Ad C PNL Ah

Anlisis de Decisiones:
Eligiendo alternativas de forma eficiente.
Dr. Alejandro Vega Muoz
Autores
Alejandro Vega Muoz.
Dentro de su trayectoria acadmica ha impartido
docencia en el rea de Management Science a nivel
de Postgrado, Grado y Diplomado, ejerciendo
como Profesor en instituciones como: Universidad
Central de Chile, Academia Politcnica Militar,
Universidad del Bio Bo, Universidad de Artes,
Ciencias y Comunicacin, Universidad del
Pacfico, Universidad Catlica de la Santsima
Concepcin, Universidad de Las Amricas,
Universidad Tecnolgica de Chile, Universidad
San Sebastin, Universidad Finis Terrae
Universidad del Mar, Universidad Alberto Hurtado
y Universidad Santo Toms.
En su formacin Acadmica cuenta con los ttulos
y grados de: Diploma de Estudios Avanzados
(DEA) en Organizacin de Empresas y Master en Direccin y Organizacin de
Empresas (MBA) por Universidad de Lrida, Magster en Ingeniera Industrial (MEng)
por la Universidad de Concepcin, Diplomado en Innovacin Tecnolgica por la
Universidad de Oviedo y la Organizacin de Estados Iberoamericanos, Diplomado en
Direccin de Empresas por la Universidad de Las Amricas, Diplomado en
Responsabilidad Social Corporativa y Empresarial por la Universidad Central de Chile e
Ingeniero Martimo Portuario por la Universidad Catlica de la Santsima Concepcin.
El Profesor Vega combina actualmente su actividad Acadmica y sus estudios de
Doctorado en Ciencias Empresariales en la Universidad Antonio de Nebrija, con el rol
de Gerente del Instituto de Estudios Sociales y Empresariales, Presidente de la
Fundacin Escuela de Asuntos Internacionales y Presidente del Comit Editorial de
Latin American Journal of International Affairs, revista indexada en DOAJ y Latindex.
Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.
Captulo II: Decidiendo en el paraso de lo cierto.

En las decisiones bajo certidumbre
podramos decir que nos encontramos
Jugando a campo abierto, pues no hay
obstculos, ni escenarios inesperados,
pudiendo conocerlo todo antes decidir; en
trminos reales esta situacin slo ocurre
cuando
podemos
trabajar
con
comportamientos descritos por funciones
conocidas y tenemos una estabilidad tal, que
no existirn cambios en los estados futuros
que lleven a errar.
Aunque esto parezca sencillo, se requiere de un gran conocimiento matemtico para

enfrentar esta clase de situaciones, en especial del clculo en varias variables. Y su
mayor valor, lo encontraremos al descubrir que sus preceptos de eficiencia, son los que
la economa dicta y con los que se ve condicionada la administracin cientfica y a la
investigacin de operaciones, y por aadidura todas las disciplinas que optan por una
toma de decisiones bajo en enfoque de racionalidad.
Optimizacin Clsica o Programacin No Lineal (PNL):
Convexidad:
Uno de los primeros conceptos que debemos reforzar y aclarar en plenitud es el de
convexidad, pues en este se cimienta toda la optimizacin clsica.
Conjuntos Convexos:
Sea el conjunto C n. Decimos que C es un conjunto convexo si cualquier segmento
de recta que une 2 puntos del conjunto est enteramente contenido en el propio
conjunto, es decir, C es convexo si y slo si X,Y C y [0,1] se verifica que
X+( 1 - )Y C.
Sean X1, X2, , Xk puntos en n. Decimos que el punto X n es una combinacin
lineal convexa de los puntos X1, X2, , Xk si puede ser expresado de la forma:
X = 1X1+ 2X2+ +kXk
donde 1, 2, , k con i [0,1] y
i 1
Teorema # 1.1.
Un conjunto C n es convexo si y slo si cualquier combinacin lineal convexa de
elementos del conjunto est en el conjunto, es decir, C es convexo si y slo si:
Dr. A. Vega M. p. 4

X1, X2, , Xk C, 1X1+ 2X2+ +kXk C
donde 1, 2, , k con i [0,1] y
Aunque esto parezca complejo, bastar una naranja, un pltano, un plumn y un trozo
de alambre rgido de unos 25 cm. para entender.
Se deben con marcar 2 puntos distantes en la cscara de la fruta y luego atravesarla con
el alambre para unir ambos puntos, sera conveniente repetir unas 3 veces el
procedimiento, si en alguno de los procedimientos el alambre queda al descubierto el
conjunto frutai ha dejado de ser convexo.
As podremos observar que una naranja representa a un conjunto convexo, en cambio un

pltano representa a un conjunto no convexo.
Propiedades
La interseccin de conjuntos convexos es convexa, es decir, dados 2 conjuntos
convexos C1 y C2, C1 C2 es un conjunto convexo.
La unin de conjuntos convexos no es, en general, convexa, es decir, dados dos
conjuntos convexos C1 y C2, C1 C2 no es, en general, un conjunto convexo.
Funciones Convexas:
Sea f: A n una funcin real de n variables reales. Decimos que f es una funcin
convexa en A si se verifica:
X1, X2 A, [0,1] es f (X1 + (1 - )*X2) f (X1) + (1 - ) f (X2)
La definicin dada quiere decir que una funcin es convexa si el arco de curva que
une 2 puntos de su grfica queda por debajo del segmento de recta que los une.
A modo de ejemplo se grafican en MS Excel y analizan las funciones: f (X) = X 2,
f (X) = X X 2 y f (X) = X 3.
Dr. A. Vega M. p. 5
Propiedades
Si f (X) es convexa, entonces f (X) es cncava y viceversa.
El punto X0 donde f (X) alcanza un mximo es el mismo punto en el que f (X) alcanza
un mnimo, siendo max f (X) = min (f (X)).
Toda combinacin lineal no negativa de funciones convexas es una funcin convexa.
Si f (X) es convexa, entonces el conjunto S = {X/ f (X) k} es un conjunto convexo.
Si f (X) es cncava (es decir f (X) es convexa), entonces el conjunto S = {X/ f (X) k}
es un conjunto convexo.
Si f (X) es lineal, entonces el conjunto S = {X/ f (X) k} es un conjunto convexo.
Caracterizacin de la convexidad en funciones diferenciables
Condiciones de primer orden:
La condicin necesaria y suficiente para que una funcin f: A n diferenciable
sea convexa en un punto X0 A es que:
f (X) f (X0) f (X0)(X X0) X B(X0, )
Condiciones de segundo orden:
La condicin necesaria y suficiente para que una funcin f: A n diferenciable
dos veces sea convexa en un punto X0 A es que Hf (X0) sea semidefinida positiva:
Hf (X0) semidefinida positiva f (X) convexa en X0.
Hf (X0) definida positiva f (X) estrictamente convexa en X0.
Hf (X0) semidefinida negativa f (X) cncava en X0.
Hf (X0) definida negativa f (X) estrictamente cncava en X0.
Donde Hf (X0), es la matriz hessiana de f en el punto X0, es decir.
2 f
2
x1
2 f
x 2 x1
Hf X 0 .
.
.
2
f
x x
n 1
2 f
x1x 2
2 f
x 2
.
.
.
2 f
x n x 2
2
2 f
x1x n
2 f
...
x 2 x n
.
.
.
.
.
.
2 f
...
2
x n
...
Dr. A. Vega M. p. 6

A modo de ejemplo se calcula la matriz hessiana de 8x2 + 4y2, y de x3 + 3xy2 - 3x2 - 3y2
+ 4.
2
(8 x 2 4 y 2 ) 0
xy
2
(8 x 2 4 y 2 ) 16
x 2
2
(8 x 2 4 y 2 ) 8
2
y
2
(8 x 2 4 y 2 ) 0
yx
16 0
, como todos los valores de la matriz son constantes, el resultado es
Hf X 0
0 8
indiferente a las coordenadas (x,y) en las cuales se valoren.
2
( x 3 3xy 2 - 3x 2 - 3y 2 4) 6x - 6
2
x
2
( x 3 3xy 2 - 3x 2 - 3y 2 4) 6y
xy
2 3
2
( x 3xy 2 - 3x 2 - 3y 2 4) 6x 6
( x 3 3xy 2 - 3x 2 - 3y 2 4) 6y
2
yx
y
6y
6x 6
, as el resultado es dependiente de las
Por lo tanto, Hf X 0
6 x 6
6y
coordenadas (x,y) para las cuales se valore.
A continuacin se presenta el mtodo de autovalores, para conocer sobre la definicin o
semidefinicin positiva / negativa de la matriz.
Mtodo de Autovalores
Los autovalores son los valores de la incgnitas 1, 2, , n; que se obtienen de la
ecuacin | H I | = 0. Donde I es la matriz identidad.
M es definida positiva si y slo si todos sus autovalores son mayores que cero, es decir:
M definida positiva i > 0 i = 1, 2, ..., n.
M es semidefinida positiva si y slo si todos sus autovalores son mayores o iguales que
cero, y al menos uno de ellos es nulo, es decir:
M semidefinida positiva i 0 i = 1, 2, ..., n y i/i = 0.
M es definida negativa si y slo si todos sus autovalores son menores que cero, es decir:
M definida negativa i < 0 i = 1, 2, ..., n.
M es semidefinida negativa si y slo si todos sus autovalores son menores o iguales que
cero, y al menos uno de ellos es nulo, es decir:
M semidefinida negativa i 0 i = 1, 2, ..., n y i/i = 0.
Dr. A. Vega M. p. 7
M es indefinida si y slo si tiene algn autovalor mayor que cero y algn autovalor
menor que cero:
M indefinida i/i > 0 y j/j < 0.
Analice la situacin para las funciones ejemplo: f1 = 8x2 + 4y2, y f2 = x3 + 3xy2 3x2
3y2 + 4. Por el momento escjase X0 = (0,0).
16 0
Hf1 X 0
0 8
6y
6x 6
Hf2 X 0
6
y
6
x
Desarrollo (8x2 + 4y2):

16 0 0

0
Hf1 I 0
0 8 0
16 0 8 0
0
16
0 16 8 0
8
0
1 16 2 8
As, i > 0 i = 1, 2, ..., n M definida positiva.
Ingresando la funcin (f1), en Scilab 5.5.0:
Startup execution:
loading initial environment
-->deff('z=f(x,y)','z=(8*x.^2)+(4*y.^2)');x=-10:0.1:10; y=10:0.1:10; fplot3d(x,y,f,alpha=5,theta=10)
Se observa que la funcin tiene la siguiente forma.
Dr. A. Vega M. p. 8

Desarrollo (x3 + 3xy2 3x2 3y2 + 4):
6y 0
6x 6

0
Hf1 I 0
6
y
6
x
6
0
6 x 6 6 y 0
2
6y
6x 6
0
6
y
6
x
6 0
2
X 0 0 , 0
6 0 6 0
1 6 2 6
As, i > 0 i = 1, 2, ..., n M definida positiva, en el punto (0,0).

Ingresando esta nueva funcin (f2), en Scilab 5.5.0:
Startup execution:
loading initial environment
--> deff('z=f(x,y)','z=(x.^3)+(3*x*y.^2)-(3*x.^2)-(3*y.^2)+(4)');x=20:0.1:20; y=-20:0.1:20; fplot3d(x,y,f,alpha=5,theta=10). Se obtiene la
grfica:
Programa Convexo:
Sea P un programa de optimizacin matemtica dado por
opt f X
s.a. X K
Decimos que el programa es convexo si verifica:
El conjunto K es convexo.
La funcin f (X) es convexa si el programa es de mnimo y cncava si el programa
es de mximo.
Teorema local global.
Dr. A. Vega M. p. 9

Sea P un programa convexo.
Si en X0 hay un punto candidato a mximo local y si f (X) es cncava, entonces en

X0 hay un mximo global.
Si en X0 hay un punto candidato a mnimo local y si f (X) es convexa, entonces en
X0 hay un mnimo global.
Teorema # 1.2.
Sean f (X) cncava y K convexo. Si f (X) alcanza un mximo global en 2 puntos,
tambin lo alcanza en cualquier punto del segmento que los une.
Teorema # 1.3.
Sean f (X) estrictamente cncava y K convexo. Entonces el mximo global, si existe, es
nico.
Dr. A. Vega M. p. 10
Problemas de Extremos Irrestrictos u ptimos Libres.

Cuando el conjunto de alternativas no est limitado, entonces, el conjunto factible (A)
es el ms extenso posible, es decir K = A n1. El conjunto factible ser por tanto el
dominio de definicin de la funcin objetivo.
opt f X
As, planteamos el problema, en este caso, de la forma
y tratamos de buscar
s.a. X A
las variables de decisin que optimicen la funcin objetivo.
Vamos siempre a resolver el problema bajo la hiptesis de que la funcin objetivo es
una funcin real, definida en el conjunto de posibles alternativas, diferenciable en dicho
conjunto, como mnimo, hasta orden 2 y con derivadas continuas.
Condicin Necesaria de ptimo Local
Sea P un programa de optimizacin libre dado por
opt f X
.
XA
La condicin necesaria para que la funcin objetivo tenga en X 0 un ptimo local es que
el vector gradiente de la funcin objetivo se anule en X0 es decir:
f f
f
f X 0
,
,...,
x n
x1 x 2
0
X X0
Todos los puntos que verifiquen esta condicin necesaria se denominan puntos crticos
de la funcin f.
Condicin Suficiente de ptimo Local
Sea P un programa de optimizacin libre dado por
opt f X
XA
Si X0 es un punto crtico de f, la condicin suficiente para que sea:

Mximo local es que Hf(X0) sea definida negativa.
Mnimo local es que Hf(X0) sea definida positiva.
Punto de Silla es que Hf(X0) sea indefinida.
Y para determinar positividad, negatividad e indefinicin deberemos aplicar el mtodo
de autovalores o bien el mtodo de menores principales (que explicaremos ms
adelante).
Suficiencia de la condicin necesaria en programas convexos
La solucin al problema antes planteado viene dada por la determinacin de un ptimo
de carcter global para la funcin objetivo. Para saber bajo que condiciones podemos
1
En trminos ms generales K A.

denominar ptimo global a un ptimo local, debemos conocer cuando la condicin
necesaria, adems sea condicin suficiente.
Si X0 es un punto crtico de f, K es un conjunto convexo y f es cncava o estrictamente
cncava en K, entonces X0 es mximo global de f.
Anlogamente, si X0 es un punto crtico de f, K es un conjunto convexo y f es convexa o
estrictamente convexa en K, entonces X0 es mnimo global de f.
Entonces la condicin necesaria adquiere el carcter de suficiente si el programa es
convexo.
Retomemos la funcin de ejemplo: f2 = x3 + 3xy2 3x2 3y2 + 4. Calculemos para estas
sus ptimos libres.
( x 3 3xy 2 - 3x 2 - 3y 2 4) ( x 3 3xy 2 - 3x 2 - 3y 2 4)
f X 0
,
0
X X 0
=> 3x2 + 3y2 6x = 0 6xy 6y = 0

=> 6xy 6y = 6y(x 1) = 0 => x = 1 y = 0
Si x = 1 => 3(1)2 + 3y2 6(1) = 0 = > 3y2 3 = 0 => y = 1
P1 = (1,1) y P2 = (1,-1).
Si y = 0 => 3x2 + 3(0)2 6x = 0 = > 3x2 6x = 3x(x 2) = 0 => x = 0 x = 2
P3 = (0,0) y P4 = (2,0).
6y
6x 6
Como Hf X 0
6 x 6
6y
Tenemos que:
0 6
, calculamos autovalores |HI| = 0 => 2 36 = 0 => 1= 6 y 2= 6.
Hf 1,1
6
0
1 > 0 y 2 < 0, as H es indefinida y el punto crtico (1,1) es un punto de silla.

0 6
, calculamos autovalores |HI| = 0 => 2 36 = 0 => 1= 6 y
Hf 1,1
6 0
2= 6.
1 > 0 y 2 < 0, as H es indefinida y el punto crtico (1, 1) es un punto de silla.
6 0
, 1= 6 y 2= 6.
Hf 0,0
0 6
1 < 0 y 2 < 0, as H es definida negativa, condicin suficiente para decir que el
punto (0,0) es un punto mximo local.
8 0
, 1= 6 y 2= 6.
Hf 2,0
0 6
1 > 0 y 2 > 0, as H es definida positiva, condicin suficiente para decir que el
punto (2,0) es un punto mnimo local.
Tambin estudiaremos los ptimos libres de las siguientes 6 funciones (Control # 1,
Tarea):
1
xy 3 x 3 y
z3 ABS ( xy )
z1
,
z2
,
2
2
9x y
2
z4 x 2 3 y 2 e x
y2
z5 xy 2 e
x2 y 2
, z 6 sin
(x2 y2 )
Mtodo de Menores Principales

Este tambin mtodo nos permite estudiar el signo de una matriz simtrica M (n x n),
pero a travs de los que denominaremos sus menores principales.
a11
a 21
.
A
.
.
a
n1
... a1n
... a 2 n
.
.
.
.
.
.
... a nn
a12
a 22
.
.
.
an2
Donde el menor principal de orden 1 ser: M 1 a11 a11 .

El menor principal de orden 2 ser: M 2
a11
a12
a 21
a 22
a11
a 21
.
a12
a 22
.
.
a n1
.
an2
a11 a 22 a12 a 21 .
.
.
.
El menor principal de orden n ser: M n
... a1n
... a 2 n
.
.
.
det A .
.
.
... a nn
Obtenidos todos los menores principales, se debe verificar el cumplimiento de algunas

de las siguientes condiciones.
Si M1>0, M2>0, M3>0, , Mn>0, entonces A definida positiva.
Si M1<0, M2>0, M3<0, M4>0, , entonces A definida negativa
Si Mi >0, Mj<0 y la secuencia de menores principales positivos y negativos no se

ajusta a la matriz definida negativa entonces A es indefinida.
El resto de los casos debe ser estudiado por el mtodo autovalores.
A modo de ejemplo retomaremos la silla de funcin
6y
6x 6
, entonces sus menores principales son:
Dado que su Hf X 0
6
y
6
x
M1 = 6x 6
M2 = (6x 6)2 36y2
Como vemos, el signo de Hf(X0) es variante con los distintos valores de x e y, por tanto
se debe estudiar la condicin coordenada a coordenada (entre los puntos crticos).
Problemas de Extremos Restringidos por igualdades.

En esta clase de problemas existe una restriccin sobre el conjunto factible, con signo
de igualdad.
K = {X A/gj(X) = bj, j = 1, 2, , m}
donde las funciones gj son funciones de la forma gj: A n y bj , j = 1, 2, ,
m.
En esta clase de problemas se deben cumplir las siguientes condiciones:
La funcin objetivo debe ser diferenciable, como mnimo, hasta orden 2, con
derivadas continuas en todo su dominio.
Las funciones de restriccin deben ser continuas y derivables con derivadas
continuas.
La matriz jacobiana asociada a las restricciones del problema debe ser de orden
mximo.
Sea P un programa de optimizacin sujeto a restricciones de igualdad:
opt f X
s.a.g j X b j
Se define la funcin lagrangiana asociada al programa P, como una funcin L: n+m

, dada por:
L X , f X j g j X b j
m
j 1
x1
1

x2
2
.
.
donde X y .
.
.
.
.

x
m
n
Siendo j conocido como multiplicador de Lagrange, el que representa la cantidad

aproximada que flucta la funcin objetivo en el ptimo cuando el trmino
independiente o recurso asociado a la j-sima restriccin aumenta en una unidad.
Condicin necesaria de ptimo local
La condicin necesaria para que la funcin objetivo tenga en X0 X un ptimo local es
que el punto (X0, 0) sea un punto crtico de la funcin lagrangiana del programa.
As para (X0, 0) se cumple que:

L L
0; i 1,2,..., n j 1,2,..., m
L X 0 , 0
,
xi i
Ejemplo: Una sociedad requiere repartir utilidades de 15 millones de pesos entre sus 3
socios, con la condicin que la suma de los cuadrados de las 3 cantidades sea mnima.
Calcule dichas cantidades.
Min x2 + y2 + z2
s.a. x + y + z = 15
x, y , z 0
L (x, y, z; ) = x2 + y2 + z2 (x + y + z 15)
Las condiciones necesarias de ptimo condicionado son Lx, y, z, 0 , es decir,
L
L
L
L
0
0
0
0
x
y
z
Por tanto se obtiene el siguiente sistema de ecuaciones:

2x 0
2y 0
2z 0
x y z 15 0
15 15 15 30
As el nico punto crtico candidato a extremo es P ,
,
,
.
3
3
3
3
Respecto de la convexidad del problema, dado que la restriccin es lineal el conjunto K
es convexo. Ahora para determinar la convexidad de la funcin objetivo, se debe
determinar la matriz hessiana.
2 0 0
Hf 0 2 0 , dado que todos sus autovalores sern positivos, la matriz es definida

0 0 2
15 15 15
,
positiva y el punto P ,
es un mnimo global.
3
3
3
De esta forma se determina que cada socio, debe tomar como utilidad 5 millones.
De forma equivalente un programa restringido puede ser resuelto con LINGO v14. As
para este caso tenemos:
! Funcin objetivo;
MIN = x^2+y^2+z^2;
! Restriccin de igualdad;

x+y+z=15;
! Restricciones laterales;
x>=0;
y>=0;
z>=0;
Obteniendo como resultado:

Local optimal solution found.
Objective value:
Infeasibilities:
Extended solver steps:
Total solver iterations:
Elapsed runtime seconds:
Model Class:
75.00000
0.000000
5
44
0.39
NLP
Total variables:
Nonlinear variables:
Integer variables:
3
3
0
Total constraints:
Nonlinear constraints:
5
1
Total nonzeros:
Nonlinear nonzeros:
9
3
Variable
X
Y
Z
Row
1
2
3
4
5
Value
5.000000
5.000000
5.000000
Slack or Surplus
75.00000
0.000000
5.000000
5.000000
5.000000
Reduced Cost
0.000000
0.000000
0.000000
Dual Price
-1.000000
-10.00000
0.000000
0.000000
0.000000
Condicin suficiente de ptimo global

En los problemas convexos, la condicin suficiente para que X0 sea un ptimo global de
la funcin objetivo f es que el punto (X0,0) sea un punto crtico de la funcin
lagrangiana.
Para una mayor comprensin nos abocaremos a estudiar los ptimos restringidos de la
funcin fo: 36x2 16y2 + 9z2 = 0, con el objeto de maximizar y sujeto a las siguientes
restricciones:
i) x2 + y2 = 9
ii) y2 x2 =16
iii) 9x2 + 4y2 +z2 = 36
iv) 4y2 + 25z2 + 100x = 0

Ingresado el conjunto de funciones en Scilab 5.5.0, se observa que la funcin objetivo
no est restringida por todas las ecuaciones2:
deff('z=f(x,y)','z=(8*x.^2)+(4*y.^2)');
deff('z=g(x,y)','z=(( x.^2)+(y.^2)-9)');
deff('z=h(x,y)','z=(( x.^2)-(y.^2)-16)');
deff('z=i(x,y)','z=sqrt(-(9*x.^2)-(4*y.^2)+36)');
deff('z=j(x,y)','z=sqrt(-(4*x)-(0.166*y.^2))');
x=-10:0.1:10;
y=-10:0.1:10;
fplot3d(x,y,f,alpha=5,theta=10);
fplot3d(x,y,g,alpha=5,theta=10);
fplot3d(x,y,h,alpha=5,theta=10);
fplot3d(x,y,i,alpha=5,theta=10);
fplot3d(x,y,j,alpha=5,theta=10);
Una vista superior, aclara las intersecciones con la fo. Detallando adems la dominancia
de i por sobre las dems funciones.
De esta forma el problema se puede ver simplificado a:

deff('z=f(x,y)','z=(8*x.^2)+(4*y.^2)');
2
Dado esto se podra declarar la regin factible como un conjunto vaco y dar por cerrado el problema o bien trabajar con las
ecuaciones que si restringen a la funcin objetivo. Con fines pedaggicos se adoptar esta segunda lnea de trabajo.

deff('z=i(x,y)','z=sqrt(-(9*x.^2)-(4*y.^2)+36)');
x=-10:0.1:10;
y=-10:0.1:10;
fplot3d(x,y,f,alpha=5,theta=10);
fplot3d(x,y,i,alpha=5,theta=10);
As llevado el problema a LINGO v14, tenemos que:

! Funcin objetivo;
MAX = 8*x^2+4*y^2;
9*x^2+4*y^2+z^2=36;
Objective value:
Infeasibilities:
Model Class:
36.00000
0.000000
5
54
0.50
NLP
Total variables:
Integer variables:
3
3
0
Total constraints:
2
2
Total nonzeros:
Nonlinear nonzeros:
5
5
Variable
X
Y
Z
Value
0.000000
3.000000
0.000000
Row
1
2
Slack or Surplus
36.00000
0.000000
Reduced Cost
0.000000
0.000000
0.000000
Dual Price
1.000000
1.000000
Obteniendo como punto de ptimo (0,3,0), con un valor de mximo para fo de 36. Se
recomienda verificar el resultado con la funcin lagrangiana.
Problemas de Extremos Restringidos, por desigualdades

En esta clase de problemas existe una restriccin sobre el conjunto factible, con signo
de igualdad.
K = {X A/gj(X) bj, j = 1, 2, , m}
donde las funciones gj son funciones de la forma gj: A n y bj , j = 1, 2, ,
m.
Sea P un programa de optimizacin sujeto a restricciones de igualdad:
opt f X
s.a.g j X b j
Se define la funcin lagrangiana asociada al programa P, como una funcin L: n+m

, dada por:
m
j 1
x1
1

x2
2
.
.
donde X y .
.
.
.
.

x
m
n
En esta clase de problemas se deben cumplir las siguientes condiciones:
La funcin objetivo debe ser diferenciable, como mnimo, hasta orden 2, con
derivadas continuas en todo su dominio.
Las funciones de restriccin deben ser continuas y derivables con derivadas
continuas.
En el ptimo se verifica que L(X,) = f (X)

Mtodo de Kuhn-Tucker
La condicin necesaria para que la funcin objetivo tenga un ptimo local en X0 K es
que el punto (X0,0) verifique las siguientes condiciones:
L
0; i 1,2,..., n
xi
L
0; j 1,2,..., m
j
g j X b j .Re stricciones
g j X bj
g j X bj
j 0
j 0
j 0
j 0
Signo _ del _ multiplicador : mx

mn
Si se aaden restricciones laterales (No negatividad):
L
0; i 1,2,..., n . Se reemplaza por (segn sea un caso de mx o de mn):
xi
L
0; i 1,2,..., n.(Mx)
xi
L
0; i 1,2,..., n.(Min)
xi
Y se aade:
L
0; i 1,2,..., n
xi
Condicin suficiente de ptimo global
xi
Las condiciones necesarias de Kuhn-Tucker ofrecen puntos crticos que pueden ser
ptimos locales. Para garantizar la condicin de ptimo global de dichos puntos ptimos
el programa ha de ser convexo, es decir:
El conjunto factible ha de ser convexo.

Si el programa es de mnimo, la funcin objetivo debe ser convexa.
Si el programa es de mximo, la funcin objetivo debe ser cncava.
A modo de ejemplo se resolver:
Min xy 2 x 2
s.a.
3x 2 2 y 4
x, y 0
Primero se construye la funcin lagrangiana:
m
j 1
L X , xy 2 x 3x 2 2 y 4
L X , xy 2 x 2 3x 2 2y 4
2
Luego se aplican las condiciones de Kuhn Tucker:

L
0
xi
L xy 2 x 2 3x 2 2y 4
0 y 4 x 6 0...(Ec.1)
x
x
L xy 2 x 2 3x 2 2y 4
0 x 2 0...(Ec.2)
y
y
L
0
xi
xi
L
xy 2 x 2 3x 2 2y 4
x
0 x( y 4 x 6x) 0...(Ec.3)
x
x
L
xy 2 x 2 3x 2 2y 4
y
y
0 y ( x 2 ) 0...(Ec.4)
y
y
L
0
j
L
xy 2 x 2 3x 2 2y 4
0 (3 x 2 2 y 4) 0...(Ec.5)
g j X b j .Re stricciones :
3 x 2 2 y 4...(Ec.6)
x, y 0..(Ec.7)
Signo _ del _ multiplicador : mx
mn
g j X b j
g j X b j
j 0
j 0
j 0
j 0
0...(Ec.8)
En _ Re sumen :
Ec.1 : y 4 x 6 0
Ec.2 : x 2 0
Ec.3 : x( y 4 x 6x) 0
Ec.4 : y ( x 2 ) 0
Ec.5 : (3 x 2 2 y 4) 0
Ec.6 : 3 x 2 2 y 4
Ec.7 : x, y 0
Ec.8 : 0
Caso 1:
As si =0

De Ec.4 xy=0, luego:
Caso 1.1:
=0 x=0 P(0,y,0), con y2.
Caso 1.2:
=0 y=0 P(x,0,0), con x=0 x(4/3) No existe punto crtico.
Caso 2:
As si 0
De Ec.5 -3x2-2y+4=0, luego:
Caso 2.1:
x=0 y=0, de Ec.4 No existe punto crtico.
Caso 2.2
x(4/3) y=0. De Ec.8 slo se puede considerar x(4/3). De Ec.3 (4-6)=0
=2/3. As, P((4/3),0,2/3), pero dado Ec.2 No existe punto crtico.
Caso 3:
As si x0 y0
De Ec.3 y Ec.4, tenemos que y+4x-6x=0 x-2=0.
De los casos estudiados tenemos que el conjunto de ecuaciones a resolver es:
-3x2 - 2y +4=0
y + 4x - 6x=0
x - 2=0
No obtenindose del sistema puntos crticos vlidos para las 8 ecuaciones, ms que
P(0,y,0), con y0.
Luego debe probarse la convexidad de la funcin objetivo.
4 1
.
Hf x, y
1 0
Calculando los autovalores |HI| = 0 => 2-4-1=0 => 1= -0,24 2=4,24.
La funcin objetivo es indefinida.
Slo queda resguardar las restricciones laterales (no negatividad de las variables x e y)
ante la minimizacin de la f.o.
f(x,y)=xy+2x20, considerando P(0,y,0) con y2. El mnimo valor de la funcin puede
ser 0, con x=0 y=2.
Para clarificar es que se representa la f.o. con x,y0.
deff('z=f(x,y)','z=(x*y)+(2*x.^2)');

x=0:0.1:10;
y=0:0.1:10;
fplot3d(x,y,f,alpha=45,theta=-120);
Usando LINGO, tenemos que:

! Funcin objetivo;
MIN = ((x*y)+(2*x^2));
((3*x^2)+(2*y))>=4;
! Restricciones laterales;
x>=0;
y>=0;
Cuyos resultados son:

Objective value:
Infeasibilities:
Model Class:
0.000000
0.000000
5
21
0.33
NLP
Total variables:
Integer variables:
2
2
0
Total constraints:
Total nonzeros:
Nonlinear nonzeros:
4
2
6
3
Variable
X
Y
Row
1
2
3
Value
0.000000
2.000000
Slack or Surplus
0.000000
0.000000
0.000000
Reduced Cost
2.000000
0.000000
Dual Price
-1.000000
0.000000
0.000000

4
2.000000
0.000000

Ad C PNL Ah

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ad C PNL Ah

Uploaded by

Copyright:

Available Formats

Anlisis de Decisiones:

Eligiendo alternativas de forma eficiente.

Dr. Alejandro Vega Muoz

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Captulo II: Decidiendo en el paraso de lo cierto.

Aunque esto parezca sencillo, se requiere de un gran conocimiento matemtico para

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

As podremos observar que una naranja representa a un conjunto convexo, en cambio un

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Desarrollo (8x2 + 4y2):

-->deff('z=f(x,y)','z=(8*x.^2)+(4*y.^2)');x=-10:0.1:10; y=10:0.1:10; fplot3d(x,y,f,alpha=5,theta=10)

Se observa que la funcin tiene la siguiente forma.

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

As, i > 0 i = 1, 2, ..., n M definida positiva, en el punto (0,0).

Decimos que el programa es convexo si verifica:

Teorema local global.

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Si en X0 hay un punto candidato a mximo local y si f (X) es cncava, entonces en

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Problemas de Extremos Irrestrictos u ptimos Libres.

Si X0 es un punto crtico de f, la condicin suficiente para que sea:

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

=> 3x2 + 3y2 6x = 0 6xy 6y = 0

1 > 0 y 2 < 0, as H es indefinida y el punto crtico (1,1) es un punto de silla.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Mtodo de Menores Principales

Donde el menor principal de orden 1 ser: M 1 a11 a11 .

El menor principal de orden n ser: M n

Obtenidos todos los menores principales, se debe verificar el cumplimiento de algunas

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Si Mi >0, Mj<0 y la secuencia de menores principales positivos y negativos no se

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Problemas de Extremos Restringidos por igualdades.

Sea P un programa de optimizacin sujeto a restricciones de igualdad:

Se define la funcin lagrangiana asociada al programa P, como una funcin L: n+m

Siendo j conocido como multiplicador de Lagrange, el que representa la cantidad

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Por tanto se obtiene el siguiente sistema de ecuaciones:

Hf 0 2 0 , dado que todos sus autovalores sern positivos, la matriz es definida

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Obteniendo como resultado:

Condicin suficiente de ptimo global

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

De esta forma el problema se puede ver simplificado a:

Captulo II: Decidiendo en el paraso de lo cierto.

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

As llevado el problema a LINGO v14, tenemos que:

Anlisis de Decisiones: Eligiendo alternativas de forma eficiente.

Problemas de Extremos Restringidos, por desigualdades

Se define la funcin lagrangiana asociada al programa P, como una funcin L: n+m

-->deff('z=f(x,y)','z=(8x.^2)+(4y.^2)');x=-10:0.1:10; y=10:0.1:10; fplot3d(x,y,f,alpha=5,theta=10)