Académique Documents
Professionnel Documents
Culture Documents
LINEAL
INDICE
PROGRAMACIÓN LINEAL.
Introducción.
Muchas personas clasifican el desarrollo de la Programación Lineal (PL)
entre los avances científicos más importantes de mediados del siglo XX. En la
actualidad es una herramienta común que ha ahorrado miles o millones de dólares a
muchas compañías y negocios, incluyendo industrias medianas en distintos países del
mundo. ¿Cuál es la naturaleza de esta notable herramienta y qué tipo de problemas
puede manejar? Expresado brevemente, el tipo más común de aplicación abarca el
problema general de asignar recursos limitados entre actividades competitivas de la
mejor manera posible (es decir, en forma óptima). Este problema de asignación puede
surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos
escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta
descripción es sin duda muy grande, y va desde la asignación de instalaciones
productivas a los productos, hasta la asignación de los recursos nacionales a las
necesidades de un país; desde la planeación agrícola, hasta el diseño de una terapia
de radiación; etc. No obstante, el ingrediente común de todas estas situaciones es la
necesidad de asignar recursos a las actividades.
1
Programación Lineal.
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser
claros y precisos en la formulación del modelo puede ayudar a manejar situaciones
que parecen en un comienzo como lejanos a estos supuestos.
Será difícil que un problema cumpla con todas las suposiciones de manera
exacta. Pero esto no negará la factibilidad de uso del modelo. Un modelo puede ser
aún útil aunque difiera de la realidad, si se es consistente con los requerimientos más
estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los
resultados.
Existen limitaciones prácticas para el uso de la PL. Una se relaciona con los
cálculos. En general se necesita una computadora. Desafortunadamente, las
calculadoras, aun las programables, son poco útiles, puesto que la PL tiene necesidad
de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una
computadora, se estará limitado a problemas muy sencillos. La otra limitación se
refiere al costo de formular un problema de PL. En teoría, podría usarse PL, por
ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sería
necesario conocer todas las compras posibles que pueden realizarse (éstas serían las
variables), además de cada restricción como sabor, número de comidas, vitaminas y
proteínas. Es obvio que el costo de obtener todos estos datos excede lo que se podría
ahorrar si se hicieran las compras óptimas. Antes de emprender una aplicación de PL,
debe considerarse la disponibilidad y el costo de los datos necesarios.
2
Programación Lineal.
3
Programación Lineal.
enero R1 + 0.2A1 ≥ 60
febrero R2 + 0.2A2 ≥ 50
marzo R3 + 0.2A3 ≥ 60
abril R4 + 0.2A4 ≥ 80
mayo R5 + 0.2A5 ≥ 70
4
Programación Lineal.
Debido a la rotación, el 10% de los trabajadores regulares se van cada mes. Así,
el número de trabajadores regulares disponibles, por ejemplo, al principio de febrero
sería:
R2 = 0.9R1 + A1
5
Programación Lineal.
Cualquier problema que incluya una, varias o todas estas formas del modelo
anterior también se clasifica como un problema de PL, siempre y cuando éstas sean
las únicas formas nuevas introducidas. Puede ser que la interpretación que se ha dado
de asignación de recursos limitados entre actividades que compiten no se aplique,
pero independientemente de la interpretación o el contexto, lo único que se necesita
es que la formulación matemática del problema se ajuste a las formas permitidas. Se
verá que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se presentó. Entonces, todo problema
de PL se puede poner en nuestra forma estándar si se desea.
6
Programación Lineal.
Existe una limitación más. El fabricante prometió producir por lo menos dos
mesas. Esto puede expresarse como:
x1 ≥ 2
Región
Factible
x1 < 0
x1
x1 < 0 x2 < 0
x2 < 0
7
Programación Lineal.
8 Región
Factible
6
X1 < 2
4
2
Cualquier punto en la línea x1 = 2 satisface la ecuación. Sin embargo, la
restricción es más amplia, ya que 0 2cualquier
4 6 10 12xX
8punto 1 > 2 también la cumplirá. Esto
1
incluye todos los puntos que están a la derecha de la línea x1 = 2. Entonces, la región
factible incluye todos los valores de x1 que están sobre o a la derecha de la línea x1 =
2.
Estos dos puntos y la línea que los une se muestran en la siguiente figura:
X2
12
10
8
(0,6)
6 6x1 + 12x2 = 72
4
Región
2 Factible (12,0)
0 2 4 6 8 10 12 X1
8
Programación Lineal.
Cualquier punto que está sobre o abajo de esta línea cumplirá con la restricción.
Cualquier punto arriba de esta línea requerirá más de 72 horas de mano de obra y no
es aceptable. En la siguiente figura se combina esta restricción con la anterior. En la
región factible, ambas restricciones se cumplen.
Cualquier solución que esté en la frontera o dentro del área sombreada cumplirá
con todas las restricciones. Ahora se utilizará la función objetivo para seleccionar la
solución óptima.
9
Programación Lineal.
Las líneas de este tipo se llaman líneas de indiferencia, porque cualquier punto
sobre una línea dada da la misma ganancia total. Nótese que la distancia
perpendicular del origen a la línea aumenta al aumentar el valor de Z. También, todas
las líneas de indiferencia son paralelas entre sí. Estas propiedades gráficas pueden
usarse para resolver el problema.
10
Programación Lineal.
Las restricciones son los requerimientos mínimos de las tres vitaminas. Éstas se
muestran enseguida:
11
Programación Lineal.
4A + ≥ 40 vitamina W Restricciones:
10B
10A + 5B ≥ 50 vitamina X
7A + 7B ≥ 49 vitamina Y
A ≥ 0, B ≥ 0 no
Paso 2: gráfica
negatividad
de las restricciones.
El procedimiento para graficar es el mismo que se usó antes: (1) graficar cada
ecuación de restricción; (2) graficar el área apropiada. Para la primera restricción la
ecuación es 4A + 10B = 40. Las dos intersecciones con los ejes son (0,4) y (10,0). Esta
línea se muestra en la siguiente figura:
B
12
10
6
(0,4) 4A + 10B = 40
4
(10,0)
2
0 2 4 6 8 10 12 A
La restricción pide 40 unidades o más de la vitamina W. Cualquier punto que
esté arriba de la línea de restricción será factible y todos los puntos que quedan abajo
de esa línea serán aceptables. En la siguiente figura se muestra la región factible:
B
12
10 Región Factible
0 2 4 6 8 10 12 A
Después se grafica la restricción para la vitamina X. La ecuación 10A + 5B = 50
tiene intersecciones con los ejes en (0,10) y (5,0). En la siguiente figura se ilustran las
restricciones para las vitaminas W y X. Nótese que las soluciones que quedan en las
áreas a o b no son factibles, ya que quedarían abajo de las líneas de restricción.
B
12
10 Región Factible
6
b
4
2 a
0 2 4 6 8 10 12 A
12
Programación Lineal.
B
12
d
10 Región Factible
8 10A + 5B = 50
6 7A + 7B = 49
c
4 4A + 10B = 40
b
2 a
0 2 4 6 8 10 12 A
B
12
d
10
8
Z= 8A + 8B = 60
6
Z = 8A + 5B = 40 c
4
b
2 a
0 2 4 6 8 10 12 A
Gráficamente, el objetivo de minimizar el valor de Z significa ajustar una línea
de indiferencia tan cerca del origen como sea posible. En la figura anterior puede
observarse que existen muchas soluciones posibles para Z = 60, pero ninguna para Z
= 40. Imaginando mover la línea Z = 60 hacia el origen, el último punto de contacto
con la frontera extrema será el punto b. Entonces, el punto b es la solución óptima. En
la figura anterior se observa que el punto b es la intersección de dos líneas:
(1) 4A + 10B = 40
(2) 7A + 7B = 49
Resolviendo el sistema de ecuaciones:
13
Programación Lineal.
CASOS ESPECIALES.
Múltiples soluciones.
Maximizar Z = 3x1 + 2x2
sujeta a x1 ≤ 4
x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0
Método Símplex
El método símplex es un algoritmo. De hecho, cualquier procedimiento
iterativo de solución es un algoritmo. Entonces, un algoritmo es simplemente un
proceso en el que se repite (se itera) un procedimiento sistemático una y otra vez
hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento
sistemático se realiza una iteración. En consecuencia, un algoritmo sustituye un
problema difícil por una serie de problemas fáciles.
14
Programación Lineal.
Fin
El método simplex es un procedimiento algebraico en el que cada iteración
contiene la solución de un sistema de ecuaciones para obtener una nueva solución a
la que se le aplica la prueba de optimalidad. No obstante, también tiene una
interpretación geométrica muy útil. Para ilustrar los conceptos geométricos generales
se empleará la solución gráfica del siguiente problema:
Max Z = 3x + 5x2
1
s.a.
x1 ≤ 4
2x2 ≤ 12
3x + 2x2 ≤ 18
1
x1 ≥ 0, x2 ≥ 0
X1 = 0
(0,9)
3X1 + 2X2 = 18
X1 = 4
(2,6) (4,6)
2X2 = 12
(0,6)
(4,3)
X2 = 0
(0,0) (4,0) (6,0)
En la figura anterior pueden observarse los puntos de intersección que son las
soluciones en los vértices del problema. Los cinco puntos que se encuentran en los
vértices de la región factible, — (0,0), (0,6), (2,6), (4,3), (4,0) — son las soluciones
factibles en los vértices. Algunas de estas soluciones factibles en un vértice son
adyacentes, en el sentido de que están conectadas por una sola orilla (segmento de
línea) de la frontera de la región factible; esto es, tanto (0,6) como (4,3) son
adyacentes a (2,6). Las tres propiedades clave de las soluciones factibles en los
vértices y que forman el fundamento del método símplex se resumen como sigue:
15
Programación Lineal.
El método símplex explota estas tres propiedades al examinar nada más unas
cuantas soluciones factibles en vértices prometedores y al detenerse en cuanto una
de ellas pasa la prueba de optimalidad. En particular, se traslada repetidamente (en
forma iterativa) de una solución factible en un vértice a otra, adyacente y mejor. Esto
se puede realizar en forma muy eficiente hasta que la solución actual no tiene
soluciones factibles en vértices adyacentes que sean mejores. Este procedimiento se
resume como sigue:
16
Programación Lineal.
sujeta a
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj≥ 0 para j = 1, 2, …, 5
Aun cuando este problema es idéntico al anterior, esta forma es mucho más
conveniente para la manipulación algebraica y la identificación de las soluciones
factibles en los vértices. Ésta se llama la forma de igualdades del problema, para
diferenciarla de la forma de desigualdades original y poder introducir la siguiente
definición:
Como los términos solución básica y solución básica factible constituyen partes
muy importantes del vocabulario normal de programación lineal, es necesario aclarar
sus propiedades algebraicas. Nótese que para la forma de igualdades del ejemplo, el
sistema de restricciones funcionales tiene dos variables más (cinco) que ecuaciones
(tres). Este hecho proporciona dos grados de libertad al resolver el sistema, ya que se
pueden elegir dos variables cualesquiera y hacerlas iguales a cualquier valor arbitrario
para resolver las tres ecuaciones en términos de las tres variables restantes (se
excluyen redundancias). El método símplex usa cero para este valor arbitrario. Las
variables que por el momento se hacen iguales a cero se llaman variables no
básicas; todas las demás se llaman variables básicas. La solución que resulta es
una solución básica. Si todas las variables básicas son no negativas, entonces se tiene
una solución básica factible. Para cualquier solución básica, la solución en el vértice
correspondiente se obtiene simplemente al quitar las variables de holgura. Dos
soluciones básicas son adyacentes si todas menos una de sus variables son las
mismas; la misma aseveración se cumple para las variables básicas. Entonces,
trasladarse de una solución básica factible a una adyacente significa cambiar el
estado de una variable de no básica a básica y viceversa para otra variable.
17
Programación Lineal.
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
La tabla anterior ilustra una propiedad clave que toda tabla símplex debe tener
para estar en la forma apropiada; se trata del patrón especial de los coeficientes de
las variables básicas. En particular, nótese cómo las columnas de x 3, x4 y x5 (al igual
que la columna de Z) contiene exactamente un +1 en el renglón que corresponde a
esa variable básica (véase la primera columna), y todos los demás coeficientes en esa
columna son cero. De la misma manera, cada ecuación contiene exactamente una
variable básica con coeficiente distinto de cero, en donde este coeficiente es +1. Esta
propiedad es significativa, ya que permite identificar de inmediato la solución básica
factible actual a partir de la tabla; esto es, cada variable básica es igual a la constante
del lado derecho de su ecuación. Esta primera solución básica factible actual se
muestra en la figura anterior en la columna de ¿Es óptima?. De aquí en adelante, para
cada nueva iteración del método símplex mostraremos la solución básica factible
actual en esta columna de la tabla símplex. (Recuérdese que las variables no básicas
son iguales a cero). La tabla símplex inicial quedará automáticamente en esta forma
apropiada (a menos que el problema original de programación lineal no esté en
nuestra forma estándar).
El método símplex construye una tabla símplex para cada solución básica
factible que se obtiene, hasta alcanzar la solución óptima. A continuación describimos
el procedimiento para problemas que ya están en la forma estándar, con bi > 0 para
toda i = 1, 2, …, m.
18
Programación Lineal.
PASO ITERATIVO.
Parte 1. Se determina la variable básica entrante mediante la elección de la
variable con el coeficiente negativo (automáticamente se refiere a una variable no
básica) que tiene el mayor valor absoluto en la ecuación de Z. Se enmarca la columna
correspondiente a este coeficiente; esta columna recibe el nombre de columna
pivote. En el ejemplo, el coeficiente negativo más grande (en términos de valor
absoluto) es –5 para x2 (5>3), por lo que x2 debe convertirse en variable básica. Este
cambio se indica en la siguiente tabla con el recuadro en la columna de x2 abajo del –
5:
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12 12/2 = 6 mínimo
x5 0 3 2 0 0 1 18 18/2 = 9
Parte 2. Se determina la variable básica que sale; para esto, a) se toma cada
coeficiente estrictamente positivo (>0) de la columna enmarcada, b) se divide el lado
derecho de cada renglón entre estos coeficientes, c) se identifica la ecuación con el
menor coeficiente y d) se selecciona la variable básica para esta ecuación. (Esta
variable básica es la que llega a cero primero cuando se incrementa la variable básica
entrante). Se enmarca el renglón de esta ecuación en la tabla símplex sin incluir la
columna Z y se le da el nombre de renglón pivote. El número que está en la
intersección de los dos recuadros se llama pivote.
19
Programación Lineal.
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1
x3 0
x2 0 0 1 0 1/2 0 6
x5 0
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 (0, 6, 4, 0, 6)
20
Programación Lineal.
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6
Como las variables básicas siempre son iguales al lado derecho de la ecuación
que le corresponde, la nueva solución básica factible es (0, 6, 4, 0, 6) con Z = 30.
Este trabajo completa el paso iterativo, así que debe proseguirse a la prueba de
optimalidad. Como la ecuación de Z todavía tiene coeficientes negativos (–3 para x1),
la prueba de optimalidad indica que la solución no es óptima, (lo cual se muestra en la
figura anterior) por lo que manda al algoritmo de regreso al paso iterativo para
obtener la siguiente solución básica factible. El paso iterativo comienza de nuevo en la
tabla símplex actual para encontrar la nueva solución. Si se siguen las instrucciones
de las partes 1 y 2, se encuentra que x1 es la variable básica entrante y x5 la variable
básica que sale, como se muestra en la siguiente tabla:
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2 mín.
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12,
18)
x4 0 0 2 0 1 0 12 12/2 = 6 mín. Z=0
x5 0 3 2 0 0 1 18 18/2 = 9
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2 mín.
Z 1 0 0 0 3/2 1 36
x3 0 0 0 1 1/3 –1/3 2 (2, 6, 2, 0, 0)
x2 0 0 1 0 1/2 0 6 Z = 36
x1 0 1 0 0 –1/3 1/3 2 Óptima
Anteriormente no se dijo qué hacer cuando las reglas de selección del método
símplex no llevan a una decisión clara, ya sea porque existen empates (valores
iguales) o por otras ambigüedades parecidas.
21
Programación Lineal.
Por fortuna, aunque en teoría es posible que haya ciclos perpetuos, ha sido en
extremo raro que tenga lugar en problemas reales. Si ocurriera un ciclo siempre se
puede salir de él cambiando la elección de la variable básica que sale. Por lo tanto se
recomienda romper los empates arbitrariamente y seguir el proceso sin preocuparse
de las variables que puedan resultar.
22
Programación Lineal.
y x1 ≥ 0, x2 ≥ 0
En este ejemplo se ignoraron las dos últimas restricciones funcionales del
ejemplo resuelto anteriormente. Vea en la tabla que x 2 es la variable básica entrante
pero el único coeficiente en la columna pivote es cero. Como la prueba del cociente
mínimo usa sólo coeficientes mayores que cero, no se cuenta con un cociente que
proporcione una variable básica que sale.
Variabl Lado
e Z x1 x2 x3 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0
X3 0 1 0 1 4 Sin mínimo
23
Programación Lineal.
casos, también deben identificarse las otras soluciones óptimas. Esto requiere
encontrar todas las demás soluciones básicas factible óptimas, y entonces toda
solución óptima es una combinación convexa de las soluciones básicas factibles
óptimas.
Una vez que el método símplex encuentra una solución básica factible óptima,
se puede detectar si existen otras y, si así es, se encuentra como sigue:
24
Programación Lineal.
Para ilustrar la manera en que la técnica de las variables artificiales maneja las
restricciones de la forma ≥ usaremos el siguiente ejemplo:
Notemos que la tercera restricción es del tipo ≥, por lo que para cambiarla a su
forma de igualdad tendríamos que restar una variable de superávit (o de excedente),
quedando de la siguiente manera:
0.6x1 + 0.4x2 - x5 = 6
25
Programación Lineal.
26
Programación Lineal.
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 –3 –5 0 0 M 0
X3 0 1 0 1 0 0 4
X4 0 0 2 0 1 0 12
x5 0 3 2 0 0 1 18
Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 -3M-3 -2M-5 0 0 0 -18M -Mx5 + Z
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z = -18M
x5 0 3 2 0 0 1 18
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
27
Programación Lineal.
Z 1 0 0 -9/2 0 M+5/2 27
x1 0 1 0 1 0 0 4 4/1 = 4 (4, 3, 0, 6, 0)
x4 0 0 0 3 1 -1 6 6/3 = 2 Z = 27
x2 0 0 1 -3/2 0 1/2 3
Z 1 0 0 0 3/2 M+1 36
x1 0 1 0 0 -1/3 1/3 2 (2, 6, 2, 0, 0)
x3 0 0 0 1 1/3 -1/3 2 Z = 36
x2 0 0 1 0 1/2 0 6 Óptima
Variabl Lado
e Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Básica
Z 1 -3 -8 0 0 -M 0
x3 0 1 4 1 0 0 4
x5 0 1 2 0 -1 1 2
Z 1 M-3 2M-8 0 -M 0 2M (0, 0, 4, 0, 2)
28
Programación Lineal.
x3 0 1 4 1 0 0 4 4/1 = 4 Z = 2M
x5 0 1 2 0 -1 1 2 2/1 = 2
Z 1 0 -2 0 -3 -M+3 6 (2, 0, 2, 0, 0)
x3 0 0 2 1 1 -1 2 Z=6
x1 0 1 2 0 -1 1 2 Óptima
Notemos que la primera tabla no se encontraba en la forma apropiada para el
método símplex, ya que el coeficiente de la variable básica x5 era de -M en el renglón
de Z, lo cual hacia que no se cumpliera la condición símplex.
Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados
con M, el método de dos fases puede eliminar la M usando las siguientes dos
funciones objetivo que definen Z de manera completamente diferente:
La solución óptima que se obtiene para este problema (con Z = 0) será una
solución básica factible para el problema real.
29
Programación Lineal.
Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen
cero). Comenzando con la solución básica factible que se obtuvo al final de la fase 1,
se usa el método símplex para resolver el problema real.
W 1 0 0 0 -1 0 -1 0
x3 0 0.3 0.1 1 0 0 0 2.7
x4 0 0.5 0.5 0 1 0 0 6
x6 0 0.6 0.4 0 0 -1 1 6
W 1 1.1 0.9 0 0 -1 0 12
x3 0 0.3 0.1 1 0 0 0 2.7 2.7/0.3=9 (0,0,2.7,6,0,6)
30
Programación Lineal.
Notemos que ya hemos obtenido una solución óptima para la fase 1 que
consistió en la minimización de la suma de todas las variables artificiales. Observemos
también que la función objetivo W terminó con un valor de cero en la última tabla, lo
que indica que las dos variables artificiales (x4 y x6) valen cero ó tienen valores
recíprocos y se cancelan mutuamente para dar cero. En nuestro caso, las dos variables
artificiales valen cero ya que no se encuentran en la columna de las variables básicas
en la última tabla de la primera fase. La segunda fase consiste en resolver el problema
original utilizando como tabla inicial de esta fase la última tabla de la primera fase
pero sin considerar la columna de las variables artificiales ya que éstas tomaron el
valor de cero en la primera fase. El método símplex aplicado a la segunda fase se
muestra en el siguiente conjunto de tablas:
Variabl Lado
e Z x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?
Básica
Z 1 -0.4 -0.5 0 0 0 0 0
x1 0 1 0 5 -1 0 0 7.5
x5 0 0 0 0.99 0.60 1 -1 0.3
x2 0 0 1 -5.05 3 0 0 4.5
Z 1 0 -0.5 2 0 3
x1 0 1 0 5 0 7.5
x5 0 0 0 0.99 1 0.3
x2 0 0 1 -5.05 0 4.5
Z 1 0 0 -0.52 0 5.25
x1 0 1 0 5 0 7.5 (7.5,4.5,0,0,0.3,0
)
x5 0 0 0 0.99 1 0.3 Z = 5.25
x2 0 0 1 -5.05 0 4.5 Óptima fase 2
31
Programación Lineal.
32