Método Simplex

OBJETIVO • Entender la aplicación del Algoritmo

SIMPLEX en problemas del mundo real

DEL METODO aplicados en Programación lineal cuando

la función objetivo es maximizar o
Minimizar con restricciones (menor o
SIMPLEX igual que, mayor o igual y igual).
Método Simplex

Es un método analítico de solución de problemas de

programación lineal para resolver modelos más complejos
que los del método gráfico sin restricción en el número de
variables.
Es un método iterativo que permite ir mejorando la
solución en cada paso.
La razón matemática de esta mejora radica en que el
método consiste en caminar del vértice de un poliedro a
un vértice vecino
de manera que aumente o disminuya (según el contexto
de la función objetivo, sea maximizar o minimizar), dado
que el número de vértices que presenta un poliedro
solución es finito siempre se hallará solución.

Hillier, F. S. (2010). Introducción a la investigación de operaciones (9a. ed.).

 • Concepto de solución 1:
El método símplex analiza sólo las soluciones
FEV. Para cualquier problema con al menos una
solución óptima, la ubicación de una de ellas
CONCEPTOS sólo requiere encontrar una mejor solución
FEV. La única restricción es que el problema
debe tener soluciones factibles en los vértices,
CLAVES DE lo cual se asegura si la región factible es
acotada.

SOLUCION Hillier, F. S. (2010). Introducción a la

investigación de operaciones (9a. ed.).
 • Concepto de solución 2:
El método símplex es un algoritmo iterativo
(procedimiento de solución sistemático que
repite una serie fi ja de pasos, llamada
iteración, hasta que se obtiene el resultado
deseado) con la siguiente estructura.

CONCEPTOS a) Inicialización: Preparación para comenzar

las iteraciones, que incluye encontrar una
solución FEV inicial.
CLAVES DE b) Prueba de optimalidad: ¿Es óptima la
solución FEV actual?

SOLUCION Para esto si la respuesta es si, allí termina el

algoritmo, sino se realiza una iteración para
encontrar una mejor solución FEV.
Hillier, F. S. (2010). Introducción a la
investigación de operaciones (9a. ed.).
 Concepto de solución 4:
Dada una solución FEV, en términos de
cómputo, es más rápido reunir información
sobre sus soluciones FEV adyacentes que
CONCEPTOS sobre otras soluciones FEV. Por lo tanto,
cada vez que el método símplex realiza una

CLAVES DE iteración para moverse de la solución FEV

actual a una mejor, siempre escoge una
solución FEV adyacente a la actual. No
SOLUCION considera otras soluciones FEV. En
consecuencia, toda la trayectoria que sigue
hasta alcanzar una solución óptima es a lo
largo de las aristas de la región factible.
 Concepto de solución 5:
Después de identificar la solución FEV actual, el
método simplex examina cada una de las aristas
de la región factible que salen de esta solución.
Estas aristas conducen a una solución FEV
adyacente en el otro punto extremo, pero el
CONCEPTOS método simplex ni siquiera se toma la molestia de
obtener la solución FEV adyacente. Sólo identifica
la tasa de mejoramiento de Z que se obtendría al
CLAVES DE moverse por esa arista. Entre las aristas con una
tasa positiva de mejoramiento de Z, selecciona
moverse por aquella con la tasa más grande de
SOLUCION mejoramiento de Z. La iteración termina cuando
se obtiene primero la solución FEV al final de esta
arista y después se Re etiqueta esta solución FEV
adyacente como la solución FEV actual para pasar
a la prueba de optimalidad y (si es necesario) a la
siguiente iteración.
 Concepto de solución 6:
El concepto de solución 5 describe la manera
en que el método simplex examina cada arista
de la región factible que sale de la solución FEV
actual. A través de este examen de una arista
CONCEPTOS es sencillo identificar la tasa de mejoramiento
de Z que se obtendría al moverse por ella hasta
la solución FEV adyacente en el otro extremo.
CLAVES DE Una tasa positiva de mejoramiento de Z implica
que la solución FEV adyacente es mejor que la

SOLUCION actual, mientras que una tasa negativa de

mejoramiento de Z indica que la solución FEV
adyacente es peor. Por lo tanto, la prueba de
optimalidad consiste sólo en verificar si alguna
de las aristas conduce a una tasa positiva de
mejoramiento de Z. Si ninguna lo hace, la
solución FEV actual es óptima.
Método Simplex

El procedimiento algebraico se basa en la solución de sistemas de ecuaciones.

Por lo tanto, el primer paso para preparar el método símplex es convertir las
restricciones funcionales de desigualdad en restricciones de igualdad
equivalentes. (Las restricciones de no negatividad se dejan como desigualdades
porque se manejan por separado.) Esta conversión se logra mediante la
introducción de variables de holgura.
Al introducir variables de holgura en las otras restricciones funcionales, el
modelo de programación lineal original se puede sustituir por el modelo
equivalente (llamado forma aumentada del modelo) , es necesario recalcar que
se llama forma aumentada del modelo porque la forma original se aumentó con
algunas variables suplementarias necesarias para aplicar el método símplex.
Método Simplex

VARIABLES DE HOLGURA

• El método trabaja basándose en ecuaciones y como las restricciones iniciales

que se modelan no lo son, entonces se convierte de inecuaciones a
ecuaciones utilizando unas variables denominadas de holgura relacionadas
con el recurso al cual hace referencia la restricción. Estas variables adquieren
un gran valor en el análisis de sensibilidad y juegan un rol fundamental en la
creación de la matriz identidad base del Simplex.
• Estas variables suelen estar representadas por la letra "S", se suman si la
restricción es de signo "≤ “.
Método Simplex

VARIABLES DE HOLGURA
• Representa el valor que le hace falta al lado izquierdo para ser igual al
lado derecho. Es decir :
• la cantidad no utilizada son las sobras, desechos y desperdicios de la
disponibilidad
• Demandas insatisfechas
• Recursos no utilizados.
• Las variables de holguras siempre son positivas.
• La cantidad excedente del lado derecho L.D, respecto de izquierdo da
entonces la cantidad no utilizada del recurso.
Variables De Superflúas-exceso-superávit

• Las variables de exceso: son requerimientos mínimos, superávit es el

exceso mínimo del lado izquierdo sobre el requerimiento mínimo, son
los excedentes de un producto.
• El valor de esta variable se interpreta como la cantidad por encima de
algún nivel mínimo requerido. Es decir los excedentes de un producto.
Método Símplex
• ¿Para Qué Sirve El Método Simplex? • El álgebra matricial y el proceso de
eliminación de Gauss-Jordan para resolver un
El método Simplex nos sirve para solucionar sistema de ecuaciones lineales constituyen la
problemas en donde debemos de optimizar base del método simplex
nuestros recursos de la manera más eficiente.
Se utiliza para resolver problemas de
programación lineal en los que intervienen dos,
tres o más variables.
Método Simplex
Recordar: ¿Qué Es Una Matriz Identidad?

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado finito de
elementos), los cuales pueden ser números reales o complejos, dispuestos en forma de filas y de
columnas.
La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto de
columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a uno (1) y
todos los demás componentes iguales a cero (0), se denomina matriz idéntica o identidad de orden
n, y se denota por:
Método Simplex
Ejemplos de Matríz Identidad

1 0 0 … 0
0 1 0 … 0
𝐼𝑛 = 0 0 1 … 0
⋮ ⋮ ⋮ ⋱ ⋮
0 0 0 … 1 𝑛𝑥𝑛

1 0 0
𝐼3 = 0 1 0
0 0 1 3𝑥3

1 0
𝐼2 =
0 1 2𝑥2
Método Simplex

Variables de Holgura: se suma al lado izquierdo de la restricción del tipo ≤.

24X1 + 8X2 ≤ 60,000 24𝑋1 + 8𝑋2 + 𝑆1 = 60,000

Variables de Excedente: se resta al lado izquierdo de la restricción del tipo ≥

5𝑋1 +10𝑋2 ≥90 5𝑋1 + 10𝑋2−𝑆1 = 90

Restricciones originales del modelo Restricciones originales del modelo

2𝑋1 + 3𝑋2 + 𝑋3 ≤ 500 2𝑋1 + 3𝑋2 + 𝑋3 ≥ 500

3𝑋1 + 𝑋2 + 𝑋3 ≤ 700
4𝑋1 + 2𝑋2 + 2𝑋3 ≤ 800
𝑋1 , 𝑋2 , 𝑋3 ≥ 0
Restricciones Transformadas en ecuaciones
2𝑋1 + 3𝑋2 + 𝑋3 + 1𝑆1 + 0𝑆2 + 0𝑆3 = 500
3𝑋1 + 𝑋2 + 𝑋3 + 0𝑆1 + 1𝑆2 + 0𝑆3 = 700
4𝑋1 + 2𝑋2 + 2𝑋3 + 0𝑆1 + 0𝑆2 + 1𝑆3 = 800
Matríz Identidad
3𝑋1 + 𝑋2 + 𝑋3 ≥ 700
4𝑋1 + 2𝑋2 + 2𝑋3 ≥ 800
𝑋1 , 𝑋2 , 𝑋3 ≥ 0
Restricciones Transformadas en ecuaciones
2𝑋1 + 3𝑋2 + 𝑋3 − 1𝑆1 + 0𝑆2 + 0𝑆3 = 500
3𝑋1 + 𝑋2 + 𝑋3 + 0𝑆1 − 1𝑆2 + 0𝑆3 = 700
4𝑋1 + 2𝑋2 + 2𝑋3 + 0𝑆1 + 0𝑆2 − 1𝑆3 = 800
Matríz Identidad

Método Simplex
Pasos del Método Simplex
Pasos del Método Simplex
1. Convertir las desigualdades en igualdades
2. Igualar la función objetivo a cero
3. Escribir la tabla inicial simplex
4. Encontrar la variable de decisión que entra en la base ( Columna Pivote)
5. Encontrar la variable de holgura que sale de la base (Fila Pivote)
6. Encontrar los coeficientes de la nueva tabla.
 Tipo De Agregar a la Agregar a la función objetivo
Pasos del Restricción restricción (las variables de holgura y
Método excedente tienen coeficiente 0
Simplex en la función objetivo)

≤ +𝑆 +0𝑆

1. Convertir las
≥ −𝑆 + 𝑅 𝑀𝑎𝑥 + 0𝑆 – 𝑀R
desigualdades en
igualdades
𝑀𝑖𝑛 + 0𝑆 + 𝑀R
Para este paso lo que se hace
es que se convierten las +𝑅 𝑀𝑎𝑥 − 𝑀R
inecuaciones en ecuaciones, =
aplicando los siguientes 𝑀𝑖𝑛 + 𝑀R
criterios de aumento:
 Por Ejemplo :
Pasos del
Forma Original
Método 𝑍𝑚𝑎𝑥 = 40𝑋1 + 60𝑋2
Simplex 𝑆/𝑎
2𝑋1 + 2𝑋1 ≤ 70
1𝑋1 + 1𝑋1 ≤ 40
1𝑋1 + 3𝑋1 ≤ 90
1. Convertir las
desigualdades en
𝑋1 , 𝑋2 ≥ 0
igualdades Desigualdades en igualdades
Para este paso lo que se hace
es que se convierten las 2𝑋1 + 2𝑋1 + 1𝑆1 + 0𝑆2 + 0𝑆3 = 70
inecuaciones en ecuaciones,
aplicando los siguientes
1𝑋1 + 1𝑋1 + 0𝑆1 + 1𝑆2 + 0𝑆3 = 40
criterios de aumento: 1𝑋1 + 3𝑋1 + 0𝑆1 + 0𝑆2 + 1𝑆3 = 90
𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 , 𝑆3 ≥ 0
 Pasos del
Método Función Objetivo
𝑍𝑚𝑎𝑥 = 40𝑋1 + 60𝑋2
Simplex
Se trata a Z como si fuera una de las
restricciones originales, como se encuentra en
forma de igualdad no necesita variables de
holgura, pero se agrega Z con la finalidad de
2. Igualar la función
objetivo a cero obtener su valor.
 𝑍𝑚𝑎𝑥 = 40𝑋1 + 60𝑋2 =0
Pasos del 2𝑋1 + 2𝑋2 + 1𝑆1 + 0𝑆2 + 0𝑆3 = 70
1𝑋1 + 1𝑋2 + 0𝑆1 + 1𝑆2 + 0𝑆3 = 40
Método 1𝑋1 + 3𝑋2 + 0𝑆1 + 0𝑆2 + 1𝑆3 = 90
Simplex

3. Escribir la tabla inicial simplex Cj Variab Solución 40 60 0 0 0

le LD
Básica
Iteración
1
0 70 2 2 1 0 0
0 40 1 1 0 1 0
0 90 1 3 0 0 1
zj 0 0 0 0 0 0
cj-zj 40 60 0 0 0
 Para determinar la columna pivote, se aplican los siguientes criterios:
Pasos del
Método
Simplex

4. Encontrar la variable que entra

en la base
(Columna Pivote)

Condiciones de parada o condiciones

de optimidad
 Para determinar la fila pivote, se aplican los siguientes criterios:

a) Para encontrar la variable de holgura que tiene que salir de la base,

(Fila Verde) se divide cada término de la última columna (valores
Pasos del solución) por el término correspondiente de la columna pivote,
Método siempre que estos últimos sean mayores que cero.
b) Si hubiese algún elemento menor o igual que cero no se hace la
Simplex división. En el caso de que todos los elementos fuesen menores o
iguales a cero, entonces tendríamos una solución no acotada y no
se puede seguir.
4. Encontrar la variable de
decisión que entra en la base c) El término de la columna pivote que en la división anterior da lugar
(Columna Pivote) al menor cociente positivo, indica la fila de la variable de holgura
que sale de la base . En este caso es la variable S3. Esta fila se llama
fila pivote
d) En la intersección de la fila pivote y columna pivote tenemos el
elemento pivote operacional, en es ejemplo es 3, este indica que la
variable de decisión 𝑋2 entra a la base y la variable de holgura 𝑆3
sale de la base.
 Pasos del Método Simplex

4. Encontrar la variable de decisión que entra en la base

Cj Variabl Solución 40 60 0 0 0
e LD
Básica

Iteración
1
0 70 2 2 1 0 0
0 40 1 1 0 1 0
0 90 1 3 0 0 1
zj 0 0 0 0 0 0
cj-zj 40 60 0 0 0
 Para encontrar los nuevos valores de la tabla , comenzamos
convirtiendo a 1 el elemento pivote operacional

Cj Variable Solución 40 60 0 0 0
Básica LD
Iteración 2
0 10 4/3 0 1 0 -2/3
0 10 2/3 0 0 1 -1/3
60 30 1/3 1 0 0 1/3
zj 1800 20 60 0 0 20
cj-zj 20 0 0 0 -20

0(1/3) 90 1 3 0 0 1
30 1/3 1 0 0 1/3

30 1/3 1 0 0 1/3 30 1/3 1 0 0 1/3

= -30 -1/3 -1 0 0 -1/3 = -60 -2/3 -2 0 0 -2/3
+S2 40 1 1 0 1 0 +S1 70 2 2 1 0 0
=S2 10 2/3 0 0 1 -1/3 =S1 10 4/3 0 1 0 -2/3

𝑿𝟐 = 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒒𝒖𝒆 𝒆𝒏𝒕𝒂 𝒂 𝒍𝒂 𝒃𝒂𝒔𝒆

𝑺𝟑 = 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒒𝒖𝒆 𝒔𝒂𝒍𝒆 𝒅𝒆 𝒍𝒂 𝒃𝒂𝒔𝒆
 Pasos del Método Simplex

Ahora procedemos a revisar los nuevos valores de la tabla y para determinar si la tabla es
óptima o no se aplican los siguientes criterios:
Cj Variable Solución LD 40 60 0 0 0
Básica

Iteración 2
0 10 4/3 0 1 0 -2/3
0 10 2/3 0 0 1 -1/3
60 30 1/3 1 0 0 1/3
zj 1800 20 60 0 0 20
cj-zj 20 0 0 0 -20

Variable que entra
Variable que sale
Solución Optima
Maximizar
La más positiva de los Cj-Zj
Siendo b los valores bajo la
celda solución y a el valor
correspondiente a la
intersección entre b y la
variable que entra. La menos
positiva de los b/a.
Cuando todos los Cj - Zj sean
<= 0
Minimizar
La más negativa de los Cj-Zj
Siendo b los valores bajo la
celda solución y a el valor
correspondiente a la
intersección entre b y la
variable que entra. La menos
positiva de los b/a.
Cuando todos los (Cj - Zj)
sean >= 0.
Pasos del Método Simplex

Nuevos valores en el tablero de simplex

Como en los elementos de la primera fila Z hay un numero positivo(20),
significa que no hemos llegado todavía a la solución óptima. Hay que
repetir el proceso:
La variable que entra en la base es X1, que es el único elemento positivo
que queda en el renglón Z y se repite el proceso anterior.
El menor cociente positivo es 15/2, tenemos que la fila pivote y la variable
de holgura que sale es S1.
El elemento pivote, que ahora hay que hacer 1, es 4/3. Y se opera de
forma análoga a la anterior iteración.
 Pasos del Método Simplex

Columna Pivote:
Variable que
entra a la base

Cj Variabl Solución 40 60 0 0 0
e LD
Básica
Iteración 2
Fila Pivote:
Variable que 0 10 4/3 0 1 0 -2/3
sale de base 0 10 2/3 0 0 1 -1/3
60 30 1/3 1 0 0 1/3
zj 1800 20 60 0 0 20
cj-zj 20 0 0 0 -20
 Pasos del Método Simplex
Ahora procedemos a revisar los nuevos valores de la tabla y para determinar si la
tabla es óptima o no se aplican los siguientes criterios:

Cj Variable Solución LD 40 60 0 0 0
Básica

Iteración 3
40 7.5 1 0 3/4 0 -1/2
0 5 0 0 -1/2 1 0
60 27.5 0 1 -1/4 0 1/2
zj 1950 40 60 15 0 10
cj-zj 0 0 -15 0 -10

(3/4) | 10 4/3 0 1 0 -2/3

7.5 1 0 3/4 0 -1/2

7.5 1 0 3/4 0 -1/2 7.5 1 0 3/4 0 -1/2

= -2.5 -1/3 0 -1/4 0 1/6
= -5 -2/3 0 -1/2 0 1/3
30 1/3 1 0 0 1/3
+S2 10 2/3 0 0 1 -1/3
27.5 0 1 -1/4 0 1/2
S2 5 0 0 -1/2 1 0
 Pasos del Método Simplex
Ahora procedemos a revisar los nuevos valores de la tabla y para determinar si la tabla es
óptima o no se aplican los criterios de optimidad. Y al revisar todos los valores de Cj-Zj , son
todos ≤ 0, esta es la tabla óptima.

Cj Variabl Solución 40 60 0 0 0
e LD
Básica
Iteración 3
40 7.5 1 0 3/4 0 -1/2
0 5 0 0 -1/2 1 0
60 27.5 0 1 -1/4 0 1/2
zj 1950 40 60 15 0 10
cj-zj 0 0 -15 0 -10
MÉTODO SIMPLEX
VARIABLE ARTIFICIAL / MÉTODO DE LA "M"
 Existen problemas de programación lineal
que no proporcionan una solución básica
TÉCNICAS inicial. Esta situación se presenta cuando
DE LAS al menos una de las restricciones es del
tipo (>=) o (=). Para este propósito se
VARIABLES desarrollan 2 métodos basados en el uso
de variables artificiales: El método M o de
ARTIFICIALES penalización y la técnica de 2 fases.
 Variables De Superfluas-exceso-
superávit.
• Las variables de exceso: son
requerimientos mínimos, superávit es el
Método exceso mínimo del lado izquierdo sobre
el requerimiento mínimo, son los
Simplex excedentes de un producto
• El valor de esta variable se interpreta
como la cantidad por encima de algún
nivel mínimo requerido. Es decir los
excedentes de un producto.
Método Simplex
VARIABLE ARTIFICIAL / MÉTODO DE LA "M"

Una variable artificial es un truco matemático para convertir inecuaciones "≥" en

ecuaciones, o cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que no
representan recursos. El objetivo fundamental de estas variables es la formación de la
matriz identidad.
Estas variables se representa por la letra “R", y siempre se suman a las restricciones, su
coeficiente es M (por esto se define Método de la M grande, donde M significa un número
demasiado grande muy poco atractivo para la función objetivo), y el signo en la función
objetivo va en contra del sentido de la misma, es decir, en problemas de Maximización su
signo es menos (-) y en problemas de Minimización su signo es (+), repetimos con el
objetivo de que su valor en la solución sea cero (0)
 Ejemplo 2
Dado el siguiente ejemplo de programación lineal
Para convertir las desigualdades en igualdades se aplican los
siguientes criterios:

Después de aplicar los criterios las restricciones quedan de la siguiente forma:

Una vez aplicados los criterios, los datos para el tablero inicial son los siguientes:

𝑍𝑚𝑎𝑥 = 4𝑋1 + 𝑋2 − 𝑀𝑅1 − 𝑀𝑅2

3𝑋1 + 1𝑋2 + 1𝑅1 + 0𝑆1 + 0𝑆2 + 0𝑅2 = 3
4𝑋1 + 3𝑋2 + 0𝑅1 − 1𝑆1 + 0𝑆2 + 1𝑅2 = 6
1𝑋1 + 2𝑋2 + 0𝑅1 + 0𝑆1 + 1𝑆2 + 0𝑅2 = 4
𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 ≥ 0

Coeficientes de la función objetivo

Fila de los precios sombras

Ahora se aplican los criterios para determinar la columna y fila pivote

Variable que entra
Variable que sale
Solución Optima
Maximizar
La más positiva de los Cj-Zj
Siendo b los valores bajo la
celda solución y a el valor
correspondiente a la
intersección entre b y la
variable que entra. La menos
positiva de los b/a.
Cuando todos los Cj - Zj sean
<= 0
Minimizar
La más negativa de los Cj-Zj
Siendo b los valores bajo la
celda solución y a el valor
correspondiente a la
intersección entre b y la
variable que entra. La menos
positiva de los b/a.
Cuando todos los (Cj - Zj)
sean >= 0.

Variable Solución 4 1 -M -M 0 0
Cj
Básica LD X1 X2 R1 R2 S1 S2
Iteración 1
-M R1 3 3 1 1 0 0 0
-M R2 6 4 3 0 1 -1 0
0 S2 4 1 2 0 0 0 1
Zj -9M -7M -4M -M -M M 0
Cj-Zj 4+7M 1+4M 0 0 -M 0
 Ejemplo no.2
Ahora se aplica el método de gauss jordán, para convertir el elemento pivote en 1

Variable Solución 4 1 -M -M 0 0
Cj
Básica LD X1 X2 R1 R2 S1 S2
Iteración 1
-M R1 3 3 1 1 0 0 0
-M R2 6 4 3 0 1 -1 0
0 S2 4 1 2 0 0 0 1
Zj -9M -7M -4M -M -M M 0
Cj-Zj 4+7M 1+4M 0 0 -M 0

Operaciones fila para

convertir el elemento
pivote 3 , el valor que esta
en la casilla que esta en
color rojo, en 1
En el siguiente tablero se representan los nuevos valores despúes de haber convertido el elemento pivote en 1, y
los demas elementos de la columna pivote en cero. Una ves encontrados estos nuevos valores se revisan los
coeficientes de la fila de los cj-zj, y se revisan los criterios de parada también llamados criterios de optimimidad.
Para este Ejemplo ser revisan que todos los valores de esta fila sean <= 0. Al revisar la columna de la variable de X2
tiene un valor positivo, lo que indica que hay una mejor solución que esta.
Ejemplo no.2
En el siguiente tablero de muestran los nuevos valores, por lo que se proceden a revisar los valores de la
fila de los cj-cj, de que estos sean ceros o negativos,
Como todos los coeficientes de la fila de los Cj-Zj
Ejemplo no.2son ≤ 0, esta es la tabla con la
solución óptima.
EJERCICIOS MÉTODO
SIMPLEX TABLERO POM
EJERCICIO 3
El rancho Holiday Meal Turkey está considerando comprar dos marcas diferentes de
alimento para pavo, y mezclarlos para ofrecer una buena dieta de bajo costo para
sus aves. Cada alimento contiene, en proporciones variables, algunos o los tres
ingredientes nutricionales esenciales para pavos de engorda. Por ejemplo, cada
libra de la marca 1 contiene 5 onzas del ingrediente A, 4 onzas del ingrediente B y 0.5
onzas del ingrediente C. Cada libra de la marca 2 contiene 10 onzas del ingrediente
A, 3 onzas del ingrediente B, pero nada del ingrediente C. La marca 1 de alimento
cuesta al rancho 2 centavos de dólar por libra; en tanto que la marca 2 de alimento
le cuesta 3 centavos de dólar por libra.
El propietario del rancho desea utilizar la PL para determinar la dieta con costo
mínimo que cumpla con el requisito mínimo de ingesta mensual de cada ingrediente
nutricional, sabiendo que por pavo se requiere un mínimo mensual de 90 onzas del
ingrediente A, 48 onzas del ingrediente B y 1.5 onzas del ingrediente C.
EJERCICIO 3
Datos relevantes del problema:

COMPOSICION DE CADA DE REQUERIMIENTO

MENSUAL MINIMO
ALIMENTO EN (OZ.) PAVO (OZ.)

ALIMENTO ALIMENTO MARCA 2

MARCA 1

INGREDIENTE A 5 10 90

INGREDIENTE B 4 3 48

INGREDIENTE C 0.5 0 1.5

Costo ($) 2 3
 EJERCICIO 3
Variables de decisión
 𝑋1 = Número de libras de la marca 1 de alimento comprada
 𝑋2 = Número de libras de la marca 2 de alimento comprada

Entonces, se procede a formular el problema de programación lineal de la siguiente manera:

Minimizar los costos (en centavos) Z =2𝑿𝟏 + 3𝑿𝟐

sujetos a las siguientes restricciones:

5𝑋1 +10𝑋2 ≥90 onzas (restricción del ingrediente A)
4𝑋1 + 3𝑋2 ≥ 48 onzas (restricción del ingrediente B)
0.5𝑋1 ≥ 1.5 onzas (restricción del ingrediente C)
X1 ≥0 (restricción de no negatividad)
X2 ≥0 (restricción de no negatividad)
 EJERCICIO 3
Modelo matemático de P.L.
Tipo De Agregar a Agregar a la función objetivo
 𝑍𝑚𝑖𝑛 = 2𝑿𝟏 + 3𝑿𝟐 Restricción la (las variables de holgura y
restricción excedente tienen coeficiente 0
𝑠/𝑎 en la función objetivo)
5𝑋1 +10𝑋2 ≥90 onzas (restricción del ingrediente A) ≤ +𝑆 +0𝑆
4𝑋1 + 3𝑋2 ≥ 48 onzas (restricción del ingrediente B)
≥ −𝑆 + 𝑅 𝑀𝑎𝑥 + 0𝑆 – 𝑀R
0.5𝑋1 ≥ 1.5 onzas (restricción del ingrediente C) 𝑀𝑖𝑛 + 0𝑆 + 𝑀R
X1 ≥0 (restricción de no negatividad)
= +𝑅 𝑀𝑎𝑥 − 𝑀R
X2 ≥0 (restricción de no negatividad) 𝑀𝑖𝑛 + 𝑀R

1. Convertir la desigualdades en igualdades

5𝑋1 +10𝑋2 + 𝑅1 − 𝑆1 =90
4𝑋1 +3𝑋2 + 𝑅2 − 𝑆2 = 48
0.5𝑋1 + 𝑅3 − 𝑆3 = 1.5
 EJERCICIO 3
 𝑍𝑚𝑖𝑛 = 2𝑿𝟏 + 3𝑿𝟐
Como en este caso hay variables artificiales y también variables de holgura, para
igualar la función objetivo a cero, aplicamos el método de la gran M.
Para aplicar este método se aplica el siguiente criterio:
𝐌𝐚𝐱 − 𝐌𝐑
𝐌𝐢𝐧 + 𝐌𝐑

En este caso como estamos minimizando la penalización de las M se suman a la

función objetivo de la siguiente forma:
𝑍𝑚𝑖𝑛 = 2𝑿𝟏 + 3𝑿𝟐 +𝑀𝑅1 + 𝑀𝑅2 + 𝑀𝑅3
 EJERCICIO 3
Escribir el tablero inicial
𝑍𝑚𝑖𝑛 = 2𝑿𝟏 + 3𝑿𝟐 +𝑀𝑅1 + 𝑀𝑅2 + 𝑀𝑅3
5𝑋1 +10𝑋2 + 𝑅1 − 𝑆1 =90
4𝑋1 +3𝑋2 + 𝑅2 − 𝑆2 = 48
0.5𝑋1 + 𝑅3 − 𝑆3 = 1.5
Cj Variable Solución 2 3 0 0 0 M M M
Básica LD
𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3

Iteración 1

M 𝑅1 90 5 10 -1 0 0 1 0 0

M 𝑅2 48 4 3 0 -1 0 0 1 0

M 𝑅3 1.5 0.5 0 0 0 -1 0 0 1

zj 139.5M 9.5M 13M -M -M -M M M M

cj-zj 2-9.5M 3-13M M M M 0 0 0

 EJERCICIO 3
Determinar la variable que entra y la que sale de la base aplicando los siguientes criterios:
Cj Variable Solución 2 3 0 0 0 M M M
Básica LD 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3

Iteración 1
M 𝑅1 90 5 10 -1 0 0 1 0 0
M 𝑅2 48 4 3 0 -1 0 0 1 0
M 𝑅3 1.5 0.5 0 0 0 -1 0 0 1
zj 139.5M 9.5M 13M -M -M -M M M M
cj-zj 2-9.5M 3-13M M M M 0 0 0

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 3
Determinar la variable que entra y la que sale de la base aplicando los siguientes criterios:
Cj Variabl Solución 2 3 0 0 0 M M M
e LD 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3
Básica
Iteración 2
3 𝑿𝟐 9 1/2 1 -1/10 0 0 1/10 0 0
M 𝑅2 21 5/2 0 3/10 -1 0 -3/10 1 0
M 𝑅3 1.5 0.5 0 0 0 -1 0 0 1
zj 27+22.5M 3/2+3M 3 -3/10+3/10M -M -M 3/10-3/10M M M
cj-zj ½-3M 0 3/10-3/10M M M -3/10+13/10M 0 0

(1/10(𝑅1 ) 90 5 10 -1 0 0 1 0 0
=𝑋2 9 1/2 1 -1/10 0 0 1/10 0 0

(-3)𝑋2 9 1/2 1 -1/10 0 0 1/10 0 0

= -27 -3/2 -3 3/10 0 0 -3/10 0 0
+𝑅2 48 4 3 0 -1 0 0 1 0
=𝑅2 21 5/2 0 3/10 -1 0 -3/10 1 0
 EJERCICIO 3
Aplicar criterios de optimidad, revisando si todos los coeficientes de la fila de los Cj-Zj son >= 0.
Cj Variabl Solución 2 3 0 0 0 M M M
e LD 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3
Básica
Iteración 2
3 𝑋2 9 1/2 1 -1/10 0 0 1/10 0 0
M 𝑅2 21 5/2 0 3/10 -1 0 -3/10 1 0
M 𝑅3 1.5 0.5 0 0 0 -1 0 0 1
zj 27+22.5M 3/2+3M 3 -3/10+3/10M -M -M 3/10-3/10M M M
cj-zj ½-3M 0 3/10-3/10M M M -3/10+13/10M 0 0

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 3
Encontrar los nuevos valores de la tabla
Cj Variabl Solución LD 2 3 0 0 0 M M M
e 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3
Básica
Iteración 3
3 𝑋2 15/2 0 1 -1/10 0 1 1/10 0 -1
M 𝑅2 27/2 0 0 3/10 -1 5 -3/10 1 -5
2 𝑿𝟏 3 1 0 0 0 -2 0 0 2
zj 57/2+27/2M 2 3 -3/10+3/10M -M -1+5M 3/10-3/10M M 1-5M
cj-zj 0 0 3/10-3/10M M 1-5M -3/10+13/10M 0 -1+6M

(2)𝑅3 1.5 0.5 0 0 0 -1 0 0 1

=𝑋1 3 1 0 0 0 -2 0 0 2

(-1/2)𝑋1 3 1 0 0 0 -2 0 0 2
= -3/2 -1/2 0 0 0 1 0 0 -1
+𝑋2 9 1/2 1 -1/10 0 0 1/10 0 0
=𝑋2 15/2 0 1 -1/10 0 1 1/10 0 -1

(-5/2)𝑋1 3 1 0 0 0 -2 0 0 2
= -15/2 -5/2 0 0 0 5 0 0 -5
+𝑅2 21 5/2 0 3/10 -1 0 -3/10 1 0
=𝑅2 27/2 0 0 3/10 -1 5 -3/10 1 -5
 EJERCICIO 3
Aplicar criterios de optimidad, revisando si todos los coeficientes de la fila de los Cj-Zj son >= 0.
Cj Variabl Solución LD 2 3 0 0 0 M M M
e 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3
Básica
Iteración 3
3 𝑋2 15/2 0 1 -1/10 0 1 1/10 0 -1
M 𝑅2 27/2 0 0 3/10 -1 5 -3/10 1 -5
2 𝑋1 3 1 0 0 0 -2 0 0 2
zj 57/2+27/2M 2 3 -3/10+3/10M -M -1+5M 3/10-3/10M M 1-5M
cj-zj 0 0 3/10-3/10M M 1-5M -3/10+13/10M 0 -1+6M

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 3
Aplicar criterios de optimidad, revisando si todos los coeficientes de la fila de los Cj-Zj son >= 0.
Cj Variabl Solución LD 2 3 0 0 0 M M M
e 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3
Básica
Iteración 4
3 𝑋2 24/5 0 1 -4/25 1/5 0 4/25 -1/5 0
0 𝑺𝟑 27/10 0 0 3/50 -1/5 1 -3/50 1/5 -1
2 𝑋1 42/5 1 0 3/25 -2/5 0 -3/25 2/5 0
zj 156/5 2 3 -6/25 -1/5 0 6/25 1/5 0
cj-zj 0 0 6/25 1/5 0 M-6/25 M-1/5 M

(1/5)𝑅2 27/2 0 0 3/10 -1 5 -3/10 1 -5

=𝑆3 27/10 0 0 3/50 -1/5 1 -3/50 1/5 -1
(−1)𝑆3 27/10 0 0 3/50 -1/5 1 -3/50 1/5 -1
= -27/10 0 0 -3/50 1/5 -1 3/50 -1/5 1
+𝑋2 15/2 0 1 -1/10 0 1 1/10 0 -1
=𝑋2 24/5 0 1 -4/25 1/5 0 4/25 -1/5 0

(2)𝑆3 27/10 0 0 3/50 -1/5 1 -3/50 1/5 -1

= 27/5 0 0 3/25 -2/5 2 -3/25 2/5 -2
+𝑋1 3 1 0 0 0 -2 0 0 2
=𝑋1 42/5 1 0 3/25 -2/5 0 -3/25 2/5 0
 EJERCICIO 3
Aplicar criterios de optimidad, revisando si todos los coeficientes de la fila de los Cj-Zj son >= 0.
Cj Variabl Solución LD 2 3 0 0 0 M M M
e 𝑋1 𝑋2 𝑆1 𝑆2 𝑆3 𝑅1 𝑅2 𝑅3
Básica
Iteración 4
3 𝑋2 24/5 0 1 -4/25 1/5 0 4/25 -1/5 0
0 𝑆3 27/10 0 0 3/50 -1/5 1 -3/50 1/5 -1
2 𝑋1 42/5 1 0 3/25 -2/5 0 -3/25 2/5 0
zj 156/5 2 3 -6/25 -1/5 0 6/25 1/5 0
cj-zj 0 0 6/25 1/5 0 M-6/25 M-1/5 M

156
𝑍= = 31.5
5
42
𝑋1 = = 8.4
5
24
𝑋2 = = 4.8
5
27
𝑆3 = = 2.7
10
 EJERCICIO 4
La Cincinnati Chemical Company debe producir 10 000 libras de una mezcla especial para un cliente.
La mezcla se compone de los ingredientes: X1, X2 y X3. X1 cuesta $8/libra, X2 $ 10/libra y X3 $ 11/libra.
No pueden usarse mas de 3 000 libras de X1 y por lo menos deberían usarse 1 500 libras de X2. Además
se requieren por lo menos 2 000 libras de X3.
a) Calcúlese el número de libras de cada ingrediente que habrá que emplear. A fin de reducir la
mínimo el costo total de las 10 000 libras.
b) Calcúlese el costo total más bajo posible.
c) ¿Hay libras sobrantes en el problema?

Formulación del problema • Restricciones:

• Definición de variables X1 + X2 + X3 = 10.000 cantidad de producción
X1 = número de libras del ingrediente X1 X1 ≤ 3.000 cantidad de X1
X2 = número de libras del ingrediente X2 X2 ≥1.500 cantidad de X2
X3 = número de libras del ingrediente X3 X3 ≥ 2.000 cantidad de X3

• Función objetivo 𝑍𝑚𝑖𝑛 = 8X1 + 10X2 + 11X3 • No negatividad

Xi ≥ 0; i = 1, 3
 EJERCICIO 4
Modelo matemático de programación lineal:

𝑍𝑚𝑖𝑛 = 8X1 + 10X2 + 11X3

S/a X1 + X2 + X3 = 10.000 cantidad de producción • Estandarizar las restricciones
X1 ≤ 3.000 cantidad de X1 X1 + X2 + X3 +R1= 10.000
X2 ≥1.500 cantidad de X2 X1+S2= 3.000
X3 ≥ 2.000 cantidad de X3 X2-S3+R3=1500
Xi ≥ 0; i = 1, 3 condiciones de no negatividad X3-S4+R4=200

Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 1
M R1 10000 1 1 1 1 0 0 0 0 0
0 S2 3000 1 0 0 0 1 0 0 0 0
M R3 1500 0 1 0 0 0 1 -1 0 0
M R4 2000 0 0 1 0 0 0 0 1 -1
zj 13500M M 2M 2M M 0 M -M M -M
cj-zj 8-M 10-2M 11-2M 0 0 0 M 0 M
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 1
M R1 10000 1 1 1 1 0 0 0 0 0
0 S2 3000 1 0 0 0 1 0 0 0 0
M R3 1500 0 1 0 0 0 1 -1 0 0
M R4 2000 0 0 1 0 0 0 0 1 -1
zj M 2M 2M M 0 M -M M -M
cj-zj 8-M 10-2M 11-2M 0 0 0 M 0 M

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 2
M R1 8500 1 0 1 1 0 -1 1 0 0
0 S2 3000 1 0 0 0 1 0 0 0 0
10 X2 1500 0 1 0 0 0 1 -1 0 0
M R4 2000 0 0 1 0 0 0 0 1 -1
zj 1500+10500M M 10 2M M 0 -M M-10 M -M
cj-zj 8-M 0 11-2M 0 0 2M -M+10 0 M

(-1)X2 1500 0 1 0 0 0 1 -1 0 0
= -1500 0 -1 0 0 0 -1 1 0 0
+R1 10000 1 1 1 1 0 0 0 0 0
R1 8500 1 0 1 1 0 -1 1 0 0
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 2
M R1 8500 1 0 1 1 0 -1 1 0 0
0 S2 3000 1 0 0 0 1 0 0 0 0
10 X2 1500 0 1 0 0 0 1 -1 0 0
M R4 2000 0 0 1 0 0 0 0 1 -1
zj 1500+10500M M 10 2M M 0 -M M-10 M -M
cj-zj 8-M 0 11-2M 0 0 2M -M+10 0 M
-992 -1989 -990

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 3
M R1 6500 1 0 0 1 0 -1 1 -1 1
0 S2 3000 1 0 0 0 1 0 0 0 0
10 X2 1500 0 1 0 0 0 1 -1 0 0
11 𝑿𝟑 2000 0 0 1 0 0 0 0 1 -1
zj 37000+6500M M 10 11 M 0 10-M -10+M 11-M -11+M
cj-zj 8-M 0 0 0 0 -10+2M 10-M -11+2M 11-M

(−1)𝑋3 2000 0 0 1 0 0 0 0 1 -1
= -2000 0 0 -1 0 0 0 0 -1 1
+R1 8500 1 0 1 1 0 -1 1 0 0
=R1 6500 1 0 0 1 0 -1 1 -1 1
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 3
M R1 6500 1 0 0 1 0 -1 1 -1 1
0 S2 3000 1 0 0 0 1 0 0 0 0
10 X2 1500 0 1 0 0 0 1 -1 0 0
11 𝑋3 2000 0 0 1 0 0 0 0 1 -1
zj 37000+6500M M 10 11 M 0 10-M -10+M 11-M -11+M
cj-zj 8-M 0 0 0 0 -10+2M 10-M -11+2M 11-M
-992 -990 -989

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 4
M R1 3500 0 0 0 1 -1 -1 1 -1 1
8 X1 3000 1 0 0 0 1 0 0 0 0
10 X2 1500 0 1 0 0 0 1 -1 0 0
11 𝑋3 2000 0 0 1 0 0 0 0 1 -1
zj 61000-3500M 8 10 11 M -M+8 10-M -10+M 11-M -11+M
cj-zj 0 0 0 0 -8+M -10+2M 10-M -11+2M 11-M

(-1)X1 3000 1 0 0 0 1 0 0 0 0
= -3000 -1 0 0 0 -1 0 0 0 0
+R1 6500 1 0 0 1 0 -1 1 -1 1
=R1 3500 0 0 0 1 -1 -1 1 -1 1
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 4
M R1 3500 0 0 0 1 -1 -1 1 -1 1
8 X1 3000 1 0 0 0 1 0 0 0 0
10 X2 1500 0 1 0 0 0 1 -1 0 0
11 𝑋3 2000 0 0 1 0 0 0 0 1 -1
zj 61000-3500M 8 10 11 M -M+8 10-M -10+M 11-M -11+M
cj-zj 0 0 0 0 -8+M -10+2M 10-M -11+2M 11-M
-990 -989

Maximizar
Variable que entra La más positiva de los Cj-Zj. Es decir
al mayor valor absoluto.
Variable que sale Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.
Minimizar
La más negativa de los Cj-Zj. Es decir
el mayor valor absoluto.
Siendo b los valores bajo la celda
solución y a el valor correspondiente
a la intersección entre b y la variable
que entra. La menos positiva de los
b/a.

Solución Optima Cuando todos los Cj - Zj sean <= 0 Cuando todos los (Cj - Zj) sean >= 0.
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 5
0 S3 3500 0 0 0 1 -1 -1 1 -1 1
8 X1 3000 1 0 0 0 1 0 0 0 0
10 X2 5000 0 1 0 1 -1 0 0 -1 1
11 𝑋3 2000 0 0 1 0 0 0 0 1 -1
zj 96000 8 10 11 10+M -2 0 0 1 -1
cj-zj 0 0 0 -10 2 0 0 -1 1

S3 3500 0 0 0 1 -1 -1 1 -1 1
+X2 1500 0 1 0 0 0 1 -1 0 0
=X2 5000 0 1 0 1 -1 0 0 -1 1
 EJERCICIO 4
Cj Variabl Solución LD 8 10 11 M 0 M 0 M 0
e 𝑋1 𝑋2 𝑋3 𝑅1 𝑆2 𝑅3 𝑆3 𝑅4 𝑆4
Básica
Iteración 5
0 S3 3500 0 0 0 1 -1 -1 1 -1 1
8 X1 3000 1 0 0 0 1 0 0 0 0
10 X2 5000 0 1 0 1 -1 0 0 -1 1
11 𝑋3 2000 0 0 1 0 0 0 0 1 -1
zj 96000 8 10 11 10+M -2 0 0 1 -1
cj-zj 0 0 0 -10 2 0 0 -1 1

Nota: En este caso esta es la solución óptima ya que R1, había salido de la base en la iteración
anterior .