Repú blica Bolivariana de Venezuela

Ministerio del Poder Popular para la Educació n

Universidad ¨Gran Mariscal de Ayacucho¨
Escuela de Administració n
Barcelona-Estado Anzoá tegui
Turno: Noche

PROGRAMACION LINEAL: METODO

SIMPLEX – METODO SIMPLE REVISADO

Profesor: Alumno:
José Marchan Antonio Ojeda CI 27.584.331

Barcelona, 26 de mayo de 2021

 INDICE

-INTRODUCCION……………………………………………………………………………………………………….3

- CONCEPTOS GENERALES DEL METODO SIMPLEX…………………………………………………...4

- CREACION DEL METODO SIMPLEX……………………………………………………………….…………4

- FORMA ESTANDAR………………………………………………………………...………………………………..7

- DEGENERACION……………………………………………………………….……………………………………..7

- OPCIONES Ó PTIMAS………………………………………………………………………………………………..9

- SOLUCION NO ACOTADA E INFALIBLES…………………………………………………………………..10

- IMTERPRETACION DE LA TABLA SIMPLEX……………………………………….……………………..14

- SOLUCION Ó PTIMA………………………………………………………………………………………………….17

- ESTADOS DE LOS RECURSOS……………………………………………………………………………………19

- MODELO DE PROGRAMACION LINEAL EN FORMA MATRICIAL…………………………………19

- TABLA SIMPLEX EN FORMA MATRICIAL…………………………………………………………………..25

- PASOS DEL METODO SIMPLEX PRIMAL DE REVISADO……………………………………….…….26

-CONCLUSION……………………………………………………………………………………………………………28

-BIBLIOGRAFIA………………………………………………………………………..………………………………..29
 INTRODUCCION

El método algebraico es muy dispendioso, en razó n a que trabaja con todos los datos de las
ecuaciones, para mejorar éste aspecto se creó el método simplex cuya gran virtud es su
sencillez, método muy prá ctico, ya que solo trabaja con los coeficientes de la funció n objetivo y
de las restricciones. Las reglas de decisió n para determinar la variable que entra, la que sale, la
gran M, y có mo determinar que estamos en el ó ptimo; Todas éstas reglas de decisió n fueron
deducidas del método algebraico, solamente que aquí se han acomodado para ser usadas en el
tipo de tablero simplex que se usará .

La Programació n Lineal es tal vez la herramienta más famosa y utilizada de la Investigació n de

Operaciones. A ella recurren los matemáticos, ingenieros de diferentes disciplinas, economistas,
administradores de empresas, estadísticos, veterinarios y en general cualquier profesional que
esté involucrado en la toma de decisiones con recursos escasos. Es por ello que en los planes
curriculares de diversos programas de formació n a nivel de pregrado, especializació n, maestría
e incluso doctorado, la incluyen directamente como asignatura o como tema en cursos de
investigación de operaciones.

CONCEPTOS GENERALES DEL METODO SIMPLEX

 La aplicació n del método simplex presupone que se tiene un sistema de
restricciones lineales formado só lo por ecuaciones lineales. Esta transformació n
puede ser llevada a cabo de una forma muy simple introduciendo algunas variables
adicionales, las cuales se denominan variables de holgura. Estas variables se definen
una para cada restricció n y si la misma tiene el signo ≤ la variable de holgura se
adiciona y el signo fuera ≥ la variable de holgura se restara.

 Luego que se tiene un problema de Programació n Lineal está ndar, es decir, todas

las restricciones tienen signos de igualdad es necesario determinar la solució n bá sica
factible inicial (S.B.F.I).

 Dado un sistema de m ecuaciones lineales con n variables (AX=b) con m<n y rango
r(A)=m. Si escogemos cualquier matriz no singular de orden mxm y si todas las (n-m)
variables no asociadas con estas columnas de la matriz son iguales a cero, entonces la
solució n al sistema de ecuaciones resultante es llamada una solució n bá sica. Como la
matriz A consta de n columnas se puede definir la matriz B formada por m columnas
linealmente independientes de A, esta matriz la llamaremos matriz bá sica. Con las (n-
m) columnas restantes de A se puede construir otra matriz que se denominará matriz
no bá sica y la denotaremos por W. Entonces puede escribirse la matriz A de la
siguiente manera: A = (B, W).

 Las variables que forman parte de la matriz B se llaman variables bá sicas (XB) y las
que forman parte de la matriz W se llaman variables no bá sica.( XW ), entonces el
vector X está conformado por el conjunto de variables bá sicas y no bá sicas, es decir, X
= (XB, XW).

CREACION DEL METODO SIMPLEX

En Programació n Lineal una Solució n Bá sica Factible (SBF) es aquella que ademá s de
pertenecer a la regió n o á rea factible del problema se puede representar a través de una
solució n factible en la aplicació n del Método Simplex satisfaciendo las condiciones de no
negatividad.

En este contexto una solució n bá sica factible corresponderá a uno de los vértices del
dominio de factibilidad cuya coordenada o solució n se puede representar a través de un
conjunto de restricciones activas para el modelo.

Para desarrollar el concepto anterior consideremos el siguiente problema de optimizació n

matemá tica (lineal):
La resolució n grá fica del problema anterior haciendo uso de Geogebra se presenta en el
siguiente grá fico:

El área achurada corresponde al dominio de factibilidad del problema, identificá ndose en

particular 5 vértices que hemos llamado arbitrariamente A, B, C, D y E.
La solución óptima del modelo lineal se alcanza en el vértice
C donde X=100 e Y=350 con valor óptimo V(P)=3.100. Notar que dicha solució n se
puede obtener a través de la resolució n de un sistema de ecuaciones con las restricciones
1 y 3 (R1 y R3) en igualdad.
En consecuencia, el vértice C además de ser una solución básica factible es una solución
básica factible óptima.
En cuanto a los vértices A, B, D y E son soluciones básicas factibles (no óptimas) debido
a que en la aplicació n del Método Simplex al menos una variable no bá sica tendrá  costo
reducido negativo (lo que permitirá mejorar el actual valor de la funció n objetivo).
La tabla a continuació n es la que se obtiene al llevar al problema a su forma está ndar,
agregando S1, S2 y S3 como variables de holgura de las restricciones 1, 2 y 3,
respectivamente (R1, R2 y R3).

Ambas variables no bá sicas (iniciales) X e Y tienen costo reducido negativo (-3 y -8) por
tanto X=0 e Y=0 que si bien es una solució n bá sica factible (vértice A) no es solució n
ó ptima.
Para continuar la demostració n realizaremos una iteració n del Método
Simplex incorporando la variable Y a la base (criterio costo reducido “más negativo“) y
donde el mínimo cociente Min {1.600/4; 1.700/2; 350/1}=350 ==> S3 deja la base:

La solució n bá sica factible ahora es X=0 e Y=350 (vértice B), sin embargo, el costo

reducido de la variable X sigue siendo negativo y por tanto aú n no nos encontramos en el
ó ptimo. En consecuencia X entra a la base y obtenemos el mínimo cociente: Min {200/2;
1.000/6}=100 ==> S1 deja la base:
Finalmente se alcanza la solució n ó ptima (solución básica factible óptima)
con X=100 e Y=350 (vértice C) donde todas las variables no bá sicas (S1 y S3) tienen
costos reducido mayor o igual a cero, cumpliendo con el criterio de optimalizad.

¿Qué sucede con los vértices D y E? También son soluciones bá sicas factibles (no
ó ptimas) que se podrían encontrar por ejemplo incorporando en primera instancia (tabla
inicial) a la variable X a la base. De esta forma se debería alcanzar el vértice E luego de
una iteració n y el vértice D en una segunda iteració n.

Notar que también existen otras soluciones factibles (no bá sicas) como, por
ejemplo, X=100 e Y=100 que pertenecen al dominio de soluciones factibles pero no se
puede representar a través de la resolució n de un sistema de ecuaciones.

Forma Estándar

La forma está ndar es cuando un modelo de programació n lineal si cada restricció n es una
igualdad, y las restricciones de signo son del tipo mayor igual que cero (<=0) para cada
variable.
Ej.
Forma Está ndar:
Max Z= 3x1 + 2x2 Max Z= 3x1 + 2x2
X1 + 2x2 <= 6; x1 + 2x2 + x3 = 6;
2x1 + x2 <= 8; 2x1 + x2 + x4 = 8;
-x1 + x2 <= 1; -x1 + x2 + x5 = 1;
X2 <= 2; x2 + x6 = 2;
Xi >= 0; Xi >= 0;

Degeneración

En la aplicació n del Método Simplex al hacer el cálculo del mínimo cociente o condició n de
factibilidad, se puede romper un empate en la razó n o cuociente mínimo en forma
arbitraria. En este caso, al menos una variable bá sica será cero en la siguiente iteració n,
afirmá ndose en este caso que la nueva solució n es degenerada. La implicancia práctica de
dicha condició n indica que el modelo tiene al menos una restricció n redundante.
Solución Óptima Degenerada

Consideremos el siguiente modelo de Programació n Lineal el cual resolveremos a través

del Método Simplex y que de forma complementaria representaremos grá ficamente
con Geogebra:

Llevamos el problema anterior a su forma está ndar de minimizació n, agregando   y ,

como variables de holgura de las restricciones 1 y 2, respectivamente.

Que da origen a la siguiente tabla inicial del Método Simplex:

Para favorecer la rapidez de convergencia del algoritmo seleccionamos   como la

variable que ingresa a la base. A continuació n calculamos el criterio de factibilidad
(mínimo cuociente):   (al existir empate seleccionaremos arbitrariamente
la variable   como aquella que deja la base. Luego se actualiza la tabla:

Ahora   ingresa a la base. El criterio de factibilidad determina que:   

 deja la base. Se realiza entonces una nueva iteració n:
Se alcanza la solució n ó ptima degenerada del problema lineal. Notar que
. Como éste es un problema bidimensional,
la solució n está  sobre determinada y una de las restricciones es redundante tal como se
corrobora en la representació n grá fica:

En la práctica conocer que algunos recursos (como los asociados a una restricció n) son
superfluos puede ser valioso durante la implementació n de la solució n. Desde el punto de
vista teórico, la degeneració n tiene dos implicaciones: se genera el fenó meno de ciclos o
círculos (es posible que el Método Simplex repita una serie de iteraciones sin mejorar el
valor de la funció n objetivo, tal como se observó en el ejemplo anterior e incluso
eventualmente nunca terminar los cá lculos); el segundo aspecto teó rico surge al examinar
las iteraciones 1 y 2. Las dos, aunque difieren en la clasificació n de las variables bá sicas y
no bá sicas, producen valores idénticos para todas las variables y el valor objetivo
(  ).

Opciones Óptimas

Solución óptima: cuando se cumple la condició n 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
optimizació n. El valor Z0 actual es la solució n ó ptima del problema, cumpliéndose para las
variables que se encuentran en la base. Si se trata de un problema de minimizació n, el
valor ó ptimo obtenido se multiplicará por "-1".

Infinitas soluciones: cumplida la condició n de parada, si alguna variable de decisió n no

bá sica tiene un valor 0 en la fila Z, significa que existe otra solució n que aporta el mismo
valor ó ptimo para la funció n objetivo. Es este caso el problema admite infinitas soluciones,
estando todas ellas comprendidas dentro del segmento (o porció n del plano, regió n del
espacio, etc. dependiendo del nú mero de variables del problema) definido por A·X1 + B·X2
= Z0. Mediante una nueva iteració n y haciendo que la variable de decisió n que tiene el 0 en
la fila Z entre en la base se obtendrá otra solució n diferente para el mismo valor ó ptimo.

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 solució n ilimitada. No hay valor ó ptimo concreto para la funció n objetivo sino que a
medida que se aumenta el valor de las variables también se incrementa el valor Z sin
violar ninguna restricció n.

No existe solución: cuando ningú n punto satisface todas las restricciones del problema se
produce la in-factibilidad no existiendo ninguna solució n 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 condició n de decisió n

de la variable entrante se puede optar por cualquiera de ellas sin que esto afecte a la
solució n final. Por contra si influye en el nú mero de iteraciones necesarias para obtener
dicha solució n. Se aconseja optar a favor de las variables bá sicas ya que ellas son las que
formará n parte de la solució n ó ptima.

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 decisió n 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 solució n, 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 ú nicamente se realizan los cocientes entre valores no negativos y mayores
que cero (ante un problema de maximizació n).

Solución No Acotada e Infalibles

El Método Simplex es un algoritmo que nos permite resolver modelos de Programación
Lineal que en ciertas ocasiones permite identificar casos excepcionales como infinitas
soluciones óptimas o que el problema es no acotado. En este contexto
el Método Simplex rescata las condiciones establecidas en el Teorema Fundamental de la
Programación Lineal.
En la aplicació n del Método Simplex, un problema no acotado se detecta cuando en una
iteració n cualquiera existe una variable no básica con costo reducido negativo y todos los
elementos en la columna de dicha variable son negativos o cero. Es decir, no se puede
seleccionar un pivote para determinar la variable que debe dejar la base.
Consideremos el siguiente modelo de Programación Lineal:

Si resolvemos gráficamente dicho modelo nos podemos percatar que éste es no acotado.

Notar que el dominio de soluciones factibles (á rea sombreada o achurada) es no
acotado dado que crece indefinidamente en la direcció n de la variable X2.

Las curvas de nivel de la función objetivo crecen a su mayor tasa en la direcció n del vector

gradiente   lo que indica que se podría desplazar indefinidamente en
esa direcció n y siempre interceptar el dominio de soluciones factibles.
Cómo detectar que un Problema es No Acotado con el Método Simplex

El Método Simplex es un algoritmo que nos permite resolver modelos de Programación

Lineal que en ciertas ocasiones permite identificar casos excepcionales como infinitas
soluciones óptimas o que el problema es no acotado. En este contexto
el Método Simplex rescata las condiciones establecidas en el Teorema Fundamental de
la Programación Lineal.
En la aplicació n del Método Simplex, un problema no acotado se detecta cuando en una
iteració n cualquiera existe una variable no básica con costo reducido negativo y todos
los elementos en la columna de dicha variable son negativos o cero. Es decir, no se
puede seleccionar un pivote para determinar la variable que debe dejar la base.
Consideremos el siguiente modelo de Programación Lineal:

Si resolvemos gráficamente dicho modelo nos podemos percatar que éste es no acotado.

Notar que el dominio de soluciones factibles (á rea sombreada o achurada) es no
acotado dado que crece indefinidamente en la direcció n de la variable X2.
Las curvas de nivel de la función objetivo crecen a su mayor tasa en la direcció n del
vector gradiente   lo que indica que se podría
desplazar indefinidamente en esa direcció n y siempre interceptar el dominio de
soluciones factibles.
¿Cómo podemos detectar esta situación (Problema No Acotado? utilizando el
Método Simplex?

Para ello llevamos el modelo a su forma está ndar, agregando X3 y X4 como variables de

holgura de la restricció n 1 y 2, respectivamente. Lo anterior define la siguiente tabla inicial
del método:

Notar que X2 es la variable no bá sica con el costo reducido má s negativo y siguiendo ese
criterio debería ser aquella que ingresamos a la base. Sin embargo, no es factible hacer el
criterio de factibilidad o mínimo cuociente debido a que los elementos en la columna
de X2 son negativos o cero. En esta instancia ya se puede afirmar que el problema es no
acotado.
Observación: Se puede verificar que si seleccionamos X1 como la variable que entra a la
base y se aplica una iteración del Método Simplex se llegara a una conclusión similar a la
presentada anteriormente.

IMTERPRETACION DE LA TABLA SIMPLEX

Construcción de la primera tabla:

Las columnas de la tabla está n dispuestas de la siguiente forma: la primera columna

de la tabla contiene las variables que se encuentran en la base (o variables bá sicas), esto
es, aquellas que toman valor para proporcionar una solució n; la segunda columna recoge
los coeficientes que dichas variables bá sicas tienen en la funció n objetivo (esta columna es
llamada Cb); la tercera muestra el término independiente de cada restricció n (P0); a partir
de ésta aparece una columna por cada una de las variables de decisió n y holgura presentes
en la funció n objetivo (Pj). Para tener una visió n má s 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 funció n objetivo, y una ú ltima fila que
recoge el valor la funció n objetivo y los costes reducidos Zj - Cj.

Los costes reducidos muestran la posibilidad de mejora en la solució n Z0. Por este
motivo también son llamados valores indicadores.

Se muestra a continuació n 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

 Es también posible determinar que el problema no se encuentra acotado y su

solució n siempre resultará mejorable. En tal caso no es necesario continuar iterando
indefinidamente y se puede finalizar el algoritmo. Esta situació n 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 bá sica, es decir, entra en la base, comienza a formar
parte de la solució n. 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/Pj sea el menor de los
estrictamente positivos (teniendo en cuenta que esta operació n se hará
ú nicamente cuando Pj sea superior a 0).

 Elemento pivote:

El elemento pivote de la tabla queda marcado por la intersecció n entre la columna

de la variable entrante y la fila de la variable saliente.

 Actualización de la tabla:

Las filas correspondientes a la funció n objetivo y a los títulos permanecerá n

inalteradas en la nueva tabla. El resto de valores deberá n calcularse como se
explica a continuació n:

o En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.

o 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).

Método de las Dos Fases

El método de las Dos Fases se utiliza cuando aparecen variables artificiales en la

forma canó nica o está ndar 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 matemá ticas). 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 solució n y no será

necesario continuar con la segunda fase.

FASE 1
 Esta primera fase es muy similar al método Simplex, con la excepció n de la
construcció n de la primera tabla, ademá s de la necesidad de estudiar el resultado obtenido
para determinar si se desarrolla la segunda fase.

En tal caso, la ú ltima 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 aná loga 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 minimizació n de la suma de las variables artificiales) con una funció n objetivo
auxiliar. Por lo tanto en la primera fila de la tabla, donde se muestran los
coeficientes de las variables de la funció n objetivo, aparecerá n 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
Bas
Cb P0 P1 P2 ... Pn-k ... Pn
e
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 Zj = Σ(Cbi·Pj) - Cj para i = 1..m, donde si j = 0, P0 = bi y C0 = 0, y en caso
contrario Pj = aij.

 Condición de parada y paso a la fase 2:

La condició n 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 maximizació n de (-
1)·Z').

Cumplida la condició n de parada es necesario determinar si es posible pasar a

la segunda fase para obtener la solució n ó ptima 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 solució n y es posible calcularla, en caso contrario indica
que se trata de un problema no factible y no tiene solució n.

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 conclusió n de que el problema original tiene solució n,

debemos preparar nuestra tabla para la segunda fase. Este paso es muy sencillo, se
trata ú nicamente 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 ú ltima tabla de la primera
fase. Ú nicamente habrá que modificar la fila de la funció n 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 solució n ó ptima del
problema no presentan ninguna diferencia con el método Simplex.

SOLUCION ÓPTIMA

Se acaba de describir e ilustrar la forma de analizar cambios simultá neos en los

coeficientes de una variable no bá sica xj. Es una práctica comú n en el análisis de
sensibilidad poner atenció n también en el efecto de cambiar só lo un pará metro, cj. Esto
incluye simplificar el enfoque anterior para encontrar el intervalo de valores permitidos
para permanecer ó ptima para cj.

Para cualquier cj, su intervalo permitido para permanecer ó ptima es el intervalo de

valores para el que la solució n ó ptima actual (obtenida por el método simplex para el
modelo actual antes de cambiar cj) permanece ó ptima. (Se supone que el cambio en esta
ú nica cj, es el ú nico cambio al modelo actual.) Cuando xj, es una variable no bá sica para
esta solució n, la solució n permanece ó ptima mientras z*j -cj " 0, donde z*j = y*Aj es una
constante a la que no afecta el cambio en el valor de cj. Entonces, el intervalo permitido
para permanecer ó ptima para cj, se puede calcular como cj " y*Aj .

Por ejemplo, considere el modelo actual para el problema de la Wyndor Glass Co. que se
resume en el lado izquierdo de la tabla 1.3, donde la solució n ó ptima actual (con C1 = 3)
está dada en el lado derecho. Cuando só lo se cambia C1, esta solució n permanece ó ptima
siempre que 1

c1 " y*A1 = (0, 0, 5/2) 0 = 7 ½, 3 de manera que C1 " 7 ½ es el intervalo permitido para
permanecer ó ptima.
Una alternativa para realizar esta multiplicació n de vectores es observar en la tabla 1.3
que z*1 - c1 = 9/2 ( el coeficiente de x1 en el regló n 0) cuando c1 = 3, de manera que z*1 =
3 + 9/2 = 7 ½. Como z1 = y*A1, de inmediato se llega al mismo intervalo permitido.

Para cualquier variable de decisió n no bá sica cj, en ocasiones se hace referencia al valor z*j
- cj como el costo reducido para xj, porque es la cantidad mínima en la que tendría que
reducirse el costo unitario de la actividad j para hacer que valga la pena realizar esa
actividad j (aumentar el valor de xj a má s de cero). Al interpretar cj como la ganancia
unitaria de la actividad j (lo que reduce el incremento en el costo unitario cj por la misma
cantidad), el valor de z*j - cj es entonces el incremento má ximo permitido en cj para
conservar ó ptima la solució n BF actual.

En la interpretació n de la solució n ó ptima, se debe ver si el problema tiene "variables

discretas" o "variables continuas". Si se tienen variables discretas, al hacer la
interpretació n de la solució n ó ptima del problema, se tendrá que dar en valores "enteros"
haciendo los ajustes requeridos en la solució n matemá tica obtenida. Si son variables
continuas, la interpretació n se hará directamente con los valores obtenidos sin hacer
ningú n ajuste.

Siempre está asociada a un punto extremo de la regió n factible y satisface todas las
restricciones si se evalú a en ellas así como es el punto que en el caso de maximizació n
hace que el valor de z sea el má ximo (má s grande) y el caso de minimizació n sea el mínimo
(má s pequeñ o).

Solución óptima múltiple

Existen problemas lineales que no tienen una solució n ó ptima ú nica, sino que al contrario,
tienen un nú mero infinito de soluciones. Para detectar una solució n mú ltiple en la tabla
ó ptima, se deberá tener al menos una variable con su Zj-Cj=0 no bá sica.
 ESTADOS DE LOS RECURSOS

 Pueden ser de dos tipos: Escasos y abundantes.

S1 es escaso (representa a Horas Hombre en carpintería).
S2 es escaso (representa a Horas Hombre en acabado).
Estas dos variables no forman parte de la solució n bá sica por lo tanto S1=S2=0 lo cual
indica que se ha utilizado todo en el proceso productivo.
Por otro lado, un recurso es abundante cuando forma parte de las variables bá sicas y es
diferente de cero. Lo cual indica que existen recursos disponibles al finalizar el proceso
productivo por lo tanto no es necesario disponer de má s recursos.

Precios Duales (Precios sombra).- Representa el Precio Unitario que tiene cada recurso

expresado en unidades monetarias por unidad de medida del recurso.
En el ejemplo:
El recurso 1: tiene un precio dual Y1 = 44/15.
El recurso 2: tiene un precio dual Y2 = 4/15.

CAMBIO EN LA DISPONIBILIDAD DE LOS RECURSOS

Cualquier cambio Di que se haga a un recurso Bi este afectará a la funció n objetivo en una

proporció n igual al coeficiente del recurso en la misma funció n objetivo.
Es decir: Si cambio el recurso 1 de: 6000 a 6000 + D1, entonces, Z = 56000/3 + (44/15)D1.

MODELO DE PROGRAMACION LINEAL EN FORMA MATRICIAL

Primero
Partiendo de un problema de Programació n Lineal que se encuentra en la forma está ndar,
Se determinan las matrices: A, b, B, Cj, CB, y XB.

Donde:
A es la matriz de coeficientes de las variables en las restricciones
B es el lado derecho de las restricciones (limitaciones)
B es la matriz que proporciona la Solució n Inicial Bá sica Factible y está formada por las
Columnas de las variables bá sicas, es decir aquellas que está n en solució n.
Cj son los coeficientes de las variables en la funció n objetivo
CB son los coeficientes de las variables bá sicas en la Funció n Objetivo.
XB son los valores de las variables bá sicas que dan la solució n al problema.

Segundo
Se obtiene B Inversa (B-1). Ya sea por el Método de Cofactores o por el Método de Notas
del Método Simplex
Se obtiene XB, donde X B b B -1 = Z = CB X B Cuarto Determinar la variable que entra en la
base de solució n Se obtienen los Zj-Cj para las variables No-bá sicas donde
Z j = CBYj y j j Y B a –
Las Yj de las variables bá sicas forman las columnas de la matriz identidad y las Zj-Cj de
Las variables bá sicas son cero.
Las Yj son las columnas actualizadas a las transformaciones de rengló n de la matriz A.
Para generar la columna de la matriz identidad que aporta la columna de la variable que
Entra en solució n.
Para un problema de Maximizació n
Entra la variable que tenga el má s negativo Zj-Cj y se alcanza la solució n ó ptima cuando
Todos los valores sean positivos en el aná lisis de Zj-Cj.
Para un problema de Minimizació n
Entra la variable que tenga el má s positivo Zj-Cj y se alcanza la solució n ó ptima cuando
Todos los valores sean negativos en el aná lisis de Zj-Cj.
Cj-Zj es el beneficio que se tendrá en Z por cada unidad de valor que tenga la variable que
Entra en solució n (Xr).
Quinto
Determinar la variable que sale de solució n Se analiza cada columna de las variables No-
bá sicas junto con el valor de las variables bá sicas XB. Sale de solució n aquella variable que
tenga el

Donde r corresponde a la columna de la variable que entra en la solució n

Sexto
La columna de la variable que entra en solució n deberá aportar la columna de la matriz
identidad.

Notas del Método Celis 5 En la matriz B la columna de la variable de Min que tuvo
el abandona la base de
Solució n y entra en su lugar la columna de la variable r.
Séptimo Regresar al paso 2, hasta que se cumpla el criterio de optimizació n, considerado
en el paso 4.

Ejemplo:
Analizando la variable que entra en solució n:

Analizando la variable que sale de solució n:

Ahora

Analizando la variable que entra en solució n:

 TABLA SIMPLEX EN FORMA MATRICIAL

Las operaciones algebraicas realizadas por el método simplex (multiplicar una ecuació n
por una constante y sumar un mú ltiplo de una ecuació n a otra) se expresan en forma
matricial pre multiplicando ambos lados del conjunto original de ecuaciones por la matriz
apropiada. Esta matriz tiene el mismo nú mero de elementos que la matriz idéntica,
excepto que cada mú ltiplo de una operació n algebraica se debe colocar en el lugar que se
necesita para que la multiplicació n de matrices realice esta operació n. Aú n después de una
serie de operaciones algebraicas a través de varias iteraciones se puede deducir cuá l debe
ser esta matriz (simbó licamente) en cada paso usando lo que ya se sabe sobre el lado
derecho del nuevo conjunto de ecuaciones. En particular, después de cualquier iteració n,
xB = B^-1b y Z = cBB^-1b, por lo que el lado derecho de las ecuaciones se ha convertido
en:
 PASOS DEL METODO SIMPLEX PRIMAL DE REVISADO

El método simplex revisado conserva las mismas características que el método

simplex:

1) Las variables de decisió n tienen que ser mayor a cero

2) Las restricciones tienen que tener la forma <=

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

los nú meros que aparecen en la tabla del método normal no se usan realmente en
las iteraciones, por lo cual en el método revisado solo se calculan los valores
necesarios para encontrar la solució n ó ptima a través de matrices.

Sin embargo, este método requiere muchas operaciones de matrices y deja de

estar tan estructurado como el método simplex, por lo cual es muy posible
confundirse durante las iteraciones

Antes de aplicar el método es necesario pasar el modelo planteado a su forma

está ndar matricial:

Max z=Cx
Ax=b
x>=0

Donde:
C es una vector de n filas cuyos elementos son todos los valores de la funció n
objetivo.

x, que es un vector de n columnas cuyos valores son todas las variables de x que
aparecen en la funció n objetivo

A es una matriz que representa a todos los coeficientes que se encuentran del lado
izquierdo de las igualdades, incluyendo a las variables de holgura.

B es un vector que tiene todas las equivalencias de las igualdades en el lado

izquierdo, por lo cual el nú mero de columnas de A y son iguales.

Los pasos para hallar la solució n ó ptima son los mismos que en el método simplex.
Pero ahora se usan diferentes fó rmulas:

1) Comenzamos por ubicar la solució n inicial y los vectores de las matrices:

Donde B es una matriz que tiene los coeficientes correspondientes a las variables
de decisió n en las restricciones

2) Calculamos la variable de entrada con lo que sería la fila Zj-Cj, pero aplicamos
esta fó rmula:

Zj-Ch= (Cb)(B^-1)(aj)-Cj
Donde
Cb son los valores de las variables no bá sicas en la funció n objetivo

Aj es una matriz que corresponde a los valores en las restricciones que

corresponden a las variables no bá sicas

Cj son los valores de las variables no bá sicas que en la funció n objetivo

Se utiliza el mismo criterio que en el método simplex: elegimos al valor má s

pequeñ o si tenemos que maximizar la funció n o bien el má s grande si hay que
minimizar.

3) Primero hay que calcular el nuevo valor de las variables bá sicas:

Para calcular la variable de salida utilizamos la siguiente formula:

Yi= (B^-1) (ai)

Donde
Ai es un vector que corresponde a los valores de las restricciones de la variable de
entrada

Entonces hay que utilizar el mismo criterio para elegir a la variable de salida que
ene le método simplex:

Donde Xb e el vector con las soluciones actuales de las igualdades

4) Por ultimo hay que calcular el nuevo valor de las variables bá sicas, para eso hay
que cambiar la matriz B, pues el vector de las variables bá sicas cambio, por lo
tanto hay que cambiar los elementos de la matriz B para que correspondan a los
valores de las restricciones en su correspondiente variable bá sica.

Como cambio la matriz B, hay que cambiar la matriz B^-1

Tenemos que calcular el nuevo valor de Xb con la siguiente formula:

Xb=B^-1(b)

Donde b tiene que ser el valor que tenía el vector Xb anterior.

Se regresa al paso 2 hasta que ya no exista un variable de entrada.

 CONCLUSION

El método simplex, emplea bá sicamente, la estrategia de resolver los problemas de

programació n lineal por medio de sistemas de ecuaciones lineales simultá neas siempre
que se tenga una solució n factible.
            
El ó ptimo, si es que existe, se determina avanzando un punto esquina adyacente a la vez y 
comprobando si aú n existe un punto esquina que pueda mejorar el valor de la funció n
objetivo.

El mercado, las empresas, e incluso las personas está n en una bú squeda constante de
mejoras, de nuevas ideas,  de rendimiento y ahorro de recursos de todos los tipos, pero
llevar esto acabo  requiere de toma de decisiones que podrían estar má s allá   de realizar
una simple selecció n escogiendo lo que para nuestros oídos suene como la mejor opció n.

En las empresas se establecen una serie de funciones entre las cuales nosotros los
ingenieros industriales y demá s ramas de la ingeniería debemos ejercer distintas formas
de planteamientos que generen una má xima efectividad y productividad en el desarrollo
de las actividades dentro de la empresa y sus funciones a desempeñ ar para dar ó ptimos
resultados en la producció n o servicios prestados a la sociedad, en donde nos
encontraremos con distintas dificultades y problemas los cuales debemos dar una
solució n rá pida, adecuada y eficaz para generar y alcanzar una mayor eficiencia en los
procesos realizados.

En la actualidad en las empresas aú n se implementa y se utiliza de manera eficaz el

método simplex ayudá ndonos a dar un concepto claro de lo que se debe establecer en los
diferentes actividades logrando un desarrollo eficaz y haciendo que estas tengan un
aná lisis claro de las inversiones con las ganancias y las diferentes labores disminuyendo
el déficit y perdidas econó micas debido a que se establecen medidas exactas de lo que se
debe realizar en los procesos.

El método simplex es una manera fá cil, practica y rá pida de dar soluciones optimas en los
diferentes campos laborales a todos los problemas establecidos o surgidos en el desarrollo
de la industria siendo satisfactorio y eficaz las respuestas, permitiendo establecer y
generar una producció n y los diferentes procesos en un alto nivel de efectividad y
logrando un ahorro significativo econó mico en el desarrollo de la empresa.
 BIBLIOGRAFIA

http://www.phpsimplex.com/teoria_metodo_simplex.htm
https://www.monografias.com/trabajos87/interpretar-la-solucion-optima/interpretar-
la-solucion-optima.shtml#:~:text=El%20m%C3%A9todo%20simplex%20es%20un,seguir
%20mejorando%20m%C3%A1s%20dicha%20soluci%C3%B3n.
http://repobib.ubiobio.cl/jspui/bitstream/123456789/282/3/Chavez_Abello_Rodrigo.pd
f
https://sites.google.com/site/metodosdeprogramacionlinealdan/metodo-simplex-
revisado
http://quegrande.org/apuntes/ETIX/3/IO/teoria/08-09/apuntes_3.pdf