Está en la página 1de 38

Resumen de Investigacion de Operaciones

Rodriguez Jorge
Realizado por

Tipantua Henry
Vargas Joel
Chalco Alexis

18/10/2016

ndice general
1. Programacin lineal
1.1. Formulacion del Modelo de Programacion Lineal . . . . . . .
1.2. Elementos de una formulacion de un problema de programacion lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Terminologa de programacion lineal . . . . . . . . . . . . .
1.4. Formas equivalentes del modelo de programacin lineal. . .
1.5. Mtodo del simplex . . . . . . . . . . . . . . . . . . . . . .
1.5.1. Algoritmo . . . . . . . . . . . . . . . . . . . . . . . .
1.5.2. Normalizacin de las restricciones . . . . . . . . . . .
1.5.3. Pasos del metodo simplex . . . . . . . . . . . . . . .
1.6. Dualidad y analisis de sensibilidad . . . . . . . . . . . . . .
1.6.1. Problema Primal . . . . . . . . . . . . . . . . . . . .
1.6.2. Problema Dual . . . . . . . . . . . . . . . . . . . . .
1.6.3. Relaciones primal-dual . . . . . . . . . . . . . . . . .
1.6.4. Teorema de la dualidad . . . . . . . . . . . . . . . . .
1.7. Analisis de Sensibilidad . . . . . . . . . . . . . . . . . . . . .
1.7.1. Procedimiento para anlisis de sensibilidad . . . . . .
1.8. Problemas que se resuelven por Programacin Lineal . . . .
1.8.1. Problemas del transporte o distribucin . . . . . . . .
1.8.2. Problema de Transbordo . . . . . . . . . . . . . . . .
1.8.3. Problema del Agente Viajero . . . . . . . . . . . . .
1.8.4. Problema de la Dieta . . . . . . . . . . . . . . . . . .

1
1

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

2
2
3
3
4
4
5
6
6
6
6
7
7
7
8
8
9
9
9

2. Modelo del Transporte


11
2.1. El problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Solucion mediante programacion lineal . . . . . . . . . . . . . 11
v

vi

NDICE GENERAL

3. Programacin lineal entera-mixta


17
3.1. El mtodo de ramicacin y acotacin . . . . . . . . . . . . . 17
3.2. El mtodo de los cortes de Gomory . . . . . . . . . . . . . . . 19
Anexos
.1. Espacios Vectoriales . . . . . . . . . . . . . . . . . .
.1.1. Notacion . . . . . . . . . . . . . . . . . . . .
.1.2. Espacio Vectorial . . . . . . . . . . . . . . .
.1.3. Suma . . . . . . . . . . . . . . . . . . . . . .
.1.4. Producto por un escalar . . . . . . . . . . .
.1.5. Subespacio Vectorial . . . . . . . . . . . . .
.1.6. Combinacion Lineal . . . . . . . . . . . . . .
.1.7. Independencia Lineal . . . . . . . . . . . . .
.2. Aplicaciones Lineales. . . . . . . . . . . . . . . . . .
.2.1. Denicin: . . . . . . . . . . . . . . . . . . .
.2.2. Ncleo e Imagen de una aplicacin lineal . .
.2.3. Operaciones con aplicaciones lineales . . . .
.3. Analisis Matematico . . . . . . . . . . . . . . . . .
.3.1. Funcin matemtica . . . . . . . . . . . .
.3.2. Dominio . . . . . . . . . . . . . . . . . . .
.3.3. Recorrido . . . . . . . . . . . . . . . . . .
.3.4. Funcion Inyectiva. . . . . . . . . . . . . .
.3.5. Funcion sobreyectiva. . . . . . . . . . . .
.3.6. Puntos de corte de una funcion con los
ordenados. . . . . . . . . . . . . . . . . . .
.3.7. Funciones crecientes y decrecientes. . .
.3.8. Extremos relativos o locales. . . . . . .
.3.9. Puntos de Inexin. . . . . . . . . . . .
.3.10. Limite de una funcion . . . . . . . . . . .

. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
ejes co. . . . .
. . . . .
. . . . .
. . . . .
. . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

21
21
21
21
21
22
22
22
23
23
23
24
24
25
25
25
25
26
26

.
.
.
.
.

26
26
28
28
29

ndice de guras

vii

ndice de cuadros

ix

Captulo 1
Programacin lineal
Las fases usuales de un estudio de investigacin de operaciones es la siguiente:
1. Denicin del problema de inters
2. Recoleccin de datos relevantes.
3. Formulacin de un modelo matemtico.
4. Desarrollo del problema mediante un programa de computadora.
5. Pruebar el modelo y mejoramiento de acuerdo con las necesidades.
6. Preparacin para la aplicacin del modelo prescrito por la administracin.
7. Implementacin.

1.1.

Formulacion del Modelo de Programacion Lineal

Un problema de Programacion Lineal tiene la siguiente forma.


max z = cx (funcion objetivo)
sujeato a
Ax = b (restricciones funcionales)
x 0 (restricciones de no negatividad)
1

CAPTULO 1 PROGRAMACIN LINEAL


x Rn ; b Rm ; A M mxn (R)
Donde:
A =Matriz de coecientes tcnicos
b =Vector de recursos
c =Vector de ganancias
x =Variable de desicion.
Podra haber tres casos para la relacion entre y m y n:
1. Cuando m > n entonces existe una solucin no factible.
2. Cuando m = n entonces existe una solucion factible nica.
3. Cuando n > m entonces existe innitas soluciones factibles.

1.2.

Elementos de una formulacion de un problema de programacion lineal

1. Variables de decision: x = (x1; :::; xn)


2. Objetivo: maxf (x) o minf (x)
3. Restricciones en las decisiones: g1(x)
b3; :::

1.3.

b1; g2(x)

b2; g3(x) =

Terminologa de programacion lineal

Solucin factible es aquella para la que todas las restricciones se


satisfacen.
Solucin no factible es una solucin para la que al menos una restriccin se viola.
Regin factible es la reunin de todas las soluciones factibles.
Solucin ptima es una solucin factible que proporciona el valor ms
favorable de la funcin objetivo.

1.4 FORMAS EQUIVALENTES DEL MODELO DE PROGRAMACIN LINEAL.3


Valor ms favorable signica el valor ms grande si la funcin objetivo debe maximizarse, o el valor ms pequeo si la funcin objetivo
debe minimizarse.
Solucin factible en un vrtice (FEV) es una solucin que se encuentra en una esquina de la regin factible.
Relacin entre las soluciones ptimas y las soluciones FEV:
Considere cualquier problema de programacin lineal con soluciones
factibles y una regin factible acotada.

1.4.

Formas equivalentes del modelo de programacin lineal.

Adems de la necesaria generalizacin del modelo de programacin lineal,


esta tcnica requiere el uso de dos formas especiales equivalentes; las que se
denominan forma cannica, la cual es muy til en teora de dualidad cuando
se trata de hacer una interpretacin econmica para el problema en estudio; la
otra forma se denomina estndar, la cual es indispensable si se desea resolver
el problema

1.5.

Mtodo del simplex

Para realizar el metodo simplex se debe cumplir las siguientes condiciones:


El objetivo consistir en maximizar o minimizar el valor de la funcin
objetivo.

CAPTULO 1 PROGRAMACIN LINEAL


Todas las restricciones deben ser ecuaciones de igualdad.
Todas las variables (xi) deben tener valor positivo o nulo.
Los trminos independientes (bi) de cada ecuacin deben ser no negativos.

1.5.1.

Algoritmo

1.5.2.

Normalizacin de las restricciones

Restriccin de tipo " "


Para normalizar una restriccin con una desigualdad del tipo " ", hay que
aadir una nueva variable, llamada variable de holgura xs (con la condicin
de no negatividad: xs 0).
Restriccin de tipo " "
En caso de una desigualdad del tipo " ", tambin hay que aadir una
nueva variable llamada variable de exceso xs (con la condicin de no negatividad: xs 0)
Restriccin de tipo "="

1.5 MTODO DEL SIMPLEX

Al contrario de lo que cabra pensar, para las restricciones de tipo "(aunque ya son identidades) tambin es necesario agregar variables articiales xr.
En la siguiente tabla se resume segn la desigualdad el tipo de variable
que aparece en la ecuacin normalizada, as como su signo:
Tipo de desigualdad Tipo de variable que aparece
- exceso + articial
=

+ articial
+ holgura

1.5.3.

Pasos del metodo simplex

1. Construccin de la primera tabla


2. Condicin de parada: Se cumple la condicin de parada cuando
la la indicadora no contiene ningn valor negativo entre los costes
reducidos (cuando el objetivo es la maximizacin), esto es, no existe
posibilidad de mejora.
3. Eleccin de la variable que entra a la base: Cuando una variable
se vuelve bsica, es decir, entra en la base, comienza a formar parte de
la solucin.
4. Eleccin de la variable que sale de la base: Una vez obtenida
la variable entrante, se determina que sale de la base la variable que
se encuentre en aquella la cuyo cociente P0/Pj sea el menor de los
estrictamente positivos
5. Elemento pivote: El elemento pivote de la tabla queda marcado por
la interseccin entre la columna de la variable entrante y la la de la
variable saliente.
6. Actualizacin de la tabla:
Las las correspondientes a la funcin objetivo y a los ttulos permanecern inalteradas en la nueva tabla. El resto de valores debern
calcular de la siguiente forma:
En la la del elemento pivote cada nuevo elemento se calcula como:

CAPTULO 1 PROGRAMACIN LINEAL


Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.
En el resto de las las cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento
Fila en Columna Pivote * Nuevo Elemento Fila Pivote).
De esta forma se consigue que todos los elementos de la columna de
la variable entrante sean nulos salvo el de la la de la variable saliente
cuyo valor ser 1.

1.6.

Dualidad y analisis de sensibilidad

1.6.1.

Problema Primal

M aximizar

Z=

n
X

cj xj

j=1

sujeta a
n
X
aij xj

bi para i = 1; 2; :::; m

j=1

y
xj

1.6.2.

0 para j = 1; 2; :::; n

Problema Dual
n
X

M inimizar W =
bi y i
i=1
X
aij yi cj para i = 1; 2; :::; n
y
yi 0 para i = 1; 2; :::; m

1.6.3.

Relaciones primal-dual

Propiedad de dualidad dbil


Si x es una solucin factible para el problema primal y y es una solucin
factible para el problema dual, entonces cx yb.

1.7 ANALISIS DE SENSIBILIDAD

Propiedad de dualidad fuerte


Si x es una solucin ptima para el problema primal y y es una solucin
ptima para el problema dual, entonces cx = y b
Estas dos propiedades implican que cx < yb para soluciones factibles si
una o ambas son no ptimas para sus problemas respectivos, mientras que la
igualdad se cumple cuando ambas son ptimas.

1.6.4.

Teorema de la dualidad

Las siguientes son las nicas relaciones posibles entre los problemas primal
y dual.
1. Si un problema tiene soluciones factibles y una funcin objetivo acotada entonces ocurre lo mismo con el otro problema, de manera que se
aplican tanto la propiedad de dualidad dbil como la fuerte.
2. Si uno de los problemas tiene soluciones factibles y una funcin objetivo
no acotada entonces el otro problema no tiene soluciones factibles.
3. Si un problema no tiene soluciones factibles, entonces el otro problema
no tiene soluciones factibles o bien la funcin objetivo es no acotada.

1.7.

Analisis de Sensibilidad

Consiste en la investigacin del efecto que tiene sobre la solucin ptima


el hecho de hacer cambios en los valores de los parmetros del modelo aij ,
bi y cj . Al cambiar los valores de los parmetros en el problema primal se
cambian tambin los valores correspondientes en el problema dual. Por tanto,
se puede elegir qu problema se va a usar para investigar cada cambio.
Es decir investiga el efecto que tendra sobre la solucin ptima que proporciona el mtodo smplex del hecho de que los parmetros tomen otros
valores posibles. Donde su objetivo fundamental es identicar los parmetros
sensibles .

1.7.1.

Procedimiento para anlisis de sensibilidad

1. Revisin del modelo.

CAPTULO 1 PROGRAMACIN LINEAL


2. Revisin de la tabla smplex nal.
3. Conversin a la forma apropiada de eliminacin de Gauss.
4. Prueba de factibilidad: Se prueba la factibilidad de esta solucin
mediante la vericacin de que todas las variables bsicas de la columna
del lado derecho an tengan valores no negativos.
5. Prueba de optimalidad: Se verica si esta solucin es ptima mediante la comprobacin de que todos los coecientes de las variables no
bsicas del rengln 0 continen no negativos.
6. Reoptimizacin: Si esta solucin no pasa una de las pruebas, se puede
obtener la nueva solucin ptima a partir de la tabla actual como tabla
smplex inicial por el mtodo smplex o el smplex dual.

1.8.
1.8.1.

Problemas que se resuelven por Programacin Lineal


Problemas del transporte o distribucin

Es un problema de redes especial en programacin lineal que se funda


en la necesidad de llevar unidades de un punto especco llamado Fuente u
Origen hacia otro punto especco llamado Destino. Los principales objetivos
de un modelo de transporte son la satisfaccin de todos los requerimientos
establecidos por los destinos y claro est la minimizacin de los costos relacionados con el plan determinado por las rutas escogidas.
Solucin mediante programacin lineal
El modelo bsico de transporte es el modelo en el cual la cantidad ofertada es igual a la cantidad demandada, como es el caso de este ejercicio, sin
embargo trasladar esta suposicin a la realidad es casi imposible por lo cual
hace falta crear orgenes y/o destinos cticios con el excedente de oferta y/o
demanda.

1.8 PROBLEMAS QUE SE RESUELVEN POR PROGRAMACIN LINEAL9

1.8.2.

Problema de Transbordo

El Problema de Transbordo, Intertransporte o Reembarque es una variacin


del modelo original de transporte que se ajusta a la posibilidad comn de
transportar unidades mediante nodos fuentes, destinos y transitorios, mientras el modelo tradicional solo permite envos directos desde nodos fuentes
hacia nodos destinos.
Resolucin de un problema de transbordo mediante programacin
lineal
Para poder resolver un problema de transbordo mediante programacin
lineal basta con conocer una nueva familia de restricciones, las llamadas
restricciones de balanceo. En un problema de transbordo existen 3 clases de
nodos, los nodos de oferta pura, los de demanda pura y los nodos transitorios
que posibilitan el transbordo y que deben de balancearse para hacer que el
sistema sea viable, es decir, que todas las unidades que ingresen a un nodo
sean iguales a las que salgan del mismo (unidades que salen + unidades que
conserve el nodo).

1.8.3.

Problema del Agente Viajero

En el Problema del Agente, el objetivo es encontrar un recorrido completo


que conecte todos los nodos de una red, visitndolos tan solo una vez y
volviendo al punto de partida, y que adems minimice la distancia total de
la ruta.
El problema del agente viajero tiene una variacin importante, y esta
depende de que las distancias entre un nodo y otro sean simtricas o no, es
decir, que la distancia entre A y B sea igual a la distancia entre B y A, puesto
que en la prctica es muy poco probable que as sea.

1.8.4.

Problema de la Dieta

El problema de la dieta fue uno de los primeros sobre optimizacin. George


Joseph Stigler plante, a nales de la dcada de los aos 30, el problema de
rgimen alimenticio ptimal para tratar de satisfacer la preocupacin del
ejrcito americano por hallar la manera ms econmica de alimentar a sus
tropas asegurando al mismo tiempo unos determinados requerimientos nutricionales.

10

CAPTULO 1 PROGRAMACIN LINEAL

Este tipo de problema se puede plantear en distintas formas tales como


minimizar los gastos de la compra, dieta para el ganado, una dieta adelgazante que cumpla unos determinados niveles de caloras, protenas, hidratos
de carbono, etc.

Captulo 2
Modelo del Transporte
2.1.

El problema

Una empresa energtica ecuatoriana dispone de cuatro plantas de generacin para satisfacer la demanda diaria elctrica en cinco Provincias, Pichincha, Guayas, Manabi,Loja, y Imbabura. Las plantas 1,2,3 y 4 pueden satisfacer 50, 60, 50 y 50 millones de KW al da respectivamente. Las necesidades
de las Provincias, Pichincha, Guayas, Manabi,Loja, y Imbabura son de 30,
20, 70, 30 y 60 millones de Kw al da respectivamente.
Los costos asociados al envo de suministro energtico por cada milln de
KW entre cada planta y cada ciudad son los registrados en la tabla 1
tabla 1
Pichincha Guayas Manab Loja Imbabura

2.2.

Planta 1

16

16

13

22

17

Planta 2

14

14

13

19

15

Planta 3

19

19

20

23

60

Planta 4

50

55

Solucion mediante programacion lineal

El modelo bsico de transporte es el modelo en el cual la cantidad ofertada es igual a la cantidad demandada, como es el caso de este ejercicio, sin
11

12

CAPTULO 2 MODELO DEL TRANSPORTE

embargo trasladar esta suposicin a la realidad es casi imposible por lo cual


hace falta crear orgenes y/o destinos cticios con el excedente de oferta y/o
demanda.
Como ya lo hemos planteado en mdulos anteriores el primer paso corresponde a la denicin de las variables, regularmente se le denomina a las
variables de manera algebraica Xi,j donde i simboliza a la fuente y j simboliza
al destino. En este caso i dene el conjunto {Planta 1, Planta 2, Planta 3
y Planta 4}, y j dene el conjunto {Pichincha, Guayas, Mamnabi, Loja,
Imbabura}. Sin embargo es prctico renombrar cada fuente y destino por
un nmero respectivo, por ende la variable X1,2 corresponde a la cantidad
de millones de KW enviados diariamente de la Planta 1 a la provinvia del
Guayas.
Graco Transpote nodos
transporte

3 :jpg

Grco 1
Todos los costos asociados con el transporte estan en la tabla 1.
Solucin:
Partimos de la funcion objetivo

2.2 SOLUCION MEDIANTE PROGRAMACION LINEAL

13

m n z = 16X11 +16X12 +13X13 +22X14 +17X15 +14X21 +14X22 +13X23 +


19X24 + 15X25 + 19X31 + 19X32 + 20X33 + 23X34 + 60X35 + 50X41 + 2X42 +
55X43 + 3X44 + 3X45
Con los datos de nuestro problema construimos la siguiente tabla 2 la
cual nos permite hallar la solucin.
Paso 1
1

4 :jpg

Tabla 2
Escogemos el mximo valor entre oferta y demanda y lo pintamos con
color naranja y luego el menor valor del costo que esta pintado con azul.
Repetimos estos pasos hasta hallar la solucin a nuestro problema.
Paso 2
2

5 :jpg

Tabla 2.1
Paso 3

14

CAPTULO 2 MODELO DEL TRANSPORTE

Tabla 2.2
Paso 4

Tabla 2.3
Paso 5

Tabla 2.4
Paso 6

Tabla 2.5

2.2 SOLUCION MEDIANTE PROGRAMACION LINEAL

15

De esta manera hemos obtenido nuestro nuestra solucion optima mostrado


en la tabla 3.
tabla 3
Solucin

Costo Costo Total

X44 = 30

90

X45 = 20

60

X13 = 50

13

650

X25 = 40

15

600

X23 = 20

13

260

X31 = 30

19

570

X32 = 20
19
380
Para la solucion ptima sumamos el costo total de la tabla 3
Z = 2610

Captulo 3
Programacin lineal
entera-mixta
Un problema de programacin lineal entera-mixta (PPLEM) es un problema de programacin lineal en el que algunas de las variables son enteras.
Si todas las variables enteras binarias (0/1), el problema se denomina problema de programacin lineal entera-mixta 0/1 (PPLEM 0/1). Si, por otra
parte, todas las variables son enteras, el problema se denomina problema de
programacin lineal entera estricta.
Un PPLEM general se formula en forma estndar minimizando
Z = cj xj
sujeto a aij xj = bi;
i = 1; 2; :::; m
xj 0;
j = 1; 2; :::; n
xj 2 IN ;
donde IN se emplea para referirse al conjunto f0; 1; 2; :::g.

3.1.

El mtodo de ramicacin y acotacin

Entrada. Un PPLEM que ha de resolverse.


Salida. Su solucin o un mensaje indicando que es infactible o que no
est acotado.
Algoritmo
Paso 1. (iniciacin). Se establece una cota superior ( ) y una cota
inferior (- ) de la solucin ptima.
Paso 2. (ramicacin). Empleando la variable xk que ha de ser entera
17

18 CAPTULO 3 PROGRAMACIN LINEAL ENTERA-MIXTA


y no lo es, se generan mediante ramicacin dos problemas. Si el valor de
la variable que ha de ser entera xk es a:b;donde a y b son sus partes entera
y fraccional respectivamente, los problemas fruto de la ramicacin son los
siguientes. El primer problema es el PPLEM inicial relajado al que se la
aade la restriccin xk a; el segundo es el PPLEM inicial relajado al que
se le aade la restriccin xk a + 1.
Paso 3. (solucin).
Paso 4. (actualizacin de cotas). Si la solucin del problema actual
satisface las condiciones de integralidad y el valor ptimo de su funcin objetivo es menor que la cota superior actual, la cota superior se actualiza al valor
ptimo de la funcin objetivo del problema resuelto, y el minimizador actual
se almacena como el mejor candidato a minimizador del problema original.
Si, por el contrario, la solucin obtenida no satisface las restricciones de integralidad y el valor de la correspondiente funcin objetivo est entre las
cotas inferior y superior, se actualiza el valor de la cota inferior al valor de
la funcin objetivo del problema resuelto y se procede a ramicar.
Paso 5. (poda). Si la solucin del problema actual cumple las restricciones de integralidad, no ha lugar a ramicaciones adicionales relacionadas
con esa solucin. Se dice que la rama se poda por razones de integralidad.
Si, por otra parte, la solucin no satisface las condiciones de integralidad
y adems el valor de la funcin objetivo del problema resuelto es mayor que
la cota superior, no es posible obtener soluciones mediante ramicaciones
adicionales de esa rama. Se dice que la rama se poda por cotas.
Si, nalmente, el problema es infactible, no ha lugar a ramicaciones adicionales empleando esa rama. Se dice que la rama se poda por infactibilidad.
Paso 6. (optimalidad). Si la lista de problemas a procesar no est vaca,
se contina con el paso 3. Si, por el contrario, est vaca, el procedimiento
concluye. Si en este caso, existe un candidato a minimizador, este candidato
es el minimizador; si no existe, el problema es infactible.
El proceso de ramicacin concluye por una de las siguientes tres razones:
1.

El problema considerado es infactible

2.

La solucin obtenida satisface las condiciones de integralidad

3.

La cota inferior obtenida es superior a la cota superior disponible

3.2 EL MTODO DE LOS CORTES DE GOMORY

3.2.

19

El mtodo de los cortes de Gomory

En esta tcnica, se resuelve el problema original relajado en el que se


incluyen restricciones adicionales, que reducen la regin factible sin excluir
soluciones que cumplen las condiciones de optimalidad. En cada iteracin se
aade una restriccin que se denomina corte de Gomory.
Este mtodo solo resuelve modelos enteros puros y consta de los siguientes
pasos:
1.- Resolver el modelo relajado, es decir, que las variables sean continuas.
2.- Si el resultado es entero, entonces ya se tiene la solucin optima, si
noseguir con el mtodo.
3.- Seleccionar el max ( XBi [XBi] ) incluyendo al renglon Zj Cj,
fraccionario y generar un nuevo corte o nueva restriccin: (aij [aij])xj
(xBi [xBi]) aadir este corte como una nueva restriccin y resolver utilizando el mtodoDual Simplex; ir al paso 2.
Algoritmo
Paso 1. (iniciacin). Se resuelve el problema original sin restricciones
de integralidad. Si la solucin no est acotada o el problema es infactible, se
para; el problema original o no est acotado o es infactible.
Paso 2. (control de optimalidad). Si la solucin obtenida cumple las
condiciones de integralidad, se para dado que esta solucin es ptima. En
otro caso, se contina con el paso siguiente.
Paso 3. (generacin de corte). Se emplea una variable bsica que ha
de ser entera pero no lo es para generar un corte de Gomory.
Paso 4. (resolucin).
Obsrvese que el nmero de restricciones crece con el nmero de iteraciones. Puesto que en cada iteracin se aade una nueva restriccin, debe
emplearse para la resolucin del problema el mtodo simplex dual. Esto es
as puesto que al aadir una nueva restriccin, el problema primal correspondiente se hace infactible pero su dual permanece factible, aunque no ptimo.

Apndice
Anexos
.1.
.1.1.

Espacios Vectoriales
Notacion

Dado un espacio vectorial V sobre un cuerpo K ,se distinguen.


Los elementos de V como: u; v; w; :::: 2 V se llaman vectores.
Los elementos de K como: ; ; ; :::: 2 K se llaman escalares

.1.2.

Espacio Vectorial

Denicion: un espacio vectorial real V es un conjunto de objetos, denominados vectores, junto con dos operaciones binarias llamadas suma y producto
por un escalar y cumplan las siguientes propiedades..

.1.3.

Suma

# : V xV
>
V
(u; v)
> u+v
1. Propiedad Conmutativa
u + v = v + u;
8u; v 2 V
2. Propiedad Asociativa
u + (v + w) = (u + v) + w;
8u; v; w 2 V
3. Elemento Neutro
9 0 2 V : u + 0 = u ; 8u 2 V
4. Elemento Opuesto
21

22

APNDICE ANEXOS
8u 2 V; 9

.1.4.

u 2 V : u + ( u) = 0

Producto por un escalar

# : KxV
>
V
( ; u)
>
:u
5. Elemento Neutro de la multiplicacion
9 1 2 K : u;1 = u ; 8u 2 V
6.Propiedad distributiva del producto respecto a la suma de
vectores
(u + v) = u + v;
8u; v 2 V; 8 2 K
7. Propiedad distributiva del producto respecto a la suma de
escalares
( + )u = u + u;
8u 2 V; 8 ; 2 K

.1.5.

Subespacio Vectorial

Denicion: Dado un espacio vectorial V , se dice que un subconjunto S


de V es un subespacio vectorial si contiene al vector 0, y si al efectuar las
operaciones de suma y producto por escalar entre vectores de S, el resultado
permanece en S.
Es decir:
02S
Si v; w 2 S entonces v + w 2 S
Si v 2 S y
un escalar, entonces
v2S
Como S es un subespacio vectorial de V; entonces cumple con las propiedades
de suma y producto por un escalar en si cumple las propiedades 1,2,3,4,5,6,7

.1.6.

Combinacion Lineal

Dado un espacio vectorial E, diremos que un vector u es combinacin lineal de los vectores de S = fv1 ; ::::::::vn g E si existen escalares 1 ; ::::::: n
tales que:
u = 1 v1 + ::::::::::: + n vn

23

.2 APLICACIONES LINEALES.

.1.7.

Independencia Lineal

Diremos que un conjunto S = fv1 ; ::::::::vn g de vectores es linealmente


independiente si el vector 0 no se puede expresar como combinacin lineal
no nula de los vectores de S, es decir:
=)
1 v1 + ::::::::::: + n vn = 0
1 = ::::::: = n = 0
diremos que un conjunto S de vectores es linealmente dependiente en caso
contrarioes linealmente independiente.

.2.
.2.1.

Aplicaciones Lineales.
Denicin:

Sean V y W subespacios vectoriales en un cuerpo F , una funcin T:V


!W, se llama una aplicacin lineal o transformacin lineal de V en W , si y
solo si 8 x, y 2 V y c 2 F , tenemos que :
T (x + y) = T (x) + T (y)
T (cx) = cT (x)
Ejemplo:
1.Demostrar que T es una aplicacin lineal.
T : R2 ! R3
(x; y) ! T (x; y) = (3x y; x; 5x y)
Solucin:
a) sea (x1; y1) 2 R2 ; (x2; y2) 2 R2 ; sea C 2 R
T ((x1; y1) + (x2; y2)) = T (x1 + x2 ; y1 + y2)
= 3(x1 + x2) (y1 + y2); x1 + x2; 5(x1 + x2)
= 3x1 + 3x2 y1 y2 ; x1 + x2 ; 5x1 + 5x2
Por otro lado

(y1 + y2)
y1 y2 ( )

T (x1; y1)+T (x2; y2) = (3x1 y1; x1; 5x1 y1)+(3x2 y2; x2; 5x2
y2)
= 3x1 + 3x2 y1 y2 ; x1 + x2 ; 5x1 + 5x2 y1 y2 (
como =
se cumple la primera propiedad
b) T (c(x1; y1)) = T (cx1; cy1) = 3cx1 cy1; cx1; 5cx1 cy1
= c(3x1 y1; 5x1 y1) = cT (x1; y1)
asi se cumple que T es una aplicacion lineal.

24

APNDICE ANEXOS

.2.2.

Ncleo e Imagen de una aplicacin lineal

Ncleo
Sean V y W espacios vectoriales y sea T : V !W una aplicacin lineal
, se dene como espacio nulo o ncleo de T , notado como N(T) , como el
conjunto de todos los vectores X en V tal que T(x)=0W, es decir
N (T ) = fx 2 V = T (x) = 0wg
Imagen
Denimos la imagen de T notada R(T), como el subconjunto de W, que
consta de todas las imgenes bajo T de los elementos de V.
R(T ) = fT (x) = 0wg

.2.3.

Operaciones con aplicaciones lineales

Sean T, U: V. . . W funciones cualquiera , donde V y W son espacios


vectriales y sea a 2 F .denimos :
Suma de transformaciones lineales
T +U :V !W
Mediante (T + U )(x) = T (x) + U (x); 8 x 2 V
Producto por un escalar
aT : V ! W
Mediante (aT )(x) = aT (x), 8 x 2 V
Composicin de aplicaciones lineales.
Sean V, W ,Z espacios vectoriales y sean
T :V !W
U :W !Z
Entonces U:T : V ! Z es una aplicacin lineal

.3 ANALISIS MATEMATICO

25

Inversa de una transformacin lineal


Sea T : V ! W , Se dice que T tiene inversa U : W ! V si T:U = Iw y
U:T = Iv.
Las inversas son nicas y escribiremos U = T 1 , decimos que T es invertible si T tiene una inversa.
Propiedades:
1)(T U ) 1 = U 1 T 1
2)(T 1 ) 1 = T
Se usa el hecho de que T es invertible, si y solo si T es biyectiva.

.3.
.3.1.

Analisis Matematico
Funcin matemtica

Dados dos conjuntos A y B, una funcin entre ellos es una asociacin f


que a cada elemento de A le asigna un nico elemento de B.
Se dice entonces que A es el dominio (tambin conjunto de partida o
conjunto inicial) de f y que B es su codominio (tambin conjunto de llegada
o conjunto nal).
f :A!B
a ! f (a)

.3.2.

Dominio

El dominio o conjunto de partida de una funcin es el conjunto de existencia de ella misma, es decir, los valores para los cuales la funcin est denida.
Es el conjunto de todos los objetos que puede transformar, se denota Dom f.
Denicion formal:
Df = fx 2 X j 9y 2 Y : f (x) = yg

.3.3.

Recorrido

La imagen, campo de valores o rango de una funcin f , tambin llamada


la imagen de f , es el conjunto contenido en Y formado por todos los valores
que puede llegar a tomar la funcin.
Denicion formal:
Imf := fy 2 Y j 9x 2 X ; f (x) = yg

26

.3.4.

APNDICE ANEXOS

Funcion Inyectiva.

En matemticas, una funcin f es inyectiva si a elementos distintos del


conjunto x (dominio) les corresponden elementos distintos en el conjunto y
(codominio) de f.
Es decir, cada elemento del conjunto Y tiene a lo sumo una preimagen en
X.
O equivalentemente funcin f es inyectiva si, slo si a,b son elementos
diferentes de x, entonces f (a) = f (b):
Simblicamente:
8a; b 2 X; f (a) = f (b) ! a = b

.3.5.

Funcion sobreyectiva.

Una funcin es sobreyectiva si esta aplicada sobre todo el codominio , es


decir, cuandocada elemento de Y es la imagen de como mnimo un elemento
de x.
Simbolicamente:
8y 2 Y 9x 2 X : f (x) = y

.3.6.

Puntos de corte de una funcion con los ejes coordenados.

Los primeros puntos de la grca que se pueden hallar, son los puntos de
la funcin que pertenecen a los ejes coordenados.Para hallar el punto donde
la funcin corta al eje de ordenadas (eje Y) se resuelve el sistema:
y = f (x)
x=0
Para hallar los puntos donde la funcin corta al eje de abscisas (eje X) se
resuelve el sistema:
y = f (x)
y=0

.3.7.

Funciones crecientes y decrecientes.

Funcin estrictamente creciente


F es estrictamente creciente en a si slo si existe un entorno de a, tal que
para toda x que pertenezca al entorno de a se cumple:

.3 ANALISIS MATEMATICO

27

x > a ! f (x) > f (a)


x < a ! f (x) < f (a)

f es creciente en a si slo si existe un entorno de a, tal que para toda x


que pertenezca la entorno de a se cumple:
x > a ! f (x) >= f (a)
x < a ! f (x) <= f (a)
Funcion creciente en un punto
si f es derivable en a :
f es estrictamente creciente en a si:
f 0(a) > 0
Funcin estrictamente decreciente
f es estrictamente decreciente en a si slo si existe un entorno de a, tal
que para toda x que pertenezca al entorno de a se cumple:
x > a ! f (x) < f (a)
x < a ! f (x) > f (a)

28

APNDICE ANEXOS

f es decreciente en a si slo si existe un entorno de a, tal que para toda x


que pertenezca al entorno de a se cumple:
x > a ! f (x) <= f (a)
x < a ! f (x) >= f (a)

.3.8.

Extremos relativos o locales.

Sea f (x) : A
R ! R;sea x0 2 A y sea P = (x0 ; f (x0 )) un punto
perteneciente a la graca de la funcin.Se dice que P es un mximo local de f
,si existe un entorno reducido de centro x0 , en smbolos E0(x0), donde para
todo elemento x de E0(x0)se cumple f (x) f (x0). Para que esta propiedad
posea sentido estricto debe cumplirse f (x) < f (x0). Anlogamente se dice
que el punto P es un mnimo local de f si existe un entorno reducido de centro
x0 , en smbolos E0(x0), donde para todo elemento x de E0(x0) se cumple
f (x) f (x0).

.3.9.

Puntos de Inexin.

en una funcin matemtica, un punto de inexin es un punto donde los


valores de una funcin continua x pasan de un tipo de concavidad a otra.
Matemticamente la derivada segunda de la funcin f en el punto de
inexin es cero, o no existe.

.3 ANALISIS MATEMATICO

.3.10.

29

Limite de una funcion

Si la funcin f {ndisplaystyle f} f tiene lmite L {ndisplaystyle L} L en


c {ndisplaystyle c} c podemos decir de manera informal que la funcin f
{ndisplaystyle f} f tiende hacia el lmite L {ndisplaystyle L} L cerca de c
{ndisplaystyle c} c si se puede hacer que f ( x ) {ndisplaystyle f(x)} f(x)
est tan cerca como queramos de L {ndisplaystyle L} L haciendo que x
{ndisplaystyle x} x est sucientemente cerca de c {ndisplaystyle c} c siendo
x {ndisplaystyle x} x distinto de c {ndisplaystyle c} c.
El lmite de una funcin f(x), cuando x tiende a c es L si y slo si para
todo > 0 existe un > 0 tal que para todo nmero real x en el dominio
de la funcin 0 < jx cj < ) jf (x) Lj <
Notacion formal:
l mx!c f (x) = L () 8 > 0 9 > 0=8x 2 Dom(f ); 0 < jx cj <
! jf (x) Lj <

Bibliografa
[1] http://www.ingenieriaindustrialonline.com/herramientas-para-elingeniero-industrial/investigaci %C3 %B3n-de-operaciones/problemadel-agente-viajero-tsp/
[2] http://www.phpsimplex.com/ejemplo_problemas.htm
[3] Hiller Frederich. Introduccion a al investigacion de operaciones. Novena
Edicion

31