Libro

UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA
“UN RESULTADO GENÉRICO SOBRE UNICIDAD EN

PROGRAMACIÓN LINEAL”
TESIS
PARA OBTENER EL Tı́TULO DE:
LICENCIADO EN MATEMÁTICAS APLICADAS
PRESENTA:
DAVID LÓPEZ OSORIO
DIRECTOR DE TESIS:
DR. GUILLERMO ARTURO LANCHO ROMERO
Huajuapan de León, Oaxaca Diciembre de 2010

UN RESULTADO GENÉRICO SOBRE UNICIDAD EN
PROGRAMACIÓN LINEAL
David López Osorio
Diciembre de 2010
A mis padres, Joel y Eudelia.
Agradecimientos
En primer lugar agradezco a mi familia. A mis padres Joel y Eudelia les agradezco el apoyo
y la confianza que me han brindado. A mis hermanos Joel y Daniel les agradezco su apoyo
incondicional. Gracias a su ejemplo y motivación he concluido mis estudios.
Agradezco a mi asesor, Dr. Guillermo Arturo Lancho Romero, por guiarme en todas las
etapas del desarrollo de este trabajo y por sus observaciones y sugerencias que han sido de
provecho en mi desarrollo profesional.
A todos mis profesores y compañeros a quienes debo la formación académica y humana

que conseguı́ durante mi estancia en esta universidad.
Agradezco el apoyo que recibı́ del Conacyt como parte del proyecto con número de registro
80993.
David
Prefacio
La programación lineal es una rama de la optimización que estudia problemas que con-
sisten en minimizar o maximizar una función lineal donde la solución se busca en el conjunto
solución de un sistema de desigualdades lineales llamadas restricciones. La programación li-
neal ordinaria trata del estudio de los problemas lineales con un número finito de restricciones
mientras que la programación lineal semi-infinita se ocupa de los problemas lineales en los
que el número de restricciones es infinito.
En este trabajo consideramos el conjunto de los problemas de programación lineal ordinaria
que tienen el mismo número de variables y restricciones. Equipando a este conjunto con
una topologı́a adecuada, demostraremos que el conjunto de problemas que tienen una única
solución óptima es denso en el conjunto de problemas que tienen al menos una solución óptima,
es decir, para cada problema lineal que tiene al menos una solución óptima existe un problema
lineal que tiene una única solución óptima arbitrariamente próximo a él. Para esto usaremos
caracterizaciones de optimalidad y unicidad ası́ como condiciones de estabilidad de problemas
lineales consistentes. Un problema lineal es consistente si el sistema de restricciones tiene al
menos una solución. Un problema consistente es estable si al hacer modificaciones pequeñas
en sus datos se obtiene un problema nuevo que también es consistente.
Veremos que el Teorema de Karush-Kuhn-Tucker es una condición necesaria y suficiente
de optimalidad en programación lineal ordinaria. De esta condición de optimalidad se deriva
una caracterización de los problemas que tienen una única solución óptima. Demostraremos
algunas caracterizaciones del interior del conjunto de problemas consistentes usando la co-
nocida condición de Slater y la continuidad de la llamada multifunción conjunto factible, y
veremos que tales condiciones caracterizan a los problemas lineales consistentes que son es-
tables. Para demostrar que el conjunto de problemas lineales que tienen una única solución
óptima es denso en el conjunto de problemas lineales que tienen al menos una solución ópti-
ma, seguiremos los tres pasos siguientes. Primero, dado un problema de programación lineal
ordinaria que tiene al menos una solución óptima, su correspondiente conjunto factible puede
no ser estable. Haciendo modificaciones pequeñas en sus datos obtenemos un problema nuevo
arbitrariamente “cercano” al problema original que tiene conjunto factible estable, sin embargo
este problema nuevo puede no tener solución óptima. Segundo, haciendo algunas perturba-
ciones convenientes al problema construido en el primer paso obtenemos un problema nuevo
arbitrariamente “cercano” al problema construido en el primer paso y que tiene al menos una
solución óptima. Tercero, modificando los datos del problema construido en el segundo paso
obtenemos un problema nuevo con una única solución óptima arbitrariamente “cercano” al pro-
blema construido en el segundo paso y por lo tanto este último problema está arbitrariamente
“cercano” al problema original.
En la referencia [6] está demostrado un resultado análogo para cierta clase de problemas
de programación lineal semi-infinita. Las hipótesis empleadas en la demostración propuesta
en [6] son sofisticadas y algunas no se requieren para enunciar el resultado en programación
lineal ordinaria. Por ejemplo, el cono convexo generado por un conjunto finito de vectores es
un cono cerrado mientras que el cono convexo generado por un número infinito de vectores
puede no ser cerrado. Además en programación lineal ordinaria en cada punto de la frontera
existe al menos una restricción activa, si un problema tiene solución óptima entonces existe
un punto extremo que es solución óptima, lo cual no sucede en general en programación lineal
semi-infinita.
La estructura de la tesis es la siguiente. En el capı́tulo 1 presentamos una reseña histórica
del desarrollo de la programación matemática y en particular de la programación lineal. En
la sección 1.1, presentamos la notación usual e introducimos una métrica en el conjunto de
problemas de programación lineal ordinaria para dotar a este conjunto con una topologı́a. En
la sección 1.2 mencionamos algunos ejemplos que ilustran aplicaciones de la programación
lineal.
En el Capı́tulo 2 presentamos una compilación de herramientas de análisis convexo y
funciones convexas que utilizaremos en este trabajo. La sección 2.1 consta de definiciones y
propiedades básicas de los conjuntos convexos. En la sección 2.2 se presentan las propiedades
geométricas de separación y soporte de conjuntos convexos, mismas que son importantes para
establecer los criterios de optimalidad y unicidad en los problemas de optimización. En la
sección 2.3 estudiamos algunas propiedades del conjunto factible de un problema de progra-
mación lineal ordinaria, el cual pertenece a la clase de conjunto convexos llamados poliedros.
En la sección 2.4 hablaremos de las funciones convexas, de algunas propiedades de estas
funciones y de criterios que caracterizan a las funciones de este tipo.
En el Capı́tulo 3 presentamos las condiciones necesarias y suficientes de optimalidad y
unicidad. La sección 3.1 tiene como resultado principal al Teorema que, para problemas de
optimización cuya función objetivo es diferenciable, caracteriza las direcciones de descenso
en cada punto factible en términos del gradiente de la función objetivo en dicho punto. Este
resultado permite derivar la condición necesaria de primer orden para optimalidad, la cual
exponemos en la sección 3.2. En la sección 3.4 veremos que el Teorema de Karush-Kuhn-
Tucker se deduce de la condición necesaria para optimalidad local usando el concepto de
restricciones activas. Este Teorema es también una condición suficiente para problemas en
los que las funciones involucradas además de ser diferenciables satisfacen propiedades de
convexidad, tal como lo demostraremos en el Teorema 3.15. En la sección 3.5 presentamos una
caracterización de unicidad en programación lineal ordinaria.
En la primera sección del Capı́tulo 4 demostramos criterios de estabilidad de los problemas
consistentes y resolubles. En la sección 4.2 demostramos el resultado principal de esta tesis
el cual mencionamos anteriormente.
La demostración de la suficiencia del Teorema de Karush-Kuhn-Tucker, enunciada en el
Teorema 3.15, ası́ como las demostraciones de los resultados presentados en el Capı́tulo 4
para programación lineal ordinaria son pruebas originales propuestas en esta tesis.
Índice general
Prefacio VII
1. Introducción 1
1.1. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Programación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Análisis convexo 11
2.1. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Separación y soporte de conjuntos convexos . . . . . . . . . . . . . . . . . . . . . 21
2.3. Conjunto factible de un problema de programación lineal . . . . . . . . . . . . . 24
2.4. Funciones convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3. Criterios de optimalidad y unicidad 39

3.1. Direcciones de descenso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2. Condición necesaria de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3. Restricciones activas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4. Teorema de Karush-Kuhn-Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5. Unicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4. Resultados principales 59
4.1. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2. Resultado principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5. Conclusiones 71
Topologı́a 73
XII ÍNDICE GENERAL
Diferenciabilidad 77
Bibliografı́a 79
Capı́tulo 1
Introducción
En este Capı́tulo mencionamos una reseña del desarrollo de la programación lineal y una
introducción a la teorı́a de la optimización.
1.1. Preliminares
La teorı́a de optimización o programación matemática es la rama de las matemáticas apli-

cadas que se ocupa del estudio de los problemas que consisten en la minimización o maxi-
mización de alguna función, llamada función objetivo. La solución buscada debe ser solución
de un sistema de ecuaciones o de desigualdades llamadas restricciones. Ası́, un problema de
programación matemática tiene la forma siguiente:
(P ) M inimizar f (x)
sujeto a gi (x) ≥ 0, para cada i = 1, 2, . . . , m.
donde x ∈ Rn es el vector de variables, f : Rn → R es llamada función objetivo y gi : Rn → R

son las restricciones del problema. A cada x ∈ Rn que satisface las restricciones se le denomina
punto factible.
En la teorı́a de optimización se persiguen varios objetivos, uno de ellos es la caracterización
de soluciones óptimas, esto es, se buscan condiciones necesarias y suficientes para que un
punto factible sea la solución óptima de un problema dado. Otro objetivo es el diseño de
métodos iterativos que ayuden a encontrar la solución óptima. Finalmente mencionamos como
otro objetivo la construcción de modelos de programación matemática que ayuden a resolver
problemas prácticos, que de manera natural surgen de campos muy diversos como planeación,
asignación, administración de recursos naturales, economı́a, etc.
2 1.1. Preliminares
   
x1 y1
 .   . 
Si x =  .   .  n 0
 .  , y =  .  ∈ R , entonces con la expresión x denotaremos el vector
xn yn
transpuesto de x, es decir, x = (x1 , x2 , . . . , xn ); x0 y representa el producto interno usual en
0
n
X
Rn definido por x0 y = xj yj .
j=1
Si el objetivo y las restricciones del problema (P ) son funciones lineales entonces se dice
que el problema (P ) es un problema de programación lineal. Si el objetivo es una función
cuadrática y las restricciones son lineales entonces tenemos un problema de programación
cuadrática. Ası́ un problema de programación cuadrática tiene la forma siguiente:
M inimizar x0 Hx + a0 x
sujeto a
a11 x1 + a12 x2 + · · · + a1n xn ≥ b1
..
.
am1 x1 + am2 x2 + · · · + amn xn ≥ bm .
donde H es una matriz n×n con entradas reales, a ∈ Rn y bi ∈ R, i = 1, . . . , m son constantes.
Si las restricciones o la función objetivo son no lineales, entonces el problema (P ) se conoce
como problema de programación no lineal.
La programación lineal se creó como rama independiente de la teorı́a de optimización gra-
cias al impulso que se dió a la investigación y desarrollo de modelos para el uso eficiente de
los recursos en el contexto de la segunda guerra mundial ([7], [1]). El estudio de la programa-
ción lineal recibió un gran impulso con el desarrollo del método simplex creado por George
Dantzig en 1947. El incremento en la capacidad de procesamiento y disponibilidad de las
computadoras desde esta época permitieron que el método simplex fuera capaz de resolver
problemas involucrando gran cantidad de datos, con esto, la programación lineal atrajo la
atención de quienes vieron en ésta una herramienta poderosa y eficiente. Posteriormente, la
publicación del teorema de dualidad por Gale, Khun y Tucker en 1951 introdujo la teorı́a de
dualidad, la cual ha sido una rama importante en el desarrollo de esta teorı́a.
Posteriormente al inicio de la programación lineal, el desarrollo de la teorı́a de optimización
ha sido notable: En 1959, Wolfe desarrolló el método simplex para programación cuadrática y
en 1963 desarrolló el método del gradiente reducido para problemas con restricciones linea-
les y función objetivo no lineal. Posteriormente se desarrollaron los métodos numéricos para
programación no lineal, en 1970 diversos autores desarrollaron métodos cuasi-Newton para
optimizar funciones no cuadráticas sin restricciones y en 1969 Abadie generalizó el método
del gradiente reducido para problemas de programación no lineal.
Capı́tulo 1. Introducción 3
1.2. Programación lineal

Un problema de programación lineal semi-infinita consiste en minimizar o maximizar una
función objetivo, satisfaciendo un conjunto de restricciones dadas en términos de igualdades
y desigualdades lineales donde el número de variables o el de restricciones, pero no ambos a
la vez, puede ser infinito (ver [8], Capı́tulo 1). Si el número de variables es finito, entonces el
problema tiene la forma siguiente:
M inimizar c0 x (1.1)
sujeto a a0t x ≥ bt , t ∈ T, (1.2)
donde T es un conjunto de ı́ndices posiblemente infinito; x ∈ Rn es el vector de variables,

c ∈ Rn es el vector de costos, a : T → Rn y b : T → R son funciones cuyas imágenes
se representan con at := a(t) y bt := b(t), respectivamente. Cualquier problema lineal con
finitas variables puede ser reformulado en un problema de la forma anterior mediante algunas
manipulaciones convenientes.
Evidentemente un problema de programación lineal semi-infinita está determinado por el
vector c y por los mapeos a y b, llamados los datos del problema; por lo cual el problema se
puede identificar con el parámetro σ = (c, a, b). Se denota con Π al conjunto de todos los
parámetros σ con el mismo conjunto de ı́ndices T . Cuando se consideran varios parámetros o
problemas a la vez, éstos se distinguen mediante el uso de subı́ndices y sus datos se distinguen
con superı́ndices por ejemplo σ1 = (c1 , a1 , b1 ), σ2 = (c2 , a2 , b2 ).
Definición 1.1. Un punto x ∈ Rn se llama punto factible para σ si x satisface el sistema

de desigualdades asociado a σ, es decir, a0t x ≥ bt , para cada t ∈ T . El conjunto de puntos
factibles del problema σ se denota con F y se llama conjunto factible. Si F 6= ∅ se dice que
σ es un problema consistente y en caso contrario se denomina problema inconsistente.
Definición 1.2. Sea x̄ ∈ F , x̄ es llamado solución óptima del problema σ si c0 x̄ ≤ c0 x, para

todo x ∈ F . En este caso diremos que c0 x̄ es el valor objetivo óptimo y lo denotaremos con V .
El conjunto de soluciones óptimas del problema σ denotado con F ∗ está definido como sigue

F ∗ = x ∈ F : c0 x = V .
Se dice que el problema representado por σ tiene solución óptima única si F ∗ = {x∗ }. Se
dice que el problema definido por σ es resoluble si tiene al menos una solución óptima.
Si T es un conjunto finito, por ejemplo T = {1, 2, . . . , m}, (1.1) y (1.2) definen un problema
4 1.2. Programación lineal
de programación lineal ordinaria de la forma siguiente:
M inimizar c1 x1 + c2 x2 + · · · + cn xn
sujeto a
a11 x1 + a12 x2 + · · · + a1n xn ≥ b1
.. ..
. .
am1 x1 + am2 x2 + · · · + amn xn ≥ bm .
Supondremos que las restricciones de no negatividad de las variables, xi ≥ 0, i = 1, . . . , n,

están incluidas en el sistema de restricciones anterior, de aquı́, m ≥ n.
Si T es un espacio topológico Hausdorff compacto y las funciones a, b son continuas
entonces se dice que el problema definido por σ = (c, a, b) es continuo. Se dice que σ es
acotado si sup{kat k : t ∈ T } < ∞. Claramente los problemas de de programación lineal
ordinaria son continuos considerando a T como espacio topológico equipado con la topologı́a
discreta. De acuerdo con el conocido Teorema de Weierstrass, si las funciones a : T → Rn
y b : T → R son continuas sobre el compacto T entonces son acotadas, por lo cual, cada
problema continuo es acotado.
Una de las áreas en el estudio de la programación lineal es el análisis de estabilidad. En
el estudio de la estabilidad se trata de caracterizar a los problemas con ciertas propiedades
de interés tales que los problemas “cercanos” conservan las mismas propiedades. Para este
propósito en la literatura ([6], [8]) se ha dotado al espacio Π de la topologı́a inducida por la
métrica extendida d : Π × Π → [0, ∞] definida mediante:
( ! ! )
1 a1t at

d(σ1 , σ) := max c − c , sup − ,
t∈T b1t bt
donde k·k es cualquier norma definida en Rn . Esto proporciona a (Π, d) la estructura de

espacio topológico Hausdorff que satisface el primer axioma de numerabilidad, por lo cual la
convergencia en este espacio se puede caracterizar mediante sucesiones.
Un problema de programación lineal ordinaria con m restricciones puede ser representado

en forma matricial si se define la matriz de coeficientes tecnológicos, denotada con A, como
sigue:
 
a11 a12 . . . a1n
 
 a21 a22 . . . a2n 
A= . .. 
.. ,
 .. . . 
am1 am2 . . . amn
y el vector de recursos disponibles, denotado con b, se define como sigue:

 
b1
 . 
b= . 
 . ,
bm
con lo cual, el problema queda formulado como sigue
M inimizar c0 x
sujeto a Ax ≥ b.
El problema anterior se identifica con el parámetro σ = (c, A, b). Denotaremos con θ al
conjunto de parámetros σ que representan problemas de programación lineal ordinaria con m
restricciones. Claramente θ ≡ Rn × Rmn × Rm .
En este trabajo estudiaremos algunas propiedades topológicas de subconjuntos especiales
del conjunto θ, tales como el subconjunto de problemas resolubles y el conjunto de problemas
consistentes, para esto dotaremos a θ con la topologı́a inducida por la métrica definida por la
función d : θ × θ → R tal que, para cada σ = (c, A, b), σ1 = (c1 , A1 , b1 ) ∈ θ,

d(σ, σ1 ) := A − A1 + b − b1 ∞ + c − c1 ∞ , (1.3)
donde kAk := máx|aij |.

i,j
Proposición 1.3. La función d : θ × θ → R definida mediante (1.3) es una métrica.

Demostración. Sean σ, σ1 , σ2 ∈ θ, entonces
(i) d(σ, σ1 ) ≥ 0 es evidente. Además
d(σ, σ1 ) = 0 ⇔ kA − A1 k = 0, kb − b1 k∞ = 0, kc − c1 k∞ = 0
⇔ A = A1 , b = b1 , c = c1
⇔ σ = σ1 .
(ii) Es claro que d(σ, σ1 ) = d(σ1 , σ).
(iii) Tenemos que

d(σ, σ2 ) = A − A2 + b − b2 ∞ + c − c2 ∞
≤ kA − A1 k + kA1 − A2 k + kb − b1 k∞ + kb1 − b2 k∞ +
kc − c1 k∞ + kc1 − c2 k∞
= d(σ, σ1 ) + d(σ1 , σ2 ).
De lo anterior, d(σ, σ2 ) ≤ d(σ, σ1 ) + d(σ1 , σ2 ). Por lo tanto d es una métrica.
6 1.3. Ejemplos
1.3. Ejemplos
Las aplicaciones de la programación lineal son diversas. Existen problemas que son formu-
lables directamente como problemas de programación lineal en la planificación de actividades,
diseño de polı́ticas públicas, etc. El ejemplo que sigue muestra un problema de planificación
de la producción que puede ser modelado mediante la programación lineal.
Ejemplo 1.4. En Suchixtlahuaca el gobierno municipal local ha impulsado dos programas
paralelos de empleo para sus ciudadanos, los cuales consisten en la producción de jitomate
en un ambiente controlado de invernadero y la tradicional producción de jitomate y trigo como
cultivos de temporal. La localidad, bajo el régimen de propiedad comunal, posee H hectáreas
de tierra disponibles para su aprovechamiento, de las cuales se han usado K hectáreas para la
construcción de invernaderos, y L horas de trabajo. Supondremos que los costos de producción
unitarios del jitomate y trigo en campo son c1 y c2 , en cada caso. Además el costo de producción
del jitomate en invernadero es c3 . De acuerdo con su experiencia en el comercio, los pobladores
esperan los siguientes precios para la siguiente temporada
Producto Precio esperado Costo
Jitomate en campo p1 c1
Trigo p2 c2
Jitomate en invernadero p3 c3
Para fines de simplificación, supondremos que los costos de producción son constantes. La
tecnologı́a de producción se resume en la siguiente tabla
Producto Tierra Trabajo
Jitomate en campo a11 a21
Trigo a12 a22
Jitomate en invernadero a13 a23
donde la tierra se mide en hectáreas y el trabajo en horas. El gobierno local desea planificar
su producción para el siguiente perı́odo de forma que se maximizen sus ganancias.
Denotemos, de forma respectiva, con x1 y x2 a las cantidades a producir de jitomate y
trigo en campo y con x3 la cantidad de producción de jitomate en invernadero. El problema a
resolver es
M ax x1 (p1 − c1 ) + x2 (p2 − c2 ) + x3 (p3 − c3 ),
donde las restricciones en cuanto al uso de la tierra son
a11 x1 + a12 x2 ≤ H − K, (1.4)

a13 x3 ≤ K, (1.5)
y para el uso del trabajo

a21 x1 + a22 x2 + a23 x3 ≤ L. (1.6)
Aunque no se menciona explı́citamente, los valores negativos de las variables de decisión no

tienen sentido. Esto restringe el conjunto factible a estar contenido en el primer octante. La
restricción (1.4) determina que el conjunto factible está contenido en el semiespacio negativo
determinado por el hiperplano que contiene a los puntos C, D, F, G. La restricción (1.5) acota
superiormente el conjunto factible por el hiperplano que contiene los puntos A, B, C, D. Por
último la restricción (1.6) determina un hiperplano que contiene a los puntos A, B, E tal que
su semiespacio negativo contiene al conjunto factible. El conjunto factible está representado
por la Figura 1.1.
Figura 1.1: Conjunto factible del ejemplo 1.4.
Notemos que c = (p1 − c1 , p2 − c2 , p3 − c3 )0 , c0 x es una función continua en un compacto por

lo cual existen soluciones óptimas para este problema. En los capı́tulos posteriores veremos
que el conjunto solución puede ser descrito en términos de la pendiente del vector c.
Algunos problemas de programación matemática pueden ser aproximados, mediante técni-

cas de discretización, por problemas de programación lineal ordinaria, tal como lo muestra
el ejemplo siguiente tomado de la sección 1.2 de [1] en el cual se aproxima un problema de
control óptimo mediante un problema de programación lineal ordinaria.
Ejemplo 1.5. Una compañı́a desea determinar el nivel de producción de las T semanas si-
guientes de forma que se satisfagan las demandas, que son conocidas, y se minimicen los
costos de producción y almacenamiento. La demanda al tiempo t se denota con g(t). El nivel
de producción e inventario al tiempo t se denotan con x(t) y y(t), respectivamente. Se supone
8 1.3. Ejemplos
que el nivel de inventario en el tiempo inicial 0 es y0 y se desea tener al final del horizonte
de planificación el nivel yT . Suponiendo que el costo de almacenamiento es proporcional al
RT
nivel de inventario, entonces se puede expresar como c1 0 y(t)dt, donde la constante c1 > 0
se supone conocida. De la misma forma se supone que el costo de producción es proporcional
RT
al nivel de producción, y por lo tanto está dada por c2 0 x(t)dt. Entonces el costo total es
RT
0 [c1 y(t) + c2 x(t)]dt. El nivel de inventario al tiempo t está dado por
Z t
y(t) = y0 + [x(τ ) − g(τ )]dτ, t ∈ [0, T ].
0
Se supone que no se permiten atrasos, es decir, que la demanda debe ser satisfecha totalmente.
Además la capacidad de manufactura restringe el nivel de producción a no exceder b1 en
cualquier tiempo y la capacidad de almacenamiento permite un nivel de almacenamiento
máximo b2 . Este problema puede ser formulado como sigue:
RT
M inimizar 0 [c1 y(t) + c2 x(t)]dt
Rt
sujeto a y(t) = y0 + 0 [x(τ ) − g(τ )]dτ, t ∈ [0, T ]
y(T ) = yT
0 ≤ x(t) ≤ b1 , t ∈ [0, T ]
0 ≤ y(t) ≤ b2 , t ∈ [0, T ]
Este problema es un problema de control óptimo, donde la variable de control es el nivel de
producción x(t) y la variable de estado es el nivel de inventario y(t). El problema puede
ser aproximado por un problema lineal discretizando las variables x(t) y y(t). Primero se
divide el horizonte de planificación [0, T ] en n perı́odos [0, ∆], [∆, 2∆], . . . , [(n − 1)∆, n∆]
donde T = n∆. El nivel de producción, el de inventarios y la demanda se asumen constantes
en cada perı́odo j denotándolos con xj , yj , y gj , respectivamente. Entonces el problema de
control óptimo anterior puede ser aproximado por el problema de programación lineal ordinaria
siguiente:
Pn Pn
M inimizar j=1 (c1 ∆)yj + j=1 (c2 ∆)xj
sujeto a yj = yj−1 + (xj − gj )∆, j = 1, . . . , n
yn = yT
0 ≤ xj ≤ b1 , j = 1, . . . , n
0 ≤ y j ≤ b2 , j = 1, . . . , n.
El ejemplo que sigue muestra la importancia de la programación lineal ordinaria como
herramienta en la resolución de problemas lineales semi-infinitos.
Ejemplo 1.6. El método iterativo de discretización por mallas permite resolver problemas de
programación lineal semi-infinita discretizando el conjunto de ı́ndices T y resolviendo, en cada
iteración, un problema lineal finito aproximado (ver Capı́tulo 11 de [8]). Este método consiste
T
en construir una sucesión {Tr }r∈N de subconjuntos finitos de T , tales que ∞ r=0 Fr = F ,
0
aquı́ Fr denota al conjunto solución del sistema de desigualdades {at x ≥ bt , t ∈ Tr }. Dada la
constante > 0 se resuelve sucesivamente el problema aproximado que consiste en optimizar
el objetivo sobre el conjunto factible relajado Fr hasta que se obtiene una solución x̄ la cual
es -factible para el problema original, es decir, tal que para todo t ∈ T satisfaga a0t x̄ ≥ bt − .
Una clase de problemas para los cuales este método de discretización es fácilmente apli-
cable está formada por los problemas para los cuales T es numerable, los cuales tienen la
forma siguiente:
M inimizar c0 x
sujeto a a0t x ≥ bt , t ∈ T,
donde T = {t1 , t2 . . . }.
T
En este caso la sucesión {Tr } con término r-ésimo Tr = {t1 , t2 , . . . , tr } satisface ∞r=1 Fr = F .
El algoritmo consiste en aplicar iterativamente los pasos siguientes
Paso 1: Resolver el subproblema
(Pn ) M inimizar c0 x
sujeto a a0t x ≥ bt , t ∈ Tr
Si (Pr ) es inconsistente entonces parar, pues (P ) es inconsistente.

De otra forma, calcular una solución óptima de (Pr ), xr , e ir al Paso 2.
Paso 2: Calcular sr = ı́nf {a0t xr − bt }.

t∈T
Si sr ≥ − entonces parar. La solución obtenida es xr .
Si sr < − entonces reemplazar r por r + 1 y volver al Paso 1.
Para asegurar que el subproblema (Pr ) a resolver en el Paso 1 tenga solución óptima se pide
que la función objetivo c0 x tenga conjuntos de nivel no vacı́os y acotados sobre el conjunto Fr
lo cual sucede, por ejemplo, si F ∗ es no vacı́o y acotado.
Capı́tulo 2
Análisis convexo
El análisis convexo ha sido una herramienta fundamental en el desarrollo de la teorı́a de

la programación matemática. Se dice que un problema de optimización es de programación
convexa si la función objetivo es convexa y la solución óptima se busca en un conjunto con-
vexo. En la programación convexa se han usado las propiedades geométricas de las funciones
convexas y los conjuntos convexos para establecer condiciones de optimalidad y unicidad de
las soluciones. Estos resultados se satisfacen particularmente en programación lineal, como
caso particular de la programación convexa.
A continuación presentamos las herramientas necesarias para sustentar los teoremas de
optimalidad y unicidad. La mayor parte de esta teorı́a está tomada de los primeros capı́tulos
de [11]. En la sección 2.1 presentamos la definición de conjunto convexo y algunos ejemplos. En
la sección 2.2 estudiamos dos de sus principales propiedades, la de separación y soporte de
conjuntos convexos. En la sección 2.3 presentamos algunas propiedades del conjunto factible de
un problema de programación lineal. Finalmente, en la sección 2.4, mencionamos las funciones
convexas y algunos criterios para evaluar la convexidad de una función.
2.1. Conjuntos convexos

Geométricamente, se dice que un conjunto es convexo si el segmento que une cualesquiera
dos de sus puntos está contenido totalmente en el conjunto. La definición formal es como sigue:
Definición 2.1. Sea X ⊆ Rn . Se dice que X es convexo si para cualesquiera dos puntos
x1 , x2 ∈ X se tiene λx1 + (1 − λ)x2 ∈ X, para cada λ ∈ (0, 1), ver la Figura 2.1.
Trivialmente ∅ es convexo por vacuidad y Rn es convexo por ser un espacio vectorial y por
lo tanto cerrado bajo la suma y producto por escalar.
12 2.1. Conjuntos convexos
(a) Conjunto convexo (b) Conjunto no convexo
Figura 2.1: Ejemplos de un conjunto convexo y un conjunto no convexo.
Definición 2.2. Sean x1 , x2 , . . . , xk ∈ Rn y λ1 , λ2 , . . . , λk ∈ R. Una expresión de la forma

k
X
λi xi (2.1)
i=1
es llamada combinación lineal de x1 , . . . , xk . Si λi ≥ 0, se dice que (2.1) es una combinación

P P
cónica. Si ki=1 λi = 1 entonces (2.1) es una combinación afı́n. Si ki=1 λi = 1 y λi ≥ 0,
entonces la expresión (2.1) es una combinación convexa de x1 , x2 , . . . , xk .
Definición 2.3. V ⊆ Rn es un conjunto afı́n o variedad afı́n si para todo x, y ∈ V
x + λ(y − x) ∈ V, para cada λ ∈ R.
De la definición anterior, es claro que cualquier variedad afı́n es un conjunto convexo puesto
que una combinación convexa es también combinación afı́n, de acuerdo con la Definición 2.2.
Si V es un conjunto afı́n, entonces existe un único subespacio de Rn , S, tal que V =
a + S para cierto a ∈ Rn fijo (Teorema 1.2 de [11]). Se define la dimensión de V como
dim(V ) := dim(S).
Definición 2.4. Un hiperplano es una variedad afı́n en Rn de dimensión n − 1.
De acuerdo con el Teorema 1.3 de [11], H es un hiperplano si y sólo si existen p ∈ Rn

y α ∈ R tales que H = {x ∈ Rn : p0 x = α}. Dada esta caracterización es fácil comprobar
que el hiperplano H es convexo. El hiperplano H determina dos subconjuntos cerrados de Rn
llamados semiespacios, dados por {x ∈ Rn : p0 x ≥ α} y {x ∈ Rn : p0 x ≤ α} los cuales son
conjuntos convexos. Similarmente los semiespacios abiertos {x ∈ Rn : p0 x > α} y {x ∈ Rn :
p0 x < α} son conjuntos convexos también.
Capı́tulo 2. Análisis convexo 13
Figura 2.2: Variedades lineales.
En la Figura 2.2 están representados un plano H y una recta R como subconjuntos de R3 ,

ambos son variedades afines. Sin embargo H es un hiperplano y R no lo es.
Los conjuntos convexos ası́ como las variedades afines tienen varias propiedades que fa-
cilitan su estudio. Aunque un conjunto no esté en alguna de las clases anteriores siempre es
posible considerar el mı́nimo conjunto convexo, lineal o afı́n que los contiene.
Definición 2.5. Sea X ⊂ Rn . La envoltura convexa (afı́n, lineal) de X, denotada por convX
(af f X, spanX) es el mı́nimo conjunto convexo (variedad afı́n, subespacio vectorial) en Rn
que contiene a X. Es decir, convX (af f X, spanX) es la intersección de todos los conjuntos
convexos (variedades afines, espacios vectoriales) en Rn que contienen a X.
Dado un conjunto X ⊆ Rn no vacı́o se define su dimensión como dimX = dim af f X.

De acuerdo con el Teorema 2.3 de [11], convX es el conjunto de todas las combinacio-
nes convexas de elementos de X. Similarmente, af f X (spanX) es el conjunto de todas las
combinaciones afines (combinaciones lineales) de elementos de X.
Definición 2.6. Sea X ⊂ Rn un conjunto convexo. Se define el interior relativo de X como el

conjunto
riX = {x ∈ af f X : ∃ > 0, (x + B) ∩ (af f X) ⊆ X}.
Ejemplo 2.7. Consideremos el segmento

( ! )
x1 2
X= ∈ R : 1 ≤ x1 ≤ 5, x2 = 4 ,
x2
el cual está representado en la Figura 2.3. El interior de este conjunto es ∅ pero el interior
Figura 2.3: El interior de X es vacı́o pero el interior relativo de X es no vacı́o.
relativo de X es ( ! )
x1 2
ri X = ∈ R : 1 < x1 < 5, x2 = 4 .
x2
El interior relativo de un conjunto convexo X coincide con el interior topológico usual
cuando af f X = Rn . Las combinaciones convexas entre puntos en la frontera y el interior
relativo de un conjunto convexo pertenecen al interior relativo del conjunto convexo, esta
propiedad es conocida como lema de Accesibilidad.
Teorema 2.8 (Teorema 6.1 de [11]). Sea X ⊆ Rn un conjunto convexo. Si x1 ∈ ri X y x2 ∈ cl X

entonces λx1 + (1 − λ)x2 ∈ int S para cada 0 ≤ λ < 1.
Como consecuencia del Teorema 2.8 tenemos que el interior de un conjunto convexo arbi-
trario y la cerradura de un conjunto convexo con interior no vacı́o son conjuntos convexos.
Tal como lo enuncia el Teorema 2.1 de [11], la intersección de una colección arbitraria de
conjuntos convexos es también un conjunto convexo.
Definición 2.9. Un conjunto C ⊆ Rn es un cono si para todo x ∈ C y λ > 0 se cumple λx ∈ C.

Sea X ⊂ Rn , el cono convexo generado por X está definido por
coneX = conv{λx : x ∈ X, λ ≥ 0}.
El cono dual de X está dado por
X ∗ = {p ∈ Rn : x0 p ≤ 0 ∀x ∈ X}.
El cono polar se define como
X o = {p ∈ Rn : x0 p ≥ 0 ∀x ∈ X}.
Geométricamente, el conjunto coneX es la envoltura convexa del cono que consta de todos
los rayos que contienen elementos de X, X ∗ consta de todos los vectores en Rn que forman
un ángulo mayor o igual que 90 grados con todos los elementos de X y X o está formado por
los vectores que forman un ángulo menor o igual que 90 grados con todos los elementos de
X. La Figura 2.4 ilustra estos conjuntos.
(a) Cono convexo generado por S (b) Cono dual de S
Figura 2.4: Conos convexo y dual.
Definición 2.10. Se dice que el conjunto X ⊆ Rn es un poliedro si es el conjunto solución de

un sistema finito de desigualdades lineales.
Como poliedros especiales tenemos a los polı́topos. Un polı́topo se define como la envoltura
convexa de un conjunto finito de puntos. El Teorema siguiente enuncia que un polı́topo, ası́ como
un cono convexo generado por un conjunto finito de puntos, son poliedros.
Teorema 2.11 (Teorema 3.5 de [7]). Sea X ⊆ Rn un conjunto finito no vacı́o, entonces
1. El polı́topo convX es un poliedro acotado.
2. El cono finitamente generado coneX es el conjunto solución de un sistema de desigual-

dades homogéneo, es decir, es un cono poliédrico.
Como consecuencia inmediata de este teorema tenemos que un cono convexo finitamente
generado es cerrado.
Definición 2.12. Sea X ⊆ Rn y x̄ ∈ X. Se dice que d ∈ Rn es una dirección factible de X

en x̄ si existe > 0 tal que x̄ + λd ∈ X, para cada 0 ≤ λ < . El conjunto de direcciones
factibles del conjunto X en el punto x̄ se denota por D(X, x̄).
Proposición 2.13. Si X ⊆ Rn es un conjunto convexo entonces para todo x̄ ∈ X, D(X, x̄) es

un cono convexo .
Demostración. Veamos que D(X, x̄) es un cono. Sea α > 0 arbitrario, si d ∈ D(X, x̄) entonces
existe > 0 tal que
x̄ + δd ∈ X, para cada 0 ≤ δ < ,
de lo anterior se sigue que
δ
x̄ + (αd) ∈ X, para cada 0 ≤ δ < ,
α
es decir, αd ∈ D(X, x̄). Por lo tanto D(X, x̄) es un cono.
Veamos ahora que D(X, x̄) es un conjunto convexo. Sean d1 , d2 ∈ D(X, x̄) y λ ∈ (0, 1)
arbitrarios. Como d1 ∈ D(X, x̄) entonces existe 1 > 0 tal que
x̄ + δd1 ∈ X, para cada 0 ≤ δ < 1 .
Como d2 ∈ D(X, x̄) entonces existe 2 > 0 tal que
x̄ + δd2 ∈ X, para cada 0 ≤ δ < 2 .
Sea = mı́n{1 , 2 }. Como X es convexo entonces
λ(x̄ + δd1 ) + (1 − λ)(x̄ + δd2 ) ∈ X, para cada 0 ≤ δ < .
Por otra parte
λ(x̄ + δd1 ) + (1 − λ)(x̄ + δd2 ) = x̄ + δ(λd1 + (1 − λ)d2 ) ∈ X, para cada 0 ≤ δ < ,
se sigue que
λd1 + (1 − λ)d2 ∈ D(X, x̄).
Por lo tanto D(X, x̄) es convexo.
Si un conjunto convexo es no acotado, entonces existe al menos una dirección en la que

el conjunto es no acotado. Tales direcciones son llamadas de recesión, cuya definición es la
siguiente:
Definición 2.14. Un vector d ∈ Rn es llamado dirección de recesión de X si ∀ x ∈ X,

x + λd ∈ X para cada λ ≥ 0. El conjunto de direcciones de recesión de X está denotado y
definido por
recX = {d ∈ Rn : d es dirección de recesión de X}.
De forma análoga a la demostración de la Proposición 2.13 se verifica que recX es un

cono convexo, el cual es llamado cono de recesión de X.
Enseguida tenemos la definición de punto extremo y dirección extrema de un conjunto
convexo.
Definición 2.15. Si X ⊆ Rn es convexo, entonces un punto x ∈ X es un punto extremo de

X si x = λx1 + (1 − λ)x2 con x1 , x2 ∈ X y λ ∈ (0, 1) implica x1 = x2 . El conjunto de puntos
extremos de X será denotado por extX. De forma similar, d ∈ recX es una dirección extrema
de X si d = λd1 + (1 − λ)d2 con d1 y d2 direcciones de recesión de X y cierto λ ∈ (0, 1)
implica d1 = d2 .
Ejemplo 2.16. Consideremos el conjunto siguiente

( ! )
x1 1
X= ∈ R2 : x1 ≥ 0, x2 ≥ 0, 2x1 + 5 ≥ x2 , x1 − 2 ≤ x2
x2 2
el cual está representado en la Figura 2.5(a). Los puntos extremos de F son
(a) Conjunto X y puntos extremos (b) Direcciones extremas
Figura 2.5: Poliedro con puntos extremos y direcciones extremas.
! ! !
4 0 0
a1 = , a2 = , a3 = ,
0 0 5
y las direcciones extremas de F son

! !
1
2 2
d1 = , d2 = .
1 1
Además de la representación como conjunto solución de un sistema de desigualdades,

llamada representación externa, los poliedros pueden representarse como una combinación
convexa de sus puntos extremos y sus direcciones extremas, la cual es llamada representación
interna. El Teorema de representación de conjuntos convexos (Teorema 19.1 de [11]) asegura
que si X ⊆ Rn es convexo con puntos extremos a1 , . . . , ak y direcciones extremas d1 , . . . , dl ,
entonces para cualquier x̄ ∈ X existen escalares λ1 , . . . , λk y µ1 , . . . , µl tales que
k
X l
X
x̄ = λi ai + µj d j , (2.2)
i=1 j=1
P
donde ki=1 λi = 1, λi ≥ 0 para i = 1, . . . , k y µj ≥ 0 para j = 1, . . . , l.
El Corolario 19.1.1 de [11] indica que un poliedro tiene un número finito de puntos extremos
y direcciones extremas. El Teorema de Weyl proporciona una caracterización de los puntos
extremos de un poliedro en términos de su representación externa:
Teorema 2.17 (Teorema 5.2 de [7]). Sea el poliedro F = {x ∈ Rn : a0i x ≥ bi , i = 1, . . . , m}.

Si dim span{ai : i = 1, 2, . . . , m} ≥ 2 entonces x̄ ∈ F es un punto extremo de F si y solo si
dim span{ai : a0i x̄ = bi } = n.
Demostración. Sea x̄ ∈ F tal que dim span{ai : a0i x̄ = bi } < n. Como
dim span{ai : a0i x̄ = bi } + dim span{ai : a0i x̄ = bi }⊥ = n,
donde span{ai : a0i x̄ = bi }⊥ es el complemento ortogonal de span{ai : a0i x̄ = bi }, entonces

dim span{ai : a0i x̄ = bi }⊥ ≥ 1. Por lo tanto, existe y ∈ Rn no nulo tal que
a0i y = 0, para cada ai tal que a0i x̄ = bi . (2.3)
Veamos que y ∈ D(F, x̄). De (2.3) tenemos que, para cada ai tal que a0i x̄ = bi ,
a0i (x̄ + y) = a0i x̄ + a0i y = a0i x̄ = bi , para todo > 0.
Por otra parte, si ai es tal que a0i x̄ > bi , consideremos los dos casos siguientes:
(a) a0i y ≥ 0: En este caso a0i (x̄ + y) = a0i x̄ + a0i y = bi + a0i y > bi , para todo > 0.
a0i x̄−bi
(b) a0i y < 0: En este caso basta definir i = |a0i y| > 0 para obtener a0i (x̄ + δy) > bi , para
cada 0 ≤ δ ≤ i .
De lo anterior concluimos que y ∈ D(F, x̄). De forma análoga podemos verificar que −y ∈
D(F, x̄). Existe δ > 0 tal que x̄ ± δy ∈ F , entonces
1 1
x̄ = (x̄ + δy) + (x̄ − δy),
2 2
de aquı́, x̄ no es un punto extremo de F .
Supongamos ahora que x̄ ∈ F es tal que dim span{ai : a0i x̄ = bi } = n y que x̄ no es punto
extremo de F . Entonces existen x1 , x2 ∈ F distintos tales que x̄ = λx1 + (1 − λ)x2 , para cierto
λ ∈ (0, 1).
Sea y = x2 − x1 . Entonces x̄ + λy = λx1 + (1 − λ)x2 + λ(x2 − x1 ) = x2 ∈ F y por lo tanto
y ∈ D(F, x̄). Por otra parte, si 0 < < 1 − λ entonces
x̄ − y = λx1 + (1 − λ)x2 + x1 − x2 = (λ + )x1 + (1 − (λ + ))x2 ∈ F,
por ser una combinación convexa de x1 y x2 .

Existe ak ∈ {ai : a0i x̄ = bi } tal que a0k y 6= bi , puesto que en caso contrario se tendrı́a
a0i (x̄ − y) = bi − bi = 0, para todo i = 1, . . . , m,
y por lo tanto
span{ai : a0i x̄ = bi } ⊆ span{x̄ − y}⊥ ,
de donde
2 ≤ dim span{ai : a0i x̄ = bi } ≤ span{x̄ − y}⊥ = 1,
lo cual es una contradicción. Consideremos los casos siguientes
(a) a0k (x̄ + λy) > bk : En este caso a0k y > λ1 (bk − a0k x̄) = 0. Luego
a0k (x̄ − y) = a0k x̄ − a0k y = bk − a0k y < bk ,
de lo anterior obtenemos la contradicción x̄ − y ∈

/ F.
(b) a0k (x̄ + λy) < bk : En este caso es evidente la contradicción x̄ + λy ∈

/ F.
Si C ⊆ Rn es un cono convexo, entonces C solamente puede tener como punto extremo al

vector nulo, como está enunciado a continuación.
Proposición 2.18. Si C ⊆ Rn un cono convexo, entonces C no tiene puntos extremos no nulos.
Demostración. Supongamos que x ∈ C es un punto extremo de C diferente de cero. Entonces

para cualesquiera x1 , x2 ∈ C y para todo λ ∈ (0, 1), la igualdad x = λx1 + (1 − λ)x2 implica
que x1 = x2 . Como C es un cono, entonces
1 1
x1 := x = x − x ∈ C,
2 2
y
3 1
x = x + x ∈ C.
x2 :=
2 2

1
Claramente x1 6= x2 . Notemos que x = 2 x1 + 1 − 21 x2 lo cual contradice que x sea punto
extremo de C.
Ası́, cada punto de un cono convexo puede representarse como una combinación cónica de
sus direcciones extremas, en otras palabras, un cono convexo coincide con la envoltura convexa
del cono generado por sus direcciones extremas, como lo veremos en el Corolario siguiente.
Corolario 2.19. Sea C un cono convexo y d1 , . . . , dr las direcciones extremas de C. Entonces

para cada x ∈ C existe un conjunto {d1 , . . . , dk } de direcciones extremas de C y escalares
P
positivos αi , i = 1, . . . , k tales que x = ki=1 αi di .
Demostración. De acuerdo con la representación de conjuntos convexos cada punto de C

puede ser representado como una combinación convexa de puntos extremos de C más una
combinación cónica de direcciones extremas de C. Según la Proposición 2.18, C no tiene
puntos extremos no nulos. Ası́ para cada x ∈ C existen escalares αi ≥ 0, i = 1, . . . , r tales
que
X r
x= αi di . (2.4)
i=1
Ignorando los términos tales que αi = 0 en la expresión 2.4 se obtiene el resultado.
El siguiente resultado proporciona una representación para los elementos del interior de
un cono convexo. Incluimos la demostración hecha en [4].
6 C ⊆ Rn . Las siguientes afirmaciones son equiva-

Teorema 2.20 (Teorema 2.5 de [4]). Sea ∅ =
lentes:
(i) x ∈ int coneC;
(ii) existen puntos xi ∈ C y escalares λi > 0, i = 1, 2, . . . , r, tales que

P
span{x1 , . . . , xr } = Rn y x = ri=1 λi xi .
Demostración. (i) ⇒ (ii). Sea x ∈ int coneC entonces existen vectores zi ∈ coneC,
i = 1, 2, . . . , r y escalares positivos β1 , . . . , βr tales que
k
X
span{z1 , . . . , zr } = Rn y x = βi zi .
i=1
De acuerdo con el Corolario 2.19 para cada i = 1, . . . , r existen escalares γij > 0 y vectores
dij ∈ C, j = 1, 2 . . . , si , tales que
si
X
zi = γij dij .
j=1
Por lo tanto
r
X si
X si
r X
X
x= βi γij dij = βi γij dij ,
i=1 j=1 i=1 j=1
renombrando los términos en la expresión anterior obtenemos (ii).

(ii) ⇒ (i). Sea el conjunto {x1 , . . . , xr } tal que span{x1 , . . . , xr } = Rn . Consideremos
P
el mapeo ϕ : Rr → Rn dado por ϕ(α1 . . . , αr ) = ri=1 αi xi , el cual es lineal y continuo.
En particular, {(α1 , . . . , αr ) : αi > 0, i = 1, . . . , r} es un abierto en Rr por lo que su imagen
P
{ ri=1 αi xi ∈ Rn : αi > 0, i = 1, . . . , r} ⊂ coneC es un abierto en Rn , de lo cual concluimos
que x ∈ int coneC.
2.2. Separación y soporte de conjuntos convexos

En esta sección presentamos las propiedades de separación de conjuntos convexos y de
soporte en un punto en la frontera de un conjunto convexo.
Definición 2.21. Sean X1 y X2 subconjuntos de Rn no vacı́os. Se dice que el hiperplano

H = {x : p0 x = α} separa X1 y X2 si X1 está contenido en uno de los semiespacios definidos
por H mientras que X2 está contenido en el otro semiespacio, es decir, si se tiene alguna de
las siguientes condiciones:
a) p0 x ≥ α para todo x ∈ X1 y p0 x ≤ α para todo x ∈ X2 ,
b) p0 x ≤ α para todo x ∈ X1 y p0 x ≥ α para todo x ∈ X2 .
Se dice que la separación es estricta si las desigualdades anteriores son estrictas, la separa-
ción es propia si X1 y X2 no están ambos contenidos en H, la separación es fuerte si existe
> 0 tal que X1 + B está contenido en uno de los semiespacios mientras que X2 + B
está contenido en el otro.
22 2.2. Separación y soporte de conjuntos convexos
(a) Separación de X1 y X2 (b) Separación estricta de X1 y X2
Figura 2.6: Separación de conjuntos convexos.
En [11] se puede consultar una exposición detallada de condiciones que garantizan la

separación de conjuntos convexos, ası́ como demostraciones constructivas de algunos de estos
resultados. En este trabajo sólo mencionamos algunos resultados a los que haremos referencia
posteriormente.
Teorema 2.22 (Teorema 11.3 de [11]). Sean X1 y X2 dos subconjuntos convexos no vacı́os de
Rn . Para que exista un hiperplano que separa X1 y X2 propiamente es necesario y suficiente
que riX1 no se intersecte con riX2 .
El lema de Farkas para conos, enunciado a continuación, establece que si C es un cono

convexo cerrado, entonces C oo es igual a C.
Lema 2.23 (Lema 3.1 de [7]). Si C es un cono convexo cerrado entonces C 00 = C.
Demostración. Sea x̄ ∈ C 00 , es decir, x̄0 p ≥ 0 para cada p ∈ C 0 . Supongamos que x̄ ∈

/ C.
n 0
Entonces, por el Teorema 2.22, existen p ∈ R no nulo y α ∈ R tales que p x ≤ α para todo
x ∈ C y p0 x̄ > α.
Como 0 ∈ C, entonces
p0 x̄ > α ≥ p0 0 = 0. (2.5)
Por otra parte, para cualesquiera x ∈ C , tenemos que λx ∈ C, para todo λ > 0. Luego
p0 (λx) ≤ α, de donde p0 x ≤ αλ . Tomando el lı́mite cuando λ tiende a infinito,
p0 x ≤ 0, para todo x ∈ C. (2.6)
La desigualdad (2.6) implica que p ∈ C 0 , notemos que por la desigualdad (2.5) tenemos que
p0 x̄ > 0, lo cual contradice que x̄ ∈ C 00 . Por lo tanto, x̄ ∈ C. Ası́ C 00 ⊆ C.
Sea x̄ ∈ C, entonces para todo z ∈ C 0 tenemos z0 x̄ ≤ 0, lo cual implica x̄ ∈ C 00 . Por lo

tanto C ⊆ C 00 .
La separación de un conjunto convexo y un punto en la frontera del mismo se denomina

soporte, el cual es una generalización de la definición usual de tangencia.
Definición 2.24. Sea X ⊆ Rn un conjunto convexo. Se dice que el hiperplano

H = {x ∈ Rn : p0 x = α} es un hiperplano de soporte para el conjunto X en el punto
x̄ ∈ X si x̄ ∈ H y X está contenido en alguno de los semiespacios cerrados generados por H.
(a) Existe un único hiperplano de sopor- (b) Existe una infinidad de hiperplanos
te de X en el punto x̄ de soporte de X en x̄
Figura 2.7: Hiperplanos de soporte en la frontera de un conjunto convexo.
Podemos notar en la Figura 2.7(a) que la existencia de un hiperplano de soporte de X

en x̄ implica x̄ ∈ ∂X. A continuación veremos la argumentación de este hecho dada en [7].
Supongamos que el hiperplano H soporta al conjunto X en el punto x̄ ∈ X. Tenemos que
para todo x ∈ X, p0 x ≤ p0 x̄. Sea yk := x̄ − kp , entonces
p kpk2
p0 yk = p0 x̄ − = p0 x̄ − < p0 x̄,
k k
/ X, luego {yk } ∈ Rn \ X es una sucesión que converge a x̄. De
lo anterior implica que yk ∈
lo anterior se deduce que x̄ ∈ ∂(Rn \ X). Como x̄ ∈ X, se sigue que x̄ ∈ ∂X.
24 2.3. Conjunto factible de un problema de programación lineal
Teorema 2.25 (Teorema 11.6 de [11]). Sea X un conjunto convexo en Rn y C un subconjunto

convexo no vacı́o de X. Para que exista un hiperplano de soporte para X que contiene a C
tal que no contiene a X es necesario y suficiente que C sea disjunto de riX.
El teorema anterior garantiza que para cualquier punto x̄ en la frontera de un conjunto

convexo cerrado X, tal que x̄ ∈ / riX existe un hiperplano que soporta al conjunto X, no
necesariamente único (ver la Figura 2.7(b)).
2.3. Conjunto factible de un problema de programación lineal

Dado un problema lineal, la primera cuestión que desearı́amos aclarar es si el problema
es consistente, es decir, si el conjunto solución de su sistema de desigualdades es no vacı́o;
y en caso de ser consistente, podrı́amos preguntarnos si en las desigualdades involucradas
existe redundancia, es decir, si existen desigualdades que pueden ser eliminadas sin modificar
el conjunto solución. Como podemos observar, el estudio de la consistencia de un problema, es
en realidad el estudio de la consistencia del sistema de desigualdades asociado al problema.
En el Teorema 2.27 de esta sección mencionamos una caracterización de los sistemas
de desigualdades que son consistentes y en el Teorema 2.28 veremos una caracterización
de las desigualdades que resultan redundantes en un sistema consistente. Posteriormente
mencionamos algunas propiedades de los conjuntos poliédricos.
Dado un sistema de desigualdades lineales de la forma {ai 0 x ≥ bi , i ∈ I}, con conjunto
solución F , se define su cono caracterı́stico como sigue:
( ! !)
ai 0
K = cone , i ∈ I; .
bi −1
Entonces el cono polar de K está dado por

( ! )
0 x n+1 0
K = ∈R : ai x + bi xn+1 ≥ 0, −xn+1 ≥ 0 .
xn+1
Lema 2.26 (Lema 3.2 de [7]). Consideremos el sistema de desigualdades {ai 0 x ≥ bi , i ∈ I} y

sean F su conjunto factible y K su cono caracterı́stico.
!
x
(i) F = ∅ si y sólo si xn+1 = 0, para todo ∈ K 0.
xn+1
!
x̄
(ii) x̄ ∈ F si y sólo si ∈ K 0.
−1
!
x̄
Demostración. (i) Sea ∈ K 0 tal que x̄n+1 6= 0 entonces x̄n+1 < 0. Dividiendo
x̄n+1
por x̄n+1 ambos lados de la desigualdad a0i x̄ + bi x̄n+1 ≥ 0, i ∈ I, concluimos que
x̄
− x̄n+1 ∈ F . Por lo tanto F 6= ∅.
Recı́procamente,
! si existe x̄ ∈ F entonces a0i x̄ + bi (−1) ≥ 0, para todo i ∈ I. Por lo tanto,
x̄
∈ K 0 y xn+1 = −1 6= 0.
−1
!0 !
x̄ ai
(ii) a0i x̄ ≥ bi , para cada i ∈ I si y sólo si ≥ 0, para cada i ∈ I, si y solo
−1 bi
!
x̄
si ∈ K 0.
−1
El siguiente resultado conocido como Teorema de existencia de Zhu, caracteriza a los

sistemas de desigualdades lineales consistentes. Los dos resultados siguientes son válidos en
general aún cuando el conjunto de ı́ndices T sea infinito.
Teorema 2.27 (Teorema!3.7 de [7]). El sistema de desigualdades {a0t x ≥ bt , t ∈ T } es consis-

0
tente si y sólo si ∈
/ K.
1
Demostración. Supongamos
! es consistente y sea x̄ ∈ !
que el sistema ! F . De acuerdo
! con el
0
x̄ 0 0 x̄
Lema 2.26 (ii), ∈ K 0 , de aquı́ / K 00 puesto que
∈ = −1 < 0.
−1 1 1 −1
!
0
Segun el Lema 2.23, K 00 = K, por lo tanto ∈
/ K.
1
Recı́procamente, si el sistema es inconsistente, entonces, según el Lema 2.26 (i), K 0
está contenido en el hiperplano
( ! )
x̄
H= ∈ Rn+1 : xn+1 = 0 .
xn+1
! !0 !
x̄ 0 x̄
Por otra parte, si ∈ H entonces = 0. Luego
xn+1 1 xn+1
!
0
∈ K 00 = K.
1
Se dice que la desigualdad a0 x ≥ b es consecuencia del sistema {a0i x ≥ bi , i ∈ I} si cada

solución de este sistema satisface también la desigualdad. En otras palabras una desigualdad
es consecuencia de cierto sistema si al incluirla en él resulta redundante. Usando el cono
caracterı́stico del sistema se puede dar una caracterización de las desigualdades redundantes:
Teorema 2.28 (Teorema 3.6 de [7]). Sea {a0i x ≥ bi , i ∈ I} un sistema consistente y sea K su
caracterı́stico. Una desigualdad a0 x ≥ b es consecuencia de dicho sistema si y sólo si
cono !
a
∈ K.
b
Demostración. Supongamos que a0 x ≥ b es consecuencia
! del sistema {a0i x ≥ bi , i ∈ I}. Puesto
a
que K 00 = K entonces basta probar que ∈ K 00 para demostrar la condición necesaria.
b
!
x̄
Es decir, se desea probar que ∈ K 0 implica a0 x̄ + bx̄n+1 ≥ 0. Como x̄n+1 ≤ 0,
x̄n+1
pueden darse dos casos:
Caso 1: x̄n+1 < 0.
1
Por ser K 0 un cono, y como γ = − x̄n+1 > 0 se tiene
! !
x̄ γx̄
γ = ∈ K 0,
x̄n+1 −1
esto implica que, para todo i ∈ I, a0i (γx̄) ≥ bi . Como la desigualdad a0 x ≥ b es consecuencia
del sistema {a0i x ≥ bi , i ∈ I}, entonces a0i x ≥ bi o, de forma equivalente, a0i x̄ + bx̄n+1 ≥ 0.
Caso 2: x̄n+1 = 0. ! !
x̄ 0 z̄
En este caso ∈ K . Tomando z̄ ∈ F arbitrario, y como ∈ K 0 , se tiene
0 −1
! ! !
x̄ z̄ (1 − λ)x̄ + λz̄
(1 − λ) +λ = ∈ K0
0 −1 −λ
para todo λ ∈ (0, 1). Dicho punto está considerado en el caso 1, por lo cual tenemos que
a0 [(1 − λ)x̄ + λz̄] − λb ≥ 0. Tomando
! el lı́mite cuando λ → 0 se obtiene a0 x̄ ≥ 0.
a
Recı́procamente, si ∈ K = K 00 , entonces, de acuerdo con el Lema 3.2 (ii) de [7],
b
para todo x̄ ∈ F se cumple !0 !
a x̄
≥ 0.
b −1
lo cual implica a0 x̄ ≥ b, para todo x̄ ∈ F . Por lo tanto a0 x̄ ≥ b es consecuencia del sistema
{a0i x ≥ bi , i ∈ I}.
Existe una correspondencia natural entre desigualdades lineales y semiespacios cerrados.

Consideremos una desigualdad lineal de la forma siguiente:
a0 x ≥ b, (2.7)
donde a ∈ Rn , b ∈ R son fijos y x ∈ Rn . Si a = 0 y bi ≤ 0 entonces el conjunto solución de

la desigualdad (2.7) es Rn , si a = 0 y bi > 0 entonces el conjunto solución de la desigualdad
(2.7) es ∅. Si a 6= 0, entonces el conjunto solución de la desigualdad (2.7) es el semiespacio
positivo H + = {x ∈ Rn : a0 x ≥ b} determinado por el hiperplano H = {x ∈ Rn : a0 x = b}.
Geométricamente, para n = 2 el conjunto solución debe tener la forma representada en la
Figura 2.8.
Figura 2.8: Semiespacio positivo determinado por el hiperplano H.
El conjunto factible de un problema lineal semi-infinito es la intersección de los conjuntos

solución de las desigualdades de su sistema de desigualdades asociado, cada uno de los cuales
es un convexo cerrado y por lo tanto el conjunto factible es un conjunto convexo y cerrado.
En el caso ordinario el conjunto factible es la intersección finita de semiespacios cerrados, es
decir, un poliedro. Si el conjunto factible es acotado entonces es un polı́topo (ver la Figura
2.9).
De acuerdo con el Corolario 9.6.1 de [8], en la clase de problemas lineales semi-infinitos
que satisfacen dim span{at , t ∈ T } = n se tiene que si un problema es resoluble entonces
existe un punto extremo que es solución óptima.
En programación lineal semi-infinita es posible que el conjunto de puntos extremos del
conjunto factible sea infinito, tal como lo ilustra el Ejemplo 2.29. En programación lineal or-
dinaria un punto extremo es la intersección de los hiperplanos que son determinados por
restricciones cuyo conjunto de gradientes tiene dimensión n, según la caracterización presen-
tada en el Teorema 2.17. Ası́, el conjunto de puntos extremos de un poliedro es finito, pues
(a) Polı́topo (b) Poliedro
Figura 2.9: Conjuntos poliédricos.

está acotado por m n . Lo anterior es de gran importancia en el desarrollo de métodos de
solución , puesto que si se cuenta con una caracterización de una solución óptima entonces
es posible diseñar métodos iterativos que evalúen la optimalidad de los puntos extremos. El
método simplex es un algoritmo que realiza este procedimiento evaluando la condición de
optimalidad de Karush-Kuhn-Tucker, y, dado que existe un número finito de puntos extremos,
se asegura que el algoritmo terminará en un número finito de iteraciones.
Ejemplo 2.29. Consideremos el problema σ dado por
M in x1 + 3x2
s.a x1 ≥ 0
−x1 ≥ −1
x2 − 2tx1 ≥ −t2 , para cada t ∈ [0, 1].
Cada restricción x2 − 2tx1 ≥ −t2 se puede reescribir como
x2 − t2 ≥ 2t(x1 − t), para cada t ∈ [0, 1].
Es decir, cada una de estas restricciones representa la tangente a la curva x2 = x21 en el

punto t ∈ [0, 1] (ver Figura 2.10) por lo que el conjunto factible de este problema es
( ! )
x1 2 2
F = ∈ R : 0 ≤ x1 ≤ 1, x2 ≥ x1 .
x2
El conjunto de puntos extremos de F es
( ! )
x1
extF = ∈ R2 : x1 ∈ [0, 1], x2 = x21 .
x2
(a) Conjunto factible (b) Conjunto de puntos extremos
Figura 2.10: Conjunto convexo con infinitos puntos extremos.
Definición 2.30. Sea f : Rn → R una función. Se dice que un vector d ∈ Rn es una dirección
de descenso en x̄ ∈ Rn si existe δ > 0 tal que f (x̄ + λd) < f (x̄), para cada λ ∈ (0, δ).
Como veremos en el Teorema 3.1, si f : Rn → R es una función diferenciable entonces las

direcciones de descenso en el punto x̄ son aquéllas que forman un ángulo agudo con el vector
−∇f (x̄) . Claramente la función objetivo de un problema lineal f (x) = c0 x es diferenciable y
además ∇f (x) = c. Intuitivamente, podemos decir que un problema lineal puede ser resuelto
geométricamente eligiendo un punto factible y avanzando desde este punto en dirección del
vector −c mientras no se pierda la factibilidad1 .
Las curvas de nivel de la dirección objetivo son hiperplanos de la forma {x ∈ Rn : c0 x = z},
donde z ∈ R. Si el conjunto factible es acotado, entonces el problema estará resuelto cuando
se haya encontrado el hiperplano {x ∈ Rn : c0 x = V }. La intersección de este hiperplano con
el conjunto factible es el conjunto de soluciones F ∗ . Por ejemplo, en el caso en que n = 2
dicha intersección puede ser solo un punto, un segmento o un rayo.
En las Figuras 2.11, 2.12 y 2.13 suponemos que se resuelve un problema de minimización,
por lo cual, la dirección sobre la cual el valor de la función objetivo disminuye está dada por
el vector −c. Las lineas punteadas representan las curvas de nivel de la función objetivo.
Si el conjunto factible es un poliedro no acotado, entonces tiene al menos una dirección de
recesión. En este caso puede suceder que el problema tenga solución no acotada si −c ∈ recX ∗
(como en la Figura 2.13), es decir, para cada constante M ∈ R existe x ∈ F tal que c0 x < M .
1
Los algoritmos basados en esta idea se llaman métodos de gradiente descendiente, y son muy populares en
optimización numérica.
(a) Existe solución única (b) Existen soluciones alternativas
Figura 2.11: Soluciones cuando el conjunto factible es acotado.
(a) Solución única (b) Soluciones alternativas
Figura 2.12: Soluciones cuando el conjunto factible es no acotado.
Figura 2.13: Solución no acotada.

2.4. Funciones convexas

En problemas de optimización en los que existe un número finito de restricciones de la
forma gi (x) ≥ 0, la concavidad de las restricciones gi : Rn → R nos permitirá deducir la
convexidad del conjunto factible F . Además, la convexidad de la función objetivo, para un
problema de minimización, garantiza la suficiencia de la condición necesaria de primer orden
para optimalidad local además de que optimalidad local sobre un conjunto convexo es equi-
valente a optimalidad global, tal como lo enuncia la Proposición 3.14. Dado lo anterior, son
importantes los criterios para evaluar la convexidad de una función dada. En general, verificar
si una función es convexa no es una tarea sencilla. Para funciones diferenciables, existen con-
diciones necesarias y suficientes de convexidad, como veremos en el Teorema 2.34. Además,
si la función es dos veces diferenciable, entonces el análisis de su matriz Hessiana permite
evaluar la convexidad de la función, como lo veremos en el Teorema 2.35.
Definición 2.31. Sea f : Rn → R una función y S ⊆ Rn un conjunto convexo no vacı́o. Se

dice que f es convexa en S si para cualesquiera x1 , x2 ∈ S
f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ),
para todo λ ∈ (0, 1). Si la desigualdad anterior se satisface de forma estricta entonces se dice
que f es estrictamente convexa en S. Se dice que f es cóncava en S si −f es convexa en S
y se dice que es estrictamente cóncava en S si −f es estrictamente convexa en S.
Algunos ejemplos de estos tipos de funciones:

!!
x 1
(i) La función f : R2 → R dada por f = x21 + x22 es estrictamente convexa.
x2
!!
x1
(ii) La función f : R2 → R dada por f = log x1 + log x2 es estrictamente
x2
cóncava.
(iii) La función f : Rn → Rm dada por f (x) = Ax + b, donde A es una matriz con entradas
reales de m × n y b ∈ Rm , es convexa y cóncava.
(iv) Una función de la forma f : Rn → R dada por f (x) = x0 Hx + a0 x + b, donde H es una

matriz real de nxn simétrica, a ∈ Rn y b ∈ R, se denomina función cuadrática. Como
veremos en el Teorema 2.35, una función cuadrática es convexa si la matriz H es definida
positiva.
32 2.4. Funciones convexas
(a) Función convexa (b) Función cóncava
Figura 2.14: Funciones convexa y cóncava.
A continuación se presentan algunas propiedades de las funciones convexas.
Definición 2.32. Sea S ⊆ Rn no vacı́o y f : S → R. El epı́grafo de f , denotado por epif , se

define como el subconjunto de Rn+1 siguiente
epif = {(x, y) : x ∈ S, y ∈ R, y ≥ f (x)}.
El hipógrafo de f , denotado hipf , se define como el subconjunto de Rn+1 siguiente:
hipf = {(x, y) : x ∈ S, y ∈ R, y ≤ f (x)}.
Teorema 2.33. Sea S ⊆ Rn convexo. Entonces se cumple:
(i) Si la función f : S → R es convexa entonces para cada α ∈ Rn el conjunto de nivel

inferior Sα = {x ∈ S : f (x) ≤ α} es convexo (Lema 3.1.2 de [2]).
(ii) La función f : S → R es convexa en S si y sólo si epif es convexo (Teorema 3.2.2 de

[2]).
Demostración. (i) Sean x1 , x2 ∈ Sα , entonces f (x1 ) ≤ α y f (x2 ) ≤ α. De la convexidad de

(a) Epı́grafo de un función convexa (b) Hipógrafo de una función cóncava
Figura 2.15: El epı́grafo de una función convexa y el hipógrafo de una función cóncava son
conjuntos convexos.
f se tiene que para todo λ ∈ (0, 1),
f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 )

≤ λα + (1 − λ)α
= α,
esto implica que, para todo λ ∈ (0, 1), λx1 + (1 − λ)x2 ∈ Sα y por lo tanto Sα es convexo.
(ii) Supongamos que f es convexa. Sean (x1 , y1 ), (x2 , y2 ) ∈ epif cualesquiera y λ ∈ (0, 1),
f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 )

≤ λy1 + (1 − λ)y2 ,
lo anterior implica (λx1 + (1 − λ)x2 , λy1 + (1 − λ)y2 ) = λ(x1 , y1 ) + (1 − λ)(x2 , y2 ) ∈ epif ,

y por lo tanto epif es convexo.
Supongamos ahora que epif es convexo. Obviamente para cada x1 , x2 ∈ S, (x1 , f (x1 )) y
(x2 , f (x2 )) son elementos de epif . Por la convexidad de epif , para cada λ ∈ (0, 1), se
satisface:
λ(x1 , f (x1 )) + (1 − λ)(x2 , f (x2 )) ∈ epif,

(λx1 + (1 − λ)x2 , λf (x1 ) + (1 − λ)f (x2 )) ∈ epif,
es decir
f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 )),
de donde, f es convexa.
Del teorema anterior se deducen propiedades análogas para funciones cóncavas.
(i) Si la función f : S → R es cóncava entonces el conjunto de nivel superior definido como

sigue
S α = {x ∈ S : f (x) ≥ α},
es convexo para cada α ∈ R.
(ii) Una función f : S → R es cóncava en S si y sólo si hipf es convexo.
El teorema siguiente proporciona una caracterización geométrica de las funciones diferen-

ciables que son convexas:
Teorema 2.34 (Teorema 3.3.3 de [2]). Sea S un subconjunto de Rn abierto, convexo y no vacı́o;
y sea f : S → R una función diferenciable en S. Entonces f es convexa si y sólo si para cada
x̄ ∈ S se tiene
f (x) ≥ f (x̄) + ∇f (x̄)0 (x − x̄), para todo x ∈ S.
Similarmente, f es estrictamente convexa si y sólo si para cada x̄ ∈ S se tiene
f (x) > f (x̄) + ∇f (x̄)0 (x − x̄), para todo x 6= x̄ en S.
Como se menciona en [2], el teorema anterior permite derivar métodos de aproxima-

ción, ya sea usando la aproximación de primer orden para f (x) dada por la función afı́n
f (x̄) + ∇f (x̄)0 (x − x̄), o la aproximación de primer orden para las restricciones. Estas apro-
ximaciones lineales proporcionan cotas superiores o inferiores de la solución del problema
original, según f sea convexa o cóncava.
Si una función f es dos veces diferenciable entonces existe un criterio para evaluar su
convexidad verificando algunas propiedades de su matriz Hessiana:
Teorema 2.35 (Teorema 3.3.7 de [2]). Sea S un conjunto abierto y convexo en Rn . Una función
dos veces diferenciable f : S → R es convexa en S si y sólo si la matriz Hessiana H(x̄) es
positiva semidefinida para todo x̄ ∈ S.
(a) La aproximación de primer orden es una (b) La aproximación de primer orden

cota inferior para una función convexa es una cota superior para una función
cóncava
Figura 2.16: Teorema 2.34.
Demostración. Supongamos que f es convexa. Se debe probar que x0 H(x̄)x ≥ 0 para todo
x ∈ Rn . Sea x ∈ Rn , como S es abierto entonces x̄ + λx ∈ S para λ tal que |λ| =
6 0 es
suficientemente pequeño. Según el teorema 2.34 tenemos
f (x̄ + λx) ≥ f (x̄) + λ∇f (x̄)0 x, (2.8)
y de la segunda expansión en serie de Taylor de f en el punto x̄, al evaluar en x̄+λx obtenemos
f (x̄ + λx) = f (x̄) + λ∇f (x̄)0 x + 1/2λ2 x0 H(x̄)x + λ2 kxk2 α(x̄; λx). (2.9)
Multiplicando (2.8) por −1 y sumando con (2.9) se obtiene:
1/2λ2 x0 H(x̄)x + λ2 kxk2 α(x̄; λx) ≥ 0.
Dividiendo esta última ecuación por 1/2λ2 > 0 y tomando el lı́mite cuando λ → 0 se sigue
que
x0 H(x̄)x ≥ 0.
Supongamos ahora que la matriz Hessiana es positiva semidefinida en cada punto de S.

Consideremos dos puntos cualesquiera x y x̄ en S. De acuerdo con el Teorema del valor medio
tenemos
1
f (x) = f (x̄) + ∇f (x̄)0 (x − x̄) + (x − x̄)0 H(x̂)(x − x̄), (2.10)
2
donde x̂ = λx̄ + (1 − λ)x para cierto λ ∈ (0, 1). Dado que S es convexo, x̂ ∈ S luego H(x̂) es
positiva semidefinida, por consiguiente (x − x̂)0 H(x̂)(x − x̂) ≥ 0. De (2.10) concluimos que
f (x) ≥ f (x̄) + ∇f (x̄)0 (x − x̄).
La desigualdad anterior es válida para cada x, x̄ ∈ S, luego f es convexa según el Teorema

2.34.
A continuación veremos un Teorema en el que se establecen condiciones que permiten

verificar si una matriz simétrica es positiva semidefinida o positiva definida.
Teorema 2.36 (Teorema 3.3.12 de [2]). Sea H una matriz simétrica con n filas.
1. Si hii ≤ 0 para algún i ∈ {1, 2, . . . , n}, entonces H no es positiva definida; y si hii < 0
para algún i ∈ {1, 2, . . . , n}, entonces H no es positiva semidefinida.
2. Si hii = 0 para algún i ∈ {1, 2, . . . , n} y existe j ∈ {1, 2, . . . , n} tal que hij 6= 0 entonces
H no es positiva semidefinida.
3. Si n = 1 entonces H es positiva semidefinida (positiva definida) si y sólo si h11 ≥ 0

(h11 > 0). Si n ≥ 2 sea la matriz H en forma particionada:
" #
h11 q0
H= ,
q G
donde, por el inciso anterior, si h11 = 0 entonces podemos asumir q = 0, puesto que en
caso contrario H no es positiva semidefinida. En otro caso asumimos h11 > 0 y aplicando
operaciones elementales de Gauss-Jordan, H se puede transformar en la matriz siguiente:
" #
h11 q0
Hnueva = .
0 Gnueva
Entonces Gnueva es una matriz simétrica de (n − 1)× (n − 1) y H es positiva semidefinida

si y sólo si Gnueva es positiva semidefinida. Mas aún, si h11 > 0, entonces H es positiva
definida si y sólo si Gnueva es positiva definida.
Enseguida veremos un ejemplo en el cual verificamos si una función es semidefinida positiva

analizando, por medio del Teorema anterior, si su matriz Hessiana es semidefinida positiva.
Ejemplo 2.37. Sea f : R3 → R la función dada por

    
2 0 6 x1 x1
    
f (x) = ( x1 x2 x3 )  0 0 0   x2  + ( 1 0 −2 )  x2  .
6 0 20 x3 x3
Para determinar si la función f es convexa debemos verificar si su matriz Hessiana

 
2 0 6
 
H= 0 0 0 
6 0 20
es positiva semidefinida. Aplicando la reducción de Gauss-Jordan a la matriz H obtenemos

 
2 0 6
 
H1 =  0 0 0 
0 0 2
" #
0 0
Notamos que la matriz G1 = es positiva semidefinida pues la matriz G2 = [2] lo es,
0 2
por lo tanto H es positiva semidefinida y f es convexa.
Capı́tulo 3
Criterios de optimalidad y unicidad
Una de las tareas principales en la teorı́a de optimización es la determinación de condi-

ciones que nos permitan identificar la optimalidad de una solución factible. En la sección 3.1
veremos una caracterización de las direcciones de descenso para problemas de optimización
en los que las funciones involucradas son diferenciables. La condición necesaria de primer
orden para optimalidad local, que presentamos en la sección 3.2, involucra el llamado cono de
tangentes. La tarea de calcular el cono de tangentes de forma explicita es difı́cil en general,
sin embargo, con alguna condición adicional sobre las restricciones, el teorema de Karush-
Kuhn-Tucker (KKT) simplifica la verificación de la condición de primer orden al sustituir el
cálculo del cono de tangentes utilizando el cono de restricciones activas, esto es de lo que
tratan las secciones 3.3 y 3.4.
El Teorema de KKT es una condición necesaria cuando existe diferenciabilidad de las

funciones que definen un problema además de una cualificación de restricciones que permita
sustituir el cono de tangentes por el llamado cono activo. Con algunas hipótesis de convexidad
sobre las funciones involucradas en el problema, esta condición resulta ser también suficiente,
tal como lo demostraremos posteriormente en el Teorema 3.15. En programación lineal semi-
infinita se ha generalizado el Teorema de KKT para ciertas clases de problemas, de las cuales
mencionaremos los problemas tipo Farkas-Minkowski. En el Teorema 3.22 una caracterización
para optimalidad en el caso semi-infinito en general que involucra el cono de direcciones
factibles.
En la última sección de este capı́tulo mencionamos criterios para unicidad de la solución.

40 3.1. Direcciones de descenso
3.1. Direcciones de descenso

En lo que sigue haremos referencia a un problema de optimización que tiene la forma
siguiente:
sujeto a gi (x) ≥ 0, para cada i ∈ I,
donde I = {1, 2, . . . , m} es un conjunto de ı́ndices y f : Rn → R, gi : Rn → R son funciones.
F representará al conjunto factible del problema (P).
Se dice que x̄ ∈ F es un mı́nimo local para el problema (P ) si existe una vecindad de x̄,
N (x̄), tal que f (x̄) ≤ f (x) para todo x ∈ N (x̄) ∩ F , y se dice que x̄ es un mı́nimo global si
f (x̄) ≤ f (x) para todo x ∈ F .
De acuerdo con la Definición 2.30, d es una dirección de descenso para f en x̄ si existe
δ > 0 tal que f (x̄ + λd) < f (x̄), para cada λ ∈ (0, δ). El siguiente resultado caracteriza las
direcciones de descenso para una función diferenciable.
Teorema 3.1 (Teorema 4.1.2 de [2]). Supongamos que f : Rn → R es una función diferenciable
en x̄. Si el vector d ∈ Rn satisface ∇f (x̄)0 d < 0, entonces d es una dirección de descenso de
f en x̄. Recı́procamente, si d ∈ Rn es una dirección de descenso en x̄ entonces ∇f (x̄)0 d < 0.
Demostración. Sea λ > 0. Según la hipótesis de diferenciabilidad de f podemos escribir
f (x̄ + λd) = f (x̄) + λ∇f (x̄)0 d + λkdkα(x̄; λd),
donde α(x̄; λd) −→ 0 cuando λ → 0; entonces, si λ 6= 0
f (x̄ + λd) − f (x̄)

= ∇f (x̄)0 d + kdkα(x̄; λd),
λ
tomando lı́mite cuando λ → 0 obtenemos
f (x̄ + λd) − f (x̄)
lı́m = ∇f (x̄)0 d < 0.
λ→0 λ
Ası́, existe δ > 0 tal que f (x̄ + λd) − f (x̄) < 0 para todo λ ∈ (0, δ).
Supongamos ahora que d es una dirección de descenso en x̄, es decir, existe δ > 0 tal que,
para todo λ ∈ (0, δ), f (x̄ + λd) < f (x̄), entonces
f (x̄ + λd) − f (x̄)

∇f (x̄)0 d = lı́m < 0.
λ→0 λ
.
Capı́tulo 3. Criterios de optimalidad y unicidad 41
(a) Cono de direcciones de ascenso de f en x̄ (b) Cono de direcciones de descenso de f en

x̄
Figura 3.1: En la figura se muestran las curvas de nivel de f . Los conos están sombreados.
Como consecuencia del resultado anterior tenemos que, si d ∈ Rn satisface ∇f (x̄)0 d > 0
entonces d es una dirección de ascenso en x̄. El conjunto de direcciones de descenso, ası́ como
el conjunto de direcciones de ascenso de una función diferenciable en un punto son conos
convexos, como veremos a continuación.
Corolario 3.2. Sea f : Rn → R una función diferenciable. Para todo x̄ ∈ Rn el conjunto de

direcciones de descenso de f en x̄ es un cono convexo.
Demostración. Sea x̄ ∈ Rn . De acuerdo con el teorema anterior, el conjunto de direcciones

de descenso de f en el punto x̄ está caracterizado como C = {d ∈ Rn : ∇f (x̄)0 d < 0}.
Veamos que C es un cono. Sea d ∈ C, entonces ∇f (x̄)0 d < 0. De lo anterior tenemos que
para cualesquiera λ > 0, ∇f (x̄)0 (λd) = λ∇f (x̄)0 d < 0, es decir λd ∈ C, de donde C es un
cono.
Veamos que C es convexo. Sean d1 , d2 ∈ C y sea λ ∈ (0, 1), entonces
∇f (x̄)0 (λd1 + (1 − λ)d2 ) = λ∇f (x̄)0 d1 + (1 − λ)∇f (x̄)0 d2 < 0,
lo cual implica λd1 + (1 − λ)d2 ∈ C. Por lo tanto, C es un cono convexo.
Como d y λd, λ > 0, definen la misma dirección, podemos tomar como direcciones repre-
sentativas del cono a las direcciones de norma euclideana menor o igual que 1. Sobre este
∇f (x̄)
conjunto se verifica que la dirección de mayor descenso es − k∇f (x̄)k , como veremos en el
Corolario siguiente:
42 3.2. Condición necesaria de primer orden
Corolario 3.3. Sea f : Rn → R una función diferenciable en x̄. Para cualquier vector d ∈ Rn
dirección de descenso para f en x̄ tal que kdk ≤ 1 existe > 0 tal que, para todo λ ∈ (0, ),
∇f (x̄)
se satisface f (x̄ + λd̄) ≤ f (x̄ + λd), donde d̄ = − k∇f (x̄)k .
Demostración. Sea d ∈ Rn una dirección de descenso para f en x̄ tal que kdk ≤ 1. Como
kdk ≤ 1 = kd̄k, entonces k∇f (x̄)kkdk ≤ k∇f (x̄)kkd̄k. Por otra parte
k∇f (x̄)kkd̄k = |∇f (x̄)0 d̄| = k∇f (x̄)k,
de lo anterior
|∇f (x̄)0 d| ≤ |∇f (x̄)0 d̄|. (3.1)
Como d y d̄ son direcciones de descenso de f en x̄, entonces ∇f (x̄)0 d < 0 y ∇f (x̄)0 d̄ < 0,
ası́ (3.1) implica
∇f (x̄)0 d̄ ≤ ∇f (x̄)0 d, (3.2)
de donde se sigue
f (x̄ + λd̄) − f (x̄) f (x̄ + λd) − f (x̄)

lı́m = ∇f (x̄)0 d̄ ≤ ∇f (x̄)0 d = lı́m ,
λ→0 λ λ→0 λ
por lo tanto, existe > 0 tal que, para todo λ ∈ (0, ), se satisface f (x̄ + λd̄) ≤ f (x̄ + λd).
3.2. Condición necesaria de primer orden

Definición 3.4. Sea S ⊆ Rn no vacı́o y sea x̄ ∈ clS. El cono de tangentes de S en el punto
x̄, denotado por T (x̄) está definido como el conjunto de todas las direcciones d tales que
d = lı́m λk (xk − x̄) donde λk > 0, xk ∈ S para todo k, y xk → x̄. A cada elemento del cono
k→∞
de tangentes se le denomina dirección tangencial.
En general, siempre se cumple que cualquier dirección factible en un punto de un conjunto

convexo también es una dirección tangencial.
Proposición 3.5. Si X ⊆ Rn es un conjunto convexo entonces para todo x̄ ∈ X, D(X, x̄) ⊆

T (x̄).
Demostración. Si d ∈ D(X, x̄) entonces existe > 0 tal que x̄ + d ∈ X. Definiendo xk =

x̄ + k1 d, para cada k ∈ N, obtenemos que xk → x̄ y además
d = lı́m k(xk − x̄).

k→∞
Por lo tanto d ∈ T (x̄).

Si el conjunto factible es un poliedro, como ocurre en programación lineal ordinaria, enton-

ces toda dirección tangencial es una dirección factible en cualquier punto del conjunto factible
(Proposición 3.4 de [7]).
La condición necesaria de primer orden, enunciada a continuación, establece que no existen
direcciones tangenciales que sean direcciones de descenso en un óptimo local.
Teorema 3.6 (Proposición 3.2 de [7]). Si x̄ ∈ F es un mı́nimo local de (P ) entonces

∇f (x̄)0 d ≥ 0, para cada d ∈ T (x̄). En particular, si x̄ ∈ intF , entonces ∇f (x̄) = 0.
Demostración. Si d ∈ T (x̄) entonces existe una sucesión {xk } ∈ F tal que xk → x̄ y existen
escalares λk ∈ R tales que d = lı́m λk (xk −x̄). Por la diferenciabilidad de f , para cada k ∈ N
k→∞
podemos escribir
f (xk ) = f (x̄) + ∇f (x̄)0 (xk − x̄) + kxk − x̄kα(x̄; xk − x̄),
donde lı́m α(x̄; xk − x̄) = 0. Debido a la optimalidad local de x̄, y como xk → x̄, entonces
xk →x̄
f (x̄) ≤ f (xk ), para k suficientemente grande. Por otra parte
∇f (x̄)0 (xk − x̄) + kxk − x̄kα(x̄; xk − x̄) = f (xk ) − f (x̄),
tomando el lı́mite cuando k → ∞,

lı́m ∇f (x̄)0 (xk − x̄) + kxk − x̄kα(x̄; xk − x̄) ≥ 0.
k→∞
De aquı́,
lı́m ∇f (x̄)0 (xk − x̄) ≥ 0.
k→∞
Multiplicando ambos lados de la desigualdad por λk
lı́m ∇f (x̄)0 λk (xk − x̄) ≥ 0.

k→∞
Esto es,
∇f (x̄)0 d ≥ 0.
Si x̄ ∈ intF entonces D(F, x̄) = Rn y de acuerdo con la Proposición 3.5 D(F, x̄) ⊂ T (x̄),
por lo que T (x̄) = Rn , luego d = −∇f (x̄) ∈ T (x̄). Como ∇f (x̄)0 d ≥ 0 entonces
0 ≤ ∇f (x̄)0 d = −∇f (x̄)0 ∇f (x̄) = −k∇f (x̄)k2 ,
lo anterior es válido sólo si ∇f (x̄) = 0.

44 3.3. Restricciones activas
Según la condición necesaria de primer orden, los posibles candidatos a soluciones óptimas
locales son los puntos x̄ ∈ F que satisfacen ∇f (x̄)0 d ≥ 0, para cada d ∈ T (x̄). Sin embargo, la
verificación de esta condición no es fácil, debido a que se debe conocer T (x̄), el cual es difı́cil
de determinar de forma explı́cita. El teorema de Karush-Kuhn-Tucker salva esta dificultad al
sustituir el cálculo del cono de tangentes por el cono generado por los gradientes de las
restricciones activas, si se satisface una condición sobre las restricciones que garanticen la
igualdad de estos conjuntos.
3.3. Restricciones activas

Si x̄ ∈ F , las restricciones que satisfacen gi (x̄) = 0 se llaman restricciones activas en
x̄. El conjunto de ı́ndices de las restricciones activas en x̄ se denota con I(x̄), es decir,
I(x̄) = {i ∈ I : gi (x̄) = 0}.
Definición 3.7. El cono activo en x̄ es el cono convexo generado por los gradientes de las
restricciones activas en x̄, es decir
A(x̄) := cone{∇gi (x̄) : i ∈ I(x̄)}.
Para ver la relación que existe entre el cono formado por los gradientes de las restricciones
activas y el cono de direcciones tangenciales en un punto consideremos el siguiente ejemplo:
Ejemplo 3.8. Consideremos el problema siguiente
M inimizar x1 + x2
sujeto a −x2 + 1 ≥ 0
x2 − x21 ≥ 0.
! !
x1 x1
Tenemos dos restricciones dadas por g1 = −x2 + 1 y g2 = x2 − x21 .
x x2
!2 !
0 0
Consideremos los puntos factibles x̄1 = y x̄2 = . Los conos tangenciales en
0 1
estos puntos son ( ! )
x1
T (x̄1 ) = : x2 ≥ 0
x2
y ( ! )
x1
T (x̄2 ) = : x2 ≤ 0
x2
Figura 3.2: Ejemplo 3.8.
los cuales están representados en color más ! obscuro en la Figura 3.2. El gradiente de la
0
restricción activa en x̄1 es ∇g2 (x̄1 ) = y el gradiente de la restricción activa en x̄2 es
1
!
0
∇g1 (x̄2 ) = .
−1
Notemos que x ∈ T (x̄1 ) si y solo si ∇g2 (x̄1 )0 x ≥ 0, de la misma forma x ∈ T (x̄2 ) si y solo si
∇g2 (x̄2 )0 x ≥ 0.
El cono polar de A(x̄) es el conjunto A(x̄)0 = {d ∈ Rn : ∇gi (x̄)0 d ≥ 0, ∀i ∈ I(x̄)}. Ası́,

en los dos puntos factibles del ejemplo anterior el cono tangencial coincide con el polar del
cono activo. Aunque esta igualdad no es válida en general, siempre se tiene una contención,
tal como se muestra a continuación.
Proposición 3.9 (Proposición 3.3 de [7]). Para cualesquiera x̄ ∈ F se cumple T (x̄) ⊆ A(x̄)0 .
Demostración. Si I(x̄) = ∅ entonces nada hay que probar pues T (x̄) = A(x̄)o = Rn . Supon-
gamos I(x̄) 6= ∅. Sea d ∈ T (x̄), existe una sucesión {xk } ⊆ F tal que xk → x̄ y escalares
positivos λ1 , λ2 , . . . , tales que d = lı́m λk (xk − x̄). Sea gi ∈ I(x̄), según la diferenciabilidad
k→∞
de g tenemos
gi (xk ) = gi (x̄) + ∇gi (x̄)0 (xk − x̄) + kxk − x̄kα(x̄; xk − x̄),
tomando lı́mite cuando k → ∞ en la igualdad anterior, y como gi (x̄) = 0, se tiene

lı́m ∇gi (x̄)0 (xk − x̄) + kxk − x̄kα(x̄; xk x̄) = lı́m gi (xk ),
k→∞ k→∞
46 3.3. Restricciones activas
pero xk ∈ F implica gi (xk ) ≥ 0 y, por consiguiente, lı́m gi (xk ) ≥ 0. Además lı́m kxk −
k→∞ k→∞
x̄kα(x̄; xk − x̄) = 0. Luego
lı́m ∇gi (x̄)0 (xk − x̄) ≥ 0,
k→∞
multiplicando por λk
∇gi (x̄)0 d = lı́m ∇gi (x̄)0 λk (xk − x̄) ≥ 0.
k→∞
Para reemplazar en la condición necesaria de primer orden T (x̄) por A(x̄)o , se debe satis-
facer la otra contención T (x̄) ⊇ A(x̄)o . El siguiente ejemplo muestra que esta contención no
siempre ocurre:
Ejemplo 3.10. Consideremos el problema siguiente:
M inimizar x1 + x2
sujeto a x21 + (x2 − 1)2 ≤ 1
x21 + (x2 + 1)2 ≤ 1.
! !
x1 x1
Las restricciones son g1 = −x21 −(x2 −1)2 +1 y g2 = −x21 −(x2 +1)2 +1 (Ver
x2 x2
Figura 3.3: Ejemplo donde T (x̄) + A(x̄)o .

!
0
la Figura 3.3). El conjunto factible consta solamente del punto x̄ = , de aquı́ T (x̄) = {0}
0
puesto que d ∈ T (x̄) si y solo si
d = lı́m λk (xk − x̄), (3.3)

k→∞
donde {xk } es una sucesión en F que converge a x̄ y λk > 0. Como F = {x̄}, es claro que la
única expresión de la forma (3.3) es el vector 0. !
0
Por otra parte, las dos restricciones son activas en x̄ con gradientes ∇g1 (x̄) = y
2
!
0
∇g2 (x̄) = , respectivamente. Luego el cono activo en x̄ es
−2
( ! !) ( ! )
0 0 0
A(x̄) = cone , = λ :λ∈R ,
2 −2 1
y su cono polar positivo es

( ! )
1
A(x̄)o = λ :λ∈R .
0
Claramente T (x̄) ( A(x̄)o .
Una cualificación de restricciones es una condición sobre las restricciones de tal forma que
se cumpla la igualdad T (x̄) = A(x̄)0 , llamada cualificación de restricciones de Abadie. En la
siguiente Proposición mencionamos dos propiedades que son cualificaciones de restricciones,
las cuales se pueden consultar en la sección 5.2 de [2].
Proposición 3.11. Cada una de las siguientes condiciones es una cualificación de restricciones.
(i) Cualificación de regularidad: El conjunto {∇gi (x̄), i ∈ I(x̄)} es linealmente indepen-

diente.
(ii) Cualificación de Slater: Las funciones {gi , i ∈ I} son cóncavas y además intF 6= ∅.
El resultado que sigue establece que en cualquier punto de un poliedro el cono de tan-
gentes coincide con el cono de direcciones factibles y el cono de tangentes es igual al cono
polar del cono activo. Incluimos la demostración tomada de [7].
Proposición 3.12 (Proposición 3.4 de [7]). Si F = {x ∈ Rn : a0i x ≥ bi , i ∈ I}, entonces para

cada x̄ ∈ F se tiene T (x̄) = D(F, x̄) y T (x̄) = A(x̄)0 .
Demostración. Sea x̄ ∈ F . Consideremos los dos casos siguientes
(i) I(x̄) = ∅. En este caso a0i x̄ > bi , para cada i ∈ I. Para cada i = 1, . . . , m, tenemos que
x̄ pertenece al semiespacio abierto
{x ∈ Rn : a0i x > bi },
48 3.4. Teorema de Karush-Kuhn-Tucker
por lo tanto existe δi > 0 tal que
x̄ + δB ⊆ {x ∈ Rn : a0i x > bi }.
Sea δ = mı́n{δi , i ∈ I} entonces x̄ + δB ∈ F , es decir x̄ ∈ int F . Se sigue que

D(x̄) = T (x̄) = Rn . Por otra parte, A(x̄) = cone∅ = {0}, luego A(x̄)0 = Rn y por lo
tanto se cumple T (x̄) = A(x̄).
(ii) I(x̄) 6= ∅. Para demostrar A(x̄)0 ⊆ T (x̄) basta verificar que A(x̄) ⊆ D(F, x̄), puesto que
D(F, x̄) ⊆ T (x̄). Sea d ∈ A(x̄)0 arbitrario, entonces a0i d ≥ 0 para cada i ∈ I(x̄). Si para
todo i = 1, . . . , m se satisface a0i d ≥ 0 entonces a0i (x̄ + λd) ≥ 0, para cualquier λ > 0 y
por lo tanto d ∈ D(F, x̄). Si i ∈ / I(x̄) entonces a0i x̄ > bi , luego
lı́m a0i (x̄ + λd) > bi ,

λ→0+
de donde, existe λi > 0 tal que a0i (x̄ + λi d) > bi . Haciendo = mı́n{λi , i ∈
/ I(x̄)}
obtenemos x̄ + d ∈ F lo cual implica que d ∈ D(F, x̄).
3.4. Teorema de Karush-Kuhn-Tucker

En las secciones previas hemos considerado el problema de optimización siguiente:
sujeto a gi (x) ≥ 0, para cada i ∈ I,
donde I = {1, . . . , m} es un conjunto de ı́ndices y f, gi : Rn → R son funciones. Hemos visto

que para evaluar la condición necesaria de primer orden para optimalidad local en un punto
factible del problema (P ) se requiere de conocer el cono de tangentes. Para los problemas
que satisfacen una cualificación de restricciones es posible sustituir el cono de tangentes por
el cono polar del cono activo el cual se puede determinar de forma directa. A continuación
veremos el Teorema de Karush-Kuhn-Tucker.
Teorema 3.13 (Teorema de Karush-Kuhn-Tucker). Si x̄ ∈ F es un mı́nimo local de (P ) y

se satisface una cualificación de restricciones entonces ∇f (x̄) ∈ A(x̄). Por lo tanto, existen
escalares no negativos λi , i ∈ I(x̄) (llamados multiplicadores de KKT), tales que
X
∇f (x̄) = λi ∇gi (x̄),
i∈I(x̄)
donde la suma es 0 cuando I(x̄) = ∅.

Demostración. Dado que x̄ es un mı́nimo local para (P ), entonces la condición necesaria de

primer orden garantiza ∇f (x̄)0 d ≥ 0, para cada d ∈ T (x̄); es decir, ∇f (x̄) ∈ T (x̄)0 . Como se
satisface una cualificación de restricciones entonces T (x̄) = A(x̄)0 . Ası́ T (x̄)0 = A(x̄)00 . Dado
que A(x̄) es un cono convexo cerrado, al aplicar el lema de Farkas para conos obtenemos
A(x̄)oo = A(x̄). Esto implica T (x̄)0 = A(x̄)00 = A(x̄). Por lo tanto ∇f (x̄) ∈ A(x̄).
Los puntos que satisfacen la condición necesaria anterior son llamados puntos de KKT. El
teorema de Karush-Kuhn-Tucker no es una condición suficiente en general, sin embargo lo es
bajo algunas hipótesis de convexidad.
A continuación presentamos algunas propiedades de las funciones convexas:
Proposición 3.14. Consideremos el problema (P ). Entonces:
(i) Si para todo i ∈ I , gi es cóncava, entonces el conjunto factible F es convexo.
(i) Si f es convexa y el conjunto factible es convexo, entonces cualquier mı́nimo local del
problema (P ) es también un mı́nimo global.
Demostración. (i) El conjunto factible está dado por F = ∩ Fi , donde
i∈I
n n
Fi = {x ∈ R : gi (x) ≥ 0} = {x ∈ R : −gi (x) ≤ 0},
el cual es un conjunto convexo según la Proposición 2.33. Ası́ F es convexo, puesto que
es la intersección de conjuntos convexos.
(ii) Sea x̄ ∈ F es un mı́nimo local del problema (P ). Supongamos que existe x∗ ∈ F tal
que f (x∗ ) < f (x̄). Como f es convexa, para cada λ ∈ (0, 1) se satisface
f (λx̄ + (1 − λ)x∗ ) ≤ λf (x̄) + (1 − λ)f (x∗ )

< f (x̄),
lo cual, para λ suficientemente pequeño, contradice la optimalidad local de x̄. Ası́, no

existe x∗ ∈ F con f (x∗ ) < f (x̄). Concluimos que x̄ es un mı́nimo global.
Asumiendo la convexidad de la función f y la concavidad de las restricciones gi que son

activas en x̄ probaremos la suficiencia del Teorema de KKT. Las hipótesis de convexidad
de las funciones involucradas que asumimos no son necesarias pero en la mayorı́a de las
aplicaciones prácticas de ciertas áreas se cumplen. La demostración realizada en la sección 4.2
de [2] solamente requiere algunos conceptos de convexidad relajados, como pseudoconvexidad
y cuasiconvexidad (Ver la referencia [2]).
Teorema 3.15 (Suficiencia del Teorema de KKT). Consideremos el problema (P ). Si x∗ es un

punto de KKT , f es convexa y diferenciable en x∗ , y para cada i ∈ I(x∗ ) las funciones gi son
cóncavas y diferenciables en x∗ entonces x∗ es una solución óptima global del problema (P ).
Demostración. Si I(x∗ ) 6= ∅, definamos S = {x ∈ Rn : gi (x∗ ) ≥ 0 para cada i ∈ I(x∗ )}.

Claramente F ⊆ S y además S es convexo según el primer punto de la Proposición 3.14.
Para cada x ∈ S se satisface gi (x∗ ) = 0 ≤ gi (x) ya que las restricciones definidas por las
funciones gi son activas en x∗ . De la concavidad de las funciones gi se tiene
gi (x) ≤ gi (x∗ ) + ∇gi (x∗ )0 (x − x∗ ),
de aquı́
∇gi (x∗ )0 (x − x∗ ) ≥ gi (x) − gi (x∗ ) ≥ 0.
De acuerdo con lo anterior, ∇gi (x∗ )0 (x − x∗ ) ≥ 0, para cada i ∈ I(x∗ ). Al multiplicar ca-
da una de estas desigualdades por el multiplicador de KKT λi correspondiente obtenemos
λi ∇gi (x∗ )0 (x − x∗ ) ≥ 0, y sumando sobre I(x∗ )
X
λi ∇gi (x∗ )0 (x − x∗ ) ≥ 0. (3.4)
i∈I(x∗ )
P
Por hipótesis ∇f (x∗ ) = i∈I(x∗ ) λi ∇g(x
∗ ), luego, según (3.4)
X
∇f (x∗ )0 (x − x∗ ) = λi ∇g(x∗ )0 (x − x∗ ) ≥ 0.
i∈I(x∗ )
Por otra parte, como f es convexa, f (x) ≥ f (x∗ ) + ∇f (x∗ )0 (x − x∗ ); y por lo tanto
0 ≤ ∇f (x∗ )0 (x − x∗ ) ≤ f (x) − f (x∗ ), para cada x ∈ S.
De lo anterior se concluye f (x∗ ) ≤ f (x), para cada x ∈ S de donde se sigue

f (x∗ ) ≤ f (x), para cada x ∈ F.
Si I(x∗ ) = ∅, entonces, por el teorema de KKT, tenemos ∇f (x∗ ) = 0. Luego
f (x) ≥ f (x∗ ) + ∇f (x∗ )0 (x − x∗ ) = f (x∗ ),
por lo tanto f (x∗ ) ≤ f (x), para cada x ∈ F .
Según la Proposición 3.12, en programación lineal ordinaria siempre se satisface la igual-

dad T (x̄) = A(x̄)0 . Además las funciones objetivo y restricciones son funciones convexas y
cóncavas (puesto que cualquier función lineal lo es), y por lo tanto el teorema de Karush-
Kuhn-Tucker es una condición necesaria y suficiente de optimalidad.
El teorema de KKT está enunciado para problemas en los que las restricciones son de la
forma gi (x) ≥ 0. En el caso de problemas de programación lineal podemos considerar cada
restricción a0i x ≥ bi como gi (x) = a0i x − bi ≥ 0. Ası́, ∇gi (x) = ai . En este caso el teorema
anterior queda enunciado como sigue.
Teorema 3.16 (Teorema de Karush-Kuhn-Tucker para programación lineal ordinaria). Sea

σ = (c, A, b) ∈ θ. x∗ ∈ F ∗ si y sólo si c ∈ A(x∗ ), es decir, existen escalares no negativos
λi , i ∈ I(x∗ ) tales que
X
c= λi ai
i∈I(x∗ )
donde la suma es 0 cuando I(x∗ ) = ∅.
En el caso finito el cono de restricciones activas, ası́ como cualquier cono finitamente
generado, es cerrado. Sin embargo en el caso semi-infinito esto no es siempre válido, como lo
ilustra el ejemplo siguiente:
Ejemplo 3.17. Consideremos el problema σ dado por:
M inimizar x1 + x2
sujeto a x1 + n1 x2 ≥ 0, para cada n ∈ N.
!
0
Claramente x∗ = ∈ F . Además el conjunto de gradientes de las restricciones activas
0
( ! )
1
en x∗ es ∈ R2 : n ∈ N . El cono activo en este punto es
1/n
( ! )
∗ x1 2
A(x ) = ∈ R : x1 ≥ x2 , x2 > 0 ∪ {0},
x2
el cual no es cerrado como lo ilustra la Figura 3.4.
La cerradura de ciertos conos es una hipótesis fundamental para extender los resultados
de programación lineal ordinaria a ciertas clases de problemas lineales semi-infinitos. Según
la definición dada en [4], se dice que un parámetro σ ∈ Π es Farkas-Minkowski si
"( ! ) ( !)#
at 0
cone , t∈T ∪
bt 1
es un cono cerrado. En [8] se ha demostrado que un sistema es Farkas-Minkowski si y solo si

cualquier desigualdad que sea consecuencia de dicho sistema es también consecuencia de un
subsistema finito.
(a) Gradientes de las restricciones activas (b) Cono convexo generado por los gradientes
Figura 3.4: Ejemplo de cono convexo no cerrado.
La clase de problemas lineales semi-infinitos del tipo Farkas-Minkowski ha sido estudiada

ampliamente por varios autores. En particular [4] extiende a esta clase el Teorema de Karush-
Kuhn-Tucker usual.
Teorema 3.18 (Teorema 2.4 de [4]). Sea σ ∈ Π un parámetro Farkas-Minkowski y sea x∗ ∈ F .

Entonces, x∗ ∈ F ∗ si y solo si c ∈ A(x∗ ).
Otra propiedad del caso finito es que en cualquier punto en la frontera del conjunto factible
existe al menos una restricción activa1 , lo cual no sucede en general en el caso semi-infinito,
tal como podemos observar en el ejemplo siguiente:
M inimizar −x1
sujeto a −x1 ≥ −1 − 1/n, n ∈ N
x1 ≥ 0
x2 ≥ 0.
( ! )
x1
El conjunto factible de este problema es F = ∈ R2 : 0 ≤ x1 < 1, x2 ≥ 0 . Además
x2
!
∗ 1
x = ∈ ∂F ∩ F ∗ , pero I(x∗ ) = ∅, puesto que x∗ satisface todas las restricciones de
1
1
puesto que el conjunto factible es la intersección finita de semiespacios cerrados.
forma estricta. La Figura 3.5 corresponde a este ejemplo.
Figura 3.5: Cono activo vacı́o.
En este ejemplo x∗ ∈ F ∗ y I(x∗ ) = ∅.
El ejemplo anterior muestra que el Karush-Kuhn-Tucker no es válido para el caso semi-

infinito usando el concepto de restricciones activas. Los autores de [9] introdujeron el concepto
de restricciones activas modificadas, definido como sigue.
Definición 3.20. Sea σ ∈ Π tal que F 6= ∅. Dado x̄ ∈ F el conjunto de restricciones activas

modificadas está definido por
( ! )
n a
D(x̄) := a ∈ R : ∈ clD ,
a0 x̄
( ! ) ( !)
at ats
donde D = , t ∈ T . Es decir, a ∈ D(x̄) si y solo si existe una sucesión
bt bts
s∈N
en D tal que
a = lı́m ats y a0 x̄ = lı́m bts .
s→∞ s→∞
Para cada x̄ ∈ F , D(x̄) es un conjunto cerrado que contiene al conjunto de gradientes de

las restricciones activas en x̄. Además en el caso continuo estos dos conjuntos coinciden, es
decir, D(x̄) = {at | a0t x̄ = bt }. Usando el concepto anterior, los autores de [9] extendieron el
teorema de Karusk-Kuhn-Tucker a la clase de problemas de programación lineal semi-infinita
tales que el mapeo a : T → Rn es acotado:

Λ := σ ∈ Π : supkat k < ∞ .
t∈T
A continuación mencionamos tal extensión del Teorema de KKT usando el concepto de res-
tricciones activas modificadas.
Teorema 3.21 (Teorema 3.2 de [9]). Sea σ ∈ Π tal que F 6= ∅.
(a) Sea σ ∈ Λ que satisface la condición fuerte de Slater. Si x∗ ∈ F ∗ , entonces
c ∈ cone {a ∈ Rn : a ∈ D(x∗ )}. (3.5)
(b) Si (3.5) se satisface para algún x∗ ∈ F , entonces x∗ ∈ F ∗ .
Se dice que σ ∈ Π satisface la condición fuerte de Slater si existe x ∈ F y > 0 tales

que, para todo t ∈ T , a0t x ≥ bt + .
Además de la generalización de la condición de KKT para programación lineal semi-
infinita mencionada previamente, existe una condición de optimalidad la cual enuncia que en
una solución óptima no existen direcciones factibles que sean de descenso:
Teorema 3.22 (Teorema 7.1 de [8]). Sea σ ∈ Π. x∗ ∈ F ∗ si y solo si c ∈ D(F, x∗ )0 .
Demostración. Veamos que d ∈ D(F, x∗ ) si y sólo si existe x ∈ F y α > 0 tales que

d = α(x − x∗ ). Sea d ∈ D(F, x∗ ) entonces existe > 0 tal que x∗ + λd ∈ F , para cada
0 ≤ λ < . Sea x := x∗ + d entonces x ∈ F . Además x − x∗ = x∗ + d − x∗ = d y por
lo tanto d = 1 (x − x∗ ). Recı́procamente, sean x ∈ F y α > 0. Sea d = α(x − x∗ ), entonces
x∗ + α1 d = x ∈ F , es decir d ∈ D(F, x∗ ).
Tenemos que x∗ ∈ F ∗ si y sólo si
c0 x∗ ≤ c0 x, para todo x ∈ F,
si y solo si
c0 α(x − x∗ ) = α(c0 x − c0 x∗ ) ≥ 0, para todo x ∈ F y α > 0,
si y solo si
c0 d ≥ 0, para cada d ∈ D(F, x∗ ),
si y solo si c ∈ D(F, x∗ )0 .
Para verificar esta caracterización se requiere conocer el cono D(F, x∗ ) el cual es difı́cil
de determinar en forma explı́cita. Para reemplazar este cono por otro cono que involucra los
datos del problema se usa una cualificación de restricciones. Una cualificación de restricciones
es la llamada condición local Farkas-Minkowski, definida a continuación.
Definición 3.23. Se dice que el sistema semi-infinito {a0t x ≥ bt , t ∈ T } consistente es local-

mente Farkas-Minkowski si cualquier desigualdad que sea consecuencia de dicho sistema que
determine un hiperplano de soporte para su conjunto solución F es también consecuencia de
un subsistema finito. Un parámetro σ ∈ Π tal que F 6= ∅ es localmente Farkas-Minkowski si
su correspondiente sistema de desigualdades lo es.
La propiedad localmente Farkas-Minkowski es una cualificación de restricciones como lo

muestra el siguiente resultado:
Teorema 3.24 (Teorema 5.7 de [8]). Un parámetro σ ∈ Π tal que F 6= ∅ es localmente Farkas-
Minkowski si y solo si A(x) = D(F, x)0 , para cada x ∈ F .
3.5. Unicidad
En esta sección estudiamos el concepto de unicidad en programación lineal. En seguida
veremos un ejemplo en el cual se satisface el Teorema de KKT en un punto de la frontera del
conjunto factible y por lo tanto es solución óptima pero no es la única solución óptima.
Ejemplo 3.25. Consideremos el ejemplo siguiente:
M aximizar x1 + x2 ,
sujeto a las restricciones
x1 + x2 ≤ 6 (3.6)
2x1 + x2 ≤ 8 (3.7)
x1 ≥ 0
x2 ≥ 0.
El conjunto factible de este ejemplo está representado en la Figura 3.6. Notemos que la res-
!
2
tricción (3.7) es activa en cada punto del segmento cuyos extremos son los puntos A = y
4
! !
6 1
B= . El gradiente de la restricción (3.7) en cada punto de este segmento es el
0 1
cual coincide con el(gradiente ! de la función objetivo. Por lo tanto el conjunto
) óptimo de este
x1
problema es F ∗ = ∈ R2 : 2x1 + x2 = 8, 2 ≤ x1 ≤ 6, 0 ≤ x2 ≤ 4 . Notemos que en
x2
cada punto óptimo el gradiente de la restricción activa pertenece a la frontera del cono activo.
56 3.5. Unicidad
Figura 3.6: La solución no es única.
En general, dado un problema σ de programación lineal ordinaria y un punto factible x̄ de

este problema, la condición c ∈ ∂A(x̄) garantiza la optimalidad de x̄, pero no la unicidad. En
efecto, como c ∈ ∂A(x̄), entonces tomando el mayor conjunto linealmente independiente en
P
{ai : i ∈ I(x̄)}, digamos {a1 , . . . , ap }, tenemos c = pi=1 λi ai , donde, si p = n, no todos los
escalares λi son positivos2 . Distingamos dos casos:
1. Si p < n, entonces cualquier otro punto factible x∗ tal que I(x̄) = I(x∗ ) es también una
solución óptima, puesto que
X p
0 0 ∗
c x̄ = c x = λi bi .
i=1
2. Si p = n, entonces {a1 , . . . , ap } es una base de Rn , y por lo tanto existen escalares

P
α1 , . . . , αn tales que x̄ = pi=1 αi ai . Por otra parte, supongamos que en la representación
P
c = pi=1 λi ai se tiene λk = 0. Cualquier punto factible de la forma
k−1
X n
X
∗
x = αi ai + α1k ak + αi ai ,
i=1 i=k+1
con α1k 6= αk , es también una solución óptima, puesto que

k−1
X n
X
c0 x̄ = c0 x∗ = λ i bi + λi bi .
i=1 i=k+1
Para garantizar la unicidad de la solución en programación convexa, se podrı́a fortalecer

la hipótesis de convexidad de la función objetivo a convexidad estricta (ver Teorema 3.4.2 de
[2]). Es claro que las funciones lineales, aunque son convexas, no son estrictamente convexas;
2
Si p = n y todos los escalares son positivos entonces, de acuerdo con el Teorema 2.20, x̄ ∈ intA(x̄).
por lo que los criterios de unicidad para programación convexa no son aplicables en el caso
lineal.
A continuación presentamos una caracterización de unicidad de la solución en programa-
ción lineal ordinaria.
Teorema 3.26 (Teorema 4.5 de [7]). Sea σ = (c, A, b) ∈ θ. x∗ ∈ F es la única solución óptima
de σ si y sólo si c ∈ intA(x∗ ).
Demostración. Supongamos que x∗ ∈ F es la única solución óptima de σ. Entonces c ∈ A(x∗ ),

según el Teorema 3.16. Si c ∈ ∂A(x∗ ), como A(x∗ ) es un cono convexo cerrado, entonces según
el Teorema 2.25, existe un hiperplano de soporte de A(x∗ ) en c; es decir, existe un vector d 6= 0
tal que
d0 c = 0 y d0 x ≥ 0, para todo x ∈ A(x∗ ),
de donde d ∈ A(x∗ )0 . De acuerdo con la Proposición 3.12, A(x∗ )0 = D(F, x∗ ) y por lo tanto
d es una dirección factible de F en x∗ , es decir, existe > 0 tal que x∗ + λd ∈ F para todo
λ ∈ [0, ). Por otra parte
c0 (x∗ + λd) = c0 x∗ + λc0 d = c0 x∗ ,
lo cual implica que x∗ no es la única solución óptima. Por lo tanto c ∈

/ ∂A(x∗ ), por consiguiente
c ∈ intA(x∗ ).
Supongamos ahora que c ∈ intA(x∗ ). Entonces x∗ es una solución óptima, según el Teo-
rema 3.16. Supongamos que existe otra solución óptima b x 6= x∗ . Sea d := b x − x∗ 6= 0.
Tenemos que d es una dirección factible de F en x∗ puesto que x∗ + d = b x ∈ F , luego
∗ ∗ ∗ 0
d ∈ D(F, x ) = T (x ) = A(x ) , es decir
d0 x ≥ 0, para cada x ∈ A(x∗ ). (3.8)
Por otra parte,

d0 c = d0 (b
x − x∗ ) = V − V = 0. (3.9)
De (3.8) y (3.9) deducimos que el hiperplano {x ∈ Rn : d0 x = 0} soporta a A(x∗ ) en c, lo cual

implica que c ∈ ∂A(x∗ ). Por lo tanto x∗ es la única solución óptima de σ.
Capı́tulo 4
Resultados principales
En este capı́tulo revisaremos algunas propiedades que caracterizan la estabilidad de los

sistemas de desigualdades lineales consistentes y problemas lineales resolubles. En la sección
4.1 daremos una introducción al estudio de los criterios de estabilidad que se han establecido
en la literatura para el caso semi-infinito. En el Teorema 4.8 trasladaremos algunos de estos
criterios de estabilidad a problemas de programación lineal ordinaria consistentes. En la
sección 4.2 demostraremos de forma constructiva que el conjunto de problemas lineales con
solución única es denso en el conjunto de problemas lineales resolubles.
4.1. Estabilidad
La teorı́a de estabilidad en programación lineal semi-infinta trata del estudio del compor-
tamiento de las propiedades de un problema cuando se perturban sus datos. Dichas pertur-
baciones pueden surgir de forma natural al usar aproximaciones, debidas por ejemplo, a la
estimación o redondeo de ciertas cantidades involucradas en el problema.
Se dice que un problema que tiene una propiedad especial, como consistencia o reso-
lubilidad, es estable respecto a esta propiedad si los problemas suficientemente “próximos”
conservan tal propiedad, es decir, al hacer perturbaciones pequeñas en los datos de un pro-
blema nominal, el problema nuevo obtenido también tiene la propiedad del problema nominal.
En lo que sigue presentamos conceptos que usaremos para establecer criterios de estabi-
lidad. Para esto presentamos a continuación las definiciones de multifunción y de continuidad
de una multifunción.
Definición 4.1. Sean X, Y dos conjuntos no vacı́os. Una multifunción de X en Y es una

correspondencia ψ entre X y Y tal que a cada x ∈ X le asigna el subconjunto ψ(X) de Y .
60 4.1. Estabilidad
Una multifunción ψ entre X y Y será denotada por ψ : X ⇒ Y .
Definición 4.2. Sea ψ : X ⇒ Y una multifunción entre los espacios topológicos X y Y . Se

dice que ψ es es semicontinua inferiormente en x ∈ X, si para cada conjunto abierto W ⊆ Y
con W ∩ ψ(x) 6= ∅ existe un abierto V ⊆ X que contiene al punto x tal que W ∩ ψ(z) 6= ∅,
para todo z ∈ V . Se dice que ψ es semicontinua superiormente en x ∈ X, si para cada
conjunto abierto W ⊆ Y tal que ψ(x) ⊂ W existe un abierto V ⊆ X que contiene a x, tal
que ψ(z) ⊆ W , para cada z ∈ V . Si ψ es continua tanto inferiormente como superiormente en
x, se dice que es continua en x.
Para estudiar la estabilidad de la consistencia y resolubilidad de los problemas estudiare-

mos la semicontinuidad inferior y superior de la multifunción conjunto factible y la multifunción
conjunto óptimo que definimos a continuación.
Definición 4.3. Se define el mapeo conjunto factible como la multifunción F : Π ⇒ Rn tal

que que a cada σ ∈ Π le asigna el conjunto factible F correspondiente al problema definido
por σ. Se define la multifunción conjunto óptimo como la multifunción F ∗ : Π ⇒ Rn tal que a
cada parámetro σ ∈ Π le asigna el conjunto óptimo F ∗ correspondiente al problema definido
por σ.
Enseguida tenemos la definición de la llamada condición de Slater la cual usaremos como

criterio para establecer la estabilidad de los problemas consistentes.
Definición 4.4. Sea σ ∈ Π. Se dice que σ satisface la condición de Slater si existe x̄ ∈ Rn

tal que a0t x̄ > bt , para todo t ∈ T , y en tal caso se dice que x̄ es un punto de Slater. Se dice
que σ satisface la condición fuerte de Slater si existe > 0 y un punto x̄ ∈ Rn llamado punto
fuerte de Slater, tal que a0t x̄ > bt + , para todo t ∈ T .
Es claro que la condición fuerte de Slater implica la condición de Slater. Para problemas
continuos estas condiciones son equivalentes, como lo veremos en el siguiente resultado.
Proposición 4.5. Si σ ∈ Π continuo, entonces σ satisface la condición de Slater si y sólo si

satisface la condición fuerte de Slater.
Demostración. Veamos que la condición de Slater implica la condicón fuerte de Slater. Su-
pongamos que σ satisface la condición de Slater, entonces existe x̄ tal que a0t x̄ > bt para cada
t ∈ T . Como σ es continuo entonces la función g : T → R definida por g(t) := a0t x̄ − bt es
continua sobre el compacto T y está acotada inferiormente por 0 puesto que x̄ es punto de
Slater, por lo tanto existe t0 ∈ T que es mı́nimo de g, es decir
0 < g(t0 ) ≤ g(t), para cada t ∈ T. (4.1)

Capı́tulo 4. Resultados principales 61
Sea = g(t0 ) = a0t0 x̄ − bt0 , de (4.1) se sigue que
a0t x̄ ≥ bt + , para todo t ∈ T,
de lo anterior concluimos que x̄ es punto fuerte de Slater para σ.
Para estudiar la estabilidad de las propiedades de problemas lineales consideramos los

subconjuntos de Π siguientes; el conjunto de problemas que tienen soluciones factibles
Πc := {σ ∈ Π : F 6= ∅},
el conjunto de problemas con solución óptima
Πs := {σ ∈ Π : F ∗ 6= ∅},
y el conjunto de problemas con solución óptima única
Πu := {σ ∈ Πs : F ∗ = {x∗ }}.
Cada uno de los conjuntos anteriores es un espacio topológico equipado con la topologı́a
relativa.
En el Capı́tulo 10 de [8] se han estudiado las propiedades de semicontinuidad de la
multifunción conjunto óptimo, además de la función valor óptimo ϑ : Π → [−∞, +∞], tal
que a cada parámetro σ ∈ Π le asigna su valor óptimo ϑ(σ).
El capı́tulo 6 de [8] se estudia la estabilidad de los sistemas de ecuaciones lineales. Entre
otros resultados enunciado y probados en [8] nosotros solo utilizaremos las caracterizaciones
de intΠc que mencionamos a continuación.
Teorema 4.6 (Teorema 6.1 de [8]). Sea σ ∈ Πc . Las siguientes afirmaciones son equivalentes:
(a) F es semicontinuo inferiormente en σ;
(b) σ ∈ intΠc ;
(c) σ satisface la condición fuerte de Slater.
Con respecto a la estabilidad de problemas resolubles, el siguiente resultado caracteriza

los problemas que pertenecen al conjunto intΠc como los que son estables en cuanto a con-
sistencia y tienen conjunto óptimo acotado y no vacı́o, esta última condición es equivalente a
c ∈ int cone{at , t ∈ T }.
62 4.1. Estabilidad
Teorema 4.7 (Proposición 1 (iv) de [6]). σ ∈ intΠs si y solo si σ ∈ (intΠc ) ∩ Πs y c ∈

int cone{at , t ∈ T }.
Para trasladar el estudio de estabilidad a programación lineal ordinaria consideramos el

conjunto θ de los problemas de programación lineal ordinaria que tienen n variables y m
restricciones. Consideramos los subconjuntos de θ denotados con θc , θs y θu definidos como
el conjunto de problemas consistentes, el conjunto de problemas resolubles y el conjunto de
problemas con solución única, respectivamente.
En lo que sigue caracterizamos el interior de θc usando la condición de Slater y la semicon-
tinuidad inferior de la multifunción F, estableciendo propiedades análogas a las propiedades
establecidas para programación lineal semi-infinita antes mencionadas.
Teorema 4.8. Sea σ ∈ θc . Las siguientes afirmaciones son equivalentes:
(i) σ satisface la condición de Slater;
(ii) intF 6= ∅;
(iii) σ ∈ intθc ;
(iv) F es semicontinuo inferiormente en σ.
Demostración. Primero verificamos (i) ⇔ (ii). Supongamos que σ satisface la condición de

Slater y sea x̄ un punto de Slater. Para cada i ∈ {1, 2, . . . , m}, x̄ es elemento del semiespacio
abierto {x ∈ Rn : a0i x > bi }, por lo tanto existe ri > 0 tal que x̄ + ri B ⊆ {x ∈ Rn : a0i x > bi }.
Sea r = mı́n{ri , i ∈ I}, entonces x̄ + rB ⊆ F , de aquı́ x̄ ∈ intF .
Recı́procamente, si intF 6= ∅ entonces existe x̄ ∈ intF , es decir, existe > 0 tal que
x̄ + B ⊆ F . Supongamos que existe i ∈ {1, . . . , m} tal que a0i x̄ = bi . Entonces el hiperplano
H = {x ∈ Rn : a0i x = bi } = {x ∈ Rn : a0i (x − x̄) = 0} soporta al conjunto F en x̄, es decir
a0i (x − x̄) ≥ 0, para todo x ∈ F. (4.2)

Sea d = −ai , d es una dirección factible en x̄ puesto que para cada 0 < λ < kai k

k(x̄ + λd) − x̄k = kλdk = λkai k < kai k = ,
kai k
es decir, x̄ + λd ∈ x̄ + B ⊆ F . Por otra parte
a0i (x̄ + λd − x̄) = λa0i d = −λa0i ai = −λkai k2 < 0,
lo cual se contradice con (4.2). Por lo tanto para todo i = 1, . . . , m tenemos a0i x̄ > bi , es decir,
x̄ es un punto de Slater.
Veamos que (i) ⇔ (iii). Supongamos que σ satisface la condición de Slater y sea x0 ∈ F
un punto de Slater, entonces a0i x0 > bi , para cada i ∈ I. Sean δ = mı́n{a0i x0 − bi , i ∈ I} > 0
y = mı́n{ 2δ , 2nkxδ0 k∞ } > 0. Sea σ1 = (c1 , A1 , b1 ) ∈ σ + B arbitrario. Entonces
d(σ, σ1 ) = kA − A1 k + kb − b1 k∞ + kc − c1 k∞ < ,
lo cual implica que, para todo i ∈ I:
kai − a1i k∞ < , |bi − b1i | < ,
donde ai y a1i representan la fila i de la matriz A y de la matriz A1 , respectivamente.

√
Por otra parte, si x ∈ Rn entonces kxk2 ≤ nkxk∞ , luego
0
|a1i x0 − b1i − (a0i x0 − bi )| = |(a1i − ai )0 x0 + (bi − b1i )|
≤ |(a1i − ai )0 x0 | + |bi − b1i |
≤ k(a1i − ai )k2 kx0 k2 + |bi − b1i |
≤ nk(a1i − ai )k∞ kx0 k∞ + |bi − b1i |
< nkx0 k∞ +
δ δ
≤ nkx0 k∞ +
2nkx0 k∞ 2
= δ/2 + δ/2 = δ,
de aquı́
0
a1i x0 − b1i > a0i x0 − bi − δ, para todo i ∈ I, (4.3)
Según la definición de δ tenemos que a0i x0 − bi − δ ≥ 0, para cada i ∈ I; por lo tanto, (4.3)
implica
0
a1i x0 − b1i > 0, para cada i ∈ I,
es decir, x0 ∈ intF1 . Ası́, σ1 ∈ θc , para cualesquiera σ1 ∈ σ + B. Concluimos que σ ∈ intθc .

Sea σ = (c, A, b) ∈ intθc , entonces existe > 0 tal que σ + B ⊆ θc . Definamos el
problema
σ1 = (c, A, b1 ),
que se obtiene al hacer una perturbación al problema σ en el vector b, de la forma siguiente:
b1 := b + δ,
donde δ = (/2, . . . , /2)0 . Tenemos que
d(σ, σ1 ) = kc − ck∞ + kA − Ak + kb − b1 k∞ = kb − b − δ̄k∞ = kδ̄k∞ = /2 < ,

64 4.1. Estabilidad
y por tanto σ1 ∈ θc . Luego existe x1 ∈ F1 tal que
a0i x1 ≥ b1i = bi + /2, para cada i ∈ I. (4.4)
Como /2 > 0, de (4.4) obtenemos
a0i x1 > bi , para cada i ∈ I.
La desigualdad anterior implica que x1 es un punto de Slater para σ, y por lo tanto σ satisface
la condición de Slater.
Veamos que (iii) ⇔ (iv). Sea σ ∈ intθc y sea W ⊆ Rn abierto tal que F ∩ W 6= ∅. Sea
x̄ ∈ F ∩ W . Si x̄ ∈
/ intF , entonces tomamos ȳ ∈ intF (tenemos que intF 6= ∅ puesto que
σ ∈ intθc ). Como W es abierto entonces W = int W , luego x̄ ∈ intW . De acuerdo con el
Teorema 2.8, existe λ > 0 suficientemente pequeño tal que
x̄ + λ(ȳ − x̄) ∈ W ∩ intF.
De lo anterior podemos asumir x̄ ∈ intF ∩ W . Tenemos ahora que x̄ ∈ W es un punto de

Slater para σ, entonces x̄ ∈ F1 para cualesquiera σ1 ∈ σ + B, donde = 21 mı́n{ 2δ , 2nkxδ0 k∞ }.
Definiendo V := σ + B ⊆ θc concluimos que x̄ ∈ F1 ∩ W para cualquiera σ1 ∈ V , y por lo
tanto F es semicontinuo inferiormente en σ.
Supongamos ahora la semicontinuidad inferior de F en σ. Tomando W = Rn tenemos
W ∩ F 6= ∅ y por lo tanto existe una vecindad de σ, V , tal que F1 = F1 ∩ Rn 6= ∅ para
cualquier σ1 ∈ V , de donde concluimos σ ∈ intθc .
Enseguida veremos un resultado que usaremos en la demostración del Teorema 4.10.
Lema 4.9. Sea {a1 , . . . , an } ⊆ Rn un conjunto linealmente independiente. Si

a ∈ int cone{a1 , . . . , an }, entonces existe > 0 tal que b ∈ int cone{b1 , . . . , bn } para cual-
quier conjunto {b, bi , i = 1, . . . , n} ⊆ Rn tal que ka − bk∞ < y máx{kai − bi k∞ , i =
1, . . . , n} <
Demostración. Supongamos que para todo > 0 existen b, bi ∈ Rn tales que ka − bk∞ < ,
máx{kai − bi k∞ , i = 1, . . . , n} < y b ∈ / int cone{b1 , . . . , bn }. Entonces tomando sucesiva-
mente = 1/n podemos construir sucesiones {br }r∈N y {bir }r∈N tales que br → a, bir → ai ,
i = 1, . . . , n y br ∈
/ int cone {b1r , . . . , bnr }. Si a ∈ int cone{a1 , . . . , an }, entonces existe
δ > 0 tal que a + δB ∈ cone{a1 , . . . , an }. Existe N ∈ N suficientemente grande tal que
a + δB ∈ cone {b1r , . . . , bnr } y ka − br k < δ para r ≥ N , lo cual no puede suceder. Por lo
tanto a ∈
/ int cone{a1 , . . . , an }.
El Teorema 4.7 caracteriza el interior del conjunto de problemas lineales resolubles como
el conjunto de los problemas que pertenecen al interior del conjunto de problemas consistentes
y tales que su conjunto óptimo es acotado y no vacı́o. En particular, tenemos que los problemas
lineales que pertenecen al interior del conjunto de problemas lineales consistentes y tienen
una única solución óptima pertenecen al interior del conjunto de problemas resolubles, tal
como veremos en el resultado siguiente.
Teorema 4.10. θu ∩ intθc ⊂ intθs .
Demostración. Sea σ ∈ θu ∩ intθc . Sea x̄ la única solución óptima de σ. De acuerdo con
el Teorema 3.26 tenemos c ∈ intA(x̄). El Teorema 2.20 garantiza que existe un conjunto
linealmente independiente {a1 , . . . , an } tal que c ∈ int cone {a1 , . . . , an }. Según el Lema
anterior, existe 1 > 0 tal que para cualesquiera c1 , a1i ∈ Rn tales que ka − c1 k∞ < 1 y
máx{kai − a1i k∞ , i = 1, . . . , n} < 1 implica c1 + 1 B ∈ int cone{a11 , . . . , a1n }. Por otra parte,
como θ ∈ intθc , entonces, según el Teorema 4.8, existe 2 > 0 tal que σ1 = (c1 , A1 , b1 ) ∈ θc
para cualesquiera σ1 ∈ σ + 2 B. Definiendo = mı́n{1 , 2 } concluimos que σ1 ∈ intθc y
c1 ∈ int cone{a11 , . . . , a1n }, es decir, σ1 ∈ θs para cualesquiera σ1 ∈ σ + B. Por lo tanto
σ ∈ int θs .
4.2. Resultado principal

En esta sección demostraremos el resultado principal de esta tesis. A continuación ilustra-
mos la demostración partiendo de un ejemplo sencillo que tiene solución al que aproximaremos
con un problema que tiene una única solución óptima.
M inimizar x1
sujeto a x1 ≥ 1
−x1 ≥ −1.
Este problema está definido por σ = (c, A, b), donde
! ! !
1 1 0 1
c= ,A = ,b = .
0 −1 0 −1
( ! )
x1 2
El conjunto factible de este problema es F = ∈ R : x1 = 1 , el cual está re-
x2
presentado en la Figura 4.1. Como F ∗ = F , este problema no tiene solución única, además
σ∈/ intθc , puesto que intF = ∅.
66 4.2. Resultado principal
Figura 4.1: Problema inicial, cuyo conjunto solución es infinito.
1. Primero a partir de los datos de σ construimos un problema σ1 tal que d(σ, σ1 ) < /3
y σ1 ∈ intθc . Hacemos esto con un desplazamiento en el vector b. El problema σ1
resultante es el que sigue:
M inimizar x1
sujeto a x1 ≥ 1 − /3
−x1 ≥ −1 − /3.
!
/3
Este problema está definido por los datos σ1 = (c, A, b1 ), donde b1 = b − . El
/3
Figura 4.2: Se satisface la condición de Slater (paso 1).
conjunto factible de este problema es

( ! )
x1
F1 = ∈ R2 : 1 − /3 ≤ x1 ≤ 1 ,
x2
el cual está ilustrado en la Figura 4.2. El conjunto óptimo de este problema es

( ! )
∗ x1 2
F = ∈ R : x1 = 1 − /3 .
x2
Como intF1 6= ∅ entonces σ 1 ∈ intθc lo cual garantiza que al hacer pequeñas modifica-
ciones en sus datos no se pierda la factibilidad.
2. A partir del problema σ1 construimos ahora un problema σ2 = (c, A1 , b1 ) modificando

los gradientes de las restricciones de σ1 de tal forma que el rango de la matriz A1 sea
igual a 2. Notemos que para esto es necesario que existan al menos 2 restricciones.
M inimizar x1
sujeto a x1 + 3 x2 ≥ 1 − /3
−x1 ≥ −1 − /3.
!
1 /3
Los datos de este problema son (c, A1 , b1 ), donde A1 = . Notemos que
−1 0
d(σ1 , σ2 ) = kc − ck∞ + kA1 − Ak + kb1 − b2 k∞ = /3.
El conjunto factible de este problema es

( ! )
x1
F2 = ∈ R2 : x2 ≥ −2, 1 − /3(1 − x2 ) ≤ x1 ≤ 1 + /3 ,
x2
!
∗ 1 + /3
representado en la Figura 4.3. Tenemos que x = ∈ F2 y además
−2
dimA2 (x∗ ) = 2, puesto que
( A2 (x !
∗ ) es el cono convexo generado por el conjunto li-
!)
1 −1
nealmente independiente , . Ası́ intA(x∗ ) 6= ∅.
/3 0
3. Modificamos el vector c en el problema
! σ2 para obtener el problema σ
b definido por
0
σ c, A1 , b1 ) donde b
b = (b c= .
/3
M inimizar 3 x2
sujeto a x1 + 3 x2 ≥ 1 − /3
−x1 ≥ −1 − /3.
( ! !)
∗ 1 −1
Tenemos b c ∈ intA(x ) = int cone , y por lo tanto x∗ es la única
/3 0
solución óptima de σ
b.
Figura 4.3: Cono activo en x∗ no vacı́o (paso 2).
En el resultado siguiente demostramos que dado un conjunto de n vectores en Rn podemos

aproximarlo tanto como deseemos por un conjunto de n vectores linealmente independientes
en Rn .
Lema 4.12. Dado un conjunto {a1 , . . . , an } ⊆ Rn y un escalar > 0 arbitrarios, existe un

conjunto {b1 , . . . , bn } ⊆ Rn linealmente independiente tal que
máx{kai − bi k∞ , i = 1, . . . , n} < .
Demostración. Sea {b1 , . . . , bk } el mayor subconjunto linealmente independiente de {a1 , . . . , an }.

Si k = n, nada hay que probar. Supongamos que 1 ≤ k < n. Sea {e1 , . . . , en } la base canónica
de Rn . Inicializando j := k, realizamos lo siguiente:
1. Sea l = mı́n{i : ei ∈ / span{b1 , . . . , bj }, i = 1, . . . , n}. El mı́nimo del conjunto

{i : ei ∈
/ span{b1 , . . . , bj }} existe puesto que j < n.
2. Consideremos los dos casos siguientes
(a) aj+1 ∈ span{b1 , . . . , bj }. En este caso sea bj+1 := aj+1 + 2 el . Entonces

kaj+1 − bj+1 k∞ = aj+1 − aj+1 − el = /2 < ,
2 ∞
además bj+1 ∈
/ span{b1 , . . . , bj }, pues de lo contrario se tendrı́a
1
2 el = bj+1 − aj+1 ∈ span{b1 , . . . , bj } lo cual contradice la elección de l.
(b) aj+1 ∈
/ span{b1 , . . . , bj }. En este caso sea bj+1 := aj+1 .
En cualquier caso kbj+1 − aj+1 k < y {b1 , . . . , bj+1 } es linealmente independiente.

3. Si j + 1 < n hacer j = j + 1 y regresar al primer paso. Si j + 1 = n, entonces el conjunto

construido {b1 , . . . , bn } es linealmente independiente y para cada i ∈ {1, . . . , n} se
satisface kai − bi k∞ < .
Realizando a lo más n − 1 veces el procedimiento anterior podemos construir el conjunto
deseado.
Enseguida enunciamos y demostramos el resultado principal de este trabajo.
Teorema 4.13. El conjunto de problemas de programación lineal ordinaria que tienen solución
única θu es un subconjunto denso del conjunto de problemas de programación lineal ordinaria
resolubles θs .
Demostración. Sea σ = (c, A, b) ∈ θs , demostraremos que para todo > 0 existe σ b ∈ θu tal
que d(σ, σ
b) < .
Sea > 0 y sea x̄ ∈ F ∗ . Para cada i ∈ I sea b1i = bi − /3. El problema σ1 = (c, A, b1 )
satisface la condición de Slater puesto que a0i x̄ ≥ bi > bi − /3 = b1i , para cada i ∈ I; por
consiguiente, según el Teorema 4.8, σ1 ∈ intθc . Además
d(σ, σ1 ) = kc − ck∞ + kA − Ak + kb − b1 k∞ = kb − b1 k∞ = /3.
Veamos que I(x̄) 6= ∅ para el problema σ. Supongamos que I(x̄) = ∅ entonces a0i x̄ > bi , para
cada i ∈ I, es decir, x̄ es un punto de Slater para σ. De acuerdo con el Teorema 4.8, x̄ ∈ intF y
según el Teorema 3.1, existe una dirección de descenso en x̄ lo cual contradice la optimalidad
de x̄ para σ; por lo tanto, I(x̄) 6= ∅ y por consiguiente A(x̄) 6= ∅. El Teorema 3.16 garantiza
que c ∈ A(x̄). Sea {a21 , a22 , . . . , a2k } el conjunto de direcciones extremas de A(x̄)}, entonces
c ∈ cone{a21 , a22 , . . . , a2k } = A(x̄). Sea β = mı́n{ 3 , 2δ , 2nkx̄k
δ
∞
}, donde
0
δ = mı́n{ai x̄−bi , i ∈ I} > 0. Como m ≥ n podemos tomar n−k vectores distintos del conjunto
{ai : i ∈ I} \ {a21 , . . . , a2k } y aplicando el procedimiento descrito en el Lema 4.12 con el escalar
β podemos completar el conjunto linealmente independiente {a21 , . . . , a2k , a2k+1 , . . . , a2n }. Enton-
ces el parámetro σ2 = (c, A2 , b1 ), donde la matriz A2 se obtiene de la matriz A al reemplazar
cada fila ai por a2i , satisface lo siguiente
(a) d(σ1 , σ2 ) = kc − ck∞ + kA − A2 k + kb1 − b1 k∞ = kA − A2 k < β ≤ /3.
(b) Según el Teorema 4.8 tenemos que σ2 ∈ intθc , puesto que

δ δ
d(σ1 , σ2 ) < β ≤ mı́n{ , }.
2 2nkx̄k∞
La independencia lineal del conjunto {a21 , . . . , a2n } implica la existencia de x∗ , solución única
0
del sistema {a2i x = bi , i = 1, . . . , n}, tal que dimA2 (x∗ ) = n y por lo tanto, intA2 (x∗ ) 6= ∅.
Tenemos que
c ∈ cone{a21 , . . . , a2k } ⊆ cone{a21 , . . . , a2n } = A(x∗ ).
De acuerdo con el Corolario 2.19 existe un subconjunto de {a21 , . . . , a2k }, digamos {a21 , . . . , a2p }
y escalares positivos λ1 , . . . , λp tales que
p
X
c= λi a2i .
i=1
Como dimA2 (x∗ ) = n podemos

P tomar n−pvectores linealmente independientes {a p+1 , . . . , an }
∗ n 2 1 2 2

de A2 (x ). Sea µ = / 6 i=p+1 ka k∞ y sea c := c + µ ap+1 + · · · + an , el Teorema
2.20 garantiza que c1 ∈ intA2 (x∗ ) y además

n n n
X X X
1 2 2

kc − ck∞ = c + µ
ai − c = µ ai ≤ µ ka2i k∞ = /6 < /3.
i=p+1 i=p+1 i=p+1
∞ ∞
Definamos por último el problema σ b := (c1 , A2 , b1 ). De acuerdo con lo anterior c1 ∈ intAσb (x∗ ),
puesto que A2 (x∗ ) = Aσb (x∗ ). El Teorema 3.26 nos permite concluir que x∗ es solución única
de σ
b. Mas aún,
σ , σ2 ) = kc1 − ck∞ + kA2 − A2 k + kb1 − b1 k∞ = kc1 − ck∞ < /3,

d(b
se sigue que
b) ≤ d(σ, σ1 ) + d(σ1 , σ2 ) + d(σ2 , σ
d(σ, σ b) < 3/3 = .
En la demostración anterior, aproximamos un problema lineal que tiene al menos una

solución óptima con un problema lineal que tiene una única solución óptima y es estable
respecto a la propiedad de consistencia.
Capı́tulo 5
Conclusiones
Para demostrar que el conjunto de problemas con una única solución óptima es denso en el
en el conjunto de problemas resolubles, estudiamos la teorı́a de análisis convexo que sustenta
las caracterizaciones de optimalidad y unicidad en programación lineal y las caracterizaciones
de estabilidad respecto a las propiedades de consistencia y resolubilidad.
El análisis de estabilidad en el conjunto de problemas de programación lineal ordinaria
θ considerado en este trabajo nos proporcionó información sobre su estructura e hizo posible
conocer algunas relaciones existentes entre subconjuntos distintos de problemas. Ası́, en el
Teorema 4.8 caracterizamos en varios sentidos los problemas que son estables respecto a
la propiedad de consistencia. En la demostración del resultado principal, partiendo de un
problema con al menos una solución óptima construimos un problema próximo el cual tiene
una única solución óptima, además el problema nuevo es estable respecto a consistencia y por
lo tanto, como consecuencia del Teorema 4.10, es también estable respecto a la propiedad de
resolubilidad.
Muchas propiedades y resultados establecidos en programación lineal ordinaria se pueden
extender al conjunto de problemas de programación lineal semi-infinita que son continuos, es
decir cuando T es un conjunto Hausdorff compacto y las funciones a : T → Rn y b : T → R
son continuas. En la clase de problemas lineales continuos, si un problema tiene soluciones
óptimas entonces existe un punto extremo que es solución óptima y en cada punto en la
frontera del conjunto factible existe al menos una restricción activa, estas propiedades no se
cumplen en programación lineal semi-infinita en general, tal como lo ilustra el Ejemplo 3.19.
Algunos autores han generalizado varios resultados al conjunto de problemas acotados donde
el conjunto T no tiene estructura topológica. Un resultado análogo al resultado principal
tratado en esta tesis se demostró primero en 1998 en el artı́culo [9] para la clase de problemas
72
de programación lineal semi-infinita continuos, posteriormente se generalizó en 2003 en [6]

para problemas de programación lineal semi-infinita acotados.
Recientemente se ha introducido el concepto de acotación local [5]. Dado γ > 0, se dice
que la desigualdad a0i x ≥ bt es γ − activa en x̄ si existe y ∈ B(x̄, γ) tal que a0t y = bt . Dado un
problema de programación lineal semi-infinita σ y un punto x̄ ∈ F , se denota con W (x̄, γ) al
conjunto de los gradientes de las restricciones γ − activas en x̄. Se dice que el problema de
programación lineal semi-infinita σ es acotado localmente en x̄ ∈ F si existe γ > 0 tal que el
conjunto W (x̄, γ). Es un problema abierto generalizar este resultado a la clase de problemas
acotados localmente.
Topologı́a
En este apéndice presentamos los conceptos y la notación de topologı́a de conjuntos que

usamos en la tesis. Esta teorı́a se puede consultar en [10].
Definición .1. Sea X un conjunto. Una topologı́a τ en el conjunto X es una colección de

subconjuntos de X que tiene las siguientes propiedades:
(i) ∅ y X son elementos de τ .
(ii) La unión arbitraria de elementos de τ es un elemento de τ .
(iii) La intersección finita de elementos de τ es un elemento de τ .
Si τ es una topologı́a en el espacio X, se dice que X es un espacio topológico y se denota

con (X, τ ), o simplemente X, si no hay confusión sobre la topologı́a τ . A los subconjuntos de
X que pertenecen a τ se les llama abiertos.
Definición .2. Sea (X, τ ) un espacio topológico y sea x ∈ X. Se dice que V ⊆ X es una
vecindad de x si existe A ∈ τ tal que x ∈ A ⊆ V .
Definición .3. Una base para un topologı́a en el conjunto X es una colección B de subconjuntos
de X tal que
(i) Para cada x ∈ X, existe al menos un elemento B ∈ B que contiene a x.
(ii) Si B1 y B2 son dos elementos de B y x ∈ B1 ∩ B2 , entonces existe B3 ∈ B tal que

x ∈ B 3 ⊆ B1 ∩ B2 .
Si B es una base para una topologı́a en X, la topologı́a τ generada por B es la colección

de todos los subconjuntos U de X tales que para cada x ∈ U existe B ∈ B que cumple
x ∈ B ⊆ U.
74
Definición .4. Sea (X, τ ) un espacio topológico y sea x ∈ X. Una colección de vecindades
de x, B, es una base local de x si para cualesquiera vecindad V de x existe A ∈ B tal que
A ⊆ V . Se dice que el espacio (X, τ ) satisface el primer axioma de numerabilidad si cada
punto x ∈ X tiene una base local numerable.
Definición .5. Sea (X, τ ) un espacio topológico. Se dice que X es de Hausdorff si para todo
x, y ∈ X con x 6= y existen dos abiertos U, V ∈ τ tales que x ∈ U , y ∈ V y U ∩ V = ∅.
Los espacios topológicos que satisfacen el primer axioma de numerabilidad permiten ca-
racterizar los conceptos convergencia, continuidad, compacidad por medio de sucesiones. La
propiedad Hausrdoff garantiza la unicidad del lı́mite de cualquier sucesión convergente. Estas
propiedades no se satisfacen para cualquier espacio topológico en general.
Definición .6. Sea X un conjunto. Una métrica es una función d : X × X → R que cumple
las siguientes condiciones
(i) d(x, y) ≥ 0 y d(x, y) = 0 si y solo si x = y,
(ii) d(x, y) = d(y, x),
(iii) d(x, y) ≤ d(x, z) + d(z, y).
Si existe una métrica definida en el conjunto X entonces se dice que X es un espacio métrico.
Definición .7. Sea (X, d) un espacio métrico. La bola unitaria B en X está definida por
B = {x ∈ X : d(x, 0) < 1}. Sea a ∈ X y r ≥ 0, se define la bola abierta de radio r con
centro en a como el conjunto B(a, r) = {x ∈ X : d(x, a) < }. Si el espacio métrico X tiene
estructura de espacio vectorial entonces la bola abierta con centro en a y radio r es el conjunto
a + rB.
Una métrica sobre un espacio induce de forma natural una topologı́a sobre X, la cual tiene
como base al conjunto de todas las bolas abiertas.
Todo espacio métrico (X, d) equipado con la topologı́a inducida por la métrica d satisface
el primer axioma de numerabilidad y la propiedad Hausdorff, puesto que para cada x ∈ X,
la colección de conjuntos {y ∈ X : d(x, y) < n1 : n ∈ N} es una base local numerable,
además dados x, y ∈ X tales que x 6= y los abiertos U := {z ∈ X : d(z, x) < d(x,y) 2 } y
d(x,y)
V := {z ∈ X : d(z, y) < 2 } son tales que x ∈ U , y ∈ V y U ∩ V = ∅.
Definición .8. Sea (X, d) un espacio métrico y Y ⊆ X. El interior de Y está definido como
sigue:
intY = {x ∈ X : existe > 0 tal que B(x, ) ⊆ Y },
Capı́tulo . Topologı́a 75
la frontera de Y está dada por:
∂Y = {x ∈ X : para todo > 0 B(x, ) ∩ Y 6= ∅ y B(x, ) ∩ X \ Y 6= ∅}.
La cerradura o clausura de Y está dada por
clY = {x ∈ X : para todo > 0, Y ∩ B(x, ) 6= ∅}.
Definición .9. Sea (X, d) un espacio métrico. Se dice que una sucesión {xn } en X converge
a p ∈ X si para cada > 0 existe N ∈ N tal que n ≥ N implica d(xn , p) < .
Definición .10. Sea (X, d) un espacio métrico. Un subconjunto Y ⊆ X es denso en X si

clY = X.
La propiedad de densidad del conjunto Y en el conjunto X se puede enunciar también de

las siguientes dos formas equivalentes:
(i) Y es denso en X si para todo x ∈ X y cualquier > 0 existe y ∈ Y tal que d(x, y) < .
(ii) Y es denso en X si para todo x ∈ X existe una sucesión en Y que converge a x.

Diferenciabilidad
En este apéndice mencionamos las definiciones de función diferenciable y función dos

veces diferenciable las cuales se pueden consultar en la referencia [2].
Definición .11. Sea X ⊆ Rn no vacı́o, x̄ ∈ intX y f : X → R una función. Se dice que f es

diferenciable en x̄ si existe un vector ∇f (x̄) ∈ Rn llamado gradiente de f en x̄ y una función
real α que satisface α(x̄; x) → 0 cuando x → x̄ tales que
f (x) = f (x̄) + ∇f (x̄)0 (x − x̄) + kx − x̄kα(x̄; x), ∀x ∈ X. (1)
El vector ∇f (x̄) está dado por

0 ∂f (x̄) ∂f (x̄) ∂f (x̄)
∇f (x̄) = , ,..., .
∂x1 ∂x2 ∂xn
Se dice que f es dos veces diferenciable en x̄ si es diferenciable en x̄ y existe una matriz

H(x̄) llamada matriz Hessiana de f en x̄ y una función α que satisface α(x̄; x) → 0 cuando
x → x̄ tales que para todo x ∈ X se satisface
f (x) = f (x̄) + ∇f (x̄)0 (x − x̄) + 1/2(x − x̄)0 H(x̄)(x − x̄) + kx − x̄k2 α(x̄; x) (2)
∂ 2 f (x̄)
Si H(x̄) existe entonces se satisface (H(x̄))ij = . La expresión 1 es el polinomio de
∂xi ∂xj
Taylor de primer grado de la función f en x̄, mientras que la expresión 2 es el polinomio de
Taylor de segundo grado de f en x̄.
Bibliografı́a
[1] Bazaraa M. S., Jarvis J. J. “Programación Lineal y Flujo en Redes”. Limusa, México 1981.
[2] Bazaraa M. S., Sherali H. D., Shetty C. M. “Nonlinear Programming, Theory and Algo-
rithms”. Tercera Edición. John Wiley, 2006.
[3] Cánovas, M. J. y Parra, J. Estabilidad en programación semi-infinita lineal: un enfoque

cuantitativo. Boletin de la SEIO Vol 22, número 3 (2006).
[4] Fisher, T. Strong Unicity and Alternation for Linear Optimization, Journal of Optimization
Theory and Applications Vol 69 (1991), 251-267.
[5] Goberna M. A., Lancho A., Todorov, M. I., Vera de Serio V. N. Locally upper bounded linear
semi-infinite systems with aplications, por aparecer en AMO.
[6] Goberna M. A., López M. A., Todorov, M. I. A Generic Result in Linear Semi-Infinite Opti-
mization, Applied Mathematics and Optimization 48 (2003), 181-193.
[7] Goberna M.A., Puente R., Jornet V. “Optimización Lineal, Teorı́a, Métodos y Modelos”.
McGraw-Hill, Madrid, 2004.
[8] Goberna M.A., López M.A. “Linear Semi-Infinite Optimization”. John Wiley, 1998.
[9] Helbig, S., Todorov, M. I. Unicity results for general linear semi-infite optimization problems
using a new concept of active constraints, Applied Mathematics and Optimization 38 (1998),
21-43.
[10] Munkres, J. “Topology”. Segunda Edición. Prentice Hall, 2000.
[11] Rockafellar, R. “Convex Analysis”. Princeton University Press, 1970.
[12] Rodrı́guez A. M. “Nuevos resultados sobre sistemas lineales y conjuntos convexos”. Tesis
de doctorado, Universidad de Alicante (2001).

Libro

Cargado por

Copyright:

Formatos disponibles

Libro

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA

“UN RESULTADO GENÉRICO SOBRE UNICIDAD EN

Huajuapan de León, Oaxaca Diciembre de 2010

David López Osorio

A todos mis profesores y compañeros a quienes debo la formación académica y humana

3. Criterios de optimalidad y unicidad 39

La teorı́a de optimización o programación matemática es la rama de las matemáticas apli-

donde x ∈ Rn es el vector de variables, f : Rn → R es llamada función objetivo y gi : Rn → R

1.2. Programación lineal

donde T es un conjunto de ı́ndices posiblemente infinito; x ∈ Rn es el vector de variables,

Definición 1.1. Un punto x ∈ Rn se llama punto factible para σ si x satisface el sistema

Definición 1.2. Sea x̄ ∈ F , x̄ es llamado solución óptima del problema σ si c0 x̄ ≤ c0 x, para

de programación lineal ordinaria de la forma siguiente:

Supondremos que las restricciones de no negatividad de las variables, xi ≥ 0, i = 1, . . . , n,

donde k·k es cualquier norma definida en Rn . Esto proporciona a (Π, d) la estructura de

Un problema de programación lineal ordinaria con m restricciones puede ser representado

y el vector de recursos disponibles, denotado con b, se define como sigue:

donde kAk := máx|aij |.

Proposición 1.3. La función d : θ × θ → R definida mediante (1.3) es una métrica.

(ii) Es claro que d(σ, σ1 ) = d(σ1 , σ).

(iii) Tenemos que

a11 x1 + a12 x2 ≤ H − K, (1.4)

y para el uso del trabajo

Aunque no se menciona explı́citamente, los valores negativos de las variables de decisión no

Figura 1.1: Conjunto factible del ejemplo 1.4.

Notemos que c = (p1 − c1 , p2 − c2 , p3 − c3 )0 , c0 x es una función continua en un compacto por

Algunos problemas de programación matemática pueden ser aproximados, mediante técni-

Paso 1: Resolver el subproblema

Si (Pr ) es inconsistente entonces parar, pues (P ) es inconsistente.

Paso 2: Calcular sr = ı́nf {a0t xr − bt }.

El análisis convexo ha sido una herramienta fundamental en el desarrollo de la teorı́a de

2.1. Conjuntos convexos

(a) Conjunto convexo (b) Conjunto no convexo

Figura 2.1: Ejemplos de un conjunto convexo y un conjunto no convexo.

Definición 2.2. Sean x1 , x2 , . . . , xk ∈ Rn y λ1 , λ2 , . . . , λk ∈ R. Una expresión de la forma

es llamada combinación lineal de x1 , . . . , xk . Si λi ≥ 0, se dice que (2.1) es una combinación

Definición 2.3. V ⊆ Rn es un conjunto afı́n o variedad afı́n si para todo x, y ∈ V

x + λ(y − x) ∈ V, para cada λ ∈ R.

Definición 2.4. Un hiperplano es una variedad afı́n en Rn de dimensión n − 1.

De acuerdo con el Teorema 1.3 de [11], H es un hiperplano si y sólo si existen p ∈ Rn

Figura 2.2: Variedades lineales.

En la Figura 2.2 están representados un plano H y una recta R como subconjuntos de R3 ,

Dado un conjunto X ⊆ Rn no vacı́o se define su dimensión como dimX = dim af f X.

Definición 2.6. Sea X ⊂ Rn un conjunto convexo. Se define el interior relativo de X como el

Ejemplo 2.7. Consideremos el segmento

Figura 2.3: El interior de X es vacı́o pero el interior relativo de X es no vacı́o.

Teorema 2.8 (Teorema 6.1 de [11]). Sea X ⊆ Rn un conjunto convexo. Si x1 ∈ ri X y x2 ∈ cl X

Definición 2.9. Un conjunto C ⊆ Rn es un cono si para todo x ∈ C y λ > 0 se cumple λx ∈ C.

coneX = conv{λx : x ∈ X, λ ≥ 0}.

El cono dual de X está dado por

El cono polar se define como

(a) Cono convexo generado por S (b) Cono dual de S

Figura 2.4: Conos convexo y dual.

Definición 2.10. Se dice que el conjunto X ⊆ Rn es un poliedro si es el conjunto solución de

1. El polı́topo convX es un poliedro acotado.

2. El cono finitamente generado coneX es el conjunto solución de un sistema de desigual-

Definición 2.12. Sea X ⊆ Rn y x̄ ∈ X. Se dice que d ∈ Rn es una dirección factible de X

Proposición 2.13. Si X ⊆ Rn es un conjunto convexo entonces para todo x̄ ∈ X, D(X, x̄) es

de lo anterior se sigue que

x̄ + δd1 ∈ X, para cada 0 ≤ δ < 1 .

Como d2 ∈ D(X, x̄) entonces existe 2 > 0 tal que

x̄ + δd2 ∈ X, para cada 0 ≤ δ < 2 .

Sea = mı́n{1 , 2 }. Como X es convexo entonces

λ(x̄ + δd1 ) + (1 − λ)(x̄ + δd2 ) ∈ X, para cada 0 ≤ δ < .

λ(x̄ + δd1 ) + (1 − λ)(x̄ + δd2 ) = x̄ + δ(λd1 + (1 − λ)d2 ) ∈ X, para cada 0 ≤ δ < ,

a0i (x̄ + y) = a0i x̄ + a0i y = a0i x̄ = bi , para todo > 0.

x̄ − y = λx1 + (1 − λ)x2 + x1 − x2 = (λ + )x1 + (1 − (λ + ))x2 ∈ F,

a0k (x̄ − y) = a0k x̄ − a0k y = bk − a0k y < bk ,

de lo anterior obtenemos la contradicción x̄ − y ∈