Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2° Semestre 2012.
FQC 1
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
EJERCICIOS PEP 1
PROBLEMA #1
Una fábrica 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 apuntará a conservar un balance
alimenticio, debiendo contener al menos un 15% de vitamina C, y a lo más un 30% de potasio. Existe
además una relación 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. Además, la vitamina A no puede
superar el 35% del contenido del jugo.
El costo por adquirir los ingredientes, los límites de los pedidos por día, y los aportes porcentuales
de cada componente a los ingredientes por unidad se resumen en la siguiente tabla:
FORMULAR (NO RESOLVER) un modelo de programación lineal que permita minimizar los costos,
cumpliendo con todos los requerimientos. Considere, para tal caso, que cada unidad son 100 cc.
Defina claramente variables, función objetivo y restricciones.
SOLUCIÓN: Primero formulamos las variables del modelo. Sea 𝑥𝑖 la cantidad de unidades del
ingrediente 𝑖 para la nueva variedad (𝑖 = 1, 2, 3, 4). Como se desea minimizar los costos, la función
objetivo estará dada por:
Ahora veamos las restricciones. En la nueva variedad, la combinación de los 4 ingredientes debe
conformar una unidad de jugo, por lo cual la primera restricción 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:
15𝑥1 + 40𝑥2 + 20𝑥3 + 25𝑥4 ≥ 150
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:
FQC 2
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
1
30𝑥1 + 10𝑥2 + 25𝑥3 + 35𝑥4 ≥ (35𝑥1 + 45𝑥2 + 20𝑥3 + 25𝑥4 )
3
De manera simplificada:
55 55 80
𝑥 − 5𝑥2 + 𝑥 − 𝑥 ≥0
3 1 3 3 3 4
Además, la contribución de la vitamina A no debe superar el 35% del jugo (350 cc). Por ende:
𝑥1 ≤ 6 ; 𝑥2 ≤ 9
𝑥3 ≤ 8 ; 𝑥4 ≤ 5
PROBLEMA #2
𝑀𝑎𝑥(𝑧) = 5𝑥1 + 𝑥2 + 𝑥3 + 𝑥4
𝑠. 𝑎:
4𝑥1 + 𝑥2 − 7𝑥3 − 3𝑥4 = 50
−3𝑥1 + 2𝑥2 + 2𝑥3 + 4𝑥4 ≤ 150
−𝑥1 + 4𝑥3 + 2𝑥4 ≥ 10
𝑥1 < 0; 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
SOLUCIÓN: Primero hacemos el cambio de variable 𝑥1′ = −𝑥1 , a fin de tener sólo variables no
negativas. Reescribiendo el PPL en forma estándar, se tiene:
FQC 3
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑀𝑖𝑛(−𝑧) = 5𝑥1′ − 𝑥2 − 𝑥3 − 𝑥4
𝑠. 𝑎:
−4𝑥1′ + 𝑥2 − 7𝑥3 − 3𝑥4 + 𝑎1 = 50
3𝑥1′ + 2𝑥2 + 2𝑥3 + 4𝑥4 + 𝑠1 = 150
𝑥1′ + 4𝑥3 + 2𝑥4 − 𝑠2 + 𝑎2 = 10
𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠1 , 𝑠2 , 𝑎1 , 𝑎2 ≥ 0
El problema debe resolverse en dos fases. La fase 1 minimizará la función objetivo 𝑀𝑖𝑛(𝑤) = 𝑎1 +
𝑎2 . Procedemos en la primera iteración mediante el algoritmo símplex. La tabla de inicio para este
problema es la siguiente. Observe que se han marcado en la tabla la inversa respectiva, así como el
elemento pívot para la respectiva iteración:
Entra 𝑥3 , sale 𝑎2 .
Las siguientes iteraciones deben hacerse mediante el algoritmo símplex revisado. De la tabla anterior
reconocemos la matriz inversa de esta primera iteración:
1 0 0
𝐴1−1 = (−2 1 0)
0 0 1
Como ya definimos el pívot y las variables de entrada y salida a partir de la tabla anterior, podemos
calcular inmediatamente la matriz 𝐸1 :
7
1 0 7
4 1 0
16 4
𝐸1 = 0 1 − = 0 1 −4
4 1
1 0 0
(0 0 ) ( 4)
4
FQC 4
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Calculamos 𝐴−1
2 para dar inicio a la segunda iteración:
7 7
1 0 1 0 0 1 0
4 4
𝐴−1 −1
2 = 𝐸1 × 𝐴1 = 0 1 −4 × (−2 1 0) = −2 1 −4
1 0 0 1 1
0 0 0 0
( 4) ( 4)
Construimos una pequeña tabla para verificar el orden de las variables básicas:
7
1 0
4
𝜋 2 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
2 = (−1 0 3) × −2 1 −4 = (−1 0 −1)
1
0 0
( 4)
𝑗
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = 𝑐𝐵 − 𝜋 2 × 𝐴0
Luego:
−4 1 −7 −3 0
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (3 −1 3 1 1) − (−1 0 −1) × ( 3 2 2 4 0)
1 0 4 2 −1
Por lo tanto:
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (0 0 0 0 0)
Como todos los coeficientes reducidos de la función objetivo w son nulos, hemos llegado al óptimo
para la fase 1. Como 𝑎1 y 𝑎2 son no básicas, y por tanto nulas, se tiene que 𝑀𝑖𝑛(𝑤) = 𝑎1 + 𝑎2 = 0,
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 función objetivo z en la fase 2 (iteración 2).
Verificando el orden de las variables básicas:
V.B. 𝐴−1
2 𝑐𝐵 (𝑉𝐵)
𝑥2 1 0 7/4 −1
𝑠1 (−2 1 −4 ) 0
𝑥3 0 0 1/4 −1
FQC 5
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Por lo tanto:
7
1 0
4
𝜋 2 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
2 = (−1 0 −1) × −2 1 −4 = (−1 0 −2)
1
0 0
( 4)
𝑗
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = 𝑐𝐵 − 𝜋 2 × 𝐴0
Luego:
−4 1 −7 −3 0
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (5 −1 −1 −1 0) − (−1 0 −2) × ( 3 2 2 4 0)
1 0 4 2 −1
Por lo tanto:
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (3 0 0 4 −2)
1 0 7/4 50 135/2
𝑏2 = 𝐴−1
2 × 𝑏0 = (−2 1 −4 ) × (150) = ( 10 )
0 0 1/4 10 5/2
1 0 7/4 0 −7/4
𝑗 𝑗
𝐴2 (𝑠2 ) = 𝐴−1
2 × 𝐴 (𝑠
0 2 ) = ( −2 1 −4 ) × ( 0 ) = ( 4 )
0 0 1/4 −1 −1/4
Por lo tanto:
FQC 6
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
V.B. 𝒃𝟐 𝒋 𝜽𝒌
𝑨𝟐 (𝒔𝟐 )
𝑥2 135/2 -7/4 (135/2):(-7/4) = -270/7 → Ignorar
𝑠1 10 4 10/4 = 5/2 → Mínimo
𝑥3 5/2 -1/4 (5/2):(-1/4) = -10 → Ignorar
𝐴−1 −1
3 = 𝐸2 × 𝐴2
Donde:
7 7
1 − (− ) : 4 0 1 0
4 16
1 1
𝐸2 = 0 0 = 0 0
4 4
1 1
(0 − (− ) : 4
4
1) (0 16
1)
Entonces:
7 1 7
1 0 7 0
16 1 0 8 16
1 4 1 1
𝐴−1 −1
3 = 𝐸2 × 𝐴2 = 0 0 × −2 1 −4 = − −1
4 1 2 4
1 0 0 1 1
( 4)
(0 16
1) (− 8 16
0)
V.B. 𝐴−1
3 𝑐𝐵 (𝑉𝐵)
𝑥2 1/8 7/16 0 −1
𝑠2 (−1/2 1/4 −1) 0
𝑥3 −1/8 1/16 0 −1
Calculamos los valores duales:
1 7
0
8 16
1 1 1
𝜋 3 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
3 = (−1 0 −1) × − −1 = (0 − 0)
2 4 2
1 1
(− 8 16
0)
FQC 7
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑗
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = 𝑐𝐵 − 𝜋 3 × 𝐴0
Luego:
1 −4 1 −7 −3 0
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (5 −1 −1 −1 0) − ( 0 − 0 ) × ( 3 2 2 4 0)
2 1 0 4 2 −1
Por lo tanto:
13
𝑐𝑗 (𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = ( 0 0 1 0)
2
Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al óptimo. Calculamos
entonces 𝑏3 para encontrar la solución óptima de este problema:
575 5 25
Por lo tanto, la solución óptima es 𝑥2 = , 𝑠2 = y 𝑥3 = . El resto de las variables son nulas.
8 2 8
Reemplazando estos valores en la función objetivo se obtiene 𝑀𝑖𝑛(−𝑧) = −75, con lo cual 𝑀𝑎𝑥(𝑧) =
75.
PROBLEMA #3
Considere el problema de programación lineal cuyo tableau final (óptimo) es el siguiente. Asuma que
Si es la variable de holgura para la restricción 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
SOLUCIÓN: Tenemos:
b) Las variables no básicas están conformadas por el resto de variables que no se encuentran en
la base: 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 son no básicas.
FQC 8
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #4
Una fábrica de ropa produce tres líneas de trajes: jeans, franela y amasado. La ropa es vendida en
lotes de 100 trajes de cada tipo. Cada lote pasa a través de tres procesos: corte, cosido y empaque.
La planta dispone de 16 cortadores como máximo, 41 máquinas de coser como máximo y debe
ocupar a 10 empacadores (no más no menos). Los requerimientos para producir un lote de 100 trajes
de cada tipo y las utilidades asociadas, se presenta a continuación:
FORMULE un modelo de programación lineal que permite maximizar las utilidades de la fábrica.
Defina claramente variables, función objetivo y restricciones. A continuación, RESUELVA el modelo
que planteó utilizando el método que más le acomode.
SOLUCIÓN: El objetivo de la fábrica es determinar las cantidades de cada lote de ropa a fabricar,
de tal forma que éstos maximicen las utilidades. Sea 𝑥𝑗 la cantidad de lotes de ropa a fabricar del
tipo 𝑗. De la tabla, podemos obtener inmediatamente la función objetivo:
Las restricciones del problema están asociadas al límite de recursos impuesto por la fábrica en
función de la cantidad de cortadores, máquinas de coser y personal encargado de empacar. Así, se
tiene lo siguiente:
Cortadores:
4𝑥1 + 2𝑥2 + 𝑥3 ≤ 16
Máquinas de coser:
𝑥1 + 2𝑥2 + 𝑥3 ≤ 41
Personal de empaque:
FQC 9
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑥1 + 𝑥2 + 𝑥3 = 10
El modelo puede resolverse utilizando cualquier método. En este caso particular, podemos hacer un
arreglo algebraico sencillo que permita solucionarlo mediante el método gráfico. De la tercera
restricción, despejamos, con lo cual resulta 𝑥3 = 10 − (𝑥1 + 𝑥2 ). Reemplazando en el PPL,
obtenemos:
Notemos que los únicos puntos candidatos a solución óptima de este problema son A y B. Evaluando
la función objetivo se obtiene que el punto esquina óptimo es B, dado por 𝑥1 = 2 lotes de jeans,
resultando no rentable fabricar lotes de franela (porque 𝑥2 = 0). Reemplazando lo anterior en el
FQC 10
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
modelo original, se obtiene que 𝑥3 = 8 lotes de amasados. La utilidad máxima que percibe la fábrica
es de 𝑀𝑎𝑥(𝑧) = 3200 unidades monetarias.
PROBLEMA #5
Escriba el DUAL del siguiente problema. Verifique que el dual del dual es el problema original.
−10 ≤ 𝑥1 ≤ −2 ↔ 𝑥1 < 0
−3 ≤ 𝑥2 ≤ 17 ↔ 𝑥2 𝑛𝑜 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑑𝑎
16 ≤ 𝑥3 ↔ 𝑥3 > 0
Debemos hacer entonces dos cambios de variable: 𝑥1′ = −𝑥1 y 𝑥4′ = −𝑥4 . Reemplazando 𝑥1′ = −𝑥1
en −10 ≤ 𝑥1 ≤ −2, se tiene:
La última expresión podemos fragmentar en dos restricciones independientes: 𝑥1′ ≥ 2 y −𝑥1′ ≥ −10.
FQC 11
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑥1′ , 𝑥2 , 𝑥3 , 𝑥4′ , 𝑥5 ≥ 0
Construimos ahora el problema dual. Notemos que, a partir de la definición, el dual tendrá 8 variables
y 5 restricciones. Además, la variable dual 𝜋1 es no restringida, mientras que el resto son no
negativas.
La comprobación de que el dual del dual es el primal es obvia, y se deja como ejercicio al lector.
PROBLEMA #6
La compañía minera FERROJAC CHILE tiene dos operaciones mineras que alimentan de mineral
de hierro a una sola planta. Cada mina tiene dos áreas 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 más 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 recuperación en el proceso. La razón promedio de estéril/mineral determinada para las
operaciones de extracción mineral tiene un valor de 3,5.
Dado los datos que se indican, FORMULAR (no RESOLVER) un modelo de programación lineal, el
cual permita obtener un plan minero de producción que cumpla las restricciones operacionales y
permita minimizar la desviación de la razón estéril/mineral total.
Reservas Razón
Mina Área % Fe % Si
(toneladas) Estéril/Mineral
Cerro Norte 20.000 40 17 3,0
GRANATE Lomas 10.000 30 10 2,0
Lomas Sur Sur 15.000 40 11 4,0
BAYAS Alberta 30.000 35 13 5,0
FQC 12
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Para este problema, es muy útil la elaboración de un diagrama que muestre el proceso en cuestión:
𝑥1
𝑥2
Ley de Fe ≥ 35%
Ley de Si ≤ 12%
Planta
𝑥3
𝑥4
Ahora veamos las restricciones del problema. En cuanto a las capacidades de la planta, como ésta
debe recibir al menos 45.000 toneladas y no más 60.000 toneladas, se tendrá:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≤ 45000
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≥ 60000
Si el mercado interno requiere de, al menos, 12.000 toneladas de Fe, entonces el 90% de la
producción que llega a planta, en términos del Fe, debe conformar como mínimo, este tonelaje.
Luego:
Se debe agregar que los sectores de producción tienen como limitante a sus reservas totales. Luego:
𝑥1 ≤ 20000 𝑥2 ≤ 10000
𝑥3 ≤ 15000 𝑥4 ≤ 30000
Por último, la planta debe recibir como mínimo una ley del 35% de Fe y, a lo más, una ley del 12%
de Si. Luego, tenemos lo siguiente:
Ahora veamos la función objetivo. Como se requiere minimizar la desviación de la razón estéril –
mineral, se tendrá:
FQC 13
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #7
Resuelva el siguiente problema de programación lineal, empleando el método símplex para la fase
1, y el método símplex revisado para la fase 2:
𝑀𝑎𝑥(𝑧) = 2𝑥1 + 𝑥2 + 𝑥3 + 𝑥4
𝑠. 𝑎:
−3𝑥1 + 𝑥2 − 5𝑥3 − 3𝑥4 = 400
−3𝑥1 + 2𝑥2 + 2𝑥3 + 4𝑥4 ≤ 1500
𝑥1 + 4𝑥3 + 2𝑥4 ≥ 120
𝑥𝑗 ≥ 0
𝑀𝑖𝑛(−𝑧) = −2𝑥1 − 𝑥2 − 𝑥3 − 𝑥4
𝑠. 𝑎:
−3𝑥1 + 𝑥2 − 5𝑥3 − 3𝑥4 + 𝑎1 = 400
−3𝑥1 + 2𝑥2 + 2𝑥3 + 4𝑥4 + 𝑠1 = 1500
𝑥1 + 4𝑥3 + 2𝑥4 − 𝑠2 + 𝑎2 = 120
𝑥𝑗 , 𝑠𝑖 , 𝑎𝑖 ≥ 0
El problema debe resolverse en dos fases. La fase 1 minimizará la función objetivo 𝑀𝑖𝑛(𝑤) = 𝑎1 +
𝑎2 . Procedemos en la primera fase mediante el algoritmo símplex. La tabla de inicio para este
problema es la siguiente:
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑎1 𝑠1 𝑎2 𝑠2 𝑏 𝑀𝑖𝑛(𝜃)
𝑎1 -3 1 -5 -3 1 0 0 0 400 400
𝑠1 -3 2 2 4 0 1 0 0 1500 750
𝑎2 1 0 4 2 0 0 1 -1 120 ---
−𝑧 -2 -1 -1 -1 0 0 0 0 0
−𝑤 0 0 0 0 1 0 1 0 0
−𝑤 2 -1 1 1 0 0 0 1 -520
Entra 𝑥2 , sale 𝑎1 . Primera iteración.
FQC 14
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑎1 𝑠1 𝑎2 𝑠2 𝑏 𝑀𝑖𝑛(𝜃)
𝑥2 -3 1 -5 -3 1 0 0 0 400 ---
𝑠1 3 0 12 10 -2 1 0 0 700 175/3
𝑎2 1 0 4 2 0 0 1 -1 120 30
−𝑧 -5 0 -6 -4 1 0 0 0 400
−𝑤 -1 0 -4 -2 1 0 0 1 -120
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑎1 𝑠1 𝑎2 𝑠2 𝑏 𝑀𝑖𝑛(𝜃)
𝑥2 -7/4 1 0 -1/2 1 0 5/4 -5/4 550 ---
𝑠1 0 0 0 4 -2 1 -3 3 340 ---
𝑥3 1/4 0 1 1/2 0 0 1/4 -1/4 30 120
−𝑧 -7/2 0 0 -1 1 0 3/2 -3/2 580
−𝑤 0 0 0 0 1 0 1 0 0
Entra 𝑥1 , sale 𝑥3 . Como 𝑀𝑖𝑛(𝑤) = 𝑎1 + 𝑎2 = 0, con 𝑎1 = 𝑎2 = 0, entonces existe un ESF para el PPL
en la fase 2. Procedemos entonces mediante el método símplex revisado en dicha fase. La matriz
inversa de la presente iteración es:
5
1 0
4
𝐴−1
2 = −2 1 −3
1
0 0
( 4)
Como ya definimos el pívot y las variables de entrada y salida a partir de la tabla anterior, podemos
calcular inmediatamente la matriz 𝐸3 :
−7/4
1 0 −
1/4 1 0 7
𝐸2 = 0 1 0 = (0 1 0)
1 0 0 4
0 0
( 1/4 )
5
1 0 7 1 0 1 0 3
4
𝐴−1 −1
3 = 𝐸2 × 𝐴2 = (0 1 0) × −2 1 −3 = (−2 1 −3)
0 0 4 1 0 0 1
0 0
( 4)
Construimos una pequeña tabla para verificar el orden de las variables básicas:
V.B. 𝐴−1
3 𝑐𝐵 (𝑉𝐵)
𝑥2 −1
FQC 15
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑠1 1 0 3 0
𝑥3 (−2 1 −3) −2
0 0 1
1 0 3
𝜋 3 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
3 = (−1 0 −2) × (−2 1 −3) = (−1 0 −5)
0 0 1
𝑗
𝑐̅𝑗 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = 𝑐𝐵 − 𝜋 3 × 𝐴0
Luego:
−3 1 −5 −3 0
𝑐𝑗 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (−2 −1 −1 −1 0) − (−1 0 −5) × (−3 2 2 4 0)
1 0 4 2 −1
Por lo tanto:
𝑐𝑗 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (0 0 14 6 −5)
1 0 3 400 760
𝑏3 = 𝐴−1
3 × 𝑏0 = ( −2 1 −3) × (1500) = (340)
0 0 1 120 120
1 0 3 0 −3
𝑗 𝑗
𝐴3 (𝑠2 ) = 𝐴−1
3 × 𝐴 (𝑠
0 2 ) = (−2 1 −3) × ( 0 ) = ( 3 )
0 0 1 −1 −1
Por lo tanto:
V.B. 𝒃𝟑 𝒋 𝜽𝒌
𝑨𝟑 (𝒔𝟐 )
𝑥2 760 -3 760:(-3) = -253.33 → Ignorar
𝑠1 340 3 340:3 = 113.33 → Mínimo
𝑥3 120 -1 120:(-1) = -120 → Ignorar
FQC 16
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝐴−1 −1
4 = 𝐸3 × 𝐴3
Donde:
−3
1 − 0 1 1 0
3 1
1 0 0
𝐸3 = 0 0 = 3
3 1
−1 0 1
( 3 )
(0 −
3
1)
Entonces:
1 1 0 −1 1 0
1 1 0 3 2 1
0 0 − −1
𝐴−1 −1
4 = 𝐸3 × 𝐴3 = 3 × (−2 1 −3) = 3 3
1 0 0 1 2 1
0 1 − 0
( 3 ) ( 3 3 )
V.B. 𝐴−1
4 𝑐𝐵 (𝑉𝐵)
𝑥2 −1 1 0 −1
𝑠2 (−2/3 1/3 −1) 0
𝑥3 −2/3 1/3 0 −2
−1 1 0
𝜋 4 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
4 = (−1 0 −2) × (−2/3 1/3 −1) = (7/3 −5/3 0)
−2/3 1/3 0
𝑗
𝑐𝑗 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = 𝑐𝐵 − 𝜋 4 × 𝐴0
Luego:
−3 1 −5 −3 0
𝑐𝑗 = (−2 −1 −1 −1 0) − (7/3 −5/3 0) × (−3 2 2 4 0)
1 0 4 2 −1
Por lo tanto:
38
𝑐𝑗 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠2 ) = (0 0 14 0)
3
FQC 17
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al óptimo. Calculamos
entonces 𝑏4 para encontrar la solución óptima de este problema:
−1 1 0 400 1100
𝑏4 = 𝐴−1
4 × 𝑏0 = (−2/3 1/3 −1) × (1500) = (340/3)
−2/3 1/3 0 120 700/3
PROBLEMA #8
Un florista sabe hacer sólo 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:
a) FORMULE un PPL que resuelva el problema de maximización de ingresos por ventas sujeto a
la disponibilidad de recursos.
b) ¿Cuál es el problema DUAL asociado? ¿Qué situación podría estar optimizando? Justifique.
c) Usando el teorema de holguras complementarias, encuentre la solución óptima del problema
dual una vez resuelto el problema primal utilizando el método símplex.
d) Suponga que retorna frustrado después que una bella dama le cerrara la puerta cuando usted le
llevaba amablemente una rosa, un tulipán y un ibizco. Si se encuentra con el florista ¿Cuánto
cree que estaría dispuesto a pagar él por sus flores?
a) Sean 𝑥1 y 𝑥2 los dos tipos de arreglos que puede hacer el florista. De la tabla, y en forma
inmediata, se obtiene el PPL deseado:
FQC 18
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
b) Es posible formular inmediatamente el problema dual a partir del primal, sin utilizar la
transformación de primal simétrico, invirtiendo las situaciones presentadas en la definición 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 éste quiera comprarle todas las
flores al florista. Así, 𝜋1 , 𝜋2 y 𝜋3 son los precios unitarios asociados a las rosas, tulipanes e
ibizcos, respectivamente.
Tabla de inicio:
V.B. 𝑥1 𝑥2 𝑠1 𝑠2 𝑠3 𝑏 𝑀𝑖𝑛(𝜃)
𝑠1 3 1 1 0 0 300 100
𝑠2 1 1 0 1 0 140 140
𝑠3 1 3 0 0 1 300 300
−𝑧 -2000 -1000 0 0 0 0
V.B. 𝑥1 𝑥2 𝑠1 𝑠2 𝑠3 𝑏 𝑀𝑖𝑛(𝜃)
𝑥1 1 1/3 1/3 0 0 100 300
𝑠2 0 2/3 -1/3 1 0 40 60
𝑠3 0 8/3 -1/3 0 1 200 75
−𝑧 0 -1000/3 2000/3 0 0 -200000
V.B. 𝑥1 𝑥2 𝑠1 𝑠2 𝑠3 𝑏
𝑥1 1 0 ½ -1/2 0 80
𝑥2 0 1 -1/2 3/2 0 60
𝑠3 0 0 1 -4 1 40
−𝑧 0 0 500 500 0 -220000
FQC 19
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Como todos los coeficientes de las variables en la función objetivo son no negativas, hemos
llegado al óptimo. La utilidad máxima que puede percibir el florista es de $220.000, con 𝑥1 = 80
arreglos florales del tipo 1, y 𝑥2 = 60 arreglos florales del tipo 2. En este punto óptimo, es válido
el teorema de holguras complementarias. Por lo tanto:
Para el primal:
Para el dual:
3𝜋1 + 𝜋2 = 2000
𝜋1 + 𝜋2 = 1000
Con lo cual se obtiene 𝜋1 = 500 y 𝜋2 = 500. Este valor es correcto, porque si lo remplazamos en
la función objetivo dual, resulta 𝑀𝑖𝑛(𝑣) = 220000, que es equivalente a la función objetivo primal
en el óptimo.
Por lo tanto, el florista venderá rosas y tulipanes a un precio de $500 c/u, y entregará como
“oferta” los ibizcos gratis, siempre y cuando venda todo como un paquete. Esto tiene sentido,
porque si vende sólo las rosas y tulipanes, dado que sólo sabe hacer los arreglos florales
descritos, no le sacará provecho a los ibizcos.
d) Si tuviéramos tan desgraciada suerte, entonces, idealmente, el valor máximo que nos pagará el
florista por las flores es el descrito con anterioridad: $500 por cada rosa y tulipán, y $0 por los
ibizcos.
PROBLEMA #9
Se pide:
FQC 20
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
a) Se debe obtener el modelo lineal estándar (MLE) del problema. Para ello, hacemos los cambios
de variable 𝑥2′ = −𝑥2 y 𝑥4′ = −𝑥4 , con lo cual el problema se re-escribe de la siguiente forma:
𝑀𝑎𝑥(𝑣) = 𝜋1 − 𝜋2
𝑠. 𝑎:
−𝜋1 + 3𝜋2 ≤ 12
−2𝜋1 + 𝜋2 ≤ −1
2𝜋1 + 𝜋2 ≤ 16
𝜋1 − 2𝜋2 ≤ −2
𝜋𝑗 ≥ 0
FQC 21
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
En el gráfico anterior, los puntos esquina del ESF están dados por los siguientes pares:
Tabla 7: Valores de las variables y función objetivo para los diferentes puntos esquina del
problema dual
Por tanto, el valor máximo del problema dual es 𝑣 = 2, y se cumple cuando estamos en el punto
esquina J.
c) Si el proceso de resolución del problema dual no tiene por qué seguir las reglas del símplex,
entonces basta que, a partir del origen, el algoritmo ignore la regla dada por el criterio de
optimalidad en un problema de maximización, la cual dicta que se escoja siempre el coeficiente
más negativo en la fila objetivo del tableau símplex. 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 solución.
Notemos que, además, este nuevo proceso ignora la subdivisión del problema en dos fases, ya
que se cuenta de inmediato con una solución básica de inicio (el origen).
Para el primal:
FQC 22
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Para el dual:
2𝑥3 + 𝑥4′ = 1
𝑥3 − 2𝑥4′ = −1
Con lo cual se obtiene 𝑥3 = 1/5 y 𝑥4′ = 3/5, lo que conforma la solución óptima del problema primal.
Todas las demás variables son nulas. El valor de la solución óptima es 𝑀𝑖𝑛(𝑧) = 2.
PROBLEMA #10
La Compañía 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):
El costo de producción 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 últimos costos se refieren a las fluctuaciones en los niveles de producción, ya que
ASIOPSA tiene como política trabajar todos los meses la misma cantidad de horas.
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 mínimo debe ser de 400 toneladas
FQC 23
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
La capacidad de fabricación mensual es de 400 horas de maquinaria y 300 horas de mano de obra.
Además, se sabe que el último mes sólo se usaron 225 horas de mano de obra para la fabricación
de ambos componentes.
FORMULAR (NO RESOLVER) un modelo de programación lineal que permita determinar el plan de
producción mensual que minimiza los costos de satisfacción de la demanda esperada. Defina
claramente variables, función objetivo y restricciones.
Veamos ahora la función objetivo. Como el objetivo de ASIOPSAL es minimizar los costos, es posible
definir dicha función directamente partir de los datos entregados en el enunciado:
𝑀𝑖𝑛(𝑧) = 20(𝑥𝐶𝑢,1 + 𝑥𝐶𝑢,2 + 𝑥𝐶𝑢,3 ) + 10(𝑥𝑍𝑛,1 + 𝑥𝑍𝑛,2 + 𝑥𝑍𝑛,3 ) + 0,3(𝐼𝐶𝑢,1 + 𝐼𝐶𝑢,2 + 𝐼𝐶𝑢,3 )
+ 1,5(𝐼𝑍𝑛,1 + 𝐼𝑍𝑛,2 + 𝐼𝑍𝑛,3 ) + 10(𝐴1 + 𝐴2 + 𝐴3 ) + 2,5(𝐷1 + 𝐷2 + 𝐷3 )
3 3 3 3 3 3
Ahora veamos las restricciones. Lo más sencillo es verificar primero las limitaciones de satisfacción,
demanda e inventario de ASIOPSAL. En este caso, para cada mes, se tiene lo siguiente:
FQC 24
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Mes 1:
Mes 2:
Mes 3:
Mes 1:
0,05𝑥𝐶𝑢,1 + 0,07𝑥𝑍𝑛,1 = 𝑀1
𝑀1 = 225 + 𝐴1 − 𝐷1
𝑀1 ≤ 300
Mes 2:
0,05𝑥𝐶𝑢,2 + 0,07𝑥𝑍𝑛,2 = 𝑀2
𝑀2 = 𝑀1 + 𝐴2 − 𝐷2
𝑀2 ≤ 300
Mes 3:
0,05𝑥𝐶𝑢,3 + 0,07𝑥𝑍𝑛,3 = 𝑀3
𝑀3 = 𝑀2 + 𝐴3 − 𝐷3
𝑀3 ≤ 300
FQC 25
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝐼𝐶𝑢,1 ≤ 2𝐶1
𝐼𝐶𝑢,2 ≤ 2𝐶2
𝐼𝐶𝑢,3 ≤ 2𝐶3
𝐼𝑍𝑛,1 ≤ 3𝐶1
𝐼𝑍𝑛,2 ≤ 3𝐶2
𝐼𝑍𝑛,3 ≤ 3𝐶3
𝐶𝑗 ≤ 1000 ; 𝑗 = 1, 2, 3
Naturalmente, todas las variables consideradas para este problema son no negativas. El modelo
completo (simplificado) es el siguiente:
3 3 3 3 3 3
𝑠. 𝑎:
50 + 𝑥𝐶𝑢,1 = 1000 + 𝐼𝐶𝑢,1
200 + 𝑥𝑍𝑛,1 = 1000 + 𝐼𝑍𝑛,1
𝐼𝐶𝑢,1 + 𝑥𝐶𝑢,2 = 3000 + 𝐼𝐶𝑢,2
𝐼𝑍𝑛,1 + 𝑥𝑍𝑛,2 = 500 + 𝐼𝑍𝑛,2
𝐼𝐶𝑢,2 + 𝑥𝐶𝑢,3 = 5000 + 𝐼𝐶𝑢,3
𝐼𝑍𝑛,2 + 𝑥𝑍𝑛,3 = 3000 + 𝐼𝑍𝑛,3
𝐼𝐶𝑢,3 ≥ 400
𝐼𝑍𝑛,3 ≥ 200
0,1𝑥𝐶𝑢,𝑗 + 0,08𝑥𝑍𝑛,𝑗 ≤ 400 ; 𝑗 = 1, 2, 3
0,05𝑥𝐶𝑢,1 + 0,07𝑥𝑍𝑛,1 = 𝑀1
𝑀1 = 225 + 𝐴1 − 𝐷1
𝑀1 ≤ 300
0,05𝑥𝐶𝑢,2 + 0,07𝑥𝑍𝑛,2 = 𝑀2
𝑀2 = 𝑀1 + 𝐴2 − 𝐷2
𝑀2 ≤ 300
0,05𝑥𝐶𝑢,3 + 0,07𝑥𝑍𝑛,3 = 𝑀3
𝑀3 = 𝑀2 + 𝐴3 − 𝐷3
𝑀3 ≤ 300
𝐼𝐶𝑢,𝑗 ≤ 2𝐶𝑗 ; 𝑗 = 1, 2, 3
𝐼𝑍𝑛,𝑗 ≤ 3𝐶𝑗 ; 𝑗 = 1, 2, 3
𝐶𝑗 ≤ 1000 ; 𝑗 = 1, 2, 3
𝑥𝑖𝑗 , 𝐼𝑖𝑗 ,𝑀𝑗 ,𝐴𝑗 ,𝐷𝑗 ,𝐶𝑗 ≥ 0
FQC 26
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
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 recibirá ingresos y, además, deberá realizar pagos como se indica en
la siguiente tabla:
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 programación lineal que permita determinar una
estrategia de inversión que maximiza el dinero en efectivo al comienzo del quinto año. Defina
claramente variables, función objetivo y restricciones.
SOLUCIÓN: Lo primero es definir las variables de este problema. Sea 𝑥𝑖𝑗 la cantidad de dinero
invertido al comienzo del mes 𝑖 durante un período de 𝑗 meses. La función objetivo queda entonces
definida como sigue:
Las restricciones del modelo naturalmente representan la distribución del dinero. Así, éstas se
definen por las siguientes desigualdades:
PROBLEMA #12
La Compañía FERROSUR debe decidir cuántas toneladas de acero puro X y cuántas de chatarra Y
se deben utilizar en la preparación de una aleación 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
él aceptaría más si así se requiere.
FQC 27
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Se pide:
Como se trata de un problema de costos, se debe minimizar la función objetivo, que define los costos
de fabricación de cada material. Luego, dicha función viene dada por la siguiente expresión:
𝑀𝑖𝑛(𝑧) = 3𝑥 + 6𝑦
Ahora veamos las restricciones. De la demanda del cliente y la disponibilidad de cada recurso,
tenemos:
4𝑥 + 7𝑦 ≥ 5
𝑦 7
≤
𝑥 8
3𝑥 + 2𝑦 ≤ 18
Naturalmente, 𝑥 ≥ 0, 𝑦 ≥ 0. Por lo tanto, el modelo completo es el siguiente:
𝑀𝑖𝑛(𝑧) = 3𝑥 + 6𝑦
4𝑥 + 7𝑦 ≥ 5
−7𝑥 + 8𝑦 ≤ 0
3𝑥 + 2𝑦 ≤ 18
𝑥 ≥ 0, 𝑦 ≥ 0
FQC 28
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
La tabla siguiente evalúa el valor de las variables del PPL en cada uno de los puntos esquina del
ESF:
Tabla 11: Valores de las variables y función objetivo en los puntos esquina del problema
Por lo tanto, el punto esquina B es el óptimo, porque es aquel donde la función objetivo alcanza su
mínimo valor. Se concluye entonces que FERROSUR debe fabricar 1,25 toneladas de acero puro, a
un costo mínimo de 3,75 unidades monetarias. La chatarra no es rentable de producir.
PROBLEMA #13
Temporadas
Tipo
1 2 3 4
Seco 10 12 14 8
Frutoso 13 15 17 19
Añejo 21 25 9 11
FQC 29
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
El whisky seco lo vende a 34 dólares por botella, el frutoso a 28,8 y el añejo a 22,5 en la primera
temporada. En las siguientes se espera poder venderlos a un 5% más caro. Cada tipo de whisky es
elaborado mezclando tres materias primas, A, B y C, de las cuales se puede importar un máximo de
2000, 2500 y 1200 botellas por temporada a un costo de 35, 25 y 20 dólares, respectivamente. Estos
costos, válidos para la primera temporada, deberían aumentar un 2% en cada temporada. El whisky
seco debe contener por lo menos un 60% de la materia prima A y no más 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 más de
un 60% de la materia prima C. El whisky añejo 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 dólares para ser vendidas posteriormente.
FORMULAR (NO RESOLVER) un modelo de programación lineal que permita optimizar las
actividades del importador. Defina claramente variables, función objetivo y restricciones del
problema.
SOLUCIÓN: Las variables a considerar para este problema son las siguientes:
La función objetivo se subdivide en tres partes, 𝑧1 , 𝑧2 y 𝑧3 , donde 𝑧1 representa los ingresos que
obtiene el importador a partir de la venta de whisky en cada temporada, 𝑧2 representa los costos de
importación de whisky de cada tipo, y 𝑧3 representa los costos de almacenaje de whisky. Definimos
entonces:
4 3
3 3
𝑧3 = −0,5 ∑ ∑ 𝑧𝑖𝑗
𝑗=1 𝑖=1
𝑀𝑎𝑥(𝑍) = 𝑧1 + 𝑧2 + 𝑧3
Las restricciones del problema vienen dadas por la disponibilidad de materia prima para producir
cada tipo de whisky, la cantidad máxima de ventas por temporada, la proporción de uso de las
materias primas en la elaboración de cada tipo de whisky, y la producción, ventas y almacenaje por
temporada. Luego, se tiene lo siguiente:
FQC 30
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
∑ 𝑥𝑖𝑗𝐴 ≤ 2000 ; ∀ 𝑗 = 1, … , 4
𝑖=1
3
∑ 𝑥𝑖𝑗𝐵 ≤ 2500 ; ∀ 𝑗 = 1, … , 4
𝑖=1
3
∑ 𝑥𝑖𝑗𝐶 ≤ 1200 ; ∀ 𝑗 = 1, … , 4
𝑖=1
A partir de la tabla entregada en el enunciado del problema, se obtienen las restricciones de venta
máxima por temporada:
Finalmente, a partir de los datos entregados en el enunciado del problema con respecto a la
producción, ventas y almacenaje por temporada, se obtienen las siguientes expresiones:
FQC 31
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Naturalmente, todas las variables consideradas en la formulación de este problema son positivas o
nulas.
FQC 32
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
EJERCICIOS PEP 2
PROBLEMA #1
Resuelva el siguiente problema de transporte de mineral desde tres puntos de carguío y cuatro
piques de traspaso, y determine un plan óptimo de manejo de mineral en la mina de acuerdo a la
información que se indica. Use el método de la esquina noroeste para la obtención de la solución
básica de inicio.
Ahora determinaremos una solución básica de inicio utilizando el método de la esquina noroeste. El
tableau de transporte para este problema, una vez que se ha obtenido dicha solución con el método
de la esquina noroeste, es el siguiente:
FQC 33
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
14 12 5 1
PT2 10 20 10 30
12 15 9 3
PT3 40 40
Demanda 10 10 20 50 𝟗𝟎
La asignación de inicio es correcta, porque el número de variables básicas que hay en esta tabla
cumple con la condición 𝑛° 𝑑𝑒 𝑉𝐵 = 𝑚 + 𝑛 − 1 = 3 + 4 − 1 = 6 (hay un total de 6 variables básicas
en esta primera solución). Además, 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 iteración, con lo cual se
tiene que la variable de entrada es 𝑥31 .
𝜓1 = 2 𝜓2 = 3 𝜓3 = −4 𝜓4 = −8 Oferta
10 2 20 11
𝜑1 = 0 10 − 𝜃 10 + 𝜃 20
8 17
12 7 9 20
𝜑2 = 9 0−𝜃 20 10 + 𝜃 30
3
4 14 16 18
𝜑3 = 11 𝜃+𝜃 40 − 𝜃 40
−1 1 2
Demanda 10 10 20 50 𝟗𝟎
Una vez determinada que la variable de entrada 𝑥31 , 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
FQC 34
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
asignaciones sean positivas o nulas, la variable de salida se obtiene de las asignaciones limitadas
por la cantidad 𝜃 en el tableau anterior:
40 − 𝜃 ≥ 0
0−𝜃 ≥0
10 − 𝜃 ≥ 0
𝜓1 = 2 𝜓2 = 3 𝜓3 = −4 𝜓4 = −8 Oferta
10 2 20 11
𝜑1 = 0 10 10 20
7 16
12 7 9 20
𝜑2 = 9 20 10 30
4 1
4 14 16 18
𝜑3 = 11 0 40 40
2 2
Demanda 10 10 20 50 𝟗𝟎
Se debe observar que los costos reducidos 𝑐𝑖𝑗 son todos positivos. Por lo tanto, hemos llegado al
óptimo. La solución óptima es entonces 𝑥11 = 10, 𝑥12 = 10, 𝑥23 = 20, 𝑥24 = 10, 𝑥31 = 0, 𝑥34 = 40. El
costo mínimo de transporte es 𝑀𝑖𝑛(𝑧) = $210.
PROBLEMA #2
Un Ingeniero Geotécnico está desarrollando un proyecto de cálculo 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: Héctor y Daniel. Héctor 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, Héctor le advierte que podrá dibujar como máximo 5 planos, mientras
que Daniel no desea comprometerse a dibujar más de 4 planos, ya que el software le ha estado
fallando.
FQC 35
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Se pide:
Fin de Oferta
Semana Artificial
semana
30 27 0
Héctor 5
29 28 0
Daniel 4
Se debe hallar una solución básica de inicio para este problema. Una opción es utilizar el método de
aproximación de Vogel que, si bien es algo engorroso, nos permite acercarnos más que los otros
métodos al óptimo.
FQC 36
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Fin de Oferta
Semana Artificial
semana
30 27 0
Héctor 1−∆ 4+∆ 5
29 28 0
Daniel 2+∆ 2−∆ 4
𝑧 = (1 − ∆) × 30 + (4 + ∆) × 27 + (2 + ∆) × 29 = 196 + 26∆
𝜓1 = 30 𝜓2 = 27 𝜓3 = 1 Oferta
30 27 0
𝜑1 = 0 1−∆ 4+∆ 5
−1
29 28 0
𝜑2 = −1 2+∆ 2−∆ 4
2
Demanda 3 4+∆ 2−∆
Tabla 19: Solución de inicio con los valores duales y costos reducidos calculados
El costo reducido de la celda (1, 3) es negativo. Por ende, aún no hemos llegado al óptimo. La
variables de entrada es entonces 𝑥13 . Se debe generar un loop que contenga a 𝑥13 para así
determinar la variable de salida, como se muestra en Tabla 57.
FQC 37
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝜓1 = 30 𝜓2 = 27 𝜓3 = 1 Oferta
30 27 0
𝜑1 = 0 1−∆−𝜃 4+∆ 𝜃 5
−1
29 28 0
𝜑2 = −1 2+∆+𝜃 2−∆−𝜃 4
2
Demanda 3 4+∆ 2−∆
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 𝜃 en el tableau anterior:
1−∆−𝜃 ≥0
2−∆−𝜃 ≥0
𝜓1 = 29 𝜓2 = 27 𝜓3 = 0 Oferta
30 27 0
𝜑1 = 0 4+∆ 1−∆ 5
1
29 28 0
𝜑2 = 0 3 1 4
1
Demanda 3 4+∆ 2−∆
Se observa que el tableau anterior es óptimo, porque los costos reducidos son todos positivos. La
asignación óptima es de 3 planos para Daniel durante el fin de semana y al menos 4 planos para
Héctor durante la semana. El costo mínimo asociado es 𝑀𝑖𝑛(𝑧) = 195 + 27∆.
b) Si el Ingeniero requiere dibujar 5 planos durante la semana, basta evaluar las expresiones
anteriores para ∆ = 1; si se requiere dibujar 2 planos, basta evaluar para ∆ = −2.
FQC 38
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
c) En este caso no es posible emplear la solución anterior, ya que si ∆ = 2, entonces una de las
variables básicas, 𝑥13 , 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 Oferta
Semana
semana
30 27
Héctor 5
29 28
Daniel 4
Demanda 3 6
Tabla 22: Tableau de inicio para el problema con una demanda de 6 planos durante
la semana
𝜓1 = 28 𝜓2 = 27 Oferta
30 27
𝜑1 = 0 5 5
2
29 28
𝜑2 = 1 3 1 4
Demanda 3 6
FQC 39
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #3
3
𝑀𝑎𝑥(𝑧) = 𝑥 + 𝑥2
2 1
𝑠. 𝑎:
𝑥1 ≤ 6
𝑥2 ≤ 8
𝑥1 + 𝑥2 ≤ 10
2𝑥1 + 𝑥2 ≤ 14
𝑥1 , 𝑥2 ≥ 0
Los coeficientes de la función objetivo representan la utilidad asociada a la venta de dos productos,
𝑥1 y 𝑥2 , respectivamente. Las dos primeras restricciones se refieren a límites de demanda, y las dos
restantes se refieren a la utilización de dos recursos del proceso productivo.
La solución óptima del problema se encuentra en uno de los vértices del polígono ADJFEO.
Calculando los valores de la función objetivo para cada uno de estos puntos, se obtiene la siguiente
tabla de valores:
FQC 40
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Tabla 24: Valores de la función objetivo para los diferentes puntos esquina del ESF
El valor máximo de la función objetivo se obtiene en el punto J. Por lo tanto, la solución óptima es
𝑥1 = 4, 𝑥2 = 6, cuyo valor objetivo es 𝑀𝑎𝑥(𝑧) = 12.
b) Escribiendo las restricciones del problema de forma estándar, se tiene el siguiente conjunto de
ecuaciones lineales:
𝑥1 + 𝑠1 = 6
𝑥2 + 𝑠2 = 8
𝑥1 + 𝑥2 + 𝑠3 = 10
2𝑥1 + 𝑥2 + 𝑠4 = 14
Mediante operaciones elementales por fila es preciso dejar sólo una variable básica en cada
ecuación. Restando la tercera ecuación a la cuarta, se obtiene:
𝑥1 + 𝑠1 = 6
𝑥2 + 𝑠2 = 8
𝑥1 + 𝑥2 + 𝑠3 = 10
𝑥1 − 𝑠3 + 𝑠4 = 4
𝑠1 + 𝑠3 − 𝑠4 = 2
𝑥2 + 𝑠2 = 8
𝑥1 + 𝑥2 + 𝑠3 = 10
𝑥1 − 𝑠3 + 𝑠4 = 4
𝑠1 + 𝑠3 − 𝑠4 = 2
𝑥2 + 𝑠2 = 8
𝑥2 + 2𝑠3 − 𝑠4 = 6
𝑥1 − 𝑠3 + 𝑠4 = 4
FQC 41
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑠1 + 𝑠3 − 𝑠4 = 2
𝑠2 − 2𝑠3 + 𝑠4 = 8
𝑥2 + 2𝑠3 − 𝑠4 = 6
𝑥1 − 𝑠3 + 𝑠4 = 4
Las ecuaciones anteriores nos permiten escribir ahora la tabla óptima del problema:
V.B. 𝑥1 𝑥2 𝑠1 𝑠2 𝑠3 𝑠4 𝑏
𝑠1 0 0 1 0 1 -1 2
𝑠2 0 0 0 1 -2 1 2
𝑥2 0 1 0 0 2 -1 6
𝑥1 1 0 0 0 -1 1 4
−𝑧 0 0 0 0 1/2 1/2 -12
En forma alternativa, es posible construir el tableau a partir del análisis 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 región continental de Australia. Cada una de estas plantas es
capaz de retroalimentarse, total o parcialmente, con cianuro para el proceso de lixiviación del oro.
La capacidad de autoproducción de cianuro, en miles de m3, se muestra en Tabla 62:
Planta 1 2 3 4 5 6 7
Capacidad (km3) 190 150 140 330 260 150 240
GEOCORP desea que, al iniciar cada semana de trabajo, haya al menos 200.000 m3 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 envío por cada 1.000 m 3 (en miles de dólares) entre las distintas
plantas se ilustran en la siguiente red:
FQC 42
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
6 7
35
1
4
Figura 6: Red de plantas de cianuración de GEOCORP
Se pide: 2
a) Determinar la mejor forma de distribuir el compuesto de cianuro entre las plantas de lixiviación.
b) ¿En cuánto puede variar el costo de envío entre las plantas 1 y 3 para que la solución anterior
se mantenga?
c) Obtener la nueva solución si la producción de la planta 3 disminuye a 130.000 m 3 y la de la planta
5 aumenta a 270.000 m3.
d) Determinar la nueva solución si la producción de la planta 2 disminuye a 140.000 m 3 y la de la
planta 5 aumenta a 270.000 m3
FQC 43
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
48 42 30 15 0
Planta 5 60
𝑀 𝑀 65 35 0
Planta 7 40
Demanda 10 50 60 50 60
En este punto, se puede aplicar cualquier método para obtener la solución básica de inicio del
problema. Sin embargo, es interesante señalar que el método de aproximación de Vogel nos permite,
además, obtener la solución óptima de forma inmediata. En efecto, como se observa en Tabla 64,
se tiene:
𝜓1 = 40 𝜓2 = 38 𝜓3 = 30 𝜓4 = 15 𝜓5 = 0 Oferta
40 38 30 20 0
𝜑1 = 0 10 50 50 20 130
5
48 42 30 15 0
𝜑2 = 0 10 50 60
8 4 0
𝑀 𝑀 65 35 0
𝜑3 = 0 40 40
𝑀 𝑀 35 20
Demanda 10 50 60 50 60
Como todos los costos reducidos son positivos, y hay uno nulo (que indica la existencia de una
solución óptima alternativa), hemos llegado al óptimo. La solución óptima de este problema es 𝑥11 =
10, 𝑥12 = 50, 𝑥13 = 50, 𝑥15 = 20, 𝑥23 = 10, 𝑥24 = 50, 𝑥35 = 40, con un costo mínimo de 𝑀𝑖𝑛(𝑧) =
𝑈𝑆$ 4850000. 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 elaboración de un stock
FQC 44
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
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 variación del costo de envío no afecta a la
solución del problema.
Por lo tanto, el costo es ahora 300 veces más alto. Como la variable 𝑥23 está asignada (es una ruta
de envío) de la planta 5 a la planta 3, el nuevo valor de esta variable puede calcularse de forma muy
sencilla mediante la siguiente expresión:
𝑥23 = 10 + ∆= 10 + 10 = 20
d) En este caso, el nuevo valor de la función objetivo también puede ser obtenido por:
Como, en este caso, la variable 𝑥22 no está asignada, es preciso encontrar el loop que contiene a la
celda (2, 2), que corresponde a la variable 𝑥22 , y sumar y restar ∆ de forma alternada.
𝜓1 = 40 𝜓2 = 38 𝜓3 = 30 𝜓4 = 15 𝜓5 = 0 Oferta
40 38 30 20 0
𝜑1 = 0 10 50 + ∆ 50 − ∆ 20 130
5
48 42 30 15 0
𝜑2 = 0 10 + ∆ 50 60 + ∆
8 4 0
𝑀 𝑀 65 35 0
𝜑3 = 0 40 40
𝑀 𝑀 35 20
Demanda 10 50 + ∆ 60 50 60
FQC 45
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #5
𝜓1 = 9 𝜓2 = 7 𝜓3 = 7 𝜓4 = 8 Oferta
9 7 12 8
𝜑1 = 0 4 14 18
15 12 12 15
𝜑2 = 5 4 4
8 9 6 12
𝜑3 = −1 2 4 6
14 12 11 12
𝜑4 = 4 7 5 12
Demanda 6 14 15 5
a) La solución presentada en el tableau anterior es básica siempre que se cumplan las siguientes
condiciones:
En efecto:
∑ 𝑠𝑖 = 18 + 4 + 6 + 12 = 40
𝑖=1
4
∑ 𝑑𝑗 = 6 + 14 + 15 + 5 = 40
𝑗=1
FQC 46
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Las sumas de las asignaciones por fila (columna) son consistentes con las cantidades de
oferta (demanda) dadas en el tableau.
En efecto:
Por lo tanto, las asignaciones por fila (columna) son consistentes con las respectivas cantidades de
oferta (demanda) definidas en el tableau.
La última condición, que se le deja como ejercicio al lector (y que, evidentemente, se cumple), es
que el tableau respete el teorema de secuenciación. Vale decir, que no se pueda generar un loop
con la colección de variables básicas dada en dicho tableau.
b) Para efectuar la demostración, deben calcularse los costos reducidos de la solución básica
definida en (a). En efecto, se tiene que:
Luego, como 𝑐̅𝑖𝑗 ≥ 0; ∀ 𝑖, 𝑗, se tiene que la solución básica presentada en el tableau es óptima. El
costo mínimo de transporte asociado es 𝑀𝑖𝑛(𝑧) = 359 unidades.
FQC 47
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
c) En efecto, el problema tiene soluciones óptimas alternativas, ya que hay costos reducidos nulos
en las celdas (1, 4) y (2, 2), que corresponden a variables no básicas.
Función objetivo:
𝑀𝑖𝑛(𝑧) = 9𝑥11 + 7𝑥12 + 12𝑥13 + 8𝑥14 + 15𝑥21 + 12𝑥22 + 12𝑥23 + 15𝑥24 + 8𝑥31 + 9𝑥32 + 6𝑥33
+ 12𝑥34 + 14𝑥41 + 12𝑥42 + 11𝑥43 + 12𝑥44
Restricciones de oferta:
Restricciones de demanda:
Naturalmente, 𝑥𝑖𝑗 ≥ 0; ∀ 𝑖, 𝑗.
Función objetivo:
Restricciones:
𝜑1 + 𝜓1 ≤ 9 𝜑2 + 𝜓1 ≤ 15 𝜑3 + 𝜓1 ≤ 8 𝜑4 + 𝜓1 ≤ 14
𝜑1 + 𝜓2 ≤ 7 𝜑2 + 𝜓2 ≤ 12 𝜑3 + 𝜓2 ≤ 4 𝜑4 + 𝜓2 ≤ 12
𝜑1 + 𝜓3 ≤ 12 𝜑2 + 𝜓3 ≤ 12 𝜑3 + 𝜓3 ≤ 6 𝜑4 + 𝜓3 ≤ 11
𝜑1 + 𝜓4 ≤ 8 𝜑2 + 𝜓4 ≤ 15 𝜑3 + 𝜓4 ≤ 12 𝜑4 + 𝜓4 ≤ 12
e) La solución óptima del problema dual se obtiene reemplazando los valores de 𝜑𝑖 , 𝜓𝑗 , obtenidos
en el tableau óptimo entregado en primera instancia, con lo cual se obtiene 𝑀𝑎𝑥(𝑣) = 359. Como
𝑀𝑖𝑛(𝑧) = 359, se cumple el teorema de dualidad y, por ende, esta es la solución óptima del problema
dual.
FQC 48
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #6
El Jefe de carguío y transporte de una operación 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 67. Aquellos costos indeterminados (-)
representan la condición de no aplicabilidad del operador a la pala respectiva.
Tabla 30: Detalle de costos de cada operador con respecto a cada pala
Se pide:
9 3 𝑀 5
𝐶 = (7 2 7 6 )
5 5 2 𝑀
7 4 3 2
Las asignaciones ocupadas por la constante M son aquellas que no son aplicables por cualquier
razón, y se indican con M, que implica un costo infinito, para que así el algoritmo no los considere
como asignaciones válidas en el óptimo. Se genera entonces la eliminación de mínimos por filas,
obteniéndose:
9 3 𝑀 5 3 6 0 𝑀 2
𝐶1 = (7 2 7 6 ) − ( ) = (5 0 5 4 )
2
5 5 2 𝑀 2 3 3 0 𝑀
7 4 3 2 2 5 2 1 0
A la matriz resultante, 𝐶1 , se le aplica ahora una eliminación de mínimos por columnas, obteniéndose:
6 0 𝑀 2
𝐶2 = (5 0 5 4 )
3 3 0 𝑀
5 2 1 0
FQC 49
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
−(3 0 0 0)
Lo que implica:
3 0 𝑀 2
𝐶2 = (2 0 5 4 )
0 3 0 𝑀
2 2 1 0
Como los ceros generados mediante la eliminación de mínimos por filas y columnas no garantizan
aún una asignación óptima, se debe tachar la cantidad mínima de filas y columnas que tengan ceros.
3 0 𝑀 2
𝐶2 = (2 0 5 4 )
0 3 0 𝑀
2 2 1 0
Ahora se debe elegir el mínimo elemento entre aquellos que no se encuentran tachados, restárselo
a todos los elementos no tachados, y sumárselo a aquellos elementos que se encuentren en la
intersección de las líneas con las que tachamos las filas y columnas con elementos nulos. Así, se
obtiene la siguiente matriz:
1 𝟎 𝑀 0
𝐶3 = ( 𝟎 0 3 2)
0 5 𝟎 𝑀
2 4 1 𝟎
En esta oportunidad, los ceros sí garantizan una asignación óptima, determinada por los elementos
coloreados con amarillo. Cotejando con la tabla entregada en el enunciado del problema, la
asignación óptima es entonces la siguiente:
El costo mínimo de esta asignación se obtiene sumando los costos respectivos de cada operador
con respecto a las palas asignadas. Luego, 𝑀𝑖𝑛(𝑧) = 7 + 3 + 2 + 2 = 11 unidades monetarias.
b) La quinta pala puede ser agregada a la tabla de costos suponiendo la existencia de un operador
ficticio más, para que así, de esta forma, la matriz de costos cumpla con la restricción 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:
9 3 𝑀 5 0
7 2 7 6 0
𝐶= 5 5 2 𝑀 0
7 4 3 2 0
(2 8 2 1 0)
Se debe notar que no tiene sentido generar una eliminación por filas, debido a que hemos agregado
una columna nula. Generando entonces la eliminación de mínimos por columnas, se obtiene:
FQC 50
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
9 3 𝑀 5 0
7 2 7 6 0
𝐶1 = 5 5 2 𝑀 0
7 4 3 2 0
(2 8 2 1 0)
− (2 2 2 1 0)
Luego:
7 1 𝑀 4 0
5 0 5 5 0
𝐶1 = 3 3 0 𝑀 0
5 2 1 1 0
(0 6 0 0 0)
Como los ceros generados mediante la eliminación de mínimos por filas y columnas no garantizan
aún una asignación óptima, se debe tachar la cantidad mínima de filas y columnas que tengan ceros.
7 1 𝑀 4 0
5 0 5 5 0
𝐶1 = 3 3 0 𝑀 0
5 2 1 1 0
(0 6 0 0 0)
Ahora se debe elegir el mínimo elemento entre aquellos que no se encuentran tachados, restárselo
a todos los elementos no tachados, y sumárselo a aquellos elementos que se encuentren en la
intersección de las líneas con las que tachamos las filas y columnas con elementos nulos. Así, se
obtiene la siguiente matriz:
6 0 𝑀 3 𝟎
5 𝟎 5 5 1
𝐶1 = 3 3 𝟎 𝑀 1
4 1 0 𝟎 0
(𝟎 6 0 0 1)
En esta oportunidad, los ceros sí garantizan una asignación óptima, determinada por los elementos
coloreados con amarillo. Cotejando con la tabla entregada en el enunciado del problema, la
asignación óptima es entonces la siguiente:
El costo mínimo de esta asignación se obtiene sumando los costos respectivos de cada operador
con respecto a las palas asignadas. Luego, 𝑀𝑖𝑛(𝑧) = 2 + 2 + 2 + 2 = 8 unidades monetarias. La
FQC 51
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
inclusión 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 Región, PETROMAT S.A., una mediana planta de áridos para la construcción, produce 4
tipos de materiales de áridos. El proceso está compuesto por tres etapas: chancado, harneado e
inspección de calidad. Se dispone de 800 horas de chancado, 1000 horas de harneado y 340 horas
– hombre (HH) de inspección para el próximo mes de producción. En base a estas disponibilidades,
la empresa desea maximizar sus utilidades dentro de este período. Para resolver el problema, se ha
formulado un modelo de programación lineal, el cual se presenta a continuación:
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑠1 𝑠2 𝑠3 𝑏
𝑥2 0 1 3/2 -1 0 200
𝑥1 1 0 -2 2 0
𝑠3 0 0 1/10 -2/5 1 20
−𝑧
Responder:
FQC 52
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
j) ¿Cuál es la nueva solución y el nuevo valor de la función objetivo si las horas de chancado
aumentan a 880?
k) ¿Aceptaría la producción de un material árido del tipo 5, si requiere 2 horas de chancado y 3
horas de harneado e inspección de calidad, respectivamente, con una utilidad de 30 unidades
monetarias?
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑠1 𝑠2 𝑠3 𝑏
𝑠1 1 2 10 16 1 0 0 800
𝑠2 3/2 2 4 5 0 1 0 1000
𝑠3 1/2 3/5 1 2 0 0 1 340
−𝑧 -8 -14 -30 -50 0 0 0 0
Además, la matriz inversa óptima se puede obtener a partir de la tabla óptima (incompleta) entregada
en el enunciado del problema:
3/2 −1 0
𝐴−1
𝑘 = ( −2 2 0)
1/10 −2/5 1
Para obtener la solución óptima se debe calcular la matriz óptima de recursos, 𝑏̅𝑘 . Para ello se debe
recurrir al formulismo del método símplex revisado. En efecto, se tiene:
La máxima utilidad de este plan se calcula reemplazando los valores óptimos entregados por el plan
en la función objetivo del problema, con lo cual 𝑀𝑎𝑥(𝑧) = 6000 unidades monetarias.
b) Para determinar la existencia de óptimos alternativos, se deben verificar los costos reducidos en
la tabla óptima. Como éstos no fueron entregados, deben calcularse igualmente mediante el
formulismo del método símplex revisado para así completar la tabla óptima del problema. Lo primero
entonces es calcular las columnas de restricción óptimas que faltan en dicha tabla:
3/2 −1 0 10 16 11 19
𝐴̅𝑘 (𝑥3 , 𝑥4 ) = 𝐴−1
𝑘 × 𝐴 (𝑥 ,
0 3 4 𝑥 ) = ( −2 2 0) × ( 4 5 ) = (−12 −22)
1/10 −2/5 1 1 2 2/5 8/5
FQC 53
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
3/2 −1 0
𝜋 𝑘 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
𝑘 = (−14 −8 0) × ( −2 2 0) = (−5 −2 0)
1/10 −2/5 1
10 16
𝑐𝑗 (𝑥3 , 𝑥4 ) = 𝑐𝐵 − 𝜋 𝑘 × 𝐴𝑂 (𝑥3 , 𝑥4 ) = (−30 −50) − (−5 −2 0) × ( 4 5 ) = (28 40)
1 2
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑠1 𝑠2 𝑠3 𝑏
𝑥2 0 1 11 19 3/2 -1 0 200
𝑥1 1 0 -12 -22 -2 2 0 400
𝑠3 0 0 2/5 8/5 1/10 -2/5 1 20
−𝑧 0 0 28 40 5 2 0 -6000
Se observa, en este caso, que todos los costos reducidos son positivos para las variables no básicas.
Por lo tanto, no existen óptimos alternativos para este problema.
Luego:
Por lo tanto, 𝑑3 > −58. Se tiene entonces que −88 < 𝑐30 < ∞. Por lo tanto, la utilidad de 𝑥3 puede
aumentar sin límite sin cambiar la solución óptima del problema. Sin embargo, sólo 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 óptima de este problema. Se dice que 𝑥3 es una
variable que otorga total flexibilidad. Sin embargo, 𝑥3 no es rentable de todos modos.
d) Siendo 𝑥2 una variable básica, el análisis es un tanto más engorroso. Sea 𝑑2 el cambio (positivo
o negativo) del coeficiente de 𝑥2 en la función objetivo. Calculamos entonces las cotas de 𝑑2 a
continuación:
Cota superior:
28 40 10 40
𝜃𝑠𝑢𝑝 = min { , , }=
11 19 3 19
Cota inferior:
FQC 54
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝜃𝑖𝑛𝑓 = max{−2} = −2
Por lo tanto, se tiene que −2 < 𝑑2 < 40/19 . Por lo tanto, la utilidad del material árido del tipo 2 puede
disminuir hasta en 2 unidades monetarias sin que ello modifique la base óptima del problema.
e) Sea 𝐷1 el cambio (positivo o negativo) en la cantidad de horas de chancado. Calculamos las cotas
de 𝐷1 a continuación:
Cota superior:
−400
𝜃𝑠𝑢𝑝 = min { } = 200
−2
Cota inferior:
−400 400
𝜃𝑠𝑢𝑝 = max { , −200} = −
3 3
400
Por lo tanto, se tiene que − < 𝐷1 < 200. Luego, la cantidad de horas de chancado varían en el
3
intervalo 666.7 < ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑐ℎ𝑎𝑛𝑐𝑎𝑑𝑜 < 1000. Dentro de ese rango, la base óptima permanece
inalterada.
f) El máximo valor a pagar por una hora de harneado adicional corresponde, en teoría, al valor del
precio sombra (o precio dual) asociado a la restricción de harneado (que es la restricción 2). Dicho
precio sombra es, de la tabla óptima, 𝜋2 = 2 unidades monetarias. Este corresponde al valor máximo
a pagar por una hora de harneado adicional.
h) Tal y como se vió en (f), el precio sombra asociado a las horas adicionales de harneado es 𝜋2 =
2 unidades monetarias, y es el máximo a pagar por dicha capacidad adicional. El límite máximo más
allá del cual la base óptima se modifica, con respecto a este recurso, se verficia mediante el
respectivo análisis de sensibilidad. Sea 𝐷2 el cambio (positivo o negativo) en las horas de harneado.
Las cotas de 𝐷2 se calculan como sigue:
Cota superior:
𝜃𝑠𝑢𝑝 = min{200,50} = 50
Cota inferior:
FQC 55
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Por lo tanto, se tiene que −200 < 𝐷2 < 50. Luego, es posible arrendar un máximo de 50 horas
adicionales de harneado, sin que ello modifique la base óptima.
i) Si las horas de chancado aumentan hasta las 880 horas, se puede obtener la nueva solución de
forma inmediata mediante el formulismo del método símplex revisado. Para ello, la matriz inicial de
recursos debe incluir este cambio, por lo cual:
La nueva utilidad máxima se obtiene reemplazando estos valores en la función objetivo, con lo cual
se tiene que 𝑀𝑎𝑥(𝑧) = 6400 unidades monetarias. Naturalmente, este plan es más rentable, porque
deja una utilidad mayor.
j) Sea 𝐷3 el cambio (positivo o negativo) en las horas – hombre de inspección de calidad. Las cotas
de 𝐷3 se calculan de la tabla óptima como sigue:
Cota superior:
𝜃𝑠𝑢𝑝 = min{∞} = ∞
Cota inferior:
20
𝜃𝑖𝑛𝑓 = max {− } = −20
1
Por lo tanto, 𝐷3 > −20. Luego, las horas de inspección pueden disminuir hasta en 20 unidades, sin
que ello modifique la base óptima del problema.
k) Según los datos que entrega el problema, se debe agregar una nueva variable al modelo original,
que denotamos por 𝑥5 . Utilizando los coeficientes de restricción entregados para esta variable y su
utilidad original, es posible calcular su costo reducido de forma inmediata mediante el uso del
formulismo del método símplex revisado. En efecto:
2
𝑐̅5 = −30 − (−5 −2 0) × (3) = −14
3
Como el costo reducido de 𝑥5 es negativo, entonces debe entrar a la base. Se asegura así al menos
una iteración más y, por tanto, al menos una mejora en la utilidad máxima de PETROMAT, lo que
implica que se acepta la producción del nuevo material árido.
FQC 56
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #8
La empresa de transporte TRANSEC Ltda. realiza traslados de mineral desde las minas Alto, Cerro
e Indígena a distintas plantas concentradoras ubicadas a lo largo del país. El gerente de finanzas y
logística de TRANSEC desea determinar los recorridos más convenientes, en términos de costos,
para los futuros contratos.
Los costos de transporte, con sus respectivos requerimientos y suministros, se presentan en Tabla
68.
Determine las rutas más convenientes para TRANSEC. Utilice el método de mínimo costo para
encontrar la solución básica de inicio y analice sus resultados.
3 4
∑ 𝑠𝑖 = 20 + 10 + 8 = 38 = ∑ 𝑑𝑗 = 15 + 8 + 10 + 5 = 38
𝑖=1 𝑗=1
FQC 57
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
13 5 9 14
Cerro 10
14 2 8 19
Indígena 8
Demanda 15 8 10 5 𝟑𝟖
Desarrollando por mínimo costo, se llega a la siguiente solución básica de inicio. Se debe considerar
que se ha agregado una asignación nula en la celda (2, 2) para así satisfacer el teorema de
secuenciación:
13 5 9 14
Cerro 10 0 10
14 2 8 19
Indígena 8 8
Demanda 15 8 10 5 𝟑𝟖
Calculamos ahora los valores duales y costos reducidos para la primera iteración, con lo cual se
tiene que la variable de entrada es 𝑥24 .
FQC 58
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝜓1 = 19 𝜓2 = 11 𝜓3 = 7 𝜓4 = 21 Oferta
10 2 20 11
𝜑1 = 0 5+𝜃 10 5−𝜃 20
0
12 7 9 20
𝜑2 = −6 10 − 𝜃 0 𝜃 10
8 −1
4 14 16 18
𝜑3 = −9 8 8
4 10 7
Demanda 15 8 10 5 𝟑𝟖
Una vez determinado que la variable de entrada es 𝑥24 , se debe generar un loop para determinar la
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 𝜃 en el tableau anterior:
5−𝜃 ≥0
10 − 𝜃 ≥ 0
𝜓1 = 19 𝜓2 = 11 𝜓3 = 7 𝜓4 = 20 Oferta
10 2 20 11
𝜑1 = 0 10 10 20
0 1
12 7 9 20
𝜑2 = −6 5 0 5 10
8
4 14 16 18
𝜑3 = −9 8 8
4 10 8
Demanda 15 8 10 5 𝟑𝟖
FQC 59
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
El tableau anterior óptimo, porque todos los costos reducidos son no negativos. La solución óptima
de este problema es entonces 𝑥11 = 10, 𝑥13 = 10, 𝑥21 = 5, 𝑥22 = 0, 𝑥24 = 5, 𝑥32 = 8. El costo mínimo
asociado a las asignaciones anteriores es 𝑀𝑖𝑛(𝑧) = 411 unidades monetarias.
Es interesante señalar que este problema presenta una solución óptima degenerada, ya que la
asignación en la celda (2, 2) es nula. Además, también presenta óptimos alternativos, puesto que el
costo reducido de la variable no básica 𝑥12 es nulo.
PROBLEMA #9
ASIOPMEL debe decidir cuántas unidades de detonadores se deben producir en cada planta, y
cuánta demanda de cada cliente se abastecerá desde cada una de ellas. Se desea minimizar el
costo total de producción y transporte para ASIOPMEL en los siguientes escenarios:
FQC 60
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Antes de comenzar el análisis, se debe considerar que este problema presenta una singularidad: la
producción de detonadores implica un costo fijo. Dicho costo está siempre presente, y por ende
debe ser añadido al algoritmo de transporte. La forma más sencilla es sumar dicho costo fijo de
producción a cada una de las celdas que definen las rutas de transporte (de forma más directa,
sumar los costos fijos por filas), para así resolver el problema correctamente. De lo anterior, el tableau
de inicio para el modelo de ASIOPMEL es el siguiente:
10 8 6 0
Planta B 4000
8 4 6 0
Planta C 6000
Desarrollando por el método de mínimo costo, se llega a la siguiente solución básica de inicio:
FQC 61
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝜓1 = 5 𝜓2 = 4 𝜓3 = 1 𝜓4 = 0 Oferta
5 4 8 0
𝜑1 = 0 2000 + 𝜃 4000 − 𝜃 6000
7 0
10 8 6 0
𝜑2 = 5 2000 − 𝜃 2000 𝜃 4000
−1 8 −5
8 4 6 0
𝜑3 = 0 2000 + 𝜃 4000 − 𝜃 6000
3 5
Demanda 4000 2000 6000 4000 𝟏𝟔𝟎𝟎𝟎
Una vez determinado que la variable de entrada es 𝑥24 , se debe generar un loop para determinar la
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 𝜃 en el tableau anterior:
4000 − 𝜃 ≥ 0
2000 − 𝜃 ≥ 0
FQC 62
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝜓1 = 5 𝜓2 = 4 𝜓3 = 6 𝜓4 = 0 Oferta
5 4 8 0
𝜑1 = 0 4000 2000 6000
2 0
10 8 6 0
𝜑2 = 0 2000 2000 4000
5 4 8 −5
8 4 6 0
𝜑3 = 0 4000 2000 6000
3 0
Demanda 4000 2000 6000 4000 𝟏𝟔𝟎𝟎𝟎
Tabla 40: Solución óptima del problema de ASIOPMEL para el primer escenario
La tabla anterior es óptima, porque todos los costos reducidos son no negativos. La solución óptima
es entonces 𝑥11 = 4000, 𝑥12 = 2000, 𝑥23 = 2000, 𝑥24 = 2000, 𝑥32 = 4000, 𝑥34 = 2000. El costo mínimo
de transporte asociado a este plan es 𝑀𝑖𝑛(𝑧) = $56.000.
Lo siguiente es verificar qué sucede en el caso de que la fabricación 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 más sencillo es suprimir la producción de la planta B, porque así
utilizamos de forma efectiva sólo las plantas necesarias para satisfacer la demanda de los clientes
y, al mismo tiempo, balancear el problema.
A continuación se muestra el tableau de inicio para este escenario, al cual se le ha encontrado una
solución básica de inicio mediante el método de mínimo costo. También se han calculado los valores
duales y los costos reducidos para esta primera iteración, con lo cual se determina que 𝑥23 es la
variable de entrada en la primera iteración.
𝜓1 = 5 𝜓2 = 4 𝜓3 = 8 Oferta
5 4 8
𝜑1 = 0 4000 0+𝜃 2000 − 𝜃 6000
8 4 6
𝜑2 = 0 6000 − 𝜃 𝜃 6000
3 −2
Demanda 4000 6000 2000 𝟏𝟐𝟎𝟎𝟎
FQC 63
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Una vez determinado que la variable de entrada es 𝑥23 , se debe generar un loop para determinar la
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 𝜃 en el tableau anterior:
6000 − 𝜃 ≥ 0
2000 − 𝜃 ≥ 0
𝜓1 = 5 𝜓2 = 4 𝜓3 = 6 Oferta
5 4 8
𝜑1 = 0 4000 2000 6000
2
8 4 6
𝜑2 = 0 4000 2000 6000
3
Demanda 4000 6000 2000 𝟏𝟐𝟎𝟎𝟎
La tabla anterior es óptima, porque todos los costos reducidos son positivos. La solución óptima es
entonces 𝑥11 = 4000, 𝑥12 = 2000, 𝑥22 = 4000, 𝑥23 = 2000. El costo mínimo de transporte asociado a
este plan es 𝑀𝑖𝑛(𝑧) = $56.000.
Se observa entonces que ambos escenarios entregan un costo mínimo similar, por ende, en teoría,
es indiferente cuál utilizar por ASIOPMEL. Sin embargo, de todos modos, el plan de producción del
segundo escenario implica que, para estos efectos, la planta B puede utilizarse para cualquier otra
operación, lo que le da cierta ventaja sobre el primer escenario.
PROBLEMA #10
COBREANDES Ltda. (Chile) es propiedad de una operación a cielo abierto de cobre en la II Región.
La explotación comprende la extracción de cuatro tipos de minerales: óxido de baja ley (OXBL), óxido
de alta ley (OXAL), sulfuro de baja ley (SUBL) y sulfuro de alta ley (SUAL). La operación mantiene
dos plantas de chancado, una para óxidos y una para sulfuros, cuyas capacidades son 40 y 50 ktpd,
respectivamente, y su alimentación, de acuerdo al plan minero, establece que la extracción de alta
ley y baja ley debe estar en la razón 2:1, mientras que la extracción de sulfuros debe estar en la
razón 1:1.
Además, por razones de disponibilidad de carguío, el doble de la producción de sulfuros de alta ley
no debe superar la producción de sulfuros de baja ley sumado al stock permanente de 10 kt en
planta. Restricciones de transporte por camiones establecen que la producción total de mineral
FQC 64
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
sulfurado debe superar, al menos en un 40%, la producción total de mineral oxidado. La producción
del día requerida por el plan minero debe ser igual a 70 ktpd.
El objetivo de la COBREANDES es, naturalmente, maximizar sus ingresos. Para ello, se ha definido
un modelo de programación lineal cuya tabla óptima se presenta a continuación:
Tabla óptima:
FQC 65
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Asimismo, el máximo ingreso a percibir por concepto de este plan de producción es de 1650 US$/día.
b) Como la tabla de inicio del modelo de COBREANDES no fue entregada, se debe generar el
modelo de programación lineal original de este problema para así completar la tabla óptima y hacer
el análisis de sensibilidad pedido. Las variables de dicho modelo se definen como sigue:
Las restricciones del problema se pueden obtener fácilmente a partir del enunciado del mismo. En
este caso, se tiene lo siguiente:
FQC 66
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑠1 1 2 0 0 0 1 0 0 0 0 40
𝑠2 0 0 1 1 0 0 1 0 0 0 50
𝑎1 1 1 1 1 0 0 0 1 0 0 70
𝑠3 0 2 -1 0 0 0 0 0 1 0 10
𝑎2 -7/5 -7/5 1 1 -1 0 0 0 0 1 0
−𝑧 -20 -10 -15 -40 0 0 0 0 0 0 0
Lo siguiente es utilizar el formulismo del método símplex revisado para obtener la tabla óptima del
modelo de COBREANDES. Lo mejor que se puede hacer, sin embargo, es también comprobar las
columnas ya entregadas en la tabla óptima del enunciado del problema, para así corroborar que lo
hemos modelado correctamente. Por lo tanto, tenemos:
1 1 −1 0 0
0 24 −14 0 −1
𝐴−1
𝑘 = 0 −1 1 0 0
0 1/3 0 1/3 0
( 0 2/3 0 −1/3 0 )
1 1 −1 0 0 40 20
0 24 −14 0 −1 50 220
𝑏̅𝑘 = 0 −1 1 0 0 × 70 = 20
0 1/3 0 1/3 0 10 20
( 0 2/3 0 −1/3 0 ) ( 0 ) ( 30 )
1 1 −1 0 0
0 24 −14 0 −1
𝜋 𝑘 = (0 0 −20 −40 −15) × 0 −1 1 0 0
0 1/3 0 1/3 0
( 0 2/3 0 −1/3 0 )
10 25
Luego, 𝜋 𝑘 = (0 −
3
−20 −
3
0).
1 0 0 0
0 1 1 0
10 25 1
𝑐̅𝑘 = (−20 −15 −40 0) − (0 − −20 − 0) × 0 1 1 0
3 3 −1 0 0
7
(− 5 1 1 −1)
FQC 67
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Los resultados obtenidos mediante el método simplex revisado confirman que el modelo realizado
en primera instancia está correcto. Ahora podemos preceder a realizar el análisis de sensibilidad
pedido.
Sea 𝑑1 el cambio (positivo o negativo) en la utilidad de OXBL. Las cotas de 𝑑1 se calculan como
sigue:
Cota superior:
10 20
𝜃𝑠𝑢𝑝 = min { , } = 10
1 1
Cota inferior:
10
10
𝜃𝑖𝑛𝑓 = max { 3 } = −
−1 3
10
Por lo tanto, se obtiene que − < 𝑑1 < 10. Sin embargo, se debe considerar que como el modelo
3
de COBREANDES es un modelo de maximización, este intervalo debe revertirse para así acotar el
10
coeficiente de OXBL de forma correcta. Luego, −10 < 𝑑1 < . Por lo tanto, el intervalo en el cual la
3
70
utilidad de OXBL puede variar sin afectar la base óptima es 10 < 𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑂𝑋𝐵𝐿 < .
3
c) Si la utilidad de SUAL aumenta en 10 unidades, se tendrá entonces que 𝑐4 = 50. Como la variable
𝑥4 (que representa el tonelaje de SUAL en explotación) es básica, un cambio en su coeficiente
objetivo altera los valores duales óptimos del problema. Por ende, el vector de valores duales debe
ser recalculado. Sin embargo, primero verificaremos cuál es el intervalo de optimalidad de esta
variable. Sea 𝑑4 el cambio (positivo o negativo) en la utilidad de SUAL. Calculamos las cotas de
dicha variación de la siguiente forma:
Cota superior:
10/3 25/3
𝜃𝑠𝑢𝑝 = min { , } = 10
1/3 1/3
FQC 68
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
No existe cota inferior, ya que 𝑎4𝑗 ≥ 0 para todo 𝑗. Por lo tanto, −∞ < 𝑑4 < 10. Como el problema es
de maximización, el intervalo de optimalidad debe invertirse, por lo que −10 < 𝑑4 < ∞. Luego la
variación de la utilidad 𝑐4 es 𝑐4 > 30. Así, si 𝑐4 = 50, la solución óptima no se ve afectada.
Lo que implica:
Por tanto, 𝑐2 > −20. Sin embargo, como este problema es de maximización, este intervalo debe
revertirse a fin de hacer el análisis de forma correcta. Por lo tanto, 𝑐2 < 20. Cualquier aumento de 𝑐2
más allá de 20 US$/unidad altera la base óptima del problema. Luego, un aumento de 8 US$/unidad
no cambia las variables básicas del modelo, porque quedaría 𝑐2 = 18, lo que está 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$/unidad para que sea rentable su producción, ya que de esta forma la base óptima del
problema cambiaría, quedando 𝑥2 (que son las unidades de OXAL en explotación) como variable de
entrada y, en consecuencia, como parte de la nueva solución óptima del problema.
f) Sea 𝐷3 el cambio (positivo o negativo) en la producción total del plan minero. Las cotas de
variación de 𝐷3 se calculan a partir de la tabla óptima como sigue:
Cota superior:
110 110
𝜃𝑠𝑢𝑝 = min { , 20} =
7 7
Cota inferior:
110
Por lo tanto, se tiene que −20 < 𝐷3 < . En consecuencia, el intervalo de factibilidad de la
7
producción del plan minero es 50 < 𝑘𝑡𝑝𝑑 𝑝𝑙𝑎𝑛 𝑚𝑖𝑛𝑒𝑟𝑜 < 85.7. Concluimos entonces que el aumento
de la producción según dicho plan a 80 ktpd no altera la base óptima, aunque sí su valor. Calculamos
la solución óptima y su valor objetivo utilizando el método símplex revisado como sigue:
1 1 −1 0 0 40 10
0 24 −14 0 −1 50 80
𝑏̅𝑘 = 0 −1 1 0 0 × 80 = 30
0 1/3 0 1/3 0 10 20
( 0 2/3 0 −1/3 0 ) ( 0 ) (30)
FQC 69
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Luego, el nuevo plan abarca la explotación de 30 ktpd de óxido de baja ley, 20 ktpd de sulfuro de
alta ley y 30 ktpd de sulfuro de baja ley. El ingreso máximo por concepto de este nuevo plan se
obtiene reemplazando estos valores en la función objetivo, con lo cual 𝑀𝑎𝑥(𝑧) = 1850 US$/día.
g) Se deben generar dos análisis de sensibilidad independientes. Uno para una capacidad de 45 kt
en la planta de óxidos (recurso ligado a la restricción nº1) y otro para una capacidad de 30 kt en la
planta de sulfuros (recurso ligado a la restricción nº2).
Para el cambio en la capacidad de la planta de óxidos, calculamos la matriz óptima de recursos como
sigue:
1 1 −1 0 0 45 25
0 24 −14 0 −1 50 220
𝑏̅𝑘 = 0 −1 1 0 0 × 70 = 20
0 1/3 0 1/3 0 10 20
( 0 2/3 0 −1/3 0 ) ( ) ( 30 )
0
1 1 −1 0 0 40 0
0 24 −14 0 −1 30 −260
𝑏̅𝑘 = 0 −1 1 0 0 × 70 = 40
0 1/3 0 1/3 0 10 40/3
( 0 2/3 0 −1/3 0 ) ( 0 ) ( 50/3 )
h) Se tiene un aumento del recurso correspondiente a la cuarta restricción hasta las 20 kt. Utilizando
la fórmula del método simplex revisado, se tiene:
1 1 −1 0 0 40 20
0 24 −14 0 −1 50 220
𝑏̅𝑘 = 0 −1 1 0 0 × 70 = 20
0 1/3 0 1/3 0 20 70/3
( 0 2/3 0 −1/3 0 ) ( 0 ) (80/3)
La nueva solución encontrada es factible, porque todos los valores del vector columna calculado son
no negativos. Reemplazando estos valores en la función objetivo del problema se obtiene un ingreso
máximo de 𝑀𝑎𝑥(𝑧) = 1733,3 US$/día, lo cual es evidentemente más rentable que la solución óptima
del problema original.
FQC 70
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
1 1 −1 0 0 40 20
0 24 −14 0 −1 50 220
𝑏̅𝑘 = 0 −1 1 0 0 × 70 = 20
0 1/3 0 1/3 0 0 50/3
( 0 2/3 0 −1/3 0 ) ( 0 ) (100/3)
i) De la tabla óptima, se tiene que los precios sombra asociados a los recursos de capacidad de
chancado en las plantas de óxidos y sulfuros, respectivamente, son 𝜋1 = 0 y 𝜋2 = 3,333. En
consecuencia, se tiene que la capacidad de chancado en la planta de óxidos es un recurso
abundante, puesto que la holgura 𝑠1 es no nula, y por ende no es necesario pagar por mayor
capacidad. Por el contrario, para tener capacidad adicional de chancado en la planta de sulfuros, se
debe pagar un total de 3,333 US$/kt, o bien, 0,00333 US$/t adicional.
j) Tal y como se hizo en (i), verificando la tabla óptima, se tiene que el precio sombra asociado al
recurso de stock en la planta de sulfuros es 𝜋4 = 8,333 US$/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 extracción de COBREANDES se obtiene
utilizando la relación 𝑀𝑎𝑥(𝑧) = 𝜋 𝑘 × 𝑏̅𝑘 , verificando los resultados de la multiplicación término a
término. El mayor de ellos será el que más ingreso aporta al plan. Por lo tanto:
R1: 0 × 40 = 0 → Aporte = 0
10
R2: × 50 = 166,7 → Aporte = 𝑈𝑆$ 166,7
3
R3: 20 × 70 = 1400 → Aporte = 𝑈𝑆$ 1400
25
R4: × 20 = 583,3 → Aporte = 𝑈𝑆$ 583,3
3
R5: 0×0=0 → Aporte = 0
Por lo tanto, el recurso que mayor ingreso aporta al proyecto de COBREANDES es R3,
correspondiente al plan minero de extracción de mineral.
PROBLEMA #11
La Compañía Minera CERRO IMÁN Chile (CMCI), comercializa cuatro tipos de productos minerales
de Fe (mineral, grueso, pellet y fino). La gerencia mina ha resuelto desarrollar un plan de producción
mediante programación lineal. La información pertinente para la realización de este plan se ha
entregado en Tabla 81:
FQC 71
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Tabla 44: Información entregada por Gerencia para la realización del plan
La siguiente es la tabla óptima del modelo de CMCI, cuyo objetivo es maximizar sus ingresos. Las
restricciones están asociadas a la producción, requerimiento de mineral grueso, disponibilidad de
chancado y de concentración.
FQC 72
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Del enunciado, se obtienen de inmediato las primeras dos restricciones del modelo:
Producción: 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 1100
Requerimiento de grueso: 𝑥2 ≥ 350
Para encontrar la solución óptima, se debe completar la tabla óptima del problema, la cual fue
entregada incompleta. Lo primero es identificar la matriz inversa óptima:
FQC 73
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
2 0 0 −1/3
−1 0 0 1/3
𝐴−1
𝑘 =( )
1 0 1 −1
−1 −1 0 1/3
Además, dado que se entregan las columnas canónicas en la tabla óptima, es posible determinar
que la base óptima de la solución está conformada por las variables siguientes:
Luego, el primer elemento a calcular de la tabla óptima es el vector de valores duales, dado por la
fórmula 𝜋 𝑘 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
𝑘 . Así:
2 0 0 −1/3
𝑘 −1 0 0 1/3
𝜋 = (−6 −8 0 0) × ( ) = (−4 0 0 −2/3)
1 0 1 −1
−1 −1 0 1/3
Ahora debemos calcular las columnas de restricción que faltan en la tabla óptima:
Calculamos la matriz óptima de recursos (para comprobar que el modelo de inicio es correcto):
1
533
2 0 0 −1/3 3
1100 2
−1 0 0 1/3
𝑏̅𝑘 = 𝐴−1
𝑘 × 𝑏𝑜 = ( ) × ( 350 ) = 566 3
1 0 1 −1 4500
0 1/3 5000 600
−1 −1 2
(216 3)
1 1
𝑐̅𝑗 = 𝑐𝐵𝑜 𝑘
− 𝜋 × 𝐴𝑜 = (−5 −4) − (−4 0 0 −2/3) × (0 0) = (5/3 8/3)
4 3
4 4
FQC 74
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
1100
23200
𝑀𝑖𝑛(−𝑧) = 𝜋 𝑘 × 𝑏𝑜 = (−4 0 0 −2/3) × ( 350 ) = −
4500 3
5000
5
−5 − < 𝑑1 < ∞
3
20
Luego, − < 𝑑1 < ∞. Como el modelo de CMCI es de maximización, se debe invertir el intervalo
3
20 35
anterior, con lo cual −∞ < 𝑑1 < . Por lo tanto, el intervalo de optimalidad de 𝑐1 es 0 < 𝑐1 < . Por
3 3
lo tanto, la disminución del precio del producto mineral en 0.6 US$/t no hace variar la base óptima
del problema.
c) Para un aumento del precio del material fino en 0,5 US$/t, se tiene lo siguiente:
1
2 0 13
𝑐̅𝑗 = 𝑐𝐵𝑜 𝑘
− 𝜋 × 𝐴𝑜 = −4,5 − (−4 0 0 − ) × ( 3) =
3 6
4
FQC 75
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Como el costo reducido referente a la variable fino se mantiene positivo, no hay cambios en la base
óptima. Por ende, el valor de dicha variable es cero (ya que es no básica), y no hay cambios en el
ingreso total del plan.
d) Para un análisis más certero, se determinará el intervalo de optimalidad para la variable pellet.
En este caso, como se trata de una variable básica, se calculan las cotas superiores del cambio 𝑑3
(positivo o negativo) de la siguiente forma:
Cota superior:
Cota inferior:
4
𝜃𝑖𝑛𝑓 = max { } = −4
−1
Por lo tanto, −4 < 𝑑3 < 2. Como el problema es de maximización, se invierte este intervalo, dando
como resultado un rango de variación igual a −2 < 𝑑3 < 4. Luego, el intervalo de optimalidad de la
utilidad correspondiente a la variable pellet es 4 < 𝑐3 < 10. Por lo tanto, un aumento de su precio en
0.6 US$/t no afecta a la base óptima del problema, ya que está dentro del intervalo de optimalidad.
e) De lo hecho en (b), determinamos que el intervalo de optimalidad del precio de la variable mineral
35 35
es 0 < 𝑐1 < . Por lo tanto, para un precio 𝑐1 ≥ , esta variable entra a la base y, por tanto, se
3 3
convierte en una alternativa de extracción (pasa a ser rentable).
f) Para una producción de 1000 kt, se debe calcular la nueva solución óptima utilizando el formulismo
del método símplex revisado. En efecto, modificando la limitante de la primera restricción de 1100 kt
a 1000 kt, tenemos:
1
333
2 0 0 −1/3 3
1000 2
−1 0 0 1/3
𝑏̅𝑘 = 𝐴−1
𝑘 × 𝑏𝑜 = ( ) × ( 350 ) = 666 3
1 0 1 −1 4500
0 1/3 5000 500
−1 −1 2
(316 3)
FQC 76
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
El nuevo ingreso se obtiene reemplazando estos valores en la función objetivo del problema, dando
1
como resultado 𝑀𝑎𝑥(𝑧) = 7333 US$/t.
3
g) En este caso hay un cambio en la tercera restricción, desde 4500 kt a 4400 kt. Utilizando el mismo
formulismo que en (f), se tiene que:
1
533
2 0 0 −1/3 3
1100 2
−1 0 0 1/3
𝑏̅𝑘 = 𝐴−1
𝑘 × 𝑏𝑜 = ( ) × ( 350 ) = 566 3
1 0 1 −1 4400
0 1/3 5000 500
−1 −1 2
(216 3)
El nuevo ingreso se obtiene reemplazando estos valores en la función objetivo del problema, dando
23200
como resultado 𝑀𝑎𝑥(𝑧) = US$/t.
3
h) Ahora se tiene un aumento en la limitante de la segunda restricción, de 350 kt a 400 kt. Utilizando
el mismo formulismo que en (f) y (g), se tiene:
1
533
2 0 0 −1/3 3
1100 2
−1 0 0 1/3
𝑏̅𝑘 = 𝐴−1
𝑘 × 𝑏𝑜 = ( ) × ( 400 ) = 566 3
1 0 1 −1 4500
0 1/3 5000 600
−1 −1 2
(166 3)
El nuevo ingreso se obtiene reemplazando estos valores en la función objetivo del problema, dando
23200
como resultado 𝑀𝑎𝑥(𝑧) = US$/t.
3
FQC 77
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
i) Los precios máximos a pagar por una unidad de recurso adicional corresponden a los valores
duales (precios sombra) calculados en primera instancia para la tabla óptima. 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 concentración magnética, la holgura asociada es
cero. Luego, hay un precio sombra asociado dado por 𝜋4 = 2/3 US$/t, que es el máximo a pagar por
una tonelada de concentración adicional.
Las variables duales representan los precios que estamos dispuestos a pagar por una unidad de
recurso adicional, según corresponda. Para restricciones con holguras no nulas, es claro que dichos
precios son cero, por cuanto no es necesario pagar por capacidad adicional si existe una capacidad
no utilizada del recurso respectivo.
La función objetivo dual representa la maximización del uso de los recursos, mientras que las
restricciones representan las limitantes de uso de los recursos en función de los precios de cada tipo
de material.
FQC 78
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
0
2 0 14
𝑐̅𝑗 = 𝑐𝐵𝑜 𝑘
− 𝜋 × 𝐴𝑜 = −8 − (−4 0 0 − ) × ( 3) = −
3 3
5
Como el costo reducido de la nueva variable es negativo, entra a la base del problema y se debe
iterar nuevamente para obtener la solución óptima. Se tiene entonces:
2 0 0 −1/3 0 −5/3
−1 0 0 1/3 5/3
𝐴̅𝑘 (𝑥5 ) = 𝐴𝑘 × 𝐴𝑜 (𝑥5 ) = (
−1
) × ( 0) = ( )
1 0 1 −1 3 −2
−1 −1 0 1/3 5 5/3
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑠1 𝑎1 𝑎2 𝑠2 𝑠3 𝑏 𝑀𝑖𝑛(𝜃)
𝑥3 2/3 0 1 2/3 -5/3 0 2 0 0 -1/3 533 1/3 -
𝑥2 1/3 1 0 1/3 5/3 0 -1 0 0 1/3 566 2/3 340
𝑠2 1 0 0 0 -2 0 1 0 1 -1 600 -
𝑠1 1/3 0 0 1/3 5/3 1 -1 -1 0 1/3 216 2/3 130
−𝑧 5/3 0 0 8/3 -14/3 0 4 0 0 2/3 -23200/3
V.B. 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑠1 𝑎1 𝑎2 𝑠2 𝑠3 𝑏
𝑥3 7/3 0 1 7/3 0 1 11/3 -1 0 4/3 535
𝑥2 -4/3 1 0 -4/3 0 -1 -8/3 1 0 -4/3 565
𝑠2 3 0 0 2 0 6/5 3 -6/5 1 1 602
𝑥5 1/5 0 0 1/5 1 3/5 -3/5 -3/5 0 1/5 130
−𝑧 19/3 0 0 22/3 0 14/5 26/3 0 0 5 -23186/3
Como todos los costos reducidos son positivos, hemos llegado al óptimo. Por lo tanto, la solución
óptima es la siguiente:
23186
El ingreso máximo del plan es 𝑀𝑎𝑥(𝑧) = − US$/t.
3
FQC 79
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #12
Para complementar la formación de sus alumnos, este Departamento ha decidido programar una
serie de seminarios sobre algunos temas de actualidad: ecología, energía, transporte y seguridad.
Estos seminarios tendrán lugar una vez por semana en horario de tarde, de manera que exista sólo
una sesión para cada uno de los temas a tratar y, naturalmente, sólo se pueda programar un
seminario por día. La dirección del Departamento ha estimado que podrían asistir a cada uno de
estos seminarios, obteniendo los datos mostrados en Tabla 82:
Tabla 45: Estimación del número de alumnos que asistirá a cada seminario
Determine la programación temporal óptima de estos seminarios, de manera que el total de alumnos
que asista a cada uno de ellos sea el mayor posible:
−5 −4 −6 −2 0
−4 −3 −4 −3 0
𝐶 = −6 −2 −3 −2 0
−6 −3 −2 −3 0
(−1 −2 −1 −3 0)
−5 −4 −6 −2 0 1 0 0 1 0
−4 −3 −4 −3 0 2 1 2 0 0
𝐶1 = −6 −2 −3 −2 0 = 0 2 3 1 0
−6 −3 −2 −3 0 0 1 4 0 0
( −1 −2 −1 −3 0 ) (5 2 5 0 0)
− ( −6 −4 −6 −3 0 )
Como los ceros generados mediante la eliminación de mínimos por filas y columnas no garantizan
aún una asignación óptima, se debe tachar la cantidad mínima de filas y columnas que tengan ceros.
FQC 80
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
1 0 0 1 0
2 1 2 0 0
𝐶1 = 0 2 3 1 0
0 1 4 0 0
(5 2 5 0 0)
Ahora se debe elegir el mínimo elemento entre aquellos que no se encuentran tachados, restárselo
a todos los elementos no tachados, y sumárselo a aquellos elementos que se encuentren en la
intersección de las líneas con las que tachamos las filas y columnas con elementos nulos. Así, se
obtiene la siguiente matriz:
2 0 𝟎 2 1
2 𝟎 1 0 0
𝐶1 = 𝟎 1 2 1 0
0 0 3 0 𝟎
(5 1 4 𝟎 0)
En esta oportunidad, los ceros sí garantizan una asignación óptima, determinada por los elementos
coloreados con amarillo. Cotejando con la tabla entregada en el enunciado del problema, la
asignación óptima es entonces la siguiente:
El número máximo de alumnos asistentes a los seminarios de esta asignación se obtiene sumando
el número de alumnos respectivo de cada seminario con respecto a los días asignados. Luego,
𝑀𝑎𝑥(𝑧) = 150 alumnos.
FQC 81
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
EJERCICIOS PEP 3
PROBLEMA #1
La Empresa Minera Andes Ltda. (EMAL) dispone de un equipo de perforación, el cual tiene como
mayor obstáculo el tiempo de traslado de un lugar a otro. Este hecho aumenta considerablemente
los costos operacionales. Para un área determinada dentro de la mina, se desea trasladar el equipo
desde el nodo “s” al nodo “t” según la siguiente red:
Los arcos señalan el tiempo de traslado (en minutos) entre cada nodo.
Se pide:
a) Determinar la ruta que debe realizar el equipo de perforación desde el nodo “s” al nodo “t” en el
menor tiempo posible.
b) Determinar el máximo tiempo de traslado del equipo de perforación desde el nodo “s” al nodo “t”.
a) Procedemos mediante el algoritmo de Dijkstra de la ruta más 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:
FQC 82
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
A partir de los rótulos en cada nodo, se tiene que la ruta más corta corresponde al camino S → B →
G → T. El tiempo mínimo de traslado del equipo se obtiene también del rótulo final en el nodo “t”, y
corresponde a 14 minutos.
FQC 83
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #2
Determinar el pit final óptimo para el inventario de bloques siguiente, y construya el vector columna
de pits para dicha sección.
Sección 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
Para ello construimos la siguiente red, aplicando en su resolución el algoritmo de máximo flujo.
De la red anterior, se genera el corte mínimo que separa el conjunto 𝑋 de los bloques que son
removidos en esta combinación de niveles, del conjunto 𝑋̅ de los bloques que no son extraídos del
inventario en primera instancia. Luego se extraen los bloques dados por el conjunto 𝑋 =
{14,13,15,24}. Por lo tanto, el inventario de bloques toma la siguiente forma:
FQC 84
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Sección 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
De la red anterior se obtiene el conjunto de bloques removidos en esta etapa, dado por 𝑋 =
{12,16,17,34,35,23,25,26}. Por lo tanto, el inventario final con los bloques extraídos y el vector
columna de pits es el siguiente:
Sección 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
FQC 85
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #3
La Empresa Minera MANANTIAL posee 3 minas desde las cuales se transporta el mineral extraído
a una planta de procesamiento a través de un sistema de correas transportadoras, el cual se
esquematiza mediante la siguiente red:
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 extraído por mina en cada turno
es de 8000, 6000 y 4800 toneladas/turno, respectivamente.
Se pide:
a) Determinar el máximo tonelaje por turno de trabajo que la planta, ubicada en el nodo T, puede
esperar.
b) Determinar cuáles son los arcos que controlan la capacidad del sistema ¿Qué nombre reciben
estos arcos?
c) ¿Qué sucede si el arco (9, 4) baja su capacidad en 200 unidades?
d) ¿Qué sucede si el arco (8, 12) sube su capacidad en 200 unidades?
a) Procedemos mediante el algoritmo de máximo 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) tendrán así la
siguiente capacidad:
8000 𝑡 ℎ𝑡
𝐶(𝑆, 1) = = 10
ℎ𝑟𝑠 𝑡𝑢𝑟𝑛𝑜
8 × 100
𝑡𝑢𝑟𝑛𝑜
FQC 86
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
6000 𝑡 ℎ𝑡
𝐶(𝑆, 2) = = 7,5
ℎ𝑟𝑠 𝑡𝑢𝑟𝑛𝑜
8 × 100
𝑡𝑢𝑟𝑛𝑜
4800 ℎ𝑡
𝐶(𝑆, 3) = =6
ℎ𝑟𝑠 𝑡𝑢𝑟𝑛𝑜
8 × 100
𝑡𝑢𝑟𝑛𝑜
La red completa del problema, cuya solución óptima se ha calculado mediante el algoritmo de
máximo flujo, es la siguiente:
A partir del corte mínimo trazado en la red, se puede calcular el máximo flujo sumando todos los
flujos que atraviesan dicho corte. Por lo tanto, se tiene que 𝑀𝑎𝑥(𝑧) = 2 + 3 + 6 = 11 unidades.
b) Los arcos que controlan la capacidad del sistema son aquellos que intersectan al corte mínimo y
que además transportan un flujo de material a través de ellos. Dichos arcos son (S, 3), (5, 6) y (4,
8). Haciendo una analogía con el método símplex, dado que la solución óptima depende de ellos, es
razonable suponer que dichos arcos son las variables básicas del problema.
c) No influye en la solución óptima del problema, ya que el arco respectivo no tiene asignado un
flujo de material.
d) No influye en la solución óptima del problema, ya que el arco respectivo no tiene asignado un
flujo de material.
FQC 87
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #4
A continuación se detallan los tiempos probabilísticos esperados para las distintas actividades de un
proyecto.
a) Lo primero es generar la estimación esperada de tiempos por actividad según el método PERT.
Para ello se utiliza la siguiente fórmula:
𝑡𝑜 + 4𝑡𝑚 + 𝑡𝑝
𝑡𝑒 =
6
Luego tenemos:
FQC 88
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
La red del proyecto, una vez se ha aplicado el algoritmo CPM de la ruta crítica, se muestra a
continuación.
FQC 89
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
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
PROBLEMA #5
A partir del inventario de bloques entregado, calcular el pit final óptimo y el vector columna de pits
para esta sección.
Sección 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
SOLUCIÓN: Primero analizamos los niveles E – 4 y F – 4. Para ello, construimos la siguiente red,
aplicando el algoritmo de máximo flujo.
FQC 90
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
De la red anterior, se genera el corte mínimo que separa el conjunto 𝑋 de los bloques que son
removidos en esta combinación de niveles, del conjunto 𝑋̅ de los bloques que no son extraídos del
inventario en primera instancia. Luego se extraen los bloques dados por el conjunto 𝑋 =
{23,24,25,28,12,13,14,15,16,17,18,19}. Por lo tanto, el inventario de bloques toma la siguiente forma:
Sección 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
FQC 91
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
La red anterior nos muestra la solución óptima del problema. El conjunto de bloques removidos en
esta última fase del pit es 𝑋 = {22,33,34,35,11,26}. Luego, el inventario de bloques que muestra el
pit final óptimo y su vector columna de beneficios es el siguiente:
Sección 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
PROBLEMA #6
Considere que su amigo, vecino y compañero de curso, Julián, lo conduce a usted diariamente desde
su casa a la universidad. Dado que usted acaba de terminar un curso de análisis de redes, entonces
puede ayudarle a determinar la ruta más corta desde el vecindario, V, hasta su universidad, U.
Desafortunadamente, la ruta seleccionada está excesivamente patrullada por la policía y con todas
las multas pagadas por exceso de velocidad (por no siempre levantarse a la hora indicada), la ruta
más corta no es la mejor elección. Por consiguiente, usted ha decidido ayudar a su amigo Julián a
determinar la ruta que maximice la probabilidad de no ser detenido y que así no lo multen. Para ello,
considere la siguiente red, en la cual los arcos definen la probabilidad de no ser detenido por la
policía en dicha rama.
FQC 92
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Considere, para este problema, que la probabilidad de que no lo multen en una sucesión de caminos
es igual al producto entre las probabilidades individuales de que no lo multen en cada arco
respectivo.
FQC 93
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #7
Considerando que el costo promedio por kilómetro para los proyectos de ductos mayores es
aproximadamente igual a US$ 7000 por kilómetro, determine el conjunto de ductos que minimice la
longitud por la cual el gas natural será transportado hacia el punto de entrega.
SOLUCIÓN: Dado que la red está 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 árbol de expansión mínima.
Los arcos que minimizan la longitud de traslado de gas se muestran en la siguiente red.
FQC 94
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
La longitud mínima de los ductos del árbol de expansión mínima es 𝑀𝑖𝑛(𝑧) = 41 kilómetros. El costo
asociado a esta construcción es igual a US$ 287.000
PROBLEMA #8
La Compañía Minera ARRIBACHILE (COMACHI) es propietaria de tres minas desde las cuales se
transporta el mineral extraído a una planta de concentración a través de un sistema de correas
transportadoras modelado por la siguiente red.
FQC 95
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
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 máxima cantidad de mineral que este sistema de correas es
capaz de transportar.
SOLUCIÓN: Lo primero es generar el nodo de salida “s” para luego aplicar el algoritmo de máximo
flujo. Para ello, se generan los arcos tales que respetan la capacidad de extracción de cada mina
por turno y en iguales unidades que el resto de los arcos:
4800 ℎ𝑡
𝐶(𝑆, 1) = =6
ℎ𝑟𝑠 𝑡𝑢𝑟𝑛𝑜
8 × 100
𝑡𝑢𝑟𝑛𝑜
6000 𝑡 ℎ𝑡
𝐶(𝑆, 2) = = 7,5
ℎ𝑟𝑠 𝑡𝑢𝑟𝑛𝑜
8 × 100
𝑡𝑢𝑟𝑛𝑜
8000 𝑡 ℎ𝑡
𝐶(𝑆, 3) = = 10
ℎ𝑟𝑠 𝑡𝑢𝑟𝑛𝑜
8 × 100
𝑡𝑢𝑟𝑛𝑜
La solución óptima de este problema, una vez aplicado el algoritmo de máximo flujo, se muestra en
la siguiente red.
El máximo flujo, que determina el máximo tonelaje que la red es capaz de transportar, se calcula
sumando todos los flujos que atraviesan el corte mínimo trazado en la red. Por lo tanto, 𝑀𝑎𝑥(𝑧) =
1200 t/turno.
FQC 96
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #9
Normal Acelerado
Actividad Predecesor Duración [días] Duración [días] 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 -
Se pide:
FQC 97
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
𝑀𝑖𝑛(𝑧) = 120𝑦𝐴 + 250𝑦𝐵 + 150𝑦𝐶 + 30𝑦𝐷 + 90𝑦𝐸 + 200𝑦𝐺 + 80𝑦𝐻 + 300𝑦𝐼 + 400𝑦𝐽 + 150𝑦𝐾 + 100𝑦𝐿
𝑥1 = 0 𝑥6 ≥ 𝑥4 + 3 − 𝑦𝐻 𝑥10 ≥ 𝑥9 + 1 − 𝑦𝑀 𝑦𝐷 ≤ 1 𝑦𝐽 ≤ 3
𝑥2 ≥ 𝑥1 + 2 − 𝑦𝐴 𝑥7 ≥ 𝑥3 + 3 − 𝑦𝐸 𝑥10 ≥ 𝑥7 + 1 − 𝑦𝐹 𝑦𝐸 ≤ 2 𝑦𝐾 ≤ 1
𝑥3 ≥ 𝑥1 + 4 − 𝑦𝐵 𝑥8 ≥ 𝑥5 + 3 − 𝑦𝐼 𝑥10 = 15 𝑦𝐹 ≤ 0 𝑦𝐿 ≤ 2
𝑥4 ≥ 𝑥2 + 3 − 𝑦𝐶 𝑥9 ≥ 𝑥6 + 6 − 𝑦𝐽 𝑦𝐴 ≤ 1 𝑦𝐺 ≤ 3 𝑦𝑀 ≤ 0
𝑥4 ≥ 𝑥3 + 2 − 𝑦𝐷 𝑥9 ≥ 𝑥8 + 3 − 𝑦𝐾 𝑦𝐵 ≤ 2 𝑦𝐻 ≤ 1 𝑥𝑖 , 𝑦𝑗 ≥ 0; ∀ 𝑖, 𝑗
𝑥5 ≥ 𝑥4 + 4 − 𝑦𝐺 𝑥10 ≥ 𝑥8 + 5 − 𝑦𝐿 𝑦𝐶 ≤ 2 𝑦𝐼 ≤ 1
Quedan dos rutas críticas, por lo cual las opciones a disminuir son:
FQC 98
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Se elige disminuir C y D en 1 día, con lo cual la red del proyecto queda como sigue:
FQC 99
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
PROBLEMA #10.
Arcadia Minerals Co. (ARMICO) se encuentra en la fase de ingeniería conceptual para un nuevo
proyecto minero en la II Región. El cronograma de este proyecto en términos de la estimación
primaria de recursos se resume a continuación.
DURACIÓN
ACTIVIDAD PREDECESOR VARIANZA
[semanas]
A Campaña de sondajes - 3 0,2
Estimación de la orientación espacial del
B A 2 0,15
yacimiento
C Confección de variogramas - 4 0,3
Determinación de anisotropías
D B, C 2 0,15
espaciales del yacimiento
E Variografía espacial completa A, D 3 0,2
Estimación de leyes y tonelajes
F generales para zonas amplias del B, C 4 0,3
yacimiento
Construcción del modelo geológico del
G B, C 3 0,25
yacimiento
Determinación del tonelaje y ley media
H E, F 2 0,1
del yacimiento
I Construcción de variogramas definitivos E, F, G 3 0,2
Construcción del modelo de bloques del
J E, F, G 2 0,15
yacimiento.
Zonificación del yacimiento en función de
K H, I 1 0,05
las áreas de alta y baja ley.
L Construcción de curvas tonelaje – ley H, I, J 2 0,1
a) Graficar la red del proyecto e identificar la ruta crítica. Obtenga además la duración esperada de
este proyecto y su varianza.
b) Determinar la probabilidad de terminar el proyecto antes de 14 días, en exactamente 15 días y
después de 16 días.
c) Suponga que han pasado 7 días de desarrollo del proyecto en las condiciones esperadas, pero
debido a algunos requerimientos no detectados desde un comienzo, se requiere agregar las
siguientes actividades al proyecto:
FQC 10
0
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
A pesar de haber agregado actividades al proyecto, se desea terminar lo que queda de dicho
proyecto en el plazo restante de acuerdo a lo calculado en (a) (descontando los 7 días que ya
han transcurrido). Para cumplir el objetivo de terminar el proyecto a tiempo, se han establecido
las actividades susceptibles de ser aceleradas, su costo por semana de aceleración y el número
máximo de semanas a disminuir para cada una de ellas:
De la red, se obtiene la duración esperada del proyecto, 𝜇𝑡 = 15 semanas. La ruta crítica, que ha
sido destacada en la red, es A → B → D → E → I → L. Sumando las varianzas de cada una de estas
actividades críticas se obtiene la varianza total del proyecto, que es 𝜎𝑝 = 1 [semana2].
b) Las probabilidades pedidas se calculan usando la normalización de los tiempos de las actividades
del proyecto para su inclusión en la distribución normal canónica de probabilidades según la siguiente
fórmula:
𝑡 − 𝜇𝑡
𝑧=
𝜎𝑝
FQC 10
1
Universidad de Santiago de Chile
Departamento de Ingeniería en Minas
Guía de Ejercicios – Optimización
Estos valores de 𝑧 deben ser comparados con los valores de la distribución normal canónica de
probabilidades. Sin embargo, para efectos prácticos, se sugiere usar la siguiente aproximación, que
normalmente entrega resultados bastante aceptables:
Luego tenemos:
𝑡 − 𝜇𝑡 14 − 15
𝑃(𝑡 ≤ 14) = 𝑃 ( ≤ ) = 𝑃(𝑧 ≤ −1) = 0,159
𝜎𝑝 1
𝑃(𝑡 = 15) = 0
𝑡 − 𝜇𝑡 16 − 15
𝑃(𝑡 ≥ 16) = 1 − 𝑃(𝑡 ≤ 16) = 1 − 𝑃 ( ≤ ) = 1 − 𝑃(𝑧 ≤ 1) = 0,159
𝜎𝑝 1
c) La red de lo que queda del proyecto, incorporando además las nuevas actividades, es la siguiente:
Figura 28: Red resultante del proyecto al agregar las actividades requeridas
FQC 10
2