TEMAS DE MATEMÁTICAS

(Oposiciones de Secundaria)
TEMA 17

PROGRAMACIÓN LINEAL. APLICACIONES.

1. Introducción.
1.1. Historia de la Programación lineal.
2. Terminología Básica.
3. Formulación de un Problema de Programación Lineal.
4. Método de Resolución Gráfica.
5. Conjuntos Convexos.
6. Método de Resolución Analítico.
6.1. Teoremas de Resolución Analítico.
6.2. El método de Simplex.
6.2.1. Generación de Puntos Extremos.
6.2.2. Criterio de Optimalidad.
7. Soluciones Degeneradas.
8. Dualidad.
9. Aplicaciones.
Bibliografía Recomendada.

1/24
 TEMA 17

PROGRAMACIÓN LINEAL. APLICACIONES.

1. INTRODUCCIÓN.

La programación lineal consiste en un conjunto de técnicas matemáticas que

permiten obtener el mayor provecho posible de sistemas económicos, sociales,
tecnológicos, etc, cuyo funcionamiento es posible describirlo adecuadamente mediante
un modelo matemático.

El problema fundamental consiste en optimizar (maximizar o minimizar) una cierta

expresión lineal, sabiendo que sus variables están sometidas a un conjunto de
restricciones que vienen expresadas por inecuaciones lineales.

1.1. Historia de la Programación Lineal.

En los siglos XVI y XVII, matemáticos como Newton, Leibnitz, Bernovilli o

Lagrauge trabajaron en la obtención de máximos y mínimos condicionados de
funciones. Un siglo después, Fourier fue el primero en intuir, aunque de manera un
tanto imprecisa, los métodos actuales de al programación lineal.

Exceptuando a G. Monge, que en 1776 se interesó por problemas de ésta índole,

hemos de esperar hasta bien entrado el siglo XX para encontrar nuevos estudios
relacionados con lo que hoy en día entendemos por programación lineal. En 1939, el
matemático ruso Kantorovitch publicó “Métodos matemáticos de organización y
planificación de la producción”, una extensa monografía en la que por primera vez se
desarrolla una teoría matemática aplicable a una gran cantidad de problemas. Dicha
teoría recibe el nombre de Programación Lineal.

En 1941 y 1942 estudian de forma independiente Koopmans y Lantorovitch el

llamado “Problema de transporte”. El matemático Stingler plantea, tres años después, el
“problema de régimen alimenticio óptimo”.

En EE.UU. se planteó, a la finalización de la 2ª Guerra Mundial, que la

coordinación de manera eficaz de todas las energías y recursos nacionales era un
problema de tal envergadura, que para poder reducirlo y resolverlo había que aplicar los
métodos de optimización de la programación lineal.

Es en esta época cuando aparecen los primeros computadores, utilizándose para

resolver los problemas descritos.

G. B. Danzing formula, en 1947, el enunciado común al que se puede reducir

cualquier problema de programación lineal. Para ello emplea notación matemática muy
precisa. Y él mismo, en 1951, desarrolla el “método del Simplex” apoyándose para ello
en los ordenadores.

Los fundamentos matemáticos de la programación lineal fueron establecidos por

John Von Neumann, que en 1928 publico “Teorías de juegos”, su trabajo más
importante. Y en 1947 plantea la posible equivalencia de los problemas de

2/24
programación lineal con la teoría de matrices. Es a partir de este momento cuando otros
matemáticos se interesan por esta disciplina, produciéndose un espectacular desarrollo.

2. TERMINOLOGÍA BÁSICA.

DEF Llamaremos variables de elección a aquellas variables que aparecen en el

problema de forma independiente y cuyo valor queremos calcular, siendo éste siempre
positivo.

DEF Llamaremos función objetivo a la función matemática lineal que relaciona las
variables de elección y cuyo valor queremos optimizar (maximizar o minimizar).

DEF Llamaremos restricción a cada una de las condiciones que deben verificar las
variables de elección, siendo estas condiciones expresadas mediante ecuaciones o
inecuaciones lineales.

Un problema de optimización se puede clasificar en uno de los siguientes tipos:

Tipo 1: Optimización libre o in restricciones.

Los elementos que constituyen el problema son las variables de elección y la

función objetivo. No posee restricciones. También se conoce por el nombre de
“optimización clásica sin restricciones”.

Tipo 2: Optimización con restricciones.

El problema está constituido por variables de elección, función objetivo y

restricciones. Estas últimas pueden ser:

a) Restricciones de igualdad.

Estos problemas reciben el nombre de “optimización clásica con restricciones” y

pueden ser resueltos por medio de técnicas como los multiplicadores de Lagrange.

b) Restricciones de Desigualdad.

La Programación matemática es la rama que se encarga del estudio de estos

problemas. Podemos clasificarlos a su vez en:

b.1.) Problemas de programación lineal.

Todas las expresiones que aparecen en el enunciado del problema son lineales (tanto
la función objetivo como las restricciones).

b.2.) Problemas de Programación no Lineal.

Alguno (o todas) de las expresiones no son lineales.

3/24
3. FORMULACIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL.

Un problema de programación lineal se puede formular fundamentalmente de tres

formas distintas.

a) Forma Completa.

Supongamos que el problema consiste en maximizar la función objetivo, que hay n

variables y m restricciones.

Maximizar z  c1x1  c 2 x2  .....  cn xn

Restricciones
a11 x1  a12 x 2  ....  a1 n xn  r1 
.......................................................... 
a p1 x1  a p 2 x 2  ....  a pn xn  r p 

a p 1 1 x1  a p 12 x 2  .....  a p 1 n xn  rp 
.......................................................... 

a q1 x1  aq 2 x 2  .....  aqn xn  rq 
a q11 x1  a q 12 x2  .....  a q1  x n  rq 1 

......................................................... 
a m1 x1  am 2 x2  .....  a mn xn  rm 

xi  0 i : 1,...., n 

b) Forma Reducida.

n
Maximizar z   Ci xi
i 1
Restricciones
n

a
i 1
ji ix  rj j : 1,...., m 

xi  0 i : 1,...., n

c) Forma matricial.

Si definimos

 c1   x1   a11 a12 ... a1 n   r1 

       
c  x  a a 22 ... a 2 n  r 
C 2 x 2 A   21 y R  2 
... ... ... ... ... ...  ...
       
c  x  a am 2 ... amn  r 
 n  n  m1  n

podemos formular el problema como

Maximizar z  cz  x

4/24
 Restricciones
AX  R

X 0 

OBS Por no complicar la notación, en los dos últimos casos solo hemos escrito en las
restricciones el símbolo 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 últimas.

DEF Llamaremos forma canónica de un problema de programación lineal cuando

todas las restricciones del enunciado (excluyendo las que indican que las variables son
no negativas) tienen la misma desigualdad ( ó ).

Para el caso de maximizar

Maximizar Z  Ct  X

Restricciones
AX  R

X 0 

y para el caso de Minimizar

Minimizar Z  Ct  X

Restricciones
AX  R

X 0 

Tengamos en cuenta que una restricción del tipo

a j 1 x1  a j 2 x2  .....  a jn x n  r j

es equivalente a las dos restricciones

a j 1 x1  a j 2 x2  ......  a jn xn  r j 

a j 1 x1  a j 2 x2  ........  a jn xn  r j 

Todo problema de programación lineal expresado en forma canónica se puede

escribir en forma estándar sin mas que tener en cuenta:

1) La expresión AX  R se puede escribir como AX + Y = R siendo

Y   y1, y 2 ,...., y m  . En las yj se recoge todo lo que falta para que se produzca la
t

igualdad. Por definición Y  0.

5/24
 2) La expresión AX  R se puede escribir como AX – Y´ = R siendo
Y ´
t
  y´1, y´2 ,....., y m  . En las yj´ se recoge todo lo que falta para que se produzca la
igualdad. También Y´  0.

DEF Los elementos y1 , y2 ,…., ym de la matriz Y reciben el nombre de variables de

holgura.

DEF Los elementos y1 ´, y2´,…..,ym´ de la matriz Y´ reciben el nombre de variables

de excedente.

4. MÉTODO DE RESOLUCIÓN GRÁFICA.

Dentro de los diferentes métodos de resolución, vamos a describir ahora el

funcionamiento del método de resolución gráfica, aplicable a los problemas con dos
variables. Para problemas con más variables, en un punto posterior trataremos el
método analítico del Simplex.

Supongamos que tenemos el siguiente problema:

Optimizar Z  c1x1  c 2 x2

Restricciones
AX  B ( ó AX  B) 

X 0 

Los pasos a seguir en su resolución son:

1) Al ser todas las variables de elección no negativas, consideraremos el plano x1x2

limitado al primer cuadrante.

2) Determinamos la región factible, o conjunto de los puntos del plano que verifican
todas las restricciones. Se obtiene como intersección de los subespacios dados por cada
una de las restricciones.

3) Representamos la función objetivo. Lo que dibujamos es el vector director de la

recta definida por la función objetivo, que es (- c2 , c1 ).

4) Desplazamos la recta definida por el vector (- c2, c1 ) en la dirección (c1 , c2 )

obteniendo rectas paralelas a la inicial en el interior de la región factible hasta alcanzar
el punto o puntos óptimos.

Las soluciones que nos podemos encontrar en la resolución gráfica de un problema

de programación lineal pueden ser.

a) Solución finita y única.

Corresponde con un vértice de la región factible, pudiendo ser ésta acotada o no.

b) Solución finita y no única.

6/24
 Se obtiene cuando la pendiente de la recta definida por la función objetivo coincida
con la pendiente de uno de los lados donde se presentan todos los puntos óptimos.

En esta situación, si (a, b) y (c, d) son dos vértices consecutivos de la región factible
cuyo segmento que limitan es paralelo a la función objetivo, todos los puntos de dicho
segmento son solución, que llamaremos (x, y).

x  a  1  c 
con 0 1
y  b  1  d 
Esta situación se puede dar tanto si la región factible es acotada como si no lo es.

c) Solución no finita (no acotada).

Se produce cuando la región factible es no acotada y la recta definida por la función

objetivo se puede desplazar indefinidamente de forma paralela encontrando siempre
puntos de la región factible.

d) Sin solución.

Un problema de programación lineal no tiene solución cuando la región factible es

vacía.

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 también está
incluido en dicho conjunto.

Ejemplos.

Un círculo o una recta son conjuntos convexos. En cambio, una circunferencia o una
elipse no los son.

DEF Llamaremos punto límite 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
límite.

DEF Llamaremos punto extremo a todo punto límite que no se encuentra en el

segmento limitado por otros dos puntos límite. Desde el punto de vista geométrico
equivalen a los vértices del conjunto.

DEF Dados n, v  V con V K-espacio vectorial de dimensión n, llamaremos

combinación lineal convexa de n y v a toda expresión de la forma

u  1  v con 0  1

7/24
 Teniendo en cuenta esta última definición, podemos decir que una combinación
lineal convexa está formada por todos los puntos del segmento que delimitan u y v (lo
demostraremos a continuación).

Podemos afirmar, por tanto, que un conjunto es convexo si y solo si para todo par de
puntos del conjunto, su combinación lineal convexa pertenece a dicho conjunto.

TEOREMA

Dados u , v  n, toda combinación lineal convexa que se dé entre ellos es un punto
del segmento que los une.

Dem.

Vamos a realizar la demostración en 2 para que se pueda visualizar gráficamente.

La demostración sería análoga para el caso de n .

Tomemos u  u1 ,u 2  y v  v1, v2  elementos de 2.

Hemos de probar que w  u  1  v 0   1 es un punto perteneciente al

segmento PQ con u  OP y v  OQ .

Sea R el punto del plano tal que OR  OP  OQ  u  v .

Los puntos OPQR definen un paralelogramo, siendo OP  u la diagonal del

paralelogramo. Por tanto se verifica OP  OR  OQ .

Sea w  u  1  v ó también OS  OP  1  OQ .

OS   OP  OQ  OQ  OP  OQ  OQ  OP  OQ   OQ  OR  OQ

Si  0  OS  OQ ó wv

Si 1  OS  OP ó w u

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 función objetivo de un problema de programación lineal al igual que las m

restricciones y n condiciones de no negatividad definen conjuntos convexos.

Dem.

1) Función objetivo.

8/24
 Sea z   ci xi y sea H  x1, x2 , ...., xn   n /  c1 xi  z
n n

i 1 i 1

Vamos a demostrar que el conjunto H es convexo.

u, v  H  u  u1 ,...., un  con c1u1  ....  cn un  z

v  v1 ,...., vn  con c1 v1  ....  cnv n  z

W  u  1  v  u1 ,..., u n   1  v1 ,..., v n  con 0  1

Entonces W   u1  1  v1 ,...., un  1  vn 

n n n n
y C  Ci  ui  1  vi     Ci ui  1  CiVi    CiU i  1   Civi 
i 1 i 1 i 1 i 1

 z  1  z  z  W  H y H es convexo.

2) Restricciones de Desigualdad.

Las restricciones de desigualdad dividen a n en dos semiespacios cerrados (ya que

las desigualdades no son estrictas). Veamos entonces que un semiespacio cerrado de n
es convexo.

Sea la desigualdad a1x1  .....  an xn  r con  x1 ,...., xn   n

Consideremos H  {x1 ,...., xn   n / a1 x1  ....  an x n  r} es semiespacio de n

definido por la desigualdad anterior.

Si u, v  H  a1u1  .....  an un  r y a1v1  ....  a nvn  r .

Sea w  u  1  v   u1  1  v1 ,...., un  1  vn 

 n
vi    
n
a1 w1  ....  a n wn    ai  ui  1  ai ui  1  ai vi  
 i 1  i 1

n n
  aiui  1     ai vi  r  1  r  r
i 1 i 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 demostración anterior.

PROP La intersección de un número finito de conjuntos convexos de n es un conjunto

convexo.

9/24
 Dem.

Vamos a realizar la demostración por inducción de el número de conjuntos.

Para dos conjuntos:

Sea C1 y C2 dos conjuntos convexos de n y sean u,vC1 C2 .

Como u, v  C1 convexo u  1  v  C1 0   1

Como u, v  C2 convexo  u  1  v  C2 o   1 y C1 C 2 es convexo.

Para n – 1 conjuntos.

n 1
Hipótesis de inducción:  Ci es un conjunto convexo.
i 1

Para n conjuntos.

Sean C1 , C2 ,….., Cn n conjuntos convexos.

n
 n 1 
 i   Ci  Cn
C 
i 1  i 1 

n 1

 Ci es un conjunto convexo por hipótesis de inducción.

i 1

Cn es un conjunto convexo por hipótesis inicial.

Aplicando el caso ya visto para 2 conjuntos, su intersección es un conjunto convexo.

Por tanto, la intersección de n conjuntos convexos es un nuevo conj unto convexo.

COROLARIO La Región Factible de un problema de programación lineal es un

conjunto convexo.

Podemos generalizar la definición de combinación lineal convexa a m vectores

como sigue.

DEF Llamaremos combinación lineal convexa de los vectores u1 , u2 ,...., um  n a

u  1u1  2u 2 .....  mu m con 0  i  1 i : 1,...., m .

DEF Llamaremos envoltura convexa de cualquier conjunto de puntos T de n, y lo

denotaremos por C(T), al conjunto de todas las combinaciones convexas de puntos T.

PROP C (T) es el conjunto convexo más pequeño que contiene a T.

10/24
 Dem.

Trivial.

DEF Un conjunto convexo C es ilimitado si u  C existe v  n-{0} tal que los

puntos u  v  C con   0. En caso contrario diremos que C es limitado.

DEF Sea T  n un conjunto con un número 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 combinación convexa de los puntos extremos. Entonces C
será la envoltura convexa de sus vértices.

DEF Llamaremos como a T  n que verifica que

u  T  u  T con 0

Un cono convexo es un cono que es convexo.

DEF Llamaremos Simplex a un poliedro de n dimensiones que tiene exactamente

n+1 vértices. Las fronteras del Simplex contienen otros simplex de menor dimensión
que reciben el nombre de Caras Simpliciales.

6. MÉTODO DE RESOLUCIÓN ANALÍTICO.

Sea el problema a optimizar.

z  Ct  x
Restricciones
Ax  B 

x0 

donde las restricciones las hemos convertido en igualdades introduciendo variables de

holgura o de excedente.

DEF Llamaremos solución factible (SF) a x o  x10 , x2o ,..., xn0  que verifica las
restricciones del problema. Es por tanto un punto de la región factible (RF).

DEF Llamaremos Solución Factible Básica (SFB) a x o  x1o , x 2o ,...., xno  que verifica
que es SF y que tiene n – m componentes nulas como mínimo.

DEF Llamaremos Solución Factible Básica No Degenerada (SFBND) a

x  x1 , x2 ,..., xn  que es una Solución Factible Básica que tiene exactamente n – m
o o o o

componentes nulas. En caso contrario diremos que es una SFB degenerada.

DEF Llamaremos Solución Factible Optima (SFO) a x o  x1o , x2o ,..., xno  que es una
SFB que optimiza la función objetivo.

11/24
6.1. Teoremas Básicos de la Programación Lineal.

Vamos a ver ahora una serie de problemas que nos van a permitir llegar a la
solución del problema.

TEOREMA 1 El conjunto de Soluciones Factibles de un problema de programación

lineal, caso de no ser vacío, es convexo.

Dem.

Sea S  x  n / Ax  B, x  0 y supongamos S  Ø

Sea x1 , x2  S y ,  + con  1

Como x1  S  x1  0 y Ax1  B  x1  0

Como x2  S  x 2  0 y Ax2  B  x2  0

Luego x1  x 2  0 y

A x1  x2   Ax1  Ax2  B  B    B  B
Entonces x1  x 2  S y como x1  x2 es una combinación lineal convexa de
x1 y x2 , dos puntos cualesquiera de S, deducimos que S es un conjunto convexo.

TEOREMA Teorema Fundamental de la Programación Lineal.

a) La función objetivo alcanza su óptimo en un punto extremo del conjunto convexo

S de soluciones factibles.

b) Si el óptimo se alcanza en más de un vértice entonces cualquier combinación

convexa de estos vértices también optimiza la función objetivo.

Dem.

a) Vamos a realizar la demostración por reducción al absurdo.

Sean x1, x2 ,….,xn los vértices del conjunto convexo S y xo una solución factible
optima que no es extremo.

Al ser xo solución factible verifica

Ax0  B

x0  0 

y por ser óptima c t  x0  c t  x  x  S

12/24
 Como hemos supuesto que xo no es un vértice de S (Región factible) entonces lo
podemos expresar como una combinación lineal convexa de los vértices de S:

n n
xo   i xi con  i 1 y 0  i  1 i : 1,..., n
i 1 i 1

La función objetivo en el punto xo es

 n  n n
z  xo   C t  xo  C t    i xi    i C t xi   i  z xi 
 i 1  i 1 i 1

Entre los z(xi) con 1  i  n hay uno que será el más pequeño de todos (elegimos el
más pequeño si el problema es minimizar la función objetivo y el más grande si hay que
maximizar). Sea

 minz  xi  / 1  i  n
Entonces
 C t xi 1  i  n

pudiéndolo expresar como

C t xi   i con i  0 1 i  n
Por tanto

n n n n
C t xo   i C t xi   i  i   i   i i 
i 1 i 1 i 1 i 1

n n n
  i  i i   i i
i 1 i 1 i 1

Y como
n

 i i  0  C t xo 
i 1

Lo que contradice que Xo sea una SFO (para el caso de minimizar).

b) Supongamos que el óptimo alcanza en x1 , x2 ,…..,xp , p vértices de la región

factible S.

Vamos a realizar la demostración para obtener el mínimo (en el caso de maximizar

sería igual).

Sea Ct xi = m 1  i  p con m mínimo de la función objetivo.

Entonces C t xi  C t x x  S

13/24
 Axi  B 

xi  0 

p
Sea xo   i xi una combinación lineal convexa de los vértices x1 ,….,xp, con
i 1
p

 i 1 y 0  i 1
i 1

Veamos que xo es también óptimo.

p p p p
C t xo   C t i xi   i C t xi   i m  m  i  m 1  m
i 1 i 1 i 1 i 1

p p p p
Axo   A i xi   i Axi   iB  B  i  B 1  B
i 1 i 1 i 1 i 1

p
xo   i xi  0
i 1

Luego xo también optimiza la función.

TEOREMA 2

Dada una solución factible, xo S, ésta es un punto extremo del conjunto de
soluciones factibles S si tiene K componentes positivas, K  n , y las restantes, n – K,
nulas, de forma que se satisface

K

x v B
oi i
i 1

 
siendo v1 ,...., vK  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 xo   xo 1, xo 2 ,...., xon  es una solución factible que verifica las condiciones del
enunciado.

Supongamos que xo no es un punto extremo.

Entonces xo se puede expresar como combinación lineal convexa de dos puntos

cualesquiera, x1 y x2, de la región factible (observemos que no decimos que esos puntos
sean extremos)

xo  x1  1  x 2 0 1

14/24
 Podemos suponer, sin pérdida de generalidad, que las K componentes de xo no
nulas son las primeras.

xo   xo 1, xo 2 ,...., xoK ,0,....,0) 

Entonces, los puntos x1 y x2 han de ser del mismo tipo:

x1  ( x11 ,...., x1K ,0,...,0) y x2  x 21 ,..., x2 K ,0,...,0 

y como Ax1 = B y Ax2 = B tenemos

K
 
Ax1   x1i vi  B 
 K
i 1
K     x1i  x2i vi  0

Ax2   x2 i vi  B  i 1

i 1



Los vectores v1 ,..., vK  son linealmente independientes

x1i  x2 i  0 1  i  K  x1i  x2 i 1  i  K  x1  x2

Al no poder expresar xo como combinación lineal convexa de dos puntos S  xo es

un punto extremo o vértice de S.

TEOREMA 3 (Recíproco del anterior).

Sea xoS un punto extremo del conjunto de soluciones factibles S. Entonces hay a
lo sumo K componentes positivas en xo , siendo el resto nulas, y los K vectores columna
de la matriz A que verifican

K

x oi  vi  B
i 1

son linealmente independientes.

Dem.

Sin pérdida de generalidad, vamos a suponer que son no nulas las K primeras
componentes de xo .

K

xo  S  Axo  B   xoi  vi  B
i 1

 
Supongamos que v1 ,...., vK  es un conjunto Linealmente Dependiente. Podemos
encontrar una combinación lineal de ellos con algún escalar no nulo.

15/24
 K
 
Sean 1 ,..., K   /  ivi  o con 1  0 (elegimos 1 como podíamos haber
i 1
K
 
elegido otro). Se verifica  1  i vi  o
i 1

Generamos los puntos x´ y x´´ como

x´ xo 1  1 1 , x o2  1 2 ,...., xoK  1 K ,0,...,0 

x´´  xo1  1 1 , xo 2  1 2 ,..., xoK  1 K ,0,...,0 

Es claro que ambos puntos verifican

Ax´ = B y Ax´´= B

Todo lo dicho es igualmente válido si en lugar de 1 tomamos un nº cualquiera

positivo tan pequeño 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:

1 1
xo  x´ x´´
2 2

xo sería combinación lineal convexa de x´ y x´´ y por hipótesis era un punto

extremo.

Llegamos a una contradicción siendo por tanto nuestra suposición falsa y v1 ,..., vK 
son linealmente independientes.

COROLARIO El punto xo S (solución factible) es un punto extremo si y sólo si los

vectores columna de la matriz A asociados a las componentes positivas de xo son
K

Linealmente Independientes verificando x v  B.
oi i
i 1

6.2. El método del Simplex.

Si queremos calcular el punto óptimo (máximo o mínimo) de un problema de

programación lineal, sólo hemos de obtener todos los vértices de la región factible y
saber el valor de la función objetivo en cada uno de ellos. El problema surge cuando el
nº de vértices puede ser elevado, lo que hace este proceso impracticable.

El método del simplex nos facilitará la obtención de la solución óptima mediante la

elaboración de un criterio que nos va a permitir si una solución básica es o no una
solución óptima. En caso negativo nos daría un procedimiento de aproximación a dicha
solución óptima.

El método consiste en:

16/24
 a) Partimos del conocimiento de una solución básica inicial. Si es óptima (mediante
el criterio de optimalidad) hemos terminado.

b) Pasamos a otra solución básica (vértice contiguo) tal que el valor de la función
objetivo es menor (o mayor) que en la anterior. Si el nuevo vértice no es todavía la
solución óptima, repetiremos el paso.

c) Al ser el nº de vértices finito, en un nº finito de repeticiones encontraremos la

solución (si la hay).

6.2.1. Generación de Puntos Extremos.

Vamos a suponer que partimos de una solución factible básica inicial que tiene K
componentes positivas como máximo.

xo   xo1 , xo 2 ,....., xoK ,0,....,0  y xoi  0 1  i  K

En la matriz A tenemos los vectores columna v1 ,...., vK  que son linealmente
independientes.

K

x v B
oi i
i 1

Cualquier otro vector de A vK 1 ,..., vn  es combinación lineal de los K vectores
primeros, ya que rang (A) = K.

K K
   
Llamaremos v o   xoi vi y sea v K 1   x K 1 i vi
i 1 i 1

Elegimos  con   0. Entonces

K
 
vK 1   x K 1 i vi
i 1

vo  v K 1   xoi  x K 1i vi

K
  

i 1


Hemos expresado vo como combinación lineal de los K + 1 primeros vectores
columna de A. La solución factible asociada es

X  x o1  x K 1 1, x o 2  x K 1 2 ) ,....., xoK  x K 1 K , ,0,...,0 

Se verifica que Ax = B

 x  xK 1i vi  v K 1   xoi vi 

K K K
    
oi  x v  vK 1  B  vK 1  vK 1  B
K 1 i i
i 1 i 1 i 1

17/24
 Como x ha de ser solución factible, todas sus componentes han de ser nulas o
positivas:

0 xoi  x K 1 i  0 1 i  K

Excluimos el caso  = 0 ya que entonces x = xo que sabemos que es solución

factible básica.

xoi
xoi  x K 1 i  0 1  i  K  xoi  x K 1 i  
xK 1i

 Si x K 1 i  0  xoi  0

 Si x K 1 i  0  xoi - x(K+1)i  0

xoi
 Si x K 1 i  0  xoi  x K 1 i  0  
x K 1 i

xoi
Por tanto hemos de tomar  menor o igual que todos los cocientes cuando los
xK 1 i
x(K+1)i sean positivos.

Además, si queremos que x sea una solución factible básica, no ha de tener más de
K componentes no nulas. Pero si tomamos los coeficientes x K 1 i  0 1  i  K .

x   xo1 , xo2 ,...., xoK , ,0,....,0 

tendría K + 1 componentes no nulas y por tanto no sería solución factible óptima.

Si todos los x(K+1)i  0 1 i  K sucede lo mismo, x volvería a tener K + 1

componentes no nulas.

Por lo tanto, algún x(K+1)i ha de ser positivo.

 x 
Si tomamos  min oi  siempre que x(K+1)i  0 podemos asegurar que x
 x K 1 i 1i K
tendrá a lo más K componentes no nulas. Si suponemos que el mínimo se alcanza para
x
i = 1 tendremos  oi y entonces la primera coordenada de x, xo1 - x(K+1)1, será
x K 1 1
nula. Si el mínimo se alcanza en más de un valor de i, habrá más componentes nulas.

Para afirmar que x es una solución factible básica, 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.

18/24
 x oi
Como hemos supuesto que la primera componente es nula (ya que 
x K 1 1
tenemos que una combinación lineal de los vectores asociados quede el vector cero es

 K 1

O   i vi
i 2

  
Podemos expresar v K 1 como combinación lineal de v1 ,...., vK 

K
 
v K 1   x K 1 j v j
j 1

Entonces
K 1
v   x K 1i vi
K K K
    
o   i v i   i vi  K 1   x K 1  j v j  x K 1 1  K 1 1 i  K i
i 2 i 2 j 1 i 2

 
Como v1 ,..., vK  son linealmente independientes, los escalares deben ser nulos.

K 1  xK 11  0 y i  K i  x K 1 i  0 2i K

 
Si K 1 0 i 0 2  i  K  v2 ,...., v K 1 son linealmente independientes

x oi
Si K 1  0  x K 1 1  0  Como  llegamos a una contradicción.
x K 1 1

Así pues K 1  0 y los vectores v2 ,...., vK 1 son L. I.

6.2.2. Criterio de Optimalidad.

Vamos a ver ahora como, a partir de la solución factible básica, ir obteniendo otras
soluciones factibles básicas tales que cada una de ellas mejore el valor de la función
objetivo en cada paso.

Sea
xo   xo1 , xo 2 ,....., xoK , o,....., o 

la solución factible básica inicial con

v1 , v2 ,....., vK 

los vectores columna de la matriz A asociados a las componentes no nulas que verifican
ser linealmente independientes. La función objetivo es

z = Ct · x

19/24
que aplicada en x = xo

K
z o   Ci x oi
i 1

y sea

K K
 
z j   Ci x ji con v j   x jivi K 1 j  n
i 1 i 1

TEOREMA

Si en un problema de minimización se verifica

z j cj  0 1 j  n

entonces xo es un punto óptimo. Si el problema fuese de maximización el óptimo se

daría cuando

z j cj  0 1 j  n

Dem.

Vamos a demostrar el teorema para el caso de un problema de minimización.

Sea y   y1, y2 ,...., y n  una solución factible básica y z *  c t  y

Se verifica

yi  0 1 i  n

n

yv i i B
i 1

  
Como v1 ,...., vK  son L. I. y los v j con K  1  j  n pueden expresar como
combinación lineal de los K primeros tenemos.

K
 
v j   x ji vi K 1 j  n
i 1

n
 K  K
 n  n

 j  ji i
y   x v   B     y j  x ji vi B con y x j ji xoi
j 1  i 1  i 1  j 1  j 1

Así pues, si

20/24
 z j cj  o 1 j  n  z j  cj 1 j  n

Por tanto:

n n n
 K  K
 n  K
z   c j y j   z j y j     ci x ji  y j     x ji y j ci   xoi ci z o
*

j 1 j 1 j 1  i 1  i 1  j 1  i 1

 z *  z o luego zo es mínima.

¿Qué sucede si la desigualdad

zj – cj  0

en el caso de un problema de minimización no fuese cierta para 1  j  n ?

Existen dos posibilidades:

 No hay solución.

 Podemos obtener otra solución factible básica más pequeña que la inicial, al no ser
óptima ésta.

Veamos como obtenerla.

Sea xo   xo 1, xo 2 ,...., xoK ,0,....,0  una solución factible básica tal que existe un
m  1,...., n con zm – cm  0.

K
 
Sea v j   x jivi K i jn
i 1

K

B   xoi vi ya que xo es solución
i 1
K K
    
 B   xoi vi  vm  vm    xoi  xmi vi  vm
i 1 i 1

Si x mi  0  m el valor de la función objetivo no puede estar acotado inferiormente

ya que el nuevo punto extremo sería

x   xoi  x m1 ,....., xoK  xmK ,0,..., ,...,0 

y entonces

K K K
z *  c t x   ci  xoi  xmi   cm   ci xoi  c x i mi  cm 
i 1 i 1 i 1

 z o  z m  cm  z o  c m  z m   z o ya que cm – zm  0

21/24
 Por tanto, dándole a  valores cada vez mayores el valor de z* es tan próximo a - 
como queramos. Luego la función objetivo no está acotada inferiormente.

x  x
Si algún xmi  0 (por ejemplo i = 1)  min oi   o1 para xmi  0 podemos
 xmi  x m1
obtener otra solución factible básica que satisface

x   0, x02  xm 2 ,...., xoK  xmK ,0,...., ,...,0 

 

K
z *  c t x   ci  xoi  xmi   cm  z o  z m  cm  z o  cm  z m   zo
i 2

De forma análoga podemos verlo en el caso de un problema de maximización.

7. SOLUCIONES DEGENERADAS.

DEF Una solución factible básica es degenerada cuando al menos una de las
componentes es nula. Es decir, si tenemos el conjunto linealmente independiente
K
v1 ,..., vK  tal que x oi

 vi  B , diremos que la solución factible básica
i 1

xo   xo 1, xo 2 ,..., xoK ,0,...,0  es degenerada si al menos xoi = 0 para algún i  1,..., K .

Si se da esta situación no podemos hacer uso del método simplex, ya que la nueva
solución no mejoraría la solución degenerada inicial.

Para poder resolver este problema, hemos de tener en cuenta que la solución
 
degenerada xo lleva asociada la base P  v1 ,..., v K  de K tal que xo  P 1  B .

Sea   0 suficientemente pequeño y hacemos que las restricciones sean función de

:
    2 n
x1v1  x2 v2  .....  xnv n  B  v1  v  .... 
2 v  B
n 
La solución vendrá dada por

xo    p 1  B 

Si L j  p 1  v j   1j 2j .... Kj   x   x
t
o o  L1  2
L2  ....  n
Ln

Así los Lj de los vectores de la base se compondrán de ceros excepto el elemento

j-ésimo, que será la unidad. Los Lj de los vectores que no pertenecen a la base tendrán
la forma general  K  1  j  n  .

Para saber el vi que eliminaremos de la base, bastaría tomar

22/24
  x  
min  oi  0 / 1  i  K
 ij

8. DUALIDAD.

DEF Dado un problema de programación lineal

min z = ct · x
Ax  B
x 0

definimos el problema dual del anterior como

max t = y · B
y ·A  C
y 0

Análogamente, si el problema es de maximizar, siendo su dual de minimizar.

TEOREMA. Teorema de dualidad.

Dado un problema de programación lineal, si posee solución óptima finita, entonces

el dual también posee solución óptima finita y además min z = max t. La solución del
dual es yo  Co  p 1 , siendo también la solución óptima del problema inicial.

Con este teorema podemos resolver un problema de programación lineal a partir de

su dual, y recíprocamente.

La dualidad es involuntaria, es decir, el dual del dual es el problema inicial.

9. APLICACIONES.

Actualmente la programación lineal aborda cuestiones ajenas a la geometría. Un

ejemplo es el problema del transporte, que surge al tener varios puntos de producción y
varios de distribución, y se plantea el modo de distribuir los productos para que el coste
sea mínimo.

El problema del transporte se formula por primera vez en 1941 – 42, por Koopmans
y Kantorovith de forma independiente.

En 1958 se aplicaron métodos de programación lineal para obtener el plan óptimo

de transporte de arena para la construcción del edificios en la ciudad de Moscú. Existían
10 puntos de partida y 230 de llegada. Se consiguió rebajar en un 11% los gastos
respecto a los costes previstos.

Otro de los problemas más 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 alimentación suficiente con un coste mínimo.

23/24
Bibliografía Recomendada.

Programcion lineal. S.J. Gross. Ed: Comp. edit. continental

Programación matematica. A. Balbás.J.A. Gil. Ed: AC

Programación Lineal. Simonard

24/24