Problemas resueltos C3 IN
|
|
- Eugenia Montoya Robles
- hace 5 años
- Vistas:
Transcripción
1 Problemas resueltos C3 IN77 28 Profesores: Cristián Cortés, Daniel Espinoza Auxiliares: Gustavo Angulo, Diego Morán y José Mu~noz P Sea S = {s,..., s n } subconjunto de R n y considere y R n \ conv(s). Use el Lema de Farkas para demostrar que existe una desigualdad πx π o que separa y de conv(s), es decir, que: πy > π o πx π o, x conv(s) Solución: Sólo daremos la siguiente indicación: x conv(s) { λ R n : [ ] s s 2 s n λ = ( ) } x, λ φ Además, recuerde que, en general, si α = (α,..., α n ) [ ] ( ) ( ) a a 2... a n a an α = α α n P2 Considere el poliedro P definido a partir de las siguientes ecuaciones: P : x 2 x 7 () 5x + x 2 3 (2) 2x + 3x 2 3 (3) x (4) x 2 (5) x 2 (6) x R 2 a) Bosqueje un dibujo de P. b) Encuentre todas las caras de P. c) Determine las dimensiones del poliedro y de cada una de sus caras. Cuáles son facetas? d) Cuáles restricciones son redundantes? Encuentre una representación minimal. e) Determine el Espacio Lineal y el Cono característico asociado. f ) Es P un polítopo? Solución: Para ordenarnos escribimos, P = {x R n : Ax b}, obteniendo:
2 P = x R 2 : a) Propuesto. b) Recordemos que una cara F de P, se puede escribir como F = {x P : A x = b } con A, b subsistemas de A y b, es decir, un subconjunto de las filas. Por otro lado, como x R 2, basta considerar sólo los subsistemas de tamaño n 2, pues para n > 3 los subsistemas son redundantes. Empecemos con los subsistemas de tamaño n =, es decir, encontremos las caras asociadasa cada una de las desigualdades: F = {x P : x 2 x = 7}: Si x F, entonces x 2 = x +7, reemplazando esto en las ecuaciones que definen P obtenemos: x 2 x = 7 6x x x x + 7 x + 7 Reordenando, nos queda: x 2 x = 7 x 5x 8 x x 6 x 4 Y de esto, si eliminamos las ecuaciones redundantes, concluimos que: F = {x R 2 : x 2 = x + 7, x 4} En otras palabras, F son los puntos contenidos en la recta x 2 = x + 7, cuando x toma valores entre y 4. Análogamente, F 2 = {x R 2 : x 2 = 5x + 3, x 2}. 2
3 De la misma forma, F 3 = {x R 2 : x 2 = 2 3 x + 3 3, 2 x 5}. Ahora, F 4 = {x P : x = }: Tomando x F 4, y reemplazando en las ecuaciones que definen a P obtenemos: P : x x x 2 3 x = x 2 x 2 x R 2 Es decir, P : x 2 8 x 2 8 3x 2 x = x 2 x 2 De estas ecuaciones se concluye que x F 4 x =, x 2 = 8. Así, {( F 4 = 8)} Es decir, F 4 es un sólo punto, y por lo tanto, es un vértice (o punto extremo de P ). F 5 = {x P : x 2 = }: Considerando x F 5 y usando que el x P, podemos decir que: x 7 5x + 3 2x x x 2 = Simplificando 3
4 6 x x 2 5 x 5 x x 2 = Eliminando las restricciones redundantes, se concluye que: F 5 = {x R 2 : x 2 =, 5 x } Como comentario, podemos observar que otra forma de escribir F 5 es {( ( } 5 F 5 = + λ : λ ) ) En particular, F 5 es una cara de P que no es acotada. Similarmente, se obtiene F 6 = {x R 2 : x 2 =, 4 x } ( ) 6 Ahora pasamos a buscar las caras con n = 2. Note que hay = 5 formas de escoger los pares 2 de filas que formaran los subsistemas de tamaño 2. F 7 = {x P : x 2 x = 7, x 2 = }, es decir, el subsistema está compuesto por las filas y 6 de A: Si x F 7, x cumple con el sistema de ecuaciones: x x 2 = x 2 = Que tiene como solución única a Luego, ( 4 x = ) F 7 = {( )} 4 F = {x P : x =, x 2 = }, asociada a las filas 4 y 6 de A. Si x F, entonces podemos decir, usando las ecuaciones que definen P : 4
5 x = x 2 = que, claramente, es un sistema de inecuaciones infactibles, pues > 7. Se concluye entonces que: F = φ Razonando análogamente, se obtienen las siguientes caras de P {( F 8 = 8)} {( 2 F 9 = 3)} c) El dibujo nos indica que P tiene dimensión completa, lo que, en nuestro caso, se traduce en dim(p ) = 2. Para probar esto último, debemos encontrar 3 puntos afínmente independientes en P. Podemos elegir los vértices pues ( ), 8 ( ) 2, 3 ( 4 P. Este conjunto es afínmente independiente, ) ( ( ( 2 = 3) 8) 5) ( ) 4 ( ) = 8 ( ) 3 3 [ ] 3 Y estos 2 últimos vectores son linealmente independientes pues la matriz es invertible. 5 3 Así, hemos encontrado 3 vectores afínmente independientes en P, luego, por la definici on de dimensión de un poliedro dim(p ) 2. Pero, como estamos en R 2, no hay conjuntos afínmente independientes con más de 3 elementos, lo que implica que dim(p ) 2. Concluimos dim(p ) = 2. Ahora, para las caras F i, con i = 4, 7, 8, 9, que son vértices, se tiene que los máximos conjuntos afínmente independientes contenidos en cada una de ellas contienen sóiílo un punto. Luego, dim(f i ) = =, para i = 4, 7, 8, 9 Calculemos dim(f 5 ), recordemos que: F 5 = {( ( 5 + λ ) ) } : λ Claramente, F 5 no puede contener 3 puntos afínmente independientes, por la forma en que se escriben los puntos que pertenecen a F 5. 5
6 ( 5 Si tomamos, ) ( 6 F ) 5, como ( ) 6 ( ) ( ( 5 = ) ) Luego, este punto forma un conjunto linealmente independiente. Así, dim(f 5 ), y como habíamos dicho que dim(f 5 ) < 2, se concluye dim(f 5 ) =. Para el resto de las caras es análogo, es decir, dim(f i ) =, cuando i =, 2, 3, 6 Las facetas son las caras maximales, es decir que no hay otra cara ( P ) que las contenga. Por lo calculado en la parte anterior, se ve que las caras que cumplen con esta condición son F, F 2, F 3, F 5.F 6. d) La descripción minimal viene de eliminar las restricciones a t x = b que no definen facetas, es decir, tales que {x P a t x = b} no es una faceta de P. La descripicón minimal entonces es: P : x 2 x 7 5x + x 2 3 2x + 3x 2 3 x 2 x 2 x R 2 e) Recordemos las definiciones de cono característico y de espacio lineal: El cono característico de P o char.cone(p ) es o equivalentemente, char.cone(p ) = {y : x P, x + y P } char.cone(p ) = {y : Ay } El espacio lineal de P o lin.space(p ) o equivalentemente, lin.space(p ) = {y : x P, x ± y P } lin.space(p ) = {y : Ay = } Encontremos char.cone(p ), por definición 6
7 char.cone(p ) = y : ) y 2 ( y Si y char.cone(p ), se cumplen las siguentes ecuaciones: y 2 y 5y + y 2 2y + 3y 2 y y 2 y 2 En particular, y 2 =, luego, podemos escribir, simplificando las ecuaciones anteriores: y y y y y 2 y 2 Así, char.cone(p ) = {y R 2 : y, y 2 = } Ahora veamoe el cálculo de lin.space(p ), por definición: char.cone(p ) = y : Tomando y lin.space(p ), se cumple ) = y 2 ( y 7
8 y 2 y = 5y + y 2 = 2y + 3y 2 = y = y 2 = y 2 = de donde, inmediatamente, se concluye que y = y 2 =. y, por lo tanto: {( lin.space(p ) = )} f ) No, pues P no es un poliedro acotado. Para ver esto, note que que el cono característico es {}, por lo tanto P no puede ser acotado. Otra forma de verlos es recordar que F 5 P es una cara no acotada de P, y por lo tanto, P es no acotado. P3 Considere el conjunto X = {x {, } 4 : 3x + x 2 + 4x 3 + 2x 4 7}. a) Enumere un cubrimiento minimal asociados al conjunto X. b) Cuál es el máximo valor que puede tomar α para que la desigualdad x + x 2 + x 3 + αx 4 3 sea válida para X? Define esta desigualdad una faceta de conv(x)? Solución: a) Cuando consideramos el Knapsack Problem S = x {, }n : n a j x j b j= Un cubrimiento (o cover), es un subconjunto C de índices tales que: a j > b () j C Y C es un cubrimiento minimal si, k C, j C\{k} a j b (2) Para nuestro caso particular, un conjunto de índices que cumple las condiciones () y (2) es C = {, 2, 3} b) Claramente la desigualdad, para x 4 = es válida, pues siempre se cumple: x + x 2 + x 3 3 8
9 Para encontrar el α, usemos la técnica de lifting. Sabemos que se debe cumplir α 3 ζ, donde ζ = máx { x + x 2 + x 3 : x X, x 4 = }. Para calcular ζ, notemos que si x 4 =, la desigualdad de la mochila nos queda: O, equivalentemente 3x + x 2 + 4x x + x 2 + 4x 3 5 ( ) De donde ζ < 3, pues ( ) nos dice que las 3 variables no pueden ser todas no nulas. Si tomamos x =, x 2 =, x 3 =, entonces la desigualdad ( ) se cumple, y, por lo tanto, ζ 2. Luego, ζ = 2. En conclusión, α 3 2, es decir, α. Así, el máximo α posible es α =. Se obtiene la siguiente desigualdad válida : x + x 2 + x 3 + x 4 3 Antes de seguir resolviendo problemas como locos: Recordemos que es lo que dice el teorema de Holgura complementaria: TEOREMA de HC: Si (P) y (D) son un par primal-dual (de programación lineal), entonces x es óptimo de (P), y es óptimo de (D) x es factible para (P), y es factible para (D) y se cumplen las ecuaciones y i (b i A i x) = i x j (c j A t j y) = j Esta desigualdad también se podría haber obtenido planteando la desigualdad asociada al cubrimiento (no minimal) C = {, 2, 3, 4}. Pero la idea del problema era usar lifting, para encontrar el máximo valor de α válido. 9
10 Podemos ocupar el Teorema de para comprobar si un punto factible x (resp. y ) es óptimo de (P) (resp. (D)). La idea es utilizar las ecuaciones que aparecen en el teorema para intentar despejar un y (resp. x ). Si es posible encontrar éste y (resp. x ) y comprobamos que es un elemento factible de (D) (resp. (P)), por el Teorema de HC podemos concluir que x y y son los óptimos respectivos OBS: en otras palabras, es importante no sólo resolver la ecuación, sino que también comprobar que la solución de la ecuación se factible. P4 (Ejercicio 3 del capítulo 7 del Wolsey) Considere el - knapsack problem n máx c j x j : j= n a j x j b, x {, } n j= con a j, c j > j. r (a) Pruebe que si c a,..., cn a n >, a j b y j= x j = si j =,..., r, x r = b r j= aj a r y x j = si j = r +,..., n. (b) Resuelva el siguiente problema: r a j > b, entonces el óptimo de la relajación lineal es j= Solución: máx 7x + x x 3 + 7x 4 5x + 3x 2 + 8x 3 + 7x 4 2 x {, } 4 (a) Hay al menos 2 formas: por contradicción o usando la observación a anterior sobre HC. (b) Primero resolvamos la relajación lineal del problema, si la solución resulta entera estamos listos, si no al menos obtenemos una cota superior z para el valor de la solución óptimo entero. Para resolver el problema relajado usaremos la parte (a). Ordenando de mayor a menor los cuocientes cj a j, obtenemos la solución x = (,, 2, ), cuyo valor de la función objetivo es 39,5 (así z = 39,5). Lamentablemente la solución no es entera, debemos usar otra metodología para resolver el problema. Usaremos Branch & Bound: Usaremos una ramificación típica en problemas con variables binarias: en cada paso dividiremos el conjunto factible en 2 partes, una en la cual fijamos alguna variable x i = y en la otra parte fijamos la misma variable x i =. para acotar usaremos algunos de los criterios vistos en clase para podar nodos, y la parte (a) para resolver las relajaciones lineales. Empecemos!: como el óptimo del relajado tiene la tercera coordenada no entera decidimos ramificar en x 3 (podríamos haber hecho cualquier otra elección, no tenemos alguna razón de peso para elegir x 3 ), así particionamos el conjunto factible en los 2 conjuntos siguientes: S = {x {, } 4 : 5x + 3x 2 + 8x 3 + 7x 4 2}
11 S = {x {, } 4 : 5x + 3x 2 + 8x 3 + 7x 4 2, x 3 = } que simplificados se pueden escribir S = {x {, } 4 : 5x + 3x 2 + 8x 3 + 7x 4 2, x 3 = } S = {x {, } 4 : 5x + 3x 2 + 7x 4 2, x 3 = } S = {x {, } 4 : 5x + 3x 2 + 7x 4 4, x 3 = } Una de las decisiones importantes que uno toma en Branch & Bound es el orden en que uno empieza a mirar (explorar) los nodos que se van formando, en este caso dados por los conjuntos S, S. Partamos mirando el nodo asociado a S. S : Como se tiene x 3 = el número el problema se vuelve más fácil de analizar, pues recuerden que queremos el máximo posible de variables con valor igual a, para que la función valga lo máximo posible; mirando un poco la restricción asociada al conjunto, vemos que la única variable que puede ser es x 2, por lo tanto concluimos que x = (,,, ), con valor de la función objetivo 35. Como el máximo en S es más grande que el máximo sólo considerando S se tiene que z = 35 es una cota inferior para el problema. Además, el nodo asociado a S no es necesario seguir explorandolo, pues encontramos su óptimo (entero!!), por lo que podemos decir que el nodo es podado por optimalidad. S : En este caso encontrar el óptimo entero no es tan fácil, así que no nos calentamos la cabeza y calculamos (usando la parte (a)) el óptimo de la relajación lineal, que nos da x = (,,, 4 7 ), con valor de función objetivo OBS: No es necesario, pero con esto y lo anterior nos damos cuenta de que tenemos una nueva cota superior z = máx{35, } = Sigamos con el problema. Ramificando en x 4, obtenemos los siguientes conjuntos: S = {x {, } 4 : 5x + 3x 2 2, x 3 =, x 4 = } S = {x {, } 4 : 5x + 3x 2 5, x 3 =, x 4 = } S : Análogamente a lo hecho al analizar S, podemos fácilmente encontrar el óptimo entero x = (,,, ), con valor objetivo 27. Este nodo puede se podado por optimalidad, o bien por cota, pues se tiene 27 < z = 35, ie, el máximo del problema completo es mucho mayor que 27. S : De la misma manera podemos encontrar acá el óptimo entero x = (,,, ), con valor función objetivo 7. Este nodo puede se podado por optimalidad, o bien por cota, pues se tiene 7 < z = 35, ie, el máximo del problema completo es mucho mayor que 7. Recapitulemos: Todas las hojas que se nos han formado en el árbol están todas podadas, por lo tanto no hay ninguna que nos quede por explorar, por lo que podemos afirmar que hemos encontrado el óptimo. Cómo encuentro el óptimo? Fácil, corresponde al mejor óptimo entre los nodos que fueron podados por optimalidad, como el problema es de maximización, se concluye que el mejor óptimo (el de valor más grande) fue encontrado en el nodo S. Conclusión: el punto óptimo es x = (,,, ).
12 P5 Considere el siguiente LP : mín x + 2x 2 x + x 2 4 x + 5x 2 5 x Z 2 + (a) Pruebe que x = ( 5 4, 4 ) es la solución óptima de la relajación lineal del problema anterior. (b) Encuentre un corte de Gomory para x. Solución: (a) Se puede hacer gráficamente o como en el Problema. (b) Recuerdo: un problema lineal {mín c t x : Ax = b, x } puede ser escrito como: mín c B x B + c N x N x B + B Nx N = B b x B, x N donde estamos diciendo que A = [B N], con B una base, x B son las variables básicas, x N las no básicas y c B, c N los costos respectivos. ( ) En particular lo anterior se puede hacer si tenemos un óptimo x B = b, con B su base asociada. Si llamamos à = [ I B N ], b = B b, los cortes de Gomory asociados al óptimo x = se pueden escribir, para cada i B: j N ) (Ãij Ãij x j b i bi Si observamos bien las desigualdades anteriores, que ( son válidas ) pues se obtienen usando el método de Chvátal-Gomory, dejan fuera al óptimo x B = b si y sólo si x posee una coordenada no entera. En efecto, por ejemplo, si b i es no entera la desigualdad i-ésima, evaluada en el óptimo x resulta: b i bi > Osea no se cumple la desigualdad, por lo tanto deja fuera del espacio factible a x. OBS: note que basta sólo una desigualdad para deshacernos de x, la correspondiente a alguna coordenada no entera. Volvamos con el ejercicio. Escribamos la relajación del problema dado en el enunciado usando variables de holgura: ( b ) mín x + 2x 2 x + x 2 x 3 = 4 x + 5x 2 x 4 = 5 x 2
13 Así podemos escribir el óptimo x = ( 5 4, 4,, ). Con esto: ] Y haciendo unos calculillos: B = [ 5 N = [ 5 Ã = 4 [ Con esto podemos escribir fácilmente las 2 desigualdades (una por cada variable básica): es decir, ( 54 ) ( ( 2) x 3 + ( ) 4 x 3 + ) 4 x ( 4 ) ( ) x x x x x 4 4 Observamos que como las 2 coordenadas básicas del óptimo son no enteras ambas restricciones dejan fuera al óptimo. Dado que, en este caso, las restricciones están escritas en función de las variables de holgura, una pregunta interesante es cómo escribir las desigualdades en función de las variables originales (que es lo que nos interesa)? La respuesta es despejandolas del sistema Ax = b. En nuestro caso obtenemos: ] ] O equivalentemente, 3 4 (x + x 2 4) + 4 (x + 5x 2 5) (x + x 2 4) (x + 5x 2 5) 4 Ambas desigualdades cortan a x = ( 5 4, 4 ). x + 2x 2 5 x + 4x 2 5 The End 3
Algoritmos de Planos de Corte
Algoritmos de Planos de Corte Problema: max {cx / x X} con X = {x / Ax b, x Z n + } Proposición: conv (X) es un poliedro que puede entonces escribirse como conv (X) = {x / Ax b, x 0} Lo mismo ocurre para
Más detallesMétodos de Optimización para la toma de decisiones
Facultad de Ingeniería Departamento de Ciencias de la Ingeniería Magíster en Logística y Gestión de Operaciones Métodos de Optimización para la toma de decisiones MLG-521 Programación Entera 1º Semestre
Más detallesAnálisis Post Optimal y Algoritmo de Ramificación y Acotamiento
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Análisis Post Optimal y Algoritmo de Ramificación y Acotamiento Marcel Goic F.
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesCO5411. Prof. Bernardo Feijoo. 13 de febrero de Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar
Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar 13 de febrero de 2008 Contenido 1 Contenido 1 Existe un vector x 0 que cumple Bx = a a T u 0 para todos los u que satisfacen B T
Más detallesDualidad. Dpto. Ingeniería Industrial, Universidad de Chile. 22 de abril de IN3701, Optimización
Contenidos Motivación y Representación de Poliedros IN3701, Optimización 22 de abril de 2009 Contenidos Motivación y Representación de Poliedros Contenidos 1 Motivación 2 y Representación de Poliedros
Más detalles84 Tema 3. Dualidad. todas las restricciones son del tipo, todas las variables son no negativas.
Tema 3 Dualidad En el desarrollo de la programación lineal la teoria de la dualidad es importante, tanto desde el punto de vista teórico como desde el punto de vista práctico. Para cada modelo lineal se
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesCO5411. Dantzig-Wolfe / Descomposición de Benders. Prof. Bernardo Feijoo. 06 de febrero de 2008
Dantzig-Wolfe / Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar 06 de febrero de 2008 Contenido 1 Dantzig-Wolfe 2 Contenido Dantzig-Wolfe 1 Dantzig-Wolfe 2 Ahora la nueva base produce
Más detallesNelson Devia C Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3 Contenidos
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesLección 51. Funciones III. Funciones lineales
Lección 51 Funciones III Funciones lineales Una función lineal es una función de la forma f (x) = mx + b, donde m y b son constantes. Se llama lineal porque su gráfica es una línea recta, en el plano R
Más detallesmáx 5x 1 + 7x 2 s.a 2x 1 + x x 1 + 9x 2 41 x 1 0, x 2 0, enteras, z opt z opt 38
Programación Lineal Entera / Investigación Operativa PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 4. Resuelve el siguiente problema de programación entera por el método Branch and Bound: máx 5x + 7x s.a
Más detallesGuía de Problemas para el Control 2
Guía de Problemas para el Control 2 Geometría Problema 1 Demuestre que la intersección de conjuntos convexos es un conjunto convexo. Utilizando esto demuestre que todo poliedro es un conjunto convexo.
Más detallesControl 2 IN mayo 2009
Profs: Auxs: Daniel Espinoza Gonzalo Romero Víctor Bucarey Nelson Devia Jocelyn González Daniel Lillo Fernando Solari Control 2 IN3701 28 mayo 2009 Pregunta 1 La empresa de pigmentos LILLO & Co. debe decidir
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesGeometría y Poliedros
IN3701, Optimización 3 de agosto de 2009 Contenidos 1 Definiciones Básicas Definición 2.1 S R n es un poliedro si S = {x R n : Ax b} para algún A R m n, b R m. Definición 2.2 S R n es acotado si existe
Más detallesAuxiliar 7: Dualidad
IN3701: Modelamiento y Optimización Profs: Richard Weber, Rodrigo Wolf Coordinador: M. Siebert Aux: V. Bucarey, N. Devia, P. Obrecht Auxiliar 7: Dualidad Lunes 5 de Diciembre de 2011 Pregunta 1: Dualidad
Más detallesTema 18. Programación lineal Formulación primal de un programa lineal
Tema 18 Programación lineal 18.1. Formulación primal de un programa lineal Dentro de la programación matemática hablamos de programación lineal (PL) si tanto la función objetivo como las restricciones
Más detallesPROBLEMAS RESUELTOS del espacio vectorial curso
PROBLEMAS RESUELTOS del espacio vectorial curso - - Consideremos el conjunto R formado por todas las parejas () de números reales Se define en R la operación interna ()( )( ) una de las operaciones eternas
Más detallesAlgoritmo de ramificación y acotación
Algoritmo de ramificación y acotación Investigación Operativa Ingeniería Técnica en Informática de Gestión UC3M Curso 08/09 Descripción de los objetivos En esta práctica desarrollaremos el algoritmo de
Más detallesmax c T x s.a. Ax b x 0 y un diccionario general para dicho problema a rs x s, c s x s z = d + b r y r min b T y s.a. A T y c y 0
CO-34 (S8) 25/3/28 8 Formalizaremos lo visto en la clase anterior. Considere un problema en forma estándar max s.a. c T x Ax b x un diccionario general para dicho problema x r = b r + a rs x s, s NB z
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesProgramación lineal entera (PLE)
Programación lineal entera (PLE) Qué es un problema de programación lineal entera?: sujeto a Max c x Ax b x Z + Qué es un problema de programación lineal entera mixta (PLEM)? Algunas variables son continuas
Más detallesEjercicios Resueltos 1 / Algebra / 2008
Ejercicios Resueltos 1 / Algebra / 008 Profesora: María Leonor Varas (Sección 4) Auxiliares: Sebastián Astroza & Diego Morán A continuación veremos un ejemplo de un tipo de problemas de inducción, los
Más detallesOptimización de Problemas no lineales.
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Optimización de Problemas no lineales. Marcel Goic F. Esta es una versión bastante
Más detallesForma estándar de un programa lineal
Forma estándar de un programa lineal Sin pérdida de generalidad, todo programa lineal se puede escribir como: min cx s.t Ax = b x 0 Objetivo: minimizar Todas las desigualdades como ecuaciones Todas las
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA MÉTODOS DE RESOLUCIÓN Redondeo: DESACONSEJABLE: Por producir malas soluciones Por producir soluciones infactibles Ejemplo PLA Max F(X) = 4x 1 + 3x 2 s.a. 2x 1 + x 2 2 3x 1 +
Más detallesDegeneración y ciclaje. Método de las dos fases CO-3411 (S08) 30/03/
CO-3411 (S08 30/03/2008 98 Degeneración y ciclaje En el caso de problemas generales, una solución será degenerada cuando alguna de las variables básicas se encuentra en una de sus cotas (comparar con el
Más detallesOpción A ( ) ( ) º. Álgebra lineal. Noviembre 2017
Opción A Ejercicio. (Puntuación máxima: puntos) Discútase el siguiente sistema según los valores del parámetro λ y resuélvase en los casos en que sea compatible. x + λ y = λx + y = x + y = λ x + λ y =
Más detallesTeniendo en cuenta los valores de las variables se tienen 3 tipos de modelos lineales enteros:
Tema 5 Programación entera En este tema introducimos problemas lineales en los que algunas o todas las variables están restringidas a tomar valores enteros. Para resolver este tipo de problemas se han
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. CURSO 2008/2009. PRUEBA ESCRITA DEL BLOQUE DE ÁLGEBRA. 9 de diciembre de 2008.
IES Salduba MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II CURSO 008/009 PRUEBA ESCRITA DEL BLOQUE DE ÁLGEBRA 9 de diciembre de 008 Bloque I Unidades y Sistemas de ecuaciones lineales Matrices Ejercicio
Más detallesProblemas resueltos del libro de texto. Tema 8. Geometría Analítica.
Problemas resueltos del libro de texto Tema 8 Geometría Analítica Combinación lineal de vectores 9- Es evidente que sí es combinación lineal de estos dos vectores, ya que -4 y permiten escribir z como
Más detallesJesús Getán y Eva Boj. Marzo de 2014
Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj 1 / 51 Formulación general del problema Óptimos locales Condición de regularidad Condiciones
Más detallesRepaso del algoritmo SIMPLEX
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN70K: Clase Auxiliar Repaso del algoritmo SIMPLEX Marcel Goic F. 1 1 Esta es una versión bastante
Más detallesCAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA
CAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA Programación Lineal Entera Es una técnica que permite modelar y resolver problemas cuya característica principal es que el conjunto de soluciones factibles es discreto.
Más detalles(a) (0.5 puntos) Compruebe que esta ecuación tiene exactamente una solución en el intervalo
UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERÍA. INSTITUTO DE CIENCIAS BÁSICAS. Cálculo Numérico, Control 1. Semestre Otoño 007 Problema 1. Se desea encontrar una raíz de la función f(x) = cos (x) x.
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesEl algoritmo del Simplex. Forma tabular
El algoritmo del Simplex. Forma tabular 1 Soluciones básicas factibles Consideremos el siguiente poliedro P = {x R n, tal que Ax = b, x } con A M m n, b R m, m n, x y RangoA = RangoA, b = m. Observación
Más detallesContinuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 2017Asturias: Red de 1 Universidades Virtuales Iberoamericanas Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesMATEMÁTICAS II. Apuntes
MATEMÁTICAS II. Apuntes Curso preparatorio para el acceso a la universidad para mayores de 25 años Tema 4 Arturo de Pablo Elena Romera Open Course Ware, UCM http://ocw.ucm.es/matematicas 4 GEOMETRÍA Este
Más detallesOptimización lineal. Diego A. Patino. 2 de septiembre de Pontificia Universidad Javeriana 1/ 29
Optimización lineal Diego A. Patino Pontificia Universidad Javeriana 2 de septiembre de 2016 1/ 29 Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones 2/
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesExamen bloque Álgebra Opcion A. Solución
Examen bloque Álgebra Opcion A EJERCICIO 1A (2 5 puntos) Halle la matriz X que verifique la ecuación matricial A2 X = A B C, siendo A, B y C las matrices Halle la matriz X que verifique la ecuación matricial
Más detalles1. INECUACIONES LINEALES CON DOS INCÓGNITAS.
TEMA 2: PROGRAMACIÓN LINEAL 1. INECUACIONES LINEALES CON DOS INCÓGNITAS. Se llama inecuación lineal con dos incógnitas a una inecuación de la forma: a x +b y c ( puede ser >,
Más detallesContenido. 1 Resolución mediante planos de corte. Resolución mediante planos de corte
Contenido 1 Resolución mediante planos de corte para LP para IP Facultad de Ingeniería. UdelaR Fundamentos de Programación Entera 1/20 para LP para IP Resolución mediante planos de corte La metodología
Más detallesIN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0
IN3701 - Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 Acá va una pequeña guía con problemas resueltos de Geometría en Programación Lineal con problemas básicamente extraídos del
Más detallesPROGRAMACIÓN LINEAL. Def.-. Un sistema de inecuaciones lineales con dos incógnitas es un conjunto de dos o más inecuaciones de dicho tipo.
PROGRAMACIÓN LINEAL Nota.- Un problema de programación lineal consiste en determinar los posibles valores óptimos (máximos o mínimos absolutos) de una función de dos variables F(x,y) = ax + by con a y
Más detallesIntroducción a la Teoría de Códigos
Introducción a la Teoría de Códigos M.A. García, L. Martínez, T. Ramírez Facultad de Ciencia y Tecnología. UPV/EHU Ejercicios y Problemas resueltos Tema 3: CÓDIGOS LINEALES Mayo de 2017 Ejercicios Resueltos:
Más detallesApellidos:... Nombre:... Examen
Cálculo Numérico I. Grado en Matemáticas y doble grado Física/Matemáticas. 16 de junio de 017 Curso 016/017. Apellidos:... Nombre:... Examen 1. Explicar razonadamente si las siguientes afirmaciones son
Más detallesSistemas de Ecuaciones Diferenciales
Semana 8 - Clase 5// Tema 4: Sistemas y Series Sistemas de Ecuaciones Diferenciales Cuando consideramos la evolución de sistemas con varios grados de libertad o con varias partículas, naturalmente arribamos
Más detallesEscuela de algoritmos de aproximación
Escuela de algoritmos de aproximación Módulo 2: Introducción a los algoritmos de aproximación Francisco Javier Zaragoza Martínez Universidad Autónoma Metropolitana Unidad Azcapotzalco ITAM, 14 de septiembre
Más detallesSea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares).
Capítulo 6 Espacios Vectoriales 6.1 Definiciones Sea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares). Definición 6.1.1 Se dice que
Más detallesLa Geometría de la Programación Lineal
La Geometría de la Programación Lineal Basado en Bertsimas Tsitsiklis Introduction to Linear Optimization Chap. IN7 Modelamiento y Optimización Nelson Devia C. Introducción Se dice que un conjunto S en
Más detallesVectores. 2. Se puede ver que un vector es paralelo a otro si el producto cruz entre estos corresponde al vector cero, es decir
Respuestas Guía de ejercicios N 4 parte Complemento Vectores. Un vector ortogonal a vectores, simultáneamente, corresponde al producto cruz, luego a = α 0 0 = α(î + ĵ + ˆk) y a = α + + = α α = Por lo tanto
Más detallesFundamentos de Programación Entera. 6. Planos de corte. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera 6. Planos de corte Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesResuelve. Unidad 4. Vectores en el espacio. BACHILLERATO Matemáticas II. Diagonal de un ortoedro y volumen de un paralelepípedo.
Resuelve Página Diagonal de un ortoedro y volumen de un paralelepípedo. Expresa la diagonal de un ortoedro en función de sus dimensiones, a, b y c. c b a c c b b a Diagonal = a + b + c. Calcula el volumen
Más detalles1. Ecuaciones lineales en cuerpos finitos
1. Ecuaciones lineales en cuerpos finitos Un cuerpo es un conjunto F dotado de dos operaciones suma y producto, usualmente denotadas por + y que satisfacen los axiomas de los números reales, exceptuando
Más detallesProgramación Lineal. - Si no: Sea j tal que c
Programación Lineal El objetivo de este documento es hacer una breve introducción a la programación lineal que pueda contribuir al fácil manejo de la aplicación. La programación lineal es un procedimiento
Más detallesDualidad 1. 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. 5 Condiciones de holgura complementaria.
Dualidad 1 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. Condiciones de holgura complementaria. 6 Solución dual óptima en la tabla. 7 Interpretación
Más detallesContinuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Más detallesRAMIFICAR-ACOTAR Y PLANOS DE CORTE
RAMIFICAR-ACOTAR Y PLANOS DE CORTE ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES EL MÉTODO RAMIFICAR-ACOTAR (RA) (ingl. Branch
Más detallesTema 7. El espacio vectorial R n Conceptos generales
Tema 7 El espacio vectorial R n. 7.1. Conceptos generales Un vector es un segmento orientado que queda determinado por su longitud, dirección y sentido. Sin embargo, desde el punto de vista del Álgebra,
Más detallesMétodo de Gradientes Conjugados.
Método de Gradientes Conjugados. Lourdes Fabiola Uribe Richaud & Juan Esaú Trejo Espino. Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas February 17, 2015 1 Método de Direcciones
Más detallesSOLUCIONES COMENTADAS
Departamento de Matemática Aplicada Curso 14-15 Facultad de Informática, UPM Matemática Discreta I (MI) Control 1 21-10-14 SOLUCIONES COMENTADAS Ejercicio 1. (1 punto) Se trazan 18 segmentos en el plano
Más detallesÁLGEBRA Ejercicios no resueltos de la Práctica 5
ÁLGEBRA Ejercicios no resueltos de la Práctica 5 Espacios vectoriales (Curso 2007 2008) 5. En el espacio vectorial real IR 3 consideramos las siguientes bases: - la base canónica C = {ē 1, ē 2, ē 3 } =
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-2 SEMANA 7: ESPACIOS VECTORIALES 3.5. Generadores de un espacio vectorial Sea V un espacio vectorial
Más detallesUNIDAD 6.- PROGRAMACIÓN LINEAL
UNIDAD 6.- PROGRAMACIÓN LINEAL 1. INECUACIONES LINEALES CON DOS INCÓGNITAS Una inecuación de primer grado con dos incógnitas es una inecuación que en forma reducida se puede expresar de la siguiente forma:
Más detallesSistemas de dos ecuaciones lineales de primer grado con dos incógnitas
Un sistema de dos ecuaciones lineales de primer grado con dos incógnitas tiene la siguiente forma Ax + By + C = 0 A x + B y + C (1) = 0 Ya sabemos que una ecuación lineal de primer grado con dos incógnitas
Más detallesSolución de problemas I 1
Universidad Autónoma de Madrid Álgebra II. Físicas. Curso 5 6 Solución de problemas I Álgebra II Curso 5-6. Proyecciones en el producto escalar estándar Ejercicio 7.7. (a) Dada la ecuación x + y z, dar
Más detallesAlgunos Ejercicios Resueltos para C2 (MA1B2).
Algunos Ejercicios Resueltos para C2 (MAB2). Profesora: María Leonor Varas Auxiliares: Sebastián Astroza & Diego Morán P Sea W el subespacio vectorial de R 4 generado por los vectores: 2 3 2 3 (i) Determine
Más detallesCAPÍTULO II METODOLOGÍA DE SOLUCIÓN. Este capítulo es de suma importancia ya que en él se explica la metodología de solución
CAPÍTULO II METODOLOGÍA DE SOLUCIÓN Este capítulo es de suma importancia ya que en él se explica la metodología de solución utilizada en este trabajo para resolver de manera exacta el Problema de Localización
Más detallesConjuntos y funciones convexas
Conjuntos y funciones convexas Un conjunto X R n se dice convexo si para todo par de puntos x 1 y x 2 en X, λ x 1 + ( 1- λ) x 2 X, para todo λ [0,1] Qué significa esto geométricamente? Un punto λ x 1 +
Más detallesTema 4: Programación lineal
Tema 4: Programación lineal 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 detallesECUACIONES DE RECTAS Y PLANOS
ECUACIONES DE RECTAS Y PLANOS Una recta en el plano está determinada cuando se dan dos puntos cualesquiera de la recta, o un punto de la recta y su dirección (su pendiente o ángulo de inclinación). La
Más detallesTema 4: Programación lineal
Tema 4: Programación lineal 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 detallesUn sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Más detallesExamen de Investigación Operativa 2006/07
Examen de Investigación Operativa 2006/07 ITIG-UC3M, 10 de septiembre de 2007, 10:00-12:00 Nombre, apellidos, grupo y NIA: Problema 1 Problema 2 Problema 3 Problema 4 Total Nota: indica en cada caso el
Más detallesTEST IO-I T1. CONCEPTOS PREVIOS. C1.1. Cualquier conjunto convexo tiene al menos un punto extremo?
TEST IO-I T1. CONCEPTOS PREVIOS C1.1. Cualquier conjunto convexo tiene al menos un punto extremo? a) Puede tener puntos extremos. b) Puede no tener puntos extremos. c) Puede tener vértices. C1.2. Es convexo
Más detallesUniversidad Carlos III de Madrid Licenciatura en Administración de Empresas Examen de Programación Matemática 19 de Septiembre de 2007 Soluciones
Universidad Carlos III de Madrid Licenciatura en Administración de Empresas Examen de Programación Matemática 9 de Septiembre de 7 Soluciones. ( puntos Tu empresa proporciona automóviles a algunos de sus
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesTEMA 1: ECONOMÍAS DE INTERCAMBIO October 6, 2015
TEMA 1: ECONOMÍAS DE INTERCAMBIO October 6, 2015 1. Asignaciones Eficientes, equilibrios de Walras Una economía de intercambio está constituida por un conjunto de agentes {1, 2,..., I}, con sus relaciones
Más detallesProgramación Lineal. Yolanda Hinojosa
Programación Lineal Yolanda Hinojosa Contenido Formulación primal de un programa lineal. Propiedades Algoritmo del simplex Algoritmo dual del simplex Formulación dual de un programa lineal. Propiedades
Más detallesEjemplo: Buscar el máximo de la función 3x 2y sujeta a las siguientes restricciones: x 0 y 0 5x 4y 40 La región del plano es la calculada en el ejempl
3.3 PROGRAMACIÓN LINEAL La programación lineal sirve para hallar el máximo o el mínimo de una cierta expresión lineal, llamada función objetivo, sometida a una serie de restricciones expresadas como inecuaciones
Más detallesBa s e, d i M e n s i ó n y Mat r i z
Unidad 4 Ba s e, d i M e n s i ó n y Mat r i z de transición Objetivos: Al inalizar la unidad, el alumno: Conocerá la deinición de base de un espacio vectorial Identiicará bases canónicas para algunos
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesTEMA 11: INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA CON VARIABLES DISCRETAS
TEMA 11: INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA CON VARIABLES DISCRETAS 1.- ECUACIONES LINEALES (MILP) 1.1.- Formulación 1.2.- Algoritmos para resolver MILPs 2.- VISIÓN GENERAL DE LOS ALGORITMOS DE
Más detallesProblemas de programación entera: El método Ramifica y Acota. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Problemas de programación entera: El método Ramifica y Acota Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema La estrategia Divide y vencerás Árboles de enumeración
Más detallesProgramación entera 1
Programación entera 1 1. El modelo de programación entera. 2. Aplicaciones de la programación entera. 3. Solución gráfica de problemas enteros. 4. El algoritmo de ramificación y acotación. 5. El algoritmo
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesSe desea resolver el problema. P : mín f(x) (5.1)
Capítulo 5 Teoría Lagrangiana 5.1. Condiciones para problemas con restricciones de igualdad. Se desea resolver el problema P : mín f(x) (5.1) s.a : h i (x) = 0 i = 1, 2..., m donde f : IR n IR y h i :
Más detallesTema 5 Dualidad y condiciones de Karush-Kuhn-Tucker
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 5 Condiciones de Karush-Kuhn-Tucker (KKT). Problemas
Más detallesApellidos: Nombre: Curso: 2º Grupo: A Día: 28 - IV 14 CURSO Opción A 1.- Sean las matrices A = , B =
S Instrucciones: EXAMEN DE MATEMATICAS II 3ª EVALUACIÓN Apellidos: Nombre: Curso: º Grupo: A Día: 8 - IV 4 CURSO 03-4 a) Duración: HORA y 30 MINUTOS. b) Debes elegir entre realizar únicamente los cuatro
Más detallesColección de Problemas II. mín Z = 8x 1 + 9x 2 + 7x 3 s. a: x 1 + x 2 + x x 1 + 3x 2 + x x 1 + x 2 x 3 30
1.- Dado el siguiente problema mín Z = 8x 1 + 9x + 7x 3 s. a: x 1 + x + x 3 40 x 1 + 3x + x 3 10 x 1 + x x 3 30 x 1 0, x 0, x 3 0 A) Plantear el problema dual y escribir las condiciones de la holgura complementaria
Más detallesPOST-OPTIMIZACIÓN Y SENSIBILIDAD EN PROBLEMAS LINEALES.
POST-OPTIMIZACIÓN Y SENSIBILIDAD EN PROBLEMAS LINEALES. Una de las hipótesis básicas de los problemas lineales es la constancia de los coeficientes que aparecen en el problema. Esta hipótesis solamente
Más detalles