Indicaciones para aplicación del método Simplex

El sector industrial y empresarial está expuesto frecuentemente a la toma de decisiones

basados en los diferentes problemas que se presentan en su operación, por esta razón, se han
creado técnicas matemáticas que facilitan su solución, en procura de obtener un resultado
optimo donde se encuentran implícitos unos recursos limitados.

Aunque todos los aspectos que inciden en un problema de decisión no se pueden llevar a un
modelo matemático, en general es algo que se aplica ampliamente en los sectores antes
mencionados y en otros campos.

Un modelo de programación lineal es solo un medio para obtener un resultado, la idea es

plasmar en un modelo matemático el problema, permitiendo identificar todos sus
componentes y la evaluación sistemática de las opciones de decisión.

Elementos básicos:

• Variables de decisión
• Restricciones
• Función objetivo

El objetivo de los modelos de programación lineal (PL) consiste en la construcción de un

modelo matemático y encontrar la solución óptima, la que puede llevar a la maximización de
las utilidades o la reducción de los costos de operación.

Las fases para poder resolver un problema de PL son:

• Definición del problema.

• Construcción del modelo matemático.
• Solución del modelo.
• Análisis de sensibilidad.

Para el primer punto es necesario contar con toda la información del entorno organizacional
para lograr extraer los datos que permitan estructurar de manera lógica un planteamiento del
problema.

Posteriormente, para conseguir un correcto modelo matemático es necesario tener en cuenta:

determinar las variables del problema o variables de decisión, identificar las restricciones de
recursos que afectan a las variables de decisión y definir cuál es el objetivo que se desea
alcanzar o función objetivo.

Una forma que facilita identificar los anteriores aspectos consiste en realizar un resumen de la
información contenida en el problema, ejemplo:

Teniendo el siguiente problema identificar los aspectos necesarios para la construcción del
modelo matemático:

La panadería El Horno Caliente maneja tres productos: Pan aliñado con una utilidad de 60
pesos utilizando 5 gramos de harina, 3 gramos de azúcar y 2 gramos de mantequilla; pan liso
con una utilidad de 60 pesos utilizando 6 gramos de harina, 2 gramos de azúcar y 2 gramos de
mantequilla, pan de arroz con una utilidad de 60 pesos utilizando 5 gramos de harina, 3
gramos de azúcar y 3 gramos de mantequilla. Semanalmente el panadero cuenta con Harina
35 kilos, azúcar 12 kilos, mantequilla 10 kilos. (Estos valores lo convertimos a gramos porque
no podemos mezclar kilos con gramos) ¿Cuántos panes de cada tipo debe producir
semanalmente para generar mayor utilidad posible con los recursos disponibles? ¿Este
ejercicio es maximización o de minimización?

Variables de decisión: como deseamos conocer la cantidad de panes de cada tipo que se
deben producir semanalmente para generar la mayor utilidad, las variables del modelo se
pueden determinar de la siguiente manera:

X1: Número o cantidad de pan aliñado producido semanalmente

X2: Número o cantidad de pan liso producido semanalmente

X3: Número o cantidad de pan de arroz producido semanalmente

Resumen de la información del problema:

Es necesario realizar un cuadro resumen que contenga toda la información suministrada en el

enunciado del problema y que sea necesaria para la identificación de las restricciones y
función objetivo.

Se recomienda ubicar en los encabezados o títulos de la tabla, inicialmente el tipo de recursos

necesarios para la fabricación de los productos (Insumo), las variables de decisión identificadas
anteriormente (pan aliñado, pan liso y pan de arroz) y por último la disponibilidad del recurso
empleados en la producción, posteriormente se trasladan los datos a la tabla, como se puede
visualizar a continuación:

“Pan aliñado con una utilidad de 60 pesos utilizando 5 gramos de harina, 3 gramos de azúcar y
2 gramos de mantequilla”

Insumo Pan Aliñado Pan Liso Pan de Inventario

(X1) (X2) Arroz (X3) semanal
Harina 5 6 5 35.000
Azúcar 3 2 3 12.000
Mantequilla 2 2 3 10.000
Utilidad 60 60 60

Como se observa en la anterior tabla, es muy sencillo encontrar los dos elementos que hacen
falta para obtener el modelo: las restricciones y la función objetivo.

Restricciones del problema: es necesario tener claridad que el problema establece la

restricción del uso de materias primas para la fabricación de los productos. Ahora, estas
restricciones de plantean en función de cada uno de los insumos o materiales utilizados para
su fabricación, de la siguiente forma:

5X1 + 6X2 + 5X3 ≥ 35.000 (Harina)

3X1 + 2X2 + 3X3 ≤ 12.000 (Azúcar)

2X1 + 2X2 + 3X3 ≤ 10.000 (Mantequilla)

Es necesario que establecer que este tipo de problemas de programación lineal no tienen
resultados menores a cero o negativos, por lo tanto, se establece una restricción de no
negatividad:

X, Y, Z ≥ 0

La función objetivo está ligada a lo que se requiere lograr con la resolución del problema, por
lo tanto, en el caso particular del ejemplo anterior lo que se solicita es:

¿Cuántos panes de cada tipo debe producir semanalmente para generar mayor utilidad posible
con los recursos disponibles? ¿Este ejercicio es maximización o de minimización?

Al realizar un análisis de lo solicitado, se puede determinar que se requiere determinar la

cantidad de cada tipo de pan a fabricar para lograr la mayor utilidad, así que la función
objetivo estará en función de la utilidad generada por la venta de cada tipo de pan, así:

Insumo Pan Aliñado Pan Liso Pan de

(X1) (X2) Arroz (X3)
Utilidad 60 60 60

Así que es evidente establecer que se trata de un caso de maximización, donde:

Z = 60X1 + 60X2 + 60X2

En resumen, el modelo matemático estaría definido de la siguiente forma:

Maximizar Z = 60X1 + 60X2 + 60X2

Sujeto a:

5X1 + 6X2 + 5X3 ≥ 35.000

3X1 + 2X2 + 3X3 ≤ 12.000

2X1 + 2X2 + 3X3 ≤ 10.000

X, Y, Z ≥ 0

Resolución del modelo matemático por el método Simplex

Existen diferentes métodos para la solución de problemas de programación lineal, como el

método gráfico, por ejemplo, que se resuelve encontrando los puntos de intersección de las
rectas y donde la solución óptima se encuentra en un punto extremo o esquina del área
factible, el método simplex realiza el cálculo de forma algebraica de estos puntos extremos y
permite encontrar la solución óptima.

Para iniciar con este método, lo primer que se debe hacer es llevar el modelo matemático a su
forma estándar, de forma tal que todas las restricciones se expresen como ecuaciones, para
ello se adicionan variables de holgura (cuando son restricciones del tipo ≤) o exceso (cuando
son restricciones del tipo ≥)
El método simplex permite identificar una solución inicial y luego moverse sistemáticamente a
otras soluciones básicas que tengan la posibilidad de mejorar el valor de la función objetivo,
hasta alcanzar la solución óptima.

El ejemplo de modelo matemático anteriormente definido se considera que se encuentra en

su forma canónica, por lo tanto, antes de realizar la solución del modelo, es necesario llevarlo
a su forma estándar, para ello se debe aplicar los siguientes criterios:

Una restricción del tipo ≤ o ≥ pueden convertirse en ecuación si se suma una variable de
holgura o restando una variable de exceso respectivamente al primer miembro de la
restricción.

Por ejemplo:

Restricción del tipo ≤; si tenemos, x1 + 2x2 ≤ 10 entonces se suma una variable de holgura S1,
así: x1 + 2x2 + S1 = 10 donde S1 ≥ 0

Ahora, para una restricción del tipo ≥; si tenemos, 2x1 + 3x2 ≥ 5 entonces se resta una
variable de exceso S2, así: 2x1 + 3x2 – S2 = 5 donde S2 ≥ 0

Para el caso de las restricciones del ejemplo anterior, se obtiene:

5X1 + 6X2 + 5X3 + S1 = 35.000

3X1 + 2X2 + 3X3 + S2 = 12.000

2X1 + 2X2 + 3X3 + S3 = 10.000

Para la función objetivo, se iguala la función a 0 y se suman las variables de holgura o exceso
con coeficiente cero, por lo tanto, respecto a la función objetivo del ejemplo, tenemos que:

Z = 60X1 + 60X2 + 60X2, por lo tanto: Z - 60X1 - 60X2 - 60X2 + 0S1 + 0S2 + 0S3 = 0

Resumen del modelo estándar:

Z - 60X1 - 60X2 - 60X2 + 0S1 + 0S2 + 0S3 = 0

Sujeto a:

5X1 + 6X2 + 5X3 + S1 = 35.000

3X1 + 2X2 + 3X3 + S2 = 12.000

2X1 + 2X2 + 3X3 + S3 = 10.000

X, Y, Z, S1, S2, S3 ≥ 0

Solución del problema:

Este método parte de una solución básica factible o punto extremo y se continúa iterando
(procedimiento repetitivo) a través de soluciones básicas factibles hasta alcanzar la solución
óptima.
El procedimiento consiste en identificar los puntos extremos algebraicamente sin utilizar una
gráfica del espacio de soluciones, para ello se realizar el siguiente procedimiento:

Teniendo las restricciones:

5X1 + 6X2 + 5X3 + S1 = 35.000

3X1 + 2X2 + 3X3 + S2 = 12.000

2X1 + 2X2 + 3X3 + S3 = 10.000

Este modelo cuenta con 3 ecuaciones (3 restricciones) y 6 variables (X1, X2, X3, S1, S2, S3), así
que el número de variables no básicas (nulas) es igual a 6 – 3 = 3, si se da un valor de cero a
cada una de las variables no básicas (X1, X2 y X3) se obtiene una solución básica factible, así:

5(0) + 6(0) + 5(0) + S1 = 35.000 entonces; S1 = 35.000

3(0) + 2(0) + 3(0) + S2 = 12.000 entonces; S2 = 12.000

2(0) + 2(0) + 3(0) + S3 = 10.000 entonces; S3 = 10.000

Esta solución representa la solución inicial del método simplex, por lo tanto, la función objetivo
será igual a 0.

La solución básicamente es factible como lo requiere el método simplex primal.

El siguiente paso es desplazarse a una nueva solución básica mediante iteraciones siguiendo el
procedimiento que se describe a continuación:

En primera instancia se lleva los coeficientes de la función objetivo y las restricciones a una
tabla simplex de la siguiente forma:

Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z -60 -60 -60 0 0 0 0
S1 5 6 5 1 0 0 35.000
S2 3 2 3 0 1 0 12.000
S3 2 2 3 0 0 1 10.000

La regla de cálculo consiste en seleccionar el coeficiente de la función objetivo más negativa

para el caso de maximización (o más positivo para minimización), en nuestro caso al tener el
mismo valor se iniciará con X1 (el empate se rompe arbitrariamente) que se denominará en
adelante la columna pivote (columna en color naranja en la anterior tabla), esta será la
variable que entra en el modelo y la variable que sale debe ser una de las variables básicas S1,
S2 o S3, para poder identificar cual de las variables debe salir, se divide cada término
independiente (RESULTADO) entre el valor correspondiente a la columna de X1 (columna
pivote) y se selecciona el menor valor positivo, así:

Variable que entra:

Coeficiente más negativo: -60 -60 -60 (arbitrariamente seleccionamos el primero de ellos
que corresponde X1), por lo tanto, la variable que entra es X1
Variable que sale:

Se dividen los términos independientes de cada ecuación (valores que se encuentran en la

columna “RESULTADO”), de la siguiente forma:

35.000/5 = 7.000 (S1)

12.000/3 = 4.000 (S2) SALE (fila pivote)

10.000/2 = 5.000 (S3)

Por lo tanto, la variable que sale corresponde a S2

Ahora, lo que se debe hacer es aplicar el método de eliminación de Gauss Jordan que se trató
anteriormente en los cursos del plan de estudios, que consiste en lograr valores de 1 en la
intersección entre la columna de la variable que entra o columna pivote y la fila de la variable
que sale o fila pivote, elemento que se denominará elemento pivote y 0 en los elementos
sobre y debajo de este:

Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z -60 -60 -60 0 0 0 0
S1 5 6 5 1 0 0 35.000
S2 3 2 3 0 1 0 12.000
S3 2 2 3 0 0 1 10.000

Aplicando el método de eliminación de Gauss Jordan, se debería realizar los siguientes

cálculos:

Nueva fila pivote = fila pivote / elemento pivote

La fila 3 (S2) se multiplica por 1/3; 1/3 x 3 = 1; 1/3 x 2 = 2/3; 1/3 x 3 = 1; 1/3 x 0 = 0; 1/3
x 1 = 1/3; 1/3 x 0 = 0 y 1/3 x 12.000 = 4.000

La nueva fila pivote será:

Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z -60 -60 -60 0 0 0 0
S1 5 6 5 1 0 0 35.000
S2 1 2/3 1 0 1/3 0 4.000
S3 2 2 3 0 0 1 10.000

Para la fila 1 (Z) a cada número de esta fila se le resta valor que corresponda en la columna
pivote multiplicado por el número que corresponda de la fila pivote, así:

Nueva fila = fila anterior – (coeficiente de la columna pivote) x (nueva fila pivote)

-60 – (-60) x 1 = 0; -60 – (-60)x2/3 = -20; -60 – (-60) x 1 = 0; 0 – (-60)x0 = 0; 0 – (-60)x1/3 = 20;
0 – (-60)x0 = 0; 0 – (-60)x4.000 = 240.000
La nueva fila 1 o fila Z, será:

Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z 0 -20 0 0 20 0 240.000
S1 5 6 5 1 0 0 35.000
S2 1 2/3 1 0 1/3 0 4.000
S3 2 2 3 0 0 1 10.000

El mismo procedimiento se realiza con las demás filas (excepto la fila pivote) y se obtiene el
resultado de la primera iteración:

Variable X1 X2 X2 S1 S2 S3 RESULTADO
Z 0 -20 0 0 20 0 240000
S1 0 8/3 0 1 -5/3 0 15000
X1 1 2/3 1 0 1/3 0 4000
S3 0 2/3 1 0 -2/3 1 2000

Una vez terminada cada iteración es necesario que se evalúe la condición de parada, que para
el caso del método simplex primal, consiste en lo siguiente:

Para el caso de maximización se deja de continuar las iteraciones hasta que todos los valores
de las variables no básicas (en la fila z) sean positivos.

Para el caso de minimización se deja de continuar las iteraciones hasta que todos los valores
de las variables no básicas (en la fila z) sean negativos.

Como se puede observar en la tabla anterior, claramente en la columna de X2 aún cuenta con
un valor negativo en los coeficientes de la función objetivo fila 1 o fila z, así que se debe seguir
iterando, hasta alcanzar el siguiente resultado con la segunda iteración:

Variable X1 X2 X2 S1 S2 S3 RESULTADO
Z 0 0 30 0 0 30 300000
S1 0 0 -4 1 1 -4 7000
X1 1 0 0 0 1 -1 2000
X2 0 1 3/2 0 -1 3/2 3000

Por lo tanto, se puede determinar lo siguiente:

X1 = 2.000

X2 = 3.000

X3 = 0 Puesto que esta variable no entró en ningún momento.

Método de las dos fases

Como se pude observar en la parte anterior con la aplicación del método simplex primal, todas
las restricciones son del tipo ≤ y el termino independiente de las ecuaciones es positivo lo que
proporciona de entrada una solución básica inicial factible, sin embargo, no todos los modelos
van a ser iguales y se podrán trabajar con el método simplex primal, así que se ha diseñado un
método diferente para los casos en que lo anterior no aplique (restricciones tipo ≥ por
ejemplo). Para ello es necesario agregar variables artificiales donde sea necesario para usarlas
como variables de holgura, estas variables artificiales se usan solo para obtener una solución
inicial factible y posteriormente se deben eliminar cuando ya hayan cumplido su propósito.

El método de las dos fases se realiza en dos etapas y de ahí se deriva su nombre, estas etapas
son:

Fase 1: Adicionar las variables necesarias para garantizar una solución básica inicial factible. Es
necesario crear una nueva función objetivo donde se minimice la suma de las variables
artificiales que se haya adicionado a las restricciones. Sí el valor mínimo de la función objetivo
es 0 es posible continuar con la segunda fase, pero sí el valor mínimo es positivo el problema
no tiene solución factible.

Fase 2: Es necesario utilizar la solución básica optima de la primera fase en el problema

original.

Teniendo en cuenta el siguiente problema, se desarrollará este método:

La frutería Pammy vende tres tipos de ensaladas de fruta: La ensalada junior está compuesta
de 150 gramos de fruta, 12 gramos de crema de leche, y se elabora en 10 minutos; la ensalada
súper está compuesta de 250 gramos de fruta, 30 gramos de crema de leche, y se elabora en
15 minutos; la ensalada tropical está compuesta de 200 gramos de fruta, 0 gramos de crema
de leche, y se elabora en 12 minutos. Se debe gastar como mínimo 20000 gramos de fruta
debido a que se tiene un contrato fijo con las fincas que proveen la fruta y no hay espacio de
almacenamiento; se debe gastar máximo 12000 gramos de crema de leche y máximo 240
horas para elaborar los pedidos. Cada ensalada genera una utilidad de $500, $700 y $600
pesos, respectivamente. ¿Cuántas ensaladas de cada tipo se deben vender diariamente con los
recursos disponibles a fin de generar la mayor utilidad posible?

Entonces el modelo matemático para este enunciado será:

Variables de decisión:

X1: Cantidad de ensaladas de fruta junior

X2: Cantidad de ensaladas de fruta super

X3: Cantidad de ensaladas de fruta tropical

Resumen:

Insumo Junior Super Tropical Inventario diario

Frutas 150 250 200 20.000 (mínimo)

Crema de leche 12 30 0 12.000 (máximo)

Tiempo de elab. 10 15 12 14.400 (máximo)

Utilidad: 500 700 600

Función Objetivo:

= 500X1 + 700X2 + 600X3

Restricciones:

150X1 + 250X2 + 200X3 ≥ 20.000

12X1 + 30X2 + 0X3 ≤ 12.000

10X1 + 15X2 + 12X3 ≤ 14.400

X1, X2, X3 ≥ 0

En su forma estándar el modelo quedaría de la siguiente forma:

Z - 500X1 - 700X2 - 600X3 + 0S1 + S2 + 0S3 = 0

Restricciones:

150X1 + 250X2 + 200X3 – S1 = 20.000

12X1 + 30X2 + 0X3 + S2 = 12.000

10X1 + 15X2 + 12X3 + S3 = 14.400

X1, X2, X3, S1, S2, S3 ≥ 0

Sin embargo, este método establece que se debe agregar variables artificiales a las
restricciones para poder obtener una solución inicial factible y luego establecer una nueva
función objetivo de minimización de la suma de las variables artificiales, por lo tanto, el
modelo quedaría de la siguiente forma:

Minimizar Z = A1 (solo una variable artificial que corresponde a la primera restricción)

Restricciones:

150X1 + 250X2 + 200X3 – S1 + A1 = 20.000 (Se suma una variable artificial)

12X1 + 30X2 + 0X3 + S2 = 12.000

10X1 + 15X2 + 12X3 + S3 = 14.400

X1, X2, X3, S1, S2, S3 ≥ 0

Ahora, se procede a la construcción de la primera tabla simplex, así:

Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z 0 0 0 0 0 0 1 0
S1 150 250 200 -1 0 0 1 20.000
S2 12 30 0 0 1 0 0 12.000
S3 10 15 12 0 0 1 0 14.400

El procedimiento consiste en:

Como tenemos una función objetivo: Minimizar Z = A1 (suma de las variables artificiales), por
cuanto solo se cuenta con una restricción que posee una variable artificial.

Ahora, se multiplicar por -1 toda la fila que tiene la variable artificial y se suma a la fila Z, así:

(-1) x 150 250 200 -1 0 0 1 20.000 más

0 0 0 0 0 0 1 0

= -150 -250 -200 1 0 0 0 -20.000

Se llevan los resultados a la tabla simplex:

Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z -150 -250 -200 0 0 0 0 -20.000
S1 150 250 200 -1 0 0 1 20.000
S2 12 30 0 0 1 0 0 12.000
S3 10 15 12 0 0 1 0 14.400

Ahora, se aplica el siguiente procedimiento:

En primer lugar, se selecciona la columna pivote con el número más negativo de la fila Z (-250)
y luego la fila pivote que corresponde al menor valor positivo resultado de dividir los
elementos de la columna solución entre la columna pivote (S1)

Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z -150 -250 -200 0 0 0 0 -20.000
S1 150 250 200 -1 0 0 1 20.000
S2 12 30 0 0 1 0 0 12.000
S3 10 15 12 0 0 1 0 14.400

Posteriormente, se aplica el procedimiento descrito con anterioridad hasta encontrar con la

primera iteración:

Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z 0 0 0 0 0 0 1 0
X2 0,6 1 0,8 -0,004 0 0 0,004 80
S2 -6 0 -24 0,12 1 0 -0,12 9.600
S3 1 0 0 0,06 0 1 -0,06 13.200
Una vez se obtenga la solución, se verifica sí el valor mínimo de la función objetivo es 0 así que
es posible continuar con la segunda fase.

Lo primero que se debe hacer es eliminar las columnas de las variables artificiales, en nuestro
caso la columna de A1:

Base X1 X2 X3 S1 S2 S3 SOLUCION
Z 0 0 0 0 0 0 0
X2 0,6 1 0,8 -0,004 0 0 80
S2 -6 0 -24 0,12 1 0 9.600
S3 1 0 0 0,06 0 1 13.200

Posteriormente se reemplaza la fila Z por los coeficientes de la función objetivo inicial:

Z - 500X1 - 700X2 - 600X3 + 0S1 + S2 + 0S3 = 0

Base X1 X2 X3 S1 S2 S3 SOLUCION
Z -500 -700 -600 0 0 0 0
X2 0,6 1 0,8 -0,004 0 0 80
S2 -6 0 -24 0,12 1 0 9.600
S3 1 0 0 0,06 0 1 13.200

Una vez reemplazada la fila Z, se realiza el siguiente paso:

Se calcula la nueva fila Z, de la siguiente forma:

Se requiere reducir el valor más negativo de la fila Z (-700), para ellos se multiplica la Fila 2 por
700, las demás filas se multiplican por 0, se suman los resultados y se suman los valores
anteriores de Z.

Base X1 X2 X3 S1 S2 S3 SOLUCION
Z -500 -700 -600 0 0 0 0
700 x X2 0,6 1 0,8 -0,004 0 0 80
0x S2 -6 0 -24 0,12 1 0 9.600
0x S3 1 0 0 0,06 0 1 13.200

Para X1: -(500) + (700 * 0.6) + (0 * -6) + (0 * 1) = -80

Para X2: -(700) + (700 * 1) + (0 * 0) + (0 * 0) = 0
Para X3: -(600) + (700 * 0.8) + (0 * -24) + (0 * 0) = -40
Para S1: 0 + (700 * -0.004) + (0 * 0.12) + (0 * 0.06) = -2.8
Para S2: 0 + (700 * 0) + (0 * 1) + (0 * 0) = 0
Para S3: 0 + (700 * 0) + (0 * 0) + (0 * 1) = 0
Para solución: -(0) + (700 * 80) + (0 * 9600) + (0 * 13200) = 56000
Se obtiene la siguiente tabla:

Columna1 X1 X2 X3 S1 S2 S3 SOLUCION
Z -80 0 -40 -2,8 0 0 56000
X2 0,6 1 0,8 -0,004 0 0 80
S2 -6 0 -24 0,12 1 0 9600
S3 1 0 0 0,06 0 1 13200

Se aplica el método simplex primal y obtendremos:

Base X1 X2 X3 S1 S2 S3 SOLUCION
Z 0 50 0 0 0 50 720000
X1 1 2,5 0 0 0,08333333 0 1000
S1 0 -41,6666667 0 1 -1,38888889 16,6666667 203333,333
X3 0 -0,83333333 1 0 -0,06944444 0,08333333 366,666667

Por lo tanto, el resultado óptimo corresponde a:

Z = 720.000

X1 = 1000

X2 = 0

X3 = 366,67

Método simplex dual

Se pueden presentar problemas que no tienen una solución básica inicial factible con solo
adicionar holguras, pero que se pueden resolver sin necesidad de agregar variables artificiales,
lo que se denomina método simplex dual, este inicia siendo infactible y óptimo.

Si tenemos el siguiente modelo:

Minimizar Z = 2500X1 + 1500X2 + 900X3

Sujeto a:

80X1 + 60X2 + 40X3 ≥ 5000

70X1 + 50X2 + 30X3 ≥ 4000

65X1 + 40X2 + 20X3 ≥ 3000

X1, X2, X3 ≥ 0
Al pasar a su forma estándar, se obtiene que las restricciones quedan de la siguiente forma:

80X1 + 60X2 + 40X3 – S1 = 5000

70X1 + 50X2 + 30X3 – S2 = 4000

65X1 + 40X2 + 20X3 – S3 = 3000

X1, X2, X3, S1, S2, S3 ≥ 0

Ahora, es necesario que la variable de exceso agregadas tenga el signo positivo, por lo que es
necesario simplemente multiplicar cada ecuación por -1:

-80X1 - 60X2 - 40X3 + S1 = -5000

-70X1 - 50X2 - 30X3 + S2 = -4000

-65X1 - 40X2 - 20X3 + S3 = -3000

X1, X2, X3, S1, S2, S3 ≥ 0

Esta sería la forma estándar del método simplex dual. Se puede observar que se obtiene una
solución básica inicial S1 = -5.000, S2 = -4.000, S3 = -3000, solución que es infactible, pero que
es óptima debido a que X1 = X2 = X3 = 0, lo anterior son las condiciones necesarias para la
aplicación de este método.

La tabla inicial del ejemplo anterior sería:

Base X1 X2 X3 S1 S2 S3 SOLUCION
Z -2500 -1500 -900 0 0 0 0
S1 -80 -60 -40 1 0 0 -5.000
S2 -70 -50 -30 0 1 0 -4.000
S2 -65 -40 -20 0 0 1 -3.000

Ahora, el procedimiento varía con respecto al método simplex primal, puesto que lo primero
es seleccionar la variable que sale que corresponde a la fila pivote y posteriormente, se
identifica la variable que entra que corresponde a la columna pivote, así:

Se selecciona de la columna “SOLUCIÓN” el valor más negativo que en este caso corresponde a
-5.000 y se encuentra en la fila 2 correspondiente a la variable S1, que sería la variable que
sale. Luego, la variable que entra que corresponderá a la columna pivote se identifica
dividiendo cada valor de la fila 1 o fila Z entre cada elemento de la fila pivote.

Variable que sale corresponde a -5.000 que corresponde a la variable S1 y define la fila pivote.
Mientras que la variable que entre se calcula de la siguiente manera:

-2500/-80 = 31,25

-1500/-60 = 25

-900/-40 = 22,5 (variable que entra)

Por lo tanto, la variable que entra corresponde a la que cuenta con el menor valor positivo que
en este caso corresponde a X3:
Variables X1 X2 X3 S1 S2 S3 SOLUCIÓN
Z -2500 -1500 -900 0 0 0 0
S1 -80 -60 -40 1 0 0 -5000
S2 -70 -50 -30 0 1 0 -4000
S3 -65 -40 -20 0 0 1 -3000

Posteriormente se aplica el mismo procedimiento que ya se conoce:

Nueva fila pivote = fila pivote / elemento pivote

Nueva fila = fila anterior – (coeficiente de la columna pivote) x (nueva ecuación pivote)

La condición de parada se logra cuando no se cuenta con valores positivos en la columna

“SOLUCIÓN”

La tabla final al realizar dos iteraciones corresponde a:

Variables X1 X2 X3 S1 S2 S3 SOLUCIÓN
Z -325 0 0 -15 0 -15 120000
X3 -1,75 0 1 -0,1 0 0,15 50
S2 2,5 0 0 -0,5 1 -0,5 0
X2 2,5 1 0 0,05 0 -0,1 50

La solución óptima corresponde a:

Z = 120.000

X1 = 0

X2 = 50

X3 = 50