Un atributo expresa las características del centro decisor, que son medibles con independencia del mismo.
|
|
- Agustín Salazar Sandoval
- hace 5 años
- Vistas:
Transcripción
1 NOTAS SOBRE PROGRAMACIÓN MULTICRITERIO Y RIESGO PROGRAMACIÓN MULTICRITERIO. El punto de partida de este enfoque teórico es que, en muchas ocasiones, los agentes económicos no optimizan sus decisiones de acuerdo con un único objetivo, sino que pretenden buscar un equilibrio o compromiso entre un conjunto de objetivos en conflicto, o bien pretenden satisfacer en la medida de lo posible una serie de metas asociadas a dichos objetivos. Cuando hay más objetivos que el de maximizar el ingreso es de esperar que entren en conflicto unos con otros, con lo que probablemente no se alcanzará una solución única, sino que ésta dependerá de la importancia relativa que para el agricultor tengan los distintos objetivos, es decir, cuánto está dispuesto a sacrificar un objetivo con tal de mejorar el nivel alcanzado en los restantes. Conceptos básicos de la Teoría de la Decisión. A continuación se definen los conceptos utilizados en la Teoría de la Decisión Multicriterio. Un atributo expresa las características del centro decisor, que son medibles con independencia del mismo. Un objetivo es un atributo al cual el centro decisor le ha asociado una dirección de mejora. Esta puede ser maximización o minimización. El objetivo debe ser una función matemática de las variables de decisión. Si el centro decisor asigna un determinado nivel de aspiración a un atributo el resultado es una meta. Los niveles de aspiración pueden tener un origen subjetivo o basarse en razones legales, ecológicas, etc. Los problemas pueden, pues, plantearse en base a metas o en base a objetivos, en función de si los atributos tienen un nivel fijado de aspiración o sólo una dirección de mejora. Una restricción es una condición o valor del atributo que tiene que cumplirse necesariamente, ya que de lo contrario la solución sería imposible. La expresión matemática de una restricción es semejante a la de una meta, pero su significado es distinto. Un criterio es un concepto deliberadamente ambiguo que puede aplicarse a un atributo, un objetivo o una meta. Clasificación de los métodos multicriterio. Son 2 las características para identificar los diferentes métodos multiobjetivo: los flujos de información y el contexto de toma de decisiones. Los flujos de información son importantes porque determinan el papel que va a desempeñar el analista en el proceso de toma de decisiones. De una forma simplificada se pueden considerar
2 dos tipos de flujos de información, del analista al centro decisor y del centro decisor al analista. En el primero de ellos el analista transmite al centro decisor los resultados del conjunto eficiente, alternativas no dominadas, niveles de consecución de los objetivos y conflictividad entre los mismos. El segundo tipo de flujo de información se caracteriza porque el centro decisor articula explícitamente sus preferencias y las transmite al analista para que este identifique la mejor solución. Muchas técnicas utilizan exclusivamente uno de estos flujos de información. No obstante, las técnicas interactivas utilizan ambos tipos para alcanzar la solución. El contexto de toma de decisiones se refiere a si la situación estudiada se caracteriza por un único centro decisor o si, por el contrario, hay múltiples centros decisores. En este último caso, los conflictos para el centro decisor son tanto internos como externos. A pesar de esta diferenciación, en muchas ocasiones es posible tratar problemas con centros decisores múltiples como si fueran problemas multiobjetivo más simplificados. De este modo, un centro decisor público puede recoger simultáneamente los intereses de varios grupos sociales. En función de estas consideraciones se pueden clasificar las técnicas en tres tipos diferentes: técnicas generadoras del conjunto eficiente, métodos que incorporan preferencias y métodos de toma de decisiones múltiples. Las técnicas generadoras consisten en el desarrollo de la información disponible acerca del problema multiobjetivo y presentarle al centro decisor las soluciones posibles y el grado de conflictividad entre las mismas. Los analistas aplican una técnica generadora con el objeto de encontrar una representación exacta o aproximada del conjunto no inferior en los espacios de decisión y de las variables. Los resultados son presentados en forma de tablas y/o gráficos al centro decisor, el cual, basándose en esta información, selecciona una solución. Por tanto, el objetivo de estos métodos multicriterio no es la predicción o el análisis político, sino la generación y evaluación de las alternativas en términos de varios objetivos. Las preferencias del centro decisor no son introducidas hasta el final del proceso, quedando la labor del analista al margen de las mismas. Estos métodos son los que menos información previa requieren, por lo que son aplicables a un amplio rango de contextos decisionales. Por el contrario, la tarea previa a realizar en los métodos que incorporan preferencias es obtener una articulación de las mismas. En este caso la solución se encuentra sin necesidad de generar el conjunto de soluciones no dominadas. Si las preferencias pueden ser representadas de forma paramétrica el problema se reduce a encontrar el máximo de una función de utilidad multiatributo. En la mayoría de ocasiones no es posible ajustar una forma funcional a las preferencias, por lo que se utilizan algunos métodos aproximativos, en los cuales los atributos son ponderados, como en el caso de la programación por metas. Estos métodos son aplicables a situaciones en las que un único centro decisor (o uno que engloba a varios grupos) está dispuesto a articular sus preferencias de manera explícita. Las dificultades inherentes a los problemas de toma de decisiones con centros decisores múltiples son la causa de que exista un menor consenso acerca de cuál es el enfoque apropiado. Las técnicas utilizadas proceden de los campos de la economía del bienestar, la ciencia política (social choice) y la investigación operativa. Aunque estos problemas son los
3 más frecuentes, son también los menos desarrollados, por lo que su aplicación práctica ha sido más limitada. En el campo de la investigación operativa multicriterio el énfasis se ha puesto en la construcción de una gran cantidad de algoritmos de toma de decisiones multicriterio, sin haberse puesto de acuerdo en decidir cuáles de ellos eran los mejores. Un ejemplo típico de esto ha sido lo ocurrido con el método ELECTRE en Francia. A lo largo de 10 años muchos analistas pensaron que este era el método ideal para tratar problemas multicriterio complicados, aunque el mismo no satisface ningún conjunto de axiomas consistentes y razonables (Arrow y Raynaud, 1989). El centro decisor debe saber que en el análisis multicriterio puede ser víctima de una serie de sesgos personales que deben ser evitados. Por ello, más que un simple algoritmo, es deseable que el método tenga unos fundamentos sólidos. Se pueden establecer los siguientes criterios de clasificación: 1.- Tamaño del conjunto de soluciones factibles. El número de alternativas puede ser infinito o finito, lo que permite diferenciar entre métodos continuos y métodos discretos. 2.- En función de cómo se articulen las preferencias del centro decisor, a priori, interactivamente o a posteriori. En la Programación Multiobjetivo el centro decisor no articula sus preferencias hasta el final del proceso de decisión. La tarea del analista consiste en ofrecer el conjunto de soluciones eficientes al centro decisor para que éste escoja. En la Programación por Metas el centro decisor articula sus preferencias en primer lugar, asignando un conjunto de pesos a los distintos criterios que indican la intensidad de preferencias. A partir de estos pesos el analista genera una única solución. En la Programación Interactiva las preferencias se van modelando poco a poco mediante un proceso interactivo entre el analista y el centro decisor: se le van presentando soluciones al centro decisor para distintas combinaciones de las ponderaciones y se le pregunta si le satisface. En caso negativo, se le sugiere cómo ha de cambiar las ponderaciones. Los métodos continuos normalmente pueden aplicarse a problemas discretos, no obstante, se han desarrollado métodos específicos para este último tipo de problemas. Un proceso decisional multicriterio discreto consta de los siguientes elementos: 1.- Un conjunto de m puntos (E1,..,Em) que representan las posibles alternativas o elecciones del centro decisor. 2.- Un conjunto de n puntos (A1...An) que representan los criterios o atributos relevantes para el correspondiente problema.
4 3.- Un conjunto de m*n puntos (R11...Rmn) que representan el resultado alcanzado por cada alternativa en cada uno de los atributos. Rij resultado de la alternativa i-ésima con respecto al criterio j-ésimo.. Todos estos elementos se representan en la matriz decisional. Los métodos multicriterio discretos pretenden realizar una ordenación de las alternativas a partir de la información que proporcionan los resultados. El primero de los métodos discretos es el más consistente a nivel teórico pero el más difícil de aplicar. Bajo ciertos supuestos (que son muy restrictivos y por tanto dificultan la aplicabilidad del método) se realiza una representación paramétrica de la utilidad que reporta cada alternativa (a partir de la agregación de las utilidades que proporciona para cada atributo). La alternativa a escoger sería aquélla que maximizase esta función de utilidad multiatributo. Estas dificultades han hecho aparecer los métodos de sobreclasificación, que son menos sólidos desde un punto de vista teórico y deben ser considerados como simples reglas de clasificación. Programación por metas. Esta técnica minimiza la desviación entre los niveles de aspiración deseados para cada objetivo por el centro decisor y los niveles realmente alcanzados. La suma de desviaciones se pondera según la importancia que cada objetivo tenga para el decisor. La forma general de un programa por metas responde a la estructura siguiente: sujeto a min d = ( á i n i + â i p i ) R X + N - P = T X Fd Donde á i y â i son las ponderaciones que el centro decisor asigna a las desviaciones n i y p i, respectivamente. Los vectores N y P, que recogen las desviaciones negativas y positivas, son calculados como la diferencia entre el valor alcanzado por la meta i y el valor asignado a dicha meta o nivel de aspiración, que es Ti. Por último, las soluciones deben pertenecer al conjunto de soluciones alcanzables, Fd. Los valores T son fijados por el centro decisor de acuerdo con criterios de tipo técnico, económico,etc. Las metas no deben confundirse con una restricción, pese a tener la misma forma matemática. Las restricciones han de cumplirse siempre, mientras que las metas pueden no alcanzarse, siendo este el motivo de la introducción de las variables de desviación.
5 La programación por metas es muy operativa, contando además con la ventaja de dar una solución única al problema planteado. Los inconvenientes que presenta son el exigir mucha información a priori sobre pesos, preferencias y metas del centro decisor. Además, si los niveles de aspiración de las metas son fijados muy bajos, puede generar soluciones no eficientes. Las variantes principales de este método son la programación por metas ponderadas y la programación por metas lexicográficas. En la programación por metas ponderadas, las preferencias entre distintas metas vienen dadas por los pesos. La relación de intercambio entre las distintas metas viene dada por sus pesos relativos. En la programación por metas lexicográficas las metas se ordenan según orden de prioridades, y sólo cuando una meta ha sido alcanzada es cuando se toma en consideración a las metas situadas en una prioridad de orden inferior. Puede haber pesos relativos entre metas situadas dentro de un mismo nivel de prioridad. La relación de intercambio es infinita entre las metas situadas en distintos niveles de prioridad. Los inconvenientes de la programación por metas son los siguientes: - Exige mucha información a priori. - Puede generar soluciones no eficientes. - Mucha sensibilidad de las soluciones a la variación de los pesos relativos. - La existencia de relaciones de intercambio infinitas es poco realista. Como ventajas de la programación por metas destacan las siguientes : - Es muy operativa. - Es compatible con la idea de combinar satisfacer y optimizar. - Genera una solución óptima única. Programación multiobjetivo. Este conjunto de técnicas se basa en el concepto de eficiencia paretiana, el cual establece que una solución es eficiente cuando, dada cualquier otra solución, ésta es, al menos, igual en todas sus componentes siendo la primera superior al menos en una de ellas. Si tenemos, para un determinado problema, sólo tres soluciones alcanzables,definidas por dos criterios, de la siguiente manera: A = (5,10) ; B = (6,8) ; C = (5,8) En este caso, A y B son soluciones eficientes, pero C no lo es al ser igualada en una de sus componentes y ser superada en el otro. El programa multiobjetivo llega a su fin cuando se han generado todas las soluciones eficientes, que constituyen el conjunto eficiente, también llamado no-dominado o paretoeficiente. La formulación del problema como un programa multiobjetivo es :
6 eff Z (X)= [Z1(X)...Zn(X)] X Fd donde eff significa búsqueda de soluciones Pareto-óptimas Zi(X) expresión matemática del objetivo i-ésimo X vector de variables de decisión. Fd conjunto de restricciones que define el conjunto de soluciones factibles. Hay varias técnicas que permiten generar el conjunto eficiente. La primera en aparecer fue la simple ponderación de la función objetivo. A partir de los objetivos iniciales se construye una nueva función que incorpora los objetivos por medio de diferentes pesos y de forma aditiva simple. La expresión matemática es sujeto a maximizar Z (w) = Ó Wi Zi X Fd La segunda técnica consiste en la parametrización de una restricción artificial mientras se optimiza el objetivo restante. sujeto a maximizar Z1 (X) Zk (X) > Lk X Fd donde Lk es el valor de la restricción artificial. La tercera técnica, denominada NISE (Non-inferior Set Estimation Method, Cohon et al, 1979), permite generar el conjunto eficiente cuando sólo existen dos objetivos. El fundamento del método es escoger un máximo error o tolerancia para detener el proceso de búsqueda de nuevos puntos extremos. Se construye para ello una función artificial en la que los pesos vienen definidos en función de las pendientes que generaron los puntos extremos adyacentes. El proceso, además de rápido, nos da como información adicional las pendientes del conjunto eficiente. Z (w) = w1 Z1 (X) + w2 Z2 (x) X Fd Dados dos puntos extremos del conjunto eficiente, S1 y S2, los pesos son : w1/w2 = ( Z2(S2)-Z2(S1) ) / ( Z1(S2)-Z1(S1) )
7 El último método generador del conjunto eficiente es el denominado Simplex Multicriterio (Steuer, 1986), que consiste en un algoritmo que se desplaza de un punto a otro del conjunto eficiente. Este método presenta dificultades para su aplicación, por lo que su empleo de reduce a problemas de tamaño reducido. A pesar de que los métodos multiobjetivo concluyen cuando ha sido generado el conjunto eficiente, el centro decisor suele querer una solución concreta, lo que exige la utilización de alguna técnica adicional en la que se introduzcan de alguna manera las preferencias del centro decisor y se llegue, de esta manera, a una solución única. Los principales inconvenientes de la programación multiobjetivo son : - Exige gran cantidad de cálculos. - Exceso de información que necesita de análisis previo. - El problema se complica enormemente si el número de objetivos es elevado (mayor que 5). - Es sólo el primer paso del proceso de decisión. Es necesaria una segunda fase de resolución en la que se introduzcan las preferencias del centro decisor. Las ventajas de los métodos multiobjetivo son: - Están basados en el concepto de eficiencia paretiana. - Establecen una partición del subconjunto alcanzable entre soluciones eficientes y no eficientes. - No necesitan ninguna articulación a priori de las preferencias del centro decisor. -Hay métodos de generación del conjunto eficiente que proporcionan las condiciones de intercambio (trade-offs) entre objetivos de forma automática.
8 INTRODUCCIÓN DEL RIESGO: CONJUNTO EFICIENTE MARGEN BRUTO-MAXIMIN a) Maximización del margen bruto: MAX 8 X1 + 7 X2 SUBJECT TO 2) X1 + X2 + X3 = 10 3) X1 + 2 X2 <= 12 4) 2 X1 + X2 <= 12 END LP OPTIMUM FOUND AT STEP 2 OBJECTIVE FUNCTION VALUE 1) VARIABLE VALUE REDUCED COST X X X ROW SLACK OR SURPLUS DUAL PRICES 2) ) ) NO. ITERATIONS= 2 RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE X X X INFINITY RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE INFINITY b) Maximin para 6 estados de la naturaleza: MAX MXM SUBJECT TO 2) X1 + X2 + X3 = 10 3) X1 + 2 X2 <= 12 4) 2 X1 + X2 <= 12 5) 13 X1 + 5 X2 - MXM >= 0
9 END 6) 3 X1 + 9 X2 - MXM >= 0 7) 10 X1 + 5 X2 - MXM >= 0 8) 5 X1 + 8 X2 - MXM >= 0 9) 4 X1 + 9 X2 - MXM >= 0 10) 13 X1 + 6 X2 - MXM >= 0 11) 8 X1 + 7 X2 - MB = 0 LP OPTIMUM FOUND AT STEP 1 OBJECTIVE FUNCTION VALUE 1) VARIABLE VALUE REDUCED COST X X X MXM MB ROW SLACK OR SURPLUS DUAL PRICES 2) ) ) ) ) ) ) ) ) ) NO. ITERATIONS= 1 RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE X X X MXM INFINITY MB RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE INFINITY INFINITY INFINITY INFINITY
10 INFINITY INFINITY INFINITY c) Generación del conjunto eficiente mediante parametrización de uno de los objetivos: Añadimos una restricción (12) MB 60) al modelo del apartado b), en la que condicionamos el valor del margen bruto. Después parametrizamos el valor del RHS de esa restricción (parametrizar el RHS de la restricción desde el valor actual, 60, hasta 0 : PARA 12 0), para obtener los puntos esquina del conjunto eficiente MAX MXM SUBJECT TO 2) X1 + X2 + X3 = 10 3) X1 + 2 X2 <= 12 4) 2 X1 + X2 <= 12 5) - MXM + 13 X1 + 5 X2 >= 0 6) - MXM + 3 X1 + 9 X2 >= 0 7) - MXM + 10 X1 + 5 X2 >= 0 8) - MXM + 5 X1 + 8 X2 >= 0 9) - MXM + 4 X1 + 9 X2 >= 0 10) - MXM + 13 X1 + 6 X2 >= 0 11) 8 X1 + 7 X2 - MB = 0 12) MB >= 60 END LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) VARIABLE VALUE REDUCED COST MXM X X X MB ROW SLACK OR SURPLUS DUAL PRICES 2) ) ) ) ) ) ) ) ) ) ) NO. ITERATIONS= 0
11 RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE MXM INFINITY X INFINITY X INFINITY X MB INFINITY RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE INFINITY INFINITY INFINITY INFINITY INFINITY INFINITY INFINITY VAR VAR PIVOT RHS DUAL PRICE OBJ OUT IN ROW VAL BEFORE PIVOT VAL SLK 7 SLK E
Optimización y Programación Lineal
Optimización y Programación Lineal La regla del 100 % 17 de febrero de 2011 La regla del 100 % () Optimización y Programación Lineal 17 de febrero de 2011 1 / 21 Introducción Introducción Veamos ahora
Más detallesTC3001: Optimización y Programación Lineal Examen Final Solución Profr. Eduardo Uresti, Agosto-Diciembre 2008
TC3001: Optimización y Programación Lineal Examen Final Profr. Eduardo Uresti, Agosto-Diciembre 2008 Matrícula: Nombre: 1. Suponga que se tiene disponible la siguiente información salida de LINDO a un
Más detallesProgramación Lineal y Optimización Segundo Examen Parcial:Solución Profr. Eduardo Uresti, Enero-Mayo 2012
Matrícula: Nombre: Programación Lineal y Optimización Segundo Examen Parcial: Profr. Eduardo Uresti, Enero-Mayo 2012 SÓLO HAGA 4 PROBLEMAS 1. Suponga que tiene una empresa que produce tres tipos de productos
Más detallesUNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL ROSARIO INVESTIGACIÓN OPERATIVA PRÁCTICA: ANÁLISIS DE SENSIBILIDAD DUALIDAD PARAMETRIZACIÓN
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL ROSARIO INVESTIGACIÓN OPERATIVA PRÁCTICA: ANÁLISIS DE SENSIBILIDAD DUALIDAD PARAMETRIZACIÓN Ejercicio 1 Sea el siguiente programa lineal: Max z = 2x1-1
Más detallesProgramación Lineal y Optimización Segundo Examen Parcial Profr. Eduardo Uresti, enero-mayo 2013
Programación Lineal y Optimización Segundo Examen Parcial Profr. Eduardo Uresti, enero-mayo 2013 Matrícula: Nombre: NO HAGA MÁS DE 105 PUNTOS 1. Suponga que tiene una empresa que produce tres tipos de
Más detallesProgramación Lineal y Optimización Segundo Examen Parcial Respuesta: :Solución Profr. Eduardo Uresti, Agosto-Diciembre 2011
Matrícula: Nombre: Programación Lineal y Optimización Segundo Examen Parcial Respuesta: : Profr. Eduardo Uresti, Agosto-Diciembre 2011 1. Suponga que tiene una empresa que produce tres tipos de productos
Más detallesMATEMÁTICAS II Examen del 2/12/2004 Solución Importante
MATEMÁTICAS II Examen del //004 Solución Importante Las calificaciones se harán públicas en la página web de la asignatura y en el tablón de anuncios del Dpto. de Métodos Cuantitativos en Economía y Gestión
Más detallesDECISIÓN MULTICRITERIO
DECISIÓN MULTICRITERIO JOSÉ MARÍA MORENO JIMÉNEZ moreno@unizar.es Facultad de Económicas José María Moreno Jiménez (GDMZ). S2-1 S2. MULTICRITERIO CONTINUA. Modelos de satisfacción
Más detallesANALISIS DE SENSIBILIDAD
ANALISIS DE SENSIBILIDAD El análisis de sensibilidad también es conocido como el análisis de post optimalidad. Aquí se estudia cómo ciertos cambios de los parámetros del modelo matemático pueden afectar
Más detallesMin. 2x + 4y + 11z Coste s.a x + 2y + 5z 300 horas en la primera fase 3x + 2y + 2z 200 horas en la segunda fase x, y, z 0
MATEMÁTICAS II Grupo GF 10-6-16 1Ca APELLIDOS: NOMBRE: NOTA: No se admitirán respuestas basadas en la resolución gráfica (salvo que se indique explícitamente en el enunciado) ni ninguna forma de resolución
Más detallesProgramación 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 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 detallesEJERCICIOS DE ANALISIS DE SENSIBILIDAD
EJERCICIOS DE ANALISIS DE SENSIBILIDAD Investigación de Operaciones (Prof. Miguel Sierra) 1) EJERCICIO RESUELTO A continuación se muestra la formulación y el reporte en Lindo se obtiene por la producción
Más detallesProgramación 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 detallesToma de Decisiones Multicriterios. Sistema Analítico Jerárquico Leonardo Sierra Varela. Leonardo Sierra Varela 1
Toma de Decisiones Sistema Analítico Jerárquico Leonardo Sierra Varela Leonardo Sierra Varela 1 1. INTRODUCCIÓN 1.1.- Análisis Multicriterios MULICRITERIOS 2.1.- de diferentes técnicas multicriterios.
Más detallesDatos técnicos y económicos A B B B C C C Coste variable por min (um)
1. EL PROBLEMA 1 En una empresa se fabrican tres productos A, B y C. Los tres productos comparten en sus procesos de producción cuatro máquinas M1, M2, M3 y M4. El producto A utiliza tres operaciones en
Más detallesPráctica de informática del programa LINDO
FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES PROGRAMACIÓN MATEMÁTICA Práctica de informática del programa LINDO Curso 2004-05 LINDO 6.1 es un programa de entorno Windows, que sirve para resolver problemas
Más detallesLa Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 Aspectos generales Se considera a George Dantzig el padre de la P. L. Su objetivo es el de asignar recursos escasos a actividades que compiten por ellos.
Más detallesEXTENSIONES DE LA PROGRAMACIÓN LINEAL
EXTENSIONES DE LA PROGRAMACIÓN LINEAL MODELOS OPTIMIZANTES MUNDO REAL ABSTRACCION OPERACION M MODELOS DE DECISIÓN NO RESTRINGIDOS RESTRINGIDOS MIN 6 / x 1 + 5 x 1 + 7 / x 2 + x 1.x 2 PROGRAMAS MATEMÁTICOS
Más detallesINSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO. Modelado y Análisis M. EN C. EDUARDO BUSTOS FARÍAS
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelado y Análisis M. EN C. EDUARDO BUSTOS FARÍAS 1 Análisis y Modelaje Son los componentes más importantes de un DSS Base de modelos y gestión
Más detalles1. Análisis de la situación 3 1.1. Objetivo... 3 1.2. Hipótesis... 3
Índice 1. Análisis de la situación 3 1.1. Objetivo................................ 3 1.2. Hipótesis............................... 3 2. Modelo 3 2.1. Definición de variables........................ 3 2.2.
Más detallesLINGO - Parte 3. Análisis de sensibilidad con LINGO
Optimització Curs 2006/2007 Assignatura d Estadística, UAB LINGO - Parte 3 Análisis de sensibilidad con LINGO Ejemplo Una carpintería industrial produce tablas de madera de cuatro tamaños: pequeñas, medianas,
Más detallesResolvamos los modelos de una vez por todas (aunque tengan más de dos variables) Usaremos el Método Simplex, desarrollado por George Dantzig en 1947
Teórica III Nuevamente recordamos que este material es de apoyo a las clases teóricas. Si no asistieron a la clase, les faltarán varias cosas que tienen que ver con el trabajo en clase y con las explicaciones
Más detallesProgramación Matemática para Economistas 1
Programación Matemática para Economistas 1 CAPÍTULO 4. TOMA DE DECISIONES MULTICRITERIO. 1.- Introducción. Los problemas de programación lineal vistos hasta ahora, no implicaban ninguna decisión. Una vez
Más detallesC APÍTULO 3 DUALIDAD Introducción
C APÍTULO 3 DUALIDAD 3.1.- Introducción Supongamos que tenemos que encontrar el valor mínimo de la función f(x). Encontrar ee mínimo (problema PRIMAL) equivale a encontrar el máximo (problema DUAL) del
Más detallesa) Plantee el problema multiobjetivo de la empresa, obtenga los óptimos individuales y la matriz de pagos.
1.- Una empresa papelera de propiedad pública fabrica dos productos: pulpa de celulosa obtenida por medios mecánicos y pulpa de celulosa obtenida por medios químicos. Las capacidades máimas de producción
Más detallesANALISIS DE SENSIBILIDAD CON GAMS-CPLEX
ANALISIS DE SENSIBILIDAD CON GAMS-CPLEX Un de los principales inconvenientes de GAMS a la hora de su aplicación total en los módulos de practicas de las materias de Programación Matemática y similares
Más detallesPROBLEMAS DE OPTIMIZACIÓN
PROBLEMAS DE OPTIMIZACIÓN ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES PROBLEMA DE OPTIMIZACIÓN Dada una situación interesante
Más detallesDecisión multicriterio
Decisión multicriterio Problemas económicos Cuando sólo hay un criterio, se puede decir que la decisión es un problema tecnológico, no hay que elegir nada, sólo buscar Cuando hay varios criterios, la decisión
Más detallesLa Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 Aspectos generales Se considera a George Dantzig el padre de la P. L. Su objetivo es el de asignar recursos escasos a actividades que compiten por ellos.
Más detallesTEMA 50: ANÁLISIS MULTIOBJETIVO-MULTICRITERIO APLICADOS A TECNOLOGÍA SIG. Aprender los conceptos básicos del análisis multiobjetivo-multicriterio
TEMA 50: ANÁLISIS MULTIOBJETIVO-MULTICRITERIO APLICADOS A TECNOLOGÍA SIG OBJETIVOS DEL TEMA: Aprender los conceptos básicos del análisis multiobjetivo-multicriterio Comprender la aplicación de este tipo
Más detallesEl análisis de los problemas de localización es un área fértil de investigación
El análisis de los problemas de localización es un área fértil de investigación desde principios de siglo. El primer modelo de localización fue propuesto por Alfred Weber en 1909 [1], y domino por muchos
Más detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY
25 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación
Más detallesCAPÍTULO II ANÁLISIS DE DECISIONES
CAPÍTULO II ANÁLISIS DE DECISIONES 2.1 EL PROCESO DE TOMA DE DECISIONES La toma de decisiones es un proceso de selección entre cursos alternativos de acción, basado en un conjunto de criterios, para alcanzar
Más detallesLa Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 El Método Simplex Desarrollado en 1947 por George Dantzig como parte de un proyecto para el Departamento de Defensa Se basa en la propiedad de la solución
Más detallesmax z = c T x sujeto a Ax b
Tema 4 Análisis de sensibilidad El análisis de sensibilidad se realiza después de obtener la solución óptima de un modelo lineal para deteminar como afectan los cambios en los parámetros del modelo a la
Más detallesUNIVERSIDAD PERUANA LOS ANDES NEGOCIOS APLICATIVO - WINQBS
UNIVERSIDAD PERUANA LOS ANDES Facultad de Ciencias i Administrativas i ti y Contables METODOS CUANTITATIVOS DE NEGOCIOS APLICATIVO - WINQBS Formular y resolver modelos de optimización: programación lineal
Más detallesLINDO: Explicación del significado de los resultados obtenidos mediante el software LINDO
LINDO: Explicación del significado de los resultados obtenidos mediante el software LINDO Realizado por: Virginia N. Barros. Supervisado por: Pablo Echevarría. Modelos y Optimización I 1 Para poder entender
Más detallesPROPUESTAS PARA ANALIZAR LOS PRECIOS SOMBRA EN LAS AULAS. Lourdes Canós 1 Teresa León 2 Vicente Liern 1
PROPUESTAS PARA ANALIZAR LOS PRECIOS SOMBRA EN LAS AULAS Lourdes Canós 1 Teresa León 2 Vicente Liern 1 1 Dep. de Economía Financiera y Matemática. 2 Dep. de Estadística e Inv. Operativa. Universitat de
Más detalles"TEORÍA DE LA OPTIMIZACIÓN"
NOMBRE: "TEORÍA DE LA OTIMIZACIÓN" MODELO DE EXAMEN EJERCICIO UNT NOTA.5.5 3.5 4.5 5.5 6 7.5 8 TOTAL 0 EJERCICIO Nº : Estudiar la convexidad de la siuiente función dependiendo de los valores de los parámetros
Más detallesDUALIDAD EN PROGRAMACIÓN LINEAL CON LINDO
DUALIDAD EN PROGRAMACIÓN LINEAL CON LINDO Autores: Ángel A. Juan (ajuanp@uoc.edu), Javier Faulin (ffaulin@uoc.edu). ESQUEMA DE CONTENIDOS Partes de un problema de PL Precios duales o precios sombra Dualidad
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detalles7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
Más detallesTeoría de juegos. Andrés Ramos
Teoría de juegos Andrés Ramos http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu Contenido 1. Introducción 2. Juegos bipersonales de suma 0 con estrategias puras 3. Juegos bipersonales de suma
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Programación por Objetivos Proporciona una manera racional de intentar alcanzar varios objetivos de manera simultánea, jerarquizando los mismos o asociándoles una ponderación
Más detallesInvestigación Operativa
Investigación Operativa Unidad temática 3.3: Extensiones de la programación lineal. Programación con objetivos múltiples. Fundamentos y aplicaciones. Variables irrestrictas. Programación por objetivos.
Más detallesFundamentos de la programación lineal. Función Objetivo (F.O.): Para seleccionar qué función objetivo debe elegirse se toma en cuenta lo siguiente:
Fundamentos de la programación lineal Se llama programación lineal al conjunto de técnicas matemáticas que pretenden resolver la situación siguiente: Optimizar (maximizar o minimizar) una función objetivo,
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 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 detallesProgramación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
Más detallesMétodo Simplex en Optimización de Problemas de Producción
Método Simplex en Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile - Fernando Islas - Carlos Testuri Héctor Cancela - Antonio Mauttone Depto. Investigación Operativa. Instituto de Computación.
Más detallesDecisiones multicriterio
Decisiones multicriterio La toma de decisiones multicriterio Un problema puede considerarse como un problema multicriterio si y sólo si: existen al menos dos criterios en conflicto existen al menos dos
Más detallesComenzaremos presentando la idea principal del método de Karmarkar, para después describir los detalles de cómputo del algoritmo.
MÉTODO DEL PUNTO INTERIOR DE KARMARKAR Con el método símplex se obtiene una solución óptima siguiendo una ruta de puntos extremos adyacentes, a lo largo de las orillas del espacio de soluciones. Aunque
Más detallesMódulo 2. Programación Multiobjetivo bajo Incertidumbre
Módulo. Programación Multiobjetivo bajo Incertidumbre Patricia Jaramillo y Ricardo Smith Q. Instituto de Sistemas y Ciencias de la Decisión Facultad de Minas Universidad Nacional de Colombia, Medellín,
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 detallesEstadís7ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 8. Programación lineal y métodos de op7mización
Estadís7ca Tema 8. Programación lineal y métodos de op7mización María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación
Más detallesCurso 2018 Segundo Cuatrimestre
Teórica I PRIMERA CLASE: Introducción Definiciones Básicas Clasificaciones Primer caso de estudio Información General Condiciones para aprobar la cursada 75% de asistencia a las clases teóricas y prácticas
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Presentación del Programa de Investigación de Operaciones Estudiantes:
Más detallesCAPÍTULO 1. El análisis de los problemas de localización es un área fértil de investigación
CAPÍTULO 1. Introducción. El análisis de los problemas de localización es un área fértil de investigación desde principios de siglo. El primer modelo de localización fue propuesto por Alfred Weber en 1909
Más detallesTeoría de juegos Andrés Ramos Universidad Pontificia Comillas
Teoría de juegos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TEORÍA DE JUEGOS 1 Teoría de juegos 1. Matriz de pagos 2. Clasificación 3.
Más detalles3. Diseño de la solución
3. Diseño de la solución 3.1. Diseño del Algoritmo En el siguiente capítulo se desarrollará cada de las variables y requerimientos en el sistema de lógica difusa desarrollado. 3.2. Diagrama de bloques
Más detallesPROBLEMA 1. Considere el siguiente problema de programación lineal:
PROBLEMA 1 Considere el siguiente problema de programación lineal: Sean h1 y h2 las variables de holgura correspondientes a la primera y segunda restricción, respectivamente, de manera que al aplicar el
Más detallesProgramación lineal Optimización de procesos químicos DIQUIMA-ETSII
Programación lineal PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL se formula siguiendo el planteamiento general: Función objetivo Restricciones de igualdad Restricciones de desigualdad Límite variables PROGRAMACIÓN
Más detallesCorrespondencias en la numeración de los ejercicios. Edición 2006 Edición 2004 Edición 2006 Edición 2004
David Pujolar (2006): Fundamentos de Programación Lineal y Optimización en Redes. Ejercicios resueltos de Investigación Operativa asistidos por ordenador ; Universitat Autònoma de Barcelona. ISBN: 84-490-2359-9.
Más detallesEJERCICIO 1. Max Z = 6 x x 2 s.r. (1) 4 x x 2 12 (2) 2 x x 2 16 (3) 2 x 1 6 x 1, x 2 0
Considere el Programa Lineal siguiente: EJERCICIO Max Z 6 x + 9 x 2 s.r. () 4 x + 6 x 2 2 (2) 2 x + 8 x 2 6 (3) 2 x 6 x, x 2 0 (.a) 3 2 0 2 3 4 5 6 7 8 El Problema tiene una Región Factible delimitada
Más detallesMétodo de las gran M. Éste método añade variables artificiales, que no deben de aparecer en la solución óptima final
Método de las gran M Éste método añade variables artificiales, que no deben de aparecer en la solución óptima final P o = c 1 x 1 +. + c n x n P a = c 1 x 1 +. + c n x n + Mx a1 +.+Mx am Objetivo original
Más detallesINTRODUCION. Definiciones generales del Análisis de sensibilidad
INTRODUCION La asignación de probabilidades a los eventos es una tarea difícil que muchos gerentes pueden mostrarse difícil a hacer, por lo menos con cierto grado de exactitud. En algunos casos prefieren
Más detallesLo que se hace entonces es introducir variables artificiales ADAPTACIÓN A OTRAS FORMAS DEL MODELO.
Clase # 8 Hasta el momento sólo se han estudiado problemas en la forma estándar ADAPTACIÓN A OTRAS FORMAS DEL MODELO. Maximizar Z. Restricciones de la forma. Todas las variables no negativas. b i 0 para
Más detallesApuntes de Computación Científica I 1. Optimización
Apuntes de Computación Científica I Optimización 1. Optimización Maximización (de beneficios, flujo,...) o minimización (de costes, recursos, error,...) de una función f(x) Maximizar f(x) es minimizar
Más detalles128 Análisis de la aptitud territorial
Glo s a r i o Álgebra lineal. Rama de las matemáticas dedicada al estudio de vectores, espacios vectoriales, transformaciones lineales, y sistemas de ecuaciones lineales. El álgebra lineal es una representación
Más detallesAlgorítmica y Lenguajes de Programación. Complejidad computacional
Algorítmica y Lenguajes de Programación Complejidad computacional Complejidad computacional. Introducción La complejidad computacional estudia la dificultad inherente de problemas de importancia teórica
Más detallesEjemplo 1: Programación Entera
Repaso Prueba 2 Ejemplo 1: Programación Entera Supongamos que una persona está interesada en elegir entre un conjunto de inversiones {1,,7} y quiere hacer un modelo 0,1 para tomar la decisión. Modelar
Más detallesCAPÍTULO 6 PROGRAMACIÓN DINÁMICA. Programación Dinámica
CAPÍTULO 6 PROGRAMACIÓN DINÁMICA Programación Dinámica Programación Dinámica En muchos casos las decisiones del pasado afectan los escenarios del futuro. En estos casos se pueden tomar 2 opciones: asumir
Más detallesTEMA 2: PROGRAMACIÓN LINEAL.
TEMA : PROGRAMACIÓN LINEAL.. 1. INTRODUCCIÓN. La Programación Lineal (PL) puede considerarse como uno de los grandes avances científicos habidos durante la primera mitad del siglo XX y sin duda es una
Más detallesINDICE Parte I. Modelos y Toma de Decisiones 1. Introducción al Análisis Cuantitativo 2. Introducción a la Construcción de Modelos
INDICE Parte I. Modelos y Toma de Decisiones 1 1. Introducción al Análisis Cuantitativo 3 Decisiones empresariales 3 Abstracción y simplificación 4 Construcción de modelos 5 Soluciones 5 Errores 6 Técnicas
Más detallesConjunto Factible. Restricciones en el modelo. Restricciones en el modelo PROGRAMACION LINEAL PARTE 2 MÉTODO GRAFICO ADM- METODO GRAFICO
Gráfica de Restricciones PROGRAMACION LINEAL PARTE MÉTODO GRAFICO En esencia una restricción es una limitación al modelo de programación lineal. Una restricción viene dada por una desigualdad. El gráfico
Más detallesOptimización y Programación Lineal
Optimización y Programación Lineal Método Simplex: Minimización 3 de enero de Método Simplex: Minimización () Optimización y Programación Lineal 3 de enero de / 4 Minimización Minimización En la definición
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 detallesMetaheurísticas. Seminario 3. Problemas de optimización con técnicas basadas en poblaciones
Metaheurísticas Seminario 3. Problemas de optimización con técnicas basadas en poblaciones 1. Estructura de un Algoritmo Genético/Memético y Aspectos de Implementación 2. Problemas de Optimización con
Más detalles5.1. Algoritmo en modelos de maximización
5.1. Algoritmo en modelos de maximización El primer tipo de modelo que vamos a resolver por el método símplex es el que tiene como objetivo maximizar a una función lineal, la cual está sujeta a una serie
Más detallesCONTENIDO Prefacio CAPITULO 1: Qué es la investigación de operaciones? CAPITULO 2: Introducción a la programación lineal...
CONTENIDO Prefacio XV CAPITULO 1: Qué es la investigación de operaciones? 1 1.1 Modelos de investigación de operaciones 1 1.2 Solución del modelo de investigación de operaciones.. 4 1.3 Modelos de colas
Más detallesUNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 4
Ing. César Urquizú UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 4 Ing. César Urquizú Teoría de la dualidad El desarrollo de esta teoría de la dualidad es debido al interés que existe en la interpretación económica
Más detallesTema No. 5 Programación Lineal Entera. Introducción
UNIVERSIDAD NACIONAL EXPERIMENTAL FRANCISCO DE MIRANDA ÁREA DE TECNOLOGÍA DEPARTAMENTO DE GERENCIA INVESTIGACIÓN DE OPERACIONES PROFESOR: Dr. JUAN LUGO MARÍN Tema No. 5 Programación Lineal Entera Introducción
Más detallesModelos y Toma de Decisiones
Modelos y Toma de Decisiones Toma de decisiones Keeney (2004) define decisiones como situaciones donde se reconce que hay que hacer una selección a conciencia de un curso de acción. Es la emisión de un
Más detallesProgramación lineal por metas: una alternativa para la toma de decisiones
Programación lineal por metas: una alternativa para la toma de decisiones Claudia Mayela Alcaraz Avendaño Instituto Tecnológico de Celaya claudia.alcaraz@itcelaya.edu.mx Introducción El presente artículo
Más detalles6. Análisis Paramétrico
Modelos y Optimización I 1 6. Análisis Paramétrico Temario A- Modificación de las dimensiones de un problema. 1- Introducción de nuevos productos. 2- Determinación del beneficio límite para fabricar un
Más detallesUniversidad de Managua Curso de Programación Lineal
Universidad de Managua Curso de Programación Lineal Profesor: MSc. Julio Rito Vargas Avilés. Objetivos y Temáticas del Curso Estudiantes: Facultad de CE y A Año académico: III Cuatrimestre 2014 ORIENTACIONES
Más detallesValor F.O = 0 Coeficientes de Variables en la función Objetivo Variables A C S1 S2 S3 S4. valores RHS Variables Básicas Coef.
Programación Lineal: El Método Simplex : Entendemos que un modelo es lineal cuando las variables, tanto de la Función Objetivo como de las restricciones son lineales, es decir tiene exponente igual a uno,
Más detallesCAPÍTULO 1. MODELOS DE PREFERENCIAS
1 CAPÍTULO 1. MODELOS DE PREFERENCIAS 1. Introducción...2 1.1 Algunos conceptos básicos...2 1.2 El criterio de optimalidad paretiana...3 1.3 La normalización de los criterios...4 1.4 Procedimientos de
Más detallesTema: Recorrido de Grafos. Ruta más corta
PED104. Guía N 12 Página 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación con Estructuras de Datos Tema: Recorrido de Grafos. Ruta más corta Competencia Desarrolla sistemas de información
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 detallesOptimización. Condiciones de Karush-Kuhn-Tucker ITESM. Condiciones de Karush-Kuhn-Tucker Profr. E. Uresti - p. 1/30. Dr. E Uresti
Optimización Condiciones de Karush-Kuhn-Tucker Dr. E Uresti ITESM Condiciones de Karush-Kuhn-Tucker Profr. E. Uresti - p. 1/30 Las condiciones necesarias que deben satisfacer los óptimos de problemas de
Más detallesMICROECONOMÍA II PRIMER SEMESTRE 2007 PROFESOR: ENRIQUE A. BOUR
MICROECONOMÍA II PRIMER SEMESTRE 2007 PROFESOR: ENRIQUE A. BOUR 1. MAXIMIZACIÓN DE LA UTILIDAD. Preferencias del consumidor. Existencia de una función de utilidad. La tasa marginal de sustitución. Comportamiento
Más detallesAño Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS
Año Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS Investigación de operaciones I UNIDAD Unidad I: Programación lineal Conjuntos convexos, propiedades. Solución gráfica del problema bidimensional
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesIntroducción.- Problema dual.-
30 Unidad 3 Análisis de dualidad y sensibilidad Competencia-el estudiante debe convertir un modelo estático en dinámico a través del análisis de sensibilidad basado en dos situaciones cambios en la función
Más detallesSOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL
SOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL Muchos problemas de administración y economía están relacionados con la optimización (maximización o minimización) de una función sujeta a un sistema
Más detalles