c





   

Con el propósito de deducir otros detalles relacionados con la lógica del método simplex
en forma algebraica, el estudiante debe aplicar el algoritmo ya conocido, para obtener la
solución óptima del siguiente modelo:

Min: Z = - 4X1 ± 2X2

Sujeta a: -1X1 + 1X2  10
6X1 + 10X2  120
3X1 - 5X2  30
Con X1, X2 0

Se presenta enseguida el tablero final, para que el estudiante lo compare con el que
obtenga después de realizar sus cálculos.

Æ

 




    
 -4 -2 0 0 0 
            
0 0 0 1 1/30 4/15 22  
-2 0 1 0 1/20 -1/10 3 
-4 1 0 0 5/60 1/6 15 
 -4 -2 0 -13/30 -14/30 -66 
c 0 0 0 13/30 14/30 

cÆ !"c#Æ$%c%#"

Con el método algebraico podemos resolver cualquier modelo de programación lineal,
pero por facilidad en los cálculos y análisis, lo hemos explicado mediante un modelo en el
cual todas las restricciones son del tipo  y todos los bi 0. Si un modelo puede
expresarse de esta manera, siempre tendrá una solución básica factible inicial, integrada
por las variables de holgura y cuyos valores son los coeficiente recurso del modelo, es
decir siempre tendremos al menos una solución factible, así sea la inicial que como
hemos dicho es trivial, pero con la cual se descarta la inexistencia de solución o la
existencia de una solución infactible. Estas dos ultimas posibilidades las analizaremos
posteriormente cuando generalicemos el algoritmo para modelos que no cumplan las dos
condiciones de tener todas las restricciones de la forma > y todos los términos del lado
derecho con valor no negativo. En estos casos se deben incluir unas ñ
&
'
& que nos permita obtener cómodamente una solución básica factible inicial
artificial.

Al termino del Algoritmo Simplex Algebraico llegaremos a una solución óptima, que como
ya mencionamos en el método gráfico, puede ser única, múltiple, ilimitada.
A continuación presentamos ejemplos de modelos de maximización que conducen a cada
uno de estos casos.
 
 ( 
Se obtiene cuando en la fila Ej de un tablero, ya todos los valores correspondientes a las
variables no básicas son menores o iguales que cero. Esto sucede en el 

 





 )  , presentado antes. ( se pide al estudiante que analice el
tablero óptimo del ejemplo de minimización , para que deduzca los cambios que deben
hacerse en el algoritmo, cuando el objetivo no es maximizar sino minimizar)

 
  (


Ocurre cuando ninguna variable no básica tiene efecto neto positivo, pero al menos una
de ellas tiene efecto neto igual a cero. Lo anterior indica que la solución actual no es
mejorable, pero si igualable, al formar una nueva solución óptima entrando la variable no
básica con efecto neto cero. Al hacerlo se obtendrá una nueva solución, pero con el
mismo valor de la función objetivo.

Apoyados en el teorema de que si hay dos soluciones básicas que dan el mismo valor
óptimo de Z, entonces cualquier combinación lineal convexa de ellas, también da el
mismo valor, podemos concluir que el problema tiene infinitas soluciones óptimas
alternativas.

Como ejemplo, analicemos la solución del modelo:

Max: Z = 14X1 + 6X2

Sujeta a: 3X1 + 5X2  15
8X1 - 12X2  12
7X1 + 3X2  14

Después de algunas iteraciones llegamos al siguiente tablero:

 14 6 0 0 0 
            
0 0 0 1 0.2407 -0.7037 8.0370  
14 1 0 0 0.0278 1/9 1.8885 
6 0 1 0 -0.0648 0.0741 0.2593 
 14 6 0 0 2 28 
c 0 0 0 0 -2 

Por lo tanto la solución actual es H1 = 8.0370, X1 = 1.8885, X2 = 0.2593; Z = 28.

Observamos que este tablero es óptimo pues ninguna variable no básica tiene efecto neto
negativo. Pero la solución actual si es igualable, ya que el efecto neto de la variable no
básica H2 es cero, que no quita ni pone en el valor de la función objetivo, por lo cual al
entrarla a la solución básica esta tendrá el mismo valor de Z.

Si efectuamos los cálculos para obtener la nueva solución básica en donde H2 sea
variable básica obtenemos el siguiente tablero:

 14 6 0 0 0 
           
0 0 0 4.154 1 -2.923 33.38  
14 1 0 -0.1154 0 0.1923 0.961 
6 0 1 0.2692 0 -0.1154 2.423 
 14 6 0 0 2 28 
c 0 0 0 0 -2 
Ambos tableros representan soluciones óptimas del modelo. Entonces hay solución
óptima múltiple que se expresa como:

X1* 1.89 0.96

=c + (1- c) ; z* = 28
X2* 0.26 2.42

En donde 0  c  1

  
Ocurre cuando se tiene alguna variable no básica con efecto neto positivo, la cual será
variable de entrada, pero es imposible sacar una de las variables básicas, debido a que
todos los coeficientes de intercambio de la variable de entrada son negativos o cero.

Para mejor entendimiento analicemos la solución del siguiente modelo:

Max: Z = 10X1 + 5X2

Sujeta a. - 3X1 + 4X2  12

X1 ± 2X2  2
X1 + 2X2 > 8
Con X1, X2 0

Al aplicar el método simplex en forma tabular obtenemos la siguiente tabla:

 10 5 0 0 0 
            
5 0 1 0.1 0 -0.3 3.6 
0 0 0 0.4 1 -0.2 8.4  
10 1 0 -0.2 0 -0.4 0.8 
 10 5 -1.5 0 -5.5 26 
c 0 0 1.5 0 5.5 

Observamos que las variables H1 y H3 tienen efecto neto positivo, por lo cual pueden
entrar a la solución básica. Ya que H3 tiene el mayor efecto neto, la elegimos como
variable de entrada. Pero también notamos que al aumentar el valor de H3, ninguna de
las variables básicas disminuye, sino que por el contrario lo aumentan. Esto se debe a
que los coeficientes de intercambio de H3 con X2, H2 y con X1 son negativos. Por
consiguiente concluimos que la solución del modelo es óptima ilimitada.
Es bueno recordar acá que la aparición de soluciones óptimas múltiples o ilimitadas es
poco común en los problemas reales y cuando se presentan en algún modelo obedecen
generalmente a errores en la formulación o en los datos.

Se le recomienda al estudiante que compare las conclusiones obtenidas al resolver estos

modelos, con el método simplex tabular y las obtenidas con el método gráfico.