Tópicos Avanzados de Optimización

Tpicos Avanzados de
Optimizacin
Dr. Manuel Rodrguez Medina
Fases de un Estudio de
Investigacin de
Operaciones
1.
2.
3.
4.
5.
La
La
La
La
La
definicin del problema.

construccin del modelo.
solucin del modelo.
validacin del modelo.
implementacin de la solucin.
Construccin de
Modelos
Los Modelos simblicos son
conceptualizaciones abstractas del
problema real a base del uso de
letras, nmeros, variables y
ecuaciones
Construccin de
modelos
Ejemplo 1. Impacto S.A., puede anunciar sus productos

en estaciones locales de radio o TV. El presupuesto
para publicidad se limita a $10000 mensuales. Cada
minuto de un anuncio en la radio cuesta $15, y cada
minuto de comercial en TV cuesta $300. A Impacto le
gusta usar al menos el doble de publicidad por la radio
que por TV. Al mismo tiempo, no es prctico usar mas
de 400 minutos de anuncios radiofnicos cada mes. La
experiencia indica que se estima que la publicidad por
TV es 25 veces ms efectiva que por la radio.
a) Construya el modelo de Programacin Lineal
b) Determine la asignacin ptima del presupuesto
para publicidades por radio y TV
Construccin de
modelos
Ejemplo 2. Modelos Alfa fabrica camisas y blusas para las Tiendas
Beta, que aceptan toda la produccin de Alfa. En el proceso de
produccin intervienen el corte, costura y empacado. Alfa emplea
25 trabajadores en el departamento de corte, 35 en el
departamento de costura y 5 en el departamento de empaque. Esa
fabrica trabaja un turno de 8 horas, 5 das por semana. En la tabla
siguiente se muestran los tiempos necesarios y las utilidades
unitarias para cada prenda.
_________________________________
Minutos por unidad
Prenda
Corte
Costura
Empaque
Utilidad ($)
_______________________________________________
Camisas
20
70
12
8.00
Blusas
60
60
4
12.00
_______________________________________________
a) Determine el programa de produccin semanal ptimo para Alfa.
Construccin de modelos
Ejemplo 3. El ingenio La Primavera produce azcar morena,

azcar blanca, azcar glas y melaza, a partir de guarapo
concentrado. La empresa compra 4000 toneladas semanales
de ese guarapo, y se le contrata para entregar al menos 25
toneladas semanales de cada clase de azcar. El proceso de
produccin comienza fabricando azcar morena y melaza a
partir del guarapo. Una tonelada de guarapo concentrado
produce 0.3 toneladas de azcar morena y 0.1 toneladas de
melaza. A continuacin se produce el azcar blanca
procesando el azcar morena. Se necesita una tonelada de
azcar morena para producir 0.8 toneladas de azcar blanca.
Por ltimo, el azcar glas se produce a partir de azcar blanca
mediante un proceso especial de molienda que tiene una
eficiencia de produccin del 95%. Las utilidades son $150,
$200, $230, y $35 por tonelada de azcar morena, blanca, glas
y melaza, respectivamente.
a) Formule el problema en forma de programa lineal y
determine el programa semanal de produccin.
Ejemplo 4. Un fabricante produce tres modelos, I, II y III de cierto producto, usando las
materias primas A y B. La tabla siguiente muestra los datos del problema:
Requerido por unidad
_____________________
Materia prima
I
II
III
Disponibilidad
A
2
3
5
4000
B
4
2
7
6000
Demanda mnima
200
200
150
Utilidad por unidad
30
20
50
El tiempo de mano de obra para el modelo I es el doble que para el II y el triple del III. Todo
el personal de la fbrica puede producir el equivalente de 1500 unidades del modelo I.
Las necesidades del mercado especifican las relaciones 3:2:5 de las producciones de los
tres modelos respectivos. Formule el modelo de programacin lineal.
Ejemplo 5. Un fabricante de plsticos tiene en existencia, en una de sus

fbricas, 1200 cajas de envoltura transparente y otras 1000 cajas en su
segunda fbrica. El fabricante tiene ordenes para este producto por parte
de tres diferentes distribuidores, en cantidades, 1000, 700 y 500 cajas,
respectivamente. Los costos unitarios de envo (en dlares por caja) de las
fbricas a los detallistas son los siguientes:
_____________________________________________
Distribuidor 1
Distribuidor 2
Distribuidor 3
______________________________________________________________
Fbrica 1
14
13
11
Fbrica 2
13
13
12
______________________________________________________________
Construya el modelo de programacin de costo mnimo, para
satisfacer la demanda con el inventario actual.
Ejemplo 6. Una tienda de autoservicio que funciona

las 24 horas tiene los siguientes requerimientos
mnimos para los cajeros:
Periodo
Horario
Requerimient
o mnimo
3-7
7-11
11-15
15-19
19-23
23-3
20
14
20
10
El perodo 1 sigue inmediatamente del perodo 6.

Un cajero trabaja 8 horas consecutivas, empezando
al inicio de uno de los seis perodos. Determnese
que grupo diario de empleados satisface las
necesidades con el mnimo de personal.
Anlisis de Sensibilidad
Ejemplo 7. HiDec produce dos modelos de artculos
electrnicos, donde se usan resistores, capacitores
y chips. La tabla siguiente es un resumen de los
datos en este caso:
Requerimientos del recurso por unidad
Recurso Modelo 1 Modelo 2 Disponibilidad mxima
Resistor
2
3
1200
Capacitor 2
1
1000
Chips
0
4
800
Utilidad($) 3
4
_________________________________________________
Ejemplo 7.
Continuacin
Sean x1 y x2 las cantidades producidas

de los modelos 1 y 2, respectivamente. A
continuacin se tiene el modelo de
programacin lineal y su tabla simplex
ptima asociada:
Maximizar z = 3x1 + 4x2
sujeta a
2x1 + 3x2 1200
2x1 + x2 1000
4x2 800
x1 , x 2 0
Ejemplo 7.
Continuacin
Bsica
s
z
x1
x2
x3
x4
X5
5/4
Soluci
n
1750
x1
-1/4
450
x5
-2
400
x2
100
1/2 -1/2
Ejemplo 7.
Continuacin
a)
b)
c)
d)
e)
Determine el estado de cada recurso

En funcin de la utilidad ptima determine el
valor de un resistor, de un capacitor y de un chip.
Determine el intervalo de aplicabilidad de los
precios duales para cada recurso.
Si la cantidad disponible de resistores aumenta a
1300 unidades determine la nueva solucin
ptima.
Si se reduce la cantidad de chips disponibles a
350 unidades, podra usted determinar la nueva
solucin ptima?
Algoritmo simplex
modificado
Maximizar z 5 4 0 0 0 0 x 1
x2
x3
x4
x6 T
x5
Sujeta a
6
1
-1
4
2
1
1
1
0
0
0
0
1
0
0
0
0
1
0
0
0
x1
x 2 24
x 6
3
x4 1
x
2
5
x
6
x 1 , x 2 , x 3 , x 4 , x 5 , x6 0
Coeficientes de la funcin objetivo : C c 1
c2
c3
c4
c5
c6
Algoritmo simplex
modificado
Iteracin 0.
X B0 x 3 , x 4 , x 5 , x 6 ,
C B0 0 ,0 ,0 ,0
B0 P3 , P4 , P5 , P6 I , B0 1 I
X B0 B0 1 b ( 24 ,6 ,1 ,2 )T ,
z C B0 X B0 0
Clculos de optimalida d :
C B0 B0 1 ( 0 ,0 ,0 ,0 )
z j c j j 1 ,2 C B B0 1 ( P1 , P2 ) ( c1 , c 2 ) ( 5 ,4 )
0
Algoritmo simplex
modificado
Clculos de factibilidad:
X B0 x 3 , x 4 , x 5 , x6 T ( 24 ,6 ,1 ,2 )T
B0 1 P1
6 ,1 ,1 ,0
24 6
, x 1 min
, , , min 4 ,6 , , 4
6 1
y P3 es el vector que sale de la base.
Algoritmo simplex
modificado
Iteracin 1.
X B1 ( x 1 , x 4 , x 5 , x 6 )T ,
C B1 5 ,0 ,0 ,0
B1 ( P1 , P4 , P5 , P6 )
6
1
1
0
0
1
0
0
0
0
1
0
0
0
1
6
B1 1
X B1 B1 1 b ( 4 ,2 ,5 ,2 )T ,
1
6
1
6
0
1
0
0
0
0
1
0
0
1
z C B1 X B1 20
Algoritmo simplex
modificado
Comprobaci n de optimalida d :
C B1 B1 1
1
6
61
( 5 ,0 ,0 ,0 ) 1
6
0
0
1
0
0
0
0
1
0
0
5
( 6 ,0 ,0 ,0 )
0
1
z j c j j 2 ,3 C B B1 1 ( P2 , P3 ) c 2 , c 3
1
4 1
2 0
5
2
( 6 ,0 ,0 ,0 )
(
4
,
0
)
,0 )
3
1 0
1 0
y el vector que entra es P2 .
Algoritmo simplex
modificado
Comprobaci n de factibilidad :
X B1 x 1 , x 4 , x 5 , x 6 T ( 4 ,2 ,5 ,2 )T
1
6
B1- 1 P2
61
1
6
0
1
0
0
0
0
1
0
0
1
4 23

2 43
1 5
3
1 1

4 2 5 2
3
3
x 2 min 2 , 4 , 5 , min 6 , 2 ,3 ,2
2
3 3 3 1
y P4 sale de la base.
Algoritmo simplex
modificado
X B2 ( x 1 , x 2 , x 5 , x6 )T , C B2 5 ,4 ,0 ,0
B2 ( P1 , P2 , P5 , P6 )
6
4
2
1
1
0
0
1
0
0
0
1
4
81
B2 1
X B2 B2 1 b ( 3 , 23 , 52 , 21 )T ,
3
8
1
8
21 0
3
0
4
54 1
43 0
0
1
z C B1 X B1 21
Algoritmo simplex
modificado
Comprobaci n de optimalida d :
C B2 B2 1
1
4
81
( 5 ,4 ,0 ,0 ) 3
8
1
8
3
4
1
2
54
43
0
0
1
0
0
3 1
( 4 , 2 ,0 ,0 )
0
1
z j c j j 3 ,4 C B B21 ( P3 , P4 ) c 3 , c4
2
As X B2
1 0
0 1
3 1
( 43 , 21 ,0 ,0 )
(
0
,
0
)
(
, )
4 2
0 0
0 0
es ptimo y terminan los clculos.
Algoritmo del punto

interior de Karmarkar
(1984)
Idea fundamental del algoritmo del punto interior

Maximizar z = x1
sujeta a
0 x1 2
Si se usa x2 como variable auxiliar, el problema puede
ser representado como:
Maximizar z = x1
sujeta a
x1 + x 2 = 2
x1, x2 0
Algoritmo del punto

interior de Karmarkar
(1984)
Idea grfica del concepto general del
algoritmo de Karmarkar
2
Gradiente de z
Espacio de
soluciones:
Segmento de recta
AB.
C
D
E
B
2
Idea bsica del algoritmo
La direccin de aumento de z es la direccin

positiva de x1.
Sea C un punto interior (no extremo) en el
espacio factible (lnea AB). El gradiente de la
funcin objetivo en C es la del aumento ms
rpido de z. Si se ubica un punto arbitrario a
lo largo del gradiente y a continuacin se
proyecta perpendicularmente sobre el
espacio factible, se obtiene el nuevo punto
D, con mejor valor objetivo. Si se repite el
procedimiento en D, se determinar un
nuevo punto E ms cercano al ptimo.
Algoritmo del punto

interior
Minimizar z = CX
sujeto a
AX = 0
1X = 1
X0
Todas las restricciones son ecuaciones
homogeneas, a excepcin de la restriccin 1X =
1, que define un simplex n dimensional.
Validez del algoritmo
1.
2.
La validez del algoritmo consiste

en satisfacer dos condiciones:
X = (1/n, 1/n,,1/n) satisface AX
=0
min z = 0
Ejemplo
Sea el problema
Maximizar
z y1 y 2
sujeta a
y1 2 y 2 2
y1 , y2 0
Introduciendo una variable de holgura, se tiene
y1 2 y 2 y 3 2
Definiendo
y1 y 2 y 3 U
Ejemplo
Donde U es lo bastante grande para no

eliminar algunos puntos factibles en el
espacio de soluciones. En este caso U = 5.
Homogeneizando la restriccin:
y1 y2 y3 y4 5
y1 2 y2 y3
y1 y 2 y 3 y 4
2
5
5 y1 10 y2 5 y3 2 y1 2 y2 2 y3 2 y4
3 y1 8 y2 3 y3 2 y4 0
Ejemplo
Definiendo una nueva variable

yi
xi
i 1 ,2 ,3 ,4
5
max imizar z 5 x1 5 x2
sujeta a
3 x1 8 x 2 3 x 3 2 x 4 0
x1 x 2 x 3 x 4 1
x j 0 , j 1 ,2 ,3 ,4
Ejemplo
Se puede asegurar que el centro X = (1/n,

1/n,,1/n) es un punto factible para
ecuaciones homogneas, restando del lado
izquierdo de cada ecuacin, una variable
artificial cuyo coeficiente sea igual a la
suma algebraica de todos los coeficientes
de restriccin en el lado izquierdo: as aqu,
3 + 8 + 3 2 = 12
Ejemplo
El nuevo sistema ser:

Maximizar z 5 x1 5 x2 Mx5
sujeta a
3 x1 8 x2 3 x3 2 x4 12 x5 0
x1 x 2 x 3 x 4 x 5 1
x j 0 , j 1 ,2 ,...,5
El modelo de Programacin
Lineal
Definicin: Se entiende por Programa

Lineal aquel que optimiza
Z cX
sujeta a
AX b
X 0
El mtodo Simplex
n
Z ci X i
Optimizar
i 1
Sujeta a
n
a ji X i bi
i 1
Xi 0
j 1 ,..., m
i 1 ,..., n
Teoremas Bsicos de la
Programacin Lineal
Teorema 1. El conjunto de todas las soluciones factibles de un
programa de programacin lineal es un conjunto convexo.
Demostracin:
Si X es una solucin factible, satisface las
siguientes condiciones
AX b
X0
Teorema 1.1 Un semiespacio cerrado cX b ( o bien abierto cX <
b) es un conjunto convexo.
Prueba: Sean X1 y X2 dos puntos cualesquiera del semiespacio
cerrado o abierto. Es decir
cX1 b cX1 < b
cX2 b cX2 < b
Sea X = X1 + (1-)X2, 0 < < 1. Entonces
cX = c[X1 + (1-)X2] = cX1 + (1-)cX2 = b + (1-)
b=b
Por tanto X est en el subespacio cerrado o abierto.
Teoremas Bsicos de la
Programacin Lineal
Teorema 2. La funcin objetivo de un

programa lineal obtiene su valor mximo (o
mnimo) en un punto extremo del conjunto
convexo de soluciones factibles.
Prueba. Considrese la forma cannica. Sea
K el conjunto de todos los puntos extremos
del conjunto convexo generado por todas las
restricciones del P.P.L. O sea
K = {Xi|i I, I denota los ndices de los
puntos extremos}
Conceptos Bsicos para

Optimizacin Avanzada
El procedimiento tradicional
de Gram-Schmidt
Dado un conjunto generador v 1 ,..., v q
u1 v 1
u2 v 2 12 u1
u3 v 3 13 u1 23 u2
u4 v 4 14 u1 24 u2 34 u3
uk v k 1k u1 k 1 ,k uk 1 2 k q
jk
u j ,v k
u ,u si u j 0 y jk 0 si u j 0
j
j
de Gram-Schmidt. Ejemplo
Construir una base ortogonal para el

subespacio de R4
v1
1
u1 v 1
u2
9
4
v2
3
4
1
1
u2 v 2 12 u1
v3
3
3
4
3 T
4
v4
2
1 1( 2 ) 1( 1 ) 1( 1 ) ( 1 )( 1 )
1
1 2 1 2 1 2 ( 1 ) 2
de Gram-Schmidt. Ejemplo
u3 v 3 13 u1 23 u2
13
23
14
24
34
9
4
1
( 1 )
1
1( 0 ) 1( 3 ) 1( 3 ) ( 1 )( 3 )
94
4
( 9 / 4 )( 0 ) ( 3 / 4 )( 3 ) ( 3 / 4 )( 3 ) ( 3 / 4 )( 3 )
81 9 9 9
16
16
16
16
1( 1 ) 1( 2 ) 1( 2 ) ( 1 )( 1 )
21
4
( 9 / 4 )( 1 ) ( 3 / 4 )( 2 ) ( 3 / 4 )( 2 ) ( 3 / 4 )( 1 )
81 9 9 9
16
16
16
16
0
1 4 4 1
0

1
u4 v 4 14 u1 24 u2 34 u3
1

2
2
3
9
4
3
4
3
4
3
4
0

0
0

0
Descomposiciones QR
a)
1.
2.
3.
Teorema clave: Sea A una matriz de p q de

rango k. Entonces:
A puede escribirse en su descomposicin QR no
normalizada como Q0R0, en donde:
Q0 es p q y tiene columnas ortogonales (de las
cuales k son diferentes de cero y q k son cero) que
generan el espacio columna de A.
R0 es q q, triangular superior unitaria y no
singular.
La norma 2 de la i-sima columna de Q0 es igual a la
distancia de la i-sima columna de A al espacio
generado por las primeras i-1 columnas de A.
Descomposiciones QR
b) A puede escribirse en su descomposicin QR
normalizada como A=QR, en donde:
1. Q es p q y tiene columnas ortonormales que
generan el espacio columna de A.
2. R es triangular superior de k q y tiene rango k.
3. Si k = q, entonces |Rii| es igual a la
distancia desde la i-sima columna de A hasta el
espacio generado por las primeras i-1 columnas
de A.
Descomposiciones QR.
Ejemplo
2
0 1
1
1
3
2
A
1 1 3
2
1 1 3 1
1
Q0
1
9
4
43
43
3
4
1 1
4
0
0
1
0
1
1
R0
0 0
0 1
0 1
A Q0 R0
0 2
9
4
1
2
2
3
0
1
Descomposiciones QR.
Ejemplo
Para obtener Q y R, se eliminar la tercera
columna de Q0 y el tercer rengln de R0, y se
ajustarn las escalas de las columnas de Q0 y
los renglones de R0.
1
2
1
2
1
2
1
2
A QR
3
2
3
6
3
6
3
6
0
6
6
6
6
6
3
R 0
1
2
3 3
2
9
2
3 3
2
Descomposiciones QR
usando transformaciones
Householder
Para calcular la descomposicin QR de una matriz

NP usaremos transformaciones Householder
(1958), una generalizacin de reflexiones en el
plano. Estas son matrices de N N de la forma
HU = I -2uuT
donde I es la matrz identidad de N N y u es un
vector unitario N dimensional (esto es, |u|=
(uTu)1/2=1). HU es simtrica y ortogonal, dado que
HUT = I-2uuT = HU
y
HUT HU = I 4uuT + 4uuTuuT = I
Descomposiciones QR
usando transformaciones
Householder
Multiplicando un vector y por HU, como

HUy = y 2uuTy
correspondiente a reflejar y sobre la lnea a

travs del origen perpendicular a u. Mediante la
eleccin
y y ede
y ye
u
( y y e1 )
( y y e1 )
donde e 1 1 ,0 ,0 T , la transforma cin Householder puede

ser hecha para tomar el vector y en el eje x; esto es, , en el
nuevo sistema de coordenadas, el vector H U y tiene coordenadas
y ,0 ,0
T .
Reflexiones de
Householder
y x = u
uT(x + 0.5 u) = 0
uTx + 0.5 uTu=
0
0.5 uuTTux= -uTx2 uT x
0.5 u u
y x u
x
2 uT x
uT u
2
uT u
u x
uu T x
uT u
I -
uu x H u x
T
u u
Reflexiones de
Householder
Ejemplo.
u 1
2 T
u u 1
1
2 1 4 5
2
1
Hu
0
0

1
1
2
1
5
2
3
5
54
54
3
5
Reflexiones de
Householder. Ejemplo
Descomposicin QR.
Descomposicin QR de la matriz
X 1
1
u
1.26
1.82
2.22
y y e1
y e1
1 ,1 ,1 T
1 ,1 ,1 T
0.7321 ,1 ,1 T
1.5925
3 1 ,0 ,0 T
3 1 ,0 ,0 T
0.4597 ,0.6279 ,0.6279 T
Reflexiones de
Descomposicin
QR.
Obtencin de la matrz de Householder
2 u1 u1T
.4597
2 0.6279 0.4597
0.6279
0.4226
0.5772
0.5772
H u1
0.5772
0.7886
0.6279
0.6279
0.5772
0.7886
0.7886
0.5772
1 0 0
0.4226
I 2 u1 u1T 0 1 0 0.5772
0.7886
0 0 1
0.5772
0.7886
0.5772
0.5772
0.5774
0.5772
0.2114
0.7886
0.5772 0.7886
0.2114
0.7886
0.5772
0.7886
0.7886
Reflexiones de
Descomposicin QR.
X1
0.5774
H u1 X 0.5772
0.5772
1.7321
0.6388
u2 0
0.9841
u2
0.5772
0.2114
0.7886
0.5772 1

0.7886 1
0.2114 1
3.060
- 0.6388
- 0.2388
0.2388 T 0.6820 0
1.3422
1.26
1.82
2.22
0.1780 T
2 u2 uT 2 0.9841 0 0.9841
0.1780
0
0
0
0
1.937
0.3504
0 0.3504 0.0634
0.1780 2 0
0
0.9685
0.1752
0.1752
0.0317
Reflexiones de
Descomposicin QR.
H u2 I
2 u2 uT
2
0
0
0
0
H u2 H u1
0
0
0
- 0.937
- 0.3504
0
- 0.937
- 0.3504
0.5774
- 0.7431
0.3384
0
0
0 0
0
1
0
1
0
- 0.3504
0.9366
- 0.3504
0.9366
0.5772
0.07824
0.8127
0.5774
R H u2 H u1 X - 0.7431
0.3384
0.3504
0.0634
0
1.937
0.3504
0.5774
0.5772
0.5772
0.5772
0.2114
0.7886
0.5772
0.7886
0.2114
0.5772
0.6648
0.4743
0.5772
0.07824
0.8127
0.5772
0.6648
0.4743
1
1
1.26
1.7321
1.82
0
2.22
0
3.06
0.682
0
Reflexiones de
Descomposicin
QR.
Q H H
H H
T
u1
0.5774
- 0.7431
0.3384
0.5774
w Q T y 0.5772
0.5772
0.5774
Q1 0.5772
0.5772
1.7321
0
R1
T
u2
u2
0.5772
0.07824
0.8127
0.5772
0.6648
0.4743
0.7431
0.07824
0.6648
0.3384
0.8127
0.4743
0.7431
0.07824
0.6648
3.06
0.682
u1
0.92
3.23
2
.
15
1
.
16
2.52
0.24
0.5774
0.7431
Q1T
R1 w 1
0.5772
0.07824
R1 1 w 1
0.5772
0.6648
El Modelo de Regresin
Lineal
El modelo
y = X + z
supuestos:
E(z) = 0
E(y) = X
Adicionalmente, suponiendo z
normalmente distribuido
Var[z] = E[zzT] = 2I
Lineal
Entonces, la funcin de densidad conjunta de

probabilidad para y, dado y 2, es
p y ,
N
2 2
N
2 2
y x T y x
exp
y x
exp
La funcin de verosimilitud, l(, 2|y), para y

es idntico en forma a la densidad de probabilidad
conjunta, excepto que l(, 2|y) es considerada
como una funcin de los parmetros condicional
sobre los datos observados, en lugar de una
funcin de las respuestas condicional sobre los
valores de los parmetros.
Lineal
As
y x
l , y N exp
La verosimilitud es maximizada respecto a

cuando la suma de cuadrados de residuales
S y x
y n x np p
n 1
p1

N
2 2
Es un mnimo
Lineal
El estimador de mxima verosimilitud

es
Este
el valor de el cual minimiza S().
es llamado el estimador de mnimos
cuadrados, el cual puede obtenerse
considerando que el vector residual y -
ser ortogonal, o normal, al plano esperado.
Equivalentemente, el vector residual deber
ser ortogonal a todas las columnas de la
matriz X, tal
X T que
y x 0
Lineal
Lo anterior implica que el estimador de

mnimos cuadrados satisface las
ecuaciones normales
X T y X T X 0
X T X X T y
y el estimador de mnimos cuadrados

puede escribirse
X T X
XT y
Lineal
Otra manera de expresar el estimador de mnimos

cuadrados, y una ms estable de calcular involucra
descomponer X en el producto de una matrz
ortogonal y una matrz facilmente invertible. Usando
la descomposicin QR se tiene
X = QR
con la matrz Q de N N y la matrz R de N P
construida tal que Q es ortogonal (esto es QTQ =
QQT = I) y R es cero abajo de la diagonal principal.
Escribiendo
R1
R
Lineal
donde R1 es una matrz triangular

superior de P P, y
Q = [Q1|Q2]
con Q1 las primeras P columnas y Q2
las ltimas N P columnas de Q,
tenemos
X = QR = Q1R1
Interpretacin geomtrica
Geomtricamente, las columnas de Q

definen una base ortonormal, u
ortogonal para el espacio de respuesta
con la propiedad de que las primeras P
columnas describen el plano esperado.
La proyeccin sobre el plano esperado
es entonces muy fcil, si se trabaja en
el sistema de coordenadas dado por Q.
Interpretacin geomtrica
Por ejemplo, transformemos el vector respuesta a

w = Q Ty
con componentes
w 1 = Q1 T y
y
w 2 = Q 2 Ty
La proyeccin de w sobre el plano esperado es entonces
w1
en las coordenadas Q y
w
Q 1 Q1 w 1
0
en el sistema de coordenadas original.
Obtencin del estimador

X
Q1 w 1 Q1 R1
w R
1
R w1
Descomposicin en
valores singulares
a)
Teorema clave Sea A, p q.

Existe una matriz U unitaria p p (ortogonal
si A es real), una matriz unitaria V, q q
(ortogonal si A es real) y una matriz p q
diagonal con ij=0 para ij y
ij=i0 siendo 12s en donde s =
min (p, q), tal que la descomposicin en
valores singulares
A = UVH
es vlida.
Descomposicin en
valores singulares
b) Los nmeros 12 conforman los
eigenvalores de AHA, y los eigenvectores
asociados son las columnas vi de V;
igualmente, las 12 conforman los
eigenvalores de AAH, y los eigenvectores
asociados son las columnas ui de U. Las i
se llaman los valores singulares de A, los
ui se llaman los vectores singulares
izquierdos de A; y los vi los vectores
singulares derechos de A, que se
relacionan por Avi = i ui para 1 i s.
Descomposicin en
valores singulares
Ejemplo. Considere
1 1
1 2 2
9 9
T
T
A 2 2 A
A A
1
2
2
9
9
2 2
9
9
2
2
81
81
18
81 0
9
9
2 18 18 0 1 18
1 18 3 2
2 0
2 0
Descomposicin en
valores singulares
Vectores caractersticos
9 18
9 x1 9 x 2
x1
0

9 18 x 2
0
9 x1 9 x 2
x1 1
x 2 1 X 1 1 ,1
v1
1
2
2
2
2
2
12 12
x 2 1 X 2 1 1
x1 1
1
2
X1
9 x1
9 x1 9 x 2
0

9
x
9
x
9 0 x2
1
2
0
90
v2
1
2
1
2
2
2
2
2
X2
2
2
2
2
1 2 ( 1 ) 2
2
2
2
2
Descomposicin en
valores singulares
4
4
2 4 4
2
AAT 4 8 8
4
8

4 8 8
4
8
8
8
8
4
8
4 8
2
4
4
0
8
8
4 8
4
8
2 [ 8 2 64 ] 4 [( 4 )( 8 ) 32 ] 4 [ 32 4( 8 )] 0
( 2 )[ 16 2 ] 4 [ 4 ] 4 [ 4 ] 32 2 2 16 2 3 32 0
3 18 2 2 ( 18 ) 0
1 18 2 0 3 0
Descomposicin en
valores singulares
UV
1
3
2
3
2
3
2 5
5
5
5
2 5
15
4 5
15
5
15

3 2
0

0
2
2
2
2
2
2
2
2
Descomposicin en valores
singulares, pseudoinversas y
mnimos cuadrados
Sea el siguiente sistema de mnimos

cuadrados
1 1
15
x1
2
2
15
2 2
30
Pseudoinversa A V U T
Descomposicin en valores
singulares, pseudoinversas y
mnimos cuadrados
2
2
2
2
V U
1
18
1
9
2
2
3 2
2
2
0
1
9
0 0
0 0
1
3
2
3
2 5
5
5
5
2 5
15
4 5
15
1
1
1
18 9 9
Solucin del sistema de ecuaciones :
1
9
1
18
1
9
x0
1
18
15

56
15 5
1
6
9
30
1
9
2
3
0 A
5
15
Regresin Lineal Simple

Ejemplo. Concentracin de bifenil
policlorinado en un lago como una
Edad(aos)
Conc.la edad
Edad(aos)
Conc. PCB(ppm)
funcinPCB(ppm)
de
0.6
3.4
1.6
8.6
0.5
8.6
1.2
4.0
2.0
5.5
1.3
10.5
2.5
17.5
2.2
13.4
2.4
4.5
1.2
30.4
3.5
11
12.4
4.1
12
13.4
5.1
12
26.2
5.7
12
7.4
Concentracin PCB vs
Edad
Scatterplot of Conc. PCB(ppm) vs Edad(aos)
30
Conc. PCB(ppm)
25
20
15
10
5
0
0
6
Edad(aos)
10
12
Estabilizacin de la
varianza
Scatterplot of ln(PCB) vs Edad(aos)
4
ln(PCB)
6
Edad(aos)
10
12
Regression Analysis: ln(PCB) versus Edad(aos)

The regression equation is
ln(PCB) = 0.028 + 0.259 Edad(aos)
Predictor
Coef
SE Coef
Constant
0.0281 0.1995
Edad(aos) 0.25896 0.03052
S = 0.561859
Analysis of Variance
Source
Regression
Residual Error
Total
R-Sq = 73.5%
T
P
0.14 0.889
8.49 0.000
R-Sq(adj) = 72.5%
DF
SS
MS
F
P
1
22.732 22.732 72.01 0.000
26 8.208
0.316
27 30.939
Regression Analysis: Conc. PCB(ppm) versus

Edad(aos)

Conc. PCB(ppm) = - 1.48 + 1.56 Edad(aos)
Predictor
Coef
SE Coef
T
P
Constant
-1.483
1.832 -0.81 0.426
Edad(aos) 1.5563 0.2801 5.56 0.000
S = 5.15761
Source
Regression
Residual Error
Total
R-Sq = 54.3%
R-Sq(adj) = 52.5%
DF
SS
MS
F
P
1
820.96 820.96 30.86 0.000
26 691.62 26.60
27 1512.58
Regression Analysis: ln(PCB) versus Rcub edad

ln(PCB) = - 2.39 + 2.30 Rcub edad
Predictor
Coef
SE Coef
T
P
Constant
-2.3890 0.3928 -6.08 0.000
Rcub edad 2.2968 0.2277 10.09 0.000
S = 0.492071
Source
DF
SS
MS
F
P
Regression
1 24.644 24.644 101.78 0.000
Residual Error 26 6.295 0.242
Total
27 30.939
R-Sq = 79.7%
R-Sq(adj) = 78.9%
Ln (PCB) vs. Raz cbica

(edad)
Scatterplot of ln(PCB) vs Rcub edad
4
ln(PCB)
1.0
1.2
1.4
1.6
1.8
Rcub edad
2.0
2.2
2.4
Teora Clsica de la
Optimizacin
Dr. Manuel Arnoldo Rodrguez
Medina
Mximos y mnimos de funciones

de varias variables sin
restricciones
1.
2.
Sea f(X, Y) una funcin diferenciable con

respecto a X y Y, en un intervalo dado para
ambas variables. Enseguida se muestran
los pasos para obtener los puntos crticos
que determinan los mximos o mnimos
locales o relativos:
f
f
y
Obtenga
X
Y
f
f
0 y
0
Resuelva X
. Este paso
Y
determina los puntos crticos (X0, Y0).
Mximos y mnimos de
funciones de varias variables
sin restricciones
3.
2 f
2 f
y
Calcule X , Y
y evalelas
en los puntos crticos (X0, Y0). Dentese
el resultado por:
2 f
X
4.
2 f
X Y
X 0 ,Y0
2 f
Y
X 0 ,Y0
2 f
X 2 Y 2
X 0 ,Y0
Calcule el Jacobiano
2 f
X 2
X 0 ,Y0
2 f

Y 2

X 0 ,Y0
2 f
X Y
X 0 ,Y0

restricciones
5.
Si > 0, se tiene un mximo en

2 f
X
X 0 ,Y0
0 y
2 f
Y
(X0, Y0, f (X0, Y0)) si
X 0 ,Y0
o un mnimo en (X0, Y0, f (X0, Y0)) si

2 f
X
X 0 ,Y0
0 y
2 f
Y
X 0 ,Y0
si 0, la regla falla y es necesario investigar

la funcin en el entorno al punto (X0, Y0). En
este caso si no hay ni un mximo o un mnimo
en (X0, Y0, f (X0, Y0)), este punto recibe el nombre
de punto de silla.

restricciones
Ejemplo 1. Sea
f(X, Y) = 3 + 2X + 2Y 2XY Y2 2X2
f
f
2 4 X 2Y
2 2 X 2Y
X
Y
f
f
0 4 X 2Y 2
0 2 X 2Y 2
X
Y
Resolviendo el sistema : X 0, Y 1
El punto (X, Y) (0, 1) es un punto crtico a analizar.

restricciones
Segundas
derivadas:
2
f
2 ( 0 ,1 )
2 f
Y
4 0
Por lo tanto se tiene un mximo en (0, 1)
0 ,1 2 0 El valor mximo de la funcin es f(0, 1) 4
2 f
0 ,1 2
X Y
( 4 )( 2 ) ( 2 )2 4 0

restricciones
Ejercicios a resolver:
1. f(X, Y) = X2 + Y2 - 2X + 4Y + 6
2. f(X, Y) = X2 + 2XY
3. f(X, Y) = 5X2 + 6Y2 - XY
Interpretacin Geomtrica
de las Derivadas Parciales
En una funcin de dos variables como Z =

f(X, Y),
Z
X
proporciona la razn de cambio (pendiente de

la tangente) de la traza en el plano ZX, como
una funcin de la variable independiente X,
tratando a la variable Y como una constante.
Derivadas Parciales
Dada una funcin de n variables X1, X2,, Xn

f
denotada por f(X1, X2,,Xn) se define la
X i
derivada parcial con respecto a Xi, i = 1, 2,
,n, escrita
al lmite cuando Xi0
f X 1 , X 2 ,..., X i i ,..., X n f X 1 , X 2 ,..., X i ,..., X n
de
i 1 ,2 ,..., n
i
TEORA CLSICA DE LA
OPTIMIZACIN
PROBLEMAS NO RESTRINGIDOS
Un punto extremo de una funcin f(X) define
un mximo de ella. Matemticamente,
Un punto X 0 x 10 ,..., x 0j ,..., x n0
es mximo si
f(X0 + h) f(X0)
para toda h = (h1, , hj,, hn) y |hj| es
suficientemente pequea para toda j. De
igual forma, X0 es un mnimo si
f(X0 + h) f(X0)
Mximos y mnimos
Ejemplos de puntos extremos
Mximos y Mnimos
Teorema. Sea f (X ) una funcin

continua y diferenciable en E n. Una
condicin necesaria para que X* sea un
mnimo local de f (X ) es que f (X *) =
0 y que H(X*) sea positiva semidefinida.
Una condicin suficiente para que X* sea
un mnimo local de f (X ) es que f (X *)
= 0 y que H(X*) sea positiva definida
Mximos y Mnimos
Demostracin. Suponga que f (X *) = 0 y que

H(X ) es positiva definida. Se prueba que X* es
un mnimo local. De la expansin de Taylor se
tiene
f (X*+h )=f (X*)+ f (X *)h +(1/2)hH[X*+(1-)(X*+h)]hT
Si h HhT>0 entonces
f (X*+h )-f (X*)=(1/2)h HhT
o sea f (X*+h )>f (X*)
para cualquier valor de h, excepto h =0, y por lo
tanto X* es un mnimo local
EJEMPLO
Sea
f X 2 X 12 3 X 22 4 X 32 8 X 1 12 X 2 24 X 3 10
f X
X
1
4 X 18
f
X
6 X 12
f X
2
X 2
8 X 3 24
f X
3
f X
4 X 18
0
6 X 2 12 0
0
8 X 3 24
X1 2, X2 2, X3 3
EJEMPLO
y el Hessiano ser
2 f
X 12
2 f
X 2 X 1
2 f
X 3 X 1
XHX T X 1
2 f
X 1 X 2
2 f
X 22
2 f
X 3 X 2
X2
2 f
X 1 X 3
4 0 0
2
f
0
6
0
X 2 X 3
0 0 8
2
f
X 32
4 0 0
X 3 0 6 0
0 0 8
X1
X 4X 2 6X 2 8X 2 0
1
2
3
2
X 3
Esta ecuacin es positiva para todo valor de X, excepto para X =0, por
lo cual se puede decir que el punto es un mnimo.
LOS METODOS DE
GRADIENTE
a)
b)
c)
Para alcanzar el punto alto de

una montaa se necesitan tres
elementos:
Un punto conocido de partida
Una direccin de caminata
Una longitud de caminata
Mtodos de Gradiente
Dada la funcin
f X 1 , X 2 7 X 1 4 X 2 X 1 X 2 X 12 X 22
f
X 7 X 2 2 X 1 0 2 X 1 X 2 7
1
f X

4 X 1 2 X 2 0 X 1 2 X 2 4
X 2
X1 6
X2 5
f 6 ,5 7 6 4 5 6 5 6 2 5 2 31
Mtodos de Gradiente
Iniciando desde el punto
0
0
,
X
1
2
8 ,2
f 8 ,2 7 X 1 4 X 2 X 1 X 2 X 12 X 22 12
f
X
1
f X
X 2
7 X2 2 X1 7
8
4
2
X
1
2
8
X
2
Avance en el sentido de x1 hace decrecer el nivel de f(X1, X2) en 7

unidades.
Avance en el sentido de x2 hace crecer el nivel de f(X1, X2) en 8
unidades.
DIRECCION DE AVANCE: X2
Longitud de Avance
Vector de avance:
X 1 X 11 , X 21 8 ,2 8 k
f X 1 , X 2 7 8 4 2 8 k 8 2 8 k 8 2 2 8 k
64 k 2 64 k 12
f
64
128 k 64 0
k
0.5
k
128
X 1 8 ,2 8(.5 ) 8 ,6 f 8,6 28
Segunda Iteracin
Evaluacin del gradiente y la direccin

y longitud de avance
7 6 2( 8 ) 3
f X 1
4 8 2( 6 ) 0
f 8 3k ,6 7 ( 8 3k ) 4( 6 ) ( 8 3k )( 6 ) ( 8 3k )2 6 2
-9k 2 9 k 28
f 8 3k ,6
18 k 9 0 k 0.5
k
X 2 X 12 , X 22 ( 8 3k ,6 ) ( 6.5 ,6 )
f ( 6.5 ,6 ) 30.25
OPTIMIZACION DE FUNCIONES
DIFERENCIABLES
MULTIVARIABLES
Dr. Manuel Arnoldo Rodrguez

Medina
Mtodo de ascenso o
descenso acelerado
Sea f (X ) una funcin diferenciable

en E n y X0 = (X10, ,Xn0) un punto
inicial.
La direccin de descenso acelerado
en el
punto
f X 0 X0 es
X i 1 X i i f X i i 0 , i 0 ,1 ,2 ,...
Para encontrar el valor de i se maximiza la funcin

g( i ) f ( X i i f X i )
Mtodo de ascenso o
descenso acelerado
Encontrar un punto mximo local de

f X 2 X 12 X 22 3 X 32 2 X 42
X
X
X 1 0 3 2
f X 2( 1 ) 0 3( 3 ) 2( 2 ) 33
X 0 X 10
0
f X 0
0
2
0
3
0
4
4 X1
4( 1 )
4
2X
2( 0 )
0
2

6 X3
6( 3 )
18
4
X
4
(
2
)
8
Mtodo de ascenso o
descenso acelerado
El nuevo punto
ser
X 1 X 0 f X 0
1
X 11
1
4
0
0
1
X
2
1
X3
3
18
2
8
X 4
Maximizar g 1 f X 1 f X 0 1f X 0
g 1 2 1 4 1 0 3 3 18 1 2 2 8 1
2
Mtodo de ascenso o
descenso acelerado
El nuevo punto ptimo ser

dg 1
4 1 4 1 4 6 3 18 1 18 4 2 8 1 8
d 1
404 - 2136 1 0
404
0.1891
2136
X 11
1
4
1.76
0
0
0
X 21
0.1891

1
3
18
0.40
X3
2
8
0
.
49
X 41
X1
f X 1 2 1.76 0 2 3 0.40 2 0.49 5.24

Criterio de terminaci n del algoritmo :
| f X k 1 f ( X k ) |
Mtodo de Newton
Regla Iterativa

X f X Para maximizaci n
X k 1 X k H 1 X k f X k Para minimizaci n
X k 1 X k H 1
donde
X 0 en E n es arbitrario
f X es diferenciable
Ejemplo. Mtodo de
Newton
Encontrar un mnimo local de
f X1 , X2 , X3
X 0 6
f X 0
f X 0
40
40 X 2 X 3 10 X 1 X 2 20 X 1 X 3
X1X2 X3
f
X 1
f
X 2
f
X 3
f X 0 920.33
X0
139.94
259.91
279.93
40
10 X 2 20 X 3
X 12 X 2 X 3
40
40
X
10
X
3
1
2
X1 X 2
X3
40
40
X
20
X
2
1
X 1 X 2 X 32
X0
Ejemplo. Mtodo de
Newton
El Hessiano ser
H X0
80
X 13 X 2 X 3
40
10
2
2
X1 X 2 X3
40
20
X 12 X 2 X 32
40
10
2
2
X1 X 2 X3
80
X 1 X 22 X 3
40
40
X 1 X 22 X 32
0.025
0.100 0.050
H 1 ( X 0 ) 0.050 0.025 0.012
0.025
0.013 0.006
X 1 X 0 H 1 X 0 f X 0
40
20
X 12 X 2 X 32
0.018 10.010 20.010

40
40
10
.
010
0
.
042
40
.
020
X 1 X 22 X 32
20.010 40.020 0.027

80
X 1 X 2 X 32
Condiciones de KuhnTucker
En 1850, Kuhn y Tucker descubrieron la

siguiente teora, que es la base en el
desarrollo de la programacin no lineal o
programacin matemtica.
INTRODUCCION
Dado
Min f X
Sujeto a
gi X 0 , i 1 ,..., m
X En
El problema a resolver es:

Optimizar f(X1, X2,,Xn)
sujeto a
g1(X1, X2,,Xn) = 0
g2(X1, X2,,Xn) = 0
.
=0
m(X1, X2,,X
Mximos ygmnimos
den)funciones
de
Elvarias
mtodo
clsico para
este
variables
conresolver
restricciones.
problema
cuando
las restricciones
Mtodos
de Optimizacin
por estn
igualadas
a cero es utilizando los
Lagrangeanos
multiplicadores de Lagrange.
Mtodos de Optimizacin por

Lagrangeanos
Se define una nueva funcin objetivo, llamada

el Lagrangeano:
F(X1,X2,,Xn, 1, 2,, m) = f(X1, X2,,Xn) - 1
g1(X1, X2,,Xn) - 2 g2(X1, X2,,Xn) - - m gm(X1,
X2,,Xn)
El Lagrangeano F(), con m + n variables
independientes, es equivalente a la funcin
objetivo
original,
f()
con
n
variables
independientes, porque se estn restando puros
ceros, es decir, i gi(X1, X2,,Xn) = 0, i = 1, 2,
,m.
Mtodos de Optimizacin
por Lagrangeanos
La ventaja del Lagrangeano es que se

tiene una funcin sin restricciones, aunque
con ms variables, pudiendose resolver
por medio de derivadas parciales y del
Jacobiano.
2
2
2
f
X 2
X 0 ,Y0
f
Y 2

X 0 ,Y0
X Y
X 0 ,Y0
Condiciones de KuhnTucker
La condicin necesaria para un ptimo

local, es que el gradiente del
Lagrangeano sea igual a cero, es decir
L X , i 0 donde
L X, i f X i gi X
m
i 1
Multiplicadores de
Lagrange
min f X
sujeto a
gi X bi i 1,..., m
min f X
Sujeto a
gi X Yi bi
Yi 0
El lagrangeano es
L X, i ,Yi f X i bi Yi gi X
m
i 1
Multiplicadores de
Lagrange
La condicin necesaria para un

mnimo local es
L
X
L
L X , i ,Yi
0
Yi
L
FUNCIONES CONVEXAS
Sea f (X) una funcin diferenciable, con X

E n . Sea H(X) el Hessiano, entonces los
menores principales de H, denotados
por1, 2, 3,, n donde cada uno de
2 f
2 f
estos determinantes
son:
2 f
X 1 X 1
1
, 2
X 1 X 2
2 f
X 2 X 1
X 1 X 2
,..., n
2 f
X 2 X 2
El mtodo indica qe si 1 0, 2 0,..., n 0, entonces f X
es convexa, mientras que si los menores nones 1 , 3 , 5 ,...
son negativos y los menores pares 2 , 4 , 6 ,... son positivos,
la funcin f X es cncava.
FUNCIONES CONVEXAS.
Ejemplo
Optimizacin de funciones
multimodales de una sola variable
en problemas no restringidos
Mtodo de Interpolacin Cbica

-Requiere que la funcin sea diferenciable
-Consiste en encontrar un valor ptimo de una
variable , denominada *, tal que la funcin
g() = f (X + s )
obtenga un mnimo local, donde X y s son
valores iniciales arbitrarios.
- X es el punto de partida
- s es la direccin de bsqueda
Mtodo de
Sea
dg
g' ( )
Cbica
d
Interpolacin
Fase 1. Dados valores arbitrarios de X y s

evale g() = f (X + s ).
Fase 2. Evale g () y g() para valores de
igual a 0, 1, 2, 4,,16, a, b, donde b es el
primer valor para el cual g() es negativo
g() no ha decrecido. Es decir, el valor ptimo
* se encuentra en el rango a <* b.
Mtodo de Interpolacin
Cbica
Fase 3. Se ajusta un polinomio cbico

tomando en consideracin los valores g(a),
g(b), g(a) y g(b). El valor mnimo * se
representa en esta iteracin por e donde
e b
g' ( b ) W Z
(ba )
g' ( b ) g' ( a ) 2W
g( a ) g( b )
g' ( a ) g' ( b )
ba
Z 3
y
W ( Z 2 g' ( a ) g' ( b ))
Cbica
a)
b)
Si g(a) g(b) no son menores a g(e),

entonces se acepta que *= e (valor
aproximado).
Si g(a)< g(e), g(b)< g(e), , entonces:
g(e)>0, se repite el mismo procedimiento en
el intervalo a *b, donde a=a y b= e
Regrese a la fase 3.
Si g(a)<0, se repite el mismo procedimiento
en el intervalo a *b, donde a= e y b=b.
Regrese a la fase 3.
Cbica
Ejemplo.
Encuentre un mnimo local de la funcin unimodal

de una sola variable
f(X) = X4 10X3 +35X2-50X
tomando como valores iniciales X=1 y direccin
inicial s=1.
Fase 1. g( ) f ( X s )
f ( 1 ( 1 ))
f (1 )
(1 )4 10( 1 )3 35( 1 )2 50( 1 )

g' ( ) 4( 1 )3 30( 1 )2 70( 1 ) 50
Cbica
Ejemplo.
Fase 2.
g()
g() Observaciones
0 -24
-6
1 -24
2 primer valor donde g() >0
Por lo tanto b=1 y a=0. Se tiene que 0*1.
Fase 3.
g( a ) g( b )
g' ( a ) g' ( b )
ba
Z 3
- 24 24
6 2 4
1-0
Cbica
Ejemplo.
2
W ( Z g' ( a ) g' ( b ))
2
2
1
(( 4 ) ( 6 )( 2 )) ( 16 12 ) 2 5.29
2
g' ( b ) W Z
e b
(ba )
g' ( b ) g' ( a ) 2W
2 5.29 4
( 1 0 ) 0.39
e 1
2 6 2( 5.29 )
g( e ) g( 0.39 ) 25 Como g( e ) g ( ) y g( e ) g ( b )
entonces * e 0.39 y f(X*) -25
Mtodo de Newton-Raphson
El mtodo de Gauss-Newton para estimacin de

parmetros no lineales puede ser considerado como
un caso del ms general mtodo de NewtonRaphson, el cual usa una aproximacin cuadrtica
local a la funcin objetivo. Cercano a 0,
aproximamos
S ( ) S ( 0 ) T ( 0 ) ( 0 )T
( 0 )
2
donde
es el gradiente de S ( ) evaluado en 0 y
2S
T
es el Hessiano de S( ) evaluado en 0 .
La aproximacin por sumas de cuadrados a

la funcin tendr un punto estacionario
cuando su gradiente es cero, es decir
cuando ( 0 ) 0
y este punto estacionario ser un mnimo si
es positivo definido (todos sus
eigenvalores son positivos)
Si es positiva definida, el paso de

Newton-Raphson es
0 =- -1
Para la funcin
S ( ) ( y )T ( y )
el gradiente es
2V T ( y )
y el Hessiano es
T
2V V 2
V T
( y )
El Mtodo de Gauss-Newton
Gauss sugiere usar aproximaciones lineales

a la funcin esperada para iterativamente
mejorar un valor inicial o para y
mantener mejorando los estimados hasta
que no haya cambio. Esto es, expandir la
funcin esperada f (xn, ) en una serie de
0
0
Taylor
orden
sobre 00 como 0
f x n , de
f xprimer
n , v n 1 1 1 v n 2 2 2 v np np p
donde
v np
f x n ,
p
p 1 ,2 ,..., P
El Mtodo de GaussNewton
Incorporando todos los N casos, escribimos

() ( 0) + V 0(- 0)
donde V 0 es la matriz de derivadas de
NP con elementos {vnp}. Esto es
equivalente a aproximar los residuales,
z() = y - () , mediante
z() y [( 0) + V0] = z 0 V
0
donde z0 = y - ( 0) y = - 0.
Entonces calculamos el incremento de Gauss 0

para minimizar la suma de cuadrados de los
residuales aproximada |z 0 V 0|, usando
V 0 = QR = Q1R1
w 1 = Q 1 Tz
1 Q1 w 1
y as
R1 0 w 1
El punto
1 1 0 0
Este punto deber ser ms cercano a

y que ( 0), y as nos movemos al
mejor valor del parmetro 1 = 0 +
0 y llevamos cabo otra iteracin
mediante el clculo de un nuevo
residual z1 = y - ( 1), una nueva
matrz de derivadas V 1, y un nuevo
incremento.
Ejemplo. El modelo Michaelis-Menten para

cintica de las enzimas relaciona la
velocidad inicial de una reaccin
enzimtica con la concentracin de sustrato
x a travs de la ecuacin
1 x
2 x
diferenciando f con respecto a 1 y 2 se tiene
f
x
1 1 x
1 x
f
2
( 2 x )2
f x ,
Y dado que ambas derivadas involucran al menos
uno de los parmetros, el modelo es considerado no
lineal.
Scatterplot of Datos vs Concentracin
225
200
175
Datos
150
125
100
75
50
0.0
0.2
0.4
0.6
Concentracin
0.8
1.0
1.2
Estimados de inicio:
0 = (205, 0.08)T
Clculo de n0:
1 x1
205 ( 0.02 )
41
2 x 1 0.08 0.02
x
205 ( 0.06 )
20 1 2
87.86
2 x 2 0.08 0.06
f x n ,
xn
Clculo de Vn01
0
1
20 x n
10
Clculo de Vn02
f x n ,
10 x n
( 20
xn )
xn
yn
n0
z n0
Vn10
Vn20
0.02
76
41
35
0.2
-410.0
0.02
47
41
0.2
-410.0
0.06
97
87.86
9.14
0.428
6
627.5
5
0.06
107
87.86
19.14
0.428
6
627.5
5
0.11
123
118.68
4.32
0.578
9
624.5
5
0.11
139
118.68
20.32
0.578
9
624.5
5
0.22
159
150.33
8.67
0.733
3
501.1
1
0.22
152
150.33
1.67
0.733
3
501.1
1
Agrupando las derivadas en la matrz de

derivadas V 0, y desarrollando una
descomposicin QR, de la cual
generamos w1 = Q1Tz0 y resolvemos para
0 usando R1 0 = w1. Aqu, 0 = (8.03,0.017)T y la suma de cuadrados en 1 =
0 + 0 es S(1) = 1206 la cual es
mucho ms pequea que S(0) = 3155, y
por lo tanto nos movemos a 1 =
(213.03, 0.063)T.
Datos para ejemplo de

Gauss-Newton
Datos sobre demanda bioqumica de oxigeno

(BOD) fueron obtenidos por Marske (1967). Para
determinar el BOD, una muestra de agua
corriente fue tomada, inyectada con materia
orgnica soluble, nutrientes inorgnicos y
disolviendo oxigeno, y subdiviendolos en
botellas BOD. Cada botella fue inoculada con un
cultivo mezclado de microorganismos, sellada e
incubada a temperatura constante y luego las
botellas fueron abiertas periodicamente y
analizadas para concentracin de oxgeno
disuelto, la cual fue calculada en miligramos por
litro. Ver tabla anexa.
Datos para ejemplo de

Gauss-Newton
Tabla. Demanda Bioqumica de Oxgeno vs tiempo
Tiempo
(Das)
1
BOD
(mg/l)
8.3
Tiempo
(Das)
4
BOD
(mg/l)
16.0
10.3
15.6
19.0
19.8
Un modelo fue derivado basado sobre el

deterioro exponencial con una razn fija
constante como f ( x , ) 1 ( 1 e x )
2
Scatterplot of BOD(mg/ l) vs Tiempo(Das)

20.0
BOD(mg/ l)
17.5
15.0
12.5
10.0
3
4
Tiempo(Das)
Problemas con
restricciones
Restricciones de igualdad
Mtodo jacobiano. Mtodo de derivadas
restringidas
Minimizar z = f(x)
sujeta a
g(x) = 0
en donde X = (x1, x2,,xn)
g = (g1, g2,,gm)
Las funciones f(x) y g(x) son doble y
continuamente diferenciables.
Mtodo de derivadas
restringidas (jacobiano)
Desarrollo matemtico del mtodo;
f(X +X) f(X) =f(X)X +
O(xj2)
Cadenas de Markov
En esencia, una cadena es un
proceso en tiempo discreto en el
que una variable aleatoria Xn va
cambiando con el paso del
tiempo
VECTORES DE PROBABILIDAD
Un vector rengln u = (u1, u2,,un) recibe el

nombre de vector de probabilidad si sus
componentes son no negativas y su suma
es igual a 1.
Ejemplo 1.
43
0 41
1
2
v 43
1
2
1
4
w 41
1
4
1
2
Observacin
Como la suma de las componentes de un

vector de probabilidad es uno, un vector de
probabilidad arbitrario con n componentes
puede representarse en trminos de n-1
incgnitas de la forma siguiente:
x1
x 2 xn 1
1 x1 x n 1
Vectores de probabilidad arbitrarios con 2 y 3 componente s

x 1 - x x y 1 x y
Matrices Estocsticas
Una matriz cuadrada P = (pij) es

estocstica si cada una de sus filas es
un vector de probabilidad.
Ejemplo 2.
1
3
3
4
1
3
0
1
2
1
3
2
3
41
1
3
1
4
1
3
3
4
1
3
1
2
1
3
1
6
2
3
Matrices Estocsticas
Teorema 1
Si A y B son matrices estocsticas,

entonces el producto AB es una
matrz estocstica. Entonces, en
particular, todas las potencias An
son matrices estocsticas.
Matrices estocsticas
regulares
Definicin. Una matrz estocstica P es

regular si todos los elementos de alguna
potencia Pm son positivos.
Ejemplo 3. 0 1
21 21
0 1 0 1
2
A
1
2
1
2
1
2
1
2
1
2
1
2
3
4
1
4
es regular ya que es positiva para todo elemento.

A
1
2
1
2
1
2
1
2
15
16
0
1
16
Para toda potencia Am se tiene 1 y 0 en el primer

rengln; por tanto, A es no regular.
Puntos fijos de
matrices cuadradas
Un vector rengln no nulo u = (u1, u2,,un)

es un punto fijo de una matrz cuadrada A si
u permanece fijo, es decir, no cambia,
cuando se multiplica por A:
uA = u
2 1
2 1
x 1 - x
x
1
x
Ejemplo 4.
2 3
2 3
[ 2 x 2 1 x x 3 1 - x ] x
2 x 2 1 x x
1 - x
x 3 1 - x 1 - x
Se observa facilmente que el punto fijo es

2 1
Puntos fijos y matrices

estocsticas regulares. Teorema
2
1)
2)
3)
Sea P una matrz estocstica regular.

Entonces:
P tiene un vector de probabilidad fijo nico t,
y las componentes de t son todas positivas;
La sucesin P, P 2, P 3, de potencias de P se
aproxima a la matrz T, cuyos renglones son
cada una el punto fijo t.
Si p es cualquier vector de probabilidad,
entonces la sucesin de vectores pP, pP2, pP3,
se aproxima al punto fijo t.
Proceso estocstico
Un proceso estocstico se define

como una coleccin indizada de
variables aleatorias |Xt|, en donde el
subndice t toma valores de un
conjunto T dado.
T: Conjunto de enteros no negativos
X: Caracterstica de inters medible
en el tiempo t.
Cadenas de Markov
Las cadenas de Markov tienen la siguiente

propiedad esencial: se dice que un proceso
estocstico tiene la propiedad markoviana
si
P X t 1 j X 0 k 0 , X 1 k 1 ,..., X t 1 k t 1 , X t i P X t 1 j X t i
para t 0 ,1 ,... y toda sucesin
i , j , k 0 , k 1 ,..., k t 1
Cadenas de Markov
Esta propiedad es equivalente a

establecer
que
la
probabilidad
condicional de cualquier evento
futuro dados cualquier evento
pasado y el estado actual Xt = i, es
independiente del evento pasado y
slo depende del estado actual del
proceso.
Probabilidades de
transicin
P X t 1 j X t i
Las probabilidades condicionales
se llaman probabilidades de transicin.
Si para cada i y j
P X t 1 j X t i P X 1 j X 0 i
para toda t 0 ,1 ,...
entonces se dice que las probabilidades de

transicin de (un paso) son estacionarias y
por lo general se representan por pij
Probabilidades de
transicin
La existencia de probabilidades de transicin

(de un paso) estacionarias tambin implica
que, para cada i, j, y n (n = 0, 1,)
P X t n j X t i P X n j X 0 i
Estas probabilidades condicionales se

representan por pij n
y se llaman
probabilidades de transicin de n pasos.
Probabilidades de
transicin
pij n
Como las
son probabilidades
condicionales, deben satisfacer las
propiedades
pij n 0 para toda i y j y n 0 ,1 ,2 ,...
M
pij 1 , para toda i ,
j 0
n 0 ,1 ,2 ,...
Una notacin conveniente para representar

las probabilidades
es
p n de
transicin
p n
00
M0
P n
p n
0M

p n
MM
Definicin de Cadenas de
Markov
Se dice que un proceso estocstico
Xt
1.
2.
3.
4.
0 ,1 ,....
es una cadena de Markov de estado finito si tiene

las siguientes caractersticas:
Un nmero infinito de estados.
La propiedad markoviana.
Probabilidades de transicin estacionarias
Un conjunto de probabilidades iniciales P|X0 = i|
para toda i.
CADENAS DE MARKOV
Ejemplo 1. Una persona puede escoger entre

conducir su automvil o tomar el tren para ir al
trabajo cada da. Supongamos que la persona
nunca toma el tren dos das seguidos; pero si
conduce hasta el trabajo, entonces al da
siguiente puede manejar de nuevo o tomar el
tren.
El espacio de estados del sistema es {t (tren), c
(conducir)}. Este proceso estocstico es una
cadena de Markov, porque el resultado de
cualquier da depende nicamente de lo que ha
sucedido el da anterior
EJEMPLO 1. Matrz de
Transicin del Sistema
t
Ejemplo 2
Tres muchachos A, B y C se pasan

una bola. A siempre le pasa la bola
a B y B siempre le pasa la bola a C;
pero C puede, de igual manera,
pasarle la bola a B o a A. Sea Xn la
n-sima persona que recibe la
bola. El espacio de estados del
sistema es {A, B, C}
Ejemplo 2.
Matrz de Transicin del Sistema

A
Ejemplo 2.
Supongamos que C fue la primera persona

con la bola, es decir, p(0) = (0, 0, 1) es la
distribucin inicial de la probabilidad.
0 1 0
Entonces
p p P 0 0 1 0 0 1
0
1
1
2
p 2 p 1 P 21 21 0 0
1
2
0
3
2
1
1
p p P 0 2 2 0
1
2
As, despus de tres pases, la
la bola es de
1
4
1
2
1
2
1
2
1
0
1 0
1
2
1
2
41
1
4
1
2
1
2
1
0
1
2
probabilidad de que A tenga
, de que B tenga la bola es de
1
4
y de que C es
1
2
Ejemplo 3.
El territorio de un vendedor consta de tres

ciudades A, B y C. Nunca vende en la misma
ciudad en das sucesivos. Si el vendedor
trabaja en la ciudad A, entonces al da
siguiente trabajar en la ciudad B. Sin
embargo, si trabaja en B o en C, entonces la
probabilidad de que trabaje en la ciudad A es
el doble de la probabilidad de que lo haga en
cualquiera de las otras dos ciudades. A la
larga, con qu frecuencia trabaja el
vendedor en cada una de las ciudades?
Ejemplo 3.
A
P
B
La matrz de transicin es:
1
0
1
3
2
3
2
3
1
3
Buscamos un vector fijo nico t de la matrz P.

u x
y z
2
3
1
3
u
t
y 23 z x
x 13 z y
yz
83
52
2
3
2
3
1 0
1
0 3 x
1
0
3
si z 1, y 3, x
3 1 3u 8 9 3
9
20
3
20
y z
0.40
8
3
1
89 3
0.45 0.15
3u
1
20
9 3
A la larga, trabaja el 40% en A, 45% en B y el 15% en C.
ESTADOS
ABSORBENTES
El estado ai de una cadena de

Markov se llama absorbente si el
sistema permanece en el estado ai
una vez que entra en l. Entonces un
estado ai es absorbente si y solo si la
i-sima fila de la matrz de transicin
P tiene un 1 en la diagonal principal y
ceros en los dems sitios.
Cadenas de Markov.
Ejemplos
1. Una compaa de servicio para extinguidores de fuego trabaja bajo

contrato para dar servicio a todos los extinguidores en grandes fbricas y
edificios de oficinas. Cada extinguidor tiene un nivel de presin requerida
que deber mantenerse para su operacin apropiada. La compaa de
servicio envia a sus hombres periodicamente a cada cliente para
inspeccionar y recargar todos los extinguidores en el edificio. La compaa
tiene un problema de precios: Para cada nuevo cliente potencial, se deber
proponer un contrato el cual deber especificar tanto el periodo de
inspeccin como el servicio de carga, dado el tipo de extinguidores y el
nmero presente. La decisin de precio est basada sobre la estimacin de
que el valor para el cliente es de $0.20 por dia para cada extinguidor que
est arriba de la presin requerida, pero es equivalente a $0.80 de prdida
por da para cada extinguidor que est abajo de la presin requerida. El
proceso de prdida de presin es un proceso Markov. Cada extinguidor est
en cualquiera de arriba (estado A) o abajo (estado B) de su presin
requerida. Un extinguidor el cual est en el estado A al inicio de una
semana tiene probabilidad de 0.05 de estar abajo de la presin durante una
semana. Una vez que el est en presin baja el permanecer abajo. Todos
los extinguidores estn en el estado A al terminar el periodo de inspeccin.
Considere un gran edificio de oficinas con 100 extinguidores. El cargo total
para una inspeccin y servicio debera ser $100. Qu periodo de
inspeccin (en semanas) podra maximizar el valor neto para el cliente?
Cadenas de Markov.
Ejemplos
Solucin: El proceso de Markov tiene

dos estados: A y B. La condicin de
inicio es que P(A0) = 1. La matriz de
probabilidades condicionales es
An
Bn
An-1
0.95
0.05
Bn-1
Cadenas de Markov.
Ejemplos
La ecuacin que relaciona

P(An) a P(An-1) es
P(An) = 0.95 P(An-1)
Esto es, junto con la
condicin inicial, da la
probabilidad de que el
extinguidor
permanezca
en el estado A n semanas
despus de la ltima
inspeccin.
0
1
2
3
4
5
P(An)
P(Bn)
1
0
0.95
0.05
0.9025 0.097
5
0.8574 0.142
6
0.8145 0.185
5
0.7738 0.226
2
Cadenas de Markov.
Ejemplos
Un criterio para seleccionar el periodo de

inspeccin es maximizar el valor neto esperado
por semana. El valor esperado de la primer
semana es
W(1)=+(100)(7)[0.20(0.95)-0.80(0.05)]=$105
La
anexa
muestra
el resto
deneto
losde
clculos
n tabla
Valor
esperado
Valor
Valor
Promedio
de la semana n
esperado
acumulativo
las primeras
n semanas
sobre n
semanas
105.0
105.0
5.00
5.00
71.75
176.75
76.75
38.37
40.18
216.93
116.93
38.98
10.15
227.08
127.08
31.77
Cadenas de Markov.
Ejemplos
El beneficio neto por semana para el

cliente es maximizado mediante un
periodo de inspeccin de 3 semanas.
El valor esperado del cliente es
$216.93 menos el costo de $100 por la
inspeccin. Esta poltica de precios
capacita a la compaa para ofrecer el
mejor valor para el costo estimado de
servicio.
Cadenas de Markov.
Ejemplos
2. En una comunidad hay tres lecheras las
cuales proveen toda la leche consumida:
Lechera Abott, Productos de Leche Branch y
Productos de Leche de Mark. Por simplicidad
nos referiremos a ellos como A, B y C. Cada
una de las lecheras conoce que los
consumidores cambia de lechera debido a
instisfaccin con el servicio y algunas otras
razones. Para simplificacin adicional de las
matemticas necesarias, asumimos que ni
entran clientes nuevos al mercado ni salen los
actuales durante este periodo.
Cadenas de Markov.
Ejemplos
Considere ahora los datos del flujo de los clientes para cada una
de las compaas lecheras como fue determinada por sus
propios Departamentos de Investigacin de Operaciones:
Flujo de Clientes
Junio 1
Ganancias
Prdidas Julio 1
De De De a a a
Lechera Clientes
A
B C A B C Clientes
A
200
0 35 25 0 20 20 220
B
500 20 0 20 35 0 15 490
C
300 20 15 0 25 20 0
290
Dados los anteriores datos as como las consideraciones hechas,
determine
a)
Las probabilidades de transicin de un paso
b) Interprete los renglones y las columnas de la matriz de
probabilidades de transicin
Cadenas de Markov.
Ejemplos
Clculo de las probabilidades de

transicin: La lechera B observa que
pierde 50 clientes este mes; es decir, su
probabilidad de retener a los clientes es
de 0.90; la lechera A pierde 40 clientes, y
su probabilidad de retener a los clientes
es de 0.80, mientras que la C tiene una
probabilidad de retener de 0.85. La tabla
siguiente ilustra los clculos completos.
Cadenas de Markov.
Ejemplos
Junio 1
Lechera
Clientes Prdidas Retenidos Probabilidad
A
200
40
160
160/200 = 0.80
B
500
50
450
450/500 = 0.90
C
300
45
255
255/300 = 0.85
La matriz de transicin incluir las probabilidades de retencin y
de prdida de los clientes para cada lechera
A
B
C
A
0.800
0.070
0.083
B
0.100
0.900
0.067
C
0.100
0.030
0.850
Grafos
a1
a2
a3
Teora del Mtodo Simplex
Se considera que el programa lineal en

su forma cannica
Max Z cX
sujeta a
AX b
X 0
donde : A es de orden m n
X es un vector rengln de 1 n
b es un vector columna de m 1
El SISTEMA MAHALANOBISTAGUCHI
DR. MANUEL RODRIGUEZ

MEDINA
Definicin de MTS
MTS es una tcnica de anlisis de

modelos, la cual es usada para hacer
predicciones a travs de una escala
de medicin multivariable. Los
modelos son difciles de representar
en trminos cuantitativos y son
extremadamente sensibles a las
correlaciones entre las variables.
Cosecha de los Frutos de

Six Sigma
Fruto dulce
Diseo para los Desafos de Fabricacin, Diseo para Six Sigma
55Pared,
Pared, Mejorar
MejorarDiseos
Diseos
Volumen de fruto
Caracterizacin proceso
y optimacin
---------------------------------------
44Pared,
Pared, Mejorar
MejorarProcesos
Procesos
Fruto colgando bajo
Siete herramientas bsicas
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 3 Pared, Sacudir Abastecedores

3 Pared, Sacudir Abastecedores
No sabemos lo que no sabemos

No podemos obrar en lo que no conocemos
No sabremos hasta que busquemos
No buscaremos por lo que no nos preguntamos
No preguntamos lo que no medimos
Por lo tanto, simplemente no sabemos
Fruto en el suelo
Lgica e intuicin
1994 Dr. Mikel J. Harry - V4.0
El Sistema MTS
Un sistema tpico multidimensional usado en MTS es como el que se muestra en la
figura
La distancia de
Mahalanobis
La distancia de Mahalanobis, la cual

fue introducida por un estadstico
Hind,
P.C.
Mahalanobis,
mide
distancias de puntos en espacios
multidimensionales. La distancia de
Mahalanobis ha sido extensivamente
usada en reas como aplicaciones
espectogrficas y de agricultura.
Distancia Euclidiana
La distancia euclidiana entre dos puntos
X ( x1 , x 2 , , x p )
y
es el espacio p dimensional definido por
y ( y1 , y 2 , , y p )
p
y
d E ( x , y ) ( x1 y1 )2 ( x p y p )2 ( x y )T ( x y )
d E ( x ,0 ) x ( x 1 ) 2 ( x p )2
Es la norma euclidiana de x
xT x
En la distancia euclidiana todos los
componentes de una observacin x
contribuyen igualmente a la distancia
de x del centro.
x
Sin embargo en estadstica se prefiere una distancia
que para cada componente (de variables) tome la
variabilidad de esa variable dentro de la
determinacin de su distancia del centro.
As, componentes con alta variabilidad deberan
recibir menos peso que componentes con baja
variabilidad. Esto puede ser obtenido reescalando los
componentes.
x1
xp
U
, ,
s
sp
1
y1
yp
y V
, ,
s
s p
1
x
y
Entonces definimos la distancia entre
y
como
2
2
xp yp
x1 y1

d ( x , y ) d E ( U ,V )
s1
s
p
Donde
D diago( s12 , , s 2p )
( x y )T D 1 ( x y )
x
d ( x ,0 ) d E ( U ,0 ) 1
s1
xp
s
p
x T D 1 x
Y todos los puntos con la misma distancia del origen

satisfacen
x1
s1
xp
s
p
c2
La cual es la ecuacin del elipsoide centrado en el

origen con ejes principales iguales a los ejes
x
coordenados.
La distancia de Mahalanobis es usada

entre otras cosas para:
Detectar datos atpicos (outliers) en
anlisis multivariantes, encontrando la
distancia de los puntos con respecto a
su centroide (vector de medias)
Etapa I: Construccin de una escala

de medicin con un espacio de
Mahalanobis (Espacio Unitario) como
referencia.
Defina las variables que determinan la falta de

salud de una entidad/paciente. En una aplicacin
de diagnstico mdico, el doctor tendr que
considerar las variables de todas las
enfermedades para constituir un grupo saludable.
Coleccione los datos sobre todas las variables del
grupo saludable.
Calcule los valores estandarizados de las
variables del grupo saludable.
Calcule los MDs de todas las observaciones.
Use este espacio como el punto de referencia
para la escala de medicin.
Etapa II: Asegure la

aproximacin de la escala de
medicin
Identifique las condiciones anormales..

Calcule los MDs correspondientes a estas
condiciones anormales siendo normalizadas
usando la media y las desviaciones estndar de
las variables correspondientes en el grupo
saludable. La matriz de correlacin (o conjunto de
coeficientes vectoriales Gram-Schmidt, si el
mtodo de Gram- Schmidt es usado)
correspondiente al grupo saludable es usado para
encontrar los MDs de condiciones anormales.
Si la escala es buena, los MDs correspondientes a
las condiciones anormales debern tener valores
ms altos. De esta manera la aproximacin de la
escala es asegurada.
Etapa III: Identificar el conjunto

de variables tiles (etapa de
desarrollo)
Encontrar el conjunto de variables

til usando arreglos ortogonales (OA
s) y razones S/N. La razn S/N,
obtenida de los MDs anormales, es
usada como la respuesta para cada
combinacin de OA. El conjunto til
de variables se obtiene mediante la
ganancia en razn S/N.
Proceso de
ortogonalizacin de GramSchmidt.
Dado un conjunto generador v 1 ,..., v q

u1 v 1
u2 v 2 12 u1
u3 v 3 13 u1 23 u2
u4 v 4 14 u1 24 u2 34 u3
uk v k 1k u1 k 1 ,k uk 1 2 k q
jk
u j ,v k
u ,u si u j 0 y jk 0 si u j 0
j
j
Datos del grupo

saludable
X1
X2
X3
Datos No.
X4
__________________________________
1
59
7.0
4.2
0.70
2
51
7.0
4.4
0.98
3
53
6.7
4.2
0.83
4
52
6.6
4.3
0.90
5
52
6.7
3.9
0.97
6
56
7.2
4.0
0.93
7
51
7.1
4.0
0.88
8
50
7.5
4.3
0.71
9
41
6.9
4.3
0.81
10
48
7.0
4.2
0.93
11
49
7.1
4.0
0.88
12
41
6.9
4.2
0.92
13
41
7.3
4.4
0.76
14
36
7.2
4.0
0.86
15
34
7.4
4.4
0.92
Resumen estadistico para

X1
Summary for X1
Anderson-Darling Normality Test
35
40
45
50
55
60
A-Squared
P-Value
0.55
0.129
Mean
StDev
Variance
Skewness
Kurtosis
N
47.600
7.317
53.543
-0.513603
-0.634423
15
Minimum
1st Quartile
Median
3rd Q uartile
Maximum
34.000
41.000
50.000
52.000
59.000
95% Confidence I nterval for Mean

43.548
51.652
95% Confidence I nterval for Median

41.000
95% Confidence I nterval for StDev
95% Confidence I ntervals
5.357
Mean
Median
40
42
44
46
48
52.000
50
52
11.540

X2
Summary for X2
6.6
6.8
7.0
7.2
A-Squared
P-Value
0.19
0.876
Mean
StDev
Variance
Skewness
Kurtosis
N
7.0400
0.2586
0.0669
0.003433
-0.512736
15
Minimum
1st Q uartile
Median
3rd Q uartile
Maximum
7.4
6.6000
6.9000
7.0000
7.2000
7.5000

6.8968
7.1832

6.9000
0.1893
Mean
Median
6.90
6.95
7.00
7.05
7.10
7.2000
7.15
7.20
0.4078

X3
Summary for X3
3.9
4.0
4.1
4.2
4.3
A-Squared
P-Value
0.68
0.060
Mean
StDev
Variance
Skewness
Kurtosis
N
4.1867
0.1685
0.0284
-0.27703
-1.27006
15
Minimum
1st Q uartile
Median
3rd Q uartile
Maximum
4.4
3.9000
4.0000
4.2000
4.3000
4.4000

4.0934
4.2800

4.0000
0.1233
Mean
Median
4.00
4.05
4.10
4.15
4.20
4.3000
4.25
4.30
0.2657

X4
Summary for X4
0.70
0.75
0.80
0.85
0.90
0.95
A-Squared
P-V alue
0.48
0.202
Mean
StDev
Variance
Skewness
Kurtosis
N
0.86533
0.08741
0.00764
-0.750225
-0.361158
15
Minimum
1st Q uartile
Median
3rd Q uartile
Maximum
1.00
0.70000
0.81000
0.88000
0.93000
0.98000

0.81693
0.91374

0.81747
0.06400
Mean
Median
0.82
0.84
0.86
0.88
0.90
0.92626
0.92
0.94
0.13786
Clculo de la matriz de
correlacin
Matriz de Correlacin del grupo saludable
X1
X2
X3
X4
X1
1.00000
-0.36847
-0.28856
-0.08800
X2
-0.36847
1.00000
0.19349
-0.33878
X3
-0.28856
0.19349
1.00000
-0.26160
X4
-0.08800
-0.33878
-0.26160
1.00000
Matriz Inversa para

calcular MDs
Matriz Inversa
X1
X2
X1 1.35684 0.56423
X2 0.56423 1.37955
X3 0.39031 0.03342
X4 0.41265 0.52576
X3
0.39031
0.03342
1.20025
0.35966
X4
0.41265
0.52576
0.35966
1.30852
Datos estandarizados
grupo normal
Datos grupo saludable estandarizado
1.55795
0.46465
0.73798
0.60131
0.60131
1.14796
0.46465
0.32799
-0.9019
0.05466
0.19133
-0.90197
-0.90197
-1.58528
-1.85861
-0.15470
0.07915
-0.15470
1.26633
-1.31494
0.07915
-1.70168
0.67274
-1.31494
-1.70162
0.61879
-1.10803
0.23205
-1.10803
1.77903
0.67274
-0.54144
0.67274
-0.15470
0.07915
0.23205
-1.10803
-0.54144
0.07915
1.00554
1.26633
0.61879
-1.10803
1.39229
1.26633
-1.89141
1.31179
-0.40421
0.39659
1.19739
0.73979
0.16779
-1.77701
-0.63301
0.73979
0.16779
0.62539
-1.20501
-0.06101
0.62539
Datos del grupo anormal

Datos
SNo. X1
1 30
2 46
3 22
4 31
5 33
6 38
7 34
8 42
9 30
10 28
X2
8.0
7.0
7.2
7.0
6.7
7.1
8.0
6.7
7.4
7.3
X3
4.0
3.3
3.8
3.8
3.4
3.8
3.7
3.2
3.9
3.6
X4
0.59
0.48
0.52
0.57
0.51
0.61
0.62
0.54
0.34
0.53
Datos grupo Anormal
Datos Anormales estandarizados

X1
X2
X3
X4
-2.40536
-0.21867
-3.49870
-2.26869
-1.99535
-1.31201
-1.85869
-0.76534
-2.40536
-2.67869
3.71230
-0.15468
0.61872
-0.15468
-1.31477
0.23202
3.71230
-1.31477
1.39211
1.00541
-1.10801
-5.26231
-2.29496
-2.29496
-4.66884
-2.29496
-2.88843
-5.85579
-1.70148
-3.48190
-3.14987
-4.40831
-3.95069
-3.37868
-4.06510
-2.92106
-2.80666
-3.72189
-6.00995
-3.83629
Distancia de Mahalanobis
La distancia de Mahalanobis (MD) es calculada
mediante la siguiente ecuacin:
MD D 2
1
Z i C 1 Z iT
k
donde :
Z i Vector estandarizado
X i mi
Zi
si
X i Valor de la i - sima caracterstica

m i Media de la i - sima caracterstica
s i Desviacin estndar de la i - sima caracterstica
k Nmero de caractersticas/variables
T Transpuest a del vector
C Matriz de correlacin
Clculo de los MDs del

Grupo saludable
1.55795
0.15470
MD1 1.4016
0.0795
1.35684 0.56423 0.39031 0.41265
0
.
56423
1
.
37955
0
.
03342
0
.
52576
1.89141
0.39031 0.03342 1.20025 0.35966
0.41265 0.52576 0.35966 1.30852
1.55795
0
.
15470
0.0795
1.89141
Clculo de los MDs del Grupo

anormal
0.39031 0.41265 2.40536

0.56423 1.37955 0.03342 0.52576 3.7123
2.40536 3.7123 1.10801 3.14987 0.39031 0.03342 1.20025 0.35966 1.10801
0.41265 0.52576 0.35966 1.30852 3.14987

MD1 7.3791
1.35684
0.56423
Distancias de Mahalanobis
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Saludable
1.4016
1.5880
0.6447
0.9995
1.0397
1.2154
0.3880
1.3582
0.7886
1.7720
0.3589
0.4335
0.7547
1.4309
1.4210
Anormal
7.3791
19.4915
15.7426
11.3034
23.0483
7.2853
9.7237
22.7003
17.7513
15.7460
Separacin entre grupos

usando escala MTS
Time Series Plot of Saludable, Anormal
25
Variable
Saludable
Anormal
20
Data
15
10
0
1
8
9
Index
10
11
12
13 14
15
Arreglos Ortogonales en MTS
El Arreglo Ortogonal L8(27)
Corrida
1
2
3
4
5
6
7
8
X1
1
1
1
1
2
2
2
2
X2
1
1
2
2
1
1
2
2
X3
1
1
2
2
2
2
1
1
X4
1
2
1
2
1
2
1
2
E
1
2
1
2
2
1
2
1
F
1
2
2
1
1
2
2
1
G
1
2
2
1
2
1
1
2
Matrices de correlacin
Combinacin 1-1-1-2
1.00000 -0.36847 -0.28856
-0.36847
1.00000
0.19349
-0.28856
0.19349
1.00000
Combinacin 1-2-2-1
1.0000
-0.0880
-0.0880
1.0000
Matrices Inversas
Combinacin 1-1-1-2
1.22670
0.39842 0.27689
0.39842
1.16830 -1.11109
0.27689 -0.11109 1.10139
Combinacin 1-2-2-1
1.00780
0.08868
0.08868
1.00780
MDs para grupos saludable y

anormal (Basado en X1, X2 y X3)
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Saludable
0.9638
0.7904
0.6591
1.3294
1.3197
1.1434
0.5127
1.5498
0.6577
0.0123
0.4784
0.5688
0.7691
1.7420
1.5038
Anormal
6.6093
10.3607
8.1008
5.0761
12.2693
3.1735
9.7975
14.0314
4.2252
9.0461
La Razn de Seal a Ruido

(S/N)
Basandose en los datos de anormales, la

razn S/N para el criterio lo ms grande es
lo mejor se tiene:
1
2
Razn S/N q 10 Log
1
D
i
t
i 1
Optimizacin con el L8(2 )

7
X1
X2
X3
X4
10
S/N
7.38
19.4
9
15.7
4
11.3
0
23.0
5
7.29
9.72
22.7
0
17.7
5
15.7
5
11.0
4
6.61
10.3
6
8.10
5.08
12.2
7
3.17
9.80
14.0
3
4.23
9.05
8.28
8.59
9.90
15.2
6
9.03
11.0
5
5.51
6.17
7.53
22.4
0
11.9
4
9.63
5.79
0.05
12.2
4
5.15
3.98
1.72
3.45
0.59
5.79
7.17
-3.69
8.91
11.2
5
8.10
6.66
12.3
6
4.59
8.25
10.6
7
18.2
9
7.41
9.29
13.7
8
0.02
0.38
0.02
1.73
0.05
13.7
8
1.73
1.94
1.01
10.3
2
6.96
31.8
1
13.7
5
11.1
3
25.9
0
9.29
10.9
8
31.9
7
23.8
1
18.1
6
11.5
3
1.23
27.7
0
5.27
5.27
21.8
90
5.27
8.35
34.3
0
2.90
12.1
3
6.90
Tabla de Respuestas
Nivel
X1
X2
X3
X4
25.06
(6.4)
18.29
37.75
41.49
(4.5725) (9.4375) (10.3725
)
17.4
(4.35)
24.17
4.71
0.97
(6.0425) (1.1775) (0.2425)
Intervalos de confianza
Interval Plot of X1, X2, X3, X4
95% CI for the Mean
300
200
Data
100
0
-100
-200
-300
X1
X2
X3
X4
Diagrama Box para

variables
Boxplot of X1, X2, X3, X4
40
Data
30
20
10
0
X1
X2
X3
X4
Diagrama Box para

medias
Boxplot of X1, X2, X3, X4
10
Data
0
X1
X2
X3
X4

Tópicos Avanzados de Optimización

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tópicos Avanzados de Optimización

Caricato da

Copyright:

Formati disponibili

Tpicos Avanzados de

Dr. Manuel Rodrguez Medina

definicin del problema.

Ejemplo 1. Impacto S.A., puede anunciar sus productos

Ejemplo 3. El ingenio La Primavera produce azcar morena,

Ejemplo 5. Un fabricante de plsticos tiene en existencia, en una de sus

Ejemplo 6. Una tienda de autoservicio que funciona

El perodo 1 sigue inmediatamente del perodo 6.

Sean x1 y x2 las cantidades producidas

Determine el estado de cada recurso

Coeficientes de la funcin objetivo : C c 1

y P3 es el vector que sale de la base.

y el vector que entra es P2 .

es ptimo y terminan los clculos.

Algoritmo del punto

Idea fundamental del algoritmo del punto interior

Algoritmo del punto

Idea bsica del algoritmo

La direccin de aumento de z es la direccin

Algoritmo del punto

Validez del algoritmo

La validez del algoritmo consiste

Donde U es lo bastante grande para no

Definiendo una nueva variable

Se puede asegurar que el centro X = (1/n,

El nuevo sistema ser:

Definicin: Se entiende por Programa

Teorema 2. La funcin objetivo de un

Conceptos Bsicos para

Construir una base ortogonal para el

Teorema clave: Sea A una matriz de p q de

Para calcular la descomposicin QR de una matriz

Multiplicando un vector y por HU, como

correspondiente a reflejar y sobre la lnea a

donde e 1 1 ,0 ,0 T , la transforma cin Householder puede

0.4597 ,0.6279 ,0.6279 T

Obtencin de la matrz de Householder

Entonces, la funcin de densidad conjunta de

La funcin de verosimilitud, l(, 2|y), para y

La verosimilitud es maximizada respecto a

El estimador de mxima verosimilitud

Lo anterior implica que el estimador de

y el estimador de mnimos cuadrados

Otra manera de expresar el estimador de mnimos

donde R1 es una matrz triangular

Geomtricamente, las columnas de Q

Por ejemplo, transformemos el vector respuesta a

Obtencin del estimador

Teorema clave Sea A, p q.

Sea el siguiente sistema de mnimos

Regresin Lineal Simple

Regression Analysis: ln(PCB) versus Edad(aos)

Regression Analysis: Conc. PCB(ppm) versus

The regression equation is

Regression Analysis: ln(PCB) versus Rcub edad

The regression equation is

Ln (PCB) vs. Raz cbica

Mximos y mnimos de funciones

Sea f(X, Y) una funcin diferenciable con

Mximos y mnimos de funciones

Si > 0, se tiene un mximo en

(X0, Y0, f (X0, Y0)) si

o un mnimo en (X0, Y0, f (X0, Y0)) si

si 0, la regla falla y es necesario investigar