FACULTAD DE CIENCIAS DE LA INFORMÁTICA

ESCUELA: Computación
UNIDAD CURRICULAR: Investigación de Operaciones I
PERÍODO: 8° Curso: 108-U
PROFESOR: Tirso González

Programación Lineal – Métodos de las M y de las Dos Fases

Hasta ahora se analizaron problemas de PL con todas las restricciones del

tipo “≤” y los coeficientes de los recursos no negativos. El propósito de
tal consideración era doble: garantizar la existencia de, por lo menos, una
solución básica factible (SBF) del problema, y obviar la búsqueda de la
SBFI. A partir de ahora hacemos a un lado tal consideración para dar paso
a la resolución de todo tipo de problemas de PL; esto es, problemas con
restricciones del tipo “≤”, “≥” e “=”. Así como coeficientes recursos
negativos, cero y positivos.
La búsqueda de la SBFI se torna una tarea complicada en cierto tipo de
problemas de PL. De hecho, se han detectado algunos problemas sin
solución factible o posible. El enfoque de ensayo y error se plantea como
una alternativa para la determinación de SBFI, así como el uso de
variables artificiales (VA). A continuación se proponen dos métodos para
trabajar con dicho tipo de variables, llamados de las M y de las dos fases.
El método simplex es un esquema iterativo que genera SBF cada vez
mejores hasta encontrar la óptima y en el paso 1, supone la existencia de
una SBFI. Bajo ciertas condiciones, el identificar una SBFI es trivial, y bajo
otro es casi tan complicado como encontrar la SBF óptima. Por tanto, la
búsqueda de una SBFI no siempre es tan sencilla como pudiera parecer a
simple vista.

1
Concepto de Variables Artificiales (VA)
Estas variables, utilizadas para la búsqueda de SBFI, pueden entenderse
fácilmente mediante un problema que ilustre su aplicación.

minimizar: 𝑥0 = 4𝑥1 − 3𝑥2 + 2𝑥3

sujeta a: 2𝑥1 + 3𝑥2 + 3𝑥3 ≤ 8

5𝑥1 + 9𝑥2 + 6𝑥3 ≥ 7

2𝑥1 + 7𝑥2 + 𝑥3 = 4

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, 3

planteando el problema en formato estándar se obtiene

minimizar: 𝑥0 = 4𝑥1 − 3𝑥2 + 2𝑥3 + 0𝑥4 + 0𝑥5

sujeta a: 2𝑥1 + 3𝑥2 + 3𝑥3 + 𝑥4 =8

5𝑥1 + 9𝑥2 + 6𝑥3 − 𝑥5 = 7

2𝑥1 + 7𝑥2 + 𝑥3 =4

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, ⋯ ,5

La variable de holgura (VH) 𝑥4 puede formar parte de la SBFI, ya que si

𝑥1 = 𝑥2 = 𝑥3 = 0, entonces 𝑥4 = 8. Sin embargo, no puede decirse lo mismo
de 𝑥5 , ya que si 𝑥1 = 𝑥2 = 𝑥3 = 0, entonces 𝑥5 = −7, con lo cual se violaría
las condiciones técnicas. Observe además que la tercera restricción ni
siquiera tiene una variable de holgura. Por tanto, para determinar una
SBFI en este problema debemos utilizar algo más que la intuición, y su
identificación se hace bastante difícil.

si en la segunda restricción se suma la variable 𝑥6 y en la tercera la

variable 𝑥7 , ambas no negativas, obtenemos

minimizar: 𝑥0 = 4𝑥1 − 3𝑥2 + 2𝑥3 + 0𝑥4 + 0𝑥5

sujeta a: 2𝑥1 + 3𝑥2 + 3𝑥3 + 𝑥4 =8

5𝑥1 + 9𝑥2 + 6𝑥3 − 𝑥5 + 𝑥6 =7

2𝑥1 + 7𝑥2 + 𝑥3 + 𝑥7 = 4

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, ⋯ ,7

2
en donde ahora puede definirse fácilmente una SBFI, específicamente

𝑥4 = 8

𝑥6 = 7

𝑥7 = 4

𝑥1 = 𝑥2 = 𝑥3 = 𝑥5 = 0

Sin embargo, las variables 𝑥6 y 𝑥7 se introdujeron como un artificio

matemático para encontrar una SBFI más fácilmente, por lo que éstas no
tienen ningún significado “físico” o “real”. Por esta razón son conocidas
como variables artificiales (VA). Una vez que hemos utilizado las VA como
un punto de partida en la SBF, es claro que al no tener ningún significado
real, deberá prescindir de ellas a la mayor brevedad posible. Por otra
parte, al incluir las VA en el problema original (PO) se ha creado un
problema diferente al PO, llamado problema aumentado (PA). Las VA
deben eliminarse de la base del PA para así encontrar una SBFI del PO.
Note que una SBF del PA con VA no es una SBF del PO.

Fundamentalmente, se han creado dos métodos para eliminar las

VA de la base del aumentado y considerando que éste es también un
problema de PL, ambos métodos utilizan la mecánica del método simplex.
A uno de ellos se les conoce como método simplex de las M y al segundo
como método simplex en dos fases.

Es importante recordar que las VA deben sumarse sólo en aquellas

restricciones donde sean estrictamente necesarias; esto es, en aquellas
restricciones donde ninguna variable real (VR) posea las características
necesarias para estar en la SBFI.

Ilustración de una SBFI con variables originales (VO), de holgura (VH) y

artificiales (VA).

Defina una SBFI para el siguiente problema utilizando el concepto de VA.

minimizar: 𝑥0 = 2𝑥1 − 3𝑥2 + 2𝑥3

sujeta a: −2𝑥1 + 3𝑥2 ≤5

4𝑥1 + 2𝑥2 ≥6

3𝑥1 − 2𝑥2 + 𝑥3 = 9

𝑥1 , 𝑥2 , 𝑥3 ≥ 0

3
 minimizar: 𝑥0 = 2𝑥1 − 3𝑥2 + 2𝑥3 + 0𝑥4 + 0𝑥5

sujeta a: −2𝑥1 + 3𝑥2 + 𝑥4 =5

4𝑥1 + 2𝑥2 − 𝑥5 = 6

3𝑥1 − 2𝑥2 + 𝑥3 =9

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, … , 5

Note que la variable 𝑥4 puede estar en la SBFI con valor 5; mientras que
la variable 𝑥5 no puede ser básica inicialmente ya que valdría -6, por lo
que debe adicionarse a la segunda restricción la variable artificial 𝑥6 . En
la tercera restricción no hay VH, aunque la 𝑥3 original puede estar en la
base inicial con valor 9 y por tanto, una artificial no es necesaria en tal
restricción. De acuerdo con todo lo anterior, el PA es por tanto

minimizar: 𝑥0 = 2𝑥1 − 3𝑥2 + 2𝑥3 + 0𝑥4 + 0𝑥5

sujeta a: −2𝑥1 + 3𝑥2 + 𝑥4 =5

4𝑥1 + 2𝑥2 − 𝑥5 + 𝑥6 = 6

3𝑥1 − 2𝑥2 + 𝑥3 =9

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, … , 6

con una SBFI

𝑥4 = 5

𝑥6 = 6

𝑥3 = 9

𝑥1 = 𝑥2 = 𝑥5 = 0

integrada por variables originales (𝑥3 ), de holgura (𝑥4 ) y artificiales (𝑥6 ).

Método Simplex de las M

Se concibió a finales de los cuarenta por Abraham Charnes. En su
conceptualización original era un método de aplicación manual, ya que la
computadora no comenzó a tener gran popularidad hasta mucho tiempo
después. Es por ello que en la actualidad no es un método considerado
seriamente desde un punto de vista computacional; sin embargo, dada

4
su naturaleza histórica y su contenido analítico, se expondrá algunos de
sus fundamentos.

Descripción del Método de las M

El método de las M se considera un método de penalización porque obliga

a que las VA salgan de la base, lo cual provoca un castigo al valor de la
función objetivo si éstas toman un valor positivo.

Sea M, de ahí el nombre del método, un número positivo muy grande,

entonces el método de las M propondría la siguiente función objetivo para
el PA que se presenta en la página 2

minimizar: 𝑥0 = 4𝑥1 − 3𝑥2 + 2𝑥3 + 0𝑥4 + 0𝑥5 + 𝑀𝑥6 + 𝑀𝑥7

donde los términos 𝑀𝑥6 𝑦 𝑀𝑥7 representan la penalización a 𝑥0 si 𝑥6 𝑦 𝑥7

toman un valor positivo y por tanto, permanecen en la base. Si el objetivo
fuera maximizar, los términos de castigo serían −𝑀𝑥6 𝑦 − 𝑀𝑥7 .

Para cálculos manuales, M no tiene un valor específico, simplemente se

considera como un número tal que los coeficientes objetivo de la VR son
despreciables comparado con él. Para cálculos computacionales el valor
de M es tomando generalmente como mil veces el mayor coeficiente
objetivo de las VR.

Aunque su planteamiento es sencillo, el método de las M reviste gran

importancia en su aplicación e interpretación de resultados. Después de
todo, el método resuelve el PA y lo que realmente interesa es resolver el
PO, por lo que a partir de la solución del PA debe deducirse la solución del
PO. Dado que el PA se inicia con una SBFI, sólo puede presentar las
soluciones óptima e ilimitada, mientras que el PO puede tener las
soluciones óptima, ilimitada, infactible e inexistente. Por tanto, la
interpretación de resultados en el método de las M, permite identificar las
cuatro posibles soluciones de PO, a partir de las posibles soluciones del
PA.

5
Aplicación del Método de las M

Considere el problema

maximizar: 𝑥0 = 3𝑥1 + 5𝑥2

sujeta a 4𝑥1 + 𝑥2 ≥ 4

−𝑥1 + 2𝑥2 ≥ 2

𝑥2 ≤ 3

𝑥1 , 𝑥2 ≥ 0

planteando el PA con el método de las M se obtiene

maximizar: 𝑥0 = 3𝑥1 + 5𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 − 𝑀𝑥6 − 𝑀𝑥7

sujeta a 4𝑥1 + 𝑥2 − 𝑥3 + 𝑥6 =4

−𝑥1 + 2𝑥2 − 𝑥4 + 𝑥7 = 2

𝑥2 + 𝑥5 =3

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, … , 7

ya que el objetivo es maximizar 𝑥0 , los términos de castigo son −𝑀𝑥6 𝑦 −

𝑀𝑥7 . Procediendo con el método simplex, la tabla inicial es

Tabla 1

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución

𝑥0 1 -3 -5 0 0 0 M M 0

𝑥6 0 4 1 -1 0 0 1 0 4

𝑥7 0 -1 2 0 -1 0 0 1 2

𝑥5 0 0 1 0 0 1 0 0 3

Note que los efectos netos de las variables básicas 𝑥6 𝑦 𝑥7 no son cero;
además si 𝑥6 = 4 𝑦 𝑥7 = 2el valor de 𝑥0 debe ser -6M y no cero como lo se
indica en la tabla. Por ejemplo

𝜙1 = (3) − (−𝑀, −𝑀, 0)(4, −1, 0)𝑇 = 3 + 3𝑀

6
 mientras que en la tabla 1 se tiene que 𝜙1 = 3. Por tanto, se puede inferir
que la tablas 1 está planteada incorrectamente y es necesario realizar un
ajuste.

Para ajustar la tabla 1 se tienen dos opciones: la primera consiste

en calcular los efectos netos “fuera” de la tabla para luego introducirlos a
la misma tal y como se muestra a continuación

1 0 0
𝒲 = (−𝑀, −𝑀, 0) (0 1 0) = (−𝑀, −𝑀, 0)
0 0 1

se tiene que

𝜙1 = (3) − (−𝑀, −𝑀, 0)(4, −1, 0)𝑇 = 3 + 3𝑀

𝜙2 = (5) − (−𝑀, −𝑀, 0)(1, 2, 1)𝑇 = 5 + 3𝑀

𝜙3 = (0) − (−𝑀, −𝑀, 0)(−1, 0, 0)𝑇 = −𝑀

𝜙4 = (0) − (−𝑀, −𝑀, 0)(0, −1, 0)𝑇 = −𝑀

𝜙5 = (0) − (−𝑀, −𝑀, 0)(0, 0, 1)𝑇 = 0

𝜙6 = (−𝑀) − (−𝑀, −𝑀, 0)(1, 0, 0)𝑇 = 0

𝜙7 = (−𝑀) − (−𝑀, −𝑀, 0)(0, 1, 0)𝑇 = 0

de donde, una vez que se ha ajustado la tabla 1, se obtiene

Tabla 1 (Ajustada)

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución 𝜃

𝑥0 1 -3-3M -5-3M M M 0 0 0 -6M

𝑥6 0 4 1 -1 0 0 1 0 4 4

𝑥7 0 -1 2 0 -1 0 0 1 2 1

𝑥5 0 0 1 0 0 1 0 0 3 3

La segunda opción consiste en recurrir a las operaciones de renglón para

generar un cero en el renglón cero de las variables 𝑥6 𝑦 𝑥7 . Si en la tabla
1 se multiplica los renglones uno y dos por (-M) y se suman al reglón
cero, se obtiene

7
 1 -3 -5 0 0 0 M M 0

0 -4M -M M 0 0 -M 0 -4M

0 M -2M 0 M 0 0 -M -2M

1 -3-3M -5-3M M M 0 0 0 -6M

el cual es idéntico al renglón cero de la tabla 1 ajustada. Aunque ambas

opciones son matemáticamente equivalentes, utilizaremos la segunda por
considerarla más eficiente.

Una vez que se ha generado la tabla 1 ajustada, el procedimiento

se lleva a cabo como si se tratara de un problema de PL normal. De donde,
si 𝑥2 entra y 𝑥7 sale, se llega a

Tabla 2

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución 𝜃

𝑥0 1 −𝟏𝟏⁄ − 𝟗⁄
𝟐 𝟐𝑴 0 M −𝟓⁄ − 𝟏⁄
𝟐 𝟐𝑴 0 0 𝟓⁄ + 𝟑⁄
𝟐 𝟐𝑴 5-3M

𝑥6 0 9⁄ 0 -1 1⁄ 0 1 − 1⁄2 3 2⁄
2 2 3

𝑥2 0 −1⁄ 1 0 − 1⁄2 0 0 1⁄ 1 -.-

2 2

𝑥5 0 1⁄ 0 0 1⁄ 1 0 − 1⁄2 2 4
2 2

Tabla 3

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución 𝜃

− 11⁄9 − 17⁄9 26⁄

𝑥0 1 0 0 0 𝟏𝟏⁄ + 𝑴
𝟗
𝟏𝟕⁄ + 𝑴
𝟗 3

𝑥1 0 1 0 − 2⁄9 1⁄
9 0 2⁄
9 − 1⁄9 2⁄
3
6

𝑥2 0 0 1 − 1⁄9 − 4⁄9 0 1⁄
9
4⁄
9
4⁄
3
−. −

𝑥5 0 0 0 1⁄ 4⁄ 1 − 1⁄9 − 4⁄9 5⁄ 15⁄

9 9 3 4

8
Tabla 4

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución 𝜃

𝑥0 1 0 0 − 3⁄4 0
17⁄
4
𝟑⁄ + 𝑴
𝟒 𝑀
63⁄
4

𝑥1 0 1 0 − 1⁄4 0 − 1⁄4 1⁄
4 0 1⁄
4
−. −

𝑥2 0 0 1 0 0 1 0 0 3 −. −

𝑥4 0 0 0 1⁄ 1 9⁄ − 1⁄4 −1 15⁄ 15
4 4 4

Tabla 5

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución

𝑥0 1 0 0 0 3 11 𝑀 −3 + 𝑀 27

𝑥1 0 1 0 0 1 2 0 −1 4

𝑥2 0 0 1 0 0 1 0 0 3

𝑥3 0 0 0 1 4 9 −1 −4 15

de donde la solución óptima del PA es

𝑥1∗ = 4

𝑥2∗ = 3 𝑥0∗ = 27

𝑥3∗ = 15

Las VA quedaron fuera de la base por lo que la solución óptima del PA no

las incluye y en tal caso, la solución óptima del mismo también lo es para
el PO. De tal modo que la solución mostrada es la óptima del problema
en su forma original.

Es importante mencionar que una vez que las VA salen de la base, nunca
deben considerarse como candidatas para variable de entrada, puesto que
no tendría sentido regresar a la base a una variable que se pretende sacar
de la misma.

9
Interpretación de resultados del Método de las M

Se explicó que el método de las M resuelve el PA a partir del original, por

lo que desde la solución del primero se debe deducir la del segundo. A
continuación, se proveen las reglas básicas para dicha deducción.

El PA se inicia con una SBFI, por lo que el método de las M solamente

podrá encontrar que tiene solución óptima o bien, solución ilimitada.

Si se ha encontrado la solución óptima al PA, deben contemplarse tres

alternativas:

1. Cuando no hay variables artificiales en la base óptima. Es claro que

en esta situación la solución óptima del PA también lo es para el PO.
2. Cuando hay variables artificiales en la base óptima con valor cero.
Dado que el escalar asociado al vector artificial básico es cero en la
CLB óptima de 𝕓 en función de los vectores básicos, tal vector puede
intercambiarse por cualquier vector real no básico sin alterar la
solución óptima.

Sin embargo, la presencia de una VA a nivel cero en la base óptima

pudiera indicar la presencia de una restricción redundante
analíticamente. Para dilucidar esta posibilidad, deben
intercambiarse todas las VA básicas por VR no básicas con la única
reserva de que el coeficiente de reemplazo entre la variable de
entrada y la variable de salida sea diferente de cero; de hecho y
como se podrá corroborar, todos los coeficientes de sustitución
entre la VA básica y las VR no básicas serán siempre no positivos;
de aquí puede concluirse que el coeficiente de reemplazo en el
intercambio sea negativo, ya que nunca habrá coeficientes
positivos. Si todas las VA básicas se logran reemplazar por VR,
entonces ninguna restricción es redundante y se ha obtenido una
solución óptima degenerada para el PO. Si, por el contrario, no
todas las VA básicas salen de la base óptima por VR no básicas,
pues estas últimas se agotaron o los coeficientes de sustitución
disponibles entre VA básicas y VR no básicas son todos ceros,
entonces las restricciones asociadas a las VA básicas no desalojadas
son redundantes analíticamente, por lo que deben cancelarse de la
tabla óptima.

3. Cuando hay variables artificiales en la base óptima con valor

positivo. Las VA no pudieron sacarse de la base en el PA como
originalmente se deseaba y recordando que éstas no tienen ningún
significado en el PO, se deduce que el PO posee solución
inconsistente. En tal caso, sería interesante aclarar si la solución del

10
 PO es infactible o inexistente. Para tal efecto, deben permutarse
todas las VA básicas por VR no básicas, requiriéndose que el
coeficiente de reemplazo entre la variable de entrada y la de salida
sea diferente de cero. Se aclara nuevamente que tales coeficientes
siempre serán no positivos.

Si todas las VA se expulsan de la base óptima, entonces la solución

del PO es infactible. Complementariamente, si una o más VA
permanecen en la base óptima ya sea porque las VR no básicas se
acabaron o porque los coeficientes de intercambio entre las VA
básicas y las VR no básicas son todos cero, entonces la solución del
PO es inexistente.

Método Simplex en Dos Fases

Su nombre comúnmente se abrevia a método de las dos fases y se
considera un método alternativo al de las M en la resolución del PA del
original. Su creador fue George B. Dantzig, quien en paralelo con el
método de Charnes, incluyó formalmente el proceso de búsqueda de la
SBFI en el método Simplex. De hecho, la diferencia entre el método
simplex y el método de las dos fases es bastante trivial.

Desde un punto de vista computacional, este método presenta

varias ventajas sobre el método de las M. Por esta razón, la mayoría de
los paquetes computacionales lo han adoptado. Considerando las
desventajas computacionales del método de las M, el método de las dos
fases se constituye en el más utilizado en la actualidad para resolver
problemas reales de PL.

Descripción del Método de las Dos Fases

La idea general de este método es muy simple y consiste en que el

problema de PL se resuelve en dos partes o fases. Primero, en el PA se
trata de que todas las VA lleguen a nivel cero, con la cual seguramente
se arribará a una SBFI del PO. Y segundo, a partir de la SBFI del PO, si es
que se obtuvo, se trata de encontrar la solución óptima del PO. A la
primera parte se le llama fase I y a la segunda fase II.

Fase I. En esta primera fase se trata exclusivamente de expulsar a las

VA fuera de la base del PA, lo cual equivale a buscar una SBFI para el PO;
en realidad. Se está llevando a cabo formalmente el paso 1 del método
simplex original. Para obligar a que las VA tomen valor cero no se recurre,
como en el método de las M, a una penalización en el objetivo, sino al
planteamiento de un nuevo objetivo, 𝑧0 , el cual consiste en

11
minimizar: 𝑧0 = ∑𝑘𝑗=1 𝑥𝐴𝑗

donde las 𝑥𝐴𝑗 son las VA del PA. Ya que en la fase I el objetivo original de
optimizar 𝑥0 se cambia por el minimizar 𝑧0 , de acuerdo con la expresión
anterior, y recordando que las VA no pueden tomar valores negativos,
podemos comprobar que en efecto las VA serán conducidas hacia un valor
cero, con lo cual 𝑧0 = 0. Con esto queda implícito el hecho de que se ha
encontrado una SBFI para el PO. Es importante mencionar que
independientemente de que el valor de 𝑥0 en el objetivo original se desee
maximizar o minimizar, el objetivo de la fase I siempre será minimizar la
suma de las VA según se estableció en la expresión anterior de 𝑧0 . Como
podrán percatarse, al final de la fase I el valor de 𝑧0 puede ser únicamente
cero o positivo.

Fase II. La segunda fase es la resolución del PO a partir de la SBFI

encontrada en la fase I, si es que se encontró una. Esta equivale a los
pasos 2 y 3 del método simplex original. La función objetivo a ser
optimizada es ahora 𝑥0 , por lo que la última tabla de la fase I es idéntica
a la primera de la fase II, salvo el renglón cero donde 𝑧0 debe
intercambiarse por 𝑥0 . Por tanto, para iniciar la fase II lo único que
debemos hacer es renovar el valor de los 𝜙𝑗 para todas las VR no básicas.

Dado que la fase II comienza con una SBF del PO, los resultados que se
pueden obtener al final de esta son solución óptima o ilimitada para el PO.

Aplicación del Método de las Dos Fases

Suponga el problema

maximizar: 𝑥0 = 3𝑥1 + 5𝑥2

sujeta a 4𝑥1 + 𝑥2 ≥ 4 PO
−𝑥1 + 2𝑥2 ≥ 2

𝑥2 ≤ 3

𝑥1 , 𝑥2 ≥ 0

Planteándolo en formato estándar y adicionando las VA se llega al

siguiente PA

12
 maximizar: 𝑥0 = 3𝑥1 + 5𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5

sujeta a 4𝑥1 + 𝑥2 − 𝑥3 + 𝑥6 =4

−𝑥1 + 2𝑥2 − 𝑥4 + 𝑥7 = 2 PA
𝑥2 + 𝑥5 =3

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, … , 7

El método de las dos fases en su fase I tratará de encontrar, mediante el

problema aumentado (PA), una SBFI del problema original (PO),
proponiendo el siguiente objetivo

minimizar: 𝑧0 = 𝑥6 + 𝑥7

Por tanto, el problema a resolver en la fase I es

minimizar: 𝑧0 = 𝑥6 + 𝑥7

sujeta a 4𝑥1 + 𝑥2 − 𝑥3 + 𝑥6 =4

−𝑥1 + 2𝑥2 − 𝑥4 + 𝑥7 = 2

𝑥2 + 𝑥5 =3

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, … , 7

Fase I

Tabla 1

Base 𝑧0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución

𝑧0 1 0 0 0 0 0 -1 -1 0

𝑥6 0 4 1 -1 0 0 1 0 4

𝑥7 0 -1 2 0 -1 0 0 1 2

𝑥5 0 0 1 0 0 1 0 0 3

Por motivos similares a los expuestos en el método de las M, tabla 1 dada

debe ajustarse. De ahí, si generamos ceros bajo 𝑥6 𝑦 𝑥7 en el renglón de
𝑧0 mediante operaciones de renglón, se llega a

13
 Tabla 1 (ajustada)

Base 𝑧0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución 𝜃

𝑧0 1 3 3 -1 -1 0 0 0 6

𝑥6 0 4 1 -1 0 0 1 0 4 4

𝑥7 0 -1 2 0 -1 0 0 1 2 1

𝑥5 0 0 1 0 0 1 0 0 3 3

Y siguiendo el método simplex tabular se generan

Tabla 2

Base 𝑧0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución 𝜃

9⁄ 1⁄ − 3⁄2
𝑧0 1 2 0 -1 2 0 0 3

𝑥6 0 9⁄ 0 -1 1⁄ 0 1 − 1⁄2 3 2⁄
2 2 3

𝑥2 0 −1⁄ 1 0 − 1⁄2 0 0 1⁄ 1 -.-

2 2

𝑥5 0 1⁄ 0 0 1⁄ 1 0 − 1⁄2 2 4
2 2

Tabla 3

Base 𝑧0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 Solución

𝑧0 1 0 0 0 0 0 -1 -1 0

𝑥1 0 1 0 − 2⁄9 1⁄
9 0 2⁄
9 − 1⁄9 2⁄
3

𝑥2 0 0 1 − 1⁄9 − 4⁄9 0 1⁄
9
4⁄
9
4⁄
3

𝑥5 0 0 0 1⁄ 4⁄ 1 − 1⁄9 − 4⁄9 5⁄
9 9 3

El objetivo es minimizar 𝑧0 y todos los elementos del renglón cero son no

positivos, por lo que se ha encontrado la solución óptima al PA. Se puede
observar que 𝑧0 = 0 pues todas las VA están fuera de la base. Además, la
base actual está integrada sólo por VR y por tanto, ésta es una SBFI para

14
el PO. Partiendo de la SBFI encontrada en la fase I se procede a la fase
II.

𝑥1 = 2⁄3

𝑥2 = 4⁄3

𝑥3 = 5⁄3

Fase II

Tabla 1

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 Solución

𝑥0 1 -3 -5 0 0 0 0

𝑥1 0 1 0 − 2⁄9 1⁄
9 0 2⁄
3

𝑥2 0 0 1 − 1⁄9 − 4⁄9 0 4⁄
3

𝑥5 0 0 0 1⁄ 4⁄ 1 5⁄
9 9 3

Note que 𝑥0 fue sustituida por 𝑧0 . Tanto en el método de las M como en el

de las dos fases. Bajo ciertas condiciones las VA pueden eliminarse de la
tabla según vayan saliendo de la base sin ningún menoscabo en la
información contenida en la tabla final; por esta razón, en este problema
las VA no se incluyeron en la tabla 1 de la fase II. Actualizando el renglón
cero para los costos de oportunidad de 𝑥1 𝑦 𝑥2 , se genera

Tabla 1 (ajustada)

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 Solución 𝜃

𝑥0 1 0 0 − 11⁄9 − 17⁄9 0
26⁄
3

𝑥1 0 1 0 − 2⁄9 1⁄
9 0 2⁄
3
6

𝑥2 0 0 1 − 1⁄9 − 4⁄9 0 4⁄
3
−. −

𝑥5 0 0 0 1⁄ 4⁄ 1 5⁄ 15⁄
9 9 3 4

15
Tabla 2

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 Solución 𝜃

𝑥0 1 0 0 − 3⁄4 0
17⁄
4
63⁄
4

𝑥1 0 1 0 − 1⁄4 0 − 1⁄4 1⁄
4
−. −

𝑥2 0 0 1 0 0 1 3 −. −

𝑥4 0 0 0 1⁄ 1 9⁄ 15⁄ 15
4 4 4

Tabla 3

Base 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 Solución

𝑥0 1 0 0 0 3 11 27

𝑥1 0 1 0 0 1 2 4

𝑥2 0 0 1 0 0 1 3

𝑥3 0 0 0 1 4 9 15

donde se ha encontrado la solución óptima para el PO, la cual es la única

o igual a

𝑥1∗ = 4

𝑥2∗ = 3 𝑥0∗ = 27

𝑥3∗ = 15

Interpretación de resultados del Método de las Dos Fases

Al final de la fase I, cuando el criterio de mejorabilidad se ha cumplido,

es posible que puedan ocurrir estas tres posibilidades:

1. 𝑧0∗ = 0 y no hay variables artificiales en la base. En este caso se ha

encontrado una SBFI para el PO y debe procederse a la fase II.
2. 𝑧0∗ = 0 y hay variables artificiales en la base. El valor de las VA
básicas sin duda alguna debe ser cero pues, antes de proceder a la
fase II, tales VA deben intercambiarse por VR no básicas,
requiriéndose únicamente que el coeficiente de reemplazo entre la
VA de salida y la VR de entrada sea diferente de cero.

16
 Si el intercambio es total, se ha obtenido una SBFI
degenerada para el PO y debe iniciarse con ella la fase II. Si el
intercambio es parcial, es decir, las restricciones asociadas a las VA
no desalojadas son redundantes analíticamente, éstas se deben
eliminar de la tabla final de la fase I e ir a la fase II con las
restricciones restantes.

3. 𝑧0∗ es positiva. Es evidente que hay VA básicas a nivel positivo, lo

cual indica que el PO tiene solución inconsistente. Para diagnosticar
si es solución infactible o inexistente, deben intercambiarse las VA
básicas por VR no básicas con el mismo requisito establecido en el
punto anterior.

Si el intercambio es total, el PO tiene solución infactible. Si el

intercambio es parcial, el PO tiene solución inexistente. Por otra
parte, al término de la fase II la solución óptima única, la solución
óptima múltiple y la solución ilimitada se pueden prescribir como
usualmente se hacía para el PO.

17