PASOS DEL MÉTODO SIMPLEX (Gero)

Los pasos a seguir en el método simplex son:

Definir el problema en la forma estándar y generar nuestra matriz.

Determinar la solución básica inicial.

Seleccionar la variable de entrada utilizando la condición de optimalidad. Si no se puede

seleccionar una variable de entrada, quiere decir que estamos en la condición óptima y finalizan
las iteraciones. De otro modo se continúa con el siguiente paso.

Seleccionar la variable de salida utilizando la condición de factibilidad.

Actualizar nuestra matriz realizando las operaciones de Gauss-Jordan. Volver al paso

número 3.

A continuación, vamos a detallar cada uno de los pasos a profundidad:

1. Definir el problema en la forma estándar y generar matriz

Un problema de programación lineal tiene la siguiente forma:

Donde x1, x2 … x n son las variables del problema.

Antes de llevar nuestro modelo a la forma estándar debemos verificar que todas las
restricciones tienen el lado derecho no negativo. Es decir:

b1, b2 … b m ≥ 0

¿Qué hago si el lado derecho de la restricción es negativo?

Cuando el término independiente de la restricción es negativo, se debe multiplicar por

-1 a toda la restricción para convertir el valor del lado derecho en positivo. Esta multiplicación
también afectará al signo de la restricción de la siguiente forma:

Si la restricción es del tipo mayor igual (≥), se deberá cambiar a menor igual (≤).

En caso la restricción sea del tipo menor igual (≤), se deberá cambiar a mayor igual (≥).
 Si la restricción es una igualdad, el signo se mantiene.
Un caso especial es cuando el término independiente de la restricción es 0 y el signo es
mayor igual (≥); en dicha situación, podemos multiplicar la restricción por (-1) para convertirla
en menor igual (≤). Esto nos servirá para no utilizar variables artificiales como veremos
posteriormente.

Convertir restricciones en igualdades

Para convertir las restricciones en igualdades va a depender de su signo:

Si la restricción es menor igual (≤): Para este tipo de restricciones debemos introducir
una variable no negativa llamada de holgura y que son auxiliares para el problema. Por ejemplo:

Cuando la restricción es mayor igual (≥): En este tipo de restricciones se debe restar una
variable de exceso y así mismo agregar una variable artificial. Por ejemplo:

Si la restricción es igual (=): En este tipo de restricciones debemos agregar una variable
artificial de la siguiente forma:
 El método Simplex “tradicional” o “básico” que abordaremos en esta entrada, se utiliza
para los problemas de programación lineal donde todas las restricciones son del tipo menor e
igual (≤). Para las restricciones que utilizan variables artificiales debemos utilizar el método de 2
fases o el método de la M Grande.

Generar la matriz

Aplicando lo indicado en los puntos anteriores tendríamos lo siguiente:

Una vez convertidas nuestras restricciones en ecuaciones procederemos a generar

nuestra matriz:

En nuestra matriz podemos identificar lo siguiente:

Vector de Costes: Es el vector que contiene los coeficientes de todas las variables de la
función objetivo. En la parte inferior del vector se indican las variables en orden.
Vector Solución: En esta columna se coloca la solución básica inicial y se va actualizando
conforme se realizan las iteraciones. En la columna C b se indica el coeficiente que corresponde
a cada variable en el vector de costes. Así mismo siempre se iniciará con las variables de holgura
en la base cuando el problema no tenga variables artificiales.

Coeficientes Restricciones: Se colocan los coeficientes de las restricciones en el mismo

orden en que fueron formuladas. La columna R contiene a los términos independientes también
conocido como vector de recursos.

Vector de costes reducidos: También conocido como precios sombra. Este vector se
calcula multiplicando el vector solución por los coeficientes de las restricciones y se resta el
vector de costes. Este procedimiento lo explicaremos al detalle en nuestra entrada del método
de las dos fases y de la M Grande, donde se presentan variables artificiales. En los ejercicios que
veremos en esta entrada, al no existir variables artificiales, el vector de costes será igual al vector
de costes multiplicado por “-1”.

2. Determinar la solución básica inicial:

Como habíamos mencionado, el método simplex parte de un vértice de la región

factible, es decir, un punto extremo. Con cada iteración avanzaremos de vértice en vértice hasta
llegar a la solución óptima.
En nuestro caso, en la matriz elaborada podemos ver la solución básica inicial que
sería S1=35, S2=18 y S3=26 (cada variable del vector solución se iguala al valor que se encuentra
en la columna R. Estas variables se denominan variables básicas. El valor de Z inicial también se
muestra en la columna R que es 0.

Las variables que no se encuentran en la base se denominan variables no básicas y en

este caso serían X1 y X2. Ambas tienen un valor de 0. ¿Con esta solución tenemos el mejor valor
de Z? Para saberlo debemos continuar al siguiente paso:
 3. Seleccionar la variable de entrada utilizando la condición de optimalidad
Con nuestra matriz finalizada e identificada nuestra solución básica inicial revisaremos
la condición de optimalidad.

Condición de Optimalidad:

La condición de optimalidad consiste en verificar si la solución actual que tenemos en

nuestra matriz es la óptima o si se puede mejorar. Se verifica de la siguiente manera:

En un problema de maximización si todos los coeficientes del vector de costes

reducidos son mayores o iguales que cero, quiere decir que estamos en el punto óptimo y
finaliza el problema.

En un problema de minimización si todos los coeficientes del vector de costes

reducidos son menores o iguales que cero, quiere decir que estamos en el punto óptimo y
finaliza el problema.
Siguiendo con el ejemplo, siendo el problema de maximización, podemos ver que en el
vector de costes reducidos existen valores negativos, lo que significa que no estamos en el
óptimo. Eso quiere decir que debemos iniciar las iteraciones seleccionando la variable de
entrada.

Variable de Entrada

La variable de entrada hace referencia a una de las variables no básicas que ingresará a
la base y formará parte de la solución del problema.

Los criterios para seleccionar la variable de entrada dependen si el problema es de

maximización o minimización:

Para problemas de maximización, la variable de entrada será la variable no básica con

el coeficiente más negativo en el vector de costes reducidos.

Para problemas de minimización, la variable de entrada será la variable no básica con

el coeficiente más positivo en el vector de costes reducidos.
La columna donde está ubicada la variable se denomina columna pivote.

En el ejemplo nuestra variable de entrada sería X1 dado que tiene el valor más negativo
en el vector de costes reducidos, es decir “-3”:
 4. Seleccionar la Variable de Salida con la Condición de Factibilidad
A continuación, explicaremos a que se refiere la condición de factibilidad:

Condición de Factibilidad
La condición de factibilidad, para cualquier problema ya sea de maximización o
minimización, se verifica evaluando los valores de los coeficientes de la matriz de restricciones
que se encuentran en la columna que corresponde a la variable de entrada.

Se debe verificar que al menos uno de sus valores sea mayor que 0 para obtener nuestra
variable de salida. Si no se cumple esa condición significa que el problema tiene solución
ilimitada no acotada.

Variable de Salida
Para determinar la variable que sale de la base se debe dividir el valor correspondiente
a la columna R con su respectivo coeficiente en la columna de la variable de entrada (siempre y
cuando este coeficiente sea estrictamente positivo).

De los resultados obtenidos, el menor valor corresponde a la fila que contiene a la

variable de salida. Esta fila la llamaremos fila pivote

Veremos su aplicación con el ejemplo:

 La variable de salida sería S2. El número que se encuentra al cruzar la fila pivote y la
columna pivote es el elemento pivote; en nuestro caso sería 3:

5. Actualizar la Matriz
Una vez determinado nuestro elemento pivote, realizaremos las operaciones de Gauss-
Jordan para formar nuestra matriz identidad. El nuevo valor de cada fila se calculará de la
siguiente manera:

Para la fila pivote: El nuevo valor se obtendrá dividiendo el valor actual entre el elemento
pivote.

Nuevo Valor Fila Pivote = Valor Actual Fila Pivote / Elemento Pivote
Para las otras filas: El nuevo valor se calcula restando del valor actual, la multiplicación
del elemento de la fila que se encuentra en la columna pivote por el nuevo valor calculado en la
fila pivote.
 Nuevo Valor = Valor Actual – (Elemento Fila Columna Pivote*Nuevo Valor Fila Pivote).
Para entenderlo mejor, continuaremos resolviendo el ejemplo. Iniciaremos con la fila
pivote:

En las otras filas realizaremos los cálculos de forma diferente. Iniciaremos con la fila de
S1:
 La matriz resultante sería:

Cómo puedes ver la posición donde se encontraba nuestro elemento pivote ahora es 1
y los elementos que lo acompañan en la columna se convierten en 0. Es así que empezamos a
formar nuestra matriz identidad.

Volver al paso número 3

Con este último resultado, volveremos al paso 3 y repetiremos el proceso. Cómo existen
valores negativos en el vector de costes reducidos, podemos seguir optimizando.

El único valor negativo es -4, por lo que la variable que ingresará es X2.

Para elegir la variable que va a salir, dividimos cada valor de la columna R por su
contraparte de la columna X2 (este último valor debe ser positivo)

23/ (19/3) = 69/19 = 3.632

El valor en la columna X2 es negativo por lo que no se toma en cuenta.

14/ (16/3) = 21/8 = 2.625

 El menor valor se encuentra en la fila de S3, por lo que es la variable que saldrá de la
base. El elemento pivote es 16/3.
Realizamos nuevamente las iteraciones obteniendo el siguiente resultado:

En esta última matriz vemos que el vector de costes reducidos ya no tiene ningún valor
negativo, lo que quiere decir que nos encontramos en el valor óptimo. Obtendremos los valores
de las variables básicas y de Z de la siguiente forma:
Las variables que no se encuentran en la base tendrán valor de 0.

Solución: X1= 31/4, X2= 21/8, S1= 51/8, S2= 0, S3= 0, Z = 57/2

Ejemplo 2 – Minimizar

Se tiene el siguiente problema:

Función Objetivo

Minimizar: Z = 3X1 – 2X2

 Sujeto a:

2X1 + X2 ≤ 18

2X1 + 3X2 ≤ 42

3X1 – 2X2 ≤ 5

X1, X2 ≥ 0

Solución
El problema se adecuará al modelo estándar de programación lineal, agregando las
variables de holgura, exceso y/o artificiales en cada una de las restricciones:

Restricción 1: Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura
S1.

Restricción 2: Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura
S2.

Restricción 3: Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura
S3.

A continuación, se muestra el problema en la forma estándar. Se colocará el coeficiente

0 (cero) donde corresponda para crear nuestra matriz:
 Como el ejercicio es de minimización, elegiremos el mayor valor positivo para la variable
de entrada: 2. Por lo tanto la variable de entrada sería X2.
Para la variable de salida dividiremos los valores de la columna R con los de la columna
X2 (siempre y cuando sean positivos). Los resultados en orden serían: 18/1, 42/3 y la última fila
no se considera porque su valor correspondiente a X2 es negativo (-2). Se debe elegir el menor
valor de esta división: 42/3=14; por lo tanto, la variable de salida se encuentra en la segunda
fila: S2.

El elemento pivote se encuentra en el cruce de X2 y S2: 3.

Realizamos las reducciones de Gauss-Jordan:

 En esta última matriz, todos los valores del vector de costes reducidos son negativos, lo
que indica que nos encontramos en el punto óptimo del problema de minimización. El resultado
sería:

Z = -28

X1= 0, X2= 14, S1= 4, S2= 0, S3= 33

Nota: El valor de Z puede ser negativo ya que el problema resuelto no restringe su valor.