El método simplex: forma estándar

El método gráfico estudiando en el módulo anterior se puede emplear para

problemas de programación lineal (PL) con dos variables, y puede ser fácilmente
visualizado en un gráfico plano (dos dimensiones) como hemos visto en el Módulo 1.
Sin embargo, este método no es práctico para problemas con más variables. Por lo
expuesto, se puede arribar a la conclusión de que el método simplex no tiene las
restricciones del método gráfico en cuanto a cantidad de variables de decisión, ya
que puede aplicarse a situaciones con cualquier número de variables.
 
Para abordar el método simplex, retomaremos la situación problemática del Módulo
1. Para ello, recordémosla:

Problema

El algoritmo simplex

Conversión de desigualdades en igualdades. Variables de holgura

Obtención de soluciones factibles básicas

Referencias
LECCIÓN 1 de 5

Problema

 La empresa Silban S. A. fabrica y vende dos tipos de productos:

sillas y bancos. Para ello dispone de una máquina cortadora de
madera que trabaja 8 horas diarias y de un total de 9 kg de madera
—como materia prima— por día para fabricarlos.  

Se desea determinar el número de productos diarios que se deben

fabricar de cada tipo (sillas y bancos) para obtener el máximo
beneficio, sabiendo que la utilidad por cada silla es de $2000 y por
cada banco, de $3000. Además, se conocen los datos de la
siguiente tabla, que representan las horas de trabajo de la máquina
cortadora empleadas para cada producto y la materia prima
(madera) necesaria para cada uno.

Tabla 1. Datos de los recursos que se necesitan para la producción 

Recursos Silla Banco

Horas máquina
1 2
cortadora
 Recursos Silla Banco

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995

La empresa te solicita que determines:

1 la cantidad de productos de silla y banco que se deben fabricar para maximizar la ganancia;

2 a cuánto asciende la ganancia máxima de la fábrica.

Nuestro objetivo en esta lectura no es resolver el problema, sino que

volveremos a plantear el problema a través del modelo matemático de
programación lineal y comenzaremos a establecer el algoritmo de inicio del
método simplex para obtener una solución factible básica.

C O NT I NU A R
LECCIÓN 2 de 5

El algoritmo simplex

Este procedimiento parte de un vértice cualquiera formado por las

restricciones del problema; en nuestro caso, serían las restricciones de
recursos (horas máquinas cortadora y materias primas). Mediante
iteraciones, se va pasando a vértices adyacentes que mejoran el valor de la
función objetivo que se obtuvo en el vértice anterior. La solución óptima se
alcanza en un número de pasos bastante inferior al necesario para evaluar la
función objetivo en todos los vértices. Recordemos que nuestra función
objetivo para la situación problemática es maximizar las ganancias de la
empresa Silban S. A. 

Al igual que sucede con el método gráfico, con el método simplex se

encuentra la solución óptima (mínimo costo o máximo beneficio) en uno de
los vértices del conjunto de soluciones factibles (sin tener que graficar las
restricciones ni la función objetivo, pues sería imposible visualizarlo en un
espacio mayor a tres dimensiones).  

Resumiendo, el procedimiento que veremos para el método simplex va

inspeccionando todos los vértices de la región factible hasta dar con la
solución óptima. 
Este método asegura el camino más corto para encontrarla, en relación con
el método gráfico visto en el Módulo 1. Ahora bien, para ejecutarlo, deben
darse algunas condiciones iniciales:

1 Todas las restricciones deben ser ecuaciones con lado derecho no negativo (en nuestro
problema, significa que los recursos conformados por horas máquina de la cortadora y los
kilogramos de madera no pueden ser cantidades negativas).

2 Todas las variables de decisión son no negativas (para nuestra situación, las cantidades de
productos de silla y banco que debemos fabricar no pueden ser negativas).

Por lo expuesto, en cada paso del algoritmo se resuelven de manera

simultánea las ecuaciones que forman el vértice; por lo tanto, el método
simplex analiza solo las esquinas de la región factible. Es por esto que, en
una primera etapa, se convierten las inecuaciones en ecuaciones. 

Antes de realizar la conversión, recordemos el planteo del problema que

estudiamos en el módulo anterior. Allí definimos lo siguiente:

1 Las variables de decisión están representadas por la cantidad de sillas y bancos que se
fabrican para su posterior comercialización. En este caso, denominaremos x a la silla e y al
banco.

2 La función objetivo será maximizar Z = 2000x + 3000y, porque, por cada silla que se
comercializa, se gana $2000, y por cada banco, $3000.

3 Las restricciones son de horas máquina de cortadora (x + 2y < = 8), de kilogramos de materia
prima (3x + y < = 9) y de no negatividad (x ≥ 0 e y ≥ 0).
Sintetizando, el planteo del problema es:

Variables de decisión:

Silla = x; banco = y.

 Maximizar: Z = 2000x + 3000y.

Sujeta a las restricciones (SA): x + 2y < = 8; 3x + y < = 9; x, y > = 0.

El método simplex se emplea solo cuando las variables de decisión son tres o
menos.

Falso, porque, si son tres o menos variables de

decisión, se puede emplear el método gráfico.

Verdadero, porque se emplea cuando solo las variables

de decisión no superan la cantidad de 3 variables.

SUBMIT
C O NT I NU A R
LECCIÓN 3 de 5

Conversión de desigualdades en igualdades.

Variables de holgura

Una vez que hemos recordado el planteo del problema en términos de un

modelo de programación lineal, comencemos entonces a desarrollar el
algoritmo del método simplex.

Para tener el planteo matricial estándar, en primer lugar, deben

transformarse las inecuaciones en ecuaciones agregando un término o
variable en cada una de ellas que indique la cantidad del recurso en cuestión
que no fue utilizado; por lo tanto, esta variable será mayor o igual que cero.
La designaremos con la letra s y la llamaremos variable de holgura.

¡Importante!: Las variables de holgura se suman al lado izquierdo de

la inecuación (primer miembro) si la restricción es menor o igual.

Transformemos las desigualdades en igualdades. Exceptuando las

condiciones de no negatividad e introduciendo las variables de holgura,
llegamos al planteo estándar de un problema de programación lineal:
¿Qué indican s₁ y s₂ en cada ecuación anterior?  

Estas variables de holgura no aportan ganancias, su introducción en el

sistema tiene otro significado: son excedentes de insumo; en la primera
ecuación, son horas máquina, que no afectan a la producción de sillas y
bancos. Por su lado, s₂ se refiere a sobrantes de kilogramos de materia
prima, que tampoco perjudican la fabricación de sillas y bancos. Por lo tanto,
tenemos que agregar las variables de holgura (s) a la función objetivo con
coeficiente 0 porque no aporta ganancia. De ello, resulta:

Maximizar Z = 2000x + 3000y + 0s₁ + 0s₂

Dicho de otra forma, la variable de holgura s₁ es la cantidad en la que (x + 2y)

es menor que 8; si (x + 2y) es igual a 8, entonces s₁ = 0. Pero no lo sabemos,

porque la restricción de menor o igual da paso a cualquiera de las dos

opciones. Por lo tanto, tenemos que tener este dato en cuenta si queremos
plantear ecuaciones desde una inecuación, pues aún no sabemos si hay
sobrantes de horas máquina o no. El mismo análisis se hace con la segunda
inecuación de kilogramos de materia prima. 
Por lo expuesto, el sistema de ecuaciones al que llegamos luego de la
inserción de las variables de holgura es:

Como podemos ver, tendremos tantas variables de holgura como

inecuaciones tenga el sistema de signo menor e igual.

Por otra parte, el sistema modificado tiene más variables (cantidad de sillas
[x], cantidad de bancos [y], holgura de horas máquina [s1], holgura de

kilogramos de materia prima [s2]) que ecuaciones (restricción de horas

máquina y restricción de kilogramos de materia prima). Esta es la estructura

general de un problema de programación lineal estandarizado.

En términos generales, un sistema tiene m ecuaciones lineales (en nuestro

caso, 2, que son: restricción de horas máquina y restricción de kilogramos de
materia prima) con n incógnitas (en nuestro caso, 4, que son: cantidad de
sillas [x], cantidad de bancos [y], holgura de horas máquina [s1], holgura de

kilogramos de materia prima [s2]), donde n > m.

C O NT I NU A R
LECCIÓN 4 de 5

Obtención de soluciones factibles básicas

Recordemos que, en el algoritmo simplex, se transforman las desigualdades

en igualdades para formar un conjunto de ecuaciones que nos permitirá, una
vez resuelto, identificar los vértices que se conforman con las intersecciones
entre las restricciones de horas máquina y de kilogramos de materia prima,
entre sí y con los ejes de coordenadas sillas (x) y bancos (y). Pero,
recordemos que, en los problemas de programación lineal (PL), hay por lo
menos tantas variables como ecuaciones. En nuestro ejemplo, tenemos
cuatro variables y dos ecuaciones, como se explicó anteriormente. Por lo
tanto, el sistema, si no es incompatible (se denomina así cuando no tiene
solución), es compatible indeterminado, es decir que tiene infinitas
soluciones. 

Aplicando un teorema básico del álgebra lineal, vemos que, en todo sistema
que tiene m ecuaciones y n variables, donde n > m, una de las infinitas
soluciones se obtiene haciendo n − m variables iguales a cero y resolviendo
el conjunto resultante de m ecuaciones con n variables.  

Empleando el procedimiento anterior a nuestro problema, tenemos: 4 − 2 = 2

variables iguales a cero; el resto puede calcularse. 
Las variables que se igualan a cero se llaman variables no básicas. Las
variables que se utilizan para resolver las ecuaciones (es decir, las distintas
de cero) se llaman variables básicas. 

Nuestro objetivo es encontrar una solución entre las infinitas que tiene el
sistema. Pero ¿cuáles variables tomaremos como básicas y cuáles no? Con
m ecuaciones y n incógnitas, existen tantas variables básicas como
combinaciones de n elementos tomados de m en m. Esta combinación se
expresa así:

En nuestro caso: m = 2 (restricciones de horas máquina y de kilogramos de

materia prima) y n = 4 (cantidad de sillas [x], cantidad de bancos [y], holgura
de horas máquina [s1], holgura de kilogramos de materia prima [s2]).

Entonces habrá:

Pero no todas las soluciones básicas son factibles. Podemos igualar dos de
las variables a cero, aunque, si quedan valores negativos de las otras
variables, entonces el problema no es viable, pues no se cumplirían las
restricciones de no negatividad de las variables. 

Para diferenciar las soluciones factibles de las que no lo son, llamaremos

solución factible básica (SFB) a cada solución en la que los valores de todas
las variables que la integran son no negativos. Las soluciones factibles
básicas son las esquinas o los vértices de la región factible que describe el
problema, como se explicó. Para no entrar en confusiones y dar un método
práctico para encontrar una solución factible básica inicial (SFBI),
observemos lo siguiente: hay una solución del sistema “a la vista”, haciendo
cero aquellas variables que están en las dos ecuaciones: x (sillas) e y
(bancos). 

Si hacemos x = 0 y, además, y = 0, entonces necesariamente s1 = 8 y s2 = 9.

¿Pero qué significa que x = 0 , y = 0, s1 = 8 y s2 = 9? Expresa que no se

fabrican sillas (x) ni bancos (y); por este motivo, hay excedentes de insumos,
de horas máquina (s1) y de kilogramos de materia prima (s2 ). 

Por lo tanto, es suficiente hacer n − m variables iguales a cero (que, por

conveniencia, son las variables que se repiten en ambas ecuaciones), y el
resto tendrá el máximo valor posible que pueda dársele en el sistema. A esta
solución se la llama solución factible básica inicial y es la siguiente:
Analicemos la función objetivo incluyendo las variables de holgura, como se
describió anteriormente:

Z = 2000x + 3000y + 0s1 + 0s2;

Sustituyendo:

Z = 2000x 0 + 3000y 0 + 0 × 8 + 0 × 9 = 0

Es decir que, al no producir (x = silla; y = bancos), no hay ganancia (Z) y hay

excedente de recursos por no utilizarse (s1= horas máquina; s2= kilogramos

de materia prima), pero no aportan ganancia.

En síntesis, el método simplex comienza dándole el máximo valor a las

variables de holgura (s1= horas máquina; s2= kilogramos de materia prima) y

cero a las variables principales del sistema (x = sillas; y = bancos).

Repasando, en ese momento, la ganancia es igual a cero. Este es el primer

vértice en nuestro caso (0, 0), a partir del cual el método algorítmico que
vamos a desarrollar va buscando el óptimo en la menor cantidad de pasos
posibles.

En la próxima lectura, completaremos el algoritmo y llegaremos a la solución

óptima. Lo haremos a través de una tabla simplex, en la que podrá leerse la
solución básica factible inicial y el punto de partida de ganancia cero.

Si tenemos un sistema con 3 ecuaciones y 8 variables, ¿Cuál es la cantidad de

variables no básicas? 

El sistema tiene 5 variables no básicas.

El sistema tiene 3 variables no básicas.

El sistema tiene 8 variables no básicas.

El sistema tiene 24 variables no básicas.

El sistema tiene 56 variables no básicas.

SUBMIT
C O NT I NU A R
LECCIÓN 5 de 5

Referencias

Davis, K. y McKeown, P. (1995). Capítulo 2: Introducción a los modelos de

programación lineal. En Autores, Modelos cuantitativos para administración
(pp. 23-61). México D. F., MX: Grupo Editorial Iberoamérica.