A Hélène, Nicolás y Sylvie

Índice general

1. INTRODUCCIÓN 1
1.1. Un problema de asignación de recursos . . . . . . . . . . . . 2
1.1.1. Modelación del problema . . . . . . . . . . . . . . . . 2
1.2. El problema del transporte . . . . . . . . . . . . . . . . . . . 4
1.3. Un problema de dieta . . . . . . . . . . . . . . . . . . . . . . 6

2. DIFERENTES FORMAS DE PROBLEMAS 13

2.1. Forma general . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2. Forma mixta . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3. Forma canónica . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4. Forma estándar o tı́pica . . . . . . . . . . . . . . . . . . . . . 15
2.5. Equivalencia entre las diferentes formas . . . . . . . . . . . . 15

3. MÉTODO GRÁFICO 19
3.1. Región acotada . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. Región no acotada . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3. Óptimo no acotado . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4. Otros casos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4. CONJUNTOS CONVEXOS 27
4.1. Convexos, envolventes, combinaciones . . . . . . . . . . . . . 27

iii
iv ÍNDICE GENERAL

4.2. Puntos y direcciones extremos . . . . . . . . . . . . . . . . . . 31

5. CONVEXOS EN OPTIMIZACIÓN LINEAL 35

5.1. Puntos extremos . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2. Direcciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

6. DOS TEOREMAS 47
6.1. Representación . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.2. Optimalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

7. EL MÉTODO SIMPLEX 57
7.1. Condiciones de optimalidad . . . . . . . . . . . . . . . . . . . 57
7.2. Deducción matricial del método simplex . . . . . . . . . . . . 62

8. TABLAS DEL MÉTODO SIMPLEX 77

8.1. Una primera tabla para el simplex . . . . . . . . . . . . . . . 77
8.2. Una tabla más compacta para el simplex . . . . . . . . . . . 86

9. MÉTODO DE LAS DOS FASES 93

9.1. Problema artificial . . . . . . . . . . . . . . . . . . . . . . . . 93
9.2. Conjunto no factible . . . . . . . . . . . . . . . . . . . . . . . 96

10. CASOS ESPECIALES DEL MÉTODO SIMPLEX 101

10.1. Óptimo no acotado . . . . . . . . . . . . . . . . . . . . . . . . 101
10.2. Conjunto de puntos óptimos infinito y acotado . . . . . . . . 103
10.3. Conjunto de puntos óptimos no acotado . . . . . . . . . . . . 105
10.4. Variables artificiales básicas nulas . . . . . . . . . . . . . . . . 107

11. MÉTODO DE PENALIZACIÓN 115

11.1. Costos y costos reducidos . . . . . . . . . . . . . . . . . . . . 115
11.2. Escogencia de la variable que entra . . . . . . . . . . . . . . . 116

iv
 ÍNDICE GENERAL v

11.3. Conjunto no factible . . . . . . . . . . . . . . . . . . . . . . . 122

12. MÉTODO SIMPLEX REVISADO 125

12.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
12.2. Algoritmo del MSR . . . . . . . . . . . . . . . . . . . . . . . 130

13. EL MÉTODO DE LAS DOS FASES Y EL MSR 139

13.1. De la primera a la segunda fase . . . . . . . . . . . . . . . . . 139
13.2. Conjunto no factible . . . . . . . . . . . . . . . . . . . . . . . 145
13.3. Conjunto óptimo no acotado . . . . . . . . . . . . . . . . . . 148

14. DUALIDAD 153

14.1. El problema dual . . . . . . . . . . . . . . . . . . . . . . . . . 153
14.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156

15. MÉTODO SIMPLEX DUAL 169

15.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
15.2. Conjunto no factible . . . . . . . . . . . . . . . . . . . . . . . 173

16. EL PROBLEMA DEL TRANSPORTE 177

16.1. Planteamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
16.2. Algoritmo del transporte . . . . . . . . . . . . . . . . . . . . . 183
16.3. Método de la esquina noroccidental . . . . . . . . . . . . . . . 183
16.4. Método del circuito (stepping-stone) . . . . . . . . . . . . . . 188
16.5. Optimalidad y modificación de la tabla . . . . . . . . . . . . . 192
16.5.1. Condiciones de optimalidad . . . . . . . . . . . . . . . 192
16.5.2. Escogencia de la variable que entra . . . . . . . . . . . 192
16.5.3. Escogencia de la variable que sale . . . . . . . . . . . . 192
16.5.4. Modificación de la tabla . . . . . . . . . . . . . . . . . 192

17. OTROS MÉTODOS PARA EL TRANSPORTE 199

v
vi ÍNDICE GENERAL

17.1. Método de las variables duales . . . . . . . . . . . . . . . . . 199

17.2. Método del costo mı́nimo por filas . . . . . . . . . . . . . . . 203
17.3. Método del costo mı́nimo por columnas . . . . . . . . . . . . 208
17.4. Método del costo mı́nimo de la matriz . . . . . . . . . . . . . 212
17.5. Método de Vogel . . . . . . . . . . . . . . . . . . . . . . . . . 216
17.6. Método de Russel . . . . . . . . . . . . . . . . . . . . . . . . . 223
17.7. Soluciones básicas degeneradas . . . . . . . . . . . . . . . . . 229
17.8. Oferta total diferente de demanda total . . . . . . . . . . . . 240

18. ANÁLISIS DE SENSIBILIDAD 247

18.1. Modificaciones en los costos . . . . . . . . . . . . . . . . . . . 249
18.1.1. Modificación puntual de c . . . . . . . . . . . . . . . 251
18.1.2. Modificación parametrizada de un costo . . . . . . . . 254
18.1.3. Modificación parametrizada de varios costos . . . . . . 256
18.2. Modificaciones en los términos independientes . . . . . . . . . 258
18.2.1. Modificación puntual de b . . . . . . . . . . . . . . . . 259
18.2.2. Modificación parametrizada de un solo término inde-
pendiente . . . . . . . . . . . . . . . . . . . . . . . . . 261
18.2.3. Modificación parametrizada de varios términos inde-
pendientes . . . . . . . . . . . . . . . . . . . . . . . . . 263
18.3. Modificaciones en una columna libre de A . . . . . . . . . . . 265
18.3.1. Modificación puntual de una columna libre . . . . . . 266
18.3.2. Modificación parametrizada de un solo elemento de
una columna libre . . . . . . . . . . . . . . . . . . . . 267
18.3.3. Modificación parametrizada de varios elementos de
una columna libre . . . . . . . . . . . . . . . . . . . . 269
18.4. Una restricción adicional . . . . . . . . . . . . . . . . . . . . . 269
18.5. Una columna adicional . . . . . . . . . . . . . . . . . . . . . . 273

vi
PRÓLOGO

Este libro es un reimpresión de Programación Lineal, métodos y progra-

mas, publicado en 1997 por el Departamento de Matemáticas de la Univer-
sidad Nacional de Colombia. Tiene los mismos temas, algunas correcciones,
ciertos cambios muy pequeños, un cambio de formato y algunos cambios de
nombre. A lo largo del libro se utiliza muy poco el término Programación
Lineal, se usa preferentemente Optimización Lineal, nombre más diciente
sobre el tema del libro. Programación Lineal ha sido el nombre tradicional,
pero se presta a confusión con programación de computadores o lenguajes
de programación.
Puede ser usado como texto o como libro de referencia para un curso de
Optimización Lineal para estudiantes de matemáticas, ingenierı́a, economı́a
o administración. Para su estudio o lectura se requieren conocimientos ele-
mentales de Álgebra Lineal.
Dependiendo del interés del profesor o del lector, algunos temas pueden
ser complementados y profundizados, otros pueden ser vistos más rápida-
mente. En el libro hay pocas demostraciones, pero en cambio están, por
un lado los teoremas y proposiciones que justifican los métodos, y por otro
lado hay bastantes ejemplos que muestran el desarrollo de los métodos y la
aplicación de los teoremas.
Los temas tratados son los usuales: planteamiento de problemas, méto-
do gráfico, conjuntos convexos, teoremas de representación y optimalidad,
método simplex y sus modificaciones, dualidad, problema del transporte y
análisis de sensibilidad. Estos tópicos pueden ser vistos cómodamente en un
semestre.
Aunque algunos temas podrı́an ser suprimidos, por ejemplo, conjuntos
convexos, los teoremas de representación y optimalidad y el estudio de la
dualidad, y de todas formas se alcanza a obtener una visión de la optimiza-
ción lineal, ésta podrı́a tener cierto sabor a receta.
Es conveniente hacer a mano ejemplos pequeños para poder personalizar
los detalles de cada método y después sı́ comparar los resultados con los de
los programas. En optimización lineal es muy fácil crear ejercicios, y si son
de dos variables se pueden resolver también gráficamente.
viii PRÓLOGO

En la página del autor, el lector encontrará programas para la mayorı́a

de los métodos. Está la versión para DOS que venı́a con la primera edición.
Además hay una versión para Windows cuya parte gráfica fue hecha por el
ingeniero Pierre Torres a quien agradezco su colaboración.
También encontrará una fe de erratas del libro, que se irá completando
a medida que los errores sean detectados. En esta página también está el
código Fortran y otros documentos relacionados con el tema. Actualmente
la dirección es:
www.matematicas.unal.edu.co/~hmora/
Si hay reorganización de las páginas de la Universidad, será necesario entrar
a la página de la Universidad
www.unal.edu.co
ir a la Sede de Bogotá, la Facultad de Ciencias, el Departamento de Ma-
temáticas y la página del autor.
En la versión para DOS, los resultados salen generalmente en un archivo
y por lo tanto deben ser “vistos” con cualquier editor de archivos ASCII.
Mediante el programa leame (leame.exe), se tiene acceso a la información
sobre los diferentes programas. También se puede tener información sobre
los programas “mirando” el archivo pl.txt .
Quiero agradecer a los evaluadores de este trabajo, a los estudiantes del
curso Programación Lineal de las carreras de Ingenierı́a de Sistemas y de
Matemáticas, en especial a Patricia Jaime. Las sugerencias, comentarios y
correcciones de todos ellos, fueron muy útiles. También doy gracias al profe-
sor Gustavo Rubiano, Director de Publicaciones de la Facultad de Ciencias,
quien me animó a preparar esta edición y facilitó su publicación.
El texto fue escrito en LATEX. Quiero también agradecer al profesor
Rodrigo De Castro quien amablemente me ayudó a resolver las inquietudes
y los problemas presentados.
El autor estará muy agradecido por los comentarios, sugerencias y correc-
ciones enviados a:
hmora@matematicas.unal.edu.co hectormora@yahoo.com
Finalmente, y de manera muy especial, agradezco a Hélène, Nicolás y
Sylvie. Sin su apoyo, comprensión y paciencia no hubiera sido posible escri-
bir este libro.

viii
 NOTACIÓN

M(m, n) = Rm×n = conjunto de matrices reales m × n, o sea, de m filas y n

columnas. Si A ∈ M(m, n), entonces A es de la forma:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A= . .. . .. 
 . . . . . . 
am1 am2 . . . amn

aij = elemento o entrada de la matriz A, en la fila i y en la columna j.

M(n, 1) = Rn×1 = { matrices columna de n componentes }.

M(1, n) = R1×n = { matrices fila de n componentes }.

R1×1 = R.

AT = transpuesta de la matriz A.

Rn = { (x1 , x2 , . . . , xn ) : xj ∈ R ∀j}.

Rn := M(n, 1) = Rn×1 , es decir:

 
x1
 x2 
 
x = ( x1 , x2 , . . . , xn ) :=  . 
 .. 
xn
T
£ ¤
x = x1 x2 . . . xn
£ ¤
Ai
= fila i-ésima de la matriz A = ai1 ai2 . . . ain .
 
a1j
 a2j 
 
A
j = columna j-ésima de la matriz A =  . .
.
 . 
amj

Ak = A(k) = matriz A en la iteración k, k = 0, 1, 2 . . .

 x NOTACIÓN

(Q)k = k veces el producto de la matriz Q por sı́ misma.

Q−1 = inversa de la matriz Q

n = número de variables.

m = número de restricciones.

p = n − m = número de variables libres (problemas en la forma estándar).

z = cT x = c1 x1 + c2 x2 + . . . + cn xn = función objetivo o función económica

(generalmente para minimización).
£ ¤T
c = (c1 , c2 , . . . , cn ) = c1 c2 . . . cn = vector de costos.

z es acotado ⇔ z es acotado inferiormente (problema de minimización).

Ai
x = ai1 x1 + ai2 x2 + . . . + ain xn = lado izquierdo de la restricción i.

bi = término independiente o lado derecho de restricción i.

min z := minimizar z.

max z := maximizar z.

x ≥ y ⇔ xi ≥ yi ⇔ xi ≥ yi para todo i.

x ≥ 0 ⇔ xi ≥ 0 ⇔ xi ≥ 0 para todo i.

c̃j = costo reducido de xj (denotado algunas veces cj − zj ).

b = matriz (m+1)×(n+1) obtenida a partir de A agregándole una última
A
fila de costos reducidos y una última columna de términos indepen-
dientes. · ¸
Ab= A b
c̃T 0

x ≥ 0 y x ≯ 0 ⇔ x ≥ 0, ∃xi = 0.

min z = cT x
min z = cT x
sujeto a
Ax = b ⇐⇒
Ax = b
x ≥ 0.
x ≥ 0.

|S| = número de elementos del conjunto S.

x
 NOTACIÓN xi

F = { x ∈ Rn : Ax = b, x ≥ 0 } = conjunto admisible de un problema en la

forma estándar.

z ∗ = valor óptimo de z, cuando existe.

S ∗ = Sf∗ = Argmin f (x) = {x̄ ∈ S : f (x̄) ≤ f (x), ∀x ∈ S}.

x∈S

x∗ = argmin f (x) cuando Argmin f (x) = {x∗ }.

x∈S x∈S

|C| = ](C) = cardinal del conjunto C.

En la escritura de numeros decimales, los enteros están separados de

los decimales por medio de un punto. No se usa la notación española
(los enteros están separados de los decimales por una coma). No se
utiliza un sı́mbolo para separar las unidades de mil de las centenas.

xi
Capı́tulo 1

INTRODUCCIÓN

La optimización lineal o programación lineal tiene como objetivo opti-

mizar (minimizar o maximizar) funciones lineales, de varias variables, con
restricciones (igualdades o desigualdades), también lineales.
La optimización lineal estudia y resuelve problemas dados por modelos
matemáticos deterministas, con hipótesis de linealidad, aditividad y de no
negatividad de las variables.
Se entiende por modelo matemático una descripción en términos mate-
máticos, lo más fiel posible, de una realidad.
El término determinista indica un conocimiento exacto y preciso de los
coeficientes utilizados en la función objetivo y en las restricciones. Esta
condición parece ser muy extrema y poco práctica, sin embargo, el análisis
de sensibilidad permite usar la optimización lineal en los casos de datos no
muy precisos.
Cuando la función objetivo no es lineal sino cuadrática, se trata en-
tonces de optimización cuadrática. En general, si la función objetivo o las
restricciones no son lineales se habla de optimización no lineal.
La hipótesis de aditividad indica que el efecto total es obtenido por la
suma de los efectos particulares de cada variable.
Veamos a continuación algunos ejemplos tı́picos de problemas reales cuyo
modelo matemático es un problema de optimización lineal.

1
2 CAPÍTULO 1. INTRODUCCIÓN

1.1. Un problema de asignación de recursos

Una fábrica elabora dos productos diferentes P1 , P2 y utiliza tres máqui-

nas diferentes M1 , M2 , M3 . Ambos productos requieren el uso, sin importar
el orden, de las tres máquinas. Cada unidad del producto P1 requiere una
hora en cada una de las tres máquinas. Cada unidad del producto P2 re-
quiere una hora en la máquina M1 y dos horas en la máquina M2 . Las
disponibilidades mensuales de las máquinas M1 , M2 , M3 son 400, 580 y
300 horas, respectivamente. La materia prima necesaria para la fabricación
de los productos es muy fácil de obtener y se consigue en cantidades tan
grandes que se pueden suponer ilimitadas.
Después de hacer el cálculo de todos los gastos necesarios para la fa-
bricación, publicidad, distribución, comercialización y teniendo en cuenta el
precio de venta, se obtiene que el beneficio por cada unidad del producto P1
es $1000. Para el producto P2 el beneficio unitario es $1400.
Al estudiar la demanda actual para los dos productos, la compañı́a pien-
sa que puede vender toda su producción. El gerente desea organizar su
producción para que ésta sea óptima.

1.1.1. Modelación del problema

A partir del momento en que se desea representar un problema por un

modelo matemático, lo primero que se necesita es precisar lo que se busca,
es decir, hay que definir las variables del problema.
En el problema anterior, la adecuada organización de la producción se
traduce por el conocimiento del número de unidades de cada producto que
hay que fabricar mensualmente.

Sean:

x1 = número de unidades del producto P1 que deben ser fabricadas cada

mes.

x2 = número de unidades del producto P2 que deben ser fabricadas cada

mes.

Una vez definidas las variables, se necesita expresar la función objetivo

o función económica utilizando estas variables.

2
 1.1. UN PROBLEMA DE ASIGNACIÓN DE RECURSOS 3

En este ejemplo, la compañı́a desea maximizar el beneficio neto, es decir:

maximizar z = 1000x1 + 1400x2 .

Es claro que las variables no pueden tomar todos los valores posibles, en este
ejemplo hay que tener en cuenta la disponibilidad mensual de las máquinas.
La máquina M1 es usada una hora por cada unidad del producto P1 y
una hora por cada unidad del producto P2 . Su disponibilidad es de 400
horas al mes. Esto se puede expresar mediante la siguiente desigualdad

x1 + x2 ≤ 400.

Cada unidad del producto P1 requiere una hora en la máquina M2 . Cada

unidad del producto P2 requiere dos horas en esta máquina. Cada mes hay
580 horas disponibles en la máquina M2 . Esta restricción se puede expresar:

x1 + 2x2 ≤ 580.

Finalmente, para la máquina M3 se tiene:

x1 ≤ 300.

Es claro que las variables x1 , x2 no pueden tomar valores negativos, ya que

no tiene sentido hablar, por ejemplo, de producir −5 unidades del producto
P2 ; entonces

x1 ≥ 0
x2 ≥ 0,

o también
xi ≥ 0, i = 1, 2,
o simplemente
x ≥ 0.
La no negatividad de las variables es una restricción común a casi todos los
problemas de optimización lineal.
En este problema se puede pensar que las variables x1 , x2 deben tomar
valores enteros (no tiene sentido producir 249.2 unidades del producto P1 ).
Sin embargo, puesto que se trata de números relativamente grandes y los
métodos usuales de optimización lineal suponen que las variables pueden
tomar valores no enteros, se puede hacer la aproximación de un número no

3
4 CAPÍTULO 1. INTRODUCCIÓN

entero al número entero más próximo. Es decir, si al resolver el problema

se obtiene que la producción óptima es de 75.8 y de 249.2 se puede tomar
como resultado óptimo x1 = 76, x2 = 249.
Es obvio que si los valores de las variables y de las cantidades utilizadas
en el problema son pequeños, es muy importante tener en cuenta que las va-
riables deben ser enteras (por ejemplo, no se puede aproximar tan fácilmente
una producción de 2.6 cohetes espaciales a tres). En este caso se tratará de
un problema de optimización entera.
A lo largo de estas notas siempre se supondrá, salvo mención expresa de
lo contrario, que los valores de las variables pueden ser no enteros y que en
los casos en que deberı́an ser enteros, se trata de cantidades relativamente
grandes, que permiten aproximar el resultado final por valores enteros.

Hechas estas aclaraciones, el modelo final del problema es el siguiente:

max z = 1000x1 + 1400x2
sujeto a
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.
Con el fin de hacer más compacta la presentación, sin perder precisión, se
omitirá de aquı́ en adelante “sujeto a”, o a veces, “tal que”, pero siempre el
significado será: minimizar una función o valor z que depende de x1 , . . . , xn ,
donde además, x está sujeto a las restricciones que siguen a la función
objetivo.

1.2. El problema del transporte

Una compañı́a elabora un producto en dos fábricas F1 , F2 y tiene tres

centros de distribución D1 , D2 , D3 . La capacidad máxima de producción
semanal de las fábricas F1 , F2 es de 100 y 150 unidades. Las demandas
semanales en los centros de distribución son 70, 80 y 90 unidades. Los
costos unitarios de transporte de las fábricas a los centros de distribución
están dados en la siguiente matriz (en pesos). Las filas corresponden a las
fábricas y las columnas a los destinos.
· ¸
15 18 24
32 17 11

4
 1.2. EL PROBLEMA DEL TRANSPORTE 5

La compañı́a desea organizar de la mejor manera posible el transporte de su

producto.
Sea xij = número de unidades del producto que deben ser llevadas
semanalmente de la fábrica Fi al centro de distribución Dj , donde i = 1, 2,
j = 1, 2, 3.
La función objetivo está dada por la minimización del costo del trans-
porte:

minimizar z = 15x11 + 18x12 + 24x13 + 32x21 + 17x22 + 11x23 .

Hay dos clases de restricciones fuera de las de no negatividad: restricciones

con respecto a la producción y restricciones con respecto a la demanda. Las
restricciones con respecto a la producción son:

x11 + x12 + x13 ≤ 100,

x21 + x22 + x23 ≤ 150.

Restricciones con respecto a la demanda:

x11 + x21 = 70,

x12 + x22 = 80,
x13 + x23 = 90.

Restricciones de no negatividad:

xij ≥ 0 para todo i y para todo j.

En resumen:

min z = 15x11 + 18x12 + 24x13 + 32x21 + 17x22 + 11x23

x11 + x12 + x13 ≤ 100

x21 + x22 + x23 ≤ 150

x11 + x21 = 70
x12 + x22 = 80
x13 + x23 = 90
xij ≥ 0 para todo i, j.

5
6 CAPÍTULO 1. INTRODUCCIÓN

1.3. Un problema de dieta

Un ama de casa desea hacer un almuerzo equilibrado utilizando los si-

guientes productos: carne, papas, habichuela, leche y guayaba. Los precios
por kilo de estos alimentos son respectivamente: $700, $80, $250, $70 y
$80. Aquı́ estamos suponiendo que la leche se vende por kilos, o lo que es
aproximadamente lo mismo, que un litro de leche pesa un kilo. La familia
está compuesta por 6 personas y cada persona debe consumir 800 calorı́as
(en el almuerzo). Para que la alimentación sea equilibrada debe estar com-
puesta de 20 % de proteı́nas, 30 % de grasas, 50 % de glúcidos o carbohidra-
tos. Estos porcentajes están dados con respecto a la materia seca, es decir,
sin tener en cuenta el agua contenida en los alimentos. Obviamente, hay
muchas más condiciones que se deben tener en cuenta y aquı́ se hace una
simplificación para facilitar el planteamiento del problema. En la siguiente
tabla se expresa la composición de cada alimento y su aporte calórico.

% % % % Calorı́as
Proteı́nas Grasas Glúcidos Agua por kilo
Carne 10 10 0 80 1300
Papas 2 0 20 78 880
Habichuelas 1 0 5 94 240
Leche 5 3 5 87 670
Guayaba 1 0 15 84 640

El ama de casa desea saber cómo organizar su mercado de tal forma

que se cumplan las restricciones nutricionales y que, además, se minimice el
costo.

Sean:

x1 = cantidad (kilos) de carne que hay que comprar para el almuerzo de las
seis personas.

x2 = cantidad (kilos) de papa que hay que comprar...

x3 = cantidad (kilos) de habichuela que hay que comprar...

x4 = cantidad (kilos) de leche que hay que comprar...

x5 = cantidad (kilos) de guayaba que hay que comprar...

6
 1.3. UN PROBLEMA DE DIETA 7

Función objetivo:

min z = 700x1 + 80x2 + 250x3 + 70x4 + 80x5 .

Cantidad de calorı́as:

1300x1 + 880x2 + 240x3 + 670x4 + 640x5 = 4800.

Porcentaje de proteı́nas:

cantidad de proteı́nas = 0.2(cantidad total de materia seca)

0.10x1 + 0.02x2 + 0.01x3 + 0.05x4 + 0.01x5 =

0.2(0.20x1 + 0.22x2 + 0.06x3 + 0.13x4 + 0.16x5 ).

Multiplicando por 100 ambos lados de la igualdad:

10x1 + 2x2 + x3 + 5x4 + x5 = 0.2(20x1 + 22x2 + 6x3 + 13x4 + 16x5 ).

Porcentaje de grasas:

10x1 + 3x4 = 0.3(20x1 + 22x2 + 6x3 + 13x4 + 16x5 ).

Porcentaje de glúcidos:

20x2 + 5x3 + 5x4 + 15x5 = 0.5(20x1 + 22x2 + 6x3 + 13x4 + 16x5 ).

Condiciones de no negatividad:

xi ≥ 0, i = 1, 2, . . . , 5.

En resumen:

minz = 700x1 + 80x2 + 250x3 + 70x4 + 80x5

1300x1 + 880x2 + 240x3 + 670x4 + 640x5 = 4800

6x1 − 2.4x2 − 0.2x3 + 2.4x4 − 2.2x5 = 0
4x1 − 6.6x2 − 1.8x3 − 0.9x4 − 4.8x5 = 0
−10x1 + 9x2 + 2x3 − 1.5x4 + 7x5 = 0
x ≥ 0.

7
8 CAPÍTULO 1. INTRODUCCIÓN

Con un poco de observación se puede ver que la última restricción es el

inverso aditivo de la suma de la segunda y tercera restricción, por lo tanto
se puede suprimir esta última restricción.
Por lo general, al plantear un problema no es prioritario tratar de ver
si hay restricciones redundantes o de averiguar si el problema es consisten-
te (hay puntos que cumplen todas las restricciones) o inconsistente. Estos
aspectos deben resultar durante la solución del problema. Si el plantea-
miento del problema permite inmediata y fácilmente suprimir restricciones
redundantes o afirmar la inconsistencia, serı́a una tonterı́a no hacerlo.
Plantear problemas de OL puede ser algo muy fácil, pero también llega
a ser muy complicado. Algunos problemas no parecen ser de OL, pero
mediante cambios ingeniosos pueden serlo. Para algunos “usuarios”de la
OL, el planteamiento de problemas es uno de los temas más importantes,
ya que requieren plantear problemas, entrar los datos a un computador e
interpretar los resultados. Plantear problemas requiere, entre otras cosas,
mucha práctica, intuición, conocimiento del tema del problema y obviamente
un razonamiento consistente.
No parece posible llegar a conocer absolutamente todo sobre la modela-
ción de problemas, pero sı́ se puede adquirir habilidad suficiente para enfren-
tar con éxito una gran cantidad de los problemas más corrientes o semejantes
a ellos.

EJERCICIOS

1.1. Una cooperativa agrı́cola debe planificar las siembras en n fincas. Para
la finca i , i = 1, ..., n, se conoce:
Si : superficie (ha) de la finca.
Ai : volumen (m3 ) de agua disponible por dı́a.
Es posible sembrar m clases de cultivos. Para el cultivo j , j = 1, ..., m,
se conocen los siguientes datos:
Hj : superficie máxima total (ha) que se puede sembrar.
Cj : consumo diario de agua (m3 ) por hectárea.
Tj : número de toneladas cosechadas en cada hectárea.
Pj : precio de venta ($) de cada tonelada.
Ij : cantidad inicial ($) que se debe invertir en cada hectárea.

8
 1.3. UN PROBLEMA DE DIETA 9

La compañı́a desea conocer xij , el número de hectáreas de la finca i

dedicadas al cultivo j, si se dispone inicialmente de M pesos para la
inversión inicial y se desea maximizar la ganancia (venta−inversión
inicial). Plantee este problema de OL.

1.2. Un campesino desea planear su cultivo de maı́z por un periodo de 3

años. Al empezar el primer año tiene a kilos de granos de maı́z y se
sabe que al sembrar un kilo de granos de maı́z, al cabo de un año,
se obtienen b (b > 1) kilos de maı́z. Este campesino tiene mucha
experiencia y sabe o puede prever gi , i = 1, ..., 4, la ganancia neta
correspondiente a la venta de un kilo de maı́z al empezar el año i .
Al iniciar cada uno de los tres años el campesino vende una parte del
maı́z disponible y siembra el resto. Al finalizar el tercer año, o sea, al
empezar el cuarto año, él vende todo el maı́z disponible. El campesino
desea saber cuántos kilos debe vender y cuántos sembrar al comenzar
cada uno de los tres años de tal manera que maximice sus ganancias.
Plantee el anterior problema de OL.

1.3. Una compañı́a metalúrgica fabrica una aleación de n metales. Esta

aleación debe tener exactamente los porcentajes p1 , p2 , ..., pn de esos
n metales. Como la aleación está compuesta únicamente de estos n
metales, entonces p1 + p2 + ... + pn = 100 . Es posible conseguir en
el mercado local m clases de chatarra que tienen única y exactamente
estos n metales, pero en otros porcentajes. Después de un minucioso
estudio se obtuvieron los valores qij , i = 1, ..., m, j = 1, ..., n, corres-
pondientes al porcentaje del metal j en la chatarra clase i . Como
cada una de estas chatarras contiene única y exclusivamente estos me-
tales, entonces qi1 + qi2 + ... + qin = 100 , para todo valor de i . Los
costos, por tonelada, de las clases de chatarra son: c1 , c2 , ..., cm . La
compañı́a desea conocer los porcentajes x1 , x2 , ..., xm , de cada clase
de chatarra, que debe tener la aleación, para que ésta tenga un costo
mı́nimo. Plantee el anterior problema de OL.

1.4. Una compañı́a de vigilancia evaluó sus necesidades de vigilantes, por

periodos de 4 horas, en un gran conjunto residencial, de la siguiente
manera:

9
10 CAPÍTULO 1. INTRODUCCIÓN

Periodo Cantidad
2 a.m. a 6 a.m 34
6 a.m. a 10 a.m 48
10 a.m. a 2 p.m 37
2 p.m. a 6 p.m 35
6 p.m. a 10 p.m 32
10 p.m. a 2 a.m 30

Cada vigilante trabaja 8 horas al dı́a, pero de manera continua. La

compañı́a desea organizar la distribución de sus vigilantes de tal forma
que el número total de vigilantes sea mı́nimo. Plantee el anterior
problema de OL.

1.5. El señor Ramón Martı́nez tiene un negocio de distribución de huevos

frescos (menos de 7 dı́as), en una pequeña bodega cerca de su casa
en Bogotá. Allı́ vende al por mayor y al detal, de lunes a viernes,
de 8 a.m. a 4 p.m. Todos sus proveedores son amigos o familiares,
que viven en un pueblo del oriente cundinamarqués, y le entregan,
de 7 a 8 a.m., la cantidad solicitada para cada dı́a por don Ramón,
garantizándole que los huevos son súper frescos (menos de 48 horas).
La mayorı́a de las ventas las hace a hoteles, hospitales y cadenas de
restaurantes. Aunque solamente lleva unos meses con este negocio, ya
puede predecir, con bastante precisión, el número de cajas de huevos
vendidas cada dı́a de la semana y el precio al que él compra cada
huevo.

Cantidad Precio ($)

Lunes 520 60
Martes 680 70
Miércoles 450 85
Jueves 800 80
Viernes 1500 90

De todas maneras don Ramón vende los huevos a $100. Las cajas de
huevos miden 30 cm. × 35 cm. × 40 cm. En su bodega, de noche, hay
espacio para guardar 2000 cajas. Durante el dı́a hay mucho más espa-
cio pues no están las dos busetas que su cuñado deja por las noches en
la bodega. Para garantizar que los huevos que él vende sean frescos,
don Ramón tomó la determinación de no dejar huevos en la bodega
entre el viernes en la tarde y el lunes en la mañana. Inicialmente don

10
 1.3. UN PROBLEMA DE DIETA 11

Ramón pagaba un vigilante para las noches y los fines de semana, pero
un vecino, que trabaja en una compañı́a de seguros, lo convenció para
asegurar su mercancı́a y ası́ no tener que pagar vigilante. Don Ramón
debe pagar $10 por cada caja (de 180 huevos) y por noche, esto quiere
decir, por ejemplo, que no paga nada por las noches de viernes, sábado
y domingo. Para maximizar la ganancia, pidió consejo a su hijo Ra-
moncito, quien estudia en la universidad, y precisamente está tomando
un curso de OL. Como esta materia es nueva para él, pidió ayuda a
su profesor, quien no le resolvió el problema, pero le sugirió plantearlo
fácilmente con las siguientes variables: x1 : número de cajas de huevos
que compra el lunes; x2 : número de cajas que compra el martes; ...
x5 : número de cajas que compra el viernes; y1 : número de cajas que
quedan en la bodega el lunes en la noche; y2 : número de cajas que
quedan en la bodega el martes en la noche; ... y4 : número de cajas
que quedan en la bodega el jueves en la noche. Plantee el anterior
problema de OL.

1.6. Un negociante de frutas y verduras desea mandar tomate, zanahoria,

manzana y maracuyá, de Bogotá a Villavicencio. Para mandar estos
productos tiene la posibilidad de utilizar tres vehı́culos: un camión,
un furgón y una volqueta. Las capacidades de estos vehı́culos son:

peso (toneladas) volumen (m3 )

camión 20 12
furgón 15 7
volqueta 25 6

El tomate y el maracuyá vienen en cajas de madera, la zanahoria viene

en bultos y las manzanas vienen en cajas de cartón: 20 manzanas por
caja. En la siguiente tabla aparecen los valores de: peso de cada
paquete (kilos), volumen necesario para cada paquete (cm3 ), beneficio
por paquete (pesos) y número máximo de paquetes de cada producto.

peso volumen beneficio cantidad

tomate (caja de madera) 20 50000 2000 1000
zanahoria (bulto) 60 80000 3000 500
maracuyá (caja de madera) 15 50000 1500 2000
manzana (caja de cartón) 6 20000 2500 500

Plantee el anterior problema de OL, para maximizar el beneficio total.

11
12 CAPÍTULO 1. INTRODUCCIÓN

1.7. Un negociante desea transportar m productos P1 , P2 ,..., Pm , entre

dos ciudades, para lo cual hay n medios de transporte, T1 , T2 ,..., Tn .
Para cada transporte Tj se conoce:
cj : capacidad máxima en peso (ton.).
vj : capacidad máxima en volumen (m3 ).
Para cada producto Pi se conoce:
pi : peso unitario (ton.).
ui : volumen unitario (m3 ).
bi : beneficio unitario ($).
di : disponibilidad máxima (unidades).
Plantee el anterior problema de OL, para maximizar el beneficio total.

12
Capı́tulo 2

DIFERENTES FORMAS
DE PROBLEMAS DE
OPTIMIZACIÓN LINEAL

Los problemas de optimización lineal pueden ser problemas de minimiza-

ción o de maximización; las restricciones pueden ser igualdades, desigualda-
des ≥, o desigualdades ≤. Generalmente las variables son no negativas, pero
en algunos casos pueden ser no restringidas. Sin embargo, por convención,
se supone que todos los problemas son de minimización y que las desigual-
dades, cuando las haya, siempre son de la forma ≥. Obviamente, se hubiera
podido tomar la convención contraria, es decir, problemas de maximización
y desigualdades ≤.
Los problemas de optimización lineal pueden ser planteados en alguna de
las siguientes formas, algunas de las cuales son casos particulares de otras.
Como se verá más adelante, mediante modificaciones o artificios, es posible
convertir un problema de una forma a otra forma.
En general, n indica el número de variables y m el número de restric-
ciones. Se designará por M el conjunto de enteros {1, 2, . . . , m} y por N el
conjunto de enteros {1, 2, . . . , n}.

13
14 CAPÍTULO 2. DIFERENTES FORMAS DE PROBLEMAS

2.1. Forma general

Como su nombre lo indica es el caso más general, algunas restriccio-

nes son igualdades y otras desigualdades; algunas variables deben ser no
negativas y otras no tienen restricciones.
minimizar z = c1 x1 + c2 x2 + . . . + cn xn
sujeto a las restricciones
ai1 x1 + ai2 x2 + ... + ain xn ≥ bi , i ∈ M1 ⊆ M
ai1 x1 + ai2 x2 + ... + ain xn = bi i ∈ M r M1
xj ≥ 0, j ∈ N1 ⊆ N
xj ∈ R, j ∈ N r N1 .

M1 es el conjunto de ı́ndices de las restricciones de la forma ≥ .

M r M1 es el conjunto de ı́ndices de las restricciones igualdades.
N1 es el conjunto de ı́ndices de las variables no negativas.
N r N1 es el conjunto de ı́ndices de las variables no restringidas.

Utilizando la notación matricial, un problema de optimización lineal en la

forma general es:
min z = cT x
Ai
x ≥ bi , i ∈ M1 ⊆ M
Ai
x = bi , i ∈ M r M1
xj ≥ 0, j ∈ N1 ⊆ N
xj ∈ R, j ∈ N r N1 .

2.2. Forma mixta

Es un caso particular la forma anterior, cuando todas las variables son

no negativas, es decir, cuando N1 = N .
min z = cT x
Ai
x ≥ bi , i ∈ M1 ⊆ M
Ai
x = bi , i ∈ M r M1
x ≥ 0.

14
 2.3. FORMA CANÓNICA 15

2.3. Forma canónica

Esta forma es un caso particular de la forma mixta, cuando todas las

restricciones son desigualdades, es decir, cuando M1 = M .

min z = cT x
Ai
x ≥ bi , para todo i
x ≥ 0,

y de manera aún más compacta:

min z = cT x
Ax ≥ b
x ≥ 0.

2.4. Forma estándar o tı́pica

Esta forma es un caso particular de la forma mixta, cuando todas las

restricciones son igualdades, es decir, cuando M1 = ∅ y M r M1 = M .

min z = cT x
Ai
x = bi , para todo i
x ≥ 0,

y de manera aún más compacta:

min z = cT x
Ax = b
x ≥ 0.

2.5. Equivalencia entre las diferentes formas

Antes de considerar la equivalencia entre las formas es preciso tener en

cuenta dos aspectos.

i) Todo problema de maximización puede ser considerado como un pro-

blema de minimización cambiando el signo a la función objetivo, es

15
16 CAPÍTULO 2. DIFERENTES FORMAS DE PROBLEMAS

decir, cambiando el signo a los coeficientes c1 , c2 , . . . , cn . Dicho de

manera más precisa: los dos problemas siguientes
min z = cT x max ζ = −cT x
,
x∈S x∈S
son equivalentes, en el siguiente sentido: un vector x es solución óptima
de un problema si y solamente si es solución óptima del otro problema.
Es obvio que el valor óptimo de z es el inverso aditivo del valor óptimo
de ζ.

ii) Una desigualdad de la forma ≤, puede ser convertida en una desigual-

dad de la forma ≥, multiplicando ambos miembros de la desigualdad
por −1.

Para ver la equivalencia entre las diferentes formas es necesario poder

convertir igualdades en desigualdades y viceversa, y también convertir va-
riables sin restricciones en variables no negativas.

1. Una desigualdad

ai1 x1 + ai2 x2 + ... + ain xn ≥ bi ,

se puede convertir en una igualdad mediante la introducción de una

variable de holgura xn+1 , que debe ser no negativa. La idea es muy
sencilla: al lado izquierdo hay que quitarle una cantidad no negativa
para que quede igual al lado derecho.

ai1 x1 + ai2 x2 + ... + ain xn − xn+1 = bi .

Si la desigualdad es de la forma

ai1 x1 + ai2 x2 + ... + ain xn ≤ bi ,

la variable de holgura xn+1 , no negativa, entra acompañada del signo

+.
ai1 x1 + ai2 x2 + ... + ain xn + xn+1 = bi .
Por cada desigualdad se introduce una variable de holgura diferente.

2. Una igualdad se puede expresar como dos desigualdades, es decir:

Ai
x ≥ bi ,
Ai
x = bi es equivalente a
−Ai
x ≥ −bi .

16
 2.5. EQUIVALENCIA ENTRE LAS DIFERENTES FORMAS 17

3. Una variable sin restricción se puede expresar como la diferencia de

dos variables no negativas, es decir:
xj ∈ R
se puede reemplazar por
xj = x0j − x00j , x0j , x00j ≥ 0.
Este reemplazo debe hacerse en todas las partes del problema donde
intervenga esta variable, es decir, en las restricciones y en la función
objetivo.

Estas modificaciones son muy útiles y algunas veces indispensables. El

método simplex , la herramienta más usada de la optimización lineal, re-
suelve únicamente problemas planteados en la forma estándar (igualdades
y variables no negativas). El estudio de la dualidad se hace, por lo ge-
neral, para problemas en la forma canónica (desigualdades y variables no
negativas).
Ejemplo 2.1.
max z = x1 + 2x2 + x4
x1 + 2x2 + x3 + 5x4 ≤ 40
x1 + 3x2 + x3 + 4x4 = 30
x1 + 4x2 + x3 ≥ 15
x1 , x3 , x4 ≥ 0
x2 ∈ R.
Al convertirlo a la forma general de minimización se tiene:
min z = −x1 − 2x2 − x4
−x1 − 2x2 − x3 − 5x4 ≥ −40
x1 + 3x2 + x3 + 4x4 = 30
x1 + 4x2 + x3 ≥ 15
x1 , x3 , x4 ≥ 0
x2 ∈ R.
Se obtiene la forma mixta cuando todas las variables son no negativas:
min z = −x1 − 2x02 + 2x002 − x4
−x1 − 2x02 + 2x002 − x3 − 5x4 ≥ −40
x1 + 3x02 − 3x002 + x3 + 4x4 = 30
x1 + 4x02 − 4x002 + x3 ≥ 15
x1 , x02 , x002 , x3 , x4 ≥ 0.

17
 18 CAPÍTULO 2. DIFERENTES FORMAS DE PROBLEMAS

Al introducir variables de holgura se tiene el problema en la forma estándar:

min z = −x1 − 2x02 + 2x002 − x4
−x1 − 2x02 + 2x002 − x3 − 5x4 − x5 = −40
x1 + 3x02 − 3x002 + x3 + 4x4 = 30
0 00
x1 + 4x2 − 4x2 + x3 − x6 = 15
x1 , x02 , x002 , x3 , x4 , x5 , x6 ≥ 0.
Se podrı́a cambiar el nombre de las variables para tener, por ejemplo, y1 ,
y2 , . . ., y7 . Por otro lado, si el objetivo final era llevar el problema inicial a
la forma estándar, entonces la restricción
x1 + 2x2 + x3 + 5x4 ≤ 40,
se hubiera podido convertir directamente en igualdad sumando la variable
de holgura x5
x1 + 2x2 + x3 + 5x4 + x5 = 40. 3

EJERCICIOS

En los siguientes ejercicios haga los cambios necesarios para colocar el

problema propuesto en cada una de las cuatro formas de minimización.
2.1. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 ≤ 3, 2x1 + x2 = 2, x1 ≥ 0.
2.2. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 ≤ 3, 2x1 + x2 = 2, x ≥ 0.
2.3. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 = 3, 2x1 + x2 = 2, x ≥ 0.
2.4. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 ≥ 3, 2x1 + x2 ≥ 2, x ≥ 0.
2.5. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 ≤ 3, 2x1 + x2 ≤ 2, x ≥ 0.
2.6. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 = 3, 2x1 + x2 = 2, x ≤ 0.
2.7. Maximizar z = 3x1 + 4x2 , sujeto a x1 + x2 = 3, 2x1 + x2 = 2.
2.8. Maximizar z = min{x1 , x2 }, sujeto a x1 +x2 ≤ 3, 2x1 +x2 ≤ 2, x ≥ 0.
2.9. Maximizar z = min{3x1 , 4x2 }, sujeto a x1 + x2 ≤ 3, 2x1 + x2 ≤ 2,
x ≥ 0.
2.10. Maximizar z = 3x1 +4x2 +x3 , sujeto a x1 +x2 +x3 ≤ 3, 2x1 +x2 ≥ 2,
x1 + x3 = 2, x1 , x2 ≥ 0.

18
Capı́tulo 3

MÉTODO GRÁFICO

El método gráfico sirve para resolver, con una precisión aceptable, una
gran parte de los problemas de optimización lineal de dos variables. Tiene
dos etapas importantes, la primera es la determinación de la región ad-
misible o realizable o factible (el conjunto de puntos que cumplen todas las
restricciones) y la segunda es la búsqueda del punto óptimo (o de los puntos
óptimos) en la región admisible.
La determinación de la región admisible es muy sencilla, pues se trata de
obtener la intersección de semiplanos (desigualdades) y de rectas (igualda-
des). Como generalmente las variables son no negativas, el estudio se hace
únicamente en el primer cuadrante. El conjunto admisible estará entonces
limitado por semirrectas (en este caso el conjunto admisible no es acotado)
o por segmentos de recta. Los valores de las coordenadas de los vértices
se pueden determinar gráficamente o de manera más precisa, analı́ticamen-
te, calculando la solución de las dos ecuaciones (rectas) que determinan el
vértice (un vértice corresponde a la noción, que se verá posteriormente, de
punto extremo de un convexo).
Una vez hallada la región admisible se procede a buscar el óptimo. Se
necesita entonces saber como varı́a la función objetivo y, sobre todo, en
qué dirección mejora. Una manera sencilla consiste en dar dos valores arbi-
trarios diferentes a z y dibujar las rectas (paralelas) correspondientes. Esto
permite saber en qué sentido mejora el valor de z. Para cualquier otro valor
de z, la recta correspondiente será paralela. Únicamente queda por encon-
trar una de estas rectas paralelas, con el mejor valor posible de z y que pase
al menos por un punto de la región admisible.

19
20 CAPÍTULO 3. MÉTODO GRÁFICO

3.1. Región acotada

Ejemplo 3.1.
max z = x1 + 1.4x2
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.
.....
.....
.....
.....
.....
.....
400 .....
.....
.....
.....
..... x1 + x2 = 400
.....
..... ...
..... ...
..... ...
.....
....... ..... ...
.......
........
........
.......
.....
.....
.....
.....
...
...
...
x1 = 300
.
(0,290) .............
.................. ..
.....
......
...
...
...................... . . ..
..... ...
.......................... .. ..
...... ...
.............................. .. ..
..... ...
.................................. ...... .. .. ...
...................................... ...... . . . (220,180) ...
200 ................................................
............................................
.. .
.
..
...
...
...
..................................................... ... ..
....... .............................................. ......... .... . ..
.
................................................ .......... . .
.

....... ..................................................
.................................................... .... ..............
.
.
...........
x1 + 2x2 = 580
. ........................................................... .......

....... ............
.
. .......
.................................................. ....... .......
(300,100)
.................................................. .. .......
.................................................. ... ..... . .
.
.......
.......
.......

....... ....... .................................................. ... .

...... ......
.................................................. ... ..
.....

....... ....... .................................................. .. . .......

.................................................. .. . .
......

....... ....... .................................................. .... .....

.....
. . . . . . . . . . . . . . . . . . . . . . . . . ... .....

....... ....... 200

... .....
.. .....
... .....

....... .......
.....
...
400 .....
....
....... . z = 100
.......
.......
z=0

Figura 3.1

La determinación de la región admisible da como resultado un conjunto

delimitado por cinco segmentos, cuyos vértices son:

( 0, 0),
( 300, 0),
( 300, 100),
( 220, 180),
( 0, 290).

Al dar a z los valores 0 y 100, dos valores arbitrarios, se obtienen las rectas
0 = x1 + 1.4x2 ,
100 = x1 + 1.4x2 .

20
 3.2. REGIÓN NO ACOTADA 21

Al observar el dibujo y las dos rectas se puede saber en qué dirección se

debe mover una recta paralela para mejorar el valor de z (más o menos en la
dirección noreste), o sea, hasta el punto (220, 180), con un valor de z igual
a 472. Un mejor valor de z darı́a como resultado una recta que no pasa por
la región admisible. Entonces

x∗ = (220, 180),
z ∗ = 472. 3

Cuando la región admisible es acotada se puede, en lugar de dibujar dos

rectas correspondientes a dos valores diferentes de z, calcular el valor de
z para cada uno de los vértices y escoger el mejor vértice (o los mejores
vértices).

Ejemplo 3.2. En el ejemplo anterior la región es acotada y el cálculo de z

da los siguientes resultados:

( 0, 0), z = 0,
( 300, 0), z = 300,
( 300, 100), z = 440,
( 220, 180), z = 472,
( 0, 290), z = 406.

Entonces el punto óptimo es x∗ = (220, 180) y el valor óptimo de la función

objetivo es z ∗ = 472. 3

3.2. Región no acotada

Ejemplo 3.3.

min z = 3x1 + 10x2

x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.

21
22 CAPÍTULO 3. MÉTODO GRÁFICO

...
... . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. .
...
.......................................
...
...
.......................................
...
...
...
. . . . . . . . . . . . . . . . . . . .
...

6 .......................................
...
...
...
......................................
...
...
...
......................................
...
...
...

. .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. .
...
...
...
...
...
...................................
...
...
...

4 ...................................
...
...
...

. .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . ..
...
...
...
...
z =....30
................ . . . . . . . . . . . . . . . . ...

................. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . ..
...
...
...
...
................. . . . . . . . . . . . . . ...
...

. . . ....................... . . . . . . . . . . . . . . . . . . . . .
...
...
...
..
. .. . .. . .. . .. . ........................................ .. . .. . .. . .. . .. . ..
....... ...
....... ...
.......
2 .......
.......
.......
...
...

..
. .. . .. . .. . .. . .. . .. . .. . .. . .. .........................................
....... ...
....... ...
....... ...
....... .
.......
....... ....

(2,1) . . . . . . . . . . . . . . . . . . . . . . . . .
........ ..
..........
........... .....
... .........
. . . . . . . . . . . . . . . . . . . . . ..
. . . . . . . ....
.
... .........
...
.......
.......
.......
z=.......0......... ...
...
.......
.......

................ ... .......

... .......
.......

................2 ... .......

... .......
.......

................
... .......
4 6 ...
...
.......
.......
................ ... .......
.......
... .......
................ x1 + 2x2 = 4 ... .......
... ......

5x1 + 2x2 = 12 ................ ...

...

............. ...
.

Figura 3.2

Dando a z los valores 0 y 30 se obtienen las rectas

3x1 + 10x2 = 0,
3x1 + 10x2 = 30.

y se sabe entonces que el valor de z mejora al desplazar las rectas en la

dirección suroeste (aproximadamente).

Los vértices de la figura son: (2, 1), (4, 0), (0, 6). Sin embargo, la región
admisible no está totalmente determinada por estos tres vértices. Además,
es claro que el conjunto factible no es acotado, pero el valor óptimo de z se
obtiene en el punto x∗ = (4, 0) con z ∗ = 12. 3

22
 3.3. ÓPTIMO NO ACOTADO 23

3.3. Óptimo no acotado

Ejemplo 3.4.
max z = 10x1 + 8x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
En este ejemplo la región admisible es la misma. La función z mejora en
la dirección noreste y no hay lı́mite para encontrar una recta z mejor que
las anteriores y que pase por un punto admisible. En este caso hablamos de
un óptimo no acotado o no finito. Lo ideal es que x1 , x2 tomen valores
muy grandes. 3

3.4. Otros casos

Ejemplo 3.5.
min z = 8x1 + 16x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
En este caso los puntos que están en el segmento que une (2, 1) con (4, 0),
para los cuales z = 32, son puntos óptimos. Un punto del segmento óptimo
es un punto de la forma

x∗ = (1 − λ)(2, 1) + λ(4, 0), λ ∈ [0, 1].

En el ejemplo anterior hay un número infinito de soluciones, pero este con-

junto es acotado. 3

Ejemplo 3.6.
min z = 7x1
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
En este caso los puntos de la semirrecta que parte del punto (0, 6) y sigue en
la dirección del eje x2 , son puntos óptimos con un valor óptimo de z ∗ = 0.

23
24 CAPÍTULO 3. MÉTODO GRÁFICO

Los puntos de esta semirrecta óptima son de la forma:

x∗ = (0, 6) + µ(0, 1) , µ ≥ 0.

En este ejemplo, ni el conjunto admisible ni el conjunto de puntos óptimos

son acotados. 3

Ejemplo 3.7.
min z = 7x1 + 9x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x1 + x2 ≤ 1
x ≥ 0.
Al hacer la intersección de los conjuntos determinados por cada restricción
se obtiene el conjunto vacı́o. Esto se ve con facilidad ya que se trata sim-
plemente del conjunto admisible de los anteriores ejemplos, intersectado con
el semiplano x1 + x2 ≤ 1. Es decir, no hay puntos que cumplan todas las
restricciones, o más simplemente, el problema no tiene solución. 3

EJERCICIOS

Resolver por el método gráfico los ejercicios 3.1 a 3.10. Averiguar si hay
puntos factibles. Si hay puntos factibles averiguar si hay puntos óptimos. Si
hay puntos óptimos, encontrarlos todos.

3.1. Maximizar z = x1 + x2 , sujeto a x1 ≤ 4, x1 + 2x2 ≤ 8, x2 ≤ 3, x ≥ 0.

3.2. Minimizar z = x1 + x2 , sujeto a x1 ≤ 4, x1 + 2x2 ≤ 8, x2 ≤ 3, x ≥ 0.

3.3. Minimizar z = −2x1 − 4x2 , sujeto a x1 ≤ 4, x1 + 2x2 ≤ 8, x2 ≤ 3,

x ≥ 0.

3.4. Minimizar z = −2x1 − 4x2 , sujeto a x1 ≤ 4, x1 + 2x2 ≤ 8, 2x1 + x2 ≥

11, x2 ≤ 3, x ≥ 0.

3.5. Minimizar z = 5x1 + 4x2 , sujeto a −x1 + x2 ≤ 3, x1 + x2 ≥ 4,

x1 + 2x2 ≥ 5, x ≥ 0.

3.6. Minimizar z = 2x1 + 4x2 , sujeto a −x1 + x2 ≤ 3, x1 + x2 ≥ 4,

x1 + 2x2 ≥ 5, x ≥ 0.

24
 3.4. OTROS CASOS 25

3.7. Minimizar z = −2x1 − 3x2 , sujeto a −x1 + x2 ≤ 3, x1 + x2 ≥ 4,

x1 + 2x2 ≥ 5, x ≥ 0.

3.8. Minimizar z = 3x1 − 3x2 , sujeto a −x1 + x2 ≤ 3, x1 + x2 ≥ 4,

x1 + 2x2 ≥ 5, x ≥ 0.

3.9. Maximizar z = 2x1 + 3x2 , sujeto a −x1 + x2 ≤ 3, x1 + x2 ≥ 4,

x1 + 2x2 ≥ 5, x ≥ 0.

3.10. Maximizar z = −3x1 + 3x2 , sujeto a −x1 + x2 ≤ 3, x1 + x2 ≥ 4,

x1 + 2x2 ≥ 5, x ≥ 0.

25
26 CAPÍTULO 3. MÉTODO GRÁFICO

26
Capı́tulo 4

CONJUNTOS CONVEXOS

Sea V el espacio vectorial Rn . La mayorı́a de las definiciones y resultados

que siguen, se pueden generalizar fácilmente a otros espacios vectoriales.

4.1. Convexos, envolventes, combinaciones

............................... .......... .....

........ ................. ..... ........ .....
...... . . . . . . . ....... ..... . . ...... .....
.... . . . . . . . . . ..... ............................. .....
............................................. .
... ..
..
... . . . . . . . . . . . . ...
.
.........................
. .....
..... . . . . . . . . ...... ....
................................ ..... . . . . . . . . . ...... .....
.................................. ..... ............................. .....
................................... ....................................... ..
......
.
................................. ................................ .....
... ............................. ............................. .....
..... . . . . . . . . . . ..... ... . . . . . . . . . . .... .....
....... . . . . . . . . ....... .......................... .....
...............................
............................ ... ..................... ..
.....
.
.... . . . . . . . . ... .....
...................... .....
... . . . . . . ... .....
.................................... .....

convexo convexo convexo

... ........................
....... .......... ......
...... .....
.... .... ..... .....
.............. ....
. ...
. .. .. ......... .........
.............. . ... ......... . ......... ......... . .........
................ .... ... ...... . . ..... ...... . . .....
... . . . . ... ...
... ................. .................
.......................... ... ... . . . . . ... ... . . . . . ...
. .... . ............................. .............................
.
......................
. ... ... ... . . . . . .. ... . . . . . ..
.................. ..................
........................ ... ..
. ..... . . ..... ..... . . .....
... . . . . . . . . .... ... .
.. ................... ...................
.................................................. ...
.... ...
. ..... .....
.. . . ..... ....... . . .... ....
.. . .......... ........ . ... .....
...... .....
.............. ............
......... ......... ......
........... ... ...........................

no convexo no convexo no convexo

Figura 4.1
Definición 4.1. Sea C un subconjunto de V . Se dice que C es convexo si
dados x, y en C, λ un escalar en el intervalo [0, 1], entonces z = (1 − λ)x + λy
también está en C. Gráficamente, un conjunto C es convexo si dados dos

27
28 CAPÍTULO 4. CONJUNTOS CONVEXOS

puntos x, y en C, cualquier punto del segmento de recta que los une, también
está en C.

Ejemplos triviales de conjuntos convexos son: V , ∅, {x̄}.

Ejemplo 4.1. {(x1 , x2 ) : x21 + x22 ≤ 1} es convexo. 3

3
Ejemplo 4.2. {(x1 , x2 ) : x2 = x21 } no es convexo ya que (0, 1) = 12 (1, 1)
+ 12 (−1, 1) no está en el conjunto. 3
Definición 4.2. Dados c ∈ Rn , c 6= 0, α ∈ R, se llama hiperplano al
siguiente conjunto:

H = Hc,α = {x ∈ Rn : cT x = α}

Este hiperplano genera dos semiespacios:

H + = {x ∈ Rn : cT x ≥ α},
H − = {x ∈ Rn : cT x ≤ α}.

En R un hiperplano es un punto y los semiespacios semirrectas. En R2

los hiperplanos son las rectas y los semiespacios los semiplanos. En R3 los
hiperplanos son los planos.
Los tres conjuntos H, H + , H − son convexos. Veamos que H es convexo.
Sean: x, y ∈ H, λ ∈ [0, 1], z = (1 − λ)x + λy. El punto z está en H si y
solamente si cT z = α; efectuando el cálculo:

cT z = cT ((1 − λ)x + λy) = (1 − λ)cT x + λcT y = (1 − λ)α + λα = α.

Luego z está en H, luego H es convexo. En esta demostración no se uti-

lizó que λ ∈ [0, 1], entonces no solo los puntos del segmento de recta están
en H, sino que todos los puntos de la recta que pasa por x y y también están
en H (H es una variedad lineal o variedad afı́n).
Sean: x, y ∈ H + , λ ∈ [0, 1], z = (1 − λ)x + λy. Entonces cT x ≥ α,
cT y ≥ α, λ, 1 − λ ≥ 0.

cT z = cT ((1 − λ)x + λy) = (1 − λ)cT x + λcT y ≥ (1 − λ)α + λα = α.

Entonces H + también es convexo, y de manera semejante se comprueba que

el semiespacio H − es convexo.

28
 4.1. CONVEXOS, ENVOLVENTES, COMBINACIONES 29

Es fácil demostrar que la intersección de dos convexos es un conjunto

convexo. Sean: C, D convexos, x, y ∈ C ∩ D, λ ∈ [0, 1], z = (1 − λ)x + λy.
Como C es convexo, entonces z ∈ C. Como D es convexo z ∈ D. Luego
z ∈ C ∩ D.
Más aún, la intersección de cualquier familia de conjuntos convexos es un
convexo, independientemente de que la familia sea finita, infinita enumerable
o infinita no enumerable. En cambio no se puede afirmar que la unión de
dos convexos sea siempre un convexo.
Las restricciones de un problema de optimización lineal son igualdades,
es decir representan hiperplanos, o bien, son desigualdades y en este caso
representan semiespacios. Ası́, cualquier conjunto admisible de un proble-
ma de optimización lineal es simplemente la intersección de hiperplanos y
semiespacios, luego es un conjunto convexo. En particular

{x ∈ Rn : Ax = b},
{x ∈ Rn : Ax ≥ b},
{x ∈ Rn : Ax = b, x ≥ 0}.

son conjuntos convexos.

Definición 4.3. Dados x1 , x2 , ..., xm en V , se llama combinación conve-

xa de x1 , x2 , ..., xm a una combinación lineal en la que todos los escalares
son no negativos y, además, su suma es uno, es decir:
m
X
1 2 m
x = λ1 x + λ2 x + . . . + λm x , λi ≥ 0, ∀i, λi = 1.
i=1

Si todos los escalares son positivos la combinación convexa se llama estricta.

La combinación convexa es la generalización de la expresión (1−λ)x+λy

con λ en el intervalo [0, 1].

Ejemplo 4.3. Dados (1, 0), (0, 0), (0, 1), son ejemplos de combinaciones
convexas:
1 1 1 1 1
( , ) = (1, 0) + (0, 0) + (0, 1),
2 4 2 4 4
(0, 1) = 0(1, 0) + 0(0, 0) + 1(0, 1). 3

29
30 CAPÍTULO 4. CONJUNTOS CONVEXOS

Definición 4.4. Sea A un subconjunto de V . Se llama envolvente conve-

xa de A, o convexo generado por A, o casco convexo de A, denotado co(A),
al conjunto convexo más pequeño que contenga a A. Esto quiere decir que si
C es un conjunto convexo que contiene a A, entonces necesariamente co(A)
está contenido en C.

................. .................
................ .......... ................ ..........
....... . . . . . . ...... ....... . . . . . . ......
............................. .............................
... . . . . . . . . . . ..... ... . . . . . . . . . . .....
............................................. .............................................
.. . . . . . . . . . . . . ... .. . . . . . . . . . . . . ...
.. . . . . . . . . . . . . . ... .. . . . . . . . . . . . . . ...
.................................. ..................................
................................................... ...................................................
.... . . . . . . . . . . . . .... .... . . . . . . . . . . . . ....
................................ ................................
................................ ................................
........ . . . . . . . ........ ........ . . . . . . . ........
.............. . . ............ .............. . . ............
................. .................

A co(A)
. .
...... ......
.......... ..........
... . ... ... . ....
................
. ...............
.
. . . . ... . . . . ..
.... . . . ... .... . . . ...
................. ..................
.................. ..................
.....................
. .....................
.
. . . . . . . . ... . . . . . . . . ..
.... . . . . . . . ... .... . . . . . . . ...
......................... ..........................
........... .... ............ ..........................
....................... ........................
. .............................
.
..... ......... ........ . .... ..............................
......... ..
............ ......... ... . . . . . . . . . . . . ...
......... ... .........................................................................................

B co(B)
· .
...........
..... . ......
..... . . ......
...
..............................
.. . . . . . . ...
..... . . . . . . . ......
.... . . . . . . . . ......
...............................
..... . . . . . . . . . . . .....
· · ........................................
................................
.............................
... . . . . . . . . . . ....
...........................
... ......................
.... . . . . . . . . ...
.....................
... . . . . . . ....
· · ....................................

D co(D)

Figura 4.2
La anterior definición es descriptiva, pero no constructiva. El convexo ge-
nerado por A se puede caracterizar “constructivamenteçomo la intersección
de todos los convexos que contienen a A.
\
co(A) = C.
C convexo
A⊆C

Esta intersección está bien definida ya que por lo menos existe un conjunto
convexo que contiene a A: el espacio completo Rn .
También se puede demostrar que co(A) es exactamente cc(A), el conjunto
de todas las combinaciones convexas de elementos de A, es decir, el conjunto
de todas las combinaciones convexas de subconjuntos finitos de A.

30
 4.2. PUNTOS Y DIRECCIONES EXTREMOS 31

Ejemplo 4.4. co({(1, 0), (0, 1), (0, 0)}) = {(x1 , x2 ) : x1 + x2 ≤ 1, x ≥ 0}.
co({(x1 , x2 ) : x1 x2 = 0, x21 + x22 ≤ 1, x ≥ 0}) =
{(x1 , x2 ) : x1 + x2 ≤ 1, x ≥ 0}.
co({(x1 , x2 ) : x2 = x21 }) = {(x1 , x2 ) : x2 ≥ x21 }. 3

4.2. Puntos y direcciones extremos

Definición 4.5. Sean: C convexo, x en C. Se dice que x es punto extremo

de C, si no es posible expresar x como combinación convexa estricta de dos
puntos distintos de C, es decir:

x = (1 − λ)u + λv )
u, v ∈ C =⇒ u = v = x.
λ ∈]0, 1[

punto
.............................. ....... punto
....... . . . . ..........
..................... ......
................................ extremo
.......
.... ....
extremo
..
.. . . . . . . . . . . . .. ..............
. ..
............................... ..............
................................ ............ ...
................................... ... . . . . ....
.................................... ............................
.................................
... ........................ ......... punto no
.
.
......................
........................
. puntos no
..... . . . . . . . . .. . .....
....... . . . . . . . . .......
..................... ......... extremo
.............................
... . . . . . .... . . ....
.....................................
.
.. . . . . . . . . . . ...
extremos
.. . . . . . . . . . . . ....
............................ ...
..........................................................................................

Figura 4.3
Ejemplo 4.5. Dado el conjunto convexo

{(x1 , x2 ) : x21 + x22 ≤ 1},

√ √
2 2
(2 , − 2 ) es punto extremo. El punto (0.2, 0.4) no es punto extremo. 3
√ √
2 2
Ejemplo 4.6. El punto ( 2 , − 2 ) no es punto extremo de {(x1 , x2 ) : x21 +
x22 = 1}. 3
Ejemplo 4.7. Dado el conjunto admisible del ejemplo 3.1, entonces: el
punto (300, 100) es punto extremo; (250, 150) no es punto extremo; el punto
(260, 150) no es extremo. 3

Se puede mostrar que otra definición equivalente de punto extremo es la

siguiente. Sean: C convexo, x en C. Se dice que x es punto extremo de C
si C\{x} = {y ∈ C : y 6= x} es convexo.

31
32 CAPÍTULO 4. CONJUNTOS CONVEXOS

Definición 4.6. Sean: C un convexo, d en V , d 6= 0. Se dice que d es una

dirección de C si para todo x en C y para todo µ positivo, x + µd también
está en C.

Es claro que un conjunto acotado no tiene direcciones y que un conjunto

con direcciones no es acotado.
Definición 4.7. Dos direcciones d1 , d2 son equivalentes si una es múltiplo
positivo de la otra, es decir, si d1 = µd2 con µ > 0.
Definición 4.8. Una dirección d de un convexo C, se llama dirección
extrema si no existen dos direcciones de C: d1 , d2 no equivalentes, tales
que d sea combinación lineal positiva de d1 , d2 . Dicho de otra manera:

d = µ1 d1 + µ2 d2 )
d1 , d2 direcciones de C =⇒ d, d1 , d2 son equivalentes .
µ1 , µ2 > 0

Ejemplo 4.8. Consideremos el conjunto admisible del ejemplo 3.3 , es decir,

el conjunto C definido por las siguientes restricciones:

x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.

Este conjunto es convexo, esto se puede observar al mirar la gráfica corres-

pondiente (ejemplo 3.3) o se puede demostrar analı́ticamente.

Los puntos extremos de este conjunto son: (2, 1), (4, 0), (0, 6).

Para el mismo conjunto, (1, 4), (0, 0.001), (345, 0), (2, 8) son direcciones,
y no lo son (0, 0), (−0.01, 100), (−3, −4).

Son direcciones extremas (0, 0.001), (10, 0), o sus direcciones equivalen-
tes. 3
Definición 4.9. Se llama un politopo (convexo) a cualquier conjunto que
se pueda expresar como la intersección de un número finito de semiespacios
(o de semiespacios e hiperplanos). Cuando el politopo (convexo) es acotado
se llama poliedro.
Ejemplo 4.9. El conjunto admisible del ejemplo 3.1 es un politopo y tam-
bién es poliedro. 3

32
 4.2. PUNTOS Y DIRECCIONES EXTREMOS 33

Ejemplo 4.10. El conjunto admisible del ejemplo 3.3 es un politopo. 3

Ejemplo 4.11. El conjunto {(x1 , x2 ) : x21 + x22 ≤ 1} se puede expresar como

intersección de semiespacios (semiplanos):
\
{(x1 , x2 ) : cos θx1 + senθx2 ≤ 1},
0≤θ≤2π

pero no se puede por un número finito, luego no es un politopo. 3

EJERCICIOS

4.1. Determine si los siguientes conjuntos son convexos:

a) {(x1 , x2 ) : x21 + x2 ≤ 4}
b) {(x1 , x2 ) : x21 ≤ x2 , x1 + x2 = 1}
c) {(x1 , x2 , x3 ) : x21 ≤ x2 , x1 + x2 + x3 = 1}
d) {(x1 , x2 ) : |x1 | + |x2 | ≤ 1}
e) {(x1 , x2 ) : |x1 + x2 | ≤ 1}

4.2. Sea A un conjunto abierto. ¿Minimizar z = cT x, x ∈ A, tiene solución?

4.3. Sea A = {(x1 , x2 ) : x21 ≤ x2 }. Halle co(A).

4.4. Sea A = {(x1 , x2 ) : x31 = x2 }. Halle co(A).

4.5. Sea A = {(x1 , x2 ) : x31 ≤ x2 }. Halle co(A).

4.6. Sea A = {(x1 , x2 ) : x1 > 0, x1 |x2 | ≥ 1}. ¿A es cerrado? Halle co(A).

¿co(A) es cerrado? Dé condiciones suficientes para que si A es cerrado,
entonces co(A) sea cerrado.

4.7. Sea C = {(x1 , x2 ) : |x1 | ≤ x2 }. Halle los puntos extremos, las direc-
ciones y las direcciones extremas de C.

4.8. Sea C = {(x1 , x2 , x3 ) : x1 + x2 + x3 ≤ 6, x1 + 2x2 + 3x3 ≤ 12, x ≥ 0}.

Halle los puntos extremos, las direcciones y las direcciones extremas
de C.

4.9. Sea C = {(x1 , x2 ) : x21 ≤ x2 }. Halle los puntos extremos, las direccio-
nes y las direcciones extremas de C.

33
 34 CAPÍTULO 4. CONJUNTOS CONVEXOS

4.10. Sea C = {(x1 , x2 , x3 ) : x21 ≤ x2 , x1 + x2 + x3 ≤ 1}. Halle los puntos

extremos, las direcciones y las direcciones extremas de C.

4.11. Sea C = {(x1 , x2 ) : |x1 | + |x2 | ≤ 1}. Halle los puntos extremos, las
direcciones y las direcciones extremas de C.

4.12. Sea C = {(x1 , x2 ) : |x1 + x2 | ≤ 1}. Halle los puntos extremos, las
direcciones y las direcciones extremas de C.

4.13. Sea C un convexo, A una matriz m × n, D = {y : y = Ax, x ∈ C}.

Muestre que D es convexo.

4.14. Sea H = Hcα un hiperplano y H + uno de los semiespacios correspon-

dientes. Halle los puntos extremos y las direcciones extremas de H y
de H + .

4.15. Sea A ⊆ Rn . Muestre que cc(A) = co(A). Puede usar las siguientes
etapas: mostrar que A ⊆ cc(A); mostrar que cc(A) es convexo; mos-
trar que co(A) ⊆ cc(A); mostrar por inducción, sobre el número de
elementos de una combinación convexa, que cc(A) ⊆ co(A).

34
Capı́tulo 5

CONVEXOS EN
OPTIMIZACIÓN LINEAL

5.1. Puntos extremos

Se considerará de aquı́ en adelante (salvo indicación contraria) que los

problemas de optimización lineal están en la forma estándar:

min z = cT x
Ax = b
x ≥ 0,

o lo que es lo mismo:

min z = cT x
x∈F,

donde

F = {x : Ax = b, x ≥ 0} ,

A es una matriz m × n, m ≤ n, rango(A) = r(A) = m; b es un vector

columna de m componentes; x es un vector columna de n componentes (las
variables); 0 es el vector columna de n componentes nulas. El conjunto F
formado por los puntos que cumplen todas las restricciones es convexo y es

35
36 CAPÍTULO 5. CONVEXOS EN OPTIMIZACIÓN LINEAL

llamado la región o conjunto factible, admisible o realizable. Es claro que F

es un politopo y en algunos casos poliedro.
Siempre se puede suponer que r(A) = m. Si r(A) < m, entonces existen
una o varias filas de A que se pueden expresar como combinación lineal de
otras filas. Dependiendo del valor de los bi , las restricciones correspondientes
son, o bien, redundantes y en ese caso se pueden suprimir o bien incompa-
tibles con las otras y en este caso no hay solución del sistema Ax = b y, por
lo tanto, tampoco hay solución al problema de programación lineal.

Ejemplo 5.1. Las restricciones

x1 + x2 + x3 = 1
x1 + 2x2 + 3x3 = 4
3x1 + 4x2 + 5x3 = 6
x ≥ 0.

se pueden reemplazar por

x1 + x2 + x3 = 1
x1 + 2x2 + 3x3 = 4
x ≥ 0.

En cambio
x1 + x2 + x3 = 1
x1 + 2x2 + 3x3 = 4
3x1 + 4x2 + 5x3 = 5
x ≥ 0.
es un sistema inconsistente, no tiene solución. 3

Definición 5.1. Se llama base de A, a una matriz B m × m, invertible,

submatriz (matriz obtenida al quitar algunas filas o algunas columnas) de A.
Dicho de otra forma, B se obtiene escogiendo m columnas de A, linealmente
independientes y desechando las p = n − m restantes. Es cierto que existe
por lo menos una, ya que r(A) = m. Sea L la submatriz de A de tamaño
m×p, obtenida al quitar de A las columnas que conforman B. Las columnas
de B se llaman básicas. Las columnas de L se llaman columnas libres, no
básicas o independientes. Aquı́ la palabra independiente no se refiere a inde-
pendencia lineal, se refiere simplemente a que, como se verá posteriormente,
las variables básicas se pueden expresar en función de las variables libres o
independientes.

36
 5.1. PUNTOS EXTREMOS 37

Es evidente que, salvo permutación de columnas, la matriz A es exac-

tamente la matriz [B L], es decir, la matriz obtenida al colocar las m
columnas de B y a continuación (a la derecha) las p = n − m columnas de
L, por lo tanto, se puede escribir

A = [B L] .

Las variables x1 , x2 , . . ., xn también se pueden agrupar de manera semejante

y se llamarán básicas unas, y libres las otras (o no básicas o independien-
tes). También, salvo permutación de las variables, se puede escribir
· ¸
xB
x = (xB , xL ) = .
xL

Entonces

Ax = b
x ≥ 0,

es equivalente a

BxB + LxL = b
xB ≥ 0, xL ≥ 0 .

Una solución del sistema Ax = b de la forma

xL = 0
xB solución única de BxB = b, es decir, xB = B −1 b ,

se llama una solución básica.

Aunque las expresiones BxB = b, xB = B −1 b son equivalentes desde
el punto de vista teórico, en la práctica es mucho más sencillo resolver el
sistema BxB = b que hallar una inversa y efectuar enseguida el producto.

Si además,

xB ≥ 0 ,

37
38 CAPÍTULO 5. CONVEXOS EN OPTIMIZACIÓN LINEAL

entonces se tiene una solución básica factible.

Si

xB > 0 ,
la solución se llama básica factible no degenerada.

Si

xB ≥ 0 , pero xB ≯ 0 ,
es decir, si se trata de una solución básica factible, pero alguna coordena-
da básica es nula, la solución se llama básica factible degenerada. Una
solución básica factible no degenerada tiene exactamente m componentes
positivas, una solución básica factible degenerada tiene menos de m compo-
nentes positivas.
Ejemplo 5.2.
min z = − x1 − 1.4x2
x1 + x2 + x3 = 400
x1 + 2x2 + x4 = 580
x1 + x5 = 300
x ≥ 0.
 
1 1 1 0 0

A= 1 2 0 1 0 .
1 0 0 0 1
Sea  
1 0 0
B = [A
2 A
4 A
5 ] =  2 1 0  invertible.
0 0 1

Entonces


1 1
L = [A
1 A
3 ] =  1 0  ,
1 0
     
1 0 0 x2 400
BxB =  2 1 0   x4  =  580  .
0 0 1 x5 300

38
 5.1. PUNTOS EXTREMOS 39

Luego
 
400
xB =  −220  ,
300

además
· ¸ · ¸
x1 0
xL = = .
x3 0
Se dice entonces que
x = (xB , xL ) = (0, 400, 0, −220, 300)
es una solución básica; pero como no se cumple que xB ≥ 0, entonces no es
realizable.

Sea
 
1 0 0
B = [A
3 A
4 A
5 ] =  0 1 0  invertible.
0 0 1

Entonces
     
1 0 0 x3 400
BxB =  0 1 0   x4  =  580  .
0 0 1 x5 300
 
400
xB =  580  ,
300

x = (xB , xL ) = (0, 0, 400, 580, 300),

es una solución básica, realizable, no degenerada. 3
Ejemplo 5.3.
min z = 4x1 + 5x2
x1 + 2x2 − x3 = 6
2x1 + x2 − x4 = 6
x1 + x2 − x5 = 4
x ≥ 0.

39
40 CAPÍTULO 5. CONVEXOS EN OPTIMIZACIÓN LINEAL

Sea
 
1 2 0
B = [A
1 A
2 A
4 ] =  2 1 −1  invertible.
1 1 0
 
   
 1 2  x1 6
0  
BxB = 
 2 1 −1  x2  =  6 ,
x4 4
1 1 0
 
2
xB =  2  .
0

Entonces

x = (2, 2, 0, 0, 0)

es una solución básica, realizable, degenerada. 3

Los puntos extremos de F (y en general de un politopo) son importantes

ya que, como se verá más adelante de manera precisa, una función lineal
acotada inferiormente en F siempre alcanza su valor mı́nimo en un punto
extremo.

Proposición 5.1. Sea F el conjunto factible del problema de programación

lineal en la forma estándar. Los puntos extremos de F son exactamente las
soluciones básicas realizables.

Corolario 5.1. El conjunto F tiene un número finito de puntos extremos.

Demostración: El número máximo de posibles bases extraı́das de A (sin

tener en cuenta el orden) es el número de combinaciones de m elementos
tomados entre n elementos = Cm n = n!/((n − m)!m!); de estas posibles esco-

gencias algunas pueden corresponder a una matriz B no invertible; además,

algunas de las soluciones básicas obtenidas pueden ser no realizables. ¤

Estos resultados permiten utilizar un procedimiento preciso para calcular

los puntos extremos de F :

40
 5.1. PUNTOS EXTREMOS 41

escoger m columnas independientes de A para formar B,

xL = 0,
resolver BxB = b,
si la solución básica obtenida es realizable, entonces es un punto ex-
tremo.
Ejemplo 5.4. Hallar los puntos extremos de F donde
· ¸ · ¸
1 2 −1 0 4
A= , b= .
5 2 0 −1 12

Si
· ¸
1 2
B = [A
1 A
2 ] = ,
5 2
la solución básica correspondiente es x = (2, 1, 0, 0), que es realizable, luego
es un punto extremo de F .

B = [A
1 A
3 ] , x = (2.4, 0, −1.6, 0) no es factible.

B = [A
1 A
4 ] , x = (4, 0, 0, 8) es admisible.
B = [A
2 A
3 ] , x = (0, 6, 8, 0) es admisible.
B = [A
2 A
4 ] , x = (0, 2, 0, −8) no es realizable.
B = [A
3 A
4 ] , x = (0, 0, −4, −12) no es realizable.
Luego los puntos extremos de F son:
(2, 1, 0,0) ,
(4, 0, 0,8) ,
(0, 6, 8,0) . 3
Ejemplo 5.5. Los puntos extremos del conjunto realizable del ejemplo 5.2
son:
( 300, 100, 0, 80, 0 ) ,
( 220, 180, 0, 0, 80 ) ,
( 300, 0, 100, 280, 0 ) ,
( 0, 290, 110, 0, 300 ) ,
( 0, 0, 400, 580, 300 ) . 3
Proposición 5.2. Si F es un poliedro, es decir, si F es acotado, entonces
todo punto de F es combinación convexa de sus puntos extremos.

41
42 CAPÍTULO 5. CONVEXOS EN OPTIMIZACIÓN LINEAL

5.2. Direcciones

Para la caracterización de los puntos de un politopo no acotado es ne-

cesario estudiar la obtención de las direcciones y las direcciones extremas.

Proposición 5.3. Sea F 6= ∅. d 6= 0 es dirección de F si y solamente si

Ad = 0, d ≥ 0.

Demostración: ⇒) Sea d dirección de F . Para todo x en F , para todo

µ≥0
y = x + µd está en F ,
es decir, Ay = b , y ≥ 0, entonces b = Ay = A(x+µd) = Ax+µAd = b+µAd,
de donde µAd = 0 para todo µ ≥ 0, luego Ad = 0; y ≥ 0, es decir,
yi = xi + µdi ≥ 0 para todo i y para todo µ ≥ 0, entonces di ≥ 0 para
todo i, o sea, d ≥ 0.
⇐) La demostración de esta implicación es inmediata. ¤

Se deduce, según la proposición, que las direcciones de F 6= ∅ no depen-

den de b.

Ejemplo 5.6. Hallar las direcciones de F , donde

   
1 1 1 0 0 400
A =  1 2 0 1 0  , b =  580  .
1 0 0 0 1 300

Estos datos son los mismos del ejemplo 5.2 , entonces F 6= ∅. Para resolver
Ad = 0, hay que convertir la matriz [A 0] en una matriz equivalente,
escalonada reducida.
 
1 0 0 0 1 0
 0 1 0 1/2 −1/2 0  .
0 0 1 −1/2 −1/2 0

La solución general se puede expresar en función de d4 y d5 . Por ejemplo,

la segunda fila de esta matriz significa que d2 + d4 /2 − d5 /2 = 0. Entonces
d2 = −d4 /2 + d5 /2. Ası́ la expresión general de la posible dirección es:

d = (−d5 , −d4 /2 + d5 /2, d4 /2 + d5 /2, d4 , d5 ) ≥ 0 .

42
 5.2. DIRECCIONES 43

Como −d5 , d5 ≥ 0, entonces d5 = 0. Entonces −d4 /2, d4 /2 ≥ 0, luego

d4 = 0. Es claro que no hay soluciones de esta forma tales que d ≥ 0, d 6= 0.
Es decir, F no tiene direcciones y, por lo tanto, es acotado.
En este ejemplo particular hubiera sido muy sencillo intercambiar co-
lumnas para dejar primero las columnas tres, cuatro y cinco y enseguida las
correspondientes a d1 , d2 obteniéndose inmediatamente la matriz escalonada
reducida; entonces:

d = (d1 , d2 , −d1 − d2 , −d1 − 2d2 , −d1 ) ≥ 0 ,

y las conclusiones finales son las mismas. 3

Ejemplo 5.7. Hallar las direcciones de F , donde

· ¸ · ¸
1 2 −1 0 4
A= , b= .
5 2 0 −1 12

Estos datos son los mismos del ejemplo 5.4 , entonces F 6= ∅. Al resolver
Ad = 0 (intercambiando las columnas 1 , 2 con las columnas 3 , 4 ) se
obtiene la solución general:

d = (d1 , d2 , d1 + 2d2 , 5d1 + 2d2 ) ≥ 0 .

En este caso siempre que d1 , d2 ≥ 0, d1 o d2 6= 0, se tendrá una dirección

de F . Por lo tanto, F no es acotado. Por ejemplo: (1, 0, 1, 5), (0, 2, 4, 4),
(3, 1, 5, 17) son direcciones de F ˙ 3

Ejemplo 5.8. Considere el conjunto F , donde

· ¸ · ¸
1 −1 1 0 1
A= , b= .
1 −1 0 −1 −2

Entonces F 6= ∅ (x = (0, 2, 3, 0) ∈ F ) . Por ejemplo d = (1, 1, 0, 0) es una

dirección de F ya que Ad = 0, d ≥ 0
Si los datos cambian ligeramente:
· ¸ · ¸
1 −1 1 0 1
A= , b= ,
1 −1 0 −1 2

aunque d = (1, 1, 0, 0) cumple con Ad = 0, d ≥ 0, no es dirección de F ya

que éste es vacı́o. 3

43
44 CAPÍTULO 5. CONVEXOS EN OPTIMIZACIÓN LINEAL

Sea D el conjunto de direcciones de F Ḋe este conjunto se puede tomar

un representante de cada clase de direcciones equivalentes. Esta escogencia
puede hacerse por normalización, es decir, escogiendo de cada Pclase un re-
presentante cuya norma valga uno. Al utilizar como norma |di | y como
en
P este caso
P particular todos los elementos de d son no negativos, entonces
|di | = di Ṡea D1 el conjunto de direcciones de F tales que la suma de
sus coordenadas sea uno, es decir,

D1 = {d : Ad = 0, d ≥ 0, d1 + d2 + . . . + dn = 1} .

Proposición 5.4. El conjunto de direcciones extremas de F es, salvo equi-

valencia, el conjunto de puntos extremos del conjunto D1

Dicho de otra manera, las direcciones extremas de F son, salvo equiva-

lencia, las soluciones básicas realizables del sistema:
    
a11 a12 . . . a1n d1 0
 a21 a22 . . . a2n  d2   0 
    
 .. .. . . ..  d3   .. 
 . . . .  = . 
  ..  
 am1 am2 . . . amn  .  0 
1 1 ... 1 dn 1

d ≥ 0.

Corolario 5.2. Las direcciones extremas de F son, salvo equivalencia, so-

luciones no negativas de

BdB = −A
k , A
k no forma parte de B ,

dk = 1 ,
dj = 0 en los demás casos ,

para todas las posibles submatrices B, de tamaño m × m invertibles y todas

las posibles escogencias de A
k .

Ejemplo 5.9. Utilizando la proposición 5.4 , hallar las direcciones extremas

de F , donde
· ¸ · ¸
1 2 −1 0 4
A= , b= .
5 2 0 −1 12
Para encontrar las direcciones extremas hay que empezar por hallar las

44
 5.2. DIRECCIONES 45

soluciones básicas de:

 
 d1   
1 2 −1 0  d2  0
 5 2 0 −1   = 0 
 d3 
1 1 1 1 1
d4
d ≥ 0.

Estas son:
(−2/11, 5/11, 8/11, 0 ) ,
( 2/9, −1/9, 0, 8/9 ) ,
( 1/7, 0, 1/7, 5/7 ) ,
( 0, 1/5, 2/5, 2/5 ) .
Las dos últimas soluciones básicas son realizables y, por lo tanto, son (salvo
equivalencia) las direcciones extremas de F . 3
Ejemplo 5.10. Utilizando el corolario 5.2 para la misma matriz A y el
mismo vector columna b del ejemplo anterior se tiene:

Si B = [A
1 A
2 ] y si BdB = −A
3 , entonces dB = (−2/8, 5/8) y

d = (−2/8, 5/8, 1, 0) no es dirección extrema.
Si B = [A
1 A
2 ] y −A
k = −A
4 , entonces dB = (−2/8, −1/8) y
d = (2/8, −1/8, 0, 1) no es dirección extrema.
Si B = [A
1 A
3 ] y −A
k = −A
2 , entonces dB = (−2/5, 8/5) y
d = (−2/5, 1, 8/5, 0) no es dirección extrema.
Si B = [A
1 A
3 ] y −A
k = −A
4 , entonces dB = (1/5, 1/5), d =
(1/5, 0, 1/5, 1). Esta dirección es equivalente a (1/7, 0, 1/7, 5/7).
Ası́, sucesivamente, se escogen todas las posibilidades para B y en
cada caso todas las posibilidades para −A
k . Es posible que diferentes
parejas B, −A
k den lugar a direcciones iguales o equivalentes. 3

EJERCICIOS

En los ejercicios 5.1 a 5.8 convierta el problema a la forma estándar,

halle los puntos extremos del conjunto factible, halle las direcciones,
halle las direcciones extremas usando la proposición 5.4, halle las di-
recciones extremas usando el corolario 5.2.

45
46 CAPÍTULO 5. CONVEXOS EN OPTIMIZACIÓN LINEAL

5.1. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

5.2. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + x2 ≥ 6, 4x1 +

3x2 ≤ 18, 2x1 + 3x2 ≤ 12, x ≥ 0.

5.3. Minimizar z = 4x1 +5x2 con las restricciones x1 +x2 ≥ 12, 4x1 +3x2 ≥
18, x ≥ 0.

5.4. Minimizar z = 4x1 +5x2 con las restricciones x1 +x2 ≥ 12, 4x1 −3x2 ≤
18, x ≥ 0.

5.5. Minimizar z = 4x1 +5x2 con las restricciones x1 +x2 ≥ 12, 4x1 −3x2 =
18, x ≥ 0.

5.6. Minimizar z = 4x1 + 5x2 con las restricciones 4x1 − 3x2 ≤ −2, −4x1 +
3x2 ≤ 3, x ≥ 0.

5.7. Minimizar z = 4x1 + 5x2 con las restricciones 4x1 − 3x2 ≤ −2, −4x1 +
3x2 ≤ 1, x ≥ 0.

5.8. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + x2 ≥ 5, 2x1 +

3x2 ≤ 12, 4x1 + 3x2 ≤ 18, x ≥ 0.

5.9. Sea F 0 = {x : Ax ≥ b, x ≥ 0} 6= ∅. Encuentre una caracterización

para las direcciones de F 0 , análoga a la de la proposición 5.3.

46
Capı́tulo 6

DOS TEOREMAS

Los teoremas presentados en este capı́tulo son muy importantes en OL,

en especial para la justificación del método simplex y para la deducción
del método de descomposición. El método de descomposición de Dantzig
y Wolfe sirve para resolver problemas de OL muy grandes que tienen una
estructura angular por bloques [Las70].

6.1. Representación

Proposición 6.1. Teorema de representación. Todo punto de F (con-

junto admisible de un problema de optimización lineal en la forma estándar)
no vacı́o, se puede expresar como una combinación convexa de los puntos ex-
tremos, más una combinación lineal no negativa de las direcciones extremas,
es decir, F también se puede representar como

F = {x = λ1 x1 + λ2 x2 + . . . + λk xk + µ1 d1 + µ2 d2 + . . . + µs ds :
λi ≥ 0∀i λ1 + λ2 + . . . + λk = 1, µj ≥ 0∀j},

siendo x1 , x2 , . . ., xk los puntos extremos (k ≥ 1)

y d1 , d2 , . . ., ds las direcciones extremas (s ≥ 0) .

En particular F es acotado si y solamente si s = 0. Este teorema también

es válido sobre otros politopos.

47
48 CAPÍTULO 6. DOS TEOREMAS

Ejemplo 6.1.
· ¸ · ¸
1 2 −1 0 4
A= , b= .
5 2 0 −1 12

Los puntos extremos de F son: (2, 1, 0, 0), (4, 0, 0, 8), (0, 6, 8, 0) y sus direc-
ciones extremas (salvo equivalencia) son: (0, 1, 2, 2), (1, 0, 1, 5).

El punto x = (2, 3, 4, 4) está en F ya que Ax = b, x ≥ 0.

x = 0(2, 1, 0, 0) + 1/2(4, 0, 0, 8) + 1/2(0, 6, 8, 0) + 0(0, 1, 2, 2) + 0(1, 0, 1, 5).

También

x = 1(2, 1, 0, 0) + 0(4, 0, 0, 8) + 0(0, 6, 8, 0) + 2(0, 1, 2, 2) + 0(1, 0, 1, 5). 3

La expresión de un punto x de F , en función de los puntos extremos y

las direcciones extremas, no es necesariamente única.
Ejemplo 6.2. Sea C el conjunto de parejas (x1 , x2 ) tales que

x1 + 2x2 ≥ 3
2x1 + x2 ≥ 3
x ≥ 0.

Sus puntos extremos son (1, 1), (3, 0), (0, 3) y sus direcciones extremas (salvo
equivalencia) son (1, 0), (0, 1).

Los puntos (1, 1), (3, 1) están en C.

(1, 1) = 1(1, 1) + 0(3, 0) + 0(0, 3),

(3, 1) = 0(1, 1) + 1(3, 0) + 0(3, 0) + 1(0, 1),
(3, 1) = 1(1, 1) + 0(3, 0) + 0(0, 3) + 2(1, 0). 3

Corolario 6.1. El conjunto F es vacı́o si y solamente si no tiene puntos

extremos.

6.2. Optimalidad

Proposición 6.2. El valor óptimo z ∗ de minimizar z = cT x en F , es

acotado (inferiormente), si F es acotado, o sea, si no tiene direcciones, o
bien, si para toda dirección extrema d de F se tiene que cT d ≥ 0.

48
 6.2. OPTIMALIDAD 49

Demostración: Supongamos que F es acotado. Como F es cerrado, en-

tonces es compacto y como z es continua, por el teorema de Weierstrass se
tiene que z alcanza su mı́nimo en un punto de F .
Supongamos ahora que F no es acotado. De acuerdo con el teorema de
representación, resolver el problema

min z = cT x
en F = {x : Ax = b, x ≥ 0},

es equivalente a resolver este otro problema

min z = cT x
 
Xk s
X k
X 
x∈ λi xi + µj dj : dλi ≥ 0, λi = 1, µj ≥ 0 .
 
i=1 j=1 i=1

Es decir, hay que minimizar el valor de z dado por:

k
X s
X k
X
T i T j
z= λi c x + µj c d , λi ≥ 0, λi = 1, µj ≥ 0.
i=1 j=1 i=1

Sean xu , xv tales que

cT xu = min {cT xi },
1≤i≤k

c x = max {cT xi }.
T v
1≤i≤k

Entonces, como λi ≥ 0
k
X k
X k
X
i u u
T
λi c x ≥ T
λi c x = c x T
λi = cT xu .
i=1 i=1 i=1

De manera análoga
k
X
λi cT xi ≤ cT xv ,
i=1
y ası́
s
X s
X
v j u
T
c x + T
µj c d ≥ z ≥ c x + T
µj cT dj , µj ≥ 0.
j=1 j=1

Luego, cuando F no es acotado, el valor de z es acotado inferiormente, si y

solamente si, cT d ≥ 0 para toda dirección extrema d. ¤

49
50 CAPÍTULO 6. DOS TEOREMAS

Corolario 6.2. Si el problema de minimizar z = cT x en F es acotado

(inferiormente), entonces el óptimo se obtiene en un punto extremo (por
ejemplo en xu ).

Corolario 6.3. Si el problema de minimizar z = cT x en F es acotado (in-

feriormente), entonces cualquier combinación convexa de puntos extremos
óptimos también es un punto óptimo.

Proposición 6.3. Teorema de optimalidad . Consideremos el problema

de minimizar z = cT x en F , con z acotado inferiormente. El valor óptimo z ∗
se obtiene en por lo menos un punto extremo, y todos los puntos óptimos se
pueden expresar como una combinación convexa de puntos extremos óptimos
(puede haber varios) más una combinación lineal no negativa de direcciones
extremas tales que cT d = 0.

Ejemplo 6.3. Minimizar z = cT x en F = {x : Ax = b, x ≥ 0} donde A,

b están dados en el ejemplo 6.1 , para diferentes coeficientes de la función
objetivo.
a) c = (3, 2, 0, 0)
b) c = (3, 0, 0, 0)
c) c = (−2, −1, 0, 0)
d) c = (4, 8, 0, 0) .

a)

cT x1 = 8,
cT x2 = 12,
cT x3 = 12,
cT d1 = 2,
cT d2 = 3.

Entonces z es acotado inferiormente.

z ∗ = 8, x∗ = x1 = (2, 1, 0, 0).

En este ejemplo la solución óptima es única.

50
 6.2. OPTIMALIDAD 51

b)

cT x1 = 6,
cT x2 = 12,
cT x3 = 0,
cT d1 = 0,
cT d2 = 3.

Entonces z es acotado inferiormente.

z ∗ = 0, x∗ = x3 + µd1 = (0, 6, 8, 0) + µ(0, 1, 2, 2)

= (0, 6 + µ, 8 + 2µ, 2µ), con µ ≥ 0.

El conjunto de soluciones óptimas tiene un número infinito de puntos y,

además, no es acotado.

c)

cT x1 = −5,
cT x2 = −8,
cT x3 = −6,
cT d1 = −1,
cT d2 = −2.

Entonces z no es acotado inferiormente.

d)

cT x1 = 16,
cT x2 = 16,
cT x3 = 48,
cT d1 = 8,
cT d2 = 4.

Entonces z es acotado inferiormente.

z ∗ = 16, x∗ = λ1 x1 + λ2 x2 , λ1 , λ2 ≥ 0, λ1 + λ2 = 1.

El conjunto de puntos óptimos tiene un número infinito de puntos y es

acotado. 3

51
52 CAPÍTULO 6. DOS TEOREMAS

Ejemplo 6.4.
   
1 1 1 0 0 400
A =  1 2 0 1 0 , b =  580  .
1 0 0 0 1 300

a) c = (−1, −1.4, 0, 0, 0),

b) c = (−2, −2, 0, 0, 0).

Los puntos extremos de F son:

( 0, 0, 400, 580, 300 ),

( 300, 0, 100, 280, 0 ),
( 300, 100, 0, 80, 0 ),
( 220, 180, 0, 0, 80 ),
( 0, 290, 110, 0, 300 ).

F no tiene direcciones extremas, entonces es acotado y cualquier problema

de optimización lineal en este conjunto tiene óptimo acotado.

a)

cT x1 = 0,
T 2
c x = −300,
cT x3 = −440,
cT x4 = −472,
cT x5 = −406,

z ∗ = −472, x∗ = x4 = (220, 180, 0, 0, 80).

En este ejemplo la solución óptima es única.

b)

cT x1 = 0,
T 2
c x = −600,
cT x3 = −800,
cT x4 = −800,
cT x5 = −580,

52
 6.2. OPTIMALIDAD 53

z ∗ = −800, x∗ = λ1 x3 + λ2 x4
= λ1 (300, 100, 0, 80, 0) + λ2 (220, 180, 0, 0, 80),
λ1 , λ2 ≥ 0, λ1 + λ2 = 1.

El conjunto de puntos óptimos de este ejemplo es infinito y acotado. 3

Considérese la siguiente notación:

P = conjunto de puntos extremos de F ,

D = conjunto de direcciones extremas de F salvo equivalencia (en
D no hay dos direcciones extremas equivalentes),
D− = {d ∈ D : cT d < 0},
Do = {d ∈ D : cT d = 0},
F ∗ = conjunto de puntos óptimos de F (cuando F 6= ∅ y z es acotado
inferiormente),
P ∗ = {x ∈ P =
6 ∅ : cT x = min{cT y : y ∈ P}},
cnn(X) = conjunto de combinaciones lineales no negativas (con escalares
no negativos) de elementos de X,
z ∗ = valor óptimo de z, cuando F 6= ∅ y z está acotado inferiormente,
z ∗ = −∞, cuando F 6= ∅ y z no está acotado inferiormente,
z ∗ = +∞, cuando F = ∅.

El teorema de representación se puede expresar ası́:

F 6= ∅ ⇐⇒ P =
6 ∅,
F 6= ∅ =⇒ F = cc(P) + cnn(D).

El teorema de optimalidad se puede expresar ası́:

F ∗ 6= ∅ ⇐⇒ F 6= ∅, D− = ∅,
F 6= ∅, D− = ∅ =⇒ F ∗ = cc(P ∗ ) + cnn(Do ).

Utilizando el teorema de optimalidad se puede resolver cualquier problema

de OL, de manera bien precisa. Este proceso finito se basa en el hecho de
que el número de puntos extremos y el número de direcciones extremas son
finitos. Más aún, para hallar todos los puntos extremos, basta con estudiar

53
54 CAPÍTULO 6. DOS TEOREMAS

todas las posibilidades para las soluciones básicas. De manera semejante,

para hallar todas las direcciones extremas, basta con estudiar todas las po-
sibilidades de uno de los dos métodos (proposición 5.4 y corolario 5.2). El
proceso para resolver un problema de OL en la forma estándar es el siguiente:

hallar P
si P = ∅ ent F = ∅
sino
hallar D, D− , Do
si D− 6= ∅ ent z ∗ = −∞
sino
si Do = ∅
F ∗ es acotado
si |P ∗ | = 1 ent F ∗ = P ∗
sino |F ∗ | = ∞, F ∗ = cc(P ∗ )
sino
|F ∗ | = ∞, F ∗ no es acotado
F ∗ = cc(P ∗ ) + cnn(Do )
fin-si
fin-si
fin-si

Los resultados anteriores sirven para entender mejor el método simplex y

para interpretar, de manera más adecuada, algunos de sus resultados. Sin
embargo, salvo para ejemplos muy pequeños, estos resultados no son prácti-
cos para resolver problemas de Optimización Lineal.

EJERCICIOS

En los ejercicios 6.1 a 6.10 convierta el problema a la forma estándar,

halle los puntos extremos del conjunto factible, halle las direcciones
extremas, y aplicando el teorema de optimalidad encuentre la solución
del problema.

6.1. Minimizar z = −1.1x1 − 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

6.2. Minimizar z = −0.8x1 − 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

54
 6.2. OPTIMALIDAD 55

6.3. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

6.4. Minimizar z = 4x1 +3x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤
4, x ≥ 0.

6.5. Minimizar z = 5x1 +5x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤
4, x ≥ 0.

6.6. Minimizar z = x1 −2x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤ 4,
x ≥ 0.

6.7. Minimizar z = −2.5x1 + x2 con las restricciones x1 + x2 ≥ 12, 5x1 −

2x2 ≤ 4, x ≥ 0.

6.8. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + x2 ≥ 5, 2x1 +

3x2 ≤ 12, 4x1 + 3x2 ≤ 18, x ≥ 0.

6.9. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + x2 ≥ 6, 2x1 +

3x2 ≤ 12, 4x1 + 3x2 ≤ 18, x ≥ 0.

6.10. Minimizar z = 4x1 + 5x2 con las restricciones 4x1 − 3x2 ≤ −2, −4x1 +
3x2 ≤ 1, x ≥ 0.

55
56 CAPÍTULO 6. DOS TEOREMAS

56
Capı́tulo 7

EL MÉTODO SIMPLEX

Los teoremas y resultados vistos anteriormente permiten hallar el óptimo

de un problema de optimización lineal en la forma estándar, en un núme-
ro finito de pasos: buscar todos los puntos extremos (todas las soluciones
básicas realizables) y entre ellos escoger el mejor o los mejores; además, es
necesario buscar las direcciones extremas para saber si el óptimo está aco-
tado o no lo está. Pero este proceso es muy dispendioso y largo, aún con la
ayuda de un computador. El método simplex, creado por G. B. Dantzig al
final de la década del cuarenta, permite hacer una búsqueda de soluciones
básicas realizables, pero con la ventaja de ir siempre mejorando el valor de z
al pasar de una solución básica realizable a otra (si no hay soluciones básicas
degeneradas), hasta llegar a un punto extremo óptimo o hasta saber que el
valor de z no es acotado (inferiormente).
Salvo indicación contraria, se supondrá la ausencia de soluciones
básicas realizables degeneradas.
Recuérdese además que, de acuerdo con la notación utilizada, siempre
que haya operaciones entre matrices (multiplicaciones o adiciones) se consi-
deran los vectores de Rl como matrices columna, es decir, matrices l × 1.

7.1. Condiciones de optimalidad

Antes de pasar al método simplex en sı́, es conveniente estudiar las con-

diciones de optimalidad para una solución básica realizable cualquiera, sin
tener que compararla con otros puntos extremos.

57
58 CAPÍTULO 7. EL MÉTODO SIMPLEX

Considérese el problema de optimización lineal tal como se ha supuesto

hasta ahora, es decir, un problema de minimización en la forma estándar
con una matriz de coeficientes de tamaño m × n, con m ≤ n y de rango m.
Dada una matriz B, de tamaño m × m, invertible, submatriz de A, tal
que la solución básica correspondiente sea realizable, es decir,

xB = B −1 b ≥ 0,
xL = 0,

se desea saber si este punto extremo x = (xB , xL ) es óptimo o no.

Como la matriz A es de rango m, entonces en el sistema lineal Ax = b
hay p = n−m variables independientes y m variables que dependen de ellas.
De esta forma, todo el problema se puede plantear únicamente en función
de las variables independientes, llamadas también libres o no básicas.

El problema

min z = cT x
Ax = b
x ≥ 0,

se puede escribir

min z = cTB xB + cTL xL

BxB + LxL = b
xB ≥ 0, xL ≥ 0,

entonces
xB = B −1 b − B −1 LxL ,
y ası́ se tiene el problema únicamente en función de las variables libres xL :

min z = cTB (B −1 b − B −1 LxL ) + cTL xL

xL ≥ 0.

La expresión de z se puede agrupar ası́:

z = cTB B −1 b − cTB B −1 LxL + cTL xL

= cTB B −1 b + (cTL − cTB B −1 L)xL
T
= cTB B −1 b + (cL − LT B −1 cB )T xL .

58
 7.1. CONDICIONES DE OPTIMALIDAD 59

Si se define
T
c̃L = cL − LT B −1 cB ,
entonces
z = cTB B −1 b + c̃TL xL .
El vector c̃L tiene exactamente p = n − m componentes, es decir, una por
cada variable libre; estos coeficientes se llaman usualmente costos reduci-
dos o relativos de las variables libres. También se les acostumbra a denotar
por cj − zj .
Es posible definir de manera análoga los costos reducidos para las varia-
bles básicas:
T
c̃B = cB − B T B −1 cB = 0.
Esta propiedad es una caracterı́stica muy importante: los costos reduci-
dos de las variables básicas son nulos.
Utilizando únicamente las variables libres y sus costos reducidos, el pro-
blema de optimización lineal queda ahora ası́:

min z = cTB B −1 b + c̃TL xL

xL ≥ 0.

Supongamos, por el momento, que las variables básicas son las m primeras
y que las p siguientes son las variables libres. Esta suposición no es restric-
tiva, pues simplemente se puede considerar como un reordenamiento de las
variables.

min z = cTB B −1 b + c̃m+1 xm+1 + c̃m+2 xm+2 + . . . + c̃n xn

xm+1 , xm+2 , . . . , xn ≥ 0.

De lo anterior se puede deducir lo siguiente:

z es igual a una constante (cTB B −1 b), más una expresión lineal de las
variables libres.

Para la solución básica realizable en estudio, las variables libres son

nulas y el valor de z está dado por cTB B −1 b.

z está expresado únicamente en función de las variables libres y si se

considera que alguna de éstas cambia, tiene que ser necesariamente
aumentando su valor, es decir, pasando de cero a un valor positivo, ya
que ninguna variable puede ser negativa.

59
60 CAPÍTULO 7. EL MÉTODO SIMPLEX

Si el costo reducido c̃j de una variable libre es negativo, al pasar ésta

de cero a un valor positivo, el valor de z disminuye indicando que sı́ es
conveniente modificar esta variable libre xj aumentando su valor.

Si los costos reducidos de todas las variables libres son no negativos,

ninguna de esas variables deberı́a modificarse, es decir, la solución
básica realizable no debe ser modificada, es decir, es óptima.

Proposición 7.1. Para una solución básica realizable, si los costos reduci-
dos de las variables libres son no negativos, entonces esta solución es óptima.
Una solución básica realizable no degenerada es óptima si y solamente si los
costos reducidos de las variables libres son no negativos
T
c̃L = cL − LT B −1 cB ≥ 0.

Ejemplo 7.1.

min z = − x1 − 1.4x2
x1 + x2 + x3 = 400
x1 + 2x2 + x4 = 580
x1 + x5 = 300
x ≥ 0.

Sea
B = [A
3 A
4 A
5 ].
La solución básica correspondiente es x = (0, 0, 400, 580, 300).
 −1 T  
· ¸ · ¸ · ¸ 1 0 0 0
c̃1 −1.0 1 1 1  0 1 0   0 ,
c̃L = = −
c̃2 −1.4 1 2 0
0 0 1 0
· ¸ · ¸
c̃1 −1.0
c̃L = = .
c̃2 −1.4

Luego este punto extremo (no degenerado) no es óptimo.

Para este mismo problema, si:

 
1 1 0
B = [A
1 A
2 A
5 ] =  1 2 0 ,
1 0 1

60
 7.1. CONDICIONES DE OPTIMALIDAD 61

entonces  
 
2 −1 0  220 
B −1 =  −1 1 0  , B −1 b =  
 180  .
−2 1 1
80
El punto extremo correspondiente es x = (220, 180, 0, 0, 80) ,
 T  
· ¸ · ¸ · ¸ 2 −1 0 −1
c̃3 0 1 0 0 
c̃L = = − −1 1 0   −1.4 
c̃4 0 0 1 0
−2 1 1 0
· ¸ · ¸
c̃3 0.6
c̃L = = .
c̃4 0.4
Luego este punto extremo es óptimo y el valor óptimo de z es: z ∗ = −472,
valor que se puede obtener de dos formas:
 
220
 
£ ¤  180 
z = c x = −1 −1.4 0 0 0  0 
T 
 = −472,
 0 
80
 
£ ¤ 220
z = cTB B −1 b = −1 −1.4 0  180  = −472. 3
80
Ejemplo 7.2. Considere el problema
min z = − x1 − x2
x1 + 2x2 + x3 = 3
2x1 + x2 + x4 = 3
4x1 + 5x2 + x5 = 9
x ≥ 0.
y el punto
x = (1, 1, 0, 0, 0).
Esta solución básica factible degenerada se puede obtener con
£ ¤
B = A
1 A
2 A
4 .
Entonces al calcular los costos reducidos de las variables libres x3 y x5 se
obtiene £ ¤
c̃TL = −1/3 1/3 .

61
62 CAPÍTULO 7. EL MÉTODO SIMPLEX

Como la solución es degenerada, no se puede concluir que el punto no sea

óptimo. Este mismo punto se puede obtener considerando
£ ¤ £ ¤ £ ¤
B = A
1 A
2 A
3 y ası́ c̃TL = c̃4 c̃5 = 1/6 1/6 ,
lo cual indica que el punto sı́ es óptimo. 3

7.2. Deducción matricial del método simplex

La deducción matricial del método simplex que aparece a continuación,

es la que provee la justificación de las tablas del simplex. . Sin embargo, en
la práctica, esta deducción no se utiliza, pero en cambio, sı́ se utilizan las
tablas. Para ayudar a la comprensión de la deducción puede ser útil seguir
las diferentes partes del desarrollo del ejemplo 7.3 en las páginas siguientes.
Para aplicar el método simplex a un problema de minimización en la
forma estándar se requiere además (ejemplo 7.3.1) :

b ≥ 0,
se puede formar Im (matriz identidad de orden m) con m columnas
de A.

La primera suposición es muy fácil de cumplir, pues cuando hay un bi

negativo se multiplica toda la igualdad por −1. Más adelante se verá como
tratar el caso en el que no se cumple la segunda suposición.

Sean:
A1 = A,
b1 = b.
En esta primera iteración es muy fácil obtener la solución básica realizable
(ejemplo 7.3.1), pues basta tomar:
B 1 = Im
L1 conformada por las columnas restantes,
y la solución básica realizable es:
x1B = b1 ,
x1L = 0,
x1 = (x1B , x1L ).

62
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 63

Para pasar a la siguiente solución básica realizable x2 , que, además, debe ser
mejor (su valor de z debe ser menor), únicamente se cambiará una columna
de B 1 : una columna de B 1 dejará de ser básica y pasará a ser libre y
también una columna de L1 dejará de ser libre para convertirse en básica.
De manera análoga, una variable básica se volverá libre, y una variable libre
se convertirá en básica.

Además, se pasará del sistema

A1 x = b1 donde B 1 = Im ,
b1 ≥ 0,

a otro sistema equivalente (que tiene exactamente las mismas soluciones):

A2 x = b2 donde también B 2 = Im ,
b2 ≥ 0.

Este proceso se repite hasta llegar al óptimo o hasta saber que el óptimo no
es acotado.

Al precisar más estas ideas, es necesario detallar varios pasos:

¿Cómo son las condiciones de optimalidad?

¿Cómo se escoge la variable libre que se convierte en básica (la variable

que “entra” a la base)?

¿Cuándo el valor óptimo de z no es finito, es decir, el valor de z no es

acotado (inferiormente)?

¿Cuál es la variable que deja de ser básica y se convierte en libre (la

variable que “sale”de la base)?

¿Cómo se modifican los coeficientes de Ak , bk para pasar a Ak+1 , bk+1 ?

En lo que sigue sobre el método simplex, salvo indicación contraria, para

no recargar demasiado las fórmulas, se suprimirá el superı́ndice, es decir,
cuando no haya superı́ndice se supondrá que es k y cuando el superı́ndice
sea ’ (una comilla) se supondrá que es k + 1.
Con las suposiciones del método simplex (B k = Im ) el cálculo de los
costos reducidos se simplifica bastante y las condiciones de optimalidad

63
64 CAPÍTULO 7. EL MÉTODO SIMPLEX

resultan muy sencillas. (ejemplo 7.3.3):

c̃L = cL − LT cB ≥ 0.

Además, el valor de z es muy sencillo de calcular:

z = cTB b

Sean: β la m-upla formada por los ı́ndices de las columnas (y de las variables)
básicas en el orden adecuado (para formar la matriz identidad), λ el vector
de p = n − m componentes, formado por los ı́ndices de las columnas libres.

β = (β1 , β2 , . . . , βm ),
λ = (λ1 , λ2 , . . . , λp ),

entonces, por ejemplo,

xB = (xβ1 , xβ2 , . . . , xβm ),

xL = (xλ1 , xλ2 , . . . , xλp ).

El cálculo de los costos reducidos de las variables libres (cL −LT cB ) se puede
explicitar ası́:
 
(LT )1

 (LT )2

 
c̃L = cL −  ..  cB
 . 
(LT )p

 
(LT )1
cB

 (LT )2
cB 

c̃L = cL −  .. 
 . 
(LT )p
cB
 
(A
λ1 )T cB

 (A
λ2 )T cB 

c̃L = cL −  .. 
 . 
(A
λp )T cB .

El resultado anterior se puede presentar, individualmente, para cada costo

reducido:
c̃λi = cλi − (A
λi )T cB i = 1, . . . , p,

64
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 65

o también

c̃j = cj − (A
j )T cB = cj − cTB A
j para la variable libre xj .

La igualdad anterior es válida también para las variables básicas, pero para
estas variables no es necesario calcular el costo reducido ya que es nulo.
Efectuando el producto matricial se tiene:

c̃j = cj − (a1j cβ1 + a2j cβ2 + . . . + amj cβm )

Xm
= cj − aij cβi .
i=1

Si c̃kj < 0 para alguna variable libre (y xk es un solución básica realizable no

degenerada), entonces xk no es una solución óptima.

Si c̃kj ≥ 0 para todas las variables libres, entonces xk sı́ es una solución
óptima.

En el caso óptimo hay dos posibilidades:

i) para todas las variables libres c̃j > 0,

ii) para alguna variable libre c̃j = 0.

En el caso ii) la(s) variable(s) libre(s) tal(es) que c̃j = 0 puede(n) tomar
valores positivos sin que esto haga aumentar el valor de z, es decir, el valor
óptimo z ∗ permanece óptimo al variar xj de cero a un valor positivo. Esto
quiere decir, si no se trata de una solución realizable básica degenerada,
que hay varios puntos extremos óptimos, más aún, hay un número infini-
to de puntos óptimos (cualquier combinación convexa de puntos extremos
óptimos).
En el caso i), si el punto no es degenerado, cualquier modificación de una
variable libre xj , por pequeña que sea, hace aumentar (empeorar) el valor
de z; o sea, el punto xk es el único óptimo.
Hay varios criterios para escoger una variable, entre las libres, con coefi-
ciente c̃j < 0, para que deje de ser nula y tome un valor positivo, volviéndose
también variable básica. Uno de estos criterios, tal vez el más usado, es esco-
ger la variable con costo reducido más pequeño, es decir, la de costo reducido
“más negativo”. Ası́ se escoge la variable libre que hace disminuir más la
función objetivo z por cada unidad que aumente esta variable libre.

65
66 CAPÍTULO 7. EL MÉTODO SIMPLEX

Otro criterio consiste simplemente en escoger cualquier variable libre con

costo reducido negativo, por ejemplo, la primera encontrada.
Finalmente, el mejor criterio es escoger la variable libre que más hace
disminuir, en total, el valor de z. Por ejemplo, si c̃1 = −3 y c̃3 = −5 y si x1
puede aumentar hasta 11 y x3 puede aumentar hasta 6, entonces es mucho
mejor escoger la variable x1 pues produce, en total, una disminución de
33. Aunque este criterio es el mejor, en la práctica no se usa pues requiere
conocer el máximo valor que puede tomar cada variable libre con costo
reducido negativo, y esto implica muchas más operaciones y comparaciones.

Sea xe la variable que “entra” a la base.

c̃e = min{c̃j : c̃j < 0}.

Al tomar xe un valor positivo, las variables básicas pueden modificarse, pues

son función de las variables libres (ej. 7.3.4).

xB = B −1 b − B −1 LxL = b − LxL
 
xλ1
 
xB = b − [L
1 . . . L
p ]  ... 
xλp
p
X
=b− L
i xλi
i=1
Xp
xB = b − A
λi xλi .
i=1

Como únicamente la variable libre xe se vuelve positiva, las demás variables

libres siguen siendo nulas, entonces

xB = b − xe A
e ,
xβi = bi − xe aie , i = 1, . . . , m.

La variable xe , que vale cero, va a tomar valores positivos y entre más

grande sea, más disminuye el valor de z. Se puede presentar un inconve-
niente si alguna (o algunas) variable básica se vuelve negativa, pues esto
no está permitido. Es claro que ello podrı́a suceder únicamente para las
variables básicas con coeficiente aie positivo. Entonces la solución es muy

66
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 67

sencilla, basta aumentar xe hasta cuando la primera variable básica con aie
positivo se anule.
bi
xβi = 0 si xe = ·
aie
El nuevo valor de xe será el máximo valor que pueda tomar, o sea, el mayor
valor sin que ninguna variable básica sea negativa, o sea,
½ ¾
bσ bi
x0e = = min : aie > 0, i = 1, ..., m .
aσe aie

Este hecho determina, al mismo tiempo, cuál es la primera variable básica

que se anula con valores positivos de xe , es decir, cuál es la variable básica
que “sale” de las básicas (ejemplo 7.3.5). Si se llega a presentar “empate”
en el cociente mı́nimo para dos o más variables básicas, se puede escoger
como variable básica que sale cualquiera de las “empatadas”, por ejemplo,
la primera encontrada; en la siguiente tabla la solución básica realizable
obtenida será degenerada.

xs = xβσ = variable que “sale” de las básicas.

El subı́ndice s indica la posición de la variable de 1 a n; el subı́ndice σ indica

la posición de la variable de 1 a m, es decir, entre las variables básicas.
Si la variable xe (u otra variable libre con coeficiente c̃j < 0) puede
aumentar de manera ilimitada sin disminuir el valor de las variables básicas,
entonces también el valor de z puede disminuir ilimitadamente y ası́ el ópti-
mo no es acotado. Esto se tiene cuando todos los elementos de la columna
correspondiente A
e son menores o iguales a cero.

Si aie ≤ 0 para i = 1, 2, . . . , m, entonces el óptimo no es acotado.

Lo que resta de una iteración cualquiera del método simplex, es simple-

mente hacer las modificaciones adecuadas para pasar de Ak , bk a Ak+1 , bk+1
de tal manera que B k+1 = Im .

En la iteración k
β k = (β1 , β2 , . . . , βσ , . . . , βm ),

en la iteración k+1 (ejemplo 7.3.6)

β k+1 = (β1 , β2 , . . . , e, . . . , βm ).

67
68 CAPÍTULO 7. EL MÉTODO SIMPLEX

Al tomar las columnas de Ak correspondientes a β k se tiene, obviamente, la

matriz identidad.
£ k ¤
A
β1 Ak
β2 . . . Ak
βσ . . . Ak
βm = Im .

Pero al tomar la columnas de Ak correspondientes a β k+1 ya no se tiene la

matriz identidad.
 
1 0 . . . ak1e ... 0
 0 1 . . . ak ... 0 
 2e 
 .. .. . . .. .. . 
£ k ¤  . . . . . .. 
A
β1 A
β2 . . . A
e . . . A
βm = 
k k k   = Qk
 0 0 . . . aσe
k ... 0  
 .. .. . . .. .. . 
 . . . . . .. 
0 0 . . . akme ... 1

Esta matriz Qk es muy fácil de construir, se toma la matriz identidad de

orden m y se cambia su columna σ por la columna A
e .
El determinante de Qk es aσe , valor no nulo (más aún, es positivo), enton-
ces Qk es invertible (y (Qk )−1 también es invertible), ası́ el sistema Ak x = bk
−1
se puede premultiplicar por Qk , obteniéndose el sistema equivalente

Ak+1 x = bk+1 ,

donde
Ak+1 = (Qk )−1 Ak , bk+1 = (Qk )−1 bk .
Entonces h i
Ak+1

β1 Ak+1

β2 . . . A
e
k+1 . . . Ak+1

βm = Im ,
que es exactamente lo deseado.
−1
Fácilmente se comprueba que Qk tiene la siguiente forma (ver ejemplo
7.3.7):
 
1 0 ... −ak1e /akσe ... 0
 0 1 ... −ak2e /akσe ... 0 
 
 .. .. .. .. . . .. 
 . . . . . . 
k −1
(Q ) =   0 0

 ... 1/akσe ... 0 
 .. .. .. .. . . .. 
 . . . . . . 
0 0 . . . −akme /akσe ... 1

68
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 69

Explicitando los productos (Qk )−1 Ak y (Qk )−1 bk , se tiene:

akie akσj
ak+1
ij = akij − , i = 1, ..., m , i 6= σ, j = 1, ..., n,
akσe
ak bk
bk+1
i = bki − iek σ , i = 1, ..., m, i 6= σ,
aσe
aσjk
ak+1
σj = k , j = 1, ..., n,
aσe
bk
bk+1
σ = kσ ·
aσe
Se puede comprobar que las fórmulas anteriores pueden ser vistas simple-
mente como el resultado de efectuar operaciones elementales sobre las filas
de Ak , bk utilizando la fila σ, para obtener el valor uno en la posición (σ, e)
y el valor cero en las otras posiciones (i, e) de la columna e (ejemplo 7.3.8).
Con el nuevo sistema Ak+1 x = bk+1 se efectúa el mismo proceso y ası́ su-
cesivamente (ejemplo 7.3.9).
En el método simplex, casi siempre se pasa de un punto xk a un punto
mejor xk+1 . En el peor de los casos xk y xk+1 son igualmente buenos. Más
precisamente, si xk no es degenerado, entonces cT xk+1 < cT xk . En general,
cT xk+1 ≤ cT xk .
Puesto que el número de puntos extremos (soluciones básicas realiza-
bles) es finito y (en ausencia de soluciones básicas realizables degeneradas)
siempre se pasa de un punto extremo a uno estrictamente mejor, entonces
el método simplex es un proceso iterativo finito. Más aún, las estadı́sticas
muestran [Dan63] que, para n bastante mayor que m, el número promedio
de iteraciones varı́a aproximadamente entre m y 3m, valores mucho meno-
res que Cm n = n!/(m!(n − m)!) (número de combinaciones de m elementos

tomados dentro de n elementos).

En presencia de degeneramiento, ciertas reglas (perturbación infinitesi-
mal, reglas lexicográficas, método de Bland) permiten evitar que en algún
momento el proceso se vuelva cı́clico, impidiendo la obtención del óptimo.
Además, en aplicaciones reales, el degeneramiento aparece muy pocas veces,
y de estas pocas veces, la mayorı́a de las veces no da lugar a un ciclo sin
fin. Más aún, casi todos los ejemplos de ciclos sin fin conocidos, han sido
construidos expresamente con esta finalidad. Por esta razón, casi siempre,
como en la mayorı́a de los programas de computador comerciales, no es ne-
cesario preocuparse por el ciclado. Sin embargo, sı́ es útil colocar un número

69
70 CAPÍTULO 7. EL MÉTODO SIMPLEX

máximo de iteraciones. Si se llegara a alcanzar este número máximo de ite-

raciones se tendrı́a, o bien, un número máximo de iteraciones muy pequeño,
o bien, se trata posiblemente de un problema cı́clico.

Ejemplo 7.3.
max z = x1 + 1.4x2
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.
Introduciendo variables de holgura

min z = − x1 − 1.4x2
x1 + x2 + x3= 400
x1 + 2x2 + x4
= 580
x1 + x5 = 300
x ≥ 0.
   
1 1 1 0 0 400
A =  1 2 0 1 0  , b =  580  .
1 0 0 0 1 300
Ejemplo 7.3.1 : Es claro que se cumplen las condiciones del método sim-
plex: b ≥ 0 y las columnas tercera, cuarta y quinta de A forman la matriz
identidad.

Ejemplo 7.3.2 :
   
1 1 0 · ¸
−1.0
L =  1 2  , cB =  0  , cL =
1 1 1
.
−1.4
1 0 0

De manera inmediata se tiene el primer punto extremo (solución básica

realizable) dado por el método simplex.

x1B = (x3 , x4 , x5 ) = (400, 580, 300),

x1 = (0, 0, 400, 580, 300),
z = cTB 1 b1 = [0 0 0]b1 = 0.

El paso que sigue es averiguar si xk es óptimo.

70
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 71

Ejemplo 7.3.3 :
 
· ¸ · ¸ 0
T −1.0 1 1 1  0 
c̃1L = c1L − L1 c1B = −
−1.4 1 2 0
0
· ¸
−1.0
c̃1L = ,
−1.4

luego x1 no es óptimo.

Ejemplo 7.3.4 : La variable que “entra” a la base es entonces

xe = x2 .

Ejemplo 7.3.5 : Para escoger la variable que sale de la base hay que efectuar
los cocientes:
b11 400
1 = = 400,
a12 1
b12 580
1 = = 290,
a22 2
b13
1 : no se calcula ya que a132 ≤ 0.
a32

La variable que “sale” es la segunda variable básica.

xβσ = xβ2 ,
xs = x4 .

Ejemplo 7.3.6 : En la segunda iteración las variables básicas serán: x3 , x2 , x5

y las variables libres x1 , x4 .

Ejemplo 7.3.7 :
   
1 1 0 1 −1/2 0
Q1 =  0 2 0  , (Q1 )−1 = 0 1/2 0  .
0 0 1 0 0 1

Ejemplo 7.3.8 : Ahora se pasa a un sistema equivalente A2 x = b2 donde

A2 , b2 se pueden obtener de dos maneras, bien sea premultiplicando A1 , b1

71
72 CAPÍTULO 7. EL MÉTODO SIMPLEX

por la matriz (Q1 )−1 , es decir, A2 = (Q1 )−1 A1 , b2 = (Q1 )−1 b1 , o bien, por
medio de operaciones elementales sobre las filas de A1 , b1 para obtener un
uno en la posición (2,2) y ceros en el resto de la segunda columna.
   
1/2 0 1 −1/2 0 110
A2 =  1/2 1 0 1/2 0  , b2 =  290  .
1 0 0 0 1 300

Ejemplo 7.3.9 :
x2B = (x3 , x2 , x5 ) = (110, 290, 300),
x2 = (0, 290, 110, 0, 300),
z = −406.
El valor de z 2 se puede obtener de tres maneras:
£ ¤£ ¤T
i) z 2 = cT x2 = −1 −1.4 0 0 0 0 290 110 0 300 ,
£ ¤ £ ¤T
ii) z 2 = cTB 2 b2 = 0 −1.4 0 110 290 300 ,
b1σ
iii) z 2 = z 1 + c̃1e = z 1 + c̃1e x1e = 0 + (−1.4)(290).
a1σe
 
· ¸ · ¸ 0
−1 1/2 1/2 1  −1.4 
c̃2L = −
0 −1/2 1/2 0
0
· ¸
−3/10
c̃2L = ,
7/10

luego x2 no es óptimo.
xe = x1 ,

b21 110
2 = = 220,
a11 1/2
b22 290
= = 580,
a221 1/2
b23 300
2 = = 300,
a31 1

xβσ = xβ1 ,
xs = x3 .

72
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 73

Ahora las nuevas variables básicas serán: x1 , x2 , x5 y las variables libres

x 3 , x4 .    
1/2 0 0 2 0 0
2  
Q = 1/2 1 0 , (Q ) = −1 2 −1  1 0 .
1 0 1 −2 0 1
El nuevo sistema equivalente está dado por:
   
1 0 2 −1 0 220
A3 =  0 1 −1 1 0  , b3 =  180 
0 0 −2 1 1 80.

x3B = (x1 , x2 , x5 ) = (220, 180, 80),

x3 = (220, 180, 0, 0, 80),
z = −472.

 
· ¸ · ¸ −1.0
0 2 −1 −2  −1.4  ,
c̃3L = −
0 −1 1 1
0
· ¸
3/5
c̃3L = ,
2/5

luego x3 sı́ es óptimo ya que c̃3L ≥ 0, entonces

x∗ = (220, 180, 0, 0, 80) es el único punto óptimo ,

z ∗ = −472 es el valor mı́nimo de z.

Como el problema inicial era de maximización, entonces

z ∗ = 472. 3

EJERCICIOS

En los ejercicios 7.1 a 7.6 convierta el problema a la forma estándar,

averigüe si cada uno de los puntos dados es factible. Si lo es, calcule
los costos reducidos para saber si el punto es óptimo.

73
74 CAPÍTULO 7. EL MÉTODO SIMPLEX

7.1. Minimizar z = −1.1x1 − 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.
a) x = (0, 0).
b) x = (1, 4).
c) x = (1, 1).
d) x = (7, 0).

7.2. Minimizar z = −1.1x1 − 1.1x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.
a) x = (1, 4).
b) x = (3, 2).
c) x = (1, 1).
d) x = (2, 3).

7.3. Minimizar z = 4x1 +3x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤
4, x ≥ 0.
a) x = (0, 12).
b) x = (4, 8).
c) x = (5, 10).
d) x = (2, 10).

7.4. Minimizar z = −2x1 − 3x2 con las restricciones x1 + x2 ≥ 12, 5x1 −

2x2 ≤ 4, x ≥ 0.
a) x = (0, 12).
b) x = (4, 8).
c) x = (2, 10).

7.5. Minimizar z = −2.5x1 + x2 con las restricciones x1 + x2 ≥ 12, 5x1 −

2x2 ≤ 4, x ≥ 0.
a) x = (4, 8).
b) x = (0, 12).
c) x = (6, 13).
d) x = (8, 18).
e) x = (10, 20).

74
 7.2. DEDUCCIÓN MATRICIAL DEL MÉTODO SIMPLEX 75

7.6. Minimizar z = 1.1x1 + 1.2x2 con las restricciones x1 + 2x2 ≥ 3, 2x1 +

x2 ≥ 3, x1 + x2 ≥ 2, x ≥ 0.
a) x = (1, 1).
b) x = (0, 3).

En los ejercicios 7.7 a 7.12 convierta el problema a la forma estándar.

Si se cumplen las condiciones, aplique el método simplex hasta encon-
trar el óptimo, o hasta saber que no hay óptimo acotado.

7.7. Minimizar z = −1.1x1 − 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

7.8. Minimizar z = 4x1 +3x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤
4, x ≥ 0.

7.9. Minimizar z = x5 con las restricciones x1 + x2 − x3 + x5 = 12, 5x1 −

2x2 + x4 = 4, x ≥ 0.

7.10. Minimizar z = 4x1 + 3x2 con las restricciones x2 − 5x3 − x4 = 8,

x1 − 2.5x3 + x4 = 4, x ≥ 0.

7.11. Minimizar z = 4x1 − 3x2 con las restricciones x2 − 5x3 − x4 = 8,

x1 − 2.5x3 + x4 = 4, x ≥ 0.

7.12. Minimizar z = −1.1x1 − 1.1x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

75
76 CAPÍTULO 7. EL MÉTODO SIMPLEX

76
Capı́tulo 8

TABLAS DEL MÉTODO

SIMPLEX

8.1. Una primera tabla para el simplex

Los datos y valores del método simplex se pueden organizar en una tabla,
de tal manera que se facilite la solución manual de un problema pequeño de
programación lineal.
x1 x2 x3
..............................................................................................................................................................................
xn
.... ...
....
c1 ...
...
...
c2 c3 ....
...
cn
.
..........................................................................................................................................................................................................................................
.
.. .. .... ...
... ... b1
xβ1 cβ ...
...
a11 a12 a13
1 ....
.. ...
.....
a1n b1
...
...
....
... ... ... ... a1e
... ... ... ...
... ... .... ....
xβ2 cβ ...
...
...
a21 a22 a23
2 ...
...
.
.
...
...
...
a2n b2 ...
...
... X
... .... ...
...
...
...
... ...
... ... ..... .....
... ... ... ...
... ... ... ...
... ... .... ....
... ... ... ...
... ... ...
...
...
...
... ... ... ...
... ... ... ...
... ...
... ... ..... .....
... ... ... ...
... ... ... ...
xβm cβ ...
... am1 am2 am3
m ...
...
.
. amn bm ....
.
.....
....
...
bm
...
...............................................................................................................................................................................................................................................
ame
...
.. ...
... ...
....
c̃1 c̃2 ...
...
...
X c̃n ...
...
z
..............................................................................................................................................................................

Algunos valores de esta tabla se obtienen de manera inmediata: c1 , c2 ,

..., cn , . . ., aij , ..., b1 , ..., bm .
A la izquierda, fuera de la tabla, hay una columna indicando las variables

77
78 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

básicas xβ1 , . . . , xβm . La primera columna, dentro de la tabla, contiene los

elementos de cB : cβ1 , ..., cβm , es decir, los coeficientes de la función objetivo
correspondientes a las variables básicas (en el orden adecuado). En la última
fila están los valores c̃j . Para las variables básicas su valor es cero, y no hay
necesidad de calcularlo; se puede escribir el número 0 o también se podrı́a
indicar con un signo X . Para las variables libres

c̃j = cj − (cβ1 a1j + cβ2 a2j + . . . + cβm amj ),

es decir, es el valor de cj correspondiente, menos la suma de los productos,

término a término, de los elementos de la columna cB y la j- ésima columna
de A.
A partir de la tabla se sabe inmediatamente el valor de cada variable
xj . El valor de cada una de las variables básicas (las que están señaladas
en la columna izquierda) es exactamente el valor del término independiente
bi que está, al frente, en la última columna de la tabla (a la derecha). Las
demás variables tienen valor 0 por ser libres.
El valor de z corresponde simplemente a la suma de los productos, térmi-
no a término, de los elementos de la columna cB y de la columna de términos
independientes (los bi ), que está al lado derecho.

z = cβ1 b1 + cβ2 b2 + . . . + cβm bm .

Una vez calculados los costos reducidos c̃j , se puede saber si la tabla es
óptima o no. Recordemos que se tiene el óptimo si los costos reducidos c̃j
son no negativos, para todas las variables libres.
Si la tabla no es óptima se escoge la variable que entra a la base (aquella
cuyo coeficiente c̃j sea el menor). Para visualizar mejor, se resalta la columna

78
 8.1. UNA PRIMERA TABLA PARA EL SIMPLEX 79

correspondiente de A, es decir, A
e .

..............................................................................................................................................................................
.. ...
... ...
... ...
... ...
.... ..
.........................................................................................................................................................................................................................................................
... ... ... ... ...
... ... ..
. ... ...
... ... .... .. ..... .....
... ... . ...
... ... ... .... ..... ...
... ... . .... ....
... ... ..
. ... ...
...
...
...
... aie ...
.
.. aij ...
...
...
...
... ... ... .... ...
...
...
...
... ... ..
... ... ...
..
.
..
.
... .....
... ... .
. ...
... ... .. ..... ...
... ... .. .... .... ....
... ... .. ... ..
... ......... ....... ....... ....... .......... ....... ....... ....... ....... ....... ....... ....... ....... ....... .... ....... ....... .....
... ... ..
.
. ... ...
.
. ...
...
...
...
aσe ......
.....
....
..
..
.
.... aσj .
...
...
..
.
....
.......
.

... ........... ....... ....... ....... ......... ....... ....... ....... ....... ....... ....... ....... ....... ......... ....... ....... ....
... ... ... . ... ...
... ... . . .... ....
... ... ... .... ... ...
... ... .. ... ...
... ... .
. ... ...
............................................................................................................................................................................................................................................................
... ...
... ....
... ...
... ...
.... ..
.............................................................................................................................................................................

Los valores del extremo derecho de la tabla bi /aie , son simplemente los
cocientes de los términos independientes bi y los elementos de la columna
resaltada (la columna que entra), cuando éstos son positivos. Cuando los
coeficientes aie son menores o iguales a cero el cociente no se efectúa (y se
puede indicar por un signo x ). La escogencia de la variable básica que sale
xβσ se hace buscando el mı́nimo de los cocientes. De nuevo para visualizar
mejor, se resalta la fila correspondiente.
Si ninguno de los cocientes bi /aie se efectúa, el valor de z no es acotado
(inferiormente).
Para empezar la iteración siguiente únicamente queda por calcular la
nueva tabla, con base en las fórmulas, pero teniendo en cuenta algunas
simplificaciones:

Las columnas de la nueva tabla correspondientes a las nuevas variables

básicas forman la matriz identidad y, por lo tanto, no es necesario hacer
operaciones sino simplemente dar los valores adecuados.

Para el cálculo de la fila σ únicamente hay que dividir todos sus ele-
mentos por el elemento aσe , llamado pivote.

Para los otros valores

akie akσj
ak+1
ij = akij − ,
akσe

79
80 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

es decir, el nuevo valor de aij es igual al antiguo valor menos el pro-

ducto de los dos elementos “resaltadosçorrespondientes, dividido por el
elemento pivote aσe . Los elementos “resaltadosçorrespondientes son:
el elemento de la misma fila de aij (la fila i) que está en la columna de
la variable que entra (la columna e ), es decir, aie , y el elemento de la
misma columna de aij (columna j ) que está en la fila correspondiente
a la variable básica que sale (fila σ ), es decir, aσj .

Es claro que si en la fila resaltada (fila de la variable básica que sale)

hay un elemento nulo, entonces los elementos de esa columna no se alteran
al pasar a la siguiente tabla. De manera semejante, si en la columna resal-
tada (columna de la variable que entra) hay un elemento nulo, entonces los
elementos de esta fila no se alteran al pasar a la siguiente tabla.

Ejemplo 8.1.
min z = −x1 − 1.4x2
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.

Ante todo se colocan en la primera tabla los valores “inmediatos”.

.....................................................................................................................................................................................
.. ...
... ...
... ...
−1 −1.4
...
... 0 0 ...
... 0
... ...
.
.
................................................................................................................................................................................................................................................................
.
.. .. .
... ... ..... .....
... ...
x3 ...
... 0 1 ...
... 1 1 0
...
0 ...
.... 400
...
...
....
... ... ... ...
... ... ... ...
... ... ...
...
...
...
... ... ... ...
... ...
x4 ...
... 0 1 ...
... 2 0 1 0 .....
... 580 .....
...
... ... ... ...
... ... .... ....
... ... ... ...
... ... ...
...
...
...
... ...
x5 0 ...
... 1 ...
... 0 0 0 1 ...
... 300 ...
...
... ... ..... ....
..................................................................................................................................................................................................................................................................
.. ...
... ....
... ...
... ...
...
... ...
...
.........................................................................................................................................................................................

x = (0, 0, 400, 580, 300).

80
 8.1. UNA PRIMERA TABLA PARA EL SIMPLEX 81

Luego se calculan los costos reducidos.

....................................................................................................................................................................................
.... ...
... ...
... ...
−1 −1.4...
... 0 0 ...
...
...
0
... .
..............................................................................................................................................................................................................................................................
.
.
.... .. ... ..
... ... ... ...
x3 ...
...
... 0 1
...
...
... 1 1 0 0
....
...
... 400
....
...
...
... ... ...
...
...
...
... ... ... ...
... ...
... ... ..... .....
... ...
x4 ...
... 0 1 ...
... 2 0 1 0
...
...
.... 580
...
...
....
... ... ... ...
... ... ... ...
... ... ...
...
...
...
... ... ... ...
... ...
x5 0 ...
... 1 ...
... 0 0 0 1 .....
... 300 .....
...
... ... ... ..
...................................................................................................................................................................................................................................................................
... ...
... ...
... ...
−1 −1.4 ...
...
...
0 0 0 ...
...
....
0
.......................................................................................................................................................................................

Se averigua si la tabla es óptima. Si no lo es, se escoge la variable que entra

a la base.

xe = x2 .

.......................................................................................................................................................................................
... ...
... ...
−1 −1.4
...
...
...
0 0 ...
...
...
0
... ...
........................................................................................................................................................................................................................................................................................
... ... ...
.. ... ...
... ... .. ... ...
x3 ...
... 0 1 ...
... 1 .
.... 1 .
.
.
. 0 ...
0 .
.
.... 400 ...
....
... ... ...
... ... . .... ...
... ... ... ..
. ... ...
... ... .. ... ...
... ... .
. ... ...
.
.... ..... .....
x4 ...
...
...
0 1 ...
...
...
2 ... 0
.
..
. 1 0 ...
... 580 ...
...
. . ..
... ... . ....
... ... ... .... ... ...
... ... .. .... ...
... ... . ... ...
...
x5 0 ...
...
...
1 ...
...
...
0 ....
...
0 ....
0 1 .....
.
.....
300 .....
...
...
.... .... ........ ....... ....... .... ..
..............................................................................................................................................................................................................................................................
... ...
... ...
...
...
−1 −1.4 ...
...
0 0 0 ...
.....
0
... ..
....................................................................................................................................................................................

Si en la columna de la variable que entra hay elementos positivos, se efectúan

81
82 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

los cocientes bi /aie para aie > 0.

......................................................................................................................................................................................
.. ..
... ...
... ....
−1 −1.4
...
... 0 0 ...
... 0
... ...
....................................................................................................................................................................................................................................................................................
.
.
.. .. . ..
.... .... ...
.
.
.
. ..... ....
x3 ..
...
... 0 1
..
...
... 1
..
.... 1
.
... 0 0
...
...
.... 400
...
...
.... 400
... ... . .
.. ...
... ... .
. .
. ...
.... . ... ...
... ... . .... ...
... ... .
... ... .. .. ... ...
x4 ...
... 0 1 ...
... 2 ..
.. 0
.
.... 1 0 ..
.
... 580 .....
... 290
... ... .. ..... ...
... ... .. .
. ....
... ... ... .
. .... ...
... ... . ..
. ...
... ... .... ... ...
x5 0 ...
... 1 ...
... 0
...
..
0 . 0 1 ....
... 300 ...
... X
... ... .... ... ..... ....
......................................................................................................................................................................................................................................................................................
... ...
... ....
... ...
−1 −1.4 ...
...
...
0 0 0 ...
...
...
0
.......................................................................................................................................................................................

Se escoge la variable básica que sale.

xβσ = xβ2 ,
xs = x4 .

......................................................................................................................................................................................
... ...
... ...
... ....
−1 −1.4...
...
0 0 ...
...
0
... ..
.......................................................................................................................................................................................................................................................................................
... ... .. ... ...
... ... ... .. .... ....
x3 ...
...
...
0 1 ...
...
...
1 .
.
...
1 .
.
.. 0 0 ...
.
.
.....
400 ...
...
....
400
... ... .. ... ..
... ....... ....... ....... .......... ....... ....... .. ....... ....... ....... ....... ....... ....... ....... ....... .......... ....... ....... .........
... .... . ... ....
... .... ... .
. .
... ..
.. ..........
x4 ...
...
...
0 1 .......
...
.....
2 .
... 0 ..
..
1 0 ...
...
... 580 ......
.. 290
... ..... . ... .....
... .......... ....... ....... ......... ....... ......... ....... ....... ....... ....... ....... ....... ....... ....... .......... ....... ....... ....
... ... .. . ... ...
... ... .. ... ...
x5 0 ...
...
...
1 ...
...
...
0
...
..
0
..
.
. 0 1
...
...
... 300
...
...
... X
... ... .... .. ..... ....
...................................................................................................................................................................................................................................................................................
... ...
... ....
... ...
−1 −1.4 ...
... 0 0 0 ...
...
...
0
...
.....................................................................................................................................................................................

Ahora hay que construir la nueva tabla. En ella se colocan los valores

82
 8.1. UNA PRIMERA TABLA PARA EL SIMPLEX 83

inmediatos. En las columnas 3, 2, 5 debe estar la matriz identidad.

.......................................................................................................................................................................................
... ...
... ...
−1 −1.4
...
...
...
0 0 ...
...
... 0
... ...
..................................................................................................................................................................................................................................................................
... ... ... ...
... ... ... ...
x3 ...
...
...
0 ...
...
...
0 1
...
0
....
...
...
....
...
... ... ...
...
...
...
... ... ... ...
... ... ... ...
... ...
..... .....
x2 −1.4 ...
...
...
...
...
...
1 0 0 ...
...
...
...
... ... .... ....
... ... ... ...
... ... ...
...
...
...
... ... ... ...
x5 0 ...
...
...
...
...
...
0 0 1 ...
.....
...
.....
... ... ... ..
................................................................................................................................................................................................................................................................
... ...
... ...
... ...
...
... 0 0 0 ...
...
...
...
.....................................................................................................................................................................................

Se calculan los demás valores de A y de b. He aquı́ el ejemplo de un cálculo:

(1 × 1)
a211 = 1 − = 1/2.
2

.....................................................................................................................................................................................
... ...
... ....
...
−1 −1.4
...
...
0 0 ...
...
... 0
.... ...
.................................................................................................................................................................................................................................................................
... ... ... ...
... ... ... ...
x3 ...
...
...
0 0.5 ...
...
...
0 1 −0.5 0
...
....
... 110
...
....
...
... ... ...
...
...
...
... ... ... ...
... ... ... ...
... ...
..... .....
x2 −1.4 0.5 ...
...
...
...
...
...
1 0 0.5 0 ...
... 290 ...
...
... ... .... ....
... ... ... ...
... ... ...
...
...
...
... ... ... ...
x5 0
...
...
... 1
...
...
... 0 0 0 1 ...
..... 300 ...
.....
... ... ... ..
................................................................................................................................................................................................................................................................
... ...
... ...
... ...
...
... 0 0 0 −406 ....
...
... ...
......................................................................................................................................................................................

x = (0, 290, 110, 0, 300).

Se calculan los nuevos costos reducidos, se verifica si la tabla es óptima, se

83
84 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

escoge la variable que entra, se escoge la variable que sale, ...

.....................................................................................................................................................................................
.. ...
... .
... ....
−1 −1.4
...
... 0 0 ....
... 0
... ...
. .
..............................................................................................................................................................................................................................................................................................................................................................................................
.
. ... .....
.... ....... ... ... ..
... ...... . ... ......
x3 ...
... 0 0.5 .....
...... 0 ..
.. 1 −0.5 0 ....
... 110 .....
... 220
... ...... .. .......
... ........... ....... .......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ........... ....... ....... ......
... ..... . ... ...
... ... .. ... ...
... ....... .. .... ....
x2 −1.4 0.5 ...
...
....
..... 1 ... 0 0.5 0 ...
... 290 ...
... 580
... ..... . .... ....
... ... .. ... ...
... ...... .. ... ...
... .... ...
...
...
...
... ..... ...
x5 0 ...
... 1 ......
... 0 .
.. 0 0 1 ...
..... 300 ...
..... 300
... ...... .. ... ..
..........................................................................................................................................................................................................................................................................................
.. ....
... ...
... ...
−0.3 ...
...
...
0 0 0.7 0 −406
...
....
...
... ..
...................................................................................................................................................................................

xe = x1 ,
xβσ = xβ1 ,
xs = x3 .
.....................................................................................................................................................................................
.... ...
... ....
−1 −1.4
...
...
...
0 0 ....
...
...
0
.. .
.................................................................................................................................................................................................................................................................
.
.... .... ... ...
... ... ..... .....
x1 ...
... −1 1 ...
... 0 2 −1 0
...
... 220 ...
...
... ... .... ....
... ... ... ...
... ... ... ...
... ... ...
...
...
...
... ...
x2 −1.4 ...
... 0 ...
... 1 −1 1 0
...
..... 180
...
.....
... ... ... ...
... ... ... ...
... ... .... ....
... ... ... ...
... ... ... ...
x5 0 ...
...
...
0 ...
...
...
0 −2 1 1
...
...
... 80
...
...
...
.... .... ..... ...
..............................................................................................................................................................................................................................................................
... ...
... ....
...
0 ...
...
0 0.6 0.4 0 −472 ...
...
...
... ...
....................................................................................................................................................................................

x∗ = (220, 180, 0, 0, 80).

Como los costos reducidos c̃3 , c̃4 ≥ 0, entonces el x obtenido es óptimo; este
x∗ es óptimo único ya que c̃3 , c̃4 > 0; el valor óptimo de la función objetivo
es z ∗ = −472. 3
Ejemplo 8.2.
min z = x5 + x6
x1 + 2x2 − x3 + x5 = 4
5x1 + 2x2 − x4 + x6 = 12
x ≥ 0.

84
 8.1. UNA PRIMERA TABLA PARA EL SIMPLEX 85

En este ejemplo también se puede aplicar directamente el método simplex,

ya que b ≥ 0 y, además, con las columnas quinta y sexta se tiene la matriz
identidad.

...........................................................................................................................................................................................................................
... ...
... ...
...
...
...
0 0 0 0 1 ...
...
...
1
... ...
.............................................................................................................................................................................................................................................................................................................................
... ..... ... ...
... ...... .... ... ...
x5 ...
... 1 1 ...
...... 2 .. −1 0 1 ...
.... 0 ...
.... 4 4
... .... .. ... ...
... .... . .
. ..
... ...... ....... ....... ......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ............ ....... ....... .........
... ...... ... ...
... .... .... ... ......
x6 ...
1
... 5 .....
...... 2 .
0 −1 0 ....
1 ...
......
.. 12 2.4
... .... ... .. .......
.... ............. ....... ........ ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ............ ....... .............
................................................................................................................................................................................................................................................................................................
... ...
... ...
...
...
−6 ...
...
−4 1 1 0 0 ...
.....
16
... ..
........................................................................................................................................................................................................................

x = (0, 0, 0, 0, 4, 12),
xe = x1 ,
xβσ = xβ2 ,
xs = x6 .

.........................................................................................................................................................................................................................
... ...
... ...
... ....
...
...
0 0 0 0 1 1 ...
...
... ...
...........................................................................................................................................................................................................................................................................................................................................................................................................................................
.
.
.... .... ..
.
..
. ... ...
... ..... .... ...
........
x5 ...
...
...
1 0....
......
...
1.6
...
.. −1 ...
.
.
0.2 1 −0.2 1.6
...
...
.
. .
.
...
..
1
... ...... ... .... .... .......
... .......... ....... ....... ........ ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ........... ....... ....... ....
... ... .. ... ... ...
... ... .. . ... ...
... ...
x1 ...
...0
... 1
...
...
... 0.4 .... 0
.
.... −0.2 0 0.2 .....
...2.4 .....
... 6
... ... ... ... ... ..
.....................................................................................................................................................................................................................................................................................................................
... ...
... ...
... ...
0 ...
... −1.6 1 −0.2 0 1.2 1.6 ...
...
... ....
..........................................................................................................................................................................................................................

x = (2.4, 0, 0, 0, 1.6, 0),

xe = x2 ,
xβσ = xβ1 ,
xs = x5 .

85
86 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

.........................................................................................................................................................................................................................
... ...
... ...
... ....
0
...
...
0 0 0 1 1 ...
...
... ...
..................................................................................................................................................................................................................................................................................................
.
.
.... .. ... ..
... ... .... ....
x2 ...
...
... 0 0
...
...
... 1 −5/8 1/8 5/8 −1/8 ...
...
.... 1
...
...
....
... ... ... ...
... ... ... ...
... ... ...
...
...
...
... ... ... ...
... ...
x1 0
...
... 1 ...
... 0 1/4 −1/4 −1/4 1/4 .....
... 2 .....
...
... ... ... ..
.......................................................................................................................................................................................................................................................................................................
... ...
... ...
... ...
0 ...
...
...
0 0 0 1 1 ...
...0
....
..........................................................................................................................................................................................................................

x∗ = (2, 1, 0, 0, 0, 0).
Esta solución básica realizable es óptima puesto que todos los costos redu-
cidos de variables libres son no negativos. Como, además, algunos de éstos
son nulos y la solución no es degenerada, entonces se puede afirmar que hay
un número infinito de soluciones óptimas para este problema. 3

8.2. Una tabla más compacta para el simplex

La tabla del método simplex se puede ver de otra manera, muy semejan-
te, pero con la diferencia de que hay menos fórmulas para pasar de una tabla
a la siguiente. Las pequeñas diferencias se basan en los siguientes hechos:
Se puede demostrar que los costos reducidos de la tabla k + 1 se pueden
calcular directamente a partir de los costos reducidos de la tabla k, mediante
la siguiente fórmula:
c̃ke akσj
c̃k+1
j = c̃k
j − .
akσe
Como se veı́a en el capı́tulo 7 , el nuevo valor de z se puede calcular direc-
tamente mediante la siguiente fórmula:

c̃ke bkσ
z k+1 = z k + ,
akσe
o también:
c̃ke bkσ
−z k+1 = −z k − .
akσe
Si se supone que los costos reducidos forman la fila m + 1, que el valor de −z
es el elemento en la posición (m + 1, n + 1) y que los términos independientes

86
 8.2. UNA TABLA MÁS COMPACTA PARA EL SIMPLEX 87

de las igualdades hacen parte de la columna n + 1, entonces se tiene una

matriz Âk de tamaño (m + 1) ×(n + 1) con la siguiente estructura:
 
ak11 ak12 ... ak1n bk1
 ak21 ak22 ... ak2n bk2 
 
 .. .. .. .. .. 
Âk =  . . . . . 
 k 
 am1 akm2 . . . akmn bkm 
c̃k1 c̃k2 . . . c̃kn −z k

Ası́ las fórmulas para calcular bk+1

i , c̃k+1
j , −z k+1 se convierten en:

akie akσ,n+1
ak+1 k
i,n+1 = ai,n+1 − , i = 1, . . . , m,
akσe
akm+1,e akσj
ak+1
m+1,j = akm+1,j − , j = 1, . . . , n,
akσe
akm+1,e akσ,n+1
ak+1
m+1,n+1
k
= am+1,n+1 − .
akσe

Esto quiere decir que las fórmulas del capı́tulo 7 son válidas también para
i = m + 1 y para j = n + 1.

akie akσj
ak+1
ij = akij − , i = 1, ..., m + 1, i 6= σ, j = 1, ..., n + 1,
akσe
akσj
ak+1
σj = , j = 1, ..., n + 1.
akσe

Mediante estas fórmulas se calculan todos los elementos para pasar de la

tabla k a la tabla k + 1.
Queda por ver cómo se construye la primera tabla Â1 . Esta se puede
construir utilizando las fórmulas para calcular los primeros costos reducidos
y el valor de −z, o bien se puede obtener a partir de la construcción de una
tabla inicial Â0 donde estén A, b, los costos cj y el valor de −z = 0.
 
a11 a12 ... a1n b1
 a21 a22 ... a2n b2 
 
0  .. .. .. .. .. 
 =  . . . . . 
 
 am1 am2 . . . amn bm 
c1 c2 . . . cn 0

87
88 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

Para pasar de Â0 a Â1 basta con efectuar operaciones elementales sobre las
filas de Â0 de tal manera que en la fila m+1 se obtenga el valor cero para las
variables básicas, es decir, se obtiene ası́, al mismo tiempo, en la fila m + 1
los costos reducidos c̃j y el valor de −z.
Una convención muy utilizada es resaltar el elemento pivote aσe , ence-
rrándolo entre un cı́rculo o un cuadrado, mostrando con esto al mismo tiem-
po la columna de la variable que entra y la fila de la variable básica que
sale.
Ejemplo 8.3. Consideremos los mismos datos del ejemplo 8.2:
min z = x5 + x6
x1 + 2x2 − x3 + x5 = 4
5x1 + 2x2 − x4 + x6 = 12
x ≥ 0.
 
1 2 −1 0 1 0 4
Â0 =  5 2 0 −1 0 1 12 
0 0 0 0 1 1 0
La columnas que forman la matriz identidad 2×2 son la quinta y la sexta, en-
tonces hay que buscar, mediante operaciones elementales entre filas, el valor
cero en las posiciones (3,5) y (3,6). Esto se obtiene fácilmente sustrayendo
de la tercera fila una vez la primera fila y una vez la segunda fila.
 
x5 1 2 −1 0 1 0 4
Â1 : x6  5 2 0 −1 0 1 12 
−z −6 −4 1 1 0 0 −16

x = (0, 0, 0, 0, 4, 12),
z = 16.

xe = x1 ,
xβσ = xβ2 ,
xs = x6 .
Un ejemplo del cálculo de los costos reducidos en la segunda tabla es:
a131 a124
a234 = a134 − ,
a121
(−6)(−1)
a234 =1− = −0.2.
5

88
 8.2. UNA TABLA MÁS COMPACTA PARA EL SIMPLEX 89

 
x5 0 1.6 −1 0.2 1 −0.2 1.6
Â2 : x1  1 0.4 0 −0.2 0 0.2 2.4 
−z 0 −1.6 1 −0.2 0 1.2 −1.6

x = (2.4, 0, 0, 0, 1.6, 0),

z = 1.6.

xe = x2 ,
xβσ = xβ1 ,
xs = x5 .
 
x2 0 1 −5/8 1/8 5/8 −1/8 1
Â3 : x1  1 0 1/4 −1/4 −1/4 1/4 2 
−z 0 0 0 0 1 1 0

x∗ = (2, 1, 0, 0, 0, 0),
z ∗ = 0. 3

Los costos reducidos c̃j son denotados frecuentemente como cj − zj o

también zj − cj (dependiendo de la convención utilizada). También es muy
frecuente colocar la fila de costos reducidos como primera fila, es decir,
encima de las filas de A.

Ejemplo 8.4. Consideremos los mismos datos del ejemplo 8.1 , la matriz
inicial Â0 es:
 
1 1 1 0 0 400
 1 2 0 1 0 580 
Â0 = 

1 0 0 0 1 300 
−1.0 −1.4 0 0 0 0

Las variables básicas son x3 , x4 , x5 . En la cuarta fila se tiene el valor cero

para estas columnas, o sea, ya se tienen los costos reducidos, es decir, en
este caso la matriz Â1 es igual a la matriz Â0 .
 
x3 1 1 1 0 0 400
x4 
 1 2 0 1 0 580 

Â1 :
x5  1 0 0 0 1 300 
−z −1.0 −1.4 0 0 0 0

89
90 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

x = (0, 0, 400, 580, 300),

z = 0.

xe = x2 ,
xβσ = xβ2 ,
xs = x4 .
 
x3 1/2 0 1 −1/2 0 110
 
x2  1/2 1 0 1/2 0 290 
Â2 :  
x5  1 0 0 0 1 300 
−z −3/10 0 0 7/10 0 406

x = (0, 290, 110, 0, 300),

z = −406.

xe = x1 ,
xβσ = xβ1 ,
xs = x3 .
 
x1 1 0 2 −1 0 220
x2 
 0 1 −1 1 0 180 

Â3 :
x5  0 0 −2 1 1 80 
−z 0 0 3/5 2/5 0 472

x∗ = (220, 180, 0, 0, 80).

z ∗ = −472. 3

EJERCICIOS

En los ejercicios 8.1 a 8.6 convierta el problema a la forma estándar. Si

se cumplen las condiciones, aplique el método simplex hasta encontrar
el óptimo, o hasta saber que no hay óptimo acotado.
8.1. Minimizar z = −1.1x1 − 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +
3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.
8.2. Minimizar z = 4x1 +3x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤
4, x ≥ 0.

90
 8.2. UNA TABLA MÁS COMPACTA PARA EL SIMPLEX 91

8.3. Minimizar z = x5 con las restricciones x1 + x2 − x3 + x5 = 12, 5x1 −

2x2 + x4 = 4, x ≥ 0.

8.4. Minimizar z = 4x1 + 3x2 con las restricciones x2 − 5x3 − x4 = 8,

x1 − 2.5x3 + x4 = 4, x ≥ 0.

8.5. Minimizar z = 4x1 − 3x2 con las restricciones x2 − 5x3 − x4 = 8,

x1 − 2.5x3 + x4 = 4, x ≥ 0.

8.6. Minimizar z = −1.1x1 − 1.1x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

91
92 CAPÍTULO 8. TABLAS DEL MÉTODO SIMPLEX

92
Capı́tulo 9

MÉTODO DE LAS DOS

FASES

9.1. Problema artificial

Para poder utilizar el método simplex se requiere tener términos inde-

pendientes no negativos (b ≥ 0) y, además, poder obtener la matriz identidad
escogiendo adecuadamente m columnas de la matriz A. Esto no sucede con
frecuencia, pero se puede obviar este inconveniente mediante el siguiente
artificio.
Introducir tantas variables como se necesiten para que con las columnas
correspondientes se obtengan las columnas faltantes de la matriz identidad.
Estas se llaman variables artificiales y como han sido forzadas a hacer
parte de igualdades su valor deberı́a ser cero.
Con estas variables artificiales se obtiene una solución básica factible
de un problema artificial, pero no del problema real. Para obligar a estas
variables artificiales a anularse, en una primera fase, se minimiza una función
objetivo artificial cuyo valor es la suma de las variables artificiales.
Si al obtener el óptimo de la función objetivo artificial, éste no es cero,
es decir, en el óptimo artificial alguna(s) variable(s) artificial(es) no es(son)
nula(s), entonces el problema no tiene solución, es decir, no hay puntos
factibles.
En el mejor de los casos al obtener el óptimo de la función objetivo arti-
ficial todas las variables artificiales son libres (todas son nulas), se habrá ob-

93
94 CAPÍTULO 9. MÉTODO DE LAS DOS FASES

tenido ası́ una solución factible básica con variables básicas no artificiales.
Esto permite utilizar el método simplex con la función objetivo original,
suprimiendo las columnas correspondientes a todas las variables artificiales
(libres y nulas). Esta es la segunda fase.
Si en la primera fase (minimización de la función objetivo artificial) se
desea disminuir el número de cálculos, se puede, en cada iteración, eliminar
la columna correspondiente a la variable que sale (variable básica que se
vuelve libre, nula ) si ésta es artificial.
De todas maneras hay que evitar en la primera fase y en la segunda fase,
que las variables artificiales libres vuelvan a ser básicas.

Ejemplo 9.1.
min z = 3x1 + 10x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Introduciendo variables de holgura se tiene:

min z = 3x1 + 10x2

x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x ≥ 0.

En este caso no se tiene la matriz identidad y es necesario introducir dos va-

riables artificiales: x5 , x6 para formar con sus columnas la matriz identidad
de tamaño 2 × 2.

Primera fase:

min za = x5 + x6
x1 + 2x2 − x3 + x5 = 4
5x1 + 2x2 − x4 + x6 = 12
x ≥ 0.

Estos datos de la primera fase corresponden exactamente a los ejemplos

8.2 y 8.3 resueltos anteriormente, con la única salvedad de que se hubieran
podido suprimir las columnas quinta y sexta a medida que salı́an de la
base. Entonces la tabla óptima de la primera fase, habiendo suprimido las
columnas de las variables artificiales que se volvieron libres (x5 y x6 ) es la

94
 9.1. PROBLEMA ARTIFICIAL 95

siguiente:  
x2 0 1 −5/8 1/8 1
Â3 : x1  1 0 1/4 −1/4 2 
−za 0 0 0 0 0

x = (2, 1, 0, 0),
za = 0.

Como todas las variables artificiales son nulas, entonces el problema sı́ tiene
soluciones factibles; además, se tiene ahora la matriz identidad con variables
no artificiales.

Segunda Fase:

Ahora es necesario colocar en esta tabla los coeficientes de la verdadera

función objetivo:  
x2 0 1 −5/8 1/8 1
x1  1 0 1/4 −1/4 2 
3 10 0 0 0
En la última fila deberı́an aparecer los costos reducidos, en particular el
valor cero para las variables básicas (la segunda y la primera); esto no se
tiene, pero se puede conseguir fácilmente al sustraer de la tercera fila tres
veces la segunda fila y diez veces la primera fila.
 
x2 0 1 −5/8 1/8 1
 
x1  1 0 1/4 −1/4 2 
−z 0 0 11/2 −1/2 −16

z = 16,
xe = x4 ,
xβσ = xβ1 ,
xs = x2 .
 
x4 0 8 −5 1 8
x1  1 2 −1 0 4 
−z 0 4 3 0 −12

x∗ = (4, 0, 0, 8),
z ∗ = 12.

95
96 CAPÍTULO 9. MÉTODO DE LAS DOS FASES

Puesto que los costos reducidos son positivos, entonces el punto extremo
obtenido es la única solución óptima. 3

Ejemplo 9.2.
min z = 3x1 + 4x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.

La primera fase es exactamente la misma del ejemplo anterior. La diferencia

está en la fila de costos al empezar la segunda fase.
 
x2 0 1 −5/8 1/8 1
x1  1 0 1/4 −1/4 2 
3 4 0 0 0

A la tercera fila hay que restarle tres veces la segunda y cuatro veces la
primera fila para obtener los costos reducidos.
 
x2 0 1 −5/8 1/8 1
x1  1 0 1/4 −1/4 2 
−z 0 0 7/4 1/4 −10

x∗ = (2, 1, 0, 0),
z ∗ = 10.

El punto óptimo es único. En este ejemplo se obtuvo directamente el punto

óptimo al finalizar la primera fase. 3

9.2. Conjunto no factible

Ejemplo 9.3.
min z = 3x1 + 4x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x1 + x2 ≤ 1
x ≥ 0.

96
 9.2. CONJUNTO NO FACTIBLE 97

Introduciendo variables de holgura:

min z = 3x1 + 4x2
x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x1 + x2 + x5 = 1
x ≥ 0.
Como no se tiene la matriz identidad de tamaño 3×3 es necesario introducir
dos variables artificiales x6 , x7 .

Primera fase
min za = x6 + x7
x1 + 2x2 − x3 + x6 = 4
5x1 + 2x2 − x4 + x7 = 12
x1 + x2 + x5 = 1
x ≥ 0.
 
x6 1 2 −1 0 0 1 0 4
x7 
 5 2 0 −1 0 0 1 12  
Â0 :
x5  1 1 0 0 1 0 0 1 
0 0 0 0 0 1 1 0
Para obtener los costos reducidos en la cuarta fila es necesario restarle una
vez la primera fila y una vez la segunda fila.
 
x6 1 2 −1 0 0 1 0 4

x7  5 2 0 −1 0 0 1 12 
Â1 : 
x5  1 1 0 0 1 0 0 1 
−za −6 −4 1 1 0 0 0 −16

xa = (0, 0, 0, 0, 1, 4, 12),
za = 16,

xe = x1 ,
xβσ = xβ3 ,
xs = x5 .
 
x6 0 1 −1 0 −1 1 0 3
x7  0 −3 0 −1 −5 0 1 7 

Â2 :
x1  1 1 0 0 1 0 0 1 
−za 0 2 1 1 6 0 0 −10

97
98 CAPÍTULO 9. MÉTODO DE LAS DOS FASES

x∗a = (1, 0, 0, 0, 0, 3, 7),

za∗ = 10.

Aquı́ se tiene el óptimo de la función objetivo artificial, con variables artifi-

ciales no nulas (x6 = 3, x7 = 7), esto quiere decir que el problema original
no tiene solución, es decir, no hay puntos que cumplan todas las restriccio-
nes. El anterior ejemplo es exactamente el 3.7 resuelto mediante el método
gráfico. 3

En resumen, para resolver el siguiente problema de OL con variables no

negativas y con restricciones ≤, =, o ≥,

min z = cT x
Ai
x S bi , i = 1, ..., m,
x≥0

el esquema general es el siguiente:

datos: : c, A, b, tipos de restricciones

modificar restricciones para que bi ≥ 0, ∀i
introducir variables de holgura
si B 6= I
introducir variables artificiales
resolver la primera fase
si za∗ > 0
z ∗ = +∞, es decir, F = ∅
parar
fin-si
fin-si
F 6= ∅
resolver segunda fase
en el resultado final hay dos posibilidades:
z ∗ es finito
z ∗ = −∞

En la primera fase, cuando es necesaria, siempre za∗ ≥ 0, es decir, nunca se

da que za∗ = −∞. Si se puede llegar a la segunda fase, entonces no es posible
que z ∗ = +∞.

98
 9.2. CONJUNTO NO FACTIBLE 99

EJERCICIOS

En los ejercicios 9.1 a 9.7 convierta el problema a la forma estándar.

Aplique el método simplex o el método de las dos fases.

9.1. Minimizar z = −x1 − 0.1x2 con las restricciones x1 + x2 ≤ 4, x2 ≥ 2,

x1 + 2x2 ≤ 6, x ≥ 0.

9.2. Minimizar z = 1.1x1 + 1.2x2 + 1.3x3 + 1.4x4 con las restricciones x3 +

x4 ≥ 1, x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x ≥ 0.

9.3. Minimizar z = 8x1 + 4x2 + 2x3 + x4 con las restricciones x3 + x4 ≥ 1,

x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x ≥ 0.

9.4. Minimizar z = 8x1 + 4x2 + 2x3 + x4 con las restricciones x3 + x4 ≥ 1,

x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x1 + x2 + x3 + 2x4 ≤ 1, x ≥ 0.

9.5. Minimizar z = 10x1 + 11x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x ≥ 0.

9.6. Minimizar z = 10x1 + 25x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x ≥ 0.

9.7. Minimizar z = 10x1 + 25x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x1 + x2 ≤ 4, x ≥ 0.

99
100 CAPÍTULO 9. MÉTODO DE LAS DOS FASES

100
Capı́tulo 10

CASOS ESPECIALES DEL

MÉTODO SIMPLEX

10.1. Óptimo no acotado

En un problema real generalmente no se presenta un óptimo no acotado,

pues es casi imposible aumentar sin lı́mite las ganancias o disminuir de
manera indefinida los costos. Lo que sı́ puede haber sucedido es que no
se tuvo en cuenta alguna restricción. Sin embargo, es útil poder hacer el
análisis del caso de óptimo no acotado.
A partir de la última tabla del método simplex, cuando el óptimo no es
acotado, se puede obtener, de manera inmediata, una dirección del conjunto
de puntos factibles, a lo largo de la cual la función objetivo disminuye inde-
finidamente. Para esto basta con tomar B = I y considerar como columna
A
k la columna correspondiente a la variable que entra, en la cual no hay
ningún elemento positivo:

BdB = −A
k , entonces

dB = −A
k ≥ 0,
dk = 1,
dj = 0 en los demás casos.

Se puede mostrar, además, que el valor cT d está dado exactamente por el

costo reducido de la variable que entra c̃e .

101
102 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

Ejemplo 10.1.
min z = −10x1 − 8x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Introduciendo variables de holgura se tiene:
min z = −10x1 − 8x2
x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x ≥ 0.
Como no se tiene la matriz identidad es necesario introducir dos variables
artificiales, x5 y x6 . La primera fase para este problema es exactamente la
misma del ejemplo 9.1 y ası́ en el óptimo de la primera fase se tiene:
 
x2 0 1 −5/8 1/8 1
Â3 : x1  1 0 1/4 −1/4 2  .
−za 0 0 0 0 0
Colocando los costos originales
 
x2 0 1 −5/8 1/8 1
Âk : x1  1 0 1/4 −1/4 2  .
−10 −8 0 0 0
Calculando los costos reducidos
 
x2 0 1 −5/8 1/8 1
 
Âk : x1  1 0 1/4 −1/4 2  ,
−z 0 0 −5/2 −3/2 28

x = (2, 1, 0, 0),
z = −28,
xe = x3 ,
xβσ = xβ2 ,
xs = x1 .
 
x2 5/2 1 0 −1/2 6
Âk : x3  4 0 1 −1 8  ,
−z 10 0 0 −4 48

102
 10.2. CONJUNTO DE PUNTOS ÓPTIMOS INFINITO Y ACOTADO 103

x = (0, 6, 8, 0),
z = −48,
xe = x4

En este caso, al buscar cuál variable sale de la base, se observa que no

hay coeficientes ai4 positivos, esto quiere decir que, cuando x4 aumenta,
ninguna de las variables básicas disminuye, entonces no hay restricciones
que impidan que x4 aumente indefinidamente, disminuyendo ası́ el valor de
la función objetivo también indefinidamente. Se dice entonces que el óptimo
no es acotado.
· ¸ · ¸ · ¸
d2 −1/2 1/2
dB = =− = ,
d3 −1 1

d4 = 1,
dj = 0 en los demás casos,
d = (0, 1/2, 1, 1),
T
c d = c̃e = c̃4 = −4.

Es decir, los puntos de la forma

x + µd = (0, 6, 8, 0) + µ(0, 1/2, 1, 1), µ ≥ 0,

son puntos factibles para los cuales la función objetivo vale

z = −48 + µ(−4), µ ≥ 0. 3

10.2. Conjunto de puntos óptimos infinito y aco-

tado

Este caso se presenta cuando hay más de un punto extremo óptimo, y

para todas las direcciones extremas (si las hay) cT d > 0.
Si en la tabla óptima del simplex el punto extremo óptimo no es dege-
nerado, y una variable libre tiene costo reducido nulo, y su columna tiene
algún elemento positivo, entonces con seguridad se puede obtener otro punto
extremo óptimo, entrando esa variable libre a la base. Si el punto extre-
mo óptimo es degenerado, entonces no hay seguridad de obtener otro punto
extremo óptimo.

103
104 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

Ejemplo 10.2.
min z = 8x1 + 16x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Estas restricciones son exactamente las mismas del ejemplo anterior. Enton-
ces es necesario introducir dos variables de holgura, dos variables artificiales,
efectuar la primera fase y colocar los costos originales.
 
x2 0 1 −5/8 1/8 1
Âk : x1  1 0 1/4 −1/4 2  .
8 16 0 0 0

Calculando los costos reducidos

 
x2 0 1 −5/8 1/8 1
Âk : x1  1 0 1/4 −1/4 2 ,
−z 0 0 8 0 −32

x∗ = (2, 1, 0, 0),
z ∗ = 32.

Como el costo reducido de la variable libre x4 es nulo y, además, la solución

básica no es degenerada, entonces se puede afirmar que hay un número
infinito de soluciones óptimas.
La tabla del método simplex permite en este caso encontrar otro punto
extremo óptimo. Como la variable libre x4 tiene costo reducido nulo, enton-
ces al incrementar el valor de esta variable, entrándola a la base, el valor de
z = 32, que es óptimo, no se modifica, y entonces sigue siendo óptimo. Ası́ se
obtiene otro punto extremo óptimo. Efectuando combinaciones convexas de
puntos extremos óptimos se obtienen puntos óptimos.

xe = x4 ,
xβσ = xβ1 ,
xs = x2 .
 
x4 0 8 −5 1 8
Âk : x1  1 2 −1 0 4 ,
−z 0 0 8 0 −32

104
 10.3. CONJUNTO DE PUNTOS ÓPTIMOS NO ACOTADO 105

x∗ = (4, 0, 0, 8), es otro punto extremo óptimo.

z ∗ = 32 (¡obviamente!).
Las observaciones sobre la penúltima tabla son también válidas para la tabla
anterior. Para obtener otro punto extremo óptimo se entrarı́a a la base la
variable x2 y saldrı́a la variable x4 . Al hacer las operaciones correspondientes
se tendrı́a de nuevo la penúltima tabla.
En este sencillo ejemplo únicamente hay dos puntos extremos óptimos.
Sus combinaciones convexas dan todos los puntos óptimos.
x∗ = (2 + 2λ, 1 − λ, 0, 8λ), λ ∈ [0, 1]. 3

10.3. Conjunto de puntos óptimos no acotado

Este caso se presenta cuando el valor de z es acotado, es decir, hay

óptimo finito, pero hay por lo menos una dirección extrema tal que cT d = 0.
Si en la tabla óptima del simplex hay una variable libre con costo redu-
cido nulo y su columna no tiene ningún elemento positivo, entonces al tratar
de entrar la variable libre de costo reducido nulo, no se puede escoger una
variable que salga de la base. Esto permite obtener fácilmente una dirección
extrema tal que cT d = 0.
Ejemplo 10.3.
min z = 7x1
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Estas restricciones son exactamente las mismas del ejemplo anterior. Enton-
ces es necesario introducir dos variables de holgura, dos variables artificiales,
efectuar la primera fase. En seguida hay que colocar los costos originales.
 
x2 0 1 −5/8 1/8 1
Âk : x1  1 0 1/4 −1/4 2  .
7 0 0 0 0
Calculando los costos reducidos
 
x2 0 1 −5/8 1/8 1
 
Âk : x1  1 0 1/4 −1/4 2 ,
−z 0 0 −7/4 7/4 −14

105
106 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

x = (2, 1, 0, 0),
z = 14,
xe = x3 ,
xβσ = xβ2 ,
xs = x1 .
 
x2 5/2 1 0 −1/2 6
Âk : x3  4 0 1 −1 8  ,
−z 7 0 0 0 0

x∗ = (0, 6, 8, 0),
z ∗ = 0,
xe = x4 .

La variable libre x4 tiene costo reducido nulo y, como la solución no es

degenerada, entonces hay infinitos puntos óptimos. Para tratar de encontrar
más puntos extremos óptimos habrı́a que tratar de entrar la variable x4 a la
base. Sin embargo, no hay ningún elemento positivo en la cuarta columna,
esto quiere decir que no se puede escoger cuál variable sale de la base. Ası́ se
puede obtener una dirección d, a lo largo de la cual el valor de z no se
modifica y, por lo tanto, sigue siendo óptimo.
· ¸ · ¸ · ¸
d2 −1/2 1/2
dB = =− = ,
d3 −1 1

d4 = 1,
dj = 0 en los demás casos,
d = (0, 1/2, 1, 1),
T
c d = c̃e = c̃4 = 0.

Es decir los puntos de la forma

x∗ + µd = (0, 6, 8, 0) + µ(0, 1/2, 1, 1), µ ≥ 0,

son puntos óptimos para los cuales la función objetivo vale

z ∗ = 0 + µ(0), µ ≥ 0,
z ∗ = 0. 3

106
 10.4. VARIABLES ARTIFICIALES BÁSICAS NULAS 107

10.4. Variables artificiales básicas nulas

Un caso particular se presenta cuando se llega al óptimo de la prime-

ra fase con todas las variables artificiales nulas, pero algunas de ellas son
todavı́a básicas. Esto significa dos cosas importantes, la primera es que el
problema sı́ tiene solución, es decir, sı́ tiene puntos que cumplan todas las
restricciones, la segunda es que no se tiene la matriz identidad con variables
no artificiales, ya que algunas variables artificiales son todavı́a básicas.

En este caso hay dos posibilidades:

la primera consiste en pasar a la segunda fase con las variables arti-

ficiales básicas nulas, dándoles un costo nulo para la función objetivo
original, con la condición de no volverlas a dejar entrar a la base, si en
algún momento se vuelven libres (por ejemplo, suprimiendo la columna
correspondiente al salir una variable artificial nula de la base).

la segunda consiste en sacar primero las variables artificiales nulas de

la base, para empezar la segunda fase con todas las variables básicas no
artificiales. En esta opción, después de haber suprimido las columnas
de las variables artificiales libres, para cada variable artificial básica
nula xj , se puede presentar uno de los dos casos siguientes:

• en la fila correspondiente a xj todos los coeficientes son nulos,

salvo el de la misma variable xj cuyo valor es uno. Esto quiere
decir que la fila expresa la siguiente igualdad: xj = 0. Lo anterior
es cierto, pero no tiene ninguna información adicional, luego esta
fila se puede suprimir. Se reduce ası́ el número de restricciones y
el orden de la matriz identidad en una unidad.
• en la misma fila, aparte del coeficiente uno para la misma variable,
hay otros coeficientes no nulos. En este caso mediante operacio-
nes elementales (“pivoteando”sobre uno de estos coeficientes no
nulos), se puede entrar a la base una variable no artificial y sacar
esta variable artificial nula. Entre las variables con coeficiente
no nulo en esta fila, se escoge la que entra a la base mediante uno
de los siguientes criterios:
◦ cualquier variable.
◦ aquella variable con costo menor.

107
108 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

◦ aquella variable con coeficiente dominante (el mayor en valor

absoluto), para buscar precisión numérica, ya que este coe-
ficiente va a ser utilizado como divisor. Este es uno de los
pocos casos donde el pivote puede ser negativo.

Ejemplo 10.4.
min z = 4x1 + 2x2 + 5x3
x1 + x2 + x3 = 3
x1 + 2x2 + 3x3 = 6
4x1 + 5x2 + 6x3 = 15
x ≥ 0.

Introduciendo 3 variables artificiales x4 , x5 , x6 , la tabla inicial de la primera

fase es la siguiente:
 
x4 1 1 1 1 0 0 3
x5 
 1 2 3 0 1 0 6 .
Â0 :
x6  4 5 6 0 0 1 15 
0 0 0 1 1 1 0

La tabla óptima de la primera fase, después de suprimir las columnas de las

variables artificiales libres x4 , x5 es la siguiente:
 
x1 x2 x3 x6
x1  1 0.5 0 0 1.5 

Â3
: x3  0 0.5 1 0 1.5 
.
x6  0 0 0 1 0 
−za 0 0 0 0 0

En este caso todas las variables artificiales son nulas, luego hay puntos fac-
tibles. Pero hay una variable artificial nula en la base: x6 . Si se escoge la
opción de ir directamente a la segunda fase, entonces se coloca la fila de
costos originales:
 
x1 x2 x3 x6
x1 
 1 0.5 0 0 1.5 

 k
: x3 
 0 0.5 1 0 1.5 
.
x6  0 0 0 1 0 
4 2 5 0 0

108
 10.4. VARIABLES ARTIFICIALES BÁSICAS NULAS 109

Calculando costos reducidos:

 
x1 x2 x3 x6
x1 
 1 0.5 0 0 1.5 

Âk : x3 
 0 0.5 1 0 1.5 ,

x6  0 0 0 1 0 
−z 0 −2.5 0 0 −13.5

x = (1.5, 0, 1.5, 0),

z = 13.5,
xe = x2 ,
xβσ = xβ1 ,
xs = x1 .
 
x1 x2 x3 x6

x2  2 1 0 0 3 

 k
: x3 
 −1 0 1 0 0 ,

x6  0 0 0 1 0 
−z 5 0 0 0 −6

x∗ = (0, 3, 0),
z ∗ = 6.
Si en este mismo ejemplo se busca quitar las variables artificiales nulas de
la base, antes de pasar a la segunda fase, hay que sacar a x6 de la base.
Veamos que pasa con la fila correspondiente, es decir, la tercera fila de la
última tabla de la primera fase. Esta fila indica simplemente que x6 = 0,
luego se puede suprimir sin ninguna pérdida de información.
En este caso, desde el principio habı́a una restricción redundante. Se
puede ver, por ejemplo, que la tercera restricción es simplemente la suma de
tres veces la primera y una vez la segunda. Sin embargo, en general, es dis-
pendioso, difı́cil o casi imposible averiguar si hay restricciones redundantes.
Más aún, cuando se plantea un problema es preferible escribir restricciones,
que de pronto podrı́an ser redundantes, que pecar por ausencia de restric-
ciones.
El problema queda entonces con dos restricciones. Al colocar los costos
de la función objetivo real se tiene:
 
x1 1 1/2 0 1.5
x3  0 1/2 1 1.5  .
4 2 5 0

109
110 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

Calculando costos reducidos:

 
x1 1 0.5 0 1.5
Âk = x3  0 0.5 1 1.5  ,
−z 0 −2.5 0 −13.5

x = (1.5, 0, 1.5),
z = 13.5,
xe = x2 ,
xβσ = xβ1 ,
xs = x1 .

 
x2 2 1 0 3
Âk = x3  −1 0 1 0 ,
−z 5 0 0 −6

x∗ = (0, 3, 0),
z ∗ = 6. 3

Ejemplo 10.5.

min z = 4x1 + 5x2 + x3 + 4x4 + 2x5 + x6

6x1 + 7x2 + 10x3 + 11x4 + 14x5 + 15x6 ≤ 63
x1 + x2 + x3 + x4 + x5 + x6 = 6
x1 + 2x2 + 3x3 + 4x4 + 5x5 + 6x6 ≥ 21
x1 + x3 + x5 = 3
3x1 + 3x2 + 5x3 + 5x4 + 7x5 + 7x6 ≥ 30
x ≥ 0.

Para este problema es necesario introducir tres variables de holgura x7 , x8 ,

x9 , y cuatro variables artificiales x10 , x11 , x12 , x13 . Inicialmente la base
está formada por las variables x7 , x10 , x11 , x12 , x13 . Al cabo de tres itera-
ciones se obtiene la tabla óptima de la primera fase. Entraron las variables
x5 , x6 , x1 . Salieron las variables x12 , x11 , x7 . La tabla óptima, después
de suprimir las columnas de las variables artificiales libres x12 y x11 , es la

110
 10.4. VARIABLES ARTIFICIALES BÁSICAS NULAS 111

siguiente:
 
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x13
 
x1  1 1 1/2 1/2 0 0 1/2 5/4 0 0 0 3 
 
x10  0 0 0 0 0 0 −1/3 −2/3 0 1 0 0 
 
x6  
 0 1 0 1 0 1 1/3 2/3 0 0 0 3 
x5  
 0 −1 1/2 −1/2 1 0 −1/2 −5/4 0 0 0 0 
 
x13  0 0 0 0 0 0 −1/3 1/3 −1 0 1 0 
−za 0 0 0 0 0 0 2/3 1/3 1 0 0 0

Como el valor de za es cero, entonces sı́ hay puntos factibles, sin embargo,
hay variables artificiales básicas nulas. El objetivo es sacar las variables
artificiales de la base antes de pasar a la segunda fase, bien sea suprimiendo
la fila correspondiente, bien sea pivoteando para que una variable no artificial
entre a la base.
La segunda fila, la de la variable básica x10 , no se puede suprimir puesto
que hay valores no nulos (−1/3 y −2/3) fuera del valor uno en la columna
de x10 . En este caso hay que escoger una variable entre x7 y x8 para que
entre a la base. Se observa que en este caso (entrar x7 o x8 ), el pivote resulta
negativo.
Si el criterio es buscar mayor precisión numérica, debe entrar la variable
de coeficiente dominante (mayor en valor absoluto), es decir, la variable x8 .
Si se desea entrar la variable de menor costo hay empate, pues en este
ejemplo ambas son variables de holgura y tienen costo nulo.
Al pivotear sobre el coeficiente −2/3, para que entre la variable x8 y
salga la variable artificial x10 , se obtiene la siguiente tabla
 
x1 x2 x3 x4 x5 x6 x7 x8 x9 x13
x1  
 1 1 1/2 1/2 0 0 −1/8 0 0 0 3 
 
x8  0 0 0 0 0 0 1/2 1 0 0 0 
 
x6  0 1 0 1 0 1 0 0 0 0 3 
 
x5  0 −1 1/2 −1/2 1 0 1/8 0 0 0 0 
 
x13  0 0 0 0 0 0 −1/2 0 −1 1 0 

Como de costumbre, no se calcula la columna de una variable artificial que

sale de la base.

111
112 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

Para sacar la variable artificial x13 de la base, se puede pivotear sobre el

coeficiente −1 para que entre la variable x9 .
 
x1 x2 x3 x4 x5 x6 x7 x8 x9
x1 
 1 1 1/2 1/2 0 0 −1/8 0 0 3 

 
x8  0 0 0 0 0 0 1/2 1 0 0 
 
x6  0 1 0 1 0 1 0 0 0 3  .
 
x5  0 −1 1/2 −1/2 1 0 1/8 0 0 0  

x9  0 0 0 0 0 0 1/2 0 1 0 

Colocando los costos reales:

 
x1 1 1 1/2 1/2 0 0 −1/8 0 0 3
x8  0 0 0 0 0 0 1/2 1 0 0 


x6  0 1 0 1 0 1 0 0 0 3 

x5  0 −1 1/2 −1/2 1 0 1/8 0 0 0 

x9  0 0 0 0 0 0 1/2 0 1 0 
4 5 1 4 2 1 0 0 0 0
Calculando costos reducidos
 
x1 1 1 1/2 1/2 0 0 −1/8 0 0 3
x8 
 0 0 0 0 0 0 1/2 1 0 0 

 0 1 0 1 0 1 0 0 0 3 
x6  
 ,
x5  0 −1 1/2 −1/2 1 0 1/8 0 0 0 
 
x9  0 0 0 0 0 0 1/2 0 1 0 
−z 0 2 −2 2 0 0 1/4 0 0 −15

x = (3, 0, 0, 0, 0, 3, 0, 0, 0),
z = 15,
xe = x3 ,
xβσ = xβ4 ,
xs = x5 .
 
x1 1 2 0 1 −1 0 −1/4 0 0 3
x8 
 0 0 0 0 0 0 1/2 1 0 0 

k x6 
 0 1 0 1 0 1 0 0 0 3 
 : 
x3 
 0 −2 1 −1 2 0 1/4 0 0 0 

x9  0 0 0 0 0 0 1/2 0 1 0 
−z 0 −2 0 0 4 0 3/4 0 0 −15

112
 10.4. VARIABLES ARTIFICIALES BÁSICAS NULAS 113

x = (3, 0, 0, 0, 0, 3, 0, 0, 0),
z = 15.

En este caso se obtuvo el mismo punto de la tabla anterior. Simplemente

una variable nula que era básica se volvió libre y una variable libre se vol-
vió básica, pero nula. Obviamente, el valor de z no mejoró de una tabla a
la otra. Esta situación se puede presentar únicamente cuando la solución
básica realizable es degenerada. Sin embargo, también es cierto que, aún en
presencia de soluciones degeneradas, puede haber mejorı́a de una tabla a la
siguiente.

xe = x2 ,
xβσ = xβ1 ,
xs = x1 .
 
x2 1/2 1 0 1/2 −1/2 0 −1/8 0 0 3/2

x8  0 0 0 0 0 0 1/2 1 0 0 

x6 
 −1/2 0 0 1/2 1/2 1 0 0 0 3/2 
,

x3  1 0 1 1 1 0 1/8 0 0 3 

x9  0 0 0 0 0 0 1/2 0 1 0 
−z 1 0 0 1 3 0 1/2 0 0 −12

x∗ = (0, 3/2, 3, 0, 0, 3/2, 0, 0, 0),

z ∗ = 12. 3

EJERCICIOS

En los ejercicios 10.1 a 10.5 convierta el problema a la forma estándar.

Aplique el método simplex o el método de las dos fases. Estudie en
detalle la solución (dirección extrema en óptimo no acotado, varios
puntos extremos óptimos, dirección extrema en conjunto óptimo no
acotado, variables artificiales básicas nulas).

10.1. Maximizar z = 4x1 + 5x2 con las restricciones 4x1 + 3x2 ≥ 20, x1 +
2x2 ≥ 10, x ≥ 0.

10.2. Minimizar z = 15x1 + 30x2 con las restricciones 4x1 + 3x2 ≥ 20,
x1 + 2x2 ≥ 10, x ≥ 0.

113
 114 CAPÍTULO 10. CASOS ESPECIALES DEL MÉTODO SIMPLEX

10.3. Minimizar z = 10x1 − 10x2 con las restricciones 4x1 + 3x2 ≥ 20,
x1 + 2x2 ≥ 10, −x1 + x2 ≤ 7, x ≥ 0.

10.4. Minimizar z = 2x1 +8x2 con las restricciones 4x1 +3x2 = 20, x1 +2x2 ≥
10, 3x1 + x2 ≥ 10, x ≥ 0.

10.5. Minimizar z = 2x1 + 8x2 + x3 con las restricciones 4x1 + 3x2 + x3 = 20,
x1 + 2x2 + x3 = 10, 3x1 + x2 = 10, x ≥ 0.

114
Capı́tulo 11

MÉTODO DE
PENALIZACIÓN

Este método también es conocido con los nombres: M-grande, gran-M

o big-M. Sirve para resolver, en un solo proceso (o fase), un problema de
programación lineal. Al mismo tiempo que se busca anular las variables
artificiales para obtener un punto factible, también se puede tratar de que
ese punto factible no esté muy alejado del óptimo. De esta manera, es
posible que el número de iteraciones sea menor que la suma del número de
iteraciones de la primera y segunda fase en el método de las dos fases.

11.1. Costos y costos reducidos

En el método de penalización se construye una función objetivo de pe-

nalización que tiene en cuenta tanto los costos originales o reales, como los
valores artificiales para las variables artificiales. Para las variables originales
el coeficiente en la función objetivo de penalización es simplemente el coe-
ficiente real. Para las variables de holgura el coeficiente es cero. Para cada
una de las variables artificiales el coeficiente es M , indicando un valor que
puede ser muy grande. De esta manera, cualquier costo o costo reducido (o
el valor de −z) se puede expresar de la forma:

c̃j = ρj + αj M,

Se podrı́a hablar de una parte real ρj y de una parte artificial αj .

115
116 CAPÍTULO 11. MÉTODO DE PENALIZACIÓN

Al comparar con cero (para las condiciones de optimalidad) un costo redu-

cido expresado en esta forma, se tiene:


αj > 0,
c̃j > 0 si o también si


αj = 0 y ρj > 0.
c̃j = 0 si αj = 0 y ρj = 0.


αj < 0,
c̃j < 0 si o también si


αj = 0 y ρj < 0.

Como cada costo o costo reducido necesita dos coeficientes: ρj y αj , entonces

es necesario tener dos filas para los costos reducidos (en lugar de una): una
para los coeficientes ρj y otra para los coeficientes αj .
En el método de las dos fases durante la primera fase no se tienen en
cuenta, de ninguna manera, los verdaderos coeficientes de la función objeti-
vo. Esto hace que al obtener un punto factible al final de la primera fase,
éste pueda estar muy alejado de un punto óptimo, pues únicamente se han
tenido en cuenta los costos artificiales de las variables artificiales.

11.2. Escogencia de la variable que entra

Para la escogencia de la variable que entra a la base en el método de

penalización hay dos enfoques posibles:

1) Dar prioridad parcial a los coeficientes αj (provenientes de las varia-

bles artificiales) y al mismo tiempo tener en cuenta los coeficientes ρj
(provenientes de los coeficientes reales de las variables originales). Esto
aumenta las posibilidades de que el primer punto factible encontrado
esté más cerca de un punto óptimo. Ası́ el número de iteraciones en
el método de penalización puede ser menor que la suma de iteraciones
de la primera y segunda fase en el método de las dos fases.

2) Dar prioridad absoluta a los coeficientes αj y tener en cuenta los

coeficientes ρj solamente cuando ya todos los αj se han anulado o
cuando ya no hay variables artificiales básicas. Este enfoque es el
mismo del método de las dos fases, salvo que se hace en una sola fase

116
 11.2. ESCOGENCIA DE LA VARIABLE QUE ENTRA 117

más general. Ası́ se favorece posiblemente la obtención rápida de un

punto factible, pero éste puede estar alejado de un punto óptimo.

La escogencia de la variable que sale de la base se hace exacta-

mente como en el método simplex.
Dando prioridad parcial a los costos artificiales, se tiene el siguiente
criterio para escoger la variable libre, no artificial, que entra a la base.

Buscar entre las variables libres no artificiales con αj < 0, aque-

lla cuyo coeficiente ρj sea mı́nimo. Dicho de otra forma:

c̃e = ρe + αe M tal que ρe = min{ρj : αj < 0}.

Si el anterior paso no es posible, es decir, si no hay variables libres no

artificiales con αj < 0, entonces es necesario escoger entre las variables
libres no artificiales con αj = 0 y con ρj < 0, aquella con coeficiente
ρj mı́nimo:

c̃e = ρe + αe M tal que ρe = min{ρj : αj = 0, ρj < 0}.

Si esto tampoco es posible, se concluye que la solución actual es óptima

para el problema de penalización. Obviamente si hay variables artificiales
no nulas el problema real no tiene solución.
De la misma manera que en el método simplex, cuando una variable
artificial se vuelve libre, se puede suprimir su columna. También se puede
suprimir toda la fila m + 2, la correspondiente a los coeficientes artificiales
αj , cuando todas las variables artificiales sean libres.

Ejemplo 11.1. Son los mismos datos del ejemplo 9.1.

min z = 3x1 + 10x2

x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.

Introduciendo variables de holgura y artificiales

x1 + 2x2 − x3 + x5 = 4
5x1 + 2x2 − x4 + x6 = 12
x ≥ 0.

117
118 CAPÍTULO 11. MÉTODO DE PENALIZACIÓN

La función objetivo de penalización será:

min zp = 3x1 + 10x2 + M x5 + M x 6 ,

o también

min zp = (3 + 0M )x1 + (10 + 0M )x2 + (0 + 0M )x3

+ (0 + 0M )x4 + (0 + 1M )x5 + (0 + 1M )x6 .

Entonces la tabla inicial es:

 
x1 x2 x3 x4 x5 x6
 
x5  1 2 −1 0 1 0 4 
0  
 : x6  5 2 0 −1 0 1 12  .
 
ρj  3 10 0 0 0 0 0 
αj 0 0 0 0 1 1 0

Para obtener costos reducidos se necesita obtener el valor cero para las
variables básicas en las filas de ρj y de αj , es decir, la tercera y cuarta filas;
para esto basta con restar de la cuarta fila una vez la primera fila y una vez
la segunda fila.
 
x1 x2 x3 x4 x5 x6
 
x5  1 2 −1 0 1 0 4 
 
Â1 : x6  5 2 0 −1 0 1 12 ,
 
ρj  3 10 0 0 0 0 0 
αj −6 −4 1 1 0 0 −16

x = (0, 0, 0, 0, 4, 12),
zp = 16M.

Aquı́ las variables libres x1 , x2 tienen coeficiente αj negativo y de ellas la

de menor coeficiente ρj es la variable x1 . Luego x1 va a entrar a la base.
Ası́ entonces sale de la base la variable x6 .

xe = x1 ,
xβσ = xβ2 ,
xs = x6 .

118
 11.2. ESCOGENCIA DE LA VARIABLE QUE ENTRA 119

 
x1 x2 x3 x4 x5
 
x5  0 1.6 −1 0.2 1 1.6 
2  
 : x1  1 0.4 0 −0.2 0 2.4 ,
 
ρj  0 8.8 0 0.6 0 −7.2 
αj 0 −1.6 1 −0.2 0 −1.6

x = (2.4, 0, 0, 0, 1.6),
zp = 7.2 + 1.6M.

Las variables libres x2 , x4 tienen coeficiente αj negativo. De ellas la de

menor coeficiente ρj es la variable x4 . Luego x4 va a entrar a la base.

xe = x4 ,
xβσ = xβ1 ,
xs = x5 .
 
x4 0 8 −5 1 8
x1 
 1 2 −1 0 4 
,
Â3 :
ρj  0 4 3 0 −12 
αj 0 0 0 0 0

x∗ = (4, 0, 0, 8),
z ∗ = 12.

En el ejemplo anterior, hubo únicamente dos iteraciones; en cambio la so-

lución del mismo problema por el método de las dos fases (ejemplo 9.1)
requirió tres iteraciones: dos en la primera fase y una en la segunda. 3

Si se da prioridad absoluta a los costos artificiales, se tiene el siguiente

criterio para escoger la variable libre no artificial que entra a la base.

Buscar entre las variables libres no artificiales con αj < 0, aque-

lla cuyo coeficiente αj sea mı́nimo. Dicho de otra forma:

c̃e = ρe + αe M tal que αe = min{αj : αj < 0}.

Si el anterior paso no es posible, es decir, si no hay variables libres no

artificiales con αj < 0, entonces es necesario escoger entre las variables

119
120 CAPÍTULO 11. MÉTODO DE PENALIZACIÓN

libres no artificiales con αj = 0 y con ρj < 0, aquella con coeficiente

ρj mı́nimo.

c̃e = ρe + αe M tal que ρe = min{ρj : αj = 0, ρj < 0}.

Si esto tampoco es posible, se concluye que la solución actual es óptima

para el problema de penalización. Es obvio que si hay variables artificiales
no nulas el problema real no tiene solución.
La aplicación de la prioridad absoluta para los costos artificiales, como
se aprecia en el siguiente ejemplo, dará los mismos pasos del método de las
dos fases.
Ejemplo 11.2.
min z = 3x1 + 10x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Este es exactamente el mismo enunciado del ejemplo anterior, pero ahora se
dará prioridad total a los costos artificiales.

La tabla inicial es:

 
x1 x2 x3 x4 x5 x6
 
x5  1 2 −1 0 1 0 4 
 
Â0 : x6  5 2 0 −1 0 1 12  .
 
ρj  3 10 0 0 0 0 0 
αj 0 0 0 0 1 1 0

La tabla con costos reducidos es la siguiente:

 
x1 x2 x3 x4 x5 x6
 
x5  1 2 −1 0 1 0 4 
1  
 : x6  5 2 0 −1 0 1 12 ,
 
ρj  3 10 0 0 0 0 0 
αj −6 −4 1 1 0 0 −16

x = (0, 0, 0, 0, 4, 12),
zp = 16M.

Es claro que hasta acá no hay ninguna diferencia con el método anterior.

120
 11.2. ESCOGENCIA DE LA VARIABLE QUE ENTRA 121

Aquı́ las variables libres x1 , x2 tienen coeficiente αj negativo. De ellas

la de menor coeficiente αj es la variable x1 . Luego x1 va a entrar a la base.

xe = x1 ,
xβσ = xβ2 ,
xs = x6 .
 
x1 x2 x3 x4 x5
 
x5  0 1.6 −1 0.2 1 1.6 
 
Â2 : x1  1 0.4 0 −0.2 0 2.4 ,
 
ρj  0 8.8 0 0.6 0 −7.2 
αj 0 −1.6 1 −0.2 0 −1.6

x = (2.4, 0, 0, 0, 1.6),
zp = 7.2 + 1.6M.

Las variables libres x2 , x4 tienen coeficiente αj negativo. De ellas la de

menor coeficiente αj es la variable x2 . Luego x2 va a entrar a la base.

xe = x2 ,
xβσ = xβ1 ,
xs = x5 .
 
x2 0 1 −5/8 1/8 1
 
x1  1 0 1/4 −1/4 2 
Â3 :  ,
ρj  0 0 5.5 −0.5 −16 
αj 0 0 0 0 0

x = (2, 1, 0, 0),
z = 16.

Como la fila de coeficientes αj tiene únicamente ceros se puede suprimir.

xe = x4 ,
xβσ = xβ1 ,
xs = x2 .
 
x4 0 8 −5 1 8
Â4 : x1  1 2 −1 0 4 ,
ρj 0 4 3 0 −12

121
122 CAPÍTULO 11. MÉTODO DE PENALIZACIÓN

x∗ = (4, 0, 0, 8),
z ∗ = 12. 3

11.3. Conjunto no factible

Ejemplo 11.3.
min z = 3x1 + 4x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x1 + x2 ≤ 1
x ≥ 0.
Introduciendo variables de holgura x3 , x4 y x5 y las artificiales x6 y x7 , se
tiene:
x1 + 2x2 − x3 + x6 = 4
5x1 + 2x2 − x4 + x7 = 12
x1 + x2 − x4 + x5 = 1
x ≥ 0.
La función objetivo de penalización será:

zp = 3x1 + 4x2 + M x6 + M x7 .

Entonces la tabla inicial es:

 
x1 x2 x3 x4 x5 x6 x7
x6  1 2 −1 0 0 1 0 4 

 
0 x7  5 2 0 −1 0 0 1 12 
 :  .
x5  1 1 0 0 1 0 0 1 
 
ρj  3 4 0 0 0 0 0 0 
αj 0 0 0 0 0 1 1 0

Calculando costos reducidos

 
x1 x2 x3 x4 x5 x6 x7

x6  1 
2 −1 0 0 1 0 4 
 
x 7 5 2 0 −1 0 0 1 12 
Â1 :  ,
x5  1 1 0 0 1 0 0 1 
 
ρj  3 4 0 0 0 0 0 0 
αj −6 −4 1 1 0 0 0 −16

122
 11.3. CONJUNTO NO FACTIBLE 123

x = (0, 0, 0, 0, 1, 4, 12),
zp = 16M,
xe = x1 ,
xβσ = xβ3 ,
xs = x5 .
 
x1 x2 x3 x4 x5 x6 x7
x6 
 0 1 −1 0 −1 1 0 3


 
x7  0 −3 0 −1 −5 0 1 7 
Â2 :  ,
x1  1 1 0 0 1 0 0 1 
 
ρj  0 1 0 0 −3 0 0 −3 
αj 0 2 1 1 6 0 0 −10

x = (1, 0, 0, 0, 0, 3, 7),
zp∗ = 3 + 10M.

Todos los coeficientes αj de las variables libres son positivos, entonces los
costos reducidos son positivos, luego ya se alcanzó el óptimo. Como hay
variables artificiales no nulas, x6 y x7 , entonces se puede afirmar que el
problema no tiene puntos realizables, es decir, no tiene solución. 3

EJERCICIOS

En los ejercicios 11.1 a 11.12 convierta el problema a la forma estándar.

Aplique el método simplex o el método de penalización.

11.1. Minimizar z = −x1 − 0.1x2 con las restricciones x1 + x2 ≤ 4, x2 ≥ 2,

x1 + 2x2 ≤ 6, x ≥ 0.

11.2. Minimizar z = 1.1x1 + 1.2x2 + 1.3x3 + 1.4x4 con las restricciones x3 +

x4 ≥ 1, x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x ≥ 0.

11.3. Minimizar z = 8x1 + 4x2 + 2x3 + x4 con las restricciones x3 + x4 ≥ 1,

x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x ≥ 0.

11.4. Minimizar z = 8x1 + 4x2 + 2x3 + x4 con las restricciones x3 + x4 ≥ 1,

x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x1 + x2 + x3 + 2x4 ≤ 1, x ≥ 0.

123
 124 CAPÍTULO 11. MÉTODO DE PENALIZACIÓN

11.5. Minimizar z = 10x1 + 11x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x ≥ 0.

11.6. Minimizar z = 10x1 + 25x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x ≥ 0.

11.7. Minimizar z = 10x1 + 25x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x1 + x2 ≤ 4, x ≥ 0.

11.8. Maximizar z = 4x1 + 5x2 con las restricciones 4x1 + 3x2 ≥ 20, x1 +
2x2 ≥ 10, x ≥ 0.

11.9. Minimizar z = 15x1 + 30x2 con las restricciones 4x1 + 3x2 ≥ 20,
x1 + 2x2 ≥ 10, x ≥ 0.

11.10. Minimizar z = 10x1 − 10x2 con las restricciones 4x1 + 3x2 ≥ 20,
x1 + 2x2 ≥ 10, −x1 + x2 ≤ 7, x ≥ 0.

11.11. Minimizar z = 2x1 +8x2 con las restricciones 4x1 +3x2 = 20, x1 +2x2 ≥
10, 3x1 + x2 ≥ 10, x ≥ 0.

11.12. Minimizar z = 2x1 + 8x2 + x3 con las restricciones 4x1 + 3x2 + x3 = 20,
x1 + 2x2 + x3 = 10, 3x1 + x2 = 10, x ≥ 0.

124
Capı́tulo 12

MÉTODO SIMPLEX
REVISADO

12.1. Generalidades

En el método simplex, se parte de una matriz Â0 de tamaño (m + 1) ×

(n + 1) y mediante operaciones elementales se construye Â1 , después Â2 ,...,
Âk , hasta obtener una solución óptima, o hasta saber que el óptimo no es
acotado (únicamente en la segunda fase), o bien hasta llegar a la conclusión
de que el problema no tiene puntos realizables (únicamente en la primera
fase).
Las operaciones elementales que permiten pasar de Âk a Âk+1 se pueden
expresar mediante la premultiplicación de Âk por una matriz Tbk , de tamaño
(m + 1) × (m + 1), invertible.

Â1 = Tb0 Â0 ,

Â2 = Tb1 Â1 ,
..
.
Âk+1 = Tbk Âk .

Sea Tb0 la matriz que permite pasar de Â0 a Â1 , es decir, la que permite

125
126 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

obtener los costos reducidos iniciales. Es fácil comprobar que

 
0
 .. 
 Im . 
Tb0 =  .
 0 
−cTB 1

De manera semejante, la matriz Tbk que permite pasar de Âk a Âk+1 , es

decir, la que permite obtener la matriz identidad para las nuevas variables
básicas y al mismo tiempo actualizar los costos reducidos, es simplemente
una ampliación de la matriz (Qk )−1 definida en el capı́tulo 7:
 
0
 .. 
 (Qk )−1 . 
Tbk =  .
 0 
0 −c̃ke /akσe 0 1
Ejemplo 12.1. La obtención de los costos reducidos para los datos del
ejemplo 8.3 se puede representar mediante la premultiplicación de Â0 por
Tb0 para obtener Â1 .
 
1 2 −1 0 1 0 4
Â0 =  5 2 0 −1 0 1 12  ,
0 0 0 0 1 1 0
 
1 0 0
Tb0 =  0 1 0 ,
−1 −1 1
 
1 2 −1 0 1 0 4
Â1 = Tb0 Â0 =  5 2 0 −1 0 1 12  . 3
−6 −4 1 1 0 0 −16

Ejemplo 12.2. Para el mismo ejemplo 8.3 , la matriz Tb1 representa el paso
de Â1 a Â2 .
 
1 −1/5 0
Tb1 =  0 1/5 0  ,
0 6/5 1
 
0 1.6 −1 0.2 1 −0.2 1.6
Â2 = Tb1 Â1 =  1 0.4 0 −0.2 0 0.2 2.4  . 3
0 −1.6 1 −0.2 0 1.2 −1.6

126
 12.1. GENERALIDADES 127

Todas las operaciones elementales efectuadas sobre la matriz Â0 se pue-

den agrupar de la siguiente manera:

Â1 = Tb0 Â0 ,

Â2 = Tb1 Â1 = Tb1 Tb0 Â0 ,
..
.
Âk = Tbk−1 Tbk−2 . . . Tb2 Tb1 Tb0 Â0 ,
Âk = Sbk Â0 ,

donde
Sbk = Tbk−1 Tbk−2 . . . Tb2 Tb1 Tb0 .
Por construcción Sbk es cuadrada, de orden m+1, invertible (por ser producto
de matrices invertibles) y representa todas las operaciones elementales que
se efectúan sobre Â0 , para obtener Âk . En particular

Sb0 = Im+1 ,
Sb1 = Tb0 ,
Sbk+1 = Tbk Sbk .

Al comparar la última igualdad con la igualdad Âk+1 = Tbk Âk , se deduce que
para pasar de Sbk a Sbk+1 hay que efectuar exactamente las mismas
operaciones elementales requeridas para pasar de Âk a Âk+1 , o sea,
para pasar de Sbk a Sbk+1 hay que utilizar fórmulas sencillas iguales a las de
método simplex.

Se puede mostrar que la matriz Sbk tiene la siguiente forma:

 
0
 k −1
.. 
bk  B . ,
S = 
 0 
−1
−cTB k B k 1
−1
donde B k es la inversa de la matriz B k formada por las columnas de la ma-
triz A0 = A, correspondientes a las variables básicas en la k-ésima iteración,
y cTB k es el vector fila formado por los costos (en el orden correspondiente)
de las variables básicas.

127
128 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

Ejemplo 12.3. Considérese la tabla Â2 del ejemplo 8.3 . Allı́ las variable
básicas son x5 y x1 , entonces:
· ¸
2 1 1
B = ,
0 5
· ¸
2 −1 1 −0.2
B = ,
0 0.2
£ ¤
cTB 2 = 1 0 ,
−1 £ ¤
−cTB 2 B 2 = −1 0.2 ,
 
1 −0.2 0
Sb2 =  0 0.2 0  .
−1 0.2 1

Fácilmente se comprueba que Â2 = Sb2 Â0 . 3

En el método simplex revisado, MSR, la matriz Â0 no se modifica, en

cambio, en cada iteración se va construyendo explı́citamente la matriz Sbk ,
y algunas partes de Âk que son absolutamente indispensables para aplicar
el método simplex.

Las partes de la matriz Âk , que estrictamente se necesitan son:

los términos independientes (incluyendo el valor de −z k ) : bbk ,

los costos reducidos de las variables libres : ckL ,

la columna de la variable que entra : Âk
e .

Entonces toda la información indispensable para el MSR se puede agru-

par en una matriz de tamaño (m + 1) × (m + 3):
h i
Rbk = Sbk bbk Âk
e .

De manera más explı́cita:

 
0 bk1 ak1e
 −1 .. .. .. 
bk = 
R Bk . . . 
 .
 0 bkm k
ame 
−cTB k B k −1 1 −z k c̃ke

128
 12.1. GENERALIDADES 129

El valor de −z k se puede obtener como cualquier otro elemento de la matriz

bk . Pero también se puede hallar mediante la siguiente fórmula (la misma
R
del método simplex).
−1 0
−z k = −cTB k B k b .

Esta fórmula se puede efectuar de dos maneras equivalentes:

−1
i) −z k = (−cTB k B k )b0 ,
−1 0
ii) −z k = −cTB k (B k b ).
La primera forma consiste en multiplicar los m primeros elementos de la fila
m + 1 de R bk , por los términos independientes iniciales y después sumar. La
segunda consiste en multiplicar −cTB k (los costos de las variables básicas de
la iteración) por los términos independientes de la misma iteración y después
sumar.
La columna m + 3 de R bk , correspondiente a la variable que entra, no se
necesita cuando se llega al óptimo.
Conocer la matriz R bk , saberla utilizar y saberla modificar para obtener
bk+1 es, ni más ni menos, el MSR.
R
Antes de pasar a detallar el procedimiento para la construcción de R b0
b 1 b k b k+1
o de R y de los pasos necesarios para pasar de R a R , veamos en un
ejemplo las principales ventajas del MSR. Consideremos un problema en la
forma estándar con muchas más variables que restricciones: 9 restricciones
y 99 variables.

La tabla del método simplex tiene entonces 10×100 = 1000 elementos,

la mayorı́a de los cuales son modificados en cada iteración. La tabla
del MSR tiene 10×12 = 120 elementos que también son modificados en
cada iteración. Obviamente es mucho más económico (menos tiempo,
luego más barato) modificar 120 elementos que 1000.

−1
Es posible corregir o volver a calcular de manera más precisa B k al
cabo de cierto número de iteraciones.

En problemas muy grandes puede suceder lo siguiente: Âk no cabe en

b0 sı́ cabe en
memoria central (aunque sı́ en disco) y, sin embargo, R
memoria central; es claro que el acceso a memoria central es mucho
más rápido que a cualquier unidad de disco.

129
130 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

Para empezar a aplicar el MSR se requieren las mismas condiciones que

para empezar el método simplex:

1. problema de minimización en la forma estándar:

min z = cT x
Ax = b
x ≥ 0,

2. b ≥ 0,

3. m columnas de A forman la matriz identidad.

12.2. Algoritmo del MSR

A continuación está el esquema general del algoritmo del MSR y, poste-

riormente, están los detalles sobre cada paso del algoritmo:

verificar que el problema cumple las condiciones

construir las primeras m + 2 columnas de la matriz R b1 .
calcular los costos reducidos de las variables libres
mientras la solución no sea óptima
escoger la variable que entra
construir la columna de la variable que entra Âk
e
si el óptimo es no acotado, (Ak
e ≤ 0), ent parar
escoger la variable que sale
b
modificar los elementos de las primeras m + 2 columnas de R
calcular los nuevos costos reducidos
fin-mientras

130
 12.2. ALGORITMO DEL MSR 131

La construcción de R b0 no es necesaria; además, si se construyera no

habrı́a que hacer ningún cálculo:
h i
Rb0 = Im+1 bb0 ? ,
 
1 0 ... 0 0 b01 ?
 . .. 

 0 1 . . . .. . b02 ? 

b
R =
0 .. .. . . .. ...
 . . . 0 0 . .
 
 0 0 ... 1 0 b0m ? 
0 0 ... 0 1 0 ?

La única diferencia entre la tabla Â0 y la tabla Â1 está en la última fila: la
tabla Â0 tiene los costos cj y la tabla Â1 tiene los costos reducidos c̃j . Esto
hace que la única diferencia entre R b0 y Rb1 esté en la última fila. Entonces
para obtener R b1 son necesarios los siguientes cálculos:
−1
−cTB 1 B 1 = −cTB 1 Im = −cTB 1 ,
−z 1 = −cTB 1 b1 = −cTB 1 b0 .

Hasta el momento se ha construido la mayor parte de R b1 , sólo falta por

obtener (cuando sea necesario) la columna de la variable que entra.
 
1 0 . . . 0 0 b1 ?
 0 1 . . . 0 0 b2 ? 
 

b1 =  .. .
.. . . .. .. .. ..  .
R . . . . . . 
 
 0 0 . . . 1 0 bm ? 
−cTB 1 1 −z 1 ?
Los costos reducidos de las variables libres, en cualquier iteración, se obtie-
nen multiplicando escalarmente el vector fila conformado por los primeros
bk , es decir, multiplicar Sbk
m + 1 elementos de la fila m + 1 de R m+1,
por las
0
columnas de  correspondientes a las variables libres de la iteración k:

cTLk = Sbm+1,
k

Lb0,k .
Ası́ el valor de un costo reducido está dado por:
h i h i · A0 ¸
c̃j = −cB k
T
Bk
−1
1

Â0j = −cB k T
Bk
−1
1
j
cj
−1
= cj − cTB k B k A0
j .

131
132 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

El criterio de optimalidad es exactamente el mismo del método simplex. Si

c̃Lk ≥ 0,

entonces la solución factible obtenida es óptima.

La escogencia de la variable libre que entra a la base se hace exactamente
de la misma forma que en el método simplex: aquella variable libre de costo
reducido mı́nimo.

c̃ke = min {c̃kj : xj es variable libre}

1≤j≤n

e = argmin{c̃kj : xj es variable libre}.

1≤j≤n

La columna de la variable que entra Âk
e está compuesta por Ak
e y por c̃ke
en la posición m + 1. El vector columna de m componentes Ak
e se obtiene
−1
multiplicando la matriz B k , que ocupa las primeras m filas y las primeras
m columnas de R bk , por la columna de A0 correspondiente a la variable que
entra.
· k ¸ " −1
#
A
e B k A0
e
Â
e =
k
= .
c̃ke c̃ke

Esta construcción es exactamente equivalente a:

Âk
e = Sbk Â0
e .

Recuérdese que Sbk corresponde a las primeras m + 1 columnas de R

bk .

La escogencia de la variable básica que sale de la base, también se hace

de la misma forma que en el método simplex:

xs = xβσ ,
bkσ bki
= min { : akie > 0},
akσe 1≤i≤m akie
bki
σ = argmin{ : akie > 0}.
1≤i≤m akie

bk :
En términos de elementos de R
k
ri,m+2 k
σ = argmin{ k
: ri,m+3 > 0}.
1≤i≤m ri,m+3

132
 12.2. ALGORITMO DEL MSR 133

La actualización de la matriz R bk para obtener las primeras m + 2 columnas

b
de R k+1 se hace mediante operaciones elementales, tomando como elemento
pivote akσe = rσ,m+3
k , es decir, las fórmulas son semejantes a las del método
simplex.
k rk
rσj
k+1 k ie
rij = rij − k
, i 6= σ, j = 1, . . . , m + 2,
rσe
k
rσj
k+1
rσj = k
, j = 1, . . . , m + 2.
rσ,m+3

Ejemplo 12.4. El enunciado de este ejemplo es exactamente el mismo del

ejemplo 7.1:
min z = −x1 − 1.4x2
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.
Introduciendo variables de holgura

min z = − x1 − 1.4x2
x1 + x2 + x3 = 400
x1 + 2x2 + x4 = 580
x1 + x5 = 300
x ≥ 0.

La matriz Â0 es entonces:

 
1 1 1 0 0 400
 1 2 0 1 0 580 
Â0 = 
 1
.
0 0 0 1 300 
−1 −1.4 0 0 0 0

Las variables básicas en la primera iteración son: x3 , x4 , x5 . La obtención

b0 es inmediata:
de la matriz R
 
x3 1 0 0 0 400 ?
 
b0 = x4  0 1 0 0 580 ?  .
R
x5 0 0 1 0 300 ? 

0 0 0 1 0 ?

133
134 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

Para pasar a R b1 basta con colocar, en el sitio de los primeros m = 3 elemen-

tos de la fila m + 1 = 4, el vector fila −cTB 1 . Además, es necesario calcular
el valor de −z 1 = −cTB 1 b0 .
£ ¤
−cTB 1 = 0 0 0 ,
 
£ ¤ 400
−z 1 = − 0 0 0  580  = 0.
300

b0 a R
En este ejemplo sencillo no hubo ninguna modificación al pasar de R b1 :
 
x3 1 0 0 0 400 ?
 
b1 = x4  0 1 0 0 580 ?  ,
R
x5 0 0 1 0 300 ? 

−z 0 0 0 1 0 ?

x = (0, 0, 400, 580, 300),

z = 0.

El cálculo de los primeros costos reducidos de las variables libres, x1 y x2 ,

da:
 
1 1
£ ¤ 2  £ ¤
b 0,1 = 0 0 0 1  1
c̃TL1 = Sb41
L  = −1 −1.4 .
 1 0 
−1 −1.4

Esto indica que la solución factible actual no es óptima y que la variable que
entra es xe = x2 .

Ahora se requiere calcular la columna Â1
e :

    
1 0 0 1 1
−1
A1
e = B 1 A0
e =  0 1 0   2  =  2  .
0 0 1 0 0

Entonces  
1
 2 
Â1
e = 

,
0 
−1.4

134
 12.2. ALGORITMO DEL MSR 135

 
x3 1 0 0 0 400 1
 2 
b1 = x4 
R
0 1 0 0 580 .
x5  0 0 1 0 300 0 
−z 0 0 0 1 0 −1.4
En esta iteración no se puede afirmar que el óptimo sea no acotado, entonces
el proceso continua con la escogencia de la variable que sale de la base,
efectuando los cocientes
400 580
= 400, = 290.
1 2
La variable que sale es entonces

xβσ = xβ2 ,
xs = x4 .

b modificando las m+2 = 5 primeras columnas.

Ahora se actualiza la matriz R
Se utiliza como pivote rσ,m+3 = r26 = 2.
 
x3 1 −0.5 0 0 110 ?
 ? 
b 2 = x2 
R
0 0.5 0 0 290 ,
x5  0 0 1 0 300 ? 
−z 0 0.7 0 1 406 ?

x = (0, 290, 110, 0, 300),

z = −406.
 
1 0
£ ¤ 1 1  £ ¤
c̃TL2 = Sb42
L
b 0,2 = 0 0.7 0 1 
 1
 = −0.3 0.7 .

0
−1 0
Esto indica que la solución factible actual no es óptima y que la variable que
entra es xe = x1 .

Ahora se requiere calcular la columna Â2
e :

    
1 −0.5 0 1 0.5
−1
A2
e = B 2 A0
e =  0 0.5 0   1  =  0.5  .
0 0 1 1 1

135
136 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

Entonces  
0.5
 0.5 
Â1
e = 

,
1 
−0.3
 
x3 1 −0.5 0 0 110 0.5
 0.5 
b 2 = x2 
R
0 0.5 0 0 290 .
x5  0 0 1 0 300 1 
−z 0 0.7 0 1 406 −0.3
En esta iteración tampoco se puede afirmar que el óptimo sea no acotado,
entonces el proceso continua con la escogencia de la variable que sale de la
base, efectuando los cocientes
110 290 300
= 220, = 580, = 300.
0.5 0.5 1
La variable que sale es entonces

xβσ = xβ1 ,
xs = x3 .

b modificando las m + 2 = 5 primeras colum-

Ahora se actualiza la matriz R,
nas. Se utiliza como pivote rσ,m+3 = r16 = 0.5.
 
x1 2 −1 0 0 220 ?
 1 0 0 180 ? 
b3 = x2  −1
R ,

x5 −2 1 1 0 80 ? 
−z 0.6 0.4 0 1 472 ?

x = (220, 180, 0, 0, 80),

z = −472.
 
1 0
£ ¤ 0 1  £ ¤
c̃TL3 = Sb43
L
b 0,3 = 0.6 0.4 0 1 
 0
 = 0.6 0.4 .
0 
0 0
Esto indica que la solución factible obtenida es óptima y única.
En cualquier iteración del MSR se puede verificar la construcción de la
tabla. Esto, además de ilustrativo, podrı́a ser útil para detectar errores en

136
 12.2. ALGORITMO DEL MSR 137

ejemplos pequeños hechos a mano. La última tabla se puede tomar como

ejemplo para verificar: B −1 , −cTB B −1 , b = B −1 b0 , −z.
Las variables básicas son x1 , x2 , x5 . Al efectuar el producto de B (toman-
do de Â0 las columnas básicas) por la matriz conformada por las primeras
m filas y m columnas de R bk , se debe obtener la matriz identidad.
    
1 1 0 2 −1 0 1 0 0
 1 2 0   −1 1 0  =  0 1 0 . X
1 0 1 −2 1 1 0 0 1

bk debe esta el vector fila

En las primeras m posiciones de la fila m + 1 de R
−1
−cB B :
T

 
£ ¤ 2 −1 0 £ ¤
−cTB B −1 = −1 −1.4 0  −1 1 0  = 0.6 0.4 0 .X
−2 1 1

Comprobación de bk , o sea, de los primeros m elementos de la columna m+2

bk :
de R     
2 −1 0 400 220
B −1 b0 =  −1 1 0   580  =  180  . X
−2 1 1 300 80
La comprobación del valor de −z se puede hacer de dos maneras:
 
£ ¤ 400
−z = (−cTB B −1 )b0 = 0.6 0.4 0  580  = −472, X
300
 
£ ¤ 220
−z = −cTB (B −1 b0 ) = − 1 1.4 0  180  = −472. 3
80

La tabla del MSR presentada aquı́, puede diferir de las tablas presentadas
en algunos libros. Las diferencias pueden ser dos: con respecto a la columna
m + 1 y a la fila m + 1. Como la columna m + 1 siempre tiene la forma: 0 0
. . . 1, entonces puede ser suprimida. La fila m + 1 algunas veces es colocada
como primera fila.

137
 138 CAPÍTULO 12. MÉTODO SIMPLEX REVISADO

EJERCICIOS

En los ejercicios 12.1 a 12.6 convierta el problema a la forma estándar.

Si se cumplen las condiciones, aplique el MSR.

12.1. Minimizar z = −1.1x1 − 1.2x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

12.2. Minimizar z = 4x1 +3x2 con las restricciones x1 +x2 ≥ 12, 5x1 −2x2 ≤
4, x ≥ 0.

12.3. Minimizar z = x5 con las restricciones x1 + x2 − x3 + x5 = 12, 5x1 −

2x2 + x4 = 4, x ≥ 0.

12.4. Minimizar z = 4x1 + 3x2 con las restricciones x2 − 5x3 − x4 = 8,

x1 − 2.5x3 + x4 = 4, x ≥ 0.

12.5. Minimizar z = 4x1 − 3x2 con las restricciones x2 − 5x3 − x4 = 8,

x1 − 2.5x3 + x4 = 4, x ≥ 0.

12.6. Minimizar z = −1.1x1 − 1.1x2 con las restricciones x1 + x2 ≤ 5, 2x1 +

3x2 ≤ 14, 4x1 + 3x2 ≤ 18, x ≥ 0.

138
Capı́tulo 13

EL MÉTODO DE LAS DOS

FASES Y EL MÉTODO
SIMPLEX REVISADO

13.1. De la primera a la segunda fase

La adaptación del método de las dos fases al MSR es muy fácil: en la

primera fase se trabaja con los coeficientes de la función objetivo artificial
y, además, no se calculan los costos reducidos para las variables artificiales
libres. Para pasar a la segunda fase (si hay soluciones factibles) es necesario
tener en cuenta los verdaderos coeficientes de la función objetivo, esto hace
cambiar en la tabla del MSR, únicamente −cTB B −1 y −z .
Ejemplo 13.1. El enunciado de este ejemplo es exactamente el mismo del
ejemplo 9.1 :
min z = 3x1 + 10x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Introduciendo variables de holgura se tiene:
min z = 3x1 + 10x2
x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x ≥ 0.

139
140 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

Es necesario introducir variables artificiales y considerar durante la primera

fase la función objetivo artificial.
min za = x5 + x6
x1 + 2x2 − x3 + x5 = 4
5x1 + 2x2 − x4 + x6 = 12
x ≥ 0.

La matriz Â0 es entonces:

 
1 2 −1 0 1 0 4
Â0 =  5 2 0 −1 0 1 12  .
0 0 0 0 1 1 0
Las variables básicas en la primera iteración son: x5 y x6 . La obtención de
b0 es inmediata:
la matriz R
 
x5 1 0 0 4 ?
b 0 = x6  0
R 1 0 12 ?  .
0 0 1 0 ?

Para pasar a R b1 basta con colocar en el sitio de los primeros m = 2 elementos

de la fila m + 1 = 3, el vector fila −cTB 1 y además, calcular el valor de
−z 1 = −cTB 1 b0 .
£ ¤ £ ¤
−cTB 1 = − 1 1 = −1 −1 ,
· ¸
1
£ ¤ 4
−z = − 1 1 = −16.
12
b0 a
En este ejemplo sı́ hubo cambios al pasar de R b1 .
R
 
x5 1 0 0 4 ?
Rb1 = x6  0 1 0 12 ? ,
−za −1 −1 1 −16 ?
x = (0, 0, 0, 0, 4, 12),
za = 16.
El cálculo de los primeros costos reducidos de las variables libres, x1 , x2 , x3
y x4 , da:
 
£ ¤ 1 2 −1 0
c̃TL1 = Sb31
L
b 0,1 = −1 −1 1  5 2 0 −1 
0 0 0 0
£ ¤
= −6 −4 1 1 .

140
 13.1. DE LA PRIMERA A LA SEGUNDA FASE 141

Esto indica que la solución factible artificial no es óptima y que la variable

que entra es
xe = x1 .

Ahora se requiere calcular la columna A1
e :

· ¸· ¸ · ¸
1 −1 1 0 1 1


A1e =B

A0e =
0 1 5
=
5
.

Entonces

1
Â1
e =  5  ,
−6
 
x5 1 0 0 4 1
b1 = x6  0
R 1 0 12 5  .
−za −1 −1 1 −16 −6

En esta iteración no se puede afirmar que el óptimo sea no acotado (en

la primera fase nunca se presenta el caso de óptimo artificial no acotado),
entonces el proceso continua con la escogencia de la variable que sale de la
base, efectuando los cocientes

4 12
= 4, = 2.4.
1 5

La variable que sale es entonces

xβσ = xβ2 ,
xs = x6 .

b modificando las m+2 = 4 primeras columnas;

Ahora se actualiza la matriz R
se utiliza como pivote rσ,m+3 = r25 = 5.
 
x5 1 −0.2 0 1.6 ?
b2 = x1  0
R 0.2 0 2.4 ?  ,
−za −1 0.2 1 −1.6 ?
x = (2.4, 0, 0, 0, 1.6, 0),
za = 1.6.

141
142 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

Como la variable artificial x6 se volvió libre, entonces no se le calcula su

costo reducido.
 
£ ¤ 2 −1 0
c̃TL2 = Sb32
L
b 0,2 = −1 0.2 1  2 0 −1 
0 0 0
£ ¤
= −1.6 1 −0.2 .

Esto indica que la solución artificial actual no es óptima y que la variable

que entra es:
xe = x2 .
Ahora se requiere calcular la columna A
e :
· ¸· ¸ · ¸
2 −1 0 1 −0.2 2 1.6
A
e = B
2
A
e = = .
0 0.2 2 0.4

Entonces  
1.6
Â2
e =  0.4  ,
−1.6
 
x5 1 −0.2 0 1.6 1.6
b2 = x1  0
R 0.2 0 2.4 0.4  .
−za −1 0.2 1 −1.6 −1.6
En esta iteración no se puede afirmar que el óptimo sea no acotado, entonces
el proceso continua con la escogencia de la variable que sale de la base,
efectuando los cocientes
1.6 2.4
= 1, = 6.
1.6 0.4
La variable que sale es entonces

xβσ = xβ1 ,
xs = x5 .

b modificando las m+2 = 4 primeras columnas;

Ahora se actualiza la matriz R
se utiliza como pivote rσ,m+3 = r15 = 1.6.
 
x2 0.625 −0.125 0 1 ?
b3 = x1  −0.250
R 0.250 0 2 ?  ,
−za 0 0 1 0 ?

142
 13.1. DE LA PRIMERA A LA SEGUNDA FASE 143

x = (2, 1, 0, 0, 0, 0),
za = 0.

Como todas las variables artificiales son nulas se puede afirmar que ya se
obtuvo el óptimo de la primera fase con una solución factible. De todas
maneras esto se puede comprobar mediante el cálculo de los costos reducidos
de las variables libres no artificiales.
 
£ ¤ −1 0
c̃TL3 = Sb33
L
b 0,3 = 0 0 1  0 −1 
0 0
£ ¤
= 0 0 .

Empezando la segunda fase es necesario modificar la matriz inicial Â0 , su-

primiendo las columnas de las variables artificiales libres, y tener en cuenta
los verdaderos costos. También es necesario efectuar cambios en la matriz
Rbk .  
1 2 −1 0 4
Â0 =  5 2 0 −1 12  .
3 10 0 0 0
bk se obtiene mediante las
La modificación de la última fila de la matriz R
siguientes operaciones:
· ¸
T −1
£ ¤ 0.625 −0.125 £ ¤
−cB B = − 10 3 = −5.5 0.5 ,
−0.250 0.250

−z = −cTB B −1 b0 = (−cTB B −1 )b0

· ¸
£ ¤ 4
= −5.5 0.5 = −16.
12

bk es:
Entonces la nueva matriz R
 
x2 0.625 −0.125 0 1 ?
b3 = x1  −0.250
R 0.250 0 2 ? ,
−z −5.5 0.5 1 −16 ?

x = (2, 1, 0, 0),
z = 16.

143
144 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

El proceso continúa entonces normalmente con la obtención de los costos

reducidos de las variables libres.
 
£ ¤ −1 0
c̃TL3 = Sb33
L
b 0,3 = −5.5 0.5 1  0 −1 
0 0
£ ¤
= 5.5 −0.5 .

Esto indica que la solución factible actual no es óptima y que la variable que
entra es:
xe = x4 .
Ahora se requiere calcular la columna A
e :
· ¸· ¸ · ¸
3 −1 0 0.625 −0.125 0 0.125
A
e = B
3
A
e = = .
−0.250 0.250 −1 −0.250

Entonces  
0.125
Â3
e =  −0.250  ,
−0.5
 
x2 0.625 −0.125 0 1 0.125
b3 = x1  −0.250
R 0.250 0 2 −0.250  .
−z −5.5 0.5 1 −16 −0.5
En esta iteración no se puede afirmar que el óptimo sea no acotado, entonces
el proceso continúa con la escogencia de la variable que sale de la base; en
este caso únicamente puede salir x2 .

xβσ = xβ1 ,
xs = x2 .

b modificando las m+2 = 4 primeras columnas;

Ahora se actualiza la matriz R
se utiliza como pivote rσ,m+3 = r15 = 0.125.
 
x4 5 −1 0 8 ?
b4 = x1  1
R 0 0 4 ? ,
−z −3 0 1 −12 ?
x = (4, 0, 0, 8),
z = 12.

144
 13.2. CONJUNTO NO FACTIBLE 145

De nuevo es necesario el cálculo de los costos reducidos de las variables libres.

 
£ ¤ 2 −1
c̃TL4 = Sb34
L
b 0,4 = −3 0 1  2 0 
10 0
£ ¤
= 4 3 .

Ahora sı́ se puede afirmar que la solución factible obtenida corresponde al

único óptimo. 3

13.2. Conjunto no factible

Ejemplo 13.2. El enunciado de este ejemplo es exactamente el mismo del

ejemplo 9.3:

min z = 3x1 + 4x2

x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x1 + x2 ≤ 1
x ≥ 0.
Introduciendo variables de holgura:

min z = 3x1 + 4x2

x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x1 + x2 + x5 = 1
x ≥ 0.

Como no se tiene la matriz identidad de tamaño 3×3 es necesario introducir

dos variables artificiales x6 , x7 y considerar durante la primera fase la función
objetivo artificial.

min za = x6 + x7
x1 + 2x2 − x3 + x6 = 4
5x1 + 2x2 − x4 + x7 = 12
x1 + x2 + x5 = 1
x ≥ 0.

145
146 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

 
1 2 −1 0 0 1 0 4
 5 2 0 −1 0 0 1 12 
Â0 = 
 1
.
1 0 0 1 0 0 1 
0 0 0 0 0 1 1 0
Las variables básicas en la primera iteración son: x6 , x7 , x5 . La obtención
b0 es inmediata:
de la matriz R
 
x6 1 0 0 0 4 ?
 
Rb0 = x7  0 1 0 0 12 ?  .
x5 0 0 1 0 1 ? 

0 0 0 1 0 ?

Para pasar a R b1 basta con colocar, en el sitio de los primeros m = 3 elemen-

tos de la fila m + 1 = 4, el vector fila −cTB 1 , y además, calcular el valor de
−z 1 = −cTB 1 b0 .
£ ¤ £ ¤
−cTB 1 = − 1 1 0 = −1 −1 0 ,
 
£ ¤ 4
−z 1 = − 1 1 0  12  = −16.
1
b0 a R
En este ejemplo sı́ hubo cambios al pasar de R b1 .
 
x6 1 0 0 0 4 ?
x  0 1 0 0 12 ? 
R b1 = 7  ,
x5  0 0 1 0 1 ? 
−za −1 −1 0 1 −16 ?
x = (0, 0, 0, 0, 1, 4, 12),
za = 16.

El cálculo de los primeros costos reducidos de las variables libres x1 , x2 , x3 , x4

da:
 
1 2 −1 0
£ ¤ 0 −1 
b 0,1 = −1 −1 0 1  5 2
c̃TL1 = Sb41
L 
 1 1 0 0 
0 0 0 0
£ ¤
= −6 −4 1 1 .

Esto indica que la solución factible artificial no es óptima y que la variable

que entra es:
xe = x1 .

146
 13.2. CONJUNTO NO FACTIBLE 147

Ahora se requiere calcular la columna A1
e :

    
1 0 0 1 1
1 −1
A1
e = B A0
e =  0 1 0   5  =  5  .
0 0 1 1 1

Entonces
 
1
 5 
Â1
e =  
 1 ,
−6

 
x6 1 0 0 0 4 1
x  0 1 0 0 12 5 
b1 = 7 
R .
x5  0 0 1 0 1 1 
−za −1 −1 0 1 −16 −6

En esta iteración no se puede afirmar que el óptimo sea no acotado, entonces

el proceso continúa con la escogencia de la variable que sale de la base,
efectuando los cocientes

4 12 1
=4 , = 2.4, = 1.
1 5 1

La variable que sale es entonces

xβσ = xβ3 ,
xs = x5 .

b modificando las m+2 = 5 primeras columnas;

Ahora se actualiza la matriz R
se utiliza como pivote rσ,m+3 = r36 = 1.
 
x6 1 0 −1 0 3 ?
x  0 1 −5 0 7 ? 
b2 =
R 7  ,
x1  0 0 1 0 1 ? 
−za −1 −1 6 1 −10 ?

x = (1, 0, 0, 0, 0, 3, 7),
za = 10.

147
148 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

El proceso continúa entonces normalmente con la obtención de los costos

reducidos de las variables libres x2 , x3 , x4 y x5 .
 
2 −1 0 0
£ ¤ 0 −1 0 
c̃TL2 b 0,2 = −1 −1 6 1  2
= Sb42
L 
 1 0 0 1 
0 0 0 0
£ ¤
= 2 1 1 6 .

Los costos reducidos positivos indican que se tiene el óptimo de la primera

fase, sin embargo, hay variables artificiales no nulas (x6 = 3, x7 = 7), es
decir, el problema no tiene solución: es inconsistente. 3

13.3. Conjunto óptimo no acotado

Ejemplo 13.3. El enunciado de este ejemplo es exactamente el mismo del

ejemplo 10.1 :
min z = −10x1 − 8x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Introduciendo variables de holgura se tiene:

min z = −10x1 − 8x2

x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x ≥ 0.

Como no se tiene la matriz identidad es necesario introducir dos variables

artificiales x5 y x6 . La primera fase para este problema es exactamente la
misma del ejemplo 13.1 . Entonces los cambios se presentan en la segunda
fase. Al empezar la segunda fase es necesario modificar la matriz inicial
Â0 , suprimir las columnas de las variables artificiales y tener en cuenta los
verdaderos costos. También hay que efectuar cambios en la matriz R bk .
 
1 2 −1 0 4
Â0 =  5 2 0 −1 12  .
−10 −8 0 0 0

148
 13.3. CONJUNTO ÓPTIMO NO ACOTADO 149

bk se obtiene mediante las

La modificación de la última fila de la matriz R
siguientes operaciones:
· ¸
T −1
£ ¤ 0.625 −0.125 £ ¤
−cB B = − −8 −10 = 2.5 1.5 ,
−0.250 0.250
· ¸
T −1 0 T −1 0
£ ¤ 4
−z = −cB B b = (−cB B )b = 2.5 1.5 = 28.
12

Entonces la nueva matriz Rbk es:

 
x2 0.625 −0.125 0 1 ?
bk = x1  −0.250
R 0.250 0 2 ?  ,
−z 2.5 1.5 1 28 ?

x = (2, 1, 0, 0),
z = −28.

El proceso continúa entonces normalmente con la obtención de los costos

reducidos de las variables libres.
 
£ ¤ −1 0
c̃TL3 = Sb33
L
b 0,3 = 2.5 1.5 1  0 −1 
0 0
£ ¤
= −2.5 −1.5 .

Esto indica que la solución factible actual no es óptima y que la variable que
entra es:
xe = x3 .
Ahora se requiere calcular la columna A
e :
· ¸· ¸ · ¸
3 −1 0 0.625 −0.125 −1 −0.625
A
e = B
3
A
e = = .
−0.250 0.250 0 0.250

Entonces  
−0.625
Â3
e =  0.250  ,
−2.5
 
x2 0.625 −0.125 0 1 −0.625
bk = x1  −0.250
R 0.250 0 2 0.25  .
−z 2.5 1.5 1 28 −2.5

149
150 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

En esta iteración no se puede afirmar que el óptimo sea no acotado, entonces

el proceso continúa con la escogencia de la variable que sale de la base; en
este caso únicamente puede salir x1 .

xβσ = xβ2 ,
xs = x1 .

b modificando las m+2 = 4 primeras columnas;

Ahora se actualiza la matriz R
se utiliza como pivote rσ,m+3 = r25 = 0.25.
 
x2 0 0.5 0 6 ?
b4 = x3  −1
R 1 0 8 ? ,
−z 0 4 1 48 ?

x = (0, 6, 8, 0),
z = −48.

De nuevo es necesario calcular los costos reducidos de las variables libres.

 
£ ¤ 1 0
c̃TL4 = Sb34
L
b 0,4 = 0 4 1  5 −1 
−10 0
£ ¤
= 10 −4 .

Esto indica que la solución factible actual no es óptima y que la variable que
entra es:
xe = x4 .
Ahora se requiere calcular la columna A
e :
· ¸· ¸ · ¸
−1 0 0.5 0 −0.5
A4
e = B 4 A0
e = = .
−1 1 −1 −1

Entonces  
−0.5
Â4
e =  −1  ,
−4
 
x2 0 0.5 0 6 −0.5
b4 = x3  −1
R 1 0 8 −1  .
−z 0 4 1 48 −4

150
 13.3. CONJUNTO ÓPTIMO NO ACOTADO 151

Aquı́ es claro que no se puede escoger una variable que salga de la base,
es decir, el óptimo no es acotado. De igual manera, como en el método
simplex, se puede construir una dirección a lo largo de la cual la función
objetivo disminuye.
d = (0, 0.5, 1, 1).
Entonces los puntos de la forma

(0, 6, 8, 0) + µ(0, 0.5, 1, 1), µ ≥ 0,

son factibles. Para ellos la función objetivo vale −48 + µ(−4), es decir,
decrece indefinidamente. 3

EJERCICIOS

En los ejercicios 13.1 a 13.7 convierta el problema a la forma estándar.

Aplique el MSR, una o dos fases.

13.1. Minimizar z = −x1 − 0.1x2 con las restricciones x1 + x2 ≤ 4, x2 ≥ 2,

x1 + 2x2 ≤ 6, x ≥ 0.

13.2. Minimizar z = 1.1x1 + 1.2x2 + 1.3x3 + 1.4x4 con las restricciones x3 +

x4 ≥ 1, x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x ≥ 0.

13.3. Minimizar z = 8x1 + 4x2 + 2x3 + x4 con las restricciones x3 + x4 ≥ 1,

x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x ≥ 0.

13.4. Minimizar z = 8x1 + 4x2 + 2x3 + x4 con las restricciones x3 + x4 ≥ 1,

x2 + 2x4 ≥ 2, x1 + 3x4 ≥ 3, x1 + x2 + x3 + 2x4 ≤ 1, x ≥ 0.

13.5. Minimizar z = 10x1 + 11x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x ≥ 0.

13.6. Minimizar z = 10x1 + 25x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x ≥ 0.

13.7. Minimizar z = 10x1 + 25x2 con las restricciones 2x1 + 3x2 ≥ 12,
2x1 + x2 ≥ 8, x1 + x2 ≤ 4, x ≥ 0.

151
152 CAPÍTULO 13. EL MÉTODO DE LAS DOS FASES Y EL MSR

152
Capı́tulo 14

DUALIDAD

14.1. El problema dual

Considérese un problema de programación lineal en la forma general de

minimización (con desigualdades ≥), es decir:

min z = cT x
Ai
x ≥ bi , i ∈ M1 ⊆ M
Ai
x = bi , i ∈ M r M1
xj ≥ 0, j ∈ N1 ⊆ N
xj ∈ R, j ∈ N r N1 .

Se define su problema dual, PD, de la siguiente manera

max w = bT y
ATj
y ≤ cj , j ∈ N1 ⊆ N
ATj
y = cj , j ∈ N r N1
yi ≥ 0, i ∈ M1 ⊆ M
yi ∈ R, i ∈ M r M1 .

Recordemos que el problema inicial, llamado también el problema princi-

pal, primario o “primal”(este término puede ser anglicismo, pero es bastante
usado en el lenguaje técnico), denotado simplemente por PP , tiene n va-
riables y m restricciones, M = {1, 2, . . . , m}, N = {1, 2, . . . , n}, M1 es el
conjunto de subı́ndices de las desigualdades del problema primal, M r M1

153
154 CAPÍTULO 14. DUALIDAD

es el conjunto de subı́ndices de las igualdades del problema primal, N1 es el

conjunto de subı́ndices de las variables no negativas en el primal, y N − N1
es el conjunto de subı́ndices de las variables no restringidas en el primal.
De la definición del problema dual se deducen ciertas analogı́as y corres-
pondencias entre el problema primal y el dual:

PRIMAL DUAL
problema de minimización problema de maximización
desigualdades ≥ desigualdades ≤
m = número de restricciones m = número de variables
n = número de variables n = número de restricciones
A = matriz de coeficientes AT = matriz de coeficientes
de las restricciones de las restricciones
una desigualdad ≥ una variable no negativa
una igualdad una variable no restringida
una variable no negativa una desigualdad ≤
una variable no restringida una igualdad
cj = coeficiente de la función cj = término independiente
objetivo
bi = término independiente bi = coeficiente de la función
objetivo

Hasta ahora, según la definición, únicamente se puede hallar el dual de

un problema de minimización con desigualdades ≥ . Si se trata de un pro-
blema de maximización, habrı́a que convertirlo primero en un problema de
minimización. Más adelante se verá que también se puede hallar directa-
mente el dual de un problema de maximización con desigualdades ≤ .

Ejemplo 14.1. Hallar el problema dual del siguiente problema primal:

min z = x1 + 2x2 + 3x3 + 4x4

5x1 + 6x2 + 7x3 − 8x4 ≥ 9
15x1 + 16x2 + 17x3 + 18x4 = 19
10x1 + 11x2 + 12x3 + 13x4 ≤ 14
xj ≥ 0 , j = 2, 3, 4,
x1 ∈ R .

El primer paso es convertir este problema en uno equivalente de minimiza-

154
 14.1. EL PROBLEMA DUAL 155

ción con desigualdades ≥ .

min z = x1 + 2x2 + 3x3 + 4x4

5x1 + 6x2 + 7x3 − 8x4 ≥ 9
15x1 + 16x2 + 17x3 + 18x4 = 19
−10x1 − 11x2 − 12x3 − 13x4 ≥ −14
xj ≥ 0 , j = 2, 3, 4,
x1 ∈ R .

Su dual es entonces:

max w = 9y1 + 19y2 − 14y3

5y1 + 15y2 − 10y3 = 1
6y1 + 16y2 − 11y3 ≤ 2
7y1 + 17y2 − 12y3 ≤ 3
−8y1 + 18y2 − 13y3 ≤ 4
y1 , y3 ≥ 0
y2 ∈R

Ejemplo 14.2. Hallar el dual de un problema en la forma mixta:

min z = cT x
Ai
x ≥ bi , i ∈ M1 ⊆ M
Ai
x = bi , i ∈ M r M1
x ≥ 0.

Su dual es:

max w = bT y
AT y ≤ c
yi ≥ 0, i ∈ M1 ⊆ M
yi ∈ R, i ∈ M r M1 . 3

Ejemplo 14.3. Hallar el dual de un problema en la forma estándar:

min z = cT x
Ax = b
x ≥ 0.

155
156 CAPÍTULO 14. DUALIDAD

Su dual es:

max w = bT y
AT y ≤ c
y ∈ Rm . 3

Ejemplo 14.4. Hallar el dual de un problema en la forma canónica:

min z = cT x
Ax ≥ b
x ≥ 0.

Su dual es:

max w = bT y
AT y ≤ c
y ≥ 0. 3

Es interesante observar que, de estos últimos tres ejemplos, únicamente

el dual de un problema en la forma canónica también está en una de esas
formas y, más exactamente, también está en la forma canónica. Por esta
razón, la mayorı́a de los teoremas y resultados de dualidad están dados para
problemas (primal y dual) en la forma canónica. De ahora en adelante, salvo
que se diga expresamente lo contrario, cuando se hable de problema primal
y problema dual, se tratará de problemas en la forma canónica.

14.2. Propiedades

Proposición 14.1. El dual del dual es el primal.

Demostración: El problema primal en la forma general es:

min z = cT x
Ai
x ≥ bi , i ∈ M1 ⊆ M
Ai
x = bi , i ∈ M r M1
xj ≥ 0, j ∈ N1 ⊆ N
xj ∈ R, j ∈ N r N1 .

156
 14.2. PROPIEDADES 157

Su dual es:

max w = bT y
ATj
y ≤ cj , j ∈ N1 ⊆ N
ATj
y = cj , j ∈ N r N1
yi ≥ 0, i ∈ M1 ⊆ M
yi ∈ R, i ∈ M r M1 .

Para hallar el dual de PD, por ahora, hay que colocarlo en la forma de
minimización con desigualdades ≥ :

min w0 = −bT y
−ATj
y ≥ −cj , j ∈ N1 ⊆ N
−ATj
y = −cj , j ∈ N r N1
yi ≥ 0, i ∈ M1 ⊆ M
yi ∈ R, i ∈ M r M1 .

El dual del dual es:

max ζ = −cT ξ
−AT Ti
ξ ≤ −bi , i ∈ M1 ⊆ M
−AT Ti
ξ = −bi , i ∈ M r M1
ξj ≥ 0, j ∈ N1 ⊆ N
ξj ∈ R, j ∈ N r N1 .

Al convertir el problema anterior en un problema de minimización con de-

sigualdades ≥ y teniendo en cuenta que AT T = A, se tiene:

min ζ = cT ξ
Ai
ξ ≥ bi , i ∈ M1 ⊆ M
Ai
ξ = bi , i ∈ M r M1
ξj ≥ 0, j ∈ N1 ⊆ N
ξj ∈ R, j ∈ N r N1 .

Lo anterior es, salvo el nombre de las variables, el problema primal. ¤

El teorema anterior es válido, salvo equivalencia, para problemas prima-

les en formas diferentes a la general. Esto permite hallar directamente el

157
158 CAPÍTULO 14. DUALIDAD

dual de un problema que está en la forma de maximización con restricciones

≤ , sin tener que convertirlo primero en un problema de minimización con
desigualdades ≥ . La demostración se puede hacer directamente o utilizando
el siguiente resultado.
Proposición 14.2. El problema dual de un problema equivalente al primal,
es equivalente a su dual.
Ejemplo 14.5. Hallar el dual de
max z = x1 + 1.4x2
−x1 − x2 ≥ −400
x1 + 2x2 ≤ 580
x1 ≤ 300
x≥ 0.
En este ejemplo basta con cambiar el signo de la primera desigualdad y ya
queda listo para hallar su dual:
max z = x1 + 1.4x2
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.
Entonces su dual es:
min w = 400y1 + 580y2 + 300y3
y1 + y2 + y3 ≥ 1
y1 + 2y2 + 3y3 ≥ 1.4
y ≥ 0.
Proposición 14.3. Teorema de dualidad débil: Si x̄ es solución factible
de PP y ȳ es solución factible del PD, entonces
bT ȳ ≤ cT x̄.

Demostración : Como x̄ y ȳ son soluciones factibles, entonces:

Ax̄ ≥ b,
x̄ ≥ 0,
T
A ȳ ≤ c,
ȳ ≥ 0.

158
 14.2. PROPIEDADES 159

En particular

(Ax̄)i ≥ bi ,
ȳi ≥ 0.

Luego

ȳi (Ax̄)i ≥ ȳi bi .

Entonces
m
X m
X
ȳi (Ax̄)i ≥ ȳi bi ,
i=1 i=1

es decir,

ȳ T Ax̄ ≥ ȳ T b,

o sea,

x̄T AT ȳ ≥ bT ȳ.

Partiendo de

x̄ ≥ 0,
T
A ȳ ≤ c,

se llega a

x̄T AT ȳ ≤ x̄T c = cT x̄. ¤

Ejemplo 14.6.
min z = 3x1 + 4x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Su dual es
max w = 4y1 + 12y2
y1 + 5y2 ≤ 3
2y1 + 2y2 ≤ 4
y ≥ 0.

159
160 CAPÍTULO 14. DUALIDAD

Sean: x̄ = (4, 3), ȳ = (1, 0). Se puede verificar que x̄ es una solución factible
de PP, es decir, cumple las dos restricciones y, además, sus componentes
son no negativas. Por otro lado, ȳ es una solución factible de PD. Además,
z = cT x̄ = 24, w = bT ȳ = 4. Esto concuerda con el teorema. 3
Ejemplo 14.7. Consideremos los mismos PP y PD del ejemplo anterior.

Sean: x̄ = (4, 3), ȳ = (10, 0). El punto x̄ es una solución factible de PP;
z = cT x̄ = 24; w = bT ȳ = 40. Luego ȳ no puede ser una solución factible de
PD, pues si lo fuera contradirı́a el teorema. 3

Las dos proposiciones siguientes se deducen inmediatamente de la última

proposición.
Proposición 14.4. Sean: x̄ solución factible de PP y ȳ solución factible de
PD. Si bT ȳ = cT x̄, entonces x̄ es punto óptimo (minimizador) de PP y ȳ es
punto óptimo (maximizador) de PD.
Proposición 14.5. Si uno de los dos problemas, el primal o el dual, tiene
soluciones factibles con óptimo no acotado , entonces el otro problema no
tiene soluciones factibles.
Ejemplo 14.8. Consideremos el PP y el PD del ejemplo 14.6

Sean: x̄ = (2, 1), ȳ = (7/4, 1/4). Se puede verificar que x̄ es solución

factible de PP. También ȳ es solución factible de PD. Además, cT x = 10,
bT ȳ = 10. Entonces x̄ es solución óptima de PP y ȳ es solución óptima de
PD. 3
Ejemplo 14.9. Consideremos el problema de los ejemplos 3.4 y 10.1 .
min z = −10x1 − 8x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Su dual es
max w = 4y1 + 12y2
y1 + 5y2 ≤ −10
2y1 + 2y2 ≤ −8
y ≥ 0.
Como se veı́a en los ejemplos 3.4 y 10.1, el PP tiene óptimo no acotado. Esto
permite afirmar que el PD no tiene soluciones factibles. Para este caso es

160
 14.2. PROPIEDADES 161

fácil comprobar que no existen valores de y1 , y2 , no negativos, que cumplan

con las dos restricciones. 3
Proposición 14.6. Teorema de dualidad fuerte: Si el PP tiene pun-
to óptimo (minimizador) x∗ , entonces el PD también tiene punto óptimo
(maximizador) y ∗ y además cT x∗ = bT y ∗ .

Demostración : Para resolver el PP, es necesario introducir variables de

holgura y obtener el problema PP’ en la forma estándar.

min z = cT x
Ax − Ih = b
x, h ≥ 0.

Este problema se puede escribir como

min z = c0 x0
T

A0 x0 = b
x0 ≥ 0,

donde x0 = [xT hT ]T es un vector columna (n + m) × 1, c0 = [cT 0T ]T es

un vector columna (n + m) × 1, A0 = [A − I] es una matriz m × (n + m).
Como el PP tiene punto óptimo, los costos reducidos correspondientes
son no negativos:
T
c̃0 = c0 − A0 B −1 c0B ≥ 0
T

· ¸ · T ¸
c A T
− B −1 c0B ≥ 0
0 −I
T
Sea y = B −1 c0B . Entonces al expresar la última desigualdad por bloques se
tiene:

c − AT y ≥ 0,
0 − −Iy ≥ 0.

Es decir, y es admisible para el PD. Por otro lado, en el simplex, z ∗ =

cTB B −1 b = y T b = bT y, luego y no solo es admisible, sino que también es
óptimo. ¤

Si se utiliza el MSR, se tiene directamente y T en las m primeras posicio-

nes de la fila m + 1 de la tabla del MSR.

161
162 CAPÍTULO 14. DUALIDAD

Ejemplo 14.10. Considere el problema

min z = 3x1 + 10x2
5x1 + 2x2 ≥ 12
x1 + x2 ≥ 3.5
x1 + 2x2 ≥ 4
x ≥ 0.

Para resolver este problema se introducen 3 variables de holgura (y 3 artifi-

ciales) y se obtiene
x∗ = (4, 0, 8, 1/2, 0).
Esto indica que las variables básicas son x1 , x3 y x4 . Entonces
   
5 −1 0 0 0 1
B= 1 0 −1  , B −1 =  −1 0 5 .
1 0 0 0 −1 1
Luego un punto óptimo de PD está dado por:
   
3 0
y = B −1 cB = B −1  0  =  0  .
T T

0 3
Por otro lado, si se emplea el MSR, se obtiene y óptimo directamente de la
última tabla (los 3 primeros elementos de la fila 4):
 
x1 0 0 1 0 4
x3 
 −1 0 5 0 8 . 3
x4  0 −1 1 0 1/2 
−z 0 0 −3 1 −12
Corolario 14.1. Dos puntos x, y, factibles para el PP y el PD respectiva-
mente, son óptimos si y sólo si cT x = bT y.

Cuando uno de los dos problemas, el primal o el dual, no tiene soluciones

factibles no se puede afirmar que necesariamente el otro tenga óptimo no
acotado. La proposición 14.5 presenta una implicación y no una equivalen-
cia. En realidad hay dos posibilidades (para el otro problema): o bien tiene
óptimo no acotado, o bien tampoco tiene soluciones factibles.
La primera posibilidad se presenta en el ejemplo 14.9 , viendo que el dual
no tiene soluciones factibles y el otro tiene óptimo no acotado. La segunda
posibilidad se puede observar en el siguiente ejemplo [Baz77].

162
 14.2. PROPIEDADES 163

Ejemplo 14.11.
min z = −x1 − x2
x1 − x2 ≥ 1
−x1 + x2 ≥ 1
x ≥ 0.

Su dual es
max w = y1 + y2
y1 − y2 ≤ −1
−y1 + y2 ≤ −1
y ≥ 0.

Por cualquier método, gráfico, simplex..., se puede verificar que el PP no

tiene solución y que el PD tampoco. 3

La siguiente proposición resume algunos de los anteriores resultados.

Proposición 14.7. Teorema fundamental de dualidad. Dados el PP

y el PD, una y solamente una de las siguientes afirmaciones es verdadera:

Ambos problemas tienen soluciones óptimas x∗ , y ∗ , con el mismo valor

de la función objetivo: cT x∗ = bT y ∗ .

Un problema tiene óptimo no acotado y el otro no tiene solución.

Ninguno de los dos problemas tiene solución.

Proposición 14.8. Teorema de holgura complementaria. Sean x∗ ,

y ∗ soluciones óptimas de PP y de PD. Entonces:

(Ai
x∗ − bi )yi∗ = 0, i = 1, . . . , m,
(ATj
y ∗ − cj )x∗j = 0, j = 1, . . . , n.

Dicho de otra forma: Si en el óptimo de un problema hay holgura (no nula)

en una restricción, entonces el valor óptimo de la variable correspondiente
del otro problema es nulo. Si en el óptimo de un problema una variable es
positiva, entonces la holgura es nula en la restricción correspondiente del
óptimo del otro problema.

163
164 CAPÍTULO 14. DUALIDAD

Demostración: Como x∗ y y ∗ son óptimos, entonces son factibles y coin-

ciden en el valor de la función objetivo:

Ax∗ ≥ b AT y ∗ ≤ c
x∗ ≥ 0 y∗ ≥ 0
cT x∗ = bT y ∗ .

Entonces
Ax∗ − b ≥ 0, x∗ ≥ 0, c − AT y ∗ ≥ 0, y ∗ ≥ 0.
Sean
α = y ∗ T (Ax∗ − b) ≥ 0, β = x∗ T (c − AT y ∗ ) ≥ 0.

α + β = y ∗ T Ax − y ∗ T b + x∗ T c − x∗ T AT y ∗ = 0,

luego

α = 0, β = 0.
m
X m
X
∗T ∗
0 = α = y (Ax − b) = yi∗ (Ax∗ − b)i = yi∗ (Ai
x∗ − bi ).
i=1 i=1

Si se tiene una suma nula de términos no negativos, entonces cada término

es nulo, es decir, yi∗ (Ai
x∗ − bi ) = 0, para todo i. De manera semejante se
concluye que x∗j (cj − ATj
y ∗ ) = 0, para todo j. ¤

Ejemplo 14.12. Consideremos el problema del ejemplo 14.5

max z = x1 + 1.4x2
x1 + x2 ≤ 400
x1 + 2x2 ≤ 580
x1 ≤ 300
x ≥ 0.

Su dual es:
min w = 400y1 + 580y2 + 300y3
y1 + y2 + y3 ≥ 1
y1 + 2y2 ≥ 1.4
y ≥ 0.
La solución de PP es x∗ = (220, 180).

164
 14.2. PROPIEDADES 165

Como x∗1 , x∗2 son positivas, entonces la holgura es nula en el óptimo del dual,
para la primera y para la segunda restricción (se tiene la igualdad y no la
desigualdad). Además, en el óptimo del primal, la holgura de la tercera
restricción no es nula: A3
x∗ − b3 = 220 − 300 = −80 ; esto implica que la
tercera variable en el óptimo del dual debe ser nula. En resumen:
y1∗ + y2∗ + y3∗ = 1
y1∗ + 2y2∗ = 1.4
y3∗ = 0
Resolviendo este sistema se tiene:
y1∗ = 0.6,
y2∗ = 0.4,
y3∗ = 0.
También se hubiera podido utilizar la igualdad 400y1∗ +580y2∗ +300y3∗ = z ∗ =
472, obtenida a partir de la proposición 14.4 (o de la proposición 14.6). 3

Sea PP’ el problema obtenido a partir de PP, al introducir variables de

holgura para obtener la forma estándar, es decir, un problema con n + m
variables, m restricciones. Sea PD’ el problema obtenido a partir de PD, al
introducir variables de holgura para obtener la forma estándar, es decir, un
problema con m + n variables, n restricciones.
El teorema débil de holgura complementaria se puede expresar simple-
mente de la siguiente manera:
x∗n+i yi∗ = 0, i = 1, ..., m,
∗
ym+j x∗j = 0, j = 1, ..., n.
La siguiente proposición indica que la tabla óptima del método simplex
permite dar directamente información sobre la solución óptima del dual, o
viceversa.
Proposición 14.9. Sean: x∗ solución óptima de PP’, c̃ su vector de costos
reducidos, y ∗ solución óptima de PD’ y eb su vector de costos reducidos.
Entonces
x∗j = eb∗m+j , j = 1, ..., n,
x∗ = eb∗ ,
n+i i i = 1, ..., m,

yi∗ = c̃∗n+i , i = 1, ..., m,

∗
ym+j = c̃∗j , j = 1, ..., n.

165
166 CAPÍTULO 14. DUALIDAD

Este resultado permite resolver el PD y utilizar sus valores óptimos para

obtener la solución de PP, o viceversa, resolver el PP y utilizar sus valores
óptimos para obtener la solución de PD. Este recurso es favorable cuando
la tabla de PD es más pequeña que la tabla de PP. Esto sucede, por lo
general, cuando el PP tiene muchas restricciones y pocas variables. De
todas maneras hay que tener en cuenta también el número de variables de
holgura y el número de variables artificiales.

Ejemplo 14.13.
min z = 5x1 + 4x2
x1 + x2 ≥ 5
3x1 + 2x2 ≥ 11
x1 + 2x2 ≥ 8
x ≥ 0.

Su dual es:
max w = 5y1 + 11y2 + 8y3
y1 + 3y2 + y3 ≤ 5
y1 + 2y2 + 2y3 ≤ 4
y ≥ 0.

Para resolver el PP hay que introducir 3 variables de holgura y 3 variables

artificiales; en la primera fase hay que trabajar con una tabla de 4×9 = 36
elementos. Además, es necesario efectuar por lo menos 3 iteraciones en la
primera fase para sacar las variables artificiales de la base.
Para resolver el PD hay que introducir 2 variables de holgura y trabajar
con una tabla de 3 × 6 = 18 elementos. Directamente se tiene una solución
factible y no es necesaria la primera fase.
Al efectuar explı́citamente los cálculos se observa que para el primal se
hubieran requerido 3 + 1 = 4 iteraciones. Para el dual se necesitaron 0 +
3 = 3 iteraciones. En este ejemplo es evidente la ventaja de resolver el PD
para obtener la solución de PP.

La última tabla de la solución de PD por el método simplex es:

 
y2 0 1 −1 1 −1 1
y1  1 0 4 −2 3 2 .
−w 0 0 1 1 4 21

166
 14.2. PROPIEDADES 167

Entonces

eb∗ = 0 = x∗ ,
1 2+1
eb∗ = 0 = x∗ ,
2 2+2
eb = 1 = x∗ ,
∗
3 2+3

eb∗ = 1 = x∗ ,
3+1 1
eb∗ = 4 = x∗ .
3+2 2

También es posible obtener los valores de los costos reducidos en la tabla

óptima de PP.

y1∗ = 2 = c̃∗2+1 ,
y2∗ = 1 = c̃∗2+2 ,
y3∗ = 0 = c̃∗2+3 ,
∗
y3+1 = 0 = c̃∗1
∗
y3+2 = 0 = c̃∗2 .

Además

z ∗ = 21. 3

EJERCICIOS

En los ejercicios 14.1 a 14.6, plantee el dual del problema propues-

to (puede haber dos caminos que llevan a resultados diferentes, pero
equivalentes).

14.1. Minimizar z = x1 + 2x2 − 4x3 + 8x4 con las restricciones x1 + 2x2 +

x3 + 3x4 ≥ 3, x2 + x3 − 2x4 = 8, 2x1 + x3 + x4 ≥ 10, x1 , x2 , x4 ≥ 0.

14.2. Minimizar z = x1 + 2x2 − 4x3 + 8x4 con las restricciones x1 + 2x2 +

x3 + 3x4 ≤ 3, x2 + x3 − 2x4 = 8, 2x1 + x3 + x4 ≤ 10, x1 , x2 , x4 ≥ 0.

14.3. Maximizar z = x1 + 2x2 − 4x3 + 8x4 con las restricciones x1 + 2x2 +

x3 + 3x4 ≤ 3, x2 + x3 − 2x4 = 8, 2x1 + x3 + x4 ≤ 10, x1 , x2 , x4 ≥ 0.

167
 168 CAPÍTULO 14. DUALIDAD

14.4. Minimizar z = x1 + 2x2 − 4x3 + 8x4 con las restricciones x1 + 2x2 +

x3 + 3x4 ≥ 3, x2 + x3 − 2x4 ≥ 8, 2x1 + x3 + x4 ≥ 10, x ≥ 0.

14.5. Minimizar z = x1 + 2x2 − 4x3 + 8x4 con las restricciones x1 + 2x2 +

x3 + 3x4 = 3, x2 + x3 − 2x4 = 8, 2x1 + x3 + x4 = 10, x ≥ 0.

14.6. Maximizar z = 3x1 + 8x2 + 10x3 con las restricciones x1 + +2x3 ≤ 1,

2x1 + x2 ≤ 2, x1 + x2 + x3 ≤ −4, 3x1 − 2x2 + x3 ≤ 8, x ≥ 0.

En los ejercicios 14.7 a 14.9, resuelva el problema propuesto, a partir

de la solución de su dual. Utilice dos caminos, el teorema de holgura
complementaria débil (proposición 14.8) y la proposición 14.9.

14.7. Minimizar z = 25x1 + 15x2 con las restricciones x1 + x2 ≥ 10, 4x1 +

3x2 ≥ 34, 2x1 + x2 ≥ 12, x2 ≥ 3, x ≥ 0.

14.8. Minimizar z = 16x1 + 15x2 con las restricciones x1 + 2x2 ≥ 16, 2x1 +
x2 ≥ 14, 3x1 + x2 ≥ 17, x ≥ 0.

14.9. Minimizar z = 7x1 +8x2 con las restricciones x1 +4x2 ≥ 1, 2x1 +5x2 ≥
2, 3x1 + x2 ≤ −3, 3x1 + 6x2 ≥ 2, x ≥ 0.

14.10. Considere ahora un problema de PL en la forma estándar como el

problema primal, PP. Sea PD su dual. Trate de encontrar y justificar
resultados análogos a los de las proposiciones 14.3 a 14.7.

168
Capı́tulo 15

MÉTODO SIMPLEX DUAL

15.1. Generalidades

El método simplex dual, MSD, tiene muchas semejanzas con el méto-

do simplex (primal), estas analogı́as son concordantes con lo visto sobre
dualidad.
Para resolver un problema de programación lineal por el MSD se requie-
ren las siguientes condiciones:

problema de minimización en la forma estándar:

min z = cT x
Ax = b
x ≥ 0.

los costos reducidos de la primera tabla son no negativos,

m columnas de A forman la matriz identidad.

En el MSD también hay variables básicas, variables libres, soluciones

básicas, variable que sale de la base, variable que entra a la base, pivoteo.
La diferencia consiste en que en el MSD es posible tener términos inde-
pendientes bi negativos; ası́ una solución básica siempre cumple las condicio-
nes de optimalidad, pero no siempre es factible. Precisamente el MSD busca
obtener una solución básica que sea factible (y que también siga cumpliendo

169
170 CAPÍTULO 15. MÉTODO SIMPLEX DUAL

las condiciones de optimalidad) y cuando esto se logra se detiene el proceso

iterativo.
Recordemos que en el método simplex siempre se tiene factibilidad y lo
que se busca es obtener la optimalidad.
No todos los problemas se pueden resolver por el MSD. Hay otro método,
el simplex primal dual, que permite empezar con costos reducidos negativos
y con términos independientes negativos.
De manera esquemática el algoritmo del MSD se puede presentar ası́:

verificar que se cumplen condiciones para el MSD.

mientras la solución no sea factible
escoger la varible que sale
si la fila de la variable que sale es no negativa ent
el problema no tiene soluciones factibles
parar
fin-si
escoger la variable libre que entra
pivotear
fin-mientras

El MSD acaba, bien sea porque se sabe que el problema no tiene solu-
ciones factibles, o, bien porque se obtuvo una solución factible (y óptima).
Veamos ahora con más detalle algunos pasos del MSD.
Una solución básica es factible si todos los términos independientes son
no negativos:
bi ≥ 0 ∀i.
La escogencia de la variable básica que sale se hace mediante la búsqueda
del bi más negativo, es decir, el más pequeño.

xs = xβσ ,
bσ = min{bi },
i
σ = argmin{bi }.
1≤i≤m

Para escoger la variable libre que entra, xe , se busca, en la fila de la va-

riable que sale, un coeficiente negativo correspondiente a una variable libre

170
 15.1. GENERALIDADES 171

de tal manera, que al ser tomado como pivote vuelva positivo el término
independiente bσ y, además, conserve no negativos los costos reducidos.
c̃e c̃j
= max { : aσj < 0, xj es variable libre},
aσe aσj
c̃j
e = argmax { : aσj < 0, xj es variable libre},
1≤j≤n aσj
c̃j
e = argmin { : aσj < 0, xj es variable libre}.
1≤j≤n −aσj

Precisamente este coeficiente aσe se usa como pivote. Las fórmulas para el
pivoteo son exactamente las mismas del método simplex.

akσj
ak+1
σj = , j = 1, ..., n + 1,
akσe
akie akσj
ak+1
ij = akij − , i = 1, ..., m + 1, i 6= σ, j = 1, ..., n + 1
akσe
Ejemplo 15.1. Resolver por el método simplex dual el siguiente problema:

min z = 3x1 + 4x2

x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.

Al introducir las variables de holgura se tiene:

min z = 3x1 − 4x2

x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x ≥ 0.

Aquı́ no se tiene la matriz identidad, pero si se multiplican la primera y la

segunda igualdad por −1, entonces sı́ se logra la matriz identidad con la
tercera y la cuarta columna.
 
x3 −1 −2 1 0 −4
Â0 = x4  −5 −2 0 1 −12  .
3 4 0 0 0

Ahora hay que calcular los costos reducidos. En este caso los costos son
iguales a los costos reducidos ya que su valor es nulo para las variables

171
172 CAPÍTULO 15. MÉTODO SIMPLEX DUAL

básicas. Cómo en esta tabla no hay ningún costo reducido negativo, entonces
sı́ se puede utilizar el MSD.
Cómo hay términos independientes negativos, entonces la solución básica
actual no es factible. Al buscar el término independiente más pequeño se
observa que éste es −12. Entonces:

xβσ = xβ2 ,
xs = x4 .

La fila de la variable que sale tiene coeficientes negativos, entonces no se

puede decir, por el momento, que el problema no tenga solución.
Para averiguar cuál variable entra a la base es necesario efectuar los
cocientes entre los costos reducidos y los coeficientes negativos de la fila de
la variable que sale, para las variables libres.
3 4
= −0.6, = −2.
−5 −2
El cociente mayor (el más pequeño en valor absoluto) es −0.6, entonces:

xe = x1 .

Ahora hay que modificar la tabla usando como pivote a21 = −5.
 
x3 0 −1.6 1 −0.2 −1.6
Â2 = x1  1 0.4 0 −0.2 2.4  .
−z 0 2.8 0 0.6 −7.2

xβσ = xβ1 ,
xs = x3 ,
2.8 0.6
= −1.75, = −3,
−1.6 −0.2
xe = x2 .

Ahora hay que modificar la tabla usando como pivote a12 = −1.6.
 
x2 0 1 −0.625 0.125 1
Â3 = x1  1 0 0.25 −0.25 2 .
−z 0 0 1.75 0.25 −10

172
 15.2. CONJUNTO NO FACTIBLE 173

Esta solución es factible y también óptima.

x∗ = (2, 1, 0, 0),
z ∗ = 10. 3
Ejemplo 15.2. Resolver por el método simplex dual el siguiente problema:
min z = 5x1 − 6x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x ≥ 0.
Las restricciones son exactamente las mismas del ejemplo anterior. Entonces
se introducen las variables de holgura y se cambia el signo a la primera y la
segunda restricción para obtener la matriz identidad.
 
x3 −1 −2 1 0 −4
Â0 = x4  −5 −2 0 1 −12  .
5 −6 0 0 0
Ahora hay que calcular los costos reducidos. En este caso los costos son
exactamente los costos reducidos ya que su valor es nulo para las variables
básicas. En esta tabla hay un costo reducido negativo, entonces no se puede
utilizar el MSD. 3

15.2. Conjunto no factible

Ejemplo 15.3. Resolver por el método simplex dual el siguiente problema:

min z = 2x1 + x2
x1 + 2x2 ≥ 4
5x1 + 2x2 ≥ 12
x1 + x2 ≤ 1
x ≥ 0.
Al introducir las variables de holgura se tiene:
min z = 2x1 + x2
x1 + 2x2 − x3 = 4
5x1 + 2x2 − x4 = 12
x1 + x2 + x5 = 1
x ≥ 0.

173
174 CAPÍTULO 15. MÉTODO SIMPLEX DUAL

Aquı́ no se tiene la matriz identidad, pero si se multiplican la primera y la

segunda igualdad por −1, entonces sı́ se logra la matriz identidad con la
tercera, la cuarta y la quinta columna.
 
x3 −1 −2 1 0 0 −4
x4 
 −5 −2 0 1 0 −12  .

Â0 = 
x5 1 1 0 0 1 1 
2 1 0 0 0 0
La última fila ya tiene los costos reducidos, y es claro que se puede utilizar
el MSD.

xβσ = xβ2 ,
xs = x4 .
2 1
= −0.4, = −0.5,
−5 −2
xe = x1 .
Ahora hay que modificar la tabla usando como pivote a21 = −5.
 
x3 0 −1.6 1 −0.2 0 −1.6
x1 
 1 0.4 0 −0.2 0 2.4 
.
Â2 =
x5  0 0.6 0 0.2 1 −1.4 
−z 0 0.2 0 0.4 0 −4.8

xβσ = xβ1 ,
xs = x3 ,
xe = x2 .

Ahora hay que modificar la tabla usando como pivote a12 = −1.6.
 
x2 0 1 −0.625 0.125 0 1
x1 
 1 0 0.25 −0.25 0 2 
.
Â3 = 
x5 0 0 0.375 0.125 1 −2 
−z 0 0 0.125 0.375 0 −5

xβσ = xβ3 ,
xs = x5 .

En la fila de la variable que sale no hay coeficientes negativos (para variables

libres), esto quiere decir que el problema no tiene solución. 3

174
 15.2. CONJUNTO NO FACTIBLE 175

EJERCICIOS

En los ejercicios 15.1 a 15.6, convierta el problema propuesto a la forma

estándar. Si es posible, utilice el MSD para su solución.

15.1. Minimizar z = 7x1 −8x2 con las restricciones x1 +4x2 ≥ 1, 2x1 +5x2 ≥
2, 3x1 + x2 ≤ −3, 3x1 + 6x2 ≥ 2, x ≥ 0.

15.2. Minimizar z = x1 +1.4x2 con las restricciones x1 +x2 ≤ 400, x1 +2x2 ≤

580, x1 ≤ 300, 2x1 + x2 ≥ 350, x ≥ 0.

15.3. Minimizar z = 25x1 + 15x2 con las restricciones x1 + x2 ≥ 10, 4x1 +

3x2 ≥ 34, 2x1 + x2 ≥ 12, x2 ≥ 3, x ≥ 0.

15.4. Minimizar z = 16x1 + 15x2 con las restricciones x1 + 2x2 ≥ 16, 2x1 +
x2 ≥ 14, 3x1 + x2 ≥ 17, x ≥ 0.

15.5. Minimizar z = 7x1 +8x2 con las restricciones x1 +4x2 ≥ 1, 2x1 +5x2 ≥
2, 3x1 + x2 ≤ −3, 3x1 + 6x2 ≥ 2, x ≥ 0.

15.6. Minimizar z = x1 +1.4x2 con las restricciones x1 +x2 ≤ 400, x1 +2x2 ≤

580, x1 ≤ 300, 2x1 + x2 ≥ 750, x ≥ 0.

175
176 CAPÍTULO 15. MÉTODO SIMPLEX DUAL

176
Capı́tulo 16

EL PROBLEMA DEL
TRANSPORTE

16.1. Planteamiento

Dados m orı́genes o fábricas F1 , F2 , ..., Fm y n destinos o centros de dis-

tribución D1 , D2 , ..., Dn , se requiere satisfacer las demandas en los destinos,
respetando las disponibilidades en los orı́genes de tal forma que el costo de
transporte sea mı́nimo. El problema del transporte se puede plantear de la
siguiente manera:

m X
X n
min z = cij xij
i=1 j=1
n
X
xij ≤ fi , i = 1, ..., m
j=1
Xm
xij = dj , j = 1, ..., n
i=1
xij ≥ 0, para todo i, j,

donde

177
178 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

xij = número de unidades que hay que llevar desde Fi hasta Dj ,

cij = costo de llevar una unidad desde Fi hasta Dj ,
fi = oferta o capacidad de la fábrica Fi ,
dj = demanda del destino Dj .

Este problema es claramente de optimización lineal y, por lo tanto, se pue-

de resolver por el método simplex o por cualquier otro método general de
optimización lineal. Sin embargo, este problema tiene caracterı́sticas muy
especiales, que hacen conveniente adecuar el método simplex a estas carac-
terı́sticas especiales, para hacerlo más rápido y eficiente.
Supondremos, además, que el problema del transporte está planteado de
una manera ligeramente diferente, y con una condición adicional: la suma de
ofertas debe ser igual a la suma de demandas. Esto hace que las restricciones
de oferta se conviertan en igualdades:
m X
X n
min z = cij xij
i=1 j=1
n
X
xij = fi , i = 1, ..., m
j=1
Xm
xij = dj , j = 1, ..., n
i=1
xij ≥ 0, para todo i, j,

bajo la condición
m
X n
X
fi = dj .
i=1 j=1

Se puede demostrar que, planteado de esta forma, cualquier problema de

transporte tiene solución.
Como se verá más adelante, la restricción no es fuerte pues, cuando
la oferta es mayor que la demanda, basta con crear un destino adicional
ficticio que reciba la oferta adicional. Cuando la oferta total es menor que
la demanda, entonces el problema no tiene solución. Sin embargo, en este
caso, se puede pensar en buscar una seudosolución que tenga costo mı́nimo.
En un ejemplo veamos algunas de las caracterı́sticas especiales del pro-
blema del transporte.

178
 16.1. PLANTEAMIENTO 179

Ejemplo 16.1. 3 orı́genes; 4 destinos; ofertas fi : 10, 20, 30; demandas dj :

13, 14, 15, 18; tabla de costos unitarios:

D1 D2 D3 D4

F1 5 9 4 1

F2 3 5 0 8

F3 4 2 6 7

Utilizando el orden x11 , x12 , x13 , x14 , x21 , x22 , ..., la matriz de restricciones
de este problema (con una columna adicional para los términos independien-
tes) es:
 
1 1 1 1 0 0 0 0 0 0 0 0 10
 0 0 0 0 1 1 1 1 0 0 0 0 20 
 
 0 0 0 0 0 0 0 0 1 1 1 1 30 
 
 1 0 0 0 1 0 0 0 1 0 0 0 13 
 
 0 1 0 0 0 1 0 0 0 1 0 0 14 
 
 0 0 1 0 0 0 1 0 0 0 1 0 15 
0 0 0 1 0 0 0 1 0 0 0 1 18
Las caracterı́sticas especiales son las siguientes:

La matriz de coeficientes está compuesta únicamente de ceros y de

unos.

Cada columna de la matriz tiene exactamente dos unos (los demás

coeficientes valen cero).

Hay m × n = 3 × 4 = 12 variables.

Hay m + n = 3 + 4 = 7 restricciones.

Hay únicamente m + n − 1 = 3 + 4 − 1 = 6 restricciones linealmente

independientes. Al sumar las tres restricciones de oferta (incluyendo
los términos independientes) y restar las tres primeras restricciones de
demanda, se obtiene exactamente la última restricción de demanda.

179
180 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

Esto quiere decir que, por ejemplo, la última restricción de demanda

se podrı́a suprimir. 3

Definición 16.1. Un conjunto de valores xij se llama una solución facti-

ble si cumple todas las restricciones. Una solución factible se llama básica
si tiene a lo más m + n − 1 variables positivas. Una solución factible básica
se llama no degenerada si tiene exactamente m + n − 1 variables positi-
vas. Una solución factible básica se llama degenerada si tiene menos de
m + n − 1 variables positivas.

Para la solución del problema del transporte se acostumbra a usar una

tabla compuesta por m × n casillas, distribuidas en m filas y n columnas.
Cada origen tiene una fila, cada destino tiene una columna. En la casilla
(i, j), situada en la fila i y en la columna j, se escribe el valor de la variable
xij y además, ocupando un espacio pequeño, el costo cij .

Ejemplo 16.2. Consideremos los mismos datos del ejemplo anterior.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 0 0 12 8 20

4 2 6 7
F3 13 14 3 0 30

13 14 15 18

La anterior solución es una solución factible básica no degenerada, ya que

cumple todas las restricciones y tiene exactamente 3 + 4 − 1 = 6 variables

180
 16.1. PLANTEAMIENTO 181

no nulas.

D1 D2 D3 D4

5 9 4 1
F1 0 0 1 9 10

3 5 0 8
F2 0 0 11 9 20

4 2 6 7
F3 13 14 3 0 30

13 14 15 18

La anterior solución factible tiene 7 variables positivas, luego no es básica.

D1 D2 D3 D4

5 9 4 1
F1 0 0 2 9 10

3 5 0 8
F2 0 0 11 9 20

4 2 6 7
F3 13 14 3 0 30

13 14 15 18

181
182 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 0 0 −1 11 10

3 5 0 8
F2 0 0 13 7 20

4 2 6 7
F3 13 14 3 0 30

13 14 15 18

Las dos soluciones anteriores no son realizables. 3

Ejemplo 16.3. Consideremos los mismos datos del ejemplo 16.1 , salvo que
las demandas son: 10, 10, 10, 30 .

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 0 10 10 0 20

4 2 6 7
F3 0 0 0 30 30

10 10 10 30

La anterior solución es factible y, además, es básica ya que tiene 4 variables

positivas, pero es degenerada. 3

182
 16.2. ALGORITMO DEL TRANSPORTE 183

16.2. Algoritmo del transporte

El esquema general del algoritmo del transporte es exactamente el mismo

del método simplex, al fin y al cabo es sencillamente el método simplex
adaptado al problema del transporte; las diferencias están en algunos de los
pasos.

· verificar que la oferta total es igual a la demanda total

· hallar una solución básica factible
· calcular los costos reducidos
mientras la solución no es óptima
· escoger la variable que entra
· buscar la variable que sale
· modificar la tabla
· calcular los costos reducidos
fin-mientras

Más adelante se verá como tratar el caso de las soluciones básicas de-
generadas, por el momento se supondrá que no se presentan soluciones
básicas degeneradas.
El algoritmo del transporte es uno solo, sin embargo, hallar la solución
básica inicial y calcular los costos reducidos se puede hacer de varias formas.
Inicialmente veremos métodos muy sencillos, aunque no necesariamente los
más eficientes. Estos métodos son: el de la esquina noroccidental para
obtener una solución básica inicial, y el método ”stepping-stone”(método
paso a paso o método del circuito), para calcular los costos reducidos.

16.3. Método de la esquina noroccidental

Este método permite hallar una solución factible básica. Como su nom-
bre lo indica, escoge siempre la casilla disponible que esté más arriba y más
a la izquierda. El esquema del algoritmo es el siguiente:

183
184 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

· todas las casillas están disponibles (no tienen asignado valor)

· las ofertas y demandas disponibles son las iniciales
mientras haya casillas disponibles
· buscar la casilla noroccidental disponible
· asignarle la mayor cantidad posible
· en la lı́nea saturada, para las demás casillas disponibles: xij = 0
· actualizar la oferta disponible en la fila de la casilla N.O.
· actualizar la demanda disponible en la columna de la casilla N.O.
fin-mientras

En este contexto del problema del transporte, lı́nea significa fila o colum-
na. Actualizar la oferta quiere decir: restar de la oferta disponible el valor
asignado a la última casilla noroccidental. De manera análoga se actualiza
la demanda disponible. Cuando se asigna la mayor cantidad posible a la
casilla noroccidental, se satura una lı́nea, es decir, una fila o una columna.
En algunos casos, cuando hay degeneramiento, en una casilla anterior a la
última, se saturan al tiempo la fila y la columna. Este caso se estudiará en
el capı́tulo siguiente.

Ejemplo 16.4. Consideremos los mismos datos del ejemplo 16.1

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 18

En este momento la casilla noroccidental es la casilla (1, 1). La máxima

cantidad que se puede asignar es 10. Esto hace que se sature la primera

184
 16.3. MÉTODO DE LA ESQUINA NOROCCIDENTAL 185

fila, la cual queda sin oferta disponible. La primera columna queda con una
demanda disponible de 3 unidades.
D1 D2 D3 D4

5 9 4 1
10 0 0 0
F1
0
3 5 0 8

F2 20

4 2 6 7
F3 30

3 14 15 18
Ahora la casilla noroccidental es la casilla (2, 1). La máxima cantidad que se
puede asignar es 3. Esto hace que se sature la primera columna. La primera
columna queda sin demanda disponible y la segunda fila tendrá una oferta
disponible de 17 unidades.
D1 D2 D3 D4

5 9 4 1
10 0 0 0
F1
0
3 5 0 8
3
F2 17

4 2 6 7
F3 0 30

0 14 15 18
En este momento la casilla noroccidental es la casilla (2, 2). La máxima
cantidad que se puede asignar es 14. Esto hace que se sature la segunda

185
186 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

columna.

D1 D2 D3 D4

5 9 4 1
10 0 0 0
F1
0
3 5 0 8
3 14
F2 3

4 2 6 7
F3 0 0 30

0 0 15 18

Ahora la casilla noroccidental es la casilla (2, 3). La máxima cantidad que

se puede asignar es 3. Esto hace que se sature la segunda fila.

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0
0
3 5 0 8
F2 3 14 3 0
0

4 2 6 7
F3 0 0 30

0 0 12 18

En este momento la casilla noroccidental es la casilla (3, 3). La máxima

cantidad que se puede asignar es 12. Esto hace que se sature la tercera

186
 16.3. MÉTODO DE LA ESQUINA NOROCCIDENTAL 187

columna.
D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0
0
3 5 0 8
F2 3 14 3 0
0

4 2 6 7
F3 0 0 12 18

0 0 0 18

Ahora la casilla noroccidental es la casilla (3, 4). La máxima cantidad que

se puede asignar es 18. Esto hace que se sature la tercera fila y la cuarta
columna.

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 0

3 5 0 8
F2 3 14 3 0 0

4 2 6 7
F3 0 0 12 18 0

0 0 0 0

Finalizado el proceso se obtiene una solución factible, y en este caso, además

no degenerada.

z = (5 × 10) + (9 × 0) + ... + (3 × 3) + ... + (7 × 18) = 327. 3

187
188 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

Definición 16.2. En una solución factible básica no degenerada las va-

riables positivas se llaman variables básicas y las variables nulas se llaman
variables libres. En una solución factible básica degenerada las variables
positivas se llaman variables básicas, algunas variables nulas, escogidas de
manera adecuada, también se llaman básicas. Las demás variables nulas se
llaman variables libres.

16.4. Método del circuito (stepping-stone)

Este método sirve para calcular los costos reducidos de las variables
libres. Si xij es una variable libre, entonces su costo reducido c̃ij indica la
modificación que tendrá la función objetivo por cada unidad que aumente
esta variable libre. Como en el método simplex, en cada iteración, una y
solamente una variable libre entra a la base, y también, exactamente una
variable básica sale de la base.
Si la variable libre xij con valor nulo, se incrementara en una unidad,
entonces serı́a necesario reequilibrar la tabla, aumentando y disminuyendo el
valor de algunas variables, para que se siga teniendo una solución realizable.
Estas modificaciones únicamente son posibles en las variables básicas, ya
que una sola variable libre puede aumentar para volverse básica y, además,
las variables libres no pueden disminuir pues se volverı́an negativas.
Entonces dada la variable libre xij , que aumentarı́a en una unidad, es
necesario buscar casillas correspondientes a variables básicas, en algunas de
ellas se necesita aumentar una unidad, en otras se necesita disminuir una
unidad, de tal manera que:

en cada lı́nea, fila o columna:

o bien, no hay ninguna modificación,
o bien, hay dos modificaciones,
una de aumento y otra de disminución.

Las modificaciones se pueden simbolizar por un signo más (+) para los
aumentos, y un signo menos (−) para las disminuciones.
Se puede demostrar que en una solución factible básica no degenerada,
para cada variable libre xij , hay exactamente un camino o circuito, formado
por la casilla de xij y las casillas de algunas variables básicas, de tal manera
que este circuito rebalancea la tabla.

188
 16.4. MÉTODO DEL CIRCUITO (STEPPING-STONE) 189

Una vez conseguido este circuito, el costo reducido c̃ij se calcula natu-
ralmente como la suma de los costos de las casillas del circuito, donde se
tiene en cuenta el signo de cada casilla. Es decir se suman los costos de las
casillas con signo más (+), y se restan los costos de las casillas con signo
menos (−).

Ejemplo 16.5. Tomemos los mismos datos del ejemplo 16.1 y la solución
básica inicial obtenida en el ejemplo 16.4 .

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 3 14 3 0 20

4 2 6 7
F3 0 0 12 18 30

13 14 15 18

Cálculo del costo reducido c̃12 : Si la variable libre x12 aumenta, y como la
única variable básica en la primera fila es x11 , necesariamente x11 debe dis-
minuir. Como x11 está en la primera columna, entonces otra variable básica
de la primera columna debe aumentar. Para este ejemplo necesariamente
x21 debe aumentar. Ahora, considerando la segunda fila, como x21 aumenta,
otra variable básica debe disminuir. La única posibilidad corresponde a x22 .

189
190 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

Ası́ ya se ha completado el circuito con las casillas (1,2), (1,1), (2,1), (2,2).

D1 D2 D3 D4

5− 9+ 4 1
F1 10 0 0 0 10

3+ 5− 0 8
F2 3 14 3 0 20

4 2 6 7
F3 0 0 12 18 30

13 14 15 18

El cálculo del costo reducido c̃12 es ahora inmediato:

c̃12 = 9 − 5 + 3 − 5 = 2.

Cálculo del costo reducido c̃13 : Si la variable libre x13 aumenta, debe dis-
minuir x11 , entonces debe aumentar x21 . Aquı́ hay dos posibilidades: puede
disminuir x22 o puede disminuir x23 . Si disminuye x22 debe aumentar otra
variable básica en la misma segunda columna, pero no hay más variables
básicas. Luego es necesario desechar esta posibilidad. Si disminuye x23 ya
se completa el circuito (1,3), (1,1), (2,1), (2,3).

c̃13 = 4 − 5 + 3 − 0 = 2.

Es conveniente anotar que no siempre los circuitos se obtienen fácilmente,

ni tampoco tienen siempre cuatro casillas.

190
 16.4. MÉTODO DEL CIRCUITO (STEPPING-STONE) 191

Circuito para c̃14 : (1,4), (1,1), (2,1), (2,3), (3,3), (3,4).

D1 D2 D3 D4

5− 9 4 1+
F1 10 0 0 0 10

3+ 5 0− 8
F2 3 14 3 0 20

4 2 6+ 7−
F3 0 0 12 18 30

13 14 15 18

c̃14 = 1 − 5 + 3 − 0 + 6 − 7 = −2
De manera semejante:

x24 : (2, 4), (2, 3), (3, 3), (3, 4);c̃24 = 8 − 0 + 6 − 7 = 7,

x31 : (3, 1), (3, 3), (2, 3), (2, 1);c̃31 = 4 − 6 + 0 − 3 = −5,
x32 : (3, 2), (3, 3), (2, 3), (2, 2);c̃32 = 2 − 6 + 0 − 5 = −9. 3

Los circuitos pueden ser descritos mediante las siguientes caracterı́sticas:

la primera casilla corresponde a una variable libre, las demás corres-

ponden a variables básicas.

todo circuito tiene un número par de casillas.

toda casilla en posición impar, está en la misma fila de la siguiente

casilla (tienen el mismo primer ı́ndice).

toda casilla en posición par, está en la misma columna de la siguiente

casilla (tienen el mismo segundo ı́ndice).

la última casilla está en la misma columna de la casilla inicial.

las casillas “de aumento”son las de posición impar y las casillas “de
disminución”son las de posición par.

191
192 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

Estas caracterı́sticas están basadas en la búsqueda inicial de una variable

básica en la misma fila de la variable libre. Unas caracterı́sticas análogas
se pueden obtener, al buscar inicialmente una variable básica en la misma
columna de la variable libre.

16.5. Condiciones de optimalidad y modificación

de la tabla

16.5.1. Condiciones de optimalidad

Son exactamente las mismas del método simplex: si todos los costos
reducidos de las variables libres de una solución factible básica son
no negativos, entonces ésta es óptima.

16.5.2. Escogencia de la variable que entra

La variable libre que entra, se escoge exactamente como en el méto-

do simplex: la variable libre que entra es aquella de menor costo
reducido (el más negativo).

16.5.3. Escogencia de la variable que sale

Una vez escogida la variable libre que entra, se busca en su circuito, el

menor valor xij en las casillas con signo menos (casillas donde se
disminuye). Esta casilla corresponde a la variable básica que sale. Además,
ese mı́nimo valor corresponde al incremento que va a tener la variable que
entra.

16.5.4. Modificación de la tabla

Una vez escogida la variable que entra y obtenido el valor de su incre-

mento, se modifican únicamente las casillas de su circuito ası́: En las casillas
con signo +, se efectúa dicho incremento y en las casillas con signo −, se
disminuye tal cantidad. De esta manera la nueva tabla queda equilibrada y
representa una solución factible básica mejor; esta mejorı́a está dada por el
producto del costo reducido de la variable que entra y su incremento. En la
nueva tabla la variable básica que salió, tiene el valor cero.

192
 16.5. OPTIMALIDAD Y MODIFICACIÓN DE LA TABLA 193

Ejemplo 16.6. Consideremos los mismos datos del ejemplo 16.1, la solución
básica inicial obtenida en el ejemplo 16.4 y los costos reducidos calculados
en el ejemplo 16.5.

Como hay costos reducidos negativos la tabla no es óptima.

Hay una sola variable libre con costo reducido mı́nimo: x32 . Ésta es la
variable que entra. Si hubiera empate habrı́a que resolverlo de cualquier
forma, por ejemplo, tomando como variable que entra la primera encontrada
entre las empatadas.
El circuito de esta variable es: (3,2), (3,3), (2,3), (2,2). En las casillas
de disminución (las de posición par), el menor valor xij es 12 y está en la
casilla (3, 3). Entonces la variable x33 sale de la base. La variable libre
y las variables de su circuito son modificadas en 12 unidades. Las demás
casillas no alteran su valor. El valor de la función objetivo debe modificarse
(disminuir) en −9 × 12 = −108 unidades.
Para obtener la nueva tabla, basta aumentar 12 unidades en las casillas
(3, 2), (2, 3) y disminuir 12 unidades en las casillas (3, 3), (2, 2).

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 3 2 15 0 20

4 2 6 7
F3 0 12 0 18 30

13 14 15 18

Obviamente, esta solución también es factible, es básica y en este caso tam-

bién es no degenerada. El valor de la función objetivo es z = 5 × 10 + 3 ×
3 + ... + 7 × 18 = 219 = 327 − 108.
Para obtener una solución óptima del problema hay que calcular de nuevo

193
194 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

los costos reducidos, averiguar por las condiciones de optimalidad,..., etc.

c̃12 = 2, c̃13 = 2, c̃14 = −11, c̃24 = −2, c̃31 = 4, c̃33 = 9.

La solución factible básica actual no es óptima.

costo reducido mı́nimo : c̃14 = −11,

variable que entra : x14 ,
circuito de x14 : (1,4), (1,1), (2,1), (2,2),(3,2), (3,4),
valor máximo para x14 : 2,
variable que sale : x22 .

D1 D2 D3 D4

5 9 4 1
F1 8 0 0 2 10

3 5 0 8
F2 5 0 15 0 20

4 2 6 7
F3 0 14 0 16 30

13 14 15 18

z = 197,
c̃12 = 13, c̃13 = 2, c̃22 = 11, c̃24 = 9, c̃31 = −7, c̃33 = −2.

La solución factible básica actual no es óptima.

Costo reducido mı́nimo : c̃31 = −7,

variable que entra : x31 ,
circuito de x31 : (3,1), (3,4), (1,4), (1,1) ,
valor máximo para x31 : 8,
variable que sale : x11 .

194
 16.5. OPTIMALIDAD Y MODIFICACIÓN DE LA TABLA 195

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 5 0 15 0 20

4 2 6 7
F3 8 14 0 8 30

13 14 15 18

z = 141,
c̃11 = 7, c̃12 = 13, c̃13 = 9, c̃22 = 4, c̃24 = 2, c̃33 = 5.

Como no hay costos reducidos negativos, la tabla es óptima. Como todos

los costos reducidos son positivos la solución es única. 3

Ejemplo 16.7. Consideremos el siguiente problema de transporte con las

mismas ofertas y demandas del ejemplo anterior, pero con costos ligeramente
diferentes. Como el método de la esquina noroccidental no tiene en cuenta
los costos (he ahı́ su desventaja), entonces la solución básica factible inicial
es la misma. Obviamente, el valor de z es diferente.

195
196 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

4 5 0 8
F2 3 14 3 0 20

3 2 6 7
F3 0 0 12 18 30

13 14 15 18
z = 330.
Después de iteraciones semejantes a las del ejemplo anterior, se llega a la
tabla óptima.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

4 5 0 8
F2 5 0 15 0 20

3 2 6 7
F3 8 14 0 8 30

13 14 15 18

z = 138,
c̃11 = 8, c̃12 = 13, c̃13 = 11, c̃22 = 2, c̃24 = 0, c̃33 = 7.

Como no hay costos reducidos negativos, la tabla es óptima.

196
 16.5. OPTIMALIDAD Y MODIFICACIÓN DE LA TABLA 197

Aquı́ hay una diferencia importante. En el óptimo hay una variable libre
con costo reducido nulo: x24 (podrı́a haber más de una). Como la solución
factible básica no es degenerada se puede afirmar que hay muchas soluciones.
Para obtener otra solución factible básica, de manera semejante al método
simplex, se entra a la base la variable libre con costo reducido nulo, y se
construye otra tabla.
Variable que entra : x24 ,
circuito de x24 : (2,4), (2,1), (3,1), (3,4) ,
valor máximo para x24 : 5,
variable que sale : x21 .
D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

4 5 0 8
F2 0 0 15 5 20

3 2 6 7
F3 13 14 0 3 30

13 14 15 18

z = 138
c̃11 = 8, c̃12 = 13, c̃13 = 11, c̃21 = 0, c̃22 = 2, c̃33 = 7.
Como era de esperarse, no hay costos reducidos negativos y la tabla es
óptima.
Aquı́ de nuevo, hay una variable libre con costo reducido nulo: x21 . Para
obtener otra solución factible básica, se entra a la base x21 y se construye
otra tabla.
variable que entra : x21 ,
circuito de x21 : (2,1), (2,4), (3,4), (3,1) ,
valor máximo para x21 : 5,
variable que sale : x24 .

197
 198 CAPÍTULO 16. EL PROBLEMA DEL TRANSPORTE

Vuelve a resultar la primera tabla óptima. En este ejemplo muy sencillo,

en la primera tabla óptima, hubo únicamente una sola variable libre con
costo reducido nulo, luego no habı́a otras posibilidades para escoger. En
este problema hay solamente dos soluciones básicas realizables óptimas, y
ası́ toda solución realizable óptima es combinación convexa de ellas. 3

Cuando en el óptimo hay varias variables libres con costo reducido nulo,
no es sencillo encontrar todas las soluciones básicas realizables óptimas. En
la práctica, bastarı́a con encontrar dos soluciones básicas realizables óptimas,
escogiendo una de las variables libres con costo reducido nulo para entrarla
a la base construyendo una nueva tabla.

EJERCICIOS

16.1. Resuelva el problema de transporte dado por los siguientes datos: 3

orı́genes; 4 destinos; ofertas 10, 11, 12; demandas 7, 8, 9, 9; matriz de
costos unitarios  
10 7 8 9
 7 8 4 2 .
6 5 3 1
16.2. Resuelva el problema de transporte dado por los siguientes datos: 5
orı́genes; 5 destinos; ofertas 10, 11, 12, 13, 14; demandas 9, 9, 9, 9, 24;
matriz de costos unitarios
 
6 8 9 6 5
 7 10 7 7 6 
 
 10 8 8 7 6  .
 
 9 9 7 5 2 
10 9 4 3 1

16.3. Resuelva el problema de transporte dado por los siguientes datos: 5

orı́genes; 5 destinos; ofertas 10, 50, 20, 40, 30; demandas 27, 35, 31,
28, 29; matriz de costos unitarios
 
6 8 9 5 1
 5 10 6 2 9 
 
 8 8 4 8 6 .
 
 9 2 6 5 2 
1 6 4 3 1

198
Capı́tulo 17

OTROS MÉTODOS PARA

EL PROBLEMA DEL
TRANSPORTE

17.1. Método de las variables duales

Este método sirve para calcular los costos reducidos sin tener que calcular
el circuito de cada variable. Como su nombre lo indica utiliza las variables
de su problema dual. En realidad se utilizan las variables del dual de un
problema equivalente. El problema planteado inicialmente es el mismo:
m X
X n
min z = cij xij
i=1 j=1
n
X
xij = fi , i = 1, ..., m
j=1
Xm
xij = dj , j = 1, ..., n
i=1
xij ≥ 0, para todo i, j,

bajo la condición
m
X n
X
fi = dj .
i=1 j=1

199
200 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

Se puede mostrar que la solución óptima del problema anterior es la misma

del siguiente problema:
m X
X n
min z = cij xij
i=1 j=1
n
X
xij ≥ fi , i = 1, ..., m
j=1
Xm
xij ≥ dj , j = 1, ..., n
i=1
xij ≥ 0, para todo i, j.
Este problema está en la forma canónica de minimización y su dual se
obtiene fácilmente. Sea ui la variable del problema dual correspondiente
a la i-ésima restricción de oferta. Sea vj la variable del problema dual
correspondiente a la j-ésima restricción de demanda. Entonces el problema
dual, en la forma canónica de maximización es:
m
X n
X
max w = fi ui + dj v j
i=1 j=1

ui + vj ≤ cij , i = 1, ...m, j = 1, ...n

ui , vj ≥ 0, para todo i, j.
Resultados de dualidad, análogos a los de la proposición 14.10, dicen que el
costo reducido de una variable del primal es igual al valor de la variable de
holgura correspondiente en el dual. La restricción del dual correspondiente
a la variable xij es:ui + vj ≤ cij . Entonces:
c̃ij = holgura = cij − ui − vj .
Obviamente, para las variables básicas, el costo reducido es nulo. Plantear
este resultado da lugar a m + n − 1 igualdades con m + n incógnitas. Si se
obtiene una solución de este sistema se puede calcular fácilmente el valor de
los costos reducidos de las variables libres. Entonces el esquema del proceso
para el cálculo de los costos reducidos de las variables libres es el siguiente.

Para las variables básicas plantear las m + n − 1 igualdades con m + n

variables:

ui + vj = cij .

200
 17.1. MÉTODO DE LAS VARIABLES DUALES 201

Dar a una variable (cualquiera) un valor arbitrario y resolver el sistema

resultante:
m + n − 1 igualdades con m + n − 1 variables.

Calcular los costos reducidos de las variables libres mediante la fórmula

c̃ij = cij − ui − vj .

Se puede demostrar que no importa cual variable se escoja para darle

un valor, ni tampoco que valor se le dé. De todas formas el valor de los
costos reducidos para las variables libres será el mismo. Obviamente, el
valor de ui , vj sı́ depende de tal escogencia. Además, el sistema de m + n − 1
igualdades y variables siempre se puede resolver de manera única cuando
se trata de una solución factible básica no degenerada o de una solución
factible básica degenerada tratada adecuadamente.
Si los costos reducidos de las variables libres se calculan por el método
de las variables duales, una vez que se escoge la variable que entra a la base,
hay que buscarle de todas maneras su circuito.
Este método, para calcular los costos reducidos de las variables libres, es
más rápido y fácil que el método stepping-stone, salvo para problemas muy
pequeños.
Ejemplo 17.1. Consideremos la solución factible básica inicial obtenida en
el ejemplo 16.4

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 3 14 3 0 20

4 2 6 7
F3 0 0 12 18 30

13 14 15 18

201
202 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

z = 327.

Las m + n − 1 igualdades con m + n variables son:

u1 + v1 = 5,
u2 + v1 = 3,
u2 + v2 = 5,
u2 + v3 = 0,
u3 + v3 = 6,
u3 + v4 = 7.

Por ejemplo, demos a la variable u2 el valor cero. Entonces

v1 = 3, v2 = 5, v3 = 0,

luego
u1 = 2, u3 = 6, v4 = 1.

En resumen

u1 = 2, v1 = 3,
u2 = 0, v2 = 5,
u3 = 6, v3 = 0,
v4 = 1.

Ahora sı́ se tienen de manera inmediata los costos reducidos:

c̃12 = 9 − 2 − 5 = 2,
c̃13 = 4 − 2 − 0 = 2,
c̃14 = 1 − 2 − 1 = −2,
c̃24 = 8 − 0 − 1 = 7,
c̃31 = 4 − 6 − 3 = −5,
c̃32 = 2 − 6 − 5 = −9.

Se escoge como variable que entra a la base a x32 , hay que obtener su circuito
y proseguir el método del transporte.
A manera de simple comprobación, se puede escoger otra variable y
otro valor, por ejemplo, v3 = −3. Al resolver el sistema se tienen valores

202
 17.2. MÉTODO DEL COSTO MÍNIMO POR FILAS 203

diferentes:

u1 = 5, v1 = 0,
u2 = 3, v2 = 2,
u3 = 9, v3 = −3,
v4 = −2.

Sin embargo, como era de esperarse, los valores de los costos reducidos son
exactamente los mismos.

c̃12 = 9 − 5 − 2 = 2,
c̃13 = 4 − 5 − −3 = 2,
c̃14 = 1 − 5 − −2 = −2,
c̃24 = 8 − 3 − −2 = 7,
c̃31 = 4 − 9 − 0 = −5,
c̃32 = 2 − 9 − 2 = −9. 3

En el método de la esquina noroccidental, para hallar la solución factible

básica inicial no se tienen en cuenta de ninguna manera los costos unitarios.
En los métodos presentados a continuación, al construir la solución factible
básica inicial se utilizan los costos unitarios para tratar de que la solución
obtenida sea más próxima al óptimo, es decir, se desea disminuir el número
de iteraciones. Aunque el cálculo de la solución factible básica inicial es más
dispendioso, el tiempo total para la solución del problema es, en promedio,
menor que el tiempo requerido para la obtención de una solución óptima,
partiendo de una solución inicial por el método de la esquina noroccidental.

17.2. Método del costo mı́nimo por filas

Con mucha frecuencia, los métodos trabajan indistintamente sobre filas

o sobre columnas. En lo que sigue de este libro se usará la palabra lı́nea
para hacer referencia a una fila o a una columna.
El método del costo mı́nimo por filas sirve para hallar una solución fac-
tible básica inicial. Su algoritmo es el siguiente:

203
204 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

· todas las casillas están disponibles

· las ofertas y demandas disponibles son las iniciales
· todas las lı́neas están no saturadas
mientras haya casillas disponibles
· en la primera fila no saturada buscar
la casilla disponible de costo mı́nimo
· asignar a esta casilla la mayor cantidad posible:
- saturar una lı́nea: una fila o una columna
- en esta lı́nea, para las otras casillas disponibles: xij = 0
- actualizar la oferta y la demanda disponibles
fin-mientras

Ejemplo 17.2. Consideremos los mismos datos del ejemplo 16.1

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 18

La primera fila no saturada es la correspondiente a F1 . Allı́ la casilla de

costo mı́nimo es la casilla (1,4). La mayor cantidad que se puede asignar es:
10. Ası́ se satura la fila 1.

204
 17.2. MÉTODO DEL COSTO MÍNIMO POR FILAS 205

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 8

La primera fila no saturada es la segunda fila. Allı́ la casilla disponible de

costo mı́nimo es la casilla (2,3). La mayor cantidad que se puede asignar es
15 y ası́ se satura la tercera columna.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8
15
F2 5

4 2 6 7
F3 0 30

13 14 8

La primera fila no saturada sigue siendo la segunda. Allı́ la casilla disponible

de costo mı́nimo es la casilla (2,1). La mayor cantidad que se puede asignar
es 5 y ası́ se satura la segunda fila.

205
206 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 0 30

8 14 8

La primera fila no saturada es la tercera. Allı́ la casilla disponible de costo

mı́nimo es la casilla (3,2). La mayor cantidad que se puede asignar es 14 y
ası́ se satura la segunda columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 14 0 16

8 8

La primera fila no saturada sigue siendo la tercera. Allı́ la casilla disponible

de costo mı́nimo es la casilla (3,1). La mayor cantidad que se puede asignar
es 8 y ası́ se satura la primera columna.

206
 17.2. MÉTODO DEL COSTO MÍNIMO POR FILAS 207

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 8 14 0 8

La primera fila no saturada sigue siendo la tercera. Allı́ la casilla disponible

de costo mı́nimo (la última) es la casilla (3,4). La mayor cantidad que se
puede asignar es 8 y ası́ se saturan la tercera fila y la cuarta columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 5 0 15 0 20

4 2 6 7
F3 8 14 0 8 30

13 14 15 18

Aquı́ ya no hay casillas disponibles y se ha obtenido una solución factible

básica inicial. Su costo es z = 141. Si se calculan los costos reducidos (o
si se compara con la solución óptima obtenida en el ejemplo 16.6) se puede
afirmar que la solución obtenida es óptima.

207
208 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

El hecho de encontrar por este método una solución básica factible y, al

mismo tiempo, óptima, es simplemente casual. Los métodos conocidos para
hallar soluciones básicas factibles iniciales, no garantizan la obtención de una
solución óptima. Simplemente algunos métodos aumentan la posibilidad de
que la tabla obtenida esté más cerca de la tabla óptima. 3

Si la solución factible básica obtenida no es óptima, se continúa el proceso

con la escogencia de la variable que entra, escogencia de la variable que sale,
modificación de la tabla...

17.3. Método del costo mı́nimo por columnas

Este método sirve para hallar una solución factible básica inicial. Es
muy semejante al método del costo mı́nimo por filas. La única diferencia
consiste en que siempre se busca la casilla disponible de costo mı́nimo en la
primera columna no saturada.

Ejemplo 17.3. Consideremos los mismos datos del ejemplo 16.1.

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 18

La primera columna no saturada es la primera. Allı́ la casilla disponible de

costo mı́nimo es la casilla (2,1). La máxima cantidad que se puede asignar
es 13. Ası́ se satura la primera columna.

208
 17.3. MÉTODO DEL COSTO MÍNIMO POR COLUMNAS 209

D1 D2 D3 D4

5 9 4 1
0
F1
10
3 5 0 8
13
F2 7

4 2 6 7
F3 0 30

14 15 18

La primera columna no saturada es la segunda. Allı́ la casilla disponible de

costo mı́nimo es la casilla (3,2). La máxima cantidad que se puede asignar
es 14. Ası́ se satura la segunda columna.

D1 D2 D3 D4

5 9 4 1
0 0
F1
10
3 5 0 8
13 0
F2 7

4 2 6 7
F3 0 14 16

15 18

La primera columna no saturada es la tercera. Allı́ la casilla disponible de

costo mı́nimo es la casilla (2,3). La máxima cantidad que se puede asignar

209
210 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

es 7. Ası́ se satura la segunda fila.

D1 D2 D3 D4

5 9 4 1

F1 0 0
10
3 5 0 8
F2 13 0 7 0

4 2 6 7
F3 0 14 16

8 18

La primera columna no saturada es nuevamente la tercera. Allı́ la casilla

disponible de costo mı́nimo es la casilla (1,3). La máxima cantidad que se
puede asignar es 8. Ası́ se satura la tercera columna.

D1 D2 D3 D4

5 9 4 1

F1 0 0 8
2
3 5 0 8
F2 13 0 7 0

4 2 6 7
F3 0 14 0 16

18

La primera columna no saturada es la cuarta. Allı́ la casilla disponible de

210
 17.3. MÉTODO DEL COSTO MÍNIMO POR COLUMNAS 211

costo mı́nimo es la casilla (1,4). La máxima cantidad que se puede asignar

es 2. Ası́ se satura la primera fila.

D1 D2 D3 D4

5 9 4 1
F1 0 0 8 2

3 5 0 8
F2 13 0 7 0

4 2 6 7
F3 0 14 0 16

16

La primera columna no saturada es nuevamente la cuarta. Allı́ la casilla

disponible de costo mı́nimo (la última casilla) es la casilla (3,4). La máxima
cantidad que se puede asignar es 16. Ası́ se saturan la tercera fila y la cuarta
columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 8 2 10

3 5 0 8
F2 13 0 7 0 20

4 2 6 7
F3 0 14 0 16 30

13 14 15 18

211
212 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

Aquı́ ya no hay casillas disponibles y se ha obtenido una solución factible

básica inicial. Su costo es z = 213. Si se calculan los costos reducidos
se puede ver que la solución obtenida no es óptima (c̃11 = −2, c̃31 = −9,
c̃33 = −4), entonces se continúa el proceso con la escogencia de la variable
que entra, escogencia de la variable que sale, modificación de la tabla... 3

17.4. Método del costo mı́nimo de la matriz

Este método sirve para hallar una solución factible básica inicial y es
semejante a los dos métodos anteriores. La diferencia consiste en que acá se
busca la casilla disponible de costo mı́nimo en toda la matriz. Su algoritmo
es el siguiente:

· todas las casillas están disponibles

· las ofertas y demandas disponibles son las iniciales
· todas las lı́neas están no saturadas
mientras haya casillas disponibles
· buscar, en toda la tabla, la casilla disponible de costo mı́nimo
· asignar a esta casilla la mayor cantidad posible:
- saturar una lı́nea: una fila o una columna
- en esta lı́nea, para las otras casillas disponibles: xij = 0
- actualizar la oferta y demanda disponibles
fin-mientras

Ejemplo 17.4. Consideremos los mismos datos del ejemplo 16.1

212
 17.4. MÉTODO DEL COSTO MÍNIMO DE LA MATRIZ 213

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 18

La casilla disponible de costo mı́nimo, en la matriz, es la casilla (2,3). La

máxima cantidad que se puede asignar es 15. Ası́ se satura la tercera co-
lumna.

D1 D2 D3 D4

5 9 4 1
0
F1
10
3 5 0 8
15
F2 5

4 2 6 7
F3 0 30

13 14 18

La casilla disponible de costo mı́nimo, en la matriz, es la casilla (1,4). La

máxima cantidad que se puede asignar es 10. Ası́ se satura la primera fila.

213
214 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8
15
F2 5

4 2 6 7
F3 0 30

13 14 8

La casilla disponible de costo mı́nimo, en la matriz, es la casilla (3,2). La

máxima cantidad que se puede asignar es 14. Ası́ se satura la segunda
columna.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8
0 15
F2 5

4 2 6 7
F3 14 0 16

13 8

La casilla disponible de costo mı́nimo, en la matriz, es la casilla (2,1). La

máxima cantidad que se puede asignar es 5. Ası́ se satura la segunda fila.

214
 17.4. MÉTODO DEL COSTO MÍNIMO DE LA MATRIZ 215

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 14 0 16

8 8

La casilla disponible de costo mı́nimo, en la matriz, es la casilla (3,1). La

máxima cantidad que se puede asignar es 8. Ası́ se satura la primera colum-
na.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 8 14 0 8

La casilla disponible de costo mı́nimo (la última), en la matriz, es la

casilla (3,4). La máxima cantidad que se puede asignar es 8. Ası́ se saturan
la tercera fila y cuarta columna.

215
216 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 5 0 15 0 20

4 2 6 7
F3 8 14 0 8 30

13 14 15 18

Aquı́ ya no hay casillas disponibles y se ha obtenido una solución factible

básica inicial. Su costo es z = 141. Si se calculan los costos reducidos (o
si se compara con la solución óptima obtenida en el ejemplo 16.6) se puede
afirmar que la solución obtenida es óptima. 3

En la mayorı́a de los casos el método del costo mı́nimo de la matriz da

una solución inicial mejor o semejante a la del método del costo mı́nimo por
columnas o por filas.

17.5. Método de Vogel

Este método también sirve para hallar una solución factible básica inicial.
Su algoritmo es el siguiente:

216
 17.5. MÉTODO DE VOGEL 217

· todas las casillas están disponibles

· las ofertas y demandas disponibles son las iniciales
· todas las lı́neas están no saturadas
mientras haya casillas disponibles
· en cada lı́nea no saturada buscar la diferencia no negativa
entre los dos costos más pequeños de casillas disponibles
· asignar a esta casilla la mayor cantidad posible:
- saturar una lı́nea: una fila o una columna
- en esta lı́nea, para las otras casillas disponibles: xij = 0
- actualizar la oferta y demanda disponibles
fin-mientras

Observación: Si en una lı́nea hay una sola casilla disponible, se supone

que el segundo valor más pequeño es muy grande, ası́ la diferencia es muy
grande.

Ejemplo 17.5. Consideremos los mismos datos del ejemplo 16.1

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 18

Para la primera fila la diferencia es 4 − 1 = 3. Para la segunda fila la

diferencia es 3 − 0 = 3. Para la tercera fila la diferencia vale 4 − 2 = 2. Para
la primera columna la diferencia es 4 − 3 = 1, y ası́ sucesivamente.

217
218 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1

F1
10 3
3 5 0 8

F2 20 3

4 2 6 7
F3 30 2

13 14 15 18

1 3 4 6

La cuarta columna tiene mayor diferencia: 6. En esta columna la casilla

disponible de costo mı́nimo es la casilla (1,4). Allı́ se puede asignar 10 y se
satura la primera fila.

218
 17.5. MÉTODO DE VOGEL 219

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8

F2 20 3

4 2 6 7
F3 30 2

13 14 15 8

1 3 6 1

La tercera columna tiene mayor diferencia: 6. En esta columna la casilla

disponible de costo mı́nimo es la casilla (2,3). Allı́ se puede asignar 15 y se
satura la tercera columna.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8
15
F2 5 2

4 2 6 7
F3 0 30 2

13 14 8

1 3 1

219
220 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

La segunda columna tiene mayor diferencia: 3. En esta columna la casilla

disponible de costo mı́nimo es la casilla (3,2). Allı́ se puede asignar 14 y se
satura la segunda columna.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8
0 15
F2 5 5

4 2 6 7
F3 14 0 16 3

13 8

1 1

La segunda fila tiene mayor diferencia: 5. En esta fila la casilla disponible

de costo mı́nimo es la casilla (2,1). Allı́ se puede asignar 5 y se satura la
segunda fila.

220
 17.5. MÉTODO DE VOGEL 221

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 14 0 16 3

8 8

∞ ∞

Hay empate en el mayor valor (∞), entre la primera columna y la cuarta.

Se puede escoger cualquiera de las dos. Supongamos que se toma la primera
encontrada (según un cierto orden), es decir, la primera columna. En esta
columna la casilla disponible de costo mı́nimo (la única) es la casilla (3,1).
Allı́ se puede asignar 8 y se satura la primera columna.

221
222 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7
F3 8 14 0 8 ∞

No queda sino una casilla disponible, la (3,4). Allı́ se puede asignar 8 y se

saturan al tiempo la tercera fila y la cuarta columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 5 0 15 0 20

4 2 6 7
F3 8 14 0 8 30

13 14 15 18

Aquı́ ya no hay casillas disponibles y se ha obtenido una solución factible

básica inicial. Su costo es z = 141. Si se calculan los costos reducidos (o

222
 17.6. MÉTODO DE RUSSEL 223

si se compara con la solución óptima obtenida en el ejemplo 16.6) se puede

afirmar que la solución obtenida es óptima. 3

17.6. Método de Russel

Este método también sirve para hallar una solución factible básica inicial.
Su algoritmo es el siguiente:

· todas las casillas están disponibles

· las ofertas y demandas disponibles son las iniciales
· todas las lı́neas están no saturadas
mientras haya casillas disponibles
· en cada fila no saturada calcular u0i
· en cada columna no saturada calcular vj0
· en cada casilla disponible calcular c0ij = cij − u0i − vj0
· buscar la casilla disponible de c0ij mı́nimo
· asignar a esta casilla la mayor cantidad posible
- saturar una lı́nea: una fila o una columna
- en esta lı́nea, para las otras casillas disponibles: xij = 0
- actualizar la oferta y demanda disponibles
fin-mientras

El valor u0i es el mayor costo de las casillas disponibles de la fila i. El

valor vj0 es el mayor costo de las casillas disponibles de la columna j.

Ejemplo 17.6. Consideremos los mismos datos del ejemplo 16.1

223
224 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 20

4 2 6 7
F3 30

13 14 15 18

En la primera fila, el costo máximo de las casillas disponibles es 9, entonces

u01 = 9. De manera semejante u02 = 8, u03 = 7, v10 = 5, v20 = 9, v30 = 6, v40 = 8.
Ası́ c011 = 5 − 9 − 5 = −9, c012 = 9 − 9 − 9 = −9, ...

D1 D2 D3 D4

5 −9 9 −9 4 −11 1 −16

F1
10 9
3 −10 5 −12 0 −14 8 −8

F2 20 8

4 −8 2 −14 6 −7 7 −8
F3 30 7

13 14 15 18

5 9 6 8

224
 17.6. MÉTODO DE RUSSEL 225

El mı́nimo de los valores c0ij es −16 y está en la casilla (1,4). Allı́ se puede
asignar 10 y se satura la primera fila.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 −9 5 −8 0 −14 8 −8

F2 20 8

4 −7 2 −10 6 −7 7 −8
F3 30 7

13 14 15 8

4 5 6 8

El mı́nimo de los valores c0ij es −14 y está en la casilla (2,3). Allı́ se puede
asignar 15 y se satura la tercera columna.

225
226 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 −9 5 −8 0 8 −8
15
F2 5 8

4 −7 2 −10 6 7 −8
F3 0 30 7

13 14 8

4 5 8

El mı́nimo de los valores c0ij es −10 y está en la casilla (3,2). Allı́ se puede
asignar 14 y se satura la segunda columna.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 −9 5 0 8 −8
0 15
F2 5 8

4 −7 2 6 7 −8
F3 14 0 16 7

13 8

4 8

226
 17.6. MÉTODO DE RUSSEL 227

El mı́nimo de los valores c0ij es −9 y está en la casilla (2,1). Allı́ se puede

asignar 5 y se satura la segunda fila.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 −7 2 6 7 −7
F3 14 0 16 7

8 8

4 7

El mı́nimo de los valores c0ij es −7 y está en la casilla (3,1) o en la casilla

(3,4). En la casilla (3,1) se puede asignar 8 y se satura la primera columna.

227
228 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 5 0 15 0

4 2 6 7 −7
F3 8 14 0 8 7

El mı́nimo de los valores c0ij es −7 y está en la casilla (3,4), que es la última

casilla disponible. Allı́ se puede asignar 8 y se saturan la tercera fila y cuarta
columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 5 0 15 0 20

4 2 6 7
F3 8 14 0 8 30

13 14 15 18

Aquı́ ya no hay casillas disponibles y se ha obtenido una solución factible

básica inicial. Su costo es z = 141. Si se calculan los costos reducidos (o

228
 17.7. SOLUCIONES BÁSICAS DEGENERADAS 229

si se compara con la solución óptima obtenida en el ejemplo 16.6) se puede

afirmar que la solución obtenida es óptima. 3

De los métodos anteriormente expuestos el más usado para problemas

grandes es el de Vogel. Ninguno de estos métodos garantiza obtener una
solución factible básica inicial óptima. Sin embargo, los métodos de Vogel
y Russel son los que, en general, dan una solución inicial más cercana al
óptimo.
Como en estos métodos hay que efectuar muchas búsquedas, en proble-
mas grandes no es conveniente hacerlo sobre toda la matriz. De ahı́ que se
utilice más el método de Vogel que el de Russel y que se prefiera el método
del costo mı́nimo por filas (o por columnas) al método del costo mı́nimo de
la matriz.

17.7. Soluciones básicas degeneradas

Las soluciones básicas degeneradas se pueden presentar por tres causas:

a) por modificación de otra solución básica degenerada,

b) en la obtención de una solución básica inicial, cuando al asignar la

mayor cantidad posible a una casilla diferente de la última (la m + n −
1), se copa al mismo tiempo el valor disponible en la fila (oferta) y el
valor disponible en la columna (demanda),

c) en la modificación de una tabla, al escoger la variable que sale, el valor

mı́nimo de las casillas de disminución se obtiene en dos o más casillas.

En cualquiera de estos casos, alguna (o algunas) variable nula debe ser

considerada como variable básica de tal forma que haya m + n − 1 varia-
bles básicas. La escogencia de esta (o estas) variable tiene cierto grado de
flexibilidad, pero tampoco es totalmente flexible. Es decir, hay pautas para
escoger adecuadamente si una variable nula debe ser básica. Por facilidad
visual las variables nulas básicas se indicarán por medio de la letra griega ²
(épsilon).

Ejemplo 17.7. Consideremos la siguiente solución factible básica.

229
230 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 0 10 0 0 10

4 2 6 7
F3 0 0 10 10 20

10 10 10 10

Dos de las variables nulas deben considerarse como básicas, sin embargo, la
siguiente escogencia no es adecuada.

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 0 10 ² 0 10

4 2 6 7
F3 0 ² 10 10 20

10 10 10 10

Al tratar de calcular el costo reducido de la variable libre x12 obteniendo

su circuito, se observa que es imposible: Si aumenta x12 , entonces necesaria-
mente tiene que disminuir x11 y otra variable básica de la primera columna
debe aumentar, pero esto es imposible. Al tratar de calcular los costos
reducidos por el método de las variables duales tampoco se puede. 3

230
 17.7. SOLUCIONES BÁSICAS DEGENERADAS 231

Para la adecuada obtención de una solución básica factible es necesario

tener en cuenta las siguientes indicaciones:

Las variables básicas son aquellas cuyo valor es positivo o las nulas
indicadas por el sı́mbolo ².

Puede haber lı́neas con disponibilidad nula y no estar saturadas, es

decir, disponibilidad nula y saturación no son equivalentes.

Cuando se asigna la mayor cantidad posible a una casilla y ésta no es

la m + n − 1, únicamente se satura una lı́nea. Esto quiere decir que
si la cantidad disponible en la fila es la misma de la columna de la
casilla escogida, entonces se satura, por ejemplo, únicamente la fila y
la columna continúa no saturada con disponibilidad nula.

Si se presenta un empate en la escogencia de la lı́nea (o la fila o la

columna) que se satura, como el descrito en la indicación anterior, y si
queda únicamente una fila no saturada y varias columnas no satura-
das, entonces se debe saturar necesariamente la columna de la casilla
escogida. De manera semejante, si hay una sola columna no saturada
y varias filas no saturadas se debe saturar la fila de la casilla escogida.

Cuando la mayor cantidad posible que se puede asignar a una casilla

es cero, entonces esto se indica con ².

Al modificar un circuito únicamente una variable básica se vuelve libre,

es decir, si al modificar el circuito dos o más variables quedan con valor
nulo, solamente una de ellas se vuelve libre, las demás tienen valor cero,
pero son básicas, y se denotan con el sı́mbolo ².

Si al modificar un circuito, la máxima cantidad que puede tomar la va-

riable que entra es ², entonces la “suma” y “resta” tienen las siguientes
propiedades:

x + ² = x, si x > 0,
x − ² = x, si x > 0,
² + ² = ²,
² − ² = 0.

Ejemplo 17.8. Hallar una solución básica factible por el método de Vogel:

231
232 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1

F1
10
3 5 0 8

F2 10

4 2 6 7
F3 20

10 10 10 10

Para la primera fila la diferencia es 4 − 1 = 3. Para la segunda fila la

diferencia es 3 − 0 = 3. Para la tercera fila la diferencia vale 4 − 2 = 2. Para
la primera columna la diferencia es 4 − 3 = 1, y ası́ sucesivamente.

D1 D2 D3 D4

5 9 4 1

F1
10 3
3 5 0 8

F2 10 3

4 2 6 7
F3 20 2

10 10 10 10

1 3 4 6

232
 17.7. SOLUCIONES BÁSICAS DEGENERADAS 233

La cuarta columna tiene mayor diferencia: 6. En esta columna la casilla

disponible de costo mı́nimo es la casilla (1,4). Allı́ se puede asignar 10 y se
satura, por ejemplo, la primera fila. La cuarta columna no se satura, pero
queda con disponibilidad nula.

D1 D2 D3 D4

5 9 4 1
0 0 0 10
F1

3 5 0 8

F2 10 3

4 2 6 7
F3 20 2

10 10 10 0

1 3 6 1

La tercera columna tiene mayor diferencia: 6. En esta columna la casilla

disponible de costo mı́nimo es la casilla (2,3). Allı́ se puede asignar 10 y se
satura, por ejemplo, la segunda fila. La tercera columna no se satura, pero

233
234 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

queda con disponibilidad nula.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 0 0 10 0

4 2 6 7
F3 20 2

10 10 0 0

∞ ∞ ∞ ∞

Por ejemplo, la primera columna tiene mayor diferencia ∞. En esta columna

la casilla disponible de costo mı́nimo (la única) es la casilla (3,1). Allı́ se
puede asignar 10 y se satura la primera columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 0 0 10 0

4 2 6 7
F3 10 10 4

10 0 0

∞ ∞ ∞

234
 17.7. SOLUCIONES BÁSICAS DEGENERADAS 235

Por ejemplo, la segunda columna tiene mayor diferencia: ∞. En esta colum-

na la casilla disponible de costo mı́nimo (la única) es la casilla (3,2). Allı́ se
puede asignar 10. Esto hace que las disponibilidades de la tercera fila y la
segunda columna se anulen. Como solamente queda una fila no saturada
(la tercera) y varias columnas sin saturar, se debe saturar necesariamente
la segunda columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 0 0 10 0

4 2 6 7
F3 10 10 0 1

0 0

∞ ∞

Escogiendo la tercera columna como la lı́nea de mayor diferencia, la casilla

disponible de costo mı́nimo (la única) es la casilla (3,3). Allı́ se puede asignar
0, denotado por ². Aparentemente habrı́a posibilidad de saturar la tercera
fila o la tercera columna, pero como sólo queda una fila no saturada (la
tercera) y varias columnas sin saturar, se debe saturar necesariamente la
tercera columna.

235
236 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10

3 5 0 8
F2 0 0 10 0

4 2 6 7
F3 10 10 ² 0 ∞

No queda sino una casilla disponible, la (3,4). Allı́ se puede asignar 0 (de-
notado por ²) y se saturan al tiempo la tercera fila y la cuarta columna.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 0 0 10 0 10

4 2 6 7
F3 10 10 ² ² 20

10 10 10 10

Aquı́ ya no hay casillas disponibles y se ha obtenido una solución factible

236
 17.7. SOLUCIONES BÁSICAS DEGENERADAS 237

básica inicial. Su costo es z = 70. Al calcular los costos reducidos se tiene:

u1 + v4 = 1,
u2 + v3 = 0,
u3 + v1 = 4,
u3 + v2 = 2,
u3 + v3 = 6,
u3 + v4 = 7.

Démosle a la variable u3 el valor cero. Entonces:

u1 = −6, v1 = 4,
u2 = −6, v2 = 2,
u3 = 0, v3 = 6,
v4 = 7.

De manera inmediata se tienen los costos reducidos:

c̃11 = 5 − −6 − 4 = 7,
c̃12 = 9 − −6 − 2 = 13,
c̃13 = 4 − −6 − 6 = 4,
c̃21 = 3 − −6 − 4 = 5,
c̃22 = 5 − −6 − 2 = 9,
c̃24 = 8 − −6 − 7 = 7.

La solución obtenida es óptima. 3

Ejemplo 17.9. Considérese la siguiente solución factible básica, no dege-

nerada:

237
238 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 1
F1 10 0 0 0 10

3 5 0 8
F2 10 10 0 0 20

4 2 6 7
F3 0 10 10 10 30

20 20 10 10

z = 280.

Esta solución básica fue obtenida por el método de la esquina noroccidental.

El costo reducido mı́nimo es c̃14 = −11, luego la solución no es óptima. El
circuito de x14 es: (1,4), (1,1), (2,1), (2,2), (3,2), (3,4).
El valor máximo que se puede asignar es 10 . Al actualizar el circui-
to, se anuları́an tres variables: x11 , x22 , x34 , pero solamente una variable
puede volverse libre, las otras deben seguir siendo básicas, aunque nulas.
Supongamos que sale de la base x11 , entonces x22 , x34 se denotarán con ².

238
 17.7. SOLUCIONES BÁSICAS DEGENERADAS 239

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 20 ² 0 0 20

4 2 6 7
F3 0 20 10 ² 30

20 20 10 10

Esta tabla tampoco es óptima, es necesario efectuar más iteraciones hasta

obtener el óptimo con la siguiente tabla.

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 10 10

3 5 0 8
F2 10 0 10 0 20

4 2 6 7
F3 10 20 0 ² 30

20 20 10 10

z = 120. 3

239
240 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

17.8. Oferta total diferente de demanda total

Cuando la oferta total es diferente de la demanda total puede haber dos

casos: la oferta total es mayor que la demanda total o la oferta total es
menor que la demanda total.
En el primer caso se debe crear un destino adicional ficticio, una colum-
na adicional, con una demanda igual al exceso de oferta. Las cantidades
enviadas hacia este destino pueden indicar la capacidad de oferta no utili-
zada, o bien las unidades almacenadas en cada origen y no enviadas. Los
costos unitarios hacia este nuevo destino son pequeños y pueden ser nulos o
pueden indicar un costo de almacenamiento para las unidades no enviadas
o también pueden indicar el costo por no utilizar algunas máquinas a su
capacidad máxima óptima.
En el segundo caso definitivamente el problema no tiene solución. Sin
embargo, se puede pensar en tratar de hallar una seudosolución que, in-
cumpliendo de todas maneras las restricciones de demanda, busca un costo
mı́nimo. Para esto se crea un origen ficticio adicional, una nueva fila, cuya
oferta está dada por el exceso de demanda. Las cantidades enviadas desde
este origen indican la demanda no satisfecha o también pueden indicar el
número de unidades que es necesario conseguir por fuera de la empresa para
poder satisfacer la demanda. Los costos unitarios desde el origen ficticio
son muy altos y pueden indicar el costo de transporte más el sobreprecio
por comprar el producto a otros proveedores, o también pueden significar
las pérdidas ocasionadas por una demanda no satisfecha.

Ejemplo 17.10. Considere los siguientes datos:

240
 17.8. OFERTA TOTAL DIFERENTE DE DEMANDA TOTAL 241

D1 D2 D3

5 9 4

F1
10
3 5 4

F2 20

4 2 6
F3 30

11 12 13

La oferta total es igual a 60 y la demanda total es 36, luego es necesario

crear un destino adicional con una demanda de 24 unidades. Por falta de
información adicional, supongamos que los costos para este destino ficticio
son nulos.

D1 D2 D3 D4

5 9 4 0

F1
10
3 5 4 0

F2 20

4 2 6 0
F3 30

11 12 13 24

La tabla óptima para este problema es la siguiente:

241
242 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

D1 D2 D3 D4

5 9 4 0
F1 0 0 4 6 10

3 5 4 0
F2 11 0 9 0 20

4 2 6 0
F3 0 12 0 18 30

11 12 13 24

z = 109. 3

Ejemplo 17.11. Considere los siguientes datos:

D1 D2 D3 D4

5 9 4 1

F1 11

3 5 0 8
F2 22

11 12 13 24

La oferta total es igual a 33 y la demanda total es 60. Realmente el pro-

blema no tiene solución, pero se va a buscar una seudosolución con costo
de transporte mı́nimo. Es necesario crear un origen (o fábrica) adicional
ficticio, con una oferta de 27 unidades. Por falta de información adicional,
supongamos que los costos para este destino ficticio son grandes y valen 99.

242
 17.8. OFERTA TOTAL DIFERENTE DE DEMANDA TOTAL 243

D1 D2 D3 D4

5 9 4 1

F1
11
3 5 0 8

F2 22

99 99 99 99
F3 27

11 12 13 24

La tabla óptima para este problema es la siguiente:

D1 D2 D3 D4

5 9 4 1
F1 0 0 0 11 11

3 5 0 8
F2 9 0 13 0 22

99 99 99 99
F3 2 12 0 13 27

11 12 13 24

z = 2711.
En realidad el costo mı́nimo de transporte de esta seudosolución es z = 38,
a lo cual habrı́a que agregar el verdadero costo, correspondiente al incumpli-

243
 244 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

miento de la demanda, o el precio adicional de los sobreesfuerzos necesarios

para satisfacer la demanda.
Según esta seudosolución, únicamente se satisface la demanda del destino
D3 , los otros destinos tienen demanda insatisfecha de 2, 12 y 13 unidades. 3

EJERCICIOS

En los ejercicios 17.1 a 17.8, resuelva el problema de transporte plan-

teado. Utilice varios métodos para hallar la solución básica inicial.
Calcule los costos reducidos de varias maneras. Si hay más de un pun-
to óptimo, encuentre por lo menos dos. Si es necesario, haga modifica-
ciones o adaptaciones del problema planteado, para poder resolverlo.
17.1. Ofertas 10, 11, 12; demandas 7, 8, 9, 9; matriz de costos unitarios:
 
10 7 8 9
 7 8 4 2 .
6 5 3 1

17.2. Ofertas 10, 11, 12, 13, 14; demandas 9, 9, 9, 9, 24; matriz de costos
unitarios:  
6 8 9 6 5
 7 10 7 7 6 
 
 10 8 8 7 6 
 .
 9 9 7 5 2 
10 9 4 3 1

17.3. Ofertas 10, 50, 20, 40, 30; demandas 27, 35, 31, 28, 29; matriz de
costos unitarios:  
6 8 9 5 1
 5 10 6 2 9 
 
 8 8 4 8 6 .
 
 9 2 6 5 2 
1 6 4 3 1

17.4. Ofertas 40, 30, 30; demandas 10, 20, 30, 40; matriz de costos unitarios:
 
11 9 8 7
 10 5 6 1  .
4 3 1 0

244
 17.8. OFERTA TOTAL DIFERENTE DE DEMANDA TOTAL 245

17.5. Ofertas 1, 1, 1, 1; demandas 1, 1, 1, 1; matriz de costos unitarios:

 
16 15 3 4
 4 13 10 9 
 .
 12 8 2 7 
3 1 6 5

17.6. Ofertas 20, 15, 10, 15; demandas 18, 19, 23; matriz de costos unitarios:
 
11 10 4
 9 5 3 
 
 8 6 1 .
7 1 0

17.7. Ofertas 10, 16, 20; demandas 10, 15, 15; matriz de costos unitarios:
 
11 10 4
 9 5 3 .
8 6 1

17.8. Ofertas 10, 16, 10; demandas 10, 15, 15; matriz de costos unitarios:
 
11 10 4
 9 5 3 .
8 6 1

245
246 CAPÍTULO 17. OTROS MÉTODOS PARA EL TRANSPORTE

246
Capı́tulo 18

ANÁLISIS DE
SENSIBILIDAD

Antes de introducir los conceptos del análisis de sensibilidad, se presenta

un problema pequeño, con el cual es posible comprender mejor las nociones
correspondientes.

Ejemplo 18.1. Este problema es en realidad una modificación del problema

de asignación de recursos planteado en el primer capı́tulo. Una fábrica ela-
bora tres productos diferentes P1 , P2 y P3 y utiliza tres máquinas diferentes
M1 , M2 , M3 . Los tres productos requieren el uso, sin importar el orden, de
las tres máquinas. Cada unidad del producto P1 requiere una hora en cada
una de las tres máquinas. Cada unidad del producto P2 requiere una hora
en la máquina M1 y dos horas en la máquina M2 . Cada unidad del tercer
producto requiere dos horas en la primera máquina, una hora en la segunda
máquina y dos horas en la tercera máquina. Las disponibilidades mensuales
de las máquinas M1 , M2 , M3 son 400, 580 y 300 horas respectivamente.
La materia prima necesaria para la fabricación de los productos es muy
fácil de obtener y se puede conseguir en cantidades tan grandes que se pueden
suponer ilimitadas. Después de hacer el cálculo de todos los gastos necesarios
para la fabricación, publicidad, distribución, comercialización, y teniendo en
cuenta el precio de venta, se obtiene que el beneficio por cada unidad del
producto P1 es $ 1. Para el producto P2 el beneficio unitario es $ 1.4. Para
el producto P3 el beneficio unitario es $ 1.5. Estudiando la demanda actual
para los dos productos, el gerente de ventas cree que se puede vender toda
la producción. La compañı́a desea organizar su producción para que ésta

247
248 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

sea óptima.
max x1 + 1.4x2 + 1.5x3
x1 + x2 + 2x3 ≤ 400
x1 + 2x2 + x3 ≤ 580
x1 + 2x3 ≤ 300
x ≥ 0.
Introduciendo variables de holgura y convirtiendo el problema en uno de
minimización se obtiene:
min z = −x1 − 1.4x2 − 1.5x3
x1 + x2 + 2x3 + x4 = 400
x1 + 2x2 + x3 + x5 = 580
x1 + 2x3 + x6 = 300
x ≥ 0.

Su tabla óptima es:

 
x2 0 1 −1 −1 1 0 180
x6 
 0 0 −1 −2 1 1 80 
x1  1 0 3 2 −1 0 220 
−z 0 0 0.1 0.6 0.4 0 472

x∗ = (220, 180, 0, 0, 0, 80),

z ∗ = −472.

Si se utiliza el MSR, la tabla final es

 
x2 −1 1 0 0 180
x6   −2 1 1 0 80  
x1  2 −1 0 0 220 
−z 0.6 0.4 0 1 472
£ ¤
c̃TL = 0.1 0.6 0.4 3

Una de las hipótesis de la programación lineal considera que el modelo

es determinista, es decir, se supone que los diferentes datos del problema
(coeficientes cj , bi , aij ) son conocidos de manera exacta y precisa. Esta
suposición es muy fuerte ya que en realidad, generalmente, sólo se conoce
una aproximación de cada dato. Más aún, suponiendo que en realidad un
dato se conoce de manera precisa, su valor puede haber cambiado con el

248
 18.1. MODIFICACIONES EN LOS COSTOS 249

tiempo, o se puede prever su cambio dentro de cierto tiempo. O también

existe la posibilidad de modificar voluntariamente un dato, por ejemplo, se
conoce la disponibilidad de cierta materia prima en el mercado nacional,
pero si fuera conveniente, se podrı́a importar.
Para fijar más las ideas, supóngase que se conoce la solución óptima de
minimizar z = cT x, Ax = b, x ≥ 0. Si ahora se quiere resolver z = c0 T x,
Ax = b, x ≥ 0 (donde c0 es un vector de costos diferente, pero parecido a c),
habrı́a dos caminos, el primero consiste en resolver completamente (desde el
principio) el nuevo problema, es el camino de la “fuerza bruta”, la segunda
opción consiste en estudiar, a partir de los resultados finales del problema
no modificado (tabla óptima, x∗ , ...), los cambios que se producirı́an al
cambiar c por c0 , este segundo camino corresponde exactamente al análisis
de sensibilidad.
Las modificaciones más usuales que se estudian en el análisis de sensibi-
lidad son las siguientes:

en los costos (coeficientes cj ),

en los términos independientes ( valores bi ),

en una columna libre (no básica) de la matriz A,

una restricción adicional,

una columna adicional.

18.1. Modificaciones en los costos

El estudio de los cambios en los costos, se puede subdividir en tres clases,

la primera corresponde a un cambio puntual o discreto, por ejemplo, si el
vector de costos es

c = (−1, −1.4, −1.5, 0, 0, 0),

y pasa a ser

c0 = (−1.2, −1.6, −1.4, 0, 0, 0).

249
250 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

La segunda clase de modificaciones corresponde a un cambio parametrizado

en un solo coeficiente, por ejemplo, si el vector de costos es

c = (−1, −1.4, −1.5, 0, 0, 0),

y pasa a ser

c0 = (−1, α, −1.5, 0, 0, 0).

La tercera clase de modificaciones corresponde a un cambio global parame-

trizado (por un solo parámetro), por ejemplo, si el vector de costos es

c = (−1, −1.4, −1.5, 0, 0, 0),

y pasa a ser

c0 = (−1, −1.4, −1.5, 0, 0, 0) + θ(1, 2, −1, 0, 0, 0).

Al hacer cambios en los coeficientes iniciales de la función objetivo, única-

mente aparecen modificaciones en z y en los costos reducidos de la última
tabla, la cual puede seguir siendo óptima o no. Más aún, solamente se
modificarı́an los costos reducidos de las variables libres ya que los costos
reducidos de las variables básicas siguen siendo nulos. Recuérdese que
−1 0
−z k = −cTB k B k b
= −cTB bk ,

donde cB = cB k = ckB es el vector formado por los costos iniciales correspon-

−1
dientes a las variables básicas en la iteración k; B −1 = B k es la inversa de
la matriz formada por las columnas de la matriz inicial A, correspondientes
a las variables básicas en la iteración k; b0 es el vector inicial de términos
independientes; bk es el vector de términos independientes en la iteración k.
Claro está, cuando hay una modificación en c, entonces
k
−z 0 = −c0B bk .
T

Los costos reducidos se pueden calcular mediante la fórmula siguiente:

T
c̃kL = ckL − (L0,k )T B −1 ckB ,

donde ckL son los costos iniciales correspondientes a las variables libres en la
iteración k; L0,k es la matriz formada por las columnas de la matriz inicial

250
 18.1. MODIFICACIONES EN LOS COSTOS 251

A, correspondientes a las variables libres en la iteración k. La anterior

igualdad se puede presentar de manera adecuada para la utilización a partir
de la última tabla del simplex, o bien, para ser utilizada fácilmente a partir
de la última tabla del MSR.

Si se utiliza la tabla del simplex

T
c̃TLk = cTLk − ckB Lk,k
c̃TL = cTL − cTB Lk
c̃j = cj − cTB Ak
j , xj es variable libre ,

donde Lk,k = Lk = L es la matriz obtenida al tomar de Ak las columnas

correspondientes a las variables libres en esa iteración. Obviamente, si en
lugar de tener el vector c se tiene otro vector c0 , entonces

c0LT = c0 L − c0 B Lk
T T
e
c̃0j = c0j − c0 B Ak
j ,
T
xj es variable libre .

Si se utiliza la tabla del MSR los costos reducidos se pueden expresar

¡ ¢
c̃TL = cTL − cTB B −1 L0,k
· ¸
£ ¤ L0,k £ ¤ 0,k
= −cB BT −1 1 = −cTB B −1 1 Lb
cL
T

¡ ¢
c̃j = cj − cTB B −1 A0
j , xj variable libre ,

donde Lb 0,k es la matriz obtenida al tomar de Â0 las columnas correspon-

dientes a las variables libres en la iteración k. Obviamente, si en lugar de
tener el vector c se tiene otro vector c0 , entonces
¡ T ¢
c̃0L T = c0 L − c0 B B −1 L0,k
T

£ ¤ 0,k
= −c0 TB B −1 1 L b
¡ ¢
c̃0j = c0 j − c0 B B −1 A0
j , xj variable libre .
T

18.1.1. Modificación puntual de c

Al pasar de un vector de costos c, a un vector de costos c0 , las conse-

cuencias son de dos clases: los costos reducidos de las variables libres siguen
siendo no negativos, en este caso el último punto obtenido sigue siendo ópti-
mo y no hay nada más que hacer. En la segunda clase de consecuencias,

251
252 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

por lo menos uno de los costos reducidos modificados de variables libres es

negativo, y lo que se debe hacer es continuar con el método simplex (o el
MSR).

Las modificaciones puntuales en el vector de costos son de tres tipos:

a) modificación de un solo costo correspondiente a una variable libre,

b) modificación de un solo costo correspondiente a una variable básica,

c) modificación de varios costos.

El análisis de una modificación de un solo costo de una variable libre es muy

simple: al observar la fórmula, es claro que solamente se modifica el costo
reducido correspondiente,

c̃0j = c0j − c0 B Ak
j

T

= c0j − cTB Ak
j

= cj − cTB Ak
j + c0j − cj
= c̃j + c0j − cj ,

es decir, el incremento que sufre el costo reducido es simplemente el incre-

mento que tuvo el costo. El valor de z no se modifica.
Ejemplo 18.2. Considerar los datos del ejemplo 18.1 , cambiando el coefi-
ciente c3 = −1.5, por c03 = −1.45.
En la tabla óptima x3 es una variable libre, luego c̃3 tendrá un incremento
de −1.45−(−1.5) = 0.05, o sea, c̃03 = 0.1+0.05 = 0.15, luego el punto óptimo
sigue siendo óptimo. 3
Ejemplo 18.3. Considerar los datos del ejemplo 18.1, cambiando el coefi-
ciente c3 = −1.5 por c03 = −1.8.
El costo reducido c̃3 tendrá un incremento de −1.8 − (−1.5) = −0.3, o
sea, c̃03 = 0.1 + −0.3 = −0.2, luego el último punto obtenido no serı́a óptimo
y es necesario continuar el método a partir de la siguiente tabla:
 
x2 0 1 −1 −1 1 0 180
x6  0 0 −1 −2 1 1 80   3
x1  1 0 3 2 −1 0 220 
−z 0 0 −0.2 0.6 0.4 0 472

252
 18.1. MODIFICACIONES EN LOS COSTOS 253

La modificación de un solo costo, correspondiente a una variable básica,

implica la modificación de todos los costos reducidos de las variables libres
y del valor de z. Si la variable básica cuyo costo se modifica es la i-ésima,
entre las básicas
c̃0LT = c0L − c0 B Lk
T T

= cTL − [cβ1 . . . c0βi . . . cβm ]Lk

= cTL − [cβ1 . . . cβi + c0βi − cβi . . . cβm ]Lk
= cTL − cTB Lk − c0βi − cβi Lki

= c̃TL − (c0βi − cβi )Lki
.
De manera análoga
−z 0 = −z − (c0βi − cβi )bki .
Ejemplo 18.4. Considerar los datos del ejemplo 18.1, cambiando el coefi-
ciente c1 = −1 por c01 = −1.2.

La variable x1 es la tercera variable básica,

c̃0LT = c̃TL − (c0βi − cβi )Lki

c̃0LT = c̃TL − (c0β3 − cβ3 )Lk3

£ ¤ £ ¤
= 0.1 0.6 0.4 − (−1.2 − −1) 3 2 −1
£ ¤
= 0.7 1.0 0.2 .
Luego x = (220, 180, 0, 0, 0, 80) sigue siendo óptimo, y el nuevo valor de −z
será:
−z 0 = 472 − (−1.2 − −1)220 = 516. 3
Ejemplo 18.5. Considerar los datos del ejemplo 18.1, cambiando el coefi-
ciente c2 = −1.4, por c02 = −1.6.

La variable x2 es la primera variable básica,

c̃0L T = c̃TL − (c0βi − cβi )Lki

c̃0L T = c̃TL − (c0β1 − cβ1 )Lk1

£ ¤ £ ¤
= 0.1 0.6 0.4 − (−1.6 − −1.4) −1 −1 1
£ ¤
= −0.1 0.4 0.6 .
Luego x = (220, 180, 0, 0, 0, 80) ya no es óptimo. El nuevo valor de −z será:
−z 0 = 472 − (−1.6 − −1.4)180 = 508.

253
254 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

Es necesario continuar el método simplex a partir de la tabla

 
x2 0 1 −1 −1 1 0 180
x6 
 0 0 −1 −2 1 1 80   3
x1  1 0 3 2 −1 0 220 
−z 0 0 −0.1 0.4 0.6 0 508

18.1.2. Modificación parametrizada de un costo

En este caso, un solo coeficiente se modifica y se desea saber en qué in-

tervalo puede variar de tal forma que el último punto obtenido siga siendo
óptimo. Si, por ejemplo, el vector de costos c = (−1, −1.4, −1.5, 0, 0, 0) pasa
a ser (−1, α, −1.5, 0, 0, 0) existe un intervalo en el que puede variar α de
tal forma que el puntox = (220, 180, 0, 0, 0, 80) es óptimo. Obviamente ese
intervalo contiene el valor −1.4.

Las modificaciones pueden ser de dos tipos:

a) modificación de un solo costo correspondiente a una variable libre

b) modificación de un solo costo correspondiente a una variable básica.

El estudio del caso a) es muy sencillo:

c̃0j = c̃j + c0j − cj

= c̃j + α − cj ≥ 0,

luego

α ≥ cj − c̃j
α ∈ [cj − c̃j , ∞[.

Obviamente, si α varı́a en este intervalo, el valor de z no se modifica.

Para el estudio del caso b), un poco menos sencillo, supóngase que el
coeficiente modificado corresponde a una variable básica, la i-ésima entre
las básicas
c̃0L T = c̃TL − (c0βi − cβi )Lki
≥ 0.
Esto da lugar a n − m desigualdades

c̃0j = c̃j − (α − cβi )akij ≥ 0,

254
 18.1. MODIFICACIONES EN LOS COSTOS 255

cuando xj es variable libre. O sea,

k
c̃j + cβi aij ≥ α akij .

Entonces
α ∈ [αmin , αmax ],

donde

−∞
 si( akij ≥ 0 para toda variable libre ) xj ,
αmin = c̃j

cβi − min : akij < 0, xj es variable libre ,
−akij


∞
 si( akij ≤ 0 para toda variable libre ) xj ,
αmax = c̃j

cβi + min : akij > 0, xj es variable libre .
akij

Cuando se modifica un costo correspondiente a una variable básica, el valor

de −z sı́ se modifica.

−z 0 = −z k − (c0βi − cβi )bki

−z 0 = −z k + cβi bki − αbki
z 0 = z k − cβi bki + αbki .

Ejemplo 18.6. Averiguar, en el ejemplo 18.1, en qué intervalo puede variar

el coeficiente c3 , para que el punto x = (220, 180, 0, 0, 0, 80) siga siendo
óptimo.

Como en la tabla óptima x3 es variable libre

c3 = α ∈ [−1.5 − 0.1, ∞[= [−1.6, ∞[. 3

Ejemplo 18.7. Averiguar, en el ejemplo 18.1, en qué intervalo puede variar

el coeficiente c1 , para que el punto x = (220, 180, 0, 0, 0, 80) siga siendo
óptimo.
En la tabla óptima x1 es la tercera variable básica. Hallar el interva-
lo de variación de c1 pude hacerse de dos maneras, la primera consiste en
reemplazar directamente en las fórmulas generales de c̃0L T y sacar las conclu-
siones sobre las restricciones de α. La segunda manera consiste en aplicar

255
256 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

sencillamente las fórmulas para αmin , αmax .

c̃0L T = c0L − c0 B Lk
T T

 
£ ¤ £ ¤ −1 −1 1
= −1.5 0 0 − −1.4 0 α  −1 −2 1 
3 2 −1
£ ¤
= −3α − 2.9 −2α − 1.4 α + 1.4 ≥ 0,

entonces
−2.9
α≤
3
−1.4
α≤
2
α ≥ −1.4
α ∈ [−1.4, −0.9667],

−z 0 = −c0B bk
T

 
£ ¤ 180
=− −1.4 0 α  80 
220
= 252 − 220α
0
z = 220α − 252.

Al aplicar directamente las fórmulas finales

½ ¾
0.4
αmin = −1 − min = −1.4,
−−1
½ ¾
0.1 0.6
αmax = −1 + min , = −0.9667.
3 2
z 0 = −472 − (−1)(220) + α220 = −252 + 220α. 3

18.1.3. Modificación parametrizada de varios costos

En este caso los costos modificados se pueden expresar como

c0 = c + θc̄.

256
 18.1. MODIFICACIONES EN LOS COSTOS 257

Hay que encontrar un intervalo de variación de θ, de tal forma que el último

punto obtenido siga siendo óptimo.

c̃0L T = c0L − c0 B Lk ,
T T

entonces

c̃0L T = cTL + θc̄TL , −(cTB + θc̄TB )Lk

= cTL − cTB Lk + θ(c̄TL − c̄TB Lk )
= c̃TL + θc̄˜TL
c̃0j = c̃j + θc̄˜j ≥ 0, xj variable libre,

donde
c̄˜j = c̄j − c̄TB Ak
j .

−∞ ½ si c̄˜L ¾
≤0
θmin = c̃j
− min : c̄˜j > 0, xj es variable libre ,
c̄˜j

∞ ½ si c̄˜L ≥¾0
θmax = c̃j
min : c̄˜j < 0, xj es variable libre .
−c̄˜j
Obviamente, el intervalo de variación de θ siempre contiene el valor cero. Al
reemplazar el vector c, por su modificación c̄, se obtiene

−z 0 = −c̄0B T bk
= −cTB bk − θc̄TB bk
z 0 = z k + θc̄TB bk .

Ejemplo 18.8. Averiguar, en el ejemplo 18.1, en qué intervalo puede variar

θ para que el punto x = (220, 180, 0, 0, 0, 80) siga siendo óptimo, si el vec-
tor de costos cambia de (−1, −1.4, −1.5, 0, 0, 0) a (−1, −1.4, −1.5, 0, 0, 0) +
θ(−2, 1, −1, 0, 0, 0). Esta modificación puede corresponder al siguiente cam-
bio en el ejemplo 18.1 . El gerente de la fábrica cree que, teniendo en cuenta
los precios de productos semejantes de otras compañı́as, puede aumentar el
precio de venta de sus productos 1 y 3, pero debe disminuir el del producto
2. Además, estima conveniente aumentar el precio del producto 1 en una
cantidad igual al doble del aumento del producto 3.

257
258 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

De nuevo hay dos formas para abordar el problema: partir de las fórmu-
las generales para c̃0L , o utilizar directamente las fórmulas para θmin y θmax .
c̃0L T = c0L − c0 B Lk
T T

 
£ ¤ £ ¤ −1 −1 1
= −1.5 − θ 0 0 − −1.4 + θ 0 −1 − 2θ  −1 −2 1 
3 2 −1
£ ¤
= 0.1 + 6θ 0.6 + 5θ 0.4 − 3θ ≥ 0.
Entonces
θ ∈ [−0.1/6, 0.4/3].
Por otro lado
c̄˜TL = c̄TL − c̄TB Lk
 
£ ¤ £ ¤ −1 −1 1
= −1 0 0 − 1 0 −2  −1 −2 1 
3 2 −1
£ ¤
= 6 5 −3 .
Entonces
½ ¾
0.1 0.6 0.1
θmin = − min , =− ,
6 5 6
½ ¾
0.4 0.4
θmax = min = ,
−−3 3
 
£ ¤ 180
z 0 = −472 + θ 1 0 −2  80 
220
= −472 − 260θ.
Como el coeficiente de θ, en la expresión de z, es negativo, entonces el mejor
valor que puede tomar θ sin que cambie el punto óptimo es θmax = 0.4/3.
3

18.2. Modificaciones en los términos independien-

tes

El estudio de los cambios en los términos independientes también se

puede subdividir en tres clases; un cambio puntual, un cambio parametri-

258
 18.2. MODIFICACIONES EN LOS TÉRMINOS INDEPENDIENTES 259

zado de un solo término independiente y un cambio parametrizado de varios

términos independientes.

18.2.1. Modificación puntual de b

Se trata, en este caso, de cambiar el vector b = bo inicial, por un vector

0
b0 .Para ver las consecuencias de este cambio en los términos independientes
−1
de la última tabla es necesario conocer B −1 = B k ya que bk = B −1 b0 ,
luego
0 0
bk = B −1 b0 .
Obviamente, z también se modifica:
0
z 0 = cTB bk .
Si se utiliza el MSR, siempre se tiene explı́citamente B −1 . Si se utiliza la
tabla usual del método simplex es necesario, en general, calcular B −1 . Con
0 0
bk pueden pasar dos cosas, la primera y la más sencilla: bk ≥ 0, entonces
las variables libres siguen siendo las mismas (y teniendo el mismo valor: 0)
y las variables básicas también siguen siendo las mismas, pero su valor se
ha modificado, o sea, se ha modificado el punto óptimo. El segundo caso
0
se da, cuando bk tiene por lo menos un elemento negativo, en ese caso al
reemplazar los nuevos términos independientes en la última tabla, no se
tiene factibilidad, pero se siguen teniendo condiciones de optimalidad. Ası́,
el camino inmediato es aplicar el método simplex dual.
Ejemplo 18.9. Considerar los datos del ejemplo 18.1, modificando las
disponibilidades de las máquinas por 410, 600, 280.

En la tabla óptima las variables básicas son x2 , x6 , x1 . Luego

   
1 0 1 −1 1 0
B= 2 0 1 , B −1 =  −2 1 1 .
0 1 1 2 −1 0
En la mayorı́a de los casos, la matriz B −1 se obtiene, bien sea a partir de
la última tabla del MSR, o bien por cálculo directo de la inversa de B. En
este ejemplo particular, como en la tabla inicial se tenı́a la matriz identidad
(no se necesitó la primera fase) la matriz B −1 estará en el sitio que ocupaba
la matriz identidad, es decir, columnas tercera, cuarta y quinta.
    
−1 1 0 410 190
0
bk =  −2 1 1   600  =  60  ,
2 −1 0 280 220

259
260 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

 
£ ¤ 190
z0 = −1.4 0 −1  60  = −486.
220
Luego las variables básicas en el óptimo siguen siendo las mismas y su valor
cambia un poco; el nuevo punto óptimo es entonces

x∗ 0 = (220, 190, 0, 0, 0, 60). 3

Ejemplo 18.10. Considerar los datos del ejemplo 18.1, modificando las
disponibilidades de las máquinas por 430, 600, 250.
    
−1 1 0 430 170
0
bk =  −2 1 1   600  =  −10  ,
2 −1 0 250 260
 
£ ¤ 170
z0 = −1.4 0 −1  −10  = −498.
260
Luego las variables básicas en el óptimo no son las mismas. Para hallar la
solución óptima es necesario utilizar el simplex dual:
 
x2 0 1 −1 −1 1 0 170
x6 
 0 0 −1 −2 1 1 −10 

x1  1 0 3 2 −1 0 260 
−z 0 0 0.1 0.6 0.4 0 498

xβσ = xβ2 ,
xs = x6 ,
xe = x3 .
 
x2 0 1 0 1 0 −1 180
x3 
 0 0 1 2 −1 −1 10  
x1  1 0 0 −4 2 3 230 
−z 0 0 0 0.4 0.5 0.1 497

x∗ 0 = (230, 180, 10, 0, 0, 0),

z ∗ 0 = −497. 3

260
 18.2. MODIFICACIONES EN LOS TÉRMINOS INDEPENDIENTES 261

18.2.2. Modificación parametrizada de un solo término in-

dependiente

Del vector inicial b0 , se modifica un solo elemento, el j-ésimo. Se desea

saber en qué intervalo puede variar este término independiente, de manera
que las variables básicas sigan siendo las mismas.
     
b01 b01 0
 ..   ..   .. 
 .   .   . 
   0
  
 0  
bj−1   bj−1    0 
00
  
b = α   0  0 
 =  bj  + (α − bj )  1  0 0 j
 = b + (−bj + α)e .
 0  
bj+1   bj+1 0   0 
  
 
..    
..   .. 
 . .  . 
0
bm 0 0
bm

0 0
bk = B −1 b0 = bk − b0j (B −1 )
j + α(B −1 )
j ≥ 0.
Sea S = [sij ] = B −1 .
0
bki = bki − b0j sij + αsij ≥ 0, i = 1, ..., m,



−∞ si S
j ≤ 0,
½ ¾
αmin = 0 bki

bj − 1≤i≤m
min : sij > 0 .
sij


∞ si S
j ≥ 0,
½ ¾
αmax = 0 bki

bj + 1≤i≤m
min : sij < 0 .
−sij

Como era de esperarse, el valor inicial b0j siempre está en el intervalo de

variación de α. Este intervalo se conoce con el nombre de intervalo de
factibilidad de la restricción.
0
z 0 = cTB bk
¡ ¢
= cTB bk + (α − b0j )S
j
= z k + (α − b0j )cTB S
j
= z k − b0j cTB S
j + αcTB S
j .

261
262 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

El coeficiente de α indica la modificación que sufre z, por cada unidad que

aumente el j-ésimo término independiente. Este coeficiente es llamado el
precio sombra de la restricción. Está relacionado con el valor de la
variable dual correspondiente a esta restricción.

Ejemplo 18.11. Considerar los datos del ejemplo 18.1, modificando las
disponibilidades de las máquinas, por α, 580, 300. Averiguar en qué intervalo
puede variar α sin que cambie el grupo de variables básicas.
     
180 −1 −1
0
bk =  80  − 400  −2  + α  −2  ≥ 0,
220 2 2

αmin = 290,
αmax = 440,

x∗ 0 = (−580 + 2α, 580 − α, 0, 0, 0, 880 − 2α).

Obsérvese que para los dos valores extremos de α, los puntos óptimos obte-
nidos son degenerados:

x = (0, 290, 0, 0, 0, 300),

x = (300, 140, 0, 0, 0, 0).

 
£ ¤ −1
z ∗ 0 = −472 + (α − 400) −1.4 0 −1  −2 
2
= −232 − 0.6α.

El valor −0.6 indica que, por cada unidad que aumente el primer término
independiente, el valor de z se incrementa en −0.6 unidades. Puesto que se
está tratando de minimizar z, lo más conveniente es que se incremente lo
más que se pueda la disponibilidad de la primera máquina. El valor de este
precio sombra es válido dentro del intervalo de factibilidad de la restricción.
Si para aumentar la disponibilidad de la primera máquina, la compañı́a
puede alquilar horas adicionales a un precio de $ 0.8 , no valdrı́a la pena
hacerlo. En cambio, si se consiguen horas adicionales de la máquina 1 a un
precio de $ 0.5, sı́ valdrı́a la pena hacerlo. 3

262
 18.2. MODIFICACIONES EN LOS TÉRMINOS INDEPENDIENTES 263

Ejemplo 18.12. Considerar los datos del ejemplo 18.1, modificando las
disponibilidades de las máquinas, por 580, 400, α. Averiguar en qué intervalo
puede variar α sin que cambie el grupo de variables básicas.
     
180 0 0
0
bk =  80  − 300  1  + α  1  ≥ 0,
220 0 0

αmin = 220,
αmax = ∞.

x∗ 0 = (220, 180, 0, 0, 0, −220 + α).

 
£ ¤ 0
z∗0 = −472 + (α − 300) −1.4 0 −1  1 
0
= −472.
El precio sombra nulo indica que z no se modifica al variar el tercer término
independiente en su intervalo de factibilidad. Además, los valores de las
variables originales del problema tampoco cambian, únicamente cambia el
valor de la holgura. Este mismo resultado se hubiera podido obtener a partir
de los siguientes hechos: en el óptimo la tercera restricción es, originalmente,
una desigualdad y no está activa o saturada, es decir, se tiene la desigualdad
estricta. Dicho de otra forma, x6 la variable de holgura de esa restricción
no es nula, o sea, hubo horas sobrantes de la tercera máquina. El valor
220, lı́mite inferior del intervalo, corresponde exactamente al valor inicial
300 menos la holgura 80. 3

18.2.3. Modificación parametrizada de varios términos inde-

pendientes

Del vector inicial b0 se modifican varios elementos, en la forma

0
b0 = b0 + θb̄.
Se desea saber en qué intervalo puede variar θ, de manera que las variables
básicas sigan siendo las mismas.
0
bk = B −1 b0 + θB −1 b̄
= bk + θb̄k ≥ 0.

263
264 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD



−∞ si b̄k ≤ 0,
½ ¾
θmin = bki k

− min : b̄i > 0 .
i b̄ki


∞ si b̄k ≥ 0,
½ ¾
θmax = bki k

min : b̄i < 0 .
i −b̄ki

0
z 0 = cTB bk
= z k + θcTB b̄k .

Ejemplo 18.13. El gerente de la compañı́a del ejemplo 18.1, piensa que

lo más importante es conseguir horas adicionales para la segunda máquina.
Los ingenieros de producción creen que la máquina uno puede, mediante
algunas adaptaciones, hacer el mismo trabajo de la segunda, pero con un
rendimiento igual a la mitad, es decir, si se toma una hora de la máquina
uno para hacer el trabajo de la segunda máquina, alcanza a hacer lo que la
segunda harı́a en media hora. Por otro lado el gerente, que conoce un poco
la terminologı́a de la PL, tiene sus razones para desear que las variables
básicas sean las mismas. ¿Qué aconsejarı́a al gerente?
En este problema, por cada hora cedida por la máquina uno, se consigue
media hora real de la segunda máquina.

  
400 −1
0
b0 =  580  + θ  0.5  ,
300 0

   
180 1.5
k0
b =  80  + θ  2.5 
220 −2.5

θmin = −32,
θmax = 88.

En realidad, tal como está planteado el problema, θ toma únicamente valores

positivos, ya que está previsto disminuir el número de horas de la primera

264
 18.3. MODIFICACIONES EN UNA COLUMNA LIBRE DE A 265

máquina para aumentar la disponibilidad de la segunda.

 
£ ¤ 1.5
z 0 = −472 + θ −1.4 0 −1  2.5 
−2.5
= −472 + 0.4θ.

Luego no es adecuado perder horas de la primera máquina para ganar la

mitad en la segunda. Si, por el contrario, fuera posible que por cada media
hora que se disminuya la disponibilidad de la segunda máquina, se aumente
en una hora la disponibilidad de la primera (θ < 0 en el planteamiento
anterior), entonces si se podrı́a mejorar el valor de z, y θ deberı́a tomar el
valor más negativo, es decir, −32. 3

18.3. Modificaciones en una columna libre de A

Cuando se modifica una columna de la matriz inicial A = A0 , corres-

pondiente a una variable libre en la tabla óptima, es necesario observar el
cambio acarreado en el costo reducido respectivo, para ello se requiere cono-
cer el cambio en la columna de la última tabla, entonces hace falta conocer
la matriz B −1 .
Los cambios en una columna, de una variable básica en el óptimo, re-
percuten en la matriz B −1 y, salvo en casos muy especı́ficos y sencillos, es
bastante complicado estudiar estos cambios.

Sea xj una variable libre en la tabla óptima.

c̃j = cj − cTB Ak
j

= cj − cTB B −1 A0
j ,

entonces
0
c̃0j = cj − cTB B −1 A0
j .

Si para obtener la solución se ha utilizado el MSR, entonces

0
c̃0j = cj + (−cTB B −1 )A0
j .

Recuérdese que −cTB B −1 está en las primeras m posiciones de la fila m + 1

de la tabla del MSR.

265
266 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

18.3.1. Modificación puntual de una columna libre

Al cambiar una columna inicial, el nuevo costo reducido en la última

tabla puede seguir siendo no negativo o volverse negativo. Si sigue siendo
no negativo, entonces el último punto obtenido sigue siendo óptimo. Si el
nuevo costo reducido es negativo, se puede continuar con el simplex, a partir
de la última tabla, cambiando la columna.

Ejemplo 18.14. El gerente de la compañı́a del ejemplo 18.1, cree que se

puede fabricar, en lugar del actual producto P3 (que en realidad no se fa-
brica), otro parecido, con el cual se ganarı́an también $1.5 pesos por cada
unidad, pero cuyos requerimientos en cada una de las máquinas son 1.5, 2.5
y 1 horas. ¿Cuál es la solución del nuevo problema ?
  
£ ¤ −1 1 0 1.5
c̃03 = −1.5 − −14. 0 −1  −2 1 1   2.5 
2 −1 0 1
= 0.4.

Si se hubiera usado el MSR, el cálculo de c̃03 estarı́a dado directamente por

 
£ ¤ 1.5
c̃03 = −1.5 + 0.6 0.4 0  2.5  = 0.4
1

Como el costo reducido sigue siendo no negativo, entonces el último punto

obtenido también es punto óptimo para el problema modificado. 3

Ejemplo 18.15. El gerente de la compañı́a del ejemplo 18.1, cree que se

puede fabricar, en lugar del actual producto P3 (que en realidad no se fa-
brica), otro parecido, con el cual se ganarı́an también $1.5 pesos por cada
unidad, pero cuyos requerimientos en cada una de las máquinas son 1.5, 1
y 1 horas. ¿Cual es la solución del nuevo problema?
  
£ ¤ −1 1 0 1.5
c̃03 = −1.5 − −14. 0 −1  −2 1 1  1 
2 −1 0 1
 
£ ¤ −0.5
= −1.5 − −14. 0 −1  −1 
1
= −0.2.

266
 18.3. MODIFICACIONES EN UNA COLUMNA LIBRE DE A 267

Como el costo reducido se volvió negativo, entonces el último punto ya no

es óptimo.
 
x2 0 1 −0.5 −1 1 0 180
x6 
 0 0 −1 −2 1 1 80 
x1  1 0 2 2 −1 0 220 
−z 0 0 −0.2 0.6 0.4 0 472

xe = x3 ,
xβσ = xβ3 ,
xs = x1 .

 
x2 0.25 1 0 −0.5 0.75 0 235
x6 
 0.5 0 0 −1 0.5 1 190 

x3  0.5 0 1 1 −0.5 0 110 
−z 0.1 0 0 0.8 0.3 0 494

x∗ 0 = (0, 235, 110, 0, 0, 190),

z ∗ 0 = −494. 3

18.3.2. Modificación parametrizada de un solo elemento de

una columna libre

Cuando se cambia un solo elemento de una columna libre, se desea saber

en qué intervalo puede variar, de tal forma que el último punto obtenido siga
siendo óptimo. Supóngase que se modifica el elemento aij . Sea S = B −1 .

0
c̃0j = cj − cTB B −1 A0
j
 
a1j
 .. 
 . 
 
 ai−1,j 
 
= cj − cTB S 
 α 

 ai+1,j 
 
 .. 
 . 
amj

267
268 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

   
a1j 0
 ..   .. 
 .   . 
   
 ai−1,j   0 
   
c̃j = cj − cB S 
0 T
 aij  − cB S(α − aij ) 
 T
 1  
 ai+1,j   0 
   
 ..   .. 
 .   . 
amj 0
= c̃j + (aij − α)cTB S
i ≥ 0.

Ejemplo 18.16. ¿En qué intervalo puede variar el segundo elemento de la

tercera columna de A de tal forma que el punto x = (220, 180, 0, 0, 0, 80)
siga siendo óptimo?
 
£ ¤ 1
c̃03 = 0.1 + (1 − α) −1.4 0 −1  1 
−1
= −0.3 + 0.4α.

Entonces α puede variar en el intervalo [0.75, ∞[, sin que el punto óptimo
cambie.
En éste, como en otros casos, se puede hacer un análisis de más alcance
sobre la variación de α. Para valores de α menores que 0.75, entrarı́a a la
base la variable x3 y se puede prever qué pasarı́a. La columna modificada
serı́a    
2 α−2
B −1  α  =  α − 2  .
2 −α + 4
El único elemento positivo es el tercero, luego saldrı́a la tercera variable
básica, es decir, x1 . El valor de z en la nueva tabla estarı́a dado por:

−0.3 + 0.4α
−z 0 = 472 − 220,
−α + 4
o sea,

−0.3 + 0.4α
z 0 = −472 + 220.
−α + 4

Por ejemplo, si α = 0.5 el nuevo valor de z serı́a −478.2857. 3

268
 18.4. UNA RESTRICCIÓN ADICIONAL 269

18.3.3. Modificación parametrizada de varios elementos de

una columna libre
0
Si una columna inicial A0
j , libre en la tabla óptima, se cambia por A0
j =
0
A0
j + θĀ0
j , se desea saber en qué intervalo puede variar θ de tal forma que
el último punto obtenido siga siendo óptimo.
0
c̃0j = cj − cTB B −1 A0
j
¡ 0¢
= cj − cTB B −1 A0
j + θĀ0
j
0
= c̃j − θcTB B −1 Ā0
j ≥ 0.

Ejemplo 18.17. ¿En qué intervalo puede variar θ si los elementos de la

tercera columna son 2 − θ, 1 + θ 2 + 2θ, de tal forma que el punto x =
(220, 180, 0, 0, 0, 80) siga siendo óptimo?
  
£ ¤ −1 1 0 −1
c̃03 = c̃3 − θ −1.4 0 −1  −2 1 1  1 
2 −1 0 2
= 0.1 − 0.2θ ≥ 0.

Luego
θ ∈] − ∞, 0.5]. 3

18.4. Una restricción adicional

Sea x∗ el minimizador de la función z = cT x en un conjunto de puntos

admisibles A. Al colocar una nueva restricción, se está haciendo la inter-
sección de A con el conjunto definido por la nueva restricción. El nuevo
conjunto admisible A0 es un subconjunto de A (aunque no necesariamente
propio). Para que x∗ sea también minimizador de z = cT x en A0 , sólo se
necesita que esté en A0 . Para ello basta con que esté en el conjunto definido
por la nueva restricción. En resumen, x∗ sigue siendo óptimo si cumple la
restricción adicional. Si x∗ no cumple la nueva restricción, para resolver el
nuevo problema, se introduce una nueva fila, correspondiente a la restric-
ción adicional y se debe tratar de obtener la matriz identidad, pero ahora
de tamaño m + 1.
Si la nueva restricción (no cumplida) es una desigualdad ≤, la nueva
variable de holgura va a hacer parte de la base. A la nueva fila hay que

269
270 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

sumarle múltiplos adecuados de las otras filas para obtener completamente

la identidad de orden m + 1. Esto hace que el término independiente de la
fila m + 1 sea negativo y lo obvio es utilizar el método simplex dual para
continuar.
Si la nueva restricción (no cumplida) es una desigualdad ≥, después de
introducir la variable de holgura, se multiplica toda la igualdad por menos
uno. La nueva variable de holgura va a hacer parte de la base. A la nueva
fila hay que sumarle múltiplos adecuados de las otras filas para obtener
completamente la identidad de orden m + 1. Esto hace que el término
independiente de la fila m + 1 sea negativo y lo obvio es utilizar el método
simplex dual para continuar.
Si la nueva restricción (no cumplida) es una igualdad, se hace necesario
introducir una variable artificial y entonces hay que efectuar el método de
las dos fases o el de penalización. Es claro que una restricción de igualdad,
por ejemplo a − 2b + 3c = 4 se puede reemplazar por −a + 2b − 3c = −4.
La escogencia de una u otra igualdad repercute en lo siguiente: después
de entrar la variable artificial, que obviamente va a ser variable básica, es
necesario, como en los casos anteriores, obtener de nuevo la matriz identidad,
pero ahora de tamaño m + 1. Para ello a la nueva fila hay que sumarle
múltiplos adecuados de otras filas. Se necesita entonces que el término
independiente resulte no negativo.
Supongamos que las variables básicas son exactamente las m primeras
variables y que de éstas las q primeras son variables originales (no de hol-
gura), es decir,

xj = bkj j = 1, ..., m
xj = 0 j = m + 1, ..., n.

Supongamos que la nueva restricción es

am+1,1 x1 + am+1,2 x2 + ... + am+1,q xq = b0m+1 ,

con b0m+1 ≥ 0 (no hay que multiplicar la igualdad por −1).

Hay que introducir una variable artificial

am+1,1 x1 + am+1,2 x2 + ... + am+1,q xq + xn+1 = b0m+1 .

Para obtener, en las primeras q columnas de A, las columnas de la matriz

identidad de orden m + 1, es necesario sumar a la fila m + 1 la primera

270
 18.4. UNA RESTRICCIÓN ADICIONAL 271

fila multiplicada por −am+1,1 , ..., hasta la fila q multiplicada por −am+1,q .
Entonces
q
X
0
bkm+1 = b0m+1 − am+1,j bkj ≥ 0
j=1
Xq
= b0m+1 − am+1,j xkj ≥ 0.
j=1

Luego
q
X
am+1,j xkj ≤ b0m+1 ,
j=1

lo cual dicho en otras palabras es: la parte izquierda de la igualdad (donde

están las variables xi ) debe ser menor que el término independiente. Si no
es ası́, se debe multiplicar por menos uno (−1) toda la igualdad.

Ejemplo 18.18. El investigador de mercados de la fábrica del ejemplo 18.1,

informó al gerente que el número total de unidades vendidas (x1 + x2 + x3 )
no podrı́a ser superior a cuatrocientos noventa unidades.

Como el punto x = (220, 180, 0, 0, 0, 80) cumple la nueva restricción

x1 + x2 + x3 ≤ 490,

entonces sigue siendo óptimo. 3

Ejemplo 18.19. Considere el ejemplo 18.1 con la restricción adicional

x1 + 0.5x2 + 3x3 ≥ 400.

El punto x = (220, 180, 0, 0, 0, 80) no cumple la nueva restricción, ya que

220 + 0.5 × 180 + 3 × 0 = 310.

Al introducir una variable de holgura

x1 + 0.5x2 + 3x3 − x7 = 400

y multiplicando por −1

−x1 − 0.5x2 − 3x3 + x7 = −400,

271
272 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

se obtiene una igualdad que se puede agregar a la tabla para que x7 sea
variable básica:
 
x2 0 1 −1 −1 1 0 0 180
x6 
 0 0 −1 −2 1 1 0 80 

x1 
 1 0 3 2 −1 0 0 220 


x7 −1 −0.5 −3 0 0 0 1 −400 
−z 0 0 0.1 0.6 0.4 0 0 472

En las columnas primera y segunda no están las columnas adecuadas de la

matriz identidad 4 × 4, pero esto se puede lograr sumando a la cuarta fila
una vez la tercera fila y 0.5 veces la primera:
 
x2 0 1 −1 −1 1 0 0 180
x6 
 0 0 −1 −2 1 1 0 80 

x1 
 1 0 3 2 −1 0 0 220 

x7  0 0 −0.5 1.5 −0.5 0 1 −90 
−z 0 0 0.1 0.6 0.4 0 0 472

A partir de esta tabla se utiliza el método simplex dual y en dos tablas más
se obtiene el óptimo:

x∗ = (0, 200, 100, 0, 80, 100, 0)

z ∗ = −430. 3

Ejemplo 18.20. Considere el ejemplo 18.1 con la restricción adicional

2x1 + 2x2 + 3x3 = 780.

El punto x = (220, 180, 0, 0, 0, 80) no cumple la nueva restricción:

2 × 220 + 2 × 180 + 3 × 0 = 800.

Como el lado izquierdo de la restricción es mayor que el lado derecho, en-

tonces es necesario multiplicar por −1.

−2x1 − 2x2 − 3x3 = −780.

Ahora sı́ el lado izquierdo es menor que el derecho y se introduce la variable

artificial
−2x1 − 2x2 − 3x3 + x7 = −780.

272
 18.5. UNA COLUMNA ADICIONAL 273

Esta igualdad se puede agregar a la tabla para que x7 sea variable básica.
Además, se cambia la fila de costos reducidos por los costos artificiales.
 
0 1 −1 −1 1 0 0 180
x2 
0 0 −1 −2 1 1 0 80 
x6 
 1


0 3 2 −1 0 0 220
x1 
 −2 −2 −3

0 0 0 1 −780 
x7
0 0 0 0 0 0 1 0

Para conseguir la matriz identidad de orden 4, a la cuarta fila hay que

sumarle dos veces la tercera y dos veces la primera

 
0 1 −1 −1 1 0 0 180
x2 
0 0 −1 −2 1 1 0 80 
x6 


1 0 3 2 −1 0 0 220 
x1 


0 0 1 2 0 0 1 20 
x7
0 0 0 0 0 0 1 0
También es necesario calcular los costos reducidos
 
x2 0 1 −1 −1 1 0 0 180
x6  0 0 −1 −2 1 1 0 80 

x1  1 0 3 2 −1 0 0 220 

x7  0 0 1 2 0 0 1 20 
−za 0 0 −1 −2 0 0 0 −20

Se continúa normalmente con la primera fase y después se efectúa la segunda

fase hasta llegar a

x∗ = (160, 200, 20, 0, 0, 100)

z ∗ = −470. 3

18.5. Una columna adicional

Tener una columna adicional significa que hay una nueva variable, por
ejemplo xn+1 y, por lo tanto, se conocen los valores a01,n+1 , a02,n+1 ,..., a0m,n+1 ,
y también el costo cn+1 . La variable xn+1 entra a la tabla como variable
libre con valor nulo. Obviamente, es necesario calcular su costo reducido
para saber si la tabla sigue siendo óptima. Para este cálculo, de nuevo, se
necesita conocer B −1 .

273
274 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

Ak
n+1 = B −1 A0
n+1 ,
c̃n+1 = cn+1 − cTB Ak
n+1 .

Ejemplo 18.21. Considere el ejemplo 18.1, y suponga que existe la posibi-

lidad de elaborar un cuarto producto que se vende a $ 0.40 y requiere media
hora en las dos primeras máquinas y una hora en la tercera.
Para no alterar la notación, sea x7 el número de unidades del cuarto
producto.

Ak
7 = B −1 A0
7
  
−1 1 0 0.5
=  −2 1 1   0.5 
2 −1 0 1
 
0

= 0.5  .
0.5

c̃n+1 = cn+1 − cTB Ak
n+1

 
£ ¤ 0
= −0.4 − −1.4 0 −1  0.5 
0.5
= 0.1.

Entonces, aunque existe la posibilidad de fabricar un cuarto producto, no es

conveniente hacerlo ya que la tabla con la nueva variable x7 (libre y nula)
es también óptima. 3

Ejemplo 18.22. Considere el ejemplo 18.1 y suponga que existe la posibi-

lidad de elaborar un cuarto producto que se vende a $0.70 y requiere media
hora en las dos primeras máquinas y una hora en la tercera.

274
 18.5. UNA COLUMNA ADICIONAL 275

Sea x7 el número de unidades del cuarto producto.

Ak
7 = B −1 A0
7
 
0
Ak
7 =  0.5  ,
0.5
 
£ ¤ 0
c̃7 = −0.7 − −1.4 0 −1  0.5 
0.5
= −0.2.

Luego la tabla con la columna adicional no es óptima y se debe continuar el

simplex a partir de
 
x2 0 1 −1 −1 1 0 0 180
x6 
 0 0 −1 −2 1 1 0.5 80  ,

x1 1 0 3 2 −1 0 0.5 220 
−z 0 0 0.1 0.6 0.4 0 −0.2 472
hasta obtener
0
x∗ = (0, 215, 35, 0, 0, 0, 230)
0
z ∗ = −514.5. 3

EJERCICIOS

Considere el siguiente problema: maximizar (el beneficio total) 6x1 +

5x2 + 4x3 con las restricciones 2x1 + x2 + x3 ≤ 26, x1 + x2 ≤ 16,
x1 + 3x2 + x3 ≤ 36, x ≥ 0.

18.0. Convierta el problema en la forma estándar de minimización. Halle la

solución utilizando el método simplex y el método simplex revisado.
Considere las modificaciones propuestas en los ejercicios 18.1 a 18.14.
Cada una de estas modificaciones se refiere al problema inicial, y no
se acumulan.

18.1. Averigüe si el optimizador (punto óptimo) cambia, al cambiar c =

(−6, −5, −4, 0, 0, 0) por c0 = (−7, −6, −5, 0, 0, 0). Si el optimizador
cambia, encuentre el nuevo optimizador.

275
 276 CAPÍTULO 18. ANÁLISIS DE SENSIBILIDAD

18.2. Averigüe si el optimizador (punto óptimo) cambia, al cambiar c =

(−6, −5, −4, 0, 0, 0) por c0 = (−10, −6, −5, 0, 0, 0). Si el optimizador
cambia, encuentre el nuevo optimizador.
18.3. Averigüe en qué intervalo puede variar α, para que el optimizador no
cambie, si el vector de costos es (α, −5, −4, 0, 0, 0).
18.4. Averigüe en qué intervalo puede variar θ, para que el optimizador no
cambie, si el vector de costos es
(−6, −5, −4, 0, 0, 0) + θ(2, −1, −1, 0, 0, 0)

18.5. Encuentre el optimizador obtenido al cambiar el vector de términos

independientes b = (26, 16, 36) por b0 = (20, 10, 30).
18.6. Encuentre el optimizador obtenido al cambiar el vector de términos
independientes b = (26, 16, 36) por b0 = (20, 20, 20).
18.7. Averigüe en qué intervalo puede variar α, para que en el óptimo, las va-
riables básicas sean las mismas, si el vector de términos independientes
es (26, α, 36).
18.8. Averigüe en qué intervalo puede variar θ, para que en el óptimo, las va-
riables básicas sean las mismas, si el vector de términos independientes
es (26, 16, 36) + θ(1, −2, −1).
18.9. Suponga que existe la posibilidad de una cuarta variable (un nuevo
producto), con beneficio unitario 10. Este nuevo producto consume 3,
4 y 5 unidades de los tres recursos. Resuelva el nuevo problema.
18.10. Suponga que existe la posibilidad de una cuarta variable (un nuevo
producto), con beneficio unitario 3. Este nuevo producto consume 0.5,
1.5 y 0.5 unidades de los tres recursos. Resuelva el nuevo problema.
18.11. Suponga que existe una nueva restricción x2 + 2x3 ≤ 50. Resuelva el
nuevo problema.
18.12. Suponga que existe una nueva restricción x1 + x2 + x3 ≤ 25. Resuelva
el nuevo problema.
18.13. Suponga que existe una nueva restricción 4x1 + 4x2 = x3 . Resuelva el
nuevo problema.
18.14. Suponga que existe una nueva restricción 0.5x1 + 0.5x2 + x3 ≥ 28.
Resuelva el nuevo problema.

276
Bibliografı́a

[BJS99] Bazaraa M.S., Jarvis J. J., Sherali H.D., Programación lineal y flujo
en redes, 2 ed., Limusa - Noriega, México, 1999.

[Dan63] Dantzig George B., Linear Programming and Extensions, Princen-

ton University Press, Princenton, 1963.

[DaT97] Dantzig George B., Thapa Mukund N., Linear Programming, 1:

Introduction, Springer, New York, 1997.

[deW90] de Werra Dominique, Eléments de Programmation Linéaire avec

application aux graphes, Presses Polytechniques Romandes, Lausanne,
1990.

[Gue76] Guerard C., Programmation Lineaire, Presses de l’Université de

Montreal, Montreal, Editions Eyrolles, Paris, 1976.

[Had62] Hadley G., Linear Programming, Addison Wesley, Reading Massa-

chusetts, 1962.

[Las70] Lasdon Leon S., Optimization Theory for Large Sytems, MacMillan,
New York, 1970.

[Min83] Minoux M., Programmation Mathématique, Théorie et algorithmes,

tome 1, Dunod, Paris, 1983.

[Mut76] Mutty Katta G., Linear and Combinatorial Programming, Wiley,

New York, 1976.

[NaS96] Nash Stephen G., Sofer Ariela, Linear and Nonlinear Programming,
McGraw-Hill, New York, 1996.

[Naz87] Nazareth John Lawrence, Computer Solution of Linear Programms,

Oxford University Press, Oxford, 1987.

277
278 BIBLIOGRAFÍA

[NoW99] Nocedal Jorge, Wright Stephen J., Numerical Optimization, Sprin-

ger, New York, 1999.

[Pad95] Padberg Manfred, Linear Optimization and extensions, Springer-

Verlag, Berlin, 1995.

[Pan96] Panik Michael J., Linear Programming: Mathematics, Theory and

Algorithms, Kluwer, Dordrecht, 1996.

[Pra81] Prawda J., Métodos y modelos de investigación de operaciones, vol.

1, Modelos determinı́sticos, Limusa, México, 1981.

[Sim62] Simonnard M., Programmation Linéaire, Dunod, Paris, 1962.

[Van96] Vanderbei Robert J., Linear Programming, Foundations and Ex-

tensions, Kluwer, Boston, 1996.

278
Índice alfabético

acotado, 47 admisible, 47
aditividad, 1 convexo, 27, 35
admisible, véase factible factible, 36
algoritmo del transporte, 183 convexo
análisis de sensibilidad, 247 conjunto, 27
artificial generado, 30
función objetivo, 93 costo reducido
nula, variable, 107 libre nulo, 105, 106
asignación de recursos, 2 costos
modificación, 249
base, 36 reducidos, 59, 60, 200, 237
casco convexo, 30
casos especiales del simplex, 101 Dantzig
circuito, 188, 198, 231 método de descomposición, 47
caracterı́sticas, 191 método simplex, 57
columna demanda total, 240
adicional, 273 desigualdad, 29
básica, 36, 103 determinista, 1
libre, 36 diferentes formas de problemas, 13
que entra, 79 dirección, 32, 42, 101, 106
combinación equivalente, 32
convexa, 29, 47, 50 extrema, 32, 42, 44, 48, 105
estricta, 29 dual
lineal no negativa, 47 del dual, 156
condiciones problema, 153, 156, 158, 200
de optimalidad, 57, 64, 192 dualidad, 153
conjunto débil
óptimo teorema, 158
acotado e infinito, 103 fuerte
infinito y acotado, 103 teorema, 161
no acotado, 105, 113 teorema fundamental de, 163

279
280 ÍNDICE ALFABÉTICO

envolvente convexa, 30 dos fases, 93, 115, 116, 139

equivalencia entre las formas, 15 esquina noroccidental, 183
gráfico, 19
factible, véase punto o solución fac- M-grande, 115
tible penalización, 115
forma prioridad absoluta, 116, 119
canónica, 15 prioridad parcial, 116, 117
estándar, 15, 35, 47, 54 Russel, 223
general, 14 simplex, 17, 57, 178
mixta, 14 simplex dual, 169
tı́pica, 15 simplex revisado, 125, 128, 139,
formas 248, 252
de problemas, 13 variables duales, 199
equivalencia entre, 15 Vogel, 216
función objetivo, 19 minimización, 13
artificial, 93, 94 modelación, 2
penalización, 115 modelo
determinista, 248
hiperplano, 28
matemático, 1
holgura complementaria
modificación
teorema de, 163
columna libre, 265, 267, 269
igualdad, 29 costos, 249
parametrizada
libre términos independientes, 263
variable, 58 un costo, 254
lı́nea, 203, 231 un término independiente, 261
linealidad, 1 puntual de c, 251
términos independientes, 258
M-grande vector de costos, 251
método, 115 MSR, véase método simplex revi-
maximización, 13 sado
método
de descomposición de Dantzig no acotado
y Wolfe, 47 óptimo, 101, 160, 162
big-M, 115 no negatividad, 1, 3
circuito (stepping-stone), 188 número de iteraciones, 69
costo mı́nimo
de la matriz, 212 oferta total, 240
por columnas, 208 optimalidad
por filas, 203 condiciones, 57, 192

280
 ÍNDICE ALFABÉTICO 281

optimización entera, 4 segunda fase, 94

óptimo semiespacio, 28, 29
acotado, 57 sensibilidad
no acotado, 101, 160, 162 análisis, 247
punto, 19 simplex
punto extremo, 103 revisado, método, 125
origen ficticio, 240 casos especiales, 101
método, 57
penalización tabla, 77
método de, 115 tablas, 62
pivote, 79, 133
solución
poliedro, 32, 36, 41
básica, 37
politopo, 32, 42, 47
degenerada, 229
precio sombra, 262
factible, 38, 41, 93, 94, 180
primal
básica factible
problema, 153, 154, 156
óptima, 132
primera fase, 93, 94
degenerada, 57, 61, 113
problema
dieta, 6 tabla del simplex, 77
dual, 153, 154, 156, 158, 200 tablas del simplex, 62
primal, 153, 154 teorema
transporte, 4, 177, 199 dualidad débil, 158
punto dualidad fuerte, 161
óptimo, 19, 50 fundamental de dualidad, 163
extremo, 31, 40, 44, 48, 50, 57, holgura complementaria, 163
69 optimalidad, 50, 53
óptimo, 103 representación, 47
realizable, véase factible transporte
región algoritmo, 183
admisible, 19, 36 problema del, 177, 199
representación
teorema, 47 valor óptimo acotado inferiormen-
restricción te, 48
adicional, 269 variable
redundante, 109 artificial, 93, 94
saturada, 263 básica nula, 107
restricciones, 29 libre, 94
nula, 107
saturada básica, 36, 63, 188, 229
restricción, 263 de holgura, 16

281
282 ÍNDICE ALFABÉTICO

entra, 170
holgura, 200, 263
independiente, 36
libre, 36, 63, 65, 117, 132, 188
nula, 229
que entra, 80, 88, 107
que sale, 94, 117
sale, 170
variedad lineal, 28

Wolfe
método de descomposición, 47

282