INTRODUCCION

El Método Simplex es un método analítico de solución de problemas

de programación lineal capaz de resolver modelos más complejos que los
resueltos mediante el método gráfico sin restricción en el número de variables.

El Método Simplex es un método iterativo que permite ir mejorando la solución en

cada paso. La razón matemática de esta mejora radica en que el método consiste
en caminar del vértice de un poliedro a un vértice vecino de manera que aumente
o disminuya (según el contexto de la función objetivo, sea maximizar o minimizar),
dado que el número de vértices que presenta un poliedro solución es finito
siempre se hallará solución.
Este famosísimo método fue creado en el año de 1947 por el estadounidense
George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de
crear un algoritmo capaz de solucionar problemas de m restricciones y n variables.
El método Simplex es un procedimiento iterativo que permite mejorar la solución
de la función objetivo en cada paso. El proceso concluye cuando no es posible
continuar mejorando dicho valor, es decir, se ha alcanzado la solución óptima (el
mayor o menor valor posible, según el caso, para el que se satisfacen todas las
restricciones).
Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento
consiste en buscar otro punto que mejore el valor anterior. Como se verá en
el método Gráfico, dichos puntos son los vértices del polígono (o poliedro o
polícoro, si el número de variables es mayor de 2) que constituye la región
determinada por las restricciones a las que se encuentra sujeto el problema
(llamada región factible). La búsqueda se realiza mediante desplazamientos por
las aristas del polígono, desde el vértice actual hasta uno adyacente que mejore el
valor de la función objetivo. Siempre que exista región factible, como su número
de vértices y de aristas es finito, será posible encontrar la solución.
El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no
toma su valor máximo en el vértice A, entonces existe una arista que parte de A y
a lo largo de la cual el valor de Z aumenta.
Será necesario tener en cuenta que el método Simplex únicamente trabaja con
restricciones del problema cuyas inecuaciones sean del tipo "≤" (menor o igual) y
sus coeficientes independientes sean mayores o iguales a 0. Por tanto habrá que
estandarizar las restricciones para que cumplan estos requisitos antes de iniciar el
algoritmo del Simplex. En caso de que después de éste proceso aparezcan
restricciones del tipo "≥" (mayor o igual) o "=" (igualdad), o no se puedan cambiar,
será necesario emplear otros métodos de resolución, siendo el más común el
método de las Dos Fases.
 UNIDAD 2: EL MÉTODO SIMPLEX
2.1 Método gráfico.
Un método simple para obtener una aproximación a la raíz de la ecuación f(x)= 0
consiste en graficar la función y observar en donde cruza el eje x. este punto, que
representa el valor de x para la cual f(x)= 0, proporciona una aproximación inicial
de la raíz.
Las técnicas gráficas tienen un valor práctico limitado, ya que no son precisas. Sin
embargo, los métodos gráficos se pueden usar para obtener aproximaciones de la
raíz. Estas aproximaciones se pueden emplear como valores iniciales para los
métodos numéricos.
Las interpretaciones gráficas, además de proporcionar aproximaciones iniciales de
la raíz, son herramientas importantes en la compresión de las propiedades de las
funciones, previendo las fallas de los métodos numéricos.

En este caso las estrellas rojas representan cada raíz que tiene la ecuación, es
decir, cada vez q la función corta el eje abciso.
 2.2 Método simplex.
El Método Simplex es un método analítico de solución de problemas
de programación lineal capaz de resolver modelos más complejos que los
resueltos mediante el método gráfico sin restricción en el número de variables.
El Método Simplex es un método iterativo que permite ir mejorando la solución en
cada paso. La razón matemática de esta mejora radica en que el método consiste
en caminar del vértice de un poliedro a un vértice vecino de manera que aumente
o disminuya (según el contexto de la función objetivo, sea maximizar o minimizar),
dado que el número de vértices que presenta un poliedro solución es finito
siempre se hallará solución.
Este famosísimo método fue creado en el año de 1947 por el estadounidense
George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de
crear un algoritmo capaz de solucionar problemas de m restricciones y n variables.
El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales
que se modelan mediante programación lineal no lo son, para ello hay que
convertir estas inecuaciones en ecuaciones utilizando unas variables
denominadas de holgura y exceso relacionadas con el recurso al cual hace
referencia la restricción y que en el tabulado final representa el "Slack or
surplus" al que hacen referencia los famosos programas de resolución de
investigación de operaciones, estas variables adquieren un gran valor en el
análisis de sensibilidad y juegan un rol fundamental en la creación de la matriz
identidad base del Simplex.

Estas variables suelen estar representadas por la letra "S", se suman si la

restricción es de signo "<= " y se restan si la restricción es de signo ">=".
Por ejemplo:
MÉTODO SIMPLEX PASO A PASO

EL PROBLEMA
La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado
su producción en dos líneas más. Por lo tanto actualmente fabrica mesas, sillas,
camas y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y
2 piezas cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8
pines y 2 piezas cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular
de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente
cada biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases
trapezoidales de 2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta
producirla $10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se
vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende en $ 40000,
cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El objetivo de la
fábrica es maximizar las utilidades.
Problema planteado por Edwin Bastidas - Ingeniero Industrial
Paso 1: Modelación mediante programación lineal
Las variables:

X1 = Cantidad de mesas a producir (unidades)

X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)

Las restricciones:

2X1 + 1X2 + 1X3 + 2X4 <= 24

2X1 + 2X2 + 1X3 <= 20
2X3 + 2X4 <= 20
4X4 <= 16

La función Objetivo:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES

En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado
que todas las restricciones son "<=".

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24

2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las
variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso,
por el ejemplo la variable de holgura "S1" solo tiene coeficiente 1 en la restricción
correspondiente a el recurso 1.

La función objetivo no sufre variaciones:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL

El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables de coeficiente
diferente de cero (0) en la matriz identidad.

1S1 = 24
1S2 = 20
1S3 = 20
1S4 = 16
PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL

Solución: (segundo término)= En esta fila se consigna el segundo término de la

solución, es decir las variables, lo más adecuado es que estas se consignen de
manera ordenada, tal cual como se escribieron en la definición de restricciones.
Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables
de la fila "solución" en la función objetivo.
Variable Solución = En esta columna se consigna la solución básica inicial, y a
partir de esta en cada iteración se van incluyendo las variables que formarán parte
de la solución final.
Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su
derecha "Variable solución" en la función objetivo.
Zj = En esta fila se consigna la contribución total, es decir la suma de los
productos entre término y Cb.
Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su
significado es un "Shadow price", es decir, la utilidad que se deja de recibir por
cada unidad de la variable correspondiente que no forme parte de la solución.}

PASO 5: REALIZAR LAS ITERACIONES NECESARIAS

Este es el paso definitivo en la resolución por medio del Método Simplex, consiste
en realizar intentos mientras el modelo va de un vértice del poliedro objetivo a otro.

El procedimiento a seguir es el siguiente:

1. Evaluar que variable entrará y cual saldrá de la solución óptima:

Podemos observar como existe una solución óptima alternativa en la cual la
combinación de variables es distinta y existe un menor consumo de recursos,
dado que el hecho de que se encuentre la variable "S1" en la solución óptima con
un coeficiente de "3" significa que se presenta una holgura de 3 unidades del
recurso (pieza rectangular de 8 pines).

X1 = 0 (Cantidad de mesas a producir = 0)

X2 = 7 (Cantidad de sillas a producir = 7)
X3 = 6 (Cantidad de camas a producir = 6)
X4 = 4 (Cantidad de bibliotecas a producir = 4)
S1 = 3 (Cantidad de piezas rectangulares de 8 pines sin utilizar =3)
Con una utilidad de: $ 340000
 2.3 Procedimiento para resolver problemas con variables
artificiales (M grande, doble fase).

Siga esta secuencia de pasos:

1º Exprese el problema de la forma estándar.

 Maximizar y Minimizar Max. o Min.

 Las restricciones deben de ser igualdad Rs =

 Las variables deben de ser mayor igual que cero Var ³ 0

 Los elementos que están después de la igualdad deben ser mayor igual
que cero ³ 0

2º Agregue variables no negativas en el lado izquierdo de cada una de las

ecuaciones correspondientes a las restricciones cuyos signos originales sean (³ ) o
(=) estas variables se llaman variables artificiales y su presencia es una violación
de las leyes del álgebra; esta dificultad se supera asegurando que estas variables
artificiales sean 0 en la solución final, esto se consigue asignando una
penalización, muy grande a estas variables en la Función Objetivo.

3º Utilice las variables artificiales en la solución pero esta tabla deberá ser
preparada de una manera apropiada.

4º Procede con los pasos comunes del Método Simplex.

Nota: Las variables artificiales son ficticias y no tienen ninguna interpretación

física directa en términos del problema original.

Ejemplo:

Min. Z = 4X1 + X s.a

3X1 + X2 = 3
4X1 + 3X2 ³ 6
X1 + 2X2 £ 3
X1, X2 ³ 0
¿Todas las restricciones tienen el signo (£ )? No por lo tanto no se puede aplicar
el Método Simplex.

Debemos aplicar una técnica de Variables Artificiales.

1º Realizamos la Forma Estándar.

Min. Z = 4X1 + X2
3X1 + X2 = 3
4X1 + 3X2 -S2 = 6
X1 + 2X2 + S3 = 3
X1, X2, S2, S3 ³ 0
Holguras S2, S3.

¿Podemos comenzar desde el origen? o sea ¿Tenemos tres holguras necesarias

para conformar una Matriz Identidad?. No

2º Agregamos Variables Artificiales (W1, W2) siempre con signo positivo y con un
coeficiente unitario, y se penaliza la función objetivo agregando términos que lo
ofendan en su espíritu y con un factor M donde:

M>0

M = Significa la cantidad más grande MW1 MW2.

Min. Z = 4X1 + X2 + MW1 + MW2.

3X1 + X2 + W1. = 3
4X1 + 3X2 -S2 + W2 = 6
X1 + 2X2 + S3 = 3
X1, X2, S2, S3, W1, W2 ³ 0
¿Tenemos las holguras positivas y/o las variables artificiales necesarias para
conformar la Matriz Identidad? Si

3º Igualamos a 0 la Función Objetivo.

Z = 4X1 + X2 + MW 1 + MW 2

Z - 4X1 - X2 - MW1 - MW2 = 0

Tabla Inicial

Todas las tablas Simplex deberán tener coeficiente 0 en la Función Objetivo; estos
coeficientes serán las variables básicas.

Tabla inicial Modificada

4º Procedemos con los pasos comunes del Método Simplex.

Cuando en una tabla hay una circunstancia de empate para definir la variable de
salida, procedemos en forma arbitraria y como consecuencia en la siguiente tabla
habrá una variable que valga 0.

En una nueva iteracción

Se observa que han desaparecido las variables artificiales en la solución.

Cuando en un problema haya al menos una variable artificial con un valor mayor
que cero en la solución el problema termina diciendo que ese problema no tiene
solución factible.
 2.4. Casos especiales de programación lineal.

En la resolución de un modelo de Programación Lineal se pueden enfrentar

ciertos casos especiales que merecen particular atención. Estos casos (infinitas
soluciones óptimas, problema no acotado sin solución óptima, problema
infactible, solución óptima degenerada) se pueden detectar a través de la
aplicación del Método Simplex según hemos tratado previamente en el Blog. A
continuación un resumen de dichos escenarios:
Infinitas Soluciones Óptimas: Se detecta cuando luego de alcanzar una solución
básica factible óptima, al menos una variable no básica tiene costo reducido
igual a cero. La siguiente imagen representa esta situación donde la solución
óptima (infinitas) se alcanza en el tramo entre los vértices B y C. En efecto se
puede representar de forma general las soluciones óptimas
como: con .

Problema No Acotado: En las iteraciones del Método Simplex un problema no

acotado se detecta cuando al calcular el criterio de factibilidad o mínimo cuociente
que determina la variable que deja la base, todas las entradas en la columna de
la variable no básica entrante son negativas o cero, por tanto no existe
denominador válido (mayor a cero) que permita determinar el pivote. En la
siguiente representación gráfica se puede apreciar que las curvas de nivel de la
función objetivo crecen en la dirección del vector gradiente, donde en particular el
dominio de soluciones factibles es no acotado para los valores que puede adoptar
la variable .

Es importante destacar que el hecho que un dominio de soluciones factibles sea

no acotado no implica necesariamente que el problema de Programación Lineal
no tiene solución.
Problema Infactible: Si al finalizar la Fase I del Método Simplex de 2 Fases el
valor de la función objetivo es distinto a cero, entonces el problema lineal es
infactible, es decir, el dominio de soluciones factibles es vacío al existir
restricciones incompatibles (por ejemplo en el gráfico a continuación el área azul
no se intersecta con el área color rojo).
Solución Óptima Degenerada: Cuando se presenta un empate el el cálculo de la
condición de factibilidad del Método Simplex, al menos una variable básica será
cero en la siguiente iteración, caso en el cual se dice que la nueva solución es
degenerada. Esto implica que el modelo tiene al menos una restricción
redundante.
 2.5 Método dual simplex.

El método dual-simplex se aplica para resolver problemas que empiezan

con factibilidad dual, es decir, óptimos pero infactibles.

Un problema se puede resolver por el método dual-simplex, cuando, después de

igualar acero la función objetivo y convertir las restricciones en ecuaciones,
agregando las variables de holgura necesarias, al menos uno, cualquiera de los
elementos del vector b (vector de disponibilidades) es negativo y la condición de
optimalidad se satisface.

Un comparativo entre el método simplex y el método dual-simplex.

El método dual-simplex requiere de la aplicación de dos criterios para su solución:

El criterio de optimalidad que asegura que la solución permanecerá óptima todo el
tiempo y el criterio de factibilidad que forza las soluciones básicas hacia el espacio
factible.

Criterio de Factibilidad. La variable saliente será aquella variable básica que tenga
el valor más negativo en el vector bi. Si todas las variables básicas son positivas o
sea ³0se tiene la solución final, óptima y factible.

Criterio de optimalidad. La variable entrante se selecciona de entre las variables

no-básicas como sigue:
 Dividir los coeficientes de la ecuación cero entre los coeficientes de la
ecuación asociada con la variable saliente, ignorando
denominadores positivos y/o ceros. La variable entrante será aquella cuyo
cociente sea el menor, si el problema es de minimizar, ó el de menor valor
absoluto si es de maximizar. Si todos los denominadores son ³0,
el problema no tendrá solución factible.

La aplicación del método dual-simplex es especialmente útil para el tema

de análisis de sensibilidad. El procedimiento del método dual-simplex se explicara
más objetivamente con los siguientes ejemplos:

Ejemplo 1
Considere el siguiente modelo de PL y determine su solución por el método dual-
simplex.
Minimizar. Z= 2X1 + X2
S.A.
3X1 +X2 ³ 3
4X! +3X2 ³6
X! +2X2 # 3
X1³0 , X2³0 X3³0

Igualando a cero la función objetivo y agregando las variables de holgura para

obtener ecuaciones de restricción.

Minimizar. Z-2X1 - X2 = 0
S.A.
-3X1 -X2 +X3 =-3
-4X! -3X2 +X4 =-6
X! +2X2 X5 = 3

X1³0 , X2³0 X3³0

Obteniendo la forma tabular para aplicar el procedimiento del dual-simplex.
Conclusión.
La solución óptima es:
X1 = 3/5
X2= 6/5
Con Zoptima = 12/5

Ejemplo 2.
Considere el siguiente modelo de PL y determine su solución por el método dual-
simplex.

Maximizar. Z= -4X1 -12 X2 -18 X3

S.A.
X1 +3X3 ³ 3
+2X2 +2X3 ³ 5

X1³0 , X2³0 X3³0

Igualando a cero la función objetivo y agregando las variables de holgura para
obtener ecuaciones de restricción.
Minimizar. Z+4X1 +12 X2 +18 X3= 0
S.A.
-X1 -3X3 +X4 =-3
-.2X2 -2 X3 X5 =-5

X1³0 , X2³0 X3³0

Obteniendo la forma tabular para aplicar el procedimiento del dual-simplex.

Conclusión.

La solución óptima es:

X2 = 3/2
X3= 1
Con Zoptima = -36
 2.6. Relaciones primal dual.
Cada uno de los problemas abordados hasta entonces en los módulos anteriores
se consideran problemas primales dado que tienen una relación directa con la
necesidad del planteamiento, y sus resultados responden a la formulación del
problema original; sin embargo cada vez que se plantea y resuelve un problema
lineal, existe otro problema ínsitamente planteado y que puede ser resuelto, es el
considerado problema dual, el cual tiene unas importantes relaciones y
propiedades respecto al problema primal que pueden ser de gran beneficio para la
toma de decisiones.
Los problemas primales y duales se encuentran ligados por una serie de
relaciones, saber la existencia de estas puede ser considerado de gran utilidad
para la resolución de problemas que parecen no factibles, o que no pueden ser
resueltos mediante un método en particular.

Relaciones entre problemas primales y duales:

 El número de variables que presenta el problema dual se ve determinado

por el número de restricciones que presenta el problema primal.
 El número de restricciones que presenta el problema dual se ve
determinado por el número de variables que presenta el problema primal.
 Los coeficientes de la función objetivo en el problema dual corresponden a
los términos independientes de las restricciones (RHS), que se ubican del
otro lado de las variables.
 Los términos independientes de las restricciones (RHS) en el problema dual
corresponden a los coeficientes de la función objetivo en el problema
primal.
 La matriz que determina los coeficientes técnicos de cada variable en cada
restricción corresponde a la transpuesta de la matriz de coeficientes
técnicos del problema primal.

El sentido de las igualdades y desigualdades se comporta según la tabla de

TUCKER, presentada a continuación.
 La resolución de los problemas duales respecto a los primales se justifica dada la
facilidad que se presenta dados problemas donde el número de restricciones
supere al número de variables. Además de tener gran aplicación en el análisis
económico del problema.

Otra de las ventajas que presenta es que dado a que el número de restricciones y
variables entre problema dual y primal es inverso, se pueden resolver
gráficamente problemas que presenten dos restricciones sin importar el número de
variables.

TEOREMAS DE LA DUALIDAD EN PROGRAMACIÓN LINEAL

1. Si el modelo primal o dual tiene solución óptima finita entonces su respectivo

dual o primal tendrán solución óptima finita.
2. Si el modelo primal o dual tiene solución óptima no acotada, entonces su
respectivo dual o primal no tendrán solución, será un modelo infactible.
3. Si el modelo primal o dual no tiene solución entonces su respectivo dual o
primal no tendrán solución.
4. Sea "A" un modelo primal cuyo modelo dual es "B", el modelo dual de "B" es
igual a "A", es decir "El modelo dual de un dual es un modelo primal".
2.7. Análisis de sensibilidad e interpretación de resultados.
El análisis de sensibilidad busca determinar los efectos que se producen en
la solución óptima al realizar cambios en cualquiera de los parámetros del modelo
de programación lineal planteado inicialmente. Entre los cambios que se
investigan están: los cambios en los coeficientes de las variables en
la función objetivo tanto para variables básicas como para las variables
no básicas, cambios en los recursos disponibles de las restricciones, variación de
los coeficientes de utilización en las restricciones e introducción de una
nueva restricción.

El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible

de variación en los cuales las variables o parámetros pueden fluctuar sin que
cambie la solución optima. Sin embargo, así mismo se identifica
aquellos parámetros sensibles, es decir, los parámetros cuyos valores no pueden
cambiar sin que cambie la solución óptima. Los investigadores de operaciones
tienden a prestar bastante atención a aquellos parámetros con holguras reducidas
en cuanto a los cambios que pueden presentar, de forma que se vigile su
comportamiento para realizar los ajustes adecuados según corresponda y evitar
que estas fluctuaciones pueden desembocar en una solución no factible.

A modo general, cuando se realiza un análisis de sensibilidad a

una solución óptima se debe verificar cada parámetro de forma
individual, dígase los coeficientes de la función objetivo y los limites de cada una
de las restricciones. En ese sentido se plantea el siguiente procedimiento:

1. Revisión del modelo: se realizan los cambios que se desean investigar en el

modelo.
2. Revisión de la tabla final Símplex: se aplica el criterio adecuado para
determinar los cambios que resultan en la tabla final Símplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla
en la forma apropiada para identificar y evaluar la solución básica actual,
para lo cual se aplica la metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante
la verificación de que todas las variables básicas de la columna del lado
derecho aun tengan valores no negativos.
5. Prueba de optimalidad: se verifica si esta solución es optima y factible,
mediante la comprobación de que todos lo coeficientes de las variables
no básicas del reglón Z permanecen no negativos.
6. Reoptimización: si esta solución no pasa una de las pruebas indicadas en
los puntos 4 y 5 anteriores, se procede a buscar la nueva solución optima a
partir de la tabla actual como tabla Símplex inicial, luego de aplicadas las
conversiones de lugar, ya sea con el método Símplex o el Símplex Dual.
 CONCLUSION
Como su nombre lo indica, la Investigación de Operaciones (IO), o Investigación
Operativa, es la investigación de las operaciones a realizar para el logro óptimo de
los objetivos de un sistema o la mejora del mismo. Esta disciplina brinda y utiliza la
metodología científica en la búsqueda de soluciones óptimas, como apoyo en los
procesos de decisión, en cuanto a lo que se refiere a la toma de decisiones
óptimas y en sistemas que se originan en la vida real.

Investigación de operaciones, es la aplicación del método científico por un g

rupo multidisciplinario de personas a un problema, principalmente relacionado
con la distribución eficaz de recursos limitados, que apoyados con el enfoque d
e sistemas (este enfoque, es aquel en el que un grupo de personas con disti
ntas áreas de conocimiento, discuten sobre la manera de resolver un problem
a en grupo.)