Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS
PRESENTADA POR:
PUNO – PERÚ
2017
UNIVERSIDADNACIONAL
UNIVERSIDAD NACIONALDEL
DELALTIPLANO
ALTIPLANO
FACULTADDE
FACULTAD DEINGENIERIA
INGENIERIACIVIL
CIVILYY ARQUITECTURA
ARQUITECTURA
ESCUELAPROFESIONAL
ESCUELA PROFESIONALDEDECIENCIAS
CIENCIAS FÍSICO
FÍSICO MATEMÁTICAS
MATEMÁTICAS
PRESIDENTE: ____________________________________
e;�
PRESIDENTE: Mg. CELSO WILFREDO CALSIN VELASQUEZ
ILFREDO CALSIN VELA EZ
Doy gracias a Dios y a mis padres, por haberme dado fuerzas y valor para culminar esta
etapa de mi vida.
Al M.Sc. Martin Condori Concha, por aceptarme realizar este proyecto bajo su dirección,
por su apoyo para guiar mis ideas ha sido un aporte invaluable.
A todos los docentes de la Escuela Profesional de Ciencias Físico Matemáticas por ser
orientadores en vida profesional. A la universidad nacional del altiplano del cual
siempre me sentiré orgullosa de ser parte.
Pág.
RESUMEN ..................................................................................................................... 11
ABSTRACT.................................................................................................................... 12
CAPÍTULO I
INTRODUCCIÓN
CAPÍTULO II
REVISIÓN DE LITERATURA
CAPÍTULO III
MATERIALES Y MÉTODOS
CAPÍTULO IV
ANÁLISIS DE RESULTADOS
MATEMÁTICO.................................................................................................. 69
CAPÍTULO V
CONCLUSIONES
CONCLUSIONES .......................................................................................................... 81
CAPÍTULO VI
RECOMENDACIONES
RECOMENDACIONES ................................................................................................. 82
CAPÍTULO VII
BIBLIOGRAFÍA
BIBLIOGRAFÍA ............................................................................................................ 83
ANEXO .......................................................................................................................... 85
ÍNDICE DE FIGURAS
Pág.
cosecha. ................................................................................................... 75
ÍNDICE DE ACRÓNIMOS
utilizar el método simplex para diseñar un modelo matemático que optimice las ganancias
necesaria para un curso básico de programación lineal que es de utilidad para la escuela
profesional de Ciencias Físico Matemáticas y para otras escuelas que se imparten cursos
Por tanto, en este trabajo, se analizó las definiciones, propiedades, teoremas y el método
del productor.
11
ABSTRACT
The present research work entitled "APPLICATION OF THE SIMPLEX METHOD FOR
mathematical model that optimizes the gains in milk production and its derivatives in
small and medium producers, whose hypothesis the simplex method determines a
mathematical model to optimize profits based on described methods for the production
of milk and its derivatives in small and medium producers. In this sense, the present study
profits to the producers dedicated to the activity and present in a coherent way the
minimum theory necessary for a basic course of linear programming that is useful for the
professional school of Physical Mathematical Sciences and for other schools that offer
in a model for the production of milk and its derivatives in small and medium producers.
Therefore, in this work, the definitions, properties and theorems of linear programming
theory were analyzed. The methodology used in this work is the deductive method, based
on bibliographic and documentary research. And coming to the conclusion making the
use of linear programming, the subsystem gained and the subsystem harvest has been able
to design the mathematical model and optimize the profits of the producer.
12
CAPÍTULO I
INTRODUCCIÓN
optimizando la función objetivo, también lineal. Consiste en optimizar una función lineal,
denominada función objetivo, de tal forma que las variables de dicha función estén sujetas
programación lineal, tales como los problemas de flujo de redes y problemas de flujo de
importantes como para generar por si mismos mucha investigación sobre algoritmos
especializados en su solución. Una serie de algoritmos diseñados para resolver otros tipos
la programación lineal.
Históricamente, las ideas de programación lineal han inspirado muchos de los conceptos
13
cartera y la gestión de las finanzas, la asignación de recursos humanos y recursos de
El desarrollo del presente trabajo de investigación servirá para mostrar las nuevas
modelación de producción de leche, el cual puede ser usado por los pequeños y medianos
contiene el marco teórico, en el cual se desarrolla importantes sub capítulos estos son:
permitió orientar en el proceso de diseño del modelo. En el capítulo III se refiere al diseño
investigación.
14
1.1. PLANTEAMIENTO DEL PROBLEMA
uno de los sectores tal vez más importantes en la región de Puno en el distrito de vilque,
la leche es uno de los productos que ha dado un ingreso relativamente seguro y creciente
que admitan adoptar las mejores decisiones, una de las cuales es la programación lineal
largo plazo.
15
1.2. FORMULACIÓN DEL PROBLEMA
¿Será posible diseñar un modelo matemático utilizando el método simplex para optimizar
productores?
productores
El desarrollo del presente trabajo de investigación servirá para mostrar las nuevas
modelación de producción de leche, el cual puede ser usado por los pequeños y medianos
profundizar sobre el tema, será beneficiada. Ya que será útil para consultas de estudiantes
16
1.5. OBJETIVOS DE LA INVESTIGACIÓN
Utilizar el método simplex para diseñar un modelo matemático que optimice las
medianos productores.
medianos productores.
17
CAPÍTULO II
REVISIÓN DE LITERATURA
18
capacidad instalada de la planta. En el cual aplica el método simplex, criterios de
Este articulo tiene como objetivo mostrar un ensayo d programación lineal que
pueda ser útil en estudios sobre el cálculo del plan de cultivo y dimensión de una
explotación, además puede aventurarse que el modelo pude ser útil introduciendo
19
1.2. BASE TEÓRICA
𝑋 = 𝛼1 𝑥1 + 𝛼2 𝑥2 + ⋯ + 𝛼𝑛 𝑥𝑛
𝑋 = ∑ 𝛼𝑖 𝑥𝑖
𝑖=1
∑ 𝛼𝑖 𝑥𝑖 = 0
𝑖=1
Entonces 𝛼𝑖 = 0 , ∀𝑖 = 1,̂𝑛
𝛼1 𝑥1 + 𝛼2 𝑥2 + ⋯ + 𝛼𝑛 𝑥𝑛 = 0 y 𝛼𝑖 ≠ 0 para algún 𝑖 = 1, ⋯ , 𝑛
dimensión del subespacio generado por las columnas de dicha matriz. Ver demostración
20
1.2.2. Convexidad
Obsérvese que para cada 𝛼 en el intervalo [0,1], el vector 𝛼𝑥1 + (1 − 𝛼)𝑥2 representa un
X 2
x1 x2 ( x1 x2 ) x1 (1 ) x2
( x1 x2 )
x2
X1
(0, 0)
21
Definición 2.2.5 (COMBINACION LINEAL CONVEXA).- El vector 𝑋 ∈ ℝ𝑛 es una
𝑛 𝑛
𝑋 = ∑ 𝛼𝑖 𝑥𝑖 , 𝑑𝑜𝑛𝑑𝑒 𝛼𝑖 ≥ 0, 𝑦 ∑ 𝛼𝑖 = 1 , ∀𝑖 = 1,2, ⋯ , 𝑛
𝑖=1 𝑖=1
1.2.3. Hiperplano
puntos de la forma
𝑯 = {𝒙 ∈ ℝ𝒏 : 𝒑𝑻 𝒙 = 𝜶}
FIGURA 3: Hiperplano 𝑯
FUENTE: Elaboración propia
22
Definición 2.2.7 (Bazaraa, 2006) Un hiperplano 𝑯 define dos semiespacios cerrados de
la forma
𝐻 + = {𝒙 ∈ ℝ𝒏 : 𝒑𝑻 𝒙 ≥ 𝜶}
𝐻 − = {𝒙 ∈ ℝ𝒏 : 𝒑𝑻 𝒙 ≤ 𝜶}
H
H
FIGURA 4: Semiespacios 𝑯+ y 𝑯−
FUENTE: (Bazaraa, 2006)
Definición 2.2.8 (Bazaraa, 2006) Sea 𝑆 un conjunto no vacío en ℝ𝒏 y sea 𝑥̅ ∈ 𝜕𝑆, donde
i) 𝑆 ⊆ 𝐻 +, es decir, 𝒑𝑻 (𝒙 − 𝒙
̅) ≥ 𝟎, ∀𝒙 ∈ 𝑺.
ii) 𝑆 ⊆ 𝐻 −, es decir, 𝒑𝑻 (𝒙 − 𝒙
̅) ≤ 𝟎, ∀𝒙 ∈ 𝑺.
Definición 2.2.9 (Bazara & Jarvis, 1989) Sea 𝑆 ⊆ ℝ𝒏 no vacío y 𝑯 un hiperplano soporte
23
Definición 2.2.10 (Bazara & Jarvis, 1989) Un conjunto no vacío 𝐶 ∈ ℝ𝒏 es llamado un
∀𝜆 ≥ 0. Por lo tanto, un cono convexo es un conjunto convexo cuyos elementos son todos
Definición 2.2.9 (Bazara & Jarvis, 1989) Se llama poliedro a un conjunto de la forma
𝑝 = {𝑥 ∈ ℝ𝒏 /𝐴𝑥 ≤ 𝑏}
semiespacios.
Observación:
24
FIGURA 5: Puntos extremos y no extremos
FUENTE: elaboración propia
lineal, debido a que cada punto extremo es una posible solución del problema que se está
tratando.
x d S , 0.
Observación: Por la definición dada la “dirección”, el conjunto debe ser no acotado para
𝛼 > 0.
25
Definición 2.2.13 (Bazaraa, 2006) Una dirección 𝑑 de 𝑆 es una dirección extrema si no
se puede escribir como combinación lineal positiva de dos direcciones distintas; es decir,
si:
𝑥𝐵 −1
𝑥 = [𝑥 ] = [𝐵 𝑏 ]
𝑁 0
Prueba
𝑥𝐵
⇐) Como 𝐵−1 𝑏 ≥ 0, entonces 𝑥 = [𝑥 ] ≥ 0, además
𝑁
−1
𝐴𝑥 = [𝐵 𝑁] ∙ [𝐵 𝑏] = 𝐵𝐵−1 𝑏 = 𝑏
0
26
Por lo tanto 𝑥 ∈ 𝑆.
𝑥11 𝑥
en consecuencia, 𝑥1 = [ ] y 𝑥2 = [ 21 ].
0 0
𝐴𝑥1 = 𝑏
𝑥11
[𝐵 𝑁 ] ∙ [ ]=𝑏
0
𝐵𝑥11 = 𝑏
𝑥11 = 𝐵−1 𝑏
de forma similar 𝑥12 = 𝐵−1 𝑏; y con esto se tiene que 𝑥 = 𝑥1 = 𝑥2 , por lo tanto, 𝑥 es un
punto extremo.
En efecto:
luego
𝐴𝑥 = 𝑏
27
𝑥1
⋮
𝑥𝑘
[𝐴1 𝐴2 ⋯ 𝐴𝑘 ] ∙ =𝑏
0
⋮
[0]
[𝐴1 𝑥1 + 𝐴2 𝑥2 + ⋯ + 𝐴𝑘 𝑥𝑘 ] = 𝑏
entonces
𝑥1
[𝐴1 𝐴2 ⋯ 𝐴𝑘 ] ∙ [ ⋮ ] = 𝑏 (2.1)
𝑥𝑘
𝐴𝑥1 = 𝐴𝑥 + 𝛼𝐴𝜆 = 𝑏 + ∑ 𝜆𝑖 𝐴𝑖 = 𝑏
𝑖=1
Puesto que
∑ 𝜆𝑖 𝐴𝑖 = 0
𝑖=1
Además
28
1 1
𝑥 = 2 𝑥1 + 2 𝑥2 .
Lo que indica que 𝑥 no es punto extremo; contradiciendo así la hipótesis, por lo tanto
indica que 𝑘 ≤ 𝑚.
𝑥1
[𝐴1 𝐴2 ⋯ 𝐴𝑘 ] ∙ [ ⋮ ] = 𝑏
𝑥𝑘
𝐵𝑥𝐵 = 𝑏
𝑥𝐵 = 𝐵−1 𝑏
Pues 𝐵 es invertible.
Si 𝑘 < 𝑚, entonces se puede escoger 𝑚 − 𝑘 y 𝑛 − 𝑘 columnas tal que ellas, junto con las
extremo.
29
Teorema 2.2.4 (CARACTERIZACION DE DIRECCIONES EXTREMAS)
𝐵−1 𝑎𝑗
múltiplo positivo de 𝑑 = [ ], donde 𝑒𝑗 es un vector de 𝑛 − 𝑚 componentes de valor
𝑒𝑗
Prueba
𝐵−1 𝑎𝑗
⇐) Como 𝐵−1 𝑎𝑗 ≤ 0, entonces 𝑑 = [ ] ≥ 0, además
𝑒𝑗
𝐵−1 𝑎𝑗
𝐴𝑑 = [𝐵 𝑁] ∙ [ ] = −𝐵𝐵−1 𝑎𝑗 + 𝑁𝑒𝑗 = −𝑎𝑗 + 𝑎𝑗 = 0.
𝑒𝑗
𝑑 = 𝜆1 𝑑1 + 𝜆2 𝑑2
𝑑 𝑑
Así 𝑑1 y 𝑑2 , pueden ser escritos como 𝑑1 = 𝛼1 [ 𝑒11] y 𝑑2 = 𝛼2 [ 𝑒21 ], donde 𝛼1 > 0 y
𝑗 𝑗
luego
𝐴𝑑1 = 0
30
𝛼 𝑑
𝐴𝑑 = [𝐵 𝑁] ∙ [ 𝛼1 𝑒11] = 0
1 𝑗
𝛼1 𝐵𝑑11 + 𝛼1 𝑁𝑒𝑗 = 0
𝛼1 𝐵𝑑11 + 𝛼1 𝑁𝑒𝑗 = 0
𝛼1 𝐵𝑑11 + 𝛼1 𝑎𝑗 = 0
𝑑11 = 𝐵−1 𝑎𝑗 .
De forma 𝑑21 = −𝐵−1 𝑎𝑗 . Así se tiene que 𝑑1 y 𝑑2 no son distintos, el cual implica que 𝑑
supongamos que
𝑇
̅̅̅1 , ⋯ , ̅̅̅
𝑑 = (𝑑 𝑑𝑘 , 0, ⋯ ,0, 𝑑̅𝑗 , 0, ⋯ , 0) , donde 𝑑̅ > 0, para 𝑖 = 1,2, ⋯ , 𝑘 y para 𝑖 = 𝑗
En efecto:
𝐴1 𝑥1 + 𝐴2 𝑥2 + ⋯ + 𝐴𝑘 𝑥𝑘 = 0
∑ 𝜆𝑖 𝐴𝑖 = 0
𝑖=1
𝑑2 = 𝑑̅ − 𝛼𝜆 sean no negativos.
Notar que
31
𝑘
1 1
Además 𝑑̅ = 2 𝑑1 + 2 𝑑2 , lo que indica que 𝑑̅ no es una dirección extrema; contradiciendo
Sin pérdida de generalidades supongamos que esos vectores son 𝐴𝑘+1 , ⋯ , 𝐴𝑚 . Denotar a
Así que
−𝐵−1 𝑎𝑗
De la ecuación (2.2) se tiene 𝑑̂ = −𝑑𝑗̅ 𝐵−1 𝑎𝑗 y por tanto 𝑑̅ = 𝑑𝑗̅ [ ].
𝑒𝑗
Además, como 𝑑̅ > 0 y 𝑑𝑗̅ > 0 tiene que 𝐵−1 𝑎𝑗 ≤ 0, completando así la prueba.
escrito como
32
𝑘 𝑙
𝑥 = ∑ 𝜆𝑖 𝑥𝑖 + ∑ 𝜇𝑖 𝑑𝑖
𝑖=1 𝑗=1
∑ 𝜆𝑖 = 1
𝑖=1
𝜆𝑖 ≥ 0 , ∀𝑖 = 1,2, ⋯ , 𝑘
𝜇𝑗 ≥ 0 , ∀𝑖 = 1,2, ⋯ , 𝑙
33
Prueba
En efecto:
Sea 𝑑 una dirección extrema, entonces 𝑑 es una dirección. Por tanto, para cualquier
𝑥 ∈ 𝑆 tiene 𝑥 + 𝛼𝑑 ∈ 𝑆, ∀𝛼 ≥ 0.
Sea la sucesión (𝑥𝑛 )𝑛∈ℕ ⊂ 𝑆 tal que 𝑥 = 𝑥 + 𝑛𝑑, para algún 𝑥 ∈ 𝑆. Como 𝑆 es acotado,
entonces (𝑥𝑛 )𝑛∈ℕ es acotado. Entonces existe una sucesión (𝑥𝑛 )𝑛∈𝑘⊂ℕ de (𝑥𝑛 )𝑛∈ℕ que es
entonces
Además
entonces
34
Luego de las ecuaciones (2,4) y (2,3) se tiene:
entonces
hecho que lleva a una contradicción por haber supuesto que 𝑆 es acotado. Por lo tanto, 𝑆
es no acotado.
En efecto:
Por el absurdo, supongamos que 𝑆 no posee direcciones extremas, entonces por el teorema
𝑥 = ∑ 𝜆𝑖 𝑥𝑖
𝑖=1
∑ 𝜆𝑖 = 1
𝑖=1
𝑘 𝑘
‖𝑥 ‖ = ‖∑ 𝜆𝑖 𝑥𝑖 ‖ ≤ ∑ 𝜆𝑖 ‖𝑥𝑖 ‖
𝑖=1 𝑖=1
35
𝑘 𝑘 𝑘
‖𝑥 ‖ = ∑ 𝜆𝑖 ‖𝑥𝑖 ‖ ≤ ∑ 𝜆𝑖 𝑡 = 𝑡 ∑ 𝜆𝑖 = 𝑡
𝑖=1 𝑖=1 𝑖=1
Definición 2.2.14 (Kolman & Hill, 2006) Un sistema arbitrario de 𝑚 ecuaciones lineales
Donde tenemos:
𝑥1
𝑥2
𝑥=(⋮) es la matriz de las variables
𝑥𝑛 𝑛×1
𝑏1
𝑏
𝐵 = ( 2) es la matriz de los términos independientes
⋮
𝑏𝑚 𝑚×1
36
𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1
𝑎 𝑎22 ⋯ 𝑎2𝑛 𝑏2
[𝐴: 𝐵] = ( 21
⋮ ⋮ ⋮ ⋮ | ⋮ ) es la matriz ampliada
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑏𝑚 𝑚×(𝑛+1)
Observación:
aumentada a una forma suficientemente simple, para que el sistema se pueda resolver por
simple inspección.
producto de una matriz triangular inferior y una triangular superior. Esta descomposición
en las computadoras para resolver sistemas lineales. La razón principal por la que este
método está utilizado, radica en que proporciona la manera más económica de resolver
un sistema lineal en el que tenemos que cambiar de manera repetida el lado derecho. Este
37
1.2.8. Programación lineal
que se aplica siempre en los hechos de una situación económica, estudia la optimización
Definición 2.2.17 (Alvarez A., 2001).- La programación lineal se ocupa del estudio de la
optimización (maximizar o minimizar) una función de varias variables, la cual está sujeta
optimizar se le llama función objetivo, mientras que a las inecuaciones se les llama
restricciones o limitaciones.
⋮ ⋮ ⋮ ⋮
Con 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ≥ 0
38
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴=( ⋮ ⋮ ⋮ ⋮ )
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
Max o min. 𝑐 𝑡 𝑥
s. a 𝐴𝑥 ≥ 𝑏
𝑥 ≥ 0.
𝑥𝐵
𝑥 = [𝑥 ]
𝑁
𝑥𝐵
Entonces para cualquier 𝑥𝑁 y 𝑥𝐵 dado en (2.7) se tiene que 𝑥 = [𝑥 ] satisface 𝐴𝑥 = 𝑏.
𝑁
−1
Particularmente, si 𝑥𝑁 = 0 y 𝑥𝐵 = 𝐵−1 𝑏 se tiene que 𝑥 = [𝐵 𝑏] también satisface
0
39
𝐴𝑥 = 𝑏.
Aunque existan varias técnicas para lograr el modelo matemático de cada problema en
Es cualquier conjunto de valores positivos para las variables {𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 }, que cumple
cada una y todas las restricciones del modelo matemático de programación lineal. En caso
𝑥𝐵
Definición 2.2.18 La solución 𝑥 = [𝑥 ] del sistema 𝐴𝑥 = 𝑏, en donde 𝑥𝐵 = 𝐵−1 𝑏 y
𝑁
−1
Si 𝑥𝐵 = 𝐵−1 𝑏 ≥ 0, entonces el vector 𝑥 = [𝐵 𝑏] se denomina solución básica factible.
0
40
La matriz 𝐵 se denomina matriz básica (o simplemente base) y 𝑁 se denomina matriz no
𝑥𝐵
Definición 2.2.19 Si 𝑥𝐵 = 𝐵−1 𝑏 > 0, entonces 𝑥 = [𝑥 ] se denomina solución básica
𝑁
factible no degenerada.
Definición 2.2.20 Si por lo menos una componente 𝑥𝐵 = 𝐵−1 𝑏 es igual a cero entonces
−1
𝑥 = [𝐵 𝑏] se denomina solución básica degenerada.
0
lineal.
Máx. 𝑐 𝑇 𝑥
s. a 𝐴𝑥 = 𝑏 (2.8)
𝑥 ≥ 0.
41
∀𝑗 = 1, ⋯ , 𝑙. Si este es el caso, entonces existe un punto extremo 𝑥𝑗 que resuelva el
problema.
Prueba
como:
𝑘 𝑙
𝑥 = ∑ 𝜆𝑗 𝑥𝑗 + ∑ 𝜇𝑗 𝑑𝑗 (2.9)
𝑖=1 𝑗=1
∑ 𝜆𝑗 = 1
𝑖=1
𝜆𝑗 ≥ 0, ∀𝑖 = 1, ⋯ , 𝑘
𝜇𝑗 ≥ 0, ∀𝑗 = 1, ⋯ , 𝑙
𝑘 𝑙
𝑠. 𝑎 ∑ 𝜆𝑗 = 1
𝑖=1
𝜆𝑗 ≥ 0, ∀𝑖 = 1, ⋯ , 𝑘
𝜇𝑗 ≥ 0, ∀𝑗 = 1, ⋯ , 𝑙
Observa que si 𝑐 𝑇 𝑑𝑗 > 0 para algún 𝑗, entonces 𝜇𝑗 puede elegirse arbitrariamente grande,
proporcionando una solución no acotada. Esto demuestra que una condición necesaria y
42
Supongamos que 𝑐 𝑇 𝑑𝑗 ≤ 0, ∀𝑗 = 1, ⋯ , 𝑙 como queremos maximizar la función objetivo
𝑘
𝑇
𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑐 (∑ 𝜆𝑗 𝑥𝑗 )
𝑖=1
𝑠. 𝑎 ∑ 𝜆𝑗 = 1
𝑖=1
𝜆𝑗 ≥ 0, ∀𝑖 = 1, ⋯ , 𝑘
Está claro que la solución óptima de este problema es finita y se encuentra haciendo
𝑐 𝑇 𝑥𝑖 = 𝑚á𝑥 𝑐 𝑇 𝑥𝑗 .
1≤𝑗≤𝑘
solución de un tipo muy importante de los puntos extremos del poliedro que definen las
óptimo.
componentes positivos.
43
- 𝑥 ∈ 𝑘 es una SOLUCION FACTBLE OPTIMA si 𝑥 optimiza la función objetivo.
b) Si hay una solución factible optimal, hay una solución factible básica optimal.
Prueba
En efecto:
𝑥1 𝑎1 + 𝑥2 𝑎2 + ⋯ + 𝑥𝑛 𝑎𝑛 = 𝑏
solo 𝑝 componentes de 𝑥 son distintas de cero y que estas son las primeras, entonces se
tendría.
𝑥1 𝑎1 + 𝑥2 𝑎2 + ⋯ + 𝑥𝑝 𝑎𝑝 = 𝑏 (2.10)
𝑥 = (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑝 , 0, ⋯ ,0)
44
Caso 2. Los vectores columna 𝑎1 , 𝑎2 , ⋯ , 𝑎𝑝 son linealmente dependientes lo cual implica
𝜆1 𝑎1 + 𝜆2 𝑎2 + ⋯ + 𝜆𝑝 𝑎𝑝 = 0 (2.11)
Donde podemos suponer que al menos una de las 𝜆𝑖 con 𝑖 = 1.2. ⋯ , 𝑝 es positivo
(𝑥1 − 𝛽𝜆1 )𝑎1 + (𝑥2 − 𝛽𝜆2 )𝑎2 + ⋯ + (𝑥𝑝 − 𝛽𝜆𝑝 )𝑎𝑝 = 𝑏 (2.12)
𝑥𝑖 − 𝛽𝜆𝑖 ≥ 0
𝑥𝑖 𝑥
O lo que es lo mismo ≥ 𝛽. Si tomamos 𝛽 = min{𝜆𝑖 /𝜆𝑖 > 0}. Entonces 𝑥̅ es una
𝜆𝑖 𝑖
solución factible y además se tendrá que 𝑥𝑖 − 𝛽𝜆𝑖 = 0 para al menos un índice 𝑖, entonces
la solución factible tendrá 𝑝 − 1 componentes pues una se anula. Este argumento se puede
repetir hasta obtener una solución factible que tenga a lo más 𝑚 componentes positivas o
b) Si hay una solución factible optimal, hay una solución factible básica optimal.
En efecto:
Sea 𝑥 = (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) una solución factible optima y que p variables son positivas al
igual que en a), si las p columnas correspondientes son L. I entonces se tendrá que 𝑝 ≤ 𝑚
45
Consideremos el caso 𝐴 = (𝑎1 , 𝑎2 , ⋯ , 𝑎𝑝 ) son L.D. entonces como en a) podemos
Sea 𝑥̅ = (𝑥1 − 𝛽𝜆1 , 𝑥2 − 𝛽𝜆2 , ⋯ , 𝑥𝑝 − 𝛽𝜆𝑝 , 0,0, ⋯ 0) la solución factible con estas
características, entonces también es factible básica y lo que hay que ver es que también
es óptimo.
apropiado podría llegar a ser 𝑐 𝑇 𝑥̅ más pequeño que 𝑐 𝑇 𝑥 lo cual contradice al hecho de
convexa de 𝑥1 𝑦 𝑥2 es óptima.
es una SBF, el método simplex, en lugar de probar cada punto extremo de la región
elementales pasa a otros puntos extremos garantizando paso a paso siempre decrecen o
siempre crecen los valores de la función objetivo según sea el caso, es decir en dirección
del óptimo.
46
2.2.9.1. Mejora de una solución básica factible
Obtener todas las soluciones básicas factibles para evaluarlas en la función objetivo y
idea más sencilla para reducir los costes computacionales es reducir el número de
obtener la solución bastara, partiendo de una solución factible básica inicial. El método
s. a 𝐴𝑥 = 𝑏 (2.13)
𝑥≥0
−1
Supongamos que se tiene una solución básica factible [𝐵 𝑏] cuyo valor objetivo 𝑧0 esta
0
dado por
−1 −1
𝑧0 = 𝑐 [𝐵 𝑏] = [𝑐𝐵 𝑐𝑁 ] [𝐵 𝑏] = 𝑐𝐵𝐵−1 𝑏 (2.14)
0 0
𝑥𝐵
Sea [𝑥 ], donde 𝑥𝐵 y 𝑥𝑁 denotan respectivamente, al conjunto de variables básicas y al
𝑁
conjunto de variables no básicas para la base dada. Entonces la factibilidad requiere que
𝑥𝐵 ≥ 0, 𝑥𝑁 ≥ 0 .
47
= 𝐵−1 𝑏 − ∑ 𝐵−1 𝑎𝑗 𝑏𝑗 (2.16)
𝑗∈𝑅
= 𝑏̅ − ∑ 𝑦𝑗 𝑥𝑗 (2.17)
𝑗∈𝑅
obtiene:
𝑥𝐵
𝑧 = 𝑐 𝑇 𝑥 = [𝑐𝐵 𝑐𝑁 ] [𝑥 ]
𝑁
= 𝑐𝐵 𝑥𝐵 + 𝑐𝑁 𝑥𝑁
= 𝑐𝐵 (𝐵−1 𝑏 − ∑ 𝐵−1 𝑎𝑗 𝑏𝑗 ) + 𝑐𝑁 𝑥𝑁
𝑗∈𝑅
entonces
de 𝑥𝑗 .
La ecuación (2.18) sirve como guía para mejorar una solución básica factible actual.
Debido a que como se desea minimizar 𝑧 conviene aumentar el valor de 𝑥𝑗 desde su nivel
48
Se fijan todos los valores de las variables no básicas 𝑥𝑘 , cuyo coeficiente 𝑧𝑘 − 𝑐𝑘 es el
más positivo de todos los 𝑧𝑗 − 𝑐𝑗 . Por lo tanto de (2.18) se tiene que el nuevo valor de la
𝑥𝑘 tanto como sea posible. Conforme 𝑥𝑘 crece, las variables básicas deben modificarse
Si 𝑦𝑖𝑘 ≤ 0, entonces 𝑥𝐵𝑖 crece cuando 𝑥𝑘 crece y así 𝑥𝐵1 continúa siendo negativo.
Si 𝑦𝑖𝑘 > 0, entonces 𝑥𝐵𝑖 decrece cuando 𝑥𝑘 se incrementa hasta el primer punto en que
una variable básica 𝑥𝐵𝑟 se hace cero. Al analizar la ecuación (2.20), resulta entonces que
𝑏̅𝑖
la primera variable básica que se vuelve cero corresponde al mínimo de para 𝑦𝑖𝑘
𝑦𝑖𝑘
𝑏̅ 𝑏̅
𝑥𝑘 = 𝑦 𝑟 = 𝑚𝑖𝑛 {𝑦 𝑖 : 𝑦𝑖𝑘 > 0} (2.21)
𝑖𝑘 1≤𝑖≤𝑚 𝑖𝑘
𝑏̅𝑟
Cuando no hay degeneración 𝑏̅𝑟 > 0 y entonces 𝑥𝑘 = > 0.por la ecuación (2.19) y
𝑦𝑟𝑘
con el hecho de que 𝑧𝑘 − 𝑐𝑘 > 0, se concluye que 𝑧 < 𝑧0 y la función objetivo mejora
estrictamente.
𝑏̅𝑖
Cuando 𝑥𝑘 crece desde el nivel cero hasta se obtiene una nueva solución básica
𝑦𝑟𝑘
𝑏̅
factible. Al sustituir 𝑥𝑘 = 𝑦 𝑟 en la ecuación (2.20) se obtiene el siguiente punto.
𝑟𝑘
49
𝑦
𝑥𝐵𝑖 = 𝑏̅𝑖 − 𝑦 𝑖𝑘 𝑏̅𝑟 , ∀𝑖 = 1, ⋯ , 𝑚
𝑟𝑘
𝑏̅
𝑥𝑘 = 𝑦 𝑟 (2.22)
𝑟𝑘
Con base en la ecuación (2.22), 𝑥𝐵𝑟 = 0 y entonces cuando más 𝑚 variables son positivas.
Observe que estas columnas son linealmente independientes, ya que 𝑦𝑟𝑘 ≠ 0. Por
consiguiente, el punto dado por la ecuación (2.22) es una solución básica factible.
incrementando el valor de una variable no básica 𝑥𝑘 entra a la base y 𝑥𝐵𝑟 sale de la base.
las soluciones básicas factibles generadas son distintas. Dado que solo existe un número
conduce al proceso de cambio de una base adyacente. Los criterios para que una variable
̅̅̅
𝑏𝑟 𝑏̅𝑖
𝑥𝑘 = = 𝑚𝑖𝑛 { : 𝑦𝑖𝑘 > 0}
𝑦𝑟𝑘 1≤𝑖≤𝑚 𝑦𝑖𝑘
50
¿Qué ocurre si todas las variables no básicas 𝑥𝑗 tienen 𝑧𝑗 − 𝑐𝑗 ≤ 0 ? En este caso,
se ha obtenido el óptimo.
¿Qué ocurre si 𝑧𝑗 − 𝑐𝑗 > 0, de modo que 𝑥𝑘 es elegible para entrar a la base, pero
𝑓(𝑥 ) = min 𝑐 𝑇 𝑥 = −∞
min 𝑧 = 𝑐 𝑇 𝑥
𝑠. 𝑎: 𝐴𝑥 ≤ 𝑏
𝑥≥0
−1
Supongan que 𝑥 ∗ es una solución básica con base 𝐵, es decir 𝑥 ∗ = [𝐵 𝑏] y sea
0
elegible para entrar a la base. Sea x cualquier solución básica factible con valor objetivo
51
2.2.9.4. Soluciones óptimas únicas y alternativas
óptima.
𝑥𝑘 desde el nivel cero hasta que es bloqueada por una variable básica genera una
No acotamiento
Suponga que se tiene una solución básica factible del sistema 𝐴𝑥 = 𝑏, 𝑥 ≥ 0 con valor
objetivo 𝑧0
𝑧 = 𝑧0 − (𝑧𝑘 − 𝑐𝑘 )𝑥𝑘
indefinidamente el valor de 𝑥𝑘 lo cual hará que 𝑧 se vaya a −∞. La razón por la cual no
fue posible hacer esto antes es que el incremento en el valor de 𝑥𝑘 estaba bloqueado por
52
una variable básica; es decir, le impone un topo a 𝑥𝑘 . Recordemos que de la ecuación
(2.20) se tiene:
𝑥𝑘 = 𝐵−1 𝑏 − 𝑦𝑘 𝑥𝑘
En resumen, si se tiene una solución básica con 𝑧𝑘 − 𝑐𝑘 > 0 para alguna variable no
es decir;
𝑓(𝑥 ) = min 𝑐 𝑇 𝑥 = −∞
𝐵−1 𝑏 −𝑦𝑘
0 0
⋮ ⋮ −1 −𝑦𝑘
+ 𝑥𝑘 , 𝑥𝑘 ≥ 0 = {[𝐵 𝑏] + 𝑥𝑘 [ 𝑒 ] , 𝑥𝑘 ≥ 0}
0 0 0 𝑘
⋮ ⋮
{[ 0 ] [ 0 ] }
−1
Observemos que el vértice del rayo es la solución básica factible actual [𝐵 𝑏] y la
0
−𝑦𝑘
dirección del rayo es 𝑑 = [ 𝑒 ], y además es una dirección extrema.
𝑘
Notar que:
−𝑦𝑘
𝑐 𝑇 𝑑 = [𝑐𝐵 𝑐𝑁 ] [ 𝑒 ]
𝑘
= −𝑐𝐵 𝑦𝑘 + 𝑐𝑘
53
= −𝑧𝑘 + 𝑐𝑘
acotamiento.
incremento de 𝑥𝑘 será bloqueado por una de las variables básicas presentes, la cual se
vuelve cero y sale de la base. Por otra parte, si 𝑧𝑘 − 𝑐𝑘 > 0 y yk 0 entonces 𝑥𝑘 se puede
(Problema de minimización)
Paso inicial
Se encuentra una solución básica factible inicial con base 𝐵 y se forma la siguiente tabla
inicial.
𝑧 𝑧 𝑥𝐵 𝑥𝑁 LD
𝑧 1 0 𝑐𝐵 𝐵−1 𝑁 − 𝑐𝑁 𝑐𝐵 𝑏̅
𝑥𝐵 0 𝐼 𝐵−1 𝑁 𝑏̅
Paso principal
54
La solución actual es óptima. En caso contrario, se analiza 𝑦𝑘 . Si 𝑦𝑘 ≤ 0, entonces el
̅̅̅
𝑏𝑟 ̅̅̅
𝑏𝑟
= 𝑚𝑖𝑛 { : 𝑦 > 0}
𝑦𝑟𝑘 1≤𝑖≤𝑚 𝑦𝑟𝑘 𝑖𝑘
La tabla se actualiza pivoteando sobre 𝑦𝑟𝑘 ; se actualizan las variables básicas y no básicas,
En casi todos los problemas prácticos las variables suelen estas acotadas. Una variable
por 𝑙 y 𝑢 los vectores cota inferior y cota superior respectivamente, entonces se obtiene
min cT x
(PLVA) s.a. Ax b
l x u,
dice que 𝑥̅ es una solución básica factible. La matriz 𝐵 se denomina base, xB son las
variables básicas, y 𝑥𝑁1 y 𝑥𝑁2 son las variables no básicas en sus límites inferior y
55
superior, respectivamente. Se dice que la partición B N1 N 2 corresponde a una
Paso inicial
Se encuentra una solución básica inicial. Sea 𝑥𝐵 el vector de variables básicas, y sean 𝑥𝑁
z cB B 1b (c N1 cB B 1 N1 )l N (c N2 cB B 1 N 2 )u N 2 ;
1
b B 1b B 1b N1 l N B 1 N2 u N 2
1
𝑧 xN1 xN 2 LD
𝑥𝐵 0 I B 1N1 B 1N2 b
Paso principal
1
superior, respectivamente. Sea z j cB B a j , j R1 R2 , donde a j es la columna no
56
1. Si 𝑧𝑗 − 𝑐𝑗 ≤ 0, ∀𝑗 ∈ 𝑅1 𝑦 𝑧𝑗 − 𝑐𝑗 ≤ 0. ∀𝑗 ∈ 𝑅2 entonces la solución actual es
siguiente máximo:
1
Determinar yk B ak , donde 𝑎𝑘 es la columna de 𝐴 correspondiente al índice 𝑘.
Si k R1 , ir al paso 2.
Si k R2 , ir al paso 3.
básica factible.
siendo no básica, pero esta vez en su cota superior. Solo se cambia la columna LD
para reflejar el nuevo valor de la función objetivo y los valores de las variables
57
𝑏̂ se reemplaza por:
𝑥𝐵 = 𝑏̂ − 𝑦𝑘 ∆𝑘 (2.25)
Por otra parte, si ∆𝑘 está dado por 𝛾1 o por 𝛾2 , entonces 𝑥𝑘 entra a la base y 𝑥𝐵𝑘
Se repite el paso 1.
acotado. En caso contrario, se actualiza la tabla para que muestre la nueva solución
básica factible.
siendo no básica, pero esta vez en su cota inferior. Solo se cambia la columna LD
para reflejar el nuevo valor de la función objetivo y los nuevos valores de las
58
𝑧 = 𝑧̂ − (𝑧𝑘 − 𝑐𝑘 )∆𝑘 (2.26)
𝑏̂ se reemplaza por:
𝑥𝐵 = 𝑏̂ − 𝑦𝑘 ∆𝑘 (2.27)
Por otra parte, si ∆𝑘 está dado por 𝛾1 o por 𝛾1, entonces 𝑥𝑘 entra a la base y 𝑥𝐵𝑘 sale de
actualiza por separado según las ecuaciones (2.26) y (2.27), excepto que la r − é𝑠𝑖𝑚𝑎
Por cada problema lineal que se resuelve existe asociado otro problema lineal que se
min cT x
s.a. Ax b (2.28)
x0
max bT w
s.a. AT w c (2.29)
w0
59
2.2.10.1. Método dual simplex en formato de tableau
(Problema de minimización)
Paso inicial
Encontrar una base B inicial del primal de modo que sea factible para el dual (condiciones
1
de Óptimalidad primal) es decir: z j c j cB B a j c j 0 para todo j. Luego se forma
la siguiente tabla:
𝑧 xB xN LD
𝑧 1 0 cB B 1N cN cB b
xB 0 I B 1 N 𝑏̅
Caso principal
zk ck z c
min j j j : yrj 0
yrk yrj
60
min z ct x
s.a. Ax b (2.30)
l x u,
donde 𝐴 es una matriz de 𝑚 × 𝑛 con rango 𝑚 , y 𝑚 < 𝑛 las coordenadas de los vectores
J l j\ j J,l j u j los conjuntos de las variables primales con una cota
61
Definición 2.2.24 Una base k1 , km es un subconjunto ordenado de J , tal que la
por J \ .
Una solución primal básica (PBS) para una base es construida fijando cada variable
primal no básica x j , j a una de sus cotas finitas (si es variable libre se fija en cero)
x B 1 b A x .
Definición 2.2.25 Una base es primal factible si todas las variables primales básicas
Una solución dual básica (SDB) para una base es construida calculando los
v j d j , wj 0, si j con x j l j y v j 0, wj d j , si j con x j u j .
v j d j , wj 0, si d j 0 y v j 0, wj d j , si d j 0.
Definición 2.2.26 Una base es dual factible de las (VDH) v y w satisfacen sus
𝑑𝑗 ≥ 0, 𝑠𝑖 𝑗 ∈ Ƞ 𝑐𝑜𝑛 𝑥𝑗 = 𝑙𝑗
𝑑𝑗 ≤ 0, 𝑠𝑖 𝑗 ∈ Ƞ 𝑐𝑜𝑛 𝑥𝑗 = 𝑢𝑗 𝑦
62
𝑑𝑗 ≥ 0, 𝑠𝑖 𝑥𝑗 es variable libre
La infactibilidad dual solo puede ocurrir en los índices de columnas asociadas con
Las (VDH) asociadas con variables primales no básicas fijas siempre son factibles.
De este modo si se realiza tal cambio entonces las variables primales básicas
deben se actualizadas.
El algoritmo dual-simplex se mueve en cada iteración, desde una solución dual básica,
para una base dual factible, hacia una solución que mejore la función objetivo, hasta
alcanzar la factibilidad, es decir hasta que se logre obtener también una base primal
factible, o bien concluir que el problema dual es no acotado y que el primal es no factible.
El algoritmo es el siguiente:
Si x p l p , hacer x p l p .
Si x p u p , hacer xp u p .
63
Si x es factible, entonces ir al paso (9).
Calcular r er B . Donde
t 1
3. er es el r - ésima vector canónico.
Calcular r A .
r
4.
r
r
Sea F j : j J f j 0 x j l j j 0 x j u j j 0 .
r
Si F , entonces el problema dual es no acotado. Ir al paso (9); caso contrario,
dq d j dq
determinar q tal que min : j F y hacer r .
D
q
r
j
r
q
Calcular q B aq .
1
6.
7. Actualizar Z : Z : D .
Actualizar x: Calcular P , y hacer:
qr
x : x P q y xq : xq P .
Actualizar d : d j : j para j y d p : .
D r D
Actualizar
y : : \ p q
y : n \ q p . Actualizar la
8. Ir al paso (1).
9. Finalizar.
Una vez obtenida la solución óptima del problema de programación lineal, es conveniente
64
magnitudes de estos cambios no siempre son arbitrarios, si no que obedecen a la necesidad
solución obtenida. Esto significa que hay más en la programación lineal y en el método
Observación:
mes en mes y es, por ende importante saber que ocurre con la solución que se está
aplicando, para saber si permanece optima o se deben realizar ajustes para llevarla de
Definición de términos
para llevar a cabo una determinada tarea que dado un estado inicial, terminará en
deben ser cerradas o flexibles, es decir, menor igual (≤) o mayor igual (≥). No
estrictamente, o abiertas.
programación lineal capaz de resolver modelos más complejos que los resueltos
65
Optimización: La optimización o programación matemática intenta dar respuesta
de elementos.
restricciones del problema, la región está determinada por los ejes cartesianos y
las rectas
se está utilizando.
una decisión.
66
CAPÍTULO III
MATERIALES Y MÉTODOS
ACTIVIDADES O N D E F M A M J J A S O N D
REVISIÓN BIBLIOGRÁFICA x x
EJECUCIÓN DEL PROYECTO x x
PRESENTACION DEL
PROYECTO x
REVISION Y APROBACION DEL
PROYECTO x
EJECUCIÓN DEL BORRADOR
DE TESIS x x x x x x x x x x
SUSTENTACIÓN x
incrementa los conocimientos que existen en las aplicación del método simplex en el
67
3.3.2. Diseño de investigación
entre dos o más variables los datos fueron recogidos en un momento determinado.
3.4.1. Método
productores.
3.4.2. Técnicas
programación lineal también los gastos e ingresos del productor para la asimilación y
68
CAPÍTULO IV
ANÁLISIS DE RESULTADOS
Para optimizar las ganancias del productor en la producción de leche usaremos el modelo
MATEMÁTICO
simplex.
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑐 𝑇 𝑥
𝑠. 𝑎 𝐴𝑥 = 𝑏
𝑥≥0
4.1.1. Algoritmo
−1
Elegir una matriz básica B tal que 𝑥 = [𝐵 𝑏].sea un sistema base factible (SBF).
0
donde 𝑧𝑘 − 𝑐𝑘 = 𝑤𝛼𝑗 − 𝑐𝑗
69
−1
1. Si 𝑧𝑘 − 𝑐𝑘 ≤ 0, detenerse. La SBF es óptima es 𝑥 = [𝐵 𝑏].
0
̅̅̅̅
𝑏 𝑏̅
Paso 4: Calcular 𝑥𝑘 = 𝑦 𝑟 = 𝑚𝑎𝑥 {𝑦 𝑖 : 𝑦𝑖,𝑘 > 0}
𝑟𝑘 1≤𝑗≤𝑘 𝑖,𝑘
3. Volver al paso 1
Con el fin de desarrollar un modelo, fue muy útil visualizar la hacienda Tiracomilla, como
se muestra en la figura 8, la progresión del ganado vacuno a través de los primeros dos
grupos requieren un año, mientras que la progresión del grupo 3 hacia el grupo 4, grupo
productor de leche, toma un año más. En cada etapa de tiempo, la hacienda debe de
ganado.
70
4.2.2. El subsistema ganado
Cuando fijamos la atención sobre la progresión de ganado vacuno a través del tiempo, las
relaciones del número de vacas productoras de leche (ganado del grupo 4) al ganado de
otros grupos dependen del número y tipo de ganado conservado y vendido durante cada
71
𝑌10 : El número de vaquillas no vendidas del grupo 3.
𝑌12 : El tamaño del rebaño de ganado del grupo 4 (es decir, el tamaño de producción de
leche).
dependientes del periodo particular de tiempo 𝑡, bajo consideración. Durante cada periodo
de tiempo (año), cada productora de leche (ganado del grupo 4) tiene terneros y
aproximadamente la mitad de todos los terneros serán toros y la otra mitad vaquillas.
(1 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 = 𝑢𝑛 𝑎ñ𝑜):
Las crías no serán vendidas mientras estén en edad del grupo 2. También debe recordarse
que la progresión del grupo 1 al grupo 2 es hecha en el mismo año. Por lo tanto, para
El ganado del grupo 2 se convertirá en ganado del grupo 3 en el próximo periodo. Puesto
que todos los toros de esta edad deberán ser vendidas, para cada t tenemos las siguientes
igualdades:
72
Finalmente, el ganado del grupo 4, sufre aproximadamente una tasa de mortalidad del
30% cada año, pero al mismo tiempo la población del grupo 4 es aumentada por la
Consecuentemente
Las ecuaciones del (4.1) al (4.7), involucran todas las relaciones necesarias para describir
indicando el número de ganado que existe actualmente dentro de cada grupo. Ahora
73
FIGURA 10: Re presentación conceptual del rebaño.
FUENTE: Elaboración propia.
Una gran parte del subsistema cosecha puede ser representada adecuadamente por una
serie de ecuaciones, cada una de las cuales iguala a la cantidad de un cierto cultivo de la
cantidad que deberán consumirse en ese periodo más la cantidad que permanecerá en el
74
FIGURA 11: Esquemas de ecuaciones de balance de materia para el subsistema de cosecha.
FUENTE: Elaboración propia.
relaciones que describen las limitaciones que existen de la cantidad de cada cosecha que
75
𝑍1,𝑡 : El número de toneladas de ensilaje en almacenamiento al final del año 𝑡.
𝑊𝑖,𝑡 : El total de consumo de cultivo 𝑖 en año 𝑡 para todos los grupos de ganado,
∀𝑖 = 1,2,3,4.
Los 𝑊𝑖,𝑡 (𝑖 = 1,2,3,4) son variables las cuales relacionan las variables del subsistema
Entonces la ecuación que describe el balance de materia para ensilaje está dada por:
donde
El coeficiente 𝑋1,𝑡 , 15, indica que cada hectárea produce 15 toneladas de ensilaje, la
cantidad 𝑊1,𝑡 representa el consumo anual de ensilaje por los diversos grupos de ganado
por cada grupo del rebaño, menos el ganado del grupo 1 no consume ensilaje.
56 toneladas.
𝑍1,𝑡 ≤ 56 (4.10)
abajo.
76
Para avena:
donde
𝑊2,𝑡 = 0.5(𝑌4,𝑡 + 𝑌5,𝑡 ) + 2.4(𝑌7,𝑡 + 𝑌8,𝑡 ) + 4.1(𝑌9,𝑡 + 𝑌10,𝑡 + 𝑌11,𝑡 ) + 24.3𝑌12,𝑡 (4.12)
Para heno
satisfechas. En particular fue necesario para la granja cultivar continuamente en todas las
95 hectáreas disponibles para el cultivo, dado que cualquier tierra para cultivar no usada
durante un año se convierte en inservible para cultivar por un cierto tiempo después de
eso. Como una alternativa para extender la capacidad de cultivo, el dueño puede decidir
disponible incluyendo las restricciones de su uso continuo por 95 hectáreas, puede ser
expresada por.
77
𝑋1,𝑡 + 𝑋2,𝑡 + 𝑋3,𝑡 + 𝑋4,𝑡 + 𝑉𝑡 = 111 (4.20)
𝑉𝑡 ≤ 16 (4.21)
las todas las 16 hectáreas son rentados 𝑉𝑡 = 0, mientras que si ninguno se renta 𝑉𝑡 = 16).
Finalmente, como una condición operacional, el propietario desea dedicar por lo menos
44 hectáreas para el cultivo de alfaalfa (ambos; heno y heno viejo son cosechas de
Una asignación de valores para las variables definidas en el subsistema ganado y cosecha,
los cuales satisfacen las relaciones de la ecuación (4.1) hasta la ecuación (4.22) así como
probable que existan más de un conjunto de valores para las variables de decisión que
satisfagan todas las relaciones derivadas hasta aquí, es necesario desarrollar un criterio, o
medida de efectividad.
Después de una reflexión cuidadosa, el dueño planteo, que un criterio aceptable para
elegir una política viable de operaciones para la granja seria las ganancias resultantes, los
cuales el deseaba maximizar. Para el propósito del estudio, fue apropiado definir
ganancias como la diferencia entre la suma de ingresos y la suma de todos los costos
asociados con las variables de decisión. La cantidad de ingresos o costos asociados con
obtenidos del libro de registro del productor, en el cual enlistan todos los gastos de la
78
granja y redactan sobre la experiencia y conocimiento práctico del propietario y
costo de cultivar una hectárea de cosecha, dividiendo el costo por el tonelaje o pacas
producidas por una hectárea y multiplicando este costo por la tasa de interés que hubiera
sido aplicada si este dinero hubiera sido depositado al banco. Por lo tanto este costo
para cultivar la tierra en vez de depositarlo en un banco. La utilidad por año t, 𝑈𝑡 esta
dada entonces por la suma de los productos de las variables de tiempo por sus
La hoja de cálculo Excel de Microsoft office tiene incorporado una poderosa herramienta
llamada solver, que me permite optimizar y como resultado del trabajo se tiene en la
siguiente figura.
79
FIGURA 12: Cuadro de resultado
80
CAPÍTULO V
CONCLUSIONES
la función objetivo con sus respectivas restricciones que se obtuvo para optimizar
las ganancias.
productores.
81
CAPÍTULO VI
RECOMENDACIONES
optimiza la economía.
sus gatos.
82
CAPÍTULO VII
BIBLIOGRAFÍA
JOB E.I.R.L.
Bazara, M. S., & Jarvis, J. J. (1989). "Programación lineal y flujo en redes". México:
NORIEGA EDITORES.
WILEY- INTERSCIENCE.
Del Rivero Jimenez, S., & Ruiz Moreno, L. (1988). "Modelo de programacion lineal para
Tesis de grado.
Friedberg, S. H., Insel, A. J., & Spence, L. E. (1982). "Algebra Lineal". México:
Grossman , S. I., & Flores Godoy, J. J. (2012). "Algebra Lineal". México: Interamérica
editores, S.A.
Hernandez Hernandez , H. A., & Ruíz Moreno, R. (1991). "El método simplex revisado
83
Hernández Sampieri, R. (2017). "Fundamentos de Investigación". México:
operaciones". McGraw-Hill.
Kolman, B., & Hill, D. R. (2006). "Algebra Lineal ". México: PEARSON EDUCACIÓN.
Stanford, CA,USA.
Muñoz Raso, C. (2015). "Como elaborar y asesorar una investigacion de tesis". México:
PEARSON EDUCACIÓN.
84
ANEXO
85
DATOS DEL GANADO DIVIDO EN GRUPOS
CANTIDAD DEL GANADO
GRUPO 1 Terneros 0 - 3 meses 20
GRUPO 2 Terneros 3 - 12 meses 15
Vaquillas 15
GRUPO 3 Toros 12 - 29 meses 5
GRUPO 4 Productoras 24 + meses 50
19%
GRUPO 1
48% 14% GRUPO 2
GRUPO 3
14%
5%
GRUPO 4
86