Investigacion de Operaciones

IND2209 – Investigación de Operaciones
Clase 10
Armin Lüer-Villagra
Departamento de Ciencias de la Ingenierı́a

Universidad Andrés Bello
Segundo semestre de 2020
ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 1 / 27

En esta clase
Comenzaremos a ver el Capı́tulo 3, Programación Lineal.

Capı́tulo 3.
Programación Lineal.

Repaso de definiciones básicas
Problema general de optimización

Consideremos el siguiente problema,
P) min f (x)
s.a. x ∈ D ⊆ Rn


P) min f (x)
s.a. x ∈ D ⊆ Rn
El conjunto D se conoce como el dominio del problema P).


P) min f (x)
s.a. x ∈ D ⊆ Rn
El conjunto D se conoce como el dominio del problema P).
Lo usual es que consideremos construcciones del tipo,

D = {x ∈ Rn : gi (x) ≤ 0, ∀i = 1, . . . , m}.

Repaso de definiciones básicas (cont.)

Solución factible

Solución factible
Una solución es factible para el problema P si x ∈ D.

Solución factible
Mı́nimo global

Solución factible
Mı́nimo global
Sea D ⊆ Rn , y f : D → R. Un punto x̄ ∈ Rn es mı́nimo global de P si,

Solución factible
Mı́nimo global
x̄ ∈ D y f (x̄) ≤ f (x) , ∀x ∈ D

Solución factible
Mı́nimo global
x̄ ∈ D y f (x̄) ≤ f (x) , ∀x ∈ D
Mı́nimo local

Solución factible
Mı́nimo global
x̄ ∈ D y f (x̄) ≤ f (x) , ∀x ∈ D
Mı́nimo local
Sea D ⊆ Rn , y f : D → R. Un punto x̄ ∈ Rn es mı́nimo local de P si,

Solución factible
Mı́nimo global
x̄ ∈ D y f (x̄) ≤ f (x) , ∀x ∈ D
Mı́nimo local
Sea D ⊆ Rn , y f : D → R. Un punto x̄ ∈ Rn es mı́nimo local de P si,
x̄ ∈ D y ∃δ > 0 : f (x̄) ≤ f (x) , ∀x ∈ D : kx − x̄k ≤ δ


Problema infactible

Problema infactible
Un problema es infactible si D = ∅.

Problema infactible
Valor óptimo

Problema infactible
Valor óptimo
El valor óptimo del problema P es v (P) = ı́nf {f (x) : x ∈ D}.

Problema infactible
Valor óptimo
Existencia de soluciones óptimas

Problema infactible
Valor óptimo
Existencia de soluciones óptimas

El problema P tiene solución óptima si ∃x ∈ D: f (x) = v (P).

Nociones de convexidad

Conjuntos convexos

Conjuntos convexos
Definición
Dados los vectores x 1 , x2 , . . . , x k ∈ Rn , se dice que el vector y es una combinación
lineal convexa de x 1 , x2 , . . . , x k si,
k
X k
X
y= ai x i , ai ≥ 0, ai = 1
i=1 i=1

Conjuntos convexos
Definición
Dados los vectores x 1 , x2 , . . . , x k ∈ Rn , se dice que el vector y es una combinación
lineal convexa de x 1 , x2 , . . . , x k si,
k
X k
X
y= ai x i , ai ≥ 0, ai = 1
i=1 i=1
Definición
Un conjunto S ⊆ Rn se dice convexo si el segmento de recta que une dos puntos
cualesquiera de S está totalmente contenido en S. Esto es, si x 1 , x 2 ∈ S se tiene
que,
λx 1 + (1 − λ) x 2 ∈ S, ∀0 ≤ λ ≤ 1

Nociones de convexidad (cont.)
Conjuntos convexos (cont.)

Teorema
p
\
Sean S1 , S2 , . . . , Sp conjuntos convexos. Entonces, el conjunto S = Si es convexo.
i=1

Teorema
p
\
Sean S1 , S2 , . . . , Sp conjuntos convexos. Entonces, el conjunto S = Si es convexo.
i=1
Observación
Por convención, el conjunto vacı́o es convexo.


Funciones convexas

Funciones convexas
Definición
Sea f : Rn → R una función escalar, donde S es un conjunto convexo no vacı́o no
vacı́o. La función f se dice convexa en S si,
f λx 1 + (1 − λ) x 2 ≤ λf x 1 + (1 − λ) f x 2 , ∀x 1 , x 2 ∈ S, ∀0 ≤ λ ≤ 1


Funciones convexas
Definición
Sea f : Rn → R una función escalar, donde S es un conjunto convexo no vacı́o no
vacı́o. La función f se dice convexa en S si,
f λx 1 + (1 − λ) x 2 ≤ λf x 1 + (1 − λ) f x 2 , ∀x 1 , x 2 ∈ S, ∀0 ≤ λ ≤ 1


Existencia de soluciones

Un resultado muy importante en Optimización es el siguiente.

Teorema de Existencia de Soluciones Óptimas de Bolzano-Weierstrass

Sea el problema P, dado por,


P) min f (x)
s.a. x ∈ D ⊆ Rn


P) min f (x)
s.a. x ∈ D ⊆ Rn
Si f es continua sobre D, y D es compacto (cerrado y acotado), y no vacı́o,

entonces P) posee (al menos una) solución óptima.


P) min f (x)
s.a. x ∈ D ⊆ Rn
Si f es continua sobre D, y D es compacto (cerrado y acotado), y no vacı́o,

entonces P) posee (al menos una) solución óptima.
Se puede mostrar que el problema de Reddy Mikks admite solución óptima.

Usemos el teorema de Bolzano-Weierstras para demostrar que el problema de Reddy
Mikks admite solución óptima.

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)
¿f es continua?

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)
¿f es continua? Sı́, toda función lineal es continua.

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

¿D es compacto?

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

¿D es compacto? Sı́, porque:

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

¿D es cerrado?

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

¿D es cerrado? Sı́, porque se incluye a la frontera (restricciones de ≤).

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

¿D es acotado?

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

¿D es acotado? Sı́, del dominio y la primera restricción tenemos que
0 ≤ x1 ≤ 4 y 0 ≤ x2 ≤ 6.

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

0 ≤ x1 ≤ 4 y 0 ≤ x2 ≤ 6.
¿D es no vacı́o?

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

0 ≤ x1 ≤ 4 y 0 ≤ x2 ≤ 6.
¿D es no vacı́o? Sı́, porque (0, 0) ∈ D, por ejemplo.

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

0 ≤ x1 ≤ 4 y 0 ≤ x2 ≤ 6.
¿D es no vacı́o? Sı́, porque (0, 0) ∈ D, por ejemplo.
Por tanto, el problema de Reddy Mikks admite solución óptima.

Y existe una versión cuando el problema es de programación lineal.

Teorema Práctico de existencia de soluciones óptimas de la programación
lineal

lineal
Sea el problema PL , dado por,
PL ) min c T x
s.a. Ax ≤ b
x ≥0

lineal
PL ) min c T x
s.a. Ax ≤ b
x ≥0
Si el dominio es no vacı́o y ∃k ∈ R: c T x ≥ k, para todo punto factible,

entonces PL posee (al menos una) solución óptima.

lineal
PL ) min c T x
s.a. Ax ≤ b
x ≥0

entonces PL posee (al menos una) solución óptima. Nota: Para maximizar
esto equivale a c T x ≤ k.

lineal
PL ) min c T x
s.a. Ax ≤ b
x ≥0

entonces PL posee (al menos una) solución óptima. Nota: Para maximizar
esto equivale a c T x ≤ k.
Para Reddy Mikks es trivial, ya que por las cotas anteriores (0 ≤ x1 ≤ 4

y 0 ≤ x2 ≤ 6) se tiene que a lo más el objetivo podrı́a ser k = 5·4+4·6.
Soluciones de problemas de PL.
Al resolver un problema de PL, pueden ocurrir los siguientes casos:

1 Una solución óptima única.
2 Múltiples soluciones óptimas.
3 Dominio factible no acotado.
1 Con solución óptima finita.
2 Problema sea no acotado.
4 Dominio infactible.

Para graficar y resolver

Para graficar y resolver
Les recomiendo PHPSimplex:

http://www.phpsimplex.com/simplex/simplex.htm → Método gráfi-
co.

Soluciones de problemas de PL. (cont.)
Algunos ejemplos de cada caso son,
1. Problema con una única solución óptima.
(Reddy Mikks)
max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

1. Problema con una única solución óptima.
(Reddy Mikks)
max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)


2. Problema con múltiples soluciones óptimas.
min 2x1 +x2

s.a. −x1 +3x2 ≤ 9 (1)
2x1 +x2 ≥ 6 (2)
x1 , x2 ≥ 0(3), (4)


2. Problema con múltiples soluciones óptimas.
min 2x1 +x2

s.a. −x1 +3x2 ≤ 9 (1)
2x1 +x2 ≥ 6 (2)
x1 , x2 ≥ 0(3), (4)


3. Dominio factible no acotado.
3.1. Solución óptima finita.
min 3x1 +x2

s.a. −x1 +3x2 ≤ 9 (1)
2x1 +x2 ≥ 6 (2)
x1 , x2 ≥ 0(3), (4)


3.1. Solución óptima finita.
min 3x1 +x2

s.a. −x1 +3x2 ≤ 9 (1)
2x1 +x2 ≥ 6 (2)
x1 , x2 ≥ 0(3), (4)


3.2. Problema no acotado.
max 3x1 +x2

s.a. −x1 +3x2 ≤ 9 (1)
2x1 +x2 ≥ 6 (2)
x1 , x2 ≥ 0(3), (4)


3.2. Problema no acotado.
max 3x1 +x2

s.a. −x1 +3x2 ≤ 9 (1)
2x1 +x2 ≥ 6 (2)
x1 , x2 ≥ 0(3), (4)


4. Dominio infactible.
min −2x1 −x2

s.a. x1 +2x2 ≥ 8 (1)
x1 +2x2 ≤ 6 (2)
x1 , x2 ≥ 0(3), (4)


4. Dominio infactible.
min −2x1 −x2

s.a. x1 +2x2 ≥ 8 (1)
x1 +2x2 ≤ 6 (2)
x1 , x2 ≥ 0(3), (4)

Hagamos un receso de 10 minutos, y volvemos!

Búsqueda de soluciones óptimas.

Hasta ahora, se tiene la intuición geométrica de que las soluciones óptimas

tienden a estar en los vértices del dominio (espacio o región factible), que
definen un poliedro.


Definición
Un poliedro es un conjunto definido por restricciones lineales (afines), sean
estas de igualdad o desigualdad.


Definición
Un poliedro es un conjunto definido por restricciones lineales (afines), sean
estas de igualdad o desigualdad.
Veamos como se puede formalizar esto en un teorema.

Forma estándar de un problema de PL.
Todo problema lineal (continuo) puede escribirse en la siguiente forma.
 
min c1 x1 +c2 x2 + . . . +cn xn
 s.a. a11 x1 +a12 x2 + . . . +a1n xn = b1 
 

 a21 x1 +a22 x2 + . . . +a2n xn = b2  
 .. .. .. .. 

 . . . . 

 am1 x1 +am2 x2 + . . . +amn xn = bm 
x1 , x2 , ..., xn ≥0

Forma estándar de un problema de PL.
Todo problema lineal (continuo) puede escribirse en la siguiente forma.
 
min c1 x1 +c2 x2 + . . . +cn xn
 s.a. a11 x1 +a12 x2 + . . . +a1n xn = b1 
 

 a21 x1 +a22 x2 + . . . +a2n xn = b2  
 .. .. .. .. 

 . . . . 

 am1 x1 +am2 x2 + . . . +amn xn = bm 
x1 , x2 , ..., xn ≥0
Forma estándar en PL
La forma estándar de un problema de PL tiene la siguiente forma general.
cT x
 
min
 s.a. Ax = b 
x ≥0
Donde se supone que A es de rango completo.

Problemas equivalentes

Definición
(De problema equivalente)

Definición
(De problema equivalente) Dados dos problemas de optimización (P) y
P̄ , se dice que son equivalentes si ambos problemas tienen las mismas
soluciones óptimas o bien existe una transformación que permite escribir la
solución de uno de los problemas a partir de la solución del otro.

Definición
Minimización ↔ maximización

Los problemas (P) y P̄ son equivalentes.

Definición


min f (x)
(P)
s.a. x ∈ S

Definición


min f (x) max −f (x)
(P) P̄
s.a. x ∈ S s.a. x ∈ S

Conversión de restricciones

Sean gi : R → R, i ∈ I = {1, . . . , m} las funciones que definen los lados

izquierdos de un conjunto de restricciones,


izquierdos de un conjunto de restricciones, y {bi }i∈I los respectivos lados
derechos.


derechos.
Pueden establecer las siguientes equivalencias.


derechos.
1 gi (x) = bi ⇔


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi
2 gi (x) ≤ bi ⇒


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi

2 g (x) ≤ b ⇒
gi (x) + hi = bi
i i ∀i ∈ I
hi ≥ 0


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi

2 g (x) ≤ b ⇒
gi (x) + hi = bi
i i ∀i ∈ I
hi ≥ 0
3 gi (x) ≥ bi , ⇒


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi

2 g (x) ≤ b ⇒
gi (x) + hi = bi
i i ∀i ∈ I
hi ≥ 0

3 g (x) ≥ b , ⇒
gi (x) − ei = bi
i i ∀i ∈ I
ei ≥ 0


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi

2 g (x) ≤ b ⇒
gi (x) + hi = bi
i i ∀i ∈ I
hi ≥ 0

3 g (x) ≥ b , ⇒
gi (x) − ei = bi
i i ∀i ∈ I
ei ≥ 0
4 |gi (x)| ≤ bi ⇒


derechos.

1 g (x) = b ⇔
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ bi

2 g (x) ≤ b ⇒
gi (x) + hi = bi
i i ∀i ∈ I
hi ≥ 0

3 g (x) ≥ b , ⇒
gi (x) − ei = bi
i i ∀i ∈ I
ei ≥ 0

4 |g (x)| ≤ b ⇒
gi (x) ≤ bi
i i ∀i ∈ I
gi (x) ≥ −bi


Formalicemos la intuición geométrica que tenı́amos.


Teorema
Sea un problema de Programación Lineal en forma estándar. Entonces, se
cumple una y sólo una de las siguiente condiciones.
1 El problema es infactible.
2 El dominio es no vacı́o, pero el problema es no acotado.
3 Existe un punto extremo x ∗ del dominio tal que x ∗ es solución óptima
del problema.


Teorema
del problema.


Teorema
del problema.
Es decir, si se busca la solución óptima de un problema de PL, basta

buscar en los puntos extremos del poliedro factible (dominio), pero ¿cómo
identificarlos?

Forma estándar en PL (cont.)
Escribamos la forma estándar del problema de Reddy Mikks.

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)

max 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
−x1 +x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5), (6)
min −5x1 −4x2

s.a. 6x1 +4x2 +x3 = 24
x1 +2x2 +x4 =6
−x1 +x2 +x5 =1
x2 +x6 =2
x1 , x2 , x3 , x4 , x5 , x6 ≥0


Evaluemos los vértices en la forma estándar.
Z = min −5x1 −4x2
s.a. 6x1 +4x2 +x3 = 24
x1 +2x2 +x4 =6
−x1 +x2 +x5 =1
x2 +x6 =2
x1 , x2 , x3 , x4 , x5 , x6 ≥0

Z = min −5x1 −4x2
s.a. 6x1 +4x2 +x3 = 24
x1 +2x2 +x4 =6
−x1 +x2 +x5 =1
x2 +x6 =2
x1 , x2 , x3 , x4 , x5 , x6 ≥0

Z = min −5x1 −4x2
s.a. 6x1 +4x2 +x3 = 24
x1 +2x2 +x4 =6
−x1 +x2 +x5 =1
x2 +x6 =2
x1 , x2 , x3 , x4 , x5 , x6 ≥0
A(0, 0, 24, 6, 1, 2) con Z = 0

B(0, 1, 20, 4, 0, 1) con Z = −4
C (1, 2, 10, 1, 0, 0) con Z = −13
D(2, 2, 4, 0, 1, 0) con Z = −18
E (3, 23 , 0, 0, 52 , 12 ) con Z = −21
F (4, 0, 0, 2, 5, 2) con Z = −20

Z = min −5x1 −4x2
s.a. 6x1 +4x2 +x3 = 24
x1 +2x2 +x4 =6
−x1 +x2 +x5 =1
x2 +x6 =2
x1 , x2 , x3 , x4 , x5 , x6 ≥0
A(0, 0, 24, 6, 1, 2) con Z = 0

B(0, 1, 20, 4, 0, 1) con Z = −4
C (1, 2, 10, 1, 0, 0) con Z = −13
D(2, 2, 4, 0, 1, 0) con Z = −18
E (3, 23 , 0, 0, 52 , 12 ) con Z = −21
F (4, 0, 0, 2, 5, 2) con Z = −20
¿Qué se observa?

Z = min −5x1 −4x2
s.a. 6x1 +4x2 +x3 = 24
x1 +2x2 +x4 =6
−x1 +x2 +x5 =1
x2 +x6 =2
x1 , x2 , x3 , x4 , x5 , x6 ≥0
A(0, 0, 24, 6, 1, 2) con Z = 0

B(0, 1, 20, 4, 0, 1) con Z = −4
C (1, 2, 10, 1, 0, 0) con Z = −13
D(2, 2, 4, 0, 1, 0) con Z = −18
E (3, 23 , 0, 0, 52 , 12 ) con Z = −21
F (4, 0, 0, 2, 5, 2) con Z = −20
¿Qué se observa? Todos los vértices tiene 6 − 4 = 2 ceros y los vértices

vecinos se diferencian por la posición de uno de sus ceros.
En resumen

En resumen
Los problemas programación lineal de 2 variables pueden resolverse

gráficamente.

En resumen

gráficamente.
Los problemas pueden tener solución óptima única, múltiples, no tener
solución (por ser infactibles o no-acotados).

En resumen

gráficamente.
Vimos 2 teoremas de existencia, que permiten demostrar que un proble-
ma tiene al menos una solución óptima.

En resumen

gráficamente.
Conocimos la forma estándar, y la particularidad que tienen los vértices
de un poliedro al ser evaluados en la forma estándar.

En resumen

gráficamente.
Conocimos la forma estándar, y la particularidad que tienen los vértices
de un poliedro al ser evaluados en la forma estándar.
La próxima clase formalizaremos estas nociones para poder desarrollar
el método simplex, que es fundamental para esta unidad y todo el
resto del curso.

Investigacion de Operaciones

Cargado por

Copyright:

Formatos disponibles

Investigacion de Operaciones

Cargado por

Información del documento

Descripción original:

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

Investigacion de Operaciones

Cargado por

Copyright:

Formatos disponibles

IND2209 – Investigación de Operaciones

Departamento de Ciencias de la Ingenierı́a

Segundo semestre de 2020

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 1 / 27

Comenzaremos a ver el Capı́tulo 3, Programación Lineal.

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 2 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 3 / 27

Problema general de optimización

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 4 / 27

Problema general de optimización

El conjunto D se conoce como el dominio del problema P).

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 4 / 27

Problema general de optimización

El conjunto D se conoce como el dominio del problema P).

Lo usual es que consideremos construcciones del tipo,

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 4 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

x̄ ∈ D y ∃δ > 0 : f (x̄) ≤ f (x) , ∀x ∈ D : kx − x̄k ≤ δ

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 5 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

Existencia de soluciones óptimas

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

Existencia de soluciones óptimas

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 6 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 7 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 7 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 7 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 7 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 8 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 8 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 8 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 9 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 9 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 9 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 9 / 27

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 10 / 27

Un resultado muy importante en Optimización es el siguiente.

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 10 / 27

Un resultado muy importante en Optimización es el siguiente.

Teorema de Existencia de Soluciones Óptimas de Bolzano-Weierstrass

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 10 / 27

Un resultado muy importante en Optimización es el siguiente.

Teorema de Existencia de Soluciones Óptimas de Bolzano-Weierstrass

ALV (DCI-UNAB) IND2209 - Clase 10 2-2020 10 / 27

Un resultado muy importante en Optimización es el siguiente.

Teorema de Existencia de Soluciones Óptimas de Bolzano-Weierstrass

Si f es continua sobre D, y D es compacto (cerrado y acotado), y no vacı́o,