Técnicas de optimización

Las técnicas de optimización se refieren a métodos y enfoques utilizados para

encontrar la mejor solución posible a un problema, generalmente en el contexto de
la toma de decisiones o la resolución de problemas en diversas disciplinas, como
matemáticas, ingeniería, economía, informática y más. Estas técnicas se utilizan
para maximizar o minimizar una función objetivo, sujeta a ciertas restricciones.

Métodos directos: sólo utilizan los valores de la función objetivo.

La obtención de un valor de la función objetivo significará en algunos casos
evaluar un modelo matemático, mientras que en otros significará realizar un
experimento. Sea como sea, siempre será conveniente llegar al óptimo realizando
la menor cantidad de evaluaciones. Esa es la misión de los métodos de búsqueda
directa, a partir de los resultados de las evaluaciones realizadas, sugerirán el
siguiente experimento de forma tal de aumentar la velocidad de convergencia

Métodos indirectos: utilizan las condiciones necesarias, las derivadas (analíticas

o numéricas) y la función objetivo.
Los métodos indirectos requieren el cálculo de las derivadas primeras y segundas.
Sin embargo, muchas veces obtener las derivadas es una tarea difícil, y hasta es
posible que ni siquiera se conozca la forma analítica de la función objetivo

Método de optimización de una variable

Las técnicas de búsqueda se basan en el concepto de eliminación de regiones. La
función objetivo se evalúa en varios puntos contenidos en el espacio de búsqueda
y se rechaza la región que contiene los peores valores obtenidos; la región
remanente contiene el mejor punto que se ha detectado hasta ese momento. Este
proceso se repite de tal forma que la región de búsqueda se va aislando hasta que
contenga el punto óptimo dentro de una aproximación deseada.
Ejercicio 1
optimizar la función y = 6 + 2x – x2
Solución:
Hallemos la primera derivada: y’ = 2 – 2x
Igualemos a cero y obtengamos puntos críticos: y’ = 0
2 − 2𝑥 = 0
−2𝑥 = −2
2𝑥 = 2
𝑥=1
Obtengamos la segunda derivada: y’’ = -2
Sustituyamos en la segunda derivada para el punto crítico y veamos si es mayor o
menor que cero:
X=1 y’’ = -2 < 0 (Máximo en x = 1)

Ejercicio 2
Optimizar la función y = x3 – 2x2 – 4x + 3

Solución:
Hallemos la primera derivada: y’ = 3x2 – 4x – 4
Igualemos a cero y obtengamos los puntos críticos: y’ = 0
3𝑥 2 − 4𝑥 − 4 = 0
4 ± √(−4)2 − 4(3)(−4) 4 ± √16 + 48 4 ± √64 4 ± 8
𝑥= = = =
2(3) 6 6 6

Para x1
4+8
𝑥1 = =2
6
Para x2
4−8
𝑥2 = = −0.67
6
Obtengamos la segunda derivada: y’’ = 6x – 4
Sustituyamos en la segunda derivada para cada punto crítico y veamos si es
mayor o menor que cero:
X = -0.67
𝑦 ′′ = 6(−0.67) − 4 = −4 − 4 = −8 < 0 (Máximo en -0.67)
X=2
𝑦 ′′ = 6(2) − 4 = 12 − 4 = 8 > 0 (Mínimo en 2)

Ejercicio 3

Optimizar la función y = x3 – 9x2 – 6x + 3

Solución:
Hallemos la primera derivada: y’’ = 3x2 – 18x – 6
Igualemos a cero y obtengamos los puntos críticos: y’ = 0
3𝑥 2 − 18𝑥 − 6 = 0
𝑥 2 − 6𝑥 − 2 = 0
6 ± √(−6)2 − 4(1)(−2) 6 ± √36 + 8 6 ± √44 6 ± 6.6332
𝑥= = = =
2(1) 2 2 2
Para x1
6 + 6.6332 12.6332
𝑥1 = = = 6.3166
2 2
Para x2
6 − 6.6332 −0.6332
𝑥1 = = = −0.3166
2 2
Obtengamos la segunda derivada: y’’ = 6x – 18
Sustituyamos en la segunda derivada para cada punto critico y veamos si es
mayor o menor que cero:

x = 6.3166
𝑦 ′′ = 6(6.3166) − 18 = 37.8996 − 18 = 19.8996 > 0 (Minimo en x = 6.3166)
x = -0.3166
𝑦 ′′ = 6(−0.3166) − 18 = −1.8996 − 18 = 19.8996 > 0 (Maximo en x = -0.3166)
Ejercicio 4

Optimizar la función y = -3x3 + 9x + 4

Solución:
Hallemos la primera derivada: y’ = -9x2 + 9
Igualemos a cero y obtengamos los puntos críticos: y’ = 0
−9𝑥 2 + 9 = 0
−𝑥 2 + 1 = 0
𝑥2 − 1 = 0
𝑥2 = 1
𝑥 = ±√1 = ±1
x1 = -1
x2 = 1
Obtengamos la segunda derivada: y’’ = -18x
Sustituyamos en la segunda derivada para cada punto critico y veamos si es
mayor o menor que cero:
x=1
𝑦 ′′ = −18(−1) = 18 > 0 (Mínimo en x = -1)

𝑦 ′′ = −18(1) = −18 < 0 (Máximo en x = 1)

Ejercicio 5

Optimizar la función y = x2 + 8x +1

Solución:
Hallemos la primera derivada:
𝑦 ′ = 2𝑥 + 8
Igualemos a cero y obtengamos los puntos críticos: y’ = 0
 2𝑥 + 8 = 0
2𝑥 = −8
−8
𝑥= = −4
2
𝑥 = −4
Obtengamos la segunda derivada: y’’ = 2
Sustituyamos en la segunda derivada para el punto crítico y veamos si es mayor o
menor que cero:
X = -4 y’’ = 2 > 0
mínimo en x = -4

Método de sección dorada

En la sección Aurea se ubican dos puntos interiores de manera tal que el intervalo
eliminado en cada iteración sea de la misma proporción que el intervalo total. Solo
un nuevo punto debe ser calculado en cada iteración.

Ejercicio 1
Determinar el máximo valor de la siguiente función suponiendo ∆= 0.3 en el
intervalo que va de (−1, 0.5): maximizar f(x) = −x 2 − 1
Iteración 1
xl = −1
xr = 0.5
x1 = (0.5) − [(0.618)(0.5 − (−1))] = −0.427
x2 = (−1) + [(0.618)(0.5 − (−1))] = −0.073
f(x1 ) = −(−0.427)2 − 1 = −1.1823
f(x2 ) = −(−0.073)2 − 1 = −1.0053
f(x1 ) < f(x2 ), entonces xl < x < xr se define
xl = x1 e l1 = (−0.427, 0.5)
Iteración 2
xl = −0.427
xr = 0.5
x1 = (0.5) − [(0.618)(0.5 − (−0.427))] = −0.0728
x2 = (−0.427) + [(0.618)(0.5 − (−0.427))] = −0.1458
f(x1 ) = −(−0.0728)2 − 1 = −1.0052
f(x2 ) = −(−0.1458)2 − 1 = −1.0212
f(x1 ) > f(x2 )
Entonces: xr = x2 e l1 = (−0.427, 0.1458)
E = 0.1458 − (−0.427)
E = 0.5 − (−0.427)
0.6179
Iteración 3
𝐴 = −0.427
𝐵 = 0.1458
𝑥1 = (0.1458) − [(0.618)(0.1458 − (−0.427))] = −0.2081
𝑥2 = (−0.427) + [(0.618)(0.1458 − (−0.427))] = −0.0730
𝑓(𝑥1 ) = −(−0.2081)2 − 1 = −1.0433
𝑓(𝑥2 ) = −(−0.0730)2 − 1 = −1.0053
𝑓(𝑥1 ) < 𝑓(𝑥2 ), se define 𝐴 = 𝑥1
Nuevo rango (𝑙1 ) = (−0.2081, 0.1458)
0.1458 − (−0.2081)
𝐸= = 0.2399
0.5 − (−1)
Se cumple que el valor del error es menor, es decir 0.23 < 0.3

Ejercicio 2
Hallar el punto máximo de f(x) = −(−x − 2)2 + 6 entre (0, 3)
𝑥1 = 0; 𝑥4 = 3
𝑎 = 0.618(𝑥4 − 𝑥1 )
𝑎 = 0.618(3 − 0) = 1.854
𝑏 = 0.6182 (3 − 0) = 1.1457
x1 = x2 + a = 0 + 1.054 = 1.854; f(x1 ) = −(1.854 − 2)2 + 6 = 5.9789
x2 = x2 + b = 0 + 1.1457 = 1.1457; f(x2 ) = −(1.1457 − 2)2 + 6 = 5.2702
f(x2 ) < f(x1 ), → Caso 2 [x2 , x4 ]
[x2 , x4 ] = [1.1453, 3]
Paso 2
x2 = 1.1453; x4 = 3
a = 0.618(3 − 1.1457) = 1.1459
b = 0.6182 (3 − 1.1457) = 0.7082
x1 = x2 + a = 1.1457 + 1.1459 = 2.2916; f(x1 ) = 5.9142
x2 = x2 + b = 1.1457 + 0.7082 = 1.8539; f(x2 ) = 5.9786
Paso 3
x1 = 1.1457; x4 = 2916
x1 = 1.8539; f(x1 ) = 5.9789
x2 = 1.5833; f(x2 ) = 5.8264
[x2 − x1 ] = [1.5833 − 1.854] = 0.2706 → error = 0.1

Ejercicio 3
Encuentre el máximo de f(x) = 2x − 1.75x 2 + 1.1x 3 − 0.25x 4 usando
a = −2
b=4
εs = 1%
Iteración 1
a = −2, b = 4
x1 = a + R(b − a) = 1.708, x2 = b + R(b − a) = 0.292
f(x1 ) = 1.664, f(x2 ) = 0.460 f(x1 ) > f(x2 ) continua [x2 , b]
f(x1 ) > f(x2 ) así como xopt = x1 = 1.708
(1 − R) − (b − a)
εa = = 134%
|xopt | − 100
Iteración 2
a = 0.292, b = 4
x1 = a + R(b − a) = 2.584, x2 = b + R(b − a) = 1.708
f(x1 ) = 1.136, f(x2 ) = 1.664 f(x1 ) < f(x2 ) continua [a, x1 ]
f(x1 ) < f(x2 ) así como xopt = x2 = 1.708
(1 − R) ∗ (b/a)
εa = = 83%
|xopt | − 100
Iteración 3
a = 0.292, b = 2.584
x1 = a + R(b − a) = 1.708, x2 = b + R(b − a) = 1.167
f(x1 ) = 1.664, f(x2 ) = 1.235 f(x1 ) > f(x2 ) continua [x2 , b]
f(x1 ) > f(x2 ) así como xopt = x1 = 1.708
(1/R) ∗ (b − a)
εa = = 51%
|xopt | − 100

Ejercicio 4
Maximizar la función 𝑓(𝜃) = 4 𝑠𝑒𝑛 𝜃(1 + cos 𝜃)
Iteración 1
xL = 0
xu = π/2
√5 + 1 √5 − 1
x1 = xL − (xu − xL ) = 0 − (1.5708) = 0.97080 = f(0.97080) = 5.1054
2 2
√5 − 1 √5 − 1
x2 = xu − (xu − xL ) = 1.5708 − (1.5708) = 0.60000 = f(0.60000)
2 2
= 4.1227
xu − xL = 1.5708 − 0.60000
Iteración 2
xL = 0.60000, xu = 1.5708
x1 = 1.200 = f(1.200) = 5.0791
x2 = 0.97080 = f(0.97080) = 5.1654
√5 − 1 √5 − 1
x2 = xu − (xu − xL ) = 1.200 − (1.200 − 0.60000) = 0.82918
2 2
𝑥𝑢 + 𝑥𝐿
= 1.200 + 0.60000 = 0.9000
2
Ejercicio 5
Minimiza f(x) = x 4 − 6x 3 + 12x 2 − 8x + 1 usando 2 iteraciones
Iteración 1
a1 = a = 0
b1 = b = 1
xR = a1 + 0.618(b − a) = 0 + 0.618(1 − 0) = 0.618
xL = b1 = 0.618(b − a) = 1 − 0.618(1 − 0) = 1 − 0.618 = 0.382
Iteración 2
f(xR ) = f(0.618) = (0.618)4 − 6(0.618)3 + 12(0.618)2 − 8(0.618) + 1 = −0.61808
f(xR ) < f(xL )
a2 = xL = 0.382
b1 = b2 = 1
xL 2 = xR , = 0.618

𝑥𝑅 = 𝑎2 + 0.618(𝑏2 − 𝑎2 ) = 0.382 + 0.618(1 − 0.382) = 0.382 + 0.381424

= 0.763924
𝑓(𝑥𝐿 2 ) = 𝑓(0.618) = −0.63122
𝑓(𝑥𝑅 2 ) = 𝑓(0.763924) = −0.44273

Método Fibonacci

Con este método se conoce ya el rango inicial de búsqueda y en cada evaluación

el método tiende a acorralar el punto óptimo. El intervalo inicial de es L0 y se
define ∆1 como el siguiente incremento:
Fn−1
∆1 = L0
Fn
donde n, es el número de iteraciones que se desea realizar (en función a la
tolerancia de error que se desea) y Fn es el número de Fibonacci para n
evaluaciones, y se define así: F0 = F1 = 1, Fn = Fn-1+Fn-2, n=2, 3, la secuencia de
Fibonacci es entonces 1,1,2,3,5,8,13,21,34,55…
Ejercicio 1

Calcular los 15 términos de la sucesión de Fibonacci. Los primeros 6 ya se han

calculado y se muestran a continuación
a0 = 0
a1 = 1
a2 = 1
a3 = 2
a4 = 3
a5 = 5
a6 = 8
Solución:
7. a6 = a4 + a5 = 3 + 5 = 8
8. a7 = a5 + a6 = 5 + 8 = 13
9. a8 = a6 + a7 = 8 + 13 = 21
10. a9 = a7 + a8 = 13 + 21 = 34
11. a10 = a8 + a9 = 21 + 34 = 55
12. a11 = a9 + a10 = 34 + 55 = 89
13. a12 = a10 + a11 = 55 + 89 = 144
14. a13 = a11 + a12 = 89 + 144 = 233
15. a14 = a12 + a13 = 144 + 233 = 377

Ejercicio 2

Encuentra el número de Fibonacci cuando n=5 usando la relación recursiva

Solución:
fn = fn − 1 + fn − 2
f0 = 0 y f1 = 1
f2 = f1 + f0 = 1 + 0 = 1
f3 = f2 + f1 = 1 + 1 = 2
f4 = f3 + f2 = 2 + 1 = 3
f5 = f4 + f3 = 3 + 2 = 5

Ejercicio 3

Comprobar la última propiedad dada para las siguientes posiciones:

n = 3 ,m = 6
n = 3 ,m = 9
n = 5 , m = 10
n = 6 , m = 12

Solución:
n = 3 ,m = 6
a3 = 2
a0 = 8
Máximo común divisor es k = 2
El máximo común divisor de n = 3 y m = 6 es 3
a3 = 2
k=2
n = 3 ,m = 9
𝑎3 = 2
𝑎9 = 39
Máximo común divisor es k = 2
Máximo común divisor n = 3 y m = 6 es 3
a3 = 2
k=2

n = 5 , m = 10
a5 = 5
a10 = 55
Máximo común divisor es k = 5
Máximo común divisor n = 5 y m = 10 es 5
 a5 = 5
k=5
n = 6 , m = 12
a6 = 8
a12 = 144
Máximo común divisor es k = 8
Máximo común divisor 𝑛 = 6 𝑦 𝑚 = 12 es 6

a6 = 8
k=8
Ejercicio 4

Calcula los primeros 3 términos de Fibonacci utilizando la fórmula de Binet

1. (n = 0)
2. (n = 1)
3. (n = 2)
Solución:
1. (n = 0)
0 0
(1 + √5) − (1 − √5) 1−1
a0 = = =0
20 ∙ √5 √5
2. (n = 1)

1 1
(1 + √5) − (1 − √5) 2√5
a1 = = =1
21 ∙ √5 2√5
3. (n = 2)
2 2
(1 + √5) − (1 − √5) 1 + 5 + 2√5 − (1 + 5 − 2√5) 4√5)
a2 = = = =1
22 ∙ √5 4√5 4√5

Ejercicio 5

Completar la tabla con los cocientes de la sucesión de Fibonacci

 𝑛 𝑎𝑛 𝑎𝑛 + 1 𝑎𝑛 + 1/𝑎𝑛
1 1 1 1
2 1 2 2
3 2 3 1.5
4 3 5 1.66666
5 5 8 1.6
6 8 13 1.625
7 13 21 1.61538
8 21 34 1.61904
9 34 55 1.61764
10 55 89 1.61818
11 89 144 1.61797
12 144 233 1.61805
13 233 377 1.61802

El límite de an + 1/an es el numero aureo Q = 1.68033

Programación dinámica
La programación dinámica se basa en el principio de optimalidad de Bellman, y se
aplica a sistemas que no presentan reciclos en su flujo de información, es decir, a
sistemas cuyos cálculos fluyen directamente de la primera a la última variable sin
necesidad de reciclos en su proceso de solución. De esta manera, los cambios en
alguna variable de diseño de alguna unidad solo afectan a las unidades
subsecuentes.

Ejercicio 1

Se extiende ahora el diseño a un sistema de extracción en tres etapas, como se

muestra en la figura 6.5. Para la concentración inicial del soluto de xf = 0.20 libras
de soluto por libra de solvente, y el flujo de alimentacion es Q = 1000 libras de
solvente por hora, optimizar el proceso de extracción de tres etapas usando
programación dinámica. La función objetivo en este caso puede escribirse como:

Donde Q(xF – x1) representa la cantidad de soluto separado y  es el costo unitario

de solvente de lavado dividido por el valor unitario de soluto extraído. Considérese
de nuevo que  = 0.05

Solución
Establecer primero las relaciones de diseño para cada etapa.
Balance de materia:
Total:
𝑄𝑒𝑛𝑡 = 𝑄𝑠𝑎𝑙 = 𝑄
𝑊𝑒𝑛𝑡 = 𝑊𝑠𝑎𝑙 = 𝑊
Soluto:
𝑄𝑥𝑖+1 = 𝑄𝑥𝑖 + 𝑊𝑦𝑖

Relación de equilibrio
Esta dada por la figura 5.5

Para cada extractor se tienen por lo tanto dos ecuaciones independientes y cinco
variables (Q, W, xi+1, xi, yi). De ellas, Q = 1000 lb/hr, quedando por lo tanto dos
grados de libertad para este sistema de ecuaciones. Sin embargo, xi+1 es una
variable de estado que esta especificada por la etapa anterior, con lo que se
obtiene que, para cada etapa, se debe optimizar el sistema con una variable de
diseño.
Etapa 1
Aplicar el principio de optimalidad a esta etapa:

Donde

x2 = valor especificado durante el proceso de búsqueda de programación

dinámica, ya que proviene de la etapa anterior.
Para obtener los valores óptimos locales de esta etapa, conviene hacer la
búsqueda sobre x1 en vez de w1, ya que el optimo se puede acotar más
fácilmente, y se facilita además la secuencia de cálculo.
El intervalo de búsqueda para x1 esta entre 0 y x2 lo cual esta restringido por la
concentración de la alimentacion de 0.20. Esto representa el espectro de todos los
posibles valores que la alimentacion a esta etapa x2 puede tomar (aplicación del
principio de optimalidad). La tabla 6.1 muestra la optimización del sistema para
uno de los posibles valores que x2 puede tomar, en particular x2 = 0.10.
El óptimo que se obtiene después de aplicar un método de búsqueda para ese
valor de x2 es de 30. De manera similar, se suponen otros valores para x2 y los
puntos óptimos obtenidos se resumen en la tabla 6.2.
Etapas 1 y 2
Considerar ahora los dos últimos componentes del sistema de extractores. La
función objetivo es

A este nivel ya se ha analizado todo lo referente a la etapa 1 (la última del

diagrama); por lo tanto, el problema se descompone en

Con
Para esta etapa, se asignan los posibles valores que x3 puede tomar. Conviene de
nuevo hacer la búsqueda de optimización sobre x2 en vez de w2 para cada valor
supuesto de x3. La tabla 6.3 muestra el proceso de optimización para el caso en
que x3 = 0.20; el optimo que se obtiene es de 120. En la tabla 6.4 se resumen los
resultados de la optimización de las dos etapas consideradas.
Ejercicio 2

Solución
Determinaremos las variables según el teorema establecido en la siguiente tabla

(n/k)=(n-1/k-1)+(n-1/k) si 0<k<n
(n/0)=(n/n)=1
Iterando la matriz con respecto a la razón de k una vez alcanzada la estructura
razonamos
un camino dado la función
Fib(n)= 0,1, fib(n-1) +fib(n-2)
Si n=0
n=1
n>1
suponiendo que tomamos 2 caminos fib(n)
k10, k20
suponemos temperaturas dependiendo la ecuación de diseño en este caso nos da
CAO-CA+RA(T)=T*DCA/DT por reactor
Suponiendo temp. De 60 y 70 respectivamente
Nos da como resultado k20 en un rango de 90 de pureza este sería el más
rentable

Ejercicio 3

Se desea evaluar la siguiente operación industrial:

Unidad 1 -----> Unidad 2 -----> Unidad 3
Para la unidad 1 se consideran dos tipos de unidades, A y B, que cuestan
$100,000 y $200,000 respectivamente. Los costos de operación de estas unidades
dependen de la eficiencia a la que operan y son los siguientes:

La operación de la Unidad 2 esta relacionada con la eficiencia de la Unidad 1. Se

esta considerando un tipo de unidad que puede operar a tres temperaturas
diferentes, 370 °C, 400 °C o 430 °C, de acuerdo a los siguientes datos:

La unidad 3 está relacionada con la temperatura de la unidad 2, y las ventas

anuales que se obtienen reflejan la mayor calidad de producto que se obtiene a
mayor temperatura de operación de la unidad 2:
Determine la secuencia de operaciones optima usando programación dinámica.
Suponga para los costos fijos una depreciación lineal a 5 años.

Solución:
Tomemos como base un año de operación y encontremos la secuencia de
decisiones que maximiza la utilidad bruta del sistema global. De acuerdo al
principio de optimalidad de Bellman, el análisis debe comenzar por la ultima etapa
del diagrama de flujo, en este caso la unidad 3. La ultima tabla del enunciado
proporciona directamente el efecto de considerar todos los posibles valores de la
variable de entrada a esa unidad, en este caso de la temperatura a la que opera la
unidad 2.
Unidades 2 + 3
Enseguida se considera la penúltima unidad del diagrama para lo cual se toman
en cuenta los resultados de los óptimos locales obtenidos en la etapa anterior de
solución. Debemos considerar todas las posibles entradas al sistema combinado
que se analiza, en este caso todas las posibles eficiencias de la etapa anterior. La
etapa 1 puede operar a eficiencias de 70, 80 o 90%. Por ejemplo, la utilidad anual
que se espera al considerar una eficiencia de la unidad 1 de 70% a una
temperatura de operación de 350 °C es

150 $
500 − 5 ∗ 12 − = 410
5 𝑎ñ𝑜

La siguiente tabla resume los cálculos pertinentes.

Unidades 1 + 2 + 3
Consideremos por último la combinación de las tres unidades, para cada eficiencia
de la unidad 1 debe incorporarse el correspondiente valor del optimo local que se
determinó para la agrupación de las unidades 2 y 3. Por ejemplo, para una
eficiencia de 70% y una unidad tipo A, la utilidad esperada es

100 $
410 − 7 ∗ 12 − = 306
5 𝑎ñ𝑜

donde el valor de 410 es el optimo local de las utilidades que se había obtenido
para el valor de eficiencia de 70%. Los cálculos para la combinación de las tres
unidades dan lugar a la siguiente tabla.

De esta tabla se determina que las utilidades optimas son de 310 $/año,
correspondientes a una secuencia de decisiones que implica que la unidad 1 es
del tipo B y debe operar al 70 % de eficiencia y que la unidad 2 debe operar a 350
°C.
Ejercicio 4
Solución:
Determinaremos las variables según el teorema establecido en la siguiente tabla:

(n/k) =(n-1/k-1) +(n-1/k) si 0<k<n

(n/0) =(n/n) =1
Iterando la matriz con respecto a la razón de k una vez alcanzada la estructura
razonamos
un camino dada la función
Fib(n)= 0,1, fib(n-1) +fib(n-2)
Si n=0
n=1
n>1
suponiendo que tomamos 2 caminos fib(n)
k10, k20
suponemos temperaturas dependiendo la ecuación de diseño en este caso nos da
CAO-CA+RA(T)=T*DCA/DT
Suponiendo temp. De 60 y 80 respectivamente
Nos da como resultado k20 en un rango de 90 de pureza este sería el más
rentable

Ejercicio 5
Solución
Determinaremos las variables según el teorema establecido en la siguiente tabla

(n/k) =(n-1/k-1) +(n-1/k) si 0<k<n

(n/0) =(n/n) =1
Iterando la matriz con respecto a la razón de k una vez alcanzada la estructura
razonamos
un camino dada la función
Fib(n)= 0,1, fib(n-1) +fib(n-2)
Si n=0
n=1
n>1
suponiendo que tomamos 4 caminos fib(n)
30,40,50,60
Nos da como resultado 3 en un rango de 97, 98 de pureza este sería el más
rentable

Ejercicio 6

Un caza fortunas de Missouri decide irse al oeste a unirse a la fiebre del oro en
California. Tiene que hacer el viaje en diligencia a través de territorios sin ley
donde existían serios peligros de ser atacados por merodeadores. Aun cuando su
punto de partida y destino eran fijos, tenía muchas opciones en cuanto a que
estados debía elegir como puntos intermedios. Se desea estimar la ruta más
segura, como el costo de la póliza para cualquier jornada de la diligencia está
basada en una evaluación de seguridad del recorrido, la ruta más segura debe ser
aquella que tenga el costo total más barato. ¿Cuál es la ruta que minimiza el costo
total de la póliza?

Solución:
Para este caso se empleará el desarrollo del problema con un recorrido hacia
atrás. Cuando el cazafortunas tiene una sola etapa por recorrer (n=4), su ruta de
ahí en adelante esta perfectamente determinada por su estado actual (ya sea H o
I) y su destino final, x4 = J , de manera que la ruta para esta última jornada en
diligencias es s J La solución al problema es:

f * 4 (H) = 3

f * 4 (I) = 4

Ejercicio 7

Suponga que se desea seleccionar la ruta por carretera más corta entre dos
ciudades. La red que se muestra en la figura proporciona las posibles rutas entre
la ciudad de inicio en el nodo 1 y la ciudad de destino en el nodo 7.

Solución
Ejercicio 8

Un barco de 4 toneladas puede cargarse con uno o más de tres artículos. La

siguiente tabla da el peso unitario en toneladas y el ingreso unitario en miles de
dólares, para el artículo i. El objetivo es determinar la cantidad de unidades de
cada artículo que maximizará el rendimiento total.

Solución:
Ejercicio 9

Un contratista estima que el tamaño de la fuerza de trabajo necesaria durante las

siguientes 5 semanas es de 5, 7, 8, 4 y 6 trabajadores, respectivamente. La mano
de obra excedente conservada en la fuerza de trabajo costará $300 por trabajador
por semana, y una nueva contratación en cualquier semana incurrirá en un costo
fijo de $400 más $200 por trabajador por semana.
Ejercicio 10

Una compañía necesita determinar la política de reemplazo para una máquina que
a la fecha tiene tres años de edad, durante los siguientes 4 años (n=4). Cuando
una máquina tiene 6 años de edad debe ser reemplazada. El costo de una
máquina nueva es de $100,000. La siguiente tabla da los datos del problema.