1/24

TEMAS DE MATEMTICAS
(Oposiciones de Secundaria)
TEMA 17
PROGRAMACIN LINEAL. APLICACIONES.
1. Introduccin.
1.1. Historia de la Programacin lineal.
2. Terminologa Bsica.
3. Formulacin de un Problema de Programacin Lineal.
4. Mtodo de Resolucin Grfica.
5. Conjuntos Convexos.
6. Mtodo de Resolucin Analtico.
6.1. Teoremas de Resolucin Analtico.
6.2. El mtodo de Simplex.
6.2.1. Generacin de Puntos Extremos.
6.2.2. Criterio de Optimalidad.
7. Soluciones Degeneradas.
8. Dualidad.
9. Aplicaciones.
Bibliografa Recomendada.
2/24
TEMA 17
PROGRAMACIN LINEAL. APLICACIONES.
1. INTRODUCCIN.
La programacin lineal consiste en un conjunto de tcnicas matemticas que
permiten obtener el mayor provecho posible de sistemas econmicos, sociales,
tecnolgicos, etc, cuyo funcionamiento es posible describirlo adecuadamente mediante
un modelo matemtico.
El problema fundamental consiste en optimizar (maximizar o minimizar) una cierta
expresin lineal, sabiendo que sus variables estn sometidas a un conjunto de
restricciones que vienen expresadas por inecuaciones lineales.
1.1. Historia de la Programacin Lineal.
En los siglos XVI y XVII, matemticos como Newton, Leibnitz, Bernovilli o
Lagrauge trabajaron en la obtencin de mximos y mnimos condicionados de
funciones. Un siglo despus, Fourier fue el primero en intuir, aunque de manera un
tanto imprecisa, los mtodos actuales de al programacin lineal.
Exceptuando a G. Monge, que en 1776 se interes por problemas de sta ndole,
hemos de esperar hasta bien entrado el siglo XX para encontrar nuevos estudios
relacionados con lo que hoy en da entendemos por programacin lineal. En 1939, el
matemtico ruso Kantorovitch public Mtodos matemticos de organizacin y
planificacin de la produccin, una extensa monografa en la que por primera vez se
desarrolla una teora matemtica aplicable a una gran cantidad de problemas. Dicha
teora recibe el nombre de Programacin Lineal.
En 1941 y 1942 estudian de forma independiente Koopmans y Lantorovitch el
llamado Problema de transporte. El matemtico Stingler plantea, tres aos despus, el
problema de rgimen alimenticio ptimo.
En EE.UU. se plante, a la finalizacin de la 2 Guerra Mundial, que la
coordinacin de manera eficaz de todas las energas y recursos nacionales era un
problema de tal envergadura, que para poder reducirlo y resolverlo haba que aplicar los
mtodos de optimizacin de la programacin lineal.
Es en esta poca cuando aparecen los primeros computadores, utilizndose para
resolver los problemas descritos.
G. B. Danzing formula, en 1947, el enunciado comn al que se puede reducir
cualquier problema de programacin lineal. Para ello emplea notacin matemtica muy
precisa. Y l mismo, en 1951, desarrolla el mtodo del Simplex apoyndose para ello
en los ordenadores.
Los fundamentos matemticos de la programacin lineal fueron establecidos por
John Von Neumann, que en 1928 publico Teoras de juegos, su trabajo ms
importante. Y en 1947 plantea la posible equivalencia de los problemas de
3/24
programacin lineal con la teora de matrices. Es a partir de este momento cuando otros
matemticos se interesan por esta disciplina, producindose un espectacular desarrollo.
2. TERMINOLOGA BSICA.
DEF Llamaremos variables de eleccin a aquellas variables que aparecen en el
problema de forma independiente y cuyo valor queremos calcular, siendo ste siempre
positivo.
DEF Llamaremos funcin objetivo a la funcin matemtica lineal que relaciona las
variables de eleccin y cuyo valor queremos optimizar (maximizar o minimizar).
DEF Llamaremos restriccin a cada una de las condiciones que deben verificar las
variables de eleccin, siendo estas condiciones expresadas mediante ecuaciones o
inecuaciones lineales.
Un problema de optimizacin se puede clasificar en uno de los siguientes tipos:
Tipo 1: Optimizacin libre o in restricciones.
Los elementos que constituyen el problema son las variables de eleccin y la
funcin objetivo. No posee restricciones. Tambin se conoce por el nombre de
optimizacin clsica sin restricciones.
Tipo 2: Optimizacin con restricciones.
El problema est constituido por variables de eleccin, funcin objetivo y
restricciones. Estas ltimas pueden ser:
a) Restricciones de igualdad.
Estos problemas reciben el nombre de optimizacin clsica con restricciones y
pueden ser resueltos por medio de tcnicas como los multiplicadores de Lagrange.
b) Restricciones de Desigualdad.
La Programacin matemtica es la rama que se encarga del estudio de estos
problemas. Podemos clasificarlos a su vez en:
b.1.) Problemas de programacin lineal.
Todas las expresiones que aparecen en el enunciado del problema son lineales (tanto
la funcin objetivo como las restricciones).
b.2.) Problemas de Programacin no Lineal.
Alguno (o todas) de las expresiones no son lineales.
4/24
3. FORMULACIN DE UN PROBLEMA DE PROGRAMACIN LINEAL.
Un problema de programacin lineal se puede formular fundamentalmente de tres
formas distintas.
a) Forma Completa.
Supongamos que el problema consiste en maximizar la funcin objetivo, que hay n
variables y m restricciones.
n n
x c x c x c z Maximizar + + + .....
2 2 1 1
Restricciones
( ) ( ) ( )
( ) ( ) ( )

'

+ + +
+ + +
+ + +
+ + +
+ + +
+ + +
+ + + +
+ + +
n i x
r x a x a x a
r x a x a x a
r x a x a x a
r x a x a x a
r x a x a x a
r x a x a x a
i
m n mn m m
q n q q q
q n qn q q
p n n p p p
p n pn p p
n n
,...., 1 : 0
.....
....... .......... .......... .......... .......... ..........
.....
.....
........ .......... .......... .......... .......... ..........
.....
....
........ .......... .......... .......... .......... ..........
....
2 2 1 1
1 1 2 2 1 1 1 1
2 2 1 1
1 2 2 1 1 1 1
2 2 1 1
1 1 2 12 1 11
b) Forma Reducida.
Maximizar

n
i
xi Ci z
1
Restricciones

'

n i x
m j r x a
i
n
i
j i ji
,...., 1 : 0
,...., 1 :
1
c) Forma matricial.
Si definimos

,
`

.
|

n
c
c
c
C
...
2
1

,
`

.
|

n
x
x
x
x
...
2
1

,
`

.
|

mn m m
n
n
a a a
a a a
a a a
A
...
... ... ... ...
...
...
2 1
2 22 21
1 12 11
y

,
`

.
|

n
r
r
r
R
...
2
1
podemos formular el problema como
Maximizar x c z
z

5/24
Restricciones

'

0 X
R AX
OBS Por no complicar la notacin, en los dos ltimos casos solo hemos escrito en las
restricciones el smbolo de desigualdad . Pero hemos de dejar constancia de que
ambas formulaciones equivalen a la primera, siendo lo correcto el haber denotado con
las p primeras restricciones, con las q p siguientes, y con = las m q ltimas.
DEF Llamaremos forma cannica de un problema de programacin lineal cuando
todas las restricciones del enunciado (excluyendo las que indican que las variables son
no negativas) tienen la misma desigualdad ( ).
Para el caso de maximizar
Maximizar X C Z
t

Restricciones

'

0 X
R AX
y para el caso de Minimizar
Minimizar X C Z
t

Restricciones

'

0 X
R AX
Tengamos en cuenta que una restriccin del tipo
j n jn j j
r x a x a x a + + + .....
2 2 1 1
es equivalente a las dos restricciones

'

+ + +
+ + +
j n jn j j
j n jn j j
r x a x a x a
r x a x a x a
........
......
2 2 1 1
2 2 1 1
Todo problema de programacin lineal expresado en forma cannica se puede
escribir en forma estndar sin mas que tener en cuenta:
1) La expresin AX R se puede escribir como AX + Y = R siendo
( )
m
t
y y y Y ,...., ,
2 1
. En las y
j
se recoge todo lo que falta para que se produzca la
igualdad. Por definicin Y 0.
6/24
2) La expresin AX R se puede escribir como AX Y = R siendo
( ) ( )
m
t
y y y Y ,....., ,
2 1
. En las y
j
se recoge todo lo que falta para que se produzca la
igualdad. Tambin Y 0.
DEF Los elementos y
1
, y
2
,., y
m
de la matriz Y reciben el nombre de variables de
holgura.
DEF Los elementos y
1
, y
2
,..,y
m
de la matriz Y reciben el nombre de variables
de excedente.
4. MTODO DE RESOLUCIN GRFICA.
Dentro de los diferentes mtodos de resolucin, vamos a describir ahora el
funcionamiento del mtodo de resolucin grfica, aplicable a los problemas con dos
variables. Para problemas con ms variables, en un punto posterior trataremos el
mtodo analtico del Simplex.
Supongamos que tenemos el siguiente problema:
Optimizar
2 2 1 1
x c x c Z +
Restricciones

'

0
) (
X
B AX B AX
Los pasos a seguir en su resolucin son:
1) Al ser todas las variables de eleccin no negativas, consideraremos el plano x
1
x
2
limitado al primer cuadrante.
2) Determinamos la regin factible, o conjunto de los puntos del plano que verifican
todas las restricciones. Se obtiene como interseccin de los subespacios dados por cada
una de las restricciones.
3) Representamos la funcin objetivo. Lo que dibujamos es el vector director de la
recta definida por la funcin objetivo, que es (- c
2
, c
1
).
4) Desplazamos la recta definida por el vector (- c
2
, c
1
) en la direccin (c
1
, c
2
)
obteniendo rectas paralelas a la inicial en el interior de la regin factible hasta alcanzar
el punto o puntos ptimos.
Las soluciones que nos podemos encontrar en la resolucin grfica de un problema
de programacin lineal pueden ser.
a) Solucin finita y nica.
Corresponde con un vrtice de la regin factible, pudiendo ser sta acotada o no.
b) Solucin finita y no nica.
7/24
Se obtiene cuando la pendiente de la recta definida por la funcin objetivo coincida
con la pendiente de uno de los lados donde se presentan todos los puntos ptimos.
En esta situacin, si (a, b) y (c, d) son dos vrtices consecutivos de la regin factible
cuyo segmento que limitan es paralelo a la funcin objetivo, todos los puntos de dicho
segmento son solucin, que llamaremos (x, y).
( )
( )
1 0
1
1

'

+
+

con
d b y
c a x
Esta situacin se puede dar tanto si la regin factible es acotada como si no lo es.
c) Solucin no finita (no acotada).
Se produce cuando la regin factible es no acotada y la recta definida por la funcin
objetivo se puede desplazar indefinidamente de forma paralela encontrando siempre
puntos de la regin factible.
d) Sin solucin.
Un problema de programacin lineal no tiene solucin cuando la regin factible es
vaca.
5. CONJUNTOS CONVEXOS.
DEF Llamaremos Conjunto Convexo al conjunto de puntos que tiene la propiedad de
que para cualquier par de puntos del mismo, el segmento que los une tambin est
incluido en dicho conjunto.
Ejemplos.
Un crculo o una recta son conjuntos convexos. En cambio, una circunferencia o una
elipse no los son.
DEF Llamaremos punto lmite a todo punto que se encuentra en la frontera del
conjunto.
DEF Llamaremos punto interior a todo punto del conjunto convexo que no es punto
lmite.
DEF Llamaremos punto extremo a todo punto lmite que no se encuentra en el
segmento limitado por otros dos puntos lmite. Desde el punto de vista geomtrico
equivalen a los vrtices del conjunto.
DEF Dados n, v V con V K-espacio vectorial de dimensin n, llamaremos
combinacin lineal convexa de n y v a toda expresin de la forma
( ) 1 0 1 + con v u
8/24
Teniendo en cuenta esta ltima definicin, podemos decir que una combinacin
lineal convexa est formada por todos los puntos del segmento que delimitan u y v (lo
demostraremos a continuacin).
Podemos afirmar, por tanto, que un conjunto es convexo si y solo si para todo par de
puntos del conjunto, su combinacin lineal convexa pertenece a dicho conjunto.
TEOREMA
Dados v u, 3
n
, toda combinacin lineal convexa que se d entre ellos es un punto
del segmento que los une.
Dem.
Vamos a realizar la demostracin en 3
2
para que se pueda visualizar grficamente.
La demostracin sera anloga para el caso de 3
n
.
Tomemos ( )
2 1
,u u u y ( )
2 1
, v v v elementos de 3
2
.
Hemos de probar que ( ) ( ) 1 0 1 + v u w es un punto perteneciente al
segmento PQ con OP u y OQ v .
Sea R el punto del plano tal que v u OQ OP OR .
Los puntos OPQR definen un paralelogramo, siendo u OP la diagonal del
paralelogramo. Por tanto se verifica OQ OR OP + .
Sea ( )v u w + 1 tambin ( )OQ OP OS + 1 .
( ) OQ OR OQ OQ OP OQ OQ OP OQ OQ OP OS + + + +
Si v w OQ OS 0
Si u w OP OS 1
Si 0 < < 1 OR es un punto intermedio entre O y R y al sumarle OQ da lugar
a un punto intermedio entre P y Q.
PROP La funcin objetivo de un problema de programacin lineal al igual que las m
restricciones y n condiciones de no negatividad definen conjuntos convexos.
Dem.
1) Funcin objetivo.
9/24
Sea

n
i
i i
x c z
1
y sea ( ) {
n
x x x H ...., ,
, 2 1
3
n

n
i
i
z x c
1
1
/
Vamos a demostrar que el conjunto H es convexo.
( )
n
u u u H v u ,...., ,
1
con z u c u c
n n
+ +....
1 1
( )
n
v v v ,....,
1
con z v c v c
n n
+ +....
1 1
( ) ( ) ( )( ) 1 0 ,..., 1 ,..., 1
1 1
+ + con v v u u v u W
n n
Entonces ( ) ( ) ( )
n n
v u v u W + + 1 ,...., 1
1 1
y ( ) ( ) ( ) [ ] ( )


+ + +
n
i
n
i
n
i
n
i
i i i i i i i i i i i
v C U C V C u C v u C C
1 1 1 1
1 1 1
( ) H y H W z z z + 1 es convexo.
2) Restricciones de Desigualdad.
Las restricciones de desigualdad dividen a 3
n
en dos semiespacios cerrados (ya que
las desigualdades no son estrictas). Veamos entonces que un semiespacio cerrado de 3
n
es convexo.
Sea la desigualdad r x a x a
n n
+ + .....
1 1
con ( )
n
x x ,....,
1
3
n
Consideremos ( )
n
x x H ,...., {
1
3
n
} .... /
1 1
r x a x a
n n
+ + es semiespacio de 3
n
definido por la desigualdad anterior.
Si r v a v a y r u a u a H v u
n n n n
+ + + + .... ..... ,
1 1 1 1
.
Sea ( ) ( ) ( ) ( )
n n
v u v u v u w + + + 1 ,...., 1 1
1 1
( ) ( ) ( ) [ ]


+
,
`

.
|
+ + +
n
i
i i i i
n
i
i i i n n
v a u a v u a w a w a
1 1
1 1
1 1 ....
( ) ( )


+ +
n
i
n
i
i i i i
r r r v a u a
1 1
1 1
Entonces w H y H es convexo.
3) Las condiciones de no negatividad son un tipo particular de no restricciones y por
tanto le es aplicable la demostracin anterior.
PROP La interseccin de un nmero finito de conjuntos convexos de 3
n
es un conjunto
convexo.
10/24
Dem.
Vamos a realizar la demostracin por induccin de el nmero de conjuntos.
Para dos conjuntos:
Sea C
1
y C
2
dos conjuntos convexos de 3
n
y sean u,vC
1
C
2
.
Como ( ) ( ) 1 0 1 ,
1 1
+ C v u convexo C v u
Como ( ) ( )
2 1 2 2
1 1 , C C y o C v u convexo C v u + es convexo.
Para n 1 conjuntos.
Hiptesis de induccin: Ci
n
i
1
1

es un conjunto convexo.
Para n conjuntos.
Sean C
1
, C
2
,.., C
n
n conjuntos convexos.
n
n
i
i
n
i
i
C C C

,
`

.
|

1
1 1

1
1

n
i
i
C es un conjunto convexo por hiptesis de induccin.
C
n
es un conjunto convexo por hiptesis inicial.
Aplicando el caso ya visto para 2 conjuntos, su interseccin es un conjunto convexo.
Por tanto, la interseccin de n conjuntos convexos es un nuevo conj unto convexo.
COROLARIO La Regin Factible de un problema de programacin lineal es un
conjunto convexo.
Podemos generalizar la definicin de combinacin lineal convexa a m vectores
como sigue.
DEF Llamaremos combinacin lineal convexa de los vectores
m
u u u ,...., ,
2 1
3
n
a
m m
u u u u + + + .....
2 2 1 1
con m i
i
,...., 1 : 1 0 .
DEF Llamaremos envoltura convexa de cualquier conjunto de puntos T de 3
n
, y lo
denotaremos por C(T), al conjunto de todas las combinaciones convexas de puntos T.
PROP C (T) es el conjunto convexo ms pequeo que contiene a T.
11/24
Dem.
Trivial.
DEF Un conjunto convexo C es ilimitado si C u existe v 3
n
-{0} tal que los
puntos C v u + con > 0. En caso contrario diremos que C es limitado.
DEF Sea T 3
n
un conjunto con un nmero finito de puntos. La envoltura convexa
de T la llamaremos poliedro convexa.
Si C es un conjunto cerrado y poliedro convexo, entonces cualquier punto de C se
puede expresar como una combinacin convexa de los puntos extremos. Entonces C
ser la envoltura convexa de sus vrtices.
DEF Llamaremos como a T 3
n
que verifica que
0 con T u T u
Un cono convexo es un cono que es convexo.
DEF Llamaremos Simplex a un poliedro de n dimensiones que tiene exactamente
n+1 vrtices. Las fronteras del Simplex contienen otros simplex de menor dimensin
que reciben el nombre de Caras Simpliciales.
6. MTODO DE RESOLUCIN ANALTICO.
Sea el problema a optimizar.
x C z
t

Restricciones

'

0 x
B Ax
donde las restricciones las hemos convertido en igualdades introduciendo variables de
holgura o de excedente.
DEF Llamaremos solucin factible (SF) a ( )
0
2
0
1
,..., ,
n
o o
x x x x que verifica las
restricciones del problema. Es por tanto un punto de la regin factible (RF).
DEF Llamaremos Solucin Factible Bsica (SFB) a ( )
o
n
o o o
x x x x ,...., ,
2 1
que verifica
que es SF y que tiene n m componentes nulas como mnimo.
DEF Llamaremos Solucin Factible Bsica No Degenerada (SFBND) a
( )
o
n
o o o
x x x x ,..., ,
2 1
que es una Solucin Factible Bsica que tiene exactamente n m
componentes nulas. En caso contrario diremos que es una SFB degenerada.
DEF Llamaremos Solucin Factible Optima (SFO) a ( )
o
n
o o o
x x x x ,..., ,
2 1
que es una
SFB que optimiza la funcin objetivo.
12/24
6.1. Teoremas Bsicos de la Programacin Lineal.
Vamos a ver ahora una serie de problemas que nos van a permitir llegar a la
solucin del problema.
TEOREMA 1 El conjunto de Soluciones Factibles de un problema de programacin
lineal, caso de no ser vaco, es convexo.
Dem.
Sea { x S 3
n
0 , / x B Ax y supongamos S
Sea S x x
2 1
, y , 3
+
con 1 +
Como
1 1
x S x 0 y 0
1 1
x B Ax
Como 0
2 2
x S x y 0
2 2
x B Ax
Luego 0
2 1
+ x x y
( ) ( ) B B B B Ax Ax x x A + + + +
2 1 2 1
Entonces S x x +
2 1
y como
2 1
x x + es una combinacin lineal convexa de
x
1
y x
2
, dos puntos cualesquiera de S, deducimos que S es un conjunto convexo.
TEOREMA Teorema Fundamental de la Programacin Lineal.
a) La funcin objetivo alcanza su ptimo en un punto extremo del conjunto convexo
S de soluciones factibles.
b) Si el ptimo se alcanza en ms de un vrtice entonces cualquier combinacin
convexa de estos vrtices tambin optimiza la funcin objetivo.
Dem.
a) Vamos a realizar la demostracin por reduccin al absurdo.
Sean x
1
, x
2
,.,x
n
los vrtices del conjunto convexo S y x
o
una solucin factible
optima que no es extremo.
Al ser x
o
solucin factible verifica

'

0
0
0
x
B Ax
y por ser ptima S x x c x c
t t

0
13/24
Como hemos supuesto que x
o
no es un vrtice de S (Regin factible) entonces lo
podemos expresar como una combinacin lineal convexa de los vrtices de S:

n
i
i i o
x x
1
con

n
i
i
1
1 y n i
i
,..., 1 : 1 0
La funcin objetivo en el punto x
o
es
( ) ( )



,
`

.
|

n
i
n
i
i i i
t
i
n
i
i i
t
o
t
o
x z x C x C x C x z
1 1 1

Entre los z(x
i
) con n i 1 hay uno que ser el ms pequeo de todos (elegimos el
ms pequeo si el problema es minimizar la funcin objetivo y el ms grande si hay que
maximizar). Sea
( ) { n i x z min
i
1 /
Entonces
n i x C
i
t
1
pudindolo expresar como
i i
t
x C + con n i
i
1 0
Por tanto
( )


+ +
n
i
n
i
n
i
n
i
i i i i i i
t
i o
t
x C x C
1 1 1 1



+ +
n
i
n
i
n
i
i i i i i
1 1 1

Y como

n
i
o
t
i i
x C
1
0
Lo que contradice que X
o
sea una SFO (para el caso de minimizar).
b) Supongamos que el ptimo alcanza en x
1
, x
2
,..,x
p
, p vrtices de la regin
factible S.
Vamos a realizar la demostracin para obtener el mnimo (en el caso de maximizar
sera igual).
Sea C
t
x
i
= m p i 1 con m mnimo de la funcin objetivo.
Entonces S x x C x C
t
i
t

14/24

'

0
i
i
x
B Ax
Sea

p
i
i i o
x x
1
una combinacin lineal convexa de los vrtices x
1
,.,x
p
, con
1 0 1
1

i
p
i
i
y
Veamos que x
o
es tambin ptimo.



p
i
p
i
p
i
p
i
i i i
t
i i i
t
o
t
m m m m x C x C x C
1 1 1 1
1



p
i
p
i
p
i
i
p
i
i i i i i o
B B B B Ax x A Ax
1 1 1 1
1

p
i
i i o
x x
1
0
Luego x
o
tambin optimiza la funcin.
TEOREMA 2
Dada una solucin factible, x
o
S, sta es un punto extremo del conjunto de
soluciones factibles S si tiene K componentes positivas, n K , y las restantes, n K,
nulas, de forma que se satisface

K
i
i oi
B v x
1

siendo {
K
v v

,....,
1
K vectores linealmente independientes del conjunto de vectores que
se obtienen a partir de las columnas de la matriz A (matriz de coeficientes del conjunto
de restricciones).
Dem.
Sea ( )
on o o o
x x x x ,...., ,
2 1
es una solucin factible que verifica las condiciones del
enunciado.
Supongamos que x
o
no es un punto extremo.
Entonces x
o
se puede expresar como combinacin lineal convexa de dos puntos
cualesquiera, x
1
y x
2
, de la regin factible (observemos que no decimos que esos puntos
sean extremos)
( ) 1 0 1
2 1
+ x x x
o
15/24
Podemos suponer, sin prdida de generalidad, que las K componentes de x
o
no
nulas son las primeras.
( ) ) 0 ,...., 0 , ,...., ,
2 1 oK o o o
x x x x
Entonces, los puntos x
1
y x
2
han de ser del mismo tipo:
( ) 0 ,..., 0 , ,..., ) 0 ,..., 0 , ,...., (
2 21 2 1 11 1 K K
x x x y x x x
y como Ax
1
= B y Ax
2
= B tenemos
( )

'

K
i
i i i K
i
i i
K
i
i i
v x x
B v x Ax
B v x Ax
1
2 1
1
2 2
1
1 1
0

Los vectores {
K
v v

,...,
1
son linealmente independientes
2 1 2 1 2 1
1 1 0 x x K i x x K i x x
i i i i

Al no poder expresar x
o
como combinacin lineal convexa de dos puntos S x
o
es
un punto extremo o vrtice de S.
TEOREMA 3 (Recproco del anterior).
Sea x
o
S un punto extremo del conjunto de soluciones factibles S. Entonces hay a
lo sumo K componentes positivas en x
o
, siendo el resto nulas, y los K vectores columna
de la matriz A que verifican

K
i
i oi
B v x
1

son linealmente independientes.

Dem.
Sin prdida de generalidad, vamos a suponer que son no nulas las K primeras
componentes de x
o
.

K
i
i oi o o
B v x B Ax S x
1

Supongamos que {
K
v v

,....,
1
es un conjunto Linealmente Dependiente. Podemos
encontrar una combinacin lineal de ellos con algn escalar no nulo.
16/24
Sean
K
,...,
1
3

K
i
i i
o v
1
/

con 0
1
(elegimos
1
como podamos haber
elegido otro). Se verifica

K
i
i i
o v
1
1


Generamos los puntos x y x como
( ) 0 ,..., 0 , ,...., ,
1 2 1 2 1 1 1 K oK o o
x x x x
( ) 0 ,..., 0 , ,..., ,
1 2 1 2 1 1 1 K oK o o
x x x x + + +
Es claro que ambos puntos verifican
Ax = B y Ax= B
Todo lo dicho es igualmente vlido si en lugar de
1
tomamos un n cualquiera
positivo tan pequeo como sea necesario para que todas las componentes no nulas de x
y x sean positivas. Entonces x y x son soluciones factibles y se verifica:

2
1

2
1
x x x
o
+
x
o
sera combinacin lineal convexa de x y x y por hiptesis era un punto
extremo.
Llegamos a una contradiccin siendo por tanto nuestra suposicin falsa y {
K
v v

,...,
1
son linealmente independientes.
COROLARIO El punto x
o
S (solucin factible) es un punto extremo si y slo si los
vectores columna de la matriz A asociados a las componentes positivas de x
o
son
Linealmente Independientes verificando

K
i
i oi
B v x
1

.
6.2. El mtodo del Simplex.
Si queremos calcular el punto ptimo (mximo o mnimo) de un problema de
programacin lineal, slo hemos de obtener todos los vrtices de la regin factible y
saber el valor de la funcin objetivo en cada uno de ellos. El problema surge cuando el
n de vrtices puede ser elevado, lo que hace este proceso impracticable.
El mtodo del simplex nos facilitar la obtencin de la solucin ptima mediante la
elaboracin de un criterio que nos va a permitir si una solucin bsica es o no una
solucin ptima. En caso negativo nos dara un procedimiento de aproximacin a dicha
solucin ptima.
El mtodo consiste en:
17/24
a) Partimos del conocimiento de una solucin bsica inicial. Si es ptima (mediante
el criterio de optimalidad) hemos terminado.
b) Pasamos a otra solucin bsica (vrtice contiguo) tal que el valor de la funcin
objetivo es menor (o mayor) que en la anterior. Si el nuevo vrtice no es todava la
solucin ptima, repetiremos el paso.
c) Al ser el n de vrtices finito, en un n finito de repeticiones encontraremos la
solucin (si la hay).
6.2.1. Generacin de Puntos Extremos.
Vamos a suponer que partimos de una solucin factible bsica inicial que tiene K
componentes positivas como mximo.
( )
oi oK o o o
x y x x x x 0 ,...., 0 , ,....., ,
2 1
> K i 1 0
En la matriz A tenemos los vectores columna {
K
v v

,....,
1
que son linealmente
independientes.

K
i
i oi
B v x
1

Cualquier otro vector de A {

n K
v v

,...,
1 +
es combinacin lineal de los K vectores
primeros, ya que rang (A) = K.
Llamaremos

K
i
i oi o
v x v
1

y sea
( )

+ +

K
i
i i K K
v x v
1
1 1

Elegimos 3 con 0. Entonces
( )

+ +

K
i
i i K K
v x v
1
1 1


( )
( )

+ +

K
i
i i K oi K o
v x x v v
1
1 1


Hemos expresado
o
v

como combinacin lineal de los K + 1 primeros vectores

columna de A. La solucin factible asociada es
( ) ( ) ( )
( ) 0 ,..., 0 , , ,....., ,
1 ) 2 1 2 1 1 1

K K oK K o K o
x x x x x x X
+ + +

Se verifica que Ax = B
( )
( )
( )

+ + + + + +
+ + +
K
i
K
i
K
i
K K K i i K i oi K i i K oi
B v v B v v x v x v v x x
1 1 1
1 1 1 1 1 1


18/24
Como x ha de ser solucin factible, todas sus componentes han de ser nulas o
positivas:
0
( )
0
1

+ i K oi
x x K i 1
Excluimos el caso = 0 ya que entonces x = x
o
que sabemos que es solucin
factible bsica.
( )
0
1

+ i K oi
x x
( )
( )i K
oi
i K oi
x
x
x x K i
1
1
1
+
+

Si
( ) oi i K
x x
+
0
1
> 0
Si
( )i K
x
1 +
< 0 x
oi
- x
(K+1)i
> 0
Si
( )i K
x
1 +
>
( )
( )i K
oi
i K oi
x
x
x x
1
1
0 0
+
+

Por tanto hemos de tomar menor o igual que todos los cocientes
( )i K
oi
x
x
1 +
cuando los
x
(K+1)i
sean positivos.
Adems, si queremos que x sea una solucin factible bsica, no ha de tener ms de
K componentes no nulas. Pero si tomamos los coeficientes
( )
K i x
i K

+
1 0
1
.
( ) 0 ,...., 0 , , ,...., ,
2 1

oK o o
x x x x
tendra K + 1 componentes no nulas y por tanto no sera solucin factible ptima.
Si todos los x
(K+1)i
< 0 1 i K sucede lo mismo, x volvera a tener K + 1
componentes no nulas.
Por lo tanto, algn x
(K+1)i
ha de ser positivo.
Si tomamos
( )
K i
i K
oi
x
x
min

+

'

'

1
1
siempre que x
(K+1)i
> 0 podemos asegurar que x
tendr a lo ms K componentes no nulas. Si suponemos que el mnimo se alcanza para
i = 1 tendremos
( )1 1 +

K
oi
x
x
y entonces la primera coordenada de x, x
o1
- x
(K+1)1
, ser
nula. Si el mnimo se alcanza en ms de un valor de i, habr ms componentes nulas.
Para afirmar que x es una solucin factible bsica, una vez visto que tiene como
mucho K componentes no nulas, hemos de comprobar que los vectores asociados a
dichas componentes no nulas son linealmente independientes.
19/24
Como hemos supuesto que la primera componente es nula (ya que
( )1 1 +

K
oi
x
x

tenemos que una combinacin lineal de los vectores asociados quede el vector cero es

1
2
K
i
i i
v O

Podemos expresar
1 + K
v

como combinacin lineal de {

K
v v

,....,
1
( )

+ +

K
j
j j K K
v x v
1
1 1

Entonces
( ) ( ) ( )
( )

+

+ + + + + +
+ + +
1
2 2 1 2
1 1 1 1 1 1 1
K
i
K
i
K
j
K
i
i i K i K i K K j j K K i i i i
v x v x v x v v o


Como {
K
v v

,...,
1
son linealmente independientes, los escalares deben ser nulos.
( )
0
1 1 1

+ + K K
x y
( )
0
1
+
+ + i K i K i
x K i 2
Si {
1 2 1
,...., 2 0 0
+ +

K i K
v v K i

son linealmente independientes
Si
( )
( )1 1
1 1 1
0 0
+
+ +

K
oi
K K
x
x
Como x llegamos a una contradiccin.
As pues 0
1

+ K
y los vectores {
1 2
,....,
+ K
v v

son L. I.
6.2.2. Criterio de Optimalidad.
Vamos a ver ahora como, a partir de la solucin factible bsica, ir obteniendo otras
soluciones factibles bsicas tales que cada una de ellas mejore el valor de la funcin
objetivo en cada paso.
Sea
( ) o o x x x x
oK o o o
,....., , ,....., ,
2 1

la solucin factible bsica inicial con

{
K
v v v

,....., ,
2 1
los vectores columna de la matriz A asociados a las componentes no nulas que verifican
ser linealmente independientes. La funcin objetivo es
z = C
t
x
20/24
que aplicada en x = x
o

K
i
oi i o
x C z
1
y sea

K
i
ji i j
x C z
1
con

K
i
i ji j
v x v
1

n j K +1
TEOREMA
Si en un problema de minimizacin se verifica
n j c z
j j
1 0
entonces x
o
es un punto ptimo. Si el problema fuese de maximizacin el ptimo se
dara cuando
n j c z
j j
1 0
Dem.
Vamos a demostrar el teorema para el caso de un problema de minimizacin.
Sea ( )
n
y y y y ,...., ,
2 1
una solucin factible bsica y y c z
t

*
Se verifica
0
i
y n i 1

n
i
i i
B v y
1

Como {
K
v v

,....,
1
son L. I. y los
j
v

con n j K +1 pueden expresar como

combinacin lineal de los K primeros tenemos.

+
K
i
i ji j
n j K v x v
1
1

B v x y B v x y
K
i
i
n
j
ji j
n
j
K
i
i ji j

,
`

.
|

,
`

.
|

1 1 1 1

con
oi
n
j
ji j
x x y

1
As pues, si
21/24
n j c z n j o c z
j j j j
1 1
Por tanto:

,
`

.
|

,
`

.
|

n
j
n
j
n
j
K
i
o
K
i
i oi i
n
j
j ji j
K
i
ji i j j j j
z c x c y x y x c y z y c z
1 1 1 1 1 1 1
*
o
z z
*
luego z
o
es mnima.
Qu sucede si la desigualdad
z
j
c
j
0
en el caso de un problema de minimizacin no fuese cierta para n j 1 ?
Existen dos posibilidades:
No hay solucin.
Podemos obtener otra solucin factible bsica ms pequea que la inicial, al no ser
ptima sta.
Veamos como obtenerla.
Sea ( ) 0 ,...., 0 , ,...., ,
2 1 oK o o o
x x x x una solucin factible bsica tal que existe un
{ n m ,...., 1 con z
m
c
m
> 0.
Sea

+
K
i
i ji j
n j i K v x v
1

K
i
i oi
v x B
1

ya que x
o
es solucin
( )


+ +
K
i
K
i
m i mi oi m m i oi
v v x x v v v x B
1 1


Si
m mi
x 0 el valor de la funcin objetivo no puede estar acotado inferiormente
ya que el nuevo punto extremo sera
( ) 0 ,..., ,..., 0 , ,.....,
1

mK oK m oi
x x x x x
y entonces
( )


+ +
K
i
K
i
K
i
m mi i oi i m mi oi i
t
c x c x c c x x c x c z
1 1 1
*

( )
m m o m m o
z c z c z z + + <
o
z ya que c
m
z
m
< 0
22/24
Por tanto, dndole a valores cada vez mayores el valor de z
*
es tan prximo a -
como queramos. Luego la funcin objetivo no est acotada inferiormente.
Si algn x
mi
> 0 (por ejemplo i = 1)
1
1
m
o
mi
oi
x
x
x
x
min

'

'

para x
mi
> 0 podemos
obtener otra solucin factible bsica que satisface

,
`

.
|
0 ,..., ,...., 0 , ,...., , 0
2 02

mK oK m
x x x x x
( ) ( )

+ + +
K
i
m m o m m o m mi oi i
t
z c z c z z c x x c x c z
2
*
< z
o
De forma anloga podemos verlo en el caso de un problema de maximizacin.
7. SOLUCIONES DEGENERADAS.
DEF Una solucin factible bsica es degenerada cuando al menos una de las
componentes es nula. Es decir, si tenemos el conjunto linealmente independiente
{
K
v v

,...,
1
tal que

K
i
i oi
B v x
1

, diremos que la solucin factible bsica

( ) 0 ,..., 0 , ,..., ,
2 1 oK o o o
x x x x es degenerada si al menos x
oi
= 0 para algn { K i ,..., 1 .
Si se da esta situacin no podemos hacer uso del mtodo simplex, ya que la nueva
solucin no mejorara la solucin degenerada inicial.
Para poder resolver este problema, hemos de tener en cuenta que la solucin
degenerada x
o
lleva asociada la base {
K
v v P

,...,
1
de 3
K
tal que B P x
o

1
.
Sea > 0 suficientemente pequeo y hacemos que las restricciones sean funcin de
:
( ) B v v v B v x v x v x
n
n
n n
+ + + + + + +

.... .....
2
2
1 2 2 1 1
La solucin vendr dada por
( ) ( ) B p x
o

1
Si ( ) ( )
n
n
o o
t
Kj j j j j
L L L x x v p L + + + +

.... ....
2
2
1 2 1
1
As los L
j
de los vectores de la base se compondrn de ceros excepto el elemento
j-simo, que ser la unidad. Los L
j
de los vectores que no pertenecen a la base tendrn
la forma general ( ) n j K +1 .
Para saber el
i
v

que eliminaremos de la base, bastara tomar

23/24
( )

'

ij
oi
x
min

> 0 K i 1 /
8. DUALIDAD.
DEF Dado un problema de programacin lineal
min z = c
t
x
Ax > B
x 0
definimos el problema dual del anterior como
max t = y B
y A C
y 0
Anlogamente, si el problema es de maximizar, siendo su dual de minimizar.
TEOREMA. Teorema de dualidad.
Dado un problema de programacin lineal, si posee solucin ptima finita, entonces
el dual tambin posee solucin ptima finita y adems min z = max t. La solucin del
dual es
1
p C y
o o
, siendo tambin la solucin ptima del problema inicial.
Con este teorema podemos resolver un problema de programacin lineal a partir de
su dual, y recprocamente.
La dualidad es involuntaria, es decir, el dual del dual es el problema inicial.
9. APLICACIONES.
Actualmente la programacin lineal aborda cuestiones ajenas a la geometra. Un
ejemplo es el problema del transporte, que surge al tener varios puntos de produccin y
varios de distribucin, y se plantea el modo de distribuir los productos para que el coste
sea mnimo.
El problema del transporte se formula por primera vez en 1941 42, por Koopmans
y Kantorovith de forma independiente.
En 1958 se aplicaron mtodos de programacin lineal para obtener el plan ptimo
de transporte de arena para la construccin del edificios en la ciudad de Mosc. Existan
10 puntos de partida y 230 de llegada. Se consigui rebajar en un 11% los gastos
respecto a los costes previstos.
Otro de los problemas ms comunes es el de la dieta. Se trata de determinar las
cantidades diferentes de alimentos que hay que proporcionar a una persona o animal
para poder asegurarle una alimentacin suficiente con un coste mnimo.
24/24
Bibliografa Recomendada.
Programcion lineal. S.J. Gross. Ed: Comp. edit. continental
Programacin matematica. A. Balbs.J.A. Gil. Ed: AC
Programacin Lineal. Simonard