UNIDAD 4.

EL MTODO SIMPLEX

Al trmino de esta unidad el alumno:

Resolver problemas de programacin lineal aplicando las

tcnicas del mtodo simplex con y sin variables artificiales.

Interpretar los resultados obtenidos para la toma de decisiones.

4.1 El Mtodo Simplex

Esta tcnica se fundamenta en dos principios:

1. Condicin de Optimalidad. Esta nos asegura que nunca

encontraremos soluciones inferiores a la del punto considerado.

2. Condicin de Factibilidad. Nos garantiza que comenzando con

una solucin bsica factible, nicamente encontraremos
soluciones bsicas factibles durante el proceso.

Ejemplo:

Max Z = 4X1 + 3X2

s.a.

2X1 + 3X2 <= 6

3X1 + 2X2 <= 3

2X2 <= 5

2X1 + X2 <= 4

X1, X2 > 0
Observaciones:

1. Que es un problema de maximizacin

2. Que todos las restricciones son <=

1er Paso: Obtenemos la forma estndar

Max Z = 4X1 + 3X2

s.a.

2X1 + 3X2 + S1 = 6

-3X1 + 2X2 + S2 = 3

2X2 + S3 = 5

2X1 + X2 + S4 = 4

X1, X2, S1, S2, S3, S4 > 0

2 Paso: Aplicamos esta frmula: Si llamamos n al nmero de incgnitas y m al

nmero de ecuaciones

n=6

m=4

n m = 6 - 4 = 2 = Nmero de
variables No bsicas

3er Paso: Hacemos la pregunta mortal

Podemos comenzar con la solucin ms sencilla, la ms simplex, o

sea, podemos comenzar con el origen o dicho de otro modo:

"puesto que las variables no bsicas son 2, las bsicas debern ser 4"

Pregunta: Tenemos 4 holguras positivas que nos permitan conformar

una matriz identidad? SI
4 Paso: Igualamos a cero la funcin objetivo

Z - 4X1 - 3X2 = 0

5 Paso: Hacemos una tabla inicial o "Tableau"

Observaciones Importantes:

1. Que los coeficientes de las variables bsicas en la funcin

objetivo de la tabla inicial son 0

2. Que se conforma una matriz identidad

1. LEY

Una tabla es ptima para el caso de Maximizacin cuando todos

los elementos de la zona alfa son positivos 0 y viceversa para
el caso de la minimizacin.

2. LEY

Para definir la variable de entrada se elige el coeficiente ms

negativo de la zona alfa para el caso de maximizacin y
viceversa para el caso de minimizacin.

Puesto que no es una solucin ptima hagamos una primera iteracin.

Criterios para definir la variable de salida:

- Hacemos coeficientes

Una vez que sabemos que esta no es una solucin ptima,

intentaremos una 1 iteracin.

a) Definimos la variable de entrada con la lgica de la condicin de

Optimalidad.

Al punto de cruce de las dos variables se le llama elemento pivote y la

ecuacin que lo contiene se llama ecuacin pivote.

6 Paso: Construimos la estructura de la 1 iteracin

a. Calculamos la nueva ecuacin pivote ( que nos va a servir para

todos los clculos de la 1 iteracin) dividiendo la vieja ecuacin
pivote entre el propio elemento pivote, de tal manera que
obtenemos un elemento unitario.

b. Deslizamos la nueva ecuacin pivote a la derecha y ah queda la

nueva ecuacin pivote.
2 Iteracin

4.2 Casos especiales en la aplicacin del mtodo simplex

Consideraremos casos especiales que pueden presentarse en la

aplicacin del mtodo simplex, entre los que se encuentran:

1. Degeneracin.

2. Opciones ptimas.

3. Soluciones no acotadas.

4. Soluciones inexistentes (o infactibles).

DEGENERACION

En la aplicacin de la condicin de factibilidad, una coincidencia de la

razn mnima se debe descomponer en forma arbitraria para los fines
de determinar la variable que sale. Cuando suceda esto una o ms
veces de las variables bsicas, ser necesariamente igual a cero en la
siguiente iteracin. En este caso, decimos que la nueva solucin
esdegenerada.

Ejemplo (Solucin ptima degenerada)

Maximizar z = 3x1 +9x2

Sujeto a

x1 + 4x2 8

x1 + 2x2 4

x1,x2 0

Tabla 3-2

Tres rectas cruzan el optimo. Como ste es un problema

bidimensional, se dice que el punto esta ms
que determinado (o sobredeterminado), ya que solo necesitamos dos
rectas para identificarlo. Por este motivo, concluimos que una de las
restricciones es redundante. Desafortunadamente no existen tcnicas
confiables para identificar restricciones redundantes directamente a
partir de la tabla.
Figura 3-4

Desde el punto de vista terico, la degeneracin tiene dos

implicaciones. La primera tiene que ver con el fenmeno
del ciclaje oreciclaje. Si se observan las iteraciones 1 y 2 de la tabla
3-2, se ver que el valor de la funcin objetivo no ha mejorado (z=18).
Por lo tanto, es posible, en trminos generales, que el procedimiento
simplex repetira lamisma sucesin de iteraciones, sin mejorar nunca
el valor de la funcin objetivo ni poner fin a los clculos.

El segundo punto terico se presenta en el examen de las iteraciones

1 y 2. Ambas iteraciones, pese a diferir en la clasificacin de las
variables como bsicas y no bsicas, producen valores idnticos de
todas las variables y el valor de la funcin objetivo, es decir,

x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18

Por lo tanto, se genera un argumento relacionado con la posibilidad de

suspender los clculos en la iteracin 1 (cuando aparece la
degeneracin), aunque no es ptima. Este argumento no es vlido
porque, en general, una solucin puede
ser temporalmente degenerada.

OPCIONES OPTIMAS:

Cuando la funcin objetivo es paralela a una restriccin de enlace (o

sea, una restriccin que se satisface en el sentido de la igualdad a
travs de la solucin ptima), la funcin objetivo tomara el mismo
valor optimo en ms de un punto de solucin. Por esta razn reciben
el nombre deopciones optimas.
Ejemplo (Infinidad de soluciones)

Maximizar z = 2x1 + 4x2

Sujeto a

x1 + x2 5

x1 + x2 4

x1, x2 0

En trminos algebraicos sabemos que el mtodo simplex es capaz de

encontrar soluciones en puntos extremos exclusivamente.

Figura 3-5

Como es de esperarse, el mtodo simplex slo determina los puntos

extremos B y C. Matemticamente podemos determinar todos los
puntos (x1, x2), del segmento de recta BC, como un promedio
ponderado no negativo de los puntos B y C. Esto es, dada la relacin
01y

B: x1 =0, x2=5/2

C: X1=3, x2=1
Tabla 3-3

SOLUCION NO ACOTADA

En algunos modelos de programacin lineal los valores de las variables se

pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo
que significa que el espacio de soluciones es no acotado cuando menos en una
direccin. Como resultado, el valor de la funcin objetivo puede crecer (caso de
maximizacin) o de crecer (caso de minimizacin) en forma indefinida. En este
caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin
objetivo son no acotados.

La falta de explicacin en un modelo puede sealar solo una cosa: el modelo

est mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia " infinita". Las irregularidades mas probables en estos
modelos son: 1) N ose toman en cuenta una mas restricciones redundantes, y
2) No se determinan correctamente los parmetros ( constantes ) de algunas
restricciones.

La regla general para reconocer la falta de acotacin es la siguiente. Sien

cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de soluciones no esta acotado en
esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable
en el caso de la maximizacin o positivo en el caso de la minimizacin,
entonces el valor de la funcin objetivo tampoco esta acotado.

Ejemplo (Funcin objetivo no acotada)

Maximizar z = 2x1 + x2

Sujeto a

x1 - x2 10

2x1 40
 x1, x2 0

Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1

tiene el coeficiente ms negativo. Normalmente se selecciona como la variable
que entra. Sin embargo, ntese que todos los coeficientes de
las restricciones por debajo de x2 son negativos o cero, esto significa que x2 se
puede hacer crecer en forma indefinida sin que se infrinja ninguna de las
restricciones. Como cada incremento de una unidad en x 2, aumentar z en 1,
un incremento infinito en x2 tambin dar lugar a un incremento infinito en z.
Por lo tanto, concluimos que el problema no tiene solucin acotada. Este
resultado se puede apreciar en la figura 3-6. El espacio de soluciones no est
acotado en la direccin de x2 y el valor de z puede crecer en forma indefinida.

Figura 3-6

La regla general para reconocer la falta de acotacin es la siguiente. Si en

cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de solucionesno est acotado en
esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable
es negativo en el caso de la maximizacin o positivo en el caso de la
minimizacin, entonces el valor de la funcin objetivo est acotado.

SOLUCION INFACTIBLE

Si las restricciones no se pueden satisfacer en forma simultanea, se dice que el

modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas
las restricciones son del tipo (suponiendo constantes no negativas en el
segundo miembro) ya que la variable de holgura produce siempre alguna
solucin factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales que, por su mismo
diseo, no ofrecen una solucin factible al modelo original. Aunque se toman
medidas (a travs del uso de la penalizacin) para hacer que las variables
artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo
tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial
ser positiva en la iteracin ptima. Esta es nuestra indicacin que el problema
no tiene solucin factible.

Desde el punto de vista practico un espacio infactible apunta a la posibilidad de

que el modelo no se haya formulado correctamente en virtud de que las
restricciones estn en conflicto. Tambin es posible que las restricciones no
estn destinadas a cumplirse en forma simultanea, en este caso, quina se
necesite una estructura del modelo totalmente deferente que no admita todas
las restricciones al mismo tiempo.

Tabla 3-4

Ejemplo de espacio de solucin infactible

Maximizar z = 3x1 + 2x2

Sujeto a

2x1 + x2 2

3x1 + 4x2 12

x1, x2 0

Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es

positiva (= 4) en la solucin ptima. Esta es una indicacin de que el espacio
de soluciones es infactible. La figura 3-7 muestra el espacio de soluciones
infactible.

El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha

invertido en esencia la direccin de la desigualdad de 3x 1 + 4x2 12 a 3x1 +
4x2 12. El resultado lo podemos llamar la solucin pseudoptima, como se
muestra en la figura 3-7.

Figura 3-7
4.3 Tcnica de las variables artificiales

4.3.1 Mtodo Penal o de la Gran M.

4.3.2 Tcnica de la Doble Fase

4.3.1 Mtodo Penal o de la Gran M.

Siga esta secuencia de pasos:

1 Exprese el problema de la forma estndar.

Maximizar y Minimizar Max. o Min.

Las restricciones deben de ser igualdad Rs =

Las variables deben de ser mayor igual que cero Var 0

Los elementos que estn despus de la igualdad deben ser

mayor igual que cero 0

2 Agregue variables no negativas en el lado izquierdo de cada una de

las ecuaciones correspondientes a las restricciones cuyos signos
originales sean ( ) o (=) estas variables se llaman variables
artificiales y su presencia es una violacin de las leyes del lgebra;
esta dificultad se supera asegurando que estas variables artificiales
sean 0 en la solucin final, esto se consigue asignando una
penalizacin, muy grande a estas variables en la Funcin Objetivo.

3 Utilice las variables artificiales en la solucin pero esta tabla deber

ser preparada de una manera apropiada.

4 Procede con los pasos comunes del Mtodo Simplex.

Nota: Las variables artificiales son ficticias y no tienen ninguna

interpretacin fsica directa en trminos del problema original.
Ejemplo:

Min. Z = 4X1 + X2

s.a

3X1 + X2 = 3

4X1 + 3X2 6

X1 + 2X2 3

X1, X2 0

Todas las restricciones tienen el signo ( )? No por lo tanto no se

puede aplicar el Mtodo Simplex.

Debemos aplicar una tcnica de Variables Artificiales.

1 Realizamos la Forma Estndar.

Min. Z = 4X1 + X2

3X1 + X2 = 3

4X1 + 3X2 -S2 = 6

X1 + 2X2 + S3 = 3

X1, X2, S2, S3 0

Holguras S2, S3.

Podemos comenzar desde el origen? o sea Tenemos tres holguras

necesarias para conformar una Matriz Identidad?. No

2 Agregamos Variables Artificiales (W1, W2) siempre con signo

positivo y con un coeficiente unitario, y se penaliza la funcin objetivo
agregando trminos que lo ofendan en su espritu y con un
factor M donde:

M>0

M = Significa la cantidad ms grande MW1 MW2.

Min. Z = 4X1 + X2 + MW1 + MW2.

 3X1 + X2 + W1. = 3

4X1 + 3X2 -S2 + W2 = 6

X1 + 2X2 + S3 = 3

X1, X2, S2, S3, W1, W2 0

Tenemos las holguras positivas y/o las variables artificiales

necesarias para conformar la Matriz Identidad? Si

3 Igualamos a 0 la Funcin Objetivo.

Z = 4X1 + X2 + MW1 + MW2

Z - 4X1 - X2 - MW1 - MW2 = 0

Tabla Inicial

Todas las tablas Simplex debern tener coeficiente 0 en la Funcin

Objetivo; estos coeficientes sern las variables bsicas.

Tabla inicial Modificada

4 Procedemos con los pasos comunes del Mtodo Simplex.

Cuando en una tabla hay una circunstancia de empate para definir la
variable de salida, procedemos en forma arbitraria y como
consecuencia en la siguiente tabla habr una variable que valga 0.

En una nueva iteraccin

Se observa que han desaparecido las variables artificiales en la

solucin.

Cuando en un problema haya al menos una variable artificial con un

valor mayor que cero en la solucin el problema termina diciendo que
ese problema no tiene solucin factible.

4.3.2 Tcnica de la Doble Fase

Tcnica de la Doble Fase

1 Fase

Formule un problema nuevo sustituyendo la funcin objetivo por una

nueva funcin objetivo que siempre ser de Minimizacin e igual a la
suma de las variables artificiales. Si el problema tienen un espacio
factible el valor mnimo de la funcin ser 0. eso significa que el valor
de todas las variables sern 0.
En esta circunstancia debemos pasar a la 2 fase, de otra manera si e
valor mnimo de la funcin es 0 el problema finaliza diciendo que no
hay rea de solucin factible.

2 Fase

Utilice la informacin de la solucin bsica ptima de la primera fase,

como una solucin inicial. Pero utilizando la funcin objetivo original, y
no tomamos en cuenta las columnas de las variables artificiales.

Ejemplo:

Min. Z = 4X1 + X2

s.a.

3X1 + X2 = 3

4X1 + 3 X2 6

X1 + 2X2 3

X1, X2 0

Observaciones: No se puede resolver por el mtodo Simplex.

Pasamos a la Forma Estndar.

Min. Z = 4X1 + X2

s.a. 3X1 + X2 = 3

4X1 + 3 X2 - S2 6

X1 + 2X2 + S3 3

X1, X2, S2, S3 0

Determinamos el nmero de variables bsicas

N=3

M=4

m-n = 1 variables no bsicas.

Las variables bsicas sern 3.

Tenemos las holguras positivas para formar la Matriz Identidad? No

Agregamos variables artificiales y se sustituye la funcin objetivo que

siempre ser de Minimizacin e igual a la suma de las variables
artificiales.

Min. L = W1 + W2

s.a. 3X1 + X2 + W1 = 3

4X1 + 3 X2 - S2 + W2 6

X1 + 2X2 + S3 3

X1, X2, S2, S3, W1, W2 0

N=6

M=3

m-n = 3

Podemos hacer la matriz nicamente con las variables

artificiales? No

Podemos hacer la matriz con las variables artificiales y las variables

positivas? S

Igualamos a 0 la funcin objetivo.

L = W1 + W2

L - W1 - W2 = 0

Tabla Inicial
Son ceros los coeficientes de las variables bsicas en la funcin
objetivo? No

Tabla Modificada

Y empezamos a trabajar con la tabla

Es una solucin factible

En vista de que L = 0 podemos pasar a la fase 2.

Para ello aprovechando la tabla ptima anterior, la utilizaremos como

tabla inicial; pero sin las columnas de las variables.

Son ceros los coeficientes de las variables bsicas en la funcin

objetivo? No

Por lo tanto tendremos que hacer operaciones elementales.

EJERCICIOS UNIDAD IV

Ejercicio.

Resolver el siguiente modelo de programacin lineal por el mtodo

Simplex.

Min Z= X1 - 3X2 2X3

s.a

3X1 - X2 + 2X3 <=7

-2X1 + 4X2 <=12

-4X1 + 3X2 + 8X3 <=10

X1, X2, X3 > 0

Forma Estndar.

Min Z= -X1 + 3X2 + 2X3 =0

3X1 - X2 + 2X3 + S1 =7

-2X1 + 4X2 +S2 =12

 -4X1 + 3X2 +8X3 + S3=10

n=6, m=3, n-m=6-3=3 variables no bsicas.

Ejercicio.

Resuelva el siguiente modelo de programacin lineal aplicando la

Tcnica de la Gran M.

Max. Z= 2X1 + X2

s.a.

X1 + X 2 = 4

-X1 + 2 X2 = 2

X1, X2 0

Penalizacin.

Max. Z= 2X1 + X2 MW1 MW2

s.a.

X 1 + X 2 + W1 = 4
 -X1 + 2 X2 + W2 = 2

X1, X2, W1, W2 0

Igualamos a 0 la funcin objetivo.

Z = 2X1 + X2 MW1 MW2

Z -2X1 - X2 +MW1 + MW2 = 0

Ejercicio.

Resuelva el siguiente modelo de programacin lineal por medio de la

tcnica de la doble fase

Max Z= 2X1 + X2

s.a.

X1 + X2=3

X2=2

X1 , X 2 > 0
Agregamos variables artificiales

Min L=W1 + W2

s.a.

X1 + X2 + W1 =3

X2 +W2 =2

X1 , X 2 > 0

L-W1-W2=0

Primera Fase.

Segunda Fase
Ejercicio.

Resuelve el siguiente problema de programacin lineal e identifique

algn caso especial en la tabla Simplex.

Max Z = 20X1 10X2 + X3

s.a.

3X1 3X2 + 5X3 50

X1 X3 10

X1 X2 + 4X3 20

X1, X2, X3 0

Z = 20X1 10X2 + X3

Z 20X1 + 10X2 X3 = 0

Z 20X1 + 10X2 X3 = 0

3X1 3X2 + 5X3 + S1 = 50

X1 X3 + S2 = 10

X1 X2 + 4X3 + S3 = 20

X1, X2, X3, S1, S2, S3 0

En el rea de solucin factible es no acotada en la direccin de X2.

Por lo tanto la solucin factible es No Acotada