Optimización

Compilado de Ejercicios Resueltos

Este documento es material de estudio del curso ICS1113 y fue financiado por fondos de la Escuela de Ingenierı́a UC.

Fue ejecutado por las estudiantes:

Karina Alarcón von Loebenstein & Antonia Blanco Del Rı́o

y supervisado por los profesores:

Gustavo Angulo & Mathias Klapp

Septiembre del 2024

 ÍNDICE GENERAL

Capı́tulo 1: Existencia de solución óptima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Teoremas de existencia de solución óptima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

Capı́tulo 2: Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Capı́tulo 3: Modelos equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.1 Modelos equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Capı́tulo 4: Teorı́a Poliedral y Programación Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.1 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

I
 CAPÍTULO 1
EXISTENCIA DE SOLUCIÓN ÓPTIMA

1.1 Teoremas de existencia de solución óptima

Teorema 1.1. Bolzano Weierstrass (dominio acotado)

Si para un problema de optimización (P ) dado por mı́n f (x) se cumple que
x∈D

1. f (x) es continua sobre D,

2. D es compacto (cerrado y acotado),

3. D es no vacı́o,

entonces el problema (P ) admite al menos una solución óptima.

Teorema 1.2. Bolzano Weierstrass (para función coercitiva)

Si para un problema de optimización (P ) dado por mı́n f (x) se cumple que
x∈D

1. f (x) es continua sobre D,

2. D es cerrado,

3. D es no vacı́o,

4. f (x) es coercitiva sobre D,

entonces el problema (P ) admite al menos una solución óptima.

Definición 1.1. Una función f (x) es coercitiva sobre un dominio D ⊂ Rn si lı́m||x||→∞ f (x) → ∞.

Teorema 1.3. Existencia de solución en programación lineal

Un problema de optimización lineal (P ) dado por mı́n f (x) admite al menos una solución óptima si y solo si se
x∈D
cumple que:

1. D es no vacı́o

2. f (x) está acotada inferiormente para todo x ∈ D, es decir, ∃k ∈ R : f (x) ≥ k ∀x ∈ D.

1
1.2 Ejercicios

Problema 1.1. I1 2022-1 Considere el problema:

(P ) mı́n f (x1 , x2 )
s.a. (x1 , x2 ) ∈ D.

Indique para cuáles de los siguientes casos se puede garantizar existencia de solución óptima.

(a) f (x1 , x2 ) = 4x1 + 5x2 ; D = {(x1 , x2 ) ∈ R2 : 2x1 + 5x2 ≤ 20, x1 + 3x2 ≥ 3, 0 ≤ x1 ≤ 10}

(b) f (x1 , x2 ) = x1 + 3x2 ; D = {(x1 , x2 ) ∈ R2+ : 1 ≤ x1 · x2 ≤ 10, x2 ≤ 10}

(c) f (x1 , x2 , x3 ) = 3x1 + 2x2 − 3x3 ; D = {2x1 + x2 + 2x3 ≤ 5, x1 − x3 ≤ 10, 3x2 − 2x3 ≥ 0, x1 , x3 ≥ 0}

(d) f (x1 , x2 , x3 , x4 ) = 7x1 − x2 − 6x3 + 2x4 ; D = {3x1 + 2x2 − 6x3 ≤ 4, 5x1 − 2x2 ≤ 7, x2 − 3x4 ≥ 10,
x1 , x4 ≥ 0}
¿Admite solución óptima? Demuestre.

Solución

(a) El problema a analizar es:

(Pa ) mı́n 4x1 + 5x2
s.a 2x1 + 5x2 ≤ 20 (R1)
x1 + 3x2 ≥ 3 (R2)
x1 ≤ 10 (R3)
x1 ≥ 0 (NV)

Debemos verificar si Pa cumple las condiciones del teorema de Bolzano-Weierstrass:

Función objetivo continua: f (x1 , x2 ) es una función lineal ⇒ ✓.

Dominio cerrado: todas las restricciones son de desigualdades irrestrictas ✓.
Dominio no vacı́o: (0, 1) es factible. ✓.
Dominio acotado: debemos acotar ambas variables por arriba y por abajo.
Por R3 y NV:
0 ≤ x1 ≤ 10

De R1:

2x1 + 5x2 ≤ 20
⇒ 5x2 ≤ 20 − x1

Luego, 20 − x1 es menor o igual a 20:

⇒ 5x2 ≤ 20
⇒ x2 ≤ 4

2
 De R2:

x1 + 3x2 ≥ 3
⇒ 3x2 ≥ 3 − x1

3 − x1 es mayor o igual a 3 − 10 = −7:

⇒ 3x2 ≥ −7
7
⇒ x2 ≥ −
3

Entonces, 0 ≤ x ≤ 10 y − 73 ≤ x2 ≤ 4, por lo que D es acotado ✓

Finalmente, como se cumplen las 4 condiciones del teorema de BW, Pa admite solución óptima.

(b) El problema a analizar es:

(Pb ) mı́n x1 + 3x2
s.a x1 x2 ≤ 10 (R1)
x1 x2 ≥ 1 (R2)
x2 ≤ 10 (R3)

Debemos verificar si Pb cumple las condiciones del teorema de Bolzano-Weierstrass:

Función objetivo continua: f (x1 , x2 ) es una función lineal ✓.

Dominio cerrado: todas las restricciones del dominio son de desigualdad irrestricta ✓.
Dominio no vacı́o: (1, 10) ∈ D ✓.
Dominio acotado: El dominio no es acotado. Por ejemplo (x1 , x2 ) = (n, 10 n ), con n ∈ R es siempre
factible para n ≥ 1. D es no acotado. De igual forma se puede demostrar por coercitividad. Se debe
cumplir que lı́m||x1 ,x2 ||→∞ f (x) → ∞. Pero es claro que cuando lı́m||x1 ,x2 ||→−∞ f (x) → −∞. Por
lo tanto el dominio no es acotado ✗.

Finalmente, como no se cumple la última condición, el teorema de BW no es concluyente para Pb .

(c) Revisemos las condiciones del teorema de BW:

Función objetivo continua: f (x1 , x2 , x3 ) = 3x1 + 2x2 − 3x3 es una función lineal ✓.
Dominio cerrado: todas las restricciones del dominio son de desigualdad irrestricta ✓.
Dominio no vacı́o: (0, 0, 0) es factible ✓.
Dominio acotado: debemos acotar las variables por arriba y por abajo.
Por NV:
x1 ≥ 0 z≥0

Por R3:

3x2 − 2x3 ≥ 0

3
 2x3 toma su mı́nimo valor cuando z = 0:
⇒ x2 ≥ 0

Por R1:
2x1 + x2 + 2x3 ≤ 5
Esto nos permite acotar superiormente las 3 variables. Primero, acotamos x1 :
2x1 ≤ 5 − x2 − 2x3
5 − x2 − 2x3 toma su máximo valor cuando x2 = x3 = 0:
⇒ x1 ≤ 2,5
Análogamente, acotamos superiormente x2 y x3 :
x2 ≤ 5 − 2x1 − 2x3 2x3 ≤ 5 − 2x1 − x2
⇒ x2 ≤ 5 ⇒ x3 ≤ 2,5

Entonces, 0 ≤ x1 ≤ 2,5; 0 ≤ x2 ≤ 5 y 0 ≤ x3 ≤ 2,5, por lo que D es acotado ✓

Finalmente, como se cumplen las 4 condiciones del teorema de BW, P admite solución óptima.
(d) A simple vista, no todas las variables pueden ser acotadas superior e inferiormente con las restricciones.
Sin embargo, se puede ver que (P ) es un problema lineal: su función objetivo es lineal y todas sus res-
tricciones son lineales. Revisemos entonces las condiciones del teorema de existencia de solución óptima
para problemas lineales para determinar si (P ) admite solución óptima.

Problema lineal: la función objetivo es lineal y las restricciones son todas lineales ⇒ (P ) es lineal ✓.
Dominio cerrado: todas las restricciones del dominio son de desigualdad irrestricta (se incluyen los
bordes del dominio) ⇒ D es cerrado ✓.
Dominio no vacı́o: se puede encontrar un punto perteneciente al dominio (que cumpla todas las restric-
ciones), por ejemplo, (x1 , x2 , x3 , x4 ) = (0, 10, 3, 0) ∈ D ⇒ D ̸= ∅ ✓.
Función objetivo acotada superiormente: al ser un problema de maximización, interesa acotar la f.o.
superiormente, es decir, debemos encontrar un k ∈ R : f (x) ≤ k ∀x ∈ D. Para esto, debemos
formar la función objetivo usando las restricciones. Reescribimos las restricciones para que todas
las desigualdades sean “≤” y las sumamos:
3x1 + 2x2 − 6x3 ≤ 4 (R1)
5x1 − 2x2 ≤ 7 (R2)
− x2 + 3x4 ≤ −10 (R3)
− x1 ≤ 0 (NV)
− x4 ≤ 0 (NV)

7x1 − x2 − 6x3 + 2x4 ≤ 1 (F.O.)

Notemos que se forma la función objetivo y debe ser ≤ 1. Esto implica que la función objetivo está
acotada superiormente ✓.

Finalmente, como se cumplen todas las condiciones, queda demostrado por teorema de existencia de
solución para problemas lineales que (P ) admite solución óptima.

4
Problema 1.2. I1 2021-1

(a) En un problema de optimización con un dominio abierto y acotado: Explique por qué podrı́a no existir solu-
ción. De un ejemplo.

(b) Sean f : Rn → R continua y α ∈ R tal que L = {x ∈ Rn : f (x) ≤ α} es siempre compacto y no vacı́o.

Pruebe que f alcanza su mı́nimo sobre Rn .

(c) Sea (P ) mı́n{f (x) : x ∈ D}, con D ⊂ Rn convexo, cerrado y no vacı́o, y f : D → R continua y
estrictamente convexa. ¿Es verdad que (P ) tiene solución óptima? Demuestre o refute con un contraejemplo.

Solución

(a) Podrı́an existir sucesiones de soluciones factibles cuyos valores objetivos convergen al valor óptimo del
problema, pero no lo alcanzan nunca y, por ende, no existe solución. Por ejemplo, con mı́n{x : x ∈
(0, 1]}, cuyo valor óptimo es 0, pero no es alcanzado por ningún x factible.

(b) Queremos demostrar que f alcanza su mı́nimo sobre los reales, es decir, que mı́nx∈Rn f (x). Se definen
los problemas:

(P ) mı́n f (x) (Q) mı́n f (x)

s.a : x ∈ Rn s.a : x ∈ L

Por teorema de BW, sabemos que (Q) admite solución óptima: f continua, D = L compacto (cerrado y
acotado) y no vacı́o.
Además, sabemos que (Q) abarca un menor espacio de soluciones que (P ): L ⊆ Rn , pero como L solo
toma las soluciones x tales que f (x) ≤ α, entonces para todo x ∈ Rn \ L se cumple que f (x) > α. Es
decir, las soluciones en Rn que no se encuentran en L son peores o iguales en objetivo que las de (Q). Por
lo tanto, el problema (P ) admite solución óptima (f alcanza su mı́nimo sobre Rn ) y se cumple que:

v(P ) = v(Q)

(c) La afirmación es falsa. Como contraejemplo, podemos tomar D = R− y f (x) = ex :

(P ) mı́n ex
s.a : x ≤ 0

En este ejemplo, D y f cumplen las condiciones descritas, pero como f (x) decrece a medida que x
disminuye y D es no acotado, entonces (P ) no tiene solución óptima.

Problema 1.3. I1 2012-1

Suponga el siguiente problema de optimización no lineal con variables continuas:

P ) max f (x)
s.a gj (x) ≤ bj ∀j = 1, ..., n
x ∈ Rn

5
Con f (x) una función continua. Usted sabe que el siguiente problema (Pk ) admite solución óptima con cualquier
k = 1, ..., n y cualquier valor escalar de c:

Pk ) max c · xk
s.a gj (x) ≤ bj ∀j = 1, ..., n
x ∈ Rn

Demuestre que P) admite solución óptima.

Solución
Debemos verificar si P ) cumple las condiciones del teorema de Bolzano-Weierstrass:

Función objetivo continua: f (x) es una función continua ✓.

Para las siguientes condiciones, P tiene el mismo dominio que los problemas Pk : D = {x ∈ Rn : gj (x) ≥
bj ; ∀j = 1, ..., n}.

Dominio cerrado: todas las restricciones del dominio son de desigualdad irrestricta (se incluyen los bordes del
dominio) ⇒ D es cerrado ✓.

Dominio no vacı́o: los problemas Pk admiten solución óptima, es decir, existe al menos una solución pertene-
ciente al dominio D ✓.

Dominio acotado: podemos considerar los siguientes problemas que son casos particulares de los problemas
Pk :
Pk1 ) máx −1 · xk ∼ Pk1 ) mı́n xk
s.a x∈D s.a x ∈ D

Pk2 ) máx 1 · xk
s.a x∈D

Como ambos problemas admiten solución, entonces cada una de las variables está acotada superior e
inferiormente para dicho dominio. Es decir, D está acotado inferiormente, ya que Pk encuentra solución
en el sentido de minimización, y también está acotado superiormente, ya que Pk encuentra solución en el
sentido de maximización. Por lo tanto, D es acotado ✓.

Finalmente, como se cumplen las 4 condiciones del teorema de BW, el problema P ) admite solución óptima.

Problema 1.4. I2 2015-2

(a) Indique, en forma justificada, si el siguiente problema tiene solución o no.

n
(exi + e−xi )
P
min
i=1
s.a: x ∈ Rn

6
 (b) Considere el problema
min ax21 + 2bx1 x2 + cx22
s.a: x ∈ D ⊂ R2
donde a, b y c son escalares reales no nulos. En cada uno de los siguientes casos, indique si el problema tiene
solución óptima o no:
i) D = {(x1 , x2 ) ∈ R2 : −1 ≤ x1 ≤ 1, −1 ≤ x2 ≤ 1}
ii) D = R2 y se tiene que ax21 + 2bx1 x2 + cx22 ≥ 0 para todo x = (x1 , x2 ) ∈ R2
iii) D = R2 y existe y = (y1 , y2 ) ∈ R2 tal que ay12 + 2by1 y2 + cy22 < 0.

Solución

(a) Notemos que el dominio es el conjunto Rn y este no es acotado, la función objetivo es de segundo grado,
por lo que el teorema de existencia de solución para problemas lineales no aplica. Revisemos entonces las
condiciones del teorema de función coercitiva:
Función objetivo continua: es la suma de funciones exponenciales, por lo que no se indefine en ningún
punto ⇒ la f.o. es continua ✓.
Dominio cerrado: el dominio son los reales y este es un conjunto cerrado (se incluyen los bordes del
dominio) ✓.
Dominio no vacı́o: todo punto perteneciente a Rn es parte del dominio, por ejemplo el origen ⇒ D ̸= ∅
✓.
Función objetivo coercitiva sobre el dominio: debemos demostrar que:

f (x) → ∞ cuando ||x|| → ∞

x → ∞ ⇒ lı́m (ex + e−x ) = ∞ + 0 ⇒ f (x) → ∞

x→∞
x → −∞ ⇒ lı́m (ex + e−x ) = 0 + ∞ ⇒ f (x) → ∞
x→−∞
La función objetivo es coercitiva sobre el dominio ✓.
Finalmente, como se cumplen las 4 condiciones del teorema de función coercitiva, el problema admite
solución óptima.
(b) i) Revisemos las condiciones del teorema de BW:
Función objetivo continua: es un polinomio ⇒ es continua ✓.
Dominio cerrado: todas las restricciones del dominio son de desigualdad irrestricta (se incluyen
los bordes del dominio) ⇒ D es cerrado ✓.
Dominio no vacı́o: se puede encontrar un punto perteneciente al dominio (que cumpla todas las
restricciones), por ejemplo, (x, y) = (0, 0) ∈ D ⇒ D ̸= ∅ ✓.
Dominio acotado: las variables están acotadas por arriba y por abajo: −1 ≤ x1 ≤ 1 y −1 ≤ x2 ≤ 1
⇒ D es acotado ✓.
Finalmente, como se cumplen todas las condiciones del teorema de BW, queda demostrado que (P )
admite solución óptima.
ii) Notemos que el dominio es el conjunto R2 sin restricciones, es decir, es no acotado, por lo que no se
cumple una condición del teorema de BW. Revisemos las condiciones del teorema de acotamiento
inferior:

7
 Función objetivo continua: es un polinomio, por lo que no se indefine en ningún punto del domi-
nio ⇒ es continua ✓.
Dominio cerrado: el dominio son los reales y este es un conjunto cerrado (se incluyen los bordes
del dominio) ✓.
Dominio no vacı́o: todo punto perteneciente a R2 es parte del dominio, por ejemplo el origen ⇒
D ̸= ∅ ✓.
Función objetivo acotada inferiormente: por enunciado, la función objetivo está acotada inferior-
mente por 0: ax21 + 2bx1 x2 + cx22 ≥ 0 ✓
Finalmente, como se cumplen todas las condiciones, queda demostrado por teorema de acotamiento
inferior que (P ) admite solución óptima.
iii) El problema es de minimización, por lo que busca una solución (x1 , x2 ) que entregue el menor valor
posible para f (x1 , x2 ) = ax2 + 2bx1 x2 + 2x22 . Sin embargo, el enunciado indica que existe una
solución y = (y1 , y2 ) tal que f (y) < 0. Luego, si ponderamos esta solución y por un escalar distinto
de cero λ ∈ R \ {0}, nos queda:

f (λ · y) = a(λ · y1 )2 + 2b(λ · y1 )(λ · y2 ) + 2(λ · y2 )2 = λ2 · f (y)

Luego, como cualquier real distinto de cero al cuadrado es positivo:

f (y) < 0 ⇒ λ2 f (y) < 0

Es decir, las soluciones de la forma λ · y son factibles y su valor objetivo tiende a −∞ si |λ| tiende
a infinito. Luego el problema es no acotado y no tiene solución.

8
 CAPÍTULO 2
CONVEXIDAD

2.1 Definiciones

Definición 2.1. Combinación Convexa de dos vectores

Se dice que x3 es combinación convexa de x1 e x2 , si es que x3 = λx1 + (1 − λ)x2 ∈ D ∀λ ∈ [0, 1]

Definición 2.2. Combinación Convexa de un conjunto de vectores P

Dados vectores x1 , · · · , xk ∈ Rn y escalares λ1 , · · · , λk ≥ 0 tales que ki=1 λi = 1, se dice que z = ki=1 λi xi es
P
combinación convexa de x1 , · · · , xk ∈ Rn .

Definición 2.3. Dominio Convexo

Decimos que D ⊆ Rn es convexo si para todo x1 , x2 ∈ D, se tiene que λx1 + (1 − λ)x2 ∈ D para todo λ ∈ [0, 1]

Definición 2.4. Función Convexa

Una función f : D → R con D ⊆ Rn convexo es convexa si para todo par x1 , x2 ∈ D y todo λ ∈ [0, 1], se tiene

f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ) ∀λ ∈ [0, 1]

Nota:

f es estrictamente convexa si la desigualdad es estricta <.

f es concava si la desigualdad se invierte a ≥.

Definición 2.5. Conjunto Epigrafo

Dada f : D → R, el conjunto epigrafo de f es el conjunto Epi(f ) = {(x1 , x2 ) : x1 ∈ D, x2 ∈ R, f (x1 ) ≤ x2 } ⊆
Rn+1

Proposición: f es convexa sobre D si y solo si Epi(f ) es un conjunto convexo.

Definición 2.6. Problema Convexo

Un problema (P ) mı́n{f (x) : x ∈ D} es convexo si

f es continua y convexa sobre D,

D es convexo.

Teorema 2.1. Si (P ) es un problema convexo, entonces

1. Todo x̄ mı́nimo local de (P ) es también mı́nimo global de (P ).

2. Si además (P ) admite solución óptima y f es estrictamente convexa, entonces la solución óptima es única.

9
Definición 2.7. Gradiente de una función
 
∂f (x)
 ∂f∂x(x)
1

 ∂x 
∇f (x) =  .  2 
 .. 
∂f (x)
∂xn
Definición 2.8. Matriz Hessiana de una función
 ∂ 2 f (x) ∂ 2 f (x) ∂ 2 f (x)

2 ∂x1 ∂x2 ··· ∂x1 ∂xn
 ∂ 2∂x 1
f (x) ∂ 2 f (x) ∂ 2 f (x) 
∂x22
···
H(f (x)) = ∇2 f (x) = 
 ∂x2 ∂x1 ∂x2 ∂xn 

 .. .. ... ..
 . . .


∂ 2 f (x) ∂ 2 f (x) ∂ 2 f (x)
∂xn ∂x1 ∂xn ∂x2 ··· ∂x2n
Definición 2.9. Matriz (semi) definida positiva
La matriz A simétrica n × n es . . .

. . . semidefinida positiva si solo si dT Ad ≥ 0; ∀d ∈ Rn

. . . definida positiva si solo si dT Ad > 0; ∀d ∈ Rn ; d ̸= 0
Definición 2.10. Menores principales
Una matriz es definida positiva si solo si todos sus menores principales superiores son estrictamente positivos; y es
semidefinida positiva si solo si todos sus menores principales son no negativos.

Dada la matriz:
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A= .
 
.. .. .. 
 .. . . . 
am1 am2 · · · amn
Los menores principales superiores son:
∆1 = |a11 |
a11 a12
∆2 =
a21 a22
∆n = |A|

A es definida positiva ∆i > 0 ∀i ∆1 > 0, ∆2 > 0, ∆n > 0

Tabla 2.1: Tabla menores principales

Definición 2.11. Valores propios

Sean λi los valores propios asociados a una matriz A
Recordar que los valores propios se calculan mediante: det(A − λI) = 0.

10
 A es definida positiva λi >0 ∀i
A es definida negativa λi <0 ∀i
A es semidefinida positiva λi ≥0 ∀i
A es semidefinida negativa λi ≤0 ∀i

Tabla 2.2: Tabla valores propios

2.2 Ejercicios

Problema 2.1. Demostraciones conceptuales

(a) Para cada una de las siguientes afirmaciones, determine si es verdadera o no. En caso de ser verdadera, justi-
fique por qué lo es. En caso de no serlo, exhiba un contraejemplo.

(i) [I1 2020-2] Si D ⊆ Rn es convexo no vacı́o y f, g : D → R son convexas, entonces h : D → R dada

por h(x) = f (x) · g(x) es convexa.
(ii) [I2 2015-2] La diferencia de funciones convexas es una función convexa.
(iii) [Examen 2022-2] Si la matriz Hessiana de una función en x ∈ R es semi definida positiva para todo
x ∈ Rn , entonces necesariamente un punto de gradiente nulo es un minimizador de esta función sobre
Rn .

(b) [I1 2020-2] Sea (P ) mı́n{f (x) : x ∈ D} un problema de optimización convexo. Demuestre que si x1 , x2 ∈ D
son soluciones óptimas para (P ), entonces toda combinación convexa de ellas también es solución óptima para
(P ).

(c) [I1 2018-2] Sea f (x) = máx{f1 (x), ..., fk (x)}, donde f1 (x), ..., fk (x) : Rn → R son k funciones convexas
en un conjunto convexo S. Demuestre formalmente que f es una función convexa en S.

(d) [Examen 2020-2] Sean f : Rm → R una función convexa y g : Rn → Rm una transformación lineal.
Demuestre que h : Rn → R dada por h(x) = f (g(x)) es convexa.

(e) [I2 2019-1] Argumente matemáticamente que para un problema convexo de minimización todo óptimo local
es global.

Solución

(a) (i) Falso. Sean f (x) = x y g(x) = −x funciones convexas. Sin embargo, su multiplicación no es
convexa: h(x) = f (x) · g(x) = −x2 .
(ii) Falso. Sean f (x) = 0 y g(x) = x2 funciones convexas. Sin embargo, su diferencia no es convexa:
h(x) = f (x) − g(x) = −x2 .
(iii) Verdadero, pues la función es convexa. Es “un” minimizador y no “el único” minimizador porque la
función es convexa, no estrictamente convexa.

(b) Sea v ∗ = f (x1 ) = f (x2 ) el valor óptimo de (P ). Se tiene que v ∗ ≤ f (x0 ) para todo x0 ∈ D. Dado
λ ∈ [0, 1], se define z como una combinación convexa de las soluciones óptimas x1 y x2 :

z = λx1 + (1 − λ)x2

11
 Por la convexidad del dominio, sabemos que la combinación convexa de dos puntos en D también perte-
nece a D. Por lo tanto, z ∈ D, lo que significa que z es solución factible para (P ) y que v ∗ ≤ f (z).
Además, por la convexidad de f tenemos:
f (z) = f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ) = λv ∗ + (1 − λ)v ∗ = v ∗

Como f (z) ≤ v ∗ y f (z) ≥ v ∗ , concluimos entonces que f (z) = v ∗ y por ende, z es solución óptima de
(P ).
(c) Sean x1 , x2 ∈ S y λ ∈ [0, 1]. Para simplificar el desarrollo, se define z = λx1 + (1 − λ)x2 .
Por convexidad de fi , con i ∈ {1, ..., k} un ı́ndice cualquiera, se cumple que:
fi (z) ≤ λfi (x1 ) + (1 − λ)fi (x2 )

Luego, como f (x) = máx{f1 (x), ..., fk (x)}, se tiene que fi (x) ≤ f (x), ∀x ∈ S, ∀i ∈ {1, ..., k}.
Entonces:
fi (z) ≤ λfi (x1 ) + (1 − λ)fi (x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ) ∀i ∈ {1, ..., k}
Como toda función fi cumple con la condición:
f1 (z) ≤ λf (x1 ) + (1 − λ)f (x2 )
f2 (z) ≤ λf (x1 ) + (1 − λ)f (x2 )
..
.
fk (z) ≤ λf (x1 ) + (1 − λ)f (x2 )

Entonces el máx{f1 (z), ..., fk (z)} = f (z) cumple con la condición:

f (z) = máx{f1 (z), ..., fk (z)} ≤ λf (x1 ) + (1 − λ)f (x2 )

Finalmente, se tiene:
f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 )
Lo que demuestra que f = máx{f1 , ..., fk } es convexa.
(d) Sean x, y ∈ Rn y λ ∈ [0, 1]. Como g es lineal, entonces es cóncava y convexa al mismo tiempo, es decir:
g(λx + (1 − λ)y) = λg(x) + (1 − λ)g(y). Por lo tanto:
h(λx + (1 − λ)y) = f (g(λx + (1 − λ)y)) = f (λ · g(x) + (1 − λ) · g(y))

Como f es una función convexa:

f (λ · g(x) + (1 − λ) · g(y)) ≤ λ · f (g(x)) + (1 − λ) · f (g(y)) = λh(x) + (1 − λ)h(y)

Finalmente, se cumple: h(λx + (1 − λ)y) ≤ λh(x) + (1 − λ)h(y), por lo que h es convexa.

(e) Sea X el dominio y f : X → R la función objetivo del problema (ambos convexos). Demostraremos por
contradicción: Consideremos un óptimo local x0 ∈ X y otro óptimo global x∗ ∈ X tal que f (x∗ ) < f (x0 ),
es decir, el mı́nimo local no es global.
En el segmento entre x0 y x∗ existe un punto x′ ∈ X lo suficientemente cerca de x0 para estar en su
vecindad, es decir, ||x′ − x0 || ≤ r para algun radio r > 0. Esto implica qué f (x′ ) ≥ f (x0 ).
También, al estar x′ en el segmento entre x0 y x∗ existe un λ ∈ (0, 1) tal que x′ = λx0 + (1 − λ)x∗ . Por
convexidad de f , se tiene: f (x′ ) ≤ λf (x0 ) + (1 − λ)f (x∗ ) < λf (x0 ) + (1 − λ)f (x0 ) = f (x0 ) ≤ f (x′ ),
lo cual es una contradicción.

12
Problema 2.2. Convexidad de una función
Considere la siguiente función f (x1 , x2 ) = ax21 + 2x22 − bx1 x2 + 4 ¿Qué condiciones deben cumplir los parámetros
a y b para que la función sea estrictamente convexa?

Solución
Para que la función sea estrictamente convexa el Hessiano debe ser definido positivo. Tenemos, entonces que:
 
2ax1 − bx2
∇f (x1 , x2 ) =
4x2 − bx1
 
2 2a −b
Hf (x1 , x2 ) = ∇ (f (x1 , x2 )) =
−b 4
Para que el Hessiano sea definido positivo basta que los dos determinantes principales sean > 0. Esto lleva a las
condiciones:

2a > 0
8a − b2 > 0

luego, las condiciones que deben cumplir los parámetros para que la función sea convexa es que a > 0 y b2 < 8a

Problema 2.3. Verdadero o falso

En cada una de las siguientes afirmaciones, indique si es verdadera o falsa. En caso de ser verdadera, justifique por
qué lo es; en caso de no serlo, exhiba un contraejemplo.

n
αi e−xi es convexa para cualquier valor α ∈ Rn .
P
(a) [Examen 2022-1] La función g(x) =
i=1

x21
(b) [Examen 2017-2] La función f (x1 , x2 ) = es convexa para el dominio definido por x2 > 0.
x2

Solución

(a) Falso. Si αi < 0 para cierto i ∈ {1, ..., n}, entonces g no es necesariamente convexa. Por ejemplo si
n = 2, α1 = 1 y α2 = −2 entonces g(x) = e−x1 − 2e−x2 . La cual no es convexa.

(b) Verdadero. Basta con analizar la matriz Hessiana de la función:

2 −2x1
 2
∂2f
  
∂ f
 ∂x ∂x
 1 1 ∂x1 ∂x2   2
  x x21 
H(f (x1 , x2 )) =  = 
2
 2   
 ∂ f ∂f   −2x1 2x1 
∂x1 ∂x2 ∂x1 ∂x2 x22 x32

13
 Revisemos si la matriz es (semi) definida positiva:
2 −2x1
 

 x2
 x22 
 d1
 
T
d Hd = d1 d2 ·  ·
2x21  d2
 
 −2x1
x22 x32

 −x1 
1
x2   
2
  d1
= · d1 d2 ·  ·

x2  −x1 x21  d2
x2 x22

−d1 · x1 d2 · x21
   
2 d2 · x1 d
= · d1 − + 2
· 1
x2 x2 x2 x2 d2

d1 · d2 · x1 d22 · x21
 
2 2
= · d1 − 2 · +
x2 x2 x22

d2 x1 2
 
2
= · d1 − ≥0 ∀x2 > 0, ∀d ∈ R2
x2 x2

Entonces, Hf es semidefinida positiva, lo que significa que f es convexa.

Problema 2.4. I2 2021-2

(a) Defina la siguiente función unidimensional f (x) = − ln(100 − |t|). Muestre que f (t) es convexa para todo
t ∈ (−100, 100).
3
 
3
P
(b) Sea D = x ∈ R : xi = 1 ; 0 ≤ xi ≤ 1, i = 1, 2, 3 . Usando el resultado de la pregunta anterior,
i=1
muestre que la función f cumple:
f (c1 · x1 + c2 · x2 + c3 · x3 ) ≤ x1 · f (c1 ) + x2 · f (c2 ) + x3 · f (c3 )
para todo x ∈ D. Suponga que c es tal que f (·) estará siempre bien definida, es decir, |c1 | + |c2 | + |c3 | < 100.

Solución

(a) Notemos que |t| es una función convexa para todo t ∈ (−100, 100), por lo que 100 − |t| es cóncava. Sa-
bemos que ln(·) es una función creciente, por lo tanto mantiene la propiedad de concavidad o convexidad
de la función interior, por lo que ln(100 − |t|) es cóncava y − ln(100 − |t|) es convexa.

(b) Sabemos que f (x) es convexa y que x1 , x2 , x3 ∈ [0, 1]. Entonces, dada la convexidad de f , podemos

14
 separar el lado izquierdo de la desigualdad usando x1 como parámetro:
 
(1 − x1 )
f (c1 · x1 + c2 · x2 + c3 · x3 ) = f c1 · x1 + (c2 · x2 + c3 · x3 ) ·
(1 − x1 )
   
c2 · x2 c3 · x3
= f c1 · x1 + + · (1 − x1 )
1 − x1 1 − x1
 
x2 x3
≤ x1 · f (c1 ) + (1 − x1 ) · f c2 · + c3 ·
1 − x1 1 − x1
 
x2 x3
Nos queda la desigualdad: f (c1 ·x1 +c2 ·x2 +c3 ·x3 ) ≤ x1 ·f (c1 )+(1−x1 )·f c2 · + c3 ·
1 − x1 1 − x1
x2 x3
Como x1 + x2 + x3 = 1, entonces + = 1, lo que nos permite aplicar nuevamente las
1 − x1 1 − x1
propiedades de convexidad sobre f y ordenar los términos:
 
x2 x3
f (c1 · x1 + c2 · x2 + c3 · x3 ) ≤ x1 · f (c1 ) + (1 − x1 ) · f c2 · + c3 ·
1 − x1 1 − x1
 
x2 x3
≤ x1 · f (c1 ) + (1 − x1 ) · · f (c2 ) + · f (c3 )
1 − x1 1 − x1
= x1 · f (c1 ) + x2 · f (c2 ) + x3 · f (c3 )

Finalmente, queda demostrado que la función f cumple:

f (c1 · x1 + c2 · x2 + c3 · x3 ) ≤ x1 · f (c1 ) + x2 · f (c2 ) + x3 · f (c3 ) ∀x ∈ D

Problema 2.5. Tarea 2 2020-2

√ √
a) ¿Es {(x1 , x2 ) ∈ R2+ : x1 + x2 ≤ 1} un conjunto convexo? Justifique.

b) Demuestre que la función f (x) : R → R definida por f (x) = e−|x| no es convexa y tampoco es cóncava.

c) Sean g : Rn → R una función convexa y f (x) = eg(x) . Demuestre utilizando la definición de convexidad que
f (x) es convexa. Hint: ex es convexa.

Solución

a) Para que el conjunto sea convexo debe cumplirse que la combinación convexa de cualquier par de puntos
9 9
del conjunto también debe pertenecer al conjunto. Tomando: y1 = ( 10 , 0), y2 = (0, 10 ) y y3 = 12 y1 + 12 y2 .
√ √
Como y1 y y2 cumplen con x1 + x2 ≤ 1 pero y3 no, el conjunto no es convexo.

b) Sean x1 = −2, x2 = 0, x3 = 2 y λ = 0,5, tenemos que:

f (x1 ) = 0,1353 f (x2 ) = 1 f (x3 ) = 0,1353

15
 f (λx1 + (1 − λ)x2 ) = f (−1) = 0,3679
λf (x1 ) + (1 − λ)f (x2 ) = 0,5 · 0,1353 + 0,5 · 1 = 0,56765
f (λx1 + (1 − λ)x3 ) = f (0) = 1
λf (x1 ) + (1 − λ)f (x3 ) = 0,5 · 0,1353 + 0,5 · 0,1353 = 0,1353

Como f (λx1 + (1 − λ)x2 ) < λf (x1 ) + (1 − λ)f (x2 ) ←→ 0, 3679 < 0, 56765, la función no es cóncava.
Como f (λx1 + (1 − λ)x3 ) > λf (x1 ) + (1 − λ)f (x3 ) ←→ 1 > 0, 1353, la función no es convexa.

c) Sean x1 , x2 ∈ Rn , λ ∈ [0, 1]. Como g es convexa, sabemos que:

g(λx1 + (1 − λ)x2 ) ≤ λg(x1 ) + (1 − λ)g(x2 ) (1)

Como e es convexa, sabemos que:

e(λg(x1 )+(1−λ)g(x2 )) ≤ λeg(x1 ) + (1 − λ)eg(x2 ) (2)

Como e es creciente, podemos aplicar exponencial a la ecuación (1) manteniendo la desigualdad:

eg(λx1 +(1−λ)x2 ) ≤ e(λg(x1 )+(1−λ)g(x2 )) (3)

Juntando (2) y (3) llegamos a:

eg(λx1 +(1−λ)x2 ) ≤ e(λg(x1 )+(1−λ)g(x2 )) ≤ λeg(x1 ) + (1 − λ)eg(x2 )

Es decir:
eg(λx1 +(1−λ)x2 ) ≤ λeg(x1 ) + (1 − λ)eg(x2 )

Finalmente, podemos ver que llegamos a la definición de convexidad de f (x1 ):

f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 )

Por lo tanto, f es convexa.

Problema 2.6. I2 2015-2

1
Se define la función f (x) = x con x > 0.

(a) Muestre que f (x) es convexa.

2 : x · x ≥ 1} es convexo.
(b) Usando la parte anterior, explique por qué el conjunto C = {(x1 , x2 ) ∈ R+ 1 2

Solución

(a) Dados x, y > 0 y λ ∈ [0, 1], debemos demostrar que se cumple:

f (λx + (1 − λ)y ≤ λf (x) + (1 − λ)f (y)

16
 Reemplazamos la función y desarrollamos:
1 1 1
≤ λ· + (1 − λ) ·
λx + (1 − λ)y x y

1 λy + (1 − λ)x
⇔ ≤
λx + (1 − λ)y xy

⇔ xy ≤ (λy + (1 − λ)x) · (λx + (1 − λ)y)

⇔ xy ≤ λ2 xy + λ(1 − λ)y 2 + λ(1 − λ)x2 + (1 − λ)2 xy

⇔ xy ≤ xy(λ2 + (1 − λ)2 ) + λ(1 − λ)(y 2 + x2 )

⇔ 2λ(1 − λ)xy + xy(λ2 + (1 − λ)2 ) ≤ xy(λ2 + (1 − λ)2 ) + λ(1 − λ)(y 2 + x2 )

Como 0 ≤ λ ≤ 1 y 0 < x, y, entonces el lado derecho de la desigualdad es siempre no negativo y se

cumple la desigualdad. Finalmente, como todos los pasos se cumplen en ambas direcciones (esto importa
porque la demostración final debe iniciar en algo conocido y resultar en la definición de convexidad), la
función f es convexa.

(b)

2 2 1 2
C = {(x1 , x2 ) ∈ R+ : x1 · x2 ≥ 1} = {(x1 , x2 ) ∈ R+ : x2 ≥ } = {(x1 , x2 ) ∈ R+ : x2 ≥ f (x1 )}
x1
Es decir, C es el epigrafo de f . Como f es convexa, concluimos que C es convexo.

Problema 2.7. T2 2022-1

Para los siguientes problemas, considere una serie de funciones unidimensionales fi (x) = (x − ai )i , con ai ∈ R
para i ∈ 1, · · · , n y una función g(x) convexa. Para cada una de las siguientes funciones, dé un argumento que son
convexas o dé un contraejemplo que no lo son.

(a) f1 (x)
Pn
(b) i=1 fi (x)
Pn/2
(c) (Asuma que n es par) i=1 f2i

(d) f1 (x) · g(x)

(e) máxi∈n fi (x)

Solución

(a) La función fi (x) evaluada en i = 1 entrega como resultado f1 (x) = x − a1 , la cual es una función lineal
y, por lo tanto es convexa

17
(b) No es convexa, si evaluamos para n = 3 obtenemos
3
X
fi (x) = (x − a1 ) + (x − a2 )2 + (x − a3 )3
i=1

la cual es una función cúbica y por lo tanto no es convexa.

(c) La función evaluada en los limites entregado es

n/2
X
f2i = (x − a2 )2 + (x − a4 )4 + · · · + (x − an )n
i=1
.
Como es una función par, entonces la función será convexa. (Es par puesto que se nos indica en el enun-
ciado que n es par)

(d) No es convexa, tomamos el contraejemplo. Sea g(x) = x2 . Entonces,

f1 (x) · g(x) = (x − a1 ) · x2 = x3 − a1 x

La cual es una función cúbica y, por lo tanto, no es convexa.

(e) Primero, redefiniremos las funciones con exponente impar:

(
0, si x < a2i−1
f2i−1 = 2i−1
(x − a2i−1 ) , si x ≥ a2i−1

* Se pueden redefinir las funciones impares de esta forma porque jamás serán máximo cuando su valor sea
menor a 0 (las funciones pares siempre serán mayores o iguales a 0). Ahora cada función fi es convexa.
Como fue explicado en el ejercicio 2.1 (c), el máximo de funciones convexas es una función convexa, por
lo cual queda demostrado lo pedido.

18
 CAPÍTULO 3
MODELOS EQUIVALENTES

3.1 Modelos equivalentes

Consideremos dos modelos de optimización:

(P1 ) mı́n f1 (x) (P2 ) mı́n f2 (x)

x∈D1 x∈D2

Se dice que (P1 ) y (P2 ) son modelos equivalentes si ambos tienen el mismo conjunto de soluciones óptimas o
si existe una transformación simple que permite construir el conjunto de soluciones óptimas de uno a partir de
las soluciones óptimas del otro. En palabras simples, dos modelos son equivalentes si, y solo si, al resolver uno,
resolvemos el otro.
Notación: (P1 ) ∼ (P2 ) equivale a señalar “(P1 ) y (P2 ) son equivalentes”.
A continuación, se presentan algunas equivalencias útiles.

Equivalencia 3.1.1. Equivalencia 1: max/min

(P1 ) mı́n f (x) ∼ (P2 ) máx −f (x)

x∈D x∈D

Equivalencia 3.1.2. Equivalencia 2: linealización de la función objetivo

Si el problema es de minimización:

(P1 ) mı́n f (x) (P2 ) mı́n u

x∈D ∼ x∈D, u∈R
s.a: f (x) ≤ u

Si el problema es de maximización:

(P1 ) máx f (x) (P2 ) máx u

x∈D ∼ x∈D, u∈R
s.a: f (x) ≥ u

Equivalencia 3.1.3. Equivalencia 3: suma de funciones

n
P n
P
(P1 ) mı́n fi (x) (P2 ) mı́n ui
x∈D i=1 ∼ x∈D, u∈Rn i=1
s.a: fi (x) ≤ ui ∀i ∈ {1, ..., n}
Equivalencia 3.1.4. Equivalencia 4: composición de funciones
Sea g una función estrictamente creciente sobre la imagen de f .


(P1 ) mı́n f (x) ∼ (P2 ) mı́n g f (x)
x∈D x∈D

19
Equivalencia 3.1.5. Equivalencia 5: funciones recı́procas
Si la función objetivo es positiva para todo x en el dominio, f (x) > 0 ∀x ∈ D, entonces:
1
(P1 ) mı́n f (x) ∼ (P2 ) máx
x∈D x∈D f (x)

Equivalencia 3.1.6. Equivalencia 6: función máx

Si el máximo entre dos elementos es menor o igual a un tercer elemento c, entonces ambos elementos son menores o
iguales a c. Es decir: si máx{a, b} ≤ c y máx{a, b} = a, entonces b ≤ a ≤ c y, por ende, a ≤ c y b ≤ c. Esto sirve
para linearizar restricciones:

máx {fi (x)} ≤ b ∼ fi (x) ≤ b ∀i ∈ {1, ..., n}

i∈{1,...,n}

Equivalencia 3.1.7. Equivalencia 7: función mı́n

Si el mı́nimo entre dos elementos es mayor o igual a un tercer elemento c, entonces ambos elementos son mayores o
iguales a c. Es decir: si mı́n{a, b} ≥ c y mı́n{a, b} = a, entonces b ≥ a ≥ c y, por ende, a ≥ c y b ≥ c. Esto sirve
para linearizar restricciones:

mı́n {fi (x)} ≥ b ∼ fi (x) ≥ b ∀i ∈ {1, ..., n}

i∈{1,...,n}

Equivalencia 3.1.8. Equivalencia 8: valor absoluto

Se puede linearizar una restricción con valor absoluto separándola en los casos posibles:

f (x) ≤ b
|f (x)| ≤ b ∼
−f (x) ≤ b

Sin embargo, si |f (x)| ≥ b, las restricciones resultantes son disjuntas y no son poliedralmente representables.

20
3.2 Ejercicios

Problema 3.1. I1 2021-1

Sean (P ) mı́n{f (x) : x ∈ D}, g : R → R estrictamente decreciente y (P ′ ) máx{g(f (x)) : x ∈ D}. ¿Es verdad
que (P ′ ) es equivalente a (P )?

Solución
La afirmación es verdadera. Como −g es estrictamente creciente, podemos usar la equivalencia de composición
de funciones para obtener (P0 ) equivalente a (P ). Luego, ocupamos la equivalencia mı́n / máx y obtenemos
(P ′ ), equivalente a (P0 ) y, por ende, a (P ):

(P ) mı́n{f (x) : x ∈ D} ∼ (P0 ) mı́n{−g(f (x)) : x ∈ D} ∼ (P ′ ) máx{g(f (x)) : x ∈ D}

Problema 3.2. I1 2020-2

Determine si la siguiente afirmación es verdadera o falsa. En caso de ser verdadera, justifique por qué lo es; en caso
de no serlo, exhiba un contraejemplo:
 
n 1
“Si D ⊆ R es no vacı́o y (P1 ) mı́n{f (x) : x ∈ D} es tal que f (x) < 0 ∀x ∈ D, entonces (P2 ) mı́n : x∈D
f (x)2
es equivalente a (P1 )”.

Solución
Usando la equivalencia mı́n / máx, tenemos que (P1 ) es equivalente a máx{−f (x) : x ∈ D}.
Luego, como −f (x) > 0 para todo x∈ D, podemos ocupar  la equivalencia de funciones recı́procas, por lo que
1
este problema es equivalente a: mı́n : x∈D .
−f (x)
1
Como > 0 para todo x ∈ D y la función cuadrática es creciente sobre R+ , podemos usar la equivalencia
−f (x) ( )
2
1
de composición de funciones y obtenemos: mı́n : x∈D
−f (x)
Por ende, la afirmación es verdadera.

Problema 3.3. I1 2022-2

Encuentre un modelo lineal de minimización equivalente al siguiente problema de optimización:

− máx {3xj −xj−1 } n

e3xi +4
Q
(P ) máx e j∈{2,...,n}
·
x i=1

s.a: mı́n{3xi + xi+2 , xi+1 + 4} ≥ |xi+1 − xi+2 | ∀i ∈ {1, ..., n − 2}

x ∈ Rn

21
Solución
Primero, juntamos la funciones exponenciales de la función objetivo. Podemos ver que, si descomponemos la
pitatoria, los exponentes se suman:

n
− máx {3xj −xj−1 } Y
f (x) = e j∈{2,...,n}
· e3xi +4
i=1
− máx {3xj −xj−1 }
=e j∈{2,...,n}
· e3x1 +4 · e3x2 +4 · · · e3xn +4
n
P
− máx {3xj −xj−1 } (3xi +4)
=e j∈{2,...,n}
· ei=1
n
P
− máx {3xj −xj−1 }+ 3xi +4n
j∈{2,...,n}
=e i=1

Reemplazamos en (P ) y nos queda:

n
P
− máx {3xj −xj−1 }+ 3xi +4n
j∈{2,...,n}
(P ) máx e i=1
x

s.a: mı́n{3xi + xi+2 , xi+1 + 4} ≥ |xi+1 − xi+2 | ∀i ∈ {1, ..., n − 2}

x ∈ Rn

Como la función exponencial es estrictamente creciente, podemos usar la equivalencia de composición de fun-
ciones y obtenemos el problema (P ′ ), esto por que la función de logaritmo natural es una función creciente sobre
la imagen de e:
n
(P ) ∼ (P ′ ) máx −
P
máx {3xj − xj−1 } + 3xi + 4n
x j∈{2,...,n} i=1

s.a: mı́n{3xi + xi+2 , xi+1 + 4} ≥ |xi+1 − xi+2 | ∀i ∈ {1, ..., n − 2}

x ∈ Rn

Omitiendo la constante 4n y multiplicando la f.o. por −1 para cambiar el problema a uno de minimización,
obtenemos (P ′′ ):
n
(P ) ∼ (P ′′ ) mı́n
P
máx {3xj − xj−1 } − 3xi
x j∈{2,...,n} i=1

s.a: mı́n{3xi + xi+2 , xi+1 + 4} ≥ |xi+1 − xi+2 | ∀i ∈ {1, ..., n − 2}

x ∈ Rn

Luego, linearizamos la función objetivo usando la equivalencia mı́nimo de máximos y linearizamos la función

22
“mı́n” de la primera restricción. Obtenemos (P ′′′ ):
n
(P ) ∼ (P ′′′ ) mı́n u −
P
3xi
x,u i=1

s.a: 3xi + xi+2 ≥ |xi+1 − xi+2 | ∀i ∈ {1, ..., n − 2}

xi+1 + 4 ≥ |xi+1 − xi+2 | ∀i ∈ {1, ..., n − 2}
u ≥ 3xi − xi−1 ∀i ∈ {2, ..., n}
x ∈ Rn
u∈R

Linearizamos los valores absolutos y nos queda:

n
(P ) ∼ (P ′′′′ ) mı́n u −
P
3xi
x,u i=1

s.a: 3xi + xi+2 ≥ xi+1 − xi+2 ∀i ∈ {1, ..., n − 2}

3xi + xi+2 ≥ −(xi+1 − xi+2 ) ∀i ∈ {1, ..., n − 2}
xi+1 + 4 ≥ xi+1 − xi+2 ∀i ∈ {1, ..., n − 2}
xi+1 + 4 ≥ −(xi+1 − xi+2 ) ∀i ∈ {1, ..., n − 2}
u ≥ 3xi − xi−1 ∀i ∈ {2, ..., n}
x ∈ Rn
u∈R

Simplificando y ordenando las variables de las restricciones, nos queda:

n
(P ) ∼ (P ′′′′ ) mı́n u −
P
3xi
x,u i=1

s.a: 3xi − xi+1 + 2xi+2 ≥ 0 ∀i ∈ {1, ..., n − 2}

3xi + xi+1 ≥ 0 ∀i ∈ {1, ..., n − 2}
xi+2 ≥ −4 ∀i ∈ {1, ..., n − 2}
2xi+1 − xi+2 ≥ −4 ∀i ∈ {1, ..., n − 2}
u ≥ 3xi − xi−1 ∀i ∈ {2, ..., n}
x ∈ Rn
u∈R

Finalmente, (P ′′′′ ) es un modelo lineal de minimización equivalente a (P ).

Problema 3.4. I2 2021-2

Sea el siguiente problema (P ):

(P ) mı́n − ln(100 − |c1 · x1 + c2 · x2 + c3 · x3 |)

s.a: x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3

23
donde c es tal que la función objetivo está siempre bien definida, es decir: |c1 | + |c2 | + |c3 | < 100. Muestre que el
problema (P ) es equivalente al siguiente problema (Q) de optimización lineal:

(Q) máx w
s.a: w + c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
w − c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3

Solución
Sabemos que la función exponencial es estrictamente creciente, por lo que podemos ocupar la equivalencia de
composición de funciones para eliminar el logaritmo de la siguiente forma, obteniendo (P ′ ):

(P ) ∼ mı́n e− ln(100−|c1 ·x1 +c2 ·x2 +c3 ·x3 |) ∼ (P(1) ) mı́n (100 − |c1 · x1 + c2 · x2 + c3 · x3 |)−1
s.a: x1 + x2 + x3 = 1 s.a: x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3 0 ≤ xi ≤ 1 i = 1, 2, 3

Si nos fijamos en (Q), su función objetivo es una única variable, por lo que ocupamos la equivalencia linealiza-
ción de objetivo y obtenemos (P(2) ):

(P ) ∼ (P(2) ) mı́n u
s.a: u ≥ (100 − |c1 · x1 + c2 · x2 + c3 · x3 |)−1
x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3
u∈R

Como sabemos que |c1 |+|c2 |+|c3 | < 100, entonces u ≥ 100−1 > 0, por lo que podemos invertir la desigualdad:

u−1 ≤ 100 − |c1 · x1 + c2 · x2 + c3 · x3 |

Reordenamos los términos para que sea más simple linearizar el valor absoluto:

c1 · x1 + c2 · x2 + c3 · x3 ≤ 100 − u−1

|c1 · x1 + c2 · x2 + c3 · x3 | ≤ 100 − u−1 ∼
−(c1 · x1 + c2 · x2 + c3 · x3 ) ≤ 100 − u−1
 −1
u + c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
⇒
u−1 − c1 · x1 − c2 · x2 − c3 · x3 ≤ 100

Reemplazamos en (P(2) ) y obtenemos (P(3) ):

(P ) ∼ (P(3) ) mı́n u
s.a: u−1 + c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
u−1 − c1 · x1 − c2 · x2 − c3 · x3 ≤ 100
x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3
u ≥ 100−1

24
Luego, hacemos un cambio de variable: u−1 = w. Como u = w−1 ≥ 100−1 > 0, entonces 0 < w ≤ 100.
Reemplazamos y obtenemos (P(4) ):

(P ) ∼ (P(4) ) mı́n w−1

s.a: w + c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
w − c1 · x1 − c2 · x2 − c3 · x3 ≤ 100
x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3
0 < w ≤ 100

Usamos la equivalencia de funciones recı́procas para pasar de mı́n a máx e invertir la función objetivo. Obtene-
mos (P(5) ):

(P ) ∼ (P(5) ) máx w
s.a: w + c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
w − c1 · x1 − c2 · x2 − c3 · x3 ≤ 100
x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3
0 < w ≤ 100

Por último, dado que w = u−1 ≤ 100 − |c1 · x1 + c2 · x2 + c3 · x3 | ≤ 100, y esto está descrito por las
dos primeras restricciones, provenientes de la descomposición del valor absoluto, se puede prescindir de la
restricción w ≤ 100. Además, como el objetivo de este problema es maximizar w, esta siempre va a buscar ser
lo más grande poible, por lo que se puede prescindir de la restricción w ≥ 0. Obtenemos (P(6) ):

(P ) ∼ (P(6) ) máx w
s.a: w + c1 · x1 + c2 · x2 + c3 · x3 ≤ 100
w − c1 · x1 − c2 · x2 − c3 · x3 ≤ 100
x1 + x2 + x3 = 1
0 ≤ xi ≤ 1 i = 1, 2, 3

Finalmente, (P ) ∼ (P(6) ) = (Q), lo que corrobora que (P ) es equivalente a (Q).

Problema 3.5. Forma estándar

Sea el problema:
min z = −x1 + x2 + x3 + 5
s.a 2x1 + 3x2 + x3 ≤ 5
−x1 + x2 ≥ 3
x1 ≤ 0
x2 ≥ 1
Escriba su forma estándar, es decir, encuentre un modelo lineal equivalente de minimización que tenga solo variables
no negativas y restricciones de igualdad.

25
Solución
Empecemos con la primera restricción, donde podemos sumar la variable de holgura h1 ≥ 0, y para la segunda
restricción, podemos restar la variable de exceso e1 ≥ 0. El problema queda de la siguiente forma:

mı́n z = −x1 + x2 + x3 + 5
s.a 2x1 + 3x2 + x3 + h1 = 5
− x1 + x2 − e 2 = 3
x1 ≤ 0
x2 ≥ 1
h1 , e1 ≥ 0

En cuanto a la naturaleza de las variables, notemos que x1 ≤ 0, o bien, x′1 = −x1 ≥ 0. Por otro lado, vemos
que x2 ≥ 1, o también, x′2 = x2 − 1 ≥ 0. En cuanto a x3 , esta es libre de signo, por lo que podemos asumir que
x3 = x′3 − x′′3 con x′3 ≥ 0 y x′′3 ≥ 0. Reemplazamos en el modelo, y obtenemos,

mı́n z = x′1 + x′2 + x′3 − x′′3 + 6

s.a − 2x′1 + 3(x′2 + 1) + x′3 − x′′3 + h1 = 5
x′1 + (x′2 + 1) − e1 = 3
x′1 ≥ 0
(x′2 + 1) ≥ 1
h1 , e1 , x′3 , x′′3 ≥ 0

Falta la función objetivo, donde z = −x1 + x2 + x′3 − x′′3 + 6, o más bien, z − 6 = −x1 + x2 + x′3 − x′′3 .
Podemos hacer el cambio de variable z ′ = z − 6. Finalmente, la formulación estándar es la siguiente:

mı́n z ′ = x′1 + x′2 + x′3 − x′′3

s.a − 2x′1 + 3x′2 + x′3 − x′′3 + h1 = 2
x′1 + x′2 − e1 = 1
x′1 , x′2 , x′3 , x′′3 , h1 , e1 ≥ 0

Problema 3.6. Basado en I1 2018-2 e I2 2018-1

Considere el siguiente problema de optimización:
K
ekx1 − e(k+1)x1
P
k=1
(P ) máx K+1
kex1
Q
k=1

s.a: máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 (R1)

|x1 − x2 | ≥ 4 (R2)
x1 , x2 ≥ 0

donde K ≥ 1 es un parámetro entero. Encuentre un problema de optimización lineal entero-mixto equivalente. Si

26
usa parámetros tradicionales, indique explı́citamente su valor.

Solución
Para linearizar la función objetivo, primero debemos descomponer la sumatoria y la pitatoria para simplificar
términos:

K
ekx1 − e(k+1)x1
P
k=1 (ex1 − e2x1 ) + (e2x1 − e3x1 ) + (e3x1 − e4x1 ) + · · · + (eKx1 − e(K+1)x1 )
=
K+1 ex1 · 2ex1 · 3ex1 · · · (K + 1)ex1
kex1
Q
k=1
ex1 − e(K+1)x1
=
(K + 1)! · e(K+1)x1
ex1 eKx1 · ex1
= −
(K + 1)! · eKx1 · ex1 (K + 1)! · eKx1 · ex1
1 1
= Kx
−
(K + 1)! · e 1 (K + 1)!

−1
Eliminamos la constante y reemplazamos en (P ); nos queda el problema equivalente (P(1) ):
(K + 1)!
1
(P ) ∼ (P(1) ) máx
(K + 1)! · eKx1

s.a: máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 (R1)

|x1 − x2 | ≥ 4 (R2)
x1 , x2 ≥ 0

Usando la equivalencia de función recı́proca, nos queda un problema que minimiza f (x1 ) = (K + 1)! · eKx1 .
Eliminamos la constante (K + 1)! y nos queda el problema (P(2) ):

(P ) ∼ (P(2) ) mı́n eKx1

s.a: máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 (R1)

|x1 − x2 | ≥ 4 (R2)
x1 , x2 ≥ 0

Debemos sacar la función exponencial para terminar de linearizar la función objetivo. Para esto, podemos usar la
equivalencia de composición de funciones, ya que la función logarı́tmica es estrictamente creciente y ln(eKx1 ) =
Kx1 :
mı́n eKx1 ∼ mı́n ln(eKx1 ) ∼ mı́n Kx1 ∼ mı́n x1

27
Nos queda el problema equivalente (P(3) )

(P ) ∼ (P(3) ) mı́n x

s.a: máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 (R1)

|x1 − x2 | ≥ 4 (R2)
x1 , x2 ≥ 0

Veamos la primera restricción:

máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 (R1)

Linearizamos la función máximo, separándola en dos restricciones:


x1 + x2 ≤ 10
máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 ∼
5x1 + x2 − 32 ≤ 10

Veamos la segunda restricción:

|x1 − x2 | ≥ 4 (R2)

En este caso, como el valor absoluto es ≥ 4, no es tan simple de linearizar como en otros casos, ya que se separa
en dos restricciones disjuntas:

 x1 − x2 ≥ 4 (R2a )
máx{x1 + x2 , 5x1 + x2 − 32} ≤ 10 ∼ ó
x1 − x2 ≤ −4 (R2b )


Por lo tanto, se hace necesario introducir una variable binaria:


1 si x1 − x2 ≥ 4
x3 =
0 e.o.c.
y un parámetro M grande. Veamos los casos:

Si x1 − x2 ≥ 4 ⇒ x3 = 1 y se hace necesario transformar R2b para que no acote superiormente a x1 − x2 .

Es decir, debemos sumarle un “techo infinito” a −4 que se active solo cuando x3 = 1:
x1 − x2 ≤ −4 + M x3

Si x1 − x2 ≤ −4 ⇒ x3 = 0 y se hace necesario transformar R2a para que no acote inferiormente a

x1 − x2 . Es decir, debemos restarle un “piso infinito” a 4 que se active solo cuando x3 = 0:
x1 − x2 ≥ 4 − M (1 − x3 )

Hacemos los cambios en el problema original y agregamos la naturaleza de la variable binaria x3 :

(P ) ∼ (P ′ ) mı́n x
s.a: x1 + x2 ≤ 10 (R1)
5x1 + x2 − 32 ≤ 10 (R2)
x1 − x2 ≤ −4 + M x3 M ≫0 (R3)
x1 − x2 ≥ 4 − M (1 − x3 ) M ≫ 0 (R4)
x1 , x2 ≥ 0
x3 ∈ {0, 1}

28
Dado que introdujimos un nuevo parámetro, debemos calcular su valor. En este caso, dada la primera restricción,
el mayor valor que puede tomar cualquiera de las variables es 10, solo cuando la otra es 0. Por lo tanto: −10 ≤
x1 − x2 ≤ 10. Revisemos nuevamente los casos:

Si x1 − x2 ≥ 4 ⇒ x3 = 1. El mı́nimo valor de M que hace que R3 sea redundante es 14:

x1 − x2 ≤ −4 + 14 · 1 = 10

Si x1 − x2 ≤ −4 ⇒ x3 = 0. Análogamente, el mı́nimo valor de M que hace que R4 sea redundante es

14:
x1 − x2 ≥ 4 − 14 · (1 − 0) = −10

Finalmente, el mı́nimo valor que puede tomar M es 14. Reemplazamos en (P ′ ):

(P ) ∼ (P ′ ) mı́n x1
s.a: x1 + x2 ≤ 10 (R1)
5x1 + x2 − 32 ≤ 10 (R2)
x1 − x2 ≤ −4 + 14x3 (R3)
x1 − x2 ≥ 4 − 14(1 − x3 ) (R4)
x1 , x2 ≥ 0
x3 ∈ {0, 1}

Problema 3.7. I1 2017-2

A continuación, se presentan 3 problemas de optimización. ¿Cuáles de ellos pueden ser reformulados en un problema
lineal equivalente? En cada respuesta, justifique cada paso de su desarrollo.

(1) mı́n(x1 ,x2 )∈R2 {máx{|2x1 + 3x2 |, |x1 − x2 |}} s.a |x1 | + 2 máx{x1 , x2 } ≤ 1

(2) mı́n(x1 ,x2 )∈R2 {máx{|2x1 + 3x2 |, |x1 − x2 |}} s.a |x1 | − |x2 | ≥ 1

(3) máx(x1 ,x2 )∈R2 {2 mı́n{|x1 + x2 |, 2x2 } − |x1 − x2 |} s.a (x21 + x22 ) ≤ 2, |x1 | ≤ 1, |x2 | ≤ 1

Solución

(1) Primero, linearizamos la función objetivo:

mı́n u
(x1 , x2 )∈R2 , u∈R
s.a: |x1 | + 2 máx{x1 , x2 } ≤ 1
máx{|2x1 + 3x2 |, |x1 − x2 |} ≤ u

Luego, separamos la primera restricción en todos los casos posibles y eliminamos la función máximo de

29
 la segunda restricción:
mı́n u
(x1 , x2 )∈R2 , u∈R
s.a: x1 + 2x1 ≤ 1
x1 + 2x2 ≤ 1
−x1 + 2x1 ≤ 1
−x1 + 2x2 ≤ 1
|2x1 + 3x2 | ≤ u
|x1 − x2 | ≤ u

Por último, sacamos los valores absolutos de las últimas dos restricciones:

(Q) mı́n u
(x1 , x2 )∈R2 , u∈R
s.a: x1 + 2x1 ≤ 1
x1 + 2x2 ≤ 1
−x1 + 2x1 ≤ 1
−x1 + 2x2 ≤ 1
2x1 + 3x2 ≤ u
−(2x1 + 3x2 ) ≤ u
x1 − x2 ≤ u
−(x1 − x2 ) ≤ u

El problema (1) puede ser reformulado en un problema lineal equivalente dado por (Q).

(2) Este problema tiene la misma función objetivo que (1), pero diferente dominio. Si eliminamos los valores
absolutos, nos quedan 4 restricciones disjuntas:

x1 − x2 ≥ 1
x1 + x2 ≥ 1
−x1 − x2 ≥ 1
−x1 + x2 ≥ 1

Para transformar el dominio en uno equivalente sin valor absoluto, es necesario agregar variables binarias,
obteniendo un problema lineal entero mixto. Esto se debe a que el dominio no es convexo: (1, 0) y (−1, 0)
son soluciones factibles, pero (0, 0) no lo es. Como el problema no es convexo, no puede ser reformulado
como un problema lineal equivalente.

(3) Reescribimos el problema:

(3) máx 2 mı́n{|x1 + x2 |, 2x2 } − |x1 − x2 |

(x1 ,x2 )∈R2
s.a: (x21 + x22 ) ≤ 2
|x1 | ≤ 1
|x2 | ≤ 1

Usamos la equivalencia de suma de funciones para linealizar la función objetivo, agregando dos variables

30
al problema:
∼ máx u1 + u2
(x1 ,x2 )∈R2 , u1 ,u2 ∈R
s.a: 2 mı́n{|x1 + x2 |, 2x2 } ≥ u1
−|x1 − x2 | ≥ u2
x21 + x22 ≤ 2
|x1 | ≤ 1
|x2 | ≤ 1

Linealizamos la función mı́nimo y los valores absolutos:

∼ máx u1 + u2
(x1 ,x2 )∈R2 , u1 ,u2 ∈R
s.a: 2(x1 + x2 ) ≥ u1 (R1)
−2(x1 + x2 ) ≥ u1 (R2)
2x2 ≥ u1 (R3)
−(x1 − x2 ) ≥ u2 (R4)
x1 − x2 ≥ u2 (R5)
x21 + x22 ≤ 2 (R6)
−1 ≤ x1 ≤ 1 (R7)
−1 ≤ x2 ≤ 1 (R8)

Lo único que falta linealizar es R6. Si analizamos el problema, podemos notar que R6 es redundante
debido a R7 y R8: restringen que (x)2 puede ser máximo 1, por lo que x21 + x22 ≤ 2 gracias a estas dos
restricciones. Por lo tanto, podemos eliminar R6. Finalmente, (3) puede ser reformulado en un problema
lineal equivalente dado por:

máx u1 + u2
(x1 ,x2 )∈R2 , u1 ,u2 ∈R
s.a: 2(x1 + x2 ) ≥ u1
−2(x1 + x2 ) ≥ u1
2x2 ≥ u1
−(x1 − x2 ) ≥ u2
x1 − x2 ≥ u2
−1 ≤ x1 ≤ 1
−1 ≤ x2 ≤ 1

31
 CAPÍTULO 4
TEORÍA POLIEDRAL Y PROGRAMACIÓN LINEAL

4.1 Definiciones

Definición 4.1. Poliedro

Es un conjunto X ⊂ Rn representable por finitas desigualdades lineales irrestrictas:

P = {x ∈ Rn : Ax ≤ b}

para alguna matriz A y un vector b.

Como consecuencia de lo anterior un poliedro es convexo y cerrado.

Definición 4.2. Polı́topo

Es un poliedro acotado, es decir, existe un valor positivo k lo suficientemente grande tal que está contenido en una
bola de distancia k al origen. Matemáticamente,

∃k > 0 : P ⊆ {x ∈ Rn : ||x|| ≤ k},

Definición 4.3. Vértices

Una solución factible x de un poliedro X es un vértice si y solo si no puede ser expresada como punto medio de
otras dos soluciones factibles distintas de X. Es decir, x ∈ X es un vértice si no existen x1 , x2 ∈ P, x1 ̸= x2 tal que
x = 0,5 · x1 + 0,5 · x2 .
Una definición equivalente de un vértice es la siguiente:
Una solución factible x es un vértice de un poliedro X con n variables y m > n restricciones si y solo si activa n
restricciones del poliedro con gradientes linealmente independientes, es decir, se cumplen en igualdad al evaluar el
punto x en ellas.
 
m m!
Una consecuencia de lo anterior es que un poliedro posee finitos vértices y su número máximo es = n!·(m−n)! .
n
También, el poliedro debe tener al menos n restricciones l.i. para tener al menos un vértice.

Definición 4.4. Cono Poliedral

Un Cono Poliedral es un poliedro representable por finitas desigualdades lineales homogéneas:

C ⊂ Rn C = {x ∈ Rn : Ax ≤ 0}

Algunas propiedades de un cono poliedral:

Contiene al origen

Si x ∈ C ⇒ λx ∈ C para todo escalar λ > 0

Si x, y ∈ C ⇒ x + y ∈ C

Solo el origen puede ser vértices de unn cono (y a veces no lo es)

32
Nota: Si un cono C solo contiene al origen se denomina cono “trivial”. De lo contrario, se denomina “regular” (es
decir, si el cono contiene un x ̸= 0).

Definición 4.5. Cono Recesivo

El cono recesivo de un poliedro X = {x ∈ Rn : Ax ≤ b} =
̸ ∅ es

C(X) = {y ∈ Rn : Ay ≤ 0}.

Definición 4.6. Envoltura Convexa

Considere una lista de vectores L = {x1 , x2 , . . . , xk }. Su envoltura convexa es el conjunto generado por todas sus
posibles combinaciones convexas:
k k
( )
X X
Conv(L) = x = λi · xi : λi ≥ 0, ∀i ∈ {1, . . . , k}, λi = 1
i=1 i=1

Nota: La definición Envoltura Convexa aplica para cualquier lista de vectores L, incluyendo listas infinitas e incon-
tables de vectores como un poliedro o un conjunto cualquiera.

Teorema 4.1. Minkowski (Poliedro = Polı́topo + Cono)

Toda solución factible x de un poliedro X = {x ∈ Rn : Ax ≤ b} con p vértices {v1 , v2 , . . . , vp } se puede
descomponer en una suma entre un vector x′ ∈ X′ = Conv(V ) del polı́topo X′ generado por la envoltura convexa
de sus vértices y un vector y ∈ C(X) en el cono recesivo de X.
Es decir, existen λi ≥ 0 para todo i ∈ {1, . . . , p} con pi=1 λi = 1 e y ∈ C(X) tal que:
P

p
X
x = x′ + y, donde x′ = λ i vi .
i=1

Teorema 4.2. Poliedro No Acotado

Un poliedro X = {x ∈ Rn : Ax ≤ b} =
̸ ∅ es no acotado si posee soluciones factibles de magnitud infinita.
Se cumple que
X es no acotado ⇔ ∃y ̸= 0 : Ay ≤ 0,
es decir, es no acotado si su cono recesivo es regular.
Por el contrario, si el cono recesivo de un poliedro es trivial, entonces este poliedro es acotado.

Teorema 4.3. Problema no Acotado

Sea (P ) problema lineal con dominio no vacı́o {mı́n cT x : Ax ≤ b}. (P ) es no acotado si y solo si existe y ̸= 0 tal
que Ay ≤ 0 y cT y < 0.

Teorema 4.4. Caracterización de soluciones óptimas de un problema lineal

Sea (P ) un problema lineal con dominio no vacı́o y que posee vértices. Entonces, una sola de estas alternativas
puede ocurrir:

(i) (P ) es no acotado

(ii) (P ) tiene solución óptima y al menos uno de los vértices de su dominio alcanza el valor óptimo.

33
4.2 Ejercicios

Problema 4.1. Poliedros y Politopos

(a) Indique si los siguientes conjuntos son poliedros. Justifique.

(i) X := {x ∈ Rn : | ni=1 xi | ≥ 1}
P

(ii) X := {x ∈ Rn : −2 ≤ ni=1 xi ≤ 2}
P

(iii) X := {x ∈ Rn : ni=1 xi < 5}

P

(iv) X := x ∈ R2 : máx(x1 , x2 ) ≤ 3, x1 ≥ 0, x2 ≥ 0


(v) X := {x ∈ Rn : ni=1 |xi | + 3 ≤ 3}

P

(vi) X := {x ∈ R3 : max [x3 − min(x1 + 3, 2x2 ), |2x1 + 3x” |] ≤ 5}

(b) Indique si los siguientes conjuntos son politopos. Justifique.

(i) X := {x ∈ Rn : − 21 ≤ xi ≤ 21 , para i = 1, . . . , n}.

(ii) X := {x ∈ Rn : xi ≥ 0 y ni=1 xi ≤ 1 ∀i ∈ Rn }
P

(iii) X := {x ∈ Rn : ni=1 |xi | ≤ 1 ∀i ∈ Rn }

P

(iv) X := {x ∈ R2 : x1 − x2 ≥ 1 y x1 + x2 ≥ 1}.
(v) X := {x ∈ R3 : max [x3 − min(x1 + 3, 2x2 ), |2x1 + 3x” |] ≤ 5}

Solución

(a) (i) El conjunto no es un poliedro, puesto que no es convexo.

(ii) El conjunto se puede separar en una cantidad finitas (2) de desigualdades lineales.
n
X
n
x∈R : xi ≥ −2
i=1
Xn
xi ≤ 2
i=1

(iii) Este conjunto no es un poliedro, puesto que posee desigualdades estrictas, lo que implica que no es
un conjunto cerrado.
(iv) La función máx(x1 , x2 ) ≤ 3 se puede descomponer en dos desigualdades lineales:

X := x ∈ R2 : x1 ≤ 3, x2 ≤ 3, x1 ≥ 0, x2 ≥ 0


Al poder representarse mediante una cantidad finita de restricciones lineales, el conjunto es un po-
liedro.
(v) El único punto factible es x = 0. Por lo tanto, X := {x ∈ Rn : xi ≤ 0, −xi ≤ 0, ∀i ∈ {1, . . . , n}}
representa al mismo conjunto.
(vi)
X := {x ∈ R3 : max [x3 − min(x1 + 3, 2x2 ), |2x1 + 3x2 |] ≤ 5}

34
 es equivalente a:

x ∈ R3 : x3 − 5 ≤ min(x1 + 3, 2x2 )
: |2x1 + 3x2 | ≤ 5

que, a su vez, es equivalente a:

x ∈ R3 : x3 − 5 ≤ x1 + 3
; x3 − 5 ≤ 2x2
; 2x1 + 3x2 ≤ 5
; −2x1 − 3x2 ≤ 5

Por lo tanto, como se puede representar mediante una cantidad finita de restricciones lineales, el
conjunto sı́ es un poliedro.

(b) Un politopo es un poliedro acotado.

−1 1
(i) Todo elemento xi de X está acotado por 2 de forma inferior y por 2 superiormente, por lo cual es
un polı́topo.
(ii) Las componentes se encuentran acotados inferiormente por 0 y superiormente, por 1 por lo tanto se
considera un polı́topo.
(iii) Todos los elementos pueden crecer indefinidamente en las dos direcciones tanto aı́nf y a −ı́nf por lo
cual no es un polı́topo. [FALTA: Esto está mal. Si es un polı́topo. Todas las componente son menores
o iguales 1 y mayores o iguales a -1]
(iv) La intersección de las dos regiones definidas por las desigualdades x1 − x2 ≥ 1 y x1 + x2 ≥ 1
forma una región que se extiende hacia el infinito en dos direcciones, por lo cual no se considera un
polı́topo.
(v) Del apartado (a) se sabe que P se puede escribir como el siguiente conjunto lineal de restricciones.

x ∈ R3 : x3 − 5 ≤ x1 + 3
; x3 − 5 ≤ 2x2
; 2x1 + 3x2 ≤ 5
; −2x1 − 3x2 ≤ 5

A partir de la primera restricción obtenemos la siguiente definición de x3

x3 ≤ x1 + 8

y de la segunda restricción se obtiene

x3 ≤ 2x2 + 5
Por lo tanto, x3 puede crecer sin lı́mites mientras cumpla con las desigualdades. Lo que implica que
no es un polı́topo, puesto que no está acotado.

Problema 4.2. [I1 2022-2] Geometrı́a poliedral: verdadero o falso

35
Determine si las siguientes afirmaciones son verdaderas o falsas. Justifique su respuesta demostrando la afirmación
si es verdadera o dando un contraejemplo si es falsa.

(a) Si un poliedro X ⊆ Rn es no acotado, entonces siempre existe un x1 ∈ X y un x2 ̸= 0 tal que x′ (λ) =

x1 + λ · x2 pertenece a X para cualquier valor de λ ∈ R.

(b) Si los conjuntos C1 y C2 en Rn son conos poliedrales, entonces su intersección C1 ∩ C2 es un cono poliedral.

(c) El poliedro
X = {x ∈ Rn+1 : x0 ≥ 0; x0 + xk ≤ bk , ∀k ∈ {1, ..., n}}
definido por un parámetro b ∈ Rn tiene un único vértice dado por (0, b1 , ..., bn ).

Solución

(a) Falso. En palabras, lo que nos dice la afirmación es que todo poliedro no acotado contiene una recta que
ponderada por cualquier λ ∈ R seguirá perteneciendo a X. Se puede encontrar un contraejemplo simple.
Tomemos como poliedro el primer cuadrante en R2 :

X = {x ∈ R2 : x ≥ 0}

Se puede ver que para toda recta en X, si λ < 0 y decrece lo suficiente, esta se saldrá del poliedro.
Veámoslo gráficamente. Sea x1 = (0, 0) ∈ X, x2 = (1, 1) y λ ∈ R tales que x′ (λ) = (0, 0) + λ(1, 1).
Graficamos:
x2

x′

x1

En este caso, x′ (λ) se escapa de X para todo λ < 0. Si revisamos las otras rectas en el cuadrante X,
podemos notar que para todo x′ = x1 + λx2 , con x1 ∈ X, x2 ̸= 0, existe algún λ ∈ R tal que x′ ∈
/ X.

(b) Verdadero. Como C1 y C2 son conos poliedrales en Rn , entonces existen matrices A y B tales que:

C1 = {x ∈ Rn : Ax ≤ 0}
C2 = {x ∈ Rn : Bx ≤ 0}
 
A
Entonces, definiendo la matriz D = , se tiene que:
B

C1 ∩ C2 = {x ∈ Rn : Ax ≤ 0; Bx ≤ 0} = {x ∈ Rn : Dx ≤ 0}

Por lo que la intersección de dos conos poliedrales es un cono poliedral.

36
 (c) Verdadero. Un vértice es un punto en el dominio en el que se encuentra una cantidad de restricciones l.i.
activas igual a la dimensión del dominio. En este caso, como P está en Rn+1 , un vértice de P debe estar
definido por n+1 restricciones l.i. activas. El poliedro P está definido por exactamente n+1 restricciones,
por lo que el vértice, si existe, es tal que activa todas las restricciones del poliedro, es decir:

x0 + x1 = b1
x0 + x2 = b2
..
.
x0 + xn = bn
x0 = 0

Por ende, el único vértice de P es (x0 , x1 , ..., xn ) = (0, b1 , ..., bn ).

Problema 4.3. [I1 2020-1] Rayo de escape

Considere el siguiente problema de programación lineal:
(P ) mı́n 3x1 − 2x2 − 3x3
s.a 3x1 − 2x2 + 4x3 ≤ 7
x1 − 9x2 + 2x3 ≥ 5
−2x1 − 5x2 + 3x3 ≥ 10

¿Cuál de las siguientes direcciones d contenidas en el cono recesivo del poliedro certifica que el problema no está
acotado? Marque la(s) alternativa(s) correcta(s).

(a) d = (0, 0, 1)
(b) d = (−1, −1, −1)
(c) d = (0, −1, 0)
(d) d = (0, 0, 0)
(e) d = (−2, 0, 1)

Solución
d debe estar contenido en el cono recesivo del dominio de (P ), donde:

C = {d ∈ R3 : 3x1 − 2x2 + 4x3 ≤ 0, x1 − 9x2 + 2x3 ≥ 0, −2x1 − 5x2 + 3x3 ≥ 0}

Y para certificar que el problema sea no acotado, debemos recordar el teorema de problema acotado.
Es decir, si d ∈ C(P ) y, además, la función objetivo evaluada en d da un valor negativo, entonce el problema
es no acotado. Esto significa que podemos ponderar d por un λ ∈ R tal que λ · d es una solución factible del
cono. Luego cT · (λd) → ∞ cuando λ → ∞, por lo que d es una dirección de escape.
Vamos a analizar cada alternativa de forma independiente. Debemos evaluar si d cumple con las 3 restricciones
de C(P ) y si f (d) > 0.

37
 (a) d = (0, 0, 1):

g1 (d) = 3x1 − 2x2 + 4x3 = 3 · 0 − 2 · 0 + 4 · 1 = 4 ̸≤ 0

g2 (d) = x1 − 9x2 + 2x3 = 0−9·0+2·1 = 2 ≥ 0
g3 (d) = −2x1 − 5x2 + 3x3 = −2 · 0 − 5 · 0 + 3 · 1 = 3 ≥ 0
cT d = 3x1 − 2x2 − 3x3 = −3 < 0

Como g1 (d) = 4 ̸≤ 0, entonces d ∈

/ C, por lo que no es una dirección en el cono recesivo del poliedro.

(b) d = (−1, −1, −1)

g1 (d) = 3x1 − 2x2 + 4x3 = 3 · (−1) − 2 · (−1) + 4 · (−1) = −5 ≤ 0

g2 (d) = x1 − 9x2 + 2x3 = (−1) − 9 · (−1) + 2 · (−1) = 6 ≥ 0
g3 (d) = −2x1 − 5x2 + 3x3 = −2 · (−1) − 5 · (−1) + 3 · (−1) = 4 ≥ 0
cT d = 3x1 − 2x2 − 3x3 = 2 ̸< 0

d es una dirección en el cono recesivo, pero no garantiza no acotamiento.

(c) d = (0, −1, 0)

g1 (d) = 3x1 − 2x2 + 4x3 = 3 · 0 − 2 · −1 + 4 · 0 = 2 ̸≤ 0

g2 (d) = x1 − 9x2 + 2x3 = 0 − 9 · −1 + 2 · 0 = 9 ≥ 0
g3 (d) = −2x1 − 5x2 + 3x3 = −2 · 0 − 5 · −1 + 3 · 0 = 5 ≥ 0
cT d = 3x1 − 2x2 − 3x3 = 2 ̸< 0

Como g1 (d) = 2 ̸≤ 0, entonces d ∈

/ C, por lo que no es una dirección de no acotamiento en el cono
recesivo del poliedro.

(d) d = (0, 0, 0)
g1 (d) = 3x1 − 2x2 + 4x3 = 0 ≤ 0
g2 (
d) = x1 − 9x2 + 2x3 = 0 ≥ 0
g3 (d) = −2x1 − 5x2 + 3x3 = 0 ≥ 0
cT d = 3x1 − 2x2 − 3x3 = 0 ≮ 0

(e) d = (−2, 0, 1)

g1 (d) = 3x1 − 2x2 + 4x3 = 3 · (−2) − 2 · 0 + 4 · 1 = −2 ≤ 0

g2 (d) = x1 − 9x2 + 2x3 = (−2) − 9 · 0 + 2 · 1 = 0 ≥ 0
g3 (d) = −2x1 − 5x2 + 3x3 = −2 · (−2) − 5 · 0 + 3 · 1 = 7 ≥ 0
cT d = 3x1 − 2x2 − 3x3 = −9 < 0

d es una dirección en el cono recesivo del poliedro que garantiza que (P ) sea no acotado.

Finalmente, hay una única alternativa correcta: (e).

Problema 4.4. [I1 2022-2] Geometrı́a poliedral

Considere el siguiente problema (P ) de optimización:

38
 (P ) mı́n f (x)
x∈X

donde X es un polı́topo no vacı́o en Rn . Asuma que la función f : Rn → R es estrictamente cóncava. Demuestre

que toda solución óptima de (P ) es necesariamente un vértice de X.

Solución
Supongamos que la premisa es falsa. Entonces existe una solución óptima x∗ con valor óptimo v ∗ que puede ser
escrita como el punto medio de otras dos soluciones del dominio x1 , x2 ∈ X, es decir: x∗ = 0,5x1 + 0,5x2 .
Por concavidad estricta de f , se cumple:

v ∗ = f (x∗ ) = f (0,5x1 + 0,5x2 ) > 0,5 · f (x1 ) + 0,5 · f (x2 )

Luego, 0,5 · f (x1 ) + 0,5 · f (x2 ) ≥ mı́n{f (x1 ), f (x2 )}, por lo que:

v ∗ > mı́n{f (x1 ), f (x2 )}

En otras palabras, al menos una solución factible en el dominio, x1 o x2 , posee mejor valor objetivo que el valor
óptimo → contradicción.
Lo anterior muestra que toda solución óptima de (P ) no puede ser escrita como punto medio de otras dos
soluciones factibles, por ende, toda solución óptima de (P ) es necesariamente un vértice de X.

Problema 4.5. [I2 2018-1] Rayo de escape

Considere el siguiente poliedro S:

2x1 + 5x2 − 8x3 ≤ 10

−x1 − x3 ≤ 3
3x1 − 5x2 + 4x3 ≤ 4
3x1 + 2x2 − 2x3 ≤ 5
x1 , x2 , x3 ≥ 0

(i) Demuestre que S es no acotado.

(ii) Muestre que el siguiente problema (P ) es no acotado:

(P ) máx{9x1 − 3x2 + 5x3 : x ∈ S}

x∈R3

Solución

(i) Primero, el poliedro no es vacı́o pues x0 = (1, 1, 1)T es tal que Ax0 ≤ b. Por otra parte, existe un vector
y = (0, 1, 1)T ̸= 0 que cumple Ay ≤ 0. Luego, si nos paramos en x0 y nos movemos en la dirección de

39
 escape y una cantidad arbitraria t ≥ 0, nos encontraremos siempre en el espacio de soluciones factibles:

A(x0 + ty) = Ax0 + tAy ≤ Ax0 ≤ b ∀t ≥ 0

Por ende, como el poliedro S contiene un rayo de la forma x0 + ty con y ̸= 0, S es no acotado.

(ii) Se debe encontrar un y en el cono con producto positivo con el gradiente del objetivo. Esto se cumple
para
y = (0, 1, 1)T
pues
cT y = 2 > 0,
es decir, la función objetivo crece a medida que nos movemos en la dirección y y podemos movernos
infinitamente en esta dirección quedando dentro del espacio factible del dominio. Por ende, el problema
es no acotado.

Problema 4.6. [I2 2021-2] Vértices

Considere el siguiente poliedro D ⊂ R4 :
xi + xj ≤ 3 ∀i, j ∈ {1, ..., 4} : i ̸= j
xi ≥ 0 ∀i ∈ {1, ..., 4}

(a) Determine todos los vértices del poliedro D.

(b) Considere el siguiente problema (P ):
máx{cT x s.a x ∈ D}
para un vector de costos c ∈ R4 dado. ¿Para cuáles de las siguientes soluciones x0 existe un vector c tal que
x0 es la solución óptima única del problema (P )?
(i) x0 = (0, 0, 0, 0)
(ii) x0 = (3/2, 0, 3/2, 0)
(iii) x0 = (3/2, 0, 3/2, 3/2)
Justifique cada caso determinando dicho vector c o explicando por qué no existe.
(c) Encuentre todas las soluciones óptimas de:
máx 2x2 + 3x3 + 4x4
s.a x ∈ D

Solución

(a) Hay 10 vértices en el poliedro D. En este poliedro, para que un punto sea considerado un vértice, debe
tener 4 restricciones l.i. en igualdad.
(0, 0, 0, 0) Activa las 4 restricciones de no negatividad.
(3, 0, 0, 0), (0, 3, 0, 0), (0, 0, 3, 0), (0, 0, 0, 3). Activan 3 no negatividades y una restricción l.i. junto
a ellas.

40
 ( 32 , 32 , 23 , 0), ( 32 , 23 , 0, 32 ), ( 32 , 0, 23 , 23 ), (0, 32 , 32 , 32 ). Activan una no negatividad y tres restricciones l.i.
adicionales.
( 32 , 32 , 23 , 32 ). Activan todas las restricciones adicionales a las no negatividades. Son 4 restricciones
l.i.

(b) (i) x0 = (0, 0, 0, 0) es un vértice del poliedro D, por lo cual tiene que existir dicho c. Por ejemplo
cT = (−1, −1, −1, −1) (la suma de los gradientes de restricciones activas en ese punto).
(ii) x0 = ( 23 , 0, 32 , 32 ). Al no ser un vértice del poliedro D, no existe un c tal que sea solución óptima. Si
es que fuera solución óptima, esta no se serı́a única.
(iii) x0 = ( 32 , 0, 23 , 23 ). Es un vértice del poliedro D. La suma de los gradientes de sus restricciones activas
logran un vector objetivo cuyo problema asociado solo se maximiza en ( 32 , 0, 32 , 32 ). Por ejemplo, la
suma de los gradientes c = (0, −1, 0, 0) + (1, 0, 1, 0) + (1, 0, 0, 1) + (0, 0, 1, 1) = (2, −1, 2, 2)

(c) El dominio es no vacı́o y compacto. Además el objetivo es continuo, por lo que existe solución. Es nece-
sario evaluar los vértices del poliedro D especificados en la parte (a), y especificar cuál obtiene el máximo
valor.

(0, 0, 0, 0), (3, 0, 0, 0) → 0.

(0, 3, 0, 0) → 6
(0, 0, 3, 0) → 9
(0, 0, 0, 3) → 12
( 32 , 32 , 23 , 0) → 15
2
( 32 , 32 , 0, 3
2 ) → 18
2
( 32 , 0, 23 , 3
2) → 2
21

(0, 32 , 23 , 3 3 3 3 3
2 ), ( 2 , 2 , 2 , 2 ) → 27
2
27
De los vértices, los dos que alcanzan el valor óptimo 2 son x1 = (0, 32 , 32 , 32 ), x2 = ( 32 , 32 , 23 , 32 ).
Luego, el conjunto de soluciones óptimas, es toda aquella solución formada por:

x∗ = λx1 + (1 − λ)x2 ∀λ ∈ [0, 1]

Es decir: x∗ = ( 32 · λ, 32 , 23 , 32 )

Problema 4.7. [Ex 2023-2] Vértices

Considere el siguiente poliedro y responda a las siguientes preguntas.

2023
( )
2023
X 3
X := x∈R : xi ≤ 2; 0 ≤ xi ≤ , ∀i{1, · · · , 2023}
2
i=1

(a) Sea ei ∈ R2023 un vector con valor 1 en la componente i y 0 en el resto. ¿Cuáles de los siguientes puntos son
vértices de X? Explique.

(0, 0, 0, · · · , 0)

41
 3
2 e1 es decir, ( 32 , 0, 0, · · · , 0)
3
2 e1 + 23 e2 , es decir, ( 32 , 32 , 0, 0, · · · , 0)
3
2 e1 + 21 e2
e1 + e2
(b) Obtenga una solución óptima para máx{ 2023
P
i=1 i · xi s.t. x ∈ X}.

Solución

(a) (0, 0, 0, · · · , 0), es vértice. Activa n no negatividades l.i.

3
2 e1 es vértice. Activa n rest. l.i.: n − 1 no negatividades y una cota superior
3
2 e1 + 32 e2 , no es vértice, pues es infactible.
3
2 e1+ 21 e2 es vértice. Activa n rest. l.i. : n − 2 no negatividades, una cota superior y restricción de
presupuesto.
e1 + e2 no es vértice pues es el promedio de dos vértices 32 e1 + 21 e2 y 12 e1 + 32 e2 .

(b) De la pregunta anterior es fácil deducir que los vértices del poliedro son: 0, 23 ei para todo i ∈ {1, · · · , 2023},
3 1 3 1
2 ei + 2 ej para todo i, j ∈ {1, · · · , 2023} : i ̸= j. Luego, el vértice óptimo debe ser 2 e2023 + 2 e2022 . El
3·2023+2022
valor óptimo es 2

Problema 4.8. [I2 2021-1] Geometrı́a poliedral

(a) Suponga que al tratar de resolver el problema (P ) mı́n{cT x : Ax ≥ b}, detectó que existe un vector y ̸= 0
tal que Ay ≥ 0 y cT y < 0. Explique por qué (P ) no puede tener solución óptima.
(b) Sea X = {x ∈ Rn : Ax ≥ 0}.
(i) Demuestre que si x̄ ∈ X es tal que x̄ ̸= 0, entonces x̄ no es vértice de P
(ii) ¿Es verdad que x = 0 es necesariamente vértice de P ? Demuestre o refute con un contraejemplo.

Solución

(a) Si (P ) es infactible, entonces claramente no tiene solución óptima. Si (P ) es factible, las condiciones
sobre r implican que (P ) es no acotado, puesto que r ̸= 0, lo que implica que no hay cota inferior, por lo
que tampoco tiene solución óptima.

(b) (i) Si x̄ ̸= 0 pertenece a X, entonces el origen y 2x̄ pertenecen a X. Luego, x̄ es el promedio de dos
vectores distintos pertenecientes a X por lo que no puede ser vértice.
(ii) No necesariamente. Por ejemplo, tomando X = {(x1 , x2 ∈ R2 : x1 ≥ 0)} vemos que el origen no
es vértice de X, esto porque en el origen solo se tendrı́a una restricción l.i. activa y no dos como es
necesario en dos dimensiones.

Problema 4.9. [T2 2023-1] Geometrı́a Poliedral

42
Sea X = {x ∈ Rn : Ax ≤ b} = ̸ ∅. Decimos que X contiene una lı́nea (o recta) si existe y ∈ Rn no nulo, tal que x
+ δy pertenece a X para todo x ∈ X y para todo escalar δ (positivo o negativo).

(a) Dibuje un ejemplo de un poliedro X que contenga una linea. Identifique y.

(b) Demuestre que si X contiene una linea, entonces X no tiene vértices.

(c) Demuestre que si y define una lı́nea de X, entonces y satisface Ay = 0.

Solución

(a) Un ejemplo es X = {x ∈ R2 : −x1 ≤ −3}. Se puede usar:

 
0
y=
1

Ya que para todo punto en el poliedro podemos sumarle o restarle y tanto como queramos.

x2
6
5
4
3
2
1

−6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x1
−1
−2
−3
−4
−5
−6

(b) Para determinar que no tiene vértices basta demostrar que para todo punto x ∈ X existen dos puntos x1 y
x2 tales que x es su punto medio. Podemos notar que basta usar x1 = x − y y x2 = x + y (sabemos que
tanto x1 y x2 pertenecen a X ya que y es lı́nea).

(c) Supongamos que y define una lı́nea en X. Esto implica que x + δy es factible para cualquier x ∈ X y
todo δ ∈ R. Esto implica que A(x + δy) ≤ b donde Ax ≤ b. Luego, se cumple que δ · Ay ≤ b − Ax ≤ 0
para todo δ ∈ R. En particular, si δ = 1, se cumple que Ay ≤ 0. Por otro lado, si δ = −1, se cumple que
−Ay ≤ 0. Luego, Ay = 0.

[FALTA: llegé hasta acá]

43
Problema 4.10. [I1 2020-2] Método gráfico y geometrı́a poliedral
Sea (PE ) un problema lineal en forma estándar, donde h1 , e2 y h3 son las holguras/excesos de las restricciones R1 ,
R2 y R3 , respectivamente:

(PE ) ??? f (x)

s.a x1 − x2 + h1 = 5 (R1 )
3x1 + x2 − e2 = 6 (R2 )
−2x1 + x2 + h3 = 1 (R3 )
x1 , x2 , h1 , e2 , h3 ≥ 0
, donde ??? puede ser mı́n o máx

(a) Grafique el dominio factible del problema original (P ) (es decir, del problema antes de haber sido transfor-
mado a su equivalente estándar), identificando cada una de las soluciones básicas factibles del problema con
sus respectivas bases (variables que conforman la base). Considere que, en el problema original, todas las
variables eran de naturaleza no negativa.

(b) Determine la(s) solución(es) óptima(s) para las siguientes funciones objetivos:

(i) mı́n −x1

(ii) máx x1 − 2x2
(iii) mı́n −4x1 + 2x2

(c) Determine el rango de valores para δ de modo que la dirección d = (δ, 1) corresponda a un rayo de escape
para el problema original.

(d) Demuestre que agregando la restricción 3x1 + 2x2 ≤ 24 al dominio del problema, este siempre poseerá
solución óptima para toda función objetivo continua.

Solución

(a) Primero, construimos el problema original (sin holguras) para que nos quede un dominio en 2 dimensio-
nes:
(P ) ??? f (x)
s.a x1 − x2 ≤ 5 (R1 )
3x1 + x2 ≥ 6 (R2 )
−2x1 + x2 ≤ 1 (R3 )
x1 , x2 ≥ 0

El siguiente gráfico contiene en azul las restricciones y en celeste el dominio factible, además de marcar
los tres vértices factibles:

44
 x2
R3
6

5 R1

3 (1, 3)

1
(2, 0) (5, 0)
1 2 3 4 5 6 7 8 9 10 x1
R2

Para identificar las bases de un vértice, se puede proceder de forma visual o numérica. Visualmente,
se pueden reconocer las restricciones y holguras que están activas (es decir, las que forman parte de
la base) y aquellas que no lo están. De manera numérica, se pueden sustituir los valores del vértice en
las restricciones: aquellas que no se anulen deben estar en la base. Esto aplica tanto para las variables
originales como para las variables de holgura.
Las soluciones básicas factibles se encuentran en los vértices, estos son:

Vértice (2, 0) al evaluarlo en las restricciones se obtienen los siguientes valores de las variables
x1 = 2, x2 = 0, h1 = 3, h2 = 0, h3 = 5. Por lo tanto, la base correspondiente es aquella que
contiene los valores no nulos: B = {x1 , h1 , h3 }.
Vértice (5, 0) al evaluarlo en las restricciones se obtienen los siguientes valores de las variables
x1 = 5, x2 = 0, h1 = 0, h2 = 9, h3 = 11. Por lo tanto, la base correspondiente es aquella que
contiene los valores no nulos: B = {x1 , h2 , h3 }.
Vértice (1, 3) al evaluarlo en las restricciones se obtienen los siguientes valores de las variables
x1 = 1, x2 = 3, h1 = 7, h2 = 0, h3 = 0. Por lo tanto, la base correspondiente es aquella que
contiene los valores no nulos: B = {x1 , x2 , h1 }.

(b) El dominio se mantiene. Debemos agregar la función objetivo al gráfico. Para esto, lo más fácil es encon-
trar la curva de nivel f (x) = 0 (ası́ encontramos la pendiente) y trasladarla en la dirección de ascenso o
de descenso, dependiendo del objetivo del problema. La dirección de descenso está dada por el gradiente
negativo de f (x) y la dirección de ascenso es el gradiente de f (x), es decir: si se minimiza debemos mo-
ver la función objetivo en el sentido de −∇f (x), mientras que si se maximiza debemos mover la función
objetivo en el sentido de ∇f (x).

(i) mı́n f (x) = −x1

Las curvas de nivel son rectas verticales (paralelas al eje x2 ). El valor objetivo decrece a medida que
movemos f (x) hacia: −∇f (x) = (1, 0).

45
 x2 f (x) = −x
R3
6

5 R1

3 (1, 3)

2
−∇f
1
(2, 0) (5, 0)
1 2 3 4 5 6 7 8 9 10 x1
R2

El problema es no acotado, por lo que no hay solución óptima.

(ii) máx f (x) = x1 − 2x2
Las curvas de nivel son rectas paralelas a x2 = 1/2·x1 . El valor objetivo crece a medida que movemos
f (x) hacia: ∇f (x) = (1, −2).

x2
R3
6

5 R1

3 (1, 3)

2 f (x) = x1 − 2x2

1
∇f
(2, 0) (5, 0)
1 2 3 4 5 6 7 8 9 10 x1
R2

El vértice óptimo es (5, 0).

(iii) mı́n f (x) = −4x1 + 2x2
Las curvas de nivel son rectas paralelas a x2 = 2x1 . El valor objetivo decrece a medida que movemos
f (x) hacia: −∇f (x) = (4, −2).

46
 x2
R3
6
−∇f f (x) = −4x1 + 2x2
5 R1

3 (1, 3)

1
(2, 0) (5, 0)
1 2 3 4 5 6 7 8 9 10 x1
R2

El problema tiene múltiples soluciones. Corresponde al vértice (1, 3) y todo el rayo extremo deter-
minado por la restricción R3 .

(c) Llamemos DP al dominio del problema (P ). Cualquier vector perteneciente al cono recesivo de DP es
un rayo de escape de DP . En particular, los rayos extremos son r1 = (1, 2) y r2 = (1, 1), determinados
por las restricciones R1 y R3 , respectivamente. Es decir, son rayos de escape del dominio los vectores
pertenecientes al cono:

C(S) = {(x1 x2 ) ∈ R2 : x1 − x2 ≤ 0, −2x1 + x2 ≤ 0}

Entonces, d = (δ, 1) debe cumplir las restricciones de C(S) para que corresponda a un rayo de escape:

δ−1≤0⇒δ ≤1
−2δ + 1 ≤ 0 ⇒ δ ≥ 0,5

Finalmente, para que d sea un rayo de escape: 0,5 ≤ δ ≤ 1.

(d) Agregamos la nueva restricción al gráfico. Esta contiene al origen. El nuevo dominio escrito de la forma
y = mx + n es:
x2 = x1 − 5 (R1 )
x2 = −3x1 + 6 (R2 )
x2 = 2x1 + 1 (R3 )
x2 = −3/2 · x1 + 12 (R4 )
x1 , x2 ≥ 0

Graficamos:

47
 x2
R3 R4
6

5 R1

3 (1, 3)

1
(2, 0) (5, 0)
1 2 3 4 5 6 7 8 9 10 x1
R2

El nuevo dominio es un polı́topo no vacı́o:

Es cerrado, ya que son todas las restricciones con desigualdades no estrictas.

Es acotado: por la naturaleza de variables, tanto x1 como x2 están acotadas inferiormente. Por R4 ,
ambas variables están acotadas superiormente.
Es no vacı́o. Por ejemplo, (2, 0) pertenece al dominio.

Por lo tanto, si se tiene una función objetivo continua, por teorema de Bolzano-Weierstrass, el problema
admite solución óptima.

48