Hermann Minkowski

Uno de los fundadores de las ideas

4
modernas de geometra

Captulo

GEOMETRA DE LA
PROGRAMACIN LINEAL

Programacin lineal es una de las herramientas ms difundidas de la matemtica aplicada

moderna y se refiere a la optimizacin de una funcin lineal en un conjunto generado por
restricciones lineales. El problema de programacin lineal fue formulado, por primera vez, en
trminos matemticos y aplicado por George B. Dantzig en 1947, cuando trabajaba para la Fuerza
Area de E.E.U.U. A l y a sus colaboradores se les solicit, en aquella poca, investigar la
posibilidad de aplicar tcnicas matemticas a la resolucin de problemas de planificacin militar. En
el ambiente militar se llam programas a los planes que seran implementados, de ah el trmino
programacin lineal. Al mismo tiempo, G. Dantzig desarroll el algoritmo Simplex para resolver
estos problemas. A partir de la dcada de 1950 una gran cantidad de investigadores ha contribuido al
desarrollo de las diferentes reas de la programacin lineal.

El objetivo de este captulo es analizar, desde el punto de vista geomtrico, la estructura y

caractersticas de las soluciones de los modelos de programacin lineal. En la seccin 4.1. se discute
la resolucin grfica de un problema de produccin, muy simple, en dos dimensiones. El objetivo
de esto es introducir al lector en forma intuitiva en los conceptos que sern utilizados y formalizados
matemticamente en las secciones posteriores. La seccin 4.2. est dedicada a analizar grficamente
la sensibilidad de las soluciones ante variaciones del valor de algunos parmetros del modelo. En la
 174 Optimizacin y Modelos para la Gestin

seccin 4.3. se presentan ejemplos de modelos con distintos tipos de soluciones. Finalmente, en la
seccin 4.4. se establecen las caractersticas de las soluciones ptimas de los modelos de
programacin lineal y se revisan algunos conceptos bsicos sobre geometra de poliedros y su
representacin en trminos de puntos extremos y direcciones extremas.

4.1. ANLISIS GRFICO DE UN MODELO DE PROGRAMACIN LINEAL

El objetivo de esta seccin es introducir en forma intuitiva los conceptos de conjunto

factible, variable de holgura y vrtice factible. Para ello se retoma aqu el ejemplo 2 del captulo 1 y
se analiza detalladamente, puesto que por sus dimensiones puede ser representado grficamente.
Para hacer autocontenida la presentacin se repetir completamente su enunciado.

Un modelo simple de produccin: El dueo de un taller de carpintera desea determinar la cantidad

de sillas y mesas que debe producir la prxima semana. Para ello cuenta con dos insumos (los ms
importantes): madera y fierro. Adems, dispone de mano de obra especializada, en particular, el
proceso de barnizado lo realiza una persona solamente. La disponibilidad de madera es de 100 m2, la
de fierro es de 60 m lineales y el operario que barniza puede trabajar hasta 50 horas por semana.

Para fabricar cada silla se requiere 1 m2 de madera, 1 m de fierro y 1 hora para barnizarlo; y
para cada mesa se necesita 4 m2 de madera, 2 m de fierro y 1 hora para barnizado. Se desea decidir
la cantidad de muebles que se deben fabricar de modo que el beneficio total sea mximo. El
beneficio es de M$ 1 para cada silla y de M$ 3 cada mesa.

Las variables de decisin son:

x1 = cantidad de sillas se fabricarn durante la semana,

x2 = cantidad de mesas se fabricarn durante la semana.

Las restricciones son:

a) Disponibilidad de los recursos

La produccin total puede utilizar hasta 100 unidades de madera:

x1 + 4x2 100.

La produccin total puede utilizar hasta 60 unidades de fierro:

x1 + 2x2 60.

La produccin total puede utilizar hasta 50 horas-hombre para el barnizado:

x1 + x2 50.

b) No-negatividad de las variables:

x1, x2 0.
 Captulo 4 Geometra de la Programacin Lineal 175

La funcin objetivo consiste en maximizar el beneficio total, o sea, max z= x1+3x2. De esta forma, el
modelo lineal es:

Max z = x1 + 3x2
s.a.
x1 + 4x2 100 (4.1)
x1 + 2x2 60 (4.2)
x1 + x2 50 (4.3)
x1,x2 0.

El conjunto de puntos que satisfacen todas las restricciones del problema se denomina
conjunto de soluciones factibles, y se dice que las restricciones generan un conjunto de soluciones
factibles. Las restricciones de no negatividad restringen las soluciones al primer cuadrante. Las
restricciones (4.1), (4.2) y (4.3) se denominan restricciones generales.

La primera restriccin es verificada por los puntos del primer cuadrante que se encuentran en
y bajo la recta x1 + 4x2 = 100, como se indica en la figura 4.1.

x2

25

100 x1

Figura 4.1. Restriccin de disponibilidad de madera.

En adelante, se indicar con una flecha el semiplano vlido de una restriccin. Luego, el
conjunto de soluciones factibles de este problema es la interseccin de los semi-espacios generados
por las cinco restricciones, como se puede apreciar en la figura 4.2. Los puntos A, B, C, D y E se
denominan vrtices del conjunto factible. Los puntos contenidos en este conjunto verifican todas las
restricciones del problema, cul de ellos hace mxima la funcin objetivo?

Maximizar cTx corresponde a desplazar lo mximo posible, la recta (o hiperplano) cTx = k,

donde k es una constante, en la direccin del vector c. Esto significa, desplazar la curva de nivel k
(recta, en realidad), en la direccin del gradiente, mientras ella contenga al menos un punto factible.
Se observa que c es el gradiente de la funcin cTx.
 176 Optimizacin y Modelos para la Gestin

x2

50

30
25
E A

D C
50 60 100 x1
Figura 4.2. Conjunto factible del problema del taller de carpintera.

Una curva de nivel de la funcin objetivo, en el ejemplo, corresponde a los puntos tales que
x1+3x2=k donde k es una constante. Desplazando esta recta en la direccin c = (1,3)T que
corresponde al gradiente de la funcin objetivo, se obtienen una serie de rectas paralelas con valores
crecientes de la constante k. Se puede repetir esto mientras la curva de nivel contenga puntos del
espacio factible. El o los puntos contenidos en la ltima posicin posible de esta curva de nivel
constituye(n) la solucin ptima del problema. En el ejemplo, esto corresponde al vrtice A, como se
ve en la figura 4.3.

x2

50

30
25
E A

D C
50 60 100 x1
cx=30 cx=80

Figura 4.3. Funcin objetivo del problema del taller de carpintera.

Ms adelante se probar que si un problema lineal admite solucin, entonces al menos uno
de los vrtices del conjunto factible es punto ptimo. As, para resolver el problema, se puede
evaluar la funcin objetivo en cada uno de los vrtices del conjunto factible y seleccionar aqul
donde la funcin objetivo es mayor.
 Captulo 4 Geometra de la Programacin Lineal 177

Para determinar el punto A se observa que este punto corresponde a la interseccin de las
rectas que limitan los semiespacios generados por las restricciones (4.1) y (4.2). Resolviendo el
sistema de ecuaciones:

x1 + 4x2 = 100
x1 + 2x2 = 60,

se tiene que el punto A corresponde a (x1, x2) = (20, 20). Procediendo en forma anloga se puede
determinar los puntos B, C, D y E. En la tabla 4.1. se evala la funcin objetivo para cada uno de
ellos.

Dado que para un problema lineal la condicin de Karush - Kuhn -Tucker es suficiente y que
el punto A la satisface, entonces el punto A es ptimo. Esto es, el vector gradiente de la funcin
objetivo, en el punto A, se puede expresar como combinacin lineal no negativa de los gradientes de
las restricciones activas. En efecto, las restricciones activas en A son (4.1) y (4.2), luego;

(1,3)T =1 (1,4)T + 2 (1,2)T,

de donde 1 = 2 = y el valor ptimo, es decir, el valor de la funcin objetivo en un punto

ptimo, es 80. As, la solucin ptima es: producir 20 sillas y 20 mesas, lo que proporciona un
beneficio total de 80.

Tabla 4.1. Vrtices factibles

Punto x1 x2 z
A 20 20 80
B 40 10 70
C 50 0 50
D 0 0 0
E 0 25 75

Se analizan, a continuacin, los recursos que se utilizarn en este plan de produccin. Para
ello se evalan las restricciones en el punto ptimo. De esta forma, se observa que en la solucin
ptima se necesitan 100 m2 de madera, 60 m de fierro y 40 horas-hombre de mano de obra, esto es,
se utiliza toda la madera disponible y todo el fierro disponible, pero no toda la mano de obra
disponible.

Se asocia una variable, llamada variable de holgura, a cada restriccin general. El valor de
esta variable es la diferencia entre el lado derecho y el lado izquierdo de la restriccin.

Sean x3, x4 y x5 las variables de holgura asociadas a las restricciones (4.1), (4.2) y (4.3)
respectivamente. De esta forma,
 178 Optimizacin y Modelos para la Gestin

x3 = 100 x1 4x2
x4 = 60 x1 2x2
x5 = 50 x1 x2..

Si se evalan estas variables en el punto ptimo se obtiene que x3 =0, x4 = 0 y x5 = 10. En

este caso, el valor de las variables de holgura indica la cantidad de recurso que no se utiliza en la
solucin considerada. En la tabla 4.2. se muestra el valor de estas variables en cada vrtice factible.
En ella se observa que las variables de holgura asociadas a las restricciones que son activas, en el
punto considerado, son nulas y las asociadas a las restricciones no activas son positivas. Esta
propiedad de las variables de holgura ser muy til ms adelante.

Tabla 4.2. Variables de holgura.

Punto x3 x4 x5
A 0 0 10
B 20 0 0
C 50 10 0
D 100 60 50
E 0 10 25

4.2. ANLISIS DE SENSIBILIDAD

El anlisis de sensibilidad estudia bajo qu condiciones de los parmetros la solucin ptima

mantiene sus caractersticas. Lo usual es analizar cul es el rango de variacin de los valores de un
slo parmetro a la vez, asumiendo que el resto no vara. Los parmetros que se acostumbra a
estudiar ms en la prctica son los coeficientes de la funcin objetivo y del vector lado derecho.

Considerando, por una parte, que los parmetros de un modelo contienen error numrico
proveniente de su medicin, y que por otra, estos parmetros presentan generalmente caractersticas
aleatorias, se hace necesario estudiar el comportamiento de las soluciones del modelo frente a
cambios en los valores de los parmetros. Estos cambios pueden ser tales que no modifiquen en
forma importante la solucin, o bien, pueden provocar cambios radicales.

Ejemplo 1: Anlisis de sensibilidad de los coeficientes de la funcin objetivo.

La pregunta que se trata de responder en este caso es cul es el rango de variacin del valor
de un coeficiente de la funcin objetivo, de modo que el punto ptimo contine siendo ptimo?

Modificar el valor de un coeficiente de funcin objetivo significa, desde el punto de vista

geomtrico, modificar la pendiente de la recta (o hiperplano) que representa la funcin objetivo, en
torno al punto ptimo.
 Captulo 4 Geometra de la Programacin Lineal 179

Para el problema de produccin de sillas y mesas, cul es el rango de valores en que puede
variar el beneficio asociado a cada silla, de modo que el vrtice A siga siendo ptimo?

Si se rota la recta que representa a la funcin objetivo en torno al punto A, cambia su

pendiente. Tambin se puede rotar en sentido horario hasta que contenga al punto B y en sentido
antihorario hasta que contenga al punto E, como se aprecia en la figura 4.4. Si se rota ms all de
estos lmites, el punto A dejara de ser ptimo. Por lo tanto, la mxima inclinacin debe ser tal que
z(A), el valor de la funcin objetivo en A, sea mayor o igual que el valor de ella en cualquier otro
punto factible, en particular, mayor o igual que en los vrtices adyacentes E y B.

x2

50

30
25
E
A

B
D C
50 60 100 x1
cx=80

Figura 4.4. Anlisis de sensibilidad del beneficio de las sillas.

Llamando al beneficio unitario de cada silla, la condicin anterior queda:

z(A) z(B) y z(A) z(E).

La primera condicin, z(A) z(B) es equivalente a (, 3)T(20,20) ( , 3)T(40,10), de donde

La segunda condicin, z(A) z(E) es equivalente a (, 3)T(20,20) (, 3)T(0,25), de donde .

Luego, el rango de sensibilidad para el beneficio unitario de las sillas es [3/4,]. Esto es, si el
valor de este beneficio pertenece a este intervalo, entonces el punto x1 = 20, x2 = 20 contina siendo
ptimo, si bien el valor ptimo cambia.

Se observa que cuando = el vrtice E tambin es ptimo y, por lo tanto, tambin son
ptimos los puntos contenidos en el segmento de recta que une los puntos A y E. De la misma
forma, cuando = el vrtice B y los puntos contenidos en el segmento de recta que une A y B
son ptimos.
 180 Optimizacin y Modelos para la Gestin

Ejemplo 2: Anlisis de sensibilidad de los coeficientes del vector lado derecho.

En este caso, el objetivo del anlisis es estudiar cmo puede variar el valor de un coeficiente
del lado derecho de manera que las caractersticas del punto ptimo se mantengan. Esto es, que
las restricciones que son activas en el ptimo sigan siendo activas y que las que son no activas sigan
siendo no activas. Esto es equivalente a estudiar para qu valores de la disponibilidad de algn
recurso, el plan de produccin mantiene sus caractersticas, es decir, los productos que conviene
fabricar son los mismos y slo vara, eventualmente, la proporcin de ellos en el plan.
Geomtricamente, modificar el valor de un coeficiente del lado derecho significa desplazar
paralelamente la recta (o hiperplano) asociada(o) a la restriccin correspondiente.

a) Sensibilidad de la disponibilidad de fierro. Se observa que esta restriccin es activa en el punto

ptimo. La recta asociada a esta restriccin puede desplazarse hacia el origen, hasta que ella
contenga el punto E y en direccin contraria al origen, hasta que contenga al vrtice H. Esto significa
que la disponibilidad de fierro debe ser tal que la recta correspondiente est entre la paralela que
contiene al punto E y la paralela que contiene al punto H, como se muestra en la figura 4.5.

x2

50

30
25
A
E
H

B
D C
50 60 100 x1

Figura 4.5. Anlisis de sensibilidad de la disponibilidad de fierro.

Sea el valor de la disponibilidad de fierro. La condicin anterior establece que

(E)(H), siendo (E) y (H) los valores que este parmetro asume en los puntos E y H
respectivamente.

De (E) se tiene que x1 + 2 x2 y como x1 = 0 y x2 = 25 en el punto E, entonces

0 + 2 25 , de donde 50.

De (H) se tiene que x1 + 2x2 y comox1 100 y x 2 3 en

50
3
el punto H,
entonces
100
3
2 503 de donde 200
3

200
Luego, el rango de sensibilidad de la disponibilidad de fierro es 50, 3 .
 Captulo 4 Geometra de la Programacin Lineal 181

Se observa que cuando = 50, las restricciones (4.1) y (4.2) son activas y que cuando
200
3
todas las restricciones son activas, sin embargo la restriccin (4.2) es redundante. Si <50
entonces las restricciones (4.1) y (4.3) son redundantes y si 200 3
el ptimo ser el punto H,
donde las restricciones (4.1) y (4.3) son activas.

b) Al analizar, ahora, la sensibilidad de la mano de obra se observa que esta restriccin es no activa
en el punto ptimo A. En el grfico de la figura 4.6., la recta correspondiente puede desplazarse en
direccin contraria al origen indefinidamente y el punto ptimo no cambiar. Hacia el origen, puede
desplazarse hasta que contenga al punto A. Sea la disponibilidad de mano de obra.

x2

50

40
30
25
E A

B
D C
40 50 60 100 x1

Figura 4.6. Anlisis de sensibilidad de la disponibilidad de mano de obra.

As, x1 + x2 y como x1 = 20 y x2 = 20 en el punto A, entonces se tiene 20+20 De

donde 40. Por lo tanto, el rango de sensibilidad de la mano de obra es [40, ).

Si = 40, todas las restricciones sern activas en el punto ptimo, sin embargo la restriccin
(4.2) es redundante.

4.3. TIPOS DE SOLUCIONES DE UN PROBLEMA LINEAL

Existen diferentes tipos de soluciones para distintas instancias de un problema de

programacin lineal. A continuacin se muestran algunos de ellos, a travs de ejemplos, con el
objetivo de dar al lector, desde ya, una visin intuitiva de las distintas caractersticas que puede tener
la solucin de un problema lineal.

a) Problema infactible

Ejemplo 3: Sea el siguiente problema lineal.

Max z = 2x1 + x2
s.a.
x1 + 2x2 6 (4.4)
x1 + 2x2 8 (4.5)
x1, x2 0.
 182 Optimizacin y Modelos para la Gestin

El conjunto de soluciones factibles de este problema es vaco, como se puede apreciar en la

figura 4.7.

x2

(4.5)
4

(4.4)
6 8 x1

Figura 4.7. Problema infactible.

b) Problema con solucin ptima nica

Ejemplo 4: Sea el siguiente problema lineal

Max z = 2x1 + 2x2

s.a.
x1 + 3x2 9 (4.6)
2x1 + x2 6 (4.7)
x1, x2 0.

El punto x* es el nico punto ptimo de este problema, como se muestra en la figura 4.8.

x2

6 (4.7)
z

3
(4.6)

x*
3 9 x1

Figura 4.8. Solucin ptima nica.

 Captulo 4 Geometra de la Programacin Lineal 183

c) Conjunto factible no acotado

Cuando el conjunto de puntos factibles es no acotado, la solucin puede ser finita o bien no
acotada.

i) Solucin ptima finita.

Ejemplo 5: Sea el siguiente problema lineal:

Min z = 2x1 + 2x2

s.a.
x1 + 3x2 9 (4.8)
2x1 + x2 6 (4.9)
x1, x2 0.

El punto x* es el punto ptimo y la funcin objetivo en x* toma valor 6. En la figura 4.9. se

observa que el conjunto de puntos factibles es no acotado.

x2

(4.8)
6 (4.9)
z

c
x*
3 x1

Figura 4.9. Conjunto factible no acotado y solucin ptima finita.

ii) Problema no acotado.

Ejemplo 6: Sea el siguiente problema lineal:

Max z = 2x1 + 2x2

s.a.
x1 + 3x2 9 (4.10)
2x1 + x2 6 (4.11)
x1, x2 0.

El valor de la funcin objetivo de este problema puede crecer indefinidamente, como se

muestra en la figura 4.10.
 184 Optimizacin y Modelos para la Gestin

x2

6 (4.10)
(4.11)
z

3 c

x*
3 x1

Figura 4.10. Problema no acotado.

d) Problema con infinitas soluciones ptimas

Existen problemas que admiten ms de un punto ptimo.

Ejemplo 7: Sea el siguiente problema lineal:

Max z = 2x1 + x2
s.a.
x1 + 3x2 9 (4.12)
2x1 + x2 6 (4.13)
x1, x2 0.

Todos los puntos contenidos en el segmento de recta que une los puntos x* e y*, son
ptimos. Ntese que en todos ellos la funcin objetivo toma el valor 6, como se aprecia en la figura
4.11.

x2

(4.13)
6
(4.12)

y*
3
z

x*
3 x1
Figura 4.11. Problema con infinitas soluciones ptimas.
 Captulo 4 Geometra de la Programacin Lineal 185

4.4. CARACTERIZACIN DE SOLUCIONES PTIMAS

En esta seccin se caracterizan las soluciones ptimas de un problema de programacin

lineal. Los conceptos y propiedades desarrollados en el captulo 3 para el problema general de
optimizacin son, claramente, vlidos para el problema lineal. La idea es analizar la aplicacin de
los resultados generales a este caso particular. Sea el siguiente el problema:

(P.L.) Min z = cT x
s.a.
Ax = b
x 0.

donde AMmn(R); c, xRn ; bRm.

Se denota por x* un punto ptimo del problema (P.L.) y por z* el valor ptimo, es decir, el
valor de la funcin objetivo en un ptimo.

Dado que el problema lineal es convexo todos los resultados de la seccin 3.3. son aplicables
a este caso y permiten obtener caracterizaciones interesantes desde el punto de vista algortmico. En
efecto, sea K el conjunto de soluciones factibles del problema lineal, es decir, el conjunto de puntos
que satisfacen todas las restricciones de (P.L.). Esto es,

K = { x: Ax = b, x 0}.

Teorema 4.1: Si el conjunto K de todas las soluciones factibles del problema (P.L.) no es vaco,
entonces es un conjunto convexo.

Dem: Si K contiene slo un punto, entonces el resultado es cierto. Supongamos que existen al
menos dos soluciones factibles distintas para el problema (P.L.), x1 y x2. Se tiene que:

Ax1 = b y x1 0
Ax2 = b y x2 0 .

Sea x = x1 + (1) x2 con 0 1 una combinacin lineal convexa de x1 y x2. Entonces,

x 0 y x es una solucin factible para (P.L.). En efecto,

Ax = A [x1 + (1 ) x2 ]
= A x1 + (1) A x2
= b + (1) b
= b.

Este resultado implica que todas las propiedades de los problemas convexos, son aplicables
al problema lineal. En particular, que si se determina un punto mnimo local del problema (P.L.),
entonces este punto es mnimo global. Si K no fuera convexo, un punto mnimo local podra no ser
mnimo global, como se muestra en la figura 4.12. De hecho, el conjunto factible de esta figura no se
puede caracterizar mediante un sistema de desigualdades lineales.
 186 Optimizacin y Modelos para la Gestin

cT x

Figura 4.12. Problema no convexo.

A continuacin se estudia el conjunto de soluciones factibles desde el punto de vista

geomtrico.

Definicin 4.1: Un conjunto formado por la interseccin de un nmero finito de semiespacios afines
se llama poliedro. De este modo, {x: Ax = b, x 0} es un poliedro.

Definicin 4.2: La envoltura convexa C(S) de un conjunto dado de puntos S, es el conjunto de

todas las combinaciones lineales convexas de puntos de S. La envoltura convexa de un conjunto es
el menor conjunto convexo que lo contiene. Es decir,

C ( S ) i x i , x i iJ S , J finito; i 1, i 0, i J
iJ iJ

Si S es el conjunto de vrtices de un paraleleppedo, entonces la envoltura convexa de S es

todo el paraleleppedo. Si S es una circunferencia, es decir, la frontera de un crculo, la envoltura
convexa de S es todo el crculo.

Figura 4.13. Envoltura convexa.

Si el conjunto S est formado por un nmero finito de puntos, la envoltura convexa de S se

denomina poltopo.
 Captulo 4 Geometra de la Programacin Lineal 187

Un conjunto convexo S se dice no acotado si para todo punto xS, existe un vector d0 tal
que los puntos x+d pertenecen a S para todo >0. En caso contrario, se dice que S es acotado, esto
es, si existe un punto xS tal que para todo d0 existe un escalar para el cual x+d S.

Definicin 4.3: Un punto x de un conjunto convexo S se dice punto extremo o vrtice de S si no es

posible expresar x como combinacin lineal convexa de otros puntos distintos del conjunto S. Esto
es, no existen dos puntos distintos x1, x2 S tales que x =x1+(1)x2 para algn tal que 0<<1.

Se observa que si 0<<1, entonces los puntos x1 y x2 deben ser distintos de x. El concepto de
punto extremo es fundamental para la caracterizacin de las soluciones del problema de
programacin lineal. El conjunto de puntos extremos de un conjunto S se denomina perfil de S.

En la figura 4.14, los puntos x1, x2, x3, x4 y x5 son los puntos extremos del poltopo, y w1, w2
3
y w son los puntos extremos del poliedro.

x1

x2

x5
w1

w3
x3 w2
x4
Figura 4.14. Puntos extremos.

Definicin 4.4: Un conjunto CRn se llama cono si yC; se tiene que yC, 0. Si C es
adems convexo, se llama cono convexo.

En la figura 4.15, se muestran algunos conos; no todos ellos son convexos.

Figura 4.15. Conos.

 188 Optimizacin y Modelos para la Gestin

Definicin 4.5: Sea SRn convexo. El cono caracterstico de S es el conjunto:

car(S) = {y: xS tal que x+yS, 0}.

Definicin 4.6: Sea SRn convexo, el vector ycar(S) se llama direccin extrema si no es posible
expresar y como combinacin lineal no negativa de otros vectores del cono caracterstico. Es decir,
si no es posible que y= y1 + y2, con y1, y2car(S); , 0; y1 y2.

En la figura 4.16, el cono caracterstico de S corresponde al rea sombreada y los vectores a

y b son direcciones extremas.

a
b

Figura 4.16. Cono caracterstico.

Ejemplo 8: Si S = {x: Ax b} es un poliedro, entonces se puede mostrar que car(S)={x: Ax0}.

Ejemplo 9: Si S = { x: Ax = b, x 0} es un poliedro, se puede mostrar que:

car(S) ={x: Ax = 0, x 0}.

Ntese que si S es un cono convexo, entonces su cono caracterstico es el mismo conjunto S.

Proposicin: SRn convexo es acotado si y slo si car(S) = .

Un resultado muy importante del estudio de convexos es el siguiente:

Teorema 4.2: Sea S Rn convexo. Entonces xS se puede expresar como:

p q p
x i x i j y j , i 1, i 0 i, j 0 j.
i 1 j 1 i 1

donde xi, i = 1,, p son puntos extremos e y j car(S), j = 1,, q.

Esto es, todo punto de S se puede expresar como combinacin convexa de un nmero finito de
puntos extremos, ms una combinacin cnica de direcciones extremas, esto es, como un punto
perteneciente a la envoltura convexa de los puntos extremos de S, ms una combinacin no negativa
de las direcciones extremas.
 Captulo 4 Geometra de la Programacin Lineal 189

En la figura 4.17, se observa que cualquier punto z de S se puede expresar como una
combinacin lineal convexa de los puntos extremos x1, x2 y x3, cuya envoltura convexa es S1, ms
una combinacin no negativa de y1 e y2 que son las direcciones extremas. En efecto, z1 = v + y1
para cierto 0 y z2 = w + 1 y1 + 2 y2 para algn 1, 2 0.

z1
y1 y2
x1
z2
v s
w
x2 x3

car(S)
x1
s1
y1
y2
x2
x3

Figura 4.17. Puntos extremos y direcciones extremas.

Si S es acotado, entonces no hay direcciones extremas y todo punto de S se puede expresar

como una combinacin lineal convexa de los puntos extremos de S.

Si S es un poliedro, las cosas se simplifican en el sentido que un poliedro tiene un nmero

finito de puntos extremos. En este caso el teorema anterior se puede reescribir diciendo lo siguiente:

p
Si xS ={x: Ax b}, entonces x=
i 1
i xi + y donde ycar(S) = {x: Ax 0} y {x1,, xp}
son puntos extremos de S.

Todos estos resultados son geomtricamente muy obvios, pero sus demostraciones formales
distan mucho de ser triviales, por lo que no se incluyen aqu.

Se asume ahora que car(S) = y por lo tanto S es acotado.

Teorema 4.3: Sea S un poliedro acotado, entonces S tiene un nmero finito de puntos
extremos E = { x1, x2,, xp } y S = C(E). Es decir, S es un poliedro.

En efecto, si S es un poliedro acotado, entonces cualquier punto de S se puede expresar como

combinacin lineal convexa de los puntos extremos de S. Para el poliedro de la figura 4.18, el
conjunto de puntos extremos es E = {x1, x2, x3, x4, x5, x6}, con x1 = (0,3), x2 = (2,5), x3 = (5,4),
x4 = (6,2), x5 = (4,0) y x6 = (2,1).
 190 Optimizacin y Modelos para la Gestin

x2
x3
x1 w* x*
x4
x6 y*
x5

Figura 4.18. Puntos extremos de un poliedro.

El punto x* = (3,5/2) puede expresarse como x* =i6=1 i xi donde 1 = 3 = 4 = 6 = 0 y

2 = 5 = . Anlogamente, se tiene que el punto y* = (11/2,3/2) tambin puede ser expresado como
y* =i6=1 i xi con 1= 2= 3= 6 = 0 y 4 = y 5 = . De la misma forma, el punto w* = (1,5/2)
puede expresarse como w* =i6=1 i xi con 3= 4= 6 =0, 1 = 2= 1/8 y 6 = . Es interesante
observar que basta utilizar a lo ms n+1 puntos extremos para expresar un punto en SRn.

El siguiente es un resultado inverso:

Teorema 4.4: Sea E = { x1, x2,, xr }Rn un conjunto de puntos. Entonces existen Apn(R),
bRp para algn p, tales que C(E) = {x: Ax b}.

Esto es, la envoltura convexa de un conjunto finito de puntos es un poliedro. Esta

equivalencia entre las dos representaciones, algebraica (va Ax b) y puntual (a travs de los puntos
extremos), es de gran importancia terica, pero tiene al mismo tiempo potenciales aplicaciones
prcticas, como veremos ms adelante.

En resumen, se sabe que el conjunto K de soluciones factibles del problema lineal (P.L.) es
un poliedro convexo. Si K es vaco, entonces se dice que el problema es infactible. Si K no es vaco,
qu ocurre con las soluciones ptimas?

Dado que el gradiente de la funcin objetivo es c y que el problema (P.L.) es de

minimizacin, interesa la direccin opuesta al gradiente, es decir, c. En la figura 4.19 se muestran
las siguientes situaciones:

(a) El conjunto K de soluciones factibles es vaco, es decir, no existe ninguna solucin factible,

(b) K es un poltopo convexo. El punto x* es el nico punto ptimo y z*, el valor ptimo, es finito.

(c) K es un poliedro convexo no acotado. El punto x* es el nico punto ptimo y z* es finito.

 Captulo 4 Geometra de la Programacin Lineal 191

(d) K es un poliedro convexo no acotado. El valor de la funcin objetivo puede decrecer

indefinidamente, z . En este caso, se dice que el problema es no acotado.

Se observa que tanto en (c) como en (d), el espacio de soluciones factibles es no acotado, sin
embargo, en el primer caso existe solucin ptima y en el segundo no. De esta forma, si K es un
poltopo convexo, entonces existe al menos una solucin ptima finita y si K es no acotado, entonces
el valor ptimo puede ser no acotado.

x*

K -c

(a) (b)
z z

K
K
-c
x*
-c
(c) (d)

Figura 4.19. Soluciones ptimas de un problema lineal.

Si el conjunto de soluciones factibles no es vaco y existe ms de un punto ptimo con valor

ptimo finito, entonces existen infinitos puntos ptimos, como se puede ver en la figura 4.20.

-c z
z -c
K K

Figura 4.20. Infinitas soluciones ptimas de un problema lineal.

Teorema 4.5: Si el problema (P.L.) admite solucin ptima finita, entonces el valor ptimo se
alcanza en un punto extremo del poliedro factible K. Si el valor ptimo se alcanza en ms de un
punto extremo de K, entonces este mismo valor se obtiene para cualquier punto que sea combinacin
lineal convexa de estos puntos extremos.
 192 Optimizacin y Modelos para la Gestin

Dem: Si el problema lineal tiene solucin ptima finita, entonces cTy 0, ycar(K) (por qu?).
Entonces sea x*K una solucin ptima del problema (P.L). Por lo tanto, se tiene que:

p p
x* = i x i j y j con i 1
i 1 , i 0, j 0
i 1 j

para xi, i = 1,, p puntos extremos de K e y j car(K).

Supongamos que la afirmacin no es cierta. Entonces cTxi > cTx* = z*, i = 1,, p. Por lo tanto,

p
z* = i c T x i j c T y j
i 1 j

p p
i c T x i >
i 1
z * z *,
i 1
i

una contradiccin. Se concluye que cTxi = z* para al menos un punto extremo xi de K. La segunda
parte de la afirmacin es inmediata.

Ejemplo 10: Sea el siguiente problema (P.L.).

Min z = 4x1 + 2x2

s.a.
x1 2x2 2
2x1 + x2 2
x1, x2 0.

El conjunto factible K se muestra en la figura 4.21. Se observa que los puntos extremos son
x1 = (0,2), x2 = (0,0) y x3 = (2,0). El cono caracterstico es el conjunto de puntos solucin del
sistema:

x1 2x2 0
2x1 + x2 0
x1 0
x2 0.

Se puede ver en la figura que las soluciones de este sistema que satisfacen la propiedad de
ser extremas son y1 = (2,1) e y2 = (1,2).

Todos los puntos de K se pueden expresar como combinacin lineal de x1, x2, x3, y1 e y2. En
efecto,

x = 1 x1 + 2 x2 + 3 x3 + 1 y1 + 2 y2, 1+ 2 + 3 = 1, 1 , 2 , 3 , 1 , 2 0.
 Captulo 4 Geometra de la Programacin Lineal 193

Esto es,
x1 0 0 0 2 1
x 1 2 2 0 3 2 1 1 2 2
2
1 2 3 1, 1 , 2 , 3 , 1 , 2 0.

El ptimo del problema se alcanza, en este caso, en el punto x1, pero tambin en todos los
puntos del rayo en la direccin y2 que comienza en x1. Luego, el problema posee infinitas soluciones
ptimas y todas ellas tienen el mismo valor, puesto que:

- 4 0 + 1 4
T T

2 2 2 2 2 2 4 4 4 4 0.

x1

K
2 x1
y2
y1
x3
-1 x2 x2
2
-1

Figura 4.21. Ejemplo 10.

COMENTARIOS

El anlisis grfico utilizado al comienzo de este captulo para introducir los conceptos bsicos de
programacin lineal, tiene un gran potencial pedaggico, puesto que permite apoyarse en la
intuicin geomtrica. De hecho, textos modernos como Hillier y Lieberman 1997 y Taha
1996 incluyen software de apoyo al estudiante que utiliza intensivamente la representacin
grfica.

El Teorema de Representacin de Poliedros en funcin de puntos y direcciones extremas, fue

desarrollado a partir del trabajo de Minkowski 1896 y Goldman y Tucker 1956b. El resultado
inverso, es decir, aquel que establece que el conjunto de las combinaciones lineales convexas de
un nmero finito de puntos corresponde a la interseccin de un nmero finito de semiespacios
fue desarrollado por Motzkin 1936. Los dos resultados establecen, entonces, la equivalencia
entre la representacin geomtrica (mediante puntos y direcciones extremas) y la representacin
algebraica (mediante desigualdades lineales) de los poliedros.

El estudio de la geometra de poliedros se conoce como Teora Poliedral. Algunas referencias

ms avanzadas en este tema son Bazaraa y Shetty 1976, Rockafellar 1970, Schrijver 1986 y
Murty 1985.
 194 Optimizacin y Modelos para la Gestin

EJERCICIOS

1) Sea S = {x: Ax = b, x 0} no vaco, donde A es una matriz de mn de rango m y b es un vector de

Rm. Demuestre que S tiene al menos un punto extremo.

2) Determine todos los puntos extremos del poliedro definido por el siguiente conjunto de
desigualdades:

S = {(x1, x2, x3) / x1 + x2 + x3 5, x1 + x2 + 2x3 6, x1 0, x2 0, x3 0}

3) Considere el poliedro correspondiente al siguiente conjunto de desigualdades:

x1 + x2 1
x1 + 2x2 10
x1 1
x2 0.

Identifique los puntos extremos, direcciones extremas y rayos extremos.

4) Sea S = {(x1, x2,): x1 + x2 7, x1 +2x2 1, 3x1 + x2 1}.

Determine los puntos extremos de S y represente el punto x = (1,1) como combinacin lineal
convexa de esos puntos extremos.

5) Determine todos los puntos y direcciones extremas del poliedro S definido por el siguiente
sistema de desigualdades:

S = {(x1, x2, x3, x4): x1 + x2 + x3+ x4 7, 2x1 + x3 x4 2, 3x2 + 2x3 2x4 6}

Represente el punto x = (1,2,1,2) como combinacin lineal convexa de los puntos y

direcciones extremas de S.

6) Considere el siguiente problema de programacin lineal:

Max z = 2x1 + 2x2

s.a.
x1 + 3x2 3
2x1 + x2 4
x1, x2 0.

a) Mediante anlisis grfico, determine una solucin del problema.

b) Determine el rango de variacin del coeficiente de la variable x1 en la funcin objetivo de modo
que el punto ptimo no cambie. Realice el mismo anlisis para el coeficiente de x2.
c) Determine el rango de variacin del coeficiente del lado derecho de la primera restriccin, de
modo que ambas restricciones sigan siendo activas en el ptimo.
 Captulo 4 Geometra de la Programacin Lineal 195

7) Considere el poliedro definido por las siguientes desigualdades lineales

2x1 x2 2
x1 + 5x2 10
10x1 + x2 20
x1 + 5x2 10.

Se desea determinar el rectngulo ms pequeo, de lados paralelos a los ejes coordenados,

que contiene a este poliedro. Para esto se sugiere resolver cuatro problemas de programacin lineal.
Todos ellos tienen el mismo conjunto de restricciones, las cuatro que definen el poliedro, pero la
funcin objetivo es diferente para cada uno. Formule esos problemas y utilizando anlisis grfico
determine la solucin del problema.

8) Considere el siguiente problema de programacin lineal:

Min z = 4x1 + 2x2

s.a.
x1 + x2 1
2x1 + x2 1
x1 5.

a) Utilizando anlisis grfico determine el conjunto de soluciones ptimas del problema, si existe, y
descrbalo en trminos de los puntos y direcciones extremas.
b) Determine la mayor distancia (euclideana) entre dos soluciones ptimas del problema.

9) Considere el siguiente problema de programacin lineal:

Max z = 2x1 + x2
s.a.
x1 + x2 1
3x1 + x2 1
x1 0.

a) Utilizando anlisis grfico determine el conjunto de soluciones ptimas del problema, si existe.
b) Sustituya la funcin objetivo por Min z = x1 + 3x2 y determine las soluciones de este nuevo
problema, si existen.

10) Considere el siguiente problema de programacin lineal:

Max z = 3x1 x2
s.a.
x1 + x2 1
3x1 + x2 2
x1 4x2 4
x1 0.

Determine el conjunto de soluciones ptimas, si existe y descrbalo en trminos de los puntos

extremos y direcciones extremas.
 196 Optimizacin y Modelos para la Gestin

11) Una fbrica puede producir dos tipos de aceite para automviles: normal y premium. Para
obtener cada uno de estos productos se agregan tres tipos de aditivo: K1, H4 y SP, a un aceite base.
La cantidad de aditivo que requiere cada tipo de aceite y la cantidad disponible se muestra en la tabla
4.3.

Tabla 4.3. Cantidad de aditivos para fabricacin de aceites.

Cantidad de aditivo Disponibilidad

(cm3/lt) (lt)
Aditivo Normal Premium
K1 0,02 0,01 100
H4 0,03 0,02 70
SP 0,02 0,05 50
Precio ($/lt) 800 2.000

a) Formule un modelo de programacin lineal que permita decidir la cantidad de cada uno de los dos
tipos de aceite que es conveniente producir, de modo que no se exceda la disponibilidad de los
aditivos y se maximice el ingreso total.
b) Resuelva el modelo de a) mediante anlisis grfico.
c) Determine, grficamente, cunto debe aumentar el precio del aceite normal para que sea
conveniente producirlo.
d) Determine cunto puede disminuir la disponibilidad de K1 y H4 sin alterar la solucin ptima.
e) Determine cunto puede variar la disponibilidad del aditivo SP, de modo que la solucin sea tal
que se produce slo aceite premium (alguna cantidad) y no se produce aceite normal.

12) Un molino procesa trigo y maz en dos mquinas: A y B, para producir harina. Los rendimientos
por hora de las mquinas, la cantidad de horas que opera cada una de ellas en un mes y el precio de
las harinas se indican en la tabla 4.4.

Tabla 4.4. Procesamiento de trigo y maz.

Tiempo de proceso Disponibilidad

(hrs/ton) (hrs/mes)
Mquina Trigo Maz
A 5 2 140
B 3 2 120
Precio ($/ton) 300.000 200.000

a) Formule un modelo de programacin lineal que permita decidir la cantidad de trigo y maz que es
conveniente procesar en un mes de modo que se maximice el ingreso total.
b) Resuelva el modelo de a) mediante anlisis grfico.
c) Cuntas horas ociosas tienen las mquinas?
d) Determine si se puede producir slo harina de maz, sin producir harina de trigo, manteniendo el
mismo ingreso total.
e) Determine la solucin si se aumenta el precio del trigo a $ 400.000 la tonelada.
 Captulo 4 Geometra de la Programacin Lineal 197

13) Sea A = {A1, A2,, An} una base de Rn. Sea B = {B1, B2,, Bk} un conjunto de vectores
linealmente independientes en Rn. Demuestre que se puede encontrar un conjunto de nk vectores
de A que en conjunto con los vectores B forman una base de Rn.

14) Sea K un poliedro convexo yx un punto extremo de K. Demuestre quex es un punto extremo
de K si y solamente si K \{x} es tambin un conjunto convexo.

15) Considere el sistema de desigualdades Ax b, donde AM mn(R) y bRm. Sea K el conjunto de

soluciones factibles del sistema. Demuestre que si K, su dimensin es n donde = rango {Ai .
tal que Ai . x = bi, para todo xK} (Ai . denota la fila i de A).

16) Considere el siguiente problema lineal:

Min z = x1 + x2
s.a.
2x1 + x2 1
x1 2x2 2
x1 1
x1, x2 0.

a) Grafique el conjunto de soluciones factibles.

b) Determine todos los puntos extremos y direcciones extremas.
c) Identifique la solucin ptima (si existe).
d) Analice el problema e identifique la solucin ptima (si existe), si la funcin objetivo se cambia
por 2x1 x2.
e) Analice el problema e identifique la solucin ptima (si existe), si la funcin objetivo se cambia
por x1 3x2.

17) Muestre que el siguiente problema admite soluciones factibles pero no ptimas:

Max z = x1 + 2x2
s.a.
x1 4
x1 0.

18) Sea K = {x: x1 x2 1, 3x1 + x2 19, x1 + 2x2 16, x1 0, x2 0}.

Dado S Rn, el cono polar (o simplemente polar) de S est dado por {p: pTx 0, xS}.

a) Encuentre una descripcin de conv(K) mediante desigualdades.

b) Determine los puntos extremos de conv(K).
c) Determine el polar de conv(K).
d) Determine los rayos extremos del polar de conv(K).
198 Optimizacin y Modelos para la Gestin