2.

2 PROGRAMACION LINEAL:
METODOS DE SOLUCION

1. METODO GRAFICO

2. METODO SIMPLEX - ALGEBRAICO

3. METODO SIMPLEX - TABULAR

4. METODO SIMPLEX - MATRICIAL

2.2.1 METODO GRAFICO

(modelos con 2 variables)
1. TRAZAR EN UN PLANO LAS RESTRICCIONES
2. IDENTIFICAR LA REGION FACTIBLE
3. TRAZAR LA DIRECCIN DE MAX ASCENSO
4. IDENTIFICAR EL PUNTO OPTIMO
NOTAS:
- En modelos con 2 variables:
- Una restriccin de exacta igualdad se representa por una recta
- Una restriccin mayor igual menor igual divide el espacio de
soluciones en dos semiplanos
- La Regin factible es el conjunto de puntos que satisfacen todas las
restricciones
- Los Vrtices ocurren en la interseccin de 2 mas restricciones
- Los Vrtices siempre estan localizados en la frontera de la region
factible
- Toda funcin lineal f(x1,x2,. . .) se puede expresar como el producto escalar
del vector de coeficientes c = (c 1, c2, ) y el vector de variables de
decisin x = (x1, x2, ). Es decir f(x1,x2) = c1x1 + c2x2 = c x
- La direccin de max ascenso sobre la funcin objetivo f es la direccin
del vector c
- El punto ptimo es aquel en la regin factible asociado con el vector que
tiene la mayor proyeccin sobre el vector c.
- De existir, una solucion ptima de un modelo de PL siempre ocurre
en un vrtice de la regin factible.

METODO GRAFICO

Ejemplo:
Mx X1 + 2X2
sa.
4X1 + 2X2 16
3X1 + 3X2 18
X2 3

X1, X2 0

a) Determinar la solucin ptima

b) Deteminar las restricciones activas y las inactivas
c) En el punto ptimo, determinar los valores de holgura y excedente para
cada restriccin
d) Determinar las restricciones redundantes
e) Determinar la solucin ptima si la F.O. fuese Min
f) Determinar la solucin ptima si adems la 2da restriccin cambia a
3X1 + 6X2 18
g) Determinar la solucin ptima si adems la 1ra restriccin cambia a
X1 + X2 2

Modelo en forma estndar

Mx X1 + 2X2
sa.
4X1 + 2X2 + S1
3X1 + 3X2

= 16
- S2

= 18

X2

- S3

=3

X1, X2 , S1, S2 ,S3 0

La solucin bsica de un sistema de ecuaciones lineales de n por m, si
existe, es una solucin en la que se forza a que (n-m) variables tomen
valor igual a cero.
A las (n-m) variables forzadas a tomar valor igual a cero se les llama
variables no bsicas.
El valor de las variables restantes resulta de resolver el sistema de
ecuaciones lineales. A estas variables se les llama variables bsicas.
El mximo nmero de soluciones BASICAS es igual al nmero de
parejas que se pueden formar con 5 variables:
5

2

Solucin
Bsica No. X1
1
2
3
4
5
6
7
8
9
10

Variables
S1

X2
0
0
0
0

5!
= 10
2! (5 2)!

Funcin objetivo Z
S2

S3

No factible
0
0
0

0
0
0

0
0
0
0
0

No factible
No factible
No factible
No factible

0
0

0
0

No factible
No factible

2.2.2 ANLISIS POSTERIOR A LA RESOLUCIN

Una vez resuelto un modelo de PL se debe distinguir entre:

RESTRICCIONES ACTIVAS
Son aquellas que se cumplen con exacta igualdad en la solucin ptima

RESTRICCIONES INACTIVAS
Son aquellas que tiene holgura o excedente

Las restricciones activas son las que impiden el obtener una solucin mejor
que la solucin ptima ya encontrada

RESTRICCIONES REDUNDANTES
Son aquellas que de no estar presentes en el modelo, no modificaran
la regin factible ni la solucin ptima.

MTODO GRFICO con 3 variables

X3

5
3

2
X1
4

X2

2.2.3 CASOS ESPECIALES

1. MULTIPLES OPTIMOS (ptimos alternos)

Una restriccin es paralela a la funcin objetivo
Mx -3X1 + 6X2
sa.
5X1 + 7X2 35
-X1 + 2X2 2

X1, X2 0

2. SOLUCION OPTIMA ILIMITADA (no acotada)

La regin factible se extiende sin lmites en alguna direccin
Mx 2X1 + X2
sa.
X1 - X2
2X1 - X2

10
40

X1, X2 0

(y si la funcin objetivo fuese Mx

2X1 - 1.5 X2 ? )

3. NO EXISTE SOLUCION (inconsistencia)

No existe regin factible
Mx 3X1 + 2X2
sa.
2X1 + X2 2
3X1 + 4X2 12

X1, X2 0

2.2.4 ANLISIS GRFICO

Sea la restriccin :

a1 x1 + a2 x2 b

que se puede escribir como:

x2

b
a
- 1 x1
a2
a2

y graficar como:
X2
b
a2

b
a1

X1

Del grfico se puede concluir que:

1. Si nicamente cambia el valor de b la recta se mueve paralelamente

2. Si slo cambia el valor a2 la recta rota girando alrededor de

a1
b
3. Si slo cambia el valor a1 la recta rota girando alrededor de
a2

EJERCICIO

Considere el siguiente modelo de PL:

Mx Z = 600 X1 + 1000 X2
s.a.

100 X1 + 60 X2

21,000

4000 X1 + 800 X2 680,000

X1 + X2

290

12 X1 + 30 X2 6,000

X1 , X2 0

a) Determine la solucin ptima

b) Determine las restricciones activas, inactivas y redundantes.
c) Cul es el cambio mnimo del lado derecho de cada restriccin redundante
que la convierte en restriccin activa ?
d) El coeficiente de X1 en la tercera restriccin es igual a uno. Cual es el
cambio mnimo de este coeficiente que la convertira en activa ?
e) Suponga que el coeficiente de X1 en la funcin objetivo cambiase mientras
que el coeficiente de X2 permanece inalterable. Cual es el cambio mnimo del
coeficiente de X1 que ocasiona que existan multiples optimos en la solucin ?

2.2.5 FORMA ESTANDARD

(Se usa para resolver un modelo por medio del algoritmo Simplex)

- Todas las variables son NO negativas

- Los elementos del lado derecho de cada restriccin son No negativos
Si el lado derecho es negativo debe multiplicarse toda la
restriccin por (-1) invirtiendo el sentido de la desigualdad
- Todas las restricciones se convierten a ecuaciones, agregando variables de
holgura de excedente (excepto las restricciones de No negatividad)
Si la restriccin es del tipo se debe sumar una
variable de holgura al lado izquierdo de la restriccin
Si la restriccin es del tipo se debe restar una
variable de excedente al lado izquierdo de la restriccin

EJEMPLO
Modelo Original

Modelo en Forma Estndar

Min
Z = 5x1 + 2x2 - x3
sujeto a
-x1 + x2 - x3 16
2x1
- 2x3 30
x1 + 2x2
-8
8

Min Z = 5x1 - 2x2 - x3 + 0s 1 + 0 s2 + 0s 3

sujeto a
-x1 - x2 - x3 + s1
= 16
2x1
- 2x3
-s 2
= 30
-x1 + 2x2
+s3 =

x1 , x3 0 x2 0

x1 , x2 , x3 , s1 , s 2, s3 0

El convertir el modelo a forma estndar aumenta el nmero de variables,

manteniendo el nmero de restricciones.

10

EJEMPLO
Mx Z = 18.5x1 + 20 x2
sujeto a
0.05x1 + 0.05 x2 1100
0.05x1 + 0.10 x2 1800
0.10x1 + 0.05 x2 2000

x1 , x2 0

este modelo tiene n = 2 variables de decisin

y
m = 3 restricciones
(sin considerar las de no negatividad)

Este modelo convertido a forma estndar es:

Mx Z = 18.5x1 + 20x2 + 0s 1 + 0s 2 + 0s 3
sujeto a
0.05x1 + 0.05 x2 + s1
0.05x1 + 0.10 x2
+s2
0.10x1 + 0.05 x2
x1 , x2 , s 1 , s 2 ,
ahora el modelo tiene
y

= 1100
= 1800
+s3 = 2000
s3 0

n = 5 variables
m = 3 restricciones

Forma matricial de las restricciones del modelo en forma estndar:

0.05 0.05 1
0.05 0.10 0
0.10 0.05 0

0
1
0

0
0
1
3x5

X1
X2
S1
S2
S3

1100
1800
2000
3x1

5x1

11

Al expresar un modelo en forma estndar se convierte el conjunto de restricciones de un

modelo de programacin lineal a un sistema de ecuaciones lineales simultneas.
Si denotamos por n el nmero de variables en el modelo en forma estndar y por m el nmero
de restricciones, decimos que el modelo en forma estndar es de dimensiones n por m. Esto
porque el modelo incluye m ecuaciones lineales simultaneas en n variables.
Un sistema de ecuaciones lineales simultaneas de m por n puede tener solucin o no. En general
puede ocurrir uno de tres situaciones. Que el sistema
1. Tenga una solucin nica
2. Tenga infinitas soluciones
3. No tenga solucin
Si el sistema no tiene solucin se dice que es un sistema inconsistente.
En un modelo de programacion lineal en forma estndar siempre se cumple que m < n. Y salvo
casos excepcionales, supondremos que el sistema de ecuaciones del modelo tendr infinitas
soluciones. Cada una de stas corresponde a un punto de la regin factible.
DEFINICION
Se denomina punto extremo de la regin factible a aquel punto que no puede
expresarse como una combinacin lineal convexa de otros puntos en esta
regin.
En trminos sencillos un punto extremo se representa como un vrtice de la regin factible
PROPOSICION
La solucin ptima de un modelo de programacin lineal, si existe y no es
ilimitada, siempre corresponde a un punto extremo de la regin factible.
Esta proposicin es muy importante. Con base en ella, basta solo con tener un mtodo que
evale la funcin objetivo de un modelo de programacion lineal en los puntos extremos de la
regin factible.
DEFINICION
La solucin bsica de un sistema de ecuaciones lineales de n por m, si existe, es
una solucin en la que se forza a que (n-m) variables tomen valor igual a cero.
A las (n-m) variables forzadas a tomar valor igual a cero se les llama variables no bsicas.
El valor de las variables restantes resulta de resolver el sistema de ecuaciones lineales. A estas
variables se les llama variables bsicas.

12

DEFINICION
La solucin bsica de un sistema de ecuaciones lineales de n por m existe si al
eliminar (n-m) variables el sistema resultante de m por m es consistente.
Esta definicin indica que al forzar a que (n-m) variables tomen valor igual a cero puede ocurrir
que las m ecuaciones lineales resulten en un sistema sin solucin (inconsistente).

Por ejemplo en el siguiente sistema

2x1 + 4 x2 + 3x3 = 8
3x1 + 6 x2 + 3x3 = 17

si se consideran variable no basica a la variable x3 entonces el sistema resultante mostrado no

tiene solucin.
2x1 + 4 x2 = 8
3x1 + 6 x2 = 17
DEFINICION
La solucin bsica de un sistema de ecuaciones lineales de n por m se dice
factible (y se denota por SBF) si todas las variables toman valor no negativo.
En nuestro ejemplo: n-m = 5 - 3 = 2 variables
S2 = 0
S3 = 0

Si:
X2 = 0
S3 = 0

X1 = 14,666.66
X2 = 10,666.66
S1 = - 166.66

Esta es una Solucion BASICA No Factible

X1 = 20,000
S2 = 800
S1 = 100

Esta es una Solucin BASICA Factible

Se llama BASE al conjunto de VARIABLES BASICAS.

PROPOSICION
Cada SBF de un modelo de programacin lineal corresponde a un punto
extremo de su regin factible.
Por tanto la solucin optima de un modelo de programacin lineal, si existe y no es ilimitada,
correponde a una solucin bsica factible. En otras palabras, cada SOLUCION BASICA
FACTIBLE representa un vrtice de la regin factible.

13

En el ejemplo, el mximo nmero de soluciones BASICAS es igual al nmero de parejas que

se pueden formar con 5 variables:
5

2

5!
= 10
2! (5 2)!

En general, el mximo nmero de soluciones BASICAS es igual al nmero de conjuntos de m

elementos, que se pueden formar con n variables, es decir
n
m =

n!
m!(n m)!

14

SOLUCIONES BSICAS
Solucin
Variables
No.
X1
X2
S1
1
0
0
1,100
2
0
22,000
0
3
0
18,000
200
4
0
40,000
-900
5
36,000
0
-700
6
20,000
0
100
7
22,000
0
0
8
8,000
14,000
0
9
18,000
4,000
0
10
14,666.6 10,666.6
-166.61

S2

Funcin objetivo
Z
$0
No factible
$360,000
No factible
No factible
$370,000
No factible
$428,000
$413,000
No factible

S3

1,800
-400
0
-2,200
0
800
900
0
500
0

2,000
900
1,100
0
-1,600
0
-200
500
0
0

X2
4

Mx Z = 18.5x1 + 20 x2
sa.
0.05x1 + 0.05 x2 1100
0.05x1 + 0.10 x2 1800
0.10x1 + 0.05 x2 2000

40

x1 , x2 0

30

2
20
8
3
10
10
Regin
Factible

9
X1

6
10

7
20

5
30

15

EJEMPLO

Considere el siguiente modelo de PL

Mx Z= 5x1 -6x2 +3x3 -5x4 +12x5

sujeto a
x1 + 3x2 + 5x3 +6x4 +3x5 90

x1 , x2 , x3 , x4 , x5 0

a) Cuntas varibales bsicas tiene ?

b) Cuntas soluciones bsicas existen ?
c) Cules son las soluciones bsicas?
d) Cul es la solucin ptima ?

16

Modelo en Forma Estndar

Mx Z= 5x1 -6x2 +3x3 -5x4 +12x5 + 0 s

sujeto a
x1 , x2 , x3 , x4 , x5 , s 0

x1 + 3x2 + 5x3 +6x4 +3x5 + s = 90

a) Cuntas variables bsicas tiene ?

b) Cuntas soluciones bsicas existen ?

bsicas

m = 1 variable bsica

Cmn = C16 = 6 soluciones

c) Cules son las soluciones bsicas ?

Sol.Bas
1
2
3
4
5
6

X1
90
0
0
0
0
0

X2
0
30
0
0
0
0

X3
0
0
16
0
0
0

X4
0
0
0
15
0
0

X5
0
0
0
0
30
0

S
0
0
0
0
0
90

Z
450
-180
90
-75
360
0

17

2.2.6 METODO SIMPLEX (George Dantzig, 1947)

Existen varias formas de resolver un modelo de programacin lineal. El
metodo mas comunmente usado es el metodo simplex. Este metodo
encuentra la solucin ptima de un modelo de PL, evaluando la funcin
objetivo, en cada vrtice de la regin factible.
METODOLOGIA
Ntese que en modelos de dos variables en cualquier interseccin de
dos restricciones, hay dos variables que toman valor igual a cero. Por tanto
para conocer el valor de las otras variables se debe resolver el sistema de m
restricciones con m variables.
Una manera sencilla de encontrar una SOLUCION BASICA
FACTIBLE es identificar una matriz identidad en las restricciones del modelo
escrito en forma estndar. Las variables asociadas con esta matriz identidad
son las VARIABLES BASICAS
X1

X2

S1 S2

0.05 0.05 1
0.05 0.10 0
0.10 0.05 0

0
1
0

S3
0
0
1
3x5

X1
X2
S1
S2
S3

1100
1800
2000
3x1

5x1
En cada paso del algoritmo se resuelven simultneamente las m
ecuaciones que conforman un vrtice para identificarlo. Se verifica si el
vrtice es el ptimo, si no lo es, se pasa a otro vrtice adyacente.
El algoritmo asegura que en el siguiente vrtice, la funcion objetivo no
tendr un valor peor que en el vrtice anterior

18

2.2.6.1 METODO SIMPLEX -ALGEBRAICO

PROCEDIMIENTO

1. Encontrar una Solucion Basica Factible inicial

Expresando el modelo en forma estndar
identificando las columnas de una matriz identidad de m x m.

2. Expresar las variables basicas y la funcion objetivo en funcion de las

variables No basicas

3. Verificar Optimalidad
La solucin es ptima si:
La funcin objetivo no puede mejorar de valor al incrementar
el valor de cualquiera de las Variables No Basicas
4. Identificar Nuevas variables bsica y No bsica
Nueva VB : la VNB que mejora ms la funcin objetivo.
Nueva VNB: la VB que se hace igual a 0
al tomar la nueva VB el mximo valor posible.

5. Regresar al paso 2.

19

EJEMPLO
En forma original:
Mx Z =
sujeto a:

En Forma estndar:

10x1 + 14x2

Mx Z =
sujeto a:

4x1 + 6x2 24
2x1 + 6x2 20
x1 , x2 0

10x1 + 14x2 + 0s 1 + 0s 2
4x1 + 6x2 + 1s 1 + 0s 2 = 24
2x1 + 6x2 + 0s 1 + 1s 2 = 20
x1 , x2 ,
s1 , s2 0

Inicio:
Base (VBs)
s 1 = 24
s 2 = 20

VNBs
x1 = 0
x2 = 0

Z=0

Expresar VBs y Z en funcin de VNB (del modelo en forma estndar )

S1 = 24 - 4x1 - 6x2
S2 = 20 - 2x1 - 6x2
Z = 0 + 10x1 + 14x2

(1)
No estamos sobre el vrtice ptimo !
Variable que entra a la base es x2

Variable que sale de la base es:

S1 = 24 - 6x2 0
S2 = 20 - 6x2 0
3. 33

x2 4
x2 3.33

x2 entra a la base con valor x2 =

( s2 = 0 es la variable que sale )

20

1ra iteracin:
Base (VBs)
s1 = 4
x2 = 3.33

VNBs
x1 = 0
s2 = 0

Z = 46.66

Expresar VBs y Z en funcin de VNB (comenzar de (1) )

X2 = (20 - 2x1 - s 2 ) / 6
S1 = 24 - 4x1 - 6 (1/6 (20 - 2x1 - s 2 ))
Z = 0 + 10 x1 + 14 (1/6 (20 - 2x1 - s 2 ))

= 3.33 - 0.33x1 - 0.166s 2

= 4 2x1 +
s2
= 46.6 + 5.33 x1 - 2.33 s2

No estamos sobre el vrtice ptimo !

Variable que entra a la base es x1
Variable que sale de la base es:
X2 = 3.33 - 0.33x1 0
S1 = 4
- 2x1 0

X1 10
X1 2

x1 entra a la base con valor x1 = 2

( s1 = 0 es la variable que sale )

21

2da iteracin:
Base (VBs)
x1 = 2
x2 = 2.66

VNBs
s1 = 0
s2 = 0

Z = 57.33

Expresar VBs y Z en funcin de VNB

X1 = (4 + s2 - s 1 ) / 2
= 2 + 0.50s 2 - 0.5s 1
X2 = 3.33 - 0.33 ( 2 +.50s 2 - 0.5s 1 )-0.16s 2 = 2.66 - 0.33s 2 + 0.16s 1
Z = 46.66 + 5.33 (2 +0.50s 2 - 0.5s 1) -2.33s 2 = 57.3 + 0.33s2 - 2.66 s1
No estamos sobre el vrtice ptimo !
Variable que entra a la base es s 2
Variable que sale de la base:
X1 = 2 + 0.50s 2 0
X2 = 2.66 - 0.33s 2 0

s2 - 4
s2 8

s 2 entra a la base con valor s 2 = 8

( X2 = 0 es la variable que sale )

3ra iteracin:

Base (VBs)
x1 = 6
s2 = 8

VNBs
s1 = 0
x2 = 0

Z = 60

Expresar VBs y Z en funcin de VNB

S2 = (2.66 - x2 + 0.166s 1 ) / 0.33
= 8 - 3x2 + 0.50 s1
X1 = 2 + 0.50 (8 - 3x2 + 0.5s 1 ) - 0.5s 1
= 6 - 1.5x2 - 0.25 s 1
Z = 57.33 + 0.33 (8 - 3x2 + 0.5s 1) - 2.66s 1
= 60 x2 - 2.50 s1
estamos sobre el vrtice ptimo!

22

2.2.6.1 METODO SIMPLEX - MATRICIAL

El mtodo simplex matricial se puede aplicar siguiendo los siguientes pasos
1. Encontrar una Solucion Basica Factible inicial
Expresando el modelo en forma estndar
identificando las columnas de una matriz identidad de m x m.
(esto define a XB, CB y B)
2. Calcular B-1 , B-1b y B-1N
3. Expresar XB y Z en funcin de las variables no bsicas.
XB = B-1b - B-1N XN
Z = CBT B-1 b + [C NT - CBT B-1 N ] XN
4. Verificar la condicin de optimalidad ([CNT - CBT B-1N ] 0 para max Z)
5. Si la condicin de optimalidad no se cumple se debe seleccionar
la nueva variable bsica NVB
(aquella con el mejor valor en [CNT - CBT B-1N]
la nueva variable no bsica
(la que toma valor cero cuando la NVB toma el max valor posible)

23

2.2.6.2 METODO SIMPLEX -TABULAR

PROCEDIMIENTO

1. Encontrar una Solucion Basica Factible inicial

Convirtiendo las m restricciones en igualdades e identificando las
columnas de una matriz identidad de m x m.
2. Construir la Tabla Inicial y verificar Optimalidad (ver paso 5)
3. Identificar Nuevas Variable Bsica (NVB) y Nueva variable No Bsica
NVB : mx valor positivo de Cj - Zj

(maximizacion)

NVNB: dividir bj entre los coeficientes positivos de la columna de NVB.

La NVNB se encuentra en el rengln que tiene el menor cociente.
4. Actualizar la Tabla
- Identificar elemento Pivote
- Nuevos valores en el rengln de NVB se obtienen al dividir el rengln
que sale entre el pivote
- Otros renglones se obtienen por:
Nuevo renglon = Renglon anterior [elemento en columna del pivote] x renglon de NVB
- Calcular Zj como la suma de productos de CB por las tasas de sustitucion
5. Verificar Optimalidad (maximizacin)
La base es ptima si todos los valores de Cj - Zj son cero o negativos.
6. Volver al paso 3

24

TABLA INICIAL
En Forma estndar:
Mx Z =
sujeto a:

10x1 + 14x2

Mx Z =
sujeto a:

4x1 + 6x2 24
2x1 + 6x2 20
x1 , x2 0

CB
0
0

CB
0
0

CB
0
0

Cj
base
S1
S2
Zj
Cj - Zj
Cj
base
S1
S2
Zj
Cj - Zj

Cj
base
S1
S2
Zj
Cj - Zj

10x1 + 14x2

+ 0s1 + 0s2

4x1 + 6x2 + 1s1 + 0s2 = 24

2x1 + 6x2 + 0s1 + 1s2 = 20
x1 , x2 ,
s1 , s2 0

10
X1
4
2

14
X2
6
6

0
S1
1
0

0
S2
0
1

bj
24
20
0

10
X1
4
2
0
10

14
X2
6
6
0
14

0
S1
1
0
0
0

0
S2
0
1
0
0

bj
24
20
0

10
X1
4
2
0
10

14
X2
6
6
0
14

0
S1
1
0
0
0

0
S2
0
1
0
0

bj
24
20

pivote

4
3.33

cocientes
la tabla no es ptima!

x2 entra a la base con valor x2 = 3. 33

( s2 = 0 es la variable que sale )

25

1ra iteracin:

CB
0
14

Cj
base
S1
X2
Zj
Cj - Zj

bj

10
X1

3.33 0.33

14
X2

0
S1

0
S2

0.166

se divide el rengln
del pivote entre l

CB
0
14

Cj
base
S1
X2
Zj
Cj - Zj

10
bj
X1
4
2
3.33 0.33

14
X2
0
1

0
S1
1
0

0
S2
-1
0.166

renglon anterior 24
4
6
1
0
- valor asociado -6 (3.33 0.33
1
0
0.166)
al pivote por el
rengln actualizado del pivote

CB
0
14

Cj
base
S1
X2
Zj
Cj - Zj

10
bj
X1
4
2
3.33 0.33
46.66 4.66
5.33

14
X2
0
1
14
0
pivote

x1 entra a la base con valor x2 = 2

0
S1
1
0
0
0

0
S2
-1
0.166
2.33
-2.33

2
10

cocientes
( s1 = 0 es la variable que sale )

26

2da iteracin:

CB
10
14

Cj
base
X1
X2
Zj
Cj - Zj

bj
2

10
X1
1

14
X2
0

0
S1
0.5

0
S2
-0.5

se divide el renglon
del pivote entre l

CB
10
14

Cj
base
X1
X2
Zj
Cj - Zj

10
bj
X1
2
1
2.66 0

renglon anterior 3.33 0.33

- valor asociado -.33( 2 1
al pivote x
rengln actualizado del pivote

CB
10
14

Cj
base
X1
X2
Zj
Cj - Zj

10
bj
X1
2
1
2.66 0
57.24 10
0

S2 entra a la base con valor S2 = 8

14
X2
0
1

0
S1
0.5
-.166

0
S2
-0.5
0.33

1
0

0
0.5

0.166
-0.5 )

14
X2
0
1
14
0

0
S1
0.5
-.166
2.66
-2.66

0
S2
-0.5
0.33
-.33
0.33

pivote
(X2 = 0 es la variable que sale )

27

3ra iteracin:

CB
10
0

Cj
base
X1
S2
Zj
Cj - Zj

bj

10
X1

14
X2

0
S1

0
S2

-0.5

se divide el renglon
del pivote entre l

CB
10
0

Cj
base
X1
S2
Zj
Cj - Zj

bj
6
8

renglon anterior 2
- valor asociado +.5(8
al pivote x

CB
10
0

Cj
base
X1
S2
Zj
Cj - Zj

bj
6
8
60

10
X1
1
0

1
0

10
X1
1
0
10
0

14
X2
1.5
3

0
S1
0.25
-0.5

0
0.5
3
-0.5
rengln actualizado del pivote

14
X2
1.5
3
15
-1

0
S1
0.25
-0.5
2.5
-2.5

0
S2
0
1

-0.5
1 )

0
S2
0
1
0
0

Esta tabla es la ptima !

28

2.2.6.2 METODO SIMPLEX -TABULAR SIMPLIFICADO

Para simplificar el procedimiento anterior se va a trabajar con una tabla ms sencilla en la que
en cada rengln se representa a las variables bsicas y en cada columna se representa a las
variables no bsicas. En esta tabla las celdas sombreadas no se utilizan durante el
procedimiento.

CB

BASE

bj

XB

Valor de las
variables
bsicas

CN
XN
tasas de sustitucin

ZJ
CJ - ZJ
Donde:
XB = conjunto de nombres de las variables bsicas
XN = conjunto de nombres de las variables no bsicas
CB = vector de coeficientes de las variables bsicas en la funcin objetivo
CN = vector de coeficientes de las variables no bsicas en la funcin objetivo
bj = valor de las variables bsicas
El rengln marcado como Zj resulta de multiplicar cada valor en la columna CB por cada valor
de la columna bj y por cada valor de la columna XN.
El rengln marcado como Cj Zj resulta de restar cada valor en el renglon Zj de cada valor en
el rengln CN.
En cada iteracin del procedimiento, una variable que reemplaza a otra ocupa el lugar que sta
tena.

29

30

PROCEDIMIENTO
1. Encontrar una Solucion Basica Factible inicial
Convirtiendo las m restricciones en igualdades e identificando las
columnas de una matriz identidad de m x m.
2. Construir la Tabla Inicial y verificar Optimalidad (ver paso 5)
3. Identificar Nueva Variable Bsica (NVB) y Nueva Variable No Bsica (NVNB)
NVB :

aquella con el mayor valor positivo de Cj - Zj

aquella con el mayor valor negativo de Cj - Zj

(maximizacion)
(minimizacion)

NVNB:

obtener cocientes al dividir bj entre los coeficientes positivos de la columna

de NVB. La NVNB es aquella ubicada en el rengln con el menor cociente.

4. Actualizar la Tabla
- Reemplazar el nombre de la columna de la NVB por el nombre de la NVNB
- Identificar elemento Pivote
- Invertir el valor nmerico del Pivote
- El rengln actualizado de NVB se obtiene al dividirlo entre el pivote
- La columna actualizada de NVNB se obtiene al dividirla entre (-pivote)
- Otros renglones se obtienen por:
Nuevo renglon = Renglon anterior [elemento en columna del pivote] x renglon de NVB
- Calcular Zj como la suma de productos de CB por cada una de las columnas de la tabla.

5. Verificar Optimalidad
Si el modelo es de maximizacin:
La base es ptima si todos los valores de Cj - Zj son cero o negativos.
Si el modelo es de minimizacin:
La base es ptima si todos los valores de Cj - Zj son cero o positivos.

31

6. Volver al paso 3

32

EJEMPLO
En Forma estndar:
Mx Z =
sujeto a:

10x1 + 14x2

Mx Z =
sujeto a:

4x1 + 6x2 24
2x1 + 6x2 20
x1 , x2 0

CB
0
0

CB
0
0

CB
0
0

Cj
base
S1
S2
Zj
Cj - Zj
Cj
base
S1
S2
Zj
Cj - Zj
Cj
base
S1
S2
Zj
Cj - Zj

+ 0s1 + 0s2

4x1 + 6x2 + 1s1 + 0s2 = 24

2x1 + 6x2 + 0s1 + 1s2 = 20
x1 , x2 ,
s1 , s2 0

10
X1
4
2

14
X2
6
6

bj
24
20
0

10
X1
4
2
0
10

14
X2
6
6
0
14

bj
24
20
0

10
X1
4
2
0
10

14
X2
6
6
0
14

bj
24
20

10x1 + 14x2

4
3.33

pivote

cocientes
la tabla no es ptima!

x2 entra a la base con valor x2 = 3. 33

( s2 = 0 es la variable que sale )

33

1ra iteracin:
Primero se divide el renglon del pivote entre l

CB
0
14

CB
0
14

Cj
base
S1
X2
Zj
Cj - Zj
Cj
base
S1
X2
Zj
Cj - Zj

bj

10
X1

0
S2

3.33 0.33

0.166

10
bj
X1
4
2
3.33 0.33

0
S2
-1
0.166

renglon anterior
24
4
- valor asociado -6
(3.33 0.33 )
al pivote por el rengln actualizado del pivote

CB
0
14

Cj
base
S1
X2
Zj
Cj - Zj

10
bj
X1
4
2
3.33 0.33
46.66 4.66
5.33

0
S2
-1
0.166
2.33
-2.33
pivote

x1 entra a la base con valor x2 = 2

2
10

cocientes
( s1 = 0 es la variable que sale )

34

2da iteracin:
Primero se divide el renglon del pivote entre l

CB
10
14

CB
10
14

Cj
base
X1
X2
Zj
Cj - Zj
Cj
base
X1
X2
Zj
Cj - Zj

bj
2

0
S1
0.5

0
S2
-0.5

bj
2
2.66

0
S1
0.5
-.166

0
S2
-0.5
0.33

renglon anterior 3.33

0.166
- valor asociado -.33( 2
-0.5 )
al pivote x rengln actualizado del pivote

CB
10
14

Cj
base
X1
X2
Zj
Cj - Zj

bj
2
2.66
57.24

0
S1
0.5
-.166
2.66
-2.66

S2 entra a la base con valor S2 = 8

0
S2
-0.5
0.33
-.33
0.33
pivote
(X2 = 0 es la variable que sale )

35

3ra iteracin:
Primero se divide el renglon del pivote entre l

CB
10
0

CB
10
0

Cj
base
X1
S2
Zj
Cj - Zj
Cj
base
X1
S2
Zj
Cj - Zj

bj

0
S1

14
X2

-0.5

bj
6
8

0
S1
0.25
-0.5

14
X2
1.5
3

renglon anterior
2
0.5
- valor asociado +.5 (8
-0.5 )
al pivote x rengln actualizado del pivote

CB
10
0

Cj
base
X1
S2
Zj
Cj - Zj

bj
6
8
60

0
S1
0.25
-0.5
2.5
-2.5

14
X2
1.5
3
15
-1
Esta tabla es la ptima !

36

Ahora comparemos esta tabla ptima ya encontrada, con la solucin del

mtodo SIMPLEX con matrices.
Sean las variables bsicas X1 y S2 entonces
XB = [X1 S2]

XN = [S 1 X2]

CBT = [10 0]

CNT = [0 14]

B = [4
[2

N = [1
[0

0]
1]

6]
6]

Determinamos B-1, B-1N y B-1b,

B
B-1

4(1) 0 (2) = 4

[
[-

0]
1]

B-1N

[
[-

0] [1 6] = [ 3/2 ]
1] [0 6]
[ - 3 ]

B-1b

[
[-

0] [24]
1] [20]

[6]
[8]

Y expresamos XB y Z en funcin de XN
XB

= [X1] =
[S2 ]

[6] - [
[8] [-

/2] [S1 ] = [ 6 - S 1 - 3/2 X2 ]

3 ] [X2]
[ 8 + S 1 3X2 ]

37

Por tanto si comparamos ambas soluciones ptimas encontramos lo

siguiente

CB

BASE

bj

C NT
XNT

XB

B-1b

B-1N

ZJ

CBT B1
b

CBT B-1N
CNT - CBT B-1N

CJ - ZJ

Y ya sea de la tabla o de las operaciones matriciales podemos obtener

XB

B-1b

CNT - CBT B-1N

B-1N

es decir
X1 = 6 - S1 3/2 X2
S2 = 8 + S1 3 X2
Z = 60 5/2 S1 X2
Estas son expresiones de las variables bsicas y de la variable de resultado en funcin de las
variables no bsicas. Los coeficientes de las variables no bsicas en estas expresiones
corresponden a los coeficientes de la matriz B-1N y se les llama tasas de sustitucin porque
representan las tasas a las que una variable aumenta o disminuye cuando una variable no bsica
la reemplaza. Por ejemplo si X2 toma valor unitario la variable X1 debe reducir su valor en 1.5
unidades.

38

La condicin de optimalidad para un modelo de PL del tipo maximizar, establece que si los
coeficientes de [CNT - CBT B-1N ] son todos negativos, como por ejemplo en
Z = 60 5/2 S1 X2
entonces el aumentar de valor a una variable bsica no mejorar el valor de la variable de
resultado Z y por tanto la ltima solucin bsica encontrada es la ptima.
Qu establecen las ecuaciones ?
Supongamos que la variable no bsica X2 incrementase su valor de 0 a 1. Entonces ocurriran
simultneamente los siguiente

La var. de respuesta Z aumentara en 4 unidades (ya que Z = 10X1 + 14X2 )

La var. X1 disminuira en 1.5 unidades
La var. S2 disminuira en 3 unidades
La var. de respuesta Z disminuira en 1.5(10) = 15 unidades

El efecto neto en Z resultara 14 15 = -1.

El mtodo simplex matricial se puede aplicar siguiendo los siguientes pasos
6. Seleccionar un conjunto de variables bsicas (la base). Esto define a XB.
7. Especificar las matrices CBT , CNT , B y N
8. Calcular B-1 , B-1b y B-1N
9. Expresar XB y Z en funcin de las variables no bsicas.
10. Verificar la condicin de optimalidad

( [CNT - CBT B-1N ] = 0 para max Z)

11. Si la condicin de optimalidad no se cumple se debe seleccionar

la nueva variable bsica NVB (aquella con el mejor valor en

la nueva variable no bsica (aquella que toma el valor cero cuando la NVB toma el

CNT - CBT B-1N)

max valor posible)

39

2.2.6.3 METODO SIMPLEX -CASOS ESPECIALES

MULTIPLES OPTIMOS
Ocurre si para una(s) variable(s) No Bsica(s)
1. Cj - Zj =0 ; y
2. Existe alguna tasa de sustitucin positiva en la tabla ptima

MINIMIZACION
1. La regla para la variable que entra a la Base cambia:
elegir la que tiene el valor Cj - Zj ms negativo
2. La tabla ptima se identifica cuando todos los valores de Cj - Zj son
cero o psitivos.
Alternativamente se puede multiplicar Z por (-1)

40

MODELOS CON RESTRICCIONES y =

En los modelos con restricciones y =, al aadir variables de holgura o de
excedente no obtenemos una solucin
bsica factible inicial
Para encontrar una, agregamos al modelo en forma estndar, VARIABLES
ARTIFICIALES a cada restriccion de y = . Estas variables formarn
parte de la base inicial
Existen dos mtodos para resolver modelos de PL con variables Artificiales:

Mtodo de las M
Se asignan nmeros negativos grandes "M" a los coeficientes de las
variables artificiales en la funcin objetivo. (Maximizar)
Si en la solucin bsica ptima existen variables artificiales con valor
diferente de cero entonces el modelo de PL no tiene solucin

41

EJEMPLO

MTODO DE LAS Ms

- Minimizacin
- Todo tipo de restriccin
- Optimo en vrtice degenerado
Modelo Original:

Min 4X1
sa.
3X1
4X1
X1

+ X2
+ X2 = 3
+ 3X2 6
+ 2X2 3

X1, X2 0

Modelo en forma estndar:

Min 4X1
sa.
3X1
4X1
X1
X1,

+ X2 + 0S 1 + 0S 2 + MA1 + MA2
+ X2
+ A1
+ 3X2 - S1
+ A2
+ 2X2
+ S2
X2 , S1,

S2 , A1 ,

= 3
= 6
= 3
A2

42

Mtodo de las 2 Fases

Se divide la solucin en dos etapas.
En la primera etapa se resuelve el modelo de PL con f.objetivo (MIN )
igual a la suma de todas las variables artificiales. Como resultado de esta
etapa, se encuentra una solucin bsica factible (SBF).
En la segunda etapa se eliminan del modelo las variables artificiales, se
restaura la f.o. original y se aplica el mtodo simplex con la solucin bsica
factible (SBF) encontrada en la primera etapa.

NOTAS
Si en la solucin bsica ptima de la primera etapa existen variables
artificiales con valor diferente de cero entonces el modelo original de PL no
tiene solucin.
Si en la solucin bsica ptima de la primera etapa existen variables
artificiales con valor igual a cero entonces se deben intercambiar por
variables no basicas que no sean artificiales (aun si el pivote resultase
negativo). Esto con la intencin que en la base no hayan variables artificiales.
Si aun as, permanecen variables artificiales, entonces representan
restricciones redundantes y a estas restricciones se las elimina del modelo.

43

EJEMPLO

MTODO DE LAS DOS FASES

- Minimizacin
- Todo tipo de restriccin
- Optimo en vrtice degenerado
Modelo Original:
Min 4X1
sa.
3X1
4X1
X1

+ X2
+ X2 = 3
+ 3X2 6
+ 2X2 3

X1, X2 0

Modelo en forma estndar para la primera fase

Min A1 + A2
sa.
3X1 + X2
+ A1
4X1 + 3X2 - S1
+ A2
X1 + 2X2
+ S2
X1,

X2 , S1,

S2 , A1 ,

A2

= 3
= 6
= 3
0

Modelo en forma estndar para la segunda fase

Min 4X1
sa.
3X1
4X1
X1
X1,

+ X2 + 0S1 + 0S2
+ X2
+ 3X2 - S1
+ 2X2
+ S2

= 3
= 6
= 3

X2 , S1,

S2 ,

44

EJEMPLO 2

MTODO DE LAS DOS FASES

Modelo Original:
Min 2X1 + X2
sa.
X1 + 2X2 2
X2 2
3X1 + X2 = 6

X1, X2 0

Modelo en forma estndar para la primera fase

Min 0X1 + 0X2 + 0S3 + 0S4 + 0S5 + A6
sa.
X1 + 2X2 + S3
X2
+ S4
3X1 + X2
- S5 + A6
X1,

X2 , S3,

S4, S5 , A6

= 2
= 2
= 6
0

Modelo en forma estndar para la segunda fase

Min 2X1 + X2 + 0S3 + 0S4 + 0S5
sa.
X1 + 2X2 + S3
X2
+ S4
3X1 + X2
- S5
X1,

X2 , S3,

S4, S5

= 2
= 2
= 6
0

45

Primera Fase:

CB
0
0
1

CB
0
0
0

Cj
base
S3
S4
A6
Zj
Cj - Zj

Cj
base
S3
S4
X1
Zj
Cj - Zj

bj
2
2
6
6

0
X1
1
0
3
3
-3

0
X2
2
1
1
1
-1

0
S5
0
0
-1
-1
1

bj
0
2
2
0

1
A6
-1/3
0
1
/3
0
1

0
X2
5
/3
1
1
/3
0
0

0
S5
1
/3
0
-1/3
0
0

1
X2
5
/3
1
1
/3
2
/3
1
/3

0
S5
1
/3
0
-1/3
-2/3
2
/3

2
2

tabla optima !

Segunda Fase:

CB
0
0
2

Cj
base
S3
S4
X1
Zj
Cj - Zj

bj
0
2
2
4

tabla optima !

46

2.2.7. METODO SIMPLEX - PROBLEMAS SIN SOLUCION

1. PROBLEMAS NO ACOTADOS
- La regin factible carece de frontera; y
- La funcion objetivo puede ser mejorada sin lmites
En la tabla simplex se detecta cuando las tasas de sustitucion de la columna
de la variable que debe entrar a la base tienen valor cero negativo.
Por tanto no podria calcularse la siguiente base.
2. INCONSISTENCIA
Cuando las restricciones identifican areas mutuamente exclusivas.
No existe entonces un conjunto de valores para las variables de decisin que
satisfaga simultaneamente todas las restricciones.
En la tabla simplex se detecta cuando existen variables artificiales con valor
diferente de cero en el ptimo.

2.2.8 PROBLEMAS DEGENERADOS

Ocurre cuando un vertice est definido por "demasiadas" restricciones.
En un caso No-degenerado: cada solucion Basica Factible tendra m
variables basicas positivas diferentes de cero.
En un caso Degenerado existen una mas variables en la base con valor
cero.
La degeneracin puede ocurrir en cualquier vertice, no necesariamente en el
vertice de la solucin optima.
La degeneracion no impide que exista solucion ptima. Optima

47