Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
CONCEPTOS BSICOS
x1
x2
x o, x (x 1 ; x 2 ; ...; x n )
...
x
n
OPERACIONES CON VECTORES
Suma. Los vectores de la misma dimensin pueden sumarse (o restarse) y la suma (o
diferencia) se efecta componente a componente. La suma (o diferencia) de los vectores x e y
es otro vector z , cuyas componentes son: zi = xi yi, i = 1, 2, ,n.
La suma de vectores goza de las propiedades asociativa, conmutativa, elemento neutro y
elemento simtrico.
Producto de un escalar por un vector. Dado un escalar y un vector x se define
el producto del escalar por el vector x, como un nuevo vector y cuyas componentes son yi
= xi, i = 1, 2, ,n.
Producto escalar de dos vectores. Dados dos vectores x e y el producto escalar de
ambos es un nmero real que se obtiene como xy = x1y1 + x2y2 + + xnyn.
DEPENDENCIA E INDEPENDENCIA LINEAL
Definicin 2-1. Combinacin lineal. Se dice que el vector y es una combinacin lineal
de los vectores x1, x2, , xk si y = c1x1 +c2x2 + + ckxk, con c1, c2, , ck .
Los escalares c1, c2, , ck se denominan coeficientes de la combinacin lineal.
Definicin 2-2. Dependencia lineal. Un conjunto de vectores x1, x2, , xk n es
linealmente dependiente si existe una coleccin de escalares c1, c2, , ck , no todos nulos, tales
que c1x1 +c2x2 + + ckxk = 0 (con 0 =vector nulo).
23
Captulo 2
Teorema 2-1. Si un espacio vectorial tiene una base constituida por m vectores, entonces
toda base de dicho espacio tiene m vectores.
Definicin 2-6. Espacio dimensionalmente finito. Si un espacio vectorial tiene una base
constituida por m vectores, se dice que dicho espacio es dimensionalmente finito, siendo m su
dimensin.
Teorema 2-2. Cualquier vector de un espacio vectorial puede escribirse de manera nica
como combinacin lineal de los vectores de una base. Los escalares de tal combinacin se
denominan coordenadas del vector en la base dada.
Teorema 2-3. Reemplazo de un vector de la base por otro vector.2 Sea B = {u1, u2, , un}
una base del espacio vectorial . Todo uj 0 que no integre dicha base y que por ende puede
expresarse como combinacin lineal de la misma en la forma y1u1 + y2u2 + + ynun, con y1, y2,
, yn , puede reemplazar a cualquier vector ur de B para el cual yr sea distinto de cero, y el
nuevo conjunto de vectores seguir siendo linealmente independiente , es decir, constituir una
nueva base.
Demostracin. Reemplacemos ur de B por uj y razonemos por el absurdo admitiendo que u1,
u2, , uj, , un son linealmente dependientes; por consiguiente debemos hallar n coeficientes 1,
2, , j, , n, no todos nulos, tales que
1u 1 2 u 2 ... j u j ... n u n 0
(2-1)
Sabemos que u1, u2, , ur, , un constituyen una base, y que cualquier subconjunto de un
conjunto linealmente independiente tambin es linealmente independiente. Luego, para que se
n
i i
0 y j 0.
i 1
i j
(1 y1 )u 1 ( 2 y 2 )u 2 ... y r u r ... ( n y n )u n 0
2
Este resultado ser utilizado ms adelante en el desarrollo y ejecucin del mtodo Simplex.
24
Norma Torrent
Conceptos Bsicos
Puesto que yr 0, los vectores u1, u2, , ur, , un seran linealmente dependientes y no
constituiran una base, lo cual es un absurdo que contradice la hiptesis y provino de suponer la
dependencia lineal de u1, u2, , uj, , un. Por lo tanto, los vectores u1, u2, , uj, , un
constituyen una nueva base.
2.3 MATRICES
Una matriz A de orden m x n es un arreglo rectangular de m x n nmeros en forma de m filas y n
columnas.
a 11 a 12 ... a 1n
a a ... a
2n
A 21 22
. Tambin se escribe, A a ij mxn
... ... ... ...
a a ... a
mn
m1 m2
TIPOS DE MATRICES
Matriz cuadrada. Es aquella matriz en donde m = n, es decir, tiene igual nmero de filas
que de columnas.
Matriz rectangular. Es aquella matriz en donde m n.
Matriz diagonal. Es aquella matriz cuadrada en donde aij = 0 i j.
Matriz escalar. Es aquella matriz diagonal en donde todos los elementos de la diagonal son
iguales.
Matriz identidad: Es aquella matriz escalar con todos los elementos de la diagonal iguales
a 1. La matriz identidad se nota con I.
Matriz traspuesta. Se llama matriz traspuesta, AT, de una matriz A a aquella matriz que
tiene por columnas las filas de A, mientras que sus filas son las columnas de A.
Matriz simtrica. Una matriz A se denomina simtrica si AT = A.
Matriz triangular. Es aquella matriz cuadrada cuyos elementos arriba o debajo de la
diagonal principal son nulos.
Matriz nula. Es aquella que posee todos sus elementos iguales a cero. Se nota con 0.
OPERACIONES CON MATRICES
Suma. Dadas dos matrices A = (aij)mxn y B = (bij)mxn se define como suma (o diferencia) de
ambas, A B, a una nueva matriz C = (cij)mxn tal que cij = aij bij i, j.
La suma de matrices goza de las propiedades asociativa y conmutativa.
Producto de un escalar por una matriz. Dado un escalar y una matriz A = (aij)mxn se
define el producto del escalar por la matriz, A, a una nueva matriz B = (bij)mxn tal que bij = aij
i, j.
Producto de matrices. El producto de una matriz A = (aij)mxk por una matriz B = (bij)kxn
slo est definido en el caso en que el nmero de columnas de A sea igual al nmero de filas de
k
ip b pj
, i 1, 2, ..., m; j 1, 2, ..., n.
p 1
25
Captulo 2
Definicin 2-10. A
1 j c1 j ,
j1
suma de los elementos de la primera fila de A multiplicados por sus respectivos cofactores.
Cuando el determinante de una matriz resulta nulo se dice que la matriz es singular, en caso
contrario se denomina no singular o regular.
Propiedades de los determinantes
ij c ij
j1
m
o bien, A
ij c ij
i 1
Si todos los elementos de una fila o de una columna de una matriz A son nulos, A 0 .
A AT
AB A B
Si B =A, , entonces B A .
Regla de Sarrus. Proporciona un esquema sencillo para calcular determina ntes de orden
tres. No es aplicable a matrices de orden mayor.
Como se muestra a continuacin, se escribe la matriz A repitiendo sus dos primeras
columnas. Luego se efectan los productos indicados por las flechas y se suman teniendo en
cuenta que, los productos correspondientes a las flechas que se dirigen hacia abajo tendrn signo
positivo y los correspondientes a las flechas que se dirigen hacia arriba, negativo.
a 11 a 12 a 13 a 11 a 12
A a 21 a 22 a 23 a 21 a 22
a a a a a
31 32 33 31 32
Norma Torrent
Conceptos Bsicos
MATRIZ INVERSA
Si A y B son dos matrices no singulares de orden m x m tales que AB = BA = I, entonces B es la
inversa de A y se nota con A1, o bien A es la inversa de B y se nota con B1. Si existe, la inversa
de una matriz es nica. Una matriz es invertible si, y slo si, su determinante es distinto de cero.
Algunos resultados relativos a la inversin de matrices
El rango r de una matriz cuadrada A de orden m, es menor que m si, y slo si, A 0 .
Dos matrices son equivalentes si una se obtiene de la otra al realizar un nmero finito de
operaciones elementales.
Teorema 2-4. Si en una matriz se efectan operaciones elementales su rango no se
modifica.
2.4 SISTEMAS DE ECUACIONES LINEALES
Un sistema de m ecuaciones lineales con n incgnitas es una expresin de la forma
n
ij x j
b i , i 1, 2, ..., m, m ( ; ; ) n
j1
En el Ejemplo 2-2 de este captulo se nuestra un mtodo alternativo para el clculo de la inversa.
27
Captulo 2
O bien,
a 11 x 1 a 12 x 2 ... a 1n x n b1
a 21 x 1 a 22 x 2 ... a 2n x n b 2
...
... ...
... ...
a m1 x 1 a m2 x 2 ... a mn x n b m
x1
a 11 a 12 ... a 1n
b1
x
a a ... a
b
2
21
22
2n
...
...
a a ... a
b
mn
x
m1 m 2
m
n
Se llama solucin del sistema a toda n-upla real (x1, x2, , xn)T que satisface cada una de las
ecuaciones del sistema.4
Si b 0 el sistema se denomina no homogneo, en caso contrario es homogneo.
Se denomina matriz ampliada o matriz aumentada a la matriz de m filas y n + 1 columnas
formada por:
a 11 a 12 ... a 1n b1
a 21 a 22 ... a 2 n b 2
(A b)
... ...... ... ...
a m1 a m 2 ... a mn b m
Un sistema homogneo tendr solucin nica si, y slo si, el rango de A es igual al
nmero de incgnitas n. Dicha solucin estar dada por xj = 0 j = 1, 2, , n y se
denomina solucin trivial del sistema.
Un sistema homogneo de igual nmero de ecuaciones e incgnitas admite infinitas
soluciones adems de la trivial si, y slo si, el determinante de la matriz A es nulo.
28
Norma Torrent
Conceptos Bsicos
Los mtodos exactos que requieren un determinado nmero de pasos para llegar a la
solucin del sistema.
Los mtodos aproximados que utilizan algoritmos iterativos que calculan la solucin
del sistema por aproximaciones sucesivas.
2x 1
3x 3 x 4 2
x 1 x 2 2x 3 x 4 4
x 1 x 2 x 3 x 4 1
4 x 1 2 x 2 x 3 2 x 4 3
Primero expresamos los coeficientes y el trmino independiente como una matriz amplia da.
2 0 3
1 1 2
1 1 1
4 2 1
1 2
1 4
1 1
2 3
El paso siguiente consiste en normalizar la primera fila dividindola por 2 (el valor 2 recibe
el nombre de elemento pivote).
1 0 3/2 1/2 1
1 1
2 1 4
1 1
1 1 1
4 2 1 2 3
Luego, mediante operaciones elementales, se hacen cero los restantes elementos de la
primera columna. Para ello, a la segunda fila le restamos la primera, a la tercera le res tamos la
primera y, a la ltima, le restamos la primera multiplicada por 4. Observemos que, a travs de
este procedimiento, hemos eliminado x1 en todas las filas excepto en la primera.
29
Captulo 2
1 0 3/2 1/2 1
0 1 1/2 1/2 3
0 1 1/2 1/2 2
0 2 7
0 7
A continuacin, normalizamos la segunda fila multiplicndola por 1 (ahora el elemento
pivote es el valor 1) y eliminamos x2 en las filas tercera y cuarta (a la tercera fila le restamos la
segunda y, a la cuarta, le restamos la segunda multiplicada por 2).
1
0
0
0
0 3/2 1/2 1
1 1/2 1/2 3
0
0
1 1
0 6
1 1
1
0
0
0
0 3/2 1/2 1
1 1/2 1/2 3
0 6
1 1
0
0
1 1
1
0
0
0
0
1
0
0
0 3/4
3/4
0 7/12 35/12
1 1/6
1/ 6
0
1
1
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0 7/3
0 1/ 3
1
1
Este ltimo sistema, equivalente al inicial , nos provee la solucin dada por x1 = 0, x2 = 7/3,
x3 = 1/3 y x4 = 1.
Ejemplo 2-2 Inversin de matrices
Sabemos que, si A es una matriz no singular de orden m, resulta AA-1 = I. Haciendo X = A-1 y
sustituyendo en la ecuacin anterior, obtenemos AX = I.
Podemos considerar entonces que esta ltima ecuacin matricial representa un sistema de
ecuaciones simultneas, en donde no hay un solo vector de trminos independientes sino m, los
m vectores que forman la matriz identidad I.
Adems, no existe un solo vector de incgnitas, sino m, los que corresponden a cada
columna de la matriz X. Es decir, AX I .
30
Norma Torrent
Conceptos Bsicos
O bien,
a 11 a 12 ... a 1m x 11 x 12 ... x 1m 1
a a ... a x x ... x 0
2 m 21
22
2m
21 22
0
1
...
0
...
...
...
...
0
0
...
1
1 6 2
A 2 2 1
1 3 5
1 6 2 1 0 0
2 2 1 0 1 0
1 3 5 0 0 1
Normalizamos la primera fila (el valor del elemento pivote es 1) y hacemos cero los
restantes elementos de la primera columna.
1 6 2 1 0 0
0 10 5 2 1 0
0 3 7 1 0 1
Observemos que para hallar la primera columna de A-1 debemos resolver el siguiente
sistema.
1 6 2 x 11 1
2 2 1 x 0
22
1
x 33 0
Para las columnas segunda y tercera el procedimiento ser anlogo, variando el vector de las
incgnitas y el de los trminos independientes. Es decir, para hallar A-1 resolvemos en forma
simultnea tres sistemas de ecuaciones con tres incgnitas, cada uno de los cuales tiene la misma
matriz de coeficientes A.
Normalizamos ahora la segunda fila (el valor del elemento pivote es 10) y anulamos el resto
de los elementos de la segunda columna.
1 0
1 1/5
3/5 0
0 1 1/2 1/5 1/10 0
0 0 11/2 2/5 3/10 1
Por ltimo, normalizamos la tercera fila y hacemos cero los restantes elementos de la tercera
columna.
Captulo 2
a 11 a 12 ... a 1m x 1 b1
a a ... a x b
2m 2
21 22
2 o bien, Ax b
...
...
...
...
...
...
a a ... a x b
mm m
m1 m2
m
puesto que A 0, podemos calcular A-1 mediante la expresin A-1 = adj(A)/ A , por lo tanto,
premultiplicando por A-1 en la ecuacin Ax = b resulta x A 1b
adj(A)
b
A
Operando se tiene
b1
b2
...
b
m
1 A 21 A 22 ... A 2m
A ... ...... ...
A A ... A
mm
m1 m2
1 A 21b1 A 22 b 2 ... A 2m b m
x
...
... ...
...
A
A b A b ... A b
m2 2
mm m
m1 1
en particular,
xi
1
(A1i b1 A 2i b 2 ... A mi b m )
A
32
Norma Torrent
Conceptos Bsicos
xi
siendo x1
B1
A
; x2
Bi
1
(A1i b1 A 2i b 2 ... A mi b m )
para i 1, 2, ..., m
A
A
B2
A
; ... y x m
Bm
A
2 x 1 x 2 3x 3 4
4 x 1 x 2 5x 3 6
3x 1 2 x 2 2 x 3 2
2 1 3
A 4 1 5 26; x 1
3 2 2
4 1 3
6 1 5
22 2
26
52
2; x 2
26
2 4 3
4 6 5
3 2 2
26
78
3; x 3
26
2 1 4
4 1 6
3 2 2
26
26
1
26
2.5 CONVEXIDAD
A la hora de resolver un problema de optimizacin, el estudio de la convexidad de conjuntos y
funciones adquiere fundamental relevancia, tanto en la bsqueda de ptimos como en el
desarrollo de algoritmos eficientes de solucin.
Definicin 2-11. Recta en . Dados dos puntos x1 y x2 , la recta definida por dichos
puntos puede expresarse mediante el conjunto:
R x / x x 1 (1 ) x 2 ; x 1 , x 2 ; x 1 x 2 ;
o bien,
R x / x x 2 ( x 1 x 2 ); x 1 , x 2 ; x 1 x 2 ;
Definicin 2-12. Segmento en . El segmento delimitado por los puntos x1, x2 puede
expresarse mediante el conjunto:
x 1 , x 2 x / x x 1 (1 ) x 2 ; x 1 , x 2 ; x 1 x 2 ; 0; 1
o bien,
x 1 , x 2 x / x x 2 ( x 1 x 2 ); x 1 , x 2 ; x 1 x 2 ; 0; 1
Se trata de un segmento lineal cerrado ya que incluye los puntos extremos x1 y x2. Cuando
el segmento no incluye los dos puntos extremos se denomina segmento abierto y se nota,
x 1 , x 2 x / x x 1 (1 ) x 2 ; x 1 , x 2 ; x 1 x 2 ; 0; 1
Definicin 2-13. Hiperplano. Un hiperplano en generaliza el concepto de recta en y el
concepto de plano en . Un hiperplano en es un conjunto dado por:
H x / c T x z; z
; c T
; c T 0
es decir, se trata de una expresin de la forma c1x1 +c2x2 + + cnxn = z. El vector c se
denomina vector normal al hiperplano.
33
Captulo 2
x R
/ cT x z , x Rn / cT x z
y x R
/ cT x z
x R
x R
/ cT x z
n
/ cT x z
x R
x R
/ cT x z
n
/ cT x z
x R
x R
semiespacio cerrado
semiespacio cerrado
/ cT x z
n
/ cT x z
Observemos que ambos semiespacios cerrados incluyen los puntos sobre el hiperplano H.
Un punto de frontera de un conjunto es aquel que est ubicado en los lmites de dicho conjunto ,
es decir, existe un entorno de l que contiene puntos pertenecientes y no pertenecientes al
conjunto.
Asimismo, un punto interior de un conjunto es aquel que pertenece al conjunto y no se
considera punto de frontera.
En base a lo expuesto, un conjunto que slo contiene sus puntos interiores se denomina
abierto. Si un conjunto contiene sus puntos interiores y sus puntos de frontera, es cerrado.
Definicin 2-15. Poltopo. Se denomina poltopo a todo conjunto de que puede
expresarse como interseccin de un nmero finito de semiespacios cerrados. La generalizacin a
cualquier dimensin de un polgono bidimensional y un poliedro tridimensional es un poltopo.
Cuando el poltopo est acotado se llama poliedro.
Definicin 2-16. Combinacin lineal convexa. Se dice que un punto x es combinacin
n
x , con .
i i
Si adems
i 1
n
i 0 i y
i 1
Como caso particular, el segmento delimitado por los puntos x1; x2 n es el conjunto de
combinaciones lineales convexas de dichos puntos.
Definicin 2-17. Conjunto convexo. Un conjunto K perteneciente a es convexo si dados
dos puntos cualesquiera x1; x2 K con x1 x2, el segmento lineal cerrado que los une est
totalmente contenido en K (es decir, cualquier combinacin lineal convexa de tales puntos
pertenece al conjunto).
Los hiperplanos son conjuntos convexos. Los semiespacios, tanto abiertos como cerrados,
son conjuntos convexos.
Al definir un semiespacio se estableci que un conjunto es cerrado si incluye sus puntos de
frontera. Naturalmente este concepto se aplica tambin a los conjuntos convexos. De esta forma,
un conjunto convexo puede ser cerrado o abierto. A su vez, como se vio en el Ejemplo 1-15, un
conjunto convexo puede ser acotado o no acotado, dependiendo de si el mismo se halla
limitado o no. Por definicin:
34
Conceptos Bsicos
Max z cx
s. a
Ax b
x0
donde
x1
a 11 a 12 ... a 1n
b1
x
a a ... a
b
2
2n
A 21 22
, x ... , b 2 y c c1 , c 2 , ..., c n
... ...... ...
...
...
a a ... a
b
mn
x
m1 m2
m
n
Definicin 2-19. Solucin. Es toda nupla (x1; x2; , xn)T que satisface el sistema de
restricciones Ax = b.
Definicin 2-20. Solucin factible. Es toda solucin que adems satisface la condicin de
no negatividad de las variables.
Definicin 2-21. Solucin bsica. Es toda solucin que posee, a lo sumo, m componentes
distintas de cero (es decir al menos n m componentes nulas).
Sabemos que si m < n y el rango de A es igual al rango de la matriz ampliada (A/b) e igual a
m, el sistema Ax = b tiene infinitas soluciones. En tal caso podemos extraer m columnas de A
para formar una submatriz cuadrada B de rango m (estamos extrayendo una base B de vectores
de la matriz A). Si llamamos con xB al vector formado por las componentes de x asociadas a la
matriz B (esto es, si la columna j forma parte de la matriz B entonces se toma la componente xj
del vector x) resulta que el sistema BxB = b es compatible y determinado con solucin xB = B1b.
Luego, igualando a cero las n m componentes del vector x que no intervinieron en xB,
tendremos una solucin bsica compuesta por las componentes de xB y las n m componentes
nulas.
A partir aqu, en la forma estndar, designaremos con n a la cantidad de variables del vector x incluyendo, si las
hubiera, holguras y/o excesos.
35
Captulo 2
As, el sistema Ax = b puede expresarse siempre en trminos de una base cualquiera como
Bx B Nx N b
siendo
B: una base de vectores de la matriz A
xB: vector de variables bsicas (cada componente de xB recibe el nombre de variable
bsica)
N: matriz correspondiente a la no base (integrada por los n m vectores restantes de A
no incluidos en B)
xN: vector de variables no bsicas (cada una de las n m componente nulas de xN recibe el
nombre de variable no bsica)
Como mencionramos anteriormente, para que el sistema Ax = b tenga solucin y en
particular una solucin bsica, vamos a suponer que la matriz A es de orden m x n, con m < n, y
que su rango es mximo (igual a m). Tal supuesto recibe el nombre de hiptesis de rango
completo.6
Si se cumple la hiptesis de rango completo el sistema Ax = b tiene infinitas soluciones,
pero no necesariamente todas ellas sern soluciones factibles.
Definicin 2-22. Solucin bsica factible. Es toda solucin bsica en la cual todas sus
variables bsicas son no negativas. En general en desarrollos posteriores utilizaremos
frecuentemente la expresin solucin bsica para referirnos a una solucin bsica factible.
Definicin 2-23. Solucin bsica factible no degenerada. Es toda solucin bsica factible
con exactamente m componentes estrictamente positivas. Si la solucin posee menos de m
componentes estrictamente positivas (es decir, ms de n m componentes nulas) se denomina
solucin bsica factible degenerada.
Definicin 2-24. Regin de factibilidad. Es el conjunto de todas las soluciones factibles.
Teorema 2-5. El conjunto de todas las soluciones factibles de un programa lineal es un
conjunto convexo cerrado.
Demostracin. Si x es una solucin factible de un programa lineal satisface las condiciones
n
ij x j
j 1
n
ij x j
bi con i = 1, 2, , m y
j 1
n
ij x j
j 1
El conjunto vaco, en cuyo caso el programa lineal es no factible (no tiene solucin).
La hiptesis de rango completo equivale a suponer que las m ecuaciones que componen el sistema Ax = b son
linealmente independientes.
36
Norma Torrent
Conceptos Bsicos
Un conjunto formado por un nico punto, en cuyo caso dicho punto constituye la
solucin trivial.
Un conjunto con ms de un punto, en cuyo caso tiene infinitos puntos. En efecto, si x1 y
x2 son soluciones factibles, tambin lo son los puntos del segmento cerrado delimitado
por x1 y x2.
Este ltimo caso es el que nos interesa puesto que en los dos precedentes la solucin e s
trivial. Pretendemos encontrar entre los infinitos puntos de la regin de factibilidad
aquel a aquellos que optimicen la funcin objetivo del programa lineal.
x 1A1 x 2 A 2 ... x n A n b
con xj 0 j = 1, 2, , n.
Supongamos que las p primeras de tales variables son no nulas, es decir
2.
resultando
37
Captulo 2
obtenemos una solucin factible que tiene como mximo p 1 variables positivas
(puesto que la o las componentes a las que corresponda el mnimo de las xi/yi se
anulan).
Si los correspondientes p 1 vectores son linealmente independientes se aplica el caso
1 y la solucin obtenida es bsica. En caso contrario, repitiendo el proceso anterior
podemos eliminar variables positivas en cada nueva solucin obtenida, hasta conseguir
una solucin factible a la que correspondan vectores linealmente independientes y
aplicar el caso 1.
Si en la expresin
( x 1 y1 )A1 ( x 2 y 2 )A 2 ... ( x p y p )A p b
por tanto, x + y es una solucin que satisface el sistema de restricciones.
Como las variables x1, x2, , xp son estrictamente positivas y los escalares y1, y2, , yp son
finitos, es posible hallar > 0 tal que para se tenga la factibilidad de la solucin
anterior.
Luego,
z c( x y) cx cy
Si cy 0, puede ser cy > 0 o cy < 0. Para el caso en que cy > 0 tomamos = entonces
cx cx cy
por lo tanto, x no es ptimo. Asimismo, cuando cy < 0 tomamos = resultando nuevamente
cx cx cy
es decir, x no es ptimo lo cual es un absurdo. As pues, ha de ser cy = 0. En conclusin x + y
tambin es una solucin ptima para cualquier valor de [, ], por lo que siguiendo los
mismos pasos del caso 2 de i., concluimos que es posible encontrar una solucin bsica factible
ptima.
38
Norma Torrent
Conceptos Bsicos
Teorema 2-7. Teorema de equivalencia. Dado un programa lineal en su forma estndar que
verifica la hiptesis de rango completo. Sea K el conjunto convexo de sus soluciones factibles
(poltopo). Un punto x es punto extremo de K si, y slo si, es una solucin bsica factible.
Demostracin. Sea x = (x1, x2, , xm, 0, , 0)T una solucin bsica factible, entonces
x y (1 )q, con 0 1
Dado que x, y y q tienen componentes no negativas y 0 1, las n m ltimas
componentes de y y q tienen que ser nulas, luego
y1A1 y 2 A 2 ... y m A m b
q1A1 q 2 A 2 ... q m A m b
Como los vectores Ai con i = 1, 2, , m son linealmente independientes debe ser y = q y
consecuentemente, x = y = q. Hemos probado que la solucin bsica factible es un punto
extremo de K.
Recprocamente, supongamos que x = (x1, x2, , xk, 0, , 0)T es un punto extremo de K que
posee las k primeras componentes no nulas (y por ende positivas). Por tanto
x 1A1 x 2 A 2 ... x k A k b
Si comprobamos que los vectores A1, A2, , Ak son linealmente independientes, el punto
extremo ser una solucin bsica factible.
Procederemos por el absurdo, suponiendo que A1, A2, , Ak son linealmente dependientes.
Existen entonces k escalares y1, y2, , yk, no todos nulos, tales que
y1A1 y 2 A 2 ... y k A k 0
Para el vector y = (y1, y2, , yk, 0, , 0)T se comprueba que, tomando un adecuado, los
vectores x + y y x y pertenecen al conjunto K de soluciones factibles. En efecto, si a la
ecuacin x1 A1 x 2 A2 ... x k Ak b le restamos y1 A1 y 2 A2 ... y k Ak 0 multiplicada por
un real mayor que cero, obtenemos
( x 1 y1 )A1 ( x 2 y 2 )A 2 ... ( x k y k )A k b
Si ahora a x1 A1 x 2 A2 ... x k Ak b le sumamos
multiplicada por un real mayor que cero, tenemos que
y1 A1 y 2 A2 ... y k Ak 0
( x 1 y1 )A1 ( x 2 y 2 )A 2 ... ( x k y k )A k b
Luego,
como
los
xi
son
todos
positivos,
escogiendo
x
factibles del programa lineal. Por otra parte, x 0,5(x y) 0,5(x y) lo cual nos dice que x es
combinacin convexa de dos puntos distintos de K, contradiciendo la hiptesis original que
indica que x es un punto extremo de K. El absurdo provino de suponer que los vectores A1, A2,
, Ak eran linealmente dependientes.
39
Captulo 2
x , con ,
i
0 i y
i 1
i 1
en consecuencia
q
z cx c
x (cx ) z
i
i 1
i i
i 1
i 1
z 0 1z 0 (
i )z 0
i 1
iz0
(cx ) cx z
i 1
i 1
z* cx 1 cx 2 ... cx i ... cx p
si x es una combinacin convexa de ellos
p
x , con ,
i
0 i y
i 1
i 1
z cx c
i 1
i xi
i 1
i (cx i )
i 1
i z* z *
z*
i 1
40
Norma Torrent
Conceptos Bsicos
n
n!
N mximo de puntos extremos C n, m
m (n m)! m!
Dado que el nmero de puntos extremos (soluciones bsicas factibles) es finito, repetimos el
proceso hasta agotar todos los casos posibles es decir, todas las combinaciones de n vectores de
la matriz A tomados de a m.
41
Captulo 2
1
2 1
det(A1 , A 2 , A 3 ) 3 3 / 2 0 3 (A1 , A2 , A3 ) linealmente independientes
0
1 0
Luego, resolvemos por Cramer el sistema resultante de anular x4 y x5 (n m = 5 3 =2
variables que no acompaan a la base).
40
x1
2 1
1 40 1
75 3 / 2 0
15
1 0
3 75 0
0 15 0
3 3/2 75
0
1 15
35 / 2
x2
15
x3
2 40
15 / 2
1
2
det(A1 , A 2 , A 4 ) 3 3 / 2
0
1
40
x1
0
1 1 (A1 , A2 , A4 ) linealmente independientes
0
2 0
1 40 0
75 3 / 2 1
15
1 0
3 75 1
0 15 0
3 3 / 2 75
0
1 15
10
x2
15
x4
2 40
45 / 2
El punto (10; 15; 0; 22,5; 0)T es un punto extremo. El valor de la funcin objetivo en dicho
punto es z 20 10 45 15 875 .
42
Norma Torrent
Conceptos Bsicos
En forma similar, debemos repetir este procedimiento hasta analizar todas las posib ilidades
que en este caso son C5, 3 = 10.
Observemos que tomando como base a los vectores A3, A4 y A5 que acompaan a las
variables de holgura, obtenemos una solucin bsica factible trivial. En efecto, haciendo x1 = 0
y x2 = 0, resulta inmediato x3 = 40, x4 = 75 y x5 = 15. Lgicamente para este punto z = 0.
La Tabla 2-1 resume los resultados obtenidos.
Tabla 2-1
Base
x1
x2
x3
x4
x5
Observaciones
A1, A2, A3
17,5
15
7,5
No factible
A1, A2, A4
10
15
22,5
Factible ptima
875
A1, A2, A5
20
10
Factible
850
A1, A3, A4
A1, A3, A5
25
15
15
Factible
A1, A4, A5
40
45
15
No factible
A2, A3, A4
15
10
52,5
Factible
A2, A3, A5
50
60
35
No factible
A2, A4, A5
20
45
No factible
A3, A4, A5
40
75
15
Factible
500
675
Veamos ahora cmo podemos representar en forma estndar el espacio de soluciones que
obtuvimos al aplicar el mtodo grfico (Figura 2-2).
Puesto que x3, x4, y x5 son las holguras, cualquier punto perteneciente al polgono convexo
de soluciones factibles puede ser representado en trminos de las variables x1, x2, x3, x4 y x5.
Si x3 = 0 la restriccin de mano de obra se reduce a x1 + 2x2 = 40, luego cualquier punto
sobre la recta que incluye al segmento [Q2, Q3] debe tener x3 = 0. En forma similar, x4 = 0 y x5 =
0 definen los segmentos [Q1, Q2] y [Q3, Q4] respectivamente.
Si x3 = 15 la restriccin de mano de obra
x2
Figura 2-2
se transforma en x1 + 2x2 = 25 lo cual equivale
a bajar con una paralela a [Q2, Q3] hasta
50
satisfacer
esta
ltima
ecuacin.
Consecuentemente, x3 0 junto con las
restricciones de no negatividad x1 0 y x2 0
definen el rea del tringulo comprendido entre
los puntos (0; 0), (40; 0) y (0; 20). Podemos
PTIMO
hacer una interpretacin similar para x4 0 y x5
20
Demanda
0.
15 Q Q
4
3
Evidentemente el punto x1= 10; x2 = 10
10
Ma
Q2
no
de
puede representarse en trminos de x3; x4 y x5,
Ob
ra
Q0
Q1
bastar con reemplazar en las respectivas
0
20 25
40
x1
10
ecuaciones.
NECESIDAD DE UN PROCEDIMIENTO ALTERNATIVO DE SOLUCIN
Desde el punto de vista conceptual el problema de la programacin lineal ha quedado totalment e
resuelto.
43
Captulo 2
Sin embargo, el procedimiento antes descrito puede convertirse en una ardua tarea si
tenemos en cuenta por ejemplo, que una aplicacin pequea con 20 variables y 10 restricciones
podra tener C20, 10 = 184.756 puntos extremos. An empleando computadoras de ltima
generacin, el nmero de sistemas de ecuaciones lineales a resolver puede demandar tiempos de
clculo inadmisibles.
Afortunadamente, en 1947 George B. Dantzig (1914 2005) desarroll un mtodo
denominado Simplex. El mtodo o algoritmo Simplex, que estudiaremos en el captulo siguiente,
permite resolver problemas lineales sin necesidad de analizar el valor de la funcin econmica
en todos los puntos extremos. En la actualidad son numerosos los paquetes de software que
hacen uso del Simplex y de sus variantes.
44
Norma Torrent