Ahora veamos cómo hacer uso de las variables artificiales para conseguir una solución inicial

que sea básica y factible. Cabe señalar que esta herramienta es la que generalmente se usa
para conseguir tal solución:

b).- Mediante el uso de variables artificiales.

Si después de llevar nuestro modelo a la forma estándar, la matriz A no contiene una sub
matriz identidad I m, entonces se recurrirá al uso de variables artificiales con el fin de obtener
una solución básica factible inicial y después se usara el método simplex para eliminar estas
variables.

Por ejemplo, supóngase que se cambian las restricciones originales añadiendo un vector Ẃ ,
llamado de variables artificiales, con lo cual obtenemos el sistema:
A X́ + Ẃ =b́ , X́ ≥ 0́ , Ẃ ≥ 0́

Obsérvese que ahora se tiene una matriz identidad correspondiente a las variables artificiales.
Esto nos da una solución básica factible inicial para el nuevo sistema. A saber:
Ẃ =b́ y X́=0́

Aunque ahora se tiene una solución básica factible inicial, obsérvese que de hecho se ha
cambiado el problema. Para regresar al problema original, debe obligarse a que las variables
artificiales asuman el valor de cero, ya que:
A X́ =b́ si y solo si A X́ + Ẃ =b́ con Ẃ =0́

En otras palabras, las variables artificiales son solo una herramienta para obtener una solución
básica factible inicial, con la cual empezar el método Simplex, pero debe garantizarse que estas
variables eventualmente se harán cero.

Por ejemplo, consideremos el problema anterior (al que le aplicamos la teoría de

programación lineal:
Min Z = X1 – 2X2
S.A: X1 + X2 ≥ 2
-X1 + X2 ≥ 1
X2 ≤ 3
X1,X2 ≥ 0
Cuya forma estándar es:
Min Z = X1 – 2X2
S.A: X1 + X2 – X3 ¿2
-X1 + X2 - X4 ¿1
X2 + X5 ¿ 3
X1,X2,X3,X4,X5 ≥ 0

Como la matriz de restricciones (matriz A) no contiene una su matriz identidad de orden 3, se

pueden introducir tres variables artificiales para obtener una solución básica factible inicial; sin
embargo, obsérvese que el vector asociado a la variable de holgura X 5 (á 5) forma un vector
unitario con un uno en la tercera posición, luego será necesario añadir solo dos variables
artificiales. Esto es:
Min Z = X1 – 2X2
S.A: X1 + X2 – X3 + W1 ¿2
-X1 + X2 - X4 +W2 ¿1
X2 + X5 ¿ 3
X1,X2,X3,X4,W1,W2,X5 ≥ 0
Obsérvese que lo anterior es lo más adecuado, pero de cualquier forma se puede añadir una
variable artificial por cada restricción. Esto es:
Min Z = X1 – 2X2
S.A: X1 + X2 – X3 + W1 ¿2
-X1 + X2 - X4 + W2 ¿1
X2 + X5 + W3 ¿ 3
X1,X2,X3,X4,X5 W1, W2, W3 ≥ 0
Solo que en este caso trabajaríamos con una variable más y por lo menos efectuaríamos
también una iteración más.
Aquí lo importante es conseguir una submatríz identidad y las variables de holgura
asociadas a restricciones del tipo ≤ siempre sirven para formar dicha matriz; es decir siempre
sirven como variables básicas en la solución inicial.

Ahora se tiene una solución inicial básica factible para el nuevo sistema, la cual está dada
por:
W1 = 2, W2 = 1 y X5 = 3 y todas las demás variables (no básicas) iguales a cero.

Por otro lado, si añadimos tres variables artificiales, la solución inicial estará dada por:
W1=2, W2=1, W3=3 y todas las demás variables (no básicas) iguales a cero.

Existen varios métodos para eliminar las variables artificiales, dentro de ellos veremos:
1.- El Método de Penalización (o método de la M grande) y
2.- El Método de las dos fases.

MÉTODO DE PENALIZACIÓN
Este método consiste en modificar el problema original, para dar lugar a un nuevo
problema, donde la solución inicial es básica y factible. Esto se logra añadiendo un vector Ẃ
llamado de variables artificiales y penalizando la función objetivo con un costo de Ḿ . Ẃ para
el caso de minimización y con un costo de − Ḿ . Ẃ para el caso de maximización, donde Ḿ es
un vector de valores positivos muy elevados. Como el método Simplex siempre trata de
mejorar el valor de la función objetivo en cada iteración, llegara el momento en que el vector
Ẃ salga completamente de la base. En este momento Ẃ =0́ y se ha retornado al problema
original, cuya solución óptima estará garantizada por el método Simplex.
Si durante el desarrollo del método de penalización se llega a la solución óptima, pero
Ẃ > 0́, entonces el problema original no tiene solución, debido a restricciones inconsistentes.
Ejemplo: Sea el modelo lineal:
Min Z = X1 – 2X2
S.A: X1 + X2 ≥ 2
-X1 + X2 ≥ 1
X2 ≤ 3
X1,X2 ≥ 0
Cuya forma estándar es:
Min Z = X1 – 2X2
S.A: X1 + X2 – X3 ¿2
-X1 + X2 - X4 ¿1
X2 + X5 ¿ 3
X1,X2,X3,X4,X5 ≥ 0
Agregando variables artificiales y penalizando a la función objetivo:
Min Z = X1 – 2X2 + MW1 + MW2
S.A: X1 + X2 – X3 + W1 ¿2
-X1 + X2 - X4 +W2 ¿1
X2 + X5 ¿ 3
X1,X2,X3,X4,W1,W2,X5 ≥ 0

Tarea: Para cada uno de los siguientes modelos lineales, obtenga primero la forma estándar.
Posteriormente, agregue el número mínimo de variables artificiales (ya que sin ningún
problema se puede añadir una por cada restricción), con el propósito de conseguir una
submatriz identidad (o solución básica factible obvia de inicio) y, finalmente penalice la función
objetivo como lo establece el método de la M grande o de penalización.
a) Max. Z = 5X1 + 3X2 + 4X3 b) Max. Z = 4X1 + 2X2 + 3X3 + 5X4
S.A: 2X1 + X2 + X3 <= 20 S.A: 2X1 + 3X2 + 4X3 + 2X4 >= 300
3X1 + X2 + 2X3 <= 30 8X1 + X2 + X3 + 5X4 >= 300
X1, X2, X3 >= 0 X1, X2, X3, X4 >= 0

c) Max. Z = 12X1 + 8X2 + 10X3 d) Min Z = 2X1 + 5X2 +3X3

S.A: 6X1 + 3X2 + 3X3 <= 60 S.A: X1 – 2X2 + X3 = 20
2X1 + 2X2 + 2X3 <= 20 2X1 + 4X2 + X3 = 50
4X1 + 6X2 + 2X3 >=120 X1, X2, X3 >=0
X1, X2, X3 >= 0

e) Max. Z = 3X1 + 2X2 + 4X3

S.A: 2X1 + X2 + 3X3 = 60
3X1 + 3X2 + 5X3 >= 120
X1, X2, X3 >= 0