Capı́tulo 7

Programación lineal

7.1 Introducción
Aunque conceptualmente los problemas de programación lineal no difieren
de los resueltos en temas anteriores, sı́ que presentan una caracterı́stica que
permite aplicar técnicas de resolución especı́ficas:
• La función objetivo del problema está descrita como una función lineal
de las variables de decisión.
• El sistema que recoge las restricciones impuestas a las variables de
decisión se expresa como un conjunto de igualdades o desigualdades
lineales.
Veremos que en este tipo de problemas, la solución siempre se alcanza
en al menos un punto extremo del conjunto factible, por lo que buscaremos
caracterizaciones de los mismos y estudiaremos los resultados teóricos que
permitirán formular el método Simplex, con el que resolveremos este tipo de
problemas ayudados de un software especı́fico.

7.1.1 Formulación de un problema de Programación

Lineal
El planteamiento más general de un PPL es:
Minimizar (Maximizar) z(x1 , x2 , . . . , xn ) = c1 x1 + · · ·
+ cn xn
sujeto a: a11 x1 + a12 x2 + · · · + a1n xn (≤=≥) b1  

a21 x1 + a22 x2 + · · · + a2n xn (≤=≥) b2 
.. .. .. (PPL)
. . .  

a x + a x + · · · + a x (≤=≥) b 
m1 1 m2 2 mn n m

40
 siendo
x = (x1 , x2 , . . . , xn )t el vector de variables de decisión,
ct = (c1 , c2 , . . . , cn )
el vector de coeficientes de las variables de decisión en la función objetivo,

b = (b1 , b2 , . . . , bm )t el vector de términos independientes de las restricciones,
y aij el coeficiente de la variable xj en la restricción i.
Llamaremos conjunto factible al conjunto de las combinaciones de va-
riables de decisión que satisfacen todas las restricciones del problema, y se
denotará por F .
Pero cualquier PPL, independientemente de su formulación inicial, puede
plantearse en la forma estándar, que para todo el desarrollo posterior de
este tema consideramos que es:

Min. z(x1 , x2 , . . . , xn ) = c1 x1 + · · · + cn xn 
sujeto a: a11 x1 + a12 x2 + · · · + a1n xn = b1 



a21 x1 + a22 x2 + · · · + a2n xn = b2 

.. .. .. (P),
. . . 
am1 x1 + am2 x2 + · · · + amn xn = bm 



x1 ≥ 0, x2 ≥ 0, · · · , xn ≥ 0 

siendo bi ≥ 0, i = 1, . . . , m.
Además, supondremos siempre que m < n, y que el rango del sistema de
ecuaciones es m, para evitar redundancia en las ecuaciones y garantizar la
existencia de más de una solución posible.
Para transformar un PPL cualquiera a su forma estándar es posible rea-
lizar algunas modificaciones sobre el programa:

• Si el problema está planteado inicialmente como búsqueda de máximos,

como maximizar una función equivale a minimizar su opuesta, basta
sustituir la condición Max. z(x1 , x2 , . . . , xn ) = c1 x1 + · · · + cn xn por la
condición
Min. − z(x1 , x2 , . . . , xn ) = −c1 x1 − · · · − cn xn .

• Si alguna constante de restricción bi fuera negativa, se multiplica la

correspondiente ecuación o inecuación por −1: ai1 x1 + ai2 x2 + · · · +
ain xn = bi equivale a −ai1 x1 − ai2 x2 − · · · − ain xn = −bi .

• Si alguna variable de decisión xj no estuviera sujeta a la condición de

no negatividad, bastarı́a sustituirla por la diferencia de dos variables
no negativas: xj = xj1 − xj2 con xj1 , xj2 ≥ 0.

• Las restricciones en desigualdad pueden transformarse en igualdad in-

troduciendo las denominadas variables de holgura o de compen-
sación. Ası́, dependiendo del sentido de la desigualdad sumamos o

41
 restamos la diferencia u holgura entre el término independiente (cons-
tante de restricción bi ) y el primer término:

– Si ai1 x1 + ai2 x2 + · · · + ain xn ≤ bi , tomando yi = bi − (ai1 x1 +

ai2 x2 + · · · + ain xn ) ≥ 0, la restricción quedarı́a ai1 x1 + ai2 x2 +
· · · + ain xn + yi = bi .
– Si ai1 x1 + ai2 x2 + · · · + ain xn ≥ bi , tomando yi = (ai1 x1 + ai2 x2 +
· · · + ain xn ) − bi ≥ 0, la restricción quedarı́a ai1 x1 + ai2 x2 + · · · +
ain xn − yi = bi .

Otra alternativa para formular un PPL es la forma matricial, que, para

el planteamiento en la forma estándar, quedarı́a como sigue:

Min.
ct
x

s. a: A
x =
b
(P)

x ≥
0
siendo A = (aij ) ∈ Mm×n de rango m. En este caso el conjunto factible es
F = {
x ∈ IRn /A



 x = b,
x ≥ 0}
a1j
 a2j 
 
Por P
j =  ..  j = 1, . . . , n representaremos la columna j-ésima
 . 
amj
de la matriz de coeficientes A.

7.1.2 Resolución gráfica

Si en el problema que se plantea, sólo intervienen dos variables de
decisión diferentes, la resolución puede hacerse gráficamente, para lo cual:
1. Se caracteriza el conjunto factible de todas las posibles combinaciones
de variables que no incumplen ninguna restricción, como la intersección
de los semiplanos cerrados determinados por cada una de las desigual-
dades que definen las restricciones.
2. Se analizan las curvas de nivel, en este caso rectas de nivel, considerando
el vector gradiente de la función objetivo que indica la dirección de
crecimiento más rápido. Es evidente que en los programas lineales el
vector gradiente es siempre un vector constante para cualquier punto
del plano.
3. Por último, la resolución concluye obteniendo el punto (o los puntos)
del conjunto factible por el que pasa la recta de mayor nivel.

42
7.2 Resultados fundamentales
Dado un PPL cualquiera:

• El conjunto factible es un politopo y si está acotado es un poliedro, que

tendrá un número finito de puntos extremos. En cualquier caso es un
conjunto convexo.

• Como la función objetivo es lineal, es continua, convexa y cóncava.

• Todo PPL es un programa convexo, por lo que toda solución óptima

es global.

• Si el conjunto factible no vacı́o está acotado, por el teorema de

Weierstrass está asegurada la existencia de un óptimo.

• Si su conjunto factible es no vacı́o, o tiene solución óptima única, o

tiene infinitas soluciones óptimas o tiene solución no finita.

• El conjunto de sus soluciones óptimas es un conjunto convexo.

• Si existe, el óptimo se alcanza en la frontera del conjunto factible, más

concretamente en al menos uno de sus puntos extremos.

El último comentario es crucial para la resolución de un PPL, ya que

ésta pasará por el análisis del comportamiento de la función objetivo en los
puntos extremos de F . Para ello daremos una caracterización de los mismos
a partir de la matriz de coeficientes A de las restricciones.
Una cuestión que es importante resaltar, para entender los desarrollos
posteriores, es la siguiente:
Sea F = {
x ∈ IRn /A
x =
b,
x ≥
0} el conjunto factible del problema
(P) escrito en forma estándar, donde suponemos que A = (aij ) ∈ Mm×n de
rango m.
Sea B una submatriz cuadrada de rango m de la matriz A, formada por m
de sus columnas, y sea N la submatriz de A que definen las n − m columnas
restantes. La teorı́a de resolución de sistemas lineales, permite asegurar que
el sistema de ecuaciones B
y =
b tiene solución única que denotamos por
xB .
Si las m componentes de la solución
xB se amplı́an con n−m ceros, se verifica
que B
xB + N
0 =
b, por lo que
xt = (
xtB ,
0t ) es solución del sistema A
x =
b.

43
7.2.1 Tipos de soluciones y caracterización
Definición 26 (Tipos de soluciones) Sea F = {
x ∈ IRn /A
x =
b,
x ≥
0}
el conjunto factible de un PPL en forma estándar (P), con A = (aij ) ∈ Mm×n
de rango m.

1. Si B es una submatriz cuadrada de rango m de A, se denomina solu-

ción básica del sistema A
x =
b, a la que se obtiene al ampliar con
n − m ceros la solución
xB del sistema B
y =
b.
La matriz B se denomina matriz básica, las variables
xB asociadas a
las columnas de B, se denominan variables básicas, y las restantes,
variables no básicas.

2. Si alguna variable básica de una solución básica es nula, la solución se

denomina degenerada, y en caso contrario no degenerada.
3. Una solución básica con
xB ≥
0 se denomina solución posible básica.

4. Se denomina solución posible óptima a un elemento de F en el que

se alcanza el óptimo del programa lineal. Si esta solución además es
básica, se denomina solución posible básica óptima.

El siguiente teorema permite caracterizar los puntos extremos de F a

partir de las matrices básicas que se pueden obtener de la matriz A de coe-
ficientes.

Teorema 12 Si F = {
x ∈ IRn /A
x =
b,
x ≥
0} es el conjunto factible

del problema (P) con A = (aij ) ∈ Mm×n de rango m, entonces
x es un
punto extremo del politopo F sı́ y sólo si
x es una solución posible básica del
problema

7.2.2 Paso de un punto extremo a otro

Para resolver un PPL debemos centrarnos únicamente en los puntos
extremos del conjunto factible, y movernos entre ellos. Para este proceso es
fundamental el siguiente resultado.

Teorema 13 (Paso de un punto extremo a otro) Sea
x = (x1 , . . . , xm ,

0, . . . , 0)t un punto extremo del conjunto factible F del problema (P) y P
j un
vector columna de A no básico para
x (m + 1 ≤ j ≤ n) con

m
P
j = xij P
i
i=1

44
 
xi xh
Tomando el valor θ = min /xij > 0 = el punto
x∗ = (x∗1 , . . . , x∗n )t
xij xhj
con 
 ∗
xi = xi − θxij si i = 1, . . . , h − 1, h + 1, . . . , m
x∗j = θ

 ∗
xi = 0 en otro caso
es también un punto extremo de F .

Sabiendo ya como pasar de un punto extremo a otro del conjunto factible,

este proceso sólo será conveniente cuando se mejore el objetivo perseguido en
el problema, que en nuestro caso es minimizar una función objetivo sujeta a
las restricciones.
En los siguientes resultados se analiza los cambios que se provocan en el
valor de la función objetivo cuando se opta por el paso a un nuevo punto
extremo, ası́ como los criterios que permitirán caracterizar si se ha obtenido
el óptimo, si este es único o no, o si el problema que se trata de resolver tiene
solución no finita.
Si
x = (x1 , . . . , xm , 0, . . . , 0)t es una solución posible básica asociada a la
matriz básica B = (P
1 . . . P
m ) de A, vamos a denotar por
ctB = (c1 , . . . , cm ) al
vector de coeficientes básicos, que son los coeficientes de la función objetivo
que corresponden a las variables básicas.
Cualquier vector columna de A será combinación lineal de los m vectores
básicos.
m


Pj = xij P
i = B X

j
i=1

j = (x1j , . . . , xmj )t es el vector de coordenadas de P
j respecto de la

donde X
base.
En lo que sigue, denotaremos zj =
ctB X
j j = 1, . . . , n

Teorema 14 Sea
x una solución posible básica del problema (P) e
y una
solución posible y sean z0 = z(
x), z ∗ = z(
y ), J el conjunto de ı́ndices no

j . Se cumple que
básicos de
x y zj =
ctB X

z ∗ = z0 − (zj − cj )yj
j∈J

Corolario 9 Sean
x e
x∗ los puntos extremos del teorema del paso de un
punto extremo a otro, z0 =
ct
x y z ∗ =
ct
x∗ . Se verifica que

z ∗ = z0 − (zj − cj )θ.

45
 A la vista de estos resultados, como θ ≥ 0, para mejorar el valor de
la función objetivo, consiguiendo que éste disminuya, deberemos elegir los
ı́ndices no básicos con zj − cj > 0 y para valores de θ > 0, el ı́ndice j para
el que el producto (zj − cj )θ sea mayor. En la práctica se suele optar por el
ı́ndice j para el que el (zj − cj ) > 0 es mayor.
Estamos ya en condiciones de caracterizar las distintas posibilidades que
pueden darse al buscar las soluciones óptimas de un PPL desplazándonos
entre los puntos extremos del conjunto factible, que se recogen a continuación.
Criterios Sea
x un punto extremo del conjunto factible del problema (P) y
J ⊆ {1, . . . , n} el conjunto de ı́ndices no básicos para
x.

1. Si ∀ j ∈ J se satisface que zj − cj ≤ 0, entonces
x es una solución

posible básica óptima.

2. Si existe k ∈ J para el cual zk − ck > 0 y xik ≤ 0 ∀i = 1, . . . , m,

entonces el problema tiene solución no finita.

3. Si
x es una solución posible básica óptima no degenerada y existe k ∈ J

para el cual zk − ck = 0, el problema tiene infinitas soluciones óptimas.

7.3 Método Simplex

7.3.1 Algoritmo
Los resultados fundamentales de la PL se articulan para conformar el
denominado método Simplex. Este método se comporta como un algoritmo
secuencial de resolución de un PPL en forma estándar estructurado en varias
etapas.

Etapa 1 (Solución posible básica inicial) Se considera la solución posi-

ble básica
x asociada a la matriz identidad de orden m, Im . Las coordenadas
básicas serán
xB =
b.

Etapa 2 (Estudio de la optimalidad) Para los ı́ndices j no básicos se

calculan los valores zj − cj .

1. Si ∀j no básico zj − cj ≤ 0, puede ocurrir:

(a) que no exista ningún j no básico con zj − cj = 0, en cuyo caso la

solución posible básica encontrada es la única solución óptima.
(b) que exista k no básico con zk − ck = 0, en cuyo caso el problema
tiene múltiples soluciones óptimas.

46
 i. Si xik ≤ 0 ∀i = 1, . . . , m, no se puede obtener otra solución
posible básica óptima diferente, pero existen infinitas solu-
ciones óptimas.
ii. Si xik > 0 para algún ı́ndice, pasamos a la etapa 3.

2. Existen ı́ndices no básicos con zj − cj > 0.

(a) Si existe k no básico con zk − ck > 0 y xik ≤ 0 ∀i = 1, . . . , m, el

problema tiene solución no finita.
(b) En otro caso seleccionamos el ı́ndice k que proporciona el
zj − cj > 0 mayor y pasamos a la siguiente fase. El vector P
k
deberá entrar en la base, pasando k a ser un ı́ndice básico.

Etapa 3 Fijado el vector P
k que entrará en la base, calculamos el valor


bi bh
θ = min /xik > 0 = ,
xik xhk

y el vector que saldrá de la base será P
h

Etapa 4 Se sustituye P
h por P
k , se obtiene la nueva solución posible básica
según lo descrito en el teorema de paso de un punto extremo a otro, y se
refieren todos los vectores a la nueva base.

Etapa 5 Se repiten los pasos desde la etapa 2.

47
48
 Observaciones: Si en la etapa 3, el mismo valor θ se obtuviera para más
de un ı́ndice, tras hacer el paso a la nueva solución posible básica, algunas
variables básicas se anuları́an, obteniendo pues una solución degenerada.
Normalmente, esta situación no supone ninguna dificultad, ya que puede
continuarse con el algoritmo y obtenerse el óptimo. Sin embargo, cuando se
produce la degeneración hay iteracciones en las que, aunque se cambia de
base, el valor de la función objetivo no se modifica. En muy raras ocasiones,
la degeneración puede provocar que se entre en un ciclo en el que se repiten
las soluciones posible básicas obtenidas, no alcanzándose la solución óptima.
Aunque existen técnicas para tratar la degeneración y evitar los ciclos,
la posibilidad de que estos ocurran es mı́nima, razón por la cual se obvia en
este tema su estudio en mayor profundidad.

7.3.2 Tabla del Simplex

Para el desarrollo del método Simplex resulta de gran ayuda la dis-
tribución en forma de tabla de los diferentes elementos que intervienen en
las distintas etapas del algoritmo. Si partimos de una solución posible básica

xB = (x1 , . . . , xm , 0, . . . , 0)t asociada a la matriz básica B = (P
1 . . . P
m ),
podemos construir la siguiente tabla

TABLA DEL MÉTODO SIMPLEX

c1 · · · ch · · · cm · · · ck ··· cn
B
cB P
1 · · · P
h · · · P
m · · · P
k ··· P
n
xB θ
P
1 c1 1 ··· 0 ··· 0 ··· x1k ··· x1n x1
.. .. .. .. .. .. .. ..
. . . . . . . .
xh
P
h ch 0 ··· 1 ··· 0 ··· xhk ··· xhn xh →
xhk
.. .. .. .. .. .. .. ..
. . . . . . . .


Pm cm 0 ··· 0 ··· 1 ··· xmk ··· xmn xm
zj − cj 0 ··· 0 ··· 0 · · · zk − ck ↑ · · · zn − cn z0

En la primera fila se consideran los coeficientes de la función objetivo, en

la primera columna se indican cuáles son los vectores columna básicos para la
solución posible básica, la segunda columna se corresponde con el vector de
coeficientes básicos
cB de la función objetivo. En la caja central de la tabla se
indican por columnas las coordenadas de cada vector P
j respecto de la base
{P
1 , . . . , P
m }. En la penúltima columna aparecen los valores de las variables
básicas,
xB . La última columna se reserva, si fuera necesario, para calcular
el valor θ necesario para cambiar a una nueva solución posible básica. La
distribución de la tabla permite calcular cómodamente los diferentes valores

49
zj − cj , que aparecen en la última fila, ası́ como z0 , el valor de la función
objetivo en la solución dada.
Conocidos los valores zj − cj y calculado el valor de θ sabemos qué vector
sale de la base (P
h ) y qué vector entra (P
k ). Debemos proceder al paso a un
nuevo punto extremo, que consiste en un cambio de base. Las coordenadas
de P
k en la nueva base deberán ser todas cero salvo la h que será 1. Digamos
que en la columna k de la tabla, xhk deberı́a pasar a valer 1 y anularse los
demás valores. Para conseguir este cambio, manteniendo los demás vectores
básicos ocupando el mismo lugar en la nueva base, basta realizar operaciones
elementales con las filas de la caja central y las mismas operaciones con las
variables básicas. Considerando el valor xhk como pivote, este proceso se
denomina pivoteo y consiste en realizar las siguientes operaciones:

1. Se divide la fila h por el pivote xhk obteniendo la fila h .

2. Cada fila i = h se sustituye por la fila i menos la fila h multiplicada

por xik .

Ası́ se obtiene la siguiente tabla

c1 ··· ch ··· cm ··· ck ··· cn

B
cB P
1 ··· P
h ··· P
m ··· P
k ··· P
n
xB
P
1 c1 1 ··· x∗1h ··· 0 ··· 0 ··· x∗1n x∗1
.. .. .. .. .. .. .. ..
. . . . . . . .
P
k ck 0 ··· x∗hh ··· 0 ··· 1 ··· x∗hn x∗h
.. .. .. .. .. .. .. ..
. . . . . . . .


Pm cm 0 ··· x∗mh ··· 1 ··· 0 ··· x∗mn x∗m
zj − cj 0 ··· 0 ··· 0 ··· zk − ck ↑ · · · zn − cn z0∗

Pasar de una tabla T1 a otra tabla T2 equivale a pasar de una solución

posible básica con variables básicas
xB asociada a la matriz básica B y colum-
nas básicas P
1 , · · · , P
m a otra solución posible básica con variables básicas

xB
asociada a la matriz básica B  y columnas básicas P
r1 , · · · , P
rm . Este
proceso se corresponde con un cambio de base en el espacio IRm , y es impor-
tante reseñar que, observando dos tablas cualesquiera obtenidas al aplicar el
método Simplex, si con X
j denotamos las coordenadas del vector P
j en la
base B y con X
 denotamos las coordenadas del vector P
j en la base B  , se
j


verifica que Xj = MX
j y
xB
= M
xB , siendo M la matriz cuyas columnas
son las coordenadas que tienen en la tabla T2 los vectores básicos de la tabla
T1 ; y recı́procamente, la matriz de cambio de base para pasar de la tabla T2

50
a la T1 , es M−1 cuyas columnas son las coordenadas que tienen en la tabla
T1 los vectores básicos de la tabla T2 . A continuación se presenta el esquema
de cómo se relacionan dos tablas mediante las matrices de cambio de base.

B
cB P
1 ··· P
m ··· P
r1 ··· P
rm ··· P
n
xB
P
1 c1 xB1
.. .. ..
. . .


Pi ci Im ··· M−1 ··· xBi
.. .. ..
. . .


Pm cm xBm
↓ X
j = MX
j ↑ X
j

j = M−1 X
xB
= M
xB
B
cB P
1 · · · P
m ··· P
r1 · · · P
rm ··· P
n
xB



Pr 1 cr 1 xB


r1
.. .. ..
. . .


Pr i cr i M ··· Im ··· xB
ri

.. .. ..
. . .


Pr m cr m xB


rm

7.4 Variables artificiales

En el método Simplex, el algoritmo arranca suponiendo que del plan-
teamiento del problema en forma estándar se puede localizar una solución
posible básica, sus vectores básicos asociados y la expresión de los demás
vectores columna respecto a los básicos. Esto exige que podamos extraer de
la matriz A la submatriz que coincide con la identidad Im (coordenadas de
los vectores básicos respecto a sı́ mismos). Cuando esto no ocurre, se recurre
a las variables artificiales cuya única utilidad es poder iniciar el método
Simplex. El tratamiento de las variables artificiales puede hacerse siguiendo
bien el método de la M-grande o de las penalizaciones, o bien el método de
las dos fases.
En ambos casos, una vez planteado el problema (P), se examinan las
variables para comprobar si existen suficientes para que al considerar sus
vectores columnas asociados obtengamos la matriz identidad Im . De no ser
ası́ se suman nuevas variables artificiales, que se comportarán como varia-
bles básicas, cada una a una única restricción adecuada para completar los
vectores necesarios.

51
7.4.1 Método de la M-grande
Para que las variables artificiales introducidas no afecten a la solución
del problema, es deseable que dejen de ser básicas lo antes posible, para que
en la solución óptima estas variables artificiales se anulen. Por esa razón se
las penaliza en la función objetivo, asociándolas un coeficiente con un valor
simbólico M que expresa una cantidad tan grande como se desee cuando se
trata de minimizar.
Resolviendo el nuevo problema planteado por el método Simplex, si se
obtiene la solución óptima en la que alguna variable artificial es no nula,
podemos afirmar que el problema planteado inicialmente carece de soluciones
posibles. En otro caso la solución encontrada es la solución óptima del pro-
blema (P). Si al aplicar el Simplex al problema con variables artificiales,
en algún paso se aprecia que el problema tiene solución no finita, si en ese
momento todas las variables artificiales son nulas, el problema (P) tendrá
solución no finita, y si alguna no es nula el problema (P) no tiene solución.

7.4.2 Método de las dos fases

FASE 1: se resuelve por el Simplex un nuevo problema en el que se busca el
mı́nimo de la función objetivo dada como la suma de las variables artificiales
introducidas, siendo el conjunto factible de este problema el mismo que el
de (P) ampliado con las variables artificiales. Obtenida la solución óptima
pueden darse dos situaciones:

1. Alguna variable artificial en la solución óptima no es nula, en cuyo caso

el problema (P) carece de solución.

2. Todas las variables artificiales son nulas.

(a) Si además ninguna es variable básica, la solución encontrada es

una solución posible básica del problema (P), y pasamos a la se-
gunda fase.
(b) Si alguna variable artificial es básica, se reemplazan las variables
artificiales básicas por variables no artificiales no básicas mediante
un proceso de pivoteo que, salvo que exista redundancia en las
restricciones del problema, siempre será posible. Ası́ se obtiene
una solución posible básica de (P) y se pasa a la segunda fase.

FASE 2: Se resuelve el problema (P) partiendo de la solución posible básica

obtenida en la fase 1.

52
7.5 Ejercicios
1. Se considera el sistema

2x1 − 3x2 + 4x3 − x4 + x6 = 2 
x1 − 2x2 + 5x3 + x5 = 6 .

xi ≥ 0, i = 1, ..., 6
Identifique los puntos extremos y en cada caso señale las variables
básicas y no básicas.
2. Resuelva por el método simplex el problema
Max − x1 + x2

s.a: −x1 + 2x2 ≤ 0 
2x1 + 3x2 ≤ 3 .

x1 ≥ 0, x2 ≥ 0
3. Resuelva el siguiente problema por el método simplex
Max mx1 − x2 + x3

s.a: x1 − 2x2 + x3 ≤ 1 


−2x1 + x2 + x3 ≤ 1
,
x1 + x2 − 2x3 ≤ 1 


xi ≥ 0, i = 1, 2, 3
para los siguientes valores de m:
(a) m = 1.
(b) m = −1.
4. Resuelva el problema siguiente por el método simplex
Min − 3x2

s.a: −x1 + x2 ≤ 1 


x2 ≤ 4
.
3x1 + x2 ≥ 1 


x1 , x2 ≥ 0
5. Resuelva gráficamente y por el método simplex el problema
Max x1 + 3x2

s.a: x1 + 2x2 ≤ 4 


−x1 + x2 ≤ 1
.
x1 ≤ 3 


x2 ≥ 0

53
6. Resuelva aplicando el método simplex
Min − x1 − x2

s.a: x1 ≥ 4 


x1 + x2 ≤ 5
.
x1 − x2 ≥ −1 


x1 , x2 ≥ 0
7. Dado el problema lineal
Max mx1 + nx2

s.a: −x1 + 2x2 ≤ 0 
2x1 + 3x2 ≤ 3 .

x1 ≥ 0, x2 ≥ 0
Determine valores de m y n para que el problema propuesto tenga:

(a) Solución óptima degenerada única.

(b) Infinitas soluciones óptimas.
(c) Solución óptima única no degenerada.

8. Dado el conjunto
A = {(x1 , x2 ) ∈ IR2 /x1 ≥ 0, x2 ≥ 0, −x1 + x2 ≤ 3/2, x1 + x2 ≤ 2},
se plantea el programa
Max mx1 + nx2
s.a: (x1 , x2 ) ∈ A,
donde m y n no son simultáneamente nulos.

(a) ¿Existen valores de m y n que garantizan que el punto (1/2, 1/2)

es el óptimo del programa anterior?
(b) Encuentre valores para m y n tal que el óptimo se alcance en
(1/4,7/4).

9. Utilice el método de la M-grande para encontrar la solución de

Min − ax1 + x2

s.a: x1 + x2 ≥ 1 


x1 − x2 ≤ 2
,
−4x1 + x2 ≤ 2 


x1 ≥ 0, x2 ≥ 0
donde a > 0.

54
10. Al resolver un problema lineal aplicando el método de las dos fases se
obtiene la siguiente tabla óptima en la fase I:

0 0 0 0 1 1 1
B c̄B P̄1 P̄2 P̄3 P̄4 P̄5 P̄6 P̄7 x̄B
P̄1 0 1 0 2 –1 1 1 0 2
P̄2 0 0 1 –1 2 –2 3 0 1
P̄7 1 0 0 −a 0 0 –1 1 b
zj − cj 0 0 −a 0 –1 –2 0 b

donde a, b ≥ 0. Determine una base para iniciar la fase II cuando sea

posible.
11. Una empresa produce n bienes a partir de m factores. Sea cj el ben-
eficio unitario proporcionado por el bien j, aij la cantidad de recurso
i empleada en la producción de una unidad de j y bi la cantidad del
factor i-ésimo disponible.
(a) Plantee el problema para determinar las cantidades que se han de
producir de cada bien si se desea maximizar el beneficio.
(b) Resuelva el problema anterior si n = 4, m = 3, (c1 , c2 , c3 , c4 ) =
(1, 3, 2, 1), (b1 , b2 , b3 ) = (100, 200, 150) y los coeficientes aij son los
que aparecen en la matriz
 
1 1 2 3
 4 0 1 3 .
2 2 1 4

12. Una empresa quı́mica fabrica y comercializa un producto P que genera

en su fabricación unos residuos altamente contaminantes. Cada Tm.
de P genera 3 kg. de residuos, los cuales deben ser almacenados en la
propia fábrica o bien ser destruidos. Para su destrucción la empresa
puede fabricar tres productos: C1 , C2 y C3 , aprovechando sus insta-
laciones. Cada Tm. de estos productos puede destruir 2, 1 y 5 kg.,
respectivamente. Existen dos fases del proceso productivo comunes a
P , C1 , C2 y C3 con limitación de capacidad. La capacidad empleada
para fabricar cada Tm. de producto junto con la existente en cada fase,
se recoge en el siguiente cuadro:

P C1 C2 C3 Capacidad máxima
Fase 1 2 4 1 1 16
Fase 2 1 0 1 1 8

55
 Además el beneficio obtenido por la venta de una Tm. de P es de 1
u.m. mientras que los costes unitarios de C1 , C2 y C3 son 2, 4 y 1
u.m., respectivamente. El empresario desea minimizar la cantidad de
residuos almacenada con la condición de que el beneficio total obtenido
por la venta de P sea superior al menos en 6 u.m. al coste de fabricación
de los otros tres productos.

13. Una empresa fabrica tres productos A, B y C para lo cual utiliza tres
materiales distintos M1 , M2 y M3 . En este momento se dispone en
el almacén de 8, 6 y 20 unidades de materiales respectivamente. Las
cantidades de cada material necesarias para fabricar cada unidad de
producto vienen dadas por el siguiente cuadro:

A B C
M1 2 2 1
M2 4 1 2
M3 1 4 6

(a) Si el beneficio unitario de cada uno de ellos es de 3, 4 y 2 u.m.,

determine las cantidades que se han de fabricar para maximizar
el beneficio.
(b) ¿Cúal es el óptimo si existe un coste de almacenamiento de una
unidad monetaria por cada unidad de material sobrante?

56