Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera"

Transcripción

1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 11 de septiembre de Introducción Un LP donde se requiere que todas las variables sean enteras se denomina un problema de programación lineal entera pura. Por ejemplo: máx z = 3x 1 + 2x 2 s.t. x 1 + x 2 6 x 1, x 2 Z + (1.1) Un LP donde sólo algunas variables deben ser enteras se denomina problema de programación lineal entera mixta. Por ejemplo: máx z = 3x 1 + 2x 2 s.t. x 1 + x 2 6 x 2 0 x 1 Z + (1.2) Un LP donde todas la variables deben ser igual a 1 ó 0 se denomina problema de programación lineal binaria. Por ejemplo: máx z = x 1 x 2 s.t. x 1 + 2x 2 2 2x 1 x 2 1 x 1, x 2 = {0, 1} El concepto de relajación de un problema de programación lineal entera (IP) juega un rol fundamental en la resolución de este tipo de problemas. Definición 1 El LP obtenido eliminando todas las condiciones de valores enteros o binarios para las variables se denomina Relajación del LP. Por ejemplo, la relajación de (1.1) quedaría: (1.3) máx z = 3x 1 + 2x 2 s.t. x 1 + x 2 6 x 1, x 2 0 De la misma forma, la relajación de (1.3) queda: (1.) 1

2 máx z = x 1 x 2 s.t. x 1 + 2x 2 2 2x 1 x 2 1 x 1, x 2 0 Cualquier IP puede ser visto como el LP relajado más algunas restricciones adicionales. Por lo tanto, el LP relajado es un problema menos restringido, o más relajado, que el IP. En consecuencia la región factible para cualquier IP debe estar contenida en la región factible del correspondiente LP relajado. Luego, si el problema es de maximización: El valor óptimo de z del LP relajado El valor óptimo de z del IP Consideremos el siguiente ejemplo: (1.5) máx z = 21x x 2 s.t. 7x 1 + x 2 13 x 1, x 2 Z + (1.6) La región factible del problema relajado se presenta en la figura 1.1. En este caso, la región factible del IP lo conforma el siguiente conjunto de puntos: S = {(0, 0), (0, 1), (0, 2), (0, 3), (1, 0), (1, 1)}. En este caso, mediante la evaluación y comparación de los valores de z en los seis puntos factibles es posible determinar el óptimo. Luego, la solución óptima de (1.6) es z = 33, x 1 = 0, x 2 = 3. x 2 3,0 = punto en la región factible 2,5 7x 1 + x 2 = 13 2,0 1,5 1,0 0, ,5 1,0 1,5 2,0 2,5 3,0 x 1 Figura 1.1: Región Factible del ejemplo 1.6 Si la región factible de la relajación de un IP puro está acotada, la región factible del IP consistirá en un número finito de puntos. En teoría, mediante la enumeración y la evaluación de z en cada uno de los puntos es posible encontrar el mejor valor de z. El problema es que si la región factible contiene miles de puntos factibles, la enumeración completa no es viable desde un punto de vista computacional. Una segunda opción para resolver el IP sería mediante la aproximación de la solución obtenida de la relajación. Por ejemplo si se resolviera la relajación de (1.6) se obtendría: x 1 = 13 7, x 2 = 0. Redondeando esta solución se obtendría: x 1 = 2, x 2 = 0 como posible solución óptima. Sin embargo este punto está fuera de la región factible por lo que no puede ser óptimo. Otro candidato a óptimo se 2

3 puede obtener redondeando el valor obtenido de la relajación hacia abajo: x 1 = 1, x 2 = 0, valor que tampoco corresponde al óptimo real del problema. Como se ve en este ejemplo, no existen garantías de que la aproximación de soluciones del problema relajado corresponda a la solución óptima real del IP. Por lo tanto, no es un enfoque válido para resolver el problema. Como se estudió previamente, el algoritmo Simplex resuelve un LP a partir de una solución básica factible mejorándola iteración a iteración. Luego, en la mayoría de los casos, Simplex examina sólo una porción de todas las soluciones basales factibles antes de llegar al óptimo. En forma análoga, se podría esperar que existan algoritmos capaces de resolver un IP iterando de una solución factible entera a otra. Lamentablemente, no existen o no son conocidos tales algoritmos. Por lo tanto, como se verá en detalle más adelante, la resolución de un IP es mucho más compleja que la resolución de su relajación. 2. Formulación de IP Los problema de programación lineal entera permiten ampliar el espectro de problemas factibles de plantear como modelos de programación lineal. A continuación se verán algunos ejemplos Problema de Asignación de Capital Ejemplo 1 Una empresa está considerando cuatro posibles inversiones. La opción 1 tiene asociado un valor actualizado neto (VAN) de US$16000, la opción 2 tiene un VAN de US$22000, la inversión 3 representa un VAN de US$12000 y la inversión posee un VAN de US$8000. Cada inversión requiere un cierto capital inicial: US$5000, US$7000, US$000 y US$3000, para las inversiones 1, 2, 3 y respectivamente. Actualmente la empresa dispone $1000 para invertir. Formule un IP que permita determinar la forma de invertir el dinero de forma de maximizar las utilidades. Las opciones son invertir o no en cada una de las posibilidades. Por lo tanto, conviene emplear variables de tipo binaria para indicar si se escoge cada opción: x j = { 1 se invierte en la opción j 0 en caso contrario j = 1... (2.1) La función objetivo para el problema queda (en miles): máx z = 16x x x 3 + 8x (2.2) En la expresión (2.2) se verifica que si la opción j se realiza, entonces x j = 1 y se suma el VAN respectivo al valor de la función objetivo. En caso contrario, la variable x j = 0 y no se contabiliza ese aporte. Se sigue la misma lógica para construir las restricciones. Como existe un capital limitado de U S$1000 para invertir, se debe satisfacer (en miles): 5x 1 + 7x 2 + x 3 + 3x 1 (2.3) Como no existen otras restricciones, el modelo completo para el problema queda: máx z = 16x x x 3 + 8x s.t. 5x 1 + 7x 2 + x 3 + 3x 1 x j = {0, 1} j (2.) Supongamos ahora que se agregan las siguientes restricciones al problema original: 3

4 1. La empresa puede invertir en a lo más dos opciones. 2. Si la empresa invierte en la opción 2, también debe invertir en Si la empresa invierte en 1, no puede tomar la opción.. Sólo se puede invertir en 3 si se escoge 1 ó 2. El planteo original del problema (2.) se ve modificado de la siguiente forma: 1. En este caso basta con agregar la restricción: x 1 + x 2 + x 3 + x 2 2. Para incorporar esta restricción, se debe imponer que si x 2 = 1 necesariamente x 1 = 1. Luego, se podría emplear: x 2 x 1 ó x 2 x 1 0 Si x 2 = 1 necesariamente se tendrá x 1 = 1. Si x 2 = 0, x 1 podría ser 0 ó 1. Como no existen indicaciones en ese caso, se satisface el requerimiento de la nueva restricción. 3. Esta restricción impone la condición de que las alternativas 1 y sean excluyentes, en otras palabras: x 1 + x 1 Como las variables son binarias, no se permite que ambas puedan ser igual a 1.. Aquí, la variable x 3 puede valer 1 sólo si x 1 o x 2 es igual a 1. No existen restricciones que digan que x 1 y x 2 sean excluyentes, por lo tanto eventualmente se podría escoger ambas. En este caso se puede agregar: x 3 x 1 + x 2 Luego, basta con tener un 1 a la derecha de la desigualdad para que x 3 pueda tomar valor igual a 1. Si se exigiera que deben escogerse 1 y 2 para poder seleccionar 3, la restricción quedaría: 2 x 3 x 1 + x 2 En este caso se requiere tener un 2 a la derecha de la desigualdad para que x 3 pueda ser igual a uno Problemas de Costo Fijo Ejemplo 2 Una compañía es capaz de producir tres tipos de prendas: poleras, shorts y pantalones. La fabricación de cada tipo de prenda requiere de maquinaria especializada. La maquinaria puede ser arrendada a los siguientes costos: US$200, US$150 y US$100 al mes en el caso de las poleras, shorts y pantalones respectivamente. La fabricación de cada prenda requiere las cantidades de tela y mano de obra indicadas en la Cuadro 2.1. Cada mes se dispone de 150 horas de mano de obra y 160 yd 2 de tela. El costo unitario de producción y el precio de venta de cada artículo se muestra en el Cuadro 2.2. Formule un IP que permita maximizar el beneficio de la fábrica. Para plantear el modelo se pueden definir las siguientes variables: x 1 = número de poleras producidas mensualmente x 2 = número de shorts producidos mensualmente x 3 = número de pantalones producidos mensualmente (2.5)

5 Mano de Obra [hrs] Tela [yd 2 ] Poleras 3 Shorts 2 3 Pantalones 6 Cuadro 2.1: Requerimientos de Fabricación Precio de Venta US$ Costo Variable US$ Poleras 12 6 Shorts 8 Pantalones 15 8 Cuadro 2.2: Requerimientos de Fabricación Como el costo de arriendo de la maquinaria sólo depende de la prenda producida, será necesario emplear variables binarias para cuantificar el hecho de arrendar o no cada máquina: { 1 se arrienda maquinaria para fabricar prendas tipo i y i = 0 en caso contrario Para que el modelo funcione, se debe garantizar que: j = (2.6) Si x i > 0 y i = 1 Si x i = 0 y i = 0 Para ello, se debe incorporar las restricciones de activación de las variables binarias: (2.7) x 1 M 1 y 1 x 2 M 2 y 2 (2.8) x 3 M 3 y 3 Los valores M i son valores escalares lo suficientemente grandes de forma que sean una cota superior para el valor de x i en el contexto del problema. La restricción (2.8) activa la variable binaria ya que si x i > 0, para que la restricción se pueda satisfacer la variable binaria y i debe ser exactamente igual a 1. En el caso que x i = 0, la variable binaria y i puede o no valer 1 sin afectar la satisfacción de la restricción, sin embargo, si la variable binaria valiera 1 se estaría considerando el costo de arriendo de una maquinaria que no se está empleando. Evidentemente, como el problema es de maximización de ganancias, si no es estrictamente necesario cuantificar un costo, el algoritmo de resolución se encargará de hacer que la variable y i = 0 en el óptimo. En otras palabras, si el problema no obliga a considerar un costo, el algoritmo de resolución se encargará de no contabilizarlo. La función objetivo corresponderá a la diferencia entre los ingresos por venta, menos los costos de producción fijos y variables: z = (12x 1 + 8x x 3 ) (6x } {{ } 1 + x 2 + 8x 3 ) (200y } {{ } y y 3 ) } {{ } Ingresos por venta Costos variables Costos fijos Por lo tanto, la función objetivo a maximizar queda: (2.) z = 6x 1 + x 2 + 7x 3 200y 1 150y 2 100y 3 (2.10) 5

6 A continuación es preciso construir las restricciones del problema. En este caso existe un disponibilidad máxima de mano de obra y de tela. La restricción de mano de obra queda: y la de tela sería: 3x 1 + 2x 2 + 6x (2.11) x 1 + 3x 2 + x (2.12) Las restricciones (2.11) y (2.12) nos permiten estimar el valor de M i. Por ejemplo si sólo se produjeran artículos de tipo 1, el valor máximo a producir quedaría controlado por: mín{ 150 3, 160 }, es decir, 0. Luego, basta con escoger M 1 = 0, pero en general podría ser cualquier valor mayor. En el caso de x 2 controla y para x 3 basta con M 3 = 25. En términos generales los valores de M i sólo deben ser lo suficientemente grandes para no restringir los valores de x i por lo que se escogerá arbitrariamente M 1 = M 2 = M 3 = 100. De acuerdo a la selección anterior, el modelo final para el problema queda: máx z = 6x 1 + x 2 + 7x 3 200y 1 150y 2 100y 3 s.t. 3x 1 + 2x 2 + 6x x 1 + 3x 2 + x x 1 M 1 y 1 x 2 M 2 y 2 x 3 M 3 y 3 x i Z + i = y i = {0, 1} i = (2.13) 2.3. Problemas de Cubrir Conjuntos Ejemplo 3 Existen 6 barrios en una ciudad. La Alcaldía debe determinar cómo construir estaciones de bomberos. La Alcaldía desea construir el número mínimo de estaciones de bomberos de forma de asegurar que al menos una estación esté a menos de 15 minutos de cada barrio. Los tiempos de viaje entre cada barrio de la ciudad se muestra en el Cuadro 2.3. Formule el IP que permita determinar cuantas estaciones deben ser construidas y donde deben estar ubicadas. Hasta Desde Barrio 1 Barrio 2 Barrio 3 Barrio Barrio 5 Barrio 6 Barrio Barrio Barrio Barrio Barrio Barrio Cuadro 2.3: Tiempo de viaje entre barrios Para resolver el problema se debe buscar la asignación del menor número de estaciones de bomberos de forma de cubrir un conjunto de Barrios. Para construir el IP, conviene definir las siguientes variables: 6

7 { 1 se construye una estación de bomberos en el barrio i x i = 0 en caso contrario i = (2.1) De acuerdo a las variables definidas, el total de estaciones a construir queda definido por: z = 6 x i (2.15) i=1 Para construir las restricciones, es preciso obtener del Cuadro 2.3 en que lugares es factible construir la estaciones de bomberos para asegurar que cada barrio quede a menos de 15 minutos de al menos una de ellas. Por ejemplo, para asegurar que al menos una estación quede a menos de 15 minutos del Barrio 1 se debe construir en el propio Barrio 1 o bien en el Barrio 2. Siguiendo la misma lógica se construye el Cuadro 2.. Barrio Barrios factibles de construcción 1 1, 2 2 1, 2, 6 3 3, 3,, 5 5, 5, 6 6 2, 5, 6 Cuadro 2.: Lugares factibles de construcción de estaciones de bomberos Luego, para asegurar la condición solicitada para el Barrio 1 se puede agregar: x 1 + x 2 1 (2.16) Incorporando las restricciones para los otros barrios se completa el IP: máx z = x 1 + x 2 + x 3 + x + x 5 + x 6 s.t. x 1 + x 2 1 (Barrio 1) x 1 + x 2 + x 6 1 (Barrio 2) x 3 + x 1 (Barrio 3) x 3 + x + x 5 1 (Barrio ) x + x 5 + x 6 1 (Barrio 5) x 2 + x 5 + x 6 1 (Barrio 6) x i = {0, 1} i = (2.17) 2.. Problemas con restricciones excluyentes o no excluyentes En un modelo matemático puede ocurrir frecuentemente que existan dos o más restricciones que sean mutuamente excluyentes, por ejemplo sean las restricciones: f(x 1, x 2,... x n ) 0 (2.18) g(x 1, x 2,... x n ) 0 (2.1) 7

8 Si se desea que sólo sea satisfecha una de las restricciones, se puede modificar el planteo de las restricciones de la siguiente forma: f(x 1, x 2,... x n ) My (2.20) g(x 1, x 2,... x n ) M(1 y) (2.21) donde y es una variable binaria y M es una constante lo suficientemente grande para asegurar que las restricciones: f(x 1, x 2,... x n ) M g(x 1, x 2,... x n ) M se satisfacen para toda combinación de valores de x 1, x 2,... x n. Por lo tanto, si y = 1 se tiene que f M y g 0, es decir, sólo existe para efectos prácticos las restricción asociada a g. En caso contrario, si y = 0 se tiene que f 0 y g M, por lo tanto sólo existe la restricción f en términos prácticos. Si se deseara que al menos una de las restricciones fuera satisfecha, el planteo quedaría: f(x 1, x 2,... x n ) My 1 g(x 1, x 2,... x n ) My 2 y 1 + y 2 1 donde y 1 e y 2 son variables binarias independientes. La idea anterior se puede extender a cualquier número de restricciones. Ejemplo Una fábrica de automóviles construye tres tipos de autos: compactos, medianos y grandes. Los requerimientos de materiales, mano de obra y el beneficio obtenido por cada tipo de auto fabricado se muestra en el Cuadro 2.5. Actualmente, la fábrica dispone 6000 toneladas de materiales y horas de mano de obra. Para que la producción de un tipo de vehículo sea económicamente factible, se deben producir al menos 1000 unidades de cada tipo que se fabrique. Formule un IP que permita maximizar el beneficio de la fábrica. Compacto Mediando Grande Materiales [T] 1,5 3 5 Mano de obra [hr] Beneficio [U S$] Cuadro 2.5: Requerimientos y beneficios por tipo de vehículo. Como variables de decisión conviene emplear: x i = número de automóviles de tipo i fabricados (2.22) La función objetivo queda definida por la combinación lineal de las variables por sus respectivos beneficios unitarios (en miles): máx z = 2x 1 + 3x 2 + x 3 (2.23) 8

9 A continuación se debe agregar la restricción que obligue a que si se produce un determinado tipo de vehículo, se produzcan como mínimo 1000 unidades, es decir: O bien: x i 0 ó x i 1000 i = (2.2) x i 0 ó 1000 x i 0 i = (2.25) Introduciendo la variable binaria y i, las restricciones quedan: x i M i y i (2.26) 1000 x i M i (1 y i ) (2.27) y i = {0, 1} (2.28) Un valor posible para M i se puede obtener a partir de la disponibilidad de materiales y de mano de obra, por ejemplo para los vehículos compactos sería: M 1 = mín{ ,5, } = Siguiendo la misma lógica se puede obtener: M 2 = 2000 y M 3 = Por otro lado, se deben incorporar las restricciones relativas a la disponibilidad de materiales y mano de obra: Finalmente, el IP queda: 1,5x 1 + 3x 2 + 5x (Materiales) 30x x 2 + 0x (Mano de Obra) máx z = 2x 1 + 3x 2 + x 3 s.t. x y x (1 y 1 ) x y x (1 y 2 ) x y x (1 y 3 ) 1,5x 1 + 3x 2 + 5x x x 2 + 0x x i Z + i = y i = {0, 1} i = (2.2) (2.30) 2.5. Problemas con restricciones de tipo si... entonces En un modelo matemático puede ocurrir que si la restricción: se satisface, entonces la restricción: f(x 1, x 2,... x n ) > 0 (2.31) g(x 1, x 2,... x n ) 0 (2.32)

10 tenga también que satisfacerse, mientras que si f 0 la restricción g 0 pueda o no satisfacerse. Para garantizar esta condición se pueden incorporar las siguientes restricciones: g(x 1, x 2,... x n ) My (2.33) f(x 1, x 2,... x n ) M(1 y) (2.3) y = {0, 1} (2.35) El valor de M debe ser escogido de tal forma que si f M y g M se asegure que todos los valores de x 1, x 2,... x n satisfagan las restricciones. Si la variable binaria vale cero, se tiene f M, en particular f > 0. Por otro lado, si y = 0 se tiene g 0 o bien g 0. En caso contrario, cuando y = 1 se tiene f 0, es decir, no se puede cumplir que f > 0. Si y = 1 se tiene g M, es decir, se cumple si g 0 o si g < 0. En suma, si se satisface f > 0, la variable binaria debe valer 1 lo que obliga a satisfacer g 0. A modo de ejemplo, supongamos que en el problema de la fábrica de automóviles si se fabrican autos compactos no se pueden fabricar vehículos de otro tipo. En otras palabras se tiene: En forma equivalente se tiene: Por lo tanto, basta incorporar: Si x 1 > 0 x 2 = x 3 = 0 (2.36) Si x 1 > 0 x 2 + x 3 0 ó x 2 x 3 0 (2.37) x 2 + x 3 My (2.38) x 1 M(1 y) (2.3) y = {0, 1} (2.0) El valor de M no tiene porqué ser único. En este caso, podemos emplear los valores de M i calculados previamente: x 2 + x 3 (M 2 + M 3 )y = 3200y (2.1) x 1 M 1 (1 y) = 2000(1 y) (2.2) y = {0, 1} (2.3) 2.6. Problemas con funciones lineales definidas por tramos Una función lineal definida por tramos corresponde a un conjunto de segmentos rectos. Los puntos donde se producen cambios de pendiente se denominan puntos de quiebre. Sea f(x) una función lineal por tramos con puntos de quiebre b 1, b 2,... b n, para cualquier k = 1, 2,... n, b k x b k+1. Entonces, para algún número z k (0 z k 1), x puede ser escrito como: Como f(x) es lineal para b k x b k+1, se puede escribir: x = z k b k + (1 z k )b k+1 (2.) 10

11 f(x) = z k f(b k ) + (1 z k )f(b k+1 ) (2.5) La expresión anterior representa una parametrización entre los valores extremos de la función en ese intervalo, en términos del parámetro z k 1. La idea geométrica se ilustra en la Figura 2.1. f(x) f(b 3 ) f(b 2 ) b 1 b 2 b 3 x La función objetivo puede ser escrita como: Figura 2.1: Función lineal por tramos f(x) = z 1 f(b 1 ) + z 2 f(b 2 ) z n f(b n ) (2.6) Evidentemente, se debe cumplir que z k+1 + z k = 1 para algún k. Sea y k una variable binaria auxiliar que indica la presencia de la variable x dentro del intervalo k (k = 1... n 1). Entonces se puede escribir las siguientes restricciones: z 1 y 1 z 2 y 1 + y 2 z 3 y 2 + y 3. z n 1 y n 2 + y n 1 z n y n 1 (2.7) Por lo tanto, si la variable x está en el intervalo k, se tiene y k = 1 y sólo z k y z k+1 pueden ser distintas de cero. Evidentemente, la variable x sólo puede pertenecer a un intervalo: Cómo z k+1 = 1 z k, se debe agregar la restricción: De acuerdo a la ecuación (2.) se tiene: y 1 + y y n 1 = 1 (2.8) z 1 + z z n = 1 (2.) x = z 1 b 1 + z 2 b z n b n (2.50) Para ilustrar la incorporación de funciones lineales definidas por tramos consideremos el siguiente ejemplo: 11

12 Ejemplo 5 Una refinería produce dos tipos de gasolina a partir de dos tipos de petróleos. Cada galón de gasolina tipo 1 debe contener a lo menos 50 % de petróleo 1 y cada galón de gasolina tipo 2 debe contener al menos 60 % de petróleo tipo 1. Cada galón de gasolina tipo 1 puede ser vendido a $12 y cada galón de tipo 2 puede ser vendido a $1. Actualmente se dispone de 500 galones de petróleo tipo 1 y 1000 galones de petróleo de tipo 2. Se puede comprar hasta 1500 galones adicionales de petróleo tipo 1 al siguiente precio: los primeros 500 galones se deben pagar a $25 el galón; los siguientes 500 galones se deben pagar a $20 el galón; los siguientes 500 galones se compran a $15 el galón. Formule un IP que permita determinar la forma de maximizar las utilidades. Para plantear el modelo se pueden definir las siguientes variables: x = cantidad de petróleo tipo 1 comprado x ij = cantidad de petróleo de tipo i empleado para producir gasolina de tipo j (2.51) La función objetivo queda: máx z = 12(x 11 + x 21 ) + 1(x 12 + x 22 ) c(x) (2.52) donde: 25x 0 x 500 c(x) = 25x x x x 1500 La restricción relativa a la disponibilidad de petróleo tipo 1 queda: (2.53) La restricción relativa a la disponibilidad de petróleo tipo 2 queda: x 11 + x 12 x (2.5) x 21 + x (2.55) Para obligar que la gasolina tipo 1 tenga al menos un 50 % de petróleo tipo 1 se agrega: x 11 x 11 + x 21 0,5 (2.56) Para obligar que la gasolina tipo 2 tenga al menos un 60 % de petróleo tipo 1 se agrega: En la función objetivo se reemplaza c(x) por: x 12 x 12 + x 22 0,6 (2.57) El valor de la variable x se calcula según: c(x) = 0z 1 + c(500)z 2 + c(1000)z 3 + c(1500)z c(x) = 12500z z z (2.58) x = 0z z z z (2.5) Las variables continuas z k se relacionan con las binarias y k seún: z 1 y 1 z 2 y 1 + y 2 z 3 y 2 + y 3 z y 3 (2.60) 12

13 Además se tiene que: z 1 + z 2 + z 3 + z = 1 y 1 + y 2 + y 3 = 1 Finalmente se agrega la naturaleza de las variables: z i 0 i = 1... y j = {0, 1} j = x kr 0 k r (2.61) (2.62) 3. Resolución de IP - Método de Ramificación y Acotamiento El método de ramificación y acotamiento consiste en una técnica de enumeración eficiente de los puntos factibles de subproblemas de un cierto problema original. Evidentemente, si se resuelve la relajación de un problema de programación lineal entera pura o mixta y se encuentra que todas las variables que deben ser enteras o binarias cumplen la condición de enteridad, el óptimo encontrado será también el óptimo del IP original. Por ejemplo si se resuelve la relajación del siguiente problema: Ejemplo 6 máx z = 3x 1 + 2x 2 s.t. 2x 1 + x 2 6 x 1, x 2 Z + (3.1) se obtiene como solución: x 1 = 0, x 2 = 6 y z = 12, que corresponde exactamente a la solución del IP original. Tal como se ve en la Figura 3.1, la región factible del IP es un subconjunto de la relajación, por lo tanto el óptimo del IP no puede ser mejor que el óptimo de su relajación. La generalización de esta idea es el principio básico del método de ramificación y acotamiento. x = punto en la región factible 2x 1 + x 2 = x 1 Figura 3.1: Región Factible del ejemplo 3.1 Para ilustrar como opera la técnica, consideremos el siguiente ejemplo: Ejemplo 7 Una mueblería fabrica mesas y sillas. Una mesa requiere de 1 hora de mano de obra y pies cuadrados de madera, una silla requiere de 1 hora de mano de obra y 5 pies cuadrados de madera. Actualmente, la mueblería dispone de 6 horas de mano de obra y 5 pies cuadrados de madera. Cada 13

14 mesa genera una utilidad de US$8, cada silla representa una utilidad de US$5. Formule y resuelva un IP para maximizar el beneficio de la mueblería. Consideremos: x 1 = número de mesas fabricadas x 2 = número de sillas fabricadas Como x 1 y x 2 deben ser enteras, el IP que resuelve el problema queda: (3.2) máx z = 8x 1 + 5x 2 s.t. x 1 + x 2 6 x 1 + 5x 2 5 x 1, x 2 Z + (3.3) En primer lugar se resuelve la relajación del IP, llamaremos a este problema el Subproblema 1: máx z = 8x 1 + 5x 2 s.t. x Subproblema 1: 1 + x 2 6 (3.) x 1 + 5x 2 5 x 1, x 2 0 La resolución gráfica del Subproblema 1 se muestra en la Figura 3.2. En este caso, la solución óptima corresponde al punto x 1 = 15 = 3,75 y x 2 = 165 = 2,25, con valor de la función objetivo z =. Como se mencionó anteriormente, la solución del IP no puede ser mejor a la del IP relajado, por lo que z = 165 es una Cota Superior para la función objetivo. x 2 8 x 1 + 5x 2 = óptimo x1 + x 2 = Figura 3.2: Región Factible del Subproblema 1 El próximo paso es seleccionar una partición de la región factible de la relajación de forma de intentar obtener la solución óptima del IP. Para ello, arbitrariamente se escoge una variable que no satisfaga las condiciones del IP, es decir, una variable fraccionaria que debería ser entera, por ejemplo x 1. Cómo se busca un valor entero para x 1 interesa que x 1 3 o bien que x 1, ya que no puede haber una solución factible entera en el intervalo 3 < x 1 <, en otras palabras se buscan soluciones 1 x 1

15 en los valores enteros más cercanos al valor fraccionario obtenido. De acuerdo a ello, ramificaremos la variable x 1 definiendo los siguientes subproblemas: Subproblema 2: Subproblema 1 + restricción: x 1 3 Subproblema 3: Subproblema 1 + restricción: x 1 Nótese que ambos subproblemas excluyen el valor x 1 = 15, es decir, la solución óptima de los subproblemas no puede ser igual al de la relajación. Por otro lado, como se está resolviendo un problema más restrictivo que la relajación original el valor de la función objetivo no puede ser mejor. La ramificación de las variables se ordena en un árbol de ramificación como se muestra en la Figura 3.3. La región factible del subproblema 2 se muestra en la Figura 3.. Los puntos extremos de la región factible: D, E, F y G son los candidatos a óptimos, evaluando se obtiene: z D = 0, z E = 2, z F = 3 y z G = 30, por lo que la mejor solución corresponde al punto F (x 1 = 3, x 2 = 3), con valor de la función objetivo: z = 3. En este caso, la solución obtenida satisface las condiciones de enteridad, por lo que es posible definir como cota superior z = 3. Subproblema z = 15 x 1 = x 2 = x 1 3 x 1 Subproblema 2 Subproblema 3 (3.5) Figura 3.3: Árbol de ramificación subproblemas 2 y 3 x 2 8 x 1 + 5x 2 = G x1 = F 1 0 D E x1 + x 2 = Figura 3.: Región Factible del subproblema 2 Si bien la solución obtenida del subproblema 2 satisface todas las condiciones del problema, debemos completar la ramificación ya que aún hay esperanzas de obtener una solución menor o igual al valor 15 x 1

16 óptimo del subproblema 1, pero mejor a la cota superior actual. La región factible del subproblema 3 se muestra en la figura 3.5. Los puntos extremos de la región factible son: A, B y C, con respectivos valores de la función objetivo: z A = 0, z B = 32 y z C = 1. Por lo tanto el óptimo corresponde a: x 1 = y x 2 = 5, valor que no satisface la condición de enteridad. x 2 8 x 1 + 5x 2 = x1 + x 2 = 6 x1 = C 1 0 B A Figura 3.5: Región Factible del subproblema 3 Si bien hasta ahora se dispone de una solución entera con valor de la función objetivo de 3, en el subproblema 3 se obtuvo como valor óptimo: z = 1. Si bien el subproblema 3 no representa una solución factible para el IP, al ramificar a partir de éste problema se podría esperar un valor de la función objetivo que sea menor o igual a 1 pero que podría ser mejor que 3, por lo que no se puede dar como finalizada las ramificaciones. De acuerdo a ello, podemos definir dos nuevos subproblemas a partir el subproblema 3. Como la variable x 2 = 5 no es entera, conviene buscar valores con las siguientes particiones de la región factible: x 2 1 y x 2 2. En otras palabras, se deben resolver los siguientes subproblemas: Subproblema : Subproblema 3 + restricción: x 2 1 Subproblema 5: Subproblema 3 + restricción: x 2 2 El árbol de ramificación con los dos nuevos subproblemas se muestra en la Figura 3.6. La región factible para los subproblemas y 5 se indican en la Figura 3.7. Para el subproblema, los nuevos candidatos a óptimos son los puntos H e I, con valores de la función objetivo: z H = 37 y z I = 365 = 0,556. Entre los puntos A, B, H e I, el mejor valor se obtiene para el punto I con x 1 = 0 y x 2 = 1. Respecto del subproblema 5 se observa que no existen puntos que satisfagan simultáneamente las restricciones del subproblema 3 y x 2 2, por lo que tiene solución imposible. Como la solución óptima del subproblema es superior a la cota, es necesario volver a ramificar ya que eventualmente se podría encontrar una solución que sea menor o igual a z = 365, pero mejor que z = 3. En este caso, la variable no entera es x 1 = 0, por lo que conviene definir los siguientes subproblemas: x 1 (3.6) Subproblema 6: Subproblema + restricción: x 1 Subproblema 7: Subproblema + restricción: x 1 5 (3.7) 16

17 Subproblema z = 15 x 1 = x 2 = x 1 3 x 1 Subproblema 2 z = 3 x 1 = 3 x 2 = 3 Subproblema 3 z = 1 x 1 = x 2 = 5 x 2 1 x 2 2 Subproblema Subproblema 5 Figura 3.6: Árbol de ramificación subproblemas y 5 x 2 8 x 1 + 5x 2 = x1 + x 2 = 6 x1 = x 2 = 2 x 2 = 1 H I B A Figura 3.7: Región Factible del subproblemas y 5 x 1 El nuevo árbol de ramificación se muestra en la Figura 3.8. Se agregan las nuevas restricciones referentes a x 1 y se completa la región factible para los subproblemas 6 y 7 en la Figura 3.. En este caso, la región factible para el subproblema 6 se reduce al segmento de línea entre los puntos B y H, con valores para la función objetivo de: z B = 32 y z H = 37, por lo que el óptimo corresponde al punto H. Como en el punto H los valores de las variables son enteros, se podría pensar que H es un candidato a óptimo. Sin embargo, el valor de la función objetivo en H es inferior a la cota definida previamente, por lo que se descarta. En el subproblema 7, el único punto que satisface todas las restricciones es el punto A, con valor de la función objetivo z = 0. Como en el subproblema 7 el valor de las variables es entero (x 1 = 5 y x 2 = 0) y dado que el valor de la función objetivo es mejor que la cota actual, 0 se transforma en la nueva cota. Como el subproblema 6 presenta un valor de la función objetivo 17

18 inferior a la cota, no tiene sentido seguir ramificando pues se ha alcanzado el óptimo del IP. El árbol de ramificación completo se muestra en la Figura 3.10 donde se identifica la solución óptima. Subproblema z = 15 x 1 = x 2 = x 1 3 x 1 Subproblema 2 z = 3 x 1 = 3 x 2 = 3 Subproblema 3 z = 1 x 1 = x 2 = 5 x 2 1 Subproblema 365 z = 0 x 1 = x 2 = 1 x 1 x 1 5 x 2 2 Subproblema 5 Imposible Subproblema 6 Subproblema 7 Figura 3.8: Árbol de ramificación subproblemas 6 y 7 x 2 8 x 1 + 5x 2 = x1 + x 2 = 6 x1 = x1 = x 2 = 1 H B A Figura 3.: Región Factible del subproblemas 6 y 7 x 1 18

19 Subproblema z = 15 x 1 = x 2 = x 1 3 x 1 Subproblema 2 z = 3 x 1 = 3 x 2 = 3 Subproblema 3 z = 1 x 1 = x 2 = 5 x 2 1 Subproblema 365 z = 0 x 1 = x 2 = 1 x 2 2 Subproblema 5 Imposible x 1 x 1 5 Subproblema 6 z = 37 x 1 = x 2 = 1 Subproblema 7 z = 0 x 1 = 5 x 2 = 0 Figura 3.10: Árbol de ramificación final Ejemplo 8 Considere un problema de programación lineal entera mixta cuyo objetivo es la maximización de una función z involucrando las variables binarias x 1, x 2 y x 3 y la variable continua x 0. El Cuadro 3.1 presenta la solución óptima para todos los problemas relajados posibles de obtener (un guión en la columna correspondiente a las variables x 1, x 2 y x 3 significa que la variable está libre en el problema relajado). x 1 x 2 x 3 x z x 1 x 2 x 3 x z x 1 x 2 x 3 x z (0.2,1,0,0) (0,1,0.67,0) (1,0,0,0) (0.2,1,0,0) (0,1,0,2) (1,0,0,0) (0,0.8,1,0) (0,0.8,1,0) (1,0,1,0) (0.7,0,0,0) Imposible (1,0,0,0) (0.7,0,0,0) Imposible (1,0,0,0) (0.,0,1,0) Imposible (1,0,1,0) (0.2,1,0,0) (0,1,0.67,0) (1,1,0,0) (0.2,1,0,0) (0,1,0,2) (1,1,0,0) (0,1,1,0.5) (0,1,1,0.5) (1,1,1,0) Cuadro 3.1: Soluciones de todas las relajaciones posibles Resuelva este problema aplicando la técnica de ramificación y acotamiento. 1

20 En primer lugar se resuelve el problema relajado completo, es decir, se libera el valor de las tres variables binarias. De acuerdo al Cuadro 3.1, se tiene: Subproblema 1 x 1 = 0.2 x 2 = 1 x 3 = 0 x = 0 z = En la solución del subproblema 1 el valor de la variable x 1 no satisface la condición de binaria, por lo tanto se ramifica en función de los valores que puede tomar: (3.8) De acuerdo al Cuadro 3.1 se tiene: Subproblema 2: Subproblema 1 + (x 1 = 0) Subproblema 3: Subproblema 1 + (x 1 = 1) Subproblema 2 Subproblema 3 x 1 = 0 x 2 = 1 x 3 = 0.67 x = 0 z = x 1 = 1 x 2 = 0 x 3 = 0 x = 0 z = 7.00 (3.) (3.10) (3.11) Se obtiene entonces un primer candidato a óptimo: x 1 = 1, x 2 = 0, x 3 = 0, x = 0 y z =7.00. Se selecciona entonces como cota: z =7.00. El subproblema 2 no representa una solución factible para el problema original pero posee un valor de la función objetivo superior a la cota, por lo que conviene ramificar: Subproblema : Subproblema 1 + (x 1 = 0) + (x 3 = 0) Subproblema 5: Subproblema 1 + (x 1 = 0) + (x 3 = 1) De acuerdo al Cuadro 3.1 se tiene: Subproblema Subproblema 5 x 1 = 0 x 2 = 1 x 3 = 0 x = 2 z = x 1 = 0 x 2 = 0.8 x 3 = 1 x = 0 z = 7.0 (3.12) (3.13) (3.1) El subproblema presenta una solución factible, pero muy por debajo de la cota superior por lo que se puede descartar. El subproblema 5 tiene un asociado un valor óptimo de la función objetivo superior 20

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

Más detalles

Programación Lineal: Modelos PLE

Programación Lineal: Modelos PLE Programación Lineal: Modelos PLE CCIR / Matemáticas euresti@itesm.mx CCIR / Matemáticas Programación Lineal: Modelos PLE euresti@itesm.mx 1 / 35 Introduccion Introduccion En esta lectura se verán cómo

Más detalles

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones de agosto de 200. Estandarización Cuando se plantea un modelo de LP pueden existir igualdades y desigualdades. De la misma forma

Más detalles

Fundamentos de Investigación de Operaciones El Problema de Transporte

Fundamentos de Investigación de Operaciones El Problema de Transporte Fundamentos de Investigación de Operaciones El Problema de Transporte Septiembre 2002 El Problema de Transporte corresponde a un tipo particular de un problema de programación lineal. Si bien este tipo

Más detalles

MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra

MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13 Carlos Ivorra Índice 1 Introducción a la optimización 1 2 Programación entera 18 3 Introducción a la programación lineal 24 4 El método símplex

Más detalles

Tema 8: El Problema de Programación Lineal Entera. Modelización y Resolución

Tema 8: El Problema de Programación Lineal Entera. Modelización y Resolución Tema 8: El Problema de Programación Lineal Entera. Modelización y Resolución Los problemas de programación lineal entera pple son problemas de programación lineal en los que se exige que alguna o todas

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Formulación de Modelos de Programacón Lineal 25 de julio de 2003 La (LP es una herramienta para resolver problemas de optimización

Más detalles

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD 4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,

Más detalles

Programación Lineal y Optimización Segundo Examen Parcial Respuesta: :Solución Profr. Eduardo Uresti, Enero-Mayo 2011

Programación Lineal y Optimización Segundo Examen Parcial Respuesta: :Solución Profr. Eduardo Uresti, Enero-Mayo 2011 Matrícula: Nombre: Programación Lineal y Optimización Segundo Examen Parcial Respuesta: : Profr. Eduardo Uresti, Enero-Mayo 2011 1. Suponga que tiene una empresa que produce tres tipos de productos (P

Más detalles

Unidad 2 Método gráfico de solución

Unidad 2 Método gráfico de solución Unidad 2 Método gráfico de solución Los problemas de programación lineal (pl) que sólo tengan dos variables de decisión pueden resolverse gráficamente, ya que, como se ha visto en los Antecedentes, una

Más detalles

Unidad 1 Modelos de programación lineal

Unidad 1 Modelos de programación lineal Unidad 1 Modelos de programación lineal La programación lineal comenzó a utilizarse prácticamente en 1950 para resolver problemas en los que había que optimizar el uso de recursos escasos. Fueron de los

Más detalles

Guía de Ejercicios. Matemática 11

Guía de Ejercicios. Matemática 11 Guía de Ejercicios Matemática 11 Matemática 11 Resolver: 1) 5 + 3x 31 3x 5) 3(2x 1) > 4+5(x 1) 6) x + 4 3 > 2x 3 +1 4 1 7) 4 (2x 1) x

Más detalles

Programación Lineal y Optimización Segundo Examen Parcial :Solución Profr. Eduardo Uresti, Verano 2009

Programación Lineal y Optimización Segundo Examen Parcial :Solución Profr. Eduardo Uresti, Verano 2009 Programación Lineal y Optimización Segundo Examen Parcial : Profr. Eduardo Uresti, Verano 2009 Matrícula: Nombre: 1. Suponga que se tiene disponible la siguiente información salida de LINDO a un problema

Más detalles

MÉTODOS MATEMÁTICOS DE LA ECONOMÍA

MÉTODOS MATEMÁTICOS DE LA ECONOMÍA UNIVERSIDAD DE VALLADOLID DEPARTAMENTO DE ECONOMÍA APLICADA SUBSECCIÓN DE MATEMÁTICAS MÉTODOS MATEMÁTICOS DE LA ECONOMÍA Economía Derecho Administración y Dirección de Empresas RELACIÓN DE PROBLEMAS DE

Más detalles

Capítulo 5 Método Simplex

Capítulo 5 Método Simplex Capítulo 5 Método Simplex Cj 5-2 3 0 -M 0 0 V.B. b X1 X2 X3 X4 X5 X6 X7 5 X1 13/9 1 0 0-4/15 4/15 7/45 4/45 NO 3 X3 14/9 0 0 1 1/15-1/15 2/45 14/45 70/3-2 X2 1/3 0 1 0-3/15 3/15-2/15 1/15 NO Zj - Cj 101/9

Más detalles

Programación lineal. En esta Unidad didáctica nos proponemos alcanzar los objetivos siguientes:

Programación lineal. En esta Unidad didáctica nos proponemos alcanzar los objetivos siguientes: UNIDAD 3 Programación lineal a programación lineal es parte L de una rama de las matemáticas relativamente joven llamada investigación operativa. La idea básica de la programación lineal es la de optimizar,

Más detalles

PROBLEMAS DE PROGRAMACIÓN LINEAL

PROBLEMAS DE PROGRAMACIÓN LINEAL PROBLEMAS DE PROGRAMACIÓN LINEAL A.- Problemas generales B.- Problemas con porcentajes C.- Problemas de dietas D.- Problemas para profundizar A.- PROBLEMAS GENERALES Ejercicio 1.- En una fábrica se construyen

Más detalles

UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. ESCUELA DE INGENIERIA INDUSTRIAL.

UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. ESCUELA DE INGENIERIA INDUSTRIAL. UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. ESCUELA DE INGENIERIA INDUSTRIAL. Optimización, Pauta Solemne 2. Semestre Primavera 2011 Profesores: Paul Bosch, Fernando Paredes, Pablo Rey Tiempo:

Más detalles

x + y 4 2x + 3y 10 4x + 2y 12 x 0, y 0

x + y 4 2x + 3y 10 4x + 2y 12 x 0, y 0 PRUEBAS DE ACCESO A LA UNIVERSIDAD PROBLEMAS DE PROGRAMACIÓN LINEAL JUNIO 2000. OPCIÓN B. Una empresa especializada en la fabricación de mobiliario para casas de muñecas, produce cierto tipo de mesas y

Más detalles

Problema de Programación Lineal

Problema de Programación Lineal Problema de Programación Lineal Introducción La optimización es un enfoque que busca la mejor solución a un problema. Propósito: Maximizar o minimizar una función objetivo que mide la calidad de la solución,

Más detalles

1.4.- D E S I G U A L D A D E S

1.4.- D E S I G U A L D A D E S 1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y

Más detalles

www.aulamatematica.com

www.aulamatematica.com www.aulamatematica.com APLIICACIIÓN DE DERIIVADAS:: PROBLEMAS DE OPTIIMIIZACIIÓN CON 1 VARIIABLE.. 004 Los costes de fabricación C(x) en euros de cierta variedad de galletas dependen de la cantidad elaborada

Más detalles

Programación lineal. Observación: La mayoría de estos problemas se han propuesto en exámenes de selectividad

Programación lineal. Observación: La mayoría de estos problemas se han propuesto en exámenes de selectividad 1 Observación: La mayoría de estos problemas se han propuesto en exámenes de selectividad 1. Dibuja la región del plano definida por las siguientes inecuaciones: x 0, 0 y 2, y + 2x 4 Representando las

Más detalles

PROGRAMACIÓN LINEAL. Página 102. Página 103

PROGRAMACIÓN LINEAL. Página 102. Página 103 4 PROGRAMACIÓN LINEAL Página 0 Problema Para representar y x, representa la recta y x =. Después, para decidir a cuál de los dos semiplanos corresponde la inecuación, toma un punto cualquiera exterior

Más detalles

PROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables

PROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables Capítulo 8 PROGRAMACIÓN LINEAL 8.1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver

Más detalles

Un programa entero de dos variables. 15.053 Jueves, 4 de abril. La región factible. Por qué programación entera? Variables 0-1

Un programa entero de dos variables. 15.053 Jueves, 4 de abril. La región factible. Por qué programación entera? Variables 0-1 15.053 Jueves, 4 de abril Un programa entero de dos variables Introducción a la programación entera Modelos de programación entera Handouts: material de clase maximizar 3x + 4y sujeto a 5x + 8y 24 x, y

Más detalles

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD.

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD. Modelado de flujo en redes Jhon Jairo Padilla A., PhD. Conceptos básicos Demanda o volumen de Demanda: Es el tráfico que están requiriendo los usuarios de una red. Para transportar el volumen de demanda

Más detalles

Valuación de opciones financieras mediante la teoría de la dualidad de la programación lineal

Valuación de opciones financieras mediante la teoría de la dualidad de la programación lineal Miscelánea Matemática 54 (2012) 99 120 SMM Valuación de opciones financieras mediante la teoría de la dualidad de la programación lineal J. Agustín Cano Garcés jacano@unam.mx Departamento de Matemáticas

Más detalles

PROGRAMACIÓN LINEAL. y x Ì 2. Representa, de forma análoga, las siguientes inecuaciones: a) x +5y > 10 b) x + 2y Ì 16 c) 2x + y Ì 20.

PROGRAMACIÓN LINEAL. y x Ì 2. Representa, de forma análoga, las siguientes inecuaciones: a) x +5y > 10 b) x + 2y Ì 16 c) 2x + y Ì 20. PROGRAMACIÓN LINEAL Página 99 REFLEXIONA Y RESUELVE Resolución de inecuaciones lineales Para representar y x Ì 2, representa la recta y x = 2. Después, para decidir a cuál de los dos semiplanos corresponde

Más detalles

PROGRAMACIÓN LINEAL. a) Dibuja dicha región y determina sus vértices. b) Calcula el mínimo de la función objetivo z = 4x + 5y, en el recinto anterior.

PROGRAMACIÓN LINEAL. a) Dibuja dicha región y determina sus vértices. b) Calcula el mínimo de la función objetivo z = 4x + 5y, en el recinto anterior. PROGRAMACIÓN LINEAL 1. La región factible de un problema de programación lineal es la intersección de primer cuadrante con los tres semiplanos definidos por las siguientes inecuaciones: x y x y x y + 1

Más detalles

Resumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración

Resumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración 5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una

Más detalles

L A P R O G R A M A C I O N

L A P R O G R A M A C I O N L A P R O G R A M A C I O N L I N E A L 1. INTRODUCCIÓN: la programación lineal como método de optimación La complejidad de nuestra sociedad en cuanto a organización general y económica exige disponer

Más detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B 1. Una empresa tiene 3000 bolsas de ajo morado de Las

Más detalles

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 2 Programación Lineal

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 2 Programación Lineal OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 2 Programación Lineal ORGANIZACIÓN DEL TEMA Sesiones: Introducción, definición y ejemplos Propiedades y procedimientos de solución Interpretación económica

Más detalles

Fundamentos de Investigación de Operaciones Teoría de Inventarios

Fundamentos de Investigación de Operaciones Teoría de Inventarios Fundamentos de Investigación de Operaciones de mayo de 04. Introducción El costo de mantener un cierto número de unidades en inventario puede ser importante para una empresa. El objetivo de la es establecer

Más detalles

Colegio Portocarrero. Curso 2014-2015. Departamento de matemáticas. Repaso de todo. Con solución

Colegio Portocarrero. Curso 2014-2015. Departamento de matemáticas. Repaso de todo. Con solución Repaso de todo Con solución Gauss, matrices, programación lineal, límites, continuidad, asíntotas, cálculo de derivadas. Problema 1: En una confiteria se dispone de 24 kg de polvorones y 15 kg de mantecados,

Más detalles

Solemne I Profesor: Marcelo Leseigneur P. Ayudante: Renzo Lüttges C.

Solemne I Profesor: Marcelo Leseigneur P. Ayudante: Renzo Lüttges C. Solemne I Profesor: Marcelo Leseigneur P. Ayudante: Renzo Lüttges C. Pregunta 1 Hallar el dominio y recorrido de las siguientes funciones, dibújelas, y estudie su paridad, imparidad, crecimiento y decrecimiento,

Más detalles

Tema 5: Dualidad y sensibilidad de los modelos lineales.

Tema 5: Dualidad y sensibilidad de los modelos lineales. ema 5: Dualidad y sensibilidad de los modelos lineales. Objetivos del tema: Introducir el concepto de Sensibilidad en la Programación Lineal Introducir el concepto de Dualidad en la Programación Lineal

Más detalles

Dualidad y Análisis de Sensibilidad

Dualidad y Análisis de Sensibilidad Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Dualidad y Análisis de Sensibilidad Marcel Goic F. 1 1 Esta es una versión bastante

Más detalles

Investigación de Operaciones 1

Investigación de Operaciones 1 Investigación de Operaciones 1 Clase 10 Pablo Andrés Maya Mayo, 2014 Pablo Andrés Maya () Investigación de Operaciones 1 Mayo, 2014 1 / 15 Clasificación de los modelos de optimización Pablo Andrés Maya

Más detalles

Fundamentos de Investigación de Operaciones CPM y PERT

Fundamentos de Investigación de Operaciones CPM y PERT Fundamentos de Investigación de Operaciones PM y PRT 9 de abril de 00. Introducción xisten modelos de redes que pueden ser empleados para programar proyectos que comprenden un gran número de actividades.

Más detalles

TAREA N o 1 Investigación de Operaciones

TAREA N o 1 Investigación de Operaciones TAREA N o 1 Investigación de Operaciones Profesores Víctor Leiva - Carolina Marchant Ingeniería en Estadística, Universidad de Valparaíso Valparaíso, 13 de diciembre de 2011 Ejercicio 1: Un expendio de

Más detalles

APUNTES SOBRE EL MÉTODO SÍMPLEX DE PROGRAMACIÓN LINEAL. Adriel R. Collazo Pedraja

APUNTES SOBRE EL MÉTODO SÍMPLEX DE PROGRAMACIÓN LINEAL. Adriel R. Collazo Pedraja APUNTES SOBRE EL MÉTODO SÍMPLEX DE PROGRAMACIÓN LINEAL Adriel R. Collazo Pedraja 2 INTRODUCCIÓN Este trabajo tiene como propósito proveer ayuda al estudiante para que pueda comprender y manejar más efectivamente

Más detalles

Funciones polinomiales de grados cero, uno y dos

Funciones polinomiales de grados cero, uno y dos Funciones polinomiales de grados cero, uno y dos A una función p se le llama polinomio si: p x = a n x n + a n 1 x n 1 + + a 2 x 2 + a 1x + a 0 Donde un entero no negativo y los números a 0, a 1, a 2,

Más detalles

MATEMÁTICAS PARA LA ECONOMIA II G.E.C.O. Curso 2012/2013

MATEMÁTICAS PARA LA ECONOMIA II G.E.C.O. Curso 2012/2013 MATEMÁTICAS PARA LA ECONOMIA II G.E.C.O. Curso 2012/2013 Relación de Ejercicios N o 3 1. Resolver los siguientes programas lineales primero gráficamente y después por el método del simplex. (a) Z = x +

Más detalles

Problemas Resueltos de Desigualdades y Programación Lineal

Problemas Resueltos de Desigualdades y Programación Lineal Universidad de Sonora División de Ciencias Exactas y Naturales Departamento de Matemáticas. Problemas Resueltos de Desigualdades y Programación Lineal Para el curso de Cálculo Diferencial de Químico Biólogo

Más detalles

3.- ALGUNOS CONCEPTOS BÁSICOS DE ÁLGEBRA DE BOOLE 4.- TRANSFORMACIÓN DE EXPRESIONES LÓGICAS A EXPRESIONES ALGEBRAICAS

3.- ALGUNOS CONCEPTOS BÁSICOS DE ÁLGEBRA DE BOOLE 4.- TRANSFORMACIÓN DE EXPRESIONES LÓGICAS A EXPRESIONES ALGEBRAICAS TEMA 12: MODELADO CON VARIABLES BINARIAS 1.- MOTIVACIÓN 2.- INTRODUCCIÓN 3.- ALGUNOS CONCEPTOS BÁSICOS DE ÁLGEBRA DE BOOLE 4.- TRANSFORMACIÓN DE EXPRESIONES LÓGICAS A EXPRESIONES ALGEBRAICAS 5.- MODELADO

Más detalles

Programación Entera. P.E pura: Todas las variables de decisión tienen valores enteros.

Programación Entera. P.E pura: Todas las variables de decisión tienen valores enteros. Clase # 7 Programación Entera. Programación entera es programación lineal con la restricción adicional de que los valores de las variables de decisión sean enteros. P.E pura: Todas las variables de decisión

Más detalles

UNIVERSIDAD DE BELGRANO FACULTAD DE CIENCIAS ECONÓMICAS ANÁLISIS MATEMÁTICO I TALLER DE PROFUNDIZACIÓN

UNIVERSIDAD DE BELGRANO FACULTAD DE CIENCIAS ECONÓMICAS ANÁLISIS MATEMÁTICO I TALLER DE PROFUNDIZACIÓN UNIVERSIDAD DE BELGRANO FACULTAD DE CIENCIAS ECONÓMICAS ANÁLISIS MATEMÁTICO I TALLER DE PROFUNDIZACIÓN GUÍA DE CONTENIDOS Y CASOS PRÁCTICOS Dra. Silvia Izzo Prof. Silvia Mamone 1 2 CONTENIDOS 1.- Desigualdades:

Más detalles

APUNTES DE CLASES INVESTIGACION OPERATIVA

APUNTES DE CLASES INVESTIGACION OPERATIVA I. INTRODUCCION A. PROGRAMA DE MATERIAS. PROGRAMACION LINEAL a) Modelación matemática de PPL (Problemas de Programación Lineal). b) Solución gráfica de PPL ( variables). c) Análisis de sensibilidad gráfico.

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

1. Derivadas parciales

1. Derivadas parciales Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para

Más detalles

EJERCICIO 1. Sean las variables de decisión: x= n: de impresos diarios tipo A repartidos. y= n: de impresos diarios tipo B repartidos.

EJERCICIO 1. Sean las variables de decisión: x= n: de impresos diarios tipo A repartidos. y= n: de impresos diarios tipo B repartidos. EJERCICIO 1 Un estudiante dedica parte de su tiempo al reparto de propaganda publicitaria. La empresa A le paga 5 Bs.. por cada impreso repartido y la empresa B, con folletos más grandes, le paga 7 Bs.

Más detalles

Caso Giapetto Inc. Entonces la Función Objetivo es igual a: [27*X 1 + 21*X 2 ] [10*X 1 + 9X 2 ] [14*X 1 + 10*X 2 ] = 3*X 1 + 2*X 2

Caso Giapetto Inc. Entonces la Función Objetivo es igual a: [27*X 1 + 21*X 2 ] [10*X 1 + 9X 2 ] [14*X 1 + 10*X 2 ] = 3*X 1 + 2*X 2 Caso Giapetto Inc. Objetivo del caso: Explicar los componentes de la programación lineal a través de la modelación de un ejemplo. La compañía Giapetto fabrica 2 tipos de juguetes de madera: soldados y

Más detalles

ÁLGEBRA LINEAL - Año 2012

ÁLGEBRA LINEAL - Año 2012 UNIVERSIDAD NACIONAL DE RÍO CUARTO FACULTAD DE CIENCIAS ECONÓMICAS ÁLGEBRA LINEAL - Año 0 Notas de Cátedra correspondientes a la UNIDAD SIETE PROGRAMACIÓN LINEAL * INECUACIONES Se denomina inecuación a

Más detalles

Universidad de Manizales

Universidad de Manizales Universidad de Manizales INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL JULIAN GONZÁLEZ LÓPEZ ALVARO SALAS SALAS UNIVERSIDAD DE MANIZALES INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL JULIÁN GONZÁLEZ LÓPEZ Profesor Asociado

Más detalles

DECISIONES GERENCIALES II Bibliografía Básica

DECISIONES GERENCIALES II Bibliografía Básica DECISIONES GERENCIALES II Bibliografía Básica Métodos Cuantitativos para los Negocios. Barry Render y Otros (libro texto) Métodos Cuantitativos para Administración. Frederick Hiller y otros. Investigación

Más detalles

Investigación Operacional I EII 445

Investigación Operacional I EII 445 Investigación Operacional I EII 445 Programación Lineal Método Simple Gabriel Gutiérrez Jarpa. Propiedades Básicas de Programación Lineal Formato Estándar Un problema de programación lineal es un programa

Más detalles

CAPITULO 4: OPTIMIZACIÓN

CAPITULO 4: OPTIMIZACIÓN CAPITULO 4: OPTIMIZACIÓN Optimización es el proceso de hallar el máimo o mínimo relativo de una función, generalmente sin la auda de gráficos. 4.1 Conceptos claves A continuación se describirá brevemente

Más detalles

Programación lineal. 1º) En la región del plano determinada por, hallar las

Programación lineal. 1º) En la región del plano determinada por, hallar las Programación lineal 1º) En la región del plano determinada por, hallar las coordenadas de los puntos en los que la función alcanza su valor mínimo y máximo. Máximo en el punto y mínimo en el punto. 2º)

Más detalles

TP1 Programación Lineal - 2009

TP1 Programación Lineal - 2009 Problema Trabajo Práctico Nº 1 de cerdo. Una carnicería 1 La carne prepara vaca hamburguesas contiene 80% con de carne una combinación y 20% de grasa de carne y le molida cuesta de $5 vaca el kilo, y carne

Más detalles

x 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.

x 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas. Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos

Más detalles

UNIDAD 5: PROGRAMACIÓN LINEAL

UNIDAD 5: PROGRAMACIÓN LINEAL UNIDAD 5: PROGRAMACIÓN LINEAL ÍNDICE DE LA UNIDAD 1.- INTRODUCCIÓN.... 1 2.- INECUACIONES LINEALES CON DOS INCÓGNITAS... 2 3.- SISTEMAS DE INECUACIONES LINEALES... 3 4.- PROGRAMACIÓN LINEAL. FORMULACIÓN

Más detalles

Unidad 5 Utilización de Excel para la solución de problemas de programación lineal

Unidad 5 Utilización de Excel para la solución de problemas de programación lineal Unidad 5 Utilización de Excel para la solución de problemas de programación lineal La solución del modelo de programación lineal (pl) es una adaptación de los métodos matriciales ya que el modelo tiene

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

SOLUCION DE MODELOS EMPRESARIALES POR COMPUTADORA

SOLUCION DE MODELOS EMPRESARIALES POR COMPUTADORA Tema 2 SOLUCION DE MODELOS EMPRESARIALES POR COMPUTADORA 2.1 SOFTWARE PARA SOLUCION DE MODELOS PL Programas típicos para resolver problemas de Programación Lineal: - QSB - SOLVER - GLP QSB (Quantitative

Más detalles

Capítulo 3: APLICACIONES DE LAS DERIVADAS

Capítulo 3: APLICACIONES DE LAS DERIVADAS Capítulo : Aplicaciones de la derivada 1 Capítulo : APLICACIONES DE LAS DERIVADAS Dentro de las aplicaciones de las derivadas quizás una de las más importantes es la de conseguir los valores máimos y mínimos

Más detalles

CANTABRIA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / ÁLGEBRA / BLOQUE 1 / OPCIÓN A

CANTABRIA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / ÁLGEBRA / BLOQUE 1 / OPCIÓN A CANTABRIA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / ÁLGEBRA / BLOQUE 1 / OPCIÓN A BLOQUE 1 OPCIÓN A Un fabricante de coches lanza una oferta especial en dos de sus modelos, ofreciendo

Más detalles

1 Aplicaciones de Máximos y Mínimos

1 Aplicaciones de Máximos y Mínimos Universidad de Santiago de Chile Autores: Miguel Martínez Concha Facultad de Ciencia Carlos Silva Cornejo Departamento de Matemática y CC Emilio Villalobos Marín 1 Aplicaciones de Máximos y Mínimos 1.0.1

Más detalles

APLICACIONES CON SOLVER OPCIONES DE SOLVER

APLICACIONES CON SOLVER OPCIONES DE SOLVER APLICACIONES CON SOLVER Una de las herramientas con que cuenta el Excel es el solver, que sirve para crear modelos al poderse, diseñar, construir y resolver problemas de optimización. Es una poderosa herramienta

Más detalles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA PROGRAMA DE CIENCIAS BASICAS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA PROGRAMA DE CIENCIAS BASICAS UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA PROGRAMA DE CIENCIAS BASICAS 102016 METODOS DETERMINISTICOS GLORIA LUCIA GUZMÁN ARAGÓN (Director Nacional) GERMAN MENDOZA Acreditador BOGOTA Julio de 2010 1 ASPECTOS

Más detalles

UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TÁCHIRA DECANATO DE POSTGRADO Maestría en Matemática Mención Educación Matemática MÉTODOS NUMÉRICOS

UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TÁCHIRA DECANATO DE POSTGRADO Maestría en Matemática Mención Educación Matemática MÉTODOS NUMÉRICOS Bisección Newton-Raphson Secante UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TÁCHIRA DECANATO DE POSTGRADO Maestría en Matemática Mención Educación Matemática Material digital para la Asignatura: MÉTODOS NUMÉRICOS

Más detalles

Optimización y la Programación Lineal: Una Introducción

Optimización y la Programación Lineal: Una Introducción Reporte de Investigación 2007-07 Optimización y la Programación Lineal: Una Introducción Responsables: Marchena Williams Ornelas Carlos Supervisor: Francisco M. González-Longatt Línea de Investigación:

Más detalles

Curso de Matemática Básica. Acción Emprendedora USA

Curso de Matemática Básica. Acción Emprendedora USA Curso de Matemática Básica Acción Emprendedora USA Curso de preparación para el Emprendedor ACCION EMPRENDEDORA - USA BIENVENIDOS al curso de Matemáticas básicas para el micro emprendedor de Acción Emprendedora

Más detalles

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA Dentro del campo general de la teoría de la optimización, también conocida como programación matemática conviene distinguir diferentes modelos de optimización.

Más detalles

Aprendiendo LINGO INTRODUCCIÓN A LINGO - 1

Aprendiendo LINGO INTRODUCCIÓN A LINGO - 1 Aprendiendo LINGO INTRODUCCIÓN A LINGO - 1 Introducción a LINGO LINGO (LINear Generalize Optimizer) es una versátil herramienta para la formulación, resolución y análisis de problemas de programación lineal

Más detalles

PROGRAMACIÓN LINEAL-SELECTIVIDAD (MADRID)

PROGRAMACIÓN LINEAL-SELECTIVIDAD (MADRID) PROGRAMACIÓN LINEAL-SELECTIVIDAD (MADRID) 1.- (Junio 99). Los alumnos de un instituto pretenden vender dos tipos de lotes, A y B, para sufragar los gastos del viaje de estudios. Cada lote de tipo A consta

Más detalles

CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES

CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES CAPÍTULO II. CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES SECCIONES 1. Dominios y curvas de nivel. 2. Cálculo de ites. 3. Continuidad. 55 1. DOMINIOS Y CURVAS DE NIVEL. Muchos problemas geométricos y físicos

Más detalles

2FUNCIONES CUADRÁTICAS

2FUNCIONES CUADRÁTICAS CONTENIDOS El modelo cuadrático La función cuadrática Desplazamientos de la gráfica Máximos, mínimos, ceros, crecimiento y decrecimiento Ecuaciones cuadráticas Sistemas mixtos En este capítulo se analizan

Más detalles

ÁLGEBRA 2º Ciencias Sociales PAU- LOGSE

ÁLGEBRA 2º Ciencias Sociales PAU- LOGSE . (Jun. 205 Opción A) Dadas las matrices A = ( a 2 + 2 2 ), B = ( ) y C = (c 0 0 b 0 c ) Calcula las matrices A B y B C. Calcula los valores de a, b y c que cumplen A B B C. Sol.- 2. (Jun. 205 Opción B)

Más detalles

Restricciones. Cada pesquero se tarda en reparar 100 horas y cada yate 50 horas. El astillero dispone de 1600 horas para hacer las reparaciones

Restricciones. Cada pesquero se tarda en reparar 100 horas y cada yate 50 horas. El astillero dispone de 1600 horas para hacer las reparaciones Modelo 2014. Problema 2A.- (Calificación máxima: 2 puntos) Un astillero recibe un encargo para reparar barcos de la flota de un armador, compuesta por pesqueros de 500 toneladas y yates de 100 toneladas.

Más detalles

EJERCICIOS RESUELTOS DE PROGRAMACIÓN LINEAL

EJERCICIOS RESUELTOS DE PROGRAMACIÓN LINEAL EJERCICIOS RESUELTOS DE PROGRAMACIÓN LINEAL. Para facilitar la elaboración del modelo matemático en La Programación Lineal (PL) recomendamos lectura y análisis de las siguientes 12 consideraciones: Si

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles

BREVE MANUAL DE SOLVER

BREVE MANUAL DE SOLVER BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación

Más detalles

PROBLEMAS TEÓRICO-PRÁCTICOS EJERCICIOS PARA ORDENADOR

PROBLEMAS TEÓRICO-PRÁCTICOS EJERCICIOS PARA ORDENADOR PROGRAMACIÓN MATEMÁTICA PROBLEMAS TEÓRICO-PRÁCTICOS EJERCICIOS PARA ORDENADOR CURSO 2002/2003 DEPARTAMENT DE MATEMÀTICA ECONÒMICO EMPRESARIAL COLECCIÓN DE EJERCICIOS TEÓRICO-PRÁCTICOS TEMA 1 - INTRODUCCIÓN

Más detalles

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V.

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V. Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL x x x1 n θ y y ȳ1 n 1 n x1 n ȳ1 n Carlos Arce S. William Castillo E. Jorge González V. 2003 Algebra Lineal Carlos Arce S., William Castillo

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

Dada la dificultad práctica para resolver de forma exacta toda una serie de problemas de

Dada la dificultad práctica para resolver de forma exacta toda una serie de problemas de CAPÍTULO 2 Métodos de solución Dada la dificultad práctica para resolver de forma exacta toda una serie de problemas de programación entera, se han desarrollado algoritmos que proporcionan soluciones factibles

Más detalles

FUNCIONES LINEALES I NO LINEALES. APLICACIONES Depreciación en línea recta.

FUNCIONES LINEALES I NO LINEALES. APLICACIONES Depreciación en línea recta. FUNCIONES LINEALES I NO LINEALES. APLICACIONES Depreciación en línea recta. Muchas veces las organizaciones adquieren equipos, vehículos, casas, etc., entonces los contadores por lo general asignan el

Más detalles

Hasta ahora hemos evitado entrar en la cuestión de qué significa el símbolo

Hasta ahora hemos evitado entrar en la cuestión de qué significa el símbolo Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Límites y continuidad 1. Límite de funciones de dos variables Hasta ahora hemos evitado entrar en la

Más detalles

3. OPERACIONES CON FUNCIONES.

3. OPERACIONES CON FUNCIONES. 3. OPERACIONES CON FUNCIONES. Las operaciones de suma, resta, multiplicación y división entre funciones son posibles y semejantes a las correspondientes efectuadas con los números. En esta sección definiremos

Más detalles

UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)

UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales

Más detalles

INTERPRETACION ECONOMICA DEL ANALISIS DE SENSIBILIDAD

INTERPRETACION ECONOMICA DEL ANALISIS DE SENSIBILIDAD ESCOLA UNIVERSITÀRIA D ESTUDIS EMPRESARIALS DEPARTAMENT D ECONOMIA I ORGANITZACIÓ D EMPRESES INTERPRETACION ECONOMICA DEL ANALISIS DE SENSIBILIDAD Dunia Durán Juvé Profesora Titular 1ª Edición de 1995:

Más detalles

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Autor: José Arturo Barreto M.A. Páginas web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com Capítulo I El Problema 1.1 Planteamiento del problema

Más detalles

Tema 14: Cálculo diferencial de funciones de varias variables II

Tema 14: Cálculo diferencial de funciones de varias variables II Tema 14: Cálculo diferencial de funciones de varias variables II 1 Desarrollos de Taylor en varias variables Vamos ahora a generalizar los desarrollos de Taylor que vimos para funciones de una variable.

Más detalles

3.1. Concepto de función. Dominio, recorrido y gráfica. 3.1.1. Concepto de función

3.1. Concepto de función. Dominio, recorrido y gráfica. 3.1.1. Concepto de función TEMA 3 FUNCIONES 3.1. Concepto de función. Dominio, recorrido y gráfica. 3.1.1. Concepto de función Una función es una relación establecida entre dos variables que asocia a cada valor de la primera variable

Más detalles

Apuntes de Matemática Discreta 7. Relaciones de Orden

Apuntes de Matemática Discreta 7. Relaciones de Orden Apuntes de Matemática Discreta 7. Relaciones de Orden Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 7 Relaciones de Orden Contenido

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles