MÉTODO SIMPLEX - MINIMIZACIÓN

Cuando se aplicó el método simplex a partir de la forma estándar del modelo

para el ejercicio prototipo, su estandarización considero variables de holgura
por tener todas las restricciones de disponibilidad, esto permite garantizar
iniciar con una solución factible básica, así como, garantizar también que las
siguientes iteraciones (tablas) serán también factibles (concepto de
factibilidad). Cuando se habla que todas las restricciones tienen variables de
holgura, se habla de restricciones de tipo “≤”, con lados derechos positivos (no
negativos). De ahí que las holguras ofrezcan una solución básica factible inicial
(X1 = 0, X2 = 0, S1 = 230, S2 = 250 y S3 = 120, para Z = 0). Sin embargo, se
conoce por los ejercicios de formulación, que los modelos además de
restricciones “≤”, presentan restricciones del tipo “≥” e “=” o una combinación de
todos los tipos. En este punto es importante preguntarse ¿Cómo puede
encontrar el método simplex una solución factible básica inicial para los
problemas cuyas restricciones incluyen “≥” e “=” si al estandarizar con variables
de superávit, estas son negativas y cuando la restricción es de la forma “=” no
se coloca holgura ni superávit?

La respuesta a esta pregunta es: Para poder iniciar un problema de

programación lineal cuyas restricciones no tengan holguras es necesario
utilizar variables artificiales, las cuales asumirían el papel de holguras en la
primer tabla (iteración) para luego en las siguientes tablas (iteraciones) con el
proceso matemático del simplex, eliminarlas llevándolas a un valor de cero.

Para utilizar variables artificiales se utilizan dos métodos: El método de la gran

M y el método de las dos fases, para el curso se utiliza el método de la gran M.

MÉTODO DE LA GRAN M

El método inicia ubicando variables artificiales (no negativas) al modelo en

aquellas restricciones que después de estandarizar no presente variables de
holgura convenientes. Para cualquier ecuación de la forma estándar que no
presente holgura, represente superávit o sea una igualdad, sume una variable
artificial Ai. Esto permite asegurar que el método simplex inicie con una forma
canónica (se forme la matriz idéntica). Esta variable o variables que se incluyan
se convierten en parte de la solución inicial. Observe que estas variables
artificiales no pertenecen al modelo, son ajenas a el, se usan como un comodín
matemático para ayudar a la solución, se necesita entonces relacionarlas

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

también con la función objetivo, teóricamente este proceso se define como
penalizar la función objetivo, de esta manera se obliga ha que alcancen un
valor igual a cero en una próxima iteración (tabla) cuando se desarrolle el
algoritmo simplex.

Las variables artificiales se penalizan ubicándolas en la función objetivo

acompañadas de un coeficiente igual a M. El coeficiente de M se considera
como un valor positivo muy grande y finito, esto permite que jamás las
variables artificiales pertenezcan a la solución del modelo.

La manera de penalizar es la siguiente

 Si el modelo posee una función de maximización, el coeficiente que
acompañara a la variable artificial en la función objetivo es, à – M.
 Si el modelo posee una función de minimización, el coeficiente que
acompaña a la variable artificial es, à + M.

Después de organizar la forma estándar y sus respectivas penalizaciones, se

procede a utilizar los tres criterios del algoritmo simplex conocidos de una
manera normal para obtener la solución óptima del modelo.
Ejemplo:
Min Z = 4X1 +X21
Sujeto a

(R1) 3X1 + X2 = 3
(R2) 4X1+ 3X2 ≥ 6
(R3) X1 +2X2 ≤ 4
(X1, X2) ≥ 0

à Forma estándar del modelo

Min Z = 4X1 +X2

Sujeto a

(R1) 3X1 + X2 =3
(R2) 4X1+ 3X2 – S1 =6
(R3) X1 + 2X2 +S2 = 4
(X1, X2, S1, S2) ≥ 0

1
Ta h a , H a m d y A . I n v e s t i g a c i ó n d e O p e r a c i o n e s . N o v e n a e d i c i ó n . P á g 9 0 . P e a r s o n E d u c a c i ó n ,
México, 2012.

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

Observe que al estandarizar las restricciones, no se cumple la forma canónica
para iniciar el proceso de aplicación del algoritmo simplex, por lo tanto se hace
necesario utilizar variables artificiales en las restricciones R1 y R2 y
simultáneamente penalizar la función objetivo.

Entonces la forma estándar del modelo con variables artificiales y penalizado

sería:
Min Z = 4X1 +X2 + MA1 + MA2
Sujeto a

(R1) 3X1 + X2 + A1 =3
(R2) 4X1 + 3X2 – S1 +A2 =6
(R3) X1 + 2X2 +S2 =4
(X1, X2, S1, S2) ≥ 0 ; A1, A2, variables artificiales.

Como se comento en su momento, no es necesario multiplicar la función

objetivo por -1 para que el objetivo sea de maximización cuando se esta
estandarizando.

La solución del ejercicio se presenta a continuación.

 Cj  4 1 0 M M 0
VARIABLES Cociente
CB XB X1 X2 S1 A1 A2 S2
BÁSICAS q
A1 M 3 3 1 0 1 0 0 1

A2 M 6 4 3 -1 0 1 0 1.5

S2 0 4 1 2 0 0 0 1 4

Zj 9M 7M 4M -M M M 0

Cj - Z j 4-7M 1-4M M 0 0 0

Si el algoritmo define a M como un valor muy grande, para aplicar el criterio de

entrada, reconociendo que no se está en la solución óptima y la función
objetivo es de minimización, entraría a la base 4-7M porque es un valor mucho
más negativo que 1-4M. Como el pivote no es igual a 1, se necesita dividir toda
la fila por el valor de tres para lograr alcanzar el valor del pivote en 1 y así
continuar con la aplicación del método simplex.

Una buena opción para realizar el procedimiento tabular y facilitar la aplicación

de los criterios del método simplex es reemplazar le valor de M, por un valor

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

cuantitativo muy alto. Para el ejemplo 1000, valor imposible de alcanzar por los
parámetros originales utilizados en la formulación del problema.

 Cj  4 1 0 M M 0
VARIABLES Cociente
CB XB X1 X2 S1 A1 A2 S2
BÁSICAS q
X1 4 1 1 1/3 0 1/3 0 0 3

A2 M 2 0 5/3 -1 -4/3 1 0 6/5

S2 0 3 0 5/3 0 -1/3 0 1 9/5

Zj 2M+4 4 4/3+5M/3 -M 4/3-4M/3 M 0

Cj - Z j 0 -1/3-5M/3 M -4/3+7M/3 0 0

 Cj  4 1 0 M M 0
VARIABLES Cociente
CB XB X1 X2 S1 A1 A2 S2
BÁSICAS q
X1 4 3/5 1 0 1/5 3/5 -1/5 0 3

X2 1 6/5 0 1 -3/5 -4/5 3/5 0 ?

S2 0 1 0 0 1 1 -1 1 1

Zj 18/5 4 1 1/5 8/5 -1/5 0

Cj - Z j 0 0 -1/5 M-8/5 M+1/5 0

 Cj  4 1 0 M M 0
VARIABLES Cociente
CB XB X1 X2 S1 A1 A2 S2
BÁSICAS q
X1 4 2/5 1 0 0 2/5 0 -1/5

X2 1 9/5 0 1 0 -1/5 0 3/5

S1 0 1 0 0 1 1 -1 1

Zj 17/5 4 1 0 7/5 0 -1/5

Cj - Z j 0 0 0 M-7/5 M 1/5

En esta tabla el criterio de parada del método simplex se cumple para el

modelo de minimización, (C j - Z j ) �0 , se ha alcanzado la solución
óptima.

X1* = 2/5
X2* = 9/5
S1* = 1

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

 Z* = 17/5

CASOS ESPECIALES EN LA APLICACIÓN DEL MÉTODO SIMPLEX

Se consideran cuatro casos especiales que se presentan en la aplicación del

método simplex. Iguales a las que se presentaron con el método simplex.

1. solución degenerada / restricciones redundantes.

2. solución con óptimos alternativos – infinitas soluciones.
3. solución no acotada
4. solución infactible – modelo no tiene solución.

La intención de reconocer los casos especiales es presentar una explicación

teórica del por qué se presentan estas situaciones, además de interpretar en
forma práctica lo que significa encontrarse con estos resultados en un
problema de la vida real. Recuerde que generalmente los tipos de solución se
presentan por dificultades en la formulación del modelo.

1. DEGENERACIÓN / RESTRICCIONES REDUNDANTE

La degeneración se presenta cuando al aplicar el método simplex,

considerando situaciones factibles, en el criterio de salida (cociente q =
columna XB / columna pivote) se presenta un empate (igual valor < (+)) éste
empate se rompe arbitrariamente para determinar cuál es la variable que sale
de la base. Si esto se presenta, una o más de las variables básicas se vuelven
cero en la próxima iteración (próxima tabla), en este caso la nueva solución se
considera una solución degenerada.

En la práctica esta situación se presenta cuando en la formulación del modelo

se presenta una restricción redundante.

EJEMPLO: Max Z = 3X1 + 9X2

Sujeto a
X1 + 4X2 ≤ 8
X1 + 2X2 ≤ 4
X 1, X2 ≥ 0

Estandarizando el modelo:
Max Z = 3X1 + 9X2

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

 Sujeto a
X1 + 4x2 + S1 =8
X1 + 2X2 + S2 =4
(X1, X2, S1, S2) ≥ 0

 Cj  3 9 0 0
VARIABLES
CB XB X1 X2 S1 S2 COCIENTE
BÁSICAS
S1 0 8 1 4 1 0 8/4 = 2
S2 0 4 1 2 0 1 4/2 = 2
ZJ 0 0 0 0 0
CJ - Z J 3 9 0 0

X2 9 2 1/4 1 1/4 0 8
?
S2 0 0 1/2 0 -1/2 1

ZJ 18 9/4 9 9/4 0
CJ - Z J 3/4 0 9/4 0

S1 0 8 0 4 1 0
X1 0 0 1 0 -1 2
ZJ 18 0 9 9/2 -9/2
CJ - Z J 3 0 -9/2 9/2

Se presenta un empate al aplicar el criterio de salida entre las variables S1 y S2,

primer sospecha que el modelo es degenerado, para continuar con la
aplicación del método simplex se rompe el empate sacando a la variable S1 de
la base (puede ser cualquiera). Note que en la siguiente tabla la variable
básica S2 alcanza un nivel de “cero” en XB si sale la variable S1 de la base.
Esto ratifica que la solución básica es degenerada. Al continuar el proceso de
solución con simplex en la próxima tabla entra X1, se obliga a salir a S2 por su
valor igual a cero en el cociente, a pesar de que el criterio no se cumpla, se
hace para confirmar en forma definitiva que el modelo presenta degeneración.

Si se utiliza el método gráfico,

X1 = 0 � X2 = 2
(1) X1 + 4X2 = 8 à
X1 = 8 � X2 = 0
X1 = 0 � X2 = 2
(2) X1 + 2X2 = 4 à
X1 = 4 � X2 = 0

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

Observe que por el punto óptimo B pasan 3 líneas, lo cual demuestra que
existe una restricción redundante por ser un modelo de 2 variables, se concluye
que el punto óptimo esta determinado en exceso.

Desde el punto de vista teórico, la degeneración tiene dos implicaciones:

A. Al observar las iteraciones se nota que al aplicar los criterios la solución se

repite (=18) no ha mejorado, este fenómeno se denomina fenómeno de
ciclos. Significa que si se sigue aplicando el método simplex la solución
repetirá la misma secuencia, sin mejorar la solución y sin terminar los
cálculos.
B. Observe la solución en cada una de las iteraciones del proceso, a pesar
que en la base se intercambien los resultados, el valor de las variables y
por supuesto el de la función objetivo siempre serán los mismos. Estas
situación se presenta cuando el modelo presenta restricciones
redundantes.
X1 = 0 , X2 = 2, S1 = 0, S2 = 0, Z = 18

La pregunta que resulta de éste análisis es ¿Se puede interrumpir la

aplicación del simplex en la primera tabla cuando aparece la
degeneración?
La respuesta es NO, por que la degeneración puede ser temporal.

Realice el siguiente ejercicio.

Max Z = 3X1 + 2X2
Sujeto a
4X1 + 3X2 ≤ 12
4X1 + X2 ≤ 8
4X1 – X2 ≤ 8
(X1, X2) ≥ 0

2. SOLUCIÓN CON ÓPTIMOS ALTERNATIVOS

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

Cuando se soluciona un modelo con método gráfico y se observa que la línea
de función objetivo es paralela a una línea de restricción que hace parte de la
solución óptima (que crucen el punto óptimo), la función objetivo tiene el mismo
valor óptimo para varios puntos, esta situación se definió como una solución
con óptimos alternativos.

Cuando se esta aplicando el método simplex la solución con óptimos

alternativos también se puede identificar.

Ejemplo: Max Z = 2X1 + 4X2

Sujeto a
X1 + 2X2 ≤ 5
X1 + X 2 ≤ 4
(X1, X2) ≥ 0

 Cj  2 4 0 0
VARIABLES
CB XB X1
X2
S1 S2 q
BÁSICAS
S1 0 5 1 2 1 0 5/2=2-5
S2 0 4 1 1 0 1 4
ZJ 0 0 0 0 0
CJ - Z J 2 4 0 0

X2 4 5/2 1/2 1 1/2 0 5

S2 0 3/2 1/2 0 -1/2 1 3
ZJ 10 2 4 2 0
CJ - Z J 0 0 2 0

X2 4 1 0 1 1 -1
X1 2 3 1 0 -1 2
ZJ 10 2 4 2 0
CJ - Z J 0 0 -2 0

Al aplicar el método simplex en la segunda iteración se puede llegar a la

solución óptima. La solución sería

Variables básicas Variables no básicas

X2* = 5/2 X1 = 0
S2* = 0 S1 = 0
Z* = 10

El método simplex detecta infinitas soluciones o soluciones con óptimas

alternativas si por lo menos una de las variables no básicas (S1, S2), cuando se

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

alcanza la solución óptima, presenta en la fila Cj – Zj un valor de “cero” (0). En
el ejemplo la variable no básica S2 en la fila Cj – Zj presenta un nivel de “cero”.
Esto permite reconocer que el modelo presenta óptimos alternativos.

El número de soluciones básicas factibles óptimas alternativas será igual al

número de variables no básicas con nivel de cero + uno. Entonces para el
ejemplo aplicando esta expresión el modelo tendría 2 soluciones óptimas
alternativas.

Para conocer la otra solución óptima, obligamos a entrar a la base aquella

variable no básica igual a cero en al fila Cj –Zj, permite confirmar que al
obligarla a entrar a la base cambia la solución en la base, sin embargo el valor
de la función objetivo no cambia.

Solución óptima X2 = 5/2 S2 = 3/2 Z = 10

Solución alternativa X1 = 3 X2 = 1 Z = 10 (verifíquela)

En la práctica, los óptimos alternativos sin útiles, por que permiten elegir de
entre muchas soluciones una decisión que pueda favorecer mejor a las
condiciones del problema, esto sin experimentar ningún deterioro en el valor de
la función objetivo.

3. SOLUCIÓN NO ACOTADA

Cuando se analizaba con el método gráfico esta solución se observaba que el

valor de la función objetivo aumentaría (si estoy maximizando) o disminuiría (si
estoy minimizando) indefinidamente, lo cual permite concluir que el área
factible así como el valor de la función objetivo son no-acotados.
En la formulación no se han tomado en cuenta una o más restricciones
redundantes o que los datos (parámetros-constantes) de algunas restricciones
no se calcularon en forma correcta, o que se olvido incluir en el modelo alguna
restricción.

EJEMPLO: Max Z = 2X1+ X2

Sujeto a
X1 – X2 ≤ 10
2X1 ≤ 40
(X1, X2) ≥ 0

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

Para reconocer con el método simplex cuando se presenta una solución no
acotada se identifica cuando se aplica el criterio de salida. En cualquier
iteración cuando se aplique el criterio y este no se cumpla para ninguna
variable que está en la base se puede definir que el modelo presenta una
solución no acotada, se concluye que no hay ninguna variable a salir de la
base, por lo tanto el modelo no tendría solución.

 Cj  2 1 0 0
VARIABLES
BÁSICAS
CB XB X1 X2 S1 S2 q
S1 0 10 1 -1 1 0 10
S2 0 40 2 0 0 1 20
ZJ 0 0 0 0 0
CJ - Z J 2 1 0 0

X1 2 10 1 -1 1 0 -10
S2 0 20 0 2 -2 1 10
ZJ 10 2 -2 2 0
CJ - Z J 0 3 -2 0

X1 2 20 1 0 0 1/2 20/0= ?
X2 1 10 0 1 -1 1/2 10/-1=-10
ZJ 50 2 1 -1 3/2
CJ - Z J 0 0 1 -3/2

Observe que no siempre se presenta la situación sin lograr alcanzar el óptimo.

4. SOLUCIÓN INFACTIBLE

Para reconocer cuando se presenta una solución infactible con el método

simplex, se identifica, cuando al llegar a la solución óptima y cumplir con el
criterio de optimalidad de Max {Cj – Zj ≤ 0} ó Min {Cj – Zj ≥ 0}, existe o se
mantiene una variable artificial Ai en la base (columna variables básicas). Esta
situación permite concluir que el modelo no tiene solución.

Esto se presenta cuando las restricciones no se satisfacen simultáneamente.

Esta situación nunca puede ocurrir si todas las restricciones son de tipo ≤
(suponiendo constantes positivas en el lado derecho), esto por que las
variables de holgura proporcionan una solución factibles (falta el ejemplo).

EJERCICIOS:

Investigación de Operaciones – Jorge Eduardo Calpa Oliva

Aplicando el método simplex para los siguientes modelos, reconozca los
diferentes tipos de solución que se puedan obtener

(1) Max Z = 3X1 + 2X22

Sujeto a
2X1 + 3X2 + 5X3 ≤ 50
X1 + X3 ≤ 10
X1 - X2 + 4X3 ≤ 20
X1, X2, X3 ≥ 0

(2) Max Z = 3X1 + 2X2

Sujeto a
4X1 + 3X2 ≤ 50
4X1 + X2 ≤ 8
4X1 - X2 ≤ 8

(3) Max Z = X1 + 2X2 + 3X3

Sujeto a
X1 + 2X2 + 3X3 ≤ 10
X1 + X2 ≤ 5
X1 ≤ 1
X1, X2, X3 ≥ 0

2
Vi d a l H , C a r l o s J u l i o , I n t r o d u c c i ó n a l a m o d e l a c i ó n m a t e m á t i c a y o p t i m i z a c i ó n . Ve r s i ó n 1 . 3 ,
2 0 0 3 . U n i v e r s i d a d d e l Va l l e .

Investigación de Operaciones – Jorge Eduardo Calpa Oliva