INVESTIGACIÓN OPERATIVA I

Método Simplex
 Objetivos

1. Conocer Solución básica factible

2. Modelo Canónico a Estándar.
3. Conocer las características del
método Simplex.
4. Entender como se aplica y resuelve
un MPL mediante el método simplex.
Existencia de puntos extremos.
Solución Básica Factible.

Definición: Dado el problema de

programación lineal

se dice que una solución factible X es

básica cuando es un punto extremo del
conjunto de soluciones factibles S, es
decir, existe una base (básica) B⊂A
verificando |B|≠0 y B-1b ≥ 0.
Ejemplo: Dado el siguiente MPL.

Y el punto extremo (26/7,4/7,0)

Cada matriz básica (B) tiene asociada una
solución denomina solución básica.

El procedimiento para calcular esta solución

es el siguiente. Sea xB el vector de las
variables asociadas a las columnas de A
necesarias para construir B.

Las variables xB se denominan variables

básicas y el resto se denominan variables no
básicas. Asignando el valor cero a las
variables no básicas
donde N es tal que A = (B N). Por tanto B−1b
nos permite obtener la solución básica
asociada a B. Si B es una matriz básica
factible, su solución básica se dice que es
factible.

El número de soluciones básicas factibles de

un problema de programación lineal acotado
con un número finito de restricciones es
siempre finito, y cada una se corresponde
con un punto extremo de la región de
factibilidad.
Caracterización de los puntos
extremos.
Teorema: Sea S = {X : AX=b, X ≥ 0}, donde A
es una matriz m×n de rango m, y b es un
arreglo de dimensión m. Un punto x es punto
extremo de S si y sólo si A puede
descomponerse en (B,N) tal que

donde B es una matriz de dimensión m×m

invertible que satisface B−1b ≥ 0.
 Si XB es una solución básica y se cumple
que los valores de las variables básicas
son mayores o iguales que cero, decimos
que la solución es básica factible y que
la base B es una base factible.

 Si en una solución factible básica, alguna

de las variables básicas vale cero,
decimos que la solución es factible básica
degenerada.

 Si en una solución básica, alguna de las

variables es negativa, decimos que la
solución es básica no factible.
Formas Canónicas de un MPL

Programa lineal en forma canónica

maximizante. Decimos que un MPL está en forma
canónica maximizante si todas las
restricciones son del tipo ≤ y la FO es de
maximizar.

Max Z=CTX
s.t.
AX≤b
X≥0 condición de no negatividad.
Programa lineal en forma canónica
minimizante. Decimos que un MPL está en forma
canónica minimizante si todas las
restricciones son del tipo ≥ y la FO es de
minimizar.

Min Z=CTX
s.t.
AX≥b
X≥0 condición de no negatividad.
Modelo de Programación Lineal en
forma estándar

Dado que un MPL puede plantearse de diversas

formas, para unificar su análisis, es
conveniente transformarlo en lo que
normalmente se llama forma estándar. A veces,
esta transformación ha de realizarse antes de
resolver el MPL y determinar el optimo. Para
describir un MPL en forma estándar son
necesarios los siguientes elementos:
1. Un vector C∈Rn
2. Un vector no negativo b∈Rm (osea positivos o nulos)
3. Una matriz A m×n
Con estos elementos, el problema lineal
asociado y en forma estándar tiene la
siguiente forma.
Min (Max) Z=CTX
s.t.
AX=b
X≥0 condición de no negatividad.
donde CTX indica producto escalar de los
vectores C y X, AX es el producto de la
matriz A y el vector X, y X≥0 hace que todas
la componentes de los vectores factibles sean
no negativas.
Los problemas de programación lineal se
estudian normalmente en esta forma.
Típicamente, n es mucho mayor que m.

En resumen, un problema de programación

lineal se dice que está en forma estándar si
y sólo si

1. Es de Min (Max).
2. Sólo incluye restricciones de igualdad.
3. El vector b es no negativo.
4. Las variables X son no negativas
Transformación a la forma estándar

Cualquier MPL puede expresarse siempre en

forma estándar sin más que llevar a cabo una
serie de manipulaciones algebraicas:

Las restricciones de desigualdad pueden

convertirse en restricciones equivalentes de
igualdad introduciendo nuevas variables que
se denominan variables de holgura
Si tenemos las siguiente restricciones

A) ai1x1 + ai2x2 + … + ainxn ≤ bi

la estandarizamos de la siguiente forma
ai1x1 + ai2x2 + … + ainxn + xn+1 = bi

B) ai1x1 + ai2x2 + … + ainxn ≥ bi

la estandarizamos de la siguiente forma
ai1x1 + ai2x2 + … + ainxn - xn+1 = bi

Donde xn+1≥ 0
Método Simplex
El método simplex es un procedimiento
matricial para resolver problemas lineales
expresados en su forma estándar.

Empezando con una solución básica (x0), el

método localiza sucesivamente otras
soluciones factibles básicas que tienen
mejores valores del objetivo, hasta obtener
la solución óptima.
Representación del espacio de
soluciones con la forma estándar
El desarrollo del método simplex esta basado
en el uso de la forma estándar (en la cual
todas las restricciones se convierten en
ecuaciones) a fin de hacer la transición de
las representaciones gráficas a las
algebraicas.

Un punto extremo factible, se define como

una solución básica factible.
Propiedad fundamental

Los puntos extremos factibles de un programa

lineal son totalmente determinados por las
soluciones básicas factibles de las
ecuaciones que lo definen.

La propiedad fundamental muestra cómo la

definición geométrica de un punto extremo del
espacio de soluciones se traduce
algebraicamente como las soluciones básicas
de las ecuaciones que representan el programa
lineal.
 Segundo, muchas de estas soluciones pueden
ser no factibles o no existentes.

 Tercero, la función objetivo juega un papel

pasivo en el cálculo, ya que es utilizada
únicamente después de todas las soluciones
básicas factibles han sido determinadas.
El método simplex está diseñado
específicamente para evitar estas
ineficiencias.

El enfoque consiste en partir de una solución

básica factible (esto es, un punto extremo
factible) y luego pasar sucesivamente a
través de una sucesión de soluciones básicas
factibles (no redundantes), de tal manera que
cada nueva solución tenga la facultad de
mejorar el valor de la función objetivo.
La base del método simplex que garantiza
generar tal sucesión de soluciones básicas
está formada por dos condiciones
fundamentales.

La condición de optimalidad asegura que nunca

se encontrará una solución inferior (relativa
al punto de solución actual).

La condición de factibilidad garantiza que

partiendo de una solución básica factible,
únicamente se encontrarán durante el cálculo
soluciones básicas factibles.
Pasos para aplicar el Método Simplex

Paso 1. Para ayudar a desarrollar las dos

condiciones, el programa lineal en forma
estándar se presenta en tablero.
Var X1 … Xn S1 … Sm Z*
Z C1 … Cn 0 … 0 0
S1 a11 … a1n 1 … 0 b1
… ... … … 0 … 0 …
Sm am1 … amn 0 … 1 bm

Todos los Ci, en primera instancia, pasan a tablero

inicial con signo cambiado sea cual fuere la función
objetivo. Tanto los aij como los bi se pasan con su
mismo signo.
Paso 2. El paso siguiente es determinar una
nueva solución básica factible (punto
extremo) con un valor mejorado de la función
objetivo, eligiendo una variable no básica.

Para ello, se elige la variable que entra en

maximización (minimización) como la variable
no básica que tiene el mayor coeficiente
negativo (el más positivo) en la ecuación Z.

Un empate entre dos variables no básicas debe

descomponerse arbitrariamente. Cuando todos
los coeficientes del lado izquierdo de la
ecuación Z son no negativos (no positivos) se
ha llegado al óptimo.
Esto es: Si F.O. Max (Min)

XNB_entra=Min(Max){C1,…,Cn}
Se intercambian las respectivas variables

Paso 4. Convertir el elemento pívot

(aentra,sale) a 1 y los demandas elementos
pertenecientes a la misma columna a 0.

Paso 5. Repetir los pasos 2 al 4 hasta que

todos los Ci sean no negativos (no
positivos).

Paso 6. La solución se obtiene igualando

X*i=bi resultantes.
TEOREMAS DEL SIMPLEX: MAXIMIZAR
TEOREMA 1
Dado una solución básica posible, asociada a una base
B, si simultaneamente se cumple:
Zj – Cj < 0 para algún j  N
y XB_sale  0
El problema no tiene solución optima finita (Región
Factible No Acotada)

TEOREMA 2
Dado una solución básica posible, asociada a una
base B, si simultaneamente se cumple:
Zj – Cj < 0 para algún j  N
y XB_sale > 0
el problema tiene una solución mejor.
TEOREMA 3
Dado una solución básica posible, asociado a una base
B, una condición necesaria y suficiente para que la
solución sea optima, se debe cumplir:
Zj – Cj  0 para algún j  N

TEOREMA 4
Para una variable no básica cuyo:
Zj – Cj = 0
y aij > 0 Para algún i (fila)
El problema tiene soluciones optimas múltiples y la
base es optima.
El teorema 3 se puede resumir para ambos casos:
maximizar / minimizar :

TEOREMA:
La solución optima del PL canónico:
Opt Z = C X
Sa A X  b
X  0
Se obtiene cuando todos los (Zj – Cj)  0 , para el
caso de maximizar.
Y (Zj – Cj)  0 si es de minimizar.
Ejemplo: Dado el PL
Evaluando:
Max Z = 3X1 + 5X2 Z(2,6) = 3(2) + 5(6) = 36
sa Z(4,3) = 3(4) + 5(3) = 27
X1 < 4 L1 Max  36, 27  = 36
2X2 < 12 L2
3X1 + 2X2 < 18 L3 Solución:
X1 = 2, X2 = 6, Z = 36
Graficando:
L3 : (0,9) y (6,0)

L3 L3 X2
X2

8 L1 8 L1
(2,6)
L2 L2
6 6
• •
4 4
FO FO
2 (4,3) 2
X1 X1
Estandarizando:
X1 + S1 = 4 L1
2X2 + S2 = 12 L2
3X1 + 2X2 + S3 = 18 L3
Donde:
Z – 3X1 – 5X2 - 0S1 - 0S2 - 0S3 = 0

Z X1 X2 S1 S2 S3 RHS
1 -3 -5 0 0 0 0
S1 1 0 1 0 0 4
A22(1/2) S2 0 2* 0 1 0 12
S3 3 2 0 0 1 18
A20(5) 1 -3 0 0 5/2 0 30
S1 1 0 1 0 0 4
X2 0 1 0 1/2 0 6
A23(-2) S3 3* 0 0 -1 1 6
A30(3) 1 0 1 0 3/2 1 36
A31(-1) S1 0 0 1 1/3 -1/3 2
X2 0 1 0 1/2 0 6
X1 1 0 0 -1/3 1/3 2
Ejemplo:
Resolver el PL usando el proceso de maximizar:
Min Z = -2 X1 + X2
SA
- X1 + X2  2
X1 + X2  5
X1  3
X1, X2  0

SOLUCION
Estandarizando el PL
Min Z = -2 X1 + X2 + 0 S1 + 0 S2 + 0 S3
SA
- X1 + X2 + S1 = 2
X1 + X2 + S2 = 5
X1 + S3 = 3
X1, X2, S1, S2, S3  0
 Resolviendo el PL usando; proceso de maximizar:
- Min (-Z) = Max (-Z)
= -(-2 X1 + X2 + 0 S1 + 0 S2 + 0 S3)
Max L = 2 X1 - X2 - 0 S1 - 0 S2 - 0 S3

L X1 X2 S1 S2 S3
1 -2 1 0 0 0 0
S1 -1 1 1 0 0 2
S2 1 1 0 1 0 5
S3 1* 0 0 0 1 3
A30(2) 1 0 1 0 0 2 6
A31(1) S1 0 1 1 0 1 5
A32(-1) S2 0 1 0 1 -1 2
X1 1 0 0 0 1 3

Solución del PL dado:

Como L = - Z entonces Z = - L = - (6) = -6
Con X1 = 3 y X2 = 0
EJEMPLO : PRODUCCION DE SOMBREROS
Una Cia. Produce dos tipos de sombrero vaquero cada
sombrero del tipo I requiere el doble de tiempo en
mano de obra que el tipo II. Si todos los sombreros
son solo del tipo II, la Cia. puede producir un total
de 500 sombreros al día.
El mercado limita las ventas diarias del tipo I
y II a 150, 250 sombreros respectivamente. Los
beneficios por sombrero son $8 para el tipo I y $5
para el tipo II. Determinar el número de sombreros
que deben producirse de cada tipo.
SOLUCION.
1. Variable De decisión.
Xi : Nro. De sombreros del tipo i.
2. Restricciones.
Limitación de la producción de Sombreros.

X1 1
 donde 2X1 = X2
X2 2
2 X1 + X2  500

Ventas del sombrero I

X1  150

Ventas del sombrero del tipo II

X2  250
3. FO
Trabajamos con beneficios
Max Z = 8 X1 + 5 X2

Estandarizando el modelo lineal

Max Z = 8 X1 + 5 X2 + 0 S1 + 0 S2 + 0 S3
sa
2 X1 + X2 + S1 = 500
X1 + S2 = 150
X2 + S3 = 250
Solución usando el método simplex.
Z X1 X2 S1 S2 S3
1 -8 -5 0 0 0 0
S1 2 1 1 0 0 500
S2 1* 0 0 1 0 150
S3 0 1 0 0 1 250

A20(8) 1 0 -5 0 8 0 1200

A21(-2) S1 0 1* 1 -2 0 200
X1 1 0 0 1 0 150
S3 0 1 0 0 1 250
A10(5) 1 0 0 5 -2 0 2200
X2 0 1 1 -2 0 200
X1 1 0 0 1 0 150
A13(-1) S3 0 0 -1 2* 1 50
A30(2) 1 0 0 4 0 1 2250
A31(2) X2 0 1 0 0 1 250
A32(-1) X1 1 0 1/2 0 -1/2 125
S2 0 0 -1/2 1 1/2 25
EJEMPLO: PLANEAMIENTO DE PRODUCCION
Un taller tiene tres tipos de máquina; A,B y C . El
taller produce tres productos 1, 2 y 3. Se muestra la
siguiente tabla de productividad ( horas de máquina
por unidad de producto ).

PRODUCTO \ P R O D U C T O DISPONIBILIDAD
TIPO MAQUINA 1 2 3 Hrs/Semana
A 8 2 3 360
B 4 3 - 180
C 2 - 1 100
PRECIO 20 6 8

SOLUCION:
1. Variable de decisión
Xj : Nro. de unidades del producto j a
producir por semana
2. Restricciones
Limitaciones de hrs por tipo de máquina
8 X1 + 2 X2 + 3 X3  360
4 X1 + 3 X2  180
2 X1 + X3  100
X1, X2, X3  0
3.FO
Se desea maximizar las ventas.
Max Z = 20 X1 + 6 X2 + 8 X3

Estandarizando el modelo lineal:

Max Z = 20X1 + 6X2 + 8X3 + 0S1 + 0S2 + 0S3
sa
8X1 + 2X2 + 3X3 + S1 = 360
4X1 + 3X2 + S2 = 180
2X1 + X3 + S3 = 100
X1, X2, X3, S1, S2, S3  0
Solución usando el simplex tabular:
Z X1 X2 X3 S1 S2 S3
1 -20 -6 -8 0 0 0 0
S1 8 2 3 1 0 0 360
S2 4* 3 0 0 1 0 180
S3 2 0 1 0 0 1 100
A20(20) 0 9 -8 0 5 0 900
A21(-8) S1 0 -4 3* 1 -2 0 0
X1 1 3/4 0 0 1/4 0 45
A23(-2) S3 0 -3/2 1 0 -1/2 1 10

A10(8) 0 -5/3 0 8/3 -1/3 0 900

X3 0 -4/3 1 1/3 -2/3 0 0
X1 1 3/4* 0 0 1/4 0 45
A13(-1) S3 0 -1/6 0 -1/3 1/6 1 10
A20(5/3) 20/9 0 0 8/3 2/9 0 1000
A21(4/3) X3 16/9 0 1 1/3 -2/9 0 80
X2 4/3 1 0 0 1/3 0 60
A23(1/6) S3 2/9 0 0 -1/3 4/18 1 20
EJEMPLO DE APLICACIÓN DIRECTA SOLUCIÓN UNICA
.
Max Z = 5 X1 + 2 X2
SA
6 X1 + 10 X2  2
10 X1 + 4 X2  4
X1, X2  0

Estandarizando:
Max Z = 5 X1 + 2 X2 + 0 S1 + 0 S2
SA
6 X1 + 10 X2 + S1 = 2
10 X1 + 4 X2 + S2 = 4
X1, X2, S1, S2  0
Solución usando el simplex tabular:
Z X1 X2 S1 S2
1 -5 -2 0 0 0
S1 6 10 1 0 2
A22(1/10) S2 10 4 0 1 4

Solución:

v
CASOS ESPECIALES DE SOLUCIONES DE PL CON EL MÉTODO
SIMPLEX
a. REGIÓN FACTIBLE NO ACOTADA
Max Z = 4 X1 + 4 X2
SA
-2 X1 + 2 X2  2
- X1 + 2 X2  4
X1, X2  0

Estandarizando:
Max Z = 4 X1 + 4 X2 + 0 S1 + 0 S2
SA
-2 X1 + 2 X2 + S1 = 2
- X1 + 2 X2 + S2 = 4
X1, X2, S1 , S2  0
Solución usando el simplex tabular:

Z X1 X2 S1 S2
1 -4 -4 0 0 0
S1 -2 2* 1 0 2
S2 -1 2 0 1 4
A10(4) 1 -8 0 2 0 4
X2 -1 1 1/2 0 1
A12(-2) S2 1* 0 -1 1 2
A20(8) 1 0 0 -6 8 20
A21(1) X2 0 1 -1/2 1 3
X1 1 0 -1 1 2

Zj – Cj < 0 para algún j  N

y XB_sale  0
b. SOLUCIONES OPTIMAS MÚLTIPLES.
Max Z = 4 X1 + 6 X2
SA
2 X1 + 3 X2  6
6 X1 + 4 X2  12
-2 X1 + 2 X2  2
X1, X2  0

Estandarizando:
Max Z = 4 X1 + 6 X2 + 0 S1 + 0 S2 + 0S3
SA
2 X1 + 3 X2 + S1 = 6
6 X1 + 4 X2 + S2 = 12
-2 X1 + 2 X2 + S3= 2
X1, X2, S1, S2, S3  0
Solución usando el simplex tabular:
Z X1 X2 S1 S2 S3 LD
1 -4 -6 0 0 0 0
S1 2 3 1 0 0 6
S2 6 4 0 1 0 12
S3 -2 2* 0 0 1 2

Z X1 X2 S1 S2 S3 LD
1 -10 0 0 0 3 6
S1 5* 0 1 0 -3/2 3
S2 10 0 0 1 -2 8
X2 -1 1 0 0 1/2 1

Z X1 X2 S1 S2 S3 LD
1 0 0 2 0 0 12
X1 1 0 1/5 0 -3/10 3/5
S2 0 0 -2 1 1* 2
X2 0 1 1/5 0 1/5 8/5
En la tercera tabla observamos, que hemos encontrado
una solución optima, pero una variable no básica
cumple con la condición del teorema 4
Zj – Cj = 0
y aij > 0 Para algún i

Volvemos a iterar y obtenemos la siguiente tabla:

Z X1 X2 S1 S2 S3 LD
1 0 0 2 0 0 12
X1 1 0 -2/5 3/10 0 6/5
S3 0 0 -2 1 1 2
X2 0 1 3/5 -1/5 0 6/5

En donde seguirá habiendo una variable no básica que

cumpla el teorema 4: Zj–Cj =0 y aij > 0, Para algún
i, porque las soluciones son multiples.
c. SOLUCIONES MÚLTIPLES REGIÓN FACTIBLE NO ACOTADA;
Dado el PL
Max Z = X1 + X2
Sa
X1 + X2 < 4
6X1 + 2X2 < 12
X1 is , X2  0

Cambio de variable: X1 = X1'  X1"

Max Z  X1'  X1"  X 2

Sa:
X 1'  X 1"  X2  4
6 X 1'  6 X 1"  2 X 2  12
X 1' , X 1" , X 2  0
Estandarizando:
Max Z = 5 X1 + 2 X2 + 0 S1 + 0 S2
SA
6 X1 + 10 X2 + S1 = 2
10 X1 + 4 X2 + S2 = 4
X1, X2, S1, S2  0
Z X1' X1" X2 S1 S2
1 -1 1 -1 0 0 0
S1 -1 -1 1* 1 0 4
S2 6 -6 2 0 1 12

A10(1) 1 0 0 0 1 0 4
X2 1 -1 1 1 0 4
A12(-2) S2 4* -4 0 -2 1 4

1 0 0  0 1 0 4
A21(-1) X2 0 0 1 6/4 -1/4 3
X1' 1 -1 0 -2/4 1/4 1

Donde: X1 = 1 – 0 = 1, X2 = 3, Z = 4
En la segunda tabla observamos, que hemos encontrado
una solución optima, pero una variable no básica
cumple con la condición:
Zj – Cj = 0
y aij > 0 Para algún i (fila)
esto indica que se tiene más de una solución optima.
Si forzamos en la segunda tabla que la variable
entrante sea X2, se tiene otra solución optima igual
que la anterior con Z = 4.