UNIVERSIDAD ADNINA DEL CUSCO

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

PROYECTO DE INVESTIGACIÓN SEMESTRAL SEFUNDA UNIDAD, INTITULADO:

METODO SIMPLEX

ASIGNATURA:

INVESTIGACINES OPERATIVAS 1-, -.

-, -.
DOCENTE:
MG.ING. ZAMBRANO INCHAUSTEGUI CARLOS ALBERTO

INTEGRANTES:
GRUPO 6

CUSCO – PERÚ

2019

1
INTRODUCION

El método Simplex es un método secuencial de optimización, 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.
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.
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.

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.
Los llamaremos Ai = Factor productivo i.
2.- VECTOR EXISTENCIAS: (Po)
Es un vector columna cuyos componentes son las cantidades disponibles de cada uno de los
factores productivos limitados.

3.- TÉCNICA
Una técnica es una combinación de los 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 necesarias de los distintos
factores productivos, para la realización del proceso Pj.

2
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
7.1.- PROPORCIONALIDAD
Las cantidades de los factores productivos son proporcionales a su nivel de utilización.
7.2.- NO NEGATIVIDAD
Los niveles de los procesos han de ser mayores o iguales a cero.
7.3.- ADITIVIDAD
La combinación de varios procesos productivos utiliza en conjunto la suma de todos los factores
exigidos individualmente a cada uno de ellos.
7.4.- LINEALIDAD
Los rendimientos de los procesos, son directamente proporcionales a su nivel de
utilización, es decir: dado un proceso Pj, empleado a nivel unitario, obtendremos un
rendimiento Pj, mientras que si Pj es utilizado a un nivel Xj, el rendimiento del proceso será Xj Pj.

Planteamiento del problema

Optimizar: Z = C1 X 1 C 2 X 2  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 no negativos.
3. Estos niveles serán tales, que todas las restricciones cumplan como igualdad, siempre y
cuando estemos hablando de procesos que pertenezcan al óptimo.

3
4. El programa (plan de producción), que cumpliendo las condiciones anteriores, optimice el
valor de la función objetivo, será el programa óptimo.

Algoritmo Símplex (Dantzig, 1951)

En el algoritmo del Símplex, 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 Símplex 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:
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.

El 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, há
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 la evaluación 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.

4
Matematicamente, 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 simplex
Pj = 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.
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.

5
Para definición del primer simplex se debe establecer las variables que estarán sujetas a la
optimización. Después, se define el tamaño del paso (step size) 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: Valores para el tamaño del paso hasta para 10 factores

Vértice Factores (variables)
o
n A B C D E F G
01 0 0 0 0 0 0 0
02 1,000 0 0 0 0 0 0
03 0,500 0,866 0 0 0 0 0
04 0,500 0,289 0,817 0 0 0 0
05 0,500 0,289 0,204 0,791 0 0 0
06 0,500 0,289 0,204 0,158 0,775 0 0
07 0,500 0,289 0,204 0,158 0,129 0,764 0
08 0,500 0,289 0,204 0,158 0,129 0,109 0,756

Ejemplo: Optimización de las condiciones de funcionamiento de un cromatógrafo 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 (Step size, 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

Vértice Temperatura Flujo Longitud de la columna
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

Consideraciones Generales

6
El método Simplex no requiere el uso de test estadísticos de significancia por dos razones:
a) sí las diferencias en las respuestas son grandes al ser comparadas con el error experimental, el
simplex se mueve en la dirección correcta.
b) sí las diferencias son bastante 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 nos 2 e 3, y el simplex aunque momentáneamente fuera de curso,
volvería nuevamente en dirección al óptimo.
Se debe llevar en cuenta que el método Simplex no puede ser utilizado en la determinación de
variables cualitativas, del 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 sólo 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 movimiento del 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 dá la peor respuesta, B la mejor respuesta y N la
segunda peor respuesta. Así, como en 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.

7
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

Coeficiente, b Vértice Movimiento
2 S Expansión
-½ T CMD*
½ U Contracción
1 R Reflexión
* CMD, contracción con cambio de dirección

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 Contracción Brusca. 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 ecuaciones polinomiales, además, siendo necesario
realizar un experimento más a cada movimiento del simplex.
PREPARANDO EL MODELO PARA ADAPTARLO AL MÉTODO SIMPLEX

8
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
...
am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., 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.
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 de desigualdad ("≤","≥"), y los
"≥" coincidieran con restricciones donde el término independiente es negativo.
Todas las restricciones son de igualdad.

9
Si en nuestro modelo aparece una inecuación con una desigualdad del tipo "≥", deberemos añadir
una nueva variable, llamada variable de exceso si, 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.

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

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.

10
Explicaremos paso a paso los puntos de cada método, concretando los aspectos que hay que tener
en cuenta.
1. 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

11
 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.

Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn
Z 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.
2. 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.
3. 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.
4. 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 estrictamente positivo
(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.
5. Actualización de la tabla: Las filas correspondientes a la función objetivo y a los títulos
permanecerán inalterados en la nueva tabla. El resto deberá calcularse de dos formas
diferentes:
 Si es la fila pivote cada nuevo elemento se calculará:
Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.
 Para el resto de elementos de filas se calculará:
Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote en la fila
actual * Nuevo Elemento Fila).
Interpretación gráfica del Método Simplex
La resolución de problemas lineales con sólo dos o tres variables de decisión se puede ilustrar
gráficamente, mostrándose como una ayuda visual para comprender muchos de los conceptos y
términos que se utilizan y formalizan con métodos de solución más sofisticados, como por ejemplo
el Método Simplex, necesarios para la resolución de problemas con varias variables. Para ello se
puede usar el método Gráfico.

12
Aunque en la realidad rara vez surgen problemas con sólo dos o tres variables de decisión, es sin
embargo muy útil esta metodología de solución e interpretación, en la que se verán las situaciones
típicas que se pueden dar, como son la existencia de una solución óptima única, de soluciones
óptimas alternativas, la no existencia de solución y la no acotación. Describimos aquí las fases del
procedimiento de solución del Método Gráfico:
1. Dibujar un sistema de coordenadas cartesianas en el que cada variable de decisión esté
representada por un eje, con la escala de medida adecuada a su variable asociada.
2. Dibujar en el sistema de coordenadas las restricciones del problema (incluyendo las de no
negatividad). Para ello, observamos que si una restricción es una inecuación, define una
región que será el semiplano limitado por la línea recta que se tiene al considerar la
restricción como una igualdad. Si la restricción fuera una ecuación, la región que define se
dibuja como una línea recta. La intersección de todas las regiones determina la región
factible o espacio de soluciones (que es un conjunto convexo). Si esta región es no vacía, ir
a la fase siguiente. En otro caso, no existe solución que satisfaga (simultáneamente) todas
las restricciones y el problema no tiene solución, denominándose infactible o no factible.
3. Determinar los puntos extremos (puntos que no están situados en segmentos de línea que
unen otros dos puntos del conjunto convexo) de la región factible (que, como probaremos
en la siguiente sección, son los candidatos a solución óptima). Evaluar la función objetivo
en estos puntos y aquél o aquellos que maximicen (o minimicen) el objetivo, corresponden
a las soluciones óptimas del problema.
EJERCICIOS
1. Cierta empresa química produce dos tipos de disolventes (D1 y D2). La producción de estos
disolventes se lleva a cabo en dos plantas: Una de mezclado y otra de purificación. La capacidad
semanal de horas de trabajo es de 230 h. para mezclado y 250 horas para purificación (son
horas semanales). Para la fabricación de 1 litro de ambos tipos, son necesarias las siguientes
horas:

D1 D2 DISPONIBILIDAD
MEZCLADO 2 1 230
PURIFICACION 1 2 250

Esta empresa tiene una provisión casi ilimitada de materiales, sin embargo, se conoce que el
disolvente D2 tiene una demanda semanal nunca superior a 120 litros. Determinar el plan de
fabricación semanal máximo para la empresa si el beneficio del disolvente D1 es de $300 y de D2
de $500 por litro cada uno.
2. Una mueblería fabrica escritorios, mesas y sillas. La fabricación requiere de materia prima y de
mano de obra. La mano de obra se clasifica en dos tipos: carpintería y terminaciones. La
cantidad de recurso requerido para cada tipo de producto se muestra en la siguiente tabla:

RECURSOS ESCRITORIO MESAS SILLAS

MATERIALES(pulgada) 8 6 1
TERMINACIONES(horas) 4 2 1.5
CARPINTERIA(horas) 2 1.5 0.5

Actualmente se dispone de 48 pulgadas madereras, 20 horas para terminaciones y 8 horas para

carpintería. Cada escritorio se vende a $ 60, cada mesa a $ 30 y cada silla a $ 20. La empresa

13
piensa que la demanda por escritorios y sillas es ilimitada, pero cree que se venderán a lo más 5
mesas. Debido a que los recursos ya han sido adquiridos, la empresa desea maximizar su beneficio.
3. Una fábrica produce dos modelos A y B de un producto. El beneficio que arroja el modelo A es
de $4000 por unidad y el del B $6000 por unidad. La producción diaria no puede superar 400
unidades del modelo A ni 300 del B y en total no pueden superarse las 600 unidades. ¿Cuántas
unidades de cada modelo debe producir la fábrica para obtener el máximo beneficio?
4. Un automóvil puede transportar como máximo 9 Kilogramos por viaje. En un viaje desea
transportar al menos 5 Kilogramos de la mercancía A y un peso de la mercancía B que sea la
mitad del peso que transporta de A. Sabiendo que cobra $30 por kilo de A y $20 por kilo de B,
¿cómo se debe cargar el camión para obtener la ganancia máxima?
5. Usted, como vendedor de FERRETERIA C.A. tiene que decidir cómo asignar sus esfuerzos entre
los diferentes tipos de clientes de su territorio. Usted debe visitar comerciantes mayoristas y
clientes que compran al detal. Una visita a un comerciante mayorista usualmente le produce
$20 en ventas, pero la visita en promedio dura 2 horas y debe manejar también en promedio 10
Km. En una visita a un comprador al detal, le vende $50 requiere de unas 3 horas y 20 Km
manejando su carro aproximadamente. Usted planifica viajar como máximo 600 Km por semana
en su carro y prefiere trabajar no más de 36 horas a la semana. Encuentre la combinación
óptima de visitas a comerciantes y clientes al menudeo que le permitan maximizar sus
ganancias

14