Universidad Nacional de San Agustı́n

Facultad de Ciencias Naturales y Formales

Escuela Profesional de Matemáticas

Evaluación Continua 2:
Construcción del Método Simplex

Asignatura:
Optimización Lineal
Docente:
Mg. Willy Condori Roca
Integrantes:
Abado Condori, Miguel Angel.
Montes de Oca Cárdenas, Guillermo Alberto.
Gonzales Taco, Cinthia Noimi.
Jove Yareta, Michael Williams.
Quispe Merma, Joseph Mendelshon.

Arequipa 2023
Índice
1. Abstract 2

2. Resumen 3

3. Introducción 4

4. Objetivos 5

5. Marco Teórico 6
5.1. Breve Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5.2. Importancia del Método Simplex . . . . . . . . . . . . . . . . . . . . . . 6
5.3. Construcción del Método Simplex . . . . . . . . . . . . . . . . . . . . . . 7
5.3.1. Problema de Fabricación . . . . . . . . . . . . . . . . . . . . . . . 8
5.3.2. Problema del Carpintero . . . . . . . . . . . . . . . . . . . . . . . 12
5.3.3. Problema Aplicado a la Ingenieria Civil . . . . . . . . . . . . . . . 15

6. Conclusiones 18

7. Referencias 19

1
1. Abstract
The simplex method is an analytical method for solving linear programming problems,
it is capable of solving more complex models than those solved by the graphical method,
without having a restriction on the number of variables. The main objective is to provide
an efficient algorithm to find the optimal solution, highlighting the construction of a
mathematical model applying the simplex method to calculate the level of production
that maximizes a linear function subject to linear constraints, allowing professionals and
analysts to take informed decisions based on the optimization of a linear function. To do
this, it is divided into the following stages:

The problem statement: Where the variables and the objective function are identi-
fied

Conversion of inequalities: This in order to create equalities.

Writing the initial Simplex table: The problem variables are added to the columns.
In one of the rows, each group of coefficients of each restriction is added and in the
other, the coefficients of the objective function are added.

Keywords: Linear programming, decision variables, maximize, minimize, restrictions,

simplex method.

2
2. Resumen
El método simplex es un método analı́tico de solución de problemas de programación
lineal, es capaz de resolver modelos más complejos que los que son resueltos mediante
el método gráfico, sin tener restricción en el número de variables. El objetivo principal
es proporcionar un algoritmo eficiente para encontrar la solución óptima, destacando la
construcción de un modelo matemático aplicando el método simplex para calcular el nivel
de producción que maximice una función lineal sujeta a restricciones lineales, permitiendo
a los profesionales y analistas tomar decisiones informadas basadas en la optimización de
una función lineal. Para ello, se divide en las siguientes etapas:

El planteamiento del problema: Donde se identifican las variables y la función ob-

jetivo.

Conversión de las desigualdades: Esto con el fin de crear igualdades.

La escritura de la tabla inicial Simplex: Se agregan las variables del problema en las
columnas. En una de las filas se agrega cada grupo de coeficientes de cada restricción
y en la otra, se añaden los coeficientes de la función objetivo.

Palabras clave: Programación lineal, variables de decisión, maximizar, minimizar,

restricciones, método simplex.

3
3. Introducción
En un mundo donde la toma de decisiones juegan un papel importante, es esencial
contar con herramientas poderosas que nos ayuden a maximizar nuestros resultados. Una
de esas herramientas es el método simplex que fue desarrollado por Dantzig, es un modelo
matemático que resuelve problemas cuando son representados por modelos de programa-
ción lineal, en otras palabras, el método simplex es un procedimiento para determinar la
mejor solución posible de un problema, considerando ciertas restricciones y maximizando
o minimizando una función objetivo. [1]

El método simplex es más utilizado en investigación de mercados como una herramien-

ta para optimizar decisiones relacionadas con la asignación de recursos y la maximización
de beneficios. Puede ser aplicado en gestión de inventarios, optimización de precios, en-
tre otros. Es accesible y valioso para cualquier persona interesada en tomar decisiones
estratégicas basadas en datos y análisis. [1]

La primera implementación computacional del Método Simplex es el año 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 proble-

ma de Programación Lineal se encuentra en un vértice o frontera del dominio de puntos
factibles, de manera que, la búsqueda secuencial del algoritmo se basa en la evaluación
progresiva de estos vértices hasta encontrar el óptimo. Sobre todo para aplicar el Método
Simplex a un modelo lineal, este debe estar en un formato especial conocido como formato
estándar el cual definiremos a continuación.

4
4. Objetivos
OBJETIVOS GENERALES.
Analizar la aplicación del Algoritmo Simplex en problemas del mundo real
aplicados en Programación lineal.

OBJETIVOS ESPECÍFICOS
Identificar la función objetivo, maximizar con restricciones y construir la pri-
mera tabla del simplex.

Operacionar la primera solución factible de los problemas de programación

lineal.

Entender las iteraciones que se deben establecer para mejorar la función ob-
jetivo de los problemas y poder hallar el óptimo.

Analizar el significado de cada uno de los resultados de las tablas del simplex.

Calcular la respuesta óptima a los ejercicios propuestos.

Comprender los procedimientos generales del método simplex.

5
5. Marco Teórico
5.1. Breve Historia
Dantzig desarrolló el método simplex para resolver problemas de programación lineal.
El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos,
a Fourier, después de quien nace el método de eliminación de Fourier-Motzkin. [7]

La programación lineal se plantea como un modelo matemático desarrollado durante

la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los
costos al ejército y aumentar las pérdidas del enemigo.

Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en

su planificación diaria. Los fundadores de la técnica son George Dantzig, quien publicó el
algoritmo simplex, en 1947, John von Neumann, que desarrolló la teorı́a de la dualidad en
el mismo año, y Leonid Kantoróvich, un matemático ruso, que utiliza técnicas similares
en la economı́a antes de Dantzig y ganó el premio Nobel en economı́a en1975. En 1979,
otro matemático ruso, Leonid Khachiyan, demostró que el problema de la programación
lineal era resoluble en tiempo polinomio.

Más tarde, en 1984, Narendra Karmarkar introduce un nuevo método del punto in-
terior para resolver problemas de programación lineal, lo que constituirı́a un enorme
avance en los principios teóricos y prácticos en el área. El ejemplo original de Dantzig de
la búsqueda de la mejor asignación de 70 personas a 70 puestos de trabajo es un ejemplo
de la utilidad de la programación lineal.

La potencia de computación necesaria para examinar todas las permutaciones a fin de

seleccionar la mejor asignación es inmensa; el número de posibles configuraciones excede
al número de partı́culas en el universo.

Sin embargo, toma sólo un momento encontrar la solución óptima mediante el plantea-
miento del problema como una programación lineal y la aplicación del algoritmo simplex.
La teorı́a de la programación lineal reduce drásticamente el número de posibles soluciones
óptimas que deberán ser revisadas.

5.2. Importancia del Método Simplex

La importancia del método simplex radica en varias ventajas que lo convierten en una
herramienta de gran utilidad. Algunas de ellas son: [5]

Aplicable a problemas de gran escala: El método simplex puede aplicarse a

problemas con un gran número de variables y restricciones. Aunque su eficiencia
puede disminuir a medida que aumenta el tamaño del problema, sigue siendo una
opción viable para resolver problemas complejos.
Solución óptima: Si se sigue correctamente, el método simplex garantiza encon-
trar la solución óptima para un problema de programación lineal. Esto significa
que obtendrás el mejor resultado posible dentro de las restricciones y objetivos
establecidos.

6
 Flexibilidad en la formulación del problema: El método simplex permite
formular problemas en términos de maximización o minimización de una función
objetivo. Esto significa que puedes adaptar el problema a tus necesidades especı́fi-
cas, ya sea maximizando ganancias, minimizando costos o cualquier otro objetivo
deseado.

Permite identificar soluciones no factibles o ilimitadas: Durante el proceso

de resolución, el método simplex puede detectar si el problema no tiene solución
factible o si tiene múltiples soluciones óptimas. Esto es útil para comprender mejor
la naturaleza del problema y tomar decisiones adecuadas.

Interpretación geométrica: El método simplex se basa en conceptos geométri-

cos y utiliza un espacio de soluciones factibles para encontrar la solución óptima.
Esto proporciona una visualización intuitiva del problema y las restricciones, lo que
facilita la comprensión y el análisis de los resultados.

Puede incorporar variables no lineales: Aunque el método simplex está di-

señado para problemas de programación lineal, se puede extender para abordar
problemas con variables no lineales utilizando técnicas de programación lineal en-
tera o programación no lineal.

5.3. Construcción del Método Simplex

Formulación del problema: Debes formular correctamente el problema en térmi-
nos de una función objetivo a maximizar o minimizar, ası́ como las restricciones que
limitan las variables del problema. Es esencial identificar las variables y restriccio-
nes relevantes y establecer correctamente los coeficientes y las desigualdades en la
formulación del problema. [4]

Restricciones lineales: El método simplex es aplicable a problemas de progra-

mación lineal, lo que implica que todas las restricciones deben ser lineales. Si hay
restricciones no lineales, deberás transformarlas en su equivalente lineal utilizando
técnicas de linealización o considerar otros métodos de optimización más adecuados.

Forma estándar o canónica: El método simplex funciona mejor cuando el pro-

blema se formula en su forma estándar o canónica. Esto implica que la función
objetivo debe ser de maximización, todas las restricciones deben ser desigualdades
de tipo ≤ y todas las variables deben ser no negativas. Si el problema no está en
forma estándar, deberás realizar las transformaciones necesarias para convertirlo a
esta forma.

Matriz de coeficientes: Debes construir la matriz de coeficientes que representa

las restricciones del problema. Esta matriz se utiliza en cada iteración del método
simplex para determinar las variables básicas y no básicas, y para calcular las
mejoras en la función objetivo. Asegúrate de organizar correctamente los coeficientes
de las variables y las restricciones en la matriz.

Método de selección de variables: El método simplex utiliza un método de

selección de variables para determinar qué variable básica debe ingresar o salir del
conjunto básico en cada iteración. Existen diferentes reglas de selección, como la
regla del costo reducido o la regla de la razón mı́nima, que te indicarán qué variable
modificar en cada paso del algoritmo.

7
 Condición de parada: Debes establecer una condición de parada para finalizar
el algoritmo. Por lo general, esto implica verificar si se ha alcanzado una solución
óptima o si no se pueden realizar más mejoras en la función objetivo. Puedes esta-
blecer criterios como la optimalidad de la solución, la estabilidad de las variables
básicas o un número máximo de iteraciones.

Algunos Ejemplos de Construcción del Método Simplex:

5.3.1. Problema de Fabricación

Ejemplo 1 (Problema de fabricación).

Una fábrica de muebles produce dos tipos de muebles de comedor que están muy
de moda: el América y el Europa. Dicha fábrica obtiene una utilidad (precio neto
de venta - costos variables de fabricación) de 400 y 480 euros de la venta de un
comedor América y un comedor Europa respectivamente. Como se ha producido
una alta demanda de ambos modelos, el gerente general cree que puede vender
todos los comedores que se produzcan. Los comedores requieren tiempo de proceso
de construcción y de pintura. Si los requerimientos y capacidades de producción
diarios son los que se muestran a continuación, determinar cuántos comedores se
deben fabricar para vender. [2]

Solución:
Vamos a buscar un modelo matemático que describa esta situación. Los pasos a
seguir son los siguientes:

En primer lugar hay que identificar las variables de decisión del problema. En este
caso llamaremos:

x1 = n◦ de comedores del modelo América

x2 = n◦ de comedores del modelo Europa

Buscar la función objetivo: En este caso, lo que queremos es maximizar la utilidad.

Dicha utilidad depende del n° de comedores de cada tipo que se fabriquen, por lo
tanto, el objetivo será:

Maximizar z = 400x1 + 480x2

Encontrar las restricciones. Como los recursos de que disponemos (horas disponi-
bles en cada una de las secciones) no son ilimitados, la producción estará también
limitada por esta escasez de recursos. Tendremos que: El tiempo de proceso diario
de ambos comedores en las secciones de construcción y pintura, no puede exceder el
tiempo total disponible en cada una de ellas. - Es decir: en la sección de construcción
el no total de horas requerido en esta sección, que es, el no de horas requerido para
la construcción de cada comedor América (6) por el no de comedores América que
se construyan, más el no de horas requerido para la construcción de cada comedor
Europa (12) por el no de comedores Europa que se construyan, debe ser menor o
igual que el no de horas disponibles (capacidad) en esta sección.

6x1 + 12x2 ≤ 120

8
Análogamente para la sección de pintura:

8x1 + 4x2 ≤ 64

Condición de no negatividad: Esta es otra restricción, ya que el no de comedores

de cada tipo que se fabriquen, será como mı́nimo cero. Por lo tanto:

x1 , x2 ≥ 0

9
Tabla Simplex

10
 Por lo tanto diremos que para maximizar los comedores tendrı́amos que fabricar 4 del
modelo América y 8 del modelo Europa. Los comedores son de 5440.

11
5.3.2. Problema del Carpintero

Ejemplo 2 (Problema del Carpintero).

Durante un par de sesiones de brain-storming con un carpintero, comunica que solo

fabrica mesas y sillas y que vende todas las mesas y las sillas que fabrica en un
mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta situación.
El objetivo es determinar cuántas mesas y sillas deberı́a fabricar para maximizar
sus ingresos netos, su objetivo es maximizar sus ingresos netos.
El problema del carpintero se trata de determinar cuántas mesas y sillas debe
fabricar por semana; 5 y 3 representan los ingresos netos (por ejemplo, en dólares
o décimas de dólares) de la venta de una mesa y una silla, respectivamente. Los
factores limitantes, que normalmente provienen del exterior, son las limitaciones
de la mano de obra (esta limitación proviene de la familia del carpintero) y los
recursos de materia prima (esta limitación proviene de la entrega programada). Se
miden los tiempos de producción requeridos para una mesa y una silla en distintos
momentos del dı́a y se calculan en 2 horas y 1 hora, respectivamente. Las horas
laborales totales por semana son solo 40. La materia prima requerida para una
mesa y una silla es de 1 y 2 unidades, respectivamente. El abastecimiento total de
materia prima es de 50 unidades por semana. [3]

Solución:
Variables de decisión:

x = cantidad de mesas

y = cantidad de sillas

Función Objetivo: Maximizar los ingresos netos.

Maximizar z = 5x + 3y

Restricciones: Vienen dadas por los factores limitantes que son las limitaciones de
la mano de obra y los recursos de materia prima.

2x + 1y ≤ 40

1x + 2y ≤ 50

Condición de no negatividad
x≥0yy≥0

12
Tabla Simplex

13
 Por lo tanto diremos que para maximizar los ingresos netos tendrı́amos que fabricar
10 mesas y 20 sillas. Los ingresos netos son de 110 dólares.

14
5.3.3. Problema Aplicado a la Ingenieria Civil

Ejemplo 3 (Aplicando a la Ingenierı́a Civil).

La presencia de un ingeniero civil en el equipo de una empresa desarrolladora in-

mobiliaria es esencial para iniciar con éxito un proyecto urbano en un terreno. Su
enfoque en la planificación, diseño y optimización de procesos contribuye directa-
mente a la maximización de ganancias y a la minimización de costos, asegurando
que el proyecto se desarrolle de manera eficiente y rentable. Analizaremos el si-
guiente caso: Una empresa desarrolladora inmobiliaria contrata a un ingeniero para
iniciar con un proyecto urbano en un terreno de 4 hectáreas. En él se construirán
dos tipos distintos de casa: Las viviendas tipo I que ocupan una superficie de 270
m2 y tendrán un costo de S/. 800 000 y las viviendas tipo II que ocupan 200 m2
y con un costo de S/. 500 000. Los estudios de mercado indican que la demanda
máxima de viviendas de tipo I es de 100 unidades, mientras que para las de tipo II
corresponde a 120 unidades, y además la demanda máxima combinada es de 170
unidades. Se desea determinar la combinación óptima de viviendas para lograr un
ingreso máximo. [6]

Solución:
Variables de decisión:

x = n◦ Números de viviendas de Tipo I por construir

y = n◦ Números de viviendas de Tipo II por construir

Función Objetivo: Maximizar los ingresos.

Maximizar z = 800x + 500y

Restricciones
270x + 200y ≤ 40000
x ≤ 100
y ≤ 120
x + y ≤ 170

Condición de no negatividad
x≥0yy≥0

Variable de holgura
S1 , S2 , S3 , S4

z - 800x - 500y = 0
270x + 200y + s1 = 40000
x + s2 = 100
y + s3 = 120
x + y + s4 = 120

15
 La función objetivo y las ecuaciones de las restricciones pueden ser representadas por
sus coeficientes en una tabla, conocida como tabla Simplex como podemos observar en la
siguiente tabla.

Z X Y S1 S2 S3 S4 SOL
Z 1 -800 -500 0 0 0 0 0
S1 0 270 200 1 0 0 0 40000
S2 0 1 0 0 1 0 0 100
S3 0 0 1 0 0 1 0 120
S4 0 1 1 0 0 0 1 170

Donde: Rojo Columna Pivote, Azul Renglón Pivote y Amarillo es elemento Pivote
por lo tanto aplicaremos los siguientes pasos

Paso 1: El elemento Pivote vamos a convertir a 1, en este caso podemos observar que
el elemento pivote ya es 1.

Paso 2: En la Columna pivote tenemos que convertir en cero todos los elementos
excepto el elemento pivote por lo tanto vamos a realizar lo siguiente.
800R3 + R1
−270R3 + R2
−1R3 + R5
Y finalmente nos queda la siguiente tabla.

Z X Y S1 S2 S3 S4 SOL
Z 1 0 -500 0 800 0 0 80000
S1 0 0 200 269 0 0 0 13000
x 0 1 0 0 1 0 0 100
S3 0 0 1 0 0 1 0 120
S4 0 0 1 0 -1 0 1 70

Donde: Rojo Columna Pivote, Azul Renglón Pivote y Amarillo es elemento Pivote
por lo tanto aplicaremos los siguientes pasos

Paso 1: El elemento Pivote vamos a convertir a 1, en este caso podemos observar que
el elemento pivote es 200 entonces vamos a multiplicar por 2001
a todo los elementos del
Renglón para obtener 1 en elemento pivote.
1
R2
200

Z X Y S1 S2 S3 S4 SOL
Z 1 0 -500 0 800 0 0 80000
y 0 0 1 1.345 0 0 0 65
x 0 1 0 0 1 0 0 100
S3 0 0 1 0 0 1 0 120
S4 0 0 1 0 -1 0 1 70

16
 Paso 2: En la Columna pivote tenemos que convertir en cero todos los elementos
excepto el elemento pivote por lo tanto vamos a realizar lo siguiente.

500R2 + R1

−1R2 + R4
−1R2 + R5
Y finalmente nos queda la siguiente tabla.

Z X Y S1 S2 S3 S4 SOL
Z 1 0 0 672.5 800 0 0 112500
y 0 0 1 1.345 0 0 0 65
x 0 1 0 0 1 0 0 100
S3 0 0 0 1.345 0 1 0 185
S4 0 0 0 1.345 -1 0 1 135

Se concluye que para obtener un ingreso máximo, que corresponde a 112 millones y
medio de soles, se deberá proyectar el desarrollo urbano con 100 viviendas tipo I y 65
tipo II .

17
6. Conclusiones
Concluimos que el análisis de la aplicación del Algoritmo Simplex en problemas del
mundo real, especı́ficamente en Programación Lineal, revela su poderosa capacidad
para encontrar soluciones óptimas eficientemente.

Evidenciamos que el primer paso, que implica la identificación de la función objetivo

y la construcción de la primera tabla del Simplex, es esencial para iniciar el proceso
de optimización. Esta fase establece la base para las iteraciones subsiguientes.

Concluimos con la operacionalización de la primera solución factible destaca la capa-

cidad del Algoritmo Simplex para encontrar soluciones iniciales viables, permitiendo
el inicio del proceso iterativo.

Logramos entender las iteraciones requeridas para mejorar la función objetivo de-
muestra la eficacia del Algoritmo Simplex en la búsqueda sistemática de la solución
óptima.

Demostrar cada resultado en las tablas del Simplex que tiene un significado parti-
cular que contribuye al entendimiento global del proceso de optimización. Analizar
estos resultados proporciona información valiosa sobre el progreso del algoritmo.

La capacidad de calcular la respuesta óptima a través de las iteraciones del Al-

goritmo Simplex demuestra su utilidad práctica y su aplicabilidad para resolver
problemas de programación lineal de manera eficiente.

La comprensión de los procedimientos generales del Método Simplex subraya la

importancia de seguir un enfoque sistemático para garantizar la validez y eficiencia
del proceso de optimización.

18
7. Referencias
Referencias
[1] Moncayo Martinez L.y Muño D. (2018). Un Sistema de Apoyo para la Enseñanza
del Método Simplex y su Implementación en Computadora. vol.11 no.6, México.

[2] Pérez Lázaro F. (2004). Modelos de Programación Lineal. 1ra Edición, España.

[3] Arsham H. (1994). Modelos Determistas Optimización lineal. 8va Edición, América
Latin.

[4] Garcı́a M., Román P. (2018). Construcción del Método Simplex. Departamento de
Estadı́stica e I.O. Universidad de Granada, España.

[5] Ortega C. (2023). El Método Simplex. The Experience journal, Mexico.

[6] Pacheco B. (2020). Programación Lineal. Universidad Americana, Mexico.

[7] Ethan T. (2010). Método Simplex. Universidad De La Rioja, España.

19