UNIVERSIDAD NACIONAL EXPERIMENTAL

FRANCISCO DE MIRANDA
REA DE TECNOLOGA
DEPARTAMENTO DE GERENCIA
UNIDAD CURRICULAR: INVESTIGACIN DE OPERACIONES
PROFESOR: JUAN LUGO MARN

Tema No. 3
Mtodos de Resolucin de Modelos de Programacin
Lineal.
Introduccin
En este material se presentan los detalles de los mtodos empleados
para resolver Modelo de Programacin Lineal. Inicialmente se explica
el Mtodo Grfico que, an cuando tiene severas limitaciones para su
aplicacin, ya que est basado en una geometra plana, resulta
conveniente para ilustrar muchos de los elementos importante de los
modelos de programacin lineal. Aunque la geometra plana se limita
a un caso muy restringido, es fcil de manejar y mucho de los
conceptos generales que se aplican a modelos de dimensiones
superiores pueden ser conectados con los esquemas bidimensionales.
La columna vertebral de este tema es presentar detalladamente el
mtodo simplex, que es un mtodo algebraico que puede resolver
cualquier problema de programacin lineal. La informacin que pueda
obtenerse con el mtodo simplex, va ms all de la determinacin de
los valores ptimos de las variables y de la funcin objetivo. De
hecho, la solucin simplex proporciona interpretaciones econmicas y
resultados del anlisis de sensibilidad, como se ver con mayor
detalle en el Tema 4.
Los economistas de la antigua Unin Sovitica fueron los primeros en
aplicar las tcnicas de la programacin lineal en la organizacin y

planificacin de la produccin. Sin embargo, fue durante la Segunda

Guerra Mundial cuando la programacin lineal adquiri importancia. La

Fuerza erea de los Estados Unidos cre el proyecto SCOOP (Scientific

1

Computation of Optima Programs) dirigido por G. B. Dantzig . El mtodo

ms conocido para resolver problemas de programacin lineal, el mtodo

simplex, es debido a Dantzig, quien lo introdujo en 1947. Afortunadamente,
el crecimiento de la capacidad de clculo
de los computadores ha permitido el uso de las tcnicas desarrolladas en
problemas de gran dimensin.

Durante las

ltimas dcadas se ha dedicado mucho trabajo e

investigacin a los problemas de programacin lineal (PPL). Mientras

que la implementacin

del mtodo simplex ha sufrido modificaciones

importantes, los conceptos fundamentales no han variado.

El Mtodo Grfico
El mtodo grfico de solucin para problemas lineales representa una manera
til de resolver problemas lineales con dos variables de decisin; para modelos con
tres o ms variables de decisin el mtodo grfico es imprctico o imposible. No
obstante podemos deducir conclusiones generales del mtodo grfico que servirn
como base para el mtodo simplex que veremos ms adelante.
Para la solucin grfica de programas lineales con dos variables, lo que se
tiene que hacer es trazar un eje de coordenadas cartesianas, para graficar las
desigualdades dadas por el problema, despus encontrar el rea de Soluciones
Factibles y proceder a graficar la funcin objetivo para conocer el valor ptimo
(maximizar o minimizar) que ser la solucin del problema.

Ejemplo: Problema de mezcla de productos.

Un fabricante est tratando de decidir sobre las cantidades de produccin para dos
artculos: mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de
mano de obra. Cada mesa requiere 12 unidades de material y 6 horas de mano de
obra. Por otra parte, las sillas usan 8 unidades de material cada una y requieren 12
horas de mano de obra por silla. El margen de contribucin es el mismo para las
mesas que para las sillas: $5.00 por unidad. El fabricante prometi construir por lo
menos dos mesas.

Paso 1: formulacin del problema.

El primer paso para resolver el problema es expresarlo en trminos matemticos en el
formato general de PL. Cul es el objetivo? Es maximizar la contribucin a la
2

ganancia. Cada unidad de mesas o sillas producidas contribuir con $5 en la

ganancia. As las dos alternativas son la produccin de mesas y la produccin de
sillas. Ahora puede escribirse la funcin objetivo:

Maximizar Z = 5x1 + 5x2

en donde:

x1 = nmero de mesas producidas

x2 = nmero de sillas producidas

Cules son las restricciones o limitaciones del problema? Existen tres restricciones.
Primero, el material est limitado a 96 unidades. Cada mesa se lleva 12 unidades de
material y cada silla usa 8 unidades. La primera restriccin es, entonces:

12x1 + 8x2 <= 96

La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6
horas, una silla 12 horas y se dispone de un total de 72 horas. As:

6x1 + 12x2 <=72

Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas.
Esto puede expresarse como:

x1 >= 2
Por ltimo, las restricciones de no negatividad son:

x1 >= 0, x2 >= 0
Poniendo todo junto el modelo se tiene:

Maximizar

Z = 5x1 + 5x2

Restricciones: 12x1 + 8x2 <= 96

6x1 + 12x2 <= 72
x1 >= 2
x1 >= 0, x2 >= 0

Paso 2: grfica de las restricciones.

El siguiente paso en el mtodo grfico es dibujar todas las restricciones en una grfica.
Esto puede hacerse en cualquier orden. Por conveniencia se comenzar con las
restricciones de no negatividad. stas se muestran en la siguiente figura:

En esta grfica, una solucin se representara por un punto con coordenadas x1

(mesas) y x2 (sillas). Las coordenadas representaran las cantidades de cada artculo
que se deben producir. El cuadrante superior derecho se llama Regin Factible puesto
que es el nico cuadrante en que pueden estar las soluciones. Los otros tres
cuadrantes no son factibles, ya que requeriran la produccin de cantidades negativas
de mesas o de sillas o de ambas.

La siguiente restriccin es x1 >= 2. La manera ms sencilla de dibujar las restricciones

de recursos es en dos pasos: (1) convertir una desigualdad en una ecuacin y graficar
la ecuacin y (2) sombrear el rea apropiada arriba y abajo de la lnea que resulta en
el paso 1. Convertir una igualdad en una ecuacin aqu significa ignorar la parte de
mayor que o menor que de la restriccin.

As, en el ejemplo, x1 >= 2 se convierte en x1 = 2. Esta ecuacin est trazada en la

siguiente figura:

Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es

ms amplia, ya que cualquier punto x1 > 2 tambin la cumplir. Esto incluye todos los
puntos que estn a la derecha de la lnea x1 = 2. Entonces, la regin factible incluye
todos los valores de x1 que estn sobre o a la derecha de la lnea x1 = 2.
La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes,
primero se convierte en una ecuacin: 6x1 + 12x2 = 72. Puede graficarse esta lnea si
se encuentran dos puntos sobre ella. El par de puntos ms sencillos de localizar son
las intersecciones con los ejes X1 y X2. Para encontrar la interseccin con el eje X2 se
hace x1 = 0. La ecuacin se reduce, entonces, a:
12x2 = 72
x2 = 6
La interseccin con el eje X1 se encuentra haciendo x2 = 0. As:
6x1 = 72
x1 = 12
Estos dos puntos y la lnea que los une se muestran en la siguiente figura:

Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin.
Cualquier punto arriba de esta lnea requerir ms de 72 horas de mano de obra y no
es aceptable. En la siguiente figura se combina esta restriccin con la anterior. En la
regin factible, ambas restricciones se cumplen.

La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se

encuentran las intersecciones para la igualdad. stas son x1 = 0, x2 = 12 y x1 = 8, x2
=0. Se localizan los dos puntos en la grfica; se traza la lnea, y como la restriccin es
del tipo menor o igual que, se sombrea el rea que est abajo de la lnea. El resultado
se muestra en la siguiente figura:

Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con
todas las restricciones. Ahora se utilizar la funcin objetivo para seleccionar la
solucin ptima.

Paso 3: obtencin de la solucin ptima: lneas de indiferencia.

Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de
las restricciones. La funcin objetivo en este problema es Z = 5x1 + 5x2. Como todava
no se conoce el mximo valor factible de Z, no puede trazarse el ptimo de la funcin
objetivo. No obstante, es posible suponer algunos valores para Z y graficar las lneas
resultantes. En la siguiente figura se muestran las lneas para Z = 25 yZ = 50:

Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre
una lnea dada da la misma ganancia total. Ntese que la distancia perpendicular del
origen a la lnea aumenta al aumentar el valor de Z. Tambin, todas las lneas de
indiferencia son paralelas entre s. Estas propiedades grficas pueden usarse para
resolver el problema.

En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia
supuestas. En la grfica puede observarse que la lnea de indiferencia para Z = 50
est completamente fuera de la regin factible. Para Z = 25, parte de la lnea cae
dentro de la regin factible. Por tanto, existe alguna combinacin de x1 y x2 que
satisface todas las restricciones y da una ganancia total de $25. Por inspeccin, puede
observarse que hay ganancias ms altas que son factibles.

Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las

propiedades de la grfica que se hicieron notar antes, el punto ptimo estar sobre la
lnea de indiferencia ms lejana al origen pero que todava toque la regin factible.
Esto se muestra en la siguiente figura:

Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar
las coordenadas del punto. Ntese que el punto ptimo est en la interseccin de las
lneas de restriccin para materiales y horas de mano de obra. Las coordenadas de
este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman
estas dos restricciones utilizando cualquiera de los mtodos de solucin (suma y resta,

sustitucin o igualacin). Las coordenadas de este punto resultan ser (6, 3). La
sustitucin de este punto en la funcin objetivo da la ganancia mxima:

Z = 5(6) + 5(3) = $45

Observacin: Otra forma de encontrar el ptimo es determinando cada una de las
soluciones asociadas a los vrtices de la regin factible (Soluciones bsicas) y
sustituyendo esos valores en la Ecuacin Objetivo a objeto de evaluar y determinar la
solucin bsica que arroja el mejor valor objetivo (Solucin ptima)

Resumen del mtodo grfico.

Para resolver grficamente problemas de programacin lineal:
1. Exprsense los datos del problema como una funcin objetivo y restricciones.
2. Grafquese cada restriccin.
3. Localcese la solucin ptima.
Uso del mtodo grfico para minimizacin.
Consideremos un Problema de PL en el cual el objetivo es minimizar costos.
La solucin del problema de minimizacin sigue el mismo procedimiento que la de
problemas de maximizacin. La nica diferencia es que ahora se quiere el menor valor
posible para la funcin objetivo. Supngase que se tiene el siguiente problema:

Ejemplo: Problema de dieta.

Un comprador est tratando de seleccionar la combinacin ms barata de dos
alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas. Los
requerimientos vitamnicos son por lo menos 40 unidades de vitamina W, 50 unidades
de vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A proporciona 4
unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada
onza del alimento B proporciona 10 unidades de W, 5 unidades de X y 7 unidades de
Y. El alimento A cuesta 5 pesos/kilogramo y el alimento B cuesta 8 pesos/kilogramo.

Paso 1: formulacin del problema.

La meta en este problema es encontrar la manera menos costosa para satisfacer las
necesidades vitamnicas. Las dos alternativas disponibles son los alimentos A y B.
Matemticamente la funcin objetivo es:

Minimizar Z = 5A + 8B

Las restricciones son los requerimientos mnimos de las tres vitaminas. stas se
muestran enseguida:

Restricciones: 4A + 10B >= 40 vitamina W

10A + 5B >= 50 vitamina X
7A + 7B >= 49 vitamina Y
A >= 0, B >= 0 no negatividad

Paso 2: grfica de las restricciones.

El procedimiento para graficar es el mismo que se us antes: (1) graficar cada
ecuacin de restriccin; (2) graficar el rea apropiada. Para la primera restriccin la
ecuacin es 4A + 10B = 40. Las dos intersecciones con los ejes son (0,4) y (10,0).
Esta lnea se muestra en la siguiente figura:

La restriccin pide 40 unidades o ms de la vitamina W. Cualquier punto que est

arriba de la lnea de restriccin ser factible y todos los puntos que quedan abajo de
esa lnea sern aceptables. En la siguiente figura se muestra la regin factible:

10

Despus se grafica la restriccin para la vitamina X. La ecuacin 10A + 5B = 50 tiene

intersecciones con los ejes en (0,10) y (5,0). En la siguiente figura se ilustran las
restricciones para las vitaminas W y X. Ntese que las soluciones que quedan en las
reas a o b no son factibles, ya que quedaran abajo de las lneas de restriccin.

Al agregar la tercera restriccin, este segundo paso queda terminado, como se

muestra en la siguiente figura:

11

Paso 3: localizacin de la solucin ptima.

En la siguiente figura se muestra la frontera extrema ms dos lneas de indiferencia,
las de Z = 40 pesos y Z = 60 pesos. La frontera extrema est formada por los puntos
a, b, c y d, puesto que stos son los puntos de interseccin factibles ms cercanos al
origen.

Grficamente, el objetivo de minimizar el valor de Z significa ajustar una lnea de

indiferencia tan cerca del origen como sea posible. En la figura anterior puede
observarse que existen muchas soluciones posibles para Z = 60, pero ninguna para Z
= 40. Imaginando mover la lnea Z = 60 hacia el origen, el ltimo punto de contacto con
12

la frontera extrema ser el punto b. Entonces, el punto b es la solucin ptima. En la

figura anterior se observa que el punto b es la interseccin de dos lneas:

(1) 4A + 10B = 40
(2) 7A + 7B = 49

Resolviendo el sistema de ecuaciones:

Multiplquese la ecuacin (1) por 7:

(3)

Multiplquese la ecuacin (2) por 4:

28A + 70B = 280

(4) 28A 28B = 196
42B = 84
B= 2

Sustityase en la ecuacin (1):

4A + 10(2) = 40
A= 5

La solucin menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento

B. El costo total de esta combinacin es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos
Si se usa el mtodo de prueba y error para localizar la solucin ptima, se deben
encontrar las coordenadas de los puntos a, b, c, y d. Se debe calcular despus el valor
de la funcin objetivo para cada punto. A continuacin se muestran los resultados de
este procedimiento:
Resultados de prueba y error
Punto

Coordenadas

Z = 5A + 8B

A = 10, B = 0

50

A = 5, B = 2

41 menor

A =3, B = 4

47

A = 0, B = 10

80

13

CASOS POSIBLES DE SOLUCIN EN LA RESOLUCIN DE PROBLEMAS DE

PROGRAMACIN LINEAL.
Soluciones Factibles

Si existe el conjunto de soluciones o valores que satisfacen las

restricciones. A su vez, pueden ser:

Con solucin nica

En una urbanizacin se van a construir casas de dos tipos: A y B. La
empresa constructora dispone para ello de un mximo de 1800 millones de
pesetas, siendo el coste de cada tipo de casa de 30 y 20 millones,
respectivamente. El Ayuntamiento exige que el nmero total de casas no
sea

superior

80.

Sabiendo que el beneficio obtenido por la venta de una casa de tipo A es 4

millones y de 3 millones por una de tipo B, cuntas casas deben
construirse de cada tipo para obtener el mximo beneficio?

Variables: x = n de casas tipo A ; y = n de casas tipo B

Funcin objetivo: Maximizar Z = f(x,y) = 4x + 3y

Conjunto de restricciones: El coste total 30x + 20y

Ayuntamiento impone x + y

Tiene

por

regin

80 . De no negatividad: x

factible

la

regin

1800 . El
0,y

0.

coloreada.

Si hallamos los valores de la funcin objetivo en cada uno de los vrtices :

f(O) = f(0,0) = 0 ; f(C)=f(60,0) = 240 ;f(D) = f(20,60) = 260 ; f(E) = f(0,80) =
240
La solucin es nica, y corresponde al vrtice para el que la funcin
objetivo toma el valor mximo. En este caso es el vrtice D(20,60). Por
tanto se deben construir 20 casas de tipo A y 60 de tipo B con un coste de
260 millones de pesetas.

Con

solucin

Si existe ms de una solucin ptima.

mltiple:

Maximizar la funcin Z = f(x,y) = 4x + 2y sujeta a las restricciones 2x + y

4,x-y

1,x

0,y

0.

Los valores de la fucnin objetivo en cada uno de los vrtices son:

f(O)=f(0,0) = 0 , f(A) = f(1,0) = 4 ; f(B)=f(5/3,2/3) = 8 , f(C) = f(0,4) = 8
La funcin objetivo alcanza el valor mximo en los vrtices B y C, por tanto,
14

en

todos

los

puntos

del

segmento

BC.

Hay infinitas soluciones, solucin mltiple, que corresponden a los puntos

del

segmento

situado

entre

dos

vrtices

de

la

regin

factible.

En estos casos, como ya vimos en el captulo anterior, la funcin objetivo

es paralela a una de las restricciones.

Con
solucin

Cuando no existe lmite para la funcin objetivo

no
acotada

Maximizar la funcin Z = f(x,y) = x + y sujeta a las restricciones y

2x , y

x/2 .
Tiene por regin factible la zona coloreada que aparece en la figura, que es
una

regin

no

acotada.

La funcin crece indefinidamente para valores crecientes de x e y.

En este caso no existe un valor extremo para la funcin objetivo, por lo que
puede

decirse

que

el

problema

carece

de

solucin.

Para que
suceda esta situacin la regin factible debe estar no acotada.

No factibles

Cuando no existe el conjunto de soluciones que cumplen las restricciones,

es decir, las restricciones son inconsistentes.
Maximizar la funcin Z = f(x,y) = 3x + 8y sujeta a las restricciones x + y
,x+y

2,x

0,y

0.

No existe la regin factible, ya que las zonas coloreadas que aparecen en

la figura son nicamente soluciones de alguna de las inecuaciones .
Por tanto, el conjunto de soluciones del sistema de desigualdades no
determina

ninguna

regin

factible.

Este tipo de problemas carece de solucin.

15

El Mtodo Simplex
El mtodo grfico presentado anteriormente demuestra que la solucin ptima de un
modelo de PL est siempre asociada a un punto extremo o esquina del espacio de
soluciones.

Esta idea conduce precisamente a la creacin del mtodo simplex.

Bsicamente lo que hace el mtodo simplex es trasladar la definicin geomtrica del

punto extremo a una definicin algebraica.

El mtodo simplex constituye un procedimiento iterativo que permite ir mejorando la

solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando
ms dicha solucin. Mas detalladamente tenemos que partiendo del valor de la funcin
objetivo en un vrtice cualquiera, el mtodo simplex consiste en buscar sucesivamente
otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados
del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo
el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin.
El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no
toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo
largo de la cual f aumenta.
El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig. El
mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin
lineal en los que intervienen ms de dos variables. El lgebra matricial y el proceso de
eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales
constituyen la base del mtodo simplex.

Pasos para la aplicacin del mtodo simplex:

Paso 0: Formule el Modelo de Programacin Lineal respectivo.

Paso 1: Convierta todas las restricciones en igualdades de acuerdo a los
criterios de la tabla 1.

Paso 2: Iguale la funcin objetivo a cero (tenga en cuenta la tabla 1 para
completar los coeficientes objetivos).

Paso 3: Construya la Tabla Simplex Inicial.

Paso 4: Seleccione una variable entrante las variables actuales no bsicas,
usando la condicin de optimizad.
Condicin de Optimidad: La variable entrante en el problema de maximizacin
(minimizacin) es la variable no bsica, con el coeficiente ms negativo (ms
positivo) en la ecuacin de Z. Un empate puede romperse arbitrariamente. La

16

solucin ptima se alcanza cuando todos los coeficientes no bsicos en la

ecuacin Z son positivos (negativos).

Paso 5: Seleccione la variable saliente entre las variables actuales bsicas,
usando la condicin de factibilidad.
Condicin de Factibilidad: Tanto en los problemas de maximizacin como de
minimizacin, la variable saliente es la variable bsica actual, con la menor
razn (con denominador positivo distinto de cero) que resulta al dividir los
valores del lado derecho entre el valor respectivo de la columna de entrada.

Paso 6: Determine la nueva solucin bsica, haciendo a la variable
entrante bsica y a la variable saliente no bsica. Vuelva al paso 4. Esto se
logra a travs de la aplicacin del Mtodo de Gauss Jordan cuyo objetivo
es transformar las ecuaciones, de manera que nos permitan obtener una
nueva solucin bsica mediante la asignacin de valores cero a las
variables actuales no bsicas. Con el mtodo de Gauss Jordan se efecta
un cambio de base empleando dos operaciones de clculo:

Ecuacin Pivote:
Nueva Ecuacin Pivote = (Vieja Ecuacin Pivote / Elemento Pivote.
Resto de ecuaciones incluyendo Z:
Nueva Ecuacin = Ecuacin Anterior (Coeficiente columna entrante)*(Nueva
ecuacin Pivote.
Tabla 1
Tipo de Restriccin

Problema de Maximizar

Problema de Minimizar

Restriccin Menor o igual Variable de holgura toma Variable de holgura toma

(<=):
variable

Requiere
de

una coeficiente

cero

en

holgura ecuacin objetivo.

la coeficiente

cero

en

la

ecuacin objetivo.

positiva.
Restriccin Mayor o Igual Variable de holgura toma Variable de holgura toma
(>=):
variable

Requiere
de

una coeficiente

cero

en

holgura ecuacin objetivo.

la coeficiente

cero

en

la

ecuacin objetivo.

negativa y la suma de una La Variable artificial tomo La Variable artificial tomo

variable artificial.

coeficiente

+M

en

ecuacin objetivo.

la coeficiente

-M

en

la

ecuacin objetivo.

Restriccin de igualdad: La Variable artificial tomo La Variable artificial tomo

Requiere que se le sume coeficiente

+M

en

la coeficiente

en

la

17

una variable artifical.

ecuacin objetivo.

ecuacin objetivo.

Vamos a resolver mediante el mtodo simplex el siguiente problema:

Maximizar Z= f(x,y)= 3x + 2y
sujeto a:

2x + y

18

2x + 3y
3x + y

42
24

X 0,y

Se consideran los siguientes pasos:

0. Formule el Modelo de PL
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para
convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
2. Igualar la funcin objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecern todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila
con los coeficientes de la funcin objetivo:
Tabla I . Iteracin n 1
Base Variable de decisin Variable de holgura Valores solucin
x

Y
-2

-3

18

42

24

4. Encontrar la variable de decisin que entra en la base y la variable que sale de

la solucin base
A. Para escoger la variable de decisin que entra en la base, nos fijamos en la
ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable
18

con

el

coeficiente

negativo

mayor

(en

valor

absoluto).

En nuestro caso, la variable x de coeficiente - 3.

Si existiesen dos o ms coeficientes iguales que cumplan la condicin
anterior, entonces se elige uno cualquiera de ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha
alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del
proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya
elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (En
sombreado).

B. Para encontrar la variable de holgura que tiene que salir de la base, se divide
cada trmino de la ltima columna (valores solucin) por el trmino
correspondiente de la columna pivote, siempre que estos ltimos sean mayores
que

cero.

En

nuestro

caso:

18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiese algn elemento menor o igual que cero no se hace dicho cociente.
En el caso de que todos los elementos fuesen menores o iguales a cero,
entonces tendramos una solucin no acotada y no se puede seguir.
El trmino de la columna pivote que en la divisin anterior d lugar al menor
cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura
que sale de la base, d. Esta fila se llama fila pivote (En sombreado).
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de
las

variables

correspondientes

pueden

salir

de

la

base.

C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote

operacional, 3.
5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d
por el pivote operacional, 3, que es el que hay que convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos
de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas
incluyendo los de la funcin objetivo Z.
Tambin se puede hacer utilizando el siguiente esquema:
Fila del pivote:

19

Nueva fila del pivote= (Vieja fila del pivote) / (Elemento Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable
entrante) X (Nueva fila del pivote)
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Vieja fila de s

Coeficiente

2 3

0 1 0

42

- -

- - -

2 2

2 2 2

x x

x x X

Nueva fila pivote 1 1/3 0 0 1/3

= =
Nueva fila de s

= = =

0 7/3 0 1 -2/3 26

Tabla II . Iteracin n 2
Base Variable de decisin Variable de holgura Valores solucin
x

-1

24

1/3

-2/3

7/3

-2/3

26

1/3

1/3

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos
llegado todava a la solucin ptima. Hay que repetir el proceso:
A. La variable que entra en la base es y, por ser la variable que corresponde al
coeficiente -1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna
entre

los

2:1/3

trminos
[=6]

correspondientes
,

26:7/3

de

la

nueva

columna

8:1/3

[=78/7]

pivote:
[=8]

y como el menor cociente positivo es 6, tenemos que la variable de holgura que

sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma anloga a la anterior obtenemos la tabla:
20

Tabla III . Iteracin n 3

Base Variable de decisin Variable de holgura Valores solucin
X

-1

30

-2

-7

12

-1

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos
llegado todava a la solucin ptima. Hay que repetir el proceso:
A. La variable que entra en la base es d, por ser la variable que corresponde al
coeficiente -1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna
entre

los

6/(-2)

trminos

correspondientes

[=-3]

de

12/4

la

nueva

[=3],

columna
6:1

pivote:
[=6]

y como el menor cociente positivo es 3, tenemos que la variable de holgura que

sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
Base Variable de decisin Variable de holgura Valores solucin
X

5/4

33

-1/2

12

-7/4

-3/4

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos
llegado a la solucin ptima.
Los solucin ptima viene dada por el valor de Z en la columna de los valores
solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice
donde se alcanza, observando las filas correspondientes a las variables de decisin
que han entrado en la base: D(3,12)

21

Interpretacin geomtrica del mtodo del simplex

Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin
objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables
iniciales y de holgura.
En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha
calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0.
A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B.
Este

paso

aporta

la

Tabla

II.

En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0):

Z=f(8,0) = 24
Sigue por la arista BC, hasta llegar a C, donde se para y
despliega

los

datos

de

la

Tabla

III.

En esta tercera iteracin se ha calculado el valor que

corresponde al vrtice C(6,6) : Z=f(6,6)=30.
Continua haciendo clculos a travs de la arista CD, hasta
llegar al vrtice D. Los datos que se reflejan son los de la Tabla
IV.
Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la
solucin

no

mejora

al

desplazarse

por

la

arista

DE)

El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice

D).
Si calculas el valor de la funcin objetivo en el vrtice E(0,14), su valor no supera el
valor 33.
Mtodo de la M o de Penalizacin.
A continuacin vamos a presentar los problemas que introducen las otras
formas de restricciones funcionales (>= =) las cuales hacen necesario identificar una
solucin inicial bsica factible que no es necesariamente el origen. Antes, esta
solucin inicial se encontraba en forma muy conveniente al hacer que las variables de
holgura fueran las variables bsicas iniciales, donde cada una era igual a la constante
no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse
algo ms. El enfoque estndar que se utiliza es estos casos es la tcnica de
variables artificiales. sta construye un problema artificial ms conveniente
introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo
requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica
inicial para esa ecuacin. Las restricciones usuales de no negatividad tambin se
22

aplican sobre estas variables y la funcin objetivo se modifica para que imponga una
penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las
iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a
desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la
solucin; despus de esto se resuelve el problema real.
Ejemplo:
Consideremos el siguiente problema:
Maximizar

= 3x1

sujeta a

+ 5x2

x1

<= 4
2x2

3x1

1.

+ 2x2

x1 >=

x2 >=

0,

<= 12
=

18

Se aplica la tcnica de las variables artificiales introduciendo una variable

artificial no negativa (denotada por R1) en la ltima ecuacin, como si fuera una
variable de holgura:

3x1 + 2x2 + R1 =18

2.

Se asigna una penalizacin enorme al hecho de tener R1 >= 0, cambiando la

funcin

objetivo

Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 - MR1,
donde M simblicamente representa un nmero positivo muy grande. Este mtodo
que fuerza a R1 hasta el nivel de R1 = 0 en la solucin ptima se llama mtodo de
la M.
Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola
aparecer en la funcin objetivo con un coeficiente de +M (en el lado derecho
el coeficiente es positivo).
Ahora se encuentra la solucin ptima para el problema real aplicando el
mtodo smplex al problema artificial.
Como R1 juega el papel de la variable de holgura en la tercera restriccin del
problema artificial, esta restriccin es equivalente a 3x1 + 2x2 = 18.
En particular, el sistema de ecuaciones despus de aumentar el problema
artificial (en otras palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a

23

- 3x1

- 5x2

+ MR1 = 0

x1

x3

2x2
3x1

= 4
+ x4

+ 2x2

= 12
+ R1

xj

>= 0

= 18

Para j = 1, 2, , 5

En este momento estamos preparados para pasar los coeficientes a la tabla

smplex:
Variable

Lado

Bsica

x1

x2

x3

x4

R5

derecho Cociente

x3

x4

12

R5

18

Es ptima?

Esta tabla todava no est en la forma apropiada porque el coeficiente de x5 es

diferente de cero en la ecuacin de Z (es M). Por lo tanto, antes de que el mtodo
smplex pueda aplicar la prueba de optimalidad y encontrar la variable bsica entrante,
debe pasarse esta tabla a la forma apropiada para que cumpla la condicin smplex.
Esta condicin que debe cumplir toda tabla del mtodo smplex para que pueda
reportarnos la siguiente solucin bsica factible dice que: Toda variable bsica debe
tener un 1 en la interseccin de su rengln y columna correspondiente y cero en los
dems renglones incluido el rengln de Z, en otras palabras, que toda variable que
sea bsica solamente debe aparecer en el rengln de la restriccin que representa.
Para hacer cero el coeficiente M, utilizamos el rengln de x5 como rengln pivote
multiplicndolo por

M y sumando el resultado al rengln de Z. Realizando el

procedimiento anterior, la tabla smplex queda de la siguiente manera:

Variable

Lado

Bsica

x1

x2

x3

x4

x5

derecho Cociente

-3M-3

-2M-5

x3

(0, 0, 4, 12, 18)

x4

12

Z=

x5

18

18M

Es ptima?

Mx5 + Z
18M

Podemos observar que la tabla anterior ya se encuentra en la forma apropiada

y podemos leer la solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual
aplicando la prueba de optimalidad vemos que no es ptima ya que todava tenemos
coeficientes negativos en el rengln de Z (los correspondientes a x1 y x2). Aplicando el
mtodo smplex a la tabla anterior tenemos: el coeficiente negativo con el mayor valor
absoluto corresponde a x1 ( 3M 3), recordemos que M es un nmero muy grande
24

positivo, por lo tanto, x1 se convierte en la variable bsica entrante, realizando los

cocientes correspondientes, vemos que x3 se convierte en la variable bsica saliente.
El procedimiento completo para resolver este ejemplo se muestra en el siguiente
conjunto de tablas:
Variable
Bsica Z

Lado
x1

x2

x3

x4

x5

derecho

Z 1

-3M-3

-2M-5

18M

x3 0

x4 0

12

x5 0

18

Z 1

-2M-5

3M+3

x1 0

x4 0

12

12/2 = 6

x5 0

6/2 = 3

Z 1

9/2

M+5/2

27

x1 0

4/1 = 4

(4, 3, 0, 6, 0)

x4 0

6/3 = 2

Z = 27

x2 0

Z 1

x1 0

x3 0

1/3

x2 0

1/2

3/2

Cociente

Es ptima?

4/1 = 4

(0, 0, 4, 12, 18)

Z=

18M

18/3 = 6

6M+12

(4, 0, 0, 12, 6)
Z=

6M+12

1/2

3/2

M+1

36

1/3

(2, 6, 2, 0, 0)

Z = 36

ptima

1/3

1/3
0

CASOS ESPECIALES EN LA APLICACIN DEL MTODO SIMPLEX

En este apartado consideramos casos especiales que pueden presentarse en la

aplicacin del mtodo simplex, entre los que se cuentan:

Degeneracin.

Mltiples soluciones ptimas.

Soluciones no acotadas.

Soluciones infactibles.

CASO 1: DEGENERACIN
En el apartado del mtodo simplex indicamos que en la aplicacin de la condicin de
factibilidad una coincidencia de la razn mnima se debe descomponer en forma
25

arbitraria para los fines de determinar la variable que sale. Sin embargo, cuando
sucede esto con una o ms veces las variables bsicas, ser necesariamente igual a
cero en la siguiente iteracin.
degenerada.

En este caso decimos que la nueva solucin es

No hay nada alarmante con respecto al manejo de la solucin

degenerada, con la excepcin de una ligere desventaja terica, que analizaremos

brevemente. Desde el punto de vista prctico, la condicin revela que el modelo tiene
cuando menos una restriccin redundante.

Ejemplo:
Maximizar:

Z= 3X1 9X2

Sujeto a:

X1 + 4X2 <= 8
X1 + 2X2

<= 4

X1, X2 >= 0
Iteracin

VB

X1

X2

X3

X4

LD

0 (entre X2

-3

-9

sale X3)

X3

X4

1 (entre X1

-3/4

9/4

18

sale X4)

X2

X4

1/2

-1/2

2 0 (ptima)

3/2

3/2

18

X2

-1/2

X1

-1

CASO 2: MLTIPLES SOLUCIONES PTIMAS

Cuando la funcin objetivo es paralela a una restriccin de enlace ( o sea una

restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima),
la funcin objetivo tomar el mismo valor ptimo en ms de un punto de la solucin.
Por esta razn recibe el nombre de mltiples soluciones ptimas.

Ejemplo
Maximizar:
Sujeto a:

Z= 2X1 + 4X2
X1 +

2X2 <= 5

X1 +

X2 <= 4

X1, X2 >= 0

26

Iteracin

VB

X1

X2

X3

X4

LD

0 (X2 entre

-2

-4

X3 sale)

X3

X4

1 (X1 entra

10

X4 sale)

X2

5/2

X4

-1/2

3/2

10

(alternativa

X2

-1

ptima)

X1

-1

CASO 3: SOLUCIN NO ACOTADA

En algunos modelos de programacin lineal, los valores de las variables se pueden
aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa
que el espacio de soluciones es no acotado cuando menos en una direccin. Como
resultado el valor de la funcin objetivo puede crecer (caso de maximizacin) o
decrecer (caso de minimizacin) en forma indefinida. En este caso decimos que el
espacio de soluciones y el valor ptimo de la funcin objetivo son no acotados.

Ejemplo:
Maximizar:

Z = 2X1 + X2

Sujeto a:
X1 - X2 <= 10
2X1

<= 40

X1, X2>= 0

Iteracin inicial:
VB

X1

X2

S1

S2

LD

-2

-1

S1

-1

10

S2

40

27

CASO 4: SOLUCIN INFACTIBLE

Si las restricciones no se pueden satisfacer de manera simultnea se dice que el
modelo no tiene solucin factible. Esta situacin no puede ocurrir si todas las
restricciones son del tipo <= (suponiendo constantes no negativas en el segundo
miembro) ya que la holgura produce siempre una solucin factible.

Sin embrago

cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables

artificiales, que por su diseo no ofrecen una solucin factible al modelo original.
Aunque se toman medidas (a travs del uso de la penalizacin) para hacer que las
variables artificiales sean cero en el nivel ptimo, esto solo puede ocurrir si el modelo
tiene un espacio de solucin factible.

Si no lo tiene, cuando menos una variable

artificial ser positiva (bsica) en la iteracin ptima.

Ejemplo
Maximizar:

Z= 3X1 + 2X2

Sujeto a: 2X1 + X2 <= 2

3X1

+ 4X2 >12
X1, X2>= 0

Tabla inicial
VB

X1

X2

X4

X3

R1

LD

-3-3M

-2-4M

-12M

X3

R1

-1

12

Tabla Seudo ptima

VB

X1

X2

X4

X3

R1

LD

1+5M

2+4M

4-4M

X2

R1

-5

-1

-4

28

OTROS EJEMPLOS A DESARROLLAR EN CLASES

Ejemplo 1:
Minimizar:

Z = 3X1 + 2X2

Sujeto a:

X1 + 2X2 <= 6
2X1 + X2 <= 8
-X1 + X2 <= 1
X2 <= 2
X1, X2 >= 0

VB

X1

X2

S1

S2

S3

S4

LD

-3

-2

S1

S2

S3

-1

S4

-1/2

3/2

12

S1

3/2

-1/2

X1

S3

3/2

S4

1/3

4/3

38/3

X2

2/3

-1/3

4/3

X1

-1/3

2/3

10/3

S3

-1

S4

-2/3

1/3

2/3

29

Ejemplo No. 2:
Minimizar:

Z = 4X1 + X2

Sujeto a:

3X1 +

X2 = 3

4X1 + 3X2 >= 6

X1

+ 2X2 <= 4

X1, X2 >= 0

VB

X1

X2

S1

R1

R2

S2

LD

-4+7M

-1+4M

-M

9M

R1

R2

-1

S2

(1+5M)/3

-M

(4-7M)/3

4+2M

X1

1/3

1/3

R2

5/3

-1

-4/3

S2

5/3

-1/3

1/5

8/5 M

-1/5 M

18/5

X1

1/5

3/5

-1/5

3/5

X2

-3/5

-4/5

3/5

6/5

S2

-1

7/5 M

-M

-1/5

17/5

X1

2/5

-1/5

2/5

X2

-1/5

3/5

9/5

S1

-1

30

Bibliografa

Anderson, D.; Sweeney, D.; Williams, T. (2004). Mtodos cuantitativos para los
negocios. Mxico. Editorial Thomson.

Eppen, G.; Gould, F. J.; Moore, J.; Schmidt. C.; Weatherford, L. (1998). Investigacin
de Operaciones en la Ciencia Administrativa. Mxico. Editorial Prentice Hall

Hillier, F.; Liberman, G. (2001). Investigacin de Operaciones. Mxico. Editorial Mc.

Graw Hill.

Mathur, K.; Solow, D (1996). Investigacin de Operaciones. El arte de la toma de

decisiones. Mxico. Prentice Hall.

Taha, H. (2004). Investigacin de Operaciones. Mxico. Perason Prentice Hall.

Wayne, W. (2005). Investigacin de Operaciones. Aplicaciones y Algoritmos. Mxico.

Editorial Thomson.

31