Optimizacion Programacion Lineal

Universit
e Jean Monnet
Saint Etienne
Universidad Central del Ecuador
P R O Y E C T O
Optimizacion Matematica y Metodos
Economicos
Para obtener la Licenciatura en Ciencia y Tecnologas,
mencion Matematica
Autora:
Veronica M. Acurio Vasconez
Tutor:
Dr. Julio Medina
Junio 2009
Quito - Ecuador
A Dios y a mis padres, Bertila y Franklin.
Las palabras son insucientes para
retribuirles su ayuda, as que solo me queda
decirles GRACIAS.
Optimizacion Matematica y Metodos
Economicos:
Programacion Lineal
Veronica M. Acurio Vasconez
3 de julio de 2009
Indice general
1. Introduccion 2
2. Elementos Matematicos Previos 4
2.1. Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1. Conjuntos Convexos . . . . . . . . . . . . . . . . . . . 4
2.1.2. Funciones Convexas . . . . . . . . . . . . . . . . . . . . 7
3. Elementos de un Problema de Optimizacion 8
3.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4. Programacion Lineal 10
4.1. El Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2. Generacion de Soluciones de Punto Extremo . . . . . . . . . . 19
4.3. Dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.4. El Metodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4.1. Desarrollo de una solucion posible mnima . . . . . . . 29
4.4.2. Procedimiento de Computo . . . . . . . . . . . . . . . 33
4.5. Alternativa al Metodo Simplex . . . . . . . . . . . . . . . . . . 40
5. Modelizacion PL y Aplicaciones
Activo/Pasivo, Flujo de Caja, Fondos Compensatorios 41
5.1. Algunos Terminos Financieros . . . . . . . . . . . . . . . . . . 41
5.1.1. Modelar . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.1.2. Resolver . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1.3. Interpretar . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2. Caractersticas de los Programas Lineales . . . . . . . . . . . . 51
5.3. Dedicacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.4. Sensibilidad y Analisis de la Programacion Lineal . . . . . . . 58
6. Conclusiones 59
1
Captulo 1
Introduccion
Los problemas de optimizacion son de gran importancia hoy en da, estan
presentes no solo en el campo cientco, sino tambien en la ingeniera y los
negocios. En este ultimo, la aplicacion de esta tecnica, nace de la necesidad
de distribuir los recursos de tal manera que se logre obtener mayor ganancia.
La Optimizacion Matematica, es entonces, una rama de las aplicaciones
matematicas que permite encontrar soluciones robustas a problemas de difer-
entes clases, minimizado o maximizando funciones.
En el mundo de los negocios, este tema tiene una gran importancia y
aplicacion, puesto que del maximizar o minimizar una situacion generada y
tomar una decision acertada, dependen las ganancias o perdidas de una ac-
cion economica y por tanto, las nanzas de una empresa.
El presente proyecto esta divido en cinco captulos, incluyendo la Intro-
duccion. El segundo captulo es un analisis previo, en el que se desarrolla
la teora de la convexidad por la importancia de sus conceptos dentro de la
programacion lineal. En el tercer captulo se explica los elementos basicos de
un problema de optimizacion y la idea del problema. El cuarto hace refer-
encia a la Programacion Lineal y todo lo que esta conlleva. Las deniciones,
teoremas, demostraciones y ciertos ejemplos, han sido obtenidos de la lectura
de la bibliografa. Finalmente, en la ultima parte se hace una introduccion a
terminos nancieros y economicos utilizados en la optimizacion, especca-
mente en el desarrollo de portafolios, y se desarrollan dos programas lineales
sencillos como aplicacion.
Si bien en el captulo de Programacion Lineal se explica el algoritmo
del metodo simplex, para la resolucion de problemas lineales, los modelos
2
CAP
ITULO 1. INTRODUCCI
ON
aqu planteados, han sido realizados usando la herramienta informatica Mat-
lab 7.0, que tambien se explica como utilizarla.
Cabe recalcar que aunque el proyecto no desarrolla un tema nuevo o
novedoso, pleno de investigacion, si presenta una teora jamas vista durante
los tres a nos de licenciatura, dandole as un signicado especial dentro de mi
formacion academica.
Veronica M. Acurio Vasconez 3
Captulo 2
Elementos Matematicos Previos
2.1. Convexidad
2.1.1. Conjuntos Convexos
Denicion 2.1.1 Sean P
1
, P
2
, ..., P
n
R
n
. Una combinacion convexa de
los puntos P
1
, P
2
, ..., P
n
es un punto
P =
1
P
1
+
2
P
2
+ +
n
P
n
donde las
i
son escalares,
i
0 y
i=1
i
= 1.
Denicion 2.1.2 Sean x y y dos puntos cualesquiera dados en un espacio
vectorial. Para todo [0, 1] la combinacion x + (1 ) y se dice combi-
nacion convexa de x y y.
Denicion 2.1.3 C R
n
, es convexo si y solo si para todo par de puntos
P
1
y P
2
en C, cualquier combinacion convexa de estos puntos esta tambien
en C.
Propiedades:
1. Para cualquier par de puntos dados en un conjunto convexo, el segmen-
to de lnea que los une esta tambien en el conjunto.
2. El conjunto K es convexo si y solo si toda combinacion lineal convexa
de puntos de K pertenece a K.
4
CAP
ITULO 2. ELEMENTOS MATEM
ATICOS PREVIOS
3. El conjunto de todas las combinaciones lineales convexas de los puntos
x
1
, ..., x
k
es un conjunto conexo.
4. Si los conjuntos S y T son convexos:
a) El conjunto S T es convexo.
b) el conjunto S + T = {x + t : s S y t T} es convexo.
c) El conjunto S = {s : R y 0, S S}
Teorema 2.1.1 Cualquier punto sobre el segmento de lnea que une dos pun-
tos de un conjunto R
n
, puede ser expresado como una combinacion convexa
de los dos puntos.
Demostracion Sean P y Q los puntos unidos por el segmento de lnea, y
sea R un punto cualquiera sobre esta. Es claro que este segmento es paralelo
a la lnea denida por el vector P Q.
Sea 0 1, por las reglas de suma de vectores se sigue que:
Q+ (P Q) = R
o tambien,
P + (1 ) Q = R
que es la expresion de R como combinacion lineal de P y Q.
Teorema 2.1.2 Cualquier punto que puede ser expresado como combinacion
convexa de dos puntos de E
n
estara sobre el segmento de lnea que une a los
dos puntos.
Demostracion Tenemos,
R = (1 ) Q+ P o R Q = (P Q) , con 0 1
Se sigue que R Q es alg un m ultiplo positivo del vector P Q y por tanto
los vectores R Q y P Q deberan coincidir en direccion.
Por otra parte, como el segmento de lnea que une P con Q y el segmento
de lnea que une R con Q son paralelos a los vectores PQ y RQ respectiva-
mente, el punto R debera estar sobre el segmento de lnea que une P con Q.
CAP
ATICOS PREVIOS
Denicion 2.1.4 Sea C un conjunto convexo. Un punto U C se dice
punto extremo, si U no puede ser expresado como una combinacion convexa
de otros dos puntos cualquiera distintos en C.
Ejemplo 2.1.1 Los puntos extremos de un conjunto convexo que incluye
la frontera y el interior de un crculo, es su frontera. Si el conjunto no in-
cluyera la frontera, el conjunto no tuviera puntos extremos.
Ejemplo 2.1.2 Los puntos extremos de un triangulo son sus vertices.
Denicion 2.1.5 Se dice casco envolvente convexo C(S) de cualquier con-
junto dado de puntos S al conjunto de todas las combinaciones convexas de
conjuntos de puntos de S.
C(S) es el conjunto convexo mas peque no que contiene S
.
Denicion 2.1.6 Si el conjunto S consiste de un n umero nito de puntos,
C(S) se denomina un poliedro convexo.
Ejemplo 2.1.3 El conjunto de una region factible de un problema de op-
timizacion (que se denira en el siguiente captulo)es un conjunto polieldral.
Denicion 2.1.7 Un simplex es un poliedro n-dimensional que tiene exac-
tamente n + 1 vertices.
Observacion Las fronteras del simplex contienen varios simplex de menor
dimension llamados caras simpliciales. El n umero de tales caras de dimension
i es
_
n + 1
i + 1
_
.
Observacion Un simplex en la dimension cero es un punto, en la dimension
1 una lnea, en tres un tetraedro, y as.
Observacion La ecuacion de un simplex con interseccion unitaria es x
i
0,
m
i=1
x
i
1
CAP
ATICOS PREVIOS
2.1.2. Funciones Convexas
Denicion 2.1.8 Sea f : S X R X con X convexo. f se dice
convexa si y solo si dados x, y X.
f (ax + (1 a) y) af (x) + (1 a) f (y) , a, 0 < a < 1
Se dice que f es estrictamente convexa si y solo si se cumple la desigual-
dad estricta.
Denicion 2.1.9 f se dice concava o estrictamente concava si y solo si
f(x) es convexa o estrictamente convexa respectivamente.
Propiedades:
1. f(x) + g(x) es convexa.
2. max[f(x), g(x)] es convexa.
3. cf(x) con c 0, es convexa.
Captulo 3
Elementos de un Problema de
Optimizacion
3.1. Generalidades
Denicion 3.1.1 Los elementos esenciales de un problema de optimizacion
son los siguientes:
1. Variables de Decision o Instrumentos: Es un vector de X variables
(x
1
, ..., x
n
) que seran las incognitas a encontrar al solucionar un prob-
lema de optimizacion.
2. Conjunto de Oportunidades: Es el conjunto K R
n
donde se resuelve
el problema. Es claro que X K.
3. Funcion Objetivo: Es la funcion f denida como:
f : R
n
R
X f (x
1
, . . . , x
n
)
Es una descripcion matematica del objetivo del problema, el mismo que
sera maximizado o minimizado.
Observaci on Si es posible encontrar una secuencia X
k
K para todo
k, y f
_
X
k
_
diverge hacia , entonces el problema se dice irresoluble.
4. Funciones y Constantes de Restriccion: Son funciones y constantes
dadas en problema, que delimitan la funcion objetivo.
8
CAP
ITULO 3. ELEMENTOS DE UN PROBLEMA DE OPTIMIZACI
ON
Un problema de optimizacion se reduce entonces a buscar un X K que
resuelve:
mn
X
f (X)
tal que X K
(3.1)
Denicion 3.1.2 Se dice que un problema de optimizacion es factible si
existe X
K que cumple con las condiciones de restriccion.

Si el problema no es ni infactible ni irresoluble, entonces es posible en-
contrar una solucion X
K que satisface:
f (X
) f (X) , X S
tal que X
es llamado un mnimo global del problema de optimizacion.

Si f (X
) < f (X) , X K, entonces X
se dice un mnimo estricto

global.
En ocasiones solo es posible encontrar X
que satisface
f (X
) f (X) , X S B
X
()
Para alg un > 0, donde B
X
() es la bola abierta de radio con centro
en X
, es decir:
B(X
; ) = B
X
() = {X : X X
< }
En este caso, X
es llamado un mnimo local.

El mnimo estricto local esta denido como:
f (X
) < f (X) , X K B
X
()
El conjunto factible K se lo puede escribir explcitamente como sigue:
K := {X : g
i
(X) = 0, i , g
i
(X) 0, i I}
Donde es el conjunto para las restricciones de igualdad e I el conjunto
de las restricciones de desigualdad.
Captulo 4
Programacion Lineal
La Programacion Lineal es considerada como uno de los avances cientcos
mas importantes del siglo anterior. Desde 1950, gracias al exponencial crec-
imiento de la tecnologa computacional, esta herramienta se ha ido acoplando
cada vez mas dentro de toda empresa, ya sea grande o peque na, ahorrandoles
a las mismas enormes cantidades de dinero al realizar sus operaciones.
La aplicacion de esta herramienta es sumamente variada, va desde la asig-
nacion de instalaciones de produccion de una empresa hasta la asignacion de
recursos nacionales, pasando por la seleccion de una cartera de inversiones,
patrones de envo, planeacion agrcola, de redes, hasta incluso la de una dieta.
Como todo modelo matematico, la programacion lineal permite expresar
un problema de la vida diaria como un conjunto de funciones, restricciones
y objetivos, que permiten dar soluciones a tales problemas.
4.1. El Problema
Resolver un problema de este tipo, consiste en elegir valores no negativos
de ciertas variables, para maximizar o minimizar la funcion objetivo, que es
lineal y que esta sujeta a restricciones dadas por ecuaciones o desigualdades
lineales.
Un problema generico de Programacion Lineal (PL), se representa de la
siguiente forma:
10
CAP
ITULO 4. PROGRAMACI
ON LINEAL
mn
X
c
T
X
a
T
i
X = b
i
, i
a
T
j
X = bj, j I
(4.1)
Donde y I son los conjuntos de restricciones de igualdades y desigual-
dades respectivamente.
Sin embargo, podemos expresar este problema en la forma est andar,
mn
X
c
T
X
AX = b
X 0
(4.2)
Aqu, A R
mxn
, b R
m
, c R
n
son dados y x R
n
es la variable vector
a ser determinada. A es la matriz de coecientes de las funciones de restric-
cion, b el vector de las constantes de restriccion asociadas y f (X) = c
T
X,
donde c es el vector de coecientes de la funcion objetivo.
Suponemos que A tiene rango n, pues caso contrario no podra ser re-
ducida.
En la forma estandar podemos escribir las desigualdades introduciendo
una variable extra estrictamente no negativa, llamadas variables de holgadu-
ra.
Ejemplo 4.1.1 Sea el problema de optimizacion:
mn
X
f (X) = x
1
x
2
2x
1
+ x
2
12
x
1
+ 2x
2
9
x
1
, x
2
0
Este problema puede reescribirse como:
mn
X
f (X) = x
1
x
2
2x
1
+ x
2
+ x
3
= 12
x
1
+ 2x
2
+ +x
4
= 9
x
1
, x
2
, x
3
, x
4
0
Denicion 4.1.1 Una solucion basica del problema PL es una solucion
obtenida al hacer n m variables igual a cero y resolver por las m vari-
ables restantes, siempre que el determinante de los coecientes de estas m
variables no sea cero. Las m variables se llaman variables basicas.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Denicion 4.1.2 Una solucion posible basica o solucion factible basica es
una solucion basica que tambien satisface las condiciones de restriccion.
Denicion 4.1.3 Una solucion basica no degenerada es una solucion basica
posible con exactamente m x
i
positivas; esto es, todas las variables basicas
son positivas.
Teorema 4.1.1 El conjunto de todas las soluciones factibles al problema de
PL, es un conjunto convexo.
Demostracion Debemos probar que toda combinacion convexa de dos solu-
ciones cualquiera es tambien una solucion factible.
Lo probaremos por recurrencia. Si el conjunto de soluciones tiene un solo
elemento, el teorema es verdadero.
Supongamos ahora que existen por lo menos dos soluciones X
1
y X
2
. Se
sigue que AX
1
= b y AX
2
= b , para X
1
, X
2
0.
Sea 0 1 y sea X = X
1
+ (1 ) X
2
una combinacion convexa
de X
1
y X
2
. Es claro que X 0 pues ninguno de sus elementos es negativo.
Luego,
AX = A(X
1
+ (1 ) X
2
)
= AX
1
+ A(1 ) X
2
= AX
1
+ AX
2
AX
2
= b + b b
= b
Por tanto AX es una solucion factible.
Observacion Se dice que X es una solucion factible si X satisface las re-
stricciones y se dice que X es una solucion optima si a mas de satisfacer las
restricciones, minimiza la funcion objetivo, comparada con las otras solu-
ciones factibles. Es decir, X = (x
1
, ..., x
n
) , x
i
0 para todo i = 1, ..., n es
una solucion factible si,
x
1
P
1
+ x
2
P
2
+ ... + x
n
P
n
= P
0
, donde
P
1
=
_
_
a
11
.
a
m1
_
_
, P
2
=
_
_
a
12
.
a
m2
_
_
, ..., P
n
=
_
_
a
1n
.
a
mn
_
_
y P
0
=
_
_
b
1
.
b
m
_
_
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Observacion Existen dos circunstancias en las cuales un problema de pro-
gramacion lineal puede no tener una solucion:
1. Si las restricciones son incompatibles de modo que el conjunto de opor-
tunidades es vaco.
2. Si el conjunto de oportunidades es no acotado y la funcion objetivo
puede crecer sin lmite dentro de este conjunto.
Ejemplo 4.1.2 Supongamos que una de las restricciones para una com-
ponente x
i
de X x
i
6, esto contradice el hecho de que x
i
0 para todo
i = 1, ..., n, y por tanto no existe ning un elemento que cumpla esta condicion,
convirtiendo al conjunto de oportunidades en uno vaco, donde el problema
PL no tiene solucion.
Ejemplo 4.1.3 Sea el problema de programacion Lineal denido como,
mn
X
f(X) = x
1
+ x
2
x
1
x
2
8
x
1
, x
2
0
El conjunto de oportunidades es no acotado y la funcion objetivo no posee
lmite dentro de este conjunto. Por tanto es posible que el problema no tenga
solucion.
Si el conjunto de oportunidades es no vacio y acotado, entonces existe
una solucion y debe ser una solucion de contorno.
En general, podemos decir que existen tres tipos de soluciones a estos
problemas; una solucion unica (un vertice), innitas soluciones (una recta)
o ninguna solucion (si el conjunto de oportunidades es vaco o no acotado),
mas adelante se probaran todos estos resultados.
Teorema 4.1.2 La funcion objetivo alcanza su mnimo en un punto extremo
del conjunto convexo generado por el conjunto de soluciones posibles al prob-
lema PL. Si alcanza este mnimo en mas de un punto extremo, entonces toma
el mismo valor para toda combinacion convexa de estos puntos particulares.
Demostracion Sea K el conjunto convexo generado por el conjunto de solu-
ciones, podemos armar que K tiene un n umero nito de puntos extremos.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Sea f(X) la funcion objetivo, los vectores x
1
, ..., x
p
las soluciones factibles y
X
0
la solucion optima, es decir f (X
0
) f (X) para todo X K. Si X
0
es un
punto extremo, entonces cumplimos con la primera parte del teorema.
Supongamos que X
0
no es un punto extremo, entonces lo podemos expre-
sar como una combinacion convexa de los puntos extremos de K, es decir
X
0
=
q
i=1
i
x
i
, con
i
0 y
i
= 1
Entonces, como f(X) es lineal, se sigue que
f (X
0
) = f
_
p
i=1
i
x
i
_
= f
_
1
X
1
+
2
x
2
+ ... +
p
x
p
_
=
1
f (x
1
) +
2
f (x
2
) + ... +
p
f (x
p
) = m
Donde m es el mnimo de f(X) para toda X K.
Dado que la suma anterior no se incrementa, sustituyendo por cada f (x
i
)
el mnimo de todos estos valores f (x
m
) = mn f (x
i
) y sabiendo que
i
=
1, tenemos que
f (X
0
)
1
f (x
m
) +
2
f (x
m
) + ... +
p
f (x
m
) = f (x
m
)
y como f (X
0
) f (X) para toda X K, debe cumplirse que
f (X
0
) = f
_
X
m
_
= m
Es decir, existe un punto extremo X
m
en el que la funcion objetivo alcan-
za su mnimo.
Para probar la segunda parte del teorema, supongamos que existen x
1
, ..., x
q
soluciones mnimas para el problema LP. Se sigue entonces que f (x
1
) =
f (x
2
) = ..... = f (x
m
) = m. Sea X una combinacion convexa de las x
i
, en-
tonces X =
q
i=1
i
x
i
para
i
0 y
i
= 1.
Luego,
CAP
ITULO 4. PROGRAMACI
ON LINEAL
f (X) = f (
1
x
1
+
2
x
2
+ ... +
q
x
q
)
=
1
f (x
1
) +
2
f (x
2
) + ... +
q
f (x
q
)
=
i
m
= m
Observacion Para encontrar una solucion mnima al problema PL, necesi-

tamos considerar solo los puntos extremos del conjunto de soluciones.
Teorema 4.1.3 Si puede encontrarse un conjunto de k n vectores P
1
, ..., P
k
LI que cumplan
x
1
P
1
+ x
2
P
2
+ ... + x
k
P
k
= P
0
, con x
i
0
Entonces X = (x
1
, ..., x
k
, 0, ..., 0) es un punto extremo del conjunto convexo
de oportunidades.
Demostracion Sea K el conjunto de oportunidades.
Supongamos que X no es un punto extremo. Entonces, dado que X es una
solucion posible, se la puede expresar como una combinaci on convexa de otros
puntos X
1
y X
2
K. Tenemos,
X = x
i
+ (1 ) x
2
para 0 < < 1
Como x
i
0, con x
i
X, se sigue que los ultimos n k elementos de X
1
y X
2
son cero, es decir,
X
1
=
_
x
(1)
1
, x
(1)
2
, . . . , x
(1)
k
, 0 . . . 0
_
X
2
=
_
x
(2)
1
, x
(2)
2
, . . . , x
(2)
k
, 0 . . . 0
_
Ahora, como X
1
y X
2
son soluciones factibles, AX
1
= b y AX
2
= b.
Entonces,
x
(1)
1
P
1
+ x
(1)
2
P
2
+ . . . + x
(1)
k
P
k
= P
0
y,
x
(2)
1
P
1
+ x
(2)
2
P
2
+ . . . + x
(2)
k
P
k
= P
0
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Como P
1
, P
2
, . . . , P
k
son LI, P
0
puede ser expresado como una combi-
nacion unica de estos vectores, es decir,
x
i
= x
(1)
i
= x
(1)
i
Por tanto X no puede ser expresado como una combinacion convexa de dos
puntos distintos de K y por lo tanto X es un punto extremo.
Teorema 4.1.4 Si X = (x
1
, ..., x
n
) es un punto extremo de K, entonces los
vectores asociados con las x
i
positivas, forman un conjunto LI. Ademas, al
menos m de las x
i
son positivas.
Demostracion Sean los coecientes distintos de cero los primeros k coe-
cientes, tales que,
k
i=1
x
i
P
i
= P
0
Supongamos que los vectores P
1
, ...Pk son LD, entonces existe una com-
binacion lineal de estos vectores tal que,
d
1
P
1
+ d
2
P
2
+ . . . + d
k
P
k
= 0
donde al menos una d
i
= 0.
Por hipotesis, sabemos que,
x
1
P
1
+ x
2
P
2
+ . . . + x
k
P
k
= P
0
Luego, multiplicando la primera ecuacion por d > 0, y sumando ambas,
se sigue que,
x
1
P
1
+ x
2
P
2
+ . . . + x
k
P
k
+ d (d
1
P
1
+ d
2
P
2
+ . . . + d
k
P
k
) = P
0
k
i=1
x
i
P
i
+ d
k
i=1
d
i
P
i
= P
0
Por otra parte, si restamos estas ecuaciones, tenemos,
CAP
ITULO 4. PROGRAMACI
ON LINEAL
k
i=1
x
i
P
i
d
k
i=1
d
i
P
i
= P
0
Entonces, dos soluciones posibles son:
X
1
= (x
1
+ dd
1
, . . . , x
k
+ dd
1
, 0 . . . , 0) y,
X
2
= (x
1
dd
1
, . . . , x
k
dd
1
, 0 . . . , 0)
Ahora bien,
1
/
2
X
1
+
1
/
2
X
2
=
_
1
/
2
x
1
+ dd
1
+
1
/
2
x
1
dd
1
, . . . ,
1
/
2
x
k
+ dd
k
+
1
/
2
x
k
dd
k
, 0 . . . , 0
_
= (x
1
, x
2
, . . . , x
k
, 0, . . . , 0)
= X
Lo que es una contradiccion, pues X es un punto extremo y por tanto no
se lo puede expresar como combinacion lineal de otros puntos extremos.
Por lo tanto lo que supusimos es incorrecto, y entonces los P
1
, ...Pk son LI.
Para probar que al menos m de las x
i
son positivas, partimos del hecho
de que todo conjunto de m + 1 de vectores en un espacio m dimensional
es necesariamente LD, entonces no podemos tener mas de m x
i
positivas,
puesto que si esto ocurriera, por la parte anterior de este teorema, existiran
vectores P
1
, ..., P
m
, P
m+1
que son LI.
Podemos entonces concluir que el conjunto de P
1
, ..., P
n
del problema PL,
tiene siempre un conjunto m de vectores LI, es decir, posee al menos m x
i
positivas.
Corolario 4.1.5 Con cada punto extremo de K, se encuentra asociado un
conjunto de m vectores LI del conjunto dado P
1
, ..., P
n
.
Demostracion De acuerdo al teorema (4.1.3) existen k m vectores de
P
1
, ..., P
n
que son LI. Si k = m, no hay nada mas que demostrar.
Sea k < m y supongamos que podemos encontrar solamente P
k+1
, ..., P
r
vectores adicionales tales que P
1
, ..., P
k
, P
k+1
, ..., Pr para r < m son LI. Se
sigue que los nr vectores restantes depende de P
1
, ..., P
r
, lo que contradice
CAP
ITULO 4. PROGRAMACI
ON LINEAL
el hecho de que siempre existe un conjunto de m vectores LI en el conjunto
dado. Por tanto, deben haber m vectores LI P
1
, ..., P
m
asociados con cada
punto extremo, tales que
k
i=1
x
i
P
i
+
m
i=k+1
0P
i
= P
0
Teorema 4.1.6 X = (x
1
, ..., x
n
) es un punto extremo de K, si y solo si las
x
j
positivas son coecientes de vectores P
j
LI en
k
i=1
x
j
P
j
= P
0
Demostracion Este teorema es la conjuncion de los teoremas anteriores,
por tanto su demostracion esta la hecha.
Observacion Note que existe un punto extremo de K, donde la funcion ob-
jetivo alcanza su mnimo.
Observacion Cada solucion factible corresponde a un punto extremo de K.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
4.2. Generacion de Soluciones de Punto Ex-
tremo
Supongamos que conocemos una solucion de punto extremo en terminos
de m vectores P
j
del conjunto original de n vectores. Podemos hacer que este
conjunto de m vectores LI sean los primeros, es decir
X = (x
1
, x
2
, ..., x
m
, 0, ..., 0)
sea el vector solucion. Entonces tenemos
x
1
P
1
+ x
2
P
2
+ ... + x
m
P
m
= P
0
donde todas las x
i
0. Con estos elementos vamos a buscar otra solucion
de punto extremo, solucion basica para el problema, suponiendo que existe
una.
En efecto, dado que los P
1
, ..., Pm son LI estos forman una base para un
espacio vectorial m-dimensional, y entonces cualquier vector de los n dados
se puede expresar como,
P
j
=
m
i=1
x
ij
P
i
, j = m+ 1, ..., n (4.3)
Supongamos ahora que existe un vector P
m+1
que no esta en la base, que
tiene al menos un elemento x
i,m+1
> 0 en la expresion
x
1,m+1
P
1
+ x
2,m+1
P
2
+ ... + x
m,m+1
P
m
= P
m+1
(4.4)
Sea un n umero cualquiera, multiplicandolo por (4.4) y restando de
(4.3), se sigue que,
(x
1
x
1,m+1
) P
1
+ (x
2
x
2,m+1
) P
2
+ ...
... + (x
m
x
m,m+1
) P
m
+ P
m+1
= P
0
(4.5)
El vector X
= (x
1
x
1,m+1
, x
2
x
2,m+1
, ..., x
m
x
m,m+1
, ) es una
solucion al problema y si todos sus elementos son no negativos, es una solu-
cion factible.
Como estamos buscando una solucion factible, distinta de X, restringimos
a > 0. As, todos los elementos de X
que tiene una x

1,m+1
negativa o
igual a 0, tambien tendran una x
i
x
i,m+1
no negativa. Si x
i,m+1
es positiva,
deseamos encontrar un > 0 tal que para todas las x
i,m+1
> 0, cumplan que
x
i
x
i,m+1
0
CAP
ITULO 4. PROGRAMACI
ON LINEAL
de donde,

x
i
x
i,m+1
luego, si tomamos 0 < mn
i
x
i
x
i,m+1
tendremos una solucion factible.
Ahora, como estamos buscando una solucion de punto extremo, y por
los teoremas de la Seccion 4.2 sabemos que no podemos tener todos los
elementos m+1 de X
positivos, entonces uno de ellos debe ser exactamente

igual a cero. Sea
=
0
= mn
i
x
i
x
i,m+1
para x
i,m+1
> 0. Entonces el elemento en X
para el cual se obtiene este

mnimo se reducira a cero. Tomemos el primer elemento,
0
= mn
i
x
i
x
i,m+1
=
x
1
x
1,m+1
se sigue que,
x
2
P
2
+ x
3
P
3
+ ... + x
m
P
m
+ x
m+1
P
m+1
= P
0
donde x
i
= x
i

0
x
i,m+1
, para i = 1, ..., m y x
m+1
= .
Demostremos ahora, que efectivamente X =
_
x
2
, ..., x
m
, x
m+1
_
es un pun-
to extremo, para ello debemos mostrar que P
2
, P
3
, ..., P
m
, P
m+1
son LI.
Supongamos que estos vectores son LD, entonces
d
2
P
2
+ d
3
P
3
+ ... + d
m
P
m
+ d
m+1
P
m+1
(4.6)
Con alguna d
j
= 0. Luego sabemos que cualquier subconjunto de un
conjunto LI es tambien LI, entonces P
2
, ..., P
m
son LI, lo que implica que
d
m+1
= 0.
Sea e
i
=
d
i
d
m+1
, se sigue que
e
2
P
2
+ e
3
P
3
+ ... + e
m
P
m
= P
m+1
(4.7)
Si restamos (4.7) y (4.4) tenemos,
x
i,m+1
P
1
+ (x
1,m+1
e
2
) P
2
+ ... + (x
m,m+1
e
m
) P
m
= 0 (4.8)
Luego, como P
2
, ..., P
m
son LI, se sigue que todos estos coecientes son iguales
a cero, pero x
i,m+1
es estrictamente mayor a cero, por tanto lo que supusimos
CAP
ITULO 4. PROGRAMACI
ON LINEAL
es incorrecto y podemos decir que estos vectores deben ser necesariamente
LI, y por tanto podemos concluir que X
es una solucion extrema factible.

Para seguir extrayendo nuevas soluciones posibles, proseguimos de esta
misma manera.
Ahora, debemos encontrar la representacion de cualquier vector que no
se encuentre en la nueve base P
2
, ..., P
m
, P
m+1
en terminos de esta.
De (4.4) se tiene que
P
1
=
1
x
1,m+1
(P
m+1
x
2,m+1
P
2
... x
m,m+1
P
m
) (4.9)
Sea,
P
j
= x
1j
P
1
+ x
2j
P
2
+ ... + x
mj
P
m
(4.10)
el vector que buscamos. Reemplazando P
1
de (4.9) en (4.10) tenemos,
P
j
=
_
x
2j

x
1j
x
1,m+1
x
2,m+1
_
P
2
+
_
x
3j

x
1j
x
1,m+1
x
3,m+1
_
P
3
+ ...
... +
_
x
mj

x
1j
x
1,m+1
x
m,m+1
_
P
m
+
x
1j
x
1,m+1
P
m+1
En este procedimiento se selecciona una nueva variable para ser introduci-
da en el sistema y as obtener la nueva solucion y las nuevas representaciones
de los vectores que no se encuentran en la base.
Ejemplo 4.2.1 Sea el conjunto de ecuaciones:
P
1
P
2
P
3
P
4
P
5
P
6
P
0
3x
1
x
2
+ 2x
3
+ x
4
= 7
2x
1
4x
2
+ x
5
= 12
4x
1
3x
2
+ 8x
3
+ x
6
= 10
La solucion inicial de punto extremo X = (0, 0, 0, 7, 12, 10), es decir
7P
4
+ 12P
5
+ 10P
6
= P
0
(4.11)
En este ejemplo, los vectores base P
4
, P
5
, P
6
son unitarios. Deseamos in-
troducir el vector P
1
para obtener otra solucion de punto extremo. La repre-
sentacion de P
1
en terminos de los vectores base es:
P
1
= 3P
4
+ 2P
5
4P
6
(4.12)
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Y entonces,
x
41
= 3, x
51
= 2 y x
61
= 4
Si multiplicamos (4.12) por y restamos el resultado de (4.11), tenemos
(7 3) P
4
+ (12 2) P
5
+ (10 + 4) P
6
+ P
1
= P
0
(4.13)
Como x
41
y x
51
son positivos,
0
es
0 < =
0
= mn
i
x
i
x
i1
Luego,
0
4
=
x
4
x
41
=
7
3
0
5
=
x
5
x
51
= 6
0
6
=
x
6
x
61
=
5
2
Entonces 0 < =
0
= 7/3.
Reemplazando
0
en (4.13) se sigue que
22
3
P
5
+
58
3
P
6
+
7
3
P
1
= P
0
aqu se ha eliminado P
4
de la base, es decir X
=
_
7
/
3
, 0, 0, 0,
22
/
3
,
58
/
3
_
es
una solucion de punto extremo.
Si en vez de P
1
hubiesemos buscado la solucion en terminos de P
2
, hu-
biesemos obtenido que
(7 +) P
4
+ (12 + 4) P
5
+ (10 + 3) P
6
+ P
2
= P
0
(4.14)
donde cualquier > 0 nos de una solucion posible X
= (0, , , 7 +, 12 + 4, 10 + 3),
como en este caso, x
i2
< 0, no es posible hallar una solucion de extremo.
Si colocamos en una matriz todos los datos, realizar este procedimiento
resulta mucho mas eciente.
P
1
P
2
P
3
P
4
P
5
P
6
P
0

1 1 2 1 0 0 7 7/3 =
0
2 4 0 0 1 0 12 6
4 3 8 0 0 1 10
Como queremos insertar P
1
a la base y
0
se encuentra en la primera la
hacemos a x
1
del vector P
1
el pivote y eliminamos x
1
de todas las ecuaciones,
CAP
ITULO 4. PROGRAMACI
ON LINEAL
excepto de la del pivote, donde hacemos x
1
= 1.
Para hacerlo, procedemos como si la tabla fuese una matriz, por tanto
con el metodo de eliminacion completa podemos obtener los resultados que
deseamos.
En efecto, si dividimos la primera la por 3, tenemos
P
1
P
2
P
3
P
4
P
5
P
6
P
0

1 1/3 2/3 1/3 0 0 7/3
2 4 0 0 1 0 12
4 3 8 0 0 1 10
Haciendo 2F
1
+ F
2
y 4F
1
+ F
3
P
1
P
2
P
3
P
4
P
5
P
6
P
0

1 1/3 2/3 1/3 0 0 7/3
2/3 10/3 4/3 2/3 1 0 22/3
0 13/3 32/3 4/3 0 1 58/3
donde la nueva solucion es X
=
_
7
/
3
, 0, 0, 0,
22
/
3
,
58
/
3
_
Y entonces la nueva base es P
1
, P
5
, P
6
y ademas,
1/3P
1
10/3P
5
13/3P
6
= P
2
2/3P
1
4/3P
5
32/3P
6
= P
3
1/3P
1
2/3P
5
4/3P
6
= P
4
CAP
ITULO 4. PROGRAMACI
ON LINEAL
4.3. Dualidad
En la resolucion de un problema de optimizacion es necesario saber re-
conocer una solucion optima entre las soluciones.
Retomemos el problema PL del ejemplo (4.1.1). Resolvamos el sistema
generado.
_
2 1 1 0 12
1 2 0 1 9
_
1/2F
1
_
1 1/2 1/2 0 6
1 2 0 1 9
_
F
1
+ F
2
_
1 1/2 1/2 0 6
0 3/2 0 1 3
_
2/3F
2
_
1 1/2 1/2 0 6
0 1 0 2/3 2/9
_
Entonces,
x
2
= (2/9 + 2/3x
4
) y x
1
= [6 1/2 (2/9 + 2/3x
4
)] 1/2x
3
= 10/9 1/2x
3
1/3x
4
Algunas soluciones factibles a la funcion objetivo f(X) = x
1
x
2
son:
(x
1
, x
2
, x
3
, x
4
) = (0, 9/2, 15/2, 0) valor objetivo = 9/2 (1)
(x
1
, x
2
, x
3
, x
4
) = (6, 0, 0, 3) valor objetivo = 6 (2)
(x
1
, x
2
, x
3
, x
4
) = (5, 2, 0, 0) valor objetivo = 9/2 (3)
Como estamos minimizando la solucion (3) es la mejor, pero no estamos
seguros de si esta es la optima.
Notese que las restricciones limitan el valor de la funcion objetivo.
Para el ejemplo que estamos desarrollando, usando la primera restriccion
debemos tener que:
x
1
x
2
2x
1
x
2
x
3
= 12
Esta desigualdad debe cumplirse con todas las soluciones factibles dado
que x
i
son no negativas y el coeciente de cada variable al lado izquierdo
de la inecuacion es al menos tan grande como el coeciente de la variable
correspondiente del lado derecho.
Si utilizamos la segunda restriccion tenemos,
x
1
x
2
x
1
2x
2
x
4
= 12
o tambien podemos decir que,
x
1
x
2
x
1
x
2
1/3x
3
1/3x
4
= 12 9
CAP
ITULO 4. PROGRAMACI
ON LINEAL
de donde se sigue que,
x
1
x
2
1/3 (2x
1
+ x
2
+ x
3
) 1/3 (x
1
+ 2x
2
+ x
4
) = 1/3 (12 + 9) = 7
(Observese que 1/3 (2x
1
+ x
2
+ x
3
) 1/3 (x
1
+ 2x
2
+ x
4
) = x
1
x
2
1/3x
3
1/3x
4
).
Esta ultima desigualdad indica que para toda solucion factible, la solu-
cion de la funcion objetivo no puede ser mas peque na que 7.
Si observamos la solucion (3) vemos que cuando (x
1
, x
2
, x
3
, x
4
) = (5, 2, 0, 0)
el v.o = 7 y por tanto podemos concluir que esta es una solucion optima
del problema.
Estragegia: Si encontramos una solucion para el problema de progra-
macion lineal y un lmite sobre el valor optimo de tal forma que el lmite y
el valor objetivo de la solucion factible coincidan, entonces podemos tomar
esta solucion como la solucion optima.
En nuestro ejemplo, la estrategia nos llevo a buscar valores y
1
y y
2
tales
que
y
1
(2x
1
+ x
2
+ x
3
)+y
2
(x
1
+ 2x
2
+ x
4
) = (2y
1
+ y
2
) x
1
+(y
1
+ 2y
2
) x
2
+y
1
x
3
+y
2
x
4
donde cada componente es menor o igual a x1 x
2
o,
2y
1
+ y
2
1
y
1
+ 2y
2
1
y
1
0
y
2
0
Es decir, ahora buscamos y
1
y y
2
que formen una combinacion maxima
para las restricciones anteriores, es decir,
max 12y
1
+ 9y
2
2y
1
+ y
2
1
y
1
+ 2y
2
1
y
1
, y
2
0
Denicion 4.3.1 El problema dual es un problema correspondiente al prob-
lema original. Se lo expresa como:
max
Y
b
T
Y
A
T
Y c
CAP
ITULO 4. PROGRAMACI
ON LINEAL
donde y R
m
. A nadiendo una variable extra, podemos expresar este proble-
ma como:
max
Y
b
T
Y
A
T
Y + s = 0
s 0
donde s R
n
Teorema 4.3.1 (De la dualidad debil) Sea X una solucion factible del prob-
lema PL y Y una solucion factible del problema dual correspondiente. En-
tonces,
c
T
X b
T
Y
Demostracion Como X 0 y c A
T
Y = x 0, el producto de estos dos
vectores debe ser no negativo.
Y
T
s = s
T
X
=
_
c A
T
Y
_
T
X
= c
T
X Y
T
b 0
Por tanto c
T
X b
T
Y.
El hecho de que X
T
s = c
T
Y
T
b es usualmente llamada el hueco de du-
alidad.
Los siguientes corolarios son inmediatos del teorema anterior.
Corolario 4.3.2 Si el problema primario PL (respectivamente el dual) es
irresoluble, su dual (respectivamente el primario) es infactible.
Corolario 4.3.3 Si X es factible por el primario PL, es factible del dual PL
y c
T
X = b
T
Y, entonces X es una solucion optima para el primario PL y Y
es la solucion optima del dual PL.
Demostracion Del teorema de dualidad debil, se sigue que para toda solu-
cion factible X del problema primal,
c
T
X b
T
Y
En consecuencia X
es una solucion optima al primal.

De la misma manera, podemos demostrar que Y
es una solucion optima

del dual.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Teorema 4.3.4 (De la dualidad Fuerte) Si el problema primal o el problema
dual tiene una solucion optima nita, entonces el otro problema tiene una
solucion optima nita y los extremos de las funciones lineales son iguales, es
decir minf(x) = maxg(W), y para cualquier solucion optima X del primal
y Y del dual, se tiene que c
T
X = b
T
Y, ademas si uno de los problemas no es
acotado, entonces K es vaco.
Demostracion La segunda parte se deriva directamente del teorema de
dualidad debil. En efecto, supongamos que el primal no es acotado inferior-
mente, entonces se tiene que c
T
x . Si el dual es factible, se tiene que
existe un y c que por el teorema de dualidad debil cumple con b
T
Y c
T
X
de donde se sigue que b
T
Y es una cota inferior sobre el valor de la funcion
objetivo del primal, lo que es una contradiccion.
Para demostrar la primera parte, supongamos que el primal posee una
solucion optima X
para la que le valor de la funcion objetivo es igual a Z
.
Sean x
j
1
, x
j
2
, ..., x
jm
las variables de la base de X correspondiente.
Notemos que c
B
= [c
j
1
, c
j
2
, ..., c
jm
]
T
. Sea el vector de multiplicadores
asociados a la base optima. Recordemos que las componentes de las variables
son denidas como:
c
j
= c
j

T
a
j
, j = 1, 2, . . . , n
donde a
j
es la j-esima columna de A.
Supongamos que esta solucion de base optima es tal que
c
j
= c
j

T
a
j
0, j = 1, 2, . . . , n
En consecuencia,
T
a
j
c
j
, j = 1, 2, . . . , n
o a
T
j
c
j
, j = 1, 2, . . . , n
de donde se sigue que
A
T
c
lo que implica que

_
Y : A
T
Y c
_
es decir que es una solucion factible para el dual.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Encontremos ahora el valor de la solucion factible para el dual. Ten-
emos,
= B
1T
c
B
De aqu se sigue que
b
T
= b
T
B
1T
c
B
=
_
B
1
b
_
T
c
B
= X
T
B
c
B
= Z
Denicion 4.3.2 X R
n
es una solucion optima de (4.2) si y solo si
1. X es primal factible: AX = b, X 0 y existen Y R
n
y S R
n
tales
que
2. (Y, S) es dual factible: A
T
Y + S = c, S 0 y
3. c
T
X = b
T
Y.
Un analisis de estas condiciones nos lleva a obtener un conjunto de condi-
ciones optimas alternativas. Del teorema de dualidad debil, tenemos que
c
T
X b
T
Y =
_
c A
T
Y
_
T
X 0
para cualquier par de soluciones factibles del primal-dual.
Este producto interno es 0. c
T
X = b
T
Y si y solo si se cumple que para
j = 1, 2, ..., n, x
i
(c A
T
Y)
i
= S
i
es cero.
Es decir,
0 =
_
c A
T
Y
_
T
X =
n
i=1
_
c A
T
Y
_
i
X
i
donde cada termino es no negativo.
Dado que esta suma es cero, cada termino debe ser cero.
Entonces podemos decir que X R
n
es una solucion optima de (4.2) si y
solo si
1. X es primal factible: AX = b, X y existen Y R
n
y S R
n
tales
que
2. (Y, S) es dual factible: A
T
Y + S = c, S 0 y
3. Para cada i = 1, ..., n se tiene que X
i
S
i
= 0.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
4.4. El Metodo Simplex
El metodo simplex fue desarrollado por George B. Dantzig en 1947, con
el n de resolver problemas de planeacion para el gobierno de los Estados
Unidos.
4.4.1. Desarrollo de una solucion posible mnima
Supongamos que el problema PL tiene solucion, y que esta se conoce.
Ademas supongamos que sus primeras m componentes no son ni cero ni neg-
ativas.
Recordemos que se dice que X es una solucion basica si es de la forma,
X
N
= 0, X
B
= B
1
b
para alguna matriz base B. Si ademas X
B
= B
1
b 0, la solucion X
B
=
B
1
b, X
N
= 0 es una solucion basica factible del problema PL original. Las
variables X
B
son llamadas variables basicas, mientras que las de X
N
son las
variables no basicas.
Sea X
0
= (x
10
, x
20
, ..., x
m0
) y sea P
1
, ..., P
m
el conjunto asociado de vec-
tores LI, entonces
x
10
P
1
+ x
20
P
2
+ . . . + x
m0
P
m
= P
0
(4.15)
y,
x
10
c
1
+ x
20
c
2
+ . . . + x
m0
c
m
= z
0
, con x
i0
> 0 (4.16)
Las c
i
son los coecientes de restriccion de la funcion objetivo y z
0
es el valor
correspondiente de la funcion objetivo para la solucion dada.
Como P
1
, ..., P
m
son LI, podemos expresar cualquier vector del conjunto
P
1
, ..., P
n
en terminos de P
1
, ..., P
m
, es decir
P
j
= x
1j
P
1
+ x
2j
P
2
+ . . . + x
mj
P
j
, j = 1, . . . , n (4.17)
Denamos,
z
j
= x
1j
c
1
+ x
2j
c
2
+ . . . + x
mj
c
j
, j = 1, . . . , n (4.18)
donde c
i
son los coecientes de restriccion correspondientes a P
i
.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Teorema 4.4.1 Si para cualquier j ja, se cumple que z
j
c
j
> 0, entonces
puede construirse un conjunto de soluciones posibles tales que z < z
0
para
cualquier miembro del conjunto donde el lmite inferior de z pude ser nito
o innito (z es el valor de la funcion objetivo para un miembro particular del
conjunto de soluciones posibles)
Demostracion Si multiplicamos (4.17) por un n umero cualquiera y la
restamos de (4.15) se sigue que,
(x
10
x
1j
) P
1
+ (x
20
x
2j
) P
2
+ . . . + (x
m0
x
mj
) P
j
+ P
j
= P
0
con j = 1, . . . , n
(4.19)
De igual forma si multiplicamos (4.18) por el mismo y la restamos de
(4.16), tenemos,
(x
10
x
1j
) c
1
+ (x
20
x
2j
) c
2
+ . . . + (x
m0
x
mj
) c
j
+ c
j
= z
0
(z
j
c
j
)
con j = 1, . . . , n
(4.20)
Si todos los coecientes de los vectores P
1
, ..., P
m
, P
j
en (4.19) no son
negativos, entonces hemos obtenido una nueva solucion z = z
0
(z
j
c
j
).
Como las variables x
10
, x
20
, ..., x
m0
en (4.19) son todas positivas y por los
teoremas de la Seccion 4.2, existe un vector > 0 (nito o innito), para el
cual los coecientes de los vectores en (4.19) permanecen positivos.
Como j es ja, z
j
c
j
> 0. Luego
z = z
0
(z
j
c
j
) < z
0
, para > 0
En cada caso se puede obtener una solucion posible, cuyo valor correspon-
diente de la funcion objetivo es menor que el valor de la solucion precedente.
1. Si el lmite inferior es nito, se puede construir una nueva solucion
posible con exactamente m variables positivas, cuyo valor de la funcion
objetivo es menor que el valor para la solucion precedente.
Si para j ja, al menos x
ij
> 0 en (4.17) para i = 1, ..., m el mayor
valor de , para el que todos los coecientes de (4.19) permanecen no
negativos esta dado por,
0
= mn
i
x
i0
x
ij
> 0, para x
ij
> 0 (4.21)
CAP
ITULO 4. PROGRAMACI
ON LINEAL
2. Si el l`mite inferior es innito, puede construirse una nueva solucion
posible con exactamente m variables positivas, cuyo valor de la funcion
objetivo puede hacerse tan peque na como sea necesario.
Si en cualquier paso de la demostracion del primer caso tenemos que
para cierta j, z
j
c
j
> 0 y todas las x
ij
< 0, entonces no existe lmite
superior a y la funcion objetivo tiene un lmite inferior a . En este
caso, para cualquier > 0, todos lo coecientes de (4.19) son positivos.
Creamos entonces una solucion posible de m + 1 elementos positivos.
En esta forma, tomando lo sucientemente grande, el valor correspon-
diente de la funcion objetivo, dada en el lado derecho de (4.20), puede
hacerse arbitrariamente peque no.
Por lo que se supuso al comienzo de este captulo, todas las soluciones
factibles poseen m elementos positivos, entonces el mnimo en (4.21) se ob-
tiene para una i unica.
Si reemplazamos
0
por en (4.19) y (4.20), el coeciente correspondi-
ente a esta i unica se anulara.
As hemos construido una nueva solucion factible, consistente en P
j
y
m1 vectores de la base original y obteniendo tambien una nueva base.
Este proceso puede volverse a realizar cuantas veces sea necesario, hasta
que z
j
c
j
0 o hasta que para cierta z
j
c
j
> 0, todas las x
ij
0.
Teorema 4.4.2 Si para cualquier solucion basica posible, X = (x

10
, ..., x
m0
)
las condiciones z
j
c
j
0 se cumplen para todas las j = 1, ..., n, entonces
(4.15) y (4.16) constituyen una solucion posible mnima.
Demostracion Sean,
y
10
P
1
+ y
20
P
2
+ . . . + y
n0
P
n
= P
0
(4.22)
y,
y
10
c
1
+ y
20
c
2
+ . . . + y
n0
c
n
= z
(4.23)
Sea cualquier otra solucion posible en la que z
es el valor correspondiente
de la funcion objetivo. Demostremos que z
0
z
.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Por hipotesis z
j
c
j
0, para todas las j, as que si reemplazamos c
j
por
cada z
j
en (4.23), tenemos
y
10
z
1
+ y
20
z
2
+ . . . + y
n0
z
n
z
(4.24)
Para cada j sustituimos la expresion para cada P
j
dada por (4.17) en
(4.22) y obtenemos,
y
10
_
m
i=1
x
i1
P
i
_
+ y
20
_
m
i=1
x
i2
P
i
_
+ . . . + y
n0
_
m
i=1
x
in
P
i
_
= P
0
(4.25)
As mismo, para cada j sustituimos la expresion para z
j
dada por (4.18)
en (4.24) y obtenemos,
_
m
i=1
x
j0
X
1j
_
c
1
+
_
m
i=1
x
j0
X
2j
_
c
1
+ . . . +
_
m
i=1
x
j0
X
mj
_
c
m
z
(4.26)
Dado que el conjunto de vectores P
1
, ..., P
m
es LI, los coecientes de los
vectores componentes en (4.15) y (4.25) deben ser iguales y entonces (4.26)
se convierte en:
x
10
c
1
+ x
20
c
2
+ . . . + x
m0
c
m
z
Que por (4.16) es lo mismo que decir z
0
z
.
Los teoremas anteriores nos permiten ir de una solucion factible y generar
un conjunto de nuevas soluciones factibles que converjan a la solucion mni-
ma, o bien determinar que no existe una solucion nita.
La generacion de una solucion basica y el desarrollo de una solucion opti-
ma, nos induce a observar que cuando un problema PL posee una solucion
optima, debe tener una solucion optima basica factible. La signicacion de
este resultado nos lleva a decir que para encontrar la solucion a un problema
PL es necesario chequear el valor objetivo de cada solucion basica.
Note que existe solo un n umero nito de estas soluciones basicas, lo que
reduce esta b usqueda a un espacio innito o nito.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
4.4.2. Procedimiento de Computo
Consideremos el siguiente ejemplo, sacado del libro de

Introduction to
Mathematical Programming de R. Walker.
Ejemplo 4.4.1 El granjero Jones tiene 100 acres de tierra que quiere
dedicar a la siembra de trigo y maz, y desea planear la plantacion de las
mismas, de tal manera que pueda obtener la maxima ganancia por su venta.
Jones tiene solamente $800 de capital, destinados a la siembra y le cuesta
$5 plantar un acre de trigo y $10 un acre de maz.
La extensa vida social de la familia Jones, les deja libres solo 150 das
laborables para dedicarlos a la siembra. Para sembrar cada acre de trigo se
necesitan dos das y para sembrar un acre de maz uno.
Si experiencias pasadas indican un retorno de $80 por cada acre de trigo
y $60 por cada acre de maz, cuantos acres de cada cosa debera plantear
Jones para maximizar su rentabilidad?
Solucion Sean x
1
y x
2
las variables que denotan al trigo y al maz respecti-
vamente, se obtiene la siguiente formulacion al problema del granjero Jonnes
max Z = 80x
1
+ 60x
2
sujeto a
x
1
+ x
2
100
2x
1
+ x
2
150
5x
1
+ 10x
2
800
x
1
, x
2
0
Luego de a nadir las variables no basicas a cada una de las funciones de
restriccion del problema, se tiene la representacion del problema en casi la
forma estandar (pues estamos maximizando en vez de minimizar)
max Z = 80x
1
+ 60x
2
sujeto a
x
1
+ x
2
+ x
3
= 100
2x
1
+ x
2
+ x
4
= 150
5x
1
+ 10x
2
+ x
5
= 800
x
1
, x
2
, x
3
, x
4
, x
5
0
El metodo simplex resuelve un problema PL moviendose de una solucion
de basica factible a otra, hasta que encuentre una solucion de estas que sea
CAP
ITULO 4. PROGRAMACI
ON LINEAL
presumiblemente optima. Pero primero, se debe empezar por una solucion
basica.
Siguiendo el proceso de la Seccion (4.2), para el problema del granjero
Jones, es trivial escoger la solucion basica,
P
0
= 100P
3
+ 150P
4
+ 800P
5
El metodo simplex se observa de mejor manera si lo escribimos en tablas.
Empecemos escribiendo la la del objetivo del problema del granjero Jones.
Z 80x
1
60x
2
= 0
y representando el sistema usando la siguiente tabla,
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
Z 80 60 0 0 0 0
x
3
1 1 1 0 0 100
x
4
2
1 0 1 0 150
x
5
5 10 0 0 1 800
(1)
Esta tabla es llamada la tabla simplex. Las columnas encabezadas por
cada variable, contiene los coecientes de esta variable en cada ecuacion,
incluyendo la la de la ecuacion del objetivo, que es la la Z. La primera
columna de la izquierda es usada para realizar un seguimiento de las variables
basicas de cada la. La primera la representa los vectores P
1
, ..., P
m
LI
asociados a cada variable.
Paso 0 La tabla inicial
Una vez que hayamos formado la tabla (1), buscamos una variable en-
trante, es decir, una variable que tenga un coeciente negativo en la columna
objetivo y que acreciente la funcion objetivo si es introducida en la base.
En cada caso, las dos variables x
1
y x
2
poseen coecientes negativos en la
columna objetivo. Dado que x
1
tiene el mayor coeciente negativo, tomare-
mos la columna de este coeciente (por ello la echa sobre la columna de x
1
).
Sin embargo, en principio, cualquier variable basica con coeciente negativo
puede ser tomada.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Paso 1 Encontrar una variable con un coeciente negativo en la la del
objetivo. Si todas las variables tienen coecientes no negativos en la la ob-
jetivo, DET
ENGASE, la tabla que posee es la optima.(Buscamos que los

coecientes sean no negativos porque en este caso estamos maximizando, si
estuvieramos minimizando, entonces buscaramos que las variables sean no
positivas)
Luego de escoger x
1
, como la variable entrante, necesitamos determinar
la variable de holgadura (en ocasiones llamada la variable de salida). Esta
variable se la encuentra realizando el proceso descrito en la seccion (4.2) de
Generacion de Soluciones de Punto Extremo. En efecto, si observamos la
tabla (1), tenemos que la solucion inicial basica es X = (0, 0, 100, 150, 800),
es decir,
100P
3
+ 150P
4
+ 800P
5
= P
0
(2)
Donde P
3
, P
4
y P
5
son unitarios y por tanto constituyen la base. Como
deseamos introducir P
1
en la base, y as obtener otra solucion basica, entonces
expresamos P
1
en terminos de los vectores base, es decir
P
1
= P
3
+ 2P
4
+ 5P
5
(3)
De donde,
x
31
= 1, x
41
= 2 x
51
= 5
Si multiplicamos (3) por y restamos el resultado de (2), tenemos
P
1
P
0
= P
3
+ 2P
4
+ 5P
5
100P
3
150P
4
800P
5
(100 )P
3
+ (150 2)P
4
+ (800 5)P
5
+ P
1
= P
0
(4)
Como x
31
, x
41
y x
51
son positivos,
0
es
0 < =
0
= mn
i
x
i
x
i1
Luego,
0
3
=
x
3
x
31
=
100
1
= 100
0
4
=
x
4
x
41
=
150
2
= 75
0
5
=
x
5
x
51
=
800
5
= 160
CAP
ITULO 4. PROGRAMACI
ON LINEAL
Y entonces,
0 < =
0
= 75
que corresponde al vector P
4
(por ello la echa hacia fuera en la variable
x
4
, en la tabla (1), que identica esta como la variable de holgadura).
Cabe recordar que en el proceso se busca el mnimo solo entre las vari-
ables que son no negativas.
Si es que todas las
0
i
son cero o negativas, entonces concluimos que el
problema es irresoluble.
Paso 2 Una vez ubicada la variable de holgadura, encuentre otra solucion
basica en la que se incluya el vector de la variable entrante dentro de la nueva
base.
Del paso anterior tenemos que
0
= 75, reemplazando este valor en (4) se
sigue que,
25P
3
+ 75P
1
+ 425P
5
= P
0
observe que hemos eliminado P
4
, es decir el vector que contiene la variable
de holgadura, entonces
X
= (75, 0, 25, 0, 425)

es otra solucion de punto extremo.
Si hacemos este proceso directamente en una tabla y la tratamos como
una matriz, utilizando el metodo de eliminacion completa, podemos obten-
er la nueva base. Para ello debemos primero convertir al vector entrante en
unitario, haciendo 1 en el pivote y cero en las demas componentes.
El pivote es el elemento de interseccion entre la variable de holgadura y la
variable entrante, es decir el elemento de interseccion de las fechas colocadas
en la tabla (1). En este caso, es el 2, por ello este elemento se encuentra
se nalado con un *.
Entonces, hacemos la tabla (1)
CAP
ITULO 4. PROGRAMACI
ON LINEAL
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
F1 Z 80 60 0 0 0 0
F2 x
3
1 1 1 0 0 100
F3 x
4
2
1 0 1 0 150
F4 x
5
5 10 0 0 1 800
Dividiendo para dos F3 tenemos,
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
F1 Z 80 60 0 0 0 0
F2 x
3
1 1 1 0 0 100
F3 x
1
1 1/2 0 1/2 0 75
F4 x
5
5 10 0 0 1 800
Haciendo 80F2 +F1, F3 +F2 y 5F3 +F4 tenemos,
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
F1 Z 0 20 0 40 0 6000
F2 x
3
0 1/2 1 1/2 0 25
F3 x
1
1 1/2 0 1/2 0 75
F4 x
5
0 15/2 0 5/2 1 425
(5)
Paso 3 Volver a realizar los pasos 1 y 2 hasta que el Paso 1 nos pida de-
tenernos
Con la tabla (5), podemos decir que la nueva solucion basica inicial es,
25P
3
+ 75P
1
+ 425P
5
= P
0
Como x
2
posee un signo negativo, vamos a introducir el vector P
2
en la
nueva base. Hacemos
P
2
= 25P
3
+ 75P
1
+ 425P
5
De donde,
CAP
ITULO 4. PROGRAMACI
ON LINEAL
x
32
= 1/2, x
41
= 1/2, x
51
= 15/2
Luego,
P
2
P
0
= 1/2P
3
25P
3
+ 1/2P
1
75P
1
+ 15/2P
5
425P
5
(25 1/2)P
3
+ (75 1/2)P
1
+ (425 15/2)P
5
+ P
2
= P
0
Se sigue que
0
3
=
x
3
x
32
=
100
1
= 50
0
1
=
x
1
x
12
=
150
2
= 75
0
5
=
x
5
x
52
=
800
5
=
170
3
Y entonces,
0 < =
0
= 50
que corresponde al vector P
3
en la tabla (5), identicando x
3
como la
variable de holgadura.
Tenemos entonces la siguiente tabla
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
F1 Z 0 20 0 40 0 6000
F2 x
3
0 1/2
1 1/2 0 25
F3 x
4
1 1/2 0 1/2 0 75
F4 x
5
0 15/2 0 5/2 1 800
Multiplicando esta tabla por 2, se sigue
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
F1 Z 0 20 0 40 0 6000
F2 x
2
0 1 2 1 0 50
F3 x
4
1 1/2 0 1/2 0 75
F4 x
5
0 15/2 0 5/2 1 425
Haciendo, 20F2 +F1, 1/2 +F3 y 15/2F2 +F4 tenemos,
CAP
ITULO 4. PROGRAMACI
ON LINEAL
P
1
P
2
P
3
P
4
P
5
P
0
Variables
Basicas
x
1
x
2
x
3
x
4
x
5
F1 Z 0 0 40 20 0 7000
F2 x
2
0 1 2 1 0 50
F3 x
4
1 0 1 1 0 50
F4 x
5
0 0 15 5 1 50
Como todas las variables del objetivo son no negativas, entonces (50, 50, 0, 0, 50)
es la solucion optima.
Podemos entonces decirle al granjero Jones que debera sembrar 50 acres
de maz y 50 acres de trigo para maximizar su ganancia, teniendo en cuenta
sus limitaciones y condiciones.
Observacion Si queremos minimizar la misma funcion, basta con calcular
z, es decir poner un signo menos en la funcion objetivo y realizar el metodo
simplex, tratando de eliminar, en vez de las variables negativas, las positivas.
Sin embargo, cuando se calcule el valor objetivo (V.O), se lo debe multiplicar
por 1.
CAP
ITULO 4. PROGRAMACI
ON LINEAL
4.5. Alternativa al Metodo Simplex
Obtener un pivote para el metodo simplex es sumamente rapido gracias a
los avances de los computadores, incluso para problemas con miles de restric-
ciones, de ah el gran exito de la aplicacion de este metodo. Sin embargo, para
problemas largos, considerados como problemas de 100 000 restricciones, el
n umero de iteraciones del metodo puede ser muy grande. Algunos modelos,
especialmente los referentes a las aplicaciones nancieras, pueden tener es-
ta cantidad de restricciones y muchas veces no pueden ser resueltos con el
metodo simplex.
Existe otro metodo que nos permite resolver estos grandes problemas,
conocido como el metodo barrera o el metodo del punto interior. Este meto-
do usa una estrategia totalmente distinta a la del metodo simplex para buscar
el optimo, siguiendo un patron mucho mas complejo, pero el n umero de it-
eraciones necesarias no depende de cuan grande sea el problema.
Como resultado, el metodo del punto interior, puede ser mucho mas rapi-
do que el metodo simplex para resolver problemas de grandes proporciones.
Programas informaticos como Cplex, Xpress, OSL, etc., dan la opcion de
resolver los problemas PL por cualquiera de estos dos metodos.
Captulo 5
Modelizacion PL y Aplicaciones
Activo/Pasivo, Flujo de Caja,
Fondos Compensatorios
5.1. Algunos Terminos Financieros
Las corporaciones se enfrentan habitualmente a problemas de nanciacion
de efectivo a corto plazo. La programacion lineal puede ayudar en la b usque-
da de combinaciones optimas de los instrumentos nancieros (como bonos,
acciones, vencimientos, etc.) que otorgue inversiones mas ecaces.
Considere el ejemplo.
Ejemplo 5.1.1 Una compa na tiene el siguiente problema de nanciacion
a corto plazo, con un capital para el efecto de $ 1000.
Mes Ene Feb Mar Abr May Jun
Flujo de Caja Neto -150 -100 200 -200 50 300
La compa na tiene las siguientes fuentes de inversion
Una lnea de credito sobre los $100 a una tasa de interes del 1 % men-
sual.
Puede emitir papales comerciales con un interes total del 2 % trimestral.
Los fondos excedentes pueden ser invertidos a una tasa de interes del
0.3 % mensual.
41
CAP
ITULO 5. MODELIZACI
ON PL Y APLICACIONES
ACTIVO/PASIVO, FLUJO DE CAJA, FONDOS COMPENSATORIOS
Existen algunas preguntas que la compa na quiere responder. Que in-
teres de pago necesita hacer la compa na entre enero y junio? Es economico
usar la lnea de credito? si es as, en cuales?, cuanto?.
La programacion lineal, proporciona un mecanismo para contestar estas
preguntas facil y rapido. Incluso nos permite responder algunas preguntas del
tipo que tal sisobre cambios en los datos sin tener que resolver el problema,
como por ejemplo, que tal si el ujo de caja neto en enero fuera -200 en vez
de -150?, que tal si el lmite de la lnea de credito se incrementara de 100 a
200?, que tal si el ujo de caja neto negativo de enero se debe a la compra
de maquinaria por un valor de $150 y el vendedor permite una parte o la
totalidad del pago de la misma que se hizo en junio a un interes del 3 % en un
periodo de cinco meses? Las respuestas a estas preguntas estan disponibles
cuando el problema es formulado y resuelto como uno de programacion lineal.
Existen entonces tres pasos al aplicar la programacion lineal en estos
problemas: modelar, resolver e interpretar.
5.1.1. Modelar
Empezamos modelando el peque no problema nanciero anterior, es decir,
escribiremos este problema en el lenguaje de programacion lineal. Existen re-
glas sobre las que se puede o no plantear un la programacion lineal. Estas
reglas imponen algunos de los pasos necesarios para el proceso (resolviendo
e interpretando el problema) que nos llevan a plantearlo exitosamente.
Las claves del programa lineal es el escoger bien las variables de decision,
el objetivo y las restricciones.
Variables de Decision Las variables de decision representan (desconoci-
das) decisiones a tomar. Esto esta en contraste con los datos del problema
que son valores dados o calculados del mismo problema. Para el problema
que planteamos como ejemplo, existen variables posibles opciones para las
variables de decision. Usaremos las siguientes: el monto x
i
sobre la lnea de
credito en el mes i, el monto y
i
de los papeles comerciales emitidos en el mes
i, el exceso de fondos z
i
en el mes i y la ganancia de la compa na v en junio.
Note que, alternativamente, podramos usar solo las variables de decision x
i
y y
i
, dado que el exceso de fondos y la ganancia de la compa na pueden ser
deducidos de estas dos variables.
CAP
ITULO 5. MODELIZACI
Objetivo Todo problema lineal tienen un objetivo, que debe ser o bien
maximizado o bien minimizado. Este objetivo debe tener variables de decision
lineales, lo que signica que estas deben estar sumandose o multiplicandose
por constantes, es decir 2x
1
+10x
2
es una funcion lineal, mientras que x
1
x
2
no lo es. En nuestro caso, el objetivo es simplemente maximizar v.
Restricciones Cada programa lineal posee tambien restricciones que lim-
itan las soluciones factibles. Aqu tenemos tres tipos de restricciones: el debe
tiene que ser igual al haber por cada mes, los lmites superiores sobre x
i
y la
no negatividad de las variables de decision x
i
, y
i
y z
i
.
Por ejemplo, en enero (i = 1), existe un requerimiento de efectivo de $150.
El conocer este requerimiento permite a la compa na proporcionar un monto
x
1
para la lnea de credito y emitir un monto y
1
de papeles comerciales.
Considera tambien la posibilidad del exceso de fondos z
i
que en este mes es
0. La ecuacion del balance de ujo de efectivo es,
x
1
+ y
1
z
1
= 150
Luego, en febrero (i = 2), existe un requerimiento de efectivo de $100.
Adicionalmente, se suma un interes principal de 1,01x
1
vencido a la lnea
de credito y se suma 1,003z
1
recibido por la inversion del exceso de fondos.
Sabiendo esto, la compa na puede proporcionar un monto x
2
para la lnea de
credito y emitir un monto y
2
de papeles comerciales. Entonces la ecuacion
del balance de ujo de efectivo para este mes es,
x
2
+ y
2
0,01x
1
+ 1,003z
1
z
2
= 100
Si hacemos lo mismo para los meses de marzo, abril, mayo y junio, ten-
emos lo siguiente,
x
3
+ y
3
1,01x
2
+ 1,003z
2
z
3
= 200
x
4
1,02y
1
1,01x
3
+ 1,003z
3
z
4
= 200
x
5
1,02y
2
1,01x
4
+ 1,003z
4
z
5
= 50
1,02y
3
1,01x
5
+ 1,003z
5
v = 300
Note que x
i
es el balance sobre la lnea de credito en el mes i, no el
incremento del prestamo en el mes i. Similarmente, z
i
representa el exceso
de fondos total en el mes i. Escoger as las variables es bastante conveniente
para escribir casi condiciones de lmites superiores y la negatividad de las
restricciones.
CAP
ITULO 5. MODELIZACI
0 x
i
100
y
i
0
z
i
0
Esto nos da el modelo nal siguiente:
max v
x
1
+ y
1
z
1
= 150
x
2
+ y
2
1,01x
1
+ 1,003z
1
z
2
= 100
x
3
+ y
3
1,01x
2
+ 1,003z
2
z
3
= 200
x
4
1,02y
1
1,01x
3
+ 1,003z
3
z
4
= 200
x
5
1,02y
2
1,01x
4
+ 1,003z
4
z
5
= 50
1,02y
3
1,01x
5
+ 1,003z
5
v = 300
x
1
100
x
2
100
x
3
100
x
4
100
x
5
100
x
i
, y
i
, z
i
0
Formular un problema como un programa lineal signica ir a traves del
proceso antes descrito para denir claramente las variables de decision, el
objetivo y las restricciones.
5.1.2. Resolver
Existen varios programas que resuelven problemas de optimizacion. En
este proyecto se usara la herramienta informatica Matlab.
Este software posee un comando que nos permite resolver problemas PL,
que es linprog.
Este comando resuelve el programa lineal estandar, es decir la minimizacion
de la funcion objetivo.
Para maximizar, habra que transformar la funcion objetivo en f.
Estructura del comando y Parametros Existen diversas maneras en
las que se puede expresar las soluciones de un problema de programacion
lineal y opciones que podemos pedir a programa tome en cuenta al momento
de resolverlo.
CAP
ITULO 5. MODELIZACI
X = LINPROG(c, A, b) resuelve el problema,
mn
X
c
T
X
AX b
donde c R
n
es la matriz de coecientes de funcion objetivo la obje-
tivo, A es la matriz de coecientes de las funciones restricciones con
A R
mxn
y b R
m
es el vector de las constantes de restriccion.
El script que resuelve el ejemplo 4.1.1 sera el siguiente.
Figura 5.1: Script ejemplo 4.1.1
X = LINPROG(c, A, b, Aeq, beq)
Si ingresamos variables de holgadura, podemos resolver el problema con
Matlab si ponemos en c la los coecientes de la funcion objetivo con
CAP
ITULO 5. MODELIZACI
todas las variables, donde obviamente las de holgadura ser an 0. En A,
colocamos la matriz original con 0 en los coecientes de las variables de
hogadura, en Aeq la matriz A con 1 en los coecientes de estas variables
y hacemos beq = b. El script es el siguiente.
Figura 5.2: Script ejemplo 4.1.1 con variables de holgadura
X = LINPROG(c, A, b, Aeq, beq, LB, LU)
Aqu, LB y UB son los conjuntos de lmites superiores e inferiores de
las variables. Es decir LB X LU.
Si se dejan vacos, se sobre entiende que no existen lmites para las vari-
ables. Si se coloca LB(i) = Inf signica que el problema no posee
lmites hacia abajo, y si se pone UB(i) = Inf se entiende que el prob-
lema no posee lmites hacia arriba.
CAP
ITULO 5. MODELIZACI
Como tenemos que las variables x
1
, ..., x
n
son siempre positivas, debe-
mos procurar colocar LB=[0 0 .... 0], de acuerdo a la cantidad de vari-
ables que tengamos.
El script da el mismo resultado.
Resolvamos entonces el problema de arriba, primero pongamoslo en orden.
C
A
P
I
T
U
L
O
5
.
M
O
D
E
L
I
Z
A
C
I
O
N
P
L
Y
A
P
L
I
C
A
C
I
O
N
E
S
A
C
T
I
V
O
/
P
A
S
I
V
O
,
F
L
U
J
O
D
E
C
A
J
A
,
F
O
N
D
O
S
C
O
M
P
E
N
S
A
T
O
R
I
O
S
max v
x
1
+ y
1
z
1
= 150
1,01x
1
+ x
2
+ y
2
+ 1,003z
1
z
2
= 100
1,01x
2
+ x
3
+ y
3
+ 1,003z
2
z
3
= 200
1,01x
3
+ x
4
1,02y
1
+ 1,003z
3
z
4
= 200
1,01x
4
+ x
5
1,02y
2
+ 1,003z
4
z
5
= 50
1,01x
5
1,02y
3
+ 1,003z
5
v = 300
x
1
, x
2
, x
3
, x
4
, x
5
100
x
i
, y
i
, z
i
0
V
e
r
o
n
i
c
a
M
.
A
c
u
r
i
o
V
a
s
c
o
n
e
z
4
8
CAP
ITULO 5. MODELIZACI
Crearemos un archivo maximizar.m en el que desarrollemos la matices
necesarias para aplicar el comando. Recordemos que Matlab solo puede min-
imizar, entonces, colocaremos la funcion objetivo como f de tal manera
que podamos encontrar optimizacion maxima.
La funcion es la siguiente,
Figura 5.3: Funcion Maximizar en Matlab
Si corremos esta funcion en la ventana de comandos de Matlab y luego
aplicamos el comando linprog, tenemos los siguiente,
CAP
ITULO 5. MODELIZACI
Figura 5.4: Resolucion del Ejercicio Financiero
5.1.3. Interpretar
Cada paquete informatico posee su propia manera de presentar los re-
sultados. En nuestro caso, al poner X = antes de la correr el comando, el
resultado que se nos despliega es el valor que debe tener cada variable a n
de minimizar (o maximizar) la funcion objetivo. Estos valores estan en el
mismo orden en el que se coloco las variables en la funcion objetivo.
Es facil entonces interpretar los resultado obtenidos. Sin embargo, existen
otros programas que por el mismo hecho de presentar una mayor cantidad
de informacion, su interpretacion se vuelve mas compleja, como es el caso de
la funcion Solver en Excel.
CAP
ITULO 5. MODELIZACI
5.2. Caractersticas de los Programas Lineales
Existen ciertos supuestos dentro de los programas lineales. La utilidad de
este modelo esta directamente relacionado con las suposiciones que se toman.
Los primeros dos supuestos estan relacionados con la forma lineal de las
funciones. La contribucion al objetivo de las variables de decision es propor-
cional al valor de cada una de ellas. Similarmente, la contribucion de cada
variable al lado izquierdo de cada restriccion es proporcional al valor de cada
variable. Este es llamando el Supuesto de Proporcionalidad.
Sin embargo, la contribucion de una variable al objetivo y a las re-
stricciones es independiente de los valores de las otras variables. Este es el
Supuesto de Aditividad.
El siguiente supuesto, es el Supuesto de Divisibilidad. No es posible tomar
fracciones de las variables.
El ultimo supuesto es el Supuesto de Certeza, un programa lineal no ad-
mite la incertidumbre sobre los n umeros.
Es raro que un problema posea exactamente todos estos supuestos y estos
no niegan la utilidad del modelo. Un modelo puede tener un uso manejable
incluso si la realidad diere ligeramente de los requerimientos rigurosos del
modelo.
CAP
ITULO 5. MODELIZACI
5.3. Dedicacion
La Dedicacion o ujo de caja correspondiente es una tecnica usada para
encontrar conocidos pasivos en el futuro. La idea es formar un portafolio de
activos cuyo efectivo compense exactamente la salida de los pasivos. Los pa-
sivos por lo tanto seran liquidados, a medida que se deben, sin la necesidad
de vender o comprar activos en el futuro. El portafolio se forma hoy y es
entonces mantenido hasta que los pasivos sean liquidados.
Dedicar portafolios usualmente solo consiste en liberar de riesgo los bonos
no exigibles dado que el efectivo del portafolio futuro necesita ser conocido
cuando este es construido. Esto elimina el riesgo de la tasa de interes com-
pletamente.
Esta tecnica es usada por algunos municipios y peque nos fondos de pen-
siones. Por ejemplo, los municipios algunas veces quieren encontrar pasivos
derivados de bonos que hayan expedido. Estos pre-reembolsados bonos pueden
ser descontados de los libros del municipio, lo que les permite evadir restric-
ciones convenientes en los bonos que han pre-reembolsado y seguramente les
permite replantear su deuda.
Se debe notar sin embargo, que que el costo de la dedicacion de portafo-
lios esta entre el 3 % y el 7 % mas en terminos de dolar que los portafolios
nmunizados, los mismos que son construidos basandose en el valor presente,
la duracion y la convexidad de los activos y pasivos.
Dada una cuenta corriente de ujo de efectivo C
t
para t = 1, ..., T son
llamados valores presentes si
P =
T
t=1
C
t
(1 +r
t
)
t
La duracion es,
D =
1
P
T
t=1
tC
t
(1 +r
t
)
t
y la convexidad se dene como,
C =
1
P
T
t=1
t (t + 1) C
t
(1 +r
t
)
t+2
CAP
ITULO 5. MODELIZACI
En estas formulas, r
t
representa la tasa libre de riesgo en el a no t.
Si la cartera se compone solo de los bonos sin riesgo, el valor presente P
del efectivo del portafolio futuro puede ser calculado usando la misma tasa
libre de riesgo r
t
. Similarmente, para su duracion D
y la convexidad C
.
Un portafolio nmunizadopuede ser construido haciendo coincidir P
=
P, D
= D y C
= C. Los portafolios que son construidos igualando estos

tres factores son inmunizados contra los cambios paralelos en la curva de
rendimiento, pero a un puede existir una exposicion y vulnerabilidad frente a
otro tipo de curvas y necesitan ser activamente manejados, lo cual produce
costo. En contraste, la dedicacion de portafolios no necesita ser manejado
luego de ser construido.
Veamos es siguiente ejemplo. Cuando los municipios usan ujo de caja
correspondiente, la costumbre estandar es llamar a pocos bancos de inversion,
mandar la lista de los pasivos y los requerimientos de ofertas. Los municipios
entonces comprar las seguridades que los bancos ofertan al menor precio para
una exitosa igualacion de efectivo.
Ejemplo 5.3.1 Un banco recibe la siguiente lista de pasivos:
A no 1 A no 2 A no 3 A no 4 A no 5 A no 6 A no 7 A no 8
12 000 18 000 20 000 20 000 16 000 15 000 12 000 10 000
Los bonos disponibles para la adquisicion hoy (A no 0) est an dados por la
siguiente tabla. Todos los bonos tiene un valor nominal de $100. El valor por
cada cupon es anual. Por ejemplo, costo del Bono 5 es $98 hoy y paga $4 de
retorno en el A no 1, $4 en el A no 2, $4 en el A no 3 y $104 en el A no 4.
Todos estos bonos estan ampliamente disponibles y pueden ser adquiridos en
cualquier cantidad al precio establecido.
Bono 1 2 3 4 5 6 7 8 9 10
Precio 102 99 101 98 98 104 100 101 102 94
Cup on 5 3,5 5 3,5 4 9 6 8 9 7
Madurez A no 1 A no 2 A no 2 A no 3 A no 4 A no 5 A no 5 A no 6 A no 7 A no 8
Formularemos y resolveremos el problema lineal, de tal manera que en-
cuentre el portafolio menos costoso de bonos a adquirir hoy que compense las
obligaciones del municipio durante los siguientes ocho a nos. Para eliminar
la posibilidad de cualquier reinversion riesgosa, asumimos una tasa de rein-
version igual al 0 %.
CAP
ITULO 5. MODELIZACI
Solucion El programa lineal es el siguiente,
C
A
P
I
T
U
L
O
5
.
M
O
D
E
L
I
Z
A
C
I
O
N
P
L
Y
A
P
L
I
C
A
C
I
O
N
E
S
A
C
T
I
V
O
/
P
A
S
I
V
O
,
F
L
U
J
O
D
E
C
A
J
A
,
F
O
N
D
O
S
C
O
M
P
E
N
S
A
T
O
R
I
O
S
mn 102x
1
+ 99x
2
+ 101x
3
+ 98x
4
+ 98x
5
+ 104x
6
+ 100x
7
+ 101x
8
+ 102x
9
+ 94x
10
105x
1
+ 3,5x
2
+ 5x
3
+ 3,5x
4
+ 4x
5
+ 9x
6
+ 6x
7
+ 8x
8
+ 9x
9
+ 7x
10
= 12 000
+103,5x
2
+ 105x
3
+ 3,5x
4
+ 4x
5
+ 9x
6
+ 6x
7
+ 8x
8
+ 9x
9
+ 7x
10
= 18 000
103,5x
4
+ 4x
5
+ 9x
6
+ 6x
7
+ 8x
8
+ 9x
9
+ 7x
10
= 20 000
10 4x
5
+ 9x
6
+ 6x
7
+ 8x
8
+ 9x
9
+ 7x
10
= 20 000
109x
6
+ 10 6x
7
+ 8x
8
+ 9x
9
+ 7x
10
= 16 000
10 8x
8
+ 9x
9
+ 7x
10
= 15 000
109x
9
+ 7x
10
= 12 000
107x
10
= 10 000
x
i
0
V
e
r
o
n
i
c
a
M
.
A
c
u
r
i
o
V
a
s
c
o
n
e
z
5
5
CAP
ITULO 5. MODELIZACI
La funcion dedicar.m creada a base de los datos es la siguiente,
Figura 5.5: Funcion Dedicar en Matlab
CAP
ITULO 5. MODELIZACI
Entonces en la ventana de comandos de Matlab, al aplicar el comando
linprog se nos despliega,
Figura 5.6: Resultado de la optimizacion de la funcion Dedicar
Podemos entonces, por ejemplo, decirle a la empresa que debera comprar
$62,16 dolares del bono uno, ning un bono 2, $125.27 del bono 3 y as a n
de liquidar sus pasivos cada a no al menor costo.
CAP
ITULO 5. MODELIZACI
5.4. Sensibilidad y Analisis de la Programacion
Lineal
Encontrar la solucion optima a un modelo de programacion lineal es im-
portante, pero no es la unica informacion disponible. Existe un conjunto
enorme de informacion sensible o informacion sobre que pasara si los valores
cambiaran.
Recordemos que cuando formulamos un problema como un programa lin-
eal, asumimos ciertas cosas, debemos tener en cuenta que el valor tomado
y las decisiones se basan en los datos. Muchas veces, estos supuestos son de
alguna manera dudosos, pues los datos pueden ser desconocidos, o supuestos
o hasta incalculables. Entonces, como podemos determinar el efecto de las
decisiones optimas en los cambios de valores?
Obviamente, algunos n umeros en los datos son mas importantes que otros
como saber cuales son importantes?, como determinar el efecto de los er-
rores de estimacion? La sensibilidad es exactamente esto y con analisis de la
programacion lineal se pueden responder estas preguntas, dependiendo del
del paquete informatico que se use.
Si usamos Matlab podemos pedirle que nos retorne, a mas del valor de
las constantes, el valor objetivo, mediante el comando,
[X, fval] = linprog(f, A, b, Aeq, beq, LB, LU)
Recuerde que como Matlab solo minimiza, tuvimos que minimizar la fun-
cion f a n de obtener el maximo, por ello el parametro fval nos de-
volvera un valor negativo.
Lastimosamente, este paquete no es capaz de darnos mas informacion que
esta. Si usamos Excel por otro lado, podemos visualizar otros factores como
la inuencia de una variable en el incremento o decremento del valor nal de
cada mes.
Captulo 6
Conclusiones
La matematica se convierte en una herramienta sumamente util cuan-
do se llega a darle la aplicacion adecuada. Los teoremas y deniciones son
importantes en el desarrollo de la teora matematica y cruciales para el en-
tendimiento y sobre todo para el planteamiento de los problemas de la vida
real, pero llegar a darle la aplicacion adecuada, es lo que hace funcionar a la
teora.
La forma de plantear la funcion objetivo, las restricciones y los lmites es
vital al momento de resolver un programa lineal, as que de la interpretacion
del problema y de su traduccion al lenguaje matematico depende el exito o
el fracaso de la optimizacion.
Los avances tecnologicos han sido los verdaderos gestores del gran exito
de la programacion lineal, puesto que hace 30 a nos, resolver sistemas de ecua-
ciones con mas de 10 000 incognitas y variables era simplemente impensable.
Existen varios paquetes informaticos especializados en optimizacion como
Cplex, Xpress, OLS entre otros, que permiten resolver problemas de este es-
tilo, los mismos que son mucho mas completos, con herramientas mas sosti-
cadas que permiten una mejor vision de de los resultados. Matlab o Excel no
son uno de ellos, as que se podra profundizar mas en los programas men-
cionados para un mejor desempe no.
Es importante tambien recalcar que para maximizar (o minimizar) una
funcion que en principio se esta minimizando (o maximizando), basta con
multiplicar por 1 la funcion objetivo, dejando las restricciones tal como
estan planteadas. Sin embargo, para obtener el valor objetivo, se debe volver
a multiplicar tal valor por 1.
59
CAP
ITULO 6. CONCLUSIONES
Si bien muchos de los problemas nancieros pueden ser resueltos como un
programa lineal, en la practica no siempre poseemos todos los datos requeri-
dos para resolverlo as, o simplemente no podemos interpretar los requer-
imientos en forma lineal. En estos casos, son necesarias otros tipos de her-
ramientas mas poderosas como la optimizacion cuadratica, la no parametrica
o estocastica; temas que el proyecto no llego a abordar.
Bibliografa
[1] Gerard Corneujols Optimization Methods in Finance, Tepper Scholl of
Business, Carnegie Mellon University, Pittsburgh, PA 15213 USA (2004)
[2] Saul I. Gass Programacion Lineal, Metodos y Aplicaciones, World Sys-
tems Laboratories, Inc. The American University, McGRAW-HILL, Inc.
(1969)
[3] Michael D. Intriligator Optimizacion Economica y Teora Economica, Ed-
itorial Prentice/Hall Internacional (1973)
[4] Silvia Garca, Clyde Monzon Teora de la Convexidad y Teora Economi-
ca, Anuario 2002 -F.C.E - U.N.P.S.J.B.13
[5] Bernard Kolman, David R. Hill

Algebra Lineal, Pearson, Prentice Hill
(2006)
[6] Frederick S. Hillier, Gerald J. Lieberman Investigacion de Operaciones,
McGRAW-HILL, Inc. (1969), septima edicion
[7] A. Tovar Optimizacion de Procesos en Ingeniera: Tarea 6, Programacion
Lineal, http://www.unal.edu.co/optimun/docencia/chgaleanouT06.pdf
[8] William Marchena, Carlos Ornelas Optimizacion de Funciones
Lineales con Restricciones en MATLAB:Teora y Ejemplos,
http://www.fglongatt.org.ve/Reportes/RPT2007-09.pdf
[9] Juan Mendez Rodriguez, Antonio Falcon Martel Introduccion a
la Investigacion de Operaciones, Grupo de Inteligencia Articial
y Sistemas Universidad de Las Palmas de Gran Canaria (2003)
http://serdis.dis.ulpgc.es/ a013775/asignaturas/ii-io/InvO.pdf
[10] Friedrich Eisenbrand Optimization Methods in Finance,

Ecole Polytech-
nique de Federale de Lausanne http://disopt.ep.ch/page72255.html
61
BIBLIOGRAF
IA
[11] G. Cornelis van Kooten A Brief Introduction to MatLabA,
http://web.uvic.ca/ kooten/OperationsResearch/Lectures/MatLab-
Intro.pdf
[12] http://www.uv.es/ sala/Clase11.pdf
[13] http://chentserver.uwaterloo.ca/courses/che720/Matlab Optimization/LP.pdf

Optimizacion Programacion Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Optimizacion Programacion Lineal

Cargado por

Copyright:

Formatos disponibles

Universit

ITULO 2. ELEMENTOS MATEM

ITULO 2. ELEMENTOS MATEM

ITULO 2. ELEMENTOS MATEM

ITULO 3. ELEMENTOS DE UN PROBLEMA DE OPTIMIZACI

K que cumple con las condiciones de restriccion.

es llamado un mnimo global del problema de optimizacion.

) < f (X) , X K, entonces X

se dice un mnimo estricto

es llamado un mnimo local.

Observacion Para encontrar una solucion mnima al problema PL, necesi-

que tiene una x

positivos, entonces uno de ellos debe ser exactamente

para el cual se obtiene este

es una solucion extrema factible.

es una solucion optima al primal.

es una solucion optima

para la que le valor de la funcion objetivo es igual a Z

Teorema 4.4.2 Si para cualquier solucion basica posible, X = (x

ENGASE, la tabla que posee es la optima.(Buscamos que los

= (75, 0, 25, 0, 425)

= C. Los portafolios que son construidos igualando estos

También podría gustarte