UNIVERSIDAD NACIONAL DE

SAN AGUSTÍN

FACULTAD DE INGENERÍA DE PRODUCCIÓN Y

SERVICIOS
ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

INGENIERÍA DE MÉTODOS 2
TÉCNICAS DE INVESTIGACIÓN OPERACIONES EN LA
LOCALIZACIÓN DE PLANTAS

DOCENTE:
DRA. ELISA CASTAÑEDA H.

INTEGRANTES:
 CANAZA VILCA, STEFANY
 CHURA PUMA, YEIMI
 QUILLE ANCALLE, THALÍA
 QUISPE HUILLCA, JUAN
 QUISPE MALDONADO, MARÍA FERNANDA
 ROJAS MAMANI, BRYAN EDWIN

GRUPO: “C”
Arequipa - Perú
2019
 TÉCNICAS DE INVESTIGACIÓN OPERACIONES EN LA
LOCALIZACIÓN DE PLANTAS

1. MÉTODO DEL COSTO MÍNIMO: CARACTERÍSTICAS, VENTAJAS,

DESVENTAJAS

El método del costo mínimo es un procedimiento utilizado para obtener la solución

factible inicial para un problema de transporte. Se utiliza cuando la prioridad es reducir
los costos de distribución de los productos. El método del costo mínimo busca conseguir
el menor costo de transporte entre varios centros de demanda (los destinos) y varios
centros de suministro.

La capacidad de producción u oferta de cada fuente, así como el requerimiento o demanda

de cada destino son conocidos y fijos. También se conoce el costo de transportar una
unidad del producto desde cada fuente hasta cada destino.

El producto debe ser transportado desde varias fuentes a diferentes destinos de tal manera
de cumplir con la demanda de cada destino y, al mismo tiempo, minimizar el costo total
del transporte.

Pasos del método del costo mínimo

Paso 1: Se selecciona la celda que contenga el menor costo de transporte de toda la tabla.
A esa celda se le asigna la mayor cantidad posible de unidades. Esta cantidad puede estar
limitada por las restricciones de las ofertas y demandas.

En caso que varias celdas tengan el menor costo, se seleccionará la celda donde se pueda
realizar la asignación máxima.

Luego se procede a ajustar la oferta y la demanda que está en la fila y columna afectada.
Se ajusta restándole la cantidad asignada a la celda.

Paso 2: Se elimina la fila o columna en la que se haya agotado (sea cero) la oferta o la
demanda.

En caso que ambos valores, oferta y demanda, sean iguales a cero, se puede eliminar
cualquier fila o columna, de forma arbitraria.

Paso 3: Se repiten los pasos anteriores con el siguiente menor costo y se continúa hasta
satisfacer toda la oferta disponible en las diferentes fuentes o toda la demanda de los
distintos destinos.

Aplicaciones
– Minimizar los costos de transporte de las fábricas a los almacenes o de los almacenes a
las tiendas minoristas.

– Determinar la ubicación de costo mínimo de una nueva fábrica, almacén u oficina de

ventas.

– Determinar el cronograma de producción de costo mínimo que satisfaga la demanda de

la empresa con las limitaciones de producción.

Ventajas

Se considera que el método del costo mínimo produce resultados más precisos y óptimos
en comparación con el de la esquina noroeste.

Esto se debe a que el método de la esquina noroeste solo da importancia al requerimiento

de suministro y disponibilidad, con la esquina superior izquierda como la asignación
inicial, independientemente del costo de envío.

Por otro lado, el método del costo mínimo incluye los costos de transporte mientras se
realizan las asignaciones.

– A diferencia del método de la esquina noroeste, este método proporciona una solución
precisa, ya que considera el costo de transporte al realizar la asignación.

– El método del costo mínimo es un método muy simple de usar.

– Es muy sencillo y fácil de calcular la solución óptima con este método.

– El método del costo mínimo es muy fácil de entender.

Desventajas

– Para obtener la solución óptima se deben seguir ciertas reglas. Sin embargo, el método
del costo mínimo no las sigue paso a paso.

– El método del costo mínimo no sigue ninguna regla sistemática cuando existe un empate
en el costo mínimo.

– El método del costo mínimo permite una selección a través de la observación del
personal, lo que podría crear malentendidos para obtener la solución óptima.
– No posee la capacidad de aportar ninguna clase de criterio para permitir determinar si
la solución conseguida con este método es o no la más óptima.

– Las cantidades de las ofertas y las demandas son siempre las mismas, ya que no varían
con el tiempo.

– No toma en cuenta otros tipos de factores para asignar, sino solo el de los costos de
transporte.

Ejemplo

Se puede entender el concepto del método del costo mínimo a través del siguiente
problema:

En esta tabla, la oferta de cada fuente A, B, C es de 50, 40 y 60 unidades respectivamente.

La demanda de los tres minoristas X, Y, Z, es de 20, 95 y 35 unidades respectivamente.
Para todas las rutas se da el costo de transporte.

El costo mínimo de transporte se puede obtener siguiendo los pasos que se indican a
continuación:
El costo mínimo en la tabla es 3, con un empate en las celdas BZ y CX. Generalmente,
para obtener la mejor solución inicial debe elegirse el costo donde se pueda asignar la
mayor cantidad.

Por tanto, se asignarán 35 unidades a la celda BZ. Así se satisface la demanda del
minorista Z, quedando 5 unidades en la fuente B.

Explicación del método

Nuevamente, el costo mínimo es 3. Por tanto, se asignarán 20 unidades a la celda CX. Así
se cumple la demanda del minorista X, quedando 40 unidades en la fuente C.

El siguiente costo mínimo es 4. Sin embargo, la demanda de Z ya está completada. Se

pasa al siguiente costo mínimo, que es 5. También la demanda de X ya fue completada.

El siguiente costo mínimo es 6, con un empate entre tres celdas. Sin embargo, no se
pueden asignar unidades a las celdas BX y CZ, porque la demanda de los minoristas X y
Z está satisfecha. Entonces se asignan 5 unidades a la celda BY. Así se completa la oferta
de la fuente B.

El siguiente costo mínimo es 8, asignando 50 unidades a la celda AY, completando la

oferta de la fuente A.

El siguiente costo mínimo es 9. Se asignan 40 unidades a la celda CY, completando así

la demanda y la oferta de todos los destinos y fuentes. La asignación final resultante es:

El costo total se puede calcular multiplicando las cantidades asignadas por los costos de
las celdas correspondientes: Costo total= 50*8 + 5*6 + 35*3 + 20*3 + 40*9=955.
2. MÉTODO DE APROXIMACIÓN DE VOGEL

El método de aproximación de Vogel es un método heurístico de resolución de problemas

de transporte capaz de alcanzar una solución básica no artificial de inicio, este modelo
requiere de la realización de un número generalmente mayor de iteraciones que los demás
métodos heurísticos existentes con este fin, sin embargo produce mejores resultados
iniciales que los mismos.

Algoritmo de Vogel

Paso 1: Determinar para cada fila y columna una medida de penalización restando los
dos costos menores en filas y columnas.

Paso 2: Escoger la fila o columna con la mayor penalización, es decir que de la resta
realizada en el "Paso 1" se debe escoger el número mayor. En caso de haber empate, se
debe escoger arbitrariamente (a juicio personal).

Paso 3: De la fila o columna de mayor penalización 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 quedará satisfecha
por ende se tachará la fila o columna, en caso de empate solo se tachará 1, la restante
quedará 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 básicas en la fila o columna con el método de costos mínimos, detenerse.
- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine
las variables básicas cero por el método del costo mínimo, 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 de aproximación de Vogel

Consideremos un problema de transporte balanceado que tiene 3 fuentes de oferta (silos)

y 4 fuentes de demanda (molinos). Los valores numéricos en la esquina superior derecha
de cada cuadro, en adelante representan el costo unitario de transporte desde el silo i al
molino j. Por ejemplo es el costo unitario de transporte desde el silo 1 al molino
1.
Según lo descrito anteriormente el primer paso consiste en calcular el factor de
penalización para cada fila y columna de la tabla que representa el problema de transporte
anterior. Por ejemplo, en la fila 1 el mínimo costo es $2 y y el costo unitario siguiente al
mínimo es $10. En consecuencia la penalización de dicha fila es $8 ($10-$2). Se replica
el mismo cálculo para cada fila y columna de la tabla lo cual es trivial y reporta los
siguientes resultados (se han marcado las penalizaciones de las respectivas filas y
columnas con color naranjo para mayor claridad):

Como la fila 3 tiene la máxima penalización ($10) y la celda correspondiente a tiene

el costo unitario mínimo de esa fila, se asigna 5 unidades a (más no es necesario aun
cuando la capacidad del silo 3 lo permite dado que la demanda del molino 1 es de sólo 5
unidades). Con esto la columna 1 se debe tachar (lo hemos marcado con color amarillo)
y se procede a calcular las nuevas penalizaciones como se aprecia a continuación:
Ahora la penalización máxima es $9 ($11-$2) lo cual se alcanza en la fila 1. En
consecuencia se asigna la máxima cantidad posible a la variable , con lo que se obtiene
, y al mismo tiempo se satisfacen tanto la fila 1 como la columna 2. En forma
arbitraria se tacha la columna 2 y se ajusta a cero la oferta en la fila 1.

Al continuar de la misma forma, ahora la fila 2 es la que produce la máxima penalización

correspondiente a $11 ($20-$9), por tanto se asigna , con lo que se tacha la
columna 3 y quedan 10 unidades en la fila 2. Sólo queda la columna 4 y tiene 15 unidades
de oferta positiva. Al aplicar el Método del Costo Mínimo a esa columna, se asigna de
forma sucesiva (se recomienda verificar dichos resultados).
Notar adicionalmente que hay otras soluciones posibles que dependen de cómo se rompen
los empates.

El valor de la función objetivo asociado a esta solución factible inicial

es Z=15(2)+0(11)+15(9)+10(20)+5(4)+5(18)=$475

3. MÉTODO SIMPLEX:

El Método Simplex es un método iterativo que permite ir mejorando la solución en cada

paso. La razón matemática de esta mejora radica en que el método consiste en caminar
del vértice de un poliedro a un vértice vecino de manera que aumente o disminuya
(según el contexto de la función objetivo, sea maximizar o minimizar), dado que el
número de vértices que presenta un poliedro solución es finito siempre se hallará
solución.

La programación lineal puede ser utilizada para la resolución de modelos de transporte,

aunque no sea sensato resolver los modelos mediante el Método Simplex, si puede ser
de gran utilidad la fase de modelización, la programación carece de la practicidad de los
métodos de asignación, pero puede ser de gran importancia dependiendo de la
complejidad de las restricciones adicionales que puede presentar un problema particular.

A continuación, se mostrará cómo se utilizará el método simplex:

Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

Se consideran las siguientes fases:

Paso 1: Realizar un cambio de variables y normalizar el signo de los términos

independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la

correspondencia siguiente:

 x pasa a ser X1
 y pasa a ser X2

Como los términos independientes de todas las restricciones son positivos no es necesario
hacer nada. En caso contrario habría que multiplicar por "-1" en ambos lados de la
inecuación (teniendo en cuenta que esta operación también afecta al tipo de restricción).

Paso 2: Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales según la tabla siguiente:

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de las
restricciones del tipo ≤, para convertirlas en igualdades, resultando el sistema de
ecuaciones lineales:

2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24

Paso 3: Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

Paso 4: Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los coeficientes de las
variables de decisión del problema original y las de holgura, exceso y artificiales
agregadas en el paso 2 (en las columnas, siendo P0 el término independiente y el resto de
variables Pi coinciden con Xi), y las restricciones (en las filas). La columna Cb contiene
los coeficientes de las variables que se encuentran en la base.

La primera fila está formada por los coeficientes de la función objetivo, mientras que la
última fila contiene el valor la función objetivo y los costes reducidos Zj - Cj.

La última fila se calcula como sigue: Zj = Σ (Cbi·Pj) para i = 1.m, donde si j = 0, P0 =

bi y C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la primera tabla del método
Simplex y ser todos los Cb nulos se puede simplificar el cálculo, y por esta vez disponer
Zj = -Cj.

Paso 5: Condición de parada.

Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no existe

ningún valor negativo entre los costes reducidos (columnas P1 en adelante) se alcanza la
condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El valor
de Z (columna P0) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base todos los valores
son negativos o nulos. Esto indica que el problema no se encuentra acotado y su solución
siempre resultará mejorable. Ante esta situación no es necesario continuar iterando
indefinidamente y también se puede dar por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa.

Paso 6: Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se escoge la
columna cuyo valor en la fila Z sea el menor de entre todos los negativos. En este caso
sería la variable X1 (P1) de coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de
empate), entonces se optará por aquella variable que sea básica.
La columna de la variable que entra en la base se llama columna pivote (en color verde).

Una vez obtenida la variable que entra en la base, se procede a determina cual será la
variable que sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir
cada término independiente (columna P0) entre el elemento correspondiente de la
columna pivote, siempre que ambos elementos sean estrictamente positivos (mayores que
cero). Se escoge la fila cuyo resultado haya resultado mínimo.

Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de
que todos los elementos de la columna pivote fueran de ésta condición se habría cumplido
la condición de parada y el problema tendría una solución no acotada

En este ejemplo: 18/2 [=9], 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar al menor cociente
positivo indica la fila de la variable de holgura que sale de la base. En este caso resulta
ser X5 (P5), de coeficiente 3. Esta fila se llama fila pivote (en color verde).

Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el
elemento saliente de la base (caso de empate), se escoge aquella que no sea variable básica
(siempre que sea es posible).

La intersección de la fila pivote y columna pivote marca el elemento pivote, en este caso
el 3.

Paso 7: Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

 En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en

Columna Pivote * Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto de
elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan).

Se muestran a continuación los cálculos para la fila P4:

La tabla correspondiente a esta segunda iteración es:

Paso 8: Al comprobar la condición de parada se observa que no se cumple ya que entre

los elementos de la última fila hay uno negativo, -1. Se continúa iterando nuevamente
los pasos 6 y 7.

 6.1. La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.

 6.2. Para calcular la variable que sale, se dividen los términos de la columna
P0 entre los términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] ,
26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor cociente positivo es 6, la variable
que sale de la base es X3 (P3).

 6.3. El elemento pivote es 1/3.

 7. Actualizando nuevamente los valores de la tabla se obtiene:

Paso 9: Una nueva comprobación de la condición de parada revela que entre los
elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa que aun no se
ha llegado a la solución óptima y hay que seguir iterando (pasos 6 y 7):

 6.1. La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.

 6.2. Se escoge la variable que sale calculando el cociente entre los términos de la
columna de términos independientes y los términos correspondientes de la nueva
columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4 (P4).

 6.3. El elemento pivote es 4.

  7. Después de actualizar todas las filas, se obtiene la tabla siguiente:

Paso 10: Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por
tanto, la condición de parada.

La solución óptima viene dada por el valor de Z en la columna de los términos

independientes (P0), en este ejemplo: 33. En la misma columna se puede ver el punto
donde se alcanza, observando las filas correspondientes a las variables de decisión que
han entrado en la base: X1 = 3 y X2 = 12.

Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.

Como ya se ha visto cómo funciona este método a continuación se mostrará un ejemplo

de problema que sería de localización de planta por el método de simplex, del cual
tenemos su planteamiento a continuación:

EJEMPLO
Una empresa tiene la exclusiva para la distribución de un producto en 4 poblaciones. En
un estudio de mercado se ha determinado la demanda potencial, según se muestra en la
siguiente tabla:
Población 1 Población 2 Población 3 Población 4

3000 unidades 2000 unidades 2500 unidades 2700 unidades

Se sabe que los costes de transporte son de 0.02€ por Km y unidad transportada. La
distancia en Km existente entre los pueblos es la que figura en la tabla siguiente:

Población 1 Población 2 Población 3 Población 4

Población 1 - 25 35 40

Población 2 25 - 20 40

Población 3 35 20 - 30

Población 4 40 40 30 -
Para abaratar los costes de transporte se decide instalar un almacén con capacidad para
6000 unidades en dos de estas cuatro poblaciones. Determinar en qué poblaciones se
deben instalar los almacenes.
 Solución:

Determinar las variables de decisión y expresarlas algebraicamente. En este caso:

Xij: cantidad enviada del almacén i a la población j

Yi: almacén situado en la población i (0 indica que no hay ningún almacén y 1 que sí lo
hay)

Determinar las restricciones y expresarlas como ecuaciones o inecuaciones

dependientes de las variables de decisión. Dichas restricciones se deducen de la
siguiente manera:

Las unidades que se envían a cada población desde los almacenes deben cumplir con la
demanda de dicha población:

X11 + X21 + X31 + X41 ≥ 3000

X12 + X22 + X32 + X42 ≥ 2000
X13 + X23 + X33 + X43 ≥ 2500
X14 + X24 + X34 + X44 ≥ 2700
Solo se crearán dos almacenes:

Y1 + Y2 + Y3 + Y4 = 2

La cantidad de unidades que puede enviar cada almacén debe ser menor o igual que la
capacidad de éste:

X11 + X12 + X13 + X14 ≤ 6000·Y1

X21 + X22 + X23 + X24 ≤ 6000·Y2
X31 + X32 + X33 + X34 ≤ 6000·Y3
X41 + X42 + X43 + X44 ≤ 6000·Y4
Expresar todas las condiciones implícitamente establecidas por la naturaleza de las
variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar
determinados valores, ... En este caso las restricciones son que las unidades enviadas desde
cada almacén no pueden ser negativas y además la variable que determina si se creará o
no un almacén debe ser booleana (0 no se crea, 1 se crea):

Xij ≥ 0

Yi es booleano

Determinar la función objetivo:

Minimizar Z = 0.5·X12 + 0.7·X13 + 0.8·X14 + 0.5·X21 + 0.4·X23 + 0.8·X24 + 0.7·X31 +

0.4·X32 + 0.6·X34 + 0.8·X41 + 0.8·X42 + 0.6·X4
Como vemos que en la función objetivo tiene muchas variables, no se podría hacer
manualmente, por lo que en la actualidad se usa muchos paquetes(software) que se basan
en el método simplex como son WIN QSB

4. MÉTODO SINÉRGICO DE LOCALIZACIÓN DE PLANTAS (BROWN Y

GIBSON)

El Método Sinérgico o Método de Gibson y Brown es un algoritmo cuantitativo de

localización de plantas que tiene como objetivo evaluar entre diversas opciones, que sitio
ofrece las mejores condiciones para instalar una planta, basándose en tres tipos de
factores: críticos, objetivos y subjetivos.

Factores críticos

 Energía eléctrica
 Mano de obra
 Materia prima
 Seguridad

Factores objetivos

 Costo del lote

 Costo de mantenimiento
 Costo de construcción
 Costo de materia prima

Factores subjetivos

 Impacto ambiental
 Clima social
 Servicios comunitarios (Hospitales, bomberos, policía, etc
 Transporte
 Competencia
 Actitud de la comunidad
Etapas
Paso 1: Asignar un valor binario a los factores críticos
Paso 2: Asignar un valor relativo a cada factor objetivo (FO) para cada
localización alternativa
Paso 3: Estimar un valor relativo de cada factor subjetivo (FS) para cada
localización
Paso 4: Combinar los factores objetivos, subjetivos y críticos mediante la
fórmula del algoritmo sinérgico:
Paso 5: Seleccionar la ubicación que tenga la máxima medida de
preferencia de localización (MPL o IL)

EJEMPLO
 En un proyecto se han identificado 4 localizaciones tentativas, en todas ellas los
costos del lote, mantenimiento, materia prima y construcción son diferentes.
Además, se han identificado como factores críticos para la continuidad de los
procesos la disponibilidad de Energía eléctrica y la Materia prima.

El siguiente tabulado representa los costos asociados y la calificación de

los factores críticos según un estudio previo:

Factores Críticos Factores Objetivos (Millones)

Costo
Ciudad Energía Materia Costo Costo Costo de
de Total
Eléctrica Prima del lote de MP construcción
mtto
A 1 1 $241 $40 $73 $728 $1082
B 1 1 $289 $25 $83 $641 $1038
C 1 0 $216 $23 $67 $719 $1025
D 1 1 $324 $26 $74 $612 $1036

El primer paso corresponde a calcular el valor relativo a cada factor

objetivo mediante la siguiente fórmula:

1
𝐹𝑂𝑖 =
1
𝐶𝑡𝑖 ∗ ∑𝑛𝑗=1 𝐶𝑡
𝑗

Reemplazando valores para el caso de la ciudad A, sería:

1
𝐹𝑂1 = = 0,2414
1 1 1 1
1082 ∗ (1082 + 1038 + + )
1025 1036
Al ser siempre la suma de los FO igual a 1, el valor que asume cada uno
de ellos es siempre un término relativo entre las distintas alternativas de
localización.

El siguiente paso corresponde a la determinación de los Factores

subjetivos. El carácter subjetivo de los factores de orden cualitativo hace necesario
asignar una medida de comparación que valore los distintos factores.

Por ejemplo:

Factor subjetivo Ponderación Deficiente Bueno Excelente

Disponibilidad de
30% 0% 15% 30%
mano de obra
Servicios
35% 0% 18% 35%
Comunitarios
Clima Social 20% 0% 10% 20%
Impacto Social 15% 0% 8% 15%
Total 100%
 Para el ejemplo, las ponderaciones se asignaron de tal manera:

Factor Subjetivo Ponderación Ciudad A Ciudad B Ciudad C Ciudad D

Disponibilidad de mano de
30% 15% 15% 30% 15%
obra
Servicios Comunitarios 35% 18% 18% 18% 18%
Clima Social 20% 20% 10% 20% 10%
Impacto Social 15% 0% 8% 15% 15%
Total (FS) 100% 53% 51% 83% 58%

El siguiente paso corresponde a la combinación de los factores críticos,

objetivos y subjetivos mediante la fórmula del algoritmo sinérgico:

𝐼𝐿𝑖 = 𝐹𝐶𝑖 ∗ ((𝐹𝑂𝑖 ∗ 𝛼) + (1 − 𝛼) ∗ 𝐹𝑆𝑖 )

Donde alfa equivale al nivel de confiabilidad (En nuestro ejemplo será del
80%, es decir que alfa equivale a 0,8) y 𝐹𝐶𝑖 es el producto de sus factores críticos.

El índice de localización para la ciudad A sería de la siguiente manera:

𝐼𝐿1 = (1) ∗ ((0,2414 ∗ 0.8) + (0.2) ∗ 0.53) = 0,2991

La siguiente tabla muestra los índices de localización de todas las ciudades.

Se puede observar que la ciudad C tiene un índice de localización equivalente a
0,0000 esto motivado por el factor crítico Materia Prima, mientras la ciudad que
tiene el mayor índice de localización es la ciudad D, por lo cual sería esta última
la mejor opción.

Ciudad Indicador de Localización

A 0,2991
B 0,3023
C 0,0000
D 0,3177

5. MODELO DE PROGRAMACION LINEAL MIXTA O PROGRAMACION

ENTERA MIXTA

Un modelo de Programación Entera Mixta (PEM) es un híbrido entre

la Programación Lineal (PL) y la Programación Entera (PE), es decir, corresponde a
una categoría particular de modelamiento matemático con características similares a
la Programación Lineal pero donde un subconjunto de las variables de decisión deben
adoptar valores enteros o binarios. Esta característica de la Programación Entera Mixta
permite representar situaciones de naturaleza real como los problemas que consideran
la inclusión de costos fijos. En este contexto el siguiente artículo aborda la formulación
de un Problema de Localización y Transporte el cual se describe a continuación.
 EJEMPLO

Una ciudad tiene 10 zonas o áreas urbanas cada una de los cuales genera una
determinada cantidad de basura (en toneladas) durante el periodo de planificación
según se describe a continuación:

La basura generada debe ser transportada a centros de depósitos o vertederos entre un

total de 5 candidatos posibles, cada uno de los cuales tiene un costo fijo de construcción
en dólares.

Adicionalmente se ha estimado el costo de transportar una tonelada de basura desde una

zona a cada uno de los potenciales centros de depósito, el cual depende básicamente de
la distancia a recorrer y el tipo de transporte seleccionado.

Formule un modelo de Programación Entera Mixta que permita seleccionar los centros
de depósito a construir y la política de transporte de basura que minimiza los costos
totales.

Solución

1. Variables de Decisión:
Sea i=1,…,10 las Zonas y j=1,…,5 los Depósitos:

2. 2. Función Objetivo:
Con el propósito de trabajar con una notación compacta podemos definir el siguiente
conjunto de parámetros para el modelo de optimización:
 Tij: Costo de transportar una tonelada de basura desde la Zona i al Depósito j
  Fj: Costo fijo de construcción del Depósito j
3. Restricciones:
Se debe despachar (transportar) la totalidad de la basura que genera cada Zona (definimos
para ello el parámetro Ai como la cantidad de basura en toneladas que genera la Zona i).

Se debe respetar la capacidad de almacenamiento de basura para cada Depósito,

utilizándolo sólo en caso que se decida su construcción. Para ello definimos el
parámetro Cj como la capacidad de almacenamiento de basura en toneladas del Depósito
j. Lo anteriormente expuesto explica la ponderación de la capacidad por la variable
binaria para cada j.

Finalmente establecemos condiciones de no negatividad para Xij>=0 Para todo i,j

y Yj{0,1} para todo j.

A continuación te presentamos los resultados que alcanzamos con Solver.

Resolución con Solver: Se alcanza una solución factible con un costo total asociado
de US$12.617.919.

6. MÉTODO DELPHI

El método Delphi se engloba dentro de los métodos de prospectiva, que estudian el

futuro, en lo que se refiere a la evolución de los factores del entorno tecno-socio-
económico y sus interacciones.

El primer estudio de Delphi fue realizado en 1950 por la Rand Corporation para la
fuerza aérea de Estados Unidos, y se le dio el nombre de Proyecto Delphi. Su objetivo
era la aplicación de la opinión de expertos a la selección de un sistema industrial
norteamericano óptimo y la estimación del número de bombas requeridas para reducir
la producción de municiones hasta un cierto monto.

Es un método de estructuración de un proceso de comunicación grupal que es

efectivo a la hora de permitir a un grupo de individuos, como un todo, tratar un
problema complejo. (Linstone y Turoff, 1975)

La capacidad de predicción de la Delphi se basa en la utilización sistemática de un

juicio intuitivo emitido por un grupo de expertos.

El objetivo de los cuestionarios sucesivos, es “disminuir el espacio intercuartil, esto

es cuanto se desvía la opinión del experto de la opinión del conjunto, precisando la
mediana”, de las respuestas obtenidas.

Dentro de los métodos de pronóstico, habitualmente se clasifica al método delphi

dentro de los métodos cualitativos o subjetivos.

La calidad de los resultados depende, sobre todo, del cuidado que se ponga en la
elaboración del cuestionario y en la elección de los expertos consultados.

Este método se emplea bajo las siguientes condiciones:

 No existen datos históricos con los que trabajar

 El impacto de los factores externos tiene más influencia en la evolución que el de
los internos
 Las consideraciones éticas y morales dominan sobre las económicas y
tecnológicas en un proceso evolutivo.
 Cuando el problema no se presta para el uso de una técnica analítica precisa.
 Cuando se desea mantener la heterogeneidad de los participantes a fin de asegurar
la validez de los resultados
 Cuando el tema en estudio requiere de la participación de individuos expertos en
distintas áreas del conocimiento.

Características:

Anonimato: Durante el Delphi ningún experto conoce la identidad de los otros que
componen el grupo de debate.

Iteración y realimentación controlada: La iteración se consigue al presentar varias

veces el mismo cuestionario, lo que permite disminuir el espacio intercuartil, ya que
se consigue que los expertos vayan conociendo los diferentes puntos y puedan ir
modificando su opinión.

- Respuesta del grupo en forma estadística: La información que se presenta a los

expertos no es solo el punto de vista de la mayoría sino que se presentan todas las
opiniones indicando el grado de acuerdo que se ha obtenido.
 - Heterogeneidad: Pueden participar expertos de determinadas ramas de actividad
sobre las mismas bases.

El método consta de 4 pasos:

Paso 1: Definición de objetivos:

En esta primera fase se plantea la formulación del problema y un objetivo general que
estaría compuesto por el objetivo del estudio, el marco espacial de referencia y el
horizonte temporal para el estudio.

Paso2: Selección de expertos: Esta fase presenta dos dimensiones:

 Dimensión cualitativa: Se seleccionan en función del objetivo prefijado y

atendiendo a criterios de experiencia posición responsabilidad acceso a la información
y disponibilidad.
 Dimensión Cuantitativa: Elección del tamaño de la muestra en función de los
recursos medios y tiempo disponible.

Formación del panel. Se inicia la fase de captación que conducirá a la

configuración de un panel estable. En el contacto con los expertos conviene
informarles de:

 Objetivos del estudio

 Criterios de selección
 Calendario y tiempo máximo de duración
 Resultados esperados y usos potenciales
 Recompensa prevista (monetaria, informe final, otros)

Paso 3: Elaboración y lanzamiento de los cuestionarios: Los cuestionarios se

elaboran de manera que faciliten la respuesta por parte de los encuestados. Las
respuestas habrán de ser cuantificadas y ponderadas (año de realización de un evento,
probabilidad de un acontecimiento…)

Paso 4: Explotación de resultados: El objetivo de los cuestionarios sucesivos es

disminuir la dispersión y precisar la opinión media consensuada. En el segundo envío
del cuestionario, los expertos son informados de los resultados de la primera consulta,
debiendo dar una nueva respuesta. Se extraen las razones de las diferencias y se realiza
una evaluación de ellas. Si fuera necesario se realizaría una tercera oleada.

Ventajas del método:

• Permite obtener información de puntos de vista sobre temas muy amplios o muy
específicos. Los Ejercicios Delphi son considerados “holísticos”, cubriendo una
variedad muy amplia de campos.

• El horizonte de análisis puede ser variado.

 • Permite la participación de un gran número de personas, sin que se forme el caos.

• Ayuda a explorar de forma sistemática y objetiva problemas que requieren la

concurrencia y opinión cualificada.

• Elimina o aminora los efectos negativos de las reuniones de grupo “Cara-Cara”.

Inconvenientes:

• Su elevado coste.

• Su tiempo de ejecución (desde el período de formulación hasta la obtención de los

resultados finales).

• Requiere una masiva participación para que los resultados tengan significancia
estadística. Pero el grupo debe tener un alto grado de correspondencia con los temas a
ser tratados en el ejercicio.

• Una parte crítica del método son las preguntas del cuestionario.

• Sesgos en la elección correcta de los participantes.

• Elevado número de deserciones debido al tiempo.

Tras realizar las 4 fases de este método se realiza un informe final, el cual ayudará
en la toma de decisiones sobre el problema u objetivos planteados inicialmente.