UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA Y METALÚRGICA

ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

TEMA: APLICACIÓN DEL MÉTODO SÍMPLEX A UNA OPERACIÓN MINERA

TRABAJADA POR EL MÉTODO OPEN-PIT
CURSO: INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES (PA713S)
DOCENTE: CARLOS AGREDA, Ph. D
INTEGRANTES:
ALANIA ESPÍRITU, LUIS GERARDO 20152112K
ESTEBAN PÉREZ, LINCOLN EDUARDO 20141160I
BERNABÉ TORREJÓN, JULIO DARÍO 20150057B
ZORRILLA ALIAGA, POL BRUCE 20150151I
2017-2

1
INTRODUCCIÓN

El presente trabajo se enfoca en el estudio del método símplex, un método utilizado

para resolver problemas de programación lineal, sus fundamentos y su aplicación a
una operación minera trabajado por el método de open-pit.
Este método fue desarrollado por George Dantzig en 1947, reconocido como el
pionero más importante de la investigación de operaciones y el padre de la
programación lineal debido a este método. Se ha comprobado la elevada eficiencia
de este método y se observa su uso en la resolución de problemas grandes en las
computadoras actuales. También se utilizan extensiones y variaciones del método
símplex para realizar análisis post-óptimo (incluye el análisis de sensibilidad) del
modelo.
Se describen y ejemplifican las características principales del método símplex, se
analizan las propiedades algebraicas y geométricas que fundamentan el método
símplex y, finalmente, se desarrolla el procedimiento para resolver cualquier modelo
de programación lineal que se establezca en forma estándar.

OBJETIVOS

Estudiar el método símplex y sus aplicaciones.

Comprender la naturaleza general del método símplex.
Entender los fundamentos que sostienen el método símplex.
Conocer la aplicación que tiene el método símplex en una operación minera
trabajada por el método open-pit.

2
FUNDAMENTOS DEL MÉTODO SÍMPLEX

Se analizará las propiedades algebraicas y geométricas detrás del método símplex.

Ecuación de frontera de restricción
Se obtiene al sustituir el signo ≤ o ≥ de una restricción por el =.

Restricciones Inecuación Ecuación

𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ 𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯

Funcionales + 𝑎𝑖𝑛 𝑥𝑛 ≤ + 𝑎𝑖𝑛 𝑥𝑛
≥ 𝑏𝑖 = 𝑏𝑖

De no negatividad 𝑥𝑗 ≤≥ 0 𝑥𝑗 = 0

Tabla 01. Ecuaciones de frontera de las restricciones.

Define una figura geométrica “plana” en el espacio n-dimensional (hiper-plano).
Forma la frontera de restricción de la correspondiente.
Separa los puntos que satisfacen la restricción de los que no.

Frontera de la región factible

Formada por soluciones factibles que satisfacen al menos una de las ecuaciones
de frontera de las restricciones.

Solución factible en el vértice (FEV)

Solución factible que no se encuentra en cualquier segmento rectilíneo que conecta
a otra dos soluciones factibles.
Solución simultánea de un sistema de n ecuaciones de frontera de restricción
(ecuaciones de definición).
Cada solución FEV se encuentra en la intersección de n fronteras de restricción. No
ocurre necesariamente lo inverso (solución no factible en el vértice).

3
 Figura 01. Región factible para n=2.

Arista de la región factible

Segmento de recta factible que se encuentra en la intersección de n-1 fronteras de
restricción (los puntos extremos son soluciones FEV).

Figura 02. Región factible para n=3.

4
Soluciones FEV adyacentes
Se dice de dos soluciones FEV en el cual el segmento de recta que las conecta es
una arista de la región factible.

Propiedades de las soluciones FEV

Para cualquier problema de programación lineal que tiene una región factible
acotada.
Propiedad N°1-1
“Si el problema tiene solo una solución óptima, esta debe ser una solución FEV”.
“Si el problema tiene soluciones óptimas múltiples, al menos dos deben ser
soluciones FEV adyacentes”.
Se puede mover el hiper-plano de la función objetivo hasta que toque solo un punto
en un vértice de la región factible (solución óptima).

Figura 03. La solución óptima es una solución FEV.

Demostración por contradicción

Supuesto: Existe solo una solución óptima y no es una FEV.
Se desprende, por definición de solución FEV, que deben existir otras dos
soluciones factibles tales que el segmento de recta que las une contiene a dicha
solución óptima.

5
 Valor de la función
Solución Notación
objetivo

Óptima 𝒙∗ 𝑍∗

Factible 1 𝒙′ 𝑍′

Factible 2 𝒙′′ 𝑍′′

Tabla 02. Notaciones de las soluciones utilizadas en la demostración.

Figura 04. Ecuación que relaciona 3 soluciones factibles.

Dado que los coeficientes de la función objetivo son constantes, se deduce que:
𝑍 ∗ = 𝛼𝑍 ′′ + (1 − 𝛼)𝑍′

6
 Casos posibles Resultados Interpretación

𝑍 ′ = 𝑍 ∗ = 𝑍′′ 𝒙′ 𝑦 𝒙′′ 𝑠𝑜𝑛 𝑡𝑎𝑚𝑏𝑖é𝑛 ó𝑝𝑡𝑖𝑚𝑎𝑠 Contradice el supuesto

𝑍 ′ < 𝑍 ∗ < 𝑍′′ 𝒙∗ 𝑛𝑜 𝑒𝑠 ó𝑝𝑡𝑖𝑚𝑎 Contradice el supuesto

𝑍 ′ > 𝑍 ∗ > 𝑍′′ 𝒙∗ 𝑛𝑜 𝑒𝑠 ó𝑝𝑡𝑖𝑚𝑎 Contradice el supuesto

Tabla 03. Conclusiones de la demostración por contradicción.

Se concluye que es imposible tener una solución óptima que no es una FEV.
La importancia de esta propiedad es que simplifica la búsqueda de una solución
óptima al solo tomarse en cuenta las soluciones FEV.

Propiedad N°2
“Existe solo un número finito de soluciones FEV”.
Cada solución en un vértice es la solución simultánea de un sistema de n
ecuaciones elegidas entre m + n ecuaciones de frontera de restricción.

𝑚+𝑛 (𝑚 + 𝑛)!
( )= 𝑒𝑠 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑓𝑖𝑛𝑖𝑡𝑜
𝑛 𝑚! 𝑛!
Dicho número es la cota superior del número de soluciones FEV.

Propiedad N°3
“Si una solución FEV no tiene soluciones FEV adyacentes que sean mejores que
ella (óptimas), entonces no existen soluciones FEV que sean mejores en cualquier
otra parte. Por lo tanto, dicha solución FEV es una solución óptima si el problema
tiene una región factible acotada”.
En cualquier problema de programación lineal, la región factible tiene la propiedad
de ser un conjunto convexo debido a que es la intersección de los conjuntos de
soluciones que satisfacen sus restricciones individuales, los cuales son conjuntos
convexos.

7
Aplicación N°1

Aplicación N°2

Una compañía minera que trabaja no metálicos tiene las plantas “P” y “Q”. Donde
se transforma la bauxita en aluminio. La planta “P” procesa 20000 TM de bauxita al
año con una ratio de concentración metalúrgica de 10 y a un costo de $100/TM, la
planta “Q” procesa 40000 TM de bauxita al año con una ratio de concentración
metalúrgica de 5 y aun costo de $300/TM.
Por otro lado, el aluminio producido es enviado a dos mercados “A” y “B” los cosos
de transporte por tonelada se muestran en la tabla I.
PLANTA COSTO DE
TRANSPORTE A LOS
MERCADOS ENVIADO
A ($) B ($)
A LOS MERCADOS
P 100 300
Q 200 400

Por otro lado, los requerimientos de los mercados “A” y “B” por año son 4000 y 3000 TM
de aluminio respectivamente. Calcular las cantidades de aluminio producidos por las
plantas P y Q de tal manera que el costo sea mínimo.
Solución

 Ratio de concentración metalúrgica:

Es la relación existente entre el N° de toneladas de mineral de cabeza y el N° de toneladas
de concentrado producido. Se interpreta como el N° de toneladas del mineral de cabeza
que se requiere para obtener una tonelada de concentrado.
𝑁° 𝑑𝑒 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑖𝑛𝑒𝑟𝑎𝑙 𝑑𝑒 𝑐𝑎𝑏𝑒𝑧𝑎
𝑅𝑎𝑡𝑖𝑜 𝑑𝑒 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑎𝑐𝑖𝑜𝑛 =
𝑁° 𝑑𝑒 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑑𝑜

8
 PRODUCCIOM DE BAUXITA PRODUCCION DE
(TM/año) EN LAS PLANTAS P Y ALUMINIO CONCENTADO
Q (TM/año) ENVIADO A LOS
MERCADOS

A(TM) B(TM)
P (10𝑋1 +10𝑋2 ) 𝑋1 𝑋2
Q (5𝑋3 +5𝑋4 ) 𝑋3 𝑋4

MODELAMIENTO
Función Objetivo:
Min Z = Costo de planta + Costo por transporte
Min Z = $100/TM x (10𝑋1+10𝑋2) + = $300/TM x (5𝑋3 +5𝑋4 ) + 100 x 𝑋1+ 300 x 𝑋2 +
200 x 𝑋3 + 400 x 𝑋4
Min Z = 1100 𝑋1 + 1300 𝑋2+1700 𝑋3+ 1900 𝑋4
Sujeto a las siguientes restricciones:
𝑋1+𝑋2≤ 2000 (restricción del total de TM de bauxita producidas en la planta P)
𝑋3+𝑋4≤8000 (restricción del total de TM de bauxita producidas en la planta Q)
𝑋1+𝑋4≥4000 (restricción del total de TM de aluminio requeridos por el mercado A)
𝑋2+𝑋4 ≥3000 (restricción del total de TM de aluminio requeridos por el mercado B)

9
 𝑋1,𝑋2,𝑋3,𝑋4 ≥0

Aplicamos el método simplex en la forma de coeficientes separados (tablero

simplex)
Min Z= 1100 𝑋1 + 1300 𝑋2+1700 𝑋3+ 1900 𝑋4 + 0 𝑆1 + 0 𝑆2 +0 𝑆3 + 0 𝑆4 + M𝑅1 + M
𝑅2 ………(O)
𝑋1+𝑋2+𝑆1= 2000 ……… (a’)
𝑋3+𝑋4+𝑆2 =8000 …………(b’)
𝑋1+𝑋3+𝑅1 -𝑆3 =4000 ……. (c’’)
𝑋2+𝑋4+𝑅2 -𝑆4 =3000 ………(d’’)

Variable básica: 𝑆1=2000, 𝑆2 =8000, 𝑅1 =4000, 𝑅2 = 3000

Variable no básica: 𝑋1=0, 𝑋2=0, 𝑋3=0, 𝑋4=0,𝑆3 =0, 𝑆4 =0
Variable Z 𝑋1 𝑋2 𝑋3 𝑋4 𝑆1 𝑆2 𝑆3 𝑆4 𝑅1 𝑅2 Valor
Básica
(a’) 𝑆1 0 1 1 0 0 1 0 0 0 0 0 2000
(b’) 𝑆2 0 0 0 1 1 0 1 0 0 0 0 8000
(c’’) 𝑅1 0 1 0 1 0 0 0 -1 0 1 0 4000
(d’’) 𝑅2 0 0 1 0 1 0 0 0 -1 0 1 3000
(O) Z 1 -1100 -1300 -1700 -1900 0 0 0 0 -M -M 0

O’=O + M d’’
O’’=O’+ M c’’
1ra Iteración
Variable Z 𝑋1 𝑋2 𝑋3 𝑋4 𝑆3 𝑆4 𝑆1 𝑆2 𝑅1 𝑅2 Valor
Básica
(a’) 𝑆1 0 1 1 0 0 0 0 1 0 0 0 2000
(b’) 𝑆2 0 0 0 1 1 0 0 0 1 0 0 8000
(c’’) 𝑅1 0 1 0 1 0 -1 0 0 0 1 0 4000
(d’’) 𝑅2 0 0 1 0 1 0 -1 0 0 0 1 3000
(O’’) Z 1 M-1100 M-1300 M-1700 M-1900 -M -M 0 0 0 0 7000M

10
 Variable Básica 𝑋1 Valor Valor/coeficiente
(a’) 𝑆1 1 2000 2000/1=2000
(b’) 𝑆2 0 8000 ∞
(c’’) 𝑅1 1 4000 4000
(d’’) 𝑅2 0 3000 ∞
(O’’) Z M-1100 7000M Mínimo = 2000

c’’’=c’’ – a’; O’’’=O’’-(M-1100) a’

2da Iteración
Variable Z 𝑋1 𝑋2 𝑋3 𝑋4 𝑆3 𝑆4 𝑆1 𝑆2 𝑅1 𝑅2 Valor
Básica
(a’) 𝑋1 0 1 1 0 0 0 0 1 0 0 0 2000
(b’) 𝑆2 0 0 0 1 1 0 0 0 1 0 0 8000
(c’’’) 𝑅1 0 1 -1 1 0 -1 0 -1 0 1 0 2000
(d’’) 𝑅2 0 0 1 0 1 0 -1 0 0 0 1 3000
(O’’’) Z 1 0 -200 M-1700 M-1900 -M -M -M+1100 0 0 0 5000M+2200000

Variable Básica 𝑋3 Valor Valor/coeficiente

(a’) 𝑋1 0 2000 2000/0=∞
(b’) 𝑆2 1 8000 8000
(c’’’) 𝑅1 1 2000 2000
(d’’) 𝑅2 0 3000 ∞
(O’’’) Z M-1700 5000M+2200000 Mínimo = 2000

b’’= b’ – c’’’; O’’’’= O’’’- (M-1700) c’’’

3ra Iteración
Variable Z 𝑋1 𝑋2 𝑋3 𝑋4 𝑆3 𝑆4 𝑆1 𝑆2 𝑅1 𝑅2 Valor
Básica
(a’) 𝑋1 0 1 1 0 0 0 0 1 0 0 0 2000
(b’’) 𝑆2 0 0 1 0 1 1 0 1 1 -1 0 6000
(c’’’) 𝑋3 0 0 -1 1 0 -1 0 -1 0 1 0 2000
(d’’) 𝑅2 0 0 1 0 1 0 -1 0 0 0 1 3000
(O’’’’) Z 1 0 M-1900 0 M-1900 -1700 -M -600 0 1700-M 0 3000M+5600000

Variable Básica 𝑋4 Valor Valor/coeficiente

(a’) 𝑋1 0 2000 2000/0=∞
(b’’) 𝑆2 1 8000 8000
(c’’’) 𝑋3 0 2000 ∞
(d’’) 𝑅2 1 3000 3000
(O’’’’) Z M-1900 3000M+5600000 Mínimo = 3000

11
 b’’’= b’’ – d’’; O’’’’’= O’’’’ – (M-1900) d’’
Variable Z 𝑋1 𝑋2 𝑋3 𝑋4 𝑆3 𝑆4 𝑆1 𝑆2 𝑅1 𝑅2 Valor
Básica
(a’) 𝑋1 0 1 1 0 0 0 0 1 0 0 0 2000
(b’’) 𝑆2 0 0 0 0 0 1 1 1 1 -1 -1 3000
(c’’’) 𝑋3 0 0 -1 1 0 -1 0 -1 0 1 0 2000
(d’’) 𝑋4 0 0 1 0 1 0 -1 0 0 0 1 3000
(O’’’’) Z 1 0 0 0 0 -1700 -1900 -600 0 1700-M 1900-M 11300000

La solución dada en este último tablero es la óptima, ya que los coeficientes de las
variables no básicas son negativas. Entonces la solución óptima es:
𝑋1=2000 TM; 𝑋2=0 TM; 𝑋3=2000 TM; 𝑋4=3000 TM;
La producción de aluminio por la planta P es 2000TM y la producción de aluminio
por la planta Q es 5000TM
Para que el costo sea mínimo la planta P debería producir 2000 TM de aluminio y
la planta Q 50000 TM de aluminio

12
CONCLUSIONES

Se concluye que el método símplex es un algoritmo eficiente y confiable para

resolver problemas de programación lineal. También es útil para el análisis post-
óptimo.
Se concluye que el método símplex es un procedimiento algebraico, a pesar de
tener una interpretación geométrica útil.

RECOMENDACIONES

Se recomienda repasar los conceptos de álgebra lineal y geometría del espacio,

muy útiles para el entendimiento del presente trabajo.
Se recomienda revisar la bibliografía completa presente en el anexo bibliografía del
presente trabajo, ya que contiene conceptos y problemas adicionales a los vistos.
Se recomienda probar los softwares del mercado dirigidos a este tema, tal como
LINDO y LINGO, también explicado en la bibliografía.

BIBLIOGRAFÍA

Frederick S. Hillier & Gerald J. Lieberman: Introducción a la Investigación de

Operaciones, Ed. 9, 2010.

13
ÍNDICE

Introducción 2

Objetivos 2

Fundamentos del método símplex 3

Propiedades de las soluciones FEV 5

Aplicación N°1 8

Aplicación N°2 8

Conclusiones 13

Recomendaciones 13

Bibliografía 13

14