INSTITUTO TECNOLOGICO

SUPERIOR DE IRAPUATO

Carrera: Ingeniería industrial

Nombre de la actividad: PROYECTO INTEGRADOR

Fase 2: Compendio de ejercicios realizados en Tema
1 y Tema 2 tema 3

Materia: Investigación de operaciones

Profesor: Arturo Martínez González

Alumno: José Carlos Tornero Romero

Fecha: 5 abril 2020

Introducción a la investigación de operaciones

Debido al rápido crecimiento de los sistemas de información aunado a las múltiples

adaptaciones que sufren las organizaciones mediante el uso de nuevas tecnologías para la
toma de decisiones, surge la necesidad de restructurarse nuevamente para la toma de
decisiones apoyadas en un sistema que permita visualizar con eficacia el proceso de
productividad en la organización.

La alta competitividad que existe en los mercados hace que la toma de decisiones sea más
rápida, la postergación da ventaja, al contrario, así es cuando no se cuenta con los equipos de
información y conocimientos adecuados para hacer frente al marco legal de la globalización.

La palpable dificultad de tomar decisiones ha hecho que el hombre busque herramientas o

métodos que se lo permitan en el menor tiempo posible, minimizando de esta manera los
factores de riesgo, basados en el uso de la tecnología que hoy en día impera. Tales
herramientas que dan consistencia para la aplicación de la toma de sesiones se encuentra en
los modelos matemáticos de “investigación de operaciones”. Estos modelos relacionan las
variables típicas sumergidas en las variantes de una empresa, como son:

 La organización
 Ventas
 Compras
 Gastos
 Producción
 Materia prima
 Costos
 Utilidad
 Insumos
 Entre otros
Ejercicios desarrollados en el tema

1.-La compañía SIGMA fabrica pupitres, sillas y mesas, para los cuales ha establecido que
rinden una contribución a las utilidades de $ 5.000, $6.000 y $3.000 por unidad
respectivamente. Para la producción de dichos artículos la compañía cuenta con una
disponibilidad semanal de 150 metros de madera, 120 metros de tubo y 200 horas-hombre de
trabajo. Plantee el modelo matemático de programación lineal que se genera si sabe que para
producir un pupitre se requiere de 5 metros de madera, 3 metros de tubo y 4 horas- hombre
de trabajo; para producir una silla se requieren 3 metros de madera, 4 metros de tubo y 5
horas-hombre de trabajo; mientras que, para producir una mesa se requieren 2 metros de
madera, 3 metros de tubo y 1 hora-hombre de trabajo.

Información
Recursos Pupitres Sillas Mesas Material semanal
disponible
Madera 5m 3m 2m 150mts
Tubo 3m 4m 3m 120mts
Horas- 4h 5h 1h 200hrs
hombre
Utilidad por $5000 $6000 $3000
unidad

Variables

x=cantidad de pupitres a producir por semana

y=cantidad de sillas a producir por semana

z=cantidad de mesas a producir por semana

Máx Z=máximautilidad

Función de objetivo

Garantizar el máximo de utilidad

Máx Z=5000 x +6000 y +3000 z

Restricciones

Se dispone de una limitada cantidad de recursos

5 x+ 3 y +2 z ≤ 150 mts de madera

3 x+ 4 y +3 z ≤ 120 mts de tubo

4 x+5 y + z ≤200 hrs hombre

Variables de no negatividad

No se pueden producir unidades negativas de ningún producto

x , y , z≥0

2.- La compañía BETA ha sacado del mercado un producto que ya no le era rentable, lo cual
genera que haya una capacidad disponible semanal que no se está utilizando en sus 3
departamentos así: 200 horas en corte, 240 horas en soldadura y 150 horas en empaque. El
departamento de producción propone que dicha capacidad sea utilizada en la producción de
puertas, ventanas y claraboyas en la forma más eficiente posible, para dichos artículos se ha
establecido un posible precio de venta de $5.000, $3.000 y $4.000 por unidad
respectivamente. Además, se ha determinado que para producir una puerta se requiere de 2
horas en corte, 3 horas en soldadura y 5 horas en empaque. Para producir una ventana se
requiere 5 horas en corte, 4 horas en soldadura y 1 hora en empaque; mientras que para
producir una claraboya se requiere 4 horas en corte, 2 horas en soldadura y 3 horas en
empaque. Plantee el modelo de programación lineal que se genera si se sabe que el
departamento de mercadeo informo que mínimo se venderán 20 ventanas y como máximo 10
claraboyas.

Información
 Recursos Puertas Ventanas Claraboyas Capacidad semanal
disponible
Corte 2h 5h 4h 200hrs
Soldadura 3h 4h 2h 240hrs
Empaquete 5h 1h 3h 150hrs
Precio $5000 $3000 $4000
Venta Min 20 Max 10
Variables

x=cantidad de puertas a producir por semana

y=cantidad de ventanas a producir por semana

z=cantidad de claraboyas a producir por semana

Máx Z=máxima venta

Función del objetivo

Conocer el máximo de ingresos para la compañía

Máx Z=5000 x +3000 y+ 4000 z

Restricciones

Se dispone de una cantidad limitada de los recursos

2 x+5 y + 4 z ≤ 200 hrs de corte

3 x+ 4 y +2 z ≤ 240 hrs de soldadura

5 x+ y+ 3 z ≤150 hrs de empaquete

Restricciones generadas por el departamento de mercadeo

y ≥20
z ≤ 10

Variables de no negatividad

No se pueden producir unidades de venta negativas

x , y , z≥0

3.- La compañía Gama fabrica camisas y blusas en una línea de producción con tres procesos
que son: corte, ensamble y empaque. Se ha establecido que una camisa genera una utilidad
de $7000 y una blusa una utilidad de $9000. Mediante un estudio de tiempos se estableció
que una camisa requiere de 1 hora de corte, 2 horas de ensamble y ½ hora en empaque;
mientras que una blusa requiere de ½ hora en corte, 4 horas en ensamble y 1 hora en
empaque. Se sabe que la compañía GAMA trabajas 8 horas diarias durante 5 días a la
semana. ¿Cómo queda el modelo de programación lineal si se sabe que actualmente cuenta
con 40 trabajadores en la sección de corte, 80 trabajadores en la sección de ensamble y 20
trabajadores en la sección de empaque?

Información
Recursos Camisa Blusa Trabajadores Horas por semana
Corte 1h 0.5h 40 1600hrs
Ensamble 2h 4h 80 3200hrs
Empaque 0.5h 1h 20 800hrs
Utilidad $7000 $9000
Las horas productivas por semana se sacan multiplicando los días labores 5 por 8 horas
diarias y por el número de trabajadores; ejemplo, (8*5*20) = 800 horas productivas por
semana

Variables

x=cantidad de camisas a producir por semana

y=cantidad de blusas a producir por semana

Máx Z=máximautilidad
Función del objetivo

Rendimiento de la compañía en su utilidad

Máx Z=7000 x +9000 y

Restricción del modelo

Limitación de tiempo en cada proceso

1
x + y ≤ 1600 hrsde corte
2

2 x+ 4 y ≤3200 hrs de ensamble

1
x+ y ≤ 800 hrs de empaque
2

Variables de no negatividad

No se pueden producir utilidades negativas

x , y ≥0

Conclusión:

es una forma muy organizada de plantear los datos de una operación, ya que es
indispensable tomar en cuenta todos los datos para que una industria tenga una mayor
utilidad o se puede utilizar en cualquier aspecto de la vida cotidiana para sacarle mayor
provecho a la producción con los recursos que se nos bridan.
Tema 2 EL MÉTODO SIMPLEX
Introducción

El Método Simplex, como parte de la programación lineal, es un método analítico capaz de

resolver aquellos modelos que se vuelven complejos en el uso del método gráfico por el
número de variables empleadas.

Formulación del Modelo Usar un modelo matemático para la resolución de problemas es la

base de la programación lineal recordando que modelo se refiere a la representación
simplificada de la realidad; los modelos matemáticos en específico hacen uso de símbolos
matemáticos y presentan elementos como:

 Variables: representan las incógnitas del problema

 Restricciones: se contemplan las limitaciones a las que se encuentra sujeta la resolución del
problema considerando la escasez de recursos en tiempo y espacio.

 Función objetivo: representa la meta que se pretende alcanzar y en la cual se basan las
decisiones principales para maximizar los beneficios o bien para minimizar los costos
(considere que en la programación lineal el calificativo “lineal” hace referencia que las
ecuaciones usadas en el modelo serán siempre de primer grado, es decir, sin exponentes).

Por lo tanto, es importante señalar cuestiones que debe considerar la persona encargada del
modelado

 Entre más sencillo sea el modelo, mejor será el resultado. Un modelo complejo no siempre
será la mejor solución.

 El modelo debe ser validado antes de ser implementado para saber si representa la
situación real y en caso de no ser así habrá que hacer los ajustes correspondientes.

 Si se hacen las cosas de manera apresurada, el modelo saldrá mal. Debe hacerse un
minucioso análisis de la información recabada para identificar que en verdad será útil para el
modelo.

 Los modelos son una herramienta más el tomador de decisiones tendrá siempre la última
palabra.
Ejercicios desarrollados en el Tema 2 EL MÉTODO SIMPLEX

Ejercicio 1
Máx Z=x 1 +2 x2
Sujeto a
x1 ≤ 5
x2 ≤ 6
x 1+ x2 ≤ 8
y
x1 , x2 ≥ 0

- Ingreso de datos

- Lista de solución
- Iteraciones generadas

- Problema dual
- Gráfico generado

Conclusiones

Para que se cumpla con el objetivo de maximizar el modelo analizado, Z tomara un valor de
14, x1 =2 y x2=6, en el gráfico y en las iteraciones se puede observar que efectivamente, en la
intersección de los puntos mencionados, se encuentra la región factible en donde la función
objetivo alcanza su punto máximo.

Se concluye que la solución es la más óptima para aprovechar los recursos que se tienen.

Sustituimos para comprobar.

2 ≤5
6≤6
2+6=8 ≤ 8
2,6 ≥ 0
Ejercicio 2
Máx Z=3 x 1 +2 x 2
Sujeto a
2 x1 +¿ x ≤6 ¿
2

x 1+¿2 x ≤ 6 ¿
2

y
x1 , x2 ≥ 0

-Ingreso de datos

- Lista de solución

- Iteraciones generadas
- Problema dual

- Gráfico generado
Conclusiones

Para que se cumpla con el objetivo de maximizar el modelo analizado, Z tomara un valor de
10, x1 =2 y x2=2, en el gráfico y en las iteraciones se puede observar que efectivamente, en la
intersección de los puntos mencionados, se encuentra la región factible en donde la función
objetivo alcanza su punto máximo.

Se concluye que la solución es óptima y aprovecha los recursos al máximo, por lo tanto,
ambos recursos son escasos.

2(2)+¿2 P =6 ≤ 6 ¿
2+2 ( 2 )=6 ≤ 6
2,2 ≥0

Ejercicio 3
Máx Z=2 x 1+ 3 x 2
Sujeto a
x 1+¿3 x ≤ 6 ¿
2

3 x 1+¿2 x ≤6 ¿
2

y
x1 , x2 ≥ 0

-Ingreso de datos

- Lista de solución

- Iteraciones generadas
- Problema dual

- Gráfico generado
Conclusiones

Para que se cumpla con el objetivo de maximizar el modelo analizado, Z tomara un valor de
6.85, x1 =0.85 y x2=1.71, en el gráfico y en las iteraciones se puede observar la región factible
en donde la función objetivo alcanza su punto máximo.

La solución es la más óptima para aprovechar los recursos.

0.85+3 ( 1.71 )=5.98 ≤ 6

3 ( 0.85 ) +2 ( 1.71 )=5.97 ≤ 6
0.85,1 .71≥ 0

Ejercicio 4
Min=5 x 1+ 2 x 2
s . a 3 x 1 +6 x 2 ≥ 18
5 x 1+ 4 x 2 ≥ 20
8 x 1+ 2 x 2 ≥ 16
7 x 1+ 6 x 2 ≥ 42
x1 , x2 ≥ 0
- Ingreso de datos

- Lista de solución

- Iteraciones generadas
- Problema dual

- Gráfico generado
.

Conclusiones

Para que se cumpla con el objetivo de minimizar el modelo analizado, Z tomara un valor de
14.9, x1 =0.35 y x2=6.58, en el gráfico y en las iteraciones se puede observar que los puntos
son la solución óptima para este modelo, ya que en dichos puntos es donde la función toma
su valor más pequeño.

Ejercicio 5
Considere el siguiente conjunto de restricciones
x 1+ 2 x 2 +2 x 3 + 4 x 4 ≤ 40
2 x1 −x2 + x 3 +2 x 4 ≤ 8
4 x1 −2 x 2 + x 3−x 4 ≤10
x1 , x2 , x3 , x4 ≥ 0

a) Máx Z=2 x 1+ x2 −3 x3 +5 x 4
b) Máx Z=8 x 1 +6 x 2 +3 x 3−2 x 4
c) Máx Z=3 x 1−x 2 +3 x 3 +4 x 4
d) Min Z=5 x 1−4 x2 +6 x 3−8 x 4

a)
- Ingreso de datos

- Lista de solución

- Iteraciones generadas
- Problema dual

b)

- Ingreso de datos

- Lista de solución

- Iteraciones generadas
- Problema dual

c)

- Ingreso de datos

- Lista de solución
- Iteraciones generadas
- Problema dual

d)

- Ingreso de datos
- Lista de solución

- Iteraciones generadas
- Problema dual

Conclusiones

Si bien el Método Simplex puede ser resuelto de forma algebraica, la forma tabular es
apropiada para todos aquellos que se encuentran en un curso introductorio y que no
necesariamente tengan el conocimiento del uso de matrices o poliedros. El mercado y la
constante competencia piden y exigen personas generadoras de ideas nuevas, pero justo
cada idea requiere decisiones que implican una serie de recursos.

Programación entera

La programación entera tiene que ver con la solución de problemas de programación

matemática en las cuales alguna o todas las variables solo pueden tomar valores enteros o
negativos.

Un programa entero recibe el nombre de mixto o puro, dependiendo de si en ausencia de las

condiciones de integridad o totalidad.
Uno de las dificultades principales en los procedimientos del cálculo de la programación
entera es el efecto que tiene el error de redondeo que se genera a partir del uso inevitable de
la computadora digital para resolver problemas enteros.

¿Qué es la Programación Entera?: Un modelo de Programación Entera es aquel cuya

solución óptima tiene sentido solamente si una parte o todas las variables de decisión toman
valores restringidos a números enteros, permitiendo incorporar en el modelamiento
matemático algunos aspectos que quedan fuera del alcance de los modelos de Programación
Lineal.

En este sentido los algoritmos de resolución de los modelos de Programación Entera difieren
a los utilizados en los modelos de Programación Lineal, destacándose entre ellos el Algoritmo
de Ramificación y Acotamiento (o Branch & Bound), Branch & Cut, Planos Cortantes,
Relajación Lagrangeana, entre otros.

Ejercicios desarrolados del tema 2

Conclusiones

Una de las dificultades principales en los procedimientos de cálculo de la programación entera

es el efecto que tiene el error de redondeo que se genera a partir del uso inevitable de la
computadora digital para resolver problemas enteros. Aunque se han desarrollado algoritmos
donde, comenzando con un problema donde todos los coeficientes son enteros, nunca se
necesita manejar fracciones con lo que se elimina el error de redondeo de la máquina, esta
ventaja se obtiene solo a expensas de la convergencia extremadamente lenta del algoritmo.