Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mayo 2020
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles
Método Gráfico
Análisis de sensibilidad
Contenido
1 Geometrı́a de los problemas de Programación Lineal
Terminologı́a básica de programación lineal
Hiperplanos, semiespacios y poliedros
Conjuntos afines, conjuntos convexos y conos
2 Puntos extremos y soluciones básicas factibles
No degeneración y adyacencia
Resolución para poliedros convexos
Teorema fundamental de la programación lineal
3 Método Gráfico
Representación del área factible
Ubicación del punto óptimo
Cálculo del valor óptimo de las variables y de la función
objetivo
Ejemplos
4 Análisis de sensibilidad
Cambios que afectanJPP-YANV
la condición de factible
Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Minimizar z =cT x
sujeto a: Ax = b (1)
x≥0
Donde
cT vector fila de dimensión n conocido como el vector de
costos
x vector columna de las variables, de dimensión n
A matriz de las restricciones, de m × n
b vector columna de dimensión m, llamado vector de los
recursos. Sus componentes son todos mayores o iguales a cero.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Región factible
P = {x ∈ R | Ax = b, x ≥ 0}
Si P es no vacı́o, el problema de programación lineal es factible.
Solución óptima
Una solución factible x∗ ∈ P tal que cT x∗ produce el mı́nimo valor
de la función objetivo cT x sobre el dominio factible P.
Se denota además P ∗ = {x∗ ∈ P|x∗ es una solución óptima} como
el conjunto de soluciones óptimas.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Hiperplano (H)
Su descripción implica un vector columna a diferente de cero y un escalar β.
H = {x ∈ Rn |aT x = β}
Semiespacio
Son los subconjuntos del espacio a ambos lados de un hiperplano.
HL = {x ∈ Rn |aT x ≤ β} y HU = {x ∈ Rn |aT x ≥ β}
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Combinación lineal: λ1 x1 + λ2 x2 + · · · + λp xp
Dados p puntos, x1 , x2 , . . . , xp ∈ Rn , y p escalares λ1 , λ2 , . . . , λp ∈ R
Combinación afı́n
La combinación lineal es una combinación afı́n cuando λ1 + λ2 + · · · + λp = 1
Combinación convexa
La combinación lineal es una combinación convexa cuando
λ1 + λ2 + · · · + λp = 1 y 0 ≤ λ1 , λ2 , . . . , λp ≤ 1
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Combinación afı́n
λ1 x1 + λ2 x2 + · · · + λp xp , λ1 + λ2 + · · · + λp = 1
y
8
7 x1 = (5, 7)
6
5
4
3 x2 = (8, 3)
2
1
x
1 2 3 4 5 6 7 8 9
Combinación convexa
λ1 x1 + λ2 x2 + · · · + λp xp , λ1 + λ2 + · · · + λp = 1, 0 ≤ λi ≤ 1
y
7 x1 = (5, 7)
6
5
4
3 x2 = (8, 3)
2
1
x
1 2 3 4 5 6 7 8
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Combinación lineal
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Conjunto afı́n
Un subconjunto no vacı́o S ⊂ Rn , se dice que S es afı́n si contiene todas las
combinaciones afines de cualquier par de puntos x1 , x2 ∈ S;
Conjunto convexo
S es convexo si contiene todas las combinaciones convexas de cualquier par de
puntos x1 , x2 ∈ S
Los conjuntos afines son convexos pero los conjuntos convexos no
necesariamente son afines
La intersección de una colección (finita o infinita) de conjuntos afines es
vacı́a o afı́n mientras que la intersección de una colección de conjuntos
convexos es vacı́a o convexa.
Los hiperplanos son afines (y por tanto convexos), pero los semiespacios
cerrados son únicamente convexos (no afines).
El espacio lineal {x ∈ Rn |Ax = b} es afı́n (y por lo tanto convexo) pero el
dominio factible P del problema de PL es únicamente convexo.
Dado un conjunto S ⊂ Rn y x ∈ S, x es un punto interior de S si ∃ > 0 tal
que la esfera abierta B = {y ∈ Rn | kx − yk < } ⊂ S. De lo contrario x es un
punto frontera de S. JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Análisis de sensibilidad
Teorema de separación
Sean, S un subconjunto convexo de Rn y x un punto en la frontera de S, existe
un hiperplano H que contiene a x con S contenido en HL o en HU .
Teorema
Un punto x de un conjunto poliédrico P = {x ∈ Rn |Ax = b, x ≥ 0} es un punto
extremo de P si y sólo si las columnas de A corresponden a las componentes
positivas de x linealmente independientes
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Resolución para poliedros convexos
Método Gráfico Teorema fundamental de la programación lineal
Análisis de sensibilidad
Teorema de resolución
Sea V = {vi ∈ Rn |i ∈ I } el conjunto de todos los puntos extremos de P con un
conjunto ı́ndice finito I . Entonces para cada x ∈ P, se tiene que:
X
x= λi vi + d
i∈I
P
Donde i∈I λi = 1, λi ≥ 0, ∀i ∈ I y d es 0 o una dirección extrema de P.
Corolario 1: Si P es acotada, entonces cada punto x ∈ P es una combinación convexa de puntos
extremos de P.
Corolario 2: Si P es no vacı́o, entonces tiene al menos un punto extremo.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Resolución para poliedros convexos
Método Gráfico Teorema fundamental de la programación lineal
Análisis de sensibilidad
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Método Gráfico
Caracterı́sticas
1 Representación de las restricciones en un plano cartesiano.
Etapas
Representación del espacio solución o área factible, si existe
Ubicación del vértice del espacio solución que representa el
valor extremo buscado (máximo o mı́nimo) de la función
objetivo.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Ejemplo 1.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12
11
10
9 6x 1 + x 2
8
7
≥ 12
6
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
8x
3 1 +
10
2 x2
≤
1 80
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
8x
3 1 0
+ 4x 2 ≤
2 x 1 1−
0x
2 ≤
1 80
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
x1 8x
3 1 0
+ + 4x 2 ≤
2
x2 x 1 1−
0x
≥ 2 ≤
1 5 80
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12 Maximizar z = 4x1 + 3x2
11 5x 1 Sujeto a : 6x1 + x2 ≥ 12
10
5x1 + 2x2 ≤ 30
6x1 + x2
9
+
8x1 + 10x2 ≤ 80
2x 2
8
7 x1 − 4x2 ≤0
≤3
≥ 12
6 x1 + x2 ≥5
0
5 z= 30.5878
x1 , x2 ≥0
4 x (4.11,4.70)8x
1 + 0
3 1+ 1 4x 2 ≤
2 x2
x 1 −0x
≥ 2 ≤
1 5 80
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Ejemplo 2
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
x2
15
14
13
12 Maximizar z = 4x1 + 5x2
11 Sujeto a : 6x1 + x2 ≥ 12
5x 1
10
5x1 + 2x2 ≤ 30
6x1 + x2
9
+2
8 8x1 + 10x2 ≤ 80
x2 ≤
30
6 1 + x1 + x2 ≥5
z= 40,5 (4.11,4.70) 10x x1 , x2 ≥0
4 x 2 ≤
3 1+ 80 x 2 ≤ 0
4
2 x2 x1 −
≥
1 5
x1
1 2 3 4 5 6 7 8 9 10 11
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Ejemplo 3.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Ejemplo 4
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Ejemplo 5.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Ejemplo 6.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
A modo de conclusión
Ejemplos
1 Espacio acotado con solución única
2 Espacio acotado con múltiples soluciones
3 No existe espacio solución, problema no factible
4 Espacio no acotado con solución única
5 Espacio no acotado con múltiples soluciones
6 Espacio no acotado sin solución
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Cambios que afectan la condición de factible
Método Gráfico Cambios que afectan la condición de óptimo
Análisis de sensibilidad
Análisis de sensibilidad
Tipos de cambios
1 Cambios que afectan la condición de factible
2 Cambios que afectan la condición de óptimo
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Cambios que afectan la condición de factible
Método Gráfico Cambios que afectan la condición de óptimo
Análisis de sensibilidad
Adición de restricciones
Una nueva restricción puede mantener, reducir o incluso eliminar el área
factible.
Cuando una nueva restricción no afecta el espacio solución, se dice que no es
activa en el óptimo y la respuesta óptima se mantiene.
Eliminación de restricciones
Si la restricción eliminada no es redundante, el área factible se expande. Es
necesario verificar si la expansión amerita recalcular el punto óptimo.
JPP-YANV Optimización
Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles Cambios que afectan la condición de factible
Método Gráfico Cambios que afectan la condición de óptimo
Análisis de sensibilidad
Adición de variables
El incluir nuevas variables puede llevar a que el óptimo actual deje
de serlo. Un análisis del caso se presentará en el tema “Dualidad y
Análisis de sensibilidad”, pues ante tal cambio el método gráfico
deja de ser apto para resolverlo, pues quedarı́a con tres o más
variables.
JPP-YANV Optimización