MODULO INV - OPER Ii. RZC

Investigación de Operaciones I. 2. Programación Lineal.
Modulo de Investigación de Operaciones
Carrera: Ingeniería Industrial
Profesor: Ricardo Zapata Cáceres
Introducción Investigaci{on de Operaciones Pág. 1 Prof: Ricardo Zapata C.

2. Programación Lineal.
2.4. Método Símplex.
El método símplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solución es
un algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un
procedimiento sistemático una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a
cabo el procedimiento sistemático se realiza una iteración. En consecuencia, un algoritmo sustituye
un problema difícil por una serie de problemas fáciles.
Además de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un criterio
para determinar cuándo detenerse, como se resume enseguida:
Paso inicial Preparación para iniciar iteraciones
Paso iterativo Realización de iteraciones
Regla de detención ¿Es óptima la solución actual?

Si no Si sí
Fin
El método símplex es un procedimiento algebraico en el que cada iteración contiene la
solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la prueba
de optimalidad. No obstante, también tiene una interpretación geométrica muy útil. Para ilustrar los
conceptos geométricos generales se empleará la solución gráfica del siguiente problema:
Max Z = 3x1 + 5x2

s.a.
x1 4
2x2  12
3x1 + 2x2  18
x1  0 x2  0

Solución por el método gráfico:
En la figura anterior pueden observarse los puntos de intersección que son las soluciones en los
vértices del problema. Los cinco puntos que se encuentran en los vértices de la región factible, 
(0,0), (0,6), (2,6), (4,3), (4,0) son las soluciones factibles en los vértices. Algunas de estas
soluciones factibles en un vértice son adyacentes, en el sentido de que están conectadas por una sola
orilla (segmento de línea) de la frontera de la región factible; esto es, tanto (0,6) como (4,3) son
adyacentes a (2,6). Las tres propiedades clave de las soluciones factibles en los vértices y que
forman el fundamento del método símplex se resumen como sigue:
Propiedades de las soluciones factibles en un vértice:
1a. Si existe exactamente una solución óptima, entonces debe ser una solución factible en un
vértice.
1b. Si existen soluciones óptimas múltiples, entonces al menos dos de ellas deben ser soluciones
factibles en vértices adyacentes.
2. Existe sólo un número finito de soluciones factibles en los vértices adyacentes.
3. Si una solución en un vértice es igual o menor (según el valor de Z) que todas las soluciones
factibles en los vértices adyacentes a ella, entonces es igual o mejor que todas las demás
soluciones en los vértices; es decir, es óptima.

La propiedad 1 significa que la búsqueda de la solución óptima se puede reducir a la
consideración de sólo las soluciones factibles en los vértices, de manera que sólo existe un número
finito de soluciones que es necesario tomar en cuenta (propiedad 2). La propiedad 3 proporciona una
prueba de optimalidad muy conveniente.
El método símplex explota estas tres propiedades al examinar nada más unas cuantas
soluciones factibles en vértices prometedores y al detenerse en cuanto una de ellas pasa la prueba
de optimalidad. En particular, se traslada repetidamente (en forma iterativa) de una solución factible
en un vértice a otra, adyacente y mejor. Esto se puede realizar en forma muy eficiente hasta que la
solución actual no tiene soluciones factibles en vértices adyacentes que sean mejores. Este
procedimiento se resume como sigue:
Bosquejo del método símplex:
1. Paso inicial: inicio en una solución factible en un vértice.
2. Paso iterativo: traslado a una mejor solución factible en un vértice adyacente. (Repítase este
paso las veces que sea necesario).
3. Prueba de optimalidad: la solución factible en un vértice es óptima cuando ninguna de las
soluciones en vértices adyacentes a ella sean mejores.
Este bosquejo muestra la esencia del método símplex,. En el caso del ejemplo, al utilizar
estas reglas de selección el método símplex procede como sigue:
1. Paso inicial: comienza en (0,0).
2a. Iteración 1: se mueve de (0,0) a (0,6)
2b. Iteración 2: se mueve de (0,6) a (2,6).
3. Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es
óptima.
Preparación para el método símplex.
En el procedimiento algebraico es mucho más conveniente manejar ecuaciones que
desigualdades. Así, el primer paso para preparar el método símplex es convertir las restricciones
funcionales de desigualdad en restricciones equivalentes. (Las restricciones de no negatividad se
pueden dejar como desigualdades porque el algoritmo las usa sólo indirectamente). Esta conversión

se hace mediante la introducción de variables de holgura. Considérese la primera restricción
funcional del ejemplo:
x1  4
La variable de holgura para esta restricción es x 3, que no es otra cosa que la holgura entre los dos
lados de la desigualdad. Entonces:
x1 + x3 = 4
La restricción original x1  4 se cumple siempre que x 3  0. Por tanto, x1  4 es totalmente
equivalente al conjunto de restricciones
x1 + x3 = 4
x3  0,
de manera que se usará este conjunto por resultar más conveniente.
Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de
programación lineal original para este ejemplo se puede sustituir por el modelo equivalente:
Maximizar Z = 3x1 + 5x2,

sujeta a
x1 + x3 = 4
2x2 + x4ì¥
Á55
@
55ø
¿55
555
555
555
55m
³55
5bj
bjÏ2
Ï25
555

666
666
666
666
666
-è6X66X66Aª666666+ 6666666666666666666666ÿÿ ﾤ 666666666ÿÿ ﾤ 666666666ÿÿ
ﾤ 66666666666666666ˆ66666

777777

88

999999

101010101010

111111111111

121212121212

1313 ﾵ 1313131313131313131313Ì131313131313ð( 1313131313ð( 1313131313ð( 138131313()
13ä13ì¥Á135@ 1313ø¿13131313131313131313131313m³1313

14bjbjÏ2Ï2141414141414141414141414141414141414

15-è15X1515X1515Aª151515151515+ 15151515151515151515151515151515151515151515ÿÿ
ﾤ 151515151515151515ÿÿ ﾤ 151515151515151515ÿÿ ﾤ 1515151515151515151515151515151515ˆ15151
51515

161616161616

1717

181818181818

191919191919

202020202020

212121212121

2222 ﾵ 2222222222222222222222Ì222222222222ð( 2222222222ð( 2222222222ð( 2282
22222() 22ä22ì¥Á225@ 2222ø¿22222222222222222222222222m³2222

23bjbjÏ2Ï2232323232323232323232323232323232323

24-è24X2424X2424Aª242424242424+
24242424242424242424242424242424242424242424ÿÿ ﾤ 242424242424242424ÿÿ ﾤ 2
42424242424242424ÿÿ ﾤ 2424242424242424242424242424242424ˆ2424242424

252525252525

2626

272727272727

282828282828

292929292929

303030303030

3131 ﾵ 3131313131313131313131Ì313131313131ð( 3131313131ð( 3131313131ð( 318313131()
31ä31ì¥Á315@ 3131ø¿31313131313131313131313131m³3131

32bjbjÏ2Ï2323232323232323232323232323232323232

33-è33X3333X3333Aª333333333333+
33333333333333333333333333333333333333333333ÿÿ ﾤ 333333333333333333ÿÿ ﾤ 3
33333333333333333ÿÿ ﾤ 3333333333333333333333333333333333ˆ3333333333

343434343434

3535

363636363636

373737373737

383838383838

393939393939

4040 ﾵ 4040404040404040404040Ì404040404040ð( 4040404040ð( 4040404040ð( 408404040()
40ä40 valores obtenidos para las variables de holgura x3 = 0, x4 = 0 y x5 = –6, se llega a la solución
básica correspondiente (4,6,0,0,–6). Se permite que las soluciones básicas sean factibles o no
factibles, lo que lleva a la siguiente definición:
Una solución básica factible es una solución factible en un vértice aumentada.
Así, la solución factible en el vértice (0,6) del ejemplo es equivalente a la solución básica
factible (0,6,4,0,6) para la forma de igualdades del problema.
Como los términos solución básica y solución básica factible constituyen partes muy
importantes del vocabulario normal de programación lineal, es necesario aclarar sus propiedades
algebraicas. Nótese que para la forma de igualdades del ejemplo, el sistema de restricciones
funcionales tiene dos variables más (cinco) que ecuaciones (tres). Este hecho proporciona dos grados
de libertad al resolver el sistema, ya que se pueden elegir dos variables cualesquiera y hacerlas
iguales a cualquier valor arbitrario para resolver las tres ecuaciones en términos de las tres
variables restantes (se excluyen redundancias). El método símplex usa cero para este valor
arbitrario. Las variables que por el momento se hacen iguales a cero se llaman variables no básicas;
todas las demás se llaman variables básicas. La solución que resulta es una solución básica. Si todas
las variables básicas son no negativas, entonces se tiene una solución básica factible. Para cualquier
solución básica, la solución en el vértice correspondiente se obtiene simplemente al quitar las
variables de holgura. Dos soluciones básicas son adyacentes si todas menos una de sus variables son
las mismas; la misma aseveración se cumple para las variables básicas. Entonces, trasladarse de una
solución básica factible a una adyacente significa cambiar el estado de una variable de no básica a
básica y viceversa para otra variable.
En términos generales, el número de variables no básicas de una solución básica siempre es
igual a los grados de libertad del sistema de ecuaciones y el número de variables básicas siempre es
igual al número de restricciones funcionales.
Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y manipular la
ecuación de la función objetivo al mismo tiempo que las nuevas ecuaciones de las restricciones. Antes
de comenzar con el método símplex es necesario escribir el problema una vez más en su forma
equivalente:

Maximizar Z,
sujeta a
Z  3x1  5x2 = 0
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 para j = 1, 2, …, 5
Como la ecuación de la función objetivo ya se encuentra en forma de igualdad, no necesita
variable de holgura. Con esta interpretación, las soluciones básicas no cambian, excepto que Z puede
verse como una variable básica adicional permanente.
A partir de este momento ya estamos listos para pasar los coeficientes de nuestro problema
a lo que conoceremos como la Tabla Símplex:
Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
La tabla anterior ilustra una propiedad clave que toda tabla símplex debe tener para estar en
la forma apropiada; se trata del patrón especial de los coeficientes de las variables básicas. En
particular, nótese cómo las columnas de x3, x4 y x5 (al igual que la columna de Z) contiene
exactamente un +1 en el renglón que corresponde a esa variable básica (véase la primera columna), y
todos los demás coeficientes en esa columna son cero. De la misma manera, cada ecuación contiene
exactamente una variable básica con coeficiente distinto de cero, en donde este coeficiente es +1.
Esta propiedad es significativa, ya que permite identificar de inmediato la solución básica factible
actual a partir de la tabla; esto es, cada variable básica es igual a la constante del lado derecho de su
ecuación. Esta primera solución básica factible actual se muestra en la figura anterior en la columna
de ¿Es óptima?. De aquí en adelante, para cada nueva iteración del método símplex mostraremos la
solución básica factible actual en esta columna de la tabla símplex. (Recuérdese que las variables no
básicas son iguales a cero). La tabla símplex inicial quedará automáticamente en esta forma
apropiada (a menos que el problema original de programación lineal no esté en nuestra forma
estándar).

El método símplex construye una tabla símplex para cada solución básica factible que se
obtiene, hasta alcanzar la solución óptima. A continuación describimos el procedimiento para
problemas que ya están en la forma estándar, con bi  0 para toda i = 1, 2, …, m.
PASO INICIAL. Se introducen variables de holgura. Después se seleccionan las variables originales
como variables no básicas iniciales (se igualan a cero) y las variables de holgura como las variables
básicas originales. Esta selección lleva a la tabla símplex inicial anterior. Como esta tabla está en la
forma apropiada, de inmediato se obtiene la solución básica factible inicial para el ejemplo,
(0,0,4,12,18). Ahora debe realizarse la prueba de optimalidad para determinar si la solución es
optima.
PRUEBA DE OPTIMALIDAD. La solución básica factible actual es óptima si y sólo si todos los
coeficientes de la ecuación de la función objetivo (renglón de Z) son no negativos (  0 ). Si es así, el
proceso termina; de otra manera, se lleva a cabo otra iteración para obtener la nueva solución básica
factible, lo que significa el cambio de una variable no básica por una básica (parte 1) y viceversa
(parte 2), y después despejar las variables de la nueva solución (parte 3).
En este ejemplo, hay dos coeficientes negativos en la ecuación de Z, 3 para x1 y 5 para x2
de manera que debe irse al paso iterativo. Tacharemos la solución básica factible actual como se
muestra en la tabla anterior para indicar que esta solución no es óptima.
PASO ITERATIVO.
Parte 1. Se determina la variable básica entrante mediante la elección de la variable con el
coeficiente negativo (automáticamente se refiere a una variable no básica) que tiene el mayor valor
absoluto en la ecuación de Z. Se enmarca la columna correspondiente a este coeficiente; esta
columna recibe el nombre de columna pivote. En el ejemplo, el coeficiente negativo más grande (en
términos de valor absoluto) es –5 para x 2 (5>3), por lo que x2 debe convertirse en variable básica.
Este cambio se indica en la siguiente tabla con el recuadro en la columna de x 2 abajo del –5:
Variable Lado
Z 1 –3 –5 0 0 0 0

x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12 12/2 = 6 mínimo
x5 0 3 2 0 0 1 18 18/2 = 9
Parte 2. Se determina la variable básica que sale; para esto, a) se toma cada coeficiente
estrictamente positivo (>0) de la columna enmarcada, b) se divide el lado derecho de cada renglón
entre estos coeficientes, c) se identifica la ecuación con el menor coeficiente y d) se selecciona la
variable básica para esta ecuación. (Esta variable básica es la que llega a cero primero cuando se
incrementa la variable básica entrante). Se enmarca el renglón de esta ecuación en la tabla símplex
sin incluir la columna Z y se le da el nombre de renglón pivote. El número que está en la intersección
de los dos recuadros se llama pivote.
En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo (antes de
enmarcar el renglón); la prueba del cociente mínimo para determinar la variable básica que sale se
muestra a la derecha de la tabla. Entonces la variable básica que sale es x 4.
Parte 3. Se determina la nueva solución básica factible al construir una nueva tabla símplex
en la forma apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian, excepto que la
variable básica entrante sustituye a la variable básica que sale en la columna de Variable Básica. Para
cambiar el coeficiente de la nueva variable básica en el renglón pivote a +1, se divide todo el renglón
pivote entre el número pivote:
Renglón pivote nuevo = Renglón pivote antiguo / pivote
En este punto, la tabla símplex para el ejemplo se ve como la que se muestra enseguida. Para
obtener un coeficiente 0 para la nueva variable básica en las otras ecuaciones, cada renglón [inclusive
el de la ecuación de Z] excepto el renglón pivote, se cambia por la nueva tabla símplex usando la
siguiente fórmula:
Renglón nuevo = renglón antiguo  (coeficiente en la columna pivote  renglón pivote nuevo)
en donde el coeficiente en la columna pivote es el número en la columna pivote correspondiente a
este renglón.

Variable Lado
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1
x3 0
x2 0 0 1 0 1/2 0 6
x5 0
Para ilustrar con el ejemplo, los nuevos renglones se obtienen de la forma siguiente:
Renglón de Z: 3 5 0 0 0, 0
(5)  0 1 0 1/2 0, 6
Renglón nuevo = 3 0 0 5/2 0, 30
Renglón 1: Sin cambio porque su coeficiente en la columna pivote es cero.
Renglón 3: 3 2 0 0 1, 18
(2) 0 1 0 1/2 0, 6
Renglón nuevo = 3 0 0 1 1, 6
Estos cambios llevan a la nueva tabla símplex que se muestra en la siguiente tabla para la
iteración 1:
Variable Lado
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6
Como las variables básicas siempre son iguales al lado derecho de la ecuación que le
corresponde, la nueva solución básica factible es (0, 6, 4, 0, 6) con Z = 30.
Este trabajo completa el paso iterativo, así que debe proseguirse a la prueba de optimalidad.
Como la ecuación de Z todavía tiene coeficientes negativos (–3 para x 1), la prueba de optimalidad
indica que la solución no es óptima, (lo cual se muestra en la figura anterior) por lo que manda al
algoritmo de regreso al paso iterativo para obtener la siguiente solución básica factible. El paso

iterativo comienza de nuevo en la tabla símplex actual para encontrar la nueva solución. Si se siguen
las instrucciones de las partes 1 y 2, se encuentra que x 1 es la variable básica entrante y x 5 la
variable básica que sale, como se muestra en la siguiente tabla:
Variable Lado
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2
mín.
En las siguientes tablas se muestra el conjunto completo de las tablas del método símplex
para este ejemplo. La nueva solución básica factible es (2, 6, 2, 0, 0), con Z = 36. Al hacer la prueba
de optimalidad, se encuentra que la solución es óptima porque no hay coeficientes negativos en la
ecuación de Z, de manera que el algoritmo ha terminado. En consecuencia, la solución óptima para
este ejemplo (sin tomar en cuenta las variables de holgura) es x1 = 2, x2 = 6.
Variable Lado
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 12/2 = 6 Z=0
mín.
x5 0 3 2 0 0 1 18 18/2 = 9
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2
mín.
Z 1 0 0 0 3/2 1 36
x3 0 0 0 1 1/3 –1/3 2 (2, 6, 2, 0, 0)
x2 0 0 1 0 1/2 0 6 Z = 36
x1 0 1 0 0 –1/3 1/3 2 Óptima
Anteriormente no se dijo qué hacer cuando las reglas de selección del método símplex no
llevan a una decisión clara, ya sea porque existen empates (valores iguales) o por otras ambigüedades
parecidas.
Empate para la variable básica entrante.

El paso 1 de cada iteración elige la variable básica que tiene el coeficiente negativo con el
mayor valor absoluto en la ecuación de Z actual como la variable básica entrante. Ahora suponga que
dos o más variables no básicas tienen el coeficiente negativo más grande (en valor absoluto), es
decir, que hay un empate entre ellas. Por ejemplo, esto ocurriría en la primera iteración del ejemplo
anterior si se cambiara la función objetivo a Z = 3x 1 + 3x2, con lo que la ecuación del renglón de Z
inicial sería Z3x13x2 = 0. ¿Cómo debe romperse este empate?
La respuesta es que la elección entre estos dos contendientes se puede hacer de manera
arbitraria. Tarde o temprano se llegará a la solución óptima, sin importar cuál de las variables
empatadas se haya escogido, y no existe un método conveniente para predecir cuál lleva ahí más
rápidamente. En este ejemplo ocurre que si se escoge x 1 como variable entrante, el método símplex
alcanza la solución óptima (2, 6) en tres iteraciones y si se elige x 2, llega en dos.
Empate para la variable básica que sale  degeneración.
Ahora suponga que el empate ocurre entre dos o más variables básicas al elegir la variable
que sale en el paso 2 de una iteración. ¿Importa cuál se escoge? En teoría sí, y en una forma crítica
debido a que puede ocurrir la siguiente sucesión de eventos. Primero, todas las variables empatadas
se hacen cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por tanto, aquellas
que no se eligieron como variable básica que sale también tendrán un valor de cero en la nueva
solución básica factible. (Las variables básicas con valor de cero se llaman degeneradas y el mismo
nombre se da a la solución básica factible correspondiente.) Segundo, si una de estas variables
básicas degeneradas sigue con valor de cero hasta que se selecciona como variable básica que sale en
una iteración posterior, la variable básica entrante deberá también quedar con valor de cero (ya que
no puede crecer sin que la variable básica que sale se vuelva negativa), entonces el valor de Z
permanecerá sin cambio. Tercero, si Z permanece igual en lugar de mejorar cada iteración, el método
símplex puede caer en un ciclo que repite la misma secuencia de soluciones periódicamente, en lugar
de aumentar en algún momento para llegar a la solución óptima.
Por fortuna, aunque en teoría es posible que haya ciclos perpetuos, ha sido en extremo raro
que tenga lugar en problemas reales. Si ocurriera un ciclo siempre se puede salir de él cambiando la
elección de la variable básica que sale. Por lo tanto se recomienda romper los empates
arbitrariamente y seguir el proceso sin preocuparse de las variables que puedan resultar.
Cuando no hay variable básica que sale  Z no acotada.

Existe otra posibilidad en el paso 2 de una iteración, de la que no se ha hablado: aquella en la
que ninguna variable califica como variable básica que sale. Esta situación puede ocurrir si la variable
básica entrante puede crecer indefinidamente sin que ninguna de las variables básicas actuales
adquiera valores negativos. En la forma tabular, esto significa que todos los coeficientes en la
columna pivote (se excluye el renglón de Z) son negativos o cero.
Como se ilustra en la siguiente tabla, esta situación surge cuando se considera el siguiente
ejemplo:
Maximizar Z = 3x1 + 5x2,

sujeta a x1  4
y x1  0, x2  0
En este ejemplo se ignoraron las dos últimas restricciones funcionales del ejemplo resuelto
anteriormente. Vea en la tabla que x 2 es la variable básica entrante pero el único coeficiente en la
columna pivote es cero. Como la prueba del cociente mínimo usa sólo coeficientes mayores que cero,
no se cuenta con un cociente que proporcione una variable básica que sale.
La interpretación de una tabla símplex como la que se muestra en la siguiente tabla es que las
restricciones no impiden el crecimiento indefinido de la función objetivo Z, de manera que el método
símplex se detiene con el mensaje de que Z es no acotada. Debido a que ni siquiera la programación
lineal ha descubierto la manera de lograr ganancias infinitas, el mensaje real en problemas prácticos
es: ¡Se ha cometido un error! Tal vez el modelo esté mal formulado, ya sea por haber omitido una
restricción relevante o por haberla establecido incorrectamente. De otra manera, pudo haber
ocurrido un error en los cálculos.
Variable Lado
Básica Z x1 x2 x3 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0
X3 0 1 0 1 4 Sin mínimo
Soluciones óptimas múltiples.
En la definición de solución óptima se mencionó que un problema puede tener más de una
solución óptima. Si en el ejemplo cambiamos la función objetivo a Z = 3x 1 + 2x2 resulta que todos los
puntos sobre el segmento de recta entre (2,6) y (4,3) son soluciones óptimas. Entonces todas las
soluciones son un promedio ponderado de estas dos soluciones factibles en los vértices óptimas:

(x1, x2) = w1(2, 6) + w2(4, 3),
donde los pesos w1 yw2 son números que satisfacen las relaciones:
w1 + w2 = 1 y w1  0, w2  0
Por ejemplo, w1 = 1/3 y w2 = 2/3 da:
(x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4)
como una solución óptima.
En general, cualquier promedio ponderado de dos o más soluciones (vectores) donde los pesos
son no negativos y suman 1 se llama combinación convexa de estas soluciones. Entonces, toda solución
óptima en el ejemplo es una combinación convexa de (2, 6) y (4, 3).
Este ejemplo es representativo de problemas con soluciones óptimas
múì¥Á485@ 4848ø¿48484848484848484848484848m³4848

49bjbjÏ2Ï2494949494949494949494949494949494949

50-è50X5050X5050Aª505050505050+
50505050505050505050505050505050505050505050ÿÿ ﾤ 5
05050505050505050ÿÿ ﾤ 505050505050505050ÿÿ ﾤ 50505050505050505050505
05050505050ˆ5050505050

515151515151

5252

535353535353

545454545454

555555555555

565656565656

5757 ﾵ 5757575757575757575757Ì575757575757ð( 5757575757ð( 5
757575757ð( 578575757() 57ä57ì¥Á575@
5757ø¿57575757575757575757575757m³5757

58bjbjÏ2Ï2585858585858585858585858585858585858

59-è59X5959X5959Aª595959595959+
59595959595959595959595959595959595959595959ÿÿ ﾤ 5
95959595959595959ÿÿ ﾤ 595959595959595959ÿÿ ﾤ 59595959595959595959595
95959595959ˆ5959595959

606060606060

6161

626262626262

636363636363

646464646464

656565656565

6666 ﾵ 6666666666666666666666Ì666666666666ð( 6666666666ð( 6666666666ð( 668666666()
66ä66e óptima. Sin embargo, en muchas aplicaciones de Programación Lineal existen factores
intangibles que no se incorporan al modelo y que pueden ser útiles para tomar decisiones
significativas sobre las soluciones óptimas alternativas. En esos casos, también deben identificarse
las otras soluciones óptimas. Esto requiere encontrar todas las demás soluciones básicas factible
óptimas, y entonces toda solución óptima es una combinación convexa de las soluciones básicas
factibles óptimas.
Una vez que el método símplex encuentra una solución básica factible óptima, se puede
detectar si existen otras y, si así es, se encuentra como sigue:
Siempre que un problema tiene más de una solución básica factible óptima, al menos
una variable no básica tiene coeficiente cero en la ecuación de Z final, de manera
que si aumenta su valor, el valor de la función Z no cambia. Por lo tanto, estas otras
soluciones básicas factibles óptimas se pueden identificar (si se desea) realizando
iteraciones adicionales del método símplex, en las que cada vez se elige una variable
no básica con coeficiente cero como variable básica entrante. Si una de estas
iteraciones no tiene una variable básica que sale esto indica que la región factible es
no acotada y la variable básica entrante puede crecer indefinidamente sin cambiar el
valor de Z.
2. Programación Lineal.

2.5. Método de la “M” o de Penalización.
Hasta este momento se han presentado los detalles del método símplex con la suposición de
que el problema se encuentra en nuestra forma estándar (maximizar Z sujeta a las restricciones
funcionales de la forma  y restricciones de no negatividad sobre todas las variables) con b i 
0 para toda i = 1, 2, ..., m. En esta sección se establecerá cómo hacer los ajustes requeridos a
otras formas legítimas de modelos de Programación Lineal. Se verá que todos estos ajustes se
pueden hacer en el paso inicial, de manera que el resto del método símplex se aplica justo como se
aprendió.
El único problema serio que introducen las otras formas de restricciones funcionales (= ó )
es identificar una solución inicial básica factible. Antes, esta solución inicial se encontraba en forma
muy conveniente al hacer que las variables de holgura fueran las variables básicas iniciales, donde
cada una era igual a la constante no negativa del lado derecho de la ecuación correspondiente. Ahora
debe hacerse algo más. El enfoque estándar que se utiliza es estos casos es la técnica de variables
artificiales. Ésta construye un problema artificial más conveniente introduciendo una variable
ficticia (llamada variable artificial) en cada restricción que lo requiera. Esta nueva variable se
introduce sólo con el fin de que sea la variable básica inicial para esa ecuación. Las restricciones
usuales de no negatividad también se aplican sobre estas variables y la función objetivo se modifica
para que imponga una penalización exorbitante en el caso de que adquieran valores mayores que
cero. Las iteraciones del método símplex automáticamente fuerzan a las variables artificiales a
desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solución; después de
esto se resuelve el problema real.
Para ilustrar la técnica de las variables artificiales, primero se considerará el caso en que la
única forma no estándar en el problema es la presencia de una o más restricciones en forma de
igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restricción en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn  bi,
ai1x1 + ai2x2 + . . . + ainxn  bi
Sin embargo, en lugar de hacer esta sustitución e incrementar con ello el número de
restricciones, es más conveniente usar la técnica de la variable artificial. Suponga que se modifica el

problema de ejemplo presentado y resuelto en la sección anterior. El único cambio que sufre el
modelo de programación lineal es que la tercera restricción, 3x 1 + 2x2  18, se convierte en una
restricción de igualdad:
3x1 + 2x2 = 18
Aplicando la técnica de las variables artificiales se introduce una variable artificial no
negativa (denotada por x5) en la última ecuación, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restricción funcional en forma de igualdad y deseamos “pasarla a
su forma de igualdad”, únicamente debemos sumar una variable artificial.
Restricciones funcionales de la forma 
Para ilustrar la manera en que la técnica de las variables artificiales maneja las restricciones
de la forma  usaremos el siguiente ejemplo:
Minimizar Z =
0.4x1 + 0.5x2
sujeta a 0.3x1 + 0.1x2  2.7
0.5x1 + 0.5x2 = 6
0.6x1 + 0.4x2  6
x1  0, x2  0
Notemos que la tercera restricción es del tipo , por lo que para cambiarla a su forma de
igualdad tendríamos que restar una variable de superávit (o de excedente), quedando de la siguiente
manera:
0.6x1 + 0.4x2  x5 = 6
Se ha restado la variable de excedente x5 (se utilizó x5 porque en la primera restricción
agregamos una variable de holgura que sería x3 y en la segunda restricción agregamos también una
variable artificial que sería x4; todo esto con el fin de convertir las desigualdades a su forma de
igualdades) para que consuma el exceso de 0.6x 1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en
este caso debe agregarse otra variable. Esta variable extra, llamada variable artificial se aumenta
como sigue:
0.6x1 + 0.4x2  x5 + x6 = 6
La razón de esto es que, si no se agrega la variable artificial, no se estarían cumpliendo las
restricciones de no negatividad. Para comprenderlo, se dejará sin aumentar. El método símplex
comienza por hacer todas las variables reales (originales) iguales a cero. Entonces:
0.6x1 + 0.4x2  x5 = 6
Sea x1 = 0 y x2 = 0, entonces:

x5 = 6 ó
x5 = 6 (que no cumple la restricción de no negatividad)
La variable artificial opera para mantener todas las variables no negativas cuando 0.6x 1 +
0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2  x5 + x6 = 6
x6 = 6
En resumen, una restricción de la forma  se convierte a su forma de igualdad restando una
variable de excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar Z = 3x1 + 5x2

sujeta a x1  4
2x2  12
3x1 + 2x2 = 18
x1  0, x2  0
Como explicamos anteriormente, para resolver este problema, debemos construir un
problema artificial que tiene la misma solución óptima que el problema real, haciendo dos
modificaciones a este problema real.
1. Se aplica la técnica de las variables artificiales introduciendo una variable artificial no negativa
(denotada por x5) en la última ecuación, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
Se asigna una penalización enorme al hecho de tener x5  0, cambiando la función objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2  Mx5,
donde M simbólicamente representa un número positivo muy grande. Este método que fuerza a x 5
hasta el nivel de x5 = 0 en la solución óptima se llama método de la M.
Nota: Para el caso de minimización, penalizamos a la variable artificial, haciéndola aparecer en la
función objetivo con un coeficiente de +M.

Ahora se encuentra la solución óptima para el problema real aplicando el método símplex al
problema artificial.
Como x5 juega el papel de la variable de holgura en la tercera restricción del problema
artificial, esta restricción es equivalente a 3x1 + 2x2  18.
En particular, el sistema de ecuaciones después de aumentar el problema artificial (en otras
palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z  3x1  5x2 + Mx5 = 0
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 Para j = 1, 2, …, 5
En este momento estamos preparados para pasar los coeficientes a la tabla símplex:
Variable Lado
Z 1 –3 –5 0 0 M 0
x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12
x5 0 3 2 0 0 1 18
Esta tabla todavía no está en la forma apropiada porque el coeficiente de x 5 es diferente de
cero en la ecuación de Z (es M). Por lo tanto, antes de que el método símplex pueda aplicar la prueba
de optimalidad y encontrar la variable básica entrante, debe pasarse esta tabla a la forma apropiada
para que cumpla la condición símplex. Esta condición que debe cumplir toda tabla del método símplex
para que pueda reportarnos la siguiente solución básica factible dice que: “Toda variable básica debe
tener un 1 en la intersección de su renglón y columna correspondiente y cero en los demás renglones
incluido el renglón de Z”, en otras palabras, que toda variable que sea básica solamente debe
aparecer en el renglón de la restricción que representa. Para hacer cero el coeficiente M, utilizamos
el renglón de x5 como renglón pivote multiplicándolo por M y sumando el resultado al renglón de Z.
Realizando el procedimiento anterior, la tabla símplex queda de la siguiente manera:
Variable Lado


Z 1 -3M- -2M- 0 0 0 18M Mx5 + Z
3 5
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z = 18M
x5 0 3 2 0 0 1 18
Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer
la solución básica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de optimalidad
vemos que no es óptima ya que todavía tenemos coeficientes negativos en el renglón de Z (los
correspondientes a x1 y x2). Aplicando el método símplex a la tabla anterior tenemos: el coeficiente
negativo con el mayor valor absoluto corresponde a x1 (3M3), recordemos que M es un número muy
grande positivo, por lo tanto, x1 se convierte en la variable básica entrante, realizando los cocientes
correspondientes, vemos que x3 se convierte en la variable básica saliente. El procedimiento completo
para resolver este ejemplo se muestra en el siguiente conjunto de tablas:
Variable Lado
Z 1 -3M- -2M- 0 0 0 18M
3 5
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z = 18M
x5 0 3 2 0 0 1 18 18/3 = 6
Z 1 0 -2M- 3M+3 0 0 6M+12
5
x1 0 1 0 1 0 0 4 (4, 0, 0, 12, 6)
x4 0 0 2 0 1 0 12 12/2 = 6 Z = 6M+12
x5 0 0 2 3 0 1 6 6/2 = 3
Z 1 0 0 9/2 0 M+5/ 27
2
x1 0 1 0 1 0 0 4 4/1 = 4 (4, 3, 0, 6, 0)
x4 0 0 0 3 1 1 6 6/3 = 2 Z = 27
x2 0 0 1 3/2 0 1/2 3
Z 1 0 0 0 3/2 M+1 36
x1 0 1 0 0 1/3 1/3 2 (2, 6, 2, 0, 0)
x3 0 0 0 1 1/3 1/3 2 Z = 36
x2 0 0 1 0 1/2 0 6 Óptima
MINIMIZACIÓN con el método símplex.
Una manera directa de minimizar Z con el método símplex es cambiar los roles de los
coeficientes negativos y positivos en el renglón de la función objetivo, tanto para la prueba de

optimalidad como para la parte 1 de una iteración. Se determina la variable básica entrante mediante
la elección de la variable con el coeficiente positivo menor en la ecuación de Z. La solución básica
factible actual es óptima si y sólo si todos los coeficientes de la ecuación de la función objetivo
(renglón de Z) son no positivos (  0 ). Si es así, el proceso termina; de otra manera, se lleva a cabo
otra iteración para obtener la nueva solución básica factible, lo que significa el cambio de una
variable no básica por una básica (parte 1) y viceversa (parte 2), y después despejar las variables de
la nueva solución (parte 3). Notemos que no se ha dicho nada con respecto a la forma de obtener la
variable básica saliente en una iteración, ya que este paso se realiza de la misma manera que cuando
se está maximizando, es decir, se escoge aquella variable básica con el menor cociente. Ilustremos la
forma de utilizar el método símplex para el caso de minimización. Consideremos el siguiente ejemplo:
Minimizar Z = 3x1 + 8x2

sujeta a x1 + 4x2  4
x1 + 2x2  2
x1  0, x2  0
Pasando este problema a su forma de igualdades añadiendo las variables necesarias,
obtenemos lo siguiente:
Minimizar Z,
sujeta a
Z  3x1  8x2  Mx5 = 0
x1 + 4x2 + x3 = 4
x1 + 2x2  x4 + x5 = 2
xj  0 para j = 1, 2, …, 5
Utilizando el método de la M para obtener una solución óptima por el método símplex,
obtenemos el siguiente conjunto de tablas:
Variable Lado
Z 1 3 8 0 0 M 0
x3 0 1 4 1 0 0 4
x5 0 1 2 0 1 1 2
Z 1 M3 2M8 0 M 0 2M (0, 0, 4, 0, 2)
x3 0 1 4 1 0 0 4 4/1 = 4 Z = 2M
x5 0 1 2 0 1 1 2 2/1 = 2
Z 1 0 2 0 3 M+3 6 (2, 0, 2, 0, 0)
x3 0 0 2 1 1 1 2 Z=6
x1 0 1 2 0 1 1 2 Óptima

Notemos que la primera tabla no se encontraba en la forma apropiada para el método símplex,
ya que el coeficiente de la variable básica x 5 era de M en el renglón de Z, lo cual hacia que no se
cumpliera la condición símplex.
2.6. Método de las dos Fases.
En el ejemplo presentado en la sección “Restricciones funcionales de la forma “, recordemos
la función objetivo real:
Problema real: Minimizar Z = 0.4x1 + 0.5x2
Sin embargo, el método de la M utiliza la siguiente función objetivo a través de todo el
procedimiento:
Método de la M: Minimizar Z = 0.4x1 + 0.5x2 + Mx4 + Mx6
Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el
método de dos fases puede eliminar la M usando las siguientes dos funciones objetivo que definen Z
de manera completamente diferente:
Método de las dos fases:
Fase 1: Minimizar Z = x4 + x6 (hasta que x4 = 0 y x6 = 0).
Fase 2: Minimizar Z = 0.4x1 + 0.5x2 (con x4 = 0 y x6 = 0).
La función objetivo de la fase 1 se obtiene dividiendo la función objetivo del método de la M
entre M eliminando los términos despreciables, en otras palabras, la fase 1 consiste en la
minimización de la suma de todas las variables artificiales que se introduzcan en el problema. Como
la fase 1 concluye al obtener una solución básica factible para el problema real (aquella en la que x 4 =
0 y x6 = 0), esta solución se usa como la solución básica factible inicial para aplicar el método símplex
al problema real (con su función objetivo) en la fase 2. Antes de resolver el ejemplo de esta manera
se hará un resumen de las características generales.

Resumen del método de dos fases.
Paso inicial: Se revisan las restricciones del problema original introduciendo variables artificiales
según se necesite para obtener una solución básica factible inicial obvia para el problema artificial.
Fase 1: uso del método símplex para resolver el problema de programación lineal:
Minimizar Z =  de todas las variables artificiales, sujeta a las restricciones revisadas.
La solución óptima que se obtiene para este problema (con Z = 0) será una solución básica
factible para el problema real.
Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen cero).
Comenzando con la solución básica factible que se obtuvo al final de la fase 1, se usa el método
símplex para resolver el problema real.
Enseguida se resumen los problemas que deben resolverse por el método símplex en las fases
respectivas para el ejemplo.
Problema para la fase 1:

Minimizar W = x4 + x6,
sujeta a
0.3x1 + 0.1x2 + x3 = 2.7
0.5x1 + 0.5x2 + x4 = 6
0.6x1 + 0.4x2  x5 + x6 = 6
y
x10 x20 x3 x40 x50 x60
Problema para la fase 2:

Minimizar Z = 0.4x1 + 0.5x2,
sujeta a
0.3x1 + 0.1x2 + x3 = 2.7
0.5x1 + 0.5x2 = 6
0.6x1 + 0.4x2  x5 = 6
y
x10 x20 x3  x50
Las únicas diferencias entre estos dos problemas se encuentran en la función objetivo y en la
inclusión (fase 1) o exclusión (fase 2) de las variables artificiales x 4 y x6. Sin las variables
artificiales, el problema para la fase 2 no tiene una solución básica factible inicial obvia. El único

propósito de resolver el problema para la fase 1 es obtener una solución básica factible con x 4 = 0 y
x6 = 0 que se pueda usar como la solución básica factible inicial para la fase 2.
Las siguientes tablas muestran el resultado de aplicar el método símplex a este problema
para la fase 1:
Variable Lado
Básica W x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?
W 1 0 0 0 1 0 1 0
x3 0 0.3 0.1 1 0 0 0 2.7
x4 0 0.5 0.5 0 1 0 0 6
x6 0 0.6 0.4 0 0 1 1 6
W 1 1.1 0.9 0 0 1 0 12
x3 0 0.3 0.1 1 0 0 0 2.7 2.7/0.3=9 (0,0,2.7,6,0,6)
x4 0 0.5 0.5 0 1 0 0 6 6/0.5=12 W = 12
x6 0 0.6 0.4 0 0 1 1 6 6/0.6=10
W 1 0 0.53 3.66 0 1 0 2.1
x1 0 1 0.33 3.33 0 0 0 9 9/0.33=27 (9,0,0,1.5,0,0.6)
.2
x4 0 0 0.33 1.66 1 0 0 1.5 1.5/0.33= W = 2.1
4.5
x6 0 0 0.2 2 0 1 1 0.6 0.6/0.2=3
W 1 0 0 1.64 0 1.65 2.65 0.51
x1 0 1 0 6.63 0 1.65 1.65 8.01 8.01/1.65= (8.01,3,0,0.51,0,
4.8 0)
x4 0 0 0 1.64 1 1.65 1.65 0.51 0.51/1.65= W = 0.51
0.30
x2 0 0 1 10 0 5 5 3
W 1 0 0 0 1 0 1 0
x1 0 1 0 5 1 0 0 7.5 (7.5,4.5,0,0,0.3,
0)
x5 0 0 0 0.99 0.60 1 1 0.3 W=0
x2 0 0 1 5.05 3 0 0 4.5 Óptima fase 1
Notemos que ya hemos obtenido una solución óptima para la fase 1 que consistió en la
minimización de la suma de todas las variables artificiales. Observemos también que la función
objetivo W terminó con un valor de cero en la última tabla, lo que indica que las dos variables
artificiales (x4 y x6) valen cero ó tienen valores recíprocos y se cancelan mutuamente para dar cero.
En nuestro caso, las dos variables artificiales valen cero ya que no se encuentran en la columna de las
variables básicas en la última tabla de la primera fase. La segunda fase consiste en resolver el
problema original utilizando como tabla inicial de esta fase la última tabla de la primera fase pero sin

considerar la columna de las variables artificiales ya que éstas tomaron el valor de cero en la primera
fase. El método símplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:
Variable Lado
Básica Z x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?
Z 1 0.4 0.5 0 0 0 0 0
x1 0 1 0 5 1 0 0 7.5
x5 0 0 0 0.99 0.60 1 1 0.3
x2 0 0 1 5.05 3 0 0 4.5
Z 1 0 0.5 2 0 3
x1 0 1 0 5 0 7.5
x5 0 0 0 0.99 1 0.3
x2 0 0 1 5.05 0 4.5
Z 1 0 0 0.52 0 5.25
x1 0 1 0 5 0 7.5 (7.5,4.5,0,0,0.3,
0)
x5 0 0 0 0.99 1 0.3 Z = 5.25
x2 0 0 1 5.05 0 4.5 Óptima fase 2
Notemos que no fue necesario aplicar propiamente el método símplex a la primera tabla de la
segunda fase, ya que únicamente aplicando operaciones con matrices para tratar de llevar esta tabla
a la forma apropiada para el método símplex fue suficiente para resolver el problema planteado en la
segunda fase. Es necesario aclarar que no siempre ocurrirá de esta manera, es decir, si después de
dejar la tabla en la forma apropiada, es necesario aplicar el método símplex, se debe aplicar como lo
hemos estudiado.
Nota: Independientemente de que el problema original (real) sea de maximización o minimización, la
primera fase siempre consistirá en la minimización de la suma de todas las variables
artificiales.

MODULO INV - OPER Ii. RZC

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

MODULO INV - OPER Ii. RZC

Încărcat de

Drepturi de autor:

Formate disponibile

Investigación de Operaciones I. 2. Programación Lineal.

Modulo de Investigación de Operaciones

Carrera: Ingeniería Industrial

Profesor: Ricardo Zapata Cáceres

Introducción Investigaci{on de Operaciones Pág. 1 Prof: Ricardo Zapata C.

2.4. Método Símplex.

El método símplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solución es

un algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un

cabo el procedimiento sistemático se realiza una iteración. En consecuencia, un algoritmo sustituye

un problema difícil por una serie de problemas fáciles.

para determinar cuándo detenerse, como se resume enseguida:

Paso inicial Preparación para iniciar iteraciones

Paso iterativo Realización de iteraciones

Regla de detención ¿Es óptima la solución actual?

El método símplex es un procedimiento algebraico en el que cada iteración contiene la

conceptos geométricos generales se empleará la solución gráfica del siguiente problema:

Max Z = 3x1 + 5x2

Introducción Investigaci{on de Operaciones Pág. 2 Prof: Ricardo Zapata C.

Solución por el método gráfico:

forman el fundamento del método símplex se resumen como sigue:

Propiedades de las soluciones factibles en un vértice:

factibles en vértices adyacentes.

2. Existe sólo un número finito de soluciones factibles en los vértices adyacentes.

soluciones en los vértices; es decir, es óptima.

Introducción Investigaci{on de Operaciones Pág. 3 Prof: Ricardo Zapata C.

La propiedad 1 significa que la búsqueda de la solución óptima se puede reducir a la

prueba de optimalidad muy conveniente.

procedimiento se resume como sigue:

Bosquejo del método símplex:

1. Paso inicial: inicio en una solución factible en un vértice.

paso las veces que sea necesario).

3. Prueba de optimalidad: la solución factible en un vértice es óptima cuando ninguna de las

soluciones en vértices adyacentes a ella sean mejores.

estas reglas de selección el método símplex procede como sigue:

1. Paso inicial: comienza en (0,0).

2a. Iteración 1: se mueve de (0,0) a (0,6)

2b. Iteración 2: se mueve de (0,6) a (2,6).

Preparación para el método símplex.

En el procedimiento algebraico es mucho más conveniente manejar ecuaciones que

funcionales de desigualdad en restricciones equivalentes. (Las restricciones de no negatividad se

Introducción Investigaci{on de Operaciones Pág. 4 Prof: Ricardo Zapata C.

se hace mediante la introducción de variables de holgura. Considérese la primera restricción

funcional del ejemplo:

lados de la desigualdad. Entonces:

La restricción original x1  4 se cumple siempre que x 3  0. Por tanto, x1  4 es totalmente

equivalente al conjunto de restricciones

de manera que se usará este conjunto por resultar más conveniente.

Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de

Maximizar Z = 3x1 + 5x2,

Introducción Investigaci{on de Operaciones Pág. 5 Prof: Ricardo Zapata C.

-è6X66X66Aª666666+ 6666666666666666666666ÿÿ ﾤ 666666666ÿÿ ﾤ 666666666ÿÿ

Introducción Investigaci{on de Operaciones Pág. 6 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 7 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 8 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 9 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 10 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 11 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 12 Prof: Ricardo Zapata C.

1313 ﾵ 1313131313131313131313Ì131313131313ð( 1313131313ð( 1313131313ð( 138131313()

Introducción Investigaci{on de Operaciones Pág. 13 Prof: Ricardo Zapata C.

Introducción Investigaci{on de Operaciones Pág. 14 Prof: Ricardo Zapata C.

ﾤ 151515151515151515ÿÿ ﾤ 151515151515151515ÿÿ ﾤ 1515151515151515151515151515151515ˆ15151

Introducción Investigaci{on de Operaciones Pág. 15 Prof: Ricardo Zapata C.