Se puede comprar un nuevo compactador automático que procesaría las cargas a de los
camiones a una tasa de constante de 12 vehículos por hora. Los camiones llegan de acuerdo a
una distribución de poisson a una tasa promedio de 8 por hora. Si se utiliza el nuevo
compactador, su costo se amortizaría a una tasa de S/. 3 por camión descargado.
Costo actual de Costo de nuevo

Tasa de arribo Tasa de servicio
viaje compactador
8 12 5 0.3
6.- Las características del sistema son:

a) Población infinita, proceso e llegada de clientes determinístico, proceso de colas peps
b) Población finita, proceso e llegada de clientes probabilístico, proceso de colas peps
c) Población infinita, proceso e llegada de clientes determinístico, proceso de colas veps
d) Población finita, proceso e llegada de clientes determinístico, proceso de colas veps
e) N.A
7.- El modelo de colas es:

a) M/M/1 b) D/M/G c) D/M/G d) M/M/G e) M/G/2
8.- La longitud promedio de la cola es:

a.- 10 camiones/ hora. b).- 15 camiones/hora c).-25 camiones/hora d).- 8 camiones/hora e) N.A
9.- Calcule el tiempo de espera promedio en la cola:

a) 25 min b) 48 min c) 20 min d) 30 min e) N.A
10.-El ahorro neto que se obtiene con el nuevo compactador
a) S/. 3.00/viaje b) S/. 5.00/viaje c) S/. 7.00/viaje d) S/. 10.00/viaje e) N.A
ADMINISTRACIÓN DE PROYECTOS
La compañía “Mía SAC” va a lanzar un nuevo producto al mercado peruano en el mes de Agosto del presente año. El gerente comercial Nicolás
Hernández le ha indicado a Ud. que para el lanzamiento del nuevo producto se necesita realizar un pequeño proyecto, cuyas actividades están
establecidas en la tabla.
Duración
ACTIVIDADES Predecesora(s)
(días)
A: Pronosticar volumen de ventas - 5
B: Estudiar el mercado competitivo - 6
C: Diseñar artículo e instalaciones A 2
D: Preparar el programa de producción C 1
E: Estimar el costo de la producción D 2
F: Fijar precio de venta B,E 1
G: Preparar presupuesto E,F 4
El gerente comercial le ha preguntado cuánto tiempo le tomará realizar todas estas actividades. Para lo cual Ud. deberá:
11.-La red del proyecto es:
a.- b,.
c.- d.-
e.- N.A
12.- Son actividades de la ruta critica:

a) A,B,C,D b) A, B,D,E,F,G c) BCDEF d) A,C,D,E,G e) N.A
13.-¿En cuántos días se lanzará el producto al mercado?

a) 15 días b) 11 días c) 9 días d) 10 días e) N.A
14.- ¿Qué actividades tienen tiempo de holgura?

a) A y B b) C d) B y C d) Todas las actividades e) N.A
.15.- ¿Cuánto tiempo pueden retrasarse las actividades no críticas, antes que se incurra en un retraso de terminación general del proyecto?
a) 10 días b) 5 días c) 3 días d) 1 día e) N.A
PRONÓSTICOS
Se tiene la siguiente información de venta de autos de los últimos 6 meses
VOLUMEN DE
MES VENTAS UN
1 50
2 66
3 75
4 70
5 68
6 72
16.- Realice el análisis de dispersión
a) b) c)
d) e) N.A
17.- Determine el modelo adecuado de regresión

a) y = 3.1714x + 55.733 b) y = 55.125e0.0527x c) y = 10.895ln(x) + 54.887 d) y = 54.348x0.1811 e) N.A
18.- El mejor coeficiente de correlación vale

a) 0.62 b) 0.49 c) 0.83 d) 0.75 e) N.A
19.- ¿Qué nivel de ventas espera alcanzar el mes 7?

a) 77 autos b) 85 autos c) 50 autos d) 70 autos e)N.A
20.- ¿En qué mes se tendrá ventas de 100 autos?

a) 29 mes b) 15 mes c) 45 mes d) 50 mes e) N.A
ANEXO E: Validez de contenido
CERTIFICADO DE VALIDEZ DE CONTENIDO DEL INSTRUMENTO QUE MIDE LA VARIABLE “ANÁLISIS DE INVESTIGACIÓN DE
OPERACIONES”
Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

Si No Si No Si No
DIMENSIÓN: Programación Lineal
1 Se identifica las variables de decisión asignándole un nombre x x x
simbólico, son la razón de ser de la empresa
2 Se expresa el objetivo de la organización global en forma x x x
matemática usando las variables de decisión
3 Expresa de manera matemática las limitantes que las variables x x x
de decisión deben satisfacer
4 Convierte la descripción cualitativa de un problema de la vida x x x
real a forma matemática
5 Interpreta el logro de los objetivos x x x
DIMENSIÓN Colas de espera Si No Si No Si No
6 Identificar los componentes del sistema: población, proceso de x x x
llegada, proceso de colas, disciplina de colas, proceso de
servicio, proceso de salida.
7 Determina el sistema adecuado de acuerdo a características x x x
del problema: tiempo entre llegadas, tiempos de servicios,
estaciones a canales en el sistema
8 Calcula el numero promedio de de clientes que se encuentran x x x
esperando en la cola para ser atendidos
9 Calcula el tiempo promedio que un cliente que llega tenga que x x x
esperar en ser atendido
10 Evalúa ahorros netos a proponer mejoras x x x
DIMENSIÓN Administración de Proyectos Si No Si No Si No
11 Identifica las actividades del proyecto y elabora el diagrama de x x x
red que registra las relaciones de precedencia de actividades
12 Calcula tiempos de inicio y termino de actividades más x x x
temprano y más lejano e identifica las tareas críticas
13 Calcula el tiempo de terminación del proyecto x x x
14 Analiza actividades con holgura de tiempos x x x
15 Analiza actividades que pueden acortarse y calcula los costos x x x
de compresión
DIMENSIÓN Pronósticos Si No Si No Si No
16 Grafica la lluvia de puntos para analizar la tendencia x x x

17 Encuentra la fórmula matemática adecuada para el tratamiento x x x
de datos
18 Encuentra indicadores que determinan el modelo matemático x x x
correspondiente
19 Calcula valores futuros de los siguientes periodos x x x
20 Calcula periodos en que llegara a cantidades requeridas x x x
Observaciones (precisar si hay suficiencia): SUFICIENTE
Opinión de aplicabilidad: Aplicable [ X ] Aplicable después de corregir [ ] No aplicable [ ]
Apellidos y nombres del juez validador. Dra. GLADYS MARCIONILA CRUZ YUPANQUI DNI: 17949772
Especialidad del validador: INVESTIGADOR - MATEMÁTICA

1Pertinencia:El ítem corresponde al concepto teórico formulado.
2Relevancia: El ítem es apropiado para representar al componente o
dimensión específica del constructo 12 de ABRIL del 2021
3Claridad: Se entiende sin dificultad alguna el enunciado del ítem, es
conciso, exacto y directo
Nota: Suficiencia, se dice suficiencia cuando los ítems planteados

son suficientes para medir la dimensión
------------------------------------------
Firma del Experto Informante.

CERTIFICADO DE VALIDEZ DE CONTENDO DEL INSTRUMENTO QUE MIDE LA VARIABLE “ANÁLISIS DE INVESTIGACIÓN DE
OPERACIONES”

Si No Si No Si No
de compresión

de datos
correspondiente
Apellidos y nombres del juez validador. Dr. JUAN MÉNDEZ VERGARAY DNI:09200211
Especialidad del validador: METODÓLOGO
16 de ABRIL del 2021

dimensión específica del constructo


------------------------------------------

OPERACIONES”

Si No Si No Si No
de compresión

de datos
correspondiente
Apellidos y nombres del juez validador. Dr. LUIS ALBERTO NUÑEZ LIRA DNI: 68012101
Especialidad del validador: METODÓLOGO



------------------------------------------

OPERACIONES”

Si No Si No Si No
de compresión

de datos
correspondiente
Apellidos y nombres del juez validador. Dr. LUIS HUMBERTO MANRIQUE SUAREZ DNI: 15651129
Especialidad del validador: INVESTIGADOR-SISTEMAS
9 de ABRIL del 2021



------------------------------------------

OPERACIONES”

Si No Si No Si No
de compresión

de datos
correspondiente
Apellidos y nombres del juez validador. Dr. OSCAR ADRIAN ZAPILLADO HUANCO DNI: 40518967
Especialidad del validador: INVESTIGADOR-MATEMATICA



------------------------------------------

RESUMEN
Validez de contenido del examen de rendimiento análisis de investigación operativa
Para realizar la validez de contenido del cuestionario del examen de rendimiento análisis de
investigación operativa, se llevó a cabo mediante método de criterio de jueces, contando con
cinco profesionales expertos, con grado de Doctor, los resultados evidenciaron que el
instrumento es válido, a través de V de Aiken de 1 lo que nos indica que el cuestionario es
confiable, cumpliendo con los criterios de validez en especial en términos de eficacia.
Tabla
Validez de contenido del Cuestionario de análisis de investigación operativa por medio del
coeficiente V de Aiken
Ítem Juez 1 Juez 2 Juez 3 Juez 4 Juez 5 Aciertos V. de Suficiente

Aiken
P R C P R C P R C P R C P R C
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
7 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
12 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
13 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Sí
14 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
15 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
17 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
18 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
19 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
20 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 1.0 Si
Nota: No está de acuerdo = 0, sí está de acuerdo = 1; P = Pertinencia, R = Relevancia, C = Claridad

ANEXO F: Confiabilidad
Nº 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 1 0 1 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 1 6
2 1 0 0 1 1 1 1 0 0 0 1 0 0 1 1 1 1 1 0 0 11
3 1 1 0 0 0 0 1 0 0 0 0 0 1 1 0 1 1 0 0 1 8
4 0 0 1 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 1 5
5 1 0 1 0 1 1 0 1 1 1 0 0 1 0 0 1 1 0 0 1 11
6 1 1 0 1 1 0 1 1 1 1 1 0 0 0 1 1 0 1 1 0 13
7 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0 1 6
8 0 1 0 0 1 1 1 1 1 1 0 1 0 0 1 1 1 1 0 0 12
9 1 0 0 1 0 0 1 1 0 0 1 0 1 0 0 0 1 1 0 0 8
10 1 0 0 1 1 0 0 1 0 1 0 1 0 0 0 1 1 0 0 1 9
11 1 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 1 7
12 1 0 1 1 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 0 9
13 1 0 1 0 0 0 0 0 0 1 0 0 1 1 0 1 0 0 0 1 7
14 1 1 1 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 0 1 7
15 0 1 0 0 1 1 1 1 0 1 0 0 0 0 1 1 0 0 0 0 8
11 6 8 5 6 5 7 9 4 7 3 3 9 4 4 9 9 7 2 9 5.5523
P 0.7333 0.4 0.5333 0.3333 0.4 0.3333 0.4666 0.6 0.2666 0.4666 0.2 0.2 0.6 0.2666 0.2666 0.6 0.6 0.4666 0.1333 0.6
Q 0.2666 0.6 0.4666 0.6666 0.6 0.6666 0.5333 0.4 0.7333 0.5333 0.8 0.8 0.4 0.7333 0.7333 0.4 0.4 0.5333 0.4
PQ 0.195 0.24 0.2488 0.2222 0.24 0.2222 0.2488 0.24 0.1955 0.2488 0.16 0.16 0.1955 0.1955 0.24 0.24 0.2488 0.24 3.9822
=A19/A18*((BJ2 0.829
KR20 0-BJ23/BJ20) 19255
ANEXO H: Programa
I. TÍTULO: Programa “Invessoft” en el análisis de investigación operativa
II. INFORMACIÓN GENERAL:
1.1. CARRERA PROFESIONAL : Ingeniería Industrial
1.2. CICLO DE ESTUDIOS :V
1.3. MODALIDAD : No presencial (virtual)
1.4. DOCENTE : Nancy Alejandra Ochoa Sotomayor
1.5. SEMESTRE ACADÉMICO :2020-II
III. JUSTIFICACIÓN
La aplicación del programa Invessoft se sustentó en la necesidad de los
estudiantes a conocer modelos de interacción usando diferentes
herramientas didácticas, entre ellas softwares de optimización para un
aprendizaje más efectivo curso de investigación operativa. La metodología
seleccionada fue aplicada a través de 12 sesiones de aprendizaje, donde
las actividades desarrolladas se aplicaron de acuerdo al proceso del
programa ‘Invessoft’
IV. DESCRIPCIÓN DE LA POBLACIÓN A INTERVENIR
Estudiantes de V ciclo, de la Escuela de Ingeniería Industrial, Facultad
de Ingeniería Industrial de una universidad pública.
V. OBJETIVO DEL PROGRAMA
Implementar Programa “Invessoft” en el análisis de investigación operativa
VI. CRONOGRAMA DE ACTIVIDADES
N° Nombre de la Contenido temático Fecha
sesión
1 Programación lineal Formulación y solución manual
2 Programación lineal Formulación y solución manual
3 Programación lineal Formulación y solución POM-
QM
4 Programación lineal Formulación y solución Solver
5 Programación lineal Formulación y solución Lingo
6 Colas de espera Solución POM-QM
7 Colas de espera Solución Solver
8 Colas de espera Solución Lingo
9 Administración de Solución Método tradicional
proyectos
10 Administración de Solución utilizando Solver
proyectos
11 Administración de Solución utilizando POM-QM
proyectos
12 Pronósticos Solución utilizando Solver
VI. METODOLOGÍA
Se basaron en los contenidos de la asignatura, las clases han sido
integrales y participativas, el estudiante se acercó a la realidad a través de
estudios de casos. Se realizaron a través de grupos, casos reforzamiento
y lecturas, en grupos haciendo uso de la tecnología de la información.
Teniéndose en cuenta las actitudes en las investigaciones realizadas.
VII. RECURSOS PARA EL APRENDIZAJE

7.1 Sistema SUMWEB, plataforma.
7.2 Acceso a internet.
7.3 PC o laptop.
7.4 Lecturas especializadas.
7.5 Videos.
7.6 Foros
Sesión 1 y 2: Programación Lineal: formulación y solución
manual
La empresa “Protection” pertenece al sector de producción, que se dedica a la confección de dos
productos que se venden en sus diferentes tiendas de Lima, de gran utilidad para evitar el mayor
riesgo a contagiarse con la COVID-19; la empresa confecciona protectores faciales y overoles. En
base a un estudio realizado por el Ministerio de Salud del Perú, los inventarios actuales y frente a
la demanda exponencial para esta nueva ola de contagios, la empresa “Protectión” se ve obligada a
aumentar su producción combinada entre protector facial y overol, estos deben sumar un total de
450 unidades como mínimo. Por otra parte, también debe suministrar el pedido de 250 protectores
faciales y 136 overoles como mínimo respectivamente, al distrito de Lima con mayor riesgo al
contagio; el protector facial demanda 6 minutos de tiempo para su fabricación, mientras que el
overol requiere unos 30 minutos para su fabricación; además, para la siguiente semana, se cuenta
con 100 horas de tiempo para la fabricación. El objetivo de la empresa “Protection” es lograr la
fabricación de estos productos con costos mínimos para suministrar a la población peruana. Los
costos de producción son 0.5 dólares del protector facial y 5 dólares del overol.
Paso 1: Se identifican las variables de decisión, se formula la función objetivo, las restricciones y
la condición de no negatividad
Mín. (Z)=𝟎. 𝟓𝒙𝟏 + 𝟓𝒙𝟐

𝒙𝟏 ≥ 𝟐𝟓𝟎 Variables de decisión
𝒙𝟐 ≥ 𝟏𝟑𝟔 𝒙𝟏 = número de protectores
𝟏𝒙𝟏 + 𝟏𝒙𝟐 ≥ 𝟒𝟓𝟎 faciales.
0.1𝒙𝟏 + 0.5𝒙𝟐 ≤ 100 𝒙𝟐 = número de overoles.
𝒙𝟏 , 𝒙𝟐 >=0
Resolvemos con el método tradicional:

Estandarizamos y agregamos variables de holgura
Min Z =0.5𝑥1 +5𝑥2 +0𝑥3 +0𝑥4 +0 𝑥5

+ 0𝑥6 + 0𝑥7 + 0𝑥2 + 0𝑥9
1𝑥1 -1𝑥3 +1 𝑥7 = 250
0 𝑥1 +1𝑥2 -1𝑥4 +1𝑥8 = 136
1 𝑥1 + 1𝑥2 -1𝑥5 +1𝑥9 = 450
0.1𝑥1 +0.5𝑥2 +1𝑥6 = 100
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 , 𝑥7 , 𝑥8 , 𝑥9 ≥ 0
En la columna P0
podemos observar las
equivalencias de cada
restricción y en las
columnas P1 y P2 se
observan los coeficientes
de cada restricción. Luego
tomamos el primer
término de la columna P1
para usarlo como pivot.
Luego de muchas interacciones llegamos a la tabla final

Análisis de la tabla final
Observe la longitud del procedimiento para obtener cada tabla. En este problema solo usamos 2
variables y 4 restricciones, lo cual nos hace ver lo complejo que sería resolverlo de manera manual
con un mayor número de variables y restricciones.
Fila pivote (Fila 1): Fila 2: Fila 3: Fila 4:
250 / 1 = 250 136 - (0 * 250) = 136 450 - (1 * 250) = 200 100 - (0.1 * 250) = 75
1/1=1 0 - (0 * 1) = 0 1 - (1 * 1) = 0 0.1 - (0.1 * 1) = 0
1 - (0 * 0) = 1 1 - (1 * 0) = 1 0.5 - (0.1 * 0) = 0.5
0/1=0
0 - (0 * -1) = 0 0 - (1 * -1) = 1 0 - (0.1 * -1) = 0.1
-1 / 1 = -1 -1 - (0 * 0) = -1 0 - (1 * 0) = 0 0 - (0.1 * 0) = 0
0/1=0 0 - (0 * 0) = 0 -1 - (1 * 0) = -1 0 - (0.1 * 0) = 0
0/1=0 0 - (0 * 0) = 0 0 - (1 * 0) = 0 1 - (0.1 * 0) = 1
0/1=0 0 - (0 * 1) = 0 0 - (1 * 1) = -1 0 - (0.1 * 1) = -0.1
1/1=1 1 - (0 * 0) = 1 0 - (1 * 0) = 0 0 - (0.1 * 0) = 0
0/1=0 0 - (0 * 0) = 0 1 - (1 * 0) = 1 0 - (0.1 * 0) = 0
0/1=0
Finalmente llegamos a la
Tabla -
-5 0 0 0 0 última tabla y observamos
1 0.5
las respuestas de ambas
Base Cb P0 P1 P2 P3 P4 P5 P6 variables X1 y X2, que
corresponde a la cantidad de
- 0
P1
0.5
314 1 0 0 1 -1 protectores faciales (314) y a
de los overoles (136).
P2 -5 136 0 1 0 -1 0 0 También, obtenemos la
P3 0 64 0 0 1 1 -1 0 solución óptima que vendría
a ser 837
P6 0 0.6 0 0 0 0.4 0.1 1
-
Z 0 0 4.5 0.5 0
837
Sesión 3: Programación Lineal: formulación y solución
POM-QM
La empresa “Protection” pertenece al sector de producción, que se dedica a la confección

de dos productos que se venden en sus diferentes tiendas de Lima, de gran utilidad para evitar el
mayor riesgo a contagiarse con la COVID-19; la empresa confecciona protectores faciales y
overoles. En base a un estudio realizado por el Ministerio de Salud del Perú, los inventarios actuales
y frente a la demanda exponencial para esta nueva ola de contagios, la empresa “Protectión” se ve
obligada a aumentar su producción combinada entre protector facial y overol, estos deben sumar
un total de 450 unidades como mínimo. Por otra parte, también debe suministrar el pedido de 250
protectores faciales y 136 overoles como mínimo respectivamente, al distrito de Lima con mayor
riesgo al contagio; el protector facial demanda 6 minutos de tiempo para su fabricación, mientras
que el overol requiere unos 30 minutos para su fabricación; además, para la siguiente semana, se
cuenta con 100 horas de tiempo para la fabricación. El objetivo de la empresa “Protection” es lograr
la fabricación de estos productos con costos mínimos para suministrar a la población peruana. Los
Mín. (Z)=𝟎. 𝟓𝒙𝟏 + 𝟓𝒙𝟐

𝒙𝟏 , 𝒙𝟐 >=0
Paso 1 : Abrir el software POM-QM y ubicar el módulo linear programming

Paso 2: Una vez que a seleccionado el módulo Linear programming, ingrese los datos de las
variables y restricciones del problema planteado.
Paso 3: Luego de ingresar la data correspondiente, revisar la lista desplegable y escoger la

opción correspondiente
Paso 4: Evaluar la solución gráfica
Paso 5 : Interpretar los informes
Con el software POM-QM las respuestas de ambas variables X1 y X2,

que corresponde a la cantidad de protectores faciales (314) y a de los
overoles (136).
También, obtenemos la solución óptima que vendría a ser 837.
Además se obtienen valores para el análisis sensibilidad
Sesión 4 : Programación Lineal: formulación y solución
Solver

Mín. (Z)=𝟎. 𝟓𝒙𝟏 + 𝟓𝒙𝟐

𝒙𝟏 , 𝒙𝟐 >=0
Paso 1: Activar la funcion solver en Excel

Empezamos creando nuestra base de datos en Excel, con las fórmulas de cada casillero pintado.
Paso 2: Ingresamos la data y programamos las restricciones
PRODUCTOS Protectores faciales Overoles
Cantidad(u)
Costo de producción($/u) 0.5 5

COSTO TOTAL 0
Restricciones Requerimiento Usado Sobrante

Producción mínima de
1 >= 250 0 -250
protectores faciales
Producción Mínima de overoles 1 >= 136 0 -136
Producción Mínima de ambos

1 1 >= 450 0 -450
productos(u)
Tiempo de producción(hr) 0.1 0.5 <= 100 0 100
Paso 3: Utilizando Solver establecemos el objetivo, que en este caso sería el costo que nos tomará
fabricar los implementos.
Paso 4: Revisar e interpretar los informes de sensibilidad y hoja de respuestas
Celda objetivo (Mín)
Celda Nombre Valor original Valor final
COSTO TOTAL Protectores
$F$24 faciales y overoles 0 837
El costo total de producción es de $ 837
Celdas de variables
Final Reducido Objetivo Permisible Permisible
Celda Nombre Valor Coste Coeficiente Aumentar Reducir
$F$21 Cantidad(u) Protectores faciales 314 0 0.5 4.5 0.2
$G$21 Cantidad(u) Overoles 136 0 5.0 3.0 4.5
La producción optima es de 314 protectores faciales y 136 overoles.

El rango de costos de los protectores faciales puede variar entre: $0.5 - $ 0.2 =$0.3 y $0.5 +$ 4.5 =
$5.00, por lo tanto, el rango del coeficiente objetivo protector facial es de $0.3 a $5.0. Igualmente,
el rango del costo de los overoles puede variar $5 - $ 4.5 =$0.5 y $5 +$3.0 = $8.0. Mientras el
coeficiente de la función objetivo este dentro de estos intervalos la producción óptima de
protectores faciales y overoles no variará.
Restricciones
Final Sombra Restricción Permisible Permisible
Lado
Celda Nombre Valor Precio derecho Aumentar Reducir
$J$27 protectores faciales 314 0 250 64 1.00E+30
Producción mínima de 1.5
$J$28 overoles 136 4.5 136 136
$J$29 ambos productos 450 0.5 450 6 64
$J$30 Tiempo de producción 99.4 0 100 1E+30 0.6
Se producen 314 protectores faciales, 64 unidades más de la cantidad mínima.

Se producen 136 overoles, igual que la cantidad mínima requerida hay un aumento permisible de
1.5 y una disminución permisible de 136, entonces se obtiene el intervalo (0,137.5), cuando se
trabaja dentro de este intervalo los costos se incrementarán en este monto.
La empresa dispone de 100 horas en el área de producción y utiliza 99.4 horas, le queda
disponible 0.6 horas que puede reducirlos para su mejor uso.
Sesión 5: Programación Lineal: formulación y solución
Lingo

Mín. (Z)=𝟎. 𝟓𝒙𝟏 + 𝟓𝒙𝟐

𝒙𝟏 , 𝒙𝟐 >=0
Paso 2: Instalar lingo en la computadora

Paso 4: Abrir Lingo e insertar la función objetivo a minimizar y las respectivas restricciones
Mín. (Z)=𝟎. 𝟓𝒙𝟏 + 𝟓𝒙𝟐

𝒙𝟏 ≥ 𝟐𝟓𝟎
𝒙𝟐 ≥ 𝟏𝟑𝟔
𝟏𝒙𝟏 + 𝟏𝒙𝟐 ≥ 𝟒𝟓𝟎
0.1𝒙𝟏 + 0.5𝒙𝟐 ≤ 100
𝒙𝟏 , 𝒙𝟐 >=0
Paso 5: Ahora analizar los resultados ofrecidos por Lingo
Valores de
las variables
Variable Value Reduced Cost

A 314.0000 0.000000 Valores óptimos de las
Valor óptimo B 136.0000 0.000000 variables de holgura en
de la función
el dual
objetivo
Row Slack or Surplus Dual Price
1 837.0000 -1.000000
2 64.00000 0.000000
3 0.000000 -4.500000
Valores óptimos de las
4 0.000000 -0.5000000
variables de holgura en
el primal 5 0.6000000 0.000000
6 314.0000 0.000000
7 136.0000 0.000000
Paso 6: Ahora analizar el reporte de sensibilidad que se obtiene de Lingo.
Ob Coefficient Ranges:
Current Allowable Allowable

Variable Coefficient Increase Decrease
A 0.5000000 4.500000 0.5000000
B 5.000000 INFINITY 4.500000
Righthand Side Ranges:
Current Allowable Allowable

Row RHS Increase Decrease
2 250.0000 64.00000 INFINITY
3 136.0000 1.500000 136.0000
4 450.0000 6.000000 64.00000
5 100.0000 INFINITY 0.6000000
6 0.000000 314.0000 INFINITY
7 0.000000 136.0000 INFINITY
Incrementos y disminuciones
Incrementos y disminuciones permitidas de los términos
permitidas de los coeficientes de las independientes de las restricciones del
variables del primal para que la primal para que la solución del dual no
solución del primal no cambie cambie.
Sesión 6: Colas de espera con POM-QM
Supongamos que en un call center con 5 servidores llegan a llamar en promedio 245 clientes por
hora. Se tiene capacidad para atender en promedio a 60 clientes por hora y se sabe que los clientes
esperan en promedio 5 minutos en la cola. Se solicita:
a) ¿Cuál es en tiempo promedio que un cliente pasa en el sistema?
b) ¿Cuál es el numero promedio de clientes en la cola?
c) ¿Número promedio de clientes en el sistema en un momento dado?
Paso 1: Analicemos la información que nos ayudará a resolver el problema, tenemos 3 variables
principales (µ, λ, Wq)
245 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
λ =245 clientes/ hora (promedio de llegada de los clientes) =
60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
µ =60 clientes/ hora (promedio de servicio por cliente) =
Wq = 5 minutos (tiempo promedio de espera de un cliente)
Paso 2: Con esta información podremos tener los resultados en el software “QM for Windows”.
Al tenerla instalada, nos dirigimos al “árbol de módulos” (module tree), panel donde encontramos
todas las distintas herramientas de solución.
Paso 3: Caso que no aparezca por defecto o se oculte por accidente, podemos habilitarla
nuevamente en la pestaña “VIEW” y seleccionamos el panel “Module Tree”.
Paso 4:
Seleccionaremos la opción “Waiting Lines” (Líneas

de espera), ya que es el tipo de problema que vamos a
solucionar. En este caso escogeremos “M/M/s” ya que
nuestro problema se basa en más de un servidor.
Paso 5: Aparecerá es previo cuadro donde puedes

agregarle un título al problema, lo nombraremos “CALL
CENTER”. Después, solo le damos en “OK”.
Paso 6: Tendremos unos casilleros que rellenar, casilleros donde colocaremos nuestra
información del problema.
Completando, nuestra “taza de llegada” (arrival rate) es 245 clientes en un periodo de 1 hora. Así
como la taza de servicio (service rate), donde podemos atender a 60 clientes en el mismo período
de tiempo.
Agregamos los números de servidores existentes, en este caso hay 5 servidores operando y por
último, la unidad de tiempo que estamos empleando el cual sería “horas”.
Paso 7: Terminamos presionando la opción “Solve” (resolver) y el problema ya tendrá un

resultado.
Paso 8: A partir de aquí, podremos tener la facilidad de 4 tablas que nos facilitará información
valiosa.
Empezando por los “resultados de líneas de espera” (waiting lines results).

Paso 9: De aquí interpretamos varios datos como:
1. La “utilización media de los servidores” es óptima, ya que se valora en “0.82” u “82%”.
2. La media de clientes en la cola será de “2.61”, oseá 3 clientes en espera.
3. La media de clientes en el sistema, ósea en espera y atendiendo será de “6.7”, entre 6 u 7
clientes.
4. El tiempo medio que pasa en la cola es de “38.4 seg”, es el tiempo que pasa en espera.
5. Agregándole el tiempo de servicio que sería “1 minuto”, el tiempo total en el sistema
sería de “98.4 seg”. en espera.
6. Agregándole el tiempo de servicio que sería “1 minuto”, el tiempo total en el sistema
sería de “98.4 seg”.
TEORÍA DE COLAS CON EXCEL QM

Sesión 7: Colas de espera con Solver
Paso 1: Analicemos la información que nos ayudará a resolver el problema, tenemos 3 variables
principales (µ, λ, Wq)
λ =245 clientes/ hora (promedio de llegada de los clientes) =
µ =60 clientes/ hora (promedio de servicio por cliente) =
Wq = 5 minutos (tiempo promedio de espera de un cliente)
Paso 2: Con esta información ya podremos completar lo requerido en la herramienta.
Nota: Esta es una extensión de Excel, debe ser descargada previamente de internet para poder
implementarla y utilizarla.
Tutorial en este enlace: https://www.youtube.com/watch?v=j7lRsDSs2xU&t=199s
Abrimos la extensión que tiene como ícono esta imagen.
Paso 3: Nos aparecerá la extensión en la barra de herramientas, nos

dirigimos a ella y podremos comenzar a utilizarla.
Paso 4: Teniendo las opciones habilitadas empezaremos buscando el capítulo llamado “Queuing
Analysis” (análisis de colas), tema el cual corresponde este ejercicio.
Paso 4: Nos aparecerá una lista de tipos de colas, ya que nuestro ejercicio tiene 5 servidores, nos
será necesario el modelo de varios servidores. Denominado en la tabla como “Multiple Server
Model” (modelo de servidor múltiple”
Paso 5: Esto nos habilitará una tabla de inicialización, donde colocaremos el título y nombre de
hoja. Terminado esto podemos dale en “OK
”.
Paso 6: Ya podemos empezar a completar con la información obtenida anteriormente.
1. Empezamos por aquí:

- Rango de Llegada es 245 clientes
- Rango de Servicios es de 60 clientes.
2. Por último:
- Tenemos 5 servidores habilitados.
Paso 7: Con ello ya tenemos la solución
pedida, agrego que 3. Automaticamente:

esta herramienta también nos habilita ver - La tabla rellena los resultados pedidos,
con ella podemos visualizar la misma
la tabla de sensibilidad, también se rellena
información obtenida como en POM QM.
automáticamente al poner las variables en
el primer c,
Sesión 8: Colas de espera con lingo
Un asistente contable recibe facturas para ingresar los datos al sistema. Suponga que puede usarse
una distribución de probabilidad de Poisson con una tasa media de 10 facturas por hora para
describir el patrón de llegada y que los tiempos tasa media de 12 facturas por hora con tiempos de
servicio exponenciales. El costo de espera de un cliente es de 20$/hora, mientras que el costo de
servicio es de 15 $/ hora.
Paso 1: Abrir el programa seleccionamos Waiting Lines
Paso 2: En File vamos a new y seleccionamos el modelo M/M1
Paso 3: Tenemos dos opciones si vamos a realizar un cálculo de costos o no. Señalamos en Use
cost, si no hay datos para calcular costos no hay problema estos no se calculan pero los otros
parámetros sí, clic en ok.
Paso 3: Se llenan los datos del caso
Paso 4: En la barra de herramienta en Windows podemos desplegar los resultados, como la

tabla de probabilidades y el gráfico.
Paso 5: Analizar e interpretar las salidas.

Sesión 9: Administración de proyectos método
tradicional
Proyecto CASA La Compañía constructora PREFAB ha identificado nueve actividades que tiene
lugar durante la construcción de una casa. Las cuales se enumeran a continuación
Dibuje la matriz de precedencia del proyecto, dibuje la red del proyecto, calcule las fechas Inicio
Temprano e Inicio Tardío de cada actividad, identifique el camino crítico.
Paso 1: Elaborar tabla de precedencias
ID TAREA DESCRIPCION PREDEC TN

1 EST Elegir la estructura 2 5
2 CIM Hacer los cimientos 3
3 VITE Poner las vigas techo 1 2
4 RETE Revestir el techo 3 3
5 ELEC Cableado eléctrico 1 4
6 EXT Tablas paredes exteriores 7 4
7 VENT Colocar las ventanas 1 2
8 PINT Tablas paredes interiores 4;6;8 2
9 INT Pintura ext. e int. 5;7 3
Paso 2 Calculo de tiempo y costos

ID TN TF CN CF Costo día REC
1 5 4 100.00 150.00 CARP1;CARP2
2 3 3 50.00 50.00
3 2 2 80.00 80.00 CARP1;CARP2
4 3 2 80.00 85.00
5 4 2 60.00 80.00
6 4 2 100.00 150.00 CARP1
7 2 2 30.00 30.00 CARP2
8 2 2 500.00 500.00
9 3 2 180.00 240.00 CARP1
Paso 3: Graficar la red de precedencia
ruta
crítica
Paso 4: Programación de las actividades en el tiempo
Sesión 10 Administración de proyectos utilizando
Solver
La empresa “Scrapbooking” se dedica a importar y distribuir diversos artículos de marcas

reconocidas de scrapbook de América y Europa, quiere implementar la venta online de los artículos
que ofrece. Para el logro de dicho objetivo, se requiere una planificación con determinadas
actividades cuyo tiempo estimado no es fijo por los imprevistos que pueden ocurrir en el desarrollo
de cada una de estas. Se pide hallar la ruta crítica y su grafica siguiendo los datos que muestra la
siguiente tabla:
Paso 1: Elaborar tabla de precedencias
TIEMPO
ITEM ACTIVIDAD PREDECESORES
OPTIMISTA NORMAL PESIMISTA
A Informarse acerca del scrap 3 5 10 -

B Asistir a talleres de rubro 2 4 8 A
C Buscar proveedores en Lima 1 4 7 B
D Coordinar reuniones 5 10 15 C
E Inscribirse a cursos de papelería 2 5 9 B
F Inscribirse a cursos de diseño 1 5 10 B
G Capacitarse en la maquinaria 3 7 18 B
H Desarrollo de página Facebook 1 3 5 C
I Unirse a páginas de Facebook 1 3 5 F, E
J Obtener el numero RUC 1 3 7 H, D
K Registrar en Sunat 5 15 31 J
L Desarrollo de catálogo 2 4 7 H, I
M Presentación como tienda virtual 1 2 16 G
N Compra de materiales 2 4 6 K, L, M
O Contratar servicio delivery 1 3 5 N
P Actualizaciones y promociones 1 2 6 O
Paso 2 Esta al ser una extensión de Excel, debe ser descargada previamente de internet para poder
implementarla y utilizarla.
Enlace con un tutorial de uso: https://www.plandemejora.com/proyectos-en-excel-pert-cpm-ruta-
critica/
Paso 2: Abrir Microsoft Excel. Seleccionar en complementos y seleccionamos OM_IE -> Project
Management -> New problem.
Paso 3: Establecer el número de actividades del proyecto y también el número máximo de

predecesores entre todas las actividades. En este caso el número de actividades vendría a ser 16
pero debemos sumarle 2 para incluir el inicio y el final de todo el proceso, por lo cual nos daría la
cantidad de 18. En el caso de predecesores es 3 porque la actividad N presenta la máxima cantidad
de predecesores.
N° de actividades. Se incluye dos más

que vendrían a ser el inicio y el final.
N° de predecesores. Se incluye el
número máximo de predecesores de
todas las actividades existentes.
Medición del tiempo. Colocar la

medición del tiempo, en este caso
Weeks por desarrollarse en semanas.
Tiempo de Actividad. Colocar el

tiempo en random ya que tenemos
más de un valor en el mismo.
Paso 4: En la pantalla podremos ver la tabla en donde deberemos colocar los valores del
problema en los casilleros que corresponden. Por un lado, poner los predecesores de cada
actividad y por el otro, el tiempo que toma desarrollar cada una de las mismas.
Activity Data Activity Time Estimates
Most Time Activity
Critical Name Description Predecessors Color Min. Likely Max. Mean S.D. Var. Weeks Delay
1 0 Start Activity Start 0 0 0 0 0 0 0 0
2 0 A Activity A 3 5 10 5.5 1.1667 1.3611 5.5 0
3 0 B Activity B A 2 4 8 4.3333 1 1 4.3333 0
4 0 C Activity C B 1 4 7 4 1 1 4 0
5 0 D Activity D C 5 10 15 10 1.6667 2.7778 10 0
6 0 E Activity E B 2 5 9 5.1667 1.1667 1.3611 5.1667 0
7 0 F Activity F B 1 5 10 5.1667 1.5 2.25 5.1667 0
8 0 G Activity G B 3 7 18 8.1667 2.5 6.25 8.1667 0
9 0 H Activity H C 1 3 5 3 0.6667 0.4444 3 0
10 0 I Activity I F E 1 3 5 3 0.6667 0.4444 3 0
11 0 J Activity J H D 1 3 7 3.3333 1 1 3.3333 0
12 0 K Activity K J 5 15 31 16 4.3333 18.778 16 0
13 0 L Activity L H I 2 4 7 4.1667 0.8333 0.6944 4.1667 0
14 0 M Activity M G 1 2 16 4.1667 2.5 6.25 4.1667 0
15 0 N Activity N K L M 2 4 6 4 0.6667 0.4444 4 0
16 0 O Activity O N 1 3 5 3 0.6667 0.4444 3 0
17 0 P Activity P O 1 2 6 2.5 0.8333 0.6944 2.5 0
18 0 End Activity End 0 0 0 0 0 0 0 0
0
Valores digitalizados de manera Resaltado de color

manual: Predecesores (expresado amarillo, los valores
en letras) y el tiempo (expresado automáticos que el
en números). complemento nos
brinda.
Paso 5: Al dar click en resolver, el complemento nos muestra el cuadro desarrollado, en donde en
la sección amarilla podemos encontrar la mayor parte de la información que requerimos para
resolver el problema.
Times(Proj. Weeks)
Due 100
Como datos generales obtenemos: El
Critical 52.667 tiempo estimado de la ruta crítica
Var. 27.5 (52.667 semanas), la varianza general
(27.5) y la desviación estándar (5.244).
SD. 5.244
On Time Prob. 1
Slack 47.333
Late 0
MEAN: Tiempo
Current 0 estimado de cada
actividad
Activity Data Activity Time Estimates
Most Time Activity
Critical Name Description Predecessors Color Min. Likely Max. Mean S.D. Var. Weeks Delay
1 1 Start Activity Start 0 0 0 0 0 0 0 0
2 1 A Activity A 3 5 10 5.5 1.1667 1.3611 5.5 0
3 1 B Activity B A 2 4 8 4.3333 1 1 4.3333 0
4 1 C Activity C B 1 4 7 4 1 1 4 0
5 1 D Activity D C 5 10 15 10 1.6667 2.7778 10 0
6 0 E Activity E B 2 5 9 5.1667 1.1667 1.3611 5.1667 0
7 0 F Activity F B 1 5 10 5.1667 1.5 2.25 5.1667 0
8 0 G Activity G B 3 7 18 8.1667 2.5 6.25 8.1667 0
9 0 H Activity H C 1 3 5 3 0.6667 0.4444 3 0
10 0 I Activity I F E 1 3 5 3 0.6667 0.4444 3 0
11 1 J Activity J H D 1 3 7 3.3333 1 1 3.3333 0
12 1 K Activity K J 5 15 31 16 4.3333 18.778 16 0
13 0 L Activity L H I 2 4 7 4.1667 0.8333 0.6944 4.1667 0
14 0 M Activity M G 1 2 16 4.1667 2.5 6.25 4.1667 0
15 1 N Activity N K L M 2 4 6 4 0.6667 0.4444 4 0
16 1 O Activity O N 1 3 5 3 0.6667 0.4444 3 0
17 1 P Activity P O 1 2 6 2.5 0.8333 0.6944 2.5 0
18 1 End Activity End 0 0 0 0 0 0 0 0
20
CRITICAL: En la primera columna las celdas

VAR: Varianza de cada
de color rojo nos indican la ruta crítica.
actividad.
En este caso la respuesta vendría a ser:
ABCDJKNOP
Paso 6: Análisis del grafico que obtenemos al dar click en graphic. En este se puede observar la
ruta crítica con borde rojo y relleno verde. Esta misma vendría a ser la respuesta a nuestro
problema.
Aquí podemos apreciar con mayor
detalle la ruta crítica y determinamos
que las actividades que la
conforman son: ABCDJKNOP
También podemos obtener el grafico de Gantt en donde podemos determinar la ruta crítica porque
al inicio de una actividad inmediatamente inicia otra y esta abarca todo el rango de duración en
semanas.
Gantt Chart
Proj. Weeks 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 3
Time 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity Start 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity A 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity B 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity C 0 0 0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity D 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0
Activity E 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity F 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity G 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity H 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity I 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity J 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0
Activity K 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2
Activity L 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0
Activity M 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0
Activity N 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity O 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity P 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Activity End 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
En este caso observamos que se

cumple en la actividad: ABCDJKNOP;
el cual esta sombreado con un cuadro
celeste para facilitar su visibilidad
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Sesión 11: Administración de proyectos POM-QM
Paso 1: Abrir QM for Windows luego de haber sido previamente descargado, esta aplicación se
puede encontrar de manera sencilla al buscarlo por el navegador de su preferencia
Paso 2: En la barra de comandos se observa distintas funciones que nos permite desarrollar
muchos tipos de problemas del curso de investigación de operaciones. En este caso nos
dirigiremos a Project Management (PERT/CPM)
Tiempo de Actividad. Colocar el tiempo

como THREE TIME ESTIMATE ya que tenemos
tres tiempos: optimista, normal y pesimista.
Paso 3: En este momento ingresaremos el número de actividades existentes y la manera en cómo

queremos que se nos represente las actividades. En este caso escogemos 16 como cantidad de
acuerdo a la tabla y ordenar las actividades con letras del abecedario. Luego daremos click en OK
Paso 4: Luego de dar click en OK, nos saldrá una tabla en donde deberemos digitalizar de
manera manual el tiempo de cada actividad y los predecesores de cada una de estas. Estos valores
nos dan de dato en la tabla del problema. Luego dar click en SOLVE
ADM. DE PROYECTOS - SCRAPBOOKING
TIME PREDECESOR
ACTIVITY MOST
OPTIMISTIC PESSIMISTIC P1 P2 P3
LIKELY
A 3 5 10
B 2 4 8 A
C 1 4 7 B
D 5 10 15 C
E 2 5 9 B
F 1 5 10 B
G 3 7 18 B
H 1 3 5 C
I 1 3 5 F E
J 1 3 7 H D
K 5 15 31 J
L 2 4 7 H I
M 1 2 16 G
N 2 4 6 K L M
O 1 3 5 N
P 1 2 6 O
Paso 5: Luego de dar click en SOLVE obtendremos la duración del proyecto, así como también
el inicio y final de cada actividad de manera temprana y tardia, finalmente obtenemos el slack.
PROJECT. En la primera fila obtenemos que el tiempo

estimado del projecto en general es de 52.67 semanas;
la desviación estándar, 5.24 y la varianza, 27.5
Activity Activity Early Early Late Late Slack Standar Variance

time Start Finish Start Finish Deviation
Project 52.67 5.24 27.5
A 5.5 0 5.5 0 5.5 0 1.17 1.36
B 4.33 5.5 9.83 5.5 9.83 0 1 1
C 4 9.83 13.83 9.83 13.83 0 1 1
D 10 13.83 23.83 13.83 23.83 0 1.67 2.78
E 5.17 9.83 15 30.83 36 21 1.17 1.36
F 5.17 9.83 15 30.83 36 21 1.5 2.25
G 8.17 9.83 18 30.83 39 21 2.5 6.25
H 3 13.83 16.83 20.83 23.83 7 0.67 0.44
I 3 15 18 36 39 21 0.67 0.44
J 3.33 23.83 27.17 23.83 27.17 0 1 1
K 16 27.17 43.17 27.17 43.17 0 4.33 18.78
L 4.17 18 22.17 39 43.17 21 0.83 0.69
M 4.17 18 22.17 39 43.17 21 2.5 6.25
N 4 43.17 47.17 43.17 47.17 0 0.67 0.44
O 3 47.17 50.17 47.17 50.17 0 0.67 0.44
P 2.5 50.17 52.67 50.17 52.67 0 0.83 0.69
En la primera columna las STANDAR DEVIATION: VARIANCE: Varianza

letras en negrita y de color rojo Desviación estándar de de cada actividad.
nos indican la ruta crítica. cada actividad.
En este caso la respuesta
vendría a ser: ABCDJKNOP
Paso 6: Análisis del grafico que obtenemos. En este se puede observar la crítica con borde rojo.
Esta misma vendría a ser la respuesta a nuestro problema.
Aquí podemos apreciar con mayor detalle la ruta crítica y determinamos que las
actividades que la conforman son: ABCDJKNOP
Además, obtenemos el grafico de Chantt. Este nos muestra de color rojo, la ruta crítica que vendría
a ser nuestra respuesta: ABCDJKNOP
Sesión 12: Pronósticos con Solver
Paso 1: Activar solver, ingresar la información, en la hoja de demanda, de acuerdo a los datos
históricos que se tengan, se debe ingresar el número de periodos de demanda, histórica en la celda.
Paso 2: Definir los periodos e ingresar cada uno de los datos de la demanda histórica y graficar
Paso 3: Elegir el menor modelo

ESCUELA DE POSGRADO
DOCTORADO EN EDUCACIÓN
Declaratoria de Originalidad del Autor
Yo, OCHOA SOTOMAYOR NANCY ALEJANDRA estudiante de la ESCUELA DE

POSGRADO del programa de DOCTORADO EN EDUCACIÓN de la UNIVERSIDAD
CÉSAR VALLEJO SAC - LIMA ESTE, declaro bajo juramento que todos los datos e
información que acompañan la Tesis titulada: "PROGRAMA INVESSOFT" EN EL
ANÁLISIS DE INVESTIGACIÓN OPERATIVA EN ESTUDIANTES DE INGENIERÍA
INDUSTRIAL DE UNA UNIVERSIDAD PÚBLICA, LIMA 2021", es de mi autoría, por lo
tanto, declaro que la Tesis:
1. No ha sido plagiada ni total, ni parcialmente.

2. He mencionado todas las fuentes empleadas, identificando correctamente toda cita
textual o de paráfrasis proveniente de otras fuentes.
3. No ha sido publicada, ni presentada anteriormente para la obtención de otro grado
académico o título profesional.
4. Los datos presentados en los resultados no han sido falseados, ni duplicados, ni
copiados.
En tal sentido asumo la responsabilidad que corresponda ante cualquier falsedad,
ocultamiento u omisión tanto de los documentos como de la información aportada, por lo
cual me someto a lo dispuesto en las normas académicas vigentes de la Universidad
César Vallejo.
Nombres y Apellidos Firma
OCHOA SOTOMAYOR NANCY ALEJANDRA

Firmado digitalmente por:
DNI: 10042858 NOCHOA5 el 05-08-2021
03:55:37
ORCID 0000-0001-6190-3404
Código documento Trilce: INV - 0302869

Ochoa SNA-SD PDF

Cargado por

Copyright:

Formatos disponibles

Ochoa SNA-SD PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ochoa SNA-SD PDF

Cargado por

Copyright:

Formatos disponibles

ESCUELA DE POSGRADO

PROGRAMA ACADÉMICO DE DOCTORADO EN

Programa “Invessoft” en el análisis de investigación operativa en

TESIS PARA OBTENER EL GRADO ACADÉMICO DE:

Tabla 1 Distribución de la población por grado y sexo 28

Figura 1 Pantalla de inicio de POM-QM 11

El estudio realizado tuvo como objetivo: determinar la influencia del programa

Palabras clave: Programa, Invessoft, investigación, operativa, programación,

Keywords: Invessoft, program, operations, research, linear, programming.

O objectivo do estudo era o seguinte: Determinar a influência do programa Invessoft

Palavras-chave: software, Invessoft, pesquisa, operacional, programação, linear.

Nota: Extraído de software POM-QM

Nota. En Module se va a seleccionar el módulo en el cual se desee trabajar.

Luego de seleccionar la ruta: File/New. Para la creación de un nuevo archivo

Nota. Microsoft Excel 2016

También comprende el programa Lingo (LINear Generalize Optimizer), de

También, comprende el programa WinQSB, que según (Long-Chang, 2003),

Nota . Manual de uso de WinQSB

Max o min Z= C1 X1 + C2X2 + ….. + CnXn

A11X1 + A12X2 + ……….

A11X1 + A12X2 +……… A1nXn ≤ B1

A11X1 + A12X2 +……….. A1nXn ≤ B1

De forma sumatorial, donde se hace uso de sumatorias de la siguiente

Nota: Elaboración propia

Nota: Elaboración propia

Sistemas de colas: Etiquetas para distintos modelos

Fórmulas para calcular el desempeño del modelo de colas

Fuente: Adaptado de Jacobs

Fuente: Adaptado de Jacobs

Grupos Estudiantes Total

Nota. Nóminas de matrícula 2021

La confiabilidad de los instrumentos, según Hidalgo (2006) es el grado de

Al analizar la tabla, de los 80 estudiantes en la investigación: 26.2% (21) alcanzarón

% dentro de GRUPO 10.0% 25.0% 17.5%

% dentro de GRUPO 60.0% 65.0% 62.5%

Para efectos de la utilización del estadístico para la prueba de hipótesis, se aplicó

Se ha evaluado la normalidad de los datos considerando el puntaje total de cada

Ho : La variable Análisis de investigación operativa y sus dimensiones tienen

Grupo N Media Desviación Media de Coeficiente

Total Control 40 10,350 2,08228 ,32924 20.09%

En la tabla de verificación de la influencia de la variable independiente sobre la

Grupo N Media Desviación Media de Coeficiente

Programación Experimental 40 3,58 1,259 ,199 35.16%

Grupo N Media Desviación Media de Coeficiente

Colas de Experimental 40 ,83 ,385 ,385 46.38%

Segunda: Se recomienda a los decanos la implementación de programas de tutoría

Tercera: Se recomienda a los directores de escuela implementar los laboratorios

Cuarta: Se recomienda a los docentes que enseñan el curso de investigación

Quinta: Se recomienda a los directores de escuela implementar los laboratorios

1 Sensibilización e invitación a los -Examen diagnóstico. -Plataforma - Pruebas de

2 Dominar la metodología de resolución -Modelamiento de problemas - Plataforma Trabajos prácticos

-Presentar diferentes aplicaciones

4 Comprender el procedimiento de -Gráficas de desigualdades y - Plataforma - Pruebas de

5 Representar mediante un modelo -Sinopsis de solución por - Plataforma Trabajos prácticos

7 Comprender y aplicar los algoritmos y -Heurística, objetivos múltiples - Plataforma Prueba de

Rosales, P. (2021). PLAN-DEMIA: Planning the production of tons of plastic using

Variable: Análisis de Investigación operativa

INDICADORES Escala/Rangos Técnica

Problema Objetivos Hipótesis Variables e indicadores