Investigación de Operaciones I Unidad 2: El Método Simplex

2.- EL MÉTODO SIMPLEX.

Una vez planteado un problema como un modelo de programación lineal, puede

ser resuelto por dos métodos: el método gráfico o el método analítico.
2.1 Método gráfico.
Este método consiste en elaborar una gráfica (x, y), en la cual cada variable está
representada por uno de los ejes coordenados, y determinar el punto que mejor
satisfaga las restricciones del problema. Este punto constituye la solución óptima.
El método gráfico tiene como ventaja la relativafacilidad para encontrar la
solución de un problema de programación lineal, pero la desventaja es que solo se
limita a problemas de dos variables, pues es difícil graficar en tres dimensiones e
imposible hacerlo con más.
Ejemplo:
Una fábrica elabora artículos, los cuales pasan ciertas pruebas antes de ser
producidos, de acuerdo a la tabla 2.1.

ARTÍCULO A ARTÍCULO B HORAS

DEPTO.
(hrs.) (hrs.) DISPONIBLES
1 2 3 1,500
2 3 2 1,500
3 1 1 550
UTILIDAD $ 2,000 $ 2,400
Tabla 2.1 Requerimientos de producción.

X1 = cantidad de producto A a fabricar

X2 = cantidad de producto B a fabricar
z = utilidad
El planteamiento del problema es el siguiente:
max. z = 2,000 X1 + 2,400 X2
s.a.
2X1 + 3X2 1,500 ------------------- (1)
3X1 + 2X2 1,500 ------------------- (2)
X1 + X2 550 ------------------- (3)
X1, X2 0
A fin de poder representar gráficamente las restricciones (que son ecuaciones
lineales), es necesario encontrar los puntos en los cuales cruzan los ejes. Esos puntos
son:
Ecuación 1: Ecuación 2: Ecuación 3:
2X1 + 3X2 1,500 3X1 + 2X2 1,500 X1 + X2 550
2X1 + 3X2 = 1,500 3X1 + 2X2 = 1,500 X1 + X2 = 550
Si X1 = 0, X2 = 500 Si X1 = 0, X2 = 750 Si X1 = 0, X2 = 550
Si X2 = 0, X1 = 750 Si X2 = 0, X1 = 500 Si X2 = 0, X1 = 550
M. C. José Alberto Estrada Beltrán 9
Investigación de Operaciones I Unidad 2: El Método Simplex

La figura 2.1 muestra la gráfica del problema con sus restricciones.

X2
750 2

500

1
250 Área de
soluciones
factibles
X1
250 500 750
3
Figura 2.1 Gráfica del problema.

Los puntos en los cruces de las restricciones (puntos negros en la figura 2.1)
se denominan puntos extremos, y son factibles, es decir, cumplen con todas las
restricciones del problema, solo si se encuentran en la periferia del área de soluciones
factibles.
Ya se determinaron las coordenadas de tres de estos puntos, pero aún falta
determinar las coordenadas de los puntos que se encuentran en los cruces de las
restricciones 1 y 3, y las restricciones 2 y 3. Estos se determinan de la siguiente forma:
Cruce de restricciones 1 y 3: Cruce de restricciones 2 y 3:
2X1 + 3X2 = 1,500 ------- (1) 3X1 + 2X2 = 1,500 ------ (2)
X1 + X2 = 550 ------- (3) X1 + X2 = 550 ------ (3)

Si en ambos casos se multiplica la ecuación (3) por (2) y se suma a las

ecuaciones (1) y (2) respectivamente, se tiene:
2X1 + 3X2 = 1,500 3X1 + 2X2 = 1,500
2X1  2X2 = 1,100 2X1  2X2 = 1,100
0X1 + X2 = 400 X1 + 0X2 = 400
X2 = 400 X1= 400
De la ecuación (1): De la ecuación (2):
2X1 + 3(400) = 1,500 3(400) + 2X 2 = 1,500
X1 = 1,500 – 1,200 = 150 X2 = 1,500 – 1,200 = 150
2 2
Entonces: X1 = 150, X2 = 400 Entonces: X1 = 400, X2 = 150
Los valores de las coordenadas de todos los puntos extremos factibles son
sustituidos en la función z, y como este problema trata sobre la maximización de la
función objetivo, aquel punto cuyas coordenadas dan como resultado el mayor valor
para z, es la solución óptima.

M. C. José Alberto Estrada Beltrán 10

Investigación de Operaciones I Unidad 2: El Método Simplex

Punto . Valor de z
(0, 0) z= 2,000 X1 + 2,400 X2 = 2,000 (0)+ 2,400 (0)= 0
(0, 500) z= 2,000 X1 + 2,400 X2 = 2,000 (0)+ 2,400 (500) = $ 1´200,000
(500, 0) z= 2,000 X1 + 2,400 X2 = 2,000 (500) + 2,400 (0)= $ 1´000,000
(150, 400) z= 2,000 X1 + 2,400 X2 = 2,000 (150) + 2,400 (400) = $ 1´260,000
(400, 150) z= 2,000 X1 + 2,400 X2 = 2,000 (400) + 2,400 (150) = $ 1´160,000

Entonces, para maximizar las utilidades se deben producir:

X1 = 150 artículos A
X2 = 400 artículos B
Para obtener una ganancia máxima de z = $ 1’260,000.

2.2 Método Simplex.

El Método Simplex es un algoritmo para resolver en forma eficiente problemas
de programación lineal en forma analítica, cualquiera que sea la cantidad de variables.
La figura 2.2 muestra la estructura del algoritmo del Método Simplex
Pone el problema en
INICIALIZACIÓN
forma adecuada.

RESULTADO REGLA DE
Dice cuándo se
DETENCIÓN termina el problema.

PASO Efectúa las

ITERATIVO operaciones
necesarias
Figura 2.2 Algoritmo del Método Simplex.

El método simplex garantiza dos condiciones:

Condición de optimidad: garantiza que la nueva solución es mejor o por lo menos igual
que la solución actual, pero nunca peor.
Condición de factibilidad: el paso de un punto extremo a otro se hace exclusivamente
entre puntos factibles, nunca entre puntos no factibles.
ALGORITMO DEL MÉTODO SIMPLEX
1. Paso deinicialización. Se debe tener el problema de programación lineal en forma
estándar (puras igualdades y la función objetivo maximizando), y se debe encontrar
una solución básica factible inicial.

Ejemplo:
max. z = 3X1 + 5X2
s.a.
X1 4
2X2 12
3X1 + 2X2 18
para toda Xi  0

M. C. José Alberto Estrada Beltrán 11

Investigación de Operaciones I Unidad 2: El Método Simplex

Agregando variables de holgura para poner el problema en forma estándar:

max. z = 3 X1 + 5 X2 + 0 H1 + 0 H2 + 0 H3
s.a.
X1 + H1 = 4
2X2 + H2 = 12
3X1 + 2X2 + H3= 18
para toda Xi, Hi  0
Si n es el número de variables, y m es el número de restricciones, se tiene
en este caso que n = 5 variables y m = 3 restricciones (ecuaciones).
Dado que un sistema de ecuaciones solo se puede resolver si se tienenmás
ecuaciones que variables, o igual número de ecuaciones que variables, sehacen
(n – m) = (5 – 3 = 2) variables iguales a cero, para encontrar una solución básica
factible inicial, considerando por el momento a las restricciones como igualdades.
X1 + H1 = 4
2X2 + H2 = 12
3X1 + 2X2 + H3= 18

Para encontrar directamente una solución básica factible inicial, se asigna un

valor de cero a las variables estructurales X1 y X2, por lo que dicha solución es:
X1 = 0, X2 = 0, H1 = 4, H2 = 12, H3 =18.
Esta es la solución básica factible inicial, y las variables básicas son H1, H2 y H3.
La tabla 2.2 es la tabla inicial del problema.
Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0
0 H2 12 0 2 0 1 0
0 H3 18 3 2 0 0 1
CjZj 0 3 5 0 0 0

recur- variables Variables

sos no básicas básicas
Tabla 2.2 Tabla inicial

Una solución básica factible es óptima en el caso de que todos los coeficientes
de la ecuación Cj - Zj sean positivos o ceros en el caso de maximización, y negativos o
ceros en el caso de minimización. Si se cumple esto, la solución es óptima, y ya no se
continúa con el problema. Si no se cumple, el proceso continúa con el paso 3.
Dado que en este ejemplo existen coeficientes positivos en la ecuación
2. Paso iterativo. Este paso comprende 3 partes:
 Parte 1. La nueva variable que entrara a la base se selecciona de entre las
variables no básicas con coeficiente negativo (maximización), eligiendo aquella
que tiene el coeficiente mas negativo. Los empates se rompen arbitrariamente.
M. C. José Alberto Estrada Beltrán 12
 Investigación de Operaciones I Unidad 2: El Método Simplex

 Parte 2. Para determinar la variable que sale de la base, se eligen los

coeficientes positivos de las restricciones de la columna asociada con la variable
que entrara a la base (columna pivote), y se divide cada término independiente
entre cada uno de estos coeficientes respectivamente.
De estos resultados se elige el cociente menor, el cual determina la variable
que debe salir de la base. Los empates se rompen arbitrariamente.
NOTA: para que una variable sea básica se debe cumplir que tenga un uno en el
cruce de su fila y columna respectiva y puros ceros en el resto de la columna.
 Parte 3. Determinación de la nueva solución básica factible. En primer lugar, si el
elemento pivote (elemento que se encuentra en el cruce de la columna pivote y
el renglón pivote) es diferente de la unidad, es necesario hacerlo 1 (uno)
dividiendo todo el renglón (ecuación) entre el valor del elemento pivote; luego se
hacen ceros todos los demás elementos de la columna pivote por medio de
operaciones entre ecuaciones, incluyendo a la ecuación z. Una vez hecho esto,
debe quedar en la columna pivote un 1 (uno) en el elemento que entro a la base
y ceros en el resto de los elementos de la columna pivote. Al hacer esto, se ha
cambiado de punto extremo. Hecho esto se vuelve al paso iterativo. Se debe
repetir este ciclo hasta llegar a la solución optima, es decir, cuando todos los
coeficientes de la ecuación z sean positivos o ceros (maximización).
En la tabla 2.2 (tabla inicial) se observa que los coeficientes de las variables X1 y
X2en la ecuación Cj - Zj son positivos, lo queindica que aún no se ha llegado a la
solución óptima, por lo que se aplica el paso 3 (paso iterativo) del Método Simplex.

Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0 ---
0 H2 12 0 2 0 1 0 12/2=6 H2 sale de
0 H3 18 3 2 0 0 1 18/2=9 la base
CjZj 0 3 5 0 0 0

X2 entra a la base
Tabla 2.3 Tabla inicial indicando variables de entrada y salida de la base.

Debido a que el elemento pivote (encerrado en un círculo en la tabla 2.3) es

diferente de 1, es necesario convertirlo en 1, Esto se logra multiplicando toda la
ecuación H2 por (½), con lo que se convierte en la nueva fila de X 2, y se debe anotar su
coeficiente en la columna Cb. Esta conversión se puede observar en la tabla 2.4.

Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0
5 X2 6 0 1 0 1/2 0
0 H3 18 3 2 0 0 1
Cj Zj 0 3 5 0 0 0
Tabla 2.4 Elemento pivote se convierte en 1 (uno).
M. C. José Alberto Estrada Beltrán 13
 Investigación de Operaciones I Unidad 2: El Método Simplex

Enseguida, es necesario hacer cero todos los elementos que se encuentran en

la columna de X2. Esto se logra multiplicando toda la nueva fila de X 2 por (2) y
sumándola a la fila de H3. No es necesario hacer lo mismo para la fila H1, pues el
elemento correspondiente a esa fila en la columna de X 2 ya es cero. Esto se muestra
en la tabla 2.5.
Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0
5 X2 6 0 1 0 1/2 0
0 H3 6 3 0 0 1 1
Cj Zj 0 3 5 0 0 0
Tabla 2.5 Conversión a cero de los elementos de la columna de la variable que entra a la base.

Ahora se calcula la fila Cj Zj, con lo que se tiene la nueva solución que se observa en
la tabla 2.6.
Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0
5 X2 6 0 1 0 1/2 0
0 H3 6 3 0 0 1 1
Cj Zj 30 3 0 0 5/2 0
Tabla 2.6 Nueva solución.

En la tabla2.6, el coeficiente de la variable X1 en la ecuación Cj Zjes positivo, lo

que indica que aún no se ha llegado a la solución óptima, por lo que se aplica de nuevo
el paso 3 (paso iterativo) del Método Simplex.
Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0 4/1=4
5 X2 6 0 1 0 1/2 0 ---
0 H3 6 3 0 0 1 1 6/3=2 H3 sale de
Cj Zj 30 3 0 0 5/2 0 la base

X1 entra a la base
Tabla 2.7 Nueva solución.

Debido a que el elemento pivote (encerrado en un círculo en la tabla 2.7) es

diferente de 1, es necesario convertirlo en 1, Esto se logra multiplicando toda la
ecuación H3 por (1/3), con lo que se convierte en la nueva fila de X 1, y se debe anotar
su coeficiente en la columna Cb, como se muestra en la tabla 2.8.

M. C. José Alberto Estrada Beltrán 14

Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 4 1 0 1 0 0
5 X2 6 0 1 0 1/2 0
3 X1 2 1 0 0 1/3 1/3
Cj Zj 30 3 0 0 5/2 0
Tabla 2.8 Nueva solución.
Enseguida, es necesario hacer cero todos los elementos que se encuentran en
la columna de X1. Esto se logra multiplicando toda la nueva fila de X 1 por (1) y
sumándola a la fila de H1. No es necesario hacer lo mismo para la fila X2, pues el
elemento correspondiente a esa fila en la columna de X 1 ya es cero. Esto se muestra
en la tabla 2.9.

Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 2 0 0 1 1/3 1/3
5 X2 6 0 1 0 1/2 0
3 X1 2 1 0 0 1/3 1/3
Cj Zj 30 3 0 0 5/2 0
Tabla 2.9 Conversión a cero de los elementos de la columna de la variable que entra a la base

Ahora se calcula la fila Cj Zj:

Cj 3 5 0 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2 H3
BÁSICAS
0 H1 2 0 0 1 1/3 1/3
5 X2 6 0 1 0 1/2 0
3 X1 2 1 0 0 1/3 1/3
Cj Zj 36 0 0 0 3/2 1
Tabla 2.10 Nueva solución.

En la tabla 2.10, se observa que todos los coeficientes de la ecuación Cj Zj son
negativos o ceros, lo que indica que ya se tiene una solución óptima.
SOLUCIÓN ÓPTIMA:
Producir:
X1 = 2 artículos A.
X2 = 6 artículos B.
H1= 2 significa que sobran 2 horas en el departamento 1.
z = 36 indica que se obtendrá una ganancia de $ 36.

M. C. José Alberto Estrada Beltrán 15

Investigación de Operaciones I Unidad 2: El Método Simplex

Otro ejemplo:

Una armadora automotriz de reciente creación se dedica a ensamblar 3

diferentes tipos de autos deportivos: el Symbol, el Mars y el Astor. Estos tres autos
deben pasar por tres diferentes departamentos para ser producidos: ensamble, montaje
y pintura. La ganancia unitaria por la venta de cada tipo de auto y los requerimientos de
producción en cada departamento se muestran en la tabla2.11.
Tipo de auto Hrs. disponibles
Departamento
Symbol Mars Astor por departamento
ensamble 4 3 3 120
montaje 2 4 3 100
pintura 3 2 4 90
Utilidad unitaria $ 4,500 $ 4,000 $ 5,000
Tabla 2.11Ganancia unitaria y requerimientos de producción.

X1 = cantidad de autos Symbol a producir.

X2 = cantidad de autos Mars a producir.
X3 = cantidad de autos Astor a producir.

max. z = 4,500 X1 + 4,000 X2 + 5,000 X3

s.a.
4 X1 + 3 X2 + 3 X3 120
2 X1 + 4 X2 + 3 X3 100
3 X1 + 2 X2 + 4 X3 90
para toda Xi  0

Agregando variables de holgura, el problema queda planteado como sigue:

max. z = 4500 X1 + 4000 X2 + 5000 X3 + 0 H1 + 0 H2 + 0 H3
s.a.
4 X1 + 3 X2 + 3 X3 + H1 = 120
2 X1 + 4 X2 + 3 X3 + H2 = 100
3 X1 + 2 X2 + 4 X3 + H3 = 90
para toda Xi, Hi  0

Solución básica factible inicial.

Si se hace (n – m) = (6 – 3 = 3) variables iguales a cero, se encuentra una
solución básica factible inicial:
X1= 0, X2 = 0, X3 = 0 : H1 = 120, H2 = 100, H3 = 90.
Esta es la solución básica factible inicial, y las variables básicas son H1, H2 y H3.

Regla de detención: La tabla 2.12 es la tabla inicial del problema de la armadora

automotriz.

M. C. José Alberto Estrada Beltrán 16

 Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 4500 4000 5000 0 0 0

VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
0 H1 120 4 3 3 1 0 0 120/3=40
0 H2 100 2 4 3 0 1 0 100/3=33.3
0 H3 90 3 2 4 0 0 1 90/4=22.5 H3 sale
Cj Zj 0 4500 4000 5000 0 0 0 de la base

X3 entra a la base
Tabla 2.12 Tabla inicial.

La tabla 2.13 muestra la primera iteración.

Cj 4500 4000 5000 0 0 0

VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
0 H1 105/2 7/4 3/2 0 1 0 3/4 X3 por (3) + H1 35
0 H2 65/2 1/4 5/2 0 0 1 3/4 X3 por (3) + H2 13 sale H2
5000 X3 45/2 3/4 1/2 1 0 0 1/4 H3 por (¼) 30
Cj Zj 112500 750 1500 0 0 0 1250

X2 entra a la base
Tabla 2.13 Primera iteración.

En la tabla 2.14 se observa la segunda iteración.

Cj 4500 4000 5000 0 0 0

VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
0 H1 33 19/10 0 0 1 3/5 3/4 X2 por (3/2)+ H1 17 sale H1
4000 X2 13 1/10 1 0 0 2/5 3/10 H2 por (2/5) ---
5000 X3 16 4/5 0 1 0 1/5 2/5 X2 por (1/2)+ X3 20
Cj Zj 132000 900 0 0 0 -600 1250

X1 entra a la base
Tabla 2.14 Segunda iteración.

Cj 4500 4000 5000 0 0 0

VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
4500 X1 330/19 1 0 0 10/19 6/19 15/38 H1 por (10/19)
4000 X2 280/19 0 1 0 1/19 7/19 129/380 X1 por (1/10)+X2
5000 X3 40/19 0 0 1 8/19 1/19 68/95 X1 por (4/5)+ X3
Cj Zj 147631.5 0 0 0 9000/19 6000/19 1250
Tabla 2.15 Tabla óptima.

M. C. José Alberto Estrada Beltrán 17

 Investigación de Operaciones I Unidad 2: El Método Simplex

En la tabla 2.15 se puede verificar que ya no existen coeficientes negativos

(candidatos a entra a la base) en la ecuación Cj Zj, por lo que se concluye que se ha
llegado a la siguiente solución óptima:
X1 = 330/19 = 17.36 autos Symbol a producir.
X2 = 280/19 = 14.73 autos Mars a producir.
X3 = 40/19 = 2.10 autos Astor a producir.
Se utilizaron todas las horas en los departamentos de producción (H1 = H2 = H3 = 0).
z = $ 147,631.5 indica la ganancia que se espera obtener.

Otro ejemplo:
Max. z = 3X1 + 2X2 + 5X3 Max. z = 3X1 + 2X2 + 5X3 + 0 H1 + 0 H2 + 0 H3
s.a. s.a.
X1 + 2X2 + X3 ≤ 430 X1 + 2X2 + X3 + H1 = 430
3X1 + 2X3 ≤ 460  3X1 + 2X3 + H2 = 460
X1 + 4X2 ≤ 420 X1 + 4X2 + H3 = 420
para toda Xi 0 para toda Xi, Hi  0
La tabla 2.16 es la tabla inicial del problema.

Cj 3 2 5 0 0 0
VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
0 H1 430 1 2 1 1 0 0 430/1=430
0 H2 460 3 0 2 0 1 0 460/2=230 H2 sale
0 H3 420 1 4 0 0 0 1 --- de la base
Cj - Zj 0 3 2 5 0 0 0

entra X3
Tabla 2.16 Tabla inicial.

En la tabla 2.17 se muestra la primera iteración.

Cj 3 2 5 0 0 0
VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
0 H1 200 -1/2 2 0 1 -1/2 0 200/2=100 H1 sale
5 X3 230 3/2 0 1 0 1/2 0 --- de la base
0 H3 420 1 4 0 0 0 1 420/4=105
Cj - Zj 1150 -9/2 2 0 0 -5/2 0

entra X2
Tabla 2.17 Primera iteración.

La tabla 2.18 se muestra la tabla óptima.

M. C. José Alberto Estrada Beltrán 18

Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 3 2 5 0 0 0
VARIABLES
Cb SOL. X1 X2 X3 H1 H2 H3
BÁSICAS
2 X2 100 -1/4 1 0 1/2 -1/4 0
5 X3 230 3/2 0 1 0 1/2 0
0 H3 20 2 0 0 -2 1 1
Cj - Zj 1350 -4 0 0 -1 -2 0
Tabla 2.18 Solución óptima
Solución óptima:
X1= 0
X2 = 100 Ganancia: $ 1,350
X3 = 230
Sobran H3 = 20unidades de la variable de holgura H3.

2.3 Procedimiento para resolver problemas con variables artificiales.

En algunos problemas de programación lineal las variables de holgura no

proporcionan fácilmente una solución básica factible inicial para poder aplicar el
Método Simplex. Cuando esto sucede, es necesario recurrir al Método de las
Dos fases, que utiliza variables artificiales a fin de encontrar dicha solución de
inicio.
Como su nombre lo indica, este método trabaja en dos fases:
FASE 1.Sumar variables no negativas al lado izquierdo de cada una de
las ecuaciones correspondientes a las restricciones de los tipos (  ) y ( =
).Estas variables se denominan variables artificiales, y su adición hace quese
violen las restricciones correspondientes. Esta dificultad se eliminaasegurando
que las variables artificiales sean cero enla solución final (siempre que existauna
solución). Para ello, es necesario agregar estas variables en la funciónobjetivo,
con coeficientes de(–1) para problemas demaximización y (+ 1) para problemas
de minimización.
Enseguida, se debe formular un nuevo problema, reemplazando la función
objetivo original por la suma de las variables artificiales. La nueva función
objetivo entonces se minimiza, sujeta a las restricciones del problema original. Si
el problema tiene un espacio factible de soluciones, el valor mínimo de la nueva
función objetivo será cero (lo cual indica que todas las variables artificiales son
cero), por lo quese pasa a la fase dos. Pero si el valor mínimo es mayor que
cero, se concluye que no existen soluciones factibles.
FASE 2. Se utiliza la solución básica óptima de la fase 1 como una solución de
inicio para el problema original. En este caso, la función objetivo original se
expresa en términos de las variables no básicas, utilizando las eliminaciones
usuales de Gauss-Jordan.

M. C. José Alberto Estrada Beltrán 19

Investigación de Operaciones I Unidad 2: El Método Simplex

Ejemplo:
Min. z = 4X1 + X2
s.a.
3X1 + X2 =3
4X1 + 3X26
X1 + 2X2 ≤3
para toda Xi 0
Agregando variables de holgura, el problema es:
Min. z = 4X1 + X2  0 H1 + 0 H2
s.a.
3X1 + X2 = 3
4X1 + 3X2H1 = 6
X1 + 2X2 + H2 = 3
para toda Xi, Hi 0
Haciendo (m – n) = (4 – 3) = 1 variable igual a cero, las variables de holgura no
proporcionan directamente una solución de inicio, por lo que se recurre al uso de
variables artificiales.
Utilizando el Método de las Dos Fases y agregando las variables artificiales a las
restricciones 1 y 2, el problema queda de la siguiente forma:
Min. z = 4X1 + X2  0 H1 + 0 H2+ A1+ A2
s.a.
3X1 + X2 + A1= 3
4X1 + 3X2H1+ A2 = 6
X1 + 2X2 + H2= 3
para toda Xi, Hi, Ai 0
Nuevamente, haciendo (m – n) = (6 – 3) = 3 variable igual a cero, la solución
básica factible inicial se muestra enseguida:
X1 = 0 A1 = 3
X2 = 0 A2 = 6 z= 9
H1 = 0 H2 = 3
Aplicando la PRIMERA FASE, la nueva función objetivo es:
Min. z = A1+ A2
El problema a resolver en la fase 1 queda como:
Min. z = A1 + A2
s.a.
3X1 + X2 + A1 = 3
4X1 + 3X2H1 + A2 = 6
X1 + 2X2 + H2 = 3
para toda Xi, Hi, Ai 0
La tabla 2.19 es la tabla inicial del problema.

M. C. José Alberto Estrada Beltrán 20

 Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 0 0 0 0 1 1
VARIABLES
Cb SOL. X1 X2 H1 H2 A1 A2
BÁSICAS
1 A1 3 3 1 0 0 1 0 3/3 = 1 A1 sale
1 A2 6 4 3 –1 0 0 1 6/4 = 1.5de la
0 H2 3 1 2 0 1 0 0 3/1 = 3base
Cj– Zj 9 –7 –4 1 0 0 0
entra X1
Tabla 2.19 Solución inicial.
La tabla 2.20 muestra la primera iteración.
Cj 0 0 0 0 1 1
VARIABLES
Cb SOL. X1 X2 H1 H2 A1 A2
BÁSICAS
0 X1 1 1 1/3 0 0 1/3 0 A1 por (1/3)
1 A2 2 0 5/3 –1 0 –4/3 1 X1 por (-4) + A2 A2
0 H2 2 0 5/3 0 1 –1/3 0 X1 por (-1) + H2sale
Cj– Zj 2 0 –5/3 1 0 7/3 0 de la base
entra X2
Tabla 2.20 Primera iteración.
La tabla 2.21 muestra la segunda iteración, la cual es además ta tabla óptima de
la Fase 1.
Cj 0 0 0 0 1 1
VARIABLES
Cb SOL. X1 X2 H1 H2 A1 A2
BÁSICAS
0 X1 3/5 1 0 1/5 0 3/5 –1/5
0 X2 6/5 0 1 –3/5 0 –4/5 3/5
0 H2 0 0 0 1 1 1 –1
Cj– Zj 0 0 0 0 0 1 1

Tabla 2.21 Segunda iteración.

Ya que se encontró el óptimo en la Fase 1, se pasa a la Fase 2 y se utiliza la

misma tabla anterior, solo que ahora se reemplaza la ecuación Cjpor la función
objetivo original del problema, y se eliminan las variables artificiales, pues salieron de la
base, tal como se muestra en la tabla 2.22.
Luego se procede con los pasos normales del método Simplex.

M. C. José Alberto Estrada Beltrán 21

Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 4 1 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
4 X1 3/5 1 0 1/5 0
1 X2 6/5 0 1 –3/5 0
0 H2 0 0 0 1 1
Cj– Zj 0 0 0 0 0
Tabla 2.22 Tabla óptima de la Fase 1 con la función objetivo original restaurada.

La tabla 2.23 muestra la primera iteración de la Fase 2.

Cj 4 1 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
4 X1 3/5 1 0 1/5 0
1 X2 6/5 0 1 –3/5 0
0 H2 0 0 0 1 1 sale H2
Cj– Zj 18/5 0 0 -1/5 0

entra H1
Tabla 2.23 Primera iteración de la Fase 2.

La tabla 2.24 muestra la segunda iteración de la Fase 2.

Cj 4 1 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
4 X1 3/5 1 0 0 -1/5 H1 por (-1/5) + X1
1 X2 6/5 0 1 0 3/5 H1 por (3/5) + X2
0 H1 0 0 0 1 1
Cj– Zj 18/5 0 0 0 1/5
Tabla 2.24 Primera iteración de la Fase 2.

Entonces, la solución óptima es:

X1 = 3/5 z = 18/5
X2 = 6/5
2.4. Casos especiales de programación lineal.
Dependiendo del tipo de problema lineal que se intente resolver, existen
varios tipos de soluciones óptimas. Estos tipos son:
1. SOLUCIÓN ÓPTIMA ÚNICA: Esta solución se detecta en el caso de
maximización cuando todos los coeficientes de la ecuación Cj – Zj 0, pero los
únicos ceros son los de las variables básicas.

M. C. José Alberto Estrada Beltrán 22

Investigación de Operaciones I Unidad 2: El Método Simplex

2. SOLUCIÓN ÓPTIMA NO ACOTADA (INFINITA): Este tipo de solución se

detecta cuando hay un candidato a entrar a la base y todos los elementos de su
correspondiente columna son  0 (tabla 2.25). Esto significa que esa variable
podrá tomar cualquier valor por grande que sea y siempre cumplirá con todas las
restricciones del problema. Ejemplo:
max. z = 2X1 + X2max. z = 2X1 + X2 + 0 S1 + 0 H2
s.a.
X1  X2  10 X1  X2 + H1 = 10
2X1  X2  40 2X1  X2 + H2 = 40
para toda Xi  0 para toda Xi  0
Cj 2 1 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
0 H1 10 1 1 1 0
0 H2 40 2 1 0 1
Cj– Zj 2 1 0 0
candidato a entrar a la base
Tabla 2.25Solución óptima no acotada (infinita).

3. SOLUCIONES ÓPTIMAS ALTERNATIVAS (MÚLTIPLES): Ocurre cuando la

función objetivo es paralela a unas restricciones que determinan el óptimo. Esto
se detecta cuando todos los coeficientes de la ecuación z son  0, es decir, se
llegó al óptimo, pero una de las variables no básicas tiene coeficiente cero en la
ecuación z; esto significa que si esta variables no básica entra a la base, la
solución óptima no cambia.
Ejemplo:
max. z = 4X1 + 14X2 max. z = 4X1 + 14X2 + 0 H1 + 0 H2
s.a. s.a.
2X1 + 7X2 21 2X1 + 7X2 + H1 = 21
7X1 + 2X2 21 7X1 + 2X2 +H2 = 21
para toda Xi  0 para toda Xi  0
La tabla 2.26 es la tabla inicial:
Cj 4 14 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
0 H1 21 2 7 1 0
0 H2 21 7 2 0 1
Cj– Zj 0 2 1 0 0
Tabla 2.26 Tabla inicial

La solución óptima se muestra en la tabla 2.27.

M. C. José Alberto Estrada Beltrán 23
Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 4 14 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
14 X2 3 2/7 1 1/7 0
0 H2 15 45/7 0 -2/7 1
Cj– Zj 42 0 0 -2 0
Tabla 2.27 Tabla óptima.

En la tabla 2.27 se observa que se llegó al óptimo, pues todos los coeficientes
de la ecuación Cj – Zj son . Sin embargo, X1 no es variable básica y tiene un cero
como coeficiente en la función objetivo. Por esto se dice que la solución es múltiple, ya
que si X1 entra a la base, el valor de la función objetivo no varía, aunque en la solución
se incluyan otras variables. La nueva solución se observa en la tabla 2.28.
Cj 4 14 0 0
VARIABLES
Cb SOL. X1 X2 H1 H2
BÁSICAS
14 X2 7/3 0 1 5/21 -1/21
4 X1 7/3 1 0 -1/21 1
Cj– Zj 42 0 0 -2 0
Tabla 2.28. Nueva tabla óptima.

Se observa que tanto en la tabla 2.27 como en la tabla 2.28, la función objetivo
tiene el mismo valor, z = 42, aunque las variables incluidas en la solución son
diferentes. La figura 2.3 ilustra este caso.

X2

10
Puntos óptimos

5 X1 =0 --- X2 = 4
z= 4X1 + 14X2 = 56
X2 =0 --- X1 = 14
Rectas
paralelas

5 10 15 X1

Figura 2.3 Gráfica de soluciones alternativas.

4.- SOLUCIÓN ÓPTIMA NO EXISTENTE: se identifica cuando no es posible

encontrar una solución básica factible inicial.

M. C. José Alberto Estrada Beltrán 24

Investigación de Operaciones I Unidad 2: El Método Simplex

2.5. Método dual simplex.

El método dual-Simplex se aplica a problemas que comienzan como duales
factibles (esto es, óptimos pero infactibles). La función objetivo puede estar en la forma
de maximización o minimización. Después de agregar las variables de holgura y poner
el problema en la forma tabular, si cualquier elemento de la parte derecha es negativo y
si la condición de optimidad está satisfecha, el problema puede resolverse por el
método dual-simplex.
Ejemplo:
forma estándar
Min. z = 2X1 + X2 Min. z = 2X1 + X2
s.a.s.a.
3 X1 + X2  3 por (–1): – 3 X1 – X2 + H1 =–3
4 X1 + 3 X2  6 por (–1): – 4 X1 – 3 X2 +H2 =–6
X1 + 2 X2  3 X1 + 2 X2 + H3 = 3
para toda Xi 0 para toda Xi, Hi 0
La tabla 2.29 es la tabla inicial del problema.
Cj 2 1 0 0 0
Cb Vb SOL X1 X2 H1 H2 H3
0 H1 -3 -3 -1 1 0 0
0 H2 -6 -4 -3 0 1 0
0 H3 3 1 2 0 0 1
Cj Zj 0 2 1 0 0 0
Tabla 2.29 Tabla inicial.

La solución de inicio es H1 = – 3, H2 = – 6 y H3 = 3, lo que constituye una

solución no factible, ya que las variables H1 y H2 son  0, mientras que la función
objetivo es óptima, ya que todos los coeficientes de la ecuación Cj  Zj  0.
Igual que en el método simplex regular, el dual simplex está basado en las
condiciones de factibilidad y optimidad:

Condición de factibilidad.-la variable que sale es la variable básica que tiene el valor
más negativo. Si todas las variables básicas son no negativas, el proceso termina y se
alcanza la solución factible (óptima).
Condición de optimidad.- la variable que entra se elige de entre las variables no
básicas de la siguiente forma:
Tomar los coeficientes positivos de la ecuación CjZj (ignorar los coeficientes
negativos o cero) y dividirlos entre los coeficientes correspondientes a la ecuación
asociada a la variable que sale. La variable que entra es aquella con el cociente menos
negativo si el problema es de minimización, o el valor absoluto menor si el problema es

M. C. José Alberto Estrada Beltrán 25

Investigación de Operaciones I Unidad 2: El Método Simplex

de maximización. Si todos los denominadores son ceros o positivos, el problema no

tiene ninguna solución factible.
Después de elegir la variable que entra y la que sale, se aplican las operaciones
normales de renglón para obtener la siguiente iteración. Volviendo a la tabla 2.29:
Cj 2 1 0 0 0
Cb Vb SOL X1 X2 H1 H2 H3
0 H1 -3 -3 -1 1 0 0
0 H2 -6 -4 -3 0 1 0
0 H3 3 1 2 0 0 1
Cj Zj 0 2 1 0 0 0
Tabla 2.29 Tabla inicial.

La variable que sale es H2 = – 6, ya que tiene el valor más negativo. Para la

variable que entra, los cocientes se muestran en la tabla 2.30.
Variable X1 X2 H1 H2 H3
ecuación CjZj 2 1 0 0 0
ecuación X4 –4 –3 0 1 0
Razones – 1/2 – 1/3 - - -

Tabla 2.30 Cocientes.

Como se aprecia en la tabla 2.30, la variable que entra es X2, ya que

corresponde al cociente (razón) menos negativo (– 1/3). Aplicando las operaciones
renglón como es usual, la primera iteración se muestra en la tabla 2.31.
Cj 2 1 0 0 0
Cb Vb SOL X1 X2 H1 H2 H3
0 H1 -1 -5/3 0 1 -1/3 0
1 X2 2 4/3 1 0 -1/3 0
0 H3 -1 -5/3 0 0 2/3 1
Cj Zj 2 2/3 0 0 1/3 0
Tabla 2.31. Primera iteración.

La nueva solución todavía es óptima pero no factible, ya que H1 y H3 son

negativas. Dado que hay empate (ambas valen -1), si se elige arbitrariamente H1 para
que salga de la base, la variable que entra será la que se muestra en la tabla 2.32.
Variable X1 X2 H1 H2 H3
ecuación CjZj 2/3 0 0 1/3 0
ecuación H1 -5/3 0 1 -1/3 0
Razones -2/5 - - -1 -
Tabla 2.32. Cocientes.

La variable que entra es X1, ya que tiene el cociente menos negativo. Esto da
lugar a la segunda iteración, mostrada en la tabla 2.33.

M. C. José Alberto Estrada Beltrán 26

Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 2 1 0 0 0
Cb Vb SOL X1 X2 H1 H2 H3
2 X1 3/5 1 0 -3/5 1/5 0
1 X2 6/5 0 1 4/5 -3/5 0
0 H3 0 0 0 -1 1 1
Cj Zj 12/5 0 0 2/5 1/5 0
Tabla 2.33 Segunda iteración.

Esto da la solución óptima factible:

X1 = 3/5
X2 = 6/5 Z = 12/5
H3 = 0

2.6. Relaciones primal dual.

Suponga que los problemas primal y dual están en la forma estándar o la

canónica y los dos problemas tienen soluciones óptimas finitas. Sean z y r los valores
de la función objetivo en los problemas de maximización y minimización del primal y
dual respectivamente. Entonces, para dos soluciones factibles (no necesariamente
básicas) del primal y del dual, z  r. Además, en las soluciones optimas de ambos
problemas, min. r = máx. z.
Ejemplo:
Máx. z = 5 X1 + 12 X2 + 4 X3
s.a.
X1 + 2 X2 + X3  5
2 X1 – X2 + 3 X3 = 2
para toda Xi  0.
La forma estándar de este problema es:
Máx. z = 5 X1 + 12 X2 + 4 X3 – A1
s.a.
X1 + 2X2 + X3 + H1 = 5 Y1
2X1 – X2 + 3 X3 + A1 = 2 Y2
para toda Xi, Hi, Ai  0.
Para la primera fase, la tabla inicial de este problema se muestra en la tabla 2.34
Cj 0 0 0 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
0 H1 5 1 2 1 1 0
-1 A1 2 2 -1 3 0 1
Cj Zj -2 2 -1 3 0 0

Tabla 2.34 Tabla inicial.

Para la primera iteración, entra X3 y sale A1. Esto se muestra en la tabla 2.35.

M. C. José Alberto Estrada Beltrán 27

Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 0 0 0 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
0 H1 13/3 1/3 7/3 0 1 -1/3
0 X3 2/3 2/3 -1/3 1 0 1/3
Cj  Zj 0 0 0 0 0 -1
Tabla 2.35 Primera iteración.

En la tabla 2.35 se observa que se llega al óptimo de la fase 1.La tabla inicial de
la fase 2 se muestra en la tabla 2.36.
Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
0 H1 13/3 1/3 7/3 0 1 -1/3
4 X3 2/3 2/3 -1/3 1 0 1/3
Cj Zj 8/3 7/3 40/3 0 0 -7/3

Tabla 2.36 Tabla inicial de la fase 2.

Para la primera iteración, entra X2 y sale H1. Esto se observa en la tabla 2.37.
Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
12 X2 13/7 1/7 1 0 3/7 -1/7
4 X3 9/7 5/7 0 1 1/7 2/7
Cj Zj 192/7 3/7 0 0 -40/7 -3/7
Tabla 2.37 Primera iteración.

Para la segunda iteración, entra X1 y sale X3. Esto se observa en la tabla 2.38.
Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
12 X2 8/5 0 1 -1/5 2/5 -1/5
5 X1 9/5 1 0 7/5 1/5 2/5
Cj Zj 141/5 0 0 -3/5 -29/5 -3/5
Tabla 2.38 Segunda iteración (solución óptima).

La solución mostrada en la tabla 2.38 es la solución óptima:

X1 = 9/5
X2 = 8/5 z = 141/5
X3 = 0
Ahora se resuelve el problema dual. Debido a que Y2 es irrestricta en signo, se
reemplaza en la tabla por Y2+ – Y2- , donde Y2+  0 y Y2-  0.
La forma estándar de este problema es:

Min r = 5Y1 + 2Y2+ – 2 Y2- + A1 + A2 + A3

s.a.
- +
Y1 + 2 Y2 – 2 Y2 – H1 + A1 = 5  X1
2 Y1 – Y2- + Y2+ – H2 + A2 = 12  X2
Y1 + 3 Y2- – 3 Y2+ – H3 + A3 = 4  X3
Y1, Hi, Ai  0, Y2 irrestricta de signo.
La solución inicial de la primera fase se muestra en la tabla 2.39.
M. C. José Alberto Estrada Beltrán 28
Investigación de Operaciones I Unidad 2: El Método Simplex

Cj 0 0 0 0 0 0 1 1 1
Cb Vb SOL Y1 Y2+ Y2- H1 H2 H3 A1 A2 A3
1 A1 5 1 2 -2 -1 0 0 1 0 0
1 A2 12 2 -1 1 0 -1 0 0 1 0
1 A3 4 1 3 -3 0 0 -1 0 0 1
Cj Zj 21 -4 -4 4 1 1 1 0 0 0
Tabla 2.39 Solución inicial.

Resolviendo este problema por el método simplex regular como un problema de

minimización, se obtienen la solución óptima en cinco iteraciones. La solución óptima
es la mostrada en la tabla 2.40.
Cj 5 2 -2 0 0 0 1 1 1
Cb Vb SOL Y1 Y2+ Y2- H1 H2 H3 A1 A2 A3
0 H3 3/5 0 0 0 -7/5 1/5 1 7/5 -1/5 -1
-2 Y2- 2/5 0 -1 1 2/5 -1/5 0 -2/5 1/5 0
5 Y1 29/5 1 0 0 -1/5 -2/5 0 1/5 2/5 0
Cj Zj 141/5 0 0 0 9/5 8/5 0 9/5 8/5 1
Tabla 2.40 Solución óptima.

La solución óptima es:

Y1 = 29/5
Y2+ = 0 r = 141/5
Y2- = 2/5
H3 = 3/5.
Dado que Y2 = Y2+ – Y2- = 0 – 2/5 = - 2/5, se cumple que Y2 es irrestricta de
signo.
Para establecer la relación entre el primal y su dual, se consideran las variables
de solución de inicio del primal. Estas son H1 y A1.
Las variables duales Y1 y Y2 corresponden a las ecuaciones de restricciones
primales conteniendo H1 y A1, respectivamente. Ahora se consideran los coeficientes
de H1 y A1 en la ecuación Cj  Zj de la tabla primal óptima, mostrados en la tabla 2.41.
Variables de inicio: H1 A1
Coeficientes de la ecuación CjZj 29/5 3/5
Variables duales correspondientes Y1 Y2

Tabla 2.41 Coeficientes de A1 y H1.

Se ve que los coeficientes resultantes 29/5 y 3/5 dan directamente la solución

óptima del problema dual.
En la tabla 2.42 se analizan los coeficientes de las variables de inicio del
problema dual, que son A1, A2 y A3, en la ecuación r de la tabla óptima del dual.

M. C. José Alberto Estrada Beltrán 29

Investigación de Operaciones I Unidad 2: El Método Simplex

Variables de solución de inicio (duales) A1 A2 A3

Coeficientes de la ecuación r 9/5 8/5 1
Variables primales correspondientes X1 X2 X3

Tabla 2.42 Coeficientes de A1, A2 y A3.

En la tabla 2.42 se ve que estos coeficientes dan la solución primal óptima.

Las siguientes reglas muestran como la solución óptima del dual puede
obtenerse a partir de la tabla óptima del primal:
Regla 1. Si la variable dual corresponde a una variable de inicio de holgura en el
problema primal, su valor óptimo está dado directamente por el coeficiente de esta
variable de holgura de la ecuación óptima Cj  Zj.
Regla 2. si la variable dual corresponde a una variable de inicio artificial en el problema
primal, su valor óptimo está dado por el coeficiente de esta variable artificial en la
ecuación óptima Cj  Zj.

2.7 Análisis de sensibilidad e interpretación de resultados.

Después de obtener la solución óptima de un problema de programación lineal, a

menudo es deseable estudiar el efecto de cambios discretos de los coeficientes del
problema en la solución óptima actual.
Una forma de lograrlo es resolviendo el problema de nuevo, lo cual puede
resultar ineficiente. Si se hace uso de las propiedades de la solución simplex, es
posible reducir los cálculos adicionales considerablemente.

Cambios en el vector de costos C.

Los cambios en el vector de costos o coeficientes de la función objetivo
(ecuación Cj) pueden afectar únicamente a los coeficientes de la ecuación Cj  Zj y por
tanto la optimidad del problema. Sin embargo, estos coeficientes pueden estar
asociados a variables básicas o no básicas de la solución óptima y se tratan de manera
diferente.

a).- Cuando Xj de Cj es básica.

Si se tiene el siguiente problema:
Max. z = 5X1 + 12X2 + 4X3
s.a.
X1 + 2 X2 + X3  5
2 X1  X2 + 3 X3 = 2
para toda Xi  0
M. C. José Alberto Estrada Beltrán 30
Investigación de Operaciones I Unidad 2: El Método Simplex

La forma estándar de éste problema es:

Máx. z = 5 X1 + 12 X2 + 4 X3  A1
s.a.
X1 + 2 X2 + X3 + H1 = 5
2X1  X2 + 3 X3 + A1 = 2
para toda Xi, Hi, Ai  0
La tabla inicial de éste problema se muestra en la tabla 2.43.
Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
0 H1 5 1 2 1 1 0
-1 A1 2 2 -1 3 0 1
Cj  Zj -2 7 11 7 0 0
Tabla 2.43. Tabla inicial.

Y la tabla final (óptima) se muestra en la tabla 2.44:

Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
12 X2 8/5 0 1 -1/5 2/5 -1/5
5 X1 9/5 1 0 7/5 1/5 2/5
Cj  Zj 141/5 0 0 -3/5 -29/5 -3/5
Tabla 2.44 Tabla óptima.

Las variables H1 = 5 y A1 = 2 son básicas en la tabla de inicio. Para obtener el

coeficiente de una variable de la tabla óptima a partir de la tabla inicial, hay que hacer
lo siguiente:
Zj = valor obtenido de sustituir las variables básicas de la tabla óptima por los
coeficientes de la columna de la tabla óptima asociada a la variable de la cual se desea
conocer el valor óptimo, y multiplicarlos por sus respectivos coeficientes de la tabla
inicial.
Cr = coeficiente de la variable Xr en la ecuación Cj  Zj de la tabla inicial.
Por ejemplo, la variable X3 tiene un coeficiente de -3/5 en la ecuación Cj  Zj de
la tabla óptima. Para obtener su valor, hay que hacer lo siguiente:
Xr = Cr – Zj  X3 = C3 – Z3
C3 = 4 = 20/5
Z3 = 5 (7/5) +12(–1/5) = 35/5 – 12/5 = 23/5
X3 = C3 – Z3 = 20/5 – 23/5  X3 = – 3/5
Para obtener ahora el valor de H1 = – 29/5:
CH1 = 0
ZH1 = 5 (1/5) +12(2/5) = 5/5 + 24/5 = 29/5
H1 = CH1 – ZH1 = 0 – 29/5 = H1 = – 29/5.
Si en la tabla 2.43, el coeficiente de X3 en la función objetivo (ecuación Cj)
cambia de 4 a 6, se debe actualizar éste valor para la tabla óptima:

M. C. José Alberto Estrada Beltrán 31

Investigación de Operaciones I Unidad 2: El Método Simplex

X3 = C3 – Z3
C3 = 6 = 30/5
Z3 = 5 (7/5) +12(–1/5) = 35/5 – 12/5 = 23/5
X3 = C3 – Z3 = 30/5 – 23/5  X3 = 7/5
Estos cambios se muestran en la tabla 2.45.
Cj 5 12 6 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
12 X2 8/5 0 1 -1/5 2/5 -1/5
5 X1 9/5 1 0 7/5 1/5 2/5
Cj  Zj 141/5 0 0 7/5 -29/5 -3/5
Tabla 2.45 Cambios reflejados en la nueva tabla.

Esta solución ya no es óptima, ya que el coeficiente de X3 en la ecuación Cj  Zj

es positivo, por lo que se convierte en candidato a entrará a la base. Para no calcular
cada vez que varía el valor de los coeficientes en la función objetivo, se calculan los
límites entre los que pueden variar dichos coeficientes sin que cambie el valor de la
ecuación Cj  Zj en la tabla óptima.
Rangos de variables básicas en la solución óptima:
Si cambia el coeficiente de X1:
C1 – Z1 = 0 ya que es variable básica.
C2 – Z2 = 0 ya que es variable básica.
C3 – Z3 ≤ 0  4 – [(C1) (7/5) + (12)(–1/5)]≤ 0  20/5 – [7/5 C1 – 12/5 ]≤ 0
 –7/5C1+ 32/5 ≤ 0  C1  32/5 C1  32/7
7/5
CH1– ZH1≤ 0  0 – [(C1)(1/5) + (12)(2/5)]≤ 0  1/5C1+ 24/5  0 C1  – 24
CA1 – ZA1 ≤ 0  –1 – [(C1)(2/5) + (12)( –1/5)] ≤ 0 1+ 2/5 C1 – 12/5  0
 C1  12/5 – 1 C1  7/2
2/5

– 24 0 7/2 32 / 7
Figura 2.4 Límites de variación.

Entonces, para que X3, H1 y A1 no se conviertan en candidatos a entrar a la base

y desplacen a X1, el coeficiente de X1 debe ser C1  32/7 (área sombreada). Esto se
muestra en la figura 2.4.

M. C. José Alberto Estrada Beltrán 32

Investigación de Operaciones I Unidad 2: El Método Simplex

Si ahora es el coeficiente de X2 el que cambia:

C1 – Z1 = 0 ya que es variable básica.
C2 –Z2 = 0ya que es variable básica.
C3 – Z3≤ 0  4 – [(5) (7/5) + (C2)(–1/5)]≤ 0  4 – [ 7– 1/5 C2 ]≤ 0– 3 + 1/5 C2≤ 0
 C2 ≤ 3 C2 ≤ 15
1/5
CH1 – ZH1 ≤ 0  0 – [(5)(1/5) + (C2)(2/5)]≤ 0  1 + 2/5 C2  0 C2  – 5/2
CA1 – ZA1 ≤ 0  –1 – [(5)(2/5) + (C2)(-1/5)] ≤ 0 –1 – 2 + 1/5 C2 ≤ 0
 C2 ≤ 3 C2 ≤ 15
1/5

–5/2 0 15
Figura 2.5 Límites de variación.

Entonces, para que X3, H1 y A1 no se conviertan en candidatos a entrar a la base

y desplacen a X2, el coeficiente de X2 debe estar entre 15  C2  – 5/2 (área
sombreada). Esto se muestra en la figura 2.5.

b).- Cuando Xj de Cj es no básica.

Para el caso de las variables no básicas, se manejan de manera similar. Las
variables no básicas de la solución óptima son X3, H1 y A1.
Para el coeficiente de X3:
C3 – Z3  0.
C3 – [(12(-1/5) + (5)(7/5)]  0  C3 – 23/5  0 C3  23/5
Esto significa que para que X3 no se convierta en candidato a entrar a la base,
su coeficiente no debe exceder de 23/5.
La variación del coeficiente de H1 no interesa porque es variable de holgura.
La variación del coeficiente de A1 no interesa porque es variable artificial.

Cambios en los Bi (términos independientes o recursos) de las restricciones.

Cuando lo que cambian son las limitantes (términos independientes o recursos)
de las restricciones, se deben actualizar los valores de ésas restricciones en la tabla
óptima, tomando en cuenta que la matriz identidad (B) en la tabla inicial corresponde a
la matriz inversa (B-1) en la tabla óptima. Esta correspondencia se muestra en las
tablas 2.46 (tabla inicial) y 2.47 (tabla óptima).

M. C. José Alberto Estrada Beltrán 33

Investigación de Operaciones I Unidad 2: El Método Simplex

Ejemplo:
Cj 5 12 4 0 –1
Cb Vb SOL X1 X2 X3 H1 A1
0 H1 5 1 2 1 1 0
-1 A1 2 2 -1 3 0 1
Cj Zj -2 7 11 7 0 0
B
Tabla 2.46 Tabla inicial.

Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
12 X2 8/5 0 1 -1/5 2/5 -1/5
5 X1 9/5 1 0 7/5 1/5 2/5
Cj Zj 141/5 0 0 - 3/5 - 29/5 -3/5
B-1
Tabla 2.46 Tabla óptima.

Si el valor de H1 cambia de 5 a 4:
Xb nueva = 4 = d’
2
Se debe actualizar este nuevo valor en la tabla óptima:
Xb nueva = B-1 * d’ = 2/5 -1/5 * 4 = 6/5
1/5 2/5 2 8/5

Calculando el nuevo valor de la función objetivo con estos nuevos valores:

Max. z = 5X1 + 12X2 + 4X3 = 5(8/5) + 12(6/5) + 4(0)  nuevo valor de z = 112/5, la
función objetivo disminuyó en 29/5.
Si ahora los nuevos valores son: d’ = 7
3
Xb’ = B-1 * d’ = 2/5 -1/5 * 7 = 11/5
1/5 2/5 3 13/5

Calculando el nuevo valor de la función objetivo con estos nuevos valores:

Max. z = 5 X1 + 12 X2 + 4 X3 = 5 (13/5) + 12 (11/5) + 4 (0)  nuevo valor de z = 197/5,
la función objetivo aumentó en 56/5.
En caso de que alguna de las limitantes de las restricciones quedara negativa:
Xb’ = B-1 * d’ = 2/5 -1/5 * 3 = - 1/5
1/5 2/5 7 17/5

Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
12 X2 -1/5 0 1 -1/5 2/5 -1/5
5 X1 17/5 1 0 7/5 1/5 2/5
Cj Zj 141/5 0 0 -3/5 -29/5 -3/5
Tabla 2.47 Tabla óptima con los nuevos valores en la solución.
M. C. José Alberto Estrada Beltrán 34
Investigación de Operaciones I Unidad 2: El Método Simplex

En la tabla 2.47 se observa que el valor óptimo de X 1 es infactible (- 1/5), por lo

que la solución óptima actual deja de serlo. Para solucionar esto, se multiplica el
renglón de X2 por (-1) y se agrega una variable artificial para hacerla básica. Esto se
muestra en la tabla 2.48.
Cj 5 12 4 0 -1 -1
Cb Vb SOL X1 X2 X3 H1 A1 A2
-1 A2 1/5 0 -1 1/5 -2/5 1/5 1
5 X1 17/5 1 0 7/5 1/5 2/5 0
Cj Zj 84/5 0 11 -14/5 -7/5 -6/5 0
Tabla 2.48 Tabla óptima modificada.

A partir de la tabla 2.48 se debe resolver este problema para encontrar una
nueva solución.
Para asegurar que las variables básicas no dejen de serlo, es necesario saber
que valores pueden tomar las limitantes (términos independientes o recursos), a partir
de la tabla inicial, mostrada en la tabla 2.49.
Cj 5 12 4 0 -1
Cb Vb SOL X1 X2 X3 H1 A1
0 H1 5 1 2 1 1 0 b1
-1 A1 2 2 -1 3 0 1  b2
Cj  Zj -2 7 11 7 0 0
Tabla 2.49 Tabla inicial.

Xb’ = B-1 * b’ = 2/5 -1/5 * b1 2/5 b1 - 2/5  0  b1  1

1/5 2/5 2 1/5 b1+ 4/5  0  b1  - 4 b1 1

Siempre y cuando A1 = 2 no cambie.

Calculando el valor del otro término independiente:
Xb’ = B-1 * b’ = 2/5 -1/5 * 5 10/5 - 1/5 b2  0  b2 ≤ 10 10  b2 -5/2
1/5 2/5 b2 5/5 + 2/5 b2  0  b2  - 5/2
Siempre y cuando H1 = 5 no cambie.

Adición de una nueva variable.

Si se agregan nuevas variables, por ejemplo, X4 y X5:
Max. z = 5X1 + 12X2 + 4X3 + 6X4 + 3X5
s.a.
X1 + 2 X2 + X3 + 5 X4 + 3/10 X5  5
2 X1 - X2 + 3 X3 + 7 X4 + 1/5 X5 = 2
para toda Xi 0

M. C. José Alberto Estrada Beltrán 35

Investigación de Operaciones I Unidad 2: El Método Simplex

Agregando variables de holgura y artificiales:

Max. z = 5X1 + 12X2 + 4X3 + 6X4 + 3X5 – A1
s.a.
X1 + 2 X2 + X3 + 5 X4 + 0.3 X5 + H1 = 5
2 X1 - X2 + 3 X3 + 7 X4 + 0.2 X5 + A1= 2
para toda Xi, Hi, Ai  0
La tabla inicial con las nuevas variables se muestra en la tabla 2.50.
Cj 5 12 4 6 3 0 -1
Cb Vb SOL X1 X2 X3 X4 X5 H1 A1
0 H1 5 1 2 1 5 3/10 1 0
-1 A1 2 2 -1 3 7 1/5 0 1
Cj  Zj -2 7 11 7 13 16/5 0 0
Tabla 2.50 Tabla inicial con nuevas variables.

Actualizando la variable X4:

a(n+1) actualizada = B-1 * a(n+1) =
2/5 –1/5 * 5 = 3/5
1/5 2/5 7 19/5
Actualizando ahora la variable X5:
a(n+1) actualizada = B-1 * a(n+1) = 2/5 –1/5 * 3/10 = 2/25
1/5 2/5 1/5 7/50
Actualizando los valores de los coeficientes de X4 y X5:
Xr = Cj – Zr  X4= C4 – Z4
C4 = 6 = 30/5
Z4 = 5 (19/5) +12(3/5) = 95/5 + 36/5 = 131/5
X4 = C4 – Z4 = 30/5 – 131/5  X4 = – 101/5
Para obtener ahora el valor de X5 = C5 – Z5
C5= 3
Z5 = 5 (7/50) +12(2/25) = 35/50+ 24/25 = 83/50
X5 = C5 – Z5 = 3 – 83/50  X5 = 67/50
La nueva tabla modificada (que ya no es óptima) se muestra en la tabla 2.51.
Cj 5 12 4 6 3 0 -1
Cb Vb SOL X1 X2 X3 X4 X5 H1 A1
12 X2 8/5 0 1 -1/5 3/5 2/25 2/5 -1/5
5 X1 9/5 1 0 7/5 19/5 7/50 1/5 2/5
Cj Zj 141/5 0 0 -3/5 -101/5 67/50 -29/5 -3/5
X5 es el nuevo candidato a entrar a la base
Tabla 2.51 Tabla modificada.

M. C. José Alberto Estrada Beltrán 36

Investigación de Operaciones I Unidad 2: El Método Simplex

Adición de una nueva restricción.

Cuando se agrega una nueva restricción al problema, por ejemplo:
Max. z = 5 X1 + 12 X2 + 4 X3
s.a.
X1 + 2 X2 + X3  5
2 X1 - X2 + 3 X3 = 2
3 X1 + 9 X2 + X3  10  nueva restricción
para toda Xi  0
Para saber si la nueva restricción es redundante o restrictiva, se analizan los
valores óptimos de la solución en la nueva restricción:
X1 = 9/5
X2 = 8/5
 3 X1 + 9 X2 + X3  10
 3 (9/5) + 9 (8/5) + 0  10  99/5  10
Como no se cumple la desigualdad, la nueva restricción no es redundante, es
restrictiva. En caso de haber sido redundante, la tabla óptima seguiría siendo óptima.
Pero como es restrictiva, se debe empezar a resolver el problema desde el principio
como un problema nuevo, agregando esa nueva restricción.
El problema modificado es:
Max. z = 5 X1 + 12 X2 + 4 X3 – A1
s.a.
X1 + 2 X2 + X3 + H1 = 5
2 X1 - X2 + 3 X3 + A1 = 2
3 X1 + 9 X2 + X3 + H2 = 10
para toda Xi, Hi, Ai  0
La tabla 2.52 es la tabla inicial.
Cj 5 12 4 0 0 -1
Cb Vb SOL X1 X2 X3 H1 H2 A1
0 H1 5 1 2 1 1 0 0
-1 A1 2 2 -1 3 0 0 1
0 H2 10 3 9 1 0 1 0
Cj Zj -2 7 11 7 0 0 0
Tabla 2.52. Tabla inicial.

La tabla 2.53 es la tabla óptima.

Cj 5 12 4 0 0 -1
Cb Vb SOL X1 X2 X3 H1 H2 A1
0 H1 2 -1/4 0 0 1 -1/4 -1/4
4 X3 1 3/4 0 1 0 1/28 9/28
12 X2 1 1/4 1 0 0 3/28 -1/28
Cj Zj 16 -1 0 0 0 -10/7 -61/28
Tabla 2.53 Tabla óptima.
M. C. José Alberto Estrada Beltrán 37
Investigación de Operaciones I Unidad 2: El Método Simplex

Como se observa en la tabla 2.53, la nueva restricción ocasiona que la función

objetivo baje de 141/5 = 28.2, que es el valor anterior, a 16, con los nuevos valores de
X1 = 0, X2 = 1 y X3 = 1.

2.8 Uso de software.

Actualmente existen varios programas de computación o software, para la
solución de los problemas de programación lineal. Sin embargo, todos ellos requieren
que el problema a resolver esté adecuadamente planteado, ya que lo que hacen es
resolver el procedimiento matemático a partir de la introducción de los parámetros de
las variables.
Algunos de los programas disponibles son:
1. WinQSB.
2. Lindo.
3. Solver de Excel.
4. TORA.
5. What’sBest!.
6. AMPL.
7. GAMS.
8. NEOS Solvers.
9. Geogebra.

M. C. José Alberto Estrada Beltrán 38