INTRODUCCIN A LA PROGRAMACIN

MATEMTICA

Dentro del campo general de la teora de la optimizacin, tambin

conocida como programacin matemtica conviene distinguir diferentes
modelos de optimizacin.

Los modelos de optimizacin se caracterizan contener:

Variables o decisiones a realizar

Ecuaciones de restriccin o limitaciones
Funcin (es) objetivo.

Una de las caractersticas de los modelos de optimizacin es la

existencia de un nico decisor frente a otras disciplinas donde puede
existir ms de un decir (por ejemplo, la teora de juego).

1
 Breve clasificacin, atendiendo a varios criterios:

a) Segn la naturaleza de los datos, podemos hablar de modelos deterministas

o de modelos estocasticos. Consideraremos problemas deterministas a todos aquellos
problemas en donde conocemos con exactitud los datos que intervienen en el modelo,
mientras que en otro caso podremos hablar de modelos estocasticos.

b) Segn la variable tiempo, si interviene de forma explcita en el modelo,

entonces lo consideraremos como un problema dinmico frente a los problemas
estticos, en donde no lo esta.

c) Atendiendo a los objetivos del problema, podemos hablar de modelos con

objetivo nico frente los problemas con objetivos mltiples o multiobjetivos.

d) Segn tengan o no restricciones, podemos hablar de problemas restringidos o

problemas sin restricciones.

e) Atendiendo a la linealidad de las funciones que intervienen, tambin

podemos clasificar a los modelos en lineales (todas las funciones son lineales) o
modelos no lineales.

f) Atendiendo a la continuidad de las variables, tambin los podemos clasificar

como problemas continuos o problemas discretos.

2
 PLANTEAMIENTO Y CONCEPTOS PREVIOS.

El planteamiento general problema de programacin matemtica:

Optimizar f(x1,x2,...,xn)
sujeto a: g1(x1,x2,...,xn) b1
g2(x1,x2,...,xn) b2
...

gm(x1,x2,...,xn) bm
o en forma abreviada
Opt f(x)
s.a. g(x)b
donde

f:RnR, x Rn, g:RnRm b Rm

La funcin f denominada funcin objetivo, es una funcin definida de un

dominio de Rn sobre R, y representa una descripcin matemtica del objetivo que se
pretende alcanzar con el problema planteado.
El vector X es el vector de variables instrumentales o variables de decisin, de
entre cuyos valores posibles se trata de elegir aqul o aquellos que proporcionen el valor
ptimo de la funcin f.
Conjunto de oportunidades, denominaremos as al conjunto de puntos X Rn
que verifican todas y cada una de las restricciones y al mismo tiempo pertenecen al
dominio de definicin de la funcin. En adelante lo representaremos por S.

El problema de la programacin matemtica consiste en elegir aquel o aquellos

valores de las variables instrumentales pertenecientes al conjunto de oportunidades S, es
decir, XS, que proporcionan el mayor o menor valor de la funcin objetivo.

3
Problema de programacin matemtica de la forma:

Max f(X)
s.a. g(X) b

Convenciones:

1.-Min f(X) = -Max[-f(X)]]

b. Si g1(X)
2.- Restricicones: g(X) b1 ; -g1(X)
-b1,

b2 y -g2(X)
3.- Igualdades: h2(X)=b2, en g2(X) -b2,

OTRA CLASIFICACIN: ( Para el curso)

Programacin Clsica:

Max f(x1,x2,...,xn)
s.a. h1(x1,x2,...,xn) = b1
h2(x1,x2,...,xn) = b2
...

hm(x1,x2,...,xn) = bm

Condicin: m < n
Caso particular: m=0,
Max f(x1,x2,...,xn)

4
 Programacin no lineal

Max f(x1,x2,...,xn)
s.a. g1(x1,x2,...,xn) b1
g2(x1,x2,...,xn) b2
...

gm(x1,x2,...,xn) bm

En este tipo de problemas se puede, adems, aadir restricciones sobre el signo de las
variables.

Programacin lineal

Max Z(x) = c1x1+c2x2+ +cnxn

s.a. a11x1+a12x2+ + a1nxn b1
a21x1+a22x2+ + a2nxn b2

am1x1+am2x2+ + amnxn bm
x1,x2, ,xn 0

o en forma abreviada

Max Z =ct x
s.a. Ax b
x0

siendo c,xRn, bRm y AMmxn

xi es libre : xi = xi1 - xi2 xi10 xi20

xj 0 : xj = -xj1

5
TIPOS DE PTIMOS.

Consideremos la funcin f:SRn R y x* un ptimo de dicha funcin, entonces

se dice que dicho punto x* es:
Mximo local o relativo:
x* es un mximo local en S, si
f(x*) f(x) x DB(x*,)
Mximo local nico o estricto:
x* es un mximo local estricto en S, si
f(x*) > f(x) x DB(x*,)
Mximo global o absoluto::
x* es un mximo global en S, si
f(x*) f(x) xS
Mximo global nico o estricto:
x* es un mximo global estricto en S, si
f(x*) > f(x) xS

Mnimo local o relativo:

x* es un mnimo local en S, si
f(x*) f(x) x DB(x*,)
Mnimo local nico o estricto:
x* es un mnimo local estricto en S, si
f(x*) < f(x) x DB(x*,)
Mnimo global o absoluto::
x* es un mnimo global en S, si
f(x*) f(x) xS
Mnimo global nico o estricto:
x* es un mnimo global estricto en S, si
f(x*) < f(x) xS

6
X1 X2 X3 X4

7
TEOREMAS BASICOS DE OPTIMIZACION

Teorema de Weierstrass

Si el conjunto de oportunidades S es compacto (cerrado y acotado) y no vaco y

la funcin objetivo es continua en S, entonces dicha funcin alcanza un mximo y un
mnimo global en el interior o en la frontera de S.

Efectivamente, dada
f: D Rn R

si D es compacto y f es continua en D, entonces f(D) tambin ser un conjunto

compacto y por tanto tendr, por ser acotado, un extremo inferior que representamos por
m y uno superior M y adems por ser cerrado m,Mf(D), en consecuencia
x1,x2 D / f(x1)=m y f(x2)=M
de donde
f(x1) f(x) f(x2) x D

siendo entonces x1 un mnimo global y x2 un mximo global.

Teorema local-global

Sea S Rn un conjunto convexo convexo y no vacio, y sea f: S R.

Considremos el siguiente problema:
Min F(x)
s.a. xS

Si que x* S es un mnimo local del problema anterior, entonces:

a) Si f es un funcin convexa, entonces x* es un minimo global del problema.
b) Si f es un funcin estrictamente convexa, entonces x* es un minimo global
estricto del problema.

8
 Infactibles

Problemas Con optimo global (acotados)
Factibles Sin optimo global (no acotados)

S = 0

0
3

F(x)=2 F(x)=4

9
4

(2,2)

0 3

10
 Infactibles

Soluciones Interiores
Factibles
Frontera

Max F(x) = x1 + 2 x2
s.a: x1 + x2 4
2 x1 + x2 6
x1 0 x2 0

(2,2)

0 3

11
 CONJUNTOS CONVEXOS

CONCEPTOS PREVIOS.
Recta en Rn .

r = x Rn / x = x1 + (1-) x2 ; x1,x2 Rn ; R

r = x Rn /x = x2 + ( x1 - x2 ) ; x1,x2 Rn ; R

Semirecta en Rn.
S+ r = { x Rn / x = x1 + (1-) x2 ; x1,x2 Rn ; R+}
S- r = { x Rn / x = x1 + (1-) x2 ; x1,x2 Rn ; R-}

Segmento lineal.
segmento lineal cerrado
[x1,x2] = { x Rn /x = x1 + (1-) x2 ; x1,x2 Rn ; [0,1] }

abierto
abierto-cerrado
cerrado-abierto,

Combinacin lineal Un punto x se dice que es combinacin lineal de n puntos, si x

se puedes expresar de la siguiente forma:
n
x= x i i
i =1

Combinacin lineal positiva

n
x= x i i y i 0
i =1

12
 Combinacin lineal convexa.
n n
x= x i i y i 0 y i =1
i =1 i =1

Ejemplo:
Dado el conjunto de puntos S = {(0,0),(0,4),(4,0)}
Determinar si los puntos (1,1) y (4,4) se pueden expresar como
combinacin lineal convexa de dichos puntos.

CONJUNTOS CONVEXOS
Definicin.
Un conjunto S es convexo si y solamente si cumple:

x 1 , x2 S x1 + (1-) x2 S, [0,1]
Ejemplo: Comprobar si es convexo el siguiente conjunto:
S = {(x,y)R2 / 2x+3y = 18}

Envoltura convexa
Dado el conjunto de puntos
S= { (0,0), (0,3), (1,1), (3,0) }
Obtener su envoltura convexa.
PROPIEDADES DE LOS CONJUNTOS CONVEXOS.
Por definicin:
a) El conjunto vaco () es un conjunto convexo.
b) Los conjuntos formados por un nico punto {a}, tambin son
conjuntos convexos.
c) Tambin es posible probar que el conjunto Rn es un conjunto
convexo.

13
 La interseccin, finita o infinita, de conjuntos convexos es un
conjunto convexo.

La unin de conjuntos convexos, en general, no tiene porque ser un

conjunto convexo.

La combinacin lineal de conjuntos convexos es un conjunto

convexo.
S + T = {z Rn /z = x + y , x S,. y T,. , R}

Como casos particulares de combinaciones lineales convexas:

- La suma de conjuntos convexos es un conjunto convexo, para
comprobarlo basta con hacer = 1 y = 1.
- La diferencia de conjuntos convexos es un conjunto convexo,
resultado de sustituir = 1 y = -1.
- El producto de un escalar por un conjunto convexo es un conjunto
convexo, es decir, hacer = 0.

14
CONJUNTOS CONVEXOS NOTABLES.
Hiperplano.

Semiespacio.
semiespacio inferior
semiespacio superior.

Semiespacios abiertos:

Los semiespacios, tanto abiertos como cerrados, son conjuntos

convexos.

Los hiperplanos son conjuntos convexos

Hiperplano de separacin.

Teorema de separacin.
Dados dos conjuntos S y T, subconjuntos de Rn. Si S y T son no
vacos, convexos y disjuntos, es decir S T = , entonces existe un
hiperplano que separa a ambos conjuntos.
Hiperplano soporte ( o de apoyo).

Poliedro. Politopo:

Punto extremo.
Arista.
Arista infinita.

15
 FUNCIONES CONVEXAS

Funcin convexa.
Funcin estrictamente convexa.
Funcin cncava.
Funcin estrictamente cncava
Propiedad
Si f(x) es una funcin convexa en S (convexo y no vaco), entonces
la funcin [-f(x)]] es una funcin cncava en S.

Funcin f(x) = cos(x)

Funcin lineal o afin: F(x) = a x + b
F(x) = x2

PROPIEDADES DE LAS FUNCIONES CONVEXAS.

Toda combinacin lineal con coeficientes positivos de funciones
convexas es una funcin convexa. ( f + g)

Sea S Rn un conjunto convexo y no vaco, y sea f: S R una

funcin convexa. Entonces el conjunto de nivel inferior
S = { x S / f(x) }, es un conjunto convexo.

Si f es un funcin cncava el conjunto de nivel superior

S ={x S/f(x)
}, es un conjunto convexo.

16
CARACTERIZACIONES DE LAS FUNCIONES CONVEXAS.
a) Caracterizacin grfica.

Grafo o grfica de una funcin,

Epgrafo
Hipgrafo

Sea S Rn un subconjunto convexo y no vaco, y sea f:S R

Entonces f es convexa (cncava) si y solamente si su epgrafo
(hipografo) es un conjunto convexo.

b) Caracterizacin de funciones de clase C1.

a) f es convexa en S sii se cumple:

f(x1) - f(x2) (x1 - x2)t f(x2) ; x1 , x2 S

b) f es estrictamente convexa en S sii se cumple:

f(x1) - f(x2) > (x1 - x2)t f(x2); x1 , x2 S

c) f es cncava en S sii se cumple:

f(x1) - f(x2) (x1 - x2)t f(x2) ; x1 , x2 S

d) f es estrictamente cncava en S sii se cumple:

f(x1) - f(x2) < (x1 - x2)t f(x2) ; x1 , x2 S

17
 c) Caracterizacin de funciones de clase C2.
Dada una funcin f: S Rn R, donde S es un conjunto convexo
y no vaco, y f C2(S)-funcin con segunda derivada continua en S -,
entonces se cumple que:

a) f es convexa en S sii se cumple Hf(x) es semidefinida positiva en S.

b) f es cncava en S sii se cumple que Hf(x) es semidefinida negativa en S.

c) f es estrictamente convexa solamente si Hf(x) es definida positiva en S.

d) f es estrictamente cncava solamente si Hf(x) es definida negativa en S.

Teorema local-global
Sea S Rn un conjunto convexo convexo y no vacio, y sea f: S R.
Considremos el siguiente problema:
Min F(x)
s.a. xS
Si que x* S es un mnimo local del problema anterior, entonces:

a) Si f es un funcin convexa, entonces x* es un minimo global del

problema.
b) Si f es un funcin estrictamente convexa, entonces x* es un
minimo global estricto del problema.

18