Professional Documents
Culture Documents
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.
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
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
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.
Captulo II: Decidiendo en el paraso de lo cierto.
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
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
Dr. A. Vega M. p. 8
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
grfica:
Programa Convexo:
Sea P un programa de optimizacin matemtica dado por
opt f X
s.a. X K
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.
Dr. A. Vega M. p. 9
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
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
En trminos ms generales K A.
Dr. A. Vega M. p. 11
f X 0
,
0
X X 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
Dr. A. Vega M. p. 12
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 )
a 21
.
A
.
.
a
n1
... a1n
... a 2 n
.
.
.
.
.
.
... a nn
a12
a 22
.
.
.
an2
a11
a12
a 21
a 22
a11
a 21
.
a12
a 22
.
.
a n1
.
an2
a11 a 22 a12 a 21 .
.
.
.
... a1n
... a 2 n
.
.
.
det A .
.
.
... a nn
Dr. A. Vega M. p. 13
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).
Dr. A. Vega M. p. 14
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.
opt f X
s.a.g j X b j
L X , f X j g j X b j
m
j 1
x1
1
x2
2
.
.
donde X y .
.
.
.
.
x
m
n
Dr. A. Vega M. p. 15
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
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
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;
Dr. A. Vega M. p. 16
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
Dr. A. Vega M. p. 17
Una vista superior, aclara las intersecciones con la fo. Detallando adems la dominancia
de i por sobre las dems funciones.
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.
Dr. A. Vega M. p. 18
36.00000
0.000000
5
54
0.50
NLP
Total variables:
Nonlinear variables:
Integer variables:
3
3
0
Total constraints:
Nonlinear 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.
Captulo II: Decidiendo en el paraso de lo cierto.
Dr. A. Vega M. p. 19
opt f X
s.a.g j X b j
L X , f X j g j X b j
m
j 1
x1
1
x2
2
.
.
donde X y .
.
.
.
.
x
m
n
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.
Dr. A. Vega M. p. 20
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
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:
Min xy 2 x 2
s.a.
3x 2 2 y 4
x, y 0
Primero se construye la funcin lagrangiana:
L X , f X j g j X b j
m
j 1
L X , xy 2 x 3x 2 2 y 4
L X , xy 2 x 2 3x 2 2y 4
2
Dr. A. Vega M. p. 21
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
Captulo II: Decidiendo en el paraso de lo cierto.
Dr. A. Vega M. p. 22
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)');
Dr. A. Vega M. p. 23
0.000000
0.000000
5
21
0.33
NLP
Total variables:
Nonlinear variables:
Integer variables:
2
2
0
Total constraints:
Nonlinear 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
Dr. A. Vega M. p. 24
2.000000
0.000000
Dr. A. Vega M. p. 25