Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DE NEGATIVA A POSITIVA
Es un cambio muy
Queprofundo
interesante tengo la oportunidad de hacerlo
Es mejor que siga así Tengo que mejorar como Servidor
https://elcomercio.pe/economia/peru/peru-ocupa-puesto-63-ranking-competitividad-global-2018-wef-noticia-
568399
Perú requiere reformas en 7 sectores clave para ser un país competitivo :https://www.ipae.pe/wp-
content/uploads/2018/11/NP-CEJE2018-Informe-Competitividad-2019.pdf
RADIOGRAFIA DE COMPETITIVIDAD DEL PERU
RADIOGRAFIA DE COMPETITIVIDAD DEL PERU
Estado
Moderno
orientado al
ciudadano,
unitario, Sostenibilidad
Orientación
descentralizado,
al
eficiente, abierto e
Ciudadano
inclusivo.
Transparencia, Innovación y
rendición de aprovechamiento de las
cuentas y ética tecnologías
pública. Elaborado por la Secretaría de Gestión
BASE LEGAL QUE SUSTENTA LA GESTIÓN POR
PROCESOS
ESTADO
MODERN
O
Orientado al
Ciudadano
Unitario y
Descentralizado
Eficiente
Abierto
Inclusivo
ETAPAS DE LA IMPLEMENTACIÓN DE LA
GESTIÓN POR PROCESOS
ETAPA III
Mejora de
Procesos
ETAPA II
Diagnóstico e
Identificación - Institucionalizar la Gestión por
de procesos Procesos
- Documentar los procesos mejorados
ETAPA I: - Mejorar los procesos
Preparatoria
- Describir los procesos actuales - Medir, Analizar y Evaluar
- Elaborar el mapa de procesos
- Determinar los proceso de la entida
- Sensibilizar a toda la entidad. - Identificar destinatario de bienes y
- Capacitar a los encargados de servicios; y los bienes y servicios q
implementar. brinda la entidad
- Elaborar el plan de trabajo - Analizar propósito de la entidad
institucional.
- Analizar la situación de la entidad
-Valor + Valor
U
U
S
S CIUDADANO O
U CIUDADANO O
U DESTINATARIO
RDESTINATARIO DE
A
LOS BIENES Y P4 P5 A DE LOS BIENES Y
R
SERVICIOS
P1 P2 P3 R SERVICIOS
I
I
O
O
Estado
Moderno
orientado al
ciudadano, unitario,
descentralizado, Sostenibilidad
Orientación
eficiente, abierto e
al
inclusivo.
Ciudadano
Transparencia, Innovación y
rendición de aprovechamiento de las
cuentas y ética tecnologías
pública. Elaborado por la Secretaría de Gestión
Introducción
La programación matemática es una potente técnica de modelado usada en el
proceso de toma de decisiones. Cuando se trata de resolver un problema de este
tipo se deben tener en cuenta:
1. Identificar las posibles decisiones a tomar.
2. Determinar que decisiones resultan admisibles (Conjunto de restricciones).
3. Cálculo coste/beneficio de cada decisión (Función objetivo).
-Los hechos
-La experiencia
-La intuición
-La autoridad
¿Qué es la Programación Lineal?
Siguiente diapositiva
Problema del Transporte
Cierto producto debe enviarse en determinadas cantidades u1,…,um, desde cada
uno de m orígenes, y recibirse en cantidades v1,…,vn, en cada uno de los n destinos.
Determine las cantidades xij, que deben enviarse desde el origen i al destino j, para
conseguir minimizar el coste de envío.
1. Datos
m: el número de orígenes
n: el número de destinos
ui: la cantidad que debe enviarse desde el origen i
vj: la cantidad que debe ser recibida en el destino j
cij: el coste de envío de una cantidad de producto desde el origen i al destino j
2. Variables
xij: la cantidad que se envía desde el origen i al destino j. Se supone que las
variables deben ser no negativas.
xij 0; i 1,..., m; j 1,..., n (1)
3. Restricciones: Las restricciones del problema son:
n
x ij u i ; i 1,..., m
j1
m
(2)
x ij v j ; j 1,..., n
i 1
El primer conjunto de condiciones indica que la cantidad del producto que parte
del origen i debe coincidir con la suma de las cantidades que parten de ese origen
hasta los distintos destinos j=1,…,n.
El segundo conjunto de condiciones asegura que el total recibido en el destino j
debe corresponder a la suma de todas las cantidades que llegan a ese destino y
parten de los distintos orígenes i=1,…,m.
Los grupos de restricciones presentados en (1) y (2) muestran las restricciones de
las variables y del problema, respectivamente.
4. Función a maximizar
En el problema de transporte nos interesa minimizar los costos de envío (suma de
los costos de transporte de todas las unidades). Es decir, se debe minimizar:
m n (3)
Z cij xij
i 1 j 1
Ejemplo – El Problema del Transporte:
Considérese el problema de transporte mostrado en la figura 1, donde m=3
orígenes, n=3 destinos, u1=2, u2=3, u3=4, v1=5, v2=2, v3=2.
Los problemas de esta naturaleza ilustran las dificultades que surgen cuando
objetivos contrarios están presentes en e un sistema dado.
1. Datos
n: el número de meses a considerar
s0: la cantidad almacenada disponible al principio del periodo considerado
dt: el número de unidades (demanda) que se solicita en el mes t
smax: la capacidad máxima de almacenamiento
at: el precio de venta en el mes t
bt: el costo de producción en el mes t
ct: el costo de almacenamiento en el mes t
2. Variables
xt: el número de unidades producidas en el mes t
st: el número de unidades almacenadas en el mes t
3. Restricciones
st 1 xt dt st ; t 1, 2,..., n
st s max ; t 1, 2,..., n
st , xt 0
Maximizar Z 36 x1 x2 x3 x4 s1 s2 s3 s4
1. Datos
m: el número de nutrientes.
n: el número de Alimentos.
aij: la cantidad del nutriente i en una unidad del alimento j.
bi: la cantidad mínima del nutriente i aconsejada.
cj: el precio de una unidad del alimento j.
2. Variables
xj: la cantidad del alimento j que debe adquirirse.
3. Restricciones
Como la cantidad total de un nutriente dado i es la suma de las cantidades de los
nutrientes en todos los alimentos y las cantidades de alimentos deben ser no
negativas, entonces tenemos:
n
aij x j bi ; i 1,..., m
j 1
x j 0; j 1,..., n
4. Función a Minimizar
En el problema de la dieta se esta interesado en minimizar el precio de la dieta:
n
Minimizar Z cjxj
j 1
c1 1, c2 0.5, c3 2, c4 1.2, c5 3
1. Datos
g: el grafo g=(N,A) que describe la red de transporte, donde N es el conjunto de
nudos, y A es el conjunto de conexiones.
n: el número de nudos en la red.
fi: el flujo entrante (positivo) o saliente (negativo) en el nudo i
mij: la capacidad máxima de flujo en la conexión entre el nudo i y el j
cij: el precio de mandar una unidad del bien desde el nudo i al nudo j.
2. Variables
xij: el flujo que va del nodo i al nodo j
3. Restricciones: Las restricciones del problema son:
Imponiendo la condición de conservación del flujo en todos los nudos, y las
restricciones sobre la capacidad de las líneas o conexiones, se obtienen las
siguientes restricciones:
Restricciones de conservación del flujo
j ( xij x ji ) fi ; i 1,..., n (4)
Restricciones de capacidad de las líneas o conexiones
mij xij mij ; i j (5)
donde i<j evita la posible duplicación de restricciones.
4. Función a minimizar: El precio total es:
Z cij xij (6)
ij
1. Datos
m: el número de valores bursátiles
bi: el número actual de participaciones del valor bursátil i
vi: el precio actual del valor i por participación
di: el dividendo que se pagará al final del año en el valor bursátil i
wi: el nuevo precio del valor bursátil i
r: porcentaje mínimo r del valor actual de toda la cartera que no debe superarse en
el ajuste
s: porcentaje mínimo del valor total actual que no debe superarse por el valor
futuro total de la cartera, para hacer frente a la inflación
2. Variables
xi: el cambio en el número de participaciones del valor bursátil i.
3. Restricciones
Se deben asegurar ciertas condiciones que debe satisfacer una cartera bien
equilibrada:
El número de participaciones debe ser no negativo
xi bi
Exigimos que el capital asociado a todo valor concreto, después del ajuste,
represente al menos una cierta fracción r del capital total actual de la cartera
r vi (bi xi ) v j (b j x j ); j
i
El capital total de la cartera no debe cambiar en el ajuste pues se supone que no se
invierte dinero adicional
vi xi 0
i
Para hacer frente a la inflación, el capital total en el futuro debe ser al menos un
cierto porcentaje s mayor que el capital invertido actualmente:
wi (bi xi ) (1 s) vibi
i i
4. Función a optimizar
Nuestro objetivo es maximizar los dividendos
Z di (bi xi )
i
xA 75
xB 100
xC 35
0.25 20(75 x A ) 20(100 xB ) 100(35 xC ) 20(75 x A )
0.25 20(75 x A ) 20(100 xB ) 100(35 xC ) 20(100 xB )
0.25 20(75 x A ) 20(100 xB ) 100(35 xC ) 100(35 xC )
20 x A 20 xB 100 xC 0
18(75 x A ) 23(100 xB ) 102(35 xC ) 1.03(7000)
Después de varias simplificaciones , las restricciones anteriores se transforman en:
xA 75
xB 100
xC 35
15 x A 5 xB 25 xC 250
5 x A 15 xB 25 xC 250
5 x A 5 xB 75 xC 1750
20 x A 20 xB 100 xC 0
18 x A 23 xB 102 xC 270
1. Datos
n: el número de generadores.
P i: la mínima energía de salida asociada al generador i.
P i: la máxima energía de salida asociada al generador i.
Bij: la susceptancia de la línea i-j.
P ij: la capacidad máxima de transmisión de la línea i-j.
Ci: el coste de producir energía en el generador i.
i : el conjunto de buses conectados a través de líneas al bus i.
Di: la demanda asociada al bus i.
2. Variables
pi: la energía producida por el generador i.
i : el ángulo del bus i.
3. Restricciones: Las restricciones de este problema son
k 0
Bij ( i j ) Pi Di ; i 1,2,.., n (14)
j i
El generador del bus 1 produce un coste 6 y sus límites inferiores y superiores son,
respectivamente, 0.15 y 0.6. El coste de producción del generador del bus 2 es 7 y sus
límites de potencia son, respectivamente, 0.1 y 0.4. La línea 1-2 tiene una susceptancia
2.5 y un límite de transmisión máximo de 0.3, la línea 1-3 tiene una susceptancia de
3.5 y un límite de transmisión de 0.5, y, finalmente, la línea 2-3 tiene una susceptancia
de 3.0 y un límite de transmisión de 0.4. Este sistema tiene una demanda simple
localizada en el bus 3 con un valor de 0.85. Se considera un periodo de una hora, y se
toma como origen el bus 3.
Este problema puede escribirse como:
minimizar 6 p1 7 p2
sometido a 3 0
3.5( 3 1 ) 2.5( 2 1 ) p1 0
3.0( 3 2 ) 2.5(1 2 ) p2 0
3.5(1 3 ) 3.0( 2 3 ) 0.85
0.15 P1 0.6
0.10 P2 0.4
0.3 2.5(1 2 ) 0.3
0.4 3.0( 2 3 ) 0.4
0.5 3.5(1 3 ) 0.5
http://tesis.pucp.edu.pe/repositorio/handle/123456789/7319
APLICACION DE LA PROGRAMACION LINEAL EN LA INDUSTRIA DE LA
PANIFICACIÓN http://eprints.uanl.mx/7119/1/1080074564.PDF
Max z = 3x + 2y
Restricciones
Cuando x e y crecen, la función objetivo de Gepetto también crece. Pero no
puede crecer indefinidamente porque, para Gepetto, los valores de x e y
están limitados por las siguientes tres restricciones:
Restricción 1: 2 x + y ≤ 100
Restricción 2: x + y ≤ 80
Restricción 3: x ≤ 40
Muñeco Tren
Carpintería 1 1 ≤ 80 x + y ≤ 80 (carpinteria)
x ≥0 (restricción de signo)
y ≥0 (restricción de signo)
Formulación matemática del PPL
y ≥0 (restricción de signo)
Región factible
100
2x + y = 100
Restricciones
2 x + y ≤ 100
80
x + y ≤ 80
x ≤ 40
60
x ≥0
y ≥0
40
Teniendo en cuenta
las restricciones de 20
signo (x ≥ 0, y ≥ 0),
nos queda:
20 40 60 80 X
Dibujar la región factible
Y
100
Restricciones 80
2 x + y ≤ 100
x + y ≤ 80 60 x + y = 80
x ≤ 40
x ≥0 40
y ≥0
20
20 40 60 80 X
Dibujar la región factible
Y
100
Restricciones 80
x = 40
2 x + y ≤ 100
x + y ≤ 80 60
x ≤ 40
x ≥0 40
y ≥0
20
20 40 60 80 X
Dibujar la región factible
Y
La intersección de
todos estos
semiplanos 2x + y = 100
100
(restricciones) nos
da la región
factible 80
x = 40
60
x + y = 80
40
Región
20
Factible
20 40 60 80 X
Vértices de la región factible
Y Restricciones
La región factible (al estar
limitada por rectas) es un 2 x + y ≤ 100
polígono. 2x + y = 100 x + y ≤ 80
100
En esta caso, el polígono x ≤ 40
ABCDE.
x ≥0
80 E x = 40
Como la solución óptima y ≥0
está en alguno de los
vértices (A, B, C, D o E) D
60
de la región factible,
calculamos esos vértices. x + y = 80
40
Región
20 Factible C
B
A 20 40 60 80 X
Vértices de la región factible
Y
Los vértices de la región factible
son intersecciones de dos rectas.
El punto D es la intersección de las 100
rectas 2x + y = 100
2x + y = 100
x + y = 80 x = 40
80 E(0, 80)
La solución del sistema x = 20, y =
60 nos da el punto D. D (20, 60)
60
B es solución de
x = 40 40
y=0
Región
C es solución de C(40, 20)
20 Factible
x = 40 x + y = 80
2x + y = 100
B(40, 0)
E es solución de A(0, 0) 20 40 60 80 X
x + y = 80
x=0
Resolución gráfica
Y
Max z = 3x + 2y
solución óptima,
dibujamos las rectas (0, 80)
80
en las cuales los
puntos tienen el
mismo valor de z. (20, 60)
60
La figura muestra
estas lineas para
40
z = 0, z = 100, y z =
180
Región
(40, 20)
20 Factible
(40, 0)
(0, 0) 20 40 60 80 X
z = 180
z=0 z = 100
Resolución gráfica Y
Max z = 3x + 2y
100
(40, 0)
(0, 0) 20 40 60 80 X
z = 180
z=0 z = 100
Resolución analítica
Y
Max z = 3x + 2y
También podemos encontrar la
100
solución óptima calculando el valor
de z en los vértices de la región
factible. 80
(0, 80)
• Cada anuncio del programa del corazón es visto por 6 millones de mujeres y 2
millones de hombres.
• Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de hombres.
• Un anuncio en el programa de corazón cuesta 50.000 € y un anuncio del fútbol
cuesta 100.000 €.
• Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30 millones de
mujeres y 24 millones de hombres.
Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de
programa para que el coste de la campaña publicitaria sea mínimo.
Formulación del problema:
14
Min z = 50 x + 100y 12
6x + 3y = 30
s.a. 6x + 3y ≥ 30
10
2x + 8y ≥ 24
x, y ≥ 0 8
4
2x + 8y = 24
2
X
2 4 6 8 10 12 14
Calculamos los vértices de la región factible:
Y
El vértice A es solución del
La región factible
sistema 14
no está acotada
6x + 3y = 30
x=0 12
Por tanto, A(0, 10)
10 A
Región
El vértice B es solución de 8 Factible
6x + 3y = 30
2x + 8y = 24 6
Por tanto, B(4, 2)
4
El vértice C es solución de B
2
2x + 8y = 24
y=0 C
Por tanto, C(12, 0) 2 4 6 8 10 12 14
X
Resolvemos por el método analítico
z = 50·4 + 100·2 = 10
A(0, 10)
B(4, 2) Región
= 200+200 = 400 Factible
8
z = 50·12 + 100·0 =
C(12, 0)
= 6000+0 = 6 000 6
B(4, 2)
Solución: 2
x = 4 anuncios en pr. corazón
C(12, 0)
y = 2 anuncios en futbol
Coste z = 400 (mil €) 2 4 6 8 10 12 14
X
Resolvemos por el método gráfico
Min z = 50 x + 100y Y
s.a. 6x + 3y ≥ 30 14
2x + 8y ≥ 24
12
x, y ≥ 0
10 A(0, 10)
El coste mínimo Región
se obtiene en el Z = 600
8 Factible
punto B.
6
Z = 400
4
B(4, 2)
2
Solución:
x = 4 anuncios en pr. corazón C(12, 0)
y = 2 anuncios en futbol X
2 4 6 8 10 12 14
Coste z = 400 (mil €)
Número de Soluciones de un PPL
50
C
max z = 3x + 2y
40
s.a: 3x + 2y ≤ 120
x + y ≤ 50
x,y≥0 B
30 Región
Factible
z = 120
Cualquier punto (solución) situado 20
en el segmento AB puede ser una
solución óptima de z =120. z = 60
10
z = 100
A
10 20 30 40 50 X
Sin soluciones factibles
Y
Consideremos el siguiente
60
problema:
No existe
Región Factible
max z = 3x1 + 2x2 50
x ≥ 30
s.a: 3x + 2y ≤ 120 40
x + y ≤ 50 x + y ≤ 50 y ≥ 30
x ≥ 30
y ≥ 30 30
x,y≥0
20
10 3x + 2y ≤ 120
10 20 30 40 50 X
PPL no acotado
max z = 2x – y Y
s.a: x–y≤1 6
Región Factible
2x + y ≥ 6
x, y ≥ 0 5
La región factible es no 4
acotada. Se muestran en el z=4
gráfico las rectas de nivel
3
para z = 4 y z = 6. Pero
podemos desplazar las
rectas de nivel hacia la 2
n
Sujeto a: aij x j bi , i 1,2,...p - 1
j 1
n
aij x j bi , i 1,2,...p - 1
j 1
n
aij x j bi , i 1,2,...p - 1
j 1
x1 x2 2
Sometido a x2 0
x1 x2 1
x1 0
Sometido a x1 x2 2
x1 x2 6
x1 3
2 x1 x2 4
x2 0
x1 x2 1
x1 0
x1 x2 0
o La Desigualdad:
ai1 x1 ai 2 x2 ... ain xn bi
3x1 x2 ( x6 x7 ) x5 3
x1 , x2 , x4 , x5 , x6 , x7 0
o Maximizar Z 3 x1 x3
sometido a x1 x2 x3 1
x1 x2 x3 1
x1 x3 1
x1 0
Este problema en la forma estándar es
Minimizar Z 3x1 y3 z3
sometido a
x1 y2 z2 y3 z3 1
x1 y2 z2 y3 z3 u1 1
x1 y3 z3 u2 1
x1 , y2 , z 2 , y3 , z3 , u1 , u2 , 0
El Método Simplex
Sea el PPL:
Minimizar f ( x ) cT x
Sujeto a Ax b; b 0,
x 0,
Donde c (c1 , c2 ,..., cn )T es una matriz de costos y A es una matriz de m x n.
o Etapa de Iniciación
El conjunto inicial de restricciones se transforma en otro equivalente de
igualdades, asociadas a una solución básica.
Los valores de las variables básicas se transforman en no negativos (se
obtiene una solución básica factible). Esta etapa se llama reguladora.
o Etapa de Iteraciones Estándar
En esta etapa los coeficientes de la función de costo se transforman en no
positivos y el valor de la función de costo se mejora iterativamente, hasta
obtener la solución óptima, se detecta solución no factible, o solución no
acotada. En este proceso iterativo se obtienen diferentes soluciones factibles.
Para este fin se utiliza la llamada transformación elemental de pivotaje.
Y la función objetivo 1
Z (0 cTB cTN ) xB
x
N
Donde (B N) es una partición de la matriz A, y XB y XN definen otra partición de
x, en variables básicas y no básicas, respectivamente.
Usando la ecuación de restricciones podemos obtener
BxB Nx N b
xB B 1b B 1 Nx N v Ux N
donde v B 1b
U B 1 N
Z cTB (v Ux N ) cTN x N
Z cTB v (cTBU cTN ) x N
Z u0 wx N
donde
u0 cTB v
w cTBU cTN
Para obtener Z u0 w 1
B
x v U xN
El MS comienza con el conjunto de restricciones
Z u 0 1
T
1
(0)
w( 0 )
Z ( 0)
x v ( 0) U (0)
x N x
B N
Donde xB x N es una partición del conjunto de variables x1, x2,... xn . Las matrices
v ( 0) y U (0) se obtienen resolviendo las restricciones en xB
T T
donde cB y c N son los coeficientes de costo asociados a xB y xN, respectivamente.
Podemos entonces obtener un nuevo conjunto equivalente de restricciones con la
misma estructura
Z (t ) u (t ) 1 1
T
w( t )
0
Z (t )
x (t ) v (t ) U (t )
(t )
x N (t )
B xN
donde t se refiere al número de la iteración y t=0 es la iteración inicial.
Programación No Lineal
El problema más general de programación no lineal (PPNL), puede plantearse
como:
Minimizar Z f ( x1 ,..., xn )
Sujeto a h1 ( x1 ,..., xn ) 0
hl ( x1 ,..., xn ) 0
g1 ( x1 ,..., xn ) 0
g m ( x1 ,..., xn ) 0
Sujeto a h( x ) 0
g ( x) 0
Donde x ( x1,..., xn ) es el vector de las variables de decisión, f : n es la
T
Sujeto a xS f : S
Figura 12. Una función con tres mínimos locales y dos globales.
Definición 3 (Diferenciabilidad)
Se dice que f : n es diferenciable en x si existen las derivadas parciales y f ,
xi
i 1,..., n, y
f ( y) f ( x) f ( x)T ( y x)
lim y x 0
yx
T
f ( x) f ( x)
donde f ( x) ,..., es el gradiente de f en x.
x1 x n
Definición 4 (Diferenciabilidad continua)
Una función f se dice continuamente diferenciable en x si todas las derivadas
parciales son continuas en x. En este caso, también es diferenciable.
Se considera el siguiente PPNL:
Minimizar Z f (x) (1)
sujeto a h( x ) 0
g ( x) 0 (2)
l m
f ( x ) k hk ( x ) j g j ( x ) 0 (3)
k 1 j 1
(4)
g j ( x ) 0, j 1,..., m
(5)
hk ( x ) 0, k 1,..., l
(6)
j g j ( x ) 0, j 1,..., m
(7)
j 0, j 1,..., m
Figura 15. Ilustración de las condiciones de Karush–Kuhn–Tucker para el caso de dos restricciones de
desigualdad y dos variables.
Casos Especiales
Si falta una restricción en un PPNL, el multiplicador asociado a la restricción
“ausente" es nulo, y la restricción se elimina de la formulación de las condiciones
de KKT. En estos casos resulta:
f ( X ) 0
hk ( X ) 0, k 1,..., l
3. (Problemas con restricciones de desigualdad solamente) Las
condiciones de KKTC son:
m
f ( X ) j g j ( X ) 0
j 1
g j ( X ) 0, j 1,..., m
j g j ( X ) 0, j 1,..., m
j 0, j 1,..., m
Ejemplo
Minimizar Z x1 x2
x12 x2 0
sujeto a x12 x22 4 0
x1 0
x2 0
Lema 1: Las CKKT son necesarias para un óptimo local de “la mayoría” de
PPNL.
Condiciones Suficientes
Definición 7 (Función Convexa)
Sea f : S , donde S es un conjunto convexo no vacío de n . La función f se dice
que es convexa en S si para cada par de puntos x1 y x2 y cualquier escalar t tal que
0≤t≤1, se tiene
f (tX 1 (1 t ) X 2 ) tf ( X 1 ) (1 t ) f ( X 2 )
Figura 16. Ejemplo Función Convexa. Figura 17. Ejemplo Función Cóncava.
2. Formas cuadráticas:
1
Sea f ( X ) X T CX bT X a una forma cuadrática. Si la matriz C es semidefinida
2
positiva, entonces f es una función convexa, ya que la matriz Hesiana de f es
2 f ( X ) C para todo X.
Las operaciones que conservan la convexidad son:
1. Combinaciones lineales no negativas de funciones convexas.
Sean fi(X), i = 1,…, k funciones convexas, k
y sean i , i = 1,…, k escalares
positivos. Considérese la función h( X ) i f i ( X ) . Puesto que la suma de matrices
i 1
semidefinidas positivas es también semidefinida positiva, entonces h es una función
convexa.
2. Composición primera.
Si h es convexa y T es una transformación lineal (o afín), la composición g = h(T)
también es convexa.
3. Composición segunda
Si g es convexa, y h es una función convexa no decreciente de una variable, la
composición f = h(g) también es convexa.
4. Supremo
El supremo de una familia de funciones convexas es también una función convexa.
Condiciones Suficientes de Karush-
Kuhn-Tucker
Lema 2 (Problema de programación convexa)
Considérese el problema de programación convexa (PPC):
Minimizar Z f (X )
sujeto a X S
donde f es convexa y diferenciable y S es un conjunto convexo. Entonces X * S es
un óptimo global si
f ( X *)T ( X X *) 0, X S
Minimizar Z f ( x), x n
si f ( x* ) 0
La clase más importante de PPNL para los que las CKKT son siempre necesarias y
suficientes es la de los llamados programas convexos (PC), que consisten en
minimizar una función objetivo convexa con un conjunto de restricciones tales que
las desigualdades son funciones convexas y las igualdades funciones afines, es decir:
Minimizar Z f (x)
Sujeto a h( x ) 0
g ( x) 0
Minimizar f ( , ) (r ( xi ) s ( yi ))
2
donde r(x) y s(y) son funciones de dos variables x e y, respectivamente. Puesto que
α y no están restringidos, se trata de un problema sin restricciones, y las CKKT
son:
f ( , )
(r ( xi ) s( yi ))r ( xi ) 0
i
f ( , )
(r ( xi ) s( yi )) 0
i
Mediante un reordenamiento de las anteriores Ecuaciones podemos obtener:
r ( xi ) 2 r ( xi ) r ( xi )s yi
i i i
r ( xi ) n s yi
i i
i i
r ( xi ) 2 s( yi ) r ( xi ) r ( xi ) s( yi )
i i i i
(n r ( xi ) ( r ( xi )) 2 )
2
i i
x1 ax2 C
sujeto a x1 0
x2 0
donde 0, 0 son constantes, tales que 1 , x1 y x2 son los niveles de
inversión y de trabajo, respectivamente, y f ( x1, x2) x1 x2 es la función de Cobb
Douglas, que da el nivel de producción como función de ambas variables, y a es el
coste por unidad de trabajo. Además hay una restricción de dinero disponible C.
Este es un PPC, pues las restricciones son lineales y la función objetivo es convexa.
Bibliografía
“Formulación y Resolución de Modelos de Programación Matemática en Ingeniería y
Ciencia”, Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo García, Natalia
Alguacil, 2002.