Método gráfico

El método gráfico se emplea para resolver problemas que presentan sólo 2 variables de decisión.
El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas
X1, X2 para tratar de identificar el área de soluciones factibles (soluciones que cumplen con todas
las restricciones).

La solución óptima del problema se encuentra en uno de los vértices de esta área de soluciones
creada, por lo que se buscará en estos datos el valor mínimo o máximo del problema.

Ejemplo: Una compañía de auditores se especializa en preparar liquidaciones y auditorías

de empresas pequeñas. Tienen interés en saber cuántas auditorías y liquidaciones pueden realizar
mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y 320
horas para revisión. Una auditoría en promedio requiere de 40 horas de trabajo directo y 10 horas
de revisión, además aporta un ingreso de 300 dls. Una liquidación de impuesto requiere de 8 horas
de trabajo directo y de 5 horas de revisión, produce un ingreso de 100 dls. El máximo de
liquidaciones mensuales disponibles es de 60.

VARIABLE DE DECISION:

Cantidad de auditorías (X1).

Cantidad de liquidaciones (X2).

RESTRICCIONES:
Tiempo disponible de trabajo directo
Tiempo disponible de revisión
Número máximo de liquidaciones.

Maximizar:

Z= 300X1 + 100X2

Sujeto a:
40X1 + 8X2 ≤ 800
10X1 + 5X2 ≤ 320
X2 ≤ 60
X1, X2 ≥ 0
La solución óptima siempre se encuentra en uno de los vértices del conjunto de soluciones
factibles. Se analizan estos valores en la función objetivo. El vértice que representa el mejor valor
de la función objetivo será la solución óptima.

Soluciones básicas factibles

En Programación Lineal una Solución Básica Factible (SBF) es aquella que además de pertenecer a
la región o área factible del problema se puede representar a través de una solución factible en la
aplicación del Método Simplex satisfaciendo las condiciones de no negatividad.

En este contexto una solución básica factible corresponderá a uno de los vértices del dominio de
factibilidad cuya coordenada o solución se puede representar a través de un conjunto de
restricciones activas para el modelo.

Ejemplo:
La resolución gráfica del problema anterior se presenta en el siguiente gráfico:

El área achurada corresponde al dominio de factibilidad del problema, identificándose en

particular 5 vértices que hemos llamado arbitrariamente A, B, C, D y E.

La solución óptima del modelo lineal se alcanza en el vértice C donde X=100 e Y=350 con valor
óptimo V(P)=3.100. Notar que dicha solución se puede obtener a través de la resolución de un
sistema de ecuaciones con las restricciones 1 y 3 (R1 y R3) en igualdad.
En consecuencia, el vértice C además de ser una solución básica factible es una solución básica
factible óptima.

En cuanto a los vértices A, B, D y E son soluciones básicas factibles (no óptimas) debido a que en la
aplicación del Método Simplex al menos una variable no básica tendrá costo reducido negativo (lo
que permitirá mejorar el actual valor de la función objetivo).

La tabla a continuación es la que se obtiene al llevar al problema a su forma estándar, agregando

S1, S2 y S3 como variables de holgura de las restricciones 1, 2 y 3, respectivamente (R1, R2 y R3).

Ambas variables no básicas (iniciales) X e Y tienen costo reducido negativo (-3 y -8) por tanto X= 0
e Y= 0 que si bien es una solución básica factible (vértice A) no es solución óptima.

Para continuar la demostración realizaremos una iteración del Método Simplex incorporando la
variable Y a la base (criterio costo reducido “más negativo“) y donde el mínimo cociente Min
{1.600/4; 1.700/2; 350/1}= 350 ⟹ S3 deja la base:

La solución básica factible ahora es X= 0 e Y= 350 (vértice B), sin embargo, el costo reducido de la
variable X sigue siendo negativo y por tanto aún no nos encontramos en el óptimo. En
consecuencia X entra a la base y obtenemos el mínimo cociente: Min {200/2; 1.000/6}=100 ⟹ S1
deja la base:

Finalmente se alcanza la solución óptima (solución básica factible óptima) con X=100 e Y=350
(vértice C) donde todas las variables no básicas (S1 y S3) tienen costos reducido mayor o igual a
cero, cumpliendo con el criterio de optimidad.
¿Qué sucede con los vértices D y E? También son soluciones básicas factibles (no óptimas) que se
podrían encontrar por ejemplo incorporando en primera instancia (tabla inicial) a la variable X a la
base. De esta forma se debería alcanzar el vértice E luego de una iteración y el vértice D en una
segunda iteración.

Notar que también existen otras soluciones factibles (no básicas) como, por ejemplo, X= 100 e Y=
100 que pertenecen al dominio de soluciones factibles pero no se puede representar a través de la
resolución de un sistema de ecuaciones.

Método símplex

El método Simplex es un procedimiento iterativo que permite mejorar la solución de la función

objetivo en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho valor,
es decir, se ha alcanzado la solución óptima (el mayor o menor valor posible, según el caso, para el
que se satisfacen todas las restricciones).

Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento consiste en

buscar otro punto que mejore el valor anterior. Dichos puntos son los vértices del polígono (o
poliedro o polícoro, si el número de variables es mayor de 2) que constituye la región determinada
por las restricciones a las que se encuentra sujeto el problema (llamada región factible). La
búsqueda se realiza mediante desplazamientos por las aristas del polígono, desde el vértice actual
hasta uno adyacente que mejore el valor de la función objetivo. Siempre que exista región factible,
como su número de vértices y de aristas es finito, será posible encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no toma su valor

máximo en el vértice A, entonces existe una arista que parte de A y a lo largo de la cual el valor de
Z aumenta.

Será necesario tener en cuenta que el método Simplex únicamente trabaja con restricciones del
problema cuyas inecuaciones sean del tipo "≤" (menor o igual) y sus coeficientes independientes
sean mayores o iguales a 0. Por tanto habrá que estandarizar las restricciones para que cumplan
estos requisitos antes de iniciar el algoritmo del Simplex. En caso de que después de éste proceso
aparezcan restricciones del tipo "≥" (mayor o igual) o "=" (igualdad), o no se puedan cambiar, será
necesario emplear otros métodos de resolución, siendo el más común el método de las Dos Fases.

La forma estándar del modelo de problema consta de una función objetivo sujeta a determinadas
restricciones:

Función objetivo: c1·x1 + c2·x2 + ... + cn·xn

Sujeto a: a11·x1 + a12·x2 + ... + a1n·xn = b1

a21·x1 + a22·x2 + ... + a2n·xn = b2

...

am1·x1 + am2·x2 + ... + amn·xn = bm

x1,..., xn ≥ 0
El modelo debe cumplir las siguientes condiciones:

1. El objetivo consistirá en maximizar o minimizar el valor de la función objetivo (por

ejemplo, incrementar ganancias o reducir pérdidas, respectivamente).
2. Todas las restricciones deben ser ecuaciones de igualdad (identidades matemáticas).
3. Todas las variables (xi) deben tener valor positivo o nulo (condición de no negatividad).
4. Los términos independientes (bi) de cada ecuación deben ser no negativos.

Hay que adaptar el problema modelado a la forma estándar para poder aplicar el algoritmo del
Simplex.

Una vez estandarizado el modelo puede ocurrir que sea necesario aplicar el método Simplex o el
método de las Dos Fases. Véase en la figura la forma de actuación para llegar a la solución del
problema modelado.
Construcción de la primera tabla:

Las columnas de la tabla están dispuestas de la siguiente forma: la primera columna de la tabla
contiene las variables que se encuentran en la base (o variables básicas), esto es, aquellas que
toman valor para proporcionar una solución; la segunda columna recoge los coeficientes que
dichas variables básicas tienen en la función objetivo (esta columna es llamada Cb); la tercera
muestra el término independiente de cada restricción (P0); a partir de ésta aparece una columna
por cada una de las variables de decisión y holgura presentes en la función objetivo (Pj). Para tener
una visión más clara de la tabla, se incluye una fila que contiene los títulos de cada una de las
columnas.

Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la tabla, donde aparecen los
coeficientes de las variables de la función objetivo, y una última fila que recoge el valor la función
objetivo y los costes reducidos Zj - Cj.

Los costes reducidos muestran la posibilidad de mejora en la solución Z0. Por este motivo también
son llamados valores indicadores.

Se muestra a continuación el aspecto general de la tabla del método Simplex:

Todos los valores incluidos en la tabla vendrán dados por el modelo del problema salvo los valores
de la fila Z (o fila indicadora). Estos se obtienen de la siguiente forma: Zj = Σ(Cbi·Pj) para i = 1..m,
donde si j = 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij.

Se observa, al realizar el método Simplex, que en esta primera tabla ocupan la base todas las
variables de holgura y por ello (todos los coeficientes de las variables de holgura son 0 en la
función objetivo) el valor inicial de Z es cero.

Por este mismo motivo tampoco es necesario realizar los cálculos de los costes reducidos en la
primera tabla, pudiéndose determinar directamente como el cambio de signo de los coeficientes
de cada variable en la función objetivo, esto es, -Cj.

Condición de parada:

Se cumple la condición de parada cuando la fila indicadora no contiene ningún valor negativo
entre los costes reducidos (cuando el objetivo es la maximización), esto es, no existe posibilidad de
mejora.
Una vez cumplida la condición de parada, el valor de cada variable que logra la solución óptima se
encuentra en la columna P0, indicándose en la base a qué variable correnponde dicho valor. Si una
variable no aparece en la base, significa que su valor es cero. De la misma forma el valor óptimo de
la función objetivo (Z) se encuentra en la columna P0, fila Z.

Si no se cumple la condición de parada es necesario realizar una iteración más del algoritmo, esto
es, determinar la variable que se vuelve básica y la que deja de serlo, encontrar el elemento
pivote, actualizar los valores de la tabla y comprobar si se cumple nuevamente la condición de
parada.

Es también posible determinar que el problema no se encuentra acotado y su solución siempre

resultará mejorable. En tal caso no es necesario continuar iterando indefinidamente y se puede
finalizar el algoritmo. Esta situación ocurre cuando en la columna de la variable entrante a la base
todos los valores son negativos o nulos.

Elección de la variable que entra a la base:

Cuando una variable se vuelve básica, es decir, entra en la base, comienza a formar parte de la
solución. Observando los costes reducidos en la fila Z, se decide que entra a la base la variable de
la columna en la que éste sea el de menor valor (o de mayor valor absoluto) entre los negativos.

Elección de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la variable que se
encuentre en aquella fila cuyo cociente P0/Pj sea el menor de los estrictamente positivos
(teniendo en cuenta que esta operación se hará únicamente cuando Pj sea superior a 0).

Elemento pivote:

El elemento pivote de la tabla queda marcado por la intersección entre la columna de la variable
entrante y la fila de la variable saliente.

Actualización de la tabla:

Las filas correspondientes a la función objetivo y a los títulos permanecerán inalteradas en la

nueva tabla. El resto de valores deberán calcularse como se explica a continuación:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.

 En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en Columna Pivote
* Nuevo Elemento Fila Pivote).

De esta forma se consigue que todos los elementos de la columna de la variable entrante sean
nulos salvo el de la fila de la variable saliente cuyo valor será 1. (Es análogo a utilizar el método de
Gauss-Jordan para resolver sistemas de ecuaciones lineales).
 Ejemplo: Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y
Sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

1. Realizar un cambio de variables y normalizar el signo de los términos independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la correspondencia

siguiente:

x pasa a ser X1
y pasa a ser X2

Como los términos independientes de todas las restricciones son positivos no es necesario hacer
nada. En caso contrario habría que multiplicar por "-1" en ambos lados de la inecuación (teniendo
en cuenta que esta operación también afecta al tipo de restricción).

2. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de holgura, exceso y artificiales

según la tabla siguiente:

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de las restricciones del
tipo ≤, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:

2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24
3. Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

4. Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los coeficientes de las variables de
decisión del problema original y las de holgura, exceso y artificiales agregadas en el paso 2 (en las
columnas, siendo P0 el término independiente y el resto de variables Pi coinciden con Xi), y las
restricciones (en las filas). La columna Cb contiene los coeficientes de las variables que se
encuentran en la base.
La primera fila está formada por los coeficientes de la función objetivo, mientras que la última fila
contiene el valor la función objetivo y los costes reducidos Zj - Cj.

La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y C0 = 0, y en

caso contrario Pj = aij. Aunque al tratarse de la primera tabla del método Simplex y ser todos los
Cb nulos se puede simplificar el cálculo, y por esta vez disponer Zj = -Cj.

5. Condición de parada.

Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no existe ningún valor
negativo entre los costes reducidos (columnas P1 en adelante) se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El valor de Z
(columna P0) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base todos los valores son
negativos o nulos. Esto indica que el problema no se encuentra acotado y su solución siempre
resultará mejorable. Ante esta situación no es necesario continuar iterando indefinidamente y
también se puede dar por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa

6. Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se escoge la columna cuyo
valor en la fila Z sea el menor de entre todos los negativos. En este caso sería la variable X1 (P1) de
coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de empate),
entonces se optará por aquella variable que sea básica.

La columna de la variable que entra en la base se llama columna pivote (en color verde).

Una vez obtenida la variable que entra en la base, se procede a determina cual será la variable que
sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir cada término
independiente (columna P0) entre el elemento correspondiente de la columna pivote, siempre
que ambos elementos sean estrictamente positivos (mayores que cero). Se escoge la fila cuyo
resultado haya resultado mínimo.
Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de que todos
los elementos de la columna pivote fueran de ésta condición se habría cumplido la condición de
parada y el problema tendría una solución no acotada.

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar al menor cociente positivo
indica la fila de la variable de holgura que sale de la base. En este caso resulta ser X5 (P5), de
coeficiente 3. Esta fila se llama fila pivote (en color verde).

Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el elemento
saliente de la base (caso de empate), se escoge aquella que no sea variable básica (siempre que
sea es posible).

La intersección de la fila pivote y columna pivote marca el elemento pivote, en este caso el 3.

7. Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote
 En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en Columna Pivote
* Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto de
elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan).

Se muestran a continuación los cálculos para la fila P4:

Anterior fila P4 42 2 3 0 1 0
- - - - - -
Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

8. Al comprobar la condición de parada se observa que no se cumple ya que entre los
elementos de la última fila hay uno negativo, -1. Se continúa iterando nuevamente los
pasos 6 y 7.

 6.1. La variable que entra en la base es X2 (P2), por ser la variable que corresponde a la
columna donde se encuentra el coeficiente -1.
 6.2. Para calcular la variable que sale, se dividen los términos de la columna P0 entre los
términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 /
1/3 [=24]. Como el menor cociente positivo es 6, la variable que sale de la base es X3 (P3).
 6.3. El elemento pivote es 1/3.
 7. Actualizando nuevamente los valores de la tabla se obtiene:

9. Una nueva comprobación de la condición de parada revela que entre los elementos de la
fila indicadora vuelve a haber uno negativo, -1. Significa que aún no se ha llegado a la
solución óptima y hay que seguir iterando (pasos 6 y 7):

 6.1. La variable que entra en la base es X5 (P5), por ser la variable que corresponde al
coeficiente -1.
 6.2. Se escoge la variable que sale calculando el cociente entre los términos de la columna
de términos independientes y los términos correspondientes de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4 (P4).
 6.3. El elemento pivote es 4.
 7. Después de actualizar todas las filas, se obtiene la tabla siguiente:
 10. Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por tanto la
condición de parada.

La solución óptima viene dada por el valor de Z en la columna de los términos independientes (P0),
en este ejemplo: 33. En la misma columna se puede ver el punto donde se alcanza, observando las
filas correspondientes a las variables de decisión que han entrado en la base: X1 = 3 y X2 = 12.

Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.

Método de la gran M

En el contexto de la aplicación del Método Simplex no siempre es inmediata la obtención de una

solución básica factible inicial, en las variables originales del modelo. Para conseguir esto existen
varios procedimientos como son el Método Simplex de 2 Fases y el Método de la M Grande (o
Gran M) el cual abordaremos en este artículo. Para ello consideremos el siguiente modelo de
Programación Lineal en 2 variables:

A continuación agregamos las variables no negativas x3 (holgura restricción 1), r1 (auxiliar

restricción 2), x4 (exceso restricción 3) y r2 (auxiliar restricción 3). El modelo ahora es:

Donde el parámetro M es una constante positiva suficientemente grande para representar una
penalización adecuada en la función objetivo. La tabla inicial del método está dada por:
Antes de continuar con las iteraciones se debe procurar que el costo reducido de las variables r1 y
r2 sean ceros. Para ello multiplicamos por -M la fila 2 y la fila 3 y luego sumamos a la fila 4,
obteniendo lo siguiente:

Ahora debemos seleccionar que variable no básica ingresa a la base. El menor costo reducido
corresponde a la variable x1 en consecuencia dicha variable ingresa a la base. Luego calculamos el
27⁄
10 6 6
mínimo cociente en dicha columna: 𝑀𝑖𝑛 { 3 , , } = 9, el cual se alcanza en la fila 1, por
⁄10 1⁄2 3⁄5
tanto la variable x3 deja la base. Se actualiza la tabla:

Siguiendo con las iteraciones ahora la variable x2 entra a la base. El criterio de factibilidad indica
9 3⁄ 3⁄
que: 𝑀𝑖𝑛 {1 , 1 2 , 1 5} = 3, la variable r_{2} abandona la base (el pivote se encuentra en la fila 3).
⁄3 ⁄3 ⁄5
Actualizamos la tabla:

Una nueva iteración indica que x_{3} ingresa a la base. El mínimo cociente en la respectiva
8 1⁄
columna es: 𝑀𝑖𝑛 {20 , 5 2} = 3⁄10 (recordar que se omiten denominadores menores a cero).
⁄3 ⁄3
Ahora el pivote se encuentra en la fila 2 y en consecuencia x_{4} deja la base. Se actualiza la tabla:
Se ha alcanzado la solución óptima con x1= 15/2 y x2= 9/2. Notar que las variables auxiliares (r1 y r2)
son no básicas en el óptimo. El valor óptimo es 21/4 (notar que el signo esta cambiado).

Para una mejor comprensión de los resultados alcanzados a continuación se presenta la resolución
gráfica del problema haciendo uso del software Geogebra. El dominio de soluciones factibles
corresponde a la recta que une los vértices A y B. Adicionalmente se muestra la curva de nivel que
pasa por la solución óptima (vértice B).

Teóricamente se espera que en la aplicación del Método de la M Grande las variables auxiliares
sean no básicas en el óptimo. Si el modelo de Programación Lineal es infactible (es decir, si las
restricciones no son consistentes), la iteración del Método Simplex final incluirá al menos una
variable artificial como básica.

Adicionalmente la aplicación de la técnica de la M Grande implica teóricamente que M tiende a

infinito. Sin embargo al usar la computadora M debe ser finito, pero suficientemente grande. En
específico M debe ser lo bastante grande como para funcionar como penalización, al mismo
tiempo no debe ser tan grande como para perjudicar la exactitud de los cálculos del Método
Simplex, al manipular una mezcla de números muy grandes y muy pequeños.

Método de las dos fases

La desventaja de la técnica M es el posible error de cómputo que podría resultar de

asignar un valor muy grande a la constante M. Esta situación podría presentar errores de
redondeo en las operaciones de la computadora digital. Para evitar esta dificultad el
problema se puede resolver en 2 fases.

 FASE 1

Formule un nuevo problema reemplazando la función objetivo por la suma de las

variables artificiales.

La nueva función objetivo se minimiza sujeta a las restricciones del problema original. Si el
problema tiene un espacio factible el valor mínimo de la función objetivo óptima será
cero, lo cual indica que todas las variables artificiales son cero. En este momento pasamos
a la fase 2.

* Si el valor mínimo de la función objetivo óptima es mayor que cero, el problema no

tiene solución y termina anotándose que no existen soluciones factibles

 FASE 2

Utilice la solución óptima de la fase 1 como solución de inicio para el problema original. En
este caso, la función objetivo original se expresa en términos de las variables no básicas
utilizando las eliminaciones usuales Gauss-Jordan.

Ejemplo:

Minimizar

Sujeto a:

Minimizar

Sujeto a:

FASE I
Minimizar

Sujeto a:

Minimizar

Sujeto a:

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 0 0 0 0 -1 -1 0
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 5 9 -1 -1 0 0 96
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 1/2 0 -1 1 /2 0 3/2 6
R1 0 1/2 0 -1 1 /2 1 -1/2 6
X2 0 1/2 1 0 -1/6 0 1/6 10

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 0 0 0 0 -1 -1 0
X1 0 1 0 -2 1 2 -1 12
X2 0 0 1 1 -2/3 -1 2/3 4

FASE II
Minimizar

V. Básica Z X1 X2 S1 S2 Solución
Z 1 -2000 -500 0 0 0
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

V. Básica Z X1 X2 S1 S2 Solución
Z 1 0 0 -3500 5000/3 26000
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

V. Básica Z X1 X2 S1 S2 Solución
Z 1 -5000/3 0 -500/3 0 6000
S2 0 1 0 -2 1 12
X2 0 2/3 1 -1/3 0 12