pag66

TEMA 4: METODO DEL SIMPLEX

Dado el problema: Max cX

AX = b
X≥ 0
con S = { X / AX = b, X ≥ 0 }
donde A es una matriz mxn de rango m < n

- el mínimo del problema, si existe, se alcanza en un punto

extremo de S
- cada punto extremo (solución posible básica) tiene asociados
m vectores linealmente independientes de entre las columnas de A.

Luego para encontrar la solución necesitamos estudiar sólo los

puntos extremos y además sabemos que son aquellas soluciones
posibles generadas por m columnas linealmente independientes de A,
⎛ n⎞
por tanto, hay a lo sumo ⎜ ⎟ puntos a estudiar.
⎝ m⎠
Pero para n y m grandes, el número de puntos puede ser muy
elevado y se hace necesaria una forma de cálculo que seleccione un
conjunto de ellos que contenga al óptimo.
Existen varias técnicas de cálculo, la primera cronológicamente
y una de las más sencillas (en ella se basan casi todas las demás) es el
procedimiento simplex.

La técnica del simplex consiste en determinar un punto extremo

y ver si es óptimo, si no lo es, se halla un punto extremo adyacente
(sólo se diferencian en uno de los vectores asociados) en el que la
función objetivo tome un valor mejor o igual que en el anterior ( se
selecciona aquel para el que la función objetivo aumenta más).
Este método detecta además cuándo el problema no tiene
solución (S vacío) ó cuándo no existe solución finita.
Para pasar de un extremo a otro adyacente, el método simplex
tiene:
un criterio de salida (selecciona el vector a cambiar),
un criterio de entrada (selecciona el vector a entrar), y
un criterio de parada (nos dice cuándo el extremo en el que
estamos es óptimo y no hay que continuar).

1
 pag67

PASO DE UNA S.F.B. A OTRA S.F.B. ADYACENTE.

DETERMINACIÓN DE LA VARIABLE QUE DEJA LA
BASE.
Dos soluciones factibles básicas (SFB) distintas son adyacentes
cuando sus bases asociadas se diferencian únicamente en una columna,
coincidiendo en las otras m-1 columnas.

Consideramos una SFB X con los siguientes elementos

asociados:
- matriz básica B
- vectores columna de B aB1, aB2, ..., aBm
- vector de variables básicas XB = (XB1, XB2, ..., XBm)
- valor de las variables básicas xB = (xB1, xB2, ..., xBm)
Por definición de SFB, se cumple que BxB = b , es decir,

x B1 a B1 + x B 2 a B 2 + L + x Bm a Bm = b (1)

Supongamos que deseamos que una variable Xk no básica en X (y por

tanto con valor cero) sea básica en una nueva solución X̂ , pero
manteniendo con valor cero el resto de variables que eran no básicas en
X. Como la nueva solución X̂ tiene que ser factible, se verifica A x̂ = b,

xˆ B1 a B1 + xˆ B 2 a B 2 + L + xˆ Bm a Bm + xˆ k a k = b (2)

Por ser B una base, los vectores aBi, i=1,...,m, forman una base de
Ρm, por tanto, cualquier vector de Ρm se puede poner de forma única
como combinación lineal suya. En particular, existen coeficientes yik
i=1,...,m cumpliendo:

y1k a B1 + y 2 k a B 2 + L + y mk a Bm = a k (3)

o bien, en forma vectorial, Byk = ak , siendo yk = (y1k, y2k, ..., ymk )T

Sustituyendo (3) en (2), y posteriormente igualando a (1):
2
 pag68

(
xˆ B1a B1 + xˆ B 2 a B 2 + L + xˆ Bm a Bm + xˆ k y1k a B1 + y 2 k a B 2 + L + y mk a Bm = )
= x B1a B1 + x B 2 a B 2 + L + x Bm a Bm

Agrupando coeficientes en el lado izquierdo de la igualdad:

( xˆ B1 + xˆ k y1k ) a B1 + ( xˆ B 2 + xˆ k y 2 k ) a B 2 + L + ( xˆ Bm + xˆ k y mk ) a Bm = x B1 a B1 + x B 2 a B 2 + L + x Bm a Bm
Si dos combinaciones lineales de una base son iguales, entonces hay
coincidencia coeficiente a coeficiente,

xˆ Bi + xˆ k yik = x Bi i = 1,...,m
y por tanto, x̂
xˆBi = xBi − xˆk yik i = 1,...,m
Analizamos ahora la expresión que hemos obtenido, teniendo en
cuenta que por ser variables básicas los valores xBi son no negativos y el
valor que toma la variable Xk tiene que ser también no negativo ( x Bi ≥ 0 ,
xˆ k ≥ 0 ). Distinguimos dos casos:

- Si el coeficiente yik ≤ 0 , entonces se cumple que xˆ Bi ≥ 0, ∀xˆ k .

- Sin embargo, si el coeficiente yik > 0 , se cumple que cuando x̂k

aumenta, el valor de x̂ Bi disminuye. Así, como los nuevos valores
de las variables básicas tienen que ser no negativos,
x
xˆ Bi ≥ 0 ⇒ x Bi − xˆ k yik ≥ 0 ⇒ xˆ k ≤ Bi
yik
Por tanto,

⎧ x Bi ⎫ x Bs
xˆ k = min ⎨ / yik > 0⎬ =
i
⎩ yik ⎭ y sk

3
 pag69

x Bs
De este modo, al hacer
xk = y mantener con valor cero el resto
y sk
de variables no básicas, la variable XBs toma valor cero, xˆ Bs = 0 , y por
tanto, abandona la base y es sustituida por Xk, mientras que el resto de
variables básicas XBi toma valor:
x Bs
xˆ Bi = x Bi − y ik
y sk

CRITERIO DE OPTIMALIDAD.
DETERMINACION DE LA VARIABLE QUE ENTRA EN
LA BASE.

Consideramos una SFB X con vector de variables básicas XB = (XB1,

XB2, ..., XBm) que toma valor xB = (xB1, xB2, ..., xBm). El valor de la
función objetivo en X es

z= c T
x = c T
B xB
Supongamos, que se introduce en la base, al igual que antes, la variable
no básica Xk, y que se obtiene la SFB adyacente X̂ . El valor de la
función objetivo en esta nueva solución es:

ẑ = c xˆ = c B xˆ B + ck xˆ k
T T

Sustituyendo en esta última expresión el nuevo valor de las variables

básicas por la relación obtenida anteriormente xˆ Bi = x Bi − xˆ k yik , se
tiene:
ẑ = c T xˆ = c BT xˆ B + ck xˆ k =
m m
⎛ m
⎞
= ∑ c Bi xˆ Bi + ck xˆ k = ∑ c Bi ( xˆ Bi − xˆ k yik ) + ck xˆ k = z + ⎜ ck − ∑ c Bi yik ⎟ xˆ k
i =1 i =1 ⎝ i =1 ⎠

4
 pag70

zˆ = z + (ck − zk )xˆk
La diferencia (c k − z k ) asociada a la variable recibe el nombre de costo
reducido de la variable, y representa en cuánto varía la función objetivo
por cada unidad de variable Xk que se "consiga introducir en la base".

Así, en un problema de maximizar si ( ck - zk ) es positivo, entonces

introducir en la base la variable Xk es interesante pues hace aumentar el
valor de la función objetivo, mientras que si ( ck - zk ) fuera negativo,
entonces haría disminuir el valor de la función objetivo.

5
 pag71

OBTENCIÓN DE LA PRIMERA SOLUCIÓN FACTIBLE

BÁSICA
La obtención de una SFB exige seleccionar una submatriz B de la matriz
A que tenga rango m y posteriormente resolver el sistema de
ecuaciones B x B = b , o lo que es lo mismo calcular la inversa de la

matriz B para calcular x B = B −1b . Dado que el esfuerzo

computacional que exige, en general, la inversión de matrices es elevado,
sobre todo cuando éstas tienen una dimensión alta, se busca que la
primera base B sea la matriz identidad, B = I .

Ejemplo:

⎧ X1 + 3X 2 − X 3 ≤ 4
⎪ 2X + X ≤6
⎪
Max. 3 X 1 + X 2 + 2 X 3 s. a. ⎨ 1 2

⎪ X1 + X3 ≤ 8
⎪⎩ X 1 , X 2 , X 3 ≥ 0

La región de factibilidad en su forma estándar requiere la introducción de

3 variables de holgura, que serán las variables básicas en la primera SFB.

X 1 + 3 X 2 − X 3 + h1 = 4
⎛ 1 3 −1 1 0 0⎞
2 X1 + X 2 + h2 = 6 ⎜ ⎟
A = ⎜ 2 1 0 0 1 0⎟
X1 + X 3 + h3 = 8 ⎜1 0 1 0 0 1⎟
⎝ ⎠
X1, X 2 , X 3 ≥ 0

⎛1 0 0⎞
⎜ ⎟
B = ⎜0 1 0⎟ x B = (h1, h2 , h3 )t = B −1b = I b = b = (4, 6, 8)
⎜0 0 1⎟
⎝ ⎠
6
 pag72

TABLA DEL MÉTODO DEL SIMPLEX

9 Para la resolución de los modelos de Programación Lineal se emplea
el método del simplex, que utiliza las llamadas tablas del simplex.

9 Su forma y la información que almacenan es la siguiente:

Nombre costo inicial Valor

Var. Básica Var. Básica X1 Xn Var. Básica

X B1 c B1 y11 y1n xB1

M M M M M
M M M M M

X Bm cB m y m1 ymn xB m

c1 − z1 cn − z n z = f(x)

variables

xB cB B-1A b = B-1 b

c = c - cB B-1 A valor de la f. o.

7
 pag73

9 Ejemplo:

Max. 3 X 1 + X 2 + 2 X 3 Max. 3 X 1 + X 2 + 2 X 3
⎧ X1 + 3 X 2 − X 3 ≤ 4 ⎧ X 1 + 3 X 2 − X 3 + h1 = 4
⎪ 2X + X forma
≤ 6 estándar ⎪ 2X + X + h2 = 6
⎪ 1 2 ⎪ 1 2
s. a. ⎨ ⎯⎯ ⎯⎯→ s. a. ⎨
⎪ X1 + X3 ≤ 8 ⎪ X1 + X 3 + h3 = 8
⎪⎩ X 1, X 2 , X 3 ≥ 0 ⎪⎩ X 1, X 2 , X 3 , h1 , h2 , h3 ≥ 0

XB X1 X2 X3 h1 h2 h3 xB

h1 1 3 -1 1 0 0 4

h2 2 1 0 0 1 0 6

h3 1 0 1 0 0 1 8

3 1 2 0 0 0 0

8
 pag74

ALGORITMO DEL SIMPLEX EN FORMA DE TABLA

(para problemas de maximizar)

PASO 0.- Expresar el problema en forma estándar y construir la tabla

inicial, introduciendo variables de holgura y, en su caso, artificiales.

PASO 1.- Si alguna variable tiene costo reducido ck − z k > 0 ir al paso

3. Si todos los costos reducidos cumplen ck − z k ≤ 0 ir al paso 2.

PASO 2.- Si todos los costos reducidos verifican ck − z k ≤ 0 y,

además, hay alguna variable artificial en la base con valor positivo
entonces el problema es inconsistente o infactible. Por el contrario, si no
hay variables artificiales en la base con valor positivo la solución es
óptima. Si algún costo reducido toma valor ck − z k = 0 entonces se
estudia la existencia de soluciones óptimas alternativas. Fin del
algoritmo.

PASO 3.- Si para alguna variable X k su costo reducido cumple

ck − z k > 0 y su vector asociado y k es negativo (es decir todas sus
componentes son menores o iguales que cero), entonces el problema
tiene solución óptima no acotada o es no acotado. Fin del algoritmo.

En otro caso, existe posibilidad de mejora. Ir al paso 4.

PASO 4 (Selección de las variables de entrada y de salida).- La variable

X k cuyo costo reducido ck − z k es más positivo es la variable de
entrada en la base (se denomina columna pivote a la columna asociada a la
variable X k ).
La variable que abandona la base es la variable X B que verifica:
s

xB s ⎧ xB ⎫
= min. ⎨ i / yik > 0⎬
y sk ⎩ yik ⎭

9
 pag75

A la correspondiente fila la denominaremos fila pivote. El

elemento y sk se denomina elemento pivote o simplemente pivote.

PASO 5 (Obtención de la nueva SFB-construcción de la nueva

tabla).- La nueva solución factible básica se obtiene realizando un
conjunto de operaciones que se conocen como pivotar sobre el elemento
y sk .

a) Se sustituye en la base la variable X B por X k .

s

b) Los coeficientes de las restricciones se actualizan del siguiente

modo:
y sj
yˆ sj = j = 1, K , n
y sk
y sj
yˆ ij = yij − yik j = 1, K , n ∀i ≠ s
ysk

c) Valor que toman las variables básicas:

xB s
xˆk =
y sk
yik
xˆB i = xB i − xB s ∀i ≠ s
ysk

d) Nuevos costos reducidos:

ysj
c j − zˆ j = (c j − z j ) − (ck − zk ) j = 1, K , n
y sk

e) Función objetivo:
xB s
zˆ = z + (ck − zk )
ysk

10
 pag76

Primera SFB. Variables artificiales

9 Existen situaciones en que las variables de holgura no proporcionan
una SFB de forma inmediata, es decir, su matriz de coeficientes
asociada no es la identidad.

Ejemplo : Consideremos la región de factibilidad ⎧2 X 1 + 3 X 2 ≤ 10

⎪
⎨3 X 1 − 4 X 2 ≥ 12
⎪ X ,X ≥0
⎩ 1 2
Las variables de holgura no proporciona una SFB:

⎧ 2 X 1 + 3 X 2 + h1 = 10
⎪
⎨3 X 1 − 4 X 2 − h2 = 12
⎪ X1, X 2 ≥ 0
⎩

⎛2 3 1 0 ⎞
A = ⎜⎜ ⎟⎟ xB = (h1 , h2 ) = (10, − 12)
⎝ 3 − 4 0 − 1 ⎠

9 La obtención de una primera SFB a partir de una matriz básica que

sea la matriz identidad se consigue modificando la formulación del
problema original mediante la introducción de variables artificiales.

9 Una vez expresado el problema en su forma estándar, éste se modifica

sumando una variable artificial xa (ó ri ), al término de la izquierda de
la restricción i-ésima cuando ésta no tenga el uno de un vector
columna unitario, lo que sucede -por ejemplo- cuando originalmente
la restricción es de igualdad o de signo ≥ . Esto es,

a X + a X + K + ain X n ≥ bi a X + a X + K + ain X n = bi
i1 1 i 2 2 i1 1 i 2 2
↓ ↓
a X + K + ain X n − hi + X a = bi a X + K + ain X n + X a = bi
i1 1 i1 1

11
 pag77

Aplicación de las variables artificiales

Ejemplo: Consideramos la siguiente región de factibilidad:

⎧ X1 + 2 X 2 − X 3 ≤ 8
⎪3 X − X + 5 X ≥ 15
⎪ 1 2 3
⎨
⎪ − 2 X 1 + X 3 = −4
⎪⎩ X 1 , X 2 , X 3 ≥ 0

La región de factibilidad en su forma estándar es:

⎧ X 1 + 2 X 2 − X 3 + h1 = 8
⎪3 X − X + 5 X − h = 15
⎪ 1 2 3 2
⎨
⎪ 2 X1 − X3 =4
⎪⎩ X 1 , X 2 , X 3 , h1 , h2 ≥ 0

La región de factibilidad artificial que se forma tras introducir las variables

artificiales, es:

⎧ X 1 + 2 X 2 − X 3 + h1 =8
⎪3 X − X + 5 X − h + a = 15
⎪ 1 2 3 2 2
⎨
⎪ 2 X1 − X3 + a3 = 4
⎪⎩ X 1 , X 2 , X 3 , h1 , h2 , a 2 , a3 ≥ 0

La matriz de coeficientes tecnológicos asociada a esta región contiene a la matriz

identidad como submatriz.

⎛ 1 2 −1 1 0 0 0⎞
⎜ ⎟
A = ⎜ 3 −1 5 0 −1 1 0⎟
⎜ 2 0 −1 0 0 0 1 ⎟⎠
⎝
La SFB asociada a la matriz identidad es:

XB = (h1, a2 , a3 )t = (8,15, 4)t y X N = (X1, X2, X3,h2 )t = ( 0,0,0,0 )t

12
 pag78

Soluciones con variables artificiales mayores que cero

9 Las variables artificiales se introducen únicamente por conveniencia
matemática. Sin embargo una solución factible para el problema
artificial puede no serlo para el problema original, como se ha visto en
el ejemplo anterior. Sin embargo, puede demostrarse que cualquier
SFB del sistema artificial en que las variables artificiales sean no
básicas (o sea, tengan valor 0) es una SFB del sistema original.

9 Por tanto, interesa que las variables artificiales salgan cuanto antes de
la base y tomen valor cero, para lograr de este modo la factibilidad del
problema original.

9 Una forma de forzar a que las variables artificiales salgan de la base

es introducirlas en la función objetivo asignándoles un costo que
penalice fuertemente el hecho de que tomen valor positivo. Esto es:

- Cuando el problema es de maximizar entran en la función

objetivo con un coeficiente asociado de − M .

- Cuando el problema es de minimizar el costo asociado en la

función objetivo es de + M .

El valor M representa una cantidad arbitrariamente grande, es

decir, de la comparación de cualquier número con M siempre se
concluirá que M es mayor.

9 Ejemplo. Supongamos que la región de factibilidad del ejemplo

anterior se corresponde con un problema de P.L. en el que la función
objetivo es Max. X 1 + 2 X 2 + X 3 . En este caso la función objetivo

del problema de programación lineal artificial es

Max. X1 + 2X2 + X3 − M a2 − M a3
13
 pag79

Ejemplo 1
Max. z(x1,x2,x3) = 7 x1 + 3 x2 + 2 x3

x1 + 2 x2 + 5 x3 ≤ 10
⎧⎪ 3 x + x + 3 x ≤ 12
1 2 3
sujeto a ⎨
4 x1 + x2 + 2 x3 ≤ 15
⎪⎩ x , x , x ≥ 0
1 2 3

x1 x2 x3 h1 h2 h3
h1 10 1 2 5 1 0 0
h2 12 3 1 3 0 1 0
h3 15 4 1 2 0 0 1
0 7 3 2 0 0 0

h1 25/4 0 7/4 9/2 1 0 -1/4

h2 3/4 0 1/4 3/2 0 1 -3/4
x1 15/4 1 1/4 1/2 0 0 1/4
105/4 0 5/4 -3/2 0 0 -7/4

h1 1 0 0 -6 1 -7 5
x2 3 0 1 6 0 4 -3
x1 3 1 0 -1 0 -1 1
30 0 0 -9 0 -5 2

h3 1/5 0 0 -6/5 1/5 -7/5 1

x2 18/5 0 1 12/5 3/5 -1/5 0
x1 14/5 1 0 1/5 -1/5 2/5 0
152/5 0 0 -33/5 -2/5 -11/5 0

Solución óptima (única)

x*= (14/5, 18/5, 0) con z*= 152/5.

14
 pag80

Ejemplo2
Max. f(x1,x2) = 3 x1 - x2

⎧2 x1 + x 2 ≥ 2
⎪ x +3 x ≤ 3
⎪ 1 2
sujeto a ⎨
⎪ x2 ≤ 4
⎪⎩ x1 , x 2 ≥ 0

Introduciendo las correspondientes variables de holgura y la variable artificial, se

obtiene el siguiente Problema Artificial:
h h h h h h
Max. f(x1 , x2 , x3 , x4 , x5 , xa) = 3 x1 - x2 + 0 x3 + 0 x4 + 0 x5 - M xa

⎧2 x1 + x 2 − x 3h + xa = 2
⎪
⎪ x1 + 3 x 2 + x 4 =3
h
sujeto a ⎨
⎪ x2 + x5
h
=4
⎪⎩ x1 , x 2 ≥ 0

h h h
x1 x2 x3 x4 x5 xa
xa 2 2 1 -1 0 0 1
h
x4 3 1 3 0 1 0 0
h
x5 4 0 1 0 0 1 0

-2M 2M+3 M-1 -M 0 0 0

h h h
x1 x2 x3 x4 x5 xa
x1 1 1 1/2 -1/2 0 0 1/2
h
x4 2 0 5/2 1/2 1 0 -1/2
h
x5 4 0 1 0 0 1 0

3 0 -5/2 3/2 0 0 -M-3/2

15
 pag81

h h h
x1 x2 x3 x4 x5 xa
x1 3 1 3 0 1 0 0
h
x3 4 0 5 1 2 0 -1
h
x5 4 0 1 0 0 1 0

9 0 -10 0 -3 0 -M

Función objjetivo

(1 , 0) (3 , 0)

16
 pag82

Ejemplo 3
Max. z(x1,x2) = 3 x1 + 9/2 x2

⎧⎪ x1 + 3 x2 ≤ 9
sujeto a ⎨ 2 x1 + 3 x2 ≤ 12
⎪⎩ x1 , x2 ≥ 0

x1 x2 h1 h2
h1 9 1 3 1 0
h2 12 2 3 0 1
0 3 4.5 0 0

x2 3 1/3 1 1/3 0
h2 3 1 0 -1 1
27/2 3/2 0 -3/2 0

x2 2 0 1 2/3 -1/3
x1 3 1 0 -1 1
18 0 0 0 -3/2

h1 3 0 3/2 1 -1/2
x1 6 1 3/2 0 1/2
18 0 0 0 -3/2

Solución óptima (segmento de soluciones alternativas):

x1 = (3,2,0,0) con z(x1) = 18 y x2 = (6,0,3,0), con z(x2) = 18 son ambos soluciones

óptimas.

Además, todo punto de la forma:

x = λx1+(1-λ)x2 = λ(3,2,0,0) + (1-λ) (6,0,3,0) = (6-3λ, 2λ, 3-3λ, 0), 1 ≥ λ ≥ 0

es factible y tal que z(x)= 3(6-3λ) + 9/2 2λ = 18 - 9λ + 9λ = 18; por tanto, es también
solución óptima al problema inicial.

17
 pag83

(0 , 3) Función obbjetivo

(3 , 22)

(0 , 0) (6 , 0)

18
 pag84

Ejempplo 4
⎧⎪ x1 - 2 x2 ≤ 4
Max. z((x1,x2) = x1 + 3 x2 sujeeto a ⎨ - x1 + x2 ≤ 3
⎪⎩ x , x ≥ 0
1 2

x1 x2 h1 h2
h1 4 1 -2 1 0
h2 3 -1 1 0 1
0 1 3 0 0

h1 10
1 -1 0 1 2
x2 3 -1 1 0 1
9 4 0 0 -3

Soolución no acotada: x = (0,3,100,0)+θ (1,1,,1,0) = (θ,3

3+θ,10+θ,0)), θ ≥ 0
z(x) = θ + 3 (3+θ) = 9 + 4 θ

d = (1 , 1)

(0
0 , 3)

Función objetivo

(0
0 , 0)

19
 pag85

Ejemplo 5
⎧⎪ x1 - x2 ≤ 1
Max. z(x1,x2) = 6 x1 - 2 x2 sujeto a ⎨ 3 x1 - x2 ≤ 6
⎪⎩ x1 , x2 ≥ 0

x1 x2 h1 h2
h1 1 1 -1 1 0
h2 6 3 -1 0 1
0 6 -2 0 0

x1 1 1 -1 1 0
h2 3 0 2 -3 1
6 0 4 -6 0

x1 5/2 1 0 -1/2 1/2

x2 3/2 0 1 -3/2 1/2
12 0 0 0 -2

Solución óptima (semirrecta de soluciones alternativas)

x = (5/2,3/2,0,0) + α (1/2,3/2,1,0) = (5/2+1/2α,3/2+3/2α, α, 0), α ≥ 0

z(x) = 6(5/2 + 1/2α) – 2 (3/2 +3/2 α) = 12 + 3 α - 3 α = 12

20
 pag86

funcion ob
Función objetivo
bjetivo

d =d=(0.5,
(0.5 , 11.5)

(0 , 0) (1(1,, 0) (2.5,, 1.5)

(2.5 1.5)

Ejempplo 6
M
Max. f(x1,x2) = 4 x1 + 2 x2

⎧⎪ 2 x1 + 3 x2 ≥ 12
suujeto a ⎨ 3 x1 + 4 x2 ≤ 12
⎪⎩ x1 , x2 ≥ 0

Introduciendo las correspond dientes variiables de holgura

h y artificiales, se obtiene el
siguientte Problemaa Artificial:

M
Max. f(x1,x2,a1) = 4 x1 + 2 x2 - M a 1

⎧⎪ 2 x1 + 3 x2 - h1 + a1 = 12
suujeto a ⎨ 3 x1 + 4 x2 + h2 = 112
⎪⎩ x1 , x2 , h1 , h2 , a1 ≥ 0

21
 pag87

x1 x2 h1 h2 a1
a1 12 2 3 -1 0 1
h2 12 3 4 0 1 0
-12M 4+2M 2+3M -M 0 0

a1 4 0 1/3 -1 -2/3 1
x1 4 1 4/3 0 1/3 0
16 -10/3 -4/3
0 0 0
-4M +1/3M -2/3M

a1 3 -1/4 0 -1 -3/4 1
x2 3 3/4 1 0 1/4 0
6 5/2 1/2
0 0 0
-3M -1/4M -3/4M

Puesto que en la solución óptima del problema artificial es a1 = 3, el problema

original es infactible (la región de factibilidad es vacía) y no tiene solución óptima.

3 S=Ø

4 6

Ejemplo 7
Min. f(x1,x2) = x1 + 2 x2

⎧2 x1 + 6 x 2 ≤ 9
⎪ x + x ≥ −1
⎪ 1 2

⎪⎪2 x1 + 3x 2 ≤ 6
sujeto a ⎨
⎪− x1 + x 2 ≥ −3
⎪ x1 ≥ 0
⎪
⎪⎩ x 2 sin restrición de signo

22
 pag88

, ,, , ,,
Hacemos el siguiente cambio de variable: x2 = x2 - x2 , siendo x2 , x2 ≥ 0;
con este cambio, el problema anterior puede escribirse:

, ,, , ,,
Min. f(x1 ,x2 ,x2 ) = x1 + 2 x2 - 2 x2

⎧2 x1 + 6 x 2, − 6 x 2,, ≤ 9
⎪
⎪⎪ x1 + x 2 − x 2 ≥ −1
, ,,

sujeto a ⎨2 x1 + 3x 2, − 3x 2,, ≤ 6
⎪− x + x , − x ,, ≥ −3
⎪ 1 2 2

⎪⎩ x1 , x 2, , x 2,, ≥ 0

Aplicamos el algoritmo del simplex:

, ,, h h h h
x1 x2 x2 x5 x6 x7 x8
h
x5 9 2 6 -6 1 0 0 0
h
x6 1 -1 -1 1 0 1 0 0
h
x7 6 2 3 -3 0 0 1 0
h
x8 3 1 -1 1 0 0 0 1

0 1 2 -2 0 0 0 0

23
 pag89

h
x5 15 -4 0 0 1 6 0 0
,,
x2 1 -1 -1 1 0 1 0 0
h
x7 9 -1 0 0 0 3 1 0
h
x8 2 2 0 0 0 -1 0 1

-2 -1 0 0 0 2 0 0

h
x5 19 0 0 0 1 4 0 2
,,
x2 2 0 -1 1 0 1/2 0 1/2
h
x7 10 0 0 0 0 5/2 1 1/2

x1 1 1 0 0 0 -1/2 0 1/2

-3 0 0 0 0 3/2 0 1/2

La solución óptima obtenida es:

, ,,
(x1 , x2 , x2 ) = ( 1, 0 , 2 )

Por tanto,
, ,,
x2 = x2 - x2 = - 2

y la solución óptima al problema inicial es:

(x1 , x2 ) = ( 1 , -2 ) con f(x) = - 3

24
 pag90

Ejemplo 8. Ciclaje bajo degeneración

Max. z(x) = 3/4 x1 - 20 x2 + 1/2 x3 - 6 x4

⎧1 / 4 x1 − 8 x 2 − x3 + 9 x 4 ≤ 0
⎪1 / 2 x − 12 x − 1 / 2 x + 3x ≤ 0
⎪ 1 2 3 4
sujeto a ⎨
⎪ x3 ≤ 1
⎪⎩ x ≥ 0

Criterio: entra la de mayor costo reducido; sale de la base, en caso de empate, la

de menor subíndice.

x1 x2 x3 x4 h1 h2 h3
h1 0 1/4 -8 -1 9 1 0 0
h2 0 1/2 -12 -1/2 3 0 1 0
h3 1 0 0 1 0 0 0 1
0 3/4 -20 1/2 -6 0 0 0

x1 0 1 -32 -4 36 4 0 0
h2 0 0 4 3/2 -15 -2 1 0
h3 1 0 0 1 0 0 0 1
0 0 4 7/2 -33 -3 0 0

x1 0 1 0 8 -84 -12 8 0
x2 0 0 1 3/8 -15/4 -1/2 1/4 0
h3 1 0 0 1 0 0 0 1
0 0 0 2 -18 -1 -1 0

x3 0 1/8 0 1 -21/2 -3/2 1 0

x2 0 -3/64 1 0 3/16 1/16 -1/8 0
h3 1 -1/8 0 0 21/2 3/2 -1 1
0 -1/4 0 0 3 2 -3 0

x3 0 -5/2 56 1 0 2 -6 0
x4 0 -1/4 16/3 0 1 1/3 -2/3 0
h3 1 5/2 -56 0 0 -2 6 1
0 1/2 -16 0 0 1 -1 0

25
 pag91

h1 0 -5/4 28 1/2 0 1 -3 0
x4 0 1/6 -4 -1/6 1 0 1/3 0
h3 1 0 0 1 0 0 0 1
0 7/4 -44 -1/2 0 0 2 0

h1 0 1/4 -8 -1 9 1 0 0
h2 0 1/2 -12 -1/2 3 0 1 0
h3 1 0 0 1 0 0 0 1
0 3/4 -20 1/2 -6 0 0 0

Esta última tabla coincide con la inicial, entrando así en un ciclo.

Cambio de criterio de entrada en la base: entra la variable de menor

subíndice.
Así en la quinta tabla, entra la variable x1.
A partir de ahí, se obtiene la solución óptima (única)
x*= (1, 0, 1, 0) con z*= 5/4.

26
 pag92

Ejercicios
1.- Max. f(x1, x2, x3, x4, x5) = x2 - 3 x3 + 2 x5

⎧ x1 + 3 x 2 − x3 + 2 x5 = 20
⎪ − 2x + 4x + x = 12
⎪ 2 3 4
sujeto a ⎨
⎪ − 4 x 2 + 3 x3 + 8 x5 + x6 = 10
⎪⎩ xi ≥ 0

2.- Min. f(x1, x2) = x1 - 3 x2

⎧− x1 + 2 x 2 ≤ 6
⎪
sujeto a ⎨ x1 + x 2 ≤ 5
⎪x , x ≥ 0
⎩ 1 2

3.- Max. f(x1, x2) = 3 x1 + x2

⎧− x1 + x 2 ≤ 2
⎪2 x − x ≤ 3
⎪
sujeto a ⎨ 1 2

3
⎪ 1 x + x 2 ≤ 7
⎪⎩ x1 , x 2 ≥ 0

4.- Max. f(x1, x2) = 3 x1 + 2 x2

⎧− x1 + 2 x 2 ≤ 4
⎪3x + 2 x ≤ 14
⎪
sujeto a ⎨ 1 2

⎪ 1x − x 2 ≤ 3
⎪⎩ x1 , x 2 ≥ 0

5.- Max. f(x1,x2,x3) = x1 + 2 x2 + 3 x3

⎧ x1 + 2 x 2 + 3x3 ≤ 10
⎪x + x ≤ 5
⎪ 1 2
sujeto a ⎨
⎪ x1 ≤ 1
⎪⎩ x1 , x 2 , x3 ≥ 0

27
 pag93

6.- Max. f(x1,x2) = x1 + 3 x2

⎧ x1 − 2 x 2 ≤ 2
⎪
sujeto a ⎨− 3x1 + 2 x 2 ≤ 4
⎪x , x ≥ 0
⎩ 1 2

7.- Max. f(x1,x2) = 2 x1 + 3 x2

⎧ x1 − x 2 ≤ 2
⎪
sujeto a ⎨3x1 − x 2 ≥ −4
⎪x , x ≥ 0
⎩ 1 2

8.- Max. f(x1,x2,x3,x4) = 4 x1 + x2 + 3 x3 + 5 x4

⎧− 4 x1 + 6 x 2 + 5 x3 − 4 x 4 ≤ 20
⎪3 x − 2 x + 4 x + x ≤ 10
⎪ 1 2 3 4
sujeto a ⎨
8
⎪ 1 x − 3 x 2 + 3 x 3 + 2 x 4 ≤ 20
⎪⎩ x1 , x 2 , x3 , x 4 ≥ 0

9.- Max. f(x1,x2) = 3 x1 + x2

⎧ x1 + 2 x 2 ≤ 5
⎪5 x + 5 x − x ≤ 10
⎪
sujeto a ⎨ 1 2 3

⎪7 x1 + 3x 2 − x3 ≤ 20
⎪⎩ x1 , x 2 , x3 ≥ 0

10.- Max. f(x1,x2) = 3 x1 + x2

⎧ x1 + 2 x 2 ≤ 5
⎪x + x − x ≤ 2
⎪ 1 2 3
sujeto a ⎨
7
⎪ 1 x + 3 x 2 − 5 x3 ≤ 20
⎪⎩ x1 , x 2 , x3 ≥ 0

28
 pag94

13.- Max. f(x1,x2) = 3 x1 + 2 x2

⎧2 x1 + x2 ≤ 2
⎪
sujeto a ⎨3 x1 + 4 x2 ≥ 12
⎪x , x ≥ 0
⎩ 1 2

14.- Max. f(x1,x2,x3) = 3 x1 - x2 - x3

⎧ x1 − 2 x 2 + x3 ≤ 11
⎪− 4 x + x + 2 x ≥ 3
⎪ 1 2 3
sujeto a ⎨
⎪− 2 x1 + 2 x 2 + x3 = 1
⎪⎩ x1 , x 2 , x3 ≥ 0

15.- Dado el problema de programación lineal

Max. f(x1,x2) = 2 x1 + 3 x2 + x3 - 2 x4

⎧ x1 + 2 x 2 + x3 + x 4 ≤ 6
⎪
sujeto a ⎨2 x1 + x 2 + 4 x3 + 5 x 4 ≤ 10
⎪x ≥ 0
⎩ i

calcule los valores correspondientes a la solución factible básica, supuesto que las
variables básicas, una vez pasado el problema a la forma estándar, son x1 y x2. ¿Es
óptima esta SFB?

16.- Dado el problema de programación lineal

Max. f(x1,x2) = 15 x1 + 10 x2

⎧2 x1 + 2 x 2 ≤ 8
⎪
sujeto a ⎨5 x1 + 3x 2 ≤ 15
⎪x , x ≥ 0
⎩ 1 2

calcule los valores correspondientes a la solución factible básica, supuesto que las
variables básicas, una vez pasado el problema a la forma estándar, son x1 y x2. ¿Es
óptima esta SFB?

29
 pag95

17.- Dada la tabla siguiente de un problema de programación lineal de mínimo

x1 x2 x3 x4 x5 x6 x7
x2 β 0 1 0 α 1 0 3
x3 2 0 0 1 -2 2 Δ -1
x1 3 1 0 0 0 -1 2 1
0 0 0 δ 3 γ ξ

qué valores han de tomar α, β, γ, δ, Δ, ξ para que:

1) la solución actual no sea óptima, aunque sí factible

2) la solución actual sea factible y el problema tenga solución óptima no acotada
3) la solución actual sea factible, pueda entrar en la base x6 y salga x3
4) la solución actual sea factible, pueda entrar en la base x7 y tanto la solución
como el valor de la función objetivo permanezcan invariantes.
5) el problema sea infactible.

30