Você está na página 1de 36

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

La programacin lineal es una herramienta de la investigacin de operaciones y muy til


para la toma de decisiones. Esta es una herramienta genrica que sirve para resolver
problemas lineales. De acuerdo a los valores que pueden tomar las variables que
intervienen en un problema de programacin lineal, se utiliza, la programacin lineal
propiamente dicha, cuando los valores estn en los nmeros reales y la programacin
entera, en donde la variable asume solamente nmeros enteros. La solucin de un
problema con variables enteras es mucho ms complicada que un problema de nmeros
reales y no es nuestro objeto de estudio.
En las empresa, muchas de las decisiones que se toman tienen estn dirigidas a optimizar
sus recursos, como puede ser el uso de la maquinaria, capital, materias primas, etc. Estos
recursos son utilizados en la produccin de bienes que a final de cuentas representan
ingresos para la empresa. La Programacin Lineal es una tcnica matemtica diseada
para asistir y a los tomadores de decisin de la empresa en la planificacin y uso racional
de los recursos con que cuenta. Existen muchos ejemplos exitosos en la literatura de
aplicaciones de programacin lineal, los ejemplos clsicos son, el problema de la dieta y el
de transporte.
El problema de la dieta, fue uno de los primeros problemas sobre optimizacin, motivado
por el deseo del ejrcito americano de asegurar unos requerimientos nutricionales al
menor coste. El problema fue analizado y resuelto por George Stigler usando la
programacin lineal en 1947. La formulacin general de este problema es:
Para que una dieta sea equilibrada deben ingerirse n elementos nutritivos bsicos en
cantidades mnimas b1, b2,..., bs. Estos elementos se encuentran en m alimentos.
Conocemos cul es la cantidad de cada elemento en cada unidad de cada uno de los
alimentos y el coste de la unidad de cada alimento. Se debe minimizar el coste de la dieta
pero cubriendo las necesidades nutritivas mnimas. Por ejemplo;
Un especialista en nutricin, elabora un plan para determinado tipo de pacientes basado
en tres grupos de alimentos; verduras, carne y pescado y harinas, trigo y maz. Estos se
deben combinar para que cumplan con ciertos requisitos nutritivos mnimos de protenas
y caloras de 2600 caloras y 60 g de protena por da. El contenido de cada alimento por
cada 100gr es el siguiente. Las verduras tienen 100 caloras y 2 gr de protena, la carne y el
pescado en promedio 500 caloras y 35 gr de protena; las harinas combinadas ofrecen en
promedio 120 caloras y 8 gr de protena. Si los precios por cada 100 gr de verdura,
protena y harinas son de $ 8.0, $25.0 y $3.0 respectivamente Cul debe ser la
combinacin de alimentos de manera que el costo sea mnimo y se satisfagan las
condiciones de nutricin por da?

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Podemos resumir el problema en el siguiente cuadro:


Verduras
Caloras
Protenas
Precios por
100 gramos

100 cal
2 gr
$ 8.0

Carne y
pescado
500 cal
35 gr
$ 25.0

Harinas
120 cal
8 gr
$ 3.0

Requisitos
mnimos
2600 cal
60 gr

La formulacin general del Problema del transporte es que un cierto producto se elabora
en varios centros, n, y en su produccin intervienen los productos a1,a2,...,as. Este
producto debe ser enviado a m destinos cuyo coste por envo desde cada planta a cada
destino son conocidos. Adems se deben enviar en cantidades b1,b2,...,bs. El objetivo es
minimizar el coste total del transporte. Por ejemplo,
Una empresa tiene dos plantas de produccin en la ciudad de Mxico, una en el norte y
otra en el sur. El nivel de produccin de la planta del sur es de 1500 unidades y la del
norte de 3500. Las ventas de la empresa se distribuyen en las ciudades de Cuernavaca 850
unidades, Guadalajara 4000 unidades, Monterrey 3500 unidades. El costo de transporte se
por unidad se muestra en la siguiente tabla.
Planta Sur
Planta Norte

Cuernavaca
30
32

Guadalajara
240
235

Monterrey
320
315

La pregunta es determinar el nmero de unidades que debe enviar desde cada planta a
cada ciudad para que los costos sean mnimos?

La programacin lineal.
Los problemas de programacin tienen como objetivo principal la asignacin ptima de
los recursos con que cuenta una empresa, la mayora de las veces muy limitados, para
alcanzar objetivos especficos. Por esta razn los recursos, definidos en forma de
restricciones, pueden ser de distintos orgenes. Estas van desde las restricciones de
produccin como las impuestas por el mercado. Tambin, pueden ser resultado de las
limitaciones de material en almacn o en reserva.
Al final, el objetivo es maximizar o minimizar una funcin de beneficio, como podran ser
el la mxima utilidad el mnimo costo. Trataremos de determinar la mejor solucin
posible bajo ciertas restricciones, tales como el trabajo, maquinaria y la existencia de
insumos necesarios para la fabricacin de los productos de la empresa.

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

La primera fase para emprender la solucin a un problema de Programacin Lineal es


formular y obtener el modelo. Considerada esta etapa la ms importante del proceso de
aplicacin, en la cual se necesita definir claramente el problema y conceptualizar de una
manera correcta el problema que presente el sistema sobre el cual se pretende realizar la
aplicacin. La etapa siguiente en el proceso es alcanzar la solucin del modelo.
Modelado de un programa lineal.
La formulacin del programa lineal es fundamental para obtener una buena solucin a
nuestros problemas. Este proceso comprende los siguientes pasos,
1. La formulacin del problema y la identificacin de las variables de decisin, las que
representan el inters fundamental del problema a resolver.
2. Formular la funcin econmica, o funcin objetivo.
3. Formular en forma de inecuaciones las restricciones del modelo, pueden ser de
produccin, de presupuesto, etc.
Ejemplos.
Problema de la dieta, propuesto al inicio. El especialista en nutricin desea formular una dieta
basado en tres tipos de alimentos; verduras, carne y pescado, y harinas. El objetivo es encontrar la

combinacin de alimentos de manera que el costo sea mnimo y se satisfagan las


condiciones de nutricin por da.
La formulacin del programa lineal sera el siguiente
Las variables de decisin son; 1 verdura, 2 protena, 3 harinas.
programa de minimizacin de los costos.

Se trata de un

a) Funcin objetivo. Donde Z es una funcin econmica a minimizar


= 81 + 252 + 33

b) Sujeta a las restricciones. Hiptesis de linealidad del modelo; es decir para obtener
2600 caloras diarias se requiere una combinacin 1001 de verdura, 5002
caloras obtenidas de carne y pescado y 123 de harinas de trigo y maz. La misma
consideracin se hace para las protenas.
1001 + 5002 + 123 2600
21 + 352 + 83 60

Restriccin de caloras
Restriccin de protenas

c) No negatividad de las variables


1 , 2 , 3 0

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Una organizacin cafetalera indgena desea comercializar 2 tipos de productos orgnicos;


caf y pimienta. El caf orgnico cuesta $80 pesos/kilo y la pimienta $160 pesos/kilo. Para
transportar los productos a la ciudad ms cercana cuenta con un camin que solo puede
transportar 20,000 kg y un volumen de 1200 3 . Si el caf ocupa 0.025 3 y la pimienta
0.01 3 por cada kg, cuntos kilos de cada producto debe cargar en el camin para
maximizar su ganancia?
Las variables de decisin son; 1 caf y 2 pimienta. Se trata de un programa de
maximizar las utilidades de la organizacin.
De esta manera la funcin a maximizar es.
= 801 + 1602

a) Sujeta a las restricciones. Hiptesis de linealidad del modelo; por un lado el camin
solo puede transportar una combinacin de 1 de caf y 2 de pimienta que no
deben rebasar un peso de 20,000 kg. Por otro lado, el volumen de 0.0251 de caf
y 0.012 de pimienta pueden ocupar un volumen no mayor a 1200 3 .
1 +
2 20,000
0.0251 + 0.012 1200

Restriccin de capacidad
Restriccin de volumen

b) No negatividad de las variables


1 , 2 , 3 0

Como hemos visto, un programa lineal pone en juego cuatro categoras de elementos; las
actividades, las constantes econmicas, las restricciones y los coeficientes tcnicos.
a) Las actividades son las variables de decisin del modelo en estudio. Se trata de
seleccionar aquellas que correspondan a la funcin a optimizar. Usualmente
utilizamos letras como 1 , 2 , 3 , . O bien , , , ,
b) Las constantes econmicas miden el nivel de realizacin asociado al beneficio de
cada recurso de la organizacin, o de la empresa. De esta manera a cada le
asociamos un beneficio .
c) Las restricciones del problema. Estas pueden ser de naturaleza muy diversa,
dependen del problema. Son los elementos que limitan el problema, las
restricciones. Estas pueden ser las limitaciones de produccin, de presupuesto, etc.
d) Los coeficientes tcnicos, son las cantidades de cada recurso que son necesarios
para producir una unidad de producto. Al recurso i y a la actividad j le
corresponder el coeficiente tcnico

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Si las variables son continuas y los coeficientes tcnicos y econmicos son independientes
de los valores de las variables, el problema de programacin lineal se puede presentar de
la siguiente manera.
Un programa lineal en la forma cannica se escribe de la siguiente manera,
Maximizar
sujeto a:

= 1 1 + 2 2 + +

1 1 + 2 22 + +

= 1,2,3, . ,

En trminos econmicos,

Cantidad de producto j a producir.


Beneficio asociado a una unidad de produccin
del producto j
Cantidad del recurso i requerido para producir
una unidad del producto j
Cantidad del recurso i disponible.
Beneficio total o funcin econmica

Para resolver el programa lineal, deberemos buscar los valores de las variables de decisin
como 1 , 2 , 3 , ., que optimizan la funcin econmica , o si as fuera el caso demostrar
que el modelo no tiene solucin.
Para establecer un lenguaje comn damos las siguientes definiciones;

Llamaremos solucin factible, cualquier grupo de valores de las variables de


decisin como 1 , 2 , 3 , . Que verifican el sistema de inecuaciones anterior.
Solucin ptima toda solucin que optimiza la funcin Z.
El conjunto de todas las soluciones factibles de un programa lineal le llamaremos
dominio de soluciones factibles

Todo problema de programacin lineal debe cumplir con lo siguiente;


a) Las soluciones del problema sern, en general, nmeros reales. Para aquellos
problemas en los cuales slo tenga sentido obtener soluciones enteras, se tendr que
aplicar los mtodos de solucin de la Programacin Lineal Entera.
b) No negatividad. Las variables de nuestro modelo tomarn siempre valores positivos,
esto es muy til para las aplicaciones econmicas ya que no tiene sentido hablar de
cantidades negativas de objetos fsicos.
c) Todas las restricciones deben formularse como ecuaciones.

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

d) La parte derecha de una restriccin no puede ser negativa


Desde el momento en que George Dantzig desarrolla el mtodo simplex para obtener la
solucin a un modelo de programacin lineal, ste mtodo ha sido considerado el nico
mtodo til y aplicable a la gran mayora de problemas de programacin lineal. Sin
embargo para poder alcanzar una fuerte comprensin del mtodo simplex se hace
necesario estudiar inicialmente el mtodo de solucin grfica.
Resolucin grfica de un problema de Programacin Lineal

El mtodo grfico de resolucin es til cuando trabajamos programas lineales de dos


variables. Para aquellos casos en que el nmero de variables del problema sea superior a
dos, es complicado encontrar la solucin a partir de un grfico bidimensional y, por tanto,
tendremos que usar mtodos de resolucin ms complejos. Aun as, el mtodo grfico es
de un gran valor pedaggico dado que nos permite vislumbrar de una forma intuitiva las
ideas bsicas de la Programacin Lineal.
Ejemplo. Una empresa electrnica fabrica dos tipos de memoria para computadora, 1 y
2 . En el proceso de produccin se requiere pasar por dos mquinas distintas, A y B. La
mquina A requiere de 75 minutos para la memoria 1 y 25 para la memoria 2 . La
mquina B necesita de 20 y 12 minutos respectivamente. Adems, por razones de
mantenimiento, la mquina A solo puede trabajar 30 horas por semana y la B 13 horas. Si
el beneficio por unidad de la memoria 1 es de $60 pesos y el de la memoria 2 es de
$45. Cunto debemos producir de cada tipo de memoria para obtener el mximo
beneficio?
Para simplificar nuestro problema denotamos por 1 : el nmero de unidades producidas
por semana de la memoria 1 y por 2 al nmero de memorias producidas de 2

El programa lineal ser entonces;


= 601 + 452
Sujeto a: 751 + 252 1800
201 + 122 780
1, 2 0

(30 60)
(13 60)

Si graficamos estas dos restricciones lineales en el plano real, la interseccin de estas


lneas forman lo que se conoce como regin factible, o poliedro convexo 1.
La teora matemtica establece que, dado un problema de Programacin Lineal que tenga
solucin, sta vendr dada por uno de los vrtices (o puntos extremos) del polgono que
1

Un poliedro convexo es una figura geomtrica en la que al trazar un segmento que une dos puntos, estos
puntos estn contenidos dentro del poliedro.

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

configura la regin factible. Por tanto, ser suficiente hallar las coordenadas de dichos
vrtices (intersecciones de rectas) y determinar (sustituyendo en la funcin objetivo) cul
de ellos es la solucin ptima. En nuestro ejemplo, tendramos slo cuatro puntos
candidatos a ser solucin del problema (los cuatro vrtices del polgono), sustituyendo sus
coordenadas en la funcin objetivo obtenemos:

(0,0) = 0;

21 225

(24,0) = 1440; 4 ,

= 2846.25; (0, 65) = 2925

Como en este caso buscbamos maximizar (, ), concluiremos que el punto ptimo es


el (0,65), dado que con l obtenemos el valor mximo de la funcin objetivo.
Ejemplo. Una cooperativa rural produce tres tipos de muebles de madera; bancos, mesas
y sillas. Cuenta con dos talleres ubicados en el norte y en el sur de la localidad donde se
encuentran. En cada una de ellas produce los muebles en las siguientes cantidades por
hora,
Bancos
Mesas
Sillas

Taller norte
1
1
6

Taller sur
2
4
3

La cooperativa recibe un pedido de 90 bancos, 120 mesas y 180 trompos. El costo de


operacin del taller sur es de $450 pesos y del taller norte $600 pesos por hora. Cul es
el programa de produccin para minimizar los costos del pedido?
Solucin. Sean 1 y 2 el numero de horas que funcionan los talleres Norte y Sur para
surtir el pedido. El programa lineal es,

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Minimizar
sujeto a:

Solucin grfica del programa lineal.

= 4501 + 6002
1 + 22 90
1 + 42 120
61 + 32 180
1 , 2 0

Este ejemplo de produccin puede ser representado grficamente porque no tiene ms de


dos variables. Antes de buscar la solucin del problema, definamos en la grfica la regin y
los puntos que satisfacen las cuatro restricciones. La restriccin de no negatividad de las
variables nos indica que esta regin solo incluir aquellos valores que sean positivos.

El beneficio para cada punto extremo, A, B y C es el siguiente;


(0,60) Los costos son = 450(0) + 600(60) = $36,000
(10,40) Este punto se obtiene al resolver el sistema de ecuaciones siguiente
1 + 22 = 90
61 + 32 = 180

1 = 90 22
1 = 180 32

90 22 = 180 32
2 = 40 y 1 = 10

Los costos son de = 450(10) + 600(40) = $28,500

(60,15) Para obtener este punto resolvemos el siguiente sistema de ecuaciones,


1 + 22 = 90
1 + 42 = 120

1 = 90 22
1 = 120 42

90 22 = 120 42
2 = 15 y 1 = 60

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Los costos son de = 450(60) + 600(15) = $36,000

(120,0) = 450(120) = $54,000

La solucin ptima es = y = . El costo de produccin es de $28,500

Casos especiales

Hasta ahora, los problemas resueltos grficamente tienen una solucin ptima, lo que no
siempre sucede. A la hora de resolver un problema de Programacin Lineal, nos
podramos encontrar con cualquiera de estas tres situaciones especiales que conviene
conocer:

No Factibilidad: Podra ocurrir que el problema propuesto no tuviese solucin. ste


sera el caso en que las restricciones fuesen incompatibles, i.e., que ningn punto
del plano (o, en general, del espacio real n-dimensional) puede cumplir
simultneamente todas las limitaciones a las que estamos sometidos, es decir, la
regin factible es un conjunto vaco.
No Acotacin: En ocasiones, podemos encontrarnos con problemas que no tengan
una solucin finita; as por ejemplo, en un problema de maximizacin podramos
tener alguna variable que pudiese incrementarse indefinidamente sin violar
ninguna de las restricciones, permitiendo a la funcin objetivo tomar valores tan
grandes como se desee. Grficamente, tendramos una regin factible no acotada.
Redundancia: Algunas restricciones pueden estar de ms por no aportar nada
nuevo a la forma de la regin factible, ya que hay otras que resultan ser ms
restrictivas (esto suele ocurrir en problemas extensos, donde resulta difcil
reconocer restricciones redundantes).
Soluciones Mltiples: Un problema de Programacin Lineal puede tener ms de
una solucin ptima (e incluso infinita). En el caso grfico de dos variables, si dos
vrtices consecutivos de la regin factible son solucin ptima del problema,
entonces todos los puntos del segmento comprendido entre ellos tambin sern
ptimos.

Mtodo SIMPLEX

El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin
lineal en los que intervienen tres o ms variables. La base del mtodo es el lgebra
matricial y el proceso de eliminacin de Gauss-Jordan.
Un programa lineal es un sistema de ecuaciones o de inecuaciones llamadas
restricciones que son lineales (es decir, que las variables no estn elevadas a una
potencia superior a uno y no estn multiplicadas entre ellas). Es a partir de estas
restricciones que debemos optimizar una funcin lineal llamada funcin objetivo.

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Formulacin del problema.

Este mtodo, debido a George B. Dantzing, es un procedimiento iterativo que permite


realizar una exploracin dirigida del conjunto de puntos extremos de la regin factible. El
proceso concluye cuando no es posible seguir mejorando ms dicha solucin.
El mtodo Simplex, tiene como punto de partida el origen siendo este la solucin inicial
del sistema. De esta manera, el valor de la funcin objetivo es de cero al inicio. El mtodo
consiste en buscar sucesivamente otro punto extremo que mejore al anterior. La
bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro,
si el nmero de variables es mayor). Cmo el nmero de puntos extremos es finito,
siempre se podr encontrar la solucin.
El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma
su valor mximo en el punto extremo A, entonces hay una arista que parte de A, a lo largo
de la cual aumenta.
Forma cannica y forma estndar

Cualquier programa lineal se puede representar 2 dos formas equivalentes llamadas


forma estndar y cannica. La forma cannica es de utilidad principalmente para explorar
el programa dual, es la forma inicial de representacin de nuestro problema. En forma
matricial,
Maximizar
( o Minimizar)
sujeto a:


=
0

Donde , son vectores columna con


componentes, es un vector columna de
componentes y es una matriz de

Un programa lineal esta en forma cannica, si las


variables son no negativas y las restricciones son
para la maximizacin para la minimizacin.

Sin embargo, el mtodo Simplex esta diseado para ser utilizado nicamente con
problemas en la forma estndar. Es decir,
a) Todas las restricciones son igualdades.
b) Todas las variables son no negativas
c) Los componentes del vector de las restricciones son todos positivos.

Para transformar un programa lineal en forma cannica a la forma estndar, las


inecuaciones deben ser transformadas a ecuaciones mediante la incorporacin de las
siguientes variables.

10

Ral Urbn Ruiz

Si la desigualdad es del tipo, agregamos una variable de holgura positiva del lado
izquierdo de la inecuacin. Para igualar el lado izquierdo con el derecho.

Se agrega una variable con


signo positivo , donde ,
representa el nmero de
restriccin.

+
0

En el caso de que la inecuacin tenga signo se agrega una variable de holgura


negativa del lado izquierdo de la restriccin.

Notas de clase. Mtodo Simplex.

Se agrega una variable con


signo positivo , donde ,
representa el nmero de
restriccin.

Asimismo, las igualdades pueden ser transformadas en dos desigualdades.


=

El mtodo Simplex se basa en dos teoremas fundamentales


Si un programa lineal tiene una solucin factible, entonces existe al menos una
solucin bsica.
Si el programa lineal tiene una solucin ptima, entonces existe al menos una
solucin bsica que es ptima.
La solucin ptima es una solucin bsica, el mtodo Simplex consiste en:
1. Determinar una solucin bsica. Es decir, que variables deben entrar a la base.
2. Probar si esta solucin de las variables que estn en la base es, o no, una solucin
ptima

a. Si la solucin es ptima el problema se termina


b. En caso contrario pasamos al siguiente punto.
3. Cambiar la solucin de la base y retomar el proceso a partir del punto 1 hasta
encontrar la solucin ptima. Cada cambio de base es una iteracin diferente del
mtodo
En muchos problemas prcticos, las restricciones pueden ser una combinacin de los tipos
anteriores por lo que es necesario explicar la metodologa del Simplex con la ayuda de
algunos ejemplos.

11

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Ejemplos de Maximizacin. Sea el programa lineal siguiente:


Maximizar = 3 + 4
sujeto a:

2 + 3
2 +
+ 3

180

0 ,

120
150
0

Los pasos a seguir para resolver un programa lineal por el mtodo Simplex son los
siguientes;
1. Pasar el programa lineal a la forma estndar. Se trata de convertir las desigualdades en
igualdades. Para cada restriccin, se incluye una variable de holgura, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + 3y + S1
2x + y +
x + 3y +

= 180
S2
= 120
S3 = 150

, , 1 , 2 , 3 0

2. Igualar la funcin objetivo a cero, e incluimos las variables de holgura anteriores


3 4 01 02 03 + = 0

3. Escribir la tabla inicial simplex. El proceso de clculo iterativo del algoritmo del simplex
es ms ordenado si el modelo lineal se rescribe en una arreglo de datos que llamaremos
Tabla del Simplex. En esta tabla se muestran con mucha claridad y en forma estructurada
las variables y coeficientes del modelo. Adems, cada tabla muestra una solucin para un
punto extremo del modelo lineal. En las columnas aparecern todas las variables del
problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada
restriccin y la ltima fila con los coeficientes de la funcin objetivo:
Tabla inicial del simplex
Variables
Base

Variable de decisin Variable de holgura

Valor

S1

S2

S3

S1

180

S2

120

S3

150

-3

-4

12

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

4. Elegir la variable bsica y la variable de holgura que sale de la base, eleccin del pivote.
Para escoger la variable de decisin que entra en la base, realizamos los siguientes pasos,
a) Escogemos la variable con el coeficiente negativo mayor (en valor absoluto) de la
funcin objetivo, ltima lnea del arreglo del simplex. En nuestro ejemplo, la
columna de la variable y que tiene el coeficiente 4, segunda columna.
i.
ii.

Si existiesen dos o ms coeficientes iguales que cumplan la condicin


anterior, entonces se elige uno cualquiera de ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa que se
ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final
del proceso de aplicacin del mtodo del simplex, es que en la ltima fila
no haya elementos negativos.

La columna de la variable que entra en la base se llama columna pivote


b) Para encontrar la variable de holgura que tiene que salir de la base, se divide cada
trmino de la columna resultado por el coeficiente correspondiente de la columna
pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
180
120
150
= 60, 1 = 120 3 = 50. El menor cociente positivo, indicar la fila de la
3
variable de holgura que sale de la base. En nuestro caso es S3, ya que es el menor
cociente, 50. Esta fila se llama fila pivote, y el valor 3 es entonces el pivote.
i.

ii.

Si algn valor, de la ltima columna, es menor o igual que cero no se


considera. En el caso de que todos los elementos fuesen menores o iguales
a cero, entonces tendramos una solucin no acotada y el proceso de
clculo se detiene.
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de
las variables correspondientes puede salir de la base.

c) En la interseccin de la fila pivote y columna pivote tenemos el pivote, para


nuestro ejercicio esta en el rengln 3 y columna 2; el valor del pivote es 3.
5. Encontrar los coeficientes de la nueva tabla. En primer lugar cambiamos la variable de la
base del rengln pivote por la variable de decisin que corresponda a la columna pivote.
En nuestro ejercicio, sale la variable S3 y entra a la base la variable de decisin y.
Los nuevos coeficientes del rengln y se obtienen dividiendo todos los coeficientes de la
fila pivote S3 por el pivote, 3, que es el que hay que convertir en 1. Por reduccin
gaussiana el resto de coeficientes de la columna son cero, incluso los de la funcin
objetivo.

13

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

1. Iteracin del simplex


Variables
Base

Variable de decisin
X

S1

S2

y
Z

Variable de holgura
S1

S2

S3

13

13

Valor

50

El siguiente paso es completar la nueva tabla. Para el recalculo vamos a utilizar la tabla
anterior. Los valores de las celdas vacas se obtienen de la siguiente forma:
Si es el coeficiente del rengln y la columna .
=

Donde es la posicin del pivote; es decir, el rengln pivote r y la columna pivote k.

En nuestro ejemplo, para calcular el coeficiente 11 , primer rengln de la primera


columna. El pivote est en = 32 = 3.
11 = 11

12
3
31 = 2 (1) = 1
32
3

1. Iteracin del simplex

Variables
Base

Variable de decisin
X

S1

11 = 11

S2

21 = 21

Y
Z

41 = 41

12
3
= 2 (1) =
32 31
3

22
1

31 = 2 (1) =
32
3

13

42
4

(1) =
31 = 3
32
3

Variable de holgura
Y

S1

S2

S3

13

Valor

0
0
1
0

50

El resto de los coeficientes se recalculan de la misma manera.

14

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

2. Iteracin del simplex


Variables
Base

Variable de
decisin

Variable de holgura

Valor

S1

S2

S3

S1

-1

30

S2

53

70

1/3
1/3

50

53

4/3

200

13

30

1 = 30
70

53 = 42
50

13 = 150

Como en la fila Z, an tenemos coeficientes negativos, 53, significa que no hemos


llegado todava a la solucin ptima. Hay que repetir el proceso:
a) La variable que entra en la base es x, por ser la variable que corresponde al
coeficiente 53
b) Para calcular la variable que sale, dividimos los trminos de la ltima columna
entre los trminos correspondientes de la nueva columna pivote y como el menor
cociente positivo es 30, la variable de holgura que sale de la base es S1.
c) El elemento pivote, ya tiene el valor de 1.
Operando de forma anloga a la anterior obtenemos la nueva tabla:
3. Iteracin del simplex
Variables Variable de
Base
decisin

Variable de holgura

Valor

S1

S2

S3

-1

S2

53

43

53

13

23

13

30

30 1 = 30
20

20 43 = 15
40

40 23 = 60
250

Nuevamente tenemos un valor negativo, en la fila de Z, por lo tanto continuamos el


proceso de bsqueda de solucin ptima.
a) La variable que entra en la base es S3, por ser la variable que corresponde al
coeficiente 13
15

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

b) Dividimos los coeficientes de la ltima columna entre los trminos


correspondientes de la nueva columna pivote y como el menor cociente positivo
es 15, tenemos que la variable de holgura que sale es S2.
c) El elemento pivote, que ahora hay que hacer 1, es 13.

Obtenemos la tabla:

Solucin ptima
Variables
Variable de decisin
Base

Variable de holgura

Valores solucin

S1

S2

S3

45

15

34

S2

14

30

14

255

54
12
54

34

12

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a
la solucin ptima.
La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en
nuestro caso: 255. En la misma columna se puede observar el vrtice donde se alcanza,
observando las filas correspondientes a las variables de decisin que han entrado en la
base: = , =
Interpretacin geomtrica del mtodo simplex.

El proceso iterativo del simplex nos ha llevado a construir diferentes tablas de datos. En
cada una de ellas calculamos el valor de la funcin objetivo en los distintos vrtices,
puntos extremos, en cada caso se realiz un procedimiento de prueba para saber si se
encontr el ptimo.
El proceso iterativo del Simplex
inicia en el punto (0,0) con un
valor de la funcin objetivo = 0.

Posteriormente, el simplex nos


lleva a probar el punto (0,50). En
esta iteracin la funcin objetivo
se recalcula al valor de = 200.

16

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

El tercer paso, nos lleva al punto (30,40), los datos se pueden verificar en la tabla que
corresponde a la esta tercera iteracin. El valor de la funcin objetivo nuevamente se
calcula y nos entrega el valor de = 250.

El proceso iterativo termina al llegar al punto C(45,30) que es el punto ptimo. El valor
que corresponde a la funcin objetivo es el mximo Z=255.
An tendramos un ltimo punto en D(60,0). Su valor no supera el encontrado en el punto
anterior.
En el ejercicio anterior el Mtodo Simplex hace uso de la propiedad de que la solucin
ptima de un problema de Programacin Lineal se encuentra en un punto extremo del
dominio de puntos factible, por lo cual, la bsqueda secuencial del algoritmo se basa en la
evaluacin progresiva de estos vrtices hasta encontrar el ptimo. Cabe destacar que para
aplicar el Mtodo Simplex a un modelo lineal, este debe estar en un formato especial
conocido como forma cannica.
Entonces un programa lineal esta en forma cannica si todas sus restricciones son del tipo
menor o igual, como en el siguiente ejemplo.
Maximizar = 1 1 + 2 2 + 3 3
sujeto a: 11 1 + 12 2 + 13 3 1
21 1 + 22 2 + 23 3 2
31 1 + 32 2 + 33 3 3
1 , 2 , 3 0

Sin embargo no todos los problemas se presentan de esta forma, como el caso de la
minimizacin o ms an cuando tenemos restricciones diferentes, como de igualdad o de
mayor o igual. En estos casos tendremos que utilizar una transformacin mediante la
incorporacin de variables artificiales.

Variables artificiales.

No siempre es posible en la tabla del Simplex disponer de un conjunto de vectores que,


convenientemente ordenados, formen la matriz identidad. Una transformacin adecuada
es mediante la incorporacin de nuevas variables al problema que se conocen como
variables artificiales. En primer lugar pasamos nuestro programa lineal a su forma
cannica, introduciendo de ser necesario variables de holgura; despus, incluimos las
variables artificiales a las restricciones necesarias para poder obtener una matriz bsica
igual a la identidad. Lgicamente para que estas variables introducidas no afecten a la
solucin del problema, lo deseable es que dejen de ser bsicas rpidamente y de esta
manera se anulen. La forma de conseguirlo es aadindolas a la funcin objetivo con un

17

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

coeficiente muy alto positivo, que lo representamos con la variable M. De esta manera,
para minimizar la funcin objetivo deben anularse estas variables, con lo que en alguna de
las iteraciones del mtodo Simplex las variables artificiales dejan de ser bsicas y a partir
de ese momento puede prescindirse de ellas.
El siguiente ejemplo ilustra la forma de utilizar las variables artificiales para obtener una
solucin ptima
Encontrar la solucin ptima para el siguiente programa lineal.
Maximizar
sujeto a:

= 31 + 22 + 3
1 + 22 + 33 6
21 2 + 3 5
1 + 22 + 23 2
1 , 2 , 3 0

De acuerdo a las condiciones para resolver un programa lineal se requiere que,


a) No negatividad. Las variables de nuestro modelo tomarn siempre valores positivos
b) Todas las restricciones deben formularse como ecuaciones.
c) La parte derecha de una restriccin no puede ser negativa
De esta manera, necesitamos pasar de un programa en forma cannica a un sistema de
ecuaciones ordinarias. As,
i.
ii.
iii.

Como en el ejercicio anterior, para restricciones del tipo se aade una variable de
holgura, en la restriccin.
Por cada restriccin del tipo , se resta una variable de holgura negativa
A las restricciones de = y , se les aade una variable artificial.

Para nuestro ejemplo, las restricciones se modifican


1 + 22 + 33 + 1 = 6

21 2 + 3 2 + 2 = 5

1 + 22 + 23 3 + 3 = 2

1 , 2 , 3 , 1 , 2 , 3 , 1 , 2 0

En primer lugar introducimos


variables de holgura positivas, para
las restricciones (1 ) y negativas
para las restricciones (2 3 ).
Finalmente incorporamos variables
artificiales para compensar estas
variables negativas (2 3 .

Finalmente, tendremos que incluir las variables artificiales en la funcin de beneficio, para
esto utilizaremos el mtodo de la M grande. El mtodo de la M grande permite la
eliminacin de las variables negativas, hasta donde sea posible. El mtodo utiliza la letra

18

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

M para representar un nmero muy grande, requiere de un valor de M suficientemente


grande para que todas las variables artificiales salgan de la base.
Si la funcin es de maximizar la funcin objetivo original se transforma as:
Maximizar = 31 + 22 + 3 + 01 + 02 + 03 2 3

La transformacin de la funcin que se incluir en la tabla requiere que se despejen las


variables artificiales de las restricciones y sustituir y agrupar trminos en la funcin
objetivo.
2 = 5 21 + 2 3 + 2

3 = 2 1 22 23 + 3

Sustituimos en la funcin objetivo y tendremos,

= 31 + 22 + 3 (5 21 + 2 3 + 2 ) (2 1 22 23 + 3 )
Agrupando trminos nos queda la transformacin.

= (3 + 3)1 + (2 + )2 + (1 + 3)3 2 3 7

La tabla inicial del simplex queda entonces,


Base
1
2
3
Z

1
1
2
1
-3-3M

2
2
-1
2
-2-M

3
3
1
2
-1-3M

1
1
0
0
0

2
0
1
0
0

3
0
0
1
0

2
0
-1
0
M

3
0
0
-1
M

Valores
6
5
2
-7M

La columna pivote, es la primera columna, el coeficiente mas negativo de Z y para


5
encontrar el rengln pivote obtenemos los cocientes, 6, 2 , 2; corresponde a el tercer
rengln; por lo tanto el pivote es el elemento 1,3 = 1. La variable de decisin 1 , entra a
la base
Base
1
2
1
Z

1
0
0
1
0

2
0
-5
2
4+5M

3
1
-3
2
5+3M

1
1
0
0
0

2
0
1
0
0

3
-1
-2
1
3+3M

2
0
-1
0
M

3
1
2
-1
-3-2M

Valores
4
1
2
6-M

Entra a la base la variable 3 , que es la columna pivote, y el rengln pivote de acuerdo a


los cocientes, 4, 12; por lo tanto, sale de la base la variable artificial 2 , que corresponde
19

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

al segundo rengln. El pivote es el elemento 2,6 = 2. En este caso entra a la base una
variable de holgura.
Base
1
3
1
Z

1
0
0
1
0

3
52

52

52
12

32
12

1
2

1
1

2
12
12
12

0
0
0

3
2

3
0

2
1
2

1 2
12

-1
0
M

3
0
1
0
0

Valores
72
12
52
15
2

Ahora el pivote es el elemento 1,2 = 2.5. La variable de decisin 2 entra a la base.


Base
2
3
1
Z

1
0
0
1
0

2
1
0
0
0

3
1
1
1
4

1
25
1
15
7
5

2
15
0
25

4
5

3
0
-1
0
M

2
15
0
25

Valores
75
4
165

3
0
1
0
0

4
5

62
5

Ahora el pivote es el elemento 1,4 = 0.2. Deja la base la variable de decisin 2 y entra
la variable de holgura 2 .
Base
2
3
1
Z

1
0
0
1
0

2
5
0
2
4

3
5
1
3
8

1
2
1
1
3

2
-1
0
0
M

3
0
-1
0
M

2
1
0
0
0

3
0
1
0
0

Valores
7
4
6
18

Finalmente el algoritmo del Simplex se detiene, no tenemos coeficientes negativos en la


funcin objetivo el mximo beneficio y la solucin es 1 = 6; 2 = 0; 3 = 0, para
= 18

Una consideracin final sobre las variables artificiales. Si en la tabla final del simplex; en la
base, tenemos al menos una variable artificial no negativa, el problema no tiene solucin.
No existe un rea de soluciones factible.
Caso Minimizacin

En un problema de minimizacin, a diferencia de la maximizacin, para que una variable


entre a la base, se elige la variable cuyo valor, en la funcin objetivo, es la que tiene el
coeficiente positivo ms grande, la consideracin del rengln pivote no cambia. Tenemos
una solucin ptima cuando todos los coeficientes del rengln Z son todos menores o
iguales a cero.

20

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Ejemplo. Sea el siguiente programa lineal;


Minimizar = 31 + 42 + 53
sujeto a:
1 + 22 + 33 5
21 + 2 + 23 6
1 , 2 , 3 0

Las restricciones del tipo nos obliga a trasformar el problema para utilizar variables
artificiales. De esta forma el programa lineal trasformado ser el siguiente:
Minimizar
sujeto a:

= 31 + 42 + 53

1 + 22 + 33 1 + 1 = 5

21 + 2 + 23 2 + 2 = 6
Minimizar
sujeto a:

1 , 2 , 3 , 1 , 2 , 1 , 2 0

= 31 + 42 + 53 + 1 + 2
1 + 22 + 33 1 + 1 = 5

21 + 2 + 23 2 + 2 = 6
1 , 2 , 3 , 1 , 2 , 1 , 2 0

agrupan trminos en la funcin objetivo.


1 = 5 1 22 33 + 1

Sustituir en la funcin objetivo

Ajustamos el modelo, con la


incorporacin de variables de
holgura negativa y para compensar
variables artificiales.

Se incluyen con signo positivo la


constante M en la funcin objetivo.

Se despejan las variables artificiales


de las restricciones y se sustituyen y

2 = 6 21 2 23 + 2

= 31 + 42 + 53 + (5 1 22 33 + 1 ) + (6 21 2 23 + 2 )
Agrupando trminos y finalmente

= (3 3)1 + (4 3)2 + (5 5)3 + 1 + 2 + 11

El arreglo Simplex ser el siguiente:


Base
1
2
Z

1
1
2
-3+3M

2
2
1
-4+3M

3
3
2
-5+5M

1
-1
0
-M

2
0
-1
-M

1
1
0
0

2
0
1
0

Valores
5
6
11M

21

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Para elegir la columna pivote, seleccionamos el coeficiente de ms grande. Partiendo de


que M tiene un valor positivo suficientemente grande, entonces la columna de 2 es la
que entra a la base. Por otro lado, para elegir la variable que sale de la base, dividimos la
columna de valores por su correspondiente coeficiente de la columna pivote. En nuestro
5
6
caso tenemos los valores de: 3 = 1.66 2 = 3. Por lo tanto el pivote ser el primer
elemento de la columna base, 3. As, entra a la base la variable 3 y sale la variable
artificial 1 . El nuevo arreglo del simplex, de acuerdo al procedimiento de clculo
anteriormente expuesto, es el siguiente:
Base
3
2
Z

1
1
3
4/3

4
4
+
3
3

2
2/3

-1/3
2

3
3

1, Iteracin del simplex


3
1
2
-1/3
0
1

1
13

2/3

-1

-2/3

5 2
+
3
3

-M

5 5

3 3

2
0

Valores
5/3

25 8
+
3 3

8/3

Para la eleccin del nuevo pivote repetimos el procedimiento, el ms positivo del


coeficiente de Z. La variable 1 es candidata a entrar a la base y sale la variable artificial
2 . Finalmente tendremos un nuevo arreglo.
Base
3
1
Z

1
0
1
0

-1/4
-1

3
1
0
0

2, Iteracin del simplex


1
2
1
-1/2
1/4

1/2
-3/4
-1/2
-1
-1
1-M

2
1/4
3/4
1-M

Valores
1
2
11

Hemos encontrado el ptimo, todos los coeficientes del rengln Z son negativos. Los
valores para este punto ptimo son = 11 y 1 = 2, 2 = 0 3 = 1.

Un ltimo ejercicio nos muestra cmo utilizar variables artificiales, cuando tenemos
restricciones de diferentes tipos. El procedimiento es similar ya sea se trata de un
programa de maximizacin o de minimizacin.
Ejemplo. Una empresa que fabrica alimento para aves, produce y empaca dos tipos de
comida para patos y pollos, en empaques de 20 kilos. El costo semanal de fabricar un saco
de comida para pollos es de $5 pesos y de $7 para patos. La empresa va a comercializar un
alimento mixto que sirva para los dos tipos de aves. Al alimento para pollos se le aade un
mximo de 200 unidades de vitaminas mientras que la comida para patos deber tener un
mnimo de 100 unidades. El total de unidades de vitaminas para la mezcla deber ser
exactamente 800 unidades.
La formulacin del programa es el siguiente.

22

Ral Urbn Ruiz

= 51 + 72
. . 1 200
2 100
1 + 2 = 800
1 , 2 0

Notas de clase. Mtodo Simplex.

(Vitaminas para pollos)


(Vitaminas para patos)
(Total de vitaminas)

Donde
1 = Vitaminas para pollos.
2 = Vitaminas para patos.

Al igual que en el caso de maximizacin, se comienza aumentando las restricciones y luego


la funcin objetivo. La primera restriccin, 1 200 tiene un signo por lo tanto se le
asigna una variable de holgura positiva.
La segunda restriccin, 2 100 tiene un signo mayor e igual. Para igualar la restriccin
habr que restar una variable de holgura. Esta variable se conoce como una variable de
holgura negativa o de excedente o superflua.
2 2 = 100

Como el mtodo simplex comienza en el origen, esto significa desafortunadamente que en


el punto inicial (0,0) el valor de la variable 2 ser de -100.

No es permitido un valor negativo para la variable de holgura. Este valor negativo


representa la falta de recurso. No se puede asignar una cantidad negativa de vitaminas.
Para remediar esta situacin se le asignar una variable artificial a la restriccin al lado
izquierdo en adicin a la variable de holgura negativa. La variable artificial absorber la
negatividad de la variable de holgura.
2 2 + 2 = 100

La variable artificial posee un subndice de 2 porque pertenece a la segunda restriccin. Su


interpretacin, es de una variable de holgura negativa que demuestra por cuntas
unidades la solucin final violenta la segunda restriccin. Cuando se encuentra una
solucin que no violente la restriccin, w2 ser cero y se quedar con ese valor. Su nico
propsito es el proveer una solucin inicial con valores no negativos.
La tercera restriccin, 1 + 2 = 800 (total de unidades de vitaminas), se le aadir una
variable artificial para no violentar la restriccin. A menos que la restriccin pase por el
origen, de lo contrario existir una diferencia entre el origen y la igualad de la restriccin.
La variable artificial absorber esta diferencia.
1 + 2 = 800

Siempre que se incorpore una variable de holgura o artificial a una restriccin, habr que
agregarlas en las dems restricciones y en la funcin objetivo. En una solucin ptima, las

23

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

variables artificiales no pueden ser variables bsicas. La razn para que estas se excluyan
en la solucin ptima es que estas absorben la negatividad de la variable de holgura.
Tambin representan por cuantas unidades no se ha cumplido con la restriccin. Para
eliminar estas variables artificiales se le asigna un costo extremadamente alto para los
casos de minimizacin y una reduccin grande en las ganancias para los casos de
maximizacin. En problemas de minimizacin las variables con costos bajos son deseables
y son las primeras en entrar a la solucin y las variables con costos altos sern
rpidamente eliminadas.
Para lograr esto utilizaremos el mtodo de la M grande. El mtodo utiliza la letra M en vez
de unidades monetarias para representar un nmero muy grande. Le asigna un
coeficiente de M, costo muy alto en casos de minimizacin y -M, reduccin de ganancias
para maximizacin. Las variables de holgura negativa tienen un costo de cero.
Acomodamos las restricciones y la funcin objetivo con sus nuevas variables de holgura y
artificiales.
= 51 + 72 + 01 + 02
. .

Funcin de costos

+ 1

= 200
2
2 = 100
= 800
1 + 2
1 , 2 , 1 , 2 0

Al incorporar las variables artificiales el programa lineal queda:


= 51 + 72 + 01 + 02 + 2 + 3
. .

Funcin de costos

+ 1
= 200
2 + 2
= 100
2
1 + 2
+ 3 = 800
1 , 2 , 1 , 2 , 1 , 2 0

Despejamos las variables artificiales.


2 = 100 2 + 2

3 = 800 1 2

Sustituimos en la funcin objetivo y tendremos,


= 51 + 72 + (100 2 + 2 ) + (800 1 2 ) )
Agrupando trminos nos queda la transformacin.
= (5 )1 + (7 2)2 + 2 + 900
24

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

El arreglo Simplex ser el siguiente:


Base
1
2
3
Z

1
1
0

2
0
1

1
1
0

2
0
-1

2
0
1

3
0
0

Valores
200
100

800

-5+M

-7+2M

-M

900M

Las variables bsicas son 1 , 2 3 , mientras que 1 , 2 2 son variables no bsicas,


porque tienen cambios positivos y sus valores son cero. El valor de la variable bsica 1 es
de 200 lo que indica la existencia de 200 unidades de vitaminas para pollos. Las variables
artificiales significan que no se ha cumplido con la restriccin. El valor de 2 = 100,
indique que se agreguen por lo menos 100 unidades a la restriccin de alimento para
patos y su incumplimiento se debe a que la solucin inicial est en el punto (0,0). Lo
mismo sucede con la variable 3 .

La variable que entra a la base es 2 , es la ms positiva de . La eleccin de la variable que


sale de la base es 2 , la que tiene el menor cociente. El nuevo arreglo del simplex, es el
siguiente:
Base
1
2
3
Z

1
1
0

2
0
1

1
1
0

2
0
-1

2
0
1

3
0
0

Valores
200
100

-1

700

-5+M

-7+M

7-2M

700+700M

El anlisis del cuadro anterior nos indica que el costo para la mezcla es de 700 + 700,
que es alto. El punto extremo (0,100) indica una combinacin de 0 unidades de
vitaminas para pollos y 100 para patos. La variable de holgura 1 =200. Esto indica una
disponibilidad de 200 unidades. En el caso de la variable bsica 3 , el valor de 700, al
sustituir en la restriccin aumentada incumple la condicin ya que 1 + 2 + 700 = 800
Base
1
2
3
Z

1
1
0

2
0
1

1
1
0

2
0
-1

2
0
1

3
0
0

Valores
200
100

-1

-1

500

5-M

-7+M

7-2M

1700+500M

En esta tercera iteracin del simplex, las variables bsicas son 1 con valor de 200, 2 que
vale 100 y 3 con 500. El costo para esta solucin sigue siendo muy alto, $1700 + $500M,
25

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

esto se debe a que la variable artificial 3 est en la base. No se detiene el proceso


iterativo hasta que en el rengln de Z todos los coeficientes sean negativos.
De esta manera, la variable que entra a la base es 2 ya que es la nica con un coeficiente
positivo, 7 + , y el nico cociente que est definido es el de 3 . As el nuevo programa
lineal es,
Base
1
2
2
Z

1
1
0

2
0
1

1
1
-1

2
0
0

2
0
0

3
0
1

Valores
200
600

-1

-1

500

-2

-M

7-M

5200

Los valores de los , de 0 y negativos indican que la solucin es ptima. Las variables
bsicas son: 1 con un valor de 200 unidades, 2 con 600 y 2 con 500 unidades. La
variable 1 al igual que las artificiales, son variables no bsicas. Se puede apreciar en el
arreglo anterior, que la matriz identidad pas al lado izquierdo de la tabla.
El costo para la solucin final es de = $5,200. De esta manera se utilizarn 200
unidades de vitaminas para pollos y 600 para patos a un costo semanal de $5,200. La
variable 2 = 500 representa un exceso de 500 unidades de las vitaminas para patos sobre
el mnimo necesario de 100 unidades.

Mtodo Dual

El concepto de dualidad fue desarrollado por Von Neumann en 1947. Tiene una
interpretacin econmica muy importante en tanto que nos introduce al concepto de
precios sombra. Tambin llamados precios de referencia. Los precios sombra vienen
dados por los valores de las variables en el ptimo del programa dual de un problema de
programacin lineal. Son precios de equilibrio que responden al aprovechamiento ms
eficiente de los recursos productivos; una especie de precios naturales o precios justos;
los precios que deberan regir en el mercado si el modelo de competencia funcionara
correctamente. Vamos a explicar este procedimiento mediante un ejercicio.
Una sociedad agrcola produce 2 cultivos, frijol y maz, representados por las variables
1 2 . Estos cultivos tienen un precio de venta de $4 y $8 pesos por kilo. En la
produccin utilizan entre otros 2 insumos; fertilizante y semilla. Las cantidades de cada
insumo necesarias para obtener un kilo de cada cultivo son las siguientes:

26

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Entradas

Fertilizante
Semilla

1
1

1
4

Cantidad
disponible
10
20

a) Encontrar el plan de produccin que maximiza la utilidad


b) Se desea asegurar los cultivos contra una prdida eventual, helada, baja en
produccin, etc. Por lo tanto, se desea encontrar el pago de prima de seguro
mnimo para cada cultivo, conservando la utilidad y nivel de produccin.
c) Una interpretacin econmica de b)
Regresando a nuestro ejercicio, el programa lineal es;
Maximizar
sujeto a:

Para dibujar las restricciones,

1 , 2 0

= 41 + 82
1 + 2 10
1 + 42 20

2 = 10 1 ;
si 1 = 0, 2 = 10
1 = 10, 2 = 0
2 = 5 141 ;
si 1 = 0, 2 = 5
1 = 20, 2 = 0

Si sustituimos los puntos extremos en Z.

(0,0) = 0; (10,0) = 40;


(0, 5) = 40

El beneficio ptimo ocurre cuando


20 10

3 , 3 = 53.33

Para encontrar las primas de seguro ms bajas, para cubrir completamente las prdidas;
es decir, remplazar el ingreso por ventas en caso de siniestro.
Hagamos 1 y 2 las primas de seguro para el fertilizante y la semilla de manera que la
prima total para cada insumo es 1 1 y 2 2 respectivamente. Adems, la prima
asegurada no puede ser negativa.
1 , 2 0

27

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Si el costo del aseguramiento es la suma de las primas por la fertilizacin y la semilla,


= 1 1 + 2 2

No importa cuales sean los valores individuales de los diferentes insumos es evidente que
el aseguro combinado de todos los insumos necesarios para producir una unidad del
primer cultivo deben ser iguales a 1; esta condicin se puede representar as,
11 1 + 12 2 1
21 1 + 22 2 2

Por lo tanto, para obtener la prima de seguro ms adecuada, es necesario asegurar que la
prima total de todos los insumos requeridos para producir un kg de cada cultivo sea igual
a los kg de cultivo vendidos.
De acuerdo a lo anterior, para nuestro ejemplo, obtenemos el programa lineal siguiente:
= 101 + 202
1 + 2 4
1 + 42 8
1 , 2 0

Utilizamos el mtodo grfico para encontrar su solucin.

1 + 2 = 4 ;
1 + 42 = 8 ;

si 1 = 0, 2 = 4 1 = 4, 2 = 0
si 1 = 0, 2 = 2 1 = 8, 2 = 0

Los valores de para los


puntos extremos son los
siguientes;

(8,0) = 80;
8 4

3 , 3 = 53.33;
(0, 4) = 80

El beneficio ptimo, costo de


la prima menor, ocurre cuando
8 4

3 , 3 = 53.33

A fin de darle sentido econmico a las variables duales, aumentamos el recurso 2 en una
unidad. El programa lineal primal, maximizacin, se modifica en la restriccin 2.
= 41 + 82
28

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

1 + 2 10
1 + 42 21
1 , 2 0

Resolvemos las restricciones como un sistema de ecuaciones.


1 + 2 = 10 (-1)
1 + 42 = 21
_____________________
11
32 = 11 2 = 3 ;

1 = 10

La variacin en el beneficio es
19

11

= 43 + 83 =

76
3

88
3

164
3

Como puede verificarse, la cantidad


programa dual.

=
4
3

160
3

11
3

19
3

+3

representa el valor de 2 en la solucin ptima del

Es evidente que el sentido econmico de las variables duales vara en funcin del sentido
econmico del vector , que es el beneficio asociado a una unidad de produccin del
producto. As, si expresa los beneficios unitarios, entonces representa los beneficios
marginales imputables al aumento de la cantidad disponible de un recurso.
Mtodo Simplex-Dual
Como hemos visto antes, un programa lineal se puede presentar de dos formas
diferentes: en la forma cannica y en la estndar.
Forma cannica:

Forma dual:

Maximizar =
Sujeto a:

0

Minimizar =
Sujeto a:

0

Estos dos programas lineales se denominan comnmente el primal y el dual. El problema


consiste en encontrar el programa dual a partir del primal, Como se muestra en el
esquema anterior. Se trata de pasar de un problema de maximizacin a uno de
minimizacin, con restricciones del tipo mayor o igual y donde las variables de decisin
son mayores o iguales a cero.

29

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Las variables no son las mismas, pasamos de la variables ` a . Los precios o valores de
estas nuevas variables en la funcin objetivo a minimizar son las constantes de las
restricciones del programa primal. A cada restriccin del primal corresponde una variable
dual. Las nuevas constantes de las restricciones del programa dual corresponden a los
valores de la funcin objetivo del primal. Finalmente se cambia el sentido de las
inecuaciones de las restricciones.
El cuadro siguiente resume la forma de encontrar el programa dual a partir del primal.
Primal

Dual

Variable
Restriccin
Max
Beneficio unitario
Trmino de la derecha
Lnea
Columna
Restriccin

Restriccin
Variable
Min
Trmino de la derecha
Costo unitario
Columna
Lnea
Restriccin

Ejemplo: Sea el programa lineal siguiente, considerado como el primal.


= 41 + 32 + 53
. 21 + 42 + 3 8
1 53 4
1 , 2 , 3 0

El programa dual que corresponde es el siguiente,

= 81 + 42
. 21 + 2 4
41 3
1 52 5
1 , 2 , 3 0

Si representamos es primal en forma matricial, el dual correspondera a la transpuesta de


esta matriz,
2 4
1 0
4 3

1 8
5 4
5 0

y su transpuesta

2
4

1
8

1
0
5
4

4
3

5
0

Que corresponde
al programa dual
anterior

El mtodo simplex-dual es til para resolver problemas en los que la forma estndar es
compleja, restricciones negativas o la aplicacin del mtodo simplex no es inmediata. Es
decir, si en un problema lineal, despus de igualar a cero la funcin objetivo y pasar a su

30

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

forma estndar, utilizando las variables de holgura, al menos una restriccin, cualquiera
de las constantes del vector de disponibilidades es negativa y se asegura que se tiene
solucin ptima.
Si tenemos el problema de programacin lineal siguiente,
= 1 + 42
. 31 2 12
1 32 6
1 , 2 0

Si hacemos 1 = 0, el valor de 2 puede crecer sin limite y las restricciones se satisfacen,


entonces tenemos una solucin ptima infinita. Su programa dual es,
= 121 + 62
. 31 + 2 1
1 32 4
1 , 2 0

En el caso del dual, la segunda inecuacin no satisface el criterio de no negatividad, ni el


primal ni el dual tienen soluciones realizables.
Teorema. Si en un programa lineal, primal o dual, tiene ptimo finito, tambin lo tiene el
otro y los valores ptimos de la funcin objetivo son iguales; es decir la solucin en uno de
los programas es la misma en el otro. Si un problema no tiene una solucin limitada,
entonces el otro no tiene solucin factible.
De lo anterior nos lleva a los siguientes teoremas
a) Si uno de los dos problemas tiene solucin optima finita, entonces el otro tambin la
tiene.
b) Si el problema primal tiene solucin no acotada, entonces el dual no tiene solucin
ptima factible (el recproco no es cierto).

Algoritmo Simplex-Dual.
Este algoritmo inicia, de la misma manera que el simplex, eligiendo una primera base que
es el origen. La nica diferencia entre ellos es el criterio para elegir las variables que
entran y salen y la regla para detener el algoritmo.
El primer paso es pasar el programa primal al programa dual. Se introducen las variables
de holgura necesarias. Si al menos uno de los valores de la parte derecha es negativo y se

31

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

satisface la condicin de optimalidad, el problema puede resolverse por el algoritmo del


simplex-dual. Se construye la tabla del simplex y para seleccionar las variables que entran
y salen de la base seguimos el siguiente procedimiento,
a) La variable que sale de la base es aquella variable bsica que tiene el valor ms
negativo. Si todas las variables bsicas son positivas, todos los elementos del
vector de las son positivos, el proceso se detiene y se cuanta con una solucin
final ptima. Criterio de factibilidad.
b) La variable que entra a la base se elige entre las variables no bsicas como sigue;
dividir los coeficientes de la funcin objetivo entre los coeficientes
correspondientes de la ecuacin asociada con la variable que sale de la base, se
ignoran los cocientes asociados a denominadores cero y/o positivos. La variable
entrante es la del menor cociente, si el caso es de minimizacin y el de menor valor
absoluto en caso de maximizacin. Si todos los denominadores son ceros o
positivos, no hay solucin factible. Criterio de optimalidad.
Ejemplo: Una organizacin de productores produce tres productos artesanales, collares y
aretes que indicaremos como 1, , 2 . Estos productos tienen un precio de venta de 14 y
12 pesos, respectivamente. Para la elaboracin de estos productos se utilizan los
siguientes ingredientes, madera, hilo y semillas, que indicaremos como 1, , 2 , 3 en
kilogramos. Estas relaciones se representan en la siguiente tabla.
Insumos

1
2
3
1

1
2
3

Disponible

2
3
2
1

20
25
15

a) Encontrar el plan de produccin que maximiza las utilidades, utilizando el

programa dual.

b) Cul es el mximo beneficio? Cunto aumentara este beneficio si se dispusiera de un


kilogramo adicional de semillas?
El programa
siguiente:

Programa dual

de

maximizacin

es

el

= 141 + 122
. 21 + 32 20
31 + 22 25
1 + 2 15
1 , 2 0

= 201 + 252 + 153


. 21 + 32 + 3 14
31 + 22 + 3 12
1 , 2 , 3 0

32

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Primera tabla del Simplex.


Variables
bsicas
1
2

-2
-3
20

-3
-2
25

-1
-1
15

1
1
0
0

2
0
1
0

Valor
-14
-12
0

La columna del lado derecho de las restricciones tiene valores negativos; por lo tanto
aplicamos el algoritmo dual del Simplex. El valor ms negativo es 14; por lo tanto la
variable que sale de la base es 1 . Para encontrar la que sale de la base obtenemos los
cocientes
Mnimo

20
2

25
3

15

, 1 =

Luego la tabla queda;


Variables
bsicas
2
2

25
3

Entra la variable 2 a la base, el pivote se ubica en -2


2

2/3
-5/3
10/3

1
0
0

1/3
-1/3
20/3

-1/3
-2/3
25/3

2
0
1
0

Valor
14/3
-8/3
-350/3

El valor ms negativo es 3; por lo tanto la variable que sale de la base es 2 . Para


encontrar la que sale de la base obtenemos los cocientes
Mnimo

-2

103
203
253
, 13 , 23
53

= 2 Entra la variable 1 a la base, el pivote se ubica en

La nueva tabla queda;


Variables
bsicas
2
1

1
0
1
0

1
0
0

1/5
1/5
6
8

-3/5
2/5
7

2/5
-3/5
2

Valor
18/15
8/5
-122

18

a) La solucin es ptima con 1 = 5 , 2 = 15 y 3 = 0. Estos valores corresponden al


beneficio marginal que se obtendra al aumentar un kilogramo de madera, de hilo
y de semilla respectivamente. El ptimo es 122.
b) Los valores de (1 , 2 ) = (7,2) corresponden a los valores de 1 = 7 2 = 2 del
programa primal. El mximo beneficio es de 122,

33

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

Si sustituimos en la funcin objetivo, del primal tendremos.


= 14(7) + 12(2) = 122

Otro ejercicio
Minimizar
Sujeto a:

Minimizar
Sujeto a:

V. Bsica

X1

X2

S1

S2

Solucin

-2000

-1000

S1

-3

-1

-40

S2

-2

-2

-60

V. Bsica

X1

X2

S1

S2

Solucin

-1000

-500

30000

S1

-2

-1/2

-10

X2

-1/2

30

V. Bsica

X1

X2

S1

S2

Solucin

34

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

-1000

-500

-250

35000

S1

-1

-1/2

1/ 4

S2

-2

1/ 2

-5/4

25

Resumen del mtodo simplex para problemas de maximizacin.

Para solucionar un problema de maximizacin estndar por el mtodo simplex, seguimos


los siguientes pasos:
1. Podemos convertir un problema de minimizacin, se multiplicamos la funcin
objetivo por menos uno. Es decir,
= 3 + 4 8

2. Convierta las desigualdades en igualdades.

= 3 4 + 8

Cada restriccin del tipo <= puede ser llevada a una ecuacin de igualdad
usando una (nueva) variable de holgura no negativa, con coeficiente nulo en la
funcin objetivo.
Cada restriccin del tipo >= puede ser llevada a una ecuacin de igualdad
usando una variable de exceso no negativa, con coeficiente nulo en la funcin
objetivo, para compensar el efecto de la variable de holgura negativa en la
restriccin completamos con una variable artificial.
Las restricciones del tipo =, Se les aade una variable artificial para no
violentar la restriccin. A menos que la restriccin pase por el origen, de lo
contrario existir una diferencia entre el origen y la igualad de la restriccin. La
variable artificial absorber esta diferencia.
En una solucin ptima, las variables artificiales no pueden ser variables bsicas. La
razn para que estas se excluyan en la solucin ptima es que estas absorben la
negatividad de la variable de holgura.
3 4
12
+ 2 + 4
4 2 + 5 = 12

3 4 + 1
= 12
+ 2 2 + 2 = 4
4 2 + 5 + 3 = 12
35

Ral Urbn Ruiz

Notas de clase. Mtodo Simplex.

3. Escriba la tabla inicial simplex.


4. Elegir la columna pivote. Encuentre el nmero negativo mayor (en valor absoluto)
en el ltimo rengln, Z. Su columna es la columna pivote. (Si hay ms que una
candidata, escoja alguna.) Si no hay nmeros negativo en ltimo rengln, solo
existen valores positivos o cero, entonces hemos encontrado el punto ptimo. Es
decir, la solucin bsica que maximiza la funcin objetivo.
5. Escoja el pivote en la columna pivote: El pivote debe ser una entrada positiva. Para
cada entrada positiva b en la columna pivote, calcule la razn a/b, donde a es la
entrada de la ltima columna (valores solucin) del rengln. De estos cocientes,
elegir el valor positivo menor. La entrada correspondiente b es el pivote.
6. Use el pivote para recalcular la tabla del simplex, de acuerdo al mtodo descrito
antes. Sustituya la variable que sale de la base por la nueva variable bsica.



Donde es la posicin del pivote; k es la columna pivote y r el rengln pivote.
7. Repetir pasos 3 al 5 hasta encontrar el ptimo.
=

Referencias Bibliogrficas
Alpha C. Chiang Mtodos Fundamentales de Economa Matemtica. Ed. McGraw-Hill,
1987.USA
Hillier, F.S. y Liebermann, G.J. Introduccin a la Investigacin de Operaciones. Ed.
McGraw-Hill. 2001.
Hammond P.J. y Sydsaeter Knut. Matemticas para el Anlisis Econmico. ED. Prentice
Hall, 1998. Mxico.
Simonnard M. Programation Linaire. Ed Dunond, 1972. Francia.

36