P. 1
Algebra Lineal y Conjuntos Convexos PL

Algebra Lineal y Conjuntos Convexos PL

|Views: 193|Likes:
Publicado porAmIn20122

More info:

Published by: AmIn20122 on Oct 10, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/14/2014

pdf

text

original

w

w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Ap´ endice A
Algebra lineal y conjuntos convexos
El m´ etodo simplex que se describir´ a en el Tema 2 es de naturaleza algebraica y
consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
la que optimiza una funci´ on objetivo. Sin embargo, el estudio de la geometr´ıa
de la programaci´ on lineal es instructiva para la comprensi´ on del procedimiento
algebraico.
En este ap´ endice recopilamos resultados b´ asicos de ´ algebra lineal y conjuntos
convexos necesarios para el desarrollo de los temas posteriores.
A.1 Matrices y vectores
Consideramos el cuerpo R. A los elementos de R se les llama escalares.
Se llama matriz a un cuadro de escalares con m filas y n columnas
A =
_
_
_
_
_
_
_
_
a
11
a
12
· · · a
1n
a
21
a
22
· · · a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
· · · a
mn
_
_
_
_
_
_
_
_
.
Se dice que la matriz es de tama˜ no (o dimensi´ on) m×n. Tambi´ en se puede utilizar
la notaci´ on A = (a
ij
).
Una matriz con una sola columna, es decir de tama˜ no m× 1, se considera un
215
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
216 Ap´ endice A. Algebra lineal y conjuntos convexos
vector columna
a =
_
_
_
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
_
_
_
.
Ejemplos.
1. El siguiente cuadro de n´ umeros es una matriz de tama˜ no 3 ×4:
A =
_
_
_
_
_
3 −2
2
5
1
0 7 2
1
2
1 0 1 1
_
_
_
_
_
.
2. El siguiente cuadro de n´ umeros es un vector de dimensi´ on 3:
a =
_
_
_
_
_
3
0
1
_
_
_
_
_
.
2
A.1.1 Operaciones con matrices
Suma.
Dadas dos matrices de tama˜ no m × n, A = (a
ij
), B = (b
ij
) ∈ R
m×n
, se llama
suma de Ay B, y se representa como A+B, a la matriz C = (c
ij
) ∈ R
m×n
, que
se obtiene sumando, elemento a elemento:
c
ij
= a
ij
+ b
ij
, i = 1, . . . , m, j = 1, . . . , n.
Notemos que, para sumar dos matrices, ´ estas tienen que tener el mismo tama˜ no y
el resultado es una matriz del mismo tama˜ no.
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.1. Matrices y vectores 217
De la misma manera se define la suma de vectores, s´ olo hay que tener en
cuenta que un vector es una matriz con una sola columna.
Ejemplos.
1. Dados los vectores a =
_
_
1
3
_
_
y b =
_
_
1
4
_
_
,
a +b =
_
_
1
3
_
_
+
_
_
1
4
_
_
=
_
_
2
7
_
_
.
2. Dadas las matrices A =
_
_
_
_
_
1 0 1 1
0 1 −1 0
2 0 1 −3
_
_
_
_
_
y B =
_
_
_
_
_
1 4 2 0
0 0 −1 0
1 1 2 −1
_
_
_
_
_
,
A+B =
_
_
_
_
_
1 0 1 1
0 1 −1 0
2 0 1 −3
_
_
_
_
_
+
_
_
_
_
_
1 4 2 0
0 0 −1 0
1 1 2 −1
_
_
_
_
_
=
_
_
_
_
_
2 4 3 1
0 1 −2 0
3 1 3 −4
_
_
_
_
_
.
2
Propiedades.
1. La suma de matrices es una operaci´ on interna en R
m×n
.
A, B ∈ R
m×n
⇒ A+B ∈ R
m×n
.
2. La suma de matrices es conmutativa.
(∀A, B ∈ R
m×n
) A+B = B+A.
3. La suma de matrices es asociativa.
(∀A, B, C ∈ R
m×n
) (A+B) +C = A+ (B+C).
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
218 Ap´ endice A. Algebra lineal y conjuntos convexos
4. La suma de matrices tiene elemento neutro 0 ∈ R
m×n
.
(∀A ∈ R
m×n
) A+0 = 0 +A = A.
5. Toda matriz A ∈ R
m×n
tiene opuesta −A ∈ R
m×n
.
A+ (−A) = (−A) +A = 0.
La suma de vectores cumple las mismas propiedades que la suma de matrices.
Producto por un escalar.
Dados un escalar α ∈ R y una matriz A = (a
ij
) ∈ R
m×n
, se llama producto de
α por A, y se representa α · A, a la matriz B = (b
ij
) ∈ R
m×n
, que se obtiene
multiplicando cada elemento de Apor α:
b
ij
= α · a
ij
, i = 1, . . . , m, j = 1, . . . , n.
Notemos que el resultado de multiplicar un escalar por una matriz, es otra matriz
del mismo tama˜ no.
Ejemplos.
1. Dada la matriz A =
_
_
_
_
_
0 −2
1 2
1 1
_
_
_
_
_
, y el escalar α = −2, el producto
α · A = −2 ·
_
_
_
_
_
0 −2
1 2
1 1
_
_
_
_
_
=
_
_
_
_
_
0 4
−2 −4
−2 −2
_
_
_
_
_
.
2. Dados el vector a =
_
_
_
_
_
1
3
−5
_
_
_
_
_
y el escalar α =
1
2
, el producto
α · a =
1
2
·
_
_
_
_
_
1
3
−5
_
_
_
_
_
=
_
_
_
_
_
1
2
3
2

5
2
_
_
_
_
_
.
2
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.1. Matrices y vectores 219
Producto escalar de vectores.
Dados un vector fila a
T
= (a
1
· · · a
n
) ∈ R
1×n
y un vector columna b =
_
_
_
_
_
b
1
.
.
.
b
n
_
_
_
_
_
∈ R
n
se llama producto de a
T
por b, y se representa a
T
· b, al escalar
que resulta de multiplicar cada elemento de a
T
por el elemento correspondiente
de b y sumar los resultados:
a
T
· b = (a
1
· · · a
n
).
_
_
_
_
_
b
1
.
.
.
b
n
_
_
_
_
_
=
n

i=1
a
i
· b
i
.
Notemos que para multiplicar un vector fila por un vector columna, ambos
tienen que tener la misma dimensi´ on y su producto es un escalar:
a ∈ R
n
, b ∈ R
n
⇒ a
T
· b ∈ R.
Ejemplo. Sean a =
_
_
_
_
_
4
2
7
_
_
_
_
_
, b =
_
_
_
_
_
−1
2
1
_
_
_
_
_
∈ R
3
, entonces
a
T
· b = (4 2 7) ·
_
_
_
_
_
−1
2
1
_
_
_
_
_
= 7 ∈ R.
2
Producto de matrices.
Dadas dos matrices A ∈ R
m×n
y B ∈ R
n×p
, el producto de A por B es una
matriz C = A· B ∈ R
m×p
que se define de la siguiente forma.
Para i = 1, . . . , m, j = 1, . . . , p, el elemento (i, j) de C = A·Bes el producto
de la fila i de A por la columna j de B (fila por columna).
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
220 Ap´ endice A. Algebra lineal y conjuntos convexos
Ejemplo. Sean A =
_
_
_
_
_
4 −3
1 0
1 1
_
_
_
_
_
y B =
_
_
1 1 0 1
1 2 7 4
_
_
.
La matriz producto C = A· B es:
_
_
_
_
_
1 −2 −21 −8
1 1 0 1
2 3 7 5
_
_
_
_
_
.
2
Propiedades.
1. El producto de matrices es asociativo.
(∀A ∈ R
m×n
) (∀B ∈ R
n×p
) (∀C ∈ R
p×q
) (A· B) · C = A· (B· C).
2. El producto de matrices es distributivo con respecto a la suma.
(∀A, B ∈ R
m×n
) (∀C ∈ R
n×p
) (A+B) · C = A· C+B· C.
(∀A ∈ R
m×n
) (∀B, C ∈ R
n×p
) A· (B+C) = A· B+A· C.
3. (∀A ∈ R
m×n
) A· 0
n×p
= 0
m×p
, 0
q×m
· A = 0
q×n
.
4. (∀A ∈ R
m×n
) I
m
· A = A· I
n
= A.
5. (∀α ∈ R) (∀A ∈ R
m×n
) (∀B ∈ R
n×p
) α · (A · B) = (α · A) · B =
A· (α · B).
A.1.2 Rango de una matriz
Dada una matriz A ∈ R
m×n
, por medio de operaciones elementales por filas
podemos reducir Aa una matriz escalonada U, utilizando el algoritmo de Gauss.
Las filas que no tienen pivote en U son nulas, por lo que el n´ umero de pivotes es
el n´ umero de filas no nulas de U.
Ejemplo. Considerar la matriz
A =
_
_
_
_
_
_
_
_
1 2 3 −4 1
1 2 2 5 4
3 2 −5 2 4
2 0 −6 9 7
_
_
_
_
_
_
_
_
.
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.2. Soluci ´ on de sistemas lineales 221
Haciendo eliminaci´ on gaussiana obtenemos una matriz escalonada U.
A =
_
_
_
_
_
_
_
_
1 2 3 −4 1
1 2 2 5 4
3 2 −5 2 4
2 0 −6 9 7
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
1 2 3 −4 1
0 0 −1 9 3
0 −4 −14 14 1
0 −4 −12 17 5
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
1 2 3 −4 1
0 −4 −14 14 1
0 0 −1 9 3
0 −4 −12 17 5
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
1 2 3 −4 1
0 −4 −14 14 1
0 0 −1 9 3
0 0 2 3 4
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
1 2 3 −4 1
0 −4 −14 14 1
0 0 −1 9 3
0 0 0 21 10
_
_
_
_
_
_
_
_
= U.
2
Definici´ on A.1.1 Sea A ∈ R
m×n
una matriz que por eliminaci´ on gaussiana se
reduce a una matriz Uescalonada. Llamaremos rango de Ay lo representaremos
por rang A al n´ umero de pivotes de U.
El rango de la matriz del ejemplo anterior es 4, igual al n´ umero de pivotes o el
n´ umero de filas no nulas de U.
A.2 Soluci´ on de sistemas lineales
Dado un sistema de m ecuaciones con n inc´ ognitas
Ax = b,
donde A ∈ R
m×n
, rang A = r y b ∈ R
m
, utilizaremos la eliminaci´ on gaussiana
para resolverlo. Se pueden dar los siguientes casos:
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
222 Ap´ endice A. Algebra lineal y conjuntos convexos
• rang A = rang (A b). El sistema no tiene soluci´ on.
• rang A = rang (A b) = r. El sistema tiene soluci´ on.
– r = n´ umero inc´ ognitas. El sistema tiene soluci´ on ´ unica.
– r < n´ umero inc´ ognitas. El sistema tiene infinitas soluciones.
Ejemplo. Considerar el sistema lineal
2x
1
−x
2
+ 3x
3
= 2
x
1
+ x
2
−x
3
= 4
3x
1
+ 2x
3
= 5
Para comprobar si el sistema tiene soluci´ on hay que calcular los rangos de las
matrices A y (A b).
A =
_
_
_
_
_
2 −1 3
1 1 −1
3 0 2
_
_
_
_
_
, (Ab) =
_
_
_
_
_
2 −1 3 2
1 1 −1 4
3 0 2 5
_
_
_
_
_
.
Haciendo eliminaci´ on gaussiana
_
_
_
_
_
2 −1 3 2
1 1 −1 4
3 0 2 5
_
_
_
_
_

_
_
_
_
_
2 −1 3 2
0
3
2

5
2
3
0
3
2

5
2
2
_
_
_
_
_

_
_
_
_
_
2 −1 3 2
0
3
2

5
2
3
0 0 0 −1
_
_
_
_
_
.
Se tiene que rang A = 2 < 3 = rang (A b), y por tanto, el sistema no tiene
soluci´ on.
2
Ejemplo. Considerar el sistema lineal
2x
1
+ x
2
= 3
x
1
+ x
2
= 4
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.2. Soluci ´ on de sistemas lineales 223
Haciendo eliminaci´ on gaussiana
_
_
2 1 3
1 1 4
_
_

_
_
2 1 3
0
1
2
5
2
_
_
.
Se tiene que rang A = rang (Ab) = 2 = n´ umero de inc´ ognitas y por tanto el
sistema tiene soluci´ on ´ unica x
1
= −1, x
2
= 5.
2
Ejemplo. Considerar el sistema lineal
2x
1
−x
2
+ 3x
3
= 2
x
1
+ x
2
−x
3
= 4
3x
1
+ 2x
3
= 6
Haciendo eliminaci´ on gaussiana
_
_
_
_
_
2 −1 3 2
1 1 −1 4
3 0 2 6
_
_
_
_
_

_
_
_
_
_
2 −1 3 2
0
3
2

5
2
3
0
3
2

5
2
3
_
_
_
_
_

_
_
_
_
_
2 −1 3 2
0
3
2

5
2
3
0 0 0 0
_
_
_
_
_
.
Se tiene que rang A = rang (A b) = 2 < n´ umero de inc´ ognitas, y por tanto,
el sistema tiene infinitas soluciones.
Si consideramos x
1
y x
2
inc´ ognitas principales, podemos escribir el sistema
de la siguiente manera
2x
1
−x
2
= 2 −3x
3
3
2
x
2
= 3 +
5
2
x
3
y las infinitas soluciones son x
1
= 2−
2
3
x
3
, x
2
= 2+
5
3
x
3
en funci´ on de la inc´ ognita
libre x
3
∈ R.
2
A.2.1 Soluciones b´ asicas
Consideremos un sistema Ax = b, siendo A ∈ R
m×n
con m < n tal que
rang A = rang (A b) = m.
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
224 Ap´ endice A. Algebra lineal y conjuntos convexos
Si elegimos una submatriz Bde tama˜ no m×m con todas las columnas linealmente
independientes, y denotamos por Nla submatriz formada por el resto de columnas
de A, podemos escribir el sistema Ax = b de la siguiente forma:
(B N)
_
_
x
B
x
N
_
_
= b,
o tambi´ en
Bx
B
+Nx
N
= b.
Si despejamos en la f´ ormula anterior, podemos expresar las variables asociadas a
la matriz B(variables b´ asicas) en funci´ on de las variables asociadas a la matriz N
(variables libres),
Bx
B
= b −Nx
N
.
Existen infinitas soluciones en funci´ on de los valores de las variables libres del
vector x
N
. En particular, si damos valor cero a todas las inc´ ognitas libres, es decir
x
N
= 0, tenemos el sistema
Bx
B
= b,
que tiene una ´ unica soluci´ on. Llamaremos a esta soluci´ on soluci´ on b´ asica.
Ejemplo. Considerar el sistema lineal
2x
1
−x
2
+ 3x
3
= 2
x
1
+ x
2
−x
3
= 4
3x
1
+ 2x
3
= 6
que por eliminaci´ on gaussiana se reduce a
2x
1
−x
2
= 2 −3x
3
3
2
x
2
= 3 +
5
2
x
3
Este sistema tiene infinitas soluciones, x
1
= 2 −
2
3
x
3
y x
2
= 2 +
5
3
x
3
, en
funci´ on de la inc´ ognita libre x
3
. Haciendo x
3
= 0 obtenemos la soluci´ on b´ asica
x
1
= 2, x
2
= 2.
Se pueden elegir distintas submatrices base B en la matriz A y para cada una
de ellas calcular la soluci´ on b´ asica correspondiente haciendo cero las inc´ ognitas
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.3. Espacios vectoriales 225
no asociadas a la base. El n´ umero m´ aximo de bases que se pueden elegir es
_
_
n
m
_
_
=
n!
m! (n −m)!
.
En concreto, el n´ umero m´ aximo de soluciones b´ asicas del ejemplo es
_
_
3
2
_
_
=
3!
2! (3 −2)!
= 3.
2
A.3 Espacios vectoriales
Consideramos el espacio vectorial R
m
.
Definici´ on A.3.1 (Combinaci´ on lineal) Dados v
1
, v
2
, . . . , v
n
vectores de R
m
,
llamamos combinaci´ on lineal de estos vectores a una expresi´ on del tipo
α
1
v
1
+ α
2
v
2
+· · · + α
n
v
n
,
donde α
1
, . . . , α
n
∈ R.
Ejemplo. Considerar los vectores
v
1
=
_
_
1
0
_
_
, v
2
=
_
_
1
−1
_
_
.
1. La expresi´ on
2
_
_
1
0
_
_
+ 5
_
_
1
−1
_
_
es una combinaci´ on lineal de los vectores v
1
y v
2
.
2. La expresi´ on
α
1
_
_
1
0
_
_
+ α
2
_
_
1
−1
_
_
,
para cualesquiera α
1
, α
2
∈ R, representa todas las posibles combinaciones
lineales de los vectores v
1
y v
2
.
2
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
226 Ap´ endice A. Algebra lineal y conjuntos convexos
A.3.1 Dependencia e Independencia lineal
Definici´ on A.3.2 Dados los vectores v
1
, . . . , v
n
de R
m
, diremos que son lineal-
mente independientes si para cualquier combinaci´ on lineal
α
1
v
1
+· · · + α
n
v
n
= 0,
se tiene necesariamente
α
1
= · · · = α
n
= 0.
Definici´ on A.3.3 Dados los vectores v
1
, . . . , v
n
de R
m
, diremos que son lineal-
mente dependientes si es posible encontrar una combinaci´ on lineal
α
1
v
1
+· · · + α
n
v
n
= 0,
con alg´ un escalar α
i
distinto de cero.
Ejemplo.
1. Consideramos los vectores
_
_
1
−1
_
_
,
_
_
4
−4
_
_
.
La combinaci´ on lineal
4
_
_
1
−1
_
_
+ (−1)
_
_
4
−4
_
_
=
_
_
0
0
_
_
nos permite decir que los vectores son linealmente dependientes.
2. Considerar los vectores
_
_
_
_
_
1
−1
2
_
_
_
_
_
,
_
_
_
_
_
3
0
−1
_
_
_
_
_
,
_
_
_
_
_
9
−3
5
_
_
_
_
_
y la combinaci´ on lineal
α
1
_
_
_
_
_
1
−1
2
_
_
_
_
_
+ α
2
_
_
_
_
_
3
0
−1
_
_
_
_
_
+ α
3
_
_
_
_
_
9
−3
5
_
_
_
_
_
=
_
_
_
_
_
0
0
0
_
_
_
_
_
.
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.3. Espacios vectoriales 227
Haciendo eliminaci´ on gaussiana
_
_
_
_
_
1 3 9
−1 0 −3
2 −1 5
_
_
_
_
_

_
_
_
_
_
1 3 9
0 3 6
0 −7 −13
_
_
_
_
_

_
_
_
_
_
1 3 9
0 3 6
0 0 1
_
_
_
_
_
.
Esta matriz tiene tres pivotes y, en consecuencia, el sistema tiene como
soluci´ on ´ unica α
1
= α
2
= α
3
= 0. Los vectores son linealmente indepen-
dientes.
2
A.3.2 Bases y dimensi ´ on
Definici´ on A.3.4 Dado S = {v
1
, . . . , v
p
} ⊆ R
m
diremos que es un conjunto
generador de R
m
si cualquier vector v ∈ R
m
se puede expresar en combinaci´ on
lineal de los vectores de S, es decir, si existen α
1
, . . . , α
p
∈ R tales que
v = α
1
v
1
+· · · + α
p
v
p
.
Ejemplo. En R
3
consideramos el siguiente conjunto de vectores S y un vector
cualquiera v
S =
_
¸
¸
¸
_
¸
¸
¸
_
_
_
_
_
_
1
−1
1
_
_
_
_
_
,
_
_
_
_
_
3
1
0
_
_
_
_
_
,
_
_
_
_
_
2
1
1
_
_
_
_
_
,
_
_
_
_
_
2
−2
2
_
_
_
_
_
_
¸
¸
¸
_
¸
¸
¸
_
, v =
_
_
_
_
_
v
1
v
2
v
3
_
_
_
_
_
.
Veamos que existen α
1
, α
2
, α
3
, α
4
∈ R tales que el sistema
α
1
_
_
_
_
_
1
−1
1
_
_
_
_
_
+ α
2
_
_
_
_
_
3
1
0
_
_
_
_
_
+ α
3
_
_
_
_
_
2
1
1
_
_
_
_
_
+ α
4
_
_
_
_
_
2
−2
2
_
_
_
_
_
=
_
_
_
_
_
v
1
v
2
v
3
_
_
_
_
_
tiene soluci´ on. Haciendo eliminaci´ on gaussiana se tiene
_
_
_
_
_
1 3 2 2 v
1
−1 1 1 −2 v
2
1 0 1 2 v
3
_
_
_
_
_

_
_
_
_
_
1 3 2 2 v
1
0 4 3 0 v
2
+ v
1
0 −3 −1 0 v
3
−v
1
_
_
_
_
_

Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
228 Ap´ endice A. Algebra lineal y conjuntos convexos

_
_
_
_
_
1 3 2 2 v
1
0 4 3 0 v
2
+ v
1
0 0
5
4
0 v
3

1
4
v
1
+
3
4
v
2
_
_
_
_
_
.
Dado que rang A = rang (Ab) = 3 el sistema tiene soluci´ on y por tanto, S es un
conjunto generador. 2
Definici´ on A.3.5 Sea B = {v
1
, . . . , v
m
} ⊆ R
m
. Diremos que B es una base de
R
m
si
• los vectores de B son linealmente independientes,
• B es un conjunto generador de R
m
.
Se pueden encontrar distintas bases para un espacio vectorial, pero todas tienen
el mismo n´ umero de vectores.
Ejemplo. Probar que el siguiente conjunto B es base de R
3
.
B =
_
¸
¸
¸
_
¸
¸
¸
_
_
_
_
_
_
1
2
0
_
_
_
_
_
,
_
_
_
_
_
0
1
0
_
_
_
_
_
,
_
_
_
_
_
1
1
2
_
_
_
_
_
_
¸
¸
¸
_
¸
¸
¸
_
.
Para probar que son linealmente independientes resolvemos el sistema
α
1
_
_
_
_
_
1
2
0
_
_
_
_
_
+ α
2
_
_
_
_
_
0
1
0
_
_
_
_
_
+ α
3
_
_
_
_
_
1
1
2
_
_
_
_
_
=
_
_
_
_
_
0
0
0
_
_
_
_
_
Haciendo eliminaci´ on gaussiana
_
_
_
_
_
1 0 1
2 1 1
0 0 2
_
_
_
_
_

_
_
_
_
_
1 0 1
0 1 −1
0 0 2
_
_
_
_
_
.
El sistema tiene soluci´ on ´ unica, α
1
= α
2
= α
3
= 0. Los vectores de B son
linealmente independientes.
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.3. Espacios vectoriales 229
Para probar que es un conjunto generador se resuelve el sistema
α
1
_
_
_
_
_
1
2
0
_
_
_
_
_
+ α
2
_
_
_
_
_
0
1
0
_
_
_
_
_
+ α
3
_
_
_
_
_
1
1
2
_
_
_
_
_
=
_
_
_
_
_
v
1
v
2
v
3
_
_
_
_
_
.
El sistema es compatible, B es un conjunto generador.
Por tanto, B es una base de R
3
. 2
Teorema A.3.1 Sea B = {v
1
, . . . , v
m
} una base de R
m
. Entonces, cada vector
v ∈ R
m
se puede expresar en combinaci´ on lineal de v
1
, . . . , v
m
y los coeficientes
de la combinaci´ on lineal son ´ unicos.
Los escalares de la combinaci´ on lineal ´ unica a la que hace referencia el Teo-
rema A.3.1 son las coordenadas del vector.
Teorema A.3.2 Dada una base B del espacio vectorial R
m
y un vector v ∈ R
m
,
v ∈ B y v = 0, siempre es posible conseguir otra base sustituyendo alg´ un vector
de B por el vector v.
Este resultado es central en el desarrollo de la programaci´ on lineal. Concre-
tamente el algoritmo simplex parte de una soluci´ on factible b´ asica y se mueve a
otra mejor cambiando en la base un vector como se describe en el teorema ante-
rior. Para que un vector de la base pueda ser sustituido debe cumplir una condici´ on
que mostramos en el siguiente ejemplo.
Ejemplo. Considerar la base B y el v.
B =
_
¸
¸
¸
_
¸
¸
¸
_
_
_
_
_
_
1
2
0
_
_
_
_
_
,
_
_
_
_
_
0
1
0
_
_
_
_
_
,
_
_
_
_
_
1
1
2
_
_
_
_
_
_
¸
¸
¸
_
¸
¸
¸
_
, v =
_
_
_
_
_
3
1
0
_
_
_
_
_
.
Resolviendo el sistema
_
_
_
_
_
3
1
0
_
_
_
_
_
= α
1
_
_
_
_
_
1
2
0
_
_
_
_
_
+ α
2
_
_
_
_
_
0
1
0
_
_
_
_
_
+ α
3
_
_
_
_
_
1
1
2
_
_
_
_
_
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
230 Ap´ endice A. Algebra lineal y conjuntos convexos
obtenemos las coordenadas del vector v en la base B,
α
1
= 3 , α
2
= −5 , α
3
= 0.
Por ser α
1
= 0 y α
2
= 0, los vectores v
1
y v
2
pueden ser sustituidos por v y se
obtienen las bases:
B

= {v, v
2
, v
3
} , B
′′
= {v
1
, v, v
3
}.
Se puede comprobar que sustituyendo v
3
por v hay dependencia lineal. Esto
ocurre porque α
3
= 0. El vector v
3
no puede ser sustituido en la base.
2
Es decir, para conseguir nuevas bases, se pueden sustituir por el vector v aque-
llos vectores de la base que tienen asociada una coordenada de v distinta de cero.
A.4 Conjuntos convexos
El plano Euclideo es el conjunto de pares ordenados de n´ umeros reales
R
2
=
_
_
_
_
_
x
1
x
2
_
_
, x
1
y x
2
son n´ umeros reales
_
_
_
.
Geom´ etricamente representamos R
2
como en la gr´ afica.
x
1
x
2
(3, −2)
Figura A.1: Plano Euclideo
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.4. Conjuntos convexos 231
En R
2
la ecuaci´ on a
1
x
1
+ a
2
x
2
= c, donde a
1
, a
2
y c son constantes, repre-
senta una recta. Por ejemplo, la ecuaci´ on 2x
1
+ 3x
2
= 6 es la recta que aparece
representada en la gr´ afica.
x
1
x
2
2x
1
+ 3x
2
= 6
2
3
Figura A.2: Recta en el plano
Una inecuaci´ on del tipo a
1
x
1
+ a
2
x
2
≤ c es el conjunto de los puntos de la
recta a
1
x
1
+ a
2
x
2
= c, junto con los puntos que est´ an a uno de los dos lados
de la recta. Por ejemplo, 2x
1
+ 3x
2
≤ 6 es el conjunto de puntos que aparecen
sombreados en la gr´ afica.
x
1
x
2
2x
1
+ 3x
2
≤ 6
Figura A.3: Inecuaci´ on en el plano
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
232 Ap´ endice A. Algebra lineal y conjuntos convexos
Llamamos semiespacio cerrado de R
2
al conjunto de puntos que satisface
una desigualdad de la forma
a
1
x
1
+ a
2
x
2
≤ c,
o de la forma
a
1
x
1
+ a
2
x
2
≥ c,
donde al menos una de las constantes a
1
o a
2
es distinta de cero.
El espacio Euclideo de dimensi´ on 3 es el conjunto de tripletas ordenadas
R
3
=
_
¸
¸
¸
_
¸
¸
¸
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
_
_
, x
1
, x
2
y x
3
son n´ umeros reales
_
¸
¸
¸
_
¸
¸
¸
_
.
En R
3
la ecuaci´ on a
1
x
1
+a
2
x
2
+a
3
x
3
= c, donde a
1
, a
2
, a
3
y c son constantes,
representa un plano. Por ejemplo, la ecuaci´ on 3x
1
−x
2
+ 4x
3
= 6 es un plano.
Un semiespacio cerrado de R
3
es el conjunto de puntos que satisface una
desigualdad de la forma
a
1
x
1
+ a
2
x
2
+ a
3
x
3
≤ c,
o de la forma
a
1
x
1
+ a
2
x
2
+ a
3
x
3
≥ c.
Se pueden generalizar estas ideas a un espacio Euclideo de dimensi´ on n
R
n
=
_
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
, x
1
, x
2
, . . . x
n
son n´ umeros reales
_
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
_
En R
n
la ecuaci´ on
a
1
x
1
+ a
2
x
2
+· · · + a
n
x
n
= c,
donde a
1
, . . . , a
n
y c son constantes, representa un hiperplano.
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.4. Conjuntos convexos 233
Un semiespacio cerrado de R
n
es el conjunto de puntos que satisface una
desigualdad de la forma
a
1
x
1
+ a
2
x
2
+· · · + a
n
x
n
≤ c,
o de la forma
a
1
x
1
+ a
2
x
2
+· · · + a
n
x
n
≥ c.
Definici´ on A.4.1 Un subconjunto C de R
n
es un conjunto convexo si es el vacio,
si tiene un s´ olo punto o si para cada dos puntos distintos del conjunto el segmento
que los une est´ a contenido en el conjunto.
Los conjuntos (a), (b) y (c) de la Figura A.4 son convexos. El conjunto (d) no
es convexo.
(a)
(b)
(c)
(d)
Figura A.4: Conjuntos convexos: (a), (b), (c). Conjunto no convexo: (d)
Se pueden demostrar los siguientes resultados:
• un hiperplano es un conjunto convexo.
• un semiespacio cerrado es un conjunto convexo.
• la intersecci´ on de un n´ umero finito de conjuntos convexos es un conjunto
convexo.
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
234 Ap´ endice A. Algebra lineal y conjuntos convexos
Los conjuntos convexos en los que tenemos inter´ es, porque aparecen en el
estudio de modelos lineales, son los hiperplanos y los semiespacios cerrados,
adem´ as de la intersecci´ on de un conjunto finito de ellos. La intersecci´ on de
semiespacios cerrados es un conjunto del tipo (a), donde los v´ ertices del conjunto
se llaman puntos extremos.
A.5 Puntos extremos y soluciones factibles b´ asicas
Un conjunto de inecuaciones lineales se puede transformar en un conjunto de
ecuaciones sumando variables. Veamos con un ejemplo que, si las variables est´ an
restringidas a tomar valores mayores o iguales que cero, transformando un sistema
de inecuaciones en un sistema de ecuaciones podemos encontrar una relaci´ on en-
tre soluciones b´ asicas del sistema de ecuaciones y los puntos extremos del con-
junto de inecuaciones.
Consideramos el siguiente conjunto de inecuaciones:
−x
1
+ 4x
2
≤ 4
x
1
−x
2
≤ 3
O
A
B
C
x
1
x
2
−x
1
+ 4x
2
= 4
x
1
−x
2
= 3
Figura A.5: Conjunto convexo y puntos extremos
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.5. Puntos extremos y soluciones factibles b´ asicas 235
La gr´ afica representa los puntos que verifican las dos inecuaciones para valores
de las variables x
1
≥ 0 y x
2
≥ 0.
Podemos ver que la intersecci´ on de los dos semiespacios, junto con las restric-
ciones de que las variables sean no negativas, es un conjunto convexo cerrado, un
pol´ıgono en este caso. El pol´ıgono tiene un n´ umero finito de vertices, que son los
puntos extremos del conjunto.
El punto O =
_
_
0
0
_
_
es el origen de coordenadas.
El punto A =
_
_
0
1
_
_
intersecci´ on de −x
1
+ 4x
2
= 4 y el eje de ordenadas.
El punto B =
_
_
16
3
7
3
_
_
intersecci´ on de −x
1
+ 4x
2
= 4 y x
1
−x
2
= 3.
El punto C =
_
_
3
0
_
_
intersecci´ on de x
1
−x
2
= 3 y el eje de abcisas.
En general, igual que ocurre en el ejemplo, en el plano Euclideo la intersecci´ on
de un n´ umero finito de semiespacios cerrados es un conjunto convexo, es decir, o
es el vacio, o es un conjunto con un ´ unico punto o es un pol´ıgono con un n´ umero
finito de puntos extremos. En el espacio Euclideo de dimensi´ on 3 la intersecci´ on
de un n´ umero finito de semiespacios cerrados tambi´ en es un conjunto convexo,
es decir, o es el vacio, o es un conjunto con un ´ unico punto o es un poliedro con
un n´ umero finito de puntos extremos. En el espacio Euclideo de dimensi´ on n la
intersecci´ on de un n´ umero finito de semiespacios cerrados es un conjunto convexo
llamado pol´ıtopo.
Podemos transformar las inecuaciones en ecuaciones sumando las variables
no negativas x
3
y x
4
para obtener el siguiente sistema:
−x
1
+ 4x
2
+ x
3
= 4
x
1
−x
2
+ x
4
= 3
Este sistema de ecuaciones tiene infinitas soluciones, concretamente el conjunto
de puntos de la Figura A.5. Podemos calcular las soluciones b´ asicas y seleccionar
Investigaci´ on Operativa. Programaci´ on Lineal
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
236 Ap´ endice A. Algebra lineal y conjuntos convexos
las que tienen las componentes mayores o iguales que cero para comprobar que
se corresponden con los puntos extremos de la Figura A.5.
1. Seleccionamos las columnas primera y segunda de la matriz del sistema que
son linealmente independientes y hacemos x
3
= x
4
= 0.
−x
1
+ 4x
2
= 4
x
1
−x
2
= 3
La soluci´ on del sistema es x
1
=
16
3
y x
2
=
7
3
que corresponde al punto
extremo B de la gr´ afica.
2. Seleccionamos las columnas primera y tercera de la matriz del sistema que
son linealmente independientes y hacemos x
2
= x
4
= 0.
−x
1
+ x
3
= 4
x
1
= 3
La soluci´ on del sistema es x
1
= 3 y x
3
= 7 que corresponde al punto
extremo C de la gr´ afica.
3. Seleccionamos las columnas primera y cuarta de la matriz del sistema que
son linealmente independientes y hacemos x
2
= x
3
= 0.
−x
1
= 4
x
1
+ x
4
= 3
La soluci´ on del sistema es x
1
= −4 y x
4
= 7 que no corresponde a ning´ un
punto extremo porque tiene una componente negativa.
4. Seleccionamos las columnas segunda y tercera de la matriz del sistema que
son linealmente independientes y hacemos x
1
= x
4
= 0.
4x
2
+ x
3
= 4
−x
2
= 3
La soluci´ on del sistema es x
2
= −3 y x
3
= 16 que no corresponde a ning´ un
punto extremo porque tiene una componente negativa.
OpenCourseWare, UPV/EHU
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
A.5. Puntos extremos y soluciones factibles b´ asicas 237
5. Seleccionamos las columnas segunda y cuarta de la matriz del sistema que
son linealmente independientes y hacemos x
1
= x
3
= 0.
4x
2
= 4
−x
2
+ x
4
= 3
La soluci´ on del sistema es x
2
= 1 y x
4
= 4 que corresponde al punto
extremo A de la gr´ afica.
6. Seleccionamos las columnas tercera y cuarta de la matriz del sistema que
son linealmente independientes y hacemos x
1
= x
2
= 0.
x
3
= 4
x
4
= 3
La soluci´ on del sistema es x
3
= 4 y x
4
= 3 que corresponde al punto
extremo O de la gr´ afica. 2
El procedimiento utilizado en el ejemplo anterior para calcular los puntos ex-
tremos de un conjunto convexo, intersecci´ on de semiespacios cerrados y donde
todas las inc´ ognitas tienen que ser mayores o iguales que cero, se puede genera-
lizar a espacios de dimensi´ on mayor que dos. As´ı se pueden calcular los puntos
extremos sin necesidad de representar los semiespacios.
Investigaci´ on Operativa. Programaci´ on Lineal

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->