TÉCNICO SUPERIOR UNIVERSITARIO EN

³MANTENIMIENTO INDUSTRIAL´

TEMA:

Proyecto final, ³MÉTODO SIMPLEX´

PROFESOR:

Juan Carlos García Rodríguez

INTEGRANTES DEL EQUIPO:

Cesar Castillo Posada

Gerardo Castro Martínez
Steve Huerta Calvillo
Luis Miguel Escobedo Muñoz
Hugo Aaron Carreón Hernández

MATERIA:

Cálculo

GRADO:
2

GRUPO:
A

06- ABRIL- 2011

 ÈNDICE
Èndice««««««««««««««««««««««««««««««««.... 2
Introducción«««««««««««««««««««««««««««««« 3
Objetivos Generales«««.««««««««««««««««««««««« 4
Historia«««««««««.««««««««««««««««««««««« 5
En que consiste el método simplex««.«««««««««««««««««. 5
¿Cómo funciona?.................................................................................................... 5
Ventajas««««««««««««««««««««««««««««««« 55
Desarrollo del método simplex««««.««««««««««««««««.. 6-16
Marco teórico«««««««««««..«««««««««««««««« 17- 52
Conclusiones y recomendaciones«««««««««««««««««««.... 53
Bibliografía««««««««««««««««««««««««««««««. 54

c
c
c
 INTRODUCCIÓN
Las matemáticas pueden ser divertidas. Haciendo suya esta idea, este trabajo en
el cual se estudia de un modo en particular ³El Método Simplex´, el cual es
verdaderamente interesante, dará al lector del mismo, una imagen mas clara de la
verdadera utilización del método para la resolución de problemas los cuales
ayudaran a ser mas eficaz en tu ámbito profesional y laboral.
La matemática hoy en día se considera como un tipo de lenguaje, o el lenguaje de
hoy, por lo cual es de vital importancia, practicarlas y llevarlas a cabo en tu vida
diaria.
Este presente escrito trata de donde se origino el método simplex, ¿como? fue
creado, además de las razones del ¿Por qué? se creo, también nos habla de la
forma de cómo funciona, teniendo como base una serie de ejemplos, los cuales
están detallados al 100%, para que así tu comprensión sea la adecuada.
Teniendo en cuenta que el método simplex, esta estrechamente relacionado con
lo que es la programación Lineal.

El proyecto consta de las siguientes partes:

- Introducción
- Objetivos generales
- Historia
- En que consiste el método simplex
- Como funciona
- Ventajas
- Desarrollo del método Simplex
- Marco teórico
- Conclusiones y recomendaciones
- Bibliografía
- Anexos

Espero y sea de tu agrado, además de que te ayude en la resolución de

problemas que se te presenten, y te de una forma mas clara y concisa de cómo
resolver un problema de manera rápida y sencilla.

c

c
c
OBJETIVOS GENERALES:
Que al ir explorando este trabajo el lector:
´ Descubra la utilidad del método simplex como un recurso el cual se puede
utilizar para resolver un sin numero de problemas, el cual ayudara a tu
superación.
´ Te ayudara a ver desde otro ámbito la resolución de problemas los cuales a
veces eran muy difíciles de resolver, con un solo método, además de que te
dará dominio en tu ambiente físico, social y cultural.
´ Obtendrás los antecedentes de, ¿Dónde?, ¿Cómo?, ¿Cuándo? Y ¿Por
qué?,fue creado este método.
´ Que te permita el acceso a una forma mas rápida y eficaz de dar solución a
problemas de tipo científicos o técnicos, el los cuales la información
matemática es indispensable.
´ Comprenda la estructura del método simplex.
´ Comprender la existencia de un sistema de solución factible, el cual prueba
si es optima o no la solución.
´ Relacionar el método simplex con la creación de programas de
³programación lineal´.
´ Emplear, dados ciertos criterios de resolución las representaciones o
soluciones mas optimas.

c
c
c
HISTORIA
El método simplex fue creado en 1947 por el matemático George Dantzing, se
utiliza sobre todo, para resolver problemas de programación lineal en los que
intervienen tres o más variables, el cual consiste en continuar efectuando cambios
en las variables básicas del tipo analizado en la ultima sección hasta que se
detenga el conjunto de variables que optimizan la función objetivo. Pero a lo largo
de los años a sufrido modificaciones por lo cual el método simplex original fue
denominado Método Simplex Básico (MSB).
Dichas modificaciones surgieron efecto en el año 1965, John Ashworth Nelder y
George H. Mead, propusieron modificaciones en el método original de
movimentación del simplex banco, que permitió obtener un punto óptimo
estacionario con suficiente precisión y claridad además de permitir un desarrollo
más rápido del simplex en dirección al óptimo.

EN QUE CONSISTE EL MÉTODO SIMPLEX

Es un procedimiento interactivo que permite ir mejorando la solución a cada paso,
el proceso concluye cuando no es posible seguir mejorando más dicha solución.
Consiste en un algoritmo iterativo que secuencialmente a través de iteraciones se va
aproximando al óptimo del problema de Programación Lineal en caso de existir esta
última. Deberá Tenerse en cuenta que este método solo trabaja para restricciones que
tengan un tipo de desigualdad "”" y coeficientes independientes mayores o iguales a
0.

¿COMO FUNCIONA?
El método simplex empieza con una solución factible y prueba si es o no optima.
Si no lo es, por este método se procede a obtener una solución mejor. Decimos
mejor en el sentido de que la nueva solución este más cerca de la optimización de
la función objetivo. Si esta nueva solución no es optima, entonces repetimos el
procedimiento. En algún momento el método simplex conduce a una solución
óptima, si existe.

VENTAJAS:
- Es muy eficiente
- Es completamente mecánico (usamos matrices, operaciones elementales
sobre renglón y aritmética básica).
- La geometría no se involucra de manera explicita; esto nos permite resolver
problemas de programación lineal que tengan cualquier numero de
restricciones o variables.
- No debemos preocuparnos por los criterios de parada o condición de salida
de filas, ya que se mantienen.
- Conversión de signo de los términos independientes (las constantes a la
derecha de las restricciones), con esta simple modificación de los signos en
la restricción podemos aplicar el método simplex a nuestro modelo.

c
c
c
 - Las cantidades de los valores productivos son proporcionables a su nivel de
utilización.
- No negatividad (Los niveles de procesos han de ser mayores o iguales a
cero).
- La aditividad (La combinación de varios procesos productivos utiliza en
conjunto la suma de todos los factores exigidos individualmente a cada uno
de ellos).

DESARROLLO DEL MÉTODO SIMPLEX:

Problema estándar de programación lineal

Maximizar la función lineal Z = c1x1 + c2x2+ « + cnxn sujeta a las restricciones.

a11x1 + a12x2 + « + a1nxn” b1,

a21x1 + a22x2 + « + a2nxn” b2,
«««««««««««««««««««««.
«««««««««««««««««««««.
«««««««««««««««««««««.
am1x1 + am2x2 + « + amnxn” bm,

En donde x1,x2«« ,xny b1, b2, «,bm.

Son no negativas.

Obsérvese que una solución factible para un problema estándar de

programación lineal siempre es x1 = 0, x2 = 0, « , xn = 0.

PROBLEMA
Maximizar Z = 5x1 + 4x2,sujeta a:

x1+ x2 ” 20
2x1 + x2 ” 35
-3x1 + x2 ” 12

y x1 • 0,x2• 0.

c
c
c
SOLUCIÓN:
Este problema de programación lineal ya esta en la forma estándar. La tabla
simplex inicial es:

 cc cc ccc cc
cccccc

 c â
















  c c  ccc ccc
ccc ccc
ccc
cccccc
c c
c Cocientes
 c
c 
c
cccc ccc
ccc
ccc ccc
cccccc c 20 / 1 = 20
c cccccccc
ccc
ccc
ccc cccccc
c 35 / 2 = 35
2
c  c No hay cociente, ya que -3 no es
  c Positivo.
 c

El indicador mas negativo, -5 aparece en la columna de X1. Así que X1 es la

variable que entra. El cociente mas pequeo es 35/2, de modo queS2 es la
variable que sale. La entrada pivote es 2. Utilizando operaciones elementales
sobre renglones, obtenemos un 1 en la posicin del pivote y ceros en las dems
entradas de esa columna, entonces tenemos:

 cc cc ccc cc
cccccc

ccc ccc ccc

ccc
ccc
cccccc
c

c ccc ccc
ccc ccc
ccc
cccccc
c c

cccc ccc
ccc
ccc ccc
cccccc c
cccccc
ccc
ccc
ccc cccccc
c

 cc cc ccc cc
cccccc

ccc ccc ccc

ccc
ccc
cccccc
c

c c cccccc
cccc
cccc
cc

c ccc
c
c 
cccc ccc
ccc
ccc ccc
cccccc c
cccccc
ccc
ccc
ccc cccccc
c

c
c
c
Nuestra nueva tabla es:

Observe que en el lado izquierdo, x1 remplazo a s2. Puesto que -3/2 es el indicador
mas negativo, debemos continuar nuestro proceso. La variable que entre, ahora
es x2. El cociente mas pequeño es 5. Por tanto, s1 es la variable que sale y ½ es la
entrada del pivote. Si ahora aplicamos operaciones elementales sobre renglones,
tenemos.

c
c
c
Donde x2 reemplazo a s1, en el lado izquierdo. Como tofos los indicadores son no
negativos, el valor máximo de Z es 95, que ocurre cuando x2 = 5 y x1 = 15 (y s3 =
52, s1 = 0 y s2 = 0).

Es interesante ver como los valores de Z obtenían de manera progresiva una

³mejora´ en las tablas sucesivas del ejemplo 1. Estas son las entradas del último
renglón y columna de cada tabla. En la tabla inicial teníamos = 0. De ahí
obtuvimos Z = 175/2 87 ½ y después Z = 95, el valor máximo
En el ejemplo 1 podríamos sorprendernos de que ningún cociente sea
considerado en el tercer renglón de la tabla inicial. La S.B.F., para esta tabla es:

s1 = 20 s2= 35, s3 = 12, x1 = 0, x2 = 0,

Donde x1 es la variable que entra. Los cocientes 20 y 35/2 reflejan que para la
siguiente S.B.F., tendremos x1” 20 y x1” 35/2. Como el tercer renglón representa
la ecuación s3= 12 + 3x1± x2, y x2 = 0, entonces s3 = 12 + 3x1. Pero s3• 0, así
también 12 + 3x1• 0, lo cual implica que x1• -12/3 = -4. Por tanto, tenemos.

x1” 20, x1” 35/2, y x1” -4

De aquí que podamos aumentar x1 hasta en 35/2. La condición x1• -4 no influye en

la determinación del aumento máximo en x1. Este es el porque el cociente 12/(-3)
= -4 no esta considerado en el renglón 3. En general, no se considera el cociente
para un renglón, si la entrada en la columna de la variable que entra es negativa
(0, por supuesto, 0).

Aunque el procedimiento simplex desarrollado en esta sección se aplica solo a

problemas de programación lineal de la forma estándar, otras formas pueden
adaptarse para que se ajusten a esta. Suponga que una restricción tiene la forma.
a1x1 + a2x2+ «. + anxn• -b,

c
!c
c
donde b > 0. Aquí el símbolo de desigualdad es ³•´ y la constante del lado derecho es
negativa. Por tanto, la restricción no esta en la forma estándar. Sin embargo,
multiplicando ambos miembros por -1 se obtiene.

-a1x1 - a2x2 - «. - anxn” b,

Que tiene la forma apropiada. De acuerdo con esto, puede ser necesario escribir
de nuevo una restricción antes de proceder con el método simplex.
En la tabla simplex, varios indicadores pueden ³empatar´ como los mas negativos.
En este caso, seleccione cualquiera de estos indicadores para obtener la columna
de la variable que entra. Del mismo modo, puede haber varios cocientes que
³empaten´ con los más pequeños. Puede seleccionar cualquiera de estos
cocientes para obtener la variable que sale y la entrada pivote. El ejemplo 2
ilustrara esto. Cuando existe un empate para el cociente mas pequeño, entonces
además de las variables no básicas, una S.B.F., tendrá una variable básica igual a
cero. En este caso decimos que la S.B.F., es degenerada o que el problema de
programación lineal tiene una degeneración.

EJEMPLO 2

Una fábrica de madera produce 2 tipos de estantes, estantes grandes y estantes

chicos. La fabricación de un estante grande necesita 5 horas de trabajo con un
gasto de $250 en materiales. La fabricación de un estante chico requiere 3 horas
de trabajo con un gasto de $130 en materiales. El administrador tiene el propósito
de trabajar el con sus empleados no más de 10 horas diarias y sus recursos no le
permiten gastar más de $6000 diarios en materiales. Si vende la cantidad de
estantes que produce y su utilidad es de $180 por cada estante grande y $110 por
cada estante chico, ¿Cuántos estantes de cada tipo debe fabricar para obtener la
utilidad diaria máxima? ¿Cuál es la utilidad máxima? ¿Le queda tiempo o dinero
sin emplear?

x=estantes grandes s1=tiempo ð=utilidad

=estantes chicos s2=dinero

C1=5
+3 <10

C2=250
+130 <6000

180
+110 =ð

c

c
c
C1=5
+3 =10

C2=250
+130y+=6000

-180x-110+ð=0

 ð

53 1 0 0 10

250 130 0 1 0 6000 R2/250

-180 -110 0 0 1 0

 ð

53 1 0 0 10

1 0.52 0 0.004 0 24 R1-5*R2

-180 -110 0 0 1 0 5;2.6;0;0.02;0;120

 ð

0 0.4 1 -.02 0 -110

1 0.52 0 0.004 0 24 R3+180*R2

-180 -110 0 0 1 0 180;93.6;0;0.72;0;4320

c
c
c

 ð

0 0.4 1 -.02 0 -110

1 0.52 0 0.004 0 24

0 -16.4 0 0.72 1 4320

x=estantes grandes =24 s1=tiempo =-110 ð=utilidad=4320

=estantes chicos =0 s2=dinero =0

c
c
c
EJEMPLO 3
Una fábrica de madera produce 2 tipos de estantes, estantes grandes y estantes
chicos. La fabricación de un estante grande necesita 5 horas de trabajo con un
gasto de $250 en materiales. La fabricación de un estante chico requiere 3 horas
de trabajo con un gasto de $130 en materiales. El administrador tiene el propósito
de trabajar el con sus empleados no más de 10 horas diarias y sus recursos no le
permiten gastar más de $6000 diarios en materiales. Si vende la cantidad de
estantes que produce y su utilidad es de $180 por cada estante grande y $110 por
cada estante chico, ¿Cuántos estantes de cada tipo debe fabricar para obtener la
utilidad diaria máxima? ¿Cuál es la utilidad máxima? ¿Le queda tiempo o dinero
sin emplear?

x=estantes grandes s1=tiempo ð=utilidad

=estantes chicos s2=dinero

C1=5
+3 <10

C2=250
+130 <6000

180
+110 =ð

C1=5
+3 =10

C2=250
+130y+=6000

-180x-110+ð=0

 ð

53 1 0 0 10

250 130 0 1 0 6000 R2/250

-180 -110 0 0 1 0

c

c
c

 ð

53 1 0 0 10

1 0.52 0 0.004 0 24 R1-5*R2

-180 -110 0 0 1 0 5;2.6;0;0.02;0;120

 ð

0 0.4 1 -.02 0 -110

1 0.52 0 0.004 0 24 R3+180*R2

-180 -110 0 0 1 0 180;93.6;0;0.72;0;4320

 ð

0 0.4 1 -.02 0 -110

1 0.52 0 0.004 0 24

0 -16.4 0 0.72 1 4320

x=estantes grandes =24 s1=tiempo =-110 ð=utilidad=4320

=estantes chicos =0 s2=dinero =0

c
c
c
EJEMPLO 4:
Una empresa tornera produce dos clases de tornillos, tornillos de cuerda fina y
tornillos de cuerda estándar. La fabricación de un tornillo de cuerda fina requiere 7
minutos de trabajo con un gasto de $0.5 en materiales. La fabricación de un
tornillo de cuerda estándar requiere 6 minutos de trabajo con un gasto de $0.3 en
materiales. El ingeniero tiene el propósito de trabajar no más de 8 horas diarias y
sus recursos no le permiten gastar más de $30 diarios en materiales. Si vende la
cantidad de lámparas que produce y su utilidad es de $0.4 por cada tornillo de
cuerda fina y $0.25 por cada tornillo de cuerda estándar, ¿Cuántos tornillos de
cada tipo debe fabricar para obtener la utilidad diaria máxima? ¿Cuál es la utilidad
máxima? ¿Le queda tiempo o dinero sin emplear?

x=Tornillos de cuerda fina s1=tiempo ð=utilidad

=Tornillos de cuerda estándar s2=dinero

C1=7
+6 <480

C2=0.5
+0.3 <30

0.4
+0.25=ð

C1=7
+6 =480

C2=0.5
+0.3y+=30

-0.4x-0.25+ð=0

 ð

7 6 1 0 0 480

0.5 0.3 0 1 0 30 R2/0.5

-0.4 -0.25 0 0 1 0

c
c
c

 ð

7 6 1 0 0 480

1 0.6 0 2 0 60 R1-7*R2

-0.4 -0.25 0 0 1 0 7;4.2;0;14;0;420

 ð

0 1.8 1 -14 0 60

1 0.6 0 2 0 400 R3+0.4*R2

-0.4 -0.25 0 0 1 0 0.4;0.24;0;0.8;0;24

 ð

0 1.8 1 -14 0 60

1 0.6 0 2 0 400

0 -0.01 0 0.8 1 24

x=Tornillos de cuerda fina =1 s1=tiempo=60 ð=utilidad=24

=Tornillos de cuerda estándar =0 s2=dinero =0

c
c
c
MÉTODO 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.
El Método Simplex publicado por George Dantzig en 1947 consiste en un
algoritmo iterativo que secuencialmente a través de iteraciones se va aproximando
al óptimo del problema de Programación Lineal en caso de existir esta última.
La primera implementación computacional del Método Simplex es el ano 1952
para un problema de 71 variables y 48 ecuaciones. Su resolución tarda 18 horas.
Luego, en 1956, un código llamado RSLP1, implementado en un IBM con 4Kb en
RAM, admite la resolución de modelos con 255 restricciones.
El Método Simplex hace uso de la propiedad de que la solución óptima de un
problema de Programación Lineal se encuentra en un vértice o frontera del
dominio de puntos factibles (esto último en casos muy especiales), por lo cual, la
búsqueda secuencial del algoritmo se basa en la evaluación progresiva de estos
vértices hasta encontrar el óptimo. Cabe destacar que para aplicar el Método
Simplex a un modelo lineal, este debe estar en un formato especial conocido
comoformato estándar.

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. (Véase método Gráfico)
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

Sujeto a: a11·x1 + a12·x2 + ... + a1n·xn = b1

a21·x1 + a22·x2 + ... + a2n·xn = b2
...
c
c
c
 am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., xn • 0

Para ello se deben cumplir las siguientes condiciones:

1. El objetivo es de la forma de maximización o de minimización.
2. Todas las restricciones son de igualdad.
3. Todas las variables son no negativas.
4. Las constantes a la derecha de las restricciones son no negativas.
c
c
CAMBIO DE 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 TÉRMINOSINDEPENDIENTES (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 ("=",
c
c
c
"”"), 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 , 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 como 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.

‘
cc  c ‘
cc

  c c
c

• - exceso + artificial

= + artificial

” + holgura

c
!c
c
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.

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.

‘ c
C1 C2 ... Cn
c c c c c c c
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn
c 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.

c

c
c
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 inalteradas en la nueva tabla. El resto deberá
calcularse de dos formas diferentes:
` Si es la fila pivote cada nuevo elemento se calculará:

Nuevo emento
 vote  emento
 votetu vote.
` Para el resto de elementos de filas se calculará:

Nuevo  emento
    emento
  vote tu    emento o umn
voteen  tu Nuevo emento
 .

MÉTODO DE LAS 2 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)).

c
c
c
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.

‘ c
C0 C1 C2 ... Cn-k ... Cn
c c c c c c c c c
Pi1 Ci1 bi1 a11 a12 ... a1n-k ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n-k ... a2n
... ... ... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn-k ... amn
c Z0 Z1 Z2 ... Zn-k ... Zn

Siendo Zj = Ȉ(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

c
c
c
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.

Partiendo del valor de la funciónobjetivo 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 "="
c

c
c
habrá que emplear otros métodos, siendo el más común el método de las Dos
Fases.

CONCEPTOS BÁSICOS
1. FACTORES PRODUCTIVOS: (Ai)
Son los medios empleados para la obtención de la producción. Los factores
productivos pueden ser limitados (los cuales originan restricciones), o
limitados.

2. VECTOR DE EXISTENCIAS: (Po)

Es un vector columna cuyas cantidades disponibles de cada uno de los
factores productivos limitados.c
c
3. TÉCNICA:
Una técnica es una combinación de distintos factores productivos.

4. PROCESO PRODUCTIVO: (Pj)

Es la transformación de los factores productivos en bienes o productos, de
acuerdo con una técnica determinada.

5. VECTOR PROCESO:
Es un vector columna, cuyos componentes indican las cantidades de los
distintos factores productivos para la realización del proceso Pj.

6. NIVEL DE PROCESO: ( Xj)

Indica la intensidad de utilización de los distintos
factores productivos en el proceso Pj, y lo
llamaremos Xj.

HIPÓTESIS BÁSICAS

PROPORCIONALIDAD
Las cantidades de los valores productivos son proporcionables a su nivel de
utilización.

NO NEGATIVIDAD
Los niveles de procesos han de ser mayores o iguales a cero.

ADITIVIDAD
c
c
c
La combinación de varios procesos productivos utiliza en conjunto la suma de
todos los factores exigidos individualmente a cada uno de ellos.

LINEALIDAD
Los rendimientos de los procesos, son directamente proporcionables a su nivel de
utilización es decir dado el proceso Pj, empleado a un nivel unitario, obtendremos
un rendimiento Pj, mientras que si Pj, es utilizado a un nivel Xj, el proceso del
rendimiento será Xj, Pj.

PLANTEAMIENTO DEL PROBLEMA

Optimizar: Z = ?C1 X1 ??C 2 X2 ?? ??C n X n
Sujeto a:

Los problemas de programación lineal se caracterizan por una serie de elementos:

1. En la solución óptima: el número de procesos será igual al número de factores
limitados; aunque en ciertas ocasiones, dicho número de procesos puede ser
menor que el número de factores limitados. En tal caso, la solución es
degenerada.
2. Los niveles de utilización Xj de los procesos serán nonegtvo.
3. Estos niveles serán tales, que todas las restricciones cumplan como igualdad,
siempre y cuando estemos hablando de procesos que pertenezcan al óptimo.
4. El programa (plan de producción), que cumpliendo las condiciones anteriores,
optimice el valor de la función objetivo, será el programa óptimo.

ALGORITMO SIMPLEX (Dantzig, 1951)

En el algoritmo del Simplex, se parte de un programa base que estará formado por
vectores unitarios (vector proceso unitario), realizando iteraciones sucesivas, de
manera que en cada uno de ellos, la matriz de coeficientes asociada al programa
base sea una matriz identidad.
Los pasos a seguir en el algoritmo del Simplex son:
1. Convertir desigualdades en igualdades, introduciendo para ello variables de
holgura, que serán positivas en restricciones menores o iguales, y negativas en
restricciones mayores o iguales.
2. Obtener el programa base: Esta es la pregunta inicial de la cual partimos para
determinar la solución. Para encontrar el programa base, tomaremos un vector
unitario de cada una de las restricciones del problema, de acuerdo con el siguiente
esquema:
c
c
c
2.1. Escoger aquellas variables de holgura con el mismo signo que el término
independiente y coeficiente unitario.
2.2. En su defecto, escoger aquellas variables Xi que aparezca en una única
restricción, y tenga el mismo signo que el término independiente. Esta variable
deberá tener coeficiente unitario.
2.3. En su defecto, introduciremos en aquellas restricciones de las cuales no
hemos tocado aún, un vector unitario una variable artificial Kj afectada de un
rendimiento ±N si estamos maximizando, o de un rendimiento +N si estamos
minimizando, y que tendrá un coeficiente unitario.

MÉTODO SIMPLEX BÁSICO

El método Simplex, introducido en su forma original por Spendley; Hext y
Himsworth, en 1962, no se basa en planeamientos factoriales y por eso requiere
pocos experimentos para moverse, desplazándose en la dirección del óptimo. La
aplicación del método Simplex en Química Analítica fue efectuada por la primera
vez en 1969. El método Simplex original, a lo largo de estos años, ha sufrido
modificaciones que obligaron a la distinción del mismo dentro de las estrategias de
optimización, así el método Simplex original pasó a ser llamado de Método
Simplex Básico (MSB).
El procedimiento de optimización, en el método Simplex, comienza por la elección
de la n+1 puntos donde será hecha laevaluación de la respuesta. Este resultado
será evaluado contra las demás respuestas para que el proceso pueda continuar,
siendo que este tipo de desarrollo convierte al simplex en un método del tipo
secuencial.
El procedimiento es repetido sucesivamente, descartándose la peor respuesta.
Por lo tanto, como vemos, el objetivo del método Simplex secuencial es forzar al
simplex a moverse para la región de respuesta óptima.
Las decisiones requeridas para que eso sea posible constituyen las llamadas
"reglas" del procedimiento simplex.

REGLAS PARA EL MOVIMIENTO DEL SIMPLEX BÁSICO

-REGLA nº 1: Después de determinar las respuestas de los n+1 experimentos

necesarios para iniciar el proceso, con base en el conocimiento ya adquirido sobre
el sistema, se debe clasificarlas en mejor [B (the Best)], peor [W (the Worst)] y
resultados intermediarios [N (Next to worst)], según el objetivo de la optimización.

-REGLA nº 2: El simplex es movido para un simplex adyacente, el cuál es

determinado descartando la respuesta menos deseada. El vértice correspondiente
a esta respuesta es sustituido por un nuevo vértice, generado por su reflexión a
través del centroide de la hiperfase de los vértices restantes.

c
c
c
Matemáticamente, sí los vértices de un simplex k-dimensional son representados
por coordenadas vectoriales P1, P2, ...., Pj, ....Pk, .... Pk+1, la eliminación de la
respuesta no deseada Pj resulta en la hiperfase formada por P1, P2, ...., Pj-1,
Pj+1, ....Pk, .... Pk+1 con el centroide definido por:

Pc = 1/k (P1 + P2 + .... + Pj-1 + Pj+1 + .... + Pk + Pk+1)

Pc = centroide de la hiperfase K = número de dimensiones del simplexPj = vértice
correspondiente a la peor respuesta.

El nuevo simplex es definido por esta fase y un nuevo vértice, P, que corresponde
a la reflexión del vértice rechazado Pj, a través de la fase por el centroide Pc.
P = Pc + (Pc - Pj)

-REGLA nº 3: Sí el punto reflejado, P, tuviera la peor respuesta en el nuevo

simplex, probablemente el desplazamiento no está sucediendo en dirección al
óptimo. En este caso, se debe rechazar la 2ª peor respuesta de este simplex y
continuar con la optimización.
Esta regla es necesaria, pues el simplex puede estar encima de una cresta y la
aplicación directa de la Regla no 2 puede hacer con que el punto P sea reflejado
de vuelta al punto anterior. En este caso el simplex oscila y se vuelve sin recurso
(decimos, que se mantiene parado).
Esta situación sucede con frecuencia en la región del óptimo. Sí un punto es
obtenido cercano a él, todos los otros nuevos puntos tienden a pasar más allá del
tope de la curva de respuesta. Entonces, un cambio en la dirección es indicado.
En la región del óptimo, normalmente ocurre el simplex circular en vuelta de un
óptimo temporáneo. Como se puede tratar de un resultado falso, el cual hace, con
que el simplex se prenda a él, es necesario la siguiente excepción adicional a la
Regla no 1.

-REGLA nº 4: Sí un vértice fuera mantenido en k+1 simplex, antes de aplicar la

Regla no 2, haga una nueva observación del vértice persistente. Sí el vértice está
realmente cercano al óptimo, es probable que la evaluación repetida de la
respuesta sea consistente y de esta forma el punto será mantenido. Sí la
respuesta en el vértice fuera alta por causa de un error de observación, es
improbable que con la nueva evaluación eso ocurra y por lo tanto, el vértice será
consecuentemente eliminado.

-REGLA nº 5: Sí el nuevo vértice encontrarse fuera de los limites aceptables de las

variables optimizadas, no se deben realizar observaciones experimentales con
estos valores, al contrario se debe atribuir a este la respuesta más indeseable.
La aplicación posterior de las Reglas nos 2 e 3 obligará al simplex a regresar
dentro de los límites permitidos y este continuará buscando por la respuesta
óptima. Cuando un óptimo es localizado, las reglas del simplex lo fuerzan a
circular.

c
c
c
LOCALIZACIÓN Y TAMAÑO DEL SIMPLEX INICIAL
En la etapa inicial de los experimentos, es recomendable construir un simplex
grande para que por si mismo se mueva rápidamente sobre la superficie de
respuestas y pueda localizar la región del óptimo. Para definir más precisamente
el óptimo, se construye un simplex menor y se continúa la optimización. En el caso
que sea necesario, es posible repetir el proceso, dejando el simplex cada vez más
pequeño. Esta claro que existe una limitación para el tamaño del simplex, pues, si
este fuera muy pequeño, los errores experimentales pueden enmascarar los
verdaderos efectos sobre la respuesta y hacer con que el simplex se traslade
irregularmente dentro de un área cercana al óptimo.

LOCALIZACIÓN Y TAMAÑO DEL SIMPLEX INICIAL

En la etapa inicial de los experimentos, es recomendable construir un simplex
grande para que por sí mismo se mueva rápidamente sobre la superficie de
respuestas y pueda localizar la región del óptimo. Para definir más precisamente
el óptimo, se construye un simplex menor y se continúa la optimización. En el caso
que sea necesario, es posible repetir el proceso, dejando el simplex cada vez más
pequeño. Está claro que existe una limitación para el tamaño del simplex, pues, sí
este fuera muy pequeño, los errores experimentales pueden enmascarar los
verdaderos efectos sobre la respuesta y hacer con que el simplex se traslade
irregularmente dentro de un área cercana al óptimo.
Para definición del primer simplex se debe establecer las variables que estarán
sujetas a la optimización. Después, se define el tamaño del paso () de cada
variable del simplex.
Con el auxilio de la Tabla 1, se puede construir el simplex inicial hasta con 7
(siete) factores.
TABLA 1: VALOR PARA EL TAMAÑO DEL PASO HASTA 10 FACTORES
›   c
  

no A B   

c

01 0 0 0 0 0 0 0
c

02 1,000 0 0 0 0 0 0
c

03 0,500 0,866 0 0 0 0 0
c

04 0,500 0,289 0,817 0 0 0 0

c

05 0,500 0,289 0,204 0,791 0 0 0

c

06 0,500 0,289 0,204 0,158 0,775 0 0

c

c
c
c
 07 0,500 0,289 0,204 0,158 0,129 0,764 0
c

08 0,500 0,289 0,204 0,158 0,129 0,109 0,756

c
EJEMPLO:
Optimización de las condiciones de funcionamiento de un cromatografo para un
determinado análisis.

VARIABLES:
1- Temperatura, ºC. 2- Velocidad de flujo del gas de arrastre, mL/min. 3- Longitud
de la columna, cm.

VALORES INICIALES:
Temperatura, T = 20 ºC. Velocidad de flujo del gas de arrastre, V = 40 mL/min.
Longitud de la columna, C = 200 cm.

PASOS DE LAS VARIABLES (Stepsize, SS):

Temperatura =>SSt = 10 ºC. Velocidad del flujo del gas de arrastre =>SSv = 5
mL/min. Longitud de la columna =>SSc = 20 cm.
Los vértices nuevos son obtenidos sumándose al punto inicial el paso de cada
variable multiplicado por el factor correspondiente de la Tabla 1. Los experimentos
previstos para este ejemplo están relacionados en la Tabla 2.

TABLA 2: DETERMINACIÓN DE LOS VÉRTICES DEL SIMPLEX INICIAL.

›   ‘
    ! cc c 

Inicial ºC mL/min cm

01 20 40 200

02 20 + (SSt . 1) = 30 40 + (SSv . 0) = 40 200 + (SSc . 0) = 200

03 20 + (SSt . 0,5) = 25 40 + (SSv . 0,866) = 44,3 200 + (SSc . 0) = 200

04 20 + (SSt . 0,5) = 25 40 + (SSv . 0,289) = 41,4 200 + (SSc . 0,817) = 216,3

c
!c
c
CONSIDERACIONES GENERALES
El método simplex no requiere el uso de test, estadísticos de significancia por dos
razones:

a. Si las diferencias en las respuestas son grandes al ser comparadas con el

error experimental, el simplex se mueve en la dirección correcta.
b. Si las diferencias son bastantes pequeñas para ser afectadas por el error
experimental, el simplex se mueve en la dirección equivocada. Incluso, un
movimiento en la dirección equivocada, provocaría una respuesta
indeseable, que rápidamente produciría una corrección en la dirección
tomada, a través de las reglas, y el simplex aunque momentáneamente
fuera de curso, volvería nuevamente en dirección del óptimo.
Se debe llevar en cuenta que el método simplex no puede ser utilizado en la
determinación de variables cualitativas, de tipo presencia o no de un determinado
factor. La aplicación de este método también no es aconsejable caso las
condiciones experimentales sean de difícil control u obtención, además que solo
es posible optimizar un factor por vez.

En particular, en el uso del método simplex básico, tres limitaciones son evidentes:

PRIMERO: El óptimo solamente es localizado con precisión por casualidad.

SEGUNDO: Un óptimo falso puede ser localizado.
TERCERO: El progreso del simplex en dirección al óptimo solamente puede ser
efectuado en una proporción constante.
Estos inconvenientes motivaron la modificación del método simplex básico,
convirtiéndolo más eficiente en la búsqueda del óptimo, originando el método
simplex modificado (MSM).

MÉTODO SIMPLEX MODIFICADO

En 1965, Nelder y Mead, propusieron modificaciones en el procedimiento original
de movimentación del simplex básico, que permitió obtener un punto óptimo
estacionario con suficiente precisión y claridad, además de permitir un desarrollo
mas rápido del simplex en dirección al óptimo, originando el denominado Método
Simplex Modificado (MSM), donde pueden ser alterados el tamaño y la forma del
simplex. Las reglas de movimiento del método Simplex básico son válidas y a
estas fueron aumentadas, por Nelder y Mead, otras que caracterizan el MSM,
volviéndolo probablemente el más aplicado en química.

REGLAS PARA EL MÉTODO SIMPLEX MODIFICADO

Las reglas adicionales de movimiento del Método Simplex Modificado.
Andamiento del Método Simplex Modificado Considere el simplex inicial
representado por B, N y W en la figura 8. Suponga que W es el vértice que da la
peor respuesta, B la mejor respuesta y N la segunda peor respuesta. Así, como en
c


c
c
el método simplex básico, el primer movimiento del simplex modificado es la
reflexión y los vértices para el movimiento del simplex pueden ser resumidos por la
ecuación:
P = Pc + b (Pc - W)
P = vértice para el movimiento del simplex. Pc= centroide. W= vértice
correspondiente a la peor respuesta.
b = coeficiente de movimiento del simplex.
En el método simplex básico, el único valor permitido para el andamiento del
simplex es b = 1, correspondiente a la reflexión, generando el vértice R. Sin
embargo, para el Método Simplex Modificado otros valores son permitidos y
definidos después de cada observación de la respuesta en comparación con las
respuestas obtenidas en los vértices originales representados por B, N y W.
Existen cuatro posibilidades con relación a la respuesta obtenida en R para ser
consideradas, las cuáles generan las siguientes reglas de movimiento del simplex
modificado.

REGLA nº 1: Sí la respuesta en R fuera mejor que la respuesta en B, indica que el

simplex está caminando en la dirección correcta. Se debe realizar una expansión
del simplex inicial. Haciendo b = 2 se duplica el tamaño del simplex en la dirección
deseada y se realiza el experimento en S. Sí la respuesta en S fuera mejor que las
anteriores, el nuevo simplex será SBN.

REGLA nº 2: Sí la respuesta en R fuera peor que en W, significa que el simplex

además de no estar caminando en la dirección correcta, está con tamaño
inadecuado. Se debe realizar una contracción con cambio en la dirección del
simplex RNB, generando el vértice T, para el cual b = - ½. Sí la respuesta en T
fuera mejor que en W, el nuevo simplex será BNT.

REGLA nº 3: Sí la respuesta en R fuera peor que en N, pero mejor que en W,

significa que el simplex está muy grande, pero en la dirección correcta. Se hace
una observación en U (b = ½). Sí la respuesta en U fuera intermediaria entre B y
N, el nuevo simplex será BUN, ósea, se hace una contracción.

REGLA nº 4: Sí la respuesta en R fuera intermediaria entre B y N, estas

operaciones no son recomendables y el nuevo simplex será BRN, procediéndose
como en el caso del simplex básico.
Los movimientos del simplex modificado están resumidos en la Tabla 3. Los
valores de b, correspondientes a la expansión y contracción del simplex pueden
asumir valores diferentes de los relacionados en la tabla 3, pero en general estos
son los más usados.

Tabla 3: Movimientos del simplex modificado

"  #c ›   $
 

c

c
c
 2 S Expansión

-½ T CMD*

½ U Contracción

1 R Reflexión

Cuando los recursos adicionales de movimiento del simplex (MSM) se muestren

equívocos (principalmente la contracción), es decir, el simplex no se mueve, se
recomienda una reducción del simplex, también llamada de  %c.
Es decir, se conserva el vértice B del simplex y se hacen nuevas observaciones
para determinar los otros vértices nuevos N' y W', determinados de la siguiente
forma:
N' = (B + N) / 2 y W' = (B + W) / 2
La idea, aunque efectiva, sufre dos desventajas. La primera, que requiere de la
evaluación de los nuevos k vértices del simplex reducido para que el proceso de
optimización pueda continuar (donde k es el número de factores del procedimiento
en optimización). La segunda, es que el tamaño del simplex, cada vez que ocurre
una contracción brusca, es reducido y esto puede resultar en la convergencia
prematura del simplex en la presencia del error experimental.
MÉTODO SIMPLEX SÚPER MODIFICADO
Existe aún un algoritmo más sofisticado para la optimización utilizando el método
simplex, el simplex súper modificado. En este método la forma y el tamaño del
simplex pueden ser ajustados de acuerdo con las características de la superficie
analizada, haciendo la búsqueda por el óptimo aún más eficiente. Sin embargo, el
tratamiento matemático necesario para su desarrollo se vuelve más complejo,
involucrando el ajuste de ecuacionespoligonales, además, siendo necesario
realizar un experimento más a cada movimiento del simplex.

c

c
c
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 = b1a21·x1 + a22·x2 +

Sujeto a: ... + a2n·xn = b2...am1·x1 + am2·x2 + ... + amn·xn =
bmx1,..., 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.

c


c
c
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 dec
  c

c cc
c 
c
c

c 
c
cc

 

c
c


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 , 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 como 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.
‘
cc   ‘
cc
  c c


= - exceso + artificial

= + artificial

= + holgura

c

c
c
MÉTODO SIMPLEX PARA LA SOLUCIÓN DE PROBLEMAS DE
PROGRAMACIÓN LINEAL
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. c
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.c
El método del simplex se basa en la siguiente propiedad: si la función objetivo, ,
no toma su valor máximo en el vértice A, entonces hay una arista que parte de A,
a lo largo de la cualaumenta.

El método del simplex fue creado en 1947 por el matemático George Dantzig. c
El método del simplex se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o más variables. c
El álgebra matricial y el proceso de eliminación de Gauss-Jordan para resolver un
sistema de ecuaciones lineales constituyen la base del método simplex.

Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos

a resolver el siguiente problema: c
MaximizarcZ= f(x,y)= 3x + 2yc
sujeto a:c 2x + y 18c
cc 2x + 3y 42c
cc 3x + y 24c
cc x 0,y 0c
Se consideran las siguientes fases:

1. Convertir las desigualdades en igualdades c

Se introduce una v e e o gu por cada una de las restricciones, para
convertirlas en igualdades, resultando el sistema de ecuaciones lineales: c

  c

  c

  c

2. Igualar la función objetivo a cero c


   !c

c

c
c
3. Escribir la tabla inicial simplex c
En las columnas aparecerán todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas, una fila para cada restricción y la última
fila con los coeficientes de la función objetivo: c
Tabla I . Iteración nº 1 c
Basec Variable de decisiónc Variable de holgurac Valores soluciónc
cc ˜c c c c c cc
c 2c 1c 1c 0c 0c 18c
c 2c 3c 0c 1c 0c 42c
c ]c 1c 0c 0c 1c 24c
c -3c -2c 0c 0c 0c 0c
c

4. Encontrar la variable de decisión que entra en la base y la variable de holgura

que sale de la base
A. Para escoger la variable de decisión que entra en la base, nos fijamos en la
última fila, la de los coeficientes de la función objetivo y escogemos la
variable con el coeficiente negativo mayor (en valor absoluto).
En nuestro caso, la variable
de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición
anterior, entonces se elige uno cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se
ha alcanzado la solución óptima. Por tanto, lo que va a determinar el final
del proceso de aplicación del método del simplex, es que en la última fila no
haya elementos negativos.
La columna de la variable que entra en la base se llama o umn"vote (En
color azulado)

 Para encontrar la variable de holgura que tiene que salir de la base, se

divide cada término de la última columna (valores solución) por el término
correspondiente de la columna pivote, siempre que estos últimos sean
mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8] c

Si hubiese algún elemento menor o igual que cero no se hace dicho

cociente. En el caso de que todos los elementos fuesen menores o iguales
a cero, entonces tendríamos una solución no acotada y no se puede seguir. c

El término de la columna pivote que en la división anterior dé lugar al menor

cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de
holgura que sale de la base, . Esta fila se llama   "vote (En color
& ). c

c

c
c
 Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de
las variables correspondientes puede salir de la base. cc
c

En la intersección de la fila pivote y columna pivote tenemos el elemento

pivote operacional.c

5. Encontrar los coeficientes de la nueva tabla. c

Los nuevos coeficientes de
se obtienen dividiendo todos los coeficientes de la
fila  por el pivote operacional, 3, que es el que hay que convertir en 1. c
A continuación mediante la reducción gaussiana hacemos ceros los restantes
términos de su columna, con lo que obtenemos los nuevos coeficientes de las
otras filas incluyendo los de la función objetivo . c
También se puede hacer utilizando el siguiente esquema:

Fila del pivote: c

Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)c

Resto de las filas: c

Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable
entrante) X (Nueva fila del pivote)c

Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla
II): c
c
Vieja fila de sc 2c 3c 0c 1c 0c 42c
cc -c -c -c -c -c -c
Coeficientec 2c 2c 2c 2c 2c 2c
cc xc xc xc xc xc xc
Nueva fila pivotec 1c 1/3c 0c 0c 1/3c 8c
cc =c =c =c =c =c =c
Nueva fila de sc 0c 7/3c 0c 1c -2/3c 26c
Tabla II . Iteración nº 2

c

c
c
 Basec Variable de decisiónc Variable de holgurac Valores soluciónc
cc
c c c c c cc
c 0c ']c 1c 0c -2/3c 2c
c 0c 7/3c 0c 1c -2/3c 26c

c 1c 1/3c 0c 0c 1/3c 8c
c 0c -1c 0c 0c 1c 24c
Como en los elementos de la última fila hay uno negativo, -1, significa que no
hemos llegado todavía a la solución óptima. Hay que repetir el proceso: c
 La variable que entra en la base es , por ser la variable que corresponde al
coeficiente -1c
 Para calcular la variable que sale, dividimos los términos de la última
columna entre los términos correspondientes de la nueva columna pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]
y como el menor cociente positivo es 6, tenemos que la variable de holgura
que sale es . c

El elemento pivote, que ahora hay que hacer 1, es 1/3.c
c
Operando de forma análoga a la anterior obtenemos la tabla:
Tabla III . Iteración nº 3c
Basec Variable de decisiónc Variable de holgurac Valores soluciónc
cc ˜c c c c c cc
c 0c 1c 3c 0c -2c 6c
c 0c 0c -7c 0c c 12c

c 1c 0c -1c 0c 1c 6c
c 0c 0c 3c 0c -1c 30c
Como en los elementos de la última fila hay uno negativo, -1, significa que no
hemos llegado todavía a la solución óptima. Hay que repetir el proceso: c
 La variable que entra en la base es , por ser la variable que corresponde al
coeficiente -1c
 Para calcular la variable que sale, dividimos los términos de la última
columna entre los términos correspondientes de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura
que sale es . c

El elemento pivote, que ahora hay que hacer 1, es 4.c
c

c

c
c
Obtenemos la tabla: c

Tabla IV . Final del procesoc

Basec Variable de decisiónc Variable de holgurac Valores soluciónc
cc ˜c c c c c cc
c 0c 1c -1/2c 0c 0c c
c 0c 0c -7/4c 0c 1c 3c

c 1c 0c -3/4c 0c 0c ]c
c 0c 0c 5/4c 0c 0c ]]c
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos
llegado a la solución óptima. c
Los solución óptima viene dada por el valor de Z en la columna de los valores
solución, en nuestro caso: 33. En la misma columna se puede observar el vértice
donde se alcanza, observando las filas correspondientes a las variables de
decisión que han entrado en la base: D(3,12) c

Si en el problema de maximizar apareciesen como restricciones inecuaciones de

la forma: ax + by c; multiplicándolas por - 1 se transforman en inecuaciones de
la forma - ax - by - c y estamos en el caso anterior c
Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo
proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se
elige la variable cuyo valor, en la fila de la función objetivo, sea el mayor de los
positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la
función objetivo son negativos

c

!c
c
MÉTODO SIMPLEX (conservada de manera original al libro).
El procedimiento usado en el método simplex consiste en continuar efectuando
cambios en las variables básicas del tipo analizado en laultima sección hasta que
se detenga el conjunto de variables que optimizan la función objetivo. Cada
cambio de variables se realiza de tal manera que mejore al valor de la función
objetivo.
Consideramos el método con respecto a un ejemplo particular. Supongamos que
deseamos maximizar Z= 2x + 3y sujeta a las restricciones x mayor o igual que 0, y
mayor o igual que 0, x+ 4y = 9 + y=4. Como de costumbre, definimos las variables
de holgura t y u por:

x + 4y + t = 9, 2x + y + u =4
En donde las cuatro variables x, y, t y u son no ser negativas. La tabla simplex es

"ccc#cccccc$ccccc
c cccccc ccc
cccc
c
$c ccc ccc
ccc cccc
ccc
ccc
ccc
cccc
Observe que ahora agregamos otro renglón a la tabla que contiene los
coeficientes de la función objetivo.

2x + 3y + 0 * t + 0 * u =Z

Empezamos con la SBF en la cual x= y= 0. En el caso de esta solución, t=9 y u=4.

La función objetivo tiene el valor cero para esta SBF. Nuestro propósito es
remplazar una de las variables t o u con x o y en tal forma que Z se incremente.
Observando en el último renglón de la tabla, advertimos que si x se incrementa en
1, Z se incrementa en 2, mientras que si y se incrementa en 1, Z se incrementa en
3. Esto es, cualquier incremento en y tiene un efecto mayor en Z que el mismo
incremento en x. Por lo tanto, paree razonable considerar a y como la variable de
entrada al formular la nueva base.

Los elementos del renglón inferior de la tabla se denominan los indicadores. En

cada etapa del proceso simplex, la variable de entrada es la que tiene el indicador
positivo mas grande. (Si el indicador mas grande ocurre dos veces, los elegimos
arbitrariamente entre las dos variables).

c

c
c
Enseguida debemos decidir si consideramos a t o a u como la variable de salida.
Consideremos estas dos posibilidades una por una.

VARIABLE DE SALIDA t:
En este caso la base constara de (y, u ), ya que y entra y t sale, lña SBF para esta
base se obtiene haciendo x=t = 0. De las ecuaciones (1), tenemos que 0 +4y + 0 =
9 y 2(0) + y + u = 4. Así, y = 9/4 y u= 4 ± y = 4 ± 9/4 = 7/4. En esta solución es
aceptable puesto que tanto y como u son positivas.

VARIABLE DE SALIDA u:
Ahora, la base consta de (t, y) y las SBF corresponde a hacer x= u = 0. De las
ecuaciones (1), tenemos que 0 +4y +t = 9 y 2(0) + y + 0= 4. Por consiguiente, y =4
y t=9 -4y= 9 ± (4)4 = -7.

La segunda solución no es aceptable porque t es negativa. S e sigue por tanto que

t debe ser la variable de salida.
Este método de decidir la variable de salida puede abreviarse de manera
sustancial. Supongamos que la tabla tiene la forma general.

En donde p q y b denotan los elementos indicados en la tabla. Las ecuaciones

correspondientes serian

p1x + q1y + t = b1
p2x + q2y + u = b2

Supongamos que ya hemos decidido que y es la variable de entrada y

consideremos las posibilidades de que t o u sean la variable de salida.

VARIABLE DE SALIDA t: En este caso, la base consta de (y, u). La SBF se

obtiene haciendo x = t = 0, en cuyo caso las ecuaciones (2) dan

q1y = b1y q2y + u= b2

c
 c
c
Por consiguiente

›  c c  c r mediante un análisis similar, concluimos que una SFB

variada se obtendrá con la base (t, con tal de que el elemento pivote # > 0 y a
condición de que #1 ” 0 o si #1> 0, entonces (1/#1) • (2/#2).
Observe que las razones 1/#1 y 2/#2 se obtienen dividiendo el elemento de la
última columna de la tabla entre el elemento correspondiente de la columna de la
variable de entrada. (Véase la figura 16.) Así podemos resumir:

Si #1>#2 ” 0, t es la variable de salida.

Si #2>#1 ” 0, ues la variable de salida.
Si tanto #1 > 0 #2> 0,
tes la variable de salida si 1/#1 ” 2/#1, y
u es la variable de salida si 2/#2 ” 1/#1.

Así que v ee e#ué u oeng $nen t oe"one 

ð$nnonegtvmá"e#ueñ/ #.
Volvamos al ejemplo anterior. Los primeros dos renglones de la tabla aparecen en
la figura 17. Puesto que ha de ser la variable encontrada, dividimos cada
elemento de la última columna entre el elemento correspondiente en la tabla.
Ambas razones son positivas y la más pequeña es 9 ÷ 4 = 2.25, que pertenece al
renglón t de la tabla. Así, debemos tener que tes la variable de salida y el elemento pivote es
4.

c
 c
c
*Si tanto #1 ” 0 como #2 ” 0, entonces el problema no está acotado (esto es, Z, no
tiene valor máximo finito).
Entonces, las dos operaciones por renglón R2 ± ¼ R1 y 1/4 R1 reducen la tabla a la
forma siguiente:

En esta forma, los valores de las variables básicas y u pueden localizarse

directamente en la última columna para la SBF en que
 t !.
Observemos que Z aún está expresada en términos de
 y . nos gustara
expresarla en términos de
y tde modo que cuando
y tse hagan iguales a cero,
el valor de Z pueda leerse de inmediato en la tabla. Podemos hacer esto mediante
la operación R3 ± 3R1.

c

c
c
El último renglón de esta nueva tabla es equivalente a la ecuación

  
«   
  
(3)
 
Cuando   
, esta se convierte en «
o« . En consecuencia, para


la solución factible básica en que  
, la función objetivo tiene el valor . Es

obvio que esto representa una mejora con respecto al valor previo de cero. En la
ecuación (3), observamos que si t se hace positiva, en realidad decrecería. El

indicador correspondiente (es decir  ) es negativo. Por lo tanto, no debemos

permitir que t entre a la base. El indicador positivo más grande (de hecho, el único
2
indicador positivo) es , que pertenece a
, de modo que
será variable de

entrada en la etapa siguiente del proceso simplex.
Con objeto de determinar la variable de salida, de nuevo dividimos la última
columna entre los elementos correspondientes de la columna encabezada por la
variable de entrada. Los resultados están dados en la figura 18. El más pequeño
de estos cocientes es 1, que proviene del renglón u, de modo que u será la
variable de salida.

 2
La sucesión de operaciones entre renglones R1 R2, R3 R2 y R2 reducen la
  
tabla a
X Y T U
`

ccccccc ccc ccccccccccccc


cccccc ccccccccccccc
 
cccccc cc cccccccccc(c
c
La SBF para esta tabla corresponde  t !. Observe que el último renglón de la
tabla corresponde a
2
%  tu,


c
c
c
De modo que cuando ty u son el valor de puede deterninarse de inmediato: 
 !o . Los valores correspondientes de
y pueden localizarse en la última
columna   y
 .
Todos los indicadores son ahora negativos. Esto significa que si alguna de las
variables t o u hubiese dado un valor positivo, decrecería. Así que el valor
máximo de Z se obtiene haciendo t u !,esto es, tomando la SBF en
que
 y = 2. En general, el procedimiento simplex debe detenerse cuando no
quedan indicadores positivos.
m m$!)c (decisiones de producción) Una compañía produce dos tipos de
calcularas electrónicas, un modelo estándar, cuya utilidad es de $5 y un modelo
de lujo, cuya utilidad es de $8. La compañía estima que su red de distribuidores a
lo más puede manejar 1000 calculadoras, existe una disminución tanto en las
partes como en la mano de obra calificada necesaria a fin de ensamblar las
calculadoras. La compañía puede obtener un suministro semanal regular de sólo
5000circuitos electrónicos (chips) necesarios para las calculadoras; cada
calculadora regular necesita 3 de estos chips y cada calculadora de lujo requiere
6. Más aún, la compañía sólo dispone de 2500 horas-hombre de mano de obra
calificada a la semana; cada calculadora regular demanda 3 horas-hombre y cada
calculadora de lujo necesitan 2. ¿Cuántas calculadoras de cada tipo deberían
producirse a la semana a fin de semana a fin de maximizar la utilidad total?
*  %cdenótenos con x el numero de calculadoras regulares y con y el número
de calculadoras de lujo producidas cada semana. Esto requiere de 3x +6y chips y
de 3x + 2y horas-hombre de mano de obra. Así que x y y deben satisfacer las
restricciones x Ó 0, y Ó 0, x + y
1000, 3x + 6y
5000 y 3x + 2 y
2500. La
utilidad semanal es
Z = 5x + 8y.
Definido por variables de holgura t,u y u, las restricciones pueden escribirse en la
forma siguiente:

X + y+ t =1000
3x + 6y + v =5000
3x + 2y + v=2500
En donde x, y, t, u y v son mayores o iguales que cero. Así pues tenemos la tabla
simplex que aparece enseguida.

15. Resuelve el siguiente problema de programación lineal: maximizar Z = x + 2y

sujeta a x + y
4, x + 5y
8, x, y
0.

T 1 1 1 0 0 1000 1000 ÷ 1 = 1000
U 3 6 0 1 0 5000 5000 ÷ 6 = 833.3
V 3 2 0 0 1 2500 2500 ÷ 2 = 1250
5 8 0 0 0 Z

c
c
c
El más grande de los indicadores es 8, en la columna de modo que es
conveniente en la variable de entrada. Con objeto de decir sobre la variable de
salida, consideramos las variables de los elementos de la última columna : la más
pequeña de estas razones, 5000 ÷ 6, ocurre en el renglón u, por lo que u es la
variable de salida.
Debemos en consecuencia transformar la columna a la forma.
0
1
0
0

Dejando intactas las columnas ty v.La sucesión de operaciones entre renglones
  
R1 - R2, R3 - R2, R4 - R2 y R2 logra esto:
   

X y t u v
  2 2 
t 0 1 - 0  = 333
    
  2 2 
y 1 0 0  = 1667
    
 2 2
v 2 0 0 - 1  2 = 417
  

1 0 0 - 0 Z±
 

El indicador más grande ahora es 1, en la columna x, de modo que x es la variable

de entrada en la etapa siguiente. Calculando las razones que involucran la última
columna y la columna x, encontramos que la razón más pequeña ocurre en el
renglón t, de modo que t es la variable se salida. Por consiguiente, efectuamos las
operaciones entre renglones R2-R1, R3-4R1, R4-2R1 y R1.

X y t u v
 
1 0 2 - 0
 
 
0 1 -1 0
 
 2
0 0 -4 - 1
 
0 0 - 2 -1 0 Z ± 7000

En esta etapa todos los indicadores son negativos o cero, de modo que no
podemos mejorar el valor de Z por algún otro cambio de base. El valor optimo de Z
 
es 7000, que se alcanza tomando x = y = . Así que la compañía
 
deberá producir 333 calculadoras regulares y 667 de lujo a la semana.
El método simplex puede resumirse por la sucesión de pasos siguientes:
c
c
c
V
   Definimos las variables de holguras no negativas que transformen las
desigualdades en ecuaciones.
V
Construimos la tabla simplex.
V
   Seleccionamos la variable de entrada con base en el indicador positivo
más grande.
V
Calculamos las razones de los elementos de la última columna de la tabla
a los elementos de la columna de la variable de entrada. El cociente no negativo
más pequeño determina la variable de salida.
V
Efectuamos operaciones entre renglones de la tabla a fin de transformar
la columna encabezada por variable de entrada a la forma que la columna de la
variable de salida tenia antes. Esto debe realizarse sin alterar las columnas
encabezadas por las otras variables básicas.
V
 Repetimos los pasos 3, 4 y 5 hasta que ninguno de los indicadores sea
positivo. El valor máximo de la función objetivo estará dado entonces por el
elemento inferior izquierdo de la tabla.

El método simplex puede aplicarse a problemas que incluyan más de dos

variables y cualquier número de desigualdades. Cuando estos números son
grandes, es necesario utilizar una computadora con objeto de realizar los cálculos,
pero las operaciones correspondientes a problemas con tres variables pueden por
lo general realizarse mano sin demasiada dificultad.
c
m m$!)ccccc
Utilice el método simplex a fin de determinar el valor máximo de la función objetivo
ð 
 ð, en one
,  y ð, on v e no negativas que satisfacen las
restricciones x+y+ð ” 4, 3x + y + 2ð” 7yx + 2y + 4z ” 9.
p
r
Definimos t, u u como las variables de holgura no negativas tales que

˜ ðt 

 ðu &
˜ ðu '.

La tabla simplex aparece abajo. El indicador más grande es 4, que pertenece a la

columna x, de modo que
se convierte en la variable de entrada. Los cocientes de
los elementos de la última columna entre los correspondientes elementos de la

c
c
c
columna
están calculados a la derecha. El cociente más pequeño pertenece al
renglón u, por lo que u debe ser la variable de salida.

 tuu

t 1 1 1 1 0 0 4( 

Variable u 3 1 2 0 1 0 7&( .

de salida u 1 2 4 0 0 1 9'( '

4 1 3 0 0 0 z

Variable

Las operaciones entre renglones ) ), )% ),)*) reducen entonces
la tabla a la forma siguiente:

 ðtuu

t!!++( +
   & &
, e
  ! !  (- .+
+ !  ! ! !
e u!  !   (  
1 1 4 28
0 - /3 /3 0 - /3 0 z - /3

Variable
c
 c
c
de entrada

El único indicador positivo pertenece ahora a ð,de modo que esta variable entra a
la base. De acuerdo con los cocientes calculados a la derecha, u es la variable de
salida. Efectuamos la sucesión de operaciones )%!),)- 1/5R3, R4± 1/10R3 Y
3
/10R3.

˜ ðtuu
1
t 0 /2 0 1 -3/10-1/10 1
 +

!!!  +

ð!-!!!
  ! 
! !!   !ð!

Todos los indicadores son ahora negativos, lo que indica que el valor máximo de 
se alcanzó en la correspondiente SBF. Ésta está dada por y = u  u  ! y los
valores de t,
 ðpueden leerse en la última columna. Éstos son t ,  ! ð .

Hemos descrito el método simplex en el caso de un problema de maximización. La

manera más fácil de usarlo a fin de resolver un problema de mnmð$n es
convertir el problema dado en uno que requiera maximización. Por ejemplo,
supongamos que deseamos encontrar los valores de
 y sujetos a ciertas
restricciones que minimizan un costo C dado por C = 2x + 6y +3.Definimos
entonces Z=-2x ± 6y, de modo C= 3 ±z. Se sigue que cuando C alcanza su valor
mismo, Z debe tener un máximo. Podemos de esta manera reemplazar el objetivo
en el problema dado por el nuevo objetivo: maximizar Z= -2x -6y. Las restricciones
permanecen sin cambio y podemos aplicar el método simplex, tal como se
describió antes porque tenemos ahora un problema de maximización.

En nuestros ejemplos del método simplex, empezamos con una SBF en la cual las
variables de holgura forman la base y todas las variables originales son cero. Sin
embargo, algunas veces tal solución no es factible y el procedimiento debe
modificar. No entraremos en los detalles en cuanto a la resolución de esta
c
!c
c
resolución de esta dificultad, pero el ejemplo siguiente indicará las ideas
principales implicadas.

EJEMPLO 3
Minimizar  = 10 +
± 2 sujeta a las restricciones
> 0, > 0,
+ < 5 2
+ > 6.
SOLUCIÓN
Primero defina = -
+ 2 . Entonces  = 10 ± , y debemos maximizar , que sea
equivalente a minimizar .
Introduciendo variables de holguraen la manera usual, el problema de
programación lineal se transforma, en la forma estándar.

Maximizar = -
+ 2
Sujeta a
+ + t = 5, 2
+ ± u = 6,
, ,t,u>0.

Ahora intentamos encontrar una SBF haciendo
= = 0, a fin de iniciar el método

simplex. Obtenemos t = 5 u = 6, y ésta no es factible ya que u< 0.
Es posible salvar esta dificultad por medio de la sencilla estrategia de introducir
otra variable u, denominada
  c  "   # en la segunda restricción se
transforman en

+ + t = 5, 2
+ ± u + v = 6,
, ,t,u,v>0.

Ahora podemos obtener una SBF poniendo
= = u = 0, y las variables básicas

son t = 5 y v = 6. Ambas positivas.
Por supuesto, al introducir la variable ha cambiado el problema el problema. Pero
cuando k = 0, el nuevo conjunto de restricciones e el mismo que el anterior. Por
tanto si estamos seguros que v es cero en la solución final del nuevo problema,
esta solución también debe resolver el problema dado.
Podemos asegurar que v se lleva a coro cambiando la función objetivo a = -
+
2y± .v, donde . es el numero mas grande, por ejemplo un millón. . se conoce
como la
 & % asociada con la variable artificial, y su efecto es asegurar
que cualquier valor diferente de cero de v produce un valor negativo grande de la
función objetivo, que por tanto debe ser menor al valor máximo. En el máximo de
esta nueva , u debe ser cero.
Entonces la tabla para nuestro nuevo problema es

 tuv
t1 1 1 0 0 5
v 2 1 0 -1 0 6
c

c
c
 -1 2 0 0 -.
Sin embargo, esta tabla no esta totalmente en la forma usual, ya que el indicador
no es cero en la columna de v, y v es una variable básica. La operación )3 + .)2
resuelve ese pequeño problema, y queda

 tuv
t1 1 1 0 0 5
5/1=5
v2 1 0 -1 0 6 6/2=3
2.-1 .+2 0 -. 0 6.

Ahora procedemos con el método simplex usual. El indicador más grande es 2.-1
En la columna de
, de modo que
entra en la base, y las razones usuales a la
derecha muestran que v sale. Entonces, las operaciones entre renglones )1 ±
½)2 y )3 ± (. ± ½) )2, produce la tabla

 tuv
t! ½ 1 ½ -½ 2 2/½=4
v1 ½ 0 -½ ½ 3 3/½=6
0 5/2 0 -½ -.+½ 3

Esta vez entra y t sale. Las operaciones entre renglones )2 ± )1 y )3 ± 5)1

seguida por 2)1 produce la tabla:

 tuv
t! 1 2 1 -1 4
v1 0 -1 -1 1 1
0 0 -5 -3 -.+3 -7

c
 c
c
Ahora todos los indicadores son negativos, de modo que esta solución es optima:
= 4,
= 1 y el valor máximo de es 7. (Con facilidad se puede verificar por
medio del método geométrico que esta solución es correcta.) Por ultimo, el valor
mínimo de  = 10 ± es 3.

CONCLUCÈONES

c
 c
c
En este tema de método simplex de la materia de cálculo pudimos abarcar una
gran variedad de conocimientos enlazados uno de otro con distintas materias
como programación o incluso problemas que se nos presentan en nuestra vida
cotidiana.
En este proyecto se nos explica detalladamente como, para que y porque usar
este método.
Gracias a este método podemos maximizar ganancias y tener una reducción de
precios o tiempos, gracias a el podemos sacar el punto de equilibrio cuando
alguna empresa que vallamos a estudiar produce multiproductos, (dos o mas
productos) para saber que cantidad de productos se debe fabricar para obtener
las mayores ganancias, las menores perdidas, materiales o inversiones posibles.
Por consiguiente el método simplex es más usual que el método algebraico puesto
que es más sencillo de usar.
Este proyecto fue muy interesante al elaborarlo y con el fin de que también lo fuera
para el lector y dar una perspectiva claridosa al utilizar este método en su
aplicación en el ámbito laboral como profesional.
Al considerar las matemáticas como un lenguaje debemos tener en cuenta que
todo lo que se relacione con esta materia es de una gran importancia para ello
debemos estudiar y practicar con este y todos los métodos prácticos para
maximización, minimización o todos aquellos que nos ayuden a obtener beneficios
en cualquier actividad que realicemos.
Este equipo que concluye este cuatrimestre en la materia de cálculo opinamos que
fue de nuestro agrado el haber aprendido, y posteriormente al elaborar este
trabajo, el reforzar los conocimientos de este tema.
Se actualizo toda la información necesaria para conocer las necesidades de las
personas.
Por otro lado nos dimos cuenta de que fue muy importante la investigación, puesto
que la información que adquirimos de un solo lugar no es suficiente.
Se considera que cumplimos con todos los requerimientos que se nos pidió y que
logramos lo que al principio nos propusimos.
Por lo que concluimos este proyecto de manera satisfactoria y que de acuerdo a
su elaboración varios aprendimos de él.

BIBLIOGRAFÈA
c

c
c
Pagina: %&'((()&%&*&")* +*+*&")%*c
Fecha de Consulta: miércoles 23 de marzo del 2011.

Pagina: %&'((()&, *  )*&")%*c

Fecha de consulta: sábado 29 de marzo del 2011.

Pagina:http://www.monografias.com/trabajos75/metodo-simplex-maximizacion/metodo-
simplex-maximizacion2.shtml
Fecha de consulta: sábado 29 de marzo del 2011.

Pagina:http://www.investigacion-operaciones.com/SIMPLEX_analitico.htm
Fecha de consulta: miércoles 23 de marzo del 2011.

Nombre: Arya, Jadish C. y Lardner, Robín W.

Titulo del libro: Matemáticas Aplicadas a la administración y a la economía.
Editorial: Pearson Education
País: México
Año: 2002
Paginas: 434 ± 443.

c
c
c