Professional Documents
Culture Documents
ISBN: 978-84-9948-243-9
Depósito legal: A-801-2010
Printed in Spain
Imprime: Imprenta Gamma Telf.: 965 67 19 87
C/ Cottolengo, n.º 25 – 03690 San Vicente (Alicante)
www.gamma.fm
gamma@gamma.fm
Introducción 7
1. Preliminares 15
1.1. Topología de R . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2. Algunos preliminares de análisis matemático . . . . . . . . . . . . 19
1.3. Preliminares de álgebra lineal . . . . . . . . . . . . . . . . . . . . 21
1.4. Preliminares de análisis convexo . . . . . . . . . . . . . . . . . . 23
3
4 Optimización matemática aplicada
Bibliografía 295
1
MATLAB es marca registrada de The MathWorks, Inc.
(véase www.mathworks.com/trademarks)
7
8 Optimización matemática aplicada
cho problema específico, fueron demostradas por Farkas en 18982 . Véase Prékopa
[22] para mayor detalle sobre los comienzos de la teoría de la optimización tal y
como la conocemos hoy en día.
El tratamiento sistemático de problemas de PNL con restricciones de de-
sigualdad fue iniciado por Karush en 1939, y Kuhn y Tucker en 1951. Estos
autores obtuvieron de forma independiente las condiciones necesarias de op-
timalidad (local), referidas en párrafos anteriores como condiciones de KKT.
Desde la publicación de Kuhn y Tucker [15], diferentes autores han dedicado
un notable esfuerzo a la obtención de las condiciones de KKT bajo diferentes
hipótesis de cualificación de restricciones. Un excelente trabajo de recopilación
de casi una veintena de estas cualificaciones de restricciones y las relaciones
existentes entre ellas lo encontramos en Peterson [20]. Citaremos, por ejemplo,
las hipótesis de cualificación de restricciones de Slater, Mangasarian, Cottle,
Mangasarian-Fromovitz, Kuhn-Tucker, Arrow-Hurwicz-Uzawa, Abadie y Guig-
nard.
incorporando, cada vez más, a las titulaciones tanto de naturaleza teórica, como
los grados en matemáticas, como las de corte más aplicado.
El manuscrito surge con una doble finalidad. Por un lado, pretende servir
de bibliografía básica en asignaturas de optimización aplicada, impartidas en
diferentes ingenierías, en grados y postgrados de economía, estadística, medicina,
etc. Por otro, se trata de un libro de problemas de PNL y de consulta sobre
diferentes aplicaciones de la PL y la PNL en grados y postgrados relacionados
con la optimización teórica y aplicada (por ejemplo, en carreras de matemáticas).
Al mismo tiempo, los contenidos del manuscrito pretenden ser objeto de consulta
de profesionales de diferentes campos relacionados con la logística y la toma de
decisiones.
Como se ha comentado anteriormente, hasta donde los autores han podi-
do comprobar, no existe en la literatura otro libro de características similares.
Se enuncian con todo rigor los conceptos y resultados teóricos esenciales de
PNL, se muestran a nivel instrumental las herramientas computaciones que
ofrece el MATLAB para la resolución de problemas de PL y PNL, y se apli-
can estos conocimientos al desarrollo teórico y la resolución, con alto grado de
generalidad, de una selección de aplicaciones (en ocasiones empleando grandes
bases de datos y programas específicos elaborados por los autores en el lenguaje
del MATLAB). Con todo, la referencia más cercana a la temática del presente
libro es Venkataraman [27].
Pueden encontrarse en la literatura excelentes monografías donde se exponen
la teoría y los métodos de la PNL con todo rigor, incluyendo las demostraciones
de las condiciones de optimalidad y las pruebas relacionadas con la convergencia
de algoritmos de PNL. Dentro de este grupo de publicaciones citaremos Bazaraa
et ál. [4], Bertsekas [5], Fletcher [9] y Luenberger [16].
También encontramos textos de teoría y/o ejercicios dedicados al estudio de
las condiciones de optimalidad y que se caracterizan por su precisión y rigor
matemático, como son Barbolla et ál. [2] y [3], Díaz et ál. [7] y Novo [17].
Por otro lado, existen textos de carácter general sobre los modelos y métodos
de la Investigación Operativa, que dedican alguno de sus temas a dar una breve
introducción a la PNL, de entre los que podemos citar Hillier y Lieberman [13],
Prawda [21], Taha [26] y Winston [28].
12 Optimización matemática aplicada
Preliminares
1.1. Topología de R
()
z }| {
En lo que sigue R representa al producto cartesiano R× · · · × R siendo
R = ]−∞ +∞[ el conjunto de los números de reales. Las diferentes coordenadas
de ∈ R cuando sea 1 se distinguirán mediante subíndices; así escribire-
mos = ( )=1 En general, los superíndices se emplearán para distinguir
¡ ¢
diferentes elementos de R así, por ejemplo, 1 = 1 =1 Por defecto en-
tenderemos que cualquier vector ∈ R está expresado como vector columna y
0 representará su traspuesto; esto es, 0 = (1 2 ). No obstante, cuando
= (1 )0 ∈ R figure como argumento de una función : R → R por
¡ ¢
simplicidad, escribiremos (1 ) para denotar a () = (1 )0
Es bien sabido que R es un espacio vectorial con las operaciones suma y
producto por escalar dadas por
15
16 Optimización matemática aplicada
kk = ( ) ∈ R
=1
Ejemplo 1.2 (Normas k·k1 y k·k∞ ) Otras normas de interés en casos prác-
ticos son las definidas de la siguiente forma
Definición 1.3 (Bolas) Dada una norma k·k : R → [0 +∞[, y dados ∈ R
y 0 la bola abierta centrada en y de radio (asociada a la norma k·k)
es el subconjunto de R dado por
( ) = { ∈ R | ( ) = k − k }
La bola unidad abierta (0 1) asociada a una norma genérica k·k se re-
presentará simplemente por La bola unidad abierta asociada la norma k·k1
(respectivamente k·k2 y k·k∞ ) se representa por 1 (respectivamente 2 y ∞ );
véase una ilustración en la figura 1.1.
B2
x0n
1
B1
B
Teorema 1.1 Todas las normas de R definen la misma topología (la misma
familia de abiertos).
⊂ (0 )
:= { ∈ R | () ≤ 0 = 1 2 }
2
Por motivos didácticos, se introducen los compactos como los conjuntos cerrados y acota-
dos. Es bien sabido que la compacidad suele definirse en términos más generales, y la propiedad
de ser cerrado y acotado es una caracterización de la compacidad en R El hecho de ser una
caracterización nos permite adoptarla como definición alternativa.
Capítulo 1. Preliminares 19
= (1 ) : R → R
Se dice que:
(i) (o ) es definida positiva si () = 0 0 para todo ∈ R \{0 };
(ii) (o ) es semidefinida positiva si () = 0 ≥ 0 para todo ∈ R
existiendo algún 6= 0 tal que () = 0;
(iii) (o ) es definida negativa si () = 0 0 para todo ∈
R \{0 };
(iv) (o ) es semidefinida negativa si () = 0 ≤ 0 para todo ∈ R
existiendo algún 6= 0 tal que () = 0;
(v) (o ) es indefinida si existen 6= 0 tales que () 0 y () 0
22 Optimización matemática aplicada
Observación 1.2 Nótese que los casos (iii) y (iv) no son excluyentes en el sen-
tido de que la matriz nula (con todos sus coeficientes cero) es tanto semidefinida
positiva como semidefinida negativa.
Proposición 1.3 (Criterio de los valores propios) Sea una matriz simé-
trica de orden con coeficientes reales y sean 1 2 ∈ R sus valores
propios. Se tiene:
(i) es definida positiva si, y solo si, 1 2 0;
(ii) es semidefinida positiva si, y solo si, 1 2 ≥ 0 y existe algún
= 0;
(iii) es definida negativa si, y solo si, 1 2 0;
(iv) es semidefinida negativa si, y solo si, 1 2 ≤ 0 y existe algún
= 0;
(v) es indefinida si existen 0 y 0
Observación 1.3 Nótese que el criterio de los signos de los menores princi-
pales permite caracterizar los casos de matrices definidas positivas y definidas
negativas, sin embargo, en el caso de semidefinida positiva solo se tiene una
condición suficiente. Por otra parte, destacamos las condiciones (iv) y (v) que
proporcionan condiciones necesarias (que no son suficientes) operativas desde el
punto de vista práctico.
+ (1 − ) ∈
x y x
x + (1-)y
Convexo No convexo
es convexo.
(ii) (Semiespacios abiertos y cerrados) Sea 0 6= ∈ R y ∈ R Los
semiespacios abierto y cerrado asociados,
© ª
= ∈ R | 0 = 1 1 + 2 2 + +
© ª
= ∈ R | 0 = 1 1 + 2 2 + + ≤
0 ( + (1 − ) ) = 0 + (1 − ) 0 = + (1 − ) =
0 ( + (1 − ) ) = 0 + (1 − ) 0 + (1 − ) =
Capítulo 1. Preliminares 25
es un conjunto convexo.
+ (1 − ) = (1 + (1 − ) 1 2 + (1 − ) 2 ) ∈ ;
En efecto,
(1 + (1 − ) 1 )2 + (2 + (1 − ) 2 )2
¡ ¢ ¡ ¢
= 2 21 + 22 + (1 − )2 12 + 22 + 2 (1 − ) (1 1 + 2 2 )
≤ 2 + (1 − )2 + 2 (1 − ) (1 1 + 2 2 )
≤ 2 + (1 − )2 + 2 (1 − ) kk2 kk2
q q
2 2
= + (1 − ) + 2 (1 − ) 1 + 2 12 + 22
2 2
≤ 2 + (1 − )2 + 2 (1 − ) = ( + (1 − ))2 = 1
f(x + (1-)y)
x x + (1-)y y
y f x f x ' x x
x x
véase la figura 1.4 donde se muestra que, para una función convexa, la aproxi-
mación de Taylor de primer orden (plano tangente) siempre queda por debajo
de la gráfica de la función.
Nótese que, en este ejemplo, () es constante con respecto a siendo definida
positiva.
Capítulo 1. Preliminares 29
µ ¶ Ã !
− sen 1 cos 2 − cos 1 cos 2 sen 1 sen 2
∇ () = y () =
− cos 1 sen 2 sen 1 sen 2 − cos 1 cos 2
¡0¢
Si evaluamos la matriz hessiana en = 0 obtenemos
à !
−1 0
() =
0 −1
En situaciones como ésta, las condiciones (iv) y (v) de la proposición 1.4 pueden
proporcionar una forma rápida de comprobar que no es convexa: se trata de
encontrar un punto fijo en el que algún elemento diagonal sea negativo; en este
caso, no es necesario evaluar el resto de la matriz. Por ejemplo, si consideramos
¡¢
= 20 el elemento 11 de () toma el valor
2 4 6
11 = −4 2 = − 0
4+1 (4 + 1) 25
que es definida o semidefinida positiva para todo (nótese que al ser diagonal,
los elementos diagonales son los valores propios; véase la proposición 1.3).
Por otro lado, es creciente y convexa en R pues