ACTIVIDAD 2
Investigación de operaciones
Samantha Angeles Del Rey
02877953
Parte 1.
Lee con detenimiento cada uno de los problemas que a continuación se describen,
en cada caso menciona y/o desarrolla:
¿Cuáles son las variables?
¿Cuáles son las restricciones?
¿Cuál es la función objetivo?
¿Modelo matemático?
Problema 1.
La empresa White House tiene solo tres empleados que hacen dos tipos de ventanas
a mano: con marco de madera y con marco de aluminio. La ganancia es de $180 por
cada ventana con marco de madera y de $90 por cada una con marco de aluminio. El
empleado llamado Juan hace marcos de madera y puede terminar seis al día. El
empleado Iván hace cuatro marcos de aluminio por día. Vicente forma y corta el
vidrio y puede hacer 48 metros cuadrados de vidrio por día. Cada ventana con
marco de madera emplea 6 metros cuadrados de vidrio y cada una de aluminio, 8
metros cuadrados.
La compañía desea determinar cuántas ventanas de cada tipo debe producir al día
para maximizar la ganancia total.
Variables:
X1: Cantidad de ventanas con marco de madera a producir al día.
X2: Cantidad de ventanas con marco de aluminio a producir al día.
Restricciones:
Capacidad de producción de Juan: X1 ≤ 6 (máximo 6 marcos de madera al día).
Capacidad de producción de Iván: X2 ≤ 4 (máximo 4 marcos de aluminio al día).
Capacidad de producción de Vicente: 6X1 + 8X2 ≤ 48 (máximo 48 metros cuadrados de
vidrio al día).
Función objetivo:
Maximizar la ganancia total:
Z = 180X1 + 90X2
Modelo matemático:
Maximizar Z = 180X1 + 90X2
Sujeto a:
X1 ≤ 6
X2 ≤ 4
6X1 + 8X2 ≤ 48
X1, X2 ≥ 0
LINGO:
Global optimal solution found.
Objective value: 1170.000
Objective bound: 1170.000
Infeasibilities: 0.000000
Extended solver steps: 0
Total solver iterations: 0
Elapsed runtime seconds: 0.14
Model Class: PILP
Total variables: 2
Nonlinear variables: 0
Integer variables: 2
Total constraints: 4
Nonlinear constraints: 0
Total nonzeros: 6
Nonlinear nonzeros: 0
Variable Value Reduced Cost
X1 6.000000 -180.0000
X2 1.000000 -90.00000
Row Slack or Surplus Dual Price
1 1170.000 1.000000
2 4.000000 0.000000
3 0.000000 0.000000
4 3.000000 0.000000
Al utilizar Lingo, me pude dar cuenta que el resultado ideal se encuentra entre los puntos
6 sobre el eje X (X1) y 1 sobre el eje y X2)1, dando como resultado 1170, representando las
ganancias ideales.
Problema 2.
Un pequeño taller tiene tres empleados que hacen dos tipos de productos
manuales: el primero lleva un acabado labrado y el otro un acabado brilloso. La
ganancia es de $180 por producto con acabado labrado y de $90 por cada uno con
acabado brilloso. El empleado llamado Esteban hace seis productos labrados al día.
El empleado Jesús hace cuatro brillosos por día. Existe otro empleado que realiza las
actividades previas al labrado y brillantez ocupando una materia prima de 48
unidades por día. De dicha materia prima cada producto labrado emplea seis
unidades y cada producto brilloso ocho unidades. La compañía desea determinar
cuántos productos de cada tipo debe producir al día para maximizar la ganancia
total.
Variables:
X1: Cantidad de productos con acabado labrado a producir al día.
X2: Cantidad de productos con acabado brilloso a producir al día.
Restricciones:
Capacidad de producción de Esteban: X1 ≤ 6 (máximo 6 productos labrados al día).
Capacidad de producción de Jesús: X2 ≤ 4 (máximo 4 productos brillosos al día).
Capacidad de materia prima: 6X1 + 8X2 ≤ 48 (máximo 48 unidades de materia prima al
día).
Función objetivo:
Maximizar la ganancia total:
Z = 180X1 + 90X2
Modelo matemático:
Maximizar Z = 180X1 + 90X2
Sujeto a:
X1 ≤ 6
X2 ≤ 4
6X1 + 8X2 ≤ 48
X1, X2 ≥ 0
Lingo:
Global optimal solution found.
Objective value: 1170.000
Objective bound: 1170.000
Infeasibilities: 0.000000
Extended solver steps: 0
Total solver iterations: 0
Elapsed runtime seconds: 0.14
Model Class: PILP
Total variables: 2
Nonlinear variables: 0
Integer variables: 2
Total constraints: 4
Nonlinear constraints: 0
Total nonzeros: 6
Nonlinear nonzeros: 0
Variable Value Reduced Cost
X1 6.000000 -180.0000
X2 1.000000 -90.00000
Row Slack or Surplus Dual Price
1 1170.000 1.000000
2 4.000000 0.000000
3 0.000000 0.000000
4 3.000000 0.000000
Lingo nos muestra que para obtener una ganancia ideal de 1170 se deben producir 6
productos labrados y 1 producto brilloso.
Problema 3.
Para fabricar ventiladores de pedestal y de mesa se requieren de dos dispositivos, A
y B. Los encargados desean determinar cuál es la cantidad de cada ventilador
óptima a fabricar para maximizar la ganancia. Por cada ventilador de pedestal se
requiere una unidad de dispositivo A y dos unidades de dispositivo B. Por cada
ventilador de mesa se necesitan 3 unidades de dispositivo A y 2 unidades de
dispositivo B. En inventario se tienen 200 unidades de dispositivo A y 300 de B. Los
ventiladores de pedestal dan una ganancia de $1 y cada ventilador de mesa (hasta
60 unidades) da una ganancia de $2. Cualquier exceso de 60 unidades de
ventiladores de mesa no genera ganancia.
Variables:
X1: Cantidad de ventiladores de pedestal a fabricar.
X2: Cantidad de ventiladores de mesa a fabricar.
Restricciones:
Disponibilidad de dispositivo A: X1 + 3X2 ≤ 200 (máximo 200 unidades de dispositivo A).
Disponibilidad de dispositivo B: 2X1 + 2X2 ≤ 300 (máximo 300 unidades de dispositivo B).
Límite de 60 unidades para ventiladores de mesa: X2 ≤ 60.
Función objetivo:
Maximizar la ganancia total:
Max Z= X1+2X2
Modelo matemático:
Maximizar Z= 180X1+2X2
Sujeto a:
X1≤ 200
2X1+ 3X2 ≤ 200
2X1 ≤ 300
2X1 + 2X2 ≤ 300
X2 ≤ 60
X1, X2 ≥ 0
Lingo:
Global optimal solution found.
Objective value: 130.0000
Objective bound: 130.0000
Infeasibilities: 0.000000
Extended solver steps: 0
Total solver iterations: 0
Elapsed runtime seconds: 0.11
Model Class: PILP
Total variables: 2
Nonlinear variables: 0
Integer variables: 2
Total constraints: 6
Nonlinear constraints: 0
Total nonzeros: 9
Nonlinear nonzeros: 0
Variable Value Reduced Cost
X1 10.00000 -1.000000
X2 60.00000 -2.000000
Row Slack or Surplus Dual Price
1 130.0000 1.000000
2 190.0000 0.000000
3 0.000000 0.000000
4 280.0000 0.000000
5 160.0000 0.000000
6 0.000000 0.000000
Los puntos óptimos quedan en X1=10 y X2=60, por lo que nos da un resultado óptimo de
130.
Parte 2.
Investiga cuál es el alcance actual de la aplicación de la programación lineal como
herramienta para la solución de problemas en la investigación de operaciones.
La programación lineal es una herramienta ampliamente utilizada en la investigación de
operaciones debido a su capacidad para modelar y resolver problemas de optimización en una
amplia gama de industrias y sectores. Algunos de los campos en los que se aplica la
programación lineal incluyen:
Logística y cadena de suministro: La programación lineal se utiliza para optimizar la
planificación y el enrutamiento de la distribución de productos, la asignación de
recursos, la gestión de inventarios y la programación de la producción.
Transporte y asignación: La programación lineal se utiliza para determinar la mejor
asignación de recursos, como vehículos de transporte, para minimizar los costos y
maximizar la eficiencia en la entrega de bienes y servicios.
Producción y operaciones: La programación lineal se aplica para optimizar la
programación de la producción, la asignación de recursos, la planificación de la
capacidad y la gestión de inventarios, con el objetivo de maximizar la eficiencia y
minimizar los costos.
Planificación financiera: La programación lineal se utiliza para optimizar la asignación
de inversiones y recursos financieros, la planificación de carteras de inversión y la
gestión de riesgos.
Planificación de proyectos: La programación lineal se aplica para optimizar la
asignación de recursos y la planificación de actividades en proyectos, lo que ayuda a
minimizar los tiempos de finalización y los costos.
Marketing y publicidad: La programación lineal se utiliza para optimizar la asignación
de recursos de marketing y publicidad, como el presupuesto publicitario y la mezcla
óptima de medios, para maximizar el alcance y el impacto de las campañas.
Energía y recursos naturales: La programación lineal se aplica para la optimización de
la producción y distribución de energía, la planificación de la gestión de recursos
hídricos, la programación de la generación de energía y la asignación de recursos en la
industria minera.
La programación lineal ha demostrado ser una herramienta valiosa para la toma de decisiones
en estos y muchos otros campos, ya que permite encontrar soluciones óptimas o cercanas a la
óptima para problemas de optimización con restricciones lineales. Además, el desarrollo de
algoritmos eficientes y el avance de la tecnología informática han permitido resolver
problemas de programación lineal de gran escala en tiempo razonable, lo que ha ampliado
aún más su alcance y aplicabilidad en la investigación de operaciones.
