Optimización

MATRICES Y DETERMINANTES
Definición de matriz
Se llama matriz de orden m×n a todo conjunto rectangular de elementos aij dispuestos
en m líneas horizontales (filas) y n verticales (columnas) de la forma:

Abreviadamente suele expresarse en la forma A =(aij), con i =1, 2, ..., m, j =1, 2, ..., n. Los
subíndices indican la posición del elemento dentro de la matriz, el primero denota la fila
( i ) y el segundo la columna ( j ). Por ejemplo el elemento a25 será el elemento de la fila
2 y columna 5.
MATRICES Y DETERMINANTES
Tipos de matrices:
Matriz fila: Es una matriz que solo tiene una fila, es decir m =1 y por tanto es
de orden 1 x n.

Matriz columna: Es una matriz que solo tiene una columna, es decir, n =1 y por
tanto es de orden m x 1.
MATRICES Y DETERMINANTES
Tipos de matrices:

Matriz cuadrada: Es aquella que tiene el mismo número de filas que de columnas, es decir m = n. En estos
casos se dice que la matriz cuadrada es de orden n, y no n x n.
Los elementos aij con i = j, o sea aii forman la llamada diagonal principal de la matriz cuadrada, y los elementos
.aij con i + j = n +1 la diagonal secundaria
MATRICES Y DETERMINANTES
Tipos de matrices:
Matriz traspuesta: Dada una matriz A, se llama traspuesta de A, y se representa por A t, a la matriz que se
obtiene cambiando filas por columnas. La primera fila de A es la primera fila de A t , la segunda fila de A es la
segunda columna de At, etc.

De la definición se deduce que si A es de orden m x n, entonces At es de orden n x m.

Matriz simétrica: Una matriz cuadrada A es simétrica si A = At, es decir, si aij = aji
" i, j.
Matriz antisimétrica: Una matriz cuadrada es antisimétrica si A = –At, es decir, si
aij = –aji " i, j.
MATRICES Y DETERMINANTES
Tipos de matrices:
Matriz nula es aquella que todos sus elementos son 0 y se representa por 0

La matriz es una matriz nula de orden 3

La matriz es una matriz nula de orden 2 x 4

MATRICES Y DETERMINANTES
Tipos de matrices:
Matriz diagonal: Es una matriz cuadrada, en la que todos los elementos no
pertenecientes a la diagonal principal son nulos.

Matriz escalar: Es una matriz diagonal con todos los elementos de la diagonal iguales

Matriz unidad o identidad: Es una matriz escalar con los elementos de la diagonal
principal iguales a 1.
MATRICES Y DETERMINANTES
Tipos de matrices:
Matriz Triangular: Es una matriz cuadrada que tiene nulos todos los elementos que
están a un mismo lado de la diagonal principal.
Las matrices triangulares pueden ser de dos tipos:

Triangular Superior: Si los elementos que están por debajo de la diagonal

principal son todos nulos. Es decir, aij = 0 " i < j.

Triangular Inferior: Si los elementos que están por encima de la diagonal

principal son todos nulos. Es decir, aij = 0 " j < i.

matriz triangular inferior

matriz triangular superior

 MATRICES Y DETERMINANTES
Operaciones con matrices

Trasposición de matrices
Suma y diferencia de matrices

Producto de una matriz por un número

Propiedades simplificativas

Producto de matrices
Matrices inversibles
MATRICES Y DETERMINANTES
Operaciones con matrices Trasposición de matrices

Dada una matriz de orden m x n, A = (aij), se llama matriz traspuesta de A, y se representa por
At, a la matriz que se obtiene cambiando las filas por las columnas (o viceversa) en la matriz A.
Es decir:

Propiedades de la trasposición de matrices:

1ª.- Dada una matriz A, siempre existe su traspuesta y además es única.
2ª.- La traspuesta de la matriz traspuesta de A es A. a (At)t = A.
 MATRICES Y DETERMINANTES
Operaciones con matrices Suma y diferencia de matrices
La suma de dos matrices A=(aij), B=(bij) de la misma dimensión, es otra matriz S=(sij) de la misma dimensión que los sumandos y
con término genérico sij=aij+bij. Por tanto, para poder sumar dos matrices estas han de tener la misma dimensión.

La suma de las matrices A y B se denota por A+B.

Ejemplo

                                                      
Sin embargo,                            no se pueden sumar.

La diferencia de matrices A y B se representa por A–B, y se define como: A–B = A + (–B)

MATRICES Y DETERMINANTES
Operaciones con matrices Suma y diferencia de matrices
Propiedades de la suma de matrices

1ª. A + (B + C) = (A + B) + C Propiedad Asociativa

2ª. A+B=B+A Propiedad conmutativa

3ª. A + 0 = A (0 es la matriz nula) Matriz Nula

4ª. La matriz –A, que se obtiene cambiando de signo todos los elementos de A,
recibe el nombre de matriz opuesta de A, ya que A + (–A) = 0.
MATRICES Y DETERMINANTES
Operaciones con matrices Producto de una matriz por un número

El producto de una matriz A = (aij) por un número real k es otra matriz B = (bij) de la misma dimensión
que A y tal que cada elemento bij de B se obtiene multiplicando aij por k, es decir, bij = k·aij.

Ejemplo:

El producto de la matriz A por el número real k se designa por k·A. Al número real k se le llama
también escalar, y a este producto, producto de escalares por matrices
MATRICES Y DETERMINANTES
Operaciones con matrices Producto de una matriz por un número
Propiedades del producto de una matriz por un escalar

1ª. k (A + B) = k A + k B Propiedad distributiva 1ª

2ª. (k + h)A = k A + h A Propiedad distributiva 2ª

3ª. k [h A] = (k h) A Propiedad asociativa mixta

4ª. 1 · A = A · 1 = A Elemento unidad

 MATRICES Y DETERMINANTES
Operaciones con matrices Propiedades simplificativas

Si A + C = B + C Û A = B

Si k A = k B Û A = B si k es distinto de 0

Si k A = h A Û h = k si A es distinto de 0
MATRICES Y DETERMINANTES
Operaciones con matrices Producto de matrices

Dadas dos matrices A y B, su producto es otra matriz P cuyos elementos se obtienen multiplicando
las filas de A por las columnas de B. De manera más formal, los elementos de P son de la forma:

Pij = S aik bkj

Es evidente que el número de columnas de A debe coincidir con el número de filas de B. Es más, si A
tiene dimensión m x n y B dimensión n x p, la matriz P será de orden m x p, Es decir:

Ejemplo:
no se pueden multiplicar
MATRICES Y DETERMINANTES
Operaciones con matrices Producto de matrices
Propiedades del producto de matrices
A·(B·C) = (A·B)·C (Propiedad asociativa)

El producto de matrices en general no es conmutativo.

Si A es una matriz cuadrada de orden n se tiene A·In = In·A = A.

Dada una matriz cuadrada A de orden n, no siempre existe otra matriz B tal que A·B = B·A = I n.
Si existe dicha matriz B, se dice que es la matriz inversa de A y se representa por A –1 .

El producto de matrices es distributivo respecto de la suma de matrices, es decir: A·(B + C) = A·B

+ A·C
MATRICES Y DETERMINANTES
Operaciones con matrices

Producto de matrices
Consecuencias de las Propiedades

Si A · B = 0 no implica que A = 0 ó B = 0

Si A · B = A · C no implica que B = C

En general (A+B)2 ¹ A2 + B2 +2AB, ya que A · B ¹ B · A

En general (A+B) · (A–B) ¹ A2 – B2, ya que A · B ¹ B · A

Observación:
Podemos encontrar matrices que cumplen A·B = I, pero que B·A ¹ I, en tal caso,
podemos decir que A es la inversa de B "por la izquierda" o que B es la inversa de A "por
la derecha".

Hay varios métodos para calcular la matriz inversa de una matriz dada:

Por el método de Gauss-Jordan

Usando determinantes
Directamente
Propiedades de la inversión de matrices

La matriz inversa, si existe, es única

A-1·A = A·A-1= I

(A·B)-1 = B-1·A-1

(A-1)-1 = A

(kA)-1 = (1/k) · A-1

(At) –1 = (A-1) t
 Cálculo Directo de la Matriz Inversa

Dada la matriz buscamos una matriz que cumpla A·A -1 = I, es decir

Para ello planteamos el sistema de ecuaciones:

La matriz que se ha calculado realmente sería la inversa por la "derecha", pero es fácil comprobar
que también cumple A-1 · A = I, con lo cual es realmente la inversa de A.
 Método de Gauss-Jordan para el cálculo de la matriz inversa

El método de Gauss-Jordan para calcular la matriz inversa de una dada se basa en una triangulación Ejemplo 1
superior y luego otra inferior de la matriz a la cual se le quiere calcular la inversa. Ejemplo 2

Dada una matriz A de orden n, para calcular su inversa hay que transformar la matriz (A I In)
mediante transformaciones elementales por filas en la matriz (In I B). La matriz B será, evidentemente, la
inversa de A.

Para aplicar el método se necesita una matriz cuadrada de rango máximo. Sabemos que no siempre una Ejemplo
matriz tiene inversa, por lo cual comprobaremos que la matriz tenga rango máximo al aplicar el método
de Gauss para realizar la triangulación superior. Si al aplicar el método de Gauss (triangulación inferior) se
obtiene una línea de ceros, la matriz no tiene inversa.
Cálculo de la Matriz Inversa por el método de Gauss - Jordan
Cuando hacemos transformaciones elementales en una matriz, esto es equivalente
a multiplicarla por otra matriz dada. Ejemplo:

F2 – 2F1 g F2

F1 + F3 g F3

Esta transformación es equivalente a la siguiente multiplicación:

En consecuencia al transformar (A I In) en (In I B) realmente lo que estamos

haciendo son las siguientes multiplicaciones:
A-1·A= In y A-1 · In = A-1=B
VOLVER
Cálculo de la Matriz Inversa por el método de Gauss - Jordan

Aplicando el método de Gauss-Jordan a la matriz                      

•En primer lugar triangulamos inferiormente:

                                                                                                                                          
•Una vez que hemos triangulado superiormente lo hacemos inferiormente:

                                                                                                                                                                  

Por último, habrá que convertir la matriz diagonal en la matriz identidad:

                                                                                                                                                                         

            

De donde, la matriz inversa de A es                                     

VOLVER
Cálculo de la Matriz Inversa por el método de Gauss - Jordan

Aplicando el método de Gauss-Jordan a la matriz                              se tiene:

                                                                                                                                                           
          

Como hay una fila completa de ceros, la matriz A no tiene rango máximo, en este caso
2, por tanto no tiene inversa pues es una matriz singular

VOLVER
 Cálculo de la Matriz Inversa por el método de Gauss - Jordan
Queremos calcular la inversa de

1º.- Se escribe la matriz A junto a esta la matriz identidad,

2º.- Triangularizamos la matriz A de arriba a abajo y realizamos las mismas operaciones en la matriz de la
derecha.

Como podemos observar el rango de la matriz es máximo (en este caso 3), por tanto la matriz A es regular (tiene inversa),
podemos calcular su inversa.
3º.- Triangularizamos la matriz de abajo a arriba, realizando las mismas operaciones en la matriz de la derecha.

4º.- Por último se divide cada fila por el elemento diagonal correspondiente.

VOLVER
Cálculo de la matriz inversa usando determinantes

Dada una matriz cuadrada A, se llama matriz adjunta de A, y se representa por Adj(A),
a la matriz de los adjuntos, Adj(A) = (Aij).

Ejemplo

Si tenemos una matriz tal que det (A) ¹ 0, se verifica:

Esto es fácil probarlo puesto que sabemos que la suma de los productos de los
elementos de una fila por sus adjuntos es el valor del determinante, y que la suma de
los productos de los elementos de una fila por los adjuntos de otra fila diferente es 0
(esto sería el desarrollo de un determinante, que tiene dos filas iguales, por los
adjuntos de una de ellas). Ejemplo
VOLVER
VOLVER
VOLVER
 Regla de Cramer

La regla de Cramer es un teorema en álgebra lineal, que da la solución de un sistema lineal de

ecuaciones en términos de determinantes.

La regla de Cramer es de importancia teórica porque da una expresión explícita para la

solución del sistema. Sin embargo, para sistemas de ecuaciones lineales de más de tres
ecuaciones su aplicación para la resolución del mismo resulta excesivamente costosa:
computacionalmente, es ineficiente para grandes matrices y por ello no es usado en
aplicaciones prácticas que pueden implicar muchas ecuaciones.
 Regla de Cramer
Si es un sistema de ecuaciones. A es la matriz de coeficientes del sistema, es
el vector columna de las incógnitas y es el vector columna de los términos
independientes.

Entonces la solución al sistema se presenta así:

donde Aj es la matriz resultante de reemplazar la j-ésima columna de A por el

vector columna b. Hágase notar que para que el sistema sea compatible
determinado, el determinante de la matriz A ha de ser no nulo
 2 3 Dp 2 3
1 -1 1 -1 (2*-1)= -2
2x +3y =15
X- y = 5
15 2 3
(3*1)= 3
5 1 -1
-2-3=-5

Dx Dy
Dx/Dp = 6
5 2 15 Dy/Dp = 1
2x +3y =15 15 3
5 -1 1 5
(6,1)
X=6
7.5 15 3 2 15 Y=1
X- y = 5 5 -1 1 5
-5

(15*-1)-(3*5) = (2*5)-(15*1)=
(-15 – 15) =-30 (10-15) =-5
• Una metodología que permite a las empresas gestionar sus recursos en interno
• Modelo matemático

Restricciones

Poner limites al modelo

“La cantidad de recursos disponibles”

Objetivo
X1 : Cantidad de Producto A
X2 : Cantidad de Producto B

Maximizar
Objetivo
Z=X1+X2

X1+5x2<= 5 Recuso 1
2X1 + X2 <= 4 Recurso 2 Restricctiones
X1>=0
X2>=0
 X1 : Cantidad de Producto A
X2 : Cantidad de Producto B
X2
Objetivo

Maximizar
Z=X1+X2

Restricctiones

X1+5x2<= 5 4
2X1 + X2 <= 4

2X
1+
X1>=0

X2
X2>=0

=4
1
X1+5x
2= 5
Espacio de
soluciones

2 5
X1
 X1 : Cantidad de Producto A X1 X2 Cumple Solucion
Restricion
X2 : Cantidad de Producto B
0 0 ok 0
X2
Objetivo 0 1 ok 1
2 0 ok 2
Maximizar
5/3 2/3 OK 2,32
Z=X1+X2

X1+5x2= 5
X1=5-5X2
Restricctiones

X1+5x2<= 5 4 2X1 + X2 = 4
2X1 + X2 <= 4 2*(5-5X2 )+ X2 = 4
X1>=0 10-10X2+X2 =4
X2>=0 10-9X2=4
X2=(4-10)/-9 =-6/-9 =2/3=0.66
1 X1=5-10/3
(0,1) (?,?) X1=(15-10)/3=5/3=1.66

(0,0)
2 (2,0) 5
X1
 X1 : Cantidad de Producto A X1 X2 Cumple Solucion
Restricion
X2 : Cantidad de Producto B
0 0 ok 0
X2
Objetivo 0 1 ok 1
2 0 ok 2
Maximizar
5/3 2/3 OK 2,32
Z=X1+X2

Restricctiones

X1+5x2<= 5 4
2X1 + X2 <= 4
X1>=0
X2>=0 Maximo

1
(0,1) (1.66,0.66)

(0,0)
2 (2,0) 5
X1
 X1 : Cantidad de Producto A
• Solucion Factible: es aquella que cumple con
X2 : Cantidad de Producto B
las restricciones pero no es optimal
X2
Objetivo
• Solucion optimal : es aquella que cumple con
Maximizar
las restricciones del modelo y les optima
Z=X1+X2

Restricctiones

X1+5x2<= 5 4
2X1 + X2 <= 4
X1>=0
X2>=0

1
(0,1) (1.66,0.66)

(0,0)
2 (2,0) 5
X1
Maximizar
Z= 5X1+2X2 X2

Sujeto a : 6

6 x1 + x2 >=6
4 x1 +3x2>=12 5
X1+2X2 >=4
X1,X2 >=0
4 Soluciones factibles

1
1

6
X1
Un problema de
máximos

Problema 1: Una fábrica de bombones

tiene almacenados 500 kg de chocolate,
100 kg de almendras y 85 kg de frutas.
Produce dos tipos de cajas: las de tipo A
contienen 3 kg de chocolate, 1 kg de
almendras y 1 kg de frutas; la de tipo B x = nº de cajas de tipo A
maximizar z = 13x + 14y
contiene 2 kg de chocolate, 1,5 kg de y = nº de cajas de tipo B
almendras y 1 kg de frutas. Los precios a z = nº de UM obtenidos
por las ventas
que vende las cajas de tipo A y B son 13
y 14 UM, respectivamente. ¿Cuántas
Con las restricciones:
cajas de cada tipo debe fabricar para
maximizar sus ingresos? 3x + 2y  500 (por el chocolate almacenado)
x + 1,5y  100 (por la almendra almacenada)
x + y  85 (por la fruta almacenada)
x  0
y  0
Programación lineal

La programación matemática es una técnica mediante la cual se permite calcular el valor óptimo (máximo o mínimo,
según los casos) de una función objetivo cuyas variables están sujetas a un conjunto de restricciones.

Cuando la función objetivo y las restricciones son lineales, se dice que se está ante un problema de programación
lineal.

Un problema de programación lineal consta, por tanto, de los siguientes elementos:

1. Un conjunto de variables reales x1, x2, …, xn denominadas variables de decisión.

2. Una función objetivo de primer grado cuyas variables son las variables de decisión y que se pretende optimizar
(hallar su máximo o su mínimo). La función objetivo es en realidad la representación matemática del objetivo
general de la situación mediante la cual se pretende tomar la mejor decisión.

3. Un conjunto de restricciones establecidas mediante relaciones lineales entre las variables del problema y que
pueden ser de igualdad o de desigualdad.
Inecuaciones lineales.
Interpretación geométrica

La recta x – y + 1 = 0 divide al plano en las siguientes tres regiones:

•Toda recta ax + by + c = 0 divide al plano en tres regiones:
• El conjunto de puntos (x, y) del plano para los que ax + by + c = 0
• El conjunto de puntos (x, y) del plano para los que ax + by + c > 0
• El conjunto de puntos (x, y) del plano para los que ax + by + c < 0
•A la parte del plano que es solución de una inecuación se le llama región
factible de la inecuación.
• Cuando deben satisfacerse simultáneamente más de una inecuación estamos ante un sistema de inecuaciones
lineales.
• El conjunto de soluciones del sistema se puede obtener por la intersección de las diferentes regiones factibles de las
inecuaciones.
• A dicha región se le llama región factible del sistema.

x0
¿Cuál es la región factible
ìx ³ 0
ïy ³ 0
del sistema í
y0
?
x £5
ï
îx – y ³ 0
• Cuando deben satisfacerse simultáneamente más de una inecuación estamos ante un sistema de inecuaciones
lineales.
• El conjunto de soluciones del sistema se puede obtener por la intersección de las diferentes regiones factibles de las
inecuaciones.
• A dicha región se le llama región factible del sistema.

x0
¿Cuál es la región factible
ìx ³ 0
x5
ïy ³ 0
del sistema í
y0
?
x £5
ï
îx – y ³ 0

x=5
• Cuando deben satisfacerse simultáneamente más de una inecuación estamos ante un sistema de inecuaciones
lineales.
• El conjunto de soluciones del sistema se puede obtener por la intersección de las diferentes regiones factibles de las
inecuaciones.
• A dicha región se le llama región factible del sistema.

x–y=0
x0
¿Cuál es la región factible
ìx ³ 0
x5
ïy ³ 0
del sistema í
y0
?
x £5
ï
îx – y ³ 0

x–y0
x=5
• Cuando deben satisfacerse simultáneamente más de una inecuación estamos ante un sistema de inecuaciones
lineales.
• El conjunto de soluciones del sistema se puede obtener por la intersección de las diferentes regiones factibles de las
inecuaciones.
• A dicha región se le llama región factible del sistema.

x–y=0
x0
¿Cuál es la región factible
ìx ³ 0
x5
ïy ³ 0
del sistema í
y0
?
x £5
ï
îx – y ³ 0

x–y0
x=5
 (X,Y) 13*X+14*Y
(0,250) $ 3500
(0,85) $ 1190
(100,0) $ 1300
(166,0) $ 2158
(77.5,7.5) $ 1112 Máximo
(0,250)

(78,8)

Maximizar: 13*X+14*Y Función Objetivo (0,85)

(0,65.6) Z
3*X+2*Y <=500
1*X+1.5*Y <=100
X+Y <=85 Restricciones (85,0) (100,0)(166,0)
X>=0
Y>=0

1*X+1.5*Y =100 85-Y +1.5*Y =100

X+Y =85 0.5*Y=15
X =85-Y Y=7.5
X=77.5
Formulación matemática

Función objetivo
Optimizar (maximizar o minimizar) z = ax + by sujeta a las siguientes restricciones

• Solución posible: cualquier par de valores (x1, y1) que cumpla todas la restricciones. Al
conjunto de soluciones posibles de un problema lineal se le llama región factible.

• Solución óptima: un par de valores (x1, y1), si existe, que hace máxima o mínima la
función objetivo.

• Un problema de pr. lineal puede tener ninguna, una o infinitas soluciones óptimas.

• Si la solución óptima es única, estará en un vértice.

• Si hay infinitas soluciones óptimas, estarán en un lado de la región factible.

• La región factible puede ser acotada o no acotada.

Resolución analítica

Se deben dar los siguientes pasos:

1. Se representa gráficamente la región factible.
2. Se obtienen las coordenadas de todos los vértices de dicha región factible.
3. Se evalúa la función objetivo en los vértices de la región factible.
4. Se elige la solución óptima del problema (el vértice que hace mayor o menor la
función objetivo).

Al aplicar estos pasos se pueden dar las siguientes posibilidades:

La región factible es acotada.
El problema siempre tiene solución
óptima. Puede haber:
1. Una única solución.
2. Infinitas soluciones. Dos vértices
solución óptimas, el segmento de
extremos esos vértices son también
soluciones óptimas del problema.
La región factible no es acotada.
Se sigue el mismo criterio que en el caso
anterior, pero existe la posibilidad de que
no haya solución óptima.
Es preferible utilizar el método gráfico.
 Método simplex

• Consiste en avanzar hacia el óptimo a través de los puntos

extremos (vértices), en el sentido en que la función objetivo
(Z) aumenta.
• Para ello, utiliza una solución básica factible, evalúa si es
óptima, y si no lo es, extrae una variable de la base y se
introduce otra, de manera que aumente el valor de la
función objetivo.
Método simplex

INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

Para trabajar se utiliza un cuadro resúmen llamado “Tableau”.

Variables de Decisión Variables de Holgura

VB CB XB x1 x2 .. xn h1 h2 .. hm 

Indica si se está maximizando o

minimizando la FO

Z z1-c1 z2-c2 .. zn-cn z1-c1 z2-c2 .. zm-cm

Max/Min c1 c2 .. cn c1 c2 .. cm

Coeficientes en la Función Objetivo

Método simplex

Para trabajar se utiliza un cuadro resúmen llamado “Tableau”.

Coeficientes de las variables en las ecuaciones

VB CB XB x1 x2 .. xn h1 h2 .. hm 

Z z1-c1 z2-c2 .. zn-cn z1-c1 z2-c2 .. zm-cm

Max/Min c1 c2 .. cn c1 c2 .. cm

“Lado derecho” de las ecuaciones

Método simplex

Para trabajar se utiliza un cuadro resúmen llamado “Tableau”.

Variables básicas de la solución actual

VB CB XB x1 x2 .. xn h1 h2 .. hm 

Z z1-c1 z2-c2 .. zn-cn z1-c1 z2-c2 .. zm-cm

Max/Min c1 c2 .. cn c1 c2 .. cm

Coeficientes en la FO de las variables básicas actuales

Método simplex

Consideremos nuevamente el PPL de los bolsos y mochilas, y apliquemos las etapas del
método simplex:
x2
MAX Z = 3 x1 + 5 x2
6
s.a. x1  4
2 x2  12
3 x1 + 2 x2  18
x 1 , x2  0
4 x1
Método simplex

Agregando las variables de holgura, y expresándolas como variables

básicas en forma canónica, tenemos lo siguiente:

Z - 3 X1 - 5 X2 = 0
X1 + h1 = 4
2 X2 + h2 = 12
3 X1 + 2 X 2 + h3 = 18
 Z - 3 X 1 - 5 X2 = 0

Método simplex X1 + h1 = 4
2 X2 + h2 = 12
3 X 1 + 2 X2 + h3 = 18

Al registrar la información en la tabla del simplex se obtiene lo

siguiente:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
h2 0 12 0 2 0 1 0
h3 0 18 3 2 0 0 1
Ecuación de la FO 0 -3 -5 0 0 0 zj - cj
3 5 0 0 0

Esta tabla es el Tableau Inicial del Método Simplex

Método simplex

INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

Criterio de optimalidad:

•Para identificar si la solución básica actual es óptima, se revisan los coeficientes zj - cj de las variables
no básicas (los de las variables básicas son cero cuando la solución está en forma canónica).

•La solución es óptima si los zj - cj son mayores o iguales que cero.

•Si los zj - cj son todos positivos se ha llegado al óptimo, sino se debe continuar.
Método simplex

En este caso los zj - cj son menores que cero, luego esta solución no
es óptima:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
h2 0 12 0 2 0 1 0
h3 0 18 3 2 0 0 1
0 -3 -5 0 0 0 zj - cj
Max 3 5 0 0 0
Método simplex

INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

Criterio para determinar la variable que entra a la base:

• Se selecciona como variable básica entrante aquella que incrementa más rápidamente la F.O.

• Para ello, se selecciona como variable que entra la que tiene los coeficientes zj - cj más negativos.
Método simplex

En este caso el valor más negativo de zj - cj corresponde a la variable

X2 , luego se elige X2 como la variable que entra a la base.

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
h2 0 12 0 2 0 1 0
h3 0 18 3 2 0 0 1
0 -3 -5 0 0 0 zj - cj
Max
3 5 0 0 0
Método simplex

INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

Criterio para determinar la variable básica que sale:

•Se elige como variable básica que sale aquella que llega más rápidamente a cero al incrementar la
variable entrante.

•Para ello, se selecciona como variable básica que sale la que tiene el menor valor de XBi /Yij , para
todos los Yij > 0.

•Yij es el coeficiente de la variable j en la ecuación (o reglón) i.

Método simplexsimplex
Método

En este caso el menor valor de XBi/Yij corresponde a la segunda

ecuación (reglón 2), luego h2 es la variable que sale de la base.
Pivote

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0 Yij = 0
h2 0 12 0 2 0 1 0 12/2 = 6
h3 0 18 3 2 0 0 1 18/2 = 9
0 -3 -5 0 0 0
Max 3 5 0 0 0

Yij
Método Método
simplex simplex

INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
MétodoMétodo
simplexsimplex

Determinar nueva solución básica:

•Para determinar la nueva solución básica, se debe hacer lo siguiente:

• Reemplazar la variable que sale por la variable que entra.

• Llevar la nueva solución básica a la forma canónica.

Método simplex

Después de reemplazar X2 por h2 en la base, y de llevar a la forma

canónica, se tiene lo siguiente:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
X2 5 6 0 1 0 1/2 0
h3 0 6 3 0 0 -1 1
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Nueva variable básica Nueva base canonizada

Método simplex

Prueba de optimalidad:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
X2 5 6 0 1 0 1/2 0
h3 0 6 3 0 0 -1 1
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Esta solución aún no es óptima

Método simplex

Iteración: 1 Definir variable que entra

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
X2 5 6 0 1 0 1/2 0
h3 0 6 3 0 0 -1 1
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Entra X1 a la base
Método simplex

Iteración : 2 Determinar variable que sale

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0 4/1 = 4
X2 5 6 0 1 0 1/2 0 Yij = 0
h3 0 6 3 0 0 -1 1 6/3 = 2
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Yij
Método simplex

Iteración: 3 Determinar nueva solución básica

VB CB XB X1 X2 h1 h2 h3
h1 0 2 0 0 1 1/3 -1/3
X2 5 6 0 1 0 1/2 0
X1 3 2 1 0 0 -1/3 1/3
36 0 0 0 3/2 1
Max 3 5 0 0 0

Nueva variable básica

Nueva base canonizada
Método simplex

Prueba de optimalidad:

VB CB XB X1 X2 h1 h2 h3
h1 0 2 0 0 1 1/3 -1/3
X2 5 6 0 1 0 1/2 0
X1 3 2 1 0 0 -1/3 1/3
36 0 0 0 3/2 1
Max 3 5 0 0 0

Solución óptima
Método simplex

Observación:

En el sistema de ecuaciones de un PPL con n variables de decisión y m restricciones, siempre

tendremos:

n + m variables (n de decisión y m de holgura)

m ecuaciones (por las m restricciones)

Luego, las soluciones básicas para un PPL de n variables de decisión y m restricciones tendrán:
m variables básicas (> 0)
n variables no básicas (= 0)
 Método simplex

Desarrollo
Tabla Inicial Optimo

En una empresa se quieren utilizar los recursos 1 y 2 en la producción de los productos A, B y C. La cantidad unitaria
necesaria de cada recurso para cada tipo de producto, la cantidad disponible de cada recurso y el beneficio unitario
de cada una
 Base A B C h1 h2 Xb
h1 4 2 3 1 0 40

h2 2 2 1 0 1 30
z -3 -2 1 0 0 0

Base A B C h1 h2 Xb
A 1 0.5 0.75 0.25 0 10
Max
B 0 1 -0.5 -0.5 1 10
  +1C z 0 -0.5 1.25 0.75 0 30

4  𝐴 +2 𝐵+3 𝐶 ≤ 40
2  𝐴 +2 𝐵+1 𝐶 ≤ 30
Base A B C h1 h2 Xb

4  𝐴 +2 𝐵+3 𝐶+h1=40
B
z
2  𝐴 +2 𝐵+1 𝐶+h 2=30
 Base A B C h1 h2 Po
h1 4 2 3 1 0 40
h2 2 2 1 0 1 30
z -3 -2 -1 0 0 0

Base A B C h1 h2 Po
A 1 0,5 0,75 0,25 0 10
Max B 0 1 -0,5 -0,5 1 10 *-2
  +1C z 0 -0,5 1,25 0,75 0 30 *3

4  𝐴 +2 𝐵+3 𝐶 ≤ 40
2  𝐴 +2 𝐵+1 𝐶 ≤ 30
Base A B C h1 h2 Po

A 1 0 1 0,5 -0,5 5 *-0,5

4  𝐴 +2 𝐵+3 𝐶+h1=40
B 0 1 -0,5 -0,5 1 10
z 0 0 0,5 0 0,5 35 *0,5
2  𝐴 +2 𝐵+1 𝐶+h 2=30
A=5 , B=10 , C=0 Z=35