Ejemplo: Como ilustración, hallemos los extremos globales de la función

f (x, y) = x2 + y 2 + 2xy − 10x − 10y

en el recinto

X = {(x, y) ∈ R2 lx2 + y 200 25; 3x + 4y ≥ 0; 4x + 3y ≥ 0}

2 2
El recinto es compacto
 y convexo. La función f ∈ C (R ) y su matriz hessiana
2 2
Hf (x) = es semidefinida positiva en todo X por lo que f es
2 2
convexa.
Que f alcanza un máximo y un mı́nimo valor en X, está asegurado por ser
f continua en X compacto.
(0, 5)
(5, 0)
(1
)(0, 5)
(−3, 4)
(52, 52)
X
(5, 0)
(0, 0)
(4,-3)
5
Búsqueda de mı́nimos:

2x + 2y − 10 = 0
∇f (x, y) = (0, 0) →
2y + 2x − 10 = 0
Es decir, dentro de X, el gradiente de f se anula en {x ∈ Xlx + y = 5}0, lo
que es lo
mismo, en el segmento que une los puntos (5, 0)y(0, 5) . Por tanto (Propo-
sición 3.7)
min f (x, y) = −25 y se alcanza en todos los puntos del segmento
(x,y)∈X

{λ(5, 0) + (1 − λ)(0, 5)/λ ∈ [0, 1]}.

Búsqueda de máximos:
Puesto que f es continua y convexa en X compacto, existirá algún vértice de
X en el que f alcance su máximo en X (Proposición 3.8). Los vértices de X son
los puntos (0, 0) , (−3, 4)y(4, −3) , ası́ como todos los del arco de circunferencia
comprendido entre los dos últimos. Como medio de descarte entre los infinitos
puntos de este arco, pueden utilizarse las condiciones necesarias de extremo local
condicionado, pues si algún extremo global de f en X se encontrase en este arco,
serı́a necesariamente un extremo local de f condicionado por x2 + y 2 = 25.Y,
siendo aplicable la teorı́a clásica de extremos condicionados, habrı́a de verificar,
paraalgún λ ∈ R, las ecuaciones:
 2x + 2y − 10 + 2λx = 0
2y + 2x − 10 + 2λy = 0
 2
x + y 2 − 25 = 0
Sistema cuyas soluciones son:
(5, 0)y(0, 5) con 1 = 0,

1
 √ √ √ √ √ √
(5/ 2, 5/ 2)con1 = 2 − 2y(−5/ 2, −5/ 2) conl = 2 + 2.
Las dos primeras quedan descartadas,
√ √pues ambos puntos son mı́nimos.
Y la última porque el punto (−5/ 2, −5/ 2) no pertenece a X. Por tanto,
el máximo de f en√X se√alcanza en alguno de estos cuatro puntos: (0, 0) ,
(−3, 4), (4, −3)o(5/ 2, 5/ 2) . Evaluando la función en ellos, se obtiene que

(x, y) ∈ XM axf (x, y) = f (0, 0) = 0.

6
Es decir, el máximo valor de la función en X es 0y se alcanza en el punto
(0, 0) .
3.2 INTRODUCCION A LA PROGRAMACION LINEAL
Planteamiento general del problema
El problema que aborda la programación lineal, en su formulación más ge-
neral, es el siguiente: hallar el valor óptimo (máximo o mı́nimo valor, según
sea el caso) de la función lineal c1 x1 + c2 x2 + +cn xn y los puntos en los que se
n
 cuando (x1 , x2 , . . . , xn ) ∈ R satisface el conjunto de m condiciones:
alcanza,

 a11 x1 + a12 x2 + +a1n xn ∗ b1
a21 x1 + a22 x2 + +a2n xn ∗ b2


 junto con x1 ≥ 0, x2 ≥ 0 xn ≥ 0.
am1 x1 + am2 x2 + +amn xn ∗ bm

(3.2.a)
siendo los aij , bi , cj (100 i00 m, 100 j 00 n) números reales dados y cada ∗es uno de
estos tres signos: =, 0”,≥ .
Formalmente, el problema ası́ planteado es:
1) unafunción objetivo, que es lineal
2) las restricciones, que se componen de un conjunto de igualdades y/0
desigualdades que también son todas lineales
3) las condiciónes de no negatividad de todas las variables que intervienen
en el problema.
En razón de lo anterior, llamaremos a c1 x1 + c2 x2 + +cn xn función ob-
jetivo del problema, y las soluciones factibles de éste serán aquellos puntos
(x1 , x2 , . . . , xn ) ∈ Rn que verifiquen todas las restricciones (es decir, todas las
m ecuaciones e inecuaciones) y la no negatividad de sus coordenadas. Aquellas
soluciones factibles que den el valor óptimo a la función objetivo, serán las so-
luciones óptimas del problema. Y entenderemos que nos referimos al problema
arriba planteado cuando escribamos:
7
Opt. [c1 x1 + c2 x2 + +cn xn ]

a11 x1 + a12 x2 + +a1n xn ∗ b1

a21 x1 + a22 x2 + +a2n xn ∗ b2

am1 x1 + am2 x2 + +amn xn ∗ bm
x1 ≥ 0, x2 ≥ 0, xn ≥ 0.
Conviene señalar que no siempre existe solución óptima en este tipo de proble-
mas, como se pone de manifiesto en los ejemplos que siguen, cuyo análisis
gráfico muestra las cuatro situaciones problema de programación lineal.
Ejemplol:

2
 distintas que pueden presentarse en un
Maxx A x0,
B
AA
En este problema el conjunto de soluciones factibles X, es vacı́o, por tanto,
no existe solución óptima.
8
Ejemplo 2:
X
Max(x1 + x2 )A : x1 + 3x2 ≥ 9B : 2x1 + x2 ≥ 8x1 ≥ 0, x2 ≥ 0
A
B
Ahora el conjunto de soluciones factibles es un convexo no vacı́o, pero, no es-
tando acotada superiormente en él la función objetivo, no existe solución óptima.
Ejemplo 3:
Max(x1 + x2 )A : x1 + 3x002 9B : 2x1 + x002 8x1 ≥ 0, x2 ≥ 0
(0, 3)
(3, 2)
X
(0, 0)
A
(4, 0)B
9
El conjunto de soluciones factibles X, es un compacto y convexo no vacı́o y
la función objetivo alcanza su máximo valor en él en el punto (3, 2) , vértice de
X, que es por tanto la solución óptima.
Ejemplo 4:
Max(2x1 + x2 )A : x1 + 3x002 9B : 2x1 + x002 8x1 ≥ 0, x2 ≥ 0
(0, 3)
(3, 2)
X
(0, 0)
(4, 0)
A
B
En este caso, son soluciones óptimas todos los puntos del segmento que une
(3, 2)y(4, 0) . Existen infinitas soluciones óptimas.
Caben, pues, tres posibilidades:
1) Que el conjunto de soluciones factibles sea vacı́o, no existiendo entonces
solución óptima.
2) Que el conjunto de soluciones factibles no sea vacı́o, pero la función obje-
tivo no esté acotada superior o inferiormente en él, según se trate de un problema
de maximización o minimización, no habiendo entonces solución óptima.
3) Que exista solución óptima; siendo posible, en este caso, su multiplicidad.
A la vista de los ejemplos anteriores, destaquemos tres observaciones: para los
cuatro problemas considerados se tiene que
10
i) El conjunto de soluciones factibles es convexo (vacı́o en el primer ejem-
plo). ii)El conjunto de soluciones óptimas es convexo (vacı́o en los dos primeros
ejemplos).

3
 iii) En los casos en que existe solución óptima (ejemplos tercero y cuarto),
alguna de ellas es vértice del conjunto de soluciones factibles.
Pues bien, los teoremas que siguen establecen que estos tres hechos pueden
concluirse con carácter general para todo problema de programación lineal.
Teoremas básicos de la programación lineal
Teorema 3.10 El conjunto de soluciones factibles de un problema de programacior n
lineal es convexo.
Demostración:
En efecto, para que un punto (x1 , x2 xn ) ∈ Rn sea solución factible de un
problema
 del tipo (3.2.a) ha de satisfacer las condiciones:
 11 1 + a12 x2 + +a1n xn ∗ b1
a x
am1 x1 + ·am2 x2 . + + · amn .xn . ∗ ·bm a21 x1 .. + .a22 x2 . + .. · . · ·. · ·. · +.a2,.n xn . ∗ .b2 con ∗ =00≥ =
x1 ≥ 0, x2 ≥ 0, xn ≥ 0

Es decir, debe cumplir m + n condiciones, cada una de las cuales significa
pertenecer a un hiperplano oa un semiespacio; por tanto, satisfacer estas m +
n restricciones significa estar en la intersección de estos m + n hiperplanos y
semiespacios, y siendo unos y otros conjuntos convexos (Proposición 2.9), su
intersección es convexa (Proposición 2.10).
Teorema 3.11 El conjunto de soluciones óptimas de un problema de pro-
gramación lineal es convexo.
Demostración:
La prueba que sigue es consecuencia de los resultados vistos en la Sección
3.1. Basándose en la Proposición 3. 51a prueba es inmediata: siendo la función
objetivo
11
lineal, será cóncava y convexa; y siendo el conjunto de soluciones factibles
convexo (Teorema 3.10), las soluciones óptimas formarán un conjunto convexo.
Teorema 3.12 Si existe solución óptima en un problema de programación
lineal, al menos una de ellas es vértice del conjunto de soluciones factibles de
dicho problema.
Demostración:
En el caso en que el conjunto de soluciones factibles sea acotado, éste será
compacto, pues siempre es cerrado, y el teorema es entonces un corolario inme-
diato de la Proposición 3.8
Análisis gráfico
Los teoremas anteriores sugieren una estrategia para abordar los problemas
de programación lineal: 1) Hallar los vértices del conjunto de soluciones facti-
bles; y2o ) Evaluar en ellos la función objetivo para hallar una solución óptima,
si es que ésta existe.
En el caso de problemas sencillos, con sólo dos variables y un número pequeño
de restricciones, este esquema es aplicable, permitiendo resolver el problema
mediante un sencillo análisis gráfico. El siguiente ejemplo, que es una muestra
de ello, nos servirá asimismo para introducir sobre una base gráfica algunas
cuestiones que serán tratadas con mayor generalidad en la sección siguiente.
Ejemplo: Sea el problema
C
Max(6x1 + 5x2 )A : x1 + 2x002 8B : x1 + x002 5C : 2x1 + x002 8x1 ≥ 0, x2 ≥ 0
28
(0, 4)
(2, 3)

4
 (3, 2)
X
(4, 0)
(0, 0)
B
A
12
Los vértices del conjunto de soluciones factibles (denotado X y representado
en la
figura anterior) son (0, 0) , (0, 4) , (2, 3) , (3, 2)y(4, 0) . Evaluando en ellos
la función
objetivo, se concluye que el valor óptimo es 28 y se alcanza en el punto (3, 2)
.
Veamos también de una manera gráfica cuáles son las repercusiones en la
solución del problema cuando se modifica alguno de los datos que lo configuran.
Variación de alguna restricción
Estudiemos en primer lugar los cambios suscitados como consecuencia de
una modificación del segundo miembro de alguna de las restricciones. Para
ello clasificamos éstas en saturadas y no saturadas: las restricciones segunda y
tercera son saturadas puesto que se verifican con igualdad en el óptimo, mientras
que la primera es no saturada.
Si se incrementa el segundo miembro de cualquiera de las tres restricciones
separadamente, el conjunto de soluciones factibles aumenta en los tres casos.
Pero el valor óptimo de la función objetivo sólo se ve afectado cuando se incre-
menta el segundo miembro de una restricción saturada (la segunda o la tercera
en este caso). En el caso de la segunda, se observa en la figura anterior que
aquél puede ser aumentado hasta 16/3, que es donde la recta correspondiente
a la segunda restricción alcanzarı́a el punto (8/3,8/3), intersección de las rectas
que corresponden a las restricciones primera y tercera, sin dejar de ser saturada.
A partir de esta cantidad la segunda restricción serı́a no saturada (en presencia
de las otras dos restricciones, que serı́an entonces saturadas), por lo que un
incremento ulterior no permitirı́a aumentar el valor óptimo.
Análogamente, vemos que el valor óptimo aumenta de 28 a 30, si el segundo
miembro de la tercera restricción aumenta de 8 a 10, y permanece constante a
partir de este valor (si se mantienen inalteradas las otras dos restricciones).
Vemos ası́ que el valor óptimo presenta una sensibilidad diferente a las va-
riaciones en el segundo miembro de las distintas restricciones. Un dato inte-
resante, indicador de esta sensibilidad, es la tasa de crecimiento (derivada) del
valor óptimo de la función objetivo con respecto al segundo miembro de cada
restricción, supuesto que los restantes datos permanecen invariables. Si denota-
mos por λA , λB yλC a estas tasas respectivamente, la linealidad del problema y
los cálculos efectuados anteriormente permiten obtener su valor como cociente
de incrementos, resultando:
28 − 28
λA = = 0,
9−8
(88/3) − 28
λB = = 4,
(16/3) − 5
13

5
 30 − 28
λC = = 1.
10 − 8
Valores en que se resumen las conclusiones de la discusión anterior: el va-
lor óptimo de la función objetivo es insensible a los incrementos del segundo
miembro de la primera restricción; mientras que en el caso de la tercera un
incremento del segundo miembro (no superior a2 unidades) ocasiona un incre-
mento del valor óptimo de la misma magnitud, y cuatro veces superior en el
caso de la segunda (si el incremento del segundo miembro no es superior a 1/3).
Interpretación económica
Cuando el problema bajo consideración es de carácter económico, estas tasas,
dependiendo del significado de la función objetivo y las restricciones, tienen a
veces una interesante interpretación. A modo de ilustración, consideremos el
siguiente problema:
Una empresa elabora dos productos P1 yP2 a partir de tres materias primas
A, By C. Para producir semanalmente 1 Tm del producto P1 se necesitan 1 Tm
de la materia prima A, 1 Tm de la materia prima B y2 Tm de C. Para producir
1 Tm del producto P2 se necesitan 2 Tm de A, 1 Tm de B y1 Tm de C. La
disponibilidad semanal es de 8 Tm de materia prima A, 5 Tm de By8 Tm de
C. El precio de venta por tonelada métrica es de 6 unidades monetarias para el
producto P1 y de 5 unidades monetarias para el producto P2 . Hallar la cantidad
de P1 y de P2 que se deben elaborar semanalmente para maximizar los ingresos.
Si denotamos x1 yx2 a la producción semanal de P1 y de P2 respectivamente
y planteamos formalmente el problema, vemos que éste es precisamente el que
acabamos de resolver: las restricciones de este último son la expresión formal de
las limitaciones en la disponibilidad de los recursos A, By C, y la función objetivo
es el ingreso semanal que resultarı́a de su venta a los precios del mercado. En
este caso se dice que λA , λB yλC son los precios sombra 0 imputados de A, By C,
respectivamente, y tienen la siguiente interpretación: el precio sombra de cada
recurso representa el coste de pérdida de oportunidad en que incurre la empresa
si no aumenta la disponibilidad del recurso en cuestión. Será interesante para
la empresa aumentar la capacidad o disponibilidad de un recurso escaso (BoC
en este caso, pues las correspondientes restricciones son saturadas) si su precio
sombra es mayor que el coste adicional a que darı́a lugar el aumento del recurso.
Ası́, por ejemplo,
14
serı́a interesante para la empresa aumentar la disponibilidad del recurso C
en 2 Tm si su coste por tonelada fuese inferior a una unidad monetaria.
Variación en la función objetivo
Veamos ahora la repercusión en el valor óptimo de una variación en los
coeficientes de la función objetivo. Si denotamos mA , mB ymC a las pendientes
de las rectas correspondientes a las tres restricciones, ymf la pendiente de las
curvas de nivel de la función objetivo, se tiene que mA = −1/2, mB = −1, mC =
−2ymf = −6/5. Ahora bien, si introducimos una variación en algún coeficiente
de la función objetivo, ello repercutirá en la pendiente mf y puede llevar consigo
que otro vértice sea la solución óptima.
Un estudio completo (tomando sólo en consideración coeficientes positivos
en la función objetivo) de las distintas posibilidades es como sigue:
si − ◦ /mf 00 − 2 entonces si −200 mf 00 − 1 entonces si −100 mf 00 − 1/2 entonces
si −1/200 mf 00 0 entonces
(4, 0) es solución óptima, (3, 2) es solución óptima, (2, 3) es solución óptima,

6
(0, 4) es solución óptima.
Nótese que cuando mf toma el valor −2, −10 − 1/2 hay soluciones óptimas
múltiples.
Algunas de las dificultades que se plantean cuando aumenta el número de
variables y de restricciones son obvias: 6̇ cómo encontrar los vértices de X en un
problema con gran número de variables?. Otra dificultad viene del hecho de que
el número de vértices aumenta rápidamente con la complejidad del problema.
3.3 INTRODUCCION A LA PROGRAMACION NO LINEAL
15