Optimizacion

2
o
de Ingeniera Informatica
Felix Gomez Marmol
Curso 2002 - 2003
2

Indice general
1. El Problema de la Programacion Lineal 5
1.1. Elementos que denen un problema de Programacion Lineal . . . . . . . . . . 5
1.1.1. Deniciones Basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2. Formas Canonica y Estandar . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3. Paso de unas formas a otras . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Ejemplos de Optimizacion Lineal . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1. El Problema de la Dieta . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2. El Problema de los Patrones de Corte (con variables enteras) . . . . . 9
1.2.3. El Problema del Transporte . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4. El Problema del Balanceo en el Ensamblaje . . . . . . . . . . . . . . . 10
1.3. Supuestos de la Programacion Lineal . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Representacion y Resolucion Graca de un Problema de PL . . . . . . . . . . 12
1.5. Casos Posibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1. Caso A:

Optimo

Unico Finito . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2. Caso B: Innitos Puntos de

Optimo Finito . . . . . . . . . . . . . . . 13
1.5.3. Caso C:

Optimo No Acotado . . . . . . . . . . . . . . . . . . . . . . . 14
2. El Metodo Simplex 15
2.1. Solucion Basica Factible (sbf) . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Mejorando la Funcion Objtetivo z . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Soluciones

Optimas,

Unicas e Innitas . . . . . . . . . . . . . . . . . . . . . . 17
2.4. El Metodo Smplex en Formato Tabla . . . . . . . . . . . . . . . . . . . . . . 18
2.5. Solucion Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1. Metodo de la gran M . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.2. Metodo de las Dos Fases . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6. Dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6.1. Condiciones de Kuhn Tucker (de Optimalidad) . . . . . . . . . . . . . 24
2.6.2. Formas Duales Canonicas y Estandar . . . . . . . . . . . . . . . . . . 25
2.6.3. Teorema Fundamental de la Dualidad . . . . . . . . . . . . . . . . . . 26
2.6.4. Metodo Dual-Smplex . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7. Analisis de Sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7.1. Cambio en el lado derecho:

b

. . . . . . . . . . . . . . . . . . . . 29
2.7.2. Cambio en los coecientes de costo: c c

. . . . . . . . . . . . . . . . 29
2.8. Ejemplo de Apliacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9. El Problema del Transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.9.1. El Problema de la Asignacion . . . . . . . . . . . . . . . . . . . . . . . 36
3
4

INDICE GENERAL
Captulo 1
El Problema de la Programacion
Lineal
1.1. Elementos que denen un problema de Programacion Li-
neal
Denicion 1.1 Un problema de programacion lineal es un problema de minimizar o ma-
ximizar un funcion lineal en la presencia de restricciones lineales del tipo de desigualdad,
igualdad o ambas.
Este modelo matematico surge tpicamente al tratar de asignar recursos limitados entre
actividades competidoras en la mejor forma posible (e.d. optima).
Ejemplo 1.1 Expresion general:
_

_
optimizar c
1
x
1
+ c
2
x
2
+ + c
n
x
n
sujeto a a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
(, =, ) b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
(, =, ) b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
(, =, ) b
m
x
1
, . . . , x
k
0 (k n)
donde optimizar puede ser maximizar o minimizar.
c
j
,b
i
y a
ij
(i = 1, 2, . . . , m; j = 1, 2, . . . , n) son constantes determinadas por la tecno-
loga del problema y x
j
(j = 1, 2, . . . , n) son las variables de decision.

Unicamente un signo
(, =, ) ocurre para cada restriccion. Algunas de las variables de decision son declaradas no
negativas; mas adelante mostraremos que cada variable irrestricta puede convertirse equiva-
lente a variables no negativas.
La restriccion de no negatividad, para todas las variables de decision, es esencial para el
desarrollo del metodo de solucion de los problemas de programacion lineal.
Los modelos de programacion lineal a menudo representan problemas de asignacion
en los cuales los recursos limitados se asignan a un n umero de actividades, que compiten
por ellos. En funcion de la formulacion anterior los coecientes c
j
,b
i
y a
ij
se interpretan
fsicamente como sigue:
Si b
i
es la cantidad disponible del recurso i, entonces a
ij
es la cantidad del recurso i
consumida/(que debe asignarse) por/(a) cada unidad de la actividad j. El valor por unidad
de la cantidad j es c
j
.
5
6 Captulo 1. El Problema de la Programacion Lineal
1.1.1. Deniciones Basicas
Consideremos el siguiente problema de programacion lineal:
minimizar c
1
x
1
+ c
2
x
2
+ + c
n
x
n
sujeto a a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
b
m
x
1
, . . . , x
n
0
Aqu c
1
x
1
+ c
2
x
2
+ + c
n
x
n
es la funcion objetivo que debe minimizarse y que de-
notaremos por z (o por x
0
); los coecientes c
1
, c
2
, . . . , c
n
de la funcion objetivo son llamados
coecientes de costo y x
1
, x
2
, . . . , x
n
son las variables de decision (o niveles de actividad)
que deben determinarse.
La desigualdad

n
j=1
a
ij
x
j
b
i
denota la i-esima restriccion.
Los coecientes a
ij
(para i = 1, 2, . . . , m; j = 1, 2, . . . , n) se llaman los coecientes tecnologicos.
Estos coecientes tecnologicos forman la matriz de restricciones, A siguiente:
A =
_

_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_

_
= (a
ij
)
El vector columna

b =
_

_
b
1
.
.
.
b
m
_

_
, al cual se le llama vector del lado derecho representa los
requerimientos mnimos que deben satisfacerse (e.d., la limitacion de los recursos a repartir
entre las actividades), por eso a este vector tambien se le llama vector de requerimientos.
Las restricciones x
1
, x
2
, . . . , x
n
0 son las restricciones de no negatividad.
Cualquier especicacion (concrecion) de valores para las variables de decision (x
1
, x
2
, . . . , x
n
)
se llama solucion (sin importar si es una eleccion deseable, incluso admisible).
Una solucion factible es una solucion para la que se satisfacen todas las restricciones.
Al conjunto de todas las soluciones factibles se le llama region factible.
Una solucion optima es una solucion factible que tiene el valor mas favorable de la
funcion objetivo (la solucion optima, en caso de existir, puede ser unica o existir mas de
una).
1.1.2. Formas Canonica y Estandar
Hay dos formas especialmente interesantes de problemas lineales que reciben el nombre
de forma canonica y forma estandar respectivamente, y son:
Un problema de programacion lineal se dice que esta en forma estandar si todas las
restricciones son ecuaciones (lineales) y todas las variables son no negativas.
El metodo simplex esta dise nado para aplicarse solo despues de que el problema se haya
escrito en forma estandar.
Diremos que un problema de minimizacion esta en forma canonica si todas las variables
son no negativas y todas las restricciones son del tipo .
Diremos que un problema de maximizacion esta en forma canonica si todas las variables
son no negativas y todas las restricciones son del tipo .
La forma canonica es especialmente util para explotar relaciones de dualidad.
1.1 Elementos que denen un problema de Programacion Lineal7
En la tabla adjunta resumimos las formas estandar y canonica:
Problema de Minimizacion Problema de Maximizacion
Forma Estandar
Minimizar

n
j=1
c
j
x
j
Sujeto a

n
j=1
a
ij
= b
i
,
i=1,2,...,m
x
j
0,
j=1,2,...,n
Maximizar

n
j=1
c
j
x
j
Sujeto a

n
j=1
a
ij
= b
i
,
i=1,2,...,m
x
j
0,
j=1,2,...,n
Forma Canonica
Minimizar

n
j=1
c
j
x
j
Sujeto a

n
j=1
a
ij
b
i
,
i=1,2,...,m
x
j
0,
j=1,2,...,n
Maximizar

n
j=1
c
j
x
j
Sujeto a

n
j=1
a
ij
b
i
,
i=1,2,...,m
x
j
0,
j=1,2,...,n
La tabla que acabamos de representar toma la siguiente forma, si utilizamos notacion
matricial:
Problema de Minimizacion Problema de Maximizacion
Forma Estandar
Minimizar c x
Sujeto a
A x =

b
x

0
Maximizar c x
Sujeto a
A x =

b
x

0
Forma Canonica
Minimizar c x
Sujeto a
A x

b
x

0
Maximizar c x
Sujeto a
A x

b
x

0
donde x R
n
, A M
mn
es la matriz de restricciones.
1.1.3. Paso de unas formas a otras
Cualquier problema de programacion lineal puede escribirse en forma canonica o en forma
estandar, cuando se desee, de la siguiente forma:
1. Desigualdades y ecuaciones.
Una desigualdad se puede transformar facilmente en una ecuacion. Por ejemplo, consi-
deremos la restriccion dada por

n
j=1
a
ij
x
j
b
i
. Esta restriccion se puede escribir en
forma de ecuacion sustrayendo la variable de exceso no negativa S
i
, obteniendo:
n

j=1
a
ij
x
j
S
i
= b
i
y S
i
0
Similarmente la restriccion

n
j=1
a
ij
x
j
b
i
es equivalente a
n

j=1
a
ij
x
j
+S
i
= b
i
y S
i
0
donde se ha sumado la variable de holgura no negativa S
i
.
Asmismo, una ecuacion de la forma

n
j=1
a
ij
x
j
= b
i
se puede escribir como dos desi-
gualdades:
n

j=1
a
ij
x
j
b
i
y
n

j=1
a
ij
x
j
b
i
Las cuales se pueden escribir, de forma equivalente:
O bien
_
n
j=1
a
ij
x
j
b
i

n
j=1
a
ij
x
j
b
i
O bien
_
n
j=1
a
ij
x
j
b
i

n
j=1
a
ij
x
j
b
i
seg un nos interese.
8 Captulo 1. El Problema de la Programacion Lineal
2. No Negatividad de las Variables.
Como el metodo simplex, que es el metodo que resuelve los problemas de programacion
lineal, esta dise nado para resolver programas lineales en los que todas las variables de
decision son no negativas, tenemos que:
a) Si una variable x
j
no esta restringida en su signo, entonces se puede reemplazar
por x

j
x

j
con x

j
0 y x

j
0 (en efecto, basta con tomar x

j
= max{x
j
, 0} y
x

j
= max{x
j
, 0}). Esta descomposicion no es unica, ya que podemos tomar una
u 0 tal que x
j
= (x

j
+u) (x

j
+u).
b) Si una variable x
j
no se tiene restringida a ser no negativa y sin embargo se dispone
de la siguiente restriccion x
j
l
j
(l
j
=cte), entonces automaticamente la nueva
variable x

j
= x
j
l
j
es no negativa y en este caso reemplazaramos x
j
por x

j
+l
j
en el modelo.
c) Analogamente, si una variable x
j
no se tiene restringida a ser no negativa y sin
embargo se dispone de la siguiente restriccion x
j
u
j
(donde u
j
=cte) entonces
la sustitucion x

j
= u
j
x
j
produce una variable x

j
no negativa.
3. Problemas de Minimizacion y Maximizacion
Otra manipulacion del problema consiste en convertir un problema de maximizacion en
un problema de minimizacion y viceversa.
Para ello, observemos que sobre cualquier region se verica que:
Maximo
n

j=1
c
j
x
j
= Mnimo
n

j=1
c
j
x
j
de modo que un problema de maximizacion (minimizacion) se puede convertir en un
problema de minimizacion (maximizacion) multiplicando los coecientes de la funcion
objetivo por 1. Despues de completar la optimizacion del nuevo problema, el valor
objetivo optimo del problema original es 1 por el valor objetivo optimo del nuevo
problema.
1.2. Ejemplos de Optimizacion Lineal
1.2.1. El Problema de la Dieta
Se desea a nadir a la dieta de ciertos animales de granja cantidades extra de tiamina, fosfo-
ro y hierro. Para ello en el mercado existen dos preparados en polvo diferentes: el Fosfaton y
el Ferrosforo. Estos contienen los tres nutrientes en las cantidades que se indican:
Tiamina Fosforo Hierro
Ferrosforo 015 mg/oz 075 mg/oz 130 mg/oz
Fosfaton 010 mg/oz 170 mg/oz 110 mg/oz
Deseamos que cada animal reciba al da al menos 100 mg de tiamina, 750 mg de fosforo
y 1000 mg de hierro.
El costo de cada onza de ferrosforo es de 2 centavos y el de fosfaton es de
5
3
de centavo
por onza. Determinar las cantidades de ferrosforo y fosfaton que debemos administrar a cada
animal de forma que el costo de este suplemento a la dieta sea mnimo.
SOLUCI

ON: Sean x
1
y x
2
las cantidades, en onzas, de ferrosforo y fosfaton (desconocidas)
que debemos dar a los animales. Deseamos que el precio 2x
1
+
5
3
x
2
sea el menor posible, pero
que se consigan los aportes de los principios basicos que se desean, luego deseamos:
1.2 Ejemplos de Optimizacion Lineal 9
_

_
minimizar 2x
1
+
5
3
x
2
sujeto a 0

15x
1
+ 0

10x
2
1

00
0

75x
1
+ 1

70x
2
7

50
1

30x
1
+ 1

10x
2
10

00
x
1
, x
2
0
que es un problema de programacion lineal en forma canonica.
1.2.2. El Problema de los Patrones de Corte (con variables enteras)
Un fabricante de laminas metalicas produce laminas de 10 m de longitud y 05 m de an-
cho. De cierta tienda le solicitan 50 laminas de 15 m de largo, 25 laminas de 25 m de largo y
30 laminas de 3 m de largo, y todas ellas de 05 m de ancho. El fabricante de pregunta como
debe cortar sus laminas de 10 m para satisfacer el pedido y usar el menor n umero de lami-
nas posible, ya que lo que sobra despues de cortar el tama no que le piden no lo usa para nada.
SOLUCI

ON: Una lamina de 10 m de largo puede cortarse en trozos de 15 m, 25 m y 3

m de las siguientes 11 maneras que llamaremos patrones de corte. Cada manera (patron)
viene dada por tres n umeros que indican: el primero, el n umero de laminas de 15 m; el
segundo, el n umero de laminas de 25 m; y el tercero, el n umero de laminas de 3 m que se
sacan de una lamina de 10 m.
P
1
(6, 0, 0) P
2
(0, 4, 0) P
3
(0, 0, 3) P
4
(5, 1, 0) P
5
(3, 2, 0) P
6
(1, 3, 0)
P
7
(4, 0, 1) P
8
(2, 0, 2) P
9
(3, 1, 1) P
10
(1, 2, 1) P
11
(1, 1, 2)
En general, P
i
(a
i1
, a
i2
, a
i3
) donde:
_
_
_
a
i1
= n umero de laminas de 15 m del patron P
i
a
i2
= n umero de laminas de 25 m del patron P
i
a
i3
= n umero de laminas de 3 m del patron P
i
Si denotamos por x
i
el n umero de laminas de 10 m que se cortan seg un el patron P
i
el
problema sera:
_

_
minimizar

11
i=1
x
i
sujeto a

11
i=1
a
i1
x
i
50

11
i=1
a
i2
x
i
25

11
i=1
a
i3
x
i
30
x
i
0,
i=1,2,...,11
x
i
entero,
i=1,2,...,11
El que exista la ultima restriccion (x
i
entero) hace que este problema no sea un problema
de programacion lineal puro, a pesar de que el objetivo y las restricciones son lineales.
Si obviamos esta ultima restriccion (aunque aqu no tiene sentido hacerlo) tendremos un
problema de PL en forma canonica.
1.2.3. El Problema del Transporte
Cierta compa na que fabrica harina posee m fabricas F
1
, F
2
, . . . , F
m
y n grandes supercies
de deposito D
1
, D
2
, . . . , D
n
. Se sabe que cada mes la fabrica F
i
fabrica a
i
Kgs de harina y
la supercie D
j
debe recibir b
j
Kgs en deposito, para satisfacer la demanda de harina de la
zona. El transporte de un Kg de harina de la fabrica F
i
al deposito D
j
vale c
ij
pesetas.
Calcular cuantos Kgs deben salir de cada fabrica en direccion a cada supercie de deposito
al mes a n de minimizar los gastos de transporte.
10 Captulo 1. El Problema de la Programacion Lineal
SOLUCI

ON:
Figura 1.1: Fabricas y depositos
Llamaremos x
ij
al n umero de Kgs de harina que se envan desde la fabrica F
i
al deposito
D
j
. Se trata de:
_

_
minimizar

m
i=1

n
j=1
c
ij
x
ij
sujeto a

n
j=1
x
ij
a
i
,
i=1,2,...,m

m
i=1
x
ij
= b
i
,
j=1,2,...,n
x
ij
0,
i=1,2,...,m j=1,2,...,n
Si los a
i
y los b
j
son enteros i, j, la solucion de este tipo de problemas de transporte
es tambien entera, como ya veremos mas adelante.
Suponemos
m

i=1
a
i
=
n

j=1
b
j
porque siempre es posible expresarlo de esta manera.
Si hay mas oferta que demanda se a nade un destino cticio que demanda la cantidad
de producto que se quedara en el origen.
Si hay mas demanda que oferta, se a nade un origen cticio que produce la cantidad de
producto que no llegara al destino.
1.2.4. El Problema del Balanceo en el Ensamblaje
Una unidad completa de un cierto producto consiste en 4 unidades del componente A y
3 unidades del componente B. Los dos componentes (A y B) se fabrican con dos materias
primas diferentes de las cuales se tienen disponibles 100 y 200 unidades, respectivamente.
Tres departamentos estan en el proceso de produccion y cada departamento utiliza un meto-
do diferente para fabricar los componentes. La siguiente tabla da los requisitos de materia
prima por pasada de produccion y las unidades resultantes de cada componente, en cada uno
de los departamentos. El objetivo es determinar el n umero de pasadas de produccion para
cada departamento que maximizara el n umero total de unidades completas del producto nal.
Entrada (en
pasada de
unidades) por
produccion
Salida (en
pasada de
unidades) por
produccion
Departamento Materia prima 1 Materia prima 2 Componente A Componente B
1 8 6 7 5
2 5 9 6 9
3 3 8 8 4
1.2 Ejemplos de Optimizacion Lineal 11
SOLUCI

ON: Denotamos por x

i
el n umero de pasadas de produccion por el departamento
i, con i = 1, 2, 3.
El n umero total de unidades de componente A producidas por los tres departamentos
son:
7x
1
+ 6x
2
+ 8x
3
El n umero total de unidades de componente B producidas por los tres departamentos
son:
5x
1
+ 9x
2
+ 4x
3
Por otro lado, las restricciones correspondientes sobre las materias primas estan dadas
como:
8x
1
+ 5x
2
+ 3x
3
100 para la materia prima 1
6x
1
+ 9x
2
+ 8x
3
200 para la materia prima 2
Ya que el objetivo es maximizar el n umero total de unidades del producto nal, y dado
que cada una de tales unidades requiere 4 unidades del componente A y 3 unidades del
componente B, el n umero maximo de unidades del producto nal no puede exceder el valor
mas peque no de:
7x
1
+ 6x
2
+ 8x
3
4
y
5x
1
+ 9x
2
+ 4x
3
3
Por consiguiente, la funcion objetivo sera:
Maximizar y = min
_
7x
1
+ 6x
2
+ 8x
3
4
,
5x
1
+ 9x
2
+ 4x
3
3
_
La funcion objetivo anterior no es lineal. Sin embargo se puede usar una transformacion
que reducira el modelo anterior a un formato aceptable de programacion lineal.
Llamemos y = min
_
7x
1
+ 6x
2
+ 8x
3
4
,
5x
1
+ 9x
2
+ 4x
3
3
_
Entonces y es el n umero nal de unidades ensambladas (producto nal), el cual es igual a
la menor de las dos expresiones. Ya que no se conoce con anterioridad que expresion es mas
peque na, la ecuacion anterior implica:
_

_
7x
1
+ 6x
2
+ 8x
3
4
y
5x
1
+ 9x
2
+ 4x
3
3
y
Realmente, por lo menos una de estas dos desigualdades se debe
mantener como ecuacion (igualdad en cualquier solucion).
De manera que el problema anterior se reduce al siguiente problema de programacion
lineal:
_

_
Maximizar y
Sujeto a 7x
1
+ 6x
2
+ 8x
3
4y 0
5x
1
+ 9x
2
+ 4x
3
3y 0
8x
1
+ 5x
2
+ 3x
3
100
6x
1
+ 9x
2
+ 8x
3
200
x
1
, x
2
, x
3
, y 0
12 Captulo 1. El Problema de la Programacion Lineal
1.3. Supuestos de la Programacion Lineal
Para que un problema de optimizacion pueda ser considerado como un problema de pro-
gramacion lineal deben cumplirse los siguientes requisitos:
Proporcionalidad La contribucion de cada variable x
j
(actividad j-esima) al coste total
debe ser proporcional a la cantidad de x
j
con factor de proporcionalidad c
j
. Es decir,
no se puede obtener ninguna ventaja ni ning un inconveniente respecto al costo de
cada unidad de la variable j-esima conforme el n umero de unidades usadas aumenta o
disminuye.
Nota.- No sera esto as en el caso de que el precio de la unidad de la variable
j-esima disminuye o aumenta en funcion del n umero de unidades usadas.
De igual modo, la contribucion de la variable j-esima al requerimiento i-esimo debe ser
siempre a
ij
x
j
Aditividad El coste total debe ser la suma de los costes de las unidades de cada variable
empleando

n
j=1
c
j
x
j
y la contribucion total al requerimiento i-esimo debe ser la suma
de las contribuciones a este requerimiento de las variables

n
j=1
a
ij
x
j
. En otras palabras,
se supone que no se dan interacciones entre las actividades y por lo tanto no surgen
terminos de productos cruzados.
Divisibilidad Las variables de decision se deben poder dividir en cualquier nivel frac-
cional de modo que se permiten valores reales para las variables de decision (en caso
contrario el problema sera de programacion entera).
1.4. Representacion y Resolucion Graca de un Problema de
PL
Los problemas de programacion lineal se pueden resolver gracamente en dos casos:
a) Cuando tienen un maximo de tres variables o
b) Cuando tienen un maximo de dos restricciones
La region factible F de un problema de PL puede representarse gracamente en el espacio
R
n
de las variables de decision (por eso solo lo podemos hacer cuando n 3)o bien en el
espacio R
m
donde se representaran los requerimientos (el vector

b de requerimientos esta en
R
m
).
En el mismo R
n
, espacio de las actividades o variables de decision, pueden representarse
las curvas o supercies de nivel de la funcion objetivo y determinar, si existe, el mnimo de
la misma sobre la region factible.
Este no es el caso cuando F se ha representado en el espacio de requerimientos. En este
caso, se debe ampliar el espacio a una dimension mas R
m+1
. De ah que no se pueda hacer
una solucion graca en el espacio de requerimientos si el n umero de restricciones supera a 2.
1.5. Casos Posibles
Vamos a ver con diversos ejemplos todas las situaciones que pueden darse respecto a
la region factible de un problema de PL., as como respecto al alcance del optimo en uno,
ninguno o innitos puntos.
Representaremos la region factible, F, en el espacio de actividades y supondremos el
problema en forma canonica de minimizacion.
1.5 Casos Posibles 13
1.5.1. Caso A:

Optimo

Unico Finito
Los dos subcasos posibles se muestran en la gura 1.2
Figura 1.2:

Optimo

Unico Finito
En ambos subcasos vemos que el optimo se alcanza en un punto externo de F.
En el subcaso de la izquierda F esta acotada, mientras que en el subcaso de la derecha F
no esta acotada.
1.5.2. Caso B: Innitos Puntos de

Optimo Finito
Los dos primeros subcasos se muestran en la gura 1.3
En el subcaso de la izquierda F esta acotada y existen innitos puntos optimos en una
arista nita, mientras que en el subcaso de la derecha F no esta acotada y por lo tanto existen
innitos puntos optimos en una arista innita.
Figura 1.3: Innitos Puntos de

Optimo Finito
El tercer subcaso se muestra en la gura 1.4
Figura 1.4: Innitos Puntos de

Optimo Finito
14 Captulo 1. El Problema de la Programacion Lineal
En este ultimo subcaso F no esta acotada; sin embargo, existen innitos puntos optimos
en una arista que es nita.
Como se puede observar en todos los subcasos siempre existe al menos un punto extremo
optimo.
1.5.3. Caso C:

Optimo No Acotado
Solo puede darse si F es no acotada, tal y como se muestra en la gura 1.5
Figura 1.5:

Optimo No Acotado
Captulo 2
El Metodo Simplex
2.1. Solucion Basica Factible (sbf)
Dado el problema de programacion lineal
Minimizar z = c x
Sujeto a
A x =

b
x

0
La matriz A = ( a
1
, a
2
, . . . , a
n
) se puede descomponer como A = (B N) donde B es una
submatriz invertible cuyas columnas forman una base de R
m
.
Pues bien, a las variables asociadas a las columnas de B se les llama variables basicas
( x
B
), siendo el resto de variables las variables no basicas ( x
N
).
Y as, podemos reescribir la expresion A x =

b como
A x = (B N)
_
x
B
x
N
_
= B x
B
+N x
N
=

b
Si ahora despejamos x
B
obtenemos la expresion:
x
B
= B
1

b B
1
N x
N
O lo que es lo mismo,
x
B
= B
1

b B
1
N x
N
= B
1

jR
B
1
a
j
x
j
= B
1

jR
y
j
x
j
donde R es el conjunto de ndices no basicos y y
j
= B
1
a
j
.
Entonces, llamamos solucion basica factible al punto que resulta de poner todas la
variables no basicas x
j
a cero y despejar las variables basicas del sistema. Es decir,
x
0
=
_
x
B
x
N
_
=
_
B
1

0
_
es una sbf del sistema original, tambien llamada vertice del problema (pues geometrica-
mente representa un vertice de la region factible).
15
16 Captulo 2. El Metodo Simplex
2.2. Mejorando la Funcion Objtetivo z
Estando en dicho vertice x
0
, el valor de la funcion objetivo es:
z
0
= c x
0
= ( c
B
c
N
)
_
x
B
x
N
_
= ( c
B
c
N
)
_
B
1

0
_
= c
B
B
1

b + c
N

0 = c
B
B
1

b
En denitiva,
z
0
= c
B
B
1

b
Si ahora lo que pretendemos es mejorar esa solucion, lo que debemos hacer es echar a
andar por una arista desde el vertice en el que nos econtramos.
Para ello, se dejan todas las variables no basicas a cero, excepto una (x
k
), a la cual se le
dan valores positivos. Dicha variable no basica x
k
sera (por convenio) aquella que mas mejore
la funcion objetivo (echar a andar por aquella arista que mas mejore la solucion).
Para determinar quien sera esa variable x
k
evaluamos el valor de la funcion objetivo
conforme se van dando valores a las x
j
, habiendo partido del vertice x
0
, seg un la siguiente
expresion:
z = c x = ( c
B
c
N
)
_
x
B
x
N
_
= c
B
x
B
+ c
N
x
N
= c
B
_
_
B
1

jR
B
1
a
j
x
j
_
_
+

jR
c
j
x
j
=
= c
B
B
1

b
_
_

jR
( c
B
B
1
a
j
c
j
)x
j
_
_
= z
0

jR
(z
j
c
j
)x
j
con z
j
= c
B
B
1
a
j
Tomando aquella x
k
cuyo coeciente sea (z
k
c
k
) = max{z
j
c
j
} se tiene que:
x
B
= B
1

b y
k
x
k
Una vez seleccionada x
k
, para evitar salirnos de la region factible, el valor positivo maximo
que podra tomar x
k
sera el menor valor que haga que alguna de las variables basicas valga
cero. Reescribiendo la ultima expresion como:
_
_
_
_
_
_
_
_
_
_
x
B
1
x
B
2
.
.
.
x
B
r
.
.
.
x
B
m
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_

b
1

b
2
.
.
.

b
r
.
.
.

b
m
_
_
_
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
_
_
y
1k
y
2k
.
.
.
y
rk
.
.
.
y
mk
_
_
_
_
_
_
_
_
_
_
x
k
podemos decir que la primera variable basica x
B
i
que se hace cero es aquella que hace
mnimo el conjunto
_

b
i
y
ik
, y
ik
> 0
_
.
Y por lo tanto, el maximo valor que podra tomar x
k
sera
x
k
=

b
r
y
rk
= min
_

b
i
y
ik
, y
ik
> 0
_
Una vez que se haya avanzado al nuevo vertice se comprueba si la funcion objetivo se
mejora echando a andar por alguna de las nuevas aristas; en caso armativo, se reescribe
el problema en terminos de ese vertice y se repiten los calculos hasta encontrar la solucion
optima del problema.
2.3 Soluciones

Optimas,

Unicas e Innitas 17
2.3. Soluciones

Optimas,

Unicas e Innitas
Supongamos que x

es una s.b.f. del problema (P) asociada a la base B de manera que

x =
_
x

B
x

N
_
=
_
B
1

0
_
y supongamos, ademas, que z
j
c
j
0 j R Es decir,
z
j
c
j
= c
B
y
j
c
j
0 c
B
B
1
a
j
c
j
0
entonces la s.b.f. x

es una s.b.f. optima para el problema (P).

Dem.- Si llamamos z

al valor de la funcion objetivo en la s.b.f. x

y cogemos cualquier
otra solucion basica factible x del problema (P) entonces llamamos z al valor de la
funcion objetivo en el punto x, cumpliendo
z = z

jR
(z
j
c
j
)x
j
z

z =

jR
(z
j
c
j
)x
j
y dado que x
j
0, z
j
c
j
0 j R se tiene que
z

z =

jR
(z
j
c
j
)x
j
0 z

Si ahora tenemos una s.b.f. x

para la cual se tiene que

z
j
c
j
= c
B
y
j
c
j
< 0 c
B
B
1
a
j
c
j
< 0
entonces la s.b.f. x

es la unica s.b.f. optima para el problema (P).

Dem.- Como z
j
c
j
< 0 j R z
j
c
j
0 x

es una solucion optima.

Para demostar que es unica, sea x una s.b.f. distinta de x

; por lo tanto, x tiene una

componente no basica positiva (por ejemplo, x
l
> 0), pues de lo contrario x y x

coincidiran.
Al igual que en el caso anterior,
z = z

jR
(z
j
c
j
)x
j
z

z =

jR
(z
j
c
j
)x
j
ahora bien,

jR
(z
j
c
j
)x
j
=

jR, j=l
(z
j
c
j
)x
j
+ (z
l
c
l
)x
l
(z
l
c
l
)x
l
Por lo tanto,
z

z (z
l
c
l
)x
l
y como z
l
c
l
< 0 (ya que z
j
c
j
< 0 j R y x
l
> 0) se tiene que
(z
l
c
l
)x
l
< 0 z

z < 0 z

< z

Sea x

una s.b.f. del problema (P) para la cual se tiene que

z
j
c
j
0 j R y ademas, z
k
c
k
= 0 para alg un k R
Entonces podemos asegurar que existen innitas s.b.f. para el problema (P).
Dem.- Para echar a andar por una arista se dejan todas las variables no basicas a
cero, excepto una. Sea esta x
k
.
Por lo tanto, del mismo modo que antes, se tiene que
z = z

jR
(z
j
c
j
)x
j
= (z
k
c
k
)x
k
z

z = (z
k
c
k
)x
k
z

z = 0 z

= z

18 Captulo 2. El Metodo Simplex

2.4. El Metodo Smplex en Formato Tabla
Sea el problema
(P)
_
_
_
Minimizar c x
Sujeto a A x =

b
x

0
(P

)
_

_
Minimizar z
Sujeto a z c x = 0
A x =

b
x

0
Con matriz asociada
_
1 c

0 A
_
y variables z, x
1
, x
2
, . . . , x
n
.
Si conocemos un punto extremo (e.d. una s.b.f.) x
0
de (P) con matriz basica asociada B =
( a
B
1
, a
B
2
, . . . , a
B
m
), podemos descomponer el problema (P

) separando los puntos basicos y

no basicos, quedando
(P

B
)
_

_
Minimizar z
Sujeto a z c
B
x
B
c
N
x
N
= 0
B x
B
N x
N
=

b
x
B

0 x
N

0
Como B es invertible (no singular), entonces
_
1 c
B

0 B
_
tambien es no singular, siendo
z la primera variable basica de (P

B
).
M
B
1
_

_
1 c
B
1
c
B
r
c
B
m
c
N
1
c
N
k
c
N
nm
0
0 a
1B
1
a
1B
r
a
1B
m
a
1N
1
a
1N
k
a
1N
nm
b
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 a
rB
1
a
rB
r
a
rB
m
a
rN
1
a
rN
k
a
rN
nm
b
r
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 a
mB
1
a
mB
r
a
mB
m
a
mN
1
a
mN
k
a
mN
nm
b
m
Y haciendo operaciones elementales en (P

B
) obtenemos:
(P

B
)
_

_
Minimizar z
Sujeto a z + ( c
B
c
B
) x
B
+ (
z
j
c
j
..
c
B
B
1
N c
N
) x
N
=

0 +
z
0
..
c
B
B
1

b
I x
B
+B
1
N x
N
= B
1

b
x
B

0 x
N

0
M
B
2
_

_
1 0 0 0 z
j
1
c
N
1
z
j
k
c
N
k
z
j
nm
c
N
nm
c
B
B
1

b
0 1 0 0 y
1N
1
y
1N
k
y
1N
nm

b
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 0 y
rN
1
y
rN
k
y
rN
nm

b
r
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 y
mN
1
y
mN
k
y
mN
nm

b
m
M
B
1
se puede expresar como M
B
1
=
_
1 c
B
c
N
0

0 B N

b
_
y dado que
_
1 c
B

0 B
_
1
=
_
1 c
B
B
1

0 B
1
_
se tiene que:
_
1 c
B
B
1

0 B
1
__
1 c
B
c
N
0

0 B N

b
_
=
_
1 c
B
+ c
B
B
1
B c
B
B
1
N c
N
c
B
B
1

0 I B
1
N B
1

b
_
=
2.4 El Metodo Smplex en Formato Tabla 19
=
_
1

0 c
B
B
1
N c
N
c
B
B
1

0 I B
1
N B
1

b
_
= M
B
2
M
B
2
recibe el nombre de Tabla Simplex y nosotros la escribiremos como sigue:
Variables Basicas z x
B
x
N
L.D.
1
z 1

0 c
B
B
1
N c
N
c
B
B
1

b
x
B

0 I B
1
N

b
con la diferencia de que nosotros no ordenaremos las variables en basicas y no basicas (sim-
plemente tendremos en cuenta cuales son, pero sin ordenarlas explcitamente en la tabla).
Una vez dada la tabla simplex, si queremos mejorar la funcion objetivo (en caso de que
sea posible) debemos escoger una variable no basica pivote que entre a formar parte de la
nueva base y por lo tanto, reescribir de nuevo la tabla, en funcion de esa nueva base.
La tabla antes de pivotar sera:
z x
B
1
x
B
r
x
B
m
x
j
x
k
L.D.
z 1 0 0 0 z
j
c
j
z
k
c
k
c
B
B
1

b
x
B
1
0 1 0 0 y
1j
y
1k

b
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
B
r
0 0 1 0 y
rj
y
rk

b
r
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
B
m
0 0 0 1 y
mj
y
mk

b
m
Y despues de pivotar, suponiendo que la variable no basica que entra es x
k
, y la variable
basica que sale es x
B
r
, la tabla queda como sigue:
z x
B
1
x
B
r
x
B
m
x
j
x
k
L.D.
z 1 0
c
k
z
k
y
rk
0 (z
j
c
j
)
y
rj
y
rk
(z
k
c
k
) 0 c
B

b (z
k
c
k
)

b
r
y
rk
x
B
1
0 1
y
1k
y
rk
0 y
1j

y
rj
y
rk
y
1k
0

b
1

y
1k
y
rk

b
r
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
B
r
0 0
1
y
rk
0
y
rj
y
rk
1

b
r
y
rk
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
B
m
0 0
y
mk
y
rk
1 y
mj

y
rj
y
rk
y
mk
0

b
m

y
mk
y
rk

b
r
Ejemplo 2.1 Resolver el siguiente problema mediante el metodo smplex en formato tabla:
_

_
Minimizar x
1
+x
2
4x
3
Sujeto a x
1
+x
2
+ 2x
3
9
x
1
+x
2
x
3
2
x
1
+x
2
+x
3
4
x
1
, x
2
, x
3
0
Introducimos las variables de holgura no negativas x
4
, x
5
, x
6
:
_

_
Minimizar x
1
+x
2
4x
3
Sujeto a x
1
+x
2
+ 2x
3
+x
4
= 9
x
1
+x
2
x
3
+x
5
= 2
x
1
+x
2
+x
3
+x
6
= 4
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
20 Captulo 2. El Metodo Simplex
Tomamos como base inicial B = ( a
4
, a
5
, a
6
), teniendose la siguiente tabla simplex:
z x
1
x
2
x
3
x
4
x
5
x
6
L.D.
z 1 1 1 4 0 0 0 0 razon
x
4
0 1 1 2 1 0 0 9 9/2 = 4

5
x
5
0 1 1 1 0 1 0 2
x
6
0 1 1 1 0 0 1 4 4/1 = 4
Dado que z
3
c
3
= 4 es la unica que es 0, sera x
3
la variable no basica pivote que
entrara a formar parte de la nueva base.
La variable basica que dejara de serlo es x
6
, ya que de todas las y
i3
(con i {4, 5, 6})
positivas (2 y 1 en nuestro caso), es la que corresponde con x
6
la que hace mnima la razon
(4 en nuestro caso).
Por lo tanto, la nueva tabla sera:
z x
1
x
2
x
3
x
4
x
5
x
6
L.D.
z 1 3 5 0 0 0 4 16 razon
x
4
0 3 1 0 1 0 2 1 1/3
x
5
0 0 2 0 0 1 1 6
x
3
0 1 1 1 0 0 1 4
Por la misma razon que antes, ahora la variable que sale de la base es x
4
y la que entra
es x
1
, teniendose la siguiente tabla:
z x
1
x
2
x
3
x
4
x
5
x
6
L.D.
z 1 0 4 0 1 0 2 17
x
1
0 1
1
3
0
1
3
0
2
3
1
3
x
5
0 0 2 0 0 1 1 6
x
3
0 0
2
3
1
1
3
0
1
3
13
3
Y como ahora z
j
c
j
< 0 j R la solucion obtenida es optima y unica, siendo esta
_
x
1
=
1
3
, x
2
= 0, x
3
=
13
3
z = 17
2.5. Solucion Inicial
Dado el problema (P)
_
_
_
Min c x
s.a. A x =

b
x

0
con

b

0, pueden ocurrir dos cosas:

1. Que en la matriz A exista una submatriz (probablemente desordenada) identidad de
orden m, en cuyo caso ya disponemos de una s.b.f y estamos en condiciones de resolver
el problema mediante el metodo smplex.
2. Que no exista dicha submatriz.
La solucion pasa, entonces, por a nadir (a lo sumo
2
) m variables de decision nuevas,
llamadas variables articiales de la siguiente manera:
2
Se dice a lo sumo porque podra darse el caso de que tuvieramos ya algunos vecores linealmente inde-
pendientes y solo tuvieramos que a nadir los necesarios para llegar hasta los m totales.
2.5 Solucion Inicial 21
a
11
x
1
+ +a
1n
x
n
+x
n+1
= b1
a
21
x
1
+ +a
2n
x
n
+ x
n+2
= b2
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ +a
mn
x
n
+ x
n+m
= b
m
x
1
, x
2
, . . . , x
n
, x
n+1
, . . . , x
m
0
Si consideramos ahora una funcion objetivo que penalice a las variables articiales e
intentamos resolver por el metodo smplex ese nuevo problema de manera que la solucion
optima tuviera todas las variables articiales puestas a cero, entonces tendramos un vertice
de nuestro problema original (que incluso podra ser solucion optima de este), junto con su
tabla smplex.
Estudiaremos dos metodos que siguen esta losofa: el metodo de la gran M y el metodo
de las dos fases.
2.5.1. Metodo de la gran M
Consiste en poner como coecientes de las variables articiales en la funcion objetivo un
n umero, M, mayor que cualquier otro n umero (e.d., se puede considerar como si fuese +).
De esta manera el nuevo problema se reescribira como:
(P)
_
_
_
Min c x +M x
a
s.a. A x + x
a
=

b
x

0, x
a

0
donde x
a
representa a las variables articiales.
El problema que plantea este metodo de solucion es su implemtentacion en un programa
informatico, pues M debe recibir un valor concreto, mayor que cualquier otro valor. Y si
bien se le puede asignar a M el maximo valor que permita el tipo de dato con que este imple-
mentada, esto provoca problemas de desbordamiento a la hora de la comparacion con otros
coecientes.
2.5.2. Metodo de las Dos Fases
Como su propio nombre indica, consiste en resolver el problema (P)
_
_
_
Min c x
s.a. A x =

b
x

0
en
dos fases.
Fase 1
La funcion objetivo que propone este metodo en la primera fase y, por tanto, el problema
a resolver mediante el metodo smplex es el siguiente:
(P

)
_
_
_
Min x
a
s.a. A x + x
a
=

b
x

0, x
a

0
Si al alcanzar la solucion optima de (P

) se tiene que x
a
=

0, entonces el problema (P)
no tiene region factible.
Si, por el contrario, al alcanzar la solucion optima se tiene que x
a
=

0, con todas las
variables articiales fuera de la base, denotamos por x
B
y x
N
a las variables legtimas
3
basicas y no basicas, respectivamente.
3
No articiales
22 Captulo 2. El Metodo Simplex
Fase 2
Tomando la base hallada en la fase 1, se resuelve el problema (P), es decir, se resuelve,
por el metodo smplex, el siguiente problema:
(P

)
_
_
_
Min c
B
x
B
+ c
N
x
N
s.a. x
B
+B
1
N x
N
= B
1

b
x
B

0, x
N

0
Y la solucion optima de este problema (P

) es la solucion optima del problema original

(P).
Ejemplo 2.2 Resolver el siguiente problema de PL:
(P)
_

_
Min x
1
2x
2
s.a. x
1
+x
2
2
x
1
+x
2
1
x
2
3
x
1
, x
2
0
(P

)
_

_
Min x
1
2x
2
s.a. x
1
+x
2
x
3
= 2
x
1
+x
2
x
4
= 1
x
2
+x
5
= 3
x
1
, x
2
, x
3
, x
4
, x
5
0
En primer lugar, reescribimos el problema (P) en formato estandar.
A continuacion nos disponemos a buscar una s.b.f. con la que poder empezar el metodo
smplex.
Fase 1
A nadimos las variables articiales x
6
y x
7
(observese que no se a nade una tercera variable
x
8
, ya que con x
6
, x
7
y x
5
ya tenemos una base inicial).
(P

)
_

_
Min x
6
+x
7
s.a. x
1
+x
2
x
3
+x
6
= 2
x
1
+x
2
x
4
+x
7
= 1
x
2
+x
5
= 3
x
1
, x
2
, x
3
, x
4
, x
5
0

_
Min r
0
s.a. r
0
x
6
x
7
= 0
x
1
+x
2
x
3
+x
6
= 2
x
1
+x
2
x
4
+x
7
= 1
x
2
+x
5
= 3
x
1
, x
2
, x
3
, x
4
, x
5
0
Aplicamos el metodo smplex para tratar de sacar a x
6
y x
7
de la base y a la vez que se
ponen estas a 0:
v.b. r
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
L.D.
r
0
1 0 0 0 0 0 1 1 0
x
6
0 1 1 1 0 0 1 0 2
x
7
0 1 1 0 1 0 0 1 1
x
5
0 0 1 0 0 1 0 0 3
v.b. r
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
L.D.
r
0
1 0 2 1 1 0 0 0 3
x
6
0 1 1 1 0 0 1 0 2
x
7
0 1 1 0 1 0 0 1 1
x
5
0 0 1 0 0 1 0 0 3
v.b. r
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
L.D.
r
0
1 2 0 1 1 0 0 2 1
x
6
0 2 0 1 1 0 1 1 1
x
2
0 1 1 0 1 0 0 1 1
x
5
0 1 0 0 1 1 0 1 2
2.5 Solucion Inicial 23
v.b. r
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
L.D.
r
0
1 0 0 0 0 0 1 1 0
x
1
0 1 0
1
2
1
2
0
1
2

1
2
1
2
x
2
0 0 1
1
2

1
2
0
1
2
1
2
3
2
x
5
0 0 0
1
2
1
2
1
1
2

1
2
3
2
Aqu termina la fase 1. La s.b.f. inicial encontrada es (x
1
, x
2
) =
_
1
2
,
3
2
_
.
Fase 2
Resolvemos el problema original (P) mediante el metodo smplex tomando como s.b.f.
inicial la hallada en la fase 1.
Para ello tomamos la ultima tabla smplex de la fase 1, pero sin las columnas correspon-
dientes a las variables articiales:
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 1 2 0 0 0 0
x
1
0 1 0
1
2
1
2
0
1
2
x
2
0 0 1
1
2

1
2
0
3
2
x
5
0 0 0
1
2
1
2
1
3
2
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 0 0
1
2
3
2
0
5
2
x
1
0 1 0
1
2
1
2
0
1
2
x
2
0 0 1
1
2

1
2
0
3
2
x
5
0 0 0
1
2
1
2
1
3
2
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 3 0 2 0 0 4
x
4
0 2 0 1 1 0 1
x
2
0 1 1 1 0 0 2
x
5
0 1 0 1 0 1 1
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 1 0 0 0 2 6
x
4
0 1 0 0 1 1 2
x
2
0 0 1 0 0 1 3
x
3
0 1 0 1 0 1 1
Solucion: (x
1
, x
2
) = (0, 3) con z = 6
24 Captulo 2. El Metodo Simplex
Si al resolver la fase 1 resulta una base en la que hay variables articiales puestas a cero,
tenemos dos opciones:
1. Continuar con la fase 2, tomando la precaucion de que las variables articiales que han
quedado en la base no tomen un valor distinto de cero.
2. Seguir, en la fase 1, pivotando hasta sacar todas las variables articiales de la ba-
se, cambiandolas por variables legtimas no basicas, partiendo de una tabla como la
siguiente:
x
1
x
k
x
k+1
x
n
x
n+1
x
n+k
x
n+k+1
x
n+m
L.D.
x
1
1 0 0

b
1
.
.
.
.
.
.
R
1
R
3
.
.
.
.
.
.
.
.
.
.
.
.
x
k
1 0 0

b
k
x
n+k+1
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
. R
2
R
4
.
.
.
.
.
.
x
n+m
0 0 1 0
donde:
x
1
, . . . , x
k
son variables legtimas basicas.
x
k+1
, . . . , x
n
son variables legtimas no basicas.
x
n+1
, . . . , x
n+k
son variables articiales no basicas.
x
n+k+1
, . . . , x
n+m
son variables articiales basicas.
Ahora se intentara sacar de la base a las variables articiales x
n+k+1
, . . . , x
n+m
, colocando
en su lugar, en la base, mk de las variables legtimas no basicas x
k+1
, . . . , x
n
.
Si, por otra parte, se llega a una tabla donde la matriz R
2
= 0, entonces ninguna de las
variables articiales puede salir de la base introduciendo x
k+1
, x
k+2
, . . . , o x
n
.
Denotando por x
1
=
_
_
_
x
1
.
.
.
x
k
_
_
_
y por x
2
=
_
_
_
x
k+1
.
.
.
x
n
_
_
_
y descomponiendo por ende A y

b
en
_
A
11
A
12
A
21
A
22
_
y
_

b
1

b
2
_
, podemos escribir el sistema A x =

b como:
k
mk
_
_
k
..
A
11
nk
..
A
12
A
21
A
22
_
_
_
x
1
x
2
_
=
_

b
1

b
2
_
que se transforma en
k
mk
_
_
k
..
I
nk
..
R
1
0 0
_
_
_
x
1
x
2
_
=
_

b
1

b
2
_
mediante una sucesion de operaciones elementales de matrices.
De este modo, las ultimas mk ecuaciones son redundantes y se pueden eliminar, pasando
a la fase 2, sin esas variables articiales.
Consultar ejemplo 4.5 de la pagina 201.
2.6. Dualidad
2.6.1. Condiciones de Kuhn Tucker (de Optimalidad)
Para problemas en forma canonica
Sea el problema de PL:
2.6 Dualidad 25
Min c x
s.a. A x

b
x

0
_
_
_
(P) donde
_
_
_
c n-vector la

b m-vector columna
A mn-matriz
Dado el problema (P) un vector x

es solucion optima de (P) si y solo si existen un

m-vector la y un n-vector la v tales que satisfacen simultaneamente las tres siguientes
condiciones:
KT1 : A x

b, x

0 factibilidad primal
KT2 : c A v =

0,

0, v

0 factibilidad dual
KT3 : (A x

b) = 0, v x

= 0 holgura complementaria
O lo que es lo mismo:
KT1 : A x

b, x

0 factibilidad primal
KT2 : A c,

0 factibilidad dual
KT3 : (A x

b) = 0, ( c A) x

= 0 holgura complementaria
Para problemas en forma estandar
Sea el problema de PL:
(P)
_
_
_
Min c x
s.a. A x =

b
x

0
Dado el problema (P) un vector x

es solucion optima de (P) si y solo si existen un

m-vector la y un n-vector la v tales que satisfacen simultaneamente las tres siguientes
condiciones:
KT1 : A x

=

b, x

0 factibilidad primal
KT2 : c

A v

=

0,

No restringido factibilidad dual

KT3 : v x

= 0 holgura complementaria
O lo que es lo mismo:
KT1 : A x

=

b, x

0 factibilidad primal
KT2 :

A c,

No restringido factibilidad dual

KT3 : ( c

A) x

= 0 holgura complementaria
2.6.2. Formas Duales Canonicas y Estandar
Forma canonica de la dualidad
Tambien se llama forma smetrica de dualidad.
Dado el problema de PL:
(P)
_
_
_
Min c x
s.a. A x

b
x

0
escrito en forma canonica de minimizacion, denimos el problema
dual de (P), y lo denotamos por (D) (o D(P)), al siguiente problema de PL:
(D)
_
_
_
Max

b
s.a. A c

0
Es decir, en el problema dual habran tantas restricciones como variables de decision hayan
en el problema primal y tantas variables de decision como restricciones en el problema primal,
y viceversa.
26 Captulo 2. El Metodo Simplex
Forma estandar de la dualidad
Tambien se llama forma asmetrica de dualidad.
Dado el problema de PL:
(P)
_
_
_
Min c x
s.a. A x =

b
x

0
escrito en forma estandar de minimizacion, denimos el problema
dual de (P), y lo denotamos por (D) (o D(P)), al siguiente problema de PL:
(D)
_
_
_
Max

b
s.a. A c
No restringido
Ejemplo 2.3 Dado el siguiente problema de PL escrito en forma canonica de minimiacion,
plantear su dual y el dual del correspondiente problema en forma estandar:
(P)
_

_
Min 6x
1
+ 8x
2
s.a. 3x
1
+x
2
4
5x
1
+ 2x
2
7
x
1
, x
2
0
=(D)
_

_
Min 4
1
+ 7
2
s.a. 3
1
+ 5
2
6

1
+ 2
2
8

1
,
2
0
(P)
_

_
Min 6x
1
+ 8x
2
s.a. 3x
1
+x
2
x
3
= 4
5x
1
+ 2x
2
x
4
= 7
x
1
, x
2
, x
3
, x
4
0
=(D)
_

_
Min 4
1
+ 7
2
s.a. 3
1
+ 5
2
6

1
+ 2
2
8

1
0

2
0

1
,
2
0
Lema 2.1 El problema dual del dual es el problema primal.
Dem.- Veamoslo para la forma canonica de dualidad:
Dado el problema de PL:
(P)
_
_
_
Min c x
s.a. A x

b
x

0
se tiene que
D(P)
_
_
_
Max

b
s.a. A c

_
_
_
Min (

b)
s.a. (A) ( c)

_
_
_
Min (

b)
t

t
s.a. (A)
t

t
( c)
t

t

su dual es: D(D(P))

_
_
_
Max x
t
( c)
t
s.a. x
t
(A)
t
(

b)
t
x
t

_
_
_

_
_
_
Min x
t
( c)
t
s.a. x
t
(A)
t
(

b)
t
x
t

_
_
_
Min c x
s.a. A x
t
(

b)
x

0
(P)
_
_
_
Min c x
s.a. A x
t

b
x

2.6.3. Teorema Fundamental de la Dualidad

Dado el problema (P), escrito en formato canonico de minimizacion, y su dual (D):
(P)
_
_
_
Min c x
s.a. A x

b
x

0
(D)
_
_
_
Max

b
s.a. A c

0
se tiene que:
2.6 Dualidad 27
Dada x
0
una solucion factible de de (P) y dada
0
una solucion factible de (D) se
cumple lo siguiente:
A x
0

b, x
0

0

0
A c,
0

0


0
A x
0

0

b

0
A x
0
c x
0

0

b c x
0
Es decir, el valor optimo de la funcion objetivo en el problema primal coincide con el
valor optimo de la funcion objetivo en el problema dual.
Los valores de la funcion objetivo en el problema de maximizar son una cota inferior
de la funcion objetivo del problema de minimizar y viceversa:
Figura 2.1: Cotas de las funciones objetivo en los problemas dual y primal
Si
0

b = c x
0
, ambas son soluciones optimas de sus respectivos problemas:
Figura 2.2: Valores optimos de las funciones objetivo en los problemas dual y primal
Si un problema tiene valor de funcion objetivo no acotado, su dual no tiene region
factible:
Figura 2.3: Funciones objetivo no acotadas en los problemas dual y primal
Teorema 2.1 (debil de holgura complementaria) Sean x

soluciones factibles de
los problemas primal y dual, respectivamente, en la forma canonica de dualidad, e.d.:
(P)
_
_
_
Min c x
s.a. A x

b
x

0
(D)
_
_
_
Max

b
s.a. A c

0
Una condicion suciente y necesaria para que las dos soluciones factibles sean soluciones
optimas de sus respectivos problemas es que:
_
(c
j

a
j
)x

j
= 0 j = 1, . . . , n

i
( a
i
x

b
i
) = 0 i = 1, . . . , n
Vease problema de la pagina 251,252 y 253.
2.6.4. Metodo Dual-Smplex
Sea (P)
_
_
_
Min c x
s.a. A x =

b
x

0
y sea B una base de (P) no factible, es decir, B
1

b =

b

0, pero tal que z
j
c
j
0
j R.
28 Captulo 2. El Metodo Simplex
En esta situacion sabemos que si denimos el vector = c
B
B
1
, entonces es una
solucion factible en el problema dual (D)
_
_
_
Max

b
s.a. A c
No restringido
.
Esto ultimo lo denotaremos diciendo que B es factible dual.
Sea la siguiente tabla smplex, asociada a la base B, del problema (P):
v.b. z x
1
x
j
x
k
x
n
L.D.
z
j
c
j
1 z
1
c
1
z
j
c
j
z
k
c
k
z
n
c
n
c
B
B
1

b
x
B
1
0 y
11
y
1j
y
1k
y
1n

b
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
B
r
0 y
r1
y
rj
y
rk
y
rn

b
r
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
B
m
0 y
m1
y
mj
y
mk
y
mn

b
m
Como

0, supongamos que

b
r
< 0.
De las tres condiciones de Kuhn Tuker solo se cumplen la factibilidad en el dual y la
holgura complementaria, pero no la factibilidad en el primal. Por lo tanto, vamos en busca
de esta ultima, conservando las dos anteriores.
Para ello hemos de perseguir que

0.
Como

b
r
< 0, x
B
r
debe avandonar la base. Supongamos que y
rk
< 0 y por tanto sera x
k
quien entrara en la base.
Mediante una serie de pivoteos como este se espera hacer que todos los

b
i
0, manteniendo
al mismo tiempo todos los z
j
c
j
0, para alcanzar as la optimalidad.
En cada pivoteo, si y
rj
0, j, el proceso termina: el dual es no acotado y el primal es
no factible.
En caso contrario se selecciona la columna pivote k cumpliendo que
z
k
c
k
y
rk
= min
_
z
j
c
j
y
rj
, y
rj
< 0
_
Ejemplo 2.4 Resolver el siguiente problema de P.L. mediante el metodo dual smplex:
(P)
_

_
Min 2x
1
+ 3x
2
+ 4x
3
s.a. x
1
+ 2x
2
+x
3
3
2x
1
x
2
+ 3x
3
4
x
1
, x
2
, x
3
0
(P)
_

_
Min 2x
1
+ 3x
2
+ 4x
3
s.a. x
1
+ 2x
2
+x
3
x
4
= 3
2x
1
x
2
+ 3x
3
x
5
= 4
x
1
, x
2
, x
3
, x
4
, x
5
0

(P)
_

_
Min 2x
1
+ 3x
2
+ 4x
3
s.a. x
1
2x
2
x
3
+x
4
= 3
2x
1
+x
2
3x
3
+x
5
= 4
x
1
, x
2
, x
3
, x
4
, x
5
0
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 2 3 4 0 0 0
x
4
0 1 2 1 1 0 3
x
5
0 2 1 3 0 1 4
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 0 4 1 0 1 4
x
4
0 0
5
2
1
2
1
1
2
1
x
1
0 1
1
2
3
2
0
1
2
2
2.7 Analisis de Sensibilidad 29
v.b. z x
1
x
2
x
3
x
4
x
5
L.D.
z 1 0 0
9
5

8
5

1
5
28
5
x
2
0 0 1
1
5

2
5
1
5
2
5
x
1
0 1 0
7
5

1
5

2
5
11
5
Puesto que

0 y z
j
c
j
0, para toda j, se tiene en la mano, en la ultima tabla, las
soluciones optimas primal y dual:
_
_
_
_
_
_
x

1
x

2
x

3
x

4
x

5
_
_
_
_
_
_
=
_
_
_
_
_
_
11
5
2
5
0
0
0
_
_
_
_
_
_
(

1
,

2
) =
_
8
5
,
1
5
_
2.7. Analisis de Sensibilidad
Sea el problema de PL (P)
_
_
_
Min c x
s.a. A x =

b
x

0
, al que hemos resuelto por el metodo smplex,
siendo la ultima tabla smplex la siguiente:
v.b. z x
B
x
N
L.D.
z
j
c
j
1

0 z
j
c
j
c
B
B
1

b
x
B

0 I B
1
N

b
La pregunta que ahora se nos plantea es: Hasta donde pueden cambiar los datos de
entrada del problema, para que esta tabla (o una con modicacions mnimas) siga siendo una
tabla optima?
2.7.1. Cambio en el lado derecho:

b

(P)
_
_
_
Min c x
s.a. A x =

b
x

0
(P

)
_
_
_
Min c x
s.a. A x =

b

0
En esta situacion,
B sigue siendo base en (P

).
z

j
c

j
= c
B
B
1
a
j
c
j
= z
j
c
j
0
Si B
1

0 la tabla sigue siendo optima.

Si B
1

b

0 aplicamos el metodo dual-smplex partiendo de la tabla anterior, hasta
llegar a una tabla optima.
2.7.2. Cambio en los coecientes de costo: c c

Supongamos que cambiamos el coeciente de costo c

k
por el nuevo valor c

k
.
(P)
_
_
_
Min c x
s.a. A x =

b
x

0
(P

)
_
_
_
Min c

x
s.a. A x =

b
x

0
donde c

= (c

1
, . . . , c

k
, . . . , c

n
) = (c
1
, . . . , c
k1
, c

k
, c
k+1
, . . . , c
n
)
En esta situacion pueden ocurrir dos cosas:
30 Captulo 2. El Metodo Simplex
1. Que x
k
sea variable no basica en la tabla optima del problema (P).
En el problema (P

) la base optima de (P), B, sigue siendo una base factible.

v.b. z x
B
x
N
L.D.
z

j
c

j
1

0 z

j
c

j
c
B
B
1

b
x
B

0 I B
1
N

b
z

j
c

j
= c
B
B
1
a
j
c

j
=
_
z
j
c
j
j = k
z
k
c

k
j = k
Es decir, toda la tabla viene del problema (P), salvo z
k
c
k
, que debemos calcular:
z
k
c

k
= (z
k
c
k
) + (c
k
c

k
)
Si z
k
c

k
0, la tabla sigue siendo optima; de lo contrario se aplica el metodo smplex
para que x
k
entre en la base.
2. Que x
k
sea variable basica en la tabla optima del problema (P). (Cambiamos c
B
t
por
c

B
t
).
En el problema (P

) la base optima de (P), B, sigue siendo una base factible.

v.b. z x
B
1
x
B
t
x
B
m
x
N
L.D.
z

j
c

j
1 0 0 0 z

j
c

j
c
B
B
1

b
x
B
1
0
.
.
.
.
.
.
x
B
t
0 I B
1
N

b
.
.
.
.
.
.
x
B
m
0
z

j
c

j
= c

B
B
1
a
j
c

j
= c

B
y
j
c

j
= (c
B
1
, . . . , c
B
t1
, c

B
t
, c
B
t+1
, . . . , c
n
)
_
_
_
_
_
_
_
_
y
1j
.
.
.
y
tj
.
.
.
y
nj
_
_
_
_
_
_
_
_
c

j
=
_
_
_
_
_
_
_
_
n

i = 1
i = t
c
B
i
y
ij
_
_
_
_
_
_
_
_
+c

B
t
y
tj
c

j
=
_
_
_
_
_
_
_
_
n

i = 1
i = t
c
B
i
y
ij
+c
B
t
y
tj
_
_
_
_
_
_
_
_
+(c

B
t
c
B
t
)y
tj
c

j
= (z
j
c
j
)+(c

B
t
c
B
t
)y
tj
En resumen:
z

j
c

j
= (z
j
c
j
) + (c

B
t
c
B
t
)y
tj
Por lo tanto, construimos una nueva tabla en la que todos los y
ij
coinciden con la tabla
anterior y solo hay que calcular los z

j
c

j
j = B
t
.
Si todos los z

j
c

j
0, la solucion sigue siendo optima; en caso contrario, se resuelve
el problema mediante el metodo smplex.
2.8 Ejemplo de Apliacion 31
2.8. Ejemplo de Apliacion
Dado el problema de PL:
(P)
_

_
Max z = 2x
1
+ 2x
2
+x
3
s.a. 2x
1
+ 2x
2
+x
3
6
x
1
+ x
2
+x
3
4
x
1
, x
2
, x
3
0
1. Resolverlo. Determinar, si es posible, una solucion que no tenga variables de holgura
en la base.
2. Obtener el recorrido del costo de la variable x
2
para que la base anterior (sin variables
del holgura) permanezca optima.
3. Cuanto puede disminuir el costo de la variable x
1
antes de que la base deje de ser
optima?
4. Cual es la solucion optima cuando c
3
= 3?
5. Determina el mnimo valor de t R para que la base optima obtenida en el primer
apartado permanezca optima, si c se sustituye por c +t c
0
, con c
0
= (0, 1, 1, 0, 0).
6. Cual es la solucion cuando b
2
= 10?
7. Cuanto puede variar el valor original de los recursos b
1
y b
2
(de forma independiente)
para que la base del primer apartado permanezca optima?
8. Determinar todas las soluciones para todos los valores de t R, cuando el vector original
del lado derecho,

b, se sustituye por

b +t

b
0
, con

b
0
=
_
1
1
_
.
SOLUCI

ON: En Construccion.
32 Captulo 2. El Metodo Simplex
2.9. El Problema del Transporte
Figura 2.4: El Problema del transporte
Dado el problema de transporte representado en la gura 2.4, y ya conocido (vease seccion
1.2.3), supongamos que esta balanceado (equilibrado), es decir:
m

i=1
a
i
=
n

j=1
b
j
De lo contrario bastara con a nadir un origen o un destino cticio con todo el producto
de exceso o de debito, para que el problema estuviera balanceado.
El modelo quedara como sigue: Si llamamos x
ij
(para cada i = 1, . . . , m y cada j =
1, . . . , n) a la cantidad de producto enviado desde el origen i al destino j, se tiene que:
Min c
11
x
11
+ +c
1n
x
1n
+c
21
x
21
+ +c
2n
x
2n
+ +c
mn
x
mn
s.a. x
11
+x
12
+ +x
1n
= a
1
x
21
+x
22
+ +x
2n
= a
2
.
.
.
.
.
.
x
m1
+x
m2
+ +x
mn
= a
m
x
11
+ +x
21
+ +x
m1
= b
1
x
12
+ +x
22
+ +x
m2
= b
2
.
.
.
x
1n
+ +x
2n
+ +x
mn
= b
n
x
11
, . . . , x
mn
0
O lo que es lo mismo:
Min

m
i=1

n
j=1
c
ij
x
ij
s.a.

n
j=1
x
ij
= a
j, i=1,...,m

m
i=1
x
ij
= b
i, j=1,...,n
x
ij
0
_

_
Min

C

X
s.a. A

X =

b

0
_
_
_
2.9 El Problema del Transporte 33
con

C = (c
11
, . . . , c
mn
),

X =
_

_
x
11
.
.
.
x
mn
_

_
,

b =
_

_
a
1
.
.
.
a
m
b
1
.
.
.
b
n
_

_
y A = ( a
11
, . . . , a
mn
) con a
ij
=
_

_
0
.
.
.
1
.
.
.
0
.
.
.
1
.
.
.
0
_

_
=
e
i
+ e
j+m
, siendo e
l
los vectores unitarios del espacio E
m+n
.
El rango de A es m+n 1. Lo que hacemos entonces es a nadir una columna nueva
asociada a una variable articial, con la garanta de que dicha variable siempre formara parte
de cualquier base, con valor 0. Es decir:
Min

C

X +c
a
x
a
s.a. A

X +x
a
e
k
=

b

0, x
a
0
_
_
_
_
_
_
_
_
_
_
_
x
B
1
.
.
.
x
a
.
.
.
x
B
m+n+1
_
_
_
_
_
_
_
_
= B
1

b =
_
_
_
_
_
_
_
_

b
1
.
.
.
0
.
.
.

b
m+n+1
_
_
_
_
_
_
_
_
x
a
= 0 porque si no fuera as, x
a
podra salir de la base y entrar en su lugar el lado
derecho, y entonces no habra soluciones factibles en el problema original (absurdo). Estara
ocurriendo que:
rang(A) = m+n 1
rang(A|

b) = m+n
_
Sistema Incompatible
Cuando en realidad lo que ocurre es que:
rang(A) = m+n 1
rang(A|

b) = m+n 1
_
Sistema Compatible
Cada casilla de una tabla del problema de transporte representa una columna de la matriz
A.
Por lo tanto, m+n 1 casillas representan una base cuando:
En cada la existe al menos una casilla marcada.
En cada columna existe al menos una casilla marcada.
Si trazamos lneas horizontales y verticales uniendo las casillas marcadas, parece un
grafo conexo y sin ciclos.
Cada variable basica x
ij
en un s.b.f. tomara como valor maximo el mnimo entre la
oferta i y la demanda j.
Ejemplo 2.5 Dada la siguiente tabla de un problema de transporte, hallar una s.b.f. ini-
cial por el metodo de la esquina noroeste, ademas de los valores de las variables no basicas
asociadas a esa base.
Destinos
1 2 3 4 Ofertas
1 15
Orgenes 2 25
3 5
Demandas 5 15 15 10
34 Captulo 2. El Metodo Simplex
El metodo de la esquina noroeste consiste en ir asignando a la siguiente casilla libre mas
arriba y mas a la izquierda el mnimo valor entre lo que queda por ofrecer (ofertas) y lo que
falta por consumir (demandas). Una vez se haya agotado toda la oferta de ese origen, se
tacha esa la; y una vez agotada toda la demanda de ese destino, se tacha esa columna y se
contin ua con la siguiente esquina noroeste.
Destinos
1 2 3 4 Ofertas
1 5 10
Orgenes 2 | 25
3 | 5
Demandas 0 15 15 10
Destinos
1 2 3 4 Ofertas
1 5 10 0
Orgenes 2 | 25
3 | 5
Demandas 0 5 15 10
Destinos
1 2 3 4 Ofertas
1 5 10 0
Orgenes 2 | 5 20
3 | | 5
Demandas 0 0 15 10
Destinos
1 2 3 4 Ofertas
1 5 10 0
Orgenes 2 | 5 15 5
3 | | | 5
Demandas 0 0 0 10
Destinos
1 2 3 4 Ofertas
1 5 10 0
Orgenes 2 | 5 15 5 0
3 | | | 5
Demandas 0 0 0 5
Destinos
1 2 3 4 Ofertas
1 5 10 0
Orgenes 2 | 5 15 5 0
3 | | | 5 0
Demandas 0 0 0 0
En resumen, la tabla con una s.b.f. inicial es la siguiente:
Destinos
1 2 3 4 Ofertas
1 5 10 15
Orgenes 2 | 5 15 5 25
3 | | | 5 5
Demandas 5 15 15 10
Por convenio adoptaremos que en cada casilla ij la esquina superior derecha contendra c
ij
,
mientras que la esquina inferior izquierda contendra, para las posiciones no basicas, z
ij
c
ij
4
.
Para hallar ahora las columnas (casillas) no basicas, tenemos dos opciones:
1. Construir un ciclo que empiece y acabe en la posicion no basica que queremos hallar y
que solo contenga posiciones basicas (excepto la primera y la ultima, que es la propia
casilla no basica).
Cada casilla recorrida en horizontal se resta, mientras que cada casilla recorrida en
vertical se suma.
4
Para cuando sepa hacer eso con L
A
T
E
X2

;-)
2.9 El Problema del Transporte 35
As tenemos que:
a
31
= a
11
a
12
+ a
22
a
24
+ a
34
z
31
c
31
= 15
a
13
= a
23
a
22
+ a
12
z
13
c
13
= 18
a
14
= a
24
a
22
+ a
12
z
14
c
14
= 2
a
21
= a
11
a
12
+ a
22
z
21
c
21
= 5
a
32
= a
22
a
24
+ a
34
z
32
c
32
= 9
a
33
= a
23
a
24
+ a
34
z
33
c
33
= 9
Y sabiendo que z
ij
c
ij
= c
B
B
1
a
ij
c
ij
, ya se pueden calcular todos los valores
deseados.
2. Sea un vector la con m+n componentes, es decir, = (
1
, . . . ,
m
,
m+1
, . . . ,
m+n
) =
(u
1
, . . . , u
m
, v
1
, . . . , v
n
). Y sabiendo que
c
B
B
1
= B = c
B
podemos armar lo siguiente:
(u
1
, . . . , u
m
, v
1
, . . . , v
n
)( a
11
, . . . , a
ij
, . . . , a
mn
) = (c
11
, . . . , c
ij
, . . . , c
mn
)
u
1
+v
1
= c
11
.
.
.
u
i
+v
j
= c
ij
.
.
.
u
m
+v
n
= c
mn

k
= c
a
_

_
Para posiciones basicas z
ij
= a
ij
= u
i
+v
j
Sea la ultima tabla de transporte calculada, pero mostrando los c
ij
:
v
1
v
2
v
3
v
4
u
1
10 0 20 11
u
2
12 7 9 20
u
3
0 14 16 18
Y como podemos asignar el valor c
a
que nosotros queramos a la variable
k
que nosotros
queramos, decidimos asignar u
2
= 0 por ser esta variable aquella que interviene en mas
ecuaciones.
v
1
v
2
v
3
v
4
u
1
10 0 20 11
u
2
= 0 12 7 9 20
u
3
0 14 16 18
v
1
v
2
= 7 v
3
= 9 v
4
= 20
u
1
10 0 20 11
u
2
= 0 12 7 9 20
u
3
0 14 16 18
v
1
v
2
= 7 v
3
= 9 v
4
= 20
u
1
= 7 10 0 20 11
u
2
= 0 12 7 9 20
u
3
= 2 0 14 16 18
v
1
= 17 v
2
= 7 v
3
= 9 v
4
= 20
u
1
= 7 10 0 20 11
u
2
= 0 12 7 9 20
u
3
= 2 0 14 16 18
36 Captulo 2. El Metodo Simplex
z
31
c
31
= u
3
+v
1
c
31
= 2 + 17 0 = 15
z
13
c
13
= u
1
+v
3
c
13
= 7 + 9 20 = 18
z
14
c
14
= u
1
+v
4
c
14
= 7 + 20 11 = 2
z
21
c
21
= u
2
+v
1
c
21
= 0 + 17 12 = 5
z
32
c
32
= u
3
+v
2
c
32
= 2 + 7 14 = 9
z
33
c
33
= u
3
+v
3
c
33
= 2 + 9 16 = 9
Por lo tanto la tabla smplex asociada a este problema es la siguiente:
v.b. z x
11
x
12
x
13
x
14
x
21
x
22
x
23
x
24
x
31
x
32
x
33
x
34
x
a
L.D
z
ij
c
ij
1 0 0 18 2 5 0 0 0 15 9 9 0 0 410
x
11
0 1 0 0 0 1 0 0 0 1 0 0 0 0 5
x
12
0 0 1 1 1 1 0 0 0 1 0 0 0 0 10
x
22
0 0 0 1 1 1 1 0 0 1 1 0 0 0 5
x
23
0 0 0 1 0 0 0 1 0 0 0 1 0 0 15
x
24
0 0 0 0 1 0 0 0 1 1 1 1 0 0 5
x
34
0 0 0 0 0 0 0 0 0 1 1 1 1 0 5
x
a
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
2.9.1. El Problema de la Asignacion
.