Investigacin de

Operaciones Avanzadas
Docente: Ing. Jssica Bull Torres.

2 Semestre 2015

Tpicos del curso

Gestin de Inventarios
Inventarios Determinsticos
Inventarios Estocsticos (Probabilsticos)

Programacin No Lineal
Programacin Dinmica

PROGRAMACION NO
LINEAL

PROGRAMACION NO LINEAL
En trminos simples se pueden clasificar de la siguiente
manera:
No restringidos
Restringidos; en donde la funcin objetivo es no lineal y las
restricciones son lineales; funcin objetivo lineal y restricciones
no

lineales

bien

tanto

la

funcin

restricciones son funciones no lineales.

objetivo

como

las
4

PROGRAMACION NO LINEAL
problema de programacin no lineal (PNL) generalmente se expresa
Un
como sigue:

Max (o min) )
s.a:

.
.

PROGRAMACION NO LINEAL
La
regin factible para PNL es el conjunto de puntos () que
satisfacen las m restricciones. Un punto en la regin
factible es un punto factible, y el punto que no est en la
regin factible es un punto no factible.

Cualquier punto x en la regin factible para la cual f(x)

f(x) se cumple para todos los puntos x en la regin factible
es una solucin ptima del PNL (max). Para un problema
de minimizacin, xes la solucin optima si f(x) f(x) para
toda x factible.

PROGRAMACION NO LINEAL
Ejemplo:
Si se utilizan K unidades de capital
y L unidades de trabajo, una
compaa puede producir KL
unidades
de
un
bien
manufacturado. El capital se
puede comprar a $4/unidad y la
mano de obra a $1/unidad. Se
dispone de un total de $8 para
comprar capital y mano de obra.
De que manera la empresa puede
maximizar la cantidad del bien que
se puede fabricar?.

Sol:

Max z=KL
s.a.
4K+L 8
K, L

Diferencias entre PNL y PL

Si un PL tiene solucin ptima,

entonces hay un punto extremo
en la regin factible que es
ptimo. Sin embargo, an
cuando la regin factible para
un PNL es un conjunto convexo,
la solucin ptima no necesita
ser un punto extremo de la
regin factible del PNL. El
ejemplo anterior ilustra esta

 Se ve que la solucin ptima para el ejemplo

ocurre donde la curva de isoutilidad es
tangente a la frontera de la regin factible. As
la solucin ptima para el ejemplo es z=4,
K=1, L=4. Por supuesto, el punto D no es un
punto extremo de la regin factible del PNL.
Para este ejemplo y otros muchos, la solucin
ptima no es un punto extremo de la regin
factible debido a que las curvas de isoutilidad
no son rectas. De hecho, es posible que la
solucin ptima para un PNL no est sobre la
frontera de la regin factible.

PROGRAMACIN NO LINEAL
Ilustracin Grafica de
la

programacin

lineal

10

no

PROGRAMACIN NO LINEAL
Ilustracin Grafica de
la

programacin

lineal

11

no

PROGRAMACIN NO LINEAL

12

PROGRAMACIN NO LINEAL
Algunos conceptos y definiciones previas.

Definicin
1. Sea S un subconjunto convexo de y sea Diremos que es una funcin convexa
en S si para cualquier par de puntos x, y y para cualquier b [0,1].

Definicin 2. es una funcin cncava en S si para cualquier par de puntos x, y y para

cualquier b [0,1].

PROGRAMACIN NO LINEAL

PROGRAMACIN NO LINEAL
Teorema

1.
Suponga que existe para las x de un conjunto convexo S.
Entonces es una funcin convexa en S si y slo si para toda
x en S.
Teorema 2.
Suponga que existe para las x de un conjunto cncavo S.
Entonces es una funcin cncava en S si y slo si para toda
x en S.

PROGRAMACIN NO LINEAL
Cmo

se determina si una funcin de n variables es convexa o

cncava en un conjunto ? Se supone que tiene derivadas parciales
continuas de segundo orden. Antes de enunciar el criterio utilizado
para determinar si
es convexa o cncava, se requieren dos
definiciones.

Def. El hesiano de es la matriz de n x n cuyo ij-simo elemento es:

PROGRAMACIN NO LINEAL
Sea que denota el valor del hesiano en .

Por ejemplo, si

PROGRAMACIN NO LINEAL
Def.
Un i-simo menor principal de una matriz de n x n es el
determinante de cualquier matriz i x i obtenida al eliminar n-i
renglones y las n-i columnas correspondientes de la matriz.
As, para la matriz

Los primeros menores principales: -2 y -4, y el segundo menor

principal es -2(-4) (-1)(-1) = 7. Para cualquier matriz, los primeros
menores principales son slo los elementos diagonales de la matriz.

PROGRAMACIN NO LINEAL

Teorema

Suponga que tiene derivadas parciales continuas de

segundo orden para cada punto x= Entonces es una
funcin convexa de S si y slo si para cada los menores
principales de H son no negativos.

PROGRAMACIN NO LINEAL
Ejemplo:

Demuestre que es una funcin convexa en S-=

Sol: Se encuentra que :

Los primeros menores principales del hesiano son los elementos

diagonales (ambos iguales a 2El segundo menor principal es 2(2)2(2)=0 Para cualquier punto, los menores principales de H son no
negativos, de esta manera es una funcin convexa en

PROGRAMACIN NO LINEAL
Teorema

Suponga que tiene derivadas parciales continuas de

segundo orden para cada punto x= Entonces es una
funcin cncava de S si y slo si para cada los primeros
menores principales de H son negativos y el segundo menor
principal tiene el mismo signo que

PROGRAMACIN NO LINEAL
Ejemplo:

Demuestre que es una funcin cncava en .

Sol: Se encuentra que :

Los primeros menores principales son los elementos diagonales del hesiano
(-2 y-4). Ambos Negativos. El segundo menor principal es el determinante
de y es igual a -2(-4)-(-1)(-1)=7>0.
As, es una funcin cncava en

PROGRAMACIN NO LINEAL
Ejemplo:

Demuestre que no es una funcin convexa o cncava.

Sol: Se encuentra que :

Los primeros menores principales son los elementos diagonales del

hesiano (2 y 4). Debido a que los dos primeros menores principales
son positivos, no puede ser cncava. El segundo menor principal es
2(4)-(-3)(-3)=-1<0. Asi, no puede ser convexa. Juntos, estos hechos

PROGRAMACIN NO LINEAL
Optimizacin no restringida.
Una variable
Candidatos extremos
Por intervalos
Bsqueda de la seccin urea. (seccin dorada) funcin unimodal
dictomo

Con varias variables

Primeros menores directores
Mtodo del ascenso escalonado. (Mtodo del gradiente)

Optimizacin restringida
Restricciones de igualdad.
Multiplicadores de Lagrange.

Restricciones de desigualdad
Condiciones de Kuhn-Tucker.
Programacin Cuadrtica (funcin objetivo cuadrtica).
Programacin Separable.

Tipos de
problemas

Solucin
PNL con una Variable

Cmo resolver un PNL del tipo:

Hay tres tipos de puntos para los cuales el problema anterior puede tener mximo local o mnimo. (estos
puntos se llaman candidatos extremos):
Caso 1: Puntos donde
Caso 2: Puntos donde
Caso 3: Puntos finales a y b del intervalo [a,b].

Teorema:

) <0, entonces es un mximo local.
) >0, entonces es un mnimo local.

Teorema:
, y
1.- Si la primera derivada no nula (no cero) en es una derivada de orden impar
entonces no es un mximo local o mnimo local.
2.- Si la primera derivada no nula en es positiva y de orden par, entonces es un min
local.
3.- Si la primera derivada no nula en es negativa y de orden par, entonces es un

 Ejemplo

A un monopolista le cuesta $57 unidad producir un producto, si produce

x unidades del producto, entonces cada uno se puede vender en 10 x
dlares Para maximizar la ganancia, cunto debe producir el
monopolista?
Sol: Sea P(x) la ganancia del monopolista si produce unidades. Entonces:

As, el monopolista quiere resolver el siguiente PNL:

Max
s.a.

 Ahora
se clasifican los candidatos extremos:

Caso 1:
Caso 2:
Caso 3:
As, x=2.5 es el nico mximo local. Esto significa que las ganancias del monopolista se
maximizan al elegir x=2.5.
Observe que P(x)=-2 para todos los valores de x. Esto muestra que P(x) es una funcin
cncava. Cualquier mximo local para P(x) debe ser la solucin ptima para el PNL. As, el
teorema 1 implica que una vez determinado que X=2.5 es un mximo local, se sabe que es la
solucin ptima para PNL

Sea:

Encuentre:

s.a.
Caso1: Para
Caso 2: De la figura 24, se ve que no tiene derivada en x=3 (para x ligeramente menor
que 3, est cerca de -4, y para x un poco mayor que 3, est cerca de -2). Debido a que

 Caso 3 Debido a que local. Debido a que

Por lo tanto, en [0,6], (1)=2 y (6)=1, se encuentra que la
solucin ptima para el PNL ocurre para x=1.

 Maximizacin
y minimizacin no restringidas con varias variables.

Ahora se analiza cmo encontrar una solucin ptima (si existe) o un

extremo local para PNL sin restriccin siguiente:

Se supone que existen las derivadas parciales primera y segunda de

y son continuas en todos los puntos. Sea:

La derivada parcial de con respecto a, evaluada en x . Una

condicin necesaria para que x=) sea un extremo local para PNL se
da el teorema siguiente:

Teorema

6
Si x es un extremo local, entonces =0
Def: un punto x que tiene =0 para i = 1,2,, n se llama
punto estacionario de f.

Teorema 7
Si entonces un punto estacionario x es un mnimo local para
el PNL
Fuente: Investigacin de operaciones- Wayne Winston

Teorema

7
Si, para k=1,2,..,n, es distinta de cero y tienen el mismo
signo que entonces un punto estacionario x es un mximo
local para el PNL.

Teorema 7
Si y no se cumplen las condiciones de los teoremas
anteriores, entonces un punto estacionario x no es un
extremo local.

 Ejercicio:
Una monopolista que produce un solo producto tiene dos
tipos de clientes. Si se producen unidades para el cliente 1,
entonces el cliente 1 est dispuesto a pagar un precio de
dlares. Si se producen unidades para el cliente 2, entonces
el cliente 2 esta dispuesto a pagar un precio de dlares.
Para q>0, el costo de fabricar q unidades es 100 + 15q
dlares. Para maximizar la ganancia, cunto debe vender el
monopolista a cada cliente?

 Sea

A fin de encontrar los puntos estacionarios para , se establece:

As, el nico punto estacionario de A continuacin encuentre el

hesiano para.

Puesto que el primer menor principal director de H es -8<0, y el

segundo menor principal director de H es (-8)(-30)=240 >0, el
teorema 7 muestra que es un mximo local. Tambin el teorema 3
implica que es una funcin cncava. As, el teorema 1 implica que
maximiza las ganancias entre todas las posibilidades de produccin.
Entonces da una ganancia de:

La ganancia por producir excede la ganancia de $0 que se

obtuvo sin producir nada, de modo que resuelve el PNL; el
monopolista debe vender unidades al cliente 1 y unidades
al cliente 2.

 Ejemplo:

encuentre los mximos locales, mnimos locales y

punto silla para
Sol: Se tiene

As,
==0 requiere

=0 o bien
=0

o bien

(1)
(2)

Para que se cumpla la ecuacin (1), se debe cumplir:

(i)
Para que se cumpla la ecuacin (2), se debe cumplir:
(iii) o bien, (iv) -1=0

As,
para que sea un punto estacionario, se debe tener que:
Se cumplen (i) y(iii). Esto slo es cierto en (0,0).
Se cumplen (i) y (iv). Esto slo es cierto en (1,0).
Se cumplen (ii) y (iii). Esto slo es cierto en (0,1) y (0,-1)
Se cumplen (ii) y (iv). Esto requiere que se cumplan
Entonces

As,

Tambin

Recordando
Teorema
7

Si entonces un punto estacionario x es un mnimo local para el PNL

Teorema 7
Si, para k=1,2,..,n, es distinta de cero y tienen el mismo signo que
entonces un punto estacionario x es un mximo local para el PNL.

Teorema 7
Si y no se cumplen las condiciones de los teoremas anteriores,
entonces un punto estacionario x no es un extremo local.

Fuente: Investigacin de operaciones- Wayne Winston

Debido que =0, no se satisface las condiciones del primer

teorema (7)y (7). Debido a que =-1 el teorema 7 ahora
implica que (0,0) es un pto. silla

Entonces =0 y =-1 as por teorema 7 (1,0) es tambin un

punto de silla


Se tiene que =2>0 (de modo que no se puede satisfacer la
hiptesis del teorema 7) y =-4 (as que no se puede
satisfacer la hiptesis del teorema 7). Debido a que

As

<0

Por consiguiente, el teorema 7 muestra que es un mximo local.

Por
ltimo,

As

>0

Por consiguiente, el teorema 7 muestra que es un mnimo

local.

 Mtodo del Ascenso Escalonado.

Suponga que quiere resolver el siguiente PNL irrestricto

s.a.

 Max z=
s.a.
Se elige de manera arbitraria comenzar en un pto.

).
=(4,2) no es 0 se continua el algoritmo.

 As se debe elegir to para maximizar la funcin

Recordemos que la funcin

=0,
se obtiene

El nuevo pto. es:

)

Evaluamos

en ).
=(0,0) se termina el algoritmo

Como es cncava, se ha encontrado la solucin ptima para

el PNL.

PNL con restricciones de igualdad

Multiplicadores de Lagrange.

Teorema 8
Suponga que un PNL es un problema de maximizacin. Si es una funcin
cncava y cada es una funcin lineal, entonces cualquier punto que
satisface la ecuacin:
==0
Producir una solucin ptima para el PNL

Teorema

8
Suponga que un PNL es un problema de minimizacin. Si es una
funcin convexa y cada es una funcin lineal, entonces cualquier
punto que satisface la ecuacin:
==0
Producir una solucin ptima para el PNL

Una
compaa planea gastar $10.000 dlares en publicidad. El costo de
anunciarse en televisin es de $ 3000 por minuto y en la radio cuesta
$1000 por minuto. Si la empresa compra x minutos de publicidad en
televisin y y minutos en radio, entonces su ingreso en miles de dlares
est dado por

Se quiere resolver el siguiente PNL:

Max z=
s.a.

 Entonces
s.a.

Entonces = (10-3x-y)

Esto
Produce:

=0
=0
=0

(1)
(2)
(3)

Observe que 10-3x-y=0 se reduce a la restriccin 3x+y=10.

La ecuacin (1) produce

y=3 -8+4x

y (2) x= -3+2y.
As y=3 -8+4(-3+2y)

= 7 -20+8y, o bien

Sustituyendo las ecuaciones (4) y (5) en (3) se obtiene

O bien,

Luego, con (4) y (5) se obtiene

 El
hesiano para

Puesto que cada menor principal de primer orden es negativo y 7

>0,

La restriccin es lineal, de modo que el teorema 8 muestra que el

mtodo del multiplicador de Lagrange produce la solucin ptima
para el PNL.
As, la empresa debe comprar minutos de tiempo en televisin y
minutos en radio.


Condiciones

de Kuhn- Tucker.

En esta seccin se analizan las condiciones necesarias y suficientes para

que sea una solucin ptima del siguiente PNL:
Max (o min)
s.a.

.
.


Describa
la solucin ptima para
Max
s.a.
Se escribe:
Max
s.a.

De las condiciones de KT, la solucin optima a este problema debe ocurrir

en a [con cmo las condiciones de K-T producen estos tres casos?

de las condiciones de KT:

Entonces

Al usar las condiciones de K-T para resolver los PNl, es til notar que cada
multiplicador debe satisfacer . As al hallar los valores de x,
que satisfacen

 Caso
1

Caso 2
=0, , (45) da como resultado x=b. Entonces (43) produce =, y debido a que ,
se obtiene el caso donde
Caso 3
Debido a que de (44) se obtiene x=a. Entonces (43) produce el caso donde =
Caso 4
. De (44) y (45), se obtiene x=a y x=b. Esta contradiccin indica que no
puede ocurrir el caso 4.

 Las restricciones son lineales, as que el teorema (11)

muestra que si f(x) es cncava, entonces de (43)- (47) se
obtiene la solucin optima

Ejemplo
Un
monopolista puede comprar hasta 17,25 onzas de un
compuesto qumico a $ 10/onza. Aun costo de $3/onza, el
compuesto quimico se procesa es una onza de producto 1; o
bien, a un costo de $5/onza, el compuesto se procesa en una
onza de producto 2, Si se producen onzas de producto 1,ste
se vende a un precio de $30- por onza. Si se producen onzas
de producto 2, ste se vende a un precio de $50-2 por onza.
Determine cmo puede maximizar las ganancias el
monopolista.
Sean:


s.a.

K-T

(48)

Caso

1: Este caso no ocurre debido a que se violara la ecuacin (51).

Caso 2: . Si , entonces (51) implica que Esto violara la ecuacin (55).
Caso 3: De (51), se obtiene Ahora (49) produce y (50) da De (52),
se obtiene as que Por consiguiente , sastiface la condiciones de K-T.
Caso 4: El caso 3 produce una solucin ptima, as que no es
necesario considerar el caso 4.

 Entonces,

la solucin ptima para (48) es comprar 17.25

onzas del compuesto qumico y producir 8.5 onzas del
producto 1 y 8.75 onzas del producto 2. Para pequea,
indica que si se obtuviera un extra de onzas del
compuesto qumico sin costo alguno. Entonces las
ganancias se incrementaran en 10 se encuentra que Esto
significa que el derecho a comprar onzas extra del
compuesto no incrementara las ganancias.