INVESTIGACIÓN DE OPERACIONES I.

VERIFIN.

PROFESOR: DR. JOSÉ ALFREDO JIMÉNEZ GARCÍA.

ALUMNOS:
JUÁREZ ALBERTO MARÍA ISABEL.
MARÍN GUZMÁN RICARDO ARTURO.
NÚÑEZ MARTÍNEZ GABRIEL.

CARRERA: INGENIERÍA INDUSTRIAL.

GRADO Y GRUPO: 4º A.

CELAYA, GUANAJUATO. A 04 DE JUNIO DE 2016.

CONTENIDO.

CAPÍTULO 1. MARCO DE REFERENCIA. ................................................................................... 1

1.1 Introducción. ............................................................................................................ 1

1.2 Antecedentes. .......................................................................................................... 2

1.3 Definición del problema. ......................................................................................... 3

1.4 Objetivos. ................................................................................................................. 3

1.4.1 Objetivo general. ................................................................................................... 3

1.4.2 Objetivos particulares. ........................................................................................... 3

1.5 Justificación. ............................................................................................................. 3

CAPÍTULO 2. MARCO TEÓRICO. .............................................................................................. 4

2.1 Definición y desarrollo de los tipos de modelos........................................................... 4

2.1.1 Modelo. .................................................................................................................. 5

2.1.2 Modelo icónico. ..................................................................................................... 5

2.1.3 Modelo analógico. ................................................................................................. 5

2.1.4 Modelo matemático. ............................................................................................. 6

2.1.5 Modelo cualitativo y cuantitativo. ......................................................................... 6

2.1.6 Modelo estándar. .................................................................................................. 6

2.1.7 Modelos hechos a la medida. ................................................................................ 6

2.1.8 Modelo probabilístico y determinístico. ............................................................... 7

2.1.9 Modelo descriptivo y de optimización. ................................................................. 7

2.1.10 Modelo estático y dinámico. ............................................................................... 7

2.1.11 Modelos simulados y no simulados. .................................................................... 8

2.2 Fases de estudio. .......................................................................................................... 8

 2.2.1 Formulación y definición del problema. ................................................................ 8

2.2.2 Construcción del modelo. ...................................................................................... 8

2.2.3 Solución del modelo. ............................................................................................. 9

2.2.4 Validación del modelo. .......................................................................................... 9

2.2.5 Implementación de resultados. ............................................................................. 9

2.3 Aplicaciones principales................................................................................................ 9

2.4 Programación lineal. ................................................................................................... 10

2.4.1 Pasos para resolver un PL. ................................................................................... 10

2.4.2 La función objetivo. ............................................................................................. 11

2.4.3 Variables de decisión. .......................................................................................... 11

2.4.4 Restricciones. ....................................................................................................... 12

2.5 Método simplex. ......................................................................................................... 13

2.5.1 Matriz identidad. ................................................................................................. 13

2.5.2 Variables de Holgura y de exceso. ....................................................................... 14

2.5.3 Variable artificial o método de la M. ................................................................... 15

2.5.4 Método simplex, paso a paso (Ejemplo). ............................................................ 15

CAPÍTULO 3. METODOLOGÍA. ............................................................................................... 20

3.1 Diagrama del método. ................................................................................................ 20

3.2 Descripción del método. ............................................................................................. 20

3.3 Aplicación de la herramienta. ..................................................................................... 21

3.3.1 Problema.............................................................................................................. 21

3.3.2 Programación lineal (PL). ..................................................................................... 21

3.3.3 Método gráfico. ................................................................................................... 22

 3.3.4 Método dos fases. ............................................................................................... 23

CAPÍTULO 4. RESULTADOS Y CONCLUSIONES. ..................................................................... 24

BIBLIOGRAFÍA. ...................................................................................................................... 26
 CAPÍTULO 1. MARCO DE REFERENCIA.

1.1 Introducción.

La Investigación de Operaciones aporta, al perfil del Ingeniero, la capacidad para

desarrollar un pensamiento lógico, heurístico y algorítmico al modelar fenómenos de
naturaleza y resolver problemas reales a través de modelos matemáticos o lineales.
Muchos fenómenos de la naturaleza, que se presentan en la Ingeniería, se pueden
aproximar a través de un modelo matemático. Esta materia nos sirve para caracterizar
estos fenómenos y convertirlos en un modelo matemático o lineal ya que es más sencillo
de manejar, graficar y resolver que uno no lineal, de allí la importancia de estudiar y
conocer la Investigación de Operaciones.

La Investigación de Operaciones permite dar un enfoque científico a la toma de decisiones

que busca el mejor diseño y operar un sistema, por lo regular en condiciones que
requieren la asignación de recursos escaso, donde se requiere, como se mencionó
anteriormente, del uso de uno o más modelos matemáticos, que son representaciones
matemáticas de situaciones reales que se podrían usar para tomar mejores decisiones, o
bien, simplemente para entender mejor una situación real.

Es por ello que el presente trabajo abordará un tema muy importante para el Ingeniero
Industrial, ya que presentará a la Investigación de Operaciones aplicada a un problema
real, el cual será representado en un modelo matemático que será resuelto para lograr la
maximización de recursos y la minimización de gastos, en este caso en particular,
abordaremos un problema de la Secretaría de Educación del Estado de Guanajuato y su
necesidad por reducir gastos en su programa de entrega de apoyo y material educativo a
las diferentes instituciones educativas del Estado de Guanajuato .

1
1.2 Antecedentes.

La Secretaría de Educación de Guanajuato mediante las delegaciones regionales ha

tratado de llevar material de apoyo y equipo de última tecnología a todas las instituciones
educativas del Estado.

Recolectando información de ciclos anteriores se han hecho algunas modificaciones al

plan de trabajo, ya que se han presentado algunos problemas durante el proceso de
distribución de material de apoyo y equipo.

Entre los principales problemas presentados en la DREE (Delegación Regional de

Educación Este), se encuentran el mal gasto de combustible, tiempo extra innecesario, re
trabajos por cargar más equipo del que se requiere, mantenimiento vehicular fuera de
tiempo debido a forzar las camionetas con peso extra, todo esto se ve reflejado en los
costos y se busca optimizar los recursos destinados para este proceso, muchas veces se
deja a la mitad debido a que el presupuesto se termina.

Se han tomado varias estrategias y aunque han disminuido los gastos, aún se presentan
algunas complicaciones, se han hecho estudios sobre el peso máximo a cargar por
vehículo, el número de personas que se requiere por municipio y así no tener personal de
más y tampoco agotar a unos cuantos, también se han propuesto controles de
combustible, para optimizar la dotación que se destina para dicho proceso. Pero es de
gran importancia mencionar que esas medidas no han sido suficientes para lograr el
objetivo planteado por la SEG.

2
1.3 Definición del problema.

Minimizar el costo del proceso (combustible) de distribución de material y equipo

educativo.

1.4 Objetivos.

1.4.1 Objetivo general.

Aplicar la Investigación de Operaciones para aprovechar al máximo los recursos

destinados al proceso de distribución de material y equipo educativo, al tiempo que se
maximiza la dotación de combustible destinada para dicho proceso.

1.4.2 Objetivos particulares.

- Aplicar la Investigación de Operaciones al problema de maximización de recursos de la

Secretaría de Educación del Estado de Guanajuato (SEG).

- Dar solución al problema de maximización de recursos de la SEG.

1.5 Justificación.

Se busca un plan de acción que nos ayude a optimizar el combustible, a tener al personal
indicado (número de trabajadores), en el proceso de distribución de material y equipo
educativo, sin necesidad de personal, tiempos, dotación de gasolina o mantenimiento
correctivo vehicular de tipo EXTRA, debido a que el gobierno pretende reducir el
presupuesto se necesita implementar un plan en donde solo se gaste lo necesario.

3
 CAPÍTULO 2. MARCO TEÓRICO.
El propósito de la investigación de operaciones cosiste en preparar al profesional para
decidir entre diferentes medios o métodos disponibles para realizar todo objetivo que se
proponga, de tal modo que se alcance un resultado en relación a un cierto criterio de
optimización.

La investigación operacional solo se ha beneficiado de una aplicación sistemática en

ocasión de la segunda guerra mundial, en las condiciones de grandes operaciones
principalmente de tipo militares.

2.1 Definición y desarrollo de los tipos de modelos.

La investigación de operaciones puede definirse como método científico de resolución de

problema, la cual brinda las herramientas suficientes para que con base en abstracciones
de la realidad se puedan generar y resolver modelos matemáticos con el objetivo de
elaborar un análisis y concluir de los mismos para así poder sustentar cuantitativamente
las decisiones que se tomen respecto a la situación problema.

La investigación de operaciones es la aplicación, por grupos interdisciplinarios del método

científico a problemas relacionados con el control de las organizaciones o sistemas a fin de
que se produzcan soluciones que sirvan a los objetivos de toda la organización.

Un elemento principal de la investigación de operaciones es el modelo matemático.

Aunque la solución del modelo, establece una base para tomar una decisión se debe tener
en cuenta factores intangibles o no cuantificables, por ejemplo el comportamiento
humano, para poder llegar a una decisión final.

4
Figura 2.1 Proceso de construcción de modelos.

2.1.1 Modelo.

Es una representación de una situación u objeto real, que muestra las relaciones y las
interrelaciones de la acción y la reacción en términos de causa y efecto.

2.1.2 Modelo icónico.

Es una representación física de algunos objetos ya sea en forma idealizada o a escala

distinta.

2.1.3 Modelo analógico.

Puede representar situaciones dinámicas o cíclicas, son más usuales y pueden representar
las características y propiedades del acontecimiento de que se estudia.

5
2.1.4 Modelo matemático.

Son representaciones de la realidad en forma de cifras símbolos matemáticos y funciones,

para representar variables de decisión y relaciones que nos permiten describir y analizar el
comportamiento del sistema.

2.1.5 Modelo cualitativo y cuantitativo.

La mayor parte de los problemas de un negocio u organización comienzan con un análisis

y definición de un modelo cualitativo y se avanza gradualmente hasta obtener un modelo
cuantitativo.

La investigación de operaciones se ocupa de la sistematización de los modelos cualitativos

y de su desarrollo hasta el punto en que puedan cuantificarse.

Cuando es posible construir un modelo matemático insertando símbolos para representar

relaciones entre constantes y variables estamos con un modelo cuantitativo.

Una ecuación es un modelo de este tipo. Las formulas, las matrices, los diagramas o las
series de valores que se obtienen mediante procesos matemáticos.

2.1.6 Modelo estándar.

Se llaman modelos estándar a los que solo hay que insertar o sustituir valores con el fin de
obtener un valor a una respuesta de un sistema y son aplicables al mismo tipo de
problemas en negocios afines.

2.1.7 Modelos hechos a la medida.

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

6
2.1.8 Modelo probabilístico y determinístico.

Los modelos que se basan en las probabilidades y estadísticas y que se ocupan de

incertidumbres futuros se llaman probabilísticos y los modelos que no tienen
consideraciones probabilísticas se llaman determinísticos el PERT, los inventarios, la
programación lineal, enfocan su atención en aquellas circunstancias que son críticos y en
los que las cantidades son determinadas y exactas.

2.1.9 Modelo descriptivo y de optimización.

Cuando un modelo constituye sencillamente una descripción matemática de una

condición real del sistema se llama descriptivo.

Algunos de estos modelos se emplean para mostrar geográficamente una situación y

ayudan al observador a evaluar resultados por secciones una sobre otra.

Puede obtenerse una solución del modelo, sin embargo en este caso se intenta describir a
situación y no escoger una alternativa. Cuando con la aplicación del modelo se llega a una
solución óptima de acuerdo con los criterios de entrada, se trata de un modelo de
optimización.

2.1.10 Modelo estático y dinámico.

Los modelos estáticos se ocupan de determinar una respuesta para una serie especial de
condiciones fijas que probablemente no cambiarían significativamente a corto plazo, es
decir, la solución está basada en una condición estática.

Un modelo dinámico por el contrario está sujeto al factor tiempo que desempeña un
papel esencial en la secuencia de las decisiones anteriores. A la programación dinámica
pertenecen estos modelos.
7
2.1.11 Modelos simulados y no simulados.

Con el uso de la computadora es fácil preparar un modelo simulado paso por paso donde
se puede reproducir el funcionamiento de sistemas o problemas a gran escala. En un
modelo de simulación los datos de entrada pueden ser reales o generados en forma
aleatoria.

Los modelos que no se prestan para usar datos empíricos, o simulados en forma aleatoria
son modelos no simulados como los de optimización o los creados a la medida.

2.2 Fases de estudio.

Toda investigación aspira a determinar la mejor solución óptima para un problema de

decisión con la restricción de recursos limitados. Para llevar a cabo el estudio de
investigación de operaciones es necesario cumplir con una serie de etapas o fases.

2.2.1 Formulación y definición del problema.

Descripción de los objetivos del sistema, identificar las variables implicadas, ya sean
controlables o no; determinar las restricciones del sistema. También hay que tener en
cuenta las alternativas posibles de decisión y las restricciones para producir una solución.

2.2.2 Construcción del modelo.

Debe ser un modelo que relacione a las variables de decisión con los parámetros y
restricciones del sistema. Los parámetros se pueden obtener ya sea a partir de datos
pasados o ser estimados por medio de algún método estadística.

8
2.2.3 Solución del modelo.

Una vez que se tiene un modelo, se procede a derivar una solución matemática
empleando diversas técnicas y métodos matemáticos para resolver problemas y
ecuaciones. Se debe recordar que este punto nos dará una solución matemática y
debemos interpretarla en el mundo real.

2.2.4 Validación del modelo.

Se requiere que se determine si dicho modelo puede predecir con certeza el

comportamiento del sistema. Someterlo a datos pasados y verificar que se comporte
como lo hizo el sistema en el pasado.

2.2.5 Implementación de resultados.

Traducir los resultados en instrucciones o para el usuario o los ejecutivos responsables que
serán tomadores de decisiones.

2.3 Aplicaciones principales.

Se han desarrollado muchos métodos de investigación de operaciones que se aplican a los

problemas de los negocios, aunque al mismo tiempo se presentan distintas industrias. Se
pueden agrupar de distintas formas, la más importante es:

Problemas estocásticos.
Pronósticos.
Modelos de Inventarios.
Programación Lineal.
Teoría de Redes.
Teoría de Colas o Líneas de Espera.

9
2.4 Programación lineal.

La Programación Lineal corresponde a un algoritmo a través del cual se resuelven

situaciones reales en las que se pretende identificar y resolver dificultades para aumentar
la productividad respecto a los recursos (principalmente los limitados y costosos),
aumentando así los beneficios. El objetivo primordial de la Programación Lineal es
optimizar, es decir, maximizar o minimizar funciones lineales en varias variables reales con
restricciones lineales (sistemas de inecuaciones lineales), optimizando una función
objetivo también lineal.

Los resultados y el proceso de optimización se convierten en un respaldo cuantitativo de

las decisiones frente a las situaciones planteadas. Decisiones en las que sería importante
tener en cuenta diversos criterios administrativos como:
 Los hechos
 La experiencia
 La intuición
 La autoridad

2.4.1 Pasos para resolver un PL.

El primer paso para la resolución de un problema de programación lineal consiste en la

identificación de los elementos básicos de un modelo matemático, estos son:

 Función Objetivo
 Variables
 Restricciones

El siguiente paso consiste en la determinación de los mismos, para lo cual proponemos

seguir la siguiente metodología:

10
Figura 2.2 Pasos para identificar los elementos básicos de un modelo matemático.

2.4.2 La función objetivo.

La función objetivo tiene una estrecha relación con la pregunta general que se desea
responder. Sí en un modelo resultasen distintas preguntas, la función objetivo se
relacionaría con la pregunta del nivel superior, es decir, la pregunta fundamental. Así por
ejemplo, si en una situación se desean minimizar los costos, es muy probable que la
pregunta de mayor nivel sea la que se relacione con aumentar la utilidad en lugar de un
interrogante que busque hallar la manera de disminuir los costos.

Figura 2.3 Ejemplo para determinar la función objetivo.

2.4.3 Variables de decisión.

Similar a la relación que existe entre objetivos específicos y objetivo general se comportan
las variables de decisión respecto a la función objetivo, puesto que estas se identifican
partiendo de una serie de preguntas derivadas de la pregunta fundamental. Las variables
de decisión son en teoría factores controlables del sistema que se está modelando, y
como tal, estas pueden tomar diversos valores posibles, de los cuales se precisa conocer
11
su valor óptimo, que contribuya con la consecución del objetivo de la función general del
problema.

Figura 2.4 Ejemplo para determinar las variables de decisión.

2.4.4 Restricciones.
Cuando hablamos de las restricciones en un problema de programación lineal, nos
referimos a todo aquello que limita la libertad de los valores que pueden tomar las
variables de decisión. La mejor manera de hallarlas consiste en pensar en un caso
hipotético en el que decidiéramos darle un valor infinito a nuestras variables de decisión,
por ejemplo, ¿qué pasaría sí en un problema que precisa maximizar sus utilidades en un
sistema de producción de calzado decidiéramos producir una cantidad infinita de zapatos?
Seguramente ahora nos surgirían múltiples interrogantes, como por ejemplo:

 ¿Con cuánta materia prima cuento para producirlos?

 ¿Con cuánta mano de obra cuento para fabricarlos?
 ¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
 ¿Podría mi fuerza de mercadeo vender todos los zapatos?
 ¿Puedo financiar tal empresa?

Pues bueno, entonces habríamos descubierto que nuestro sistema presenta una serie de
limitantes, tanto físicas, como de contexto, de tal manera que los valores que en un
momento dado podrían tomar nuestras variables de decisión se encuentran
condicionados por una serie de restricciones.
12
2.5 Método simplex.

El Método Simplex es un método analítico de solución de problemas de programación

lineal capaz de resolver modelos más complejos que los resueltos mediante el método
gráfico sin restricción en el número de variables.

El Método Simplex es un método iterativo que permite ir mejorando la solución en cada

paso. La razón matemática de esta mejora radica en que el método consiste en caminar
del vértice de un poliedro a un vértice vecino de manera que aumente o disminuya (según
el contexto de la función objetivo, sea maximizar o minimizar), dado que el número de
vértices que presenta un poliedro solución es finito siempre se hallará solución.

Este famosísimo método fue creado en el año de 1947 por el estadounidense George
Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un
algoritmo capaz de solucionar problemas de m restricciones y n variables.

2.5.1 Matriz identidad.

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado
finito de elementos), los cuales pueden ser números reales o complejos, dispuestos en
forma de filas y de columnas.

La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto
de columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a
uno (1) y todos los demás componentes iguales a cero (0), se denomina matriz idéntica o
identidad de orden n, y se denota por:

13
La importancia de la teoría de matrices en el Método Simplex es fundamental, dado que el
algoritmo se basa en dicha teoría para la resolución de sus problemas.

2.5.2 Variables de Holgura y de exceso.

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se

modelan mediante programación lineal no lo son, para ello hay que convertir estas
inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso
relacionadas con el recurso al cual hace referencia la restricción y que en el tabulado final
representa el "Slack or surplus" al que hacen referencia los famosos programas de
resolución de investigación de operaciones, estas variables adquieren un gran valor en el
análisis de sensibilidad y juegan un rol fundamental en la creación de la matriz identidad
base del Simplex.

Estas variables suelen estar representadas por la letra "S", se suman si la restricción es de
signo "≤ " y se restan si la restricción es de signo "≥".

Por ejemplo:

14
2.5.3 Variable artificial o método de la M.

Una variable artificial es un truco matemático para convertir inecuaciones "≥" en

ecuaciones, ó cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que no
representan recursos. El objetivo fundamental de estas variables es la formación de la
matriz identidad.

Estas variables se representa por la letra "A", siempre se suman a las restricciones, su
coeficiente es M (por esto se le denomina Método de la M grande, donde M significa un
número demasiado grande muy poco atractivo para la función objetivo), y el signo en la
función objetivo va en contra del sentido de la misma, es decir, en problemas de
Maximización su signo es menos (-) y en problemas de Minimización su signo es (+),
repetimos con el objetivo de que su valor en la solución sea cero (0).

2.5.4 Método simplex, paso a paso (Ejemplo).

EL PROBLEMA.
La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado su
producción en dos líneas más. Por lo tanto actualmente fabrica mesas, sillas, camas y
bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y 2 piezas cuadradas

15
de 4 pines. Cada silla requiere de 1 pieza rectangular de 8 pines y 2 piezas cuadradas de 4
pines, cada cama requiere de 1 pieza rectangular de 8 pines, 1 cuadrada de 4 pines y 2
bases trapezoidales de 2 pines y finalmente cada biblioteca requiere de 2 piezas
rectangulares de 8 pines, 2 bases trapezoidales de 2 pines y 4 piezas rectangulares de 2
pines. Cada mesa cuesta producirla $10000 y se vende en $ 30000, cada silla cuesta
producirla $ 8000 y se vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende
en $ 40000, cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El objetivo
de la fábrica es maximizar las utilidades.

PASO 1: MODELACIÓN MEDIANTE PROGRAMACIÓN LINEAL.

Las Variables:

16
Las Restricciones:

La Función Objetivo:

PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES.

En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado que todas
las restricciones son "≤".

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las variables
de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso, por el ejemplo la
variable de holgura " " solo tiene coeficiente 1 en la restricción correspondiente a el
recurso 1.
La función objetivo no sufre variaciones:

17
PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL.
El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables de coeficiente diferente
de cero (0) en la matriz identidad.

PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL.

Solución: (segundo término)= En esta fila se consigna el segundo término de la solución,

es decir las variables, lo más adecuado es que estas se consignen de manera ordenada, tal
cual como se escribieron en la definición de restricciones.

Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables de la fila
"solución" en la función objetivo.

Variable Solución = En esta columna se consigna la solución básica inicial, y a partir de

esta en cada iteración se van incluyendo las variables que formarán parte de la solución
final.

18
Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su derecha
"Variable solución" en la función objetivo.

Zj = En esta fila se consigna la contribución total, es decir la suma de los productos entre
término y Cb.

Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado es un

"Shadow price", es decir, la utilidad que se deja de recibir por cada unidad de la variable
correspondiente que no forme parte de la solución.

Solución inicial:

19
 CAPÍTULO 3. METODOLOGÍA.

3.1 Diagrama del método.

Seleccionar y Buscar Información Formular modelo

definir el problema. (Teoría). matemático (PL).

Seleccionar
Aplicación de la Análisis de
herramienta para
herramienta. resultados.
resolver el modelo.

Presentar Informe
Conclusiones.
(Verifin).

Figura 3.1 Diagrama del método.

3.2 Descripción del método.

1.- Seleccionar y definir el problema: Establecer el problema que presenta la empresa con
la mayor información posible, determinando objetivos y determinando si se desea
maximizar o minimizar.
2.- Buscar Información (Teoría): Investigar todo acerca del problema y sobre las
herramientas para resolver modelos matemáticos (simplex, grafico, dos fases, etc.).
3.- Formular modelo matemático (PL): Establecer el modelo matemático, determinando
función objetivo, variables de decisión y restricciones.
4.- Seleccionar herramienta para resolver el modelo: Elegir la o las herramientas más
adecuadas para resolver el modelo matemático.

20
5.- Aplicación la herramienta: Resolver el modelo matemático con la o las herramientas
seleccionadas.
6.- Análisis de resultados: Ver los resultados, dialogar y ver si hubo algún cambio respecto
a los datos con los que se planteo el problema.
7.- Conclusiones: Después de analizar los resultados, obtener las conclusiones sobre ellos,
que cambios hubo, que ocurrió y si seria factible el aplicarlo en la empresa.
8.- Presentar informe (Verifin): Escribir el reporte y presentar el Verifin.

3.3 Aplicación de la herramienta.

3.3.1 Problema.

La DREE cuenta con dos vehículos para la distribución de material y equipo de cómputo a
las respectivas USAE´s. Una camioneta Ford Ranger y un camión Dodge D600, cuyos gastos
promedio de combustible por viaje son de $573.620 y $819.13 pesos respectivamente. Si
se sabe que la Ford Ranger solo puede trasladar 1200 libros y 90 equipos de cómputo, y
que el Dodge D600 puede trasladar 7800 libros y 800 equipos de cómputo. Plantee y
resuelva un PL para la minimizar el costo de combustible en de la distribución de material
y equipo de cómputo a USAE´s, si anualmente se requieren 545,000 libros y 15,000
equipos de cómputo.

3.3.2 Programación lineal (PL).

21
3.3.3 Método gráfico.

Graficar los Puntos:

Último punto en ser tocado por la línea de isocosto en la región factible:

22
3.3.4 Método dos fases.

Estandarización.

Fase I.

Fase II.

23
 CAPÍTULO 4. RESULTADOS Y CONCLUSIONES.

Después de resolver el modelo matemático planteado mediante Programación Lineal, con

dos de las herramientas vistas durante el semestre, en este caso, el Método Gráfico y el
Método de Dos Fases, llegamos al resultado de que la solución optima del sistema es
cuando y , esto quiere decir que debemos dejar de utilizar , que se
refiere a la camioneta Ford Ranger, ya que el hacer uso de ella no nos brinda ninguna
utilidad, al contrario, el utilizarla genera pérdidas y aumenta el gasto de combustible. El
resultado también nos dice que debemos de utilizar únicamente el Camión Dodge D600,
ya que eso minimizaría de manera considerable el consumo de combustible.

Al sustituir la solución óptima en la función objetivo, obtenemos

el siguiente resultado:

Esto quiere decir que si utilizamos el Camión Dodge 69.87 veces para transportar y
distribuir los materiales (libros y equipos de cómputo), cumpliríamos con las necesidades
de todas las USAE´s del Estado de Guanajuato, en cuanto a demanda de materiales se
refiere y tendríamos un gasto en combustible de $57, 232.61 pesos.

Sin embargo, como no podemos hacer 69.87 viajes, lo más lógico es redondear ese
número a 70 viajes con el Camión Dodge D600, este cambio, sin duda, alterará nuestro
resultado, es decir, al sustituir en nuestra función objetivo, el
resultado sería el siguiente:

24
Esto quiere decir que si utilizamos el Camión Dodge 70 veces para transportar y distribuir
los materiales (libros y equipos de cómputo), cumpliríamos con las necesidades de todas
las USAE´s del Estado de Guanajuato, en cuanto a demanda de materiales se refiere y
tendríamos un gasto en combustible de $57, 339.1 pesos, lo cual representa un aumento
en el consumo de combustible de $106.49 pesos, una cifra tal vez muy pequeña pero que
podría propiciar que nuestra solución dejara de ser óptima. Esto se podría comprobar con
una prueba de Análisis de Sensibilidad, como las que vimos en clase, mediante el software
de WinQSB, pero al no contar con él, no podremos determinar si este cambio en el
redondeo del número de viajes afectará de manera considerable al sistema y provocará
que deje de ser óptimo.

Sin duda el realizar este trabajo nos deja un gran aprendizaje sobre la gran utilidad que
tiene la Investigación de Operaciones en la vida diaria y en cualquier empresa o
institución, sin embargo, a pesar de saber y conocer que con solo utilizar el camión Dodge
D600 cumplirías con las demandas y ahorrarías en combustible, también hay que
considerar otros factores que podrían influir, como es el caso del tiempo de entregas y
demandas de las USAE’s, como puede ser alguna falla mecánica en algunos de los
vehículos, el mantenimiento preventivo a las unidades, , condiciones ambientales o
naturales, como pueden ser caminos o lugares donde se dificulta el paso del camión, etc.

Pero no cabe duda que los modelos matemáticos representan una gran herramienta para
el Ingeniero Industrial en su búsqueda por producir más, mejorar procesos, disminuir
costos, aumentar la productividad, la eficiencia, la eficacia, generar calidad y en general
para generar ganancias a las empresas a las que pertenece.

25
BIBLIOGRAFÍA.

Hillier., F. S. (2010.). Introducción a la Investigación de Operaciones. (9ª ed.). México D.F.:

McGraw Hill.
M.W, R. y. (1968). Fundamentals of Opperations Research. John Wiley & Sons.
Taha., H. A. (2012.). Investigación de Operaciones. (9ª ed.). México D.F.: PEARSON.
UAEH. (s.f.). UAEH. Recuperado el 22 de Marzo de 2016, de UAEH:
www.uaeh.edu.mx/docencia/sistemas/investigación_operaciones/modelos.pdf
Winston., W. L. (2006.). Investigación de Operaciones: Aplicaciones y Algoritmos. (4ª ed.).
México D.F.: THOMSON.

26