UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica

INVESTIGACION DE OPERACIONES

MTODO SIMPLEX PENAL O DE LA GRAN M Y EL METODO

DE DOS FASES

Solucin Bsica Factible Inicial y las Variables Artificiales

Recuerde que el algoritmo simplex requiere una solucin factible bsica inicial. En todos los problemas que
se han resuelto hasta ahora se determin la solucin bsica inicial a partir de las variables de holgura, como si
fueran variables bsicas. Pero muchos problemas no tienen una solucin inicial en forma cannica. Si hay
restricciones de igualdad, mayor o igual o segundos miembros no positivos (=, , 0), el nico problema
adicional que se plantea es identificar la solucin bsica factible inicial. En este caso, no hay garanta de que
exista una solucin factible. Por tanto, se requiere un procedimiento sistemtico y eficiente para generar dicha
solucin bsica inicial y factible, si existe.
Una de las ventajas del mtodo simplex es que el propio mtodo sirve para generar su propia solucin bsica
factible inicial, siempre que exista alguna. Si esta no existe, el simplex nos indica que el problema no tiene
solucin.
Cuando en un modelo tenemos restricciones de igualdad, no hay variable de holgura para esta restriccin que
nos permita obtener la solucin factible inicial. Podramos pensar en sustituir la restriccin de igualdad por
otras dos, una con y otra con. Esta alternativa no es muy recomendable porque aumenta el nmero de
restricciones del problema. Es preferible la tcnica de la variable artificial, que consiste en aadir al lado
izquierdo de la restriccin una variable ficticia, que llamaremos variable artificial y cuyo nico cometido es
ser la variable bsica de esa restriccin en la solucin bsica inicial.
En el caso de restricciones del tipo, la variable de holgura entra restando y si multiplicamos por (-1) la
ecuacin, nos encontraramos con el segundo miembro negativo y por tanto con una solucin inicial no
factible. Por tanto, en este caso tambin aadimos una variable artificial.
En definitiva, cuando tenemos problemas con restricciones de = o , se aade una variable artificial por cada
una de las restricciones de este tipo. Este nuevo problema se denomina problema ampliado. A partir de las
variables artificiales obtenemos una solucin bsica inicial, que no es factible para el problema original por
que las variables artificiales no tienen significado en el mismo. Por tanto, lo primero que hay que hacer es
encontrar una solucin bsica factible inicial para nuestro problema real, eliminando de la base todas las
variables artificiales. A partir de esta nueva solucin bsica continuaremos buscando la solucin ptima.

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

Como se demostr en los problemas de Reddy Mikks y de la Wyndor Glass Co, los programas lineales en los
que todas las restricciones son () con lados derechos no negativos ofrecen una cmoda solucin factible
bsica de inicio con todas las holguras. Los modelos donde intervienen restricciones del tipo (=) o () no
poseen esta propiedad.
El procedimiento para iniciar programas lineales de mal comportamiento con restricciones (=) y () es
permitir que variables artificiales desempeen el trabajo de holguras en la primera iteracin, para despus,
en alguna iteracin posterior, desecharlas en forma legtima.
Existen dos tcnicas que nos permiten encontrar la solucin bsica factible inicial:
- El mtodo de la M
- El mtodo de las dos fases

El Mtodo Simplex Penal o de Gran la M

Como su nombre lo indica, consiste en penalizar la inclusin de las variables artificiales en la funcin
objetivo con un coeficiente M muy grande que para el caso de maximizar es - M y para el caso de
minimizar es + M.
La primera solucin bsica del simplex en tal caso, debe de incluir a todas las variables artificiales que fueron
necesarias en el arreglo del modelo de programacin lineal por resolver
El mtodo M comienza con la programacin lineal en forma de ecuacin. Una ecuacin i que no tenga una
holgura (o una variable que pueda hacer el papel de una holgura) se aumenta con una variable artificial A i,
para formar una solucin de inicio parecida a la solucin bsica con todas las holguras. Sin embargo, como
las variables artificiales son ajenas al modelo de programacin lineal, se usa un mecanismo de
retroalimentacin en el que el proceso de optimizacin trata en forma automtica de hacer que esas variables
nunca hubieran existido en primer lugar. El resultado deseado se obtiene penalizando las variables artificiales
en la funcin objetivo.
Dado M, un valor positivo suficientemente grande (Matemticamente, M ), el coeficiente objetivo de una
variable artificial representa una penalizacin adecuada si:
-M, en problemas de maximizacin
Coeficiente objetivo de la variable artificial =
M, en problemas de minimizacin
Al usar esta penalizacin, el proceso de optimizacin forzara en forma automtica a las variables artificiales
para que sean cero (siempre que el problema tenga una solucin factible).
Caso de Estudio No 1:
Minimizar Z = 4X1 + X2
Sujeta a:
3X1 + X2 = 3
4X1 + 3X2 6
X1 + 2X2 4
X1, X2 0
Si se usan X3 como excedente en la segunda restriccin y X4 como una holgura en la tercera restriccin, la
forma del problema en ecuacin es
Minimizar Z = 4X1 + X2
Sujeta a:
3X1 + X2
=3
4X1 + 3X2 X3
=6
X1 + 2X2 + X4
=4
X1, X2, X3, X4 0

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

La primera y segunda ecuaciones no tiene variables que puedan desempear el papel de holguras, pero la
tercera si, por que tiene la holgura X4. As, se agregan las variables artificiales A1 y A2 en las dos primeras
ecuaciones y se penalizan en la funcin objetivo con MA1 + MA2.
La programacin lineal que resulta es
Minimizar Z = 4X1 + X2 + MA1 + MA2
Sujeta a:
3X1 + X2
+ A1
=3
4X1 + 3X2 X3 + A2
=6
X1 + 2X2 +
+
X4
=4
X1, X2, X3, X4, A1, A2 0
Igualando Z = 0, tenemos: Z 4X1 - X2 MA1 MA2 = 0
En el nuevo modelo se pueden usar ahora A1, A2, X4 como solucin bsica de inicio, como se ve en la
siguiente tabla (por comodidad se elimin la columna Z, porque no cambia en todas las iteraciones)
Bsica
Z
A1
A2
X4

X1
-4
3
4
1

X2
-1
1
3
2

X3
0
0
-1
0

A1
-M
1
0
0

A2
-M
0
1
0

X4
0
0
0
1

Solucin
0
3
6
4

Antes de proseguir con los clculos del mtodo simplex se necesita hacer que el rengln Z sea consistente con
el resto de la tabla. En forma especfica, en la tabla X 1 = X2 = X3 = 0, lo cual produce la solucin bsica de
inicio A1 = 3, A2 = 6, X4 = 4. Esta solucin indica que el valor de Z debe ser M x 3 + M x 6= 9M, en lugar de
0 como se ve en el lado derecho del rengln de Z. Esta inconsistencia se debe a que A 1 y A2 tienen
coeficientes distintos de cero (-M, -M) en el rengln de Z (comprelo con la solucin de inicio con todas las
variables de holgura del ejemplo de Reddy Mikks, donde los coeficientes de las holguras en el rengln de Z
son cero)
Esta inconsistencia se puede eliminar sustituyendo a A1 y A2 en el rengln de z usando las ecuaciones
adecuadas de restriccin para eliminarlas. En particular, observe los elementos marcados (=1) en el rengln
A1 y en el de A2. Si se multiplica cada rengln A1 y A2 por M y se agrega la suma al rengln Z, A1 y A2
saldrn del rengln objetivo, esto es
Nuevo rengln Z = Rengln anterior Z + (M x Rengln A1 + M x Rengln A2)
Entonces, la tabla modificada es la siguiente:
Bsica
Z
A1
A2
X4

X1
-4+7M
3
4
1

X2
-1+4M
1
3
2

X3
-M
0
-1
0

A1
0
1
0
0

A2
0
0
1
0

X4
0
0
0
1

Solucin
9M
3
6
4

Observe que la nueva Z = 9M, lo que ahora es consistente con los valores de la solucin bsica factible de
inicio A1 = 3, A2 = 6 y X4 = 4.
La ltima tabla queda lista para aplicarle el mtodo simplex, con las condiciones de optimalidad y
factibilidad. Como se est minimizando la funcin objetivo, la variable X1, que es la que tiene el coeficiente
ms positivo en el rengln Z (=-4+7M) entra a la solucin: La razn mnima de la condicin de factibilidad
especifica que A1 es la variable que sale.
Una vez determinadas las variables de entrada y de salida, la nueva tabla se puede calcular con las
operaciones familiares de Gauss-Jordn. Observe que el nuevo rengln de Z se determina multiplicando el
nuevo rengln pivote por (-4+7M) y sumando el resultado al rengln actual de Z.

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES
Bsica
Z
X1
A2
X4

X1
0
1
0
0

X2
(5M+1)/3
1/3
5/3
5/3

X3
-M
0
-1
0

A1
(4-7M)/3
1/3
-4/3
-1/3

A2
0
0
1
0

X4
0
0
0
1

Solucin
4+2M
1
2
3

Esta ltima tabla muestra que X2 y A2 son las variables de entrada y de salida, respectivamente.
Multiplicamos a la fila pivote por (3/5) para convertirlo la celda pivote en 1.
Bsica
Z
X1
X2
X4

X1
0
1
0
0

X2
0
0
1
0

X3
1/5
1/5
-3/5
1

A1
-M+8/5
3/5
-4/5
1

A2
-M-1/5
-1/5
3/5
-1

X4
0
0
0
1

Solucin
18/5
3/5
6/5(-1/3)(-5/3)
1

A la fila pivote multiplicar

por (-1/3) y (-5/3) para
operaciones elementales de
Gauss-Jordn

X3 es la variable de entrada y X4 la de salida, aplicando las operaciones elementales de Gauss-Jordn,

tenemos la siguiente tabla.
Bsica
Z
X1
X2
X3

X1
0
1
0
0

X2
0
0
1
0

X3
0
0
0
1

A1
-M+7/5
2/5
-1/5
1

A2
-M
0
0
-1

X4
-1/5
-1/5
3/5
1

Solucin
17/5
2/5
9/5
1(3/5)(-1/5)

Con los datos de la tabla anterior hemos llegado al ptimo, porque ya no existe coeficiente alguno de la
funcin objetivo que sea positivo, los valores ptimos son:
2

17

X1 = , X2 = , Z =

Observe que las variables artificiales A1 y A2 salen de la solucin bsica en las iteraciones primera y segunda,
resultando consistentes con el concepto de penalizar las variables artificiales en la funcin objetivo.
Acerca del mtodo M se pueden hacer dos observaciones:
1. El uso de la penalizacin M podr no forzar la variable artificial hasta el nivel cero en la iteracin
simplex final, si el problema de programacin lineal no tiene una solucin factible (es decir, si las
restricciones no son consistentes). En este caso, la iteracin simplex final incluir cuando menos una
variable artificial a un nivel positivo.
2. La aplicacin de la tcnica M implica, tericamente, que M . Sin embargo, al usar la
computadora M debe ser finito, pero suficientemente grande. Qu tan grande es suficientemente
grande es una pregunta abierta. En forma especfica, M debe ser lo bastante grande como para
funcionar como penalizacin. Al mismo tiempo no debe ser tan grande como para perjudicar la
exactitud de los clculos simplex, al manipular una mezcla de nmeros muy grandes y muy
pequeos.
Mtodo de dos Fases
Debido al impacto potencial adverso del error de redondeo sobre la exactitud del mtodo M, donde se
manipula en forma simultnea coeficientes grandes y pequeos, el mtodo de dos fases reduce el problema
eliminando por completo la constante M. como su nombre indica, el mtodo resuelve la programacin en dos
fases: la fase I trata de determinar una solucin bsica factible de inicio y, se invoca la fase II para resolver el
problema original.
Fase I: El problema se pone en forma de ecuacin y se agregan a las restricciones las variables artificiales
necesarias (exactamente como el mtodo M) para asegurar una solucin bsica de inicio: A continuacin se
determina una solucin bsica de las ecuaciones resultantes, que minimcela suma de las variables artificiales.
Si el valor mnimo de la suma es positivo, el problema de programacin lineal no tiene solucin factible, y

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

termina el proceso (recuerde que una variable artificial positiva significa que no se satisface una restriccin
original). En caso contrario, se prosigue a la fase II.
Fase II: Se usa la solucin factible de la fase I como solucin bsica factible de inicio para el problema
original.
Usaremos el mismo problema que en el ejemplo No 1:
Fase I
Minimizar r = A1 + A2
3X1 + X2 + A1
=3
4X1 + 3X2 X3 + A2
=6
X1 + 2X2
+ X4 = 4
X1, X2, X3, X4, A1, A2 0
Igualando r = 0, tenemos: r A1 A2 = 0
La tabla asociada es la siguiente:
Bsica
r
A1
A2
X4

X1
0
3
4
1

X2
0
1
3
2

X3
0
0
-1
0

A1
-1
1
0
0

A2
-1
0
1
0

X4
0
0
0
1

Solucin
0
3
6
4

Como en el mtodo M, se elimina A1 y A2 por sustitucin en el rengln de r, usando los siguientes clculos:
Nuevo rengln r = Rengln r anterior + (1 x Rengln A1 + 1 x Rengln A2)
El nuevo rengln r se usa para resolver la fase I del problema, con lo que se obtiene la siguiente tabla optima:
Bsica
r
X1
X2
X4

X1
0
1
0
0

X2
0
0
1
0

X3
0
1/5
-3/5
1

A1
-1
3/5
-4/5
1

A2
-1
-1/5
3/5
-1

X4
0
0
0
1

Solucin
0
3/5
6/5
1
3

Como mnimo de r = 0, la fase I produce la solucin bsica factible X1 = , X2 =

y X4 = 1. Llegados a este
5
5
punto, las variables artificiales ya cumplieron su misin y se pueden eliminar de la tabla las columnas, por
completo, y pasar a la fase II
Fase II: Despus de eliminar las columnas artificiales, el problema original se escribe as:
Minimizar Z = 4X1 + X2
Sujeta a
1
3
X1 + X3
=
5

X2 -

5
6

X3
=
5
5
X3 + X 4 = 1
X1, X2, X3, X4 0
En esencia la fase I es un procedimiento que transforma las ecuaciones originales de restriccin en tal forma
que se obtiene una solucin factible bsica de inicio para el problema. La tabla asociada con la fase II del
problema es, por consiguiente:
Bsica
Z
X1

X1
-4
1

X2
-1
0

Mtodo Penalizacin y Dos Fases

X3
0
1/5

X4
0
0

Solucin
0
3/5

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES
X2
X4

0
0

1
0

-3/5
1

0
1

6/5
1

De nuevo, como las variables bsicas X1 y X2 tiene coeficientes no cero en el rengln de Z, deben sustituirse
y eliminarse con los siguientes clculos:
Nuevo rengln Z = Rengln Z anterior + (4 x Rengln X1 + 1 x Rengln X2)
La tabla inicial de la fase II resulta entonces
Bsica
Z
X1
X2
X4

X1
0
1
0
0

X2
0
0
1
0

X3
1/5
1/5
-3/5
1

X4
0
0
0
1

Solucin
18/5
3/5
6/5
1

Como se est minimizando, X3 debe entrar a la solucin. Con la aplicacin del mtodo simplex se obtendr el
ptimo en una iteracin ms.
La salida de las columnas de las variables artificiales al terminar la fase I solo se hace cuando todas ellas sean
no bsicas. Sin embargo, es posible que las variables artificiales sigan siendo bsicas pero a nivel cero al
final de la fase I. En ese caso, esas variables forman, por necesidad, parte de la solucin bsica de inicio para
la fase II. En consecuencia, se deben modificar los clculos en la fase II para asegurar que una variable
artificial nunca se haga positiva durante las iteraciones de la fase II.
Las reglas para garantizar que una variable artificial que es cero al final de la fase I nunca se vuelva positiva
durante la fase II, son las siguientes:
1. Si en la columna pivote el coeficiente de restriccin correspondiente a la variable bsica artificial es
positivo, definir al elemento pivote en forma automtica (por que corresponde a la razn mnima de
cero) y, como se busca, la variable artificial se vuelve no bsica en la siguiente iteracin.
2. Si el elemento de la columna pivote es cero, la siguiente iteracin dejara la variable artificial
inalterada, en el nivel cero.
3. Si el elemento de la columna pivote es negativo, la razn mnima no se asociara con la variable
artificial bsica (cero). En este caso, si la razn mnima resultante resulta ser positiva, la variable
artificial asumir un valor positivo en la siguiente iteracin (se da usted cuenta por qu?) y se
necesitara evitar que eso suceda. Para hacerlo, se obliga a la variable artificial a salir de la solucin
de cualquier modo. Si se observa que la variable artificial est en el nivel cero, la eliminacin de la
solucin bsica no afectara la factibilidad de las variables bsicas restantes.
Resumiendo, la regla de la fase II indica obligar a la variable artificial a salir de la solucin bsica en
cualquier momento en que su coeficiente de restriccin en la columna pivote sea positivo o negativo. De
hecho, esta regla se puede aplicar al final de la fase I, para eliminar las variables artificiales cero de la
solucin bsica, antes de siquiera comenzar con la fase II.

Caso de Estudio No 2: Bevco elabora una bebida carbonatada sabor naranja que se llama Orange mediante
la combinacin de agua carbonatada de naranja y jugo de naranja. Cada onza de jugo de naranja contiene 0.25
onzas de azcar y 3 mg de vitamina C. Bevco gasta 2 centavos por producir 1 onza de agua carbonatada de
naranja y 3 centavos por elaborar 1 onza de jugo de naranja. El departamento de mercadotecnia de Bevco
decidi que la botella de 10 onzas de Orange debe contener por lo menos 20 mg de vitamina C y cuando
mucho 4 onzas de azcar. Utilice la programacin lineal para determinar cmo Bevco puede cumplir los
requisitos del departamento de mercadotecnia a un costo mnimo.
Solucin
Sea
X1 = cantidad de onzas de agua carbonatada de naranja en una botella de Orange
X2 = cantidad de onzas de jugo de naranja en una botella de Orange

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

Entonces, el PL apropiado es
Minimizar Z = 2X1 + 3X2
Sujeto a
1
1
X1 + X2 4 (restriccin del azcar)
2
4
X1 + 3X2 20 (restriccin de la vitamina C)
X1 + X2 = 10 (10 onzas en una botella de Orange)
X1, X2 0
Descripcin del Mtodo de la Gran M (segn Wayne L. Wiston: Investigacin de Operaciones)
Paso 1: Modifique las restricciones de tal manera que el segundo miembro o lado derecho de cada una sea no
negativo. Para lograrlo, cada restriccin con un segundo miembro negativo se multiplica por -1. Recuerde que
si usted multiplica una desigualdad por un nmero negativo, se invierte la direccin de la desigualdad. Por
ejemplo, este mtodo transformara la desigualdad X1 + X2 -1 en X1 X2 1. Tambin transformara
X1 X1 - 2 en X1 + X2 2
Paso 1: Identifique cada restriccin que es ahora (despus del paso 1) una restriccin = o . En el paso 3 se
suma una variable artificial a cada una de estas restricciones.
Paso 2: Convierta cada restriccin de desigualdad en la forma estndar. Eso quiere decir que si la restriccin
i es una restriccin se suma una variable de holgura Si, y si la restriccin i es una restriccin , se resta una
variable de excedente Ei.
Paso 3: Si (despus de haber terminado el paso 1) la restriccin i es una restriccin o =, sume una variable
artificial Ai. Tambin sume la restriccin de signo Ai 0.
Paso 4: Sea M un numero positivo muy grande. Si el PL es un problema de minimizacin, sume (por cada
variable artificial) MAi a la funcin objetivo. Si el PL es un problema de maximizacin, sume (por cada
variable artificial) -MAi a la funcin objetivo.
Paso 5: Como cada variable artificial est en la base de inicio, todas las variables artificiales se tiene que
eliminar del rengln 0 antes de empezar el simplex. De esta manera se asegura que se empieza con una forma
canonca. Al elegir la variable entrante, recuerde que M es un nmero positivo muy grande. Por ejemplo, 4M
2 es ms positivo que 3M + 900, y -6M-5 es ms negativo que -5M 40.
Ahora se resuelve el problema transformando por el simplex. Si todas las variables artificiales son iguales a
cero en la solucin ptima, entonces se ha encontrado la solucin ptima del problema original. Si algunas de
variables artificiales son positivas en la solucin ptima, entonces el problema original no es factible.
Cuando una variable artificial deja la base, se podra suprimir su columna desde arreglos futuros porque el
objetivo de una variable artificial es solo lograr una solucin factible bsica inicial. Una vez que la variable
artificial abandona la base, ya no se necesita. A pesar de este hecho se conservan a menudo las variables
artificiales en todos los arreglos.

Solucin del problema planteado

Paso 1: Como ninguna de las restricciones tiene un lado derecho negativo, no se tiene que multiplicar
restriccin alguna por -1.
Paso 1: Las restricciones 2 y 3 requieren de variables artificiales.
Paso 2: Sume una variable de holgura S1 al rengln 1 y reste una variable de excedente E2 del rengln 2. El
resultado es
Minimizar Z = 2X1 + 3X2
Sujeto a

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES
1

Rengln 1:
Rengln 2:
Rengln 3:

X1 + X2 + S1 = 4
4
X1 + 3X2 E2 = 20
X 1 + X2
= 10
2

Paso 3: Sume una variable artificial A2 al rengln 2 y una variable artificial A3 al rengln 3. El resultado es
Minimizar Z = 2X1 + 3X2
Sujeto a
1
1
Rengln 1:
X1 + X2 + S1
=4
2
4
Rengln 2:
X1 + 3X2 E2 +A2 = 20
Rengln 3:
X1 + X2 + A3
= 10
A partir de este arreglo se observa que la SFB inicial es S1 = 4, A2 = 20 y A3 = 10
Paso 4: Como se est resolviendo un problema de minimizacin, se suma MA 2 + MA3 a la funcin objetivo
(si se estuviera trabajando con un problema de maximizacin, se sumara MA2 MA3). Lo anterior hace a
A2 y A3 muy poco atractivas, adems de que el hecho de minimizar Z ocasiona que A 2 y A3 sean cero. La
funcin objetivo es ahora
Minimizar Z = 2X1 + 3X2 +MA2 + MA3
Paso 5: El rengln 0 es entonces
Z -2X1 3X2 MA2 MA2 = 0
Como A2 y A3 estn en la SFB de inicio (que es la razn de haberlas introducido) se tienen que eliminar del
rengln 0. Para eliminar A2 y A3 del rengln 0, simplemente se reemplaza el rengln 0 por rengln 0+M
(rengln 2) + M (rengln 3). As se obtiene
Rengln 0: Z
M (rengln 2):
M (rengln 3):

-2X1 3X2
MA2
MX1 + 3MX2 - ME2
MX1 + MX2

MA3
+ MA2
+ MA3

=0
= 20M
= 10M

Nuevo rengln 0: Z + (2M -2) X1 + (4M 3)X2 ME2 = 30M

Al combinar el nuevo rengln 0 con los renglones 1 a 3 se obtiene el arreglo inicial de la tabla siguiente
Arreglo inicial de Bevco
Variable
bsica
Z
S1
A2
A3

X1

X2

S1

E2

A2

A3

Solucin

Cociente

1
0
0
0

2M-2

4M-3

1
1

3
1

0
1
0
0

-M
0
-1
0

0
0
1
0

0
0
0
1

30M
4
20
10

16
20/3*
10

Se est trabajando con un problema de minimizacin, as que la variable con el coeficiente ms positivo en el
rengln 0 debe entrar a la base. Como 4M 3 > 2M 2, la variable X2 debe entrar a la base. La prueba del
cociente indica que X2 debe entrar a la base en el rengln 2, lo cual significa que la variable A 2 debe dejar la
base. La parte ms difcil de hacer en el pivoteo es eliminar X 2 del rengln 0. Primero se reemplaza el rengln
1
2 por (rengln 2). Por lo tanto, el nuevo rengln 2 es
3

1
3

X1 + X2 - E2 + A2 =

20
3

Primera iteracin para Bevco

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES
Variable
bsica
Z
S1
X2
A3

X1

X2

S1

E2

A2

A3

Solucin

Cociente

1
0
0
0

(2M-3)/3
5/12
1/3
2/3

0
0
1
0

0
1
0
0

(M-3)/3
1/12
-1/3
1/3

(3-4M)/3
-1/12
1/3
-1/3

0
0
0
1

(60+10M)/3
7/3
20/3
10/3

28/5
20
5

Enseguida se puede eliminar X2 del rengln 0 sumando (4M-3) (nuevo rengln 2) al rengln 0, o bien, (3 4M) (nuevo rengln 2) + rengln 0. Ahora,
(3 - 4M)(Nuevo rengln 2) =

(34)
X1
3

+ (3-4M)X2

(34)

(34)

E2 +

A2 =

20(34)
3

Rengln 0: Z + (2M - 2)X1 + (4M - 3)X2 ME2 = 30M

Nuevo Rengln 0: Z +

(23)1
3

(3)2
3

(34)2
3

60+10
3

Despus de efectuar algunas OER para eliminar X2 del rengln 1 y del rengln 3 se obtiene el tablero anterior.
23
3
Como
>
, se introduce X1 a la base. La prueba de del cociente indica que X1 debe entrar a la base en
3
3
el tercer rengln del tablero actual. Luego A3 dejara la base, y el siguiente tablero tendr A2 = A3 = 0. Para
3
introducir X1 a la base en el rengln 3 primeros se reemplaza el rengln 3 por (rengln 3). Por lo tanto, el
2
nuevo rengln 3 ser

3
X1 + 2 - 2 + 3 = 5
2

Para eliminar X1 del rengln 0, se reemplaza el rengln 0 por rengln 0 + (3 - 2M) (Nuevo rengln 3)/3
Rengln 0: Z +

(2M3)X1
3

(32M)(nuevo renglon 3)
3

Nuevo rengln 0: Z -

(M3)E2

(3 2M)X1

2
2

(32M)E2

(12)2
2

(34M)A2

(2M 3)A2

(32)3
2

(60M)

(32M)A3
2

(1510M)
3

= 25

El nuevo rengln 1 y el nuevo rengln 2 se calculan como siempre, lo cual origina el tablero siguiente:
Variable
bsica
Z
S1
X2
X1

X1

X2

S1

E2

A2

A3

Solucin

1
0
0
0

0
0
0
1

0
0
1
0

0
1
0
0

-1/2
-1/8
-1/2

(1-2M)/2
1/8

25

-1/2

(3-2M)/2
-5/8
-1/2
3/2

5
5

Como todas las variables en el rengln 0 tienen coeficientes no positivos, este es un tablero optimo; todas las
variables artificiales son iguales a cero en este tablero, por lo que se ha encontrado la solucin ptima del
1
problema de Bevco: Z = 25, X1 = X2 = 5, S1 = , E2 = 0. Esto significa que Bevco puede mantener el costo de
4
producir una botella de 10 onzas de Orange a 25 centavos mediante la combinacin de 5 onzas de agua
carbonatada de naranja, y 5 onzas de jugo de naranja. Obsrvese que la columna de A 2 podra ser suprimida
despus de que A2 deja la base (al concluir el primer pivoteo), y que la columna de A 3 se podra eliminar
despus de que A3 deja la base (cuando concluye el segundo pivoteo)
Descripcin del Mtodo Simplex de Dos Fases (segn Wayne L. Wiston: Investigacin de Operaciones)
Con los siguientes pasos se explica el mtodo simplex de dos fases. Note que los pasos 1 a 3 de este mtodo
son idnticos a los pasos 1 a 3 del mtodo de la gran M.

Mtodo Penalizacin y Dos Fases

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

Paso 1: Modifique las restricciones de tal manera que el segundo miembro o lado derecho de cada una sea no
negativo. Para lograrlo, cada restriccin con un segundo miembro negativo se multiplica por -1.
Paso 1: Identifique cada restriccin que es ahora (despus del paso 1) una restriccin = o . En el paso 3 se
suma una variable artificial a cada una de estas restricciones.
Paso 2: Convierta cada restriccin de desigualdad en la forma estndar. Eso quiere decir que si la restriccin
i es una restriccin se suma una variable de holgura Si, y si la restriccin i es una restriccin , se resta una
variable de excedente Ei.
Paso 3: Si (despus de haber terminado el paso 1) la restriccin i es una restriccin o =, sume una variable
artificial Ai. Tambin sume la restriccin de signo Ai 0.
Paso 4: Por ahora ignore la funcin objetivo del PL original. Mientras, resuelva un PL cuya funcin objetivo
es min w = (suma de todas las variables artificiales). A esta parte se le denomina PL de la fase I. El hecho de
resolver el PL de la fase I forzara a las variables artificiales a ser cero.
Como cada Ai 0, al resolver el PL de la fase I dar como resultado uno de los tres casos siguientes:
Caso 1: El valor ptimo de w es mayor que cero. En este caso, el PL original no tiene solucin factible.
Caso 2: El valor w es igual a cero y ninguna variable artificial est en la base optima de la fase I. En este
caso, se suprimen todas las columnas del arreglo ptimo de la fase I que corresponden a las variables
artificiales. Luego se combinan la funcin objetivo original y las restricciones del arreglo ptimo de la fase I.
as se obtiene el PL de la fase II. La solucin ptima para el PL de la fase II es la solucin ptima del PL
original.
Caso 3: El valor ptimo de w es igual a cero y por lo menos una variable artificial est en la base ptima de
la fase I. En este caso se puede encontrar la solucin ptima del PL original si al final de la fase I se eliminan,
del arreglo ptimo de la fase I, todas las variables artificiales no bsicas y cualquier variable del problema
original que tenga coeficiente negativo en el rengln 0 del arreglo ptimo de la fase 1.
Recuerde que el problema de Bevco era
Minimizar Z = 2X1 + 3X2
Sujeto a
1
1
X 1 + X 2 4
2
4
X1 + 3X2 20
X1 + X2 = 10
X1, X2 0
Solucin: Al igual que en el mtodo de la Gran M, por medio de los pasos 1 a 3, se transforman las
restricciones en
Minimizar Z = 2X1 + 3X2
Sujeto a
1
1
X1 + X2 + S1
=4
2
4
X1 + 3X2 E2 +A2 = 20
X1 + X2 + A3
= 10
El paso 4 genera el siguiente PL de la fase I:
Minimizar w = A2 + A3
1
1
X1 + X2 + S1
=4
2
4
X1 + 3X2 E2 +A2 = 20
X1 + X2 + A3
= 10
Este conjunto de ecuaciones proporciona una SFB de inicio para la fase I (S 1 = 4, A2 = 20, A3 = 10)
Obsrvese que el rengln cero de este tablero (w A2 A3 = 0) contiene las variables bsicas A2 y A3. Como
en el mtodo de la gran M, A2 y A3 se deben eliminar del rengln 0 antes de poder resolver la fase I. Se
suman simplemente el rengln 2 y el rengln 3 al rengln 0 para eliminar A2 y A3 del rengln 0:
Rengln 0:

Mtodo Penalizacin y Dos Fases

-A2 - A3 = 0
10

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

Rengln 2:
X1 + 3X2 E2 + A2
Rengln 3:
X1 + X2
+
A3
Nuevo rengln 0: w + 2X1 + 4X2 E2
= 30

= 20
= 10

Al combinar el nuevo rengln 0 con las restricciones de la fase I se obtiene el tablero inicial de la fase I, de la
tabla siguiente:
Variable
W
X1
X2
bsica
W
1
2
4
S1
0

A2
0
1
3
A3
0
1
1
Tablero inicial de la fase I para Bevco

S1

E2

A2

A3

Solucin

Cociente

0
1
0
0

-1
0
-1
0

0
0
1
0

0
0
0
1

30
4
20
10

16
20/3*
10

Como el problema de la fase I es siempre de minimizacin (incluso si el PL original es un problema de

maximizacin), se introduce X2 a la base. La prueba del cociente indica que X2 debe entrar a la base en el
rengln 2, y salir A2. Despus de efectuar las OER pertinentes se llega al tablero siguiente.
Variable
W
X1
X2
S1
E2
A2
bsica
W
1
2/3
0
0
1/3
-4/3
S1
0
5/12
1
1/12 -1/12
0
A2
0
1/3
1
0
-1/3
1/3
A3
0
2/3
0
0
1/3
-1/3
Tablero de la fase I para Bevco despus de una iteracin

A3

Solucin

Cociente

0
0
0
1

10/3
3/7
20/3
10/3

28/5
20
5

28

Como 5 < 20 y 5 < , X1 entra a la base en el rengln 3. Por lo tanto, A3 saldr de la base. Como A2 y A3
5
sern no bsicas despus de que el pivoteo actual se termine, se sabe ya que el tablero siguiente ser ptimo
para la fase I. una mirada al tablero en la tabla siguiente confirma este hecho.
Variable
W X1
X2
S1
bsica
W
1
0
0
0
S1
0
0
1
0
A2
0
0
1
0
A3
0
1
0
0
Tablero ptimo de la fase I para Bevco

E2

A2

A3

Solucin

0
-1/8
-1/2
1/2

-1
1/8

-1
-5/8
-1/2
3/2

-1/2

5
5

Como w = 0, concluy la fase I, se encontr la solucin factible bsica S1 = , X2 = 5, X1 = 5. Ninguna

4
variable artificial est en la base de la fase I. por consiguiente, el problema es un ejemplo del caso 2. Ahora se
suprimen las columnas de la variable artificial A2 y A3 (ya no se les necesita), y se reintroduce la funcin
objetivo original.
Minimizar z = 2X1 + 3X2

o bien,

z 2X1 3X2 = 0

Puesto que X1 y X2 estn ambas en la base optima de la fase I, deben ser eliminadas del rengln 0 de la fase
II. Se suma 3(rengln 2) + 2(rengln 3) del tablero ptimo de la fase I al rengln 0.
Rengln 0 de la fase II: z 2X1 3X2
= 0
3
+ Rengln 2:
3X2 - E2 = 15
2
+ Rengln 3:
2X1
+ E2
= 10
1
= Nuevo rengln 0: z
- E2 = 25
2

Se empieza entonces la fase II con el conjunto de ecuaciones siguiente:

Mtodo Penalizacin y Dos Fases

11

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES
1

Minimizar z - E2
1

= 25

S1 - E2

8
1

X2 - E 2

1
4

=5

2
1

X1 + E 2
=5
2
Este conjunto es ptimo. Por consiguiente, en este problema, la fase II no requiere pivoteos para llegar a la
solucin ptima. Si el rengln 0, de la fase II no indica un tablero ptimo, entonces se prosigue simplemente
con el simplex hasta que se obtenga un rengln 0. En resumen, el tablero ptimo de la fase II indica que la
1
solucin ptima para el problema de Bevco es z = 25, X 1 = 5, X2 = 5, S1 =
y E2 =0, sta va de acuerdo,
4
naturalmente, con la solucin ptima que se determin por medio del mtodo de la gran M.

Conjunto de Ejercicios No 4: Mtodo de la gran M y de las Dos Fases

1.

Minimizar Z = 2X1 + X2 + 3X3

Sujeto a:

3X1 + X2 + 2X3
X1 - 2X2 + 3X3
2X1 + 3X2 - X3
X1 + X2 + 2X3
2.

10
6
9
7

Minimizar Z = 2000X1 + 500X2

Sujeto a:

2X1 + 3X2 36
3X1 + 6X2 60
X 1, X 2 0
3.

Maximizar Z = 6X1 + 4X2 + 4X3

Sujeto a:

3X1 + 6X2 + X3 20
2X1 + X2 + 2X3 = 15
X1, X2, X3 0
4.

Minimizar Z = 20X1 + 30X2 +16X3

Sujeto a:

2.5X1 + 3X2 + X3 3
X1 + 3X2 + 2X3 4
X1, X2, X3 0
5.

Minimizar Z = 5 X1 +

1
X
2 2

Sujeto a:
3
X
10 1

1
X
10 2

27
10

1
X
2 1

1
X
2 2

= 6

3
X
5 1

2
X
5 2

X 1, X 2 0
Mtodo Penalizacin y Dos Fases

12

Docente: Mg. Ing. J. Paredes C.

UNIVERSIDAD SAN PEDRO

Ingeniera Mecnica y Elctrica
INVESTIGACION DE OPERACIONES

6.

Minimizar z = X1 + 2X2
Sujeto a:
-3X1 + 2X2 6
10

X1 + X2
2
-x1 + 3X2 6
X1, X2 0
7.

Minimizar Z = 5X1 6X2 7X2

Sujeto a
X1 + 5X2 3X3 15
5X1 - 6X2 + 10X3 20
X1 + X2 + X3 = 5
X1, X2, X3 0

8.

Minimizar Z = 10X1 + 15X2

Sujeto a
X1 + 2X2 4
5X1 + 3X2 3
X1, X2 0

Mtodo Penalizacin y Dos Fases

13

Docente: Mg. Ing. J. Paredes C.