Ê


  
Ê   

‘

Muchos problemas de administración y economía están relacionados con la optimización (maximización o minimización) de una
función sujeta a un sistema de igualdades o desigualdades. La función por optimizar es la 0

 . Las funciones de
ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que está sujeta la función
objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la
solución (o soluciones) del problema. Los problemas de esta naturaleza se llaman {
  {

  . En
particular, aquellas donde la función objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman
{
 {

 ‘


 Yn problema de programación lineal consta de una funci´n objetivo lineal por maximizar o

 minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales.‘

‘

Como ejemplo de un problema de programación lineal en que la función objetivo debe maximizarse, considerese el siguiente
problema de producción con dos variables‘

Ô



 











O‘
 


Ô
  

 




 
  


  {
 ‘
 
 





 


  
 
{
 ‘
 




!"





 

‘




#  

 $!"

%

 
# $‘   {
 ‘
 
{
 ‘

Ê  &
Como primer paso para la formulación matemática de este problema, se tabula la información dada (Tabla 1). Si llamamos
 a las hectáreas de maíz e a las hectáreas de trigo. Entonces la ganancia total
, en dólares, está dada por‘


x+3y‘

Xue es la función objetivo por maximizar.‘


!
‘‘ ‘ ‘
!
!‘
"!‘ ü‘ 1‘ ‘‘

c
"#!‘ 1‘ 1‘ 8‘

‘ Î
‘ Î3‘
8‘

La cantidad total de tiempo par hectáreas para sembrar maíz y trigo está dada por  horas que no debe exceder las 8 horas
disponibles para el trabajo. Así se tiene la desigualdad:‘

 †- ‘

Ô


     {
  {
   
{!     {
{ 
 

"!
 ! 
!  ‘


#

"! 
 {    
{!  
$ 

"!‘
 ‘
‘
Ô !{
! 
 ! 
$

 ‘
! 
!  ‘
 †-‘
 †-‘
 ‘
‘
‘‘

Ê  
'( ‘

Los problemas de programación lineal en dos variables tienen interpretaciones geométricas relativamente sencillas; por ejemplo, el
sistema de restricciones lineales asociado con un problema de programación lineal bidimensional- si no es inconsistente- define una
región plana cuya frontera está formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en
forma gráfica.‘

Si consideremos el problema del granjero López, es decir, de maximizar
 sujeta a ‘

 †-‘
 †-‘
  %&'‘

El sistema de desigualdades (7) define la región plana Ê que aparece en la figura 5. Cada punto de Ê es un candidato para resolver
este problema y se conoce‘
ü
 ‘

como ! 
0$El conjunto Êse conoce como 

0. El objetivo es encontrar ± entre todos los puntos del
conjunto Ê- el punto o los puntos que optimicen la función objetivo
. Tal solución factible es una ! 
y constituyen la
solución del problema de programación lineal en cuestión.‘

Como ya se ha observado, cada punto
% ' en Ê es un candidato para la solución óptima del problema en cuestión, por
ejemplo, es fácil ver que el punto (ü, 15) está en Ê y, por lo tanto, entra en la competencia. El valor de la función objetivo
en el
punto %(' está dado por
%'%('( . Ahora si se pudiera calcular el valor de
correspondiente a cada punto
de Ê, entonces el punto (o los puntos) en Ê que proporcione el valor máximo de
formará el conjunto solución buscado. or
desgracia, en la mayoría de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. Así
este método no es adecuado.‘

Es mejor cambiar de punto de vista: en vez de buscar el valor de la función objetivo
en un punto factible, se asignará un valor
a la función
y se buscarán los puntos factibles que correspondieran a un valor dado de
. ara esto supóngase que se asigna a
el
valor 6. Entonces la función objetivo se convierte en  )una ecuación lineal en  e ; por lo tanto, tiene como gráfica
una línea recta  en el plano. ‘

Está claro que a cada punto del segmento de recta dado por la intersección de la línea recta y el conjunto factible Ê
corresponde el valor dado 6 de
. Al repetir el proceso, pero ahora asignando a
el valor de 1ü., se obtiene la ecuación 
 y la recta  lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de
. Obsérvese que la recta
 es paralela a, pues ambas tienen una pendiente igual a *+. Esto se comprueba con facilidad escribiendo las ecuaciones en
explícita de la recta.‘

En general, al asignar diversos valores a la función objetivo, se obtiene una familia de rectas paralelas, cada una con pendiente
igual a *+. Además, una recta correspondiente a un valor mayor de
está más alejada del origen que una recta con un valor menor
de
. El significado es claro. ara obtener las soluciones óptimas de este problema, se encuentra la recta perteneciente a esta familia

que se encuentra más lejos del origen y que interseque al conjunto factible Ê. La recta requerida es aquella que pasa por el punto

%)' (Fig. 6), de modo que la solución de este problema está dado por  )( es decir que el granjero López deberá
sembrar 3ü hectáreas de maíz y 16 hectáreas de trigo), lo que produce el valor máximo
%'%)'&).‘

No es casualidad que la solución óptima de este problema aparezca como vértice del conjunto factible Ê. De hecho, el resultado
es consecuencia del siguiente teorema básico de la programación lineal, que se enuncia sin demostración.‘

%‘ Si en problema de programación lineal tiene una solución, entonces ésta debe aparecer en un vértice, o
esquina, del conjunto factible Ê asociado con el problema. Además, si la función objetivo
se optimiza
en dos vértices adyacente de Ê, entonces se optimiza en todos los puntos del segmento de recta que
une estos vértices, en cuyo caso existe una infinidad de soluciones al problema‘

En nuestro ejemplo los únicos vértice del conjunto factible Ê son los puntos coordenados: %',%',%)',%-), llamados
también puntos esquinas (Fig. 6) ‘

Yn ejemplo en el que tendríamos infinitas soluciones, es: ‘

VERTICE‘ 
x+
y‘ Supóngase que la utilidad por hectáreas es de Î
 para ambos, maíz y trigo. La tabla para
este caso muestra la misma utilidad total en los vértices(,
8) y (3ü,16). Esto significa
(,)‘ ‘ que la línea de utilidad en movimiento abandona la región sombreada por el lado
(,
8)‘ 19.ü‘ determinado por esos vértices (adyacentes) , así todo punto en ese lado da una utilidad
(3ü,16)‘ 19.ü‘ máxima. Todavía es válido, sin embargo, que la utilidad máxima ocurre en un vértice.‘
(
,)‘ 16.‘
‘

El teorema 1 dice que la búsqueda de las soluciones a un problema de programación lineal se puede restringir al examen del conjunto
de vértices del conjunto factible Ê relacionado con el problema. Como un conjunto factible Ê tiene un número finito de vértices, el
teorema sugiere que las soluciones a un problema de programación lineal se puedan hallar inspeccionando los valores de la función
objetivo  en los vértices.‘

Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solución de un problema de programación lineal, no indica
cuándo tiene solución. El siguiente teorema establece ciertas condiciones que garantizan la existencia de la solución de un problema
de programación lineal.‘

å
)&‘ Ê!{ 
!{
 {

 
!
!
Ê !! 
$


Ô#  

 ‘



  ‘ ÊÊ



!$

 $
-
Ê‘
‘ ÊÊ


 





$


!$
-
Ê
 
"! Ê!  
!  . .‘
ÊÊ
!
$-

{
 {

 

! ,  


!$

!
-
‘
‘

El método utilizado para resolver el problema del granjero López recibe el nombre de &!!' 
!. Este método sigue un
procedimiento muy sencillo para resolver los problemas de programación lineal basado en el teorema1.‘

O%


‘  Ê


!
‘
 ‘  Ê! 

  
"!%$ ' 
!
‘
‘ Ê$#! 
$
 "!‘
Ê$ "!{
{


%-
' ! 
$
Ê 
!
$ 
{
{  

! !
! # {
Ê! 
$

%'
"!  Ê
!   
!

{  {

{!
 

    
{


$ ‘
‘

Aplicaremos los conceptos antes emitidos al siguiente problema de nutrición, basado en los requerimientos, en el cual hay que
minimizar la función objetivo. ‘

‘‘

Y
   



  

(

(   

 

  
*


 


 



)


  
*+,
-  .

,/


  
*+)
- (  .

 



 

Ô# 


 

  
 
  


0



*
"

 



0
 



 
,



  
*+,
/


  
*+)


1

"

 



*
 
,


 
,/



  
*+,


  
*+)




- 
).
‘
!" 
  


 





 


 

  

 

  



$‘
Requerimientos
‘‘ Marca A‘ Marca B‘
mínimos‘
Hierro‘
 mg‘ 1 mg‘ ü
 mg‘

M
Vitamina B-1‘ 1 mg‘ 15 mg‘ ü1 mg‘
Vitamina B-ü‘ 5 mg‘ 15 mg‘ 15 mg‘
Costo por píldora
,6 ‘ ,8‘ ‘‘
(YSÎ)‘

Ê
Sea  el número de píldoras de la marca A e el número de píldoras de la marca B por comprar. El costo , medido en
centavos, está dado por ‘

)- ‘

que representa la función objetivo por minimizar.‘

La cantidad de hierro contenida en  píldoras de la marca A e el número de píldoras de la marca B está dada por 
mg, y esto debe ser mayor o igual a ü
 mg. Esto se traduce en la desigualdad. ‘

 ‘

Consideraciones similares con los requisitos mínimos de vitaminas B-1 y B-ü conducen a las desigualdades: ‘

( ‘
(( (‘

respectivamente. Así el problema en este caso consiste en minimizar )- sujeta a ‘

 ‘
( ‘
(( (‘
  ‘‘
El conjunto factible Ê definido por el sistema de restricciones aparece en la figura. Los vértices del conjunto factible Ê son %',
/%',%,)' 0%' ‘

§
 ‘

Los valores de la función objetivo  en estos vértices en la tabla que sigue‘

Vertice‘ C 6x + 8y‘
A (,ü
)‘ 19ü‘
B(3,1ü)‘ 11
‘
C(1ü,6)‘ 1ü‘
D(3,)‘ 18‘

La tabla muestra que el mínimo de la función objetivo )- ocurre en el vértice /%' y tiene un valor de 11
. Así el paciente
debe adquirir 3 píldoras de la marca A y 1ü de la marca B, con un costo mínimo de Î11,
. ‘

‘‘‘
 ‘
  ‘ ‘‘
‘
‘‘ 
‘
 ‘‘ ‘
 
‘ ‘ ‘
 ‘ ‘ ‘ ‘
‘‘
   ‘‘ ‘ ‘
 ‘
 ‘  ‘  ‘‘ ‘‘‘ ‘‘ ‘
‘ ‘‘
 ‘‘‘
   ‘ ‘‘
‘ ‘‘ ‘
‘ ‘
‘‘ ‘
 
‘ ‘ ‘
 ‘‘ ‘   ‘‘ ‘ ‘
‘
  ‘
 ‘‘  ‘‘
 ‘
  ‘
 ‘
‘ 
‘ !‘   ‘"#"‘‘  ‘
 
 ‘‘
‘‘
‘
‘ ‘ ‘ ‘ ‘
‘   ‘‘ ‘‘  ‘ 
  ‘ ‘
‘  ‘‘   ‘$ ‘
‘ ‘‘
 ‘‘‘
   ‘ ‘‘ ‘‘‘  ‘%
‘ ‘ ‘ ‘  ‘
‘ ‘
‘ ‘‘ ‘‘
 ‘
  ‘ ‘ &'‘
‘
 ‘‘‘‘

‘‘‘‘
  ‘
 ‘ ‘ ‘()(‘‘‘ ‘‘  ‘ ‘ ‘  ‘ 
 ‘
‘
 ‘
 
‘*‘)#)+‘‘ ‘ ‘
‘‘‘
 ‘
  ‘ ‘
‘ ‘‘ ‘‘ 
‘
 ‘‘ ‘
 
‘ ‘

‘ ‘ ‘
‘‘ ‘ ‘‘‘‘‘
‘ 
‘‘
 ‘ 
  ‘‘
 ‘
 ‘‘ ‘
 
‘‘ ‘‘ ‘ ‘
 ‘
‘ 
 ‘‘
 ‘‘ ‘
  ‘

6
 !!
!


‘
En los siglos XVII y XVIII, grandes matemáticos como (
,

, 
  y, sobre todo,

, que tanto habían contribuido al desarrollo del
cálculo infinitesimal, se ocuparon de obtener máximos y mínimos condicionados de determinadas
funciones.‘

osteriormente el matemático fránces Jean Baptiste-Joseph   (1768-183) fue el primero en

intuir, aunque de forma imprecisa, los métodos de lo que actualmente llamamos programación lineal y
la potencialidad que de ellos se deriva.‘

Si exceptuamos al matemático !
 (17
6-1818), quien en 1776 se interesó por problemas

de este género, debemos remontarnos al año 1939 para encontrar nuevos estudios relacionados con
los métodos de la actual programación lineal. En este año, el matemático ruso Leonodas Vitalyevich
)
 publica una extensa monografía titulada O 


 

  
{  {
!  en la que por primera vez se hace corresponder a una extensa gama de
problemas una teoría matemática precisa y bien definida llamada, hoy en día, programación lineal .‘

En 19
1-19
ü se formula por primera vez el problema de transporte, estudiado independientemente por )
!*)
, razón por la cual se suele
conocer con el nombre de {
 1

{21
$‘

Tres años más tarde, $Ê plantea otro problema particular conocido con el nombre de régimen alimenticio optimal.‘

En estos años posteriores a la Segunda Guerra Mundial, en Estados Ynidos se asumió que la eficaz coordinación de todas las energías y recursos de la nación
era un problema de tal complejidad, que su resolución y simplificación pasaba necesariamente por los modelos de optimización que resuelve la programación
lineal.‘

aralelamente a los hechos descritos se desarrollan las técnicas de computación y los ordenadores, instrumentos que harían posible la resolución y simplificación
de los problemas que se estaban gestando.‘

En 19
7, $$ 
 formula, en términos matemáticos muy precisos, el enunciado estándar al que cabe reducir todo problema de programación lineal.
Dantzig, junto con una serie de investigadores del  Ê0{ 
  3
, formarían el grupo que dio en denominarse Ê
%Ê

{!

{!


'‘

Yna de las primeras aplicaciones de los estudios del grupo SCOO fue el puente aéreo de Berlín. Se continuó con infinidad de aplicaciones de tipo
preferentemente militar.‘

Hacia 195 se constituyen, fundamentalmente en Estados Ynidos, distintos grupos de estudio para ir desarrollando las diferentes
ramificaciones de la programación lineal. Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson y Gale, el
departamento de Matemáticas de la Yniversidad de rincenton, con Tucker y Kuhn, así como la Escuela Graduada de Administración
Industrial, dependiente del Carnegie Institute of Technology , con Charnes y Cooper.‘

-
Respecto al método del simplex, que estudiaremos después, señalaremos que su estudio comenzó en el año 1951 y fue desarrollado por Dantzig en el  
Ê/! !
Ê  ÊÔ O
Ô
, ayudándose de varios modelos de ordenador de la firma IBM.‘

Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano de origen húngaro '
!
 
(193-1957), quie en
19ü8 publicó su famoso trabajo 
- 4!

. En 19
7 conjetura la equivalencia de los problemas de programación lineal y la teoría de matrices desarrollada
en sus trabajos. La influencia de este respetado matemático, discípulo de David Hilbert en Gotinga y, desde 193, catedrático de la $    

 
Ô

, hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina.‘

En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: !
 { {
  {
   
 ! 
 
   !   O
#. En este problema había 1 puntos de partida y ü3 de llegada. El plan óptimo de transporte, calculado con el ordenador
Ê  en 1 días del mes de junio, rebajó un 11% los gastos respecto a los costes previstos.‘

Se ha estimado, de una manera general, que si un país subdesarrollado utilizase los métodos de la programación lineal, su producto interior bruto (IB)
aumentaría entre un 1 y un 15% en tan sólo un año.‘



!+ 
&
‘

En 19
6 comienza el largo período de la guerra fría entre la antigua Ynión Soviética (YRSS) y las potencias aliadas (principalmente ,
Inglaterra y Estados Ynidos). Yno de los episodios más llamativos de esa guerra fría se produjo a mediados
de 19
8, cuando la YRSS bloqueó las comunicaciones terrestres desde las zonas alemanas en poder de los
aliados con la ciudad de Berlín, iniciando el bloqueo de Berlín. A los aliados se les plantearon dos
posiblidades: o romper el bloqueo terrestre por la fuerza, o llegar a Berlín por el aire. Se adoptó la decisión de
programar una demostración técnica del poder aéreo norteamericano; a tal efecto, se organizó un gigantesco
puente aéreo para abastecer la ciudad: en diciembre de 19
8 se estaban transportando
5 toneladas
diarias; en marzo de 19
9, se llegó a las 8 toneladas, tanto como se transportaba por carretera y ferrocarril
antes del corte de las comunicaciones. En la planificación de los suministros se utilizó la programación lineal. (El 1ü de mayo de 19
9,
los soviéticos levantaron el bloqueo)‘

,- &!

.‘
En infinidad de aplicaciones de la industria, la economía, la estrategia militar, etc.. se presentan situaciones en las que se exige maximizar o minimizar algunas
fucniones que se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones.‘

ara hacernos una idea más clara de estos supuestos, veamos dos ejemplos:‘

%+#/!.
Ô!
{ { 
  
 5

{
!
  /
 

-6
    / !
 5

6
   ( / 
 
$ /  
 5-/Ê
 
-6
   ( /7!

 
 {
 {
 { {  { 
 



8‘
2
0+
!$
{9{ {


 !  {
!

 { 

!
 

! 

 
 Ê   {  



! 
 

!   { !
 (

 !{
!
     

!   

 

{
!
Ê {
 :6


 {
!
{   
Ô

 {
!  !

!    / /!
  .‘

En los dos ejemplos descritos está claro que tanto la cantidad que deseamos maximizar como la cantidad que deseamos minimizar podemos expresarlas en
forma de ecuaciones lineales. or otra parte, las restricciones que imponen las condiciones de ambos problemas se pueden expresar en forma de inecuaciones
lineales.‘

Tratemos de plantear en términos matemáticos los dos ejemplos anteriores:‘

%1 Si designamos por x al número de sacos de fertilizante de clase  y por y el número de sacos de fertilizante de clase X que se han de vender, la función : ƒ2
344#5644representará la cantidad de bolívares obtenidas por la venta de los sacos, y por tanto es la que debemos maximizar.
odemos hacer un pequeño cuadro que nos ayude a obtener las restricciones:‘

‘‘ Nº‘ kg de A‘ kg de B‘
‘ ‘ 8‘ ü‘
X‘ ‘ 1 ‘ 5 ‘
‘‘ ‘‘ 8‘ ü5‘

or otra parte, las variables  e , lógicamente, han de ser no negativas, por tanto :  , 
Conjunto de restricciones:‘

6#5%4 64‘
0#57 07‘
# 48 4‘

01 Si representamos por  el número de yogures de limón e al número de yogures de fresa, se tiene que la función de costos esƒ234#504.
or otra parte, las condiciones del problema imponen las siguientes restricciones:‘

 De número :  8‘‘

 De fermentación: .5 + .ü 9‘‘
 Las variables  e han de ser, lógicamente, no negativas; es decir:  , ‘‘

Conjunto de restricciones:‘
c

 #
2
 64‘
4$7#54$0 9444‘
# 48 4‘


0
:‘

Ê



&
!#!' 

!! 
! 
+

:/
1
0

80


!!8! +

!!
!8/!!
 
!
!$‘

Yn problema de programación lineal en dos variables, tiene la siguiente formulación estándar:‘

‘
puediendo cambiarse maximizar por minimizar, y el sentido de las desigualdades. ‘

En un problema de programación lineal intervienen:‘

 La función f:# 12#55 llamada 0

 y que es necesario optimizar. En esa expresión #e son las !!
, mientras
que a, b y c son constantes. ‘
 Las !
! que deben ser inecuaciones lineales. Su número depende del problema en cuestión. El carácter de desigualdad viene impuesto por las
limitaciones, disponibilidades o necesidades, que son: inferiores a ... ( menores: < o ); como mínimo de ... (mayores: > o ) . Tanto si se trata de
maximizar como de minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos. ‘
 Al conjunto de valores de e que verifican todas y cada una de las restricciones se lo denomina 

:
10. Todo punto de ese
conjunto puede ser solución del problema; todo punto no perteneciente a ese conjunto no puede ser solución. En el apartado siguiente veremos como se
determina la región factible.‘
 La ! 
 del problema será un par de valores ( ) del conjunto factible que haga que f( ) tome el valor máximo o mínimo.‘

En ocasiones utilizaremos las siglas L para indicar problema de programación lineal.‘

 


0‘
cc
‘‘ ‘‘
La solución de un problema de programación lineal, en el supuesto de que exista, debe estar en la región determinada por las distintas desigualdades. Esta
recibe el nombre de 
0, y puede estar o no acotada. ‘

‘ ‘

0‘ 
0
‘

La región factible incluye o no los lados y los vértices, según que las desigualdades sean en sentido amplio ( o ) o en sentido estricto (< o >).‘

Si la región factible está acotada, su representación gráfica es un polígono convexo con un número de lados menor o igual que el número de restricciones.‘

El procedimiento para determinar la región factible es el siguiente:‘

%1 Ê! 
 
!, es decir, se encuentra el semiplano de soluciones de cada una de las inecuaciones.‘

 Se dibuja la recta asociada a la inecuación. Esta recta divide al plano en dos regiones o semiplanos‘
 ara averiguar cuál es la región válida, el procedimiento práctico consiste en elegir un punto, por ejemplo, el (,) si la recta no pasa por el origen, y
comprobar si las coordenadas satisfacen o no la inecuación. Si lo hacen, la región en la que está ese punto es aquella cuyos puntos verifican la
inecuación; en caso contrario, la región válida es la otra.‘

01

0!#0
!

;
!! 
!!!
 
!.‘

Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales pueden presentar varias opciones respecto a sus soluciones: puede
no existir solución, en el caso de que exista el conjunto solución puede ser acotado o no.‘

Veámoslo con un ejemplo:‘

Dibuja la región factible asociada a las restricciones:‘

 
‘

‘
‘

cü
Las rectas asociadas son : r : 
;s:
, t: ‘

‘ ‘
Elegimos el punto O(,), que se encuentra en el semiplano situado por debajo
rocedemos como en el paso anterior. Las coordenadas (,) satisfacen la
de la recta. Introduciendo las coordenadas (,) en la inecuación 
,
inecuación
( 
) . or tanto, el conjunto de soluciones de la inecuación
vemos que no la satisface:  +   <
. or tanto, el conjunto de soluciones
es el semiplano que incluye al punto O.‘
de la inecuación es el semiplano situado por encima de la recta r :  
.‘

‘
‘
La recta t asociada a la restricción pasa por el origen, lo cual significa que si
probásemos con el punto O(,) no llegaríamos a ninguna conclusión.
La región factible está formada por los puntos que cumplen las tres
Elegimos el punto (1,) y vemos que no satisface la inecuación   ( <
restriccio  ‘es decir, se encuentran en los tres semiplanos anteriores.‘
1  ). or tanto, el conjunto solución de esta inecuación es el semiplano
determinado por la recta t que no incluye al punto (1,).‘

&#0‘
&!!
‘

Las !
 dan los puntos del plano en los que la función objetivo toma el mismo valor.‘

Si la función objetivo es f( ) a+ b + c, la ecuación de las rectas de nivel es de la forma:‘

a + b + c  a + b k‘
c
Variando k (o p) se obtienen distintos niveles para esas rectas y, en consecuencia, distintos valores para f( ).‘

En un problema todas las rectas de nivel son paralelas, pues los coeficientes a y b de la recta a+ b k son los que determinan su pendiente. or tanto, si k1 es
distinto de kü , las rectas a + b k1 y a + b kü son paralelas. Luego, trazada una cualquiera de esas rectas, las demás de obtienen por desplazamientos
paralelos a ella.‘

Si lo que se pretende es resolver un problema de programación lineal, los únicos puntos que interesan son los de la región factible, y las únicas rectas de nivel
que importan son aquellas que están en contacto con dicha región. Como el nivel aumenta (o disminuye) desplazando las rectas, el máximo (o el mínimo) de
f(x,y) se alcanzará en el último (o en el primer) punto de contacto de esas rectas con la región factible. ‘

Veamos ahora como se aplica todo esto a la resolución de un problema de programación lineal :‘

Maximizar ‘ƒ% ' ‘

sujeto a: ‘   ‘
‘‘   ‘
‘‘  +‘

%1 !
!
0+‘

 La recta s : 
pasa por el punto (
,) y es paralela al eje Y. Las soluciones de  
son los puntos entre el eje Y y la recta 
‘‘
 La recta r :
pasa por el punto (,
) y es paralela al eje X. Las soluciones de 
son los puntos entre el eje X y la recta
‘‘
 La recta t : /ü pasa por los puntos (,) y (ü,1) . Las soluciones de  /ü son los puntos de su izquierda.‘‘

Resolviendo los sistemas correspondientes calculamos los vértices de la región factible:‘

{ /ü ,   } nos da el vértice O(,)

{ 
, x/ü } nos da el vértice A(
,ü)
{
,
} nos da el vértice B(
,
)
{
,   } nos da el vértice C(,
)‘

01 !
!!!
+‘

En nuestro caso son rectas de la forma  k . Inicialmente representamos ƒ  . Trasladándola hacia la derecha, obtenemos
las rectas :  ü, 
,  8 , es decir aumenta el nivel.‘

31 
!! 
+‘

c
Se obtiene en el punto de la región factible que hace máximo k. En nuestro caso esto ocurre en el punto B; es el último punto de contacto de esas rectas con la
región factible , para el que k 8.‘

Ê*!&!8*-8' !
 


!
8 
#5
2<$!
' !!
!!
-

!
!=
8
!!0:# 1<$! !8! 
! ' 
!=
 !&!*-.‘

&
‘
&!&!‘

El siguiente resultado, denominado 0



, nos permite conocer otro método de solucionar un programa con dos
variables.‘

En un programa lineal con dos variables, si existe una solución única que optimice la función objetivo, ésta se encuentra en un
punto extremo (vértice) de la región factible acotada, nunca en el interior de dicha región.‘

Si la función objetivo toma el mismo valor óptimo en dos vértices, también toma idéntico valor en los puntos del segmento que
determinan.‘

En el caso de que la región factible no es acotada, la función lineal objetivo no alcanza necesariamente un valor óptimo
concreto, pero, si lo hace, éste se encuentra en uno de los vértices de la región‘
‘

La evaluación de la función objetivo en los vértices de la región factible nos va a permitir encontrar el valor óptimo (máximo o mínimo) en alguno de ellos.‘

Veámoslo con un ejemplo:‘

Maximizar ‘Z f( ) 3 + 8 ‘
sujeto a: ‘
 5
‘
‘‘ ü + 5 3‘
‘‘  , ‘

%1"!
!!!!!!!
!+‘

Calculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos incógnitas que se pueden formar con las cuatro restricciones:‘

{
 + 5 
 , ü + 5 3}. Solución A(5,
)‘ {
 + 5
 ,   } Solución:B (,8)‘

cM
 {
 + 5
 , }. Solución: C(1,)‘ { ü+ 5 3 ,  } Solución: D(,6)‘
{ ü + 5  3 , }. Solución : E(15,)‘ { , } Solución: O(,)‘

01 
!&!
0:‘

Los vértices de la región factible son aquellos puntos que cumplen todas las restricciones.‘

Si sustituimos los puntos en cada una de las desigualdades tenemos que:‘

 B no cumple la segunda restricción ü + 5 3 , ya que ü  + 5 8
 . or tanto, el punto B no es un vértice de la región factible.‘
 E no cumple la primera restricción
+ 5
 , ya que
15 + 5  6 . or tanto, el punto E no es un vértice de la región factible.‘

Los puntos A, C, D y O verifican todas las desigualdades, son los vértices de la región factible.‘

31 !!0


!&!:‘

f(A) f(5,
) 35+8

7‘ f(C) f(1,) 3 1 + 8  3‘

f(D) f(,6) 3+86
8‘ f(O) f(,) 3+8 ‘

La solución óptima corresponde al vértice para el que la función objetivo toma el valor máximo. En este caso es el vértice D(,6).‘

!&!
! !!' !‘

!' #‘
Los problemas de programación lineal pueden presentarse en la forma estándar, dando la función objetivo y las restricciones, o bien plantearlos mediante un
enunciado. Si éste es el caso, puede seguirse el camino que indicamos a continuación, ejemplificado con el siguiente problema:‘



&
! !*$
!
!!


!

04
!

!*>4*8#!8
;
!
!
0
;
!
!$
&
!%74
!$Ê
' !
!!!!!:%


1$, #
!
!#' 
' !!#/.‘

!+ ! /!!!8!

!0' !#!! ‘

!%?+ Leer detenidamente el enunciado: determinar el objetivo, definir las variables y escribir la función objetivo.‘

c§
El objetivo es: halla cuántos bidones de cada tipo hay que almacenar para maximizar los gastos‘

Suponemos que tal objetivo se consigue almacenado  bidones de aceite de girasol e de aceite de oliva‘

Cómo cada bidón de aceite de girasol cuesta almacenarlo 1 unidad monetaria y lo mismo para uno de aceite, los gastos serán #
2

‘

Luego, la función objetivo es:‘

Maximizar la función ƒ
3
(-# .
3
#
2
‘

!0?+ Reordenar los datos del problema y a partir de las cantidades decididas, x e y, escribir el sistema de inecuaciones que determinan las restricciones.‘

 -
 
  

 
: #
04‘‘
 -
 
  
$: >4‘‘
 Ô#
 
  
$
   
  #
 
  
 
: 
/@0‘‘
 {  
   (
: #
2

%74‘

Además, los números de bidones deben ser cantidades positivas: # 4=
4‘

!$+!
!!!

!!
! 
! 

0
*!!!! ‘

!3?+Expresar el problema en la forma estándar.‘

Siguiendo con el ejemplo, sería:‘

Maximizar:‘ƒ% ' ‘
sujeto a:‘  15‘
‘‘ /ü‘
‘‘  ü ;
‘

Aquí termina el planteamiento del problema. ara su resolución hay que continuar con :‘

!>?: Representar gráficamente las restricciones y marcar claramente la región factible.‘

ara las restricciones anteriores debemos representar las rectas: x + y 15 , y x/ü , x ü e y
, obteniéndose la
región factible que en la figura se encuentra coloreada.‘

c6
‘‘

!7?: Hallar las coordenadas de los vértices del polígono obtenido.‘

Resolviendo los sistemas : {  ü,
 } , { /ü ,
 } , { /ü ,  15} , {  15,  ü}; se obtienen los vértices: A(ü,
) , B(8,
) ,
C(1, 5) , D(ü,13)‘

‘‘

!A?: Sustituir las coordenadas de esos puntos en la función objetivo y hallar el valor máximo o mínimo.‘

Sustituyendo en f(x,y) x + y, se tiene:‘

f(ü,
) 6 , f(8,
) 1ü , f(1, 5) 15 , f(ü,13) 15 ‘

Como el valor máximo se obtiene en los puntos C y D, puede optarse por cualquiera de los dos, o por cualquier punto perteneciente al segmento que los une. Así,
por ejemplo, se obtendría el mismo gasto con
 bidones de aceite girasol y 11 bidones de aceite de oliva; o 9 y 6 respectivamente. ‘

!B?+ También es conveniente representar las rectas de nivel para comprobar que la solución gráfica coincide con la encontrada. Esta conveniencia se
convierte en necesidad cunado la región factible es no acotada.‘

En nuestro caso, puede comprobarse que las rectas de nivel tienen la misma pendiente que la recta límite de la restricción  15 ; por tanto, hay múltiples
soluciones.‘

!6?: or último, como en la resolución de todo problema es necesario criticar la solución: cerciorarse de que la solución hallada es lógica y correcta.‘

En este ejemplo, no todos los puntos del segmento CD son soluciones válidas, ya que no podemos admitir valores de  e no enteros , como ocurriría en el
punto (9.5,59.5) .‘

!$+Ê

0!#


' !&
#08! !! ! 
!!!

>?6?‘

 !! 
!‘
Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solución que presentan. Éstos pueden ser:‘

!‘ Ê/!

! 
!!' !!0
!!
!. A su vez, pueden ser:‘

‘‘ ‘‘ ‘‘
c-
‘‘ 
! 
;
‘ ‘‘
Ô!!  $
 !  
{
  /{ 
 !
 {
{ 
 !
 -
 
{

  {
   
 {$Ô !

"!#

 

!{ 
-
Ê
"!


{
$ ! {
 
  
{
! {
/7! 

 !   {
{ 
 

8‘

 Variables nº de casas tipo A ; nº de casas tipo B‘

 Función objetivo: Maximizar ƒ f( )
 + 3 ‘
 Conjunto de restricciones: El coste total 3 + ü 18 . El Ayuntamiento impone  8 . De no
‘‘ negatividad:   , .‘

Tiene por región factible la región coloreada.

Si hallamos los valores de la función objetivo en cada uno de los vértices :
f(O) f(,)  ; f(C) f(6,) ü
 ;f(D) f(ü,6) ü6 ; f(E) f(,8) ü

La solución es única, y corresponde al vértice para el que la función objetivo toma el valor máximo. En este caso es el vértice D(ü,6). or tanto
se deben construir ü casas de tipo A y 6 de tipo B con un coste de ü6 millones de pesetas. ‘

‘‘
‘‘ 
! 
;‘ Ê/!#!
! 
$......................................................................................‘
O ! ƒ% ' !  
  2     ‘

Los valores de la fucnión objetivo en cada uno de los vértices son:

f(O) f(,)  , f(A) f(1,)
; f(B) f(5/3,ü/3) 8 , f(C) f(,
) 8
La función objetivo alcanza el valor máximo en los vértices B y C, por tanto, en todos los puntos del segmento BC.
‘‘ Hay infinitas soluciones, solución múltiple, que corresponden a los puntos del segmento situado entre dos vértices de la región
factible.
En estos casos, como ya vimos en el capítulo anterior, la función objetivo es paralela a una de las restricciones.‘

‘‘
‘‘ 
! 

‘  

/!0

‘
O ! ƒ% ' !  
 ‘   +‘

Tiene por región factible la zona coloreada que aparece en la figura, que es una región no acotada.
‘‘ La función crece indefinidamente para valores crecientes dee 
En este caso no existe un valor extremo para la función objetivo, por lo que puede decirse que el problema carece de
solución.

c2
 ara que suceda esta situación la región factible debe estar no acotada.‘

‘‘
  

/!

! 
!'  
!!
!8!8!!
!!


!!
!$‘
0!‘
O ! ƒ% '- !  
  )     ‘

No existe la región factible, ya que las zonas coloreadas que aparecen en la figura son únicamente soluciones de alguna de
‘‘ las inecuaciones .
or tanto, el conjunto de soluciones del sistema de desigualdades no determina ninguna región factible.
Este tipo de problemas carece de solución.‘

‘‘ ‘‘ ‘‘
&Ê/‘
Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso concluye cuando no es
posible seguir mejorando más dicha solución.‘‘ El método del simplex fue creado en 19
7 por el matemático
George Dantzig . ‘‘
artiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar sucesivamente El método del simplex se utiliza, sobre todo, para resolver
otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los lados del polígono (o de las problemas de programación lineal en los que intervienen
aristas del poliedro, si el número de variables es mayor). Cómo el número de vértices (y de aristas) es finito, tres o más variables. ‘‘
siempre se podrá encontrar la solución.‘
El álgebra matricial y el proceso de eliminación de Gauss-
Jordan para resolver un sistema de ecuaciones lineales
El método del simplex se basa en la siguiente propiedad: si la función objetivo, , no toma su valor máximo en el constituyen la base del método simplex. ‘‘
vértice A, entonces hay una arista que parte de A, a lo largo de la cualaumenta.‘‘

Vamos a resolver mediante el método del simplex el siguiente problema:‘‘‘

Maximizar‘ƒ% ' ‘
sujeto a:‘   -‘
‘‘   ‘
‘‘   ‘
‘‘ x ,y ‘

Se consideran las siguientes fases:‘‘

ü

%$
!! !
 !‘‘

Se introduce una $  


!  por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:‘‘‘

 -‘
 ‘
  ‘

0$ 0

‘‘

22 ƒ‘‘

3$!
!/‘‘

En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restricción y la última
fila con los coeficientes de la función objetivo:‘‘‘

Tabla I . Iteración nº 1 ‘
Base‘ Variable de decisión‘ Variable de holgura‘ Valores solución‘
‘‘ ‘ ‘ ‘ ‘ ‘ ‘‘
‘ ü‘ 1‘ 1‘ ‘ ‘ 18‘
‘ ü‘ 3‘ ‘ 1‘ ‘
ü‘
‘ 3‘ 1‘ ‘ ‘ 1‘ ü
‘
ƒ‘ -3‘ -ü‘ ‘ ‘ ‘ ‘

>$

!
' 

!* ' !!‘‘

, ara escoger la variable de decisión que entra en la base, nos fijamos en la última fila, la de los coeficientes de la función objetivo y escogemos la
variable con el coeficiente negativo mayor (en valor absoluto).‘
En nuestro caso, la variable de coeficiente - 3.‘‘

Si existiesen dos o más coeficientes iguales que cumplan la condición anterior, entonces se elige uno cualquiera de ellos.‘‘

Si en la última fila no existiese ningún coeficiente negativo, significa que se ha alcanzado la solución óptima. or tanto, lo que va a determinar el final del
proceso de aplicación del método del simplex, es que en la última fila no haya elementos negativos.‘‘

La columna de la variable que entra en la base se llama 
!{$
 (En color ).‘‘
‘‘‘
üc
 u ara encontrar la variable de holgura que tiene que salir de la base, se divide cada término de la última columna (valores solución) por el término
correspondiente de la columna pivote, siempre que estos últimos sean mayores que cero. En nuestro caso:‘
18/ü [ 9] ,
ü/ü [ ü1] y ü
/3 [ 8]‘‘

Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero,
entonces tendríamos una solución no acotada y no se puede seguir.‘‘

El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de
holgura que sale de la base, . Esta fila se llama {$
 (En color ).‘‘

Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base.‘‘
‘‘‘
‘‘‘

$ En la intersección de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3.‘

7$

!0
!
$‘‘

Los nuevos coeficientes de se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 3, que es el que hay que convertir en 1.‘‘

A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su columna, con lo que obtenemos los nuevos coeficientes de las otras
filas incluyendo los de la función objetivo ƒ.‘‘‘

También se puede hacer utilizando el siguiente esquema:‘‘

Fila del pivote:‘‘

 02:C01+:1‘‘

Resto de las filas:‘‘

 02:C01D:0
0
 


1E: 01‘‘

Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):‘‘‘‘

Vieja fila de s‘ ü‘ 3‘ ‘ 1‘ ‘
ü‘

‘‘ -‘ -‘ -‘ -‘ -‘ -‘

üü
 Coeficiente‘ ü‘ ü‘ ü‘ ü‘ ü‘ ü‘

‘‘ x‘ x‘ x‘ x‘ x‘ x‘

Nueva fila pivote‘ 1‘ 1/3‘ ‘ ‘ 1/3‘ 8‘

‘‘ ‘ ‘ ‘ ‘ ‘ ‘
Nueva fila de s‘ ‘ 7/3‘ ‘ 1‘ -ü/3‘ ü6‘
‘

‘‘‘

Tabla II . Iteración nº ü‘
Base‘ Variable de decisión‘ Variable de holgura‘ Valores solución‘
‘‘ ‘ ‘ ‘ ‘ ‘ ‘‘
‘ ‘ %@3‘ 1‘ ‘ -ü/3‘ ü‘
‘ ‘ 7/3‘ ‘ 1‘ -ü/3‘ ü6‘
‘ 1‘ 1/3‘ ‘ ‘ 1/3‘ 8‘
ƒ‘ ‘ -1‘ ‘ ‘ 1‘ ü
‘

Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado todavía a la solución óptima. Hay que repetir el proceso:‘‘

, La variable que entra en la base es , por ser la variable que corresponde al coeficiente -1‘
u ara calcular la variable que sale, dividimos los términos de la última columna entre los términos correspondientes de la nueva columna pivote:‘
ü:1/3 [ 6] , ü6:7/3 [ 78/7] y 8:1/3 [ 8]‘
y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es .‘‘
$ El elemento pivote, que ahora hay que hacer 1, es %@3.‘

Operando de forma análoga a la anterior obtenemos la tabla:‘‘‘

Tabla III . Iteración nº 3‘

Base‘ Variable de decisión‘ Variable de holgura‘ Valores solución‘
‘‘ ‘ ‘ ‘ ‘ ‘ ‘‘
‘ ‘ 1‘ 3‘ ‘ -ü‘ 6‘
‘ ‘ ‘ -7‘ ‘ >‘ 1ü‘
‘ 1‘ ‘ -1‘ ‘ 1‘ 6‘
ü
 ƒ‘ ‘ ‘ 3‘ ‘ -1‘ 3‘

Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado todavía a la solución óptima. Hay que repetir el proceso:‘‘

, La variable que entra en la base es , por ser la variable que corresponde al coeficiente -1‘
u ara calcular la variable que sale, dividimos los términos de la última columna entre los términos correspondientes de la nueva columna pivote:
6/(-ü) [ -3] , 1ü/
[ 3], y 6:1 [ 6]‘‘
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es .‘‘
$ El elemento pivote, que ahora hay que hacer 1, es >.‘

Obtenemos la tabla:‘‘‘

Tabla IV . Final del proceso‘

Base‘ Variable de decisión‘ Variable de holgura‘ Valores solución‘
‘‘ ‘ ‘ ‘ ‘ ‘ ‘‘
‘ ‘ 1‘ -1/ü‘ ‘ ‘ %0‘
‘ ‘ ‘ -7/
‘ ‘ 1‘ 3‘
‘ 1‘ ‘ -3/
‘ ‘ ‘ 3‘
ƒ‘ ‘ ‘ 5/
‘ ‘ !‘ 33‘

Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la solución óptima.‘‘

Los solución óptima viene dada por el valor de Z en la columna de los valores solución, en nuestro caso: 33$En la misma columna se puede observar el vértice
donde se alcanza, observando las filas correspondientes a las variables de decisión que han entrado en la base: :38%01‘‘‘

€ Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicándolas por - 1 se transforman en inecuaciones
de la forma - ax - by - c y estamos en el caso anterior‘‘

€ Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la
base se elige la variable cuyo valor, en la fila de la función objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la
fila de la función objetivo son negativos ‘

‘

&&!/‘‘

Las sucesivas tablas que hemos construido van proporcionando el valor de la función objetivo en los distintos vértices, ajustándose, a la vez, los coeficientes de
las variables iniciales y de holgura.‘‘

ü
En la primera iteración (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la función objetivo en el vértice A(,), siendo este .‘‘

A continuación se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. ‘‘

Este paso aporta la Tabla II.‘‘
En esta segunda iteración se ha calculado el valor que corresponde al vértice B(8,): Z f(8,) ü
‘‘

Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III.‘‘
En esta tercera iteración se ha calculado el valor que corresponde al vértice C(6,6) : Z f(6,6) 3.‘‘

Continua haciendo cálculos a través de la arista CD, hasta llegar al vértice D. Los datos que se reflejan son los de la Tabla IV.‘‘
Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solución no mejora al desplazarse por la arista DE)‘‘
El valor máximo de la función objetivo es 33, y corresponde a x 3 e y 1ü (vértice D).‘‘

Si calculas el valor de la función objetivo en el vértice E(,1
), su valor no supera el valor 33.‘‘

üM