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 popular 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.

¿QUE ES UNA MATRIZ IDENTIDAD?

Una matriz puede definirse como una ordenación rectangular de elementos, (o

listado finito de elementos), los cuales pueden ser números reales o complejos,
dispuestos en forma de filas y de columnas.

La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo

número tanto de columnas como de filas) de orden n que tiene todos los
elementos diagonales iguales a uno (1) y todos los demás componentes iguales a
cero (0), se denomina matriz idéntica o identidad de orden n, y se denota por:

La importancia de la teoría de matrices en el Método Simplex es fundamental,

dado que el algoritmo se basa en dicha teoría para la resolución de sus
problemas.
OBSERVACIONES IMPORTANTES AL
UTILIZAR MÉTODO SIMPLEX
VARIABLES DE HOLGURA Y EXCESO
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:
VARIABLE ARTIFICIAL / MÉTODO DE LA "M"
Una variable artificial es un truco matemático para convertir inecuaciones ">=" en
ecuaciones, o cuando aparecen igualdades en el problema original, la
característica principal de estas variables es que no deben formar parte de la
solución, dado que no representan recursos. El objetivo fundamental de estas
variables es la formación de la matriz identidad.

Estas variables se representa por la letra "A", siempre se suman a las

restricciones, su coeficiente es M (por esto se le denomina Método de la M
grande, donde M significa un número demasiado grande muy poco atractivo para
la función objetivo), y el signo en la función objetivo va en contra del sentido de la
misma, es decir, en problemas de Maximización su signo es menos (-) y en
problemas de Minimización su signo es (+), repetimos con el objetivo de que su
valor en la solución sea cero (0).

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

www.ingenieriaindustrialonline.com
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.

Solución inicial:

www.ingenieriaindustrialonline.com
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:

Maximizar Minimizar
Variable que
La más positiva de los Cj - Zj La más negativa de los Cj - Zj
entra
Siendo b los valores bajo la celda solución Siendo b los valores bajo la celda solución
Variable que sale y a el valor correspondiente a la intersección y a el valor correspondiente a la
entre b y la variable que entra. La menos intersección entre b y la variable que entra.
 positiva de los b/a. La más positiva de los b/a.

www.ingenieriaindustrialonline.com
2. El hecho de que una variable distinta forme parte de las variables solución
implica una serie de cambios en el tabulado Simplex, cambios que se explicarán a
continuación.

- Lo primero es no olvidar el valor del "a" correspondiente a la variables a entrar,

en este caso el "a = 4".

www.ingenieriaindustrialonline.com
- Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila.
www.ingenieriaindustrialonline.com
- Se repite este procedimiento con las dos filas restantes, ahora se harán los
cálculos correspondientes en el resto de las celdas.
www.ingenieriaindustrialonline.com
De esta manera se culmina la primera iteración, este paso se repetirá cuantas
veces sea necesario y solo se dará por terminado el método según los siguientes
criterios.
Maximizar Minimizar
Solución Óptima Cuando todos los Cj - Zj sean <= 0 Cuando todos los Cj - Zj sean >= 0
- Continuamos con las iteraciones para lo cual tenemos que repetir los pasos
anteriores.
www.ingenieriaindustrialonline.com
En esta última iteración podemos observar que se cumple con la consigna Cj - Zj
<= 0, para ejercicios cuya función objetivo sea "Maximizar", por ende hemos
llegado a la respuesta óptima.

X1 = 3
X2 = 4
X3 = 6
X4 = 4
Con una utilidad de: $ 340000

Sin embargo una vez finalizado el Método Simplex se debe observar una matriz
identidad en el rectángulo determinado por las variables de decisión, el hecho de
que en este caso no se muestre la matriz identidad significa que existe una
solución óptima alterna.
www.ingenieriaindustrialonline.com
La manera de llegar a la otra solución consiste en alterar el orden en que cada una
de las variables entro a la solución básica, recordemos que el proceso fue
decidido al azar debido a la igualdad en el Cj - Zj del tabulado inicial. Aquí les
presentamos una de las maneras de llegar a la otra solución.
www.ingenieriaindustrialonline.com
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

PROBLEMAS DE MINIMIZACIÓN CON EL

MÉTODO SIMPLEX
Para resolver problemas de minimización mediante el algoritmo simplex existen
dos procedimientos que se emplean con regularidad.

 El primero, que a mi juicio es el más recomendable se basa en un artificio

aplicable al algoritmo fundamentado en la lógica matemática que dicta
que "para cualquier función f(x), todo punto que minimice a f(x) maximizará
también a - f(x)". Por lo tanto el procedimiento a aplicar es multiplicar por el
factor negativo (-1) a toda la función objetivo.

a continuación se resuelve el algoritmo como un problema de maximización.

 El segundo procedimiento, el cual pretende conservar la minimización

consiste en aplicar los criterios de decisión que hemos esbozado con
anterioridad, en los casos de la variable que entra, que sale y el caso en el
que la solución óptima es encontrada. Aquí recordamos los procedimientos
según el criterio dado el caso "minimizar".

Minimizar
Variable que entra La más negativa de los (Cj - Zj)
Siendo "b" los valores bajo la celda solución y "a" el valor correspondiente a
Variable que sale
la intersección entre "b" y la variable que entra. La más positiva de los "b/a".
Solución Óptima Cuando todos los (Cj - Zj) sean >= 0.

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/
 2018

Método Simplex

El Método Simplex publicado por George Dantzig en 1947 consiste en un algoritmo iterativo que
secuencialmente a través de iteraciones se va aproximando al óptimo del problema de Programación Lineal en caso
de existir esta última.

La primera implementación computacional del Método Simplex es el ano 1952 para un problema de 71 variables y 48
ecuaciones. Su resolución tarda 18 horas. Luego, en 1956, un código llamado RSLP1, implementado en un IBM con
4Kb en RAM, admite la resolución de modelos con 255 restricciones.

El Método Simplex hace uso de la propiedad de que la solución óptima de un problema de Programación Lineal se
encuentra en un vértice o frontera del dominio de puntos factibles (esto último en casos muy especiales), por lo cual,
la búsqueda secuencial del algoritmo se basa en la evaluación progresiva de estos vértices hasta encontrar el óptimo.
Cabe destacar que para aplicar el Método Simplex a un modelo lineal, este debe estar en un formato especial
conocido como formato estándar el cual definiremos a continuación.

FORMA ESTÁNDAR DE UN MODELO DE PROGRAMACIÓN LINEAL

Consideremos un modelo de Programación Lineal en su forma estandar, que denotaremos en lo que sigue por:

 Min c1x1 + c2x2 + ... + cnxn

 sa a11x1 + a12x2 + ... + a1nxn = b1
 a21x1 + a22x2 + ... + a2nxn = b2
 ... ... ...
 am1x1 + am2x2 + ... + amnxn = bm
 xi >= 0, i = 1, 2, ..., n y m <= n


Matricialmente escrito como:

Min cTx
s.a Ax = b
x >= 0

No existe pérdida de generalidad en asumir que un modelo de PL viene dado en su forma estándar:

 EJEMPLO
 P) Max 9u + 2v + 5z
 sa 4u + 3v + 6z <= 50
 u + 2v - 3z >= 8
 2u - 4v + z = 5
 u,v >= 0
 z e IR

1. Siempre es posible llevar un problema de maximización a uno de minimización. Si f(x) es la función

objetivo a maximizar y x* es la solución óptima f(x*) >= f(x), para todo x factible. -f(x*) <= - f(x),
para todo x factible. En consecuencia: x* es también mínimo de -f(x)
2. Cada restricción del tipo <= puede ser llevada a una ecuación de igualdad usando una (nueva) variable
de holgura no negativa, con coeficiente nulo en la función objetivo.
 3. Cada restricción del tipo >= puede ser llevada a una ecuación de igualdad usando una (nueva) variable
de exceso no negativa, con coeficiente nulo en la función objetivo.
4. Siempre es posible escribir una variable libre de signo como la diferencia de dos variables no negativas.

Considerando la siguiente notación: u = x1, v = x2, z = x3 - x4, s1 = x5 (holgura), s2 = x6 (exceso), el

problema P) puede ser escrito en forma equivalente como:

 Min - 9x1 - 2x2 - 5x3 + 5x4 + 0x5 + 0x6

 sa: 4x1 + 3x2 + 6x3 - 6x4 + x5 = 50
 x1 + 2x2 - 3x3 + 3x4 - x6 = 8
 2x1 - 4x2 + x3 - x4 = 5
 xi >= 0, i=1,2,3,4,5,6.

EJEMPLO:

Resolver el siguiente problema de Programación Lineal utilizando el Método Simplex:

 Max 40*X1 + 60*X2

 s.a. 2*X1 + 1*X2 <= 70
 1*X1 + 1*X2 <= 40
 1*X1 + 3*X2 <= 90
 X1 >= 0 X2 >= 0

Para poder aplicar el Método Simplex, es necesario llevar el modelo a su formato estándar, para lo cual
definimos X3, X4, X5 >= 0 como las respectivas variables de holgura para la restricción 1, 2 y 3. De esta forma
queda definida la tabla inicial del método de la siguiente forma:

X1 X2 X3 X4 X5

2 1 1 0 0 70

1 1 0 1 0 40

1 3 0 0 1 90

-40 -60 0 0 0 0

En esta situación, las variables de holgura definen una solución básica factible inicial, condición necesaria para la
aplicación del método. Luego, se verifican los costos reducidos de las variables no básicas (X1 y X2 en la tabla
inicial) y se escoge como variable que entra a la base aquella con el costo reducido "más negativo". En este
caso, X2.

Luego, para escoger que variable básica deja la base debemos buscar el mínimo cuociente entre el lado derecho y
los coeficientes asociados a la variable entrante en cada fila (para aquellos coeficientes > 0 marcados en rojo en la
tabla anterior). El mínimo se alcanza en Min {70/1, 40/1, 90/3} = 30 asociado a la tercera fila, el cual corresponde a
la variable básica actual X5, en consecuencia, X5 deja la base. En la posición que se alcanza el mínimo cuociente lo
llamaremos "Pivote" (marcado con rojo) el cual nos servirá para realizar las respectivas operaciones filas, logrando
la siguiente tabla al cabo de una iteración:

X1 X2 X3 X4 X5
 5/3 0 1 0 -1/3 40

2/3 0 0 1 -1/3 10

1/3 1 0 0 1/3 30

-20 0 0 0 20 1800

El valor de la función objetivo luego de una iteración ha pasado de 0 a 1.800. Se recomienda al lector hacer una
representación gráfica del problema y notar como las soluciones factibles del método corresponden a
vértices del dominio de puntos factibles.

La actual tabla no corresponde a la solución óptima del problema P) debido a que existe una variable no básica con
costo reducido negativo, por tanto X1 entra a la base. Posteriormente, mediante el criterio del mínimo cuociente
calculamos la variable que debe dejar la base: Min {40/(5/3), 10/(2/3), 30/(1/3)} = 15, asociado a la fila 2 (variable
básica actual X4), por tanto X4 deja la base. Obtenido lo anterior se aplica una iteración del método:

X1 X2 X3 X4 X5

0 0 1 -5/2 1/2 15

1 0 0 3/2 -1/2 15

0 1 0 -1/2 1/2 25

0 0 0 30 10 2100

Finalmente se alcanza la solución óptima del problema P) y se verifica que los costos reducidos asociados a las
variables no básicas (X4 y X5 son mayores o iguals que cero). Notése que la existencia de un costo reducido igual a
cero para una variable no básica en esta etapa define un problema con "infinitas soluciones".

La solución alcanzada es X1* = 15, X2* = 25 con V(P*) = 2.100. Adicionalmente, los costos reducidos asociados
a las variables no básicas definen el precio sombra asociado a las restricciones 1, 2 y 3, respectivamente, lo cual es
equivalente a la obtención del precio sombra mediante el método gráfico. Dejaremos para una posterior
presentación, la forma de calcular el intervalo de variación para el lado derecho que permite la validez del precio
sombra, utilizando la tabla final del Método Simplex.

MÉTODO SIMPLEX DE 2 FASES

Esta estrategia se utiliza cuando no es inmediata una solución básica factible inicial en las variables originales del
modelo.

FASE 1: Se considera un problema auxiliar que resulta de agregar tantas variables auxiliares a las restricciones del
problema, de modo de obtener una solución básica factible. Resolver por Simplex un problema que considera como
función objetivo la suma de las variables auxiliares. Si el valor óptimo es cero, seguir a la Fase II, en caso contrario,
no existe solución factible.

FASE 2: Resolver por Simplex el problema original a partir de la solución básica factible inicial hallada en la Fase I.
 P) Max 2X1 + X2
 sa 10X1 + 10X2 <= 9
 10X1 + 5X2 >= 1
 X1, X2 >= 0

Se debe agregar X3 como variable de holgura de la restricción 1, X4 como variable de exceso de la restricción 2 y X5
variable auxiliar para poder comenzar la Fase 1. (Nótese que solo agregando X3 como variable de holgura a la
restricción 1 y X4 como variable de exceso a las segunda restricción no se obtiene una solución básica factible inicial,
en particular X4<0).

 F1) Min X5
sa ...............10X1 + 10X2 + X3 = 9
 10X1 + 5X2 - X4 + X5 = 1
 X1, X2, X3, X4, X5 >= 0

La tabla inicial asociada a la Fase I queda en consecuencia definida de la siguiente forma:

X1 X2 X3 X4 X5

10 10 1 0 0 9

10 5 0 -1 1 1

0 0 0 0 1 0

Luego, se debe hacer 0 el costo reducido de X5, obteniendo la siguiente tabla inicial para hacer el uso de Simplex:

X1 X2 X3 X4 X5

10 10 1 0 0 9

10 5 0 -1 1 1

-10 -5 0 1 0 -1

Se escoge X1 como variable que entra a la base al tener el costo reducido más negativo. Posteriormente, mediante
el criterio del mínimo cuociente se selecciona la variable que sale de la base: Min {9/10; 1/10} = 1/10, X5 sale de la
base:

X1 X2 X3 X4 X5

0 5 1 1 -1 8

1 1/2 0 -1/10 1/10 1/10

 0 0 0 0 1 0

Se obtiene la solución óptima de la Fase I, con valor óptimo cero. Luego iniciamos la Fase II del método
tomando X1 y X3 como variables básicas iniciales.

FASE 2: Resolver por Simplex el problema original a partir de la solución básica factible inicial hallada en la Fase I.

X1 X2 X3 X4

0 5 1 1 8

1 1/2 0 -1/10 1/10

-2 -1 0 0 0

Hacemos cero los costos reducidos de las variables básicas:

X1 X2 X3 X4

0 5 1 1 8

1 1/2 0 -1/10 1/10

0 0 0 -1/5 1/5

X4 entra a la base. Por el criterio del mínimo cuociente, el pivote se encuentra en la fila 1, por tanto X3 sale de la
base:

X1 X2 X3 X4

0 5 1 1 8

1 1 1/10 0 9/10

0 1 1/5 0 9/5

Donde la solución óptima es: X1=9/10 X2=0 Con valor óptimo V(P) = 9/5.

¿Necesitas Aprobar tu Examen de

 Programación Lineal y no tienes ejercicios
Resueltos?...
Descarga HOY el Libro de Apuntes de Programación Lineal!

RESUELVA AQUI SUS PROBLEMAS DE PROGRAMACIÓN LINEAL UTILIZANDO EL MÉTODO SIMPLEX

La siguiente aplicación permite resolver modelos de Programación Lineal utilizando el Método Simplex. Consideremos
uno de los ejemplos de esta sección para ver su uso. Nótese que no es necesario agregar las restricciones de no
negatividad. De aquí se obtiene la solución óptima, valor óptimo y cada una de las tablas del Método Simplex. Para
una mejor visualización de las tablas se recomienda seleccionar el modo "Fracción".

Escriba su problema lineal abajo. (Seleccione "Ejemplo" para ver como funciona)
 Solución:
La Solución Optima aparecera aqui

6
Redondeo: digitos significativos
Decimal
Fracción
Modo: Entero

Las tablas del Metodo Simplex apareceran AQUI.

Aplicación usada con la autorización de ZweigMedia Inc. Los derechos de autor corresponde a ZweigMedia.

https://www.programacionlineal.net/simplex.html
Dualidad en Programación Lineal
Consideremos nuevamente el ejemplo utilizado para presentar el tutorial de Solver:

Supongamos que deseamos conocer una cota superior del valor óptimo de este problema sin la
necesidad de resolver dicho problema. Por ejemplo, si multiplicamos la restricción 3 por 200
obtenemos: 200X + 200Y + 200Z <= 10.000. Claramente el lado izquierdo de esta restricción
amplificada es mayor o igual a la expresión que define la función objetivo, por tanto podemos
afimar que el valor óptimo de este problema es menor o igual a 10.000 ( V(P)<=10.000 ). Por
supuesto se puede buscar otras combinaciones de modo de definir una mejor cota superior a la
que se utiliza como ejemplo.

En este sentido si consideramos A, B y C como multiplicadores asociados a cada una de las

restricciones, la forma de encontrar la mejor cota superior para el problema original (que
llamaremos en adelante Primal) se obtiene resolviendo el siguiente problema
(denominado Dual):

Este problema puede ser resuelto a través del método simplex dual como se explica en detalle
en dicha sección. Se obtiene de esta forma la siguiente solución óptima: A=8, B=10, C=60,
con valor óptimo de 6.620. Si multiplicamos las restricciones del problema dual por estos
multiplicadores logramos la mejor cota superior:

8(15X + 7,5Y + 5Z) + 10(2X + 3Y + 2Z) + 60(X + Y + Z) <= 8*315 + 10*110 + 60*50

200X + 150Y + 120Z <= 6.620

Se puede verificar adicionalmente que el precio sombra de las respectivas restricciones del
problema primal (ver informe de sensibilidad en la sección de solver de excel) corresponde a
las variables duales óptimas o solución óptima del problema dual, con valor óptimo equivalente.

En general las relaciones de dualidad se pueden resumir en la siguiente tabla:

Teoremas de Dualidad
La dualidad en programación lineal provee de resultados teóricos interesantes que justifican su
uso como herramienta alternativa y complementaria de resolución.

TEOREMA DE DUALIDAD DÉBIL: En general, el valor de cualquier solución factible del

problema de minimización, provee una cota superior del valor óptimo del problema de
maximización. Análogamente, el valor de la función objetivo de cualquier solución factible del
problema de maximización es una cota inferior del valor óptimo del problema de minimización.

TEOREMA DE DUALIDAD FUERTE: En el óptimo el valor de la función objetivo del problema

primal será igual al valor de la función objetivo del problema dual evaluada en la solución dual
óptima. Si el problema primal es no acotado, entonces el dual es infactible. Alternativamente si
el problema primal es infactible, entonces el dual es no acotado.

TEOREMA DE HOLGURAS COMPLEMENTARIAS:Una variable en el primal esta asociada a una

restricción en el dual (y viceversa). En este sentido si en el primal existe una variable no básica
(valor igual a cero), en el dual la restricción asociado no está activa, es decir, no se cumple en
igualdad. Análogamente, si la variable es básica en el primal, la restricción asociada en el dual
se cumple en igualdad. Este resultado teórico es útil toda vez que simplifica la forma de obtener
la solución óptima dado que como en un problema lineal la solución óptima (en caso de existir)
esta en un vértice, esto implica resolver un sistema de ecuaciones (con restricciones de
igualdad).

http://www.investigaciondeoperaciones.net/dualidad_en_programacion_lineal.html
CARACTERÍSTICA DEL MÉTODO SIMPLEX

 Es aplicable a problemas de programación lineal

multidimensionales.

 Tiene como base el álgebra matricial y el proceso

de eliminación de Gauss- Jordan. Es un proceso de
búsqueda que se vuelve sorprendentemente eficiente
para solucionar problemas muy grandes.

 Hoy en dia el metodo simplex puede aplicar con

eficiencia a la diversidad de paquetes de software que
facilitan el proceso de cálculo.
 MÉTODO SIMPLEX

El método Simplex es un procedimiento general para

resolver problemas de programación lineal.
Desarrollado por George Dantzig en 1947, esta
comprobada su extraordinaria eficiencia, y se usa en
forma rutinaria para resolver problemas grandes
en computadoras actuales. También se usan
extensiones y variaciones del método Simplex para
realizar análisis posoptimo (que incluye el análisis de
sensibilidad) sobre el modelo.

El método Simplex es un procedimiento algebraico, Sin

embargo, sus conceptos fundamentales son
geométricos, por lo que la comprensión de estos
conceptos geométricos nos proporciona una fuerte
intuición sobre como opera el método Simplex y
porque es tan eficiente.

Este método se emplea con un proceso interactivo, o sea, que

se usa sucesivamente la misma rutina básica de cálculo, lo
que da por resultado una serie de soluciones sucesivas hasta
que se encuentra la mejor. Una característica básica del
método Simplex es que la última solución produce una
contribución tan grande o mayor que la solución previa
en un problema de maximización, lo que da la
seguridad de llegar finalmente a la respuesta óptima.

¿PARA QUÉ SIRVE EL MÉTODO SIMPLEX?

El método Simplex nos sirve para solucionar problemas

en donde debemos de optimizar nuestros recursos de la
manera más eficiente. Se utiliza para
resolver problemas de programación lineal en los que
intervienen tres o más variables.

IMPORTANCIA DEL MÉTODO SIMPLEX

El método simplex permite localizar de manera

eficiente la óptima solución entre los puntos extremos
de un problema de programación lineal. La gran virtud
del método simplex es su sencillez, método muy
práctico, ya que solo trabaja con los coeficientes de la
función objetivo y de las restricciones.

Es muy importante en el área empresarial ya que lo

utilizan para obtener solución a los problemas de las
empresas en cuanto a inventario, ganancias y pérdidas.
Este método permite visualizar cuanto se debe vender,
cuanto se debe producir o cuanto se debe comprar
según sea el caso para que la empresa obtenga
las ganancias optimas y suficientes para competir en el
mercado.

En Base a esta importancia El método simplex ha

tenido diversas aplicaciones en las industrias
especialmente en el área de transporte, en la parte de
inventarios y en lo empresarial en general.

VENTAJAS DEL MÉTODO SIMPLEX

 1) Es un Método heurístico. Se basa en
consideraciones geometricas y no requiere el
uso de derivadas de la función objetivo.
2) Es de gran eficiencia incluso para ajustar
gran número de parámetros.
3) Se puede usar con funciones objetivo muy
sinuosas pues en las primeras iteraciones
busca el mínimo más ampliamente y evita caer
en mínimos locales fácilmente.
4) Es fácil implementar y usar, y sin embargo
tiene un alta eficacia.

DESVENTAJAS DEL MÉTODO SIMPLEX

Converge más lentamente que otros métodos, pues

requiere más número de iteraciones.

En el caso de que la función tenga todas sus variables

básicas positivas, y además las restricciones sean de
desigualdad "≤", al hacer el cambio se quedan
negativas y en la fila del valor de la función objetivo se
quedan positivos, por lo que se cumple la condición de
parada, y por defecto el valor óptimo que se obtendría
es 0.
VARIABLES DE HOLGURA Y EXCESO

Aplica para las restricciones del tipo (≥ y ≤), donde el

lado derecho de la desigualdad representa el limite
sobre la disponibilidad de un recurso y el lado
izquierdo representa la utilización de ese recurso
limitado que hacen las variables del modelo. Esto
quiere decir que una holgura representa la cantidad
disponible del recurso que excede a la utilización que se
le da. En la conversión de este tipo de desigualdad se
añade una variable de ajuste (Si) para convertirla en
igualdad. Por ejemplo, tenemos la siguiente restricción:
3X1 + 2X2 ≥ 6, su equivalente seria, 3X1 + 2X2 + S1 =
6.

VARIABLE ARTIFICIAL / MÉTODO DE LA "M"

Una variable artificial es un truco matemático para

convertir inecuaciones ">=" en ecuaciones, o cuando
aparecen igualdades en el problema original, la
característica principal de estas variables es que no
deben formar parte de la solución, dado que no
representan recursos. El objetivo fundamental de estas
variables es la formación de la matriz identidad.

Estas variables se representa por la letra "A", siempre

se suman a las restricciones, su coeficiente es M (por
esto se le denomina Método de la M grande, donde M
significa un número demasiado grande muy poco
atractivo para la función objetivo), y el signo en la
función objetivo va en contra del sentido de la misma,
es decir, en problemas de Maximización su signo es
menos (-) y en problemas de Minimización su signo es
(+), repetimos con el objetivo de que su valor en la
solución sea cero (0).

A modo general, el método Símplex consta de los pasos

siguientes:
 Determinar una solución básica factible
inicial.
 Definir una variable de entrada empleando
la condición de factibilidad. El algoritmo se
detiene cuando ya no hay una variable de
entrada.
 Seleccionar una variable de salida
empleando la condición de factibilidad.
 Determinar las nuevas soluciones básicas
factibles aplicando los cálculos apropiados a
través de la metodología Gauss-Jordan.

http://metodosimplex15.blogspot.com/2014/10/definicion_30.html