“PROGRAMACIÓN LINEAL MÉTODO SIMPLEX TÉCNICA M”

Pilco Santiago
Facultad de Mecánica, ESPOCH, Riobamba, Ecuador
santiago.pilco@espoch.edu.ec

Resumen.- En el presente trabajo de investigación, se presentara un método aritmético que es

utilizado para la resolución de problemas dentro de la programación lineal al que se lo conoce como
el método de la M, este método es un algoritmo que se deriva del método simplex el cual es
característico por ser un método iterativo, esto se lo realiza con el fin de llegar a una solución
óptima, en este método además de la utilización de variables de holgura se utilizan variables
artificiales y la introducción del coeficiente M, estas nuevas variables son introducidas debido a
que la solución para ejercicios con restricciones de mayor o igual que ( ≥ ) y de igual ( = ) no podrán
ser resueltos aplicando el método simplex normal es ahí donde se requiere la aplicación de este
método para resolverlos.

Palabras clave.- algoritmo, variable, aritmético, holgura, restricciones, iterativo.

Abstract. - In the present work of investigation, an arithmetic method will be presented that is used for the
resolution of problems within the linear programming which is known as the method of the M, this method
is an algorithm that is derived from the simplex method which it is characteristic for being an iterative
method, this is done in order to reach an optimal solution, in this method in addition to the use of slack
variables using artificial variables and the introduction of the M coefficient, these new variables are
introduced due that the solution for exercises with restrictions of greater than or equal to (≥) and of equal
(=) can not be solved by applying the normal simplex method is where the application of this method is
required to solve them.

Keywords. - algorithm, variable, arithmetic, slack, constraints, iterative.

1. INTRODUCCIÓN

La programación lineal es la herramienta más En la actualidad se está proponiendo la

utilizada para la resolución de problemas que
requieren de una optimización de sus
resultados. Este método específicamente es
un proceso algebraico, en el que se requiere
que la función sea maximizada o a su vez
minimizada esto siempre y cuando sujeta a
restricciones del tipo lineal. La introducción
del método de la gran M se da debido a que
esta puede tomar valores muy altos con el fin
de que no se altere la función (Zhenzhen,
2015). Los problemas de optimización
pueden ser de muchos campos como
educación, industria, banca, etc. La
programación lineal y sus muchas formas de
resolución se han utilizado desde que fue
propuesto por primera vez en 1947 por
Dantzig (Lee S. Chong, 2018)
utilización de nuevas tecnologías esto es más
notable en la educación Europea,
(Swietanowski, 2005)donde se está
implementado la investigación de
operaciones para las nuevas formas de
enseñanza, con el estudio de problemas de la
vida real que pueden ser resueltos mediantes
la aplicación de programación lineal, en
específico aplicando el método simplex pero
siempre y cuando las restricciones canónicas
sean básicas si ya no es asi debemos aplicar
la técnica de la M (Rincon, 2001). Este es
aplicado cuando no se le puede dar una
solución con el método grafico es por tal
motivo que se recomienda empezar por el
método grafico aunque este no sea muy
confiable. (Garcia M., Roman P., 2010)
Muchas de las grandes empresas en la
actualidad están aplicando la programación
lineal para la optimización de sus recursos
como es la minimización de costos o la
maximización de ganancias que se puede
obtener de un proceso, los resultados son
visibles con la reducción de tiempos de
producción y de inventarios esto lo obtuvo
Samsung Electronics (Hillier F., Lieberman,
2010)
En muchas universidades se han propuesto al
estudio profundo de la programación lineal
con la aplicación del método simplex, es por
esto que desarrollan aplicaciones con el fin de
aprovechar los Smartphone, en esta
aplicación cuenta con la herramienta de la
gran M que sirve como apoyo para el
aprendizaje de los estudiantes. (Leyva A.,
Carreño M., Estrada I., Sandobal A., Carreño
M., 2015)
Figura 1. Interfaz de programa con método M (Leyva
A., Carreño M., Estrada I., Sandobal A., Carreño M.,
2015)
2. MARCO TEÓRICO
Primero se vamos a conocer de qué se trata el
método simplex debido a que el método M se
deriva de esta método.
2.1. Método simplex
Según la definición (Parwadi M.,Laeng,
2010). El método simplex se utiliza
generalmente para la solución de problemas
donde intervienen más de os variables.
Partiendo del valor de la función objetivo en
un vértice cualquiera, ya que el número de
vértices es finito por este motivo se puede
encontrar dichas soluciones. En si el método
simplex consiste en la aplicación del álgebra
matricial y el proceso de eliminación de
Gauss-Jordan.
En cambio (Rincon, 2001) nos dice que la
solución del método Simplex está basado en
el mismo principio de realizar un sin número
de iteraciones que comienzan en un punto
extremo o cualquiera del conjunto de
soluciones, normalmente se procede a tomar
el origen, y se avanza de una manera
ordenada de un punto a otro de esta manera
hasta encontrar la solución óptima.
Operaciones de filas de Gauss-Jordan
1. Determinación de la fila pivote
a. Reemplace la variable de entrada en la
columna Básica con la variable de entrada.
b. Nueva fila pivote = Fila pivote actual
dividido para el elemento pivote
2. Todas las demás filas, incluida la z
Nueva fila = (Fila actual) - (Su coeficiente en
la columna pivote) x (Nueva fila pivote).
Los pasos del método simplex son
Paso 1 Determine la solución factible básica
inicial.
Paso 2 Seleccione una variable de entrada
utilizando la condición de optimalidad.
Deténgase si no hay variable de entrada; la
última condición es óptima. De otro modo,
prosiga con el paso 2.
Paso 3 Seleccione una variable de salida
utilizando la condición de factibilidad.
Paso 4 Aplique los cálculos de Gauss-Jordan
para determinar la nueva solución básica.
Vaya al paso 1. (Taha, 2012)
Estos son los pasos básicos para la resolución
del método simplex.
2.2. Método M
Para el método simplex no siempre se
presenta soluciones básicas esto lo refiere,
(Zhiqing M., Qiying H., 2009) porque se
presentan restricciones que requieren aplicar
nuevas técnicas ya que no podemos resolver
dichas restricciones como son las de ≥ y =, es
aquí donde se introduce este método que
consiste en la intervención de nuevas
variables artificiales y variables de holgura,
este método es llamado M por el motivo que
se incluye esta letra para solución, el valor de
M es un número muy gran por tal motivo no
hay problema cuando se le incluye en las
ecuaciones, dicho método también es
conocido como el método de Penalización
para ello se debe seguir los siguientes pasos
para proceder con su solución. (Zhenzhen,
2015)
En cambio (Martinez I., Vertiz G., Lopez J.,
Jimenez G., Moncayo L., 2014) se refiere al
método M como un método de solución de la
programación lineal continua, que se ubica
dentro de los métodos de variables
artificiales, donde no se puede encontrar sus
restricciones en su forma canónica, por tal
motivo se debe incluir las variables
artificiales y las variables de holgura, también
no recuerda que no todos los modelos de
programación lineal presentan soluciones
aunque se aplique este algoritmo.
Paso1. Convertir las desigualdades en
igualdades
Paso 2. Introducir las variables de holgura que
serán denotadas por la letra S y las variables
artificiales por la letra R
Esto se lo realiza teniendo en cuenta las
siguientes condiciones.
Tabla 1. Condiciones para implementar las variables
Restricción Variables
≥ +R, -S
= +R
≤ +S
Fuente: (Pattnaink, 2015)
Paso 3. Asignar la penalización para función
objetivo dependiendo el caso:
Es decir aumentar la M esta puede ser
+M si el problema es de minimizar.
-M si el problema es de maximizar.
Esta va multiplicada con las variables
artificiales.
Paso 4. Determinamos las variables básicas y
las no básicas
Las básicas son todas las que contienen la Ri
y las no básicas son las Xi, Si.
Paso 5. Expresar nuestra función objetivo en
función de las variables básicas.
Paso 6. Planteamos la tabla básica inicial en
ella planeamos los coeficientes de la función
objetivo y de cada una de las estricciones
Paso 7. Se selecciona la variable de entrada
correspondiente a la condición óptima, si se
trata de un problema de maximización se
selecciona la columna no básica más
negativa, en caso de un problema de
minimización se selecciona la columna no
básica más positiva.
Paso 8. Se selecciona la variable de salida
correspondiente a la condición de
factibilidad, esto es dividiendo los
coeficientes de la columna solución entre los
coeficientes de la columna de nuestra variable
de entrada, el valor más pequeño de estas
divisiones resulta ser la variable de salida.
Tener en cuenta que no se toma en cuenta la
división para un coeficiente negativo o
cuando la división es para cero.
Paso 9. Se calcula la ecuación pivote esta es
igual a la fila pivote entre el elemento pivote,
este es el coeficiente entre la intersección de
la variable de salida y la variable de entrada,
en esta fila se coloca la variable de entrada
que esta vez ya será de salida.
Paso 10. Obtener los nuevos valores para de
esta manera tener los valores óptimos para la
tabla, esto se empieza tratando de convertir en
cero a todos los coeficientes que están por
arriba y por abajo del elemento pivote, se
procede a la multiplicación del coeficiente
necesario para convertir en cero por la fila
pivote a esta le sumamos la fila en cuestión.
Paso 11. Al sustituir los valores y si no se han
obtenido los valores óptimos se procede a
realizar una nueva iteración empezando desde
el paso 7.
Paso 12. Construyendo nuevamente la tabla y
si se observa que cumple con las condiciones
óptimas, los valores se reemplazan en la
ecuación objetivo para comprobar (Parwadi
M.,Laeng, 2010)
dos horas para los cónicos, por último se
realiza un endurecimiento a los engranajes
donde se lleva 4 horas para los helicoidales y
3 horas para los cónicos. (J. Hernandez, M.
Garcia, 2003)
Semanalmente sol se consigue 3 kg de este
tipo de acero, las horas destinadas para
realizar la dureza en los engranajes pueden
ser mayor o igual a 6, las horas destinadas al
corte son menores o igual a 4.
Se pide minimizar la función objetivo de
dicho proceso
Minimizar 𝑧 = 4𝑥1 + 𝑥2
3𝑥1 + 𝑥2 = 3
4𝑥1 + 3𝑥2 ≥ 6
𝑥1 + 2𝑥2 ≤ 4
𝑥1 , 𝑥2 ≥ 0
Convertimos las desigualdades en igualdades
𝑧 − 4𝑥1 − 𝑥2 = 0
3𝑥1 + 𝑥2 = 3

Las condiciones óptimas no son más que los 4𝑥1 + 3𝑥2 = 6

coeficientes de las variables de entrado deben
ser mayores o iguales a cero es decir valores 𝑥1 + 2𝑥2 = 4
positivos

3. EJEMPLO
Introducir las variables de holgura y las
Se plantea un ejemplo donde se podrá variables artificiales
apreciar de mejor manera la aplicación del
método M. 3𝑥1 + 𝑥2 + 𝑅1 = 3

La empresa Seventeen SRL se dedica a la 4𝑥1 + 3𝑥2 + 𝑅2 − 𝑆1 = 6

fabricación de engranajes para altas
velocidades, fabricando dos modelos, el 𝑥1 + 2𝑥2 + 𝑆2 = 4
helicoidal y el cónico. Cada uno consume 3 y
1 kg de acero especial para la fabricación de Asignar la penalización para función objetivo
este tipo de engranajes, respectivamente. dependiendo el caso:
Además deben ser cortados, tarea que lleva
𝑧 − 4𝑥1 − 𝑥2 − 𝑀𝑅1 − 𝑀𝑅2 = 0
una hora para los engranajes helicoidales y
Determinamos las variables básicas y las no Tabla 4: tabla básica inicial con función objetivo
básicas modificada

Tabla 2: variables básicas y no básicas z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol.

z 1 -4+7M -1+4M 0 0 -M 0 9M
Variables Variables
𝑹𝟏 0 3 1 1 0 0 0 3
Básicas No Básicas

𝑹𝟏 = 3 𝑥1 = 0 𝑹𝟐 0 4 3 0 1 -1 0 6

𝑹𝟐 = 6 𝑥2 = 0 𝑺𝟐 0 1 2 0 0 0 1 4

Fuente: Autores
S𝟐 = 4 S1 = 0
Se selecciona la variable de entrada
Fuente: Autores correspondiente a la condición óptima, en
Expresar nuestra función objetivo en función este caso es un problema de minimización se
de las variables básicas. selecciona la columna no básica más positiva.
Tabla 5: Tabla con selección de variable de entrada
𝑧 = 4𝑥1 + 𝑥2 + 𝑀𝑅1 + 𝑀𝑅2
z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol.
𝑅1 = 3 − 3𝑥1 − 𝑥2
z 1 -4+7M -1+4M 0 0 -M 0 9M
𝑅2 = 6 − 4𝑥1 − 3𝑥2 + S1
𝑹𝟏 0 3 1 1 0 0 0 3
𝑧 = 4𝑥1 + 𝑥2 + 𝑀(3 − 3𝑥1 − 𝑥2 ) + 𝑀(6
− 4𝑥1 − 3𝑥2 + S1 ) 𝑹𝟐 0 4 3 0 1 -1 0 6

Se reduce a 𝑺𝟐 0 1 2 0 0 0 1 4

𝑧 − (4 − 7𝑀)𝑥1 − (1 − 4𝑀)𝑥2 + 𝑀𝑆1 = 9𝑀 Fuente: Autores

Se selecciona la variable de salida esto es
Planteamos la tabla básica inicial en ella dividiendo los coeficientes de la columna
planeamos los coeficientes de la función solución entre los coeficientes de la columna
objetivo y de cada una de las estricciones. de nuestra variable de entrada, el valor más
pequeño de estas divisiones resulta ser la
variable de salida.
Tabla 5: Tabla con selección de variable de entrada
Tabla 3: tabla básica inicial z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol.

𝒙𝟏 𝒙𝟐 𝑺𝟏 𝑹𝟏 𝑹𝟐 𝑺𝟐 Sol. z 1 -4+7M -1+4M 0 0 -M 0 9M

z -4 -1 0 -M -M 0 0 𝑹𝟏 0 3 1 1 0 0 0 3/3=1

𝑹𝟏 3 1 0 1 0 0 3 𝑹𝟐 0 4 3 0 1 -1 0 6/4=1.5

𝑹𝟐 4 3 -1 0 1 0 6 𝑺𝟐 0 1 2 0 0 0 1 4/1=4

𝑺𝟐 1 2 0 0 0 1 4 Fuente: Autores

Fuente: Autores
 Tabla 6: Tabla con selección de variable de salida Para S2
z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol. 𝑆2 0 1 2 0 0 0 1 4
z 1 -4+7M -1+4M 0 0 -M 0 9M 1 1
−1 ∗ 𝐸. 𝑃 0 − 1 − − 0 0 0 −1
3 3
𝑹𝟏 0 3 1 1 0 0 0 3
5 1
4 3 0 1 -1 0 6 0 0 − 0 0 1 3
𝑹𝟐 0 3 3

𝑺𝟐 0 1 2 0 0 0 1 4 Sustituyendo los valores en la tabla

Fuente: Autores Tabla 7: valores de X1

z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol.
Se calcula la ecuación pivote esta es igual a la
fila pivote entre el elemento pivote, este es el z 0 (1+5M)/ (4-7M)/3 0 -M 0 4+2M
coeficiente entre la intersección de la variable 1
3
de salida y la variable de entrada, en esta fila
se coloca la variable de entrada que esta vez 𝑿𝟏 0 1 1/3 1/3 0 0 0 1
ya será de salida.
𝑹𝟐 0 0 5/3 -4/3 1 -1 0 2
En nuestro ejercicio la ecuación queda
𝑺𝟐 0 0 5/3 -1/3 0 0 1 3
E.P= 0, 1, 1/3, 1/3, 0, 0, 0, 1
Fuente: Autores
Obtener los nuevos valores para de esta No se han obtenido las soluciones optimas
manera tener los valores óptimos para la por lo tanto se realiza otra iteración repitiendo
tabla, esto se empieza tratando de convertir en desde el paso 7
cero a todos los coeficientes que están por
arriba y por abajo del elemento pivote, se Se selecciona la variable de salida esto es
procede a la multiplicación del coeficiente dividiendo los coeficientes de la columna
necesario para convertir en cero por la fila solución entre los coeficientes de la columna
pivote a esta le sumamos la fila en cuestión. de nuestra variable de entrada, el valor más
pequeño de estas divisiones resulta ser la
Para Z: variable de salida.
𝑧 1 (−4 + 7𝑀) (1 − 4𝑀) 0 0 − 𝑀 0 9𝑀 Tabla 8: valores de X2
z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol.
𝐸. 𝑃 0 (4 − 7𝑀) (4 − 7𝑀)/3 (4 − 7𝑀)/3 0 0 0 (4 − 7𝑀)
0 (1+5M)/ (4-7M)/3 0 -M 0 4+2M
(1 + 5𝑀) (4 − 7𝑀 ) z 1
1 0 0 − 𝑀 0 (4 + 2𝑀 ) 3
3 3
𝑿𝟏 0 1 1/3 1/3 0 0 0 1
Para R2
𝑹𝟐 0 0 5/3 -4/3 1 -1 0 2
𝑅2 0 4 3 0 1 −1 0 6

4 4 𝑺𝟐 0 0 5/3 -1/3 0 0 1 3
−4 ∗ 𝐸. 𝑃 0 − 4 − − 0 0 0 −4
3 3
Fuente: Autores
5 4 Se calcula la ecuación pivote esta es igual a la
0 0 − 1 −1 0 2
3 3 fila pivote entre el elemento pivote, este es el
coeficiente entre la intersección de la variable
de salida y la variable de entrada, en esta fila
se coloca la variable de entrada que esta vez
ya será de salida.
Tabla 9: valores óptimos
En nuestro ejercicio la ecuación queda z 𝒙𝟏 𝒙𝟐 𝑹𝟏 𝑹𝟐 𝑺𝟏 𝑺𝟐 Sol.

E.P= 0, 0, 1, -4/5, 5/3, -5/3, 0, 6/5 z 1 0 0 (16-15M)/5 (-1-5M)/5 1/5 0 18/5

𝑿𝟏 0 1 0 3/5 -5/9 5/9 0 3/5

Obtener los nuevos valores para de esta
manera tener los valores óptimos para la 𝑿𝟐 0 0 1 -4/5 5/3 -5/3 0 6/5
tabla, esto se empieza tratando de convertir en
𝑺𝟐 0 0 0 1 -25/9 25/9 1 1
cero a todos los coeficientes que están por
arriba y por abajo del elemento pivote, se Fuente: Autores
procede a la multiplicación del coeficiente
necesario para convertir en cero por la fila
pivote a esta le sumamos la fila en cuestión. 4. RESULTADOS

Para Z: 4.1. Remplazando los valores en la función

objetivo
𝑧 1 0 (1 + 5𝑀)/3 (4 − 7𝑀)/3 0 − 𝑀 0 (4 + 2𝑀) 𝑧 = 4𝑥1 + 𝑥2
0 0 (−1 − 5𝑀)/3 (4 + 20𝑀)/15 (−1 + 5𝑀)/5 0 0 (−6 − 30𝑀)/15
Los valores los tomamos de la tabla
(16 − 15𝑀) (−1 + 5𝑀) 1 18 𝑧 = 18/5
1 0 0 0 𝑥1 = 3/5
15 5 5 5
𝑥2 = 6/5
Para X1
18/5 = 4(3/5) + 6/5
𝑋1 0 1 1/3 1/3 0 0 0 1 18/5 = 12/5 + 6/5
18/5 = 18/5
1 1 4 5 5 2
− ∗ 𝐸. 𝑃 0 0 − − 0 −
3 3 15 9 9 5

3 5 5 3 4. DISCUSIÓN
0 1 0 0
5 9 9 5
La presente investigación tiene como objetivo
la profundización en el conocimiento para
Para S2 poder aplicar el método M el mismo que
llegamos a demostrar que si se sigue los pasos
5 1 adecuado, resulta un tema que no es
𝑆2 0 0 − 0 0 1 3 complicado es más nos facilita la resolución
3 3
de problemas de programación lineal que por
5 5 4 25 25 sus condiciones son difíciles de resolver.
− ∗ 𝐸. 𝑃 0 0 − − 0 2
3 3 3 9 9 Debido a que lo que cambia es la introducción
25 25 de las variables artificiales per luego de la
0 0 0 1 − 1 1 resolución de esta variable y la obtención de
9 9
la nueva función objetivo, este se convierte en
Construyendo nuevamente la tabla se observa un problema similar al método simplex.
que ya se pudo conseguir los valores óptimos
5. CONCLUSIONES

Podemos concluir que este tema es muy

conveniente y muy utilizado en las industrias
para poder obtener soluciones a sus
problemas administrativos
Luego del análisis de este tema se recomienda
que se siga los pasos necesarios para su
solución ya que cada uno es necesario.
Con la aplicación del ejercicio se puede
entender de mejor manera como es la
solución de este tema
6. REFERENCIAS
Garcia M., Roman P. (2010). materiales
interactivos para la resolucion de un
problema de programacion lineal
usando el metodo simplex.
investigacion operacional, 171-179.
Obtenido de https://bit.ly/2V6Odkl
Hillier F., Lieberman. (2010). introduccion a la
investigacion de operaciones. mexico:
McGraw-Hill. Recuperado el 15 de
Febrero de 2019, de
https://dudasytareas.files.wordpress.co
m/2017/05/hillier_lieberman.pdf
J. Hernandez, M. Garcia. (2003). modelo de
solucion al problema de transporte de
multiples productos con multiatributos.
anales, 43-60.
Lee S. Chong, C. J. (2018). Creating a Gui solver
for liner programming models in
MATLAB. 10(4).
Leyva A., Carreño M., Estrada I., Sandobal A.,
Carreño M. (2015). AppSimplex:
Herramienta Tipo M-learning como
Apoyo. CBIE-LACLO, 10. Recuperado el
19 de Febrero de 2019, de
https://bit.ly/2BVvAcf
Martinez I., Vertiz G., Lopez J., Jimenez G.,
Moncayo L. (2014). Investigacion de
operaciones (primera ed.). Mexico:
Patria. Recuperado el 16 de Febrero de
2019, de
https://www.freelibros.me/libros/invest
igaciones-de-operaciones-iris-abril-
martinez-salazar
Parwadi M.,Laeng. (2010). polynomial penalty
method for solving linear programming
problems. IAENG, 5.
Pattnaink, M. (2015). applying big-M mathod in
fuzzy base linear programming
problems: the post optimal analyses.
utkal university, 5-10.
Rincon, L. (2001). investigacion de operaciones
para ingenierias y administracion de
empresas. Palmira, Colombia: Feriva
S.A. Recuperado el 18 de Febrero de
2019, de https://bit.ly/2T4hsah
Swietanowski, A. (2005). Apenalty base simplex
method for linear programming.
working paper, 34.
Taha, H. A. (2012). investigacion de operaciones
. Mexico: pearson.
Zhenzhen, S. (2015). The evaluation of
parameter Min the big M method of
linear programming. Meita, 4.
Recuperado el 17 de Febrero de 2019,
de
http://www.scielo.br/scielo.php?script=
sci_arttext&pid=S1982-
21702016000200342&lang=pt
Zhiqing M., Qiying H. (2009). An objective
penalty function method for nonlinear
programming. Elservier, 683-689.
Recuperado el 16 de 02 de 2019, de
https://www.sciencedirect.com/science
/article/pii/S089396590490105X