APLICACIÓN DEL MÉTODO SÍMPLEX PARA MAXIMIZAR LA

PRODUCCIÓN DE UNA EMPRESA MINERA DE MÉTODO SUBTERRÁNEO

S. Cabanillas, J. Arias, J. Salazar, J. Jamanca
Asignatura: Investigación de Operaciones
Facultad de Ingeniería Geológica, Minera y Metalúrgica
Universidad Nacional de Ingeniería

Resumen
Las empresas mineras mantienen una política de maximizar la producción y minimizar las pérdidas para dar
continuidad a la operación, el uso del algoritmo símplex resuelve el problema de maximización de un modelo
matemático dado, por lo tanto, esta herramienta puede ser empleada en una empresa minera de método
subterráneo, asimismo, el uso de este tipo tecnologías debe ser obligatorio para la correcta toma de decisiones y
de este modo garantizar la continuidad de la industria minera.
Abstrac
Mining companies maintain a policy of maximizing production and minimizing losses to give continuity to the
operation, the use of the simplex algorithm solves the problem of maximizing a given mathematical model,
therefore, this tool can be used in a mining company Underground method, likewise, the use of this type of
technology must be obligatory for the correct decision making and in this way guarantee the continuity of the mining
industry.

INTRODUCCIÓN
El método SÍMPLEX es un procedimiento algebraico,
sin embargo, sus conceptos fundamentales
son geométricos es utilizado en la investigación de
operaciones para minimizar pérdidas o maximizar
ganancias. Además, la función objetivo debe
satisfacer todas las restricciones dadas. Fue
desarrollado por George Dantzigen 1947.
Según refiere [ CITATION Hil10 \l 10250 ] el método
símplex es un procedimiento algebraico está basado
en algunos conceptos geométricos bastante sencillos
que permiten usar el algoritmo para examinar un
número relativamente pequeño de soluciones
básicas factibles antes de alcanzar e identificar la
solución óptima.
Asimismo, el algoritmo símplex se usa para resolver
programación lineal que tiene miles de restricciones
y variables, además, para utlilizar el algoritmo
simplex este se debe convertir en un equivalente en
el cual las restricciones son ecuaciones y todas las
variables son no negativas, es decir, se debe llevar a
la forma estándar, en la que cada restricción de
desigualdad se debe reemplazar por una restricción
de igualdad. [ CITATION Win05 \l 10250 ].
Las restricciones del problema serán únicamente del
tipo "≤" (menor o igual), asimismo, los coeficientes
independientes sean mayores o iguales a 0. Por
tanto, las restricciones se tendrán que estandarizar
para que cumplan estos requisitos antes de iniciar
los cálculos.
En caso de que después del proceso aparezcan
restricciones del tipo "≥" (mayor o igual) o "="
(igualdad), o no se puedan cambiar, será necesario
emplear otros métodos de resolución, siendo el más
común el método de las Dos Fases.
PRESENTACIÓN DEL PROBLEMA
Las empresas mineras que explotan minerales por el
método subterráneo mantienen una política de
maximizar la producción y minimizar las pérdidas
para de esta manera garantizar ganancias y
continuidad en la operación.
Por lo tanto, se requiere establecer un procedimiento
matemático para determinar los escenarios en la que
se obtendrá las máximas ganancias, es decir, la
máxima producción al menor costo. Con esta
información la gerencia de la mina podrá tomar
decisiones optimas.
OBJETIVO
Maximizar producción de una empresa minera de
método subterráneo aplicando el algoritmo
SÍMPLEX.
METODOLOGÍA
El presente documento es una investigación
bibliográfica o documental del tipo informativa o
exploratoria.
La metodología usada para el desarrollo del presente
documento fue dividida en las siguientes fases: 1.
Elección del tema, 2. Introducción, 3. Presentación
del problema y Objetivos, 4. Metodología, 5.
Desarrollo del trabajo, 6. Conclusiones y resumen, 7.
Exposición.
DESARROLLO DE LA INVESTIGACIÓN
Según [ CITATION Hil10 \l 10250 ], el método
símplex se puede resolver de 03 maneras:
algebraica, tabular y matricial.
Para el presente documento, desarrollaremos la
forma tabular del método símplex o tableaus símplex

1
en la que utiliza las operaciones elementales en los
renglones equivalentes de la misma manera.
Forma Estándar del Modelo Matemático
La forma estándar del modelo de problema consta de
una función objetivo sujeta a determinadas
restricciones:
Función objetivo
Z: C 1 · X 1 +C 2 · X 2+ C 3 · X 3+ C 4 · X 4 .... C n · X n
S.T.
a 11 . x 1+ a12 . x 2+ …+a1 n . x n =b1
a 21 . x 1 +a22 . x 2 +…+ a2 n . x n=b 2
a m 1 . x1 + am 2 . x 2+ …+a mn . xn =bm x 1 … … … x n ≥0
Condiciones del modelo
1. El objetivo consistirá en maximizar o
minimizar el valor de la función objetivo (por
ejemplo, incrementar ganancias o reducir
pérdidas, respectivamente).
2. Todas las restricciones deben ser
ecuaciones de igualdad (identidades
matemáticas).
3. Todas las variables (xi) deben tener valor
positivo o nulo (condición de no negatividad).
4. Los términos independientes (bi) de cada
ecuación deben ser no negativos.
5. El problema a modelar debe adaptarse a la
forma estándar para poder aplicar el
algoritmo del SÍMPLEX.
Tipo de optimización.
Se presentan dos opciones:
 Obtener el valor óptimo mayor (maximizar)
 Obtener el valor óptimo menor (minimizar).
Objetivo de maximización
Condición de parada: cuando en la fila Z no aparece
ningún valor negativo.
Condición de entrada a la base: el menor valor
negativo en la fila Z (o el de mayor valor absoluto
entre los negativos) indica la variable Pj que entra a
la base.
Condición de salida de la base: una vez obtenida la
variable entrante, la variable que sale se determina
mediante el menor cociente P0/Pj de los
estrictamente positivos.
Objetivo de minimización
Condición de parada: cuando en la fila Z no aparece
ningún valor positivo.
Condición de entrada a la base: el mayor valor
positivo en la fila Z indica la variable Pj que entra a la
base.
2
Condición de salida de la base: una vez obtenida la
variable entrante, la variable que sale se determina
mediante el menor cociente P0/Pj de los
estrictamente negativos.
No obstante, es posible normalizar el objetivo del
problema con el fin de aplicar siempre los mismos
criterios en lo referente a la condición de parada del
algoritmo y a las condiciones de entrada y salida de
las variables de la base.
De esta forma, si el objetivo es minimizar la solución,
se puede cambiar el problema a otro equivalente de
maximización simplemente multiplicando la función
objetivo por "1".
Cambio de signo de los términos independientes.
Los términos independientes (bi) de cada ecuación
deben ser no negativos para poder emplear el
método SÍMPLEX. A tal fin, si alguna de las
restricciones presenta un término independiente
menor que 0 habrá que multiplicar por "-1" ambos
lados de la inecuación (teniendo en cuenta que esta
operación también afecta al tipo de restricción).
Puede resultar que en las restricciones donde
tengamos que modificar los signos de las constantes,
los tipos de desigualdad fueran "≤" (quedando tras la
operación del tipo "≥") siendo necesario desarrollar el
método de las Dos Fases.
Si existe alguna restricción del tipo "=" no supondría
ninguna ventaja ni desventaja puesto que siempre
sería de necesaria aplicación el método de las Dos
Fases.
Normalización de las restricciones
Otra de las condiciones del modelo estándar del
problema es que todas las restricciones sean
ecuaciones de igualdad (también llamadas
restricciones de igualdad), por lo que hay que
convertir las restricciones de desigualdad o
inecuaciones en dichas identidades matemáticas.
La condición de no negatividad de las variables
(x1,..., xn ≥ 0) es la única excepción y se mantiene
tal cual.
Restricción de tipo "≤"
Para normalizar una restricción con una desigualdad
del tipo "≤", hay que añadir una nueva variable,
llamada variable de holgura xs (con la condición de
no negatividad: xs ≥ 0).
Esta nueva variable aparece con coeficiente cero en
la función objetivo, y sumando en la ecuación
correspondiente (que ahora sí será una identidad
matemática o ecuación de igualdad).
a 11 . x 1+ a12 . x 2≤b 1 a 11 . x 1+ a12 . x 2+1. x s= b 1
Restricción de tipo "≥"
En caso de una desigualdad del tipo "≥", también hay
que añadir una nueva variable llamada variable de
exceso xs (con la condición de no negatividad: xs ≥
0).
Esta nueva variable aparece con coeficiente cero en Para tener una visión más clara de la tabla, se
la función objetivo, y restando en la ecuación incluye una fila que contiene los títulos de cada una
correspondiente.). de las columnas.
Surge ahora un problema con la condición de no Sobre esta tabla se agregan dos nuevas filas: una de
negatividad con esta nueva variable del problema. ellas, que lidera la tabla, donde aparecen los
Las inecuaciones que contengan una desigualdad de coeficientes de las variables de la función objetivo, y
tipo "≥" quedarán: una última fila que recoge el valor la función objetivo
y los costes reducidos Zj - Cj.
a 11 . x 1+ a12 . x 2 ≥b 1   a 11 . x 1+ a12 . x 2-1. x s= b 1
Los costes reducidos muestran la posibilidad de
Al realizar la primera iteración con el método mejora en la solución Z0. Por este motivo también
SÍMPLEX, las variables básicas no estarán en la son llamados valores indicadores.
base y tomarán valor cero. En este caso la nueva
variable xs, tras hacer cero a x1 y x2, tomará el valor En la Tabla 1, se muestra a continuación el aspecto
-b1 y no cumpliría la condición de no negatividad. general de método SÍMPLEX tabular:
Tabla 1. Tableus SÍMPLEX
Es necesario añadir otra nueva variable xr, llamada
variable artificial, que también aparecerá con
coeficiente cero en la función objetivo y sumando en C1 C2 ... Cn
la restricción correspondiente. Base Cb P0 P1 P2 ... Pn
Queda de la siguiente manera: P1 Cb1 b1 a11 a12 ... a1n
a 11 . x 1+ a12 . x 2 ≥b 1 a 11 . x 1+ a12 . x 2-1. x s +1. xr = P2 Cb2 b2 a21 a22 ... a2n
b1 ... ... ... ... ... ... ...
Restricción de tipo "=" Pm Cbm bm am1 am2 ... amn
Al contrario de lo que cabría pensar, para las Z Z0 Z1-C1 Z2-C2 ... Zn-Cn
restricciones de tipo "=" (aunque ya son identidades) Fuente: Adaptado de [ CITATION Win05 \l 10250 ].
también es necesario agregar variables artificiales xr.
Como en el caso anterior, su coeficiente será cero en Todos los valores incluidos en la tabla vendrán
la función objetivo y aparecerá sumando en la dados por el modelo del problema salvo los valores
restricción correspondiente. de la fila Z (o fila indicadora).

a 11 . x 1+ a12 . x 2=b 1   a 11 . x 1+ a12 . x 2+1. x r= b 1 Estos se obtienen de la siguiente forma: Z j =

En el último caso se hace patente que las variables
artificiales suponen una violación de las leyes del
álgebra, por lo que será necesario asegurar que
dichas variables artificiales tengan un valor 0 en la
solución final.
De esto se encarga el método de las Dos Fases y
por ello siempre que aparezcan este tipo de variables
habrá que realizarlo.
DESARROLLO DEL MÉTODO SÍMPLEX
Luego de estandarizar el modelo se siguen los
siguientes pasos:
1. Construcción de la primera tabla:
Las columnas de la tabla están dispuestas de la
siguiente forma:
Primera columna: contiene las variables que se
encuentran en la base (o variables básicas), esto es,
aquellas que toman valor para proporcionar una
solución; la
Segunda columna: recoge los coeficientes que
dichas variables básicas tienen en la función objetivo
(esta columna es llamada Cb).
Tercera muestra el término independiente de cada
restricción (P0); a partir de ésta aparece una
columna por cada una de las variables de decisión y
holgura presentes en la función objetivo (Pj).
3
Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y C0 =
0, y en caso contrario Pj = aij.
Se observa, al realizar el método SÍMPLEX, que en
esta primera tabla ocupan la base todas las variables
de holgura y por ello (todos los coeficientes de las
variables de holgura son 0 en la función objetivo) el
valor inicial de Z es cero.
Por este mismo motivo tampoco es necesario
realizar los cálculos de los costes reducidos en la
primera tabla, pudiéndose determinar directamente
como el cambio de signo de los coeficientes de cada
variable en la función objetivo, esto es, -C j.
2. Condición de parada:
Se cumple la condición de parada cuando la fila
indicadora no contiene ningún valor negativo entre
los costes reducidos (cuando el objetivo es la
maximización), esto es, no existe posibilidad de
mejora.
Si no se cumple la condición de parada es necesario
realizar una iteración más del algoritmo, esto es,
determinar la variable que se vuelve básica y la que
deja de serlo, encontrar el elemento pivote, actualizar
los valores de la tabla y comprobar si se cumple
nuevamente la condición de parada.
Es también posible determinar que el problema no se
encuentra acotado y su solución siempre resultará
mejorable. En tal caso no es necesario continuar
iterando indefinidamente y se puede finalizar el
algoritmo. Esta situación ocurre cuando en la
columna de la variable entrante a la base todos los
valores son negativos o nulos.
3. Elección de la variable que entra a la
base:
Cuando una variable se vuelve básica, es decir,
entra en la base, comienza a formar parte de la
solución. Observando los costes reducidos en la fila
Z, se decide que entra a la base la variable de la
columna en la que éste sea el de menor valor (o de
mayor valor absoluto) entre los negativos.
4. Elección de la variable que sale de la
base:
Una vez obtenida la variable entrante, se determina
que sale de la base la variable que se encuentre en
aquella fila cuyo cociente P0/Pj sea el menor de los
estrictamente positivos (teniendo en cuenta que esta
operación se hará únicamente cuando P j sea
superior a 0).
 Elemento pivote:
El elemento pivote de la tabla queda marcado por la
intersección entre la columna de la variable entrante
y la fila de la variable saliente.
 Actualización de la tabla:
Las filas correspondientes a la función objetivo y a
los títulos permanecerán inalteradas en la nueva
tabla. El resto de los valores deberán calcularse
como se explica a continuación:
 Paso 2: Determinar las restricciones y se
expresarlas como ecuaciones o
inecuaciones dependientes de las variables
de decisión:
A11 . X 1 + A12 . X 2+ …+ A 1 n . X n ≥ , ≤ o=b 1
A21 . X 1+ A 22 . X 2 +…+ A 2n . X n ≥, ≤ o=b2
Am 1 . X 1+ A m 2 . X 2+ … … …+ Amn . X n ≥ , ≤ o=bm
 Paso 3: 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, ...
X 1 ,..., X n≥ 0
X 1 , X n son números enteros, o son booleanos
 Paso 4: Determinar la función objetivo.
Maximizar o minimizar Z = c 1 x 1 +c 2 . x 2 +…+c n . x n
CASO DE ESTUDIO N° 01
En una operación minera subterránea, en el nivel
180 se encuentran ubicados 5 tajeos. Las
características de producción son mostradas en la
Tabla 2.
Tabla 2. Las características de producción Caso N°1

 En la fila del elemento pivote cada nuevo Cap. de Utilidad/Tm

Taje % de mineral
elemento se calcula como: producció .
o N° n
 Nuevo Elemento Fila Pivote = Anterior Cobre Zinc Tm./día US$/Tm.
1 (Cu)
10 (Zn)
4 800 5,20
Elemento Fila Pivote / Pivote.
2 7 3 1000 5,10
 En el resto de las filas cada elemento se 3 4 6 1200 5,10
calcula: 4 6 5 900 5,25
5 5 7 850 5,15
Nuevo Elemento Fila = Anterior Elemento Fila - F Fuente: [ CITATION MAT14 \l 10250 ]
(Anterior Elemento Fila en Columna Pivote * Nuevo
Elemento Fila Pivote). Por otro lado, las leyes mínimas para alimentar a la
planta concentradora son 5,5% de Cu y 5.0% de Zn,
De esta forma se consigue que todos los elementos la capacidad de la planta concentradora es de 3,500
de la columna de la variable entrante sean nulos Tm/día. Se pide encontrar el planeamiento
salvo el de la fila de la variable saliente cuyo valor estratégico de la producción, de tal manera de
será 1. (Es análogo a utilizar el método de Gauss- obtener una ganancia óptima.
Jordan para resolver sistemas de ecuaciones
lineales). Formulación del modelo de producción.

Aplicación del algoritmo SÍMPLEX Variables de decisión

Para poder solucionar un problema mediante un  X1: Cantidad Tm/día a extraer del tajeo N° 1
algoritmo primero se debe extraer toda la información  X2: Cantidad Tm/día a extraer del tajeo N° 2
que aporta el enunciado y preparar el problema de  X3: Cantidad Tm/día a extraer del tajeo N° 3
acuerdo a las necesidades del método resolutivo.  X4: Cantidad Tm/día a extraer del tajeo N° 4
Los pasos para modelar un problema son los  X5: Cantidad Tm/día a extraer del tajeo N° 5
siguientes:
Función objetivo
 Paso 1: Determinar las variables de decisión
y expresarlas algebraicamente.  Maximizar beneficio = Ingreso - Costo

X1,..., Xn Restricciones.

4
La capacidad de la planta concentradora 3,500 La adición de variables de holgura o ficticias a las
Tm/día. restricciones, es para formar la igualdad a las
desigualdades, añadiendo una variable no negativa
 X 1 + X 2+ X 3 + X 4 + X 5≤ 3,500Tm/día. al miembro menor, cuyo coeficiente en la función
objetivo es cero.
1. Ley de mina (requerimientos mínimos)
Solución del problema por algoritmo SÍMPLEX.
n
Sea S: Variables de holgura X: Variables artificiales
∑ X 1 Ley j1 ≥ Ley Min1∗C . C Para que ingrese a la tabla SÍMPLEX es necesario
j−1
que todas las inecuaciones se transformen en
2. Contenido mínimo de Cobre igualdades.

10 X 1 +7 X 2 + 4 X 3 +6 X 4 +5 X 5 ≥ 5,5*(3500) ≥ MaxZ = 5,20X1 + 5,10X2 + 5,10X3 + 5,25X4 + 5,15X5 -

19250 M * (X1 + X2 + X3)
3. Contenido mínimo de Zinc Sujeto a:
X1 + X2 + X3 + X4 + X5 + X = 3500 10Xi + 7X2 + 4X3 +
4 X 1 +3 X 2 +6 X 3 +5 X 4 +7 X 5≥ 5,0*(3500) ≥ 17500 6X4 + 7X5 -Si + X2 = 19250 4Xi + 3X2 + 6X3 + 5X4 +
7X5 -S2 + X3 = 17500 Xi + S3 = 800
4. Capacidad de producción tajeo N° 1
X2 + S4 = 1000
X 1 ≤ 800 X3 + S5 = 1200
5. Capacidad de producción tajeo N°2 X4 + S6 = 900
X5 + S7 = 850
X 2 ≤ 1000
Xj ≥ 0, 1.. .,5; X1, X2, X3 ≥ 0; Sj ≥ 0; j = 1, .. .7
6. Capacidad de producción tajeo N° 3
X 3 ≤ 1200 Luego se construye el tablero SÍMPLEX, tal como se
muestra en la siguiente tabla.
7. Capacidad de producción tajeo N° 4
Tabla 3. Muestra la construcción del tablero SÍMPLEX.
X 4≤ 900
8. Capacidad de producción tajeo N° 5, cj 5 5 5 5 - 0 M 0 0 0 0 0 0 0
c x X X X X X X S X S X S S S bi d
S S
X 5 ≤ 850 - X 16 17 1 1 1 1 0 0 0 0 0 0 0 3 3
- X 0 0 1 1
9. Restricciones de no negatividad - X 1 7 4 6 5 0 - 1 0 0 0 0 0 1 4
0 S 0 0 8 8
0 S 4 3 6 5 7 0 0 0 - 1 0 0 0 1 -
X j ≥ 0, j = 1,2, 3, 0 S 0 0 1 -
0 S 1 0 0 0 0 0 0 0 0 1 0 0 0 9 -
0 S 0 0 8 -
0 1 0 0 0 0 0 0 0 0 0 1 0
0 0
El modelo matemático a resolver 0 0 0 1 0 0 0 0 0 0 0 0 1
0 0
Función objetivo 0 0 0 1 0 0 0 0 0 0 0 0 0
1 0
MaxZ = 5,2 X 1 + 5,10 X 2 + 5,10 X 3 + 5,25 X 4 + 0 0 0 0 1 0 0 0 0 0 0 0 0
5,15 X 5 0 1
Zj - - - 1 M - M - 0 0 0 0 -
Sujeto a: Zj- - - - - 0 0 M 0 0 0 0 0

Xi + X2 + X3 + X4 + X5 ≤ 3500 Fuente: [ CITATION MAT14 \l 10250 ].

10Xi + 7X2 + 4X3 + 6X4 + 7X5 ≥ 19250 1 = NUMERO PIVOT
4Xi + 3X2 + 6X3 + 5X4 + 7X5 ≥ 17500 cj = Coeficiente de la función objetivo

X 1 ≤ 800 cb = Coeficiente de las variables básicas xb que

optimiza a una solución básica
X 2 ≤ 1000
xb = columna de variable solución que entra en la
X 3 ≤ 1200 solución
X 4≤ 900 bi = Columna de disponibilidad

x 5≤ 850 zj = cb * Aj. Producto escalar de dos columnas

M = Es un valor de penalización
X 1 , X 2 , X 3 , X 4 , X 5≥ 0
$1 = Ratio bi/ai; ai e Aij
Normalizando la función Objetivo
Método de cálculo
Variables de holgura y artificiales
5
Calcular (Zj-Cj), para cada variable no básica Xj; 3X₁+ 4X₂ + S2 = 3960
caso que todos los valores son mayores o iguales a
X₂+ S3 = 900
cero, la solución que se obtiene es óptima.
Tabla 5. Tableus inicial:
Solucionar la columna pivot, con el valor más
negativo de (Zj - Cj) y el renglón pivot mediante la Base Variables Variables
relación de la columna b, entre los valores Solución
decisión holgura
correspondientes a la columna pivot; se desecha las X1 X2 S1 S2 S3
relaciones con denominadores; se identifica el ratio S1 9 4 1 0 0 7920
más pequeño, lo cual indicara la fila pivot S2 3 4 0 1 0 3960
interceptado con la columna pivot indicara el número S3 0 1 0 0 1 900
pivot. Z -30 -40 0 0 0 0
Se pivotea la intersección de la columna y fila, y se Fuente: Elaboración propia
genera una nueva solución básica factible; luego se Tabla 6. Tableus Iteración 1:
retorna al paso (a), hasta obtener una solución
óptima. Base Variables Variables
Solución
decisión holgura
Para el cálculo de este cuadro SÍMPLEX, se ha
X1 X2 S1 S2 S3
utilizado el software LINDO (Lineal Interactive and S1 9 0 1 0 -4 4320
Discrete Optimizer). S2 3 0 0 0 -4 360
CASO DE ESTUDIO N° 02 X2 0 1 0 0 1 900
Z -30 0 0 0 40 36000
En una empresa minera del Norte del país, opera por Fuente: Elaboración propia
el método de explotación subterránea, dicha
Tabla 7. Tableus final:
empresa consta de dos galerías de las cuales se ha
propuesto extraer dos minerales, además se sabe Bas
que para este proyecto cuenta con una chancadora y Variables Variables
e Solución
un molino. La capacidad de la chancadora en la decisión holgura
unidad 1 es de 40 tm/hr y en la unidad 2 de 90 tm/hr, X1 X2 S1 S2 S3
y la capacidad del molino para la unidad 1 es de S1 0 0 0 0 8 3240
60tm/hr y en la unidad 2 de 45 tm/hr. En la unidad 2 X1 1 0 0 0 0 120
la máxima producción de dicho mineral es de 900 X2 0 1 0 0 1 900
tm/dia. El gerente de operaciones pide maximizar la Z 0 0 0 0 0 39600
venta. Fuente: Elaboración propia

Tabla 4. Las características de producción Caso N°1 Solución óptima para nuestra función objetivo:
Z = 39600 us$/tm
Capacidad Capacidad Valor del
chancadora molienda mineral Con X1: 120 tm/hr y X2: 900 tm/hr
(tm/hr) (tm/hr) (us$/tm)
DISCUSIÓN DE RESULTADOS
Galería 1 40 60 30
Galería 2 90 45 40 Caso de Estudio N° 01
22hr/día 22hr/día
Fuente: Elaboración propia
Función objetivo
Caso de Estudio N° 02
MAX Z = 30 X₁ + 40 X₂
El resultado es Z = 39600 us$/tm, con X1: 120 tm/hr
y X2: 900 tm/hr, sin embargo, se puede mejorar el
St: modelo empleando una mayor número de variables
claves, como por ejemplo: Energía, desgaste de
X₁ X₂ equipos, precio internacional de metales, etc., para
+ ≤ 22  9X₁+ 4X₂ <= que de esta manera disminuir el riego en la toma de
40 90
7920 decisiones.
CONCLUSIONES
X₁ X₂
+ ≤ 22  3X₁+ 4X₂ <=  Para los casos de estudio N°1 y N°2
60 45
3960 empleando el algoritmo simplex se maximizó
la función objetivo obteniendo valores de
X₂ <= 900
XXX XXXX
El método Simplex trabaja con igualdades, por lo que  El método simplex puede resolverse de 03
es necesario aumentar una variable, las cuales son
maneras diferentes: algebraica, tabular y
definidas como variables de holgura en restricciones
del tipo <=. matricial. La ventaja del método tabular es
que se puede resolver de manera simple
9X₁+ 4X₂ + S1 = 7920

6
 cuando es un número limitado de variables y
restricciones.
 Para utilizar el método simplex es de vital
importancia llevar a la forma estándar las
restricciones utilizadas en el modelo.
 Una decisión tomada sin el empleo de las
herramientas de la investigación de
operaciones llevará a la empresa minera
inevitablemente al fracaso, por lo tanto, el
empleo de algoritmos que maximicen
ganancias y reduzcan costos debe ser de
uso obligatorio para la toma de decisiones.
 Su importancia está en que es un método
que se puede encontrar el óptimo sin
importar el número de variables con las que
se trabaje a comparación de otros métodos
como la programación Lineal que sus
variables queda restringido a un número
finito muy pequeño
 El algoritmo símplex es un método que
resuelve la función objetivo con las
restricciones planteadas. Por lo tanto, un mal
planteamiento del modelo llevará a obtener
resultados erróneos, por consiguiente,
decisiones equivocadas.
 En los casos reales, los modelos tienen más
de 2 variables y restricciones, por lo tanto, el
desarrollo con el algoritmo SÍMPLEX podrá
ser aplicado. Para el caso de miles de
restricciones y variables el cálculo manual se
hace inviable.
 Existen diversos softwares que resuelven el
algoritmo simplex, tales como: Lindo,
winqsb, Tora, Solver. Sin embargo, el mal
planteamiento del modelo llevará tomar
decisiones equivocadas y por consiguiente el
fracaso del proyecto.

RECOMENDACIONES
 Realizar el correcto modelo matemático del
problema a resolver, debido a que, el
algoritmo símplex es una herramienta
metodológica para resolver la función
objetivo y no tiene en cuenta los errores al
plantear el modelo matemático. Por ejemplo,
la mala elección de una desigualdad.
 Para resolver más de 03 variables se deberá
utilizar un software especializado. Por
ejemplo, Lingo.
 Para ser implementados los resultados en el
campo, estos primeramente deben ser
comprobados y validados. Para que
posteriormente se siga utilizando el modelo
de maximización.

BIBLIOGRAFÍA
7
Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la Investigaciòn de Operaciones (Novena ed.). México D.
F.: McGraw-Hill Companies, Inc.
Mata Maciso, Y. J. (2014). Aplicación de la programacion entera al planeamiento estrategico de la producción en
la mina condestable. Tesis para optar el Título Profesional de Ingeniero de Minas, Universidad Nacional de
Ingeniería, Lima.
Ph D, Agreda, C. (1994). Investigaciòn de Operaciones - Teoría y Problemas. Lima.
Taha, H. A. (2012). Investigación De Operaciones (Novena ed.). México: PEARSON EDUCACIÓN.
Winston, W. L. (2005). Investigación de Operaciones - Aplicaciones y Algoritmos (Cuarta ed.). México:
International Thonson Editores S.A.