INVESTIGACIÓN DE OPERACIONES

Método SIMPLEX
• El método del símplex fue creado en 1947 por el matemático George
Dantzig .

• El método del símplex se utiliza, sobre todo, para resolver problemas

de programación lineal en los que intervienen tres o más variables.

• El álgebra matricial y el proceso de eliminación de Gauss-Jordan para

resolver un sistema de ecuaciones lineales constituyen la base del
método símplex.
• El método símplex es el procedimiento no gráfico de mayor uso. Se
trata de una técnica algebraica para resolver los sistemas de
ecuaciones en que ha de optimizarse la función objetivo.

• Es un proceso iterativo que identifica la solución factible inicial. A

continuación busca la posible existencia de una mejor solución.
 Requisito o condiciones
• Todas las restricciones deben formularse como ecuaciones.
• El miembro derecho de una restricción no puede ser negativo.
• Todas las variables están restringidas a valores no negativos.
 Primera condición
• La transformación de las desigualdades a ecuaciones varía
según la naturaleza de la desigualdad:
• Para cada restricción de tipo “menor que o
igual a” (≤), al lado izquierdo de la
restricción se le añade una variable no
negativa, denominada variable de holgura.
Esta variables cumple la función de
equilibrar ambos miembros de la ecuación.
• Para cada restricción del tipo “mayor que o igual a” (≥), al
lado izquierdo de la restricción se le sustrae una variable no
negativa, denominada variable de demasía. Esta variable
cumple la misma función que la de holgura: conserva en
equilibrio ambos miembros de la ecuación.
• Para cada restricción (≥) y para cada restricción (=), al
miembro izquierdo de la restricción se le añade una
variable no negativa llamada variable artificial.
• A las variables de holgura y de demasía se les asigna coeficientes 0
en la función objetivo. Las variables artificiales carecen de significado
real en un problema, y por ello casi siempre se les asignan
coeficientes de la función objetivo que les hace extremadamente
inconvenientes. En los problemas de maximización, a las variables
artificiales debería asignárseles coeficientes de +M, de esta manera
no se crean incentivos para que la variable artificial sea positiva, de
hecho existe un enorme incentivo para hacerla 0.
 Solución Factible
• La solución factible es cualquier conjunto de valores de n
variables que satisfagan tanto las restricciones estructurales
como las no negativas.
 Solución básica
• Es cualquier solución que se obtiene al hacer igual a 0 las
variables (n’ – m) y al resolver el sistema de ecuaciones
para los valores de las variables m restantes. Las variables m
resueltas reciben el nombre de variables básicas.
 Solución factible básica
• La solución factible básica es una solución básica que
además cumple con las restricciones de no negatividad.
Maximice Z = 5x1 + 6x2
Sujeto a 3x1 + 2x2 ≤ 120
4x1 + 6x2 ≤ 260
x1,x2, S1, S2 ≥ 0
 Álgebra del método símplex
• Su aritmética se basa en el método de
eliminación gaussiana.

Maximice Z = 5x1 + 6x2 + 0S1 + 0S2

Sujeto a 3x1 + 2x2 + S1 + 0S2 = 120
4x1 + 6x2 + 0S1 + S2 = 260
x1,x2, S1, S2 ≥ 0
• En un problema de maximización que tenga todas las
restricciones del tipo ≤, la solución inicial tendrá un conjunto
de variables básicas integradas por las variables de holgura
del problema
 Número de
Variables Z x1 x2 S1 S2 bj
renglón
básicas
1 -5 -6 0 0 0 (0)
S1 0 3 2 1 0 120 (1)
S2 0 4 6 0 1 260 (2)
• En una tabla símplex, los coeficientes del renglón (0) de todas las
variables (excluida Z) representan el cambio en el valor de la función
objetivo si la variable (en esa columna) aumenta de valor. El signo de
los coeficientes del renglón (0) es el contrario de la dirección real del
cambio. Es decir, un coeficiente negativo indica un incremento del
valor z; un coeficiente positivo denota un decremento.
 Regla 1. Comprobación de optimización en un
problema de maximización
• En un problema de maximización, se habrá encontrado la solución
óptima si todos los coeficientes en el renglón 0 de las variables son
mayores o iguales a = 0. Si cualquiera coeficientes en el renglón 0 son
negativos para las variables no básicas, puede obtenerse una mejor
solución asignándose una cantidad positiva.
 Regla 2. Nueva variable básica en el problema de
maximización
• En un problema de maximización la variable no básica que sustituirá
una variable básica es la que tiene el coeficiente en el renglón (0)
más negativo. Los empates pueden deshacerse de modo arbitrario.
• Al seleccionar una variable no básica para que se convierta en una
variable básica, el método símplex selecciona la que produzca el
mejoramiento marginal más grande (por unidad) en Z.
• En la tabla símplex se dará el nombre de columna clave a la que
representa la nueva variable básica.
 Columna clave

… Xk … bi Número de renglón
… a0k … b0 (0)
… a1k … b1 (1)
………………………………………………………………………………………………………………………
… amk … bm (m)
Regla 3. Variable básica de salida
• La variable básica que se sustituirá se obtiene
determinando el renglón i asociado a:

bi
min i = 1,...........m
aik

• Donde aik > o. Además de identificar la variable

básica de salida, el valor mínimo bi/aik es el
número máximo de unidades que pueden
introducirse en la variable básica de entrada.
 Columna clave Número de
renglón
Variables Z x1 x2 S1 S2 bi bi/aik
básicas
1 -5 -6 0 0 0 (0)
S1 0 3 2 1 0 120 (1) 120/2=60
Variable de salida S2 0 4 6 0 1 260 (2) 260/6=43.33

Para cualquier columna, los valores aij (i = 1 a m) reciben

el nombre de tasas marginales de sustitución. Estos valores
indican los cambios requeridos en cada una de las
variables básicas actuales si la variable (en la columna
clave) aumenta en una unidad. Como en el caso de los
coeficientes en el renglón (0), el signo de estas tasas
marginales de sustitución es el contrario de la dirección
real al cambio. Un valor positivo aij denota una
disminución de la i-ésima variable básica; y un valor
negativo aij indican un aumento de esa variable.
 Columna clave Número de
renglón
Variables Z x1 x2 S1 S2 bi bi/aik
básicas
1 -5 -6 0 0 0 (0)
S1 0 3 2 1 0 120 (1) 120/2=60
Variable de salida S2 0 4 6 0 1 260 (2) 260/6=43.33

Variables Z x1 x2 S1 S2 bi Nº de bi/aik
básicas renglón
1 -1 0 0 1 260 (0) R’0 = R0 + 6R’2
S1 0 10/6 0 1 -1/3 33 1/3 (1) R’1 = R1 – 2R’2

x2 0 4/6 1 0 1/6 43 1/3 (2) R’2 =1/6 R2

Con esta nueva solución, lo primero que se hace es comprobar si es

óptima. Al aplicar la regla 1, se llega a la conclusión de que la solución no
es óptima por el coeficiente -1 para x1 del renglón (0). Como x1 tiene el
único coeficiente negativo del renglón (0), se convertirá en la nueva
variable básica. Para determinar la variable básica de salida se debe
concentrar en los elementos de la columna x1.
 Columna clave Número de
renglón
Variables Z x1 x2 S1 S2 bi bi/aik
básicas
1 -1 0 0 1 260 (0)
Variable de salida S1 0 10/6 0 1 -1/3 33 1/3 (1) 33 1/3 : 10/6 =20

x2 0 4/6 1 0 1/6 43 1/3 (2) 43 1/3 : 4/6 =65

Variables Z x1 x2 S1 S2 bi Nº de bi/aik
básicas renglón
1 0 0 6/10 24/30 280 (0) R’’0=R’0+R’’1
x1 0 1 0 6/10 -6/30 20 (1) R’’1=6/10 R’1
x2 0 0 1 -24/60 3/10 30 (2) R’’2=R’2-4/6 R’’1
 Resumen
• Generalización del método símplex para los problemas cuyas restricciones son
todas del tipo <.
1. Se identifica la solución inicial declarando como variable básica cada una de las
variables de holgura. Todas las demás son no básicas en la solución inicial.
2. Se determina si la solución actual es óptima al aplicar la regla 1 (¿Son todos los
coeficientes en el renglón (0) > 0?). Si es óptima se interrumpe el proceso en esta etapa.
Si no lo es se pasa al paso 3.
3. Se determina la variable no básica que debería convertirse en variable básica en la
siguiente solución al aplicar la regla 2 (el coeficiente en el renglón (0) más negativo).
4. Se identifica la variable básica que debería ser remplazada en la siguiente solución y
para ello aplique la regla 3 (la razón bi/aik donde aik > 0).
5. Se aplican las operaciones de eliminación gaussiana para generar la nueva solución (o
nueva tabla) vaya al paso 2.
 PROBLEMA DE MINIMIZACIÓN
• El método símplex cambia ligeramente cuando se
resuelven los problemas de minimización. Además de
asignar a las variables artificiales coeficientes de función
objetivo de +M (la contribución muy grande negativa (positiva) en un
problema de maximización (minimización) no crea incentivos para que la variable
artificial sea positiva, existe un enorme incentivo para hacerla cero),
la única
diferencia se relaciona con la interpretación de los
coeficientes en el renglón (0).
 Regla 1. Comprobación de optimización en un
problema de minimización
• Se habrá encontrado la solución óptima si todos los coeficientes en el
renglón (0) de las variables son menores o igual a 0. Si los coeficientes
de un renglón cualquiera (0) son positivos para las variables no
básicas, puede obtenerse una mejor solución si se les asigna una
cantidad positiva.
 Regla 2. Nueva variable básica en un problema de
minimización
• La variable no básica que reemplazará a una variable básica actual
es la única que tiene el más grande coeficiente positivo en el renglón
(0). Los empates pueden suprimirse de modo arbitrario.
• Ejemplo

Minimice Z = 5x1 + 6x2

Sujeto a X1 + X2 ≥ 10
2x1 + 4x2 ≥ 24
X1, X2 ≥ 0
• Ejemplo

Minimice Z = 5x1 + 6x2 + 0E1 + 0E2 + MA1 + MA2

Sujeto a X1 + X2 - E1 - 0E2 + A1 + 0A2 = 10
2x1 + 4x2 - 0E1 - E2 + 0A1 + A2 = 24

X1, X2, E1, E2, A1, A2 > 0

 Número de
renglón
Variables Z x1 x2 E1 E2 A1 A2 bi
básicas
1 -5 -6 0 0 -M -M 0 (0)
A1 0 1 1 -1 0 1 0 10 (1)

A2 0 2 4 0 -1 0 1 24 (2)

En todos los problemas que contengan variables artificiales los

coeficientes en el renglón (0) para las variables artificiales no
serán 0 en la tabla inicial. En consecuencia, no se tienen las
columnas deseadas de una matriz identidad en las columnas de
las variables básicas. Estos –M coeficientes deben ser
convertidos en 0 efectuando las operaciones de renglón.
 Número de
renglón
Variables Z x1 x2 E1 E2 A1 A2 bi
básicas R’0=R0+MR1+MR2
1 -5+3M -6+5M -M -M 0 0 34M (0)
A1 0 1 1 -1 0 1 0 10 (1) R1

A2 0 2 4 0 -1 0 1 24 (2) R2

• Al aplicar la regla 1, se llega a la conclusión

de que esta solución no es óptima. Los dos
coeficientes en el renglón (0) para x1 y x2
son positivos (recuerde que M es un
número muy grande).
 Número de
renglón ai/aik
Variables Z x1 x2 E1 E2 A1 A2 bi
básicas
1 -5+3M -6+5M -M -M 0 0 34M (0)
A1 0 1 1 -1 0 1 0 10 (1) 10/1=10

A2 0 2 4 0 -1 0 1 24 (2) 24/4=6
 Número
de renglón
Variables Z x1 x2 E1 E2 A1 A2 bi
básicas
1 -2+M/2 0 -M -3/2+M/4 0 3/2-5M/4 36+34M (0) R’’0=R’0+(6-5m)R’2
A1 0 ½ 0 -1 ¼ 1 -¼ 4 (1) R’1=R1-R’2

X2 0 ½ 1 0 -¼ 0 ¼ 6 (2) R’2= ¼R2

 Número
de renglón
Variables Z x1 x2 E1 E2 A1 A2 bi ai/aik
básicas
1 -2+M/2 0 -M -3/2+M/4 0 3/2-5M/4 36+34M (0)
A1 0 ½ 0 -1 ¼ 1 -¼ 4 (1) 4/½=8

X2 0 ½ 1 0 -¼ 0 ¼ 6 (2) 6/½=12
 Número
de renglón
Variables Z x1 x2 E1 E2 A1 A2 Bi
básicas
1 0 0 -4 -½ 4–M ½-M 52 (0) R’’’0=R’’0+(2-M/2)R’’1
x1 0 1 0 -2 ½ 2 -½ 8 (1) R’’1=2R’1

X2 0 0 1 1 -½ 1 ½ 2 (2) R’’2=R’2 – ½R’’1

• Ejemplo

Maximizar Z = 3x1 + 5x2

Sujeto a 2x1 + X2 ≤ 230
x1 + 2x2 ≤ 250
x2 ≤ 120
X1, X2 > 0
El problema Primal-Dual
• Todo problema de programación lineal tiene un problema
relacionado con él. Al cual se le llama problema dual.
• En un problema original de programación lineal,
denominado problema primal.
• El dual puede formularse con la información contenida en
el primal.
 Llamaremos al problema Nº 1 el problema PRIMAL y al
problema Nº 2 el DUAL del anterior
• Es fácil percatarse que las relaciones entre el primal y su dual son las siguientes:
1. El número de variables del dual es igual al número de restricciones del primal y el número
de restricciones del dual es igual al número de variables del primal.
2. El sentido de optimización del dual es el contrario al del primal.
3. Los coeficientes de las variables en la función objetivo del dual son los elementos del
vector disponibilidad de recursos del primal ( bi ).
4. Los coeficientes de las variables en la k-ésima restricción del dual son los coeficientes de
la k-ésima variable en cada una de las restricciones del primal.
5. El término libre de la k-ésima restricción del dual es el coeficiente de la k-ésima variable
en la función objetivo del primal.
6. El comparador lógico en la k-ésima restricción del dual es de igualdad si y sólo si la k-
ésima variable del primal es irrestricta en signo.
7. Para las restantes restricciones duales:
– Si el problema primal es de maximización y la k-ésima variable primal es ≥0, la
correspondiente restricción dual será un requerimiento ( ≥ ). Por el contrario, si la
k-ésima variable primal es ≤0 la correspondiente restricción dual será una
limitación (≤ ).
– Si el problema primal es de minimización y la k-ésima variable primal es ≥0, la
correspondiente restricción dual será una limitación (≤ ). Por el contrario, si la k-
ésima variable primal es ≤0 la correspondiente restricción dual será un
requerimiento (≥ ).
8. La k-ésima variable del dual será irrestricta en signo si y sólo si la k-
ésima restricción del primal es una igualdad.
 Problema de maximización Problema de minimización

Número de restricciones
↔ Número de variables

Restricciones (≤)
↔ Variable no negativa

Restricciones (≥)
↔ Variable no positiva

Restricciones (=)
↔ Variable no restringida

Número de variables
↔ Número de restricciones

Variable no negativa
↔ Restricciones (≥)

Variable no positiva
↔ Restricciones (≤)

Variable no restringida
↔ Restricciones (=)

Coeficiente de la función objetivo

para la j-ésima variable ↔ Constante del miembro derecho para la
j-ésima restricción

Constante del miembro derecho para

la i-ésima restricción ↔ Coeficiente de la función objetivo para la
i-ésima variable

Coeficiente en restricción i para la

variable j ↔ Coeficiente en restricción j para la
variable i
 Problema primario Problema dual

maximice z = 2 x1 + 4 x2 minimice Z = 800 y1 + 350 y2 + 125 y3

Sujeto a Sujeto a

5 x1 + 4 x2  800 (1) 5 y1 +3 y2 −4 y3  2 (1)

4 y1 +2 y2 +3 y3  4 (2)
3 x1 + 2 x2  350 (2)

− 4 x1 + 3 x2  125 (3)
x1 , x2  0