“AÑO DE LA INVERSIÓN PARA EL DESARROLLO RURAL

Y LA SEGURIDAD ALIMENTARIA”

UNIVERSIDAD NACIONAL DE SAN MARTIN – T

FACULTA DE ECOLOGIA
E.A.P INGENIERIA SANITARIA

Tema
MONOGRAFIA – METODO SIMPLEX

Docente
Ing. JENSEN NOVOA HERNÁNDEZ

Asignatura
METODOS DE OPTIMIZACION

Alumno
JHORLIN RODAS HERNÁNDEZ.

V - Ciclo
2013 - I

MOYOBAMBA - SAN MARTIN

PERU - 2013
 METODO SIMPLEX.

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

a cada paso. El proceso concluye cuando no es posible seguir mejorando más dicha
solución.

Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste

en buscar sucesivamente otro vértice que mejore al anterior. La búsqueda se hace
siempre a través de los lados del polígono (o de las aristas del poliedro, si el número de
variables es mayor). Cómo el número de vértices (y de aristas) es finito, siempre se
podrá encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma

su valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de
la cual f aumenta.

Deberá tenerse en cuenta que este método sólo trabaja para restricciones que tengan
un tipo de desigualdad "≤" y coeficientes independientes mayores o iguales a 0, y
habrá que estandarizar las mismas para el algoritmo. En caso de que después de éste
proceso, aparezcan (o no varíen) restricciones del tipo "≥" o "=" habrá que emplear
otros métodos, siendo el más común el método de las Dos Fases.

PREPARANDO EL MODELO PARA ADAPTARLO AL MÉTODO SIMPLEX

Esta es la forma estándar del modelo:

Función objetivo: c1·x1 + c2·x2 + ... + cn·xn
a11·x1 + a12·x2 + ... + a1n·xn = b1
a21·x1 + a22·x2 + ... + a2n·xn = b2
Sujeto a: ...
am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., xn ≥ 0

Para ello se deben cumplir las siguientes condiciones:

 El objetivo es de la forma de maximización o de minimización.
 Todas las restricciones son de igualdad.
 Todas las variables son no negativas.
 Las constantes a la derecha de las restricciones son no negativas.

Cambio del tipo de optimización.

Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como está, pero
deberemos tener en cuenta nuevos criterios para la condición de parada (deberemos
parar de realizar iteraciones cuando en la fila del valor de la función objetivo sean
todos menores o iguales a 0), así como para la condición de salida de la fila. Con objeto
de no cambiar criterios, se puede convertir el objetivo de minimizar la función F por el
de maximizar F·(-1).
Ventajas: No deberemos preocuparnos por los criterios de parada, o condición de
salida de filas, ya que se mantienen.
Inconvenientes: 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.
Solución: En la realidad no existen este tipo de problemas, ya que para que la solución
quedara por encima de 0, alguna restricción debería tener la condición "≥", y entonces
entraríamos en un modelo para el método de las Dos Fases.

Conversión de signo de los términos independientes (las constantes a la derecha de

las restricciones)

Deberemos preparar nuestro modelo de forma que los términos independientes de las
restricciones sean mayores o iguales a 0, sino no se puede emplear el método Simplex. Lo
único que habría que hacer es multiplicar por "-1" las restricciones donde los términos
independientes sean menores que 0.
Ventaja: Con ésta simple modificación de los signos en la restricción podemos aplicar el
método Simplex a nuestro modelo.
Inconvenientes: Puede resultar que en las restricciones donde tengamos que modificar los
signos de las constantes, los signos de las desigualdades fueran ("=", "≤"), quedando ("=","≥")
por lo que en cualquier caso deberemos desarrollar el método de las Dos Fases. Este
inconveniente no es controlable, aunque nos podría beneficiar si sólo existen términos de
desigualdad ("≤","≥"), y los "≥" coincidieran con restricciones donde el término independiente
es negativo.

Todas las restricciones son de igualdad.

Si en nuestro modelo aparece una inecuación con una desigualdad del tipo "≥", deberemos
añadir una nueva variable, llamada variable de exceso si, con la restricción si ≥ 0. La nueva
variable aparece con coeficiente cero en la función objetivo, y restando en las inecuaciones.
Surge ahora un problema, veamos cómo queda una de nuestras inecuaciones que contenga
una desigualdad "≥" :

a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs = b1

Como todo nuestro modelo, está basado en que todas sus variables sean mayores o iguales
que cero, cuando hagamos la primera iteración con el método Simplex, las variables básicas no
estarán en la base y tomarán valor cero, y el resto el valor que tengan. En este caso nuestra
variable xs, tras hacer cero a x1 y x2, tomará el valor -b1. No cumpliría la condición de no
negatividad, por lo que habrá que añadir una nueva variable, xr, que aparecerá con coeficiente
cero en la función objetivo, y sumando en la inecuación de la restricción correspondiente.
Quedaría entonces de la siguiente manera:

a11·x1 + a12·x2 ≥ b1 a11·x1 + a12·x2 - 1·xs + 1 ·xr = b1

Este tipo de variables se les llama variables artificiales, y aparecerán cuando haya inecuaciones
con desigualdad ("=","≥"). Esto nos llevará obligadamente a realizar el método de las Dos
Fases, que se explicará más adelante.
Del mismo modo, si la inecuación tiene una desigualdad del tipo "≤", deberemos añadir una
nueva variable, llamada variable de holgura si, con la restricción si "≥" 0 . La nueva variable
aparece con coeficiente cero en la función objetivo, y sumando en las inecuaciones.
A modo resumen podemos dejar esta tabla, según la desigualdad que aparezca, y con el valor
que deben estar las nuevas variables.

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial
= + artificial
≤ + holgura

DESARROLLANDO EL MÉTODO SIMPLEX

Una vez que hemos estandarizado nuestro modelo, puede ocurrir que necesitemos
aplicar el método Simplex o el método de las Dos Fases. Véase en la figura como
debemos actuar para llegar a la solución de nuestro problema.
Explicaremos paso a paso los puntos de cada método, concretando los aspectos que
hay que tener en cuenta.

Método Simplex
- Construcción de la primera tabla: En la primera columna de la tabla aparecerá lo que
llamaremos base, en la segunda el coeficiente que tiene en la función objetivo cada variable
que aparece en la base (llamaremos a esta columna Cb), en la tercera el término
independiente de cada restricción (P0), y a partir de ésta columna aparecerán cada una de las
variables de la función objetivo (Pi). Para tener una visión más clara de la tabla, incluiremos
una fila en la que pondremos cada uno de los nombres de las columnas. Sobre ésta tabla que
tenemos incluiremos dos nuevas filas: una que será la que liderará la tabla donde aparecerán
las constantes de los coeficientes de la función objetivo, y otra que será la última fila, donde
tomará valor la función objetivo. Nuestra tabla final tendrá tantas filas como restricciones.

Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 será el de sustituir

Cim en la función objetivo (y cero si no aparece en la base). El resto de columnas se
obtiene restando a este valor el del coeficiente que aparece en la primera fila de la
tabla.
Se observará al realizar el método Simplex, que en esta primera tabla, en la base
estarán las variables de holgura.

- Condición de parada: Comprobaremos si debemos de dar una nueva iteración o no,

que lo sabremos si en la fila Z aparece algún valor negativo. Si no aparece ninguno, es
que hemos llegado a la solución óptima del problema.

- Elección de la variable que entra: Si no se ha dado la condición de parada, debemos

seleccionar una variable para que entre en la base en la siguiente tabla. Para ello nos
fijamos en los valores estrictamente negativos de la fila Z, y el menor de ellos será el
que nos de la variable entrante.

- Elección de la variable que sale: Una vez obtenida la variable entrante, obtendremos
la variable que sale, sin más que seleccionar aquella fila cuyo cociente P0/Pj sea el
menor de los estrictamente positivos (teniendo en cuenta que sólo se hará cuando Pj
sea mayor de 0). La intersección entre la columna entrante y la fila saliente nos
determinará el elemento pivote.
- Actualización de la tabla: Las filas correspondientes a la función objetivo y a los títulos
permanecerán inalterados en la nueva tabla. El resto deberá calcularse de dos formas
diferentes:
 Si es la fila pivote cada nuevo elemento se calculará:

Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.

 Para el resto de elementos de filas se calculará:

Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote
en la fila actual * Nuevo Elemento Fila).

Método de las Dos Fases

Éste método difiere del Simplex en que primero hay que resolver un problema auxiliar
que trata de minimizar la suma de las variables artificiales. Una vez resuelto este
primer problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste
en realizar el método Simplex normal.

FASE 1

En esta primera fase, se realiza todo de igual manera que en el método Simplex
normal, excepto la construcción de la primera tabla, la condición de parada y la
preparación de la tabla que pasará a la fase 2.

- Construcción de la primera tabla: Se hace de la misma forma que la tabla inicial del
método Simplex, pero con algunas diferencias. La fila de la función objetivo cambia
para la primera fase, ya que cambia la función objetivo, por lo tanto aparecerán todos
los términos a cero excepto aquellos que sean variables artificiales, que tendrán valor
"-1" debido a que se está minimizando la suma de dichas variables (recuerde que
minimizar F es igual que maximizar F·(-1)).

La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora
tendremos que hacer el cálculo de la siguiente forma: Se sumarán los productos Cb·Pj
para todas las filas y al resultado se le restará el valor que aparezca (según la columna
que se éste haciendo) en la fila de la función objetivo.

Tabla
C0 C1 C2 ... Cn-k ... Cn
Base Cb P0 P1 P2 ... Pn-k ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n-k ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n-k ... a2n
... ... ... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn-k ... amn
Z Z0 Z1 Z2 ... Zn-k ... Zn
Siendo Zj = Σ(Cb·Pj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de
decisión, holgura y exceso), y Cj = -1 para todo j comprendido entre n-k y n (variables
artificiales).

- Condición de parada: La condición de parada es la misma que en el método Simplex

normal. La diferencia estriba en que pueden ocurrir dos casos cuando se produce la
parada: la función toma un valor 0, que significa que el problema original tiene
solución, o que tome un valor distinto, indicando que nuestro modelo no tiene
solución.
- Eliminar Columna de variables artificiales: Si hemos llegado a la conclusión de que el
problema original tiene solución, debemos preparar nuestra tabla para la segunda
fase. Deberemos eliminar las columnas de las variables artificiales, modificar la fila de
la función objetivo por la original, y calcular la fila Z de la misma forma que en la
primera tabla de la fase 1.

IDENTIFICANDO CASOS ANÓMALOS Y SOLUCIONES

Obtención de la solución: Cuando se ha dado la condición de parada, obtenemos el

valor de las variables básicas que están en la base y el valor óptimo que toma la
función que están en la base mirando la columna P0. En el caso de que estemos
minimizando, se multiplicará por "-1" el valor óptimo.
Infinitas soluciones: Cumplida la condición de parada, si se observa que alguna variable
que no está en la base, tiene un 0 en la fila Z, quiere decir que existe otra solución que
da el mismo valor óptimo para la función objetivo. Si estamos ante este caso, estamos
ante un problema que admite infinitas soluciones, todas ellas comprendidas dentro del
segmento (o porción del plano, o región del espacio, dependiendo del número de
variables del problema) que define Ax+By=Z0. Si se desea se puede hacer otra iteración
haciendo entrar en la base a la variable que tiene el 0 en la fila Z, y se obtendrá otra
solución.
Solución ilimitada: Si al intentar buscar la variable que debe abandonar la base, nos
encontramos que toda la columna de la variable entrante tiene todos sus elementos
negativos o nulos, estamos ante un problema que tiene solución ilimitada. No hay
valor óptimo concreto, ya que al aumentar el valor de las variables se aumenta el valor
de la función objetivo, y no viola ninguna restricción.
No existe solución: En el caso de que no exista solución, seguro que tendremos que
realizar las dos fases, por lo que al término de la primera sabremos si estamos en tal
situación.
Empate de variable entrante: Se puede optar por cualquiera de ellas, sin que afecte a
la solución final, el inconveniente que presenta es que según por cual se opte se harán
más o menos iteraciones. Se aconseja que se opte a favor de las variables básicas, ya
que son aquellas las que quedarán en la base cuando se alcance la solución con estos
métodos.
Empate de variable saliente: Se puede nuevamente optar por cualquiera de ellas,
aunque se puede dar el caso degenerado y entrar en ciclos perpetuos. Para evitarlos
en la medida de lo posible, discriminaremos a favor de las variables básicas haciendo
que se queden en la base. Ante el caso de estar en la primera fase (del método de las
Dos Fases), se optará por sacar en caso de empate las variables artificiales.
Curiosidad Fase 1: Al finalizar la fase 1, si el problema original tiene solución, todas las
variables artificiales, en la fila Z deben tener el valor "1".
¿Pivote puede ser 0?: No, ya que siempre se realizan los cocientes entre valores no
negativos y mayores que cero.
 Método Simplex

Método Simplex

Introducción

El método algebraico es muy dispendioso, en razón a que trabaja con todos los datos de las
ecuaciones, para mejorar éste aspecto se creó el método simplex cuya gran virtud es su
sencillez, método muy práctico, ya que solo trabaja con los coeficientes de la función
objetivo y de las restricciones. Ilustraremos su funcionamiento mediante un ejemplo, pero
previamente mostraremos las reglas de decisión para determinar la variable que entra, la
que sale, la gran M, y cómo determinar que estamos en el óptimo; Todas éstas reglas de
decisión fueron deducidas del método algebraico, solamente que aquí se han acomodado
para ser usadas en el tipo de tablero simplex que se usará.
 Método Simplex

• Si en el tablero simplex de la solución óptima queda al menos una variable de Super avit
ó artificial dentro de las variables básicas, con un valor > 0 , el problema no tiene
solución, esto quiere decir que al menos existen dos restricciones excluyentes, por lo
tanto no existe área de soluciones factible y menos una solución , en éste caso se debe
revisar la formulación del problema.
• Si al escoger la variable que sale, ninguna de las variables básicas restringe el
crecimiento de la variable no básica escogida para entrar, el problema tiene solución
indeterminada y se debe revisar la formulación en busca de una nueva restricción que no
se tuvo en cuenta en la formulación inicial.
• Si en el tablero simplex del óptimo, al menos una de las variables no básicas tiene
coeficiente cero (0) en la función objetivo, esto es su Zj – Cj = 0, el problema tiene
múltiples soluciones y se nos está ofreciendo una de ellas.

Ejemplo 1

Maximizar Z = X 1
+X 2
Todo problema de programación lineal que
C.S.R. se formule de la forma Maximice, con todas
5X 1 + 3X 2< 15 sus restricciones < y con la condición de no
3X 1 + 5X 2
< 15 negatividad, se le llama Forma Estándar ó
Xj > 0 ; j = 1, 2 Forma Normal

Aquí, al igual que en el método algebraico, debemos conseguir una solución básica factible,
empleando las variables de holgura y/o artificiales, quedando el sistema de ecuaciones así:

Maximizar Z = X 1
+X 2
Las variables básicas son X3 y X4 y por su
C.S.R. puesto en la función objetivo Z.
5X 1 + 3X 2+ X 3= 15 Este ejercicio es el ejemplo 1 del capitulo
3X 1 + 5X 2
+ X4 = 15 de método algebraico. Compare los
Xj > 0 ; j = 1,2,3,4 resultados entre los dos métodos.

A continuación construimos la siguiente tabla:

El valor de la función objetiva Z, se encuentra frente a la casilla de Zj – Cj , en éste caso

vale cero (0) y se calcula multiplicando el vector fila (en la tabla es la columna
inmediatamente anterior a la de las variables básica V.B.) que contiene los coeficientes de
 Método Simplex

las variables básicas en la función objetiva original por el vector columna de los términos
independientes b

CXB = Vector fila de los coeficientes en la función objetivo original de las variables básicas
actuales, sus valores se encuentran en la primera columna del tablero.

b = Vector columna de los términos independientes de las restricciones, que al mismo

tiempo son los valores de las variables básicas actuales, sus valores se encuentran bajo la
columna denominada b

Recuerde que la columna de b/a se calcula, siempre y cuando el denominador sea a > 0 ; de lo
contrario la variable básica respectiva no restringe el valor de la variable escogida para
entrar, los valores de a, están en el respectivo vector apuntador de la variable j-ésima
 Método Simplex

escogida para entrar, en ésta iteración son 5 y 3 y el calculo respectivo 15/5 = 3 y 15/3 = 5;
Lo que significa que la variable básica X 3 restringe el crecimiento de la variable que entra
X1 hasta 3 (no la deja tomar valores superiores a 3) y la variable básica X 4 restringe el
crecimiento de la variable que entra X 1 hasta 5 (no la deja tomar valores superiores a 5).
Por supuesto la variable básica que restringe más el crecimiento de la variable que entra X 1
es X3 por lo tanto es la variable básica escogida para salir.

La fila de la variable básica escogida para salir se divide por el elemento que se encuentra
en la intersección de dicha fila con la columna de la variable que entra, la fila resultante es
la fila pivote y se coloca en un nuevo tablero, desde el que se suman múltiplos de la fila
pivote a las demás filas del tablero anterior de tal forma que se eliminen de cada una de
ellas la variable escogida para entrar, en nuestro caso X1 , este procedimiento se denomina,
hacer un uno (1) en la intersección y el resto de la columna ceros (0), por lo tanto en dicha
columna aparecerá un vector unitario, el procedimiento se repite en cada iteración, hasta
que todos los Zj – Cj sean mayores ó iguales a cero en el caso de maximizar ó menores ó
iguales a cero en el caso de minimizar.

A continuación se muestran todas las iteraciones y en cada fila los valores por los cuales
fueron multiplicadas para ser sumadas a otras filas, ello se expresa como sumar múltiplos
de una fila a otra.

Fíjese que se suman múltiplos de las restricciones a la función objetivo para eliminar las
variables básicas de ella.

Conclusiones:

• La solución es única: X 1* = 15/8 ; X2* = 15/8 ; Z* = 14/4

• El método simplex es más práctico que el método algebraico
 Método Simplex

Ejemplo 2

Minimizar Z = 6X1 + 4X 2 + 2X3

C.S.R.
6X 1 + 2X 2
+ 6X 3
>= 6
6X 1 + 4X 2= 12
2X 1 - 2X 2
=< 2
Xj > 0 ; j = 1, 2, 3

Minimizar Z = 6X 1 + 4X 2 + 2X3 + MX 5 + M 6 Las variables básicas son X 5 = 6 , X6 = 12

C.S.R. X7 = 2
6X 1 + 2X 2+ 6X 3– X 4+X 5 = 6 Este ejercicio es el ejemplo 2 del
6X 1 + 4X 2
+ X 6 = 12 capitulo de método algebraico. Compare
2X 1 - 2X 2
+ X 7= 2 los resultados entre los dos métodos, en
Xj >= 0 ; j = 1, 2, 3, 4, 5, 6, 7 cada iteración.
 Método Simplex

Ejemplo 3

Aquí, se muestra el método simplex aplicado al ejemplo 3 del capítulo de método algebraico.

Minimizar Z = 10X2 + 30X3 + 40X 4 + 10X5 + 20X7

C.S.R. = Con las siguientes restricciones:

3X 1 + 2X 2 +X 6 +X 7 = 5.000
2X 4 + X5 + X 6 = 15.000
X 2
+3X 3
+ 2X 5
+X 6
+ 2X 7
= 5.000

Xj >= 0 ; j = 1,2,3,4,5,6,7

Adicionando las variables artificiales necesarias para obtener una solución básica factible,
el problema queda expresado de la siguiente forma:

Min Z = 10X 2 + 30X 3 + 40X 4 + 10X 5+ 20X 7 + M X8 + M X9 + M X10

C.S.R.
3X 1 + 2X 2
+ X6+ X 7
+ X8 = 5.000
2X 4 + X5 + X 6 + X9 = 15.000
X 2
+ 3X 3
+ 2X 5
+X 6
+ 2X 7
+ X10 = 5.000

Xj >= 0 ; j = 1,2,3,4,5,6,7,8,9,10

Variables básicas X 8
,X 9
yX 10
 Método Simplex

Solución:

Variables de Decisión: X 1
*= X 2*= X 3
* = X 5 * = X 7 * = 0 ; X*4= X *6 = 5.000 ; Z* = 200.000

Variables Artificiales: X8* = X 9* = X 10* = 0

Interpretación: Para que halla un mínimo de desperdicio de 200.000 cm de lámina y cumplir exactamente con los
pedidos, hay que cortar 5.000 láminas de la forma 4 y 5.000 láminas
de la forma 6

Ejemplo 4

En este ejemplo se muestra como resolver un problema en donde no todas las variables deben cumplir la condición de
no negatividad, dicho de otra manera, con variables irrestrictas. Aquí el secreto consiste en reemplazar cada una de las
variables irrestrictas por la diferencia de dos variables que si deban cumplir la condición de no negatividad.
 Método Simplex

Maximizar Z = 4X 1
+ 5X 2
+ 2X 3
–X 4
Aquí X 3 tiene libertad en el signo, esto
C.S.R. es puede tomar valores positivos ó
X1 + X 2 + 2X 3 – X 4> 1 negativos. Hacemos X 3 = K – W , en
2X 1 + 2X 2
- 3X 3
+ X 4< 3 donde K y W deben ser positivas, K > 0 y
X1 + 4X 2
+ 3X 3
+ 2X 4
< 5 W>0
Xj > 0 ; j = 1, 2, 4

Fíjese que si K > W => X 3 será positiva, si K = W => X 3 será igual a cero (0) y si K < W => X 3
será negativa.
Lo que hemos conseguido es convertir un problema que es irrestricto en su variable X 3 en
uno que es restringido en todas sus variables, el problema queda así:

Maximizar Z = 4X 1 + 5X 2 + 2K – 2W – X 4 Fíjese que este problema, es uno clásico de

C.S.R. programación lineal y procedemos a
X1 + X 2 + 2K –2W – X 4 > 1 resolverlo empleando el método simplex,
2X 1 + 2X 2
- 3K + 3W + X4 < 3 para lo que adicionamos las variables de
X1 + 4X 2
+ 3K – 3W + 2X 4
< 5 holgura y artificiales que sean necesarias
Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0 para conseguir la solución básica factible.

Maximizar Z = 4X 1 + 5X 2
+ 2K – 2W – X 4 – MX 6 Aquí las variables básicas son:
C.S.R. X6 , X 7 , y X 8
X1 + X 2 + 2K – 2W – X 4
– X 5 + X6 = 1
2X 1 + 2X 2
- 3K + 3W + X4 X7 = 3
X1 + 4X 2 + 3K – 3W + 2X 4 + X8 < 5
Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0
 Método Simplex

Aquí todos los Zj – Cj son > 0 , entonces estamos en la solución óptima.

La solución, mostrando las variables clasificadas es:

 Método Simplex

Ejemplo 5

En este ejemplo observaremos que a pesar de que el sistema tiene 4 variables, el número de
iteraciones es apenas de 2

Minimizar Z = 3X 1 - 9X 2 - 5X3 – 4X 4 Minimizar Z = 3X 1 - 9X 2 - 5X 3 – 4X 4

C.S.R. C.S.R.
X1 + 4X 2
+ 5X 3
+ 8X 4
=< 8 X 1 + 4X 2
+ 5X 3
+ 8X 4
+X 5
=8
X1 + 2X 2 + 6X 3 + 4X 4 =< 4 X 1 + 2X 2 + 6X 3 + 4X 4 + X6 = 4
Xj >= 0 ; j = 1, 2, 3, 4 Xj >= 0 ; j = 1, 2, 3, 4, 5, 6

Cj 3 -9 -5 -4 0 0
b/a
V.B. b X 1 X2 X3 X4 X5 X6
0 X 5 8 1 4 5 8 1 0 2 (1/4)
0X 6 41 2 640 1 2
Zj - Cj 0 -3 9 5400

Cj 3 -9 -5 -4 0 0 Solución: X 1
*= 0 X5 * = 0
V.B. b X 1X 2 X 3 X4 X5 X6 X2 * = 2 X6 * = 0
-9 X 2 2 1/4 1 5/4 2 1/4 0 X3 * = 0
0X 0 1/2 0 7/2 0 -1/2 1 X4 * = 0
6
Zj - Cj -18 -21/4 0 -25/4 -14 -9/4 0 Z * = -18

Ejemplo 6

Solución al problema número 4) El problema de los paquetes de tuercas, del capítulo 2,

formulación.
 Método Simplex

Minimizar Z = 0,1X 1
+ 0,04X 2
+ 0,06X 3
Min Z = 1/10X 1
+ 1/25X 2
+ 3/50X 3
C.S.R. C.S.R.
X1 - X 2 + X 3 > 0 X 1- X 2+ X3 > 0
X1 + X 2 < 1,6 X 1
+ X 2 < 8/5
0,9X 1 – 0,1X 2
– 0,1X 3
> 0 9/10X 1
– 1/10X 2
– 1/10X 3
> 0
-0,1X 1 + 0,9X 2– 0,1X 3> 0 -1/10X 1+ 9/10X 2– 1/10X 3> 0
-0,1X 1 – 0,1X 2
+ 0,9X 3
> 0 -1/10X 1
– 1/10X 2
+ 9/10X 3
> 0
X1 + X2+ X3 > 2 X 1
+ X2 + X3 > 2
Xj > 0 ; j = 1, 2, 3 Xj > 0 ; j = 1, 2, 3

Min Z = 1/10X 1+ 1/25X 2 + 3/50X 3 +MX 10 Las variables básicas son:

C.S.R. X4 , X 5
,X 6
,X 7
,X 8
,X 10
-X 1
+ X 2-X 3
+ X4 = 0
X1 + X 2+ X5 = 8/5
- 9/10X 1
+ 1/10X 2
+ 1/10X 3
+ X6 = 0
1/10X 1
- 9/10X 2
+ 1/10X 3
+ X7 = 0
1/10X 1+ 1/10X 2 - 9/10X 3+ X8 = 0
X1 + X2+ X3 - X 9 + X10 = 2
Xj > 0 ; j = 1, 2, 3
 Método Simplex

Conclusión

El método simplex es más práctico que el método algebraico, pero para problemas de un
gran número de variables y restricciones, fácilmente se vuelve dispendioso por el número de
iteraciones y por supuesto demorado para obtener la solución óptima, es aquí donde el uso
del computador se hace indispensable y útil en términos de eficiencia, para ello existe el
software adecuado, los más conocidos son:

.
 Método Simplex

Problemas propuestos

1. Suponga que una persona acaba de heredar $6.000 y desea invertirlos. Al oír ésta
noticia, dos amigos distintos le ofrecen la oportunidad de participar como socio en dos
negocios, cada negocio planteado por cada amigo. En ambos casos, la inversión significa
dedicar un poco de tiempo el siguiente verano, al igual que invertir efectivo. Con el
primer amigo, al convertirse en socio completo, tendría que invertir $5.000 y 400 horas,
y la ganancia estimada (ignorando el valor del tiempo) sería de $4.500. Las cifras
correspondientes a la proposición del segundo amigo son $4.000 y 500 horas, con una
ganancia estimada de $4.500. Sin embargo, ambos amigos son flexibles y le permitirían
entrar en el negocio con cualquier fracción de la sociedad; la participación en las
utilidades sería proporcional a esa fracción. Como de todas maneras, ésta persona está
buscando un trabajo interesante para el verano (600 horas a lo sumo), ha decidido
participar en una ó ambas propuestas, con la combinación que maximice la ganancia total
estimada. Formule y resuelva el problema.

Solución:
X1 * = $3.333,3 X3 * = X 4 * = 0 Precio sombra, para el capital: $0,50
X2 * = $2.666,6 Precio sombra, para el tiempo: $5,00
Z * = $6.000
Máxima utilidad a lograr $6.000
Con el amigo 1, invertirá $3.333,33 y obtendrá una utilidad de $3.000
Con el amigo 2, invertirá $2.666,66 y obtendrá una utilidad de $3.000
Con el amigo 1, trabajará 266,6 horas
Con el amigo 2, trabajará 333,3 horas
Por cada peso ($) adicional que invierta, incrementará la utilidad en $0,50
Por cada hora adicional que trabaje, incrementará la utilidad en $5

2. Una compañía manufacturera descontinuó la producción de cierta línea de productos no

redituable. Esto creó un exceso considerable en la capacidad de producción. La gerencia
quiere dedicar ésta capacidad a uno o más de tres productos; llámense productos 1, 2 y
3. En la siguiente tabla se resume la capacidad disponible de cada máquina que puede
limitar la producción:

Tipo de máquina Tiempo disponible (Horas)

Fresadora 500

Torno 350

Rectificadora 150

El número de horas-máquina que se requiere para cada producto es:

 Método Simplex

Tipo de máquina Producto 1 Producto 2 Producto 3

Fresadora 9 3 5

Torno 5 4 0

Rectificadora 3 0 2

El departamento de ventas ha indicado que las ventas potenciales para los productos 1 y
2 exceden la tasa máxima de producción y que las ventas potenciales del producto 3 son
20 unidades por semana. La ganancia unitaria sería $50, $20 y $25, respectivamente,
para los productos 1, 2 y3 . El objetivo es determinar cuántos productos de cada tipo
debe producir la compañía para maximizar la ganancia.

Solución:

X1* =26,1905 unidades del producto 1 Máxima ganancia Z *

= $2.904,7620
X2* =54,7619 unidades del producto 2
X3* =20 unidades del producto 3

Contribución del producto 1 a la ganancia: $1.309,5240

Contribución del producto 2 a la ganancia: $1.095,2380
Contribución del producto 3 a la ganancia: $500
La fresadora será usada todo el tiempo disponible; 500 horas
El torno será usado todo el tiempo disponible; 350 horas
La rectificadora será usada 118,5714 horas y quedará ociosa durante 31,4286 horas
Toda la demanda potencial del producto 3 será fabricada.
Por cada hora adicional de la fresadora, la ganancia aumentará en $4,7619
Por cada hora adicional de torno, la ganancia aumentará en $1,4286
El aumento de 1 hora adicional en la rectificadora no aumentará la ganancia.
Por cada unidad potencial de demanda del producto 3, la ganancia aumentará en $1,1905
para mantener la solución óptima actual, el beneficio por unidad de cada producto, debe
estar entre:

25 < Ganancia por unidad del producto 1 < 51,25

19 < Ganancia por unidad del producto 2 < 40
25,8095 < Ganancia por unidad del producto 3 < infinito

3. Se ha concedido permiso a una empresa de turismo para realizar vuelos entre Ibagué y
las islas de San Andrés e interinsulares. para ello, debe comprar turborreactores con
los que cubrir los vuelos entre I bagué y las islas, así como aviones de hélice y / o
helicópteros con los que atender los vuelos interinsulares. El presupuesto de compra es
de 2.800 millones de pesos. Las características de los aparatos que puede comprar se
resumen en la tabla.
 Método Simplex

Tipo de Costo / unid. Mant./Unid. Tripulación Capacidad

6
Avión (X 10 $) ($/día) Pilotos Copilotos Azafatas (pas/mes)
Turborre. 300 120.000 2 - 2 4.000
A. hélice 100 60.000 1 1 1 300
Helicóptero 50 30.000 1 - - 100

Se pueden contratar hasta 20 pilotos y 16 azafatas. Se desea emplear al menos a 3

copilotos. El tráfico entre Ibagué y San Andrés se estima en 8.000 pasajeros por mes y
el interinsular en 500 pasajeros por mes. El permiso concedido requiere que el número
mínimo de aparatos sea 15. La compañía desea operar con costo de mantenimiento
mínimo.

a) Formule un problema de programación lineal que proporcione al plan óptimo de

compra.
b) Resolverlo e interpretar la solución.

Solución:

Se deben comprar 2 turborreactores, 3 aviones de hélice y 10 helicópteros, siendo el

costo de mantenimiento diario mínimo $720.000

4. Un empresario pretende fabricar dos tipos de congeladores denominados A y B. Cada

uno de ellos debe pasar por tres operaciones antes de su comercialización: Ensamblaje,
pintado y control de calidad. Los congeladores requieren, respectivamente, 2,5 y 3 horas
de ensamblaje, 3 y 6 Kg. De esmalte para su pintado y 14 y 10 horas de control de
calidad. Los costos totales de fabricación por unidad son, respectivamente, 30 y 28, y
los precios de venta 52 y 48, todos ellos en miles de pesos.
El empresario dispone semanalmente de 4.500 horas para ensamblaje, de 8.400 Kg. De
esmalte y 20.000 horas para control de calidad. Los estudios de mercado muestran que
la demanda semanal de congeladores no supera las 1.700 unidades y que, en particular, la
de tipo A es de, al menos, 600 unidades. Se desea:

a) Formular un modelo de programación lineal que indique cuántos congeladores deben

fabricarse de cada tipo para que el beneficio sea máximo, teniendo en cuenta el
estudio de demanda.
b) Resolverlo mediante el método simplex. Interpretar la solución óptima incluyendo las
variables de holgura.
c) Determinar los precios sombra de las horas de ensamblaje y control de calidad. Al
fabricante le ofrecen disponer de 200 horas más para ensamblaje con un costo
adicional total de $750.000 pesos. ¿Debería aceptar la oferta?
 Método Simplex

Solución:
Debe producir 882 congeladores tipo A y 764 congeladores tipo B con un beneficio
óptimo de $34’684.000

En el departamento de ensamblaje sobran 3 horas, no se consumirán 295,6 Kg. De

esmalte, sobrarán 12 horas de control de calidad, se dejarán de producir 54
congeladores, se fabricarán 282 congeladores tipo A por encima del límite de 600

Por cada hora de ensamble adicional (dentro del intervalo 4.268,5 ; 4.725) el beneficio
aumentará en $3.530

5. En un laboratorio se fabrican 4 productos P 1, P 2 , P 3 , P 4 que consumen un día por unidad en

su proceso completo de producción, aunque se pueden producir varias unidades
2
simultáneamente. El espacio (m ) en el almacén y la mano de obra (número de
trabajadores) disponibles limitan la producción. La siguiente tabla contiene los datos
relevantes del proceso de producción, así como los costos de fabricación y precios de
venta (en miles de pesos).

Producto P 1 P2 P3 P4 Disponibilidad
2
Área (m /und.) 10 30 80 40 900

Trabajadores /und. 2 1 1 3 80

Costos /unidad 20 30 45 58

Precio de venta /und. 30 50 85 90

a) Encontrar el plan de producción de beneficio máximo

b) Interpretar los valores de los precios sombra
c) Cuál es el rango de los recursos del programa construido para el que se mantiene la
optimalidad de tales valores?
2
d) La firma podría alquilar 150 m más de superficie de almacén a un costo de $70.000
por día. ¿Debería alquilar éste espacio? Si es así, ¿Cuál es el nuevo plan de
producción?

Solución
De producto 1 debe producir 10 unidades y de producto 4, 20 unidades; de los productos
2 y 3 no debe producir.
2
Por cada m adicional de bodega el beneficio aumenta en $680
Por cada trabajador adicional el beneficio aumenta en $1.600
.