JUAN DIEGO RODRIGUEZ HERRERA

INSTITUTO TECNOLOGICO SUPERIOR DE TIERRA BLANCA

ESTUDIO DEL TRABAJO II

VERONICA SANCHEZ FLORES

TRABAJO DE INVESTIGACION

INGENIERIA INDUSTRIAL

404-E

TIERRA BLANCA, VER. A 18 DE ABRIL 2015

INDICE

APORTACION DEL METODO SIMPLEX.........3

PASOS DE METODO SIMPLEX.5
TIPOS DE SOLUCIONES DEL METODO SIMPLEX (NO ACOTADA, SIN
SOLUCION, MULTIPLE, DEGENARDA, ETC).7
PASOS DEL METODO DE DOBLE FASE..13
TIPOS DE SOLUCIONES DEL METODO DE DOBLE FASE (NO ACOTADA,
SIN SOLUCION, MULTIPLE, DEGENARDA, ETC)..14
IMPORTANCIA Y APLICACIONES DEL METODO
SIMPLEX16
BIBLIOGRAFIA.17

APORTACION DEL METODO SIMPLEX Y SUS PASOS

El Mtodo Simplex es un mtodo analtico

de solucin de problemas de programacin
lineal capaz de resolver modelos ms
complejos que los resueltos mediante
elmtodo grfico sin restriccin en el
nmero de variables.
El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin
en cada paso. La razn matemtica de esta mejora radica en que el mtodo
consiste en caminar del vrtice de un poliedro a un vrtice vecino de manera
que aumente o disminuya (segn el contexto de la funcin objetivo, sea
maximizar o minimizar), dado que el nmero de vrtices que presenta un
poliedro solucin es finito siempre se hallar solucin.
Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense
George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo
de crear un algoritmo capaz de solucionar problemas de m restricciones
y n variables.

George Bernard Dantzig (1914-2005)

Fue un matemtico reconocido por desarrollar el
mtodo simplex y es considerado como el "padre de
la programacin lineal". Naci el 8 de Noviembre de
1914 en Portland, Oregon, EEUU. Su padre era
profesor de Matemticas, se retir dejando su puesto
de Jefe del Departamento de Matemticas en la
Universidad de Maryland poco despus de la
Segunda Guerra Mundial. Su madre era una lingista
especializada en idiomas eslavos.
Dantzig se gradu de matemticas en 1936 en la Universidad de Maryland
donde enseaba su padre. Obtuvo el Master en Ciencias en 1937 en la
Universidad de Michigan. ste no disfrutaba con las matemticas puras, pues
sealaba frecuentemente que slo disfrut de los cursos relacionados con
estadsticas. Dantzig fue a Washington a trabajar como Junior Statiscian en el
Bureau of Labor Statistics, labor que llev a cabo desde 1937 hasta 1939.
3

Comenz a interesarse en los estudios de matemticas al leer trabajos de uno

de los fundadores de la teora estadstica, el polaco radicado en los Estados
Unidos, Jerzy Neyman. En 1939 comenz a trabajar como su asistente en los
cursos que dictaba en Berkeley, mientras trabajaba en su doctorado.
Durante la II Guerra Mundial Dantzig dej los estudios y pas a trabajar de
1941 a 1946 en la llamada Combat Analysis Branch, de la Fuerza rea de los
Estados Unidos, donde obtuvo reconocimientos por su labor. Su trabajo era
coleccionar y analizar datos sobre misiones areas, efectividad de los
bombardeos y prdidas de aviones. Esta actividad era caracterizada por el
desarrollo de planes minuciosos llamados programas.
Al final de la guerra George pas a la Universidad de California en Berkeley,
pero el Pentgono le hizo una oferta mejor pagada, as que se dedic a la labor
de mecanizar el proceso de planeamiento siendo Asesor Matemtico en el
Departamento de Defensa.
Es en 1947 que Dantzig hace su ms famosa
contribucin: el Mtodo Simplex de Optimizacin.
ste fue el resultado de una labor que buscaba
simplificar los usuales mtodos de planeamiento
que utilizaban calculadoras de mesa. Le llam
programacin por el trmino usado en el argot
militar. Dantzig realiz la mecanizacin bajo el
supuesto de que el programa posea una estructura
relativamente simple, desde el punto de vista
matemtico, llamado Modelo Lineal. Con su uso se
lograba hacer los cmputos con mayor rapidez y
exactitud.
El mtodo desarrollado por Dantzig es catalogado como uno de los ms
importantes en toda la historia de las matemticas aplicadas, pues por el uso
del Simplex es posible tomar decisiones ptimas en muchas clases de
problemas prcticos de gran complejidad.
Otro de sus grandes logros es la teora de la dualidad, ideado conjuntamente
con Fulkerson y Johnson en 1954 para resolver el paradigmtico problema del
Agente Viajero (resolviendo entonces problemas con 49 ciudades cuando, hoy
da, mediante modernas implementaciones del mtodo, se resuelven
problemas con varios miles de ciudades y hasta un milln de nodos) es el
precursor de los hoy utilsimos mtodos de Branch-and Cut (Bifurcacin y
corte) tan utilizados en programacin entera para resolver problemas de
grandes dimensiones.
El 13 de Mayo de 2005, George Bernard Dantzig, muri a la edad de 90 aos
en su casa de Stanford debido a complicaciones con la diabetes y problemas
cardiovasculares.

PASOS DEL METODO SIMPLEX

El mtodo del simplex es un procedimiento iterativo que permite ir mejorando la
solucin

cada

paso.

El

proceso

concluye cuando no es posible seguir

mejorando ms dicha solucin.
El mtodo est diseado de manera que
la funcin objetivo no disminuya (o
aumente) en un modelo de maximizacin
(o

minimizacin)

aumentar

(o

generalmente

disminuir)

en

cada

iteracin.
Pasos para el desarrollo del mtodo simplex:
1. Hallar una solucin bsica factible inicial.
a. Convertir las desigualdades en igualdades.
b. Igualar la Funcin Objetivo a cero.
c. Escribir la tabla inicial simplex. (en las columnas aparecern todas
las variables del problema y, en las filas, los coeficientes de las
igualdades obtenidas, una fila para cada restriccin y la primera fila
con los coeficientes de la funcin objetivo.
2. Prueba de optimidad: determinar si la solucin bsica factible inicial es
ptima, esto ocurre si todos los coeficientes de la ecuacin son no
negativos (= 0), para el caso de maximizacin. Si es as, el proceso
termina; de otra manera se lleva a cabo otra iteracin para obtener la
nueva solucin bsica factible inicial.
3. Para escoger la variable de decisin que entra en la base, nos fijamos
en la primera fila, la de los coeficientes de la funcin objetivo y
escogemos la variable con el coeficiente negativo mayor

a. Si existiesen dos o ms coeficientes iguales que cumplan la

condicin anterior, entonces se elige uno cualquiera de ellos.
b. Si en la primera fila no existiese ningn coeficiente negativo, significa
que se ha alcanzado la solucin ptima. Por tanto, lo que va a
determinar el final del proceso de aplicacin del mtodo del simplex,
es que en la primera fila no haya elementos negativos (para el caso
de maximizacin).
c. La columna de la variable que entra en la base se llama columna
pivote
4. Para todos los problemas de maximizacin y minimizacin, la variable
que sale es la variable bsica que tiene la razn ms pequea (positiva).
Una coincidencia se anula arbitrariamente.
a. Para determinar la razn de cada rengln, se divide cada trmino de
la ltima columna (valores solucin) por el trmino correspondiente
de la columna pivote, siempre que estos ltimos sean mayores que
cero.
b. Si hubiese algn elemento menor o igual que cero no se hace dicho
cociente. En el caso de que todos los elementos fuesen menores o
iguales a cero, entonces tendramos una solucin no acotada y no se
puede seguir.
c. El trmino de la columna pivote que en la divisin anterior d lugar al
menor cociente positivo, indica la fila de la variable de holgura que
sale de la base. Esta fila se llama fila pivote
5. En la interseccin de la fila pivote y columna pivote se encuentra el
elemento pivote.
6. Se determina la nueva solucin bsica factible construyendo una nueva
tabla en la forma apropiada de eliminacin de Gauss, abajo de la que se
tiene. Para cambiar el coeficiente de la nueva variable bsica en el
rengln pivote a 1, se divide todo el rengln entre el nmero pivote,
entonces
Nueva fila del pivote = rengln o fila pivote antigua / nmero pivote
7. Para el resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la
variable entrante) X (Nueva fila del pivote)
6

O
Rengln nuevo = rengln antiguo - (coeficiente de la columna pivote X
rengln pivote nuevo)
8. Si en los elementos de la primera fila hay un coeficiente negativo,
significa que no hemos llegado todava a la solucin ptima. Entonces
se repite el proceso.
9. Si todos los coeficientes de la fila de la funcin objetivo son positivos,
hemos llegado a la solucin ptima. La solucin ptima viene dada por
el valor de Z en la columna de los valores solucin. En la misma
columna se puede observar el vrtice donde se alcanza, observando las
filas correspondientes a las variables de decisin que han entrado en la
base.

TIPOS DE SOLUCIONES DEL METODO SIMPLEX (NO

ACOTADA, SIN SOLUCION, MULTIPLE, DEGENARDA, ETC)

Casos especiales en la aplicacin del mtodo simplex: Consideraremos

casos especiales que pueden presentarse en la aplicacin del mtodo simplex,
entre los que se encuentran:
1. Degeneracin.
2. Opciones ptimas.
3. Soluciones no acotadas.
4. Soluciones inexistentes (o infactibles).
DEGENERACION
En la aplicacin de la condicin de factibilidad, una coincidencia de la razn
mnima se debe descomponer en forma arbitraria para los fines de determinar
la variable que sale. Cuando suceda esto una o ms veces de las
variables bsicas, ser necesariamente igual a cero en la siguiente iteracin.
En este caso, decimos que la nueva solucin es degenerada.
Ejemplo (Solucin ptima degenerada)
Maximizar z = 3x1 +9x2

Sujeto a
x1 + 4x2 8
x1 + 2x2 4
x1,x2 0
Tabla 3-2

Tres rectas cruzan el optimo. Como ste es un problema bidimensional, se dice

que el punto esta ms que determinado (osobredeterminado), ya que solo
necesitamos dos rectas para identificarlo. Por este motivo, concluimos que una
de las restricciones es redundante. Desafortunadamente no existen tcnicas
confiables para identificar restricciones redundantes directamente a partir de la
tabla.

Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La

primera tiene que ver con el fenmeno del ciclaje o reciclaje. Si se observan
las iteraciones 1 y 2 de la tabla 3-2, se ver que el valor de la funcin objetivo
no ha mejorado (z=18). Por lo tanto, es posible, en trminos generales, que el
procedimiento simplex repetira la misma sucesin de iteraciones, sin mejorar
nunca el valor de la funcin objetivo ni poner fin a los clculos.
El segundo punto terico se presenta en el examen de las iteraciones 1 y 2.
Ambas iteraciones, pese a diferir en la clasificacin de las variables como
8

bsicas y no bsicas, producen valores idnticos de todas las variables y el

valor de la funcin objetivo, es decir,
x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18
Por lo tanto, se genera un argumento relacionado con la posibilidad de
suspender los clculos en la iteracin 1 (cuando aparece la degeneracin),
aunque no es ptima. Este argumento no es vlido porque, en general, una
solucin puede ser temporalmente degenerada.
OPCIONES PTIMAS:
Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una
restriccin que se satisface en el sentido de la igualdad a travs de la solucin
ptima), la funcin objetivo tomara el mismo valor optimo en ms de un punto
de solucin. Por esta razn reciben el nombre de opciones optimas.
Ejemplo (Infinidad de soluciones)
Maximizar z = 2x1 + 4x2
Sujeto a
x1 + x2 5
x1 + x2 4
x1, x2 0
En trminos algebraicos sabemos que el mtodo simplex es capaz de
encontrar soluciones en puntos extremos exclusivamente.

Como es de esperarse, el mtodo simplex slo determina los puntos extremos

B y C. Matemticamente podemos determinar todos los puntos (x 1, x2), del
segmento de recta BC, como un promedio ponderado no negativo de los
puntos B y C. Esto es, dada la relacin 0 1 y
9

B: x1 =0, x2=5/2
C: X1=3, x2=1

Tabla 3-3

SOLUCION NO ACOTADA:
En algunos modelos de programacin lineal los valores de las variables se
pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo
que significa que el espacio de soluciones es no acotado cuando menos en una
direccin. Como resultado, el valor de la funcin objetivo puede crecer (caso de
maximizacin) o de crecer (caso de minimizacin) en forma indefinida. En este
caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin
objetivo son no acotados.
La falta de explicacin en un modelo puede sealar solo una cosa: el modelo
est mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia " infinita". Las irregularidades ms probables en estos
modelos son: 1) No se toman en cuenta una ms restricciones redundantes, y
2) No se determinan correctamente los parmetros (constantes) de algunas
restricciones. La regla general para reconocer la falta de acotacin es la
siguiente. Si en cualquier iteracin los coeficientes de las restricciones de una
variable no bsica son no positivos, entonces el espacio de soluciones no est
acotado en esa direccin. Adems, si el coeficiente de la funcin objetivo de
esa variable en el caso de la maximizacin o positivo en el caso de la
minimizacin, entonces el valor de la funcin objetivo tampoco esta acotado.
Ejemplo (Funcin objetivo no acotada)
Maximizar z = 2x1 + x2
Sujeto a
10

x1 - x2 10
2x1 40
x1, x2 0

Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1

tiene el coeficiente ms negativo. Normalmente se selecciona como la variable
que entra. Sin embargo, ntese
que todoslos coeficientes de
las restricciones por debajo de x2 son negativos ocero, esto significa que x 2 se
puede hacer crecer en forma indefinida sin que se infrinja ninguna de las
restricciones. Como cada incremento de una unidad en x 2, aumentar z en 1,
un incremento infinito en x2tambin dar lugar a un incremento infinito en z. Por
lo tanto, concluimos que el problema no tiene solucin acotada. Este resultado
se puede apreciar en la figura 3-6. El espacio de soluciones no est acotado en
la direccin de x2 y el valor de z puede crecer en forma indefinida.

La regla general para reconocer la falta de acotacin es la siguiente. Si en

cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de solucionesno est acotado en
esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable
es negativo en el caso de la maximizacin o positivo en el caso de la
minimizacin, entonces elvalor de la funcin objetivo est acotado.
SOLUCION INFACTIBLE:

11

Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el

modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas
las restricciones son del tipo (suponiendo constantes no negativas en el
segundo miembro) ya que la variable de holgura produce siempre alguna
solucin factible. Sin embargo, cuando empleamos los otros tipos de
restricciones, recurrimos al uso de variables artificiales que, por su mismo
diseo, no ofrecen una solucin factible al modelo original. Aunque se toman
medidas (a travs del uso de la penalizacin) para hacer que las variables
artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo
tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial
ser positiva en la iteracin ptima. Esta es nuestra indicacin que el problema
no tiene solucin factible. Desde el punto de vista prctico un espacio infactible
apunta a la posibilidad de que el modelo no se haya formulado correctamente
en virtud de que las restricciones estn en conflicto. Tambin es posible que las
restricciones no estn destinadas a cumplirse en forma simultnea, en este
caso, quina se necesite una estructura del modelo totalmente deferente que no
admita todas las restricciones al mismo tiempo.
Tabla 3-4

Ejemplo de espacio de solucin infactible

Maximizar z = 3x1 + 2x2
Sujeto a
2x1 + x2 2
3x1 + 4x2 12
x1, x2 0
Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es
positiva (= 4) en la solucin ptima. Esta es una indicacin de que el espacio
de soluciones es infactible. La figura 3-7 muestra el espacio de soluciones
infactible. El mtodo simplex, haciendo posible que la variable artificial sea
positiva, ha invertido en esencia la direccin de la desigualdad de 3x 1+ 4x2 12
a 3x1 + 4x2 12. El resultado lo podemos llamar la solucin pseudoptima,
como se muestra en la figura 3-7.

12

PASOS
METODO

DEL
DE DOBLE
FASE

Mtodo Simplex de 2 Fases

Esta estrategia algortmica se aplica cuando luego de llevar un modelo de
programacin lineal a su forma estndar no se dispone de una solucin bsica
factible inicial.
Fase 1: Consideramos un problema auxiliar que resulta de agregar tantas
variables auxiliares a las restricciones del problema, de modo de obtener una
solucin bsica factible. Luego se debe resolver utilizando el Mtodo Simplex
un nuevo problema que considera como funcin objetivo la suma de las
variables auxiliares. Si el valor ptimo alcanzado al finalizar la Fase 1 es cero ir
a la Fase 2. En caso contrario, no existe solucin factible.
Fase 2: Resolver a travs del Mtodo Simplex el problema original a partir de la
solucin bsica factible inicial hallada en la Fase1.
Ejemplo Simplex de 2 Fases
Considere el siguiente modelo de Programacin Lineal:

FASE 1: Al agregar S1 como variable de exceso en la restriccin 1 resulta

evidente que no se dispone de una solucin bsica factible inicial, por tanto
utilizaremos una variable auxiliar "y" que incluiremos en el lado izquierdo de la
restriccin y que servir como variable bsica inicial. Esto define el problema
inicial de la Fase 1 junto a su tabla.

13

Luego la variable X2 entra a la base (costo reducido negativo) y claramente "y"

deja la base. Se actualiza la tabla utilizando el mtodo simplex:

Con esta tabla finaliza la Fase 1. Notar que el valor de la funcin objetivo al
finalizar la Fase 1 es cero, por tanto podemos continuar la Fase 2.
FASE 2: Se elimina la columna asociada a la variable artificial "y" y se actualiza
el vector de costos reducidos considerando la funcin objetivo original. De esta
forma se obtiene la tabla inicial de la Fase 2.

Dado que X2 es variable bsica al finalizar la Fase 1 buscamos dejar esta

misma variable como bsica al iniciar la Fase 2. Para ello multiplicamos por -3
la fila 1 y luego la sumamos a la fila 2.

En este sencillo ejemplo se llega inmediatamente a la tabla final de la Fase 2,

con solucin ptima X1=0 y X2=10. El valor ptimo V (P)=-30.

TIPOS DE SOLUCIONES DEL METODO DE DOBLE FASE (NO

ACOTADA, SIN SOLUCION, MULTIPLE, DEGENARDA, ETC)
14

Solucin ptima: cuando se cumple la condicin de parada y no hay

variables artificiales en la base con valor positivo (los valores se indican en la
columna P0), se ha conseguido la optimizacin. El valor Z0 actual es la
solucin ptima del problema, cumplindose para las variables que se
encuentran en la base. Si se trata de un problema de minimizacin, el valor
ptimo obtenido se multiplicar por "-1".
Infinitas soluciones: cumplida la condicin de parada, si alguna variable
de decisin no bsica tiene un valor 0 en la fila Z, significa que existe otra
solucin que aporta el mismo valor ptimo para la funcin objetivo. Es este
caso el problema admite infinitas soluciones, estando todas ellas comprendidas
dentro del segmento (o porcin del plano, regin del espacio, etc. dependiendo
del nmero de variables del problema) definido por AX1 + BX2 = Z0. Mediante
una nueva iteracin y haciendo que la variable de decisin que tiene el 0 en la
fila Z entre en la base se obtendr otra solucin diferente para el mismo valor
ptimo.
Solucin ilimitada (no acotada): si toda la columna de la variable que
entra a la base tiene todos sus elementos negativos o nulos se trata de
problema no acotado, es decir, que tiene solucin ilimitada. No hay valor ptimo
concreto para la funcin objetivo sino que a medida que se aumenta el valor de
las variables tambin se incrementa el valor Z sin violar ninguna restriccin.
No existe solucin: cuando ningn punto satisface todas las restricciones
del problema se produce la infactibilidad no existiendo ninguna solucin posible
para l. En este caso, una vez terminadas todas las iteraciones del algoritmo,
existen en la base variables artificiales cuyo valor es superior a cero.
Empate de variable entrante: cuando se produce un empate en la
condicin de decisin de la variable entrante se puede optar por cualquiera de
ellas sin que esto afecte a la solucin final. Por contra si influye en el nmero
de iteraciones necesarias para obtener dicha solucin. Se aconseja optar a
favor de las variables bsicas ya que ellas son las que formarn parte de la
solucin ptima.
Empate de variable saliente: se puede nuevamente optar por cualquiera
de ellas. Sin embargo, a fin de no alargar el problema y evitar la entrada en un
bucle infinito (caso degenerado), se discrimina a favor de las variables de
decisin haciendo que permanezcan en la base. En el caso de estar en la
primera fase del mtodo de las Dos Fases, se optar por sacar de la base las
variables artificiales.
Curiosidad en la Fase 1: al finalizar la fase 1, si el problema original tiene
solucin, todas las variables artificiales en la fila indicadora deben tener el valor
"1".
15

El elemento pivote puede ser nulo?: No, el elemento pivote siempre

ser estrictamente positivo ya que nicamente se realizan los cocientes entre
valores no negativos y mayores que cero (ante un problema de maximizacin).

IMPORTANCIA Y APLICACIONES DEL METODO SIMPLEX

Existen muchos problemas tanto en la ciencia, la tecnologa as como la economa,

donde se usa la programacin lineal la cual busca hallar una solucin que
permita formular y resolver diversos problemas orientados a la toma de
decisiones.
En problemas de optimizacin es indispensable el conocimiento de
determinados mtodos que permitan la solucin de dichos problemas.
La resolucin de problemas de grandes dimensiones lo permite muy
eficazmente el Mtodo Simplex, siendo este un algoritmo el cual sirve para
determinar con eficiencia cuando una solucin existe, mostrando eficacia este
mtodo en la formulacin y solucin de diversos problemas de optimizacin y
dems.
Este mtodo permite ver las aplicaciones a las ramas de las ciencias
ingeniera.
Este mtodo o procedimiento cuenta con un sin nmero de aplicaciones en
programacin lineal, pero tambin usos en matemtica y geometra.
De entre las aplicaciones ms comunes del mtodo simplex destacan:
- Es una tcnica utilizada para dar soluciones numricas a problemas de
programacin lineal ya que es comnmente aplicado para encontrar una
solucin ptima en problemas de maximizacin y minimizacin.
- Es til para resolver problemas de gran tamao y complejos.
-A partir del mtodo simplex se han desarrollado variantes comnmente
utilizadas en programacin lineal.
- Este mtodo ha sido de suma utilidad para el desarrollo de software que
facilitan el proceso de clculos un ejemplo de ello es el TORA.
- Este modelo sirve para la correcta interpretacin de modelos de decisin
basados en descripciones matemticas con la finalidad de ayudar en la toma
de decisiones en situaciones de incertidumbre.
La importancia de este mtodo radica en que gracias a su existencia se pueden
resolver problemas complejos. Este mtodo conforma la base de la
16

programacin lineal y es debido a que facilita la toma de decisiones en casos

complejos ya que permite solucionar sistemas donde en nmero de variables
supera el nmero de ecuaciones, ha resultado ser muy eficiente en la prctica.
Una gran parte de software para clculos estn estrictamente basados en el
mtodo simplex, facilitndonos la interpretacin.
Es muy importante en el rea empresarial ya que lo utilizan para obtener
solucin a los problemas de las empresas en cuanto a inventario, ganancias y
prdidas.
Este mtodo permite visualizar cuanto se debe vender, cuanto se debe producir
o cuanto se debe comprar segn sea el caso para que la empresa obtenga las
ganancias optimas y suficientes para competir en el mercado.
En Base a esta importancia el mtodo simplex ha tenido diversas aplicaciones
en las industrias especialmente en el rea de transporte, en la parte de
inventarios y en lo empresarial en general.
El mtodo simplex implica clculos tediosos y voluminosos, lo que hace que la
computadora sea una herramienta esencial para resolver los problemas de
programacin lineal. Por consiguiente, las reglas computacionales del mtodo
simplex se adaptan para facilitar el clculo automtico.

BIBLIOGRAFIA

"Palabra Nueva.net." Palabra Nueva. Web. 19 Feb. 2012.

http://www.palabranueva.net/contens/10/0001010.htm>.

"Biografa De George Bernard Dantzig." PHPSimplex. Web. 19 Feb. 2012.

http://www.phpsimplex.com/biografia_Dantzig.htm>.

http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/
http://optimixacion.blogspot.mx/2012/02/george-bernard-dantzig-19142005.html
http://www.phpsimplex.com/ejemplo_metodo_simplex.htm
http://www.investigaciondeoperaciones.net/metodo_simplex_2_fases.html

17