UNIVERSIDAD NACIONAL SANTIAGO ANTUNEZ DE MAYOLO

ESCUELA PROFESIONAL DE ECONOMÍA

DOCENTE: Fernández López Carlos

TEMA: Método Simplex Revisado

ALUMNA: Catalino Ramos Doris

2019

1
 INTRODUCCIÓN

Primeramente, recordaremos los fundamentos del método simplex, este se utiliza para
resolver problemas de programación lineal de todo tipo, consiste en un algoritmo de
resolución para modelos de Programación Lineal y como todo algoritmo cuenta con un
proceso iterativo que secuencialmente a través de pasos o iteraciones va aproximando el
valor óptimo del problema lineal en caso de existir este último.

Para resolver problemas de programación lineal usando el método simplex debemos

obligatoriamente convertir la modelación de nuestro problema de la forma canónica a la
forma estándar que consiste en eliminar las desigualdades de las restricciones agregando
variables auxiliares denominadas variables de holgura, convirtiendo estas restricciones
en igualdades y así dar solución a las ecuaciones dando valores a estas variables en las
restricciones que cumplan con dichas igualdades.

Es importante recordar que para que una modelación se encuentre totalmente en su forma
estándar debemos agregar estas variables de holgura en la función objetiva con
coeficiente 0 para que no se modifiquen los resultados de la misma, estas variables
representan los recursos no utilizados en el estudio como el tiempo en horas de una
máquina u horas de mano de obra disponibles, estas no generan utilidades pero deben
sumarse en la función objetivo con coeficientes 0.

Durante el estudio de programación lineal que hemos tenido hasta ahora, se han
restringido las variables a variables positivas, sin embargo, en la vida real los problemas
a los que nos podemos enfrentar no presentan siempre esa restricción, podemos toparnos
con problemas que presenten variables con cualquier valor real, es decir, negativos, cero
o positivos.

El método simplex revisado consiste en tener en cuenta los comportamientos de las

variables en situaciones donde pueden considerarse variables negativas debido a que
factores externos del problema pueden llevar a que haya modificaciones inesperadas de
estas variables .Para esto se necesitan agregar al modelamiento del problema de
programación lineal, valores positivos y negativos de las variables, algo que abordaremos
más adelante.

2
 OBJETIVOS

 Conocer y valorar la historia de la aparición del método de programación lineal.

 Captar la idea de la programación lineal y sus posibilidades de aplicación a
problemas prácticos.
 Interpretar problemas en sistemas complejos y resolverlos empleando modelos
con ecuaciones lineales que permitan encontrar la solución óptima, con la
finalidad de hacer más eficiente el recurso disponible en una organización.
 Saber plantear un problema de programación lineal partiendo de su enunciado en
términos generales.
 Dominar el lenguaje propio de la programación lineal: función objetivo,
restricciones, región factible.

3
 METODO SIMPLEX REVISADO

1. ANTECEDENTES
El método simplex, propuesto por Dantzig en la década de los 40’s (Gass, 2002), es un
algoritmo que resuelve problemas cuando son representados como modelos de
programación lineal (PL), es decir, el método simplex es un procedimiento para
determinar la solución óptima de un problema (e. las máximas ganancias o los mínimos
costos) cuando es modelado por relaciones lineales. Matemáticamente, el método simplex
es una técnica para optimizar una función objetivo lineal sujeto a restricciones lineales de
igualdad (=) y/o desigualdad (≤, ≥). Los modelos de PL se pueden representar en su forma
canónica de la siguiente manera:

En la ecuación 1, xT = (x1, x2, …) T es un vector de variables denominadas “variables de

decisión” que son la solución del problema, c y b son dos vectores de coeficientes
conocidos y A es la matriz de coeficientes. La ecuación cxT es la función objetivo (z) que
se maximiza o minimiza sujeta a las restricciones Ax ≤ b y x ≥ 0.

En las primeras aplicaciones del método simplex, la implementación computacional no

era un aspecto que impidiera su aplicación. El primer problema a “gran escala” que se
resolvió fue el problema de la dieta que tenía 48 restricciones y 71 variables (Dantzig,
1963). Desde entonces, se han propuesto muchas mejoras para acelerar la solución de
problemas reales; es decir, a gran escala. Propuestas como el algoritmo de barrera y el
algoritmo dual simplex han sido posibles gracias al desarrollo de computadoras más
potentes (Bixby, 2002). De esta manera, los modelos de PL se han aplicado a muchas
áreas prácticas como a la producción/manufactura (Harjunkoski et al., 2014), al servicio
de salud (Abe et al., 2016), a la agricultura (Brandt et al., 2017), a la administración de
redes de distribución de agua (Creaco y Pezzinga, 2015) y a la logística (Agrawal et al.,
2015).

Por otro lado, muchas empresas han reportado ahorros sustanciales cuando utilización
modelos de PL para administrar sus procesos, por ejemplo Procter & Gamble lo hizo
rediseñando el sistema de producción y distribución (Camm et al., 1997), Samsung
Electronics redujo los tiempos de producción y de inventarios (Leachman et al., 2002),

4
Federal Express planeó los envíos en su sistema logístico (Mason et al., 1997) y
Continental Airlines reasignado la tripulación cuando hay interrupciones (Yu et al.,
2003). Por otro lado, cuando se quieren resolver problemas reales o de gran escala, como
los mencionados anteriormente, se utiliza software especializado ya sea libre (GLPK,
LP_SOLVE o SoPlex) o software comercial (CPLEX, Gurubi o GAMS) (Meindl y
Templ, 2013). Sin importar que software se utiliza, el algoritmo mayormente
implementado es el método simplex revisado debido a su eficiencia computacional
(Williams, 2013).

2. ORIGEN
El Método Simplex Revisado es una versión especial del Método Simplex y también fue
desarrollado por G.B. Dantzig y sus colaboradores de La Rand Corporation.
3. EL METODO SIMPLEX REVISADO
El método simplex en formato tabular efectúa más cálculos de los estrictamente
necesarios en cada iteración. De hecho, en una iteración cualquiera sólo se necesitan los
coeficientes de la variable básica entrante (la columna pivote) no los del resto de variables
no básicas. El método simplex revisado calcula en cada iteración sólo la información que
necesita en dicha iteración. Por consiguiente, requiere menos cálculo y menos
almacenamiento.

4. CARACTERÍSTICAS DEL METODO SIMPLEX REVISADO

El método simplex revisado conserva las mismas características que el método simplex:

a) Las variables de decisión tienen que ser mayor a cero.

b) Inserta las variables de holgura con la misma estructura del método simplex.

La diferencia entre el método simplex normal y el revisado es que la mayoría de los

números que aparecen en la tabla del método normal no se usan realmente en las
iteraciones, por lo cual en el método revisado solo se calculan los valores necesarios
para encontrar la solución óptima a través de matrices.

5
Sin embargo, este método requiere muchas operaciones de matrices y deja de estar
tan estructurado como el método simplex, por lo cual es muy posible confundirse durante
las iteraciones.

5. IMPORTANCIA DE LA PROGRAMACIÓN LINEAL

La programación lineal constituye un importante campo de la optimización por varias

razones, muchos problemas prácticos de la investigación de operaciones pueden
plantearse como problemas de programación lineal. Algunos casos especiales de
programación lineal, tales como los problemas de flujo de redes y problemas de flujo de
mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente
importantes como para generar por si mismos mucha investigación sobre algoritmos
especializados en su solución.

Podemos resumir en:

• Ciertos problemas se describen fácilmente a través de la P.L

• Muchos problemas pueden aproximarse a modelos lineales.

• La salida generada por el programa que resuelve el modelo de P.L entrega

información útil para responder nuevas condiciones sobre el “qué pasa si”.

6. APLICACIONES DEL METODO SIMPLEX REVISADO

El algoritmo simplex es un tema obligatorio que se imparte en programas de pre y post
grado en ingeniería y negocios.

7. PASOS DEL METODO SIMPLEX REVISADO

6
a) Iteración
Para poder realizar la iteración, primero tenemos que encontrar los
valores:
XB, CB , 𝐁−𝟏

XB: Es un vector de las variables básica

CB: Es el coeficiente de las variables básicas en Z
B-1: Siendo B una matriz conformado por los coeficientes de nuestras
variables básicas en las restricciones.

7
 b) Prueba de optimalidad: Verificar que la solución planteada sea óptimo ( de
cada variable no básica).
Zi-Ci=CBB-1Pi-Ci
c) Prueba de factibilidad: Saber cual variables es la que sale de las variables
básicas.

𝑿𝑩
θ=min {𝜶𝑿𝒊 /𝜶𝑿𝒊 > 𝟎}

(Calcular la nueva B-1)

8. CASO PRÁCTICO

8
a) Iteración 0

b) Prueba de optimalidad (variables no básicas)

(-5 -4)

¿La solución es óptimo?

No, ya que tenemos valores negativos en Z.

¿Cuál es la variable que entra?

Entra X1

9
 c) Prueba de factibilidad (variable entrante)

El mínimo es el 4

Entonces para encontrar la variable que sale, buscamos en que posición está el 4;
y pues resulta en la posición 1, eligiendo como S1 la variable que sale.

Iteración 1

Hallamos B-1

10
Z=CBXB=20

Prueba de Optimalidad

¿Cuáles son mis variables no básicas? X2, S1

La solución no es óptima y la variable que sale es S2

Prueba de Factibilidad

La variable de salida es S2

Iteración 2

11
Prueba de optimalidad

12
 CONCLUSIÓN

Este método se ideó para que lograra exactamente las mismas cosas que el método
símplex original, pero que, al llevarlo a la computadora, las hiciera en una forma más
eficiente. Así, se trata de una versión simplificada del procedimiento original. Calcula y
almacena sólo la información que se necesita en el momento y guarda los datos esenciales
de manera más compacta.

13
BIBLIOGRAFÍA Y PÁGINAS WEB

Anderson, D. R. (2011). MÉTODOS CUANTITATIVOS PARA LOS NEGOCIOS.

México: Cengage Learning.

Hiller, F. S., & Lieberman, G. J. (2000). INTRODUCCIÓN A LAS INVESTIGACIÓN DE

OPERACIONES. México: The McGraw-Hill.

Pilar, T. J., & Antonio, L. R. (2016). INVESTIGACIÓN OPERATIVOS PARA

INGENIEROS. Universitat Politécnica de Valencia.

Romero, G. V. (2013). APLICACIÓN DE ALGUNAS HEURÍSTICAS AL PROBLEMA

DE LA MOCHILA. Mexico.

Whiston, G. R. (2014). TEXTO AUTOINSTRUCTIVO DE INVESTIGACIÓN DE

OPERACIONES. Lima : UNIVERSIDAD NACIONAL DEL CALLAO .

Gass, S. I., The First Linear-Programming Shoppe, doi: 10.1287/opre.50.1.61.17781,

Operations Research, 50(1), 61-68 (2002)

Williams, H. P., Model Building In Mathematical Programming, 4a Ed., 1-370, New

Jersey, Wiley, USA (2013)

Dantzig, G. B., Linear Programming and Extensions, 1a Ed., 1-627, Princeton Univ.
Press, New Jersey, USA (1963)

https://slideplayer.es/slide/3805000/

https://core.ac.uk/download/pdf/55527880.pdf

https://www.slideserve.com/makani/tema-4-introducci-n-a-la-programaci-n-lineal

https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-
50062018000600029#B8

http://www.mat.ucm.es/~bvitoria/Archivos/MM_PMII.pdf

14
https://sites.google.com/site/metodosdeprogramacionlinealdan/metodo-simplex-
revisado

15