Asignación de Procesadoras forestales

de la empresa Metsakone Ltda.

en faenas ubicadas en la región del Bio Bio.

Michael Hidalgo Espejo.

Martes , 11 Abril 2017.
 Resumen Ejecutivo
• Antecedentes de la empresa.
• Delimitación y limitaciones.
Antecedentes • Problemas y justificación.
• Objetivo general y específicos.

• Analisis procesadora.

Marco Teórico • Sistema de trabajo

• Investigación de Operaciones.

• Analisis equipos
Metodología • Analisis producción
• Descripcion de vaiables.

• Correlación de variables
Análisis y Resultado • Modelo de regresión multiple
• Modelo de Asignasión.
• Solución modelo de asignación.

Conclusión
Antecedentes
Antecedentes de la empresa
• 2002: Inicio de actividades.
• Ubicación: San Pedro de la paz.
• Equipos disponibles.
• Faenas.

Delimitación y limitaciones
• Ubicación faenas
• Datos entregados.
• Epoca del año.
 Antecedentes
• Necesidad de mejorar la • Disminuir las perdidas.
planeacion de la produccion. • Lograr ventajas
competitivas.
• Necesidad de Incorporar • Mejorar las técnicas
modelo de asignacion. existentes.
• Disminuir arbitraje, azar e
Problema Justificación incetidumbre.
• Aumentar la produccion.

• Identificar y caracterizar la
maquinaria a utilizar.
• Identificar variables
determinantes. Específicos
• Crear y Validar modelo de
regresion multiple por
procesadora.
• Analizar variablesde
optimizacion.
• Aplicar modelo de
asignacion.
Objetivos Objetivo • Asignar en forma optima
General
la maquinaria, según
condiciones de cada
faena, mejorarndo asi la
productividad del quipo
forestal.
 Marco Teórico
Análisis Procesadora

Investigación de
Operaciones

Análisis de
variables

Modelo de
Modelo de
Regresión
Asignación
Múltiple

Coeficiente de Prueba de t-
Correlación de Coeficiente de
correlación de Student y Excel.
variables Determinación R2
Pearson significancia de F

Diagrama de
Dispersión
 Marco Teórico
Modelo de Asignación

𝑚 𝑛
Min = ෍ 𝑋𝑖𝑗 ෍ 𝑋𝑖𝑗 C ij ij
𝑖=1 𝑗=1

1. Restricciones.

a) Para cada actividad o tarea, existirá solo una persona que lo realice.

𝑚
෍ 𝑋𝑖𝑗 = 1 ∀𝑗 = 1,2,3,4, . . . , 𝑛
𝑖=1

a) Se asigna solo una persona a cada una de las tareas.

𝑛
෍ 𝑋𝑖𝑗 = 1 ∀𝑖 = 1,2,3,4, . . . , 𝑛
𝑗=1
 Marco Teórico
Modelo de regresión.

• Se utiliza para estimar y calcular las

producciones esperadas en las distintas
faenas.
• Se utiliza para analizar la relación entre la
variables producción y las variables que
afectan a esta.
• Se utiliza para analizar el comportamiento
de la variables, para comprobar la
linealidad del modelo.
 Metodología
Desarrollo de la estrategia: Análisis de producción

Procesadoras forestales de Metsakone Ltda

Equipo Faena Cabezal Símbolo

Procesador LH 855D Arauco 10000 XT Logmax F1

Procesador LH 855D Arauco 370 E Komatsu F2

Procesador 260 B-D Arauco 10000 XT Logmax F3

Procesador LH 855D Fowi 10000 XT Logmax F4

Procesador LH 855D Fowi 370 E Komatsu F5

Procesador 260 B-D Fowi 10000 XT Logmax F6

Procesador LH 855D Formin 10000 XT Logmax F7

Procesador LH 855D Formin 370 E Komatsu F8

Procesador 260 B-D Formin 10000 XT Logmax F9

 Metodología
Desarrollo de la estrategia: Análisis de producción

Esquema de corte empleado por la procesadora.

Producto Largo Diámetro Observaciones

2,50 aserrable 2,50 m 20 cm y más

2,50 pulpable 2,50 m 8 cm y más Trozos 2,50 aserrable que tienen defecto

7,10 podado 7,10 m 28 a 64 cm

2,65 podado 2,65 m 30 cm y más

4,10 regular 4,10 m 18 a 44 cm Trozos con una cantidad regular de nudos

Pulpa variable 4a7m 8 a 18 cm

 Metodología
Desarrollo de la estrategia: Análisis de producción

Producción mensual procesadora de faena Fasa

F1 F2 F3 Total

m³ Totales 15.350 17.339 15.862 48.551

aa Totales 17.420 19.777 17.947 55.144

m³/aa 0,88 0,88 0,88 0,88

Horas Totales 224 255 234 238

m³/Hrs 68,53 68,00 67,79 68,11

 Metodología
Desarrollo de la estrategia: Análisis de producción

Procesadora Producción
Producción 3)
(mpor Producción ($)
en pesos Procesadora
F1 15.350 78.285.000
F2 17.339 88.428.900
F3 15.862 80.896.200
F4 16.983 86.613.300
F5 16.959 86.490.900
F6 16.325 83.257.500
F7 17.131 87.368.100
F8 17.049 86.949.900
F9 16.968 86.536.800
 Metodología
Desarrollo de la estrategia: Descripción de Variables

a) Pendiente: grados de una pendiente (º).

b) Densidad: cantidad de árboles por hectárea (aa/ha).

c) Volumen por árbol: metros cúbicos que tiene cada árbol (m³/aa).

d) Diámetro: medida del árbol en el sector de corte (cm).

e) Altura: medida del alto del árbol cortado (cm).

f) Horas de cosecha: horas de trabajo de la procesadora (hrs).

g) Consumo de petróleo: consumo de petróleo por tiempo de cosecha (lts).

 Análisis y resultado
Modelo de regresión Múltiple

t: 0 + 11 + 22 + 33 + 44 + 55 + 66 + 77 + 

Donde:
t: corresponde a la variable dependiente, que es el valor de la produccion diaria de
cada procesadora.
0: corresponde a la intercepción, es un término constante para cada procesadora.
1, 2, 3, 4, 5, 6, 7: corresponde al valor que tendran los parametros entregados
por el modelo de regresion y mediran la influencia que las variables analizadas sobre
la produccion.
1, 2, 3, 4 , 5, 6, 7: corresponde al valor de las variables de cada
procesadora.
: termino aleatorio
 Metodología
Desarrollo de la estrategia: Descripción de Variables

La descripción y selección adecuada de las variables que afectan la

producción de la procesadora forestal, es muy importante para poder realizar,
la asignación de forma adecuada.

Pendiente Densidad(aa Diámetro

Fecha m³/árbol Altura(c nº de horas Petróleo (Lts)
Equipo (º) /ha) (cm)
m)
F1 01-10-16 23 776 0,89 65 2600 8 284
F1 02-10-16 23 575 0,88 65 2500 9 324
F1 03-10-16 22 775 0,86 65 2600 8 303
F1 04-10-16 20 568 0,89 66 2700 8 269
F1 05-10-16 20 778 0,88 66 2600 8 295
F1 06-10-16 20 778 0,93 68 2700 9 319
F1 07-10-16 0 0 0,00 0 0 0 0
 Análisis y resultado
Correlación de variables.

Densidad Volumen por Horas de Petróleo

Producción (m³) Pendiente (º) Diámetro (cm) Altura(cm)
(aa/ha) árbol (m³/aa) cosecha (nº hrs) (Lts)

Producción
1
(m³)

Pendiente (º) -0,720377895 1

Densidad
0,06785909 0,017500589 1
(aa/ha)

Volumen por
0,477290596 -0,351089436 0,04777245 1
árbol (m³/aa)

Diámetro
0,635426349 -0,382801873 0,029794462 0,292843209 1
(cm)

Altura(cm) 0,547407548 -0,441874943 0,052744559 0,447644543 0,442228825 1

Horas de
cosecha (nº 0,10786231 -0,149237565 -0,09830136 0,050983006 0,037537208 0,089263657 1
hrs)

Petróleo (Lts) 0,133574139 -0,051975514 -0,037188108 0,076573774 0,098845057 0,088691571 0,483502577 1

 Análisis y resultado
Modelo de regresión Múltiple

• De acuerdo al valor de R, la variable producción se encuentra asociada en forma

directa de una manera muy fuerte con las variables independientes.
• De acuerdo a R2, ajuste del modelo, para cada procesadora es bueno, es decir,
variabilidad de las variables independientes a su promedio es explicado por el
modelo de regresión.

Procesadora R R² R² ajustado Error típico Observaciones

F1 0,9909 0,9818 0,9763 166.973,84 31
F2 0,9696 0,9402 0,9220 136.831,86 31
F3 0,9932 0,9865 0,9824 125.154,17 31
 Análisis y resultado
Modelo de regresión Múltiple

• F es mayor que el valor critico de F, por lo tanto las variables independientes si

afectan a la producción.
• Valores altos de F, lo que implica alta relación entre la variables.
• Valores críticos de F, son menores a 0,05 por lo tanto, el modelo es bueno para
explicar la producción y es estadísticamente significativo.

Procesadora F Valor critico de F

F1 177,2294142 1,8014E-18
F2 51,63323006 1,43085E-12
F3 240,3918107 5,77991E-20
 Análisis y resultado
Modelo de regresión Múltiple

Modelo de regresión Múltiple por Procesadora

Coeficientes Estadístico T Probabilidad

Intercepción 2.071,0558 0,024813861 0,980417471
Variable X1 -151.228,1210 -7,162339261 2,70932E-07
Variable X2 759,1310 1,675607823 0,107358675
Variable X3 4.833.894,5801 4,401019256 0,000207204
Variable X4 40.526,2300 1,686624206 0,105194554
Variable X5 -564,9525 -1,434452514 0,164901164
Variable X6 181.960,5046 1,617772202 0,11934544
Variable X7 -4.834,3088 -1,871570489 0,074039435

Solución modelo 1: 0 + 11 + 33 + 

 Análisis y resultado
Modelo de regresión Múltiple

Modelo de regresión Múltiple por Procesadora

Procesadora Variable Modelo

F1 Pendiente, volumen del árbol. 1: 0 + 11 + 33 + 

F2 Pendiente, diámetro del árbol. 2: 0 + 11 + 44 + 
Pendiente, diámetro del árbol y altura del
F3 3: 0 + 11 + 44 + 55 + 
árbol.
F4 Pendiente, altura del árbol. 5: 0 + 11 + 55 + 

F5 Pendiente, altura del árbol 5: 0 + 11 + 55 + 

F6 Pendiente, altura del árbol. 6: 0 + 11 + 55 + 

F7 Pendiente, altura del árbol. 7: 0 + 11 + 55 + 

F8 Pendiente 8: 0 + 11 + 
Pendiente, horas de cosecha, altura del
F9
árbol y densidad por superficie. 9: 0 + 11 + 22 + 55 + 66 + 
 Análisis y resultado
Modelo de regresión Múltiple

Al resolver el modelo de regresión, se obtienen los siguientes

valores de producción diaria por procesadora.

Procesadora/faena Arauco Fowi Formin

F1 931.020 7.203.186 3.745.942
F2 697.770 84.516 5.194.203
F3 3.913.931 5.835.916 4.509.160
F4 1.245.044 8.461.232 4.388.526
F5 169.938 69.503 5.315.850
F6 4.172.865 6.270.462 2.290.029
F7 1.043.926 7.672.535 3.990.491
F8 214.167 268.390 5.376.674
F9 4.085.372 6.228.654 3.333.642
 Análisis y resultado
Modelo de Asignación

Sea: Χ𝑖𝑗 = asignacion de la procesadora 𝑖 a la faena j.

Función objetivo:
9 9

𝑀𝑎𝑥 𝑍 = ෍ 𝑋𝑖𝑗 ෍ 𝑋𝑖𝑗 𝛲𝑖𝑗 𝛸𝑖𝑗

𝑖=1 𝑗=1

9
Restricciones: ෍ 𝑋𝑖𝑗 = 1 ∀𝑗 = 1,2,3,4,5,6,7,8,9.
𝑖=1
9

෍ 𝑋𝑖𝑗 = 1 ∀𝑖 = 1,2,3,4,5,6,7,8,9.
𝑗=1
 Análisis y resultado
Modelo de Asignación

A partir de las producciones diarias reales y también de las estimadas por el modelo,
se desarrollara el modelo de asignación, a partir de la matriz siguiente:
Procesadora Arauco Fowi Formin 1A 1B 1C 2A 2B 2C
F1 931.020 7.203.186 3.745.942 0 0 0 0 0 0
F2 697.770 84.516 5.194.203 0 0 0 0 0 0
F3 3.913.931 5.835.916 4.509.160 0 0 0 0 0 0
F4 1.245.044 8.461.232 4.388.526 0 0 0 0 0 0
F5 169.938 69.503 5.315.850 0 0 0 0 0 0
F6 4.172.865 6.270.462 2.290.029 0 0 0 0 0 0
F7 1.043.926 7.672.535 3.990.491 0 0 0 0 0 0
F8 214.167 268.390 5.376.674 0 0 0 0 0 0
F9 4.085.372 6.228.654 3.333.642 0 0 0 0 0 0
 Análisis y resultado
Solución Modelo de Asignación

Faena Procesadora Modelo Cabezal

Arauco F6 Procesador 260 B-D 10000 XT Logmax
Fowi F1 Procesador LH 855D 10000 XT Logmax
Formin F9 Procesador 260 B-D 10000 XT Logmax

Estimación Producción con asignación

Producción antes de asignar (m³) 16.968

Producción después de asignar (m³) 19.282
Horas de cosecha 235
 Conclusiones

1. Maximizar la producción en cada faena y con eso la

producción de la empresa.
2. El modelo permite apoyar la decisión de asignación
para nuevas faenas.
3. Se pretende validar el modelo.
4. Se limita la temporada de primavera.
5. Se logra obtener una producción estimada mensual.
FIN