Guía de Ejercicios Optimización 2012-2 PDF

Gua de Ejercicios Optimizacin
Preparado por Felipe Quezada C.

2 Semestre 2012.
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas

2

EJERCICIOS PEP 1
PROBLEMA #1

Una fbrica de jugos de 1 litro (1000 cc) desea lanzar al mercado una nueva variedad de jugo.
Para ello, disponen de 4 ingredientes base. La nueva variedad apuntar a conservar un balance
alimenticio, debiendo contener al menos un 15% de vitamina C, y a lo ms un 30% de potasio.
Existe adems una relacin entre los betacarotenos y la vitamina A que impone lo siguiente: la
cantidad de vitamina A debe ser, cuando menos, un tercio de los betacarotenos. Adems, la
vitamina A no puede superar el 35% del contenido del jugo.

El costo por adquirir los ingredientes, los lmites de los pedidos por da, y los aportes porcentuales
de cada componente a los ingredientes por unidad se resumen en la siguiente tabla:

Potasio Vitamina C Vitamina A Betacarotenos Costo [$/u] Lmite [u]
Ingrediente 1 20% 15% 30% 35% 25 6
Ingrediente 2 5% 40% 10% 45% 13 9
Ingrediente 3 35% 20% 25% 20% 10 8
Ingrediente 4 15% 25% 35% 25% 20 5

Tabla 1: Disposicin de Ingredientes para el Problema #1

FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita minimizar los
costos, cumpliendo con todos los requerimientos. Considere, para tal caso, que cada unidad son
100 cc. Defina claramente variables, funcin objetivo y restricciones.

SOLUCIN: Primero formulamos las variables del modelo. Sea
la cantidad de unidades del

ingrediente para la nueva variedad ( ). Como se desea minimizar los costos, la funcin
objetivo estar dada por:

()

Ahora veamos las restricciones. En la nueva variedad, la combinacin de los 4 ingredientes debe
conformar una unidad de jugo, por lo cual la primera restriccin se define de la siguiente manera:

(
) (
)

En el caso de la mezcla separamos por ingrediente. Para la vitamina C, la suma de las cantidades
de los ingredientes conforma, por lo menos, un 15% del juego (que son 150 cc). Por lo tanto:

Para el potasio, la suma de las cantidades de cada ingrediente no puede superar el 30% del total
del juego (que son 300 cc). Luego:

Para la vitamina A, esta suma debe ser al menos 1/3 de los betacarotenos. Por lo tanto:

3

)

De manera simplificada:

Adems, la contribucin de la vitamina A no debe superar el 35% del jugo (350 cc). Por ende:

Por ltimo, para los lmites diarios, tenemos:

Naturalmente.
. El modelo es entonces el siguiente:

()

PROBLEMA #2

Formule y resuelva adecuadamente el siguiente problema de programacin lineal. La primera
iteracin debe ser realizada mediante el algoritmo smplex. La segunda y siguientes efectuarlas
empleando el mtodo smplex revisado o matricial:

()

SOLUCIN: Primero hacemos el cambio de variable
, a fin de tener slo variables no

negativas. Reescribiendo el PPL en forma estndar, se tiene:

4

()

El problema debe resolverse en dos fases. La fase 1 minimizar la funcin objetivo ()
. Procedemos en la primera iteracin mediante el algoritmo smplex. La tabla de inicio para este
problema es la siguiente. Observe que se han marcado en la tabla la inversa respectiva, as como
el elemento pvot para la respectiva iteracin:

V.B
()
-4 1 -7 -3 0 1 0 0 50 50
3 2 2 4 0 0 1 0 150 75
1 0 4 2 -1 0 0 1 10 ---
5 -1 -1 -1 0 0 0 0 0
0 0 0 0 0 1 0 1 0
3 -1 3 1 1 0 0 0 -60

Entra
; sale
. Primera iteracin:

V.B
()
-4 1 -7 -3 0 1 0 0 50 50/7
11 0 16 10 0 -2 1 0 50 25/8
1 0 4 2 -1 0 0 1 10 5/2
1 0 -8 -4 0 1 0 0 50
-1 0 -4 -2 1 1 0 0 -10

Entra
, sale
.

Las siguientes iteraciones deben hacerse mediante el algoritmo smplex revisado. De la tabla
anterior reconocemos la matriz inversa de esta primera iteracin:

(

)

Como ya definimos el pvot y las variables de entrada y salida a partir de la tabla anterior, podemos
calcular inmediatamente la matriz


5

Calculamos
para dar inicio a la segunda iteracin:

(

)
(

Construimos una pequea tabla para verificar el orden de las variables bsicas:

V.B.
()

(

)

Calculamos los valores duales para esta iteracin:

()
( )
(
( )

Calculamos los coeficientes (o costos) reducidos para esta iteracin:

Luego:

) (
) ( ) (

)

Por lo tanto:

) ( )

Como todos los coeficientes reducidos de la funcin objetivo w son nulos, hemos llegado al ptimo
para la fase 1. Como
son no bsicas, y por tanto nulas, se tiene que ()
,
por lo que existe un espacio de soluciones factible para el PPL original en la fase 2.

Ahora debemos calcular los valores duales para la funcin objetivo z en la fase 2 (iteracin 2).
Verificando el orden de las variables bsicas:

V.B.
()

(

)


6

Por lo tanto:
()
( )
(
( )

Calculamos los costos reducidos:

Luego:

) (
) ( ) (

)

Por lo tanto:

) ( )

Como el coeficiente reducido de
en la funcin objetivo es negativo, an no estamos en el ptimo.

Se tiene que
es la variable de entrada para la tercera iteracin, porque tiene el coeficiente ms

negativo en la fila objetivo. Calculamos entonces las columnas
) para determinar la
variable de salida y el elemento pvot:

(

) (
) (
) (

) (
) (
)

Por lo tanto:

V.B.
135/2 -7/4 (135/2):(-7/4) = -270/7 Ignorar
10 4 10/4 = 5/2 Mnimo
5/2 -1/4 (5/2):(-1/4) = -10 Ignorar

Tabla 2: Clculo de los elementos
para el Problema #2

La variable de salida es entonces
. El pvot corresponde a 4.


7

Calculamos la matriz inversa

Donde:

)
)

Entonces:

Verificamos el orden de las variables bsicas:

V.B.
()

(

)

Calculamos los valores duales:

()
( )
(
)


Luego:

) (
) (
) (

)

Por lo tanto:


8

) (
)

Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al ptimo.
Calculamos entonces
para encontrar la solucin ptima de este problema:

(

) (
) (
)

Por lo tanto, la solucin ptima es
. El resto de las variables son nulas.

Reemplazando estos valores en la funcin objetivo se obtiene () , con lo cual
() .

PROBLEMA #3

Considere el problema de programacin lineal cuyo tableau final (ptimo) es el siguiente. Asuma
que S
i
es la variable de holgura para la restriccin i.

V.B. X1 X2 X3 X4 S1 S2 b
X1 1 -5 4 13 5 0 7
S1 0 2 1 6 10 1 3
-Z 0 3 1 8 4 0 76

a) Cules son las variables bsicas?
b) Cules son las variables no bsicas?
c) Cul es la solucin ptima?
d) Qu puede decir acerca de las restricciones 1 y 2? Cules son las unidades adicionales?

SOLUCIN: Tenemos:

a) Las variables bsicas son
.

b) Las variables no bsicas estn conformadas por el resto de variables que no se encuentran en
la base:
son no bsicas.

c) La solucin ptima es
. Su valor es () .

d) En ambas restricciones hay variables de holgura asociadas. El recurso asociado a la primera
restriccin se considera abundante, porque no se ha consumido del todo, ya que la variable de
holgura asociada,
, es mayor que cero. El recurso asociado a la segunda restriccin se

considera escaso, porque su holgura
es nula.


9

PROBLEMA #4

Una fbrica de ropa produce tres lneas de trajes: jeans, franela y amasado. La ropa es vendida en
lotes de 100 trajes de cada tipo. Cada lote pasa a travs de tres procesos: corte, cosido y
empaque. La planta dispone de 16 cortadores como mximo, 41 mquinas de coser como mximo
y debe ocupar a 10 empacadores (no ms no menos). Los requerimientos para producir un lote de
100 trajes de cada tipo y las utilidades asociadas, se presenta a continuacin:

Requerimientos de Produccin y Utilidad Jeans Franelas Amasados
Cortadores [Personas/Lote] 4 2 1
Mquinas de Coser [Mquinas/Lote] 1 2 1
Empacadores [Personas/Lote] 1 1 1
Utilidad [$/Lote] 400 200 300

Tabla 3: Requerimientos de produccin y utilidad para el Problema #4

FORMULE un modelo de programacin lineal que permite maximizar las utilidades de la fbrica.
Defina claramente variables, funcin objetivo y restricciones. A continuacin, RESUELVA el modelo
que plante utilizando el mtodo que ms le acomode.

SOLUCIN: El objetivo de la fbrica es determinar las cantidades de cada lote de ropa a fabricar,
de tal forma que stos maximicen las utilidades. Sea
la cantidad de lotes de ropa a fabricar del

tipo . De la tabla, podemos obtener inmediatamente la funcin objetivo:

()

Las restricciones del problema estn asociadas al lmite de recursos impuesto por la fbrica en
funcin de la cantidad de cortadores, mquinas de coser y personal encargado de empacar. As,
se tiene lo siguiente:

Cortadores:

Mquinas de coser:

Personal de empaque:

El modelo completo es entonces:


10

()

El modelo puede resolverse utilizando cualquier mtodo. En este caso particular, podemos hacer
un arreglo algebraico sencillo que permita solucionarlo mediante el mtodo grfico. De la tercera
restriccin, despejamos, con lo cual resulta
). Reemplazando en el PPL,
obtenemos:

()

El espacio de soluciones factible (ESF) de este problema es el siguiente:

Figura 1: ESF del Problema #4
Notemos que los nicos puntos candidatos a solucin ptima de este problema son A y B.
Evaluando la funcin objetivo se obtiene que el punto esquina ptimo es B, dado por
lotes
de jeans, resultando no rentable fabricar lotes de franela (porque
). Reemplazando lo anterior
en el modelo original, se obtiene que
lotes de amasados. La utilidad mxima que percibe la

fbrica es de () unidades monetarias.


11

PROBLEMA #5

Escriba el DUAL del siguiente problema. Verifique que el dual del dual es el problema original.

()
( )

SOLUCIN: Del primal, tenemos que:

Debemos hacer entonces dos cambios de variable:
. Reemplazando

en
, se tiene:

La ltima expresin podemos fragmentar en dos restricciones independientes:
.

Adems, la expresin
tambin podemos fragmentarla en dos restricciones

independientes:
.

Escribimos entonces el problema primal en forma cannica (primal simtrico):

()


12

Construimos ahora el problema dual. Notemos que, a partir de la definicin, el dual tendr 8
variables y 5 restricciones. Adems, la variable dual
es no restringida, mientras que el resto son

no negativas.

()

La comprobacin de que el dual del dual es el primal es obvia, y se deja como ejercicio al lector.

PROBLEMA #6

La compaa minera FERROJAC CHILE tiene dos operaciones mineras que alimentan de mineral
de hierro a una sola planta. Cada mina tiene dos reas de las cuales puede extraer el mineral. La
ley alimentada a planta debe ser mayor que 35% Fe, y debe ser menor que 12% Si. La planta
requiere al menos 45.000 toneladas, pero no puede manejar ms de 60.000. El mercado interno
requiere que al menos 12.000 toneladas de Fe deben estar disponibles para el consumo asumir
un 90% de recuperacin en el proceso. La razn promedio de estril/mineral determinada para las
operaciones de extraccin mineral tiene un valor de 3,5.

Dado los datos que se indican, FORMULAR (no RESOLVER) un modelo de programacin lineal, el
cual permita obtener un plan minero de produccin que cumpla las restricciones operacionales y
permita minimizar la desviacin de la razn estril/mineral total.

Mina rea
Reservas
(toneladas)
% Fe % Si
Razn
Estril/Mineral
Cerro
GRANATE
Norte 20.000 40 17 3,0
Lomas 10.000 30 10 2,0
Lomas
BAYAS
Sur Sur 15.000 40 11 4,0
Alberta 30.000 35 13 5,0

Tabla 4: Detalle de las reservas y leyes de FERROJAC Chile

SOLUCIN: Primero definimos las variables del problema:

: Produccin Cerro Granate, rea Norte
: Produccin Cerro Granate, rea Lomas
: Produccin Lomas Bayas, rea Sur Sur
: Produccin Lomas Bayas, rea Alberta


13

Para este problema, es muy til la elaboracin de un diagrama que muestre el proceso en
cuestin:

Figura 2: Esquema del proceso que se debe modelar en el Problema #6

Ahora veamos las restricciones del problema. En cuanto a las capacidades de la planta, como sta
debe recibir al menos 45.000 toneladas y no ms 60.000 toneladas, se tendr:

Si el mercado interno requiere de, al menos, 12.000 toneladas de Fe, entonces el 90% de la
produccin que llega a planta, en trminos del Fe, debe conformar como mnimo, este tonelaje.
Luego:

(
)

Se debe agregar que los sectores de produccin tienen como limitante a sus reservas totales.
Luego:

Por ltimo, la planta debe recibir como mnimo una ley del 35% de Fe y, a lo ms, una ley del 12%
de Si. Luego, tenemos lo siguiente:

)

Ahora veamos la funcin objetivo. Como se requiere minimizar la desviacin de la razn estril
mineral, se tendr:

() (
) (

Planta
Ley de Fe 35%
Ley de Si 12%

14

El modelo completo es entonces:

()

PROBLEMA #7

Resuelva el siguiente problema de programacin lineal, empleando el mtodo smplex para la fase
1, y el mtodo smplex revisado para la fase 2:

()

SOLUCIN: Se debe reescribir el PPL en forma estndar. Se tiene entonces:

()

El problema debe resolverse en dos fases. La fase 1 minimizar la funcin objetivo ()
. Procedemos en la primera fase mediante el algoritmo smplex. La tabla de inicio para este
problema es la siguiente:

V.B.
()
-3 1 -5 -3 1 0 0 0 400 400
-3 2 2 4 0 1 0 0 1500 750
1 0 4 2 0 0 1 -1 120 ---
-2 -1 -1 -1 0 0 0 0 0
0 0 0 0 1 0 1 0 0
2 -1 1 1 0 0 0 1 -520


15

Entra
, sale
. Primera iteracin.

V.B.
()
-3 1 -5 -3 1 0 0 0 400 ---
3 0 12 10 -2 1 0 0 700 175/3
1 0 4 2 0 0 1 -1 120 30
-5 0 -6 -4 1 0 0 0 400
-1 0 -4 -2 1 0 0 1 -120

Entra
, sale
. Segunda iteracin.

V.B.
()
-7/4 1 0 -1/2 1 0 5/4 -5/4 550 ---
0 0 0 4 -2 1 -3 3 340 ---
1/4 0 1 1/2 0 0 1/4 -1/4 30 120

-7/2 0 0 -1 1 0 3/2 -3/2 580
0 0 0 0 1 0 1 0 0

Entra
, sale
. Como ()
, con
, entonces existe un ESF para el

PPL en la fase 2. Procedemos entonces mediante el mtodo smplex revisado en dicha fase. La
matriz inversa de la presente iteracin es:

Como ya definimos el pvot y las variables de entrada y salida a partir de la tabla anterior, podemos
calcular inmediatamente la matriz
(

)

Luego calculamos
para dar inicio a la cuarta iteracin:

(

)
(
(

)

Construimos una pequea tabla para verificar el orden de las variables bsicas:


16

V.B.
()

(

)

Calculamos los valores duales para esta iteracin:

()
( ) (

) (

)


Luego:

) (
) ( ) (

)

Por lo tanto:
) (
)

Como el coeficiente reducido de
en la funcin objetivo es negativo, an no estamos en el ptimo.

Se tiene que
es la variable de entrada para la tercera iteracin, porque tiene el coeficiente ms

negativo en la fila objetivo. Calculamos entonces las columnas
) para determinar la
variable de salida y el elemento pvot:

(

) (
) (
) (

) (
) (
)

Por lo tanto:

V.B.
760 -3 760:(-3) = -253.33 Ignorar
340 3 340:3 = 113.33 Mnimo
120 -1 120:(-1) = -120 Ignorar

Tabla 5: Clculo de los elementos
para el Problema #7


17

La variable de salida es entonces
. El pvot corresponde a 3.

Calculamos la matriz inversa

Donde:

Entonces:

(

)
(

Verificamos el orden de las variables bsicas:

V.B.
()

(

)

Calculamos los valores duales:

()
( ) (

) ( )


Luego:

(
) ( ) (

)

Por lo tanto:


18

) (
)

Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al ptimo.
Calculamos entonces
para encontrar la solucin ptima de este problema:

(

) (
) (
)

Por lo tanto, la solucin ptima es
. Reemplazando estos
valores en la funcin objetivo se obtiene () , con lo cual () .

PROBLEMA #8

Un florista sabe hacer slo dos tipos de arreglos florales, para los cuales dispone de 3 tipos
distintos de flores: rosas, tulipanes e ibizcos. Los requerimientos de flores para cada arreglo, la
disponibilidad de flores y los requerimientos de cada arreglo vienen dados en la siguiente tabla:

FLORES Arreglo 1 Arreglo 2 DISPONIBILIDAD
Rosas 3 1 300
Tulipanes 1 1 140
Ibizcos 1 3 300
PRECIO [$] 2000 1000

Tabla 6: Detalle de precios del florista para el Problema #8

a) FORMULE un PPL que resuelva el problema de maximizacin de ingresos por ventas sujeto a
la disponibilidad de recursos.
b) Cul es el problema DUAL asociado? Qu situacin podra estar optimizando? Justifique.
c) Usando el teorema de holguras complementarias, encuentre la solucin ptima del problema
dual una vez resuelto el problema primal utilizando el mtodo smplex.
d) Suponga que retorna frustrado despus que una bella dama le cerrara la puerta cuando usted
le llevaba amablemente una rosa, un tulipn y un ibizco. Si se encuentra con el florista
Cunto cree que estara dispuesto a pagar l por sus flores?

SOLUCIN: Tenemos lo siguiente:

a) Sean
los dos tipos de arreglos que puede hacer el florista. De la tabla, y en forma
inmediata, se obtiene el PPL deseado:

()


19

b) Es posible formular inmediatamente el problema dual a partir del primal, sin utilizar la
transformacin de primal simtrico, invirtiendo las situaciones presentadas en la definicin de
ambos problemas. Se tiene entonces:

()

El modelo dual resuelve el problema de un agente externo que desea saber el precio unitario
que puede ofrecer por cada una de las flores, en el caso de ste quiera comprarle todas las
flores al florista. As,
son los precios unitarios asociados a las rosas, tulipanes e

ibizcos, respectivamente.

c) Reescribiendo el primal en forma estndar:

()

Tabla de inicio:

V.B.
()
3 1 1 0 0 300 100
1 1 0 1 0 140 140
1 3 0 0 1 300 300
-2000 -1000 0 0 0 0

Entra
, sale
. Procedemos con la primera iteracin:

V.B.
()
1 1/3 1/3 0 0 100 300
0 2/3 -1/3 1 0 40 60
0 8/3 -1/3 0 1 200 75

0 -1000/3 2000/3 0 0 -200000

Entra
, sale
. Procedemos con la segunda iteracin:

V.B.
1 0 -1/2 0 80
0 1 -1/2 3/2 0 60
0 0 1 -4 1 40
0 0 500 500 0 -220000

20

Como todos los coeficientes de las variables en la funcin objetivo son no negativas, hemos
llegado al ptimo. La utilidad mxima que puede percibir el florista es de $220.000, con

arreglos florales del tipo 1, y
arreglos florales del tipo 2. En este punto ptimo, es

vlido el teorema de holguras complementarias. Por lo tanto:

Para el primal:

[ (
)]

[ (
)]

[ (
)]

Para el dual:

[ (
)]

[ (
)]

Reemplazando los valores obtenidos en la solucin primal ptima en las holguras
complementarias, se obtiene el siguiente sistema de ecuaciones:

Con lo cual se obtiene
. Este valor es correcto, porque si lo remplazamos

en la funcin objetivo dual, resulta () , que es equivalente a la funcin objetivo
primal en el ptimo.

Por lo tanto, el florista vender rosas y tulipanes a un precio de $500 c/u, y entregar como
oferta los ibizcos gratis, siempre y cuando venda todo como un paquete. Esto tiene sentido,
porque si vende slo las rosas y tulipanes, dado que slo sabe hacer los arreglos florales
descritos, no le sacar provecho a los ibizcos.

d) Si tuviramos tan desgraciada suerte, entonces, idealmente, el valor mximo que nos pagar
el florista por las flores es el descrito con anterioridad: $500 por cada rosa y tulipn, y $0 por
los ibizcos.

PROBLEMA #9

Dado el programa lineal:

()

Se pide:

21

a) Determinar el programa DUAL
b) Representar grficamente este ltimo programa para mostrar su conjunto de soluciones
factibles
c) A partir de esta representacin, describir un proceso por el que tras dos, y slo dos
operaciones de pivotado a partir del origen, se alcance la solucin. Estas operaciones de
pivotado no tienen por qu seguir las reglas del smplex.
d) Por medio de las relaciones que pueden establecerse a merced del principio de holgura
complementaria, determinar la solucin del problema primal

SOLUCIN: A partir del enunciado, se tiene:

a) Se debe obtener el modelo lineal estndar (MLE) del problema. Para ello, hacemos los
cambios de variable
, con lo cual el problema se re-escribe de la siguiente

forma:

()

Ahora podemos formular el problema dual:

()

b) El espacio de soluciones factibles (ESF) del problema dual es el siguiente:


22

Figura 3: ESF del problema dual

En el grfico anterior, los puntos esquina del ESF estn dados por los siguientes pares:

Punto esquina Valor de
Valor de
Valor objetivo
G 4/3 5/3 -1/3
B 3 5 -2
C 36/7 36/7 -4/7
J 6 4 2

Tabla 7: Valores de las variables y funcin objetivo para los diferentes puntos esquina del
problema dual

Por tanto, el valor mximo del problema dual es , y se cumple cuando estamos en el
punto esquina J.

c) Si el proceso de resolucin del problema dual no tiene por qu seguir las reglas del smplex,
entonces basta que, a partir del origen, el algoritmo ignore la regla dada por el criterio de
optimalidad en un problema de maximizacin, la cual dicta que se escoja siempre el coeficiente
ms negativo en la fila objetivo del tableau smplex. Por tanto, si partimos desde el origen,
podemos comenzar en el punto E, y luego llegar de inmediato al punto J utilizando el hecho de
que, en este punto, se encuentra la solucin.

Notemos que, adems, este nuevo proceso ignora la subdivisin del problema en dos fases, ya
que se cuenta de inmediato con una solucin bsica de inicio (el origen).

d) Utilizando el teorema de holguras complementarias (THC), se obtiene:

Para el primal:

23

[ (
)]

[ (
)]

Para el dual:

[ (
)]

[ (
)]

[ (
)]

[ (
)]

De las holguras complementarias para el primal, se obtiene:

Con lo cual se obtiene
, lo que conforma la solucin ptima del problema

primal. Todas las dems variables son nulas. El valor de la solucin ptima es () .

PROBLEMA #10

La Compaa Minera ASIOP S.A. (ASIOPSA) produce dos tipos distintos de concentrado, cobre y
zinc. La siguiente tabla muestra las demandas mensuales esperadas para cada producto (en
toneladas):

Concentrado Mes 1 Mes 2 Mes 3
Cu 1000 3000 5000
Zn 1000 500 3000

Tabla 8: Detalle de las demandas mensuales de concentrado para el Problema #10

Adems, la gerencia de ASIOPSA ha determinado lo siguiente:

El costo de produccin por tonelada del concentrado de cobre es de 20 USD, y el del
concentrado de zinc es de 10 USD
El costo de mantener una cantidad arbitraria de concentrado a la espera de ser comercializado
es de 0,3 USD por tonelada en inventario para el concentrado de cobre, y de 1,5 USD por
tonelada en inventario para el concentrado de zinc
El costo de tener mano de obra extra con respecto al mes anterior es de 10 USD/hora
El costo de trabajar menos horas con respecto al mes anterior es de 2,5 USD/hora

Estos dos ltimos costos se refieren a las fluctuaciones en los niveles de produccin, ya que
ASIOPSA tiene como poltica trabajar todos los meses la misma cantidad de horas.


24

Al comienzo de los tres meses existen en inventario 50 toneladas del concentrado de cobre y 200
del concentrado de zinc. Al final de los tres meses, el inventario mnimo debe ser de 400 toneladas
de concentrado de cobre y 200 toneladas de concentrado de zinc. Ambos concentrados se
guardan en una planta en depsitos comunes. Cada depsito permite guardar hasta dos
componentes de concentrado de cobre, y hasta tres componentes de concentrado de zinc. La
envergadura de la planta permite guardar hasta 1000 depsitos.

Los requerimientos de fabricacin de cada concentrado se resumen en la siguiente tabla:

Concentrado Maquinaria [hr/ton] Mano de obra [hr/ton]
Cu 0,10 0,05
Zn 0,08 0,07

Tabla 9: Requerimientos de fabricacin de cada concentrado

La capacidad de fabricacin mensual es de 400 horas de maquinaria y 300 horas de mano de
obra. Adems, se sabe que el ltimo mes slo se usaron 225 horas de mano de obra para la
fabricacin de ambos componentes.

FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita determinar el plan
de produccin mensual que minimiza los costos de satisfaccin de la demanda esperada. Defina
claramente variables, funcin objetivo y restricciones.

SOLUCIN: Definimos primeramente las variables del problema:

: Cantidad de concentrado del tipo (con o ) producido en el mes

(con )
: Inventario de concentrado del tipo al trmino del mes
: Horas de mano de obra empleadas al mes
: Aumento del empleo de mano de obra al mes
: Disminucin del empleo de mano de obra al mes
: Nmero de depsitos requeridos al mes

Veamos ahora la funcin objetivo. Como el objetivo de ASIOPSAL es minimizar los costos, es
posible definir dicha funcin directamente partir de los datos entregados en el enunciado:

() (
) (
) (
)
(
) (
) (
)

La funcin objetivo puede escribirse de forma ms abreviada como sigue:

()


25

Ahora veamos las restricciones. Lo ms sencillo es verificar primero las limitaciones de
satisfaccin, demanda e inventario de ASIOPSAL. En este caso, para cada mes, se tiene lo
siguiente:

Mes 1:

Mes 2:

Mes 3:

Con respecto a la maquinaria, se tiene:

Adems, para la mano de obra, se tiene que para cada mes:

Mes 1:

Mes 2:

Mes 3:


26

Finalmente, de las limitaciones impuestas por la planta:

Naturalmente, todas las variables consideradas para este problema son no negativas. El modelo
completo (simplificado) es el siguiente:

()


27

PROBLEMA #11

Al comienzo del mes 1, la financiera ARCOS dispone de 400 USD en efectivo. Al comienzo de los
meses 1, 2, 3 y 4, la financiera recibir ingresos y, adems, deber realizar pagos como se indica
en la siguiente tabla:

Mes Ingresos (US$) Pagos (US$)
1 400 600
2 800 500
3 300 500
4 300 250

Tabla 10: Detalle de ingresos y pagos de la financiera ARCOS

El dinero restante en cada mes, una vez realizados los pagos, puede ser invertido durante un mes
a una tasa del 0,1% mensual; durante dos meses a una tasa del 052% mensual; durante tres
meses a una tasa del 1,0% mensual; o durante cuatro meses a una tasa del 2,0% mensual.

FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita determinar una
estrategia de inversin que maximiza el dinero en efectivo al comienzo del quinto ao. Defina
claramente variables, funcin objetivo y restricciones.

SOLUCIN: Lo primero es definir las variables de este problema. Sea
la cantidad de dinero
invertido al comienzo del mes durante un perodo de meses. La funcin objetivo queda entonces
definida como sigue:

()

Las restricciones del modelo naturalmente representan la distribucin del dinero. As, stas se
definen por las siguientes desigualdades:

Naturalmente, todas las variables consideradas en el modelo son no negativas.

PROBLEMA #12

La Compaa FERROSUR debe decidir cuntas toneladas de acero puro X y cuntas de chatarra
Y se deben utilizar en la preparacin de una aleacin para un cliente. El costo por tonelada de
acero puro es de 3, y el de chatarra 6 (por las impurezas); la demanda del cliente es de por lo
menos 5, y l aceptara ms si as se requiere.


28

La disponibilidad de X es de 4 toneladas y 7 la de Y. La relacin entre chatarra y acero puro no
puede exceder 7/8. La fundicin tiene 18 horas disponibles para derretir y fundir; una tonelada de
acero puro requiere 3 horas, mientras que la de chatarra slo 2 horas.

Se pide:

a) Escribir el problema de programacin lineal
b) Resolverlo grficamente

SOLUCIN: Se tiene lo siguiente:

a) Las variables del problema ya haban sido definidas en el enunciado:
: Toneladas de acero puro
: Toneladas de chatarra

Como se trata de un problema de costos, se debe minimizar la funcin objetivo, que define los
costos de fabricacin de cada material. Luego, dicha funcin viene dada por la siguiente expresin:
()

Ahora veamos las restricciones. De la demanda del cliente y la disponibilidad de cada recurso,
tenemos:

De la relacin entre tonelajes, tenemos:

De forma simplificada, . Finalmente, de la disponibilidad horaria, se tiene que:

Naturalmente, . Por lo tanto, el modelo completo es el siguiente:

()

b) El ESF de este modelo se muestra en Figura 4:


29

Figura 4: ESF del modelo de FERROSUR

La tabla siguiente evala el valor de las variables del PPL en cada uno de los puntos esquina del
ESF:

Punto Esquina Valor de x Valor de y Funcin objetivo
B 1,25 0 3,75
C 0,494 0,432 4,074
D 3,789 3,316 31,263
F 6 0 18

Tabla 11: Valores de las variables y funcin objetivo en los puntos esquina del problema

Por lo tanto, el punto esquina B es el ptimo, porque es aquel donde la funcin objetivo alcanza su
mnimo valor. Se concluye entonces que FERROSUR debe fabricar 1,25 toneladas de acero puro,
a un costo mnimo de 3,75 unidades monetarias. La chatarra no es rentable de producir.

PROBLEMA #13

Un importador de whisky est planificando su negocio considerando que, en las prximas
temporadas, tendr las siguientes demandas (en miles de botellas):

Tipo
Temporadas
1 2 3 4
Seco 10 12 14 8
Frutoso 13 15 17 19
Aejo 21 25 9 11

Tabla 12: Demandas que tendr el importador de whisky en miles de botellas


30

El whisky seco lo vende a 34 dlares por botella, el frutoso a 28,8 y el aejo a 22,5 en la primera
temporada. En las siguientes se espera poder venderlos a un 5% ms caro. Cada tipo de whisky
es elaborado mezclando tres materias primas, A, B y C, de las cuales se puede importar un
mximo de 2000, 2500 y 1200 botellas por temporada a un costo de 35, 25 y 20 dlares,
respectivamente. Estos costos, vlidos para la primera temporada, deberan aumentar un 2% en
cada temporada. El whisky seco debe contener por lo menos un 60% de la materia prima A y no
ms de un 20% de la materia prima C. El whisky frutoso debe contener por lo menos un 15% de la
materia prima A y no ms de un 60% de la materia prima C. El whisky aejo debe contener por lo
menos un 50% de la materia prima B. Cada botella de whisky fabricada en una temporada puede
ser vendida en dicha temporada o almacenada a un costo unitario por temporada de 0,5 dlares
para ser vendidas posteriormente.

FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita optimizar las
actividades del importador. Defina claramente variables, funcin objetivo y restricciones del
problema.

SOLUCIN: Las variables a considerar para este problema son las siguientes:

: Cantidad de materia prima k para fabricar whisky i en la temporada j
: Cantidad de whisky tipo i vendido en la temporada j
: Cantidad de whisky tipo i almacenado en la temporada j

La funcin objetivo se subdivide en tres partes,
, donde
representa los ingresos que

obtiene el importador a partir de la venta de whisky en cada temporada,
representa los costos de

importacin de whisky de cada tipo, y
representa los costos de almacenaje de whisky. Definimos

entonces:

( ( ))(
( ( ))(

Por lo tanto, la funcin objetivo ser:

()

Las restricciones del problema vienen dadas por la disponibilidad de materia prima para producir
cada tipo de whisky, la cantidad mxima de ventas por temporada, la proporcin de uso de las
materias primas en la elaboracin de cada tipo de whisky, y la produccin, ventas y almacenaje por
temporada. Luego, se tiene lo siguiente:


31

Para la disponibilidad de materia prima:

A partir de la tabla entregada en el enunciado del problema, se obtienen las restricciones de venta
mxima por temporada:

Adems, considerando las proporciones de materias primas requeridas en la elaboracin de cada
tipo de whisky, se obtiene:

Las restricciones anteriores se cumplen para todo .

Finalmente, a partir de los datos entregados en el enunciado del problema con respecto a la
produccin, ventas y almacenaje por temporada, se obtienen las siguientes expresiones:


32

Naturalmente, todas las variables consideradas en la formulacin de este problema son positivas o
nulas.


33

EJERCICIOS PEP 2
PROBLEMA #1

Resuelva el siguiente problema de transporte de mineral desde tres puntos de carguo y cuatro
piques de traspaso, y determine un plan ptimo de manejo de mineral en la mina de acuerdo a la
informacin que se indica. Use el mtodo de la esquina noroeste para la obtencin de la solucin
bsica de inicio.

Punto de
Carguo
Toneladas mineral
Costo ($/t)
Pique 1
Costo ($/t)
Pique 2
Costo ($/t)
Pique 3
Costo ($/t)
Pique 4
PT1 20 2 3 4 9
PT2 30 14 12 5 1
PT3 40 12 15 9 3
Capacidad de piques 10 10 20 50

Tabla 13: Detalle de los requerimientos y capacidades de cada pique de traspaso

SOLUCIN: Lo primero es determinar si el problema se encuentra balanceado. Para ello, se
considerar que las toneladas de mineral que van desde los puntos de carguo son las cantidades
de oferta del problema, mientras que las capacidades de los piques de traspaso sern
consideradas como cantidades de demanda. Luego:

Sumatoria de ofertas:
toneladas
Sumatoria de demandas:
toneladas

Luego, como ambas sumatorias son iguales, el problema se encuentra balanceado.

Ahora determinaremos una solucin bsica de inicio utilizando el mtodo de la esquina noroeste.
El tableau de transporte para este problema, una vez que se ha obtenido dicha solucin con el
mtodo de la esquina noroeste, es el siguiente:


34

Pique 1 Pique 2 Pique 3 Pique 4 Oferta
PT1

PT2

PT3

Demanda

Tabla 14: Solucin bsica de inicio para el Problema #1

La asignacin de inicio es correcta, porque el nmero de variables bsicas que hay en esta tabla
cumple con la condicin (hay un total de 6 variables bsicas
en esta primera solucin). Adems, las sumas de estas asignaciones por fila y columna equivalen a
las cantidades de oferta y demanda en cada una de dichas filas y columnas.

Calculamos ahora los valores duales y costos reducidos para la primera iteracin, con lo cual se
tiene que la variable de entrada es

Oferta

Demanda

Tabla 15: Primera iteracin del Problema #1

Una vez determinada que la variable de entrada
, se debe generar un loop para determinar la

variable de salida. Dicho loop se observa en Tabla 52. Como se debe cumplir que todas las

35

asignaciones sean positivas o nulas, la variable de salida se obtiene de las asignaciones limitadas
por la cantidad en el tableau anterior:

De lo anterior, el valor mnimo de que no viola la restriccin de no negatividad de las variables es
, el cual corresponde a la celda (2, 2). Luego, la variable de salida es
. El tableau
resultante, con los correspondientes valores duales y costos reducidos, es el siguiente:

Oferta

Demanda

Tabla 16: Tableau ptimo para el Problema #1

Se debe observar que los costos reducidos
son todos positivos. Por lo tanto, hemos llegado al

ptimo. La solucin ptima es entonces
. El
costo mnimo de transporte es () .

PROBLEMA #2

Un Ingeniero Geotcnico est desarrollando un proyecto de clculo de una malla de pilares para un
layout de un Panel Caving Tradicional, y necesita contratar con urgencia dibujantes para que le
confeccionen los planos del proyecto completo. El Ingeniero requiere que durante el fin de semana
le dibujen tres planos y al menos cuatro durante la semana.

El Ingeniero conoce a dos dibujantes: Hctor y Daniel. Hctor le cobra $30.000 por dibujar cada
plano durante el fin de semana y $27.000 por cada plano durante la semana. Daniel le cobra
$29.000 por dibujar cada plano durante el fin de semana y $28.000 por cada plano durante la
semana. Debido a que tiene otros compromisos, Hctor le advierte que podr dibujar como mximo
5 planos, mientras que Daniel no desea comprometerse a dibujar ms de 4 planos, ya que el
software le ha estado fallando.

36

Se pide:

a) Determinar la mejor forma de distribuir los planos entre los dibujantes.
b) A partir de la solucin encontrada en (a), determine la mejor forma de distribuir los planos si el
Ingeniero requiere dibujar 5 2 planos durante la semana.
c) Determine la mejor asignacin si requiere dibujar 6 planos durante la semana.


a) Como la cantidad de planos requerida durante la semana es de al menos 4, se puede expresar
como , con . El problema se puede plantear como un modelo de transporte, donde la
oferta es la disponibilidad de los dibujantes y la demanda es el requerimiento del ingeniero. Se
debe agregar un punto de demanda artificial para balancear el problema.

Fin de
semana
Semana Artificial
Oferta
Hctor

Daniel

Demanda

Tabla 17: Tableau de transporte implementado al problema del ingeniero

Se debe hallar una solucin bsica de inicio para este problema. Una opcin es utilizar el mtodo
de aproximacin de Vogel que, si bien es algo engorroso, nos permite acercarnos ms que los
otros mtodos al ptimo.

El siguiente tableau muestra la solucin de inicio considerando el mtodo de aproximacin de
Vogel.


37

Fin de
semana
Semana Artificial
Oferta
Hctor

Daniel

Demanda

Tabla 18: Solucin bsica de inicio considerando el mtodo de aproximacin de Vogel

El costo asociado a la asignacin de inicio es de:

( ) ( ) ( )

El tableau con los valores duales y costos reducidos calculados es el siguiente:

Oferta

Demanda

Tabla 19: Solucin de inicio con los valores duales y costos reducidos calculados

El costo reducido de la celda (1, 3) es negativo. Por ende, an no hemos llegado al ptimo. La
variables de entrada es entonces
. Se debe generar un loop que contenga a
para as
determinar la variable de salida, como se muestra en Tabla 57.


38

Oferta

Demanda

Tabla 20: Generacin del loop para la primera iteracin

Como se debe cumplir que todas las asignaciones sean positivas o nulas, la variable de salida se
obtiene de las asignaciones limitadas por la cantidad en el tableau anterior:

. El tableau

Oferta

Demanda

Tabla 21: Tableau ptimo para el Problema #2

Se observa que el tableau anterior es ptimo, porque los costos reducidos son todos positivos. La
asignacin ptima es de 3 planos para Daniel durante el fin de semana y al menos 4 planos para
Hctor durante la semana. El costo mnimo asociado es () .

b) Si el Ingeniero requiere dibujar 5 planos durante la semana, basta evaluar las expresiones
anteriores para ; si se requiere dibujar 2 planos, basta evaluar para .


39

c) En este caso no es posible emplear la solucin anterior, ya que si , entonces una de las
variables bsicas,
se hace negativa. Por lo tanto, se debe volver a plantear el problema,

esta vez para una demanda de 6 planos durante la semana.

Fin de
semana
Semana
Oferta
Hctor

Daniel

Demanda

Tabla 22: Tableau de inicio para el problema con una demanda de 6 planos durante
la semana

En este caso, se debe observar que
. Luego, como la
sumatoria de ofertas es igual a la sumatoria de demandas, el problema se encuentra balanceado.
Aplicando el mtodo de aproximacin de Vogel se obtiene la siguiente solucin bsica de inicio,
que tambin es ptima:

Oferta

Demanda

Tabla 23: Solucin ptima del problema

Por lo tanto, el costo mnimo asociado es () .


40

PROBLEMA #3

Considere el siguiente problema de programacin lineal:

()

Los coeficientes de la funcin objetivo representan la utilidad asociada a la venta de dos productos,
, respectivamente. Las dos primeras restricciones se refieren a lmites de demanda, y las

dos restantes se refieren a la utilizacin de dos recursos del proceso productivo.

a) Encuentre la solucin ptima de este problema utilizando el mtodo grfico.
b) A partir de la solucin ptima encontrada en (a), construya el tableau final sin utilizar el
algoritmo smplex.


a) Graficando las restricciones se obtiene el siguiente espacio de soluciones factibles:

Figura 5: Espacio de soluciones factibles del problema

La solucin ptima del problema se encuentra en uno de los vrtices del polgono ADJFEO.
Calculando los valores de la funcin objetivo para cada uno de estos puntos, se obtiene la
siguiente tabla de valores:


41

Punto Valor de
Valor de
Valor objetivo
O 0 0 0
A 6 0 9
D 6 2 11
E 0 8 8
F 2 8 11
J 4 6 12

Tabla 24: Valores de la funcin objetivo para los diferentes puntos esquina del ESF

El valor mximo de la funcin objetivo se obtiene en el punto J. Por lo tanto, la solucin ptima es
cuyo valor objetivo es () .

b) Escribiendo las restricciones del problema de forma estndar, se tiene el siguiente conjunto de
ecuaciones lineales:

Reemplazando los valores
en estas ecuaciones, es posible obtener el valor de las

holguras de forma inmediata. Luego, la base ptima de este problema es de la siguiente forma:

) ( )

Mediante operaciones elementales por fila es preciso dejar slo una variable bsica en cada
ecuacin. Restando la tercera ecuacin a la cuarta, se obtiene:

Restando la cuarta ecuacin a la primera:

Restando la cuarta ecuacin a la tercera:


42

Finalmente, restando la tercera ecuacin a la segunda:

Las ecuaciones anteriores nos permiten escribir ahora la tabla ptima del problema:

V.B.
0 0 1 0 1 -1 2
0 0 0 1 -2 1 2
0 1 0 0 2 -1 6
1 0 0 0 -1 1 4
0 0 0 0 1/2 1/2 -12

En forma alternativa, es posible construir el tableau a partir del anlisis de sensibilidad de los
coeficientes del lado derecho, desplazando las restricciones.

PROBLEMA #4

GEOSPARK CORPORATION Co. (GEOCORP) posee una extensa red de 7 plantas
concentradoras de oro a lo largo y ancho de toda la regin continental de Australia. Cada una de
estas plantas es capaz de retroalimentarse, total o parcialmente, con cianuro para el proceso de
lixiviacin del oro. La capacidad de autoproduccin de cianuro, en miles de m
3
, se muestra en
Tabla 25:

Planta 1 2 3 4 5 6 7
Capacidad (km
3
) 190 150 140 330 260 150 240

Tabla 25: Detalle de las capacidades de las plantas de tratamiento

GEOCORP desea que, al iniciar cada semana de trabajo, haya al menos 200.000 m
3
de
compuesto de cianuro en cada una de las plantas concentradoras. Para cumplir dicho
requerimiento se puede enviar una carga de compuesto de cianuro mediante camiones acoplados
desde aquellas plantas con mayor capacidad a aquellas que no sean capaces de autoabastecerse
con los 200.000 m
3
de cianuro requerido. Los costos de envo por cada 1.000 m
3
(en miles de
dlares) entre las distintas plantas se ilustran en la siguiente red:


43

Figura 6: Red de plantas de cianuracin de GEOCORP
Se pide:

a) Determinar la mejor forma de distribuir el compuesto de cianuro entre las plantas de lixiviacin.
b) En cunto puede variar el costo de envo entre las plantas 1 y 3 para que la solucin anterior
se mantenga?
c) Obtener la nueva solucin si la produccin de la planta 3 disminuye a 130.000 m
3
y la de la
planta 5 aumenta a 270.000 m
3
.
d) Determinar la nueva solucin si la produccin de la planta 2 disminuye a 140.000 m
3
y la de la
planta 5 aumenta a 270.000 m
3


a) De acuerdo a la capacidad de autoproduccin de cada planta de lixiviacin, y considerando el
requerimiento de 200.000 m
3
de cianuro, se puede establecer que las plantas 1, 2, 3 y 6
requieren 10, 50, 60 y 50 mil m
3
de cianuro, respectivamente. Por otro lado, las plantas 4, 5 y 7
son capaces de entregar 130, 60 y 40 mil m
3
de cianuro, respectivamente. De esta forma, el
problema se puede plantear como un modelo de transporte, donde las plantas que exceden los
200.000 m
3
de cianuro son puntos de oferta, y las plantas que estn por debajo de los 200.000
m
3
de cianuro son puntos de demanda. Los costos de envo se obtienen directamente de la red
en Figura 19. Luego, el tableau de transporte de inicio que corresponde a este problema es el
siguiente (se ha incluido un punto de demanda artificial para balancear el problema):

1
3
5
7 6
2
4
35

44

Planta 1 Planta 2 Planta 3 Planta 6 Artificial Oferta
Planta 4

38

Planta 5

Planta 7

Demanda

Tabla 26: Tableau de inicio para el problema de GEOCORP

En este punto, se puede aplicar cualquier mtodo para obtener la solucin bsica de inicio del
problema. Sin embargo, es interesante sealar que el mtodo de aproximacin de Vogel nos
permite, adems, obtener la solucin ptima de forma inmediata. En efecto, como se observa en
Tabla 64, se tiene:

Oferta

38

Demanda

Tabla 27: Solucin ptima del problema de GEOCORP

Como todos los costos reducidos son positivos, y hay uno nulo (que indica la existencia de una
solucin ptima alternativa), hemos llegado al ptimo. La solucin ptima de este problema es
, con un costo mnimo de

() . Los valores de las variables asociadas al punto de demanda artificial
indican asignaciones que no son reales, por lo que pueden ser interpretadas como la elaboracin

45

de un stock o acopio de cianuro en caso de que cualquiera de las plantas que entrega este
compuesto falle a la hora de hacer el transporte.

b) Como las plantas 1 y 3 son puntos de demanda, la variacin del costo de envo no afecta a la
solucin del problema.

c) El nuevo valor de la funcin objetivo se puede obtener segn:

Por lo tanto, el costo es ahora 300 veces ms alto. Como la variable
est asignada (es una ruta

de envo) de la planta 5 a la planta 3, el nuevo valor de esta variable puede calcularse de forma
muy sencilla mediante la siguiente expresin:

Naturalmente, el valor de las otras variables no cambia.

d) En este caso, el nuevo valor de la funcin objetivo tambin puede ser obtenido por:

Como, en este caso, la variable
no est asignada, es preciso encontrar el loop que contiene a

la celda (2, 2), que corresponde a la variable
, y sumar y restar de forma alternada.

Oferta

38

Demanda

Tabla 28: Generacin del anlisis de sensibilidad para la celda (2, 2)

Evaluando el tableau anterior en se obtiene la nueva asignacin ptima.


46

PROBLEMA #5

A continuacin se muestra el siguiente tableau de transporte:

Oferta

Demanda

Tabla 29: Tableau de transporte para el Problema #5

a) Es bsica la solucin?
b) Demuestre que la solucin presentada en este tableau es ptima.
c) Este problema tiene ptimos alternativos?
d) Proporcione el problema original de programacin lineal y su correspondiente problema dual.
e) Deduzca la solucin ptima del problema dual.
f) Escriba el tableau simplex ptimo asociado con el tableau de transporte proporcionado.


a) La solucin presentada en el tableau anterior es bsica siempre que se cumplan las siguientes
condiciones:

El problema se encuentra balanceado.

En efecto:


47

Luego, como la sumatoria de ofertas es igual a la sumatoria de demandas, el problema se
encuentra balanceado.

El nmero de variables bsicas es igual a , donde es la cantidad de puntos
oferta y es la cantidad de puntos de demanda.

En efecto, se tienen 7 asignaciones (variables bsicas) en este tableau. Como
, se cumple entonces la condicin anterior.

Las sumas de las asignaciones por fila (columna) son consistentes con las cantidades
de oferta (demanda) dadas en el tableau.

En efecto:

Fila 1:
Se cumple
Fila 2:
Se cumple
Fila 3:
Se cumple
Fila 4:
Se cumple

Columna 1:
Se cumple
Columna 2:
Se cumple
Columna 3:
Se cumple
Columna 4:
Se cumple

Por lo tanto, las asignaciones por fila (columna) son consistentes con las respectivas cantidades de
oferta (demanda) definidas en el tableau.

La ltima condicin, que se le deja como ejercicio al lector (y que, evidentemente, se cumple), es
que el tableau respete el teorema de secuenciacin. Vale decir, que no se pueda generar un loop
con la coleccin de variables bsicas dada en dicho tableau.

b) Para efectuar la demostracin, deben calcularse los costos reducidos de la solucin bsica
definida en (a). En efecto, se tiene que:

) ( )
) ( )
) ( )
) ( )
) ( )
) ( )
) ( )
) ( )
) ( )

Luego, como
, se tiene que la solucin bsica presentada en el tableau es ptima. El

costo mnimo de transporte asociado es () unidades.


48

c) En efecto, el problema tiene soluciones ptimas alternativas, ya que hay costos reducidos nulos
en las celdas (1, 4) y (2, 2), que corresponden a variables no bsicas.

d) Del tableau de transporte, se puede obtener de forma inmediata el problema de programacin
lineal original:

Funcin objetivo:

()

Restricciones de oferta:

Restricciones de demanda:

Naturalmente,

El problema dual se define a continuacin:

Funcin objetivo:

()

Restricciones:

Naturalmente, se tiene que
son no restringidas, para todo

e) La solucin ptima del problema dual se obtiene reemplazando los valores de
, obtenidos
en el tableau ptimo entregado en primera instancia, con lo cual se obtiene () Como
() , se cumple el teorema de dualidad y, por ende, esta es la solucin ptima del
problema dual.

49

PROBLEMA #6

El Jefe de carguo y transporte de una operacin a cielo abierto debe asignar cuatro operadores a
cuatro palas durante el turno. Los costos unitarios (en unidades monetarias cualesquiera) que
expresan la habilidad del operador se dan en Tabla 30. Aquellos costos indeterminados (-)
representan la condicin de no aplicabilidad del operador a la pala respectiva.

Operador 1 Operador 2 Operador 3 Operador 4
Pala 1 9 3 - 5
Pala 2 7 2 7 6
Pala 3 5 5 2 -
Pala 4 7 4 3 2

Tabla 30: Detalle de costos de cada operador con respecto a cada pala
Se pide:

a) Encontrar la asignacin ptima y entregar el costo asociado.
b) Suponer que se tiene disponible una quinta pala. Sus costos de asignacin respectivos son 2,
8, 2 y 1. La nueva pala reemplazar a una existente slo si la situacin puede justificarse
econmicamente. Reformular el problema como un modelo de asignacin y encontrar la
solucin ptima, indicando el costo asociado Es econmico reemplazar una de las mquinas?
Si es as Cul de ellas?


a) Procedemos mediante el algoritmo hngaro. La matriz de costos se obtiene directamente de
Tabla 67, con lo cual:

(

)

Las asignaciones ocupadas por la constante M son aquellas que no son aplicables por cualquier
razn, y se indican con M, que implica un costo infinito, para que as el algoritmo no los considere
como asignaciones vlidas en el ptimo. Se genera entonces la eliminacin de mnimos por filas,
obtenindose:

) (
) (

)

A la matriz resultante,
, se le aplica ahora una eliminacin de mnimos por columnas,

obtenindose:

50

)
( )
Lo que implica:

)

Como los ceros generados mediante la eliminacin de mnimos por filas y columnas no garantizan
an una asignacin ptima, se debe tachar la cantidad mnima de filas y columnas que tengan
ceros.

)

Ahora se debe elegir el mnimo elemento entre aquellos que no se encuentran tachados, restrselo
a todos los elementos no tachados, y sumrselo a aquellos elementos que se encuentren en la
interseccin de las lneas con las que tachamos las filas y columnas con elementos nulos. As, se
obtiene la siguiente matriz:

)

En esta oportunidad, los ceros s garantizan una asignacin ptima, determinada por los elementos
coloreados con amarillo. Cotejando con la tabla entregada en el enunciado del problema, la
asignacin ptima es entonces la siguiente:

Asignar el operador 1 a la pala 2.

El costo mnimo de esta asignacin se obtiene sumando los costos respectivos de cada operador
con respecto a las palas asignadas. Luego, () unidades monetarias.

b) La quinta pala puede ser agregada a la tabla de costos suponiendo la existencia de un
operador ficticio ms, para que as, de esta forma, la matriz de costos cumpla con la restriccin de
ser una matriz cuadrada. Naturalmente, los costos asociados a este trabajador ficticio son nulos,
pues al final, no es un operador propiamente tal. Por lo tanto:


51

(

Se debe notar que no tiene sentido generar una eliminacin por filas, debido a que hemos
agregado una columna nula. Generando entonces la eliminacin de mnimos por columnas, se
obtiene:

(
)

Luego:

ceros.




52

Asignar el operador 4 a la pala 4
Asignar el operador ficticio a la pala 1.

El costo mnimo de esta asignacin se obtiene sumando los costos respectivos de cada operador
con respecto a las palas asignadas. Luego, () unidades monetarias. La
inclusin de esta nueva pala es entonces conveniente, siempre que se reemplace por la pala 1
(que es la que se asigna al operador ficticio), ya que el costo total es menor que en (a).

PROBLEMA #7

En la V Regin, PETROMAT S.A., una mediana planta de ridos para la construccin, produce 4
tipos de materiales de ridos. El proceso est compuesto por tres etapas: chancado, harneado e
inspeccin de calidad. Se dispone de 800 horas de chancado, 1000 horas de harneado y 340
horas hombre (HH) de inspeccin para el prximo mes de produccin. En base a estas
disponibilidades, la empresa desea maximizar sus utilidades dentro de este perodo. Para resolver
el problema, se ha formulado un modelo de programacin lineal, el cual se presenta a
continuacin:

()

El tableau final (incompleto) de este modelo se presenta a continuacin:

V.B.
0 1 3/2 -1 0 200
1 0 -2 2 0
0 0 1/10 -2/5 1 20

Donde
representa la cantidad de material rido del tipo .

Responder:

a) Cul es el plan de produccin ptima para el prximo mes?
b) Es nica la solucin ptima?
c) Cunto debera aumentar, como mnimo, la utilidad del material rido del tipo 3 para que
fuera conveniente producirlo?
d) Cunto podra disminuir la utilidad del material rido del tipo 2 sin que cambie la base ptima?

53

e) Dentro de qu rango podra variar la cantidad de horas de chancado sin que cambie la base
ptima?
f) Cunto estara dispuesto a pagar por una hora de harneado adicional?
g) Un competidor ofrece arrendarle capacidad adicional para chancado a 3 unidades monetarias
por hora Aceptara la oferta?
h) A qu precio estara dispuesto a arrendar a su competidor una hora de harneado adicional?
Hasta cuntas horas (sin que cambie la base ptima)?
i) Cunto puede disminuir el tiempo de inspeccin sin que cambie la solucin ptima?
j) Cul es la nueva solucin y el nuevo valor de la funcin objetivo si las horas de chancado
aumentan a 880?
k) Aceptara la produccin de un material rido del tipo 5, si requiere 2 horas de chancado y 3
horas de harneado e inspeccin de calidad, respectivamente, con una utilidad de 30 unidades
monetarias?


a) La tabla de inicio de este problema es la siguiente:

V.B.
1 2 10 16 1 0 0 800
3/2 2 4 5 0 1 0 1000
1/2 3/5 1 2 0 0 1 340

-8 -14 -30 -50 0 0 0 0

Adems, la matriz inversa ptima se puede obtener a partir de la tabla ptima (incompleta)
entregada en el enunciado del problema:

(

)

Para obtener la solucin ptima se debe calcular la matriz ptima de recursos,
. Para ello se
debe recurrir al formulismo del mtodo smplex revisado. En efecto, se tiene:

(

) (
) (
)

Por lo tanto, el plan de produccin ptimo para el prximo mes es el siguiente:

Producir 400 unidades de material rido del tipo 1.
No es rentable producir material rido del tipo 3 y 4.
Existe una holgura de 20 horas de inspeccin de calidad.

La mxima utilidad de este plan se calcula reemplazando los valores ptimos entregados por el
plan en la funcin objetivo del problema, con lo cual () unidades monetarias.


54

b) Para determinar la existencia de ptimos alternativos, se deben verificar los costos reducidos en
la tabla ptima. Como stos no fueron entregados, deben calcularse igualmente mediante el
formulismo del mtodo smplex revisado para as completar la tabla ptima del problema. Lo
primero entonces es calcular las columnas de restriccin ptimas que faltan en dicha tabla:

) (

) (

) (

)

Calculamos ahora el vector de valores duales
()
( ) (

) (

)

Calculamos ahora el vector de costos reducidos:

) (

) (

) (

) ( )

Por lo tanto, la tabla ptima completa del problema es la siguiente:

V.B.
0 1 11 19 3/2 -1 0 200
1 0 -12 -22 -2 2 0 400
0 0 2/5 8/5 1/10 -2/5 1 20

0 0 28 40 5 2 0 -6000

Se observa, en este caso, que todos los costos reducidos son positivos para las variables no
bsicas. Por lo tanto, no existen ptimos alternativos para este problema.

c) Como
es una variable no bsica, el anlisis de sensibilidad es sencillo. Sea
el cambio
(positivo o negativo) en el coeficiente de
. Se tiene entonces lo siguiente:

Luego:

Por lo tanto,
. Se tiene entonces que
. Por lo tanto, la utilidad de
puede
aumentar sin lmite sin cambiar la solucin ptima del problema. Sin embargo, slo puede disminuir
hasta en 58 unidades. Notemos que, de todas formas, no tiene sentido tener una utilidad negativa
en este tipo de problemas, porque las utilidades negativas representan costos. Por ello, la utilidad
puede bajar incluso a cero sin cambiar la base ptima de este problema. Se dice que
es una
variable que otorga total flexibilidad. Sin embargo,
no es rentable de todos modos.


55

d) Siendo
una variable bsica, el anlisis es un tanto ms engorroso. Sea
el cambio (positivo
o negativo) del coeficiente de
en la funcin objetivo. Calculamos entonces las cotas de
a
continuacin:

Cota superior:

Cota inferior:

{}

Por lo tanto, se tiene que
Por lo tanto, la utilidad del material rido del tipo 2

puede disminuir hasta en 2 unidades monetarias sin que ello modifique la base ptima del
problema.

e) Sea
el cambio (positivo o negativo) en la cantidad de horas de chancado. Calculamos las

cotas de
a continuacin:

Cota superior:

}

Cota inferior:

. Luego, la cantidad de horas de chancado varan en el

intervalo . Dentro de ese rango, la base ptima permanece
inalterada.

f) El mximo valor a pagar por una hora de harneado adicional corresponde, en teora, al valor del
precio sombra (o precio dual) asociado a la restriccin de harneado (que es la restriccin 2). Dicho
precio sombra es, de la tabla ptima,
unidades monetarias. Este corresponde al valor

mximo a pagar por una hora de harneado adicional.

g) Como el precio sombra asociado a la restriccin de horas de chancado es
unidades
monetarias, la oferta es beneficiosa y se acepta, porque se ofrece la hora adicional del recurso a
un valor menor, que es 3 unidades monetarias.

h) Tal y como se vi en (f), el precio sombra asociado a las horas adicionales de harneado es
unidades monetarias, y es el mximo a pagar por dicha capacidad adicional. El lmite

mximo ms all del cual la base ptima se modifica, con respecto a este recurso, se verficia
mediante el respectivo anlisis de sensibilidad. Sea
el cambio (positivo o negativo) en las horas

de harneado. Las cotas de
se calculan como sigue:


56

Cota superior:

{}

Cota inferior:

{}

Luego, es posible arrendar un mximo de 50 horas

adicionales de harneado, sin que ello modifique la base ptima.

i) Si las horas de chancado aumentan hasta las 880 horas, se puede obtener la nueva solucin de
forma inmediata mediante el formulismo del mtodo smplex revisado. Para ello, la matriz inicial de
recursos debe incluir este cambio, por lo cual:

(

) (
) (
)

Luego, el nuevo plan ptimo es el siguiente:

No es rentable producir material rido del tipo 3 y 4.
Existe una holgura de 28 horas de inspeccin de calidad.

La nueva utilidad mxima se obtiene reemplazando estos valores en la funcin objetivo, con lo cual
se tiene que () unidades monetarias. Naturalmente, este plan es ms rentable,
porque deja una utilidad mayor.

j) Sea
el cambio (positivo o negativo) en las horas hombre de inspeccin de calidad. Las

cotas de
se calculan de la tabla ptima como sigue:

Cota superior:

{}

Cota inferior:

}

Por lo tanto,
Luego, las horas de inspeccin pueden disminuir hasta en 20 unidades, sin

que ello modifique la base ptima del problema.


57

k) Segn los datos que entrega el problema, se debe agregar una nueva variable al modelo
original, que denotamos por
. Utilizando los coeficientes de restriccin entregados para esta

variable y su utilidad original, es posible calcular su costo reducido de forma inmediata mediante el
uso del formulismo del mtodo smplex revisado. En efecto:

(

) (
)

Como el costo reducido de
es negativo, entonces debe entrar a la base. Se asegura as al

menos una iteracin ms y, por tanto, al menos una mejora en la utilidad mxima de PETROMAT,
lo que implica que se acepta la produccin del nuevo material rido.

PROBLEMA #8

La empresa de transporte TRANSEC Ltda. realiza traslados de mineral desde las minas Alto, Cerro
e Indgena a distintas plantas concentradoras ubicadas a lo largo del pas. El gerente de finanzas y
logstica de TRANSEC desea determinar los recorridos ms convenientes, en trminos de costos,
para los futuros contratos.

Los costos de transporte, con sus respectivos requerimientos y suministros, se presentan en Tabla
31.

Planta 1 Planta 2 Planta 3 Planta 4 Suministros
Alto 19 11 7 21 20
Cerro 13 5 9 14 10
Indgena 14 2 8 19 8
Requerimientos 15 8 10 5

Tabla 31: Detalle de los costos de transporte de TRANSEC

Determine las rutas ms convenientes para TRANSEC. Utilice el mtodo de mnimo costo para
encontrar la solucin bsica de inicio y analice sus resultados.

SOLUCIN: Lo primero es verificar si el problema se encuentra balanceado. En efecto:

Como la sumatoria de ofertas es igual a la sumatoria de demandas, el problema se encuentra
balanceado. El tableau de transporte, de esta forma, se construye de forma inmediata utilizando los
datos de Tabla 31:


58

Planta 1 Planta 2 Planta 3 Planta 4 Oferta
Alto

Cerro

Indgena

Demanda

Tabla 32: Tableau de inicio para el modelo de TRANSEC

Desarrollando por mnimo costo, se llega a la siguiente solucin bsica de inicio. Se debe
considerar que se ha agregado una asignacin nula en la celda (2, 2) para as satisfacer el
teorema de secuenciacin:

Planta 1 Planta 2 Planta 3 Planta 4 Oferta
Alto

Cerro

Indgena

Demanda

Tabla 33: Solucin bsica de inicio para el modelo de TRANSEC

Calculamos ahora los valores duales y costos reducidos para la primera iteracin, con lo cual se
tiene que la variable de entrada es
.


59

Oferta

Demanda

Tabla 34: Primera iteracin del problema de TRANSEC

Una vez determinado que la variable de entrada es

variable de salida. Dicho loop se observa en Tabla 63. Como se debe cumplir que todas las
asignaciones sean positivas o nulas, la variable de salida se obtiene de las asignaciones limitadas
por la cantidad en el tableau anterior:

. El tableau

Oferta

Demanda

Tabla 35: Tableau ptimo del problema de TRANSEC

60

El tableau anterior ptimo, porque todos los costos reducidos son no negativos. La solucin ptima
de este problema es entonces
El costo mnimo
asociado a las asignaciones anteriores es () unidades monetarias.

Es interesante sealar que este problema presenta una solucin ptima degenerada, ya que la
asignacin en la celda (2, 2) es nula. Adems, tambin presenta ptimos alternati vos, puesto que
el costo reducido de la variable no bsica
es nulo.

PROBLEMA #9

La compaa manufacturadora de explosivos mineros ASIOP Mining Explosives Ltda. (ASIOPMEL)
fabrica detonadores elctricos para 3 empresas de explosivos en cada una de sus 3 plantas de
manufacturacin. Los costos de produccin varan debido a la tecnologa de produccin y el
rendimiento de los operarios. Los costos unitarios y la capacidad mensual de produccin, as como
la demanda de las empresas para el siguiente mes y el costo unitario de abastecimiento
(transporte) hacia las empresas clientes, se indican en Tabla 36.

Planta/Fbrica Hacia Costo/Unidad Produccin
Fbrica
Demanda
Desde 1 2 3 ($/unid) Mensual Mensual
A 3 2 6 2 6000 1 4000
B 6 4 2 4 4000 2 6000
C 5 1 3 3 6000 3 2000

Tabla 36: Detalle del proyecto de manufacturacin de detonadores de ASIOPMEL

ASIOPMEL debe decidir cuntas unidades de detonadores se deben producir en cada planta, y
cunta demanda de cada cliente se abastecer desde cada una de ellas. Se desea minimizar el
costo total de produccin y transporte para ASIOPMEL en los siguientes escenarios:

1. Se emplea la capacidad total de produccin de las tres plantas.
2. Se produce slo la cantidad de detonadores necesaria para satisfacer la demanda.

SOLUCIN: Lo primero es verificar si el problema se encuentra balanceado. En efecto, asumiendo
que las producciones mensuales son las cantidades de oferta, se tiene que:


61

Como la sumatoria de ofertas no es equivalente a la sumatoria de demandas, el problema debe
balancearse aadiendo una fbrica artificial, cuya demanda sea igual al excedente de oferta en las
plantas de manufacturacin de detonadores.

Antes de comenzar el anlisis, se debe considerar que este problema presenta una singularidad: la
produccin de detonadores implica un costo fijo. Dicho costo est siempre presente, y por ende
debe ser aadido al algoritmo de transporte. La forma ms sencilla es sumar dicho costo fijo de
produccin a cada una de las celdas que definen las rutas de transporte (de forma ms directa,
sumar los costos fijos por filas), para as resolver el problema correctamente. De lo anterior, el
tableau de inicio para el modelo de ASIOPMEL es el siguiente:

Fbrica 1 Fbrica 2 Fbrica 3 Artificial Oferta
Planta A

Planta B

Planta C

Demanda

Tabla 37: Tableau de inicio para el modelo de ASIOPMEL

Desarrollando por el mtodo de mnimo costo, se llega a la siguiente solucin bsica de inicio:

Fbrica 1 Fbrica 2 Fbrica 3 Artificial Oferta
Planta A

Planta B

Planta C

Demanda

Tabla 38: Solucin bsica de inicio del modelo de ASIOPMEL

62

La asignacin anterior es correcta, porque satisface el teorema de secuenciacin. Calculamos
ahora los valores duales y costos reducidos para la primera iteracin, con lo cual se tiene que la
variable de entrada es

Oferta

Demanda

Tabla 39: Primera iteracin del problema de ASIOPMEL


variable de salida. Como se debe cumplir que todas las asignaciones sean positivas o nulas, la
variable de salida se obtiene de las asignaciones limitadas por la cantidad en el tableau anterior:

. Luego:


63

Oferta

Demanda

Tabla 40: Solucin ptima del problema de ASIOPMEL para el primer escenario

La tabla anterior es ptima, porque todos los costos reducidos son no negativos. La solucin
ptima es entonces
El costo
mnimo de transporte asociado a este plan es ()

Lo siguiente es verificar qu sucede en el caso de que la fabricacin de detonadores se vea
limitada por la cantidad que se demanda en las empresas clientes. Si bien este problema en
particular puede abordarse de varias maneras, lo ms sencillo es suprimir la produccin de la
planta B, porque as utilizamos de forma efectiva slo las plantas necesarias para satisfacer la
demanda de los clientes y, al mismo tiempo, balancear el problema.

A continuacin se muestra el tableau de inicio para este escenario, al cual se le ha encontrado una
solucin bsica de inicio mediante el mtodo de mnimo costo. Tambin se han calculado los
valores duales y los costos reducidos para esta primera iteracin, con lo cual se determina que

es la variable de entrada en la primera iteracin.

Oferta

Demanda

Tabla 41: Primera iteracin para el segundo escenario


64


variable de salida. Como se debe cumplir que todas las asignaciones sean positivas o nulas, la
variable de salida se obtiene de las asignaciones limitadas por la cantidad en el tableau anterior:

. Luego:

Oferta

Demanda

Tabla 42: Solucin ptima del problema para el segundo escenario

La tabla anterior es ptima, porque todos los costos reducidos son positivos. La solucin ptima es
entonces
El costo mnimo de transporte asociado a

este plan es ()

Se observa entonces que ambos escenarios entregan un costo mnimo similar, por ende, en teora,
es indiferente cul utilizar por ASIOPMEL. Sin embargo, de todos modos, el plan de produccin del
segundo escenario implica que, para estos efectos, la planta B puede utilizarse para cualqui er otra
operacin, lo que le da cierta ventaja sobre el primer escenario.

PROBLEMA #10

COBREANDES Ltda. (Chile) es propiedad de una operacin a cielo abierto de cobre en la II
Regin. La explotacin comprende la extraccin de cuatro tipos de minerales: xido de baja ley
(OXBL), xido de alta ley (OXAL), sulfuro de baja ley (SUBL) y sulfuro de alta ley (SUAL). La
operacin mantiene dos plantas de chancado, una para xidos y una para sulfuros, cuyas
capacidades son 40 y 50 ktpd, respectivamente, y su alimentacin, de acuerdo al plan minero,
establece que la extraccin de alta ley y baja ley debe estar en la razn 2:1, mientras que la
extraccin de sulfuros debe estar en la razn 1:1.

Adems, por razones de disponibilidad de carguo, el doble de la produccin de sulfuros de alta ley
no debe superar la produccin de sulfuros de baja ley sumado al stock permanente de 10 kt en
planta. Restricciones de transporte por camiones establecen que la produccin total de mineral

65

sulfurado debe superar, al menos en un 40%, la produccin total de mineral oxidado. La
produccin del da requerida por el plan minero debe ser igual a 70 ktpd.

OXBL OXAL SUBL SUAL
Planta Chancado xido 1 2
Planta Chancado Sulfuro 1 1
Valor Ingresos (US$/t) 20 10 15 40

Tabla 43: Detalle De las razones de extraccin de xidos y sulfuros

El objetivo de la COBREANDES es, naturalmente, maximizar sus ingresos. Para ello, se ha
definido un modelo de programacin lineal cuya tabla ptima se presenta a continuacin:

Tabla ptima:

V.B. OXBL OXAL SUBL SUAL
1 1 1 0 -1 0 20
0 0 24 0 -14 -1 220
OXBL 1 0 -1 0 1 0 20
SUAL 0 0 1/3 1/3 0 0 20
SUBL 0 0 2/3 -1/3 0 0 30
10 0 20 0 -1650

En base a la informacin disponible, responder las siguientes interrogantes del plan:

a) Cul es el plan minero de produccin/explotacin a proponer de cada producto mineral?
Cul es el ingreso total?
b) Cul es el rango de variacin de la utilidad de OXBL tal que la solucin ptima no vara?
c) Qu sucede con la solucin ptima si el ingreso por unidad de SUAL aumenta en 10
unidades?
d) Suponga que se aumenta el ingreso del producto OXAL en 8 US$/t Cul es la nueva solucin
ptima para el plan?
e) Cunto debe ser, al menos, el ingreso por unidad del producto OXAL para que sea rentable
su extraccin?
f) Suponga que se deben producir 80 ktpd Es factible este nuevo plan? De ser as, determine el
nuevo ingreso mximo que otorga dicho plan.
g) Suponga que se dispone de 45 ktpd de capacidad en la planta de xidos Vara la base
ptima? Responda esta misma pregunta en el supuesto de que se disponga de 30 ktpd de
capacidad en la planta de sulfuros.
h) Suponga que se debe aumentar el stock en la planta de sulfuros a 20 kt Es factible la
solucin? En caso de serlo, calcular el ingreso mximo del nuevo plan Cul sera su
respuesta si se supone que el stock de sulfuros es descartado del plan?
i) Cul es la cantidad mxima que estara dispuesto a pagar por una tonelada de capacidad
adicional en la planta de chancado de xidos y sulfuros?
j) Cul es la cantidad mxima que estara dispuesto a pagar por una tonelada adicional de
capacidad de stock de sulfuros?

66

k) Cul es el recurso que aporta la mayor ganancia al plan minero? Determine el mximo aporte
total posible para el plan ptimo.


a) La solucin ptima de este problema se obtiene directamente de la tabla ptima (incompleta)
entregada en el enunciado. Luego, el plan minero de produccin es el siguiente:

Extraer 20 ktpd de xidos de baja ley.
Extraer 30 ktpd de sulfuros de baja ley.
Extraer 20 ktpd de sulfuros de alta ley.
La extraccin de xidos de alta ley no es rentable para este plan.

Asimismo, el mximo ingreso a percibir por concepto de este plan de produccin es de 1650
US$/da.

b) Como la tabla de inicio del modelo de COBREANDES no fue entregada, se debe generar el
modelo de programacin lineal original de este problema para as completar la tabla ptima y hacer
el anlisis de sensibilidad pedido. Las variables de dicho modelo se definen como sigue:

Unidades de xido de baja ley (OXBL) en explotacin.
Unidades de xido de alta ley (OXAL) en explotacin.
Unidades de sulfuro de baja ley (SUBL) en explotacin.
Unidades de sulfuro de alta ley (SUAL) en explotacin.

Las restricciones del problema se pueden obtener fcilmente a partir del enunciado del mismo. En
este caso, se tiene lo siguiente:

Capacidad de planta de xidos:

Capacidad de planta de sulfuros:

Plan minero de extraccin:

Produccin de sulfuros y stock:

Relacin sulfuros v/s xidos:
) (

La funcin objetivo se puede construir a partir de la Tabla 72. Luego:

()

Por lo tanto, el modelo lineal estndar de este problema es el siguiente:

()


67

Luego, la tabla de inicio del modelo de COBREANDES es la siguiente:

1 2 0 0 0 1 0 0 0 0 40
0 0 1 1 0 0 1 0 0 0 50
1 1 1 1 0 0 0 1 0 0 70
0 2 -1 0 0 0 0 0 1 0 10
-7/5 -7/5 1 1 -1 0 0 0 0 1 0
-20 -10 -15 -40 0 0 0 0 0 0 0

Lo siguiente es utilizar el formulismo del mtodo smplex revisado para obtener la tabla ptima del
modelo de COBREANDES. Lo mejor que se puede hacer, sin embargo, es tambin comprobar las
columnas ya entregadas en la tabla ptima del enunciado del problema, para as corroborar que lo
hemos modelado correctamente. Por lo tanto, tenemos:

Matriz inversa ptima:

Matriz ptima de recursos:

Vector de valores duales:

(
)
(

Luego,
)

Vector de costos reducidos:

(
) (
)
(


68

Luego,
) (
)

Por lo tanto, la tabla ptima completa de este problema es la siguiente:

0 1 0 0 0 1 1 -1 0 0 20
0 0 0 0 1 0 24 -14 0 -1 220
OXBL 1 1 0 0 0 0 -1 1 0 0 20
SUAL 0 0 0 1 0 0 1/3 0 1/3 0 20
SUBL 0 0 1 0 0 0 2/3 0 -1/3 0 30
0 10 0 0 0 0 10/3 20 25/3 0 -1650

Los resultados obtenidos mediante el mtodo simplex revisado confirman que el modelo realizado
en primera instancia est correcto. Ahora podemos preceder a realizar el anlisis de sensibilidad
pedido.

Sea
el cambio (positivo o negativo) en la utilidad de OXBL. Las cotas de
se calculan como
sigue:

Cota superior:

}

Cota inferior:

Por lo tanto, se obtiene que
. Sin embargo, se debe considerar que como el modelo

de COBREANDES es un modelo de maximizacin, este intervalo debe revertirse para as acotar el
coeficiente de OXBL de forma correcta. Luego,
Por lo tanto, el intervalo en el cual la

utilidad de OXBL puede variar sin afectar la base ptima es

c) Si la utilidad de SUAL aumenta en 10 unidades, se tendr entonces que
. Como la
variable
(que representa el tonelaje de SUAL en explotacin) es bsica, un cambio en su

coeficiente objetivo altera los valores duales ptimos del problema. Por ende, el vector de valores
duales debe ser recalculado. Sin embargo, primero verificaremos cul es el intervalo de
optimalidad de esta variable. Sea
el cambio (positivo o negativo) en la utilidad de SUAL.

Calculamos las cotas de dicha variacin de la siguiente forma:

Cota superior:

}

69

No existe cota inferior, ya que
para todo . Por lo tanto,
Como el problema
es de maximizacin, el intervalo de optimalidad debe invertirse, por lo que
. Luego la
variacin de la utilidad
es
. As, si
, la solucin ptima no se ve afectada.

d) Sea
ingreso por unidad de xido de alta ley. Se tiene entonces:

Lo que implica:

Por tanto,
Sin embargo, como este problema es de maximizacin, este intervalo debe

revertirse a fin de hacer el anlisis de forma correcta. Por lo tanto,
Cualquier aumento de
ms all de 20 US$/unidad altera la base ptima del problema. Luego, un aumento de 8

US$/unidad no cambia las variables bsicas del modelo, porque quedara
, lo que est
dentro del intervalo de optimalidad antes calculado.

e) Utilizando lo calculado en (d), concluimos que el ingreso por unidad de OXAL debe ser mayor a
los 20 US$/unidad para que sea rentable su produccin, ya que de esta forma la base ptima del
problema cambiara, quedando
(que son las unidades de OXAL en explotacin) como variable

de entrada y, en consecuencia, como parte de la nueva solucin ptima del problema.

f) Sea
el cambio (positivo o negativo) en la produccin total del plan minero. Las cotas de
variacin de
se calculan a partir de la tabla ptima como sigue:

Cota superior:

Cota inferior:

{}

En consecuencia, el intervalo de factibilidad de la

produccin del plan minero es . Concluimos entonces que el
aumento de la produccin segn dicho plan a 80 ktpd no altera la base ptima, aunque s su valor.
Calculamos la solucin ptima y su valor objetivo utilizando el mtodo smplex revisado como
sigue:


70

Luego, el nuevo plan abarca la explotacin de 30 ktpd de xido de baja ley, 20 ktpd de sulfuro de
alta ley y 30 ktpd de sulfuro de baja ley. El ingreso mximo por concepto de este nuevo plan se
obtiene reemplazando estos valores en la funcin objetivo, con lo cual () US$/da.

g) Se deben generar dos anlisis de sensibilidad independientes. Uno para una capacidad de 45
kt en la planta de xidos (recurso ligado a la restriccin n1) y otro para una capacidad de 30 kt en
la planta de sulfuros (recurso ligado a la restriccin n2).

Para el cambio en la capacidad de la planta de xidos, calculamos la matriz ptima de recursos
como sigue:

Reemplazando los valores obtenidos en la funcin objetivo obtenemos un ingreso mximo de
() US$/da. Es decir, no hay cambio alguno en la solucin ptima ni en su valor. Por
lo tanto, el aumento de capacidad propuesto para la planta de xidos es irrelevante y no constituye
mejora alguna para el plan de produccin, y por tanto se rechaza.

Para el cambio en la capacidad de la planta de sulfuros se debe realizar un anlisis similar,
obtenindose:

El cambio hecho en la capacidad de la planta de sulfuros genera la prdida de la factibilidad de la
solucin ptima encontrada, ya que el valor asociado a
es negativo. En este caso, la factibilidad

debe recuperarse mediante la aplicacin del algoritmo smplex dual. Para estos casos, como hay
una o ms iteraciones a realizar, el ptimo mejora y, por ende, aumenta el ingreso mximo a
percibir por COBREANDES y, por tanto, el nuevo plan se acepta.

h) Se tiene un aumento del recurso correspondiente a la cuarta restriccin hasta las 20 kt.
Utilizando la frmula del mtodo simplex revisado, se tiene:

La nueva solucin encontrada es factible, porque todos los valores del vector columna calculado
son no negativos. Reemplazando estos valores en la funcin objetivo del problema se obtiene un
ingreso mximo de () 1733,3 US$/da, lo cual es evidentemente ms rentable que la
solucin ptima del problema original.

71

Si el stock de la planta de sulfuros se descarta, se tendr entonces que el recurso asociado a la
cuarta restriccin es ahora nulo. Utilizando nuevamente la frmula del mtodo simplex revisado, se
tiene:

La nueva solucin encontrada es igualmente factible. Reemplazando estos valores en la funcin
objetivo del problema se tiene que el ingreso mximo es de () 1566,7 US$/da. La opcin
es claramente desfavorable con respecto al aumento del stock de la planta de sulfuros, ya que los
ingresos generados al descartar dicho stock son menores que cuando se aumentan.

i) De la tabla ptima, se tiene que los precios sombra asociados a los recursos de capacidad de
chancado en las plantas de xidos y sulfuros, respectivamente, son
En
consecuencia, se tiene que la capacidad de chancado en la planta de xidos es un recurso
abundante, puesto que la holgura
es no nula, y por ende no es necesario pagar por mayor

capacidad. Por el contrario, para tener capacidad adicional de chancado en la planta de sulfuros,
se debe pagar un total de 3,333 US$/kt, o bien, 0,00333 US$/t adicional.

j) Tal y como se hizo en (i), verificando la tabla ptima, se tiene que el precio sombra asociado al
recurso de stock en la planta de sulfuros es
US$/kt adicional. Luego, se debe pagar un

total de US$ 0,0083 por tonelada adicional de stock.

k) El monto en particular que aporta cada recurso al plan de extraccin de COBREANDES se
obtiene utilizando la relacin ()
, verificando los resultados de la multiplicacin

trmino a trmino. El mayor de ellos ser el que ms ingreso aporta al plan. Por lo tanto:

R1: Aporte
R2:
Aporte
R3: Aporte
R4:
Aporte
R5: Aporte

Por lo tanto, el recurso que mayor ingreso aporta al proyecto de COBREANDES es R3,
correspondiente al plan minero de extraccin de mineral.

PROBLEMA #11

La Compaa Minera CERRO IMN Chile (CMCI), comercializa cuatro tipos de productos
minerales de Fe (mineral, grueso, pellet y fino). La gerencia mina ha resuelto desarrollar un plan de
produccin mediante programacin lineal. La informacin pertinente para la realizacin de este
plan se ha entregado en Tabla 44:


72

Mineral Grueso Pellet Fino
Requerimientos planta chancado 4 5 2 3
Requerimientos planta concentracin 4 6 3 4
Precio de venta (US$/t) 5 8 6 4

Tabla 44: Informacin entregada por Gerencia para la realizacin del plan

Los actuales contratos de la compaa imponen la necesidad de producir 1100 t, y no se contempla
venta adicional. Asimismo, el contrato establece que deben ser entregados por lo menos 350 t de
mineral grueso. Las restricciones operacionales de las plantas de chancado y de concentracin
facilitan una capacidad de proceso de 4500 t y 5000 t, respectivamente.

La siguiente es la tabla ptima del modelo de CMCI, cuyo objetivo es maximizar sus ingresos. Las
restricciones estn asociadas a la produccin, requerimiento de mineral grueso, disponibilidad de
chancado y de concentracin.

V.B. MINERAL GRUESO PELLET FINO

0 1 0 2 0 0 -1/3 533 1/3
1 0 0 -1 0 0 1/3 566 2/3
0 0 0 1 0 1 -1 600
0 0 1 -1 -1 0 1/3 216 2/3

En base a la informacin disponible, responder las siguientes interrogantes del plan:

a) Exponga claramente el plan ptimo resultante para el contrato y su valor.
b) Suponga que se disminuye el precio de venta del producto mineral en 60 centavos por unidad
Cul es la nueva solucin ptima para el plan?
c) Suponga que CMCI aumenta el precio del producto fino en 50 centavos la unidad Cul es la
nueva solucin ptima para el plan? Cul es el nuevo ingreso del plan?
d) Suponga que se aumenta el precio de venta del producto pellet en 60 centavos la unidad
Cul es la nueva solucin ptima para el plan?
e) Qu precio debera tener, al menos, el producto mineral, para que sea rentable su
extraccin?
f) Suponga que debido a la renegociacin del contrato de venta se debe producir un total de
1000 t. Determine el nuevo valor ptimo de la funcin objetivo.
g) Suponga que debido a un aumento del tamao del producto mineral se reduce la
disponibilidad de chancado a 4400 t Cul ser el ingreso del plan?
h) Suponga que se deben producir exactamente 400 t del producto grueso Es factible la
solucin? En caso de serlo calcule el ingreso.
i) Cul es la cantidad mxima que CMCI estara dispuesto a pagar por una tonelada extra de
chancado? Y por una tonelada extra de concentracin magntica?
j) Cules son los valores, las unidades y la interpretacin de las variables del problema dual?
k) El problema es degenerado? Por qu?

73

l) CMCI se encuentra negociando la venta de un nuevo producto de fierro, que requerira 3 y 5
unidades de chancado y concentracin, respectivamente, y tendra un precio de venta de 8
US$/t Cul es la nueva solucin ptima del plan? Cul es el nuevo ingreso?


a) Como no se ha entregado la tabla de inicio de este problema, se debe formular el modelo de
CMCI antes de encontrar la solucin. Sean:

Cantidad de mineral a producir en kt.
Cantidad de grueso a producir en kt.
Cantidad de pellet a producir en kt.
Cantidad de fino a producir en kt.

Del enunciado, se obtienen de inmediato las primeras dos restricciones del modelo:

Produccin:

Requerimiento de grueso:

Adems, de la Tabla 81 se obtienen las restricciones de requerimiento de chancado y
concentracin:

Requerimiento de chancado:

Requerimiento de concentracin:

Finalmente, tambin de la Tabla 81, se obtiene la funcin objetivo del problema:

()

Por lo tanto, el modelo lineal estndar completo de CMCI es el siguiente:

()

Luego, la tabla de inicio del problema es la siguiente:

V.B. MINERAL GRUESO PELLET FINO

MINERAL 1 1 1 1 0 1 0 0 0 1100
GRUESO 0 1 0 0 -1 0 1 0 0 350
PELLET 4 5 2 3 0 0 0 1 0 4500
FINO 4 6 3 4 0 0 0 0 1 5000
-5 -8 -6 -4 0 0 0 0 0 0


74

Para encontrar la solucin ptima, se debe completar la tabla ptima del problema, la cual fue
entregada incompleta. Lo primero es identificar la matriz inversa ptima:

)

Adems, dado que se entregan las columnas cannicas en la tabla ptima, es posible determinar
que la base ptima de la solucin est conformada por las variables siguientes:

V.B. Matriz Inversa ptima Coef. Objetivo
Pellet 2 0 0 -1/3 -6
Grueso -1 0 0 1/3 -8
1 0 1 -1 0
-1 -1 0 1/3 0

Luego, el primer elemento a calcular de la tabla ptima es el vector de valores duales, dado por la
frmula
()
. As:

(
) (

) ( )

Ahora debemos calcular las columnas de restriccin que faltan en la tabla ptima:

) (

) (

) (

)

Calculamos la matriz ptima de recursos (para comprobar que el modelo de inicio es correcto):

) (
)
(

Ahora calculamos los costos reducidos:

(

) ( ) (

) ( )

Finalmente calculamos el valor objetivo ptimo:


75

()
( ) (

Por lo tanto, la tabla ptima completa del modelo de CMCI es la siguiente:

V.B. Mineral Grueso Pellet Fino

Pellet 2/3 0 1 2/3 0 2 0 0 -1/3 533 1/3
Grueso 1/3 1 0 1/3 0 -1 0 0 1/3 566 2/3
1 0 0 0 0 1 0 1 -1 600
1/3 0 0 1/3 1 -1 -1 0 1/3 216 2/3

5/3 0 0 8/3 0 4 0 0 2/3 -23200/3

Por lo tanto, la solucin ptima de este problema es la siguiente:

Considerar la produccin de 533.333 kt de pellets.
Considerar la produccin de 566.667 kt de gruesos.
Existen 600 kt de capacidad no utilizada en la planta de chancado
El requerimiento de gruesos puede bajarse a 216.667 kt, sin perjuicio del plan
No es rentable la produccin de mineral y finos.

El ingreso mximo a percibir por CMCI es de 7733.333 US$/kt de fierro producido.

b) Como la variable mineral, dada por
, es no bsica, es posible determinar su intervalo de

optimalidad mediante la siguiente relacin:

Donde
es el cambio (positivo o negativo) en el coeficiente objetivo de la variable mineral. Por lo

tanto, se tiene lo siguiente:

Luego,
Como el modelo de CMCI es de maximizacin, se debe invertir el intervalo

anterior, con lo cual
. Por lo tanto, el intervalo de optimalidad de
es
Por
lo tanto, la disminucin del precio del producto mineral en 0.6 US$/t no hace variar la base ptima
del problema.

c) Para un aumento del precio del material fino en 0,5 US$/t, se tiene lo siguiente:

) (


76

Como el costo reducido referente a la variable fino se mantiene positivo, no hay cambios en la
base ptima. Por ende, el valor de dicha variable es cero (ya que es no bsica), y no hay cambios
en el ingreso total del plan.

d) Para un anlisis ms certero, se determinar el intervalo de optimalidad para la variable pellet.
En este caso, como se trata de una variable bsica, se calculan las cotas superiores del cambio

(positivo o negativo) de la siguiente forma:

Cota superior:

}

Cota inferior:

}

Por lo tanto,
Como el problema es de maximizacin, se invierte este intervalo, dando

como resultado un rango de variacin igual a
Luego, el intervalo de optimalidad de la

utilidad correspondiente a la variable pellet es
Por lo tanto, un aumento de su precio

en 0.6 US$/t no afecta a la base ptima del problema, ya que est dentro del intervalo de
optimalidad.

e) De lo hecho en (b), determinamos que el intervalo de optimalidad del precio de la variable
mineral es
. Por lo tanto, para un precio
, esta variable entra a la base y, por

tanto, se convierte en una alternativa de extraccin (pasa a ser rentable).

f) Para una produccin de 1000 kt, se debe calcular la nueva solucin ptima utilizando el
formulismo del mtodo smplex revisado. En efecto, modificando la limitante de la primera
restriccin de 1100 kt a 1000 kt, tenemos:

) (
)
(

La solucin ptima entonces se mantiene factible, y el plan pasa a ser el siguiente:



77

El nuevo ingreso se obtiene reemplazando estos valores en la funcin objetivo del problema,
dando como resultado ()
US$/t.

g) En este caso hay un cambio en la tercera restriccin, desde 4500 kt a 4400 kt. Utilizando el
mismo formulismo que en (f), se tiene que:

) (
)
(



US$/t.

h) Ahora se tiene un aumento en la limitante de la segunda restriccin, de 350 kt a 400 kt.
Utilizando el mismo formulismo que en (f) y (g), se tiene:

) (
)
(



US$/t.


78

i) Los precios mximos a pagar por una unidad de recurso adicional corresponden a los valores
duales (precios sombra) calculados en primera instancia para la tabla ptima. Como la holgura
asociada a la capacidad de chancado no es nula, entonces el precio sombra es cero, puesto que
no es necesario pagar por capacidad adicional de chancado si ya disponemos de capacidad no
utilizada de este recurso. No obstante, para el caso de la concentracin magntica, la holgura
asociada es cero. Luego, hay un precio sombra asociado dado por
US$/t, que es el
mximo a pagar por una tonelada de concentracin adicional.

j) El modelo original de CMCI es el siguiente:

()

Cambiando el PPL anterior a su forma primal simtrica, se tiene:

()

Luego, el dual de este problema es el siguiente:

()

Las variables duales representan los precios que estamos dispuestos a pagar por una unidad de
recurso adicional, segn corresponda. Para restricciones con holguras no nulas, es claro que
dichos precios son cero, por cuanto no es necesario pagar por capacidad adicional si existe una
capacidad no utilizada del recurso respectivo.

La funcin objetivo dual representa la maximizacin del uso de los recursos, mientras que las
restricciones representan las limitantes de uso de los recursos en funcin de los precios de cada
tipo de material.

Los valores ptimos duales son
. Todos ellos en US$/t.


79

k) El problema no es degenerado, puesto que ninguna de las variables bsicas es nula en la
iteracin ptima.

l) Se debe sumar una nueva variable al modelo,
Calculamos su costo reducido:

) (

Como el costo reducido de la nueva variable es negativo, entra a la base del problema y se debe
iterar nuevamente para obtener la solucin ptima. Se tiene entonces:

) (

) (
) (
)

La tabla queda entonces como:

V.B.
()
2/3 0 1 2/3 -5/3 0 2 0 0 -1/3 533 1/3 -
1/3 1 0 1/3 5/3 0 -1 0 0 1/3 566 2/3 340
1 0 0 0 -2 0 1 0 1 -1 600 -
1/3 0 0 1/3 5/3 1 -1 -1 0 1/3 216 2/3 130

5/3 0 0 8/3 -14/3 0 4 0 0 2/3 -23200/3

Entra
, sale
. Siguiente iteracin:

V.B.
7/3 0 1 7/3 0 1 11/3 -1 0 4/3 535
-4/3 1 0 -4/3 0 -1 -8/3 1 0 -4/3 565
3 0 0 2 0 6/5 3 -6/5 1 1 602
1/5 0 0 1/5 1 3/5 -3/5 -3/5 0 1/5 130

19/3 0 0 22/3 0 14/5 26/3 0 0 5 -23186/3

Como todos los costos reducidos son positivos, hemos llegado al ptimo. Por lo tanto, la solucin
ptima es la siguiente:

Considerar la produccin de 535 kt de pellets.
Considerar la produccin de 565 kt de gruesos.
Considerar la produccin de 130 kt de material nuevo.

El ingreso mximo del plan es ()
US$/t.


80

PROBLEMA #12

Para complementar la formacin de sus alumnos, este Departamento ha decidido programar una
serie de seminarios sobre algunos temas de actualidad: ecologa, energa, transporte y seguridad.
Estos seminarios tendrn lugar una vez por semana en horario de tarde, de manera que exista slo
una sesin para cada uno de los temas a tratar y, naturalmente, slo se pueda programar un
seminario por da. La direccin del Departamento ha estimado que podran asistir a cada uno de
estos seminarios, obteniendo los datos mostrados en Tabla 45:

Ecologa Energa Transporte Seguridad
Lunes 50 40 60 20
Martes 40 30 40 30
Mircoles 60 20 30 20
Jueves 60 30 20 30
Viernes 10 20 10 30

Tabla 45: Estimacin del nmero de alumnos que asistir a cada seminario
Determine la programacin temporal ptima de estos seminarios, de manera que el total de
alumnos que asista a cada uno de ellos sea el mayor posible:

SOLUCIN: Procedemos mediante el algoritmo hngaro. Lo primero es verificar la naturaleza del
problema, asumiendo que el nmero estimado de alumnos en cada uno de los seminarios es un
beneficio para la programacin. As, tenemos un problema de asignacin de beneficios, y no de
costos, el cual maximiza una funcin objetivo. Construimos la matriz de costos agregando una
columna artificial a fin de tener una matriz cuadrada y, adems, asumiendo costos negativos (ya
que son beneficios).

(

Generando una eliminacin de mnimos por columnas, obtenemos:

(
)

ceros.


81



Programar el seminario de ecologa para el da mircoles.
Programar el seminario de energa para el da martes.
Programar el seminario de transporte para el da lunes.
Programar el seminario de seguridad para el da viernes.

El nmero mximo de alumnos asistentes a los seminarios de esta asignacin se obtiene sumando
el nmero de alumnos respectivo de cada seminario con respecto a los das asignados. Luego,
() alumnos.


82

EJERCICIOS PEP 3

PROBLEMA #1

La Empresa Minera Andes Ltda. (EMAL) dispone de un equipo de perforacin, el cual tiene como
mayor obstculo el tiempo de traslado de un lugar a otro. Este hecho aumenta considerablemente
los costos operacionales. Para un rea determinada dentro de la mina, se desea trasladar el
equipo desde el nodo s al nodo t segn la siguiente red:

Figura 7: Red del problema de EMAL

Los arcos sealan el tiempo de traslado (en minutos) entre cada nodo.

Se pide:

a) Determinar la ruta que debe realizar el equipo de perforacin desde el nodo s al nodo t en el
menor tiempo posible.
b) Determinar el mximo tiempo de traslado del equipo de perforacin desde el nodo s al nodo
t.


a) Procedemos mediante el algoritmo de Dijkstra de la ruta ms corta a partir del nodo s y
terminando en el nodo t. Etiquetando cada uno de los nodos de la red, se llega a lo siguiente:


83

Figura 8: Solucin ptima de ruta ms corta para EMAL

A partir de los rtulos en cada nodo, se tiene que la ruta ms corta corresponde al camino S B
G T. El tiempo mnimo de traslado del equipo se obtiene tambin del rtulo final en el nodo
t, y corresponde a 14 minutos.

b) Procedemos mediante el algoritmo de Dijkstra de la ruta mxima. Redibujando la red, y
rotulando los nodos en funcin de los tiempos mximos de traslado por arco, se tiene lo siguiente:

Figura 9: Solucin ptima de ruta mxima para EMAL

De lo anterior, se tiene que la ruta ms larga corresponde al camino S D C G J T.
Notemos adems que existe una solucin ptima alternativa, dada por el camino S A B E
J T. La duracin mxima de traslado es de 34 minutos.

84

PROBLEMA #2

Determinar el pit final ptimo para el inventario de bloques siguiente, y construya el vector columna
de pits para dicha seccin.

Seccin 12 Norte
BANCO B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9
H 1 -9 -2 -1 2 -1 -1 -1 1 -9
H 2 -11 -3 2 3 -2 -2 -1 5 -10
H 3 -11 -6 2 1 6 -3 -4 -6 -10

Tabla 46: Inventario de bloques para el Problema #2

SOLUCIN: Primero analizamos los niveles H 1 y H 2. Para la solucin de este problema, se
asumir la notacin para el bloque ubicado en la i-sima fila y la j-sima columna.

Para ello construimos la siguiente red, aplicando en su resolucin el algoritmo de mximo flujo.

Figura 10: Red de los niveles H 1 y H 2

De la red anterior, se genera el corte mnimo que separa el conjunto de los bloques que son
removidos en esta combinacin de niveles, del conjunto
de los bloques que no son extrados del

inventario en primera instancia. Luego se extraen los bloques dados por el conjunto
{}. Por lo tanto, el inventario de bloques toma la siguiente forma:


85

Seccin 12 Norte
BANCO B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9
H 1 -9 -2 -1 2 -1 -1 -1 1 -9
H 2 -11 -3 2 3 -2 -2 -1 5 -10
H 3 -11 -6 2 1 6 -3 -4 -6 -10

Tabla 47: Inventario resultante de la remocin primaria de bloques

Ahora se deben analizar los niveles H 2 y H 3. Construyendo la red respectiva y aplicando el
algoritmo de mximo flujo, se obtiene lo siguiente:

Figura 11: Red de los niveles H 2 y H 3

De la red anterior se obtiene el conjunto de bloques removidos en esta etapa, dado por
{}. Por lo tanto, el inventario final con los bloques extrados y el vector
columna de pits es el siguiente:

Seccin 12 Norte
BANCO B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9 Vector de pits
H 1 -9 -2 -1 2 -1 -1 -1 1 -9 -4
H 2 -11 -3 2 3 -2 -2 -1 5 -10 1
H 3 -11 -6 2 1 6 -3 -4 -6 -10 7

Tabla 48: Inventario de bloques ptimo

El beneficio de este pit final es igual a 4 unidades monetarias.

86

PROBLEMA #3

La Empresa Minera MANANTIAL posee 3 minas desde las cuales se transporta el mineral extrado
a una planta de procesamiento a travs de un sistema de correas transportadoras, el cual se
esquematiza mediante la siguiente red:

Figura 12: Red de correas de la Empresa MANANTIAL

Los valores de los arcos representan la capacidad de las correas en cientos de toneladas por hora.
Se sabe que los turnos de trabajo son de 8 horas y que el tonelaje extrado por mina en cada turno
es de 8000, 6000 y 4800 toneladas/turno, respectivamente.

Se pide:

a) Determinar el mximo tonelaje por turno de trabajo que la planta, ubicada en el nodo T, puede
esperar.
b) Determinar cules son los arcos que controlan la capacidad del sistema Qu nombre reciben
estos arcos?
c) Qu sucede si el arco (9, 4) baja su capacidad en 200 unidades?
d) Qu sucede si el arco (8, 12) sube su capacidad en 200 unidades?


a) Procedemos mediante el algoritmo de mximo flujo. Primero se debe generar el nodo de inicio
S utilizando las extracciones por turno de cada mina. Los arcos (S, 1), (S, 2) y (S, 3) tendrn as la
siguiente capacidad:

( )


87

( )

( )

La red completa del problema, cuya solucin ptima se ha calculado mediante el algoritmo de
mximo flujo, es la siguiente:

Figura 13: Red de MANANTIAL solucionada mediante el algoritmo de mximo flujo

A partir del corte mnimo trazado en la red, se puede calcular el mximo flujo sumando todos los
flujos que atraviesan dicho corte. Por lo tanto, se tiene que () unidades.

b) Los arcos que controlan la capacidad del sistema son aquellos que intersectan al corte mnimo
y que adems transportan un flujo de material a travs de ellos. Dichos arcos son (S, 3), (5, 6) y
(4, 8). Haciendo una analoga con el mtodo smplex, dado que la solucin ptima depende de
ellos, es razonable suponer que dichos arcos son las variables bsicas del problema.

c) No influye en la solucin ptima del problema, ya que el arco respectivo no tiene asignado un
flujo de material.

d) No influye en la solucin ptima del problema, ya que el arco respectivo no tiene asignado un
flujo de material.


88

PROBLEMA #4

A continuacin se detallan los tiempos probabilsticos esperados para las distintas actividades de
un proyecto.

ACTIVIDAD PRECEDENTE T. OPTIMISTA T. MS PROBABLE T. PESISMISTA
A - 1 3 3
B A 2 5 6
C B, H, E 1 1 1
D - 3 5 9
E G 2 3 4
F E, L 1 2 3
G D 1 2 3
H G 3 4 5
I D 1 3 5
J I 3 4 5
K D 2 3 7
L J, K 3 5 4
M C, L 1 2 3

Tabla 49: Estimacin de tiempos para el proyecto

a) Dibuje la red del proyecto.
b) Calcule la duracin mxima del proyecto.
c) Encontrar la ruta crtica y calcular las holguras totales de cada actividad.


a) Lo primero es generar la estimacin esperada de tiempos por actividad segn el mtodo PERT.
Para ello se utiliza la siguiente frmula:

Luego tenemos:


89

ACTIVIDAD PRECEDENTE
TIEMPO
OPTIMISTA
T. MS
PROBABLE
TIEMPO
PESISMISTA
TIEMPO
ESPERADO
A - 1 3 3 2,7
B A 2 5 6 4,7
C B, H, E 1 1 1 1
D - 3 5 9 5,3
E G 2 3 4 3
F E, L 1 2 3 2
G D 1 2 3 2
H G 3 4 5 4
I D 1 3 5 3
J I 3 4 5 4
K D 2 3 7 3
L J, K 3 5 4 5
M C, L 1 2 3 2

Tabla 50: Estimacin de tiempos ms esperados por actividad

La red del proyecto, una vez se ha aplicado el algoritmo CPM de la ruta crtica, se muestra a
continuacin.

Figura 14: Red del proyecto

b) De la red del proyecto, se obtiene que el tiempo crtico es de 20,3 semanas.

c) De la red del proyecto, se observa que la ruta crtica es D I J L C.

Las holguras totales se calculan a continuacin.


90

ACTIVIDAD HOLGURA
A 10
B 10
C 0
D 0
E 6
F 1
G 6
H 6
I 0
J 0
K 4
L 0
M 0

Tabla 51: Holguras totales de las actividades del proyecto

PROBLEMA #5

A partir del inventario de bloques entregado, calcular el pit final ptimo y el vector columna de pits
para esta seccin.

Seccin 54 Sur
BANCO B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9
E 4 -3 -2 -3 -4 -2 -1 1 -1 -2
F 4 -10 3 6 5 2 -1 -3 4 -9
G 1 -13 -3 3 9 4 1 -5 -1 -16

Tabla 52: Inventario de bloques

SOLUCIN: Primero analizamos los niveles E 4 y F 4. Para ello, construimos la siguiente red,
aplicando el algoritmo de mximo flujo.


91

Figura 15: Red de los niveles E 4 y F 4

De la red anterior, se genera el corte mnimo que separa el conjunto de los bloques que son
removidos en esta combinacin de niveles, del conjunto
de los bloques que no son extrados del

inventario en primera instancia. Luego se extraen los bloques dados por el conjunto
{}. Por lo tanto, el inventario de bloques toma la siguiente forma:

Seccin 54 Sur
BANCO B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9
E 4 -3 -2 -3 -4 -2 -1 1 -1 -2
F 4 -10 3 6 5 2 -1 -3 4 -9
G 1 -13 -3 3 9 4 1 -5 -1 -16

Tabla 53: Inventario resultante de la primera remocin de bloques

Ahora se deben analizar los niveles H 2 y H 3. Construyendo la red respectiva y aplicando el
algoritmo de mximo flujo, se obtiene lo siguiente:


92

Figura 16: Solucin ptima del problema

La red anterior nos muestra la solucin ptima del problema. El conjunto de bloques removidos en
esta ltima fase del pit es {}. Luego, el inventario de bloques que muestra el
pit final ptimo y su vector columna de beneficios es el siguiente:

Seccin 54 Sur
BANCO B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 B 9 Vector de pits
E 4 -3 -2 -3 -4 -2 -1 1 -1 -2 -14
F 4 -10 3 6 5 2 -1 -3 4 -9 19
G 1 -13 -3 3 9 4 1 -5 -1 -16 26

Tabla 54: Inventario de bloques ptimo

Del pit final ptimo se obtiene un beneficio de 26 unidades monetarias.

PROBLEMA #6

Considere que su amigo, vecino y compaero de curso, Julin, lo conduce a usted diariamente
desde su casa a la universidad. Dado que usted acaba de terminar un curso de anlisis de redes,
entonces puede ayudarle a determinar la ruta ms corta desde el vecindario, V, hasta su
universidad, U. Desafortunadamente, la ruta seleccionada est excesivamente patrullada por la
polica y con todas las multas pagadas por exceso de velocidad (por no siempre levantarse a la
hora indicada), la ruta ms corta no es la mejor eleccin. Por consigui ente, usted ha decidido
ayudar a su amigo Julin a determinar la ruta que maximice la probabilidad de no ser detenido y
que as no lo multen. Para ello, considere la siguiente red, en la cual los arcos definen la
probabilidad de no ser detenido por la polica en dicha rama.


93

Figura 17: Red de caminos desde el vecindario hasta la universidad

Considere, para este problema, que la probabilidad de que no lo multen en una sucesin de
caminos es igual al producto entre las probabilidades individuales de que no lo multen en cada
arco respectivo.

SOLUCIN: El problema debe resolverse mediante el algoritmo de Dijkstra de la ruta mxima. La
diferencia con otro tipo de problemas es que ahora las probabilidades acumuladas por nodo en los
rtulos son iguales a la multiplicacin de las probabilidades individuales por arco respectivo. As, se
obtiene la solucin ptima que se observa en la siguiente red.

Figura 18: Solucin ptima del problema

La ruta ms segura, que maximiza la probabilidad de no ser multado, es V 1 5 9 U. La
probabilidad mxima de no ser multado es de 7,2%, resultado que es bastante desafortunado.


94

PROBLEMA #7

La Empresa PETROGAS Co. (Chile) se encuentra en la etapa final de puesta en produccin de 9
pozos de gas natural mar adentro en el rea de Isla Grande. Debido a la ubicacin del pozo 2,
cercana a la costa, se encuentra equipado con suficiente capacidad de bombeo y almacenamiento
para bombear la produccin de los 8 pozos restantes al punto de entrega. El siguiente plano (no
necesariamente a escala) muestra el kilometraje de los ductos factibles que conectan los 9 pozos
de gas natural mar adentro con el punto de entrega.

Figura 19: Red de pozos de PETROGAS

Considerando que el costo promedio por kilmetro para los proyectos de ductos mayores es
aproximadamente igual a US$ 7000 por kilmetro, determine el conjunto de ductos que minimice la
longitud por la cual el gas natural ser transportado hacia el punto de entrega.

SOLUCIN: Dado que la red est conformada por arcos no direccionados, asumimos que el gas
natural puede circular en ambas direcciones entre cada uno de los nodos de la red. Por lo tanto,
este problema puede ser resuelto de forma sencilla mediante el algoritmo de rbol de expansin
mnima. Los arcos que minimizan la longitud de traslado de gas se muestran en la siguiente red.


95

Figura 20: rbol que minimiza la longitud de ductos de transporte de gas

La longitud mnima de los ductos del rbol de expansin mnima es () kilmetros. El
costo asociado a esta construccin es igual a US$ 287.000

PROBLEMA #8

La Compaa Minera ARRIBACHILE (COMACHI) es propietaria de tres minas desde las cuales se
transporta el mineral extrado a una planta de concentracin a travs de un sistema de correas
transportadoras modelado por la siguiente red.

Figura 21: Red de correas de COMACHI

96

Los valores de los arcos representan la capacidad en cientos de toneladas por hora. Se sabe que
los turnos de trabajo son de 8 horas y que las toneladas por turno de cada mina son 4800, 6000 y
8000, respectivamente. Determine la mxima cantidad de mineral que este sistema de correas es
capaz de transportar.

SOLUCIN: Lo primero es generar el nodo de salida s para luego aplicar el algoritmo de mximo
flujo. Para ello, se generan los arcos tales que respetan la capacidad de extraccin de cada mina
por turno y en iguales unidades que el resto de los arcos:

( )

( )

( )

La solucin ptima de este problema, una vez aplicado el algoritmo de mximo flujo, se muestra en
la siguiente red.

Figura 22: Solucin ptima del problema de COMACHI

El mximo flujo, que determina el mximo tonelaje que la red es capaz de transportar, se calcula
sumando todos los flujos que atraviesan el corte mnimo trazado en la red. Por lo tanto, ()
t/turno.


97

PROBLEMA #9

Un proyecto minero est compuesto por actividades cuyas caractersticas se presentan a
continuacin.

Normal Acelerado
Actividad Predecesor Duracin [das] Duracin [das] Costo [$]
A - 2 1 120
B - 4 2 250
C A, B 3 1 150
D B 2 1 30
E B 3 1 90
F E 1 1 -
G C, D 4 1 200
H C, D 3 2 80
I G 3 2 300
J H 6 3 400
K I 3 2 150
L I 5 3 100
M J, K 1 1 -

Tabla 55: Actividades a realizar por el proyecto

Se pide:

a) Dibujar la red del proyecto y determinar la ruta crtica y su duracin.
b) Considerando la posibilidad de acelerar las actividades, formular un modelo de programacin
lineal que permita determinar qu actividades deben ser aceleradas y en cunto, de manera tal
que el proyecto se pueda terminar en 15 das.
c) Se quiere acelerar el proyecto en tres das a costo mnimo Cules actividades conviene
acelerar y en cunto? A qu costo? Dibuje como va cambiando la malla del proyecto.

SOLUCIN: a) La red del proyecto se muestra a continuacin.

Figura 23: Red del proyecto


98

La ruta crtica, a partir de la red anterior, es B C G I L. La duracin crtica del proyecto
es entonces
das.

b) El modelo queda determinado de la siguiente manera: Sean:

Tiempo acumulado hasta el instante , con
Cantidad de das a disminuir la actividad , con

La funcin objetivo es la siguiente:

()

Las restricciones del problema se listan a continuacin:

c) Las opciones a disminuir son las siguientes:

Disminuir B en 2 das a un costo de $250.
Disminuir C en 2 das a un costo de $150.
Disminuir G en 3 das a un costo de $200.
Disminuir I en 1 da a un costo de $300.
Disminuir L en 2 das a un costo de $100.

Se elige disminuir L en 1 da. La red del proyecto queda de la siguiente forma:

Figura 24: Red del proyecto luego de disminuir 1 da la actividad L

Quedan dos rutas crticas, por lo cual las opciones a disminuir son:


99

Disminuir B en 2 das a un costo de $250.
Disminuir C en 2 das a un costo de $150.
Disminuir G en 3 das a un costo de $200.
Disminuir I en 1 da a un costo de $300.
Disminuir L y K en 1 da a un costo de $250.

Se elige disminuir C en 1 da, con lo cual la red queda como sigue:

Figura 25: Red del proyecto luego de disminuir 1 da la actividad C

Quedan 4 rutas crticas, por lo cual las opciones a disminuir son:

B en 2 das a un costo de $250.
C y D en 1 da a un costo de $180.
G en 3 das a un costo de $200.
I en 1 da a un costo de $300.
L y K en 1 da a un costo de $250.

Se elige disminuir C y D en 1 da, con lo cual la red del proyecto queda como sigue:

Figura 26: Red del proyecto luego de disminuir C y D en 1 da

Finalmente, el costo de reducir el proyecto a 16 das es de 100 + 150 + 180 = $ 430.

Guía de Ejercicios Optimización 2012-2 PDF

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Guía de Ejercicios Optimización 2012-2 PDF

Загружено:

Авторское право:

Доступные форматы

Gua de Ejercicios Optimizacin

Preparado por Felipe Quezada C.

la cantidad de unidades del

. El modelo es entonces el siguiente:

, a fin de tener slo variables no

para dar inicio a la segunda iteracin:

son no bsicas, y por tanto nulas, se tiene que ()

en la funcin objetivo es negativo, an no estamos en el ptimo.

es la variable de entrada para la tercera iteracin, porque tiene el coeficiente ms

135/2 -7/4 (135/2):(-7/4) = -270/7 Ignorar

10 4 10/4 = 5/2 Mnimo

5/2 -1/4 (5/2):(-1/4) = -10 Ignorar

para encontrar la solucin ptima de este problema:

. El resto de las variables son nulas.

, es mayor que cero. El recurso asociado a la segunda restriccin se

la cantidad de lotes de ropa a fabricar del

lotes de amasados. La utilidad mxima que percibe la

tambin podemos fragmentarla en dos restricciones

es no restringida, mientras que el resto son

: Produccin Cerro Granate, rea Norte

: Produccin Cerro Granate, rea Lomas

: Produccin Lomas Bayas, rea Sur Sur

: Produccin Lomas Bayas, rea Alberta

-7/4 1 0 -1/2 1 0 5/4 -5/4 550 ---

1/4 0 1 1/2 0 0 1/4 -1/4 30 120

, entonces existe un ESF para el

para dar inicio a la cuarta iteracin:

en la funcin objetivo es negativo, an no estamos en el ptimo.

es la variable de entrada para la tercera iteracin, porque tiene el coeficiente ms

760 -3 760:(-3) = -253.33 Ignorar

340 3 340:3 = 113.33 Mnimo

120 -1 120:(-1) = -120 Ignorar

para encontrar la solucin ptima de este problema:

son los precios unitarios asociados a las rosas, tulipanes e

. Procedemos con la primera iteracin:

1 1/3 1/3 0 0 100 300

0 8/3 -1/3 0 1 200 75

. Procedemos con la segunda iteracin:

arreglos florales del tipo 2. En este punto ptimo, es

. Este valor es correcto, porque si lo remplazamos

, con lo cual el problema se re-escribe de la siguiente

, lo que conforma la solucin ptima del problema

: Cantidad de concentrado del tipo (con o ) producido en el mes

: Inventario de concentrado del tipo al trmino del mes

: Horas de mano de obra empleadas al mes

: Aumento del empleo de mano de obra al mes

: Disminucin del empleo de mano de obra al mes

: Nmero de depsitos requeridos al mes

: Cantidad de materia prima k para fabricar whisky i en la temporada j

: Cantidad de whisky tipo i vendido en la temporada j

: Cantidad de whisky tipo i almacenado en la temporada j

representa los ingresos que

representa los costos de

representa los costos de almacenaje de whisky. Definimos

, se debe generar un loop para determinar la

son todos positivos. Por lo tanto, hemos llegado al

. Se debe generar un loop que contenga a

se hace negativa. Por lo tanto, se debe volver a plantear el problema,

, respectivamente. Las dos primeras restricciones se refieren a lmites de demanda, y las

cuyo valor objetivo es () .

en estas ecuaciones, es posible obtener el valor de las

, con un costo mnimo de