Clase NL04 S0109

Programación No Lineal
4
Postgrado de Investigación de Operaciones
Prof. Gonzalo Müller

gmullerb@mail.com
Facultad de Ingeniería
Universidad Central de Venezuela
Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 1

Clase Anterior
Optimización Moderna: O(f, S) | S : gk ≥ 0, hj = 0
Un Primer Método: Transformación: Variable Holgura.
Teorema de Fritz John (Condición Necesaria).
Dirección factible.
Cono.
Lema de Farkas.
Cono de Tangentes.
Dirección factible:
zT ∇gk(x*) ≥ 0 ∀ gk | gk(x*) = 0
zT ∇hj(x*) = 0 ∀j
Teorema de Kuhn-Tucker (Condición Necesaria y Suficiente).

Clase Anterior
Resolución gráfica de un problema de PNL: 1 ó 2 variables
Procedimiento:
1. Graficar las curvas establecidas por las restricciones.
2. Identificar los semiespacios válidos para cada restricción.
3. Intersectar los semiespacios válidos.
4. Fijar valores de z y graficar las curvas de nivel del objetivo.
5. Determinar el sentido de optimización en función del valor
de las cotas de las curvas de nivel.
6. Una solución óptima estará por donde pasa la curva de
nivel que optimiza el objetivo dentro de la región factible.

Programación Convexa
Hasta ahora se ha realizado el estudio matemático de
problemas de programación no lineal, para éstos no es
posible garantizar la optimalidad (global).
Una clase especial de problemas no lineales son los
problemas de programación convexa, cuyas
propiedades no permiten obtener mayor información
sobre la solución encontrada.
Programación No Lineal
Programación Convexa

Conjuntos convexos
Conjunto convexo:
Un conjunto S ⊆ En es convexo sí y sólo sí:
∀x1 ∈ S
∀x2 ∈ S
El segmento que los une también pertenece a S, es
decir:
x = α x1 + (1 – α) x2
∀α ∈ [0, 1]
x∈S
x se denomina combinación convexa de x1 y x2.
Conjuntos convexos
Ejemplo 4.1: Establecer cuales de los siguientes
conjuntos en R2 son convexos:
S S
S S

Conjuntos convexos
S S
S S

Conjuntos convexos
S S
S S

Conjuntos convexos
S S
Convexos
S S
No convexos
si S es convexo contiene las combinaciones convexas de todos sus elementos

Conjuntos convexos
Si
x = α x1 + (1 – α) x2
∀α ∈ (0, 1)
se dice entonces que x es una combinación convexa
estricta de x1 y x2.
Si
x = α x1 + (1 – α) x2
∀α ∈ [0, 1]
se habla de combinación convexa no estricta de x1 y
x2.
Conjuntos convexos
Ejemplo 4.2: Los siguientes son conjuntos convexos:
Un plano en R3:
S = {x ∈ R3 : x1 + 2 x2 + x3 = 4}
x3
x2
x1
Conjuntos convexos
Un semiespacio en R3:
S = {x ∈ R3 : x1 + 2 x2 + x3 ≤ 4}
x3
S
x2
x1

Conjuntos convexos
Un semiespacio abierto en R3:
S = {x ∈ R3 : x1 + 2 x2 + x3 < 4}
x3
S
x2
x1

Conjuntos convexos
Una circunferencia en R2:
S = {x ∈ R2 : x12 + x22 = 4}
x2
x1

Conjuntos convexos
Una circunferencia en R2:
S = {x ∈ R2 : x12 + x22 = 4}
x2
S No es convexo
x1

Conjuntos convexos
Una circulo en R2:
S = {x ∈ R2 : x12 + x22 ≤ 4}
x2
S x1

Conjuntos convexos
Una circulo abierto en R2:
S = {x ∈ R2 : x12 + x22 < 4}
x2
S x1

Conjuntos convexos
Una hoyo en R2:
S = {x ∈ R2 : x12 + x22 ≥ 4}
x2
x1

Conjuntos convexos
Una hoyo en R2:
S = {x ∈ R2 : x12 + x22 ≥ 4}
x2
S No es convexo
x1

Conjuntos convexos
Recordando que sí S ⊆ En, x1∈S, x2∈S, α ∈ E y β ∈
E:
x = α x1 + β x2 → combinación lineal de x1 y x2
Si α ≥ 0 y β ≥ 0, entonces el vector x = α x1 + β x2
es una combinación lineal no negativa de x1 y x2.
Entonces, una combinación convexa no estricta
x = α x1 + (1 – α) x2 con α ∈ [0, 1] es un tipo de
combinación lineal no negativa de x1 y x2.

Conjuntos convexos
Si α > 0 y β > 0, entonces x = α x1 + β x2 es una
combinación lineal positiva de x1 y x2.
Entonces, una combinación convexa estricta x = α
x1 + (1 – α) x2 con α ∈ (0, 1) es un tipo de
combinación lineal positiva de x1 y x2.
Ejemplo 4.3: Si xk (k=1,2,3,4,5) son coplanares:
x3, x4 y x5 son combinaciones

lineales de x1 y x2
x3 x1
x5 x4 x4 y x5 son combinaciones
lineales positivas de x1 y x2
x2 x5 es combinación convexa
de x1 y x2
Conjuntos convexos
Es claro entonces que:
Combinación Combinación lineal Combinación

convexa no negativa lineal
La definición de combinación convexa se extiende

fácilmente a m vectores:

Conjuntos convexos
Combinación convexa:
Se denomina combinación convexa de los vectores x1,
x2, …, xm en En al vector x dado por:
x = α1 x1 + α2 x2 + … + αm xm
donde:
α1 ≥ 0, α2 ≥ 0, …, αm ≥ 0
^
m
∑αj=1
j =1

Conjuntos convexos
Conjunto convexo:
Un conjunto S ⊆ En es convexo sí y sólo sí toda
combinación convexa x de m puntos cualesquiera xj ∈
S está contenida en S.
x = α1 x1 + α2 x2 + … + αm xm
m
α1 ≥ 0, α2 ≥ 0, …, αm ≥ 0 ^ ∑αj=1
j =1
x∈S

Conjuntos convexos
Ejemplo 4.4: Demostrar que
H = {x ∈ En : pTx = k, p ∈ En, k ∈ E}
es un conjunto convexo.

Conjuntos convexos
H = {x ∈ En : pTx = k, p ∈ En, k ∈ E}
Sean x1 y x2 dos elementos de H

Conjuntos convexos
H = {x ∈ En : pTx = k, p ∈ En, k ∈ E}
Sean x1 y x2 dos elementos de H y sea x una
combinación convexa cualquiera de x1 y x2 :
x = α x1 + (1 – α) x2
∀α ∈ [0, 1]

Conjuntos convexos
H = {x ∈ En : pTx = k, p ∈ En, k ∈ E}
Sean x1 y x2 dos elementos de H y sea x una
x = α x1 + (1 – α) x2
∀α ∈ [0, 1]
Dado que x1∈H y x2∈H :
pTx1= pTx2=k
Conjuntos convexos
Si H es convexo entonces x∈H , por lo tanto de debe
satisfacer pTx = k:

Conjuntos convexos
Si H es convexo entonces x∈H , por lo tanto de debe
satisfacer pTx = k:
pTx = pT[α x1 + (1 – α) x2]
pTx = α pTx1 + (1 – α) pTx2
pTx = α k + (1 – α) k
pTx = α k + k – α k
pTx = k
x ∈ H y por tanto H es un conjunto convexo.

Conjuntos convexos
H + = {x ∈ En : pTx ≥ k, p ∈ En, k ∈ E}
Sean x1 y x2 dos elementos de H +

Conjuntos convexos
H + = {x ∈ En : pTx ≥ k, p ∈ En, k ∈ E}
Sean x1 y x2 dos elementos de H + y sea x una
x = α x1 + (1 – α) x2
∀α ∈ [0, 1]

Conjuntos convexos
H + = {x ∈ En : pTx ≥ k, p ∈ En, k ∈ E}
Sean x1 y x2 dos elementos de H + y sea x una
x = α x1 + (1 – α) x2
∀α ∈ [0, 1]
Dado que x1∈H + y x2∈H +:
pTx1 = k1 ≥ k, pTx2 = k2 ≥ k
Conjuntos convexos
Si H + es convexo entonces x∈H +, por lo tanto de debe
satisfacer pTx = k:

Conjuntos convexos
Si H + es convexo entonces x∈H +, por lo tanto de debe
satisfacer pTx = k:
pTx = pT[α x1 + (1 – α) x2]
pTx = α pTx1 + (1 – α) pTx2
pTx = α k1 + (1 – α) k2
k1 ≥ k k2 ≥ k
α k1 ≥ α k (1 – α) k2 ≥ (1 – α) k
α k1 + (1 – α) k2 ≥ α k + (1 – α) k
α k1 + (1 – α) k2 ≥ α k + k – α k
α k1 + (1 – α) k2 ≥ k
pTx = α k1 + (1 – α) k2 ≥ k
x ∈ H + y por tanto H + es un conjunto convexo.
Conceptos fundamentales
Punto Interior: Sea S ⊆ En y sea un punto x ∈ En, se
dice que x es un punto interior a S si existe un entorno
Nδ(x) tal que Nδ(x) ⊂ S.
Nδ(x)
x
S x Nδ(x)
S
x es un punto interior a S x no es un punto interior a S

Al conjunto de los puntos interiores de S se le denota
int(S) o también int S.
Si int(S) ≠ ∅, se dice que S es un conjunto sólido.
Punto Exterior: Sea S ⊆ En y sea un punto x ∈ En, se
dice que x es un punto exterior a S si existe un
entorno Nδ(x) tal que Nδ(x) ∩ S = ∅.
Esto es, x es un punto exterior a S si se puede definir
un entorno de radio δ alrededor de x que no esté
incluido en S.
Nδ(x)
x
S x Nδ(x)
S
x no es un punto exterior a S x es un punto exterior a S

Frontera: Sea S ⊆ En y sea un punto x ∈ En, se dice
que x pertenece a la frontera de S si todo entorno
Nδ(x) contiene al menos un punto perteneciente a S y
al menos un punto exterior a S. La frontera de S se
denota por ∂(S) o también ∂S.
x
S Nδ(x)
x pertenece a ∂(S) ∂(S)

Si S = ∂(S), se suele decir que S es un conjunto hueco.

Conjunto Abierto: Si S ⊆ En está formado únicamente
por puntos interiores, se dice que S es abierto. En
otras palabras, S es abierto si S = int(S).
S S
S es abierto S no es abierto
(0, 10) [0, 10]

S es abierto S no es abierto

Conjunto Cerrado: Sea S ⊆ En, si ∂(S) ⊂ S entonces se
dice que S es cerrado. En otras palabras, un conjunto
S es cerrado si contiene su frontera.
S S
S no es cerrado S es cerrado
(0, 1)∪(10, 12) [0, 1]∪[10, 12]

S no es cerrado S es cerrado

La unión de conjuntos abiertos es un conjunto
abierto.

abierto.
La intersección de un número finito de conjuntos
abiertos es un conjunto abierto.

abierto.
La unión de un número finito de conjuntos
cerrados es un conjunto cerrado.

abierto.
La unión de un número finito de conjuntos
cerrados es un conjunto cerrado.
La intersección de conjuntos cerrados es un
conjunto cerrado.

Un conjunto puede no ser abierto ni cerrado:
S S
En general si S ≠ int(S) ∪ ∂(
∂ S) se cumple que:
int(S) = S - ∂*(S)
pero no necesariamente ∂(S) = S – int(S)

Clausura: Sea S ⊆ En y sea un punto x ∈ En, se dice
que x está en la clausura de S si:
S ∩ Nδ(x) ≠ ∅ ∀δ >0
S cl(S)
S cl(S)
La clausura de S se denota por cl(S).

La clausura de S está formada por los elementos de
S más los elementos de su frontera ∂(S), esto es
cl(S) ≡ S ∪ ∂(S).

cl(S) ≡ S ∪ ∂(S).
La clausura de S es el conjunto cerrado más
pequeño que contiene a S.

cl(S) ≡ S ∪ ∂(S).
Si S = cl(S) entonces S es cerrado.

cl(S) ≡ S ∪ ∂(S).
Si S = cl(S) entonces S es cerrado.
Si S ∩ ∂(S) = ∅ entonces S es abierto.

Conjunto Acotado: Sea S ⊆ En, se dice que S es
acotado si todos sus vectores tienen norma finita, es
decir:
∀x ∈ S ∃ k ∈ E | ║x║ ≤ k
S
S
S es acotado S es no acotado
Conjunto Compacto: Sea S ⊆ En, se dice que S es
compacto si S es cerrado y acotado.
S
S
S es compacto S es no compacto
S es no compacto
Ejemplo 4.6: Sea S dado por:
S = {x ∈ R2 : x12 + x22 ≤ 1}
encontrar int(S), ∂(S) y cl(S).

S = {x ∈ R2 : x12 + x22 ≤ 1}
r=1
S

S = {x ∈ R2 : x12 + x22 ≤ 1}
r=1
S
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1}

S = {x ∈ R2 : x12 + x22 ≤ 1}
r=1
S
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} r=1
int(S)

S = {x ∈ R2 : x12 + x22 ≤ 1}
r=1
S
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} r=1
∂(S): int(S)
∂(S) = {x ∈ R2 : x12 + x22 = 1}

S = {x ∈ R2 : x12 + x22 ≤ 1}
r=1
S
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} r=1
∂(S): int(S)
∂(S) = {x ∈ R2 : x12 + x22 = 1}

r=1
∂(S)

S = {x ∈ R2 : x12 + x22 ≤ 1}
r=1
S = cl(S)
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} r=1
∂(S): int(S)
∂(S) = {x ∈ R2 : x12 + x22 = 1}

cl(S): r=1
∂(S)
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1} = S
S = {x ∈ R2 : x12 + x22 < 1}

S = {x ∈ R2 : x12 + x22 < 1}
r=1
S

S = {x ∈ R2 : x12 + x22 < 1}
r=1
S
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} = S

S = {x ∈ R2 : x12 + x22 < 1}
r=1
S = int(S)
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} = S

S = {x ∈ R2 : x12 + x22 < 1}
r=1
S = int(S)
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} = S
∂(S):
∂(S) = {x ∈ R2 : x12 + x22 = 1}

S = {x ∈ R2 : x12 + x22 < 1}
r=1
S = int(S)
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} = S r=1
∂(S): ∂(S)
∂(S) = {x ∈ R2 : x12 + x22 = 1}

S = {x ∈ R2 : x12 + x22 < 1}
r=1
S = int(S)
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} = S r=1
∂(S): ∂(S)
∂(S) = {x ∈ R2 : x12 + x22 = 1}

cl(S):
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1}
S = {x ∈ R2 : x12 + x22 < 1}
r=1
S = int(S)
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1} = S r=1
∂(S): ∂(S)
∂(S) = {x ∈ R2 : x12 + x22 = 1}

cl(S): r=1
cl(S)
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1}
S = {x ∈ R2 : x12 + x22 ≤ 1 ^ x1 > 0 ^ x2 > 0}

S = {x ∈ R2 : x12 + x22 ≤ 1 ^ x1 > 0 ^ x2 > 0}
r=1 S2 S3
S1

S = {x ∈ R2 : x12 + x22 ≤ 1 ^ x1 > 0 ^ x2 > 0}
r=1 S2 S3
S1
∩ ∩
r=1
S
int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1 ^ x1 > 0 ^ x2 > 0}
r=1
int(S)

int(S):
int(S) = {x ∈ R2 : x12 + x22 < 1 ^ x1 > 0 ^ x2 > 0}
r=1
int(S)
∂ S):
∂(
∂(S) = (∂(S1)∩S2 ∩S3) ∪
(∂(S2)∩S1 ∩S3) ∪
(∂(S3)∩S1 ∩S2)

∂(S1)∩S2 ∩S3 ={x ∈ R2 : x12+x22 = 1 ^ x1> 0 ^ x2> 0}

∂(S1)∩S2 ∩S3 ={x ∈ R2 : x12+x22 = 1 ^ x1> 0 ^ x2> 0}
r=1
∂(S1)∩S2 ∩S3

∂(S1)∩S2 ∩S3 ={x ∈ R2 : x12+x22 = 1 ^ x1> 0 ^ x2> 0}
r=1
∂(S1)∩S2 ∩S3
∂(S2)∩S1 ∩S3 ={x ∈ R2 : x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0}

∂(S1)∩S2 ∩S3 ={x ∈ R2 : x12+x22 = 1 ^ x1> 0 ^ x2> 0}
r=1
∂(S1)∩S2 ∩S3
∂(S2)∩S1 ∩S3 ={x ∈ R2 : x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0}

r=1
∂(S2)∩S1 ∩S3

∂(S1)∩S2 ∩S3 ={x ∈ R2 : x12+x22 = 1 ^ x1> 0 ^ x2> 0}
r=1
∂(S1)∩S2 ∩S3
∂(S2)∩S1 ∩S3 ={x ∈ R2 : x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0}

r=1
∂(S2)∩S1 ∩S3
∂(S3)∩S1 ∩S2 ={x ∈ R2 : x2= 0 ^ x12+x22 ≤ 1 ^ x1> 0}

∂(S1)∩S2 ∩S3 ={x ∈ R2 : x12+x22 = 1 ^ x1> 0 ^ x2> 0}
r=1
∂(S1)∩S2 ∩S3
∂(S2)∩S1 ∩S3 ={x ∈ R2 : x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0}

r=1
∂(S2)∩S1 ∩S3
∂(S3)∩S1 ∩S2 ={x ∈ R2 : x2= 0 ^ x12+x22 ≤ 1 ^ x1> 0}

r=1
∂(S3)∩S1 ∩S2
∂(S) = {x ∈ R2 : (x12+x22 = 1 ^ x1> 0 ^ x2> 0) ∪
(x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0) ∪
(x2= 0 ^ x12+x22 ≤ 1 ^ x1> 0)}
r=1
∂(S)

∂(S) = {x ∈ R2 : (x12+x22 = 1 ^ x1> 0 ^ x2> 0) ∪
(x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0) ∪
(x2= 0 ^ x12+x22 ≤ 1 ^ x1> 0)}
r=1
∂(S)
cl(S):
cl(S) = ∂(S) ∪ int(S)
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1 ^ x1 ≥ 0 ^ x2 ≥ 0}

∂(S) = {x ∈ R2 : (x12+x22 = 1 ^ x1> 0 ^ x2> 0) ∪
(x1= 0 ^ x12+x22 ≤ 1 ^ x2> 0) ∪
(x2= 0 ^ x12+x22 ≤ 1 ^ x1> 0)}
r=1
∂(S)
cl(S):
cl(S) = ∂(S) ∪ int(S)
cl(S) = {x ∈ R2 : x12 + x22 ≤ 1 ^ x1 ≥ 0 ^ x2 ≥ 0}
r=1
cl(S)

De las definiciones derivan los siguientes resultados:
Sea S ⊆ En, S convexo tal que int(S)≠Ø y sean
x1∈cl(S) y x2 ∈ int(S) entonces el punto x = αx1+(1-
α)x2, con α ∈(0,1) pertenece al int(S).
x x2
x1
S cl(S)
De las definiciones derivan los siguientes resultados:
Sea S ⊆ En, S convexo tal que int(S)≠Ø y sean
x1∈cl(S) y x2 ∈ int(S) entonces el punto x = αx1+(1-
α)x2, con α ∈(0,1) pertenece al int(S).
En otras palabras, toda combinación convexa estricta
de un punto en la clausura de S con uno de su interior
pertenece al interior de S.
x x2
x1
S cl(S)
En consecuencia:
Sí S ⊆ En es convexo y S ≠ Ø, entonces:

En consecuencia:
int(S) ≠ Ø.

En consecuencia:
int(S) ≠ Ø.
int(S) es convexo.

En consecuencia:
int(S) ≠ Ø.
int(S) es convexo.
cl(S) es convexo.

En consecuencia:
int(S) ≠ Ø.
int(S) es convexo.
cl(S) es convexo.
cl(int(S)) = cl(S).

En consecuencia:
int(S) ≠ Ø.
int(S) es convexo.
cl(S) es convexo.
cl(int(S)) = cl(S).
int(cl(S)) = int(S).

Conjuntos convexos
Propiedades:
La intersección de conjuntos convexos es un
conjunto convexo.
S1S3
S2
S2 S3 S1
S 2
S 3
S3 = S1 ∩ S2
Capsula Convexa
Cápsula Convexa:
Sea S ⊆ En, la cápsula convexa de S, denotada por
H(S) (también denotada conv(S)) está constituida por
todas las combinaciones convexas de los elementos de
S:

Capsula Convexa
Cápsula Convexa:
S:
H(S) = {x ∈ En :x = ∑ αj xj, xj ∈ S, αj ≥ 0, ∑ αj = 1}

Capsula Convexa
Cápsula Convexa:
S:
H(S) = {x ∈ En :x = ∑ αj xj, xj ∈ S, αj ≥ 0, ∑ αj = 1}
En R2
S H(S)

Capsula Convexa
Ejemplo 4.9: Hallar las capsulas convexas de los
siguientes conjuntos en Rn :
a) S
b) S
c) S
d) S
e) S
Capsula Convexa
Ejemplo 4.9: Hallar las capsulas convexas de los
siguientes conjuntos en Rn :
a) S H(S)
b) S H(S)
c) S H(S)
d) S H(S)
e) S H(S)
Capsula Convexa
De la definición de H(S) derivan los siguientes
resultados:

Capsula Convexa
resultados:
Si S es un conjunto convexo, entonces S=H(S)

Capsula Convexa
resultados:
H(S) es el conjunto convexo más pequeño que
contiene a S.

Capsula Convexa
resultados:
H(S) es el conjunto convexo más pequeño que
contiene a S.
H(S) es la intersección de todos los conjuntos
convexos que contienen a S.

Capsula Convexa
Politope: Se denomina a la cápsula convexa H(S) de
un conjunto finito S ⊆ En de k+1 elementos
x1, x2, … , xk+1.
S H(S)
H(S)
Politope

Capsula Convexa
Simplex: Se denomina el politope H(S) de S = {
x1, x2, … ,xk, xk+1} donde los vectores
x2 – x1, x3 – x2, … ,xk+1 - xk
son linealmente independientes.
Los vectores xk se llaman vértices del simplex.
S H(S)
H(S)
Simplex

Capsula Convexa
En En un conjunto de vectores linealmente
independientes no pueden tener más de n
elementos, luego un simplex puede tener a lo sumo
n+1 vértices.
En R2
Simplex
Politope

Capsula Convexa
Teorema de Carathéodory: Dado un S ⊆ En y H(S),
cualquier elemento de H(S) puede de representado
como una combinación convexa de al máximo n+1
puntos de S, esto es:
n +1
x = ∑ αk x k
k =1
donde: n +1
∑α
k =1
k =1
αk ≥ 0 k = 1,…, n+1
xk ∈ S k = 1,…, n+1
Separación de Conjuntos Convexos
Conjuntos convexos separados:
Dos conjunto S1 y S2 convexos están separados si su
intersección es vacía, es decir:
S3 = S1 ∩ S2
S3 = Ø
S1
S2

Hiperplano: Si p ∈ En, p ≠ 0 y k ∈ E, entonces el
conjunto:
H = {x ∈ En : pTx = k}
es un hiperplano de vector normal p.
p
H

Hiperplano: Si p ∈ En, p ≠ 0 y k ∈ E, entonces el
conjunto:
H = {x ∈ En : pTx = k}
es un hiperplano de vector normal p.
H es el lugar geométrico de los puntos de En
ortogonales a p:
p
H

Una forma equivalente de expresar H que hace
referencia a un punto particular es
H = {x ∈ En : pT(x – x0) = 0}
p
H
x0
x
luego es claro que k = pTx0

Semiespacios: H permite definir en En, dos
semiespacios cerrados dados por:
H + = {x ∈ En : pTx ≥ k}
H – = {x ∈ En : pTx ≤ k}

Semiespacios: H permite definir en En, dos
semiespacios cerrados dados por:
H + = {x ∈ En : pTx ≥ k}
H – = {x ∈ En : pTx ≤ k}
H es el lugar geométrico de los puntos de En que

+
forman un ángulo menor o igual de 90º con p.

H –corresponde a los puntos de En que forman un
ángulo mayor o igual de 90º con p.
H+
p p
H H
x0 x0
x x
H–
Otra forma de expresar los semiespacios:

H + = {x ∈ En : pT(x – x0) ≥ 0}
H – = {x ∈ En : pT(x – x0) ≤ 0}

También se pueden definir dos semiespacios abiertos
por:
H* + = {x ∈ En : pT(x – x0) > 0}
H* – = {x ∈ En : pT(x – x0) < 0}
H* +
p p
H H
x0 x0
x x
H* –

Hiperplano separador: Sea S1 y S2 dos conjuntos no
vacíos de En, un hiperplano H separa a S1 de S2 si
define dos semiespacios H + y H – tales que S1 ⊂ H +
y S2 ⊂ H –.
H+
H
S1 S2
H–
Hiperplano separador
Esto es,
∀x∈S1 se tiene que pTx≥k
∀x∈S2 se tiene que pTx≤k.
Tipos de separación:
Separación apropiada: Si H separa a S1 de S2 y
además S1 ∪ S2 ⊄ H, se dice que H produce una
separación apropiada, en caso contrario, se dice que
H separa a S1 de S2 inapropiadamente.
H H
S1
S1 S2
S2
Separación apropiada Separación inapropiada

Separación estricta: Si H separa a S1 de S2 y además
∀x∈S1, pTx>k y ∀x∈S2, pTx<k, se dice que H
separa estrictamente a S1 de S2, en caso contrario, se
dice que H produce una separación no estricta.
H H H
S1 S1 S1
S2 S2 S2
Separación estricta Separación estricta Separación no estricta
En la separación estricta cada conjunto está

contenido en un semiespacio abierto:
x ∈ H*+ ∀x∈S1 x∈H*– ∀x∈S2
Separación fuerte: Si H separa a S1 de S2, sea un
escalar δ > 0 se dice que H separa fuertemente a S1
de S2 si pTx ≥ k + δ, ∀x ∈ S1 y pTx < k, ∀x ∈ S2.
En caso contrario, se dice que H produce una
separación no fuerte.
S1 H H
S1
S2 S2
Separación fuerte Separación no fuerte

Por lo tanto:
Separación Separación Separación

fuerte estricta apropiada

Separación entre un conjunto convexo y un punto:
Sea S un conjunto convexo cerrado y no vacío de En y
sea y ∉ S, entonces existe un hiperplano H de vector
normal p y en el punto x0 tal que:
pT(y – x0) > 0
pT(x – x0) < 0 ∀x ∈ S
p
y H
x0
x
S

En consecuencia se tiene:
Si S es un conjunto convexo cerrado de En,
entonces S es la intersección de todos los
semiespacios que lo contienen.

En consecuencia se tiene:
Si S es un conjunto convexo cerrado de En,
entonces S es la intersección de todos los
semiespacios que lo contienen.
Sea S ⊆ En, S ≠ ∅ y sea y ∉ cl(H(S)), entonces
existe un hiperplano H que separa fuertemente al
punto y del conjunto S.

Separación y soporte
Hiperplano soporte: Sea S ⊆ En, S ≠ ∅ y sea además
x*∈∂(S), se dice que el hiperplano:
H = {x ∈ En: pT(x - x*) = 0}
es un hiperplano soporte de S en x*, si S ⊆ H + o bien
S ⊆ H –:
S H
H H
S
S x*2
x* x*
x*1
Esto es, si ∀x ∈ S se cumple que pT(x - x*) ≥ 0 o bien

si ∀x ∈ S se cumple que pT(x - x*) ≤ 0
Hiperplano propio: Si H es un hiperplano soporte de
S en x* y además S ⊄ H se dice que H es un
hiperplano soporte propio o apropiado.
H H
S S
x*
H es propio H no es propio

Soporte en la frontera de un conjunto convexo: Sea S
un conjunto convexo no vacío en En y sea x*∈∂(S),
entonces existe un hiperplano que soporta a S en x*.
H
S x*3 H
S
x* x*2
x*1

Soporte en la frontera de un conjunto convexo: Sea S
un conjunto convexo no vacío en En y sea x*∈∂(S),
entonces existe un hiperplano que soporta a S en x*.
Es decir, si S es convexo, siempre se puede pasar un
hiperplano soporte por cualquier punto de ∂(S). No
ocurre así si S no es convexo.
H
S x*3 H
S
x* x*2
x*1

En consecuencia:
Sea S un conjunto convexo no vacío en En y
x*∉int(S), entonces existe un p ∈ En, p ≠ 0, tal que
pT(x - x*) ≤ 0, ∀x∈cl(S).
H
S x*
x
Esto es, se puede trazar un hiperplano soporte que

pase por cualquier punto exterior a S.

Conceptos Fundamentales
Se tiene un conjunto O provisto de una relación de
orden, sea A ⊂ O entonces se establecen las
definiciones siguientes:
Cota Superior: Un elemento z∈O es una cota superior
de A, si todo elemento x∈A es inferior a z.
z es una cota superior de A ↔ ∀x ∈ A, x≤ z
Cota inferior: Un elemento z∈O es una cota inferior
de A, si todo elemento x∈A es superior a z.
z es una cota superior de A ↔ ∀x ∈ A, x ≥ z

Supremo: Un elemento z∈O es el supremo de A,
sup(A), si z es la menor cota superior de A.
Ínfimo: Un elemento z∈O es el ínfimo de A, ínf(A), si
z es la mayor cota inferior de A.
Máximo: Si z = sup(A) ^ z ∈ A, entonces z es el
máximo de A, denotado por máx(A).
Mínimo: Si z = ínf(A) ^ z ∈ A, entonces z es el
mínimo de A, denotado por mín(A).

Ejemplo 4.10: Dado A ={1, 2, 3, 4}, encontrar cota
inferior, cota superior, supremo, ínfimo, máximo y
mínimo.

mínimo.
Cota Superior: z ≥ x,∀x ∈ A
z = 5 es una cota superior, ya que z ≥ x,∀x ∈ A

mínimo.
z = 5 es una cota superior, ya que 5 ≥ x,∀x ∈ A

mínimo.
↓
Cota superior: todo x ≥ 4

mínimo.
↓
Supremo: es la menor cota superior de A:
mínimo.
↓
Supremo: es la menor cota superior de A: sup(A)=4
A ={1, 2, 3, 4}
Cota Inferior: z ≤ x,∀x ∈ A
z = 0 es una cota inferior, ya que 0 ≤ x,∀x ∈ A
z = -12 es una cota inferior, ya que -12 ≤ x,∀x ∈ A

A ={1, 2, 3, 4}
↓
Cota inferior: todo x ≤ 1

A ={1, 2, 3, 4}
↓
Ínfimo: es la mayor cota inferior de A:

A ={1, 2, 3, 4}
↓
Ínfimo: es la mayor cota inferior de A:
↓
ínf(A)=1
Máximo: z = sup(A) ^ z ∈ A
↓
máx(A) = 4
Mínimo: z = ínf(A) ^ z ∈ A
↓
mín(A) = 1

Ejemplo 4.11: Dado A ={1/ n} ={1, 1/2, 1/3,...}, ∞
n =1
encontrar cota inferior, cota superior, supremo,
ínfimo, máximo y mínimo.
↓

Ejemplo 4.11: Dado A ={1/ n} ={1, 1/2, 1/3,...}, ∞
n =1
↓
↓
sup(A)=1
Ejemplo 4.11: Dado A ={1/ n} ={1, 1/2, 1/3,...}, ∞
n =1
↓
↓
sup(A)=1 → max(A)=1
↓

↓
↓
ínf(A)=0

↓
↓
ínf(A)=0
↓
mín(A) No Existe
Resumen
Programación Convexa.
Conjuntos convexos:
x = α x1 + (1 – α) x2, ∀α ∈ [0, 1], x ∈ S
Combinación convexa → Combinación lineal no
negativa → Combinación lineal.
Combinación convexa:
x = α1 x1 + α2 x2 + … + αm xm, αk ≥ 0, Σ αk = 1
Punto Interior, Punto Exterior, Frontera, Conjunto
Abierto, Conjunto Cerrado.
Resumen
Clausura, Conjunto Acotado, Conjunto Compacto.
Capsula Convexa: Politope y Simplex.
Teorema de Carathéodory.
Conjuntos convexos separados.
Hiperplano.
Semiespacios.
Hiperplano separador.

Resumen
Tipos de separación: apropiada, estricta y fuerte.
Separación fuerte → Separación estricta →
Separación apropiada.
Separación entre un conjunto convexo y un punto.
Hiperplano soporte: Hiperplano propio.
Soporte en la frontera de un conjunto convexo.
Cota Superior, Cota inferior, Supremo, Ínfimo,
Máximo, Mínimo.

Clase NL04 S0109

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Clase NL04 S0109

Transféré par

Droits d'auteur :

Formats disponibles

Programación No Lineal

Prof. Gonzalo Müller

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 1

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 2

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 3

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 4

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 6

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 7

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 8

si S es convexo contiene las combinaciones convexas de todos sus elementos

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 12

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 13

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 14

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 15

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 16

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 17

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 18

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 19

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 20

x3, x4 y x5 son combinaciones

Combinación Combinación lineal Combinación

La definición de combinación convexa se extiende

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 22

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 23

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 24

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 25

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 26

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 27

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 29

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 30

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 31

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 32

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 34

x es un punto interior a S x no es un punto interior a S

x no es un punto exterior a S x es un punto exterior a S

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 37

x pertenece a ∂(S) ∂(S)

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 38

(0, 10) [0, 10]

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 39

(0, 1)∪(10, 12) [0, 1]∪[10, 12]

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 40

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 41

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 42

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 43

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 44

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 45

La clausura de S se denota por cl(S).

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 47

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 48

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 49

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 50

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 53

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 54

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 55

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 56

∂(S) = {x ∈ R2 : x12 + x22 = 1}

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 57

∂(S) = {x ∈ R2 : x12 + x22 = 1}

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 58

∂(S) = {x ∈ R2 : x12 + x22 = 1}

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 60

Programación No Lineal – Prof. Gonzalo Müller – Clase 4 – NC&GM – 61