METODO SIMPLEX ARTIFICIAL – TAREA 1

1. CONSTRUCCION DEL MODELO PARA LINEALIZAR

1. Variables: Qué busca determinar el modelo, cuáles son las incógnitas del problema:

𝑪𝒂𝒏𝒕𝒊𝒅𝒂𝒅𝒆𝒔 (𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔)
𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 , … , 𝑿𝒏
2. Restricciones: Qué restricciones deben imponerse a las variables a fin de satisfacer las
limitaciones del sistema representado por el modelo:

𝑼𝒔𝒐 𝒅𝒆 𝒓𝒆𝒄𝒖𝒓𝒔𝒐𝒔 ≥ 𝑫𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒊𝒍𝒊𝒅 𝒎í𝒏𝒊𝒎𝒂

𝑼𝒔𝒐 𝒅𝒆 𝒎𝒂𝒕𝒆𝒓𝒊𝒂 𝒑𝒓𝒊𝒎𝒂 ≥ 𝑫𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒊𝒍𝒊𝒅 𝒎í𝒏𝒊𝒎𝒂 𝒅𝒆 𝒎𝒂𝒕𝒆𝒓𝒊𝒂 𝒑𝒓𝒊𝒎𝒂
𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 ≥ 𝒃𝟏
𝑼𝒔𝒐 𝒅𝒆 𝒓𝒆𝒄𝒖𝒓𝒔𝒐𝒔 ≤ 𝑫𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒊𝒍𝒊𝒅 𝒎á𝒙𝒊𝒎𝒂
𝑼𝒔𝒐 𝒅𝒆 𝒎𝒂𝒏𝒐 𝒅𝒆 𝒐𝒃𝒓𝒂 ≤ 𝑫𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒊𝒍𝒊𝒅 𝒎á𝒙𝒊𝒎𝒂 𝒅𝒆 𝒎𝒂𝒏𝒐 𝒅𝒆 𝒐𝒃𝒓𝒂
𝒂𝟐𝟏 𝑿𝟏 + 𝒂𝟐𝟐 𝑿𝟐 + 𝒂𝟐𝟑 𝑿𝟑 ≤ 𝒃𝟐

𝑼𝒔𝒐 𝒅𝒆 𝒎𝒂𝒒𝒖𝒊𝒏𝒂𝒓𝒊𝒂 𝒚 𝒆𝒒𝒖𝒊𝒑𝒐 ≤ 𝑫𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒊𝒍𝒊𝒅 𝒎á𝒙𝒊𝒎𝒂 𝒅𝒆 𝒎𝒂𝒒𝒖𝒊𝒏𝒂𝒓𝒊𝒂 𝒚 𝒆𝒒𝒖𝒊𝒑𝒐

𝒂𝟑𝟏 𝑿𝟏 + 𝒂𝟑𝟐 𝑿𝟐 + 𝒂𝟑𝟑 𝑿𝟑 ≤ 𝒃𝟑
𝑵𝒐 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒊𝒅𝒂𝒅 ≥ 𝟎
𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 ≥ 𝟎
3. Función Objetivo: Cuál es el objetivo (meta) que necesita alcanzarse para determinar la solución
óptima (mejor) de entre todos los valores factibles de las variables.

𝑶𝒑𝒕𝒊𝒎𝒊𝒛𝒂𝒄𝒊ó𝒏: 𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒄𝒊ó𝒏
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅𝒆𝒔 (𝑼𝒏 ): 𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒄𝒊ó𝒏
𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝑼𝟏 𝑿𝟏 + 𝑼𝟐 𝑿𝟐 + 𝑼𝟑 𝑿𝟑
2. FORMULACION DEL PROBLEMA COMO UN MODELO DE PROGRAMACION LINEAL

Función objetivo:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝑼𝟏 𝑿𝟏 + 𝑼𝟐 𝑿𝟐 + 𝑼𝟑 𝑿𝟑
Sujeto a

𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 ≥ 𝒃𝟏

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
 𝒂𝟐𝟏 𝑿𝟏 + 𝒂𝟐𝟐 𝑿𝟐 + 𝒂𝟐𝟑 𝑿𝟑 ≤ 𝒃𝟐
𝒂𝟑𝟏 𝑿𝟏 + 𝒂𝟑𝟐 𝑿𝟐 + 𝒂𝟑𝟑 𝑿𝟑 ≤ 𝒃𝟑
𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 ≥ 𝟎

3. FORMA ESTANDAR PRIMAL DEL MODELO DE PROGRAMACION LINEAL

• Propiedades:

1. Todas las restricciones son ecuaciones [con segundos miembros no negativos].

2. Todas las variables son no negativas.
3. La función objetivo puede ser de maximización o minimización.

a. Restricciones:

1. Una restricción del tipo ≥ puede convertirse en una ecuación restando una variable
de exceso 𝑺𝒏 en el primer miembro de la restricción, variable de exceso que debe
agregarse a la restricción de la no negatividad.

2. A una restricción es del tipo ≥ debe agregarse una variable artificial 𝑹𝒏 en el primer
miembro de la restricción, variable artificial que debe agregarse a la restricción de la
no negatividad.

𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 ≥ 𝒃𝟏

𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 ≥ 𝟎

𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝒃𝟏

𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 =≥ 𝟎
3. Una restricción del tipo ≤ puede convertirse en una ecuación mediante la suma de
una variable de holgura 𝑺𝒏 en el primer miembro de la restricción, variable de
holgura que debe agregarse a la restricción de la no negatividad:

𝒂𝟐𝟏 𝑿𝟏 + 𝒂𝟐𝟐 𝑿𝟐 + 𝒂𝟐𝟑 𝑿𝟑 ≤ 𝒃𝟐

𝒂𝟑𝟏 𝑿𝟏 + 𝒂𝟑𝟐 𝑿𝟐 + 𝒂𝟑𝟑 𝑿𝟑 ≤ 𝒃𝟑
𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 ≥ 𝟎

𝒂𝟐𝟏 𝑿𝟏 + 𝒂𝟐𝟐 𝑿𝟐 + 𝒂𝟐𝟑 𝑿𝟑 + 𝑺𝟐 = 𝒃𝟐

𝒂𝟑𝟏 𝑿𝟏 + 𝒂𝟑𝟐 𝑿𝟐 + 𝒂𝟑𝟑 𝑿𝟑 + 𝑺𝟑 = 𝒃𝟑

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎

b. Función objetivo:

La función objetivo de maximización debe igualarse a cero

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝑼𝟏 𝑿𝟏 + 𝑼𝟐 𝑿𝟐 + 𝑼𝟑 𝑿𝟑 𝑰𝒈𝒖𝒂𝒍𝒂𝒏𝒅𝒐 𝒂 𝑪𝒆𝒓𝒐

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 − 𝑼𝟏 𝑿𝟏 − 𝑼𝟐 𝑿𝟐 − 𝑼𝟑 𝑿𝟑 = 𝟎

La forma estándar artificial del modelo de programación lineal es:

Función objetivo:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 − 𝑼𝟏 𝑿𝟏 − 𝑼𝟐 𝑿𝟐 − 𝑼𝟑 𝑿𝟑 = 𝟎
Sujeto a

𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝒃𝟏

𝒂𝟐𝟏 𝑿𝟏 + 𝒂𝟐𝟐 𝑿𝟐 + 𝒂𝟐𝟑 𝑿𝟑 + 𝑺𝟐 = 𝒃𝟐
𝒂𝟑𝟏 𝑿𝟏 + 𝒂𝟑𝟐 𝑿𝟐 + 𝒂𝟑𝟑 𝑿𝟑 + 𝑺𝟑 = 𝒃𝟑
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎

4. SOLUCION DEL MODELO DE PROGRAMACION LINEAL POR EL METODO SIMPLEX ARTIFICIAL

METODO SIMPLEX ARTIFICIAL - EL METODO DE DOS FASES

FASE I.

Auméntese las variables artificiales (𝑹𝒏 ) según se necesite para asegurar una solución inicial.

Fórmese una función objetivo que busque la 𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒄𝒊ó𝒏 de la suma de las variables
artificiales (𝑹𝒏 ) sujeta a las restricciones del problema original modificado por las variables
artificiales (𝑹𝒏 ).

Si el valor mínimo de la nueva función objetivo es cero (lo que significa que todas las variables
artificiales (𝑹𝒏 ) son cero), el problema tiene un espacio de soluciones factibles.

Diríjase a la FASE II. De lo contrario, si el mínimo es positivo, el problema no tiene solución factible.
Deténgase.

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
Entonces la nueva función objetivo es:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = 𝑹𝟏

Despejando 𝑹𝟏 en la primera restricción:

𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝒃𝟏

𝑹𝟏 = − 𝒂𝟏𝟏 𝑿𝟏 − 𝒂𝟏𝟐 𝑿𝟐 − 𝒂𝟏𝟑 𝑿𝟑 + 𝑺𝟏 + 𝒃𝟏
Remplazando 𝑹𝟏 en la nueva función objetivo:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = 𝑹𝟏
𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = − 𝒂𝟏𝟏 𝑿𝟏 − 𝒂𝟏𝟐 𝑿𝟐 − 𝒂𝟏𝟑 𝑿𝟑 + 𝑺𝟏 + 𝒃𝟏
Igualando a Cero la nueva función objetivo:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = − 𝒂𝟏𝟏 𝑿𝟏 − 𝒂𝟏𝟐 𝑿𝟐 − 𝒂𝟏𝟑 𝑿𝟑 + 𝑺𝟏 + 𝒃𝟏 𝑰𝒈𝒖𝒂𝒍𝒂𝒏𝒅𝒐 𝒂 𝑪𝒆𝒓𝒐

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 + 𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 − 𝒃𝟏 = 𝟎

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 + 𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 = 𝒃𝟏

Entonces la forma estándar artificial de la Fase I es:

La forma estándar del método simplex artificial del modelo de programación lineal de la Fase I,
es:

Función objetivo:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 + 𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 = 𝒃𝟏

Sujeto a:
𝒂𝟏𝟏 𝑿𝟏 + 𝒂𝟏𝟐 𝑿𝟐 + 𝒂𝟏𝟑 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝒃𝟏
𝒂𝟐𝟏 𝑿𝟏 + 𝒂𝟐𝟐 𝑿𝟐 + 𝒂𝟐𝟑 𝑿𝟑 + 𝑺𝟐 = 𝒃𝟐
𝒂𝟑𝟏 𝑿𝟏 + 𝒂𝟑𝟐 𝑿𝟐 + 𝒂𝟑𝟑 𝑿𝟑 + 𝑺𝟑 = 𝒃𝟑
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎
Tabla inicial del método simplex artificial para la FASE I, Minimización de R:

Variables Variables No Básicas

Solución
Básicas R X1 X2 X3 S1 R1 S2 S3
R 1 a11 a12 a13 -1 0 0 0 b1
R1 0 a11 a12 a13 -1 1 0 0 b1
S1 0 a21 a22 a23 0 0 1 0 b2

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
 S3 0 a31 a32 a33 0 0 0 1 b3

Aplicar el método simplex primal para una minimización.

FASE II.

Utilícese la solución básica optima de la FASE I como solución inicial para el problema original.

Función objetivo del problema original:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝑼𝟏 𝑿𝟏 − 𝑼𝟐 𝑿𝟐 − 𝑼𝟑 𝑿𝟑
Forma estándar de la función objetivo del problema original:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 − 𝑼𝟏 𝑿𝟏 − 𝑼𝟐 𝑿𝟐 − 𝑼𝟑 𝑿𝟑 = 𝟎
La cual debe reemplazarse en la tabla de la solución básica optima de la minimización de
la FASE I.

Tabla inicial del método simplex artificial para la FASE II; Maximización de Z es:

Variables Variables No Básicas

Solución
Básicas Z X1 X2 X3 S1 S2 S3
Z 1 - U1 -U2 -U3 0 0 0 0

TABLA OPTIMA DE LA FASE I

Reemplazar la Función objetivo del modelo original en la tabla de la solución básica óptima de la
FASE I, eliminar la variable artificial y aplicar el método simplex primal para una maximización.

METODO SIMPLEX PRIMAL

CONDICION DE OPTIMALIDAD:

• Para maximización:

La variable entrante en una maximización es la variable no básica, con el coeficiente más

negativo en la ecuación Z objetivo. Un empate se rompe arbitrariamente. El óptimo se
alcanza cuando los coeficientes no básicos en la ecuación Z son no negativos.

• Para minimización:

La variable entrante en una minimización es la variable no básica, con el coeficiente más

positivo en la ecuación Z objetivo. Un empate se rompe arbitrariamente. El óptimo se
alcanza cuando los coeficientes no básicos en la ecuación Z son no positivos.

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
CONDICION DE FACTIBILIDAD:

• Tanto en problemas de maximización como de minimización, la variable saliente es la

variable básica actual, con la menor intersección (razón mínima con denominador
estrictamente positivo) en dirección de la variable entrante. Un empate se rompe
arbitrariamente.

Pasos iterativos formales del método simplex primal:

Paso 0: Usando la forma estándar (con los segundos miembros no negativos) determine una
solución inicial factible.

Paso 1. Seleccione una variable entrante entre las variables actuales no básicas, usando la
condición de optimalidad.

Paso 2. Seleccione la variable saliente entre las variables actuales básicas, usando la condición de
factibilidad.

Paso 3. Determine los valores de las nuevas variables básicas, haciendo a la variable entrante
básica y a la variable saliente no básica. Vuelva al Paso 1.

Paso 4. Identificadas las variables entrantes y salientes, determinar la nueva solución básica
aplicando el MÉTODO DE ELIMINACIÓN DE GAUSS JORDAN. El método comienza identificando la
columna de la variable entrante como columna entrante. El renglón asociado con la variable
saliente se denominará ecuación pivote, y el elemento en la intersección de la columna entrante y
la ecuación pivote se denominará elemento pivote.

Con el método de eliminación de Gauss Jordan se efectúa un cambio de base empleando dos
operaciones de cálculo:

1. Ecuación pivote:

𝒏𝒖𝒆𝒗𝒂 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒑𝒊𝒗𝒐𝒕𝒆 = 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒑𝒊𝒗𝒐𝒕𝒆/𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒐 𝒑𝒊𝒗𝒐𝒕𝒆

2. Las demás ecuaciones, incluyendo Z:

𝒏𝒖𝒆𝒗𝒂 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏
= (𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒂𝒏𝒕𝒆𝒓𝒊𝒐𝒓) − (𝒄𝒐𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒄𝒐𝒍𝒖𝒎𝒂𝒏 𝒆𝒏𝒕𝒓𝒂𝒏𝒕𝒆)
∗ (𝒏𝒖𝒆𝒗𝒂 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒑𝒊𝒗𝒐𝒕𝒆)

• EJEMPLO SOLUCION DE UN MODELO DE PROGRAMACION LINEAL POR EL METODO

SIMPLEX ARTIFICIAL – METODO DE LAS DOS FASES

Sea la situación problema de programación lineal:

La empresa Industrial de Aceros Co., produce aceros al manganeso grado B-1 con una utilidad de
USD1.400, aceros al manganeso grado B-2 con una utilidad de USD1.600 y aceros al manganeso
grado B-3 con una utilidad de USD1.800, utilizados en aplicaciones donde se requiere resistencia al
impacto y contra la abrasión.

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
Producir acero al manganeso grado B-1, requiere 0,90 toneladas de acero al manganeso, 120
minutos de tratamiento de templado y 150 minutos de tratamiento de revenido.

Producir acero al manganeso grado B-2, requiere 1 tonelada de acero al manganeso, 125 minutos
de tratamiento de templado y 170 minutos tratamiento de revenido.

Producir acero al manganeso grado B-3, requiere 1,2 toneladas de acero al manganeso, 150
minutos de tratamiento de templado y 190 minutos de tratamiento de revenido.

La empresa, dispone en su planta de producción como mínimo de 530 toneladas de acero al

manganeso y como máximo de 70.000 minutos para el tratamiento de templado y de 90.000
minutos para el tratamiento de revenido.

¿Qué cantidad de acero al manganeso de cada grado debe producir la empresa Industrial de
Aceros Co., para tomar decisiones y obtener la mayor utilidad posible con los recursos
disponibles?

Información de la situación problema para linealizar:

𝑿𝟏 : Acero al 𝑿𝟐 :Acero al 𝑿𝟑 : Acero al

Disponibilidad
manganeso manganeso manganeso
Mínima
grado B1 grado B2 grado B3
Disponibilidad
(unidades) (unidades) (unidades)
Máxima
Utilidades ($) 1.400 1.600 1.800
Acero al
manganeso 0,90 1 1,2 ≥ 530
(toneladas)
Tratamiento
de templado 120 125 150 ≤ 70.000
(minutos)
Tratamiento
de revenido 150 170 190 ≤ 90.000
(minutos)

El modelo de programación lineal es:

Función objetivo:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝟏. 𝟒𝟎𝟎 𝑿𝟏 + 𝟏. 𝟔𝟎𝟎𝑿𝟐 + 𝟏. 𝟖𝟎𝟎 𝑿𝟑

Sujeto a:

𝑨𝒄𝒆𝒓𝒐 𝒂𝒍 𝒎𝒂𝒏𝒈𝒂𝒏𝒆𝒔𝒐 𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 ≥ 𝟓𝟑𝟎

𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆 𝒕𝒆𝒎𝒑𝒍𝒂𝒅𝒐 𝟏𝟐𝟎 𝑿𝟏 + 𝟏𝟐𝟓 𝑿𝟐 + 𝟏𝟓𝟎 𝑿𝟑 ≤ 𝟕𝟎. 𝟎𝟎𝟎
𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆 𝒓𝒆𝒗𝒆𝒏𝒊𝒅𝒐 𝟏𝟓𝟎 𝑿𝟏 + 𝟏𝟕𝟎 𝑿𝟐 + 𝟏𝟗𝟎 𝑿𝟑 ≤ 𝟗𝟎. 𝟎𝟎𝟎

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
 𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 ≥ 𝟎
Forma estándar artificial del modelo de programación lineal:

Transformando las restricciones (desigualdades) en ecuaciones:

Primera restricción: restar una variable de exceso 𝑺𝒏 y agregar una variable artificial 𝑹𝒏
en el primer miembro de la restricción porque la disponibilidad es del tipo ≥.

Segunda y tercera restricción, agregar una variable de holgura 𝑺𝒏 , a cada restricción

porque son del tipo ≤ a su disponibilidad, y agregando las correspondientes variables de
holgura, exceso y artificial a la restricción de la no negatividad, se tiene:

𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝟓𝟑𝟎
𝟏𝟐𝟎 𝑿𝟏 + 𝟏𝟐𝟓 𝑿𝟐 + 𝟏𝟓𝟎 𝑿𝟑 + 𝑺𝟐 = 𝟕𝟎. 𝟎𝟎𝟎
𝟏𝟓𝟎 𝑿𝟏 + 𝟏𝟕𝟎 𝑿𝟐 + 𝟏𝟗𝟎 𝑿𝟑 + 𝑺𝟑 = 𝟗𝟎. 𝟎𝟎𝟎
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎

Igualando a cero (0) la Función objetivo:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝟏. 𝟒𝟎𝟎 𝑿𝟏 + 𝟏. 𝟔𝟎𝟎𝑿𝟐 + 𝟏. 𝟖𝟎𝟎 𝑿𝟑 𝑰𝒈𝒖𝒂𝒍𝒂𝒏𝒅𝒐 𝒂 𝒄𝒆𝒓𝒐

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 − 𝟏. 𝟒𝟎𝟎 𝑿𝟏 − 𝟏. 𝟔𝟎𝟎𝑿𝟐 − 𝟏. 𝟖𝟎𝟎 𝑿𝟑 = 𝟎

La forma estándar artificial del modelo de programación lineal es:

Función objetivo:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 − 𝟏. 𝟒𝟎𝟎 𝑿𝟏 − 𝟏. 𝟔𝟎𝟎𝑿𝟐 − 𝟏. 𝟖𝟎𝟎 𝑿𝟑 = 𝟎

Sujeto a:

𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝟓𝟑𝟎
𝟏𝟐𝟎 𝑿𝟏 + 𝟏𝟐𝟓 𝑿𝟐 + 𝟏𝟓𝟎 𝑿𝟑 + 𝑺𝟐 = 𝟕𝟎. 𝟎𝟎𝟎
𝟏𝟓𝟎 𝑿𝟏 + 𝟏𝟕𝟎 𝑿𝟐 + 𝟏𝟗𝟎 𝑿𝟑 + 𝑺𝟑 = 𝟗𝟎. 𝟎𝟎𝟎
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎

FASE I MINIMIZAR R:

Sean las restricciones:

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
Sujeto a:

𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝟓𝟑𝟎
𝟏𝟐𝟎 𝑿𝟏 + 𝟏𝟐𝟓 𝑿𝟐 + 𝟏𝟓𝟎 𝑿𝟑 + 𝑺𝟐 = 𝟕𝟎. 𝟎𝟎𝟎
𝟏𝟓𝟎 𝑿𝟏 + 𝟏𝟕𝟎 𝑿𝟐 + 𝟏𝟗𝟎 𝑿𝟑 + 𝑺𝟑 = 𝟗𝟎. 𝟎𝟎𝟎
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎

La nueva Función objetivo es:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = 𝑹𝟏
Despejando 𝑹𝟏 en la primera restricción:

𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝟓𝟑𝟎

𝑹𝟏 = − 𝟎, 𝟗𝟎 𝑿𝟏 − 𝑿𝟐 − 𝟏, 𝟐 𝑿𝟑 + 𝑺𝟏 + 𝟓𝟑𝟎

Remplazando 𝑹𝟏 en la Nueva Función objetivo:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = 𝑹𝟏

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = − 𝟎, 𝟗𝟎 𝑿𝟏 − 𝑿𝟐 − 𝟏, 𝟐 𝑿𝟑 + 𝑺𝟏 + 𝟓𝟑𝟎
Igualando a Cero la Nueva Función objetivo:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 = − 𝟎, 𝟗𝟎 𝑿𝟏 − 𝑿𝟐 − 𝟏, 𝟐 𝑿𝟑 + 𝑺𝟏 + 𝟓𝟑𝟎 𝑰𝒈𝒖𝒂𝒍𝒂𝒏𝒅𝒐 𝒂 𝑪𝒆𝒓𝒐

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 + 𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 = 𝟓𝟑𝟎
La forma estándar del método simplex con variables artificiales del modelo de programación
lineal de la FASE I, es:

Función objetivo:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝑹 + 𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 = 𝟓𝟑𝟎
Sujeto a:

𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 − 𝑺𝟏 + 𝑹𝟏 = 𝟓𝟑𝟎
𝟏𝟐𝟎 𝑿𝟏 + 𝟏𝟐𝟓 𝑿𝟐 + 𝟏𝟓𝟎 𝑿𝟑 + 𝑺𝟐 = 𝟕𝟎. 𝟎𝟎𝟎
𝟏𝟓𝟎 𝑿𝟏 + 𝟏𝟕𝟎 𝑿𝟐 + 𝟏𝟗𝟎 𝑿𝟑 + 𝑺𝟑 = 𝟗𝟎. 𝟎𝟎𝟎

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑺𝟏 , 𝑹𝟏 , 𝑺𝟐 , 𝑺𝟑 ≥ 𝟎
Solución del modelo de programación lineal por el método simplex artificial (FASE I) en hoja de
cálculo (Excel), Excel QM y Solver (Excel):

• En hoja de cálculo (Excel):

Llevando la información de la forma estándar del modelo de programación lineal de la FASE I a

la Tabla inicial del método simplex artificial, aplicar el método simplex primal para una
minimización:

Tabla inicial:

Variables Variables No Básicas

Solución
Básicas R X1 X2 X3 S1 R1 S2 S3
R 1 0,90 1 1,2 -1 0 0 0 530
R1 0 0,90 1 1,2 -1 1 0 0 530
S2 0 120 125 150 0 0 1 0 70.000
S3 0 150 170 190 0 0 0 1 90.000

FASE II MAXIMIZAR Z:

Sea la Función objetivo para la FASE II:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 − 𝟏. 𝟒𝟎𝟎 𝑿𝟏 − 𝟏. 𝟔𝟎𝟎𝑿𝟐 − 𝟏. 𝟖𝟎𝟎 𝑿𝟑 = 𝟎

Reemplazar la Función objetivo de la Fase II en la tabla de la solución óptima de la FASE I,
eliminar la columna de la variable artificial y aplicar el método simplex primal para una
maximización:

Tabla inicial:

Variables Variables No Básicas

Solución
Básicas Z X1 X2 X3 S1 S2 S3
Z 1 -1.400 -1.600 -1.800 0 0 0 0

TABLA OPTIMA DE LA FASE I

• En Excel QM y Solver (Excel):

Llevando el modelo de programación lineal a Excel QM y a Solver (Excel):

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023
Función objetivo:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝟏. 𝟒𝟎𝟎 𝑿𝟏 + 𝟏. 𝟔𝟎𝟎𝑿𝟐 + 𝟏. 𝟖𝟎𝟎 𝑿𝟑

Sujeto a:

𝑨𝒄𝒆𝒓𝒐 𝒂𝒍 𝒎𝒂𝒏𝒈𝒂𝒏𝒆𝒔𝒐 𝟎, 𝟗𝟎 𝑿𝟏 + 𝑿𝟐 + 𝟏, 𝟐 𝑿𝟑 ≥ 𝟓𝟑𝟎

𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆 𝒕𝒆𝒎𝒑𝒍𝒂𝒅𝒐 𝟏𝟐𝟎 𝑿𝟏 + 𝟏𝟐𝟓 𝑿𝟐 + 𝟏𝟓𝟎 𝑿𝟑 ≤ 𝟕𝟎. 𝟎𝟎𝟎
𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆 𝒓𝒆𝒗𝒆𝒏𝒊𝒅𝒐 𝟏𝟓𝟎 𝑿𝟏 + 𝟏𝟕𝟎 𝑿𝟐 + 𝟏𝟗𝟎 𝑿𝟑 ≤ 𝟗𝟎. 𝟎𝟎𝟎
𝑿𝟏 , 𝑿 𝟐 , 𝑿𝟑 ≥ 𝟎

Consultar:

Anexo 1 Uso de Excel QM en programación lineal (consulte aquí).

Anexo 2 Uso de Solver (Excel) en programación lineal (consulte aquí).

Consultar Ejemplo Solución de un modelo de programación lineal por el método simplex artificial
en hoja de cálculo (Excel). Excel QM y Solver (Excel) (consulte aquí).

Álvaro Javier Rojas Baracaldo Director de curso

Red de curso Programación Lineal 100404 (16-01) 2023