INSTITUTO TECNOLÓGICO DE

TEPIC
MODELOS DE OPTIMIZACION
DE RECURSOS CIVIL
GAMEZ RODRIGUEZ JOSE ANGEL

2020

INTEGRANTES:

Hernández Gastélum Reyna Sarai

Hernández Reyes Israel Baruc

Martínez Mondragón Francisco Javier

Torres Franco Tomas

 TIPOS DE
SOLUCIONES AL
RESOLVER MODELOS
MATEMÁTICOS DE
INVESTIGACIÓN DE
OPERACIONES
INDICE
MODELO DE INVESTIGACIÓN DE OPERACIONES..............................................4
MODELOS MATEMÁTICO DE INVESTIGACIÓN DE OPERACIONES...................4
1. Variables y parámetros de decisión...................................................................4
2. Restricciones......................................................................................................4
3. Función objetivo.................................................................................................5
METODO DE LA REPRESENTACIÓN GRAFICA....................................................5
Variantes del método grafico................................................................................13
Solución múltiple optima......................................................................................13
Solución optima no acotada.................................................................................16
Solución factible...................................................................................................17
Redundantes o sobrantes....................................................................................18
METODO SIMPLEX................................................................................................20
Preparando el modelo para adaptarlo al método Simplex...................................20
Tipo de optimización.............................................................................................21
Objetivo de maximización....................................................................................21
Objetivo de minimización.....................................................................................22
Ventajas:...........................................................................................................22
Inconvenientes:.................................................................................................22
Solución:............................................................................................................22
Cambio de signo de los términos independientes............................................22
Ventajas:...........................................................................................................22
Inconvenientes:.................................................................................................23
Normalización de las restricciones...................................................................23
Restricción de tipo "≤"..........................................................................................23
Restricción de tipo "≥"..........................................................................................23
Restricción de tipo "="..........................................................................................24
DESARROLLO.....................................................................................................24
PASO 1: MODELACIÓN MEDIANTE PROGRAMACIÓN LINEAL..................26
PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES..................27
PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL.......................................27
 PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL............................................27
PASO 5: REALIZAR LAS ITERACIONES NECESARIAS................................28
PROBLEMAS DE MINIMIZACIÓN CON EL MÉTODO SIMPLEX..........................33
FORMA TABULAR DEL MÉTODO SIMPLEX........................................................34
Construcción de la primera tabla..........................................................................34
Condición de parada............................................................................................35
Elección de la variable que entra a la base.........................................................36
Elección de la variable que sale de la base.........................................................36
Elemento pivote....................................................................................................36
Actualización de la tabla.......................................................................................37
EL MÉTODO DE LAS DOS FASES........................................................................37
FASE 1.................................................................................................................38
Construcción de la primera tabla:.....................................................................38
Condición de parada y paso a la fase 2:..........................................................39
FASE 2.................................................................................................................39
Eliminar Columna de variables artificiales:.......................................................39
Construcción de la tabla inicial:........................................................................39
CASOS ESPECIALES.............................................................................................42
Solución óptima:...................................................................................................42
Infinitas soluciones:..............................................................................................42
Solución ilimitada (no acotada):...........................................................................42
No existe solución:...............................................................................................43
Empate de variable entrante:...............................................................................43
Empate de variable saliente:................................................................................43
Curiosidad en la Fase 1:......................................................................................43
MODELO DE INVESTIGACIÓN DE OPERACIONES
La forma convencional en que la investigación de operaciones realiza esto es
construyendo un modelo matemático que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximación abstracta de la realidad con consideraciones y simplificaciones que
hacen más manejable el problema y permiten evaluar eficientemente las
alternativas de solución. Resolver un modelo consiste en encontrar los valores de
las variables dependientes, asociadas a las componentes controlables del sistema
con el propósito de optimizar, si es posible, o cuando menos mejorar la eficiencia o
la efectividad del sistema dentro del marco de referencia que fijan los objetivos y
las restricciones del problema. Los procedimientos de solución pueden ser
clasificados en tres tipos y la selección del método de solución depende de las
características del modelo.
a) Analíticos: utilizan procesos de deducción matemática.
b) Numéricos: son de carácter inductivo y funcionan en base a operaciones de
prueba y error.
c) Simulación: que utiliza métodos que imitan o, emulan al sistema real, en
base a un modelo.

MODELOS MATEMÁTICO DE INVESTIGACIÓN DE OPERACIONES

Emplean un conjunto de símbolos y funciones para representar las variables de
decisión y sus relaciones para describir el comportamiento del sistema. El uso de
las matemáticas para representar el modelo, el cual es una representación
aproximada de la realidad, nos permite aprovechar las computadoras de alta
velocidad y técnicas de solución con matemáticas avanzadas.
Un modelo matemático comprende principalmente tres conjuntos básicos de
elementos. Estos son:
1. Variables y parámetros de decisión.
2. Restricciones funcionales y restricciones de no negatividad.
3. Función objetivo.
1. Variables y parámetros de decisión. Las variables de decisión son las incógnitas
(o decisiones) que deben determinarse resolviendo el modelo. Los parámetros son
los valores conocidos que relacionan las variables de decisión con las
restricciones y función objetivo. Los parámetros del modelo pueden ser
determinísticos o probabilísticos.
2. Restricciones. Para tener en cuenta las limitaciones tecnológicas, económicas y
otras del sistema, el modelo debe incluir restricciones (implícitas o explícitas) que
restrinjan las variables de decisión a un rango de valores factibles.
3. Función objetivo. La función objetivo define la medida de efectividad del sistema
como una función matemática de las variables de decisión.
La solución óptima: será aquella que produzca el mejor valor de la función
objetivo, sujeta a las restricciones.

METODO DE LA REPRESENTACIÓN GRAFICA

El método gráfico es una forma fácil y rápida para la solución de problemas de

Programación Lineal, siempre y cuando el modelo conste de dos variables. Para
modelos con tres o más variables, el método gráfico es imposible.
Consiste en representar geométricamente las restricciones, condiciones técnicas y
función objetivo.
Los pasos necesarios para realizar el método son:
1. Hallar las restricciones del problema.
2. Las restricciones de no negatividad X i ≥ 0 confían todos los valores
posibles.
3. Sustituir ≥ Y ≤por (=) para cada restricción, con lo cual se produce la
ecuación de una línea recta.
4. Trazar la línea recta correspondiente a cada restricción en el plano. La
región en cual se encuentra cada restricción, el área correspondiente a
cada restricción lo define el signo correspondiente a cada restricción (≥ 0 ≤)
se evalúa un punto antes y después de la recta trazada, el punto que
cumpla con la inecuación indicara el área correspondiente.
5. El espacio en el cual se satisfacen las tres restricciones es el área factible.
Cada punto situado en la frontera del espacio del área factible, es decir que
satisfacen todas las restricciones, representa un punto factible.
6. Las líneas paralelas que representan la función objetivo se trazan mediante
la asignación de valores arbitrarios a fin de determinar la pendiente y la
dirección en la cual crece o decrece el valor de la función objetivo.
7. La solución óptima puede determinarse al observar la dirección en la cual
aumenta la función objetivo, se procede a graficar la función objetivo, si es
un problema de minimización la solución óptima es el primer punto factible
 que toque la función Z, y si por lo contrario es un problema de
maximización, será entonces el último de los puntos factibles que toque la
función Z. Hay principalmente cuatro tipos de problemas, de única solución,
múltiples soluciones, solución no acotada y no factible, a continuación, hay
un ejemplo de cada caso, en el cual se puede observar la comparación de
la solución obtenida con el método gráfico, y la solución obtenida con el
método simplex.
EJEMPLO:
La fábrica de Hilados y Tejidos "SALAZAR" requiere fabricar dos tejidos de calidad
diferente T y T’; se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo
c. Para obtener un metro de T diariamente se necesitan 125 gr de a, 150 gr de b y
72 gr de c; para producir un metro de T’ por día se necesitan 200 gr de a, 100 gr
de b y 27 gr de c.
El T se vende a $4000 el metro y el T’ se vende a $5000 el metro. Si se debe
obtener el máximo beneficio, ¿cuántos metros de T y T’ se deben fabricar?

Modelización mediante la programación lineal

1. Variables.
X T =Cantidad de metros diarios de tejidos tip T a fabricar
X T ´ =Cantidad de metros diarios de tejidos tip T ´ a fabricar
2. Restricciones.
0.12 X T + 0.2 X T ´ ≤ 50 0 Hilo a
0.15 X T +0.1 X T ´ ≤30 0 Hilo b
0.072 X T + 0.027 X T ´ ≤ 108 Hilo c
Las restricciones de no negatividad no son necesarias en este ejemplo dado que
se trata de un ejercicio de maximización, cuando el ejercicio sea de minimización
lo más recomendado es incluirlas.
3. Función Objetivo.
Z MAX =4000 X T +5000 X T ´
4. Solución.
Graficar las restricciones. Para iniciar con el trazado de las restricciones es
indispensable igualar las restricciones a 0, de esta manera podemos mediante
despeje de ecuaciones iniciar con la tabulación que nos otorgará las coordenadas
para esbozar cada una de las gráficas. Además dado que se trabajará en el plano
cartesiano sería prudente renombrar las variables.
X T =x
X T ´= y
Igualamos las restricciones.
0.12 x+ 0.2 y =500
0.15 x+ 0.1 y =300
0.072 x+ 0.027 y=180
Acto seguido iniciamos con la primera restricción, hallamos las primeras dos
coordenadas. Para hallar las coordenadas regularmente llevamos una de las
variables a cero, para de esta manera despejar más fácilmente la segunda.
Por ejemplo, para un
x=0
0.12 ( 0 ) +0.2 y=50 0
0.5 y=500
500
y=
0.2
y=2500
Y para un
y=0
0.12 x+ 0.2 ( 0 )=50 0
0.12 x=500
500
x=
0.12
x=4167
Seguimos con la segunda restricción.
0.15 x+ 0.1 y =30 0
Tercera restricción.
0.072 x+ 0.027 y=10 8

En el siguiente gráfico se muestra el polígono solución de color gris, en este

conjunto es donde cada coordenada cumple con todas las restricciones, las cuales
se caracterizan por ser restricciones de menor o igual y esta característica se
representa con una flecha hacía abajo.

Una vez se llega a este punto es indispensable saber que las soluciones óptimas
se alojan en los vértices del polígono solución (color gris) y que identificar a la
solución óptima es cuestión de elegir la mejor alternativa dependiendo de las
herramientas disponibles (tecnológicas y conocimientos matemáticos).
La primera opción es la geométrica, esta depende de trazar la ecuación que
representa a la función objetivo (este paso consiste en realizar el mismo
procedimiento de las restricciones).
Función objetivo : Z MAX =4000 x +5000 y
Luego igualamos a 0.
4000 x +5000 y=0
Luego tabulamos para obtener las coordenadas necesarias para esbozar la gráfica
correspondientes a la ecuación (en esta ocasión es recomendable más de dos
coordenadas, incluyendo la coordenada (x=0, y=0).

Una vez se ha esbozado la función objetivo (línea negra) sacamos replicas

paralelas a esta que se encuentren con cada vértice, y solo en el caso en que la
línea imaginaria paralela a la función objetivo no corte el polígono solución se ha
encontrado la solución óptima. En otras palabras trasladamos la función objetivo
por todo el polígono conservando su forma paralela con la original, la detenemos
en los vértices y evaluamos si esta corta o no el conjunto solución.
Claramente solo en el punto "B", es decir en el vértice formado por la intersección
de las ecuaciones 1 y 2, la línea imaginaria no corta el polígono solución, entonces
es este punto el correspondiente a la coordenada óptima.
Para hallar el valor de esta coordenada es indispensable recurrir a la resolución de
ecuaciones lineales 2x2, y se pueden considerar varios métodos de solución entre
ellos:
- Método por sustitución.
- Método por igualación.
- Método por reducción o Eliminación.
- Método por eliminación Gauss.
- Método por eliminación Gauss – Jordán.
- Método por determinantes.
El método por reducción o eliminación consiste en igualar los coeficientes de una
de las variables multiplicando una o las dos ecuaciones, teniendo en cuenta que
estos coeficientes queden iguales pero con signos contrarios.
Ecuación ¿ 1 0.12 x +0.2 y=50 0
Ecuación ¿ 2 0.15 x +0.1 y=300 multiplicamos por (−2)
Ecuación ¿ 3−0.30 x −0.2 y =−60 0(2∗−2)
Sumamos Ecuación ¿ 1 y Ecuación ¿ 3
0.18 x=−100
Despejamos x
x=-100/(-1.18)
x=555.55
Luego reemplazamos x=555.55 en cualquiera de las dos ecuaciones originales
con el objetivo de despejar "y".
Ecuación ¿ 1 0.12 x +0.2 y=50 0
Remplazamos x
0.12 ( 555.55 ) +0.2 y=500
Despejamos y
66.666+0.2 y=50 0
0.2 y=500−66.666
0.2 y=433.334
433.334
y=
0.2
y=2166.67
De esta forma hemos obtenido los valores para x y y.
Recordemos que “x y y fueron los nombres que recibieron las variables originales
X T =Cantidad de metros diarios de tejidos tip T a fabricar
X T ´ =Cantidad de metros diarios de tejidos tip T ´ a fabricar
X T =x
X T ´= y
X T =555.55
X T ´ =2166.67
Y la contribución obtenida (reemplazando las variables en la función objetivo) es
de:
Z MAX =4000 X T +5000 X T ´
Z MAX =4000 (555.55)+5000 ¿
Z MAX =13055.550
Ahora podemos cotejar los resultados con los obtenidos mediante resolución por
Solver - Excel, sin embargo recuerden que el método de búsqueda de la solución
óptima en el método gráfico que utilizamos es el geométrico y que existe una
posibilidad mucho más engorrosa pero igualmente efectiva, este es el método de
iteración por vértice, y que consiste en hallar todas las coordenadas de los vértices
y luego en cada coordenada se evalúa la función objetivo, (cada coordenada nos
proporciona un valor en x y otro en y , luego reemplazamos estos valores en la
función objetivo 4000x + 5000y = ? y luego evaluamos los resultados seleccionando
la mayor cantidad).
Una herramienta muy útil al momento de resolver ejercicios mediante el método
gráfico es una calculadora graficadora, como es el caso de la calculadora de
encarta (disponible aquí).

Variantes del método grafico

Como en la mayoría de los casos el ejemplo con el que aquí se explicó el método
gráfico es el ideal, es decir un ejercicio de conjunto acotado con solución óptima
única, sin embargo, existen una variedad de problemas diferentes a los ideales y
que vale la pena analizar.

Solución múltiple optima

Una de las variantes que puede presentar un ejercicio de programación lineal
consiste en la cantidad de soluciones óptimas, gran cantidad de ellos presenta
más de una solución óptima, es decir una solución en la cual la función objetivo es
exactamente igual en una combinación cuantitativa de variables diferente.
Estos problemas deben de afrontarse de tal manera que prime el análisis de
sensibilidad, es decir una vez encontradas múltiples soluciones iguales se debe
proceder al comportamiento del consumo de los recursos y restricciones,
evidentemente prevaleciendo el concepto de productividad de los recursos más
limitados y costosos.

EJEMPLO:
La ebanistería "SALAZAR LTDA" ha recibido una gran cantidad de partes
prefabricadas para la elaboración de mesas, sin embargo no ha podido iniciar un
plan de producción enfocado a estas por la alta demanda que tiene de sus
productos restantes. Las mesas que pueden elaborarse de las partes
prefabricadas son de dos modelos, modelo A y B, y estas no requieren más que
ser ensambladas y pintadas. Esta semana se ha determinado dedicar 10 horas de
ensamble y 8 de pintura para elaborar la mayor cantidad de mesas posibles
teniendo en cuenta que cada mesa modelo A requiere de 2 horas de ensamble y 1
de pintura respectivamente, y que cada mesa modelo B requiere de 1 hora de
ensamble y 2 de pintura respectivamente. Si el margen de utilidad es de $20000
por cada mesa modelo A y $10000 por cada mesa modelo B. Determine el modelo
adecuado de producción para esta semana.

1. Variables
X =Cantidad de mesas modelo ¨A¨ a fabricar esta semana
Y =Cantidad de mesas modelo ¨B¨ a fabricar esta semana
2. Restricciones
2 X +Y ≤1 0 Horas de ensamble
X +2 Y ≤ 8 Horas de pintura
X , Y ≥0 De no negatividad
3. Función objetivo
Z MAX =20 000 X +10 000 Y
La gráfica resultante sería:

Como nos podemos dar cuenta mediante la geometría en dos vértices la línea
imaginaria perpendicular a la función objetivo no atraviesa el conjunto solución,
por ende en dos puntos se presentan soluciones óptimas, que son los puntos B y
C.
Observemos la solución óptima múltiple:
Z ( 0 ) =20000 ( 0 ) +10000 ( 0 )=0
Z ( A ) =20000 ( 0 ) +10000 ( 4 ) =$ 40000
Z ( B )=20000 ( 4 ) +1000 ( 2 )=$ 100000
Z ( C )=20000 ( 5 ) +10000 ( 0 )=$ 100000
Existen entonces dos soluciones óptimas
Solución óptima 1
X =4 Y =2
Solución óptima 2
X =5 Y =0
La pregunta siguiente es ¿cuál decisión tomar?, pues depende de factores tales
como una análisis de sensibilidad donde se tenga en cuenta el consumo distinto
de determinados recursos (horas ensamble vs. horas pintura) y factores extras al
modelo como lo puede llegar a ser en este caso una necesidad de espacio de
almacenamiento, dado que existe una alternativa en la que se elaboran más
mesas que en la otra, de todas formas es interesante el paso posterior a esbozar
los resultados pues requerirá de la capacidad de quien toma las decisiones.

Solución optima no acotada

Otra de las variantes que presentan los modelos de programación lineal
corresponde a los modelos de solución óptima no acotada, es decir problemas con
infinitas soluciones óptimas. Hay que reconocer que en la vida real gran parte de
estos problemas se deben a un mal planteamiento de las restricciones, sin
embargo, es común que este tipo de problemas sean evaluados en la vida
académica.

EJEMPLO:
La compañía comercializadora de bebidas energéticas "CILANTRO SALVAJE" se
encuentra promocionando dos nuevas bebidas, la tipo A y la tipo B, dado que se
encuentran en promoción se puede asegurar el cubrimiento de cualquier cantidad
de demanda, sin embargo existen 2 políticas que la empresa debe tener en
cuenta. Una de ellas es que la cantidad de bebidas tipo A que se vendan no puede
ser menor que las de tipo B, y la segunda es que se deben de vender por lo
menos 1500 bebidas de cualquier tipo.
Dado que se encuentran en promoción el precio de venta de ambas bebidas
equivale a $1800 pesos. Determine la cantidad de unidades que deben venderse.

1. Variables
X =Cantidad de bebidas tipo ¨ A ¨ a vender
Y =Cantidad de bebidas tipo¨ B ¨ a vender
2. Restricciones
X ≥Y
X +Y ≥ 1500
3. Función Objetivo
Z MAX =18 00 X +18 00 Y
La gráfica resultante sería:

Es claro que en este ejercicio las variables pueden aumentar mejorando

indefinidamente la función objetivo, en estos casos se dice que la solución óptima
no es acotada, por lo cual las posibles soluciones son infinitas.

Solución factible
El caso de la solución in-factible es más típico de lo pensado, y corresponde a los
casos en los cuales no existen soluciones que cumplen con todas las
restricciones. Es muy común ver este fenómeno producto de inviables
proporciones de oferta y demanda.

EJEMPLO:
La compañía de galletas "CAROLA" desea planificar la producción de galletas que
tendrá que entregar a su cliente en dos semanas, el contrato indica que la
compañía "CAROLA" se compromete a entregar por lo menos 300 cajas de
galletas cualquiera sea su tipo (presentación D, presentación N o una combinación
de ambas presentaciones), cada caja de galletas presentación D tiene un tiempo
de elaboración de 2 horas, y un tiempo de horneado de 3 horas, mientras cada
caja de presentación N tiene un tiempo de elaboración de 3 horas y un tiempo de
horneado de 1 hora. La compañía cuenta estas dos semanas con 550 horas para
elaboración y con 480 horas de horneado.
Teniendo en cuenta que el margen de utilidad de cada caja de galletas
presentación D y N es de $8500 y $8100 respectivamente, determine mediante un
modelo de programación lineal el plan de producción que maximice las utilidades.

1. Variables
X =Cantidd de cajas de galletas presentación D a producir en 2 semanas
Y =Cantidd de cajas de galletas presentación N a producir en 2 semanas
2. Restricciones
2 X +3 Y ≤55 0
3 X +Y ≤ 480
X +Y ≥ 300
3. Función Objetivo
Z MAX =8 5 00 X +81 00 Y
La gráfica resultante es la siguiente:
Evidentemente no existe forma alguna de satisfacer todas las restricciones, por
ende se concluye que no existe solución factible.

Redundantes o sobrantes
Existen en los modelos de programación lineal un tipo de restricciones que no
juegan rol alguno en la determinación del conjunto solución (de igual manera en la
solución óptima), lo que lleva a deducir que estas son redundantes.
EJEMPLO:
La compañía "CONGELADORES MAJO" pretende fabricar dos tipos de
congeladores denominados A y B. Cada uno de ellos debe pasar por tres
operaciones antes de su comercialización: Ensamblaje, pintura y control de
calidad. Los congeladores tipo A requieren 2 horas de ensamblaje, 3 kg de pintura
y 4 horas de control de calidad; los congeladores tipo B requieren 3 horas de
ensamblaje, 6 kg de pintura y 5 horas de control de calidad. El margen contributivo
por cada congelador tipo A y B es de $102000 y $98000 respectivamente.
La compañía dispone como máximo semanalmente 300 horas de ensamblaje, 840
kg de pintura y 450 horas de control de calidad. Con base en la información
suministrada determine las unidades a producir semanalmente de cada referencia
para maximizar las utilidades.
1. Las variables:
X =Cantidad de congeladores tipo A a producir semanalmente
Y =Cantidad de congeladores tipo B a producir semanalmente

2. Las restricciones:
2 X +3 Y ≤30 0
3 X +5 Y ≤ 84 0
4 X +5 Y ≤ 45 0
 3. Función Objetivo:
Z MAX =102 00 X +98 0 0 0 Y
La gráfica resultante es la siguiente:

La solución óptima corresponde a:

X =15 0
Y =0
Y la función objetivo quedaría.
Z MAX =$ 15300000
Claramente podemos observar como la restricción 1 y 2 no determinan el conjunto
solución, por ende se denominan restricciones redundantes o sobrantes.

METODO SIMPLEX

El método Simplex es un procedimiento iterativo que permite mejorar la solución

de la función objetivo en cada paso. El proceso concluye cuando no es posible
continuar mejorando dicho valor, es decir, se ha alcanzado la solución óptima (el
mayor o menor valor posible, según el caso, para el que se satisfacen todas las
restricciones).
Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento
consiste en buscar otro punto que mejore el valor anterior. Como se verá en
el método Gráfico, dichos puntos son los vértices del polígono (o poliedro o
polícoro, si el número de variables es mayor de 2) que constituye la región
determinada por las restricciones a las que se encuentra sujeto el problema
(llamada región factible). La búsqueda se realiza mediante desplazamientos por
las aristas del polígono, desde el vértice actual hasta uno adyacente que mejore el
valor de la función objetivo. Siempre que exista región factible, como su número
de vértices y de aristas es finito, será posible encontrar la solución.
El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no
toma su valor máximo en el vértice A, entonces existe una arista que parte de A y
a lo largo de la cual el valor de Z aumenta.
Será necesario tener en cuenta que el método Simplex únicamente trabaja con
restricciones del problema cuyas inecuaciones sean del tipo ≤ (menor o igual) y
sus coeficientes independientes sean mayores o iguales a 0. Por tanto habrá que
estandarizar las restricciones para que cumplan estos requisitos antes de iniciar el
algoritmo del Simplex. En caso de que después de éste proceso aparezcan
restricciones del tipo ≥(mayor o igual) o = (igualdad), o no se puedan cambiar, será
necesario emplear otros métodos de resolución, siendo el más común el método
de las Dos Fases.

Preparando el modelo para adaptarlo al método Simplex

La forma estándar del modelo de problema consta de una función objetivo sujeta a
determinadas restricciones:
Función objetivo: c1·x1 + c2·x2 + ... + cn·xn

a11·x1 + a12·x2 + ... + a1n·xn = b1

a21·x1 + a22·x2 + ... + a2n·xn = b2
Sujeto a: ...
am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., xn ≥ 0

El modelo debe cumplir las siguientes condiciones:

1. El objetivo consistirá en maximizar o minimizar el valor de la función
objetivo (por ejemplo, incrementar ganancias o reducir pérdidas,
respectivamente).
2. Todas las restricciones deben ser ecuaciones de igualdad (identidades
matemáticas).
3. Todas las variables ( x i) deben tener valor positivo o nulo (condición de no
negatividad).
4. Los términos independientes (b i) de cada ecuación deben ser no negativos.

Hay que adaptar el problema modelado a la forma estándar para poder aplicar el
algoritmo del Simplex.

Tipo de optimización
Como se ha comentado, el objetivo del método consistirá en optimizar el valor de
la función objetivo. Sin embargo, se presentan dos opciones: obtener el valor
óptimo mayor (maximizar) u obtener el valor óptimo menor (minimizar).
Además, existen diferencias en el algoritmo entre el objetivo de maximización y el
de minimización en cuanto al criterio de condición de parada para finalizar las
iteraciones y a las condiciones de entrada y salida de la base.

Objetivo de maximización
Condición de parada: Cuando en la fila Z no aparece ningún valor negativo.
Condición de entrada a la base: El menor valor negativo en la fila Z (o el de mayor
valor absoluto entre los negativos) indica la variable P j que entra a la base.
Condición de salida de la base: Una vez obtenida la variable entrante, la variable
que sale se determina mediante el menor cociente P0 / P j  de los estrictamente
positivos.

Objetivo de minimización
Condición de parada: Cuando en la fila Z no aparece ningún valor positivo.
Condición de entrada a la base: El mayor valor positivo en la fila Z indica la
variable P j que entra a la base.
Condición de salida de la base: Una vez obtenida la variable entrante, la variable
que sale se determina mediante el menor cociente P0 / P j  de los estrictamente
negativos.
No obstante, es posible normalizar el objetivo del problema con el fin de aplicar
siempre los mismos criterios en lo referente a la condición de parada del algoritmo
y a las condiciones de entrada y salida de las variables de la base. De esta forma,
si el objetivo es minimizar la solución, se puede cambiar el problema a otro
equivalente de maximización simplemente multiplicando la función objetivo por
- 1 . Es decir, el problema de minimizar Z es equivalente al problema de maximizar
(−1)·Z. Una vez obtenida la solución será necesario multiplicarla también por (−1).

Ventajas: No hay que preocuparse por nuevos criterios de parada, condición de

entrada y salida de la base ya que se mantienen.

Inconvenientes: En el caso de que la función tenga todos los coeficientes de sus

variables básicas positivos, y además las restricciones sean del tipo de
desigualdad ≤, al hacer el cambio dichos coeficientes quedan negativos
cumpliéndose la condición de parada en la primera iteración (en la fila del valor de
la función objetivo todos los valores son positivos o cero). Obteniéndose en este
caso por defecto un valor óptimo para la función igual a 0.

Solución: Realmente no existe este problema dado que para que la solución sea
superior a 0 es necesario que alguna restricción tenga impuesta la condición ≥ (y
se trataría de un modelo para el método de las Dos Fases). En el caso planteado,
la solución real debe ser cero.

Cambio de signo de los términos independientes

También se ha dicho que los términos independientes ¿) de cada ecuación deben
ser no negativos para poder emplear el método Simplex. A tal fin, si alguna de las
restricciones presenta un término independiente menor que 0 habrá que multiplicar
por -1 ambos lados de la inecuación (teniendo en cuenta que esta operación
también afecta al tipo de restricción).

Ventajas: Con ésta simple modificación de signos en las restricciones

correspondientes se posibilita la aplicación del método Simplex al problema
modelado.

Inconvenientes: Puede resultar que en las restricciones donde tengamos que

modificar los signos de las constantes, los tipos de desigualdad fueran ≤
(quedando tras la operación del tipo ≥ ¿ siendo necesario desarrollar el método de
las Dos Fases. Este inconveniente no es controlable, aunque podría ocurrir el caso
contrario y resultar beneficioso si los términos independientes negativos se
presentan en todas aquellas restricciones con desigualdad de tipo ≥. Si existe
alguna restricción del tipo= no supondría ninguna ventaja ni desventaja puesto que
siempre sería de necesaria aplicación el método de las Dos Fases.

Normalización de las restricciones

Otra de las condiciones del modelo estándar del problema es que todas las
restricciones sean ecuaciones de igualdad (también llamadas restricciones de
igualdad), por lo que hay que convertir las restricciones de desigualdad o
inecuaciones en dichas identidades matemáticas.
La condición de no negatividad de las variables ( x 1 ,… .., x n ≥ 0 ) es la única excepción
y se mantiene tal cual.

Restricción de tipo "≤"

Para normalizar una restricción con una desigualdad del tipo ≤, hay que añadir una
nueva variable, llamada variable de holgura  x s (con la condición de no negatividad:
x s ≥0 ). Esta nueva variable aparece con coeficiente cero en la función objetivo, y
sumando en la ecuación correspondiente (que ahora sí será una identidad
matemática o ecuación de igualdad).

a11·x1 + a12·x2 ≤ b1   a11·x1 + a12·x2 + 1·xs = b1

Restricción de tipo "≥"

En caso de una desigualdad del tipo ≥, también hay que añadir una nueva variable
llamada variable de exceso  x s (con la condición de no negatividad: x s ≥0 ). Esta
nueva variable aparece con coeficiente cero en la función objetivo, y restando en
la ecuación correspondiente.
Surge ahora un problema con la condición de no negatividad con esta nueva
variable del problema. Las inecuaciones que contengan una desigualdad de tipo ≥
quedarían:

a11·x1 + a12·x2 ≥ b1   a11·x1 + a12·x2 - 1·xs = b1

Al realizar la primera iteración con el método Simplex, las variables básicas no

estarán en la base y tomarán valor cero. En este caso la nueva variable x s tras
hacer cero a x 1 y x 2, tomará el valor −b 1 y no cumpliría la condición de no
negatividad. Es necesario añadir otra nueva variable x r, llamada variable artificial,
que también aparecerá con coeficiente cero en la función objetivo y sumando en la
restricción correspondiente. Quedando entonces de la siguiente manera:

a11·x1 + a12·x2 ≥ b1   a11·x1 + a12·x2 - 1·xs + 1·xr = b1

Restricción de tipo "="

Al contrario de lo que cabría pensar, para las restricciones de tipo = (aunque ya
son identidades) también es necesario agregar variables artificiales x r. Como en el
caso anterior, su coeficiente será cero en la función objetivo y aparecerá sumando
en la restricción correspondiente.

a11·x1 + a12·x2 = b1   a11·x1 + a12·x2 + 1·xr = b1

En el último caso se hace patente que las variables artificiales suponen una
violación de las leyes del álgebra, por lo que será necesario asegurar que dichas
variables artificiales tengan un valor 0 en la solución final. De esto se encarga
el método de las Dos Fases y por ello siempre que aparezcan este tipo de
variables habrá que realizarlo.
En la siguiente tabla se resume según la desigualdad el tipo de variable que
aparece en la ecuación normalizada, así como su signo:

DESARROLLO

Una vez estandarizado el modelo puede ocurrir que sea necesario aplicar el
método Simplex o el método de las Dos Fases. Véase en la figura la forma de
actuación para llegar a la solución del problema modelado.

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial
= + artificial
≤ + holgura
EJEMPLO:

La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado

su producción en dos líneas más. Por lo tanto actualmente fabrica mesas, sillas,
camas y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y
2 piezas cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8
pines y 2 piezas cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular
de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente
cada biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases
trapezoidales de 2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta
producirla $10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se
vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende en $ 40000,
cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El objetivo de la
fábrica es maximizar las utilidades.

PASO 1: MODELACIÓN MEDIANTE PROGRAMACIÓN LINEAL

1. Las variables:
X 1 =Cantidad de mesas a producir (unidades)
X 2 =Cantidad de sillasa producir (unidades)
X 3 =Cantidad de camas a producir (unidades)
X 4=Cantidad de bibliotecas a producir (unidades)

2. Las restricciones:
2 X 1 +1 X 2+ 1 X 3+ 2 X 4 ≤24            
2 X 1 +2 X 2 +1 X 3 ≤ 2 0   
2 X 3 +2 X 4 ≤ 20  
4 X 4 ≤ 16 
 
              
3. La función Objetivo:
Z MAX =20000 X 1 +20000 X 2 +20000 X 3 +20000 X 4
PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES
En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado
que todas las restricciones son ≤ .

2 X 1 +1 X 2+ 1 X 3+ 2 X 4 +1 S 1+ 0 S 2+ 0 S3 + 0 S 4=2 4
2 X 1 +2 X 2 +1 X 3+ 0 X 4 + 0 S1 +1 S 2 +0 S 3 +0 S 4 =20
0 X 1 +0 X 2+2 X 3 +2 X 4 +0 S 1+ 0 S 2+ 1 S3 +0 S 4=20
0 X 1 +0 X 2+ 0 X 3 +4 X 4 +0 S1 +0 S2 +0 S3 +1 S 4=16

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las
variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso,
por el ejemplo la variable de holgura {S} rsub {1} solo tiene coeficiente 1 en la
restricción correspondiente a el recurso 1.
 
La función objetivo no sufre variaciones:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL

El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables de coeficiente
diferente de cero (0) en la matriz identidad. 

1 S 1=2 4
1 S 2=20
1 S 3=20
1 S 4=16

PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL

Solución: (segundo término): En esta fila se consigna el segundo término de la

solución, es decir las variables, lo más adecuado es que estas se consignen de
manera ordenada, tal cual como se escribieron en la definición de restricciones.
Cj: La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables de
la fila "solución" en la función objetivo.
Variable Solución: En esta columna se consigna la solución básica inicial, y a partir
de esta en cada iteración se van incluyendo las variables que formarán parte de la
solución final.
Cb: En esta fila se consigna el valor que tiene la variable que se encuentra a su
derecha "Variable solución" en la función objetivo.
Zj: En esta fila se consigna la contribución total, es decir la suma de los productos
entre término y Cb.
Cj – Zj:  En esta fila se realiza la diferencia entre la fila C j y la fila Zj, su significado
es un "Shadow price", es decir, la utilidad que se deja de recibir por cada unidad
de la variable correspondiente que no forme parte de la solución.

Solución inicial:

PASO 5: REALIZAR LAS ITERACIONES NECESARIAS

Este es el paso definitivo en la resolución por medio del Método Simplex, consiste
en realizar intentos mientras el modelo va de un vértice del poliedro objetivo a otro.
 
El procedimiento a seguir es el siguiente:
1. Evaluar que variable entrará y cual saldrá de la solución óptima:
Maximizar Minimizar
Variable La más positiva de los Cj - Zj La más negativa de los Cj - Zj
que entra
Variable Siendo b los valores bajo la celda Siendo b los valores bajo la
que sale solución y a el valor celda solución y a el valor
correspondiente a la intersección correspondiente a la intersección
entre b y la variable que entra. La entre b y la variable que entra.
 menos positiva de los b/a. La más positiva de los b/a.

2. El hecho de que una variable distinta forme parte de las variables solución
implica una serie de cambios en el tabulado Simplex, cambios que se
explicarán a continuación.
 Lo primero es no olvidar el valor del "a" correspondiente a la variables a
entrar, en este caso el "a=4".

 Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila.

 Se repite este procedimiento con las dos filas restantes, ahora se harán
los cálculos correspondientes en el resto de las celdas.
En esta última iteración podemos observar que se cumple con la consigna
C j−Z j ≤ 0, para ejercicios cuya función objetivo sea "Maximizar", por ende hemos
llegado a la respuesta óptima.
X 1=3
X 2=4
X 3=6
X 4=4
Con una utilidad de: $ 340000

Sin embargo una vez finalizado el Método Simplex se debe observar una matriz
identidad en el rectángulo determinado por las variables de decisión, el hecho de
que en este caso no se muestre la matriz identidad significa que existe una
solución óptima alterna.

La manera de llegar a la otra solución consiste en alterar el orden en que cada una
de las variables entro a la solución básica, recordemos que el proceso fue
decidido al azar debido a la igualdad en elCj−Zj del tabulado inicial. Aquí les
presentamos una de las maneras de llegar a la otra solución.

Podemos observar como existe una solución óptima alternativa en la cual la

combinación de variables es distinta y existe un menor consumo de recursos,
dado que el hecho de que se encuentre la variable S1 en la solución óptima con un
coeficiente de "3" significa que se presenta una holgura de 3 unidades del recurso
(pieza rectangular de 8 pines).

X 1=0(Cantidad de mesas a producir =0)

X 2=7 (Cantidad de sillas a producir =7)
X 3=6(Cantidad de camas a producir =6)
X 4=4 (Cantidad de bibliotecas a producir=4)
S 1=3(Cantidad de piezas rectangulares de 8 pines sinutilizar =3)
Con una utilidad de: $ 340000

PROBLEMAS DE MINIMIZACIÓN CON EL MÉTODO SIMPLEX

Para resolver problemas de minimización mediante el algoritmo simplex existen
dos procedimientos que se emplean con regularidad.
El primero, que a mi juicio es el más recomendable se basa en un artificio
aplicable al algoritmo fundamentado en la lógica matemática que dicta que "para
cualquier función f(x), todo punto que minimice a f(x) maximizará también a -
f(x)". Por lo tanto el procedimiento a aplicar es multiplicar por el factor negativo (-1)
a toda la función objetivo.

A continuación, se resuelve el algoritmo como un problema de maximización.

El segundo procedimiento, el cual pretende conservar la minimización consiste en
aplicar los criterios de decisión que hemos esbozado con anterioridad, en los
casos de la variable que entra, que sale y el caso en el que la solución óptima es
encontrada. Aquí recordamos los procedimientos según el criterio dado el caso
"minimizar".
 Minimizar
Variable La más negativa de los (Cj - Zj)
que entra
Variable Siendo "b" los valores bajo la celda solución y "a" el valor
que sale correspondiente a la intersección entre "b" y la variable que
entra. La más positiva de los "b/a".
Solución Cuando todos los (Cj - Zj) sean >= 0.
Óptima

FORMA TABULAR DEL MÉTODO SIMPLEX.

Construcción de la primera tabla

Las columnas de la tabla están dispuestas de la siguiente forma: la primera
columna de la tabla contiene las variables que se encuentran en la base (o
variables básicas), esto es, aquellas que toman valor para proporcionar una
solución; la segunda columna recoge los coeficientes que dichas variables básicas
tienen en la función objetivo (esta columna es llamada C b); la tercera muestra el
término independiente de cada restricción ( P0); a partir de ésta aparece una
columna por cada una de las variables de decisión y holgura presentes en la
función objetivo ( Pi). Para tener una visión más clara de la tabla, se incluye una fila
que contiene los títulos de cada una de las columnas.
Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la tabla,
donde aparecen los coeficientes de las variables de la función objetivo, y una
última fila que recoge el valor la función objetivo y los costes reducidos Z j−C j
Los costes reducidos muestran la posibilidad de mejora en la solución Z 0. Por este
motivo también son llamados valores indicadores.
Se muestra a continuación el aspecto general de la tabla del método Simplex:

Tabla
 C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
P1 Cb1 b1 a11 a12 ... a1n
P2 Cb2 b2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pm Cbm bm am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Todos los valores incluidos en la tabla vendrán dados por el modelo del problema
salvo los valores de la fila Z (o fila indicadora). Estos se obtienen de la siguiente
forma: Z j=∑ C bi∗Pi para i = 1..m, donde si j = 0, P0=biy C 0=0, y en caso contrario
P j=a ij .
Se observa, al realizar el método Simplex, que en esta primera tabla ocupan la
base todas las variables de holgura y por ello (todos los coeficientes de las
variables de holgura son 0 en la función objetivo) el valor inicial de Z es cero.
Por este mismo motivo tampoco es necesario realizar los cálculos de los costes
reducidos en la primera tabla, pudiéndose determinar directamente como el
cambio de signo de los coeficientes de cada variable en la función objetivo, esto
es, −C j .

Condición de parada
Se cumple la condición de parada cuando la fila indicadora no contiene ningún
valor negativo entre los costes reducidos (cuando el objetivo es la maximización),
esto es, no existe posibilidad de mejora.
Si no se cumple la condición de parada es necesario realizar una iteración más del
algoritmo, esto es, determinar la variable que se vuelve básica y la que deja de
serlo, encontrar el elemento pivote, actualizar los valores de la tabla y comprobar
si se cumple nuevamente la condición de parada.
Es también posible determinar que el problema no se encuentra acotado y su
solución siempre resultará mejorable. En tal caso no es necesario continuar
iterando indefinidamente y se puede finalizar el algoritmo. Esta situación ocurre
cuando en la columna de la variable entrante a la base todos los valores son
negativos o nulos.
Elección de la variable que entra a la base
Cuando una variable se vuelve básica, es decir, entra en la base, comienza a
formar parte de la solución. Observando los costes reducidos en la fila Z, se
decide que entra a la base la variable de la columna en la que éste sea el de
menor valor (o de mayor valor absoluto) entre los negativos.

Elección de la variable que sale de la base

Una vez obtenida la variable entrante, se determina que sale de la base la variable
que se encuentre en aquella fila cuyo cociente P0 / P j  sea el menor de los
estrictamente positivos (teniendo en cuenta que esta operación se hará
únicamente cuando P j sea superior a 0).

Elemento pivote
El elemento pivote de la tabla queda marcado por la intersección entre la columna
de la variable entrante y la fila de la variable saliente.

Actualización de la tabla
Las filas correspondientes a la función objetivo y a los títulos permanecerán
inalteradas en la nueva tabla. El resto de valores deberán calcularse como se
explica a continuación:
En la fila del elemento pivote cada nuevo elemento se calcula como:
Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.
En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en
Columna Pivote * Nuevo Elemento Fila Pivote).
De esta forma se consigue que todos los elementos de la columna de la variable
entrante sean nulos salvo el de la fila de la variable saliente cuyo valor será 1. (Es
análogo a utilizar el método de Gauss-Jordan para resolver sistemas de
ecuaciones lineales).

EL MÉTODO DE LAS DOS FASES.

El método de las Dos Fases se utiliza cuando aparecen variables artificiales en la
forma canónica o estándar del problema. La primera fase trata de resolver el
problema auxiliar Z ' de minimizar la suma de las variables artificiales y conseguir
que sea cero (con objeto de evitar incongruencias matemáticas). Una vez resuelto
este primer problema, y siempre y cuando el resultado sea el esperado, se
reorganiza la tabla resultante para utilizarla en la segunda fase sobre el problema
original.
En caso contrario el problema no es factible, es decir, no tiene solución y no será
necesario continuar con la segunda fase.

FASE 1
Esta primera fase es muy similar al método Simplex, con la excepción de la
construcción de la primera tabla, además de la necesidad de estudiar el resultado
obtenido para determinar si se desarrolla la segunda fase.
En tal caso, la última tabla de esta fase será, con algunas modificaciones, la
utilizada como tabla inicial para la segunda fase.

Construcción de la primera tabla:

Se elabora de manera análoga a la tabla inicial del método Simplex, pero con
algunas diferencias.
Como se ha comentado, en esta primera fase se resuelve un problema auxiliar (la
minimización de la suma de las variables artificiales) con una función objetivo
auxiliar. Por lo tanto en la primera fila de la tabla, donde se muestran los
coeficientes de las variables de la función objetivo, aparecerán todos los términos
a cero excepto los coeficientes de variables artificiales. El valor de cada uno de
estos coeficientes es -1 debido a que se está minimizando la suma de dichas
variables (recuerde que minimizar Z ' es igual que maximizar (−1)· Z ' ¿ .
La otra diferencia para la primera tabla radica en que ahora sí es necesario
calcular la fila Z (o fila indicadora).

Tabla

C0 C1 C2 ... Cn-k ... Cn

 Base Cb P0 P1 P2 ... Pn-k ... Pn

P1 Cb1 b1 a11 a12 ... a1n-k ... a1n

P2 Cb2 b2 a21 a22 ... a2n-k ... a2n

... ... ... ... ... ... ... ... ...

Pm Cbm bm am1 am2 ... amn-k ... amn

Z Z0 Z1 Z2 ... Zn-k ... Zn

Siendo:
Z j=∑ C bi∗Pi para i = 1..m, donde si j = 0, P0=biy C 0=0, y en caso contrario P j=a ij .

Condición de parada y paso a la fase 2:

La condición de parada es la misma que en el método Simplex normal. Esto es,
cuando en la fila indicadora ninguno de los valores de los costes reducidos es
negativo (ya que tal y como se ha planteado el objetivo es la maximización de
(−1)· Z ' ¿.
Cumplida la condición de parada es necesario determinar si es posible pasar a la
segunda fase para obtener la solución óptima del problema original. Esto se hace
observando el resultado obtenido en la primera fase: si su valor es 0, significa que
el problema original tiene solución y es posible calcularla, en caso contrario indica
que se trata de un problema no factible y no tiene solución.

FASE 2
La segunda fase del método de las Dos Fases se desarrolla exactamente igual
que el método Simplex, con la salvedad de que antes de iniciar las iteraciones hay
que eliminar las columnas correspondientes a las variables artificiales, y
reconstruir la tabla inicial.

Eliminar Columna de variables artificiales:

Si hemos llegado a la conclusión de que el problema original tiene solución,
debemos preparar nuestra tabla para la segunda fase. Este paso es muy sencillo,
se trata únicamente de eliminar las columnas correspondientes a las variables
artificiales.

Construcción de la tabla inicial:

La tabla inicial en este caso se mantiene casi igual a la última tabla de la primera
fase. Únicamente habrá que modificar la fila de la función objetivo por la del
problema original y calcular nuevamente la fila Z (de la misma forma que en la
primera tabla de la fase 1).
A partir de este punto, todas las iteraciones hasta llegar a la solución óptima del
problema no presentan ninguna diferencia con el método Simplex.

EJEMPLO:
FASE 1: Se considera un problema auxiliar que resulta de agregar tantas variables
auxiliares a las restricciones del problema, de modo de obtener una solución
básica factible. Resolver por Simplex un problema que considera como función
objetivo la suma de las variables auxiliares. Si el valor óptimo es cero, seguir a la
Fase II, en caso contrario, no existe solución factible.
FASE 2: Resolver por Simplex el problema original a partir de la solución básica
factible inicial hallada en la Fase I.
1)
Max 2 X 1+ x 2
S . a 10 X 1+10 X 2 ≤ 9
10 X 1 +5 x 2 ≤ 1
X 1 , X 2 ≥0

Se debe agregar X3 como variable de holgura de la restricción 1, X 4como variable

de exceso de la restricción 2 y X 4 variable auxiliar para poder comenzar la Fase 1.
(Nótese que solo agregando X 4 como variable de holgura a la restricción 1 y X 4
como variable de exceso a las segunda restricción no se obtiene una solución
básica factible inicial, en particular X 4 <0).
2)
Max X 5
S . a 10 X 1+10 X 2+ X 3=9
10 X 1 +5 x 2−X 4 + X 5=1
X1 , X2, X3, X4, X5, ≥ 0

La tabla inicial asociada a la Fase I queda en consecuencia definida de la

siguiente forma:
X1 X2 X3 X4 X5
10 10 1 0 0 9
10 5 0 -1 1 1
0 0 0 0 1 0

Luego, se debe hacer 0 el costo reducido de X 5 , obteniendo la siguiente tabla

inicial para hacer el uso de Simplex:
X1 X2 X3 X4 X5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1

Se escoge  X 1 , como variable que entra a la base al tener el costo reducido más
negativo. Posteriormente, mediante el criterio del mínimo cociente se selecciona la
variable que sale de la base: Min {9/10; 1/10} = 1/10,  X 5  sale de la base:
X1 X2 X3 X4 X5
0 5 1 1 -1 8
1 1/2 0 -1/10 1/10 1/10
0 0 0 0 1 0

Se obtiene la solución óptima de la Fase I, con valor óptimo cero. Luego iniciamos

la Fase II del método tomando  X 1  y X 3  como variables básicas iniciales.
FASE 2: Resolver por Simplex el problema original a partir de la solución básica
factible inicial hallada en la Fase I.
X1 X2 X3 X4
0 5 1 1 8
1 1/2 0 -1/10 1/10
-2 -1 0 0 0

Hacemos cero los costos reducidos de las variables básicas:

 X1 X2 X3 X4
0 5 1 1 8
1 1/2 0 -1/10 1/10
0 0 0 -1/5 1/5

X 4 entra a la base. Por el criterio del mínimo cociente, el pivote se encuentra en la

fila 1, por tanto  X 3  sale de la base:
X1 X2 X3 X4
0 5 1 1 8
1 1 1/10 0 9/10
0 1 1/5 0 9/5

Donde la solución óptima es:  X 1 =9/10     X 2 =0Con valor óptimo V (P)=9 /5.

CASOS ESPECIALES.

Llevar un problema de Programación Lineal a su forma estándar no siempre es

inmediato. Un error frecuente es tratar de resolver por el Método Simplex un
modelo que no cumple con el diseño que exige el método. A continuación, algunos
ejemplos y casos especiales a tener en cuenta:
Solución óptima: Cuando se cumple la condición de parada y no hay variables
artificiales en la base con valor positivo (los valores se indican en la columna P0),
se ha conseguido la optimización. El valor Z 0 actual es la solución óptima del
problema, cumpliéndose para las variables que se encuentran en la base. Si se
trata de un problema de minimización, el valor óptimo obtenido se multiplicará por
-1 .
Infinitas soluciones: Cumplida la condición de parada, si alguna variable de
decisión no básica tiene un valor 0 en la fila Z, significa que existe otra solución
que aporta el mismo valor óptimo para la función objetivo. Es este caso el
problema admite infinitas soluciones, estando todas ellas comprendidas dentro del
segmento (o porción del plano, región del espacio, etc. dependiendo del número
de variables del problema) definido por A X 1 + B X 2=Z 0. Mediante una nueva
iteración y haciendo que la variable de decisión que tiene el 0 en la fila Z entre en
la base se obtendrá otra solución diferente para el mismo valor óptimo.
Solución ilimitada (no acotada): Si toda la columna de la variable que entra a la
base tiene todos sus elementos negativos o nulos se trata de problema no
acotado, es decir, que tiene solución ilimitada. No hay valor óptimo concreto para
la función objetivo, sino que a medida que se aumenta el valor de las variables
también se incrementa el valor Z sin violar ninguna restricción.
No existe solución: Cuando ningún punto satisface todas las restricciones del
problema se produce la in-factibilidad no existiendo ninguna solución posible para
él. En este caso, una vez terminadas todas las iteraciones del algoritmo, existen
en la base variables artificiales cuyo valor es superior a cero.
Empate de variable entrante: Cuando se produce un empate en la condición de
decisión de la variable entrante se puede optar por cualquiera de ellas sin que esto
afecte a la solución final. Por contra si influye en el número de iteraciones
necesarias para obtener dicha solución. Se aconseja optar a favor de las variables
básicas ya que ellas son las que formarán parte de la solución óptima.
Empate de variable saliente: Se puede nuevamente optar por cualquiera de ellas.
Sin embargo, a fin de no alargar el problema y evitar la entrada en un bucle infinito
(caso degenerado), se discrimina a favor de las variables de decisión haciendo
que permanezcan en la base. En el caso de estar en la primera fase del método
de las Dos Fases, se optará por sacar de la base las variables artificiales.
Curiosidad en la Fase 1: Al finalizar la fase 1, si el problema original tiene solución,
todas las variables artificiales en la fila indicadora deben tener el valor "1".
¿El elemento pivote puede ser nulo?: No, el elemento pivote siempre será
estrictamente positivo ya que únicamente se realizan los cocientes entre valores
no negativos y mayores que cero (ante un problema de maximización).
EJEMPLOS:
a) CAMBIO DE VARIABLES

Resuelva el siguiente problema de Programación Lineal utilizando el Método

Simplex.
Max 2 X 1+ 2 X 2+ 4 X 3
S . a X 2 +2 X 3 +≤240 (R1)
X 1 + X 2+ X 3 ≤ 400 ( R 2)
2 X 1 + X 2 + X 3 ≤ 360( R 3)
X 1 ≥100 ( R 4 ) X 2 ≥ 60 ( R 5 ) X 3 ≥ 60(R 6)

Si quisiéramos resolver directamente este problema utilizando Simplex

deberíamos agregar variables de exceso para R 4 , R 5 y R 6y luego variables
artificiales para disponer de una solución básica factible de modo de utilizar el
Método Simplex de
2 Fases. Claramente esto es un trabajo tedioso por el gran tamaño de la tabla
resultante.
En consecuencia, lo más eficiente es hacer un cambio de variables de modo que
todas las restricciones queden del tipo "<=" y de esta forma se dispone de una
solución básica factible inicial. Sea Y 1= X 1−100 ≥0 ; Y 2 =X 2−60 ≥ 0 ; Y 3=X 3−60 ≥ 0
Reemplazamos en el modelo anterior, el cual queda de la siguiente forma:
Max 2Y 1 +2 R2 +4 Y 3
S . a Y 2+ 2Y 3 ≤60 (R1)
Y 1 +Y 2 +Y 3 ≤ 180(R 2)
2 Y 1+ Y 2+Y 3 ≤ 40( R 3)
Y 1 ≥0 ( R 4 ) Y ≥ 0 ( R 5 ) Y 3 ≥ 60(R 6)

Nótese que se podría obviar la restricción 2 y obtener idénticos resultados. De

todos modos, definimos la tabla inicial asociada a este nuevo problema:

Y1 Y2 Y3 S1 S2 S3
0 1 2 1 0 0 60
1 1 1 0 1 0 180
2 1 1 0 0 1 40
-2 -2 -4 0 0 0 0

Compruebe que 
Y 1=5 (X 1=105)=; Y 2 =0 ( X 2=60 ) ;Y 3=30( X 3=90)con V (P)=690.

b) PROBLEMA INFACTIBLE 
Esta situación se detecta cuando el valor óptimo del problema de la fase 1 es
distinto de cero.
Max 3 X 1+ 2 X 2
S . a 2 X 1+Y 2 ≤ 2
3 X 1 + 4 X 2 +≥ 12
X 1 , X 2 ≥0

Llevamos el modelo a su forma estándar agregando X 3 como variable de holgura

de la restricción 1, X 4 como variable de exceso de la restricción 2 y X 5 como
variable artificial de la restricción 2 que nos permita formar la base. De esta forma
el modelo de la fase 1 queda definido por:
Min X 5
S . a 2 X 1+ X 2+ X 3=2
3 X 1 + 4 X 2− X 4 + X 6=12
X1 , X2 , X3 , X4 , X5≥ 0

Con tabla inicial:

X1 X2 X3 X4 X5
2 1 1 0 0 2
3 4 0 -1 1 12
0 0 0 0 1 0

Y tabla final de la fase 1:

X1 X2 X3 X4 X5
2 1 1 0 0 2
-5 0 -4 -1 1 4
5 0 4 0 0 -4

c) NO ACOTADO:
Esta situación se detecta cuando al realizar el cálculo de la variable que deja la
base, todos los elementos y kj de la columna j en la tabla, son negativos para j el
índice de una variable no básica con costo reducido negativo.
Max 2 X 1+ x 2
S . a X 1−X 2 ≤ 10
2 X 1 ≤ 40
X 1 , X 2 ≥0

Donde la tabla inicial del método simplex luego de agregar X 3 y X 4 como variables
de holgura para las restricciones 1 y 2 respectivamente es:
X1 X2 X3 X4
1 -1 1 0 10
2 0 0 1 40
-2 -1 0 0 0
 
Cabe destacar que en esta instancia ya se puede constatar que el problema es no
acotado. X 2 siendo variable no básica los elementos de la respectiva columna son
negativos o cero. Sin embargo, si el usuario no se percata inmediatamente de
esto, de todos modos llegará a la misma conclusión en la iteración posterior, luego
de hacer entrar X 1 a la base como aquella variable no básica con costo reducido
más negativo.
 d) MÚLTIPLES SOLUCIONES ÓPTIMAS
Esta situación se detecta cuando existen costos reducidos iguales a cero en una o
más de las variables no básicas óptimas.
Max 3 X 1+ 2 x 2
S . a 5 X 1+ 2 X 2 ≤ 140
3 X 1 +2 x2 ≤120
X 1 , X 2 ≥0

Con tabla final del Método Simplex:

X1 X2 X3 X4
1 0 1/2 -1/2 10
0 1 -3/4 5/4 45
0 0 0 1 120
 
Nótese que se ha encontrado una de las infinitas soluciones óptimas para el
problema ( X 1=10 , X 2=45 , V ( P )=120)

Esto debido a que la variable no básica  X 3  tiene costo reducido igual a cero en el
óptimo. ¿Cómo se puede obtener otro vértice con similar valor óptimo?. Se debe
forzar la entrada entonces de  X 3  a la base y sacar de la base una de las variables
básicas actuales (si sigue el cálculo notará que esta corresponde a X1).
Finalmente, el nuevo vértice óptimo es  X 1 =10 , X 2=45 , V ( P )=120. El resto de las
infinitas soluciones óptimas está contenida en tramo que une los 2 vértices tal
como se muestra en la figura:
 
 e) METODO DE LA GRAN M
En el contexto de la aplicación del Método Simplex no siempre es inmediata la
obtención de una solución básica factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios procedimientos como son el Método
Simplex de 2 Fases y el Método de la M Grande (o Gran M) el cual abordaremos
en este artículo. Para ello consideremos el siguiente modelo de Programación
Lineal en 2 variables:

A continuación, agregamos las variables no negativas  x 3 (holgura restricción 1), r 1 

(auxiliar restricción 2),  x 4   (exceso restricción 3) y r 2 (auxiliar restricción 3). El
modelo ahora es:

Donde el parámetro M es una constante positiva suficientemente grande para

representar una penalización adecuada en la función objetivo. La tabla inicial del
método está dada por:
Antes de continuar con las iteraciones se debe procurar que el costo reducido de
las variables r 1 y r 2
 sean ceros. Para ello multiplicamos por -M la fila 2 y la fila 3 y luego sumamos a
la fila 4, obteniendo lo siguiente:

Ahora debemos seleccionar que variable no básica ingresa a la base. El menor

costo reducido corresponde a la variable  x 1 en consecuencia dicha variable
ingresa a la base. Luego calculamos el mínimo cociente en dicha columna:

, el cual se alcanza en la fila 1, por tanto, la variable 

deja la base. Se actualiza la tabla:

Siguiendo con las iteraciones ahora la variable   entra a la base. El criterio de

r
factibilidad indica que:   la variable  2 abandona la base (el
pivote se encuentra en la fila 3). Actualizamos la tabla:

Una nueva iteración indica que  x 3 ingresa a la base. El mínimo cociente en la

respectiva columna es:   (recordar que se omiten

denominadores menores a cero). Ahora el pivote se encuentra en la fila 2 y en
consecuencia   deja la base. Se actualiza la tabla:
 15 9
Se ha alcanzado la solución óptima con x 1= y x2=  .Notar que las variables
2 2
21
auxiliares (r 1 y r 2) son no básicas en el óptimo. El valor óptimo es  (notar que el
4
signo esta cambiado).

Para una mejor comprensión de los resultados alcanzados a continuación se

presenta la resolución gráfica del problema haciendo uso del software Geogebra.
El dominio de soluciones factibles corresponde a la recta que une los vértices A y
B. Adicionalmente se muestra la curva de nivel que pasa por la solución óptima
(vértice B).

Teóricamente se espera que en la aplicación del Método de la M Grande las

variables auxiliares sean no básicas en el óptimo. Si el modelo de Programación
Lineal es in-factible (es decir, si las restricciones no son consistentes), la iteración
del Método Simplex final incluirá al menos una variable artificial como básica.
Adicionalmente la aplicación de la técnica de la M Grande implica teóricamente
que M tiende a infinito. Sin embargo al usar la computadora M debe ser finito, pero
suficientemente grande. En específico M debe ser lo bastante grande como para
funcionar como penalización, al mismo tiempo no debe ser tan grande como para
perjudicar la exactitud de los cálculos del Método Simplex, al manipular una
mezcla de números muy grandes y muy pequeños.