Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sesion 2 Vie 15 Mayo
Sesion 2 Vie 15 Mayo
Como pudo apreciarse de los ejemplos de problemas que dan origen a modelos matemáticos de
programación lineal en dos variables, éstos tienen características bien definidas, así como varios
puntos a cuidar para poder plantearlos de manera correcta. Con base en estos problemas tenemos
una visión
Restricciones
Restricciones o condiciones
de no negatividad
̅ Condiciones de
no negatividad
Es conveniente aclara que en ambos casos, forma extendida o en forma matricial, el signo ≤ en las
restricciones (con excepción de las de no negatividad) pueden cambiarse por o =.
Las técnicas de análisis y métodos de solución que utiliza la programación lineal busca encontrar la
mejor solución posible de un problema lineal, es decir, trata de obtener aquellos valores de las
variables de decisión que optimizan el valor de la función objetivo y que, al mismo tiempo,
satisfacen todas las restricciones. Su campo de estudio es la asignación óptima de los recursos
limitados entre diferentes tipos de actividades. Este tipo de problemas son muy comunes en todo
tipo de sectores económicos y pueden usarse para optimizar todo tipo de recursos (económicos,
naturales, humanos, por mencionar algunos)
Por esta razón, la programación lineal es utilizada en diversos sectores de la sociedad que buscan no
solo obtener el mayor provecho posible de los recursos disponibles, sino también por su gran valor
en la toma de decisiones.
Desde este punto de vista, es claro que el nombre de programación lineal no es un sinónimo de
programación por computadoras, sino que comprende la planeación de estrategias y elaboración de
planes óptimos para la fabricación, la logística, el entrenamiento, el transporte de mercancía, etc.
Hoy en día, la programación lineal es considerada como uno de los grandes avances científicos del
siglo XX.
Definición 1 (Rectas en Rn). Una recta r en Rn n está constituida por el conjunto de puntos ̅ ∈ Rn
que cumplen la condición:
r = {̅ ∈ Rn | ̅ = λ ̅ + (1–λ) ̅ donde ̅ , ̅ ∈ Rn, y λ ∈ R}
= {̅ ∈ Rn | ̅ = ̅ + λ (̅ –̅ ) donde ̅ , ̅ ∈ Rn, y λ ∈ R}
X1
̅ r
X2
2
Figura 1.3.1. Recta r en R
La Figura 1.3.2 muestra geométricamente que el conjunto Scl corresponde a la porción de recta que
une los puntos ̅ y ̅ .
X1
̅
𝝀𝒙 ̅
−𝝀 𝒙
̅
X2
Figura 1.3.2. Segmento de línea entre ̅ , ̅ ∈ R2
Dado que este conjunto incluye los puntos extremos ̅ y ̅ se dice que Scl es un segmento lineal
cerrado. En caso de que el segmento no incluya los puntos extremos ̅ y ̅ , lo cual sucede si
0 < λ < 1, entonces tendremos un segmento lineal abierto, definido como
Sal = { ̅ ∈ Rn | ̅ = λ ̅ + (1–λ) ̅ donde ̅ , ̅ ∈ Rn, y λ ∈ (0, 1) }
De manera similar se pueden definir un segmento lineal semiabierto, o semicerrado, si el conjunto
(segmento) incluye solo uno de los dos puntos extremos.
Definición 5 (Combinación lineal convexa). Se dice que un punto ̅ es una combinación lineal
convexa de n puntos si se cumple que
̅ ∑ ̅ con y ∑
Observe que además de la condición de no negatividad de los escalares , se requiere que la suma
de éstos sea igual a la unidad.
A partir de las definiciones anteriores, llegamos ahora a lo que es un conjunto convexo. Como se
mencionó al principio de este tema, el estudio de estos conjuntos tiene una particular importancia en
el área de Optimización debido a que son los conjuntos más sencillos que aparecen de forma natural
en la programación matemática, particularmente en la programación lineal. La siguiente constituye
la definición formal de lo que es un conjunto convexo.
Definición 6 (Conjunto convexo). Un conjunto C en Rn se dice que es convexo si y solo si
λ̅ + (1 − λ) ̅ ∈ C
para todo λ ∈ [0, 1] y ̅ , ̅ ∈ Rn ∈ C.
El conjunto vacío , Rn, así como los conjuntos que tienen un único punto {a}, son conjuntos
convexos.
La Figura 1.3.3 muestra ejemplos geométricos de un conjunto convexo y otro que no lo es.
̅
𝒙 ̅
𝒙
̅
𝒙 ̅
𝒙
a) b)
Figura 1.3.3. Ejemplos de a) conjunto convexo, y b) no convexo, en R2.
H = {̅ ∈ Rn | ̅ ̅ = α}
X2
x1 + x2 > 1
x1 + x2 = 1
x1 + x2 < 1
0 X1
.
Figura 1.3.4. El hiperplano H2 separa R2 en los semiespacios H2+ y H2 –.
Los conjuntos H2 + = {̅ ∈ R2 | x1 + x2 ≥ α} y H2 − = {̅ ∈ R2 | x1 + x2 ≤ α} son llamados
semiespacios, y es fácil demostrar que cada uno es un conjunto convexo. Ver partes Figura 1.3.4.
En general, para cualquier n ∈ N, es posible definir estos subespacios, asociados a H, como los
conjuntos
H + ={̅ ∈ Rn | ̅ ̅ ≥ α} y H − ={̅ ∈ Rn | ̅ ̅ ≤ α}
c) Un conjunto C no vacío es llamado un cono si para x ∈ C implica que λ̅ ∈ C para todo λ > 0.
Si, además, C es convexo, se dice que es un cono convexo. La Figura 1.3.5 muestra ejemplos de
conos convexos y no convexos.
a) b)
i) Si {Ci}i∈I es una familia de conjuntos convexos, entonces la intersección de ellos, dada por el
conjunto
∩i∈I Ci ≡ { ̅ | ̅ ∈ Ci para todo i ∈ I}
a) b)
Estas propiedades pueden emplearse para definir nuevos conjuntos convexos. Por ejemplo, se puede
considerar la intersección, finita o infinita, de subespacios, y el conjunto resultante es convexo.
b) Cuadrado
C = {(x1, x2) ∈ R2 | 0 ≤ x1 ≤ 1, 0 ≤ x2 ≤ 1 }
E = {(0, 0) , (0, 1) , (1, 1) , (1, 0)}
c) Triángulo
C = {(x1, x2) ∈ R2 | x1 ≥ 0, x1 − x2 ≥ 0, x1 + x2 ≤ 1}
X2 4 puntos
extremos
3 puntos
Infinidad de extremos
puntos
extremos
X1
Figura 1.3.7. Puntos extremos en algunas figuras en R2.