MÉTODOS ESPECIALES EN

MÉTODO SIMPLEX
INTEGRANTES:
-Arana Meza Carmen
-Gonzales Lozano Dania PROF. CANO URBINA, EDUARDO ANDRES
-Oliva Rebaza Ricardo
-Zavaleta Valdiviezo Jeferson
1. INTRODUCCIÓN.

• Ya hemos visto en exposiciones anteriores, cómo resolver un

problema usando el método simplex, así como dos de sus variantes,
el método M y el método de dos fases
• Existen otros casos, considerados especiales, que son los de
degeneración, óptimos alternativos, soluciones no acotadas y
soluciones inexistentes o no factibles.
• OBJETIVOS:
Presentar una explicación teórica de cada caso
Mostrar el procedimiento para la resolución de problemas por el
método grafico y simplex
2. TEMA

Se examinarán cuatro casos especiales que se presentan

al aplicar el método símplex:

• Degeneración.
• Óptimos alternativos.
• Soluciones no acotadas.
• Soluciones inexistentes (o no factibles).
2.1. DEGENERACIÓN.
• Cuando se presenta un empate en la razón mínima, se dice que la nueva
solución es degenerada.

• Un empate de la razón mínima debe romperse arbitrariamente con el

propósito de determinar la variable de salida.

• Cuando esto sucede, una o más de las variables básicas serán cero en las
siguientes iteraciones.

• Desde el punto de vista práctico, la condición indica que el modelo tiene

al menos una restricción redundante.
Ejemplo 01 (Solución óptima degenerada)
Maximizar z = 3x1 +9x2
Sujeto a:
x1 + 4x2 <= 8
x1 + 2x2 <= 4
x1 , x2 >= 0
1°
z - 3x1 - 9x2 = 0
x1 + 4x2 + x3= 8
x1 + 2x2 + x4 = 4
2°
entrada

Entra x2
salida
Sale x3
2
2
Iteración 1: Entra x2, sale x3
Fila 1 -3 -9 0 0 0
z x1 x2 x3 x4 Sol. anterior z
Z 1 -3/4 0 9/4 0 18 Elemento - -9 -9 -9 -9 -9
X2 0 1/4 1 1/4 0 2 pivote 9
½
x4 0 1/2 0 -1/2 1 0 Fila de la 0 1/4 1 1/4 0 2
0
variable de
entrada
Iteración 2: Entra x1, sale x4 1 -3/4 0 9/4 0 18
Fila anterior 0 1 2 0 1 4
z x1 x2 x3 x4 Sol. x4
Z 1 0 0 3/2 3/8 18 Elemento 2 2 2 2 2 2
pivote
x2 0 0 1 0 -1/8 2
Fila de la 0 1/4 1 1/4 0 2
x1 0 1 0 -1 1/2 0 variable de
entrada
1 1/2 0 -1/2 1 0
La siguiente tabla muestra las iteraciones símplex.

La variable básica x4 es
cero en la iteración 1, y
se obtiene así una
solución básica
degenerada.

X1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18
De forma gráfica, se dice que una solución es degenerada cuando tres rectas
cruzan el óptimo.

Solo necesitamos dos

X1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18
rectas para identificar
punto óptimo. Por este
motivo, concluimos que
una de las restricciones es
redundante.
2.2.ÓPTIMOS ALTERNATIVOS
NOS DICE:

Cuando la función objetivo es paralela a una restricción

obligatoria, la función objetivo asumirá el mismo valor
óptimo, que se llama óptimos alternativos, en más de
un punto de solución.
Ejemplo 01 (infinidad de soluciones)

Maximizar z = 2x1 + 4x2

Sujeto a:
x1 + 2x2 ≤ 5
x1 + x2 ≤ 4
x1, x2 ≥ 0
La figura muestra cómo pueden
presentarse óptimos alternativos
en el modelo de programación
lineal cuando la función objetivo
es paralela a una restricción
obligatoria. Todo punto del
segmento de recta BC representa
un óptimo alternativo con el
mismo valor objetivo z = 10.
La tabla muestra las iteraciones del modelo
La iteración 1
 llega al óptimo x1=0, x2=5/2 y z = 10, que coincide con el punto B
¿Cómo saber en esta iteración que existen óptimos alternativos?
Examine los coeficientes de las variables no básicas, en la
ecuación z de la iteración 1

La iteración 2
 El coeficiente de x1 no básica es cero, lo que indica que x1 puede
entrar a la solución básica sin cambiar el valor de z, pero causando un
cambio en los valores de las variables.
 Dejar que x1 entre a la solución básica, con lo que se obliga a que
salga x4.

Esto da como resultado un nuevo punto de solución en C (x1 = 3, x2 = 1, z = 10).

El método símplex sólo determina los dos puntos esquina, B y C. Se
pueden determinar matemáticamente todos los puntos (x1, x2) en
el segmento de recta BC como promedio ponderado no negativo
de los puntos B y C. Así, dado 0 ≤ α ≤ 1 y que
Todos los puntos del segmento de recta BC se expresan con

෢ 𝑋2)
Cuando α = 0, (𝑋1, ෢ = (3,1), que es el punto C. Cuando α =
෢ 𝑋2)=
1, (𝑋1, ෢ (0,5/2), que es el punto B. Con valores de α entre
෢ 𝑋2)
0 y 1, (𝑋1, ෢ está entre B y C.
2.3.SOLUCIÓN NO ACOTADA
 En algunos modelos de programación lineal, los valores de las
variables pueden aumentar en forma indefinida sin violar alguna
de las restricciones, y eso significa que el espacio de soluciones
es no acotado al menos en una dirección.

El resultado es que el valor

objetivo puede aumentar o
disminuir en forma indefinida.
 La no acotación
apunta hacia la
posibilidad de que
tanto el espacio de el modelo esté mal
soluciones como el construido.
valor óptimo objetivo
no están acotados.
 Las irregularidades
mas probables en
esos modelos

Y que los parámetro de Son que NO se hayan

algunas restricciones tomado en cuenta
puedan no haberse una o más
estimado en forma restricciones
correcta redundantes,
Ejemplo 01 (valor objetivo no acotado)

Maximizar z = 2x1 + x2

Sujeta a:
x1 - x2 ≤ 10
2x1 ≤ 40
x1 , x2 ≥ 0
Iteración inicial:

x1 tiene el coeficiente más negativo, se selecciona, como la variable de

entrada. Todos los coeficientes de restricción bajo x2 son negativos o cero, y
eso indica que x2 puede aumentar en forma indefinida sin violar cualquiera de
las restricciones.
 La regla para reconocer la no acotación es que si en cualquier iteración todos los
coeficientes de restricción de toda variable no básica son cero o negativos, entonces el
espacio de soluciones no está acotado en esa dirección.
 El coeficiente objetivo de esa variable es negativo en caso de maximización, o positivo en
caso de minimización, entonces también el valor objetivo es no acotado.
2.4. SOLUCIONES INEXISTENTES
O (NO FACTIBLES)
 Si las restricciones no se pueden satisfacer en
forma simultanea, se dice que el modelo no tiene
solución factible.
 La solución no
factible se da cuando
los modelos de
programación lineal
con restricciones
inconsistentes no Esta situación no
tienen solución puede ocurrir si todas
factible. las restricciones son
del tipo ≤ , debido a
que las holguras
proporcionan una
solución factible.
Para otros tipos de restricciones, se utilizan variables artificiales

Aunque esas variables artificiales se penalizan en la función

objetivo, para obligarlas a ser cero en el óptimo

Eso sólo puede suceder si el modelo tiene un espacio factible.

En caso contrario, al menos una variable artificial será positiva

en la iteración óptima.
 Desde el punto de vista
práctico, un espacio no
Ejemplo 01 (Espacio de soluciones no factibles) factible indica la
posibilidad de que el
modelo no esté bien
Maximizar z = 3x1 + 2x2 formulado.

Sujeta a
2x1 + x2 ≤ 2
3x1 + 4x2 ≥ 12
x1 , x 2 ≥ 0
La tabla siguiente muestra las iteraciones símplex del modelo.
 3x1 + 4x2 ≥ 12

2x1 + x2 ≤ 2
z = 3x1 + 2x2

 La iteración óptima 1 indica que la variable artificial R es positiva (=4), que

además indica que el problema es no factible.
 La figura muestra el espacio de soluciones no factibles. Al permitir que la
variable artificial sea positiva, el método símplex ha invertido, en esencia, la
dirección de la desigualdad de 3x1 + 4x2 ≥ 12 a 3x1 + 4x2 ≤ 12.
 El resultado es lo que se puede llamar una solución pseudo-óptima.
 3. CONCLUSIONES
• Para la resolución de problemas de casos especiales del método símplex,
el proceso de resolución habitual basado en soluciones factibles se ve
modificado.
• Existen diferentes escenarios en los cuales no existirá una solución factible.

• Existen los métodos símplex iterativos y gráficos, que nos permiten

identificar y resolver cada uno de los casos especiales.

• Sin embargo pueden existir ciertas dificultades al trabajar con el método

símplex.

• Aún así el método símplex tiene la ventaja de que es fácil de implementar y

usar, y tiene una alta eficacia incluso para ajustar un gran número de
parámetros.
4. BIBLIOGRAFÍA

- https://investigaciondeoperacionesunounivia.wordpress.com/2015/05/21/casos-especiales-de-
aplicacion-del-metodo-simplex/
- https://www.gestiondeoperaciones.net/programacion_lineal/casos-especiales-en-la-
programacion-lineal-detectados-con-el-metodo-simplex/
- https://msimplexuniguajira.blogspot.pe/2013/11/ventajas-y-desventajas-del-metodo.html
- Taha, Hamdy. Investigación de Operaciones. Séptima Edición, Pearson Educación. México,
2004