jlc

Esta técnica se fundamenta en dos principios:

 Una solución óptima es una solución factible que

proporciona el valor más favorable de la función
objetivo

o Una solución factible es aquella para la que todas

las restricciones se satisfacen.

jlc
Esta técnica se fundamenta en dos principios:

o Condición de Optimalidad. nos asegura que nunca

encontraremos soluciones inferiores a la del punto
considerado.

o Condición de Factibilidad. Nos garantiza que

comenzando con una solución básica factible,
únicamente encontraremos soluciones básicas
factibles durante el proceso.

jlc
 Es un procedimiento de cálculo algebraico,
iterativo, para resolver Modelos Lineales de
cualquier tamaño.

 El álgebra matricial y el proceso de eliminación

de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método
simplex.

 Una Tabla Simplex es un resumen detallado de toda

la información del modelo para trabajar más
fácilmente con él

jlc
Esta forma contiene:

a) Lado derecho de las restricciones con valor

positivo

b) Las restricciones deben ser expresadas como

igualdades.(variables de holgura)

jlc
De ser negativo el término independiente, para
realizar este proceso se debe multiplicar por (-1) a
ambos lados de la restricción, teniendo en cuenta
que el las desigualdades cambiara el sentido de la
relación:

Ej:
𝑥 − 𝑦 = −2 −𝑥 + 𝑦 = 2

2𝑥 + 5𝑦 ≥ −2 Equivale a −2𝑥 − 5𝑦 ≤ 2

−2𝑥1 + 3𝑥2 ≤ −3 2𝑥1 − 3𝑥2 ≥ 3

jlc
Variable de Holgura

 En términos matemáticos, expresan la diferencia

entre el lado izquierdo y el lado derecho de las
restricciones.

 Al igual que las variables de decisión deben ser

mayores o iguales a cero.

jlc
Variable de Holgura

 En términos del modelo representan la cantidad de

recurso no utilizado con relación a un máximo
disponible, o utilizado por encima de un mínimo
disponible. Esto es así cuando la restricción es
de un recurso disponible.

jlc
Restricciones del tipo ≤

Se utiliza una variable de holgura no negativa, que

se adiciona al lado izquierdo de la restricción,
para convertirla en una igualdad equivalente. (No se
ve reflejada en la F.O.)

Ej:

𝑥1 + 3𝑥2  15 equivale 𝑥1 + 3𝑥2 + 𝐻1 = 15

Siendo 𝐻1 la variable de holgura y 𝐻1 ≥ 0.

jlc
Restricciones del tipo ≥

Puede ser llevada sumando una variable artificial no

negativa y restando una variable de holgura. (La
variable artificial se ve reflejada en la F.O.)

Ej:
2𝑥1 − 𝑥2 ≥ 3 equivale a 2𝑥1 − 𝑥2 + 𝐴1 − 𝐻1 = 3

Siendo:
𝐴1 variable artificial, 𝐴1 ≥ 0
𝐻1 variable de holgura, 𝐻1 ≥ 0
.

jlc
Restricciones del tipo =

Se suma una variable artificial no negativa. (La

variable artificial se ve reflejada en la F.O.)

Ej:

5𝑥1 − 3𝑥2 = 9 equivale a 5𝑥1 − 3𝑥2 + 𝐴1 = 9

Siendo:
𝐴1 variable artificial, 𝐴1 ≥ 0

jlc
 FUNCION FUNCION
TIPO DE
RESTRICCIONES OBJETIVO OBJETIVO
RESTRICCIONES
MAXIMIZACION MINIMIZACION

≤ +H𝑖 +0H𝑖 +0H𝑖

≥ −H𝑖 + 𝐴𝑖 +0H𝑖 − 𝑀𝐴𝑖 +0H𝑖 + 𝑀𝐴𝑖

= +𝐴𝑖 − 𝑀𝐴𝑖 + 𝑀𝐴𝑖

jlc
Debe existir una variable básica en cada
restricción.

Esto permite obtener una primera solución posible

que satisface todas las restricciones.

Una variable básica tiene coeficiente 1 positivo en

una restricción y no existe en las demás
restricciones

jlc
El general puede ser escrito en notación matriz-
vectores, como:

Max
𝑍 = 𝐶𝑥
Sujeto a:
𝐴𝑥 = 𝑏
𝑥 ≥ 0
𝑏≥ 0

jlc
Maximizar

𝒛 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐

Sujeto a
𝒙𝟏 ≤ 𝟒
𝟐𝒙𝟐 ≤ 𝟏𝟐
−𝟑𝒙𝟏 − 𝟐𝒙𝟐 ≥ −𝟏𝟖
𝒙𝟏, 𝒙𝟐 ≥ 𝟎

jlc
1. Convertir Inecuaciones a Ecuaciones.

2. Construcción de la Tabla.

3. Pasos Simplex.

4. Solución.
Maximizar

𝒛 − 𝟑𝒙𝟏 − 𝟓𝒙𝟐 = 𝟎

Sujeto a

𝒙𝟏 + 𝑯𝟏 = 𝟒
𝟐𝒙𝟐 + 𝑯𝟐 = 𝟏𝟐
𝟑𝒙𝟏 + 𝟐𝒙𝟐 + 𝑯𝟑 = 𝟏𝟖

𝒙𝟏 , 𝒙𝟐 , 𝑯𝟏 , 𝑯𝟐 , 𝑯𝟑 ≥ 𝟎

jlc
Se ubican las variables básicas y no básicas como
las columna de la tabla y las básicas como fila.

Coeficiente
Var.
bi
Básicas Z x1 x2 H1 H2 H3

Z 1 -3 -5 0 0 0 0
H1 0 1 0 1 0 0 4
H2 0 0 2 0 1 0 12
H3 0 3 2 0 0 1 18

jlc
Se identifica la columna pivote(maximización “mayor
valor absoluto” – minimización “menor valor
absoluto”) de la fila de la F.O.

Coeficiente
Var.
bi
Básicas Z x1 x2 H1 H2 H3

Z 1 -3 -5 0 0 0 0
H1 0 1 0 1 0 0 4
H2 0 0 2 0 1 0 12
H3 0 3 2 0 0 1 18

jlc
Se identifica la fila pivote (dividiendo cada
resultado entre los términos correspondientes de la
columna pivote y escoge el valor menor positivo), la
intersección de fila y columna pivote será elemento
pivote (E.P)
Var. Coeficiente
Básica bi Operación
s Z x1 x2 H1 H2 H3

Z 1 -3 -5 0 0 0 0 0/-5 = 0
H1 0 1 0 1 0 0 4 4/0 = NA
H2 0 0 2 0 1 0 12 12/2 = 6
H3 0 3 2 0 0 1 18 18/2 = 9

jlc
La variable básica de ese renglón es la variable
básica que sale; sustituyéndola con la variable
básica entrante en la columna de la variable básica
de la siguiente tabla

Coeficiente
Var.
bi Operación
Básicas Z x1 x2 H1 H2 H3

Z 1 -3 -5 0 0 0 0 0/-5 = 0
H1 0 1 0 1 0 0 4 4/0 = NA
H2 0 0 2 0 1 0 12 12/2 = 6
H3 0 3 2 0 0 1 18 18/2 = 9

jlc
Se despeja la nueva solución básica factible
mediante operaciones elementales con filas (sumas,
multiplicaciones y demás, propias de la eliminación
gaussiana)

Para construir una nueva tabla símplex se busca

hacer ceros los elementos de la columna pivote
Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 -5 0 0 0 0 0/-5 = 0
H1 0 1 0 1 0 0 4 4/0 = NA
H2 0 0 2 0 1 0 12 12/2 = 6
H3 0 3 2 0 0 1 18 18/2 = 9

jlc
 Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 -5 0 0 0 0
H1 0 1 0 1 0 0 4
H2 0 0 2 0 1 0 12 FP
H3 0 3 2 0 0 1 18

Divida el fila pivote (FP) entre el elemento pivote

(EP=2) para obtener Nuestra Fila Pivote (NFP)
Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z
H1
X2 0 0 1 0 1/2 0 6 NFP=FP/EP
H3

jlc
En base a la NFP se realizan operaciones de
eliminación gaussiana para cada una de las filas
restantes.

Z 1 -3 -5 0 0 0 0 FZ

x2 0 0 1*(PZ) 0 1/2*(PZ) 0 6*(PZ) NFP*(PZ)

Z 1 -3 0 0 5/2 0 30 FZN = FZ – NFP * PZ

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 0 0 5/2 0 30 FNZ
H1
X2 0 0 1 0 1/2 0 6 NFP
H3

jlc
Se repite el proceso para las demás filas

H1 0 1 0 1 0 0 4 FH1

x2 0 0 1*(PH1) 0 1/2*(PH1) 0 6*(PH1) NFP*(PH1)

H1 0 1 0 1 0 0 4 FH1N= FH1– NFP * PH1

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 0 0 5/2 0 30 FNZ
H1 0 1 0 1 0 0 4 FH1N
x2 0 0 1 0 1/2 0 6 NFP
H3

jlc
Se repite el proceso para las demás filas

H3 0 3 2 0 0 1 18 FH3

x2 0 0 1*(PH3) 0 1/2*(PH3) 0 6*(PH3) NFP*(PH3)

H3 0 3 0 0 -1 1 6 FH3N= FH3– NFP * PH3

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 0 0 5/2 0 30 FNZ
H1 0 1 0 1 0 0 4 FH1N
x2 0 0 1 0 1/2 0 6 NFP
H3 0 3 0 0 -1 1 6 FH1N

jlc
Se identifica nuevamente la columna pivote(max.
“mayor valor absoluto” – min. “menor valor
absoluto”) de la fila de la F.O.

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 0 0 5/2 0 30
H1 0 1 0 1 0 0 4
x2 0 0 1 0 1/2 0 6
H3 0 3 0 0 -1 1 6

jlc
Ahora la fila pivote (dividiendo cada resultado
entre los términos correspondientes de la columna
pivote y escoge el valor menor positivo), la
intersección de fila y columna pivote será elemento
pivote (E.P)

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 0 0 5/2 0 30 30/(-3)=-10
H1 0 1 0 1 0 0 4 4/1=4
x2 0 0 1 0 1/2 0 6 6/0 = NA
H3 0 3 0 0 -1 1 6 6/3=2

jlc
 Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 -3 0 0 5/2 0 30
H1 0 1 0 1 0 0 4
x2 0 0 1 0 1/2 0 6
H3 0 3 0 0 -1 1 6 FP

Divida el fila pivote (FP) entre el elemento pivote

(EP=3) para obtener Nuestra Fila Pivote (NFP)
Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z
H1
x2
x1 0 1 0 0 -1/3 1/3 2 NFP=FP/EP

jlc
En base a la NFP se realizan operaciones de
eliminación gaussiana para cada una de las filas
restantes.

Z 1 -3 0 0 5/2 0 30 FZ

x1 0 1*(PZ) 0 0 -1/3*(PZ) 1/3*(PZ) 2*(PZ) NFP*(PZ)

Z 1 0 0 0 3/2 1 36 FZN = FZ – NFP * PZ

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 0 0 0 3/2 1 36 FNZ
H1
X2
X1 0 1 0 0 -1/3 1/3 2 NFP

jlc
Se repite el proceso para las demás filas

H1 0 1 0 1 0 0 4 FH1

x1 0 1*(PH1) 0 0 -1/3*(PH1) 1/3*(PH1) 2*(PH1) NFP*(PH1)

H1 0 0 0 1 1/3 -1/3 2 FH1N=FH1–NFP*PH1

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 0 0 0 3/2 1 36 FNZ
H1 0 0 0 1 1/3 -1/3 2 FH1
X2
X1 0 1 0 0 -1/3 1/3 2 NFP

jlc
Se repite el proceso para las demás filas

x2 0 0 1 0 1/2 0 6 FX2

x1 0 1*(PX2) 0 0 -1/3*(PX2) 1/3*(PX2) 2*(PX2) NFP*(PX2)

X1 0 0 1 0 1/2 0 6 FX2 = FZ – NFP * PX2

Var. Coeficiente
bi Operación
Básicas Z x1 x2 H1 H2 H3
Z 1 0 0 0 3/2 1 36 FNZ
H1 0 0 0 1 1/3 -1/3 2 FH1
X2 0 0 1 0 1/2 0 6 FX2
X1 0 1 0 0 -1/3 1/3 2 NFP

jlc
Se encuentra que la solución es óptima porque no hay
coeficientes negativos en la fila de la FO, de
manera que el algoritmo termina

Var. Coeficiente
bi
Básicas Z x1 x2 H1 H2 H3
Z 1 0 0 0 3/2 1 36
H1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2

jlc
Complementar el estudio con los casos especiales y
demás información presentada en los vídeos del link.

jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
jlc
 Empate de la variable básica entrante?
R/ Se puede elegir entre estos dos competidores de
manera arbitraria.

 Empate de la variable básica que sale?

R/. Solución Degenerada

jlc
Maximizar 𝒛 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐 − 𝑴𝑨𝟑
𝒛 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐 𝒙𝟏 + 𝑯𝟏 = 𝟒
Sujeto a 𝟐𝒙𝟐 + 𝑯𝟐 = 𝟏𝟐
𝒙𝟏 ≤ 𝟒 𝟑𝒙𝟏 + 𝟐𝒙𝟐 + 𝑨𝟑 = 𝟏𝟖
𝟐𝒙𝟐 ≤ 𝟏𝟐 𝒙𝟏, 𝒙𝟐 , 𝑯𝟏, 𝑯𝟐, 𝑨𝟑 ≥ 𝟎
𝟑𝒙𝟏 + 𝟐𝒙𝟐 = 𝟏𝟖
𝒙𝟏, 𝒙𝟐 ≥ 𝟎

TIPO DE FUNCION OBJETIVO

RESTRICCIONES
RESTRICCIONES MAXIMIZACION

≤ +𝐻𝑖 +0𝐻𝑖

= 𝐴𝑖 − 𝑀𝐴𝑖

jlc
 NZ mediante despejes matemáticos de las
𝒛 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐 − 𝑴𝑨𝟑 variables básicas en la FO en términos de
𝒙𝟏 + 𝑯𝟏 = 𝟒 las no básicas
𝟐𝒙𝟐 + 𝑯𝟐 = 𝟏𝟐 𝑨𝟑 = 𝟏𝟖 − 𝟑𝒙𝟏 − 𝟐𝒙𝟐
𝟑𝒙𝟏 + 𝟐𝒙𝟐 + 𝑨𝟑 = 𝟏𝟖 𝒛 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐 − 𝑴𝑨𝟑

𝒛 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐 − 𝑴 𝟏𝟖 − 𝟑𝒙𝟏 − 𝟐𝒙𝟐

𝑵𝒁 − 𝟑 + 𝟑𝑴 𝒙𝟏 − (𝟓 + 𝟐𝑴)𝒙𝟐 = −𝟏𝟖𝑴

Z X Y H1 H2 A3 SOL
NZ 1 -(3M+3) -(2M+5) 0 0 0 -18M
H1 0 1 0 1 0 0 4

H2 0 0 2 0 1 0 12

A3 0 3 2 0 0 1 18

jlc
 Z X Y H1 H2 A3 SOL
NZ 1 -(3M+3) -(2M+5) 0 0 0 -18M
H1 0 1 0 1 0 0 4
H2 0 0 2 0 1 0 12
A3 0 3 2 0 0 1 18

Z X Y H1 H2 A3 SOL
NZ 1 0 -(2M+5) (3M+3) 0 0 -6M+12
X 0 1 0 1 0 0 4
H2 0 0 2 0 1 0 12
A3 0 0 2 -3 0 1 6

jlc
 Z X Y H1 H2 A3 SOL
NZ 1 0 0 -9/2 0 M+5/2 27
X 0 1 0 1 0 0 4
H2 0 0 0 3 1 -1 6
y 0 0 1 -3/2 0 1/2 3

Z X Y H1 H2 A3 SOL
NZ 1 0 0 0 3/2 M+1 36
X 0 1 0 0 -1/3 1/3 2
H1 0 0 0 1 1/3 -1/3 2
y 0 0 1 0 1/2 0 6

X= 2 ;; y=6 ;; Z=36

jlc
 𝒛 − 𝟑𝒙𝟏 − 𝟓𝒙𝟐 + 𝑴𝑨𝟑 = 𝟎
𝒙𝟏 + 𝑯𝟏 = 𝟒 Para NZ buscamos factor de M que
cancele el coeficiente para
𝟐𝒙𝟐 + 𝑯𝟐 = 𝟏𝟐 generar la variable básica.
𝟑𝒙𝟏 + 𝟐𝒙𝟐 + 𝑨𝟑 = 𝟏𝟖

COEF X Y H1 H2 A3 SOL

Z -3 -5 0 0 M

A3 -M 3 2 0 0 1 18

NZ -3-3M -5-2M 0 0 0 -18M

𝑵𝒁 − 𝟑 + 𝟑𝑴 𝒙𝟏 − (𝟓 + 𝟐𝑴)𝒙𝟐 = −𝟏𝟖𝑴

jlc
Min: z = 4x + y Inecuaciones a
ecuaciones en Min
Rs: 3x + y = 3 ≥ → -H+A : +MA
4x + 3y ≥ 6 ≤ → +H
x + 2y ≤ 4 = → +A : +MA

3x + y + A1 = 3
4x + 3y – H1 + A2 = 6
x + 2y + H2 = 4
Min: z = 4x + y + MA1 + MA2

Max: -z = -4x - y - MA1 - MA2

 Variables básicas: A1, A2, H2

-z = -4x - y - MA1 - MA2

Se tiene
3x + y + A1 = 3 → A1= 3 -3x - y
4x + 3y – H1 + A2 ≥ 6 → A2= 6 – 4x -3y + H1

Reorganizando y sustituyendo en la función objetivo

-Z + 4x + y + M (3 - 3x – y) + M (6- 4x – 3y + H1) =0

NZ - (7M – 4) x - (4M - 1)y + MH1 = -9M

 COEF X Y H1 H2 A1 A2 SOL

Z 4 1 0 0 M M

A1 -M 3 1 0 0 1 0 3

A2 -M 4 3 -1 0 0 1 6

NZ 4-7M 1-4M M 0 0 0 -9M

El mismo resultado por ambos métodos

NZ - (7M-4) x - (4M-1)y + MH1 = -9M

 Z X Y H1 H2 A1 A2 SOL

NZ -1 -(7M-4) -(4M-1) M 0 0 0 -9M

A1 0 3 1 0 0 1 0 3

A2 1 4 3 -1 0 0 1 6

H2 0 1 2 0 1 0 0 4

Z X Y H1 H2 A1 A2 SOL

NZ -1 0 -(1.67M+0.33) M 0 2.33M-1.33 0 -2M - 4

X 0 1 0.33 0 0 0.33 0 1

A2 0 0 1.67 -1 0 -1.33 1 2

H2 0 0 1.67 0 1 -0.33 0 3
 Z X Y H1 H2 A1 A2 SOL
NZ -1 0 0 -0.2 0 M-1.6 M+0.1 -3.6
X 0 1 0 0.2 0 0.6 -0.2 0.6
Y 0 0 1 -0.6 0 -0.8 0.6 1.2
H2 0 0 0 1 1 1 -1 1

Z X Y H1 H2 A1 A2 SOL
NZ -1 0 0 0 0.2 M-1.6 M -3.4
X 0 1 0 0 -0.2 0.4 0 0.4
Y 0 0 1 0 0.6 -0.2 0 1.8
H1 0 0 0 1 1 1 -1 1

X= 0.4 ;; y=1.8 ;; Z=3.4

jlc
Minimizar
𝒛 = 𝟎. 𝟒𝒙𝟏 + 𝟎. 𝟓𝒙𝟐
Sujeto a −𝒛 + 𝟎. 𝟒𝒙𝟏 + 𝟎. 𝟓𝒙𝟐 + 𝑴𝑨𝟐 +𝑴𝑨𝟑 = 𝟎
𝟎. 𝟑𝒙𝟏 + 𝟎. 𝟏𝒙𝟐 ≤ 𝟐. 𝟕 𝟎. 𝟑𝒙𝟏 + 𝟎. 𝟏𝒙𝟐 + 𝑯𝟏 = 𝟐. 𝟕
𝟎. 𝟓𝒙𝟏 + 𝟎. 𝟓𝒙𝟐 = 𝟔 𝟎. 𝟓𝒙𝟏 + 𝟎. 𝟓𝒙𝟐 + 𝑨𝟐 = 𝟔
𝟎. 𝟔𝒙𝟏 + 𝟎. 𝟒 𝒙𝟐 ≥ 𝟔 𝟎. 𝟔𝒙𝟏 + 𝟎. 𝟒 𝒙𝟐 − 𝑯𝟑 + 𝑨𝟑 = 𝟔
𝒙 𝟏, 𝒙 𝟐 ≥ 𝟎

Z X1 X2 H1 A2 H3 A3 SOL

NZ -1 -(1.1M-0.4) -(0.9M-0.5) 0 0 M 0 -12M

H1 0 0.3 0.1 1 0 0 0 2.7

A2 0 0.5 0.5 0 1 0 0 6

A3 0 0.6 0.4 0 0 -1 1 6

jlc
1. Hillier, F. S.; Lieberman, G. J. (2011).
Introducción a la Investigación de Operaciones.
McGraw-Hill

jlc