You are on page 1of 180

Apuntes de Optimizacin

Prof. Juan Carlos Ferrer, Departamento de Ingeniera Industrial y de Sistemas, P.U.C.


Prof. Juan Carlos Muoz, Departamento de Ingeniera de Transporte, P.U.C.
Marzo 2006
2
Contents
1 Introduccin 1
1.1 Introduccin al Modelamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Qu es un modelo? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Por qu se construyen modelos? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Modelos de Programacin Matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Caracterizacin de puntos extremos de una funcin . . . . . . . . . . . . . . . . . . . 5
1.6 Existencia de solucin ptima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Problemas Equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.1 Equivalencia I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.2 Equivalencia II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7.3 Equivalencia III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.4 Equivalencia IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.5 Equivalencia V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7.6 Equivalencia VI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7.7 Equivalencia VII . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.8 Nociones Bsicas de Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.8.1 Conjuntos Convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.8.2 Funciones Convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.8.3 Criterios prcticos de convexidad de funciones . . . . . . . . . . . . . . . . . . 31
1.9 Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2 Programacin No lineal 45
2.1 Optimizacin de una funcin sin restricciones . . . . . . . . . . . . . . . . . . . . . . 45
2.1.1 Condiciones Necesarias y sucientes para extremos . . . . . . . . . . . . . . . 45
2.1.2 Mtodos de bsqueda de soluciones . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2 Optimizacin de una funcin con restricciones . . . . . . . . . . . . . . . . . . . . . . 54
2.2.1 Caso 1: Problema Unidimensional . . . . . . . . . . . . . . . . . . . . . . . . 54
2.2.2 Caso 2: Restricciones de igualdad . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.2.3 Caso 3: Restricciones de desigualdad . . . . . . . . . . . . . . . . . . . . . . . 70
2.3 Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.3.1 Optimizacin de una funcin sin restricciones . . . . . . . . . . . . . . . . . . 79
3
4 CONTENTS
2.3.2 Optimizacin de una funcin con restricciones . . . . . . . . . . . . . . . . . . 86
3 Programacin Lineal 105
3.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2 El Mtodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.2.1 Pasos en el mtodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.2.2 Solucin inicial factible bsica . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.2.3 Anlisis Matricial del Mtodo Simplex . . . . . . . . . . . . . . . . . . . . . . 126
3.2.4 Casos especiales en el desarrollo de Simplex . . . . . . . . . . . . . . . . . . . 131
3.3 Anlisis de Sensibilidad de los Resultados . . . . . . . . . . . . . . . . . . . . . . . . 134
3.3.1 Rango de variacin de los costos . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.3.2 Rango de variacin del nivel de recursos . . . . . . . . . . . . . . . . . . . . . 136
3.3.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.4 Dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.4.1 Relaciones Primal-Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
3.4.2 Anlisis Matricial del problema dual . . . . . . . . . . . . . . . . . . . . . . . 142
3.5 Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
3.5.1 Geometra de PL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
3.5.2 Mtodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
3.5.3 Dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Chapter 1
Introduccin
El objetivo principal de estos apuntes es que permitan aprender y entender la esencia de los mtodos
de optimizacin en forma clara y didctica. El objetivo no es slo que los alumnos sepan modelar
y resolver problemas, sino que tambin puedan comprender su resolucin.
Los mtodos de optimizacin son un conjunto de herramientas cuantitativas muy poderosas
para enfrentar, modelar y resolver importantes problemas reales en los ms diversos mbitos (no se
limita slo a ingeniera). El objetivo de este texto es apoyar al curso de Optimizacin de la Escuela
de Ingeniera de la Ponticia Universidad Catlica de Chile para que los alumnos puedan llegar un
poco ms lejos que las clases, o para que lo puedan utilizar como apoyo en el futuro para enfrentar
problemas de optimizacin en otros cursos de la carrera o en sus trabajos.
Creemos muy necesario que la recopilacin y creacin de estos apuntes de mtodos de opti-
mizacin debe ser muy clara y didctica para explicar los conceptos. El lector podr entender
el mecanismo detrs de los diferentes mtodos y as estar preparado para poder discernir entre
soluciones correctas e incorrectas.
Durante nuestros aos de doctorado en M.I.T. y Berkeley (1997-2002) tuvimos la oportunidad
de tomar varios cursos de investigacin de operaciones donde juntamos bastante material de primer
nivel, que se ha incorporado en estos apuntes.
El contenido de estos apuntes a nivel general es:
Introduccin: Se dan algunas nociones de qu es un modelo y de cmo se construyen. Se
presentan algunos modelos equivalentes, y se revisan algunas nociones de convexidad.
Programacin No Lineal: Condiciones necesarias y sucientes para un mnimo local o global;
Mtodos de bsqueda de soluciones ptimas (Gradiente, Newton, etc.)
Programacin Lineal: Formulacin y forma estndar de problemas lineales; Geometra de
problemas lineales; Mtodo Simplex; Anlisis de sensibilidad; Teora de dualidad.
Programacin Entera: Formulacin de modelos de programacin entera; Algoritmo Branch
& Bound; Algoritmo de planos cortantes.
Flujo en Redes: Modelos clsicos como ruta ms corta y mximo ujo.
1
2 CHAPTER 1. INTRODUCCIN
Programacin Dinmica: Mtodo de resolucin cuando hay relaciones intertemporales entre
las variables del problema.
A pesar de que estos apuntes no pretenden ser una gua de ejercicios, incorporan ejercicios
resueltos en su gran mayora a modo de ilustrar mejor cada uno de los conceptos tratados. Adems
se incorporar breves instrucciones de cmo operar el mdulo de optimizacin de Microsoft Excel,
y de lenguajes de modelacin algebraica como AMPL y SML.
Este texto se encuentra en formato PDF en la pgina web del curso de Optimizacin, de manera
que los alumnos (y ex-alumnos) puedan tener acceso a la ms reciente versin.
1.1 Introduccin al Modelamiento
Cotidianamente nos enfrentamos a la necesidad de decidir, evaluando opciones o cursos de accin
a seguir entre los cuales escoger la mejor alternativa. Si la opcin es nica, la decisin ya est
tomada, pero si son muchas o innitas, entonces identicarlas y escoger la preferida puede ser muy
complejo. Incluso, cuando la opcin debe ser tomada por un grupo de personas, unos pueden tener
diferentes visiones que otros. Para poder comparar las distintas alternativas hay que establecer
explcitamente los objetivos que se persiguen con la decisin, y as lograr ordenar las opciones
disponibles de la mejor forma. Esta tarea (identicar opciones y clasicar objetivos) suele ser no
trivial.
Cuando el problema es complejo y resulta difcil identicar las opciones disponibles y/o escoger
la mejor, muchas veces se recurre a modelos como un recurso de apoyo. Los modelos permiten tomar
una decisin ms ecientemente; esto es ms rpidamente, econmicamente, informadamente, etc.
1.2 Qu es un modelo?
El trmino modelo se usa para hablar de una estructura que se ha construido y que exhibe
caractersticas de un sistema. Philippi (1981) dene un modelo como una simplicacin de alguna
realidad concreta orientada a nuestros propsitos. En otras palabras, es una caricatura de la
realidad, que captura los factores dominantes que determinan el comportamiento del sistema en
estudio.
Un modelo debe seleccionar las caractersticas ms relevantes de la realidad, pues normalmente
no pueden considerarse todos sus aspectos. Las caractersticas a considerar dependern del uso
que se le dar al modelo. Esto produce un trade-o entre la complejidad del modelo y las
caractersticas consideradas. As, la simplicidad debe estar en la mente de todo modelador.
Algunos modelos son tangibles como por ejemplo los aeromodelos, mapas y maquetas arquitec-
tnicas. Por ejemplo los aeromodelos renen las caractersticas de vuelo de los aviones reales, ya que
ese es el uso que se les dar, es decir, la atencin se centra en su diseo, resistencia, aerodinmica,
por lo que, en este caso, los asientos no se ponen ya que son irrelevantes para el objetivo.
1.3. POR QU SE CONSTRUYEN MODELOS? 3
Normalmente en Investigacin de Operaciones (IO
1
) se usan modelos abstractos. Estos por
lo general, sern matemticos, donde los smbolos algebraicos reejarn las relaciones internas del
sistema modelado. As, una caracterstica esencial de un modelo matemtico en IO, es que contiene
las relaciones matemticas relevantes (ecuaciones, inecuaciones, dependencias lgicas, etc) que se
extraen al observar el mundo real.
1.3 Por qu se construyen modelos?
i) Clarica las relaciones existentes, no siempre claras para el observador. Se comprende mejor
el sistema. Ayuda a identicar las alternativas. Es como una metodologa de aprendizaje. Por
ejemplo en un mapa se clarican las rutas posibles para llegar de un lugar a otro. En muchas
disciplinas (la fsica por ejemplo) los modelos no se usan para decidir sino que para comprender
mejor.
ii) Permite un anlisis metdico cuyo n sea sugerir lneas de accin, no evidentes de otro
modo. Por ejemplo una maqueta de una casa ayuda a decidir mejor como orientar los espacios, la
iluminacin, etc.
iii) Un modelo permite experimentar en l, cosa que no siempre es posible en el sistema real
(Ej: avin, planta manufacturera, economa de un pas, etc).
Estas tres razones son tambin vlidas para construir modelos matemticos que permiten exper-
imentar con sistemas complejos de gran tamao, considerar muchas alternativas simultneamente
(sin necesidad de enumerarlas a priori) e identicar un mejor (u ptimo) curso de accin.
Es importante distinguir entre modelo y datos. El modelo queda denido por las relaciones
que tiene incorporado. La idea es que los modelos tengan validez independiente de los datos que
se incorporarn. Sin embargo, hay veces que los modelos tienen validez slo en un rango de datos
permitido. (Ej: Fluidez de un slido sujeto a tensiones (Resistencia de materiales)).
Los modelos de Programacin Matemtica son los ms comnmente usados. Otros ejemplos
de modelos de uso frecuente son: simulacin (modelos muy complejos de resolver), planicacin
en red, economtricos (predecir una variable en funcin de otra), series de tiempo (modelos que
indican qu hacer en base a datos pasados).
Los problemas pueden ser modelados en ms de una forma. Es interesante observar qu tipo
de modelacin es ms eciente (tiempo, resultado, memoria).
Cuando se plantea modelar un sistema existen muchos conceptos errados al respecto. Hay
quienes se niegan a su utilidad argumentando que hay muchas hiptesis cuestionables como que
hay factores difciles de cuanticar, o bien, que siempre los datos carecen de precisin. Es clave ver
si el resultado es sensible o no respecto a dicha hiptesis.
En otro extremo hay quienes proeren una fe metafsica a los modelos matemticos para la toma
de decisiones (y an ms si provienen de un computador). Obviamente la calidad de la solucin
1
IO: Ciencia de la toma de decisiones, o, la aplicacin de mtodos cientcos a la administracin y gestin de
organizaciones.
4 CHAPTER 1. INTRODUCCIN
depender de la precisin de la estructura y de los datos del modelo.
Hay que considerar que la fe sin crtica a un modelo es obviamente peligrosa. No se recomienda
en absoluto aceptar la primera respuesta que un modelo matemtico produce sin un anlisis y
cuestionamiento posterior profundo. Normalmente un modelo ser una herramienta dentro de un
conjunto, a la hora de tomar una decisin.
La respuesta de un modelo deber enfrentarse a un cuidadoso examen, y si sta es inaceptable,
deber comprenderse el por qu y probablemente incorporarse a un modelo modicado. Si la
respuesta es aceptable, puede ser prudente mantenerlo como una opcin. Por medio de un sucesivo
cuestionamiento de las respuestas y alternando el modelo, es posible claricar las opciones factibles
y comprender mejor lo que es posible.
1.4 Modelos de Programacin Matemtica
En muchas ocasiones uno enfrenta problemas en que es necesario determinar la mejor opcin dentro
de un conjunto de alternativas disponibles. A esta accin se le denomina Optimizar. Dentro
del proceso de optimizar existen algunos mtodos que son de mucha utilidad, los mtodos de
Programacin Matemtica, que se basan en la creacin de un modelo que represente el sistema
de inters para luego trabajar en torno a esta reduccin o caricatura de la realidad, y as facilitar
la toma de decisin.
A los estudiantes de ingeniera la palabra programar seguramente les evoca largas horas frente
al computador diseando un software. Sin embargo en Programacin Matemtica (PM) la palabra
se usa con el signicado de planicar. De hecho, PM en su esencia no tiene nada que ver con
computadores. Lo que sucede posteriormente, es que los problemas de PM son tan grandes que
requieren apoyo computacional para su resolucin.
La caracterstica comn de todos los problemas de PM es que pretenden optimizar algo (min-
imizar o maximizar). Lo que se pretende optimizar se le denomina funcin objetivo. Cuando
uno observa que se requiere optimizar considerando ms de un objetivo, tenemos una funcin
multi-objetivo, o con objetivos difusos. En ese caso existen al menos dos alternativas para abor-
dar el problema: priorizar o ponderar. Priorizar se reere a resolver mltiples problemas en forma
secuencial de acuerdo a un orden (priorizacin) de los objetivos. Ponderar apunta a la resolucin
conjunta de los objetivos, llevndolos a una unidad comn.
La Figura 1.1 muestra una clasicacin general de los modelos matemticos. En este texto
trataremos principalmente modelos determinsticos de programacin no-lineal y de programacin
lineal, tal como se destacan en dicha gura.
El problema general de Programacin Matemtica consiste en determinar un vector x
T
=
(x
1
, ..., x
n
) que perteneciendo a un conjunto D, subconjunto de un espacio vectorial de orden n,
1.5. CARACTERIZACIN DE PUNTOS EXTREMOS DE UNA FUNCIN 5
Modelos Matemticos
Dinmicos
Estocsticos Determinsticos
Lineales No-Lineales
Continuos Discretos
Estticos
Figure 1.1: Clasicacin de Modelos Matemticos
maximiza (o minimiza) una funcin objetivo f(x
1
, ..., x
n
). Esto es,
P) max f(x
T
) (1.1)
s.a. x
T
D,
donde el dominio o set de oportunidades D estar formado por los siguientes tipos de restric-
ciones: (i ) restricciones funcionales
h
i
(x
T
) = 0 con i = 1, ..., m
g
j
(x
T
) 0 con j = 1, ..., s
y (ii ) restricciones de conjuntos
x : E
n
.
A la funcin objetivo f(x
T
) tambin se le denomina funcin econmica o de utilidad (costos).
Cabe mencionar que maximizar una funcin equivale a minimizar dicha funcin, pero con signo
contrario. Por otra parte, en Programacin Lineal, f(x) y las restricciones h(x) y g(x), son lineales.
En esta seccin se entregan conceptos matemticos bsicos para la solucin de problemas de
programacin matemtica. En particular, se caracterizan las soluciones ptimas de un problema y
se discute en qu casos es posible garantizar la existencia de una solucin ptima. Ms adelante se
introduce el concepto de modelos equivalentes, esto es, modelos cuya solucin ptima es necesaria-
mente equivalente. Por ltimo, se introduce la convexidad en conjuntos y funciones, pues sta ser
de gran ayuda para decidir si un ptimo local es solucin al problema.
1.5 Caracterizacin de puntos extremos de una funcin
Denicin 1 Un punto extremo de una funcin denida sobre un dominio D puede ser local o
global, estricto o no estricto, segn se dene a continuacin (la Figura 1.2 muestra grcamente
cada una de estos puntos):
x

es mximo global si x

es punto factible y si f(x

) f(x) x D.
6 CHAPTER 1. INTRODUCCIN
x

es mximo global estricto si x

es punto factible y si f(x

) > f(x) x D\ {x

} .
x

es mximo local si x

es punto factible y si f(x

) f(x)x Vecindad de x

y x D.
x

es mximo local estricto si x

es punto factible y si f(x

) > f(x) x Vecindad de x

y x
D\ {x

} .
Max. local
no estricto
Min. local
estricto
Max. global
estricto
Max. global
de borde
Min. global
de borde
(a)
(b)
Figure 1.2: Soluciones locales vs. globales
1.6 Existencia de solucin ptima
Denicin 2 Todo punto x D dene una solucin factible o realizable de P).
Denicin 3 Un punto factible x dene una solucin ptima del problema de optimizacin min
xD
f(x)
ssi f( x) f(x) x D y x D.
Nota: En el caso particular en que D = R
n
, se dice que el problema es no-restringido o irrestricto.
Denicin 4 En un problema de maximizacin, v dene el valor ptimo de P) si: v = sup(f(x)),
x D. (sup: supremo, cota superior de la funcin sobre el dominio). En particular, si x es solucin
ptima de P) = v = f( x). Anlogamente para un problema de minimizacin, v = inf(f(x)),
x D. (inf: nmo, cota inferior de la funcin sobre el dominio).
Nota: No todos los problemas tienen solucin ptima. Podemos pensar en cuatro familias de
problemas que podran carecer (o carecen) de ella:
a) Problemas cuyo conjunto de restricciones dene un dominio de puntos factibles vaco.
b) Problemas que contemplan alguna restriccin de desigualdad estricta, es decir que dene
una regin que no incluye a su borde. Si en este caso la funcin objetivo mejora en cuanto ms se
acerque al borde, se estar en una situacin en que la solucin ptima no se podr identicar.
c) Problemas que contemplan un dominio no acotado, es decir que incluye puntos cuyas variables
toman valores tan grandes (en valor absoluto) como sea necesario. Si en este caso la funcin objetivo
1.6. EXISTENCIA DE SOLUCIN PTIMA 7
mejora en cuanto ms se acerque a estos puntos de valor absoluto ilimitado, entonces la solucin
ptima no se podr identicar.
d) Problemas con una funcin objetivo discontinua sobre el dominio factible. Si en este caso la
funcin objetivo evaluada en el punto de discontinuidad no es ptima, pero sta mejora en cuanto
ms se acerque al punto de discontinuidad desde alguna direccin, entonces la solucin ptima no
se podr identicar.
Evidentemente, no todos los problemas con dominio no acotado carecen de solucin. Tampoco
todos los problemas con restricciones de desigualdad estricta o todos los con funcin objetivo
discontinua. Sin embargo, en presencia de estos eventos, la solucin ptima no est garantizada.
Estas observaciones nos conducen naturalmente al siguiente teorema de existencia de solucin
ptima.
Teorema 1 (Existencia de soluciones ptimas) Consideremos el siguiente problema de optimizacin
P) Min f(x)
x D
Si f(x) es continua sobre D, con D cerrado y no vaco sobre R
n
, entonces bajo la hiptesis:
H) f(x) + si ||x|| +, x D (1.2)
P) admite al menos una solucin ptima.
x
) (x f
+
Figure 1.3: Ejemplo de Teorema de Existencia
Nota: Un problema P) puede tener valor ptimo nito y, sin embargo, no admitir solucin
ptima. Para ilustrar esto veamos el siguiente ejemplo:
P) min
x0
e
x
8 CHAPTER 1. INTRODUCCIN
donde v = v(P) = 0. x 0 / e
x
= 0? No! Por lo tanto P) no tiene solucin, aunque v R (ver
e
-x
x x
(a)
(b)
1
e
x
Figure 1.4: Ejemplos de valores y soluciones ptimas
Figura 1.4a).
Se podra pensar que no existe solucin ptima porque D es no acotado. Sin embargo, muchos
problemas no acotados admiten solucin ptima. Basta considerar,
P) min
x0
e
x
,
en que v(P) = 1 y x = 0 es la solucin ptima (ver Figura 1.4b).
Nota: Un conjunto es cerrado si contiene a todos los puntos frontera. El caso de D = R es
cerrado, ya que el conjunto de los puntos frontera es vaco, y todo conjunto contiene al conjunto
vaco. Como ejemplo de un conjunto no cerrado considere x > 0 que no contiene a su frontera
(x = 0).
Corolario 2 (Bolzano-Weierstrass) Si f es continua, sobre un dominio no vaco, cerrado y aco-
tado, entonces el problema necesariamente tendr solucin ptima, ya que la imagen de una funcin
continua sobre un set compacto, es tambin compacta (cerrada y acotada).
Demostracin. D es acotado ninguna sucesin de puntos {x
k
D}
k0
tal que:
||x
k
|| +
x
k
D
k
Luego, la hiptesis H) en (1.2) se cumple por vacuidad en este caso.
Nota: Es importante notar que estos teoremas identican condiciones sucientes para existencia
de optimalidad, pero no condiciones necesarias. As, muchos problemas que no satisfacen las
condiciones identicadas en el Teorema 1 o en el Corolario 2 tienen solucin ptima.
1.7. PROBLEMAS EQUIVALENTES 9
1.7 Problemas Equivalentes
Un problema se puede modelar de varias formas diferentes. En programacin matemtica se denom-
inan problemas equivalentes a problemas que garantizan el mismo conjunto de soluciones ptimas.
Evidentemente, para un mismo problema, se busca aquel modelo que facilita su resolucin.
Considere el problema de localizar una estacin de bomberos en una ciudad con el siguiente
criterio: que el tiempo mximo de respuesta de la bomba a eventos en cinco edicios de asistencia
masiva sea lo ms breve posible. En este caso para cada punto posible de instalar la bomba se evala
el tiempo de respuesta a cada uno de los cinco edicios; el mayor de estos cuatro valores representa
la funcin objetivo evaluada en el punto. Es interesante notar que en este caso la funcin objetivo
es minimizar el valor maximo entre otras cinco funciones, es decir si denominamos la posicin de
la bomba x, entonces la funcin objetivo es:
Min (max {d
1
(x), d
2
(x), d
3
(x), d
4
(x), d
5
(x)}).
Una funcin objetivo como esta presenta serios problemas pues es difcil de tratar algebraica-
mente y presenta discontinuidades en su derivada. As, sera deseable poder modelar este problema
mediante un modelo equivalente que no presente estas dicultades.
A continuacin se presentan siete equivalencias que pueden facilitar la modelacin de muchos
problemas, entre ellos el problema de la localizacin de la estacin de bomberos.
1.7.1 Equivalencia I
P) Max f(x)

P) Min (f(x))
x D. x D.
x es solucin ptima de P), con valor ptimo v, si y slo si x es solucin ptima de

P), con
v(

P) = v.
) (x f
) (x f
D
) (x f
) (x f
D
Figure 1.5: Equivalencia I
10 CHAPTER 1. INTRODUCCIN
Ejemplo 1 Algunos ejemplos de esta equivalencia son:
Maximizar utilidad = Minimizar prdida.
Maximizar probabilidad de sano = Minimizar probabilidad de enfermo.
Por lo tanto, dado un problema de maximizacin, procedemos a cambiar el signo de la funcin
de costo, para luego resolver el problema de minimizacin equivalente. Conocida la solucin ptima
x

y el valor ptimo v(

P), la solucin ptima de P) es x

y el valor ptimo v(P) = v(

P).
1.7.2 Equivalencia II
P) Min f(x)
x D R
n
Equivalente a,

P) Min
f(x)
x D R
n
R

P) Min
f(x) =
x D R
n
R
Considerando el problema

P) o

P), el nuevo dominio ser:



D = DR R
n+1
, donde x es solucin
ptima de P) con valor ptimo v = v(P), si y slo si ( x, ) es solucin ptima de

P) con valor
ptimo v.
Comprobaremos esta equivalencia por contradiccin. Supongamos que el problema P) tiene
solucin ptima x
0
y denimos f(x
0
) =
0
. Por una parte el problema

P) o

P) no puede tener
valor ptimo
1
>
0
pues el punto (x
0
,
0
) es factible para el problema y evaluado en la funcin
objetivo es mejor que
1
. Por otra parte, el problema

P) o

P) no puede tener valor ptimo


1
<
0
pues entonces existira un punto x
1
en D tal que f(x
1
)
1
en cuyo caso la solucin ptima a P)
sera x
1
y no x
0
.
Es importante destacar que en el nuevo problema el objetivo es encontrar un lo ms pequeo
posible tal que exista un x que satisfaga f(x) . As, en la Figura 1.6 se observa que

cumple
con ser el ptimo al problema pues existe un x

D tal que f(x

y para todo valor de


menor a

no existe un x en D tal que f(x) .


1.7. PROBLEMAS EQUIVALENTES 11
D
) (x f
) , ( x ) ( ) ( P v x f =
D
) (x f
) , ( x ) ( ) ( P v x f =
Figure 1.6: Equivalencia II
Ejemplo 2 En un callejn de 100 metros de largo hay un prfugo que necesita ubicarse en el lugar
que tenga menos luz. En el callejn hay 4 focos con diferentes caractersticas (altura, potencia,
posicin). Suponga que la intensidad de luz que llega al prfugo es slamente la del foco que
alumbra ms en dicho punto y que para estos efectos los postes (si los hubiera) se pueden considerar
transparentes (ver Figura 1.7). Suponga que la intensidad de luz de cada foco se puede considerar
inversamente proporcional a la distancia entre el foco y el prfugo y directamente proporcional a la
potencia del foco. De esta forma, al prfugo le interesar pararse en el lugar que haya menos luz,
F1
F2
F3
F4
F1
F2
F3
F4
Figure 1.7: Ejemplo de Equivalencia II
es decir, su funcin objetivo ser:
Min (max {f
1
, f
2
, f
3
, f
4
})
donde
f
i
=
k
i
_
h
2
i
+ (x
i
x)
2
.
0 x 100
en que k
i
, x
i
y h
i
corresponden a la potencia, ubicacin y altura respectivamente de cada foco. La
12 CHAPTER 1. INTRODUCCIN
nica variable del problema es la ubicacin del prfugo, x.
Al igual que el problema de la estacin de bomberos, este modelo es complicado de abordar
pues presenta una funcin objetivo cuya derivada no es continua. As, resulta deseable identicar
un modelo equivalente para este problema que no presente dicha complicacin. La siguiente seccin
presenta dicha equivalencia.
1.7.3 Equivalencia III
Consideremos un problema como el anterior donde el objetivo consiste en encontrar un punto tal
que el mximo entre n funciones evaluadas en el punto sea mnimo. Algebraicamente, esto puede
expresarse del siguiente modo:
P) Min
xD
( max
i=1,...,n
f
i
(x))
Grcamente, el problema se ilustra en la Figura 1.8, en que las funciones f
i
(x) se dibujan con
lneas tenues mientras la funcin objetivo se ilustra con una lnea gruesa. Es importante destacar
que esta ltima funcin no gozar necesariamente de una derivada continua (e.g., en los puntos A
y B de la gura 1.8). As, estamos minimizando una funcin no diferenciable.
A
B
1 f
2 f
3 f
A
B
1 f 1 f
2 f
3 f
Figure 1.8: Equivalencia III
Sin embargo, de acuerdo a la equivalencia II, el problema P) puede convertirse en el siguiente
problema equivalente:

P) Min
max
i=1,...,n
f
i
(x)
x D
R
1.7. PROBLEMAS EQUIVALENTES 13
Naturalmente la nueva desigualdad puede expresarse como n desigualdades individuales:

P) Min
f
i
(x) i = 1, ..., n
x D
R
Este ltimo problema contempla slo funciones diferenciables.
Consideremos el siguiente ejemplo cuya funcin objetivo es no lineal y cuya derivada no es
continua.
P) Max (min
_
7x
1
+ 6x
2
+ 5x
3
4
,
5x
1
+ 9x
2
+ 4x
3
3
_
)
s.a 8x
1
+ 5x
2
+ 3x
3
100
6x
1
+ 9x
2
+ 8x
3
200
x
1
, x
2
, x
3
0
Acontinuacin identicaremos un problema equivalente cuyas funciones tengan derivadas continuas.
De la regla I), P) es equivalente a:

P) min
xD
(min{f
1
(x), f
2
(x)})
Es fcil notar que: min{f
1
(x), f
2
(x)} = max{f
1
(x), f
2
(x)} , por lo tanto

P) es equivalente a

P) min
xD
(max {f
1
(x), f
2
(x)})
de la regla III

P) es equivalente a

P) min
s.a. f
1
(x)
f
2
(x)
x D
R.
14 CHAPTER 1. INTRODUCCIN
o equivalentemente:

P) max
s.a. f
1
(x)
f
2
(x)
x D
R.
Y este problema es derivable en el espacio DR. Es decir,

P) max( min
i=1,...,n
{f
i
(x)})
s.a. x D
es equivalente a

P) max
s.a. f
i
(x) i = 1, ..., n
x D
R.
Como se observa, este problema lineal es equivalente al problema original. Estas equivalencias
suelen resultar muy tiles en presencia de mdulos de funciones en la funcin objetivo. Por ejemplo:
P) min|3x 2|
s.a. 1 x 2
x R
En este caso vemos que la funcin objetivo no es derivable en x = 2/3 (ver Figura 1.9).
Ocupando la regla II vemos que P) es equivalente a:

P) min
s.a |3x 2| (Restriccin no-lineal)
1 x 2
x R
R
1.7. PROBLEMAS EQUIVALENTES 15
22 -1 22 -1
Figure 1.9: Ejemplo de minimizacin del mdulo
Pero tambin

P) es equivalente a:

P) min
s.a. 3x 2
(3x 2)
1 x 2
x R
R
Ahora todas las funciones que intervienen son derivables (y en este caso lineales). Es importante
notar que en esta formulacin se utiliz la equivalencia |3x2| 3x2 y (3x2) .
Esta equivalencia es posible ya que la expresin |3x 2| es satisfecha por un conjunto convexo
de puntos (x, ). Este conjunto queda bien recogido por las dos restricciones equivalentes. Sin
embargo una expresin como |f(x)| ( 0) no tiene un conjunto de restricciones diferenciables
equivalente ya que el conjunto de puntos (x, ) que la satisface no es convexo. Dicha expresin ser
equivalente al conjunto de puntos (x, ) tal que f(x) o bien f(x)
En el ejemplo anterior se puede ver que en el ptimo, |3x 2| = 3x 2 = o bien
3x 2 = ; esta relacin puede representarse mediante (3x 2 )(3x 2 + ) = 0.
Por lo tanto,

P) tambin es equivalente a:

P) min
s.a. (3x 2 )(3x 2 + ) = 0
1 x 2
x R
R
En este caso, como el problema

P) es lineal, lo preferimos a este ltimo problema.


16 CHAPTER 1. INTRODUCCIN
Es importante notar que aunque 1 x 2 est dems en este caso, muchas veces no es
recomendable eliminar (o relajar) restricciones reales de un problema an cuando se sepa que
la solucin ptima del problema permanecera inalterable (a menos que la relajacin simplique
considerablemente la resolucin del problema). Esto se debe a que a veces falla la intuicin del
modelador y porque el modelo puede ser usado ms adelante con otros parmetros que activen la
restriccin relajada.
En trminos generales, los siguientes modelos resultan equivalentes:
P) min
xD
|f(x)|

P) min
f(x)
f(x)
x R
R

P) min
(f(x) )(f(x) + ) = 0
x R
R
Al realizar estas equivalencias, el lector debe cuidarse de no incurrir en equivalencias errneas. Por
ejemplo:
P) max( max
i=1,...,n
{f
i
(x)})
s.a. x D
no es equivalente a

P) max
s.a. f
i
(x) i = 1, ..., n
x D
R.
1.7. PROBLEMAS EQUIVALENTES 17
pues todo lo que se puede decir es que P) es equivalente a

P) max
s.a. max
i=1,...,n
{f
i
(x)}
x D
R.
Sin embargo, que sea inferior al mximo de un conjunto de funciones no es equivalente a que
sea inferior a cada una de ellas (equivaldra a ser inferior al mnimo de ellas). Lo que se requerira
es exigir que sea inferior a al menos una de las funciones, es decir f
1
(x) f
2
(x)
.... f
n
(x). En cambio al exigir f
i
(x) i = 1, ..., n se est exigiendo f
1
(x) y f
2
(x) y
.... y f
n
(x). Incorporar las relaciones lgicas asociadas al operador tpicamente requieren
de variables binarias asociadas a cada relacin. Estas variables binarias no son continuas por lo que
tampoco son diferenciables. As, no existe un modelo equivalente diferenciable a P) en este caso.
Por ejemplo, consideremos el siguiente problema
P) max |3x 2|
s.a. 1 x 2
x R
La solucin ptima a este problema ser x = 1 con un valor ptimo v = 5. Podemos ver que el
siguiente modelo:
P) max
s.a. 3x 2
(3x 2)
1 x 2
x R
no es equivalente pues la solucin x = 1, = 5 no es factible, ya que no satisface la primera
restriccin.
Considere el siguiente problema:
P) min z = (max {|x
1
|, |x
2
|})
s.a. x
1
+ 2x
2
1
x
1
, x
2
0
18 CHAPTER 1. INTRODUCCIN
1
1/2
1
D
1 x
2 x
1
1/2
1
D
1 x
2 x
Figure 1.10: Ejemplo equivalencia III
Aplicando la regla III, P) es equivalente a:

P) min
x
1

x
1

x
2

x
2

x
1
+ 2x
2
1
x
1
, x
2
0
(x
1
, x
2
) R
2
R
Una ventaja de los problemas bidimensionales como el anterior es que pueden resolverse medi-
ante curvas de nivel. En este procedimiento se dibuja en el plano R
2
un conjunto de curvas tal que
cada una de ellas represente el lugar geomtrico de todos los puntos de R
2
que reemplazados en
la funcin objetivo den el mismo valor o cota. A continuacin se debe gracar en el mismo plano
los puntos que satisfacen las restricciones del dominio. As, es posible identicar visualmente la
solucin ptima al problema. Por ejemplo, en la Figura 1.10 podemos ver el dominio del problema
P), y la Figura 1.11 ilustra el dominio al agregar las curvas de nivel.
En este caso, las curvas de nivel permiten observar que la funcin objetivo corresponde a una
pirmide invertida de base cuadrada en que las aristas de la base son paralelas a los ejes cartesianos.
El problema P) busca el punto del dominio que pertenezca a la curva de nivel de mnima cota (ver
Figura 1.11).
La gura permite identicar que en el ptimo x

1
= x

2
, y como x

1
+ 2x

2
= 1, entonces x

1
=
1
3
y x

2
=
1
3
. Por lo tanto v(P) =
1
3
.
1.7. PROBLEMAS EQUIVALENTES 19
1
-1
1 -1
1
x
2
x
Z=1
Z=1/2
D
Figure 1.11: Curvas de nivel
1.7.4 Equivalencia IV
Considere el siguiente problema:
P) min
r

i=1
f
i
(

x )

x D R
n
Este problema puede expresarse en forma equivalente como:

P) min
r

i=1

i
f
i
(

x )
i
; i = 1, ..., r

x D

R
r
Esta equivalencia puede demostrarse por contradiccin al igual que la equivalencia II. Se deja al
lector como ejercicio.
Esta equivalencia es de especial inters en casos en que algunas funciones f
i
(x) son no diferen-
ciables y al pasarlas al dominio permiten encontrar una equivalencia que s lo sea. Por ejemplo:
P) min(|x
1
| +|x
2
|)
s.a. x
1
+ 2x
2
1
20 CHAPTER 1. INTRODUCCIN

P) min
1
+
2
s.a. |x
1
|
1
|x
2
|
2
x
1
+ 2x
2
1
Lo que tambin equivale a: (Problema Lineal Equivalente)

P) min
1
+
2
s.a. x
1

1
x
1

1
x
2

2
x
2

2
x
1
+ 2x
2
1

1
,
2
R
En trminos generales se puede decir que:
P) min
r

i=1
|f
i
(x)|
s.a. x D R
n

P) min
r

i=1

i
f
i
(x)
i
; i = 1, ..., r
f
i
(x)
i
; i = 1, ..., r
x D
R
r
Ejemplo: son los siguientes problemas equivalentes?:
P) minx 2
s.a x 0

P) min (x 2)
2
s.a x 0
Claramente no lo es porque la funcin g(x) = x
2
es estrictamente creciente sobre los nmeros
1.7. PROBLEMAS EQUIVALENTES 21
no negativos. Sin embargo, aqu se aplica sobre una funcin que puede arrojar nmeros negativos
(e.g. si x = 0, entonces f(x) = 2). De hecho la solucin ptima al primer problema es x = 0,
mientras el del segundo es x = 2.
1.7.5 Equivalencia V
El problema de minimizacin Min
xD
f(x) es equivalente al problema Min
xD
g(f(x)), donde la
funcin g : f(D) R R es estrictamente creciente sobre f(D) = {y R / x D : y = f(x)} ,
por lo que la solucin ptima ser la misma en ambos casos, pero no as los valores ptimos. Para
comprobar esta equivalencia, considere a x

como el ptimo del problema original. Esto signica que


f(x

) f(x) x D. Como g(x) es estrictamente creciente, si x


1
x
2
entonces g(x
1
) g(x
2
).As,
necesariamente g(f(x

)) g(f(x)) x D y por lo tanto ambos problemas arrojarn la misma


solucin ptima. Por ejemplo, al cambiar la escala de unidades de la funcin objetivo de dlares a
pesos (US$ $), se est aplicando una funcin g(x) lineal y creciente sobre todo el dominio por
lo que la solucin ptima al problema es la misma independiente de las unidades.
Ejemplo 3 Determinar el punto ms cercano al origen (0,0) que satisfaga 2x
1
+ x
2
2.
En este caso la funcin de costos sera
_
x
2
1
+ x
2
2
, y el dominio D = {(x
1
, x
2
)/2x
1
+ x
2
2} .
La funcin raz cuadrada suele presentar complicaciones pues no es diferenciable en cero. Por lo
tanto, resulta conveniente modicar la funcin objetivo con el n de eliminar la raz.
Tomemos g(y) = y
2
. Esta funcin es estrictamente creciente sobre el recorrido de la funcin
objetivo original, esto es, los nmeros no negativos R
+
, ya que f(x) 0 x D.
Por lo tanto, los siguientes problemas son equivalentes:
P) min
_
x
2
1
+x
2
2
s.a 2x
1
+ x
2
2

P) min x
2
1
+ x
2
2
s.a 2x
1
+ x
2
2
y este ltimo problema presenta la ventaja que su funcin objetivo:

f(x
1
, x
2
) = x
2
1
+x
2
2
es diferen-
ciable sobre todo R
2
.
Nota: Si el problema P) est bien formulado (i.e. el argumento de la raz sea no negativo para
todo x D) se puede siempre prescindir de la raiz.
P) min
xD
_
r(x)
con r(x) 0 x D

P) min
xD
r(x)
22 CHAPTER 1. INTRODUCCIN
En este caso es importante recordar que si x es solucin ptima de

P) con v(

P) = r( x), entonces
x es solucin ptima de P) con v(P) =
_
r( x).
1.7.6 Equivalencia VI
Basndose en las equivalencias anteriores podemos decir que el problema
P) min
xD
1
f(x)
con f(x) = 0, x D
y f(x) > 0
es equivalente a

P) max
xD
f(x).
Para probar lo anterior basta con suponer el caso particular en que g(y) = lny, estrictamente
creciente y > 0. Aplicando la regla V P) es equivalente a:

P) min
xD
ln
_
1
f(x)
_
= min
xD
lnf(x)
Finalmente, de la regla I,

P) es equivalente a:

P) max
xD
lnf(x)
De la regla V, con g(y) = e
y
,

P) es equivalente a:

P) max
xD
f(x).
Es importante destacar que esta equivalencia ocurre slo si f(x) es estrictamente positivo para todo
x. Si la funcin puede tomar valores negativos para algunos puntos del dominio, entonces aplicar
esta equivalencia puede conducir a error.
1.7.7 Equivalencia VII
Aunando las equivalencias anteriores, podemos decir que el problema
P) min
xD
(g(x) + max
i=1,...,r
{f
i
(x)})
1.8. NOCIONES BSICAS DE CONVEXIDAD 23
Geomtricamente
D convexo
D no convexo
Geomtricamente
D convexo
D no convexo
Figure 1.12: Conjuntos convexos y no convexos
es equivalente a:

P) min
xD

1
+
2
g(x)
1
f
i
(x)
2
i = 1, ..., r

1
,
2
R.
1.8 Nociones Bsicas de Convexidad
Los problemas de optimizacin pueden ser sumamente complejos y contener mltiples soluciones
ptimas locales lo que puede dicultar enormemente su resolucin. Estas dicultades pueden re-
ducirse si se identican adecuadamente algunas caractersticas tanto de la funcin objetivo como
del dominio del problema. En esta seccin se revisan las caractersticas de los conjuntos convexos,
las funciones convexas y los problemas convexos.
1.8.1 Conjuntos Convexos
Intuitivamente un conjunto se dice convexo si para cualquier par de puntos en el conjunto, todos
los puntos en la lnea recta que los une tambin pertenecen al conjunto. Basta que haya un par de
puntos en el dominio que no satisfaga esta condicin para que el conjunto se diga no convexo. En
la Figura 1.12 se observa un ejemplo de un conjunto convexo y uno no convexo.Formalmente,
Denicin 5 Un conjunto D R
n
se dice convexo si para todo par de puntos x
1
D y x
2
D y
cada nmero real con 0 1, x = x
1
+ (1 )x
2
D.
Denicin 6 Segmento [x
1
, x
2
] = {z R
n
/ z = (1 )x
1
+ x
2
, [0, 1]} . Dado lo anterior,
un dominio D ser convexo si: x
1
y x
2
D [x
1
, x
2
] D.
Claim 1 Todos los poliedros denidos por desigualdades lineales son convexos. Esta demostracin
se deja al lector.
Proposicin 3 El conjunto formado por la interseccin de conjuntos convexos es convexo (ver
Figura 1.13).
24 CHAPTER 1. INTRODUCCIN
Demostracin. Sean A y B conjuntos convexos, y su interseccin denominmosla C = AB.
Se debe demostrar que si x
1
y x
2
C, entonces [x
1
, x
2
] C. Si x
1
y x
2
C, entonces x
1
y x
2
A y
x
1
y x
2
B. Como A y B son convexos, [x
1
, x
2
] A y [x
1
, x
2
] B, por lo tanto, [x
1
, x
2
] C. C
es convexo. Ver Figura 1.13.
B
B AI
A
Figure 1.13: Interseccin de Conjuntos
1.8.2 Funciones Convexas
En optimizacin, estamos especialmente interesados en identicar puntos extremos de la funcin
objetivo. Para algunas funciones esto resulta particularmente sencillo. Desde esta perspectiva, en
la Figura 1.14 se entrega una clasicacin del universo de funciones. En esta gura se destacan las
funciones convexas, estrictamente convexas y cuasi-convexas que a continuacin se describen.
Cuasi-Convexas
Convexas
Estrictamente
Convexas
Cuasi-Convexas
Convexas
Estrictamente
Convexas
Figure 1.14: Universo de funciones
Denicin 7 (Funcin convexa) Sea f(x) : D R, con D convexo. Entonces, f(x) es convexa
sobre D si:
f((1 )x
1
+ x
2
) (1 )f(x
1
) + f(x
2
) x
1
, x
2
D, [0, 1] .
En otras palabras, lo que dice la Denicin 7, es que si en cualquier intervalo [x
1
, x
2
] todo punto
del grafo de f(x) est siempre bajo la cuerda que une los puntos (x
1
, f (x
1
)) y (x
2
, f (x
2
)), entonces
f(x) es una funcin convexa. La Figura 1.15 lo muestra grcamente. Es importante notar que
una funcin denida sobre un dominio no convexo no puede ser convexa.
Qu ocurre con la funcin de la Figura 1.16? El grafo de f(x) sobre la regin [x
1
, x
2
] est por
encima de la cuerda, por lo tanto f(x) no es convexa sobre D.
1.8. NOCIONES BSICAS DE CONVEXIDAD 25
D
f1 x1 x2 x1 x2
fx1
fx2
1 fx
1
fx
2

Figure 1.15: Funcin convexa


D
x1 x2 x1 x2 x
f(x)
Figure 1.16: Funcin no convexa
Al observar los grcos de funciones convexas y no convexas, se deduce la siguiente propiedad:
Proposicin 4 Si la funcin f(x) es diferenciable y convexa sobre D, entonces la tangente en
cualquier punto de f(x) no podr exceder a f(x) para cualquier x en el dominio (ver Figura 1.17).
Es decir, para que f(x) sea convexa, f(x) f(x) +
df(x)
dx
(x x), x, x D.
Proposicin 5 La suma de funciones convexas es tambin convexa.
Demostracin. Sean f
1
y f
2
las funciones. Sea x
1
, x
2
D, y 0 1, tal que
f
1
((1 )x
1
+ x
2
) (1 )f
1
(x
1
) + f
1
(x
2
)
f
2
((1 )x
1
+ x
2
) (1 )f
2
(x
1
) + f
2
(x
2
).
Sumando obtenemos
f
1
((1 )x
1
+ x
2
) + f
2
((1 )x
1
+x
2
) (1 )f
1
(x
1
) + f
1
(x
2
) + (1 )f
2
(x
1
) + f
2
(x
2
).
Si f
1
(x) +f
2
(x) = g(x) entonces g((1 )x
1
+x
2
) (1 )g(x
1
) +g(x
2
). Por lo tanto g(x), es
decir f
1
(x) + f
2
(x), es convexa.
26 CHAPTER 1. INTRODUCCIN
D
) (
) (
) ( x x
dx
x df
x f +
) (x f
x
DD
) (
) (
) ( x x
dx
x df
x f +
) (x f
x
Figure 1.17: Tangente de funcin convexa
R
R
r
x
) , ( r x
) (x f
R
R
r
x
) , ( r x
) (x f
Figure 1.18: Epgrafo de la funcin f(x)
Anlogamente, es fcil demostrar que una funcin convexa multiplicada por cualquier parmetro
positivo sigue siendo convexa.
Denicin 8 (Funcin cncava) Sea f(x) : D R, con D convexo. Entonces, f(x) es cncava
sobre D si:
f((1 )x
1
+ x
2
) (1 )f(x
1
) + f(x
2
) x
1
, x
2
D, [0, 1] .
As, resulta claro que si f(x) es una funcin convexa, entonces f(x) ser una funcin cncava.
Proposicin 6 Si D es convexo, f : D R es convexa sobre D si y solo si el epgrafo de f sobre
D, E
D
(f) = {(x, r): x D, r f(x)} , es una parte convexa de R
n
R. Ver Figura 1.18.
Proposicin 7 Sean D R
n
convexo, y f
i
(x) i = 1, ..., p convexas sobre D, entonces f(x) =
max{f
i
(x)} dene una funcin convexa sobre D.
1.8. NOCIONES BSICAS DE CONVEXIDAD 27
) ( f ED
1 f
2 f
3 f
) ( f ED
1 f
2 f
3 f
Figure 1.19: Interseccin de epgrafos
Demostracin. Dado que la interseccin (cualquiera) de conjuntos convexos es un conjunto
convexo, podemos decir:
f(x) = max
i=1,...,p
{f
i
(x)}
E
D
(f) =
p
i=1
E
D
(f
i
).
Como cada uno de los epgrafos de las funciones f
i
(x) es convexo, su interseccin tambin lo es.
As, E
D
(f) es convexo, por lo que f(x) es convexa sobre D (ver Figura 1.19).
Las funciones convexas presentan favorables propiedades al optimizar. Por ejemplo, un punto
mnimo local es siempre mnimo global. Sin embargo, no necesariamente este ptimo ser nico.
Por ejemplo, la funcin f(x) en la Figura 1.20 tiene varias soluciones ptimas.
Conjunto de soluciones ptimas
r
f(x)
Figure 1.20: Ejemplo de mltiples soluciones ptimas
As, surge la necesidad de denir las funciones estrictamente convexas.
Denicin 9 (Funcin estrictamente convexa) Sea f(x) : D R, con D convexo. Entonces,
f(x) es estrictamente convexa sobre D si:
f((1 )x
1
+ x
2
)) < (1 )f(x
1
) + f(x
2
) x
1
, x
2
D, [0, 1] .
28 CHAPTER 1. INTRODUCCIN
Es decir toda funcin estrictamente convexa es tambin convexa. En forma anloga se denen
las funciones estrictamente cncavas.
La Figura 1.21a presenta una nueva funcin convexa, pero no estricta. Cabe mencionar que
toda funcin lineal f(x) = ax + b es cncava y convexa a la vez, pero ni estrictamente cncava ni
estrictamente convexa. Por otra parte, la Figura 1.21b muestra una funcin que no es ni cncava
ni convexa, pero que localmente cerca de x
1
es cncava y localmente cerca de x
2
es convexa.
f(x)
x
f(x)
(a) (b)
x
1
x
2
Figure 1.21: Casos especiales de funciones
A continuacin se demostrar que si f(x) es convexa, entonces el lugar geomtrico de los puntos
que satisfacen f(x) debe constituir un conjunto convexo para cualquier .
Proposicin 8 Si : D R, D R
n
, D convexo, convexa, entonces los conjuntos de nivel
C

() = {x D/(x) } son convexos R.


Demostracin. Sean x
1
, x
2
C

(), con R jo, y [0, 1] . Mostremos que (1 )x


1
+
x
2
C

(). Si x
1
y x
2
C

() x
1
, x
2
D, y
(x
1
) y (x
2
) . (1.3)
Como D es convexo (1 )x
1
+ x
2
D, [0, 1] y como () es convexa sobre D, entonces
((1 )x
1
+x
2
) (1 )(x
1
) +(x
2
). Por lo tanto de (1.3) tenemos que ((1 )x
1
+x
2
)
(1 ) + = . As, (1 )x
1
+ x
2
C

().
Corolario 9 Si el dominio de restriccin est denido como: D = {x R
n
: g
i
(x) 0, i =
1, . . . , m} con g
i
: R
n
R funciones convexas, entonces D es una parte convexa de R
n
.
Demostracin. Dado que las funciones g
i
(x) son convexas, las regiones denidas por las re-
stricciones g
i
(x) 0 son tambin convexas (conjuntos de nivel). El dominio D queda denido como
la interseccin de las regiones de puntos denidos por cada una de las m restricciones, formalmente
D =
m
i=1
C
0
(g
i
). Como cada uno de las regiones C
0
(g
i
) es convexa y la interseccin de conjuntos
convexos es convexa, entonces D es convexo.
Es importante destacar que restricciones del tipo h
i
(x) = 0, slo denen regiones convexas si la
funcin es lineal (no basta que h
i
(x) sea convexa).
1.8. NOCIONES BSICAS DE CONVEXIDAD 29
DD
Figure 1.22: Dominio D formado por semi-espacios
Caso particular: Si tenemos restricciones lineales del tipo g
i
(x) = a
i
x b
i
(funciones lineales
son cncavas y convexas a la vez), entonces D es un poliedro convexo (interseccin nita de semi-
espacios, ver Figura 1.22). Las funciones convexas no son las nicas en satisfacer que el lugar
geomtrico de los puntos que cumplen con f(x) son conjuntos convexos, para cualquier .
Existen muchas funciones que satisfacen la propiedad sin ser convexas. Al conjunto de funciones
que satisface esta propiedad se le denomina funciones cuasi-convexas. Alternativamente, estas
funciones pueden describirse del siguente modo:
Denicin 10 (Funcin cuasi-convexa) Si D es una parte convexa de R
n
, una funcin f :
D R se dice cuasi-convexa sobre D si:
f(z) max{f(x), f(y)} x, y D, x = y, z ]x, y[.
Es decir, tomando cualquier par de puntos en el dominio, todos los puntos en la recta que los
une tendrn una imagen no superior a las imgenes de los dos puntos. Cuando f(x) es una funcin
cuasi-convexa, sta posee a lo ms un valle, como es el caso de la funcin cuasi-convexa de la Figura
1.23. Es importante notar que esta funcin no es convexa.
D convexo
x
f(x)
Figure 1.23: Funcin cuasi-convexa
Una caracterstica importante de las funciones cuasi-convexas radica en que un mnimo local de
estas funciones es siempre tambin su mnimo global. Como se mencion anteriormente, otra carac-
terstica importante es que para toda funcin f(x) cuasi-convexa se cumple que el lugar geomtrico
30 CHAPTER 1. INTRODUCCIN
de los puntos tal que satisfacen f(x) a conforman necesariamente un conjunto convexo. As, un
conjunto denido por una serie de restricciones del tipo f
i
(x) a
i
en que todas las funciones f
i
(x)
son cuasi-convexas es un conjunto convexo.
Denicin 11 (problema convexo) El problema de minimizacin
P) Min f(x)
x D.
se dice convexo, si D es una parte convexa de R
n
y f(x) es convexo sobre D.
Es importante notar que basta una variable discreta que incida en el conjunto D para que ste
no sea convexo. Por ende los problemas con variables discretas tpicamente no son convexos.
Proposicin 10 Si P) es convexo, todo punto mnimo local del problema es tambin su ptimo
global.
Demostracin. Sea x punto mnimo local de P). Entonces denamos un conjunto vecindad de
x que denominaremos B( x, R) en que todos los puntos del conjunto estn a una distancia menor a R
de x y tal que f( x) f(x) x DB( x, R); de otro modo x no sera mnimo local. Supongamos que
x no es mnimo global. En ese caso existira un punto z D ( z = x) tal que f( z) < f( x). Denimos
ahora el conjunto de puntos en la recta entre x y z como: y() = (1 ) x+ z D [0, 1] .
Todos estos puntos pertenecen a D pues x D, z D y D es convexo.
Entonces
i) debe existir un sucientemente pequeo tal que , y() B( x, R), y por lo tanto, f(y()) >
f( x)
Sin embargo,
ii) f(x) es convexa f(y()) (1 )f( x) + f( z), y como f( z) < f( x), esto implicara que
f(y()) f( x) lo que contradice el punto i) anterior.
As, se demuestra que x debe ser un punto mnimo global de P).
Esta propiedad de los problemas convexos es altamente deseable, pues permite focalizar el
objetivo en encontrar un punto localmente ptimo. Esto se traduce en que dado un punto candidato
a ptimo global del problema, no importa cuan grande sea el dominio, nos basta compararlo con
los puntos de su vecindad inmediata para determinar su optimalidad. Por ltimo,
Proposicin 11 Corolario 12 Si f(x) es estrictamente convexa sobre D (convexo), entonces
todo punto mnimo local de f(x) es tambin su nico mnimo global.
1.8. NOCIONES BSICAS DE CONVEXIDAD 31
O
1 2 3
O
1 2 3
Figure 1.24: Determinantes menores de una matriz
1.8.3 Criterios prcticos de convexidad de funciones
Sea f(x) = f(x
1
, x
2
, ..., x
n
) continua y dos veces diferenciable. Su matriz Hessiana ser:
H =
_

2
f
x
2
1

2
f
x
1
x
2
...

2
f
x
1
xn

2
f
x
2
x
1

2
f
x
2
2
.
.
.
.
.
.

2
f
xnx
1

2
f
x
2
n
_

_
la cual es una matriz simtrica. La Figura 1.24 muestra las matrices menores de esta matriz, cuyos
determinantes se denominarn
i
.
Denicin 12 Caracterizacin de la matriz Hessiana
1. Si todos los determinantes de las matrices menores son estrictamente positivos (
i
> 0)
H se dir denida positiva. Esto signica que para cualquier vector d en R
n
se cumple
que d
T
Hd > 0.
2. Si todos los determinantes de las matrices menores son no negativos (
i
0) H se dir
semidenida positiva. Esto signica que para cualquier vector d en R
n
se cumple que d
T
Hd
0.
3. Si los determinantes de las matrices menores impares son estrictamente negativos y los de
las matrices menores pares estrictamente positivos (
1
< 0,
2
> 0,
3
< 0, ...,) H es
denida negativa. Esto signica que para cualquier vector d en R
n
se cumple que d
T
Hd < 0.
4. Si los determinantes de las matrices menores impares son no positivos y los de las matrices
menores pares no negativos (
1
0,
2
0,
3
0, ...,) H es semidenida negativa.
Esto signica que para cualquier vector d en R
n
se cumple que d
T
Hd 0.
Sea f() dos veces diferenciable sobre D, con D R
n
y convexo. Entonces f() es convexa sobre
D si y solo si D
2
f(x) = H es semidenida positiva x D. Es decir, d
T
D
2
f(x)d 0, d R
n
,
x D.
32 CHAPTER 1. INTRODUCCIN
Ejemplo: Sea f(x
1
, x
2
) = 2x
1
3x
2
+x
4
1
+ x
1
x
2
+ x
2
2
. Las derivadas parciales son:
f
x
1
= 2 + 4x
3
1
+ x
2
f
x
2
= 3 + x
1
+ 2x
2
y las segundas derivadas seran:

2
f
x
2
1
= 12x
2
1

2
f
x
1
x
2
= 1

2
f
x
2
x
1
= 1

2
f
x
2
2
= 2.
De esta forma, la matriz Hessiana es:
H =
_
12x
2
1
1
1 2
_
.
Los determinantes menores son
1
= 12x
2
1
, no negativo para todo punto del dominio, y
2
=
24x
2
1
1. Pero,
2
0? Slo si x
2
1

1
24
, es decir, si |x
1
|
_
1
24
.
D D
24
1

24
1
1
x
2
x
Figure 1.25: Dominio de f(x
1
, x
2
)
Es importante destacar que f(x) no es convexa sobre toda la regin achurada en la Figura
1.25, ya que esta regin no es convexa. Asimismo, basta que la funcin se dena sobre un dominio
convexo que incluya alguna regin no achurada (algn punto en
_

_
1
24
,
_
1
24
_
para que la funcin
no sea convexa pues el Hessiano no sera semidenido positivo).
Proposicin 13 Si D es una parte convexa de R
n
y D
2
f(x) es denida positiva, es decir, d
T
D
2
f(x)d >
0, d R
n
, d = 0, entonces f(x) es estrictamente convexa sobre D.
En el ejemplo anterior, f() es estrictamente convexa sobre toda regin convexa contenida en
la regin x
1
<
1

24
o en la regin x
1
>
1

24
; x
2
R. Estas regiones excluyen explcitamente a los
puntos en que x
1
=
1

24
x
1
=
1

24
(ver Figura 1.26).
Es importante destacar la causalidad de esta proposicin: si el Hessiano es denido positivo,
entonces la funcin es estrictamente convexa, pero no al revs. Es decir, si f(x) es estrictamente
convexa y dos veces diferenciable en una regin, no implica que D
2
f(x) sea denida positiva en
la regin. Por ejemplo, si f(x) = x
4
que es estrictamente convexa, D
2
f(x) = 12x
2
no es denida
positiva en x = 0.
1.8. NOCIONES BSICAS DE CONVEXIDAD 33
D D
24
1

24
1
1
x
2
x
Figure 1.26: Dominio no convexo de f(x
1
, x
2
)
Ejemplo: Considere el siguiente problema de optimizacin:
P) minx
2
+ y
2
+ z
2
6000(x + y + z)
s.a x + 2y + 4z 4000
x, y, z 0
Tenemos un problema con funcin objetivo cuadrtica, estrictamente convexa. Veamos su matriz
Hessiana para comprobar esto.
D
2
f(x, y, z) =
_

_
2 0 0
0 2 0
0 0 2
_

_
= H
Por lo tanto, H es denida positiva (constante), y como D es un dominio acotado, cerrado y no vaco,
entonces por el Teorema de Existencia tenemos que P) admite solucin ptima. Como observamos
que H es denida positiva en cualquier punto, decimos que f() es estrictamente convexa. Como
adems el dominio es convexo, decimos que el problema admite solucin ptima nica.
Ejemplo: En una fbrica de chocolates necesitan determinar el precio de venta ptimo para su
producto de modo de maximizar la utilidad obtenida. El precio no puede superar el precio de 60c/
de un producto de la competencia. El costo de produccin de la barra es de 8, 5c/, y la demanda se
representa mediante la funcin f(P) =
1000
P
2
, donde P es el precio de venta expresado en centavos.
De esta forma, la formulacin del modelo sera:
P) Max(P 8, 5)(
1.000
P
2
)
s.a 8, 5 P 60
Existe un precio ptimo? S, pues f(P) es continua sobre el intervalo [8, 5; 60] , cerrado, acotado
y no vaco (notar que el dominio es convexo). La condicin de primer orden es:
df(P)
dP
=
1
P
3
(17.000 1.000P) = 0
34 CHAPTER 1. INTRODUCCIN
de la cual se obtiene P

= 17c/ como un punto de derivada nula y por lo tanto posible precio


ptimo. A continuacin es necesario analizar la convexidad de f(P) para ver si P

corresponde
efectivamente a un mximo. Para esto se analiza la segunda derivada de f(P),
f

(P) = 2.000P
3
51.000P
4
. (1.4)
Es
d
2
f(P)
dP
2
0 P [8, 5; 60]? No, si se iguala (1.4) a cero se obtiene que en P = 25, 5 hay un
cambio de signo en la segunda derivada de f(P), donde f

(P) < 0 si P < 25, 5 y f

(P) > 0 si
P > 25, 5. Por lo tanto, P) es no convexo globalmente (ver Figura 1.27). Por lo anterior se deduce
que en P

= 17c/ la funcin es cncava localmente, por lo cual este precio corresponde a una solucin
ptima local. Para garantizar que la solucin es ptima global se puede argumentar que la funcin
es estrictamente decreciente para valores superiores a P = 17c/ por lo que este precio maximiza la
utilidad ( v = 29, 4c/).
P
25,5 17,5
8
Cambio de convexidad
) (P f
P
25,5 17,5
8
Cambio de convexidad
) (P f
Cambio de convexidad
) (P f
Figure 1.27: Convexidad de la funcin de utilidad f(P)
1.9 Problemas resueltos
Problema 14 (Equivalencia) Considere el siguiente problema y escriba uno equivalente que sea
diferenciable en el dominio.
P) Max ln(|x
1
+ x
2
+ 1|)
1
s.a. x
1
+ 2x
2
5
x
1
, x
2
0
Solucin:
Aplicando la regla I de Problemas equivalentes (y reglas bsicas de logaritmos) transformamos
P en un problema de minimizacin.

P) Min ln(|x
1
+ x
2
+ 1|)
x D
1.9. PROBLEMAS RESUELTOS 35
Utilizando la equivalencia V aplicamos una funcin g(y) = e
y
que es creciente x, para eliminar el
ln. Luego:

P) Min |x
1
+ x
2
+ 1|
x D
Y aplicando la regla II llegamos a

P) Min
s.a.
x
1
+ x
2
+ 1
x
1
x
2
1
x
1
+ 2x
2
5
x
1
, x
2
0
Problema 15 Se quiere instalar una antena de telecomunicaciones, cuya cobertura incluya a cinco
ciudades aledaas de ubicaciones (x
i
, y
i
, z
i
). Para lograrlo se debe buscar una posicin en el que la
intensidad de la seal sea lo mayor posible para las ciudades, sin salir de los ciertos lmites dados
( (x, y, z) D). Adems se sabe que la intensidad en cierta ciudad es proporcional a la potencia
de la antena (k), e inversamente proporcional a la distancia desde la antena hasta la ciudad. En
qu ubicacin debe instalarse la antena? Modele un problema de optimizacin que sea diferenciable
en el dominio.
Solucin:
La intensidad de la antena en la ciudad de posicin

x
i
ser
I
i
(

x )
k
|

x
i
|
, es decir, I
i
(

x )
k
_
(z z
i
)
2
+ (x x
i
)
2
+ (y y
i
)
2
As la intensidad de la seal que recibe la ciudad con menor cobertura ser
I(

x ) = min
i=1...5
I
i
(

x )
As el modelo de optimizacin ser
Max
x D
I (

x ) = Max
x D
_
min
i=1...5
k
_
(z z
i
)
2
+ (x x
i
)
2
+ (y y
i
)
2
_
que se puede reescribir como
Max
x D
I (

x ) = Min
x D
_
max
i=1...5
k
_
(z z
i
)
2
+ (x x
i
)
2
+ (y y
i
)
2
_
36 CHAPTER 1. INTRODUCCIN
Esto es equivalente al problema
Min
s.a.
k
_
(z z
i
)
2
+ (x x
i
)
2
+ (y y
i
)
2
, i = 1...5

x D, R
Problema 16 Considere los siguientes problemas de optimizacin, y escriba uno equivalente que
sea diferenciable en el dominio.
(a) Max
_
7x
3
+

x
2
+ y

min
_
x
2
, |x + y|
_
s.a. x
3
+ 8y
2
250, x 0
(b) Max
x0
min
_

x
2
7x 10

, min
_
x
3
4x, x
4
7
__
Solucin:
(a)
Max
_
7x
3
+

x
2
+ y

min
_
x
2
, |x + y|
_
(1.5)
Min 7x
3
+

x
2
+ y

min
_
x
2
, |x + y|
_
s.a. (x, y) D, conD =
_
(x, y) / x
3
+ 8y
2
250, x 0
_
Min 7x
3
+

x
2
+ y

+ max
_
x
2
, |x +y|
_
s.a. (x, y) D
Min
1
+
2
+
3
s.a. 7x
3

1
,

x
2
+ y


2
,
max
_
x
2
, |x + y|
_

3
, (x, y) D,
i
R i
Min
1
+
2
+
3
s.a. 7x
3

1
, x
2
+ y
2
, x
2
y
2
,
x
2

3
, |x + y|
3
, (x, y) D,
i
Ri
Min
1
+
2
+
3
s.a. 7x
3

1
, x
2
+ y
2
, x
2
y
2
,
x
2

3
, x + y
3
, (x + y)
3
,
(x, y) D,
i
R i
1.9. PROBLEMAS RESUELTOS 37
(b)
Max
x0
min
_

x
2
7x 10

, min
_
x
3
4x, x
4
7
__
Min
x0
min
_

x
2
7x 10

, min
_
x
3
4x, x
4
7
__
Min
x0
max
_

x
2
7x 10

, min
_
x
3
4x, x
4
7
__
Min
x0
max
_

x
2
7x 10

, max
_
x
3
+ 4x, x
4
+ 7
__
Min
s.a.

x
2
7x 10

, x
3
+ 4x ,
x
4
+ 7 , x 0, R
Min
s.a. x
2
7x 10 , (x
2
7x 10) ,
x
3
+ 4x , x
4
+ 7 , x 0, R
Problema 17 Considere el siguiente problema de optimizacin, y escriba uno equivalente que sea
diferenciable en el dominio.
Max
1
2
ln
_
7x
3
+

x
2
+ y

min
_
x
2
, |x + y|
_
s.a. x
3
+ 8y
2
250, x 0
Solucin:
Min ln
_
7x
3
+

x
2
+ y

min
_
x
2
, |x + y|
_
1/2
s.a. (x, y) D, conD =
_
(x, y) / x
3
+ 8y
2
250, x 0
_
Utilizando la funcin estrictamente creciente e
x
se obtiene
Min
_
7x
3
+

x
2
+ y

+ max
_
x
2
, |x + y|
_
1/2
s.a. (x, y) D.
Luego utilizando la funcin estrictamente creciente en x 0, x
2
se obtiene
Min
_
7x
3
+

x
2
+ y

+ max
_
x
2
, |x + y|
_
s.a. (x, y) D.
Este problema es el mismo que se describe en la Ecuacin 1.5, y puede ser resuelto del modo
ah expuesto. Otras funciones estrictamente crecientes de inters: lnx, 1/x, e
x
, etc.
38 CHAPTER 1. INTRODUCCIN
B
A
B
A
Figure 1.28:
Problema 18 (Convexidad (I21

03)) Responda:
(a) Qu condiciones debe cumplir un problema para ser denominado convexo?
(b) Por qu interesa vericar si un problema es convexo?
(c) Si una funcin denida sobre un conjunto A convexo, es convexa, entonces denida sobre
un conjunto B A tambin lo es?
Solucin:
(a) Debe tener una funcin objetivo convexa sobre un dominio convexo.
(b) Porque esto garantiza que un ptimo local sea global.
(c) No, ya que B debe ser convexa tambin. Por ejemplo, como vemos en la gura 1.28,
B A, pero el conjunto A es convexo y B no lo es.
Problema 19 (Convexidad) Comente acerca de la convexidad de la funcin f(x, y) = 2x
2
+
3y
2
y
3
.
Solucin: Para poder entender la convexidad de esta funcin lo primero que hacemos es
identicar su Hessiano:
f
x
= 4x
f
y
= 6y 3y
2
entonces
H =
_
4 0
0 6 6y
_
con lo que
1
= 4,
2
= 24 24y, por lo que el Hessiano es semi denido positivo x R, y 1
y por lo tanto la funcin es convexa en esta regin. Al excluir el borde y = 1 (x R, y < 1) el
Hessiano se vuelve denido positivo y la funcin, estrictamente convexa.
Problema 20 (Caracterizacion de soluciones) Encuentre y caracterice la(s) solucin(es) p-
1.9. PROBLEMAS RESUELTOS 39
tima(s) del siguiente problema:
P) Min f(x, y, z) = x
2
+ y
2
+ z
2
+ xz +yz
(x, y, z) R
3
Solucin:
f
x
= 2x +z = 0
f
y
= 2y + z = 0
f
z
= 2z + x + y = 0
Por lo tanto hay slo un punto extremo: x

= (0, 0, 0)
Veamos el Hessiano:
H =
_

_
2 0 1
0 2 1
1 1 2
_

1
= 2 > 0,
2
= 4 > 0,
3
= 4 > 0 = H es positivo denido. Por lo tanto, f(x, y, z) es
estrictamente convexa en todo el dominio, por lo tanto x

= (0, 0, 0) es un mnimo global estricto.


Problema 21 Considere la funcin
f(x, y) = 2x
3
+ y + 20.
a)Existe alguna regin en que f(x, y) sea denida positiva?
b)Existe alguna regin en que f(x, y) sea semidenida positiva?
c)Existe alguna regin en que f(x, y) sea semidenida negativa?
Solucin:
En primer lugar se ve que
f
x
= 6x
2
f
y
= 1 ; H =
_
12x 0
0 0
_
a) Se necesita
i
> 0. En este caso
1
= 12x > 0 x > 0, pero
2
= 0 por lo que nunca
podr ser denida positiva.
b) Se necesita
i
0.Esto se cumple x 0.
c) Se necesita
2i1
0 y
2i
0. Esto se cumple x 0.
Problema 22 Qu condiciones deben cumplir los parmetros a y b para que un punto de la
funcin
f(x, y) = x
2
+ axy + by
2
+ x + y
40 CHAPTER 1. INTRODUCCIN
cumpla con las condiciones necesarias, pero no sucientes para ser mnimo?
Solucin:
i) Condicin necesaria de 1er orden:
f
x
= 2x + ay + 1 0
f
y
= ax + 2by + 1 0
ii) Condicin necesaria de 2do orden:
H =
_

2
f
x
2

2
f
xy

2
f
yx

2
f
y
2
_
=
_
2 a
a 2b
_
Para que se cumpla la segunda condicin necesaria, se necesita que H sea semidenida positiva
(
i
0). En este caso
1
= 2 > 0 y se necesita
2
= 4b a
2
0.
iii) Condicin suciente: H denida positiva (
i
> 0). En este caso
1
= 2 > 0 y se necesitara

2
= 4b a
2
> 0.
= Para que se cumpla ii) pero no iii) se necesita: 4b a
2
= 0 4b = a
2
Problema 23 Responda las siguientes preguntas:
a) Sean f(x) y g(x) funciones convexas. Es el siguiente problema de optimizacin convexo?
Min f(x)
s.a. g(x) 0
b) Demuestre que si el dominio de restricciones est denido como
D = {x R
n
: g
i
0, i = 1...m}
donde g
i
: R
n
R son funciones convexas, entonces D es una parte convexa de R
n
.
c) Comente acerca de la convexidad de la funcin
f(x, y) = 2x
2
+ 3y
2
y
3
.
d) Qu condiciones debe cumplir un problema para ser denominado convexo?
e) Si una funcin denida sobre un conjunto A convexo, es convexa, entonces denida sobre un
conjunto B A tambin lo es?
f) Encuentre y caracterice las soluciones ptimas del siguiente problema
Min f(x, y, z) = x
2
+ y
2
+ z
2
+ xz +yz
s.a.(x, y, z) R
3
1.9. PROBLEMAS RESUELTOS 41
Solucin:
a) Para que el problema sea convexo, f(x) debe ser convexa y las restricciones deben formar
un dominio convexo. En este caso, pese a g(x) ser convexa, el dominio no necesariamente lo es.
Ver Figura 1.29. As el problema de optimizacin no necesariamente es convexo.
Figure 1.29: Ejemplo de dominio no convexo
b) Si g
i
(x) es una funcin convexa, entonces el conjunto g
i
(x) 0 es convexo. Adems se sabe
que la interseccin de conjuntos convexos, es un conjunto convexo =D es convexo.
c) En primer lugar se ve que
f
x
= 4x
f
y
= 6y 3y
2
; H =
_
4 0
0 6 6y
_
En y = 1, el hessiano es semidenido positivo, por lo que la funcin es convexa en la regin y 1.
Podemos agregar que en la regin y < 1, la funcin es estrictamente convexa.
d) Para que el problema sea convexo, f(x) debe ser convexa y estar denida sobre un dominio
D convexo. Para que la funcin objetivo sea convexa se requiere que
f(x
1
+ (1 )x
2
) f(x
1
) + (1 )f(x
2
) x
1
, x
2
D; [0, 1]
e) El conjunto B A no necesariamente es convexo, por lo que la funcin denida en el dominio
B no necesariamente sera convexa.
f) En primer lugar buscamos los puntos candidatos a solucin ptima utilizando las primeras
derivadas, donde se obbtiene
f
x
= 2x + z 0,
f
y
= 2y + z 0,
f
z
= 2z + x + y 0
Despejando este sistema, se encuentra el punto candidato (x, y, z) = (0, 0, 0). Luego se estudia el
hessiano
H =
_

_
2 0 1
0 2 1
1 1 2
_

_
1
= 2 > 0,
2
= 4 > 0,
3
= 4 > 0 x, y, z
42 CHAPTER 1. INTRODUCCIN
As H es denida positiva en todo el dominio, por lo que la funcin objetivo es estrictamente
convexa. Esto implica que el punto (0,0,0) es un mnimo global.
Problema 24 Encuentre y caracterice las soluciones ptimas del siguiente problema:
f(x, y) = 2x
3
+ 3x
2
12x + 2y
2
8y
Solucin:
Las derivadas parciales son
f
x
= 6x
2
+ 6x 12 0,
f
y
= 4y 8 0
Resolviendo este sistema, se obtienen los puntos candidatos (1, 2) y (2, 2). Para caracterizar estos
puntos se estudia el hessiano, dado por
H =
_
12x + 6 0
0 4
_
As el primer punto ser un mnimo local estricto, y el segundo no es caracterizable. Al observar el
hessiano se puede apreciar que la funcin es convexa en la regin x 1/2.
Problema 25 Encuentre y caracterice las soluciones ptimas de la funcin
f(x, y) = sinx + siny + sin(x + y)
Solucin:
En primer lugar se buscan los puntos crticos por medio de las primeras derivadas, que son
f
x
= cos x + cos(x + y) 0,
f
y
= cos y + cos(x + y) 0
Se ve que los puntos crticos son tales que cos x = cos y, es decir donde x = y + 2n, n=0,1,2...
Despejando para x, se obtiene 2 cos
2
x + cos x 1 = 0 , considerando que cos 2x = 2 cos
2
x 1 y
que cos(x 2n) = cos x. As los puntos crticos sern las soluciones de esta ecuacin cuadrtica,
y sern cos x = 1 y cos x = 1/2. Es decir, x = , /3, 5/3 (Y sus respectivos perodos 2m,
m=0,1,2... ). As los puntos crticos sern
( + 2m, + 2n) , (/3 + 2m, /3 + 2n) , (5/3 + 2m, 5/3 + 2n)
Para determinar la naturaleza de estos puntos, se calcula el hessiano resultando
H =
_
sinx sin(x +y) sin(x + y)
sin(x + y) siny sin(x + y)
_
Luego ste se evala en los puntos crticos:
1.9. PROBLEMAS RESUELTOS 43
i)
H =
_
0 0
0 0
_
Se podra decir que el hessiano es semidenido positivo y/o negativo. As, no se puede caracterizar
este punto.
ii)
H =
_

3
2

3
2

3
_
=
1
=

3 < 0,
2
= 3 3/4 = 9/4 > 0
As en el segundo punto crtico, el hessiano es denido negativo, por lo que el punto corresponde a
un mximo local estricto, n, m.
iii)
H =
_

3

3
2

3
2

3
_
=
1
=

3 > 0,
2
= 3 3/4 = 9/4 > 0
As en el tercer punto crtico, el hessiano es denido positivo, por lo que el punto corresponde a un
mnimo local estricto, n, m.
44 CHAPTER 1. INTRODUCCIN
Chapter 2
Programacin No lineal
En este captulo se presentan tcnicas para identicar soluciones ptimas a problemas de variables
continuas con funcin objetivo o restricciones no lineales. Inicialmente se abordan problemas sin
restricciones, luego se analizan problemas unidimensionales con restricciones, luego problemas mul-
tidimensionales con restricciones de igualdad para nalmente analizar problemas con restricciones
generales. Las condiciones de optimalidad encontradas durante este captulo sern luego aplicadas
a problemas lineales en el captulo siguiente.
2.1 Optimizacin de una funcin sin restricciones
Considere el problema de minimizacin
P) min f(x)
x R
n
donde f(x) es una funcin diferenciable.
Un punto x = (x
1
, x
2
, ..., x
n
) es un mnimo local si f( x) f( x +h) h = (h
1
, h
2
, ..., h
n
) tal que
|h
j
| es sucientemente pequeo para todo j. Es decir, x es un mnimo local si el valor de f(x) en
cada punto del entorno o vecindad de x no es menor a f( x).
2.1.1 Condiciones Necesarias y sucientes para extremos
En esta seccin se presentan las condiciones necesarias y sucientes que debe cumplir un punto
para ser considerado punto extremo del problema. Es importante recordar lo que se entiende por
condiciones necesarias y sucientes. Condiciones necesarias son aqullas que todo punto extremo
debe cumplir. Es decir una vez denidas estas condiciones, no existe un punto extremo al problema
que no cumpla con estas condiciones. Condiciones sucientes son aqullas que si un punto las
cumple entonces el punto constituye sin lugar a dudas un punto extremo.
Adicionalmente distinguiremos entre las condiciones de primer y segundo orden. Las condiciones
de primer orden son aqullas que se pueden desprender a partir de un anlisis de primeras derivadas
45
46 CHAPTER 2. PROGRAMACIN NO LINEAL
de las funciones involucradas en el problema. Las condiciones de segundo orden son aqullas que
se pueden desprender a partir de un anlisis de primeras y segundas derivadas de las funciones
involucradas en el problema.
Teorema 26 (Condicin necesaria de 1
er
orden). Si x R
n
es un punto mnimo local de f(x),
entonces debe cumplirse que f( x) =

0 , es decir,
f( x
1
, x
2
, ..., x
n
)
x
i
= 0 i = 1, ..., n.
Esta condicin es necesaria, pero no suciente para un mnimo: tambin la satisfacen otros
puntos extremos como mximos y puntos de inexin. As, para que x sea un punto mnimo, debe
cumplirse una segunda condicin necesaria.
Teorema 27 (Condicin necesaria de 2
do
orden) Si x R
n
es un punto mnimo local de f(x),
y f(x) es dos veces diferenciable, entonces debe cumplirse que f( x) =

0 (1
er
orden) y que la
matriz Hessiana D
2
f( x) sea semidenida positiva (2
do
orden).
Teorema 28 (Condicin suciente de 2
do
orden) Si x verica: f( x) =

0 y D
2
f( x) es denida
positiva, entonces x es un punto mnimo local estricto de f().
Estas condiciones se pueden desprender de la expansin de Taylor de la funcin objetivo en
torno al punto x de la siguiente forma:
f(x) = f( x) + (x x)f( x) +
(x x)D
2
f( x)(x x)
T
2
+ R
2
(x)
Nos interesa determinar las condiciones que debe satisfacer x para ser considerado punto mnimo
local. Sabemos que si analizamos puntos en la vecindad de x, entonces R
2
(x) es un orden de
magnitud ms pequeo que el trmino de segundo orden de esta expansin de Taylor por lo que
podemos ignorarlo para un anlisis de optimalidad local. Adicionalmente, para que un punto sea
considerado mnimo, el gradiente de la funcin en el punto debe ser nulo. As, para que f( x) sea
menor a la funcin objetivo evaluada en cualquier x en la vecindad de x, debe suceder que
f( x) f(x) = f( x) +
(x x)D
2
f( x)(x x)
T
2
+ R
2
(x).
Es decir, nos interesar que
(x x)D
2
f( x)(x x)
T
2
=
(x)D
2
f( x)(x)
T
2
0
lo cual equivale a que la matriz D
2
f( x) sea semidenida positiva (i.e., xD
2
f( x)x
T
0, x)
para que esto se cumpla y basta con que sea denida positiva (i.e., xD
2
f( x)x
T
> 0, x) para
que se cumpla estrictamente.
2.1. OPTIMIZACIN DE UNA FUNCIN SIN RESTRICCIONES 47
Comentario: Si la segunda derivada de f(x) es continua en x, entonces si x satisface la
condicin del teorema 28, entonces f(x) es estrictamente convexa en la vecindad de x.
Es importante destacar que estas condiciones slo sirven para describir un punto mnimo local.
Para determinar la optimalidad global del problema es necesario comparar la funcin objetivo
evaluada en cada uno de los puntos ptimos locales y adicionalmente vericar que se cumplan las
condiciones de existencia de solucin ptima para el problema.
Ejemplo 4 Considere el problema
P) min2x
1
x
2
2x
2
+ x
2
1
+ 2x
2
2
s.a. (x
1
, x
2
) R
2
Las condiciones de primer orden sern
f
x
1
= 2x
2
+ 2x
1
= 0
f
x
2
= 2x
1
2 + 4x
2
= 0
lo que implica que f(x) = 0 x
1
= 1, x
2
= 1.
Veamos el Hessiano de la funcin objetivo en (1, 1) para comprobar que este punto sea mnimo
local:
H =
_

2
f
x
2
1

2
f
x
1
x
2

2
f
x
2
x
1

2
f
x
2
2
_

_
=
_
2 2
2 4
_
.
Como podemos ver, H es denida positiva en todo el dominio (no depende de x
1
ni de x
2
), y
en particular en (1, 1), por lo tanto este punto corresponde a un punto mnimo local estricto de
P), pero como adems f(x) es estrictamente convexa (el hessiano es denido positivo en todo el
dominio), podemos asegurar que este punto es mnimo global nico de P).
Ejemplo 5 Considere la funcin f(x, y) = x
3
+y (ver Figura 2.1). La matriz Hessiana est dada
por
D
2
f(x, y) =
_
6x 0
0 0
_
Interesa identicar los determinantes de las matrices menores para tipicar esta matriz Hessiana.
En este caso observamos que
1
0 y que
2
= 0.
Existe alguna regin en que f(x, y) sea positiva denida?
No.
48 CHAPTER 2. PROGRAMACIN NO LINEAL
5 2.5 0 -2.5 -5
25
12.5
0
-12.5
-25
150
100
50
0
-50
-100
-150
x
y
z
x
y
z
Figure 2.1: Ejemplo de convexidad
Existe alguna regin en que f(x, y) sea semidenida positiva?
S, x 0.
Existe alguna regin en que f(x, y) sea semidenida negativa?
S, x 0.
Es decir con esta informacin no se puede garantizar la existencia de un punto mnimo o mximo
local. De hecho se aprecia en la gura que esta funcin no posee mnimos ni mximos locales.
Ejemplo 6 Considere el problema
P) min x
4
En este caso,
f

(x) = 4x
3
f

(x) = 12x
2
En x = 0, f

(x) = 0 y f

(x) = 0. Por lo tanto, cumple con la condicin necesaria de 2

orden.
De esta informacin no se podra inferir nada ms, pero como: f

(x) = 12x
2
0 x f(x)
es convexa, y como adems es diferenciable, entonces x = 0 es un punto mnimo local de P). En
efecto, si f(x) es convexa diferenciable, f(x) f( x) + f

( x)(x x) x R, con x = 0 : f(x)


f(0) +f

(0)(x0). Por lo tanto, f(0) f(x) x R. As, x = 0 es un punto mnimo global de P),
de hecho es nico, pues x = 0 x
4
> 0.
Algunas funciones son difciles de optimizar por la va de encontrar puntos de gradiente nulo
(incluso cuando stas son convexas). En estos casos, es necesario buscar mtodos alternativos para
identicar sus puntos extremos como los que se describen en la prxima seccin.
2.1. OPTIMIZACIN DE UNA FUNCIN SIN RESTRICCIONES 49
2.1.2 Mtodos de bsqueda de soluciones
Los mtodos que se presentan aqu son mtodos iterativos que comienzan de un punto factible y
a travs de pasos sucesivos se aproximan a un punto que satisfaga condiciones locales de optimal-
idad. Estos mtodos no garantizan optimalidad e incluso en algunos casos tampoco garantizan
convergencia. Muchas veces el desenlace del mtodo es altamente sensible al punto de partida
escogido.
Los dos mtodos que se presentan en esta seccin sirven para resolver problemas de optimizacin
no restringidos. Sin embargo, pueden generalizarse para incorporar restricciones. Estos mtodos
se usan para minimizar funciones cuyas races (aquellos puntos de derivada nula) son difciles de
detectar.
Mtodo de Newton
Este mtodo opera para funciones dos veces diferenciables. A pesar que puede usarse para funciones
de mltiples variables, en esta seccin se presenta el mtodo simple para funciones con slo una
variable. As, el problema es min(x) y por lo tanto, se asume f

(x) y f

(x) conocidas.
Sea x
k
un punto factible (todos los puntos son factibles en este caso). Se puede aproximar f(x)
entorno a x
k
, a travs de una expansin de Taylor de 2
do
grado. As, la funcin puede aproximarse
mediante la siguiente funcin cuadrtica (ver Figura 2.2):
q(x) = f(x
k
) + f

(x
k
)(x x
k
) +
1
2
f

(x
k
)(x x
k
)
2
(2.1)
f(x)
x
q(x)
x
k
x
k+1
f(x)
x
q(x)
x
k
x
k+1
Figure 2.2: Mtodo de Newton
La funcin q(x) es una buena aproximacin de segundo grado para f(x) ya que:
1. q(x
k
) = f(x
k
)
2. q

(x
k
) = f

(x
k
)
3. q

(x
k
) = f

(x
k
)
50 CHAPTER 2. PROGRAMACIN NO LINEAL
Si f

(x
k
) > 0 q(x) es convexa, y si f

(x
k
) < 0 q(x) es cncava. Ahora, en vez de minf(x),
se procede a resolver el problema minq(x) que resulta mucho ms sencillo (q(x) es una parbola).
La condicin de primer orden ser:
dq
dx
= f

(x
k
) + f

(x
k
)(x x
k
) = 0
de donde despejando nos queda la siguiente relacin:
x
k+1
= x
k

(x
k
)
f

(x
k
)
. (2.2)
Este mtodo iterativo tpicamente se aproxima sucesivamente a un ptimo local. Sin embargo,
es posible que tarde innitas iteraciones en alcanzarlo. Por esto, es importante denir algn criterio
para saber cundo parar de iterar. Existen diferentes criterios de parada, los ms comunes son los
siguientes: parar si (x
k
x
k+1
) 0, o si (f(x
k
) f(x
k+1
)) 0. Asimismo, se puede contemplar
una combinacin de estas exigencias.
El mtodo de Newton tambin se puede interpretar como un mtodo para identicar races de
una funcin (en este caso, las races de la derivada de la funcin a minimizar, es decir, de f

(x))
slo conociendo las condiciones locales en cada punto; esto es f

(x
k
) y f

(x
k
). Grcamente, el
mtodo consiste en que en el espacio de la derivada de f(x) se trace una recta que pase por el punto
(x
k
, f

(x
k
)) y que tenga pendiente f

(x
k
), es decir
y f

(x
k
) = (x x
k
)f(x
k
).
Luego, el punto de interseccin de esta recta con el eje x determinar x
k+1
(ver Figura 2.3), es
decir, igualando y = 0 obtenemos el resultado en (2.2).
f(x)
x
x
k
x
k+1
x
k+2
Figure 2.3: Mtodo de Newton en el espacio de la derivada
Observacin: Es importante notar que el mtodo busca puntos extremos sean estos mnimos
o mximos. Para distinguir si el proceso est buscando un mnimo o un mximo basta con revisar
el signo de la segunda derivada de la funcin en cada punto. Este deber ser positivo al buscar
2.1. OPTIMIZACIN DE UNA FUNCIN SIN RESTRICCIONES 51
mnimos y negativo al buscar mximos.
Observacin: Este mtodo no garantiza convergencia. Para algunas funciones diverge, mien-
tras que otras no converge nunca. La Figura 2.4 presenta ejemplos grcos de divergencia y de no
convergencia.
f(x)
x
x
k
x
k+1
x
k+2
f(x)
x
x
k
x
k+1
x
k+2
Figure 2.4: Ejemplos de divergencia y de no convergencia
Ejemplo 7 Considere el problema min2x
3
21x
2
+ 60x 7.
Rpidamente podemos ver que la primera y segunda derivada corresponden a
f

(x) = 6x
2
42x + 60
f

(x) = 12x 42
respectivamente. Por lo tanto, si x > 3, 5 f

(x) > 0, luego, f(x) es estrictamente convexa. Y si


x < 3, 5 f

(x) < 0, por lo que f(x) es estrictamente cncava. Por lo tanto, x = 3, 5 corresponde
a un punto de inexin. Aplicando el mtodo de Newton, con x
0
= 4 (cercano al punto crtico
x = 3, 5), sucede lo siguiente:
x
k+1
= x
k

6x
2
k
42x
k
+ 60
12x
k
42
=
12x
2
k
42x
k
6x
2
k
+ 42x
k
60
6(2x
k
7)
=
6x
2
k
60
6(2x
k
7)
Por lo tanto,
x
k+1
=
x
2
k
10
(2x
k
7)
Iterando vemos que el mtodo converge a x
k
= 5,
k 0 1 2 3 4 5
x
k
4 6 7, 2 5, 65 5, 099 5
52 CHAPTER 2. PROGRAMACIN NO LINEAL
que corresponde a un mnimo pues f(x) en el punto es positiva. Ahora, cambiando el punto inicial
a x
0
= 3 y volvemos a aplicar el mtodo, vemos que ste converge a x
k
= 2,
k 0 1 2 3 4 5
x
k
3 1 1, 8 1, 988 1, 999 2
que corresponde a un mximo pues f(x) en el punto es negativa.
Ejemplo 8 Considere el problema min
x
3
4

7x
2
8
+ lnx sujeto a x > 0.
Derivando encontramos
f

(x) =
3
4
x
2

7
4
x +
1
x
f

(x) =
3
2
x
7
4

1
x
2
x
k+1
= x
k

(
3
4
x
2

7
4
x +
1
x
)
(
3
2
x
7
4

1
x
2
)
. Es fcil ver que
3
4
x
2

7
4
x +
1
x
= 0 puede escribirse como (x
2)(x 1)(3x + 2) = 0, x = 0 expresin que muestra claramente las races de la funcin objetivo.
Iterando con el mtodo desde dos puntos iniciales diferentes obtenemos los siguientes resultados:
x
0
= 0, 5 0, 7625 0, 9401 0, 9954
x
0
= 3 2, 3052 2, 0512 2, 0021.
El primero de stos corresponde a un mximo local mientras el segundo a un mnimo local.
Mtodo del Gradiente o de Cauchy
El mtodo del gradiente tambin sirve para resolver problemas de optimizacin multidimensionales
sin restricciones. Su algoritmo base es:
i) Escoger un punto inicial de R
n
ii) Determinar una direccin de movimiento
iii) Moverse en esa direccin de acuerdo a algn criterio determinando un nuevo punto.
iv) Vericar criterio de parada. Si no se satisface, volver a i).
Sea x
0
nuestro punto de partida. Habr que escoger alguna direccin

d tal que: f(x
0
+

d) <
f(x
0
). Pero, cmo escoger

d y de modo que f(x
0
+

d) sea lo ms pequeo posible? Sabemos que


f(x
0
) corresponde a la direccin de mximo crecimiento de la funcin en el punto x
0
. Por lo tanto,
la direccin a escoger en un problema de minimizacin es la opuesta,

d = f(x
0
) corresponde a
la direccin de mximo decrecimiento.
Luego, nuestros pasos a seguir son:
i) Tomar un punto conocido x
0
.
ii) Escoger como direccin de movimiento al gradiente de la funcin en dicho punto, con signo
contrario.
2.1. OPTIMIZACIN DE UNA FUNCIN SIN RESTRICCIONES 53
iii) Determinar el mnimo relativo de f(x) en esta direccin.
De esta forma x
k+1
= x
k
f(x
k
). El siguiente paso consiste en encontrar el que minimiza
f(x
k+1
), es decir,
min
0
f(x
k
f(x
k
)),
lo que se reduce a un problema unidimensional (la nica variable en este problema es ) que puede
ser resuelto algebricamente o mediante el mtodo de Newton.
La velocidad de convergencia de este mtodo podra ser extremadamente lenta. Por ejemplo,
es muy lenta ante una funcin objetivo con curvas de nivel elpticas. En cambio, en curvas de nivel
circulares es inmediata (slo una iteracin). Este mtodo se asemeja a una bolita que cae por un
cerro y va tomando la mayor pendiente para descender. La diferencia es que la bolita cambia su
direccin continuamente, no as este mtodo que lo hace discretamente.
Ejemplo 9 Considere el problema
P) min
(x
1
,x
2
)R
2
2x
1
x
2
2x
2
+x
2
1
+ 2x
2
2
Es fcil ver que P) es estrictamente convexo, ya que
H =
_
2 2
2 4
_
es denida positiva, con lo que sabemos que cualquier punto de partida debiera llevarnos al ptimo
global. Apliquemos el mtodo de Cauchy a partir del punto inicial x
0
= (0, 0). El gradiente de f(x)
es
f(x) = [2x
2
+ 2x
1
, 2x
1
2 + 4x
2
]
con lo que
x
1
= (0, 0) (0, 2) = (0, 2).
As, el problema unidimensional a resolver para determinar cunto avanzar es:
minf(0, 2) = 4 + 8
2
Derivando con respecto a , y luego igualando a cero obtenemos =
1
4
. Por lo tanto, x
1
= (0,
1
2
).
Para la siguiente iteracin tenemos que x
2
= (0,
1
2
) (1, 0) = (,
1
2
). Luego, resolviendo
minf(,
1
2
) = 1 +
2
+
1
2
obtenemos =
1
2
, y as x
2
= (
1
2
,
1
2
). Si seguimos iterando obtendremos
x
3
= (
1
2
,
3
4
), x
4
= (
3
4
,
3
4
), x
5
= (
3
4
,
7
8
),
54 CHAPTER 2. PROGRAMACIN NO LINEAL
b
a
b
a
Figure 2.5:
lo cual lo podemos generalizar de la siguiente forma. Si k es par,
x
k
=
_
2
k
2
1
2
k
2
,
2
k
2
1
2
k
2
_
, (2.3)
y si k es impar,
x
k
=
_
2
k1
2
1
2
k1
2
,
2
k+1
2
1
2
k+1
2
_
, (2.4)
y al tomar lmite a cualquiera de estas dos expresiones podemos ver que lim
k
x
k
= (1, 1), y com-
probar que f(1, 1) = 0.
2.2 Optimizacin de una funcin con restricciones
2.2.1 Caso 1: Problema Unidimensional
Considere el problema de optimizacin
P) Min f(x)
a x b
x R
con f(x) continua y derivable. En este caso, el ptimo del problema no necesariamente debe
presentar un gradiente nulo, pues puede encontrarse en alguno de los bordes del dominio. Este
anlisis ser de mucha utilidad para determinar las condiciones de optimalidad en problemas ms
complejos. As, las condiciones de optimalidad deben modicarse para incorporar esta posibilidad.
Teorema 29 (Condicin Necesaria de 1
er
orden) Si x [a, b] es punto mnimo local de P) en-
tonces:
i) Si x = a f

( x) 0
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 55
<0
>0
<0
>0
Figure 2.6:
ii) Si x = b f

( x) 0
iii) Si a < x < b f

( x) = 0
As, basta con una derivada no negativa en x = a o no positiva en x = b para que estos puntos
sean considerados candidatos a mnimo del problema. Por otra part, las condiciones para puntos
interiores del dominio permanecen intactas.
A diferencia del problema irrestricto, en los bordes es posible identicar condiciones sucientes
de optimalidad local con slo observar la primera derivada en esos puntos:
Teorema 30 (Condiciones sucientes de 1
er
orden)
i) Si x = a y f

(a) > 0 entonces x = a es punto mnimo local estricto de P)


ii) Si x = b y f

(b) < 0 entonces x = b es punto mnimo local estricto de P)


Observacin: Qu pasa si la primera derivada no es continua en el dominio?
Para que un punto sea mnimo en esas condiciones, habr que agregar a las condiciones nece-
sarias de primer orden anteriores que:
Si f

(x) = f

+
(x) = f

(x) 0 y f

+
(x) 0 y para las condiciones sucientes se tendra que
agregar que si f

(x) = f

+
(x) =f

(x) < 0 y f

+
(x) > 0.
Teorema 31 (Condicin Necesaria de 2

orden). Sea f(x) dos veces diferenciable, y x punto


mnimo local de P), entonces:
i) Si x = a (f

(a) 0) y (f

(a) 0 si f

(a) = 0)
ii) Si x = b (f

(b) 0) y (f

(b) 0 si f

(b) = 0)
iii) Si a < x < b f

( x) = 0 y f

( x) 0
Teorema 32 (Condicin Suciente de 2

orden). Sea x [a, b], entonces:


i) Si x = a y (f

(a) > 0 (f

(a) = 0 y f

(a) > 0)), entonces x = a es punto mnimo local


estricto de P).
ii) Si x = b y (f

(b) < 0 (f

(b) = 0 y f

(b) > 0)), entonces x = b es punto mnimo local


estricto de P).
iii) Si a < x < b y (f

( x) = 0 y f

( x) > 0), entonces x es punto mnimo local estricto de P).


56 CHAPTER 2. PROGRAMACIN NO LINEAL
i) ii)
iii)
f>0
f>0
f=0
f<0
f<0
f=0
i) ii)
iii)
f>0
f>0
f=0
f<0
f<0
f=0
Figure 2.7:
Ejemplo 10
P) Min x
2
s.a. x 1
De acuerdo a lo anterior, se debe proceder a analizar todos los puntos candidatos a ptimo. Estos
son aqullos de derivada cero y los bordes del intervalo. En este caso f

(x) = 2x x = 0. Esta
satisface la condicin suciente de 2

orden, ya que f

(0) = 0 y f

(0) = 2 > 0.
Por lo tanto, x = 0 es punto mnimo local estricto por teorema de condicin suciente de 2

orden. En este caso, se puede argumentar que f

(x) > 0 x D f(x) es estrictamente convexa


y por ende x = 0 es un punto mnimo global nico de P).
Ejemplo 11
P) Max 2x
3
+ 3x
2
+ 12x + 6
s.a 0 x 8
El problema se puede reescribir como:

P) Min 2x
3
3x
2
12x 6
s.a 0 x 8
Inicialmente se debe determinar si este problema admite solucin ptima. El problema satisface
las condiciones de Bolzano-Weierstrass por lo que podemos seguir adelante. A continuacin se
buscan los puntos de derivada nula:
f
x
= 6x
2
6x12 = 0 (x+1)(x2) = 0 y se obtiene:
x
1
= 1 (punto fuera de D), y x
2
= 2.
La segunda derivada indica:

2
f
x
2
= 12x 6 f

(2) = 18 > 0, por lo que se desprende


que x
2
es mnimo local del problema. Qu pasar en los bordes?
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 57
f

(0) = 12 y f

(8) = 90 por lo que x = 0 y x = 8 son mximos locales. Por lo tanto, x = 2 es


el nico punto mnimo local estricto y por tanto el punto ptimo del problema.
Qu hubiera pasado si el dominio fuera 8 x 8? Los puntos crticos seran: x = 8; x =
1; x = 2; x = 8. De ellos x = 8 y x = 2 corresponden a mnimos locales. Para determinar el
mnimo global es necesario evaluar ambos en la funcin objetivo y escoger el menor, en este caso
x = 8 es el ptimo del nuevo problema.
Ejemplo 12
P) Min

x
s.a 1 x 2
En este caso, f

(x) =
1
2

x
por lo que no existe un punto en el dominio (1 x 2) tal que la
derivada se anule. Por lo tanto, es necesario analizar los bordes:
f

(1) =
1
2
> 0 x = 1 es punto mnimo local estricto de P).
f

(2) =
1
2

2
> 0 x = 2 es punto mximo local estricto de P).
As, es claro que x = 1 es el punto mnimo global del problema.
Esta respuesta podra obtenerse sin analizar las condiciones en los bordes del dominio pues,
como f

(x) > 0 sobre [1, 2] , f(x) es estrictamente creciente sobre [1, 2] . As, el mnimo global debe
encontrarse en el lmite izquierdo del dominio, esto es x = 1.
Ejemplo 13
P) Min x
2
x
3
s.a x
2
1 1 x 1
x R
Inicialmente se buscan puntos de derivada nula: f

(x) = 2x 3x
2
= 0 x = 0 x =
2
3
ambos en el dominio. Por lo tanto, los puntos crticos son: x = 1; x =
2
3
; x = 0; x = 1. A
continuacin se analizan uno por uno:
f

(1) = 1 < 0 Por teorema de condicin suciente de 1


er
orden, x = 1 es mximo
local estricto.
f

(
2
3
) = 0; f

(
2
3
) = 2 > 0 Por teorema de condicin suciente de 2

orden, x =
2
3
es
mnimo local estricto.
f

(0) = 0; f

(0) = 2 < 0 Por teorema de condicin suciente de 2

orden, x = 0 es
mximo local estricto.
f

(1) = 5 < 0 Por teorema de condicin suciente de 1


er
orden, x = 1 es mnimo local
estricto.
Para identicar el mnimo global del problema se comparan los valores de la funcin objetivo
de los puntos mnimos locales, es decir, f(
2
3
) =
4
27
y f(1) = 2. As, se concluye que x = 1 es
mnimo global del problema.
58 CHAPTER 2. PROGRAMACIN NO LINEAL
2.2.2 Caso 2: Restricciones de igualdad
En esta seccin se vuelve a considerar un problema multivariable, pero esta vez sujeto a una o ms
restricciones de igualdad. En trminos generales, el problema se formula del siguiente modo:
P) Min f(x)
s.a h
i
(x) = 0 i = 1, ..., m
donde x = (x
1
, ..., x
n
) y m < n (qu sucede su m = n?). Para abordar este problema, inicialmente
se supondr que n = 2 y m = 1, es decir, el caso bidimensional con una restriccin. En este caso,
el problema P) se puede expresar del siguiente modo:
P) Min f(x
1
, x
2
)
s.a h(x
1
, x
2
) = a
donde se supondr que f y h tienen derivadas continuas de 2

orden. En este caso particular (n = 2,


m = 1), el problema puede representarse grcamente en R
2
(ver gura). El dominio queda repre-
sentado por los puntos (x
1
, x
2
) que satisfacen h(x
1
, x
2
) = a. Para representar la funcin objetivo
se requerira una tercera dimensin, sin embargo alternativamente se puede representar mediante
curvas de nivel que gracan en el plano R
2
conjuntos continuos de puntos cuya funcin objetivo
arroja un idntico valor. As, si en la gura asociamos a cada uno de los anillos un determinado
valor constante sabremos aproximadamente la forma de la funcin objetivo (la precisin aumenta
en la medida que se dibujan ms curvas). Supongamos en este caso que los anillos ms pequeos
tienen asociado un valor de funcin objetivo cada vez ms pequeo. En ese caso sabremos que, de
continuar esa tendencia, existir un punto interior al anillo ms pequeo que corresponder a un
mnimo local (identicado con "*" en la gura).
) (x f
*
a x x h = ) , ( 2 1
) (x f
x
1
x
2
Figure 2.8:
En el caso no-restringido, un punto mnimo deba cumplir con: f(x) = 0. Sin embargo, ahora
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 59
las variables estn enlazadas entre ellas en una restriccin que las relaciona y las hace dependientes
una de la otra, por lo que en el punto ptimo no necesariamente se satisfacer esta condicin.
En el caso de la gura vemos que el mnimo de la funcin f(x
1
, x
2
) no es factible en P) ya
que no satisface la restriccin h(x
1
, x
2
) = a. El punto ptimo al problema deber pertenecer a la
curva h(x
1
, x
2
) = a y tambin a una curva de nivel (seguramente no dibujada) f(x
1
, x
2
) = z

.
Intuitivamente, vemos que en el ptimo de P), la restriccin y la curva de nivel correspondiente al
punto ptimo en la funcin objetivo, son tangentes. Ms adelante comprobaremos que esta ser la
nueva condicin necesaria de primer orden para optimalidad de este problema.
Es posible imaginar que se pudiera expresar x
2
en funcin de x
1
a partir de la restriccin
h(x
1
, x
2
) = a como x
2
= r(x
1
). En ese caso, se puede reemplazar la restriccin en la funcin
objetivo redenindola como: F(x
1
) = f(x
1
, r(x
1
)) y el problema quedar:
P) Min F(x
1
)
irrestricto
En la seccin 2.1, se ense cmo abordar problemas irrestrictos como el anterior: las condiciones
necesarias de 1
er
orden para un punto mnimo de P) son:
F
x
1
= 0
f
x
1
+
f
x
2
dr
dx
1
= 0
Pero x
2
= r(x
1
) no es siempre identicable como funcin, por lo que para identicar
r
x
1
debemos
recurrir a la restriccin.
h(x
1
, x
2
) = a h(x
1
, r(x
1
)) = a.
Nos interesa determinar las condiciones de optimalidad de primer orden. Estas corresponden a
condiciones que se deben satisfacer en el punto de inters en relacin a las derivadas de primer orden.
El punto ptimo local debe ser mejor que los puntos en su vecindad que pertenezcan al dominio.
Es decir nos interesa analizar diferenciales de primer orden que garanticen la permanencia en el
dominio. En nuestro caso debe suceder que:
h(x
1
+ x
1
, x
2
+ x
2
) = a
Podemos aproximar el lado izquierdo de esta expresin mediante una expansin de Taylor de
primer orden en torno a (x
1
, x
2
):
h(x
1
+ x
1
, x
2
+ x
2
) h(x
1
, x
2
) + x
1
h
x
1
+ x
2
h
x
2
Reemplazando en la expresin anterior y recordando que h(x
1
, x
2
) = a se obtiene:
h
x
1
x
1
+
h
x
2
x
2
= 0
60 CHAPTER 2. PROGRAMACIN NO LINEAL
que corresponde al resultado que hubiramos obtenido de diferenciar la restriccin original:
h
x
1
dx
1
+
h
x
2
dx
2
= 0
y despejando esta expresin nos queda
dx
2
dx
1
=
h
x
1
h
x
2
=
dr
dx
1
.
Reemplazando
dr
dx
1
de esta expresin en XX se obtiene:
f
x
1

f
x
2
h
x
2
h
x
1
= 0
Diremos que esta condicin junto a h(x
1
, x
2
) = a son las condiciones necesarias de primer orden
para nuestro problema. Sin embargo, si observamos la siguiente obvia identidad:
f
x
2

f
x
2
h
x
2
h
x
2
= 0
Si denimos =
f
x
2
/
h
x
2
, podemos expresar las condiciones necesarias de primer orden del siguiente
modo:
f
x
i

h
x
i
= 0 i = 1, 2
h(x
1
, x
2
) = a
Esto permite reescribir el problema original como el siguiente problema equivalente irrestricto con
una variable adicional ():
Min L(x
1
, x
2
, ) = f(x
1
, x
2
) + (a h(x
1
, x
2
))
y abordarlo con las herramientas presentadas en la seccin 2.1. Efectivamente, las condiciones de
primer orden para este problema son:
L
x
i
=
f
x
i

h
x
i
= 0 i = 1, 2
L

= a h(x
1
, x
2
) = 0,
lo cual corresponde a las condiciones derivadas anteriormente.
Note que este procedimiento asumi que
h
x
2
= 0 en el punto de inters. En caso que
h
x
2
= 0 y
h
x
1
= 0, se obtiene alternativamente una expresin para
dx
1
dx
2
mediante un procedimiento anlogo
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 61
comenzando con x
1
= r(x
2
). Note que las condiciones de optimalidad seran las mismas. Sin
embargo, este mtodo no determina las condiciones de optimalidad local si el gradiente de la
restriccin en el punto de inters es nulo (
h
x
1
=
h
x
2
= 0). A los puntos que cumplen con esta
condicin se les denomina puntos singulares y exigen un anlisis alternativo.
Este mtodo se conoce como Mtodo de Lagrange (1790 aprox.), donde L es la funcin
de Lagrange, y es el multiplicador de Lagrange. El mtodo resulta especialmente til cuando
resulta complejo expresar x
2
en funcin de x
1
(y viceversa) a partir de la restriccin del problema.
Adicionalmente, este desarrollo provee un muy buen punto de partida para determinar condiciones
de optimalidad para problemas ms complejos.
Ahora probaremos lo que se desprenda grcamente de la gura anterior, que (para n = 2,
m = 1) en un punto ptimo local, la derivada de la curva de nivel que pasa por el punto y la
derivada de la restriccin deben ser iguales. Habamos obtenido que:
f
x
1

f
x
2
h
x
2
h
x
1
= 0
f
x
1
f
x
2
=
h
x
1
h
x
2
.
De la curva de nivel f(x
1
, x
2
) = c (suponiendo c como el valor ptimo), tenemos que:
f
x
1
dx
1
+
f
x
2
dx
2
= 0
o bien,
dx
2
dx
1

en curva de nivel
=
f
x
1
f
x
2
(2.5)
y anlogamente en la restriccin h(x
1
, x
2
) = a tenemos que:
dx
2
dx
1

en la restriccin
=
h
x
1
h
x
2
. (2.6)
Por lo tanto, de (2.5) y (2.6) vemos que en el punto ptimo ambas pendientes son iguales.
dx
2
dx
1

en curva de nivel
=
dx
2
dx
1

en la restriccin
Nota: Esta condicin se cumple para cada ptimo local (ver Figura 2.9).
Ejemplo 14 Debemos comprar un terreno de una hectrea rectangular que colinde con el ro y con
el camino (que forman un ngulo de 90
o
, ver gura). El problema es denir las dimensiones del
terreno, tal que su supercie til sea mxima. Por cada metro de lmite con el ro se pierden 3m
2
de terreno til. Por cada metro de lmite con el camino se pierden 2m
2
de terreno til. Por cada
metro de lmite con un vecino interior se pierde
1
2
m
2
til.
62 CHAPTER 2. PROGRAMACIN NO LINEAL
x
2
x
1
Optimos locales
Figure 2.9: ptimos locales
CAMINO
R
I
O
Figure 2.10:
Un problema de optimizacin equivalente sera:
P) Max (x 3, 5)(y 2, 5)
s.a xy = 10000
el cual es equivalente a uno en que se minimiza (3, 5 x)(y 2, 5) y puede ser resuelto mediante el
mtodo de Lagrange. La funcin de Lagrange sera:
L = (3, 5 x)(y 2, 5) + (10000 xy)
y las condiciones de primer orden son:
L
x
= 2, 5 y y = 0 =
2, 5 y
y
L
y
= 3, 5 x x = 0 =
3, 5 x
x
L

= 10000 xy = 0.
Reemplazando y resolviendo el sistema de ecuaciones, obtenemos la solucin x = 118, 32; y = 84, 5;
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 63
= 0, 97. Por lo tanto, el valor ptimo es v = 9.415, 24 m
2
. Observar que esta solucin
corresponde al problema equivalente de minimizacin al de maximizacin del terreno til.
Nota: El sistema de ecuaciones tambin admite la solucin x = 118, 32; y = 84, 5; pero sta
se descarta ya que el problema no admite dimensiones negativas de terreno.
Caso general con restricciones de igualdad
A continuacin veremos las condiciones necesarias de optimalidad para un problema multidimen-
sional (n variables) con muchas restricciones de igualdad (m). Consideremos el siguiente problema:
P) Min f(x) x = (x
1
, ..., x
n
)
s.a h
j
(x) = a
j
j = 1, ..., m con m n
Si hacemos un anlisis similar al caso bidimensional representando m variables en funcin de las
otras (n m), se puede demostrar el siguiente teorema:
Teorema 33 (Lagrange) Considere el problema P) en que todas las funciones involucradas son
diferenciables. La condicin necesaria para que el punto factible regular x sea un mnimo local de
P), es que existan m escalares
j
(j = 1, ..., m), denominados multiplicadores de Lagrange, tales
que:
f( x) +
m

j=1

j
h
j
( x) = 0
Nota: El teorema de Lagrange indica que el gradiente de la funcin objetivo evaluado en x, es
decir, f( x), se puede expresar como combinacin lineal de los gradientes de las restricciones de
P) evaluados en x, es decir, {h
j
( x)}
jJ
.
Es decir las condiciones necesarias de primer orden para un ptimo son las siguientes:
f(x)
x
i

m

j=1

j
h
j
(x)
x
i
= 0 i = 1, ..., n
a
j
h
j
(x) = 0 j = 1, ..., m
Es decir, si un punto cumple con satisfacer estas (n + m) restricciones, estamos frente a un punto
candidato a mnimo o a mximo local. Es importante recordar que este anlisis de primer orden es
incapaz de distinguir entre un mnimo y un mximo local.
As deniremos una funcin:
L(x
1
, ..., x
n
,
1
, ...,
m
) = f(x
1
, ..., x
n
) +
m

j=1

j
[a
j
h
j
(x
1
, ..., x
n
)]
64 CHAPTER 2. PROGRAMACIN NO LINEAL
tal que las condiciones necesarias de 1
er
orden de nuestro problema P) corresponden a las condi-
ciones necesarias de primer orden del problema no-restringido:
Min L(x
1
, ..., x
n
,
1
, ...,
m
)
las cuales son:
L
x
i
=
f
x
i

m

j=1

j
h
j
x
i
= 0 i = 1, ..., n
L

j
= a
j
h
j
(x
1
, ..., x
n
) = 0 j = 1, ..., m
Sin embargo, al igual que en el caso bidimensional, es importante tener presente que el mtodo de
Lagrange slo identica puntos regulares. Los puntos que no cumplan esta propiedad (singulares)
deben ser analizados separadamente para determinar si son ptimos al problema.
Denicin 13 (Punto regular) Un punto es regular cuando el jacobiano de las restricciones (2.7),
evaluado en el punto, es de rango mximo m, es decir, las m las deben ser linealmente indepen-
dientes (recordar que n > m).
J(x) =
_

_
h
1
x
1
...
h
1
x
n
.
.
.
.
.
.
.
.
.
h
m
x
1
...
h
m
x
n
_

_
(2.7)
Ejemplo 15 Consideremos el siguiente problema:
P) Min x
s.a x
3
+y
2
= 0
(x, y) R
2
Las condiciones de primer orden del Lagrangeano L(x, y, ) = x +(x
3
+ y
2
) son:
L
x
= 1 3x
2
= 0
L
y
= 2y = 0
L

= x
3
+ y
2
= 0
de donde se observa que este sistema no tiene solucin. Sin embargo, es fcil ver que la solucin
ptima es (0, 0). Pero, es x = (0, 0) un punto regular? Observando el Jacobiano de la restriccin
h(x) : h( x) =
_
3x
2
2y
_
(0,0)
=
_
0 0
_
vemos que ste es nulo, por lo tanto x es solucin
ptima no regular, por esta razn las condiciones necesarias de primer orden no lo detectan.
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 65
Observacin: El mtodo de Lagrange detecta todos los puntos ptimos locales regulares, pero
no necesariamente detecta los singulares.
Condiciones de 2

orden:
Antes de describir las condiciones necesarias y sucientes de segundo orden para que un punto
que, satisfaciendo las condiciones necesarias de primer orden, sea mnimo local, es necesario entender
que estas condiciones poco tienen que ver con la convexidad de la funcin objetivo. Es decir, que la
funcin objetivo sea convexa no indica que un punto que cumpla con las condiciones necesarias de
primer orden sea efectivamente un mnimo local. Como ejemplo considere el problema bidimensional
de minimizar una funcin objetivo paraboidal sujeto a que el punto deba satisfacer una curva que
describe una elipse. Esto se ilustra en la gura YY
1
. En ella se observa que son dos los puntos que
satisfacen la condicin necesaria de primer orden, pero slo uno de ellos corresponde a un mnimo.
Volviendo al caso ms general, para que x sea mnimo local debe suceder que: f( x+x) f( x),
para todo ( x + x) factible (x pequeo), esto es para todo ( x + x) que satisfaga todas las
restricciones: h
j
( x + x) = a
j
, j = 1, ..., m.
La funcin que interesa minimizar es L(x, ) = f(x) + (a h(x)). Es decir buscamos x tal
que para todo x +x factible, L( x +x, ) L( x, ) = f( x +x) f( x) 0 (para que x sea
mnimo).
Obtendremos las condiciones de segundo orden por medio de expandir L en serie de Taylor en
segundo grado en torno al punto ( x, ). Recordando que este punto satisface las condiciones de 1
er
orden, tendremos que:
L( x + x, ) L( x, ) = L( x, ) +
( x +x x)L(x

, )
1!
+
(x)D
2
L(x

, )(x)
T
2!
+ 0(
2
) L( x, )
=
1
2

2
x

2
L( x, )
x
2
x
T
+ 0(
2
)
Considerando que lim
0
0(
2
)

2
||x||
= 0, si x es un ptimo local entonces debe cumplirse que x

2
L( x,)
x
2
x
T

0. Bastara con que el Hessiano del Lagrangeano sea positivo semi denido (o positivo denido) en
el punto para que el punto cumpla las condiciones necesarias (sucientes) de segundo orden para
ser considerado mnimo local. Sin embargo las direcciones factibles de movimiento x no son ar-
bitrarias pues no pueden salirse del dominio. As, es posible que el punto x sea un ptimo local sin
que el Hessiano del Lagrangeano sea positivo semi denido pues restringiendo los x a direcciones
factibles s se cumpla la condicin x

2
L( x,)
x
2
x
T
0. Es decir interesa determinar cules son esas
direcciones factibles para x de modo de evaluar la condicin de optimalidad de segundo grado.
Mediante un desarrollo idntico al realizado en la seccin 2.2 se obtienen las condiciones que se
deben satisfacer:
n

i=1
h
j
( x)
x
i
x
i
= 0 j = 1, ..., m
1
Agregar Figura
66 CHAPTER 2. PROGRAMACIN NO LINEAL
As, la condicin necesaria de 2

orden ser que el Hessiano del Lagrangeano debe ser positivo


semidenido en el subespacio denido por las restricciones.
Anlogamente, la condicin suciente de 2

orden, es que el Hessiano del Lagrangeano sea


positivo denido en dicho subespacio. En este caso, el punto x ser un mnimo local estricto de P).
Ejemplo 16
Min f(x) = x
2
1
+ x
2
2
+ x
2
3
s.a h
1
(x) = x
1
+ x
2
+ 3x
3
2 = 0
h
2
(x) = 5x
1
+ 2x
2
+x
3
5 = 0
Lo primero que se debe hacer es demostrar la existencia de solucin para este problema. Este
problema evidentemente satisface las condiciones del teorema de existencia por lo que tenemos
garanta de que el problema tendr solucin.
L = x
2
1
+x
2
2
+ x
2
3
+
1
(2 x
1
x
2
3x
3
) +
2
(5 5x
1
2x
2
x
3
)
L
x
1
= 2x
1

1
5
2
= 0
L
x
2
= 2x
2

1
2
2
= 0
L
x
3
= 2x
3
3
1

2
= 0
_

_
2x
1
2x
2
3
2
= 0
6x
2
2x
3
5
2
= 0
_

_
5x
1
14x
2
+ 3x
3
= 0
x
1
+ x
2
+ 3x
3
= 2
5x
1
+ 2x
2
+ x
3
= 5
5x
1
14x
2
+ 3x
3
= 0
_

_
3x
2
+ 14x
3
= 5
16x
2
2x
3
= 5
_

_
x

2
=
8
23
y x

3
=
13
46
x

1
=
37
46
y
1
=
2
23
,
2
=
7
23
Es el punto (
37
46
,
8
23
,
13
46
) un mnimo? Para esto basta observar el Hessiano del Lagrangeano,
esto es
H =
_

_
2 0 0
0 2 0
0 0 2
_

_.
Dado que el Hessiano del Lagrangeano (que en este caso coincide con el Hessiano de la funcin
objetivo pues todas las restricciones son lineales
2
) es positivo denido en todo el dominio y en
particular en el punto (
37
46
,
8
23
,
13
46
), este punto es un mnimo nico y global.
Ejemplo 17
Min x
2
1
+ x
2
2
s.a. (x
1
1)
2
+ (x
2
2)
2
= 45
2
Explicar mejor este parentesis
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 67
Lo primero que se debe hacer es demostrar la existencia de solucin para este problema. Este
problema evidentemente satisface las condiciones del teorema de Bolzano-Weierstrass por lo que
tenemos garantia de que el problema tendr solucin.
El lagrangeano queda:
L = x
2
1
+ x
2
2
+ (45 (x
1
1)
2
(x
2
2)
2
)
De las condiciones de primer orden podemos obtener:
L
x
1
= 2x
1
2(x
1
1) = 0 =
x
1
x
1
1
; x
1
= 1 (x
1
= 1 no satisface la condicin)
L
x
2
= 2x
2
2(x
2
2) = 0 =
x
2
x
2
2
; x
2
= 2 (x
2
= 2 no satisface la condicin)
x
1
x
1
1
=
x
2
x
2
2
2x
1
= x
2
Utilizando esta condicin en conjunto con la restriccin tenemos que:
(x
1
1)
2
+ (2x
1
2)
2
= 45
x
2
1
2x
1
+ 1 + 4x
2
1
8x
1
+ 4 = 45
5x
2
1
10x
1
40 = 0
Por lo tanto las soluciones posibles son:
x
1
= 4 x
2
= 8 =
4
3
x
1
= 2 x
2
= 4 =
2
3
Estos dos puntos son los nicos puntos que satisfacen las condiciones necesarias de primer orden.
Esto signica que, de no existir puntos singulares al problema, el punto ptimo al problema ser
uno de ellos. A continuacin revisaremos las condiciones de segundo orden. La matriz Hessiana es:
H =
_
2 2 0
0 2 2
_
Para caracterizar esta matriz debemos reemplazar los valores de :
H(4, 8,
4
3
) =
_
2
3
0
0
2
3
_
Denida Negativa, por lo tanto, x = (4, 8) es un mximo local
estricto, f( x) = 80.
H(2, 4,
2
3
) =
_
2
3
0
0
2
3
_
Denida positiva, por lo tanto, x = (2, 4) es un mnimo local
estricto, f( x) = 20.
Existen puntos singulares en el dominio?
68 CHAPTER 2. PROGRAMACIN NO LINEAL
J( x) =
_
h
x
1
h
x
2
_
=
_
2(x
1
1) 2(x
2
2)
_
El nico punto no regular (que hace
nulo el jacobiano) es (1, 2) pero este punto no es factible. As, el punto extremo identicado es
mnimo global del problema.
Ejemplo 18
Min x
1
x
2
x
2
x
3
x
3
x
1
s.a. x
1
+ x
2
+ x
3
= 3
(x
1
, x
2
, x
3
) R
3
Lo primero que se debe hacer es demostrar la existencia de solucin para este problema. Este
problema satisface las condiciones del teorema de existencia de soluciones ptimas por lo que
tenemos garanta de que el problema tendr solucin. La funcin objetivo es continua, el dominio es
cerrado y no vaco (el punto (1, 1, 1) es factible). Para mostrar que f(x) + si ||x|| +, x
D se necesita que al menos una de las variables tienda a innito. Para comenzar asignemos a una
de las variables, digamos x
1
, el valor M. En ese caso x
2
+ x
3
= 3 M. Y la funcin objetivo
queda M(M 3) x
3
x
2
. Ahora bien, si M +, entonces es necesario determinar qu sucede
con la funcin objetivo. Es fcil demostrar que el mximo valor que toman x
3
x
2
restringidos
a x
2
+ x
3
= 3 M es x
2
= x
3
=
3M
2
. Es decir, la funcin objetivo tender como mnimo a
M(M 3)
(M3)
2
4
.Y esta funcin claramente tiende a innito cuando M tiende a ello.
Slo ahora podemos preocuparnos de la bsqueda de ptimos locales.
L = x
1
x
2
x
2
x
3
x
3
x
1
+ (3 x
1
x
2
x
3
)
L
x
1
= x
2
x
3
= 0
L
x
2
= x
1
x
3
= 0
L
x
3
= x
2
x
1
= 0
_

_
x
1
= x
2
= x
3
= 1; = 2
Dado que el dominio es lineal, no existen puntos singulares en el dominio. Ahora, cmo saber
si x es un punto mnimo o no? Como hemos demostrado la existencia de una solucin ptima, este
punto debe corresponder a ese mnimo. A pesar de esta certidumbre, proseguiremos identicando
el Hessiano del Lagrangeano:
H =
_

_
0 1 1
1 0 1
1 1 0
_

_
pero este Hessiano no es ni positivo semidenido ni negativo semidenido. As, es necesario analizar
si limitando las direcciones de movimiento desde el punto (1, 1, 1) slo a aqullas que satisfagan la
restriccin, es posible discernir si este punto corresponde a un mnimo o mximo local del problema.
El punto (x
1
+ x
1
, x
2
+ x
2
, x
3
+ x
3
) debe satisfacer la restriccin por lo que debe cumplirse:
x
1
+ x
1
+ x
2
+ x
2
+ x
3
+ x
3
= 3, y como x
1
+ x
2
+ x
3
= 3, el vector

x debe satisfacer
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 69
x
1
+ x
2
+ x
3
= 0. As, para que el punto (1, 1, 1) sea mnimo local debe cumplirse que
_
x
1
x
2
x
3
_
_

_
0 1 1
1 0 1
1 1 0
_

_
_

_
x
1
x
2
x
3
_

_ = 2(x
1
x
2
+ x
2
x
3
+ x
3
x
1
) 0
para todo

x que satisfaga x
1
+ x
2
+ x
3
= 0.
Despejando x
1
= x
2
x
3
el lado izquierdo queda 2(x
2
2
+x
2
x
3
+x
2
3
). Esta expresin
es necesariamente positiva para todo (x
2
, x
3
) = (0, 0). Esto se puede mostrar de dos formas:
2(x
2
2
+ x
2
x
3
+ x
2
3
) = (x
2
+ x
3
)
2
+ x
2
2
+ x
2
3
. Y la suma de elementos positivos no
puede ms que ser positivo. Alternativamente se puede representar matricialmente la expresin del
siguiente modo:
2(x
2
2
+ x
2
x
3
+ x
2
3
) = [x
2
x
3
]
_
2 1
1 2
__
x
2
x
3
_
.
Es fcil ver que este valor es siempre positivo (x
2
, x
3
) = (0, 0) pues la matriz involucrada en la
operacin es positiva denida. Por lo tanto, x = (1, 1, 1) es un punto mnimo global del problema.
Interpretacin de los multiplicadores
j
Proveeremos una interpretacin para los multiplicadores de Lagrange
j
comenzando del caso ms
simple, esto es (n = 2, m = 1). En este caso las condiciones de primer orden indicaban:
f
x
1

h
x
1
= 0
f
x
2

h
x
2
= 0
a h(x
1
, x
2
) = 0
podemos expresar la solucin ptima (x

) en funcin del parmetro a, como x

1
(a), x

1
(a),

(a).
As, el Lagrangeano sera:
L(a) = f(x

1
(a), x

2
(a)) +

(a)(a h(x

1
(a), x

2
(a))).
Luego, derivando con respecto al parmetro a, tenemos:
L
a
=
__
f
x
1

h
x
1
_
dx
1
da
+
_
f
x
2

h
x
2
_
dx
2
da
+ (a h(x
1
, x
2
))
d
da
+ (a)
_
(x,)=(x

(a),

(a))
,
Sin embargo, los tres primeros trminos del lado derecho de esta expresin evaluados en un punto
mnimo local son nulos (por condiciones de optimalidad). As,
L
a

optimo
=
f
a

optimo
= .
70 CHAPTER 2. PROGRAMACIN NO LINEAL
En resumen, es la sensibilidad del valor ptimo ( v) frente a pequeas variaciones en el
parmetro a. Si el parmetro a es modicado en a

= a + a, entonces el valor ptimo puede


aproximarse como v

= v + v v + a. El multiplicador puede tomar valores negativos o


positivos, de hecho basta multiplicar la restriccin por (1) para que el valor del multiplicador
cambie de signo (sin haber modicado el conjunto factible). Esto se debe a que al aumentar en una
unidad el lado derecho de la restriccin, es posible que la funcin objetivo aumente o disminuya
pues se est modicando completamente los puntos del dominio. Para el caso general (n, m), la
interpretacin de los multiplicadores es absolutamente anloga, es decir, si x es el punto mnimo
local,
f( x)
a
j
=
j
,
es decir cada multiplicador
j
se interpreta como el impacto en el valor ptimo de un aumento
en una unidad del lado derecho de la restriccin respectiva. Esto puede ser muy til al trabajar
con un problema real y complejo, pues permite obtener rpidamente una sensibilidad respecto al
impacto sobre el valor ptimo de la disponibilidad de recursos de cada tipo que limitan este valor.
Por ejemplo, conocer los multiplicadores de lagrange (o precios sombra) asociados a restricciones
de capacidad total de una mquina, de insumos disponibles, o de mano de obra contratada permite
identicar en cul de estos tres tems resulta ms conveniente invertir. Es importante destacar que
esta prediccin se desprende de una aproximacin lineal del lagrangeano en torno al parmetro a.
As, slo tiene validez para modicaciones leves de este valor.
Volviendo al ejemplo anterior del terreno a la orilla del ro, cunto cambiar la funcin objetivo
si ahora hubiese que comprar 10.010 m
2
en vez de 10.000 m
2
?
Como v = a, la funcin objetivo cambia v (0, 97)(10) = 9, 7. Volviendo al problema
original de maximizacin, la funcin objetivo que representa los m
2
tiles aumentar 9, 7 m
2
.
2.2.3 Caso 3: Restricciones de desigualdad
Para comenzar constatemos que todo problema de programacin matemtica continua (con fun-
ciones diferenciables) puede formularse bajo un formato estndar en que todas las restricciones son
del tipo menor o igual y todas las variables deben ser no negativas. Es decir cualquier problema se
puede formular del siguiente modo:
P) Min f(x
1
, ..., x
n
)
s.a g
j
(x
1
, ..., x
n
) b
j
j = 1, ..., m
x
1
0, ..., x
n
0
A continuacin se describen algunas transformaciones necesarias para llevar cualquier problema
a este formato:
Cada restriccin del tipo g(x) = b, puede transformarse en dos desigualdades del siguiente
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 71
modo:
g(x) b
g(x) b
Cada restriccin del tipo g(x) b, se puede reescribir acorde al formato estndar como:
g(x) b
Si el modelo exige que una variable sea no positiva, basta redenir una nueva variable como
el negativo de la anterior y reemplazarla en el problema. Esta nueva variable deber cumplir
la restriccin de no negatividad.
Si el modelo deja una variable libre (esto es que no est restringida a tomar valores no-
negativos) se puede realizar las siguientes modicaciones que permitan modelar el problema
bajo la estructura indicada: reemplazar x = x

en el modelo y exigir que ambas variables


nuevas (x

y x

) sean no-negativas. Este cambio permite ajustarse a la estructura que exige


que todas las variables sean no-negativas y no elimina soluciones. Note que cualquier valor
positivo de x se representa por un par (x

, x

) tal que x

> x

. Anlogamente, cualquier valor


negativo de x se representa por un par (x

, x

) tal que x

< x

. Asimismo, resulta claro que


cualquier punto factible en el modelo original (en que supongamos x = x
0
) puede representarse
por una innidad de puntos en el modelo nuevo puesto que habr innitas combinaciones de
(x

, x

) tal que x

= x
0
.
En contraposicin, es importante notar que toda restriccin g(x) b, puede convertirse en
una restriccin de igualdad introduciendo una nueva variable de holgura h no-negativa que
represente la diferencia entre el lado derecho y el izquierdo de la desigualdad. De este modo,
la restriccin quedara g(x) + h = b, con h 0. Asimismo cada restriccin del tipo g(x) b
puede convertirse en una restriccin de igualdad introduciendo una variable de exceso e no
negativa. De este modo, la restriccin quedara g(x) e = b, con e 0. Si h = 0 (o e = 0)
para algn vector x, se dice que la restriccin correspondiente est activa en el punto x.
Si h = 0(o e = 0) la restriccin est inactiva en el punto x.
Anlisis de optimalidad :
Al igual que en el caso unidimensional analizado en la seccin 2.2.1, las condiciones de optimal-
idad dieren si se trata de un punto en el borde del dominio (en que al menos una restriccin est
activa) o si se trata de un punto interior (en que ninguna restriccin est activa). Si supiramos
cules son las restricciones activas en el punto, bastara con expresarlas como igualdades y, elimi-
nando el resto (inactivas), emplear el mtodo de Lagrange. Sin embargo tpicamente se desconoce
cules restricciones estarn activas en el punto ptimo del problema.
72 CHAPTER 2. PROGRAMACIN NO LINEAL
Para comenzar el anlisis supongamos un problema unidimensional que cuenta con una sola
restriccin: no negatividad en la variable. Del anlisis de la seccin 2.2.1, observamos que si
la derivada es estrictamente positiva (negativa) en x = 0 entonces este punto es necesariamente
un mnimo (mximo) local. Sin embargo, si la derivada es nula en x = 0 es necesario analizar
su segunda derivada para caracterizar el punto. Por otra parte, la derivada en cualquier punto
x > 0 que sea mximo o mnimo local debe ser nula. As, se desprenden las siguientes condiciones
necesarias de primer orden para caracterizar un punto mnimo x :
f

( x) = 0 si x > 0
f

( x) 0 si x = 0,
lo que matemticamente puede expresarse del siguiente modo (note que ambas condiciones son
satisfechas por un idntico conjunto de puntos):
f

( x) 0
xf

( x) = 0.
Estas condiciones pueden extenderse directamente al caso de un problema multidimensional sin
restricciones, salvo que todas sus variables deben ser no negativas. En ese caso las condiciones
quedan:
f( x)
x
i
0 i
f( x)
x
i
x
i
= 0 i
Al igual que en el caso unidimensional, estas condiciones son necesarias para optimalidad, pero
no son sucientes. Si
f( x)
x
i
> 0 el punto x es un mnimo local, pero si
f( x)
x
i
= 0 podra tratarse
tanto de un mximo como de un mnimo local. Es importante destacar que estas condiciones de
optimalidad rigen slo para aquellas variables del problema que estn restringidas a tomar valores
no negativos. Si algunas de las variables no estn sujetas a estas restricciones, para esas variables
las condiciones de optimalidad son simplemente
f( x)
x
i
= 0.
Consideremos ahora un problema un poco ms general en que se agregan algunas restricciones
de igualdad al problema. Es decir:
P) Min f(x)
s.a g
j
(x) = b
j
j
x
i
0 i
Se podra denir un Lagrangeano que incorpore las restricciones complejas dejando slo las
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 73
restricciones de no-negatividad en el dominio:
Min L(x, ) = f(x) +
m

j=1

j
(g
j
(x) b
j
)
s.a. x
i
0 i
Note que hemos optado por invertir el orden en que se incorpora cada restriccin al Lagrangeano
por motivos que ms adelante sern aparentes. Por lo pronto esto tiene como nico impacto invertir
la interpretacin que se le da al multiplicador
j
: ahora corresponde a cunto cae la funcin objetivo
si b
j
aumenta en una unidad.
Note tambin que en este nuevo problema en que se minimiza el Lagrangeano slo algunas de
sus variables (i.e., los x
i
) estn restringidas a tomar valores no negativos (los
j
estn libres). As,
debemos considerar las condiciones apropiadas de optimalidad en cada caso. Estas seran:
L
x
i
0
f
x
i
+
m

j=1

j
g
j
x
i
0 i = 1, ..., n
x
i
L
x
i
= 0 x
i
(
f
x
i
+
m

j=1

j
g
j
x
i
) = 0 i = 1, ..., n
L

j
= 0 g
j
(x) b
j
= 0 j = 1, ..., m
Adems se debe cumplir con las restricciones de no negatividad que en este caso son:
x
i
0 i = 1, ..., n.
Estas cuatro familias de condiciones describen las condiciones necesarias de primer orden para
optimalidad de puntos regulares en este caso. Esto nos deja a un paso de identicar las condiciones
generales para un problema no lineal de programacin matemtica continua.
Considere el siguiente problema:
P) Min f(x)
s.a g
j
(x) b
j
j = 1, ..., m
x
i
0 i = 1, ..., n
Para determinar las condiciones necesarias de primer orden para optimalidad en este caso gen-
eral, consideraremos variables auxiliares de holgura y
j
(no negativas) para cada una de las m
74 CHAPTER 2. PROGRAMACIN NO LINEAL
restricciones que nos permitirn reformular el problema del siguiente modo equivalente:

P) Min f(x)
s.a g
j
(x) + y
j
= b
j
j = 1, ..., m
x
i
0, i = 1, ..., n
y
j
0 j = 1, ..., m
Este problema es similar al explicado en los prrafos previos por lo que se puede identicar las
condiciones que deber satisfacer todo mnimo local a partir del siguiente problema:
Min L(x, y, ) = f(x) +
m

j=1

j
(g
j
(x) + y
j
b
j
)
s.a. x
i
0 i
y
j
0 j
Las condiciones son:
L
x
i
=
f
x
i
+
m

j=1

j
g
j
x
i
0 i = 1, ..., n
x
i
L
x
i
= x
i
(
f
x
i
+
m

j=1

j
g
j
x
i
) = 0 i = 1, ..., n (2.8)
L
y
j
=
j
0 j = 1, ..., m
y
j
L
y
j
= y
j

j
= 0 j = 1, ..., m
L

j
= g
j
(x) + y
j
b
j
= 0 j = 1, ..., m
x
i
0 i = 1, ..., n
y
j
0 j = 1, ..., m
Ahora, de la quinta familia de condiciones, se puede eliminar la variable y
j
de la formulacin
reemplazando y
j
= b
j
g
j
(x). De este modo las familias de condiciones cuarta y sptima quedan:
[b
j
g
j
(x)]
j
= 0 j = 1, ..., m (2.9)
b
j
g
j
(x) 0 j = 1, ..., m
Con lo anterior se puede plantear las condiciones generales de optimalidad desarrolladas por
Karush (1939) y Kuhn y Tucker (1951).
3
3
Estas condiciones fueron conocidas por ms de una dcada como las condiciones de Kuhn-Tucker. Esto debido
a que en 1951 mientras Harold W. Kuhn desarrollaba su tesis doctoral en Princeton bajo la supervisin del profesor
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 75
Proposicin 34 (Condiciones de Karush-Kuhn-Tucker (KKT)) Supngase que f(x), g
j
(x)
con j = 1, ..., m, son funciones diferenciables que satisfacen ciertas condiciones de regularidad.
Entonces, x puede ser una solucin ptima para el problema de programacin no-lineal, slo si
existen m nmeros
1
, ...,
m
que satisfagan todas las condiciones (necesarias) siguientes:
f( x)
x
i
+
m

j=1

j
g
j
( x)
x
i
0 i = 1, ..., n
x
i
(
f( x)
x
i
+
m

j=1

j
g
j
( x)
x
i
) = 0 i = 1, ..., n
g
j
( x) b
j
0 j = 1, ..., m

j
(g
j
( x) b
j
) = 0 j = 1, ..., m
x
i
0 i = 1, .., n

j
0 j = 1, ..., m.
Es importante notar que el cumplimiento de estas condiciones no garantiza que la solucin sea p-
tima (todo mnimo local las satisface). Se necesitan ciertas suposiciones de convexidad adicionales
para obtener esta garanta.
En este caso los multiplicadores
j
nos indican cunto baja la funcin objetivo si b
j
aumenta en
una unidad. Como la funcin objetivo debe ser minimizada, esto indica que slo se puede mejorar
a travs de aumentar b
j
. Esto es natural puesto que aumentar b
j
implica expandir el dominio, esto
es expandir el espectro de posibilidades de donde escoger.
La cuarta condicin se denomina complementariedad de las holguras, y exige que si la restriccin
de desigualdad est activa (g
j
( x) b
j
= 0), su holgura sea cero y su multiplicador asociado (
j
)
tome cualquier valor no negativo. Indicando que si se expande el dominio relajando esa restriccin,
la solucin ptima cambiara y la funcin objetivo seguramente mejorara. Por otra parte, si la
restriccin est inactiva (g
j
( x) b
j
< 0), la holgura es estrictamente positiva y es el multiplicador
asociado quien toma un valor nulo. Esto indica que si se relaja esta restriccin no se modicar la
optimalidad local del punto x identicado.
Es interesante recordar que en el caso de problemas de optimizacin slo con restricciones
de igualdad, la condicin necesaria de primer orden puede interpretarse de la siguiente manera:
el gradiente de la funcin objetivo en el punto ptimo es igual a una combinacin lineal de los
gradientes de las restricciones en ese mismo punto. En el caso de problemas con restricciones de
desigualdad, esto an es cierto, pero en este caso el gradiente de la funcin objetivo en el punto
ptimo debe equivaler a una combinacin lineal de los gradientes de las restricciones activas (
j
> 0)
Albert W. Tucker, descubri estas condiciones de optimalidad. En la dcada de los 60s, alguien encontr en una
biblioteca una tesis de master desarrollada en la Universidad de Chicago en 1939 por William Karush, donde estableca
exactamente las mismas condiciones. Este trabajo nunca fue publicado debido a la poca importancia que le dio su
profesor gua en ese minuto. Apenas esto se supo, Kuhn y Tucker antepusieron a Karush en el nombre de estas
condiciones y de ah en adelante de habla de las condiciones KKT.
76 CHAPTER 2. PROGRAMACIN NO LINEAL
en el punto. Por ejemplo, en un punto interior al dominio todos los
j
son nulos (las restricciones
estn inactivas) y por tanto la condicin de optimalidad se traduce en que el gradiente de la funcin
objetivo sea nulo en el punto.
Mencionamos que si el problema original incorpora restricciones de igualdad o variables libres,
el problema puede ser transformado en uno equivalente en que slo haya restricciones de menor
o igual y todas las variables deban tomar valores no negativos. Sin embargo esta transformacin
conlleva un costo ya que se expande el nmero de restricciones o de variables en el problema.
Alternativamente se puede modicar levemente las condiciones de optimalidad de KKT para tratar
directamente estas caractersticas del problema. Consideremos el siguiente problema:
P) Min f(x)
s.a g
j
(x) b
j
j = 1, ..., p
g
j
(x) = b
j
j = p + 1, ..., m
x
i
0 i = 1, ..., q
x
i
libre i = q + 1, ..., n
En este caso se ha considerado un conjunto de restricciones de igualdad y algunas variables
libres. En ese caso es fcil demostrar a partir del procedimiento desarrollado en este texto que las
condiciones de optimalidad son las siguientes:
f( x)
x
i
+
m

j=1

j
g
j
( x)
x
i
0 i = 1, ..., q
x
i
(
f( x)
x
i
+
m

j=1

j
g
j
( x)
x
i
) = 0 i = 1, ..., q
f( x)
x
i
+
m

j=1

j
g
j
( x)
x
i
= 0 i = q + 1, ..., n
g
j
( x) b
j
0 j = 1, ..., p

j
(g
j
( x) b
j
) = 0 j = 1, ..., p
g
j
( x) b
j
= 0 j = p + 1, ..., m
x
i
0 i = 1, .., q

j
0 j = 1, ..., p.
Es decir slo se agregan dos familias de restricciones asociadas a los cambios efectuados: para las
variables libres slo se exige que la derivada parcial del Lagrangeano con respecto a esas variables
se a nulo y se exige que se cumplan las restricciones de igualdad. Note que los multiplicadores
asociados a estas restricciones quedan libres.
Las condiciones de optimalidad de Karush-Kuhn-Tucker son condiciones necesarias y slo garan-
tizaran optimalidad global si se cumplen adicionalmente otras condiciones de convexidad. Con-
2.2. OPTIMIZACIN DE UNA FUNCIN CON RESTRICCIONES 77
sidere el siguiente corolario:
Corolario 35 Supngase que f(x) es una funcin convexa y diferenciable, y que g
1
(x), g
2
(x), ..., g
m
(x)
tambin lo son en donde todas estas funciones satisfacen las condiciones de regularidad. Entonces
x = ( x
1
, ..., x
n
) es una solucin ptima si y slo si se satisfacen todas las condiciones del teorema.
Es importante destacar que el mtodo, derivado del mtodo de Lagrange, identica puntos
ptimos locales que cumplan condiciones de regularidad (tal como lo exige el corolario anterior).
En este caso, estas condiciones consisten en que los gradientes de las restricciones activas en el
punto sean linealmente independientes. Es decir, si el punto ptimo al problema es tal que el
jacobiano de los gradientes de las restricciones activas en el punto no es de rango mximo, entonces
este mtodo no garantiza que se encuentre el punto ptimo.
Es posible identicar ciertas condiciones de problemas que garanticen regularidad en todo el
dominio. Considere las siguientes proposiciones.
Proposicin 36 (Slater) Las condiciones de regularidad de Slater establecen que si hay un dominio
D = {x : g
j
(x) 0} con g
j
(x) funciones convexas, y existe un punto x D tal que g
j
( x) < 0
j = 1, . . . , m, entonces todo punto x D es regular.
Proposicin 37 (Slater-Usawa) Las condiciones de regularidad de Slater-Usawa establecen que si
hay un dominio D = {x : g
j
(x) 0} con g
j
(x) funciones convexas, y existe un punto x D tal
que g
j
( x) < 0 para toda restriccin no lineal, y g
j
( x) 0 para toda restriccin lineal, entonces todo
punto x D es regular.
Corolario 38 En problemas lineales basta que haya un punto factible para decir que su dominio
es regular.
Solucin a condiciones de Karush-Kuhn-Tucker :
Si bien las condiciones de KKT expresan un sistema nito de ecuaciones que basta resolver
para identicar el conjunto de puntos que las satisface, esto suele exigir mucho tiempo y trabajo.
Esto se debe a que para cada restriccin de desigualdad o de no negatividad se tendr distintas
condiciones dependiendo de si la restriccin se asume activa o inactiva. Esto motiva las condiciones
del tipo xz = 0 presentes en las condiciones KKT. La nica forma de abordarlas es considerar dos
casos separados: x = 0 y z = 0 y en la medida que se tenga muchas condiciones de este tipo se
deber analizar separadamente cada una de las combinaciones posibles que se pueden presentar.
As, resolver el problema exige recorrer un rbol binario de decisiones en que en cada nodo se debe
abordar una de estas condiciones y tomar dos caminos separados (e.g. x = 0 en una direccin y
x = 0 en la otra). Por lo tanto cada nodo del rbol lleva asociado un conjunto de decisiones para
satisfacer las condiciones ya abordadas. As, por ejemplo si se tiene un problema de tres variables
(x
1
, x
2
y x
3
), todas restringidas a tomar valores no negativos, se deber analizar (en el peor de los
78 CHAPTER 2. PROGRAMACIN NO LINEAL
casos) los siguientes ocho casos:
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0
x
1
= 0; x
2
= 0; x
3
= 0.
Sin embargo, al recorrer este rbol tpicamente es posible descartar algunos escenarios antes de
revisarlos en detalle como se ver en los ejemplos al nal de esta seccin.
Ejemplo 19 Considere el siguiente problema:
P) Max f(x
1
, x
2
) = ln(x
1
+ 1) + x
2
s.a 2x
1
+ x
2
3
x
1
, x
2
0
El problema puede modicarse del siguiente modo:
P) Min ln(x
1
+ 1) x
2
f(x) es convexa
s.a 2x
1
+ x
2
3 g(x) es convexa
x
1
, x
2
0
Resulta claro que el problema presenta caractersticas que permiten garantizar que el mtodo de
KKT identicar slo un punto y que ste ser el ptimo global. Adems, el dominio est denido
por restricciones lineales por lo que no habr puntos singulares. El Lagrangeano del problema
queda:
L = ln(x
1
+ 1) x
2
+
1
(2x
1
+ x
2
3)
2.3. PROBLEMAS RESUELTOS 79
Resolviendo las condiciones de KKT es posible obtener una solucin ptima.
1a.
1
x
1
+ 1
+ 2
1
0
2a. x
1
(
1
x
1
+ 1
+ 2
1
) = 0
1b. 1 +
1
0
2b. x
2
(1 +
1
) = 0
3. 2x
1
+ x
2
3
4.
1
(2x
1
+ x
2
3) = 0
5. x
1
0, x
2
0
6.
1
0
De donde es fcil ver que:

1
1 de la condicin 1b.
x
1
0 de la condicin 5.
Por lo tanto,
1
x
1
+ 1
+ 2
1
> 0.
Por lo tanto, x
1
= 0 de la condicin 2a.

1
= 0 implica que 2x
1
+ x
2
3 = 0, de la condicin 4.
Los pasos 3 y 4 implican que x
2
= 3.
x
2
= 0 implica que
1
= 1, de la condicin 2b.
Los valores x
1
= 0, x
2
= 3 y
1
= 1 no violan ninguna condicin.
Por lo tanto, x = (0, 3) es solucin ptima para este problema.
2.3 Problemas resueltos
2.3.1 Optimizacin de una funcin sin restricciones
Problema 39 (Condiciones Necesarias y Sucientes (I2 1

03/Ex1

03)) Qu condiciones
deben cumplir los parmetros a y b para que un punto de la funcin f(x, y) = x
2
+axy +by
2
+x+y
cumpla con las condiciones necesarias, pero no sucientes para ser mnimo?
Solucin: Las condiciones necesarias son que los
i
0. Por lo que habr que construir la
matriz Hessiana.
80 CHAPTER 2. PROGRAMACIN NO LINEAL
f
x
= 2x + ay + 1
f
y
= ax + 2by + 1
Luego, H =
_
2 a
a 2b
_
. Entonces, para que se cumpla con las condiciones necesarias,
como
1
= 2 > 0,
2
= 4b a
2
0.
Las condiciones sucientes son que los
i
> 0, pero queremos que estas condiciones no
se cumplan, por lo que algn
i
= 0. Como
1
= 2 > 0, entonces
2
= 4b a
2
= 0.
Por lo tanto, se concluye que la condicin es 4b = a
2
.
Problema 40 Considere el siguiente problema de optimizacin:
Minf(x) = x
4
4x
3
48x
2
+ 480x 160
Realice 4 iteraciones con el mtodo de Newton comenzando en x
0
= 5 y luego repita pero con
x
0
= 5.
Solucin:
En primer lugar se ve que
f
x
= 4x
3
12x
2
+ 96x + 480y

2
f
x
2
= 12x
2
24x + 96
a) Punto inicial: x
0
= 5
x
1
= x
0

(x
0
)
f

(x
0
)
con x
0
= 5 x
1
= 2.62
x
2
= x
1

(x
1
)
f

(x
1
)
x
2
= 5.4
x
3
= 3.566
x
4
= 9.308
b) Punto inicial: x
0
= 5
x
0
= 5
x
1
= 5.494
x
2
= 5.4485
x
3
= 5.4481
x
4
= 5.4481
Problema 41 Considere los siguientes problemas de optimizacin:
2.3. PROBLEMAS RESUELTOS 81
a)
Min f(x, y) = x
2
4y 2xy + 2y
2
b)
Min f(x, y) = 5x
2
+ 5y
2
xy 11x + 11y + 11
Utilizando el mtodo del gradiente realice dos iteraciones, tomando como punto de partida el
punto (x, y) = (0, 0).
Solucin:
a) En primer lugar se ve que
f
x
= 2x 2y,
f
y
= 4 2x + 4y
A partir de esto, se realizan las iteraciones:
i)
x
1
= x
0

f(x
0
) x
1
=
_
0
0
_

_
0
4
_
=
_
0
4
_
Min
0
f(0, 4) = 16 + 32
2
f

= 16 + 64 0

= 1/4,

2
f

2
= 64 > 0 =

es mnimo global.
x
1
=
_
0
1
_
ii)
x
2
= x
1

f(x
1
) x
2
=
_
0
1
_

_
2
0
_
=
_
2
1
_
Min
0
f(2, 1) = 4
2
4 4 + 2
f

= 8 4 0

= 1/2,

2
f

2
= 8 > 0 =

es mnimo global.
x
2
=
_
1
1
_
Se necesita seguir iterando para llegar al punto ptimo.
82 CHAPTER 2. PROGRAMACIN NO LINEAL
b) Del mismo modo, se aprecia que:
f
x
= 10x y 11,
f
y
= 10y x + 11
Nuevamente, a partir de estas derivadas, se realizan las iteraciones:
i)
x
1
= x
0

f(x
0
) x
1
=
_
0
0
_

_
11
11
_
=
_
11
11
_
Min
0
f(11, 11) = 5(11)
2
+ 5(11)
2
+ 121
2
121 121 + 11
f

= 2 110 11 + 242 242 0

= 1/11,

2
f

2
> 0 =

es mnimo global.
x
1
=
_
1
1
_
ii)
x
2
= x
1

f(x
1
) x
2
=
_
1
1
_

_
0
0
_
=
_
1
1
_
Por lo que x
2
= x
1
= se obtuvo el punto ptimo (1, 1) .
Problema 42 Determine el mnimo de la funcin
f(x, y, z) = x
2
+ y
2
+ 2z
2
utilizando para ello el mtodo de Newton y el metodo del gradiente, y como punto inicial (2, 2, 1).
Compare ambos resultados.
Solucin:
a) Mtodo de Newton
En primer lugar se ve que
f
x
= 2x,
f
y
= 2y,
f
z
= 4z
El hessiano estar dado por
H =
_

_
2 0 0
0 2 0
0 0 4
_

_ H
1
=
_

_
1/2 0 0
0 1/2 0
0 0 1/4
_

_, x, y, z
2.3. PROBLEMAS RESUELTOS 83
Y las iteraciones estarn dadas por
x
1
= x
0
H
1
(f(x
0
)) f(x
0
) con x
0
= (2, 2, 1)
x
1
=
_
_
_
2
2
1
_
_
_
_

_
1/2 0 0
0 1/2 0
0 0 1/4
_

_
_
_
_
4
4
4
_
_
_ =
_
_
_
0
0
0
_
_
_
x
2
= x
1
H
1
(f(x
1
)) f(x
1
) con x
0
= (0, 0, 0)
x
2
=
_
_
_
0
0
0
_
_
_

_
1/2 0 0
0 1/2 0
0 0 1/4
_

_
_
_
_
0
0
0
_
_
_
=
_
_
_
0
0
0
_
_
_
Por lo que x
2
= x
1
= llegamos al punto extremo (0, 0, 0).
b) Mtodo del Gradiente
Las iteraciones estarn dadas por,
i)
x
1
= x
0

f(x
0
) x
1
=
_
_
_
2
2
1
_
_
_
_
_
_
4
4
4
_
_
_ =
_
_
_
2 4
2 + 4
1 4
_
_
_
Min
0
f(x
1
) = (2 4)
2
+ (2 + 4)
2
+ 2(1 4)
2
f

= 8(2 4) + 8(2 + 4) 16(1 4) 0

= 3/8,

2
f

2
= 8 4 + 8 4 + 16 4 > 0 =

es mnimo global.
x
1
=
_
_
_
1/2
1/2
1/2
_
_
_
ii)
x
2
= x
1

f(x
1
) x
2
=
_
_
_
1/2
1/2
1/2
_
_
_
_
_
_
1
1
2
_
_
_ =
_
_
_
1/2
1/2 +
1/2 + 2
_
_
_
84 CHAPTER 2. PROGRAMACIN NO LINEAL
Min
0
f(x
2
) = (1/2 )
2
+ (1/2 + )
2
+ 2(1/2 + 2)
2
f

= 2(1/2 ) + 2(1/2 + ) + 8(1/2 + 2) 0

= 3/10,

2
f

2
= 2 + 2 + 16 = 20 > 0 =

es mnimo global.
x
2
=
_
_
_
1/5
1/5
1/10
_
_
_
iii)
x
3
= x
2

f(x
2
) x
3
=
_
_
_
1/5
1/5
1/10
_
_
_

_
_
_
2/5
2/5
2/5
_
_
_
=
_
_
_
1/5 2/5
1/5 + 2/5
1/10 2/5
_
_
_
Min
0
f(x
2
) =
1
25
_
(1 2)
2
+ (1 + 2)
2
+ 2(1/2 2)
2

=
1
25
[4(1 2) + 4(1 + 2) 8(1/2 2)] 0

= 3/8,

2
f

2
=
1
25
[8 + 8 + 16] > 0 =

es mnimo global.
x
3
=
_
_
_
1/5 3/20
1/5 + 3/20
1/10 3/20
_
_
_ =
_
_
_
1/20
1/20
1/20
_
_
_ ...etc.
Ambos mtodos llegarn al mismo punto ptimo, pero a travs del mtodo de Newton slo
requiri 2 iteraciones, mientras que por el mtodo del gradiente se hiceron 3 iteraciones, y an
no se logra llegar al ptimo. La funcin objetivo representa una elipse, por lo que el mtodo del
gradiente converge muy lentamente.
Problema 43 Determine la relacin que debe existir entre los parmetros a y b, para que la funcin
f(x) = e
ax
cos(bx)
llegue a su punto ptimo en la segunda iteracin a travs del mtodo de Newton, utilizando como
punto inicial x
0
= 2/b.
Solucin:
En primer lugar, se ve que
f
x
= ae
ax
cos(bx) be
ax
sin(bx)

2
f
x
2
= a
2
e
ax
cos(bx) 2abe
ax
sin(bx) b
2
e
ax
cos(bx)
2.3. PROBLEMAS RESUELTOS 85
Luego
x
1
= x
0

(x
0
)
f

(x
0
)
con x
0
= 2/b
x
1
= x
0

acos(bx
0
) b sin(bx
0
)
(a
2
b
2
) cos(bx
0
) 2ab sin(bx
0
)
=
2
b

a
a
2
b
2
x
2
= x
1

(x
1
)
f

(x
1
)
x
2
= x
1

a cos
_

ab
a
2
b
2
_
b sin
_

ab
a
2
b
2
_
(a
2
b
2
) cos
_

ab
a
2
b
2
_
2ab sin
_

ab
a
2
b
2
_ x
1
As, para encontrar el ptimo en la segunda iteracin, se necesita
acos
_

ab
a
2
b
2
_
b sin
_

ab
a
2
b
2
_
= 0
a
b
= tan
_
ab
a
2
b
2
_
Se puede corroborar esta solucin buscando el punto crtico con el gradiente, x

=
1
b
arctan
_
a
b
_
.
Al introducir la condicin que deben cumplir los parmetros a y b, el punto crtico toma el valor
de x
1
.
Problema 44 Determine el mnimo de la funcin
f(x, y, z) = 5x
2
+ 2y
2
+ 2z
2
+ 2xy + 2yz 2xz 6z
utilizando el mtodo del gradiente, y considerando como punto de inicio x
0
= (0, 0, 0).
Solucin:
En primer lugar se obtienen las derivadas parciales, resultando
f
x
= 10x + 2y 2z,
f
y
= 4y + 2x + 2z,
f
z
= 4z + 2y 2x 6
Luego se comienzan a realizar las iteraciones:
i)
x
1
= x
0

f(x
0
) x
1
=
_
_
_
0
0
0
_
_
_
_
_
_
0
0
6
_
_
_ =
_
_
_
0
0
6
_
_
_
86 CHAPTER 2. PROGRAMACIN NO LINEAL
Min
0
f(x
1
) = 2(6)
2
36
f

= 24(6) 36 0

= 1/4,

2
f

2
= 24 6 > 0 =

es mnimo global.
x
1
=
_
_
_
0
0
3/2
_
_
_
ii)
x
2
= x
1

f(x
1
) x
2
=
_
_
_
0
0
3/2
_
_
_
_
_
_
3
3
0
_
_
_ =
_
_
_
3
3
3/2
_
_
_
Min
0
f(x
2
) = 5(3)
2
+ 2(3)
2
+ 9/2 18
2
9 9 9
f

= 30 3 18 0

= 1/5,

2
f

2
= 90 > 0 =

es mnimo global.
x
2
=
_
_
_
3/5
3/5
3/2
_
_
_
iii)
x
3
= x
2

f(x
2
) x
3
=
_
_
_
3/5
3/5
3/2
_
_
_
_
_
_
9/5
9/5
12/5
_
_
_=
_
_
_
3/5 9/5
3/5 9/5
3/2 + 12/5
_
_
_
Min
0
f(x
3
) = 5(3/5 9/5)
2
+ 2(3/5 9/5)
2
+ 2(3/2 + 12/5)
2
+2(3/5 9/5)(3/5 9/5) 2(3/5 9/5)(3/2 + 12/5)
2(3/5 9/5)(3/2 + 12/5) 6(3/2 + 12/5)
Como se aprecia, un problema puede complicarse bastante. En este caso, por el tipo de funcin,
el mtodo no logra encontrar fcilmente la solucin. Por otro lado, si se estudia el hessiano de esta
funcin se obtiene fcilmente el punto (1,-2,3) como mnimo global del problema.
2.3.2 Optimizacin de una funcin con restricciones
Problema 45 (Lagrange (Ex.1

03)) Dado el siguiente problema:


P) Min 2xy 6y 5x + 15
s.a. 500 = xy
2.3. PROBLEMAS RESUELTOS 87
(a) Cules son las condiciones de Lagrange?
(b) Si cambio la restriccin a 510 = xy, sin resolver el problema, cunto vara la funcin obje-
tivo y cunto la solucin ptima?Es exacta aquella variacin?Es positiva o negativa la variacin?
Solucin: (a) Las Condiciones de Lagrange son:
L(x, y, z) = 2xy 6y 5x + 15 +(500 xy)
L
x
= 2y 5 y = 0
L
y
= 2x 6 x = 0
L

= 500 xy = 0
(b) Si la restriccin es 510 = xy :
- La funcin objetivo vara en 10.
- No se puede saber sin resolver si la solucin ptima (x, y) vara.
- La variacin no es exacta, es slo una estimacin.
- No se puede saber el signo de la variacin. El multiplicador de Lagrange en este caso puede
tener cualquier signo.
Problema 46 (KKT (I2 1

03)) Considere el siguiente problema de optimizacin restringida y


escriba las condiciones de KKT. Luego, encuentre los puntos de KKT candidatos a ptimo.
P) Min 3x
2
+ 2y
s.a. 3x + 4y
2
= 8
x
2
+ 5y 5
0 x 30
Solucin: Reescribiendo el problema se obtiene:
P) Min 3x
2
+ 2y
s.a. 3x + 4y
2
= 8
x
2
5y 5
x 30
x 0
88 CHAPTER 2. PROGRAMACIN NO LINEAL
Luego el lagrangeano viene dado por:
L(x, y,
1
,
2
,
3
) = 3x
2
+ 2y +
1
(3x + 4y
2
8) +
2
(x
2
5y 5) +
3
(x 30)
Y las condiciones de KKT:
L
x
= 6x + 3
1
+ 2
2
x +
3
0 (2.10)
x
L
x
= x(6x + 3
1
+ 2
2
x +
3
) = 0 (2.11)
L
y
= 2 + 8
1
y 5
2
= 0 (2.12)
L

1
= 3x + 4y
2
8 = 0 (2.13)
L

2
= x
2
5y 5 0 (2.14)

2
L

2
=
2
(x
2
5y 5) = 0 (2.15)
L

3
= x 30 0 (2.16)

3
L

3
=
3
(x 30) = 0 (2.17)
x 0 (2.18)

2
0 (2.19)

3
0 (2.20)
Una vez expresadas estas condiciones corresponde resolver el problema. La resolucin consistir
en analizar un rbol de ocho casos diferentes pues para x,
2
y
3
se debe analizar los casos en que
cada una de estas variables es cero o estrictamente positiva. Es importante notar que cada uno de
estos ocho casos conlleva un sistema de ecuaciones distinto. Se procurar realizar este proceso de
un modo eciente que evite resolver estos ocho sistemas de ecuaciones.
Si x = 0
_
y = 0 Se contradice con (2.13).
y = 0 Por (2.13) y = +

2 o y =

2 ()
En este caso, por 2.17 se debe cumplir que
3
= 0 y por 2.14 que y 1 (esto descarta la
solucin y =

2.
Es decir, si x = 0 se debe cumplir y =

2,
3
= 0.
Luego, considerando la condicin (2.12):
_

2
= 0 =
1
=
1
4y
. Por 2.10,
1
0, lo que no se satisface para y

2
= 0 =5y = 5 y = 1, con ().
Por lo tanto se puede concluir que x > 0.En ese caso:
2.3. PROBLEMAS RESUELTOS 89
6x + 3
1
+ 2
2
x +
3
= 0 (2.21)
2 + 8
1
y 5
2
= 0
3x + 4y
2
8 = 0
Si y = 0 x =
8
3
, lo que no cumple con la condicin (2.14) x
2
5. Por lo tanto, hay contradiccin.
Por lo tanto, y = 0.
Si
3
= 0 :
x = 30 y
2
=
82
4
Imaginario.
Por lo que
3
= 0. As,el sistema de ecuaciones queda:
6x + 3
1
+ 2
2
x = 0
2 + 8
1
y 5
2
= 0
3x + 4y
2
8 = 0
Si
2
= 0 el sistema se simplica a:
6x + 3
1
= 0
2 + 8
1
y = 0
3x + 4y
2
8 = 0
con lo que se obtiene
1
= 2x, x =
1
4y
2
=
1
8y
. y
3
2y +
3
32
= 0. Sern puntos de KKT
aqullos cuyo x sea positivo (x > 0). Es decir es necesario resolver esta funcin cbica e identicar
los puntos y positivos. Estos tendrn asociado un x positivo.
Y si
2
= 0 :
x
2
5y 5 = 0
3x + 4y
2
8 = 0
16y
4
64y
2
45y + 19 = 0. Sern puntos de KKT aqullos que tengan un x > 0 y un
2
> 0.
Problema 47 (KKT (I2 1

03)) Considere el siguiente problema de optimizacin. Llvelo a una


formulacin estndar y encuentre mediante las condiciones de KKT todos los puntos candidatos
a mnimo que hayan. Luego, utilizando condiciones de segundo orden verique cules de estos
candidatos son mnimos locales, y cul(es) es(son) el(los) mnimo(s) global(es).
P) Max x
2
+ x
3
s.a . x
2
1
90 CHAPTER 2. PROGRAMACIN NO LINEAL
Solucin: Primero planteamos el problema equivalente:

P) Min x
2
x
3
s.a. x
2
1
Para llevarlo a formulacin estndar, todas las variables deben ser no negativas. Sea x = x
1
x
2
,
donde x
1
0 y x
2
0. Reemplazando obtenemos el siguiente modelo en formulacin estndar:

P) Min (x
1
x
2
)
2
(x
1
x
2
)
3
s.a. (x
1
x
2
)
2
1
x
1
, x
2
0
Luego el lagrangeano sera:
L = (x
1
x
2
)
2
(x
1
x
2
)
3
+ ((x
1
x
2
)
2
1)
y las condiciones de K.K.T.:
L
x
1
= 2(x
1
x
2
) 3(x
1
x
2
)
2
+ 2(x
1
x
2
) 0 (2.22)
x
1
L
x
1
= x
1
(2(x
1
x
2
) 3(x
1
x
2
)
2
+ 2(x
1
x
2
)) = 0 (2.23)
x
1
0
L
x
2
= 2(x
1
x
2
) + 3(x
1
x
2
)
2
2(x
1
x
2
) 0 (2.24)
x
2
L
x
2
= x
2
(2(x
1
x
2
) + 3(x
1
x
2
)
2
2(x
1
x
2
)) = 0 (2.25)
x
2
0
L

= (x
1
x
2
)
2
1 (2.26)

= ((x
1
x
2
)
2
1) = 0 (2.27)
0
El dominio no admite soluciones singulares
De (2.22) y (2.24), obtenemos que o bien x
1
= x
2
= 0,o bien:
3(x
1
x
2
)
2
+ (2 2)(x
1
x
2
) = 0 (2.28)
El punto (0, 0) satisface todas las condiciones por lo que constituye un primer punto candidato.
Ahora si = 0, entonces de (2.27) tenemos que (x
1
x
2
)
2
= 1.
As de (2.28):
2.3. PROBLEMAS RESUELTOS 91
i) 3 + (2 2)(1) = 0 =
5
2
ii) 3 + (2 2)(1) = 0 < 0, que viola la restriccin de no negatividad en .
Por lo tanto, x
1
x
2
= x = 1, con =
5
2
constituye un segundo punto candidato.
Ahora si = 0 entonces de (2.28) y retornando a la formulacin original en trminos
de x, se obtiene: 3(x
1
x
2
)
2
+ 2(x
1
x
2
) = 0 (x
1
x
2
)(3(x
1
x
2
) + 2) = 0 =
_
x
1
x
2
= 0
x
1
x
2
=
2
3
.
Es decir los puntos crticos del problema original detectados por KKT son x =
2
3
,
x = 0 y x = 1. En trminos de las variables x
1
y x
2
existe innitas combinaciones para
obtener cada uno de estos tres puntos.
Para determinar el ptimo global del problema basta reemplazar cada uno de estos
tres puntos y escoger el mejor. Sin embargo se realizar previamente un anlisis de
convexidad de cada punto. La primera y segunda derivada de la funcin objetivo son:
f

(x) = 2x 3x
2
f

(x) = 2 6x
As se puede ver que:
f

(1) = 5 < 0 = Mnimo de borde (derecho) estricto. x = 1.


f

(0) = 0
f

(0) = 2 < 0
_
Por condicin suciente de 2

orden x = 0 es un mximo local


estricto (punto interior del dominio con gradiente nulo y en que el hessiano es negativo
denido).
f

(
2
3
) = 0
f

(
2
3
) = 2 > 0
_
Por condicin suciente de 2

orden x =
2
3
es un mnimo local
estricto (punto interior del dominio con gradiente nulo y en que el hessiano es positivo
denido).
Por lo tanto, x = 1 y x =
2
3
son mnimos locales y f(1) = 2 < f(
2
3
) = 0, 148.
x

= 1 es el mnimo global.
Problema 48 (KKT (I2 1

03)) Responda:
(a) Por qu para el problema de minimizacin estndar las primeras condiciones de KKT son
del tipo
L
x
0 y x
L
x
= 0? Explique.
(b) El gradiente de la funcin objetivo es una combinacin lineal de los gradientes de las
restricciones activas slo en el punto ptimo global. Comente.
Solucin: (a) Porque en el problema de minimizacin estndar las variables son no-negativas,
92 CHAPTER 2. PROGRAMACIN NO LINEAL
x
) (x f
0 = x x
) (x f
0 = x
Figure 2.11:
por lo que en el caso de estar en los bordes (x = 0) las derivadas deben ser positivas, y en el interior
deben ser cero como siempre. Lo que se ilustra en la Figura 2.11.
(b) Esto es falso solamente por el slo, ya que esto ocurre con todo punto extremo que
identica el mtodo de Lagrange.
Problema 49 (KKT(Ex1

03, pregunta especial I2)) Resuelva el siguiente problema mediante


el mtodo de Karush-Kuhn-Tucker:
P) Min xy
2
x
3
s.a. y + x
2
4
y + 2 x
y + 2 x
2
x 0
Solucin: El lagrangeano est dado por:
2.3. PROBLEMAS RESUELTOS 93
L = x
3
+ xy
2
+
1
(y +x
2
4) +
2
(y x + 2) +
3
(x
2
2 y) (2.29)
L
x
= 3x
2
+ y
2
+ 2x
1

2
+ 2x
3
0 (2.30)
x
L
x
= x(3x
2
+ y
2
+ 2x
1

2
+ 2x
3
) = 0 (2.31)
L
y
= 2xy +
1
+
2

3
= 0 (2.32)

1
(y + x
2
4) = 0
y +x
2
4 0

1
0

2
(y x + 2) = 0
y x + 2 0

2
0

3
(x
2
2 y) = 0 (2.33)
x
2
2 y 0

3
0
x 0 (2.34)
Considerando el caso en que x = 0, de (2.30) obtenemos:
y
2

2
0 (2.35)
y de (2.32):

1
+
2
=
3
(2.36)
Luego, analizando por casos, tenemos:
i)
1
= 0,
2
= 0 y
3
= 0.
De (2.32): 2xy = 0
_
Si x = 0, de (2.33), y 2, y 2, y 4 (0, 2) es un punto de KKT.
Si x = 0 y = 0; y de (2.31), 3x
2
+ y
2
= 0, x = 0 contradice x = 0.
ii)
1
,
2
= 0 y
3
= 0
De (2.33), x
2
= 2+y
_
Si x = 0, contradice (2.32).
Si x = 0, 3x
2
+ y
2
+ 2x
3
= 0. Y de (2.32), tenemos adems 2xy =
3.
Por lo tanto, 3x
2
+ y
2
+ 4x
2
y = 0, pero x
2
= 2 + y = 3(2 + y) + y
2
+ 4y(2 + y) = 0.
Entonces, 5y
2
+ 5y 6 = 0, con lo que obtenemos los valores: y
1
= 0, 704 x
1
=

2, 70; y
2
=
1, 704 x
2
= 0, 29. Ninguno de estos puntos satisface todas las condiciones. Mientras el primero
de estos puntos no satisface (y x + 2 0), el segundo implica 2x
2
y
2
< 0 y por lo tanto
3
< 0.
iii)
1
= 0,
2
= 0 y
3
= 0.
y = x 2
_

_
x = 0 contradice (2.32).
x = 0 3x
2
+ y
2
=
2
.

2
= 2xy
Luego, 3x
2
+ y
2
+ 2xy = 0, ya que y = x 2 3x
2
+ (x 2)
2
+ 2x(x 2) = 0. Por lo que
94 CHAPTER 2. PROGRAMACIN NO LINEAL
8x +4 = 0, entonces x =
1
2
y =
3
2
. Y como
2
= 2xy,
2
=
3
2
> 0. Por lo tanto, (x, y) es un
punto de KKT.
iv)
1
= 0,
2
= 0 y
3
= 0.
x = 2 + y
x
2
= 2 + y
_
x
2
= x
_
x = 1 y = 1
x = 0 y = 2
Para el primer punto (1, 1), de (2.31) y de (2.32) se tiene:
_
3 + 1
2
+ 2
3
= 0
2 +
2

3
= 0
Lo que
implica que
3
= 4 y
2
= 6. Con lo que el punto (x = 1, y = 1) es un punto de KKT.
El segundo punto (0, 2),ya fue detectado como punto KKT previamente.
v)
1
= 0,
2
,
3
= 0.
y = 4 x
2
_
x = 0, contradice (2.32).
x = 0, 2xy +
1
= 0 y 3x
2
+ y
2
+ 2x
1
= 0
Reemplazando y resolviendo se obtiene x
1
= 0, 823 y
1
= 3, 322
1
< 0, lo que contradice
la condicin. Por otra parte, se obtiene adems la solucin x
2
= 2, 173 y
2
= 0, 721, pero este
punto no cumple con la restriccin x
2
2 y 0.
vi)
1
= 0,
2
= 0 y
3
= 0.
y = 4 x
2
y = x 2
_
x
2
+x6 = 0. Obtenindose los valores x
1
= 2 y
1
= 0 y x
2
= 3 y
2
= 5.
Pero ninguno de estos puntos cumple las condiciones para ser un punto de KKT: el primero no
satisface la restriccin (x
2
2 y 0) mientras el segundo viola la no negatividad en x.
vii)
1
= 0,
2
= 0 y
3
= 0.
y = 4 x
2
y = x
2
2
_
2x
2
= 6. Por lo que x =

3 y = 1. Pero ninguno de estos dos puntos cumple


con la condicin y x + 2 0.
viii)
1
,
2
,
3
= 0.
y + x
2
4 = 0 x
2
= 4 y
y x + 2 = 0 x = y + 2
x
2
2 y = 0 x
2
= 2 + y
_

_
Ningn punto satisface estas tres condiciones.
Por lo tanto, los tres puntos de KKT son:
x y f(x, y)
0 2 0
1
2
3
2
1
1 1 0
Problema 50 Considere los siguientes problemas de optimizacin:
2
2.3. PROBLEMAS RESUELTOS 95
a)
Min
_
x
1

13
3
_
2
+
_
x
2

1
2
_
2
x
3
s.a. x
1
+
5
3
x
2
= 10
(x
2
2)
2
+ x
3
= 4
b)
Min xy
s.a. x
2
+ y
2
= 1
Encuentre las soluciones ptimas a travs del mtodo de Lagrange y caractercelas. Cul sera
aproximadamente el valor ptimo del problema b) si la constante de la restriccin fuera 1.05?
Solucin:
a)
L =
_
x
1

13
3
_
2
+
_
x
2

1
2
_
2
x
3
+
1
[x
1
+
5
3
x
2
10] +
2
[(x
2
2)
2
+ x
3
4]
=
L
x
1
= 2
_
x
1

13
3
_
+
1
0
L
x
2
= 2
_
x
2

1
2
_
+ 2
2
(x
2
2) +
5
3

1
0
L
x
3
= 1 +
2
0
L

1
0
L

2
0
Resolviendo este sistema se obtiene
x

=
_
35
6
,
5
2
,
15
4
_
con
1
= 3,
2
= 1
Tambin se debe estudiar la existencia de puntos singulares, utilizando el Jacobiano
J =
_
1 5/3 0
0 2(x
2
2) 1
_
As, el Jacobiano es linealmente independiente x
2
es regular x
2

es regular.
96 CHAPTER 2. PROGRAMACIN NO LINEAL
Para caracterizar este punto, se estudia en primer lugar el hessiano
H =
_

_
2 0 0
0 2 + 2
2
0
0 0 0
_

_
Que resulta ser semi-denido positivo en

x

, por lo que se deben estudiar las direcciones para


caracterizar el punto, que son
h
1
= x
1
+
5
3
x
2
0
h
2
= 2 (x

2
2) x
2
+ x
3
0
=

x
T
H

x =
_
5
3
x
2
x
2
x
2
_
_
_
_
2 0 0
0 4 0
0 0 0
_
_
_
_
_
_
5
3
x
2
x
2
x
2
_
_
_ =
_
50
9
+ 4
_
x
2
2
0
Por lo que el punto encontrado es un mnimo local.
b)
L = xy + (x
2
+ y
2
1)
=
L
x
= y + 2x 0
L
y
= x + 2y 0
L

0
=x
2
= y
2
, =
y
2x
Resolviendo este sistema se obtiene
x =
1

2
, y =
1

2
, =
1
2
Casos posibles:
i) x = y = = 1/2
ii) x = y = = 1/2
Para estudiar la regularidad del dominio, se obtiene el Jacobiano
J =
_
2x 2y
_
2.3. PROBLEMAS RESUELTOS 97
As se aprecia que el Jacobiano es l.i. para todo punto perteneciente al dominio, por lo que ste
es regular (El punto (0,0) no pertenece al dominio).
Para caracterizar los 4 puntos candidatos se estudia el hessiano
H =
_
2 1
1 2
_
Caso i)
H =
_
1 1
1 1
_
no es denido positivo por lo que estudiaremos las direcciones de movimiento para obtener las
condiciones de 2do orden:
h =
h
x
x +
h
y
y = 0 =x = y
=
_
x x
_
_
1 1
1 1
__
x
x
_
= 4x
2
0
As los puntos
_
1

2
,
1

2
_
y
_
1

2
,
1

2
_
son mnimos locales.
Caso ii)
H =
_
1 1
1 1
_
no es denido positivo por lo que estudiaremos las direcciones de movimiento para obtener las
condiciones de 2do orden:
h =
h
x
x +
h
y
y = 0 =x = y
=
_
x x
_
_
1 1
1 1
__
x
x
_
= 4x
2
0
As los puntos
_
1

2
,
1

2
_
y
_
1

2
,
1

2
_
son mximos locales.
El valor ptimo de este problema ser -1/2. Para estudiar la sensibilidad del valor ptimo al
cambiar la constante de la restriccin, se utiliza que
L
a
|
optimo
=
f
a
|
optimo
= =f = a = 0.5 0.05 = 0.025
Se utiliz = 1/2, pues con este valor del multiplicador se encuentran los mnimos. As el valor
ptimo decrecera en 0.025 unidades, quedando aproximadamente en -0.525.
Problema 51 Considere una empresa que produce mesas de madera utilizando dos factores pro-
ductivos: mano de obra y madera. Los costos estimados de dichos factores son $10/hora-hombre y
98 CHAPTER 2. PROGRAMACIN NO LINEAL
$6/m
3
de madera. Para la produccin de las mesas se considera la funcin de produccin
f(x, y) = x
a
y
b
x, y 0,
donde x representa las horas hombres dedicadas e y los metros cbicos de madera utilizados; f(x, y)
representa el nmero de mesas producidas con dichos factores (asuma un valor real). (a) Formule
un modelo de minimizacin de costos para producir q mesas; y (b) cules son las condiciones sobre
a y b para que exista solucin al problema anterior?
Solucin:
a)
Min 10x + 6y
s.a. x
a
y
b
= q
x, y 0
b) Para que exista solucin ptima se debe cumplir el teorema de existencia. Se puede apreciar
que la funcin objetivo es continua sobre D. Adems D es cerrado y no vaco, pues
x

=
a

q, y

= 1
pertenece a D. Tambin se observa que
f si

x ,

x D,
pues y =
b
_
q
x
a
y reemplazando esto en la funcin objetivo se obtiene que sta tiende a innito
cuando x tiende a innito, para todo a, b.
Si se resolviera este problema por Lagrange, se obtendra
x =
aq
10
, y =
bq
6
, =
_
10
a
6
b
a
a
b
b
q
a+b1
_
1
a+b
Problema 52 Considere el siguiente problema de optimizacin
Max x + y
s.a. 12y x
2
y
2
11
x 3
x, y 0
a) Establezca las condiciones de KKT.
b) Verique si se cumplen las condiciones anteriores en los puntos (3, 2) y (0, 1).
c) Determine si estos puntos son mximos o mnimos.
2.3. PROBLEMAS RESUELTOS 99
d) Si la segunda restriccin se sustituyera por x+3y 3, estudie las condiciones de KKT
en los mismos puntos.
Solucin:
a)
L = x y +
1
(12y x
2
y
2
11) +
2
(x 3)
i)
L
x
= 1 2x
1
+
2
0
ii) x
L
x
= x(1 2x
1
+
2
) = 0
iii)
L
y
= 1 + 12
1
2y
1
0
iv) y
L
y
= y(1 + 12
1
2y
1
) = 0
v)
L

1
= 12y x
2
y
2
11 0
vi)
1
L

1
=
1
(12y x
2
y
2
11) = 0
vii)
L

2
= x 3 0
viii)
2
L

2
=
2
(x 3) = 0
ix) x, y 0
1
,
2
0
b) Slo el primer punto es candidato a mnimo pues el segundo no cumple las condiciones de
KKT. En el primer punto, ambas restricciones estn activas y las derivadas del lagrangeano con
respecto a las variables se anulan.
c) Para esto se estudiar el hessiano
H =
_
2
1
0
0 2
2
_
evaluado en el punto, pues para que el punto sea ptimo, ste debe ser denido positivo, dado que
las derivadas parciales se anulan en el punto. Pero
1
> 0 (primera restriccin est activa), por
lo que el hessiano es denido negativo en el punto. As ste es un mximo local estricto, y no es
solucin ptima para el problema.
d) Al cambiar la restriccin, ninguno de los dos puntos cumple las condiciones de KKT.
Problema 53 Suponga que se sabe que, en el siguiente problema, la primera restriccin se activa
100 CHAPTER 2. PROGRAMACIN NO LINEAL
en el ptimo. Determine una solucin ptima utilizando el mtodo de KKT.
Min (x 3)
2
+ (y 5)
2
s.a. x + y 6
x, y 0
Solucin:
Si la primera restriccin est activa: x+y = 6 = libre (no necesariamente mayor que cero).
Al introducir esto en las condiciones de KKT se obtiene el punto ptimo (2,4). Este problema
podra haber sido resuelto directamente utilizando Lagrange, pues se sabe que la restriccin est
activa. Luego se escogeran los puntos candidatos tales que x, y = 0.
Las condiciones de KKT seran
L = (x 3)
2
+ (y 5)
2
+ (x + y 6)
i)
L
x
= 2(x 3) + 0
ii) x
L
x
= x[2(x 3) + ] = 0
iii)
L
y
= 2(y 5) + 0
iv) y
L
y
= y[2(y 5) + ] = 0
v)
L

= x + y 6 = 0
vi) x, y 0, libre
Adems el hessiano es denido positivo en todo el dominio, por lo que el punto encontrado ser
un mnimo global.
Problema 54 Considere le problema
Min y
s.a. x
2
+ y
2
4
x
2
y 0
x
2
y 0
x
2
y 0
Identique todos los puntos que satisfacen las condiciones de KKT.
Solucin:
2.3. PROBLEMAS RESUELTOS 101
L = y +
1
(x
2
y
2
+ 4) +
2
(x
2
y)
i)
L
x
= 2x
1
+ 2x
2
0
ii) x
L
x
= x(2x
1
+ 2x
2
) = 0
iii)
L
y
= 1 2y
1

2
= 0
iv)
L

1
= x
2
y
2
+ 4 0
v)
1
L

1
=
1
(x
2
y
2
+ 4) = 0
vi)
L

2
= x
2
y 0
vii)
2
L

2
=
2
(x
2
y) = 0
viii) x 0
1
,
2
0
a) Sea x, y = 0:
En ii) =
1
=
2
Caso I:
1
,
2
= 0
En v) =x
2
+ y
2
= 4
En vii) =x
2
= y
El punto candidato ser as (x, y) = (2.44, 1.56) con
1
=
2
= 0.24.
Caso II:
1
=
2
= 0
En iii)
b) Sea x, y = 0:
En iv)
c) Sea x = 0, y = 0:
En vi)
d) Sea x = 0, y = 0:
En iv) =y
2
4 =y 2 o y 2
En vii) =
2
= 0
En vi) = y 0
Casos: i) y = 2 =
1
= 1/4
Candidato: (x, y) = (0, 2) con
1
= 1/4,
2
= 0
ii) y > 2 =
1
= 0. En iii)
Problema 55 Suponga que se sabe que en el siguiente problema, la primera restriccin se activa
102 CHAPTER 2. PROGRAMACIN NO LINEAL
en el ptimo. Determine una solucin ptima utilizando el mtodo de KKT.
Min (x 3)
2
+ (y 5)
2
s.a. x +y 6
x, y 0
Solucin:
Las condiciones de KKT seran
L = (x 3)
2
+ (y 5)
2
+ (x + y 6)
i)
L
x
= 2(x 3) + 0
ii) x
L
x
= x[2(x 3) + ] = 0
iii)
L
y
= 2(y 5) + 0
iv) y
L
y
= y[2(y 5) +] = 0
v)
L

= x + y 6 = 0
vi) x, y 0, libre
a) Sea x, y = 0:
En ii), iv) y v)
_

_
2(x 3) + = 0
2(y 5) + = 0
x + y = 6
Resolviendo este sistema, vemos que el candidato ser (2,4) con = 2, que cumple con
todas las condiciones de KKT.
b) Sea x, y = 0:
En v)
c) Sea x = 0, y = 0:
En v) x = 6
En ii) = 6
En iii)
d) Sea x = 0, y = 0:
En v) y = 6
En iv) = 2
En i)
Si la primera restriccin est activa: x + y = 6 libre (no necesariamente mayor que cero).
2.3. PROBLEMAS RESUELTOS 103
Al introducir esto en las condiciones de KKT se obtiene el punto ptimo (2,4). Este problema
podra haber sido resuelto directamente utilizando Lagrange, pues se sabe que la restriccin est
activa. Luego se escogeran los puntos candidatos tales que x, y 0.
Adems el hessiano es denido positivo en todo el dominio, por lo que el punto encontrado ser
un mnimo global.
Problema 56 Considere le problema
Min y
s.a. x
2
+ y
2
4
x
2
y 0
x 0, y libre
Identique todos los puntos que satisfacen las condiciones de KKT.
Solucin:
L = y +
1
(x
2
y
2
+ 4) +
2
(x
2
y)
i)
L
x
= 2
1
x + 2
2
x 0
ii) x
L
x
= x[2
1
x + 2
2
x] = 0
iii)
L
y
= 1 2
1
y
2
= 0
iv)
L

1
= x
2
y
2
+ 4 0
v)
1
L

1
=
1
(x
2
y
2
+ 4) = 0
vi)
L

2
= x
2
y 0
vii)
2
L

2
=
2
(x
2
y) = 0
viii) x 0;
1
,
2
0
a) Sea x, y = 0:
En ii)
1
=
2
Caso I:
1
,
2
= 0
En v) x
2
+ y
2
= 4
En vii) x
2
= y
El punto candidato ser as (x, y) = (1.25, 1.56) con
1
=
2
= 0.24.
104 CHAPTER 2. PROGRAMACIN NO LINEAL
Caso II:
1
,
2
= 0
En iii)
b) Sea x, y = 0:
En iv)
c) Sea x = 0, y = 0:
En vi)
d) Sea x = 0, y = 0:
En iv) y
2
4 y 2 o y 2
En vii)
2
= 0
En vi) y 0
Casos: i) y = 2 de iii)
1
= 1/4
Candidato: (x, y) = (0, 2) con
1
= 1/4,
2
= 0
ii) y > 2 de v)
1
= 0 En iii)
Chapter 3
Programacin Lineal
3.1 Introduccin
Un problema de optimizacin se dice lineal si las variables son todas continuas y tanto la funcin
objetivo como las restricciones del problema son funciones lineales en las variables.
Todo problema de Programacin Lineal puede expresarse mediante el siguiente formato estn-
dar:
Min c
1
x
1
+ c
2
x
2
+... + c
n
x
n
s.a a
11
x
1
+ ... + a
1n
x
n
b
1
.
.
.
a
m1
x
1
+ ... + a
mn
x
n
b
m
o bien en notacin matricial:
Min cx
s.a Ax b
en que denominamos x
T
= (x
1
...x
n
) como las variables de decisin, c = (c
1
...c
n
) el vector de costos,
b
T
= (b
1
...b
m
) el vector de insumos disponibles, y
A =
_

_
a
11
... a
1n
.
.
.
.
.
.
.
.
.
a
m1
... a
mn
_

_
la matriz estructural de las restricciones.
Como todo problema de optimizacin continua, este problema de Programacin Lineal es abor-
dable via KKT con la particularidad que al tratarse de un problema convexo, cualquier solucin
que cumpla con las condiciones de KKT ser un ptimo global al problema (KKT es condicin
suciente en vez de necesaria). No podemos garantizar que esta solucin ptima ser nica, pues
105
106 CHAPTER 3. PROGRAMACIN LINEAL
las funciones objetivo lineales no son estrictamente convexas.
En este caso las condiciones de KKT sern: L(x, ) = cx + (Ax b)
L
x
= c + A = 0
L

= Ax b 0

= (Ax b) = 0
0
En caso que el problema incorpore restricciones de signo en todas las variables x
i
0, las
condiciones KKT seran:
L
x
= c + A 0
x
L
x
= x(c + A) = 0
L

= Ax b 0

= (Ax b) = 0
0
x 0
Si bien este problema puede ser abordado mediante las condiciones generales de KKT, posee
condiciones y caractersticas propias que hacen propicio desarrollar un mtodo especco para en-
frentarlo.
Para introducirnos en las caractersticas propias de la Programacin Lineal, veamos un ejemplo
simple:
Ejemplo 20 Una fbrica produce dos tipos de planchas de aluminio pintado y requiere determinar
la cantidad a producir de cada tipo. Producir una plancha del tipo 1 requiere 7m
2
de aluminio
bruto, 0, 3lts de pintura y 15 min de trabajo. El costo por plancha (en aluminio y pintura) para
el fabricante es de $400 y el precio unitario de venta es de $1200.Producir una plancha del tipo
2 requiere 14m
2
de aluminio bruto, 0, 3lts de pintura y 5 min de trabajo. El costo por plancha
es $900 y el precio unitario de venta es de $1500.El fabricante maneja un stock diario mximo
de 630m
2
de aluminio bruto y 15lts de pintura. Trabajar solo y dispone de 10hrs cada da. El
fabricante no dispone de un trabajo alternativo para las horas no utilizadas en fabricar planchas de
aluminio Cunto es lo ptimo a producir de modo de maximizar la utilidad?
Para esto deniremos dos variables x
1
y x
2
, que representan el nmero de planchas pintadas
3.1. INTRODUCCIN 107
diarias a producir de cada tipo.
P) Max 800x
1
+ 600x
2
s.a 15x
1
+ 5x
2
600 (minutos disponibles)
7x
1
+ 14x
2
630 (m
2
de aluminio)
0, 3x
1
+ 0, 3x
2
15 (lts de pintura)
x
1
, x
2
0
El objetivo es identicar la combinacin de x
1
y x
2
que, satisfaciendo las restricciones del
modelo, maximiza las utilidades para la empresa. Podemos ver que el problema tiene solucin
ptima ya que en un problema de programacin lineal basta determinar una solucin factible,
por ejemplo producir 20 planchas tipo 1 y 20 del tipo 2. Esto es factible ya que consume slo
6hrs 40 min, 420m
2
de aluminio y 12lts pintura de las disponibles, lo que alcanza. Su utilidad
sera de $28.000 diarios, pero claramente no sera ptimo (sobran insumos de todo tipo!).
Este problema tiene la particularidad de ser bidimensional. Esto permite visualizar grcamente
el problema y mediante esta herramienta identicar la o las soluciones ptimas. En la Figura 3.1
se observa que la solucin ptima corresponde a la combinacin de x
1
y x
2
en que la primera y
tercera restriccin estn activas. Es decir, se utiliza toda la pintura y las horas disponibles. Esta
solucin corresponde a x

1
= 35 y x

2
= 15, con una utilidad de $37.000.
x
1
40 50
45
50
120
x
2
90
Mano de obra
Pintura
Aluminio bruto
Solucin ptima
x=(35,15)
z
*
Figure 3.1: Ejemplo Planchas de Alumnio
Observacin: Evidentemente cuando n crece (nmero de variables), el problema ya no puede
108 CHAPTER 3. PROGRAMACIN LINEAL
ser abordado grcamente.
Planteemos este problema como uno KKT y abordmoslo genricamente.
L = 800x
1
600x
2
+
1
(15x
1
+ 5x
2
600) +
2
(7x
1
+ 14x
2
630) +
3
(0, 3x
1
+ 0, 3x
2
15)
Por lo tanto, un punto mximo del problema debe cumplir con:
800 + 15
1
+ 7
2
+ 0, 3
3
0
x
1
(800 + 15
1
+ 7
2
+ 0, 3
3
) = 0
x
1
0
600 + 5
1
+ 14
2
+ 0, 3
3
0
x
2
(600 + 5
1
+ 14
2
+ 0, 3
3
) = 0
x
2
0
15x
1
+ 5x
2
600 0

1
(15x
1
+ 5x
2
600) = 0

1
0
7x
1
+ 14x
2
630 0

2
(7x
1
+ 14x
2
630) = 0

2
0
0, 3x
1
+ 0, 3x
2
15 0

3
(0, 3x
1
+ 0, 3x
2
15) = 0

3
0
Lo primero que haremos ser identicar los multiplicadores
1
,
2
y
3
asociados al punto
x

1
= 35 y x

2
= 15 y vericar que esta solucin satisface estas condiciones de KKT.
Las condiciones de complementaridad de las holguras en este punto exigen:
800 + 15
1
+ 7
2
+ 0, 3
3
= 0
600 + 5
1
+ 14
2
+ 0, 3
3
= 0

2
= 0
As obtenemos:

1
= 20

3
= 1666, 6
Es fcil comprobar que el punto x

1
= 35 , x

2
= 15,
1
= 20,
2
= 0,
3
= 1666, 6 satisface todas
3.1. INTRODUCCIN 109
las condiciones de KKT y por lo tanto corresponde a un ptimo global del problema.
Como primera observacin es interesante destacar que los multiplicadores obtenidos no depen-
den de los insumos disponibles. De hecho, cambios menores (y no tan menores tambin) en el
vector de insumos b modican la combinacin ptima de planchas (x

1
y x

2
), pero no modican los
multiplicadores ptimos. Esto es consistente con la interpretacin que se dio a estos multiplicadores
en el captulo anterior. Se indic que el multiplicador
i
entrega una stimacin de primer orden
respecto a cunto cambia el valor ptimo si el insumo disponible del recurso i, esto es b
i
, aumenta
en una unidad. Al respecto podemos hacer dos observaciones:
Como se trata de un problema de programacin lineal, el impacto en el valor ptimo de
aumentar en una unidad el insumo disponible de una restriccin activa ser el mismo inde-
pendiente de el valor del lado derecho (en la medida que el conjunto restante de restricciones
activas en el punto ptimo no cambie). Asimismo si la restriccin est inactiva, el multipli-
cador permanecer nulo ante cambios en el total de insumos disponibles que la mantengan
inactiva.
Como se trata de un problema de programacin lineal, la estimacin de primer orden del
impacto en el valor ptimo es exacta para perturbaciones menores.
As, el valor de los multiplicadores asociado a un punto del dominio depende de los coecientes
estructurales de las restricciones activas en el punto y del gradiente de la funcin objetivo, pero
es independiente del vector de insumos disponibles (una vez denidas las restricciones activas).
Geomtricamente, el gradiente de la funcin objetivo debe corresponder a una combinacin lineal
(con coecientes positivos) de los gradientes de las restricciones activas.
Por ejemplo, si revisamos las condiciones de KKT para el punto factible x

1
= 10, x

2
= 40,
observamos que el punto satisface todas las condiciones de KKT a excepcin de
2
0. Esto indica
que la segunda restriccin est activa en el punto, y que la solucin mejorara si la restriccin dejara
de estarlo.
Ahora bien, sabemos que los multiplicadores ptimos satisfacen
j
=
L
b
j
y por lo tanto repre-
sentan el valor econmico marginal del recurso j.
Supongamos ahora que se decide aumentar los recursos disponibles de uno de los insumos. Qu
posibilidad se estudiar primero? La de tener ms pintura, mayor mano de obra, o ms planchas
de aluminio bruto? Por una parte, el aluminio bruto no es restriccin activa por lo que realmente
sobra. Al comparar una expansin en pintura o tiempo disponible, se debe tener cuidado, ya que
el multiplicador est referido a una unidad de b
j
.
Si hacemos una comparacin porcentual equivalente (digamos en un 1%) veremos que 6 minutos
adicionales de trabajo signican $120 ms de utilidad, mientras que 0, 15 litros de pintura signican
$250 adicionales. Como decamos anteriormente esta estimacin no contempla error (es decir es
exacta) en la medida que las restricciones activas siguen siendo las mismas. Si esto no sucede
entonces el impacto en el valor ptimo variara.
Habamos dicho que esta interpretacin de los multiplicadores cabe slo para variaciones de los
recursos disponibles que no altere el conjunto de restricciones activas. A continuacin identicare-
110 CHAPTER 3. PROGRAMACIN LINEAL
mos para cada insumo los rangos en que esto sucede manteniendo los dems insumos en su valor
actual.
Restriccin de mano de obra
En qu rango de disponibilidad diaria de tiempo de trabajo la armacin El valor de un
minuto del tiempo del fabricante es $20 es cierta? Ser cierta mientras las restricciones activas
sigan siendo las de tiempo y pintura disponible. Sin embargo, si la disponibilidad de tiempo
(actualmente en 10 horas) vara demasiado puede suceder que en el ptimo se active la restriccin
de aluminio o alguna de las variables se haga cero (se activa la restriccin de no negatividad). A
travs de un anlisis grco se puede observar que si la disponibilidad diaria de tiempo es mayor a
5hr 50 min y menor a 12hr 30 min., el valor del multiplicador
1
se mantiene en $20.
Qu sucede si dispone de menos de 5hr 50 min? Resolviendo las ecuaciones de KKT se obtienen
los siguientes multiplicadores
1
= 40,
2
= 28.5,
3
= 0, por lo tanto el valor de un minuto de
su tiempo aumenta a $40 el minuto. El lmite inferior de disponibilidad diaria de tiempo para este
valor del tiempo es 3hr 45 min. Este aumento en el valor del tiempo es esperable pues en la medida
que se cuenta con menor cantidad de un insumo, se destina a tareas ms productivas.
Y si trabaja menos de 3hr 45 min? En este caso los multiplicadores sern
3
= 0 y
2
= 0, por
lo tanto x
1
= 0 y
1
= 120. As el valor de su tiempo aumenta a $120 el minuto.
Es interesante notar que si se obvia la restriccin de aluminio y pintura y se supone un problema
exclusivamente con restriccin de tiempo se observa que la solucin ptima consiste en producir
la mayor cantidad de planchas tipo 2 que se pueda con el tiempo disponible. Esto se debe a que
en las planchas tipo 1 se ganara $800 por cada 15 minutos de trabajo, versus $600 por cada 5
minutos en las planchas tipo 2. As, en este caso la productividad de un minuto extra sera $120
que es exactamente el resultado obtenido si se cuenta con menos de 3hr 45 min al da. En este
caso el aluminio y la pintura abundan para poder sacar un mximo provecho a los escasos minutos
disponibles. Sin embargo, en la medida que se dispone de ms de 3hr 45 min ya no se cuenta
con todos los recursos de aluminio y pintura para poder producir la solucin que maximiza la
productividad de los minutos. Y en ese caso estos otros insumos comienzan a ser importantes y a
denir la combinacin ptima. En ese caso el valor del tiempo cae de los $120 a $40 y luego a $20
el minuto y el valor del aluminio y pintura progresivamente dejan de tener valor econmico nulo.
Es interesante notar tambin que cuando se dispone ms de 3hr 45 min, pero menos de 5hr 50 min
el aluminio tiene un valor econmico, pero no as la pintura. Sin embargo, cuando se cuenta con
ms de 5hr 50 min el aluminio deja de tener un valor econmico y s lo tiene la pintura.
Tambin es interesante notar que de los 600 minutos que el fabricante dispone, los primeros 225
tienen un valor de $120/min, los siguientes 125 un valor de $40/min mientras los ltimos 250 un
valor de $20/min. Si sumamos el valor de cada uno de estos minutos obtenemos la utilidad de la
empresa. Es decir: 225 min * $120/min + 125 min * $40/min + 250 min * $20/min = $37.000.
Qu pasa si se trabaja ms de 12hr 30 min? En este caso la restriccin tiempo deja de ser
activa y por lo tanto
1
= 0 en este rango.
Qu debiera hacer este fabricante si alguien le ofrece un trabajo por $100/minuto? En este
3.1. INTRODUCCIN 111
caso el debiera trabajar 3hr 45 min en la fbrica de pintado (con una rentabilidad de $120/minuto)
y emplearse por el resto de su tiempo disponible en el trabajo que le ofrecen.
Restriccin de aluminio
Qu valor tiene una plancha de aluminio bruto de ms o de menos? El valor actual es cero.
Para que tenga algn valor debe convertirse en una restriccin que incida en el resultado de la
fbrica. Del grco se observa que esto slo pasara si el stock diario fuese slo 455m
2
de aluminio
bruto. Por lo tanto mientras 455 b
2
,
2
= 0.
Restriccin de pintura
La restriccin 3 tiene un multiplicador asociado (o precio sombra) de $1666, 7. Del grco
observamos que ste tiene validez para 12 b
3
18. En el caso de que se disponga de menos de
12 litros deja de ser activa la restriccin 1 y no se produce x
2
. Por otro lado, si se dispone de ms
de 18 lts., comienza a sobrar pintura en vez de planchas de aluminio (
3
= 0 y
2
= 0).
Qu pasa si se dispone de 16 lts.? El precio sombra (utilidad econmica) nos indica que la
nueva utilidad debiera ser $37.000 + 1(1.666, 7) = $38.666, 7. Hemos dicho que esta aproximacin
es exacta. Comprobmoslo. Las restricciones activas siguen siendo las mismas:
15x
1
+ 5x
2
= 600
0, 3x
1
+ 0, 3x
2
= 16
_
x
1
= 33, 3; x
2
= 20
y este corresponde a un punto factible para restriccin 2. La utilidad es 800(33, 3) + 600(20) =
$38.666, 7. Como podemos ver la estimacin proporciona un valor exacto y no aproximado. Esto
se debe a que tanto la restriccin como la funcin objetivo son lineales.
Funcin objetivo
Qu pasa si el fabricante sbitamente sufre un cambio en la utilidad unitaria de sus productos
terminados (ya sea por un aumento o disminucin en el precio o en sus costos) Vara la produccin?
Varan los precios sombra?
Hemos dicho que en el ptimo el gradiente de la funcin objetivo debe constituir una combinacin
lineal (con coecientes positivos) de los gradientes de la restricciones activas. Grcamente esto
equivale a que el gradiente de la funcin objetivo apunte a una direccin que est entre los gradientes
de las restricciones activas. En nuestro caso los gradientes de las restricciones activas apuntan en
las direcciones (3, 1) y (1, 1). As, manteniendo la utilidad de las planchas tipo 2 constante en
$600, la solucin ptima no cambiar si la utilidad de las planchas tipo 1 se ubica en el intervalo:
$600 U
1
$1800. En este rango el punto ptimo de produccin sigue siendo el mismo, incluso
2
sigue siendo cero, pero
1
y
3
varan con cada alternativa pues el ngulo que forman los gradientes
de esas restricciones con el nuevo gradiente de la funcin objetivo ha cambiado. Para determinarlos
se debe resover el siguiente sistema:
U
1
+ 15
1
+ 7
2
+ 0, 3
3
= 0
U
2
+ 5
1
+ 14
2
+ 0, 3
3
= 0
112 CHAPTER 3. PROGRAMACIN LINEAL
S
o
l
u
c
i

p
t
i
m
a
N
o

p
t
i
m
a
Paso Inicial
Paso Iterativo
Prueba de Optimalidad
Fin
S
o
l
u
c
i

p
t
i
m
a
N
o

p
t
i
m
a
Paso Inicial
Paso Iterativo
Prueba de Optimalidad
Fin
Figure 3.2: Estructura del mtodo Simplex
Es interesante observar que en los casos lmites la solucin ptima no es nica. Esto sucede en los
casos en que el gradiente de la funcin objetivo puede expresarse como una combinacin lineal de las
restricciones activas, pero en que al menos uno de los coecientes involucrados sea nulo. Es decir en
este caso el multiplicador asociado a una de las restricciones activas ser nulo. Geomtricamente este
fenmeno puede interpretarse como el caso en que el gradiente de la funcin ojetivo es perpendicular
a una de las aristas del poliedro y por lo tanto todos los puntos de la arista son igualmente atractivos
y ptimos. En el caso anterior esto sucede si U
1
vale exactamente $600 o exactamente $1800.
Este tipo de anlisis de sensibilidad que hemos realizado para este problema es sumamente
til en el caso de una empresa cuando un modelo como ste es utilizado. Sin embargo, hemos
descansado nuestro procedimiento en el anlisis grco que no est disponible en problemas de tres
o ms dimensiones. En la prxima seccin introduciremos el mtodo Simplex que permite resolver
problemas de programacin lineal y desarrollar un anlisis de sensibilidad como el anterior usando
un nmero mucho mayor de variables y restricciones.
3.2 El Mtodo Simplex
El mtodo Simplex es un procedimiento general para resolver problemas de programacin lineal.
Fue desarrollado por George Dantzig en 1947, y ha probado ser un mtodo extraordinariamente
eciente que se usa en forma rutinaria para resolver problemas grandes en las computadoras de hoy
en da.
En realidad el mtodo Simplex es un algoritmo, es decir, es simplemente un proceso en el que
se repite (se itera) un procedimiento sistemtico una y otra vez hasta obtener el resultado deseado.
Con este algoritmo se sustituye un problema difcil por una serie de problemas ms simples.
La estructura general de este algoritmo se puede observar en la Figura 3.2. El paso inicial
consiste en la preparacin para iniciar las iteraciones; el paso iterativo, es la realizacin de una
iteracin; y la prueba de optimalidad, es analizar si la solucin obtenida es ptima. En el caso en
que s lo sea, termina el proceso, si no, se vuelve a la etapa iterativa.
3.2. EL MTODO SIMPLEX 113
Desde una perspectiva geomtrica, los problemas de programacin lineal se pueden interpretar
como la bsqueda del mejor punto pertenciente a un poliedro (conjunto de oportunidades) de m
caras en n dimensiones. Al resolver nuestro ejemplo pudimos ver que los posibles candidatos a ser
soluciones ptimas de nuestro problema se encuentran en el borde del conjunto de oportunidades,
ms especcamente en los vrtices.
Las tres propiedades de las soluciones factibles en un vrtice que forman el fundamento del
mtodo Simplex son las siguientes:
1. Si existe exactamente una solucin ptima, entonces debe ser una solucin factible en un
vrtice. Si existe soluciones ptimas mltiples, al menos dos de ellas deben ser soluciones
factibles en vrtices adyacentes.
2. Existe slo un nmero nito de soluciones factibles en los vrtices.
3. Si una solucin en un vrtice es igual o mejor que todas las soluciones factibles en los vrtices
adyacentes a ella, entonces es igual o mejor que todas las dems soluciones en los vrtices, es
decir, es ptima.
Adicionalmente es importante observar que cada vrtice del dominio queda denido por un
conjunto distinto de restricciones que se activan. En un problema de n variables y m restric-
ciones, un vrtice del poliedro (dominio) queda denido por la interseccin de n restricciones.
Sin embargo, puede suceder que en un vrtice coincidan ms de n restricciones (por ejemplo
en el vrtice superior de una pirmide de base cuadrada). Asimismo, dos vrtices adyacentes
de un poliedro se puede decir que comparten n 1 restricciones activas. As.cada iteracin
del mtodo consiste en identicar un conjunto de n restricciones cuya interseccin dena un
vrtice del poliedro. Estos puntos denidos como la interseccin de n restricciones se les de-
nominar soluciones bsicas. Las soluciones bsicas que adems son factibles para el problema
se les denominar soluciones bsicas factibles. Evidentemente, es posible que una solucin
bsica no sea factible, pues la interseccin de las n restricciones podra encontrarse fuera del
dominio.
En denitiva, el mtodo Simplex comienza en una solucin bsica factible (vrtice del poliedro),
y evala si la solucin es ptima comparndola con las soluciones de los vrtices adyacentes. Si no
es ptima, el mtodo se desplaza a un vrtice adyacente que ojal sea mejor (no puede ser peor)
que la solucin bsica factible vigente. Para esto, el mtodo mantiene n 1 de las n restricciones
activas que denan la solucin bsica anterior y permuta la restante por otra restriccin que
antes se mantena (muy probablemente) inactiva. Una vez determinadas las n restricciones activas,
identicar la solucin bsica asociada es muy simple pues basta resolver el sistema de nn ecuaciones
resultante (en Simplex esto se hace de un modo muy eciente). Este procedimiento se repite hasta
alcanzar una solucin ptima.
Es importante destacar que Simplex exige que todas las variables sean no negativas y que todas
las restricciones sean ecuaciones (igualdad). Esto exige agregar variables de holgura no negativas en
114 CHAPTER 3. PROGRAMACIN LINEAL
casos de desigualdades menor o igual y restar variables de exceso no negativas en las restricciones
de mayor o igual.
En su forma ms simple (ms adelante se discutir cmo abordar problemas que no satisfagan
este formato), el mtodo Simplex opera sobre problemas presentados bajo el siguiente formato en
que se contemplan n actividades (con variables no negativas asociadas a cada una) y m recursos
(el vector de recursos disponibles b contiene slo elementos no negativos):
P) Min c
1
x
1
+ ... + c
n
x
n
s.a a
11
x
1
+ ... + a
1n
x
n
b
1
.
.
.
a
m1
x
1
+ .... + a
mn
x
n
b
m
x
i
0 i {1, ..., n}
1
En este formato estndar se tiene n variables originales y m holguras, es decir n+m variables
en total; adems se tiene n + m restricciones (recordar las restricciones de no negatividad). Una
solucin bsica factible queda denida por n restricciones activas y (a lo ms) m inactivas. Es decir,
cada solucin bsica factible tiene asociadas n variables nulas y a lo ms m variables estrictamente
positivas (podran ser menos de m, recordar la pirmide de base cuadrada). Deniremos como
variables bsicas a estas m variables que no corresponden a las holguras de las restricciones denidas
como activas y como variables no bsicas a las variables de holgura de las restricciones activas (esto
incluye a las variables originales que estn en cero pues la restriccin de no negatividad respectiva
es parte de las restricciones activas).
El formato de la formulacin anterior calza con el de nuestro ejemplo de las planchas de aluminio
pintado. En l hay 2 actividades: producir planchas de tipo 1, y producir planchas de tipo 2. En
cuanto a los recursos, contamos con tres, las horas hombre, las planchas de aluminio bruto y la
pintura. Para mantener el orden es importante considerar la siguiente matriz de datos:
Actividad
Recurso 1 2 n Recursos diponibles
1 a
11
a
12
a
1n
b
1
2 a
21
a
22
a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m a
m1
a
m2
a
mn
b
m
Benecio unitario c
1
c
2
c
n
Nivel de Actividad x
1
x
2
x
n
1
REVIDAR con mucha calma este prrafo
3.2. EL MTODO SIMPLEX 115
As, nuestro ejemplo se ver de la siguiente forma:
Recurso Tipo 1 Tipo 2 Rec.Disp.
Min/hombre 15 5 600
Aluminio(m
2
) 7 14 700
Pintura (lt) 0, 3 0, 3 15
Benef/unitario 800 600
Nivel de Produccin x
1
x
2
3.2.1 Pasos en el mtodo Simplex
El mtodo Simplex est compuesto por tres pasos que se pueden describir resumidamente del
siguiente modo:
1. Paso inicial: Determinar una solucin factible en un vrtice.
2. Prueba de optimalidad: La solucin factible en un vrtice es ptima cuando ninguna de las
soluciones en vrtices adyacentes a ella sean mejores.
3. Paso iterativo: Traslado a una mejor solucin factible en un vrtice adyacente (repetir las
veces que sea necesario).
A continuacin explicaremos cada uno de estos pasos en forma detallada, ilustrndolos con
nuestro ejemplo de las planchas de aluminio. El problema inicial es:
P) Min 800x
1
600x
2
s.a 15x
1
+ 5x
2
600
7x
1
+ 14x
2
630
0, 3x
1
+ 0, 3x
2
15
x
1
, x
2
0
Antes de comenzar se debe crear 3 variables de holgura (x
3
, x
4
, x
5
), una para cada restriccin.
De esta forma el modelo nos queda:
P) Min 800x
1
600x
2
s.a 15x
1
+ 5x
2
+ x
3
= 600
7x
1
+ 14x
2
+ x
4
= 630
0, 3x
1
+ 0, 3x
2
+ x
5
= 15
x
1
, x
2
0
x
3
, x
4
, x
5
0
116 CHAPTER 3. PROGRAMACIN LINEAL
1. Paso Inicial: Determinar una solucin inicial factible puede ser no trivial. Sin embargo, para
el caso simple presentado en esta seccin (todas las restricciones son desigualdades de menor
o igual, todas las variables son no negativas y todos los recursos disponibles son no negativos)
existe una solucin factible evidente que consiste en asignar un valor cero a cada una de las
variables originales. Es decir se asume que las n restricciones activas sern las restricciones
de no negatividad de las variables originales del problema. As, todas las variables de holgura
tomaran valores no negativos.
En nuestro nuevo lenguaje de variables bsicas y no bsicas, recordemos que siempre se tiene
exactamente m (en este caso m = 3) variables bsicas que corresponde a las variables que no
se asocian a las restricciones activas. En este caso las variables bsicas son x
3
, x
4
, x
5
. Por
consiguiente las variables no bsicas son x
1
, x
2
.
Por lo tanto, podemos presentar la solucin bsica factible inicial en el siguiente formato (al
que se denomina tableau) de m+ 1 las y m+ n + 1 columnas:
x
1
x
2
x
3
x
4
x
5
15 5 1 0 0 600
7 14 0 1 0 630
0, 3 0, 3 0 0 1 15
800 600 0 0 0 0
En este diagrama las primeras m+n columnas corresponden a una variable cada una mientras
la ltima columna de la derecha corresponde al vector de recursos disponibles. Las m primeras
las corresponden a las restricciones originales mientras la la inferior corresponde a la funcin
objetivo. Los coecientes de esta la se denominan costos reducidos. La casilla inferior
derecha del tableau indica el inverso aditivo del valor de la funcin objetivo.
El mtodo Simplex representar cada una de las soluciones bsicas factibles del proceso iter-
ativo mediante tableaux como el anterior. Este formato permitir identicar inmediatamente
las variables bsicas, las variables no bsicas, la solucin bsica, el valor de la funcin obje-
tivo asociado a la solucin bsica y la eventual optimalidad de la solucin. Esto se debe a
que se mantendr una estructura en que m columnas (las asociadas a las variables bsicas)
formarn una matriz identidad en las m las superiores y tendrn valores nulos en la funcin
objetivo y a que se procurar que la columna de recursos disponibles (al extremo derecho)
contenga slo valores no negativos. Esto permitir identicar esas m variables como bsicas
y las restantes como no bsicas. Al asignar valores nulos a las variables no bsicas, el con-
junto de restricciones se transforma en una asignacin directa de las variables bsicas a los
recursos disponibles correspondientes. En este caso al hacer x
1
= x
2
= 0 nos queda el sis-
tema de ecuaciones x
3
= 600, x
4
= 630, x
5
= 15 es decir identica completamente la solucin
bsica. Como decamos anteriormente adems identica el valor de la funcin objetivo que
corresponde al inverso aditivo del valor de la celda inferior derecha del tableau, en este caso
0. Adicionalmente el tableau permite identicar la optimalidad de la solucin bsica como
3.2. EL MTODO SIMPLEX 117
se ver en el paso siguiente del algoritmo.
2. Prueba de Optimalidad: Se determina si la solucin es ptima. Se verica si el valor de
Z puede mejorar (en este caso disminuir) al hacer que una de las variables no bsicas crezca.
Esto se puede vericar observando la ltima la del tableau (Z). Si todos los valores son
positivos o cero, estamos en el ptimo, de lo contrario regresamos al paso iterativo. Para
comprender la lgica de esta aseveracin considere el siguiente problema:
P) Min c
1
x
1
+... + c
n
x
n
+ v
s.a x D
.
.
.
x
i
0 i {1, ..., n + m}
en que todos los coecientes de la funcin objetivo (c
i
) son no negativos. En ese caso el valor
ptimo al problema no podr ser menor a v. Esta cota inferior se alcanzara si se encuentra
una solucin factible en que sean cero todas las variables x
1
a x
n
. Y esta es justamente la
caracterstica que cumple la solucin bsica. Todas las variables que aparecen en la funcin
objetivo tienen valor cero lo que permite garantizar que si los coecientes de esas variables
son no negativos se habr alcanzado una solucin ptima.
En nuestro ejemplo, podemos observar que tanto la variable x
1
como x
2
(no bsicas por
tanto actualmente nulas) mejoran la funcin objetivo si aumentan en una unidad ya que
sus coecientes en la la de la funcin objetivo son estrictamente negativos (800 y 600
respectivamente), por lo que nos convendr que una de ellas (cualquiera) entre a la base
(conjunto de variables bsicas).
3. Paso Iterativo: posee tres partes.
3.1 Parte I: Se determina la variable no bsica que entra a la base. Tpicamente se escoge la
variable cuyo coeciente en la funcin objetivo sea el ms negativo, pues este coeciente
indica cunto mejora la funcin objetivo por unidad de la variable que se aumente. Sin
embargo, podra escogerse cualquier variable con costo reducido negativo y el mtodo
igual podra converger. De hecho escoger la variable con costo reducido ms negativo no
garantiza que se alcance la mejor prxima solucin bsica (de entre todas las soluciones
asociadas a vrtices adyacentes en el poliedro) pues no se cuenta con un indicativo de
a cunto se podr aumentar la variable entrante sin salirse del dominio. As, en el caso
de nuestro ejemplo, la variable que ms aporta a la funcin objetivo es x
1
(su costo
reducido es -800), por lo que sta ser la variable entrante.
3.2 Parte II: Se determina la variable bsica que sale de la base. Se elige la variable bsica
que primero alcanza el valor cero cuando se incrementa la variable bsica entrante.
Para comprender el procedimiento que se describir es necesario visualizar que lo que
se hace es aumentar una variable no bsica que tomaba valor cero manteniendo las
otras n 1 variables no bsicas en cero. Es decir, nos desprenderemos de slo una
118 CHAPTER 3. PROGRAMACIN LINEAL
restriccin activa en cada iteracin. El cambio en la variable no bsica lo absorben
las otras variables bsicas modicando su valor. En esas circunstancias, cada la del
tableau (que representa a una restriccin de igualdad) contendr slo dos variables que
estn cambiando su valor: la variable entrante y la variable bsica que gura en la
restriccin (dado por la matriz identidad del tableau). Es decir, la restriccin j del
tableau se puede escribir del siguiente modo:
a
j1
x
1
+ a
j2
x
2
+ ..... + a
jn
x
n
+ x
n+j
= b
j
en que hemos ordenado las variables de modo que las n primeras variables correspondan
a las variables no bsicas y que la restriccin j contenga a la variable bsica x
n+j
(note
que el coeciente asociado a esta variable es 1 pues la variable es bsica).Supongamos
que la variable entrante es x
i
, entonces: cul es el valor ms alto que podra tomar esta
variable sin salirse del dominio? Dado que las dems variables no bsicas no cambian (se
mantienen en cero) el alza en x
i
debe ser absorbido por x
n+j
. Es decir se debe mantener
la siguiente igualdad:
a
ji
x
i
+ x
n+j
= b
j
En este contexto la nica restriccin que puede violarse al aumentar el valor de x
i
es la
no negatividad de x
n+j
. Es decir:
x
n+j
= b
j
a
ji
x
i
0
Si a
ji
> 0 entonces x
i

b
j
a
ji
Si a
ji
0 entonces se cumple x
i
As, hemos encontrado una cota para el alza de la variable x
i
(recordar que b
j
0).
Qu signica que a
ji
< 0? Signica que en la medida que x
i
crece, x
n+j
tambin lo
hace. Qu signica que a
ji
= 0? Signica que x
n+j
no se ve afectada por el valor que
tome x
i
. As, si consideramos simultneamente las m restricciones del tableau podemos
determinar lo siguiente.
La variable saliente se debe escoger el menor valor entre las fracciones
b
j
a
ji
, j (en que i es
el ndice de la variable entrante), considerando slo las las en que el coeciente a
ji
sea
estrictamente positivo. El mnimo de entre estos coecientes indica el valor que tomar la
variable entrante en la solucin bsica a la que migrar el mtodo en la siguiente iteracin.
En nuestro ejemplo debemos realizar el siguiente clculo: min{
600
15
,
630
7
,
15
0,3
} = 40. De l
observamos que la variable saliente est dictada por la primera restriccin, ya que es la
que determina el mnimo cuociente y que la variable entrante (x
1
) tomar el valor 40 en
la prxima solucin bsica del mtodo. Por lo tanto, x
3
es la variable bsica que sale
(note que al hacer x
1
= 40 x
3
= 0).
3.3 Parte III: Se determina la nueva solucin bsica factible una vez determinado que ser
la variable x
n+j
la que dejar la base. Para esto se toma la restriccin j y se reemplaza
el valor de x
i
en dicha restriccin en el resto de las las (esto es, en las dems ecuaciones
3.2. EL MTODO SIMPLEX 119
y en la funcin objetivo). De este modo, se garantiza que el coeciente asociado a x
i
en esas las sea cero. Adems se multiplica la la j por
1
a
ji
para transformar en 1 el
coeciente asociado a la variable x
i
. De este modo, se obtiene un nuevo tableau cuya
solucin bsica factible asociada es evidente.
Veamos nuestro ejemplo. Como observamos, la variable entrante era x
1
y la variable
saliente x
3
. As, fue la primera restriccin la que limit el aumento en la variable
entrante. Por lo tanto reemplazaremos el valor de x
1
correspondiente a esta restriccin
en las dems las del tableau. Esto es:
x
1
=
600 5x
2
x
3
15
Nos queda:
P) Min 800
600 5x
2
x
3
15
600x
2
s.a 15x
1
+ 5x
2
+ x
3
= 600
7
600 5x
2
x
3
15
+ 14x
2
+ x
4
= 630
0, 3
600 5x
2
x
3
15
+ 0, 3x
2
+ x
5
= 15
x
1
, x
2
0
x
3
, x
4
, x
5
0
Reordenando y dividiendo la primera restriccin por 15 nos queda:
P) Min
1000
3
x
2
+
800
15
x
3
32.000
s.a x
1
+
1
3
x
2
+
1
15
x
3
= 40
35
3
x
2

7
15
x
3
+x
4
= 350
1
5
x
2

1
50
x
3
+x
5
= 3
x
1
, x
2
0
x
3
, x
4
, x
5
0
En que resulta evidente desprender la solucin bsica asociada. En este caso las variables
no bsicas son x
2
= x
3
= 0 mientras que las variables bsicas son x
1
= 40, x
4
= 350,
y x
5
= 3. Esta solucin bsica contempla un valor de funcin objetivo igual a 32.000.
Esto es consistente con que la variable entrante tom un valor de 40 y su costo reducido
era 800, por lo que la funcin objetivo deba caer en 32.000; como el valor anterior
de la funcin objetivo era 0, se esperaba que ahora fuera 32.000. Como se observa se
ha generado un sistema que permite transitar entre soluciones bsicas factibles de modo
muy expedito mediante simples reemplazos de variables cuidadosamente seleccionadas
120 CHAPTER 3. PROGRAMACIN LINEAL
en algunas restricciones y funcin objetivo.
El mtodo Simplex no trabaja con la formulacin formal del problema sino directamente con
los tableau. En este caso, para determinar el nuevo tableau se hubiera seguido una formalidad
matemtica distinta pero que es absolutamente equivalente al procedimiento recientemente de-
sarrollado. El procedimiento consistira en dividir la 1
a
la por 15, y restar a las dems las
un ponderado de la 1
a
la de modo que en la columna asociada a x
1
el coeciente se haga cero
(operaciones la). Haciendo eso nos queda:
1
1
3
1
15
0 0 40
0
35
3
7
15
1 0 350
0
1
5
1
50
0 1 3
0
1000
3
800
15
0 0 32.000
que es el tableau correspondiente al problema de minimizacin anteriormente obtenido. Es impor-
tante notar que el valor de la funcin objetivo aparece en el tableau con signo cambiado. Esto es
consistente pues la columna de la derecha del tableau contiene nmeros que se encuentran al otro
lado del signo de igualdad de cada restriccin. As, si se quisiera expresar estos nmeros como parte
del lado izquierdo de cada restriccin, habra que multiplicarlos por 1.
Para acentuar el aprendizaje del mtodo continuemos el ejemplo. Observamos del tableau que
an existe una variable no bsica cuyo costo reducido es negativo: x
2
. Esta variable (actualmente
en cero) reduce en
1000
3
la funcin objetivo por cada unidad que aumente su valor, por lo que nos
convendr que entre a la base. El lector podr preguntarse porqu una unidad extra del producto
2 agrega slo $
1000
3
a la funcin objetivo siendo que su utilidad era $600. Lo que sucede es que
dada la combinacin actual de productos, y nula disponibilidad de recursos del tipo 1 (tiempo),
cada unidad extra del producto 2 exige dejar de producir
1
3
de unidad del producto 1. Es decir
la utilidad neta es $600
1
3
$800, esto es $
1000
3
. Para determinar la variable que sale de la base
realizamos el siguiente clculo:
Min
_
40
1
3
,
350
25
3
,
3
1
5
_
= Min{120, 30, 15} = 15
Por lo tanto, la variable que sale de la base es x
5
. Realizando las operaciones las correspondientes
obtenemos el siguiente tableau:
1 0
1
10
0
5
3
35
0 0
7
10
1
175
3
175
0 1
1
10
0 5 15
0 0 20 0
5000
3
37.000
Realizando la prueba de optimalidad podemos ver que todos los costos reducidos no bsicos son
positivos, por lo que estamos en una solucin ptima. Por lo tanto, la solucin obtenida es la
3.2. EL MTODO SIMPLEX 121
siguiente:
x
1
= 35
x
2
= 15
x
3
= 0 (Restriccin activa)
x
4
= 175 (holgura de aluminio)
x
5
= 0 (Restriccin activa)
Y el valor ptimo es $37.000 (este valor calza con lo que se esperaba: 32.000 15
1000
3
).
La optimalidad de esta solucin es evidente si uno transforma este tableau en el problema de
minimizacin correspondiente:
P) Min 20x
3
+
5000
3
x
5
37.000
s.a x
1
+
1
10
x
3

5
3
x
5
= 35
7
10
x
3
+ x
4

175
3
x
5
= 175
x
2

1
10
x
3
+ 5x
5
= 15
x
1
, x
2
0
x
3
, x
4
, x
5
0
Dado que las variables deben ser no negativas, el valor ptimo no puede ser inferior a -$37.000. Si
observamos, basta hacer x
3
= x
5
= 0 para obtener una solucin factible que alcanza la cota mnima
para el valor ptimo antes mencionada (37.000). As, esta solucin debe ser ptima.
Por ltimo, es interesante observar que el tableau nal entrega los multiplicadores asociados
a cada uno de los recursos necesarios para producir planchas de aluminio. Los costos reducidos
indican que si x
3
aumenta en una unidad, la funcin objetivo empeora en $20. Aumentar una
variable de holgura en una unidad equivale a disponer de una unidad menos del recurso respectivo.
Es decir contar con una unidad ms de un recurso equivale a que la holgura respectiva se reduzca en
una unidad. Podemos observar que si x
3
cae en una unidad (tomara el valor 1) la funcin objetivo
mejorara en $20. Es decir,
1
= 20. Anlogamente podemos concluir que
2
= 0;
3
= 1666, 6 lo
que es consistente con nuestros resultados previos.
3.2.2 Solucin inicial factible bsica
El mtodo Simplex, tal como lo hemos planteado aqu, requiere de una solucin inicial factible
bsica (SIFB) para comenzar a iterar. En cualquier problema de programacin lineal en forma
estndar con b 0, resulta sencillo identicar una SIFB. Basta denir el conjunto de variables
bsicas como el conjunto de holguras de las restricciones. En ese caso se obtiene: x
holguras
= b, y
las dems variables originales (no bsicas) iguales a cero.
122 CHAPTER 3. PROGRAMACIN LINEAL
Evidentemente esta situacin es bastante particular. Muchos problemas lineales contienen re-
stricciones de igualdad (ecuaciones) o desigualdades tales que al asignar un valor cero a las variables
originales del problema no se obtiene un punto factible del dominio.
Volvamos al ejemplo inicial de este captulo, en que debamos determinar la produccin de dos
tipos de planchas de aluminio. Supongamos ahora que por alguna razn estamos forzados a utilizar
al menos 15lts. de pintura. En este caso, el problema en forma estndar sera:
Min 800x
1
600x
2
s.a 15x
1
+ 5x
2
+ x
3
= 600
7x
1
+ 14x
2
+ x
4
= 630
0, 3x
1
+ 0, 3x
2
x
5
= 15
x
i
0, i {1, 2, 3, 4, 5}
en que x
3
y x
4
son variables de holgura y x
5
es de exceso.
Como podemos ver, no poseemos una SIFB. Ante estas situaciones se proceder a resolver el
problema en dos fases. En la primera fase se procurar determinar una SIFB mientras que en la
segunda fase se proceder con el mtodo Simplex a partir de la SIFB encontrada.
En la primera fase se procurar inventar una solucin bsica al problema que sea aparente.
Para esto se agregar una variable articial y
i
no negativa en cada una de las restricciones que no
cumpla con el formato estndar; esto es en las restricciones de igualdad y en las restricciones que
requirieron de variables de exceso. Agregar estas variables permite generar inmediatamente una
solucin bsica al nuevo problema: el conjunto de variables no bsicas quedara compuesto por las
variables originales y las variables de exceso, mientras las variables bsicas seran las articiales
y las de holgura. Esta solucin bsica sera factible para el nuevo problema, pero no para el
problema original. De hecho cualquier solucin a este nuevo problema slo ser factible en el
problema original si todas las variables articiales son nulas. Por lo tanto en este nuevo problema
se procurar identicar una solucin factible bsica en que todas las variables articiales sean no
bsicas, es decir nulas (en este caso se habr encontrado una SIFB al problema original). Por este
motivo, se reemplazar (slo durante la primera fase del algoritmo) la funcin objetivo del problema
original por Min

y
i
.
Supongamos que el problema original es el siguiente:
Min c

x
s.a. A
1
x b
1
A
2
x b
2
A
3
x = b
3
x 0
en que b
1
, b
2
y b
3
son vectores no negativos. En ese caso se lleva el problema a formato estndar
3.2. EL MTODO SIMPLEX 123
(agregando variables de holgura y restando variables de exceso) y a continuacin se prepara el
problema para la primera fase agregando variables articiales donde corresponda y modicando la
funcin objetivo. En este caso el problema queda:
Min

y
i
a
2
y
i
+

y
i
a
3
y
i
s.a. A
1
x +h
1
= b
1
A
2
x e
2
+a
2
= b
2
A
3
x +a
3
= b
3
x, h
1
, e
2
, a
2
, a
3
0
Como se observa, este nuevo problema tiene una SIFB evidente, pues basta considerar los vec-
tores h
1
, a
2
y a
3
como el conjunto de variables bsicas. As, es posible aplicar Simplex directamente
comenzando en dicha solucin.
Si en la solucin ptima a este problema todos los elementos y
i
tanto de a
2
como de a
3
son
nulos, entonces basta eliminar las variables articiales del problema y utilizar la solucin ptima
como SIFB para el problema original. Si en cambio, la solucin ptima contempla algn y
i
> 0
signica que no es posible encontrar una solucin en que todos los y
i
sean nulos. Esto indicara que
el dominio del problema original no admite soluciones factibles, es decir, es vaco.
A continuacin procederemos a aplicar esta metodologa al problema del ejemplo.
Primera fase
En una primera fase, nos interesa resolver el siguiente problema:
Min y
3
s.a 15x
1
+ 5x
2
+ x
3
= 600
7x
1
+ 14x
2
+ x
4
= 630
0, 3x
1
+ 0, 3x
2
x
5
+ y
3
= 15
x
i
0, i {1, 2, 3, 4, 5}
y
3
0
Su tableau asociado es el siguiente:
15 5 1 0 0 0 600
7 14 0 1 0 0 630
0, 3 0, 3 0 0 1 1 15
0 0 0 0 0 1 0
800 600 0 0 0 0 0
Se opta por incluir una la adicional en la parte inferior del tableau con la funcin objetivo
124 CHAPTER 3. PROGRAMACIN LINEAL
original. Esto permitir facilitar la transicin entre la fase 1 y la fase 2 en que se deber volver a
la funcin objetivo original. Sin embargo, se debe tener claridad que la la en que se mantiene la
funcin objetivo del problema de la fase 1 es la penltima la. Los elementos de dicha la indicarn
la eventual optimalidad de las soluciones alcanzadas. En este tableau, la SIFB corresponde a
h
1
= 600, h
2
= 630, y
3
= 15, mientras las dems variables (no bsicas) son cero. Sin embargo, resta
ajustar la funcin objetivo para que contenga slo ceros en las columnas asociadas a las variables
bsicas. Para lograrlo es necesario restar la tercera la a la cuarta la obtenindose el siguiente
tableau:
15 5 1 0 0 0 600
7 14 0 1 0 0 630
0, 3 0, 3 0 0 1 1 15
0, 3 0, 3 0 0 1 0 15
800 600 0 0 0 0 0
La solucin no es ptima pues x
1
y x
2
tienen costo reducido negativo (en ambos casos 0, 3).
Realizando una iteracin de simplex en el pivote destacado se alcanza el siguiente tableau:
25
2
0 1
5
14
0 0 375
1
2
1 0
1
14
0 0 45
3
20
0 0
3
140
1 1 1, 5
3
20
0 0
3
140
1 0 1, 5
500 0 0
600
14
0 0 27000
La solucin bsica alcanzada an no es factible para el problema original pues y
3
an es positiva.
Observamos tambin que la solucin no es ptima para la fase 1 pues el costo reducido de la variable
x
1
es negativo (
3
20
). Por lo tanto realizamos una iteracin adicional y obtenemos:
0 0 1
20
14
250
3
250
3
250
0 1 0
1
7
10
3
10
3
40
1 0 0
1
7
20
3
20
3
10
0 0 0 0 0 1 0
0 0 0
200
7
10000
3
10000
3
32000
La solucin bsica alcanzada en este caso es ptima para la fase 1 pues todas las variables
articiales (en este caso slo una) han salido de la base. Es decir a travs de operaciones la hemos
3.2. EL MTODO SIMPLEX 125
transformado el problema de la fase 1 en el siguiente:
Min y
3
s.a x
3
+
20
14
x
4
+
250
3
x
5

250
3
y
3
= 250
x
2
+
1
7
x
4
+
10
3
x
5

10
3
y
3
= 40
x
1

1
7
x
4

20
3
x
5
+
20
3
y
3
= 10
x
i
0, i {1, 2, 3, 4, 5}
y
3
0
cuya solucin ptima prescinde de la variable y
3
. As, la solucin bsica factible alcanzada (x
1
=
10, x
2
= 40, x
3
= 250, x
4
= x
5
= 0) es factible para el problema original. As, basta eliminar
la variable articial (y
3
) y reemplazar la funcin objetivo por la original para poder comenzar la
segunda fase del problema. Es importante notar que las variables bsicas de esta ltima solucin
aparecen en la funcin objetivo original, por lo que es necesario realizar operaciones adicionales para
que la funcin objetivo quede expresada slo en funcin de las variables no bsicas. Es por este
motivo que durante la primera fase mantuvimos la ltima la del tableau con la funcin objetivo
original. Para corroborar esta armacin basta reemplazar el valor de las variables bsicas en la
funcin objetivo original:
f(x
1
, x
2
) = 800x
1
600x
2
= 800(10 +
1
7
x
4
+
20
3
x
5

20
3
y
3
) 600(40
1
7
x
4

10
3
x
5
+
10
3
y
3
)
= 32.000
200
7
x
4

10000
3
x
5
+
10000
3
y
3
que es exactamente la expresin que aparece en la ltima la del tableau. Es interesante notar
tambin que en la penltima la correspondiente a la funcin objetivo articial el nico costo
reducido distinto de cero es el de la variable articial con coeciente 1. Esto es esperable dado que
la variable articial est fuera de la base y la funcin objetivo consista en minimizarla.
Para continuar con el problema basta eliminar la penltima la y la penltima columna. De
este modo se obtendr un tableau inicial para la segunda fase que nos permite comenzar a iterar
de inmediato en bsqueda de la solucin ptima al problema.
126 CHAPTER 3. PROGRAMACIN LINEAL
Segunda fase
Eliminando la cuarta la y sexta columna del ltimo tableau de la primera fase, obtenemos el
tableau inicial para esta segunda fase:
0 0 1
20
14
250
3
250
0 1 0
1
7
10
3
40
1 0 0
1
7

20
3
10
0 0 0
200
7

10000
3
32000
As comenzamos desde la S.I.F.B.:
x
1
= 10
x
2
= 40
x
3
= 250
x
4
= 0
x
5
= 0
Es decir, estamos comenzando desde un vrtice del dominio del problema original. Al hacer una
iteracin del algoritmo obtenemos el siguiente tableau:
0 0
3
250
3
175
1 3
0 1
1
25
15
175
0 30
1 0
2
25
5
175
0 30
0 0 40
5000
175
0 42000
que corresponde al ptimo del problema.
3.2.3 Anlisis Matricial del Mtodo Simplex
El problema que estamos analizando (una vez agregadas las variables de holgura y de exceso nec-
sarias) se puede describir en su forma estndar o cannica del siguiente modo:
Min c

x
s.a. Ax = b
x 0
donde debemos notar que todos los componentes del vector b deben ser mayor o igual a cero. En
cada iteracin del algoritmo, los componentes del vector x se dividen en dos grupos: las variables
bsicas a las que asociaremos un vector x
B
y las variables no bsicas a las que asociaremos un
vector x
D
. As, podremos expresar nuestro problema en funcin de estos vectores del siguiente
3.2. EL MTODO SIMPLEX 127
modo:
Min c

B
x
B
+c

D
x
D
s.a. Bx
B
+Dx
D
= b
x
B
, x
D
0
en que hemos dividido el vector de costos en c

B
y c

D
y la matriz de coecientes de las restricciones
en B y D de modo que se ajusten a los dos grupos de variables respectivos. Es importante destacar
que la matriz B es una matriz cuadrada de m m que debe ser de rango mximo (de otro modo
el sistema de ecuaciones Bx
B
= b podra no tener solucin factible).
Si multiplicamos la restriccin en ambos lado por B
1
(para esto no pueden haber las l.d.)
nos queda:
x
B
= B
1
b B
1
Dx
D
(3.1)
y reemplazando en la funcin objetivo queda:
v = c

B
B
1
b + (c

D
c

B
B
1
D)x
D
(3.2)
As, se alcanza el siguiente problema equivalente al original:
Min c

B
B
1
b + (c

D
c

B
B
1
D)x
D
s.a. x
B
+B
1
Dx
D
= B
1
b
x
B
, x
D
0
En la medida que todos los elementos de B
1
b sean no negativos, la siguiente solucin corre-
sponde a una solucin bsica factible del problema:
x
B
= B
1
b
x
D
= 0.
en que su valor de la funcin objetivo asociado es:
v = c

B
B
1
b
Es decir, si el tableau inicial se expresa en forma gruesa del siguiente modo:
B D b
c

B
c

D
0
,
128 CHAPTER 3. PROGRAMACIN LINEAL
el tableau correspondiente a una solucin bsica factible ser:
I B
1
D B
1
b
0 c

D
c

B
B
1
D c

B
B
1
b
.
Si adems resulta que todos los elementos del vector de costos reducidos r

D
= c

D
c

B
B
1
D
son no negativos, podemos armar que la solucin bsica factible anterior es tambin ptima.
Observar en (3.2) que cada elemento del vector de costos reducidos puede expresarse como c
j

c

B
B
1
D
j
en que c
j
y D
j
corresponden al coeciente asociado a la variable x
j
(no bsica) en la
funcin objetivo original y la columna en A asociada a la variable x
j
respectivamente.
Cabe mencionar que en el caso en que el problema no tenga una SIFB inmediata y haya
que recurrir al mtodo de las dos fases para su resolucin, este anlisis matricial funcionar sin
problemas. No importa si hubo que hacer la primera fase o no, solo importa la base actual y
referirse a la informacin del problema original para el anlisis.
Veamos el siguiente ejemplo:
Min x
1
2x
2
3x
3
3x
1
+ 2x
2
+ x
3
2
x
1
+ 2x
2
x
3
4
x
1
+ x
2
+ 4x
3
5
x
1
, x
2
, x
3
0
Claramente vemos que para transformar el problema a formato estndar habr que agregar 3
variables de holgura (con sus respectivas restricciones de no negatividad), una para cada restriccin.
En este caso, las variables de holgura formarn la base inicial. As, x
B
= {x
4
, x
5
, x
6
} y x
D
=
{x
1
, x
2
, x
3
} y las matrices iniciales son:
B = B
1
=
_

_
1 0 0
0 1 0
0 0 1
_

_
, D =
_

_
3 2 1
1 2 1
1 1 4
_

_
,
b =
_

_
2
4
5
_

_, c
B
=
_

_
0
0
0
_

_, c
D
=
_

_
1
2
3
_

_.
Es decir el tableau incial es el siguiente:
3 2 1 1 0 0 2
1 2 1 0 1 0 4
1 1 4 0 0 1 5
1 2 3 0 0 0 0
3.2. EL MTODO SIMPLEX 129
Dado que el vector c
B
es nulo, r

D
= c

D
, y as vemos que todas las variables no bsicas tienen
costo reducido negativo. Es decir, si incorporamos cualquiera de ellas a la base, la funcin objetivo
mejora (lo que es bastante obvio en este caso). Escogeremos la variable con costo reducido ms
negativo, esto es min{1, 2, 3} = 3; es decir la variable x
3
entra a la base. Para determinar
la variable que sale de la base debemos realizar el cuociente entre los elementos de la columna del
extremo derecho (B
1
b) del tableau y los elementos positivos de la columna de D asociada a x
3
.
Es decir min{
2
1
, ,
5
4
} =
5
4
. Esto indica que la variable bsica que aparezca en la tercera restriccin
es la que sale de la base, sta es x
6
. Esto se debe a que cuando x
3
crece, x
6
es la primera variable
bsica que se vuelve cero.
El prximo tableau lo podemos obtener pivoteando (mediante operaciones las) en la posicin
de x
3
de la tercera la, o bien simplemente redenir las matrices del problema acorde a la nueva
base x
B
= {x
4
, x
5
, x
3
}. Deniremos el conjunto de variables no bsicas como: x
D
= {x
1
, x
2
, x
6
}.
Las estructuras matriciales asociadas a esta nueva base son:
B =
_

_
1 0 1
0 1 1
0 0 4
_

_
=B
1
=
_

_
1 0
1
4
0 1
1
4
0 0
1
4
_

_
, D =
_

_
3 2 0
1 2 0
1 1 1
_

_
,
b =
_

_
2
4
5
_

_, c
B
=
_

_
0
0
3
_

_, c
D
=
_

_
1
2
0
_

_
En este desarrollo matricial es importante mantener claridad respecto al orden en que las vari-
ables forman el conjunto x
B
y x
D
de modo de garantizar consistencia entre las distintas estructuras
matriciales del sistema. Por ejemplo, si alternativamente denimos x
B
= {x
3
, x
4
, x
5
} las matrices
asociadas a las variables no bsicas deben absorber esta modicacin. Por ejemplo, D en este caso
sera:
D =
_

_
0 3 2
0 1 2
1 1 1
_

_
Es importante destacar que el orden que se les de a las variables dentro de la base o del conjunto
de variables no bsicas es irrelevante (el resultado ser idntico), lo que importa es mantener la
consistencia. Realizando las operaciones necesarias para determinar el nuevo tableau obtenemos:
B
1
D =
_

_
13
4
7
4
1
4
3
4
9
4
1
4
1
4
1
4
1
4
_

_
, B
1
b =
_

_
3
4
21
4
5
4
_

_
,
r
D
= (c

D
c

B
B
1
D)
T
=
_

_

1
4

5
4
3
4
_

_, c

B
B
1
b =
15
4
130 CHAPTER 3. PROGRAMACIN LINEAL
es decir, obtenemos el siguiente tableau:
13
4
7
4
0 1 0
1
4
3
4
3
4
9
4
0 0 1
1
4
21
4
1
4
1
4
1 0 0
1
4
5
4

1
4

5
4
0 0 0
3
4
15
4
Evidentemente este mismo tableau se hubiera alcanzado si se hubiera realizado operaciones la
pivoteando en el casillero de la tercera la y tercera columna (destacado en negrita).
Es esta solucin ptima? Evidentemente no, ya que an hay costos reducidos negativos.
Decidimos que x
2
entra a la base pues min{
1
4
,
5
4
} =
5
4
. La variable saliente de la base es x
4
pues min{
3
7
,
21
9
, 5} =
3
7
lo que indica que es la variable de la base asociada a la primera restriccin
la que deja la base.
Pivoteando obtenemos:
13
7
1 0
4
7
0
1
7
3
7
24
7
0 0
9
7
1
4
7
30
7
5
7
0 1
1
7
0
2
7
8
7
18
7
0 0
5
7
0
4
7
30
7
con x
B
= {x
5
, x
3
, x
2
} y x
D
= {x
1
, x
6
, x
4
}. Estamos en el ptimo? An no, ya que queda un costo
reducido negativo (
18
7
) x
1
entra a la base.
As, min{,
30
24
,
8
5
} =
5
4
x
5
sale de la base.
Pivoteando
0 1 0
1
8
13
24
1
6
11
4
1 0 0
3
8
7
24
1
6
5
4
0 0 1
1
8
5
24
1
6
1
4
0 0 0
1
4
3
4
1
15
2
Como se puede ver, podemos pivotear nuevamente. As obtenemos:
0 1 1 0
1
3
1
3
3
1 0 3 0
1
3
2
3
2
0 0 8 1
5
3
4
3
2
0 0 2 0
1
3
4
3
8
donde todos los costos reducidos son mayores o iguales a cero. Por lo tanto, la solucin ptima es:
x
1
= 2 x
4
= 2
x
2
= 3 x
5
= 0
x
3
= 0 x
6
= 0
que alcanza en la funcin objetivo un valor ptimo v = 8.
Como se puede observar, la variable x
4
estaba inicialmente en la base, luego sali de sta, y
3.2. EL MTODO SIMPLEX 131
en la ltima iteracin volvi a entrar. Esto nos hace pensar que escogimos el camino largo para
llegar al ptimo. Le dejamos al lector que resuelva este problema nuevamente pero en la segunda
iteracin incorporando la variable x
1
en vez de x
2
.
3.2.4 Casos especiales en el desarrollo de Simplex
(a) Solucin degenerada
Qu pasa si al buscar la variable que sale de la base me encuentro un empate, es decir, hay
dos cuocientes
b
j
a
ij
de idntico valor? En dicho caso, observamos que la solucin ser degenerada
(alguna variable bsica tomar valor cero). Por ejemplo, supongamos que el tableau inicial del
ejemplo anterior ahora tiene b
3
= 8 en vez de b
3
= 5, de la siguiente manera:
3 2 1 1 0 0 2
1 2 1 0 1 0 4
1 1 4 0 0 1 8
1 2 3 0 0 0 0
Al determinar la variable saliente, asumiendo que x
3
entra a la base, tenemos que min{
2
1
, ,
8
4
} = 2.
Pivoteando en alguna de las dos alternativas tenemos:
3 2 1 1 0 0 2
4 4 0 1 1 0 6
13 7 0 4 0 1 0
10 4 0 3 0 0 6
En esta caso la solucin alcanzada no corresponde a un ptimo, sin embargo el vrtice corresponde
a una solucin factible bsica degenerada, donde x
B
= {x
3
, x
5
, x
6
}, con x
3
= 2, x
5
= 6, y
x
6
= 0. Geomtricamente una solucin bsica degenerada se crea cuando conuye en un punto
un nmero mayor de restricciones al mnimo necesario para denir un vrtice. As, si el espacio
de soluciones es R
2
entonces se crea una solucin degenerada cuando coinciden tres restricciones
en un punto. Un ejemplo de solucin degenerada en R
3
sera el vrtice superior de una pirmide
cuya base tenga cuatro o ms esquinas. En estos casos el vrtice geomtrico queda denido por
varias bases distintas. Esto causa un problema, pues si la solucin degenerada es ptima muy
posiblemente no todas esas bases lo sern. As, es posible haber alcanzado la solucin ptima y no
haberlo detectado. Si la solucin degenerada no es ptima, entonces el algoritmo podr requerir
varias iteraciones en el vrtice cambiando en cada una de base (pero no de vrtice) para por n
poder moverse a una solucin con mejor valor de la funcin objetivo.
(b) Dominio no acotado
Qu pasa si al buscar la variable que sale de la base, me encuentro con que todos los a
ij
son
negativos? En dicho caso, observamos que la solucin es no acotada, es decir, el dominio es no
acotado. Por ejemplo, si la ltima restriccin hubiese sido x
1
+x
2
+4x
3
8, y de haber escogido
132 CHAPTER 3. PROGRAMACIN LINEAL
que entrase x
1
a la base, hubiramos tenido que escoger entre valores negativos. Esto es razonable,
pues x
1
aumenta la funcin objetivo y disminuye las restricciones. Las restricciones seran:
3x
1
+ 2x
2
+ x
3
+ x
4
= 2
x
1
+ 2x
2
x
3
+ x
5
= 4
x
1
+ x
2
+ 4x
3
+ x
6
= 8
Ahora si x
2
y x
3
permanecen en valor cero, tenemos que
x
1
= (x
4
2)/3
x
1
= x
5
4
x
1
= x
6
8
donde no hay un valor mximo para x
1
.
(c) Mltiples soluciones
Qu pasa si al analizar la solucin nal observamos que hay un costo reducido igual a cero
asociado a una variable no bsica? Signica que si esa variable se incorpora a la base, el valor de la
funcin objetivo no se ver alterado. En dicho caso, observamos que hay dos vrtices con idntico
valor objetivo. Entonces cualquier combinacin convexa de ambos, sera ptima tambin.
Ejemplo: Utilicemos el anlisis matricial para determinar cunto debi haber sido c
3
para que
hubiese sido atractivo de incorporar a la base. El costo reducido nal de las variables no bsicas
es: c

D
c

B
B
1
D, y en este caso, x
D
= {x
3
, x
5
, x
6
}, x
B
= {x
1
, x
2
, x
4
}.
c

D
= [3 0 0]
c

B
= [1 2 0]
B =
_

_
3 2 1
1 2 0
1 1 0
_

_
D =
_

_
1 0 0
1 1 0
4 0 1
_

_
_

_
c

B
B
1
D = [5
1
3
4
3
]
Por lo tanto, c

D
c

B
B
1
D = [2
1
3
4
3
]
Entonces, para que x
3
sea atractivo de incorporar a la base, c
3
5 0 c
3
5. Cualquier
valor mayor que 5 resulta atractivo. Supongamos que c
3
= 5, as la solucin:
x
1
= 2 x
4
= 2
x
2
= 3 x
5
= 0
x
3
= 0 x
6
= 0
3.2. EL MTODO SIMPLEX 133
sigue siendo ptima.
Ahora podramos incorporar x
3
a la base.
0 1 1 0
1
3
1
3
3
1 0 3 0
1
3
2
3
2
0 0 8 1
5
3
4
3
2
0 0 0 0
1
3
4
3
8
Pivoteando para que salga x
4
de la base, tenemos
0 1 0
1
8
13
24
1
6
11
4
1 0 0
3
8
7
24
1
6
5
4
0 0 1
1
8
5
24
2
3
1
4
0 0 0 0
1
3
4
3
8
,
es decir, otra solucin de vrtice es:
x
1
=
5
4
x
4
= 0
x
2
=
11
4
x
5
= 0
x
3
=
1
4
x
6
= 0
la cual tambin nos da el mismo valor de la funcin objetivo v = 8. Por lo tanto, tambin es
solucin ptima. Ahora, cualquier combinacin convexa tambin ser solucin ptima, es decir,
todo x tal que
x =
_

_
5
4
11
4
1
4
0
0
0
_

_
+ (1 )
_

_
2
3
0
2
0
0
_

_
donde 0 1.
Supongamos que a ltima hora se nos ocurre incorporar una nueva variable que podra ser
atractiva en la solucin ptima. Para vericar esto tomamos el tableau nal y vemos cules son las
variables bsicas y cules las no bsicas.
Podremos estimar el costo reducido que hubiera tenido esta variable a esta altura, si nunca
hubiese sido incorporada a la base.
Por ejemplo, si una nueva actividad x
7
aportara 6 por unidad a la funcin objetivo y consum-
134 CHAPTER 3. PROGRAMACIN LINEAL
iera una unidad de cada recurso en las restricciones, el costo reducido respectivo sera:
r
7
= 6 [1 2 0]
_

_
3 2 1
1 2 0
1 1 0
_

_
1
_

_
1
1
1
_

_ =
13
3
< 0
Por lo tanto, s nos interesara incorporar x
7
a la base y as mejorar la solucin actual.
3.3 Anlisis de Sensibilidad de los Resultados
En nuestro anlisis hemos asumido un conocimiento cabal de cada uno de los parmetros que
inuyen en el problema. Sin embargo, a menudo la realidad es muy distinta. Por una parte, el
modelador suele no conocer perfectamente los valores exactos que toman los parmetros. Por otra,
aunque los conociera, muchas veces los parmetros tienen una naturaleza estocstica que impide
asignarles un valor nico. Es decir, muchas veces problemas de naturaleza estocstica son modelados
como si fueran determinsticos, pues esta modelacin permite abordarlos con mayor facilidad (la
optimizacin estocstica escapa del alcance de este texto). Por este motivo, cuando se modela un
problema en forma determinstica (en que se asume que se conoce el valor de cada parmetro con
total precisin), a menudo interesa saber cun robusto es el resultado frente a perturbaciones en
algunos parmetros del modelo.
A continuacin se presenta un anlisis de sensibilidad de los resultados de problemas de progra-
macin lineal continua como los que se han tratado en este texto con respecto a los parmetros de
la funcin objetivo y de los niveles de cada uno de los recursos disponibles. En cada uno de los casos
analizados se perturbar slo un parmetro a la vez. Un anlisis de sensibilidad ms complejo en
que se perturban varios parmetros simultneamente no ser analizado en las secciones que siguen,
sin embargo, responde a la misma lgica que se explicar a continuacin.
3.3.1 Rango de variacin de los costos
En esta seccin realizaremos un anlisis de sensibilidad de la solucin ptima al problema respecto
de los parmetros de su funcin objetivo. Evidentemente modicar la funcin objetivo no cambia en
absoluto el dominio del problema. Una funcin objetivo diferente slo podra modicar su vrtice
ptimo. Por lo tanto, el anlisis de sensibilidad aqu presentado pretender identicar el rango de
las perturbaciones en uno de los coecientes de la funcin objetivo que no altera la solucin ptima
alcanzada.
Como hemos visto, el vector de costos de la funcin objetivo lo podemos dividir en dos grupos:
los costos asociados a las variables bsicas y los asociados a las variables no bsicas. A medida que
la base cambia en bsqueda de una base ptima, los costos reducidos tambin lo hacen.
Analicemos primero variaciones en algn costo asociado a una variable no bsica de la solucin
ptima. Para poder preservar la optimalidad de la solucin alcanzada, los costos reducidos deben
3.3. ANLISIS DE SENSIBILIDAD DE LOS RESULTADOS 135
permanecer positivos o nulos (el caso de un problema de minimizacin). Es decir,
r
D
= c
D
z 0
donde z

= c

B
B
1
D. Por lo tanto,
r
k
= c
k
z
k
0, k no bsico.
Ahora, supongamos que el costo c
j
asociado a la variable no bsica x
j
vara en c
j
. Para que esta
variable siga siendo no bsica deber cumplirse que su respectivo costo reducido siga siendo no
negativo, es decir,
c
j
+ c
j
z
j
0 r
j
+ c
j
0
Por lo tanto, el rango de esta variacin c
j
es
r
j
c
j

Este resultado es muy simple de interpretar. Basta conocer el costo reducido de una variable
no bsica para saber el rango en que se puede mover su coeciente en la funcin objetivo sin que
la solucin ptima al problema se vea afectada.
Por otro lado, respecto a costos asociados a variables bsicas, el anlisis es un poco ms complejo.
Esto se debe a que una perturbacin en algn elemento de c
B
, digamos c
j
, alterar todos los
componentes del vector z

= c

B
B
1
D. En la medida que ante esta perturbacin los costos reducidos
no bsicos sigan siendo no negativos (los bsicos seguirn siendo nulos por construccin), la base
ptima permanecer inalterada. Sin embargo, basta que uno de los costos reducidos no bsicos se
torne negativo para que la base (y por tanto la solucin) ptima cambie. Denamos z
k
=

r
i=1
c
i

ik
,
donde
ik
es el producto de la la i de la matriz inversa de la base con la columna k de la matriz
D, es decir,
ik
= B
1
la i
D
k
. De esta forma si modicamos el costo c
j
en c
j
, los costos reducidos
r
k
de todas la variables no bsicas quedarn:
r
k
= c
k
z
k
= c
k

_

iBase
c
i

ik
_
c
j

jk
= r
k
c
j

jk
0, k no bsico
Por lo tanto, en la medida que r
k
c
j

jk
para todos los costos reducidos, la base ptima no
cambiar. Para que esto suceda, dado que los
jk
pueden ser positivos, negativos o nulos, deber
136 CHAPTER 3. PROGRAMACIN LINEAL
cumplirse que:
Si
jk
> 0 c
j

r
k

jk
Si
jk
< 0 c
j

r
k

jk
Si
jk
= 0 c
j
puede tomar cualquier valor
Recordemos que r
k
0. Como estas condiciones deben cumplirse k, el rango de la variacin
c
j
que mantiene la base ptima inalterada ser:
max
k:
jk
<0
_
r
k

jk
_
c
j
min
k:
jk
>0
_
r
k

jk
_
. (3.3)
Es importante notar que dentro de este rango el valor ptimo cambiar en c
j
x
j
.
Qu ocurre si c
j
llega a un lmite? Cul es la nueva base?
En ambos casos de perturbaciones en el coeciente c
j
de la funcin objetivo de una variable x
j
(sea sta no bsica o bsica), si c
j
llega a uno de los bordes de los intervalos derivados en esta
seccin, se tendr que el costo reducido de (al menos) una variable no bsica se vuelve nulo. Esto
indicara que en ese caso la solucin ptima no sera nica pues de incorporar la variable de costo
reducido nulo a la base se obtendra una nueva solucin bsica con idntico valor en la funcin
objetivo. Ahora bien,
i) si c
j
est asociada a una variable no-bsica, entonces en la solucin ptima alternativa esta
variable pasar a ser bsica.
ii) si c
j
est asociada a una variable bsica, entonces en la solucin ptima alternativa la variable
de ndice k que establece el lmite entrar a la base, y dejar la base la variable de ndice i tal
que:
min
i
_
x
i

ik
:
ik
0
_
.
En ambos casos la solucin ptima alternativa corresponder a un vrtice adyacente al vrtice
asociado a la solucin ptima original en el dominio del problema.
3.3.2 Rango de variacin del nivel de recursos
En esta seccin realizaremos un anlisis de sensibilidad de la solucin ptima respecto de los
parmetros del vector de recursos del sistema. En este caso la funcin objetivo se mantiene in-
alterada, pero se modica el dominio de las soluciones. Si se modica el nivel de recursos de una
restriccin activa, la solucin ptima (a menos que sta sea degenerada) inmediatamente cambiar.
Sin embargo, si la solucin ptima contina siendo denida por la misma base (el mismo conjunto
de restricciones activas) entonces los costos reducidos permanecern inalterables (no dependen de
b). Es decir, perturbaciones pequeas en uno de los recursos disponibles no cambiara el conjunto de
variables bsicas, pero s (levemente) el valor que ellas toman en la solucin ptima. Sin embargo,
3.3. ANLISIS DE SENSIBILIDAD DE LOS RESULTADOS 137
perturbaciones mayores a un determinado umbral convertiran la base en una base infactible (el
valor que toma una de las variables bsicas se torna negativo). As, interesar identicar el rango
de variacin en el recurso considerado que mantiene la base ptima actual dentro del dominio. El
anlisis para recursos de restricciones inactivas en el ptimo es similar. Perturbaciones dentro de
un cierto rango no modicarn la factibilidad de la base (la holgura de la restriccin modicada
seguir siendo positiva). Sin embargo, si se restringe el nivel de recursos sobre un determinado
umbral, la base pasar a ser infactible debido a que la holgura del recurso en cuestin ser negativa
(el recurso no ser suciente para los requerimientos de la solucin ptima).
La factibilidad de una base queda denida por el lado derecho del tableau asociado a dicha
base, es decir x
B
= B
1
b que debe ser no negativo. As, la solucin ptima puede expresarse como:
x

= B
1
b =
_

11

12

1m
.
.
.
.
.
.
.
.
.
.
.
.

m1

m2

mm
_

_
_

_
b
1
.
.
.
b
m
_

_
=
_

_
b
1

11
+b
2

12
+ + b
m

1m
.
.
.
b
1

m1
+ b
2

m2
+ + b
m

mm
_

_
Por lo tanto, si el nivel del recurso j vara en b
j
, se deber cumplir que
x

=
_

_
b
1

11
+ b
2

12
+ + b
m

1m
+ b
j

1j
.
.
.
b
1

m1
+ b
2

m2
+ + b
m

mm
+ b
j

mj
_

_
0
Es decir, x

i
+
ij
b
j
0, i = 1, ..., m. De esta condicin se desprende que debe cumplirse:
max
i:
ij
>0
_
x

ij
_
b
j
min
i:
ij
<0
_
x

ij
_
para que la base ptima no cambie.
Al realizar cambios en los b
j
, dentro de este rango, la nueva solucin ptima ser x

i
+
ij
b
j
para todo i, y el cambio en la funcin objetivo ser:
j
b
j
. Observar que dentro de este rango de
variacin, los costos reducidos no se alterarn.
3.3.3 Ejemplo
Volvamos a nuestro ejemplo de las planchas de aluminio, y veamos cunto podra variar el benecio
de las planchas de tipo 1 sin que cambie la poltica de produccin. El tableau inicial era:
15 5 1 0 0 600
7 14 0 1 0 630
0, 3 0, 3 0 0 1 15
800 600 0 0 0 0
138 CHAPTER 3. PROGRAMACIN LINEAL
Y el tableau nal era:
1 0
1
10
0
5
3
35
0 0
7
10
1
175
3
175
0 1
1
10
0 5 15
0 0 20 0
5000
3
37000
Como podemos ver:
B
1
=
_

_
1
10
0
5
3
7
10
1
175
3
1
10
0 5
_

_ y D =
_

_
1 0
0 0
0 1
_

_
Como c
1
est asociado a una variable bsica, entonces su rango de variacin est determinado por
(3.3). Aqu tenemos k = 1 y k = 2, son las variables no-bsicas. Tenemos que calcular los
1k
, es
decir,
11
y
12
.

11
=
_
1
10
0
5
3
_
_

_
1
0
0
_

_ =
1
10
> 0,

12
=
_
1
10
0
5
3
_
_

_
0
0
1
_

_ =
5
3
< 0. r
2
=
5000
3
.
Adems sabemos que r
1
= 20 y r
2
=
5000
3
. As,
max

1k
>0
_
20
1
10
_
c
1
min

1k
<0
_
5000
3
5
3
_
,
por lo tanto, 200 c
1
1000 para que no cambie la base.
Es fcil comprobarlo con los gradientes de las restricciones activas en el punto (35, 15). Si
c
1
= 1000 f = (1800, 600), y si c
1
= 200 f = (600, 600), que corresponden a los
gradientes de las restricciones activas en el punto ptimo.
3.4 Dualidad
2
En la presente seccin se analiza una caracterstica muy particular de los problemas de progra-
macin lineal continua. Para cada problema de este tipo existe un problema asociado que a simple
vista parece completamente diferente, pero que comparte mltiples de sus caractersticas y de
cuya solucin se pueden desprender elementos de la solucin del problema original. A este nuevo
problema le denominaremos el problema dual del problema original (o primal).
2
Agregar dibujo de soluciones optimas y suboptimas en PP y PD
3.4. DUALIDAD 139
Consideremos el siguiente problema general:
PP) Max c

x
s.a Ax b
x 0
Podemos escribir este problema como uno equivalente de minimizacin de manera de dejarlo en
nuestro formato estndar para establecer las condiciones KKT de la forma vista en este libro.
PP) Min c

x
s.a Ax b
x 0
El Lagrangeano de este problema es L = c

x+

(Axb), y las respectivas condiciones de KKT


son:
L
x
i
= c
i
+

A
i
0 i = 1, ..., n
L

j
= A
j
x b
j
0 j = 1, ..., m
x
i
L
x
i
= x
i
(c
i
+

A
i
) = 0 i = 1, ..., n
j
L

j
=
j
(A
j
x b
j
) = 0 j = 1, ..., m
x
i
0 i = 1, ..., n
j
0 j = 1, ..., m
En que A
i
y A
j
corresponden al vector i-sima columna y j-sima la de la matriz A respecti-
vamente. El primer vector es de dimensiones m 1, mientras el segundo es de 1 n.
As, para que un vector x sea ptimo debe existir tambin otro vector tal que en conjunto
satisfagan estas condiciones. Adems debe suceder que los gradientes de las restricciones activas
sean l.i. para que exista regularidad.
De las condiciones de KKT observamos que la solucin ptima debe satisfacer:
c

Ax

b
Esto se cumple ya que la solucin ptima (x, ) debe cumplir: 0,

A c

, x 0 y Ax b.
Adicionalmente, se observa que en el ptimo (si ste existe), debe cumplir tambin que:
n

i=1
x
i
(c
i
+

A
i
) = 0 c

x =

Ax
m

j=1

j
(A
j
x b
j
) = 0

Ax =

b
c

x =

b
Es decir estos dos problemas de maximizacin y minimizacin comparten el mismo valor ptimo.
Si llamamos v a este valor entonces el valor en la funcin objetivo de cualquier solucin factible
no ptima a PP) ser necesariamente inferior a v. Asimismo, veremos que el valor de la funcin
140 CHAPTER 3. PROGRAMACIN LINEAL
objetivo de cualquier solucin factible no ptima en el problem dual ser necesariamente superior
a v.
De la estructura del problema y de esta observacin surge la idea de reescribir un nuevo prob-
lema equivalente al problema primal (PP). A este nuevo problema equivalente le denominaremos
Problema Dual (PD) :
PD) Min

b
s.a

A c

0
Es fcil observar que las condiciones de KKT de este problema son exactamente las mismas que
las del problema original en que las variables del vector x toman el rol de los multiplicadores de las
restricciones del problema dual. As, los siguienes problemas son sustancialmente equivalentes:
PP) Max c

x
s.a Ax b
x 0
y
PD) Min

b
s.a

A c

0
Diremos que cada uno de ellos corresponde al problema dual del otro problema. Es posible
generalizar esta relacin primal-dual para problemas que no necesariamente satisfacen el formato
estndar del problema originalmente considerado en esta seccin. As, la siguiente tabla ilustra la
equivalencia de dos problemas genricos en que cada uno de ellos contiene todo tipo de restricciones
(igualdades, desigualdades, no-negatividad, o libres):
Max c

x Min

b
s.a A
j
x b
j
j M
1
s.a
j
0 j M
1
A
j
x b
j
j M
2

j
0 j M
2
A
j
x = b
j
j M
3

j
libre j M
3
x
i
0 i N
1

A
i
c
i
i N
1
x
i
0 i N
2

A
i
c
i
i N
2
x
i
libre i N
3

A
i
= c
i
i N
3
A modo de ilustracin volvamos a nuestro ejemplo de las planchas de aluminio y establezcamos
los problemas primal y dual.
PP) Max 800x
1
+ 600x
2
s.a 15x
1
+ 5x
2
600
7x
1
+ 14x
2
700
0, 3x
1
+ 0, 3x
2
15
x
i
0 i = 1, ..., 2
3.4. DUALIDAD 141
En este caso el problema dual asociado sera:
PD) Min 600
1
+ 700
2
+ 15
3
s.a 15
1
+ 7
2
+ 0, 3
3
800
5
1
+ 14
2
+ 0, 3
3
600

j
0 j = 1, ..., 3
3.4.1 Relaciones Primal-Dual
A continuacin formalizaremos algunas propiedades de la relacin entre un problema primal y su
problema dual que fueron esbozadas en la seccin previa.
1. Propiedad de dualidad dbil: Si x es una solucin factible para el problema primal, y
es una solucin factible para el problema dual, entonces c

b.
2. Propiedad de dualidad fuerte: Si x

es una solucin ptima para el problema primal y

es solucin ptima para el problema dual, entonces: c

b.
3. Propiedades de soluciones complementarias: En cada iteracin, el mtodo simplex
identica simultneamente una solucin factible en un vrtice, x para el PP y una solucin
complementaria para el PD, donde se cumple que c

x =

b. Si x no es ptimo para el
PP, entonces no es factible para el PD.
4. Propiedad de soluciones complementarias ptimas: En la ltima iteracin del mtodo
simplex se identica simultneamente una solucin ptima x

para el PP y una solucin


ptima complementaria

para el PD, en donde c

b. En este caso los valores de

corresponden a los precios sombra del PP.


5. Propiedades de simetra: Para cualquier PP y su PD, las relaciones entre ellas deben ser
simtricas debido a que el problema dual de PD corresponde a PP.
Todas las propiedades anteriores se cumplen sin importar cul de los dos problemas se etiquete
como problema primal o dual.
Veamos otro ejemplo:
Max 5x
1
+ 6x
2
s.a x
1
+ 2x
2
= 5
x
1
+ 5x
2
3
4x
1
+ 7x
2
8
x
2
0
Dejemos este problema en forma estndar incorporando variables de holgura y de exceso segn
corresponda, y haciendo el cambio de variable x
1
= x

1
x

1
con x

1
0 y x

1
0. As, el problema
142 CHAPTER 3. PROGRAMACIN LINEAL
nos queda:
Max 5x

1
5x

1
+ 6x
2
s.a x

1
x

1
+ 2x
2
= 5
x

1
+ x

1
+ 5x
2
x
3
= 3
4x

1
4x

1
+ 7x
2
+ x
4
= 8
x

1
, x

1
, x
2
, x
3
, x
4
0
Ahora veamos como queda el respectivo problema dual.
Min 5
1
+ 3
2
+ 8
3
s.a
1

2
+ 4
3
5

1
+
2
4
3
5
2
1
+ 5
2
+ 7
3
6

2
0

3
0

1
irrestricta

2
,
3
irrestrictas (redundantes).
3.4.2 Anlisis Matricial del problema dual
De acuerdo a la propiedad de dualidad fuerte, en el ptimo debe satisfacerse que c

b.
Como x

B
= B
1
b, x

D
= 0, observamos que

= c

B
B
1
satisface esta propiedad y por lo tanto
podra constituir la representacin matricial de la solucin ptima al problema dual. Para esto
ser necesario vericar la factibilidad de

al problema dual. Con este propsito observamos que
el problema primal presenta restricciones del tipo Ax b, a las que es posible agregar variables
de holgura (una por restriccin). El costo reducido asociado a cada una de estas m variables corre-
sponder a r
h
= c
h
c

B
B
1
D
h
, en que c
h
= 0 y D
h
= I (donde h corresponde exclusivamente al
conjunto de variables de holgura). As, el costo reducido a estas variables de holgura es exactamente
c

B
B
1
=

. Si la solucin al problema primal (de maximizacin) es ptima, entonces estos cos-


tos reducidos deben ser todos negativos. As, la solucin ptima al problema primal debe satisfacer

0. Adicionalmente se debe comprobar que


A c

. Habamos visto que el vector de costos


reducidos del problema primal puede escribirse matricialmente como: r

D
= c

D
c

B
B
1
D. Como
consideramos que el problema primal es de maximizacin, entonces en el ptimo debe vericarse
que r
D
0, es decir, c

D
c

B
B
1
D. Si ahora estudiamos el valor de

A = c

B
B
1
A, observamos
3.4. DUALIDAD 143
que:

A = [

B
.
.
.

D]
= [c

B
.
.
. c

B
B
1
D]
[c

B
.
.
. c

D
]
es decir,

satisface la restriccin

A c

del problema dual. As, concluimos que esta solucin


es ptima para dicho problema.
Procedamos a reescribir la restriccin del problema dual

A c

del siguiente modo:

A
T
I =
c

, en que las variables representan variables no negativas de exceso. De las condiciones de op-
timalidad (KKT) observamos que x
i
(c
i
+

A
i
) = 0 (i = 1, ..., n) lo que nos permite concluir
que
i
x
i
= 0. Es decir, si en el ptimo al problema primal, x
i
> 0, entonces
i
= 0 mientras
que si x
i
= 0, entonces
i
0. Esta observacin nos permite intuir que el vector representa el
vector de multiplicadores asociados a las restricciones de no negatividad del problema primal. De
hecho si descomponemos el vector
T
en los valores asociados a las variables bsicas (
B
) y en los
asociados a las variables no bsicas (
D
), observamos que
T
B
= c

B
B
1
B c

B
= 0, mientras que

T
D
= c

B
B
1
Dc

D
= r
T
D
que corresponden precisamente a los costos reducidos de las variables
respectivas (con signo inverso).
Asimismo, observamos que en el ptimo debe cumplirse que c

A
T
I lo que conrma
que el gradiente de la funcin objetivo (en este caso del problema primal) constituye una combi-
nacin lineal de los gradientes de las restricciones activas.
Finalmente es interesante observar que el costo reducido asociado a una variable de holgura es
r
j
= c
j
c

B
B
1
D
j
, pero como c
j
= 0 y D
j
es un vector unitario, r
j
= c

B
B
1
e
j
=
j
. Es
decir, el costo reducido de una variable de holgura que no est en la base, es igual al multiplicador
de Lagrange de la restriccin con signo contrario. Si la variable de holgura no est en la base del
problema primal, entonces sta toma un valor nulo, la restriccin asociada debe estar activa, y su
costo reducido asociado es tambin nulo. Si por otra parte la variable de holgura es bsica, su
costo reducido corresponde a la variable dual asociado a la restriccin con signo cambiado. Esto
debiera ser intuitivo pues el efecto en la funcin objetivo de un aumento en la variable de holgura
es equivalente al efecto de disminuir en la misma cantidad el recurso asociado.
Es interesante mencionar que de las propiedades antes mencionadas se desprende que el prob-
lema dual de un problema no acotado debe ser tal que su dominio sea vaco, de otro modo es
imposible satisfacer la propiedad de dualidad dbil. Asimismo, el problema dual de un problema
con soluciones mltiples debe ser un problema cuya solucin ptima sea degenerada ya que los cos-
tos reducidos bsicos nulos del problema primal correspondern a las variables bsicas del problema
dual.
144 CHAPTER 3. PROGRAMACIN LINEAL
3.5 Problemas resueltos
3.5.1 Geometra de PL
Problema 57 (Modelo (I2 1

03)) Una fbrica produce dos tipos de planchas de aluminio pin-


tado, y necesita denir su plan de produccin diario de manera que su utilidad sea maximizada.
Producir una plancha del tipo 1 requiere de 15 minutos-hombre, de 7 m
2
de aluminio bruto, y de
0.3 litros de pintura. Cada plancha tipo 1 tiene un costo para el fabricante de $400 y ste la vende
a $1200. Producir una plancha del tipo 2 requiere de 5 minutos-hombre, de 14 m
2
de aluminio
bruto, y de 0.3 litros de pintura. Cada plancha tipo 2 tiene un costo para el fabricante de $900 y
ste la vende a $1500. El fabricante maneja un stock diario de 630 m
2
de aluminio bruto y de 15
litros de pintura. l trabaja slo y est dispuesto a trabajar 10 horas cada da.
(a) Formule un modelo de optimizacin para lograr el objetivo del fabricante. Asuma que las
variables de produccin son continuas.
(b) En forma muy ordenada haga una tabla (planilla) de 4 4 celdas sealando las columnas
desde la A a la D, y las las desde la 1 a la 4. Llnela con el modelo formulado en la parte (a)
tal como lo hara en Excel. Fuera de la tabla indique cuales celdas corresponden a las variables de
decisin, funcin objetivo, y restricciones.
(c) Especique los cuatro parmetros (datos de entrada) del solver de Excel que se necesitan
para resolver su problema.
(d) Resuelva este problema grcamente indicando el dominio, curvas de nivel y la solucin
ptima.
(e) En programacin lineal vimos que al menos una de las soluciones ptimas pertenecer a un
conjunto especial de soluciones factibles. Sea R
2
ese conjunto de soluciones factibles. Diga
cules son todos los puntos que pertenecen a , y cmo se llaman.
(f ) Considere un modelo equivalente al formulado en (a) en el formato estndar usado en el
curso. Escriba el lagrangeano y las condiciones de Karush-Kuhn-Tucker (KKT).
(g) Del grco en (d) usted puede ver cuales restricciones son activas en el ptimo. Utilice esta
informacin para encontrar la solucin del problema a partir de las condiciones de KKT establecidas
en (f ).
(h) Sin resolver nuevamente el problema, cunto cambiara la utilidad del fabricante si ste
tuviese 10 m
2
ms de aluminio bruto al da? Y cunto cambiara si ste trabajara 10 minutos
ms al da?
Solucin: (a) La variable de decisin es:
x
i
= nmero de planchas tipo i; i = 1, 2.
Como el fabricante quiere maximizar su utilidad, la funcin objetivo es:
P) Max 800x
1
+ 600x
2
3.5. PROBLEMAS RESUELTOS 145
la cual estar sujeta a las siguientes restricciones:
15x
1
+ 5x
2
600
7x
1
+ 14x
2
630
0, 3x
1
+ 0, 3x
2
15
x
i
0 i = 1, 2.
(b)
A B C D
1 N

planchas tipo 1 0 Utilidad del fabricante = 800 B1 + 600 B2


2 N

planchas tipo 2 0 Restriccin de tiempo = 15 B1 + 5 B2


3 Restriccin de aluminio bruto = 7 B1 + 14 B2
4 Restriccin de pintura = 0.3 B1 + 0.3 B2
Las variables de decisin corresponden a las celdas B1 y B2, la funcin objetivo a la
celda D1 y las restricciones a las celdas D2, D3 y D4.
(c)
i) Celda objetivo = D1 o $D$1.
ii) Igual a = Max Min Valor de ____
iii) Cambiando celdas = B1 : B2 o $B$1 : $B$2.
iv) Sujeto a las restricciones:
D2 600
D3 630
D4 15
B1 0
B2 0
(d) Grco 3.3
(e) Los puntos que pertenecen a se llaman vrtices. Ellos son:
= {(0, 0); (0, 45); (40, 0); (35, 15); (10, 40)}
146 CHAPTER 3. PROGRAMACIN LINEAL
D
1
x
2
x
) 15 , 35 (
*
= x
000 . 37
*
= z
000 . 24 = z
D
1
x
2
x
) 15 , 35 (
*
= x
000 . 37
*
= z
000 . 24 = z
Figure 3.3:
(f) Un modelo equivalente es:

P) Min 800x
1
600x
2
s.a. 15x
1
+ 5x
2
600
7x
1
+ 14x
2
630
0, 3x
1
+ 0, 3x
2
15
x
i
0 i = 1, 2.
El lagrangeano viene dado por:
L = 800x
1
600x
2
+
1
(15x
1
+5x
2
600)+
2
(7x
1
+14x
2
630)+
3
(0, 3x
1
+0, 3x
2
15)
Por lo tanto, un punto mnimo de

P) debe cumplir con las condiciones de K.K.T.:
800 + 15
1
+ 7
2
+ 0, 3
3
0
x
1
(800 + 15
1
+ 7
2
+ 0, 3
3
) = 0
x
1
0
600 + 5
1
+ 14
2
+ 0, 3
3
0
x
2
(600 + 5
1
+ 14
2
+ 0, 3
3
) = 0
x
2
0
3.5. PROBLEMAS RESUELTOS 147
15x
1
+ 5x
2
600 0

1
(15x
1
+ 5x
2
600) = 0

1
0
7x
1
+ 14x
2
630 0

2
(7x
1
+ 14x
2
630) = 0

2
0
0, 3x
1
+ 0, 3x
2
15 0

3
(0, 3x
1
+ 0, 3x
2
15) = 0

3
0
(g) En (d) vemos que las restricciones activas son las de horas-hombre y de pintura, y
que hay holgura de aluminio bruto. Lo anterior nos dice que
1
> 0 y
3
> 0, y adems
que
2
= 0 (restriccin inactiva). As, algunas condiciones de K.K.T. se reducen a:
15x
1
+ 5x
2
= 600
0, 3x
1
+ 0, 3x
2
= 15
donde se obtiene, al resolver el sistema de 2 2 que x
1
= 35 y x
2
= 15 en el ptimo.
(h) Como hay holgura de aluminio (
2
= 0), el tener 10 m
2
ms no afecta la utilidad
del fabricante.
En el caso de que se trabajara 10 minutos ms al da, la utilidad aumentar aproxi-
madamente 10
1
.
1
se obtiene resolviendo el siguiente sistema:
15
1
+ 0, 3
3
= 800
5
1
+ 0, 3
3
= 600
de donde
1
= 20. Por lo tanto, la utilidad aumentara a $37.200 aproximadamente.
Problema 58 Una empresa ha violado la ley ambiental y ha recibido la pena de plantar rboles
en una plaza de uso pblico. Los rboles disponibles son robles y abedules. Se le exige adems
que por cada roble, se deben plantar a lo ms 4 abedules, y que se deben plantar como mnimo 2
robles o un abedul. Las horas-hombre necesarias para la plantacin de un abedul y un roble son 1
y 3 horas-hombre respectivamente, y los 3 trabajadores slo tienen 3 horas para realizar el trabajo
(c/u). Resuelva los siguientes problemas grcamente. Considere variables reales.
148 CHAPTER 3. PROGRAMACIN LINEAL
a) Si la empresa, arrepentida por su falta, buscara maximizar el benecio social de la plantacin
de rboles, siendo ste de 4 para los abedules y 1 para los robles. Cul sera el ptimo?
b) Si la empresa buscara mnimizar sus costos, y estos fueran de 4 para los abedules y 1 para
los robles. Cul sera el ptimo?
c) Si la empresa, arrepentida por su falta, buscara maximizar el benecio social de la plantacin
de rboles, pero ste fuera de 1 para los abedules y 3 para los robles. Cul sera el ptimo?
d) Si no existiese la restriccin de la mano de obra, cul sera el ptimo para los casos descritos
en a) y b)?
Solucin:
Las variables de decisin sern:
x: nmero de robles que se plantarn
y: nmero de abedules que se plantarn
a) El problema descrito ser
Max 4y + x
s.a. 4x y
2y + x 2
y + 3x 9
x, y 0
Gracando este problema y las curvas de nivel asociadas, se obtiene el Figura 3.4. Las curvas
de nivel se obtienen con la funcin objetivo, es decir,
4y + x = z =y =
1
4
x +
z
4
As, la pendiente de las curvas de nivel ser -1/4, y el valor ptimo (z) estar relacionado con
la interseccin de las curvas de nivel con el eje y. En este caso, a medida que aumenta el valor
ptimo, la interseccin con el eje y ser ms "arriba". De este modo se puede conocer hacia "que
lado" buscar el ptimo, dependiendo de si se intenta mximizar o minizar la funcin objetivo.
En este caso, se puede apreciar que el mximo se encuentra en el punto donde 4x = y y
y + 3x = 9, es decir, en (x, y) = (9/7, 36/7).
b) La minimizacin tendr como solucin ptima el punto (x, y) = (2, 0), es decir, se plantaran
slo 2 robles. Para obtener esta solucin tambin se utiliz la Figura 3.4, pero esta vez se busc la
curva de nivel ms "baja" (de menor valor ptimo) que todava se intersectara con el dominio.
c) Al grcar las curvas de nivel de la nueva funcin objetivo se aprecia que stas son paralelas
a la restricin de la mano de obra, por lo que existen mltiples soluciones ptimas (todos los puntos
que pertenecen al dominio y hacen que sta restriccin se active). Ver Figura 3.5.
3.5. PROBLEMAS RESUELTOS 149
-4
-2
0
2
4
6
8
10
-2 -1 0 1 2 3 4 5 6
robles
a
b
e
d
u
l
e
s
fn obj z=20
fn obj z=5
1ra restr
2da restr
3ra restr
Figure 3.4: Plantacin de robles y abedules - Partes a) y b)
d) Si no estuviese la restriccin de mano de obra, entonces se tendra un dominio no acotado.
Ver Figura 3.6. As para el caso a) de maximizacin, el problema no tendra solucin ptima pues
puedo "subir" eternamente por las curvas de nivel, mientras que para el caso b) de minimizacin,
el problema mantendra como solucin ptima el punto (2,0), pese a tener un dominio no acotado.
Problema 59 (I21

03) Qu condicin debe cumplir a y b en el siguiente problema de modo que


la solucin ptima sea (
2
3
,
2
3
)?
P) Max ax + 2by
s.a. x + 2y 2
2x + y 2
x, y 0
Solucin: El gradiente de f(x, y) debe estar entre los gradientes de las restricciones, es decir:
f = (1, 2) + (2, 1) con , 0
= ( + 2, 2 + )
esto implica que:
+ 2 = a
2 + = 2b
150 CHAPTER 3. PROGRAMACIN LINEAL
-4
-2
0
2
4
6
8
10
-2 -1 0 1 2 3 4 5 6
robles
a
b
e
d
u
l
e
s
fn obj z=12
fn obj z=5
1ra restr
2da restr
3ra restr
Ptos Optimos
Figure 3.5: Plantacin de robles y abedules - Parte c)
0 3 1 c d
1 a 0 2 e
0 b 0 -1 -10
Table 3.1: Tableau
Luego,
=
2
3
(a b) 0 =
a
b
1
=
1
3
a +
4
3
b 0 =
a
b
4
Por lo tanto, a y b deben cumplir con 1
a
b
4.
3.5.2 Mtodo Simplex
Problema 60 (Simplex (I3 1

03)) Responda a las siguientes preguntas en base al tableau cor-


respondiente a un problema de maximizacin que se muestra en la Tabla 1.
(a) Qu debe suceder con los parmetros para que ste sea un tableau ptimo? Cul sera el
valor ptimo del problema?
(b) Si a = 2, b = 1, d = 6, qu debe suceder para que x
3
salga de la base?
(c) Qu signica que b = 0? Y qu signica que d = 0?
(d) Si se asume que d = 0, qu implicancia tiene en el problema dual?
Solucin: (a) b 0 y d, e 0. El valor ptimo sera z = 10.
3.5. PROBLEMAS RESUELTOS 151
Figure 3.6: Plantacin de robles y abedules - Parte d)
(b) e > 4 =Min{
6
3
,
e
2
} =
6
3
. Por lo tanto, x
3
sale de la base.
(c) Si b = 0, hay mltiples soluciones que hacen z = 10. Si d = 0, estamos ante una solucin
bsica degenerada.
(d) Si d = 0 = en el dual hay mltiples soluciones.
Problema 61 (Simplex (I3 1

03)) Resuelva el siguiente problema de optimizacin utilizando el


mtodo Simplex. Indique la solucin ptima y el valor ptimo.
P) Max x
1
+ 2x
2
s.a. x
1
+ 2x
2
2
0 x
1
2
x
2
1
Solucin: En formato estandar P) nos queda:
P) Max x
1
+ 2x
2
s.a. x
1
+ x
3
= 2
x
2
x
4
+ x
6
= 1
x
1
+ 2x
2
+ x
5
= 2
x
i
0
Como x
6
es una variable articial, habr que eliminarla con la Fase I y as encontrar una solucin
inicial posible bsica a P).
152 CHAPTER 3. PROGRAMACIN LINEAL
Fase I: Min x
6
Max x
6
.
1 0 1 0 0 0 2
0 1 0 1 0 1 1
1 2 0 0 1 0 2
0 0 0 0 0 1 0
1 2 0 0 0 0 0
1 0 1 0 0 0 2
0 1 0 1 0 1 1
1 2 0 0 1 0 2
0 1 0 1 0 0 1
1 2 0 0 0 0 0

1 0 1 0 0 0 2
0 1 0 1 0 1 1
1 0 0 2 1 2 0
0 0 0 0 0 1 0
1 0 0 2 0 2 2
Dado que x
6
sali de la base, podemos eliminarla y pasar a la fase II.
Fase II:
1 0 1 0 0 2
0 1 0 1 0 1
1 0 0 2 1 0
1 0 0 2 0 2

Entra x
4
y sale x
5

1 0 1 0 0 2
1
2
1 0 0
1
2
1
1
2
0 0 1
1
2
0
2 0 0 0 1 2

Entra x
1
y sale x
3

1 0 1 0 0 2
0 1
1
2
0
1
2
2
0 0
1
2
1
1
2
1
0 0 2 0 1 6
. .
0
Por lo tanto, la nica solucin ptima es x

1
= 2, x

2
= 2 y el valor ptimo es z = 6.
Problema 62 (Simplex (Ex. 1

03)) Suponga un problema de maximizacin lineal que ha sido


abordado directamente (sin escribir un problema de minimizacin equivalente) mediante el mtodo
Simplex. A continuacin se entrega un tableau intermedio en el proceso de convergencia:
x
1
x
2
x
3
x
4
0 2 1 d e
1 a 0 1 2
0 b 0 c 220
(a) Qu condiciones deben darse para que ste sea el tableau nal?
(b) En caso de estar en el ptimo, Cul sera la solucin ptima y el valor ptimo?
(c) Qu condiciones deben darse para estar en el ptimo y que ste no sea nico?
(d) Qu condiciones deben darse para estar en el ptimo y que ste consista en una solucin
degenerada?
(e) Qu condiciones podran darse para que, no estando en el ptimo, la solucin sea no
acotada?
Solucin: (a) Tiene que darse: b 0, c 0 y e 0.
3.5. PROBLEMAS RESUELTOS 153
(b) La solucin ptima sera:
x
1
= 2
x
2
= 0
x
3
= e
x
4
= 0
y el valor ptimo: z

= 220.
(c) Las condiciones que deben darse son: b = 0 y/o c = 0, y que e 0.
(d) Para estar en el ptimo y que ste consista en una solucin degenerada se debe dar: b
0, c 0 y e = 0.
(e) Sin estar en el ptimo, para que la solucin sea no acotada, debe darse:
e 0
d < 0
c > 0
b < 0
Problema 63 (Simplex (Ex 1

03)) Suponga el siguiente problema de maximizacin lineal:


P) Max x
1
+ 2x
2
s.a. 3x
1
+ x
2
210
x
1
+ 3x
2
150
x
1
, x
2
0
y que el tableau nal es:
x
1
x
2
Holg.1 Holg.2
1 0
3
8
1
8
60
0 1
1
8
3
8
30
0 0
1
8
5
8
120
Indique en qu rango pueden moverse los valores c
2
= 2 y b
2
= 150 para que la base no cambie.
Solucin:
154 CHAPTER 3. PROGRAMACIN LINEAL
r = c
T
D
c
T
B
B
1
D

r =

0
_
1 c
2
_
_
3
8
1
8
1
8
3
8
_
=
_
3
8

c
2
8
1
8
+
3c
2
8
_

0
3
8
+
c
2
8
0 =c
2
3
1
8

3c
2
8
0 =c
2

1
3

1
3
c
2
3
B
1
b =
_
3
8
1
8
1
8
3
8
__
210
b
2
_
=
_
630
8

b
2
8
210
8
+
3b
2
8
_

0
70 b
2
630.
Problema 64 (Simplex (Ex 1

03, Preg. Especial I1)) Considere el siguiente problema de op-


timizacin:
P) Max 6x + 4y
s.a. x + 2y 2
2x + y 2
x, y 0
(a) Resuelva utilizando Simplex.
(b) Cul es la base y solucin factible inicial?
(c) Cul es la base y solucin ptima?
(d) En qu rango puede variar b
1
sin que cambie la solucin ptima?
(e) Qu sucede si b
2
= 5?
Solucin: (a) Reescribimos el problema:
P) Max 6x + 4y
s.a. x + 2y + z
1
= 2
2x + y + z
2
= 2
x, y, z
1
, z
2
0
3.5. PROBLEMAS RESUELTOS 155
Luego, planteamos el tableau y resolvemos:
x y z
1
z
2
b
1 2 1 0 2
2 1 0 1 2
6 4 0 0 0

Sale z
2

x y z
1
z
2
b
0
3
2
1
1
2
1
1
1
2
0
1
2
1
0 1 0 3 6

Sale z
1

x y z
1
z
2
b
0 1
2
3
1
3
2
3
1 0
1
3
2
3
2
3
0 0
2
3
8
3
20
3
Por lo tanto, x =
2
3
, y =
2
3
, z
1
= 0, z
2
= 0 y v

=
20
3
.
(b) Base inicial: B = {z
1
z
2
} =
_
1 0
0 1
_
.
Solucin factible inicial: x = 0, y = 0, z
1
= 2 y z
2
= 2.
(c) Base ptima: B = {x y} =
_
1 2
2 1
_
.
Solucin ptima: x =
2
3
, y =
2
3
, z
1
= 0 y z
2
= 0.
(d) x
B
= B
1
b =
_
1
3
2
3
2
3
1
3
__
b
1
2
_
=
_
b
1
3
+
4
3
2b
1
3

2
3
_
b
1
3
+
4
3
0 =b
1
+ 4 0 4 b
1
.
2b
1
3

2
3
0 =2b
1
2 0 b
1
1 0 b
1
1.
1 b
1
4.
(e) Si b
2
= 5 :
2
3
+
2
3
b
2
0 =1 + b
2
0 b
2
1.
4
3

b
2
3
0 =4 b
2
0 4 b
2.
1 b
2
4.
Si b
2
= 5, vara la solucin ptima, y por lo tanto, cambia la base ptima y valor ptimo.
Problema 65 (Anlisis Matricial (I3 1

03)) Considere el siguiente problema de optimizacin.


P) Max 2x
1
+ 4x
2
3x
3
s.a. x
1
+ 2x
2
+ x
3
3
2x
1
x
2
+ 2x
3
2
x
1
, x
2
, x
3
0
(a) Utilizando exclusivamente anlisis matricial justique si la base {x
2
; x
3
} es ptima o no.
(b) Resuelva el problema P) como ms le acomode.
Solucin: (a) Base = {x
2
; x
3
}
r = c
T
D
c
T
B
B
1
D
156 CHAPTER 3. PROGRAMACIN LINEAL
2

Curva de Nivel ptima


R1
R2
R3
1

f
) 0 , 2 (
*
=
2

Curva de Nivel ptima


R1
R2
R3
1

f
) 0 , 2 (
*
=
Curva de Nivel ptima
R1
R2
R3
1

f
) 0 , 2 (
*
=
Figure 3.7: Solucin Grca
r =
_
2 0 0
_

_
4 3
_
_
2
5
1
5
1
5
2
5
__
1 1 0
2 0 1
_
r =
_
5 1 2
_
Como no todos los costos reducidos son negativos, entonces la base {x
2
; x
3
} no es ptima.
(b) Escribiendo el dual de P) quedamos en dos dimensiones:
D) Min 3
1
+ 2
2
s.a.
1
+ 2
2
2 (3.4)
2
1

2
4 (3.5)

1
+ 2
2
3 (3.6)

1
,
2
0
Grcamente, como
1
= 0, la primera restriccin de P) est activa. x
1
+ 2x
2
+ x
3
= 3.
Se puede ver en P) que x

3
= 0 x
1
+ 2x
2
= 3. Como el gradiente de esta restricin es igual
al de la funcin objetivo, cualquier combinacin convexa de x

= (
7
5
,
4
5
) y x

= (0,
3
2
) ser una
solucin ptima.
Problema 66 Considere el siguiente problema
Max 2x
1
+ 4x
2
+ 3x
3
s.a. x
1
+ 2x
2
4
x
2
+ 3x
3
6
2x
1
+ x
2
+ 2x
3
10
x
1
, x
2
, x
3
0
a) Resuelva mediante el algoritmo Simplex, especicando la solucin y el valor ptimo.
b) Considere ahora que la tercera restriccin fuese 2x
1
+ x
2
+ 2x
3
10. Resuelva nuevamente
3.5. PROBLEMAS RESUELTOS 157
considerando el mtodo de las dos fases.
c) Resuelva el problema considerando que la segunda restriccin fuese x
2
+ 3x
3
2. Nota
algo especial? Interprete.
d) Si las constantes que acompaan a la variable en las restricciones fuesen todas negativas en
lugar de positivas, qu estara sucediendo?
e) Resuelva el problema considerando que la tercera restriccin fuese 2x
1
+ 4x
2
+ 3x
3
10.
Nota algo especial? Interprete.
Solucin:
El criterio de parada de las iteraciones de Simplex en la bsqueda de un mximo, es que los
costos reducidos en el ptimo deben ser todos menores o iguales a cero. En el caso de un mnimo,
los costos reducidos en el ptimo sern mayors o iguales a cero.
a) Tras aadir las variables de holgura, el problema ser
Max 2x
1
+ 4x
2
+ 3x
3
s.a. x
1
+ 2x
2
+ x
4
= 4
x
2
+ 3x
3
+ x
5
= 6
2x
1
+ x
2
+ 2x
3
+ x
6
= 10
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
Llevando este problema a un tableau se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1 2 0 1 0 0 4
0 1 3 0 1 0 6
2 1 2 0 0 1 10
2 4 3 0 0 0 0
donde la base inicial es x
B
= {x
4
, x
5
, x
6
} y las variables no-bsicas sern x
B
={x
1
, x
2
, x
3
}. Dado
que max{2, 4, 3} = 4, x
2
entra a la base. Luego min{4/2, 6/1, 10/1} = 2, por lo que x
4
sale de la
base. Pivoteando se obtiene el tableau
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1/2 1 0 1/2 0 0 2
-1/2 0 3 -1/2 1 0 4
3/2 0 2 -1/2 0 1 8
0 0 3 -2 0 0 -8
Se observa que an queda un costo reducido positivo, por lo que x
3
entra ahora a la base. Para
buscar la variable saliente: min{, 4/3, 8/2} = 4/3, por lo que x
5
sale de la base. Pivoteando
158 CHAPTER 3. PROGRAMACIN LINEAL
nuevamente, ahora se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1/2 1 0 1/2 0 0 2
-1/6 0 1 -1/6 1/3 0 4/3
11/6 0 0 -1/6 -2/3 1 16/3
1/2 0 0 -3/2 -1 0 -12
Ahora x
1
entra a la base. min
_
2
1/2
, ,
16/3
11/6
_
=
32
11
, por lo que x
6
sale de la base. Pivoteando se
obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
0 1 0 6/11 2/11 -3/11 6/11
0 0 1 -2/11 3/11 1/11 20/11
1 0 0 -1/11 -4/11 6/11 32/11
0 0 0 -16/11 -9/11 -3/11 -148/11
Todos los costos reducidos son menores o iguales a cero, por lo que se ha llegado al ptimo, que
estar dado por: (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
) =
_
32
11
,
6
11
,
20
11
, 0, 0, 0
_
y tendr valor ptimo v

=
148
11
. Ya
que todas las holguras toman valor cero, las tres restricciones estarn activas en el ptimo.
b) Ya que la rectriccin es mayor o igual a cero, y no se puede invertir multiplicando por (-1)
ya que se requiere b
i
0, i, se debe agregar una variable de exceso y luego una variable articial,
para poder formar una base inicial. La restriccin ser entonces
2x
1
+ x
2
+ 2x
3
x
6
+y = 10
En la primera fase se busca Min y (Max y), sujeto a las mismas restricciones, buscando
idealmente que y adquiera valor cero. El tableau inicial para la primera fase ser
x
1
x
2
x
3
x
4
x
5
x
6
y b
i
1 2 0 1 0 0 0 4
0 1 3 0 1 0 0 6
2 1 2 0 0 -1 1 10
0 0 0 0 0 0 -1 0
2 4 3 0 0 0 0 0
3.5. PROBLEMAS RESUELTOS 159
Reescribiendo este tableau sumando la 4ta y 5ta la, se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
y b
i
1 2 0 1 0 0 0 4
0 1 3 0 1 0 0 6
2 1 2 0 0 -1 1 10
2 1 2 0 0 -1 0 10
2 4 3 0 0 0 0 0
Observando los costos reucidos de la primera fase, se aprecia una empate entre el de x
1
y x
3
.
Se escoje arbitrariamente a x
3
para entrar a la base. min
_
,
6
3
,
10
2
_
= 2, por lo que x
5
sale de la
base. Pivoteando se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
y b
i
1 2 0 1 0 0 0 4
0 1/3 1 0 1/3 0 0 2
2 1/3 0 0 -2/3 -1 1 6
2 1/3 0 0 -2/3 -1 0 6
2 3 0 0 -1 0 0 -6
Ahora x
1
entra a la base. min
_
4
1
, ,
6
2
_
= 3, por lo que y sale de la base. Pivoteando se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
y b
i
0 11/6 0 1 1/3 1/2 -1/2 1
0 1/3 1 0 1/3 0 0 2
1 1/6 0 0 -1/3 -1/2 1/2 3
0 0 0 0 0 0 -1 0
0 8/3 0 0 -1/3 1 -1 -12
Ya que y ha salido de la base adquiriendo valor nulo, puede ser eliminada. As se pasa a la Fase
II donde se vuelve a la funcin objetivo inicial y se comienza con el tableau
x
1
x
2
x
3
x
4
x
5
x
6
b
i
0 11/6 0 1 1/3 1/2 1
0 1/3 1 0 1/3 0 2
1 1/6 0 0 -1/3 -1/2 3
0 8/3 0 0 -1/3 1 -12
Ahora x
2
entra a la base. min
_
1
11/6
,
2
1/3
,
3
1/6
_
=
6
11
, por lo que x
4
sale de la base. Pivoteando
160 CHAPTER 3. PROGRAMACIN LINEAL
se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
0 1 0 6/11 2/11 3/11 6/11
0 0 1 -2/11 3/11 -1/11 20/11
1 0 0 -1/11 -4/11 -6/11 32/11
0 0 0 -16/11 -9/11 3/11 -148/11
Ahora x
6
entra a la base. min
_
6/11
3/11
, ,
_
= 2, por lo que x
2
sale de la base. Pivoteando se
obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
0 11/3 0 2 2/3 1 2
0 1/3 1 0 1 0 2
1 2 0 1 0 0 4
0 -1 0 -22/11 -1 0 -14
Luego el punto ptimo ser (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
) = (4, 0, 2, 0, 0, 2) y tendr valor ptimo v

=
14. Las dos primera restricciones estn activas en el ptimo, no as la tercera.
c) El problema ser
Max 2x
1
+ 4x
2
+ 3x
3
s.a. x
1
+ 2x
2
+ x
4
= 4
x
2
+ 3x
3
+ x
5
= 2
2x
1
+ x
2
+ 2x
3
+ x
6
= 10
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
El tableau inicial pasara a ser
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1 2 0 1 0 0 4
0 1 3 0 1 0 2
2 1 2 0 0 1 10
2 4 3 0 0 0 0
donde la base inicial es x
B
={x
4
, x
5
, x
6
} y las variables no-bsicas sern x
B
={x
1
, x
2
, x
3
}. Dado
que max {2, 4, 3} = 4, x
2
entra a la base. Luego min{4/2, 2/1, 10/1} = 2, pero se tiene un "empate"
entre x
4
y x
5
. Esto quiere decir que el dominio determinado por las restricciones esta sobredeter-
minado (hay una restriccin "de ms"). A esto se le llama una solucin degenerada. Se escoje
3.5. PROBLEMAS RESUELTOS 161
arbitrariamente que x
4
salga de la base, donde pivoteando se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1/2 1 0 1/2 0 0 2
-1/2 0 3 -1/2 1 0 0
3/2 0 2 -1/2 0 1 8
0 0 3 -2 0 0 -8
Se puede observar que la variable x
5
, pese a estar dentro de la base, toma un valor nulo. Este
no es el ptimo. Estamos ante una solucin factible degenerada, que ser (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
) =
(0, 2, 0, 0, 0, 8) y tendr valor NO-ptimo v = 8.
d) El problema ser
Max 2x
1
+ 4x
2
+ 3x
3
s.a. x
1
2x
2
+ x
4
= 4
x
2
+ 3x
3
+ x
5
= 6
2x
1
x
2
+ 2x
3
+ x
6
= 10
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
El tableau inicial pasara a ser
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1 -2 0 1 0 0 4
0 -1 3 0 1 0 6
2 -1 2 0 0 1 10
2 4 3 0 0 0 0
Dado que max{2, 4, 3} = 4, x
2
entra a la base. Luego se tendra min{, , }, pues todos los
valores son negativos. Un caso como este seala que la solucin ptima no es acotada, pues x
2
puede
seguir creciendo ilimitadamente (mejorando as la funcin objetivo), sin que se dejen de cumplir
las restricciones
e) El problema ser
Max 2x
1
+ 4x
2
+ 3x
3
s.a. x
1
+ 2x
2
+ x
4
= 4
x
2
+ 3x
3
+ x
5
= 6
2x
1
+ 4x
2
+ 3x
3
+ x
6
= 10
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
162 CHAPTER 3. PROGRAMACIN LINEAL
Llevando este problema a un tableau se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1 2 0 1 0 0 4
0 1 3 0 1 0 6
2 4 3 0 0 1 10
2 4 3 0 0 0 0
Dado que max{2, 4, 3} = 4, x
2
entra a la base. Luego min{4/2, 6/1, 10/4} = 2, por lo que x
4
sale de la base. Pivoteando se obtiene el siguiente tableau
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1/2 1 0 1/2 0 0 2
-1/2 0 3 -1/2 1 0 4
0 0 3 -2 0 1 2
0 0 3 -2 0 0 -8
Se observa que an queda un costo reducido positivo, por lo que x
3
entra ahora a la base. Para
buscar la variable saliente: min{, 4/3, 2/3} = 2/3, por lo que x
6
sale de la base. Pivoteando
nuevamente, ahora se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1/2 1 0 1/2 0 0 2
-1/2 0 0 3/2 1 -1 2
0 0 1 -2/3 0 1/3 2/3
0 0 0 0 0 -1 -10
Se puede apreciar que los costos reducidos de las variables x
1
y x
4
, pese a que stas estn fuera
de la base, tienen valor nulo. La solucin ptima ser (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
) = (0, 2, 2/3, 0, 2, 0) y
tendr valor ptimo v

= 10. Interesante es notar que sucede si se introduce x


1
y/o x
4
a la base.
Veamos que sucede al introducir x
1
, sacando por ejemplo a x
2
. Pivoteando se obtiene
x
1
x
2
x
3
x
4
x
5
x
6
b
i
1 2 0 1 0 0 4
0 1 0 2 1 -1 4
0 0 1 -2/3 0 1/3 2/3
0 0 0 0 0 -1 -10
Se aprecia una solucin ptima alternativa, que tiene el mismo valor ptimo. As este es un
problema de mltiples soluciones. La solucin ptima general ser la combinacin lineal de todos
los vrtices ptimos que se encuentren a travs de Simplex.
3.5. PROBLEMAS RESUELTOS 163
Problema 67 Considere el siguiente problema
Min 3x
1
+ 2x
2
3x
3
6x
4
+ 10x
5
5x
6
s.a. x
1
+ 2x
2
+ x
4
x
6
= 11
x
2
+ x
3
+ 3x
4
2x
5
x
6
= 6
x
1
+ 2x
2
+ x
3
+ 3x
4
x
5
5x
6
= 13
x
i
0, i = 1...6
Suponga que la variables bsicas en el ptimo son: x
1
, x
2
, x
3
y que
B
1
=
_

_
1 2 2
1 1 1
1 0 1
_

_
Calcule los valores de las variables bsicas en el ptimo. Indique cmo puede comprobar que
sta es efectivamente la solucin ptima.
a) Suponga que se desea introducir una nueva variable al problema, cuyo costo inicial es -7 y
cuya columna traspuesta es
_
1 2 3
_
. Indique si la solucin ptima obtenida se modica por
este cambio.
b) Obtenga el rango del costo inicial de la variable x
5
para el cual la solucin optima obtenida
sigue siendo ptima.
c) Repita lo anterior para la variable x
1
.
d) Obtenga el rango en el que puede variar la constante de la primera restriccin para que
se mantenga la base ptima. Exprese el valor ptimo de la funcin objetivo en funcin de esa
constante, para el caso en que sta se mantiene dentro de ese rango.
e) Analice el rango de variacin de a
2,5
para que la solucin siga siendo ptima.
Solucin:
En primer lugar, recordemos Simplex en su notacin matricial. El problema se puede escribir
como
Min c
T
x
s.a. Ax = b
x 0
Luego separamos las variables bsicas de las no-bsicas tomando x = x
B
+ x
D
.
Min c
T
B
x
B
+ c
T
D
x
D
s.a. Bx
B
+ Dx
D
= b
x
B
, x
D
0
164 CHAPTER 3. PROGRAMACIN LINEAL
x
B
+ B
1
Dx
D
= B
1
b
x
B
= B
1
b B
1
Dx
D
Donde las variables no-bsicas tomarn valor nulo (x
D
= 0 ). As el valor de las variables
bsicas en el ptimo ser
x
B
= B
1
b =
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
11
6
13
_
_
_ =
_
_
_
3
4
2
_
_
_
Para comprobar si sta es una solucin ptima se pueden calcular los costos reducidos de las
variables no bsicas comprobando si stos son mayores o iguales a cero.
a) Para esto debemos evaluar cunto sera el costo reducido de esta variable en el ptimo actual.
El valor ptimo est dado por
v

= c
T
x = c
T
B
x
B
+ c
T
D
x
D
v

= c
T
B
(B
1
b B
1
Dx
D
) + c
T
D
x
D
v

= c
T
B
B
1
b + (c
T
D
c
T
B
B
1
D)
. .
Costo reducido
x
D
As,
r
7
= c
7
c
T
B
B
1
D
7
= 7
_
3 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
1
2
3
_
_
_ = 2 0
Como se est buscando un mnimo, y el costo reducido de la sptima variable es positivo, sta
se mantendr fuera de la base y el punto ptimo no cambiar.
b) Nuevamente se analizar el costo reducido de la variable x
5
que est fuera de la base.
Suponiendo que se permite una variacin de en el costo inicial c
5
, el costo reducido de sta
variable ser
r

5
= (c
5
+ ) c
T
B
B
1
D
5
r

5
= 10 +
_
3 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
0
2
1
_
_
_
r

5
= 3 + 0
3
c
5
puede varar entre (7, ) sin que vare la solucin ptima.
3.5. PROBLEMAS RESUELTOS 165
c) Ya que x
1
es una variable bsica, se debe estudiar cmo un cambio en c
1
afectar el costo
reducido de las variables no-bsicas.
Caso 1)
r

4
= c
4
c
T
B
B
1
D
4
r

4
= 6
_
3 + 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
1
3
3
_
_
_
r

4
= 1 + 0 1
Caso 2)
r

5
= c
5
c
T
B
B
1
D
5
r

5
= 10
_
3 + 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
0
2
1
_
_
_
r

5
= 3 2 0 3/2
Caso 3)
r

6
= c
6
c
T
B
B
1
D
6
r

6
= 5
_
3 + 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
1
1
5
_
_
_
r

6
= 2 + 7 0 2/7
As para que la solucin ptima no cambie se requiere 2/7 3/2.
d) El valor de las variables bsicas en el ptimo debe ser positivo, por lo que
x
B
= B
1
b 0
x
B
+ B
1
b 0

_
_
_
3
4
2
_
_
_+
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_

0
0
_
_
_ =
_
_
_
3
4 +
2
_
_
_ 0
4 2
166 CHAPTER 3. PROGRAMACIN LINEAL
El cambio en el valor ptimo (asumiendo que se mantiene en este rango) ser
v

= c
T
B
B
1
b
v

=
_
3 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_

0
0
_
_
_= 2
e) Esta variacin afectar el costo reducido de x
5
, por lo que se debe buscar el rango tal que
logre que esta variable permanezca fuera de la base. As se ve que
r

5
= c
5
c
T
B
B
1
D
5
r

5
= 10
_
3 2 3
_
_
_
_
1 2 2
1 1 1
1 0 1
_
_
_
_
_
_
0
2 +
1
_
_
_
r

5
= 27 8 0 27/8
Problema 68 (I3 1

03) Considere el problema de optimizacin


P) Max 2x + 5y
s.a. (x, y) D
x, y Z
+
donde D es un dominio denido por desigualdades lineales. Suponga que al resolver el problema
relajado la solucin es x

= 5/3, y

= 2/3. Con la informacin dada encuentre la mejor cota


superior para P), y justique su respuesta.
Solucin: El valor ptimo del problema relajado es z =
20
3
, por lo que z = 6 sera la mejor
cota superior ya que los coecientes de la funcin objetivo son nmeros enteros.
3.5.3 Dualidad
Problema 69 (Problema Dual (I3 1

03)) Considere el problema primal


Min c

x
s.a. Ax b
x 0
3.5. PROBLEMAS RESUELTOS 167
donde x R
n
. Formule el problema dual y luego convirtalo en uno equivalente de minimizacin.
Derive un conjunto de condiciones para la matriz A y los vectores b y c, bajo las cuales el prob-
lema dual sea idntico al primal. Por ltimo, construya un ejemplo donde estas condiciones sean
satisfechas.
Solucin:
P) Min c
T
x D) Max
T
b

D) Min
T
b
s.a. Ax b s.a. A
T
c s.a. A
T
c
x 0 0 0
Condiciones:
i) c = b y ambos de igual dimensin.
ii) A es una matriz cuadrada tal que: A = A
T
, es decir, A tiene ceros en la diagonal y
a
ij
= a
ij
(i, j) / diag(A).
Ejemplo:
A =
_

_
0 1 2
1 0 3
2 3 0
_

_ c =
_

_
1
1
1
_

_ b =
_

_
1
1
1
_

_
P) Min x
1
+ x
2
+ x
3
s.a. x
2
2x
3
1
x
1
3x
3
1
2x
1
+ 3x
2
1
x
1
, x
2
, x
3
0
D) Min
1
+
2
+
3
s.a.
2
+ 2
3
1

1
+ 3
3
1
2
1
3
2
1

1
,
2
,
3
0
P) D).
Problema 70 Escriba el problema dual de los siguientes problemas:
2
168 CHAPTER 3. PROGRAMACIN LINEAL
a)
Min 2x
1
+ 3x
2
s.a. x
1
+ 2x
2
= 3
3x
1
+ 4x
2
= 7
x
1
+ x
2
= 2
x
i
0, i = 1, 2
b)
Max 2x
1
+ 3x
2
+ x
3
s.a. x
1
+ 4x
2
+ x
3
15
x
1
+ x
2
+ x
3
= 13
3x
1
x
2
x
3
3
x
1
0, x
2
0, x
3
libre
Solucin:
2
a)
Max 3
1
+ 7
2
+ 2
3
s.a.
1
+ 3
2
+
3
2
2
1
+ 4
2
+
3
3

i
libres, i = 1, 2, 3
b)
Min 15
1
+ 13
2
+ 3
3
s.a.
1
+
2
+ 3
3
2
4
1
+
2

3
3

1
+
2

3
= 1

1
0,
2
libre,
3
0
3.5. PROBLEMAS RESUELTOS 169
Problema 71 Considere el siguiente problema
Max 5x
1
+ 5x
2
+ 13x
3
s.a. x
1
+ x
2
+ x
3
20
12x
1
+ 4x
2
+ 10x
3
90
x
i
0, i = 1...3
a) Resuelva el problema utilizando anlisis grco del dual, y luego anlisis matricial para
obtener la solucin del primal.
b) Desarrolle un anlisis de sensibilidad de la solucin ptima del problema, evaluando inde-
pendientemente el impacto de cada uno de los siguientes cambios:
i) Cambio del lado derecho derecho de la primera resticcin al valor 30.
ii) Cambio en el lado derecho de la segunda restriccin al valor 70.
iii) Cambio del coeciente de la tercera variable de la F.O. al valor 8.
iv) Cambio del coeciente de la segunda variable de la F.O. al valor 6.
v) Introduccin de una nueva variable al modelo con coeciente 10 en la F.O. y con coe-
cientes 3 y 5 en la primera y segunda restriccin respectivamente.
vi) Introduccin de una nueva restriccin al modelo: 2x
1
+ 3x
2
+ 5x
3
100.
Solucin:
a) El problema dual ser
Min w = 20
1
+ 90
2
s.a.
1
+ 12
2
5

1
+ 4
2
5

1
+ 10
2
13

i
0, i = 1, 2
La ventaja de buscar la solucin grca del dual, es que este problema es de dos dimensiones.
Realizando el anlisis gfrco del problema dual se obtiene la solucin ptima:
1
= 0,
2
=
1.3, w

= 117.
As el tableau del primal ser
x
1
x
2
x
3
x
4
x
5
b
i
0 -1.3 -117
Esto indica que x
4
est en la base, por lo que x
4
> 0 . Debemos buscar una variable ms
170 CHAPTER 3. PROGRAMACIN LINEAL
que pertenezca a la base entre x
1
, x
2
, x
3
, pues se sabe que x
5
no est en la base. Como la tercera
restriccin del problema dual est activa (ver grco), entonces x
3
> 0 , y como la 1ra y 2da
restriccin estn inactivas, x
1
, x
2
= 0 . As la base ser x
B
= {x
3
, x
4
}, por lo que B =
_
1 1
10 0
_
. Entonces, la base en el ptimo tomar el valor
x = B
1
b =
_
0 1/10
1 1/10
_
_
20
90
_
=
_
9
11
_
x
3
x
4
y x
1
, x
2
, x
5
= 0 .
b)
i)
x = B
1
b >

0 con b

=
_
30
90
_
= x = B
1
b

=
_
0 1/10
1 1/10
_
_
30
90
_
=
_
9
21
_
>

0

ii)
x = B
1
b >

0 con b

=
_
20
70
_
= x = B
1
b

=
_
0 1/10
1 1/10
_
_
20
70
_
=
_
7
13
_
>

0

iii)
r
j
= c
T
j
c
T
B
B
1
D
j
r

1
= c
T
1
c
T
B
B
1
D
1
= 5
_
8 0
_
_
0 1/10
1 1/10
__
1
12
_
= 5
812
10
< 0

r

2
= c
T
2
c
T
B
B
1
D
2
= 5
_
8 0
_
_
0 1/10
1 1/10
__
1
4
_
= 5
32
10
> 0
x
2
entra a la base.
r

3
= c
T
3
c
T
B
B
1
D
3
= 0
_
8 0
_
_
0 1/10
1 1/10
__
0
1
_
=
8
10
< 0

As la base cambia, entrando a ella la variable x
2
.
3.5. PROBLEMAS RESUELTOS 171
iv)
r
j
= c
T
j
c
T
B
B
1
D
j
r

2
= c
T
2
c
T
B
B
1
D
2
= 6
_
13 0
_
_
0 1/10
1 1/10
__
1
4
_
= 6
52
10
> 0
cambia la base, entrando x
2
.
v)
c
6
= 10, a
i6
=
_
3
5
_
r

6
= c
T
6
c
T
B
B
1
D
6
= 10
_
13 0
_
_
0 1/10
1 1/10
__
3
5
_
= 10
65
10
> 0
cambia la base, entrando x
6
.
vi) La solucin ptima cumple la nueva restriccin, por lo que la solucin ptima no cambia.
Problema 72 Considere le siguiente problema de optimizacin
Max 40x
1
+ 60x
2
s.a. 2x
1
+ x
2
3
x
1
+ x
2
40
x
1
+ 3x
2
90
x
i
0, i = 1, 2
a) Resuelva mediante el algoritmo Simplex
b) Plantee el problema dual y obtenga la solucin ptima a partir de la solucin del primal.
Solucin:
a) El tableau inicial ser
x
1
x
2
x
3
x
4
x
5
b
i
2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
40 60 0 0 0 0
172 CHAPTER 3. PROGRAMACIN LINEAL
En la primera itercin, entar x
2
a la base, y saldr x
5
. El tableau quedar
x
1
x
2
x
3
x
4
x
5
b
i
5/3 0 1 0 -1/3 40
2/3 0 0 1 -1/3 10
1/3 1 0 0 1/3 30
20 0 0 0 -20 -1800
Ahora entrar x
1
y saldr x
4
de la base. El tableau nal ser
x
1
x
2
x
3
x
4
x
5
b
i
0 0 1 -5/2 1/2 15
1 0 0 3/2 -1/2 15
0 1 0 -1/2 1/2 25
0 0 0 -30 -10 -2100
As la solucin ptima ser (x
1
, x
2
, x
3
, x
4
, x
5
) = (15, 25, 15, 0, 0), donde la segunda y tercera
restriccin estn activas y el valor ptimo es v

= 2100.
b) El problema dual ser
Min 70y
1
+ 40y
2
+ 90y
3
s.a. 2y
1
+ y
2
+ y
3
40
y
1
+y
2
+ 3y
3
60
y
i
0, i = 1, 2, 3
Observando el tableau nal del problema primal, se puede observar que los valores que tomarn
las variables duales sern (y
1
, y
2
, y
3
) = (0, 30, 10). Adems se sabe que el valor ptimo no cambia
v

= 2100. Ya que las variables asociadas a las restricciones del problema dual (x
1
, x
2
) son diferentes
de cero en la solucin ptima del primal, las dos restricciones del dual estarn activas en el ptimo.
Problema 73 Una fbrica de juguetes produce camiones tolva, muecas, pelotas y conejitos in-
ables. Para ello utiliza una mquina inyectora de plstico, una mquina sopladora de plstico,
mano de obra especializada para decorara los juguetes y plstico. La Tabla 3.2 muestra el uso de
recursos por cada unidad de juguete fabricado y la capacidad disponible de cada recurso en un mes.
La solucin ptima se obtuvo computacionalmente; sin embargo, por problemas en el archivo
correspondiente se perdi parte de ella y slo se ha rescatado la siguiente informacin.
- El valor ptimo es $2.527.000
- Las mquinas inyectora y sopladora se utilizan a plena capacidad.
- Se tienen 11.240 minutos-hombre (mh) de mano de obra ociosos.
- Se tienen 944 kg de plstico ociosos (sin usar).
3.5. PROBLEMAS RESUELTOS 173
Camiones Tolva Muecas Pelotas Conejitos Disponibilidad
Inyectora (min) 10 6 0 1 3840
Sopladora (min) 0 1 0.5 5 4200
Mano de obra (mh) 2 5 0.5 3 18000
Plstico (kg) 2 0.5 0.3 0.6 3400
Benecios ($) 3000 3500 350 1500
Table 3.2: Utilizacin de recursos y capacidad disponible
- Los valores de las variables duales son:
1
= 466.67,
2
= 700 y
3
=
4
= 0.
- La base ptima es
B
1
=
_
_
_
_
_
_
1/6 0 0 0
1/3 2 0 0
2/3 1 1 0
1/60 6/10 0 1
_
_
_
_
_
_
a) Reconstruya la solucin ptima a partir de la informacin rescatada.
b) Explique la solucin ptima: qu juguetes se fabrican?, cul es el benecio total?, qu
recursos se utilizan completamente y cuales no?, etc.
c) En cunto debe aumentar el benecio de los camiones tolva para que sea conveniente fab-
ricarlos?
d) Cunto estara dispuesto a pagar por tiempo adicional en la mquina inyectora? y en la
sopladora?
e) Se est estudiando la posibilidad de reemplazar la mquina inyectora por una ms moderna
que tiene mayor conabilidad. El precio de ella es $4.000.000 y permite aumentar la capacidad de
inyeccin en 20% cuntos meses se requieren para recuperar la inversin?
Solucin:
a) El problema primal ser
Max 3000x
1
+ 3500x
2
+ 350x
3
+ 1500x
4
s.a.10x
1
+ 6x
2
+ x
4
3840
x
2
+ 0.5x
3
+ 5x
4
4200
2x
1
+ 5x
2
+ 0.5x
3
+ 3x
4
18000
2x
1
+ 0.5x
2
+ 0.3x
3
+ 0.6x
4
3400
x
i
0, i = 1, ...4
Se asocian variables de holgura x
5
, x
6
, x
7
, x
8
a cada una de las restricciones.
Con los datos entregados se puede deducir que:
- el valor ptimo es $2.527.000.
- x
5
, x
6
= 0 en el ptimo.
174 CHAPTER 3. PROGRAMACIN LINEAL
- x
7
= 11240 en el ptimo.
- x
8
= 944 en el ptimo.
- x
5
, x
6
estn fuera de la base, mientras que x
7
, x
8
estn dentro de ella, en el ptimo.
- Falta buscar las otras 2 variables que pertenecen a la base. Para esto, invertiremos la
matriz B
1
=B =
_
_
_
_
_
_
6 0 0 0
1 0.5 0 0
5 0.5 1 0
0.5 0.3 0 1
_
_
_
_
_
_
As, las variables que pertenecen a la base son: x
2
, x
3
, x
7
, x
8
.
Para obtener el valor de stas variables en el ptimo, se calcula
_
_
_
_
_
_
x
2
x
3
x
7
x
8
_
_
_
_
_
_
= B
1
b =
_
_
_
_
_
_
1/6 0 0 0
1/3 2 0 0
2/3 1 1 0
1/60 6/10 0 1
_
_
_
_
_
_
_
_
_
_
_
_
3840
4200
18000
3400
_
_
_
_
_
_
=
_
_
_
_
_
_
640
820
11240
944
_
_
_
_
_
_
con x
1
, x
4
, x
5
, x
6
= 0 y un valor ptimo de $2.527.000.
b) Se fabricarn 640 muecas y 820 pelotas, y ningn camin tolva o conejito. Se utilizar toda
la capacidad de las mquinas inyectoras y sopladoras (restricciones activas), pero la capacidad de
mano de obra y plstico no ser utilizada en su totalida (restricciones inactivas). El benefcio total
estar dado por el valor ptimo de $2.527.000.
c) Para estudiar la sensibilidad del costo de los camiones tolva, se estudia el costo reducido de
la variable x
1
. Para esto se busca tal que el costo reducido de la variable se vuelva positivo, y
as la variable entre a la base:
r

1
= c
T
1
c
T
B
B
1
D
1
= 3000 +
_
3500 350 0 0
_
_
_
_
_
_
_
1/6 0 0 0
1/3 2 0 0
2/3 1 1 0
1/60 6/10 0 1
_
_
_
_
_
_
_
_
_
_
_
_
10
0
2
2
_
_
_
_
_
_
= 1666.67 + > 0 = > 1666.67
As el benecio aportado por cada camin tolva debera ser mayor que 4666.67 para que fuera
conveniente fabricarlos.
d) Para esto, se estudia en cunto afecta un cambio en las disponibilidad del recurso a la funcin
objetivo: la ganancia generada en este caso. En primer lugar se estudiar el rango en el que puede
3.5. PROBLEMAS RESUELTOS 175
variar la disponibilidad de la mquina inyectora:
_
_
_
_
_
_
x
2
x
3
x
7
x
8
_
_
_
_
_
_
= B
1
b =
_
_
_
_
_
_
1/6 0 0 0
1/3 2 0 0
2/3 1 1 0
1/60 6/10 0 1
_
_
_
_
_
_
_
_
_
_
_
_
3840 +
1
4200
18000
3400
_
_
_
_
_
_
=
_
_
_
_
_
_
640 +
1
/6
820
1
/3
11240 2
1
/3
944 +
1
/60
_
_
_
_
_
_
> 0
=
1
> 3840,
1
< 2460,
1
< 16860,
1
> 56640
= 3840 <
1
< 2460
Ahora, por una unidad de tiempo adicional,
1
= 1, el aumento de benecio generado ser:
(beneficio) = 3500 1/6 + 350 1/3 = 466.67, por lo tanto, ste ser el mximo que estara
dispuesto a pagar por una unidad de tiempo adicional en la mquina inyectora.
Siguiendo el mismo proceso para la mquina sopladora, se tiene
_
_
_
_
_
_
x
2
x
3
x
7
x
8
_
_
_
_
_
_
= B
1
b =
_
_
_
_
_
_
1/6 0 0 0
1/3 2 0 0
2/3 1 1 0
1/60 6/10 0 1
_
_
_
_
_
_
_
_
_
_
_
_
3840
4200 +
2
18000
3400
_
_
_
_
_
_
=
_
_
_
_
_
_
640
820 + 2
2
11240
2
944 6
2
/10
_
_
_
_
_
_
> 0
=
2
> 410,
2
< 11240,
2
< 1573.33
= 410 <
2
< 1573.33
Ahora, por una unidad de tiempo adicional,
2
= 1, el aumento de benecio generado ser:
(beneficio) = 350 2 = 700, por lo tanto, ste ser el mximo que estara dispuesto a pagar por
una unidad de tiempo adicional en la mquina sopladora.
Notar que el aumento en los benecios generado por un aumento, en una unidad, de la capaci-
dad de alguno de los recursos que restringen el problema (restricciones activas), coincide con los
costos reducidos de las variables de holgura de la restriccin correspondiente. Esto concuerda con
la idea de que los costos reducidos representan al multiplicador de Lagrange de la restriccin, que
indica cunto vara la funcin objetivo al variar en una unidad la disponibilidad del recurso.
176 CHAPTER 3. PROGRAMACIN LINEAL
e) Si se aumena la capacidad de inyeccin en un 20% =
1
= 768 . El cambio en el benecio
generado mensualmente ser: (beneficio) = 3500
1
/6+350
1
/3 = 358400. As el nmero
de meses necesario para recuperar la inversin ser: $4.000.000/$358.400 = 11.16 meses.