Investigación operativa 2020

Fecha de entrega: 30 de junio

Modelos de Decisiones para Miel APIARUM

Alumno: Ledesma Juan Augusto – LUN° 49246; Mas Gonzalez Fernando – LUNº 44248;
Gomez Micaela Cinthia – LUNº 49835.
Correo de contacto: j.augustoledesma@gmail.com

RESUMEN
Este trabajo se enfoca en miel APIARUM, haciendo frente a tres situaciones distintas del
emprendimiento, mediante el uso de modelos de toma de decisiones.

En el presente trabajo se describen las bases conceptuales y matemáticas de tres modelos,

para tres casos distintos en los que miel apiarum podría aplicar.

Palabras clave: mínimo tres, máximo cinco

1 INTRODUCCIÓN
Miel APIARUM es un emprendimiento que se lleva a cabo en la ciudad de Corrientes, más
específicamente en la localidad de Ramones, a aproximadamente unos 103 km de la
Capital. Miel APIARUM se dedica a la producción de miel artesanal, con una trayectoria de
poco más de un año, sin visión o misión, buscaba la forma de implementar modelos para la
toma de decisiones que sean aplicables a su labor y que puedan permitirle mejorar su
rendimiento en el mercado a futuro.
Para el primer caso se desarrolló un método de programación lineal – Método Simplex –
para poder optimizar los beneficios de miel apiarum y conoces la mejor combinación de
producción entre frascos de ¼, ½ y 1 kg de miel, teniendo en cuenta, los beneficios que
supone la venta de cada uno de los frascos y las restricciones con la que cuenta miel
apiarum a la hora de querer introducirlos al mercado. Por último, se hizo uso del programa
LINDO 6.1, para una mejor verificación de los resultados encontrados.
En el segundo caso, nos encontramos con el proceso de la fabricación de la miel y su
tiempo de duración, etapa por etapa y confeccionamos un diagrama sobre las bases de
modelo de Camino Critico, para una mejor distribución de las etapas de dicho proceso.
Por último, teniendo en cuenta que la miel solo se puede producir desde principios de
primavera hasta finales del verano, debido a que las abejas inverna, y que por lo tanto no se
puede fabricar miel por al menos 6 meses, con la ayuda de un modelo de inventario basado
en programación dinámica, se encontró la forma de producir un excedente, para atender a la
demanda de los meses de junio a septiembre.

2 METODO DE PROGRAMACION LINEAL: METODO SIMPLEX, LAS BASES

MATEMATICAS DEL MODELO Y APLICACION EN MIEL APIARUM.
Para una mayor comprension del METODO SIMPLEX, se atendera, paso por paso a la
situacion que miel apiarum planteo.

Miel APIARUM vende miel en frascos de 3 variedades: ¼ de kg, ½ de kg y 1 kg. cada frasco
cuesta producir respectivamente, $81, $102 y $206, siendo el precio de venta de cada uno,

1
 Investigación operativa 2020
Fecha de entrega: 30 de junio

$150 por el frasco de ¼ kg, $250 por el frasco de ½ kg y $400 por el frasco de kg. Al mes,
la empresa, recolecta 70000 cc de miel para fraccionar en 100 frascos de los cuales 20
corresponden a frascos de 1 kg de miel los cuales ocupan 800cc de miel cada uno, 40
frascos corresponden a frascos de ½ kg de miel, los cuales ocupan 360 cc de miel cada uno
y los ultimos 40 frascos restantes, corresponden a frascos de ¼ kg de miel, los cuales
ocupan, 190cc de miel cada uno. La cantidad de frascos es la maxima que compra por mes.
Teniendo en cuenta, algunos datos que se recolectaron del año 2019, la persona a cargo de
miel apiarum concluyo que: 1) La demanda de fracos de ¼ kg nunca supera en 3 veces su
cantidad a la de 1kg. 2) y que aproximadamente la demanda de frascos de ½ kg nunca
supera en mas de 1,4 veces la demanda de frascos de ¼ kg.
Miel APIARUM se propone a determinar la (mejor) combinacion optima de frascos de ¼ , ½ ,
y 1 kg de miel que maximice sus benedicios mensuales totales.

Todos los modelos de IO, incluido el de PL, constan de tres componentes básicos.
1. Las variables de decisión que pretendemos determinar.
2. El objetivo (la meta) que necesitamos optimizar (maximizar o minimizar).
3. Las restricciones que la solución debe satisfacer.
La definición correcta de las variables de decisión es un primer paso esencial en el
Desarrollo del modelo.

Las variables del modelo se definen como:

X1 = cantidades producidas de frascos de ¼ de kg.

X2 = cantidades producidas de frascos de ½ de kg.
X3 = cantidades producidas de frascos de 1 kg.

Lo que miel apiarum busca es maximizar las utilidades de los frascos de miel
mensualmente. Por lo que los compo0nentes de las utilidades mensuales de miel se
expresan en function de x1, x2 y x3.
Siendo Z la utilidad maxima total mensual, el objetivo de miel APIARUM se expresaria como:

Maximizar Z=150 X 1+ 250 X 2+ 400 X 3

A continuacion definimos las restricciones que limitan el consume de materia prima y la

demanda de los productos.

190 X 1+360 X 2+ 800 X 3 ≤ 70000

X 1 ≤ 40
X 2 ≤ 40
X 3 ≤ 20
3 X 3− X 1 ≤ 0
1.4 X 1− X 2≤ 0

Una restricción implícita requiere que todas las variables, x1 y x2, asuman sólo valores
positivos o cero.
La meta del problema es determinar la solución óptima, es decir la mejor solución factible
que maximice la utilidad total z.
Aqui es donde entra en juego el metodo simplex.
El algoritmo Simplex consiste en iniciar las iteraciones en el origen de coordenadas (lo que
se conoce como “solución trivial”) y luego saltar al vértice siguiente según una regla
preestablecida (Ventsel, 1983; Taha, 1995; Goldbarg & Luna, 2000; Eppen et al., 2000;

2
 Investigación operativa 2020
Fecha de entrega: 30 de junio

Hillier & Lieberman, 2007).

Es necesario partir de una solución viable. la 1ª solución básica de partida es una solución
con holgura en todas las restricciones (la solución trivial, lo que representaría en el problema
real “no hacer nada”). O sea, en la primera iteración sólo las variables de holgura son
distintas de cero.

190 X 1+360 X 2+ 800 X 3+ h 1=70000

X 1+h 2=40
X 3+h 4=20
X 2+h 3=40
3 X 3− X 1+ h5=0
1.4 X 1− X 2+ h 6=0
Este algoritmo se resuelve a través de una tabla, la tabla Simplex (Tabla 1) que representa
matricialmente al conjunto de restricciones del modelo matemático (indicadas como líneas
L1, L2 y L3 en la tabla), más una restricción adicional (que denominaremos FO^).
Las primeras columnas corresponden a las variables de decisión y la tabla se rellena de la
siguiente manera: cada celda representa el coeficiente de la variable de decisión, a la que
corresponde la columna, en la restricción a la que corresponde la línea.
La restricción adicional (la última línea de la tabla) corresponde a una ecuación conformada
por la FO, menos la propia FO en el punto óptimo, a la que llamaremos FO^. Por lo tanto, los
valores consignados en la tabla son los coeficientes de las variables de decisión en la FO,
pero con signo cambiado.
La tabla consta de dos columnas adicionales, una que hemos denominado “Val” (valores),
donde se escriben los valores de los términos independientes de cada restricción, más otra
columna, que servirá para indicar los resultados de cálculos propios del algoritmo.

A continuación, se explicará la lógica y los pasos del algoritmo, que se basa en la solución
de sistemas de ecuaciones lineales por el método de la triangulación de Gauss - Jordán:

1) Primero hay que elegir qué variable de decisión será mejorada (recuérdese que todas
ellas comenzaron como siendo nulas). Para ello, se analiza la línea de la tabla que
denominamos FO^ y se escoge la variable cuya variación representará el mayor crecimiento
de la FO, o sea la que presenta el coeficiente “más negativo”. En el caso del ejemplo, la
variable “x1”.

2) Seguidamente, se dividen los valores de la columna “Val”, por los valores de la columna
seleccionada en el paso anterior (para nuestro ejemplo, la de “x1”). La lógica de esta
operación es que las restricciones, que son líneas rectas, cortan al eje “x1” a una distancia
al origen igual a su término independiente (indicado en la col “Val”), dividido por el
coeficiente de la variable (esa intersección con el eje se denomina raíz). Los resultados de
las divisiones son consignados en la columna de la derecha de la tabla.

3) De todos los valores de esa columna de la derecha se escoge el menor de todos, porque
lo que se está buscando es un vértice de la región viable: cada restricción tendrá su raíz
sobre el eje de la variable analizada y la menor de ellas corresponderá al vértice buscado.
En el caso del ejemplo, el correspondiente a la línea L1.

4) La celda localizada en la intersección de la línea identificada en el paso anterior y de la

columna de la variable analizada (L1 y X1 en el ejemplo) será la que servirá de pivote de la
triangulación de Gauss – Jordan.

3
 Investigación operativa 2020
Fecha de entrega: 30 de junio

5) Luego, a través de combinaciones lineales y “pivoteando” sobre la celda identificada en el

paso anterior, hay que lograr que en la columna correspondiente a la variable sobre la que
se está trabajando aparezca el valor “1” en correspondencia con la línea identificada en el
3er paso, y valores “0” en el resto de la columna. Con ello finaliza la primera iteración.
6) Se continúa con las iteraciones hasta que no existan más variables de decisión a ser
mejoradas.

Observación: si en la línea correspondiente a la FO^ final hubiera una o más variables no

básicas con coeficiente cero, ello indicará que hay más de una solución óptima, o sea, hay
infinitas soluciones óptimas (lo que corresponde a los denominados “problemas
degenerados”, o mal formulados).

4
 Investigación operativa 2020
Fecha de entrega: 30 de junio

X1 X2 X3 H1 H2 H3 H4 H5 H6 val
Tabla1- Tabla
Simplex R1 190 360 800 1 70000 194.4
R2 1 1 40 Inf
R3 1 1 40 Inf
Aquí se aprecia que
el resultado R4 1 1 20 20 que arrojo
la tabla simplex fue
R5 -1 3 1 0 0
de 28, 4= X1 que
R6 1.4 -1 0 1 0 inf
F -
O -150 -250 400 0
X1 X2 X3 H1 H2 H3 H4 H5 H6 Ind.
R1 454 360 0 1 0 0 0 0 0 70000 154.18
R2 1 0 0 0 1 0 0 0 0 40 40
R3 0 1 0 0 0 1 0 0 0 40 Inf
R4 0.33 0 0 0 0 0 1 0 0 20 60.60
-
R5 0,33 0 1 0 0 0 0 0.33 0 0 -
R6 1.4 -1 0 0 0 0 0 0 1 0 0
F
O -282 -250 0 0 0 0 0 132 0 0-
X1 X2 X3 H1 H2 H3 H4 H5 H6 Ind.
-
R1 0 682.34 0 1 0 0 0 0 322.34 70000 98.27
R2 0 0.71 0 0 1 0 0 0 -0.71 40 56.34
R3 0 1 0 0 0 1 0 0 0 40 40
R4 0 0,23 0 0 0 0 1 0 0,23 20 86.96
R5 0 -0.23 1 0 0 0 0 0.33 0.23 0-
R6 1 -0.71 0 0 0 0 0 0 0.71 0-
F -
O 0 450.22 0 0 0 0 0 132 200.22 0
X1 X2 X3 H1 H2 H3 H4 H5 H6 Ind.
- 42706.
R1 0 0 0 1 0 -682.34 0 0 322.34 4
R2 0 0 0 0 1 -0.71 0 0 -0.71 11.6
R3 0 1 0 0 0 1 0 0 0 40
R4 0 0 0 0 0 -0.23 1 0 0.23 10.8
R5 0 0 1 0 0 0.23 0 0.33 0.23 9.2
R6 1 0 0 0 0 0.71 0 0 0.71 28.4
F 450.2 18008.
O 0 0 0 0 0 2 0 132 200.22 8
corresponde a los frascos de ¼ kg, 40= X2 que corresponde a frascos de ½ kg y 9,2= X3
que corresponde a frascos de 1 kg. Este resultado nos da un beneficio optimo de 18008.8.

5
 Investigación operativa 2020
Fecha de entrega: 30 de junio

Z=( 150∗28.4 ) + ( 250∗40 ) + ( 400∗9,2 )=18008,8

Pero este no es el resultado final, dado que son frascos de miel y no pueden fraccionarse,
asi que los resultados deben ser numeros enteros.
Por lo tanto, por una cuestion de facilidad y verificacion alicamos el uso del programa Lindo
6.1 para determina cuales son los resultados enteros correctos y este fue el resultado (ver
cuadro 1)

Cuadro 1 - Programación Lineal - Solución con Lindo

!FUNCIÓN OBJETIVO

MAX 150X1 + 250X2 + 400X3

!RESTRICCIONES

SUBJECT TO

1) 190X1 + 360X2 + 800X3 <= 70000

2) X1 <= 40
3) X2 <= 40
4) X3 <= 20
5) 3X3 - X1 <= 0
6) 1.4X1 - X2 <= 0

END
GIN X1
GIN X2
GIN X3

 LP OPTIMUM FOUND AT STEP      3

 OBJECTIVE VALUE =   18095.2383

 NEW INTEGER SOLUTION OF    17800.0000     AT BRANCH      0 PIVOT       6

 BOUND ON OPTIMUM:  17800.00
 ENUMERATION COMPLETE. BRANCHES=     0 PIVOTS=       6

 LAST INTEGER SOLUTION IS THE BEST FOUND

 RE-INSTALLING BEST SOLUTION...

        OBJECTIVE FUNCTION VALUE

        1)      17800.00

6
 Investigación operativa 2020
Fecha de entrega: 30 de junio

  VARIABLE        VALUE          REDUCED COST

        X1        28.000000       -150.000000
        X2        40.000000       -250.000000
        X3         9.000000       -400.000000

       ROW   SLACK OR SURPLUS     DUAL PRICES

        1)     43080.000000          0.000000
        2)        12.000000          0.000000
        3)         0.000000          0.000000
        4)        11.000000          0.000000
        5)         1.000000          0.000000
        6)         0.800001          0.000000

 NO. ITERATIONS=       6
 BRANCHES=    0 DETERM.=  1.000E    0

Aqui si temenos un resultado final donde nuestra function objetivo se maximiza en $17800
con una produccion optima de 28 frascos de ¼ de kg, 40 frascos de ½ de kg y 9 frascos de
1kg.

De los resultados Podemos deducir que del total de frascos comprados hubo un Sobrante
de 12 frascos de ¼ de kg y 11 frascos de kg, con un Sobrante de miel de 43080 cc que
pueden ser almacenados para una produccion futura.

Z=28 X 1+ 40 X 2+9 X 3=17800

3.Metodo de la Ruta Critica. Bases del Modelo. Aplicacion en miel APIARUM.

Se utilizó el método de la ruta crítica y la técnica de evaluación y revisión de programas,

ambos métodos basados en redes, diseñados para planificar, programas y controlar
proyectos.
Un proyecto se define como un conjunto de actividades interrelacionadas donde cada
actividad consume tiempo y dinero invertido en recursos, por ende el objetivo de éste
método es idear herramientas analíticas para programar actividades.

Representación en forma de red

Antes de representar el proyecto en forma de red, primero se deben definir las actividades
del mismo, sus relaciones de precedencia y sus requerimientos de tiempo para,
posteriormente modelar las relaciones de precedencia entre las actividades como una red.
Como tercer paso se deben realizar cálculos específicos para desarrollar el cronograma.
Luego, en la fase de ejecución real, se puede dar que la ejecución de las actividades no
transcurra como se planeó pues algunas pueden ser demoradas.

Ahora bien, una vez definidas las actividades, la duración de las mismas y sus relaciones de
precedencia se pasa a representarlas en una red, para esto se debe tener en cuenta que
cada actividad está representada por uno y solo un arco que apunta en la dirección del

7
 Investigación operativa 2020
Fecha de entrega: 30 de junio

avance del proyecto, y debe estar identificada por dos nodos terminales distintos, los cuales
establecen las relaciones de precedencia entre las diferentes actividades.

Resultado

El resultado final en el método de la ruta crítica es un cronograma para el proyecto, para

lograr dicho objetivo se realizan cálculos para obtener la duración total necesaria para
completar el proyecto y clasificar las actividades en críticas y no críticas.

Una actividad es crítica si sus tiempos de inicio y terminación están fijos. Por el contrario,
una actividad es no crítica si puede ser programada en un espacio de tiempo mayor que su
duración, lo que permite tiempos de inicio y terminación flexibles.

Una demora en el tiempo de inicio de una actividad crítica definitivamente retrasa la

terminación del proyecto, en tanto que una demora en una actividad no crítica tal vez no
afecte la fecha de terminación del proyecto.

Para realizar los cálculos necesarios, se define un evento como un punto en el tiempo en el
cual se completan las actividades y se inician las subsiguientes. En función de la red, un
evento corresponde a un nodo.

Los cálculos de la ruta crítica implican dos pasos: el paso adelantado determina los tiempos
de ocurrencia más tempranos de los eventos y el paso retrasado calcula sus tiempos de
ocurrencia más tardíos.

CONCLUSIONES
En este apartado se sintetizarán un parecer del alumno sobre el tema general (Investigación
Operativa) o el particular del trabajo.

Agradecimientos
Esta sección es opcional. Se utilizará un título sin numerar, alineado a la izquierda, negrita,
minúscula, fuente Arial 12 pt. Espaciado anterior de 6pt y espaciado posterior de 6pt.

REFERENCIAS
COLLISCHONN, W.; PILAR, J.V. (2000). A direction dependent least-cost-path algorithm
for roads and canals. International Journal of Geographical Information Science, London,

8
 Investigación operativa 2020
Fecha de entrega: 30 de junio

v.14, n.4, p.397-406.

SAATY, T. (1991). Método de análise hierárquica. São Paulo: Makron. 367p.

…….