Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MANABÍ
FACULTAD DE CIENCIAS
ADMINISTRATIVAS Y ECONÓMICAS
CARRERA DE ECONOMÍA
DESARROLLO DE LA ASIGNATURA DE
INVESTIGACIÓN OPERATIVA
Compilación
PERÍODO:
Octubre 2014 – Febrero 2015
GENERALIDADES:
Las principales fases que se destacan en una decisión, son las siguientes:
Formulación de objetivos.
EVALUACIÓN FORMULACIÓN
Y DE
REVISIÓN OBJETIVOS
DECISIÓN
EJECUCIÓN
Y PLANIFICACIÓN
CONTROL
Ejecución y Control.
Evaluación y Revisión.
CLASES DE DECISIONES.
ANTECEDENTES.
GENERALIDADES.
En donde.
0 = Objetivo
f = En función de
Cn = Variables controlables
Nn = Variables no controlables.
Industria
Agricultura
Construcción
Comercio
Transporte
Energía
Banca
Minería
Comunicaciones
Producción
Inventarios
Distribución
Selección y renovación de equipos
Problemas de espera
Organización y sistemas
Localización y LAY – OUY
Financiamiento
Precios
Mercado
Comercialización
Informática
Administración
Gerencia
Factor Humano
Seguridad Industrial
Así como esta materia nos permite resolver mucos tipos de problemas,
también encontramos algunas limitaciones en la práctica, las que pueden
sintetizarse en las siguientes:
b. Costo de la Investigación
e. Servicios de Informática.
Sin duda que los métodos principales más utilizados en la práctica tanto
por su versatilidad como por sus ventajas resultantes son los siguientes:
Cálculo Matricial, Sistemas de Ecuaciones, Estadística Descriptiva,
Inferencia Estadística, Programación Lineal, Programación Dinámica, El
Método del Transporte, Teoría de las Colas, Métodos GANTT, PERT-
CPM, Tiempos y Tareas, Teoría de los Juegos, Simulación,
Probabilidades.
INTRODUCCIÓN
OBJETIVOS
APLICACIONES
CONCEPTOS BÁSICOS
Linealidad
Divisibilidad
Finitud
Algoritmos o iteraciones
1. Función – Objetivo.-
2. Limitaciones o restricciones.-
en donde:
= igual
Xn > 0
4. Condiciones de optimización.-
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 = 40 restricción de mano de obra
X1 + 2 X2 = 50 restricción de materiales
tanto X1 como X2 son no negativas.
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:
2 X1 + X2 40 + X3 restricción de la mano de obra con horas adicionales
desconocidas.
X1 + 2 X2 50 restricción de materiales
X1 = 50, X2 = 0, X3 = 60,
Producto 1 2 3 4
Materia prima lbs/unidad 2 2 3/2 1
Espacio pies3 /unidad 2 5/2 2 3/2
Tasa producción unidades/hora 15 30 10 15
Utilidades $/unidad. 5 6.5 5 5.5
CARACTERÍSTICAS CLAVES
CARACTERÍSTICA CLAVE.
CARACTERÍSTICA CLAVE
CARACTERÍSTICA CLAVE.
Una compañía tiene dos fábricas que suministran 800 y 1300 unidades de
un producto a tres centros de distribución que requieren 600, 1000 y 1600
unidades del producto. El costo de transportar una unidad del producto
desde cada fábrica hasta cada uno de los destinos está expresado en la
siguiente matriz de costos de transporte:
Los datos del problema están conformados por las diversas ofertas y
demandas, y los respectivos costos de transporte unitarios, los cuales
combinados dan nuestras restricciones.
EJERCICIOS
Nº 1
Una compañía comercializadora tiene 1,5 millones para asignarlos a uno
de sus almacenes. Se desea comprar 3 productos A,B,C que requiere
para su almacenamiento un espacio de 30, 3, y 15 pies cúbicos
respectivamente por unidad, en una bodega de 300.000 pies cúbicos. El
precio de compra de cada producto es de $ 12, $4,5 y $15
respectivamente. Que cantidad debe adquirirse de cada producto si el
precio de venta de cada uno es de $15, $6 y $21 con el fin de maximizar
la utilidad.
Nº 2
Una compañía de transporte dispone de 400 millones para adquirir
vehículos de carga. Se ofrecen tres modelos con las siguientes
características:
≤
A1i· x1 +a2i· x2 +....+api· xp = bp
≤
Ejemplo
* Ninguna solución.
* Una solución.
* Infinitas soluciones.
con bi ≥ 0 y xi ≥ 0
Maximizar Z = Ct · X, con A · X = B
con B, X ≥
siendo:
A, matriz de coeficientes
X, matriz de incógnitas
B, matriz de términos independientes
Z, función objetivo
Ct, matriz de coeficientes de la función objetivo
2 x1 -5 x2 -3 x3 ≥ 4 2 x1 -5 x2 -3 x3 - y = 4
xi = xi+- xi-
con xi+, xi- ≥ 0
Ejemplo
* Paso previo.
Ejemplo.
n=7 y m=5
La metodología es la siguiente:
-
-2 3 0 0 1 9
12
1 - 2x1 - 5x2 + x3 = x4
4 + 3x1 + 8x2 - 2x3 = x5
9 + 2x1 + 12x2 - 3x3 = x6
(0,0,0,1,4,9)
x2=k>0,
x1= x3= 0
y x4, x5, x6 ≥ 0 y de estas tres variables, al menos, una nula.
1 - 5·k = x4
4 + 8·k = x5
9 + 12·k = x6
z1= 8/5.
x3= k
x1, x4= 0
Por tanto,
1/5 + k/5 = x2
28/5 - 2/5 ·k = x5
57/5 - 3/5 ·k = x6
5/2 0 0 -3/2 0 1 3
Z = 66 - 21/2 x1 - 20 x4 + 23/2 x5
2= 66
Si Im no está dentro de A:
(Im , matriz identidad de mxm, con m= nº de condiciones.)
F1
230 1 6 F2- 2F1 012 1 4
-1 0 0 1 1 48
1 2 -1 0 0 97
0 2 0 -1 0 11
-1 0 0 1 1 0 0 48
1 2 -1 0 0 1 0 97
0 2 0 -1 0 0 1 11
Vs* = (v1, v2,..., vn, ..., 0,..., 0 s = (v1, v2,..., vn) solución
de I.
Consejos prácticos.
0 0 1 4 5 52
P1 P2 P3 <<< señaladas
x4 0 x4
P3
1 0 -7 0 2 16
0 1 -3 0 1 2
0 0 -1 1 5 52
Z= 14 + x3 - x5
- Debe haber n-m componentes nulas. Puede haber vértices con más de
n-m componentes nulas. Esto nos llevará a posibles soluciones básicas
"degeneradas". Es posible encontrarnos con casos de paso por vértices
"degenerados" que producen ciclos y en donde es imposible la obtención
de una solución. Esto es bastante raro y en general no se producen
problemas, salvo en algunos problemas de "laboratorio
PROBLEMA DUAL
Condiciones.
Teoremas.
o Si uno de ellos tiene solución entonces la tendrá el otro, y al revés.
Además el valor numérico de la función objetivo en los vértices
solución de ambos problemas, será el mismo (no el vértice).
MATRIZ
mxn
Ejemplo: A: 3x4 3 filas 4 columnas
B: 3x3 3 filas 3 columnas
C: 4x3 4 filas 3 columnas
Clases de Matrices.
3 2 3 1 2 6 0 0 0
1 0 1 0 -1 0 5 0 0
4 2 6 0 0 4 0
1 -3 4 0 0 0 1
Cuadrada Rectangular Diagonal
1 0 0
0 1 0
0 0 1
Unitaria
6 5 -1 6 3 1
3 2 0 5 2 4
1 4 -2 -1 0 -2
A A (TRANSPUESTA)
3 2 1 3 2 1
0 -1 5 = 0 -1 5
2 -3 0 2 -3 0
A B
Igualdad de Matrices
4 2 - 5 0 = -1 2
1 3 1 2 0 1
4 2 12 6
=
3 1 3 3 9
K.A
No podemos multiplicar
3 2 1 3 = 3x1+2x5 3x3+2x2 = 1 13 13
-1 0 5 2 -1x1+0x5 -1x3+0x2 -1 -3
A B = A.B
A. A_1 = A_1. A = I
1. Obtenemos el determinante:
(3 x 2) - (4 x 1) = [10]
A11 = (_1) 1 + 1 x 3 = 3
A21 = (_1) 2 + 1 x 4 = -4
A22 = (_1) 2 + 2 x 2 = 2
A_1 ó B
Aji
bij = --------
|A|
A11 3
b11= ------- b11= ------
|A| 10
A21 -4
b12= ------- b12= ------
|A| 10
A12 1
B21= ------- b11= ------
|A| 10
3 -4
----- -----
10 10
B=
1 2
----- -----
10 10
Comprobamos:
2 4 3 -4 2 x 3 + 4.1 2 x –4 + 4.2
10 10 10 10 10 10
-1 3 1 2 -1 x 3 + 3.1 -1 x -4 + 3.2
10 10 10 10 10 10
1 0
-1
[A] [A] =
0 1
3 -4 2 4 3 x 2 + -4 x -1 3 x 4 + -4 x 3
---- ---- --- --- --- ---
10 10 10 10 10 10
1 2 -1 3 1 x 2 + 2 x -1 1 x 4 + 2 x 3
---- ---- --- --- --- ---
10 10 10 10 10 10
1 0
[A]-1 [A] =
1 1
1 0 2 4
0 1 -1 3
Procedimiento:
1 0 2* 4 A11 _2
I * _pivote
0 1 -1. 3 . _ semipivote
0.5 0 1 2. a11 _2
II _pivote transformado
0.5 1 0 5* * _semipivote
0.3 -0.4 1 0
0.1 0.2 0 1
Explicación:
II ETAPA: 1 0 2 4
----- = 0.5 ----- = 0----- = 1----- = 2
2 2 2 2
0.3 -0.4 3 -4
Idéntica a la obtenida 10 10
por el método de
Cofactores
0.1 0.2 1 2
10 10
A_1
Principales características:
a. Cuando una ecuación tiene una única solución diferente a las otras
del sistema, el sistema adquiere el nombre de inconsistente.
Sistemas Generales
EL METODO GRAFICO
1. Función objetivo
2. Conjunto de limitaciones o restricciones
3. Condición de no negatividad
4. Condiciones de optimización:
Solución factible
Solución básica factible
Solución óptima factible
Procedimiento:
En este caso las expresiones < (igual o menor) indican que la empresa no
podrá utilizar más recursos de los que dispones (finitud) y los coeficientes
de X1 y X2 corresponden a las necesidades técnicas de producción.
Resolución:
X1 = 21 - 3X2
7
X1 X2
3 0
0 7
(2) 2 X1 + 3X2 < 12
2 X1 + 3X2 = 12
X1 = 12 - 3X2
2
X1 X2
6 0
0 4
X1 = 18 - 4X2
4.5
X1 X2
4 0
0 4.5
X2
REGION OPTIMIZACION
2 BASICA
FACTIBLE
0 1 2 3 4 5 6 7
X1
0 0 0
1 1 26
1 2 37
MAXIMIZACIÓN 2 2 52
3 0 45
1 3 48
1.5 1.5 39
0 4 44
Z = 15(2) + 11(2)
ZMAX = 52
Ejemplo:
Procedimiento:
Producto II: X2
Resolución:
X1 X2
10 0
0 6.66
X1 = 30 - 5X2
X1 X2
30 0
0 6
20
X2
10
667 OPTIMIZACION
0 10 20 30
X1
0 0 0
10 10 70
20 10 100
10 20 110
0 20 80
1.75 6 29.25
30 0 90
Introducción
Este método fue ideado por George Dantzig (1947), quien realizó
investigaciones en base a relaciones matemáticas de carácter lineal para
resolver problemas de optimización en la Fuerza Aérea de los Estados
Unidos.
Procedimiento
Planteamiento:
Resolución.
X2 = 0 X2 = 1.920
3. Proceso iterativo
PRIMERA ETAPA
cj 900 1.500 2.2000 0 0 0
Xj bm X1 X2 X3 X1 X2 X3
0 X1 1.650 6 9 8 1 0 0
0 X2 1.920 8 11 16 0 1 0
0 X3 1.180 3 4 10 0 0 1
zj 0 0 0 0 0 0 0
Zj - Cj - -900 -1.500 -2.200 0 0 0
X1 = 1.650
X2 = 1.920
*: elemento pivote
: pivote transformado
.: elementos semipivotales
SEGUNDA ETAPA
Qué producir.
Cuánto producir.
MAQUINARIA Y EQUIPOS
MANO DE OBRA
MATERIAS PRIMAS
(3) 1.180 3 4 10 0 0 1
------- = 118 ---- = 0.3 ----- = 0.4 ----- = 1 ---- = 0 ---- = 0 ----- = 0
10 10 10 10 10 10 10
(1)
1650-(118x8)=706 6-(0.3x8)=3.6 9-(14x8)=5.8 8-(1x8)=0 1-(0x8)=1 0-(0x8)=0 0-(0.1x8)=-0.1
TERCERA ETAPA
Qué producir.
Cuánto producir.
706 32 118
------ = 121.72 ------- = 6.95 ------ = 295
5.8 4.6 0.4
X1 = 0 X1 = 0
X2 = 6.95 X2 = 0
X3 = 115.22 X3 = 0
Comprobación
Supongamos un ejemplo:
Planteamiento:
Variables: A = X1
B = X2
C = X3
No negatividad: Xj > 0
RESOLUCIÓN:
Z(min) = 14x1 + 19X2 + 16X3 - 0X1 –0X2 –0X3+ Mm1 + Mmn2 +Mm3
PROGRAMACIÓN LINEAL
EJERCICIO DE MAXIMIZACIÓN
Una empresa donde produce sillas y mesas, tiene una ganancia por mesa
de tres (3) dólares, para construir una necesita invertir dos (2) horas
máquina y una (1) hora hombre. Para la empresa producir una silla
necesita invertir seis (6) horas máquina y cuatro (4) horas hombre donde
tiene una ganancia de cinco (5) dólares por silla.
Para obtener nuestra ecuación llamaremos a las mesas con X y las sillas
con Y.
2X + 6Y £ 12 F = 3X + 5Y
X + 4Y £ 7
2X + 6Y £ 12 2X + 6Y £ 12
2(0) + 6Y £ 12 2X + 6(0) £ 12
6Y £ 12 2X £ 12
Y£2 X£6
X’ + 4Y’ £ 7 X’ + 4Y’ £ 7
(0) + 4Y’ £ 7 X’ + 4(0) £ 7
4Y’ £ 7 X’ £ 7
Y’ £ 1.75
Descripción X Y X’ Y’
Horas Máquina 0 2 0 1.75
Horas Hombre 6 0 7 0
MAXIMIZACIÓN
______A to B
______C to D
SILLAS
MESAS
Solución: F = 3X + 5Y
Luego de realizar estos cálculos podemos ver que para que la empresa
reciba un mayor beneficio debe producir solamente mesas.
EJERCICIO DE MINIMIZACIÓN
Ecuaciones;
4X = 2Y ³ 100 Y ³ 20 X³0
Función Objetiva;
F = 8X + 5Y
Solución:
4X + 2Y ³ 100 4X + 2Y ³ 100
4(0) + 2Y ³ 100 4X + 2(0) ³ 100
2Y ³ 100 4X ³ 100
Y ³ 50 X ³ 25
MINIMIZACIÓN
______A to B
______C to Infinite
MEZCLA "N"
MEZCLA "M"
3. Ejercicios
Función Objetivo
Max (Min) f(x) Conjunto de Restricciones
Formulación matricial
Max (min) Ct x
Sujeto a: Ax b
X 0
Un modelo de programación se dice lineal (PL) si tanto la función objetivo f(x) como las restricciones son lineales.
Si en un modelo P.L. añadimos la condición de que las variables sean enteras, tenemos un modelo de programación
entero (PE)
Si la función objetivo o cualquiera de las restricciones definidas son no lineales, tenemos un modelo de
programación no lineal (PNL).
Individuo o grupo de individuos que interesada en el problema real bajo estudio y que directa o indirectamente
proporcionan la solución final del modelo.
Analista.
Individuo o grupo de individuos que analizan el problema y ayudan al decisor a elegir una solución.
Si en un modelo lineal todas las restricciones son de igualdad y además todas las variables y términos independientes
de las restricciones (b) son no negativos, se dice que el problema de programación lineal está en forma estándar y
matricialmente lo representaremos de la forma:
El conjunto de puntos que verifican todas las restricciones y condiciones de no negatividad, si existe, constituye la
región factible del problema.
Región Factible
x Ax b, x 0
El propósito de este problema de optimización será encontrar el punto x* de la región factible que tenga el mayor
(menor) valor de la función objetivo.
La resolución analítica de un modelo lineal requiere su transformación previa al formato estándar añadiendo variables
de holgura con signo + 0 – dependiendo de si la restricción es de tipo 0 , respectivamente.
Ax b Ax h b Ax b Ax h b
EJEMPLO 1: Escribir el siguiente problema de programación lineal en forma estándar y obtener su región factible:
(P.L.) Max 2x – 3y
Sujeto a: x + 3y 24
2x + y 18
x + y 10
x,y 0
a) (P.L.) Max 2x – 3y
sujeto a: x + 3y -24
2x + y 18
x+y -10
x,y 0
b) (P.L.) Max 4x + y
sujeto a: 5x + 3y 7
2x – 6y 5
3x + y 6
X 0,y 0
(P.L.) Max 4x + 6 y + z
sujeto a: 2x + 3y – z = 8
4x + 5y = 10
X , y , z, 0
EJEMPLO 4: Transforma el siguiente problema lineal de maximizar en uno equivalente de minimizar y que además
esté en forma estándar:
sujeto a: x + 3y - 4
2x - z 1
3x + 2y + z 8
x,y 0
1. Determinar las variables de decisión, que son las variables sobre las que el decisor tiene el control.
Representaremos algebraicamente el conjunto de variables de decisión de la forma x1, x2,…, xn o con el vector: x = (x1,
x2,…, xn). También se puede utilizar nombres que faciliten su identificación.
Representarán productos o bienes a producir, almacenar o vender, disponibilidad o adquisición de materias primas, etc.
2. Determinar las restricciones, mediante expresiones matemáticas lineales que relacionan las variables.
Las restricciones representan limitaciones o requisitos y vendrán expresadas como ecuaciones (igualdades) o
inecuaciones (desigualdades) lineales, g, en las variables de decisión x de la forma:
g ( x) b g ( x) b g ( x) b
Hay que añadir las condiciones de no negatividad de las variables de decisión, es decir, x 0.
3. Construir la función objetivo, f(x), función lineal de las variables de decisión, que hay que optimizar.
La función objetivo representará alguna cantidad que desea maximizar el decisor (beneficio, renta, eficacia,
producción,…) o bien minimizar (coste, tiempo, inventario, distancia total recorrida)
Definiciones
1. Solución factible: Punto o solución que verifica todas las restricciones y condiciones de no negatividad. El
conjunto de todas las soluciones factibles se denomina región factible.
2. Solución Infactible: Punto que no verifica todas las restricciones y condiciones de no negatividad.
4. Solución óptima: Punto o solución factibles y que además optimiza la función objetivo.
2) Si la región factible es un politopo (no cerrado) entonces, i) o no hay solución óptima (problema infactible) o
ii) la solución óptima es.
EJEMPLO 5: Representar gráficamente los siguientes problemas lineales e identificarlos con los siguientes casos:
a) Solución única;
b) Solución múltiple;
c) Problema infactible;
d) Solución limitada.
x–y 5 5x + 2y 12 x + 2y 4 x + 3y 9
x, y 0 x, y 0 x, y 0 x, y 0
1. Para resolver un problema de programación lineal gráficamente se dibuja, en primer lugar, un sistema de
coordenadas cartesianas en que las variables de decisión estén representadas en los ejes.
2. A continuación, se dibujan las restricciones del problemas (incluyendo las de no negatividad). La intersección de
todas las regiones determina la región factible o espacio de soluciones. Si esta región es vacía, no existe
ninguna solución que satisfaga simultáneamente todas las restricciones y el problema se dice infactible. En caso
contrario, ir a la fase 3.
3. Se evalúa la función objetivo en los puntos extremos de la región factible y aquél o aquellos que maximicen (o
minimicen) el objetivo, corresponden a las soluciones óptimas del problema.
Gráficamente, se dibuja la función objetivo, y desplaza sobre la región factible en el sentido de crecimiento si el
problema es de maximizar o decrecimiento si es de minimizar. El último punto en el que la función objetivo toque
a la región factible en este desplazamiento proporciona la solución óptima.
1) max 4x + 3y 2) max x + 2y
s.a.: 3x + 4y 12 s.a.: x + 2y 2
3x + 3y 15 x+y 2
4x +2y 8 x, y 0
x, y 0
Resolución analítica
El método de simplex
Fue desarrollado por Dantzing (1947) y es un procedimiento general para la resolución de problemas de P.L. en forma
estándar mediante la utilización de tablas. En este método se parte de una solución básica factible y nos vamos
desplazando de una solución factible extrema a otra adyacente, mejorando cada vez (o al menos no empeorando) la
función objetivo. De su aplicación puede concluirse si el problema es optimo, infactible o no acotado.
Se lleva a cabo en 4 etapas: (i) Etapa inicial; (ii) Etapa de mejora; (iii) Etapa de selección de las variables de entrada /
salida de la base y (iv) Etapa de pilotaje.
Es una variación del método del simplex y se utiliza al igual que éste con el formato de tabla. Para su aplicación se
requiere añadir al problema variables artificiales para la obtención de una solución básica factible inicial.
Variables
de la Coeficientes de la matriz tecnológica Vectores de recursos
base
La primera etapa se inicia con una solución básica factible del problema. Dicha solución puede constituirse a partir de
variables de holgura.
Nota: Las variables pueden ser aquellas que tienen asociadas vectores interiores con un elemento igual a 1 y el resto a
0.
Si todos los costes reducidos zj - cj son () 0 La solución obtenida es óptima FIN
En caso contrario existe la posibilidad de mejora ir a la ETAPA 3.
ENTRADA: En un P.L. de minimizar (maximizar) entra en la base la variable con z j - cj positivo (negativo) más grande,
es decir, la variable que dé el max zj - cj 0 (maxzj - cj 0 ).
Al elemento interior que está en la posición de cruce de la fila pivote y la columna pivote, es decir, yik se le llama
elemento pivote o simplemente pivote.
Realizamos el cambio de variables en la base, la transformación del pivote de forma que su nuevo valor sea 1 y
volvemos a la ETAPA 2.
EJEMPLO 7: Resuelve analíticamente con el método del simples los problemas del ejercicio 6.
Supongamos una fábrica de cervezas que produce tres tipos distintos que se denominan negra (N), rubia ® y de baja
graduación (B). Para su obtención son necesarios, además de agua y lúpulo para los cuales no hay limitación de
disponibilidad, malta y levadura, que limitan la capacidad diaria de producción. La tabla siguiente da la cantidad
necesaria de cada uno de estos recursos para producir un litro de cada una de las respectivas cervezas, los kilos
disponibles de cada recurso y el beneficio por el litro de cada cerveza producida. El problema del fabricante consiste en
decidir cuánto debe fabricar de cada cerveza para que el beneficio total diario sea máximo.
Los condicionantes para el desarrollo de estos proyectos son: Al menos 10 programadores y 5 analistas deben estar
ocupados en ellos y se cuenta con 6 terminales.
Introducción.
La PL es una técnica mediante la cual se toman decisiones, reduciendo el problema bajo estudio a un modelo
matemático general, el cual debe ser resuelto por métodos cuantitativos.
En desarrollo de este capítulo se aplicarán la solución de dichos modelos aplicando diversas técnicas como: el método
gráfico, método simplex, método matricial, técnica de la gran M.
Además se desarrollara la aplicación de variables artificiales y obtención de soluciones para identificar a que tipo de
clasificación pertenecen. Por medio de dichos modelos de solución se podrá obtener las soluciones adecuadas para
cada problema y facilitar la toma de decisiones.
Método gráfico.
El método gráfico se utiliza para la solución de problemas de PL, representando geométricamente a las restricciones,
condiciones técnicas y el objetivo.
Cuando los ejes son relacionados con las variables del problema, el método es llamado método gráfico en actividad.
Cuando se relacionan las restricciones tecnológicas se denomina método gráfico en recursos.
1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma
simultánea.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer término <= por (=) para
cada restricción, con lo cual se produce la ecuación de una línea recta.
4. trazar cada línea recta en el plano y la región en cual se encuentra cada restricción cuando se considera la
desigualdad lo indica la dirección de la flecha situada sobre la línea recta asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por
consiguiente, representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el espacio de soluciones, la solución óptima puede
determinarse al observar la dirección en la cual aumenta la función objetivo.
7. Las líneas paralelas que representan la función objetivo se trazan mediante la asignación de valores arbitrarios a fin
de determinar la pendiente y la dirección en la cual crece o decrece el valor de la función objetivo.
X1 + 2X2 =6 (1)
2X1 + X2 =8 (2)
-X1 + X2 =1 (3)
X2 =2 (4)
X1 =0 (5)
X2 =0 (6)
Para obtener la solución gráfica, después de haber obtenido el espacio de solución y graficada la función objetivo el
factor clave consiste en decidir la dirección de mejora de la función objetivo.
En la solución gráfica observamos que la solución óptima está asociada siempre con un punto extremo del espacio de
soluciones. El método simplex está basado fundamentalmente en este concepto.
Careciendo de la ventaja visual asociada con la representación gráfica del espacio de soluciones, el método simplex
emplea un proceso interactivo que principia en un punto extremo factible, normalmente el origen, y se desplaza
sistemáticamente de un punto extremo factible a otro, hasta que se llega por último al punto óptimo.
Existen reglas que rigen la selección del siguiente punto extremo del método simplex:
El algoritmo simplex da inicio en el origen, que suele llamarse solución inicial. Después se desplaza a un punto extremo
adyacente. La elección específica de uno a otro punto depende de los coeficientes de la función objetivo hasta encontrar
el punto óptimo.
Al aplicar la condición de optimidad a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la
variable que sale debe ser una de las variables artificiales.
Para completar la primera iteración es necesario seguir usando la eliminación de Gauss para obtener coeficientes de 0
para la nueva variable básica Xj en los otros renglones, para realizar este cambio se utiliza la siguiente fórmula:
Renglón nuevo = renglón antiguo - (coeficiente de la columna pivote X renglón pivote nuevo)
Renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X renglón pivote nuevo)
TABLA SIMPLEX
Sea:
Maximizar Z = 2X1+4X2
Sujeto a:
Entra X2 y sale S3, se desarrolla la nueva tabla solución y se continua el proceso iterativo hasta encontrar la solución
optima si es que está existe.
Tabla Óptima:
Fabricando
X1 = 10
X2 = 120
Sobrante de
S1 = 90
Max Z = 10X1+8X2
s.a.
4.5X1+1.5X2 <= 30
6.0X1+3.0X2 <= 48
toda X1,X2 >=0
Decisión Variable (Variable de Decisión): Son las variables que se han definido en la formulación del problema en este
caso representan al producto X1 = mesas y X2= sillas.
Solution Value (Valor de la solución): Cantidad de mesas y sillas a fabricar, el problema se resuelve y nos indica que
para obtener la mejor solución en términos de la utilidad, se necesitan fabricar 16 sillas y no fabricar mesas.
Unit Cost or Profit (costo por unidad, Utilidad por unidad): Cantidad de pesos que vamos a ganar por cada mesa y por
cada silla ($10 y $8 respectivamente.
Total Contribution (contribución total): Es la cantidad en pesos que resulta al multiplicar la utilidad de cada producto por
la cantidad que se va a fabricar, ejemplo al fabricar 16 sillas y multiplicarlo por $/silla 8, la contribución es de $128.0000,
así al sumar la contribución por concepto de las mesas nos arroja una aportación de $0.0000, esto resulta de hacer la
operación de ($/mesa10) (0 mesas)= $0.0000, finalmente la suma de 128.0000+0.0000 = $128.0000, esto es lo que se
conoce como el valor de Objetive Function Max.
Reduced Cost (Costo reducido): esto nos indica el dinero que hemos dejado de ganar por cada unidad no fabricada. en
este caso debemos de aumentar a mas de $6.0000 la utilidad de la mesa para que sea atractiva la fabricación de
mesas.
Basis Status (estado de la base): Indica si la variable es básica o no básica, en este ejemplo la variable X1 (mesas)
resulta ser no básica, esto es que no forma parte de la solución óptima, la variable X2 (sillas) es una variable básica, ya
que forma parte de la solución.
Allowed Min cj (rango mínimo del cj): esta es la mínima utilidad que puedo obtener sin que la base actual cambie. (-M)
Constraint (Restricción): Son las restricciones que forman parte del problema, se tienen dos restricciones (C1 y C2) la
restricción de la madera y la de horas hombre.
Left hand side (valor al lado izquierdo): esto nos indica el consumo de recurso, de 30.000 m 2 de madera se consumieron
24.000 m2.
Shadow Price (precio sombra): nos indica la solución Dual, esto es que el 2.6667 indica que cada hra-hombre se debe
ofrecer como mínimo en $/hr 2.6667.
Allowed Min RHS (rango mínimo del bj): esta es la mínima cantidad de recurso que se debe de mantener sin que la
base actual cambie. (0 hrs-hombre)
Allowed Max RHS (rango mínimo del bj): esta es la máxima cantidad de recurso que se debe de mantener sin que la
base actual cambie (60.0000 hrs-hombre)
EJEMPLOS
x1
2 x1 x2 2
2 x1 x2 2
Pasa por:
(-1,0) y (0,2)
2
-1
x1 2 x2 3
x1 2 x2 3
Pasa por:
(0,-3/2) y (3,0)
-3/2
x1 2 x2 5
Pasa por:
5/2
(0,5/2) y (5,0)
x1 2 x2 5
F
REGIÓN DE
FACTIBILIDAD
z =0 z =9 Dirección
z =4
de mejora
de la f.o.
F ÓPTIMO
Solución óptima:
x*=4
1 , x*=
2 1/2
z* =13
F P
ÓPTIMO
(1/5,12/5)
(0,2)
z =4
z* =13
F (4, 1/2)
(0,0)
z =0
(3,0)
z =9
max x1 2 x2
suj.a : x1 x 2 5
x1 0, x2 0
(5,0)
Dirección
de mejora F
de la f.o.
(5,0)
min x1 2 x2
suj.a : x1 x 2
5
x1 0 , x 2 0
ÓPTIMO F
(mínimo)
z*=0
x1* x*2 =0
(5,0)
max x1 x2
suj.a : 2 x1 x 2 2
x 1 3x2 1
x1 0, x2 0
x1 0, x2 0
F
(1,0)
min x1 x2
suj.a : 2 x1 x 2 2
x 1 3x 2 1
x1 0 , x2 0
x1 0 , x2 0
ÓPTIMO (mínimo)
Dirección z*=0
z= 1/3
de mejora
de la f.o. x1* x*2 =0
z= 0
(1,0)
x1 0, x2 0
F=
(0,3)
(4,0) (6,0)
max x1 x2
suj.a : x1 x2 2
3x 1 x 2 3
x1 0, x2 0
(0,2)
(1,0) (2,0)
(0,2)
Q
z= 0 z= 2
Dirección
de mejora F
de la f.o.
(1,0)
λP (1 λ)Q, 0 λ 1
1 3
x λ(0,2) (1 λ)( , ), 0 λ 1
2 2
z 2
Por ejemplo:
1 1 1 1 3 1 7
Para λ , x (0,2) (1 )( , ) x1 , x2
2 2 2 2 2 4 4
1 1 1 1 3 1 5
Para λ , x (0,2) (1 )( , ) x1 , x2
3 3 3 2 2 3 3
..................
min x1 x2
suj.a : x1 x2 2
3x 1 x 2 3
x1 0, x2 0
3x 1 x 2 3 z*=0
x1 0 , x2 0 x1* x*2 =0
(0,2)
Dirección
de mejora
de la f.o.
z= 0 F
(1,0)
(0,1)
(0,0.78)
F (1.25,0)
(1,0)
Dirección
de mejora
de la f.o. F
(1,0)
ÓPTIMO
(mínimo)
z*=71.6
x
*
1
x* 2 =5/12
F
(1,0)
GENERALIDADES
METODOLOGÍA
Centros de Consumo A B C D
Centros de Distribución
1 4 6 5 2
2 3 7 4 5
3 6 5 2 7
Función Objetivo:
Z(Min) = 4 X11 + 6 X12 + 5 X13 + 2 X14 + 3 X21+ 7 X21 + 4 X23 + 5 X24 + 6 X31
+ 5 X32 + 2 X33 + 7X34
Restricciones:
No Negatividad:
PRIMERA SOLUCION:
CT1 = 199
SEGUNDA SOLUCION:
5 7 4 5 5
7 9 6 7 7
0 2 -1 0
1 11 5
oc 9
M. Existencias
6 6
1 11- oc 5 + oc oc = 9
oc 9 - oc
M. Existencias
6 6 12
1 2 14 17
9 0 9
6 7 11 14
Costo Total: CT2 = 4x6 + 6x6 + 7x1 + 4x2 + 5x14 + 2x9 + 7x0
CT2 = 163
TERCERA SOLUCION:
5 7 4 5 3
3 5 2 3 1
2 4 1 2
6_ oc 6 + oc
Oc 1_ oc 2 14
oc =1
6-1 6+1 5 7 12
1 1-1 2 14 = 1 2 14 17
9 9 9
6 7 11 14
CT3 = 161
CUARTA SOLUCION:
5 7 4 5 3
3 5 2 3 1
2 4 1 2
Matriz de Existencias
5 7 oc
1 2 14
5- oc 7 oc 7 5 12
1+ oc 2 14- oc oc =5 6 2 9 17
9 9 9
6 7 11 14
CT4 = 141
QUINTA SOLUCION:
3 9 4 5 5
+1 7 2 3 3
-2 4 -1 0
Matriz de Existencias
7 5
6 oc 2 9
7- oc 5+ oc 0 12 12
6 oc 2 9- oc oc =7 6 7 2 2 17
9 9 9
6 7 11 14
CT5 = 127
3 7 4 5 5
1 5 2 3 3
-2 2 -1 0
CTm = 127
TOTAL: 38 ton.
INTRODUCCIÓN ____________________
OBJETIVOS ________________________
� Definición de matriz
8 1 0
5 0,5 3
Dos matrices A=( a ij) y B=( b ij ), de orden n×m, son iguales si aij = b ij
para todo i = l, …, m. Es decir, dos matrices son iguales si los elementos
que ocupan la misma posición en ambas matrices coinciden.
1 3 2
A 0 3 3
4 0.2 1
es cuadrada de orden 3.
Matriz Nula: Una matriz es nula si todos sus elementos son iguales a
cero. En el siguiente ejemplo se muestra la matriz nula de orden 3×2.
0 0
0 0 0
0 0
1 0
I
0 1
2 1 13
T 0 6 4
0 0 1
Ejemplo
2 4 4 4 1 3 4
A 1 3 B 2 4 M 2 0 2
0 2 1 0 1 3 5
2 4 4 4 2 4 4 4 6 8
A B 1 3 2 4 (1) 2 3 4 1 7
0 2 1 0 0 (1) 2 0 1 2
Ejemplo
2 0 1
Consideremos la matriz A 2 0 4 y el número
5 7 0
2 0 1 10 0 5
A (5) 2 0 4 10 0 20
5 7 0 25 35 0
� Multiplicación de matrices
1 3 7 2 14
1 2 5
AB 2 1 0 4 7
0 4 2 0 3 8 0 12
2
c 23 a 2 jbj 3 a 2lbl 3 a 22b23 25 (1)3 10 3 7
j l
2 2
2 3 4 4 19 23
1 1
A 1 2 2 1 0 7 10
0 1 0 6 2
3x4 19 13
3
2 4 x 2
4 4
2 2
2 3 4 4
1 1
B A 1 2 2 1
0 2 0 1 0 6
3x4
3 2 4 x 2
Asociativa
A( BC ) ( AB)C, A, B, C : A Mnxm, B Mnxm, C Mkxp
Distributiva (mixta)
A( B C) A B AC , A, B, C : A Mnxm B, C Mmxk
1 0 0 0 0 0
2 0 8 1 0 0
1 0 1 0 1 0 1 0
2 0 8 1 2 0 5 3
� Matriz invertible
2 4 3
A 1 3 4
3 0 1
3 4 7
31 31 31
13 7 11
A 1
31 31 31
9 12 10
31 31 31
Ya que
3 4 7
2 4 3 31 31 31 1 0 0
13 7 11
AA 1 1 3 4 0 1 0 I
3 0 1 31 31 31
0 0 1
9 12 10
31 31 31
� Matriz traspuesta
4 1
4 3 2
La traspuesta de la matriz A es A 3 2
T
1 2 3 2 3
Propiedades:
A es simétrica AT A
1 9 3
A 9 2 1
3 1 5
A es ortogonal A AT I AT A1
senx cos x
cos x senx
a b a b
A o A
b a b a
Matriz involuntaria: Es una matriz que coincide con su inversa. Esto es,
A es involutiva A2 I
1 0 1 0 1 0 1 0
A A 2
0 1 0 1 0 1 0 1
FILAS
COLUMNAS
Luego calculamos:
herramientas Symbolic:
Para tener una idea del modelo, supongamos que los datos de la
economía de un país ficticio son los de la siguiente, donde las
cantidades se dan en algún tipo de unidad monetaria.
INTRODUCCIÓN ___________________
OBJETIVOS ________________________________________________
Definición de determinante
Por ejemplo, el conjunto {(1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1)}
contiene las 6 permutaciones diferentes de la terna (1 2 3).
Aplicaciones
Independencia Lineal
Cálculo de determinantes
Cuando A es una matriz 2x2 hay 2! = 2 permutaciones del par (1 2); estas
son:
Ejemplo:
Ejemplo:
1. Elegir aquella fila o columna que tenga el mayor número de ceros (si
ninguna línea tiene ceros, se coge una línea cualquiera).
Por ejemplo,
Por ejemplo,
Por ejemplo,
Por ejemplo,
6. Si todos los elementos de una fila o columna están formados por dos
sumandos, dicho determinante se descompone en la suma de dos
determinantes.
Por ejemplo,
Por ejemplo,
Dicha función tiene como entrada (input) una matriz cuadrada y como
salida (output) un escalar.
Sea M la matriz cuyas columnas son los vectores dados. M es una matriz
m por n. Las columnas son linealmente dependientes si y sólo si existe
un vector de dimensión n (diferente del vector nulo) tal que: M.x=0; esto
es:
Fijémonos que, en este caso, hay más columnas que filas. Esto significa
que en la matriz reducida por filas (rref.), por lo menos, una columna
corresponderá a una variable libre. Y, por tanto, existe una solución
diferente de cero para la ecuación matricial M.x = 0.
x = -12t
y = 12t
z = 7t
Ejemplos:
El área del paralelogramo determinado por los vectores (5, 3) y (7, -2)
son 31 unidades cuadradas.
Ejemplos:
Ejemplos:
Ejemplo:
P= (0, 0, 0)
Q= (1, 4, 2)
R= (3, -2, 2)
S= (-2, 5, 0)
es 4 unidades cúbicas.
Fijémonos que coincide con el valor del volumen si se halla éste mediante
los vectores PQ, PR y PS: