PROGRAMACIÓN LINEAL: Investigación de

Operaciones- Método Símplex

Dra. Virna Ortiz Araya

viortiz@ubiobio.cl
 Forma estándar del modelo de PL.
 Detalles del cálculo del algoritmo Simplex.
 Tipos de soluciones en los modelos de PL.
◦ Soluciones óptimas únicas.
◦ Soluciones óptimas alternativas.
◦ Soluciones no-acotadas.
◦ Soluciones degeneradas.
◦ Soluciones infactibles.
 Interpretación de la tabla Simplex
◦ Análisis de sensibilidad.
 El método gráfico no permite encontrar
soluciones a modelos que tienen más de dos
variables.
 Los métodos algebraicos, ya instalados en los
software de optimización, facilitan la
resolución de todos los modelos de
optimización con soluciones factibles.
 El método simplex es una alternativa de
solución algebraica aunque no es el único.
Este presenta ciertas limitaciones.
 Para resolver un modelo de optimización
empleando el método simplex, es necesario
recurrir a la forma estándar.
 Las propiedades de la forma estándar para la
PL son:
1. Todas las restricciones son ecuaciones con
el segundo componente no negativo.
2. Todas las variables son no negativas.
3. La función objetivo puede ser la
maximización o la minimización.
1. Una restricción del tipo ≤ (≥) se convierte
en una ecuación mediante la suma de una
variable de holgura (o restando una variable
de exceso) al primer componente de la
restricción.
Por ejemplo, si se tiene la siguiente restricción:
𝑥 + 5𝑦 ≤ 3
Al estandarizar la restricción, esta queda:
𝑥 + 5𝑦 + 𝑠1 = 3

Nota: Como en este caso, la desigualdad es ≤, se agrega una variable

de holgura. Esta variable tiene la condición de ser ≥0.
2. Si se tiene la restricción:
3𝑥1 + 2𝑥2 − 3𝑥3 ≥ 5
Para este caso, como la desigualdad es ≥, se
agrega una variable de exceso restando para
transformar la inecuación en ecuación. Esto es:

3𝑥1 + 2𝑥2 − 3𝑥3 − 𝑒1 = 5

3. El segundo miembro de una ecuación puede
hacerse siempre no negativo multiplicando ambos
lados por -1. Por ejemplo:
2𝑥1 + 3𝑥2 − 7𝑥3 = −5 / *(-1)
−2𝑥1 − 3𝑥2 + 7𝑥3 = 5
 La maximización de una función equivale a la
minimización del negativo de la misma
función y viceversa. Por ejemplo:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝒛 = 5𝑥1 + 2𝑥2 + 3𝑥3
 Es matemáticamente equivalente a:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 (−𝑧) = 5𝑥1 + 2𝑥2 + 3𝑥3
 Pasos a seguir:
 Paso 0: mediante el uso de la forma estándar,
determínese una solución factible básica inicial,
inicializando n-m variables adecuadas (no básicas) al
nivel cero.
 Paso 1: selecciónese una variable que entra de
aquellas variables actuales que, se incrementan
pudiendo mejorar el valor de la función objetivo. Si
no existe ninguna, deténgase; la solución actual es la
óptima.
 Paso 2: seleccione una variable que sale de entre las
variables básicas actuales que deben hacerse igual a
cero (volverse no básicas) cuando la variable que
entra se vuelva básica.
 Paso 3: determínese la nueva solución básica
haciendo que la variable que entra sea básica y que la
variable que sale sea no básica. Diríjase al paso 1.
Resolver el siguiente problema de PL empleando
método Simplex.
Forma estándar

𝑀𝑎𝑥 𝑧 = 40𝑥1 + 60𝑥2 𝑧 = 40𝑥1 + 60𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5

s.a. 𝑍 − 40𝑥1 − 60𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 = 0

2𝑥1 + 𝑥2 ≤ 70 2𝑥1 + 𝑥2 + 𝑥3 = 70
𝑥1 + 𝑥2 ≤ 40 𝑥1 + 𝑥2 + 𝑥4 = 40
𝑥1 + 3𝑥2 ≤ 90 𝑥1 + 3𝑥2 + 𝑥5 = 90
𝑥1 , 𝑥2 ≥ 0 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0
 Para comenzar la resolución, es necesario expresar
el modelo en su forma estándar. Para esto,
cambiaremos las variables x e y por, x1 y x2,
respectivamente. Luego, como las restricciones son
≤, usaremos x3, x4 y x5 como variables de holgura
(variables básicas).
 Así, la forma estándar queda:

𝑍 − 40𝑥1 − 60𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 = 0

2𝑥1 + 𝑥2 + 𝑥3 = 70
𝑥1 + 𝑥2 + 𝑥4 = 40
𝑥1 + 3𝑥2 + 𝑥5 = 90
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0
 Si el modelo en su forma estándar queda
como:
𝑍 − 40𝑥1 − 60𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 = 0 (𝑒𝑐. 1)
2𝑥1 + 𝑥2 + 𝑥3 = 70 (𝑒𝑐. 2)
𝑥1 + 𝑥2 + 𝑥4 = 40 (ec.3)
𝑥1 + 3𝑥2 + 𝑥5 = 90 (ec.4)
Tableau de Simplex: Inicial
Variables Z x1 x2 x3 x4 x5 L.D.
básicas
Z 1 -40 -60 0 0 0 0
x3 0 2 1 1 0 0 70
x4 0 1 1 0 1 0 40
x5 0 1 3 0 0 1 90
 Condición de optimalidad simplex: selección del
coeficiente (de la variable no-básica) más negativa en la
función objetivo, la cual se conoce como variable entrante.
  Seleccionamos la variable entrante, que en este ejemplo,
corresponde a x2, pues su costo reducido r2 <0.
Variable entrante
Columna pivote

Variables Z x1 x2 x3 x4 x5 L.D.
básicas
Z 1 -40 -60 0 0 0 0 ec1
Fila pivote x3 0 2 1 1 0 0 70 ec2
x4 0 1 1 0 1 0 40 ec3
Variable saliente x5 0 1 3 0 0 1 90 ec4

 Para determinar la variable saliente, se calcula:

70 40 90
min , ,
1 1 3 Implica que la variable
saliente es x5.
 Una vez encontrada la fila pivote, es necesario
hacer “1” el elemento pivote.
Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.
básicas
ec4 x2 0 1 3 0 0 1 90

 Para esto, la operación fila que es necesario

1
realizar f1→ ∗ 𝑒𝑐4. Así se tiene:
3

Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.

básicas
ec4 x2 0 1/3 1 0 0 1/3 30
 Así, el tableau Símplex queda:
Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.
básicas
ec1 Z 1 -40 -60 0 0 0 0
ec2 x3 0 2 1 1 0 0 70

ec3 x4 0 1 1 0 1 0 40
ec4 x2 0 1/3 1 0 0 1/3 30

 El método sigue, exigiendo que en la columna

pivote, todos los valores sobre el “elemento
pivote” sean cero. Para esto, se deben elegir
todas las operaciones elementales del método
Gauss-Jordan que permitan hacerlo.
 Estas son las operaciones por fila seleccionada:
Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.
básicas
ec1 Z 1 -40 -60 0 0 0 0 f1: 60*ec4+ec1
ec2 x3 0 2 1 1 0 0 70
f1: (-1)*ec4+ec2

ec3 x4 0 1 1 0 1 0 40 f1: (-1) *ec4+ec3

ec4 x2 0 1/3 1 0 0 1/3 30

Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.

básicas
ec1 Z 1 -20 0 0 0 20 1800
ec2 x3 0 5/3 0 1 0 -1/3 40

ec3 x4 0 2/3 0 0 1 -1/3 10

ec4 x2 0 1/3 1 0 0 1/3 30
 1 1
 Nueva ec1: 60*ec4+ec1 60* 0
3
1 0 0
3
30
+ 1 − 40 − 60 0 0 0 0
0 20 60 0 0 20 1800
+ 1 − 40 − 60 0 0 0 0
Nueva ec 1: 1 − 20 0 0 0 20 1800
1 1
 Nueva ec2:(-1)*ec4+ec2 (-1)* 0 1 0 0 30
3 3
0 2 1 1 0 0 70
Nueva ec 2: 5 1
0 0 1 0 − 40
3 3
1 1
 Nueva ec3:(-1)*ec4+ec3 (-1)* 0 1 0 0 30
3 3
+ 0 1 1 0 1 0 40
2 −1
Nueva ec 3: 0 0 0 1 10
3 3
  El tableau Simplex determinado es:
Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.
básicas
ec1 Z 1 -20 0 0 0 20 1800
ec2 x3 0 5/3 0 1 0 -1/3 40

ec3 x4 0 2/3 0 0 1 -1/3 10

ec4 x2 0 1/3 1 0 0 1/3 30

 Lo que debemos preguntarnos ¿la solución es

óptima? Para responder es necesario mirar los
valores de las variables no básicas en la fila de Z
(o ec1) ¿existen valores negativos? Si la respuesta
es afirmativa, entonces, es necesario repetir el
mismo procedimiento.
  Seleccionamos la variable entrante, que en este ejemplo,
corresponde a x1, pues su costo reducido r1 <0.
Variable entrante
Columna pivote

Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.

básicas
ec1 Z 1 -20 0 0 0 20 1800
Fila pivote h3 0 5/3 0 1 0 -1/3 40
ec2

Variable saliente ec3 x4 0 2/3 0 0 1 -1/3 10

ec4 x2 0 1/3 1 0 0 1/3 30

 Para determinar la variable saliente, se calcula:

40 10 30
min 5 , 2 , 1 = min 24, 15, 90 Implica que la variable
3 3 3
saliente es x4.
  Una vez encontrada la fila pivote, es
necesario hacer “1” el elemento pivote.
Ec. n° Variables Z x1 x2 x3 x4 x5 L.D.
básicas
ec1 Z 1 -20 0 0 0 20 1800
ec2 x3 0 5/3 0 1 0 -1/3 40

ec3 x1 0 2/3 0 0 1 -1/3 10

ec4 x2 0 1/3 1 0 0 1/3 30

3
 Para esto, la operación fila que es necesario realizar f2→ ∗ 𝑒𝑐3.
2
Así se tiene:
3 2 −1
3 * 0 0 0 1 10 =
 Nueva ec3: *ec3 2 3 3
2 3 −1
0 1 0 0 15
2 2
 Recordar que los valores sobre y bajo el elemento pivote deben ser
“cero”. Así, las operaciones por fila para la continuación del método
son:
Ec. Variables Z x1 x2 x3 x4 x5 L.D.
n° básicas
ec1 Z 1 -20 0 0 0 20 1800 f2: 20*ec3+ec1
ec2 x3 0 5/3 0 1 0 -1/3 40 f2: (-53)*ec3+ec2

ec3 x1 0 1 0 0 3/2 -1/2 15

ec4 x2 0 1/3 1 0 0 1/3 30 f2: (-13) *ec3+ec4

Ec. Variables Z x1 x2 x3 x4 x5 L.D.

n° básicas
ec1 Z 1 0 0 0 30 10 2100
ec2 x3 0 0 0 1 -5/2 1/2 15

ec3 x1 0 1 0 0 3/2 -1/2 15

ec4 x2 0 0 1 0 -1/2 1/2 25
 3 −1
 Nueva ec1: 20*ec3+ec1 20* 0 1 0 0
2 2
15 +
1 − 20 0 0 0 20 1800
0 20 0 0 30 − 10 300
+ 1 − 20 0 0 0 20 1800
Nueva ec1: 1 0 0 0 30 10 2100
 Nueva ec2: (-53)*ec3+ec2 5
(- )* 0 1 0 0
3 −1
15
3 2 2
5 1
0 0 1 0 − 40
3 3
Nueva ec2: −5 1
0 0 0 1 15
2 2
1 3 −1
 Nueva ec4: (-13) *ec3+ec4 (- )* 0 1 0 0 15
3 2 2
1 1
+ 0 1 0 0 30
3 3
−1 1
Nueva ec4: 0 0 1 0 25
2 2
  Como los valores de las variables de decisión y el lado derecho son
mayores o iguales a cero, la solución encontrada es factible y óptima.
Ec. Variables Z x1 x2 h3 h4 h5 L.D.
n° básicas
ec1 Z 1 0 0 0 30 10 2100
ec2 x3 0 0 0 1 -5/2 1/2 15

ec3 x1 0 1 0 0 3/2 -1/2 15

ec4 x2 0 0 1 0 -1/2 1/2 25

 Se resume, entonces, la solución como sigue:

Variable de decisión Valor óptimo Recomendación
x1 15 Producir 15
x2 25 Producir 25 unidades
Z 2100 Se obtiene un
beneficio de 2100
Ec. Variables Z x1 x2 x3 x4 x5 L.D.
n° básicas
ec1 1 0 0 0 30 10 2100
ec2 0 0 0 1 -5/2 1/2 15

ec3 0 1 0 0 3/2 -1/2 15

ec4 0 0 1 0 -1/2 1/2 25

𝑒𝑐1:
𝑒𝑐2:

𝑒𝑐3:

𝑒𝑐4:
 Recuerde que el valor óptimo de Z se puede
obtener también de:
Max Z = 40𝑥 + 60𝑦 = 40 ∗15+60*25= 600+1500 = 2100.
 La solución entrega además, el estado de los recursos.
Un recurso se designa como escaso si la variable de
holgura asociada es “0”, significa que las actividades
consumieron el recurso por completo. De lo contrario,
si la holgura es positiva, entonces el recurso es
abundante.
Recurso Valor holgura Estado
R1 X3 = 15 Abundante
R2 X4 = 0 Escaso
R3 X5 = 0 Escaso
 Casa blanca posee una pequeña fábrica de pinturas que
produce colorantes para interiores y exteriores de casas
para su distribución al mayor. Se utilizan dos materiales
básicos, A y B, para producir las pinturas. La disponibilidad
máxima de A es de 6 toneladas diarias; la de B es de 8
toneladas por día. Los requisitos diarios de materias primas
por tonelada de pintura para interiores y exteriores se
resume en la tabla siguiente:

Toneladas de materia prima por Disponibilidad

tonelada de pintura máxima
Exterior Interior (toneladas)

Materia prima A 1 2 6
Materia prima B 2 1 8
 Un estudio de mercado ha establecido que la
demanda diaria de pintura para interiores no
puede ser mayor que la de pintura para
exteriores en más de una tonelada. El estudio
señala asimismo, que la demanda máxima de
pintura para interiores está limitada a dos
toneladas diarias.
 El precio al mayoreo por tonelada es $3000 para
la pintura de exteriores y $2000 para la pintura
de interiores.
 ¿Cuánta pintura para exteriores e interiores debe
producir la compañía todos los días para
maximizar el ingreso bruto?
 Previo:
 ¿Cuáles son las variables del problema?
 ¿Cuáles son las limitaciones de recursos con
los que cuenta la empresa?
 ¿Cuál es el objetivo o meta de la empresa?