Guía de Ejercicios - Optimización PDF

Universidad de Santiago de Chile
Departamento de Ingeniería en Minas

Guía de Ejercicios – Optimización

Preparado por Felipe Quezada C.
2° Semestre 2012.
FQC 1
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:
Potasio Vitamina C Vitamina A Betacarotenos Costo [$/u] Límite [u]

Ingrediente 1 20% 15% 30% 35% 25 6
Ingrediente 2 5% 40% 10% 45% 13 9
Ingrediente 3 35% 20% 25% 20% 10 8
Ingrediente 4 15% 25% 35% 25% 20 5
Tabla 1: Disposición de Ingredientes para el Problema #1
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:
𝑀𝑖𝑛(𝑧) = 25𝑥1 + 13𝑥2 + 10𝑥3 + 20𝑥4
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:
100(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ) = 1000 (𝑒𝑛 𝑐𝑚3 )
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:
20𝑥1 + 5𝑥2 + 35𝑥3 + 15𝑥4 ≤ 300
Para la vitamina A, esta suma debe ser al menos 1/3 de los betacarotenos. Por lo tanto:
FQC 2
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:
30𝑥1 + 10𝑥2 + 25𝑥3 + 35𝑥3 ≤ 350
Por último, para los límites diarios, tenemos:
𝑥1 ≤ 6 ; 𝑥2 ≤ 9
𝑥3 ≤ 8 ; 𝑥4 ≤ 5
Naturalmente. 𝑥𝑖 ≥ 0. El modelo es entonces el siguiente:
𝑀𝑖𝑛(𝑧) = 25𝑥1 + 13𝑥2 + 10𝑥3 + 20𝑥4

𝑠. 𝑎:
100(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ) = 1000
15𝑥1 + 40𝑥2 + 20𝑥3 + 25𝑥4 ≥ 150
20𝑥1 + 5𝑥2 + 35𝑥3 + 15𝑥4 ≤ 300
55 55 80
𝑥 − 5𝑥2 + 𝑥 − 𝑥 ≥0
3 1 3 3 3 4
30𝑥1 + 10𝑥2 + 25𝑥3 + 35𝑥3 ≤ 350
𝑥1 ≤ 6 ; 𝑥2 ≤ 9
𝑥3 ≤ 8 ; 𝑥4 ≤ 5
𝑥𝑖 ≥ 0
PROBLEMA #2
Formule y resuelva adecuadamente el siguiente problema de programación lineal. La primera

iteración debe ser realizada mediante el algoritmo símplex. La segunda y siguientes efectuarlas
empleando el método símplex revisado o matricial:
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
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:
V.B 𝑥1′ 𝑥2 𝑥3 𝑥4 𝑠2 𝑎1 𝑠1 𝑎2 𝑏 𝑀𝑖𝑛(𝜃)

𝑎1 -4 1 -7 -3 0 1 0 0 50 50
𝑠1 3 2 2 4 0 0 1 0 150 75
𝑎2 1 0 4 2 -1 0 0 1 10 ---
−𝑧 5 -1 -1 -1 0 0 0 0 0
−𝑤 0 0 0 0 0 1 0 1 0
−𝑤 3 -1 3 1 1 0 0 0 -60
Entra 𝑥2 ; sale 𝑎1 . Primera iteración:
V.B 𝑥1′ 𝑥2 𝑥3 𝑥4 𝑠2 𝑎1 𝑠1 𝑎2 𝑏 𝑀𝑖𝑛(𝜃)

𝑥2 -4 1 -7 -3 0 1 0 0 50 50/7
𝑠1 11 0 16 10 0 -2 1 0 50 25/8
𝑎2 1 0 4 2 -1 0 0 1 10 5/2
−𝑧 1 0 -8 -4 0 1 0 0 50
−𝑤 -1 0 -4 -2 1 1 0 0 -10
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
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:
V.B. 𝐴1−1 𝑐𝐵 (𝑉𝐵)

𝑥2 1 0 7/4 −1
𝑠1 (−2 1 −4 ) 0
𝑥3 0 0 1/4 3
Calculamos los valores duales para esta iteración:
7
1 0
4
𝜋 2 = 𝑐𝐵 (𝑉𝐵) × 𝐴−1
2 = (−1 0 3) × −2 1 −4 = (−1 0 −1)
1
0 0
( 4)
Calculamos los coeficientes (o costos) reducidos para esta iteración:
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
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)
Calculamos los costos reducidos:
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)
Como el coeficiente reducido de 𝑠2 en la función objetivo es negativo, aún no estamos en el óptimo.

Se tiene que 𝑠2 es la variable de entrada para la tercera iteración, porque tiene el coeficiente más
𝑗
negativo en la fila objetivo. Calculamos entonces las columnas 𝑏2 y 𝐴2 (𝑠2 ) para determinar la variable
de salida y el elemento pívot:
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
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
Tabla 2: Cálculo de los elementos 𝜽𝒌 para el Problema #2
La variable de salida es entonces 𝑠1 . El pívot corresponde a 4.
Calculamos la matriz inversa 𝐴−1

3 :
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)
Verificamos el orden de las variables básicas:
V.B. 𝐴−1
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
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:
1/8 7/16 0 50 575/8

𝑏3 = 𝐴−1
3 × 𝑏0 = (−1/2 1/4 −1) × (150) = ( 5/2 )
−1/8 1/16 0 10 25/8
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
a) ¿Cuáles son las variables básicas?

b) ¿Cuáles son las variables no básicas?
c) ¿Cuál es la solución óptima?
d) ¿Qué puede decir acerca de las restricciones 1 y 2? ¿Cuáles son las unidades adicionales?
SOLUCIÓN: Tenemos:
a) Las variables básicas son 𝑥1 y 𝑠1 .
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
c) La solución óptima es 𝑥1 = 7, 𝑥2 = 0, 𝑥3 = 0, 𝑥4 = 0, 𝑠1 = 3, 𝑠2 = 0. Su valor es 𝑀𝑖𝑛(𝑧) = 76.
d) En ambas restricciones hay variables de holgura asociadas. El recurso asociado a la primera

restricción se considera abundante, porque no se ha consumido del todo, ya que la variable de
holgura asociada, 𝑠1 , es mayor que cero. El recurso asociado a la segunda restricción se
considera escaso, porque su holgura 𝑠2 es nula.
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:
Requerimientos de Producción y Utilidad Jeans Franelas Amasados

Cortadores [Personas/Lote] 4 2 1
Máquinas de Coser [Máquinas/Lote] 1 2 1
Empacadores [Personas/Lote] 1 1 1
Utilidad [$/Lote] 400 200 300
Tabla 3: Requerimientos de producción y utilidad para el Problema #4
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:
𝑀𝑎𝑥(𝑧) = 400𝑥1 + 200𝑥2 + 300𝑥3
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
𝑥1 + 𝑥2 + 𝑥3 = 10
El modelo completo es entonces:
𝑀𝑎𝑥(𝑧) = 400𝑥1 + 200𝑥2 + 300𝑥3

𝑠. 𝑎:
4𝑥1 + 2𝑥2 + 𝑥3 ≤ 16
𝑥1 + 2𝑥2 + 𝑥3 ≤ 41
𝑥1 + 𝑥2 + 𝑥3 = 10
𝑥𝑗 ≥ 0
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:
𝑀𝑎𝑥(𝑧) = 100𝑥1 − 100𝑥2 + 3000

𝑠. 𝑎:
3𝑥1 + 𝑥2 ≤ 6
𝑥2 ≤ 31
𝑥1 + 𝑥2 ≤ 10
𝑥𝑗 ≥ 0
El espacio de soluciones factible (ESF) de este problema es el siguiente:
Figura 1: ESF del Problema #4
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
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.
𝑀𝑎𝑥(𝑧) = −17𝑥2 + 83𝑥4 − 8𝑥5

𝑠. 𝑎:
−𝑥1 − 13𝑥2 + 45𝑥3 + 16𝑥5 = 50
3𝑥1 − 5𝑥3 + 𝑥5 ≤ 150
−4𝑥3 − 5𝑥4 − 8𝑥5 ≥ −10
−10 ≤ 𝑥1 ≤ −2
−3 ≤ 𝑥2 ≤ 17
16 ≤ 𝑥3
𝑥4 < 0
𝑥5 𝑛𝑜 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑑𝑎 (𝑁 − 𝑅)
SOLUCIÓN: Del primal, tenemos que:
−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:
−10 ≤ 𝑥1 ≤ −2 ↔ −10 ≤ −𝑥1′ ≤ −2

→ 10 ≥ 𝑥1′ ≥ 2
La última expresión podemos fragmentar en dos restricciones independientes: 𝑥1′ ≥ 2 y −𝑥1′ ≥ −10.
Además, la expresión −3 ≤ 𝑥2 ≤ 17 también podemos fragmentarla en dos restricciones

independientes: 𝑥2 ≥ −3 y −𝑥2 ≥ −17.
Escribimos entonces el problema primal en forma canónica (primal simétrico):
𝑀𝑖𝑛(−𝑧) = 17𝑥2 + 83𝑥4′ + 8𝑥5

𝑠. 𝑎:
𝑥1′ − 13𝑥2 + 45𝑥3 + 16𝑥5 = 50
3𝑥1′ + 5𝑥3 − 𝑥5 ≥ −150
−4𝑥3 + 5𝑥4′ − 8𝑥5 ≥ −10
𝑥1′ ≥ 2
−𝑥1′ ≥ −10
𝑥2 ≥ −3
−𝑥2 ≥ −17
𝑥3 ≥ 16
FQC 11
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.
𝑀𝑎𝑥(𝑣) = 50𝜋1 − 150𝜋2 − 10𝜋3 + 2𝜋4 − 10𝜋5 − 3𝜋6 − 17𝜋7 + 16𝜋8

𝑠. 𝑎:
𝜋1 + 3𝜋2 + 𝜋4 − 𝜋5 ≤ 0
−13𝜋1 + 𝜋6 − 𝜋7 = 17
45𝜋1 + 5𝜋2 − 4𝜋3 + 𝜋8 ≤ 0
5𝜋3 ≤ 83
16𝜋1 − 𝜋2 − 8𝜋3 = 8
𝜋1 𝑛𝑜 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑑𝑎, 𝜋2 , 𝜋3 , 𝜋4 , 𝜋5 , 𝜋6 , 𝜋7 , 𝜋8 ≥ 0
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
Tabla 4: Detalle de las reservas y leyes de FERROJAC Chile
SOLUCIÓN: Primero definimos las variables del problema:
𝑥1 : Producción Cerro Granate, área Norte

𝑥2 : Producción Cerro Granate, área Lomas
𝑥3 : Producción Lomas Bayas, área Sur Sur
𝑥4 : Producción Lomas Bayas, área Alberta
FQC 12
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
Figura 2: Esquema del proceso que se debe modelar en el Problema #6
Ahora veamos las restricciones del problema. En cuanto a las capacidades de la planta, como 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:
0,9(0,4𝑥1 + 0,3𝑥2 + 0,4𝑥3 + 0,35𝑥4 ) ≥ 12000
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:
0,4𝑥1 + 0,3𝑥2 + 0,4𝑥3 + 0,35𝑥4 ≥ 0,35(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )

0,17𝑥1 + 0,1𝑥2 + 0,11𝑥3 + 0,13𝑥4 ≤ 0,12(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )
Ahora veamos la función objetivo. Como se requiere minimizar la desviación de la razón estéril –
mineral, se tendrá:
𝑀𝑖𝑛(𝑧) = 3,5(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ) − (3𝑥1 + 2𝑥2 + 4𝑥3 + 5𝑥4 )
El modelo completo es entonces:
FQC 13
𝑀𝑖𝑛(𝑧) = 0,5𝑥1 + 1,5𝑥2 − 0,5𝑥3 − 1,5𝑥4

𝑠. 𝑎:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≤ 45000
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≥ 60000
0,9(0,4𝑥1 + 0,3𝑥2 + 0,4𝑥3 + 0,35𝑥4 ) ≥ 12000
𝑥1 ≤ 20000, 𝑥2 ≤ 10000
𝑥3 ≤ 15000,𝑥4 ≤ 30000
0,4𝑥1 + 0,3𝑥2 + 0,4𝑥3 + 0,35𝑥4 ≥ 0,35(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )
0,17𝑥1 + 0,1𝑥2 + 0,11𝑥3 + 0,13𝑥4 ≤ 0,12(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
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
SOLUCIÓN: Se debe reescribir el PPL en forma estándar. Se tiene entonces:
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
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
Entra 𝑥3 , sale 𝑎2 . Segunda iteración.
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 )
Luego calculamos 𝐴−1

4 para dar inicio a la cuarta iteración:
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
𝑥2 −1
FQC 15
𝑠1 1 0 3 0
𝑥3 (−2 1 −3) −2
0 0 1
Calculamos los valores duales para esta iteración:
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)
Como el coeficiente reducido de 𝑠2 en la función objetivo es negativo, aún no estamos en el óptimo.

Se tiene que 𝑠2 es la variable de entrada para la tercera iteración, porque tiene el coeficiente más
𝑗
negativo en la fila objetivo. Calculamos entonces las columnas 𝑏4 y 𝐴4 (𝑠2 ) para determinar la variable
de salida y el elemento pívot:
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
Tabla 5: Cálculo de los elementos 𝜽𝒌 para el Problema #7
La variable de salida es entonces 𝑠1 . El pívot corresponde a 3.
FQC 16
Calculamos la matriz inversa 𝐴−1

4 :
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 )
Verificamos el orden de las variables básicas:
V.B. 𝐴−1
𝑥2 −1 1 0 −1
𝑠2 (−2/3 1/3 −1) 0
𝑥3 −2/3 1/3 0 −2
Calculamos los valores duales:
−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
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
Por lo tanto, la solución óptima es 𝑥1 = 700/3, 𝑥2 = 1100, 𝑥3 = 0 y 𝑥4 = 0. Reemplazando estos

valores en la función objetivo se obtiene 𝑀𝑖𝑛(−𝑧) = −4700/3, con lo cual 𝑀𝑎𝑥(𝑧) = 4700/3.
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:
FLORES Arreglo 1 Arreglo 2 DISPONIBILIDAD

Rosas 3 1 300
Tulipanes 1 1 140
Ibizcos 1 3 300
PRECIO [$] 2000 1000
Tabla 6: Detalle de precios del florista para el Problema #8
a) FORMULE un PPL que resuelva el problema de 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?
SOLUCIÓN: Tenemos lo siguiente:
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:
𝑀𝑎𝑥(𝑧) = 2000𝑥1 + 1000𝑥2

𝑠. 𝑎:
3𝑥1 + 𝑥2 ≤ 300
𝑥1 + 𝑥2 ≤ 140
𝑥1 + 3𝑥2 ≤ 300
𝑥1 , 𝑥2 ≥ 0
FQC 18
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:
𝑀𝑖𝑛(𝑣) = 300𝜋1 + 140𝜋2 + 300𝜋3

𝑠. 𝑎:
3𝜋1 + 𝜋2 + 𝜋3 ≥ 2000
𝜋1 + 𝜋2 + 3𝜋3 ≥ 1000
𝜋1 , 𝜋2 , 𝜋3 ≥ 0
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.
c) Reescribiendo el primal en forma estándar:
𝑀𝑖𝑛(−𝑧) = −2000𝑥1 − 1000𝑥2

𝑠. 𝑎:
3𝑥1 + 𝑥2 + 𝑠1 = 300
𝑥1 + 𝑥2 + 𝑠2 = 140
𝑥1 + 3𝑥2 + 𝑠3 = 300
𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0
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
Entra 𝑥1 , sale 𝑠1 . Procedemos con la primera iteración:
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
Entra 𝑥2 , sale 𝑠2 . Procedemos con la segunda iteración:
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
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:
[300 − (3𝑥1 + 𝑥2 )]𝜋1 = 0

[140 − (𝑥1 + 𝑥2 )]𝜋2 = 0
[300 − (𝑥1 + 3𝑥2 )]𝜋3 = 0
Para el dual:
[2000 − (3𝜋1 + 𝜋2 + 𝜋3 )]𝑥1 = 0

[1000 − (𝜋1 + 𝜋2 + 3𝜋3 )]𝑥2 = 0
Reemplazando los valores obtenidos en la solución primal óptima en las holguras

complementarias, se obtiene el siguiente sistema de ecuaciones:
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
Dado el programa lineal:
𝑀𝑖𝑛(𝑧) = 12𝑥1 + 𝑥2 + 16𝑥3 + 2𝑥4

𝑠. 𝑎:
−𝑥1 + 2𝑥2 + 2𝑥3 − 𝑥4 ≥ 1
3𝑥1 − 𝑥2 + 𝑥3 + 2𝑥4 ≥ −1
𝑥1 ≥ 0; 𝑥2 ≤ 0; 𝑥3 ≥ 0; 𝑥4 ≤ 0
Se pide:
FQC 20
a) Determinar el programa DUAL

b) Representar gráficamente este último programa para mostrar su conjunto de soluciones factibles
c) A partir de esta representación, describir un proceso por el que tras dos, y sólo dos operaciones
de pivotado a partir del origen, se alcance la solución. Estas operaciones de pivotado no tienen
por qué seguir las reglas del símplex.
d) Por medio de las relaciones que pueden establecerse a merced del principio de holgura
complementaria, determinar la solución del problema primal
SOLUCIÓN: A partir del enunciado, se tiene:
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:
𝑀𝑖𝑛(𝑧) = 12𝑥1 − 𝑥2′ + 16𝑥3 − 2𝑥4′

𝑠. 𝑎:
−𝑥1 − 2𝑥2′ + 2𝑥3 + 𝑥4′ ≥ 1
3𝑥1 + 𝑥2′ + 𝑥3 − 2𝑥4′ ≥ −1
𝑥1 ≥ 0; 𝑥2′ ≥ 0; 𝑥3 ≥ 0; 𝑥4′ ≥ 0
Ahora podemos formular el problema dual:
𝑀𝑎𝑥(𝑣) = 𝜋1 − 𝜋2
𝑠. 𝑎:
−𝜋1 + 3𝜋2 ≤ 12
−2𝜋1 + 𝜋2 ≤ −1
2𝜋1 + 𝜋2 ≤ 16
𝜋1 − 2𝜋2 ≤ −2
𝜋𝑗 ≥ 0
b) El espacio de soluciones factibles (ESF) del problema dual es el siguiente:
FQC 21
Figura 3: ESF del problema dual
En el gráfico anterior, los puntos esquina del ESF están dados por los siguientes pares:
Punto esquina Valor de 𝝅𝟏 Valor de 𝝅𝟐 Valor objetivo

G 4/3 5/3 -1/3
B 3 5 -2
C 36/7 36/7 -4/7
J 6 4 2
Tabla 7: Valores de las variables y 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).
d) Utilizando el teorema de holguras complementarias (THC), se obtiene:
Para el primal:
FQC 22
[1 − (−𝑥1 − 2𝑥2′ + 2𝑥3 + 𝑥4′ )]𝜋1 = 0

[−1 − (3𝑥1 + 𝑥2′ + 𝑥3 − 2𝑥4′ )]𝜋2 = 0
Para el dual:
[12 − (−2𝜋1 + 𝜋2 )]𝑥1 = 0

[−1 − (−2𝜋1 + 𝜋2 )]𝑥2′ = 0
[16 − (2𝜋1 + 𝜋2 )]𝑥3 = 0
[−2 − (𝜋1 − 2𝜋2 )]𝑥4′ = 0
De las holguras complementarias para el primal, se obtiene:
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):
Concentrado Mes 1 Mes 2 Mes 3

Cu 1000 3000 5000
Zn 1000 500 3000
Tabla 8: Detalle de las demandas mensuales de concentrado para el Problema #10
Además, la gerencia de ASIOPSA ha determinado lo siguiente:
 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
de concentrado de cobre y 200 toneladas de concentrado de zinc. Ambos concentrados se guardan

en una planta en depósitos comunes. Cada depósito permite guardar hasta dos componentes de
concentrado de cobre, y hasta tres componentes de concentrado de zinc. La envergadura de la
planta permite guardar hasta 1000 depósitos.
Los requerimientos de fabricación de cada concentrado se resumen en la siguiente tabla:
Concentrado Maquinaria [hr/ton] Mano de obra [hr/ton]

Cu 0,10 0,05
Zn 0,08 0,07
Tabla 9: Requerimientos de fabricación de cada concentrado
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.
SOLUCIÓN: Definimos primeramente las variables del problema:
𝑥𝑖𝑗 : Cantidad de concentrado del tipo 𝑖 (con 𝑖 = 𝐶𝑢 o 𝑖 = 𝑍𝑛) producido en el mes 𝑗

(con 𝑗 = 1, 2, 3)
𝐼𝑖𝑗 : Inventario de concentrado del tipo 𝑖 al término del mes 𝑗
𝑀𝑗 : Horas de mano de obra empleadas al mes 𝑗
𝐴𝑗 : Aumento del empleo de mano de obra al mes 𝑗
𝐷𝑗 : Disminución del empleo de mano de obra al mes 𝑗
𝐶𝑗 : Número de depósitos requeridos al mes 𝑗
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 )
La función objetivo puede escribirse de forma más abreviada como sigue:
3 3 3 3 3 3
𝑀𝑖𝑛(𝑧) = 20 ∑ 𝑥𝐶𝑢,𝑗 + 10 ∑ 𝑥𝑍𝑛,𝑗 + 0,3 ∑ 𝐼𝐶𝑢,𝑗 + 1,5 ∑ 𝐼𝑍𝑛,𝑗 + 10 ∑ 𝐴𝑗 + 2,5 ∑ 𝐷𝑗

𝑗=1 𝑗=1 𝑗=1 𝑗=1 𝑗=1 𝑗=1
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
Mes 1:
50 + 𝑥𝐶𝑢,1 = 1000 + 𝐼𝐶𝑢,1

200 + 𝑥𝑍𝑛,1 = 1000 + 𝐼𝑍𝑛,1
Mes 2:
𝐼𝐶𝑢,1 + 𝑥𝐶𝑢,2 = 3000 + 𝐼𝐶𝑢,2

𝐼𝑍𝑛,1 + 𝑥𝑍𝑛,2 = 500 + 𝐼𝑍𝑛,2
Mes 3:
𝐼𝐶𝑢,2 + 𝑥𝐶𝑢,3 = 5000 + 𝐼𝐶𝑢,3

𝐼𝑍𝑛,2 + 𝑥𝑍𝑛,3 = 3000 + 𝐼𝑍𝑛,3
𝐼𝐶𝑢,3 ≥ 400
𝐼𝑍𝑛,3 ≥ 200
Con respecto a la maquinaria, se tiene:
0,1𝑥𝐶𝑢,1 + 0,08𝑥𝑍𝑛,1 ≤ 400

0,1𝑥𝐶𝑢,2 + 0,08𝑥𝑍𝑛,2 ≤ 400
0,1𝑥𝐶𝑢,3 + 0,08𝑥𝑍𝑛,3 ≤ 400
Además, para la mano de obra, se tiene que para cada mes:
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
Finalmente, de las limitaciones impuestas por la planta:
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
𝑀𝑖𝑛(𝑧) = 20 ∑ 𝑥𝐶𝑢,𝑗 + 10 ∑ 𝑥𝑍𝑛,𝑗 + 0,3 ∑ 𝐼𝐶𝑢,𝑗 + 1,5 ∑ 𝐼𝑍𝑛,𝑗 + 10 ∑ 𝐴𝑗 + 2,5 ∑ 𝐷𝑗

𝑗=1 𝑗=1 𝑗=1 𝑗=1 𝑗=1 𝑗=1
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
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:
Mes Ingresos (US$) Pagos (US$)

1 400 600
2 800 500
3 300 500
4 300 250
Tabla 10: Detalle de ingresos y pagos de la financiera ARCOS
El dinero restante en cada mes, una vez realizados los pagos, puede ser invertido durante un mes a
una tasa del 0,1% mensual; durante dos meses a una tasa del 052% mensual; durante tres meses
a una tasa del 1,0% mensual; o durante cuatro meses a una tasa del 2,0% mensual.
FORMULAR (NO RESOLVER) un modelo de 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:
𝑀𝑎𝑥(𝑧) = 1,08𝑥14 + 1,03𝑥23 + 1,01𝑥32 + 1,001𝑥41
Las restricciones del modelo naturalmente representan la distribución del dinero. Así, éstas se
definen por las siguientes desigualdades:
400 + 400 − 600 = 𝑥11 + 𝑥12 + 𝑥13 + 𝑥14

1,001𝑥11 + 800 − 500 = 𝑥21 + 𝑥22 + 𝑥23
1,01𝑥12 + 1,001𝑥21 + 300 − 500 = 𝑥31 + 𝑥32
1,03𝑥13 + 1,01𝑥22 + 1,001𝑥31 + 300 − 250 = 𝑥41
Naturalmente, todas las variables consideradas en el modelo son no negativas.
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
La disponibilidad de X es de 4 toneladas y 7 la de Y. La relación entre chatarra y acero puro no puede

exceder 7/8. La fundición tiene 18 horas disponibles para derretir y fundir; una tonelada de acero
puro requiere 3 horas, mientras que la de chatarra sólo 2 horas.
Se pide:
a) Escribir el problema de programación lineal

b) Resolverlo gráficamente
SOLUCIÓN: Se tiene lo siguiente:
a) Las variables del problema ya habían sido definidas en el enunciado:

𝑥: Toneladas de acero puro
𝑦: Toneladas de chatarra
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
De la relación entre tonelajes, tenemos:
𝑦 7
≤
𝑥 8
De forma simplificada, −7𝑥 + 8𝑦 ≤ 0. Finalmente, de la disponibilidad horaria, se tiene que:
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
b) El ESF de este modelo se muestra en Figura 12:
FQC 28
Figura 4: ESF del modelo de FERROSUR
La tabla siguiente evalúa el valor de las variables del PPL en cada uno de los puntos esquina del
ESF:
Punto Esquina Valor de x Valor de y Función objetivo

B 1,25 0 3,75
C 0,494 0,432 4,074
D 3,789 3,316 31,263
F 6 0 18
Tabla 11: Valores de las variables y 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
Un importador de whisky está planificando su negocio considerando que, en las próximas

temporadas, tendrá las siguientes demandas (en miles de botellas):
Temporadas
Tipo
1 2 3 4
Seco 10 12 14 8
Frutoso 13 15 17 19
Añejo 21 25 9 11
Tabla 12: Demandas que tendrá el importador de whisky en miles de botellas
FQC 29
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:
𝑥𝑖𝑗𝑘 : Cantidad de materia prima k para fabricar whisky i en la temporada j

𝑦𝑖𝑗 : Cantidad de whisky tipo i vendido en la temporada j
𝑧𝑖𝑗 : Cantidad de whisky tipo i almacenado en la temporada j
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:
𝑧1 = ∑(1 + 0,05(𝑗 − 1))(34𝑦1𝑗 + 28,8𝑦2𝑗 + 22,5𝑦3𝑗 )

𝑗=1
4 3
𝑧2 = − ∑ ∑(1 + 0,02(𝑗 − 1))(35𝑥𝑖𝑗𝐴 + 25𝑥𝑖𝑗𝐵 + 20𝑥𝑖𝑗𝐶 )

𝑗=1 𝑖=1
3 3
𝑧3 = −0,5 ∑ ∑ 𝑧𝑖𝑗
𝑗=1 𝑖=1
Por lo tanto, la función objetivo será:
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:
Para la disponibilidad de materia prima:
FQC 30
∑ 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:
𝑦11 ≤ 10 𝑦12 ≤ 12 𝑦13 ≤ 14 𝑦14 ≤ 8

𝑦21 ≤ 13 𝑦22 ≤ 15 𝑦23 ≤ 17 𝑦24 ≤ 19
𝑦31 ≤ 21 𝑦32 ≤ 25 𝑦33 ≤ 9 𝑦34 ≤ 11
Además, considerando las proporciones de materias primas requeridas en la elaboración de cada

tipo de whisky, se obtiene:
𝑥1𝑗𝐴 ≥ 0,6 ∑ 𝑥1𝑗𝑘

𝑘=𝐴
𝐶
𝑥1𝑗𝐶 ≥ 0,2 ∑ 𝑥1𝑗𝑘

𝑘=𝐴
𝐶
𝑥2𝑗𝐴 ≥ 0,15 ∑ 𝑥2𝑗𝑘

𝑘=𝐴
𝐶
𝑥2𝑗𝐶 ≥ 0,6 ∑ 𝑥2𝑗𝑘

𝑘=𝐴
𝐶
𝑥3𝑗𝐵 ≥ 0,5 ∑ 𝑥3𝑗𝑘

𝑘=𝐴
Las restricciones anteriores se cumplen para todo 𝑗 = 1, … , 4.
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:
∑ 𝑥𝑖1𝑘 = 𝑦𝑖1 + 𝑧𝑖1

𝑘=𝐴
𝐶
∑ 𝑥𝑖2𝑘 + 𝑧𝑖1 = 𝑦𝑖2 + 𝑧𝑖2

𝑘=𝐴
𝐶
∑ 𝑥𝑖3𝑘 + 𝑧𝑖2 = 𝑦𝑖3 + 𝑧𝑖3

𝑘=𝐴
FQC 31
∑ 𝑥𝑖4𝑘 + 𝑧𝑖3 = 𝑦𝑖4

𝑘=𝐴
Naturalmente, todas las variables consideradas en la formulación de este problema son positivas o
nulas.
FQC 32
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.
Punto de Costo ($/t) Costo ($/t) Costo ($/t) Costo ($/t)

Toneladas mineral
Carguío Pique 1 Pique 2 Pique 3 Pique 4
PT1 20 2 3 4 9
PT2 30 14 12 5 1
PT3 40 12 15 9 3
Capacidad de piques 10 10 20 50
Tabla 13: Detalle de los requerimientos y capacidades de cada pique de traspaso
SOLUCIÓN: Lo primero es determinar si el problema se encuentra balanceado. Para ello, se

considerará que las toneladas de mineral que van desde los puntos de carguío son las cantidades
de oferta del problema, mientras que las capacidades de los piques de traspaso serán consideradas
como cantidades de demanda. Luego:
 Sumatoria de ofertas: ∑3𝑖=1 𝑠𝑖 = 20 + 30 + 40 = 90 toneladas

 Sumatoria de demandas: ∑4𝑗=1 𝑑𝑗 = 10 + 10 + 20 + 50 = 90 toneladas
Luego, como ambas sumatorias son iguales, el problema se encuentra balanceado.
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
Pique 1 Pique 2 Pique 3 Pique 4 Oferta

2 3 4 9
PT1 10 10 20
14 12 5 1
PT2 10 20 10 30
12 15 9 3
PT3 40 40
Demanda 10 10 20 50 𝟗𝟎
Tabla 14: Solución básica de inicio para el Problema #1
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
Tabla 15: Primera iteración del Problema #1
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
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
De lo anterior, el valor mínimo de 𝜃 que no viola la restricción de no negatividad de las variables es

𝜃 = 0, el cual corresponde a la celda (2, 2). Luego, la variable de salida es 𝑥22 . El tableau resultante,
con los correspondientes valores duales y costos reducidos, es el siguiente:
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
Tabla 16: Tableau óptimo para el Problema #1
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
Se pide:
a) Determinar la mejor forma de distribuir los planos entre los dibujantes.

b) A partir de la solución encontrada en (a), determine la mejor forma de distribuir los planos si el
Ingeniero requiere dibujar 5 ó 2 planos durante la semana.
c) Determine la mejor asignación si requiere dibujar 6 planos durante la semana.
a) Como la cantidad de planos requerida durante la semana es de al menos 4, se puede expresar

como 4 + ∆, con ∆≥ 0. El problema se puede plantear como un modelo de transporte, donde la
oferta es la disponibilidad de los dibujantes y la demanda es el requerimiento del ingeniero. Se
debe agregar un punto de demanda artificial para balancear el problema.
Fin de Oferta
Semana Artificial
semana
30 27 0
Héctor 5
29 28 0
Daniel 4
Demanda 3 4+∆ 2−∆
Tabla 17: Tableau de transporte implementado al problema del ingeniero
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.
El siguiente tableau muestra la solución de inicio considerando el método de aproximación de Vogel.
FQC 36
Fin de Oferta
Semana Artificial
semana
30 27 0
Héctor 1−∆ 4+∆ 5
29 28 0
Daniel 2+∆ 2−∆ 4
Tabla 18: Solución básica de inicio considerando el método de aproximación de Vogel
El costo asociado a la asignación de inicio es de:
𝑧 = (1 − ∆) × 30 + (4 + ∆) × 27 + (2 + ∆) × 29 = 196 + 26∆
El tableau con los valores duales y costos reducidos calculados es el siguiente:
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
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
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
Tabla 20: Generación del loop para la primera iteración
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

𝜃 = 1 − ∆, el cual corresponde a la celda (1, 1). Luego, la variable de salida es 𝑥11 . El tableau
resultante, con los correspondientes valores duales y costos reducidos, es el siguiente:
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
Tabla 21: Tableau óptimo para el Problema #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
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
En este caso, se debe observar que ∑2𝑖=1 𝑠𝑖 = 5 + 4 = 9 y ∑2𝑗=1 𝑑𝑗 = 3 + 6 = 9. Luego, como la

sumatoria de ofertas es igual a la sumatoria de demandas, el problema se encuentra balanceado.
Aplicando el método de aproximación de Vogel se obtiene la siguiente solución básica de inicio, que
también es óptima:
𝜓1 = 28 𝜓2 = 27 Oferta
30 27
𝜑1 = 0 5 5
2
29 28
𝜑2 = 1 3 1 4
Demanda 3 6
Tabla 23: Solución óptima del problema
Por lo tanto, el costo mínimo asociado es 𝑀𝑖𝑛(𝑧) = $250.
FQC 39
PROBLEMA #3
Considere el siguiente problema de programación lineal:
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.
a) Encuentre la solución óptima de este problema utilizando el método gráfico.

b) A partir de la solución óptima encontrada en (a), construya el tableau final sin utilizar el
algoritmo símplex.
a) Graficando las restricciones se obtiene el siguiente espacio de soluciones factibles:
Figura 5: Espacio de soluciones factibles del problema
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
Punto Valor de 𝒙𝟏 Valor de 𝒙𝟐 Valor objetivo

O 0 0 0
A 6 0 9
D 6 2 11
E 0 8 8
F 2 8 11
J 4 6 12
Tabla 24: Valores de la 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
Reemplazando los valores 𝑥1 = 4, 𝑥2 = 6 en estas ecuaciones, es posible obtener el valor de las

holguras de forma inmediata. Luego, la base óptima de este problema es de la siguiente forma:
𝑋𝑏𝑇 = (𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 , 𝑠4 ) = (4, 6, 2, 2, 0, 0)
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
Restando la cuarta ecuación a la primera:
𝑠1 + 𝑠3 − 𝑠4 = 2
𝑥2 + 𝑠2 = 8
𝑥1 + 𝑥2 + 𝑠3 = 10
𝑥1 − 𝑠3 + 𝑠4 = 4
Restando la cuarta ecuación a la tercera:
𝑠1 + 𝑠3 − 𝑠4 = 2
𝑥2 + 𝑠2 = 8
𝑥2 + 2𝑠3 − 𝑠4 = 6
𝑥1 − 𝑠3 + 𝑠4 = 4
FQC 41
Finalmente, restando la tercera ecuación a la segunda:
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
Tabla 25: Detalle de las capacidades de las plantas de tratamiento
GEOCORP desea que, al iniciar cada semana de trabajo, haya al menos 200.000 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
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
a) De acuerdo a la capacidad de autoproducción de cada planta de lixiviación, y considerando el

requerimiento de 200.000 m 3 de cianuro, se puede establecer que las plantas 1, 2, 3 y 6 requieren
10, 50, 60 y 50 mil m3 de cianuro, respectivamente. Por otro lado, las plantas 4, 5 y 7 son capaces
de entregar 130, 60 y 40 mil m 3de cianuro, respectivamente. De esta forma, el problema se
puede plantear como un modelo de transporte, donde las plantas que exceden los 200.000 m 3
de cianuro son puntos de oferta, y las plantas que están por debajo de los 200.000 m 3 de cianuro
son puntos de demanda. Los costos de envío se obtienen directamente de la red en Figura 19.
Luego, el tableau de transporte de inicio que corresponde a este problema es el siguiente (se ha
incluido un punto de demanda artificial para balancear el problema):
FQC 43
Planta 1 Planta 2 Planta 3 Planta 6 Artificial Oferta

40 38 30 20 0
Planta 4 130
48 42 30 15 0
Planta 5 60
𝑀 𝑀 65 35 0
Planta 7 40
Demanda 10 50 60 50 60
Tabla 26: Tableau de inicio para el problema de GEOCORP
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
Tabla 27: Solución óptima del problema de GEOCORP
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
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.
c) El nuevo valor de la función objetivo se puede obtener según:
∆𝑧 = ∆𝑢𝑖 + ∆𝑣𝑗 = ∆𝑢2 + ∆𝑣3 = 10 × 0 + 10 × 30 = 300
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
Naturalmente, el valor de las otras variables no cambia.
d) En este caso, el nuevo valor de la función objetivo también puede ser obtenido por:
∆𝑧 = ∆𝑢𝑖 + ∆𝑣𝑗 = ∆𝑢2 + ∆𝑣2 = 10 × 0 + 10 × 38 = 380
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
Tabla 28: Generación del análisis de sensibilidad para la celda (2, 2)
Evaluando el tableau anterior en ∆ = 10 se obtiene la nueva asignación óptima.
FQC 45
PROBLEMA #5
A continuación se muestra el siguiente tableau de transporte:
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
Tabla 29: Tableau de transporte para el Problema #5
a) ¿Es básica la solución?

b) Demuestre que la solución presentada en este tableau es óptima.
c) ¿Este problema tiene óptimos alternativos?
d) Proporcione el problema original de programación lineal y su correspondiente problema dual.
e) Deduzca la solución óptima del problema dual.
f) Escriba el tableau simplex óptimo asociado con el tableau de transporte proporcionado.
a) La solución presentada en el tableau anterior es básica siempre que se cumplan las siguientes
condiciones:
 El problema se encuentra balanceado.
En efecto:
∑ 𝑠𝑖 = 18 + 4 + 6 + 12 = 40
𝑖=1
4
∑ 𝑑𝑗 = 6 + 14 + 15 + 5 = 40
𝑗=1
FQC 46
Luego, como la sumatoria de ofertas es igual a la sumatoria de demandas, el problema se encuentra

balanceado.
 El número de variables básicas es igual a 𝒎 + 𝒏 − 𝟏, donde 𝒎 es la cantidad de puntos

oferta y 𝒏 es la cantidad de puntos de demanda.
En efecto, se tienen 7 asignaciones (variables básicas) en este tableau. Como 𝑚 + 𝑚 − 1 = 4 + 4 −

1 = 7, se cumple entonces la condición anterior.
 Las sumas de las asignaciones por fila (columna) son consistentes con las cantidades de
oferta (demanda) dadas en el tableau.
En efecto:
 Fila 1: 𝑥11 + 𝑥12 = 4 + 14 = 18 → Se cumple

 Fila 2: 𝑥23 = 4 → Se cumple
 Fila 3: 𝑥31 + 𝑥33 = 2 + 4 = 6 → Se cumple
 Fila 4: 𝑥43 + 𝑥44 = 7 + 5 = 12 → Se cumple
 Columna 1: 𝑥11 + 𝑥31 = 4 + 2 = 6 → Se cumple

 Columna 2: 𝑥12 = 14 → Se cumple
 Columna 3: 𝑥23 + 𝑥33 + 𝑥43 = 4 + 4 + 7 = 15 → Se cumple
 Columna 4: 𝑥44 = 5 → Se cumple
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:
𝑐̅13 = 𝑐13 − (𝜑1 + 𝜓3 ) = 12 − (0 + 7) = 5

𝑐̅14 = 𝑐14 − (𝜑1 + 𝜓4 ) = 8 − (0 + 8) = 0
𝑐̅21 = 𝑐21 − (𝜑2 + 𝜓1 ) = 15 − (5 + 9) = 1
𝑐̅22 = 𝑐22 − (𝜑2 + 𝜓2 ) = 12 − (5 + 7) = 0
𝑐̅24 = 𝑐24 − (𝜑2 + 𝜓4 ) = 15 − (5 + 8) = 2
𝑐̅32 = 𝑐32 − (𝜑3 + 𝜓2 ) = 9 − (−1 + 7) = 3
𝑐̅34 = 𝑐34 − (𝜑3 + 𝜓4 ) = 12 − (−1 + 8) = 5
𝑐̅41 = 𝑐41 − (𝜑4 + 𝜓1 ) = 14 − (4 + 9) = 1
𝑐̅42 = 𝑐42 − (𝜑4 + 𝜓2 ) = 12 − (4 + 7) = 1
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
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.
d) Del tableau de transporte, se puede obtener de forma inmediata el problema de programación

lineal original:
 Función objetivo:
𝑀𝑖𝑛(𝑧) = 9𝑥11 + 7𝑥12 + 12𝑥13 + 8𝑥14 + 15𝑥21 + 12𝑥22 + 12𝑥23 + 15𝑥24 + 8𝑥31 + 9𝑥32 + 6𝑥33
+ 12𝑥34 + 14𝑥41 + 12𝑥42 + 11𝑥43 + 12𝑥44
 Restricciones de oferta:
𝑥11 + 𝑥12 + 𝑥13 + 𝑥14 = 18

𝑥21 + 𝑥22 + 𝑥23 + 𝑥24 = 4
𝑥31 + 𝑥32 + 𝑥33 + 𝑥34 = 6
𝑥41 + 𝑥42 + 𝑥43 + 𝑥44 = 12
 Restricciones de demanda:
𝑥11 + 𝑥21 + 𝑥31 + 𝑥41 =6

𝑥12 + 𝑥22 + 𝑥32 + 𝑥42 = 14
𝑥13 + 𝑥23 + 𝑥33 + 𝑥43 = 15
𝑥14 + 𝑥24 + 𝑥34 + 𝑥44 =5
Naturalmente, 𝑥𝑖𝑗 ≥ 0; ∀ 𝑖, 𝑗.
El problema dual se define a continuación:
 Función objetivo:
𝑀𝑎𝑥(𝑣) = 18𝜑1 + 4𝜑2 + 6𝜑3 + 12𝜑4 + 5𝜓1 + 14𝜓2 + 15𝜓3 + 5𝜓4
 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
Naturalmente, se tiene que 𝜑𝑖 , 𝜓𝑗 son no restringidas, para todo 𝑖, 𝑗.
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
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.
Operador 1 Operador 2 Operador 3 Operador 4

Pala 1 9 3 - 5
Pala 2 7 2 7 6
Pala 3 5 5 2 -
Pala 4 7 4 3 2
Tabla 30: Detalle de costos de cada operador con respecto a cada pala
Se pide:
a) Encontrar la asignación óptima y entregar el costo asociado.

b) Suponer que se tiene disponible una quinta pala. Sus costos de asignación respectivos son 2, 8,
2 y 1. La nueva pala reemplazará a una existente sólo si la situación puede justificarse
económicamente. Reformular el problema como un modelo de asignación y encontrar la solución
óptima, indicando el costo asociado ¿Es económico reemplazar una de las máquinas? Si es así
¿Cuál de ellas?
a) Procedemos mediante el algoritmo húngaro. La matriz de costos se obtiene directamente de

Tabla 67, con lo cual:
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
−(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:
 Asignar el operador 1 a la pala 2.

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
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)
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)
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)

 Asignar el operador 4 a la pala 4
 Asignar el operador ficticio a la pala 1.
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
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:
𝑀𝑎𝑥(𝑧) = 8𝑥1 + 14𝑥2 + 30𝑥3 + 50𝑥4

𝑠. 𝑎:
𝑥1 + 2𝑥2 + 10𝑥3 + 16𝑥4 ≤ 800
3
𝑥 + 2𝑥2 + 4𝑥3 + 5𝑥4 ≤ 1000
2 1
1 3
𝑥 + 𝑥 + 𝑥3 + 2𝑥4 ≤ 340
2 1 5 2
𝑥𝑗 ≥ 0
El tableau final (incompleto) de este modelo 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
Donde 𝑥𝑗 representa la cantidad de material árido del tipo 𝑗.
Responder:
a) ¿Cuál es el plan de producción óptima para el próximo mes?

b) ¿Es única la solución óptima?
c) ¿Cuánto debería aumentar, como mínimo, la utilidad del material árido del tipo 3 para que fuera
conveniente producirlo?
d) ¿Cuánto podría disminuir la utilidad del material árido del tipo 2 sin que cambie la base óptima?
e) ¿Dentro de qué rango podría variar la cantidad de horas de chancado sin que cambie la base
óptima?
f) ¿Cuánto estaría dispuesto a pagar por una hora de harneado adicional?
g) Un competidor ofrece arrendarle capacidad adicional para chancado a 3 unidades monetarias
por hora ¿Aceptaría la oferta?
h) ¿A qué precio estaría dispuesto a arrendar a su competidor una hora de harneado adicional?
¿Hasta cuántas horas (sin que cambie la base óptima)?
i) ¿Cuánto puede disminuir el tiempo de inspección sin que cambie la solución óptima?
FQC 52
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?
a) La tabla de inicio de este problema es la siguiente:
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:
3/2 −1 0 800 200

𝑏̅𝑘 = 𝐴−1
𝑘 × 𝑏0 = ( −2 2 0) × (1000) = (400)
1/10 −2/5 1 340 20
Por lo tanto, el plan de producción óptimo para el próximo mes es el siguiente:
 Producir 400 unidades de material árido del tipo 1.

 No es rentable producir material árido del tipo 3 y 4.
 Existe una holgura de 20 horas de inspección de calidad.
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
Calculamos ahora el vector de valores duales 𝜋 𝑘 :
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
Calculamos ahora el vector de costos reducidos:
10 16
𝑐𝑗 (𝑥3 , 𝑥4 ) = 𝑐𝐵 − 𝜋 𝑘 × 𝐴𝑂 (𝑥3 , 𝑥4 ) = (−30 −50) − (−5 −2 0) × ( 4 5 ) = (28 40)
1 2
Por lo tanto, la tabla óptima completa del problema es la siguiente:
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.
c) Como 𝑥3 es una variable no básica, el análisis de sensibilidad es sencillo. Sea 𝑑3 el cambio

(positivo o negativo) en el coeficiente de 𝑥3 . Se tiene entonces lo siguiente:
𝑐30 − 𝑐̅3 < 𝑑3 < ∞
Luego:
−30 − 28 < 𝑑3 < ∞
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
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.
g) Como el precio sombra asociado a la restricción de horas de chancado es 𝜋1 = 5 unidades

monetarias, la oferta es beneficiosa y se acepta, porque se ofrece la hora adicional del recurso a un
valor menor, que es 3 unidades monetarias.
h) Tal y como se 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:
𝜃𝑖𝑛𝑓 = max{−200} = −200
FQC 55
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:
3/2 −1 0 880 320

𝑏̅𝑘 = 𝐴−1
𝑘 × 𝑏0 = ( −2 2 0) × (1000) = (240)
1/10 −2/5 1 340 28
Luego, el nuevo plan óptimo es el siguiente:

 No es rentable producir material árido del tipo 3 y 4.
 Existe una holgura de 28 horas de inspección de calidad.
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
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.
Planta 1 Planta 2 Planta 3 Planta 4 Suministros

Alto 19 11 7 21 20
Cerro 13 5 9 14 10
Indígena 14 2 8 19 8
Requerimientos 15 8 10 5
Tabla 31: Detalle de los costos de transporte de TRANSEC
Determine las rutas más convenientes para TRANSEC. Utilice el método de mínimo costo para
encontrar la solución básica de inicio y analice sus resultados.
SOLUCIÓN: Lo primero es verificar si el problema se encuentra balanceado. En efecto:
3 4
∑ 𝑠𝑖 = 20 + 10 + 8 = 38 = ∑ 𝑑𝑗 = 15 + 8 + 10 + 5 = 38
𝑖=1 𝑗=1
Como la sumatoria de ofertas es igual a la sumatoria de demandas, el problema se encuentra

balanceado. El tableau de transporte, de esta forma, se construye de forma inmediata utilizando los
datos de Tabla 69:
FQC 57
Planta 1 Planta 2 Planta 3 Planta 4 Oferta

19 11 7 21
Alto 20
13 5 9 14
Cerro 10
14 2 8 19
Indígena 8
Demanda 15 8 10 5 𝟑𝟖
Tabla 32: Tableau de inicio para el modelo de TRANSEC
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:
Planta 1 Planta 2 Planta 3 Planta 4 Oferta

19 11 7 21
Alto 5 10 5 20
13 5 9 14
Cerro 10 0 10
14 2 8 19
Indígena 8 8
Demanda 15 8 10 5 𝟑𝟖
Tabla 33: Solución básica de inicio para el modelo de TRANSEC
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
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
Tabla 34: Primera iteración del problema de TRANSEC
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

𝜃 = 5, el cual corresponde a la celda (1, 4). Luego, la variable de salida es 𝑥14 . El tableau resultante,
con los correspondientes valores duales y costos reducidos, es el siguiente:
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
Tabla 35: Tableau óptimo del problema de TRANSEC
FQC 59
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
La compañía manufacturadora de explosivos mineros ASIOP Mining Explosives Ltda. (ASIOPMEL)

fabrica detonadores eléctricos para 3 empresas de explosivos en cada una de sus 3 plantas de
manufacturación. Los costos de producción varían debido a la tecnología de producción y el
rendimiento de los operarios. Los costos unitarios y la capacidad mensual de producción, así como
la demanda de las empresas para el siguiente mes y el costo unitario de abastecimiento (transporte)
hacia las empresas clientes, se indican en Tabla 73.
Planta/Fábrica Hacia Costo/Unidad Producción Demanda

Fábrica
Desde 1 2 3 ($/unid) Mensual Mensual
A 3 2 6 2 6000 1 4000
B 6 4 2 4 4000 2 6000
C 5 1 3 3 6000 3 2000
Tabla 36: Detalle del proyecto de manufacturación de detonadores de ASIOPMEL
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:
1. Se emplea la capacidad total de producción de las tres plantas.

2. Se produce sólo la cantidad de detonadores necesaria para satisfacer la demanda.
SOLUCIÓN: Lo primero es verificar si el problema se encuentra balanceado. En efecto, asumiendo

que las producciones mensuales son las cantidades de oferta, se tiene que:
∑ 𝑠𝑖 = 6000 + 4000 + 6000 = 16000

𝑖=1
∑ 𝑑𝑗 = 4000 + 6000 + 2000 = 12000

𝑗=1
FQC 60
Como la sumatoria de ofertas no es equivalente a la sumatoria de demandas, el problema debe

balancearse añadiendo una fábrica artificial, cuya demanda sea igual al excedente de oferta en las
plantas de manufacturación de detonadores.
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:
Fábrica 1 Fábrica 2 Fábrica 3 Artificial Oferta

5 4 8 0
Planta A 6000
10 8 6 0
Planta B 4000
8 4 6 0
Planta C 6000
Demanda 4000 2000 6000 4000 𝟏𝟔𝟎𝟎𝟎
Tabla 37: Tableau de inicio para el modelo de ASIOPMEL
Desarrollando por el método de mínimo costo, se llega a la siguiente solución básica de inicio:
Fábrica 1 Fábrica 2 Fábrica 3 Artificial Oferta

5 4 8 0
Planta A 2000 4000 6000
7 0
10 8 6 0
Planta B 2000 2000 4000
−1 8 −5
8 4 6 0
Planta C 2000 4000 6000
3 5
Demanda 4000 2000 6000 4000 𝟏𝟔𝟎𝟎𝟎
Tabla 38: Solución básica de inicio del modelo de ASIOPMEL
FQC 61
La asignación anterior es correcta, porque satisface el teorema de secuenciación. Calculamos ahora

los valores duales y costos reducidos para la primera iteración, con lo cual se tiene que la variable
de entrada es 𝑥24 .
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
Tabla 39: Primera iteración del problema de ASIOPMEL
variable de salida. Como se debe cumplir que todas las asignaciones sean positivas o nulas, la
variable de salida se obtiene de las asignaciones limitadas por la cantidad 𝜃 en el tableau anterior:
4000 − 𝜃 ≥ 0
2000 − 𝜃 ≥ 0

𝜃 = 2000, el cual corresponde a la celda (2, 1). Luego, la variable de salida es 𝑥21 . Luego:
FQC 62
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
Tabla 41: Primera iteración para el segundo escenario
FQC 63
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

𝜃 = 2000, el cual corresponde a la celda (1, 3). Luego, la variable de salida es 𝑥13 . Luego:
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
Tabla 42: Solución óptima del problema para el segundo escenario
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
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.
OXBL OXAL SUBL SUAL

Planta Chancado Óxido 1 2
Planta Chancado Sulfuro 1 1
Valor Ingresos (US$/t) 20 10 15 40
Tabla 43: Detalle De las razones de extracción de óxidos y sulfuros
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:
V.B. OXBL OXAL SUBL SUAL 𝑠1 𝑠2 𝑠3 𝑠4 𝑎1 𝑎2 𝑏

𝑠1 1 1 1 0 -1 0 20
𝑠4 0 0 24 0 -14 -1 220
OXBL 1 0 -1 0 1 0 20
SUAL 0 0 1/3 1/3 0 0 20
SUBL 0 0 2/3 -1/3 0 0 30
−𝑧 10 0 20 0 -1650
En base a la información disponible, responder las siguientes interrogantes del plan:
a) ¿Cuál es el plan minero de producción/explotación a proponer de cada producto mineral? ¿Cuál

es el ingreso total?
b) ¿Cuál es el rango de variación de la utilidad de OXBL tal que la solución óptima no varía?
c) ¿Qué sucede con la solución óptima si el ingreso por unidad de SUAL aumenta en 10 unidades?
d) Suponga que se aumenta el ingreso del producto OXAL en 8 US$/t ¿Cuál es la nueva solución
óptima para el plan?
e) ¿Cuánto debe ser, al menos, el ingreso por unidad del producto OXAL para que sea rentable su
extracción?
f) Suponga que se deben producir 80 ktpd ¿Es factible este nuevo plan? De ser así, determine el
nuevo ingreso máximo que otorga dicho plan.
g) Suponga que se dispone de 45 ktpd de capacidad en la planta de óxidos ¿Varía la base óptima?
Responda esta misma pregunta en el supuesto de que se disponga de 30 ktpd de capacidad en
la planta de sulfuros.
h) Suponga que se debe aumentar el stock en la planta de sulfuros a 20 kt ¿Es factible la solución?
En caso de serlo, calcular el ingreso máximo del nuevo plan ¿Cuál sería su respuesta si se
supone que el stock de sulfuros es descartado del plan?
i) ¿Cuál es la cantidad máxima que estaría dispuesto a pagar por una tonelada de capacidad
adicional en la planta de chancado de óxidos y sulfuros?
j) ¿Cuál es la cantidad máxima que estaría dispuesto a pagar por una tonelada adicional de
capacidad de stock de sulfuros?
k) ¿Cuál es el recurso que aporta la mayor ganancia al plan minero? Determine el máximo aporte
total posible para el plan óptimo.
FQC 65
a) La solución óptima de este problema se obtiene directamente de la tabla óptima (incompleta)

entregada en el enunciado. Luego, el plan minero de producción es el siguiente:
 Extraer 20 ktpd de óxidos de baja ley.

 Extraer 30 ktpd de sulfuros de baja ley.
 Extraer 20 ktpd de sulfuros de alta ley.
 La extracción de óxidos de alta ley no es rentable para este plan.
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:
𝑥1 : Unidades de óxido de baja ley (OXBL) en explotación.

𝑥2 : Unidades de óxido de alta ley (OXAL) en explotación.
𝑥3 : Unidades de sulfuro de baja ley (SUBL) en explotación.
𝑥4 : Unidades de sulfuro de alta ley (SUAL) en explotación.
Las restricciones del problema se pueden obtener fácilmente a partir del enunciado del mismo. En
este caso, se tiene lo siguiente:
 Capacidad de planta de óxidos: 𝑥1 + 2𝑥2 ≤ 40

 Capacidad de planta de sulfuros: 𝑥3 + 𝑥4 ≤ 50
 Plan minero de extracción: 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 70
 Producción de sulfuros y stock: 2𝑥2 ≤ 𝑥3 + 10 → 2𝑥2 − 𝑥3 ≤ 10
 Relación sulfuros v/s óxidos: 𝑥3 + 𝑥4 ≥ 1.4(𝑥1 + 𝑥2 ) → −1.4(𝑥1 + 𝑥2 ) + 𝑥3 + 𝑥4 ≥ 0
La función objetivo se puede construir a partir de la Tabla 72. Luego:
𝑀𝑎𝑥(𝑧) = 20𝑥1 + 10𝑥2 + 15𝑥3 + 40𝑥4

Por lo tanto, el modelo lineal estándar de este problema es el siguiente:
𝑀𝑖𝑛(−𝑧) = −20𝑥1 − 10𝑥2 − 15𝑥3 − 40𝑥4

𝑠. 𝑎:
𝑥1 + 2𝑥2 + 𝑠1 = 40
𝑥3 + 𝑥4 + 𝑠2 = 50
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑎1 = 70
2𝑥2 − 𝑥3 + 𝑠3 = 10
−1.4𝑥1 − 1.4𝑥2 + 𝑥3 + 𝑥4 − 𝑠4 + 𝑎2 = 0
𝑥𝑗 , 𝑠𝑗 , 𝑎𝑖 ≥ 0
Luego, la tabla de inicio del modelo de COBREANDES es la siguiente:
V.B. OXBL OXAL SUBL SUAL 𝑠4 𝑠1 𝑠2 𝑎1 𝑠3 𝑎2 𝑏
FQC 66
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:
Matriz inversa óptima:
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 )
Matriz óptima de recursos:
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 )
Vector de valores duales:
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).
Vector de costos reducidos:
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)
Luego, 𝑐̅𝑘 (𝑥1 , 𝑥3 , 𝑥4 , 𝑠4 ) = (0 0 0 0).
FQC 67
Por lo tanto, la tabla óptima completa de este problema es la siguiente:
V.B. OXBL OXAL SUBL SUAL 𝑠4 𝑠1 𝑠2 𝑎1 𝑠3 𝑎2 𝑏

𝑠1 0 1 0 0 0 1 1 -1 0 0 20
𝑠4 0 0 0 0 1 0 24 -14 0 -1 220
OXBL 1 1 0 0 0 0 -1 1 0 0 20
SUAL 0 0 0 1 0 0 1/3 0 1/3 0 20
SUBL 0 0 1 0 0 0 2/3 0 -1/3 0 30
−𝑧 0 10 0 0 0 0 10/3 20 25/3 0 -1650
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
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.
d) Sea 𝑐2 ingreso por unidad de óxido de alta ley. Se tiene entonces:
𝑐20 − 𝑐̅2 < 𝑐2 < ∞
Lo que implica:
−10 − 10 < 𝑐2 < ∞
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$/unidad para que sea rentable su producción, ya que de esta forma la base óptima del
problema cambiaría, quedando 𝑥2 (que son las unidades de OXAL en explotación) como variable de
entrada y, en consecuencia, como parte de la nueva solución óptima del problema.
f) Sea 𝐷3 el cambio (positivo o negativo) en la producción total del plan minero. Las cotas de
variación de 𝐷3 se calculan a partir de la tabla óptima como sigue:
 Cota superior:
110 110
𝜃𝑠𝑢𝑝 = min { , 20} =
7 7
 Cota inferior:
𝜃𝑖𝑛𝑓 = max{−20} = −20
110
Por lo tanto, se tiene que −20 < 𝐷3 < . En consecuencia, el intervalo de factibilidad de la
7
producción del plan minero es 50 < 𝑘𝑡𝑝𝑑 𝑝𝑙𝑎𝑛 𝑚𝑖𝑛𝑒𝑟𝑜 < 85.7. Concluimos entonces que el aumento
de la producción según dicho plan a 80 ktpd no altera la base óptima, aunque sí su valor. Calculamos
la solución óptima y su valor objetivo utilizando el método símplex revisado como sigue:
1 1 −1 0 0 40 10
0 24 −14 0 −1 50 80
𝑏̅𝑘 = 0 −1 1 0 0 × 80 = 30
0 1/3 0 1/3 0 10 20
( 0 2/3 0 −1/3 0 ) ( 0 ) (30)
FQC 69
Luego, el nuevo plan abarca la explotación de 30 ktpd de óxido de baja ley, 20 ktpd de sulfuro de
alta ley y 30 ktpd de sulfuro de baja ley. El ingreso máximo por concepto de este nuevo plan se
obtiene reemplazando estos valores en la función objetivo, con lo cual 𝑀𝑎𝑥(𝑧) = 1850 US$/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
Reemplazando los valores obtenidos en la función objetivo obtenemos un ingreso máximo de

𝑀𝑎𝑥(𝑧) = 1650 US$/día. Es decir, no hay cambio alguno en la solución óptima ni en su valor. Por lo
tanto, el aumento de capacidad propuesto para la planta de óxidos es irrelevante y no constituye
mejora alguna para el plan de producción, y por tanto se rechaza.
Para el cambio en la capacidad de la planta de sulfuros se debe realizar un análisis similar,

obteniéndose:
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 )
El cambio hecho en la capacidad de la planta de sulfuros genera la pérdida de la factibilidad de la

solución óptima encontrada, ya que el valor asociado a 𝑠4 es negativo. En este caso, la factibilidad
debe recuperarse mediante la aplicación del algoritmo símplex dual. Para estos casos, como hay
una o más iteraciones a realizar, el óptimo mejora y, por ende, aumenta el ingreso máximo a percibir
por COBREANDES y, por tanto, el nuevo plan se acepta.
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
Si el stock de la planta de sulfuros se descarta, se tendrá entonces que el recurso asociado a la

cuarta restricción es ahora nulo. Utilizando nuevamente 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 0 50/3
( 0 2/3 0 −1/3 0 ) ( 0 ) (100/3)
La nueva solución encontrada es igualmente factible. Reemplazando estos valores en la función

objetivo del problema se tiene que el ingreso máximo es de 𝑀𝑎𝑥(𝑧) = 1566,7 US$/día. La opción es
claramente desfavorable con respecto al aumento del stock de la planta de sulfuros, ya que los
ingresos generados al descartar dicho stock son menores que cuando se aumentan.
i) De la tabla óptima, se tiene que los precios sombra asociados a los recursos de capacidad de
chancado en las plantas de óxidos y sulfuros, respectivamente, son 𝜋1 = 0 y 𝜋2 = 3,333. En
consecuencia, se tiene que la capacidad de chancado en la planta de óxidos es un recurso
abundante, puesto que la holgura 𝑠1 es no nula, y por ende no es necesario pagar por mayor
capacidad. Por el contrario, para tener capacidad adicional de chancado en la planta de sulfuros, se
debe pagar un total de 3,333 US$/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
Mineral Grueso Pellet Fino

Requerimientos planta chancado 4 5 2 3
Requerimientos planta concentración 4 6 3 4
Precio de venta (US$/t) 5 8 6 4
Tabla 44: Información entregada por Gerencia para la realización del plan
Los actuales contratos de la compañía imponen la necesidad de producir 1100 t, y no se contempla

venta adicional. Asimismo, el contrato establece que deben ser entregados por lo menos 350 kt de
mineral grueso. Las restricciones operacionales de las plantas de chancado y de concentración
facilitan una capacidad de proceso de 4500 t y 5000 t, respectivamente.
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.
V.B. MINERAL GRUESO PELLET FINO 𝑠1 𝑎1 𝑎2 𝑠2 𝑠3 𝑏

0 1 0 2 0 0 -1/3 533 1/3
1 0 0 -1 0 0 1/3 566 2/3
0 0 0 1 0 1 -1 600
0 0 1 -1 -1 0 1/3 216 2/3
−𝑧
En base a la información disponible, responder las siguientes interrogantes del plan:
a) Exponga claramente el plan óptimo resultante para el contrato y su valor.

b) Suponga que se disminuye el precio de venta del producto mineral en 60 centavos por unidad
¿Cuál es la nueva solución óptima para el plan?
c) Suponga que CMCI aumenta el precio del producto fino en 50 centavos la unidad ¿Cuál es la
nueva solución óptima para el plan? ¿Cuál es el nuevo ingreso del plan?
d) Suponga que se aumenta el precio de venta del producto pellet en 60 centavos la unidad ¿Cuál
es la nueva solución óptima para el plan?
e) ¿Qué precio debería tener, al menos, el producto mineral, para que sea rentable su extracción?
f) Suponga que debido a la renegociación del contrato de venta se debe producir un total de 1000
kt. Determine el nuevo valor óptimo de la función objetivo.
g) Suponga que debido a un aumento del tamaño del producto mineral se reduce la disponibilidad
de chancado a 4400 kt ¿Cuál será el ingreso del plan?
h) Suponga que se deben producir exactamente 400 kt del producto grueso ¿Es factible la
solución? En caso de serlo calcule el ingreso.
i) ¿Cuál es la cantidad máxima que CMCI estaría dispuesto a pagar por una tonelada extra de
chancado? ¿Y por una tonelada extra de concentración magnética?
j) ¿Cuáles son los valores, las unidades y la interpretación de las variables del problema dual?
k) ¿El problema es degenerado? ¿Por qué?
l) CMCI se encuentra negociando la venta de un nuevo producto de fierro, que requeriría 3 y 5
unidades de chancado y concentración, respectivamente, y tendría un precio de venta de 8 US$/t
¿Cuál es la nueva solución óptima del plan? ¿Cuál es el nuevo ingreso?
FQC 72
a) Como no se ha entregado la tabla de inicio de este problema, se debe formular el modelo de

CMCI antes de encontrar la solución. Sean:
𝑥1 : Cantidad de mineral a producir en kt.

𝑥2 : Cantidad de grueso a producir en kt.
𝑥3 : Cantidad de pellet a producir en kt.
𝑥4 : Cantidad de fino a producir en kt.
Del enunciado, se obtienen de inmediato las primeras dos restricciones del modelo:
 Producción: 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 1100
 Requerimiento de grueso: 𝑥2 ≥ 350
Además, de la Tabla 81 se obtienen las restricciones de requerimiento de chancado y concentración:
 Requerimiento de chancado: 4𝑥1 + 5𝑥2 + 2𝑥3 + 3𝑥4 ≤ 4500

 Requerimiento de concentración: 4𝑥1 + 6𝑥2 + 3𝑥3 + 4𝑥4 ≤ 5000
Finalmente, también de la Tabla 81, se obtiene la función objetivo del problema:
𝑀𝑎𝑥(𝑧) = 5𝑥1 + 8𝑥2 + 6𝑥3 + 4𝑥4
Por lo tanto, el modelo lineal estándar completo de CMCI es el siguiente:
𝑀𝑎𝑥(𝑧) = 5𝑥1 + 8𝑥2 + 6𝑥3 + 4𝑥4

𝑠. 𝑎:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑎1 = 1100
𝑥2 − 𝑠1 + 𝑎2 = 350
4𝑥1 + 5𝑥2 + 2𝑥3 + 3𝑥4 + 𝑠2 = 4500
4𝑥1 + 6𝑥2 + 3𝑥3 + 4𝑥4 + 𝑠3 = 5000
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑠1 , 𝑠2 , 𝑠3 , 𝑎1 , 𝑎2 ≥ 0
Luego, la tabla de inicio del problema es la siguiente:
V.B. MINERAL GRUESO PELLET FINO 𝑠1 𝑎1 𝑎2 𝑠2 𝑠3 𝑏

MINERAL 1 1 1 1 0 1 0 0 0 1100
GRUESO 0 1 0 0 -1 0 1 0 0 350
PELLET 4 5 2 3 0 0 0 1 0 4500
FINO 4 6 3 4 0 0 0 0 1 5000
−𝑧 -5 -8 -6 -4 0 0 0 0 0 0
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
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:
V.B. Matriz Inversa Óptima Coef. Objetivo

Pellet 2 0 0 -1/3 -6
Grueso -1 0 0 1/3 -8
𝒔𝟏 1 0 1 -1 0
𝒔𝟐 -1 -1 0 1/3 0
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:
2 0 0 −1/3 1 1 2/3 2/3

̅ −1
𝐴𝑘 (𝑥1 , 𝑥4 ) = 𝐴𝑘 × 𝐴𝑜 (𝑥1 , 𝑥4 ) = (
−1 0 0 1/3
) × (0 0) = (1/3 1/3
)
1 0 1 −1 4 3 1 0
−1 −1 0 1/3 4 4 1/3 1/3
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)
Ahora calculamos los costos reducidos:
1 1
𝑐̅𝑗 = 𝑐𝐵𝑜 𝑘
− 𝜋 × 𝐴𝑜 = (−5 −4) − (−4 0 0 −2/3) × (0 0) = (5/3 8/3)
4 3
4 4
Finalmente calculamos el valor objetivo óptimo:
FQC 74
1100
23200
𝑀𝑖𝑛(−𝑧) = 𝜋 𝑘 × 𝑏𝑜 = (−4 0 0 −2/3) × ( 350 ) = −
4500 3
5000
Por lo tanto, la tabla óptima completa del modelo de CMCI es la siguiente:
V.B. Mineral Grueso Pellet Fino 𝑠1 𝑎1 𝑎2 𝑠2 𝑠3 𝑏

Pellet 2/3 0 1 2/3 0 2 0 0 -1/3 533 1/3
Grueso 1/3 1 0 1/3 0 -1 0 0 1/3 566 2/3
𝑠2 1 0 0 0 0 1 0 1 -1 600
𝑠1 1/3 0 0 1/3 1 -1 -1 0 1/3 216 2/3
−𝑧 5/3 0 0 8/3 0 4 0 0 2/3 -23200/3
Por lo tanto, la solución óptima de este problema es la siguiente:
 Considerar la producción de 533.333 kt de pellets.

 Considerar la producción de 566.667 kt de gruesos.
 Existen 600 kt de capacidad no utilizada en la planta de chancado
 El requerimiento de gruesos puede bajarse a 216.667 kt, sin perjuicio del plan
 No es rentable la producción de mineral y finos.
El ingreso máximo a percibir por CMCI es de 7733.333 US$/kt de fierro producido.
b) Como la variable mineral, dada por 𝑥1 , es no básica, es posible determinar su intervalo de

optimalidad mediante la siguiente relación:
𝑐1𝑜 − 𝑐̅1 < 𝑑1 < ∞
Donde 𝑑1 es el cambio (positivo o negativo) en el coeficiente objetivo de la variable mineral. Por lo

tanto, se tiene lo siguiente:
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
− 𝜋 × 𝐴𝑜 = −4,5 − (−4 0 0 − ) × ( 3) =
3 6
4
FQC 75
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:
5/3 8/3 2/3

𝜃𝑠𝑢𝑝 = min { , , }=2
1/3 1/3 1/3
 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)
La solución óptima entonces se mantiene factible, y el plan pasa a ser el siguiente:

FQC 76
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)

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)

23200
como resultado 𝑀𝑎𝑥(𝑧) = US$/t.
3
FQC 77
i) Los precios máximos a pagar por una unidad de recurso adicional corresponden a los valores
duales (precios sombra) calculados en primera instancia para la tabla óptima. Como la holgura
asociada a la capacidad de chancado no es nula, entonces el precio sombra es cero, puesto que no
es necesario pagar por capacidad adicional de chancado si ya disponemos de capacidad no utilizada
de este recurso. No obstante, para el caso de la concentración magnética, la holgura asociada es
cero. Luego, hay un precio sombra asociado dado por 𝜋4 = 2/3 US$/t, que es el máximo a pagar por
una tonelada de concentración adicional.
j) El modelo original de CMCI es el siguiente:
𝑀𝑎𝑥(𝑧) = 5𝑥1 + 8𝑥2 + 6𝑥3 + 4𝑥4

𝑠. 𝑎:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 1100
𝑥2 ≥ 350
4𝑥1 + 5𝑥2 + 2𝑥3 + 3𝑥4 ≤ 4500
4𝑥1 + 6𝑥2 + 3𝑥3 + 4𝑥4 ≤ 5000
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
Cambiando el PPL anterior a su forma primal simétrica, se tiene:
𝑀𝑖𝑛(−𝑧) = −5𝑥1 − 8𝑥2 − 6𝑥3 − 4𝑥4

𝑠. 𝑎:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 1100
𝑥2 ≥ 350
−4𝑥1 − 5𝑥2 − 2𝑥3 − 3𝑥4 ≥ −4500
−4𝑥1 − 6𝑥2 − 3𝑥3 − 4𝑥4 ≥ −5000
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
Luego, el dual de este problema es el siguiente:
𝑀𝑎𝑥(𝑣) = 1100𝜋1 + 350𝜋2 − 4500𝜋3 − 5000𝜋4

𝑠. 𝑎:
𝜋1 − 4𝜋3 − 4𝜋4 ≤ −5
𝜋1 + 𝜋2 − 5𝜋3 − 6𝜋4 ≤ −8
𝜋1 − 2𝜋3 − 3𝜋4 ≤ −6
𝜋1 − 3𝜋3 − 4𝜋4 ≤ −4
𝜋1 𝑛𝑜 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑑𝑎; 𝜋2 , 𝜋3 , 𝜋4 ≥ 0
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.
Los valores óptimos duales son 𝜋1 = 4, 𝜋2 = 0, 𝜋3 = 0, 𝜋4 = 2/3. Todos ellos en US$/t.
FQC 78
k) El problema no es degenerado, puesto que ninguna de las variables básicas es nula en la

iteración óptima.
l) Se debe sumar una nueva variable al modelo, 𝑥5 . Calculamos su costo reducido:
0
2 0 14
− 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
La tabla queda entonces como:
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
Entra 𝑥5 , sale 𝑠1 . Siguiente iteración:
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:
 Considerar la producción de 535 kt de pellets.

 Considerar la producción de 565 kt de gruesos.
 Considerar la producción de 130 kt de material nuevo.
23186
El ingreso máximo del plan es 𝑀𝑎𝑥(𝑧) = − US$/t.
3
FQC 79
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:
Ecología Energía Transporte Seguridad

Lunes 50 40 60 20
Martes 40 30 40 30
Miércoles 60 20 30 20
Jueves 60 30 20 30
Viernes 10 20 10 30
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:
SOLUCIÓN: Procedemos mediante el algoritmo húngaro. Lo primero es verificar la naturaleza del

problema, asumiendo que el número estimado de alumnos en cada uno de los seminarios es un
“beneficio” para la programación. Así, tenemos un problema de asignación de beneficios, y no de
costos, el cual maximiza una función objetivo. Construimos la matriz de costos agregando una
columna artificial a fin de tener una matriz cuadrada y, además, asumiendo costos negativos (ya que
son beneficios).
−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)
Generando una eliminación de mínimos por columnas, obtenemos:
−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 )
FQC 80
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)
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)
 Programar el seminario de ecología para el día miércoles.

 Programar el seminario de energía para el día martes.
 Programar el seminario de transporte para el día lunes.
 Programar el seminario de seguridad para el día viernes.
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
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:
Figura 7: Red del problema de EMAL
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
Figura 8: Solución óptima de ruta más corta para EMAL
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.
b) Procedemos mediante el algoritmo de Dijkstra de la ruta máxima. Redibujando la red, y rotulando

los nodos en función de los tiempos máximos de traslado por arco, se tiene lo siguiente:
Figura 9: Solución óptima de ruta máxima para EMAL
De lo anterior, se tiene que la ruta más larga corresponde al camino S → D → C → G → J → T.

Notemos además que existe una solución óptima alternativa, dada por el camino S → A → B → E
→ J → T. La duración máxima de traslado es de 34 minutos.
FQC 83
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
Tabla 46: Inventario de bloques para el Problema #2
SOLUCIÓN: Primero analizamos los niveles H – 1 y H – 2. Para la solución de este problema, se

asumirá la notación 𝑖𝑗 para el bloque ubicado en la i-ésima fila y la j-ésima columna.
Para ello construimos la siguiente red, aplicando en su resolución el algoritmo de máximo flujo.
Figura 10: Red de los niveles H – 1 y H – 2
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
BANCO B – 1 B – 2 B–3 B–4 B–5 B–6 B–7 B–8 B–9
H–1 -9 -2 -1 2 -1 -1 -1 1 -9
H–2 -11 -3 2 3 -2 -2 -1 5 -10
H–3 -11 -6 2 1 6 -3 -4 -6 -10
Tabla 47: Inventario resultante de la remoción primaria de bloques
Ahora se deben analizar los niveles H – 2 y H – 3. Construyendo la red respectiva y aplicando el

algoritmo de máximo flujo, se obtiene lo siguiente:
Figura 11: Red de los niveles H – 2 y H – 3
De la red anterior se obtiene el conjunto de bloques removidos en esta etapa, dado por 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:
BANCO B – 1 B – 2 B–3 B–4 B–5 B–6 B–7 B–8 B–9 Vector de pits
H–1 -9 -2 -1 2 -1 -1 -1 1 -9 -4
H–2 -11 -3 2 3 -2 -2 -1 5 -10 1
H–3 -11 -6 2 1 6 -3 -4 -6 -10 7
Tabla 48: Inventario de bloques óptimo
El beneficio de este pit final es igual a 4 unidades monetarias.
FQC 85
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:
Figura 12: Red de correas de la Empresa MANANTIAL
Los valores de los arcos representan la capacidad de las correas en cientos de toneladas por hora.
Se sabe que los turnos de trabajo son de 8 horas y que el tonelaje 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
6000 𝑡 ℎ𝑡
𝐶(𝑆, 2) = = 7,5
8 × 100
4800 ℎ𝑡
𝐶(𝑆, 3) = =6
8 × 100
La red completa del problema, cuya solución óptima se ha calculado mediante el algoritmo de
máximo flujo, es la siguiente:
Figura 13: Red de MANANTIAL solucionada mediante el algoritmo de máximo flujo
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
PROBLEMA #4
A continuación se detallan los tiempos probabilísticos esperados para las distintas actividades de un
proyecto.
ACTIVIDAD PRECEDENTE T. OPTIMISTA T. MÁS PROBABLE T. PESISMISTA

A - 1 3 3
B A 2 5 6
C B, H, E 1 1 1
D - 3 5 9
E G 2 3 4
F E, L 1 2 3
G D 1 2 3
H G 3 4 5
I D 1 3 5
J I 3 4 5
K D 2 3 7
L J, K 3 5 4
M C, L 1 2 3
Tabla 49: Estimación de tiempos para el proyecto
a) Dibuje la red del proyecto.

b) Calcule la duración máxima del proyecto.
c) Encontrar la ruta crítica y calcular las holguras totales de cada actividad.
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
TIEMPO T. MÁS TIEMPO TIEMPO

ACTIVIDAD PRECEDENTE
OPTIMISTA PROBABLE PESISMISTA ESPERADO
A - 1 3 3 2,7
B A 2 5 6 4,7
C B, H, E 1 1 1 1
D - 3 5 9 5,3
E G 2 3 4 3
F E, L 1 2 3 2
G D 1 2 3 2
H G 3 4 5 4
I D 1 3 5 3
J I 3 4 5 4
K D 2 3 7 3
L J, K 3 5 4 5
M C, L 1 2 3 2
Tabla 50: Estimación de tiempos más esperados por actividad
La red del proyecto, una vez se ha aplicado el algoritmo CPM de la ruta crítica, se muestra a
continuación.
Figura 14: Red del proyecto
b) De la red del proyecto, se obtiene que el tiempo crítico es de 20,3 semanas.
c) De la red del proyecto, se observa que la ruta crítica es D → I → J → L → C.
Las holguras totales se calculan a continuación.
FQC 89
ACTIVIDAD HOLGURA
A 10
B 10
C 0
D 0
E 6
F 1
G 6
H 6
I 0
J 0
K 4
L 0
M 0
Tabla 51: Holguras totales de las actividades del proyecto
PROBLEMA #5
A partir del inventario de bloques entregado, calcular el pit final 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
Tabla 52: Inventario de bloques
SOLUCIÓN: Primero analizamos los niveles E – 4 y F – 4. Para ello, construimos la siguiente red,
aplicando el algoritmo de máximo flujo.
FQC 90
Figura 15: Red de los niveles E – 4 y F – 4
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
Tabla 53: Inventario resultante de la primera remoción de bloques
Ahora se deben analizar los niveles H – 2 y H – 3. Construyendo la red respectiva y aplicando el

algoritmo de máximo flujo, se obtiene lo siguiente:
FQC 91
Figura 16: Solución óptima del problema
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
Tabla 54: Inventario de bloques óptimo
Del pit final óptimo se obtiene un beneficio de 26 unidades monetarias.
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
Figura 17: Red de caminos desde el vecindario hasta la universidad
Considere, para este problema, que la probabilidad de que no lo multen en una sucesión de caminos
es igual al producto entre las probabilidades individuales de que no lo multen en cada arco
respectivo.
SOLUCIÓN: El problema debe resolverse mediante el algoritmo de Dijkstra de la ruta máxima. La

diferencia con otro tipo de problemas es que ahora las probabilidades acumuladas por nodo en los
rótulos son iguales a la multiplicación de las probabilidades individuales por arco respectivo. Así, se
obtiene la solución óptima que se observa en la siguiente red.
Figura 18: Solución óptima del problema
La ruta más segura, que maximiza la probabilidad de no ser multado, es V → 1 → 5 → 9 → U. La

probabilidad máxima de no ser multado es de 7,2%, resultado que es bastante desafortunado.
FQC 93
PROBLEMA #7
La Empresa PETROGAS Co. (Chile) se encuentra en la etapa final de puesta en producción de 9

pozos de gas natural mar adentro en el área de Isla Grande. Debido a la ubicación del pozo 2,
cercana a la costa, se encuentra equipado con suficiente capacidad de bombeo y almacenamiento
para bombear la producción de los 8 pozos restantes al punto de entrega. El siguiente plano (no
necesariamente a escala) muestra el kilometraje de los ductos factibles que conectan los 9 pozos de
gas natural mar adentro con el punto de entrega.
Figura 19: Red de pozos de PETROGAS
Considerando que el costo promedio por 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
Figura 20: Árbol que minimiza la longitud de ductos de transporte de gas
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.
Figura 21: Red de correas de COMACHI
FQC 95
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
8 × 100
6000 𝑡 ℎ𝑡
𝐶(𝑆, 2) = = 7,5
8 × 100
8000 𝑡 ℎ𝑡
𝐶(𝑆, 3) = = 10
8 × 100
La solución óptima de este problema, una vez aplicado el algoritmo de máximo flujo, se muestra en
la siguiente red.
Figura 22: Solución óptima del problema de COMACHI
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
PROBLEMA #9
Un proyecto minero está compuesto por actividades cuyas características se presentan a

continuación.
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 -
Tabla 55: Actividades a realizar por el proyecto
Se pide:
a) Dibujar la red del proyecto y determinar la ruta crítica y su duración.

b) Considerando la posibilidad de acelerar las actividades, formular un modelo de programación
lineal que permita determinar qué actividades deben ser aceleradas y en cuánto, de manera tal
que el proyecto se pueda terminar en 15 días.
c) Se quiere acelerar el proyecto en tres días a costo mínimo ¿Cuáles actividades conviene acelerar
y en cuánto? ¿A qué costo? Dibuje como va cambiando la malla del proyecto.
SOLUCIÓN: a) La red del proyecto se muestra a continuación.
Figura 23: Red del proyecto
FQC 97
La ruta crítica, a partir de la red anterior, es B → C → G → I → L. La duración crítica del proyecto es

entonces 𝜇𝑡 = 19 días.
b) El modelo queda determinado de la siguiente manera: Sean:
𝑥𝑖 : Tiempo acumulado hasta el instante 𝑖, con 𝑖 = 1,2, … ,10.

𝑦𝑗 : Cantidad de días a disminuir la actividad 𝑗, con 𝑗 = 𝐴, 𝐵, … , 𝑀.
La función objetivo es la siguiente:
𝑀𝑖𝑛(𝑧) = 120𝑦𝐴 + 250𝑦𝐵 + 150𝑦𝐶 + 30𝑦𝐷 + 90𝑦𝐸 + 200𝑦𝐺 + 80𝑦𝐻 + 300𝑦𝐼 + 400𝑦𝐽 + 150𝑦𝐾 + 100𝑦𝐿
Las restricciones del problema se listan a continuación:
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
c) Las opciones a disminuir son las siguientes:
 Disminuir B en 2 días a un costo de $250.

 Disminuir C en 2 días a un costo de $150.
 Disminuir G en 3 días a un costo de $200.
 Disminuir I en 1 día a un costo de $300.
 Disminuir L en 2 días a un costo de $100.
Se elige disminuir L en 1 día. La red del proyecto queda de la siguiente forma:
Figura 24: Red del proyecto luego de disminuir 1 día la actividad L
Quedan dos rutas críticas, por lo cual las opciones a disminuir son:
FQC 98
 Disminuir B en 2 días a un costo de $250.

 Disminuir C en 2 días a un costo de $150.
 Disminuir G en 3 días a un costo de $200.
 Disminuir I en 1 día a un costo de $300.
 Disminuir L y K en 1 día a un costo de $250.
Se elige disminuir C en 1 día, con lo cual la red queda como sigue:
Figura 25: Red del proyecto luego de disminuir 1 día la actividad C
Quedan 4 rutas críticas, por lo cual las opciones a disminuir son:
 B en 2 días a un costo de $250.

 C y D en 1 día a un costo de $180.
 G en 3 días a un costo de $200.
 I en 1 día a un costo de $300.
 L y K en 1 día a un costo de $250.
Se elige disminuir C y D en 1 día, con lo cual la red del proyecto queda como sigue:
Figura 26: Red del proyecto luego de disminuir C y D en 1 día
Finalmente, el costo de reducir el proyecto a 16 días es de 100 + 150 + 180 = $ 430.
FQC 99
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
Tabla 56: Cronograma del proyecto de ARMICO
A usted, como ingeniero supervisor de ARMICO, se le ha solicitado desde Gerencia lo siguiente:
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:
ACTIVIDAD PREDECESOR DURACIÓN [semanas]

M Campaña nueva de sondajes K, L 2
N Corrección de la variografía L 3
Tabla 57: Actividades nuevas a adicionar al proyecto
FQC 10
0
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:
COSTO UNITARIO DISMINUCIÓN

ACTIVIDAD
ACELERADO [$/semana] MÁXIMA [semanas]
E, M 40 3
G, H, J 10 2
F, I 15 2
K, L 10 1
Tabla 58: Actividades susceptibles de acelerar, su costo, y su límite
Determine la forma de terminar el proyecto a tiempo y a costo mínimo.
SOLUCIÓN: Se tiene lo siguiente.
a) La red del proyecto se muestra a continuación:
Figura 27: Red del proyecto de ARMICO
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
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:
𝑃(𝑧) = 0,5 + 0,167𝑧 − 0,009𝑧 2
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

Guía de Ejercicios - Optimización PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guía de Ejercicios - Optimización PDF

Cargado por

Copyright:

Formatos disponibles

Universidad de Santiago de Chile

Departamento de Ingeniería en Minas

Guía de Ejercicios – Optimización

Potasio Vitamina C Vitamina A Betacarotenos Costo [$/u] Límite [u]

Tabla 1: Disposición de Ingredientes para el Problema #1

𝑀𝑖𝑛(𝑧) = 25𝑥1 + 13𝑥2 + 10𝑥3 + 20𝑥4

100(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ) = 1000 (𝑒𝑛 𝑐𝑚3 )

20𝑥1 + 5𝑥2 + 35𝑥3 + 15𝑥4 ≤ 300

30𝑥1 + 10𝑥2 + 25𝑥3 + 35𝑥3 ≤ 350

Por último, para los límites diarios, tenemos:

Naturalmente. 𝑥𝑖 ≥ 0. El modelo es entonces el siguiente:

𝑀𝑖𝑛(𝑧) = 25𝑥1 + 13𝑥2 + 10𝑥3 + 20𝑥4

Formule y resuelva adecuadamente el siguiente problema de programación lineal. La primera

V.B 𝑥1′ 𝑥2 𝑥3 𝑥4 𝑠2 𝑎1 𝑠1 𝑎2 𝑏 𝑀𝑖𝑛(𝜃)

Entra 𝑥2 ; sale 𝑎1 . Primera iteración:

V.B 𝑥1′ 𝑥2 𝑥3 𝑥4 𝑠2 𝑎1 𝑠1 𝑎2 𝑏 𝑀𝑖𝑛(𝜃)

V.B. 𝐴1−1 𝑐𝐵 (𝑉𝐵)

Calculamos los valores duales para esta iteración:

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

Calculamos los costos reducidos:

Como el coeficiente reducido de 𝑠2 en la función objetivo es negativo, aún no estamos en el óptimo.

Tabla 2: Cálculo de los elementos 𝜽𝒌 para el Problema #2

La variable de salida es entonces 𝑠1 . El pívot corresponde a 4.

Calculamos la matriz inversa 𝐴−1

Verificamos el orden de las variables básicas:

Calculamos los costos reducidos:

1/8 7/16 0 50 575/8

a) ¿Cuáles son las variables básicas?

a) Las variables básicas son 𝑥1 y 𝑠1 .

c) La solución óptima es 𝑥1 = 7, 𝑥2 = 0, 𝑥3 = 0, 𝑥4 = 0, 𝑠1 = 3, 𝑠2 = 0. Su valor es 𝑀𝑖𝑛(𝑧) = 76.

d) En ambas restricciones hay variables de holgura asociadas. El recurso asociado a la primera

Requerimientos de Producción y Utilidad Jeans Franelas Amasados

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

𝑀𝑎𝑥(𝑧) = 400𝑥1 + 200𝑥2 + 300𝑥3

El modelo completo es entonces:

𝑀𝑎𝑥(𝑧) = 400𝑥1 + 200𝑥2 + 300𝑥3

𝑀𝑎𝑥(𝑧) = 100𝑥1 − 100𝑥2 + 3000

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

Figura 1: ESF del Problema #4

𝑀𝑎𝑥(𝑧) = −17𝑥2 + 83𝑥4 − 8𝑥5

SOLUCIÓN: Del primal, tenemos que:

−10 ≤ 𝑥1 ≤ −2 ↔ −10 ≤ −𝑥1′ ≤ −2

Además, la expresión −3 ≤ 𝑥2 ≤ 17 también podemos fragmentarla en dos restricciones

Escribimos entonces el problema primal en forma canónica (primal simétrico):

𝑀𝑖𝑛(−𝑧) = 17𝑥2 + 83𝑥4′ + 8𝑥5

𝑀𝑎𝑥(𝑣) = 50𝜋1 − 150𝜋2 − 10𝜋3 + 2𝜋4 − 10𝜋5 − 3𝜋6 − 17𝜋7 + 16𝜋8

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

SOLUCIÓN: Primero definimos las variables del problema:

𝑥1 : Producción Cerro Granate, área Norte

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

0,9(0,4𝑥1 + 0,3𝑥2 + 0,4𝑥3 + 0,35𝑥4 ) ≥ 12000

0,4𝑥1 + 0,3𝑥2 + 0,4𝑥3 + 0,35𝑥4 ≥ 0,35(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )

𝑀𝑖𝑛(𝑧) = 3,5(𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ) − (3𝑥1 + 2𝑥2 + 4𝑥3 + 5𝑥4 )

El modelo completo es entonces:

𝑀𝑖𝑛(𝑧) = 0,5𝑥1 + 1,5𝑥2 − 0,5𝑥3 − 1,5𝑥4

SOLUCIÓN: Se debe reescribir el PPL en forma estándar. Se tiene entonces:

Entra 𝑥3 , sale 𝑎2 . Segunda iteración.

Luego calculamos 𝐴−1

Calculamos los valores duales para esta iteración:

Calculamos los costos reducidos:

Como el coeficiente reducido de 𝑠2 en la función objetivo es negativo, aún no estamos en el óptimo.

Tabla 5: Cálculo de los elementos 𝜽𝒌 para el Problema #7

La variable de salida es entonces 𝑠1 . El pívot corresponde a 3.