1.

5 MÉTODO SIMPLEX 42

EL MÉTODO SIMPLEX EN FORMATO TABULAR

La forma algebraica del método Simplex es la mejor para comprender la lógica que fundamenta
el algoritmo, pero no es la más conveniente para realizar los cálculos necesarios en cada iteración.
Por este motivo es más útil desarrollar el método en un formato tabular en donde se registre
solamente la información esencial: los coeficientes de las variables, las constantes del lado derecho
de las ecuaciones y la variable básica que aparece en cada ecuación. A continuación veremos cómo
se construye esta tabla, analizando algebraicamente la esencia del algoritmo.

Dado un problema de PL en su formato matricial estándar:

𝑀𝑎𝑥 𝑍 = 𝑐𝑥
𝐴𝑥 = 𝑏
s.a: {𝑥 ≥ 0

donde 𝐴𝑚×(𝑛+𝑚) , 𝐵(𝑛+𝑚)×1 y 𝑏𝑚×1 , por lo que hay 𝑚 restricciones y 𝑚 variables de holgura.
Supongamos que se tiene una SBF inicial 𝑥 asociada a una base 𝐵. Entonces, el problema de PL
se puede escribir de la siguiente manera:

𝑀𝑎𝑥 𝑍 = 𝑐𝐵 𝑥𝐵 + 𝑐𝑁 𝑥𝑁 O, lo que es lo mismo:

𝑥𝐵
[𝐵 𝑁 ] [𝑥 ] = 𝑏 𝑀𝑎𝑥 𝑍
𝑁

s.a: 𝑍 − 𝑐𝐵 𝑥𝐵 − 𝑐𝑁 𝑥𝑁 = 0 (1)
𝑥𝐵 s.a: 𝐵𝑥 𝐵 + 𝑁𝑥𝑁 = 𝑏 (2)
[ 𝑥𝑁 ] ≥ 0 𝑥 𝐵 , 𝑥𝑁 ≥ 0
{
{

Como 𝐵 es una base, tiene inversa. En consecuencia, podemos pre-multiplicar la ecuación (2)
por 𝐵−1 miembro a miembro y obtenemos:

𝐵−1 (𝐵𝑥𝐵 + 𝑁𝑥𝑁 ) = 𝐵−1 𝑏

En el primer miembro aplicamos propiedad distributiva de la multiplicación de matrices:

𝐵 −1 𝐵𝑥𝐵 + 𝐵−1 𝑁𝑥𝑁 = 𝐵−1 𝑏

Como el producto de una matriz por su inversa es la matriz identidad, escribimos:

𝐼𝑥𝐵 + 𝐵−1 𝑁𝑥𝑁 = 𝐵−1 𝑏

Recordamos que la matriz identidad es el elemento neutro de la multiplicación entre matrices:

𝑥𝐵 + 𝐵 −1 𝑁𝑥𝑁 = 𝐵−1 𝑏

Sumamos miembro a miembro el opuesto de 𝐵−1 𝑁𝑥𝑁 :

𝑥𝐵 + 𝐵−1 𝑁𝑥𝑁 − 𝐵 −1 𝑁𝑥𝑁 = 𝐵−1 𝑏 − 𝐵−1 𝑁𝑥𝑁

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 43

Cancelamos y obtenemos: 𝑥𝐵 = 𝐵−1 𝑏 − 𝐵−1 𝑁𝑥𝑁 (3)

La expresión hallada para 𝑥𝐵 además es positiva dada su condición de no negatividad.

Reemplazamos en (1): 𝑍 − 𝑐𝐵 (𝐵−1 𝑏 − 𝐵−1 𝑁𝑥𝑁 ) − 𝑐𝑁 𝑥𝑁 = 0

En el segundo término del primer miembro aplicamos propiedad distributiva de la

multiplicación:
𝑍 − 𝑐𝐵 𝐵−1 𝑏 + 𝑐𝐵 𝐵−1 𝑁𝑥𝑁 − 𝑐𝑁 𝑥𝑁 = 0

Conmutamos: 𝑍 − 𝑐𝑁 𝑥𝑁 + 𝑐𝐵 𝐵−1 𝑁𝑥𝑁 − 𝑐𝐵 𝐵−1 𝑏 = 0

Sumamos miembro a miembro 𝑐𝐵 𝐵−1 𝑏:

𝑍 − 𝑐𝑁 𝑥𝑁 + 𝑐𝐵 𝐵−1 𝑁𝑥𝑁 − 𝑐𝐵 𝐵−1 𝑏 + 𝑐𝐵 𝐵−1 𝑏 = 0 + 𝑐𝐵 𝐵−1 𝑏

Sumamos y obtenemos: 𝑍 − 𝑐𝑁 𝑥𝑁 + 𝑐𝐵 𝐵−1 𝑁𝑥𝑁 = 𝑐𝐵 𝐵−1 𝑏

Extraemos factor común 𝑥𝑁 en el primer miembro:

𝑍 − (𝑐𝑁 − 𝑐𝐵 𝐵−1 𝑁)𝑥𝑁 = 𝑐𝐵 𝐵−1 𝑏 (4)

Como 𝑥𝑁 = 0, de (4) se obtiene que 𝑍 = 𝑐𝐵 𝐵−1 𝑏 mientras que de (3) se tiene que: 𝑥𝐵 = 𝐵−1 𝑏

Si se piensa en 𝑍 como otra variable básica y en (4) como una restricción adicional, se puede
reescribir el problema de la siguiente manera:

Criterio de optimalidad: indica la 𝑥𝑁 que entra a la

base aportando mayor aumento por unidad en 𝑍
𝑀𝑎𝑥 𝑍
𝑍 + 0𝑥𝐵 − (𝑐𝑁 − 𝑐𝐵 𝐵−1 𝑁) 𝑥𝑁 = 𝑐𝐵 𝐵−1 𝑏
−1 −1
s.a: 0𝑍 + 𝑥𝐵 + 𝐵 𝑁𝑥𝑁 = 𝐵 𝑏
𝑥𝐵 , 𝑥𝑁 ≥ 0
{ Criterio de factibilidad: limita el valor que la 𝑥𝑁 puede
tomar al entrar a la base para que continúe siendo SBF

De esta forma, podemos tabular el problema de PL volcando la información de los coeficientes

del sistema en una tabla como se detalla a continuación:

𝑍 𝑥𝑁 𝑥𝐵 Lado derecho

Renglón 0: 𝑍 1 −(𝑐𝑁 − 𝑐𝐵 𝐵−1 𝑁) 0 𝑐𝐵 𝐵−1 𝑏

Renglones 1 a 𝑚: 𝑥𝐵 0𝑚×1 𝐵−1 𝑁𝑚×𝑛 𝐼𝑚×𝑚 𝐵 −1 𝑏

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 44

DETALLES DE CÁLCULO DE LAS ITERACIONES DEL MÉTODO SIMPLEX

Problema resuelto N°𝟕: resolución algebraica del modelo de PL de Tecnicolor

Retomamos el modelo de la pinturería, analizado en los problemas resueltos N°4 y N°5:

𝑀𝑎𝑥 𝑍
𝑍 − 5𝑥1 − 4𝑥2 − 0𝑥3 − 0𝑥4 − 0𝑥5 − 0𝑥6 = 0

0𝑍 + 6𝑥1 + 4𝑥2 + 𝑥3 + 0𝑥4 + 0𝑥5 + 0𝑥6 = 24 (1)

0𝑍 + 𝑥1 + 2𝑥2 + 0𝑥3 + 𝑥4 + 0𝑥5 + 0𝑥6 = 6 (2)

s.a:
0𝑍 − 𝑥1 + 𝑥2 + 0𝑥3 + 0𝑥4 + 𝑥5 + 0𝑥6 = 1 (3)

0𝑍 + 0𝑥1 + 𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 + 𝑥6 = 2 (6)

𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 ≥ 0
{

𝑥𝑥22

(1) (3)

(2)

(4)
𝑥6 = 0

𝐴 𝑥1

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 45

El diseño de la tabla Simplex provee automáticamente la solución en la iteración inicial. La

solución se inicia en el origen (𝑥1 ; 𝑥2 ) = (0; 0) por lo que 𝑥1 y 𝑥2 se definen como las variables no
básicas (asumen valores nulos) mientras que las variables de holgura 𝑥3 , 𝑥4 , 𝑥5 y 𝑥6 se definen
como las variables básicas. De esta manera, la tabla inicial del Simplex se representa como sigue:

Tabla Simplex inicial: 𝑥 = (0; 0; 24; 6; 1; 2) 𝑍 = 0

Columna
𝑍 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 Solución
básica

𝑍 1 −5 −4 0 0 0 0 0

𝑥3 0 6 4 1 0 0 0 24

𝑥4 0 1 2 0 1 0 0 6

𝑥5 0 −1 1 0 0 1 0 1

𝑥6 0 0 1 0 0 0 1 2

La variable objetivo 𝑍 y las variables básicas aparecen en la columna básica y sus valores están
dados por los lados derechos de las ecuaciones del modelo, como se muestran en la columna
solución: 𝑍 = 0, 𝑥3 = 24, 𝑥4 = 6, 𝑥5 = 1 y 𝑥6 = 2. El resultado se puede visualizar igualando las
variables no básicas a cero en todas las ecuaciones y también observando la configuración de la
matriz identidad de los coeficientes de las variables básicas (todos los elementos en las diagonal
principal toman el valor 1 mientras que el resto de los elementos asumen el valor 0).
Así la solución básica factible inicial es 𝑥 = (0; 0; 24; 6; 1; 2) y el valor de la función objetivo en
esta iteración es (0; 0). En la representación gráfica, esta solución corresponde al punto extremo
𝐴 = (0; 0). ¿Es óptima la solución inicial? La función objetivo 𝑍 = 5𝑥1 + 4𝑥2 muestra que la
solución se puede mejorar si se incrementa el valor de las variables no básicas 𝑥1 o de 𝑥2 por
encima de cero. Como el coeficiente más positivo tiene mejor grado de mejora en 𝑍, se debe
incrementar 𝑥1 . En la tabla, donde la función objetivo aparece como 𝑍 − 5𝑥1 − 4𝑥2 = 0, la
variable seleccionada es la variable no básica con el coeficiente más negativo en la ecuación
objetivo. Esta regla define el criterio de optimalidad. En la terminología del algoritmo Simplex, 𝑥1
se conoce como la variable de entrada porque ingresa a la solución básica.
Como 𝑥1 es la variable de entrada, una de las variables básicas actuales debe salir, es decir que
se vuelve no básica a un nivel cero (recordemos que la cantidad de variables no básicas debe ser
siembre 𝑛 − 𝑚). A la columna correspondiente a la variable de entrada la comenzamos a llamar
columna pivote. La mecánica para determinar cuál es la variable de salida implica calcular los
cocientes entre el lado derecho de las ecuaciones (columna solución) y los coeficientes de
restricción estrictamente positivos (imposibilitando así al cero y los coeficientes negativos) bajo
la variable de entrada 𝑥1 , es decir, las razones entre los coeficientes de la columna solución y los
coeficientes positivos de la columna pivote, como se muestra a continuación:

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 46

Columna
𝑍 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 Solución
básica

𝑍 1 −5 −4 0 0 0 0 0 Razón

𝑥3 0 6 4 1 0 0 0 24 4

𝑥4 0 1 2 0 1 0 0 6 6

𝑥5 0 −1 1 0 0 1 0 1 -

𝑥6 0 0 1 0 0 0 1 2 -

¿Cómo determinan las razones calculadas cuál es la variable de salida y cuál es el valor de la
variable de entrada?

(1) (3)

(2)

(4)
𝑥6 = 0

𝐴 𝐵

24 ∶ 6 = 4
6∶1=6

Estas razones corresponden a las fronteras de restricción con el eje 𝑥1 (variable de entrada).
Podemos ver que el valor de 𝑥1 debe incrementarse hasta la mínima intersección no negativa con
el eje 𝑥1 (que es igual a 4) para alcanzar el punto extremo 𝐵. Debe ser mínima porque cualquier
incremento más allá de 𝐵 no es factible. En el vértice 𝐵, la variable básica actual 𝑥3 asociada con
la primera restricción asume un valor nulo y se transforma en la variable de salida. La regla
correspondiente con el cálculo de las razones se conoce como criterio de factibilidad porque
garantiza la factibilidad de la nueva solución al asegurar que la trayectoria realizada por el
algoritmo nunca “salga” de la región factible. El nuevo punto solución 𝐵 se determina
“intercambiando” la variable de entrada 𝑥1 con la variable de salida 𝑥3 en la tabla Simplex para

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 47

obtener que las variables no básicas (nulas) en 𝐵 son 𝑥3 y 𝑥2 mientras que las variables básicas
en 𝐵 son 𝑥1 , 𝑥4 , 𝑥5 y 𝑥6 .
El proceso de intercambio se basa en las operaciones de filas de Gauss-Jordan. Identificamos la
columna pivote como la columna que corresponde a la variable de entrada e identificamos la fila
pivote como la fila correspondiente a la variable de salida. La intersección entre la columna pivote
y la fila pivote se conoce como elemento pivote. La siguiente tabla es un replanteo de la tabla inicial
en donde únicamente se resaltan estos elementos:

Columna
𝑍 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 Solución
básica

𝑍 1 −5 −4 0 0 0 0 0 Razón

𝑥3 0 6 4 1 0 0 0 24 4

𝑥4 0 1 2 0 1 0 0 6 6

𝑥5 0 −1 1 0 0 1 0 1 -

𝑥6 0 0 1 0 0 0 1 2 -

Los cálculos de Gauss-Jordan necesarios para obtener la nueva solución básica son de dos tipos:
- En la fila pivote:
- Reemplazamos la variable de salida en la columna básica por la variable de entrada.
- Para transformar el elemento pivote en la unidad, hacemos:
Nueva fila pivote = Fila pivote actual × Inverso multiplicativo del elemento pivote.
- Para generar ceros por encima y por debajo del elemento pivote, en todas las demás filas
(incluyendo el renglón cero) hacemos:
Nueva fila = – Coeficiente de la columna pivote × Nueva fila pivote + Fila actual.

Segunda tabla Simplex: 𝑥 = (4; 0; 0; 2; 5; 2) 𝑍 = 20

Columna
𝑍 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 Solución
básica
2 5
𝑍 1 0 − 0 0 0 20
3 6
2 1
𝑥1 0 1 0 0 0 4
3 6
4 1
𝑥4 0 0 − 1 0 0 2
3 6
5 1
𝑥5 0 0 0 1 0 5
3 6
𝑥6 0 0 1 0 0 0 1 2

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 48

La estructura de la nueva tabla es similar a la de la tabla inicial puesto que los coeficientes de
las restricciones de las variables básicas forman la matriz identidad. Por lo tanto, cuando
igualamos las nuevas variables no básicas 𝑥2 y 𝑥3 a cero, la columna solución muestra de manera
automática la nueva solución básica factible 𝑥 = (4; 0; 0; 2; 5; 2) y el nuevo valor para la función
objetivo 𝑍 = 20, que son consecuencia de la aplicación de las operaciones entre filas de Gauss-
Jordan. Esta nueva solución corresponde al punto extremo 𝐵.
En esta tabla, el criterio de optimalidad establece que la variable de entrada es 𝑥2 mientras que
el criterio de factibilidad indica que la variable de salida es 𝑥4 :

Columna
𝑍 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 Solución
básica
2 5
𝑍 1 0 − 0 0 0 20 Razón
3 6
2 1
𝑥3 0 1 0 0 0 4 6
3 6
4 1
𝑥4 0 0 − 1 0 0 2 1,5
3 6
5 1
𝑥5 0 0 0 1 0 5 3
3 6
𝑥6 0 0 1 0 0 0 1 2 2

Interpreten gráficamente las

demás razones calculadas,
vinculando cada una de ellas
con un único segmento sobre
(3) la frontera de restricción (1).
(1)

(2)

(4)
𝑥6 = 0
𝐶

𝐴 𝐵

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 49

Actualizamos la tabla y obtenemos:

3 5 1
Tercera tabla Simplex: 𝑥 ∗ = (3; ; 0; 0; ; ) 𝑍 ∗ = 21
2 2 2

Columna
𝑍 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 Solución
básica
3 1
𝑍 1 0 0 0 0 21
4 2
1 1
𝑥1 0 1 0 − 0 0 3
4 2
1 3 3
𝑥2 0 0 1 − 0 0
8 4 2
3 5 5
𝑥5 0 0 0 − 1 0
8 4 2
1 3 1
𝑥6 0 0 0 − 0 1
8 4 2

En esta iteración, el algoritmo se posiciona en el punto extremo 𝐶, el cual habíamos identificado

gráficamente como el vértice óptimo en el problema resuelto N°5. Algebraicamente, según el
criterio de optimalidad, esta última tabla es la óptima ya que ninguno de los coeficientes del
renglón cero es negativo. La solución básica factible óptima es 𝑥 ∗ = (3; 3/2; 0; 0; 5/2; 1/2) y el
valor óptimo de la función objetivo es 𝑍 ∗ = 21, lo que se puede interpretar de la siguiente manera:

Variable Valor óptimo Recomendación

𝑥1 3 Producir 3 toneladas diarias de pintura para exteriores
𝑥2 3/2 Producir 1,5 toneladas diarias de pintura para interiores
𝑍 21 Para alcanzar la máxima utilidad diaria de 21000 dólares

Nuevamente, la solución óptima también muestra el estado de los recursos:

Recurso Valor de holgura Restricción Estado del recurso

Materia prima 𝑀1 𝑥3 = 0 (1) Activa Escaso
Materia prima 𝑀2 𝑥4 = 0 (2) Activa Escaso
Límite de mercado 𝑥5 = 5/2 (3) Pasiva Abundante
Límite de la demanda 𝑥6 = 1/2 (4) Pasiva Abundante

Cabe aclarar que, por tratarse del primer problema que resolvemos aplicando el método
Simplex, fue necesario realizar varias veces las tablas y gráficos ante la necesidad de asegurar una
mayor comprensión del funcionamiento del algoritmo, pero en futuras ocasiones solo usaremos
una tabla por cada iteración, de manera que en este ejemplo basta con realizar tres tablas: la
inicial, la segunda y la tercera.

Video sugerido: https://youtu.be/4jvFYlJ7Hj0

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER

 1.5 MÉTODO SIMPLEX 50

Formalicemos lo aprendido.

Criterio de optimalidad: la variable de entrada en un problema de maximización es la variable

no básica con el coeficiente más negativo en el renglón cero y el óptimo se alcanza en la iteración
en la cual los coeficientes en el renglón cero son no negativos. En problemas de minimización,
como 𝑀𝑎𝑥 𝑍 equivale a 𝑚𝑖𝑛 (– 𝑍), el criterio de optimalidad requiere seleccionar la variable de
entrada como la variable no básica con el coeficiente más positivo en el renglón cero y el óptimo
se alcanza en la iteración en la cual los coeficientes en el renglón cero son no positivos (la regla
opuesta al caso de maximización). Los empates se rompen arbitrariamente.

Criterio de factibilidad: tanto en problemas de maximización como de minimización, la variable

de salida es la variable básica asociada con la relación mínima no negativa con el divisor
estrictamente positivo. Los empates se rompen arbitrariamente.

Así, el algoritmo se reduce a los siguientes pasos:

- Paso 0: inicialmente consideramos como variables básicas a las variables de holgura. Siempre
que el origen de coordenadas forme parte de la región factible, el algoritmo comienza allí.
- Paso 1: seleccionamos una variable de entrada utilizando el criterio de optimalidad. Si no hay
variable de entrada es porque estamos en presencia de la solución óptima, mientras que de otro
modo debemos proseguir con el paso 2.
- Paso 2: Seleccionamos una variable de salida utilizando el criterio de factibilidad.
- Paso 3: actualizamos la tabla mediante los cálculos de Gauss-Jordan para determinar la nueva
solución básica. Luego volvemos al paso 1.

CASOS ESPECIALES

Al resolver un modelo de PL mediante el método Simplex nos podemos encontrar con algunos
casos especiales.

Empate de la variable básica que entra

Cuando hay un empate entre dos o más variables básicas que pueden entrar a la base en el paso
1 (criterio de optimalidad) debemos elegir de manera arbitraria entre estas candidatas a entrar a
la base. No existe un método irrefutable para predecir cuál conduce a la solución óptima con mayor
rapidez (es decir, en un menor número de iteraciones), pero tarde o temprano llegaremos a la
solución óptima sin importar cuál de las variables empatadas hayamos elegido.

Degeneración (empate de la variable básica que sale)

Ahora supongamos que el empate ocurre entre dos o más variables básicas cuando se elige la
variable que sale en el paso 2 (criterio de factibilidad) de una iteración, como consecuencia de un
empate por la razón mínima. Esto significa que al menos una variable básica será nula en la
MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER
 1.5 MÉTODO SIMPLEX 51

siguiente iteración y se dice que la nueva solución básica factible es degenerada (recordemos que,
en el espacio 𝑛-dimensional, una SBF degenerada corresponde a un punto extremo generado por
la intersección de más de 𝑛 fronteras de restricción, lo que implica que el modelo tiene al menos
una restricción redundante). Para propósitos prácticos se recomienda romper el empate de
manera arbitraria y continuar con el proceso sin preocuparnos por las variables degeneradas que
puedan resultar.

𝒁 no acotada (inexistencia de una variable básica saliente)

Existe otra posibilidad en el paso 2 de una iteración: aquella en la que ninguna variable califica
como variable básica saliente. Esta situación puede ocurrir si la variable básica entrante puede
crecer de manera indefinida sin que ninguna de las variables básicas actuales adquiera valores
negativos. En el formato tabular, esto significa que todos los coeficientes de la columna pivote (sin
incluir en renglón cero) son negativos o cero. Como el criterio de factibilidad solo utiliza divisores
estrictamente positivos, no se cuenta con una razón que proporcione una variable básica saliente.
Esto se interpreta sosteniendo que las restricciones no impiden el crecimiento indefinido de la
función objetivo, de manera que el método Simplex se detiene con el mensaje de que 𝑍 es no
acotada. Debido a que ni siquiera la programación lineal ha descubierto la manera de lograr
ganancias infinitas, el mensaje real en problemas reales es que se ha cometido un error: pudo
haber equivocaciones en los cálculos o tal vez el modelo esté mal formulado.

Solución óptima múltiple (variable no básica con coeficiente nulo en el renglón cero)

Siempre que un problema tiene más de una SBF óptima, al menos una variable no básica tiene
coeficiente nulo en el renglón cero actual, de manera que si aumenta su valor, el valor de 𝑍 no
cambia. Por lo tanto, las otras SBF óptimas se pueden identificar mediante iteraciones adicionales
del método Simplex, en las que se elige una variable no básica con coeficiente nulo como variable
básica entrante.

Video sugerido para este último caso especial: https://youtu.be/EaT0yEruAkM

MÉTODO SIMPLEX CON PENALIZACIÓN: TÉCNICA 𝑴

Como se mostró en el problema resuelto N°7, los problemas de PL en donde todas las
restricciones son del tipo ≤ con lados derechos no negativos ofrecen una conveniente SBF inicial
con todas las holguras. Los modelos que implican restricciones del tipo = o ≥ no lo hacen.
El procedimiento para iniciar el método Simplex de “mal comportamiento” con restricciones
del tipo = o ≥ es utilizar variables artificiales 𝑅 que son no negativas y que desempeñan el papel
de holguras en la primera iteración. Sin embargo, las variables artificiales no tienen significado
físico ni económico ya que no forman parte del problema original. Es por ello que se requiere de
un artificio de modelado para igualarlas a cero en el momento en el que se alcance la iteración
óptima (suponiendo que el problema tenga una solución factible).
MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER
 1.5 MÉTODO SIMPLEX 52

La meta se logra penalizando estas variables en la función objetivo. Esto se realiza utilizando
coeficientes positivos muy grandes (𝑀 > 0) para dichas variables artificiales en la función
objetivo, según la siguiente regla:

Dado 𝑀, un valor positivo suficientemente grande (𝑀 → ∞), el coeficiente objetivo de una

variable artificial representa una penalización apropiada si:

−𝑀, en problemas de maximización

Coeficiente objetivo de la variable artificial = {
𝑀, en problemas de minimazación

En resumen, los pasos de la técnica 𝑀 son los siguientes:

- Expresamos el problema en formato estándar.
- Agregamos variables artificiales al lado izquierdo de cada una de las ecuaciones
correspondientes a las restricciones del tipo = o ≥.
- Utilizamos las variables artificiales en la solución básica inicial. La función objetivo de la tabla
inicial se prepara adecuadamente, lo que significa que los coeficientes de las variables
artificiales en la función objetivo deben ser nulos, un resultado que puede lograrse sumando
múltiplos adecuados de las ecuaciones de restricción al renglón objetivo.
- Procedemos con los pasos regulares del método Simplex.

MATERIAL DE CÁTEDRA DE ÁLGEBRA III ELABORADO POR LA PROF. ELIANA BOVIER