1.2 Definición de Programación Lineal.

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

Un área particularmente importante de las matemáticas es la Optimización, cuyo nombre hace

implícito uno de sus principales objetivos, dentro de su ámbito, para la cual una solución óptima
representa, en muchos sentidos, un programa de acción a poner en práctica. Así, la búsqueda de un
plan de acción utilizando métodos matemáticos constituye una rama de la Optimización, llamada
Programación Matemática. De acuerdo con las características de las funciones, restricciones y
variables del problema se tienen diferentes clases de problemas de Programación Matemática. Si
todas las funciones y restricciones involucradas son lineales, entonces se cae en el ámbito de la
Programación Lineal.
Así, la Programación Lineal es una rama de la Optimización, constituida por un conjunto de
técnicas de análisis y métodos de solución para problemas donde se busca optimizar un objetivo que
está sujeto a diversas restricciones, todas las cuales son lineales, y pueden involucrar un gran
número de variables, esto es, el tipo de problemas que estudia la Programación Lineal tiene la
siguiente estructura.
Max (o Min) Función objetivo
sujeto a

Restricciones

Restricciones o condiciones
de no negatividad

o, de manera alterna, en forma matricial

Max (o Min) ̅ Función objetivo

sujeto a
̅ ̅ Restricciones

̅ 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.

1.3 Conjuntos convexos.

El estudio de la convexidad de conjuntos es de especial importancia cuando se está interesado en la

búsqueda de los óptimos de funciones, así como en el desarrollo de algoritmos para resolver
problemas de optimización, ya que cuando el conjunto de soluciones factibles de un problema de
optimización es convexo, es posible desarrollar métodos de solución eficientes para alcanzar el
óptimo del mismo. Antes de definir lo que es un conjunto convexo, proporcionaremos algunas
definiciones previas.

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}

La Figura 1.3.1 muestra el conjunto r, cuando n = 2 geométricamente

X1

̅ r

X2
2
Figura 1.3.1. Recta r en R

Definición 2 (Semirrectas en Rn). De la definición anterior, si restringimos el valor de λ al

subconjunto de los reales no negativos (R+) o de los reales no positivos (R–), obtenemos dos
subconjuntos de r ∈ Rn, denotados por S + r y S – r, los cuales son llamados semirrectas en Rn,
definidos como

S+ r = {̅ ∈ Rn | ̅ = λ ̅ + (1–λ) ̅ donde ̅ , ̅ ∈ Rn, y λ ∈ R+}

S– r = {̅ ∈ Rn | ̅ = λ ̅ + (1–λ) ̅ donde ̅ , ̅ ∈ Rn, y λ ∈ R–}

Observación: R+ = {x ∈ R | ≥ 0}; R++ = {x ∈ R | x > 0};

R– = {x ∈ R | x ≤ 0}; R– – = {x ∈ R | x < 0}
Definición 3 (Segmento lineal). El segmento lineal entre los puntos ̅ y ̅ , denotado por Scl, lo
definimos como
Scl = { ̅ ∈ Rn | ̅ = λ ̅ + (1–λ) ̅ donde ̅ , ̅ ∈ Rn, y λ ∈ [0, 1] }

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 4 (Combinación lineal). Un punto ̅ se dice que es combinación lineal de n puntos, si

dicho punto se puede expresar como:
̅ ∑ ̅ , donde ∈
Un caso particular es la combinación lineal de dos puntos, el cual corresponde al concepto de recta
que se definió anteriormente.
Si los λi son no negativos (λi ≥ 0), entonces se dice que es una combinación lineal positiva de n
puntos. Si n = 2 se obtiene la definición de semirrecta que se mencionó arriba.

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.

A continuación se presentan algunos ejemplos específicos de conjuntos convexos.

a) Un hiperplano H en está dado por:

H = {̅ ∈ Rn | ̅ ̅ = α}

donde ̅ es vector no nulo en Rn y α un escalar.

Para verificar que H es un conjunto convexo, tomamos ̅ , ̅ ∈ H y por la definición se tiene

entonces que ̅ ̅ = α y ̅ ̅ = α. Así, para cualquier λ ∈ [0, 1], tenemos que
̅ [λ̅ + (1 − λ) ̅ ] = λ̅ ̅ + (1 − λ) ̅ ̅ = λα + (1 − λ)α = α
 cualquier combinación convexa de vectores que pertenecen a H también pertenece a H.

b) Considere el hiperplano H2 = {̅ = (x1, x2) ∈ R2 | x1 + x2 = 1}. El hiperplano H2 separa R2 en

dos: una donde todos los puntos ̅ = (x1, x2) satisfacen x1 + x2 > 1, y en la otra los puntos ̅
satisfacen x1 + x2 < 1.

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)

Figura 1.3.5. Conos a) convexos, y b) no convexos

Propiedades de conjuntos convexos

Algunas de las propiedades de los conjuntos convexos se enlistan a continuación:

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}

también es un conjunto convexo, Figura 1.3.6.

Observación: La unión de conjuntos convexos no necesariamente es un conjunto convexo.

a) b)

Figura 1.3.6. Conjuntos: a) convexos, y b) intersección de conjuntos convexos

ii) Si C es conjunto convexo y k ∈ R, entonces el conjunto

k C = { ̅ ∈ Rn | ̅ ̅, donde ̅ ∈ C}
también es convexo.
iii) Si C1 y C2 son conjuntos convexos, entonces el conjunto
C1 + C2 = {̅ = ̅1 + ̅2 | ̅1 ∈ C 1 y ̅2 ∈ C 2}
también es convexo. La combinación lineal de conjuntos convexos es un conjunto convexo.

iv) Todo semiespacio es un conjunto convexo.

v) Un hiperplano es un conjunto convexo.

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.

Definición 7 (Politopo). Se dice que un conjunto es un politopo si es intersección finita de

semiespacios cerrados. Un politopo acotado es un poliedro convexo.

Definición 8 (Punto extremo). Sea C un conjunto convexo no vacío en Rn. Un vector ̅ ∈ H se

denomina punto extremo de C si ̅ = λ̅1 + (1 − λ) ̅2 con ̅1, ̅2 ∈ C y λ ∈ (0, 1) implica que ̅
= ̅1 = ̅2 .

En un círculo el número de puntos extremos es infinito pero en un triángulo o en un cuadrado, éste

número es finito, Figura 1.3.7. Los siguientes son ejemplos de conjuntos de puntos extremos E del
correspondiente conjunto convexo C de cada inciso.
a) Círculo
C = {(x1, x2) ∈ R2 | }
E = {(x1, x2) ∈ R2 | }

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}

E = {(0, 0) , ( ) , (0, 1)}

X2 4 puntos
extremos

3 puntos
Infinidad de extremos
puntos
extremos

X1
Figura 1.3.7. Puntos extremos en algunas figuras en R2.