Programación No

Lineal
Conceptos básicos
Investigación de Operaciones 2, Unidad 1
Logro

Al finalizar la unidad, el estudiante resuelve problemas

de optimización no lineal a través de la elaboración y
solución computacional de un modelo matemático válido
de programación no lineal, para tomar la mejor decisión
en las operaciones de una empresa industrial o de
servicios.
Sesión 1

Al finalizar la sesión el estudiante identifica los

conceptos y diferencias de la Programación no
lineal (PNL).
Contenido

• 1. Justificación de la programación no lineal.

• 2. Representación de un modelo de programación lineal (MPNL)
• 3. Diferencias con respecto a la programación lineal: Casos 1, 2 y 3
• 4. Funciones de una variable independiente.
• 5. Funciones de más de una variable independiente: función cóncava.
• 6. Funciones de más de una variable independiente: función convexa.
• 7. ¿Qué es Matriz Hessiana?
• 8. ¿Qué son los menores principales de una Matriz Hessiana?
1. Justificación de la programación no
lineal
• Cuando se elabora un modelo de optimización matemática, pueden
encontrarse situaciones de comportamiento no lineal:
• Compras con descuento por cantidad.
• Ubicación de: plantas, centros de distribución, locales de venta.
• Determinación de precios y cantidades a vender.
Compras con descuento:

• El costo de compra de un
producto es 1000 Soles por
tonelada; pero si se compra
al menos 40 toneladas, se
aplica un 20% de descuento.
• ¿Cúanto debo de pedir con
el fin de minimizar el costo
de compra?
Ubicación de centros de distribución

• En cada punto de color rojo

se ubica un punto de venta,
los cuales deben ser
provistos con mercadería
proveniente de un centro de
distribución.
• ¿Dónde localizaría el centro
de distribución, si se quiere
minimizar la suma de las
distancias (en línea recta)
hacia cada punto de venta?
Determinación de precios y cantidades a
vender
• Una empresa vende dos productos sustitutos,
cuyas curvas de demanda son las siguientes:
• P1 = 8 – Q1 – Q2
• P2 = 7 – Q1 – Q2
• Siendo:
• P1, P2 : Precio de venta (en Soles / unidad)
del producto 1 y 2, respectivamente.
• Q1, Q2 : Cantidad (en unidades) a vender del
producto 1 y 2, respectivamente.
• ¿Cuántas unidades y a qué precio debe vender
de cada producto, para maximizar el ingreso
total?
2. Representación de un modelo de
programación no lineal (MPNL)

• x : Vector de “n” variables de decisión: x1,

x2, …, xn.
• g (x) : Vector que representa a las “m”
restricciones: g1(x), g2(x), …, gm(x).
• b : Vector que representa a los términos
independientes de las “m” restricciones.
Por ejemplo:

• En este modelo de programación

no lineal, la segunda restricción es
no lineal.
• Para que un modelo de
programación matemática sea
considerado no lineal, debe tener
expresiones no lineales ya sea en la
función objetivo, en las restricciones
o en ambas.
3. Diferencias con respecto a la
programación lineal: Caso 1

• A diferencia de la
programación no
lineal, la solución
óptima de este MPNL
no pertenece a un
vértice de la región
factible.
3. Diferencias con respecto a la
programación lineal: Caso 2

• Del mismo modo,

la solución
óptima no
pertenece a un
vértice de la
región factible
3. Diferencias con respecto a la
programación lineal: Caso 3

• En este caso, la solución óptima se

encuentra en el interior de la región
factible.
En conclusión:

• A diferencia de la programación lineal, la solución

óptima de un modelo de programación no lineal
puede encontrarse en cualquier parte de la región
factible.
• Eso trae como consecuencia que, al resolver un
modelo de programación no lineal mediante un
software de administración de modelos, la
solución óptima que arroje no necesariamente sea
solución óptima global.
• Por ende, el usuario debe determinar si la solución
óptima obtenida es también una solución óptima
global, mediante un análisis de las expresiones no
lineales del modelo.
4. Funciones de una variable
independiente.
4. Funciones de una variable
independiente.
5. Funciones de más de una variable
independiente: Función Cóncava

• Una Función Multidimensional f(x1, x2,

…, xn) es cóncava en D(f)   xi  Df y
k = 1, 2, …, n; los k-esimos menores
principales de su Matriz Hessiana
diferentes de cero tienen el mismo
signo que (-1)k
6. Funciones de más de una variable
independiente: Función Convexa

• Una Función Multidimensional

f(x1, x2, …, xn) es convexa en Df
  xi  Df y k = 1, 2, …, n; los k-
esimos menores principales de
su Matriz Hessiana son ≥ 0.
6. Funciones de más de una variable independiente:
Función ni cóncava ni convexa

• Una Función Multidimensional es ni

cóncava ni convexa si los k-esimos
menores principales de su Matriz
Hessiana no cumple ninguna de las
propiedades anteriormente
descritas.
7. ¿Qué es Matriz Hessiana?

•
8. ¿Qué son los menores principales de una
Matriz Hessiana?
• El menor principal de orden i una matriz n x n, es el determinante de cualquier
matriz que se obtiene al quitar n – i filas y las n – i correspondientes columnas.
• Ejemplo: En la siguiente matriz Hessiana de una cierta función de dos
variables:

• Los primeros menores principales se encuentran en la diagonal principal:

-1 y 5
• El segundo menor principal es la determinante de la matriz:

-9
Otro ejemplo:

• En la siguiente Matriz Hessiana de una

cierta función de tres variables:
• Sus primeros menores principales se
encuentran en la diagonal principal: 2, 3 y 4

• Sus segundos menores principales son

12, -1 y 2 porque:
 Otro ejemplo: (Continuación)

• Su tercer menor principal es la

determinante de toda la -19
matriz:
Determinar si las siguientes funciones son
cóncavas, convexas o ninguna de las dos:

•
Solución A):

• Hallando el vector gradiente y luego la matriz Hessiana de la función:

• Analizando el signo de los primeros menores principales:

6 ≥0
18 ≥ 0

• Analizando el signo del segundo menor principal:

(6 x 18) – (7 x 7) = 59 ≥ 0

Conclusión: Tanto los primeros menores como el segundo

menor son ≥ 0. Por lo tanto, f(x1, x2) es convexa.
Solución B):

• Hallando el vector gradiente y luego la matriz Hessiana de la función:

• Analizando el signo de los primeros menores principales:

-12 < 0
-8 < 0

• Analizando el signo del segundo menor principal:

(-12 x -8) – (7 x 7) = 47 > 0

Conclusión: Los primeros menores principales distintos de

cero son negativos y el segundo menor principal diferente de
cero es > 0. Por lo tanto, f(x1, x2) es cóncava.
Solución C):
• Hallando el vector gradiente y luego la matriz Hessiana de la función:

• Analizando el signo de los primeros menores principales:

6 ≥0
12 ≥ 0
10 ≥ 0
• Analizando el signo de los segundos menores principales:
71 ≥ 0 56 ≥ 0 104 ≥ 0
• Analizando el signo del tercer menor principal:
Conclusión: Todos los menores
550 ≥ 0 principales son ≥ 0. Por lo tanto,
f(x1, x2, x3) es convexa.