VARIABLE ARTIFICIAL

Una variable artificial es un truco matemático para convertir inecuaciones ">=" en

ecuaciones, o cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que
no representan recursos.

El objetivo fundamental de estas variables es la formación de la matriz identidad.

Estas variables se representa por la letra "A", siempre se suman a las restricciones,
su coeficiente es M (por esto se le denomina Método de la M grande, donde M
significa un número demasiado grande muy poco atractivo para la función objetivo),
y el signo en la función objetivo va en contra del sentido de la misma, es decir, en
problemas de Maximización su signo es menos (-) y en problemas de Minimización
su signo es (+), repetimos con el objetivo de que su valor en la solución sea cero
(0).

 Las variables artificiales no son varíales reales

 La usamos solo para obtener una base inicial, así que debemos deshacernos
de ellas

 Para deshacernos de ellas, resolveremos un problema extra de optimización

antes de comenzar a resolver el problema normal
 EL MÉTODO DE LAS DOS FASES
En muchas ocasiones nos encontraremos con modelos donde los conjuntos de
soluciones factibles no consideran al origen como una de ellas, por lo cual sera
imposible utilizar el método simplex
Para este tipo de casos se han creado muchas metodologías que buscan resolver
este tipo de problemáticas buscando la solución a través de diversos procesos. Una
de estas alternativas es el método de las dos fases, el cual, como su nombre lo
indica, trabaja por medio de 2 fases o procedimientos, con el objetivo de encontrar
primeramente una solución factible inicial y después pasar a resolver el modelo
a través del método simplex. Para utilizar este método se deber tener el modelo en
su forma ampliada, las variables de decisión deben de ser reales y mayores a cero.
Las fases del método se describen a continuación:
EJEMPLOS 1
FASE 1 (SE BUSCA LA PRIMERA SOLUCIÓN BÁSICA FACTIBLE):

1. Consideramos un modelo de programación lineal que se encuentra en su

forma canónica, este modelo debe de ser transformado en su forma ampliada
agregando variables artificiales en las restricciones donde el origen no es una
solución.
2. Ahora se cambia la función objetivo por una función de minimización donde
las variables de decisión son las variables artificiales, pero tomamos el
conjunto de restricciones de la función original.
3. Procedemos a resolver el modelo que tenemos planteado hasta que se de
uno de los siguientes casos: las variables artificiales salen de la base o la
función objetivo obtiene el valor de cero. Si no ocurre ninguno, entonces el
modelo no tiene solución

Considere el siguiente modelo de Programación Lineal:

FASE 1: Al agregar S1 como variable de exceso en la restricción 1 resulta

evidente que no se dispone de una solución básica factible inicial, por tanto
utilizaremos una variable auxiliar "y" que incluiremos en el lado izquierdo de la
restricción y que servirá como variable básica inicial. Esto define el problema
inicial de la Fase 1 junto a su tabla.
Luego la variable X2 entra a la base (costo reducido negativo) y claramente "y"
deja la base. Se actualiza la tabla utilizando el método simplex:

Con esta tabla finaliza la Fase 1. Notar que el valor de la función objetivo al
finalizar la Fase 1 es cero, por tanto podemos continuar la Fase 2.

FASE 2 (RESOLVEMOS EL MODELO CON LA NUEVA SOLUCIÓN

ENCONTRADA):
1. Eliminamos las variables artificiales de las restricciones, pero conservamos
los cambios que se dieron durante la fase 1.
2. Regresamos a la función objetivo original y resolvemos el modelo con los
cambios que se dieron en las restricciones durante la fase 1.

FASE 2: Se elimina la columna asociada a la variable artificial "y" y se actualiza el

vector de costos reducidos considerando la función objetivo original. De esta forma
se obtiene la tabla inicial de la Fase 2.
Dado que X2 es variable básica al finalizar la Fase 1 buscamos dejar esta misma
variable como básica al iniciar la Fase 2. Para ello multiplicamos por -3 la fila 1 y
luego la sumamos a la fila 2.

En este sencillo ejemplo se llega inmediatamente a la tabla final de la Fase 2, con

solución óptima X1=0 y X2=10. El valor óptimo V(P)=-30

EJEMPLOS 2

Fase I (Método Simplex de Dos Fases)

En este caso resulta conveniente multiplicar por -1 la primera restricción de modo

que el lado derecho sea positivo, lo cual tiene como efecto adicional que cambia el
sentido de la desigualdad. En consecuencia el problema que define la Fase I del
Método Simplex de Dos Fases es:

Donde X3 es variable de exceso y X4 y X5 son variables artificiales de la restricción

1 y 2 respectivamente. Luego estaos en condiciones de confeccionar la tabla inicial
de la Fase I donde las variables auxiliares X4 y X5 tienen costo reducido igual a uno
(dado sus respectivos coeficientes en la función objetivo de dicha fase).

A continuación se llevan a cero los costos reducidos de X4 y X5. Para ello se

realizan operaciones filas, por ejemplo, primero multiplicando por -1 la fila 1 y
sumándola a la fila 3, para luego multiplicar por -1 la fila 2 y sumarla a la fila 3.
Notar ahora que las variables básicas son X4 y X5 y las variables no básicas son
X1, X2 y X3. Entre las variables no básicas la que tiene costo reducido negativo es
X2, por tanto dicha variable entra a la Base y mediante el criterio de factibilidad o
mínimo cuociente se determina aquella variable básica que deja la base. Esto se
obtiene de Min{2/1; 10/1}=2. Por tanto X4 sale de la base y se realiza una iteración.

Luego de concluir la iteración se dispone ahora de dos variables no básicas con

costo reducido negativo: X1 y X3. Teniendo en consideración un criterio de rapidez
de convergencia se privilegia la entrada a la base de X1 al tener ésta el costo
reducido más negativo. La variable básica que deja la base se obtiene
de Min{8/2}=4, determinando que X5 sale de la base. Para actualizar la tabla
sumamos la fila 2 a la fila 3 (de modo que el costo reducido de X1 se transforme en
cero) y luego multiplicamos por 1/2 la fila 2 y la sumamos a la fila 1 (para que de
esta forma X1 sea básica asociada a la fila 2, tomando la estructura de la variable
básica saliente X5).

“Se verifica que se concluye la Fase I del Método Simplex de Dos Fases. Esta
situación se detecta cuando se dispone de una solución básica que satisface las
condiciones de no negatividad, donde las variables no básicas tienen costos
reducidos mayores o iguales a cero y el valor de la función objetivo es igual a cero.”

I
 Fase II (Método Simplex de Dos Fases)

A continuación se da inicio a la Fase II del Método Simplex de Dos Fases. En esta

etapa se elimina las columnas asociadas a las variables auxiliares utilizadas en la
Fase I del método (en el ejemplo las variables X4 y X5) y se actualiza el vector de
costos reducidos considerando la función objetivo del problema original en formato
de minimización, esto es MIN -X1–3X2.

Cabe recordar que las variables básicas finalizadas la Fase I son X2 y X1 y luego
de la actualización de la fila de costos reducidos (fila 3) será necesario llevar sus
respectivos costos reducidos a cero, para lo cual se suma la fila 2 a la fila 3 y luego
se multiplica por 3 la fila 1 y se suma a la fila 3, obteniéndose lo siguiente:

Del procedimiento anterior resulta que la variable no básica X3 tiene costo reducido
y por tanto ingresa a la base. La variable básica que deja la base se obtiene
de Min{4/1/2}=8 y por tanto X1 abandona la base. Con ello se realiza una iteración
del método obteniendo la siguiente tabla:

Observar que la variable no básica X1 tiene costo reducido igual a 2 (que satisface
las condiciones de no negatividad), además de enfrentarnos a una solución básica
factible para X2 y X3.

“Por tanto se concluye la Fase II del Método Simplex de Dos Fases con solución
óptima X1=0, X2=10 y X3=8 y valor óptimo V(P)=30.”
 METODO DE LA GRAN M

En el contexto de la aplicación del Método Simplex no siempre es inmediata la

obtención de una solución básica factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios procedimientos como son el Método
Simplex de 2 Fases y el Método de la M Grande (o Gran M) el cual abordaremos
en este artículo. Para ello consideremos el siguiente modelo de Programación
Lineal en 2 variables:

A continuación agregamos las variables no negativas (holgura restricción

1), (auxiliar restricción 2), (exceso restricción 3) y (auxiliar restricción 3). El
modelo ahora es:

Donde el parámetro M es una constante positiva suficientemente grande para

representar una penalización adecuada en la función objetivo. La tabla inicial del
método esta dada por:

Antes de continuar con las iteraciones se debe procurar que el costo reducido de
las variables y sean ceros. Para ello multiplicamos por -M la fila 2 y la fila 3 y
luego sumamos a la fila 4, obteniendo lo siguiente:

Ahora debemos seleccionar que variable no básica ingresa a la base. El menor

costo reducido corresponde a la variable en consecuencia dicha variable
ingresa a la base. Luego calculamos el mínimo cuociente en dicha

columna: , el cual se alcanza en la fila 1, por tanto la

variable deja la base. Se actualiza la tabla:

Siguiendo con las iteraciones ahora la variable entra a la base. El criterio de

factibilidad indica que: la variable abandona la base (el

pivote se encuentra en la fila 3). Actualizamos la tabla:

Una nueva iteración indica que ingresa a la base. El mínimo cuociente en la

respectiva columna es: (recordar que se omiten

denominadores menores a cero). Ahora el pivote se encuentra en la fila 2 y en
consecuencia deja la base. Se actualiza la tabla:

Se ha alcanzado la solución óptima con y . Notar que las

variables auxiliares (r1 y r2) son no básicas en el óptimo. El valor óptimo
es 21/4(notar que el signo esta cambiado).

Para una mejor comprensión de los resultados alcanzados a continuación se

presenta la resolución gráfica del problema haciendo uso del software Geogebra.
El dominio de soluciones factibles corresponde a la recta que une los vértices A y
B. Adicionalmente se muestra la curva de nivel que pasa por la solución óptima
(vértice B).
Teóricamente se espera que en la aplicación del Método de la M Grande las
variables auxiliares sean no básicas en el óptimo. Si el modelo de Programación
Lineal es infactible (es decir, si las restricciones no son consistentes), la iteración
del Método Simplex final incluirá al menos una variable artificial como básica.

Adicionalmente la aplicación de la técnica de la M Grande implica teóricamente que

M tiende a infinito. Sin embargo al usar la computadora M debe ser finito,
pero suficientemente grande. En específico M debe ser lo bastante grande como
para funcionar como penalización, al mismo tiempo no debe ser tan grande como
para perjudicar la exactitud de los cálculos del Método Simplex, al manipular una
mezcla de números muy grandes y muy pequeños.
 EJEMPLO 2

METODO DE LA GRAN M
la letra (M) representa un numero demasiado grande el cual resulta ser muy poco
atractivo para la función objetivo

Existen problemas de programación lineal que no proporcionan una solución básica

inicial. Esta situación se presenta cuando al menos una de las restricciones es del
tipo (<=) o (=). Para este propósito se desarrollan 2 métodos basados en el uso de
variables artificiales: El método M o de penalización y la técnica de 2 fases.

Los pasos básicos del método M son los siguientes:

1. Exprese el problema en forma estándar transformando las inecuaciones en

ecuaciones introduciendo variables de holgura.

2. Agregue variables no negativas al lado izquierdo de cada una de las

ecuaciones correspondientes a las restricciones de tipo (>=) o (=). Estas
variables se denominan variables artificiales y su adición hace que las
restricciones correspondientes.

Esta dificultad se elimina asegurando que las variables sean 0 en la solución

final. Esto se logra asignando una penalización muy grande por unidad a
estas variables en la función objetivo. Tal penalización se designará como –
M para problemas de maximización y +M para problemas de minimización.

3. Utiliza las variables artificiales en la solución básica inicial; sin embargo la

función objetivo de la tabla inicial se prepara adecuadamente para
expresarse en términos de las variables no básicas únicamente. Esto
significa que los coeficientes de las variables artificiales en la función objetivo
deben ser 0 un resultado que puede lograrse sumando múltiplos adecuados
de las ecuaciones de restricción al renglón objetivo.

4. Proceda con los pasos regulares del método simplex.

CUADRO PARA TRABAJAR LA M

V/b que aparece Función objetivo

≥ -S+A Min = +M

= +A Max = -M

≤ +S
EJEMPLO
Función objetivo
minz= 180x1+160x2

Restricciones
6x1+x2=12
3x1+x2≥8
4x1+6x2≤24

X1; x2≥0

6x1+x2+A1=12

3X1+X2-S1+A2=8

4X1+6X2+S2=24

Z=180X1+160X2+0S1+0S2+MA1+MA2

Z-180X1-160X2-0S1-0S2-MA1-MA2=0