Teorı́a

Responder VERDADERO o FALSO a cada una de las afirmaciones siguientes, justificando

brevemente la respuesta:

1. Sea f : Γ ⊂ R2 −→ R una función cuyas curvas de nivel

{x ∈ Γ | f (x) = α} α = 1, 2, 3, 4

vienen representadas en la figura adjunta. Entonces f es una función cuasiconvexa en Γ.

f =1

f =2

f =3
f =4

Respuesta: FALSO

Como puede apreciarse fácilmente en la figura, los conjuntos de nivel

Γα = {x ∈ Γ | f (x) ≤ α}

no son convexos. Sin embargo, para que una función sea cuasiconvexa es necesario y
suficiente que dichos conjuntos de nivel sean convexos para cualquier α.

2. Consideremos una red de flujo en la que las capacidades de todos los arcos son no nega-
tivas. Si existe un corte con capacidad nula entonces se puede asegurar que no es posible
enviar ninguna unidad de flujo desde la fuente al sumidero.

Respuesta: VERDADERO

Es consecuencia de la proposición 2.13 (pg. 301) del texto Ramos, E. Modelización, Edi-
torial Sanz y Torres, 2020. Según este resultado ha de ser

Máx{flujo} ≤ Mı́n{Capacidad corte}

Si existe un corte con capacidad nula entonces el flujo máximo es también nulo

Problema 1
Consideremos el siguiente problema de programación no lineal:

Minimizar f (x1 , x2 ) = (x1 + 1)2 + (x2 + 1)2

sujeto a
x2 ≥ x41 + 1
x2 ≤ x31 + 1
a) Representarlo gráficamente.
 b) Plantear las condiciones de Karush-Kuhn-Tucker.

c) Decidir si el punto (0, 1) es o no un punto de Karush-Kuhn-Tucker.

d) Decidir si el punto (0, 1) es o no una solución óptima del problema.

e) ¿Puede ocurrir que el punto (0, 1) no sea un punto de Karush-Kuhn-Tucker y que, sin
embargo, sea una solución óptima del problema? Justificar la respuesta.

SOLUCIÓN:

a) Una representación gráfica del problema se puede ver en la figura. Como se puede apreciar,
el problema consiste en encontrar el punto de la región comprendida entre las dos curvas
de restricción que diste menos del punto (−1, −1).

2
x2 = x41 + 1

1 región factible

x2 = x31 + 1

−1 1

(x1 + 1)2 + (x2 + 1)2 = k

−1
 b) El Lagrangiano del problema es

L(x1 , x2 , u1 , u2) = (x1 + 1)2 + (x2 + 1)2 + u1 (x41 − x2 + 1) + u2(−x31 + x2 − 1)

Las condiciones de KT son:

2(x1 + 1) + 4u1x31 − 3u2 x21 = 0

2(x2 + 1) − u1 + u2 = 0
x41 − x2 + 1 ≤ 0
−x31 + x2 − 1 ≤ 0
u1 (x41 − x2 + 1) = 0
u2 (−x31 + x2 − 1) = 0
u1 ≥ 0
u2 ≥ 0

c) Si sustituimos en el sistema anterior el punto x1 = 0, x2 = 1 llegarı́amos al absurdo 2 = 0.

Por lo tanto el punto (0, 1) no es un punto de KKT.

d) El punto (0, 1) es una solución óptima del problema, como puede apreciarse en la figura,
ya que es el punto de la región factible más próximo al punto (−1, −1). Aparte de esta
justificación gráfica podemos llegar a la misma conclusión razonando del modo siguiente.
En primer lugar, es evidente que (0,1) es factible porque verifica las dos restricciones. Sea
(x1 , x2 ) un punto factible cualquiera. Siempre ocurre que x41 ≥ 0. Por tanto, de la primera
restricción deducimos que x2 ≥ x41 + 1 ≥ 1. Ahora bien, este hecho junto con la segunda
restricción lleva a que x31 ≥ x2 − 1 ≥. Por tanto ha de ser x1 ≥ 0. Ası́ pues para cualquier
punto factible se cumple que (x1 + 1)2 ≥ 1 y (x2 + 1)2 ≥ (1 + 1)2 = 4. Reuniendo ambos
resultados resulta que f (x1 , x2 ) ≥ 1 + 4 = 5, para cualquier punto factible. Ahora bien en
f (0, 1) = 5 por lo cual (0, 1) es una solución óptima del problema.

d) El punto (0,1) es una solución óptima del problema pero no es un punto de KKT. Obser-
vemos que la región factible no cumple la cualificación de restricciones de independencia
lineal de los gradientes de las restricciones activas en (0,1), como se comprueba inmedia-
tamente. En efecto ∇g1 (0, 1) = (0, −1)t y ∇g2 (0, 1) = (0, 1). Estos dos vectores no son
linealmente independientes.

Problema 2
Un estudiante se desplaza todos los dı́as en coche desde su domicilio hasta la universidad.
En principio, dispone de varias rutas alternativas para realizar el viaje, cada una de ellas
configurada por diferentes tramos de vı́as públicas que enlazan las distintas intersecciones en
las que cuales ha de hacerse una elección sobre el camino a seguir. Su deseo es elegir la ruta
cuya longitud sea lo menor posible. Recientemente ha hecho un curso sobre grafos y redes, por
lo que durante un fin de semana se ha preocupado de dibujar un grafo para representar la red
de tramos de la vı́a pública que une su domicilio con la universidad, y medir en un plano la
longitud de cada uno de dichos tramos. Con este modelo y mediante el algoritmo de Dijkstra,
ha sido capaz de calcular la ruta más corta que une el punto de salida con el destino. A los
pocos dı́as de utilizar la ruta óptima, cae en la cuenta que ésta es también la ruta que suele
ir más cargada de tráfico, por lo cual se producen frecuentes atascos que alargan la duración
del viaje e incrementan el gasto de gasolina. Por ello, ha llegado a la conclusión de que la ruta
“más corta” no es la ruta “más económica”. Esto le lleva a estudiar el problema desde un
punto de vista diferente. En lugar de calcular la longitud de un determinado tramo, se dedica
durante unos dı́as a estimar la probabilidad de que no se produzca un atasco en dicho tramo,
utilizando para ello su propia experiencia y los informes del estado del tráfico que proporciona
diariamente la municipalidad a los medios de comunicación. Después de unos dı́as de trabajo,
ha podido calcular para cada uno de los tramos de vı́a pública existentes entre su residencia y
la universidad la probabilidad de que dicho tramo no experimentara atasco en el intervalo de
tiempo en que tiene lugar el desplazamiento. Dicha probabilidad se indica en el correspondiente
arco del siguiente grafo.

0.8
2 4 0.35
0.2 6

0.1 0.4 0.5

1 0.6

7
0.9
5 0.25
3
0.3

Lógicamente, los arcos están orientados pues el sentido de la circulación ası́ lo exige. Aunque
es consciente de la probabilidad de que no ocurra un atasco en un tramo puede muy bien venir
condicionada por la probabilidad de que no ocurra en otro, no dispone de muchos medios
para introducir en el modelo este consideración. Por ello, decide aceptar, como hipótesis de
simplificación, que el suceso de que no se produzca un atasco en un tramo es independiente
del suceso de que no se produzca en otro tramo. Con esta hipótesis la probabilidad de que una
ruta determinada no se produzca un atasco es igual al producto de la probabilidades de que
no se produzca el atasco en cada uno de los tramos que integran dicha ruta. El objetivo del
estudiante es ahora encontrar la ruta que maximice la probabilidad de que no esté atascada.
Como dispone ya del código del algoritmo de Dijkstra pretende utilizarlo sin más que cambiar
los datos de entrada, por lo que necesita plantear el modelo como un problema del camino más
corto.

SOLUCIÓN:

Para utilizar el algoritmo de Dijkstra, es necesario hacer una preparación de los datos.
Denotemos con P (aj ) la probabilidad de no encontrar atasco en el arco aj . Consideremos la
ruta formada por los arco a1 , a2 , . . . , ak . Entonces la probabilidad de no encontrar atasco a lo
largo de la ruta es P1k = P (a1 ) · P (a2 ) · · · · · P (ak ). Si tomamos logaritmos tenemos

log[P1k ] = log[P (a1 )] + log[P (a2 )] + · · · + log[P (ak )] (1)

Encontrar la ruta que maximiza la probabilidad de no tener atasco es igual a encontrar la ruta
que da longitud máxima a la expresión (1), o lo que es lo mismo, la ruta que da longitud mı́nima
a la expresión
− log[P1k ] = − log[P (a1 )] − log[P (a2 )] + · · · − log[P (ak )] (2)
En la tabla siguiente se muestran los valores −P (aj ) para todos los arcos de la red.
 Tramo P (ak ) log[P (ak )] − log[P (ak )]
(1,2) 0.20 -0.69897 0.69897
(1,3) 0.90 -0.04576 0.04576
(2,3) 0.60 -0.22185 0.22185
(2,4) 0.80 -0.09691 0.09691
(3,4) 0.10 -1.00000 1.00000
(3,5) 0.30 -0.52288 0.52288
(4,5) 0.40 -0.39794 0.39794
(4,6) 0.35 -0.45593 0.45593
(5,7) 0.25 -0.60206 0.60206
(6,7) 0.50 -0.30103 0.30103

Con los datos de la última columna podemos aplicar el algoritmo de Dijkstra.

Iteración 1

d(1) = 0
y = 1
d(2) = mı́n{∞, 0.69897} = 0.69897
d(3) = mı́n{∞, 0.04576} = 0.04576 ∗ mı́n
d(4) = d(5) = d(6) = d(7) = ∞

1
0.0
45
76

Iteración 2

y = 3
d(2) = mı́n{0.69897, 0.4576 + ∞} = 0.69897
d(4) = mı́n{∞, 0.04576 + 1} = 1.04576
d(5) = mı́n{∞, 0.04576 + 0.52288} = 0.56864 ∗ mı́n
d(6) = d(7) = ∞

1
0.0
45
76
0.52288 5
3
Iteración 3
y = 5
d(2) = 0.69897 ∗ mı́n
d(4) = 1.04576
d(5) = ∞
d(7) = mı́n{∞, 0.56864 + 0.60206} = 1.17070

2
97
698
0.

1
0.0
45
76
0.52288 5
3

Iteración 4
y = 2
d(4) = mı́n{1.04576, 0.69897 + 0.09691} = 0.79588 ∗ mı́n
d(6) = ∞
d(7) = 1.17070

0.09691
7 2 4
989
0.6

1
0.0
45
76
0.52288 5
3

Iteración 5
y = 4
d(6) = mı́n{∞, 0.79588 + 0.45593} = 1.25181
d(7) = 1.17070 ∗ mı́n

0.09691
7 2 4
989
0.6
1
0.0
45
76 0.60206 7
0.52288 5
3
Se ha llegado al destino, por lo que algoritmo ha finalizado. La distancia más corta es
igual a
d(1 − 7) = 0.04576 + 0.52288 + 0.60206 = 1.17070
La solución significa que la ruta con mayor probabilidad de no tener atasco es

1 − 3 − 5 − 7

y la probabilidad de que esta ruta no tenga atasco es:

P = 0.9 · 0.3 ∗ 0.25 = 0.0675