1

CARRERA: ING. INDUSTRIAL








TECNOLOGIA MECANICA
PROYECTO FINAL
“PORTA PROYECTORA”

INTEGRANTES : J OSE CARLO J IMENEZ ALVAREZ
WALDO HERBAS MONTAÑO
SERGIO DENIS SANCHEZ ILLANES
BRENDA MELISA RENGEL ALCOBA
KARLA LORENA VACAFLOR TOMASI

DOCENTE : ING. GUSTAVO BACHERER
GRUPO : “I”
Santa Cruz – Bolivia
2

TRABAJO FINAL
INVESTIGACION OPERATIVA
INTRODUCCIÓN
La investigación operativa tuvo su origen en el Reino unido durante la segunda guerra
mundial y se extendió rápidamente el resto del mundo su nacimiento tuvo lugar en el
campo de la milicia, posteriormente se extendió su aplicación a la industria y el
gobierno.
Posteriormente la continua mecanización y la automatización contribuyeron al
desarrollo industrial provocando la descentralización de las operaciones, y la división
de las funciones de dirección haciendo que cada unidad funcional elabore sus propios
objetivos como por ejemplo:
-Departamento de producción.-
Minimizar el costo de producción
Maximizar el volumen de producción
-Departamento Comercial.-
Minimizar el coste de venta unitaria
Máximo volumen de ventas
-Departamento financiero.-
Intenta hacer óptima la política de inversión del capital del negocio.
Estos objetivos no son siempre compatibles por lo que a veces se ven en conflicto,
entonces queda la pregunta ¿cuál es la mejor política de stock para la organización en
conjunto? Este es un típico problema ejecutivo.
Los esfuerzos por dar soluciones a esta problemática significan el uso de la ciencia en
el estudio de los problemas ejecutivos dirigidos a encontrar la solución óptima.
La Investigación Operativa se ocupa de encontrar una decisión óptima. aunque puede
que no siempre la encuentre por varios factores, como por así decirlo la falta de
tiempo, de fondos o de oportunidades, pero la Investigación Operativa dirige
continuamente sus esfuerzos a conseguir el OPTIMO o una situación lo más próxima
posible al optimo
3


Definición de la investigación operativa.-
La Investigación Operativa Es una actividad que requiere del uso de métodos
analíticas para ayudar a resolver problemas de tomas de decisiones. O siendo mas
estrictos, podemos decir que la Investigación Operativa es la aplicación del método
científico, por equipos interdisciplinarios, a problemas que comprenden el control de
sistemas, para dar soluciones que sirvan a mejor los propósitos del sistema como un
todo.
OBJETIVOS
Objetivo general
 Formar al estudiante con conocimientos básicos y necesarios para que sea
capaz de caracterizar,analizar,planificar y solucionar problemas determinativos
utilizando métodos con técnicas cuantitativas.
 Elaborar un trabajo en una industria,gobierno,hospitales, etc. En base a las
técnicas de la investigación de operaciones para la optimización de los
recursos.
 Hacer énfasis en la importancia de la investigación de operación es como un
instrumento del ingeniero industrial en la optimización de los recursos.
 Desarrollar una serie de capacidades intelectuales sobre la base de la
creatividad que le permiten al alumno desarrollar actitudes, valores.
 Participar activamente en la resolución de problemas de investigación operativa
utilizando métodos adecuados.
Objetivo para nuestro planteamiento de nuestro problema
 Resolver el problema de programación lineal mediante el método simplex en
forma manual como por medio de paquetes de computadoras pero que en
nuestro caso fue realizado por medio del TORA.
 Investigar el efecto que se tendría sobre la solución optima en caso de que
prevalecieran otras condiciones y que se estudie a través del análisis de
sensibilidad.


4

FUNDAMENTO TEORICO
-Definición del problema.- se puede resumir en 3 aspectos principios:
1. Una descripción de la meta o el objetivo del estudia
2. Una identificación de las alternativas de decisión del sistema.
3. Un reconociendo de las limitaciones restricciones y requisitos del sistema.
-construcción del modelo.- dependiendo de la definición del problema, el equipo de
IO deberá decidir sobre el modelo más adecuado para adecuado para representar el
sistema.
-solución por el modelo.- en modelos matemáticos esto se logra usando técnicas de
optimización bien definidas y se dice que el modelo proporciona una solución optima.
-validación del modelo.- un modelo es válido, independientemente de sus
inexactitudes al representar el sistema.
-implantar de los resueltos finales o resueltos probados del modelo.- la última
etapa es poner en práctica la solución final , tal como la aprobó el tomador de
decisiones .Esta etapa crítica ya que es aquí que se conocerán los beneficios del
estudio.
MODELOS
 Modelos determinanticos
 Modelos estocásticos
 Modelos estáticos
Modelos dinámicos
Un modelo matemático incluye tres elementos:
 Variables de decisión y parámetros.-las variables de decisión son las incógnitas
a ser determinadas en la solución los parámetros representan las variables
controlables del sistemas.
 Restricciones.- un modelo matemático incluye restricciones que permiten limitar
la variable de decisión
 Función objetiva.- define la media de efectividad del sistema como una función
matemática de sus variables, como la FO.

5



Un modelo matemático consta al menos de tres conjuntos básicos de
elementos:
1. Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser determinadas a partir
de la solución del modelo. Los parámetros representan los valores conocidos
del sistema o bien que se pueden controlar.
2. Restricciones
Las restricciones son relaciones entre las variables de decisión y magnitudes
que dan sentido a la solución del problema y las acotan a valores factibles. Por
ejemplo si una de las variables de decisión representa el número de empleados
de un taller, es evidente que el valor de esa variable no puede ser negativo.
3. Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión,
parámetros y una magnitud que representa el objetivo o producto del sistema. Por
ejemplo si el objetivo del sistema es minimizar los costos de operación, la función
objetivo debe expresar la relaciónentre el costo y las variables de decisión. La solución
ÓPTIMA se obtiene cuando el valor del costo sea mínimo para un conjunto de valores
factibles de las variables. Es decir hay que determinar las variables x1, x2,..., xn que
optimicen el valor de Z = f(x1, x2, ..., xn) sujeto a restricciones de la forma g(x1, x2, ...,
xn) b. Donde x1, x2,..., xn son las variables de decisión Z es la función objetivo, f es
una función matemática.
Variables de holgura o excedente.
Son variables que se agregan a la restricción para que la relación de la restricción sea
de igualdad (representa el valor que le hace falta al lado izquierdo para ser igual al
lado derecho). Ambos tipos de variables tienen que cumplir con la restricción de no
negatividad.

6



Los siguientes métodos para resolver el problema son:
El método simplex
Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El
proceso concluye cuando no es posible seguir mejorando más dicha solución.
Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste
en buscar sucesivamente otro vértice que mejore al anterior. La búsqueda se hace
siempre a través de los lados del polígono (o de las aristas del poliedro, si el número
de variables es mayor). Cómo el número de vértices (y de aristas) es finito, siempre se
podrá encontrar la solución.
El método del simplex se basa en la siguiente propiedad: si la función objetivo, f, no
toma su valor máximo en el vértice A, entonces hay una arista que parte de A, a lo
largo de la cual f aumenta.
El método Simplex revisado
Es un algoritmo de George Dantzig para resolver problemas de optimización (de la
rama de programación lineal).
También se hace un análisis la cual es:
Análisis de dualidad
El dual es un problema de PL que se obtiene matemáticamente de un modelo primal
de PL dado. Los problemas dual y primal están relacionados a tal grado, que la
solución simplex óptima de cualquiera de los dos problemas conduce en forma
automática a la solución óptima del otro.
Análisis de sensibilidad
El análisis de sensibilidad es una de las partes más importantes en la programación
lineal,
Sobretodo para la toma de decisiones; pues permite determinar cuando una solución
sigue
7

Siendo óptima, dados algunos cambios ya sea en el entorno del problema, en la
empresa o en
Los datos del problema mismo.
Este análisis consiste en determinar que tan sensible es la respuesta óptima del
Método
Simplex, al cambio de algunos datos como las ganancias o costos unitarios
(coeficientes de la función objetivo) o la disponibilidad de los recursos (términos
independientes de las restricciones).
La variación en estos datos del problema se analizará individualmente, es decir, se
analiza la sensibilidad de la solución debido a la modificación de un dato a la vez,
asumiendo que todos los demás permanecen sin alteración alguna. Esto es importante
porque estamos hablando de que la sensibilidad es estática y no dinámica, pues solo
contempla el cambio de un dato a la vez y no el de varios.

Caso I.- Cambios en los recursos (bj)
B
-1
(b+∆) ≥ 0
A través de caso se determina la variación de la disponibilidad de los recursos
manteniendo la solución factible.
Consiste en aplicar la formula B
-1
(b+∆) ≥ 0 multiplicando la matriz inversa de las
variables básicas por la matriz de los recursos o disponibilidades, afectando al recurso
a ser tratado por la suma de una variable “∆” y aplicando la desigualdad mayor o igual
con lo que se generaran una o n desigualdades que al ser despejadas e interceptadas
unas con otras proporcionaran el intervalo entre el que está comprendido el valor ∆ a
dicho intervalo se le sumara a cada miembro el valor del recurso en estudio, en caso
de presentarse algún valor negativo este será reemplazado por 0, y así de esta forma
se determinará el intervalo de valores entre los cuales puede variar el recurso o
disponibilidad en estudio
[ ] ≤ b
j
≤ [ ]
Caso II.- Cambios en los coeficientes de una variable básica
Este caso sirve para determinar si es factible realizar los cambios en los coeficientes
de una variable básica, y sus consecuencias que ocasionaría en la tabla simplex final
de ser realizado el cambio.
8

Para ello se le debe de asignar un nuevo costo o ganancia (c
n
) de la variable a tratar,
además de ello también deben de modificarse los coeficientes que afectan a la
variable en las respectivas restricciones
A=
[

]

Con estos nuevos datos se puede re calcular el nuevo (z
*
-c=y
*
A-c) que reemplaza al
valor de cero que antes había en la casilla, para el cálculo de los valores que
reemplazaran a los de la variable se aplica A
*
=B
-1
A.
Luego de realizado este cambio se tiene que proceder a reoptimizar por el simplex
reintroduciendo la variable tratada y se verifica que consecuencias trae al resultado
final, si aumenta la ganancia o si reduce o si la solución ya no es factible.
Caso III.- cambios en los coeficientes de una variable no básica.-
Este caso se aplica cuando se producen cambios en lo coeficientes de una variable no
básica, y las consecuencias que traería este cambio haciendo que el producto se
llegue a producir o no.
Para ello se le debe de asignar un nuevo costo o ganancia (c
n
) de la variable a tratar,
además de ello también deben de modificarse los coeficientes que afectan a la
variable en las respectivas restricciones
A=
[

]

Con estos valores se lleva al método simplex dual la sgte desigualdad

Reemplazando en los valores de “y” los valores de los precios sombra de la tabla
simplex. Una vez hecho esto se compara, si la desigualdad no se cumple entonces si
se producirá un cambio en la tabla simplex final de lo contrario no se producirá ningún
cambio. En caso de que suceda lo primero se procede así.
9

Se re calcula el nuevo (z
*
-c=y
*
A-c) que reemplaza al valor de que antes había en la
casilla, para el cálculo de los valores que reemplazaran a los de la variable se aplica
A
*
=B
-1
A.
Luego de realizado este cambio se tiene que proceder a reoptimizar por el simplex y
se verifica que consecuencias trae al resultado final, si aumenta la ganancia o si
reduce o si la solución ya no es factible.
Caso IV.- Introducción de una nueva variable (x
n
).-
Con este análisis se puede determinar si es factible introducir un nuevo producto y que
este se produzca bajo ciertas condiciones.
Para ello se le debe de asignar un nuevo costo o ganancia (c
n
) de la variable a
introducir, además de ello también deben de asignársele los coeficientes que afectan a
la variable en las respectivas restricciones
A=
[

]

Con estos valores se lleva al método simplex dual la sgte desigualdad

Reemplazando en los valores de “y” los valores de los precios sombra de la tabla
simplex. Una vez hecho esto se compara, si la desigualdad no se cumple entonces si
se producirá el nuevo producto de lo contrario no se producirá ningún cambio. En caso
de que suceda lo primero se procede así.
Se calcula el (z
*
-c=y
*
A-c) que corresponderá a la casilla, para el cálculo de los otros
valores de la variable se aplica A
*
=B
-1
A.
Luego de realizado esta introducción se tiene que proceder a reoptimizar por el
simplex y se verifica que consecuencias trae al resultado final, si aumenta la ganancia
o si reduce o si la solución ya no es factible.
Caso V.- Introducción de una nueva restricción.-
Se realiza este análisis para cuando se plantea una nueva restricción y las
consecuencias que esta traería al resultado final.
10

Dada la nueva restricción:

Se reemplaza los valores de las variables “x” obtenidos en la tabla simplex final, si esta
desigualdad se cumple entonces la restricción será una restricción redundante y no
afectará al resultado final, y si la desigualdad no se cumple entonces la restricción
afectará al resultado final por lo que se tendrá que proceder a encontrar la nueva
solución optima del problema.
Caso VI.- Cambios en los coeficientes “c
j
” de la función objetivo.
Este análisis se realiza para determinar entre que intervalo de valores puede variar el
precio de cada producto y que la solución siga siendo optima.
Para ello se debe de elegir la variable cuyo precio se desee analizar, y se le realiza el
sgte análisis con la formula: c*
j
- ∆c
B
α
j
≥ 0y C
n
= - cj + λ
Donde ∆c
B
es una matriz de 1x m, donde todos los valores son iguales a 0 excepto
para el valor que le corresponde a la variable tratada que tendrá el valor de “λ”, esta
fórmula se le aplica a todas las variables no básicas hallando los costos reducidos
para cada variable luego de hallar los las desigualdades de los costos reducidos para
cada variable se procede a interceptar las desigualdades generando un intervalo entre
el cual estará comprendido el valor de λ.
Luego con la formula de C
n
se reemplaza el valor mínimo y máximo que puede tomar
λ, luego de aplicar un artífico matemático se puede conocer el intervalo entre el cual
puede variar C
n
cuyos valores deben de ser siempre positivos









11

Planteamiento del problema
Una industria metalmecánica hadejado de producir un producto no provechoso lo que
provocó un exceso considerable en la capacidad de producción, el jefe de producción
está considerando dedicar esta capacidad en exceso, en uno o más del resto de los
productos los cuales productos:
Producto 1: engranajes rectos
Producto2: poleas
Producto 3: ejes
Producto 4: engranaje helicoidal
La capacidad disponible de las maquinas que podría limitar la producción se resume
en la sgte tabla:
Tipo de maquina Tiempo disponible
(hr-maq/semana)
Fresadora 450
Torno paralelo 350
Rectificador universal 180
Taladro de mesa 140

El numero de hr-maq requeridas por cada unidad de producto es de.
Producto

Tipo de maquina
Producto
1
Producto
2
Producto
3
Producto
4

Fresadora 3 4 2 4
Torno paralelo 1 3 6 7
Rectificadora universal 2 1 3 0
Taladro de mesa 1 2 0 2

La utilidad unitaria por producto será de 28$/producto1, 18$/producto2, 23$/producto3,
32$/producto4.
El potencial de ventas para el producto1 y producto4 es de 45U/semana.
12

Formúlese el modelo de programación lineal para determinar cuánto debe producir la
industria de cada producto para maximizar la utilidad.
Definición de variables
x
1
= cantidad a producir del producto 1 (u)
x
2
= cantidad a producir del producto 2 (u)
x
4
= cantidad a producir del producto 3 (u)
x
5
= cantidad a producir del producto 4 (u)
El modelo de programación lineal tendrá la siguiente FuncionObjetivo
Max(z)=28x
1
+ 15x
2
+ 23x
3
+ 32x
4
$/u * u
sujeto a:
3x
1
+4x
2
+2x
3
+4x
4
≤450
1x
1
+3x
2
+6x
3
+7x
4
≤ 350
2x
1
+1x
2
+3x
3
≤ 180

1x
1
+2x
2
+2x
4
≤ 140
1x
1
+1x
4
≤ 45
x
1
, x
2
, x
3
, x
4
≥ 0
x
B
=
[

]

[
]

[
]


[

]

[

]

[
]
13

[

]

[

]

[

]

[
]
[

]

Tabla simplex final

Análisis de sensibilidad
14

SOLUCION OPTIMA
Max(z)=2426.14
x
1
=36.84
x
2
=43.42
x
3
=20.96
x
4
=8.16
s
1
=91.23
s
2
=0
s
3
=0
s
4
=0
s
5
=0

Conclusión.-Llegamos a la conclusión que sacamos una solución optima donde
pudimos comprobar que todas nuestras variables son básicas.