Escolar Documentos
Profissional Documentos
Cultura Documentos
CURSO
PROFESOR
Ayacucho Per
2015
CONTENIDO
CAPITULO I
PROGRAMACIN LINEAL: MTODO GRFICO Y METODO SIMPLEX
1. PROGRAMACIN LINEAL: MTODO GRFICO
2. SUPUESTOS DE LA PROGRAMACIN LINEAL.
2.1.
FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL.
3. SOLUCIN GRFICA DE MODELOS LINEALES CON DOS VARIABLES.
4. RESUMEN DEL MTODO GRFICO.
5. PROGRAMACIN LINEAL MTODO SIMPLEX
MTODO DE LA M O DE PENALIZACIN.
MINIMIZACIN CON EL MTODO SMPLEX.
2.6. MTODO DE LAS DOS FASES.
CAPTULO II
ALGORITMO DE TRANSPORTE
1. RESUMEN
2. INTRODUCCIN
2.1.
INTRODUCCIN AL ALGORITMO DE TRANSPORTE:
3. DEFINICIN DEL ALGORITMO DE TRASNPORTE
4. METODO D LA ESQUINA NOROESTE:
4.1.
ALGORITMO DE RESOLUCIN DE LA ESQUINA NOR- OESTE:
4.2.
EJEMPLO DEL METODO DE LA ESQUINA NOR-OESTE:
5. METODO DE APROXIMACIN DE VOGEL:
5.1.
OBJETIVO:
5.2.
CARACTERISTICAS:
5.3.
CONNOTACIN:
5.4.
ALGORIMO DE VOGEL:
5.5.
APLICACIN:
6. METODO RUSSEL:
6.1. VENTAJAS:
6.2. DESVENTAJAS:
6.3. PRODECIMIENTO:
7. OPTIMALIDAD Y MEJORA DE UNA SOLUCIN:
7.1.
SOLUCIONES DEGENERADAS:
7.2. ALGORITMO DE MODI:
7.3.
METODO DE SALTO DE PIEDRA (EVALUAR CELDAS NO UTILIZADAS)
REGLAS PARA EL DESARROLLO DE LA PRUEBA DE OPTIMALIDAD O
ANLISIS DE SISTEMAS MINEROS Pgina 1
FICTICIAS (FIC)
CAPTULO IV
TEORA DE COLAS, DUAL Y PRIMAL
TEORA DE COLAS
1.1.
OBJETIVO:
1.2.
MARCO TERICO
1.3.
DESCRIPCIN DE UN PROBLEMA DE COLAS
1.4.
CARACTERSTICAS DE LOS SISTEMAS DE COLAS
1.5.
DIAGRAMA DE SISTEMAS DE COLAS
1.6.
ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS
1.7.
NOTACIN
1.8.
NOMENCLATURA BSICA
1.9.
EJEMPLOS DE APLICACIN:
TEORIA DUAL Y PRIMAL
2. DUAL Y PRIMAL
2.1. EJEMPLO DE APLICACIN
2.1. MTODO DUAL SMPLEX
2.2. ALGORITMO SMPLEX GENERALIZADO
3. ANLISIS POSTPTIMO O DE SENSIBILIDAD
CAPTULO V
SIMULACIN MEDIANTE EL MTODO MONTECARLO
1.1..................................................................HISTORIA DEL MTODO MONTE CARLO
1.2. DEFINICIONES:
1.3. MODO DE USO:
1.4.................................................................................................QU ES SIMULACIN?
1.5...................................................................................OBJETIVO DE LA SIMULACIN
1.6..............................................................CUNDO Y PORQU USAR SIMULACION?
1.7........................................................................APLICACIONES DE LA SIMULACIN:
1.8..........................................LA SIMULACIN MONTE CARLO EN COMPUTADORA
1.9. CARACTERSTICAS DEL MTODO DE MONTECARLO
1.10. PROCEDIMIENTO A SEGUIR PARA RESOLVER
1.11. TIPO DE VARIABLES:
ANLISIS DE SISTEMAS MINEROS Pgina 4
SENSIBILIDAD
ANLISIS DE LA GRFICA ANTERIOR
RESOLUCIN DE PROBLEMA CON EL SOFTWARE WINQSB
CAPITULO I
PROGRAMACIN LINEAL: MTODO GRFICO Y METODO SIMPLEX
6. Programacin Lineal: Mtodo Grfico
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances
cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que
ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias
medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo
de problemas puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el
problema general de asignar recursos limitados entre actividades competitivas de la mejor manera
posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el
nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de
situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la
asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales
a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin;
etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a
las actividades.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo.
Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco,
integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos
criterios en dos categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe
satisfacer una solucin que est bajo consideracin. Si ms de una alternativa satisfacen todas las
restricciones, el objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige
una pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias
marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mnimo y escoger las ms
barata.
Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o
maximizar un objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por
ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones
estn restringidas por las leyes y las polticas bancarias. Un hospital debe planear que las comidas para
los pacientes satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al
mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la produccin futura, busca
un costo mnimo al mismo tiempo cmo cumplir restricciones sobre la demanda del producto, la
capacidad de produccin, los inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado
con xito a estos y otros problemas.
La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico
para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo
deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en
computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las
actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta
especificada (segn el modelo) entre todas las opciones de solucin. Aunque la asignacin de recursos
a las actividades es la aplicacin ms frecuente, la PL tiene muchas otras posibilidades. De hecho,
cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de PL es un
problema de PL.
ANLISIS DE SISTEMAS MINEROS Pgina 6
7.1.
A 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un
signo de igualdad. Pero al multiplicar una desigualdad por 1, el sentido de esta desigualdad se invierte.
Puede ser necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo,
si se quiere que A sea por lo menos tan grande como B 2, entonces:
A B2
A B
2
por ltimo B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin.
Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:
B A 2
es lo mismo que
B A+ S = 2
en donde S representa la diferencia, o la holgura, entre B A y 2. S se llama variable de holgura. Por
otro lado, se restara una variable de supervit en el caso siguiente:
A 2B 0
es lo mismo que
A 2B S = 0
Algunos mtodos de solucin (como el Mtodo Smplex) y la mayora de los programas de
computadora (como el MathProg, que viene en el ORCourseware, que acompaa al libro
Introduccin a la Investigacin de Operaciones de los autores Hillier y Lieberman) requieren que
todas las desigualdades se conviertan en igualdades.
La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no
negativas. Para la mayora de los problemas esto es real, no se querra una solucin que diga:
prodzcanse menos dos cajas o contrtense menos cuatro personas.
Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de
PL, slo puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe
llevar consigo el maximizar o minimizar alguna medida numrica. Podra ser maximizar el
rendimiento, la ganancia, la contribucin marginal o los contactos con los clientes. Podra ser
minimizar el costo, el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es
evidente al observar el problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la
letra Z para representarlo. La funcin objetivo tendr, entonces, la forma:
Maximizar
Z = 4A + 6B
Minimizar
Z = 2x1 + 5x2
Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal.
febrero
R2 + 0.2A2 50
marzo
R3 + 0.2A3 60
abril
R4 + 0.2A4 80
mayo
R5 + 0.2A5 70
junio
R6 + 0.2A6 100
julio (principio) R7
110
Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de
trabajadores regulares disponibles, por ejemplo, al principio de febrero sera:
R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al
principio de cada mes:
enero
R1 = 58 (dado)
febrero
R2 = 0.9R1 + A1
marzo
R3 = 0.9R2 + A2
abril
R4 = 0.9R3 + A3
mayo
R5 = 0.9R4 + A4
junio
R6 = 0.9R5 + A5
julio
R7 = 0.9R6 + A6
El objetivo global del gerente de personal es minimizar el costo. La funcin objetivo es:
Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)
Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.
Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una
solucin y, despus, buscan esa solucin. En PL, los criterios se expresan como restricciones. Se
exploran las soluciones posibles y se usa la funcin objetivo para elegir la mejor de entre aquellas que
cumplen con los criterios. La PL se denomina tcnica de optimizacin, pero optimiza slo dentro de
los lmites de las restricciones. En realidad es un mtodo de satisfaccin de criterios.
Forma estndar de los modelos de Programacin Lineal.
Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo,
que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier
clase. Etiqutense los recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj
(una variable de decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de
efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en
xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por
ltimo defnase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1,
2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo matemtico para el problema general de
asignar recursos a actividades. En particular, este modelo consiste en elegir valores de x 1, x2, ..., xn
para:
Maximizar Z = c1x1 + c2x2 + ... + cnxn,
sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn b1
a21x1 + a22x2 + ... + a2nxn b2
ANLISIS DE SISTEMAS MINEROS Pgina 10
En esta grfica, una solucin se representara por un punto con coordenadas x 1 (mesas) y x2 (sillas).
Las coordenadas representaran las cantidades de cada artculo que se deben producir. El cuadrante
superior derecho se llama Regin Factible puesto que es el nico cuadrante en que pueden estar las
soluciones. Los otros tres cuadrantes no son factibles, ya que requeriran la produccin de cantidades
negativas de mesas o de sillas o de ambas.
La siguiente restriccin es x1 2. La manera ms sencilla de dibujar las restricciones de recursos es
en dos pasos: (1) convertir una desigualdad en una ecuacin y graficar la ecuacin y (2) sombrear el
rea apropiada arriba y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en una
ecuacin aqu significa ignorar la parte de mayor que o menor que de la restriccin.
As, en el ejemplo, x1 2 se convierte en x1 = 2. Esta ecuacin est trazada en la siguiente figura:
12x2 = 72
x2 = 6
La interseccin con el eje X1 se encuentra haciendo x2 = 0. As:
6x1 = 72
x1 = 12
Estos dos puntos y la lnea que los une se muestran en la siguiente figura:
Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin. Cualquier punto
arriba de esta lnea requerir ms de 72 horas de mano de obra y no es aceptable. En la siguiente
figura se combina esta restriccin con la anterior. En la regin factible, ambas restricciones se
cumplen.
Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con todas las
restricciones. Ahora se utilizar la funcin objetivo para seleccionar la solucin ptima.
Paso 3: obtencin de la solucin ptima: lneas de indiferencia.
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las
restricciones. La funcin objetivo en este problema es Z = 5x1 + 5x2. Como todava no se conoce el
mximo valor factible de Z, no puede trazarse el ptimo de la funcin objetivo. No obstante, es
posible suponer algunos valores para Z y graficar las lneas resultantes. En la siguiente figura se
muestran las lneas para Z = 25 yZ = 50:
Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre una lnea dada da
la misma ganancia total. Ntese que la distancia perpendicular del origen a la lnea aumenta al
aumentar el valor de Z. Tambin, todas las lneas de indiferencia son paralelas entre s. Estas
propiedades grficas pueden usarse para resolver el problema.
En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En
la grfica puede observarse que la lnea de indiferencia para Z = 50 est completamente fuera de la
regin factible. Para Z = 25, parte de la lnea cae dentro de la regin factible. Por tanto, existe alguna
combinacin de x1 y x2 que satisface todas las restricciones y da una ganancia total de $25. Por
inspeccin, puede observarse que hay ganancias ms altas que son factibles.
Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las propiedades de
la grfica que se hicieron notar antes, el punto ptimo estar sobre la lnea de indiferencia ms lejana
al origen pero que todava toque la regin factible. Esto se muestra en la siguiente figura:
Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las coordenadas
del punto. Ntese que el punto ptimo est en la interseccin de las lneas de restriccin para
materiales y horas de mano de obra. Las coordenadas de este punto se pueden encontrar resolviendo el
sistema de ecuaciones que forman estas dos restricciones utilizando cualquiera de los mtodos de
solucin (suma y resta, sustitucin o igualacin). Las coordenadas de este punto resultan ser (6, 3). La
sustitucin de este punto en la funcin objetivo da la ganancia mxima:
Z = 5(6) + 5(3) = $45
9. Resumen del mtodo grfico.
Para resolver grficamente problemas de programacin lineal:
1. Exprsense los datos del problema como una funcin objetivo y restricciones.
2. Grafquese cada restriccin.
3. Localcese la solucin ptima.
Uso del mtodo grfico para minimizacin.
Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solucin del
problema de minimizacin sigue el mismo procedimiento que la de problemas de maximizacin. La
nica diferencia es que ahora se quiere el menor valor posible para la funcin objetivo. Supngase que
se tiene el siguiente problema:
Ejemplo: Problema de dieta.
ANLISIS DE SISTEMAS MINEROS Pgina 16
La restriccin pide 40 unidades o ms de la vitamina W. Cualquier punto que est arriba de la lnea de
restriccin ser factible y todos los puntos que quedan abajo de esa lnea sern aceptables. En la
siguiente figura se muestra la regin factible:
Al agregar la tercera restriccin, este segundo paso queda terminado, como se muestra en la siguiente
figura:
Grficamente, el objetivo de minimizar el valor de Z significa ajustar una lnea de indiferencia tan
cerca del origen como sea posible. En la figura anterior puede observarse que existen muchas
soluciones posibles para Z = 60, pero ninguna para Z = 40. Imaginando mover la lnea Z = 60 hacia el
origen, el ltimo punto de contacto con la frontera extrema ser el punto b. Entonces, el punto b es la
solucin ptima. En la figura anterior se observa que el punto b es la interseccin de dos lneas:
(1) 4A + 10B = 40
(2) 7A + 7B = 49
Resolviendo el sistema de ecuaciones:
ANLISIS DE SISTEMAS MINEROS Pgina 19
(3)
La solucin menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo total de esta
combinacin es:
1/50x + 1/50x2
1
x1
x1
0,
rea o Regin de Soluciones Factibles no Acotada.
Maximizar Z = 2x1
sujeta a
x1
2x1 +
ANLISIS DE SISTEMAS MINEROS Pgina 20
x2
x2
0
x2
x2
x2
1
30
20
1
6
x1
0,
x2
0
Realizacin de iteraciones
Es ptima la solucin actual?
Si s
Fin
El mtodo smplex es un procedimiento algebraico en el que cada iteracin contiene la
solucin de un sistema de ecuaciones para obtener una nueva solucin a la que se le aplica la prueba
de optimalidad. No obstante, tambin tiene una interpretacin geomtrica muy til. Para ilustrar los
conceptos geomtricos generales se emplear la solucin grfica del siguiente problema:
Max Z = 3x1 + 5x2
s.a.
x1
4
2x2 12
3x1 + 2x2 18
x1 0 x2 0
En la figura anterior pueden observarse los puntos de interseccin que son las soluciones en los
vrtices del problema. Los cinco puntos que se encuentran en los vrtices de la regin factible,
(0,0), (0,6), (2,6), (4,3), (4,0) son las soluciones factibles en los vrtices. Algunas de estas soluciones
factibles en un vrtice son adyacentes, en el sentido de que estn conectadas por una sola orilla
(segmento de lnea) de la frontera de la regin factible; esto es, tanto (0,6) como (4,3) son adyacentes
a (2,6). Las tres propiedades clave de las soluciones factibles en los vrtices y que forman el
fundamento del mtodo smplex se resumen como sigue:
Propiedades de las soluciones factibles en un vrtice:
1a. Si existe exactamente una solucin ptima, entonces debe ser una solucin factible en un vrtice.
1b. Si existen soluciones ptimas mltiples, entonces al menos dos de ellas deben ser soluciones
factibles en vrtices adyacentes.
2. Existe slo un nmero finito de soluciones factibles en los vrtices adyacentes.
3. Si una solucin en un vrtice es igual o menor (segn el valor de Z) que todas las soluciones
factibles en los vrtices adyacentes a ella, entonces es igual o mejor que todas las dems soluciones
en los vrtices; es decir, es ptima.
La propiedad 1 significa que la bsqueda de la solucin ptima se puede reducir a la
consideracin de slo las soluciones factibles en los vrtices, de manera que slo existe un nmero
finito de soluciones que es necesario tomar en cuenta (propiedad 2). La propiedad 3 proporciona una
prueba de optimalidad muy conveniente.
El mtodo smplex explota estas tres propiedades al examinar nada ms unas cuantas
soluciones factibles en vrtices prometedores y al detenerse en cuanto una de ellas pasa la prueba de
optimalidad. En particular, se traslada repetidamente (en forma iterativa) de una solucin factible en
un vrtice a otra, adyacente y mejor. Esto se puede realizar en forma muy eficiente hasta que la
ANLISIS DE SISTEMAS MINEROS Pgina 22
solucin actual no tiene soluciones factibles en vrtices adyacentes que sean mejores. Este
procedimiento se resume como sigue:
Bosquejo del mtodo smplex:
1. Paso inicial: inicio en una solucin factible en un vrtice.
2. Paso iterativo: traslado a una mejor solucin factible en un vrtice adyacente. (Reptase este paso
las veces que sea necesario).
3. Prueba de optimalidad: la solucin factible en un vrtice es ptima cuando ninguna de las
soluciones en vrtices adyacentes a ella sean mejores.
Este bosquejo muestra la esencia del mtodo smplex,. En el caso del ejemplo, al utilizar estas
reglas de seleccin el mtodo smplex procede como sigue:
1. Paso inicial: comienza en (0,0).
2a. Iteracin 1: se mueve de (0,0) a (0,6)
2b. Iteracin 2: se mueve de (0,6) a (2,6).
3. Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es
ptima.
11. Preparacin para el mtodo smplex.
En el procedimiento algebraico es mucho ms conveniente manejar ecuaciones que
desigualdades. As, el primer paso para preparar el mtodo smplex es convertir las restricciones
funcionales de desigualdad en restricciones equivalentes. (Las restricciones de no negatividad se
pueden dejar como desigualdades porque el algoritmo las usa slo indirectamente). Esta conversin se
hace mediante la introduccin de variables de holgura. Considrese la primera restriccin funcional
del ejemplo:
x1 4
La variable de holgura para esta restriccin es x3, que no es otra cosa que la holgura entre los dos
lados de la desigualdad. Entonces:
x1 + x3 = 4
La restriccin original x1 4 se cumple siempre que x3 0. Por tanto, x1 4 es totalmente
equivalente al conjunto de restricciones
x1 + x3 = 4 y
x3 0,
de manera que se usar este conjunto por resultar ms conveniente.
Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de
programacin lineal original para este ejemplo se puede sustituir por el modelo equivalente:
Maximizar Z = 3x1 + 5x2,
sujeta a
x1
+ x3
= 4
2x2
+ x4
= 12
3x1 + 2x2
+ x5 = 18
xj 0
para j = 1, 2, , 5
Aun cuando este problema es idntico al anterior, esta forma es mucho ms conveniente para
la manipulacin algebraica y la identificacin de las soluciones factibles en los vrtices. sta se llama
ANLISIS DE SISTEMAS MINEROS Pgina 23
la forma de igualdades del problema, para diferenciarla de la forma de desigualdades original y poder
introducir la siguiente definicin:
Una solucin aumentada es una solucin para un problema que originalmente se encontraba en
forma de desigualdades y que se ha aumentado con los valores correspondientes de las variables de
holgura para cambiar el problema a la forma de igualdades.
Por ejemplo, al aumentar la solucin (3,2) en el ejemplo, se obtiene la solucin aumentada
(3,2,1,8,5), puesto que los valores correspondientes de las variables de holgura son x 3 = 1, x4 = 8, x5 =
5.
Una solucin bsica es una solucin en un vrtice aumentada.
Para ilustrar esto, considrese la solucin no factible en el vrtice (4,6) del ejemplo. Al
aumentar con los valores obtenidos para las variables de holgura x3 = 0, x4 = 0 y x5 = 6, se llega a la
solucin bsica correspondiente (4,6,0,0,6). Se permite que las soluciones bsicas sean factibles o no
factibles, lo que lleva a la siguiente definicin:
Una solucin bsica factible es una solucin factible en un vrtice aumentada.
As, la solucin factible en el vrtice (0,6) del ejemplo es equivalente a la solucin bsica
factible (0,6,4,0,6) para la forma de igualdades del problema.
Como los trminos solucin bsica y solucin bsica factible constituyen partes muy
importantes del vocabulario normal de programacin lineal, es necesario aclarar sus propiedades
algebraicas. Ntese que para la forma de igualdades del ejemplo, el sistema de restricciones
funcionales tiene dos variables ms (cinco) que ecuaciones (tres). Este hecho proporciona dos grados
de libertad al resolver el sistema, ya que se pueden elegir dos variables cualesquiera y hacerlas iguales
a cualquier valor arbitrario para resolver las tres ecuaciones en trminos de las tres variables restantes
(se excluyen redundancias). El mtodo smplex usa cero para este valor arbitrario. Las variables que
por el momento se hacen iguales a cero se llaman variables no bsicas; todas las dems se llaman
variables bsicas. La solucin que resulta es una solucin bsica. Si todas las variables bsicas son no
negativas, entonces se tiene una solucin bsica factible. Para cualquier solucin bsica, la solucin en
el vrtice correspondiente se obtiene simplemente al quitar las variables de holgura. Dos soluciones
bsicas son adyacentes si todas menos una de sus variables son las mismas; la misma aseveracin se
cumple para las variables bsicas. Entonces, trasladarse de una solucin bsica factible a una
adyacente significa cambiar el estado de una variable de no bsica a bsica y viceversa para otra
variable.
En trminos generales, el nmero de variables no bsicas de una solucin bsica siempre es
igual a los grados de libertad del sistema de ecuaciones y el nmero de variables bsicas siempre es
igual al nmero de restricciones funcionales.
Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y manipular la
ecuacin de la funcin objetivo al mismo tiempo que las nuevas ecuaciones de las restricciones. Antes
de comenzar con el mtodo smplex es necesario escribir el problema una vez ms en su forma
equivalente:
Maximizar Z,
sujeta a
Z
3x1 5x2
= 0
ANLISIS DE SISTEMAS MINEROS Pgina 24
x1
+ x3
= 4
2x2
+ x4
= 12
3x1 + 2x2
+ x5 = 18
xj 0
para j = 1, 2, , 5
Como la ecuacin de la funcin objetivo ya se encuentra en forma de igualdad, no necesita
variable de holgura. Con esta interpretacin, las soluciones bsicas no cambian, excepto que Z puede
verse como una variable bsica adicional permanente.
A partir de este momento ya estamos listos para pasar los coeficientes de nuestro problema a lo
que conoceremos como la Tabla Smplex:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
Z=0
x5
0
3
2
0
0
1
18
La tabla anterior ilustra una propiedad clave que toda tabla smplex debe tener para estar en la
forma apropiada; se trata del patrn especial de los coeficientes de las variables bsicas. En particular,
ntese cmo las columnas de x3, x4 y x5 (al igual que la columna de Z) contiene exactamente un +1 en
el rengln que corresponde a esa variable bsica (vase la primera columna), y todos los dems
coeficientes en esa columna son cero. De la misma manera, cada ecuacin contiene exactamente una
variable bsica con coeficiente distinto de cero, en donde este coeficiente es +1. Esta propiedad es
significativa, ya que permite identificar de inmediato la solucin bsica factible actual a partir de la
tabla; esto es, cada variable bsica es igual a la constante del lado derecho de su ecuacin. Esta
primera solucin bsica factible actual se muestra en la figura anterior en la columna de Es ptima?.
De aqu en adelante, para cada nueva iteracin del mtodo smplex mostraremos la solucin bsica
factible actual en esta columna de la tabla smplex. (Recurdese que las variables no bsicas son
iguales a cero). La tabla smplex inicial quedar automticamente en esta forma apropiada (a menos
que el problema original de programacin lineal no est en nuestra forma estndar).
El mtodo smplex construye una tabla smplex para cada solucin bsica factible que se
obtiene, hasta alcanzar la solucin ptima. A continuacin describimos el procedimiento para
problemas que ya estn en la forma estndar, con bi 0 para toda i = 1, 2, , m.
PASO INICIAL. Se introducen variables de holgura. Despus se seleccionan las variables originales
como variables no bsicas iniciales (se igualan a cero) y las variables de holgura como las variables
bsicas originales. Esta seleccin lleva a la tabla smplex inicial anterior. Como esta tabla est en la
forma apropiada, de inmediato se obtiene la solucin bsica factible inicial para el ejemplo,
(0,0,4,12,18). Ahora debe realizarse la prueba de optimalidad para determinar si la solucin es
optima.
PRUEBA DE OPTIMALIDAD. La solucin bsica factible actual es ptima si y slo si todos los
coeficientes de la ecuacin de la funcin objetivo (rengln de Z) son no negativos ( 0 ). Si es as, el
proceso termina; de otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica
ANLISIS DE SISTEMAS MINEROS Pgina 25
factible, lo que significa el cambio de una variable no bsica por una bsica (parte 1) y viceversa
(parte 2), y despus despejar las variables de la nueva solucin (parte 3).
En este ejemplo, hay dos coeficientes negativos en la ecuacin de Z, 3 para x 1 y 5 para x2 de
manera que debe irse al paso iterativo. Tacharemos la solucin bsica factible actual como se muestra
en la tabla anterior para indicar que esta solucin no es ptima.
PASO ITERATIVO.
Parte 1. Se determina la variable bsica entrante mediante la eleccin de la variable con el
coeficiente negativo (automticamente se refiere a una variable no bsica) que tiene el mayor valor
absoluto en la ecuacin de Z. Se enmarca la columna correspondiente a este coeficiente; esta columna
recibe el nombre de columna pivote. En el ejemplo, el coeficiente negativo ms grande (en trminos
de valor absoluto) es 5 para x2 (5>3), por lo que x2 debe convertirse en variable bsica. Este cambio
se indica en la siguiente tabla con el recuadro en la columna de x2 abajo del 5:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
x4
0
0
2
0
1
0
12
12/2 = 6
mnimo
x5
0
3
2
0
0
1
18
18/2 = 9
Parte 2. Se determina la variable bsica que sale; para esto, a) se toma cada coeficiente
estrictamente positivo (>0) de la columna enmarcada, b) se divide el lado derecho de cada rengln
entre estos coeficientes, c) se identifica la ecuacin con el menor coeficiente y d) se selecciona la
variable bsica para esta ecuacin. (Esta variable bsica es la que llega a cero primero cuando se
incrementa la variable bsica entrante). Se enmarca el rengln de esta ecuacin en la tabla smplex sin
incluir la columna Z y se le da el nombre de rengln pivote. El nmero que est en la interseccin de
los dos recuadros se llama pivote.
En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo (antes de
enmarcar el rengln); la prueba del cociente mnimo para determinar la variable bsica que sale se
muestra a la derecha de la tabla. Entonces la variable bsica que sale es x4.
Parte 3. Se determina la nueva solucin bsica factible al construir una nueva tabla smplex en
la forma apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian, excepto que la
variable bsica entrante sustituye a la variable bsica que sale en la columna de Variable Bsica. Para
cambiar el coeficiente de la nueva variable bsica en el rengln pivote a +1, se divide todo el rengln
pivote entre el nmero pivote:
Rengln pivote nuevo = Rengln pivote antiguo / pivote
En este punto, la tabla smplex para el ejemplo se ve como la que se muestra enseguida. Para
obtener un coeficiente 0 para la nueva variable bsica en las otras ecuaciones, cada rengln [inclusive
el de la ecuacin de Z] excepto el rengln pivote, se cambia por la nueva tabla smplex usando la
siguiente frmula:
Rengln nuevo = rengln antiguo (coeficiente en la columna pivote rengln pivote nuevo)
Z
1
0
0
0
1
0
0
0
x1
3
1
0
3
x2
5
0
2
2
x3
0
1
0
0
x4
0
0
1
0
x5
0
0
0
1
Lado
derecho
0
4
12
18
1/2
Cociente
Es ptima?
(0, 0, 4, 12, 18)
Z=0
Para ilustrar con el ejemplo, los nuevos renglones se obtienen de la forma siguiente:
Rengln de Z:
3
5
0
0
0,
0
(5) 0
1
0
1/2
0,
6
Rengln nuevo =
3
0
0
5/2
0,
30
Rengln 1: Sin cambio porque su coeficiente en la columna pivote es cero.
Rengln 3:
3
2
0
0
1,
18
(2) 0
1
0
1/2
0,
6
Rengln nuevo =
3
0
0
1
1,
6
Estos cambios llevan a la nueva tabla smplex que se muestra en la siguiente tabla para la
iteracin 1:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
Z=0
x5
0
3
2
0
0
1
18
Z
1
3
0
0 5/2 0
30
x3
0
1
0
1
0
0
4
(0, 6, 4, 0, 6)
x2
0
0
1
0 1/2 0
6
Z = 30
x5
0
3
0
0
1
1
6
Como las variables bsicas siempre son iguales al lado derecho de la ecuacin que le corresponde, la
nueva solucin bsica factible es (0, 6, 4, 0, 6) con Z = 30.
Este trabajo completa el paso iterativo, as que debe proseguirse a la prueba de optimalidad.
Como la ecuacin de Z todava tiene coeficientes negativos (3 para x1), la prueba de optimalidad
indica que la solucin no es ptima, (lo cual se muestra en la figura anterior) por lo que manda al
algoritmo de regreso al paso iterativo para obtener la siguiente solucin bsica factible. El paso
iterativo comienza de nuevo en la tabla smplex actual para encontrar la nueva solucin. Si se siguen
ANLISIS DE SISTEMAS MINEROS Pgina 27
las instrucciones de las partes 1 y 2, se encuentra que x 1 es la variable bsica entrante y x 5 la variable
bsica que sale, como se muestra en la siguiente tabla:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
x3
x2
x5
1
0
0
0
3
1
0
3
0
0
1
0
0
1
0
0
5/2
0
1/2
1
0
0
0
1
30
4
6
6
4/1 = 4
(0, 6, 4, 0, 6)
Z = 30
6/3 = 2
mn.
En las siguientes tablas se muestra el conjunto completo de las tablas del mtodo smplex para
este ejemplo. La nueva solucin bsica factible es (2, 6, 2, 0, 0), con Z = 36. Al hacer la prueba de
optimalidad, se encuentra que la solucin es ptima porque no hay coeficientes negativos en la
ecuacin de Z, de manera que el algoritmo ha terminado. En consecuencia, la solucin ptima para
este ejemplo (sin tomar en cuenta las variables de holgura) es x1 = 2, x2 = 6.
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
12/2 = 6
Z=0
mn.
x5
0
3
2
0
0
1
18
18/2 = 9
Z
1
3
0
0 5/2 0
30
x3
0
1
0
1
0
0
4
4/1 = 4
(0, 6, 4, 0, 6)
x2
0
0
1
0 1/2 0
6
Z = 30
x5
0
3
0
0
1
1
6
6/3 = 2
mn.
Z
1
0
0
0 3/2 1
36
x3
0
0
0
1 1/3
2
(2, 6, 2, 0, 0)
1/3
x2
0
0
1
0 1/2 0
6
Z = 36
x1
0
1
0
0
1/3
2
ptima
1/3
Anteriormente no se dijo qu hacer cuando las reglas de seleccin del mtodo smplex no
llevan a una decisin clara, ya sea porque existen empates (valores iguales) o por otras ambigedades
parecidas.
Empate para la variable bsica entrante.
El paso 1 de cada iteracin elige la variable bsica que tiene el coeficiente negativo con el
mayor valor absoluto en la ecuacin de Z actual como la variable bsica entrante. Ahora suponga que
dos o ms variables no bsicas tienen el coeficiente negativo ms grande (en valor absoluto), es decir,
que hay un empate entre ellas. Por ejemplo, esto ocurrira en la primera iteracin del ejemplo anterior
ANLISIS DE SISTEMAS MINEROS Pgina 28
si se cambiara la funcin objetivo a Z = 3x1 + 3x2, con lo que la ecuacin del rengln de Z inicial sera
Z3x13x2 = 0. Cmo debe romperse este empate?
La respuesta es que la eleccin entre estos dos contendientes se puede hacer de manera
arbitraria. Tarde o temprano se llegar a la solucin ptima, sin importar cul de las variables
empatadas se haya escogido, y no existe un mtodo conveniente para predecir cul lleva ah ms
rpidamente. En este ejemplo ocurre que si se escoge x 1 como variable entrante, el mtodo smplex
alcanza la solucin ptima (2, 6) en tres iteraciones y si se elige x2, llega en dos.
Empate para la variable bsica que sale degeneracin.
Ahora suponga que el empate ocurre entre dos o ms variables bsicas al elegir la variable que
sale en el paso 2 de una iteracin. Importa cul se escoge? En teora s, y en una forma crtica debido
a que puede ocurrir la siguiente sucesin de eventos. Primero, todas las variables empatadas se hacen
cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por tanto, aquellas que no se
eligieron como variable bsica que sale tambin tendrn un valor de cero en la nueva solucin bsica
factible. (Las variables bsicas con valor de cero se llaman degeneradas y el mismo nombre se da a la
solucin bsica factible correspondiente.) Segundo, si una de estas variables bsicas degeneradas sigue
con valor de cero hasta que se selecciona como variable bsica que sale en una iteracin posterior, la
variable bsica entrante deber tambin quedar con valor de cero (ya que no puede crecer sin que la
variable bsica que sale se vuelva negativa), entonces el valor de Z permanecer sin cambio. Tercero,
si Z permanece igual en lugar de mejorar cada iteracin, el mtodo smplex puede caer en un ciclo que
repite la misma secuencia de soluciones peridicamente, en lugar de aumentar en algn momento para
llegar a la solucin ptima.
Por fortuna, aunque en teora es posible que haya ciclos perpetuos, ha sido en extremo raro que
tenga lugar en problemas reales. Si ocurriera un ciclo siempre se puede salir de l cambiando la
eleccin de la variable bsica que sale. Por lo tanto se recomienda romper los empates arbitrariamente
y seguir el proceso sin preocuparse de las variables que puedan resultar.
Cuando no hay variable bsica que sale Z no acotada.
Existe otra posibilidad en el paso 2 de una iteracin, de la que no se ha hablado: aquella en la
que ninguna variable califica como variable bsica que sale. Esta situacin puede ocurrir si la variable
bsica entrante puede crecer indefinidamente sin que ninguna de las variables bsicas actuales
adquiera valores negativos. En la forma tabular, esto significa que todos los coeficientes en la columna
pivote (se excluye el rengln de Z) son negativos o cero.
Como se ilustra en la siguiente tabla, esta situacin surge cuando se considera el siguiente
ejemplo:
Maximizar Z = 3x1 + 5x2,
sujeta a
x1 4
y
x1 0, x2 0
En este ejemplo se ignoraron las dos ltimas restricciones funcionales del ejemplo resuelto
anteriormente. Vea en la tabla que x 2 es la variable bsica entrante pero el nico coeficiente en la
ANLISIS DE SISTEMAS MINEROS Pgina 29
columna pivote es cero. Como la prueba del cociente mnimo usa slo coeficientes mayores que cero,
no se cuenta con un cociente que proporcione una variable bsica que sale.
La interpretacin de una tabla smplex como la que se muestra en la siguiente tabla es que las
restricciones no impiden el crecimiento indefinido de la funcin objetivo Z, de manera que el mtodo
smplex se detiene con el mensaje de que Z es no acotada. Debido a que ni siquiera la programacin
lineal ha descubierto la manera de lograr ganancias infinitas, el mensaje real en problemas prcticos
es: Se ha cometido un error! Tal vez el modelo est mal formulado, ya sea por haber omitido una
restriccin relevante o por haberla establecido incorrectamente. De otra manera, pudo haber ocurrido
un error en los clculos.
Variable
Lado
Bsica
Z
x1
x2
x3 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
X3
0
1
0
1
4
Sin mnimo
Soluciones ptimas mltiples.
En la definicin de solucin ptima se mencion que un problema puede tener ms de una
solucin ptima. Si en el ejemplo cambiamos la funcin objetivo a Z = 3x 1 + 2x2 resulta que todos los
puntos sobre el segmento de recta entre (2,6) y (4,3) son soluciones ptimas. Entonces todas las
soluciones son un promedio ponderado de estas dos soluciones factibles en los vrtices ptimas:
(x1, x2) = w1(2, 6) + w2(4, 3),
donde los pesos w1 yw2 son nmeros que satisfacen las relaciones:
w1 + w2 = 1
y
w1 0,
w2 0
Por ejemplo, w1 = 1/3 y w2 = 2/3 da:
(x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4)
como una solucin ptima.
En general, cualquier promedio ponderado de dos o ms soluciones (vectores) donde los pesos
son no negativos y suman 1 se llama combinacin convexa de estas soluciones. Entonces, toda
solucin ptima en el ejemplo es una combinacin convexa de (2, 6) y (4, 3).
Este ejemplo es representativo de problemas con soluciones ptimas mltiples.
Cualquier problema de Programacin Lineal con soluciones ptimas mltiples (y una
regin factible acotada) tiene al menos dos soluciones factibles en los vrtices que son
ptimas. Toda solucin ptima es una combinacin lineal de estas soluciones factibles
en los vrtices ptimas. En consecuencia, en la forma aumentada, toda solucin ptima
es una combinacin convexa de las soluciones bsicas factibles ptimas.
El mtodo smplex se detiene automticamente al encontrar una solucin bsica factible
ptima. Sin embargo, en muchas aplicaciones de Programacin Lineal existen factores intangibles que
no se incorporan al modelo y que pueden ser tiles para tomar decisiones significativas sobre las
soluciones ptimas alternativas. En esos casos, tambin deben identificarse las otras soluciones
ptimas. Esto requiere encontrar todas las dems soluciones bsicas factible ptimas, y entonces toda
solucin ptima es una combinacin convexa de las soluciones bsicas factibles ptimas.
Una vez que el mtodo smplex encuentra una solucin bsica factible ptima, se puede
detectar si existen otras y, si as es, se encuentra como sigue:
Siempre que un problema tiene ms de una solucin bsica factible ptima, al menos una variable no
bsica tiene coeficiente cero en la ecuacin de Z final, de manera que si aumenta su valor, el valor de
la funcin Z no cambia. Por lo tanto, estas otras soluciones bsicas factibles ptimas se pueden
identificar (si se desea) realizando iteraciones adicionales del mtodo smplex, en las que cada vez se
elige una variable no bsica con coeficiente cero como variable bsica entrante. Si una de estas
iteraciones no tiene una variable bsica que sale esto indica que la regin factible es no acotada y la
variable bsica entrante puede crecer indefinidamente sin cambiar el valor de Z.
Mtodo de la M o de Penalizacin.
Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de
que el problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones
funcionales de la forma y restricciones de no negatividad sobre todas las variables) con b i
0 para toda i = 1, 2, ..., m. En esta seccin se establecer cmo hacer los ajustes requeridos a otras
formas legtimas de modelos de Programacin Lineal. Se ver que todos estos ajustes se pueden hacer
en el paso inicial, de manera que el resto del mtodo smplex se aplica justo como se aprendi.
El nico problema serio que introducen las otras formas de restricciones funcionales (= )
es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma
muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde
cada una era igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora
debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables
artificiales. sta construye un problema artificial ms conveniente introduciendo una variable ficticia
(llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se introduce slo
con el fin de que sea la variable bsica inicial para esa ecuacin. Las restricciones usuales de no
negatividad tambin se aplican sobre estas variables y la funcin objetivo se modifica para que
imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las
iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a desaparecer (a
volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus de esto se resuelve el
problema real.
Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la
nica forma no estndar en el problema es la presencia de una o ms restricciones en forma de
igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restriccin en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn bi,
ai1x1 + ai2x2 + . . . + ainxn bi
ANLISIS DE SISTEMAS MINEROS Pgina 31
Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de
restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el
problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo
de programacin lineal es que la tercera restriccin, 3x 1 + 2x2 18, se convierte en una restriccin de
igualdad:
3x1 + 2x2 = 18
Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa
(denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a
su forma de igualdad, nicamente debemos sumar una variable artificial.
Restricciones funcionales de la forma
Para ilustrar la manera en que la tcnica de las variables artificiales maneja las restricciones de
la forma usaremos el siguiente ejemplo:
Minimizar Z = 0.4x1 + 0.5x2
sujeta a
0.3x1 + 0.1x2 2.7
0.5x1 + 0.5x2 =
6
0.6x1 + 0.4x2 6
x1
x2
0,
0
Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su forma de
igualdad tendramos que restar una variable de supervit (o de excedente), quedando de la siguiente
manera:
0.6x1 + 0.4x2 x5 = 6
Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera restriccin
agregamos una variable de holgura que sera x3 y en la segunda restriccin agregamos tambin una
variable artificial que sera x4; todo esto con el fin de convertir las desigualdades a su forma de
igualdades) para que consuma el exceso de 0.6x1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en
este caso debe agregarse otra variable. Esta variable extra, llamada variable artificial se aumenta como
sigue:
0.6x1 + 0.4x2 x5 + x6 = 6
La razn de esto es que, si no se agrega la variable artificial, no se estaran cumpliendo las
restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar. El mtodo smplex
comienza por hacer todas las variables reales (originales) iguales a cero. Entonces:
0.6x1 + 0.4x2 x5 = 6
Sea x1 = 0 y x2 = 0, entonces:
x5 = 6
La variable artificial opera para mantener todas las variables no negativas cuando 0.6x 1 +
0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2 x5 + x6 = 6
x6 = 6
En resumen, una restriccin de la forma se convierte a su forma de igualdad restando una
variable de excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar Z =
sujeta a
3x1
x1
5x2
4
12
18
2x2
3x1 + 2x2
x1
x2
0,
0
Como explicamos anteriormente, para resolver este problema, debemos construir un
problema artificial que tiene la misma solucin ptima que el problema real, haciendo dos
modificaciones a este problema real.
1. Se aplica la tcnica de las variables artificiales introduciendo una variable artificial no negativa
(denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
2. Se asigna una penalizacin enorme al hecho de tener x5 0, cambiando la funcin objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 Mx5,
donde M simblicamente representa un nmero positivo muy grande. Este mtodo que fuerza a x5
hasta el nivel de x5 = 0 en la solucin ptima se llama mtodo de la M.
Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola aparecer en la
funcin objetivo con un coeficiente de +M.
Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo smplex al problema
artificial.
En este momento estamos preparados para pasar los coeficientes a la tabla smplex:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3
5
0
0
M
0
x3
0
1
0
1
0
0
4
x4
0
0
2
0
1
0
12
x5
0
3
2
0
0
1
18
Esta tabla todava no est en la forma apropiada porque el coeficiente de x 5 es diferente de
cero en la ecuacin de Z (es M). Por lo tanto, antes de que el mtodo smplex pueda aplicar la prueba
de optimalidad y encontrar la variable bsica entrante, debe pasarse esta tabla a la forma apropiada
para que cumpla la condicin smplex. Esta condicin que debe cumplir toda tabla del mtodo
smplex para que pueda reportarnos la siguiente solucin bsica factible dice que: Toda variable
bsica debe tener un 1 en la interseccin de su rengln y columna correspondiente y cero en los dems
renglones incluido el rengln de Z, en otras palabras, que toda variable que sea bsica solamente
debe aparecer en el rengln de la restriccin que representa. Para hacer cero el coeficiente M,
utilizamos el rengln de x5 como rengln pivote multiplicndolo por M
y sumando el resultado al
rengln de Z. Realizando el procedimiento anterior, la tabla smplex queda de la siguiente manera:
Variable
Bsica
Z
Z
1
Lado
derecho
18M
x1
x2
x3
x4
x5
Cociente
Es ptima?
-3M- -2M0
0
0
Mx5 + Z
3
5
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
Z = 18M
x5
0
3
2
0
0
1
18
Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer
la solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de optimalidad
vemos que no es ptima ya que todava tenemos coeficientes negativos en el rengln de Z (los
correspondientes a x1 y x2). Aplicando el mtodo smplex a la tabla anterior tenemos: el coeficiente
negativo con el mayor valor absoluto corresponde a x1 (3M3), recordemos que M es un nmero muy
grande positivo, por lo tanto, x1 se convierte en la variable bsica entrante, realizando los cocientes
correspondientes, vemos que x3 se convierte en la variable bsica saliente. El procedimiento completo
para resolver este ejemplo se muestra en el siguiente conjunto de tablas:
Variable
Bsica
x3
x4
x5
Z
0
0
0
1
x1
x4
x5
Z
x1
x4
x2
Z
x1
x3
x2
0
0
0
1
0
0
0
1
0
0
0
x1
x2
x3
-3M- -2M0
3
5
1
0
1
0
2
0
3
2
0
0
-2M- 3M+3
5
1
0
1
0
2
0
0
2
3
0
0
9/2
1
0
1
0
0
3
0
1
3/2
0
0
0
1
0
0
0
0
1
0
1
0
x4
x5
Lado
derecho
18M
0
1
0
0
0
0
1
0
4
12
18
6 M+12
0
1
0
0
0
1
0
3/2
1/3
1/3
1/2
0
0
1
M+5/2
0
1
1/2
M+1
1/3
1/3
0
4
12
6
27
4
6
3
36
2
2
6
Cociente
Es ptima?
4/1 = 4
18/3 = 6
12/2 = 6
6/2 = 3
4/1 = 4
6/3 = 2
(4, 0, 0, 12, 6)
Z = 6M+12
(4, 3, 0, 6, 0)
Z = 27
(2, 6, 2, 0, 0)
Z = 36
ptima
x1
+ 2x2 2
x1
x2
0,
0
Pasando este problema a su forma de igualdades aadiendo las variables necesarias,
obtenemos lo siguiente:
Minimizar Z,
sujeta a
Z 3x1 8x2
Mx5 = 0
x1 + 4x2 + x3
= 4
x1 + 2x2
x4 + x5 = 2
xj 0
para j = 1, 2, , 5
Utilizando el mtodo de la M para obtener una solucin ptima por el mtodo smplex,
obtenemos el siguiente conjunto de tablas:
Variabl
Lado
e
Z
x1
x2
x3
x4
x5
derech
Cociente
Es ptima?
Bsica
o
Z
1
3
8
0
0
M
0
x3
0
1
4
1
0
0
4
x5
0
1
2
0
1
1
2
Z
1
M3 2M8
0
M
0
2M
(0, 0, 4, 0, 2)
x3
0
1
4
1
0
0
4
4/1 = 4
Z = 2M
x5
0
1
2
0
1
1
2
2/1 = 2
Z
1
0
2
0
3
M
+3
6
(2, 0, 2, 0, 0)
x3
0
0
2
1
1
1
2
Z=6
x1
0
1
2
0
1
1
2
ptima
Notemos que la primera tabla no se encontraba en la forma apropiada para el mtodo smplex,
ya que el coeficiente de la variable bsica x5 era de M
en el rengln de Z, lo cual hacia que no se
cumpliera la condicin smplex.
2.6. Mtodo de las dos Fases.
En el ejemplo presentado en la seccin Restricciones funcionales de la forma , recordemos
la funcin objetivo real:
Problema real:
Minimizar
Z = 0.4x1 + 0.5x2
Sin embargo, el mtodo de la M utiliza la siguiente funcin objetivo a travs de todo el
procedimiento:
Mtodo de la M:
Minimizar
Z = 0.4x1 + 0.5x2 + Mx4 + Mx6
Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el
mtodo de dos fases puede eliminar la M usando las siguientes dos funciones objetivo que definen Z
de manera completamente diferente:
Mtodo de las dos fases:
Fase 1:
Minimizar
Z = x 4 + x6
(hasta que x4 = 0 y x6 = 0).
Fase 2:
Minimizar
Z = 0.4x1 + 0.5x2
(con x4 = 0 y x6 = 0).
ANLISIS DE SISTEMAS MINEROS Pgina 36
x5 + x6 = 6
y
x1
x2
x3
x4
x5
x6
0
0
0
0
0
Problema para la fase 2:
Minimizar Z = 0.4x1 + 0.5x2,
sujeta a
0.3x1 + 0.1x2 + x3
= 2.7
0.5x1 + 0.5x2
= 6
0.6x1 + 0.4x2
x5 = 6
y
x1
x2
x3
x5
0
0
0
Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la
inclusin (fase 1) o exclusin (fase 2) de las variables artificiales x 4 y x6. Sin las variables artificiales,
el problema para la fase 2 no tiene una solucin bsica factible inicial obvia. El nico propsito de
ANLISIS DE SISTEMAS MINEROS Pgina 37
resolver el problema para la fase 1 es obtener una solucin bsica factible con x 4 = 0 y x6 = 0 que se
pueda usar como la solucin bsica factible inicial para la fase 2.
Las siguientes tablas muestran el resultado de aplicar el mtodo smplex a este problema para
la fase 1:
Variable
Lado
Bsica W x1 x2
x3
x4
x5
x6 derecho
Cociente
Es ptima?
W
x3
x4
x6
W
x3
x4
x6
W
1
0
0
0
1
0
0
0
1
0
0.3
0.5
0.6
1.1
0.3
0.5
0.6
0
0
1
0
0
0
1
0
0
3 .66
1
0
1
0
0
0
1
0
0
0
0
0
1
1
0
0
1
1
1
0
0
1
0
0
0
1
0
0
2.7
6
6
12
2.7
6
6
2.1
3.33
1.66
0
0
0
0.1
0.5
0.4
0.9
0.1
0.5
0.4
0.5
3
0.3
3
0.3
3
0.2
0
x1
x4
x6
W
0
1
2
1.64
0
0
x1
6.63
x4
1.64
x2
W
x1
x5
0
1
0
0
0
0
1
0
1
0
0
0
10
0
5
0.99
x2
5.05
0
1
1
0.6
0
3
2.7/0.3=9
6/0.5=12
6/0.6=10
(0,0,2.7,6,0,6)
W = 12
9/0.33=27.2
(9,0,0,1.5,0,0.6)
1.5
1.5/0.33=4.5
W = 2.1
1
1.6
5
1.6
5
1.6
5
5
0
0
1
1
2 .65
0.6
0.51
0.6/0.2=3
1.65
8.01
8.01/1.65=4.8
(8.01,3,0,0.51,0,0)
1.65
0.51
0.51/1.65=0.30
W = 0.51
5
1
0
1
3
0
7.5
0.3
(7.5,4.5,0,0,0.3,0)
W=0
4.5
ptima fase 1
Notemos que ya hemos obtenido una solucin ptima para la fase 1 que consisti en la
minimizacin de la suma de todas las variables artificiales. Observemos tambin que la funcin
objetivo W termin con un valor de cero en la ltima tabla, lo que indica que las dos variables
artificiales (x4 y x6) valen cero tienen valores recprocos y se cancelan mutuamente para dar cero. En
nuestro caso, las dos variables artificiales valen cero ya que no se encuentran en la columna de las
variables bsicas en la ltima tabla de la primera fase. La segunda fase consiste en resolver el
problema original utilizando como tabla inicial de esta fase la ltima tabla de la primera fase pero sin
ANLISIS DE SISTEMAS MINEROS Pgina 38
considerar la columna de las variables artificiales ya que stas tomaron el valor de cero en la primera
fase. El mtodo smplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:
Variabl
e
Bsica
Z
x1
x5
x2
Z
x1
x5
x2
Z
x1
x5
x2
x1
x2
x3
x4
x5
x6
1
0
0
0
1
0
0
0
1
0
0.4
1
0
0
0
1
0
0
0
1
0.5
0
0
1
0.5
0
0
1
0
0
0
5
0.99
5.05
2
5
0.99
5.05
0.52
5
0
1
0.60
3
0
0
1
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0.99
5.05
1
0
Lado
derech Cociente
Es ptima?
o
0
7.5
0.3
4.5
3
7.5
0.3
4.5
5.25
7.5
(7.5,4.5,0,0,0.3,0
)
0.3
Z = 5.25
4.5
ptima fase 2
Notemos que no fue necesario aplicar propiamente el mtodo smplex a la primera tabla de la segunda
fase, ya que nicamente aplicando operaciones con matrices para tratar de llevar esta tabla a la forma
apropiada para el mtodo smplex fue suficiente para resolver el problema planteado en la segunda
fase. Es necesario aclarar que no siempre ocurrir de esta manera, es decir, si despus de dejar la tabla
en la forma apropiada, es necesario aplicar el mtodo smplex, se debe aplicar como lo hemos
estudiado.
Nota: Independientemente de que el problema original (real) sea de maximizacin o minimizacin, la
primera fase siempre consistir en la minimizacin de la suma de todas las variables
artificiales.
CAPTULO II
ALGORITMO DE TRANSPORTE
9. RESUMEN
Si observamos cualquier tipo de industria, empresa o negocio, podemos llegar a la conclusin
de que en cualquier actividad de las mencionadas se encuentra presente el transporte de bienes
o productos desde los centros de produccin denominados orgenes a los centros de consumo
llamados destinos: por lo que el llevar a cabo esta actividad de manera ptima, es decir, al
menor costo posible, nos representar ventajas econmicas y competitivas. El transporte de
bienes o productos, materia prima, equipos, etc., est inmerso en la tendencia actual de la
globalizacin, por ejemplo, los productos textiles que se manufacturan en un pas, se etiquetan
en otro y tienen una distribucin a nivel internacional como productos terminados.
Como en la industria constantemente se presenta el problema de trasladar productos desde los
centros de produccin hasta los centros de distribucin, esto generar un costo, que incrementa
el precio de venta; costo que buscamos reducir.
Para desarrollar el modelo debemos conocer los costos unitarios de transporte desde cada una
de las plantas a cada uno de los centros de distribucin, adems de la oferta y la demanda en
cada centro.
Problema general
Unidades de un bien
m orgenes
n destinos
si recursos en el origen i
Demanda dj en el destino j
Costo cij por unidad distribuida
desde el origen i al destino j
ANLISIS DE SISTEMAS MINEROS Pgina 40
Ejemplo
Cargas de latas de tomate
Cuatro enlatadoras
Cuatro almacenes
Produccin de la enlatadora i
Asignacin al almacn j
Costo de envo por carga desde la
enlatadora i al almacn j
Los mtodos de resolucin de este problema pertenecen a la clase de los llamados modelos
combinatorios que presentan una gran complejidad computacional y ofrecen un nmero
muy grande de posibles soluciones, siendo por ello necesario buscar otro tipo de mtodos
de solucin.
ANLISIS DE SISTEMAS MINEROS Pgina 41
A partir del siguiente grfico explicaremos de una manera sencilla lo que conlleva plantear el
algoritmo de transporte en su primera fase:
Como podemos observar en el grafico hay m orgenes y n destinos, cada uno representado
por un nodo. Los arcos representan las rutas que unen los orgenes con los destinos. El arco
(i,j) que une el origen i con el destino j transporta dos piezas de informacin: el costo de
transporte por unidad, Cij y la cantidad transportada, Xij. La cantidad de la oferta en el origen
i es ai y la cantidad de la demanda en el destino j es bj . El objetivo del modelo es
minimizar el costo de transporte total al mismo tiempo que se satisfacen las restricciones de la
oferta y la demanda.
Ya mencionado lo anterior podemos mostrar el siguiente ejemplo para ver las cosas con mayor
claridad:
MG Auto cuenta con tres plantas en Los ngeles, Detroit y Nueva Orlens, y dos
importantes centros de distribucin en Denver y Miami. Las capacidades trimestrales de las
tres plantas son 1000, 1500 y 1200 automviles, y las demandas de los dos centros de
distribucin durante el mismo periodo son de 2300 y 1400 automviles. La distancia en
millas entre las plantas y los centros de distribucin aparece en la siguiente tabla:
DISTANCIAS EN MILLAS
DENVER
MIAMI
Los ngeles
1000
2690
Detroit
1250
1350
Nueva Orlens
1275
850
La compaa transportista cobra 8 centavos por milla por automvil. En la tabla, se dan los
costos de transporte por automvil en las diferentes rutas, redondeados al dlar ms cercano.
COSTO DE TRANSPORTE POR AUTOMVIL
DENVER
Los ngeles
$80
ANLISIS DE SISTEMAS MINEROS Pgina 43
MIAMI
$215
Detroit
Nueva Orlens
$100
$102
$108
$68
OFERT
A
1000
1500
1200
3700
De esta manera el modelo se torna con una apariencia ms amigable y manejable. Adems
podemos darnos cuenta que estamos frente a un problema en donde la oferta y la demanda
estn en equilibrio.
Aplicando el software TORA podemos encontrar rpidamente las soluciones.
La manera de ingresa los datos es como sigue:
Sn = Nmero de orgenes
D1 = Nmero de destinos
En la interseccin de los orgenes y destinos tenemos que poner los costos de transporte
asignados.
En las celdas Supply (ponemos los valores de oferta de cada origen) y en las celdas
Demand (ponemos los valore de la demanda de cada destino)
transporte por unidad de la planta ficticia a los destinos es cero porque la planta no existe.
Ahora para plantear el modelo lo haremos con dos casos que veremos a continuacin:
TABLA 1
MODELO DE TRANSPORTE DE MG CON UNA PLANTA FICTICIAS
DENVER
MIAMI
OFERTA
80
215
LOS ANGELES
1000
1000
100
108
DETROIT
1300
1300
NUEVA
102
68
1200
1200
ORLEANS
PLANTA
200
0
0
200
FICTICIA
DEMANDA
2300
1400
TABLA 2
MODELO DE TRANSPORTE DE MG CON UN DESTINO
FICTICIO
DENVER
MIAMI
FICTICIO
OFERTA
LOS
80
215
0
1000
1000
ANGELES
100
108
0
DETROIT
1500
900
200
400
NUEVA
102
68
0
1200
1200
ORLEANS
DEMANDA
1900
1400
400
La tabla 1 da el modelo balanceado junto con su solucin ptima. La solucin muestra que la
planta ficticia enva 200 automviles a Miami le faltarn 200 automviles para satisfacer su
demanda de 1400 automviles.
Podemos estar seguros de que un destino especfico no experimente escasez al asignar un costo
de transporte por unidad muy alto desde el origen ficticio a dicho destino. Por ejemplo, una
penalizacin de $1000 en la celda ficticia de Miami evitar que haya escasez e Miami. Desde
luego, no podemos utilizar este artificio con todos los destinos, porque debe de haber escasez
en alguna parte.
El caso de en qu la oferta excede la demanda se puede demostrar asumiendo que la demanda
en Denver es de solo 1900 automviles. Entonces, tenemos que agregar un centro de
distribucin ficticio para que reciba la oferta excedente. De nuevo, el costo de transporte por
unidad al centro de distribucin ficticio es cero, a menos que una fbrica enve todas sus
existencias. En este caso, se asigna un costo alto de transporte por unidad de la fbrica
designada al destino ficticio.
ANLISIS DE SISTEMAS MINEROS Pgina 47
La tabla 2 da el nuevo modelo y su solucin ptima (obtenida por toda). La solucin muestra
que la planta de Detroit tendr un excedente de 400 automviles.
12. METODO D LA ESQUINA NOROESTE:
El mtodo de la esquina Noroeste es un algoritmo heurstico capaz de solucionar problemas de
transporte o distribucin mediante la consecucin de una solucin bsica inicial que satisfaga
todas las restricciones existentes sin que esto implique que se alcance el costo ptimo total.
VENTAJAS
Este mtodo tiene como ventaja frente a sus similares la rapidez de su ejecucin.
Es utilizado con mayor frecuencia en ejercicios donde el nmero de fuentes y destinos sea muy
elevado.
DESVENTAJAS
Menos probable para dar una solucin inicial acertada de bajo costo
12.1.
Se parte por esbozar en forma matricial el problema, es decir, filas que representen fuentes
y columnas que representen destinos, luego el algoritmo debe de iniciar en la celda, ruta o
esquina Noroeste de la tabla (esquina superior izquierda).
PASO 1:
En la celda seleccionada como esquina Noroeste se debe asignar la mxima cantidad de
unidades posibles, cantidad que se ve restringida ya sea por las restricciones de oferta o de
demanda. En este mismo paso se procede a ajustar la oferta y demanda de la fila y
columna afectada, restndole la cantidad asignada a la celda.
PASO 2:
En este paso se procede a eliminar la fila o destino cuya oferta o demanda sea 0 despus
del "Paso 1", si dado el caso ambas son cero arbitrariamente se elige cual eliminar y la
restante se deja con demanda u oferta cero (0) segn sea el caso.
PASO 3:
Una vez en este paso existen dos posibilidades, la primera que quede un solo rengln o
columna, si este es el caso se ha llegado al final el mtodo, "detenerse".
La segunda es que quede ms de un rengln o columna, si este es el caso iniciar
nuevamente el "Paso 1"
12.2. EJEMPLO DEL METODO DE LA ESQUINA NOR-OESTE:
Una empresa energtica colombiana dispone de cuatro plantas de generacin para
satisfacer la demanda diaria elctrica en cuatro ciudades, Cali, Bogot, Medelln y
Barranquilla. Las plantas 1, 2 ,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al
da respectivamente. Las necesidades de las ciudades de Cali, Bogot, Medelln y
Barranquilla son de 70, 40, 70 y 35 millones de Kw al da respectivamente.
Los costos asociados al envo de suministro energtico por cada milln de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.
En este caso nos encontramos frente a la eleccin de la fila o columna a eliminar (tachar),
sin embargo podemos utilizar un criterio mediante el cual eliminemos la fila o columna
que presente los costos ms elevados. En este caso la "Planta 2".
Nueva iteracin.
ANLISIS DE SISTEMAS MINEROS Pgina 50
Una vez finalizada esta asignacin, se elimina la "Planta 3" que ya ha sido satisfecha con
la asignacin de 60 unidades, por ende nos queda una sola fila a la cual le asignamos las
unidades estrictamente requeridas y hemos finalizado el mtodo.
13.2.
CARACTERISTICAS:
Al igual que otros mtodos de algoritmo de solucin bsica factible, se debe enviar las
mayores cantidades al mayor costo posible este busca enviar las mayores cantidades a
menor costo
Tienen diferentes orgenes con diferentes destinos.
Un origen puede abastecer a diferentes destinos.
Al finalizar el ejercicio la oferta y la demanda deben de ser satisfecha en su totalidad
y/o terminado sus valores en cero.
La aproximacin de Vogel finaliza en costo mnimo.
Es ms elaborado que los anteriores, ms tcnico y dispendioso.
Tiene en cuenta los costos, las ofertas y las demandas para hacer las asignaciones.
Generalmente nos deja cerca al ptimo.
13.3.
CONNOTACIN:
VENTAJAS
Conduce rpidamente a una mejor solucin. mediante los clculos de las llamadas
penalizaciones de fila y columna, los cuales representan el posible coste de
penalizacin que se obtendra por no asignar unidades a transportar a una determinada
posicin.
Tiene en cuenta en el anlisis la diferencia entre los menores costos de transporte,
mediante los clculos de las llamadas penalizaciones de fila y columna, los cuales
representan el posible coste de penalizacin que se obtendra por no asignar unidades
a transportar a una determinada posicin.
DESVENTAJAS
No aporta ningn criterio que permita determinar si la solucin obtenida por este
mtodo es la mejor (ptima) o no.
Requiere mayores esfuerzos de clculos que el Mtodo de la esquina noroeste.
13.5. APLICACIN:
El modelo se utiliza para ayudar a la toma de decisiones en la realizacin de actividades
como: control de inventarios, flujo de efectivo, programacin de niveles de reservas en
prensas entre otras. Este mtodo es heurstico y suele producir una mejor solucin inicial,
produce una solucin inicial ptima, o prxima al nivel ptimo.
PASO 1
Determinar para cada fila y columna una medida de penalizacin restando los dos costos
menores en filas y columnas.
PASO 2
Escoger la fila o columna con la mayor penalizacin, es decir que de la resta realizada en
el "Paso 1" se debe escoger el nmero mayor. En caso de haber empate, se debe escoger
arbitrariamente (a juicio personal).
PASO 3
De la fila o columna de mayor penalizacin determinada en el paso anterior debemos de
escoger la celda con el menor costo, y en esta asignar la mayor cantidad posible de
unidades. Una vez se realiza este paso una oferta o demanda quedar satisfecha por ende
se tachar la fila o columna, en caso de empate solo se tachar 1, la restante quedar con
oferta o demanda igual a cero (0).
PASO 4: DE CICLO Y EXCEPCIONES
- Si queda sin tachar exactamente una fila o columna con cero oferta o demanda,
detenerse.
- Si queda sin tachar una fila o columna con oferta o demanda positiva, determine las
variables bsicas en la fila o columna con el mtodo de costos mnimos, detenerse.
ANLISIS DE SISTEMAS MINEROS Pgina 54
- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine
las variables bsicas cero por el mtodo del costo mnimo, detenerse.
- Si no se presenta ninguno de los casos anteriores vuelva al paso 1 hasta que las ofertas y
las demandas se hayan agotado.
EJEMPLO DEL MTODO DE APROXIMACIN DE VOGEL
Por medio de este mtodo resolveremos el ejercicio de transporte resuelto en el tema del
mtodo noroeste.
EL PROBLEMA
Una empresa energtica colombiana dispone de cuatro plantas de generacin para
satisfacer la demanda diaria elctrica en cuatro ciudades, Cali, Bogot, Medelln y
Barranquilla. Las plantas 1, 2, 3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al
da respectivamente. Las necesidades de las ciudades de Cali, Bogot, Medelln y
Barranquilla son de 70, 40, 70 y 35 millones de Kw al da respectivamente.
Los costos asociados al envo de suministro energtico por cada milln de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.
Formule un modelo de programacin lineal que permita satisfacer las necesidades de todas
las ciudades al tiempo que minimice los costos asociados al transporte.
SOLUCIN PASO A PASO
El primer paso es determinar las medidas de penalizacin y consignarlas en el tabulado de
costos, tal como se muestra a continuacin.
El paso siguiente es escoger de esta columna el menor valor, y en una tabla paralela se le
asigna la mayor cantidad posible de unidades, podemos observar como el menor costo es
"2" y que a esa celda se le pueden asignar como mximo 60 unidades "que es la capacidad
de la planta 3".
Dado que la fila de la "Planta 3" ya ha asignado toda su capacidad (60 unidades) esta debe
desaparecer
Al finalizar esta iteracin podemos observar como el tabulado queda una fila sin tachar y
con valores positivos, por ende asignamos las variables bsicas y hemos concluido el
mtodo.
en j
Vj = max (Cij)
en i
2.-Encuentrese la mejor variable Xij, para formar una base usando los estimadores
encontrados en (1) de acuerdo con e criteria
Xij = max (ij) [(Ui + Vj - Cij) mayor que 0]
3.- introducimos a la base
ANLISIS DE SISTEMAS MINEROS Pgina 61
CALI
BOGOTA
MEDELLI
N
BARRANQUILLA
OFERTA
PLANTA 1
80
PLANTA 2
30
PLANTA 3
60
PLANTA 4
45
DEMANDA
70
40
70
35
ui
PLANTA
1
80
PLANTA
2
30
PLANTA
3
60
PLANTA
4
45
215
Bj
70
40
70
35
Vj
215
a(1,3)
a(1,4)
a(2,1)
a(2,2)
a(2,3)
a(2,4)
a(3,1)
a(3,2)
a(3,3)
a(3,4)
a(4,1)
a(4,2)
a(4,3)
a(4,4)
a(2,4)=6+6-1=11
a(3,1)=6+6-6=6
a(3,2)=6+6-1=11
a(3,3)=6+7-2=11
a(3,4)=6+6-4=8
a(4,1)=6+6-4=8
a(4,2)=6+6-3=9
a(4,3)=6+7-6=7
a(4,4)=6+6-6=6
** Nos percatamos que los valores mayores son a(1,2) , a(2,4) , a(3,2) y otros marcados
anteriormente escogemos al azar el a(1,2) lo ubicamos
80
40
CALI
MEDELLI
N
BARRANQUILL
A
aj
PLANTA
1
40
PLANTA
30
2
PLANTA
3
60
PLANTA
4
45
bj
70
70
35
MEDELLI
N
BARRANQUILL
A
aj
ui
PLANTA
1
40
PLANTA
2
30
PLANTA
3
60
PLANTA
4
45
bj
70
70
35
vj
175
175
6
a(1,
a(1,
a(2,
a(2,
a(2,
a(3,
a(3,
a(3,
a(4,
a(4,
a(4,
MEDELL BARRANQUIL
IN
LA
CALI
aj
PLANT
A1
40
PLANT
A2
30
PLANT
A4
45
bj
70
10
35
CALI
MEDELLI
N
BARRANQUILL
A
aj
ui
PLANTA
1
40
PLANTA
2
30
PLANTA
4
45
bj
70
10
35
vj
115
115
a(1,3)
a(1,4)
a(2,1)
a(2,3)
a(2,4)
a(4,1)
a(4,3)
a(4,4)
PLANTA
CALI
MEDELLI
N
BARRANQUILL
A
aj
40
1
PLANTA
4
bj
70
10
45
CALI
MEDELLI BARRANQUIL
N
LA
aj
ui
PLANTA
1
40
PLANTA
4
45
bj
70
10
vj
85
85
a(1,3)
a(1,4)
a(4,1)
a(4,3)
a(4,4)
CALI
MEDELLI
N
aj
PLANTA
1
35
PLANTA
4
45
bj
70
10
MEDELLI
N
aj
ui
PLANTA
1
35
PLANTA
4
45
bj
70
10
80
80
a(1,
a(4,
a(4,
MEDELLI
N
aj
PLANTA
4
45
bj
35
10
MEDELLI
N
aj
ui
PLANTA
4
45
bj
35
10
vj
45
45
a
(
4
,
3
)
a(4,1)=6+4-4=6
a(4,3)=6+6-6=6
** Nos percatamos que el valor mayor es a (4,3) y lo escogemos
6
45
10
aj
PLANTA
4
45
bj
35
35
35
DESTI
NO
ORIGE
N
A
1
7
2
0
1
3
1
2
1
5
2
1
2
6
2
5
1
5
1
4
1
5
1
7
Soluciones
degeneradas,
entre
los
que
cabe
indicar.
DESTINO
OFERTA
ALMACE
N
S/.
S/.
S/.
S/.
15
10.00
20.00
11.00
S/.
12.00
S/.
7.00
S/.
9.00
S/.
20.00
25
S/.
-
S/.
14.00
S/.
16.00
S/.
18.00
DEMANDA
15
15
10
En primer lugar tenemos que copiar o crear otra tabla en la que aparezcan Almacenes,
Destinos, Demandas y Ofertas; sin los costos que requiere cada viaje o acceso. Estos casilleros
nos servirn como espacios donde obtengamos las cantidades de bienes que irn por cada ruta.
ALMACEN
OFERTA
D
15
25
DEMANDA
-
DESTINO
15
15
10
RESTRICCIONES DE OFERTA:
OBJETIVO,
tenemos
que
crear
las
RESTRICCIONES DE DEMANDA:
Se selecciona la opcin Minimizar (para nuestro caso) en la segunda opcin del tablero Solver.
OPCIN
MINIMIZAR
En la opcin Cambiando las celdas de variables seleccionamos todo el espacio del Excel
donde queremos que nos den los resultados de las cantidades de bienes que se tienen que
enviar de cada almacn a cada destino o cliente.
Seleccionamos todo
el espacio donde
saldrn los
resultados
Luego de seleccionar en el cuadro Excel nos aparecer de la siguiente manera ambos lados.
Luego de ello tenemos que tambin introducir las Restricciones que son las que condicionan el
problema en todo momento; le damos en AGREGAR en el tablero SOLVER y nos aparece la
siguiente ventana.
Llenamos los datos que se tiene en nuestras restricciones que ya habamos ya planteado en su
totalidad con el signo = en este caso; para casos en los que las OFERTAS son menores a las
demandas entonces las restricciones de demandas tenemos que poner con el signo menor igual;
caso contrario si las DEMANDAS son menores a las ofertas entonces colocamos el signo
menor igual para las restricciones de ofertas.
ALMACEN
DESTINO
OFERTA
10
15
10
15
25
15
15
10
DEMAND
A
ALMACE
ANLISIS DE SISTEMAS MINEROS Pgina 84
OFERTA:
N
SE
ENVA
OFERTAN
15
15
25
25
DEMANDA
:
SE
DESTINOS RECIBE
DEMANDA
N
15
15
15
15
10
10
FUNCIN
OBEJTIVO:
S/.
315.00
17. CONCLUSIONES:
El mtodo de esquina noroeste Este mtodo tiene como ventaja frente a sus similares la
rapidez de su ejecucin.
ANLISIS DE SISTEMAS MINEROS Pgina 85
Es necesario poner en equilibrio la matriz a si cumplir los pasos mnimos para ser operado
por el algoritmo de transportes
El mtodo vogel Conduce rpidamente a una mejor solucin. Mediante los clculos de las
llamadas penalizaciones de fila y columna.
Tiene en cuenta en el anlisis la diferencia entre los menores costos de transporte, mediante
los clculos de las llamadas penalizaciones de fila y columna, los cuales representan el
posible coste de penalizacin que se obtendra por no asignar unidades a transportar a una
determinada posicin.
Es necesario aplicar la optimalidad a cada uno de los mtodos a si determinar si la solucin
bsica es de los ms ptimo, y a si tomar decisiones frente a los problemas propuestos
El objetivo es determinar las cantidades a enviar desde cada punto de origen hasta cada
punto de destino, que minimicen el costo total de envo,
El modelo supone que el costo de envo de una ruta determinada es directamente
proporcional al nmero de unidades enviadas en esa ruta.
Un enfoque inicial de resolucin consiste en evaluar cada posible solucin (cada posible
combinacin de valores enteros para las variables del problema). Sin embargo, presentan
una importante complejidad computacional puesto que incluso un problema de tamao
pequeo, tendra un nmero elevado de posibles soluciones, por lo que se hace necesario
buscar otros mtodos de solucin ms eficientes.
18. BIBLIOGRAFA:
Investigacin de operaciones por- hamdy a. Taha
ANLISIS DE SISTEMAS MINEROS Pgina 86
https://prezi.com/sbfl43g4qmxi/el-metodo-de-aproximacion-de-vogel-es-un-metodoheuristico-d/
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-de-aproximaci
%C3%B3n-de-vogel/
https://invdoperaciones.wordpress.com/metodo-esquina-noroeste/
http://es.slideshare.net/MrEzra4ever/ejercicio-esquina-noroeste-y-costo-mnimo
http://www.gestiondeoperaciones.net/programacion_lineal/metodo-de-la-esquina-noroestealgoritmo-de-transporte-en-programacion-lineal/
http://www.itlalaguna.edu.mx/Academico/Carreras/industrial/invoperaciones1/U5B.HTML
https://invdoperaciones.wordpress.com/voguel/
http://es.slideshare.net/jjmanjarrez/mtodo-vogel
http://es.slideshare.net/karemcherrez/mtodo-de-transporte-vogel
http://lainvestigaciondeoperaciones.blogspot.com/2014/06/metodo-de-aproximacion-derussell.html
https://books.google.com.pe/books?
id=le2FmfDPoaoC&pg=PA64&lpg=PA64&dq=metodo+de+russell&source=bl&ots=MFEQ
SBeRuc&sig=bZl0bE4i7UVxFEhYK6m8avZSwk&hl=es&sa=X&ei=9RifVZ6XMJWAygT247KACQ&ved=0CEgQ6AEwBw#v=one
page&q=metodo%20de%20russell&f=false
CAPTULO III
PERT CPM
4. RESUMEN
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de Informacin para los
administradores del proyecto. Primero, el PERT/CPM expone la "ruta crtica" de un proyecto. Estas
son las actividades que limitan la duracin del proyecto. En otras palabras, para lograr que el proyecto
se realice pronto, las actividades de la ruta crtica deben realizarse pronto. Por otra parte, si una
actividad de la ruta crtica se retarda, el proyecto como un todo se retarda en la misma cantidad. Las
actividades que no estn en la ruta crtica tienen una cierta cantidad de holgura; esto es, pueden
empezarse ms tarde, y permitir que el proyecto como un todo se mantenga en programa. El
PERT/CPM identifica estas actividades y la cantidad de tiempo disponible para retardos.
5. INTRODUCCION
Uno de los conceptos usados para el desarrollo ordenado de un proyecto es el mtodo del Camino
Critico, que representa una ayuda poderosa y de aplicacin sencilla en los problemas de planeacin y
control en el campo administrativo. Hoy en da es poco comn que un administrador no tenga
conocimiento o capacidad de utilizar esta herramienta para resolver los problemas de planeacin,
programacin y control de obras y proyectos. Las actividades de administracin de planeacin,
programacin y control de proyectos han ido adquiriendo vital importancia en la realizacin de los
mismos.
Existen modelos de redes que pueden ser empleados para programar proyectos que comprenden un
gran nmero de actividades. Si la duracin de cada actividad es conocida con certeza, el Mtodo del
Camino o Ruta Crtica (CPM) puede ser empleado para determinar cul es el tiempo requerido para
completar el proyecto. El mtodo CPM tambin permite identificar cuales actividades pueden ser
atrasadas sin afectar la duracin total del proyecto. Si la duracin de las actividades no es conocida
con certeza, la Tcnica de Revisin y Evaluacin del Programa (PERT) puede ser empleado para
determinar la probabilidad de que un proyecto termine antes de un perodo definido.
PERT - CPM
OBJETIVOS:
1. PERT y CPM son tcnicas cuantitativas para manejar proyectos con el enfoque analtico de la
investigacin de operaciones. PERT corresponde a las siglas en ingls de: Tcnicas de
Revisin y Evaluacin de Programas (Program Evaluation and Technique Review) y CPM
corresponde a siglas de: Mtodo del Camino Crtico
2. PERT usa tiempos probabilsticos en proyectos que no se han ejecutado nunca o se han
ejecutado pocas veces. CPM usa tiempos determinsticos o conocidos, debido a que proyectos
similares se han ejecutado muchas veces. Pero ambas tcnicas de manejo de proyectos tienen
el mismo objetivo, que es ahorrar el mayor tiempo posible en la ejecucin de un proyecto; es
decir, son tcnicas tiempo- orientadas.
3. El manejo de un proyecto con PERT-CPM puede considerarse didcticamente dividido en tres
fases: Planeamiento, Programacin y Control.
4. Planeamiento es la fase en la cual se divide un proyecto en actividades; se establece el tiempo
necesario para ejecutarlas, se determinan las relaciones de precedencia entre ellas y se
concluye con la elaboracin del modelo del proyecto llamado Diagrama de Flechas o Red del
Proyecto. Por eso, la tcnica est incluida dentro de las tcnicas de redes.
5. Programacin es la fase equivalente, en el Anlisis Cuantitativo, a la solucin del modelo. En
ella se calculan los tiempos de ocurrencia de los eventos, los tiempos ms tempranos y ms
tardes de iniciacin y finalizacin de las actividades. Se calculan las holguras de tiempo
disponible y se aslan las Actividades Crticas, con holgura cero, que conformarn el Camino
Crtico de la Red. Todo ello se muestra en los Programas de Tiempos de Ocurrencia de Eventos
y de Ejecucin de Actividades.
El Camino Crtico de una Red es un camino conformado por actividades en secuencia en la
red.
Dichas actividades tienen la mayor duracin total de tiempos de ejecucin. La importancia de
una actividad crtica radica en el hecho de que su retraso en el tiempo programado para
ejecutarla, retrasar todo el proyecto.
6. La etapa de Control corresponde a la etapa de supervisin ejecutada en cualquier actividad
administrativa. En PERT-CPM se realiza utilizando lo obtenido en etapas previas; es decir, el
Diagrama de Flechas y el Programa de Tiempos de Ejecucin de las Actividades. No puede
planearse y programarse sin realizar la supervisin necesaria que garantice el cumplimiento de
lo establecido.
En la actualidad tanto el PERT Y CPM, se les trata como una sola tcnica combinada por tener
ambos los mismos fundamentos: empleo de una lgica secuencial y el uso de grafos para
representar el desarrollo de un proyecto.
Con el de alcanzar, lograr los objetivos con xito, la programacin PERT-CPM bsicamente se
empleara en la planeacin, programacin y control de los problemas de produccin (fabricacin)
por unidades, donde lo ms importante es la determinacin y control de la variable tiempo.
Bsicamente, el PERT y CPM son similares en muchos aspectos, la diferencia fundamental radica
en que el PERT; estima la duracin de cada actividad basado en un nivel de costo nicamente (es
probabilstica). En cambio el CPM; relaciona duracin y costo del cual se deriva una diversidad de
duraciones para cada actividad y la eleccin de la duracin ms adecuada se hace de modo que el
costo total del proyecto sea el mnimo.
3.1.- USOS
El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad y adaptabilidad a
cualquier proyecto grande o pequeo. Para obtener los mejores resultados debe aplicarse a los
proyectos que posean las siguientes caractersticas:
a.- Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.
b.- Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin variaciones, es
decir, en tiempo crtico.
c.- Que se desee el costo de operacin ms bajo posible dentro de un tiempo disponible.
3.2.- BASES DEL NUEVO METODO DE PLANEACION, PROGRAMACION Y
CONTROL
Analiza los recursos requeridos para cada evaluacin posible de cada actividad
El mtodo PERT se apoya en la estadstica y el CPM en la experiencia
3.3.- ELEMENTOS DEL GRAFO PERT CPM
Grficamente cada actividad est compuesta de dos partes bsicas:
La ejecucin del trabajo, est representado por una flecha orientada con sentido de izquierda a
derecha se entiende que la actividad es un smbolo del trabajo el proceso de ejecucin, requiriendo
para ello el consumo de tiempo y recursos.
Son los sucesos y generalmente se reprenda con dos crculos que se colocan en los extremos de la
flechas. Un suceso es un instante especfico del tiempo y sirve como punto de control,
describiendo el momento de comienzo o trmino de una actividad y ello no consume tiempo.
3.4.- CONSIDERACIONES PARA ESQUEMATIZAR EL GRAFO PERT CPM
El grafo comienza en un nico suceso inicial y no tiene actividades que la precede
Una actividad no puede empezar hasta que todas las actividades precedentes hayan sido terminadas
Una actividad debe estar terminada para que sus sub. Siguientes puedan comenzar
La longitud de la flecha no representa cantidad de tiempo
La direccin de la flecha no tiene sentido vectorial, es solamente una proyeccin de tiempo, como
el tiempo es irreversible, la orientacin de la flecha, es siempre de izquierda a derecha.
Tampoco es preciso que la flecha sea una lnea recta, puede dibujarse en curva.
El grafo termina en un nico suceso final y no tiene actividades que la subsigan.
3.5.- VENTAJAS:
Es un mtodo nuevo que se emplea en la planificacin de proyectos.
- Permite la planificacin, programacin y control de los recursos disponibles
- Informa clara muestra el plan para la realizacin de un proyecto especifico
- Sirve de gua para el refinamiento de un proyecto
- Es un medio para elaborar estrategias o planes alternativas de accin
- Permite la simulacin de las alternativas de operacin
- Es un medio de evitar la omisin de actividades que pertenecen a un proyecto
- Es un medio de deslindar responsabilidades en la ejecucin de las diferentes actividades que
intervienen en el proyecto
La diferencia entre PERT y CPM es la manera en que se realizan los estimados de tiempo. El
PERT supone que el tiempo para realizar cada una de las actividades es una variable aleatoria
descrita por una distribucin de probabilidad. El CPM por otra parte, infiere que los tiempos de
las actividades se conocen en forma determinsticas y se puede variar cambiando el nivel de
recursos utilizados.
Se contabiliza el tiempo
ANLISIS DE SISTEMAS MINEROS Pgina 94
Ubicacin del TP
En el diagrama se interpreta: el suceso o marca la iniciacin del proyecto y el suceso uno marca la
iniciacin de la ejecucin fsica del proyecto.
3.11.- ACTIVIDADES
FICTICIAS (FIC)
La correcta enumeracin de los sucesos, permite identificar las diferentes actividades mediante
los sucesos de inicio (i) y de terminacin (j). para que cada actividad pueda ser identificada por
una combinacin nica de sucesos de inicio y de terminacin, es necesario incluir en la
elaboracin de la red, las llamadas Actividades Ficticias (FIC) que no consumen trabajo, tiempo
o recursos, sino que sirven para dar consistencia a las interrelaciones de las actividades en
circunstancias especiales.
En teora de grafos PERT-CPM, a las Actividades Ficticias se la presenta por una flecha de trazo
continuo (
)
2).- La disposicin de las flechas, segn la figura, indica que la actividad A debe estar
concluido para que puedan iniciarse las actividades B y C.
La disposicin de las flechas m segn la figura, indica que las actividades A y B deben estar
concluidas antes de iniciarse la actividad C.
3).- La longitud y la forma de representar las flechas son a voluntad del Programador, lo cual
quiere decir que las cuatro figuras que se muestran son equivalentes.
ANLISIS DE SISTEMAS MINEROS Pgina 96
6).- Una actividad no debe conducir a un suceso que es previo al inicio de la actividad.
De esta forma, todas las actividades estarn entonces identificadas nicamente por su suceso
inicial y final.
Actividad A = (1,2)
Actividad
B = (2,3)
Actividad
C = (2,4)
Actividad
D = (3,4)
Actividad
E = (4,5)
Cada actividad depende del tiempo calculado para su realizacin. La estimacin de los tiempos
de duracin se basa algunas veces en los datos experimentales y otras veces en el clculo
ponderado de probabilidades.
Duracin de una actividad segn el CPM
Se observa que el CPM utiliza los tiempos determinsticos, es decir, la duracin ms probable,
mientras que el PERT utiliza las tres duraciones que dan lugar a una duracin promedio.
3.15.1.- DURACION OPTIMISTA (a)
Expresa el tiempo mnimo que sera necesario para realizar la actividad. El clculo e este
tiempo considera ideales todas las circunstancias que han de concurrir en la realizacin de la
actividad, pensando que todo a de salir bien, en perfecto cronometraje y sin que se produzcan
fallas que pueden afectar a su duracin. Por estos motivos, este tiempo es de apreciacin poco
realista.
3.15.2.- DURACION MS PROBABLE (m)
Es aquel que se estima como justamente el necesario para realizar la actividad en condiciones
normales de trabajo con el empleo de recursos determinados de antemano.
Este clculo de duracin normal viene apoyado con la experiencia a la estadstica.
Generalmente tiene en cuenta los retrasos naturales y suelen inproducirse por causas especiales
o imprevistas.
2.2.- OBJETIVOS:
ANLISIS DE SISTEMAS MINEROSPgina 106
El CPM se desarroll como una tcnica orientada hacia la ejecucin optima de las actividades de
un proyecto.
Busca la optimizacin de los costos con el adecuado empleo de los recursos y duracin de las
actividades.
Se basa en la experiencia, lo que lo libera de la incertidumbre del tiempo.
2.3.- IMPORTANCIA
Es importante destacar que debido a la principal caracterstica del sistema CPM (la ausencia total
de varianza y por tanto ausencia de incertidumbre) este permite hacer un manejo lineal de los
costos y de sus tiempos. En el CPM no se habla de estimaciones ni de aproximaciones sino de
valores exactos y predecibles lo que permite llevar su manejo en forma proporcional.
Lo anterior permite hacer reducciones de tiempos en funcin de unos costos por inversin en
recursos, y se pueden aplicar modelos de optimizacin (programacin matemtica) lo que no
ocurre con los modelos bajo incertidumbre como PERT.
2.4.- APLICACIONES
Las primeras aplicaciones de esta tcnica a un proyecto importante. Lo realiz la dupont en la
eleccin de sus complejos industriales con buenos resultados.
2.5.- VENTAJAS Y BENEFICIOS DEL CPM
1.- El CPM ofrece las siguientes ventajas:
2.- Permite la planeacin y programacin efectiva de los recursos disponibles.
3.- Permite la simulacin de caminos alternativos de accin en las operaciones de produccin.
4.- Permite definir funciones y responsabilidades entre el personal encargado de la ejecucin de
las actividades.
5.- Permite mejorar la planificacin y ejecucin del proyecto.
6.- Permite reducir al mnimo las contingencias adversas a la realizacin
del proyecto.
7.- Su aplicacin dinmica proporciona una visin general de la actualizacin del proyecto, lo
que permite tomar decisiones sobre bases efectivas bien informadas.
Si bien el CPM es una de las mejores tcnicas de planeamiento y control de proyectos, tambin
presenta ciertas limitaciones:
El CPM por basarse en experiencias, slo considera las duraciones determinsticos en la
estimacin de las duraciones de las actividades, lo que impide hacer predicciones probabilsticas
en los proyectos de mediano y largo plazo.
No es de aplicacin a la mayora de las operaciones repetitivas a la produccin distribucin o
ventas.
2.7.- COMO SE CONSTRUYE EN GRAFO CPM:
Prcticamente sigue los mismos lineamientos del grafo PERT.
Orientacin y nomenclatura del Grafo CPM.
El CPM considera las actividades (flechas) orientadas
GRAFO ORIENTADAS HACIA LAS ACTIVIDADES
El grafo orientado hacia las actividades es aquel en el que todas las identificaciones y
descripciones corresponden a las actividades que deben efectuarse entre los sucesos.
Bosquejo de Grafo CPM: Para dar formas a la esquematizacin de grafo, el programador que lo
prepara, debe contestar a tres preguntas por cada actividad que sita:
Los objetivos especficos pueden ser, lograr, desarrollar y alcanzar las metas de un
proyecto complejo, como simplemente el desarrollo de las actividades rutinarias de poca
envergadura.
PRIMERA ETAPA.- Constituye un modelo matemtico del proyecto lo cual lgico posible
descomponiendo en: sucesos y actividades debidamente interrelacionados por lo tanto:
A ij
SEGUNDA ETAPA.- Estudia la direccin de cada actividad, las mismas que determinaran la duracin
del proyecto o investigacin, las actividades crticas en la ejecucin del proyecto.
TERCERA ETAPA.- Asigna a los recursos disponibles, estableciendo el programa analizado, la
relacin entre el costo total del proyecto y plan de ejecucin, las sistemas de anlisis de grficos
fundamentalmente son:
Noniconsume
Si ni
consume
Tiempo R
No consume Recurso
TiempoRecurso
3.- ACTIVIDAD.- Se define como un smbolo de trabajo en proceso, o es el trabajo necesario para
alcanzar un suceso.
TP
3.- Actividades en serie.- Indican que no pueden iniciarse una actividad hasta haber terminado lo
anterior.
3
, no
4
5
3
si
4
5
c.- Evitar en lo posible que las flechas sean desproporcionado unas con otras.
d.- Evitar las flechas ficticias que no sean nesesarias, solo cuando 2 cadenas o mas estan programado
en paralelo y existan prioridades, es necesario introducir actividades ficticias para rxpresar
correlaciones de tiempo.
NO
Si
B
1
2
D
5
4
d.1.- La disposicion de las flechas segn la figura indica que la actividad A debe estar concluida para
que pueda inisiarce las actividades B y C.
d.2.- La disposicion de las flechas segn la figura indica que: las actividad B y C deben estar
terminadas antes de iniciarse la actividad C.
d.3.- Cuando 2 o mas cadenas estan programadas en paralelo y existen prioridades, es necesario
introducir actividades ficticias.
d.4.- No olvidar que una ret siempre tiene un evento inicial y otra final, antes de confeccionar
cualquier red se debe concretar el objetivo del proyecto ; es decir el ultimo suceso de diagrama, luego
procede a hacer una lista de las actividades que probablemente intervengan en el proyecto.
EJEMPLO.- En un proceso productivo de una empresa minera se tiene las siguientes actividades A,
B, C, D, E, F, G, H, I, J en donde:
1) La actividad A, presede a las actividades B, H y C.
2) Las actividades B, H, y C son simultaneos.
3) La actividad C debe presceder a la actividad D.
4) La actividad de B debe presceder a E.
5) La actividad de D debe presceder a F.
6) La actividad de E debe presceder a G.
7) Las actividades G, H,F, presceden simultaneamente a la actividad I y esta debe presceder a J.
8) Las actividades D, E presceden a la actividad J.
9) La actividad J es la actividad final.
Establecer:
a) Tabla de programa de actividades
b) Red de malla o de flechas
c) Tabla de secuencia de actividades.
SOLUCION
ANLISIS DE SISTEMAS MINEROSPgina 117
DEOENDE DE:
CONDICIONA A:
B, H, C
G, H, F
B
0
T.P
C
4
Actividad
inmediatamente
Actividad
siguiente
inmediatamente
prescedente
METODO DETERMINISTICO:
CPM: Mtodo de la Ruta Crtica.
1.- FUNDAMENTACION:
A(ij)
i
t(ij)(m)
(Tiempo de duracin del proyecto)
A(ij)
IRR
IR1
TT1
TT
t(ij)(m)
A(ij)
t(ij)(m)
IR2
TT2
PROCEDIMIENTO:
a) El tiempo de suceso ms prximo para el evento inicial (1) es igual a (0) de acuerdo a ello
IRi=0; para el caso de nuestro ejercicio IR1=0.
b) Cuendo en un suceso termina una actividad, se empleara la relacin siguiente IR j= IRi+ tij ;
IR2=0+5=5 IR3=5+4=9.
ANLISIS DE SISTEMAS MINEROSPgina 120
c) Para cada uno de los eventos o sucesos restantes es el mximo de los tiempos ms prximos de
terminacin de todas las actividades que terminan en ese evento, es decir cuando en un evento
terminan varias actividades, exigen una seleccin; tmese el tiempo mayor
IR5=9+5=14
IR5=15+7=22
IR6=15+4=19
IR6=22+5=27
IR7=15+7=26
IR8=22+6=28
IR8=27+6=33
IR9=27+5=32
IR10=26+7=33
IR10=33+5=38
IR10=32+8=40
c) Cuando el evento comienza varias actividades en este caso tambin exige una seleccin,
tmese el tiempo menor.
TT6=35-6=29
TT6=32-5=27
TT5=33-4=29
TT5=35-6=29
TT4=22-7=15
TT4=27-4=23
TT3=22-5=17
TT3=15-6=9
TT2=9-4=5
TT2=15-5=10
TT5=27-5=22
TT1=5-5=0
d) el valor del primer evento (evento inicial) ser el comienzo del proyectoe igual a cero.
B.2. DETERMINACION DE LA RUTA CRTICA.
RUTAS POSIBLES
1
1,2,3,5,7,10=25
1,2,3,5,8,10=25
1,2,3,5,6,8,10=30
1,2,3,5,6,9,10=32
1,2,3,4,5,7,10=33
1,2,3,4,5,8,10=33
1,2,3,4,5,6,8,10=28
1,2,3,4,5,6,9,10=40
1,2,3,4,6,9,10=32
10
1,2,3,4,6,8,10=30
11
1,2,4,6,8,10=25
12
1,2,4,6,9,10=27
1.-Calcular la ruta crtica del as siguientes actividades. Una Fbrica de Software tiene un proyecto con
la siguiente informacin.
Nmero de
Actividad
1
2
3
4
5
6
Nombre de Actividad
A = Reclutamiento de Personal
B = Capacitacin de Testers
C = Certificacin de Testers
D = Test
E = Capacitacin de Programadores
F = Levantamiento de Requerimientos
Duracin Normal
(Semanas)
9
12
3
7
11
8
Predecesor
A
B
C, H
A
7
8
G = Anlisis y Diseo
H = Programacin de Prototipo
14
5
F
E,G
Ruta Crtica:
Es la Ruta ms larga desde inicio hasta fin. Determina la duracin total del proyecto
B
12
A
9
C
3
D
7
E
11
Inicio
H
5
F
8
G
14
Smbolo de la Actividad
A
9
Tiempo de terminac
(T.T.C)
(T.I.C)
(T.I.L)
Duracin de la Actividad
Pasada hacia adelante: Identifica los tiempos ms prximos o cercanos de cada actividad.
B
12
A
9
C
3
D
7
E
11
Inicio
H
5
F
8
G
14
Para B
Para C
Para D
Para E
Para F
Para G
Para H
0+9=9
9+12=21
21+3=24
27+7=34
29+11=2
0
0+8=8
8+14=2
2
22+5=2
7
T.I.C (B)=9
T.I.C(C)=21
T.I.C(D)=24
T.I.C(H)=20
T.I.C(G)=8
T.I.C(H)=22
T.I.C(D)=34
POR REGLA GENERAL DE CPM SE TOMA EL MAYOR PARA UN MISMO VALOR DE (H) EN
ESTE CASO ES 22
Pasada hacia adelante: Identifica los tiempos ms prximos o cercanos de cada actividad.
9
0
B21
12
A9
9
21 C24
3
27 D34
E20
11
Inicio
22 H27
5
F8
8
G22
14
PASADA HACIA ADELANTE: Identifica los tiempos ms prximos o cercanos de cada actividad.
Tiempo parcial del Proyecto = 34 Semanas
POR REGLA GENERAL EN EL FINAL DE LOS TIEMPOS SE COPIA EL MISMO VALOR YA
QUE NOS MUESTRA EL FINAL DE NUESTRAS OPERACIONES.
9
0
B21
12
A9
9
21 C24
3
27 D34
7
34
E20
11
Inicio
22 H27
5
F8
8
G22
14
27+3=24
27-5=22
22-14=8
22+11=11
2412=12
11-9=2
8-8=0
9 B21
12
12 24
0
2
A9
9
21 C24
3
24 27
11
27 D34
7
27 34
9 E20
11
11 22
Inicio
0
0
F8
8
8
8
22 H27
5
22 27
G22
14
22
0
2
A9
9
9 B21
12
12 24
21 C24
3
24 27
11
27 D34
7
27 34
9 E20
11
11 22
Inicio
0
0
F8
8
8
8
22 H27
5
22 27
G
22
14
22
H A =119=2
H B =129=3
H B =2421=3
H C =2421=3
H C =2421=3
H D =2727=0
H D =2727=0
H E =119=2
H E =2220=2
H F =00=0
H F =88=0
H G =88=0
H G =2222=0
H H =2222=0
H H =2727=0
9 B21
12
12 24
0 A9
9
2 11
21 C24
3
24 27
27 D34
7
27 34
9 E20
11
11 22
Inicio
0 F8
8
0 8
8
8
22 H27
5
22 27
G22
14
22
METODO DE PERT
1.- ORIGEN
El origen de los trabajos de la tcnica PERT empez formalmente en enero de 1957 en el mbito
militar. Se desarroll en la Oficina de Proyectos Especiales de la Armada de los EEUU, al reconocer el
almirante William. F. Raborn que se necesitaba una planificacin integrada y un sistema de control
fiable para el programa de misiles balsticos Polaris. Con su apoyo se estableci un equipo de
investigacin para desarrollar el PERT o Program Evaluation Research Task.
METODO
PERT
Se basa en la
probabilidad de
duracin de las
actividades
El mtodo PERT nos permite representar grficamente las diferentes actividades que componen el
proyecto y calcular los tiempos de ejecucin de forma que podamos contestar a esas preguntas.
Para ello debemos seguir 4 pasos:
1. Hacer una lista de actividades o tareas
2. Hacer una tabla de precedencias
3. Dibujar el grafo
ANLISIS DE SISTEMAS MINEROSPgina 129
ACTIVIDAD
SUCES
O
SUCES
O
A: (i,j)
FIGURA N 01:
A
T.P
B
1
1
b.- Precedencias lineales: Se presentan cuando, para poder iniciar una determinada actividad, es
necesario que haya finalizado previamente una nica actividad.
c.- Precedencias de divergencia: Son las que aparecen cuando, para que puedan iniciarse dos o ms
actividades, es necesario que se haya terminado anteriormente una nica actividad.
3
4
d.- Precedencias de convergencia: Se producen cuando, para poder iniciar cierta actividad, es
necesario que hayan finalizado previamente dos o ms actividades.
1
A
2
3
B
C
e.- Precedencias que dan lugar a una convergencia y divergencia. Son aquellas que se producen
cuando, para que se puedan iniciar un conjunto de dos o ms actividades, es preciso que se haya
finalizado previamente ms de una actividad.
2.- Cuadro de precedencias: Tabla de dos columnas, en la primera se encuentran las actividades del
proyecto y en la segunda figuran las actividades precedentes de su homloga en la primera columna.
DEPENDE DE:
PRECEDENTES
B, C
D, E, F
I, H
C, A
F, G, H
I, J
La construccin del grafo PERT comienza en un vrtice que representa el evento inicio del proyecto y
termina en otro vrtice que representa el evento fin del proyecto.
5
I
B
T.
0
C
4
ms
PERT requiere que se calcule la varianza de cada uno de los tiempos de completacin de una
actividad.
ANLISIS DE SISTEMAS MINEROSPgina 135
2 =
(ba)
36
Tij
ijRuta
Vij
ijRuta
n
tn
T*
Suceso
n
HSn = T*n tn
n: nmero de
suceso
A ij
T ij
ti
t*j
Tij
ijRuta
La
duracin
de
las
actividades depende
de circunstancias aleatorias
y probabilsticas. Empricamente, se demuestra que las actividades de los
proyectos se
ajustana
una
distribucin probabilstica de tipo BETA.
Distribucin BETA.- Cuya funcin de densidad es:
f (t ) = K (t - a )a (t - b)j
f (t ) 0; t a
f (t ) 0; t b
Donde:
K = constante
y = parmetros
Probabilida
d
a
b
LIMITACIONES
ANLISIS DE SISTEMAS MINEROSPgina 138
PERT
Los pasos para ejecutar la tcnica PERT son los siguientes:
PASO 1. Obtener la siguiente informacin del proyecto: Actividades (codificadas), actividades
precedentes y los tres tiempos (duraciones) de cada actividad:
a = duracin optimista.
m = duracin ms probable.
b = duracin pesimista.
Todas las duraciones en una sola escala temporal. Ejemplo: das.
PASO 2. Calcular la duracin esperada de cada actividad y su varianza, usando la estimacin de la
distribucin beta:
Sea:
T = variable T, duracin del proyecto.
TS = duracin solicitada para terminar el proyecto.
TPy = duracin estimada del proyecto tras ejecutar el paso 3.
z = variable z normalizada de la distribucin normal, con media y varianza (0, 1).
2RC = varianza de una actividad considerada crtica
La probabilidad puede encontrarse usando una tabla normal estandarizada alguna otra funcin de
calculadoras u hoja electrnica.
Ejercicio:
La Ca. Minera. Zorro Plateado S.A. debe reubicar su campamento hacia nuevas instalaciones
en la zona norte con el objetivo de brindar una atencin especializada a sus trabajadores, el
ingeniero debe preparar un informe detallado de los trabajos y el tiempo de cada uno para el
traslado, incluyendo rutas crticas y estimaciones de tiempos. El ingeniero ha desarrollado el
proyecto con 12 actividades que se presentan en el Cuadro 1.
Cuadro 1: Detalle de actividades para el ejercicio (duraciones en das)
ACTIVIDA
D
DEPEND
E DE
CONDICIONA
A
DETALLE
----
B,H,C
Seleccionar el rea 1
de trabajo
4.5
Seleccionar tipos de 2
campamento
F,K
Crear
organizacional
I,G
Determinar personal
16
plan 2
4
Disear
instalaciones
las 1
1.5
Construir
interiores
Seleccionar personal
Contratar
nuevos 4
trabajadores
G,H,F
Traslado de material
Hacer arreglos
campamento
I,J,K
------
Capacitar
personales
7.5
1.5 3
4.5
al 3
nuevos 3
Tras obtener los datos en el paso 1 comenzamos a calcular las duraciones esperadas y sus varianzas
para el paso 2.
Cuadro 2: Duracin esperada y varianza
ACTIVIDAD
DEPENDE DE
CONDICIONA
A
----
B,H,C
0.444
4.5
0.111
F,K
0.444
I,G
16
1.5
0.444
2.5
3.5
7.5
0.694
0.111
0.111
G,H,F
1.5
4.5
0.25
0.111
I,J,K
------
0.444
Ejemplo de la aplicacin:
TX=
TA=
1+ 4 ( 3 ) +5
=3
6
TB=
3+ 4 ( 4.5 ) +9
=5
6
TC=
2+ 4 ( 3 ) + 4
=3
6
TD=
2+ 4 ( 4 ) +6
=4
6
TE=
4+ 4 ( 7 ) +16
=8
6
TF=
1+ 4 ( 1.5 ) +5
=2
6
TG=
TH=
1+ 4 ( 2 ) +3
=2
6
TI=
4+ 4 ( 5 ) +6
=5
6
TJ=
1.5+ 4 ( 3 ) + 4.5
=3
6
TK=
3+ 4 ( 4 ) +5
=4
6
a+4 m+ b
6
TL=
3+ 4 ( 5 ) +7
=5
6
ba
2= ( 6 )
51
A2= ( 6 )
=0.444
93
B2= ( 6 ) 2=1
42
C2= ( 6 )
=0.111
62
D2= ( 6 ) 2=0.444
164
)
6
E2= (
51
F2= ( 6 )
G2= (
=4
=0.444
7.52.5
)
6
31
H2= ( 6 )
=0.694
=0.111
64
I2= ( 6 ) 2=0.111
J2= (
4.51.5
)
6
=0.25
53
K2= ( 6 ) 2=0.111
73
L2= ( 6 ) 2=0.444
Paso 3. Con la duracin esperada ejecutamos el CPM, para darle un inicio y un final nos apoyamos en
dos actividades ficticias O y L con duracin de cero. La red del proyecto sera el siguiente:
Si ahora traspasamos este razonamiento a un grafo PERT (recordamos que las actividades se
representan por flechas que consumen recursos y que adems las tenemos que dibujar un nudo de
inicio y un final) obtendramos:
Red de mallas
tj1 = 0 + 3= 3
Lj2 = 3 + 5= 8
Lj4 = 3+ 3 = 6
Lj5 = 8+ 8 = 16
Lj6 = 6 + 4= 10
Lj3 = 3+2=5
Lj3=16+4=20 si elige el mayor numero
Lj3=10+2=12
Lj7 = 16+5=21
Lj7=20+3=23 si elige el mayor numero
Lj7=10+4=14
ANLISIS DE SISTEMAS MINEROSPgina 146
Lj8 = 23+5=28
Lj8 = 28
Lj7 =28-5= 23
Lj6 =23-4=21
Lj6 =20-2=18
Lj5 =23-5=18
Lj5=20-4=16 se elige el menor
Lj3 =23-3=20
Lj4=18-4=14
Lj2 =16-8=8
Lj1 = 8-5=3
Lj1= 14-3=11
Lj0=3-3=0
Hallando Holguras= tiempo pesimista tiempo optimista
actividad
operacin
holguras
0-0
3-3
8-8
14-6
16-16
18-10
20-20
23-23
28-28
En este caso tenemos una ruta crtica compuesta por 6 actividades crticas reales, la suma de las
varianzas de esta ruta es:
RC2=0.444+1+4+0.694+0.25+0.444=6.832
Para el paso 4, suponemos una serie de preguntas de probabilidad sobre este proyecto:
a) Cul ser la probabilidad de terminar el proyecto hasta 18 das?
Para resolver la pregunta usaremos la estandarizacin de la duracin del proyecto para encontrar la
variable normalizada z y as emplear la tabla (u otro mtodo) para hallar la probabilidad en la
distribucin normal. En nuestro caso TS = 18 das, TPy = 28 das.
1828
Pr (T 28)=Pr (z 6.832 = Pr (z-3.826)
El clculo ahora se reduce a encontrar la probabilidad (rea de la curva normal) a la derecha del punto
z.
Cuadro 3: Probabilidad en tabla normal
3228
6.832 = Pr (z +1.53)
Entonces
TS28
6.832 = Pr (z+1.65)=0.95
TS28
6.832 =1.65
CONCLUSIONES
El mtodo Pert considera la duracin de una actividad como una variable aleatoria y
estimacin de tres duraciones
Te = (a + 4m + b) / 6.
La duracin del proyecto es determinada por la duracin de la ruta crtica que es 17 das 21
horas 6 minutos.
El PERT CPM no es funcional en grandes proyectos debido a los tres estimados tiempo
que se requiere en cada actividad.
Una ruta crtica en un proyecto es una ruta a travs de la red tal que todas sus actividades
tienen holgura cero.
BIBLIOGRAFIA
MONTAO, Agustn.
LOPEZ H,Hilario.
Norberto J. Munier
CAPTULO IV
TEORA DE COLAS, DUAL Y PRIMAL
INTRODUCCION
Todos hemos experimentado en alguna ocasin la sensacin de estar perdiendo el tiempo al esperar en
una cola. El fenmeno de las colas nos parece natural: esperamos en el coche al estar en un tapn, o
un semforo mal regulado, o en un peaje; esperamos en el telfono a que nos atienda un operador en la
cola de un supermercado para pagar.
Como clientes no queremos esperar, los gestores de los citados servicios no quieren que esperemos.
Por qu hay que esperar?
La respuesta es casi siempre simple, en algn momento la capacidad de servicio ha sido (o es) menor
que la capacidad demandada.
Generalmente esta limitacin se puede eliminar invirtiendo en elementos que aumenten la capacidad.
En estos casos la pregunta es: Compensa invertir?
La teora decolas intenta responder a estas preguntas utilizando anlisis matemticos detallados.
El estudio de las colas es importante porque proporciona tanto una base terica del tipo de servicio
que podemos esperar de un determinado recurso, como la forma en la cual dicho recurso puede ser
diseado para proporcionar un determinado grado de servicio a sus clientes.
TEORA DE COLAS
1.10.
OBJETIVO:
Proponer, en forma cuantitativa, acciones o decisiones que mejoren la forma en que opera un
especfico sistema de espera, mediante la teora y prctica de la Teora de Colas.
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema
tendran en el coste total del mismo.
1.11.
MARCO TERICO
SISTEMA DE COLAS
Es un sistema en el que los productos, (clientes) llegan a una estacin, esperan en una fila o cola,
obtienen algn servicio y luego salen del sistema. Los sistemas de colas son modelos de
sistemas que proporcionan servicio. Como modelo, pueden representar cualquier sistema en
donde los trabajos o clientes llegan buscando un servicio de algn tipo y salen despus de que
dicho servicio donde haya sido atendido. Podemos modelar los sistemas de este tipo tanto como
colas sencillas o como un sistema de colas interconectadas formando una red de colas. Este
modelo puede usarse para representar una situacin tpica en la cual los clientes llegan, esperan
si los servidores estn ocupados, son servidos por un servidor disponible y se marchan cuando se
obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto.
Esto no es sencillo, ya que un cliente no llega a un horario fijo, es decir, no se sabe con exactitud
en qu momento llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
1.12.
Aun que cualquier sistema se puede representar como en la figura1, debe quedar claro que una
representacin detallada exige definir un nmero elevado de parmetros y funciones.
La teora de colas fue originariamente un trabajo prctico. La primera aplicacin de la que se
tiene noticia es del matemtico dans Eran sobre conversaciones telefnicas en 1909, para el
clculo de tamao de centralitas. Despus se convirti en un concepto terico que consigui un
gran.
Desarrollo, y desde hace unos aos se vuelve a hablar de un concepto aplicado aunque exige un
importante trabajo de anlisis para convertir las frmulas en realidades o viceversa.
1.13.
Seis son las caractersticas bsicas que se deben utilizar para describir adecuadamente un
sistema de colas:
Algunos autores incluyen una sptima caracterstica que es la poblacin de posibles clientes.
1.14.
Llegadas
Sistema de
colas
Col
a
Disciplina
de la cola
Instalacin del
servicio
Salida
s
Se asume que en cualquiera de los dos casos, los mecanismos de servicio operan de manera
independiente.
F. ETAPAS DE SERVICIO:
Un sistema de colas puede ser unietapa o multietapa. En los sistemas multietapa el
cliente puede pasar por un nmero de etapas mayor que uno. Una peluquera es un sistema
unietapa, salvo que haya diferentes servicios (manicura, maquillaje) y cada uno de estos
servicios sea desarrollado por un servidor diferente.
En algunos sistemas multietapa se puede admitir la vuelta atrs o reciclado, esto es
habitual en sistemas productivos como controles de calidad y reprocesos.
1.15.
ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS
A. ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS: Una Lnea, un Servidor
Sistema de
colas
Llegada
s
Servidor
Col
a
Salida
s
Sistema de
colas
Col
a
Salida
s
Sistema de
colas
Co
la
Llegada
s
Co
la
Co
la
Servidor
Salida
s
Servidor
Salida
s
Servidor
Salida
s
Llegada
s
Sistema de
colas
Cola
Servidor
Servidor
Salida
s
Co
1.16.
NOTACIN
Con el paso del tiempo se ha implantado una notacin para representar los problemas de colas
que constan de 5 smbolos separados por barras.
A / B /X /Y/Z
A: indica la distribucin de tiempo entre llegadas consecutivas
B: alude al patrn deservicio de servidores.
X: es el nmero de canales de servicios
Y: es la restriccin en la capacidad del sistema
Z: es la disciplina de cola
Tabla N 01
1.17.
NOMENCLATURA BSICA
1.18.
EJEMPLOS DE APLICACIN:
Ejemplo 1.
Una doctora pasa en promedio 20 minutos con sus pacientes, si el tiempo estimado de espera en
la fila es de 30 minutos. Determinar:
a)
b)
c)
d)
e)
f)
g)
DATOS:
=?
W q =30 min
FORMULAS A UTILISARZE:
Para el modelo MM1
Nmero de clientes en el sistema
LS =
2
()
W q=
()
Formulas probabilsticos:
PS =1P
Pn= 1
( )( )
DONDE:
=Promedio de llegada(Cliente /tiempo)
=Promedio de atencion del servidor (Cliente /tiempo)
s=Numero de Servidores
SOLUCION:
a)
W q=
1Cliente
Cliente
=0.05
20 minutos
minutos
=30 min
( )
=0.0751.5
+1.5 =0.075
ANLISIS DE SISTEMAS MINEROSPgina 166
2.5 =0.075
0.075
Cliente
=0.03
2.5
minutos
1
1
1
=
=
=50 min
0.050.03 0.02
b)
W S=
c)
0.03
P= =
=0.6
0.05
d)
LS =
0.03
0.03
=
=
=1.5 Clientes
0.050.03 0.02
e)
Lq =
0.03
0.03
0.03
=
=
=
=0.9 clientes
() 0.05(0.050.03) 0.05(0.02) 0.001
f)
PS =1P=10.6=0.4
g)
P3 + P2+ P 1+ P s= 1
+ 1
+ 1
1
+0.4
)( ) ( )( ) ( )( )
P3 + P2+ P 1+ P s= 1
0.03
0.05
)[( ) ( ) ( ) ] +0.4
3
0.03
0.03
0.03
+
+
0.05
0.05
0.05
= 0.8704
Ejemplo 2.
clientes
Por hora y se le pagara Bs. 1.000 la hora. Asuma que los clientes arriban a una tasa de 2 por
hora.
En el sistema es aplicable el modelo M/M/1. (Recuerda los aspectos que presenta un sistema
donde se aplica el modelo M/M/1?)
a) Calcule las caractersticas Operacionales con cada mecnico.
b) Si el taller asigna un costo de espera a cada cliente de Bs. 1.500 por hora, Cul mecnico
proporciona el menor costo de operacin?
Respuestas:
a) Para el mecnico 1, la tasa de servicio = 3 clientes por hora
Para el mecnico 2, la tasa de servicio = 4 clientes por hora
Mecnico 1
Mecnico 2
0.6667
0.5
El problema dual se define sistemticamente a partir del modelo de PL primal. Los dos problemas
estn estrechamente relacionados en el sentido de que la solucin ptima de uno proporciona
automticamente la solucin ptima al otro. En la mayora de los tratamientos de PL, el dual se define
para varias formas del primal segn el sentido de la optimizacin (maximizacin o minimizacin), los
tipos de restricciones (<=, >= o =), y el signo de las variables (no negativas o irrestrictas).
La definicin del problema dual requiere expresar el problema primal en la forma de ecuacin (todas
las restricciones son ecuaciones con lado derecho no negativo, y todas las variables son no negativas).
Este requerimiento es consistente con el formato de la tabla inicial simplex. Como consecuencia
cualquier resultado obtenido a partir de la solucin ptima primal se aplican directamente al problema
dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
1. Asignar un variable dual por cada restriccin primal.
2. Construir una restriccin dual por cada variable primal.
3. Los coeficientes de restriccin (columna) y el coeficiente objetivo de la variable primal j-sima
definen respectivamente los lados izquierdos y derecho de la restriccin dual j-sima.
4. Los coeficientes objetivo duales son iguales a los lados derechos de las ecuaciones de restriccin
primales.
5. Las reglas que aparecen en la tabla 4.1 rigen el sentido de optimizacin, la direccin de las
desigualdades y los signos de las variables en el dual. Una forma fcil de recordar el tipo de
restriccin en el dual (es decir,# o $) es que si el objetivo dual es de minimizacin (es decir,
apunta hacia abajo), entonces todas las restricciones sern del tipo $ (es decir, apuntan hacia
arriba). Lo opuesto aplica cuando el objetivo dual es de maximizacin.
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +6 X 2
X 1 +2 X 2=5
X 1+ 5 X 2 3
4 X 1+ 7 X 2 8
CONDICION DE NO NEGATIVIDAD:
X 1 irrestricta , X 2 0
X 1
X 1= X 1
FUNCIN OBJETIVO
++ 6 X 2
5 X 1
Max ( Z )=5 X 1
SUJETO A
SUSTITUIR POR
++2 X 2=5 y 1
X 1
X 1
++5 X 2 X 3=3 . y 2
+ X 1
X 1
++7 X 2+ X 4=8 . y 3
4 X 1
4 X 1
CONDICION DE NO NEGATIVIDAD
+ , X 2 , X 3 , X 4 0
, X 1
X 1
PROBLEMA DUAL
FUNCIN OBJETIVO
SUJETO A
Min ( Z )=5 y 1+ 3 y 2 +8 y 3
y 1 y 2 +4 y 3 5
y 1 + y 24 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3=5
2 y1 +5 y 2 +7 y 3 6
y 2 0
y3 0
y 1 irrestricta , y 2 0, y 3 0
PRIMER MTODO
PTIMO DE = COEFICIENTE Z PRIMALPTIMO DE LA VARIABLE INICIAL X
( VALOR
)
LA VARIABLE DUAL) (
+ COEFICIENTE OBJETIVO ORIGINAL DE X
i
SEGUNDO MTODO
EJEMPLO N 02
PROBLEMA PRIMAL
ANLISIS DE SISTEMAS MINEROSPgina 173
)(
FUNCIN OBJETIVO
SUJETO A
X 1 +2 X 2 + X 3 10
2 X 1X 2+3 X 3=8
X1 , X2 , X3 0
CONDICION DE NO NEGATIVIDAD:
FUNCIN OBJETIVO
SUJETO A
X 1 +2 X 2 + X 3 + X 4=10
y1
2 X 1X 2+3 X 3+ R=8
CONDICION DE NO NEGATIVIDAD
y2
X1 , X2 , X3, X 4 , R 0
PROBLEMA DUAL
FUNCIN OBJETIVO
SUJETO A
:
y 1+ 2 y 2 5
2 y1 y 2 12
y 1+ 3 y 2 4
y1 0
y 2 M
Min ( Z )=10 y 1+ 8 y 2
y 1 0, R 0, y 2 Irrestricta
Inversa ptima =
[ ]
2
5
1
5
1
5
2
5
El orden de las variables bsicas primales ptimas en la columna Bsica es X2 seguida por X1.
Los elementos de los coeficientes objetivo originales para las dos variables deben aparecer en
el mismo orden, es decir:
( originales de X , X )
2
( )
2
( 12,5 ) x 5
1
5
1
5
2
5
29 2
( y 1 , y 2 ) = 5 , 5
Z =5 x 1 +12 x 2 + 4 x3 =5 ( 0 ) +12 ( 0 )+ 4
( 83 )= 323
En el ptimo, la relacin se mantiene como una ecuacin estricta, lo que significa que los dos
valores objetivos son iguales. Observe que la relacin no especifica cul problema es primal y
ANLISIS DE SISTEMAS MINEROSPgina 176
( problemade
maximizacin ) ( problema de minimizacin)
Por ejemplo:
x1 + x2 = 2,
Equivale a:
x1 + x2 1, x1 + x2 1
O bien:
x1 + x2 1, -x1 - x2 1
Despus de convertir todas las restricciones en (), la programacin lineal tendr una solucin
de inicio no factible si, y slo si al menos uno de los lados derechos de las desigualdades es
estrictamente negativo. En caso contrario, si z es ptima y ninguno de los lados derechos es
negativo no habr necesidad de aplicar el mtodo smplex dual, porque la solucin de inicio ya
es ptima y factible.
Ejemplo:
Minimizar z= 3x1 + 2x2
Sujeta a:
3x1 + x2 3
4x1 + 3x2 6
x1 + x2 3
x1, x2 0
Solucin:
Como se puede observar las dos primeras restricciones son desigualdades que no cumplen los
requisitos (), multiplicaremos por (-1) y cambia la desigualdad (), luego en la funcin
objetivo hacemos la igualdad a cero y tenemos:
0 = z - 3x1 - 2x2
Sujeta a:
-3x1 - x2 - 3
-4x1 - 3x2 - 6
x1 + x2 3
x1,x2 0
Llevando a la tabla:
Las razones indican que x2 es la variable de entrada. Hay que observar que una variable x j es
candidata para entrar a la solucin bsica slo que su ij sea estrictamente negativa. Eso quiere
decir que no se deben tener en cuenta las variables x3, x4 y x5.
La siguiente tabla se obtiene con las conocidas operaciones de rengln:
ANLISIS DE SISTEMAS MINEROSPgina 179
Esta tabla muestra que sale x3 y entra x1, as se obtiene la siguiente tabla:
Esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo. La solucin
correspondiente es: x1 = 3/5, x2 = 6/5 y z = 21/5.
Para reforzar la comprensin del mtodo smplex dual por parte del lector, la figura siguiente
muestra en forma grfica la trayectoria seguida por el algoritmo para resolver el ejemplo
anterior.
Se inicia en el punto extremo A (que es no factible y mejor que el ptimo), pasa a B (que
todava es no factible y mejor que el ptimo) y por ltimo se vuelve factible en C. En este
punto termina el proceso, con C como solucin ptima factible.
Adicionalmente podemos realizar la solucin por el mtodo smplex dual con el programa
TORA que incluso contiene un mdulo tutorial para este mtodo.
2.2. ALGORITMO SMPLEX GENERALIZADO
El algoritmo smplex (primal) inicia siendo factible, pero no ptimo. El smplex dual comienza
mejor que el ptimo, pero no factible. Y si un modelo de programacin lineal iniciara no
ptimo y no factible al mismo tiempo? Hemos visto que el smplex primal tiene en cuenta la no
factibilidad de la solucin de inicio usando variables artificiales. En forma parecida, el smplex
dual tiene en cuenta la no optimalidad usando restricciones artificiales. Aunque esos
procedimientos tienen por objeto ampliar el cmputo automtico, los detalles pueden hacer
perder de vista lo que realmente implica el algoritmo smplex, que es que la solucin ptima de
una programacin lineal siempre se asocia con una solucin de punto de esquina (o bsica).
Con base en esta observacin deberamos poder adaptar nuestros propios algoritmos smplex
El problema se puede resolver sin usar variables ni restricciones artificiales, como sigue: quitar
primero la no factibilidad aplicando una versin de la condicin smplex dual de factibilidad,
que seleccione a x4 como variable de salida. Para determinar cul es la variable de entrada todo
lo que se necesita es una variable no bsica cuyo coeficiente de restriccin en el rengln x4 sea
estrictamente negativo. Se puede hacer la seleccin sin cuidarse de mantener la optimalidad,
porque de cualquier manera es no existente en este punto (comprela con la condicin de
optimalidad dual). El resultado es la siguiente tabla:
Ahora la solucin en esta tabla es factible, pero no ptima, y podremos usar el smplex primal
para determinar la solucin ptima. En general, si no nos hubiramos encontrado la factibilidad
en la tabla anterior, habra que repetir el procedimiento las veces necesarias hasta satisfacer la
factibilidad, o hasta que haya pruebas de que el problema no tenga solucin factible.
Una vez establecida la factibilidad, el siguiente paso es atender la optimalidad, aplicando la
condicin adecuada de optimalidad del mtodo smplex primal.
La esencia del ejemplo es que el mtodo smplex no es rgido. En las publicaciones abundan
las variaciones del mtodo smplex (por ejemplo, el mtodo primal-dual, el mtodo simtrico,
el mtodo entrecruzado y el mtodo mltiplex) que dan la impresin que cada uno es distinto,
cuando en realidad todos buscan una solucin de punto esquina, con inclinacin hacia los
clculos automticos y quiz hacia la eficiencia de cmputo.
Ejemplo
ANLISIS DE SISTEMAS MINEROSPgina 183
TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los lmites
diarios de tiempo disponible para las tres operaciones son 430, 460 y 420 minutos,
respectivamente, y las utilidades por tren, camin y coche de juguete son $3, $2 y $5,
respectivamente. Los tiempos de armado por tren, en las tres operaciones son 1, 3 y 1 minutos,
respectivamente.
Los tiempos respectivos por camin y por coche son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de
cero indica que no se usa la operacin).
Solucin
Sean x1, x2 y x3 la cantidad diaria de unidades armadas de trenes, camiones y coches, los
modelos de programacin lineal y dual que le corresponden son los siguientes:
Este modelo servir para explicar los distintos procedimientos. Recurdese que ese modelo es
del ensamble de tres clases de juguetes: trenes, camiones y coches. Cada artculo requiere tres
operaciones sucesivas. Se desea determinar la cantidad de unidades de cada juguete que haga
mxima a la utilidad.
La tabla ptima asociada para el primal es:
Recordemos que el lado derecho de la tabla expresa los valores de las variables bsicas.
2. Usar los nuevos valores duales en la frmula 2, seccin 4.2.4, para determinar los nuevos
coeficientes en el rengln de z.
Se presentarn dos casos:
1. El nuevo rengln de z satisface la condicin de optimalidad, y la solucin permanece sin
cambio (sin embargo, el valor objetivo ptimo puede cambiar).
2. La condicin de optimalidad no se satisface, y en ese caso se aplica el mtodo smplex
(primal) para recuperar la optimalidad.
B. Adicin de una nueva actividad
La adicin de una nueva actividad en un modelo de programacin lineal equivale a agregar una
nueva variable. En forma intuitiva, la adicin de una nueva actividad slo es deseable si es
rentable, esto es, si mejora el valor ptimo de la funcin objetivo. Esta condicin se puede
verificar aplicando la frmula 2, seccin 4.2.4, a la nueva actividad. Como esa nueva actividad
no es todava parte de la solucin, se puede considerar como una variable no bsica. Eso quiere
decir que los valores duales asociados con la solucin actual permanecen invariables.
Si la frmula 2 indica que la nueva actividad satisface la condicin de optimalidad, la actividad
no es rentable. En caso contrario, es mejor tener en cuenta la nueva actividad.
El caso de agregar una actividad nueva tambin abarca al caso en el que se hicieron cambios en
los usos de los recursos, en una actividad existente. En forma especfica se puede considerar a
x7 como si al principio tuviera un coeficiente de objetivo cero y uso cero de los tres recursos, y
que esos valores cero se cambiaron a los nuevos valores que se dan para x7.
Por esta razn no se describir por separado el caso de cambiar los coeficientes de restriccin
de una variable existente.
CONCLUSIONES
Es importante el uso de estas herramientas de estudio y anlisis de operaciones
mineras, bsicamente referido a teora de colas, ya que nos permite tener un
panorama ms exacto de las lneas de espera que existen dentro de todo proceso
de minado, y en todas sus fases operativas de trabajo.
Es importante, hacer el anlisis de tiempos productivos e improductivos, ya de
de estos tiempos se har el balance que incide directamente en las lneas de
espera en un sistema de colas, en cualquier fase de minado.
Proveer mucha capacidad instalada puede resultar muy costoso, y la
productividad sera bajo, pero no proveer la suficiente dar la formacin de colas
largas.
Con este conocimiento es posible cambiar el proceso de tomar decisiones, con
respecto a las lneas de espera de una forma cualitativa y cuantitativa.
Se debe mencionar que el anlisis matemtico de las lneas de espera estn
basados en promedios, la mayora de estos eventos que conforman las lneas de
espera estarn referidos al valor de la media correspondiente.
Se debe revisar que los datos con que se cuenta son realmente representativos y
lo ms actualizado posible.
Los datos recopilados deben mostrar la clasificacin correcta sobre tiempo de
espera y tiempos improductivos, ya que estos tiempos representan los tiempos
de espera en el ciclo de limpieza y transporte de material en la mina, se pudo
observar a travs de los ejemplos, que adems de ubicar tiempos de espera, se
puede determinar la frecuencia y probabilidades de ocurrencia de tiempos de
espera en un sistema de colas.
BIBLIOGRAFIA
TEORIA DE COLAS:
Mtodos Cuantitativos de Organizacin Industrial. Autor: JOSE P. GARCA
SABATER
INVESTIGACIN DE OPERACIONES: Universidad de Carabobo - Colombia.
Autor: Escuela de Economa e Ingeniera Econmica
MANUAL SOBRE TEORIA DE COLAS:
Metodologa y Ejemplos. Autor: Dpto. Industrial de EFyC. Colombia.
CAPTULO V
SIMULACIN MEDIANTE EL MTODO MONTECARLO
INTRODUCCIN
La simulacin por el Mtodo Montecarlo agrupa una serie de procedimientos que
analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios,
la simulacin se basa en un nmero elevado de clculos repetitivos, los cuales se
desarrollan con ayuda de programas computarizados.
Este mtodo da solucin a una gran variedad de problemas matemticos haciendo
experimentos con muestreos estadsticos. El mtodo es aplicable a cualquier tipo de
problema, ya sea estocstico o determinstico; tambin fue creada para resolver
integrales que no se pueden resolver por mtodos analticos, para solucionar estas
integrales se usaron nmeros aleatorios. Posteriormente se utiliz para cualquier
esquema que emplee nmeros aleatorios, usando variables aleatorias con distribuciones
de probabilidad conocidas, el cual es usado para resolver ciertos problemas estocsticos
y determinsticos, donde el tiempo no juega un papel importante.
Este mtodo es bastante simple e intuitivo mediante el cual podemos obtener
informacin econmica y de riesgo muy completa, as como manejar datos empricos,
sin necesidad de formularlos analticamente.
1.21...........................................................HISTORIA DEL MTODO MONTE CARLO
El mtodo fue llamado as por el principado de Mnaco por ser "la capital del juego
de azar", al tomar una ruleta como un generador simple de nmeros aleatorios. El
nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 con el desarrollo de la computadora.
El uso real de los mtodos de Monte Carlo como una herramienta de investigacin,
proviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este
trabajo
involucraba la simulacin directa de problemas probabilsticos de
hidrodinmica concernientes a la difusin de neutrones aleatorios en material de
fusin.
Alrededor de 1970, los desarrollos tericos en complejidad computacional
comienzan a proveer mayor precisin y relacin para el empleo del mtodo
Montecarlo. La teora identifica una clase de problemas para los cuales el tiempo
necesario para evaluar la solucin exacta al problema crece con la clase, al menos
exponencialmente. La cuestin a ser resuelta era si el mtodo de Montecarlo
pudiese o no estimar la solucin al problema de tipo intratable con una adecuacin
estadstica acotada a una complejidad temporal polinomial. Karp (1985) muestra
esta propiedad para estimar en una red plana multiterminal con arcos fallidos
ANLISIS DE SISTEMAS MINEROSPgina 188
Por otro lado, se debe mencionar que el analista debe considerar el uso de la
simulacin cuando exista una o ms de las siguientes condiciones:
1.27..................................................................APLICACIONES DE LA SIMULACIN:
Las aplicaciones de la simulacin son mltiples, pues virtualmente estas abarcan
todos los campos de la ciencia, la ingeniera, la economa, la sociologa, la
psicologa, los negocios, la poltica, etc.
Por otro lado, algunos investigadores han postulado que la simulacin ha sido
empleada para analizar problemas de dos tipos, que son los siguientes:
1.27.1. PROBLEMAS DE CIENCIAS BSICAS: MATEMTICAS, FSICA Y
QUMICA
Entre las cuales se tiene:
Evaluacin de integracin mltiples, as como la estimacin del rea
encerrada dentro de una curva.
Solucin de ecuaciones lineales simultaneas.
Estudio de la difusin de partculas.
Estudio del movimiento de las partculas de un plano.
Solucin de ecuaciones diferenciales parciales.
Inversin de matrices, etc.
1.27.2. PROBLEMAS REALES EN TODAS LAS ORGANIZACIONES DEL
MUNDO INDUSTRIAL
Entre estos se tienen los siguientes:
Simulacin de sistemas biomdicos (equilibrio de lquidos y
distribucin de electrolitos en el cuerpo humano como proliferacin
de clulas sanguneos, modelizacin del cerebro, etc).
Simulacin de estrategias y tcticas en el deporte.
Simulacin de estrategias y tcticas en las guerras.
Simulacin de problemas sociales (dinmica de poblacin, conducta
individual y de grupo, etc.)
Simulacin de problemas comerciales y econmicos (conducta del
cliente, operaciones de una compaa, evaluacin de gastos de capital
propuestos, determinacin de precios, estudios de mercado, estudio de
economa nacionales con problemas de inflacin y recesin,
predicciones econmicas, etc.)
Simulacin de los problemas de las diversas organizaciones
industriales (control de inventarios, diseos de procesos qumicos,
diseos de sistema de distribucin, planeamiento de la produccin,
diseo de sistemas de comunicaciones, sistema de transporte, etc.)
2.
2.1.....................................LA SIMULACIN MONTE CARLO EN COMPUTADORA
La simulacin del Monte Carlo es una tcnica cuantitativa que hace uso de la
estadstica y los ordenadores para imitar, mediante modelos matemticos, el
comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando
se trata de sistemas cuyo estado ya cambiando con el paso del tiempo, se recurre
ANLISIS DE SISTEMAS MINEROSPgina 192
2.3.
2.
2.6.
x1 , x2, , xn
Sean
y1 , y2 , , ym
( m n ) .
y
2.6.1. FRECUENCIA ABSOLUTA ( i) :
yi
i=1, 2, , m .
Frecuencias absolutas
ni
y1
n1
ym
nm
n
Totales
EJEMPLO:
Se realiza una encuesta a un conjunto de 16 familias sobre el nmero de
hijos. Los resultados en el orden obtenido son:
x 1=2 ,
x 2=1 ,
x 8=0 ,
x 9=2 ,
x 15 =1 ,
x 3=3 ,
x 10=1 ,
x 4=1 ,
x 5=4 ,
x 6=1 ,
x 7=3 ,
x 11=2 ,
x 12=3 ,
x 13=4 ,
x 14=1
x 16 =1
2.
y 2=1 ,
y 3=2 ,
y 4 =3 ,
y 5=4
Conteo
Frecuencias absolutas
ni
0
1
2
3
4
Totales
/
//// /
////
///
/
1
6
5
3
1
16
y i , al cociente de la frecuencia
frecuencia absoluta de y i
y
= i
nmero total de observaciones n
n1 1
= =0.0625
n 16
h2=
n2 6
= =0.3750
n 16
h3=
n3 5
= =0.3125
n 16
h4 =
n4 3
= =0.1875
n 16
h5=
n5 1
= =0.0625
n 16
Interpretacin:
h1=0.0625 , se interpreta como la proporcin de familias que no tienen
hijos en la muestra.
h2=0.3750 , se interpreta como la proporcin de familias que tienen un
hijo en la muestra.
As sucesivamente.
h5=0.0625 , es la proporcin de familias que tienen cuatro hijos en la
muestra.
ANLISIS DE SISTEMAS MINEROSPgina 198
Corresponde al valor
yi
N i = n j
j=1
N 1= n j=n1=1
j=1
N 2= n j=n1+ n2=1+6=7
j=1
Interpretacin:
N 2=7 , significa que en la encuesta hay 7 familias con 1 menos hijos (o
equivalente; en la encuesta se ha encontrado 7 familias con a lo ms 1 hijo).
N 3=12 , significa que en la encuesta se ha obtenido 12 familias con a lo
ms dos hijos.
( i )
MAYOR
QUE
Corresponde al valor
yi
( xi yi ) .
N i , entonces:
N i = n j
j=1
j=1
n j= n3 +n 4 +n5 =5+3+1=9
5
N 3 =
j=3
n j= n 4+ n5=3+1=4
5
N 4 =
j=4
N 5 = n j=n5=1
j=5
Interpretacin:
yi
iguales a
yi .
n1 +n 2+ +ni
n
H i se escribe:
H i= h j
j=1
H i son:
H 1= h j=h1=0.0625
J =1
Interpretacin:
H 2=0.4375 , es la proporcin de las familias bajo estudio con a lo ms 1
hijo.
H 3=0.7500 , es la proporcin de las familias bajo estudio con a lo ms 2
hijos.
As sucesivamente.
yi
El valor
menores o iguales a
yi .
H i son:
J=1
J=2
H 3 = h j=h 3+ h4 +h 5=0.3125+0.1875+0.0625=0.5625
J=3
J =4
H 5 = h j=h 5=0.0625
J=5
Interpretacin:
H 2=0.9375 , es la proporcin de familias en la muestra con por lo
menos 1 hijo.
H 3=0.5625 , es la proporcin de familias en la muestra con por lo
menos 2 hijos.
As sucesivamente
Resumiendo se tiene:
yi
ni
0
1
2
3
4
Totales
Ni
1
6
5
3
1
16
1
7
12
15
16
hi
Hi
0.0625
0.3750
0.3125
0.1875
0.0625
1.0
0.0625
0.4375
0.7500
0.9375
1.0000
N i
16
15
9
4
1
H i
1.0000
0.9375
0.5625
0.2500
0.0625
.
Tabla N 2: Diferentes tipos de tablas de distribucin de frecuencias del nmero de
hijos.
2.7.
PROBLEMAS DE APLICACIN:
Una forma de hacer pruebas de Monte Carlo es con una hoja de clculo como
Microsoft Excel. En el ejemplo se muestra un anlisis histrico de 200 das sobre
consultas realizadas en un sistema de informacin. La tabla muestra el nmero de
consultas diarias (de 0 a 5) junto con las frecuencias absolutas (# de das por cada
frecuencia), las frecuencias relativas y las frecuencias relativas acumuladas.
Se puede interpretar estos datos de esta forma: "Hay una posibilidad del 30% que
tenga 3 consultas diarias"
Cmo encontrar el valor medio de consultas?
Una forma directa es haciendo la operacin:
Valor medio= ( de vistas Probabilidad de que ocurran)
Valor medio=0 0.05+1 0.1+2 0.2+ 3 0.3+4 0.2+5 0.15
Valor medio=2.95
Por otro lado se puede usar una simulacin Monte Carlo para deducirla. Para ello se
tiene en cuenta las frecuencias relativas acumuladas de esta manera:
[0,00 a 0,05) para el suceso 0
[0,05 a 0,15) para el suceso 1
[0,15 a 0,35) para el suceso 2
[0,35 a 0,65) para el suceso 3
[0,65 a 0,85) para el suceso 4
[0,85 a 1,00) para el suceso 5
Luego al generar un nmero aleatorio uniforme entre (0 y 1) podemos saber que
suceso ocurri. Ejemplo:
Nmero
aleatorio
0.790445391
0.312774232
0.024507237
0.159714866
0.863044148
0.896856087
0.442375306
0.349415073
0.084318782
0.006141327
Suceso (*)
4
2
0
2
5
5
3
2
1
0
Anlisis de probabilidad.
Anlisis de consecuencia.
Simulacin computacional.
El desarrollo de dichas medidas puede ser realizado mediante diferentes
mecanismos, entre los cuales destacamos el Mtodo Montecarlo, el cual se
caracteriza por:
2.9.
DE
RENTABILIDAD
a. Histograma
Informa acerca de los posibles valores a tomar por las variables outputs
del modelo (beneficio neto y valor actual neto) y la probabilidad asociada
a cada uno de ellos.
El Histograma muestra los posibles valores del beneficio neto o del VAN
del proyecto empresarial que podrn ser alcanzados con un nivel de
confianza determinado (probabilidad de ocurrencia asociada al valor).
El grfico que se muestra en pantalla se interpreta de la siguiente manera:
b. Perfil de riesgo
.
c. Lmite de riesgo y VAR
d. Tornado
El anlisis de sensibilidad permite identificar los factores de riesgo que
mayor riesgo suponen para el xito del plan de empresa.
ANLISIS DE SISTEMAS MINEROSPgina 212
e. Anlisis de escenarios
ANLISIS DE SISTEMAS MINEROSPgina 213
Anlisis de riesgo
Definicin de escenarios
Nivel de produccin.
Das de operacin por ao.
Vida de la mina, etc.
DE
MONTECARLO
CON
EL
ETAPA
PREVIA
PREPARACIN DEL
EXPERIMENTO DE
SIMLUACIN
EJECUCIN DEL
EXPERIMENTO
CONSTRUYA EL MODELO DE
EVALUACIN
DETERMINE
DEFINA
CARACTERSTICAS
VARIABLES
DE
VARIABLES SUPUESTO
OBJETIVO
RUN
GENERE REPORTE DE
RESULTADOS DEL
EXPERIMENTO
Estos son los cuadros de dilogo para encontrar la funcin que mejor
ajuste.
81
77
79
73
75
69
71
65
67
61
63
57
59
53
55
47
49
51
43
45
37
39
41
31
33
35
25
27
29
19
21
23
13
15
17
11
Variable X2
Variable X2
Variable X1
Variable X1
: 150 000 TM
Capacidad de produccin
Das de operacin
Ley de cabeza de oro
Recuperacin metalrgica
Precio del oro
Costo de produccin
Gastos adm. Y de ventas
Impuesto a la renta
Participacin de
trabajadores
: 80 TMD (ao 1)
100 TMD (ao 2 5)
: 300 das/ao
: 12 gr/TM
: 70 %
: 350 US$/onz
: 40 US$/TM
: US$ 500 000 al ao
: 30 % de la utilidad antes del
impuesto
: 8 % de la utilidad antes del impuesto
:
:
:
:
:
:
: 150 000
500 000
300 000
400 000
300 000
250 000
250 000
: 10 aos
: 5 aos
15%
Amortizacin
250,000
250,000
250,000
250,000
Intereses
100,000
100,000
75,000
50,000
25,000
Total
100,000
350,000
325,000
300,000
275,000
continuacin se seguirn los pasos para hallar el Flujo de Caja del proyecto primero, y
posteriormente con este hacer la Simulacin por el mtodo de Montecarlo.
A. PRIMER PASO: Hallar el Flujo de Caja del Proyecto
1. Datos operativos:
a. Hallando Valor de Ventas ($/ao)
Ventas1 erao =
123500.7803001 TM
=2268 810
31.10 gr
Ventas25=
123500.71003001TM
=2 836 013
31.10 gr
: 500 000
: 300 000
: 400 000
: 300 000
1 500 000
$ 1 500 000
=150 000 $ /ao
10 aos
b. Activos intangibles
Gastos Organizacin
Amortizacin intangibles=
: 250 000
$ 250 000
=50 000 $/ao
5 aos
c. Valor Residual
750 000 es el resto de los 5 aos de la depreciacin de los activos fijos.
3. Determinando el VAN y TIR del Proyecto
VAN =828 267 TIR= 39%
12
ANLISIS DE
SISTEMAS
MINEROSPgina 228
Recup.
Metalrgica
(%)
70
Precio Au ($/oz)
350
10.50
70
Reduciremos la ley
de cabeza del
mineral de 12 gr/TM a 10.50 gr/TM, y conservaremos iguales los
rangos para las funciones de probabilidad, de acuerdo a ello obtenemos
lo siguiente:
Precio Au ($/oz)
350
[ ]
D
W
VPP: Velocidad Pico Partcula (pulg/seg)
VPP=L
W=
D
VPP 1/ 1.5
(
)
L
W= 6,96lb/tal de explosivo
Generamos nuestro libro en Excel las siguientes variables:
D: Distancia a la cual la voladura no afecta y con direccin estocstica
: Es el ngulo que formaran las rocas al momento de ser sujetas a la voladura
Como se sabe el Metodo Monte carlo a mas iteaciones, da valores mas cercanos al valor
verdadero, Luego de muchas iteraciones, se calcula el valor promedio de
D= Sumatoria de todos los valores
Numero de itraciones
D= 17.16ft
Hallamos W con el valor promedio de D
W= 4.87ft
CONCLUSIONES
La ayuda de un software como Cristal Ball simplifica el anlisis de riesgo en las
decisiones de inversin. De esta manera, los modelos determinsticos pueden ser
enriquecidos con el uso de aplicaciones informticas que permitirn enfrentar con
mayor xito situaciones tan cambiantes como las vigentes.
La simulacin con el mtodo de Monte Carlo para el anlisis de riesgo es una
herramienta importante a la hora de tomar decisiones que impliquen algn tipo de
incertidumbre, como es el caso de los Proyectos de Inversin en minera donde, se
tienen muchas variables que nos indican diferentes niveles de incertidumbres.
En el desarrollo del ejemplo de aplicacin se muestra que la tcnica de simulacin de
Montecarlo aporta significativamente en el anlisis de inversin bajo condiciones de
riesgo.
Los resultados obtenidos luego de la Simulacin con el programa Crystal Ball nos
indican que el proyecto es totalmente factible de realizacin pues nos da un alto
porcentaje de certidumbre tanto para el VAN como para el TIR.
RECOMENDACIONES
Realizar ms estudios sobre el anlisis de riesgos, pues est demostrado que esta es una
herramienta muy importante a la hora de la toma de decisiones
Realizar ms ejemplos de aplicacin con el mtodo para obtener mayores referencias
sobre el estudio de riesgos en proyectos de inversin.
Estudiar a fondo el uso del programa Crystal Ball con el fin de mejorar el anlisis de
riegos en proyectos mineros por el mtodo de Monte Carlo.
BIBLIOGRAFA
CAPTULO VI
ANLISIS DE SISTEMAS MINEROSPgina 237
INTRODUCCION
En el mundo real, las condiciones de trabajo no suelen permanecer estticas, sino en
continuo estado de cambio. As las cosas, son usuales las variaciones en los precios
(tanto de productos finales como de materias primas, mano de obra, etc.), y en las
cantidades de recursos disponibles. Adems, continuamente se producen cambios en los
mtodos productivos y mejoras tecnolgicas que logran aumentar la productividad. El
Anlisis de Sensibilidad se encarga precisamente de estudiar cmo afectara a la
solucin ptima obtenida y a la funcin objetivo el cambio (dentro de un rango
predeterminado) de uno de los parmetros, manteniendo fijos los restantes. Por ejemplo,
si nuestros contables estiman al revisar los clculos que los beneficios por cada unidad
de producto vendida son de 5,5 en vez de la estimacin inicial de 5 , o si resulta que
ahora disponemos de recursos adicionales (cmo diez horas ms de mano de obra, o de
una nueva mquina), el Anlisis de Sensibilidad nos ayudar a conocer cmo afectarn
estos cambios a la solucin ptima obtenida y a los beneficios totales. Conviene hacer
notar que este tipo de anlisis tan slo tiene sentido para modelos lineales no enteros (no
se usa en modelos enteros ni cuadrticos).
La tabla que nos proporciona el mtodo simplex es una gran fuente de informacin
sobre los datos de nuestro problema, siempre y cuando los sepamos descifrar. Para ello
realizaremos lo que se denomina anlisis de sensibilidad.
Una de las cosas ms importantes que nos proporciona este anlisis, es la de conocer el
intervalo de variacin de los parmetros del problema, sin que cambie nuestra solucin
ptima.
2. DUAL Y PRIMAL
2.1. PROBLEMA DE DUAL
El problema dual se define sistemticamente a partir del modelo de PL primal. Los dos
problemas estn estrechamente relacionados en el sentido de que la solucin ptima de
uno proporciona automticamente la solucin ptima al otro. En la mayora de los
tratamientos de PL, el dual se define para varias formas del primal segn el sentido de la
optimizacin (maximizacin o minimizacin), los tipos de restricciones (<=, >= o =), y
el signo de las variables (no negativas o irrestrictas).
La definicin del problema dual requiere expresar el problema primal en la forma de
ecuacin (todas las restricciones son ecuaciones con lado derecho no negativo, y todas
las variables son no negativas). Este requerimiento es consistente con el formato de la
tabla inicial simplex. Como consecuencia cualquier resultado obtenido a partir de la
solucin ptima primal se aplican directamente al problema dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
ANLISIS DE SISTEMAS MINEROSPgina 238
EJEMPLO N 01
PROBLEMA PRIMAL
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +6 X 2
X 1 +2 X 2=5
X 1+ 5 X 2 3
4 X 1+ 7 X 2 8
CONDICION DE NO NEGATIVIDAD
X 1 irrestricta , X 2 0
X 1
X 1= X 1
FUNCIN OBJETIVO
++ 6 X 2
5 X 1
Max ( Z )=5 X 1
SUJETO A
SUSTITUIR POR
++2 X 2=5 y 1
X 1
X 1
++5 X 2 X 3=3 . y 2
+ X 1
X 1
++7 X 2+ X 4=8 . y 3
4 X 1
4 X 1
+ , X 2 , X 3 , X 4 0
, X 1
X 1
FUNCIN OBJETIVO
Min ( Z )=5 y 1+ 3 y 2 +8 y 3
SUJETO A
CONDICION DE NO NEGATIVIDAD
PROBLEMA DUAL
y 1 y 2 +4 y 3 5
y 1 + y 24 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3=5
2 y1 +5 y 2 +7 y 3 6
y 2 0
y3 0
y 1 irrestricta , y 2 0, y 3 0
a. PRIMER MTODO
b. SEGUNDO MTODO
)(
EJEMPLO N 02
PROBLEMA PRIMAL
FUNCIN OBJETIVO
SUJETO A
X1 , X2 , X3 0
:
X 1 +2 X 2 + X 3 10
2 X 1X 2+3 X 3=8
CONDICION DE NO NEGATIVIDAD
FUNCIN OBJETIVO
Max ( Z )=5 X 1 +12 X 2 +4 X 3 +0 X 4MR
SUJETO A
:
X 1 +2 X 2 + X 3 + X 4=10
y1
2 X 1X 2+3 X 3+ R=8
X1 , X2 , X3, X 4 , R 0
FUNCIN OBJETIVO
Min ( Z )=10 y 1+ 8 y 2
SUJETO A
CONDICION DE NO NEGATIVIDAD
y2
PROBLEMA DUAL
y 1+ 2 y 2 5
2 y1 y 2 12
y 1+ 3 y 2 4
y1 0
y 2 M
y 1 0, R 0, y 2 Irrestricta
Inversa ptima =
[ ]
2
5
1
5
1
5
2
5
( originales de X , X )
2
( )
2
( 12,5 ) x 5
1
5
1
5
2
5
29 2
( y 1 , y 2 ) = 5 , 5
( 83 )= 323
En el ptimo, la relacin se mantiene como una ecuacin estricta, lo que significa que
los dos valores objetivos son iguales. Observe que la relacin no especifica cul
problema es primal y cul es dual. En este caso slo el sentido de optimizacin
(maximizacin o minimizacin) es importante.
El ptimo no puede ocurrir con z estrictamente menor que w (es decir, z w)
porque, no importa qu tan cerca estn z y w, siempre hay la oportunidad de una mejora,
lo que contradice la optimalidad como lo demuestra la figura 4.2.
valor objetivo en el
valor objetivo en el
( problemade
maximizacin) ( problemade minimizacin)
Como en el mtodo smplex (primal), la base el mtodo smplex dual es que cada
iteracin siempre est asociada a una solucin bsica. Las condiciones de optimalidad y
factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al
mismo tiempo mover las iteraciones de la solucin hacia la factibilidad.
x1 + x2 = 2,
Equivale a:
x1 + x2 1, x1 + x2 1
O bien:
x1 + x2 1, -x1 - x2 1
Despus de convertir todas las restricciones en (), la programacin lineal tendr una
solucin de inicio no factible si, y slo si al menos uno de los lados derechos de las
desigualdades es estrictamente negativo. En caso contrario, si z es ptima y ninguno de
los lados derechos es negativo no habr necesidad de aplicar el mtodo smplex dual,
porque la solucin de inicio ya es ptima y factible.
Ejemplo:
ANLISIS DE SISTEMAS MINEROSPgina 247
Las razones indican que x2 es la variable de entrada. Hay que observar que una variable
xj es candidata para entrar a la solucin bsica slo que su ij sea estrictamente negativa.
Eso quiere decir que no se deben tener en cuenta las variables x3, x4 y x5.
La siguiente tabla se obtiene con las conocidas operaciones de rengln:
Esta tabla muestra que sale x3 y entra x1, as se obtiene la siguiente tabla:
Esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo. La solucin
correspondiente es: x1 = 3/5, x2 = 6/5 y z = 21/5.
Para reforzar la comprensin del mtodo smplex dual por parte del lector, la figura
siguiente muestra en forma grfica la trayectoria seguida por el algoritmo para resolver
el ejemplo anterior.
Ejemplo:
Maximizar z=2 x 3
Sujeta a:
x 1 +2 x22 x 3 8
x 1 + x 2+ x 3 8
2 x 1x 2 +4 x3 10
x 1 , x 2 , x 3 0
Solucin:
El modelo de programacin lineal se puede poner en la tabla siguiente, en el que la
solucin bsica de inicio (x4, x5, x6) es al mismo tiempo no ptima (por x 3) y no factible
(por x4 = -8). La primera ecuacin se multiplic por -1 para revelar la no factibilidad en
forma directa, en la columna solucin.
Ahora la solucin en esta tabla es factible, pero no ptima, y podremos usar el smplex
primal para determinar la solucin ptima. En general, si no nos hubiramos encontrado
la factibilidad en la tabla anterior, habra que repetir el procedimiento las veces
necesarias hasta satisfacer la factibilidad, o hasta que haya pruebas de que el problema
no tenga solucin factible.
Una vez establecida la factibilidad, el siguiente paso es atender la optimalidad,
aplicando la condicin adecuada de optimalidad del mtodo smplex primal.
La esencia del ejemplo es que el mtodo smplex no es rgido. En las publicaciones
abundan las variaciones del mtodo smplex (por ejemplo, el mtodo primal-dual, el
mtodo simtrico, el mtodo entrecruzado y el mtodo mltiplex) que dan la impresin
que cada uno es distinto, cuando en realidad todos buscan una solucin de punto
esquina, con inclinacin hacia los clculos automticos y quiz hacia la eficiencia de
cmputo.
11. ANLISIS POSTPTIMO O DE SENSIBILIDAD
El anlisis de sensibilidad investiga el cambio de la solucin ptima que resulta de hacer
cambios en los parmetros del modelo de programacin lineal. La tabla siguiente
contiene todos los casos posibles que pueden surgir en el anlisis de sensibilidad, as
como las acciones necesarias para obtener la nueva solucin (suponiendo que exista):
Ejemplo
TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los
lmites diarios de tiempo disponible para las tres operaciones son 430, 460 y 420
minutos, respectivamente, y las utilidades por tren, camin y coche de juguete son $3,
$2 y $5, respectivamente. Los tiempos de armado por tren, en las tres operaciones son 1,
3 y 1 minutos, respectivamente.
Los tiempos respectivos por camin y por coche son (2, 0, 4) y (1, 2, 0) minutos (un
tiempo de cero indica que no se usa la operacin).
Solucin
Sean x1, x2 y x3 la cantidad diaria de unidades armadas de trenes, camiones y coches, los
modelos de programacin lineal y dual que le corresponden son los siguientes:
Este modelo servir para explicar los distintos procedimientos. Recurdese que ese
modelo es del ensamble de tres clases de juguetes: trenes, camiones y coches. Cada
artculo requiere tres operaciones sucesivas. Se desea determinar la cantidad de
unidades de cada juguete que haga mxima a la utilidad.
La tabla ptima asociada para el primal es:
Recordemos que el lado derecho de la tabla expresa los valores de las variables bsicas.
es deseable si es rentable, esto es, si mejora el valor ptimo de la funcin objetivo. Esta
condicin se puede verificar aplicando la frmula 2, seccin 4.2.4, a la nueva actividad.
Como esa nueva actividad no es todava parte de la solucin, se puede considerar como
una variable no bsica. Eso quiere decir que los valores duales asociados con la solucin
actual permanecen invariables.
Si la frmula 2 indica que la nueva actividad satisface la condicin de optimalidad, la
actividad no es rentable. En caso contrario, es mejor tener en cuenta la nueva actividad.
El caso de agregar una actividad nueva tambin abarca al caso en el que se hicieron
cambios en los usos de los recursos, en una actividad existente. En forma especfica se
puede considerar a x7 como si al principio tuviera un coeficiente de objetivo cero y uso
cero de los tres recursos, y que esos valores cero se cambiaron a los nuevos valores que
se dan para x7.
Por esta razn no se describir por separado el caso de cambiar los coeficientes de
restriccin de una variable existente.
3. ANALISIS DE SENSIBILIDAD
OBJETIVO
El objetivo del anlisis de sensibilidad es identificar los parmetros sensibles, (por
ejemplo, los parmetros cuyos valores no pueden cambiar sin que cambie la solucin
ptima). Para ciertos datos que no estn clasificados como sensibles, tambin puede
resultar de gran utilidad determinar el intervalo de valores del parmetro para el que la
solucin ptima no cambie.
DEFINICIN
En forma genrica, el anlisis de sensibilidad busca investigar los efectos producidos
por los cambios del entorno sobre el sistema. El propsito general es identificar los
parmetros relativamente sensibles (es decir, aquellos que no pueden cambiarse mucho
sin cambiar la solucin ptima), con el fin de estimarlos con mayor precisin y
seleccionar entonces una solucin que siga siendo buena sobre los intervalos de valores
probables de los parmetros sensibles.
Desde el punto de vista de la programacin lineal, el anlisis de sensibilidad, llamado
tambin anlisis paramtrico, es un mtodo que permite investigar los efectos
producidos por los cambios en los valores de los diferentes parmetros.
3.2.
SOLUCIN
Funcin objetivo
Max Z = 5x1 + 8x2 + 10x3 + 12x4
Restricciones
x1 + x2 + x3 + x4 = 750 ------- (PRODUCTO 1, 2, 3, 4)
x4 = 550 ------
(PRODUCTO 4)
---------- NO NEGATIVIDAD
3.3.
En el men Archivo (File) seleccionar Nuevo problema (New Problem) para ingresar
los aspectos generales del problema:
Se ingresa el ttulo del problema (problema title), se numeran las variables que
intervienen en el problema en este caso son 4 (x1, x2, x3, x4) y el nmero de
restricciones que estn condicionando o limitando nuestro problema en este caso son 4.
Se selecciona el criterio objetivo, y como menciona l a funcin objetivo es: maximizar
(maximizacin).Ahora como se muestra en la restriccin x1, x2 = >0, denota que es una
restriccin de no negatividad (nonnegative continuous), de esta manera, se selecciona
dicha opcin del rea de tipo de variable (Default variable type). Una vez llenados todos
los campos se presiona el botn OK, generando una tabla como se muestra a
continuacin.
ANLISIS DE SISTEMAS MINEROSPgina 262
CONCLUSIN
El anlisis de sensibilidad es una tcnica de seleccin de alternativas, que permite
evaluar la sensibilidad de la medida de un valor a la variacin de un parmetro.
Cuando se comparan dos alternativas, se calcula y se representa grficamente la medida
de valor para valores diferentes del parmetro a fin de determinar cundo es mejor cada
alternativa. Cuando se espera que diversos parmetros varen durante un rango
predecible, puede representarse grficamente la medida de valor versus cada parmetro
en trminos de una variacin porcentual de la estimacin ms probable. Esto indica a
simple vista dnde es sensible la decisin a un parmetro (graficacin horizontal
aproximada) y dnde hay una ha sensibilidad (pendientes ms grandes y graficacin no
lineal). Tambin, pueden utilizarse tres estimaciones para un parmetro muy
probable, pesimista y optimista a fin de determinar cul alternativa entre muchas es
mejor. En todos estos anlisis se supone que existe independencia entre los parmetros.
El anlisis de sensibilidad es una tcnica de seleccin de alternativas, que permite
evaluar la sensibilidad de la medida de un valor a la variacin de un parmetro.
Cuando se comparan dos alternativas, se calcula y se representa grficamente la medida
de valor para valores diferentes del parmetro a fin de determinar cundo es mejor cada
alternativa. Cuando se espera que diversos parmetros varen durante un rango
predecible, puede representarse grficamente la medida de valor versus cada parmetro
en trminos de una variacin porcentual de la estimacin ms probable. Esto indica a
simple vista dnde es sensible la decisin a un parmetro (graficacin horizontal
aproximada) y dnde hay una ha sensibilidad (pendientes ms grandes y graficacin no
lineal). Tambin, pueden utilizarse tres estimaciones para un parmetro muy
probable, pesimista y optimista a fin de determinar cul alternativa entre muchas es
mejor. En todos estos anlisis se supone que existe independencia entre los parmetros.
ANLISIS DE SISTEMAS MINEROSPgina 263