Programacion Lineal Jfa

Programacin Lineal.
Introduccin.
En los ltimos 70 aos, las empresas, cada vez mayores y complejas, han originado una
cierta clase de problemas de optimizacin, donde el inters radica en asuntos tales como
la manera ms eficiente de manejar una economa, o cmo organizar los horarios de
vuelo de las azafatas en una compaa area, o la mezcla de ingredientes de un
fertilizante para satisfacer las especificaciones agrcolas a un costo mnimo, etc. El
estudio de cmo formular y resolver tales problemas ha originado el desarrollo de
nuevas e importantes tcnicas de optimizacin. Entre stas encontramos la
programacin lineal. El modelo de programacin lineal, esto es, la optimizacin de una
funcin lineal sujeta a restricciones lineales, es sencillo en su estructura matemtica,
pero poderoso por su capacidad de adaptarse a un amplio rango de aplicaciones a
problemas de la vida real.

Los problemas de programacin lineal se interesan en la asignacin eficiente de
recursos limitados con el nimo de alcanzar objetivos deseados. Estos problemas se
caracterizan por el gran nmero de soluciones que satisfacen las condiciones impuestas
por cada problema. La seleccin de una solucin concreta, como la mejor a un
problema, depender de cierto objetivo implcito en el planteamiento del problema. Una
solucin que satisfaga todas las condiciones del problema y adems alcance el objetivo
deseado se denomina solucin ptima.

Para poder entender bien de qu estamos hablando, vamos a empezar proponiendo una
serie de ejemplos en los que se pueda apreciar como situaciones, en apariencia muy
diferentes, dan lugar a modelos matemticos que son idnticos en estructura y caen
dentro de lo que se entiende por problemas de programacin lineal.

Antes de empezar con los ejemplos observemos que para plantear cualquier problema
de programacin lineal deberemos identificar cuatro componentes bsicos:

1. Los datos del problema
2. Las variables que habremos de definir para formular el problema, junto con sus
dominios de definicin
3. Las restricciones que vienen impuestas por las condiciones del problema.
4. La funcin que representa el objetivo a alcanzar y que habitualmente debe ser
optimizada.

Ejemplo 1: Un problema de dieta.
Se desea aadir a la dieta de ciertos animales de granja cantidades extra de tiamina,
fsforo y hierro. Para ello en el mercado existen dos preparados en polvo diferentes:
Fosfatn y Ferroforo. Estos contienen los nutrientes en las cantidades que se indican a
continuacin. Cada onza de Ferroforo contiene 0.15 mg de tiamina, 0.75 mg de fsforo
y 1.30 mg de hierro. Cada onza de Fosfatn contiene 0.10 mg de tiamina, 1.70 mg de
fsforo y 1.10 mg de hierro. Deseamos que cada animal reciba al da, al menos 1.00 mg
de tiamina, 7.50 mg de fsforo y 10.00 mg de hierro.
El costo de cada onza de Ferroforo es de 0.02 y el de Fosfatn es de 5/3 de
cntimo de euro por onza . Determinar las cantidades de Ferroforo y Fosfatn que
debemos suministrar a cada animal de forma que el costo de este suplemento a la dieta
sea mnimo.

Sergio Estrada Domnguez
Juan Frez Alcntara
Francisco de Ass Guil Asensio
Solucin:

Tal y como hemos indicado anteriormente, empezaremos identificando los cuatro
componentes bsicos del problema.

En primer lugar expresamos los datos del problema en forma de tabla, lo que nos dar
una mejor perspectiva de los mismos:

Proporcin de nutriente por ingrediente
___________Nutrientes__________

Ingredientes Tiamina Fsforo Hierro Costo de los ingredientes
Ferroforo 0.15 mg/oz 0.75 mg/oz 1.30 mg/oz 2 cts/oz
Fosfatn 0.10 mg/oz 1.70 mg/oz 1.10 mg/oz 5/3 cts/oz

Definicin de las variables del problema:
Sean x
1
y x
2
las cantidades, en onzas, de Ferroforo y Fosfatn, respectivamente, que
debemos aadir a la dieta de los animales diariamente.

Restricciones del problema:
Al echar a la dieta x
1
onzas de Ferroforo y x
2
onzas de Fosfatn estaramos
proporcionando a la misma el siguiente aporte nutricional diario:
0.15 x
1
+ 0.10 x
2
mg de Tiamina
0.75 x
1
+ 1.70 x
2
mg de Fsforo
1.30 x
1
+ 1.10 x
2
mg de Hierro

Como deseamos que cada animal reciba al da, al menos 1.00 mg de tiamina, 7.50 mg
de fsforo y 10.00 mg de hierro. Deberemos imponer las siguientes restricciones:

0.15 x
1
+ 0.10 x
2
1.00
0.75 x
1
+ 1.70 x
2
7.50
1.30 x
1
+ 1.10 x
2
10.00

Restricciones de no negatividad:
Tal y como hemos definido las variables del problema no tiene ningn sentido que stas
tomen valores negativos. De manera que tambin impondremos las restricciones:
x
1
0
x
2
0
Estas restricciones se suelen expresar de forma conjunta del siguiente modo:
x
1
, x
2
0
y se les llama las restricciones de no negatividad.

Definicin de la funcin que representa el objetivo que pretendemos alcanzar:
Es lgico pensar que habr muchas pares de valores (x
1
, x
2
) que cumplirn todas las
restricciones del problema. Cada uno de estos pares de valores (x
1
, x
2
), que significa
echar, diariamente, a la dieta de los animales x
1
onzas de Ferroforo y x
2
onzas de
Fosfatn, , tendr un costo de 2 x
1
+ 5/3 x
2
cntimos de euro.

Luego si llamamos z = 2 x
1
+ 5/3 x
2
, z representa el costo, en cntimos de euro,
asociado al par (x
1
, x
2
) de valores de las variables.

Es evidente que nuestro objetivo ser determinar el par (x
1
, x
2
) que cumpliendo todas
las restricciones del problema haga mnimo el valor de la funcin z.

Luego el problema que hemos de resolver lo podemos expresar del siguiente modo:

+
+
+
+ =
0 ,
00 . 10 10 . 1 30 . 1
50 . 7 70 . 1 75 . 0
00 . 1 10 . 0 15 . 0
a sujeto
2 min
) (
2 1
2 1
2 1
2 1
2 3
5
1
x x
x x
x x
x x
x x z
P

Ejemplo 2: Un problema de mezclas.
Una fbrica de pinturas mezcla tres aditivos, A1, A2 y A3 a una base en
diferentes proporciones para obtener distintos colores de tinta. La tinta roja se obtiene
mezclando A1, A2 y A3 en la proporcin de 3:1:2, la tinta azul en la proporcin de
2:3:4 y la tinta verde en la proporcin 1:2:3. Despus de mezclar estos aditivos, a cada
color de tinta se le aade una cantidad de base igual a la suma de dichos aditivos, en los
respectivos colores. La compaa actualmente tiene 1000 galones de A1, 1500 de A2,
2000 de A3 y 4000 de base. Dedo que el beneficio obtenido por galn de cada tipo de
tinta es el mismo, desarrolle un modelo de programacin lineal para determinar cmo
deberan usarse estos recursos para obtener los mximos ingresos, suponiendo que toda
la tinta que se fabrique ser vendida.

Solucin:

Segn el enunciado del ejemplo, podemos ver que para hacer cada tipo de tinta debemos
mezclar los tres aditivos junto con la base siguiendo las proporciones que se pueden ver
en el siguiente dibujo:

Empezaremos analizando los datos del problema.

Tinta Roja: En un galn (litro, cm
3
, ) de tinta roja la relacin de los aditivos y la base
es:
A1 A2 A3 B
3 : 1 : 2 : 6
luego si el galn de tinta roja lo partimos en 12 partes iguales, habr:
3 partes de aditivo A1
1 parte de aditivo A2
6 partes de base
lo que indica que la proporcin de aditivos y base en dicho galn de tinta roja sera la
siguiente: las
12
3
partes del galn de tinta roja seran aditivo A1, las
12
1
partes del galn
de tinta roja seran aditivo A2, las
12
2
partes del galn de tinta roja seran aditivo A3 y
las
12
6
partes del galn de tinta roja seran base.
Es decir,
12
3
de cada galn de tinta roja es aditivo A1,
12
1
12
2
12
6
de cada galn de tinta roja es base.

Tinta Azul: En un galn (litro, cm
3
, ) de tinta azul la relacin de los aditivos y la base
es:
A1 A2 A3 B
2 : 3 : 4 : 9
luego si el galn de tinta azul lo partimos en 18 partes, habr:
9 partes de base

lo que indica que la proporcin de aditivos y base en dicho galn de tinta roja sera:

18
2
de cada galn de tinta azul es aditivo A1,
18
3
18
4
18
9
de cada galn de tinta azul es base.

Tinta Verde: En un galn (litro, cm
3
, ) de tinta verde la relacin de los aditivos y la
base es:
A1 A2 A3 B
1 : 2 : 3 : 6
luego si el galn de tinta verde lo partimos en 12 partes, habr:
6 partes de base

lo que indica que la proporcin de aditivos y base en dicho galn de tinta verde sera:

12
1
de cada galn de tinta verde es aditivo A1,
12
2
12
3
12
6
de cada galn de tinta verde es base.

Definicin de las variables de decisin:

Denotamos mediante,

x
R
= cantidad de galones de tinta roja a producir.
x
A
= cantidad de galones de tinta azul a producir.
x
V
= cantidad de galones de tinta verde a producir.

Restricciones debidas a la disponibilidad de los aditivos y base:

1000
12
1
18
2
12
3
+ +
4 4 4 3 4 4 4 2 1
V A R
x x x

cantidad de unidades de aditivo A1 gastadas al fabricar x
R
galones de tinta roja, x
A

galones de tinta azul y x
V
galones de tinta verde.

1500
12
2
18
3
12
1
+ +
4 4 4 3 4 4 4 2 1
V A R
x x x

R
A

V

2000
12
3
18
4
12
2
+ +
4 4 4 3 4 4 4 2 1
V A R
x x x

R
A

V

4000
12
6
18
9
12
6
+ +
4 4 4 3 4 4 4 2 1
V A R
x x x

cantidad de unidades de base gastadas al fabricar x
R
A
galones
de tinta azul y x
V

Restricciones de no negatividad.

Tal y como se han definido las variables de decisin no tiene ningn sentido que tomen
valores negativos, luego:
0 , ,
V A R
x x x

Modelo:

De manera que quedara el siguiente modelo:

+ +
+ +
+ +
+ +
+ +
0 , ,
4000
2000
1500
1000
a sujeto
Maximizar
12
6
18
9
12
6
12
3
18
4
12
2
12
2
18
3
12
1
12
1
18
2
12
3
V A R
V A R
V A R
V A R
V A R
V A R
x x x
x x x
x x x
x x x
x x x
x x x

Ejemplo 3: Planificacin de la produccin.
Un fabricante produce tres modelos (I, II y III) de un cierto producto, y usa dos tipos de
materia prima (A y B), de las cuales se tienen disponibles 2.000 y 3.000 unidades,
respectivamente. Los requisitos de materia prima por unidad de los tres modelos son:

Materia Requisitos por unidad de modelo dado
Prima I II III
A 2 3 5
B 4 2 7

El tiempo de mano de obra para cada unidad del modelo I es dos veces el del modelo II
y tres veces el del modelo III. La fuerza laboral completa de la fbrica puede producir el
equivalente de 700 unidades del modelo I. Una encuesta de mercado indica que la
demanda mnima de los tres modelos es 200, 200 y 150 unidades, respectivamente. Sin
embargo, las relaciones del nmero de unidades producidas deben ser igual a 3:2:5.
Suponga que los beneficios por unidad de los modelos I, II y III son 30, 20 y 50
unidades monetarias, respectivamente. Formule un modelo de programacin lineal que
determine el nmero de unidades de cada producto que maximizarn el beneficio.

Solucin: Supondremos que todo lo que se produce se vende.

Definicin de las variables de decisin:

Denotaremos por,
x
1
= unidades del modelo I del producto que se van a producir.
x
2
x
3

Funcin objetivo:
Denotaremos por
3 2 1
50 20 30 x x x z + + = , que representa los beneficios obtenidos por
la fabricacin y venta de x
1
unidades del modelo I, x
2
unidades del modelo II y x
3

unidades del modelo III.

Restricciones debidas a la disponibilidad de las materias primas A y B:

2000 5 3 2
3 2 1
+ +
4 4 3 4 4 2 1
x x x

cantidad de unidades de materia prima A gastadas al
fabricar x
1
2
unidades del
modelo II y x
3
unidades del modelo III

3000 7 2 4
3 2 1
+ +
4 4 3 4 4 2 1
x x x

cantidad de unidades de materia prima B gastadas al
fabricar x
1
2
unidades del
modelo II y x
3

Restricciones debidas a la demanda mnima, segn una encuesta de mercado, de los
tres modelos:
150
250
200
3
2
1
x
x
x

Restricciones debidas a que las relaciones del nmero de unidades producidas deben
ser igual a 3 : 2 : 5, para los modelos I, II y III, respectivamente.

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

Restriccin debida a: el tiempo de mano de obra para cada unidad del modelo I es
dos veces el del modelo II y tres veces el del modelo III y sabemos que la fuerza laboral
completa de la fbrica puede producir el equivalente de 700 unidades del modelo I.

Pues bien, este prrafo entrecomillado se traduce en la siguiente restriccin:
700
3 2
3 2
1
+ +
x x
x

Expliquemos esta ltima restriccin con ms detenimiento. Si llamamos t al tiempo de
mano de obra necesario para fabricar una unidad del modelo I, entonces t/2 ser el
tiempo de mano de obra necesario para fabricar una unidad del modelo II y t/3 ser el
tiempo de mano de obra necesario para fabricar una unidad del modelo III.

Por otro lado, nos dicen que la fuerza laboral completa de la fbrica puede producir el
equivalente de 700 unidades del modelo I lo que quiere decir que se dispone del
tiempo de mano de obra necesario para fabricar 700 unidades del modelo I, es decir, la
fbrica dispone de un tiempo de mano de obra de 700 t (pues cada unidad del modelo I
necesita un tiempo de mano de obra para fabricarse igual a t)

Luego,
( )
( )
( )
{
3
2
1
3 2 1
700
3 2
+ + t
t
x
t
x t x
4 4 3 4 4 2 1

Es decir,
(1) = El tiempo de mano de obra necesario para producir de x
1
unidades del
modelo I, x
2
unidades del modelo II y x
3
(2) = No puede sobrepasar
(3) = El tiempo de mano de obra del que dispone la fbrica

Por ltimo, dividiendo por t la restriccin anterior nos quedara,
700
3 2
3 2
1
+ +
x x
x

Restricciones de no negatividad.

Tal y como se han definido las variables de decisin no tiene ningn sentido que tomen
valores negativos, luego:
0 , ,
3 2 1
x x x

De manera que quedara el siguiente modelo:

+ +
=
=
+ +
+ +
+ + =
0 , ,
700
0 2 5
0 3 2
150
250
200
3000 7 2 4
2000 5 3 2
a sujeto
50 20 30 Maximizar
) (
3 2 1
3 3
1
2 2
1
1
3 2
2 1
3
2
1
3 2 1
3 2 1
3 2 1
x x x
x x x
x x
x x
x
x
x
x x x
x x x
x x x z
P

Ejemplo 4: Produccin de cerveza.
Cierta fbrica produce dos tipos de cerveza: rubia y negra. El precio de venta de 1 litro
de cerveza rubia es de 5 , mientras que el de 1 litro de negra es de 3 . Un estudio
previo ha demostrado que para producir 1000 litros de cerveza rubia se requieren 3
obreros en el proceso de produccin, mientras que 1000 litros de negra requieren 5
obreros. La fbrica dispone de 15 obreros en total. Adems, producir 1000 litros de
rubia cuesta 500 mientras que 1000 litros de negra sale por 200 . El presupuesto de
produccin a la semana es como mucho 1000 . Determinar cmo debe hacerse la
produccin semanal para maximizar el ingreso en concepto de venta semanal.

Solucin:

Sean x e y el nmero de litros de cerveza rubia y negra producidas a la semana. El
problema a resolver sera:

( )
( )
\
|
+

|
\
|
+
+
0 ,
1000 200
1000
500
1000

15 5
1000
3
1000
s.a.
3 5 Maximizar
y x
y
x
y
x
y x

Si cambiamos el significado de las variables de decisin y llamamos:

x = n de miles de litros de cerveza rubia producida a la semana, y
y = n de miles de litros de cerveza negra producida a la semana

El problema quedara as:

( )
+
+
+
0 ,
1000 200 500
15 5 3
a sujeto
3000 5000 Maximizar
y x
y x
y x
y x
P

Que an sera equivalente a:

( )
+
+
+
0 ,
10 2 5
15 5 3
a sujeto
3 5 Maximizar
y x
y x
y x
y x
P

Salvo en el valor ptimo de la funcin objetivo, que en el caso de (P) es 1000 veces el
de (P ).

Despus de ver como diferentes situaciones dan lugar a problemas cuyos modelos
tienen la misma estructura: minimizar o maximizar una funcin lineal en presencia de
restricciones lineales del tipo desigualdad, igualdad o ambas, parece lgico que
estudiemos dicha estructura de problema.

1.- Elementos que definen un problema de programacin lineal.

1.1 Definicin: Un problema de programacin lineal es un problema de minimizar o
maximizar una funcin lineal en presencia de restricciones lineales del tipo desigualdad,
igualdad o ambas.

Expresin general de un modelo de programacin lineal:

( )
( )
( )

= + + +
= + + +
= + + +
+ + +

) ( 0 , , ,
, ,

, ,
, ,
a sujeto
optimizar
2 1
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
2 2 1 1
n k x x x
b x a x a x a
b x a x a x a
b x a x a x a
x c x c x c
k
m n mn m m
n n
n n
n n
L
L
M M M M M
L
L
L

Donde optimizar puede ser maximizar o minimizar. c
j
, b
i
y a
ij
(1 i m ; 1 j n) son
constantes determinadas por la tecnologa del problema y x
j
(j = 1,2,,n) son las
variables de decisin. nicamente un signo ( , = o ) ocurre para cada restriccin.
Algunas de las variables de decisin son declaradas no negativas, ms adelante
mostraremos que cada variable irrestricta puede convertirse equivalentemente en
variables no negativas.

La restriccin de no negatividad, para todas las variables de decisin, es esencial para el
desarrollo del mtodo de solucin de los problemas de programacin lineal.

1.2 Definiciones bsicas:

Consideremos el siguiente problema de programacin lineal:

+ + +
+ + +
+ + +
+ + +

0 , , ,

a sujeto
Minimizar
2 1
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
2 2 1 1
n
m n mn m m
n n
n n
n n
x x x
b x a x a x a
b x a x a x a
b x a x a x a
x c x c x c
L
L
M M M M
L
L
L

La expresin
n n
x c x c x c + + + L
2 2 1 1
recibe el nombre de funcin objetivo, debe
minimizarse y se suele denotar por z. Los coeficientes
n
c c c , , ,
2 1
L de la funcin
objetivo son llamados coeficientes de costo y
n
x x x , , ,
2 1
L son las variables de
decisin que deben determinarse. Las desigualdades se referencian haciendo uso del
orden que ocupan, as
i n in i i
b x a x a x a
2 2 1 1
+ + + L denota la i-sima restriccin.
Los coeficientes
ij
a
( i = 1,2,,m ; j = 1,2,,n ) se llaman los coeficientes
tecnolgicos. Estos coeficientes forman la siguiente matriz de restricciones, A.

( )
ij
mn m m
n
n
a
a a a
a a a
a a a
A =
|
|
|
|
|
\
|
=
L
M O M M
L
L
2 1
2 22 21
1 12 11

El vector columna,
|
|
|
\
|
=
m
b
b
b M
1
, al cual se le llama el vector del lado derecho, representa
los requerimientos mnimos que deben satisfacerse (es decir, la limitacin de los
recursos a repartir entre las actividades), por eso a este vector tambin se le llama
vector de requerimientos.

Las restricciones 0 , , ,
2 1

n
x x x L son las restricciones de no negatividad.

Cualquier concrecin de valores para las variables de decisin ( )
n
x x x , , ,
2 1
L se llama
solucin (sin importar si es una eleccin deseable, o incluso admisible).

Una solucin factible es una solucin para la que se satisfacen todas las restricciones.

Al conjunto de todas las soluciones factibles se le llama regin factible.

Una solucin ptima es una solucin factible que tiene el valor ms favorable de la
funcin objetivo (la solucin ptima, en caso de existir, puede ser nica o haber ms de
una).

2.- Formas cannica y estndar.

Un problema de programacin lineal se dice que est escrito en forma
estndar si todas las restricciones del problema son ecuaciones lineales y todas las
variables son no negativas.

Diremos que un problema de programacin lineal de minimizacin est escrito
en forma cannica si todas las variables son no negativas y todas las restricciones
son del tipo .

Diremos que un problema de programacin lineal de maximizacin est escrito
en forma cannica si todas las variables son no negativas y todas las restricciones
son del tipo .

Observacin: El mtodo simplex, que es un mtodo para resolver problemas de
programacin lineal, est diseado para aplicarse slo despus de que el problema se
haya escrito en forma estndar.

En la siguiente tabla resumimos la forma estndar y cannica:

Problema de Minimizacin Problema de Maximizacin

Forma

Estndar

n j x
m i b x a
x c
j
n
j
i j ij
n
j
j j
, , 1 ; 0
, , 1 ; s.a.
Minimizar
1
1
L
L
=
= =
=
=

n j x
m i b x a
x c
j
n
j
i j ij
n
j
j j
, , 1 ; 0
, , 1 ; s.a.
Maximizar
1
1
L
L
=
= =
=
=

Forma

Cannica

n j x
m i b x a
x c
j
n
j
i j ij
n
j
j j
, , 1 ; 0
, , 1 ; s.a.
Minimizar
1
1
L
L
=
=
=
=

n j x
m i b x a
x c
j
n
j
i j ij
n
j
j j
, , 1 ; 0
, , 1 ; s.a.
Maximizar
1
1
L
L
=
=
=
=

3.- Paso de unas formas a otras (Manipulacin del problema).

Cualquier problema de programacin lineal se puede escribir en forma cannica o forma
estndar, siempre que se quiera, de la siguiente forma:

a) Desigualdades y ecuaciones:

Una desigualdad se puede transformar fcilmente en una ecuacin.
Consideremos una del tipo ( ). Este tipo de desigualdad es tpica en las restricciones
en las que el lado derecho representa la cantidad disponible de un recurso limitado y el
lado izquierdo el consumo que de tal recurso hacen las variables de decisin. La
diferencia entre el lado derecho y el lado izquierdo de la restriccin ( ) representa,
pues, la cantidad no usada u holgura del recurso.
Para convertir una desigualdad ( ) en una ecuacin se suma una variable de
holgura no negativa al lado izquierdo de la restriccin. Por ejemplo, en el modelo que
se plante en el ejemplo de la cerveza la restriccin asociada a la utilizacin de obreros
viene dada por
15 5 3 + y x
Si definimos s como la holgura o cantidad no utilizada de obreros, tal restriccin es
equivalente a la siguiente ecuacin, 15 5 3 = + + s y x , junto con, s 0. Es decir, son
equivalentes:
= + +
+
0
15 5 3
15 5 3
s
s y x
y x

Por otro lado, una desigualdad del tipo ( ), suele darse en las restricciones en las que el
lado derecho representa un lmite inferior para las actividades del modelo. Para
convertir la desigualdad ( ) en igualdad ( = ), se resta una variable de holgura no
negativa al lado izquierdo de la restriccin. Por ejemplo, en el modelo de la dieta
(ejemplo 1) la restriccin asociada a la cantidad mnima de fsforo, que cada animal
deba recibir al da, viene dada por
0.75 x
1
+ 1.70 x
2
7.50
Si definimos s como la excedencia, tal restriccin es equivalente a la siguiente ecuacin,
0.75 x
1
+ 1.70 x
2
s = 7.50, junto con, s 0. Es decir, son equivalentes:
= +
+
0
50 . 7 70 . 1 75 . 0
50 . 7 70 . 1 75 . 0
2 1
2 1
s
s x x
x x

Por otro lado una ecuacin cualquiera, por ejemplo, 15 6 5 3
4 3 2 1
= + + x x x x , se
puede escribir, de forma equivalente, como las dos desigualdades siguientes
simultneas: 15 6 5 3
4 3 2 1
+ + x x x x y 15 6 5 3
4 3 2 1
+ + x x x x . Es decir, son
equivalentes:
+ +
+ +
= + +
15 6 5 3
15 6 5 3
15 6 5 3
4 3 2 1
4 3 2 1
4 3 2 1
x x x x
x x x x
x x x x
las cuales se pueden escribir, de forma equivalente,

O bien,
+
+ +
15 6 5 3
15 6 5 3
4 3 2 1
4 3 2 1
x x x x
x x x x

O bien,
+ +
+
15 6 5 3
15 6 5 3
4 3 2 1
4 3 2 1
x x x x
x x x x

Segn nos interese.

b) No negatividad de las variables: Como el mtodo simplex est diseado para resolver
problemas de programacin lineal escritos en forma estndar y dicha forma exige que
todas las variables de decisin han de ser no negativas, debemos ser capaces de
conseguir que esto ocurra. As pues, actuaremos de la siguiente forma:

i) Si una variable
j
x
no est restringida en su signo, entonces se puede reemplazar por
j j
x x
con
0
j
x
y
0
j
x
. Es decir, son equivalentes,
0
0 a irrestrict
j
j
j j j
j
x
x
x x x
x

En efecto, basta tomar
{ } 0 , max
j j
x x =
y
{ } 0 , max
j j
x x =

ii) Si una variable
j
x
no se tiene restringida a ser no negativa y sin embargo se dispone
de la siguiente restriccin,
( ) cte donde =
j j j
k k x
, entonces la nueva variable
j j j
k x x =
es no negativa y en este caso reemplazaramos
j
x
por
j j
k x +
en el
modelo.

iii) Anlogamente, si una variable
j
x
no se tiene restringida a ser no negativa y sin
embargo se dispone de la siguiente restriccin,
( ) cte donde =
j j j
k k x
,
entonces la nueva variable
j j j
x k x =
es no negativa y en este caso
reemplazaramos
j
x
por
j j
x k
en el modelo.

c) Problemas de minimizacin y maximizacin: Otra manipulacin del problema
consiste en convertir un problema de maximizacin en un problema de minimizacin y
viceversa. Para ello, observamos que sobre cualquier regin se verifica que:

= =
=
n
j
j j
n
j
j j
x c x c
1 1
Mnimo Mximo

De modo que un problema de maximizacin (minimizacin) se puede convertir en un
problema de minimizacin (maximizacin) multiplicando los coeficientes de la funcin
objetivo por 1. Despus de resolver el nuevo problema, el valor objetivo ptimo del
problema original es 1 por el valor objetivo ptimo del nuevo problema.

Ejemplo 5: Dado el problema de programacin lineal:

( )
+
+
= +
+ =
a irrestrict
0
4 2
6 3 4
3 3
a sujeto
4 Minimizar
1
2
2 1
2 1
2 1
2 1
x
x
x x
x x
x x
x x z
P

Escrbelo en formato estndar.

Solucin:

Como la variable x
1
es irrestricta haremos el cambio,
1 1 1
x x x = junto con

0
0
1
1
x
x

Por otro lado, en las restricciones segunda y tercera introducimos las variables de
holgura, no negativas, x
3
y x
4
, respectivamente. Quedando el modelo de la siguiente
forma:

( )

= + +
= +
= +
+ =
0 , , , ,
4 2 ) (
6 3 ) ( 4
3 ) ( 3
a sujeto
) ( 4 Minimizar
4 3 2 1 1
4 2 1 1
3 2 1 1
2 1 1
2 1 1
x x x x x
x x x x
x x x x
x x x
x x x z
P

Es decir,

( )

= + +
= +
= +
+ =
0 , , , ,
4 2
6 3 4 4
3 3 3
a sujeto
4 4 Minimizar
4 3 2 1 1
4 2 1 1
3 2 1 1
2 1 1
2 1 1
x x x x x
x x x x
x x x x
x x x
x x x z
P

4.- Resolucin grfica de problemas de programacin lineal.

Los problemas de programacin lineal con dos variables de decisin se pueden resolver
fcilmente de forma grfica. El mtodo consiste en representar grficamente la regin
factible del problema para despus introducir en dicho grfico las curvas de nivel de la
funcin objetivo del problema.

Veamos esto resolviendo grficamente el problema del ejemplo de la cerveza.

El problema que tenemos que resolver es el siguiente:

+
+
+ =
0 ,
10 2 5
15 5 3
a sujeto
3 5 Maximizar
) (
y x
y x
y x
y x z
P

La regin factible de este problema, F, es el conjunto de todos los puntos (x,y) de R
2

que cumplan, de forma simultnea, todas las restricciones del problema. Es decir, el
siguiente conjunto de R
2
:
( ) { } 0 , 0 , 10 2 5 , 15 5 3 / ,
2
+ + = y x y x y x R y x F

Para representar grficamente este conjunto de R
2
hacemos lo siguiente: Identificamos
el espacio R
2
con un plano, la hoja de papel. En este plano dibujamos unos ejes
cartesianos (x,y). Para ver los puntos del plano que cumplen la primera restriccin,
15 5 3 + y x , observamos que la ecuacin lineal, 15 5 3 = + y x , es la ecuacin de una
recta en el plano. Dicha recta divide al plano en dos semiplanos, uno a cada lado de la
recta. Como se puede observar en el siguiente dibujo:

Una forma muy cmoda de averiguar que desigualdad le corresponde a cada semiplano
es la siguiente. Como todos los puntos que estn en un mismo semiplano deben cumplir
la misma desigualdad, cogemos un punto cualquiera de uno de los semiplanos, que no
est en la recta que delimita a los mismos, por ejemplo el origen (0,0). Sustituimos sus
coordenadas en la ecuacin de la recta, 15 5 3 = + y x , lo que nos dara 0 15. Pues bien,
ya sabemos que el semiplano donde est el origen (0,0), tiene por ecuacin:
15 5 3 + y x , y, por lo tanto, el otro semiplano tendr por ecuacin: 15 5 3 + y x . De
forma anloga podemos representar los puntos del plano que cumplen la segunda
restriccin, 10 2 5 + y x . Por ltimo, las restricciones de no negatividad, x 0, y 0,
que se tratan como las anteriores, lo que nos indican es que slo hemos de considerar
los puntos del primer cuadrante. De manera que la regin factible, F, ser la interseccin
de todos estos semiplanos. Tal y como podemos apreciar en el siguiente dibujo.

Una vez que hemos representado la regin factible, el problema consiste en encontrar el
punto, o puntos, de la misma que hace mximo el valor de la funcin objetivo,
y x z 3 5 + = . Para averiguar esto sera interesante que pudiramos introducir a la funcin
objetivo dentro de la representacin grfica que estamos haciendo del problema. Esto lo
podemos conseguir del siguiente modo. Observemos que si cogemos la expresin de la
funcin objetivo, y x 3 5 + , y la igualamos a una constante, k, obtendramos la ecuacin
de una recta en el plano, k y x = + 3 5 , ocurriendo que todos los puntos del plano que
estn sobre esa recta proporcionan el mismo valor en la funcin objetivo del problema,
es decir, en todos ellos ocurrir que z ser igual a k. Por otro lado, todas las rectas de
ecuacin k y x = + 3 5 , cuando k es un nmero cualquiera, son paralelas entre s, con
vector perpendicular a todas ellas, el vector (5,3). Adems dicho vector, (5,3),
proporciona la direccin en la cual, si trasladamos la rectas paralelas en dicha direccin,
ocurre que el valor de k aumenta. Esto nos indica una forma de proceder. Podemos
empezar por dibujar la recta, 0 3 5 = + y x , e ir dibujando rectas paralelas a ella, en la
direccin indicada por el vector (5,3), al hacer esto vemos que llegar un momento en
que tales rectas dejarn de cortar a la regin factible y adems por pura observacin
somos capaces de observar en qu punto (o puntos) se despegaran estas rectas de la
regin factible, tal como se puede apreciar en el siguiente dibujo:

Luego, a la vista del dibujo, vemos que la solucin ptima del problema ser el punto de
corte de las rectas, 15 5 3 = + y x y 10 2 5 = + y x . Es decir, el mximo de la funcin
objetivo sobre la regin factible F se obtiene en el punto Q(20/19,45/19), que es el
punto de interseccin de tales rectas. El valor que toma la funcin objetivo en la
solucin ptima del problema es:
12.36842
19
235
19
45
3
19
20
5 = = +

Una vez que hemos visto cmo se resuelve grficamente un problema de programacin
lineal con dos variables de decisin se nos podra ocurrir reflexionar sobre cules
pueden ser las situaciones que se podran presentar en un problema de programacin
lineal, de dos variables. La respuesta a esta pregunta la tenemos en el siguiente
apartado:

Casos posibles:

Vamos a ver con diversos ejemplos todas las situaciones que pueden presentarse
respecto a la regin factible de un problema de programacin lineal; as como respecto
al alcance del valor ptimo de la funcin objetivo en uno, ninguno o infinitos puntos.

Suponemos que los grficos que vienen a continuacin representan la regin factible, F,
en el espacio de las variables de decisin, suponiendo que hay dos variables de decisin,
y que los problemas son de maximizar en forma cannica.

Caso a): ptimo nico finito. Se pueden dar dos subcasos:

Subcaso a
1
)
Regin factible F acotada

Un vrtice ptimo

Subcaso a
2
)
Regin factible F no acotada

Un vrtice ptimo

Caso b): Infinitos puntos de ptimo finito: Se pueden dar tres subcasos:

Subcaso b
1
)
Regin factible F acotada

Infinitos puntos ptimos en una arista
entre dos vrtices ptimos.

Subcaso b
2
)

Infinitos puntos ptimos en un rayo
infinito que parte de un vrtice ptimo.

Subcaso b
3
)

Infinitos puntos ptimos en una arista finita entre dos vrtices ptimos

Caso c): Valor objetivo ptimo no acotado. Este caso slo puede darse si la regin
factible, F, es no acotada.

Como se puede apreciar en el dibujo el valor de la funcin objetivo no est acotado en
la regin factible. Es decir, dado cualquier nmero real positivo, por grande que sea, se
pueden encontrar soluciones factibles del problema donde el valor de la funcin
objetivo supera al nmero dado.

Caso d): Regin factible, F, vaca.

Sea el siguiente problema de programacin lineal:

+

=
0 ,
4
2 2
3 2
a sujeto
3 2 Maximizar
) (
y x
y
y x
y x
y x z
P

Representamos la regin factible.

Como podemos observar, la regin factible es vaca. Es decir, el problema no tiene
soluciones factibles.

Observando los casos que acabamos de ver apreciamos que cuando un problema de
programacin lineal tiene solucin ptima finita, aunque haya infinitas de ellas, siempre
hay al menos un vrtice ptimo. Esto es un hecho general, que se puede demostrar. De
hecho, el mtodo simplex, que como ya hemos dicho resuelve los problemas de
programacin lineal, est diseado para buscar la solucin (o soluciones) ptima a
travs de los vrtices de la regin factible del problema.

Por supuesto que problemas de programacin lineal con tres variables de decisin
tambin se pueden resolver grficamente, el inconveniente radica en que hacer tal
representacin grfica sobre una hoja de papel resulta muy tedioso, pues estaramos
representando objetos tridimensionales sobre un plano. Por ejemplo, supongamos el
siguiente problema de programacin lineal:

Ejemplo 6:
+ +
+ + =
0 , ,
6 3
3
2
4
a sujeto
Maximizar
) (
3 2 1
3 2
3
1
3 2 1
3 3 2 2 1 1
x x x
x x
x
x
x x x
x c x c x c z
P

Aqu procederamos exactamente igual que en el caso de dos variables. Es decir, se
tratara de representar grficamente la regin factible, F, del problema. Ahora bien, el
conjunto F estara formado por todos los puntos ( )
3 2 1
, , x x x R
3
que cumplan
simultneamente, todas las restricciones. Observemos que todas las restricciones,
incluidas las de no negatividad, son del tipo,
d cx bx ax + +
3 2 1

Donde a, b, c, d son nmeros reales cualesquiera, con la nica condicin de que a, b y
c no sean cero a la vez.

Pues bien, para ver qu puntos de R
3
, cumplen la expresin, d cx bx ax + +
3 2 1
,
observamos que la ecuacin lineal, d cx bx ax = + +
3 2 1
, es la ecuacin de un plano
en el espacio, siendo el vector ( ) c b a , , , perpendicular a dicho plano. Tal plano, divide
al espacio en dos partes iguales, llamadas semiespacios, las que quedan a ambos lados
del plano. Las ecuaciones de cada uno de esos semiespacios son:
d cx bx ax + +
3 2 1
y
d cx bx ax + +
3 2 1

Como ya indicamos en el caso de dos variables, una forma muy cmoda de averiguar
que desigualdad le corresponde a cada semiespacio es la siguiente. Como todos los
puntos que estn en un mismo semiespacio deben cumplir la misma desigualdad,
cogemos un punto cualquiera de uno de los semiespacios, que no est en el plano que
hace de frontera entre los mismos, por ejemplo el origen (0,0,0), en el caso de que d0.
Entonces si, por ejemplo, fuera d < 0 sucedera que todos los puntos que estuvieran en
el mismo semiespacio que el origen (0,0,0) cumpliran la ecuacin: d cx bx ax + +
3 2 1
.

De manera que la regin factible, F, del problema ser la interseccin de los
semiespacios determinados por todas las restricciones del problema. En este ejemplo
concreto la regin factible del problema la podemos ver en el siguiente dibujo:

Evidentemente, segn sea la funcin objetivo, z = c
1
x
1
+ c
2
x
2
+ c
3
x
3
, que tengamos que
maximizar en el problema, se podrn dar distintas situaciones, siendo todas las posibles,
las que aparecen a continuacin:

Como se puede apreciar en cualquiera de las situaciones, siempre que el problema tiene
soluciones ptimas hay alguna solucin ptima en un vrtice de la regin factible.

5.- Soluciones bsicas de sistemas de ecuaciones lineales.

Una ecuacin lineal es una expresin de la forma:

a
1
x
1
+ a
2
x
2
+ + a
n
x
n
= b

donde los nmeros a
1
, , a
n
R, se llaman coeficientes y son conocidos, las letras x
1
,
, x
n
se llaman incgnitas y son desconocidas y el nmero b R, que es conocido, se
llama trmino independiente o lado derecho (abreviadamente, l.d.).

Ejemplos:
a) La ecuacin, 2x 3y = 1, es una ecuacin lineal. Con coeficientes : 2, 3;
incgnitas: x, y; trmino independiente: 1.
b) La ecuacin, 2x + 3y 2z + 5t = 12, es otra ecuacin lineal con coeficiente: 2, 3,
2, 5; incgnitas: x, y, z, t; trmino independiente: 12.

Un conjunto de ecuaciones del tipo anterior se llama sistema de ecuaciones lineales.
Lo escribiremos en la forma
= + + +
= + + +
= + + +
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
K
L L L L L L L L L L L L
K
K
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
(1)
y diremos que es un sistema de m ecuaciones con n incgnitas.

Ejemplos:
a) El sistema
= + +
= +
4
6 2 3
z y x
z y x

es un sistema de dos ecuaciones con tres incgnitas.

b) El sistema
= +
= +
= +
= +
= +
1 4 2
0 3
2 5
2 2
1 4 3 2
z y x
z y
z x
y x
z y x

es un sistema de 5 ecuaciones con 3 incgnitas.

Dado un sistema de ecuaciones lineales:
= + + +
= + + +
= + + +
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
K
L L L L L L L L L L L L
K
K
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
(1)
a) Una secuencia ordenada de nmeros (s
1
, , s
n
) se dice una solucin del
sistema si, al sustituir en las ecuaciones cada incgnita x
i
por el correspondiente
s
i
, se verifican todas las igualdades resultantes.

b) Si un sistema tiene alguna solucin diremos que es compatible; si, por el
contrario, no tiene ninguna solucin diremos que es incompatible.

c) Si un sistema es compatible diremos que es determinado si la solucin es
nica, en otro caso, es decir, si tiene ms de una solucin, diremos que es
indeterminado.

d) Diremos que dos sistemas de ecuaciones son equivalentes si tienen
exactamente las mismas soluciones.

Ejemplos:

a) Sistema incompatible:
= +
= +
2
1
y x
y x

No tiene solucin.
b) Sistema compatible determinado:
=
= +
1 2 3
2
y x
y x

Tiene solucin nica (s
1
, s
2
) = (1, 1)
c) Sistema compatible indeterminado:
= + +
= +
2
1 2 3 2
z y x
z y x

Tiene ms de una solucin, por ejemplo, (s
1
, s
2
, s
3
) = (1, 1, 0) y (s
1
, s
2
, s
3
) =
(0, 1, 1).

OBSERVACI: A la hora de escribir un sistema usaremos la notacin matricial. Esta
consiste en escribir entre parntesis los coeficientes del sistema separados por espacios
en blanco y, a su derecha, los trminos independientes.

As, el siguiente sistema:
(1)

2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
= + + +
= + + +
= + + +
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
L
M M L M M
L
L

se escribe, en forma matricial, como:
|
|
|
|
|
\
|
m mn m m
n
n
b
b
b
a a a
a a a
a a a
M
L
M M M M
L
L
2
1
2 1
2 22 21
1 12 11

La matriz anterior se suele llamar, la matriz ampliada del sistema, y es una matriz con
m filas y (n+1) columnas, es decir, tantas filas como ecuaciones y tantas columnas como
(n de incgnitas) + 1.

Hay tres modos de manipular las ecuaciones de un sistema que no varan las
soluciones. Es decir, que proporcionan un sistema equivalente.
1. Cambiar el orden de las ecuaciones.
2. Multiplicar una ecuacin por un nmero no nulo.
3. Sumar a una ecuacin un mltiplo de otra.

Estas tres operaciones se llaman operaciones elementales en las ecuaciones del
sistema. Obviamente, cualquiera de estas operaciones puede deshacerse.

A continuacin veremos cmo, adoptando una notacin matricial, ms fcil de
manejar, se pasa de un sistema dado a otro equivalente utilizando slo operaciones
elementales. As, dado el siguiente sistema de ecuaciones lineales:
(1)

2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
= + + +
= + + +
= + + +
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
L
M M L M M
L
L

construimos la matriz ampliada del sistema:
|
|
|
|
|
\
|
m mn m m
n
n
b
b
b
a a a
a a a
a a a
M
L
M M M M
L
L
2
1
2 1
2 22 21
1 12 11

resulta evidente que las operaciones elementales en las ecuaciones del sistema equivale
a hacer las mismas operaciones en las filas de la matriz ampliada, tal como sigue:

1. Cambiar el orden de las ecuaciones del sistema = Cambiar el orden de las filas
de la matriz ampliada.
2. Multiplicar la i-sima ecuacin del sistema por un nmero no nulo = Multiplicar
la i-sima fila de la matriz ampliada por dicho nmero.
3. Sumar a la ecuacin i la ecuacin j multiplicada por = Sumar a la fila i la fila j
multiplicada por .

Definicin.: Diremos que un sistema de ecuaciones est escrito en forma bsica si
sucede que en cada ecuacin del sistema existe, al menos, una incgnita que aparece
slo en dicha ecuacin, no apareciendo tal incgnita en el resto de ecuaciones. Adems,
cada una de estas incgnitas, que aparecen en una sola ecuacin, debe tener coeficiente
igual a 1.

Observemos que un sistema escrito en forma bsica necesariamente es compatible.

Ejemplos: Los siguientes sistemas estn escritos en forma bsica.

a)
= +
= + +
1 3 2
2 2 3
z y x
t z x
Sistema escrito en forma bsica.
En la 1 ecuacin encontramos a la incgnita t que slo aparece en dicha
ecuacin y tiene un coeficiente igual a 1 y en la segunda ecuacin est la
incgnita y que slo aparece en dicha ecuacin y tiene un coeficiente igual a 1.

b)
= +
= + +
= +
7
1 2
2 3
4 1
5 3 1
3 2 1
x x
x x x
x x x
En la 1 ecuacin encontramos a la incgnita x
2
que slo aparece en dicha
ecuacin y tiene un coeficiente igual a 1. En la 2 y 3 ecuaciones estn las
incgnitas x
5
y x
4
, respectivamente, cumpliendo la misma propiedad.

c)
= +
= + + +
= +
3 2
0 3
1 5
4 1
5 3 2 1
6 3 1
x x
x x x x
x x x
En la 1 ecuacin encontramos a la incgnita x
6
que slo aparece en dicha
ecuacin y tiene un coeficiente igual a 1. En la 2 ecuacin estn las incgnitas
x
2
y x
5
que slo aparecen en esta ecuacin y que tienen coeficiente igual a 1. En
la 3 ecuacin es la incgnita x
4
la que tiene esta propiedad.

Si representamos los sistemas a) b) y c) en forma matricial mediante sus matrices
ampliadas.
a)
|
|
\
|
1
2

0 3 1 2
1 2 0 3
. . d l t z y x

b)
. .
5 4 3 2 1
d l x x x x x
|
|
|
\
|
7
1
2

0 1 0 0 1
1 0 1 0 2
0 0 1 1 3

c)
. .
6 5 4 3 2 1
d l x x x x x x

|
|
|
\
|

3
0
1

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

Vemos que lo que nos indica que tales sistemas estn en forma bsica es que en el lado
izquierdo de la matriz ampliada, podemos identificar la matriz identidad, posiblemente
con las columnas desordenadas, de orden igual al nmero de ecuaciones del sistema.

En efecto:

a)
= +
= + +
1 3 2
2 2 3
z y x
t z x

Matriz
ampliada
|
|
\
|
1
2

0 3 1 2
1 2 0 3
. . d l t z y x

Identidad (desordenada)

b)
= +
= + +
= +
7
1 2
2 3
4 1
5 3 1
3 2 1
x x
x x x
x x x

Matriz
ampliada
. .
5 4 3 2 1
d l x x x x x
|
|
|
\
|
7
1
2

0 1 0 0 1
1 0 1 0 2
0 0 1 1 3

Identidad (desordenada)

c)
= +
= + + +
= +
3 2
0 3
1 5
4 1
5 3 2 1
6 3 1
x x
x x x x
x x x

Matriz
ampliada
. .
6 5 4 3 2 1
d l x x x x x x

|
|
|
\
|

3
0
1

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

Aqu se pueden identificar dos identidades (ambas desordenadas).

Definicin: Cuando un sistema se encuentra escrito en forma bsica, a las variables
(incgnitas) donde est ubicada la identidad (posiblemente desordenada), cuando se
escribe la matriz ampliada, se les llama variables bsicas y al resto de variables,
variables no bsicas.

Dado un sistema en forma bsica, si se quiere indicar quienes son las variables bsicas
se hace escribindolas entre llaves, separadas por comas y ponindolas en el orden
adecuado para que la identidad estuviera bien escrita. Es decir, se forma con ellas un
conjunto. A este conjunto se le suele denotar por B y se le suele llamar base. Con el
resto de variables se forma otro conjunto, el de las variables no bsicas, al que se suele
denotar por N. As en los ejemplos anteriores tenemos que:

a)
= +
= + +
1 3 2
2 2 3
z y x
t z x
Siendo B = {t, y} las variables bsicas y N = {x, z} las variables no bsicas.

b)
= +
= + +
= +
7
1 2
2 3
4 1
5 3 1
3 2 1
x x
x x x
x x x
Siendo {x
2
, x
5
, x
4
} las variables bsicas y {x
1
, x
3
} las variables no bsicas.

c)
= +
= + + +
= +
3 2
0 3
1 5
4 1
5 3 2 1
6 3 1
x x
x x x x
x x x
En este caso hay dos posibilidades: Considerar {x
6
, x
2
, x
4
} variables bsicas y
{x
1
, x
3
, x
5
} variables no bsicas. O bien, considerar {x
6
, x
5
, x
4
} variables bsicas
y {x
1
, x
2
, x
3
} variables no bsicas.

Observacin: Cuando un sistema est escrito en forma bsica la solucin del mismo es
inmediata. En efecto, basta con pasar al lado derecho de las ecuaciones a las variables
no bsicas y dar a stas libremente los valores reales que queramos para encontrar los
valores de las variables bsicas, correspondientes a los valores dados a las no bsicas.

a) En efecto, dado el sistema en forma bsica
= +
= + +
1 3 2
2 2 3
z y x
t z x
, pasamos al lado
derecho las variables no bsicas, obteniendo,
+ =
=
z x y
z x t
3 2 1
2 3 2
o escrito en forma
vectorial,
z x
y
t

3
2

2
3
1
2
|
|
\
|
|
|
\
|
|
|
\
|
=
|
|
\
|
. Ahora damos a las variables no bsicas, x, z
cualesquiera valores reales y obtenemos las infinitas soluciones del sistema.
b) dado el sistema en forma bsica
= +
= + +
= +
7
1 2
2 3
4 1
5 3 1
3 2 1
x x
x x x
x x x
, pasamos al lado
derecho las variables no bsicas, obteniendo,
=
=
+ =
7
2 1
3 2
1 4
3 1 5
3 1 2
x x
x x x
x x x
, o escrito en
forma vectorial,
3 1
4
5
2

0
1
1

1
2
3
7
1
2
x x
x
x
x
|
|
|
\
|
|
|
|
\
|
|
|
|
\
|
=
|
|
|
\
|
. Ahora damos a las variables no
bsicas, x
1
y x
3
cualesquiera valores reales y obtenemos las infinitas soluciones
del sistema.
c) sea el sistema en forma bsica
= +
= + + +
= +
3 2
0 3
1 5
4 1
5 3 2 1
6 3 1
x x
x x x x
x x x
. Como este
sistema tiene dos posibles conjuntos de variables bsicas (es decir, dos posibles
bases), a saber, B
1
= {x
6
, x
2
, x
4
} y B
2
= {x
6
, x
5
, x
4
}, seleccionamos una
cualquiera de ellas, por ejemplo la base B
1
= {x
6
, x
2
, x
4
} en cuyo caso seran no
bsicas las variables {x
1
, x
3
, x
5
}. Pasamos al lado derecho las variables no
bsicas, obteniendo,
+ =
=
+ + =
2 3
3 0
5 1
1 4
5 3 1 2
3 1 6
x x
x x x x
x x x
, o escrito en forma vectorial,
5 3 1
4
2
6

0
1
0

0
1
5

2
3
1
3
0
1
x x x
x
x
x
|
|
|
\
|
|
|
|
\
|
|
|
|
\
|
|
|
|
\
|
=
|
|
|
\
|
. Ahora damos a las variables no bsicas, x
1

, x
3
y x
5
cualesquiera valores reales y obtenemos las infinitas soluciones del
sistema.

Una vez que hemos visto todos estos ejemplos podemos enunciar la siguiente propiedad
general.

Propiedad: Todo sistema de ecuaciones lineales en forma bsica tiene la siguiente
propiedad. Para cada asignacin de nmeros reales arbitrarios a las variables no bsicas,
existe una y slo una solucin del sistema en la cual las variables no bsicas tienen esos
valores que les hemos asignado. En particular, existe una nica solucin del sistema en
la que cada variable no bsica tiene el valor 0. El valor de cada variable bsica, en este
caso, es el lado derecho de la nica ecuacin que contiene a tal variable.

Definicin: Dado un sistema de ecuaciones en forma bsica, llamamos solucin bsica,
de dicho sistema, a la nica solucin que se obtiene cuando le damos el valor 0 a todas
las variables no bsicas.

Ahora parece lgico plantearse la siguiente cuestin: dado un sistema de ecuaciones
lineales existir otro sistema de ecuaciones lineales en forma bsica que sea equivalente
al primero. La respuesta es que s. De hecho, lo normal es que existan bastantes.

Reduccin de un sistema compatible a otro equivalente en forma bsica:

Vamos a dar un procedimiento que nos va a permitir pasar de un sistema de ecuaciones
lineales a otro equivalente en forma bsica. El procedimiento lo vamos a describir sobre
un ejemplo concreto. Sea pues el siguiente sistema de ecuaciones lineales:

( ) S
x x x x x x
x x x x x
x x x x
x x x x x x

2 7 4 3 2
0 3 19 11 9 6
8 8 4 2 6
6 3 9 5 4 3 2

6 5 4 3 2 1
6 5 4 2 1
6 5 4 3
6 5 4 3 2 1
= + + +
= + +
= +
= + +

Evidentemente, podemos utilizar el mtodo de Gauss para pasar de este sistema a otro
equivalente escrito en forma escalonada reducida, que es una forma bsica. Pero lo que
vamos a hacer es, utilizando la misma idea, ser un poco ms libre a la hora de elegir los
pivotes. En primer lugar escribimos la matriz ampliada del sistema:

M =
|
|
|
|
|
\
|

2 1 7 4 1 3 2
0 3 19 11 0 9 6
8 8 4 2 6 0 0
6 3 9 5 4 3 2
M
M
M
M

Sabemos que un sistema est en forma bsica si en el lado izquierdo de su matriz
ampliada est la identidad (posiblemente, desordenada). Pues bien se trata de ir
haciendo operaciones elementales, sobre la matriz ampliada, hasta conseguir esto. El
proceder ser seleccionar cualquier entrada distinta de cero, del lado izquierdo, como
elemento pivote. A continuacin, dividimos la fila donde est el elemento pivote por
dicho nmero, para obtener un 1, y con este 1 hacemos cero, mediante operaciones
elementales, el resto de los elementos de la columna donde est el pivote. Una vez
hecho esto ya tenemos un vector unitario en la posicin de la columna donde estaba el
pivote. Ahora seleccionaramos otra entrada, en el lado izquierdo de la matriz, distinta
de cero, siempre que no se encuentre en la fila o filas de los unos existentes en las
columnas unitarias ya conseguidas y procederamos como se ha indicado. Vemos esto
sobre nuestro ejemplo.

Empezamos seleccionando al 1 de la tercera columna como elemento pivote.

Ahora pivotando sobre este elemento hacemos ceros en las restantes entradas de la
columna donde est el pivote. Para ello, y haciendo uso de la siguiente notacin:
F
i
significa que multiplicamos la fila i por el nmero no nulo .
F
i
F
j
significa que a la fila i le sumamos/restamos la fila j multiplicada por .
hacemos lo siguiente,

|
|
|
|
|
\
|

2 1 7 4 1 3 2
0 3 19 11 0 9 6
8 8 4 2 6 0 0
6 3 9 5 4 3 2
M
M
M
M
4 1
2
4
4 6
F F
F F
|
|
|
|
|
\
|

2 1 7 4 1 3 2
0 3 19 11 0 9 6
4 14 38 22 0 18 12
2 7 19 11 0 9 6
M
M
M
M

Ahora seleccionamos el siguiente elemento pivote,

y hacemos las siguientes operaciones elementales:
|
|
|
|
|
\
|

2 1 7 4 1 3 2
0 3 19 11 0 9 6
4 14 38 22 0 18 12
2 7 19 11 0 9 6
M
M
M
M
3 6
1
F
|
|
|
|
|
\
|

2 1 7 4 1 3 2
0 2 / 1 6 / 19 6 / 11 0 2 / 3 1
4 14 38 22 0 18 12
2 7 19 11 0 9 6
M
M
M
M

3 2
3 1
3 4
12
6
2
F F
F F
F F
+
+
|
|
|
|
|
\
|

2 0 3 / 2 3 / 1 1 0 0
0 2 / 1 6 / 19 6 / 11 0 2 / 3 1
4 8 0 0 0 0 0
2 4 0 0 0 0 0
M
M
M
M

Ahora seleccionamos el siguiente elemento pivote,

y hacemos las siguientes operaciones elementales:
|
|
|
|
|
\
|

2 0 3 / 2 3 / 1 1 0 0
0 2 / 1 6 / 19 6 / 11 0 2 / 3 1
4 8 0 0 0 0 0
2 4 0 0 0 0 0
M
M
M
M
1 4
1
F
|
|
|
|
|
\
|

2 0 3 / 2 3 / 1 1 0 0
0 2 / 1 6 / 19 6 / 11 0 2 / 3 1
4 8 0 0 0 0 0
2 / 1 1 0 0 0 0 0
M
M
M
M

1 2
1 2
1
3
8F F
F F
+
|
|
|
|
|
\
|

2 0 3 / 2 3 / 1 1 0 0
4 / 1 0 6 / 19 6 / 11 0 2 / 3 1
0 0 0 0 0 0 0
2 / 1 1 0 0 0 0 0
M
M
M
M

Llegados aqu como la segunda fila se ha anulado se puede quitar,

Lo que nos dejara la siguiente matriz,
M =
|
|
|
\
|

2 0 3 / 2 3 / 1 1 0 0
4 / 1 0 6 / 19 6 / 11 0 2 / 3 1
2 / 1 1 0 0 0 0 0
M
M
M

Donde fcilmente se identifica, en el lado izquierdo, una matriz identidad
(desordenada).

Luego el sistema, cuya matriz ampliada es la de arriba, est en forma bsica, como se
puede comprobar:
( ) S
x x x
x x x x
x
= +
= +
=

2
3
2

3
1

4
1

6
19
6
11

2
3
2
1

5 4 3
5 4 2 1
6
Sistema en forma bsica.
Siendo {x
6
, x
1
, x
3
} las variables bsicas y {x
2
, x
4
, x
5

Observaciones al procedimiento:

Recordemos que dos matrices se dice que son equivalentes por filas si se puede pasar
de una a otra mediante una sucesin de operaciones elementales por filas. As, matrices
equivalentes representan sistemas equivalentes.

Como hemos pasado de la matriz M a la matriz M haciendo operaciones elementales de
filas. Resulta que los sistemas (S) y (S) son equivalentes. De manera que hemos pasado
de un sistema (S) a otro equivalente (S) que est en forma bsica.

Durante el procedimiento slo hemos usado dos, de las tres, operaciones elementales
de filas, multiplicar una fila por un nmero distinto de cero y sumar a una fila un
mltiplo de otra; es decir, nunca hemos intercambiado filas, de hecho no nos hace falta
esta operacin ya que buscbamos la identidad, aunque estuviera desordenada. Como
consecuencia, si durante el mtodo nos ocurre que alguna fila se anula por completo, es
decir, tiene todas sus entradas iguales a cero, podemos afirmar, sin equivocarnos, que la
ecuacin correspondiente a tal fila, en el sistema original del que partimos, es
combinacin lineal del resto de ecuaciones del sistema y por lo tanto podemos
eliminarla del sistema original. Como en nuestro caso se anul la segunda fila. Podemos
asegurar que los siguientes sistemas son equivalentes:

( ) S
x x x x x x
x x x x x
x x x x
x x x x x x

2 7 4 3 2
0 3 19 11 9 6
8 8 4 2 6
6 3 9 5 4 3 2

6 5 4 3 2 1
6 5 4 2 1
6 5 4 3
6 5 4 3 2 1
= + + +
= + +
= +
= + +

= + + +
= + +
= + +
2 7 4 3 2
0 3 19 11 9 6
6 2 2 2 2 2 2
6 5 4 3 2 1
6 5 4 2 1
6 5 4 3 2 1
x x x x x x
x x x x x
x x x x x x

Y stos, a su vez, son equivalentes al siguiente sistema en forma bsica:
( ) S
x x x
x x x x
x
= +
= +
=

2
3
2

3
1

4
1

6
19
6
11

2
3
2
1

5 4 3
5 4 2 1
6

Otra consecuencia del procedimiento es que de ahora en adelante, cada vez que
tengamos un sistema compatible supondremos que es de rango completo, es decir, que
si tenemos el sistema de ecuaciones lineales compatible,
= + + +
= + + +
= + + +
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
L
M M L M M
L
L
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11

Sistema que se puede escribir matricialmente como, b x A = , donde:

|
|
|
|
|
\
|
=
mn m m
n
n
a a a
a a a
a a a
A
L
M M M M
L
L
2 1
2 22 21
1 12 11
es la matriz del sistema,
|
|
|
\
|
=
m
b
b
b M
1
es el vector del lado
derecho y
|
|
|
\
|
=
n
x
x
x M
1
es el vector de variables incgnitas. Supondremos que m < n y que
rango(A) = m. A esta suposicin la llamaremos hiptesis del rango completo.

As, acabamos de ver que como dado el sistema,
) (
2 7 4 3 2
0 3 19 11 9 6
6 2 2 2 2 2 2
6 5 4 3 2 1
6 5 4 2 1
6 5 4 3 2 1
S
x x x x x x
x x x x x
x x x x x x
= + + +
= + +
= + +

(hemos eliminado la ecuacin redundante -hiptesis del rango completo-)
Podemos encontrar otro equivalente, (S), en forma bsica
( ) S
x x x
x x x x
x
= +
= +
=

2
3
2

3
1

4
1

6
19
6
11

2
3
2
1

5 4 3
5 4 2 1
6

Donde el conjunto de variables bsicas es B = {x
6
, x
1
, x
3
} (conjunto llamado base).
Adems observa que esto nos permite conocer una solucin bsica del sistema (S). La
nica que se obtiene cuando hacemos todas las variables no bsicas iguales a cero en el
sistema equivalente en forma bsica (S), es decir,
( )
|
\
|
=
2
1
, 0 , 0 , 2 , 0 ,
4
1
, , , , ,
6 5 4 3 2 1
x x x x x x

Encontrando nuevos sistema en forma bsica equivalentes al original:

Lo interesante es que una vez que tenemos un sistema en forma bsica equivalente al
original es muy fcil encontrar nuevos sistemas equivalentes, tambin en forma bsica.
Para hacer esto lo mejor es seguir trabajando con la matriz ampliada del sistema:
Observando la matriz ampliada del sistema (S):

Vemos que para dar un nuevo sistema equivalente en forma bsica basta con que la
identidad (aunque siga desordenada) cambie a una nueva ubicacin, siempre en el lado
izquierdo da la matriz. Si conseguimos esto mediante operaciones elementales de fila, el
nuevo sistema sigue siendo equivalente. Por lo tanto, si cogemos cualquier elemento
distinto de cero, del lado izquierdo de la matriz y que no est en la identidad, y
pivotamos sobre l cambiaremos la ubicacin de la identidad. Por ejemplo, si tomamos
el siguiente elemento, elegido de forma totalmente arbitraria, y pivotamos sobre l.

El vector unitario
|
|
|
\
|
0
1
0
pasara de estar debajo de la variable x
1
a estar debajo de la
variable x
4
., mientras que los otros dos vectores unitarios
|
|
|
\
|
0
0
1
y
|
|
|
\
|
1
0
0
seguiran quedando
bajo las variables x
6
y x
3
, respectivamente.

Es decir, antes del pivoteo, sobre el elemento 11/6, la base B estaba formada por las
variables bsicas B = {x
6
, x
1
, x
3
} y tras el pivoteo la nueva base est formada por las
variables bsicas, {x
6
, x
4
, x
3
}. Esto se expresa diciendo que la variable x
4
entra en la
base y la variable x
1
sale de la base. Adems en este momento, conocemos una nueva
solucin bsica del sistema (S), la que se obtiene si en el nuevo sistema equivalente, en
forma bsica, hacemos todas las variables no bsicas iguales a cero, es decir, si
hacemos, x
1
= x
2
= x
5
= 0, en el sistema correspondiente a la matriz ampliada que
acabamos de obtener, es decir, el siguiente sistema:

= + +
= +
=
22
45
11
1

11
3
11
1
22
3
11
19

11
9
11
6

2
1

5 3 2 1
5 4 2 1
6
x x x x
x x x x
x

De manera que obtendramos:
( )
|
\
|
=
2
1
, 0 ,
22
3
,
22
45
, 0 , 0 , , , , ,
6 5 4 3 2 1
x x x x x x
como
una nueva solucin bsica del sistema (S), la correspondiente a la base {x
6
, x
4
, x
3
}.

Observemos que para conocer las soluciones bsicas que vamos encontrando no hace
falta escribir explcitamente los sistemas bsicos, nos sobra con trabajar directamente en
las matrices. Este proceder se puede continuar y, si somos cuidadosos en la forma de
trabajar, podemos realizarlo de una manera muy compacta mediante las siguientes
tablas enlazadas, una a continuacin de otra:

Tablas:

1

2

3

4

5

6

En primer lugar observemos como en la primera columna se indica quienes son las
variables bsicas, en cada una de las tablas.

Como se puede ver, cada tabla identifica una solucin bsica del sistema original (S).
As, la 1 tabla representa a la solucin bsica,
( )
|
\
|
=
2
1
, 0 ,
22
3
,
22
45
, 0 , 0 , , , , ,
6 5 4 3 2 1
x x x x x x
donde la base est formada por las variables bsicas {x
6
, x
4
, x
3
}, como se indica en la
primera columna de las tablas, siendo el resto de variables no bsicas. Observemos que
la columna del lado derecho (l.d.) proporciona el valor de las variables bsicas, cuando
todas las variables no bsicas se igualan a cero. Con el resto de tablas pasa lo mismo,
por ejemplo, la 4 tabla representa a la solucin bsica,
( )
|
\
|
=
2
1
, 0 , 6 , 0 , 0 ,
22
45
, , , , ,
6 5 4 3 2 1
x x x x x x
donde la base est formada por las variables, {x
6
, x
1
, x
4
}, siendo el resto de las variables
no bsicas.

Para pasar de una tabla a otra nos hemos limitado a escoger, de forma arbitraria, algn
elemento distinto de cero y que no est en las columnas de la identidad (las sombreadas)
como pivote (los elementos cubiertos por un crculo). Cada vez que se realiza una
operacin de pivoteo, es decir, cada vez que pasamos de una tabla a la siguiente, ocurre
que una variable entra en la base (a la nueva base, la de la siguiente tabla) y otra
variable sale la base.

Luego disponemos de tantos sistemas en forma bsica equivalentes al original como
tablas distintas podamos ir construyendo. En cualquier caso el nmero de tales tablas es
finito y podemos dar una cota del mismo. Recordemos que habamos partido del
siguiente sistema de ecuaciones, de rango completo:
( ) S
2 7 4 3 2
0 3 19 11 9 6
6 2 2 2 2 2 2
6 5 4 3 2 1
6 5 4 2 1
6 5 4 3 2 1
= + + +
= + +
= + +
x x x x x x
x x x x x
x x x x x x

donde la matriz del sistema es,
A =
|
|
|
\
|

1 7 4 1 3 2
3 19 11 0 9 6
2 2 2 2 2 2
y la matriz ampliada es
|
|
|
\
|

2
0
6

1 7 4 1 3 2
3 19 11 0 9 6
2 2 2 2 2 2
y que encontramos un sistema equivalente en forma
bsica cada vez que mediante operaciones elementales sobre las filas de la matriz
ampliada encontramos a la identidad (posiblemente desordenada) en la parte izquierda
de la matriz ampliada, es decir en la matriz del sistema. Ahora bien, si haciendo
operaciones elementales apareciera la identidad de orden tres en las columnas 6, 1 y 4
(en ese orden), esto indicara que la submatriz de A,
|
|
|
\
|
=
4 2 1
11 6 3
2 2 2
B
, formada por las
columnas 6, 1 y 4 de la matriz A, es una matriz invertible. Luego habr tantas formas
de ubicar la identidad (aunque est desordenada) en la matriz A y, por lo tanto tantos
sistemas en forma bsica equivalentes al sistema original, como submatrices de A,
formadas por tres columnas que sean linealmente independientes. Evidentemente este
nmero est acotado por el nmero combinatorio
|
|
\
|
3
6
. Que son las combinaciones de
las 6 columnas que forman la matriz A tomadas de tres en tres. Cada una de estas
submatrices formadas por tres columnas linealmente independientes de la matriz A sera
una base del espacio vectorial R
3
(pues las columnas de A se pueden considerar vectores
de R
3
). Este es el motivo por el que se llama variables bsicas a las variables bsicas,
porque las columnas de A asociadas a ellas forman una base de R
3
(en general de R
m
).

En general, dado el sistema de ecuaciones lineales, escrito matricialmente, b x A = ,
donde la (mn)-matriz del sistema A, con m < n, es de rango completo, el nmero de
soluciones bsicas del sistema est acotado por
|
|
\
|
m
n
.

Dado un sistema de ecuaciones lineales, escrito matricialmente, b x A = , siendo A una
(mn)-matriz, con m < n y rango(A) = m. Como sabemos que cualquier solucin bsica
del mismo tendr m variables bsicas y n m variables no bsicas, iguales a cero.
Podramos buscar soluciones bsicas del sistema seleccionando, arbitrariamente, n m
incgnitas como variables no bsicas, hacindolas iguales a cero y resolviendo el
sistema que quedara de m ecuaciones con m incgnitas. Si este sistema, que queda,
tiene solucin nica habremos encontrado una solucin bsica del sistema.

6.- El mtodo simplex.

El mtodo grfico que hemos utilizado para resolver problemas de programacin lineal
nos ha mostrado que cuando la regin factible de un problema de programacin lineal
no es vaca, siempre tiene puntos esquina (o vrtices) y, lo que es ms importante, que si
el problema tiene solucin ptima finita siempre existe, al menos, una en un punto
vrtice de la regin factible. Este resultado es clave en el desarrollo del mtodo simplex
que resuelve los problemas de programacin lineal. Como los problemas con ms de
tres variables de decisin no se pueden visualizar (vivimos en un espacio
tridimensional) no tenemos ms remedio que caracterizar algebraicamente a los puntos
vrtice de la regin factible. Esto se consigue convirtiendo todas las restricciones de
desigualdad del problema (excepto las de no negatividad) en ecuaciones y dando una
propiedad algebraica que slo la cumplen los vrtices de la regin factible.

El mtodo simplex resuelve el problema en iteraciones. Parte de un vrtice de la regin
factible y en cada iteracin se traslada a un nuevo vrtice con mejor valor potencial de
la funcin objetivo. El proceso acaba cuando llega a un vrtice cuyo valor objetivo no
puede ser mejorado.

Vamos a presentar el mtodo simplex resolviendo un problema concreto de
programacin lineal con dos variables de decisin para poder visualizar lo que hace el
mtodo. Sea pues el siguiente problema de programacin lineal:

Ejemplo 7:
( )
+
+
+ =
0 ,
3 2
2
12 8 3
a sujeto
2 Maximizar
P
2 1
1
2 1
2 1
2 1
x x
x
x x
x x
x x z

Lo primero que haremos con el problema es escribirlo en forma estndar, con todos los
coeficientes del lado derecho en positivo. Es decir, todas las restricciones, excepto las
de no negatividad, se convierten en ecuaciones y todas las variables han de estar
restringidas a ser mayores o iguales a cero. Adems conviene que todos los lados
derechos de las ecuaciones sean no negativos. Esto es inmediato, pues si alguna
ecuacin tiene el lado derecho negativo multiplicamos tal ecuacin por 1 y se
consigue lo que queremos.

Para escribir el problema en forma estndar, es decir, para transformar las desigualdades
() en ecuaciones, sumamos las variables de holgura x
3
, x
4
y x
5
en el lado izquierdo de
las restricciones primera, segunda y tercera, respectivamente, junto con las restricciones,
x
3
0, x
4
0 y x
5
0. De manera que el problema (P) escrito en forma estndar sera:

Problema escrito en forma estndar, con todo el lado derecho en positivo.

( )
= +
= + +
= + +
+ =
0 , , , ,
3 2
2
12 8 3
a sujeto
2 Maximizar
P
5 4 3 2 1
5 1
4 2 1
3 2 1
2 1
x x x x x
x x
x x x
x x x
x x z

Representacin grfica del problema:

A continuacin enunciamos, sin demostracin, dos resultados esenciales para
desarrollar el mtodo simplex.

Resultado_1: Dado un problema de programacin lineal, con regin factible no vaca,
la coleccin de puntos vrtice de la regin factible se corresponde con la coleccin de
soluciones bsicas factibles del problema cuando ste se escribe en forma estndar.

Resultado_2: Si existe una solucin ptima del problema, entonces tambin existe un
vrtice ptimo es decir, una solucin bsica factible ptima.

Aunque no demostremos los resultados podemos comprobarlos en nuestro ejemplo, a la
vez que veremos cmo se realiza la transicin de solucin grfica a solucin algebraica.

Lo primero que se observa en el ejemplo es que nuestro problema tiene infinitas
soluciones factibles, todos los puntos de la regin sombreada. Esto tambin queda
reflejado en el mtodo algebraico, pues las soluciones factibles son todas las soluciones
del sistema de ecuaciones,
= +
= + +
= + +
3 2
2
12 8 3
5 1
4 2 1
3 2 1
x x
x x x
x x x
, con tres ecuaciones y cinco
variables y restringido a que todas las variables tomen valores no negativos. Al haber
ms incgnitas que ecuaciones habr infinitas soluciones, de cuales tambin habr
infinitas en las que todas las incgnitas tomen valores no negativos. El mtodo grfico
identifica los puntos factibles de vrtice de la regin factible. Estos son candidatos a
solucin ptima y hay un nmero finito de ellos. Por su parte, el mtodo algebraico
determina las soluciones bsicas factibles del sistema de ecuaciones y, como sabemos,
el nmero de soluciones bsicas de un sistema de ecuaciones es finito, de manera que el
nmero de candidatos (soluciones bsicas factibles) a ser solucin ptima es finito. El
mtodo grfico utiliza las curvas de nivel de la funcin objetivo para determinar el
vrtice ptimo. En el mtodo algebraico se utiliza la funcin objetivo para seleccionar a
la solucin bsica factible ptima, entre todas las candidatas.

Vamos a comprobar en nuestro ejemplo como se corresponden los vrtices de la regin
factible con las soluciones bsicas factibles del sistema de ecuaciones.

El sistema de ecuaciones del problema (P) en forma estndar es el siguiente:
= +
= + +
= + +
3 2
2
12 8 3
5 1
4 2 1
3 2 1
x x
x x x
x x x

Como el sistema tiene 3 ecuaciones y cinco incgnitas para buscar soluciones bsicas
del mismo tenemos que seleccionar parejas de variables e igualarlas a cero y ver si los
sistemas que quedan tienen solucin nica. Cuando tengamos una solucin bsica si
todos sus valores son no negativos tambin ser factible y entonces tendremos una
solucin bsica factible, es decir, un vrtice.

Veamos, si tomamos la pareja de variables {x
1
, x
2
} y las igualamos a cero, x
1
= x
2
= 0,
entonces el sistema quedara:
=
=
=
3
2
12
5
4
3
x
x
x

Que obviamente tiene solucin nica. Luego ( ) ( ) 3 , 2 , 12 , 0 , 0 , , , ,
5 4 3 2 1
= x x x x x es una
solucin bsica del sistema, como adems todos sus valores son no negativos, es una
solucin bsica factible del problema (P). Observa que esta solucin se corresponde
con el vrtice A de la regin factible.

Tomemos ahora la pareja, {x
1
, x
3
}, e igualemos ambas variables a cero, x
1
= x
3
= 0,
entonces el sistema quedara,
=
= +
=
3
2
12 8
5
4 2
2
x
x x
x

Que tiene solucin nica, 3 ,
2
1
,
2
3
5 4 2
= = = x x x .
Luego ( )
|
\
|
= 3 ,
2
1
, 0 ,
2
3
, 0 , , , ,
5 4 3 2 1
x x x x x es una solucin bsica del sistema, como
adems todos sus valores son no negativos, es una solucin bsica factible del problema
(P). Observa que esta solucin se corresponde con el vrtice E de la regin factible.
Punto de corte de las rectas 0
1
= x y 12 8 3
2 1
= + x x , pudindose esta ltima
identificar con la expresin 0
3
= x .

En efecto, la forma de pasar del problema (P) a su equivalente en forma estndar (P) ha
sido utilizar las siguientes equivalencias:
= + +
+
0
12 8 3
12 8 3
3
3 2 1
2 1
x
x x x
x x

= + +
+
0
2
2
4
4 2 1
2 1
x
x x x
x x

= +

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

Lo que hace que sean equivalentes:
0 12 8 3
3 2 1
= = + x x x
0 2
4 2 1
= = + x x x
0 3 2
5 1
= = x x
De manera que cada una de las rectas que delimitan la regin factible del problema (P)
se identifica con una expresin del tipo x
i
= 0 , i = 1,2,3,4,5. Tal como se puede ver en
el dibujo de la regin factible.

Si seguimos seleccionando parejas de variables y tomamos la pareja, {x
1
, x
4
}, e
igualamos ambas variables a cero, x
1
= x
4
= 0, entonces el sistema quedara,
=
=
= +
3
2
12 8
5
2
3 2
x
x
x x

Que tiene solucin nica, 3 , 4 , 2
5 3 2
= = = x x x .
Luego ( ) ( ) 3 , 0 , 4 , 2 , 0 , , , ,
5 4 3 2 1
= x x x x x es una solucin bsica del sistema pero como
una de las variables toma un valor negativo, no es una solucin factible del problema
(P). Es decir, esta solucin no es una solucin bsica factible del problema y, por lo
tanto, segn el resultado_1, esta solucin no se corresponde con ningn vrtice de la
regin factible. Observa que esta solucin se corresponde con el punto i, de coordenadas
(0,2), en el plano (x
1
,x
2
), donde se cortan las rectas 0
1
= x y 2
2 1
= + x x (es decir,
0
4
= x ).

Si ahora seleccionamos la pareja la pareja, {x
1
, x
5
}, e igualamos ambas variables a cero,
x
1
= x
5
= 0, entonces el sistema quedara,
=
= +
= +
3 0
2
12 8
4 2
3 2
x x
x x

Sistema incompatible. Esto se puede apreciar en el dibujo, pues las rectas 0
1
= x y
3 2
1
= x (es decir, 0
5
= x ) son paralelas y por lo tanto no se cortan en ningn punto del
plano (x
1
, x
2
). Luego no hay solucin bsica asociada a tomar la pareja de variables
{x
1
,x
5
}, como candidata a ser variables no bsicas del sistema.

Sigamos con nuestra seleccin de parejas:

Sea la pareja, {x
2
, x
3
}, e igualamos ambas variables a cero, x
2
= x
3
= 0, entonces el
sistema quedara,
= +
= +
=
3 2
2
12 3
5 1
4 1
1
x x
x x
x

5 4 1
= = = x x x .
Luego ( ) ( ) 5 , 2 , 0 , 0 , 4 , , , ,
5 4 3 2 1
= x x x x x es una solucin bsica del sistema pero no
es una solucin factible del problema (P), pues hay variables que son negativas. Es
decir, esta solucin no es una solucin bsica factible del problema y, por lo tanto, no se
corresponde con ningn vrtice de la regin factible. Observa que esta solucin se
corresponde con el punto g, de coordenadas (4,0), en el plano (x
1
,x
2
), donde se cortan las
rectas 0
2
= x y 12 8 3
2 1
= + x x (es decir, 0
3
= x ).

Sea la pareja, {x
2
, x
4
2
= x
4
= 0, entonces el
sistema quedara,
= +
=
= +
3 2
2
12 3
5 1
1
3 1
x x
x
x x

5 3 1
= = = x x x .
Luego ( ) ( ) 1 , 0 , 6 , 0 , 2 , , , ,
5 4 3 2 1
= x x x x x es una solucin bsica del sistema pero no es
una solucin factible del problema (P), pues hay variables que son negativas. Es decir,
esta solucin no es una solucin bsica factible del problema y, por lo tanto, no se
corresponde con ningn vrtice de la regin factible. Observa que esta solucin se
corresponde con el punto f, de coordenadas (2,0), en el plano (x
1
,x
2
), donde se cortan las
rectas 0
2
= x y 2
2 1
4
= x ).

Sea la pareja, {x
2
, x
5
2
= x
5
= 0, entonces el
sistema quedara,
=
= +
= +
3 2
2
12 3
1
4 1
3 1
x
x x
x x

Que tiene solucin nica,
2
1
,
2
15
,
2
3
4 3 1
= = = x x x .
Luego ( )
|
\
|
= 0 ,
2
1
,
2
15
, 0 ,
2
3
, , , ,
5 4 3 2 1
(P). Observa que esta solucin se corresponde con el vrtice B de la regin factible, de
coordenadas
|
\
|
0 ,
2
3
, en el plano (x
1
,x
2
2
= x y 3 2
1
= x (es
decir, 0
5
= x ).

Sea la pareja, {x
3
, x
4
3
= x
4
= 0, entonces el
sistema quedara,
= +
= +
= +
3 2
2
12 8 3
5 1
2 1
2 1
x x
x x
x x

5
7
,
5
6
,
5
4
5 2 1
= = = x x x .
Luego ( )
|
\
|
=
5
7
, 0 , 0 ,
5
6
,
5
4
, , , ,
5 4 3 2 1
(P). Observa que esta solucin se corresponde con el vrtice D de la regin factible, de
coordenadas
|
\
|
5
6
,
5
4
, en el plano (x
1
,x
2
), donde se cortan las rectas 12 8 3
2 1
= + x x y
2
2 1
3
= x y 0
4
= x ).

Sea la pareja, {x
3
, x
5
3
= x
5
= 0, entonces el
sistema quedara,
=
= + +
= +
3 2
2
12 8 3
1
4 2 1
2 1
x
x x x
x x

16
7
,
16
15
,
2
3
4 2 1

= = = x x x .
Luego ( )
|
\
|
= 0 ,
16
7
, 0 ,
16
15
,
2
3
, , , ,
5 4 3 2 1
x x x x x es una solucin bsica del sistema, pero
como una de las variables toma un valor negativo, no es una solucin factible del
problema (P). Es decir, esta solucin no es una solucin bsica factible del problema y,
por lo tanto, no se corresponde con ningn vrtice de la regin factible. Observa que
esta solucin se corresponde con el punto h, de coordenadas
|
\
|
16
15
,
2
3
, en el plano (x
1
,x
2
),
donde se cortan las rectas 12 8 3
2 1
= + x x y 3 2
1
= x (es decir, 0
3
= x y 0
5
= x ).

Sea la ltima pareja posible, {x
4
, x
5
4
= x
5
= 0,
entonces el sistema quedara,
=
= +
= + +
3 2
2
12 8 3
1
2 1
3 2 1
x
x x
x x x

2
7
,
2
1
,
2
3
3 2 1
= = = x x x .
Luego ( )
|
\
|
= 0 , 0 ,
2
7
,
2
1
,
2
3
, , , ,
5 4 3 2 1
(P). Observa que esta solucin se corresponde con el vrtice C de la regin factible, de
coordenadas
|
\
|
2
1
,
2
3
, en el plano (x
1
,x
2
2 1
= + x x y
3 2
1
= x (es decir, 0
4
= x y 0
5
= x ).

Luego acabamos de comprobar que se cumple el resultado_1 en nuestro problema de
programacin lineal.

Ahora, segn el resultado_2 y puesto que conocemos todas las soluciones bsicas
factibles del problema, los vrtices A, B, C, D y E, se podra pensar en evaluar el valor
de la funcin objetivo en cada uno de estos puntos y seleccionar el que tenga el mximo
valor objetivo. Pero esto no es adecuado por diversas razones. En primer lugar, en un
problema general de programacin lineal que al escribirse en forma estndar tuviera m
ecuaciones y n variables de decisin, m < n, el nmero de soluciones bsicas factibles
est acotado por el nmero combinatorio
|
|
\
|
m
n
, pero este nmero es grande aun para
valores moderados de m y n. En segundo lugar, este proceder no detectara que la
solucin del problema fuese valor objetivo no acotado, lo que podra ocurrir si la regin
factible es no acotada. Por ltimo, si la regin factible fuera vaca y utilizsemos este
mtodo de evaluar cada solucin bsica factible, acabaramos detectando que
efectivamente la regin factible es vaca, pero slo despus de que hubisemos
fracasado en obtener una solucin bsica factible en todas las posibles selecciones de
|
|
\
|
m
n
columnas de la matriz del sistema para formar una base, bien por no ser tales
columnas linealmente independientes, bien por, aun siendo independientes, que alguna
variable bsica tomase un valor negativo.

El mtodo simplex est diseado para moverse desde un vrtice a otro, mejorando cada
vez (o al menos, no empeorando) el valor objetivo. Tambin permite descubrir si la
regin factible es vaca o si la solucin del problema es de valor objetivo no acotado. En
la prctica, el mtodo suele recorrer slo una pequea parte de los vrtices de la regin
factible.

Para aplicar el mtodo es necesario conocer una solucin bsica factible (vrtice) del
problema. Si observamos nuestro problema,
( )
= +
= + +
= + +
+ =
0 , , , ,
3 2
2
12 8 3
a sujeto
2 Maximizar
P
5 4 3 2 1
5 1
4 2 1
3 2 1
2 1
x x x x x
x x
x x x
x x x
x x z

vemos que ya disponemos de una tal solucin, basta con tomar a las variables de
holgura, x
3
, x
4
y x
5
como variables bsicas del sistema de ecuaciones. Entonces, al dar el
valor cero a las variables no bsicas, x
1
= x
2
= 0, encontramos la solucin bsica
factible,
( ) ( ) 3 , 2 , 2 1 , 0 , 0 , , , ,
5 4 3 2 1
= x x x x x .
siendo el valor de la funcin objetivo en este punto igual a cero,
0 0 0 2 2
2 1
= + = + = x x z

Ahora bien, nosotros ya sabemos movernos desde una solucin bsica a otra solucin
bsica de un sistema de ecuaciones, para ello lo que hacamos era escribir el sistema en
forma de una tabla, del siguiente modo,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

l. d.
x
3
3 8 1 0 0 12
x
4
1 1 0 1 0 2
x
5
2 0 0 0 1 3

Pasamos de una solucin bsica a otra solucin bsica mediante una operacin de
pivoteo sobre cualquier entrada distinta de cero (pivote), que no est en la identidad
bajo las variables bsicas. Al hacer esto, una variable, no bsica, entraba en la base y
una variable bsica sala de la base. Pues bien, el mtodo simplex elige el pivote
seleccionando en primer lugar a la variable de entrada y despus a la variable de salida.
As, el mtodo empieza por seleccionar la variable de entrada entre las variables no
bsicas que al aumentar su valor desde cero, que es el valor que tienen actualmente las
variables no bsicas en el vrtice en el que nos encontramos, aumente (pues queremos
maximizar) el valor de la funcin objetivo. Como la funcin objetivo es,
2 1
2 x x z + = ,
vemos que cualquier aumento de valor, tanto en la variable no bsica x
1
como en la
variable no bsica x
2
, provocar un aumento en el valor de la funcin objetivo. De
hecho, por cada unidad que aumentemos la variable x
1
la funcin objetivo mejora
(aumenta) 2 unidades, mientras que por cada unidad que lo hagamos en la variable x
2
, el
aumento ser de 1 unidad. Por lo tanto, cualquiera de las dos variables no bsicas se
puede seleccionar como variable de entrada. Seleccionaremos como variable de entrada
a la variable x
1
, que proporciona mejor aumento de la funcin objetivo, por cada unidad
de aumento en la variable. Una vez que hemos seleccionado la variable de entrada, x
1
, el
mtodo consiste en ir dando valores positivos, desde cero en adelante, a la variable de
entrada, mientras el resto de variables no bsicas permanecen iguales a cero. Nuestra
motivacin es seguir aumentando el valor de la variable de entrada tanto como
podamos. Ahora bien, si vamos aumentando el valor de la variable de entrada x
1
,
mientras mantenemos en cero el valor de las restantes variables no bsicas, en este caso,
x
2
= 0, suceder lo siguiente: Si en el sistema,
= +
= + +
= + +
3 2
2
12 8 3
5 1
4 2 1
3 2 1
x x
x x x
x x x

dejamos x
2
= 0 mientras aumentamos el valor de x
1
, desde cero, obtendramos,

1
5
4
3
1 5
1 4
1 3
5 1
4 1
3 1

2
1
3
3
2
12
2 3
2
3 12
3 2
2
12 3
x
x
x
x
x x
x x
x x
x x
x x
x x
|
|
|
\
|
|
|
|
\
|
=
|
|
|
\
|
=
=
=
= +
= +
= +

de manera que las coordenadas, ( )
5 4 3 2 1
, , , , x x x x x , de los puntos por los que nos
estaramos movindonos seran: x
1
el valor positivo arbitrario que le estuviramos
dando, x
2
= 0 y el resto de coordenadas,
1
5
4
3

2
1
3
3
2
12
x
x
x
x
|
|
|
\
|
|
|
|
\
|
=
|
|
|
\
|

Esta ltima expresin, nos sirve de gua para saber hasta dnde podemos seguir
aumentando el valor de x
1
. Por cada unidad que demos a la variable x
1
, la variable x
3

disminuye 3 unidades, la variable x
4
disminuye 1 unidad y la variable x
5
disminuye 2
unidades. Por lo tanto, podremos aumentar el valor de x
1
hasta que se haga cero la
primera de las tres variables x
3
, x
4
o x
5
. Pues si siguiramos aumentando el valor de x
1
,
la primera en hacerse cero tomara un valor negativo y ya el punto de coordenadas
( )
5 4 3 2 1
, , , , x x x x x no sera una solucin factible del problema.

Como,
1 3
3 12 x x = ,
3
x se hace cero s, y slo s,
3
12
3 12 0
1 1
= = x x . De igual
forma
4
x se hace cero s, y slo s,
1
2
2 2 0
1 1
= = = x x y por ltimo,
5
x se hace
cero s, y slo s,
2
3
2 3 0
1 1
= = x x .
de manera que el mayor valor que puede tomar la variable x
1
, para no salirnos de la
regin factible es:
2
3
2
3
,
1
2
,
3
12
min =
)
`

Siendo la variable de salida, la variable bsica donde se alcanza este mnimo, es decir, la
variable bsica x
5
. Si hacemos la interseccin de la columna que hay en la tabla bajo la
variable no bsica de entrada, x
1
, y la fila de la tabla asociada a la variable bsica de
salida x
5
, encontramos el elemento sobre el que pivotaremos para encontrar la siguiente
solucin bsica factible del problema,

Hacemos, pues, el pivoteo y, en la siguiente tabla, obtenemos una nueva solucin bsica
factible, ( )
|
\
|
= 0 ,
2
1
,
2
15
, 0 ,
2
3
, , , ,
5 4 3 2 1
x x x x x

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

l. d.
x
3
3 8 1 0 0 12
x
4
1 1 0 1 0 2
x
5
2 0 0 0 1 3
x
3
0 8 1 0 3/2 15/2
x
4
0 1 0 1 1/2 1/2
x
1
1 0 0 0 1/2 3/2

siendo el valor de la funcin objetivo en esta nueva solucin bsica factible igual a 3,
3 0
2
3
2 2
2 1
= + = + = x x z

Ahora podemos escribir el sistema bsico, equivalente al original, asociado a esta
segunda tabla,
( )
= +
= +
= +
2
3
2
1

2
1
2
1

2
15
2
3
8
*
5 1
5 4 2
5 3 2
x x
x x x
x x x

Donde, como podemos ver, son variables bsicas las variables {x
3
, x
4
, x
1
} y no bsicas
las variables {x
2
, x
5
}.

Si queremos proceder como hicimos en la solucin bsica factible anterior deberamos
tener expresada a la funcin objetivo slo en trminos de las variables no bsicas
correspondientes a esta nueva solucin bsica factible, para as poder decidir fcilmente
quien es la variable de entrada. Pero esto lo podemos conseguir haciendo uso del
sistema (*), pues de l podemos despajar las variables bsicas en funcin de las no
bsicas, en efecto,
( )
=
+ =
+ =
= +
= +
= +
5 1
5 2 4
5 2 3
5 1
5 4 2
5 3 2
2
1

2
3
2
1

2
1
2
3
8
2
15
2
3
2
1

2
1
2
1

2
15
2
3
8
*
x x
x x x
x x x
x x
x x x
x x x

de manera que,
5 1
2
1
2
3
x x =
, pudindose entonces escribir la funcin objetivo como:
3 3
2
1
2
3
2 2
5 2 2 5 2 5 2 1
+ = + = +
|
\
|
= + = x x z x x x x x x z
Ahora, observando esta expresin, 3
5 2
+ = x x z , en primer lugar, vemos que
efectivamente el valor de la funcin objetivo en la actual solucin bsica factible, es 3,
pues aqu las variables no bsicas son {x
2
, x
5
}, siendo las dos iguales a cero. Lo
siguiente que observamos es que por cada unidad que aumentemos la variable no bsica
x
2
, desde su valor actual de cero, dejando el resto de variables no bsica en su valor de
cero, el valor de la funcin objetivo aumenta en 1 unidad, mientras que si es la variable
no bsica, x
5
, la que aumentamos desde su nivel de cero, mientras el resto de variables
no bsicas se mantienen en cero, entonces por cada aumento unitario en dicha variable
la funcin objetivo disminuye en 1 unidad. Por lo tanto la que interesa aumentar es la
variable x
2
. De manera que la variable que entra ser la variable x
2
. Si seguimos los
pasos que dimos en el vrtice anterior, nuestro inters ser aumentar el valor de la
variable de entrada tanto como podamos. Ahora bien, si vamos aumentando el valor de
la variable de entrada x
2
, mientras mantenemos en cero el valor de las restantes
variables no bsicas, en este caso, x
5
= 0, suceder lo siguiente:
Si en el sistema,
= +
= +
= +
2
3
2
1

2
1
2
1

2
15
2
3
8
5 1
5 4 2
5 3 2
x x
x x x
x x x

dejamos x
5
2
2
1
4
3
1
2 4
2 3
1
4 2
3 2

0
1
8
2
3
2
1
2
15

2
3

2
1

8
2
15
2
3

2
1

2
15
8
x
x
x
x
x
x x
x x
x
x x
x x
|
|
|
\
|
|
|
|
|
|
|
\
|
=
|
|
|
\
|
=
=
=
=
= +
= +

de manera que las coordenadas, ( )
5 4 3 2 1
, , , , x x x x x , de los puntos por los que nos
estaramos movindonos seran: x
2
el valor positivo arbitrario que le estuviramos
dando, x
2
= 5 y el resto de coordenadas,
2
1
4
3

0
1
8
2
3
2
1
2
15
x
x
x
x
|
|
|
\
|
|
|
|
|
|
|
\
|
=
|
|
|
\
|

Esta ltima expresin, nos sirve de gua para saber hasta dnde podemos seguir
aumentando el valor de x
2
. Por cada unidad que demos a la variable x
2
, la variable x
3

disminuye 8 unidades, la variable x
4
disminuye 1 unidad y la variable x
1
ni aumenta ni
disminuye. Por lo tanto, podremos aumentar el valor de x
2
hasta que se haga cero la
primera de las dos variables x
3
o x
4
. Pues si siguiramos aumentando el valor de x
2
, la
primera en hacerse cero tomara un valor negativo y ya el punto de coordenadas
( )
5 4 3 2 1
, , , , x x x x x no sera una solucin factible del problema. De manera que el mayor
valor que puede tomar la variable x
2
, para no salirnos de la regin factible es:
2
1
2
1
,
16
15
min
1
2 1
,
8
2 15
min =
)
`
=
)
`

Siendo la variable de salida, la variable bsica donde se alcanza este mnimo, es decir, la
variable bsica x
4
. Si hacemos la interseccin de la columna que hay en la tabla bajo la
variable no bsica de entrada, x
2
, y la fila de la tabla asociada a la variable bsica de
salida x
4
, encontramos el elemento sobre el que pivotaremos para encontrar la siguiente
solucin bsica factible del problema,

Ahora haramos el pivoteo y seguiramos, pero antes de seguir con este proceso, vamos
a ver como todas estas cuentas pueden ser realizadas directamente sobre tablas. Para
ello vamos a ampliar un poco las tablas con las que estamos trabajando:

En cada tabla vamos a aadir un rengln (fila) cero, en el que escribiremos la funcin
objetivo, donde sta estar escrita dependiendo exclusivamente de las variables no
bsicas correspondientes a dicha tabla (es decir, a cada solucin bsica factible).

As, en la primera tabla, la correspondiente a la solucin bsica factible inicial,
( ) ( ) 3 , 2 , 2 1 , 0 , 0 , , , ,
5 4 3 2 1
= x x x x x
donde la funcin objetivo tomaba el valor 0, escribiremos:
0 0 0 0 2 0 2 2
5 4 3 2 1 2 1 2 1
= + + + = + = x x x x x z x x z x x z

En la segunda tabla, la correspondiente a la solucin bsica factible inicial,
( )
|
\
|
= 0 ,
2
1
,
2
15
, 0 ,
2
3
, , , ,
5 4 3 2 1
x x x x x
donde la funcin objetivo toma el valor 3, el rengln cero debera tener,
3 0 0 0 3 3
5 4 3 2 1 5 2 5 2
= + + + + = + + = x x x x x z x x z x x z

Adems de aadir este rengln cero, aadiremos una columna al final, de cada tabla,
donde se calcularn los cocientes entre el lado derecho y los coeficientes positivos que
haya en la columna asociada a la variable que hayamos decidido que va a entrar, para
as viendo donde se da el menor cociente sepamos la variable que va a salir y, por lo
tanto, el elemento sobre el que tenemos que pivotar, para encontrar la siguiente solucin
bsica factible. Lo ms importante, es que cuando trabajamos con el rengln cero desde
el comienzo, si al pivotar forzamos que tambin aparezca un cero en el rengln cero, el
nuevo rengln cero aparece bien escrito en la siguiente tabla, es decir, la funcin
objetivo depende slo de las variables no bsicas.

Veamos como sucedera esto en nuestro problema:

Los dos ** muestran donde se da la mnima razn

Como se puede ver hay tres tablas enlazadas. Cada tabla representa una solucin bsica
factible del problema de programacin lineal. En cada tabla el rengln cero (rengln z)
tiene ceros bajo las variables bsicas, por lo que la funcin z est expresada slo en
trminos de las variables no bsicas correspondientes a cada tabla, lo que nos permite
seleccionar la variable de entrada. Si el problema es de maximizar, se seleccionar
como variable de entrada aquella variable no bsica que tenga en el rengln cero el
valor negativo con mayor valor absoluto. Si el problema es de minimizar, se
seleccionar como variable de entrada la variable no bsica que tenga en el rengln cero
el mayor valor positivo. A la columna que hay bajo la variable no bsica de entrada se le
llama columna pivote. Una vez seleccionada la variable de entrada, se calculan los
cocientes entre el lado derecho y las entradas positivas que hay en la columna pivote,
sin contar el elemento del rengln cero. La fila donde se d la mnima razn (cociente)
indica la variable bsica que ha de salir de la base. A esta fila se le llama, la fila pivote.
El elemento que est en la interseccin de la columna de la columna pivote y la fila
pivote, es el elemento pivote. Para pasar a la siguiente tabla se hace una operacin de
pivoteo sobre el elemento pivote. Dicha operacin tiene que forzar a que en la siguiente
tabla aparezca un 1 donde estaba el elemento pivote y que el resto de elementos de la
columna donde estar ese 1 sean cero, incluido el elemento de esa columna que est en
la fila cero.

Una vez que tenemos una nueva tabla, volvemos a aplicar el mtodo a dicha tabla.

Si estamos en un problema de maximizar y llegamos a una tabla donde todas las
entradas del rengln cero son mayores o iguales a cero, estamos ante una solucin
bsica factible ptima del problema. Si el problema es de minimizar y llegamos a una
tabla donde todas las entradas del rengln cero son menores o iguales a cero, estamos
ante una solucin bsica factible del problema.

Las reglas para seleccionar la variable de entrada y de salida se llaman condiciones de
optimalidad y de factibilidad, respectivamente. A continuacin se resumen dichas
condiciones y los pasos del mtodo simplex.

Condicin de optimalidad: La variable de entrada en un problema de maximizacin
(minimizacin) es la variable no bsica que tenga el coeficiente ms negativo (positivo)
en el rengln cero (rengln z). Si hay empate se rompe arbitrariamente. Se llega al
ptimo en la iteracin en la que todos los coeficientes de las variables no bsicas en el
rengln z son mayores o iguales a cero (menores o iguales a cero)

Condicin de factibilidad: Tanto en los problemas de maximizacin como en los de
minimizacin la variable de salida es la variable bsica asociada a la mnima razn entre
los lados derecho y los coeficientes positivos de la columna pivote, sin contar la entrada
de tal columna en el rengln z. Si hay empate se rompe arbitrariamente.

Los pasos del mtodo simplex son:

Paso 0. Determinar una solucin bsica factible inicial.
Paso 1. Seleccionar una variable de entrada aplicando la condicin de optimalidad. Si
no hay variable de entrada detenerse. La ltima tabla proporciona una
solucin ptima.
Paso 2. Seleccionar una variable de salida aplicando la condicin de factibilidad.
Seleccionar el elemento pivote.
Paso 3. Determinar una nueva solucin bsica factible con la operacin de pivoteo. Ir
al paso 1.

Recapitulando lo hecho.

Partimos de un problema de programacin lineal,
( )
+
+
+ =
0 ,
3 2
2
12 8 3
a sujeto
2 Maximizar
P
2 1
1
2 1
2 1
2 1
x x
x
x x
x x
x x z

Problema que podemos representar y resolver grficamente,

El problema (P) se expresa en forma estndar, con la precaucin de que todos los
valores del lado derecho sean no negativos. Lo que da lugar al siguiente problema
equivalente:

( )
= +
= + +
= + +
+ =
0 , , , ,
3 2
2
12 8 3
a sujeto
2 Maximizar
P
5 4 3 2 1
5 1
4 2 1
3 2 1
2 1
x x x x x
x x
x x x
x x x
x x z

En este ltimo problema identificamos, directamente, una solucin bsica factible, la
que consiste en tomar como variables bsicas a las variables de holgura {x
3
, x
4
, x
5
} y
como variables no bsicas a las restantes, {x
1
, x
2
}. Como adems la funcin objetivo z
est expresada slo en trminos de las variables no bsicas,
0 2 2
2 1 2 1
= + = x x z x x z
Podemos resolver el problema mediante la utilizacin del mtodo simplex. Mtodo
iterativo, cuyas operaciones se pueden realizar directamente en las siguientes tablas:

Como podemos ver el problema se ha resuelto en tres tablas (dos iteraciones). Cada
tabla identifica a una solucin bsica factible (es decir, un vrtice) del problema. As, la
primera tabla identifica a la solucin bsica factible ( ) ( ) 3 , 2 , 12 , 0 , 0 , , , ,
5 4 3 2 1
= x x x x x ,
que se corresponde con el vrtice A, de coordenadas (0, 0) en el plano x
1
x
2
. La segunda
tabla identifica a la solucin bsica factible ( )
|
\
|
= 0 ,
2
1
,
2
15
, 0 ,
2
3
, , , ,
5 4 3 2 1
x x x x x , que se
corresponde con el vrtice B, de coordenadas
|
\
|
0 ,
2
3
en el plano x
1
x
2
. La tercera tabla
identifica a la solucin bsica factible ( )
|
\
|
= 0 , 0 ,
2
7
,
2
1
,
2
3
, , , ,
5 4 3 2 1
x x x x x , que se
corresponde con el vrtice C, de coordenadas
|
\
|
2
1
,
2
3
en el plano x
1
x
2
.

Partimos del vrtice A (primera tabla), con la primera iteracin del mtodo simplex nos
traslademos hasta el vrtice B (segunda tabla), con la segunda iteracin del mtodo nos
trasladamos hasta el vrtice C (tercera tabla), llegados a este vrtice, la tabla nos indica
que estamos en la solucin ptima del problema.

Adems, la tabla ptima tambin nos permite ver que la solucin bsica factible ptima
obtenida en ella es la nica solucin ptima del problema. En efecto, a partir de la tabla
ptima,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

l. d.

Razn
z 0 0 0 1 1/2 7/2
x
3
0 0 1 8 5/2 7/2
x
2
0 1 0 1 1/2 1/2 Solucin
x
1
1 0 0 0 1/2 3/2 ptima

podemos reescribir el problema original, de la siguiente forma equivalente:

(
5 4 5 4
2
1
2
7

2
7
2
1
x x z x x z = = + + )

= +
= +
= +
=
0 , , , ,
2
3
2
1

2
1
2
1

2
7
2
5
8
a sujeto
2
1
2
7
Maximizar
5 4 3 2 1
5 1
5 4 2
5 4 3
5 4
x x x x x
x x
x x x
x x x
x x z

Cuando el problema est escrito de esta forma se identifica de forma inmediata a la
solucin bsica factible,
( )
|
\
|
= 0 , 0 ,
2
7
,
2
1
,
2
3
, , , ,
5 4 3 2 1
x x x x x
correspondiente al vrtice C. Siendo el valor de la funcin objetivo en este punto igual a
7/2.

Denotemos por ( )
5 4 3 2 1
, , , , s s s s s a cualquier solucin factible del problema distinta al
punto C. Entonces debe ocurrir que s
4
y s
5
no pueden ser simultneamente iguales a
cero (pues si lo fueran, como ( )
5 4 3 2 1
, , , , s s s s s debe ser solucin del sistema se
cumplira que
2
7
3
= s ,
2
1
2
= s ,
2
3
1
= s , adems de ser 0
5 4
= = s s , y por lo tanto
estaramos en el vrtice C).

Si denotamos por z el valor de la funcin objetivo en esta solucin factible arbitraria
( )
5 4 3 2 1
, , , , s s s s s y calculamos su valor,

5 4
2
1
2
7
s s z =

se cumple que,
2
7
2
1
2
7
5 4
< = s s z

Pues como s
4
y s
5
no pueden ser simultneamente iguales a cero y han de ser no
negativos alguno ser estrictamente positivo, cumplindose la desigualdad anterior.

Acabamos de ver que el valor de la funcin objetivo en cualquier solucin factible,
distinta al vrtice C, es estrictamente menor que 7/2, que es el valor de la funcin
objetivo en el vrtice C. Por lo tanto, podemos concluir que la solucin ptima del
problema es nica.

Esto se puede resumir en el siguiente cuadro:

Solucin ptima nica:
Sabemos que en un problema de maximizar (minimizar) se llega al ptimo en
la iteracin en la que todos los coeficientes de las variables no bsicas en el
rengln z son mayores o iguales a cero (menores o iguales a cero). Si todos los
coeficientes de las variables no bsicas en el rengln z son mayores
estrictamente a cero (menores estrictamente a cero) la solucin ptima a la que
se ha llegado es nica.

Informacin contenida en una tabla cualquiera de mtodo simplex.

Cojamos cualquier tabla del mtodo simplex aplicado a nuestro problema, la segunda,
por ejemplo:

(1) Los coeficientes bajo las variables no bsicas en la fila cero (o rengln z) nos
indican el aumento o disminucin unitaria en el valor de la funcin objetivo si
decidimos meter en la base a la correspondiente variable no bsica.
(2) Valor de la funcin objetivo en la solucin bsica factible asociada a esta tabla.
(3) Valores de las variables bsicas

Adems hemos de resaltar que para que una tabla simplex est correctamente escrita
ha de ocurrir lo siguiente:
i. La identidad debe estar debajo de las variables bsicas, sin contar la fila cero
(o rengln z), en el orden que est indicado en la primera columna de la
tabla.
ii. Los valores de todas las variables bsicas han de ser no negativos.
iii. En el rengln cero debe haber ceros bajo todas las variables bsicas.

7.- Variables artificiales. (Encontrando una solucin bsica factible inicial.)

El mtodo simplex est diseado para moverse de una solucin bsica factible a otra
solucin bsica factible de valor objetivo potencialmente mejor, pero necesita una
solucin bsica factible inicial. En problemas del estilo del ejemplo 7 donde todas las
restricciones son del tipo () y todos los lados derechos son no negativos, disponemos
de una solucin bsica factible inicial inmediata con solo tomar las variables de holgura
como variables bsicas. Lo que ocurre es que esta no es la situacin general, como se
puede ver en el siguiente ejemplo:

Ejemplo 8: Sea el siguiente problema de programacin lineal,

+

+ =
0 ,
1
4
14 4
3 3
a sujeto
8 10 Maximizar
2 1
2
2 1
2 1
2 1
2 1
x x
x
x x
x x
x x
x x z

Lo primero que hacemos es escribirlo en forma estndar, con todo el lado derecho en
valores no negativos, para lo que se introducen las variables de holgura x
3
, x
4
, x
5
y x
6
.

=
= +
= + +
=
+ =
0 , , , , ,
1
4
14 4
3 3
a sujeto
8 10 Maximizar
6 5 4 3 2 1
6 2
5 2 1
4 2 1
3 2 1
2 1
x x x x x x
x x
x x x
x x x
x x x
x x z

Evidentemente disponemos de una solucin bsica inmediata, basta con tomar las
variables x
1
y x
2
como variables no bsicas, igualarlas a cero y obtendramos la solucin
bsica del sistema, ( ) ( ) 1 , 4 , 14 , 3 , 0 , 0 , , , , ,
6 5 4 3 2 1
= x x x x x x , que no es factible ya que
las variables x
3
y x
6
toman valores negativos. Luego no tenemos una solucin bsica
factible del problema para poder empezar con el mtodo simplex.

Si observamos el sistema del problema mediante su matriz ampliada,
|
|
|
|
|
\
|

1
4
14
3

1 0 0 0 1 0
0 1 0 0 1 1
0 0 1 0 4 1
0 0 0 1 1 3
. .
6 5 4 3 2 1
d l x x x x x x

Vemos que si introducimos las siguientes dos nuevas columnas unitarias, de forma
artificial,
|
|
|
|
|
\
|

1
4
14
3

1 0 1 0 0 0 1 0
0 0 0 1 0 0 1 1
0 0 0 0 1 0 4 1
0 1 0 0 0 1 1 3
. .
2 1 6 5 4 3 2 1
d l R R x x x x x x

Aparecera la identidad (desordenada, aunque ya sabemos que no importa) en el lado
izquierdo, con todo el lado derecho no negativo.

Lo que significa que en el siguiente problema de programacin lineal,

= +
= +
= + +
= +
=
0 , , , , , , ,
1
4
14 4
3 3
a sujeto
? Minimizar o Maximizar
2 1 6 5 4 3 2 1
2 6 2
5 2 1
4 2 1
1 3 2 1
R R x x x x x x
R x x
x x x
x x x
R x x x
z

independientemente de la funcin objetivo que le pongamos, identificamos, de forma
inmediata, una solucin bsica factible inicial y, por lo tanto, le podemos aplicar el
mtodo simplex. Las nuevas variables, R
1
, R
2
, que acabamos de introducir se llaman
variables artificiales, ya que no estaban presentes en el problema original, al contrario
de las variables de holgura que son variables totalmente legtimas del problema. Pues
bien, el truco consiste en utilizar alguna funcin objetivo que penalice el que las
variables artificiales tomen valores positivos, de manera que el propio mtodo simplex
las acabe sacando de la base. Con este propsito, presentaremos dos mtodos muy
relacionados, el mtodo de la gran M y el mtodo de las dos fases.

El mtodo de la gran M: La forma de penalizar a las variables artificiales en la
funcin objetivo consiste en colocar a las variables artificiales dentro de la funcin
objetivo del problema original acompaadas de un coeficiente igual a,
minimizar de problemas en ,
maximizar de problemas en ,
M
M

Donde M tiene un valor positivo suficientemente grande (matemticamente, M )

As deberamos resolver el siguiente problema:
= +
= +
= + +
= +
+ =
0 , , , , , , ,
1
4
14 4
3 3
a sujeto
8 10 Maximizar
2 1 6 5 4 3 2 1
2 6 2
5 2 1
4 2 1
1 3 2 1
2 1 2 1
R R x x x x x x
R x x
x x x
x x x
R x x x
MR MR x x z

0 8 10 8 10
2 1 2 1 2 1 2 1
= + + + = MR MR x x z MR MR x x z

Luego el problema, en forma de tabla sera,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

x
6

R
1

R
2

l. d.
z 10 8 0 0 0 0 M M 0
R
1
3 1 1 0 0 0 1 0 3
x
4
1 4 0 1 0 0 0 0 14
x
5
1 1 0 0 1 0 0 0 4
R
2
0 1 0 0 0 1 0 1 1

Observa que esta tabla an no es una tabla simplex correcta pues en la fila cero (o
rengln z) no son cero los valores que hay bajo todas las variables bsicas. Esto se
arregla fcilmente restndole a la fila cero la suma de la 1 fila multiplicada por M ms
la 4 fila multiplicada por M. Es decir,
Nuevo rengln z = Rengln anterior z (M Rengln R
1
+ M Rengln R
2
)

As, tras hacer estas operaciones quedara la siguiente tabla,

Var.
bs.

x
1

x
2

x
3

x
4

x
5

x
6

R
1

R
2

l. d.
z 3M10 8 M 0 0 M 0 0 4M
R
1
3 1 1 0 0 0 1 0 3
x
4
1 4 0 1 0 0 0 0 14
x
5
1 1 0 0 1 0 0 0 4
R
2
0 1 0 0 0 1 0 1 1

Esta ltima tabla ya est lista para aplicarle el mtodo simplex, haciendo uso de las
condiciones de optimalidad y factibilidad para seleccionar las variables que entran y que
salen de la base, en cada iteracin.

Aplicamos, pues, el mtodo simplex:

Observa que las variables artificiales R
1
y R
2
han salido de la base en las iteraciones
primera y segunda, que es lo que pretendamos al penalizar las variables artificiales en
la funcin objetivo. Luego podramos haber prescindido de las columnas asociadas a las
variables artificiales desde la tercera tabla. Si nos fijamos, las dos primeras tablas han
servido para encontrar al vrtice A, de la regin factible, como solucin bsica factible
inicial del problema que queremos resolver.

Sobre este mtodo de la gran M hemos de hacer dos observaciones:

1. Puede ocurrir que se llegue a la tabla ptima del problema penalizado y que
permanezca como variable bsica alguna variable artificial con valor positivo.
Esto quiere decir que el problema original es inconsistente, es decir, no tiene
soluciones factibles (regin factible vaca). Ms adelante veremos este caso.
2. La aplicacin del mtodo de la gran M, quiere decir que M , es decir, que M
comparado con cualquier nmero positivo siempre ser mayor. Si se resuelve el
problema a mano esto no es ningn inconveniente pues se trabaja directamente
con M. Pero si lo implementsemos en un ordenador, deberamos dar un valor
concreto a M suficientemente grande. Cmo de grande? es una pregunta difcil
de responder. Debera ser lo suficientemente grande como para penalizar a las
variables artificiales. Por otro lado, no debe ser tan grande que acarree
problemas de redondeo al operar con nmeros muy grandes y pequeos a la vez.
Por este motivo, este mtodo nunca se implementa, prefirindose el mtodo de
las dos fases.

El mtodo de las dos fases: Afortunadamente existe otra forma de penalizar a las
variables artificiales sin necesidad de utilizar la constante M, de manera que evitemos
posibles errores de redondeo. As, en una primara fase, resolveremos el problema
consistente en minimizar la suma de las variables artificiales, sujeto al conjunto de
restricciones que hemos planteado anteriormente. Es decir, en una primera fase, se
resuelve el siguiente problema:
Fase I :
= +
= +
= + +
= +
+ =
0 , , , , , , ,
1
4
14 4
3 3
a sujeto
Minimizar
2 1 6 5 4 3 2 1
2 6 2
5 2 1
4 2 1
1 3 2 1
2 1
R R x x x x x x
R x x
x x x
x x x
R x x x
R R r

Observa que cuando resolvamos este problema, no podremos concluir que es de valor
objetivo no acotado, pues la suma de las variables artificiales, R
1
+ R
2
, est acotada
inferiormente por cero, ya que las variables estn restringidas a ser no negativas.

Si el problema original que pretendemos resolver tiene alguna solucin factible,
entonces ste problema tendr un valor objetivo ptimo de cero, con las variables
artificiales iguales a cero. Es ms, conforme vayan sucediendo las iteraciones del
mtodo simplex y las variables artificiales se hagan cero irn saliendo de la base y en su
lugar entrarn variables legtimas. Eventualmente, todas las variables artificiales habrn
salido de la base al llegar a la tabla ptima (aunque no siempre es as, podra ocurrir que
en la tabla ptima quedase alguna variable artificial con valor igual a cero, ms adelante
veremos cmo se trata esto). As, la base ptima del problema de la fase I estar
formada slo por variables legtimas del problema original. De manera que disponemos
de una solucin bsica factible inicial del problema original y por lo tanto le podemos
aplicar el mtodo simplex. La fase II consiste en resolver el problema original a partir
de la solucin bsica factible inicial de dicho problema, encontrada en la fase I.

Por otro lado, si al resolver el problema de la fase I, resulta que en la tabla ptima de
dicho problema queda alguna variable artificial como variable bsica con valor positivo,
entonces el problema original no tiene soluciones factibles (por qu?. Ms adelante
responderemos esta pregunta).

Observacin: La funcin objetivo de la fase I siempre es minimizar la suma de las
variables artificiales, independientemente de que el problema original a resolver sea de
minimizar o de maximizar.

Hagamos pues los clculos:

Fase I: resulvase el siguiente problema de programacin lineal.
= +
= +
= + +
= +
+ =
0 , , , , , , ,
1
4
14 4
3 3
a sujeto
Minimizar
2 1 6 5 4 3 2 1
2 6 2
5 2 1
4 2 1
1 3 2 1
2 1
R R x x x x x x
R x x
x x x
x x x
R x x x
R R r

0
2 1 2 1
= + = R R r R R r


Variables
bsicas

x
1

x
2

x
3

x
4

x
5

x
6

R
1

R
2

l. d.
r 0 0 0 0 0 0 1 1 0
R
1
3 1 1 0 0 0 1 0 3
x
4
1 4 0 1 0 0 0 0 14
x
5
1 1 0 0 1 0 0 0 4
R
2
0 1 0 0 0 1 0 1 1

rengln r) no son cero los valores que hay bajo todas las variables bsicas. Esto se
arregla fcilmente sumndole a la fila cero la suma de la 1 fila multiplicada ms la 4
fila. Es decir,
Nuevo rengln r = Rengln anterior r + (Rengln R
1
+ Rengln R
2
)


Variables
bsicas

x
1

x
2

x
3

x
4

x
5

x
6

R
1

R
2

l. d.
r 3 0 1 0 0 1 0 0 4
R
1
3 1 1 0 0 0 1 0 3
x
4
1 4 0 1 0 0 0 0 14
x
5
1 1 0 0 1 0 0 0 4
R
2
0 1 0 0 0 1 0 1 1



Como se puede ver, la tabla ptima de la fase I, ha encontrado un valor objetivo ptimo
de r = 0, con las variables artificiales R
1
= R
2
= 0 y adems fuera de la base. De manera
que si quitamos las columnas asociadas a las variables artificiales de la tabla ptima de
la fase I, nos quedamos con una solucin bsica factible inicial del problema original.

Fase II: Resulvase el problema original,
=
= +
= + +
=
+ =
0 , , , , ,
1
4
14 4
3 3
a sujeto
8 10 Maximizar
6 5 4 3 2 1
6 2
5 2 1
4 2 1
3 2 1
2 1
x x x x x x
x x
x x x
x x x
x x x
x x z

a partir de la siguiente solucin bsica factible inicial:

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

x
6

l. d.
x
1
1 0 1/3 0 0 1/3 4/3
x
4
0 0 1/3 1 0 13/3 26/3
x
5
0 0 1/3 0 1 2/3 11/3
x
2
0 1 0 0 0 1 1

Como, 0 8 10 8 10
2 1 2 1
= + = x x z x x z , el problema en forma de tabla sera,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

x
6

l. d.
z 10 8 0 0 0 0 0
x
1
1 0 1/3 0 0 1/3 4/3
x
4
0 0 1/3 1 0 13/3 26/3
x
5
0 0 1/3 0 1 2/3 11/3
x
2
0 1 0 0 0 1 1

arregla fcilmente sumndole a la fila cero la suma de la 1 fila multiplicada por 10 ms
la 4 fila multiplicada por 8. Es decir,
Nuevo rengln z = Rengln anterior z + (10 Rengln x
1
+ 8 Rengln x
2
)

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

x
6

l. d.
z 0 0 10/3 0 0 34/3 64/3
x
1
1 0 1/3 0 0 1/3 4/3
x
4
0 0 1/3 1 0 13/3 26/3
x
5
0 0 1/3 0 1 2/3 11/3
x
2
0 1 0 0 0 1 1



Si comparamos el mtodo de la gran M y el mtodo de las dos fases, vemos que cuando
se aplican a un mismo problema hacen las mismas iteraciones. De manera que es
preferible utilizar el mtodo de las dos fases ya que al no trabajar con la constante M se
evita cualquier problema de redondeo, en el caso de programar el algoritmo.

Ahora, vamos a ir cerrando algunos casos que hemos dejado abiertos. Por ejemplo,
veamos cmo actuar en el caso de que al finalizar la fase I con valor objetivo ptimo de
cero, sin embargo en la tabla ptima ha quedado alguna variable artificial como variable
bsica pero con un valor de cero. Analicemos el siguiente ejemplo:

Ejemplo 9: Resulvase el siguiente problema de programacin lineal,

+ +
+ +
+ + =
0 , ,
8 2 4 3
2 2
a sujeto
4 2 2 Maximizar
3 2 1
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
x x x z

Solucin: En primer lugar escribimos el problema en forma estndar con todos los
valores del lado derecho no negativos. Para ello sumamos la variable de holgura no
negativa, x
4
, en el lado izquierdo de la primera restriccin y restamos la variable de
holgura no negativa, x
5
, en el lado izquierdo de la segunda restriccin, quedando el
problema de la siguiente forma,

= + +
= + + +
+ + =
0 , , , ,
8 2 4 3
2 2
a sujeto
4 2 2 z Maximizar
5 4 3 2 1
5 3 2 1
4 3 2 1
3 2 1
x x x x x
x x x x
x x x x
x x x

Al no haber una identidad en el lado izquierdo de las ecuaciones forzamos que aparezca
introduciendo una variable artificial no negativa , R, en la segunda ecuacin y
utilizamos el mtodo de las dos fases.

Fase I. Tenemos que resolver, el siguiente problema,
= + + +
= + + +
=
0 , , , , ,
8 2 4 3
2 2
a sujeto
Minimizar
5 4 3 2 1
5 3 2 1
4 3 2 1
R x x x x x
R x x x x
x x x x
R r

0 = = R r R r


Variables
bsicas

x
1

x
2

x
3

x
4

x
5

R

l. d.
r 0 0 0 0 0 1 0
x
4
2 1 1 1 0 0 2
R 3 4 2 0 1 1 8

arregla fcilmente sumndole a la fila cero la 2 fila. Es decir,

Nuevo rengln r = Rengln anterior r + Rengln R

As, tras hacer esta operacin quedara la siguiente tabla,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

R

l. d.
r 3 4 2 0 1 0 8
x
4
2 1 1 1 0 0 2
R 3 4 2 0 1 1 8



Variables
bsicas

x
1

x
2

x
3

x
4

x
5

R

l. d.

Razn
r 3 4 2 0 1 0 8
x
4
2 1 1 1 0 0 2 2 : 1 = 2
R 3 4 2 0 1 1 8 8 : 4 = 2

Como el problema que estamos resolviendo es de minimizar, segn la condicin de
optimalidad, debemos seleccionar como variable de entrada a la variable no bsica que
tenga el coeficiente ms positivo en el rengln cero (rengln r). De manera que
seleccionamos a la variable no bsica x
2
como variable de entrada. Una vez
seleccionada esta variable como variable de entrada, la condicin de factibilidad nos
dice que la variable de salida es la variable bsica asociada a la mnima razn entre los
lados derecho y los coeficientes positivos de la columna pivote (es decir, la columna
que est bajo la variable de entrada), sin contar el coeficiente de tal columna en el
rengln r. En el caso de que haya empate en esta razn mnima se rompe
arbitrariamente. Como podemos ver en este caso hay empate, pudindose seleccionar
como variable de salida, tanto a x
4
como a R. Evidentemente, debemos seleccionar R
pues as la variable artificial saldr de la base, que es lo que pretendemos con la fase I.
Ahora bien, supongamos que estamos resolviendo este problema usando algn
programa de ordenador, donde est implementado el mtodo simplex, y que este
programa cuando ha de romper un empate selecciona a la primera variable donde se da
el empate. Como la primera variable bsica donde se da el empate es la variable x
4
, el
programa seleccionara como variable de salida a la variable x
4
. De manera que el
programa pivotara sobre la entrada 1 de la columna pivote. Lo que dara lugar a la
siguiente tabla,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

R

l. d.

Razn
r 3 4 2 0 1 0 8
x
4
2

1 1 0 0 2 2 : 1 = 2
R 3 4 2 0 1 1 8 8 : 4 = 2
r 5 0 2 4 1 0 0
x
2
2 1 1 1 0 0 2 Tabla
R 5 0 2 4 1 1 0 ptima

Es decir, finalizamos la fase I, con una variable artificial como variable bsica con valor
de cero. Observa que esto provoca que la identidad no est bajo variables legtimas del
problema original, de manera que no disponemos de una solucin bsica factible del
problema original. En este caso, antes de ir a la fase II, lo que haremos es permutar, de
una en una, a las variables artificiales (en este caso slo hay una) que hayan quedado en
la base ptima por alguna variable no bsica legtima. En nuestra tabla ptima son
variables no bsicas legtimas las variables x
1
, x
3
, x
4
y x
5
. Para que cualquiera de estas
variables entrase a la base a cambio de la variable R, lo nico que deberamos hacer es
pivotar sobre alguno de estos elementos,

Observa que aunque vayamos a pivotar sobre valores negativos, tras la operacin de
pivoteo no se perder la factibilidad (es decir, ninguna variable bsica se har negativa),
pues el lado derecho de la fila pivote vale cero. As, si seleccionamos, por ejemplo, el
valor 5, como elemento pivote, resultar la siguiente tabla, tras el pivoteo,

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

R

l. d.

x
2
2 1 1 1 0 0 2 Tabla
R

0 2 4 1 1 0 ptima
r 0 0 0 0 0 1 0
x
2
0 1 1/5 3/5 2/5 2/5 2 Tabla
x
1
1 0 2/5 4/5 1/5 1/5 0 ptima

Como ya hemos sacado a la variable artificial de la base ptima, si quitamos la columna
asociada a la variable artificial de la tabla ptima de la fase I, nos quedamos con una
solucin bsica factible inicial del problema original.

Ahora ya podramos ir a la fase II y resolver el problema original,
= + +
= + + +
+ + =
0 , , , ,
8 2 4 3
2 2
a sujeto
4 2 2 z Maximizar
5 4 3 2 1
5 3 2 1
4 3 2 1
3 2 1
x x x x x
x x x x
x x x x
x x x

utilizando el mtodo simplex a partir de la solucin bsica factible inicial proporcionada
por la tabla,
Variables
bsicas

x
1

x
2

x
3

x
4

x
5

l. d.
x
2
0 1 1/5 3/5 2/5 2
x
1
1 0 2/5 4/5 1/5 0

Se deja como ejercicio realizar la fase II.

Al estudiar este ejemplo, nos puede surgir la siguiente duda, llegados a la situacin del
final de la primera fase, donde qued una variable artificial como variable bsica con
valor cero, en la tabla ptima y donde decidimos intercambiarla por una variable
legtima no bsica, podra ocurrir que no fuera posible tal intercambio, porque todos los
elementos candidatos a pivote, es decir, los siguientes elementos marcados,

hubiesen sido cero. La respuesta es que s, pero esta situacin lo que detectara es
redundancia en la definicin del problema original, y por lo tanto se puede solucionar,
como se muestra en el siguiente ejemplo, extrado del libro de Bazaraa & Jarvis.

Ejemplo 10: (Redundancia) Resulvase el siguiente problema de programacin lineal,

= +
= + +
= + +
+ =
0 , ,
2
10 3 2
4 2
6
a sujeto
3 2 Minimizar
3 2 1
3
3 2
3 2 1
3 2 1
3 2 1
x x x
x
x x
x x x
x x x
x x x z

Solucin: En primer lugar escribimos el problema en forma estndar con todos los
valores del lado derecho no negativos. Para ello sumamos una variable de holgura no
negativa, x
4
, en el lado izquierdo de la cuarta restriccin, quedando el problema de la
siguiente forma,

= +
= +
= + +
= + +
+ =
0 , , ,
2
10 3 2
4 2
6
a sujeto
3 2 Minimizar
4 3 2 1
4 3
3 2
3 2 1
3 2 1
3 2 1
x x x x
x x
x x
x x x
x x x
x x x z

Si tomamos la matriz ampliada del sistema de ecuaciones,

|
|
|
|
|
\
|
=
2
10
4
6

1 1 0 0
0 3 2 0
0 2 1 1
0 1 1 1
A

Vemos que esta matriz no es de rango completo, de hecho, si sumamos las dos primeras
filas obtenemos la tercera, es decir cualquiera de las tres primeras restricciones es
redundante y se podra eliminar. No obstante vamos a actuar como si este hecho no
fuera conocido. Por lo tanto, introduciremos artificialmente, las columnas unitarias,
|
|
|
|
|
\
|
|
|
|
|
|
\
|
|
|
|
|
|
\
|
0
1
0
1
,
0
0
1
0
,
0
0
0
1

para as obtener la identidad en el lado izquierdo de la matriz. Es decir, sumamos las
variables artificiales no negativas, R
1
, R
2
y R
3
, en el lado izquierdo de las ecuaciones
primera, segunda y tercera, respectivamente, y utilizamos el mtodo de las dos fases.

Fase I. Tenemos que resolver el siguiente problema,
= +
= + +
= + + +
= + + +
+ + =
0 , , , , , ,
2
10 3 2
4 2
6
a sujeto
Minimizar
3 2 1 4 3 2 1
4 3
3 3 2
2 3 2 1
1 3 2 1
3 2 1
R R R x x x x
x x
R x x
R x x x
R x x x
R R R r

0
3 2 1 3 2 1
= + + = R R R r R R R r


Variables
bsicas

x
1

x
2

x
3

x
4

R
1

R
2

R
3

l. d.
r 0 0 0 0 1 1 1 0
R
1
1 1 1 0 1 0 0 6
R
2
1 1 2 0 0 1 0 4
R
3
0 2 3 0 0 0 1 10
x
4
0 0 1 1 0 0 0 2
arregla fcilmente sumndole a la fila cero la suma de la 1 fila ms la 2 fila ms la 3
fila. Es decir,
Nuevo rengln r = Rengln anterior r + (Rengln R
1
+ Rengln R
2
+ Rengln R
3
)

Variables
bsicas

x
1

x
2

x
3

x
4

R
1

R
2

R
3

l. d.
r 0 4 6 0 0 0 0 20
R
1
1 1 1 0 1 0 0 6
R
2
1 1 2 0 0 1 0 4
R
3
0 2 3 0 0 0 1 10
x
4
0 0 1 1 0 0 0 2

que ya est lista para aplicarle el mtodo simplex. Lo aplicamos.

La tabla ptima que se ha obtenido al final de fase I ha sido la siguiente:

Variables
bsicas

x
1

x
2

x
3

x
4

R
1

R
2

R
3

l. d.

r 0 0 0 0 2 2 0 0
x
1
1 0 0 1/2 1/2 1/2 0 2
x
2
0 1 0 3/2 1/2 1/2 0 2 Tabla
R
3
0 0 0 0 1 1 1 0 ptima
x
3
0 0 1 1 0 0 0 2

Como todas las variables artificiales tienen valor cero, R
1
= R
2
= 0, por ser variables no
bsicas y R
3
que an siendo bsica toma un valor de cero, podemos seguir con la fase II,
lo que ocurre es que se nos ha quedado una variable artificial en la base, de manera que
antes de ir a la fase II, intentaremos permutar dicha variable artificial por otra variable
que siendo no bsica sea legtima. Si observamos la tabla vemos que las nica variable
legtima que no est en la base (es decir, que es no bsica) es la variable x
4
, de manera
que deberamos intercambiar a las variables R3 con x4. Es decir, deberamos hacer
entrar a la base a la variable x
4
y que la variable R
3
saliese de la base. Observa que para
conseguir esto deberamos tomar como columna pivote a la columna bajo la variable x
4

y como fila pivote al rengln R
3
. Es decir, deberamos pivotar sobre la siguiente entrada
de la tabla,
Variables
bsicas

x
1

x
2

x
3

x
4

R
1

R
2

R
3

l. d.

r 0 0 0 0 2 2 0 0
x
1
1 0 0 1/2 1/2 1/2 0 2
x
2
0 1 0 3/2 1/2 1/2 0 2 Tabla
R
3
0 0 0

1 1 1 0 ptima
x
3
0 0 1 1 0 0 0 2

y como hay un cero no podemos pivotar sobre l. Ahora bien, si nos fijamos bien en la
tabla anterior, vemos que las columnas que hay bajo las variables legtimas del
problema, sin contar con los coeficientes del rengln r, junto con la columna del lado
derecho, es decir, las siguientes columnas,

forman una matriz, a la cual hemos llegado desde la matriz ampliada del sistema inicial,
A, haciendo operaciones de pivoteo con el mtodo simplex, es decir, haciendo
operaciones elementales de filas. En efecto, observa que ha ido ocurriendo durante el
desarrollo del mtodo simplex con la matriz ampliada A.

|
|
|
|
|
\
|
=
2
10
4
6

1 1 0 0
0 3 2 0
0 2 1 1
0 1 1 1
A

Tras hacer operaciones de
pivoteo, es decir, opera-
ciones elementales de filas
llagamos a la siguiente ma-
triz, donde estaba ubicada
la matriz A.

|
|
|
|
|
\
|
2
0
2
2

1 1 0 0
0 0 0 0
2 3 0 1 0
2 1 0 1 1

Esto demuestra que la tercera fila, es decir, la tercera restriccin del problema original,
es redundante y se puede eliminar,

= +
= +
= + +
= + +
+ =
0 , , ,
2
10 3 2
4 2
6
a sujeto
3 2 Minimizar
4 3 2 1
4 3
3 2
3 2 1
3 2 1
3 2 1
x x x x
x x
x x
x x x
x x x
x x x z

Eliminamos la

tercera ecuacin

= +
= + +
= + +
+ =
0 , , ,
2
4 2
6
a sujeto
3 2 Minimizar
4 3 2 1
4 3
3 2 1
3 2 1
3 2 1
x x x x
x x
x x x
x x x
x x x z

Es decir, en este momento nos percataramos de la redundancia. Ahora eliminaramos la
tercera ecuacin del problema, lo que hara desaparecer la variable artificial R
3
y su
correspondiente columna del problema de la fase I. Es decir, la tabla ptima de la fase I
pasara a ser,

Como ya han salido las variables artificiales de la base ptima, si quitamos las columnas
asociadas a las variables artificiales de la tabla ptima de la fase I, nos quedamos con
una solucin bsica factible inicial del problema original.

Ya podemos pasar a la fase II, que consistira en resolver el problema original,

= +
= + +
= + +
+ =
0 , , ,
2
4 2
6
a sujeto
3 2 Minimizar
4 3 2 1
4 3
3 2 1
3 2 1
3 2 1
x x x x
x x
x x x
x x x
x x x z

partiendo de la solucin bsica factible inicial proporcionada por la siguiente tabla:

Variables
bsicas

x
1

x
2

x
3

x
4

l. d.
x
1
1 0 0 1/2 2
x
2
0 1 0 3/2 2
x
3
0 0 1 1 2

Fase II. Como 0 3 2 3 2
3 2 1 3 2 1
= + + + = x x x z x x x z el problema en forma
de tabla sera,

Variables
bsicas

x
1

x
2

x
3

x
4

l. d.
z 1 2 3 0 0
x
1
1 0 0 1/2 2
x
2
0 1 0 3/2 2
x
3
0 0 1 1 2

arregla fcilmente sumndole a la fila cero la suma de la 1 fila multiplicada por 1 ms
la 2 fila multiplicada por 2 ms la tercera fila multiplicada por 3. Es decir,
Nuevo rengln z = Rengln anterior z + [(1) Rengln x
1
+ 2 Rengln x
2
+ (3)
Rengln x
3
]


Variables
bsicas

x
1

x
2

x
3

x
4

l. d.
z 0 0 0 13/2 4
x
1
1 0 0 1/2 2
x
2
0 1 0 3/2 2
x
3
0 0 1 1 2

A esta tabla ya se le puede aplicar el mtodo simplex, es ms como el problema que
estamos resolviendo es de minimizar, resulta que la tabla ya es ptima. De manera que
la solucin ptima del problema original,

= + +
= + +
+ =
= +
= + +
= + +
+ =
0 , ,
2
4 2
6
a sujeto
3 2 Minimizar
0 , , ,
2
4 2
6
a sujeto
3 2 Minimizar
3 2 1
3
3 2 1
3 2 1
3 2 1
4 3 2 1
4 3
3 2 1
3 2 1
3 2 1
x x x
x
x x x
x x x
x x x z
x x x x
x x
x x x
x x x
x x x z

es ( ) ( ) 2 , 2 , 2 , ,
3 2 1
= x x x siendo el valor de la funcin objetivo en dicho punto, z = 4.

8.- Casos especiales detectados en la aplicacin del mtodo simplex.

Vamos a terminar este apartado sobre el mtodo simplex analizando cmo se detecta,
cuando estamos realizando las iteraciones del mtodo, los diversos casos que se pueden
presentar en un problema de programacin lineal: soluciones ptimas alternativas,
soluciones no acotadas (es decir, valor de la funcin objetivo no acotada en la regin
factible), no existencia de soluciones factibles (regin factible vaca) y degeneracin.

8.1.- Degeneracin. Dado un problema de programacin lineal, decimos que una
solucin bsica factible (es decir, un vrtice) del problema es degenerada, si alguna
variable bsica toma el valor cero en dicha solucin bsica factible.

Observa que si al ejecutar el mtodo simplex en alguna iteracin hay empate para
seleccionar a la variable que sale, entonces en la siguiente tabla, tras dicha iteracin, se
tendr una variable bsica con valor cero, es decir, se tendr una solucin bsica factible
degenerada. No debemos preocuparnos por la aparicin de una solucin bsica factible
degenerada, ms all de una posibilidad terica de entrar en un ciclo (bucle infinito) en
el caso de que el problema se estuviera resolviendo con un programa de ordenador, que
no tuviera previsto tal percance. Existen mtodos para eliminar los ciclos, como la regla
de Bland u otros, aunque no daremos ninguno, ya que el ciclado es poco probable que
ocurra, de hecho, no es fcil formular un problema de programacin lineal donde al
aplicar el mtodo simplex ste entre en un ciclo.

Desde el punto de vista prctico la degeneracin indica que el problema tiene al menos
una restriccin redundante. Veamos esto con un ejemplo.


+
+
+ =
0 ,
6 2
12 4 3
a sujeto
5 3 Maximizar
2 1
2 1
2 1
2 1
x x
x x
x x
x x z

Resolvamos el problema con el mtodo simplex y comprobemos como la solucin
bsica factible ptima es degenerada. Para ello, como siempre, lo primero que hemos de
hacer es escribir el problema en forma estndar con todos los valores del lado derecho
no negativos.
= + +
= + +
+ =
0 , , ,
6 2
12 4 3
a sujeto
5 3 Maximizar
4 3 2 1
4 2 1
3 2 1
2 1
x x x x
x x x
x x x
x x z

Como,
0 5 3 5 3
1 2 1
= + = x x z x x z
, de manera que el problema en forma de
tabla sera,
Variables
bsicas

x
1

x
2

x
3

x
4

l. d.
z 3 5 0 0 0
x
3
3 4 1 0 12
x
4
1 2 0 1 6

Esta tabla es correcta para el mtodo simplex, de manera que podemos aplicar el
mtodo a partir de ella.

Variables
bsicas

x
1

x
2

x
3

x
4

l. d.

Razn
z 3 5 0 0 0
x
3
3 4 1 0 12 12 : 4 = 3
x
4
1

0 1 6 6 : 2 = 3**
z 1/2 0 0 5/2 15
x
3

0 1 2 0 0 : 1 = 0**
x
2
1/2 1 0 1/2 3 3 : =6
z 0 0 1/2 3/2 15
x
1
1 0 1 2 0 Solucin
x
2
0 1 1/2 3/2 3 ptima

Como estamos en un problema de maximizar el criterio de optimalidad, por el que se
selecciona la variable no bsica que entra, nos dice que seleccionemos a la variable no
bsica con coeficiente ms negativo en el rengln z. Por lo tanto, en la primera iteracin
seleccionamos como variable de entrada a la variable no bsica x
2
. Una vez seleccio-
nada la variable de entrada, el criterio de factibilidad nos indica como hemos de
seleccionar la variable bsica que sale de la base. Se calculan las razones entre los
valores del lado derecho y los coeficientes positivos que haya en la columna bajo la
variable que entra, sin contar al coeficiente de esa columna que est en el rengln z. Nos
quedamos con la razn mnima, la variable que sale es la variable bsica asociada al
rengln donde se produce la razn mnima. Si la razn mnima se produce en dos filas o
ms se selecciona una de ellas arbitrariamente. Observemos que en la primera iteracin
se ha producido un empate, que hemos roto arbitrariamente, a la hora de seleccionar la
variable que sale, y como, en consecuencia, la tabla a la que hemos llegado proporciona
una solucin bsica factible degenerada. Como esta solucin, segn el criterio de
optimalidad, an no es ptima hacemos otra iteracin en la que llegamos a la solucin
ptima. Si observamos las tablas segunda y tercera vemos que las soluciones bsicas
factibles que representan son, ( ) ( ) 0,0 , 3 , 0 , , ,
4 3 2 1
= x x x x y ( ) ( ) 0,0 , 3 , 0 , , ,
4 3 2 1
= x x x x ,
respectivamente. Es decir, ambas tablas representan al mismo vrtice de la regin
factible. Es decir, un mismo vrtice puede estar representado por ms de una solucin
bsica factible (es decir, ms de una base).

En la segunda tabla el vrtice (0, 3) est en correspondencia con la solucin bsica
factible ( ) ( ) 0,0 , 3 , 0 , , ,
4 3 2 1
= x x x x , donde B ={x
3
, x
2
} son las variables bsicas y
{x
1
,x
4
} las variables no bsicas. En la tercera tabla el mimo vrtice (0, 3) est en
correspondencia con la solucin bsica factible ( ) ( ) 0,0 , 3 , 0 , , ,
4 3 2 1
= x x x x , donde ahora
B=={x
1
, x
2
} son las variables bsicas y {x
3
, x
4

Esto ocurre si el nmero de hiperplanos, de los que definen a la regin factible, que
pasan por un vrtice supera al nmero de hiperplanos independientes necesarios para
definir un punto, en el espacio de las variables de decisiones. Eso es lo que est pasando
aqu. La regin factible de nuestro problema es,
( )
+
+
=
0 ,
6 2
12 4 3
/ ,
2 1
2 1
2 1
2
2 1
x x
x x
x x
R x x F

y por el vrtice (0, 3) estn pasando las rectas, 3x
1
+ 4x
2
= 12 , x
1
+ 2x
2
= 6 y x
1
= 0,
de la regin factible, una ms de las necesarias para definir un punto en el plano R
2
.

Este es el motivo por el que en teora se podra entrar en un ciclo, en el caso de que el
mtodo simplex pasase por un vrtice que estuviera en correspondencia con una serie de
soluciones bsicas factibles degeneradas y que tras recorrerlas a todas llegase de nuevo
a la primera y vuelta a empezar.

A continuacin se propone otro ejemplo donde el mtodo simplex pasa por una solucin
bsica factible degenerada antes de llegar a la solucin ptima.


+
+
+
+ =
0 ,
4
8 2
6
a sujeto
3 Maximizar
2 1
2 1
2 1
2 1
2 1
x x
x x
x x
x x
x x z

Solucin.

En el siguiente dibujo se da la solucin grfica del problema. Se deja como ejercicio
resolver el problema con el mtodo simplex y comprobar que antes de llegar a la
solucin ptima se pasa por una solucin bsica factible degenerada.

8.2.- Soluciones ptimas alternativas (infinitas soluciones ptimas)

En los casos en los que la funcin objetivo (en realidad, las curvas de nivel de la
funcin objetivo) es paralela a alguna restriccin que en la solucin ptima se hace
activa (obligatoria) (es decir, una restriccin que se cumple como ecuacin en la
solucin ptima), la funcin objetivo toma el mismo valor ptimo en ms de un punto
de la regin factible. Esto se indica diciendo que hay soluciones ptimas alternativas,
de hecho en estos casos hay una infinidad de soluciones ptimas alternativas. En el
siguiente ejemplo mostramos un problema donde ocurre esto y a continuacin
indicamos como se detecta esto en el mtodo simplex.


+
+
+
+ =
0 ,
6 2
6 2
2
a sujeto
2 Maximizar
2 1
2 1
2 1
2 1
2 1
x x
x x
x x
x x
x x z

Solucin.

En el siguiente dibujo se da la solucin grfica del problema. Como se puede apreciar
hay dos vrtices que son solucin ptima del problema, sucediendo que todos los puntos
del segmento que une dichos vrtices tambin son soluciones ptimas del problema.
Esto ocurre porque la restriccin, x
1
+ 2x
2
6, se hace activa (obligatoria) en ambos
vrtices, es decir, se cumple como ecuacin (pues la recta x
1
+ 2x
2
= 6, pasa por ambos
vrtices), sucediendo adems que tal recta, x
1
+ 2x
2
= 6, es paralela a las curvas de nivel
de la funcin objetivo, z = x
1
+ 2x
2
.

Veamos como detecta esto el mtodo simplex. En primer lugar escribimos el problema
en forma estndar, con los valores del lado derecho no negativos.

= + +
= + +
= + +
+ =
0 , , , ,
6 2
6 2
2
a sujeto
2 Maximizar
5 4 3 2 1
5 2 1
4 2 1
3 2 1
2 1
x x x x x
x x x
x x x
x x x
x x z

Como, 0 2 2
2 1 2 1

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

l. d.
z 1 2 0 0 0 0
x
3
1 1 1 0 0 2
x
4
1 2 0 1 0 6
x
5
2 1 0 0 1 6

mtodo a partir de ella.

Variables
bsicas

x
1

x
2

x
3

x
4

x
5

l. d.

Razn
z 1 2 0 0 0 0
x
3
1

1 0 0 2 2 : 1 = 2**
x
4
1 2 0 1 0 6 6 : 2 = 3
x
5
2 1 0 0 1 6 6 : 1 = 6
z 3 0 2 0 0 4
x
2
1 1 1 0 0 2 ---
x
4

0 2 1 0 2 2 : 3 **
x
5
3 0 1 0 1 4 4 : 3
z 0 0 0 1 0 6
x
2
0 1 1/3 1/3 0 8/3 8/3 : 1/3 = 8
x
1
1 0 2/3 1/3 0 2/3 ---
x
5
0 0

1 1 2 2 : 1 = 2**
z 0 0 0 1 0 6
x
2
0 1 0 2/3 1/3 2
x
1
1 0 0 1/3 2/3 2
x
3
0 0 1 1 1 2

Si observamos las tablas de arriba vemos que en la tercera tabla, segn la condicin de
optimalidad (en un problema de maximizar se llega al ptimo en la iteracin en la que todos los
coeficientes de las variables no bsicas en el rengln z son mayores o iguales a cero), ya hemos
llegado a una solucin ptima del problema, el vrtice C, pero tambin vemos que el
coeficiente que hay bajo la variable no bsica x
3
en el rengln z es cero, lo que nos
indica que si metemos a dicha variable a la base el valor de la funcin objetivo no
cambiar. Seleccionamos, pues, dicha variable como variable que entra y seguimos con
el mtodo simplex llegando a una nueva solucin bsica factible ptima, el vrtice D.
Observa que en la ltima tabla lo nico que podramos hacer es seleccionar a la variable
no bsica x
5
, que tiene un coeficiente de cero en el rengln z, como variable de entrada,
pero si hiciramos esto veramos que regresamos al vrtice anterior. Luego hemos
encontrado a todas las soluciones bsicas factibles ptimas del problema.

Una vez conocidas todas las soluciones bsicas factibles ptimas del problema, el
resto de soluciones ptimas se encuentran tomando todas las combinaciones lineales
convexas de tales soluciones bsicas factibles ptimas.

Definicin: Sea el espacio vectorial R
n
. Sean los vectores x, y, , z R
n
. Llamamos
combinacin lineal convexa de los vectores x, y, , z, a cualquier vector de la forma,
x + y + + z
donde , , , R con , , , 0 y + + + = 1

En nuestro caso el mtodo simplex nos ha proporcionado dos soluciones bsicas
factibles ptimas, la solucin (x
1
, x
2
, x
3
, x
4
, x
5
) = (2/3, 8/3, 0, 0, 2), correspondiente al
vrtice C, en plano X
1
X
2
y la solucin (x
1
, x
2
, x
3
, x
4
, x
5
) = (2, 2, 2, 0, 0), correspondiente
al vrtice D, en el plano X
1
X
2
.
Entonces ser solucin ptima del problema toda solucin (x
1
, x
2
, x
3
, x
4
, x
5
) que cumpla,

(x
1
, x
2
, x
3
, x
4
, x
5
) = (2/3, 8/3, 0, 0, 2) + (1 ) (2, 2, 2, 0, 0) ; con 0 1

Luego ser solucin ptima del problema todo punto de coordenadas (x
1
, x
2
), en el plano
X
1
X
2
, que cumpla,
(x
1
, x
2
) = (2/3, 8/3) + (1 ) (2, 2) ; con 0 1
es decir, todos los puntos del segmento que une a los vrtices C y D, como se aprecia en
la solucin grfica.

8.3.- Soluciones no acotadas.

Hay modelos de programacin lineal que tienen regin factible no acotada, es decir,
para los que existe alguna direccin que si nos movemos por ella, en la regin factible,
los valores de las variables bsicas pueden aumentar indefinidamente sin violar ninguna
restriccin del problema. Si adems ocurriera que al movernos en esa direccin el valor
de la funcin objetivo aumentase (disminuyese), estando en un problema de maximizar
(minimizar), entonces ocurrira que tanto la regin factible como el valor objetivo
ptimo seran no acotados. Cuando esto ocurre en un modelo que representa un
problema de la vida real, puede ser un aviso de que el modelo est mal formulado.

En el siguiente ejemplo vemos como se detecta esta situacin en las tablas del mtodo
simplex.


+
+ =
0 ,
4
2
a sujeto
Maximizar
2 1
2
2 1
2 1
x x
x
x x
x x z

Solucin.

En el siguiente dibujo se da la solucin grfica del problema. Como se puede apreciar la
regin factible es no acotada. Adems, las curvas de nivel de la funcin objetivo se
pueden trasladar hacia la derecha indefinidamente, aumentando su valor objetivo, sin
que stas dejen de cortar a la regin factible. Por lo tanto se concluye que el problema es
de valor objetivo no acotado. Es decir, cualquiera que sea el nmero real positivo que
tome existen soluciones factibles del problema cuyo valor objetivo supera al nmero
real fijado de antemano.

Resolvamos ahora el problema con el mtodo simplex y veamos cmo se detecta esto
en las tablas del mtodo simplex.

Como siempre en primer lugar escribimos el problema en forma estndar, con todo el
lado derecho en valores no negativos.

= +
= + +
+ =
0 , , ,
4
2
a sujeto
Maximizar
4 3 2 1
4 2
3 2 1
2 1
x x x x
x x
x x x
x x z

Como, 0
2 1 2 1

Variables
bsicas

x
1

x
2

x
3

x
4

l. d.
z 1 1 0 0 0
x
3
1 1 1 0 2
x
4
0 1 0 1 4

mtodo a partir de ella. Como el problema es de maximizar podemos elegir como
variable que entra tanto a la variable no bsica x
1
como a la variable no bsica x
2
, pues
las dos tienen el mismo coeficiente negativo, 1, en la fila cero (rengln z). Veamos qu
ocurre si se selecciona a x
1
como variable de entrada y tambin qu ocurre si es x
2
la
seleccionada.

Si elegimos a x
1
como variable de entrada, al mirar en la columna que hay bajo ella (sin
considerar el coeficiente que est en el rengln z),
|
|
\
|
0
1
, vemos que en este rengln no
hay coeficientes positivos por lo que no podemos calcular las razones para quedarnos
con la mnima. Es decir, no hay variable de salida. Analicemos esto ms detenidamente.
Ahora mismo nos encontramos en la solucin bsica factible dada por la tabla, es decir,
(x
1
, x
2
, x
3
, x
4
) = (0, 0, 2, 4), que es el vrtice A, de la regin factible, donde las variables
{x
3
, x
4
} son bsicas y las variables {x
1
, x
2
} son no bsicas. Una vez que hemos
seleccionado la variable de entrada, x
1
, el mtodo consiste en ir dando valores positivos,
desde cero en adelante, a la variable de entrada, mientras el resto de variables no bsicas
permanecen iguales a cero. Nuestra motivacin es seguir aumentando el valor de la
variable de entrada tanto como podamos. Ahora bien, si vamos aumentando el valor de
la variable de entrada x
1
, mientras mantenemos en cero el valor de las restantes
variables no bsicas, en este caso, x
2
= 0, suceder lo siguiente: Si en el sistema,
)
`
= +
= + +
4
2
4 2
3 2 1
x x
x x x

que podemos reescribir como,

( )
2 1
4
3
2 4
2 1 3
4 2
3 2 1

1
1

0
1
4
2
4
2
4
2
* x x
x
x
x x
x x x
x x
x x x
|
|
\
|
|
|
\
|
|
|
\
|
=
|
|
\
|
)
`
=
+ =
)
`
= +
= + +

dejamos x
2
1
( )
1
4
3

0
1
4
2
* * x
x
x
|
|
\
|
|
|
\
|
=
|
|
\
|

de manera que las coordenadas ( )
4 3 2 1
, , , x x x x , de los puntos por los que nos estaramos
movindonos seran: x
1
el valor positivo arbitrario que le estuviramos dando, x
2
= 0 y
el resto de coordenadas,
1
4
3

0
1
4
2
x
x
x
|
|
\
|
|
|
\
|
=
|
|
\
|

es decir,
( )
=
+ =
4
2
* * *
4
1 3
x
x x

de manera que podemos aumentar desde cero indefinidamente el valor de x
1
que,
mientras que a x
2
lo mantengamos en cero y las variables x
3
y x
4
tomen valores segn la
expresin (***), los puntos de coordenadas ( )
4 3 2 1
, , , x x x x sern soluciones factibles del
problema. Luego la regin factible es no acotada. Como adems al aumentar el valor de
x
1
, mientras x
2
permanece en cero, la funcin objetivo va aumentando, se concluye que
el problema tiene por solucin valor objetivo no acotado.

Observemos que esto ocurre porque el vector,
|
|
\
|
0
1
, que acompaa a la variable x
1
, en
la expresin (**), va precedido por un signo menos, de manera que las entradas que
sean negativas o cero, en dicho vector, provocarn aumento o no cambio en las
correspondientes variables bsicas cuando el vector no bsico x
1
aumente su valor desde
cero.

Observacin: Los vectores
|
|
\
|
0
1
y
|
|
\
|
1
1
que aparecen en la expresin (*)
acompaando a las variables no bsicas x
1
y x
2
, respectivamente, son las
columnas (sin considerar el coeficiente que est en el rengln z) que hay en la
tabla simplex bajo las variables no bsicas, x
1
y x
2
, respectivamente.

Ya podemos concluir una regla para reconocer la no acotacin en el mtodo simplex.
Si en una iteracin del mtodo surge una tabla en la que alguna columna (sin considerar
el coeficiente que est en el rengln z), bajo una variable no bsica, tiene todas sus
entradas menores o iguales a cero, entonces la regin factible es no acotada (en esa
direccin). Si adems la variable no bsica donde ocurre esto, tiene un coeficiente
negativo (positivo) en un problema de maximizar (minimizar), de manera que se puede
elegir como variable de entrada, entonces el valor de la funcin objetivo no est acotado
(en esa direccin).

Si hubisemos elegido a la variable x
2
como variable de entrada habramos procedido
con el mtodo simplex,

Variables
bsicas

x
1

x
2

x
3

x
4

l. d.

Razn
z 1 1 0 0 0
x
3
1

1 0 2 2 : 1 = 2**
x
4
0 1 0 1 4 4 : 1 = 4
z 2 0 1 0 2
x
2
1 1 1 0 2 ---
x
4

0 1 1 2 2 : 1 = 2**
z 0 0 1 2 6
x
2
0 1 0 1 4
x
5
1 0 1 1 2

Observemos que empezamos en el vrtice A, con la primera iteracin nos movemos al
vrtice B, y en la segunda iteracin llegamos a la tercera tabla, vrtice C, donde al mirar
la columna (sin considerar el coeficiente que est en el rengln z) bajo la variable no
bsica x
3
que debera entrar, nos encontramos con el vector
|
|
\
|
1
0
que nos indica que la
regin factible es no acotada. Como adems el coeficiente de la variable no bsica x
3
, en
el rengln z es negativo (1), el valor de la funcin objetivo es no acotado. Es decir,
habramos concluido lo mismo.

8.4.- Regin factible vaca (no existencia de soluciones factibles).

En los modelos de programacin lineal donde las restricciones son incompatibles no
hay soluciones factibles. Si el modelo representa una situacin real, la inconsistencia de
las restricciones suele indicar que el modelo est mal formulado. En las situaciones en
las que todas las restricciones son del tipo con todos los lados derechos no negativos,
el modelo siempre tiene soluciones factibles, basta con tomar a las variables de holgura
como variables bsicas. Lo que ocurre es que ya hemos visto que hay ocasiones en las
que hace falta introducir variables artificiales para encontrar una solucin bsica factible
inicial. En esos casos ya indicamos (que no justificamos, lo vamos a hacer ahora) que si
al finalizar la fase I el valor objetivo ptimo era positivo (lo que ocurre si alguna
variable artificial queda como bsica con valor positivo en la tabla ptima de la fase I),
entonces el problema original no tiene soluciones factibles. Vemos esto con un ejemplo.


+
+
+ =
0 ,
21 7 3
4 2
a sujeto
10 4 Maximizar
2 1
2 1
2 1
2 1
x x
x x
x x
x x z

Solucin.

En el siguiente dibujo se da la solucin grfica del problema. Como se puede apreciar la
regin factible es vaca.

Vemos cmo detecta esto el mtodo simplex. Como siempre en primer lugar escribimos
el problema en forma estndar, con todo el lado derecho en valores no negativos.

= +
= + +
+ =
0 , , ,
21 7 3
4 2
a sujeto
10 4 Maximizar
4 3 2 1
4 2 1
3 2 1
2 1
x x x x
x x x
x x x
x x z

Como no disponemos de una solucin bsica factible de inicio, introducimos una
variable artificial no negativa, R, en la segunda ecuacin y utilizamos el mtodo de las
dos fases

Fase I. Resulvase el siguiente problema,

= + +
= + +
=
0 , , , ,
21 7 3
4 2
a sujeto
Minimizar
4 3 2 1
4 2 1
3 2 1
R x x x x
R x x x
x x x
R r

0 = = R r R r


Variables
bsicas

x
1

x
2

x
3

x
4

R

l. d.
r 0 0 0 0 1 0
x
3
1 2 1 0 0 4
R 3 7 0 1 1 21
arregla fcilmente sumndole a la fila cero la 2 fila. Es decir,
Nuevo rengln r = Rengln anterior r + Rengln R

Variables
bsicas

x
1

x
2

x
3

x
4

R

l. d.
r 0 7 0 1 0 21
x
3
1 2 1 0 0 4
R 3 7 0 1 1 21

que ya est lista para aplicarle el mtodo simplex. Lo aplicamos.

Variables
bsicas

x
1

x
2

x
3

x
4

R

l. d.

Razn
r 0 7 0 1 0 21
x
3
1 2 1 0 0 4 4 : 2 = 2**
R 3 7 0 1 1 21 21 : 7 = 3
r 7/2 0 7/2 1 0 7
x
2
1/2 1 1/2 0 0 2 Solucin
R 1/2 0 7/2 1 1 7 ptima

Como podemos ver la solucin ptima del problema de la fase I es:
) 7 , 0 , 0 , 2 , 0 ( ) , , , , (
* *
4
*
3
*
2
*
1
= R x x x x
siendo el valor de la funcin objetivo en este punto igual a r = R
*
= 7.

Vemos que entonces el problema original no puede tener soluciones factibles.

Supongamos, por lo absurdo, que (s
1
, s
2
, s
3
, s
4
) fuese una solucin factible del problema
original, entonces se cumplira que,

= +
= + +
0 , , ,
21 7 3
4 2
4 3 2 1
4 2 1
3 2 1
s s s s
s s s
s s s

en cuyo caso el punto de coordenadas, (s
1
, s
2
, s
3
, s
4
, 0), cumplira las restricciones,

= + +
= + +
0 , , , ,
21 7 3
4 2
4 3 2 1
4 2 1
3 2 1
R x x x x
R x x x
x x x

de manera que (s
1
, s
2
, s
3
, s
4
, 0) sera una solucin factible del problema de la fase I,
siendo el valor de la funcin objetivo en este punto igual a, r = 0 < 7, lo que contradice
que ) 7 , 0 , 0 , 2 , 0 ( ) , , , , (
* *
4
*
3
*
2
*
1
= R x x x x sea la solucin ptima del problema de la
fase I. Luego no existen soluciones factibles del problema original.

Programacion Lineal Jfa

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Programacion Lineal Jfa

Hochgeladen von

Copyright:

Verfügbare Formate

Programacin Lineal.

Das könnte Ihnen auch gefallen