Metodo Simplex

2.
4 METODO SIMPLEX TABULAR
INTEGRANTES DE EQUIPO 5:
Sánchez Visoso Héctor
Vivar Torres Humberto
Guzmán Zayas Elizabeth
Guzmán Ortega Yahir Alfredo
Objetivo del Método Simplex Tabular
Es lograr sucesivas mejoras para el valor de la función objetivo asociada a la

selección de alguna solución factible.
Repetir dicho procedimiento un número finito de veces debería permitir eventualment
e alcanzar la
solución óptima del problema lineal en estudio.
¿Qué es el método simplex?
Un procedimiento iterativo para resolver problemas de programación lineal, donde se

busca obtener la solución óptima de la función objetivo que logre cumplir el conjunto
de restricciones.
¿En dónde lo usamos?
1. Industria y Producción
2. Logística y Transporte
3. Finanzas y Economía
4. Investigación de Mercados
5. Planificación de Proyectos
6. Educación y Ciencia
Pasos del Método Simplex (esquema)
1. Definir el problema en la forma estándar y generar nuestra matriz.

2. Determinar la solución básica inicial.
3. Seleccionar la variable de entrada utilizando la condición de optimalidad. Si no se
puede seleccionar una variable de entrada, quiere decir que estamos en la condición
óptima y finalizan las iteraciones. De otro modo se continúa con el siguiente paso.
4. Seleccionar la variable de salida utilizando la condición de factibilidad.
5. Actualizar nuestra matriz realizando las operaciones de Gauss-Jordan. Volver al paso
número 3.
Antes de llevar nuestro modelo a la forma estándar debemos verificar que todas las
restricciones tienen el lado derecho no negativo. Es decir:
b1, b2 … bm ≥ 0
¿Qué hago si el lado derecho de la restricción es negativo?
Multiplicar por -1 a toda la restricción para convertir el valor del lado derecho en positivo.
Esta multiplicación también afectará al signo de la restricción de la siguiente forma:
 Si la restricción es del tipo mayor igual (≥), se deberá cambiar a menor igual (≤).
 En caso la restricción sea del tipo menor igual (≤), se deberá cambiar a mayor igual
(≥).
 Si la restricción es una igualdad, el signo se mantiene.
Un caso especial es cuando el término independiente de la restricción es 0 y el signo es
mayor igual (≥); en dicha situación, podemos multiplicar la restricción por (-1) para
convertirla en menor igual (≤). Esto nos servirá para no utilizar variables artificiales como
veremos posteriormente.
Convertir restricciones en igualdades
Para convertir las restricciones en igualdades va a depender de su signo:

 Si la restricción es menor igual (≤): Para este tipo de restricciones debemos introducir
una variable no negativa llamada de holgura y que son auxiliares para el problema. Por
ejemplo:
 Cuando la restricción es mayor igual (≥): En este tipo de restricciones se debe restar
una variable de exceso y así mismo agregar una variable artificial. Por ejemplo:
Generar la matriz
Aplicando lo indicado en los puntos anteriores tendríamos lo siguiente:
Una vez convertidas nuestras restricciones en ecuaciones procederemos a generar

nuestra matriz.
En nuestra matriz podemos identificar lo siguiente:
 Vector de Costes: contiene los coeficientes de todas las variables de la función
objetivo. En la parte inferior del vector se indican las variables en orden.
 Vector Solución: En esta columna se coloca la solución básica inicial y se va
actualizando conforme se realizan las iteraciones. En la columna Cb se indica el
coeficiente que corresponde a cada variable en el vector de costes. Así mismo
siempre se iniciará con las variables de holgura en la base cuando el problema no
tenga variables artificiales.
 Coeficientes Restricciones: Se colocan los coeficientes de las restricciones en el
mismo orden en que fueron formuladas. La columna R contiene a los términos
independientes también conocido como vector de recursos.
 Vector de costes reducidos: También conocido como precios sombra. Este

vector se calcula multiplicando el vector solución por los coeficientes de las
restricciones y se resta el vector de costes.
 2. Determinar la solución básica inicial:
El método simplex parte de un vértice de la región factible, es decir, un punto extremo.

Con cada iteración avanzaremos de vértice en vértice hasta llegar a la solución óptima.
En nuestro caso, en la matriz elaborada podemos ver la solución básica inicial que
sería S1=35, S2=18 y S3=26 (cada variable del vector solución se iguala al valor que se encuentra
en la columna R. Estas variables se denominan variables básicas. El valor de Z inicial también se
muestra en la columna R que es 0.
no se encuentran en la base se denominan variables no básicas y en este caso

serían X1 y X2. Ambas tienen un valor de 0. ¿Con esta solución tenemos el mejor
valor de Z? Para saberlo debemos continuar al siguiente paso:
3. Seleccionar la variable de entrada utilizando la condición de optimalidad
Con nuestra matriz finalizada e identificada nuestra solución básica inicial revisaremos la
condición de optimalidad.
La condición de optimalidad consiste en verificar si la solución actual que tenemos en nuestra

matriz es la óptima o si se puede mejorar. Se verifica de la siguiente manera:
 En un problema de maximización si todos los coeficientes del vector de costes reducidos son
mayores o iguales que cero, quiere decir que estamos en el punto óptimo y finaliza el
problema.
 En un problema de minimización si todos los coeficientes del vector de costes reducidos son
menores o iguales que cero, quiere decir que estamos en el punto óptimo y finaliza el
problema.
Siguiendo con el ejemplo, siendo el problema de maximización, podemos ver que en el vector
de costes reducidos existen valores negativos, lo que significa que no estamos en el óptimo.
Eso quiere decir que debemos iniciar las iteraciones seleccionando la variable de entrada.
Variable de Entrada
Hace referencia a una de las variables no básicas que ingresará a la base y formará parte de la
solución del problema.
Los criterios para seleccionar la variable de entrada dependen si el problema es de maximización

o minimización:
 Para problemas de maximización, la variable de entrada será la variable no básica con el
coeficiente más negativo en el vector de costes reducidos.
 Para problemas de minimización, la variable de entrada será la variable no básica con el
coeficiente más positivo en el vector de costes reducidos.
La columna donde está ubicada la variable se denomina columna pivote.
En el ejemplo nuestra variable de entrada sería X1 dado que tiene el valor más negativo en el
vector de costes reducidos, es decir “-3”:
4. Seleccionar la Variable de Salida con la Condición de Factibilidad
A continuación, explicaremos a que se refiere la condición de factibilidad:
Condición de Factibilidad
Para cualquier problema ya sea de maximización o minimización, se verifica evaluando los

valores de los coeficientes de la matriz de restricciones que se encuentran en la columna
que corresponde a la variable de entrada.
Se debe verificar que al menos uno de sus valores sea mayor que 0 para obtener nuestra
variable de salida. Si no se cumple esa condición significa que el problema tiene solución
ilimitada no acotada.
Variable de Salida
Para determinar la variable que sale de la base se debe dividir el valor correspondiente a la
columna R con su respectivo coeficiente en la columna de la variable de entrada (siempre y
cuando este coeficiente sea estrictamente positivo).
De los resultados obtenidos, el menor valor corresponde a la fila que contiene a la variable
de salida. Esta fila la llamaremos fila pivote
Veremos su aplicación con el ejemplo:
La variable de salida sería S2. El
número que se encuentra al cruzar
la fila pivote y la columna pivote es
el elemento pivote; en nuestro
caso sería 3:
Actualizar la Matriz
Una vez determinado nuestro elemento pivote, realizaremos las operaciones de Gauss-Jordan para
formar nuestra matriz identidad. El nuevo valor de cada fila se calculará de la siguiente manera:
 Para la fila pivote: El nuevo valor se obtendrá dividiendo el valor actual entre el elemento pivote.
Nuevo Valor Fila Pivote = Valor Actual Fila Pivote / Elemento Pivote
 Para las otras filas: El nuevo valor se calcula restando del valor actual, la multiplicación del
elemento de la fila que se encuentra en la columna pivote por el nuevo valor calculado en la fila
pivote.
Nuevo Valor = Valor Actual – (Elemento Fila Columna Pivote*Nuevo Valor Fila Pivote).
Para entenderlo mejor, continuaremos resolviendo el ejemplo. Iniciaremos con la fila pivote:
Cómo puedes ver la posición donde se encontraba
nuestro elemento pivote ahora es 1 y los elementos que lo
acompañan en la columna se convierten en 0. Es así que
empezamos a formar nuestra matriz identidad. Volver al
paso número 3
Con este último resultado, volveremos al paso 3 y

repetiremos el proceso. Cómo existen valores negativos
en el vector de costes reducidos, podemos seguir
optimizando.
El único valor negativo es -4, por lo que la variable que
ingresará es X2.
Para elegir la variable que va a salir, dividimos cada valor
de la columna R por su contraparte de la columna X2 (este
último valor debe ser positivo)
 23/(19/3) = 69/19 = 3.632
 El valor en la columna X2 es negativo por lo que no se
toma en cuenta.
 14/(16/3) = 21/8 = 2.625
El menor valor se encuentra en la fila de S3, por lo que es la variable que saldrá de la
base. El elemento pivote es 16/3. Realizamos nuevamente las iteraciones obteniendo el
siguiente resultado:
En esta última matriz vemos que el vector de costes reducidos ya no tiene ningún
valor negativo, lo que quiere decir que nos encontramos en el valor óptimo.
Obtendremos los valores de las variables básicas y de Z de la siguiente forma:
Las variables que no se encuentran en la base tendrán valor de 0.

SOLUCION: X1= 31/4, X2= 21/8, S1= 51/8, S2= 0, S3= 0, Z = 57/2
Ejemplo 2 – Minimizar
Función Objetivo
Minimizar: Z = 3X1 – 2X2
Sujeto a:
2X1 + X2 ≤ 18
2X1 + 3X2 ≤ 42
3X1 – 2X2 ≤ 5
X1, X2 ≥ 0
Solución
El problema se adecuará al modelo estándar de programación lineal, agregando las variables de

holgura, exceso y/o artificiales en cada una de las restricciones:
 Restricción 1: Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S1.
A continuación, se muestra el problema en la forma estándar. Se colocará el coeficiente 0 (cero) donde
Como el ejercicios es de minimización, elegiremos
el mayor valor positivo para la variable de entrada: 2.
Por lo tanto la variable de entrada sería X2.
Para la variable de salida dividiremos los valores de la
columna R con los de la columna X2 (siempre y cuando
sean positivos). Los resultados en orden serían: 18/1,
42/3 y la última fila no se considera porque su valor
correspondiente a X2 es negativo (-2). Se debe elegir el
menor valor de esta división: 42/3=14; por lo tanto la
variable de salida se encuentra en la segunda fila: S2.
El elemento pivote se encuentra en el cruce de X2 y
S2: 3.
Realizamos las reducciones de Gauss-Jordan:
En esta última matriz, todos los valores del vector de
costes reducidos son negativos, lo que indica que nos
encontramos en el punto óptimo del problema de
minimización. El resultado sería:
Z = -28
X1= 0, X2= 14, S1= 4, S2= 0, S3= 33
Nota: El valor de Z puede ser negativo ya que el
problema resuelto no restringe su valor.
Desventajas del método simplex
1. Convergencia lenta: El método simplex puede converger más lentamente que otros algoritmos.
Requiere un mayor número de iteraciones para llegar a la solución óptima. Esto puede ser problemático
en problemas grandes o complejos.
2. Restricciones de desigualdad: Cuando existen funciones con variables básicas positivas y
restricciones de desigualdad (como “≤”), el método simplex puede enfrentar dificultades. En tales casos,
la convergencia puede ser más lenta o incluso no alcanzar una solución óptima.
3. Tamaño del problema: Aunque es aplicable a problemas con un gran número de variables y
restricciones, la eficiencia del método simplex puede disminuir a medida que aumenta el tamaño del
problema. En situaciones muy grandes, podría ser necesario considerar otros métodos.
4. Sensibilidad a errores de redondeo: El método simplex utiliza cálculos numéricos y puede ser
sensible a errores de redondeo. Esto puede afectar la precisión de los resultados.
otros métodos de optimización para resolver problemas de programación lineal.
5. Método de la Gran M:
6. Programación Dinámica:
7. Algoritmo del Método de las Dos Fases:
8. Algoritmo de Puntos Interiores:
9. Método de Ramificación y Acotamiento:
Fuentes de consulta
Méndez A. (17 de agosto de 2020). Método Simplex Paso a Paso: Ejemplos de

Maximizar y Minimizar. Recuperado el 5 de marzo de 2024 de Plan de Mejora:
https://www.plandemejora.com/metodo-simplex-paso-a-paso-ejemplos-maximizar-mini
mizar/
Algebra lineal, 7ma edición, Stanley I. Grossman S., Mc Graw Hill, Pág. 8.

Metodo Simplex

Cargado por

Copyright:

Formatos disponibles

Metodo Simplex

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodo Simplex

Cargado por

Copyright:

Formatos disponibles

2.

4 METODO SIMPLEX TABULAR

Es lograr sucesivas mejoras para el valor de la función objetivo asociada a la

¿Qué es el método simplex?

Un procedimiento iterativo para resolver problemas de programación lineal, donde se

1. Definir el problema en la forma estándar y generar nuestra matriz.

¿Qué hago si el lado derecho de la restricción es negativo?

Para convertir las restricciones en igualdades va a depender de su signo:

Aplicando lo indicado en los puntos anteriores tendríamos lo siguiente:

Una vez convertidas nuestras restricciones en ecuaciones procederemos a generar

 Vector de costes reducidos: También conocido como precios sombra. Este

El método simplex parte de un vértice de la región factible, es decir, un punto extremo.

no se encuentran en la base se denominan variables no básicas y en este caso

La condición de optimalidad consiste en verificar si la solución actual que tenemos en nuestra

Los criterios para seleccionar la variable de entrada dependen si el problema es de maximización

A continuación, explicaremos a que se refiere la condición de factibilidad:

Para cualquier problema ya sea de maximización o minimización, se verifica evaluando los

Con este último resultado, volveremos al paso 3 y

Las variables que no se encuentran en la base tendrán valor de 0.

Minimizar: Z = 3X1 – 2X2

El problema se adecuará al modelo estándar de programación lineal, agregando las variables de

otros métodos de optimización para resolver problemas de programación lineal.

Méndez A. (17 de agosto de 2020). Método Simplex Paso a Paso: Ejemplos de

También podría gustarte