Tema 2:

Optimizacin lineal
JOHN ZAMORA CORDOVA

UTP
Sumario
El modelo de programacin lineal
Formulacin de modelos
Mtodo grfico
Mtodo del simplex
Casos anmalos
Mtodo de las dos fases
Dualidad

El modelo de
programacin lineal
Introduccin
Definicin: Se dice que una funcin f: R
n
R es lineal sii
para algn conjunto de constantes {c
1
,c
2
,...,c
n
} se tiene
que:
( )
n n n
x c x c x c x x x f + + + = ... ,..., ,
2 2 1 1 2 1
Ejemplos: f(x,y)=x2y es lineal, pero f(x,y)=x
2
+2y no es
lineal.
Definicin: Sea f: R
n
R una funcin lineal, y beR una
constante. Entonces se dice que las desigualdades
f(x
1
,...,x
n
)>b, f(x
1
,...,x
n
)sb, son desigualdades lineales, y
que la igualdad f(x
1
,...,x
n
)=b es una igualdad lineal. En
general nos referiremos a las tres con el nombre de
restricciones lineales
Concepto de problema de
programacin lineal
Definicin: Un problema de programacin lineal es
un problema de optimizacin en el que:
Se debe maximizar (o minimizar) una funcin lineal de las
variables de decisin que se llama funcin objetivo
Los valores de las variables deben satisfacer un conjunto
de restricciones lineales
Frecuentemente nos encontraremos que en el
problema de programacin lineal aparecen tambin
restricciones de signo para las variables, del tipo
x
i
>0. En realidad estas restricciones son un tipo de
restricciones lineales.
Forma general de un problema
de programacin lineal
La forma ms general de un problema de
programacin lineal ser:
no) o aparecer pueden (que 0 ,...,
~ ...
...
~ ...
: a Sujeto
... minimizar) (o Maximizar
1
1 1
1 1 1 11
1 1
>
+ +
+ +
+ +
n
m n mn m
n n
n n
x x
b x a x a
b x a x a
x c x c
donde el smbolo ~ puede denotar a >, s o =.
Forma matricial
A los coeficientes de la funcin objetivo (c
i
) se les llama
costes. A los trminos independientes de las
restricciones (b
i
), recursos. A los elementos de la matriz
de coeficientes que define las restricciones (a
ij
),
coeficientes tcnicos. Para simplificar la notacin, si
llamamos c al vector de costes, b al vector de recursos,
y A a la matriz de coeficientes tcnicos, podemos
escribir el problema en la llamada forma matricial:
no) o aparecer (puede 0
~
: a Sujeto
minimizar) (o Maximizar
> x
b x
x c
A
T
Regin factible
Mientras no se indique lo contrario, consideraremos que
las restricciones del tipo x
i
>0 se incluyen (si aparecen en
el problema) dentro del conjunto de restricciones Ax ~ b,
con lo cual el problema quedara:
b x
x c
~ a Sujeto
minimizar) (o Maximizar
A
T
Definicin: Dado un problema de programacin lineal,
llamaremos regin factible del problema y la
denotaremos por S al conjunto de puntos que cumplen
todas las restricciones del problema, es decir:
} ~ | { b x R x A S
n
e =
Soluciones ptimas
Definicin: Dado un problema de programacin lineal,
diremos que un punto x
0
eS es una solucin ptima sii
se cumple que f(x
0
)sf(x) xeS (para el caso de
minimizar) o bien f(x
0
)>f(x) xeS (para el caso de
maximizar). En tal caso, a f(x
0
) se le llamar valor
ptimo de la funcin objetivo.
Si existe una sola solucin ptima, diremos que el
problema tiene solucin nica. Si no existe solucin
ptima, pero S=C, diremos que el problema tiene
solucin ilimitada. Si S=C, diremos que el problema no
tiene solucin.
Formulacin de
modelos
Introduccin
Cuando se desea resolver un problema del
mundo real, se formula en primer lugar un
modelo
Un modelo es una simplificacin de la
realidad que se intenta que sea lo
suficientemente exacta como para poder
extraer de l conclusiones tiles
En particular nos interesan los modelos
cuantitativos, en los que la realidad es
modelada mediante nmeros
Modelos cuantitativos
En los modelos cuantitativos para problemas de
optimizacin intervienen:
Variables de decisin, cuyos valores numricos
finales nos proporcionan la solucin
La funcin objetivo, que es una cantidad que se
desea maximizar (beneficio, rendimiento, etc.) o
minimizar (coste, tiempo,...). En el caso de minimizar
costes, hay que tener en cuenta que los costos fijos
no se incluyen, ya que no dependen de la decisin
que se tome
Un conjunto de restricciones, las cuales definen qu
soluciones son posibles (factibles)
Gua para la formulacin de
modelos
Seguiremos estos pasos:
Expresar cada restriccin verbalmente, poniendo especial
cuidado en distinguir entre requerimientos (>), limitaciones
(s) o exigencias de igualdad (=).
Expresar el objetivo verbalmente
Identificar verbalmente las variables de decisin
Expresar las restricciones mediante smbolos, es decir, en
trminos de las variables de decisin
Expresar la funcin objetivo simblicamente
Comprobar la coherencia de las unidades en las
restricciones y la funcin objetivo
Ejemplo
Ejemplo: Una empresa dedicada a la
fabricacin de juguetes de madera produce
dos tipos de juguetes: coches y trenes
Los coches se venden a 27 y usan 10 de
materiales. Por cada coche hay un coste de
mano de obra de 14
Los trenes se venden a 21 , usan 9 de
material y el coste de mano de obra es 10

Ejemplo
La produccin de ambos juguetes necesita dos
tipos de trabajo: carpintera y acabado
Coche: 2 horas acabado, 1 hora carpintera
Tren: 1 hora acabado, 1 hora carpintera
La empresa dispone de un mximo de 80 horas
semanales de carpintera y 100 horas semanales de
acabado.
La demanda de trenes es ilimitada, pero la de
coches est limitada a 40 unidades a la semana
La empresa desea maximizar el beneficio
Ejemplo
Solucin:
Variables de decisin (deben describir las
decisiones que se van a tomar):
x
C
=n de coches producidos cada semana
x
T
=n de trenes producidos cada semana
Funcin objetivo:
Ganancias semanales: 27x
C
+21x
T

Costes semanales:
Materiales: 10x
C
+9x
T

Mano de obra: 14x
C
+10x
T

Ejemplo
Funcin objetivo (hay que maximizarla):
( )
T C T C T C T C
x x x x x x x x f 10 14 9 10 21 27 , + =
( )
T C T C
x x x x f 2 3 , + =
Restricciones:
Cada semana no se pueden usar ms de 100 horas de
acabado: 2x
C
+x
T
s100
Cada semana no se pueden usar ms de 80 horas de
carpintera: x
C
+x
T
s80
La demanda de coches est limitada: x
C
s40
La produccin no puede ser negativa: x
C
>0, x
T
>0
Ejemplo
Coherencia de unidades:
Las variables de decisin x
c
, x
T
estn en
horas/semana
La funcin objetivo est en /semana
Las restricciones estn expresadas en horas
Se observa que estamos usando coherentemente
las unidades
Mtodo grfico
Introduccin
Un primer intento de resolucin de los problemas de
programacin lineal es el mtodo grfico. Su inters
es limitado, ya que con l slo podemos resolver
problemas de dos variables (a lo sumo tres)
Definicin: Sea una funcin f: R
n
R. Llamamos
contorno k-simo de f y denotamos C
k
al conjunto
de puntos tales que f(x)=k, donde keR
Para el caso de una funcin lineal de dos variables,
los contornos que se generan variando k forman un
haz de rectas paralelas
Algoritmo
El mtodo grfico consta de los siguientes pasos:
Dibujar la regin factible, S
Dibujar un contorno de la funcin objetivo
Determinar la direccin de crecimiento de los contornos
Una vez determinada la direccin de crecimiento de
los contornos, la solucin estar en el ltimo punto
de la regin factible que toquen los contornos antes
de abandonarla, siguiendo la direccin y sentido de
crecimiento o decrecimiento segn si nuestro
objetivo es maximizar o minimizar, respectivamente
Determinacin del crecimiento
Para determinar la direccin de crecimiento
de los contornos, lo podemos hacer de dos
formas:
Dibujando dos contornos
Dibujando el vector gradiente, que como
sabemos marca siempre la direccin y sentido de
crecimiento de la funcin:
|
|
.
|

\
|
c
c
c
c
=
y
f
x
f
f grad ,
Ejemplo
Vamos a resolver este problema:
Maximizar f(x,y)=x

+ 6y sujeto a:
2 x

+ y

s 6
-x

+ y

s 0
x, y > 0
Si dibujamos la regin factible S, el contorno
0 y la direccin de crecimiento de la funcin
objetivo obtenemos la siguiente grfica
Ejemplo
0 1 2 3 4 5
0
1
2
3
4
5
y

S
(2,2)
C
0

grad f
x

Ejemplo
En la grfica podemos ver que la funcin objetivo
aumenta su valor hacia arriba. La solucin del
problema de minimizar estar en el primer punto de
S que toquen los contornos al aumentar el valor (en
este caso, el origen de coordenadas), mientras que
la solucin del problema de maximizar estar en el
ltimo punto que toquen, en este caso el (2,2).
Por tanto, la solucin ptima de este problema es el
punto (2,2) y el valor ptimo de la funcin objetivo
es f(2,2)=14. En este caso la solucin ptima es
nica y adems S tiene rea finita (est acotado),
pero hay otros casos, como se ve a continuacin
Solucin ilimitada, S no
acotado
S
Solucin nica, S no acotado
S
Infinitas soluciones, S no
acotado
S
Infinitas soluciones, S
acotado
S
Sin solucin (S=C)
Ejemplo
Problema:
Maximizar x
1
+ 2x
2
sujeto a:
-1/2 x
1
+ x
2
s 1
x
1
+ x
2
s 2
x
1
, x
2
> 0



Representacin grfica
0 1 2 3 4 5
0
1
2
3
4
5
x1
x2
A
C
D
E
F
Puntos extremos
Punto x1 x2 S1 S2 Z
A 0.0 0.0 1.0 2.0 0.0
B inf inf 0.0 -inf inf
C 0.0 1.0 0.0 1.0 2.0
D 2.0 0.0 2.0 0.0 2.0
E 0.0 2.0 -1.0 0.0 4.0
F 0.7 1.3 0.0 0.0 3.3
Ejemplo
Problema:
Maximizar x
1
+ 6x
2
sujeto a:
-2x
1
+ x
2
s 4
-x
1
+ x
2
s 1
2x
1
+ x
2
s 6
x
1
, x
2
> 0


Representacin grfica
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
x1
x2
A
C
E
F
G
I
J
Puntos extremos
Punto x1 x2 S1 S2 S3 Z
A 0.0 0.0 4.0 1.0 6.0 0.0
B inf inf 0.0 -inf -inf inf
C 0.0 4.0 0.0 -3.0 2.0 24.0
D inf inf inf 0.0 -inf inf
E 0.0 1.0 3.0 0.0 5.0 6.0
F 3.0 0.0 10.0 4.0 0.0 3.0
G 0.0 6.0 -2.0 -5.0 0.0 36.0
H -3.0 -2.0 0.0 0.0 14.0 -15.0
I 0.5 5.0 0.0 -3.5 0.0 30.5
J 1.7 2.7 4.7 0.0 0.0 17.7
Ejemplo
Problema:
Maximizar 5x
1
+ 4x
2
sujeto a:
3x
1
+ 3x
2
s

10
12x
1
+ 6x
2
s 24
x
1
, x
2
> 0



Representacin grfica
0 1 2 3 4 5
0
1
2
3
4
5
x1
x2
A B
C
D
E
F
Puntos extremos
Punto x1 x2 S1 S2 Z
A 0.0 0.0 10.0 24.0 0.0
B 3.3 0.0 0.0 -16.0 16.7
C 0.0 3.3 0.0 4.0 13.3
D 2.0 0.0 4.0 0.0 10.0
E 0.0 4.0 -2.0 0.0 16.0
F 0.7 2.7 0.0 0.0 14.0
Ejemplo
Problema:
Maximizar 20x
1
+ 24x
2
sujeto a:
3x
1
+ 6x
2
s

60
4x
1
+ 2x
2
s 32
x
1
+ 2x
2
s 16
x
1
, x
2
> 0


Representacin grfica
x2
0 2 4 6 8 10 12 14 16 18 20
0
2
4
6
8
10
12
14
16
18
20
x1
A B
C
D
E
F
G H
J
Puntos extremos
Punto x1 x2 S1 S2 S3 Z
A 0.0 0.0 60.0 32.0 16.0 0.0
B 20.0 0.0 0.0 -48.0 -4.0 400.0
C 0.0 10.0 0.0 12.0 -4.0 240.0
D 8.0 0.0 36.0 0.0 8.0 160.0
E 0.0 16.0 -36.0 0.0 -16.0 384.0
F 16.0 0.0 12.0 -32.0 0.0 320.0
G 0.0 8.0 12.0 16.0 0.0 192.0
H 4.0 8.0 0.0 0.0 -4.0 272.0
I inf -inf inf -inf inf -inf
J 5.3 5.3 12.0 0.0 0.0 234.7
Ejemplo
Problema:
Maximizar 6x
1
+ 3x
2
sujeto a:
-x
1
+ x
2
s 1
2x
1
+ x
2
s 6
x
1
, x
2
> 0



Representacin grfica
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
x1
x2
A
C
D
E
F
Puntos extremos
Punto x1 x2 S1 S2 Z
A 0.0 0.0 1.0 6.0 0.0
B inf inf 0.0 -inf inf
C 0.0 1.0 0.0 5.0 3.0
D 3.0 0.0 4.0 0.0 18.0
E 0.0 6.0 -5.0 0.0 18.0
F 1.7 2.7 0.0 0.0 18.0
Ejemplo
Problema:
Maximizar x
1
+ x
2
sujeto a:
5x
1
- x
2
> 0
x
1
- 4 x
2
s 0
x
1
, x
2
> 0



Representacin grfica
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
x1
x2
A=B=D=F
Puntos extremos
Punto x1 x2 S1 S2 Z
A 0.0 0.0 0.0 0.0 0.0
B 0.0 0.0 0.0 0.0 0.0
C inf inf 0.0 inf inf
D 0.0 0.0 0.0 0.0 0.0
E inf inf inf 0.0 inf
F 0.0 0.0 0.0 0.0 0.0
Ejemplo
Problema:
Maximizar 6x
1
+ x
2
sujeto a:
-x
1
+ x
2
> 1
2x
1
+ x
2
s 6
x
1
, x
2
> 0



Representacin grfica
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
x1
x2
A
C
D
E
F
Puntos extremos
Punto x1 x2 S1 S2 Z
A 0.0 0.0 -1.0 6.0 0.0
B inf inf 0.0 -inf inf
C 0.0 1.0 0.0 5.0 1.0
D 3.0 0.0 -4.0 0.0 18.0
E 0.0 6.0 5.0 0.0 6.0
F 1.7 2.7 0.0 0.0 12.7
Ejemplo
Problema:
Maximizar x
1
+ x
2
sujeto a:
x
1
- x
2
> 6
2x
1
- 2 x
2
s 10
x
1
, x
2
> 0



Representacin grfica
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
x1
x2
A B D
Puntos extremos
Punto x1 x2 S1 S2 Z
A 0.0 0.0 -6.0 10.0 0.0
B 6.0 0.0 0.0 -2.0 6.0
C inf inf 0.0 -2.0 inf
D 5.0 0.0 -1.0 0.0 5.0
E inf inf -1.0 0.0 inf
F inf inf -6.0 10.0 inf
Mtodo del simplex
Introduccin
El mtodo del simplex es un algoritmo
general para resolver cualquier problema de
programacin lineal
Admite cualquier nmero de variables
Es un mtodo iterativo que nos conduce
progresivamente hasta la solucin final
En cada iteracin examina un punto extremo de
la regin factible S
Antes de usarlo es preciso pasar el problema a la
llamada forma estndar, que estudiaremos a
continuacin
Forma estndar
Definicin: Un problema de programacin lineal
est en forma estndar sii est expresado como:
0 ,...,
...
...
...
: a Sujeto
... Maximizar
1
1 1
1 1 1 11
1 1
>
= + +
= + +
+ +
n
m n mn m
n n
n n
x x
b x a x a
b x a x a
x c x c
Notacin matricial
0
: a Sujeto
Maximizar
>
=
x
b x
x c
A
T
Notacin escalar
Paso a la forma estndar
Las dificultades que podemos encontrar para
pasar un problema a forma estndar, y las
soluciones correspondientes son:
Aparece una inecuacin del tipo a
i
T
x>b
i
. En tal
caso, aadimos una nueva variable, llamada
variable de exceso, s
i
, con la restriccin s
i
>0, de
tal manera que la inecuacin se convierte en la
ecuacin a
i
T
xs
i
=b
i
. La nueva variable aparece
con coeficiente cero en la funcin objetivo.

Paso a la forma estndar
Aparece una inecuacin del tipo a
i
T
xsb
i
. En tal caso,
aadimos una nueva variable, llamada variable de
holgura, s
i
, con la restriccin s
i
>0, de tal manera que
la inecuacin se convierte en la ecuacin a
i
T
x+s
i
=b
i
.
La nueva variable aparece con coeficiente cero en la
funcin objetivo.
Aparece una variable x
i
que no tiene restriccin de no
negatividad. En este caso, sustituimos x
i
en todas las
restricciones y en la funcin objetivo por la diferencia
de dos variables nuevas x
n+1
y x
n+2
, que s tienen
restriccin de no negatividad: x
n+1
>0, x
n+2
>0.
Paso a la forma estndar
El problema es de minimizar, y no de maximizar. En
este caso, tendremos en cuenta que minimizar una
funcin objetivo F es lo mismo que maximizar la
funcin objetivo F. Por tanto, basta con multiplicar
por 1 la funcin objetivo.
Siguiendo estas guas podemos pasar cualquier
problema de programacin lineal a la forma
estndar. Debemos tener en cuenta que las nuevas
variables que se insertan para resolver un
inconveniente no pueden reutilizarse para resolver
otro
Ejemplos de paso a la forma
estndar
Maximizar x
1
+ 2x
2

Sujeto a:
1/2 x
1
+ x
2
s 1
x
1
+ x
2
s 2
x
1
, x
2
> 0
Maximizar x
1
+ 2x
2
+ 0S
1

Sujeto a:
1/2 x
1
+ x
2
+S
1
= 1
x
1
+ x
2
s 2
x
1
, x
2
, S
1
> 0
Maximizar x
1
+ 2x
2
+ 0S
1
+ 0S
2

Sujeto a:
1/2 x
1
+ x
2
+S
1
= 1
x
1
+ x
2
+S
2
= 2
x
1
, x
2
, S
1
, S
2
> 0
Ejemplos de paso a la forma
estndar
Maximizar 7x
1
9x
2

Sujeto a:
4 x
1
+ 8x
2
> 2
3x
1
+ x
2
s 8
x
1
, x
2
> 0
Maximizar 7x
1
9x
2
+ 0S
1

Sujeto a:
4 x
1
+ 8x
2
S
1
= 2
3x
1
+ x
2
s 8
x
1
, x
2
, S
1
> 0
Maximizar 7x
1
9x
2
+ 0S
1
+ 0S
2

Sujeto a:
4 x
1
+ 8x
2
S
1
= 2
3x
1
+ x
2
+S
2
= 8
x
1
, x
2
, S
1
, S
2
> 0
Ejemplos de paso a la forma
estndar
Maximizar 3x
1
5x
2

Sujeto a:
10 x
1
+ 18x
2
= 7
4x
1
+ 5x
2
s 9
x
1
, x
2
> 0
Maximizar 3x
1
5x
2
+ 0s
2

Sujeto a:
10 x
1
+18x
2
= 7
4x
1
+ 5x
2
+ S
2
= 9
x
1
, x
2
, s
2
> 0
Maximizar 3x
1
5x
2
+ 0s
2

Sujeto a:
10 x
1
+18x
2
= 7
4x
1
+ 5x
3
+s
2
= 9
x
1
, x
2
, S
2
> 0
Ejemplos de paso a la forma
estndar
Minimizar 7x
1
4x
2

Sujeto a:
8 x
1
+ 2x
2
s 1
x
1
+ 5x
2
= 6
x
1
, x
2
> 0
Maximizar 7x
1
+ 4x
2

Sujeto a:
8 x
1
+ 2x
2
s 1
x
1
+ 5x
2
= 6
x
1
, x
2
> 0
Maximizar 7x
1
+ 4x
2
+ 0S
1

Sujeto a:
8 x
1
+ 2x
2
+ S
1
= 1
x
1
+ 5x
2
= 6
x
1
, x
2
, S
1
> 0
Situacin inicial para aplicar el
mtodo simplex
Partimos de un problema de programacin lineal, con m
ecuaciones y n incgnitas (o variables de decisin)
expresado en forma estndar:
0 ,...,
...
...
...
: a Sujeto
... Maximizar
1
1 1
1 1 1 11
1 1
>
= + +
= + +
+ +
n
m n mn m
n n
n n
x x
b x a x a
b x a x a
x c x c
Adems el mtodo simplex exige que b
i
>0 ie{1, ..., m}
Versin bsica del algoritmo
simplex
1. Construir la primera tabla
2. Mientras CondicinParada=Falso hacer
2.1. Elegir variable que sale
2.2. Elegir variable que entra
2.3. Actualizar tabla
3. Dar resultado

Construccin de la primera
tabla
Dado el problema tal como se explica en Situacin
inicial, lo primero que hay que hacer es localizar un
conjunto de m variables de tal manera que si
eliminramos las dems y reorganizsemos las
ecuaciones, nos quedara la matriz de coeficientes
del sistema de ecuaciones convertida en la matriz
identidad. Estas m variables formarn la primera
base, y la solucin del sistema de ecuaciones se
que obtendra con esos cambios es una solucin
bsica factible (SBF).
Construccin de la primera
tabla
Llamaremos i1, i2,..., im a los ndices de las m
variables de la base, de tal manera que la variable ij
es la que tiene un uno de coeficiente en la ecuacin
nmero j.
En las tablas aparecen los valores z
i
, que pueden
calcularse mediante la siguiente ecuacin: z
j
=c
B
T
P
j
,
donde
T
indica trasposicin de vectores.
Construimos la primera tabla de esta manera (lo
que va en negrita son rtulos que se ponen tal
cual):
Modelo de tabla
c
1
c
2
... c
n

Base c
B
P
0
P
1
P
2
P
n

P
i1
c
i1
b
i1
a
11
a
12
a
1n

P
i2
c
i2
b
i2
a
21
a
22
a
2n

...
P
im
c
im
b
im
a
m1
a
m2
a
mn

z
0
z
1
c
1
z
2
c
2
z
n
c
n

Condicin de parada. Criterio
de entrada
Condicin de parada: El bucle se detiene cuando
la tabla actual es tal que en su ltima fila no
aparece ningn valor estrictamente negativo
Eleccin de la variable que entra: En caso de que
el algoritmo no se haya detenido, hay que elegir qu
variable, de entre las que no estn en la base, va a
entrar en dicha base. Para ello nos fijamos en los
valores estrictamente negativos que haya en la
ltima fila. Escogeremos la variable j
correspondiente al ms negativo (es decir, mayor
valor absoluto) de estos valores.
Criterio de salida
Eleccin de la variable que sale: Una vez elegida
la variable j que entra, nos fijamos en la columna
cuyo ttulo es P
j
. Dividimos el vector P
0
entre el P
j
,
componente a componente. De entre las fracciones
con denominador estrictamente positivo que
resulten (es decir, las correspondientes a
componentes estrictamente positivas de P
j
),
escogemos la mnima. La fila donde hemos
obtenido este valor mnimo es la de la variable de la
base que sale.
Actualizacin de la tabla
Construimos una tabla nueva, en la que las dos primeras filas
son las mismas que en la antigua (son los c
i
y los rtulos).
Las columnas con ttulos c
B
y Base slo se ven alteradas en
un elemento cada una: el elemento de la fila correspondiente
a la variable que ha cambiado en la base.
La subtabla formada por los a
jk
y los b
iz
debe ser alterada de
tal modo que en cada una de sus filas haya un uno en el
elemento de la columna de la variable de la base que
corresponde a esa fila, y un cero en los elementos de las
columnas de las dems variables de la base. Esto debe
hacerse usando siempre transformaciones elementales (es
decir, las que se usan para resolver sistemas de ecuaciones
lineales por Gauss-Jordan).
Actualizacin de la tabla
Tras haber hecho esto, la ltima fila de la
tabla global se actualiza recalculando sus
valores con las frmulas que se usaron para
la construccin de la primera tabla.
Ntese que, como lo nico que hacemos son
transformaciones elementales, en realidad lo
que estamos haciendo en cada iteracin del
mtodo simplex es expresar el sistema de
ecuaciones de otra manera.
Resultado del mtodo
Los valores ptimos de las variables que
forman la base vienen dados por la columna
P
0
de la ltima tabla. El resto de las variables
tienen valor ptimo cero.
El valor ptimo de la funcin objetivo (funcin
que estbamos maximizando) es el z
0
de la
ltima tabla.
Ejemplos
Problema:
Maximizar x
1
+ 2x
2
sujeto a:
-1/2 x
1
+ x
2
s 1
x
1
+ x
2
s 2
x
1
, x
2
> 0



Ejemplos
Tabla 1
1 2 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 1 -1/2 1 1 0
P
4
0 2 1 1 0 1
0 -1 -2 0 0
Criterio de entrada: mn { -1, -2 } = -2, luego entra x
2
Criterio de salida: mn { 1, 2 } = 1, luego sale x
3
Ejemplos
Tabla 2
1 2 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
2
2 1 -1/2 1 1 0
P
4
0 1 3/2 0 -1 1
2 -2 0 2 0
Criterio de entrada: mn { -2 } = -2, luego entra x
1
Criterio de salida: mn { 2/3 } = 2/3, luego sale x
4
Ejemplos
Tabla 3
1 2 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
2
2 4/3 0 1 2/3 1/3
P
1
1 2/3 1 0 -2/3 2/3
10/3 0 0 2/3 4/3
Se cumple la condicin de parada. Valor ptimo: 10/3
Solucin ptima: (2/3, 4/3, 0, 0)
T
Ejemplos
Problema:
Maximizar x
1
+ 6x
2
sujeto a:
-2x
1
+ x
2
s 4
-x
1
+ x
2
s 1
2x
1
+ x
2
s 6
x
1
, x
2
> 0


Ejemplos
Tabla 1
1 6 0 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
5
P
3
0 4 -2 1 1 0 0
P
4
0 1 -1 1 0 1 0
P
5
0 6 2 1 0 0 1
0 -1 -6 0 0 0
Criterio de entrada: mn { -1, -6 } = -6, luego entra x
2
Criterio de salida: mn { 4, 1, 6 } = 1, luego sale x
4
Ejemplos
Tabla 2
1 6 0 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
5
P
3
0 3 -1 0 1 -1 0
P
2
6 1 -1 1 0 1 0
P
5
0 5 3 0 0 -1 1
6 -7 0 0 6 0
Criterio de entrada: mn { -7 } = -7, luego entra x
1
Criterio de salida: mn { 5/3 } = 5/3, luego sale x
5
Ejemplos
Tabla 3
1 6 0 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
5
P
3
0 14/3 0 0 1 -4/3 1/3
P
2
6 8/3 0 1 0 2/3 1/3
P
1
1 5/3 1 0 0 -1/3 1/3
53/3 0 0 0 11/3 7/3
Se cumple la condicin de parada. Valor ptimo: 53/3
Solucin ptima: (5/3, 8/3, 14/3, 0, 0)
T
Ejemplos
Problema:
Maximizar 5x
1
+ 4x
2
sujeto a:
3x
1
+ 3x
2
s

10
12x
1
+ 6x
2
s 24
x
1
, x
2
> 0



Ejemplos
Tabla 1
5 4 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 10 3 3 1 0
P
4
0 24 12 6 0 1
0 -5 -4 0 0
Criterio de entrada: mn { -5, -4 } = -5, luego entra x
1
Criterio de salida: mn { 10/3, 2 } = 2, luego sale x
4
Ejemplos
Tabla 2
5 4 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 4 0 3/2 1 -1/4
P
1
5 2 1 1/2 0 1/12
10 0 -3/2 0 5/12
Criterio de entrada: mn { -3/2 } = -3/2, luego entra x
2
Criterio de salida: mn { 8/3, 4 } = 8/3, luego sale x
3
Ejemplos
Tabla 3
5 4 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
2
4 8/3 0 1 2/3 -1/6
P
1
5 2/3 1 0 -1/3 1/6
14 0 0 1 1/6
Se cumple la condicin de parada. Valor ptimo: 14
Solucin ptima: (2/3, 8/3, 0, 0)
T
Ejemplos
Problema:
Maximizar 20x
1
+ 24x
2
sujeto a:
3x
1
+ 6x
2
s

60
4x
1
+ 2x
2
s 32
x
1
+ 2x
2
s 16
x
1
, x
2
> 0


Ejemplos
Tabla 1
20 24 0 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
5
P
3
0 60 3 6 1 0 0
P
4
0 32 4 2 0 1 0
P
5
0 16 1 2 0 0 1
0 -20 -24 0 0 0
Criterio de entrada: mn { -20, -24 } = -24, luego entra x
2
Criterio de salida: mn { 10, 16, 8 } = 8, luego sale x
5
Ejemplos
Tabla 2
20 24 0 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
5
P
3
0 12 0 0 1 0 -3
P
4
0 16 3 0 0 1 -1
P
2
24 8 1/2 1 0 0 1/2
192 -8 0 0 0 12
Criterio de entrada: mn { -8 } = -8, luego entra x
1
Criterio de salida: mn { 16/3, 16 } = 16/3, luego sale x
4
Ejemplos
Tabla 3
20 24 0 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
5
P
3
0 12 0 0 1 0 -3
P
1
20 16/3 1 0 0 1/3 -1/3
P
2
24 16/3 0 1 0 -1/6 2/3
704/3 0 0 0 8/3 28/3
Se cumple la condicin de parada. Valor ptimo: 704/3
Solucin ptima: (16/3, 16/3, 12, 0, 0)
T
Casos anmalos
Problemas con infinitas
soluciones
En la tabla final hay algn valor nulo en la ltima fila, que
corresponde a una variable que no est en la base. En
tal caso, podramos introducir dicha variable en la base,
y nos saldra otra base que dara tambin el valor
ptimo. Esto quiere decir que el problema tiene infinitas
soluciones, todas ellas con el mismo valor ptimo de la
funcin objetivo. Sea K el nmero de vectores solucin
obtenidos de esta manera (habiendo K1 ceros extra), y
sean dichos vectores x
1
, x
2
, ..., x
K
. Entonces las infinitas
soluciones del problema sern:
| | 1 , 1 , 0 donde ,
1 1
= e

= =
K
i
i i
K
i
i i
x
Ejemplos
Problema:
Maximizar 6x
1
+ 3x
2
sujeto a:
-x
1
+ x
2
s 1
2x
1
+ x
2
s 6
x
1
, x
2
> 0



Ejemplos
Tabla 1
6 3 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 1 -1 1 1 0
P
4
0 6 2 1 0 1
0 -6 -3 0 0
Criterio de entrada: mn { -6, -3 } = -6, luego entra x
1
Criterio de salida: mn { 3 } = 3, luego sale x
4
Ejemplos
Tabla 2
6 3 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 4 0 3/2 1 1/2
P
1
6 3 1 1/2 0 1/2
18 0 0 0 3
Se cumple la condicin de parada. Valor ptimo: 18.
Primera solucin ptima: x
A
=(3, 0, 4, 0)
T
En la ltima fila, el cero que no est en la base indica otra
solucin ptima. Para hallarla, hacemos entrar a x
2

Ejemplos
Tabla 3
6 3 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
2
3 8/3 0 1 2/3 1/3
P
1
6 5/3 1 0 -1/3 1/3
18 0 0 0 3
Segunda solucin ptima: x
B
=(5/3, 8/3, 0, 0)
T
. Tambin
son soluciones ptimas todos los puntos del segmento

A
x
A
+
B
x
B
, con
A
,
B
> 0,
A
+
B
= 1.
Problemas con solucin
ilimitada
Al intentar elegir la variable que sale, nos
podemos encontrar con que la columna P
j
de
la variable j que tena que entrar tiene todos
sus elementos negativos o nulos. En tal caso
el problema tiene solucin ilimitada, es decir,
se puede hacer crecer el valor de la funcin
objetivo tanto como se quiera sin violar
ninguna restriccin. Para ello, bastara con
hacer crecer ilimitadamente la variable que
tena que entrar en la base.
Ejemplos
Problema:
Maximizar x
1
+ x
2
sujeto a:
5x
1
- x
2
> 0
x
1
- 4 x
2
s 0
x
1
, x
2
> 0



Ejemplos
Tabla 1
1 1 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 0 -5 1 1 0
P
4
0 0 1 -4 0 1
0 -1 -1 0 0
Criterio de entrada: mn { -1, -1 } = -1, y elegimos que
entre x
1
Criterio de salida: mn { 0/1 } = 0, luego sale x
4
Ejemplos
Tabla 2
1 1 0 0
Base c
B
P
0
P
1
P
2
P
3
P
4
P
3
0 0 0 -19 1 5
P
1
1 0 1 -4 0 1
0 0 -5 0 1
Criterio de entrada: mn { -5 } = -5, luego entra x
2
Criterio de salida: No hay fracciones con denominador
estrictamente positivo, luego el problema tiene
solucin ilimitada

Mtodo de las dos
fases
Introduccin
Si al intentar aplicar el mtodo simplex nos
encontramos con que no es posible
encontrar una solucin bsica factible (SBF)
inicial, es preciso usar el mtodo de las dos
fases.
Para ello, usamos el siguiente algoritmo:
1. Aadir variables artificiales al problema
2. Fase I.
3. Fase II.
Adicin de variables
artificiales
Se trata de aadir al problema tantas
variables como sean necesarias para
construir una SBF. Sus coeficientes en las
ecuaciones sern los que convengan para
nuestro propsito.
Por consiguiente, tendremos que cada
variable artificial tendr coeficiente 1 en una
ecuacin y coeficiente 0 en todas las dems
Fase I
Se trata de aplicar el mtodo simplex para resolver un
problema auxiliar que consiste en minimizar la suma de
las variables artificiales. Para que la tabla ptima
aparezca lo antes posible conviene que, en caso de
empate en el criterio de salida y que una de las variables
empatadas sea artificial, saquemos la artificial.
Una vez resuelto este problema auxiliar, caben dos
posibilidades
El valor ptimo de la funcin objetivo es distinto de cero. En tal
caso el problema original no tena solucin.
El valor ptimo de la funcin objetivo es cero. En tal caso
podemos pasar a la Fase II.
Fase II
Consiste en aplicar el mtodo simplex,
usando la funcin objetivo del problema
original, pero empezando con una primera
tabla que se obtiene quitando de la ltima
tabla de la Fase I las columnas de las
variables artificiales
La solucin obtenida en la Fase II ser la
solucin del problema original (tngase en
cuenta que en la Fase II no aparecen
variables artificiales)
Ejemplo 1
Problema:
Maximizar 6x
1
+ x
2
sujeto a:
-x
1
+ x
2
> 1
2x
1
+ x
2
s 6
x
1
, x
2
> 0



Ejemplo 1
Fase 1:
Minimizar 1 + x
1
- x
2
+ s
1

-x
1
+ x
2
- s
1
+ a
1
= 1
2x
1
+ x
2
+ s
2
= 6

x
1
, x
2
,s
1
, a
1
, s
2
> 0



Ejemplo 1
Tabla 1 de la Fase I
1 -1 1 0 0
c
B
x
B
x
1
x
2
s
1
a
1
s
2
B
i

z
j
-c
j
-1 1 -1 0 0
0 a
1
-1 1 -1 1 0 1
0 s
2
2 1 0 0 1 6
Criterio de entrada: mn { -1 } = -1, luego entra x
2
Criterio de salida: mn { 1, 6 } = 1, luego sale a
1
Ejemplo 1
Tabla 2 de la Fase I
1 -1 1 0 0
c
B
x
B
x
1
x
2
s
1
a
1
s
2
B
i

z
j
-c
j
0 0 0 -1 0 -1
-1 x
2
-1 1 -1 1 0 1
0 s
2
3 0 1 -1 1 5
Se cumple la condicin de parada. Valor ptimo: 0 (el
problema tiene solucin).
Construimos la primera tabla de la Fase II quitando la
variable artificial a
1

Ejemplo 1
Tabla 1 de la Fase II
6 1 0 0
c
B
x
B
x
1
x
2
s
1
s
2
B
i
z
j
-c
j
-7 0 -1 0 -1
1

x
2
-1 1 -1 0 1
0

s
2
3 0 1 1 5
Criterio de entrada: mn { -7, -1 } = -7, luego entra x
1
Criterio de salida: mn { 5/3 } = 5/3, luego sale s
2
Ejemplo 1
Tabla 2 de la Fase II
6 1 0 0
c
B
x
B
x
1
x
2
s
1
s
2
B
i
z
j
-c
j
0 0 4/3 7/3 38/3
1 x
2
0 1 -2/3 1/3 8/3
6 x
1
1 0 1/3 1/3 5/3
Se cumple la condicin de parada. Valor ptimo: 38/3
Solucin ptima: (5/3, 8/3, 0, 0)
T
Ejemplo 2
Problema:
Maximizar 4x
1
+ x
2
+ 6x
3
sujeto a:
-2x
1
- x
2
+ 2x
3
> 1
x
1
+ x
2
+ x
3
> 6
x
1
, x
2
, x
3
> 0



Ejemplo 2
Fase 1:
Minimizar 7 + x
1
- 3x
3
+

s
1
+ s
2

-2x
1
- x
2
+ 2x
3
- s
1
+ a
1
= 1
x
1
+ x
2
+ x
3
- s
2
+ a
2
= 6
x
1
, x
2
, x
3
,s
1
, s
2
,a
1
,a
2
>= 0



Ejemplo 2
Tabla 1 de la Fase I
1 0 -3 1 1 0 0
c
B
x
B
x
1
x
2
x
3
s
1
s
2
a
1
a
2
B
i

z
j
-c
j
-1 0 3 -1 -1 0 0
0 a
1
-2 -1 2 -1 0 1 0 1
0 a
2
1 1 1 0 -1 0 1 6
Criterio de entrada: mn { 3 } = 3, luego entra x
3
Criterio de salida: mn { 1/2, 6 } = 1/2, luego sale a
1
Ejemplo 2
Tabla 2 de la Fase I
1 0 -3 1 1 0 0
c
B
x
B
x
1
x
2
x
3
s
1
s
2
a
1
a
2
B
i

z
j
- c
j
2 3/2 0 1/2 -1 -3/2 0 -3/2

-3 x
3
-1 -1/2 1 -1/2 0 1/2 0 1/2
0 a
2
2 3/2 0 1/2 -1 -1/2 1 11/2
Criterio de entrada: mn { 2, 3/2, 1/2 } = 2, luego entra x
1
Criterio de salida: mn { 11/4 } = 11/4, luego sale a
2
Ejemplo 2
Tabla 3 de la Fase I
1 0 -3 1 1 0 0
c
B
x
B
x
1
x
2
x
3
s
1
s
2
a
1
a
2
B
i

z
j
- c
j
0 0 0 0 0 -1 -1 -7
-3 x
3
0 1/4 1 -1/4 -1/2 1/4 1/2 13/4
1 x
1
1 3/4 0 1/4 -1/2 -1/4 1/2 11/4
Se cumple la condicin de parada. Valor ptimo: 0 (el problema
tiene solucin).
Construimos la primera tabla de la Fase II quitando las variables
artificiales a
1
y a
2

Ejemplos 2
Tabla 1 de la Fase II
4 1 6 0 0 0
c
B
x
B
x
1
x
2
x
3
s
1
s
2
B
i
z
j
-c
j
0 7/2 0 -1/2 -5 61/2
6 x
3
0 1/4 1 -1/4 -1/2 13/4
4 x
1
1 3/4 0 1/4 -1/2 11/4
Criterio de entrada: mn { -1/2, -5 } = -5, luego entra s
2
Criterio de salida: No hay fracciones con denominador
estrictamente positivo, luego el problema tiene solucin
ilimitada

Ejemplo 3
Problema:
Maximizar x
1
+ x
2
sujeto a:
x
1
- x
2
> 6
2x
1
- 2 x
2
s 10
x
1
, x
2
> 0



Ejemplo 3
Fase 1:
Minimizar 6 - x
1
+ x
2
+ s
1

x
1
- x
2
-s
1
+ a
1
= 6
2x
1
- 2 x
2
+ s
2
= 10

x
1
, x
2
, s
1
, a
1
, s
2
> 0



Ejemplo 3
Tabla 1 de la Fase I
-1 1 1 0 0
c
B
x
B
x
1
x
2
s
1
a
1
s
2
B
i
z
j
+ c
j
1 -1 -1 0 0
0 a
1
1 -1 -1 1 0 6
0 s
2
2 -2 0 0 1 10
Criterio de entrada: mn { 1 } = 1, luego entra x
1
Criterio de salida: mn { 6, 5 } = 5, luego sale s
2
Ejemplo 3
Tabla 2 de la Fase I
-1 1 1 0 0
c
B
x
B
x
1
x
2
s
1
a
1
s
2
B
i
z
j
+ c
j
0 0 -1 0 -1/2 -5
0 a
1
0 0 -1 1 -1/2 1
-1 x
1
1 -1 0 0 1/2 5
Se cumple la condicin de parada. Valor ptimo: 1.
Como no resulta valor ptimo 0, el problema original
no tiene solucin.
Dualidad
Problemas primal y dual
Sea un problema de programacin lineal, que
llamaremos problema primal:



El correspondiente problema dual es:




Ntese que el dual del dual coincide con el primal
0 ,
: a Sujeto
Maximizar
> s x b x
x c
A
T
0 ,
: a Sujeto
Minimizar
> > y c y
y b
T
T
A
Z = Ganancia total debida a todas las actividades.
x
j
= Nivel de la actividad j (para j = 1, 2,......, n).
c
j
= Ganancia unitaria debida a la actividad j.
b
i
= Cantidad del recurso i disponible para asignar a
las actividades (para i = 1, 2, ......, m)
a
ij
= Cantidad del recurso i consumido por cada
unidad de la actividad j.
Para el problema primal se tiene:
INTERPRETACION ECONOMICA
DE LA DUALIDAD
INTERPRETACION ECONOMICA
DE LA DUALIDAD
INTERPRETACION ECONOMICA
DE LA DUALIDAD
INTERPRETACION ECONOMICA
DE LA DUALIDAD
MAX
<=

X
j
>= 0

MIN
>=

Y
i
>= 0





INTERPRETACION ECONOMICA
DE LA DUALIDAD
INTERPRETACION ECONOMICA
DE LA DUALIDAD
INTERPRETACION ECONOMICA
DE LA DUALIDAD
Formulacin dual par maximizacion
Una empresa fabrica 2 tipos de maquinas; maquinas de
lujo y maquinas estandar.
Cada maquina de lujo requiere 18 horas de mano de obra
y 9 horas de prueba y cada maquina estandar requiere 3
horas de mano de obra y 4 horas de prueba. La
disponibilidad semanal de horas de mano de obra es de
800 horas y la disponibilidad semanal de horas de prueba
es de 600 horas la demanda semanal de maquinas de lujo
es de 80 unidades. La utilidad por maquina de lujo es de
400 y la utilidad por cada maquina estandar es de 200.
Formule el modelo dual del problema
Formulacin dual par maximizacion
Min W = 800y
1
+ 600y
2
+ 80y
3
Y
1
= es el precio de una unidad de hora de M/O
W = Es el valor de todos los recursos
disponibles

800[hrs. M/O/semana ] * y
1
[US$/hrs M/O ]

800y
1
[US$ / semana ]
Es el valor de las horas de M/O disponibles
Formulacin dual par maximizacion
600[hrs. Prueba/semana ] * y
2
[US$/hrs prueba] =
600y
2
[US$ / semana ]

80[unid. Dem maq lujo/semana ] * y
3
[US$/Dem
maq lujo] = 80y
3
[US$ / semana ]

Formulacin dual par maximizacion
(El valor total de una maquina de lujo podr ser)
18y
1
+ 9y
2
+ 3y
3
>= 400
Cada termino representa las proporciones en
que intervienen los recursos en la composicion
de una maquina de lujo.
Tener en cuenta que ste valor total de cada
maquina de lujo debe ser como mnimo igual al
beneficio, ya de otra manera, si el valor fuera
menor Al beneficio se estara trabajando con
prdida
Formulacin dual par maximizacion
(El valor total de una maquina estandar podr ser)
3y
1
+ 4y
2
>= 200
Cada termino representa las proporciones en
que intervienen los recursos en la composicion
de una maquina estandar.
Tener en cuenta que ste valor total de cada
maquina estandar debe ser como mnimo igual
al beneficio, ya de otra manera, si el valor fuera
menor Al beneficio se estara trabajando con
prdida
Formulacin dual par minimizacin
Mi alimentacion requiere que todo lo que coma pertenesca a 4 grupos bsicos de alimentos
(calorias, chocolate, azucar, grasa ). Actualmente se dispone de los siguientes alimentos.
Formule el modelo dual
Calorias
unidades
Chocolate
onzas
Azucar
onzas
Grasa
o
nzas
Precio
unidad
Bizcocho 400 3 2 2 $0.50
Helado Ch 200 2 2 4 $0.20
Refresco 150 0 4 1 $0.30
Pastel Queso 500 0 4 5 $0.80
Requerimiento 500 6 10 8
Formulacin dual par minimizacin
Max W = 500y
1
+ 6y
2
+ 10y
3
+ 8y
4
Y
1
= es el precio de una unidad de caloria
W = Es el valor de todos los nutrientes
requeridos

500[unid caloricas/da ] * y
1
[US$/unid caloricas]

500y
1
[US$ / da ]
Es el valor del requerimiento diario de calorias
Formulacin dual par minimizacin
6[onz chocolate/da ] * y
2
[US$/da] =
6y
2
[US$ / da ]
10[onz azucar/da ] * y
3
[US$/onz azucar/da] =
80y
3
[US$ / semana ]
8[onz grasas/da ] * y
4
[US$/onz grasas/da] =
80y
3
[US$ / semana ]

Formulacin dual par minimizacin
(El valor total de un bizcocho podr ser)
400y
1
+ 3y
2
+ 2y
3
+ 2y
4
<= 0.5
Cada termino representa las proporciones en que
intervienen los recursos en la composicion de un
bizcocho.
Tener en cuenta que usted no puede cobrar ms
de $0.50 por esta combinacion de sustancias
nutritivas. Por que sino solamente se compraria
un bizcocho.y listo
Formulacin dual par minimizacin
(El valor total de una bola de helado podr ser)
200y
1
+ 2y
2
+ 2y
3
+ 4y
4
<= 0.2
Cada termino representa las proporciones en que
intervienen los recursos en la composicion de una
bola de helado.
Tener en cuenta que usted no puede cobrar ms
de $0.20 por esta combinacion de sustancias
nutritivas. Por que sino solamente se compraria
una bola de helado y listo
Formulacin dual par minimizacin
(El valor total de una botella de refresco podr ser)
150y
1
+ 4y
3
+ y
4
<= 0.3
Cada termino representa las proporciones en que
intervienen los recursos en la composicion de una
botella de refresco.
Tener en cuenta que usted no puede cobrar ms
de $0.30 por esta combinacion de sustancias
nutritivas. Por que sino solamente se compraria
una botella de refresco y listo
Formulacin dual par minimizacin
(El valor total de una pieza de pastel de queso
podr ser)
500y
1
+ 4y
3
+ 5y
4
<= 0.8
Cada termino representa las proporciones en que
intervienen los recursos en la composicion de una
pieza de pastel de queso.
Tener en cuenta que usted no puede cobrar ms
de $0.80 por esta combinacion de sustancias
nutritivas. Por que sino solamente se compraria
una pieza de pastel de queso y listo.
Propiedades
Propiedades
Propiedades
Propiedades
Propiedades
Relaciones entre ellos
Relaciones entre ellos
Resultados
Teorema dbil de dualidad: El valor de la
funcin objetivo del dual para cualquier solucin
factible es siempre mayor o igual que el valor de
la funcin objetivo del primal para cualquier
solucin factible.
Teorema fuerte de dualidad: Si el primal tiene
una solucin ptima x*, entonces el dual
tambin tiene una solucin ptima y*, tal que
c
T
x*=b
T
y*.
Comentarios
El teorema dbil de dualidad implica que si el primal
tiene solucin ilimitada, entonces el dual no tiene
solucin.
Del mismo modo, si el dual tiene solucin ilimitada,
entonces el primal no tiene solucin.
No obstante, es posible que ni el primal ni el dual
tengan solucin.
Cada componente de x se corresponde con una
variable de exceso del dual.
Cada componente de y se corresponde con una
variable de holgura del primal.
Complementariedad
Teorema de complementariedad: Sean x =
(x
1
, x
2
, ..., x
n
), y = (y
1
, y
2
, ..., y
m
) soluciones
factibles del primal y el dual, respectivamente.
Sean (w
1
, w
2
, ..., w
m
) las variables de holgura
correspondientes del primal, y sean (z
1
, z
2
, ...,
z
n
) las variables de exceso correspondientes del
dual. Entonces x e y son ptimas para sus
respectivos problemas si y slo si x
j
z
j
= 0, j =
1, 2, . . . , n, y adems w
i
y
i
= 0, i = 1, 2, ..., m.
Complementariedad
El teorema de complementariedad nos permite
obtener rpidamente una solucin ptima del
problema dual si conocemos una solucin ptima
del problema primal.
Para ello, si tenemos que en una solucin ptima
del primal x
j
>0, entonces en el dual z
j
=0. Adems si
en la solucin ptima del primal w
i
>0, entonces en
el dual y
i
=0.
De esta manera slo quedarn por determinar los
valores ptimos de unas pocas variables del
problema dual.