MANUAL DE HERRAMIENTAS DEL

INGENIERO INDUSTRIAL

23 DE OCTUBRE DE 2018

Compilado por: Raul Castilleja Herrera

 INDICE
HERRAMIENTA PAGINA
1. Programación lineal
2. Análisis de redes
3. Programación no lineal
4. Líneas de espera
5. Diagrama de operaciones
6. Estudio de movimientos
7. Tolerancias
8. Tiempo estándar
9. Tipos de muestreo
10. Intervalos de confianza para medias
y varianzas
11. Distribución normal y t student
12. Prueba z
13. Diagrama de árbol
14. Diagrama matricial
15. Diagrama Pareto
16. Diagrama Causa-efecto
17. Histograma
18. Estratificación
19. Habilidad y capacidad del proceso
20. Hojas de verificación
21. Grafica x-s
22. Grafica para valores individuales
23. Grafico p
24. Grafico np
25. Grafico u
26. Grafico c
27. Tablas de muestreo
28. Valor del dinero a través del tiempo
29. Análisis beneficio costo
30. Tasa interna de retorno
31. Cuadro de mando integral
32. Mapa estratégico
33. OEE
34. Ciclo de la mejora continua
35. Análisis de modo y efectos de falla
(AMEF)
36. Indicadores de la atención al cliente
37. Programación maestra de
producción (MPS)
38. Planeación de los requerimientos de
materiales I y II(MRP)
39. Planeaciones los requerimientos de
la empresa (ERP)
40. Teoría de restricciones
41. Procesos de manufactura
42. Value Stream Mapping
43. 5’s
44. Takt time
45. 8 mudas
46. Mantenimiento productivo total
(TPM)
47. Smed
48. Kanban
49. QFD
50. DFSS
51. Balance General
52. Flujo de efectivo
53. Presupuestos
54. Punto de equilibrio
55. Razones financieras
56. Certidumbre riesgo e incertidumbre
57. Función de perdida
58. Anova
59. Diseño de experimentos
60. Análisis de regresión lineal y no
lineal
61. Planeación avanzada de la calidad
de un producto(APQP)
 Programación lineal

Los problemas de la programación lineal se generan por los recursos limitados, que
buscan distribuirse de la mejor manera. Los recursos, al ser limitados, pueden ser
distribuidos de diversas maneras como tantas combinaciones matemáticas sean posibles
vinculadas a un mismo objetivo. Por lo antes expuesto, se crea la necesidad de
distribuirlos en forma equilibrada y armónica entre los factores que intervienen en el
problema, con el propósito de hallar las mejores alternativas de uso, cumpliendo el
objetivo establecido. Un problema de programación lineal implica el sentido de la función,
propósito o meta, recursos disponibles y habilidad o forma para comparar y seleccionar la
alternativa óptima. En términos formales, el problema de programación lineal crea un
proceso de optimización en el cual se eligen valores no negativos de una serie de
variables de decisión de modo que maximicen o minimicen una función objetivo, cuya
fórmula es la siguiente:
Max o min Z= C1 X1 + C2 X2 + ... + Cn Xn
Sujeto a las restricciones:
A11X1 + A12X2 + ... + A1nXn ≤ B1
A21X1 + A22X2 + ... + A2nXn ≤ B2
Am1X1 + Am1X2 + ... + AmnXn ≤ Bm
Donde
Cn,Amn y Bm son costantes dadas. Dependiendo del problema las restricciones se
pueden expresar con signo de igualdad o con signos de mayor o igual que y menor o igual
que.
Método simplex
Ejemplo: Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0
a) Realizar un cambio de variables y normalizar el signo de los términos
independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la

correspondencia siguiente:

 x pasa a ser X1

 y pasa a ser X2

Como los términos independientes de todas las restricciones son positivos no es necesario
hacer nada. En caso contrario habría que multiplicar por "-1" en ambos lados de la inecuación
(teniendo en cuenta que esta operación también afecta al tipo de restricción).

b) Normalizar las restricciones.

 Se convierten las inecuaciones en ecuaciones agregando variables de
holgura, exceso y artificiales según la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial
= + artificial
≤ + holgura

Método Simplex

 Construcción de la primera tabla:

Las columnas de la tabla están dispuestas de la siguiente forma: la primera columna de

la tabla contiene las variables que se encuentran en la base (o variables básicas), esto
es, aquellas que toman valor para proporcionar una solución; la segunda columna recoge
 los coeficientes que dichas variables básicas tienen en la función objetivo (esta columna
es llamada Cb); la tercera muestra el término independiente de cada restricción (P0); a
partir de ésta aparece una columna por cada una de las variables de decisión y holgura
presentes en la función objetivo (Pj). Para tener una visión más clara de la tabla, se
incluye una fila que contiene los títulos de cada una de las columnas.

Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la tabla, donde
aparecen los coeficientes de las variables de la función objetivo, y una última fila que
recoge el valor la función objetivo y los costes reducidos Zj - Cj.

Los costes reducidos muestran la posibilidad de mejora en la solución Z0. Por este
motivo también son llamados valores indicadores.

Se muestra a continuación el aspecto general de la tabla del método Simplex:

Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
P1 Cb1 b1 a11 a12 ... a1n
P2 Cb2 b2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pm Cbm bm am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Todos los valores incluidos en la tabla vendrán dados por el modelo del problema
salvo los valores de la fila Z (o fila indicadora). Estos se obtienen de la siguiente forma:
Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij.

Se observa, al realizar el método Simplex, que en esta primera tabla ocupan la base
todas las variables de holgura y por ello (todos los coeficientes de las variables de holgura
son 0 en la función objetivo) el valor inicial de Z es cero.

Por este mismo motivo tampoco es necesario realizar los cálculos de los costes
reducidos en la primera tabla, pudiéndose determinar directamente como el cambio de
signo de los coeficientes de cada variable en la función objetivo, esto es, -Cj.

 Condición de parada:

Se cumple la condición de parada cuando la fila indicadora no contiene ningún valor

negativo entre los costes reducidos (cuando el objetivo es la maximización), esto es, no
existe posibilidad de mejora.

Una vez cumplida la condición de parada, el valor de cada variable que logra la
solución óptima se encuentra en la columna P0, indicándose en la base a qué variable
correnponde dicho valor. Si una variable no aparece en la base, significa que su valor es
cero. De la misma forma el valor óptimo de la función objetivo (Z) se encuentra en la
columna P0, fila Z.

Si no se cumple la condición de parada es necesario realizar una iteración más del

algoritmo, esto es, determinar la variable que se vuelve básica y la que deja de serlo,
 encontrar el elemento pivote, actualizar los valores de la tabla y comprobar si se cumple
nuevamente la condición de parada.

Es también posible determinar que el problema no se encuentra acotado y su

solución siempre resultará mejorable. En tal caso no es necesario continuar iterando
indefinidamente y se puede finalizar el algoritmo. Esta situación ocurre cuando en la
columna de la variable entrante a la base todos los valores son negativos o nulos.

 Elección de la variable que entra a la base:

Cuando una variable se vuelve básica, es decir, entra en la base, comienza a formar
parte de la solución. Observando los costes reducidos en la fila Z, se decide que entra a
la base la variable de la columna en la que éste sea el de menor valor (o de mayor valor
absoluto) entre los negativos.

 Elección de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la variable que
se encuentre en aquella fila cuyo cociente P0/Pjsea el menor de los estrictamente
positivos (teniendo en cuenta que esta operación se hará únicamente cuando Pj sea
superior a 0).

 Elemento pivote:

El elemento pivote de la tabla queda marcado por la intersección entre la columna de la

variable entrante y la fila de la variable saliente.

 Actualización de la tabla:

Las filas correspondientes a la función objetivo y a los títulos permanecerán inalteradas

en la nueva tabla. El resto de valores deberán calcularse como se explica a continuación:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.

 En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en

Columna Pivote * Nuevo Elemento Fila Pivote).

De esta forma se consigue que todos los elementos de la columna de la variable

entrante sean nulos salvo el de la fila de la variable saliente cuyo valor será 1. (Es
análogo a utilizar el método de Gauss-Jordan para resolver sistemas de ecuaciones
lineales).

Método de las Dos Fases

El método de las Dos Fases se utiliza cuando aparecen variables artificiales en la forma
canónica o estándar del problema. La primera fase trata de resolver el problema auxiliar Z' de
minimizar la suma de las variables artificiales y conseguir que sea cero (con objeto de evitar
incongruencias matemáticas). Una vez resuelto este primer problema, y siempre y cuando el
resultado sea el esperado, se reorganiza la tabla resultante para utilizarla en la segunda fase
sobre el problema original.
 En caso contrario el problema no es factible, es decir, no tiene solución y no será necesario
continuar con la segunda fase.

FASE 1

Esta primera fase es muy similar al método Simplex, con la excepción de la construcción
de la primera tabla, además de la necesidad de estudiar el resultado obtenido para determinar
si se desarrolla la segunda fase.

En tal caso, la última tabla de esta fase será, con algunas modificaciones, la utilizada como
tabla inicial para la segunda fase.

 Construcción de la primera tabla:

Se elabora de manera análoga a la tabla inicial del método Simplex, pero con algunas
diferencias.

Como se ha comentado, en esta primera fase se resuelve un problema auxiliar (la

minimización de la suma de las variables artificiales) con una función objetivo auxiliar.
Por lo tanto en la primera fila de la tabla, donde se muestran los coeficientes de las
variables de la función objetivo, aparecerán todos los términos a cero excepto los
coeficientes de variables artificiales. El valor de cada uno de estos coeficientes es "-1"
debido a que se está minimizando la suma de dichas variables (recuerde que minimizar
Z' es igual que maximizar (-1)·Z').

La otra diferencia para la primera tabla radica en que ahora sí es necesario calcular
la fila Z (o fila indicadora).

Tabla
C0 C1 C2 ... Cn-k ... Cn
Base Cb P0 P1 P2 ... Pn-k ... Pn
P1 Cb1 b1 a11 a12 ... a1n-k ... a1n
P2 Cb2 b2 a21 a22 ... a2n-k ... a2n
... ... ... ... ... ... ... ... ...
Pm Cbm bm am1 am2 ... amn-k ... amn
Z Z0 Z1 Z2 ... Zn-k ... Zn

Siendo Zj = Σ(Cbi·Pj) - Cj para i = 1..m, donde si j = 0, P0 = bi y C0 = 0, y en caso

contrario Pj = aij.

 Condición de parada y paso a la fase 2:

La condición de parada es la misma que en el método Simplex normal. Esto es, cuando
en la fila indicadora ninguno de los valores de los costes reducidos es negativo (ya que
tal y como se ha planteado el objetivo es la maximización de (-1)·Z').

Cumplida la condición de parada es necesario determinar si es posible pasar a la

segunda fase para obtener la solución óptima del problema original. Esto se hace
observando el resultado obtenido en la primera fase: si su valor es 0, significa que el
 problema original tiene solución y es posible calcularla, en caso contrario indica que se
trata de un problema no factible y no tiene solución.

FASE 2

La segunda fase del método de las Dos Fases se desarrolla exactamente igual que
el método Simplex, con la salvedad de que antes de iniciar las iteraciones hay que eliminar las
columnas correspondientes a las variables artificiales, y reconstruir la tabla inicial.

 Eliminar Columna de variables artificiales:

Si hemos llegado a la conclusión de que el problema original tiene solución, debemos

preparar nuestra tabla para la segunda fase. Este paso es muy sencillo, se trata
únicamente de eliminar las columnas correspondientes a las variables artificiales.

 Construcción de la tabla inicial:

La tabla inicial en este caso se mantiene casi igual a la última tabla de la primera fase.
Únicamente habrá que modificar la fila de la función objetivo por la del problema original
y calcular nuevamente la fila Z (de la misma forma que en la primera tabla de la fase 1).

A partir de este punto, todas las iteraciones hasta llegar a la solución óptima del problema
no presentan ninguna diferencia con el método Simplex.

Análisis de redes

La modelación de redes permite la resolución de múltiples problemas de programación

matemática mediante la implementación de algoritmos especiales creados para tal fin,
conocidos como Algoritmos de optimización de redes.
Dentro de los problemas más comúnmente resueltos mediante la modelación de redes
se encuentran los ya vistos modelos de transporte, transbordo además de los muy
conocidos modelos de determinación de cronograma de actividades para proyectos como
lo son el PERT y el CPM.
Para resolver problemas de ruta más corta se debe proceder con el criterio del Algortimo
de Dijktra. Esto es demos partir del origen (O) y debemos llegar al Destino (T) y lo
debemos hacer por el camino o ruta más corta. Es decir tenemos que optimizar,
minimizando costos de envío del nodo Origen al Nodo destino.
Al salir del Nodo O se puede llegar a los Nodos A,B y C. pero fíjese que se puede hacer a
distintos costos 4,3 y 6. Respectivamente. Lo cual mostramos con cuadrados rojos sobre
los nodos alcanzados o conocidos. OA=4, OB=3,OC=6
Ahora vamos a llegar al Nodo D; puede ver que los nodos conocidos más cercanos son A
y C. por lo tanto se puede llegar a D desde A con 4+3=7; pero se puede llegar a D dese C
con 6+2=8, como nos interesa el camino más corto elegimos AD para un costo de 7.
Ahora vamos a llegar a E; puede ver que los nodos conocidos más cercanos son B y C.
por tanto se puede llegar a E desde B con 3+6= 9; pero se puede llegar a E desde C con
6+5=11 como nos interesa el camino más corto elegimos BE con un costo de 9.
Ahora vamos a llegar a F; puede verse que los nodos conocidos más cercanos son C,D y
E, por tanto se puede llegar a F desde C con 6 + 2= 8; pero se puede llegar a F desde D
con 7+2=9; pero también se puede llegar a F desde E con 9+1=10; puede verse que el
más corto de los tres es 8 por lo que elegimos CF.

Ahora podemos alcanzar G desde los nodos conocidos más cercanos D y F. por tanto se
puede llegar a G desde D con 7+4=11; pero se puede llegar a G desde F con 8+2=10;
puede verse que es menos costoso llegar desde F por lo que elegimos FD.
Ahora podemos alcanzar H desde los nodos conocidos más cercanos E,F y G. Por tanto
se puede llegar H desde E con 9+2= 11; pero se puede llegar a H desde F con 8+5=13;
pero se puede llegar a H desde G 10+2=12; puede verse que el menos costoso es de EH
con 11.
Ahora podemos alcanzar I desde los nodos conocidos más cercanos E y H. Por lo tanto se
puede llegar a I desde E con 9 + 5=14; pero puedo llegar I desde H con 11+3=14; vemos
que los costos son iguales desde E o desde H, por lo que hay dos opciones posibles. HI y
EI

Ahora podemos alcanzar el nodo destino T desde los nodos conocidos más cercanos G,H
e I. Por tanto puedo alcanzar T desde G con 10+7=17; pero puedo alcanzar T desde H con
11+8=29 o puede alcanzar T desde I con 14+4=18, puede verse que de los tres el menos
costoso es 17 desde GT

Resultando la ruta óptima: OC-CF-FG-GT o lo que es lo mismo O-C-F-G-T = 17

Programación no lineal