INTRODUCCIN:

Hasta el momento, las clases se han orientado a disear o resolver problemas de

programacin lineal, que modelaban situaciones donde el objetivo y las restricciones son
lineales en las variables de decisin. Aunque los problemas de programacin lineal son
muy comunes y cubren un amplio rango de aplicaciones, en la vida real uno se tiene que
enfrentar con cierta frecuencia a otro tipo de problemas que no son lineales. Cuando el
conjunto de restricciones, la funcin objetivo, o ambos, son no lineales, se dice que se
trata de un problema de programacin no lineal (PNL).
Los problemas de optimizacin no lineal son ms difciles de resolver que los lineales.
Estas dicultades aparecen incluso en el caso ms simple como el de optimizar una
funcin de una variable en R sin restricciones.
En este trabajo se presenta un caso aplicativo de PNL.



PROGRAMACIN NO LINEAL
DEFINICIN:

Es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un
conjunto de restricciones sobre un conjunto de variables reales desconocidas, con una
funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no
son lineales.

En este tema vamos a considerar la optimizacin de problemas que no cumplen las
condiciones de linealidad, bien en la funcin objetivo, bien en las restricciones. En
general, se puede expresar un problema de Programacin No Lineal (PNL) de la manera
siguiente: encontrar los valores de las variables (x1, x2,, xn) que:



2


CARCTERSTICAS:

Los problemas no lineales se caracterizan por tener relaciones no lineales; es
decir, no existe una relacin directa y proporcional entre las variables que
intervienen. Los problemas de programacin no lineal, tambin son llamados
curvilneos, ya que el rea que delimita las soluciones factibles en un grfico se
presenta en forma de curva.
La funcin objetivo en la programacin no lineal, puede ser cncavo o convexo. Es
cncavo cuando se trata de maximizar utilidades, contribuciones, etc. Es convexo
cuando trata de minimizar recursos, costos, etc.
Los problemas que contienen restricciones lineales, se resuelven de una forma
ms sencilla que los problemas con restricciones no lineales.


CONCEPTO DE UNA FUNCION

Una funcin relaciona cada elemento de un conjunto
con un elemento exactamente de otro conjunto
(puede ser el mismo conjunto).
Una funcin es como una mquina: tiene una entrada y una salida. Y lo que sale est
relacionado de alguna manera con lo que entra.


QU ES LA SOLUCIN FACTIBLE?

El conjunto interseccin, de todos los semiplanos formados por las restricciones,
determina un recinto, acotado o no, que recibe el nombre de regin de validez o zona
de soluciones factibles.





3

QUS ES LA SOLUCIN PTIMA?

El conjunto de los vrtices del recinto se denomina conjunto de soluciones factibles
bsicas y el vrtice donde se presenta la solucin ptima se llama solucin mxima (o
mnima segn el caso).

PASOS PARA RESOLVER UN PROBLEMA DE PROGRAMACION LINEAL

1. Entender el problema a fondo.
2. Describir el objetivo.
3. Describir cada restriccin.
4. Definir las variables de decisin.
5. Escribir el objetivo en funcin de las variables de decisin.
6. Escribir las restricciones en funcin de las variables de decisin.
7. Agregar las restricciones de no negatividad.

FORMAS DE DAR SOLUCION A UN PROBLEMA DE PNL.

Se puede resolver segn sea el caso, de dos maneras:

MEDIANTE EL MTODO GRFICO: Cuando un problema de programacin no
lineal tiene solo una o dos variables, se puede representar grficamente. La
representacin grfica del modelo proporciona su solucin.

FUNCIONES CONCAVAS Y CONVEXAS:
Las funciones cncavas y convexas representan un papel fundamental en la
Teora de la Optimizacin ya que pueden garantizarnos la globalidad de los
ptimos locales. Por ello vamos a iniciar este apartado introduciendo el concepto
de funcin cncava y convexa para luego ms tarde introducir condiciones que
nos permitan reconocer si una funcin es cncava o convexa dependiendo de sus
propiedades de diferenciabilidad
o Diremos que una funcin f(x) es estrictamente cncava en un conjunto S
convexo si todo segmento que une dos puntos de la grfica est
estrictamente por debajo de la grfica.
o Diremos que una funcin es cncava (no estricta) si no todas las cuerdas
que unen puntos de la grfica en dicho intervalo quedan estrictamente por
debajo.
o Sea f(x) una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos de
la grfica queda por encima de la grfica. Si siempre queda estrictamente
por encima, decimos que la funcin es estrictamente convexa.
o Sea S un subconjunto convexo de R y sea f: S R. Diremos que f(x) es
una funcin convexa en S si para cualquier par de puntos x, y E S y para
cualquier b E [0,1]

f [(1-b)x+by] <= (1-b)f(x)+bf(y)


4

o f(x) es una funcin estrictamente convexa en S si para cualquier par de
puntos x, y E S y para cualquier b E [0,1]

f [(1-b)x+by] < (1-b)f(x)+bf(y)

o En la figura siguiente se representa grficamente una funcin convexa:



o f(x) es una funcin cncava en S si para cualquier par de puntos x, y E S y
para cualquier b E [0,1]

f[(1-b)x+by] >= (1-b)f(x)+bf(y)

o f(x) es una funcin estrictamente cncava en S si para cualquier par de
puntos x, y E S y para cualquier b E [0,1]

f[(1-b)x+by] > (1-b)f(x)+bf(y)

o En la figura siguiente se representa grficamente una funcin cncava

5


MEDIANTE EL MTODO ANALTICO: Existen varios mtodos que hemos
aprendido en clases, de las que destacan:
o Modelo de una variable de decisin sin restricciones.
o Modelo con ms de una variable de decisin y sin restricciones.
o Modelo con restricciones de igualdad: Multiplicadores de lagrange.
o Modelos con restricciones de desigualdad.
MULTIPLICADORES DE LAGRANGE
En los problemas de optimizacin, el mtodo de los multiplicadores de Lagrange,
llamados as en honor a Joseph Louis Lagrange, es un procedimiento para encontrar los
mximos y mnimos de funciones de mltiples variables sujetas a restricciones. Este
mtodo reduce el problema restringido con n variables a uno sin restricciones de n + k
variables, donde k es igual al nmero de restricciones, y cuyas ecuaciones pueden ser
resueltas ms fcilmente. Estas nuevas variables escalares desconocidas, una para cada
restriccin, son llamadas multiplicadores de Lagrange. El mtodo dice que los puntos
donde la funcin tiene un extremo condicionado con k restricciones, estn entre
los puntos estacionarios de una nueva funcin sin restricciones construida como
una combinacin lineal de la funcin y las funciones implicadas en las restricciones, cuyos
coeficientes son los multiplicadores.
La demostracin usa derivadas parciales y la regla de la cadena para funciones de varias
variables. Se trata de extraer una funcin implcita de las restricciones, y encontrar las
condiciones para que las derivadas parciales con respecto a las variables
independientes de la funcin sean iguales a cero.
Los multiplicadores de Lagrange se pueden utilizar para resolver el MPNL en los que las
restricciones son restricciones de igualdad.

6


Considere el MPNL:
Max(min)z=f(x
1
,x
2
,,x
n
)
S.a:
g
1
(x
1
,x
2
,,x
n
) = b
1
g
2
(x
1
,x
2
,,x
n
) = b
2
.
.
.
g
m
(x
1
,x
2
,,x
n
) = b
m

La funcin de Lagrange para resolver el sistema es:

L(x
1
,x
2
,,x
n,

1,

2,,

m
)=f(x
1
,x
2
,,x
n
)+

x
1
,x
2
,,x
n
)]



APLICACIN PRACTICA DE PROGRAMACION NO LINEAL

La empresa de tecnologa COMPU-LIFE, ofrece el servicio de venta de software y hardware,
perifricos entre otros. La empresa se est planteando agregar el Paquete de Laboratorio de
Computo Alquiler como opcin de servicio y esperan que ayude a captar clientes y posicionarse
en el mercado del servicio de tecnologas. Para ello los administradores estn planeado invertir la
cantidad de S/. 20.000 para promocionar este servicio por medio de Canal Televisivo costndole
S/. 7.000 una transmisin de 1 minuto y Medio Radial costndole S/. 1.000 una emisin de 1
minuto.

x: miles por minutos en publicidad televisiva.
y: miles por minutos en publicidad radial.





RESOLUCIN:
La formulacin del problema no lineal queda de la forma:

Sujeta a:

x, y = 2
2

2
+ +8 +3

Plantear y resolver el problema de
manera que la empresa maximice
min = x, y = 2
2

2
+ +8 +3

gx, y = 7x +y = 20


7

Formamos los multiplicadores de LaGrange:

Luego hallamos derivadas parciales:


Luego:





Vamos a poner las expresiones de x e y en funcin de . Sustituyendo x en y = 4x 3 8,
tenemos:




Llevando este valor de y a x = 2y 3, tenemos:




Sustituyendo los valores de x e y en 7x +y = 20, tenemos:




Sustituyendo este valor de =

en las expresiones de x e y, tenemos:

x, y, = 2
2

2
+ +8 +3 + 7x +y 20

= 4 + +8 +3

= 7 + 20

= 2 + +3 +

= 4 + +8 +3 = 4 3 8

= 2 + +3 + = 2 3

= 7 + 20 7 + = 20
= 42 3 3 8
7 = 7 +20 y = +
20
7

= +
19
7

= 2 +
20
7
3
7 +
19
7
+ +
20
7
= 20
=
13
56


8






Derivamos parcialmente dL con respecto a x e y:





Para determinar puntos mximos y mnimos se evalan las siguientes condiciones:
Si:


Y


Entonces el punto es de un mnimo local.
Si:

Y


Entonces el punto es de un mximo local.
= +
19
7
=
13
56
+
19
7
=
139
56

y = +
20
7
=
13
56
+
20
7
=
173
56

2
= 4

2
= 2

= 1

2
> 0

2


2

> 0

2
< 0

2


2

> 0

9

Determinamos punto mximo o mnimo local:



Y





Entonces el punto es de un mximo local:
Se obtiene la funcin ptima remplazando los valores seleccionados en el paso anterior:

Sujeto a:
gx, y = 7x +y = 20
Remplazando x =

y =

Sujeto a:
gx, y = 7
139
56
+
173
56
= 20
gx, y = 20

2
< 0

2

2
< 4

2


2

> 0
42 1 > 0
8 1 > 0
7 > 0
min = x, y = 2
2

2
+ +8 +3
x, y = 2
139
56

173
56

2
+
139
56

173
56
+8
139
56
+3
173
56

x, y = 14.93

10

CONCLUSIONES
Se concluye que no le conviene a la empresa invertir lo que sus administradores han planeado, ya
que al invertir 20 mil soles en publicidad, le estara ocasionando un costo, ya que ha quedado
determinado que el beneficio por dicha publicidad es de 14.930 soles, lo cual es menor que lo que
est planeando invertir.


CONCLUSIONES
Como hemos visto anteriormente la programacin lineal es el campo de las matemticas
que aplica los mtodos de optimizacin a los problemas del mundo real.
Adems, los problemas de programacin lineal tienen limitaciones asociadas a ellos.
Estas limitaciones actan como barreras de la maximizacin o minimizacin de la funcin
objetivo, este concepto aplica tambin a la PNL, difiriendo en el siguiente aspecto:
La Programacin no lineal (PNL) es el proceso de resolucin de un sistema de
igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de
variables reales desconocidas, con un funcin objetivo a maximizar (o minimizar), cuando
alguna de las restricciones o la funcin objetivo no son lineales.
En pocas palabras la PNL nos ayuda a resolver problemas de optimizacin, tan
requeridos en nuestros tiempo, del mundo real.









BIBLIOGRAFIA
Avriel, Mordecai (2003). Investigacin Operativa. Espaa: McGrawHill

11

Frederick, S. Hillier, (1979). Introduccin a la investigacin de operaciones.
Mxico: McGrawHill
Taha, Hamdy A. (1999). Investigacin de operaciones (9na edicin). Mexico:
Pearson.
Wikipedia
http://es.wikipedia.org/wiki/Programaci%C3%B3n_no_lineal
Slideshare
http://www.slideshare.net/LuyzMeyner/programacion-no-lineal