1

Optimizacin de Procesos Qumicos

Dr. Hugo Segura

Departamento de Ingeniera Qumica
Universidad de Concepcin
Revisin 2008






2
Captulo 1 : El problema de optimizacin

Introduccin

Durante la curriculum de formacin en Ingeniera Qumica se han revisado
numerosos conceptos bsicos cuyo el objetivo es interpretar los fundamentos de
la operacin de una planta qumica, como tambin lograr el diseo conceptual de
un proceso qumico que sea capaz de lograr un objetivo tcnicamente factible de
produccin. As por ejemplo, el balance de materia permite calcular el
rendimiento msico de un proceso y establecer el contenido detallado de su
conjunto de corrientes. El balance de energa permite determinar el
requerimiento energtico (una variable gravitante en la economa y la operacin
de un proceso, tambin detonante del continuo desarrollo de tecnologas), los
distintos fenmenos de transporte (cantidad de movimiento, calor y materia)
y, adicionalmente, los procesos de equilibrio, establecen las bases del diseo y
dimensionamiento u operacin de los equipos. Estos conocimientos, ms los
adquiridos en economa, permiten efectivamente desarrollar y evaluar proyectos
de Ingeniera a escala real. Sin embargo las alternativas de un proyecto que logra
un mismo fin, como las combinaciones de las variables operativas clave que lo
definen, son mltiples; y dan origen a procesos que difieren en costo, estabilidad,
seguridad, impacto ambiental o eficiencia. Es en este contexto que una asignatura
de Optimizacin de Procesos provee criterios que permiten distinguir una
alternativa conveniente, como tambin aporta una herramienta racional que
apoya la toma de decisiones de relevancia ingenieril.

En la actualidad se dispone de una gran variedad de computadoras de bajo costo,
con capacidades y velocidades de procesamiento que hubieran resultado
impensables en la gnesis de su desarrollo. Esta situacin est revolucionando
continuamente el quehacer de la Ingeniera, en trminos de que la disponibilidad
de informacin, y su procesamiento, permiten realizar experimentos y modelos
virtuales de origen terico o estadstico, capaces de emular con gran realismo el
comportamiento de los procesos reales. Tambin es relativamente sencillo y de
bajo costo generar alternativas tecnolgicas en experimentos realizados en
computador, para posteriormente transferirlas a escala real. Es en tal sentido que
la optimizacin encaja en el rompecabezas de la Ingeniera contempornea, como
una actividad rutinaria que forma parte del anlisis sistemtico de un proyecto de
desarrollo.

Ciertamente, el mercado de software ofrece un nmero importante de
aplicaciones de optimizacin, siendo el ejemplo ms cercano la planilla Excel,
capaz de generar interactivamente problemas de optimizacin de gran
generalidad y complejidad. Tambin existen aplicaciones ms sofisticadas, y de
gran eficicacia, que pueden operar en forma coordinada con programas de
simulacin, incluso de plantas qumicas completas:


3
-. Qu justifica, entonces, el estudio de optimizacin en el curriculum de
ingeniera qumica ? .-

esta pregunta admite dos respuestas, la ms relevante es que todo mtodo de
optimizacin es una estrategia matemtica que permite obtener un resultado; sin
embargo, independientemente de su grado de sofisticacin, la estrategia
matemtica alcanza resultados relevantes cuando se aade anlisis de ingeniera
qumica, por lo que se requiere de la orientacin de un experto capaz de evaluar
la utilidad del resultado y su valor tecnolgico. La segunda respuesta es que no
existe ningn mtodo de optimizacin que pueda enfrentar con generalidad los
diversos de problemas de optimizacin que pueden plantearse y, como veremos
en el desarrollo del curso, cada problema requiere un anlisis especfico, ms la
seleccin de una estrategia (o un conjunto de estrategias) para enfrentarlo.

Los objetivos de este curso son variados, de l se espera:

adquirir habilidades que permitan detectar oportunidades de optimizacin,
integrar diversos conocimientos modulares de ingeniera qumica y
matemticas, de modo de formular modelos de diverso grado de complejidad,
y enfrentar su solucin,
comprender la teora bsica de optimizacin, y su anlisis geomtrico ad-hoc,
de modo de tratar con tcnicas adecuadas problemas especficos de
optimizacin.

Como requerimientos bsicos de la asignatura se plantean: la familiaridad con
elementos de clculo diferencial, anlisis vectorial, lgebra de matrices y ciencias
bsicas de Ingeniera Qumica. Todos estos conceptos se repasan en el contexto
especfico de los problemas de optimizacin.

1.1 Elementos del problema de Optimizacin

La herramienta fundamental del anlisis de Procesos Qumicos es la optimizacin,
definida como la bsqueda de un conjunto de variables manipulables, cuya
finalidad es maximizar una caracterstica deseable o minimizar una caracterstica
indeseable de un proceso. Aunque los conceptos mximo y mnimo sugieren una
familiaridad con el clculo diferencial, la relacin es indirecta y depender,
generalmente, del problema y de la informacin disponible. El primer requisito
que debe tener la caracterstica deseable o indeseable de un proceso, es que debe
corresponder a informacin numrica, pudiendo ser una funcin analtica, una
respuesta experimental, o una respuesta implcita de un proceso frente a
condiciones cambiantes de sus variables operativas. Ejemplos tpicos de
caractersticas deseables o indeseables son:

minimizar un costo productivo.
maximizar un rendimiento operacional.

4

y ejemplos ms atpicos pueden ser

minimizar un riesgo operativo o el impacto ambiental de un nuevo proyecto.
maximizar la estabilidad operacional de una tecnologa potencialmente
peligrosa.

Desde un punto de vista de Ingeniera, la optimizacin es posible cuando la
caracterstica deseable o indeseable de un proceso, denominada de aqu en
adelante funcin objetivo, resulta sensitiva y cambiante para un conjunto de
variables manipulables.

Consideremos ahora la estructura de un problema de optimizacin. En general,
los problemas poseen una estructura similar, lo que permite presentarlos en
forma generalizada. Los elementos del problema de optimizacin son:

1 Categora
Una funcin objetivo a minimizar o maximizar. Esta funcin, dentro del
problema de optimizacin, recibe el nombre de modelo econmico o
funcin objetivo, y depende sensitivamente de un conjunto de n variables
manipulables perfectamente identificadas o identificables.

2 Categora
Un conjunto de m restricciones de igualdad (ecuaciones), que corresponden
a identidades matemticas impuestas por el diseo, el equipo o el modelo
matemtico del sistema. Ejemplos de restricciones de igualdad pueden ser la
relacin entre la prdida de carga y un flujo, una ecuacin de calibracin de un
instrumento, etc.

3 Categora
Un conjunto de p restricciones de desigualdad (inecuaciones), que
corresponden a limitaciones fsicas (o de operacin) impuestas por el diseo, el
equipo o el modelo matemtico del sistema. Ejemplos de restricciones de
desigualdad son: un rango de produccin para satisfacer un mercado, la
temperatura del catalizador de un reactor qumico, un margen de seguridad o
una cuota mnima de mercado, la disponibilidad estacional de las materias
primas, un rango de operacin estable, un lmite de operacin que signifique
un impacto ambiental tolerable, etc.

Durante el curso utilizaremos la siguiente notacin del problema de optimizacin:

minimizar: f (x) funcin objetivo
sujeto a : h (x) = 0 vector de restricciones independientes de igualdad.
: g (x) 0 vector de restricciones independientes de desigualdad.


5
en el contexto de esta notacin:

[ ]
1 2
...
T
n
x x x x =
es el vector de variables manipulables en un problema de
optimizacin.

en general es suficiente revisar el problema de minimizacin, pues mx (x) =
mn [ (x)]. Por n denotaremos el nmero de variables manipulables en
optimizacin, por m denotaremos el nmero de restricciones de igualdad, y por p
el nmero de restricciones de desigualdad.

Se tienen los siguientes casos:

Casos Interpretacin
m < n nmero de incgnitas es mayor que el nmero de ecuaciones que las
relaciona. El sistema es subdeterminado, o con infinitas soluciones. De ese
conjunto de soluciones, slo una satisface el problema de optimizacin o el
criterio de optimalidad.

m = n nmero de incgnitas es igual al nmero de ecuaciones que las relaciona.
El sistema es determinado y slo se requiere resolver el sistema de
restricciones de igualdad. Esta solucin es, por definicin, la solucin del
problema de optimizacin.

m > n nmero de incgnitas es menor que el nmero de ecuaciones que las
relaciona. El sistema es sobredeterminado, ningn conjunto de soluciones
satisface todas las restricciones de igualdad. Lo mismo suceder para el
problema de optimizacin.

Hemos planteado que la funcin objetivo debe contener informacin numrica
sensitiva a las variables manipulables, es decir, es informacin que puede ser
representada grficamente como se muestra en las Figuras 1.1 y 1.2. La Figura
1.1 corresponde a la superficie de respuesta de una funcin objetivo, que en el
caso es continua. La Figura 1.2, en tanto, ilustra la accin de las restricciones de
igualdad (h
1
) y desigualdad (g
1
a g
4
) en el plano de las variables manipulables x
1
-
x
2
. Las restricciones de desigualdad permiten determinar el dominio factible que
contiene a las variables de optimizacin, en tanto que las restricciones de
igualdad contienen la lnea factible de soluciones del problema de optimizacin.
Tenemos aqu el primer mtodo trivial para lograr la optimizacin de una funcin,
que corresponde a resolver el problema grficamente. La tarea es sencilla cuando
el costo involucrado en evaluar la funcin objetivo es irrelevante, lo que permite
obtener tantos puntos como sean necesarios para graficar el problema con una
resolucin adecuada, y los grados de libertad del problema no superen el caso
bidimensional.

6
0
5
10
15
20
25
-3
-2
-1
0
1
2
3
-3
-2
-1
0
1
2
f

(
x
1
,

x
2

)
x
2
x
1

x
1
-4 -3 -2 -1 0 1 2 3 4
x
2
-2
0
2
4
g
1
(x)
g
2
(x)
g
3
(x)
g
4
(x)
g
5
(x)
h
1
(x)
Dominio factible
l
i
n
e
a

f
a
c
t
i
b
l
e

Figura 1.1. Funcin objetivo bidimensional Figura 1.2. Interpretacin de las restricciones en
un plano de nivel.

Las restricciones operan entre variables de optimizacin, de modo que ellas
aparecen en el plano de nivel x
1
, x
2
. Las restricciones pueden ser funciones de
constantes o simplemente funciones lineales o no lineales.

Estrategia general para enfrentar problemas de optimizacin

1. En un problema planteado, buscar oportunidades de optimizacin. En general
la estructura de un problema de optimizacin responde a una definicin muy
vaga, un ejemplo clsico es el diseo de una planta qumica, en donde la
definicin sean las materias primas disponibles y el posible mercado de los
productos. Paradojalmente, el desarrollo de la tecnologa podra formar parte
del problema de optimizacin. La bsqueda de oportunidades de optimizacin
requiere establecer claramente la naturaleza del problema que se va a
resolver. La Ingeniera normalmente est involucrada con tres categoras de
problemas, que son

problemas de diseo : en este caso se definen los objetivos del proceso, en
funcin a un conjunto de parmetros de entrada. Por lo general, los
parmetros de entrada corresponden a la especificacin y estado de materias
primas, y son manipulables las variables tecnolgicas del problema. Por
ejemplo, tenemos el caso clsico de recuperacin con pureza de un producto
clave en una columna de destilacin. Son variables de inters el tipo de
refrigerante (que define la presin de operacin de la columna) y el nmero de
etapas ... obviamente en una unidad de destilacin instalada, estas ltimas no
son variables manipulables.

7
problemas de simulacin : el problema de simulacin atiende el caso de un
equipo instalado, con tecnologa existente como restriccin. La oportunidad de
optimizacin se relaciona con mejorar algn parmetro productivo del proceso,
utilizando como variables manipulables aquellas que estn contenidas dentro
de la flexibilidad del diseo. Por ejemplo, en un problema de destilacin es
posible manipular el flujo de refrigerante, el flujo de reflujo o el calor
proporcionado por el hervidor para aumentar purezas y/o recuperaciones, o
bien, para economizar costos.
problema de control : el control responde a un principio de homeostsis, es
decir a la capacidad que un sistema tiene de entregar una respuesta constante
frente a condiciones variables de alimentacin. Un principio de control podra
ser producir con una pureza dentro de la especificacin comercial. El problema
de optimizacin, en este caso, se relaciona con el conjunto de acciones a
tomar para lograr el control de la variable, con un objetivo adicional que podra
ser un mnimo costo.

Cada categora de este listado posee un grupo de variables manipulables
distintas y, por tanto, distintas oportunidades de optimizacin.

2. determinar el conjunto de variables influyentes.

3. plantear una funcin objetivo consistente con la oportunidad de optimizacin, y
que dependa del conjunto de variables influyentes.

4. plantear las restricciones de igualdad y desigualdad pertinentes al caso.

5. analizar los grados de libertad del problema, chequeando la independencia de
las variables manipulables y las restricciones. Una buena tcnica consiste en
resolver un caso base que permita evaluar la funcin objetivo; esto suele dejar
una descripcin clara de las variables a especificar.

6. resolver el problema de optimizacin, seleccionando tcnicas ad-hoc con la
naturaleza del problema. Por ejemplo, si sospecha que el problema es
discontinuo o no diferenciable para algunas especificaciones de las variables
manipulables, evitar la aplicacin de tcnicas diferenciales.

7. analizar la sensitividad del ptimo encontrado, pues, es comn que los
problemas de optimizacin tengan mltiples soluciones, y slo una de ellas sea
la ms conveniente.

Ejemplo 1.1 : Planteamiento y solucin de un problema de optimizacin:

Se dispone del equipo instalado mostrado en la Figura 1.3 para separar un
componente valioso A, de la mezcla A(1) + B(2), por la corriente de vapor
efluente del proceso (V
2
). El equipo consiste en un par de tambores de

8
separacin, utilizando vaporizacin parcial, y recibe una alimentacin fijada por
condiciones independientes al proceso. El componente recuperado puede generar
utilidades slo si se produce con una calidad comercial mnima y*.

Para efectos del problema, vamos a considerar la siguiente notacin

m
i,j
propiedad genrica m, asociada al componente i en la unidad de
separacin j.
M
j
propiedad M asociada a la unidad j.

Puesto que el equipo est instalado, podemos relacionar este problema con uno
de simulacin. Para tal caso debemos seleccionar una oportunidad de
optimizacin. Considerando que la corriente efluente del proceso es
comercializable, una oportunidad de optimizacin sera maximizar la recuperacin
del componente valioso con pureza comercial. Este problema est directamente
relacionado con el mximo ingreso por venta de la corriente de inters y es
compatible con la definicin del problema. La funcin objetivo ser

1,2 2
1,1
:
y V
Mx r
z F
=
(i)

Consideremos ahora las variables manipulables. Las variables asociadas a la
alimentacin no son manipulables, ya que estn fijas por otro proceso. De igual
forma el equipo ya est diseado, lo que indica que el dimetro de cada tambor
de separacin est fijo, y con ello las caractersticas hidrodinmicas del problema.
En otras palabras, las prdidas de carga inducidas pueden suponerse fijas o poco
dependientes de los flujos y variables de estado del problema.


9
1 2
1 1
P , T
2 2
P , T
1 1
F
F
, z
P
T
F
1 , 2
1 , 1
1
y
y
V
2 , 2
2 , 1
2
y
y
V
2 , 2
2 , 1
2
x
x
L
1 , 2
1 , 1
1
x
x
L
Figura1.3.Esquemadelproblemadeoptimizacin
1
Q
2
Q


Tambin es claro que el manejo del flujo de calor puede establecer la
temperatura de los estanques. Como la temperatura controla la vaporizacin
parcial y la pureza de las corrientes, es una variable vinculada a la recuperacin.
La lista total de variables influyentes en el proceso es

1,1 1,2 1 1 1 1 1,1 2,1 1 1,1 1,2 2 2 2 2 1,2 2,2 2 1,2 2,2
, , , , , , , , , , , , , , , , , , , , , , (

F F
F T P z z Q T P V y y L x x Q T P V y y L x x
(a)

aunque ciertamente no todas son manipulables, ya que forman parte de las
especificaciones del proceso. Por otro lado, puede observarse que las variables de
la funcin objetivo tambin aparecen listadas en el detalle (a). Son variables
manipulables (no especificadas ni fijadas por el proceso, o controlables para
lograr el objetivo de optimizacin) las siguientes

1 1 1 1,1 2,1 1 1,1 1,2 2 2 2 1,2 2,2 2 1,2 2,2
, , , , , , , , , , , , , , , Q T V y y L x x Q T V y y L x x (


(b)

En problemas pobremente definidos como el presente, conviene conservar la lista
total de variables y luego restar las especificaciones (o variables no manipulables)
de los grados de libertad. El anlisis de grados de libertad requiere tambin gran
generalidad. Consideremos el anlisis de grados de libertad para el listado en (a),
que puede reducirse por especificaciones al listado en (b).

Las variables en en (a) corresponden a flujos, concentraciones, temperaturas,
presiones y calores ; por tanto estn relacionadas por balances de materia,
energa y relaciones de equilibrio (ecuaciones tpicamente denominadas MESH :

10
Mass-Equilibrium-Summation-Henthalpy). Obviamente, ese grupo de ecuaciones
constituye el grupo de restricciones de igualdad del problema

Balances de materia : para cada tambor de separacin podemos plantear c
balances de materia independientes, donde c en el nmero de componentes.
Particularmente, tales ecuaciones pueden ser los balances de materia por
componente

, , , j i j j i j j i j
F z L x V y = + (2i)
4 ecuaciones

relaciones de equilibrio : las composiciones de cada especie, en cada tambor,
estn relacionadas por expresiones de equilibrio del tipo.

, , , i j i j i j
x K y = (3i)
4 ecuaciones

comnmente a estas ecuaciones de equilibrio se agrega la condicin de equilibrio
termomecnico, pero en el problema no hemos supuesto diferencias de
temperaturas ni presiones en las fases efluentes de los tambores, de modo que se
trata de ecuaciones irrelevantes para el anlisis. Por otro lado, el supuesto de
equilibrio es una aproximacin gruesa al problema, que puede ser relajada con la
introduccin de eficiencias. Ni las eficiencias ni las constantes de vaporizacin son
nuevas variables, ya que pueden calcularse en funcin de flujos, temperaturas,
presiones y fracciones molares, una vez establecidas las leyes fsicas que las
modelan.

Restriccin de suma de fracciones molares : las fracciones molares de cada
corriente deben sumar la unidad, debido a que hay 5 corrientes, tambin hay 5
ecuaciones del tipo

,
1 ( , , )
i j
i
m m z x y = =

(4i)
5 ecuaciones

Balances de energa : para cada tambor de separacin podemos plantear un
balance de energa a la forma

j
Q
V L F
J j J j J j
V H L H F H = +


(5i)
2 ecuaciones

Adicionalmente a las ecuaciones anteriores, hay dos relaciones de prdida de
carga que establecen la presin de cada tambor

1 1
2 1 2
F
P P P
P P P
= +
= +

(6i)
2 ecuaciones

11

Como la planta est instalada, las prdidas de carga son conocidas o pueden ser
calculadas de alguna ecuacin hidrodinmica. Se tiene entonces un total de 17
ecuaciones relacionando las 23 variables listadas en (a). Son especificaciones
todas las caractersticas de la alimentacin, a saber [ ]
1 , 1 F F
z , P , T , F , lo que entrega
un total de 2 grados de libertad para el problema. En otras palabras, dadas dos
variables independientes es posible calcular la recuperacin. El listado de
ecuaciones presentado aqu, ms la especificacin de la alimentacin, constituyen
el grupo de restricciones de igualdad.

Restricciones de desigualdad. Una restriccin inmediata es la especificacin
comercial del producto

*
1,2
y y
(7i)

otras restricciones podran derivar de los lmites de capacidad de operacin del
equipo, por ejemplo la capacidad instalada para transferencia de calor, los lmites
de temperatura recomendados en cada equipo, tiempos de residencia, etc.

Aunque las ecuaciones i - 7i pueden ser formalmente utilizadas para resolver el
problema de optimizacin, generalmente se requiere especificar en mejor forma
la relacin de variables manipulables. Lo nico claro que se desprende del anlisis
de grados de libertad es el nmero de variables que resuelve el problema de
optimizacin, pero an no es claro cules debera elegirse para desarrollar una
estrategia de solucin. Una alternativa podra ser que dispusiramos de un
simulador de procesos, y que la seleccin de cualquier par de variables del listado
(b) resolviera el problema de clculo de la recuperacin.

Consideremos el problema de modelacin. La recuperacin puede escribirse como
sigue

2 1,2 1 2 1,2 1 2 1,2
1,1 1,1 1,1
V y F y y
r
Fz Fz z

= = =

donde
i
corresponde a la fraccin vaporizada lograda en la i-sima etapa.
Deseamos obtener la mxima recuperacin, es decir, nuestra funcin objetivo
puede escribirse:

( )
1 2 1,2
1,1
minimizar :
y
f x r
z

= =

(8.i)

An no es posible relacionar la funcin objetivo con las variables que se pueden
manipular en el proceso, es aqu donde intervienen conocimientos adquiridos
previamente, y aproximaciones razonables que tpicamente aparecen en un

12
proceso. Por ejemplo, podramos considerar una aproximacin grfica al
problema, donde supondremos que las eficiencias de separacin son ideales y que
las prdidas de carga asociadas al mismo son despreciables. En este caso, el
proceso de separacin puede ser representado como lo muestra el diagrama
isobrico de la Figura 1.4.a

La Figura 1.4.a muestra la lnea de fraccin molar de la alimentacin (z
1,F
) y la
lnea de fraccin molar de la pureza comercial (y*). El rango de ebullicin para la
alimentacin, ingresada al primer estanque, es el indicado por el trazo AB.
Eligiendo una temperatura dentro del trazo, como T
1
, vemos que el primer
estanque alcanza una operacin de equilibrio de fases, con la consecuente
separacin de la mezcla en una fase lquida de concentracin x
1,1
y una fase de
vapor de concentracin y
1,1
enriquecida en el componente voltil. Posteriormente,
a la segunda unidad, se ingresa la corriente de fraccin molar y
1,1
, la que se
condensa parcialmente a lo largo del trazo CD.

13

Figura 1.4.a.- Diagrama esquemtico de
la separacin
x
1
, y
1
0.0 0.2 0.4 0.6 0.8 1.0
T

/

K
z
1,F
y*
x
1,1
y
1,1
x
1,2
y
1,2
T
1
T
2
A
B
C
D

Como resultado de la condensacin, se
obtiene una fase lquida de
concentracin x
1,2
y una fase de vapor
enriquecida de concentracin y
1,2
. De
acuerdo al esquema del proceso en la
Figura 1.3, la corriente de concentracin
y
1,2
es la concentracin del producto
que satisface la restriccin comercial
(y
1,2
>y*).
Obviamente, la representacin grfica
del proceso deja en claro varios
aspectos del problema. La eleccin de
T
1
y T
2
permite realizar el clculo
completo de un caso base del problema,
lo que comprueba nuestro anlisis de
grados de libertad. Adicionalmente, con
los datos de concentraciones de
equilibrio tomados de la Figura es
posible calcular las fracciones
vaporizadas en cada unidad, lo que
permite realizar la evaluacin de la
funcin objetivo.
Podemos proceder por tanteo y error seleccionando diferentes temperaturas T
1
y
T
2
y revisando cmo afectan la fraccin vaporizada. Otra alternativa es modelar
con un nivel ms fino de detalle. Recordamos que, suponiendo que las corrientes
alcanzan el equilibrio de fases, las fracciones vaporizadas de un sistema binario
pueden escribirse en trminos de las constantes de vaporizacin como:

1, 2,
2, 1,
1 1
j j
j
j j
z z
K K
=



(9.i)

donde z
i,j
es la alimentacin del componente i a la etapa j. Las fracciones molares
del equilibrio pueden calcularse como:

2,
1,
1, 2,
1, 1, 1,
1

j
j
j j
j j j
K
x
K K
y K x

=

(10.i)



(11.i)

considerando una termodinmica especfica de soluciones reales, tendremos que:

( )
, , , ,
, , ,
i j i j j j i j i j
K K P T y x =


14

una seleccin tpica, en el supuesto que se trabaja a baja presin, podra ser la
ley de Raoult modificada

0
, 1,
,
( , ) ( )
i j j j i j
i j
j
T x P T
K
P

=

(12.i)

donde es el coeficiente de actividad y P
0
la presin de vapor de las especies
puras.

La inspeccin de las ecuaciones del modelo, listadas de (8.i) a (12.i) revela que :

dada la temperatura de los dos estanques, T
1
, T
2
, podemos resolver en forma
iterativa las ecuaciones (10.i) y (12.i). Recordar para el efecto que las
presiones de operacin de los estanques est fija por el diseo del equipo. Este
procedimiento permite conocer las constantes de vaporizacin en todas las
unidades, y las fracciones molares efluentes segn establecen (10.i) y (11.i).

con las fracciones molares asociadas a cada unidad obtenidas en la etapa
anterior, adems de las constantes de vaporizacin, es posible calcular las
fracciones vaporizadas de cada equipo utilizando la ecuacin (9.i)

recordando que la fraccin molar de la alimentacin (z
1,1
) y la alimentacin (F)
son variables especificadas, y que el resto de las variables del proceso se ha
calculado en las dos etapas anteriores, podemos obtener un valor de la
recuperacin en (8.i).

Este resultado era completamente esperable, ya que disponemos de dos grados
de libertad que han sido cubiertos al especificar T
1
, T
2
. El punto importante a
considerar aqu, es que la forma implcita del problema de optimizacin es :

1 2
1
2
1,2
: ( , )
: 0 1
0 1
*
Mn r T T
Sa
y y

< <
< <

(13.i)

donde se han agregado restricciones fsicas a las fracciones vaporizadas, de modo
de mantener la condicin del equilibrio de fases. Una vez que se ha definido
completamente el problema se procede a seleccionar una tcnica de optimizacin,
lo que dice estricta relacin con la naturaleza de las funciones involucradas.
Consideremos un caso especfico en donde la mezcla a purificar es benceno (1) +
tolueno (2) con las siguientes propiedades


15
0
ln /
/
B
P mmHg A
T K C
=
+


i A
i
B
i
C
i

C
6
H
6
15.9008 2788.51 -56.32
C
7
H
8
16.0137 3096.52 -53.67

Respecto de la Figura 1.3 se considera la siguiente informacin

z
1,1
= 0.85
y
1,2
0.90
P
1
= 760 mmHg
P
2
= 760 mmHg

(restriccin de pureza comercial)

benceno y tolueno forman solucin ideal, de modo que la constante de
vaporizacin puede ser calculada de la ecuacin (12.i)

0
,
( ) /
i j i j j
K P T P =

donde se ha considerado que los coeficientes de actividad son unitarios. Se ve en
los datos indicados que el sistema purifica la corriente alimentada, de modo que
el equipo debe estar operando en condicin de equilibrio de fases y vaporizando
parcialmente la corriente de alimentacin. Las variables del problema de
optimizacin son T
1
y T
2
, un rango tentativo de estudio es :

el rango de temperatura de burbuja y roco para la fraccin molar z
1,1
a
presin atmosfrica para T
1
, condicin que asegura una vaporizacin parcial de
la corriente de alimentacin en la primera unidad.
el rango de temperatura de roco para la especificacin comercial y benceno
puro para T
2
, que es la temperatura necesaria para obtener cualquier mezcla
con y
1,2
y*.

El problema es bidimensional, y su proyeccin grfica constituye una alternativa
para resolverlo. La Figura 1.4 muestra las lneas de contorno de la funcin
objetivo y el dominio factible que se obtiene del problema de optimizacin
indicado en la ecuacin 13.i.

El contorno delimitado por la regin ABCD muestra el dominio factible, dentro del
que se obtienen fracciones vaporizadas fsicamente aceptables. La restriccin de
pureza comercial aparece bajo la curva EF. Finalmente el ptimo aparece en el
punto O, donde se obtiene la curva de ms bajo nivel para la funcin objetivo que
satisface todas las restricciones. La solucin al problema es

T
1
= 361.90 K
1
= 0.767
T
2
= 361.08 K
2
= 0.771

16
r = 0.63

de los resultados se deduce que T
2
< T
1
, situacin que se esperaba por analoga a
la seccin de rectificacin de una columna de destilacin. Cabe indicar que el
ptimo activa la restriccin de pureza comercial (aparece en la lnea EF), esta
situacin sugiere revisar los contornos de las restricciones en problemas
complejos para los que no se tiene claridad de la posicin del ptimo.
Continuando ahora con la etapa 7 del problema de optimizacin, debemos
verificar la posibilidad de haber obtenido un ptimo razonable. De acuerdo con la
Figura 1.4.b, el problema ilustrado en la Figura 1.3 no parece tener otras
condiciones candidatas a ptimo. Sin embargo, es claro que sobre el diseo
tecnolgico del problema podemos inducir algunas variaciones que propendan a
mejorar el ptimo obtenido. La volatilidad relativa del componente liviano, por
ejemplo, es sensitiva a la presin y aumenta con la reduccin de presin. Cabe
indicar que la volatilidad relativa es un ndice de la facilidad para separar una
mezcla por tcnicas de equilibrio lquido-vapor.
Repitiendo grficamente los clculos del ptimo de recuperacin para presiones
de operacin ms bajas, es posible trazar las Figuras 1.4.c y 1.4.d, que muestran
la evolucin de las propiedades ptimas con la cada de presin.

Figura 1.4.b.- plano de curvas de nivel para el problema en la Figura 1.3

T
1
360 361 362 363
T
2
358
359
360
361
362
363
-1.0
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
1
=
1
2
=
0
2
=
1
1
=
9 0. * y =
A
B
C
D
E F
O




17
se deduce de la Figuras 1.4.c que la recuperacin ptima de la batera de flasheo
efectivamente aumenta segn la presin reduce. Adems, la Figura 1.4.d revela
que las temperaturas de operacin de la batera disminuyen con la cada de
presin. Se concluye, por tanto, que la operacin de baja presin es una
alternativa viable para mejorar el ptimo.

Puesto que el equipo de separacin est instalado, podemos intuir dos tipos de
limitaciones al intentar mejorar el ptimo segn esta alternativa:

los estanques se encuentran operativos para una presin de 760 mmHg, en
general es posible esperar un lmite mecnico para una operacin a vaco.
de acuerdo con la Figura 1.4.d, la temperatura de operacin baja
drsticamente con la cada de presin. Ciertamente la recuperacin aumenta
notoriamente bajo los 100 mmHg (ver Figura 1.4.c), pero las temperaturas
ptimas para esa condicin operativa estn por debajo de la temperatura
ambiental (~ 300 K). Ciertamente, la obtencin de recuperaciones muy altas
compromete un suministro adicional de refrigeracin.

Finalmente concluimos que existe la posibilidad de mejorar el ptimo bajando la
presin aunque, ciertamente, dentro del rango de diseo original del equipo.

P / mmHg
0 100 200 300 400 500 600 700 800
r
e
c
u
p
e
r
a
c
i

n
0.60
0.62
0.64
0.66
0.68
0.70
0.72
0.74
0.76
0.78
0.80

P / mmHg
0 100 200 300 400 500 600 700 800
T

/

K
240
260
280
300
320
340
360
380
T
1
pt
T
2
pt

Figura 1.4.c. evolucin de la recuperacin
ptima con la reduccin de presin.
Figura 1.4.d. evolucin de las temperaturas
ptimas de operacin con la cada de
presin.

Una segunda posibilidad de mejorar el ptimo proviene de reciclar los
subproductos de descarga. Una alternativa de diseo para tal fin puede ser la
siguiente

18
1 2
1 1
P , T
2 2
P , T
1 1
,
F
F
F
T
P
z
1
1,1
2,1
V
y
y
2
1,2
2,2
V
y
y
2
1,2
2,2
L
x
x
1
1,1
2,1
L
x
x
1
Q
2
Q
RL
2

En este caso, inducimos un reciclo parcial del lquido de descarga del segundo
tambor a la primera unidad. En general, podemos intuir que el problema de
optimizacin cambia pues hemos introducido una nueva variable correspondiente
a la razn de reciclo R. Ser necesario, entonces, generar un nuevo modelo para
esta configuracin del equipo.

De acuerdo con los balances de materia del voltil y el balance global tenemos:


1,1 1 1,1 2 1,2 2 1,2
1 2 2
Fz L x V y L x
F L V L
= + +
= + +



(14.i)

La combinacin de ambos balances permite obtener

( )
1,1 1,1 2 1,2 1,1
2
1,2 1,1
/ z x L F x x
V
F y x

=

(15.i)

La determinacin de la razn V
2
/ F es importante, pues se vincula con la
recuperacin del sistema. Para la segunda unidad podemos plantear los siguientes
balances de materia

1 2 2
2 2 1
(1 ) V V L R
V V
= + +
=



de cuya combinacin se deduce la ecuacin

19

2 2 2
2
1

(1 )
L V
F F R

=
+

(16.i)

La combinacin de las ecuaciones 15.i y 16.i logra

2 1,1 1,1
2
1,1 2 1,2 2 1,2 2
(1 ) ( )
x (1 ) ( 1) (1 )
R x z
V
F R x y R

+
=
+ + +


(17.i)

donde, de acuerdo con la ecuacin 9.i, tenemos

1,1 2,1
2
2,2 1,2
1 1
y y
K K
=



(18.i)

Para la solucin ideal de Benceno + Tolueno, las constantes de vaporizacin slo
dependen de la temperatura, pues K
i,j
= P
i
0
(T
j
)/P
j
. Como se sigue de las
relaciones 10.i y 11.i, las fracciones molares del equilibrio de fases se calculan
conocidas las constantes de vaporizacin y de las condiciones del problema se
tiene que z
1,1
es una especificacin. Por tanto, la especificacin de T
1
, T
2
, R
permite evaluar la razn V
2
/F desde la ecuacin 17.i, de la que la recuperacin se
calcula como

1,2 2
1 2
1,1
( , , )

y V
r r T T R
z F
= =

(19.i)

La ecuacin 19.i muestra que la recuperacin es una variable sensitiva a la razn
de reciclo, de modo que su manejo permite optimizar la recuperacin.

La fraccin vaporizada de la primera unidad se calcula conociendo la fraccin
molar global que alimenta ese estanque (
1,1
), la que est dada por

2
1,1 1,2
1,1
2
1
L
z R x
F
L
R
F

+
=
+



Finalmente

1,1 1,1
1
2,1 1,1
1
1 1 K K

=



(20.i)

Las ecuaciones 15.i a 20.i representan todo el juego de relaciones que permiten
resolver el problema de optimizacin

20

1,2 2
1 2
1,1
1
2
1,2
: ( , , )
: 0 1
0 1
*
y V
Mn r T T R
z F
Sa
y y

=
< <
< <

(21.i)

Con la finalidad de medir el impacto del reciclo parcial en el ptimo, podemos
considerar como caso base la condicin en que R . Tal caso, con si
correspondiente dominio factible de optimizacin, se presenta en la Figura 1.4.e.
La comparacin de las Figuras 1.4.b (R 0) con 1.4.e (R ), sugiere que la
instalacin del reciclo cambia la topologa de la funcin objetivo como tambin los
contornos restrictivos. El ptimo aparece ahora en el vrtice vecino al punto C,
donde intersectan las restricciones de pureza comercial con
2
= 0, alcanzando
una recuperacin del orden de 0.845. As la conveniencia de reciclar es clara,
pues produce una mayor recuperacin del producto deseado. Tambin es claro
que una razn de reciclo infinito no es sustentable por el equipo instalado y, que,
en general, ser necesario producir reciclos finitos. La evolucin del ptimo de
recuperacin con el reciclo se puede observar en las Figuras 1.4.f y 1.4.g. De las
Figuras indicadas es claro que la recuperacin aumenta sistemticamente con el
aumento de R, y que las temperaturas se mantienen acotadas en un rango
razonable. Del estudio de sensitividad del ptimo se sigue, entonces, la
conveniencia de inducir cada de presin en la separacin y reciclar parcialmente,
aunque dentro de los rangos de operacin de la batera. El problema de la batera
de flasheo constituye una excelente oportunidad para mostrar el rol de la
optimizacin en el mejoramiento de procesos qumicos. Partimos de un problema
muy mal definido, pero el anlisis gua la determinacin de acciones razonables
de operacin.

21

Figura 1.4.e- plano de curvas de nivel para el problema con R

T
1
360 361 362 363 364 365
T
2
358
359
360
361
362
363
-1.0
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
A
B
C
D
E
F
0
1
=
0
2
=
1
2
=
1
1
=



Como se ha mostrado en el caso anterior, en Ingeniera Qumica, muchos
problemas clsicos pueden resolverse utilizando funciones continuas o continuas
por tramos. Dedicaremos una parte abundante de los contenidos al tratamiento
de tales funciones.

Una segunda aplicacin importante de la optimizacin es la modelizacin de un
conjunto de datos experimentales por medio de una funcin emprica o terica,
como tambin la reduccin de un problema muy complejo a una funcin sencilla y
ms tratable como un polinomio de coeficientes lineales. En este caso, la funcin
objetivo puede ser minimizar la dispersin de la funcin interpolante respecto de
un conjunto de datos, una restriccin de igualdad puede ser inducir la aparicin
de inflexiones o mximos en el modelo y las restricciones pueden ser mantener el
valor de los parmetros en un cierto rango, fsica o empricamente aceptable. La
modelizacin de datos es bien conocida por tcnicas de regresin lineal, pero para
el clculo de parmetros de funciones no lineales la optimizacin ofrece tcnicas
muy poderosas y atractivas; ejemplos tpicos son las cinticas de reaccin,

22
modelos emprico-tericos como las ecuaciones de estado, modelos empricos
ampliamente testeados para reducir informacin a un conjunto de parmetros
como la ecuacin de Antoine, etc.

R
0 20 40 60 80 100
0.0
0.2
0.4
0.6
0.8
1.0
recuperacin
1

R
0 20 40 60 80 100
360
361
362
363
364
365
T
1
T
2

Figura 1.4.f. evolucin de la recuperacin
ptima con la variacin del reciclo.
Figura 1.4.g. evolucin de las temperaturas
ptimas de operacin con la variacin del
reciclo.

Una tercera aplicacin dice relacin con la solucin de un conjunto de ecuaciones
algebraicas no lineales, donde las tcnicas iterativas como el mtodo de Newton o
el mtodo de sustitucin sucesiva no son eficientemente aplicables. En este caso,
el objetivo de la funcin ser anularse, o analizado de otra manera, el objetivo
ser minimizar el cuadrado de una funcin en bsqueda de una raz que la anule.

1.2 Teora bsica de funciones continuas

Continuidad
Una funcin unidimensional es continua en un punto x
0
si:

a. f (x
0
) existe.
b. Lm
x x0
f (x
0
) existe, y es nico aproximndose direccionalmente a x
0

c. Lm
x x0
f (x) = f (x
0
)

el concepto de continuidad tiene gran importancia en optimizacin, pues permite
seleccionar una tcnica de optimizacin ad-hoc.


23
x
f(x)
Punto de
discontinuidad

x
f(x)

a. funcin discontinua b. funcin continua

El caso (a) podra producirse por un cambio de tecnologa o escala, por ejemplo,
la eficiencia de dos compresores recomendados para ciertos rangos de flujo. Se
observa la presencia de un mximo que podra ser alcanzado con tcnicas
diferenciales dependiendo del valor inicial. El caso (b), corresponde a un caso
continuo, este tipo de funciones se obtienen comnmente al aplicar valor absoluto
(por ejemplo, en ajuste de parmetros). Aunque la funcin es continua por
definicin, no es diferenciable y una tcnica de derivadas puede fallar.

Funciones uni y multimodales.
Otro aspecto de gran importancia cuando se buscan puntos candidatos al ptimo,
dice relacin con la monotona de las funciones. En optimizacin, la monotona se
denomina modalidad de una funcin. Una funcin se dice unimodal en un dominio
definido cuando presenta un solo punto estacionario (mximo o mnimo) en el
dominio de estudio. Por otro lado, se dice que una funcin es multimodal en un
dominio definido cuando presenta varios puntos estacionarios. El caso (a), por
ejemplo, es unimodal, pues presenta un solo punto estacionario, que corresponde
a un mximo. El caso (b) presenta mnimos y mximos, dando origen a una
funcin multimodal. Cuando las funciones son clase C
2
(continuas y
diferenciables), la modalidad puede ser estudiada analizando la segunda derivada.
La funcin ser unimodal cuando el signo de su segunda derivada no cambia.
Desde el punto de vista de la optimizacin, el caso ms sencillo ocurre cuando las
funciones objetivo son unimodales. En funciones multimodales siempre es posible
determinar un candidato a ptimo, pero el ptimo ms conveniente requiere de
una exploracin exhaustiva de la funcin.

Funciones cncavas y convexas

24
Una funcin es matemticamente cncava en una regin si, al considerar dos
puntos arbitrarios de la regin, se cumple que:

( ) ( ) ( ) ( ) ( )
a b
1 1 x x ; 0 1
a b a b
f x x f x f x + + <
(1.1)

desde un punto de vista grfico, esto significa que la recta espacial que une dos
puntos de la funcin (o cuerda) evaluada se sita por debajo de la funcin. Por
otro lado, una funcin convexa se define invirtiendo la desigualdad:

( ) ( ) ( ) ( ) ( )
a b
1 1 x x ; 0 1
a b a b
f x x f x f x + + <
(1.2)

en funciones el concepto de concavidad y convexidad permite clasificar el punto
extremo (mximo o mnimo) como un extremo global. Cabe indicar que las
definiciones presentadas de concavidad y convexidad son completamente
generales, y presentan una buena oportunidad para calificar una funcin cuando
se tiene un punto estacionario, perturbable en una vecindad en funcin del
parmetro , por pruebas de evaluacin directa de la funcin objetivo asistida por
computador. Tales pruebas se denominan comnmente tcnicas Monte Carlo,
debido a la intervencin de nmeros al azar. Para funciones objetivo
unidimensionales, la situacin grfica es la siguiente:
x
f(x)
x
a
x
b

Funcin cncava
x
f(x)
x
a
x
b

Funcin convexa

Una tcnica ms poderosa (aunque menos general y global) para estudiar la
concavidad o convexidad de una funcin, es el anlisis de la segunda derivada. En
esta metdica se requiere que la funcin sea de clase C
2
. Del clculo nos es
familiar la siguiente relacin:


25

2
2
0
: 0
0 ( )
funcin convexa
d f
funcin cncava
dx
punto de silla o de inflexin
>
| |

<
|
\

=

1



Cabe indicar que, en la prctica de la optimizacin de problemas de escala real,
no siempre es posible disponer de informacin diferencial. Esto suele depender de
la naturaleza de la funcin objetivo, particularmente su grado de complejidad y el
costo de evaluarla. Las ecuaciones 1.1 y 1.2 constituyen tcnicas muy generales
para estimar la concavidad o convexidad funcional, y es recomendable
considerarlas en problemas complejos.

Regiones cncavas y convexas
Cuando se optimiza una funcin objetivo sujeta a restricciones, existe un dominio
factible en donde se encuentra la solucin. Se define un dominio convexo como
aquel cuya hiperrecta que une dos elementos del dominio, tiene todos sus puntos
contenidos en el dominio. Un ejemplo de dominio convexo puede observarse en la
Figura 1.5. En la Figura previa notamos que

( ) ( ) x 1 con 0 1
a b
x x = +


Consideremos ahora la Figura 1.6. Cuando la regin factible de optimizacin es
externa a la elipse, algunos de los puntos de la lnea que une dos elementos del
dominio no estn contenidos en el dominio factible dando origen a regiones
cncavas.

Figura 1.5. Dominio convexo
(regin factible dentro de la elipse)

Figura 1.6. Dominio cncavo
(regin factible fuera de la elipse)

Teoremas (topologa matemtica):

1
indicacin: el punto de silla de una funcin aparece unvocamente si las derivadas superiores (al
menos tercera) de la funcin son no nulas. Si la tercera derivada anula, es necesario explorar
derivadas superiores para determinar la concavidad local de la funcin. No necesariamente la
nulidad de la segunda derivada implica la aparicin de un punto de silla.

26
1. La interseccin de dos regiones convexas es convexa.
2. La unin de dos regiones convexas, no necesariamente define una regin
convexa.


a b


a b

Las regiones cncavas y convexas adquieren relativa importancia cuando se
combinan restricciones de desigualdad en un mismo problema de optimizacin. La
razn es que el dominio de bsqueda est acotado por restricciones y fcilmente
puede llegarse a un punto donde se viola la factibilidad del dominio.


27
Captulo 2. Programacin lineal (LP, Linear-Programming)

2.1 Introduccin
Un nmero importante de problemas de optimizacin, particularmente aquellos
vinculados a calibracin de de costos o a la investigacin de operaciones
2
,
conduce a funciones objetivo y restricciones lineales. A modo de ejemplo, son
ejemplos tpicos los siguientes problemas:

cmo combinar materias primas de diferente calidad o tecnologas de diferente
eficacia, de modo que un proceso alcance la mxima rentabilidad (problema de
mezclado).

cmo asignar diariamente las actividades a un grupo de empleados con varios
tipos de expertizaje, de manera de maximizar su eficiencia productiva
(problema de planificacin)

cmo interactuar logsticamente con una red de proveedores o una red de
potenciales compradores, de manera de minimizar los costos asociados a la
distribucin de productos o a la adquisicin de materias primas (problema de
transporte)

Dentro de los rangos de flexibilidad de operacin de una planta qumica, la
prctica sistemtica nos muestra que los balances de materia y energa pueden
ser linealizados o, cuando menos, linealizados por tramos, estableciendo rangos
de operacin de funcionalidad lineal en las variables de optimizacin. Esta
tambin es una buena oportunidad para producir problemas de caracterstica
lineal. En general, el problema de optimizacin de funciones lineales, sometidas a
restricciones tambin lineales, da origen un tipo especial de problema de
optimizacin denominado programacin lineal. El trmino programacin lineal no
est especficamente referido a los cdigos de programacin del problema, sino
que a que pueden ser tratados con tcnicas algebraicas de resolucin y reduccin
de sistemas lineales convencionales.
De modo de familiarizarnos con las caractersticas y elementos de un problema
LP, vamos a considerar en detalle la formulacin y el desarrollo de un problema
especfico: Una refinera puede adquirir dos calidades de crudo para su operacin:
Crudo #1 y Crudo #2. Sus productos de venta son la Gasolina, el Kerosene, el
Fuel Oil y un producto combustible adicional denominado Gas Oil


2
Para una definicin formal y mayores antecedentes de esta importante disciplina, visitar:
http://es.wikipedia.org/wiki/Investigaci%C3%B3n_de_Operaciones

28


por otro lado, se dispone del siguiente cuadro representativo de los rendimientos
para cada crudo, la limitaciones operativas, y los costos de produccin:

Tabla de datos y rendimientos para el sistema
Producto Rendimiento volumtrico
(%)
capacidad de produccin
(bbl/da)
Crudo #1 Crudo #2
Gasolina 80 44 24000
Kerosene 5 10 2000
Fuel Oil 10 36 6000
Gas Oil 5 10 -----
Costo de procesamiento
(US$/bbl)
0.50 1.00

Se requiere establecer el flujo de materias primas y la distribucin de productos,
de modo de maximizar las utilidades.

Etapas bsicas de formulacin del problema de optimizacin LP
Una vez detectada la oportunidad de optimizacin que, en este caso, corresponde
claramente a maximimizar la utilidad del proceso, se recomienda la siguiente
secuencia de pasos

1. establecer claramente la nomenclatura para las variables que influyen el la
optimizacin:

x
1
: bbl/da de Crudo #1
x
2
: bbl/da de Crudo #2
x
3
: bbl/da de Gasolina.
x
4
: bbl/da de Kerosene.
x
5
: bbl/da de Fuel Oil.
x
6
: bbl/da de Gas Oil

2. establecer la funcin objetivo y su dependencia en las variables de
optimizacin:

29

( )
costo costo
Mx f x Mx Utilidad ventas - -
materia prima operativo

= =
` `
) )

donde:

3 4 5 6
1 2
1 2
36 24 21 10
24 15
0.5
ventas x x x x
costo
x x
materia prima
costo
x x
operativo
= + + +

= +
`
)

= +
`
)


vemos que la funcin objetivo depende de n = 6 variables de optimizacin.

3. Determinar las restricciones de igualdad: del cuadro de rendimientos, se
obtiene un balance en volumen para cada crudo:

3 1 2
4 1 2
5 1 2
6 1 2
0.80 0.44
0.05 0.10
0.10 0.36
0.05 0.10
x x x
x x x
x x x
x x x
= +
= +
= +
= +


Aplicando el anlisis de grados de libertad, tenemos aqu un conjunto de m = 4
restricciones de igualdad que relacionan el total n = 6 variables. Obviamente la
solucin satisfactoria debe cumplir exactamente todas las relaciones de igualdad.
Como habamos sealado, las restricciones de igualdad permiten reducir las
dimensiones del problema de optimizacin en trminos de operar especificando
los grados de libertad del mismo.

6 variables 4 ecuaciones 2 grados de libertad

4. Determinamos ahora las restricciones de desigualdad. En la tabla se aprecia
que hay capacidades productivas mximas para cada uno de los productos:

3
4
5
24000
2000
6000
x
x
x

por otro lado, puesto que cada variable representa fsicamente a un flujo, estos
deben estar restringidos a ser positivos, es decir,

0 i=1,6
i
x

30

si adems hubieran restricciones en cuanto a la disponibilidad de materias primas,
tambin sera necesario incluirlas como restricciones.
Siguiendo este problema, vemos que un problema (LP) tiene una forma general:

1
( )
n
T
i i
i
Mn f x c x c x
=
= =

n : nmero de variables
sujeto a:
1
n
ji i j
i
a x b Ax b
=
= =

j = 1 , m
m : nmero de restricciones de igualdad.
1
' ' ' '
n
ki i k
i
a x b A x b
=

k = 1 , p
p : nmero de restricciones de desigualdad

Como discutamos en el captulo previo, la dimensin del problema de
optimizacin es: f = n m. Siempre es conveniente reemplazar las restricciones
de igualdad de modo de reducir las dimensiones del problema de optimizacin. En
un caso general de funciones lineales el objetivo sealado es siempre posible y
sencillo, pero no lo es para funciones generales no lineales, como por ejemplo:


1 2
1 2 2 1
: ( )
: 0 exp ( ) 4 exp ( )
Mn f x x x
Sa x x x x
= +
=
donde x
2
claramente no puede despejarse en trminos de x
1
desde la restriccin
de igualdad.
En el caso que venimos analizando, el anlisis de grados de libertad revela que es
posible compactar el problema a 2 variables. Anlogamente, es posible convertir
un problema de maximizacin en uno equivalente de minimizacin siguiendo la
transformacin:

Max ( ) f ( ) ( ) U x Mn x U x =

As, al reemplazar las restricciones de igualdad en la funcin objetivo y en las
restricciones de desigualdad, se obtiene:

1 2
( ) ( ) ( ) 8.1 10.8 Mx U x Mn f x U x x x = =

restringido a:

A. Produccin mxima de gasolina:

1 2
0.80 0.44 24000 x x +

31

B. Produccin mxima de Kerosene

1 2
0.05 0.10 2000 x x +

C. Produccin mxima de Fuel Oil

1 2
0.10 0.36 6000 x x +

D. Flujos positivos de crudo, o condicin de planta operativa

1
2
0
0
x
x

Adicionalmente, si observamos las restricciones de igualdad, es posible constatar
que al elegir flujos positivos de crudos x
1
, x
2
tambin se obtendrn flujos
positivos de todos los productos. Siempre es conveniente eliminar las
restricciones redundantes, es decir, aquellas que necesariamente se cumplen por
otras de mayor jerarqua se han satisfecho.
Como es usual, todo problema que incluye uno a dos grados de libertad admite
solucin grfica, y esta es una oportunidad que debe ser aprovechada en la
resolucin como ya hemos visto en el Captulo 1. Pese a lo anterior, en problemas
de escala real generalmente se tienen numerosas dimensiones. Sin embargo,
explotaremos la caracterstica bidimensional del problema bajo anlisis para
extraer las caractersticas de la solucin de un problema LP y extenderlas a
problemas de gran dimensin. Consideremos ahora el problema en un plano de
curvas de nivel de la funcin objetivo:

1 2
( ) 8.1 10.8 Mn f x x x =

por tanto, el vector gradiente f y la matriz hessiana H correspondientes sern

8.1 0 0
( ) ; ( )
10.8 0 0
f x H x
( (
= =
( (

Claramente, y como se confirma en la Figura 2.1.1, la funcin objetivo por s sola
no tiene solucin finita o acotada. Vemos que el gradiente es un vector de
constantes no nulo y, en general, la funcin f decrece con el aumento simultneo
de x
1
, x
2
. El gradiente negativo (que, geomtricamente, apunta en la direccin en
que la funcin decrece con mayor rapidez) indica que la funcin es minimizable
cuando x
1
y x
2
crecen hasta el infinito. Por tanto, el problema LP no puede ser
resuelto por tcnicas convencionales de deteccin de puntos estacionarios
(tcnica de anular derivadas) y, sin la presencia de restricciones que acoten a las
variables manipulables, su solucin siempre ser infinita.

32

x
1
(bbl/da crudo #1)
-20x10
3
0 20x10
3
40x10
3
60x10
3
x
2



(
b
b
l
/
d

a

c
r
u
d
o

#
2
)
-20x10
3
0
20x10
3
40x10
3
60x10
3
f

=

0
.
0
f

=

-
1
0
0
0
0
0
f

=

-
2
0
0
0
0
0
f

=

-
3
0
0
0
0
0
f

=

1
0
0
0
0
0
f(x)


Figura 2.1.1 Curvas de nivel de una funcin objetivo lineal


Obviamente, la situacin de que las variables de optimizacin deban cumplir con
un conjunto de restricciones genera un dominio factible de bsqueda de variables.
Al incluir las restricciones en el problema anterior, se obtiene la Figura 2.1.2, en
la que se aprecia un dominio factible para solucionar el problema. El dominio
factible se observa claramente delimitado en la Figura 2.1.3, de la que es posible
posible deducir los siguientes hechos:
la inclusin de un dominio restricto produce un problema de solucin finita, y el
mnimo del problema es del orden 2010
3
3010
3

la solucin aparece en algn vrtice del dominio factible. En el caso del
problema, el vrtice representativo corresponde al punto donde las
restricciones A y B logran interseccin.
la posicin de la solucin en el conjunto de vrtices del dominio factible
depende de la pendiente de las curvas de nivel
los vrtices de la forma geomtrica correspondiente al dominio factible
corresponden a intersecciones entre las restricciones de desigualdad.

33
x
1
(bbl/da Crudo #1)
0 10x10
3
20x10
3
30x10
3
x
2



(
b
b
l
/
d

a

C
r
u
d
o

#
2
)
-5x10
3
0
5x10
3
10x10
3
15x10
3
20x10
3
f

=

0
.
0
f

=

-
1
0

1
0 3

f
(
x
)
f

=

-
2
0

1
0 3
f

=

-
3
0

1
0 3
(A) (B) (C)

x
1
(bbl/da Crudo #1)
0 10x10
3
20x10
3
30x10
3
x
2



(
b
b
l
/
d

a

C
r
u
d
o

#
2
)
-5x10
3
0
5x10
3
10x10
3
15x10
3
20x10
3
f

=

0
.
0
f

=

-
1
0

1
0 3
f

=

-
2
0

1
0 3
f

=

-
3
0

1
0 3
(A)
(B)
(C)

Figura 2.1.2 Curvas de nivel de una
funcin objetivo lineal con adicin de
las restricciones
Figura 2.1.3 Detalle del dominio
factible mostrado en la Figura 2.1.2

Esta ltima observacin es la ms importante, pues define la estrategia de
bsqueda de soluciones para el problema de la programacin lineal: basta
analizar el orden de magnitud del monto funcional en las intersecciones
entre restricciones de desigualdad.
En el caso especfico que se est tratando, la solucin del problema ocurre en la
interseccin de las restricciones A y B, que puede ser obtenida directamente
solucionando el correspondiente problema lineal

1 2 1
1 2 2
( ) : 0.80 0.44 24000 26207
286764
( ) : 0.05 0.10 2000 6897
mn
A x x x
f
B x x x
+ =
=
+ =


La solucin grfica de un problema de programacin lineal es posible cuando el
problema depende, globalmente, de dos variables de optimizacin (problema
bidimensional). Sin embargo, la generalidad de los casos depende de un nmero
considerable de variables, de modo que en este captulo presentaremos una una
estrategia que permite resolver un problema de cualquier dimensin (mtodo
Simplex).

2.2 Patologas de formulacin de un problema de Programacin Lineal
El problema grfico que acabamos de estudiar es un problema bien definido, en el
sentido que su solucin es nica y, como se aprecia en la Figuras 2.1.2-2.1.3, el
dominio de bsqueda est consistentemente cerrado. Cuando la dimensin y/o la
complejidad del problema lineal crecen es posible que, o por problemas de
planteamiento o por la condicin matemtica del problema, se obtengan
problemas patolgicos dentro de la estructura del LP. Cuando las patologas

34
ocurren en la vecindad del ptimo, puede suceder que la solucin del problema no
sea posible, y se requiera de un estudio ms especfico de re-acondicionamiento
del problema original. En general, las patologas involucran juzgar la calidad del
ptimo obtenido, o bien, determinar la consistencia de las restricciones de
desigualdad del problema. Las patologas tpicas del problema lineal son las
siguientes

Problemas de mltiple solucin
Segn la pendiente de las curvas de nivel de la funcin objetivo, el problema de
programacin lineal podra llegar a tener mltiples soluciones. A modo de ejemplo
consideremos el problema:

1 2
1 2
1 2
1 2
: ( ) 2 0.5
: 6 6 30 ( )
4 12 ( )
, 0
Mx f x x x
Sujeto a x x A
x x B
x x
= +
+
+

cuya grfica se aprecia en la Figura 2.2.1, que tiene infinitas soluciones. Cualquier
punto x
1
, x
2
sobre la restriccin B en el dominio factible constituye una solucin
del problema que conduce al mismo valor numrico del ptimo. Desde un punto
de vista prctico cualquiera de esas soluciones es aceptable.
La patologa de infinitas soluciones puede producirse cuando la curva de nivel de
la funcin objetivo se hace paralela a una restriccin (notar que si el problema
fuera de minimizacin, tendra solucin nica en el vrtice [0,0], an ocurriendo
paralelismo entre la curva de nivel de f y una restriccin). As, es posible
sospechar de problemas de mltiple solucin cuando los coeficientes de la funcin
objetivo son una combinacin lineal de los coeficientes de algunas de las
restricciones, aunque siempre es necesario desarrollar un anlisis de la posicin
de la solucin. En el problema que ilustra la patologa podemos ver que los
coeficientes de la funcin objetivo son una combinacin lineal de los coeficientes
de la restriccin B, que es precisamente donde se producen mltiples soluciones

Problemas sin solucin acotada.
Estos problemas aparecen cuando las restricciones son insuficientes para producir
el acotado de la solucin dentro de un dominio factible, por ejemplo:

Mn f x x x
x
x
x x
: ( )
,
=

1 2
2
2
1 2
0
3
0
Sujeto a: 3x (A)
(B)
1


El grfico del problema se observa en la Figura 2.2.2. Se concluye de all x
2

permanecer acotado en 3, pero x
1
puede crecer sin restriccin hasta el infinito,
reduciendo sistemticamente el monto de la funcin objetivo. El problema sin

35
solucin acotada es sintomtico de la falta de una restriccin fsica en el
planteamiento del problema. Una condicin necesaria para que un problema no
tenga solucin acotada es que la regin factible no sea cerrada. An as, una
regin abierta puede alcanzar solucin ptima. Por ejemplo, el problema ilustrado
en la Figura 2.2.2 tiene solucin si fuera de maximizacin.

x
1
0 1 2 3 4 5 6
x
2
0
1
2
3
4
5
6
f creciente
(B)
(A)


x
1
0 1 2 3 4 5 6
x
2
0
1
2
3
4
5
6
f decreciente
(A)
(B)


Figura 2.2.1. Problema de solucin mltiple Figura 2.2.2. Problema sin solucin acotada


36
Problemas con restricciones
incompatibles.

Dentro de la multiplicidad de problemas
LP, tambin es posible encontrar
aquellos que poseen restricciones
incompatibles, no pudiendo generar
regiones factibles de solucin. A modo
de ejemplo podemos considerar la
siguiente situacin grfica
Los problemas de restricciones
incompatibles no tienen solucin
matemtica. Desde un punto de vista
prctico, se hace necesario revisar la
consistencia de las restricciones.
Las categoras sealadas aqu
corresponden a problemas LP mal
definidos o patolgicos, estos
producirn fallas de procedimiento
durante la solucin de problemas LP.

x
1
x
2

Figura 2.2.3. Problema con restricciones
incompatibles
Cabe indicar que todo problema LP correctamente definido conduce a dominios
factibles cerrados.

Determinacin de restricciones de carcter lineal
El objetivo de esta seccin es facilitar el planteamiento de restricciones de
carcter lineal, en problemas productivos relacionados con la ingeniera qumica.
Cada vez que se plantea un problema de optimizacin han de tenerse en cuenta:

que hay limitaciones productivas que se alcanzan por lmites fsicos de
operacin de los equipos por la capacidad de almacenamiento, o bien, por
condiciones restrictivas del mercado.
la disponibilidad de materias primas puede estar limitada debido a problemas
de distribucin y transporte, almacenamiento; o bien, porque la produccin de
la planta depende de bienes intermediarios producidos por otras plantas.
existen restricciones de seguridad u operabilidad, por ejemplo, hay mezclas
que son explosivas o contaminantes en determinados rangos de concentracin.
Los materiales sufren fatigas trmicas y mecnicas de acuerdo a su calidad. De
la misma forma, la resistencia fsica de un equipo puede estar limitada a
ciertos rangos especficos de presin.
los balances de materia y energa, en general, no son lineales, pero pueden ser
considerados lineales dentro de ciertos rangos, donde es posible plantear una
proximacin afn del problema. Generalmente, el balance de materia puede
escribirse en trminos de rendimiento, que da origen a expresiones lineales.
algunas propiedades fsicas de mezclas, pueden escribirse como una
contribucin ponderada linealmente en concentracin de sus constituyentes.

37
Muchos productos puestos en el mercado requieren de ciertas especificaciones
mnimas de calidad. Por ejemplo, los hidrocarburos combustibles forman
soluciones aproximadamente ideales, la presin de vapor de una gasolina
podra ser escrita como: P
0
= x
i
P
i
sat


2.3 Algoritmo Simplex para problemas LP
En 1947, el matemtico norteaericano George Bernard Dantzig (ver mayores
detalles en anexos) dise una popular y eficiente estrategia para resolver el
problema de optimizacin que involucra funciones objetivo y restricciones
lineales. El mtodo consiste simplemente en analizar el valor de la funcin
objetivo en los vrtices del dominio factible, pues como ya sabemos de la
ilustracin previa, es all ocurre la solucin. En la presentacin de este algoritmo
suponemos que el problema de optimizacin est bien definido y est libre de
patologas, es decir, no hay restricciones incompatibles o soluciones no acotadas.
De igual forma, las restricciones de igualdad han sido reemplazadas en la funcin
objetivo y en las restricciones de desigualdad:

1
1
: ( )
Sujeto a: 0 j=1,p
0 i=1,r
r
i i
i
r
ji i j
i
i
Mn f x c x
a x b
x
=
=
=

(2.3.1)

De modo que el problema de optimizacin slo exhibe dependencia en la
dimensionalidad r, es decir, en el conjunto de variables manipulables
independientes. Para efectos de formato, en la ecuacin 2.3.1 los b
j
deben ser
positivos. Los pasos previos del algoritmo consisten en formatear el problema
como se indica en la ecuacin 2.3.1 e introducir tantas variables de holgura
positivas como restricciones de desigualdad haya (p). La introduccin de variables
de holgura sigue las siguientes reglas:

restriccin de mayoranza:
1 1
r r
ji i j ji i j j
i i
a x b a x s b
= =
=



(2.3.2)

si se resta un nmero positivo en el miembro izquierdo de la ecuacin 2.3.2,
podemos hacer que la suma iguale al valor lmite de la restriccin.

restriccin de minoranza:
1 1
r r
ji i j ji i j j
i i
a x b a x s b
= =
+ =



(2.3.3)

si se suma un nmero positivo en el miembro izquierdo de la ecuacin 2.3.3,
podemos hacer que la suma iguale al valor lmite de la restriccin. Las variables s
j

se denominan variables de holgura, y son variables artificiales de transformacin

38
del problema. Para entender su significado tomemos el ejemplo sencillo
unidimensional, como el que se ilustra en la Figura 2.3.1

1
( ) f x
1
x
a
b
*
1
x
( ) A ( ) B
A
s
B
s
0
f(x)


Figura 2.3.1. regin acotada
unidimensional

La Figura corresponde a un problema
cuyas restricciones son

(B) b x
(A) a x
1
1

cualquier punto como x
1
* es un punto
satisfactorio de la regin, puesto que las
restricciones se satisfacen. Por otro
lado, vemos que el punto x
1
* satisface
la restriccin de (A) con una holgura s
A
,
en tanto que satisface la restriccin (B)
con una holgura s
B
. Es as como una
variable de holgura representa qu tan
lejos se est del contorno de una
restriccin.
Particularmente, si una variable de holgura es nula, la interpretacin matemtica
es que el punto seleccionado de la regin est en el contorno de la restriccin
asociada a la misma variable de holgura.
Como adelantamos previamente, la solucin del problema de programacin lineal
se produce en un punto donde se satisface exactamente un grupo de restricciones
(vrtice de la regin factible). Si el problema en la Figura 2.3.1 fuera de
minimizacin, la solucin aparece en la restriccin B (con holguras s
B
nula y s
A

0), en tanto que si es de maximizacin la solucin est en la restriccin A (con
holgura s
A
nula y s
B
0). Agregando variables positivas de holgura al problema
especfico obtenemos

(B) b s x
(A) a s x
B 1
A 1
= +
=


que representa un sistema de dos ecuaciones en tres variables, con un grado
simple de libertad. En esta representacin, la especificacin de una variable de
holgura permite fijar puntos de la regin factible para efectos de analizar el valor
de la funcin objetivo. Por ejemplo, especificando s
A
= 0 obtenemos x
1
= a y s
B
=
b - a (>0) (ver Figura 2.3.2a) ; sabemos que la restriccin (A) se satisface
exactamente, que la restriccin (B) se satisface y que el punto x
1
* est contenido
en la regin factible. El caso en que se especifica s
B
= 0 aparece en la Figura
2.3.2b


39
) x ( f
1
1
x
a
b
) A ( ) B (
B
s
0
f(x)

Figura 2.3.2a. caso con s
A
= 0

) x ( f
1
1
x
a
b
) A ( ) B (
0
f(x)
A
s

Figura 2.3.2b. caso con s
B
= 0


En resumen, las variables de holgura proporcionan un mtodo eficiente para
realizar muestreos de puntos factibles en el dominio, particularmente en el
contorno de las restricciones, y analizar en ellos el monto de la funcin objetivo.
Notamos que si




s
j

= 0 la restriccin j se satisface exactamente y el punto de anlisis est
en su contorno.


> 0 la restriccin j se satisface, pero el punto de anlisis no est en su
contorno.

Las restricciones que se satisfacen exactamente con s
j
nulo se denominan
restricciones activas, en tanto que las restricciones con s
j
positivo (que tambin
se satisfacen pero no exactamente) se denominan restricciones inactivas. En la
eventualidad de que alguna restriccin tuviese s
j
negativa, la restriccin especfica
ha sido violada y el punto de anlisis est fuera del dominio factible.
Para efectos de ir ilustrando las etapas de la estrategia Simplex, vamos a
considerar el siguiente problema bidimensional:

1 2
1 2
1 2
1 2
1 2
: ( )
: 2 2
3 2
4
, 0
Mx f x x x
Sujeto a x x
x x
x x
x x
=

+

Etapa 0: dar formato al problema LP segn se especifica en la ecuacin
2.3.1. El problema debe ser de minimizacin, con constantes

40
restrictivas b
j
positivas. Todas las variables x involucradas en el
problema deben ser tambin positivas.

En el ejemplo, se obtiene:

1 2
1 2
1 2
1 2
1 2
: ( )
: 2 2 ( )
3 2 ( )
4 ( )
, 0
Mn f x x x
Sujeto a x x A
x x B
x x C
x x
= +
+

+

La etapa 0 es una buena oportunidad para revisar posibles patologas que se vean
evidentes en el problema. En este caso no se aprecia que la funcin objetivo
tenga coeficientes linealmente dependientes de las restricciones de desigualdad.
Por tanto, es posible descartar patologas de mltiple solucin. Ms difcil es
determinar si la regin de optimizacin es cerrada o con restricciones
incompatibles.
x
1
0 1 2 3 4
x
2
0
1
2
3
4
(A)
(C)
(B)
) x ( f

Figura 2.3.3. representacin grfica del
problema ejemplo


En una seccin posterior estudiaremos
una metodologa especfica para hacer
estudios de patologa en problemas de
gran dimensionalidad (estrategia Fase
I-Fase II ). Por el momento basta notar
que el problema es bidimensional, y por
tanto admite representacin grfica
sencilla, como se aprecia en la Figura
2.3.3
Segn observamos en la Figura en
cuestin, el problema ejemplo presenta
una regin factible cerrada y coherente.
Por otro lado, es claro que la solucin
ocurre en el vrtice generado por las
restricciones B y C.

Etapa 1: introducir las variables de holgura a cada ecuacin de
restriccin, siguiendo las reglas indicadas en las ecuaciones (2.3.2) y
(2.3.3)

En el ejemplo, todas las restricciones de desigualdad p conducen a relaciones de
minoranza, de modo que a cada ecuacin sumamos una variable de holgura:


41
1 2
1 2
1 2
3
4
5
3 4 5
1 2
1 2
: ( )
Sujeto a: 2 2 (A)
3 2 (B)
4 (C)
, , , , 0
Mn f x x x
x x
x x
x x
x x
x
x
x
x x x
= +
+ + =
+ =
+ + =

Problema aumentado


en este momento, las p restricciones de desigualdad originales, se han
transformado en m = p restricciones de igualdad. El problema de optimizacin
depende ahora de 5 (r + p) variables, relacionadas por 3 ecuaciones, dando lugar
a un problema de dos dimensiones, equivalente al original. El problema con
adicin de variables de holgura recibe el nombre de problema aumentado, pues
incluye ms variables que el problema original. El caso especfico en un sistema
de 3 ecuaciones en 5 incgnitas, que puede resolverse si especificamos dos
variables positivas.

Etapa 2: Encontrar una solucin que se encuentre en uno de los
vrtices del dominio factible.

Si consideramos un anlisis de los grados de libertad del nuevo problema de
optimizacin, tenemos un nmero total de n = r + p variables, donde m = p son
nuevas restricciones de igualdad, los grados de libertad del problema, son r. En el
caso especfico que venimos tratando:

2 3 5
3
n r p
m p
= + = + =
= =



como los grados de libertad son dos, es claro que la especificacin de dos de las
cinco variables resuelve el problema. En este sentido, tenemos dos variables
independientes, denominadas tambin variables no bsicas, y tres variables
dependientes, denominadas variables bsicas.
Cualquier especificacin de variables no bsicas, capaz de resolver el sistema de
restricciones de igualdad, genera una solucin bsica del problema. Del conjunto
de soluciones bsicas, existe un subconjunto de soluciones factibles, para las que
tanto las variables bsicas como no bsicas son positivas. Estas soluciones
factibles se encuentran en uno de los vrtices del dominio convexo factible.
Retomando el problema original de optimizacin, podemos hacer el trazado en la
Figura 2.3.3. Son soluciones bsicas factibles la interseccin de (A) con (C), la
interseccin de (B) con (C), las intersecciones de (A) con el eje x
2
y (B) con el eje
x
1
. Es solucin bsica, pero no factible la interseccin de (A) y (B). Notemos que
una solucin factible inicial ocurre cuando x
1
= x
2
= 0. En este caso


42
3
4
5
( ) 0
2 (A)
2 (B)
4 (C)
f
x
x
x
x
=
=
=
=



ntese que las variables de holgura tambin son positivas y mayores que cero, en
este caso, la solucin factible no se encuentra en ninguna de las restricciones de
igualdad, puestos que las variables de holgura son no nulas. Ahora debemos
avanzar por los vrtices del dominio factible, en busca del ptimo.

Etapa 3: avanzar a una nueva solucin factible, de modo de minimizar la
funcin.

a. La primera solucin factible es x
1
= x
2
= 0
1 2
1 2
1 2 5
1 2
3
4
2 2 (A)
3 2 (B)
4 (C)
( ) 0 (*)
x x
x x
x x
f x
x
x
x
x
x
+ + =
+ =
+ + =
+ =



en el problema vemos que el aumento de x
1
favorece la reduccin de la funcin
objetivo, el aumento de x
2
, en cambio, produce un aumento de la funcin
objetivo. En esta etapa debemos encontrar un nuevo conjunto de variables no
bsicas (o independientes). Al elegir x
2
= 0 como variable no bsica estamos
seguros de que la funcin debe ser minimizada. La regla de seleccin establece
que debe transformarse en bsica aquella variable no bsica con el mayor
coeficiente positivo en (*), en este caso, x
1
.

b. Cuando x
1
crece deja de ser una variable no bsica, de modo que es necesario
seleccionar otra del conjunto total de disponibles. Con x
2
= 0, vemos que en la
restriccin (A) x
1
puede crecer en forma ilimitada, sin hacer negativa a x
3
. Por la
restriccin (B), x
1
puede crecer hasta 2. Por la restriccin (C) x
1
puede crecer
hasta 4. Como regla general, se incluye como nueva variable no bsica a aquella
cuya operatoria de coeficientes satisface:

1
0 l: variable transformada en bsica en a. (x )
j
lj
b
mn
a
| |

|
|
\



por este criterio se busca la restriccin ms desfavorable para el crecimiento de
x
1
. Analizando las correspondientes, se concluye:


43
( ) : /
( ) : /
( ) : /
A
B
C



2 2 1
2 1 2
4 1 4
=
=
=



la menor positiva corresponde a la restriccin (B). Recordando que x
2
= 0, la
variable activa con crecimiento de x
1
en (B) es x
4
, y x
1
puede crecer con x
2
= 0
hasta el valor 2, en el que x
4
= 0. De esta forma, las nuevas variables no bsicas
sern x
2
= x
4
= 0. Como la variable de holgura de (B) es nula, buscamos una
solucin en la restriccin correspondiente.

Luego, el criterio de bsqueda es:

a. Escribir la funcin objetivo como

( ) 0
i i
i
f x c x =

eliminar como variable independiente o no bsica a aquella que presente el mayor
coeficiente positivo -c
l
llamada aqu x
l


b. Introducir como nueva variable no bsica a aquella que presente el menor
valor positivo de:

b
a
j
jl
|
\

|
|
j = 1, m


que es representativa de la restriccin ms desfavorable "o restrictiva".

Etapa 4: Transformar las ecuaciones de acuerdo a la seleccin de las
nuevas variables no bsicas.

Como resultado de la etapa 3, hemos seleccionado como variables independientes
o no bsicas a x
2
= x
4
= 0.
Recordando que el nmero de grados de libertad del problema de optimizacin es
dos, la seleccin de dos variables no bsicas permite obtener la solucin del
sistema de restricciones de igualdad. Ahora corresponde escribir las ecuaciones
en trminos de las nuevas variables no bsicas:

Variables bsicas: x
1
, x
3
, x
5

Variables no bsicas: x
2
, x
4


considerando las relaciones:

44
1 2
1 2
1 2 5
1 2
3
4
2 2 (A)
3 2 (B)
4 (C)
( ) 0 (*)
x x
x x
x x
f x
x
x
x
x
x
+ + =
+ =
+ + =
+ =



podemos escribir cada una de las variables bsicas en trminos de variables no
bsicas. De la restriccin ms desfavorable se deduce:

1 2 4
( ) : x 2 3 x B x = +

puesto que x
1
deja de ser no bsica, se reemplaza en el resto de las restricciones:

( )
( )
( )
4 3 3 4
4
4
2 2 2
1 2
2 2 2 5 5 4
4 2 2 4 2
( ) : 2 2 3 2 5 2 6
( ) : 3 2
( ) : 2 3 4 4 2
2 3 0 2 2
A x x x
B x x
C x x x
x x x x
x
x x x x
x x f x x f x
+ + + = + =
+ =
+ + + = + =
+ + = + =



notar que dado que las variables bsicas son x
2
= x
4
= 0, hemos logrado que la
funcin objetivo adquiera valor -2. Mirando la lnea de la funcin objetivo,
convendra incorporar x
2
como una nueva variable bsica, dejando a x
4
como no
bsica e incorporando a x
5
como la nueva variable no bsica. Ntese tambin que
lo nico que hemos hecho aqu es eliminar las variables bsicas en trminos de
variables no bsicas. El mismo procedimiento puede hacerse en representacin
matrizal:
sistema sobredeterminado original
1 2
1 2
1 2 5
1 2
3
4
2 2 (A)
3 2 (B)
4 (C)
( ) 0 (*)
x x
x x
x x
f x
x
x
x
x
x
+ + =
+ =
+ + =
+ =



x
1
x
2
x
3
x
4
x
5
f b
x
1
-2 1 1 0 0 0 2
x
2
[1] -3 0 1 0 0 2 fila pivote
x
3
1 1 0 0 1 0 4
f 1 -1 0 0 0 1 0

columna
pivote



45
La tabla Simplex muestra el origen de los nombres de las variables, por ejemplo,
son bsicas todas las variables que tienen una columna correspondiente a una
base cartesiana unitaria, en tanto que son no bsicas las columnas llenas por
nmeros arbitrarios. Los valores de las variables bsicas se pueden determinar
buscando el pivote unitario de la columna base cartesiana, como se muestra en la
primera columna del lado izquierdo, en tanto que las variables no bsicas son
nulas. Siguiendo el criterio discutido, la columna pivote se elige determinando la
variable con mayor coeficiente positivo en la lnea de la funcin objetivo. La fila
pivote se determina buscando la razn b/a positiva ms pequea. Necesitamos
eliminar a x
1
como variable no bsica. Multiplicando la fila (2) por 2 y sumndola
a la (1), eliminamos x
1
de la primera restriccin. Multiplicando la fila (2) por -1 y
sumndola a la tercera fila, eliminamos x
1
de la tercera restriccin. Procediendo
tambin con operaciones elementales, es posible eliminar a x
1
de la fila de la
funcin: este es un simple proceso de eliminacin de Gauss:

x
1
x
2
x
3
x
4
x
5
f b
x
3
0 -5 1 2 0 0 6
x
1
1 -3 0 1 0 0 2
x
5
0 4 0 -1 1 0 2
f 0 2 0 -1 0 1 -2




esta es la representacin matrizal de:

2
1
3 4
4
5
2
4 2
4 2
( ) : 5 2 6
( ) : 3 2
( ) : 4 2
3 2
A x
B x x
C
x x
x
x
x x
f
x
x
+ =
+ =
+ =
+ =



Etapa 5: proceder iterativamente sobre la matriz, hasta que no se logre
ms mejoramiento en los valores de la funcin objetivo.


x
1
x
2
x
3
x
4
x
5
f b
x
3
0 -5 1 2 0 0 6
x
1
1 -3 0 1 0 0 2
x
5
0 [4] 0 -1 1 0 2
fila pivote
f 0 2 0 -1 0 1 -2


columna
pivote


indicacin: siempre el punto pivote debe quedar como [1] despus de las
transformaciones elementales, de modo de satisfacer la condicin de ser una base
cartesiana unitaria.

46

x
1
x
2
x
3
x
4
x
5
f b
x
3
0 0 1 0.75 1.25 0 8.5
x
1
1 0 0 0.25 0.75 0 3.5
x
2
0 1 0 -0.25 0.25 0 0.5
fila pivote
f 0 0 0 -0.5 -0.5 1 -3


columna
pivote



Notar que en la lnea de la funcin objetivo los dos coeficientes alcanzan valores
negativos, esto indica que no es posible obtener mejoramiento en la reduccin de
la funcin objetivo, por lo que tenemos un mnimo. Quedan como variables no
bsicas x
4
= x
5
= 0. Como x
4
es una variable de holgura asociada a la restriccin
(B) y x
5
es una variable de holgura asociada a la restriccin (C), la solucin est
en la interseccin de las restricciones (B) y (C), tal como se aprecia en la figura.
Adems, en el punto solucin:

1
3
2
8.5
3.5
0.5
x
x
x =
=
=



en otras palabras, la restriccin (A) se cumple, pero la solucin est en el dominio
factible, y no sobre ella (la restriccin A no est activada).

47

2.4 Forma cannica del problema de programacin lineal.
Segn hemos visto, todos los problemas de programacin lineal, una vez incluidas
las variables de holgura para la aplicacin del mtodo Simplex, tienen la forma:

1 1 2 2
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
: ( ) ....
: ....
....
....
0 ; 0 ( 1, ; 1, )
n n
n n
n n
m m mn n m
i j
Mn f x c x c x c x
Sujeto a a x a x a x b
a x a x a x b
a x a x a x b
x b i n j m
= + + +
+ + + =
+ + + =
+ + + =
= =

(2.4)

o en una forma ms compacta:

:
:
0 ; 0
T
Mn f c x
Sujeto a Ax b
x b
=
=




(2.5)

la dimensin del problema de optimizacin es n-m, que tambin es indicativa del
nmero de variables independientes o no bsicas que deben especificarse para
resolver el sistema de m restricciones de igualdad. Estas variables no bsicas
toman el valor nulo para generar cualquier solucin bsica del LP, sometidas a la
condicin de que el resto de las variables sean positivas. El nmero de soluciones
bsicas (no necesariamente factibles) est dado por:

( )
!
! !
n
n
m m n m

| |
= =
|

\


(2.6)

esta relacin es representativa del subconjunto de soluciones factibles.
Obviamente, al crecer el nmero de variables, tambin crecer el nmero de
soluciones bsicas y el nmero de soluciones factibles. Es posible demostrar que
el algoritmo Simplex requiere de entre m a 3 m pruebas de soluciones factibles
para llegar al mnimo.

2.5 Obtencin de soluciones bsicas factibles.
Muchas veces ocurre que la obtencin de una primera solucin factible no es tan
evidente, el problema Simplex siempre debe partir de una solucin bsica
factible. Un ejemplo de esta situacin es el problema:

1 2
1 2
1 2
: 2
: 3 4 5
4
Mn f x x
Sujeto a x x
x x
= +
+
+



48

Siguiendo los pasos del Simplex, es decir, la introduccin de variables de holgura,
obtendremos:

1 2
1 2 3
1 2 4
: 2
: 3 4 5 ( )
4 ( )
0
i
Mn f x x
Sujeto a x x x A
x x x B
x
= +
+ =
+ + =

notamos que la seleccin de x
1
y x
2
como variables no bsicas (es decir, ambas
nulas), viola en la restriccin (A) la condicin positiva para x
3
. Esta situacin se
debe a que la solucin no bsica indicada no se encuentra en el dominio factible.
En estos casos, es necesario agregar m nuevas variables de holgura, generando
un procedimiento denominado Fase I - Fase II. En trminos simples, en la Fase I
se encuentra una solucin factible para el problema en trminos de la positividad
de sus variables bsicas y, en una segunda etapa, se parte de la solucin factible
para obtener soluciones factibles minimizantes. El algoritmo es el siguiente:

1. Tomar el problema de optimizacin original, y transformar todas las
restricciones de desigualdad de manera que los b
j
sean positivos.

2. Agregar las variables de holgura, de manera de transformar las restricciones
de desigualdad en restricciones de igualdad de acuerdo a las reglas indicadas.

3. Aumentar el sistema de ecuaciones obtenido en (2), agregando m nuevas
variables de holgura:

11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
..
..
..
n n n
n n n
m m mn n n m m
a x a x a x x b
a x a x a x x b
a x a x a x x b
+
+
+
+ + + + =
+ + + + =
+ + + + =




las variables bsicas sern: ( 1, )
n i i
x b i m
+
= =
las variables no bsicas sern: 0 ( 1, )
i
x i n = =

Notamos que el problema satisface las restricciones de positividad para todas
las variables, pues las variables x
n+1
a x
n+m
pueden acomodarse de manera
que as sea.

4. Es claro que el sistema original representativo del LP se recupera cuando las
variables bsicas x
n+i
= bi (i = 1,m) se anulan. De esta forma, se define la
funcin objetivo correspondiente a la Fase I dada por:


49
1 2 1
....
n n n
w x x x
+ + +
= + + +

escribiendo estas variables no bsicas en trminos de variables bsicas, se
obtiene:

1 1 2 2
1 1 1 1
....
m m m m
i i in n i
i i i i
w a x a x a x b
= = = =
| | | | | |
+ + + + =
| | |
\ \ \




en la Fase I se minimiza w utilizando la metodologa Simplex. w debe tener
mnimo nulo, pues as se recupera el sistema aumentado original. Si w mnimo
es no nulo, se tiene un problema mal definido de optimizacin, es decir, un
conjunto de restricciones no compatibles.

En el ejemplo, el problema aumentado es:

1 2
1 2 3
1 2 4
: 2
: 3 4 5 ( )
4 ( )
0
i
Mn f x x
Sujeto a x x x A
x x x B
x
= +
+ =
+ + =

puesto que las variables bsicas x x
1 2
0 = = conducen a una solucin bsica, pero
no factible, el problema vuelve a aumentarse:

1 2
1 2 3 5
1 2 4 6
: 2
: 3 4 5 ( )
4 ( )
0
i
Mn f x x
Sujeto a x x x x A
x x x x B
x
= +
+ + =
+ + + =

en la Fase 1, se minimiza la funcin w:

1 2 3 4
4 5 9 w x x x x + + + =

para la que tenemos la siguiente tabla inicial para la Fase I

x
1
x
2
x
3
x
4
x
5
x
6
f w b
x
5

3.00 4.00 -1.00 0.00 1.00 0.00 0.00 0.00 5.00

x
6

1.00 1.00 0.00 1.00 0.00 1.00 0.00 0.00 4.00

w 4.00 5.00 -1.00 1.00 0.00 0.00 0.00 1.00 9.00

f -1.00 -2.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00






50
La tabla tiene la misma interpretacin del Simplex ordinario, con la diferencia que
la columna f se agrega para prepararla y obtener su forma en la solucin factible
de partida.

51

iteracin 1

x
1
x
2
x
3
x
4
x
5
x
6
f w b
x
5

0.75 1.00 -0.25 0.00 0.25 0.00 0.00 0.00 1.25

x
6

0.25 0.00 0.25 1.00 -0.25 1.00 0.00 0.00 2.75

w 0.25 0.00 0.25 1.00 -1.25 0.00 0.00 1.00 2.75

f 0.50 0.00 -0.50 0.00 0.50 0.00 1.00 0.00 2.50





iteracin 2

x
1
x
2
x
3
x
4
x
5
x
6
f w b
x
5

0.75 1.00 -0.25 0.00 0.25 0.00 0.00 0.00 1.25

x
6

0.25 0.00 0.25 1.00 -0.25 1.00 0.00 0.00 2.75

w 0.00 0.00 0.00 0.00 -1.00 -1.00 0.00 1.00 0.00

f 0.50 0.00 -0.50 0.00 0.50 0.00 1.00 0.00 2.50





Aqu la Fase I es convergente y w toma valor cero en el mnimo. Por tanto, el
problema est bien condicionado. Adems, el problema queda listo para seguir
trabajando al eliminar las columnas agregadas en la Fase I (x
5
, x
6
, w) y la fila w.

x
1
x
2
x
3
x
4

x5 x6
f
w
b

0.75 1.00 -0.25 0.00 0.25 0.00 0.00 0.00 1.25


0.25 0.00 0.25 1.00 -0.25 1.00 0.00 0.00 2.75

w 0.00 0.00 0.00 0.00 -1.00 -1.00 0.00 1.00 0.00

f 0.50 0.00 -0.50 0.00 0.50 0.00 1.00 0.00 2.50





De donde se obtiene la reduccin al problema original con solucin factible :

x
1
x
2
x
3
x
4
f b
x
2

0.75 1.00 -0.25 0.00 0.00 1.25

x
4

0.25 0.00 0.25 1.00 0.00 2.75

f 0.50 0.00 -0.50 0.00 1.00 2.50





en esta iteracin, w presenta un mnimo nulo, lo que sugiere seleccionar x
1
= x
3

= 0 en el problema aumentado y transformado a la solucin factible de partida :


52
1 3
1 2 3
1 3 4
: 0.5 0.5 2.50
: 0.75 0.25 1.25 ( )
0.25 0.25 2.75 ( )
0
i
Mn f x x
Sujeto a x x x A
x x x B
x
= + +
+ =
+ + =

Obviamente, eligiendo ahora x
1
y x
3
como variables no bsicas, x
2
y x
4
adquieren
valores positivos, como tambin se aprecia en la tabla Simplex. En la Fase II se
resuelve la minimizacin de f en forma convencional

iteracin 1

x
1
x
2
x
3
x
4
f b
x
2

1.00 1.33 -0.33 0.00 0.00 1.67

x
4

0.00 -0.33 0.33 1.00 0.00 2.33

f 0.00 -0.67 -0.33 0.00 1.00 1.67





f(x)
x
1
0 1 2 3 4 5
x
2
0
1
2
3
4
(A)
(B)

Finalmente la solucin es:

1 2 3 4
1.67 ; 0 ; 0 ; 2.33 ; 1.67 x x x x f = = = = =

que, como era de esperar, coincide con
la solucin grfica mostrada en la
Figura.


2.6 Programacin lineal en problemas que incluyen variable negativa
En toda la formulacin del problema de la Programacin lineal, hemos indicado
que las variables de optimizacin y las de holgura estn restringidas a ser
positivas, pues slo de esta forma el problema puede ser resuelto en el primer
cuadrante del sistema coordenado cartesiano. Sin embargo, claramente pueden
existir problemas especficos en los que una variable de optimizacin podra
adquirir valores negativos. Por ejemplo, una temperatura en escala relativa en un
problema de refrigeracin. La variable no restricta en signo puede ser escrita
como una combinacin lineal de dos variables positivas, tcnica que nos permite

53
obtener el problema LP original, con una variable extra. A modo de ejemplo,
considrese el problema:

1 2
1 2
1 2
2
: ( ) 4
: 3 ( )
1 ( )
0
Mn f x x x
Sujeto a x x A
x x B
x
= +
+
+

en el caso indicado, no se ha puesto restriccin al signo que pueda tener x
1
, de
modo que puede tener valores positivos o negativos. En este caso:

1 3 4
3 4
0 ; 0
x x x
x x
=




el problema aumentado ser:

3 4 2
3 4 2 5
3 4 2 6
2 3 4 5 6
: ( ) 4
: 3 ( )
1 ( )
, , , , 0
Mn f x x x x
Sujeto a x x x x A
x x x x B
x x x x x
= +
+ + =
+ + + =

tenemos un total de 5 variables relacionadas por dos ecuaciones, por tanto, una
solucin bsica factible se obtiene al seleccionar 3 variables no bsicas. Por
ejemplo:

x x x
2 3 4
0 = = =



x
2
x
3
x
4
x
5
x
6

f b
1 1 -1 1 0 0 3
1 -1 1 0 1 0 1
-4 -1 1 0 0 1 0


Iteracin 1


x
2
x
3
x
4
x
5
x
6

f b
x
5

2 0 0 1 1 0 4
x
4

1 -1 1 0 1 0 1
-5 0 0 0 -1 1 -1



54
luego:
x x x
x
1 3 4
2
0 1 1
0
= = =
=


55
2.7 Sensitividad de la solucin del problema de Programacin lineal
Una de las grandes ventajas del problema de programacin lineal, es que la
solucin ptima puede ser estudiada con gran facilidad, en la tabla de solucin,
frente a pequeas perturbaciones en las restricciones. A modo de ejemplo,
consideremos la tabla solucin para el problema de la refinera:

1 2
1 2
1 2
1 2
1 2
: ( ) 8.1 10.8
: 0.80 0.44 24000 Pr
0.05 0.10 2000 Pr
0.10 0.36 6000 Pr
, 0
Mn f x x x
Sujeto a x x oduccin de Gasolina
x x oduccin de Kerosene
x x oduccin de FuelOil
x x
=
+
+
+
>



cuyo problema aumentado ser:

1 2
1 2 3
1 2 4
1 2 5
: ( ) 8.1 10.8
: 0.80 0.44 24000 Pr
0.05 0.10 2000 Pr
0.10 0.36 6000 Pr
0
Mn f x x x
Sujeto a x x x oduccin de Gasolina
x x x oduccin de Kerosene
x x x oduccin de FuelOil
x
=
+ + =
+ + =
+ + =

la tabla de iteraciones convergente para este problema es:

x
1
x
2
x
3
x
4
x
5
f b
x
5
0 0 0.14 -4.21 1 0 896.55
x
1
1 0 1.72 -7.59 0 0 26206.90
x
2
0 1 -0.86 13.79 0 0 6896.55
0 0 -4.66 -87.52 0 1 -286758.5


en trminos de las variables no bsicas de la solucin, el problema puede
escribirse como:

f x x = 4 66 87 52 286759
3 4
. .


en la que claramente puede observarse que la funcin depende de dos variables
de holgura y, por tanto, est en las rectas de dos restricciones (produccin de
Gasolina y produccin de Kerosene). Una pregunta razonable es qu sucedera si
el lmite productivo de gasolina puede ser aumentado. Mirando la formulacin del
problema, y recordando que las variables no bsicas en la solucin valen cero, un
aumento en la restriccin, es compatible con una disminucin de la variable de
holgura, por tanto la solucin decrece y se hace ms negativa. Por otro lado,
vemos que:


56
3
4
4.66
87.52
f
x
f
x

=
=



de donde se deduce que la disminucin unitaria de x
3
(aumento de la produccin
de gasolina), disminuye el mnimo en -4.66, y la diminucin unitaria de x
4

(aumento de la produccin de Kerosene) disminuye el mnimo en -87.52. Es
decir, el mnimo es sensitivo al aumento de la produccin de Kerosene
fundamentalmente. Por otro lado, se aprecia que la funcin solucin no es
sensitiva a la produccin de fuel oil.

Regla general

Tipo de restriccin activa Respuesta de la variable
frente al aumento de restriccin
Respuesta de f(x)



El anlisis de sensibilidad permite tomar algunas decisiones productivas, es claro
que en el problema indicado, cualquier variacin tecnolgica de la planta de
refinera debe apuntar en trminos de favorecer proyectos que permitan
aumentar la restriccin de Kerosene.

2.8 Primalidad y dualidad en el problema lineal
En la seccin 2.4 estudiamos la forma cannica del problema lineal, concluyendo
que su forma puede ser compactada introduciendo notacin de vectores y
matrices. En efecto, sin introducir variables de holgura, una posible forma en que
podemos escribir un problema lineal:

:
:
0
T
Mn f c x
Sujeto a A x b
x
=

(2.7)

En la representacin 2.7 consideramos slo restricciones de minoranza, y las
constantes restrictivas b pueden adquirir valor positivo o negativo. El nico
requisito que hemos preimpuesto en la notacin indicada en 2.7 es que las
variables del problema sean positivas
3
.
Tal vez la nica complicacin que pueda darse para obtener el formato 2.7 es que
la funcin objetivo posea la forma

3
En la seccin 2.6 ya hemos inidcado cmo proceder de forma de lograr este requisito en la
generalidad de los problemas que puedan plantearse.

57

1 1 2 2 n n
c c x c x c x = + + + +

donde podra ser una constante no nula. En tal caso podemos considerar la
siguiente transformacin
[ ]
1
2
1 1 2 2 1 2
( ) ( )
T
n n n
n
x
x
f x c x c x c x c x c c c c x
x
(
(
(
= = + + + = =
(
(

que recupera el requisito rotacional. Denominaremos a la representacin en 2.7
como disposicin primal de un LP. A toda notacin primal tenemos asociada una
disposicin dual que se obtiene transformado en problema en 2.7 a

( ) :
:
0
T
Mn f x c x
Sujeto a A x b
x
=

( )
:
:
0
T
T
Mn h y b y
Sujeto a A y c
y
=

(2.8)
Disposicin primal Disposicin dual

Como veremos en lo que contina de esta seccin, las soluciones del problema
primal y dual estn ntimamente relacionadas, pese a que a las variables de
optimizacin en las que proceden son distintas. La clave para lograr la
transformacin de disposicin primal a dual, se basa en identificar correctamente
el vector de coeficientes c de la funcin objetivo f, en conjunto a su matriz de
coeficientes de restricciones A y vector de coeficientes restrictivos b. Para ir
fijando ideas sobre esta transformacin y su interpretacin geomtrica,
consideremos un ejemplo especfico. Sea el caso

( )
1 2
1
2
1 2
:
1
: 1
, 0
Mx c x x x
x
Sa x
x x
= +

En primera instancia, escribirmos el problema como uno de minimizacin
sometido a restricciones de minoranza y variable positiva:


58
( )
1 2
1
2
1 2
:
1
: 1
, 0
Mn f x x x
x
Sa x
x x
=

Vemos que el problema anterior puede expresarse matrizalmente como

( ) ( ) [ ]
1
2
1
2
1 2
1
2
1 2
:
1
: 1
: 1 1
1 0 1
:
0 1

, 0
1
Mn f x x x
x
Sa
x
Mn f x
x
x x
x
x
Sa
x
=

(
=
(

( ( (

( ( (

que tiene la forma requerida en la ecuacin 2.7. En esta estructura apreciamos
claramente los elementos vectoriales y matrizales bsicos del primal

1 1 1 0
; ;
1 1 0 1
c b A
( ( (
= = =
( ( (

Por tanto, siguiendo la transformacin indicada en la ec. 2.8, la disposicin dual
del problema es

( ) [ ]
1
2
1
2
: 1 1
1 0 1
:
0 1 1
y
Mn h y
y
y
Sujeto a
y
(
=
(

( ( (

( ( (

o bien, expandiendo

( )
1 2
1
2
1 2
:
1
: 1
, 0
Mn h x y y
y
Sa y
y y
= +

Se deja al lector demostrar que la transformacin dual del problema dual
reproduce al problema primal. Es interesante ahora comparar la significacin

59
geomtrica de ambos problemas: en la Figura 2.8.1 podemos apreciar el trazado
grfico y la solucin del primal especfico que hemos considerado:

PROBLEMA PRIMAL

( )
1 2
1 1
2 2
1 2
:
1
: 1
, 0
Mn f x x x
g x
Sa g x
x x
=
=

( ) f x

PROBLEMA DUAL

( )
1 2
1 1
2 2
1 2
:
* 1
: * 1
, 0
Mn h x y y
g y
Sa g y
y y
= +
=

( )
h y

Figura 2.8.1. Interpretacin geomtrica de la dualidad

Ciertamente, observamos que los problemas dual y primal tienen solucin en el
mismo vrtice. Por otro lado, vemos que el problema dual corresponde al dominio
complementario del primal y, matemticamente, lo que la transformacin de
dualidad genera es una aproximacin al mismo vrtice solucin primal, aunque
definidendo un problema en el dominio externo del problema primal
4
.
Ciertamente, dado que las soluciones de los problemas primal y dual estn
vinculadas, es importante detectar ahora cmo sus soluciones se relacionan. La
grfica en 2.8.1 tambin da una idea de la importancia de la dualidad: dado que
del dual podemos inferir la solucin del primal (y viceversa), hay dos mtodos
alternativos para resolver el mismo problema. Sin embargo, puede suceder que
uno de los problemas sea ms fcil de resolver. Por ejemplo, se ve claramente
que en la Figura 2.8.1 es ms fcil resover la formulacin primal por no requerir
de la ejecucin de Fase I Fase II.

4
En constratse, recurdese que el algoritmo Simplex siempre avanza por el borde factible de la
regin definida por el problema lineal.

60
Ejemplo: considrese el problema de variable positiva

1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
: 1.5 1.2
5 3 2 29
2 1 3 20
:
5 2 21
9
Mn f x x x
x x x
x x x
Sa
x x x
x x x
= + +
+ +

+ +

+ +

+ +

Observamos claramente en esta estructura un problema que debe ser resuelto
por Fase I Fase II por no estar expresado en un vrtice factible e incluir
restricciones de mayoranza. Disponiendo en formato primal, podemos reconocer
fcilmente las componentes vectoriales y matrizales del problema

1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
: 1.5 1.2
5 3 2 29
2 1 3 20
:
5 2 21
9
Mn f x x x
x x x
x x x
Sa
x x x
x x x
= + +

+ +

29 5 3 2
1.0
20 2 1 3
1.5 ; ;
21 1 5 2
1.2
9 1 1 1
c b A
( (
(
( (

(
( (
= = =
(
( (
(
( (




De donde se obtiene el siguiente problema dual

1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4
: 29 20 21 9
5 2 1.0
: 3 5 1.5
2 3 2 1.2
Mn h y y y y
y y y y
Sa y y y y
y y y y
= +
+

Es as que dispuestos para optimizacin va Simplex, las formulaciones de los
problemas se escriben


61
Primal

1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
: 1.5 1.2
5 3 2 29
2 1 3 20
:
5 2 21
9
Mn f x x x
x x x
x x x
Sa
x x x
x x x
= + +
+ +

+ +

+ +

+ +

Dual

1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4
: 29 20 21 9
5 2 1.0
: 3 5 1.5
2 3 2 1.2
Mn h y y y y
y y y y
Sa y y y y
y y y y
= +
+ +

+ +

+ +

62
dando origen a los siguientes problemas aumentados

Primal

1 2 3
1 2 3 1
1 2 3 2
1 2 3 3
1 2 3 4
: 1.5 1.2
5 3 2 29
2 1 3 20
:
5 2 21
9
Mn f x x x
x x x s
x x x s
Sa
x x x s
x x x s
= + +
+ + =

+ + =

+ + =

+ + + =

Dual

1 2 3 4
*
1 2 3 4 1
*
1 2 3 4 2
*
1 2 3 4 3
: 29 20 21 9
5 2 1.0
: 3 5 1.5
2 3 2 1.2
Mn h y y y y
y y y y s
Sa y y y y s
y y y y s
= +
+ + + =

+ + + =

+ + + =

Ntese que la solucin del primal requiere Fase I - Fase II. En cambio el problema
dual puede pasar directamente a descripcin Simplex. Las Tablas Simplex
convergentes de ambos problemas son

Formulacin primal

x
1
x
2
x
3
s
1
s
2
s
3
s
4
f b
1 0 0 -0.260 0.080 0.140 0 0 3
0 0 0 0.100 0.200 0.100 1 0 0
0 1 0 -0.020 0.160 -0.220 0 0 2
0 0 1 0.180 -0.440 -0.020 0 0 4
0 0 0 -0.074 -0.208 -0.214 0 1 10.8

Formulacin dual

y
1
y
2
y
3
y
4
s
1
* s
2
* s
3
* h b
1 0 0 -0.100 0.260 0.020 -0.180 0 0.074
0 0 1 -0.100 -0.140 0.220 0.020 0 0.214
0 1 0 -0.200 -0.080 -0.160 0.440 0 0.208
0 0 0 0.000 -3.000 -2.000 -4.000 1 -10.8

En la solucin del problema dual observamos que

La funcin dual mnima es equivalente al negativo de la funcin primal mnima,
es decir: Min f (x) = - Min h (y)
El negativo de los coeficientes asociados a las variables de holgura en la lnea
funcional del Simplex convergente de h, corresponde al valor de las
coordenadas ptimas x del problema primal
El negativo de los valores de las coordenadas ptimas y del dual corresponde a
los valores de la fila funcional en las variables de holgura del problema primal.
En particular, queda claro que las coordenadas del dual permiten analizar la
sensitividad del primal.

63
2.9 Problemas resueltos
Problema 1.Una fbrica artesanal de muebles para oficina produce dos tipos de
escritorio, modelo ejecutivo y administrativo, cuyas caractersticas se exponen en
la siguiente tabla de rendimientos

Tipo Armado Terminaciones Empaque
(hrs./escritorio)
Precio
($/escritorio)
Costo operativo
($/escritorio)
Ejecutivo 2 1 1 150000 40000
Administrativo 1 2 1 125000 20000

El armado est a cargo de un equipo de carpinteros contratados por una jornada
mxima de 8 horas por da. Para el trabajo de las terminaciones y empacado se
dispone de personal contratado por jornadas mximas de 10 horas por da en
cada dedicacin. Por da trabajado, todo el personal recibe una asignacin fija
equivalente a un escritorio ejecutivo, independientemente de la jornada.
Plantee el problema de optimizacin que maximiza la utilidad
Formatee para aplicacin Simplex
Realice un anlisis dimensional del problema
Resuelva

De las caractersticas del problema se deduce que la oportunidad obvia de
optimizacin consiste en la maximizacin de la utilidad, que es exactamente lo
que se pide. Consideremos la siguiente codificacin de variables

x
1
: nmero de escritorios de lnea ejecutiva por da
x
2
: nmero de escritorios de lnea administrativa por da

En trminos de esta codificacin, la funcin representativa de la utilidad por venta
V queda:

V = 150000 x
1
+125000 x
2
($/da)

en tanto que el costo operativo (COP) y los costos de manos de obra (CMO) estn
dados por

COP = 40000 x
1
+ 20000 x
2
($/da)

CMO = 150000 ($/da)

toda esta informacin combinada da origen a la funcin de utilidad definida como

U = V COP CMO =110000 x
1
+105000 x
2
150000 ($/da)

Normalmente, conviene usar nmeros de bajo orden de magnitud para resolver
los problemas. En este caso, la utilidad puede ser expresada en miles de pesos
(M$) diarios

64


U =110 x
1
+105 x
2
150 ($/da)

Consideremos ahora las restricciones. Ciertamente el tiempo de armado (t
a
) no
puede superar las 8 horas disponibles en fuerza laboral

t
a
= 2 x
1
+ x
2
8

anlogamente ha de suceder para los tiempos de terminacin (t
t
) y empaque (t
e
)


t
t
= x
1
+ 2 x
2
10
t
e
= x
1
+ x
2
10

De esta forma, el problema LP queda

1 2
1 2
1 2
1 2
1 2
: 110 105 150
2 8
2 10
:
10
, 0
Mx U x x
x x
x x
Sa
x x
x x
= +
+

Procediendo con el formato y la adicin de variables de holgura tenemos,
tenemos

1 2
1 2
1 2
1 2
1 2
: 150 110 105
2 8
2 10
:
10
, 0
Mn f U x x
x x
x x
Sa
x x
x x
= =
+

1 2
1 2
1 2
2
3
5
1
4
2 8
2 10
10
110 105 150
x x
x x
x x
f x x
x
x
x
+ + =
+ + =
+ + =
+ + =


Vemos que la expresin del problema formateado y aumentado contiene un total
de 5 variables relacionadas por 3 ecuaciones. As, el problema goza de 2 grados
de libertad en los que la seleccin de las no bsicas x
1
y x
2
produce solucin
factible. Podemos, por tanto, determinar la Tabla Simplex inicial del problema y
de ella determinar fila y columna pivote

65

iteracin 0
x
1
x
2
x
3
x
4
x
5
f b b/a
2 1 1 0 0 0 8 4
1 2 0 1 0 0 10 10
1 1 0 0 1 0 10 10
110 105 0 0 0 1 150

iteracin 1
x
1
x
2
x
3
x
4
x
5
f b b/a
1 0.5 0.5 0 0 0 4 8
0 1.5 -0.5 1 0 0 6 4
0 0.5 -0.5 0 1 0 6 12
0 50 -55 0 0 1 -290

Iteracin 2 (tabla convergente)
x
1
x
2
x
3
x
4
x
5
f b
1 0 0.6667 -0.333 0 0 2
0 1 -0.333 0.6667 0 0 4
0 0 -0.333 -0.333 1 0 4
0 0 -38.33 -33.33 0 1 -490


De acuerdo con esta solucin, donde el ptimo funcional vale f = -490, vemos
que las variables no bsicas convergentes son

x
3
= x
4
= 0

por tanto, el problema activa las restricciones de tiempo de armado y
terminacin. De igual forma, de la tabla convergente se deducen las siguientes
variables bsicas

x
1
= 2; x
2
= 4 ; x
5
= 4

de donde se deduce la conveniencia de producir 2 escritorios de lnea ejecutiva y
4 escritorios de lnea administrativa. Se ve que el problema queda sensitivo a x
3
,
x
4
, de donde se concluye la conveniencia de aumentar las horas dedicadas a
armado y terminaciones (restricciones de minoranza). Como, adems, la variable
de holgura de tiempo de empaque queda bsica; el problema establece que hay

66
un exceso de dedicacin a empaque que podra compensar los tiempos de armado
y terminaciones.
Problema 2. Un pequeo empresario desea expandir su empresa de fabricacin
de zapatos, que actualmente slo produce zapatos para hombres, a modelos para
mujeres. Dispone de 40 empleados y de 10 mquinas automticas que no
necesitan operador. El tiempo total de produccin de un modelo para hombre es
de 10 horas, la mitad del tiempo consumido en la produccin de un zapato para
mujer. El tiempo empleado con la mquina para la confeccin de cada modelo es
de 5 y 4 horas, respectivamente. La cantidad de cuero usado en cada modelo es
de 0.15 y 0.06 m
2
, respectivamente, mientras que la cantidad disponible en un
mes es de 45 m
2
. Determine la mxima utilidad que este empresario puede
obtener, sabiendo que la utilidad neta por un zapato para hombre es de 32 US$,
el doble que lo obtenido por un zapato de mujer. Suponga que la jornada de
trabajo es de 10 horas diarias, 20 das del mes.

Vamos a considerar la siguiente codificacin de variables

x
1
: nmero mensual de zapatos de hombre
x
2
: nmero mensual de zapatos de mujer

Tambin del enunciado podemos extraer la siguiente tabla de informacin

Tipo de zapato Tiempo total
(h / zapato)
Tiempo de mquina
(h / zapato)
Superficie de cuero
(m
2
/ zapato)
Utilidad
(US$/zapato)
Hombre 10 5 0.15 32
Mujer 20 4 0.06 16

Adicionalmente, se dispone de un mximo mensual de 45 m
2
de cuero, 10 10
20 = 2000 h mensuales para tiempo de procesamiento en mquinas y 40 10
20 = 8000 h mensuales de tiempo dedicado a manufactura.
Ciertamente, la oportunidad de optimizacin de este problema consiste en
maximizar las utilidades variando la produccin mensual de zapatos para cada
gnero. La funcin objetivo en trminos de las variables del problema es

U = 32 x
1
+ 16 x
2
(US$ / mes)

Disponibildad de cuero (d
c
) : para la produccin se dispone de un mximo
mensual de 45 m
2
. Por tanto, podemos plantear la siguiente restriccin de
desigualdad

d
c
= 0.15 x
1
+ 0.06 x
2
45 (A) (m
2
/ mes)

Tiempo de manufactura t
m
: se requiere 10 - 5 = 5 h/zapato de hombre y 20 -
4 = 16 h/zapato de mujer, lo que permite determinar el siguiente tiempo mensual

t
m
= 5 x
1
+ 16 x
2
8000 (B) (h / mes)

67

Tiempo de procesamiento en mquinas t
p
: de acuerdo con la informacin
proporcionada, se dispone de un mximo mensual de 2000 h, por tanto

t
p
= 5 x
1
+ 4 x
2
2000 (C) (h / mes)

Procediendo con el formato y la adicin de variables de holgura tenemos,
tenemos

1 2
1 2
1 2
1 2
1 2
: 32 16
0.15 0.06 45
5 16 8000
:
5 4 2000
, 0
Mn f U x x
x x
x x
Sa
x x
x x
= =
+

1 2
1 2
1 2
3
1
5
2
4
0.15 0.06 45
5 16 8000
5 4 2000
32 16 0
x x
x x
x x
f x x
x
x
x
+ + =
+ + =
+ + =
+ + =


Del cuadro anterior queda claro que tenemos un problema de 5 variables en 3
ecuaciones, lo que nos entrega 2 grados de libertad. La escogencia de la escritura
del problema en x
1
= x
2
= 0 como variables no bsicas genera una solucin
factible, de modo que podemos trasladar el problema directamente al formato de
una Tabla Simplex.

iteracin 0
x
1
x
2
x
3
x
4
x
5
f b b/a
0.15 0.06 1 0 0 0 45 300
5 16 0 1 0 0 8000 1600
5 4 0 0 1 0 2000 400
32 16 0 0 0 1 0


iteracin 1
x
1
x
2
x
3
x
4
x
5
f b b/a
1 0.4 6.6667 0 0 0 300 750
0 14 -33.33 1 0 0 6500 464.29
0 2 -33.33 0 1 0 500 250
0 3.2 -213.3 0 0 1 -9600


iteracin 2, convergente

68

x
1
x
2
x
3
x
4
x
5
f b
1 0 13.333 0 -0.2 0 200
0 0 200 1 -7 0 3000
0 1 -16.67 0 0.5 0 250
0 0 -160 0 -1.6 1 -10400


De la tabla convergente se deduce que en el punto de solucin f = -10400
US$/mes. Quedan no bsicas

x
3
= x
5
= 0

indicando la activacin de las restricciones de disponibilidad de cuero y tiempo de
mquina. Las variables bsicas del punto solucin son

x
1
= 200; x
2
= 250; x
5
= 3000

de esta forma el ptimo se obtiene fabricando 200 zapatos de hombre, 250
zapatos de mujer y se obtiene una holgura de 3000 h/mes para manufactura.
Dado que las restricciones de disponibilidad de cuero y tiempo de mquina son de
minoranza, es claro que conviene aumentar el cuero y las mquinas disponibles
para la produccin. Los costos que esta ltima estrategia operativa puede
demandar pueden ser cubiertos reduciendo personal de manufactura, ya que el
tiempo requerido para ese efecto est sobredimensionado.


Problema 3. Una empresa de camiones de carga posee dos patios de
estacionamiento, A y B, en el primero hay 20 camiones sin carga y en el segundo
12. Se requiere mandar 11 de estos camiones para cargar material a un punto R
ubicado a 5 y 7 km de A y B, respectivamente. Adems se requiere mandar 10
camiones a un punto de carga S ubicado a 4 y 8 km de A y B, respectivamente, y
9 a otro punto de carga, T, ubicado a 9 y 10 km, respectivamente. Determine la
distancia total mnima a recorrer por los camiones para llegar desde los
respectivos patios de estacionamiento hasta los puntos de carga.

Este es un interesante problema de transporte que requiere planificar el despacho
de camiones a puntos de carga especficos. Obviamente, el costo operativo ms
significativo de una empresa de transporte es llevar sus vehculos a los puntos de
carga, pues los camiones descargados en movimiento no generan utilidades.
Esquemticamente, podemos visualizar el problema en la Figura 3.1

69
Como se aprecia en la Figura indicada,
se requiere un nmero definido de
camiones en todos los destinos. Puesto
que se trata de 30 camiones requeridos
en puntos de carga, es necesario
conocer cmo los camiones sern
tomados de cada patio de
estacionamiento. Se tiene el siguiente
cuadro de distancias

Cuadro de distancia por ruta
ruta distancia
km

AR 5
AS 4
AT 9
BR 7
BS 8

BT 10
Figura 3.1. diagrama esquemtico del problema

Ciertamente, la solucin obvia del problema es enviar camiones desde el patio
ms cercano a todos los puntos de carga. Sin embargo, como se ve de las
condiciones del problema, el patio ms cercano A tiene un nmero insuficiente de
camiones para el propsito.
Consideremos el siguiente cdigo de variables

x
1
: nmero de camiones de A a R
x
2
: nmero de camiones de A a S
x
3
: nmero de camiones de A a T
y
4
: nmero de camiones de B a R
y
5
: nmero de camiones de B a S
y
6
: nmero de camiones de B a T

En trminos de la codificacin indicada de variables, la funcin de distancia total
recorrida por los camiones a los puntos de carga (funcin a minimizar) es

Mn: f = 5 x
1
+ 4 x
2
+ 9 x
3
+ 7 y
4
+ 8 y
5
+ 10 y
6
(km)

ntese que se requiere un nmero especfico de camiones llegando a cada punto
de carga. De 3.1 tenemos

x
1
+ y
4
= 11 y
4
= 11 - x
1
(camiones totales llegando a R)
x
2
+ y
5
= 10 y
5
= 10 - x
2
(camiones totales llegando a S)

70
x
3
+ y
6
= 9 y
6
= 9 - x
3
(camiones totales llegando a T)

por otro lado, es claro que los camiones tomados de cada estacionamiento no
pueden superar la capacidad de los mismos. Entonces

x
1
+ x
2
+ x
3
20 (camiones en A)
y
4
+ y
5
+ y
6
12 (camiones en B)

Finalmente, en necesario reconocer que las variables representativas del nmero
de camiones necesariamente deben ser positivas o nulas:

x
1
x
3
, y
4
y
6
0 (camiones en A)

Hasta lo que se observa en el planteamiento, tenemos un total de 6 variables
relacionadas por tres relaciones de igualdad. Como es usual en un problema LP,
conviene hacer el reemplazo de relaciones de igualdad en las restricciones de
desigualdad y en la funcin objetivo. Para ello consideramos los despejes
mostrados en las relaciones de igualdad, de modo de reducir todo el problema a
camiones ubicados en el patio A. procediendo de esta forma, es posible obtener el
siguiente problema

1 2 3
1 2 3
1 2 3
1
2
3
1 2 3
: 247 2 4
20
18
11
:
10
9
, , 0
Mn f x x x
x x x
x x x
x
Sa
x
x
x x x
=
+ +

+ +

Versin formateada

4 1 2 3
1 2 3
1
2
3
1 2
5
6
7
8
3
20
18
11
10
9
2 4 247
x x x
x x x
x
x
x
x
x x
x
x x
x
f x
+ + + =
+ + =
+ =
+ =
+ =
+ + + =


Es necesario notar que la versin formateada del problema no produce una
solucin factible al escoger las variables de la funcin objetivo. Como
hicimos ver previamente, aqu tenemos dos posibilidades:

1. o determinamos una solucin factible y expresamos en problema en trminos
de las vnb as descubiertas. Ntese que en este problema hay 8 variables en 5
restricciones. Por tanto el nmero de vrtices a probar es
v
= n!/((n-m)! m!)
= 56, no todos necesariamente factibles.

2. o procedemos por la estrategia Fase I - Fase II, que tiene la ventaja de
acomodar el problema en un vrtice factible o, bien, analizar su condicin.


71
Como no parece observarse una solucin obvia, consideremos la estrategia Fase I
Fase II. Como ya conocemos de esta ltima, debemos re-aumentar el problema
agregando nuevas variables de holgura a cada restriccin

9
10
11
1 2 3
1
1
2 3
1
2
3
1 2
2
1
3
4
7
8 3
5
6
20
18
11
10
9
2 4 247
x x x
x x x
x
x
x
x x
x
x
x
x
x
x
f x x x
x
x
+ + + + =
+ + + =
+ + =
+ + =
+ + =
+ + + =


Y luego minimizamos la suma de las nuevas variables de holgura agregadas x
9

x
13
relacin matemtica conocida como funcin w, que se obtiene directamente
sumando las columnas de las variables de problema aumentado y la columna de
las constantes retrictivas. El Simplex procede primero minimizando la funcin w, y
luego, una vez que el problema ha sido acomodado a un vrtice factible con w
nulo, se sigue minimizando la funcin.
La tabla de partida para la Fase I se aprecia en la prxima pgina



72
Fase I

iteracin cero
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
f w b
1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 20 20
1 1 1 0 -1 0 0 0 0 1 0 0 0 0 0 18 18
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 11 11
0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 10
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 9
w 3 3 3 1 -1 1 1 1 0 0 0 0 0 0 1 68
f 2 4 1 0 0 0 0 0 0 0 0 0 0 1 0 247


iteracin 1
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
f w b
0 1 1 1 0 -1 0 0 1 0 -1 0 0 0 0 9 9
0 1 1 0 -1 -1 0 0 0 1 -1 0 0 0 0 7 7
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 11
0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 10 10
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 9
w 0 3 3 1 -1 -2 1 1 0 0 -3 0 0 0 1 35
f 0 4 1 0 0 -2 0 0 0 0 -2 0 0 1 0 225

iteracin 2
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
f w b
0 0 0 1 1 0 0 0 1 -1 0 0 0 0 0 2 2
0 1 1 0 -1 -1 0 0 0 1 -1 0 0 0 0 7 -7
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 11
0 0 -1 0 1 1 1 0 0 -1 1 1 0 0 0 3 3
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 9
w 0 0 0 1 2 1 1 1 0 -3 0 0 0 0 1 14
f 0 0 -3 0 4 2 0 0 0 -4 2 0 0 1 0 197


73

iteracin 3

x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
f w b
0 0 0 1 1 0 0 0 1 -1 0 0 0 0 0 2
0 1 1 1 0 -1 0 0 1 0 -1 0 0 0 0 9 -9
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 11 11
0 0 -1 -1 0 1 1 0 -1 0 1 1 0 0 0 1 1
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 9
w 0 0 0 -1 0 1 1 1 -2 -1 0 0 0 0 1 10
f 0 0 -3 -4 0 2 0 0 -4 0 2 0 0 1 0 189
iteracin 4
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
f w b
0 0 0 1 1 0 0 0 1 -1 0 0 0 0 0 2
0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 10
1 0 1 1 0 0 -1 0 1 0 0 -1 0 0 0 10 10
0 0 -1 -1 0 1 1 0 -1 0 1 1 0 0 0 1 -1
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 9 9
w 0 0 1 0 0 0 0 1 -1 -1 -1 -1 0 0 1 9
f 0 0 -1 -2 0 0 -2 0 -2 0 0 -2 0 1 0 187

iteracin 5, convergente
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
f w b
0 0 0 1 1 0 0 0 1 -1 0 0 0 0 0 2
0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 10
1 0 0 1 0 0 -1 -1 1 0 0 -1 -1 0 0 1
0 0 0 -1 0 1 1 1 -1 0 1 1 1 0 0 10
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 9
w 0 0 0 0 0 0 0 0 -1 -1 -1 -1 -1 0 1 0
f 0 0 0 -2 0 0 -2 1 -2 0 0 -2 1 1 0 196

74
Dado que la Fase I converge a un valor nulo de la funcin w, concluimos que el
problema est bien condicionado. Ahora slo es necesario eliminar las columnas
de las variables de re-aumento, de la columna w y de la fila w para alcanzar la
Tabla Simplex inicial de la Fase II

Fase II

iteracin 0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
f b
0 0 0 1 1 0 0 0 0 2
0 1 0 0 0 0 1 0 0 10
1 0 0 1 0 0 -1 -1 0 1 -1
0 0 0 -1 0 1 1 1 0 10 10
0 0 1 0 0 0 0 1 0 9 9
0 0 0 -2 0 0 -2 1 1 196

iteracin 1
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
f b
0 0 0 1 1 0 0 0 0 2
0 1 0 0 0 0 1 0 0 10
1 0 1 1 0 0 -1 0 0 10
0 0 -1 -1 0 1 1 0 0 1
0 0 1 0 0 0 0 1 0 9
0 0 -1 -2 0 0 -2 0 1 187

En esta tabla convergente, queda claro que quedan no bsicas las siguientes
variables

x
3
= x
4
= x
7
= 0

de esta forma, en la solucin ptima no se envan camiones del patio A al punto
de carga T, el que necesariamente debe ser alimentado con camiones
provenientes del patio B. De igual forma, recordamos que x
4
es la variable de
holgura relacionada con la capacidad mxima del estacionamiento A (se usan
todos los camiones!, pues la restriccin est activa) y x
7
es la variable de holgura
relacionada con que x
2
deba ser a lo ms 10. Se satisface entonces la condicin
de que todos los camiones requeridos en S son alimentados por el
estacionamiento A.

Por otro lado, las variables no bsicas son

x
1
= 10; x
2
= 10; x
5
= 2; x
8
= 9

en otras palabras, de A se despachan 10 camiones a R y 10 camiones a S. Los
camiones remanentes a despachar a R y T se toman del patio de estacionamiento
B, totalizando 10 camiones tomados de ese patio de un total de 12. El problema
queda sensitivo a la restriccin de capacidad de camiones en el estacionamiento
75
A. La estrategia operativa es aumentar la cantidad de camiones estacionados en A
y disminuir los que estn en B (ntese que x
5
est relacionado con una restriccin
de mayoranza referida a ese estacionamiento) en caso de que el contrato de
transporte permanezca.

Problema 4. Un organismo gubernamental cuenta con un presupuesto de mil
millones de dlares para otorgar como subsidios a proyectos de investigacin
destinados a la bsqueda de nuevas fuentes de energa. Los 6 proyectos
seleccionados han sido evaluados en relacin a los beneficios que se espera
conseguir de ellos en los prximos 10 aos, es decir la utilidad neta percibida por
dlar invertido, resultados que se muestran en la siguiente tabla, junto a
informacin del nivel de financiamiento solicitado por cada proyecto.

PROYECTO CLASIFICACIN
UTILIDAD NETA
POR US$
INVERTIDO
FINANCIAMIENTO
SOLICITADO MILLONES
US$
1 solar 4.4 220
2 solar 3.8 180
3 combustibles sintticos 4.1 250
4 carbn 3.5 150
5 nuclear 5.1 400
6 geotrmico 3.2 120

El organismo evaluador est impedido de conceder subsidios por montos
superiores a las solicitadas. El jefe de este organismo ha ordenado que se financie
por lo menos un 50% de la suma solicitada por el proyecto nuclear, mientras que
otro de los miembros, que ha mostrado mucho inters en los proyectos solares
presentados, ha pedido que se conceda como mnimo 300 millones de dlares a
estos proyectos. Determine la cantidad de dinero a otorgar a cada proyecto de
modo que maximice las utilidades netas.

Consideremos la siguiente codificacin de las variables

x
1
: presupuesto asignado al proyecto de energa solar 1
x
2
: presupuesto asignado al proyecto de energa solar 2
x
3
: presupuesto asignado al proyecto de energa en combustible sinttico
x
4
: presupuesto asignado al proyecto de energa basada en carbn
x
5
: presupuesto asignado al proyecto de energa nuclear
X
6
: presupuesto asignado al proyecto de energa geotrmica

El objetivo deseable obvio es que el presupuesto invertido en los proyectos
genere el mximo posible de utilidad

Mx : U = 4.4 x
1
+3.8 x
2
+4.1 x
3
+3.5 x
4
+5.1 x
5
+3.2 x
6


Restricciones directas son

76
Presupuesto disponible

x
1
+ x
2
+ x
3
+ x
4
+ x
5
+ x
6
1000 10
6


Cota mxima de financiamiento para cada proyecto

x
1
220 10
6

x
2
180 10
6

x
3
250 10
6

x
4
150 10
6

x
5
400 10
6

x
6
120 10
6


Cota mnima de financiamiento para proyecto nuclear

x
5
200 10
6


Cota mnima de financiamiento para proyecto basados en energa solar

x
1
+ x
2
300 10
6


As, el problema de arranque queda

Mn : f = - U = 4.4 x
1
3.8 x
2
4.1 x
3
3.5 x
4
5.1 x
5
3.2 x
6


x
1
+ x
2
+ x
3
+ x
4
+ x
5
+ x
6
1000
x
1
220
x
2
180
x
3
250
x
4
150
x
5
400
x
6
120

x
5
200
x
1
+ x
2
300

Problema de 6 variables en 9 restricciones, cuya representacin primal es

77
1 2 3 4 5 6
1 2 3 4 5 6
1
2
3
4
5
6
5
1 2
: ( ) 4.4 3.8 4.1 3.5 5.1 3.2
1000
220
180
250
: 150
400
120
200
300
Mn f x x x x x x x
x x x x x x
x
x
x
Sa x
x
x
x
x x
=
+ + + + +

De la representacin primal podemos advertir el siguiente conjunto de vectores

1 1 1 1 1 1
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
0 0 0 0 1 0
1 1 0 0 0 0
A
(
(
(
(
(
(
(
=
(
(
(
(

(
(





4.4
3.8
4.1
3.5
5.1
3.2
c
(
(

(
(
=
(

(
(

1000
220
180
250
150
400
120
200
300
b
(
(
(
(
(
(
(
=
(
(
(
(

(
(

Formato dual equivalente

1 2 3 4 5 6 7 8 9
1 2 9
1 3 9
1 4
1 5
1 6 8
1 7
: ( ) 1000 220 180 250 150 400 120 200 300
4.4
3.8
4.1
:
3.5
5.1
3.2
Mn h x y y y y y y y y y
y y y
y y y
y y
Sa
y y
y y y
y y
= + + + + + +
+

78

Anexo al Captulo 2



George Bernard Dantzig naci el 8 de Noviembre de 1914 en
Portland, Oregon, EEUU. Su padre era profesor de Matemticas, se
retir dejando su puesto de Jefe del Departamento de Matemticas en
la Universidad de Maryland poco despus de la Segunda Guerra
Mundial. Su madre era una lingista especializada en idiomas eslavos.
Dantzig estudi su carrera en la Universidad de Maryland, donde se
gradu en 1936. Le disgustaba el hecho de no haber visto ni una sola
aplicacin en alguno de los cursos de Matemticas que haba tomado
all.
Al ao siguiente hizo estudios de postgrado en la escuela de Matemticas de la Universidad
de Michigan. Sin embargo, exceptuando la Estadstica, le pareci que los cursos eran
demasiado abstractos; tan abstractos, que l slo deseaba una cosa: abandonar sus estudios
de postgrado y conseguir un trabajo.
En 1937 Dantzig dej Michigan para trabajar como empleado en Estadstica en el Bureau of
Labor Statistics. Dos aos despus se inscriba en Berkeley para estudiar un Doctorado en
Estadstica.
La historia de la tesis doctoral de Dantzig es ahora parte del anecdotario de las Matemticas.
Durante su primer ao en Berkeley, se inscribi en un curso de Estadstica que imparta el
famoso profesor Jerzy Neymann. Este profesor tena la costumbre de escribir en la pizarra un
par de ejercicios al comenzar sus clases para que, como tarea para el hogar, fueran
resueltos por sus alumnos y entregados en la clase siguiente. En una ocasin lleg tarde a
una de las clases de Neymann y se encontr con dos problemas escritos en la pizarra.
Supuso que eran problemas de tarea y, consecuentemente, los copi y los resolvi, aun
cuando le parecieron "un poco ms difciles que los problemas ordinarios". Unos das despus
se los entreg a Neymann, disculpndose por haber tardado tanto. Aproximadamente seis
semanas despus, un domingo a las 8:00 de la maana, Neymann lleg aporreando la
puerta de Dantzig, explicndole que haba escrito una introduccin a uno de los artculos de
Dantzig y que quera que la leyera a fin de poder enviar el artculo para su publicacin. Los
dos "problemas de tarea" que Dantzig haba resuelto eran, en realidad, dos famosos
problemas no resueltos de la Estadstica. Las soluciones de estos problemas se convirtieron
en su tesis doctoral, a sugerencia de Neymann.
No obstante, Dantzig no termin su doctorado hasta 1946. Poco despus del comienzo de la
Segunda Guerra Mundial se uni a la Fuerza Area de Estados Unidos y trabaj con el
Combat Analysis Branch of Statistical Control. Despus de recibir su Doctorado, regres a la
Fuerza Area como el asesor de Matemticas del U. S. Air Force Controller. Fue en ese
trabajo donde encontr los problemas que le llevaron a hacer sus grandes descubrimientos.
La Fuerza Area necesitaba una forma ms rpida de calcular el tiempo de duracin de las
etapas de un programa de despliegue, entrenamiento y suministro logstico.
El profesor Dantzig centr bsicamente sus desarrollos cientficos, cronolgicamente, en la
RAND Corporation y las universidades de Berkeley y Stanford en California, con asignaciones
temporales en otros centros como el IIASA en Viena. (Es gozosa la ancdota que l cuenta
como la razn principal para moverse de Berkeley a Stanford, la "culpa" es de un
aparcamiento de coches para los profesores en la misma puerta de su nuevo Dpto. con tal
mala fortuna que este aparcamiento ya haba desaparecido cuando l se incorpor a
Stanford).
79
El trabajo de Dantzig generaliz lo hecho por el economista, ganador del Premio Nobel,
Wassily Leontief. Dantzig pronto se dio cuenta de que los problemas de planeacin con los
que se encontraba eran demasiado complejos para las computadoras ms veloces de 1947
(y aun para las de la actualidad).
Habindose ya establecido el problema general de Programacin Lineal, fue necesario hallar
soluciones en un tiempo razonable. Aqu rindi frutos la intuicin geomtrica de Dantzig:
"Comenc observando que la regin factible es un cuerpo convexo, es decir, un conjunto
polidrico. Por tanto, el proceso se podra mejorar si se hacan movimientos a lo largo de los
bordes desde un punto extremo al siguiente. Sin embargo, este procedimiento pareca ser
demasiado ineficiente. En tres dimensiones, la regin se poda visualizar como un diamante
con caras, aristas y vrtices. En los casos de muchos bordes, el proceso llevara a todo un
recorrido a lo largo de ellos antes de que se pudiese alcanzar el punto de esquina ptimo del
diamante".
Esta intuicin llev a la primera formulacin del mtodo simplex en el verano de 1947. El
primer problema prctico que se resolvi con este mtodo fue uno de nutricin.
El 3 de octubre de l947 Dantzig visit el Institute for Advanced Study donde conoci a John
von Neumann, quien por entonces era considerado por muchos como el mejor Matemtico
del mundo. Von Neumann le platic a Dantzig del trabajo conjunto que estaba realizando con
Oscar Morgenstern acerca de la teora de juegos. Fue entonces cuando Dantzig supo por
primera vez del importante teorema de la dualidad.
Otro de sus grandes logros es la teora de la dualidad, ideado conjuntamente con Fulkerson y
Johnson en 1954 para resolver el paradigmtico problema del Agente Viajero (resolviendo
entonces problemas con 49 ciudades cuando, hoy da, mediante modernas implementaciones
del mtodo, se resuelven problemas con varios miles de ciudades y hasta un milln de
nodos) es el precursor de los hoy utilsimos mtodos de Branch-and Cut (Bifurcacin y corte)
tan utilizados en programacin entera para resolver problemas de grandes dimensiones.
Muchos de los problemas a resolver mediante Programacin Matemtica se enmarcan en
planificacin dinmica a travs de un horizonte temporal. Muchos de los parmetros se
refieren al futuro y no se pueden determinar con exactitud. Surge entonces la programacin
estocstica o programacin bajo incertidumbre. Esta rama, con un gran desarrollo hoy da, y
un tremendo potencial para el futuro, debe su desarrollo a dos trabajos seminales que de
forma independiente son debidos a los profesores E.Martin L Beale y George B. Dantzig en
1955.
As mismo es de gran utilizacin su mtodo denominado Descomposicin de Dantzig- Wolfe
(desarrollado conjuntamente con Philip Wolfe en 1959-1960) (cuyo dual es el mtodo de
Descomposicin de Benders, tan utilizado hoy da en Programacin Estocstica), para
resolver problemas de programacin lineal estructurados.
El libro "Linear Programming and Extensions" (1963), ha sido su gran libro de referencia
durante los ya casi 50 aos que median desde su publicacin. Ha cerrado el ciclo de su
extensa bibliografa con el libro en dos tomos "Linear Programming" (1997 y 2003), escrito
conjuntamente con N. Thapa.
En 1976 el presidente Gerald Ford otorg a Dantzig la Medalla Nacional de Ciencias, que es
la presea ms alta de los Estados Unidos en Ciencia. En la ceremonia en la Casa Blanca se
cit a George Bernard Dantzig "por haber inventado la Programacin Lineal, por haber
descubierto mtodos que condujeron a aplicaciones cientficas y tcnicas en gran escala a
problemas importantes en logstica, elaboracin de programas, optimizacin de redes y al
uso de las computadoras para hacer un empleo eficiente de la teora matemtica".
80
El profesor G. B. Dantzig no pudo conseguir el premio Nobel, pero recibi un cmulo de
distinciones, entre otras la mencionada anteriormente, el premio Von Neumann Theory en
1975, Premio en Matemticas Aplicadas y Anlisis Numrico de la National Academy of
Sciences en 1977, Harvey Prize en Ciencia y Tecnologa de Technion, Israel, en 1985. Fue
miembro de la Academia de Ciencias y de la Academia Nacional de Ingeniera de EEUU. Las
Sociedades de Programacin Matemtica y SIAM instituyeron hace aos un premio que lleva
su nombre, premio que es uno de los ms prestigiosos de nuestra comunidad.
Dantzig se sorprendi de que el mtodo simplex funcionara con tanta eficiencia. Citando de
nuevo sus palabras: "La mayor parte de las ocasiones el mtodo simplex resolva problemas
de m ecuaciones en 2m o en 3m pasos, algo realmente impresionante. En realidad nunca
pens que fuese a resultar tan eficiente. En ese entonces yo an no haba tenido
experiencias con problemas en dimensiones mayores y no confiaba en mi intuicin
geomtrica. Por ejemplo, mi intuicin me deca que el procedimiento requerira demasiados
pasos de un vrtice al siguiente. En la prctica son muy pocos pasos. Dicho con pocas
palabras, la intuicin en espacios de dimensiones mayores no es muy buena gua. Slo
ahora, 52 aos despus de haber propuesto el mtodo simplex por primera vez, la gente
est comenzando a tener una idea de por qu el mtodo funciona tan bien como lo hace".
Una precisin acerca de la terminologa: un simplex es un tipo especial de conjunto convexo
polidrico. Ms concretamente, sean P1, P2, . . . , Pn+1 n+1 puntos (o vectores) en R. Se
dice que los vectores tienen independencia afn si los n vectores P1 P2, P1 P3, . . . , P1 Pn,
P1 P son linealmente independientes. Si los puntos tienen independencia afn, entonces el
conjunto convexo ms pequeo que contiene los n+1 puntos en se llama n-simplex. En R,
tres puntos tienen independencia afn si no son colineales. El conjunto convexo ms pequeo
que contiene tres puntos no colineales es un tringulo con estos puntos como vrtices. Por
tanto, un 2-simplex es un tringulo. En R, cuatro puntos tienen independencia afn si no son
coplanares. El conjunto convexo ms pequeo que contiene cuatro de tales puntos es un
tetraedro. Este es el 3-simplex. Los tringulos y los tetraedros son conjuntos polidricos
convexos, no obstante que los conjuntos convexos polidricos no son necesariamente
simplex. El mtodo simplex fue llamado as por George Dantzig, aunque no est claro por
qu eligi ese nombre. Habra sido ms adecuado llamarlo "mtodo del conjunto convexo
polidrico".
Por ltimo, pero no lo ltimo, es importante resear la aplicacin de programacin
matemtica que el profesor Dantzig fue desarrollando a lo largo de los aos para diversos
sectores industriales y de la Administracin, destacando a ttulo de ejemplo el proyecto
PILOT, para una mejor planificacin del sector energtico y, por tanto, un mayor ahorro
energtico.
El 13 de Mayo de 2005, George Bernard Dantzig, muri a la edad de 90 aos en su casa de
Stanford debido a complicaciones con la diabetes y problemas cardiovasculares.
81
Captulo 3. Optimizacin de funciones no lineales sin restricciones
(caso continuo o reducible a continuo sin restricciones)

Introduccin

La mayora de los problemas de Ingeniera Qumica conduce directamente a
problemas de optimizacin no lineal, situacin que se debe a la naturaleza no
lineal de una cintica, del equilibrio de fases, de una ecuacin de transporte o del
escalamiento del costo de un proceso. Aunque la programacin lineal provee una
estrategia de solucin frente a problemas que pueden ser linealizados, es mucho
mejor contar con una metodologa ms robusta, y que tome en cuenta la
condicin no lineal de los modelos. De acuerdo a la programacin lineal, siempre
los puntos extremos de una funcin deben aparecer activando algunas
restricciones del problema, esta condicin no necesariamente ocurre en
problemas no lineales, que pueden presentar puntos ptimos en el interior de la
regin factible, considrese el siguiente ejemplo

x
f(x)
a b
mnimo funcional

x
f(x)
a b
mnimo funcional


ciertamente, una linealizacin del caso (b) es incapaz de detectar correctamente
el ptimo y, en general, aqu la reduccin a un problema de programacin lineal
no solucionar el problema. La naturaleza de f(x) puede ser variada, pues no
necesariamente se tratar de un modelo matemtico predefinido, y
perfectamente puede ocurrir que f(x) corresponde a una respuesta medible en
una planta (como un control de calidad) frente a la perturbacin de una o ms
variables manipulables x. La minimizacin de una funcin no lineal no requiere
necesariamente de modelo pues, a diferencia de lo visto en el clculo, no siempre
los ptimos (cuyos representativos son mximos o mnimos) se obtienen del
proceso de derivacin funcional. Hay tcnicas mucho ms generales que veremos
en este captulo, pero que tambin se inspiran en el clculo convencional de
puntos estacionarios.
82
En general, hemos de referirnos a funciones continuas sin restricciones, pero las
tcnicas pueden extenderse a funciones discretas (por ejemplo aquellas
dependientes de dimetros o reas de intercambio de calor estandarizadas),
como tambin a algunos casos con restricciones que pueden transformarse en
problemas no restrictos. A modo de ejemplo, podramos tener el problema :

: ( ) Min f x
Sa x a
x b

que representa el caso (b) en la grfica previamente mostrada. Aunque este es
un problema restricto, una simple transformacin de variables lo puede
transformar en un problema equivalente no restricto, por ejemplo, podemos
escribir :

2 2
cos (1 cos ) x a b = +

donde la transformacin, independientemente del valor que adquiera la variable
, quedar acotada al intervalo [a,b] como lo pide el problema original. Esta
misma transformacin puede aplicarse al problema de optimizacin, que
quedar :

( ) Min f

correspondiente a un problema sin restricciones, ya que puede variar en todo el
dominio real. Este tipo de transformaciones siempre puede aplicarse cuando
tenemos restricciones constantes que son muy tpicas en problemas de
Ingeniera, a modo de ejemplo, el rango de temperatura de operacin de un
catalizador, las presiones o flujos sugeridos para el diseo mecnico de un
equipo, los rangos de concentracin de una mezcla explosiva, etc.

3.1 Teora de mximos y mnimos locales (puntos estacionarios)
en funciones diferenciables
Hasta este punto hemos revisado importantes conceptos que permiten clasificar
las funciones objetivo. Ya sabemos que cuando una funcin es multimodal, existe
la posibilidad de varios puntos estacionarios en el dominio factible, y slo un
subconjunto de ellos pueden ser ptimos locales. En esta seccin analizamos las
condiciones que permiten clasificar un candidato a ptimo local. Slo
consideramos el problema de del mnimo, pues el mximo puede ser analizado
por una tcnica equivalente si recordamos que:

Mx u (x) = Mn f (x)

con
f (x) = -u (x)
83

La condicin necesaria y suficiente de un punto de mnimo absoluto est dada por
la condicin general

0 0 0
( ) ( ) x ; x x f x f x x (3.1.1)

esta misma definicin incluye el problema fundamental de la optimizacin: en
general la nica forma de establecer la calificacin de un punto candidato a
ptimo, es revisar el valor de la funcin objetivo en toda la regin de
optimizacin. Esta tcnica de revisin se ocupa cuando la obtencin del mnimo
absoluto es primordial, y puede aplicarse bombardeando el dominio de la funcin
con nmeros al azar. Claramente, la ltima tcnica es muy ineficiente, aunque
entrega informacin valiosa para partir en problemas muy mal condicionados, en
los que no podemos establecer claramente un caso base. El bombardeo de
dominios con nmeros al azar y el posterior muestreo de la funcin no tiene nada
de singular en problemas aplicados de Ingeniera Qumica. Es la base de los
mtodos Montecarlo, bastante tiles en la integracin numrica de funciones en
dominios de geometra compleja. Como antecedente cultural, es posible
demostrar que:

1
( )
( ) ( )
b
n
i
i a
b a
f x dx f x
n
=

donde x
i
es un nmero al azar que cumple la condicin a < x
i
< b, y n es el
nmero de puntos bombardeados al azar en el dominio. El mtodo puede
extenderse fcilmente a funciones n-dimensionales, y es comnmente utilizado en
mecnica estadstica y en la integracin de ecuaciones diferenciales de transporte
de calor y materia en geometras complejas, tales como los medios porosos
(membranas y catalizadores). Sin embargo, como ya establecimos, la tcnica es
ineficiente y slo es aplicable cuando el costo de muestreo de la funcin objetivo
es irrelevante. Si, por ejemplo, la funcin objetivo es una variable productiva de
una planta, muestreada en un conjunto de variables manipulables, el costo es
producir fuera de especificacin o en un rango de riesgo. Otro caso podra ser la
simulacin de una planta qumica completa, donde el costo es el tiempo y el valor
de operacin del simulador, costo que tambin es relevante desde un punto de
vista de consumo de recursos computacionales. Las tcnicas diferenciales,
conocidas desde el clculo tienen por objeto minimizar el muestreo; veamos a
continuacin cmo se aplican.
Cualquier funcin continua y diferenciable admite una expansin local en series de
Taylor alrededor de un punto x
0
. En este caso vamos a considerar una funcin de
una variable y que el punto x
0
es un candidato a mnimo funcional. De este modo
tendremos :

( )
0 0
1
1
( ) ( )
!
i
i
i
i
d f
f x f x x x
i dx
=
| |
= +
|
\

(3.1.2)
84

ahora, la ecuacin (3.1.2) y con consideracin de la condicin (3.1.1) y que x
0

representa un mnimo puede ser reescrita como :

( )
0
0 0
1
1
( ) ( ) 0
!
i
i
i
i
x
d f
f x f x x x
i dx
=
| |
=
|
\

(3.1.3)

ciertamente el punto x
0
ser mnimo si podemos demostrar que la suma de la
serie es positiva para todo valor x. Ahora bien, cualquier funcin puede ser
localmente aproximada por una expansin truncada de Taylor, el concepto
localmente ha de entenderse como en un pequeo rango alrededor de x
0
.
Podramos considerar, por ejemplo, una expansin cuadrtica:

( ) ( )
0
0
2
2
0 0 0 2
1
( ) ( ) + 0
2
x
x
df d f
f x f x x x x x
dx dx
| |
| |

| |
\
\


(3.1.4)

en la ecuacin (3.1.4) x puede tomar valores superiores o inferiores a x
0
, por
tanto la diferencia (x - x
0
) puede adquirir valores positivos o negativos. La nica
forma en que podemos asegurar que la desigualdad en (3.1.4) se verifica ocurre
cuando:

0
=0
x
df
dx
| |
|
\


(3.1.5)

de modo de evitar contribuciones negativas a la sauma. Por otro lado, ya que la
diferencia ( x - x
0
)
2
ser siempre positiva, una condicin adicional es que

0
2
2
0
x
d f
dx
| |

|
\


(3.1.6)

Las ecuaciones (3.1.5) y (3.1.6) representan las conocidas condiciones de mnimo
del clculo, aunque todava podemos tener casos ms complejos. Por ejemplo,
podra ocurrir que:

0
0
2
2
0
x
x
df d f
dx dx
| |
| |
= =
| |
\
\


(3.1.7)

y necesitamos tomar trminos mayores de la serie. En una aproximacin de 4
to

orden, y con las dos primeras derivadas nulas, (3.1.3) se reducira a:

( ) ( )
0 0
3 4
4
0 0 0 3 4
1 1
( ) ( ) + 0
6 24
x x
d f d f
f x f x x x x x
dx dx
| | | |

| |
\ \


(3.1.8)
85

repitiendo los argumentos sealados anteriormente, podemos decir que la
expansin truncada siempre satisface la desigualdad si, adems de 3.1.7 se
verifica que:

0
0
3
3
4
4
0
0
x
x
d f
dx
d f
dx
| |
=
|
\
| |

|
\




(3.1.9)

En general, un criterio local de minimalidad para x
0
ser :

Condiciones necesarias
El punto x
0
anula las primeras n derivadas, con n impar.
La funcin es diferenciable de grado n+1 en x
0
.

Condicin suficiente
La derivada n+1 (par) es positiva.


El criterio se aplica secuencialmente para n = 1, 3, 5 . en caso de que x
0
anule
simultneamente hasta las derivadas n y n + 1 de ms bajo orden. Las condicin
necesaria de diferenciabilidad es de gran importancia, si esa condicin no se
verifica, el criterio no entrega informacin concluyente. Tambin es importante
reconocer que la validez del criterio slo es local, en el sentido que una serie de
Taylor truncada slo aproxima localmente, y no globalmente, a una funcin
arbitraria. De esta forma, el criterio no sirve para calificar la globalidad del
mnimo, es decir, establecer si el candidato a mnimo es el mejor mnimo posible.
A modo de ejemplo, consideremos la figura 3.1.1
86


Figura 3.1.1.- Deteccin de mnimo local
x
f(x)
funcin no lineal
aproximacin de Taylor de 2 orden en x
0
x
0



en el caso indicado en la figura, podemos ver que la aproximacin de segundo
orden ajusta satisfactoriamente a la funcin slo en el rango del mnimo. Por
tanto las conclusiones que podemos obtener acerca de la globalidad del mnimo
dependen mucho de la calidad de la aproximacin local. En el caso, obviamente la
expansin truncada es inaplicable a todo el rango, donde claramente aparece otro
mnimo funcional ms conveniente. Ciertamente, los mtodos locales economizan
muestreos de la funcin, pero el costo es derivar y no poder establecer
categricamente cul es el mnimo global. Debe quedar claro que los mtodos
locales slo garantizan la existencia de un mnimo, pudiendo existir mnimos ms
convenientes.

Funciones n-dimensionales
Los principios de mnimo local tambin son aplicables a funciones escalares de
mltiples variables, donde la expansin cuadrtica de Taylor alrededor de un
punto de referencia est dada por :

( ) ( ) ( ) ( ) ( )
0
0
0 ,0 ,0 ,0
1 1 1
1
2
n n n
i i j j i i
i i j
i j i
x
x
f f
f x f x x x x x x x
x x x


= = =
| |
| |
+ +
|
|
|
\
\



(3.1.10)

siendo n la dimensin de la funcin. La ecuacin (3.1.10) puede escribirse en una
forma ms compacta aprovechando la notacin de matrices como :

( ) ( ) ( ) ( ) ( )
0 0 0 0 0 0
1
( ) ( )
2
T
T
f x f x f x x x x x H x x x = + +

(3.1.11)

donde x es el vector de variables, f(x) es el vector gradiente de la funcin y H
(x) es la matriz Hessiana:
87

( ) ( )
2 2 2
2
1 1 2 1
1 1
2 2 2
2 2 2
2 1 2 2
2 2 2
2
1 2
...
/
... /
; ;
/
...
n
n
n n
n n n
f f f
x x x x x
x f x
f f f
x f x
x f x H x x x x x x
x f x
f f f
x x x x x






(
(
(
( (
(
( (
(
( (
= = =
(
( (
(
( (
(

(
(






Notar que la matriz Hessiana es simtrica. Al igual que como lo hicimos
anteriormente, podemos partir de (3.1.1) y establecer que el punto x
0
es un
mnimo local si se verifica que

( ) ( ) ( ) ( ) ( )
0 0 0 0 0 0
1
( ) ( ) 0
2
T
T
f x f x f x x x x x H x x x = +

(3.1.12)

como ( x - x
0
) puede ser un vector negativo o positivo dependiendo de cmo nos
acerquemos al punto x
0
, es claro que la suma de Taylor se verifica toda vez que :

( ) ( )
0
0 0 0 0
( ) 0
( ) 0 x
T
f x
x x H x x x x






(3.1.13)

En la definicin establecida en (3.1.13) cobra importancia un concepto de la teora
de matrices, que vemos a continuacin :

Definicin de una matriz
Una matriz M se dice definida positiva si

0 v 0
T
v M v
(3.1.14)

y en general diremos que:

1. Una matriz es definida positiva ssi
0 0
T
x M x x >
2. Una matriz es definida negativa ssi
0 0
T
x M x x <

3. Una matriz es indefinida ssi
0 0

0 0 ;
T a
b b a
para x
x M x
para x x x
>

<

4. Una matriz es semidefinida positiva ssi
0 0
T
x M x x
5. Una matriz es semidefinida negativa ssi
0 0
T
x M x x
88

De este modo, la condicin solicitada en (3.1.13) es equivalente a la condicin de
que la matriz Hessiana sea definida positiva. En base a lo anterior, y haciendo la
analoga con funciones cuadrticas a partir de la expansin en serie de Taylor, la
definicin del Hessiano permite averiguar la caracterstica cncava y convexa de
una funcin.

Una funcin es cncava si H es semidefinido negativo.
Una funcin es estrictamente cncava si H es definido negativo.
Una funcin es convexa si H es semidefinido positivo.
Una funcin es estrictamente convexa si H es definido positivo.

Teorema
Una funcin es estricamente convexa en un punto x
0
, cuando los valores propios
de la Hessiana en ese punto son positivos.

Demostracin: puesto que una funcin es convexa cuando es definida positiva,
se tiene:

0 0 0
( ) 0
T
x H x x = >


donde es una constante escalar positiva, que tambin puede ser escrita como:

0 0
T
x x =


puesto que es positivo, tambin debe serlo, por aparecer como multiplicador
de una norma de vectores que es positiva. Notamos ahora que:

0 0 0 0 0 0 0 0
( ) ( )
T T
x H x x x x H x x I x = =


donde I es la matriz identidad de dimensin equivalente a la Hessiana. En esta
ltima ecuacin, puesto que x
0
es un vector no nulo, se deduce que:

0 H I =

Esta ltima ecuacin define el problema de los valores caractersticos de una
matriz. Tomando determinante a ambos lados, se obtiene el polinomio
caracterstico de la matriz H, cuyas races son precisamente los valores propios.
Recordamos que el polinomio caracterstico tiene el mismo orden de su matriz
asociada, por tanto el nmero de valores caractersticos corresponde a la
dimensin de la matriz. Como la Hessiana es simtrica, todos sus valores propios
son reales.


89

Corolarios del teorema:

Una funcin es convexa cuando todos los valores propios son mayores o
iguales que cero (Hessiana semidefinida positiva).
Una funcin es estrictamente cncava todos los valores propios son negativos.
Una funcin es cncava cuando todos los valores propios son menores o
iguales que cero.
Cuando una funcin combina simultneamente valores propios negativos y
positivos, o bien, cuando todos los valores propios son nulos, su geometra es
silla de montar.

Grfica de una funcin indefinida


Ejemplo: Determine si la funcin

( )
2 2
1 1 2 2 1 2
2 2 1.5 7 8 24 f x x x x x x x = + + + + +

es cncava o convexa. Tomando las primeras derivadas parciales, se tiene:

90
1 2
1
1 2
2
4 2 7
2 3 8
f
x x
x
f
x x
x

= + +
= + +



De las segundas derivadas parciales:

2
2
1
2
2
2
2 2
1 2 2 1
4
3
2
f
x
f
x
f f
x x x x

=
=
= =



de esta forma, la Hessiana asociada a f (x) ser:

4 2
2 3
H
(
=
(




es decir, una matriz de constantes para todos los reales. Calculamos ahora los
valores propios de H:

( )
2
4 2
det det 7 8 0
2 3
H I

(
= = + =
(

los valores propios son:

1
2
5.5616
1.4384

=
=



puesto que ambos son positivos, la funcin es estrictamente convexa en todo .
En otras palabras, si esta funcin tiene un mnimo, el mnimo ser global y nico.
Una segunda forma que permite determinar la caracterstica de la Hessiana, es el
de los determinantes de los menores principales:
Cuando los elementos de la diagonal de la Hessiana son positivos, y los
determinantes de todos los menores principales son positivos, la Hessiana es
definida positiva.


3.2. Secciones cnicas y el problema de los valores propios
Hemos revisado la importancia de la aproximacin cuadrtica de una funcin
continua n-dimensional arbitraria, y hemos concluido que el anlisis de la