Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“Unidad Zacatenco”
Instituto Politécnico Nacional
Apuntes de clase
Ingeniería de sistemas
6CM8
Conceptos básicos de ingeniería.
Se conoce como ingeniería a la disciplina que se vale de un conjunto de
conocimientos de tipo técnico, científico, práctico y empírico para la invención, el
diseño, el desarrollo, la construcción, el mantenimiento y la optimización de todo
tipo de tecnologías, máquinas, estructuras, sistemas, herramientas, materiales y
procesos.
El objetivo de la ingeniería es ofrecer soluciones a los problemas prácticos de las
personas, tanto a nivel social como económico e industrial. De allí que la ingeniería
sea una disciplina que transforme el conocimiento en algo práctico para beneficio
de la humanidad.
La ingeniería civil es una disciplina de la ingeniería que aplica conocimientos de
distintas áreas, como la física, la
química, la geología, el cálculo, la
mecánica o la hidráulica, entre otras,
para el diseño, la construcción y el
mantenimiento de infraestructuras de
gran tamaño y de uso público como
carreteras, aeropuertos, puentes,
ferrocarriles, presas, puertos,
aeropuertos, entre otras cosas.
El ingeniero se apoya en las ciencias básicas (matemática, física, química, biología,
ciencias económicas y administrativas, ciencias de la ingeniería, ingeniería
aplicada) tanto para el desarrollo de tecnologías, como para el manejo eficiente y
productivo de recursos y fuerzas de la naturaleza en beneficio de la sociedad. La
ingeniería es una actividad que transforma el conocimiento en algo práctico.
Orígenes de la ingeniería.
La historia de la ingeniería se remonta a tiempos muy remotos, desde la invención
de herramientas como la palanca o la rueda, que facilitaban la realización de otros
trabajos mediante principios básicos de mecánica.
Las primeras manifestaciones de ingeniería se dieron en la Edad Antigua con las
grandes construcciones como las pirámides, tanto egipcias, como precolombinas.
Así mismo, están las grandes obras de los griegos y los romanos, quienes llevaron
la ingeniería a otros aspectos de la vida como la milicia.
En la Época Medieval, los avances en cuanto a la ingeniería civil dieron paso a la
arquitectura gótica en Europa, mientras que en Asia se realizaron avances
importantes las áreas de la metalurgia y la hidrografía.
3
Durante la Edad Moderna, la máquina de vapor inauguró la Revolución Industrial.
Fue entonces cuando la ingeniería comenzó a ser una ciencia formal. Debe tomarse
en cuenta que la ingeniería actual se trata de un conjunto de conocimientos y
técnicas aplicados a la resolución de problemas.
A partir de entonces comenzaron a separarse las áreas de especialización como lo
eran la ingeniería militar, mecánica, civil y se agregaron nuevos nombres a esa lista.
4
El enfoque sistémico.
El enfoque sistémico representa la secuencia lineal de acontecimientos. En el
camino pueden aparecer “ramas”, pero siempre es una secuencia de pasos que
necesitamos realizar.
Un ejemplo muy en general es la secuencia lógica de los procesos de ejecución de
un proyecto: Se formulamos objetivos, encontramos requisitos, organizamos
actividades, adquirimos entregables, y al final tenemos productos y luego vemos
cuáles son los resultados.
El enfoque sistémico tiene como punto principal el concepto del sistema, que es un
conjunto de elementos interrelacionados con un objetivo común.
En proyectos es relativamente fácil formular el objetivo común, que puede ser
formulado en dos niveles: El nivel del producto que aparece al final de cualquier
proyecto y el nivel de resultados que esperamos cuando el producto empieza a
funcionar.
Algo importante es la característica del sistema, sus elementos son
interrelacionados. Cualquier proyecto es un sistema porque podemos desglosarlo
en diferentes subsistemas y, desde el punto de vista técnico y de la gestión, es parte
del sistema de más alto nivel, por lo que también es un subsistema.
5
Abstractos: Sistemas simbólicos o conceptuales.
Respecto a su origen estos pueden ser:
Naturales: Sistemas generados por la naturaleza.
Artificiales: Sistemas que son productos de la actividad humana, son
concebidos y construidos por el hombre.
6
Crear softwares y hardware para una empresa, después de llevar a cabo una
investigación
Optimizar los datos que manejan esas empresas
Administrar sistemas de información y redes
7
sistemas dinámicos que clasifica los fenómenos caracterizados por súbitos
desplazamientos en su conducta.
La TGS surge en el siglo XX como un nuevo esfuerzo en la búsqueda de conceptos
y leyes válidos para la descripción e interpretación de toda clase de sistemas reales
o físicos.
8
Existe una nítida tendencia hacia la integración en las diversas ciencias naturales y
sociales.
Esta integración parece orientarse hacia una teoría de los sistemas.
Dicha teoría de los sistemas puede ser una manera más amplia de estudiar los
campos no físicos del conocimiento científico, en especial las ciencias sociales.
Esa teoría de sistemas, al desarrollar principios unificadores que atraviesan
verticalmente los universos particulares de las diversas ciencias involucradas, nos
aproximan al objeto de la unidad de la ciencia.
Esto pude llevarnos a una integración en la administración científica.
La teoría general de los sistemas afirma que las propiedades de los sistemas no
pueden describirse significativamente en términos de sus elementos separados. La
comprensión de los sistemas solo ocurre cuando se estudian globalmente,
involucrando todas las interdependencias de sus partes.
El concepto sistema paso a dominar las ciencias y, en especial, la administración.
Si se habla de astronomía, se piensa en el sistema solar. La sociología habla de
sistema social, y así sucesivamente. En la actualidad el enfoque sistemático es tan
común en administración que no se nos ocurre pensar que estamos utilizándolo en
todo momento.
9
El sistema social puede definirse como una pluralidad de individuos que interactúan
entre sí de acuerdo con normas y significados culturales compartidos. El término es
un principio clave en la teoría de sistemas, que maneja el campo de la sociología.
Sistema técnico es aquel dispositivo, compuesto de entidades físicas y de agentes
humanos, cuya función es transformar algún tipo de objeto para obtener
determinados resultados característicos del sistema, siempre y cuando sea
beneficioso.
Los sistemas tecnológicos son técnicas u objetos orientados a la facilitación o
disminución del trabajo humano. Cuando hablemos de un sistema tecnológico, nos
estaremos refiriendo a un conjunto de componentes y variables que
contextualizarán la acción técnica humana.
1.3.5 Aplicar el concepto de ingeniería de sistemas en un proyecto de
ingeniería civil.
Ingeniería de Sistemas es la aplicación de las ciencias matemáticas y físicas para
desarrollar sistemas que utilicen económicamente los materiales y fuerzas de la
naturaleza para el beneficio de la humanidad.
La ingeniería civil abarca diversos tipos de proyectos, cada uno de los cuales
requiere amplios conocimientos de física y matemáticas, asimismo, la capacidad de
solucionar dificultades de forma creativa. La lista de tipos se encuentra en constante
crecimiento e incluso algunas de presentan subcategorías dentro de ellos.
Los expertos en construcción de obras civiles están involucrados en el diseño,
análisis y mantenimiento de diversas estructuras, por ejemplo, puentes y edificios,
diseñadas para ajustarse a diversos requisitos, como los de presupuesto, a los
factores de carga y capacidad de resistencia de varias fuentes. Tienen que
considerar las condiciones que soportarán las estructuras, incluidas las cargas de
personas y vehículos, y las ambientales, por ejemplo, el viento.
10
Los ingenieros que deseen desempeñarse en este campo de acción, deberán
aplicar la práctica de su conocimiento sobre el diseño y la construcción de
programas informáticos.
Infraestructura tecnológica
Este es un campo de aplicación en donde los Ingenieros en Sistemas estarán
realizando labores de selección de plataformas hardware y software que integran
un proyecto.
Seguridad informática
El ingeniero que se enfoca en esta área, deberá velar por la protección de la
infraestructura computacional, específicamente en la protección de la información.
Manejo de la información
Un ingeniero en sistemas, se puede desarrollar en cualquier empresa y
desempeñarse manejando de manera adecuada su información.
Multimedia
Uno de los campos de aplicación en los que se puede desarrollar un ingeniero en
sistemas, es la rama de la multimedia.
11
decisiones puede verse como un procedimiento interactivo, un ciclo que incluye
varios círculos sucesivos.
12
que constituyen sus contiene y del cual
unidades indivisibles. forma parte.
13
también aquellos que se consideran insostenibles desde la perspectiva ambiental y
social.
La insostenibilidad ambiental, entendida como el desbordamiento de los límites
impuestos por la naturaleza, en muchos casos tiene su origen en los patrones de
producción y de consumo en sí mismos. Pero, como sabemos, ni los profesionales
de la ingeniería que participaron en la creación e implementación de tecnologías
que han sido críticas para resolver diversas necesidades humanas, ni los
beneficiarios de las mismas, se imaginaron en su momento que muchas de ellas
pudieran traer consigo las negativas consecuencias que hoy conocemos.
Un ingeniero en sistemas, además de conocer y dominar la tecnología actual, está
capacitado para mejorarla.
De hecho, estos licenciados utilizan los nuevos sistemas, softwares, programas y
aplicaciones para satisfacer las diversas necesidades de la población y, además,
para desarrollar tecnologías que aumenten la calidad de vida de las personas.
Además de colaborar con la tecnología en sí, incentiva el desarrollo de las personas.
14
La planificación de medios es la disciplina de la publicidad encargada de hacer llegar
los mensajes publicitarios al mayor número de personas del público objetivo. Esto
se hace por medio de la selección de los medios y soportes más adecuados para
cada ocasión y buscando siempre el menor coste posible.
La planificación de medios es la puesta en marcha de diferentes estrategias y
tácticas para difundir un mensaje publicitario a través de los medios de
comunicación que tengamos disponibles con un presupuesto limitado. Estas
estrategias conllevan un conocimiento absoluto del cliente, anunciante, sus
productos, precios, estrategias de marketing y ventas, así como de sus
competidores. Intentando anticiparnos a la competencia siempre a través de los
medios.
La planificación de recursos hace referencia al conjunto de acciones y a la
metodología que utilizan las organizaciones para asignar de manera eficiente los
recursos que tienen para realizar los trabajos, las tareas o los proyectos, y para
planificar las fechas de inicio y finalización, teniendo en cuenta la disponibilidad de
los recursos. En función de la industria, los recursos pueden ser personas (ya sean
empleados o contratistas independientes), equipos y máquinas (esto es frecuente
en los negocios de construcción, fabricación o mantenimiento) o espacios e
instalaciones.
15
cadena de valor, por ejemplo, la débil capacidad de negociación comercial o el bajo
nivel de productividad, las causas deberán buscarse al interior de las fases de
distribución y producción de la cadena de valor, respectivamente.
16
Como criterio se denomina el principio o norma según el cual se puede conocer la
verdad, tomar una determinación, u opinar o juzgar sobre determinado asunto. El
criterio, en este sentido, es aquello que nos permite establecer las pautas o
principios a partir de los cuales podremos distinguir una cosa de la otra.
Limitar refiere a poner límites a algo, mientras que la noción de límite está vinculada
a una línea que separa dos territorios, al extremo a que llega un determinado tiempo,
al extremo que puede alcanzar lo anímico y lo físico o a una restricción
Restricción es una noción con origen etimológico en el latín restrictĭo. Se trata del
proceso y la consecuencia de restringir. Este verbo, por su parte, refiere a limitar,
ajustar, estrechar o circunscribir algo. La restricción, en general, siempre marca un
límite.
17
representa una carretera en construcción. Estos modelos se utilizan con buenos
resultados en la representación de situaciones dinámicas, es decir, en la
representación de procesos.
C. Modelo simbólico o matemático: Es una representación de la realidad a través
de símbolos, los que tienen generalmente un carácter matemático o lógico. Un tipo
de modelo simbólico es una ecuación. Una ecuación es fácil de comprender y de
manejar, prestándose además para procesos computacionales.
Cuantitativos y cualitativos: La mayor parte de los problemas de un negocio u
organización comienzan con un análisis y definición de un modelo cualitativo y se
avanza gradualmente hasta obtener un modelo cuantitativo. La investigación de
operaciones se ocupa de la sistematización de los modelos cualitativos y de su
desarrollo hasta el punto en que pueden cuantificarse. Cuando es posible construir
un modelo matemático insertando símbolos para representar relaciones entre
constantes y variables estamos ante un modelo cuantitativo. Una ecuación es un
modelo de este tipo. Las fórmulas, las matrices, los diagramas o series de valores
que se obtienen mediante procesos matemáticos.
18
Los modelos son un medio de comunicación con los clientes, usuarios y
fabricantes.
Permiten mantener la integridad del sistema mediante la coordinación de las
actividades de diseño.
Ayudan a diseñar suministrando plantillas, y organizando y registrando las
decisiones.
Permiten explorar y manipular los parámetros y características de la solución,
guiando en la agregación y descomposición de las funciones del sistema, sus
componentes y elementos constructivos.
2.1 Definiciones.
La optimización de procesos es la disciplina de ajustar un proceso para optimizar
(hacer el mejor uso o el más efectivo) de un conjunto específico de parámetros sin
violar alguna restricción. Los objetivos comunes son minimizar el costo y maximizar
el rendimiento y/o la eficiencia. Esta es una de las principales
herramientas cuantitativas en la toma de decisiones industriales.
Al optimizar un proceso, el objetivo es maximizar una o más de las especificaciones
del proceso, manteniendo todas las demás dentro de sus limitaciones. Esto se
puede hacer usando una herramienta de minería de procesos, descubriendo las
actividades críticas y los cuellos de botella, y actuando solo en ellos.
Áreas
Hay tres parámetros que pueden ajustarse para afectar el rendimiento óptimo:
Optimización de equipos
El primer paso es verificar que el equipo existente se está utilizando al máximo,
examinando los datos de operación para identificar cuellos de botella en el equipo.
Procedimientos de operación
19
Los procedimientos operativos pueden variar ampliamente de persona a persona o
de turno a turno. La automatización de la planta puede ayudar significativamente.
Pero la automatización no servirá si los operadores toman el control y ejecutan la
planta en forma manual.
Control optimización
En una planta de procesamiento típica, como una planta química o una refinería de
petróleo, hay cientos o incluso miles de bucles de control. Cada circuito de control
es responsable de controlar una parte del proceso, como mantener la temperatura,
el nivel o el flujo.
20
El desarrollo de los modelos de inventarios, así como el de tiempos y movimientos,
se lleva a cabo por los años veinte de este siglo, mientras que los modelos de línea
de espera se originan con los estudios de Erlang, a principios del siglo XX. Los
problemas de asignación se estudian con métodos matemáticos por los húngaros
Konig y Egervary en la segunda y tercera décadas de este siglo. Los problemas de
distribución se estudian por el ruso Kantorovich en 1939. Von Neuman cimienta en
1937 lo que años más tarde culminara como la Teoría de Juegos y la
Teoría de Preferencias (esta última desarrollada en conjunto con Morgenstern). Hay
que hacer notar que los modelos matemáticos de la Investigación de Operaciones
que utilizaron estos precursores, estaban basados en el Cálculo Diferencial e
Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz, Reimman, Stieltjes, por
mencionar algunos), la Probabilidad y la Estadística (Bernoulli, Poisson, Gauss,
Bayes, Gosset, Snedecor, etc.).
21
Para que este método funcione es necesario realizar el trabajo en equipo, el
cual debe estar formado por expertos.
22
conexión con modelos de regresión y el término a menudo se toma
como un sinónimo del modelo de regresión lineal. Sin embargo, el
término es también usado en análisis de series de tiempo con un
significado diferente. En cada caso, la denominación como "lineal" es
usada para identificar una subclase de modelos para los cuales la
reducción en complejidad de la teoría estadística relacionada es
posible.
b) Modelos no lineales. Un modelo de regresión no lineal se puede
definir como un ajuste a cualquier modelo diferente del modelo de una
línea recta.
23
La programación lineal ha demostrado ser una herramienta sumamente poderosa,
tanto en la modelización de problemas de la vida real como en la teoría matemática
de amplia aplicación. Sin embargo, muchos problemas interesantes de optimización
son no lineales. El estudio de estos problemas implica una mezcla diversa de
álgebra lineal, cálculo multivariado, análisis numérico y técnicas de computación.
Entre las áreas especiales importantes se encuentra el diseño de algoritmos de
computación (incluidas las técnicas de puntos interiores para programación lineal),
la geometría y el análisis de conjuntos convexos y funciones, y el estudio de
problemas especialmente estructurados, tales como la programación cuadrática. La
optimización no lineal proporciona información fundamental para el análisis
matemático, y se usa extensamente en las ciencias aplicadas (en campos tales
como el diseño de ingeniería, el análisis de regresión, el control de inventario y en
la exploración geofísica).
El problema de la resolución de un sistema lineal de inecuaciones se remonta, al
menos, a Joseph Fourier, después de quien nace el método de eliminación de
Fourier-Motzkin. La programación lineal se plantea como un modelo matemático
desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los
retornos, a fin de reducir los costos al ejército y aumentar las pérdidas del enemigo.
Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron
en su planificación diaria.
24
El modelo general de un problema de programación lineal consta de dos partes muy
importantes: la función objetivo y las restricciones.
La función objetivo lineal
La expresión matemática del objetivo se llama función objetivo y la meta debe ser
maximizar o minimizar esa expresión.
La función objetivo lineal se puede representar de las siguientes maneras:
Z = Cl X1 + C2 X2 +...... + Cn Xn
o utilizando la notación de sumatorias
n
Z = ∑ Cj Xj
j=1
Donde:
Z = Función objetivo lineal.
Cj = Precio neto o costo unitario, según sea el modelo.
Xj = Actividad o proceso.
El objetivo puede ser la maximización de algunas variables de ingreso que pueden
variar desde los ingresos netos o brutos, dependiendo según se estructure el
modelo. La programación lineal puede también aplicarse a los problemas de
minimización de costos y estos programas parten de un diferente conjunto de
criterios para su optimización.
Los coeficientes C1, C2...., Cn son los coeficientes de costo (conocidos) o de
ingresos, según el tipo de problema que estemos resolviendo. Por otra parte, X1,
X2. . . . , Xn son las variables de decisión (variables, o niveles de actividad) que
deben determinarse de tal manera que se alcance el objetivo dentro de las
restricciones que enfrenta el problema.
Un conjunto de restricciones o desigualdades lineales
Las restricciones, expresadas mediante desigualdades lineales, están compuestas
por los coeficientes técnicos (Aij), las actividades o procesos (Xn), las cuales
también se tomaron en cuenta en la función objetivo y además los niveles o
limitaciones (Bi). El conjunto de restricciones se expresa de la siguiente manera:
A11 X1 + A12 X2 + …+ A1n Xn ≤ B1
A21 X1 + A22 X2 +...+ A2m Xn ≥B2
...
25
... Am1 X1 + Am2 X2+…+ Amn Xn = Bm
X1, X2,…,Xn ≥ 0
Según Beneke y Winterboer (1984: 25), hay tres tipos básicos de restricciones: de
“mayor que” (≥), de “menor que” (≤) o de igualdad (=), y estas pueden ser
clasificadas en razón a su naturaleza:
- Restricciones de recursos o entradas: como tales pueden incluirse terreno, capital,
mano de obra e instalaciones.
- Restricciones externas: esta clase incluye conceptos tales como las asignaciones
gubernamentales de superficie de terreno, los límites de crédito asignado a los
productos u obligaciones de tipo legal.
- Restricciones subjetivas: estas restricciones se las impone el propio operador. Los
límites pueden ser difíciles de definir, pero frecuentemente son reales y significativos
en el proceso de planificación. A menudo las restricciones impuestas provienen de
los propios objetivos personales o del negocio del planeador. Entre las limitaciones
de ese tipo pueden citarse las siguientes:
• Limitaciones sobre el nivel de crédito que el planeador está dispuesto a utilizar. En
muchas ocasiones es inferior a la cantidad que los prestamistas están dispuestos a
aportar. La motivación típica para tal tipo de limitaciones es el deseo poco explícito
de evitar los azares de la deuda.
• Restricciones por el riesgo del nivel de las actividades que presentan aspectos
ligados a ingresos altamente variables como pueden ser la cría de ovejas o de
ganado mayor.
• Restricciones de mínimos respecto a que el operador considere deseable por
razones no propiamente de ingresos directos como puede ser el mantener vacas de
raza pura, vacas lecheras o cultivos para mantener las cualidades del terreno.
2.3.3 Planteamiento del modelo sobre una aplicación a la ingeniería civil.
Los modelos de optimización aportan al perfil profesional del Ingeniero Civil las
bases para el desarrollo de las capacidades necesarias que le permitan incidir en
el proceso de la toma de decisiones desde la perspectiva organizacional, con el
propósito de optimizar procesos y recursos inherentes al ámbito de la práctica de
la ingeniería civil.
El diseño de estructuras sujetas a cargas externas demanda una valoración
realista del factor de seguridad con respecto al colapso de la estructura,
denominado multiplicador de colapso. La determinación de este multiplicador es
un requisito básico para un diseño óptimo. El proyecto requiere que el diseñador
establezca un mecanismo de colapso de diseño, requisito que no es posible
cumplir a priori. Ante este requerimiento las metodologías de análisis que permiten
26
determinar el mecanismo de colapso real para un estado de cargas dado cobran
una importancia fundamental.
Este trabajo de investigación se enmarca en el campo del diseño sísmico de
estructuras y está enfocado al desarrollo de un método de análisis e identificación
del mecanismo de colapso de una estructura asociada a un estado de cargas
dado, mediante el estudio y verificación del comportamiento de ésta con técnicas
de programación lineal. En este sentido se implementa un método sencillo como el
Simplex al proceso de búsqueda del mecanismo de colapso de pórticos planos. El
planteo de este problema estructural conduce a la forma estándar de esta
metodología de programación lineal. Se muestra que la obtención del multiplicador
de colapso puede ser totalmente automatizado para pórticos planos. A partir de un
algoritmo de resolución sencilla, y en base a los mecanismos de colapso simples,
se obtiene el mecanismo de colapso de la estructura para el estado de cargas
dado.
El objetivo principal es la verificación y optimización del diseño de una estructura
empleando el mecanismo de colapso real. Esta metodología permite además
asegurar que todas las rótulas se produzcan simultáneamente para el estado de
cargas de diseño.
27
una inecuación define una región que será el semiplano limitado por la línea
recta que se tiene al considerar la restricción como una igualdad, mientras
que si una ecuación define una región que es la propia línea recta.
Colonial Nórdico
Construcción 6h 8h
Barnizado 5h 2h
Utilidad Unitaria $2000 $2200
28
Definición de variables de decisión Función Objetivo
6𝑥 ≤ 450 – 8𝑦 8𝑦 ≤ 450 – 6𝑥
𝑥 ≤ (450 – 8𝑦) / 6 𝑦 ≤ (450 – 6𝑥) / 8
𝑦 = 0 𝑥 = 0 x y
0 56.25
𝑥 ≤ (450 – 8(0)) / 6 𝑦 ≤ (450 – 6(0)) / 8
75 0
𝑥 ≤ 75 𝑦 ≤ = 56.25
Barnizado: 5𝑥 + 2𝑦 ≤ 200
Despejando x Despejando y
5𝑥 ≤ 200 – 2𝑦 2𝑦 ≤ 200 – 5𝑥
𝑥 ≤ (200 – 2𝑦) / 5 𝑦 ≤ (200 – 5𝑥) / 2
𝑦 = 0 𝑥 = 0 x y
0 100
𝑥 ≤ (200 – 2(0)) / 5 𝑦 ≤ (200 – 5(0)) / 2
40 0
𝑥 ≤ 40 𝑦 ≤ = 100
29
Pedido: 𝑦 ≥ 10 mesas nórdico
Grafica
60
B=(56.25)
50
40 C=(25,37.5)
30
20
D=(36,10)
10
A=(0,10)
0
0 5 10 15 20 25 30 35 40
Función Objetivo
30
menos que la cuarta parte de los que entregue del T14, pero en ningún caso deben
superar en más de 150 al número de equipos T14. En el cuadro 2.4 se indica el
tiempo que requieren los especialistas para armar y probar cada equipo, expresado
en minutos, así como la disponibilidad de tiempo.
Equipos T14 B12 Disponibilidad
Armados 10 min 12 min 55 h
Pruebas 30 min 6 min 100 h
Costos $100 $60
Función Objetivo
Restricciones
𝑥1 + 𝑥2 ≥ 100
31
1
− 𝑥1 + 𝑥2 ≥ 0
4
−𝑥1 + 𝑥2 ≤ 150
Grafica
300
R3
250 R5
200
150
R4
100
R1 R2
50
0
0 50 100 150 200 250
R1: T + B ≥ 100
La gráfica del conjunto de soluciones tiene seis vértices.
R2: -¼ T + B ≥ 0 Al desplazar la FO en la dirección de minimización, el
último punto que toca es (0, 100); esto indica que, para
R3: - T + B ≤ 150 satisfacer todas las restricciones, pero con el mínimo
R4: 10 T + 12 B ≤ 3 300 costo, deben producirse solamente 100 artículos del tipo
B2, con lo que sus costos serán de $6 000.
R5: 30 T + 6 B ≤ 6 000
T, B ≥ 0
32
mayor o menor valor posible, según el caso, para el que se satisfacen todas las
restricciones).
Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento
consiste en buscar otro punto que mejore el valor anterior. Como se verá en el
método Gráfico, dichos puntos son los vértices del polígono (o poliedro o polícoro,
si el número de variables es mayor de 2) que constituye la región determinada por
las restricciones a las que se encuentra sujeto el problema (llamada región factible).
La búsqueda se realiza mediante desplazamientos por las aristas del polígono,
desde el vértice actual hasta uno adyacente que mejore el valor de la función
objetivo. Siempre que exista región factible, como su número de vértices y de aristas
es finito, será posible encontrar la solución.
Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0
o x pasa a ser X1
o y pasa a ser X2
33
Como los términos independientes de todas las restricciones son positivos
no es necesario hacer nada. En caso contrario habría que multiplicar por "-1" en
ambos lados de la inecuación (teniendo en cuenta que esta operación también
afecta al tipo de restricción).
En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una
de las restricciones del tipo ≤, para convertirlas en igualdades, resultando el
sistema de ecuaciones lineales:
2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24
La tabla inicial del método Simplex está compuesta por todos los coeficientes de
las variables de decisión del problema original y las de holgura, exceso y
artificiales agregadas en el paso 2 (en las columnas, siendo P0 el término
independiente y el resto de variables Pi coinciden con Xi), y las restricciones (en
las filas). La columna Cb contiene los coeficientes de las variables que se
encuentran en la base.
34
Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0
Condición de parada.
Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no
existe ningún valor negativo entre los costes reducidos (columnas P1 en
adelante) se alcanza la condición de parada.
35
Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente.
En caso de que todos los elementos de la columna pivote fueran de ésta
condición se habría cumplido la condición de parada y el problema tendría una
solución no acotada (ver teoría del método Simplex).
Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:
Anterior fila P4 42 2 3 0 1 0
- - - - - -
Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila P4 26 0 7/3 0 1 -2/3
36
La tabla correspondiente a esta segunda iteración es:
Tabla II . Iteración nº 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1
o 6.1. La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.
o 6.1. La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.
37
o 6.2. Se escoge la variable que sale calculando el cociente entre los
términos de la columna de términos independientes y los términos
correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y
6/1 [=6]. En esta ocasión es X4 (P4).
Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0
Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por
tanto, la condición de parada.
38
Problema de Minimización Problema de Maximización
>= >=0
<= <=0
= irrestricta
>=0 <=
<=0 >=
irrestricta =
39
De modo de garantizar que el lado derecho de esta última desigualdad sea una
cota superior de la función objetivo del problema primal se debe cumplir que:
40
Enseguida, en las ecuaciones que tengan variables de exceso (resultantes de
restricciones de tipo >), se debe multiplicar por (-1) en ambos lados, para hacer
positivo el coeficiente de la variable de exceso, y formar así un vector unitario que
nos permita tomar esta variable de exceso como una variable básica inicial. sin
necesidad de agregar una variable artificial en esa restricción.
41
intercambio negativo. Es decir, siendo (XB)s la variable de salida se calculan
todos los cocientes.
X1 +2X +IE3 = 3
Básicas X1 X2 E1 E2 H3 Solución
E1 -3 -1 1 0 0 -3
E2 -4 -3 0 1 0 -6
42
H3 1 2 0 0 1 3
Ej 2 1 0 0 0 0
Sale E2
Entonces los cocientes son
Básicas X1 X2 E1 E2 H3 Solución
E1 - 0 1 - 0 -1
5/3 1/3
E2 4/3 1 0 - 0 2
1/3
H3 - 0 0 2/3 1 -1
5/3
Ej 2 0 0 1/3 0 2
Sale H1
Básicas X1 X2 E1 E2 H3 Solución
E1 1 0 -3/5 1/5 0 3/5
43
E2 0 1 4/5 - 0 6/5
3/5
H3 0 0 -1 1 1 0
En este caso se obtiene que, para los valores óptimos de las variables de decisión,
la solución permanece óptima, pero se convierte en infactible. Surge entonces la
necesidad de aplicar el algoritmo Dual-Simplex para extraer la variable básica que
tiene valor infactible. Cuando estudiemos el tema de análisis de sensibilidad
analizaremos un caso como el citado
Ejemplo:
El análisis se puede realizar con una hoja de cálculo. La inversión del ejemplo es
una maquinaría nueva. Los flujos de caja representan las dos opciones, el VNAa y
44
el VANn. Las diferencias entre los flujos de caja se dan por variaciones en las
ventas debidas a dos posibles escenarios, por ejemplo, en función de una
campaña publicitaria.
45
Los pasos del algoritmo de transporte son exactamente iguales a los del algoritmo
simplex.
En el primer paso se determina una solución básica factible de inicio que nos
ayude a proseguir en el paso dos.
En el segundo paso se usa la condición de optimalidad del método simplex
para determinar la variable de entrada entre todas las variables básicas.
Detenerse si se satisface.
En el tercer paso se usa la condición de factibilidad del método simplex para
determinar la variable de salida y así obtener la nueva solución y
posteriormente regresar al paso dos.
46
2.4.2 Métodos para determinar una solución factible
básica inicial para maximizar y minimizar.
En Programación Lineal una Solución Básica Factible (SBF) es aquella que
además de pertenecer a la región o área factible del problema se puede
representar a través de una solución factible en la aplicación del Método
Simplex satisfaciendo las condiciones de no negatividad.
47
El área achurada corresponde al dominio de factibilidad del problema,
identificándose en particular 5 vértices que hemos llamado
arbitrariamente A, B, C, D y E.
La solución óptima del modelo lineal se alcanza en el vértice
C donde X=100 e Y=350 con valor óptimo V(P)=3.100. Notar que dicha solución
se puede obtener a través de la resolución de un sistema de ecuaciones con las
restricciones 1 y 3 (R1 y R3) en igualdad.
En consecuencia, el vértice C además de ser una solución básica factible es
una solución básica factible óptima.
En cuanto a los vértices A, B, D y E son soluciones básicas factibles (no
óptimas) debido a que en la aplicación del Método Simplex al menos una
variable no básica tendrá costo reducido negativo (lo que permitirá mejorar el
actual valor de la función objetivo).
La tabla a continuación es la que se obtiene al llevar al problema a su forma
estándar, agregando S1, S2 y S3 como variables de holgura de las restricciones 1,
2 y 3, respectivamente (R1, R2 y R3).
48
Ambas variables no básicas (iniciales) X e Y tienen costo reducido negativo (-3 y -
8) por tanto X=0 e Y=0 que si bien es una solución básica factible (vértice A) no
es solución óptima.
Para continuar la demostración realizaremos una iteración del Método
Simplex incorporando la variable Y a la base (criterio costo reducido “más
negativo“) y donde el mínimo cociente Min {1.600/4; 1.700/2; 350/1}=350 ==>
S3 deja la base:
La solución básica factible ahora es X=0 e Y=350 (vértice B), sin embargo, el
costo reducido de la variable X sigue siendo negativo y por tanto aún no nos
encontramos en el óptimo. En consecuencia, X entra a la base y obtenemos el
mínimo cociente: Min {200/2; 1.000/6}=100 ==> S1 deja la base:
49
2.4.3 Tipos de problemas: balanceado y
desbalanceado.
Resulta bastante frecuente que la cantidad total de unidades que los orígenes
pueden enviar y la cantidad de unidades que los destinos requieren sean diferentes.
Esto significa que la capacidad total y la demanda total son diferentes. Es, entonces,
que estamos frente a un problema de transporte no balanceado o desbalanceado.
Para resolver esta dificultad se introducen orígenes ficticios o destinos ficticios,
según sea el caso. El propósito es balancear la demanda y la capacidad para aplicar
algún método que proporcione una solución factible inicial.
50
Al sumar las capacidades de las plantas tenemos un total de 2,100 unidades
(1,000+600+500=2,100) y, al calcular la demanda total tenemos 1,700 unidades
(500+100+600+300+200=1,700), por lo tanto, se tiene un problema de transporte
no balanceado y la capacidad total es mayor que la demanda total, es necesario
agregar un destino ficticio para balancear el problema.
51
Sumamos las capacidades de las plantas y obtenemos un total de 1,200 unidades
(100+600+500=1,200) y, al calcular la demanda total tenemos 1,700 unidades
(500+100+600+300+200=1,700). Se trata de un problema de transporte
desbalanceado, la demanda total es mayor que la capacidad total, es necesario
agregar un origen ficticio para balancear el problema.
Entonces, agregamos una planta ficticia lo que se traduce en una fila adicional en
la tabla, los costos de transporte unitarios en dicha fila son cero puesto que ningún
embarque sale de la planta ficticia. La capacidad que se le asigna a la planta ficticia
corresponde a la diferencia entre la demanda total (1,700 unidades) y la capacidad
total (1,200 unidades).
52
2.4.4 Problemas de transporte degenerado.
Para un problema de transporte equilibrado con m orígenes y n destinos una
solución con menos de m + n — 1 variables mayores que cero es degenerada. La
degeneración se puede dar en los siguientes casos:
• En el cálculo de una solución factible básica inicial: cuando se satisfacen
simultáneamente origen y destino en un paso que no sea el último del método de
Vogel o del método de la esquina noroeste.
• En cualquier iteración del algoritmo del transporte, cuando hay un empate en el
criterio de la variable que sale de la base.
Cuando una solución es degenerada hay que distinguir entre los flujos nulos que
corresponden a variables básicas y aquellos que corresponden a variables no
básicas.
Z = 30 + 3x1 - 5x4/2
53
El Algoritmo de Asignación se lo utiliza en el problema clásico de la Investigación
de Operaciones (Problemas de Asignación).
El Problema de Asignación, incluye aplicaciones tales como asignar personas a
tareas. Aunque sus aplicaciones parecen diferir del problema de transporte, se verá
que este problema es un caso especial del problema de transporte.
Tiene una limitante y es que a cada tarea se le puede asignar sólo un recurso,
pueden sobrar recursos o podrían sobrar tareas, pero no se le puede asignar dos
recursos a una misma tarea, o tres.
El Problema de la Asignación se basa en una información comparativa para tomar
la decisión de que asignar a quien con un recurso.
Su origen se encuentra en la revolución industrial, debido al surgimiento de las
máquinas hizo que fuera necesario asignar una tarea a un trabajador.
Thomas Jefferson en 1792 lo sugirió para asignar un representante a cada estado,
pero formalmente aparece este problema en 1941, cuando F.L. Hitchcook publica
una solución analítica del problema, pero no es hasta 1955 cuando Harold W. Kuhn
plantea el Método húngaro, que fue posteriormente revisado por James Munkres en
1957.
Pasos para la aplicación del Método Húngaro son:
1. Para resolver un problema de asignación en el cual la meta es maximizar la
función objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1) y
resolver el problema como uno de minimización.
2. Si el número de filas y de columnas en la matriz de costos son diferentes, el
problema de asignación está desbalanceado. El método húngaro puede
proporcionar una solución incorrecta si el problema no está balanceado; debido a lo
anterior, se debe balancear primero cualquier problema de asignación (añadiendo
filas o columnas ficticias) antes de resolverlo mediante el método húngaro.
3. En un problema grande, puede resultar difícil obtener el mínimo número de filas
necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede
demostrar que, si se necesitan j líneas para cubrir todos los ceros, entonces se
pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto explica
por qué termina cuando se necesitan m líneas.
el que los asignados son recursos que se destinan a la realización de tareas. Por
54
ejemplo, los asignados pueden ser empleados a quienes se tiene que dar trabajo.
asignación. Sin embargo, los asignados no tienen que ser personas. También
pueden ser máquinas, vehículos o plantas, o incluso periodos a los que se asignan
tareas.
“La mejor persona para el puesto” es una buena descripción del modelo de
asignación.
trabajadores a puestos.
la tabla siguiente:
este tipo de aplicaciones se formule de manera tal que se cumplan los siguientes
supuestos:
55
4. Existe un costo cij asociado con el asignado i (i 5 1, 2, . . . , n) que realiza la
tarea j ( j 1, 2, . . . , n).
5. El objetivo es determinar cómo deben hacerse las n asignaciones para
minimizar los costos totales.
de transporte. Sin embargo, el hecho de que todas las ofertas y las demandas son
Z = 30 + 3x1 - 5x4/2
56
En términos generales, la solución básica factible actual es óptima si y sólo si todas
las variables no básicas tienen coeficientes no positivos (≤ 0) en la forma actual de
la función objetivo. Esta forma actual se obtiene cambiando las variables xj al lado
derecho de la ecuación (0) actual después de haber convertido todas las ecuaciones
a la forma apropiada de eliminación de Gauss [que elimina las variables básicas de
esta ecuación]. En forma equivalente, las variables se pueden dejar en el lado
izquierdo y entonces la prueba de optimalidad consiste en que todas las variables
no básicas tengan coeficientes no negativos (≥ 0) en la ecuación (0) actual.
57
Son todos los bienes o materiales tangibles que se tienen para la venta o para ser
utilizados en el proceso de producción y venta, en algún momento o futuro de la
organización.
Clasificación de los modelos de inventario.
o Demanda independiente:
o Demanda dependiente:
o Demanda determinista:
o Demanda probabilística:
o Déficit:
o Tiempo líder:
o Descuento
Nomenclatura.
El costo del pedido u organización: (K)
El costo de compra: (C)
El costo de conservación: (H)
Tasa de trasferencia: (I)
Costo de déficit:: (B)
58
Modelo LEP (con faltantes). El modelo de LEP con faltantes (Lote Económico de
Producción que admite faltantes) propone que se llega a un nivel máximo de
producción o inventario máximo, luego se consumen el inventario y una vez
agotadas las existencias se comienza la producción nuevamente. Este modelo
supone que el cliente está dispuesto a esperar un tiempo en el que el fabricante
responda su pedido y que se acepta una cierta cantidad de faltantes.
59
Los costos por ordenar un pedido y los costos de mantenimiento son
constantes y conocidos.
No son posibles los descuentos por cantidad.
Se evitan las roturas de inventario.
No se permite diferir demanda al futuro.
Con estas hipótesis de la utilización del inventario a través del tiempo, el gráfico
tiene forma de dientes de sierra.
CTO=CTM
(D/Q)*Co=(Q/2)*Cm
2(D*Co)=Q(Q*Cm)
2DCo=Q^2 CM
Q^2=2DCMo/cM
Q=√(2DCo/Cm)
60
• El pedido llega en un sólo lote y todo de una vez.
• Los costos por ordenar un pedido, los costos de mantenimiento y los costos de
penalización y fijos son constantes y conocidos.
• No son posibles los descuentos por cantidad.
• Se permite diferir demanda al futuro.
• La reposición del inventario se hace instantáneamente.
Es necesario conocer las siguientes variables a trabajar:
Q = Cantidad óptima a comprar por pedido.
D = Demanda por unidad de tiempo.
Co = Costo por ordenar el pedido.
Cm = Costo de mantener una unidad por año.
CTO = Costo total por ordenar un pedido.
CTM = Costo total de mantenimiento.
Cv = Costo variable por unidad.
Cp = Costo unitario de penalización por unidad de tiempo.
d = Tasa de demanda diaria.
p = Tanda de producción diaria.
Ct = Costo total promedio por unidad de tiempo.
CT = Costo total por unidad de tiempo.
La cantidad óptima a pedir se obtiene de la siguiente formula:
Q = (2DCo Cp + Cm )/(CmCp)
Bibliografía
TELLO, E. A. R. (2012). Conceptos básicos de Ingeniería. Victoria, México.
Pressman, R. S., & Troya, J. M. (1988). Ingeniería del software.
Von Bertalanffy, L. (1968). Teoría general de los sistemas. New York, 3(1), 1.
61
Hernández Gaviño, R. (2010). Introducción a los sistemas: conceptos y
aplicaciones. Pearson Educación.
Hall, A. Ingeniería de Sistemas, 1a. Edición, Cía. Editorial Continental, S. A., México,
1983, 580 págs.
62
Gerez Víctor: El Enfoque de Sistemas, 1a. edición, Editorial Limusa, México, 1976,
580 págs.
Rios Insua, Sixto Programación Lineal y Aplicaciones, Editorial Alfa Omega, México,
1998, 418 págs.
63
programación lineal, si existe una solución que cumple con las restricciones
del modelo, se encontrará en uno de los vértices de la región factible.
64
Ejercicio 2.
𝑥1 + 150𝑥2 ≤ 3500
𝑠𝑖 𝑥1 = 0
150 𝑥2 = 3500
𝑥2 = 23.33
𝑠𝑖 𝑥2 = 0
𝑥1 = 3500
Para (2):
20𝑥2 ≤ 1800 No hay punto o Area Factible:
𝑥2 = 90
𝑥1 = 0
Para (3):
50𝑥1 − 120𝑥2 ≥ −190
𝑠𝑖 𝑥1 = 0
−120𝑥2 = −190
𝑥2 = 1.58
𝑠𝑖 𝑥2 = 0
50𝑥1 = −190
𝑥1 = 3.8
65
Ejercicio 1.
𝑥1 = 75 𝑍 = 300𝑥1 + 150𝑥2
= 300(−112.5)
+ 150(125) = −150000
Para (2):
2𝑥1 + 0.5𝑥2 ≥ −50
𝑠𝑖 𝑥1 = 0
0.5𝑥2 = −50
𝑥2 = −100
𝑠𝑖 𝑥2 = 0
2𝑥1 = −50
𝑥1 = −25
Para (3):
2𝑥2 ≤ 250
𝑥2 = 125
𝑥1 = 0
5
Ejercicio 3.
𝑥1 = 11.67
𝑀𝑎𝑥. 𝑍 = 450𝑥1 − 300𝑥2
S.a. 150𝑥1 − 160𝑥2 ≥ 280 (1) Para (4):
−120𝑥1 = 290 (2)
−25𝑥2 = 180
30𝑥1 + 120𝑥2 ≤ 350 (3)
𝑥2 = 7.2
−25𝑥2 = 180 (4)
𝑥1 , 𝑥2 ≥ 0 𝑥1 = 0
Para (1): Graficando:
𝑠𝑖 𝑥2 = 0
150 𝑥1 = 280
𝑥1 = 1.87
Para (3):
30𝑥1 + 120𝑥2 ≤ 350
𝑠𝑖 𝑥1 = 0
120𝑥2 = 350
𝑥2 = 2.92
𝑠𝑖 𝑥2 = 0
30𝑥1 = 350
6
Ejercicio 4.
𝑥2 = −1.5
𝑀𝑖𝑛. 𝑍 = 30𝑥1 − 25𝑥2 𝑠𝑖 𝑥2 = 0
S.a. 20𝑥1 − 35𝑥2 ≥ 65 (1) 125𝑥1 = −300
−35𝑥1 + 12𝑥2 ≤ 180 (2)
𝑥1 = −2.4
125𝑥1 + 200𝑥2 = −300 (3)
180𝑥2 ≤ 350 (4)
𝑥1 , 𝑥2 ≥ 0 Para (4):
𝑠𝑖 𝑥1 = 0 𝑥1 = 0
−35 𝑥2 = 65 Graficando:
𝑥2 = −1.86
𝑠𝑖 𝑥2 = 0
20 𝑥1 = 65
𝑥1 = 3.25
Para (2):
−35𝑥1 + 12𝑥2 ≤ 180
No hay punto o Area Factible:
𝑠𝑖 𝑥1 = 0
12 𝑥2 = 180
𝑥2 = 15
𝑠𝑖 𝑥2 = 0
−35 𝑥1 = 180
𝑥1 = −5.14
Para (3):
125𝑥1 + 200𝑥2 = −300
𝑠𝑖 𝑥1 = 0
200𝑥2 = −300
7
Ejercicio 5.
Para (1):
−15𝑥1 + 35𝑥2 ≤ 150
𝑠𝑖 𝑥1 = 0
35 𝑥2 = 150
𝑥2 = 4.29
𝑠𝑖 𝑥2 = 0
−15 𝑥1 = 150
𝑥1 = −10
No hay punto o Area Factible:
Para (2):
20𝑥2 ≤ 200
𝑥2 = 10
𝑥1 = 0
Para (3):
2𝑥1 − 3𝑥2 ≥ −180
𝑠𝑖 𝑥1 = 0
−3𝑥2 = −180
𝑥2 = 60
𝑠𝑖 𝑥2 = 0
2𝑥1 = −180
𝑥1 = −90
8
Ejercicio 6.
0.5𝑥2 = 4
𝑀𝑖𝑛. 𝑍 = 3𝑥1 + 2𝑥2 𝑥2 = 8
𝑠𝑖 𝑥2 = 0
−3 𝑥1 = 12
𝑥1 = −4
−4𝑥1 ≥ 10
𝑥2 = 0
𝑥1 = −2.5
Para (3):
3𝑥2 = 8
𝑥2 = 2.67
𝑥1 = 0
Para (4):
𝑥1 + 0.5𝑥2 ≥ 4
𝑠𝑖 𝑥1 = 0
9
Ejercicio 7.
𝑠𝑖 𝑥2 = 0
𝑀𝑎𝑥. 𝑍 = −0.5𝑥1 + 2𝑥2 3𝑥1 = 10
S.a. 4𝑥1 + 𝑥2 ≥ 8 (1) 𝑥1 = 3.33
0.5𝑥1 + 2𝑥2 ≤ 6 (2)
Graficando:
3𝑥1 + 4𝑥2 = 10 (3)
𝑥1 , 𝑥2 ≥ 0
Para (1):
4𝑥1 + 𝑥2 ≥ 8
𝑠𝑖 𝑥1 = 0
𝑥2 = 8
𝑠𝑖 𝑥2 = 0
4 𝑥1 = 8
𝑥1 = 2
Punto factible: (1.69,1.23):
10
Ejercicio 8.
Graficando:
𝑀𝑖𝑛. 𝑍 = 2𝑥1 + 4𝑥2
S.a. 𝑥1 + 2𝑥2 ≤ 8 (1)
3𝑥1 + 𝑥2 ≤ 6 (2)
3𝑥2 ≥ 3 (3)
−𝑥1 ≤ 3 (4)
𝑥1 , 𝑥2 ≥ 0
Para (1):
𝑥1 + 2𝑥2 ≤ 8
𝑠𝑖 𝑥1 = 0
𝑥2 = 4
No hay área Factible:
𝑠𝑖 𝑥2 = 0
𝑥1 = 8
Para (2):
3𝑥1 + 𝑥2 ≤ 6
𝑠𝑖 𝑥1 = 0
𝑥2 = 6
𝑠𝑖 𝑥2 = 0
3𝑥1 = 6
𝑥1 = 2
Para (3):
3𝑥2 ≥ 3
𝑥2 = 1
𝑥1 = 0
11
Ejercicio 9.
𝑥2 = 8
𝑀𝑎𝑥. 𝑍 = −3𝑥1 + 2𝑥2 𝑠𝑖 𝑥2 = 0
S.a. −3𝑥1 + 2𝑥2 ≤ 8 (1) 𝑥1 = 4
−4𝑥1 ≤ 10 (2)
Graficando:
3𝑥2 = 8 (3)
𝑥1 + 0.5𝑥2 ≤ 4 (4)
𝑥1 , 𝑥2 ≥ 0
Para (1):
−3𝑥1 + 2𝑥2 ≤ 8
𝑠𝑖 𝑥1 = 0
𝑥2 = 4
𝑠𝑖 𝑥2 = 0
−3𝑥1 = 8
No hay área Factible:
𝑥1 = −2.67
Para (2):
−4𝑥1 ≤ 10
𝑥2 = 0
𝑥1 = −2.5
Para (3):
3𝑥2 = 8
𝑥2 = 2.67
𝑥1 = 0
Para (4):
𝑥1 + 0.5𝑥2 ≤ 4
𝑠𝑖 𝑥1 = 0
12