Proyecto de Investigacion Operativa 2019

FICHA DE IDENTIFICACIÓN DE TRABAJO DE INVESTIGACIÓN
Título Método Simplex , Maximización
Nombres y Apellidos Código de estudiantes

Jannise Nicole Eid Terán 32363
Autor/es Juan Daniel Flores Arias 201310689
Selena Laura Morales 31772
Fecha 20/06/2019
Carrera Ingeniería Comercial

Asignatura Investigación Operativa
Grupo “K”
Docente Luis Fernando Justiniano
Periodo Académico I/2019
Subsede Santa Cruz de la Sierra
Copyright © (2019) por (Nicole Eid , Selena Morales, Juan daniel F.Todos los derechos reservados.
.
Título: Metodo Simplex
Autor/es: Nicole Eid , Selena Morales,Juan Daniel f.
RESUMEN:
El Método Simplex es un método analítico de solución de problemas de programación

lineal capaz de resolver modelos más complejos que los resueltos mediante elmétodo gráfico sin
restricción en el número de variables.El Método Simplex 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.
Palabras clave: Solución , Método , Programación .
ABSTRACT:
The Simplex Method is an analytical method of problem solving of linear programming capable
of solving more complex models than those solved by the graphical method without restriction in
the number of variables. The Simplex Method is an iterative method that allows to improve the
solution in each step . The mathematical reason for this improvement is that the method consists
of walking from the vertex of a polyhedron to a neighboring vertex so that it increases or
decreases (depending on the context of the objective function, be maximized or minimized),
since the number of vertices Which presents a polyhedron solution is finite solution will always
be found.
Key words: Solution, Method, Programming
Asignatura: Investigación Operativa

Carrera :Ingeniería Comercial Página 5 de 28
Tabla De Contenidos
Introducción................................................................................................................................6
Capítulo 1. Planteamiento del Problema.....................................................................................7
1.1. Formulación del Problema.........................................................................................7
1.2. Objetivos General y Especificos................................................................................7
1.3. Justificación...............................................................................................................7
Capítulo 2. Marco Teórico..........................................................................................................8
2.1 Marco Conceptual ........................................................................................................8
Capítulo 3. Método.....................................................................................................................9
3.1 Metodo de Investigación...............................................................................................9
3.2 Fuentes de Información ................................................................................................9
Capítulo 4. Resultados y Discusion ........................................................................................10
Capítulo 5. Conclusiones..........................................................................................................11
Referencias................................................................................................................................12
Anexos .....................................................................................................................................13

Introducción
El método simplex permite localizar de manera eficiente la óptima solución entre los puntos
extremos de un problema de programación lineal. La gran virtud del método simplex es su
sencillez, método muy práctico, ya que solo trabaja con los coeficientes de la función objetivo y
de las restricciones.
Es muy importante en el área empresarial ya que lo utilizan para obtener solución a los
problemas de las empresas en cuanto a inventario, ganancias y pérdidas.
Este método permite visualizar cuanto se debe vender, cuanto se debe producir o cuanto se debe
comprar según sea el caso para que la empresa obtenga las ganancias optimas y suficientes para
competir en el mercado.
En Base a esta importancia El método simplex ha tenido diversas aplicaciones en las industrias
especialmente en el área de transporte, en la parte de inventarios y en lo empresarial en
general.Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en
buscar sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través
de los lados del polígono (o de las aristas del poliedro, si el número de variables es mayor).
Cómo el número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.
El método símplex requiere el examen de una serie de matrices. Recuerde que en el método
gráfico se requería que examináramos una serie de puntos. En forma análoga el método símplex
(cada matriz) nos proporciona un punto esquina de la región de soluciones factibles, sin
necesidad de graficar la región.
Es muy importante en el área empresarial ya que lo utilizan para obtener solución a los
problemas de las empresas en cuanto a inventario, ganancias y pérdidas.
Es una técnica poderosa para tratar el problema de asignación de recursos limitados entre
actividades, así como para otros problemas que tengan un planteamiento matemático semejante.
El método simplex es un algoritmo, un proceso en que se repite, un procedimiento hasta lograr el
resultado, determinando un proceso de arranque y un criterio para determinar cuándo debe
detenerse.
El método simplex se ha convertido en una herramienta estándar de gran importancia para
numerosas organizaciones comerciales e industriales. Además, casi cualquier organización social
tiene que ver con la asignación de recursos en algún contexto y existe un reconocimiento
creciente de la extremadamente amplia aplicabilidad de la técnica del método.
Este no solo aporta la solución óptima de las variables sino, su utilidad máxima, y costo mínimo,
sino también una gran cantidad de valiosa información económica.
Por esta razón resulta de vital importancia tanto el aprender las técnicas de solución a través de
este método y además dominar ampliamente la interpretación de resultados

Capítulo 1. Planteamiento del Problema
1.1. Formulación del Problema
¿Cuantos containners de cada tipo debería fabricar la fábrica productora de embalajes

plásticos, para obtener la utilidad máxima ?
1.2. Objetivos
Objetivos General
 Resolver problemas Mediantes graficos.
Objetivos Especificos
 Determinar los Pasos para desarrolar los problemas mediante el metodo.

 Analizar las posible soluciones que se puede presentar mediante el metodo aplicacion
Maximización.
 Desarrolar problemas de comercio exterior mediante el metodo graficos.
1.3. Justificación
Los problemas reales de programación lineal generalmente tienen variables de decisión ,muchas
rectricciones .Tales problemas no pueden ser resueltos gráficamente . Se usan algoritmos tales
como el simplex , progresivamente permite obtener una solución óptima a los problemas de
programación lineal .El método simplex es especialmente útil en problemas de gran escala
(resueltos con una computadora ).

Capítulo 2. Marco Teórico
2.1 Marco Conceptual
*Método simplex: El Método Simplex es un método analítico de solución de problemas de

programación lineal capaz de resolver modelos más complejos que los resueltos mediante el
método gráfico sin restricción en el número de variables.
*Función objetivo :Es la ecuación que será optimizada dadas las limitaciones o restricciones
determinadas y con variables que necesitan ser minimizadas o maximizadas usando técnicas de
programación lineal o no lineal.
*Variables : es una palabra que representa a aquello que varía o que está sujeto a algún tipo de
cambio. Se trata de algo que se caracteriza por ser inestable, inconstante y mudable. En otras
palabras, una variable es un símbolo que permite identificar a un elemento no especificado
dentro de un determinado grupo.
*Variables de Holgura : Son variables que se agregan a la restricción para que larelación de la
restricción sea de igualdad (representa el valor que le hace falta al lado izquierdopara ser igual al
lado derecho). Ambos tipos de variables tienen que cumplir con la restricciónde no negatividad.
*Variable Artificial : 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.
*Metodo de la “M” : En el contexto de la aplicación del Método Simplex no siempre es

inmediata la obtención de una solución básica factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios procedimientos como son el Método Simplex de 2
Fases y el Método de la M Grande (o Gran M) el cual abordaremos en este artículo. Para ello
consideremos el siguiente modelo de Programación Lineal en 2
*Matriz identidad : Una matriz identidad es una matriz diagonal en la que los elementos de la
diagonal principal son iguales a 1.
*Maximización : Maximizar es un término que refiere a la búsqueda del máximo rendimiento.

La maximización consiste en aprovechar o explotar todo lo posible ciertos recursos o funciones.
*Optimización : es la selección del mejor elemento (con respecto a algún criterio) de un

conjunto de elementos disponibles.
*Restricción : la restricción de una función es otra función definida en un subconjunto del
dominio de la primera, y que toma los mismos valores para esos elementos. La función original
es a su vez una extensión de la primera.

*Valor optimo: Valor que produce el máximo de una magnitud que depende de él.
*Inecuación: una inecuación que es válida para todas las variables se llama inecuación
incondicional y las que son válidas solo para algunos valores de las variables se conocen como
inecuaciones condicionales.
*Ecuaciones : Una ecuación es una igualdad matemática entre dos expresiones, denominadas
miembros y separadas por el signo igual, en las que aparecen elementos conocidos o datos,
desconocidos o incógnitas, relacionados mediante operaciones matemáticas.
*Solución factible: en Programación Lineal una Solución Básica Factible (SBF) es aquella que
además de pertenecer a la región o área factible del problema se puede representar a través de
una solución factible en la aplicación del Método Simplex satisfaciendo las condiciones de no
negatividad.
*Tabla simplex :
*Penalización de variables : si la ecuacion no tiene una holgura (o una variable que pueda
desempeñar el papel de una), se agrega una variable artificial , para formar una solucion inicial
procede a la solucion basica de total holgura.
*Pivote : Los algoritmos de pivote (o algoritmos de cambio de base) son algoritmos de la

optimización matemática, y en especial de la Programación Lineal.
*Forma estándar : Las ecuaciones lineales pueden tomar varias formas, como la fórmula punto-
pendiente, la fórmula pendiente-intersección, y la forma estándar de una ecuación lineal. Éstas
formas permiten a los matemáticos describir la misma recta de distintas maneras..
*Programación lineal: la programación lineal es el campo de la optimización matemática

dedicado a maximizar o minimizar (optimizar) una función lineal, denominada función objetivo,
de tal forma que las variables de dicha función estén sujetas a una serie de restricciones
expresadas mediante un sistema de ecuaciones o inecuaciones también lineales. El método
tradicionalmente usado para resolver problemas de programación lineal es el Método Simplex.


Capítulo 3. Método
3.1 Tipo de Investigación
El tipo de investigación de nuestro proyecto es descriptiva
3.2 Fuentes de Investigación
La investigación realizada es de carácter documental ya que nos apoyamos en la recopilación

de antecedentes a través de documentos gráficos y escritos de cualquier índole y de diversos
autores, en los que el investigador fundamenta y complementa su investigación.
Utilizamos para requerir información mediante :
*Libros
*Internet

Capítulo 4. Resultados y Discusión
El método símplex es un algoritmo eficiente y confiable para resolver problemas de

programación líneal. También proporciona la base para llevar a cabo, en forma muy eficiente, las
distintas etapas del análisis óptimo , es un procedimiento iterativo que permite ir mejorando la
solución a cada paso. El proceso concluye cuando no es posible seguir mejorando más dicha
solución.
Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar
sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los
lados del polígono (o de las aristas del poliedro, si el número de variables es mayor). Cómo el
número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.
El método del simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma su

valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la cual f
aumenta.
VARIABLES DE HOLGURA Y EXCESO
Aplica para las restricciones del tipo (≥ y ≤), donde el lado derecho de la desigualdad representa
el limite sobre la disponibilidad de un recurso y el lado izquierdo representa la utilización de ese
recurso limitado que hacen las variables del modelo. Esto quiere decir que una holgura
representa la cantidad disponible del recurso que excede a la utilización que se le da. En la
conversión de este tipo de desigualdad se añade una variable de ajuste (Si) para convertirla en
igualdad. Por ejemplo, tenemos la siguiente restricción: 3X1 + 2X2 ≥ 6, su equivalente seria,
3X1 + 2X2 + S1 = 6.
VARIABLE ARTIFICAL / METODO 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 "A", siempre se suman a las restricciones, su coeficiente
es M (por esto se le denomina 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).
A modo general, el método Símplex consta de los pasos siguientes:

 Determinar una solución básica factible inicial.

 Definir una variable de entrada empleando la condición de factibilidad. El algoritmo se
detiene cuando ya no hay una variable de entrada.
 Seleccionar una variable de salida empleando la condición de factibilidad.
 Determinar las nuevas soluciones básicas factibles aplicando los cálculos apropiados a
través de la metodología Gauss-Jordan.
TIPO DE OPTIMIZACIÓN
El algoritmo Simplex para resolver modelos de programación lineal requiere que el modelo este
en su forma estándar. Lo que se hace es convertir el modelo a la forma estándar. Esto se logra
introduciendo nuevas variables, algunas de las cuales reemplazaran a las variables originales.
 Para cada restricción del tipo ≤ se introduce una nueva variable de holgura (slack

variable) Si que se suma al primer miembro y la desigualdad se convierte en igualdad; se añade
la restricción de signo a la nueva variable si ≥ 0.
 Para cada restricción del tipo ≥ se introduce una nueva variable de exceso (excess
variable) ei que se resta al primer miembro y la desigualdad se convierte en igualdad; se añade la
restricción de signo a la nueva variable ei ≥ 0
El objetivo del método consistirá en optimizar el valor de la función objetivo. Sin embargo se
presentan dos opciones: obtener el valor óptimo mayor (maximizar) u obtener el valor óptimo
menor (minimizar).
Además existen diferencias en el algoritmo entre el objetivo de maximización y el de

minimización en cuanto al criterio de condición de parada para finalizar las iteraciones y a las
condiciones de entrada y salida de la base. Así:
1. Objetivo de maximización
 Condición de parada: cuando en la fila Z no aparece ningún valor negativo.
 Condición de entrada a la base: el menor valor negativo en la fila Z (o el de mayor valor
absoluto entre los negativos) indica la variable Pj que entra a la base.
 Condición de salida de la base: una vez obtenida la variable entrante, la variable que sale
se determina mediante el menor cociente P0/Pj de los estrictamente positivos.
RESTRICCIONES ( ≥ ; ≤ )
Las inecuaciones deben convertirse en ecuaciones, o sea, convertir las desigualdades en

igualdades.
Sumar o restar una variable de holgura o supuesta (Si) teniendo en cuenta el sentido de la
inecuación; las restricciones del tipo (≤) se le suma una variable de holgura; las del tipo (≥) se le
resta.

Todas las variables son no negativas, si una variable es irrestricta se usa la sustitución Yi = Y ´i –
Y´´i. Una variable negativa se hace no negativa multiplicando por -1 a la variable en la función
objetivo y las restricciones.
FUNCIÓN OBJETIVO
Se debe agrupar las variables de un solo lado de la ecuación y sumarle las variables de holgura
de las restricciones, pero en este caso tendrán un valor de cero (0S).
Ejemplo:
MÉTODO DE LA GRAN M
a) Convertir las restricciones a ecuaciones:

 A todas y cada una de las restricciones del tipo “≤” se les suma una variable de “holgura”
( Si ).
 A todas y cada una de las restricciones del tipo “=” se les suma una variable “artificial”
( Ai ).
 A todas y cada una de las restricciones del tipo “≥” se les resta una variable de “exceso”
( Si ) y además se les suma una variable “artificial” ( Ai ).
b) Todas las variables de “holgura” y de “exceso” se suman a la Función Objetivo con

coeficiente cero.
c) Todas las variables de “artificiales” ( Ai ) se suman a la Función Objetivo con un

coeficiente diferente de cero.

V/b que aparece Función objetivo
≥ -S+A Min = +M
= +A Max = -M
≤ +S
Ejemplo:

Consideraciones Generales:
1. En general se recurre a las variables artificiales cuando al menos una de las restricciones en el
modelo matemático original es del tipo mayor o igual (≥), esto con el fin de obtener la solución
básica factible inicial.
2. Las variables artificiales proporcionan un artificio matemático para obtener una primera
solución básica. Estas variables son ficticias y no tienen una interpretación física directa en
términos del problema original (costos).
3. Se debe expresar el modelo original en la forma estándar (llevar las desigualdades a

igualdades).
4. Sumar del lado izquierdo de cada ecuación, correspondiente a las restricciones del tipo mayor
o igual (≥) una variable (artificial) no negativa. Dicha adición no causa una alteración en las
restricciones.
5. Los indicadores de las variables artificiales son todos negativos o iguales a cero(0) en la tabla
final. Esto siempre debe ser válido para una solución óptima(factible).

6. Una vez, conocidas las consideraciones generales procedemos con los pasos normales del
método simplex.
Algoritmo del Método de la Técnica de la Gran M.
1. ARMAR LA TABLA SIMPLEX
 Pasar a la forma estándar el modelo matemático, restando las variables de excedente

(holgura o flojas) por cada restricción.
 Agregar variables artificiales en cada restricción.
 Penalizar las variables artificiales en la funcion objetivo asignando coeficiente "M"

(minimizar = +M, maximizar= -M), los coeficientes para las variables de holgura son nulos y M
para las variables artificiales, en donde M es un numero imposiblemente elevado para asegurar
que las variables artificiales se excluirán dela solución óptima.
 TABLA PARA CÁLCULOS: En las columnas aparecerán todas las variables del

problema y en las filas, los coeficientes de las ecuaciones obtenidas.
 En la Función objetivo no deben aparecer variables básicas, por lo que se hace necesario
eliminar las variables artificiales de la F.O. (Quitas las M de las Columnas Artificiales). Para
retirar las M de las columnas de variables artificiales se suman M veces (coeficientes de la fila1
+ fila 2 + fila 3+… fila n ) a la fila de la función objetivo. Esto da como resultado la tabla inicial.
2. PRIMERA ITERACION
 Determinar cuál variable debe entrar a la solución. Se reemplaza el valor de M en las

variables no básicas. En un caso de maximización será la variable con el coeficiente mas
negativo, mientras en un caso de minimización será la variable con el coeficiente mas positivo.
Se le denomina columna pivote.
 Determinar cuál variable debe salir de la solución. Para encontrar la variable de
holgura que tiene que salir de la solución, se divide cada término de la columna solución (valores
constantes) entre el término correspondiente de la columna pivote, siempre que estos últimos
sean mayores que cero. El término de la columna pivote que en la división anterior dé lugar al
menor cociente positivo, indica la fila de la variable de holgura que sale de la base. Se le
denomina fila pivote.

 1ra operación sobre las fila pivote. Los nuevos coeficientes de la fila pivote se obtienen
dividiendo todos los coeficientes de la fila pivote entre el elemento pivote, y se pasa a una nueva
plantilla.
 Se buscan los nuevos valores de las filas de Z y de las variables básicas restantes usando
la formula: FV-(CP*FN). FV representa la fila vieja, o sea la fila que se desea cambiar; CP es el
coeficiente pivote, que son los valores en la columna pivote; FN es la fila nueva, donde se
encuentran los nuevos coeficientes de la fila pivote.
3. El proceso termina una vez se hayan eliminado los valores negativos en Z, encontrando de este
modo una solución al problema. En caso contrario, se debe repetir cada uno de los pasos
expresados en la primera iteración hasta encontrar una solución.
VARIABLE QUE FUNCIÓN

APARECE OBJETIVO
≥ -S+A MIN= +M
= +A MAX= -M
≤ +S

ARMAR LA TABLA SIMPLEX
Convertir las inecuaciones en ecuaciones agregando variables de holgura y/o artificiales según el

sentido de la restricción, e igualar la función objetivo a cero.
En las columnas aparecerán todas las variables del problema y en las filas, los coeficientes de las
ecuaciones obtenidas:
v. Z X1 X2 S1 S2 A1 SOLUCI
básicas ÓN
Z 1 -5 -6 0 0 M 0
A1 0 -2 3 0 0 1 3
S1 0 1 2 1 0 0 5
S2 0 6 7 0 1 0 3
En la Función objetivo no deben aparecer variables básicas, por lo que se hace necesario eliminar
las variables artificiales de la F.O.
(-M) 0 -2 3 0 0 1 3
A1
(0) S1 0 1 2 1 0 0 5
(0) S2 0 6 7 0 1 0 3

A1 = 0 2M -3M 0 0 -M -3M
Z = 1 -5 -6 0 0 M 0
Z = 1 -5+2M -6-3M 0 0 0 -3M
v. Z X1 X2 S1 S2 A1 SOLUCI
básicas ÓN
Z 1 - -6- 0 0 0 -3M
5+2M 3M
A1 0 -2 3 0 0 1 3
S1 0 1 2 1 0 0 5
S2 0 6 7 0 1 0 3
Determinar cuál variable debe entrar y cual debe salir de la solución.

Se reemplaza el valor de M en las variables no básicas y se escoge la variable con el coeficiente
mas negativo. Esta será la columna pivote:
X1= -5+2(1000)= 1995

X2= -6-3(1000)= -3006
Se dividen los coeficientes de la columna solución entre los coeficientes pivote. El de menor
valor positivo será la variable que sale. Esta será la fila pivote:
A1= 3/3=1
S1 = 5/2 = 2,5
S2 = 3/7= 0,4

c.
v. Z X1 pivote S1 S2 A SOLUCI
básicas X2 1 ÓN
Z 1 - -6- 0 0 0 -3M
5+2M 3M
A1 0 -2 3 0 0 1 3
S1 0 1 2 1 0 0 5
f.
pivote 0 6 7 0 1 0 3
S2
Determinar el valor de la nueva fila, dividiendo la fila que sale entre su coeficiente pivote:
0 /7 6/7 7/7 0/7 1/7 0/7 3/7

0 0,86 1 0 0,14 0 0,43
X2 0 0,86 1 0 0,14 0 0,43
Se buscan los nuevos valores de las filas de Z y de las variables básicas restantes usando la
formula: FV-(CP*FN)
Z = FV: 1 -5+2M -6-3M 0 0 0 -3M
CP:-6-3M -6-3M -6-3M -6-3M -6-3M -6-3M -6-3M
FN: 0 0,86 1 0 0,4 0 0,43
1 0,16+4,58M 0 0 0,84+0,42M 0 2,58-1,71M
El procedimiento se repite para A1 y S1.
v.
básicas Z X1 X2 S1 S2 A1 SOLUCI
ÓN
Z 1 0,16+4,58M 0 0 0,84+0,4 0 2,58-1,71M

2M
A1 0 -4,58 0 0 -1,2 1 1,71

S1 0 -0,72 0 1 -0,8 0 4,14
X2 0 0,86 1 0 0,14 0 0,43
Una vez eliminados los valores negativos en Z, se ha encontrado respuesta al problema.
PRUEBA: 2,58-1,71M
Por se M un número muy grande, no se toma, quedando solo 2,58. Se toma la función objetivo y
reemplazamos X2 por 0,43:
Z= 5X1+6X2
2,58=5(0)+6(0,43)
2,58=2,58
Los pasos del Método Simplex son los siguientes:
1. Utilizando la forma estándar, determinar una solución básica factible inicial igualando a
las n-m variables igual a cero (el origen).
2. Seleccionar la variable de entrada de las variables no básicas que al incrementar su valor
pueda mejorar el valor en la función objetivo. Cuando no exista esta situación, la solución
actual es la óptima; si no, ir al siguiente paso.
3. Seleccionar la variable de salida de las variables básicas actuales.
4. Determinar la nueva solución al hacer la variable de entrada básica y la variable de salida
no básica, ir al paso 2 (actualizar).
SOLUCIONES DE MAXIMIZACION SIMPLEX
La mejor manera de aprender el método simplex es resolviendo problemas de programación

lineal Para esto realicemos el siguiente ejercicio
Podemos observar como existe una solución óptima alternativa en la cual la combinación de
variables es distinta y existe un menor consumo de recursos, dado que el hecho de que se
encuentre la variable "S1" en la solución óptima con un coeficiente de "3" significa que se
presenta una holgura de 3 unidades del recurso (pieza rectangular de 8 pines).
Una fábrica productora de embalajes plásticos, elabora dos tipos de containers de 3.750 c.c. y
4.000 c.c. Los datos de producción se presentan en la tabla adjunta. La persona encargada del
termo-formado no puede trabajar más de 40 horas a la semana y los recursos económicos de la

fábrica no permiten inversiones mayores de US$1.000 de materiales por semana ¿cuántos

containers de cada tipo debería fabricar la industria, para obtener la utilidad máxima?
TIPO DE TRABAJO POR COSTO POR UTILIDAD POR CONTAINER.
3750 (A) 6 HORAS $200 $240 4000 (B) 5 HORAS $100 $160
PASO 1: Establezca el modelo:
Cómo es posible que haya más de dos variables, es usual representarlas como X1 X2 X3, etc.
Variables independientes
X1: Cantidad de container tipo A
X2: Cantidad de container tipo B
Restricciones
C1: 6X1 + 5X2 Restricción de tiempo
C2: 200X1 + 100X2 Restricción de dinero
C3: X1
C4: X2
Función objetivo:
Z= 240X1 + 160X2 (Z es la utilidad)
PASO 2: Convierta las desigualdades de restricciones en ecuaciones
6X1+5X2=40
Observe que si el número total de horas es menor que 40, implica que algunas horas no se
aprovecharon, esto significa que C1 se podría escribir como:

C1=6X1+5X2+S1=40
S1 corresponde a la cantidad de horas no utilizadas, S1
S1 se denomina variable de holgura, de holgura debido a que establece el período libre entre las
horas empleadas (pueden ser menos de 40) y las horas disponibles (exactamente 40). El
introducir la variable de holgura convierte las desigualdades de restricción en ecuaciones, lo que
implica que se puedan utilizar matrices y el método de Gauss Jordán para resolver el problema.
C2:200X1 + 100X2
C2:200X1 + 100X2+S2
Nuevamente S2 es una variable de holgura que establece el dinero no utilizado, S2 . S2

determina la cantidad no empleada de dinero (menor a US$1.000) y el dinero disponible (igual a
US$1.000)
Las restricciones C3:X1 y C4: X2 son condiciones de no negatividad.
PASO 3: Reescriba la función objetivo con todas las variables en el lado izquierdo
Z = 240X1 + 160X2
−240X1 - 160X2+ Z =0
Incluyendo las variables de holgura
−240X1–160X2+0S1+0S2+Z=0
C1:6X1+5X2+S1=40
C2:200X1+100X2+S2=1.000
Recuerde que S1= horas no utilizadas S2= dinero no utilizado
PASO 4: Plantee una matriz a partir de las restricciones y de la función objetivo reescritas.
C1 = 6X1 + 5X2 + S1 + 0S2 + 0Z =40
C2=200X1 + 100X2 + 0S1 + S2 + 0Z =1000

Función objetivo –240X1 - 160X2 + 0S1 + 0S2 + Z = 0
(1)
El método símplex requiere el examen de una serie de matrices. Recuerde que en el método
gráfico se requería que examináramos una serie de puntos. En forma análoga el método símplex
(cada matriz) nos proporciona un punto esquina de la región de soluciones factibles, sin
necesidad de graficar la región.
Una última matriz símplex nos proporcionará el punto esquina óptimo (la solución al problema).
PASO 5: Determine la solución posible correspondiente a la matriz.
La solución factible se determina aplicando un método semejante al de Gauss-Jordan, utilizando

como siempre un pivote (1) para obtener una matriz en la forma escalonada reducida por
renglón.
El valor de la variable que encabeza cada una de las columnas se obtiene leyendo hacia abajo la
columna, volteando en 1 y deteniéndose al final del renglón.
La matriz símplex inicial (1) no está en forma escalonada reducida por renglón . Las columnas
S1 , S2 y Z si están en forma escalonada reducida, luego utilizando el esquema anterior.
F=
Observe que S1=40
S2=1000
Z=0
Y consideremos, inicialmente X1=0 X2=0
Luego una solución factible corresponde a la matriz
(X1 X2 S1 S2) = (0,0,40,1000) con Z=0
Lo anterior es una solución factible por que si X1 e X2=0 se satisfacen las cuatro restricciones.

Esta solución factible implica: que no se fabricaría el container tipo A y B, dispondríamos de 40

horas no trabajadas y US$1.000 no gastados, luego no habría utilidad.
Si este ejercicio se resolviera por método gráfico, (es pertinente que usted realice el ejercicio) el
(0,0) corresponde a un punto de esquina. El método símplex localiza los demás puntos de
esquina hasta que encontremos el óptimo.
El método de Gauss-Jordan y el método símplex
Cuando se soluciona un sistema por el método de Gauss-Jordan no proporciona ninguna solución

hasta que se obtiene la matriz final de Gauss-Jordan.
El método símplex, por el contrario proporciona una serie de soluciones posibles, una por cada
matriz.
Cada solución posible sería un punto esquina de la región de posibles soluciones. Si se estuviese
manejando el método gráfico.
Ahora apliquemos el método símplex para solucionar el problema.
Variables independientes
X1= Cantidad de container
Tipo A
X2= Cantidad de container
Tipo B
Variables de holgura
S1= Horas no empleadas
S2= Dinero no utilizado
Restricciones:
C1:6X1+5X2+S1=40 Restricción de tiempo

C2:200X1+100X2+S2+1000 Restricción de dinero
Función objetivo
−240X1 - 160X2 + 0S1 + 0S2 + 1Z = 0
La primera matriz símplex es la siguiente
Una posible solución era (X1,X2,S1,S2) = (0,0,40,1000) Z=0 pero no es la solución máxima.
El procedimiento que usaremos es igual al método de Gauss-Jordan excepto por la ubicación del
punto pivote.
PIVOTES POR EL MÉTODO SÍMPLEX
PASO 1: Ubique el último renglón en la matriz anterior,( es la función objetivo). Escoja la

entrada más negativa en ese renglón. La columna que contiene esa entrada será la columna
pivote.
Columna pivote
PASO 2: Divida la última entrada en cada renglón de restricción por la correspondiente entrada
de la columna pivote. El renglón que de el menor cociente no negativo es el renglón pivote.
Columna pivote
PASO 3: Elija como pivote la entrada del renglón y la columna pivote
PIVOTE RENGLÓN PIVOTE
Columna Pivote
El valor de 200 es el pivote. Haremos las operaciones de renglón, en forma similar que lo
haríamos por el método de Gauss-Jordan.
Cada matriz símplex, nos proporciona un punto esquina de la región de soluciones posibles; la
matriz final símplex nos proporcionará el punto esquina óptimo.

La matriz anterior nos proporciona un punto de esquina, por que las columnas X1,S1 y Z sólo
contienen unos y ceros.
Observe que X1=5 S1=10 Z=1.200 mientras que X2,S2 son cero (por qué?)
Por favor interprete esta solución:
La pregunta que podríamos formular es si éste punto esquina es el óptimo. Desafortunadamente

la respuesta a la pregunta anterior se responde con otra pregunta ¿Es posible emplear pivotes
nuevamente? Sí, si el último renglón contiene entradas negativas, en caso contrario no se
requiere pivote y la solución posible que corresponde a la matriz es la máxima.
Columna Pivote
El menor cociente no negativo es 5, renglón 1
Ahora preguntémonos ¿Es posible emplear más pivotes?
No, el último renglón contiene entradas no negativas. Esta es nuestra última matriz y la solución
correspondiente a esta matriz es el punto esquina óptimo.
(X1,X2,S1,S2) = (2.5 , 5 , 0.0) con Z=1.400.

Capítulo 5. Conclusiones
El método consiste en partir de un vértice del conjunto de soluciones, o solución inicial y determinar si es
óptima. Si no lo es, se pasa a partir de él a otro vértice adyacente (es decir, que difiera del anterior en el
hecho de que una coordenada no nula del primero se anule en el segundo y viceversa), por un criterio
semejante al del gradiente, en el que mejore el valor de la función objetivo o función económica,
repitiéndose esta operación hasta que no sea posible mejorar la función objetivo, en cuyo caso ya se ha
alcanzado el óptimo.
No todos los problemas de asignación de recursos limitados se pueden formular de manera que se ajusten
a un modelo de programación lineal , ni siquiera como una aproximación razonable.
Cuando no se cumplen una o mas de las suposiciones de programación lineal , tal vez sea posible aplicar
otro tipo de modelos matemáticos , por ejemplo , los modelos de programación entera o programación no
lineal .

Referencias
http://www.investigacion-operaciones.com/SIMPLEX_analitico.htm
. www.ingenieriaindustrialonline.com

Anexos
Tabla Método Simplex , Maximizacion


Proyecto de Investigacion Operativa 2019

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proyecto de Investigacion Operativa 2019

Cargado por

Copyright:

Formatos disponibles

FICHA DE IDENTIFICACIÓN DE TRABAJO DE INVESTIGACIÓN

Título Método Simplex , Maximización

Nombres y Apellidos Código de estudiantes

Carrera Ingeniería Comercial

El Método Simplex es un método analítico de solución de problemas de programación

Palabras clave: Solución , Método , Programación .

Key words: Solution, Method, Programming

Asignatura: Investigación Operativa

Asignatura: Investigación Operativa

Asignatura: Investigación Operativa

Capítulo 1. Planteamiento del Problema

1.1. Formulación del Problema

¿Cuantos containners de cada tipo debería fabricar la fábrica productora de embalajes

 Resolver problemas Mediantes graficos.

 Determinar los Pasos para desarrolar los problemas mediante el metodo.

Asignatura: Investigación Operativa

Capítulo 2. Marco Teórico

2.1 Marco Conceptual

*Método simplex: El Método Simplex es un método analítico de solución de problemas de

*Metodo de la “M” : En el contexto de la aplicación del Método Simplex no siempre es

*Maximización : Maximizar es un término que refiere a la búsqueda del máximo rendimiento.

*Optimización : es la selección del mejor elemento (con respecto a algún criterio) de un

Asignatura: Investigación Operativa

*Pivote : Los algoritmos de pivote (o algoritmos de cambio de base) son algoritmos de la

*Programación lineal: la programación lineal es el campo de la optimización matemática

Asignatura: Investigación Operativa

Asignatura: Investigación Operativa

3.1 Tipo de Investigación

El tipo de investigación de nuestro proyecto es descriptiva

3.2 Fuentes de Investigación

La investigación realizada es de carácter documental ya que nos apoyamos en la recopilación

Utilizamos para requerir información mediante :

Asignatura: Investigación Operativa

Capítulo 4. Resultados y Discusión

El método símplex es un algoritmo eficiente y confiable para resolver problemas de

El método del simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma su

VARIABLES DE HOLGURA Y EXCESO

VARIABLE ARTIFICAL / METODO DE LA “M”

A modo general, el método Símplex consta de los pasos siguientes:

Asignatura: Investigación Operativa

 Determinar una solución básica factible inicial.

 Para cada restricción del tipo ≤ se introduce una nueva variable de holgura (slack

Además existen diferencias en el algoritmo entre el objetivo de maximización y el de

Las inecuaciones deben convertirse en ecuaciones, o sea, convertir las desigualdades en

Asignatura: Investigación Operativa

a) Convertir las restricciones a ecuaciones:

b) Todas las variables de “holgura” y de “exceso” se suman a la Función Objetivo con

c) Todas las variables de “artificiales” ( Ai ) se suman a la Función Objetivo con un

Asignatura: Investigación Operativa

V/b que aparece Función objetivo

3. Se debe expresar el modelo original en la forma estándar (llevar las desigualdades a

Asignatura: Investigación Operativa

Algoritmo del Método de la Técnica de la Gran M.

1. ARMAR LA TABLA SIMPLEX

 Pasar a la forma estándar el modelo matemático, restando las variables de excedente

 Agregar variables artificiales en cada restricción.

 Penalizar las variables artificiales en la funcion objetivo asignando coeficiente "M"

 TABLA PARA CÁLCULOS: En las columnas aparecerán todas las variables del

 Determinar cuál variable debe entrar a la solución. Se reemplaza el valor de M en las

Asignatura: Investigación Operativa

VARIABLE QUE FUNCIÓN

Asignatura: Investigación Operativa

ARMAR LA TABLA SIMPLEX