MANUAL UNIVERSITARIO
INVESTIGACIN DE
OPERACIONES MINERAS
MSc. Mario
Cuentas
Alvarado
2009
INVESTIGACION DE OPERACIONES EN MINERIA
CONTENIDO
CAPITULO I....................................................................................................................................... 1
INTRODUCCION A LA INVESTIGACION DE OPERACIONES......................................................... 1
QU ES LA INVESTIGACIN DE OPERACIONES?...................................................................... 1
HISTORIA DE LA INVESTIGACION DE OPERACIONES................................................................. 1
METODOLOGIA DE LA INVESTIGACION DE OPERACIONES........................................................ 2
Definicin del problema.................................................................................................................. 2
Desarrollo de un Modelo Matemtico y Recoleccin de Datos...................................................... 3
Resolucin del Modelo Matemtico............................................................................................... 3
Validacin, Instrumentacin y Control de la Solucin..................................................................... 3
Modificacin del Modelo................................................................................................................ 4
USOS Y VENTAJAS DE LOS MODELOS DE INVESTIGACIN DE OPERACIONES...................... 4
RESUMEN........................................................................................................................................ 5
CAPITULO II...................................................................................................................................... 6
CONSTRUCCION DE MODELOS DETERMINISTICOS................................................................... 6
PASOS GENERALES Y TCNICAS DE LA CONSTRUCCIN DE MODELOS MATEMTICOS .. 6
Identificacin de las variables de decisin..................................................................................... 6
Identificacin de los datos del problema........................................................................................ 7
Identificacin de la funcin objetivo............................................................................................... 8
Identificacin de las restricciones.................................................................................................. 9
Formulacin matemtica del problema ....................................................................................... 11
EJEMPLOS DE FORMULACIN DE MODELOS MATEMTICOS ........................................... 12
CAPITULO III ................................................................................................................................. 40
SOLUCIN A PROBLEMAS DE PROGRAMACIN LINEAL USANDO SOFTWARE ................... 40
USO DE SOLVER DE EXCEL ....................................................................................................... 40
EL PROBLEMA DE PLANEACIN DE PRODUCCIN DEL SINDICATO MINERO PACOCOCHA
.................................................................................................................................................... 40
USO DE SOLVER DE WinQSB ..................................................................................................... 43
EL PROBLEMA DE PLANEACIN DE PRODUCCIN DEL SINDICATO MINERO PACOCOCHA
.................................................................................................................................................... 43
USO DE LINDO ............................................................................................................................. 48
SINTAXIS DEL MODELO LINDO ............................................................................................... 48
EL PROBLEMA DE PLANEACIN DE PRODUCCIN DEL SINDICATO MINERO PACOCOCHA
.................................................................................................................................................... 48
CAPITULO IV ................................................................................................................................ 53
ANLISIS DE SENSIBILIDAD USANDO SOFTWARE: ................................................................. 53
EL PROBLEMA DE PLANEACIN DE PRODUCCIN DE CASE CHEMICALS .......................... 53
CONCEPTOS BSICOS EN ANLISIS DE SENSIBILIDAD ...................................................... 54
1. ANLISIS DE SENSIBILIDAD CON EXCEL ........................................................................ 54
ANLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA FUNCIN OBJETIVO..............57
ANLISIS DE SENSIBILIDAD DE LOS VALORES DEL LADO DERECHO DE LAS
RESTRICCIONES (RECURSOS DISPONIBLES, RHS) ............................................................ 58
ANLISIS PARAMTRICO DE LOS RECURSOS DISPONIBLES (VALORES DEL LADO
DERECHO) ................................................................................................................................ 60
2. ANLISIS DE SENSIBILIDAD CON LINDO ............................................................................ 61
3. ANLISIS DE SENSIBILIDAD CON WinQSB ........................................................................... 62
QU ES LA INVESTIGACIN DE OPERACIONES?
En la ciencia de la administracin (que tambin se conoce como investigacin de
operaciones), los administradores utilizan las matemticas y las computadoras para tomar
decisiones racionales en la resolucin de problemas. Aunque algunos problemas son lo bastante
simples como para que un administrador pueda aplicar su experiencia personal para resolverlos,
en el complejo mundo actual muchos problemas no pueden resolverse de esta manera. La
evaluacin de cada alternativa es demasiado difcil o tardada debido a la cantidad y complejidad
de la informacin que debe ser procesada o porque el nmero de soluciones alternativas es tan
vasto que un administrador simplemente no puede evaluarlas todas para seleccionar una
apropiada.
Las tcnicas de la administracin se aplican a las siguientes dos categoras bsicas de problemas:
1. Problemas determinsticos, en los que toda la informacin necesaria para obtener una
solucin se conoce con certeza.
En otras situaciones, el problema puede no estar tan bien definido y puede requerir bastantes
discusiones y consenso entre los miembros del equipo de proyectos. Por ejemplo, puede haber
varios objetivos que entren en conflicto. Tal vez usted desee maximizar la satisfaccin del cliente
y, sin embargo, tambin minimizar los costos totales. Es improbable que pueda lograr ambas
metas. Se tendrn que tomar decisiones corporativas respecto a un objetivo global. Algunas
veces la cuantificacin del objetivo mismo es difcil. Por ejemplo, cmo se mide la "satisfaccin
del cliente"? Todas estas cuestiones deben resolverse y clarificarse por consenso del equipo de
proyectos durante la fase de definicin del problema.
1. Mtodos ptimos, que producen los mejores valores para las variables de decisin, es decir,
aquellos valores que satisfacen simultneamente todas las limitaciones y proporcionan el
mejor valor para la funcin objetiva.
2. Mtodos heursticos, que producen valores para las variables que satisfacen todas las
limitaciones. Aunque no necesariamente ptimos, estos valores proporcionan un valor
aceptable para la funcin objetiva.
En contraste con los mtodos ptimos, los mtodos heursticos son computacionalmente ms
eficientes y, por tanto, se usan cuando la obtencin de soluciones ptimas lleva demasiado tiempo
o es imposible porque el modelo es demasiado complejo.
1. El modelo matemtico puede no haber captado todas las limitaciones del problema real.
2. Ciertos aspectos del problema pueden haberse pasado por alto, omitido deliberadamente o
simplificado.
3. Los datos pueden haberse estimado o registrado incorrectamente, tal vez al introducirlos a la
computadora.
Tambin es importante darse cuenta que aun cuando el modelo y la solucin pueden ser vlidos,
tal vez no sea factible llevar a cabo una decisin basndose en esos resultados. Puede haber
aplicaciones conductuales o polticas que no pueden incluirse en el modelo. Por ejemplo, el
resultado de un modelo puede indicar que es ms eficiente en cuanto a costos transferir algunos
trabajadores del turno de da al de noche. Sin embargo, tal cambio puede enfrentar resistencia de
los empleados (o administradores) por razones personales, polticas o de otra ndole. Una forma
de evitar este tipo de dificultades es incluir representantes de todos los grupos potencialmente
afectados como parte del equipo de proyectos.
Debera reemplazarse un sistema existente con un nuevo sistema recin propuesto? Por
ejemplo, debera convertir una de tres casetas de peaje en un carril expreso para carros de dos o
ms pasajeros? Otro ejemplo, debera abrir una nueva instalacin de produccin?
Como los modelos que construye para llegar a decisiones estratgicas generalmente se usan
nicamente para hacer una determinacin a largo plazo, no debe preocuparse demasiado por la
cantidad de esfuerzo computacional requerido para obtener la solucin. Es muy probable que las
decisiones estratgicas tengan un impacto importante en la organizacin, as que debe dedicar la
mayor parte de sus esfuerzos a asegurar que el modelo sea vlido, que incluya todos los aspectos
importantes del problema y que los datos sean lo ms exactos posibles.
Las decisiones operacionales, por el contrario, afectan procesos en curso sobre periodos ms
cortos. Considere las siguientes decisiones operacionales que tal vez tenga que tomar
regularmente:
Cul es el plan de embarque ms efectivo en costos para distribuir productos desde las
plantas hasta los mercados al por menor?
A diferencia de los modelos para planeacin estratgica, los modelos para decisiones
operacionales se usan repetidamente. Por tanto, vale la pena gastar tiempo y esfuerzo extras en
identificar o desarrollar los procedimientos de solucin ms eficientes, ya que hacerlo puede
redituar ahorros significativos en costos computacionales con el tiempo.
Sin importar si se requiere de una decisin estratgica u operacional, los modelos matemticos
proporcionan los siguientes beneficios a los administradores:
1. Un mtodo de determinacin de la mejor manera de lograr un objetivo, como asignar
recursos escasos.
2. Una forma de evaluar el impacto de un cambio propuesto o un nuevo sistema sin el costo y
tiempo de llevarlo a cabo primero.
3. Una forma de evaluar la fortaleza de la solucin ptima al hacer preguntas de sensibilidad
de la forma "Qu sucedera si ... ?" Por ejemplo, qu le sucedera al plan de inversin
ptima y retribucin anual si se esperara que el fondo de acciones produjera slo 8% (en vez
del 10% original)?
RESUMEN
Los pasos generales comprendidos en la aplicacin de las tcnicas de la administracin para
resolver problemas de decisin determinsticos y estocsticos son los siguientes:
El objetivo ahora es convertir esta descripcin cualitativa del problema a una forma matemtica
que pueda resolverse. Este proceso es llamado formulacin del problema y generalmente
implica cuatro pasos, cada uno de los cuales es descrito en las siguientes secciones.
Identificacin de las variables de decisin
El primer paso en la formulacin del problema es identificar las variables de decisin, a menudo
simplemente llamadas variables. Los valores de estas variables, una vez determinados,
proporcionan la solucin al problema. Para el ejemplo 2.1, usted puede identificarlas variables de
decisin preguntndose qu informacin necesita proporcionar al personal de produccin, los
departamentos de mezclado y purificacin, para que sepan cmo proceder. Su respuesta a esta
pregunta debera ser:
Como los valores de estos elementos no se conocen todava, a cada variable de decisin se le da
un nombre simblico. Usted puede elegir el nombre simblico que quiera, pero encontrar til
seleccionar un nombre simblico que le recuerde la cantidad que la variable de decisin
representa. Para el ejemplo que estamos viendo, podra crear las siguientes variables,
correspondientes a los dos elementos identificados anteriormente:
Observe que estas descripciones son precisas. Incluyen las unidades asociadas con las
cantidades que las variables representan (miles de galones, en este caso). No es suficiente
definir una variable como la "cantidad" de un elemento, porque para las otras personas que
leyeran su formulacin, el trmino "cantidad" podra tener varios significados (por ejemplo, miles
de litros en este caso).
CARACTERSTICAS CLAVE
Qu elementos afectan los costos y/o ganancias (o, en general, el objetivo global)?
Qu elementos puede elegir y/o controlar libremente? Qu decisiones tiene que tomar?
Qu valores, una vez determinados, constituyen una solucin para el problema? Pngase en la
posicin de alguien que tiene que implantar su solucin, y luego pregntese qu informacin se
requiere.
Para el ejemplo 2.l, las respuestas a todas estas preguntas son iguales y lo llevan a identificar las
variables de decisin como el nmero de miles de galones de CS-01 y CS-02 por producir
semanalmente.
2. De manera similar, los seis trabajadores de tiempo completo (40 horas cada uno) y el
trabajador de tiempo parcial (10 horas) representan un total de 250 horas de trabajo a la
semana en el departamento de purificacin.
A diferencia de las variables de decisin, cuyos valores usted puede controlar, usted no puede
controlar directamente los valores de los datos.
CARACTERSTICAS CLAVE
La necesidad de que algunos de los datos del problema pueden aclararse cuando especifica el
problema. Otros datos pueden hacerse necesarios al desarrollar el modelo matemtico y
descubrir que se requiere informacin adicional para ayudar a determinar los valores de las
variables de decisin.
1. Establecer el objetivo en forma verbal. Para el ejemplo 2.1, este objetivo es:
Para lograr la tarea en la tercera etapa, a menudo es til elegir algunos valores especficos para
las variables de decisin y luego usar esos valores para determinar la forma en que se calcula la
funcin objetivo. Se hace referencia a esta tcnica como trabajo a travs de un ejemplo
especfico. En el ejemplo 2.l, supongamos que se producen 10 mil galones de CS-01 y 20 mil
galones de CS-02 (as que CS, = 10 y CS 2= 20). El departamento de contabilidad le ha dicho
que cada mil galones de CS-01 contribuye con $300 a la ganancia y que cada mil galones de CS-
02 contribuye con $500. Se puede escribir:
Por lo tanto, la funcin objetiva matemtica expresada en trminos de las variables de decisin y
de los datos del problema es:
CARACTERSTICAS CLAVE
b. Cuando sea apropiado, descomponer el objetivo en una suma, diferencia, y/o producto de
trminos individuales.
e. Expresar los trminos individuales en (b) usando las variables de decisin y otros datos de
problemas conocidos.
Su objetivo es maximizar las ganancias. La funcin objetivo le dice que mientras ms grande sea
el valor de las variables, ms grande ser la ganancia. Pero el mundo real pone un lmite en los
valores que puede asignar a estas variables. En el ejemplo 2. 1, os departamentos de mezclado y
purificacin tienen ciertas restricciones fsicas: un nmero limitado de horas de trabajo disponible
cada uno. Estas limitaciones, as como otras consideraciones que imponen restricciones sobre
los valores de las variables, son las restricciones. El paso final en la formulacin del problema es
identificar estas restricciones y escribirlas en forma matemtica.
Las restricciones son condiciones que las variables de decisin deben satisfacer para constituir
una solucin "aceptable". Estas restricciones por lo general surgen de:
2. Restricciones impuestas por la administracin (por ejemplo, sta pudo haber prometido una
cierta cantidad de un producto a un cliente estimado).
3. Restricciones externas (por ejemplo, Case Chemicals no puede vender ms de 120 mil
galones de CS-02 a la semana, y no hay razn para producir ms que la cantidad
demandada).
4. Relaciones implicadas entre variables (por ejemplo, en el problema de inversin de Mark de la
seccin 1.1, las dos fracciones que representan la proporcin de dinero a invertir en los dos
fondos debe sumar l).
5. Restricciones lgicas sobre variables individuales (por ejemplo, el nmero de carros
producidos debe ser un nmero entero, y Case Chemicals no puede producir una cantidad
negativa de solventes).
CARACTERSTICAS CLAVE
Despus de identificar estas restricciones, debe expresaras en forma matemtica usando las
variables de decisin y otros datos del problema. Este proceso es idntico al usado para
especificar la funcin objetivo.
Trabaja con un ejemplo especfico para expresar las cantidades individuales en una forma
matemtica, usando las variables de decisin y otros datos conocidos del problema.
Forma verbal: Horas totales usadas en el mezclado no pueden exceder de 230 Horas
Descomposicin: Horas usadas @ para CS-01 + Horas usadas @ para CS-02 no pueden
exceder de 230
Matemticas: para expresar las horas usadas para CS-0 1 y CS-02 en el departamento de
mezclado trate de trabajar con un ejemplo especfico. Por ejemplo, suponga que CS1 = 15 mil y
que CS 2 = 10 mil galones. Cmo calcula el nmero de horas usadas en el departamento de
mezclado? Estos valores son datos del problema (adems de los datos ya identificados en la
seccin 2.1.2) que usted debe obtener. Supongamos que usted llama al departamento de
procesos y recoge los siguientes datos para los departamentos de mezclado y purificacin:
CS-01 CS-
02
Mezclado 2 1
Purificacin 1 2
Resulta entonces fcil calcular las horas usadas en el departamento de mezclado trabajando con
valores especficos de CS, = 15 y CS2 = 10:
El propsito de usar este ejemplo numrico especfico es ayudarle a escribir una restriccin
matemtica general cuando los valores de las variables (CS, y CS2, en este caso) no se conocen.
De los clculos anteriores, usted obtiene la siguiente restriccin matemtica general:
2CSI +1CS2 < 230
Horas Horas
La limitacin de que a lo ms pueden venderse 120 mil galones de CS-02 da pie a la siguiente
restriccin sobre el valor de CS 2 :
Claro est que usted sabe que los valores de estas variables de decisin deben ser no negativos,
esto es, cero o positivos. Tales restricciones implcitas de las que usted est consciente deben
hacerse explcitas en la formulacin matemtica. Para este problema, debe incluir las siguientes
restricciones:
Juntando todas las piezas de los pasos anteriores, la formulacin matemtica completa del
problema de planeacin de produccin de Case Chemicals es la siguiente:
Condicionado por:
donde:
cs, = 70
cs 2 = 90
El problema de esta seccin involucro slo dos variables de decisin y unas cuantas restricciones.
Los problemas de importancia prctica a menudo contienen cientos o miles de variables y un
nmero similar de restricciones. Estos problemas ms complejos tambin pueden formularse
usando los pasos que aprendi en esta seccin.
Leyes
Costo
Vetas Ag
Pb (%) $/ton
(onz/ton)
Colquechaca 4 3 7
, ,
10 de mayo 16 1,15 9
,
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /onz; precio del plomo
0,70 $/lb; capacidad de la planta concentradora: 95 ton/da, ley minima de cabeza de plata: 6
onz/ton, ley mxima de cabeza de plata: 8 onz/ton.
Como gerente de produccin, formule un modelo matemtico para determinar el tonelaje a
extraer de cada veta.
Solucin:
Paso 1: Identificacin de las variables de decisin
Xc = el nmero de toneladas de mineral a extraer de la veta Colquechaca por da
Xm = el nmero de toneladas de mineral a extraer de la veta 10 de mayo por da
Paso 2: Identificacin de los datos del problema
a) Costo de 1 tonelada de mineral extrada de la veta Colquechaca: $ 7,0
b) Costo de 1 tonelada de mineral extrada de la veta 10 de mayo: $ 9,0
c) Ley de plata del mineral extrado de la veta Colquechaca: 4,0 onz/ton
d) Ley de plata del mineral extrado de la veta 10 de mayo 16,0 onz/ton
e) Ley de plomo del mineral extrado de la veta Colquechaca: 3,5%
f) Ley de plomo del mineral extrado de la veta 10 de mayo: 1,15%
g) Precio de la plata: $ 20,0
/onz
h) Precio del plomo 0,70
$/lb
i) Capacidad de la planta concentradora: 95 ton/da.
j) Ley mnima de cabeza de plata de la planta concentradora: 6 onz/ton.
k) Ley mxima de cabeza de plata de la planta concentradora: 8 onz/ton.
l) Ganancia por 1 tonelada de mineral de la veta Colquechaca
= ingreso por plata + ingreso por plomo costo de produccin
= 4 onz/ton x $ 20,0/onz +0,035 x 2 200lb/ton x $0,70/lb $ 7,0/ton
= $ 126,9 /ton.
m) Ganancia por 1 tonelada de mineral de la veta 10 de mayo
= ingreso por plata + ingreso por plomo costo de produccin
= 16 onz/ton x $ 20,0/onz +0,0115 x 2 200lb/ton x $0,70/lb $ 9,0/ton
= $ 328,71 /ton.
Paso 3 Identificacin de la funcin objetivo
FV: Maximizar la ganancia por venta de mineral
1
D: Maximizar (ganancia por mineral de la veta Colquechaca + ganancia por mineral de la veta 10 de
mayo)
FM: Maximizar 126,9 Xc + 328,71 Xm
Paso 4 Identificacin de las restricciones
a) Capacidad de la planta concentradora
FV: La capacidad de tratamiento de la planta es de 95 ton de mineral por da
D : (el mineral procedente de la veta Colquechaca + el mineral procedente de la veta 10 de mayo) debe
ser mximo 95 toneladas
FM: Xc + Xm <= 95
b) Ley mnima de cabeza de plata de la planta concentradora
FV: la ley mnima de cabeza es de 6 onz/ton
D : ((contenido de plata en el mineral de Colquechaca + contenido de plata en el mineral de 10 de
mayo)/(tonelaje de mineral de Colquechaca + tonelaje de mineral de 10 de mayo)) debe ser mayor
de 6 onz/ton
4 Xc 16 Xm
Xc Xm 6
FM: - Xc + 5 Xm >= 0
c) Ley mxima de cabeza de plata de la planta concentradora
FV: la ley mxima de cabeza es de 8 onz/ton
D : ((contenido de plata en el mineral de Colquechaca + contenido de plata en el mineral de 10 de
mayo)/(tonelaje de mineral de Colquechaca + tonelaje de mineral de 10 de mayo)) debe ser menor
de 8 onz/ton
4 Xc 16 Xm
8
Xc Xm
FM: - Xc + 2,0 Xm <= 0
d) Restricciones lgicas
Xc y Xm >= 0
Paso 5 Formulacin matemtica del modelo
Maximizar 126,9 Xc + 328,71 Xm
Sujeto a:
1
ganancia = ganancia por 1 ton de mineral x nmero de toneladas de mineral a extraer.
1 Facultad de Ingeniera de Minas
3 Universidad Nacional del Altiplano
Derechos Reservados MCA-FIM 2009
Xc + Xm <= 95
- Xc + 5 Xm >= 0
- Xc + 2 Xm <= 0
Xc y Xm >= 0
Nota: Al resolver el modelo matemtico, los resultados indican que la veta Colquechaca debe
producir 63,33 ton de mineral y la veta 10 de mayo 31,67 ton de mineral, para obtener una
ganancia de $ 18 446,15 por da.
Fuente: Selvino Paz, PERT CPM una alternativa en problemas mineros, UNI, Lima Per,
2. World Oil Company puede comprar dos tipos de petrleo crudo: crudo ligero a un costo de $25
por barril y crudo pesado a $22 por barril. Cada barril de petrleo crudo, ya refinado, produce
tres productos: gasolina, turbosina y queroseno. La siguiente tabla indica las cantidades en
barriles de gasolina, turbosina y queroseno producidos por barril de cada tipo de petrleo
crudo:
Solucin:
Paso 1: Identificacin de las variables de decisin
CL = el nmero de de barriles de crudo ligero a adquirir
CP = el nmero de de barriles de crudo pesado a
adquirir
Paso 2: Identificacin de los datos del problema
a) Costo de 1 barril de crudo ligero
= costo compra + costo de deposicin de desecho
= $25,0 + $1,0 = $26,0
b) Costo de 1 barril de crudo pesado
= costo compra + costo de deposicin de desecho
= $22,0 + $1,5 = $23,5
c) Productos obtenidos de 1 barril de crudo ligero
a Gasolina: 0,35
. barril
b Turbosina: 0,36
. barril
c Queroseno: 0,22
. barril
d Desecho: 0,07
. barril
d) Productos obtenidos de 1 barril de crudo pesado
a Gasolina: 0,45
. barril
b Turbosina: 0,18
. barril
c Queroseno: 0,28
. barril
d Desecho: 0,09
. barril
e) Compromisos de venta adquiridos
a Gasolina: 960 000
. barril
b Turbosina: 1 200 00
. barril
c Queroseno: 450 000
. barril
Paso 3 Identificacin de la funcin objetivo
FV: Minimizar el costo total de la compra de crudos
2
D : Minimizar costo = Minimizar ( costo de crudo ligero + costo de crudo pesado)
FM: Minimizar 26,0 CL + 23,5 CP
Paso 4 Identificacin de las restricciones
a) Compromiso de venta de gasolina
FV: producir un mnimo de 960 000 barriles de gasolina
D : la produccin de (gasolina de crudo ligero + gasolina de crudo pesado) debe ser al menos 960 000
barriles
FM: 0,35CL + 0,45CP >= 960 000
b) Compromiso de venta de turbosina
FV: producir un mnimo de 1 200 000 barriles de gasolina
D : la produccin de (turbosina de crudo ligero + turbosina de crudo pesado) debe ser al menos 1 200
000 barriles
FM: 0,36CL + 0,18CP >= 1 200 000
c) Compromiso de venta de queroseno
FV: producir un mnimo de 450 000 barriles de queroseno
D : la produccin de (queroseno de crudo ligero + queroseno de crudo pesado) debe ser al menos 450
000 barriles
FM: 0,22CL + 0,28CP >= 450 000
d) Restricciones lgicas
CL y CP >= 0 y enteros
Paso 5 Formulacin matemtica del modelo
Minimizar 26,0 CL + 23,5 CP
Sujeto a:
0,35CL + 0,45CP >= 960 000
0,36CL + 0,18CP >= 1 200 000
0,22CL + 0,28CP >= 450 000
CL y CP >= 0 y enteros
3. Exxon Oil Co. Construye una refinera para elaborar cuatro productos: diesel, gasolina,
lubricantes y combustible para avin. Las demandas (en barriles/da) de esos productos son:
14 000, 30 000, 10 000 y 8 000, respectivamente. Irn y Dubai tienen contrato para enviar
crudo a Exxon Oil Co. Debido a las cuotas de produccin que especifica la OPEP
(Organizacin de Pases Exportadores de Petrleo) la nueva refinera puede recibir al menos
el 40% de su crudo de Irn, y el resto de Dubai. Exxon Oil Co. pronostica que estas cuotas de
demanda y crudo permanecern estables durante los 10 aos siguientes.
Las distintas especificaciones de los dos crudos determinan dos proporciones distintas de
productos: un barril de crudo de Irn rinde 0,2 barril de diesel, 0,25 barril de gasolina, 0,1 barril
2
Costo = costo de 1 barril de crudo x nmero de barriles de crudo a adquirir.
de lubricante y 0,15 barril de combustible para avin. Los rendimientos correspondientes del
crudo de Dubai son: 0,1, 0,6, 0,15 y 0,1 respectivamente.
Exxon Oil Co. Necesita determinar la capacidad mnima de la refinera en barriles de crudo por
da.
Solucin:
Paso 1: Identificacin de las variables de decisin
CI = el nmero de barriles de crudo comprados a Irn diariamente.
CD = el nmero de barriles de crudo comprados a Dubai
diariamente.
Paso 2: Identificacin de los datos del problema
a) Demanda de productos
Diesel = 14 000 barriles/da
Gasolina = 30 000 barriles/da
Lubricantes = 10 000 barriles/da
Combustible para avin = 8 000 barriles/da
b) Rendimiento de los crudos
Rendimiento (barriles)
Procedencia Combusti
Diesel Gasolina Lubricantes
ble para
avin
Irn 0, 0,25 0,1 0,
2 1
Dubai 0,1 0,6 0,15 0
,
4. En Ananea Chemicals Co., se usan las materias primas I y II para producir dos soluciones
para lixiviacin, A Y B. La disponibilidad diaria de las materias primas I y II es de 150 y 140
galones respectivamente. Una unidad de solucin A consume 0,5 unidad de materia prima I y
0,6 unidad de materia II; una unidad de solucin B requiere 0,5 unidad de materia prima I y
0,4 unidad de materia prima II. Las utilidades unitarias de las soluciones A y B son $8 y $10,
respectivamente. La demanda diaria de la solucin A esta entre 30 y 150 unidades, y la de la
solucin B entre 40 y 200 unidades.
Solucin:
Paso 1: Identificacin de las variables de decisin
SA = el nmero de unidades de solucin A a producir diariamente.
SB = el nmero de unidades de solucin B a producir diariamente.
Paso 2: Identificacin de los datos del problema
a) Consumo y disponibilidad de las materias primas I y II
Disponibili
Materia Solucin A Solucin B
dad
Prima
I 0 0,5 150
,
II 0,6 0 140
,
b) Utilidades unitarias de las soluciones
Solucin A: $ 8,0
Solucin B: $ 10,0
c) Demanda de las soluciones
a. Solucin A: entre 30 y 150 unidades
b. Solucin B: entre 40 y 200 unidades
Paso 3 Identificacin de la funcin objetivo
FV: Maximizar las utilidades por la venta de las soluciones A y B
D: Maximizar (utilidades por la venta de la solucin A + utilidades por la venta de la solucin B)
FM: Maximizar 8SA + 10SB
Paso 4 Identificacin de las restricciones
a) Consumo del material I
FV: El consumo del material I no debe exceder de 150 gl/da
D : (consumo del material I para producir la solucin A + consumo del material I para producir la solucin
B) no debe de exceder de 150 gl/da.
FM: 0,5 SA + 0,5SB <= 150
b) Consumo del material II
FV: El consumo del material II no debe exceder de 140 gl/da
D : (consumo del material II para producir la solucin A + consumo del material II para producir la
solucin B) no debe de exceder de 140 gl/da.
FM: 0,6 SA + 0,4SB <= 140
c) Demanda de la solucin A
FV: La demanda de la solucin A est entre 30 y 150 gl/da
FM: SA >= 30 y SA<= 150
d) Demanda de la solucin B
FV: La demanda de la solucin B est entre 40 y 200 gl/da
FM: SB >= 40 y SB<= 200
e) Restricciones lgicas
SA y SB >= 0 y enteros.
Paso 5 Formulacin matemtica del modelo
Maximizar 8SA + 10SB
Sujeto a:
0,5 SA + 0,5SB <= 150
0,6 SA + 0,4SB <= 140
SA >= 30
SA<= 150
SB >= 40
SB<= 200
SA y SB >= 0 y enteros
5. Una compaa minera opera tres minas. El mineral obtenido en cada una se separa en dos
calidades antes de su distribucin. Las capacidades de produccin diarias de cada mina, as
como sus costos de operacin diarios, son los siguientes:
6. Una compaa petrolera produce dos tipos de gasolina, normal y sper, que vende a sus
estaciones de servicio a 120 y 140 dlares/barril respectivamente. Ambos tipos de gasolina se
realizan mezclando combustible nacional y extranjero de sus almacenes, y debe cumplir las
siguientes especificaciones:
Demanda Entregas
Presi
Octanaj mxima mnimas
n de
e barriles/sem barriles/sem
vapor
mnimo an a an a
mxi
Normal 2 8 100 000 50 000
Sper 3
2 8
9 20 000 5
3 3 000
Las caractersticas del combustible disponible en el almacn son:
7. Una compaa produce dos tipos de bombas. Cada bomba del tipo 1 requiere el doble de
tiempo en mano de obra que el segundo tipo. Si todas las bombas son del tipo 2, la compaa
puede producir un total de 500 bombas al da. El mercado limita las ventas diarias del tipo 1 y
2 a 150 y 250 bombas respectivamente. Suponga que los beneficios por cada bomba son $80
para el tipo 1 y $50 para el tipo 2. determine el nmero de bombas a ser producidos de cada
tipo para maximizar el beneficio.
Solucin:
a. Formulacin del modelo matemtico
Paso 1: Identificacin de las variables de decisin
B1 = el nmero de bombas del tipo 1 producidas por da.
B2 = el nmero de bombas del tipo 2 producidas por da
Paso 2: Identificacin de los datos del
problema
a) Una bomba del tipo 1 requiere el doble de tiempo en mano de obra que la bomba de tipo
2.
b) La compaa si solo produce bombas del tipo 2, puede producir 500 unidades.
c) La venta mxima de bombas de tipo 1 es de 150 unidades.
d) La venta mxima de bombas de tipo 2 es de 250 unidades.
e) El beneficio por la venta de una bomba de tipo 1 es de $80,0.
f) El beneficio por la venta de una bomba de tipo 2 es de $50,0.
Paso 3 Identificacin de la funcin objetivo
FV: Maximizar los beneficios obtenidos por la venta de bombas. .
D : Maximizar (beneficios por la venta de bombas del tipo 1 + beneficios por la venta de bombas del tipo
2)
FM: Maximizar 80 B1 + 50 B2
Paso 4 Identificacin de las restricciones
a) Tiempo en mano de obra
FV: Si la compaa produce solo bombas de tipo 2, puede producir 500 unidades
D : (tiempo en mano de obra para producir bombas del tipo 1 + tiempo en mano de obra para producir
bombas del tipo 2) es igual al tiempo para producir 500 bombas del tipo 2
FM: B1T1 + B2T2 <= 500T2, donde T1 = 2T2
B1 2T2 + B2T2 <= 500T2
2B1 + B2 <= 500
b) Ventas diarias
FV: El nmero de bombas del tipo 1 que se puede vender es un mximo de 150 unidades
FM: B1 <= 150
De manera similar con la venta de bombas del tipo 2
B2 <= 250
c) Restricciones lgicas
B1 y B2 >= 0
Paso 5 Formulacin matemtica del modelo
Maximizar 80 B1 + 50 B2
Sujeto a:
2B1 + B2 <= 500
B1 <= 150
B2 <= 250
B1 y B2 >= 0
Solucin:
a. Formulacin del modelo matemtico
Paso 1: Identificacin de las variables de decisin
3. Los efluentes que salen a la atmsfera no deben exceder los lmites especificados
en la tabla 2.
4. la cantidad de energa generada a partir del gas natural debe ser al menos 30% de la
generada a partir del petrleo.
Solucin:
Paso 1: Identificacin de las variables de decisin
C = el nmero de MW-h generados con carbn
G = el nmero de MW-h generados con gas natural
N = el nmero de MW-h generados con material nuclear.
H = el nmero de MW-h generados con proyectos hidroelctricos.
P = el nmero de MW-h generados con petrleo.
g) La cantidad de generada a partir del gas natural debe ser al menos 30% de la generada a partir del
petrleo.
FV: La cantidad de energa generada a partir del gas natural debe ser al menos 30% de la energa
generada a partir del petrleo.
FV: La cantidad total de dixido de azufre emitido por la generacin de energa no debe ser mayor de 75
kg.
D : (La cantidad de dixido de azufre emitido por las plantas de carbn + La cantidad de dixido de
azufre emitido por las plantas de gas natural + La cantidad de dixido de azufre emitido por las
plantas nucleares + La cantidad de dixido de azufre emitido por las hidroelctricas + La cantidad de
dixido de azufre emitido por las plantas de petrleo) no debe ser mayor de 75 kg
FM: 1,5C + 0,2G + 0,4P <= 75 000
Nota: se uniformizan las unidades a ambos lados ( 1 000 g = 1 kg)
h) Limite mximo permisible de monxido de carbono, partculas de polvo y desechos slidos
De manera similar al caso anterior:
Limite mximo permisible de monxido de carbono
1,2C + 0,5G +0,1N + 0,8P <= 60 000
Limite mximo permisible de partculas de polvo
0,7C + 0,2N + 0,5P <= 30 000
Limite mximo permisible de desechos slidos
0,4C + 0,7N + 0,1P <=25 000
i) Restricciones lgicas
C, G, N, H yP >= 0 y enteros.
Paso 5 Formulacin matemtica del modelo
Minimizar 6,0C + 5,5G + 4,5N+ 5,0H+ 7,0P
Sujeto a:
C + G + N + H + P = 60 000
C <= 45 000
G <= 15 000
N <= 45 000
H <= 24 000
P <= 48 000
N <= 12 000
C >= 36 000
G 0,3P >= 0
1,5C + 0,2G + 0,4P <= 75 000
1,2C + 0,5G +0,1N + 0,8P <= 60 000
0,7C + 0,2N + 0,5P <= 30 000
0,4C + 0,7N + 0,1P <=25 000
C, G, N, H yP >= 0 y enteros.
10. Una compaa elabora cuatro productos metlicos: a, b, c y d, los cuales fluyen a travs de
cuatro departamentos taladrado, torneado, fresado y ensamblado. Las horas para el tiempo en
el departamento, que se requiere para cada uno de los productos por unidad son:
Contribucin
Producto
($)/unidad
a 9
b 18
c 1
4
d 11
Solucin:
Paso 1: Identificacin de las variables de decisin
A = El nmero de unidades del producto a a producir.
B = El nmero de unidades del producto b a producir.
C = El nmero de unidades del producto c a producir.
D = El nmero de unidades del producto d a producir.
Paso 2: Identificacin de los datos del problema
a) Horas de proceso empleados en los departamentos para producir los productos
Producto Taladrado Torneado Fresado Ensamblado
a 3 0 3 4
b 7 2 4 6
c 4 4 0 5
d 0 6 5 3
b) Utilidades generadas por los productos
Contribucin
Producto
($)/unidad
a 9
b 1
8
c 1
4
d 1
1
c) Horas disponibles por departamento de produccin
Departamento Horas disponibles
Taladrado 70
Torneado 80
Fresado 90
Ensamblado 100
Paso 3 Identificacin de la funcin objetivo
FV: Maximizar las utilidades de la empresa
D: Maximizar (las utilidades generadas por el producto a + las utilidades generadas por el producto b +
las utilidades generadas por el producto c + las utilidades generadas por el producto d)
FM: Maximizar 9A +18B +14 C +11 D
Paso 4 Identificacin de las restricciones
a) Departamento de taladrado
FV: El nmero de horas disponibles en el departamento de taladrado es de 70
D : (nmero de horas de taladrado empleados en el producto a + nmero de horas de taladrado
empleados en el producto b + nmero de horas de taladrado empleados en el producto c + nmero
de horas de taladrado empleados en el producto d) debe ser menor de 70 horas
FM: 3A + 7B + 4C <= 70
b) Departamentos de torneado, fresado y ensamblado
De manera similar al caso anterior:
Departamento de torneado:
2B + 4C + 6D <= 80
Departamento de fresado:
3A + 4B + 5D <= 90
Departamento de ensamblado:
4A + 6B + 5C + 3D <= 100
c) Restricciones lgicas
A, B, C y D >= 0 y enteros.
Paso 5 Formulacin matemtica del modelo
Maximizar 9A +18B +14 C +11 D
Sujeto a:
3A + 7B + 4C <= 70
2B + 4C + 6D <= 80
3A + 4B + 5D <= 90
4A + 6B + 5C + 3D <= 100
A, B, C y D >= 0 y enteros.
11. La compaa Cueros de Acero produce guantes y correas de seguridad para minera. La
materia prima para los guantes cuesta S/. 2,0 por unidad, mientras que la materia prima para
cada correa de seguridad cuesta 2,5. Una correa de seguridad requiere dos horas de maquina
de obra en el departamento 1 y tres horas en el departamento 2. Mientras que un guante
requiere cuatro horas en el departamento 1 y dos horas en el departamento 2. El jornal por
hora en ambos departamentos es de S/. 2,0. Ambos productos se venden a S/. 18,0 y el
nmero de horas de mano de hora disponibles por semana en los departamentos es de 160 y
180 horas respectivamente, Como gerente de produccin determine la produccin ptima de
la compaa.
Solucin:
a) Formulacin del modelo matemtico
Paso 1: Identificacin de las variables de decisin
G = El nmero de pares de guantes producido..
C= El nmero de unidades de correas producidos.
Paso 2: Identificacin de los datos del problema
d) Utilidades producto de la venta de guantes
Utilidad = Costo de venta Costo de produccin
Utilidad = Costo de venta (costo de materia prima + costo de maquina 1 + costo de maquina 2)
Utilidad = Costo de venta (costo de materia prima + costo unitario de maquina 1 x horas utilizadas
de maquina 1 + costo unitario de maquina 2 x horas utilizadas de maquina 2)
Utilidad = S/. 18,0 (S/.2,0 + 2,0 S/./h x 4h + 2,0 S/./h x2h)
Utilidad = S/. 4,0
e) Utilidades producto de la venta de correas de seguridad
Utilidad = S/. 18,0 (S/.2,5 + 2,0 S/./h x2h + 2,0 S/./h x3h)
Utilidad = S/. 5,5
f) Horas mquina empleados para producir guantes y correas
Producto Mquina 1 Mquina 2
Guantes 4 2
Correas 2 3
Total 1 180
Paso 3 Identificacin de la funcin objetivo
FV: Maximizar las utilidades de la empresa
D: Maximizar (las utilidades generadas por la venta de guantes + las utilidades generadas por la venta
de correas)
FM: Maximizar 4G + 5,5C
Paso 4 Identificacin de las restricciones
a) Uso de la mquina 1
FV: El nmero de horas disponibles de la mquina 1 es de 160
D : (nmero de horas de mquina 1 empleados en los guantes + nmero de horas de taladrado
empleados en las correas) debe ser menor de 160 horas
FM: 4G + 2C <= 160
b) Uso de la mquina 2
De manera similar al caso anterior:
2G + 3C <= 180
c) Restricciones lgicas
G y C >= 0 y enteros.
Paso 5 Formulacin matemtica del modelo
Maximizar 4G + 5,5C
Sujeto a:
4G + 2C <= 160
2G + 3C <= 180
G y C >= 0 y enteros.
12. Luz del Centro es duea de una central turbogeneradora. Como en los alrededores hay
abundantes depsitos de carbn, la central genera su vapor con ese combustible. Sin
embargo, eso puede causar una emisin que no cumpla con las normas ambientales, que
limitan la descarga de dixido de azufre a 2 000 partes por milln por tonelada de carbn
quemado, y la descarga de humo por las chimeneas a 20 libras por hora. La empresa recibe
dos clases de carbn pulverizado, C1 y C2, que usa en sus calderas. Las dos clases se
suelen mezclar antes de quemarlas. Para simplificar, se puede suponer que el dixido de
azufre contaminante de la mezcla (en partes por milln) es un promedio ponderado para cada
clase que se usa en la mezcla. Los datos siguientes se basan en 1 tonelada de consumo por
hora, de cada una de las dos clases de carbn.
Solucin:
a) Formulacin del modelo matemtico
Paso 1: Identificacin de las variables de decisin
C1 = El nmero de toneladas de carbn pulverizado tipo 1 a mezclarse por hora.
C2 = El nmero de toneladas de carbn pulverizado tipo 2 a mezclarse por hora.
Paso 2: Identificacin de los datos del problema
b) Emisin de contaminantes por la quema de carbn y vapor generado por 1 tonelada de consumo por
hora
Clase Descarga de Descarga de Vapor
de azufre Partes humo generad
C 1 2 12 000
C 2 0 9 000
a. Limite mximo permisible de emisin de dixido de azufre = 2 000 ppm
b. Limite mximo permisible de descarga de humo por las chimeneas = 20 lb/h
Paso 3 Identificacin de la funcin objetivo
FV: Maximizar el vapor generado por la central turbogeneradora
D: Maximizar (el vapor generado por el carbn tipo 1 + el vapor generado por el carbn tipo)
FM: Maximizar 12 000C1 + 9 000C2
FV: La cantidad total de dixido de azufre emitido por la quema de carbn no debe ser mayor de 2 000
ppm.
D : (La cantidad de dixido de azufre emitido por la quema del carbn 1 + La cantidad de dixido
de azufre emitido por la quema del carbn 2) no debe ser mayor de 2 000 ppm.
13. Dos fbricas de explosivos producen 3 tipos de diferentes dinamitas, de bajo, medio y alto
grado. Se tiene un contrato de venta para vender 15 cajas de dinamita de bajo grado, 2 cajas
de dinamita de medio grado y 10 cajas de alto grado, los costos de operacin son de $ 2
720,0/da para la primera fbrica y $ 3 200,0/da para la segunda.
La fbrica 1 produce 8 cajas de bajo grado, 1 caja de medio grado y 2 cajas de alto grado en
un da de operacin; la fbrica 2 produce 2 cajas de bajo grado, 1 caja de grado medio y 7
cajas de alto grado por da.
Formule un modelo matemtico para determinar el nmero de das que debe trabajar cada
fbrica para cumplir con el mencionado contrato en la forma mas econmica.
Solucin:
Paso 1: Identificacin de las variables de decisin
F1 = el nmero de das que trabaja la fbrica 1
F2 = el nmero de das que trabaja la fbrica 2
Paso 2: Identificacin de los datos del problema
n) Contrato de venta para dinamita de bajo grado: 15 cajas
o) Contrato de venta para dinamita de medio grado: 2 cajas
p) Contrato de venta para dinamita de alto grado: 10 cajas
q) Costo de operacin de la fbrica 1: $ 2 720,0 por da
r) Costo de operacin de la fbrica 2: $ 3 200,0 por da
s) La fbrica 1 produce 8 cajas de bajo grado, 1 caja de medio grado y 2 cajas de alto grado en un da
de operacin.
t) La fbrica 2 produce 2 cajas de bajo grado, 1 caja de grado medio y 7 cajas de alto grado por da.
Paso 3 Identificacin de la funcin objetivo
FV: Minimizar el costo de operacin total de las fbricas
D : Minimizar (costo de operacin de la fbrica 1 + costo de operacin de la fbrica 2)
FM: Minimizar 2 720 F1 + 3 200 F2
Paso 4 Identificacin de las restricciones
e) Compromiso de venta de dinamita de bajo grado
FV: La produccin de dinamita de bajo grado debe ser al menos 15 cajas
D : (produccin de dinamita de bajo grado de la fbrica 1 + produccin de dinamita de bajo grado de la
fbrica 2) debe ser al menos 15 cajas
FM: 8 F1 + 2 F2 >= 15
f) Compromiso de venta de dinamita de medio grado
FV: La produccin de dinamita de medio grado debe ser al menos 2 cajas
D : (produccin de dinamita de medio grado de la fbrica 1 + produccin de dinamita de medio grado de
la fbrica 2) debe ser al menos 2 cajas
FM: F1 + F2 >= 2
g) Compromiso de venta de dinamita de alto grado
FV: La produccin de dinamita de alto grado debe ser al menos 10 cajas
D : (produccin de dinamita de alto grado de la fbrica 1 + produccin de dinamita de alto grado de la
fbrica 2) debe ser al menos 10 cajas
FM: 2 F1 + 7 F2 >= 10
h) Restricciones lgicas
F1 y, F2 >= 0 y enteros
Paso 5 Formulacin matemtica del modelo
Minimizar 2 720 F1 + 3 200 F2
Sujeto a:
8 F1 + 2 F2 >= 15
F1 + F2 >= 2
2 F1 + 7 F2 >= 10
F1 y, F2 >= 0 y enteros
14. La Tomas River Chemicals Inc., debe producir 1 000 lb de una mezcla especial para un
cliente, compuesta de los ingredientes AX1, AX2, AX. El ingrediente AX1 cuesta $ 7,0 la libra,
el AX2 cuesta $ 6,9/lb y la AX3 $7,0/lb. No pueden usarse mas de 300 libras de AX1 y debe
usarse por lo menos 150 lb de AX2. Adems se requieren de por lo menos 200 lb de AX3.
Como la empresa desea minimizar los costos, formule un modelo matemtico para determinar
la cantidad de cada ingrediente que debe utilizar la empresa.
Solucin:
Paso 1: Identificacin de las variables de decisin
AX1 = el nmero de libras del ingrediente AX1 a usarse para producir la mezcla
AX2 = el nmero de libras del ingrediente AX2 a usarse para producir la mezcla
AX3 = el nmero de libras del ingrediente AX3 a usarse para producir la mezcla
Paso 2: Identificacin de los datos del problema
a) La empresa debe producir 1 000 lb de una mezcla especial
b) El ingrediente AX1 cuesta $ 7,0 la libra
c) El ingrediente AX2 cuesta $ 6,9 la libra
d) El ingrediente AX3 cuesta $ 7,0 la libra
e) No puede usarse ms de 300 lb del ingrediente AX1
f) Debe usarse por lo menos 150 lb del ingrediente AX2
g) Se requiere por lo menos 200 lb de AX3
Paso 3 Identificacin de la funcin objetivo
FV: Minimizar el costo de operacin de la empresa.
D : Minimizar (costo del ingrediente AX1 + costo del ingrediente AX2 + costo del ingrediente AX3)
FM: Minimizar 7 AX1 + 6,9 AX2 + 7 AX3
Paso 4 Identificacin de las restricciones
3 Facultad de Ingeniera de Minas
3 Universidad Nacional del Altiplano
Derechos Reservados MCA-FIM 2009
a) Produccin
15. Una compaa extrae tres tipos de mineral en tres pozos distintos. Para esto cuenta con tres
equipos de las siguientes caractersticas:
E 9 7 7 5
1
E 0
6 0
8 8
6 2
2
E 5
5 0
7 5
8 2
3 0 0 5
Por compromisos adquiridos anteriormente, debe arrendarse otro equipo de las siguientes
caractersticas
E4 90 2
72 3
58 1
que est disponible los 30 das del mes, pero no se arrienda por menos de 10 das/mes.
Equipo Pozos
P1 P2 P3
E 12 25 22
1
E 4 17 20
2
E 9 20 21
3
E 15 30 25
4
Los gastos de salario y jornales de la mano de obra asociada a cada equipo son:
Equipo E1 E2 E3 E4
($/dia) 20 35 30 40
Suponiendo que los pozos deben explotarse los 30 das del mes, plantee el problema de
programacin lineal, de manera que el programa de explotacin produzca mximas utilidades.
Solucin:
Paso 1: Identificacin de las variables de decisin
E1P1 = el nmero de das de trabajo durante 1 mes del equipo 1 en el pozo 1.
E1P2 = el nmero de das de trabajo durante 1 mes del equipo 1 en el pozo 2.
E1P3 = el nmero de das de trabajo durante 1 mes del equipo 1 en el pozo 3.
E2P1 = el nmero de das de trabajo durante 1 mes del equipo 2 en el pozo 1.
E2P2 = el nmero de das de trabajo durante 1 mes del equipo 2 en el pozo 2.
E2P3 = el nmero de das de trabajo durante 1 mes del equipo 2 en el pozo 3.
E3P1 = el nmero de das de trabajo durante 1 mes del equipo 3 en el pozo 1.
E3P2 = el nmero de das de trabajo durante 1 mes del equipo 3 en el pozo 2.
E3P3 = el nmero de das de trabajo durante 1 mes del equipo 3 en el pozo 3.
E4P1 = el nmero de das de trabajo durante 1 mes del equipo 4 en el pozo 1.
E4P2 = el nmero de das de trabajo durante 1 mes del equipo 4 en el pozo 2.
E4P3 = el nmero de das de trabajo durante 1 mes del equipo 4 en el pozo 3.
Paso 2: Identificacin de los datos del problema
u) Rendimiento diario de los equipos:
Equipo Pozos Das de
mantenimiento
P1 P2 P3
E 9 7 7 5
E 6 8 6 2
E 5 7 8 2
E 9 7 5 1
v) Produccin mensual del pozo 1: 2500ton.
w) Produccin mensual del pozo 2: 2300ton.
x) Produccin mensual del pozo 3: 2250ton.
y) Costo de operacin total de los equipos ($)
Equipo Pozos
P1 P2 P3
E 32 45 42
E 39 52 55
E 39 50 51
E 55 70 65
Paso 3 Identificacin de la funcin objetivo
FV: Minimizar el costo de operacin de los equipos utilizados en la extraccin de mineral.
D : Minimizar (costo de equipo 1 + costo de equipo 2 + costo de equipo 3 + costo de equipo4)
FM: Minimizar 32E1P1 + 45E1P2 + 42E1P3 + 39E2P1 + 52E2P2 + 55E2P3 + 39E3P1 + 50E3P2 +
51E3P3 + 55E4P1 + 70E4P2 + 65E4P3
Paso 4 Identificacin de las restricciones
i) produccin de mineral del pozo 1
FV: La produccin de mineral del pozo 1 debe ser de 2500 ton/mes
D : (produccin de mineral con el equipo 1 + produccin de mineral con el equipo 2 + produccin de
mineral con el equipo 3 + produccin de mineral con el equipo 4) debe ser 2500 ton/mes
FM: 90E1P1 + 65E2P1 + 50E3P1 +90E4P1 = 2500
j) produccin de mineral del pozo 2
FV: La produccin de mineral del pozo 2 debe ser de 2300 ton/mes
D : (produccin de mineral con el equipo 1 + produccin de mineral con el equipo 2 + produccin de
mineral con el equipo 3 + produccin de mineral con el equipo 4) debe ser 2300 ton/mes
FM: 70E1P2 + 80E2P2 + 70E3P2 +72E4P2 = 2300
k) produccin de mineral del pozo 3
FV: La produccin de mineral del pozo 1 debe ser de 2250 ton/mes
D : (produccin de mineral con el equipo 1 + produccin de mineral con el equipo 2 + produccin de
mineral con el equipo 3 + produccin de mineral con el equipo 4) debe ser 2250 ton/mes
FM: 78E1P3 + 65E2P3 + 85E3P3 +58E4P3 = 2250
l) Das efectivos de trabajo de la mquina 1
FV: la mquina 1 trabaja 25 das efectivos mensualmente.
D : (das de trabajo de la mquina 1 en el pozo 1 + das de trabajo de la mquina 1 en el pozo 2+ das
de trabajo de la mquina 1 en el pozo 3) debe ser menor de 25 das.
FM: E1P1 + E1P2 + E1P3 <= 25
m) Das efectivos de trabajo de la mquina 2
FV: la mquina 2trabaja 28as efectivos mensualmente.
D : (das de trabajo de la mquina 2en el pozo 1 + das de trabajo de la mquina 2en el pozo 2+ das
de trabajo de la mquina 2en el pozo 3) debe ser menor de 28as.
FM: E2P1 + E2P2 + E2P3 <= 28
n) Das efectivos de trabajo de la mquina 3
FV: la mquina 3 trabaja 28 das efectivos mensualmente.
D : (das de trabajo de la mquina 3 en el pozo 1 + das de trabajo de la mquina 3 en el pozo 2+ das
de trabajo de la mquina 3 en el pozo 3) debe ser menor de 28 das.
FM: E3P1 + E3P2 + E3P3 <= 28
o) Das efectivos de trabajo de la mquina 4
FV: la mquina 4 trabaja 29 das efectivos mensualmente.
D : (das de trabajo de la mquina 4 en el pozo 1 + das de trabajo de la mquina 4 en el pozo 2+ das
de trabajo de la mquina 4 en el pozo 3) debe ser menor de 29 das.
FM: E4P1 + E4P2 + E4P3 <= 29
p) Das mnimos de trabajo de la mquina 4
FV: la mquina 4 debe trabajar minimamente 10 das mensualmente.
D : (das de trabajo de la mquina 4 en el pozo 1 + das de trabajo de la mquina 4 en el pozo 2+ das
de trabajo de la mquina 4 en el pozo 3) debe ser al menos 10 das.
FM: E4P1 + E4P2 + E4P3 >=10
q) Das de trabajo en el pozo 1
FV: El pozo 1 debe trabajar 30 das mensualmente
D : (das de trabajo de la mquina 1 en el pozo 1 + das de trabajo de la mquina 2 en el pozo 1 + das
de trabajo de la mquina 3 en el pozo 1 + das de trabajo de la mquina 4 en el pozo 1) debe ser 30
das.
FM: E1P1 + E2P1 + E3P1 + E4P1 = 30
r) Das de trabajo en el pozo 2
FV: El pozo 2 debe trabajar 30 das mensualmente
D : (das de trabajo de la mquina 1 en el pozo 2 + das de trabajo de la mquina 2 en el pozo 2 + das
de trabajo de la mquina 3 en el pozo 2 + das de trabajo de la mquina 4 en el pozo 2) debe ser 30
das.
FM: E1P2 + E2P2 + E3P2 + E4P2 = 30
s) Das de trabajo en el pozo 3
FV: El pozo 3 debe trabajar 30 das mensualmente
D : (das de trabajo de la mquina 1 en el pozo 3 + das de trabajo de la mquina 2 en el pozo 3 + das
de trabajo de la mquina 3 en el pozo 3 + das de trabajo de la mquina 4 en el pozo 3) debe ser 30
das.
FM: E1P3 + E2P3 + E3P3 + E4P3 = 30
t) Restricciones lgicas
E1P1, E1P2, E1P3, E2P1, E2P2, E2P3, E3P1, E3P2, E3P3, E4P1, E4P2 y E4P3 >= 0 y enteros
Paso 5 Formulacin matemtica del modelo
Minimizar 32E1P1 + 45E1P2 + 42E1P3 + 39E2P1 + 52E2P2 + 55E2P3 + 39E3P1 + 50E3P2 + 51E3P3 +
55E4P1 + 70E4P2 + 65E4P3
Sujeto a:
90E1P1 + 65E2P1 + 50E3P1 +90E4P1 = 2500
70E1P2 + 80E2P2 + 70E3P2 +72E4P2 = 2300
78E1P3 + 65E2P3 + 85E3P3 +58E4P3 = 2250
E1P1 + E1P2 + E1P3 <= 25
E2P1 + E2P2 + E2P3 <=
28 E3P1 + E3P2 + E3P3
<= 28 E4P1 + E4P2 +
E4P3 <= 29 E4P1 + E4P2
+ E4P3 >=10
E1P1 + E2P1 + E3P1 + E4P1 =
30 E1P2 + E2P2 + E3P2 + E4P2
= 30 E1P3 + E2P3 + E3P3 +
E4P3 = 30
E1P1, E1P2, E1P3, E2P1, E2P2, E2P3, E3P1, E3P2, E3P3, E4P1, E4P2 y E4P3 >= 0 y enteros
16. Un productor de aluminio fabrica una aleacin especial que el garantiza que contiene un 90%
o ms de aluminio, entre 5% y 8% de cobre y el resto de otros metales. La demanda para esta
aleacin es muy incierta de modo que el productor no mantiene un stock disponible. El ha
recibido una orden de 1.000 kg. a $450/kg. La aleacin debe hacerse a partir de barras de dos
tipos de materiales de desecho, de cobre puro y de aluminio puro. El anlisis de los materiales
de desecho es el siguiente:
Al Cu Otros
Material de desecho 1 9 3 2
5
Material de desecho 2 8 1 14
5
Los respectivos costos son: Material de desecho 1 = $150/kg; Material de desecho 2 = $50/kg;
Cobre puro = $150/kg; y Aluminio puro $500/kg.
Cuesta $50 fundir un kilogramo de metal. Se tienen ms de 1.000 kg. de cada tipo de metal
disponible. Como debe el productor cargar su horno de manera que maximice sus utilidades?
Solucin:
Leyes
Costo Tonelaj
Vetas Ag
Pb (%) $/ton ea
(onz/t extrae
on) r Xc
Colquechaca 4 3, 7,0
5
10 de mayo 16 1,15 9 Xm
,
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /ton; precio del plomo
0,70 $/lb; capacidad de la planta concentradora: 95 ton/da.
Como gerente de produccin, formule un modelo para determinar el tonelaje a extraer de cada
veta.
PROCEDIMIENTO DE SOLUCIN
Se ubican las celdas que se correspondern con el valor de las variables de decisin; en
ste caso, las celdas B6 y C6, se les da un formato para diferenciarlas de las dems (ver
captura abajo). Se ubica tambin, las celdas que contendrn los coeficientes de las
variables de decisin, B4 y C4, y se llenan con sus respectivos valores, 126,9 y 328,71.
Aunque ste ltimo paso, se podra omitir y dejar los coeficientes definidos en la celda de
la funcin objetivo, as es mejor para los anlisis de sensibilidad y para que la hoja quede
portable para otro programa.
Se ubica la celda que se corresponder con la funcin objetivo (celda objetivo), la B3. En
ella se escribe la funcin que sea, en ste caso, ser el coeficiente de X1 (en B4) por el
valor actual de Xc (en B6) mas el coeficiente de Xm (en C4) por el valor actual de Xm (en
C6) o sea: = $B$4*$B$6+$C$4*$C$6
Coeficientes para la primera restriccin: los podemos escribir en la misma columna de las
variables de decisin; en las celdas B7 y C7, con los valores 2 y 1, seguido del sentido de
la desigualdad (<=) y de su correspondiente RHS: 230. A la derecha ubicaremos el valor
actual de consumo de la restriccin, ella se escribir en funcin de las variables de
decisin y de los coeficientes de la restriccin. Esta celda, la utilizar Solver como la real
restriccin, cuando le digamos que el valor de sta celda no pueda sobrepasar la de su
correspondiente RHS. De nuevo ser el valor del coeficiente por el de la variable: =
B7*$B$6+C7*$C$6. Notese que ahora B7 y C7 no tienen el signo $. Pues es que luego
que se haya escrito sta celda, se podr arrastrar hacia abajo para que Excel escriba la
frmula por nosotros (la pereza!), pero tome los valores relativos a los coeficientes que le
corresponda a los mismos valores de las variables de decisin. Se repite los pasos
anteriores para las otras restricciones, pero ahora la frmula ser: = B8*$B$6+C8*$C$6 y
= B9*$B$6+C9*$C$6.
El resto del formato es para darle una presentacin ms bonita a la hoja. Ahora a resolverlo! Al
hacer clic en Herramientas, Solver se tendr una pantalla como la siguiente. Lo primero que hay
que hacer es especificar la celda objetivo y el propsito: maximizar. Se escribe B3 (o $B3 B$3
$B$3 como sea, da igual), en el recuadro "cambiando las celdas", se hace un clic en la flechita
roja, para poder barrer las celdas B6 y C6; lo mismo da si se escriben directamente los nombres.
Y ahora para las restricciones: se hace clic en agregar...
Los resultados para el Sindicato Minero Pacococha en la forma de un plan de produccin semanal
son los siguientes:
Cantidad de mineral de la veta Colquechaca por producir = 63,33 toneladas
Cantidad de mineral de la veta 10 de Mayo por producir = 31,67 toneladas
Margen de ganancia semanal = $ 18 446,15
Ley
es
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /ton; precio del plomo
0,70 $/lb; capacidad de la planta concentradora: 95 ton/da.
Como gerente de produccin, formule un modelo para determinar el tonelaje a extraer de cada
veta.
PROCEDIMIENTO DE SOLUCIN:
1. En la barra de tareas de la parte inferior de la pantalla, abrir el men Inicio y clic en el men
Programas.
2. Seleccione el men WinQSB y haga clic en el botn Linear and Integer Programming.
5. Se presentara una ventana donde colocaremos el nombre del problema, en nuestro caso
Sindicato Minero Pacococha y el numero de variables y restricciones de nuestro problema: 2
y 3 respectivamente, a continuacin seleccionaremos el criterio del objetivo, el tipo de variable
y el formato de entrada de datos
y pulsaremos OK.
LINDO (Linear Interactive Discrete Optimization) es una herramienta que fue diseada por Linus
Shorage en 1985 para resolver problemas de programacin lineal, entera y cuadrtica
- SUB <variable> <VALOR> se usa si variable est acotada superiormente por valor
EL PROBLEMA DE PLANEACIN DE PRODUCCIN DEL SINDICATO MINERO PACOCOCHA
El Sindicato Minero Pacococha S.A. viene soportando un incesante incremento en sus costos de
produccin, por lo tanto urge optimizar el uso de sus recursos. La gerencia ha determinado
explotar las vetas Colquechaca y 10 de mayo, para ello debemos satisfacer algunas restricciones
referentes a las leyes y la capacidad de la planta concentradora:
Ley
Costo Tonelaje a
Vetas es
Ag extraer
Pb (%) $/t
(onz/ton)
on
Colquechaca 4 3 7 X
, , c
10 de mayo 1 1, 9 X
6 15 , m
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /ton; precio del plomo
0,70 $/lb; capacidad de la planta concentradora: 95 ton/da.
Como gerente de produccin, formule un modelo para determinar el tonelaje a extraer de cada
veta.
PROCEDIMIENTO DE SOLUCIN:
11. En la barra de tareas de la parte inferior de la pantalla, abrir el men Inicio y haga clic en el
men Programas.
16. En la pantalla Save As: en File Name: ingresaremos el nombre que deseemos para el
modelo, en este caso CaseChemicals.ltx y en Directories podremos seleccionar el fichero
donde guardarlo
17. Para procesar el modelo, seleccionaremos : Solve | Solve
19. Luego tendremos la ventana LINDO Solver Status, que nos indicara las caractersticas de la
solucin:
Los resultados para el Sindicato Minero Pacococha en la forma de un plan de produccin semanal
son los siguientes:
Cantidad de mineral de la veta Colquechaca por producir = 63,33 toneladas
Cantidad de mineral de la veta 10 de Mayo por producir = 31,67 toneladas
Margen de ganancia semanal = $ 18 446,15
CAPITULO IV
ANLISIS DE SENSIBILIDAD USANDO SOFTWARE:
3
Podemos ver que el intervalo de sensibilidad del coeficiente CS1 es <250, 1000> . Esto significa
que si todos los dems datos permanecen inalterados y el coeficiente de CS1 de la funcin
objetivo permanece en el intervalo <250, 1000>, la solucin actual de CS1 = 70 y CS2 = 90 sigue
siendo ptima.
Ahora puede responder la pregunta original de cmo cambiar el plan de produccin de Case
Chemicals cuando el precio de CS-01 disminuye en $25 por mil galones. Aunque esta
disminucin ocasiona que el coeficiente de CS1 disminuya de su valor actual de 300 a 275, este
nuevo valor de 275 est dentro del intervalo <250, 1000>. Por tanto, la solucin ptima anterior
sigue siendo ptima, es decir, Case Chemicals no debera cambiar su plan de produccin de 70
mil galones de CS-01 y 90 mil galones de CS-02 a la semana. Sin embargo, el margen de
ganancia semanal cambia:
Nuevo margen de ganancia = 275 CS1 + 500 CS2
= 275(70) + 500(90)
= 64 250
Esto es, su margen de ganancia semanal disminuye a $64 250.
3
El valor minimo del intervalo, se obtiene realizando $F$9 $H$9 y el valor mximo: $F$9 + $G$9
empleados de tiempo parcial del departamento de mezclado trabaja 10 horas (en vez de 15) a
la semana?
2. Al observar que todas las horas disponibles de mano de obra del departamento de mezclado
se utilizan segn el plan de produccin actual, se incrementar el margen de ganancia si las
horas disponibles aumentan al hacer que uno de los empleados de tiempo parcial trabaje de
tiempo completo y se prescinde del otro?
3. Como una alternativa a la pregunta 2, en cunto se incrementara el margen de ganancia si
se contratara un trabajador adicional de tiempo completo en el departamento de purificacin?
Cada una de estas preguntas puede reformularse de la siguiente forma general:
Qu le sucede al valor ptimo de la funcin objetivo de un programa lineal cuando uno de los
valores del lado derecho de una restriccin (recursos disponibles) se modifica y los otros datos del
problema permanecen inalterados?
Una forma de responder este tipo de pregunta es solucionar un nuevo problema de programacin
lineal en el que se modifique el valor de inters del lado derecho, y todo lo dems sea igual. Sin
embargo, las tcnicas presentadas a continuacin le permiten responder tales preguntas sin tener
que resolver todo el problema.
Anlisis de sensibilidad del valor del lado derecho de la restriccin (1): Proceso de
mezclado
De los resultados del Informe de sensibilidad de Excel, puede concluirse que, mientras el valor del
lado derecho de la restriccin (1) permanece dentro del intervalo de <140, 500>, la solucin
ptima y el margen de ganancia cambian.
El cambio del margen de ganancia total, puede calcularse utilizando el valor del precio sombra, o
precio dual, de la restriccin, que es 33,33333.
Esto significa que por cada hora adicional de mano de obra disponible en el departamento de
mezclado por encima del valor actual de 230 y hasta 500 horas, el margen de ganancia
corporativo se incrementa en $33.33.
Observe que el precio sombra de 33,3333 tambin indica que cada recorte de hora del actual nivel
de 230 hasta 140 tiene como resultado una prdida de $33.33 en el margen de ganancia.
Con esta informacin, podemos responder las preguntas planteadas:
1. Qu sucede con el margen de ganancia de Case Chemicals si cada uno de los dos
empleados de tiempo parcial del departamento de mezclado trabaja 10 horas (en vez de 15) a
la semana (es decir, si el valor Id de la restriccin (1) disminuye a 220 de su valor actual de
230)?
Como este cambio est dentro del intervalo <140, 500>, cada hora perdida disminuye el
margen de ganancia en el precio sombra:
Utilizando la ecuacin:
Nuevo margen de ganancia = (Viejo margen de ganancia) + (Precio sombra) x
(Incremento en horas de mano de obra)
Tenemos:
= 66 000 + 33,3333 x (220 230)
= $ 65 667
2. Qu sucede con el margen de ganancia si uno de los empleados de tiempo parcial del
departamento de mezclado trabaja tiempo completo y se prescinde del otro (es decir, el valor
del lado derecho de la restriccin (1) se incremento a 240?
Como este cambio est dentro del intervalo <140,500>, el margen de ganancia se incrementa
en la proporcin del precio sombra, es decir:
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra) x
(incremento en horas de mano de obra)
= 66 000 + 33,3333 x (240 230)
= $66 333,33
Anlisis de sensibilidad del valor del lado derecho de la restriccin (2): Proceso de
refinacin
Usando la misma lgica, descubrir que, mientras este valor del lado derecho permanezca en el
intervalo <115, 295>, la solucin ptima estar determinada por la interseccin de las restricciones
(1) y (2). Podemos observar que el precio sombra, o precio dual, del recurso es de 233,33.
Por cada hora adicional de mano de obra disponible en el departamento de purificacin arriba del
valor actual de 250 y hasta 295 horas, el margen de ganancia se incrementa en $233,33. De
manera similar, cada recorte de hora del actual nivel de 250 hasta 115 horas tiene como resultado
una prdida de $233,33 en el margen de ganancia.
Ya podemos responder la pregunta planteada al principio de esta seccin, que se repiten aqu:
3. Qu sucede con el margen de ganancia si se contrata un trabajador adicional de tiempo
completo en el departamento de purificacin (esto es, si el valor del Iado derecho de la
restriccin (2) se incremento a 290 de su valor actual de 250)?
Como este cambio est dentro del intervalo <115, 295>, cada hora ganada incrementa el
margen de ganancia en el precio sombra:
Nuevo margen de ganancia = (viejo margen de ganancia) - (precio sombra) x
(incremento en horas de mano de obra)
= 66 000 + 233,33 x (290 250)
= $75 333,33
ANLISIS PARAMTRICO DE LOS RECURSOS DISPONIBLES (VALORES DEL LADO
DERECHO)
Con el anlisis de sensibilidad, usted est preparado para responder ciertas preguntas del tipo
"Qu sucede si ... ?', siempre y cuando los cambios en los coeficientes estn dentro del intervalo
de sensibilidad. Sin embargo, qu sucede si esos cambios estn fuera del intervalo? Por
ejemplo, como gerente de Case Chemicals, podra enfrentarse con una de las siguientes
preguntas (pero no ambas simultneamente):
1. Qu sucede con la ganancia semanal si el departamento de mezclado se reduce a dos
trabajadores de tiempo completo y uno de tiempo parcial de 30 horas a la semana?
2. Qu le sucede al margen de ganancia semanal si el departamento de purificacin se
ampla a nueve purificadores con nueve trabajadores de tiempo completo?
El primer paso es darse cuenta de que ambas preguntas tienen que ver con cambios en los
valores del lado derecho. Estas preguntas pueden reformularse de la siguiente manera:
1. Qu le sucede al margen de ganancia semanal ptimo si el valor del lado derecho de la
restriccin (1) disminuye de su valor actual de 230 a 110 (dos trabajadores de tiempo
completo de 40 horas semanales y uno de tiempo parcial de 30 horas a la semana)?
2. Qu le sucede al margen de ganancia semanal ptimo si el valor del lado derecho de la
restriccin (2) se incremento de su valor actual de 250 a 360 (nueve trabajadores de
tiempo completo de 40 horas semanales)?
Observe que el nuevo valor de 120 para el Iado derecho en la pregunta 1 est fuera del intervalo
de sensibilidad <140,500> calculado para la restriccin (1). De manera similar, el nuevo valor de
360 para el Iado derecho en la pregunta 2 est fuera del intervalo de sensibilidad <115,295> para
la restriccin (2). Para responder las preguntas relativas a los valores del Iado derecho, fuera del
intervalo de sensibilidad, se realiza de nuevo los clculos con el nuevo valor del lado derecho de
la restriccin (1).
Con los resultados, podremos realizar un anlisis similar al realizado con los Informes de Excel.
CONCLUSIN
En esta seccin, usted ha aprendido a preguntar y contestar preguntas relativas a qu tan
sensibles son la solucin ptima y el valor de la funcin objetivo en uno de los coeficientes de la
funcin objetivo o en valores del lado derecho. Tales preguntas son de particular importancia para
gerentes que deben tomar decisiones cuando los datos para un problema estn sujetos a cambios
o incertidumbre.
REFERENCIA BIBLIOGRFICA
Kamlesh Mathur, Daniel Solow, INVESTIGACIN DE OPERACIONES, Edit.Prentice hall
Hispanoamericana S.A., Mxico, 1996.
Fuente: Selvino Paz, PERT CPM una alternativa en problemas mineros, UNI, Lima Per,
Con los resultados, podremos realizar una anlisis similar al realizado con los Informes de Excel.
CONCLUSIN
En esta seccin, usted ha aprendido a preguntar y contestar preguntas relativas a qu tan
sensibles son la solucin ptima y el valor de la funcin objetivo en uno de los coeficientes de la
funcin objetivo o en valores del lado derecho. Tales preguntas son de particular importancia para
gerentes que deben tomar decisiones cuando los datos para un problema estn sujetos a cambios
o incertidumbre.
REFERENCIA BIBLIOGRFICA
Kamlesh Mathur, Daniel Solow, INVESTIGACIN DE OPERACIONES, Edit.Prentice hall
Hispanoamericana S.A., Mxico, 1996.
MTV Steel debe producir 2,000 pies de tubo A y 2,333.33 pies de tubo C; debe comprar de sus
proveedores del Japn 4,000 pies de tubo B y 2,666,67 pies de tubo C para cumplir con sus pedidos.
La venta de estos productos le va a reportar $ 55,000 de ganancia.
4
b) Cules de las dos restricciones de recursos son acotantes ?
El nuevo plan de produccin optimo es producir 4,000 pies de tubo C y comprar de sus proveedores
del Japn 2,000 pies de tubo A; 4,000 pies de tubo B y 1,000 pies de tubo C para cumplir con sus
pedidos. La venta de estos productos le va a reportar una ganancia de $ 53,000
e) La compaa desea aumentar sus ganancias a $ 57 500. Cuntas horas mas de tiempo
maquina se necesitan para lograr este objetivo? (Si no puede hacerlo, obtenga la respuesta
resolviendo un modelo apropiadamente modificado).
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra) x (incremento en horas
de mano de obra)
(incremento en horas de mano de obra) = [(nuevo margen de ganancia) (viejo margen de
ganancia)]/(precio sombra)
incremento en horas de mano de obra = ($57,500 - $55,000)/$5,0/h) = 500 min = 8,33 h.
Comprobando con el software tenemos:
2. HiDec produce dos modelos de artculos electrnicos, donde se usan resistores, capacitores y
chips. La tabla siguiente es un resumen de lo datos de este caso.
Requerimientos del recursos por unidad
Recurso Modelo I Modelo 2 Disponibilidad
(unidades) (unidades) mxima
Resistor 2 3 (unidades)
1 200
Capacitor 2 1 1
Chips 0 4 000
800
Utilidad ($) 3 4
HiDec debe producir 450 unidades de M1 y 100 unidades de M2 para obtener una ganancia de S/. 1
750,00.
Con el cambio de valor del recurso chips, HiDec debe producir 456 unidades de M1 y 87 unidades
de M2 para obtener una ganancia de S/. 1 716,0.
e. Si la disponibilidad de los capacitores se limita por el intervalo de aplicabilidad calculado en
b), determine el intervalo correspondiente de utilidad ptima y los intervalos
correspondientes de la cantidad de unidades a producir de los modelos 1 y 2 .
Para responder, utilizaremos el anlisis paramtrico de WinQSB
Del grfico, podemos deducir que para el intervalo de los capacitores <800, 1 200>, el intervalo del
margen de ganancia es <1 700, 1 800>.
Para calcular el valor los intervalos correspondientes a la cantidad de unidades a producir de los
modelos 1 y 2, realizaremos nuevos clculos son los valores extremos del intervalo <800, 1 200>:
Toyco debe producir 100 unidades de camiones y 230 unidades de coches para obtener una
ganancia de S/. 1 350,00.
b) Si usted pudiera redistribuir la capacidad en exceso de la operacin 3 de 20 minutos, Cul
de las dos operaciones (1 2) escogera?
Los minutos no utilizados en la operacin 3 son 20 minutos, el valor de los mismos es:
Operacin 1 = 20 minutos x $1/minuto = $20
Operacin 2 = 20 minutos x $2/minuto = $40
Asignara los 20 minutos a la operacin 2, lo que permitira aumentar mi margen de ganancia en
$40,0.
c) Suponga que para los trenes de juguete el tiempo por unidad de operacin 2 se puede
reducir de 3 minutos a cuando mucho 1,25 minutos. Cunto debe reducirse el tiempo por
unidad de la operacin 1 para hacer que los trenes de juguete sean apenas rentables?
La variacin sucede en el lado izquierdo de la restriccin 2, observemos el nuevo modelo
planteado y su solucin:
La diferencia de utilidades es solo S/. 10,0. No aconsejara la introduccin del nuevo producto,
e) Suponga que todo tiempo adicional para la operacin 1, respecto a su capacidad actual de
430 minutos diarios, se debe hacer en tiempo extra, a $50 por hora. El costo por hora
incluye tanto la mano de obra como el funcionamiento de la maquina. hay ventajas
econmicas de recurrir al tiempo extra para la operacin 1?
Del anlisis paramtrico de la restriccin 1 (operacin 1):
Solo habr incremento en el margen de ganancia de S/.10 (S/.1 350 a S/.1 360), incrementando los
minutos de 430 a 440; luego as se incrementen ms minutos, no habr incremento en el margen
de ganancia (ver grfica).
f) Suponga que el trabajador de la operacin 2 conviene en trabajar 2 horas de tiempo
extraordinario diarias a $45 por hora. Adems el costo de la operacin misma es $ 10 por
hora. Cul es el efecto de esta actividad sobre la utilidad diaria?
En la operacin 2, con el incremento de 2 horas extras o sea 120 minutos, el total sera de 580
minutos que se encuentra dentro del intervalo <440, 860>, por lo tanto el incremento en las
ganancias sera de $2 x 240 = $480,0 y los gastos seran de 2 x ($45,0 + $10,0) = $110,0, dando
un saldo positivo de $370 ($480 - $110).
g) Vale la pena usar tiempo extra para la operacin 3?
El anlisis paramtrico para la operacin 3 es:
Observamos que el margen de ganancia no se incrementa, a pesar de incrementar los minutos de
operacin, por lo tanto no vale la pena usar tiempo extra.
h) Suponga que aumenta la disponibilidad diaria de la operacin 1 a 440 minutos. Todo tiempo
extra incurrido en exceso de la capacidad mxima actual costara $40 por hora. Qu sucede
con la solucin optima hallada?
Analizando el reporte de anlisis paramtrico para la operacin 1:
El nuevo margen de ganancia es de $1 360,0, $10 ms que el anterior; los 10 minutos adicionales
cuestan $6,67, tendramos un incremento de ganancia efectivo de $3,33.
i) Suponga que disminuye la disponibilidad de la operacin 2 en 15 minutos diarios, y que el
costo por hora de la operacin durante el tiempo normal es $30. Vale la pena disminuir la
disponibilidad de la operacin 2?
La disminucin a 445 minutos, est dentro del intervalo <440, 860>, por lo tanto una disminucin
de 15 minutos nos disminuira el margen de ganancia en $2 x 15 = $30,0, de la misma manera el
ahorro sera de $7,5, ocasionando una prdida de $22,5. No vale la pena disminuir la disponibilidad
de la operacin 2.
4. Cauchos Per, fabrica tres productos de caucho: Airtex (material esponjoso), Extendex
(material elstico) y Resistex (material rgido). Los tres productos requieren los mismos tres
polmeros qumicos y una base. La cantidad de cada ingrediente usada por libra del producto
final se muestra en a tabla:
Cauchos Per debe producir 1 200 lb de Airtex, 500 lb de Extendex y 270 lb de Resistex. La venta
de estos productos le va a reportar $ 13 270 de ganancia.
5. Mobil Oil del Peru, obtiene tres tipos de petrleo crudo de sus pozos de Talara, Loreto y
Ucayali. La gasolina obtenida de estos petrleos crudos se mezcla con dos aditivos para
obtener el producto final. Estos petrleos crudos y aditivos contienen azufre, plomo y fsforo,
como se muestra en la tabla. El costo de cada componente tambin se presenta. Debido a los
residuos e impurezas, cada galn de petrleo crudo de Talara resulta solo en 0,40 de galn de
producto final, que contiene 0,07% de azufre. De manera similar, cada galn de crudo de
Loreto produce 0,50 de galn de producto final que contiene 0,08% de sulfuro y cada galn de
crudo de Ucayali resulta en 0,30 de galn de producto final que contiene 0,10 de azufre. La
gerencia ha establecido las siguientes especificaciones para controlar las cantidades de
azufre, plomo y fsforo:
a. Cada galn debe tener a lo ms 0,07% de azufre.
b. Cada galn debe tener entre 1,25 y 2,5 gramos de plomo.
c. Cada galn debe tener entre 0,0025 y 0,0045 gramos de fsforo.
d. La cantidad total de aditivos no puede exceder de 19% de la mezcla.
Petrleos crudos Aditivos
Talara Loreto Ucayali 1 2
Azufre (%) 0, 0,08 0,10 - -
0
Plomo (g/gal) - - - 7 6
Fsforo (g/gal) - - - 0,025 0,02
Costo 8$/gal) 0,55 0,47 0,33 0,08 0,12
El modelo matemtico planteado es:
Minimizar 0,55T + 0,47L + 0,33U + 0,08A1 + 0,12A2
Sujeto
a: Restricciones de produccin
e. Proporcione la mezcla ptima y el costo asociado si el precio del petrleo crudo Ucayali
aumenta en 10%.
Con el cambio de valor del recurso costura, Muani Cueros SRL, debe producir 42
correas para obtener una ganancia diaria de S/. 924,0.
e. Las horas disponibles de acabado disminuyen a 15 (1pto).
El valor de 15 no se encuentra dentro del intervalo [20 , M], por lo tanto, debemos volver
a calcular la produccin ptima con el nuevo valor.
Con el cambio de valor del recurso acabado, Muani Cueros SRL, debe producir 6
correas y 12 mochilas para obtener una ganancia diaria de S/. 672,0.
f. Las horas disponibles de acabado aumentan a 50 (1pto).
El recurso acabado posee un intervalo de [20 , M] y 50 se encuentra dentro del rango,
por lo tanto, podemos calcular la variacin de la ganancia optima:
(Nuevo valor de z) = (valor original de z) + (precio sombra)x(cambio en el valor del lado
derecho)
z = 882,0 + (0,0)x(50-45) = 882,0 + 0,0 = S/. 882,0
g. Recomendara usted contratar un costurero mas a S/.15 por hora? (1pto).
Si observamos el precio sombra del recurso costura es de S/. 21,0 mayor que S/. 15,0,
por lo tanto, recomendamos contratar un nuevo costurero por hora.
8. Gapco tiene un presupuesto diario de 320 horas de mano de obra y 350 unidades de materia
prima, para fabricar dos productos. Si es necesario, la empresa puede emplear hasta 10 horas
de tiempo extra de mano de obra, con un costo adicional de $2 por hora. Se necesita 1 hora
de mano de obra y 3 unidades de materia prima para producir una unidad de producto 1, y 2
horas de mano de obra y 1 unidad de materia prima para producir una unidad de producto 2.
la utilidad por unidad de producto 1 es de $10, y la del producto 2 es $12. Sean x1 y x2 las
cantidades diarias fabricada de productos 1 y 2 respectivamente. y x3 las horas diarias de
tiempo extra usadas. El modelo matemtico formulado ser:
Maximizar 10x1 + 12x2 2x3
Sujeto a:
x1 + 2x2 x3 <= 320 (Horas de mano de obra)
3x1 + x2 <= 350 (Materia prima)
x3 <= 10 (Tiempo extra)
x1, x2, x3 <= 0
a) Determine la solucin ptima del problema usando Solver de Excel
La produccin diaria de Gapco debe ser de 74 unidades del producto 1 y 128 unidades del
producto 2, debe usar 10 horas de tiempo extra y tendr una ganancia de $ 2 256,0.
b) Actualmente, Gapco paga $2 adicionales por hora de tiempo extra. Cunto es lo mximo
que puede pagar la empresa? (1 pto).
Si observamos el rango del coeficiente de x3 [-5,2 , M], podemos deducir que el monto mximo que
podemos pagar es de $5,2 sin alterar la solucin ptima hallada. El nuevo valor de z ser Z =
10(74) + 12(128) 5,2(10) = $ 2 224,0.
c) Si Gapco puede adquirir 100 unidades diarias ms de materia prima a $1,50 cada una.
Aconsejara usted que lo hiciera? Y si el costo de la materia prima fuera $2 por unidad? (1
pto).
Las unidades diarias de materia prima sern 350,0 + 100,0 = 450,0 cuyo valor se encuentra dentro
del intervalo [165 , 990] y el precio sombra es $ 1,6 por unidad de materia prima, por lo tanto, se
aconseja adquirir hasta un costo mximo de $1,6, por encima de este costo no se debe adquirir.
d) Suponga que Gapco puede adquirir cuando mucho 200 unidades adicionales de materia
prima por da. Determine la solucin ptima asociada (1,5 ptos).
Las unidades diarias de materia prima sern 350,0 + 200,0 = 550,0 cuyo valor se encuentra dentro
del intervalo [165 , 990], por lo tanto, podemos calcular la variacin de la ganancia optima:
(Nuevo valor de z) = (valor original de z) + (precio sombra)x(cambio en el valor del lado derecho)
z = 2 256,0 + (1,6)x(200,0) = $ 2576,0. Para calcular la solucin ptima empleamos WinQSB.
La produccin diaria de Gapco debe ser de 154 unidades del producto 1 y 88 unidades del
producto 2, debe usar 10 horas de tiempo extra y tendr una ganancia de $ 2 576,0.
e) Suponga que Gapco no puede usar ms de 8 horas diarias de tiempo extra. la solucin
ptima inicial hallada es todava correcta? (1,5 ptos).
El valor de 8 se encuentra dentro del intervalo [0 , 380], por lo tanto, podemos calcular la variacin
de la ganancia optima:
(Nuevo valor de z) = (valor original de z) + (precio sombra)x(cambio en el valor del lado derecho)
La produccin diaria de Gapco debe ser de 74 unidades del producto 1 y 127 unidades del
producto 2, debe usar 8 horas de tiempo extra y tendr una ganancia de $ 2 248,0.
La produccin diaria de Gapco debe ser de 74,4 unidades del producto 1 y 126,8 unidades del
producto 2, debe usar 8 horas de tiempo extra y tendr una ganancia de $ 2 249,6.
9. Una compaa minera opera tres minas. El mineral obtenido en cada una se separa en dos
calidades antes de su distribucin. Las capacidades de produccin diarias de cada mina, as
como sus costos de operacin diarios, son los siguientes:
La mina 1 debe trabajar 1,75 das, la mina 2 de trabajar 7 das y la mina 3 debe trabajar 5 das, con
un costo mnimo de produccin de $ 279 000.
b. Cules de las cinco restricciones son acotantes y que significan?
El rango de variacin de la variable M1 es <$18 250, $72 000>, como $18 000, se encuentra fuera
de este rango, se debe volver a calcular la produccin ptima:
El pedido de 700 ton de mineral de baja ley se encuentra dentro del rango <400 , 750>, por lo que,
para calcular el nuevo costo de operacin podemos utilizar el valor de 260 como precio sombra,
entonces:
Nuevo margen de ganancia = (viejo margen de ganancia) (precio sombra) x (incremento en
tonelaje)
= 279 000 (260)(650 700) = $292 000.
10. Una compaa de transporte de concentrado de mineral tiene 10 camiones con capacidad de
20 toneladas y 5 camiones de 15 toneladas de capacidad. Los camiones grandes tienen
costos de operacin de $ 0,30/Km y los mas pequeos de $0,25/km. La prxima semana, la
compaa debe transportar 200 toneladas de concentrado de plomo para un recorrido de 800
km. La posibilidad de otros compromisos impone que por cada dos camiones medianos
mantenidos en reserva debe quedarse por lo menos uno de los grandes.
El modelo matemtico planteado es:
Minimizar 240 CG + 200 CM
Sujeto a:
20 CG + 15 CM = 200
CG 2 CM <= 0
CG <= 10
CM <= 5
CG y CM >= 0 y enteros
Donde:
CG = el nmero de camiones grandes empleados por semana.
CM = el nmero de camiones medianos empleados por semana.
Utilice el resultado del uso de software, WinQSB para responder a las siguientes preguntas:
a) Cual es el nmero ptimo de camiones de ambas clases que deben movilizarse para
transportar el concentrado?
Se utilizaran para el transporte del concentrado 7 camiones grandes y 4 camiones medianos, con
un costo de $ 2 480.
b) Qu sucede con el nmero ptimo de camiones, Si el costo de operacin de los camiones
grandes se incrementa en un 10%? Explique.
El nuevo costo de transporte para los camiones grandes, sera: $ 240 x 1,1 = $ 264, calculando con
este nuevo costo, tenemos:
Las parejas de nodos seleccionados de una red estn conectadas mediante una flecha, conocida
como arco, que representa una ruta de envo vlida desde el nodo de origen al nodo de destino,
segn lo indica la direccin en la que apunta la flecha (vase la figura 1). La representacin de la
red puede contener varios datos del problema. Por ejemplo, el nmero colocado al lado de cada
nodo de suministro de la figura 1 representa la capacidad de dicho nodo de suministro; es decir, el
nmero mximo de unidades que pueden ser enviadas desde ese nodo. Por ejemplo, la planta
representada por el nodo 1 de la figura 1 puede enviar hasta 1000 unidades. Similarmente, el
nmero colocado junto a cada nodo de demanda en la figura 1 representa la demanda en dicho
nodo; esto es, el nmero mnimo de unidades que necesita recibir ese nodo para cumplir la
demanda en l. Por ejemplo, la demanda en la tienda detallista representada por el nodo 6 es de
700 unidades. Cada arco puede, tambin, tener un nmero asociado a l. Por ejemplo, el
nmero que se encuentra encima de los arcos de la figura 1, representa el costo de envo de una
unidad entre los dos nodos conectados por ese arco. El costo de envo de una unidad desde el
nodo 1 al nodo 4 es 4 (que pueden ser $4, $400 o, incluso, $4000). En la red tambin se puede
incluir otro tipo de informacin sobre el problema, como podra ser el nmero mximo de unidades
que se pueden enviar a lo largo de un arco dado.
EL PROBLEMA DE TRANSPORTACIN
En la presente seccin, usted aprender acerca de una clase especfica de problemas de
distribucin comunes a muchas empresas: cmo enviar bienes terminados, de la manera menos
costosa posible, directamente desde las plantas hasta las tiendas detallistas, sin que haya
almacenes intermedios. A este problema de distribucin se le conoce como problema de
transportacin. El problema de Cosmic Computer Company (CCC) es un ejemplo de problema de
transportacin.
EL PROBLEMA DE TRANSPORTACIN DE CCC.- CCC posee tres plantas de ensamblado de
microcomputadoras. La que se encuentra localizada en San Francisco tiene una capacidad de
produccin mensual de 1700 unidades, la que est localizada en Los ngeles tiene una capacidad
de produccin mensual de 2000 unidades y la de Phoenix tiene una capacidad de produccin
mensual de 1700 unidades. Las microcomputadoras son vendidas a travs de tiendas al
menudeo. Para el mes siguiente, la tienda que se encuentra en San Diego ha hecho un pedido de
1700 unidades, la que est en Barstow tiene un pedido de 1000 unidades, la de Tucson ha pedido
1500 unidades y la situada en Dallas tiene un pedido de 1200 unidades. El costo de envo de una
microcomputadora desde cada planta de ensamblado a cada una de las diferentes tiendas
detallistas se presenta en la tabla 1. Como gerente de distribucin, usted desea formular un
modelo matemtico para encontrar el programa de envos de menor costo.
TIENDAS
PLANTAS SAN DIEGO BARSTOW TUCSON DALLAS
San francisco 5 3 2 6
Los Angeles 4 7 8 10
Phoenix 6 5 3 8
Figura 2. La red de distribucin de CCC
USO DE LA COMPUTADORA
En la presente seccin, aprender cmo es utilizado el software winQSB para resolver problemas
de transportacin.
La primera parte del informe trata sobre la planta localizada en San Francisco (Source 1), la
segunda seccin de dicho informe trata sobre la planta situada en Los ngeles (Source 2) y la
tercera seccin trata sobre la planta de Phoenix (Source 3).
De la columna Shipment, se puede ver que es ptimo embarcar 700 computadoras desde San
Francisco a Barstow, 1 000 a Dallas y ninguna a San Diego ni a Tucson. De la misma manera, es
ptimo enviar 1700 computadoras de Los ngeles a San Diego, 300 a Barstow y ninguna a Dallas
ni a Tucson. De la misma columna de la tercera seccin del informe, es ptimo enviar 200
computadoras desde Phoenix a Dallas, 1500 a Tucson y ninguna a San Diego ni a Barstow.
EL PROBLEMA DE ASIGNACIN
En muchos problemas de decisin es necesario asignar un elemento a un grupo (como una
maquina, un empleado, etc.) a un elemento de un segundo grupo (como una tarea, un proyecto,
etc.). Considere, por ejemplo, asignar trabajaos a maquinas en una planta industrial, asignar
representantes de ventas a territorios o asignar investigadores a proyectos.
1. cada elemento del primer grupo debe asignarse a exactamente un elemento del segundo
grupo.
2. cada elemento del segundo grupo debe asignarse a exactamente un elemento del primer
grupo.
Debido a que cada pareja asignada existe un costo asociado, por ejemplo, la cantidad de tiempo
que toma una tarea asignada a una maquina particular, el objetivo es elegir asignaciones que
minimicen el costo total.
Para satisfacer estas dos condiciones de asignacin, el numero de elementos de cada grupo debe
ser el mismo. Un problema de este tipo se denomina problema de asignacin equilibrado.
Adecuar una mquina para que cambie el tamao de un contenedor toma largo tiempo, as que la
gerencia ha decidido que cada mquina producir contenedores de un solo tamao. Por tanto,
slo se producirn cuatro de los cinco tamaos en las cuatro mquinas disponibles dentro de la
fecha lmite asignado. Como los ingresos por cada tamao de contenedor son aproximadamente
iguales, la gerencia de Containers, Inc., es indiferente en cuanto a cul de los cinco pedidos no
satisfacer. Como gerente del departamento de produccin, se le ha pedido determinar cules
cuatro de los cinco pedidos aceptar y desarrollar un plan de produccin que minimice el tiempo de
procesamiento total para satisfacer esos pedidos.
2. Por cada elemento figurado, identifique un costo apropiado asociado con la asignacin de
cada elemento del otro grupo a este elemento figurado.
En cuanto al problema de Containers, Inc., es necesario aadir una mquina figurada. Ahora hay
cinco pedidos y cinco mquinas, dando como resultado un problema de asignacin equilibrado.
Recuerde que la mquina 5, de hecho, no existe. Los contenedores asignados a esta mquina no
son producidos y por tanto, no contribuyen en nada al tiempo total de procesamiento. Los datos
para el problema de asignacin se muestran en la tabla 3.
Tabla 2. Tiempo total de procesamiento (hr) para producir cada tamao de contenedor en cada
maquina
TAMAO MAQUINA
CONTENEDO 1 2 3 4 5
R 3X 2 2 2 3 0
44X 2
5 2
0 2
8 2
0 0
66X 4
3 2
3 5
2 3
2 0
8 8X 12 0
3 0
3 8
3 5
3 0
12 X 18 8
4 2
4 0
2 0
3 0
0 0 8 0
Figura 3. Representacin de la red del problema de asignacin
En la presente seccin, aprender cmo es utilizado el software winQSB para resolver problemas
de asignacion
EL PROBLEMA DE TRANSBORDO
PROBLEMA DE DISTRIBUCIN DE MEDICAL TECHNOLOGIES, INC. Medical Technologies,
Inc. (MTI), es una empresa fabricante y distribuidora internacional de equipo de rayos X de alta
resolucin que se utiliza en hospitales. La planta que tienen en Paris, Texas, puede producir
hasta 100 mquinas por ao; la que se encuentra en Davenport, Iowa, produce hasta 200
mquinas y la planta de Springfield, Oregon, puede producir hasta 150 mquinas. Para el ao
siguiente, sus clientes en Japn han pedido 120 mquinas, los de Corea del Sur ordenaron 80
mquinas, los de Nueva Zelanda 70 y los de Australia 110 mquinas.
El equipo producido en Texas y en Iowa puede ser enviado a los almacenes regionales situados
en Hungra y/o en Hawai. Los almacenes regionales, a su vez, pueden enviar a cualquiera de los
almacenes de campo situados en Fiji y en las Filipinas. Ninguno de los almacenes regionales
almacena mquinas en inventario, por consiguiente deben enviar todas las mquinas que reciben.
Los clientes de Corea del Sur y de Nueva Zelanda pueden recibir mquinas de cualquiera de los
almacenes de campo. Sin embargo, debido a los tratados de comercio internacionales, los
clientes del Japn deben obtener sus mquinas exclusivamente de las Filipinas, y los de Australia
deben recibir las suyas solamente de las Fiji. Los costos de envo por mquina desde las plantas
a los almacenes regionales, a los almacenes de campo y, finalmente, a los clientes se dan En las
tablas 4, 5 y 6, respectivamente. Como gerente de distribucin, se le ha pedido a usted que
determine el plan de embarque con el mnimo costo total.
ALMACENES REGIONALES
PLANT HUNGR HAW
AS IA AI
Texas 2 4
0 0
Iowa 3 4
0 0
Oregon N 5
/ 0
Tabla 5. Costos de embarque ($/maquina) de almacenes regionales a almacenes de campo
ALMACENES REGIONALES
ALMACENES REGIONALES FILIPIN F
AS IJ
Hungra 8 6
0 0
Hawai
0 0
Tabla 6. Costos de embarque de almacenes de campo a clientes
ALMACENES CLIENTES
DE CAMPO JAPN COREA DEL NUEVA AUSTRALIA
SUR ZELANDA
Filipinas 7 6 8 N/A
0 0 0
Fiji 600
0 0 0
El primer paso en la formulacin matemtica de este problema consiste en trazar una red que
represente el flujo de productos desde las plantas, a travs de los almacenes, hasta los clientes.
La red debe contener once nodos, uno para cada una de las tres plantas, los dos almacenes
regionales, los dos almacenes de campo y los cuatro clientes, de la forma en que se ilustra en la
figura 4. Debe haber un arco que conecte una pareja de nodos, siempre y cuando sea posible
enviar mquinas directamente desde el nodo de origen al de destino, segn est especificado en
la descripcin del problema. Por ejemplo, debido a que la planta de Oregon solamente puede
hacer envos al almacn regional de Hawai, deber haber un arco que vaya desde el nodo
correspondiente a la planta de Oregon al nodo correspondiente al almacn regional de Hawai,
pero no al correspondiente al de Hungra. En la figura 4 se muestran tambin los arcos, junto con
los correspondientes costos unitarios de envo. La red de la figura incluye tambin la capacidad
de cada planta y la demanda de los clientes al lado de los correspondientes nodos de suministro y
demanda, respectivamente.
En la presente seccin, aprender cmo es utilizado el software LINDO 6,0 para resolver
problemas de trasbordo:
ALMACENES REGIONALES
PLANT HUNGR HAW
AS A AI
Texas 1 0
0
Iowa 0 2
0
Oregon N 80
/
Tabla 8. Plan de embarque de almacenes regionales a almacenes de campo
ALMACENES REGIONALES
ALMACENES REGIONALES FILIPIN F
AS IJ
Hungra 1 0
0
Hawai 260
0
Tabla 9. Plan de embarque de almacenes de campo a clientes
ALMACENES CLIENTES
DE CAMPO JAPN COREA DEL NUEVA AUSTRALIA
SUR ZELANDA
Filipinas 1 0 0 N/A
2
Fiji 80 70 110
0
El costo total es de $ 579 000.
CAPITULO VI
ADMINISTRACIN DE PROYECTOS:
PERT - CPM
En este captulo se presenta una tcnica de la ciencia administrativa que ayuda a comprobar y
controlar un proyecto que involucra numerosas tareas interrelacionadas. La supervisin de estos
proyectos requiere muchas habilidades administrativas, una de las cuales es mantener el proyecto
acorde a un programa. La ciencia de la administracin puede ayudar a esto proporcionando
respuestas a preguntas como:
1. Cundo sera lo ms pronto que el proyecto pudiera estar terminado?
2. Para cumplir con este tiempo de conclusin, qu tareas son crticas, en el sentido de que
un retraso en cualquiera de esas tareas provoca un retraso en la conclusin de todo el
proyecto?
3. Es posible acelerar ciertas tareas para terminar todo el proyecto ms pronto? Si es as,
qu tareas seran stas y cul sera el costo adicional?
Cuando un proyecto implica unas cuantas tareas, las respuestas a estas preguntas a menudo
pueden encontrarse con poco esfuerzo. Sin embargo, cuando la planeacin de un proyecto
implica cientos o miles de tareas interrelacionadas que deben ser realizadas por distintas
personas, las herramientas de la ciencia de la administracin presentadas en este captulo
proporcionan una forma sistemtica no slo de responder estas preguntas, sino tambin dar
seguimiento al proyecto a lo largo de su duracin.
5Mtodo utilizado para administrar proyectos en que los tiempos requeridos para terminar las tareas
individuales se conocen con relativa certeza.
INVESTIGACION DE OPERACIONES EN MINERIA
6Mtodo utilizado para administrar proyectos en los que los tiempos requeridos para completar las tareas
individuales son inciertos.
misiles Polaris, que implicaba aproximadamente 500 tareas y varios miles de subcontratistas. El
tiempo requerido para completar muchas de esas tareas era incierto. Estas dos tcnicas son
similares excepto que CPM se utiliza para administrar proyectos que implican tiempos de tarea
determinados y PERT se usa para aquellos que implican tiempos probables de tarea.
DESARROLLO DE LA RED DE PROYECTOS
Para ilustrar cmo se aplican las tcnicas de administracin de proyectos a la verificacin de un
proyecto, considere el enfrentado por la Gerencia de Operaciones de Santa Rosa Mining. Que
encomienda a sus ingenieros realizar un proyecto de desarrollo y preparacin de una veta, con
minerales de Plomo, Zinc y Cobre, para explotar mediante el mtodo de subniveles.
Puede determinar el tiempo de conclusin siguiendo los siguientes pasos:
a) Identifique las tareas individuales que componen el proyecto.
b) Obtenga una estimacin del tiempo de conclusin de cada tarea.
c) Identifique las relaciones de tiempo entre las tareas. Qu tareas deben concluirse antes de
que otras puedan iniciarse?
d) Dibuje un diagrama de red de proyecto para reflejar la informacin de los pasos a y b.
Tipo d e roca
N taladros
$/m avance
Tiem po medio
d isparos/mes
Kg expl m avance
Seccin (m2)
ETIQUET DESCRIPCION
A
A Nivel
Subniv 60 6 du 1. 3 1 7. 13 40
el I 6 x4 ra 3 0 6 1 5 4
B
Subniv 0 du 1. 3 1 7. 13 0
el II 8 6 ra 3 0 6 1 5 5
C Transversal II 60 x4 du 1. 2 2 12. 14 68
3 5 9 5 5
Chimenea de acceso 16 ra 18
7 1. 2 1 6. 12
Chimenea o coladero de 18 du 21
D x8 1 0 5 7 0
minera Chimenea de ra 14
1. 2 1 5. 12
ventilacin Instalacin de 1 5 sd 16
1 0 2 3 0
E tolvas 5 x4 ur 1
1. 2 1 5. 12
Chimenea de c 1 a 7
1 0 2 3 0
orte I Chimenea 6 5 sd 1
F 4
de c orte II x4 ur
1. 2 1 6. 12
Instalacin de cabres 40 a 28
Para este proyecto, puede sentir que el tiempo requerido para concluir cada tarea se conoce
bastante bien sin ninguna variabilidad significativa. Otros proyectos implican tareas cuyo tiempo
de conclusin es incierto o debe estimarse con una cantidad significativa de incertidumbre.
Creacin de la tabla de precedencia para el proyecto
Como se observ anteriormente, la cantidad de tiempo que toma terminar un proyecto completo
se basa en los tiempos de conclusin de las tareas individuales. Sin embargo, el tiempo de
conclusin total no es igual a la suma de los tiempos de las tareas individuales porque algunas
tareas pueden realizarse simultneamente. Otras tareas, sin embargo, no pueden comenzar
hasta que ciertas tareas anteriores no hayan sido concluidas. Para determinar la cantidad de
tiempo mnima requerida para concluir el proyecto total, debe primero comprender cmo se
relacionan las tareas individuales entre s. Debe identificar qu tarea(s) debe(n) terminarse antes
de que otra tarea comience.
La lista de predecesoras inmediatas de una tarea particular de inters incluye aquellas tareas que:
7Una tarea que debe concluirse antes de que la tarea de inters pueda iniciarse y que no depende para su
inicio de la conclusin de cualquier otra tarea inmediatamente predecesora de esta lista.
8Una tabla que enumera las predecesoras inmediatas para cada tarea.
Fig. 2 Fig. 3
En la figura 1 se puede observar que el arco no tiene un sentido vectorial, sino que es
simplemente una progresin de tiempo .En la figura 2 se muestra que todas las actividades tienen
sus sucesos iniciales y finales, siendo que el suceso final de la actividad precedente es el mismo
suceso inicial de la subsiguiente - Adems puede distinguirse que el primer suceso inicial del
proyecto no posee una actividad que la preceda y el ultimo suceso final no tiene una tarea que la
subsiga.
ARCO FICTICIO
Se indica por medio de un arco de trazos, que se denomina tambin "dummy", sirve para denotar
una relacin de precedencia entre dos actividades, pero no por que necesariamente requiere un
trabajo previo, ni tiempo, sino por instancias especiales.
10 Una convencin usada en un diagrama de red de proyecto en la que cada arco corresponde a una de las
actividades y los dos nodos conectados por ese arco representan el inicio y fin de esa actividad.
11 Una convencin usada en un diagrama de red de proyecto en la que cada nodo representa una tarea, y un
arco conecta dos nodos si un nodo corresponde a una tarea inmediatamente predecesora del otro nodo.
Fig. 4
En la figura 4 que representa el proceso para la explotacin de un tajeo , donde el mineral
requiere ser sometido antes a un anlisis para luego ser acarreando al shut y transportado a la
planta, se puede observar un caso tpico de una flecha ficticia, que indica la precedencia del
muestreo y resultado del anlisis para su acarreo posterior, con el fin de evitar una dilucin.
RED DE PROYECTO
La red de proyecto sirve como base a la programacin por camino crtico y seala con toda
precisin la secuencia de las actividades, su interrelacin, etc.
Fig. 8 Tiempos de duracin de cada actividad del proyecto Santa Rosa Mining
Para encontrar el tiempo de terminacin ms corto de todo el proyecto, proceda sistemticamente
desde el principio, determinando lo siguiente para cada tarea:
12
1. El tiempo de inicio ms temprano (IT) , esto es, el tiempo ms inmediato en que esa
tarea puede iniciarse.
13
2. El tiempo de terminacin ms temprano (TT) , esto es, el tiempo ms breve en el que
esa tarea puede concluir.
donde:
A : Actividad
i, j : Nodos
Fig 9. Clculo de los tiempos de inicio y terminacin mas tempranos para el proyecto de Santa Rosa Mining
Pasos para calcular los tiempos de inicio y de terminacin ms tempranos
Paso 0. Identifique el nodo correspondiente al principio de todo el proyecto.
Calcule y escriba lo siguiente en el nodo inicial:
Paso 1. Seleccione cualquier nodo donde todos los arcos entrantes han sido etiquetados
con sus tiempos de inicio y de terminacin ms breves.
Paso 2. Para el nodo seleccionado en el paso 1, calcule y escriba lo siguiente junto a cada
arco saliente:
UI UT t
14 Lo ms tarde que pueda concluirse una tarea, en tanto permita que el proyecto se complete lo ms pronto
posible.
15 Lo ms tarde que pueda iniciarse una tarea, pero finalizando dentro de su ltimo tiempo de terminacin.
16 Una tarea para la que la tarea de inters es una predecesora.
Fig. 10 Clculo de los ltimos tiempos de inicio y terminacin para el proyecto de Santa Rosa Mining
Pasos para calcular los ltimos tiempos de inicio y terminacin
Paso 0. Identifique el nodo correspondiente al final de todo el proyecto. Calcule y escriba
lo siguiente dentro de cada arco entrante:
Paso 1. Seleccione un nodo, cuyos arcos salientes hayan sido etiquetados todos con sus
ltimos tiempos de inicio y terminacin.
1. El tiempo de choque, esto es, el tiempo mnimo posible en el que la tarea puede
concluirse de manera realista usando recursos adicionales.
2. El costo de los recursos adicionales necesarios para acortar el tiempo de tarea a cualquier
valor entre sus tiempos normal y de choque.
Para obtener el tiempo de choque, puede consultar con las personas involucradas en la tarea.
Por ejemplo, considere la tarea de la chimenea de acceso en el proyecto de Santa Rosa Mining.
Originalmente se estima que esta tarea requiere 68 das. Sin embargo, despus de las
discusiones con el gerente del departamento de diseo, usted descubri que al contratar algo de
ayuda de tiempo parcial y/o usar tiempos extra, la chimenea de acceso podra terminarse en slo
64 das, pero no menos. Por tanto, con recursos adicionales, el tiempo de conclusin de esta
tarea puede acortarse en 4 das a un tiempo de choque de 64 das.
El tiempo cuesta dinero. Para establecer cunto cuesta el tiempo, comience por obtener dos
estimaciones de costo para concluir la tarea en (a) su tiempo normal y (b) su tiempo de choque.
En el proyecto de Santa Rosa Mining, suponga que la chimenea de acceso se estima que cueste
$7200 si se termina en su tiempo normal de 68 das y $7528 si se terminan en su tiempo de
choque de 64 das. De hecho, con una cantidad apropiada de entre $7200 y $7528, puede
concluir esta tarea en cualquier momento entre 68 y 64 das. Sin embargo, la obtencin de las
estimaciones de costo para cada tiempo posible entre las 68 y 64 das puede ser difcil, caro y
llevarse tiempo. Una aproximacin comnmente usada es suponer que los costos se comportan
linealmente dentro del intervalo de tiempo dado, como se muestra en la figura 12. Basndose en
esta suposicin, un costo por unidad de tiempo aproximado puede calcularse usando la siguiente
frmula:
(costo al tiempo de ch oque ) - (costo al tiempo
Costo por unidad = normal) (tiempo normal) - (tiempo de choque)
En otras palabras, costar $ 82 adicionales por cada da que se acorte esta tarea.
7550
7500
7450
Costo ($)
7400
7350
7300
7250
7200
7150
63 64 65 66 67 68 69
Tiem po de tarea (das)
Fig. 12 Transaccin tiempo costo lineal para la chimenea de acceso
Estos datos y clculos para cada tarea del proyecto de Santa Rosa Mining se muestran en la tabla
5.
Observe que el costo por unidad de la tarea L, Explotacin, no se ha calculado. Esa tarea no
puede acortarse en absoluto.
Tabla 5 Costos de choque para las tareas de Santa Rosa Mining
Tiempo normal
Mxima Reducci n
choqu e Tiem po de
oque Costo de Ch
Costo por da
Costo n ormal
ETIQUET DESCRIPCION
A
A Nivel
Subnivel I 40 8,10 36 8,3 4 70.
Subnivel II 4 0 3 80 4 0
B
Transversa 0 8,10 6 8,3 1 70.
l II 5 0 4 80 1 0
C Chimenea de acceso 68 1,16 55 1,6 3 452
1 0 1 12 3 .0
Chimenea o coladero de
8 7,20 5 8,5 3 102
D minera Chimenea de
2 0 1 28 .2
ventilacin Instalacin de 2
1 1,92 8 2,2 107
E tolvas 0 41 1 .0
14 12
Chimenea de c 2,16 3,1 1 316
16 15 3
orte I Chimenea 0 10 .7
F 1 1 0
de c orte II 430 65 110
7 6
Instalacin de cabres tante 1,80 0 2 .0
14 1
G T OTALExplotacin
COSTO 0
41,8 2,1 2 332
40
Desarrollo del modelo de choque
Con los datos de la tabla 5 y la red de proyecto, ahora es posible desarrollar un modelo de
programacin lineal para determinar qu tareas acortar, y en cunto, para lograr un tiempo de
conclusin meta para todo el proyecto de la manera menos costosa.
Identificacin de las variables de decisin
Preguntndose lo que puede controlar y/o necesita determinar en este problema lo debe llevar a
identificar como variables de decisin la cantidad de tiempo en la cual acortar cada tarea. Por
tanto, para el ejemplo de Santa Rosa Mining, defina
YB = el nmero de das en las cuales acortar la tarea B
YC = el nmero de das en las cuales acortar la tarea C
.
Los valores de estas variables de decisin reducen los tiempos de conclusin de tareas a las
cantidades mostradas junto a cada arco de la figura 13. Por ejemplo, el nuevo tiempo de
conclusin de la tarea C es 40 - Yc, es decir, el tiempo normal de 40 das menos el nmero de
das, Yc, en la cual se acorta esa tarea.
Identificacin de la funcin objetivo
El objetivo global es minimizar los recursos adicionales totales requeridos para satisfacer el tiempo
de conclusin meta para el proyecto. Habiendo calculado los costos unitarios enumerados en la
tabla 5 asociados con el acortamiento de cada tarea, y observando que el costo de la variable YL
es irrelevante porque su valor estar restringido a 0, la funcin objetivo en trminos matemticos
es
Minimizar 70 YB + 70 YC + 452YD + 102.2 YE + 107 YF + 316.7 YG + 110 YH +332 YYI + 440
YJ + 38.33 YK + 60 YM + 275 YN
12 Facultad de Ingeniera de Minas
3 Universidad Nacional del Altiplano
Derechos Reservados MCA-FIM 2009
Identificacin de las restricciones
Usando la tcnica de agrupamiento puede identificar dos grupos de restricciones:
2. El tiempo de conclusin meta del proyecto (en este caso, 170 das).
Para las restricciones del grupo 1, lo nico que se necesita son las cotas superiores sobre las
variables de decisin, YA, . . . , YN. Los valores mximos de estas variables se proporcionan en la
columna etiquetada 'Reduccin mxima' de la tabla 5. La combinacin de estos valores con la no
negatividad implcita de estas variables da pie a las siguientes restricciones:
Restricciones de lmite
0 <= YB <= 4 (Lmite B)
0 <= YC <= 4 (Lmite C)
0 <= YD <= 1 (Lmite D)
0 <= YE <= 13 (Lmite E)
0 <= YF <= 3 (Lmite F)
0 <= YG <= 3 (Lmite G)
0 <= YH <= 2 (Lmite H)
0 <= YI <= 1 (Lmite I)
0 <= YJ <= 1 (Lmite J)
0 <= YK <= 3 (Lmite K)
0 <= YL <= 0 (Lmite L)
0 <= YM <= 2 (Lmite M)
0 <= YN <= 2 (Lmite N)
Restricciones de terminacin de proyecto
X0 = 0 (inicio)
X10 <= 170 (finalizacin)
Restricciones de red
X1 >= X0 + (68-YE) (tarea A)
X2 >= X0 + (5-YD) (tarea D)
X3 >= X1 + (12-YM) (tarea M)
X4 >= X0 + (18-YF) (tarea F)
X4 >= X3 + 0 (tarea figurada)
X5 >= X4 + (16-YN) (tarea N)
X6 >= X5 + (14-YK) (tarea K)
X6 >= X0 + (21-YG) (tarea G)
X7 >= X6 + (14-YH) (tarea H)
X8 >= X7 + (28-YL) (tarea L)
X8 >= X3 + (40-YB) (tarea B)
X9 >= X8 + (16-YI) (tarea I)
X9 >= X2 + (40-YC) (tarea C)
X10 >= X9 + (16-YJ) (tarea J)
Restricciones de red
X0, ..,X10 >= 0
Resolucin del modelo de choque
Habiendo formulado el modelo de choque apropiado, ahora podemos usar cualquier programa de
programacin lineal para obtener la solucin. En nuestro caso, utilizaremos el WinQSB.
De los valores de las variables Y se puede ver que para terminar el proyecto en el tiempo meta de
160 das, es necesario acortar los tiempos de la tarea E en 13 das, de la tarea H en 2 das, de la
tarea I en 1 da, de la tarea J en 1 da, de la tarea K en 3 das, de la tarea M en 2 das y de la tarea
N en 2 das. El costo total de hacer esto son $ 3,105.59 adicionales.
ADMINISTRACIN DE PROYECTOS USANDO TIEMPOS DE TAREA PROBABILISTICOS
(PERT)
Al revisar proyectos, un gerente a menudo encuentra retrasos imprevistos al llevar a cabo las
diferentes tareas, lo cual tiene como resultado un correspondiente retraso en el proyecto
completo. Una manera de manejar tales problemas consiste en tomar en cuenta esta variabilidad
cuando se estiman los tiempos de terminacin individuales. En lugar de suponer que los tiempos
de tarea se conocen con certeza, como fue el caso en el ejemplo del proyecto de Santa Rosa
Mining en las secciones 2.1 a 2.4, puede ser ms apropiado estimar los tiempos de tarea,
tomando en cuenta la incertidumbre. Para revisar tales proyectos se requiere un anlisis
probabilstico, que se describir en la presente seccin. A lo largo de ella, se supone que el lector
conoce las nociones bsicas de probabilidad y de estadstica.
1.1. Enumeracin de las tareas, identificando las relaciones de precedencia y trazando la
red de proyectos
En las secciones 1.1. a 1.4 se ha realizado la enumeracin de las tareas del proyecto de Santa
Rosa Mining, identificado las relaciones de precedencia y trazado la red de proyectos.
1.2. Estimacin de los tiempos de terminacin de tareas
Los tiempos de terminacin de estas tareas son bastante variables debido a la incertidumbre de la
obtencin de suministros, el mantenimiento de las relaciones laborales, etctera. As pues, una
sola estimacin del tiempo no es apropiada. Para tomar en cuenta esta variabilidad se requiere el
conocimiento de la distribucin de probabilidad de los tiempos de terminacin de cada tarea.
Esto, a su vez, requiere el conocimiento de los parmetros de la distribucin, entre los que se
encuentran la media y la varianza. La obtencin de la distribucin y de sus parmetros, a
menudo, es difcil y tardada. Sin embargo, un planteamiento que ha resultado ser conflable en la
prctica consiste en aproximar las distribuciones desconocidas mediante una distribucin beta. El
anlisis, en la presente seccin, no requiere la forma exacta de la distribucin, sino solamente del
conocimiento de tres parmetros: el valor mnimo, el valor mximo y el valor ms probable,
presentados en la figura 14.