Este documento presenta varios temas relacionados con la investigación de operaciones, incluyendo la teoría de dualidad, análisis de sensibilidad, modelos de transporte y métodos para resolver problemas de transporte. Explica que la teoría de dualidad establece que cada problema de programación lineal tiene un problema dual asociado, y que ambos problemas tienen la misma solución óptima. También describe el procedimiento para realizar un análisis de sensibilidad y varios métodos para resolver problemas de transporte como el método de la esquina noroeste.
Este documento presenta 7 problemas de programación lineal resueltos por los autores Jorge Acosta Piscoya y Débora Mejía Pacheco. Cada problema contiene la descripción del problema, las variables de decisión, la función objetivo y las restricciones correspondientes. Los autores formulan cada modelo de programación lineal y proveen la solución gráfica y numérica utilizando software.
El documento describe el método simplex para resolver problemas de programación lineal. El método implica 1) expresar el modelo matemático en forma estándar, 2) elaborar la tabla inicial, 3) determinar la variable no básica que entra, 4) determinar la variable que sale, y 5) aplicar Gauss-Jordan para eliminar la variable que entra. El proceso se repite hasta alcanzar la solución óptima. Se explican también las variables artificiales para generar una solución factible inicial cuando no hay variables holgura.
1. El documento presenta un libro de problemas resueltos de programación lineal con el objetivo de facilitar el aprendizaje de estudiantes. Incluye una variedad de ejercicios sobre diferentes temas como formulación de modelos, simplex tabular, dualidad, entre otros.
2. Se destaca que el libro tiene una estructura diferente a otros textos, ordenando los ejercicios de manera no temática ni por dificultad para hacer el estudio más ameno.
3. Los ejercicios abarcan la mayoría de temas relacionados con la
El método de las dos fases es una variante del algoritmo simplex que resuelve problemas de programación lineal en dos etapas. La primera fase minimiza las variables artificiales para determinar si existe una solución factible. Si la función objetivo es cero, se procede a la segunda fase que elimina las variables artificiales y resuelve el problema original usando simplex tradicional.
El documento describe los conceptos y procedimientos básicos del método gráfico para resolver modelos de programación lineal de dos variables. Explica cómo obtener la región factible intersectando las restricciones graficadas, y cómo determinar la solución óptima desplazando paralelamente la recta de la función objetivo hasta alcanzar un vértice de la región factible. También menciona casos especiales como soluciones alternativas, no acotadas o no factibles.
El documento describe el método gráfico para resolver problemas de programación lineal con dos variables de decisión. Este método consiste en graficar la región factible definida por las restricciones y determinar la solución óptima como el punto en la región que optimiza el valor de la función objetivo.
Solución de problemas en programación linealARLO SOLIS
El documento presenta dos ejercicios de programación lineal que deben resolverse utilizando los métodos de la gran M y de las dos fases. Se pide aplicar ambos métodos paso a paso para cada ejercicio, comparar los resultados y utilizar software de programación lineal. Finalmente, se solicita guardar los ejercicios resueltos y enviarlos para recibir retroalimentación.
Este documento presenta 7 problemas de programación lineal resueltos por los autores Jorge Acosta Piscoya y Débora Mejía Pacheco. Cada problema contiene la descripción del problema, las variables de decisión, la función objetivo y las restricciones correspondientes. Los autores formulan cada modelo de programación lineal y proveen la solución gráfica y numérica utilizando software.
El documento describe el método simplex para resolver problemas de programación lineal. El método implica 1) expresar el modelo matemático en forma estándar, 2) elaborar la tabla inicial, 3) determinar la variable no básica que entra, 4) determinar la variable que sale, y 5) aplicar Gauss-Jordan para eliminar la variable que entra. El proceso se repite hasta alcanzar la solución óptima. Se explican también las variables artificiales para generar una solución factible inicial cuando no hay variables holgura.
1. El documento presenta un libro de problemas resueltos de programación lineal con el objetivo de facilitar el aprendizaje de estudiantes. Incluye una variedad de ejercicios sobre diferentes temas como formulación de modelos, simplex tabular, dualidad, entre otros.
2. Se destaca que el libro tiene una estructura diferente a otros textos, ordenando los ejercicios de manera no temática ni por dificultad para hacer el estudio más ameno.
3. Los ejercicios abarcan la mayoría de temas relacionados con la
El método de las dos fases es una variante del algoritmo simplex que resuelve problemas de programación lineal en dos etapas. La primera fase minimiza las variables artificiales para determinar si existe una solución factible. Si la función objetivo es cero, se procede a la segunda fase que elimina las variables artificiales y resuelve el problema original usando simplex tradicional.
El documento describe los conceptos y procedimientos básicos del método gráfico para resolver modelos de programación lineal de dos variables. Explica cómo obtener la región factible intersectando las restricciones graficadas, y cómo determinar la solución óptima desplazando paralelamente la recta de la función objetivo hasta alcanzar un vértice de la región factible. También menciona casos especiales como soluciones alternativas, no acotadas o no factibles.
El documento describe el método gráfico para resolver problemas de programación lineal con dos variables de decisión. Este método consiste en graficar la región factible definida por las restricciones y determinar la solución óptima como el punto en la región que optimiza el valor de la función objetivo.
Solución de problemas en programación linealARLO SOLIS
El documento presenta dos ejercicios de programación lineal que deben resolverse utilizando los métodos de la gran M y de las dos fases. Se pide aplicar ambos métodos paso a paso para cada ejercicio, comparar los resultados y utilizar software de programación lineal. Finalmente, se solicita guardar los ejercicios resueltos y enviarlos para recibir retroalimentación.
Este documento presenta 14 problemas de programación lineal relacionados con la toma de decisiones sobre producción, mezclas, inversiones y asignación de recursos. Cada problema describe las variables, restricciones y función objetivo de un modelo de programación lineal, y pide determinar la solución óptima que maximice las utilidades o minimice los costos.
El documento presenta información sobre el problema dual en programación lineal. Explica que para cada problema primal de programación lineal existe un problema dual asociado. Describe cómo se puede obtener el problema dual a partir del primal, incluyendo ejemplos. Finalmente, presenta un ejemplo numérico de un problema de maximización de ingresos sujeto a restricciones de capacidad.
Este documento presenta el tema de la programación lineal. Explica que es un método matemático para optimizar una función objetivo sujeto a restricciones. Detalla los pasos para resolver problemas de programación lineal usando métodos gráficos y algebraicos. Finalmente, concluye recomendando enseñar este método en la educación media para optimizar la producción y recursos en empresas.
Este documento presenta varios ejemplos de problemas de programación lineal resueltos. El primero involucra maximizar las ganancias de una empresa que fabrica pantalones y chaquetas mediante el uso óptimo de materiales. El segundo maximiza la producción de mesas de dos modelos sujeto a restricciones de tiempo. El tercero maximiza las ventas de dos tipos de bebidas energéticas.
Este documento presenta 10 ejercicios resueltos sobre el método simplex para resolver problemas de programación lineal. Explica conceptos clave como pivote, vector entrante y vector saliente. Cada ejercicio consiste en definir un objetivo de maximización o minimización sujeto a restricciones, expresarlo en forma estándar y canónica, y aplicar el método de Gauss-Jordan para encontrar la solución óptima.
Este documento resume la teoría de la dualidad y el análisis de sensibilidad en programación lineal. Explica que la teoría de la dualidad establece una relación entre un problema de optimización primal y su problema dual asociado. También describe cómo el análisis de sensibilidad determina los rangos en que los parámetros de un problema pueden variar sin afectar la solución óptima, identificando así los parámetros sensibles. Finalmente, resume los pasos para realizar un análisis de sensibilidad después de resolver un problema mediante el
El documento explica conceptos clave de programación lineal como precio dual, costo reducido, análisis de sensibilidad y sus interpretaciones. El precio dual mide la mejora en el valor óptimo al aumentar una unidad en una restricción activa. El costo reducido mide el cambio necesario en un coeficiente para que una variable de decisión sea positiva. El análisis de sensibilidad estudia cómo cambios en los coeficientes y restricciones afectan la solución óptima.
El documento presenta 44 ejercicios resueltos de programación lineal, incluyendo problemas de maximización y minimización con diferentes números de variables y restricciones. Los ejercicios cubren temas como transporte, producción, asignación de recursos y toma de decisiones económicas.
Este documento presenta el método simplex para resolver problemas de programación lineal. Explica conceptos clave como vector entrante, vector saliente y pivote. Incluye ejemplos numéricos resueltos paso a paso utilizando la técnica de tablas simplex. El objetivo es mostrar cómo aplicar el método simplex para encontrar la solución óptima en problemas de maximización y minimización sujetos a restricciones.
Este documento presenta una introducción a la programación lineal y su aplicación en la toma de decisiones. Explica los pasos del método de programación lineal y proporciona un ejemplo numérico de cómo maximizar las ganancias de una fábrica que produce dos productos utilizando la programación lineal para determinar las cantidades óptimas de cada producto.
Este documento presenta información sobre el modelo de transporte y el algoritmo de transporte. Explica que el modelo de transporte busca determinar la distribución óptima de recursos productivos desde fuentes de abastecimiento a destinos de demanda para minimizar costos. Describe el proceso de construcción del modelo matemático y la metodología del método simplex para resolverlo.
El documento presenta un índice con cinco capítulos sobre programación lineal. El capítulo 1 incluye ejemplos de formulación de modelos de programación lineal, problemas resueltos y aspectos de álgebra lineal relacionados. Los capítulos 2, 3 y 4 cubren el método simplex, dualidad y análisis de sensibilidad respectivamente. El capítulo 5 trata sobre programación entera.
El documento resume los conceptos clave del método simplex para resolver modelos lineales de programación lineal. Explica que el método simplex requiere que el modelo esté en forma estándar y sistema canónico, e involucra iteraciones para moverse entre puntos extremos hasta encontrar la solución óptima maximizando o minimizando la función objetivo.
El documento presenta un problema de programación entera para seleccionar el equipo de gimnasia olímpica de Transilvania que maximice la calificación total. Se debe seleccionar tres personas para dos eventos, sujeto a restricciones en el número de personas por evento. Se formula un modelo matemático para maximizar la calificación total del equipo.
La investigación de operaciones presenta el concepto de dualidad. Se describe un problema de programación lineal con dos fábricas que producen diferentes productos usando recursos escasos. Se formula el problema primal que maximiza la utilidad total y su correspondiente problema dual, que minimiza los costos de los recursos. El problema dual proporciona los precios de equilibrio de los recursos.
Este documento explica el problema dual y el método simplex dual para resolver problemas de programación lineal. 1) El problema dual asocia un problema de minimización a un problema de maximización primal, intercambiando restricciones y variables. 2) El método simplex dual se aplica a problemas con restricciones >= o una combinación de >= y <=. 3) Siguiendo pasos como añadir variables holgura, identificar la variable básica con valor negativo más alto, e intercambiar variables, el método simplex dual resuelve el problema dual asociado.
Un propietario de una cadena de tres supermercados compró cinco cargas de fresas frescas y quiere asignarlas a las tiendas para maximizar las ganancias esperadas. La tabla proporciona estimaciones de ganancias para cada tienda dependiendo de la cantidad de cargas asignadas. Usando programación dinámica, el propietario puede asignar las cargas de dos maneras para obtener una ganancia total esperada de 25 unidades: asignar 2 cargas a la primera tienda, 1 a la segunda y 2 a la tercera, o asignar 5 cargas
La teoría de dualidad introduce el concepto de que todo problema de optimización lineal tiene un problema dual asociado. Describe las dualidades simétrica, asimétrica y mixta y sus propiedades clave, incluida la relación entre las variables primal y dual. Además, explica la interpretación económica de los precios sombra en el problema dual.
Caso éxito. Gestión de la energía en una empresa mexicana, (ICA-Procobre, 19-...Efren Franco
Este documento describe un caso de éxito en la gestión de la energía en una empresa mexicana. La empresa realizó un diagnóstico energético que identificó problemas como variaciones de voltaje e interrupciones de energía causadas por un transformador deficiente. La solución fue reemplazar el transformador por uno de alta eficiencia y hacer mejoras a la instalación eléctrica para cumplir con normas de seguridad. Estos cambios permitieron ahorrar costos de energía, mejorar la confiabilidad del suministro y evitar daños a equip
Este documento presenta la teoría del método simplex para resolver problemas de programación lineal. Explica las propiedades algebraicas y geométricas del método simplex, su forma matricial y cómo permite deducir los cambios en el modelo original. También describe conceptos como soluciones factibles en un vértice, la frontera de la región factible, y cómo cada solución óptima debe estar en la frontera.
A) El problema dual permite resolver problemas lineales donde hay más restricciones que variables mediante la construcción de un modelo matemático alternativo. Resolver el problema dual proporciona automáticamente la solución del problema primal y viceversa.
B) Las condiciones de Kuhn-Tucker relacionan las soluciones óptimas de los problemas primal y dual.
C) La teoría de la dualidad tiene importancia porque facilita resolver problemas lineales de forma más rápida, profundizar en el análisis económico y considerar cambios en las variables del problema primal.
Este documento presenta 14 problemas de programación lineal relacionados con la toma de decisiones sobre producción, mezclas, inversiones y asignación de recursos. Cada problema describe las variables, restricciones y función objetivo de un modelo de programación lineal, y pide determinar la solución óptima que maximice las utilidades o minimice los costos.
El documento presenta información sobre el problema dual en programación lineal. Explica que para cada problema primal de programación lineal existe un problema dual asociado. Describe cómo se puede obtener el problema dual a partir del primal, incluyendo ejemplos. Finalmente, presenta un ejemplo numérico de un problema de maximización de ingresos sujeto a restricciones de capacidad.
Este documento presenta el tema de la programación lineal. Explica que es un método matemático para optimizar una función objetivo sujeto a restricciones. Detalla los pasos para resolver problemas de programación lineal usando métodos gráficos y algebraicos. Finalmente, concluye recomendando enseñar este método en la educación media para optimizar la producción y recursos en empresas.
Este documento presenta varios ejemplos de problemas de programación lineal resueltos. El primero involucra maximizar las ganancias de una empresa que fabrica pantalones y chaquetas mediante el uso óptimo de materiales. El segundo maximiza la producción de mesas de dos modelos sujeto a restricciones de tiempo. El tercero maximiza las ventas de dos tipos de bebidas energéticas.
Este documento presenta 10 ejercicios resueltos sobre el método simplex para resolver problemas de programación lineal. Explica conceptos clave como pivote, vector entrante y vector saliente. Cada ejercicio consiste en definir un objetivo de maximización o minimización sujeto a restricciones, expresarlo en forma estándar y canónica, y aplicar el método de Gauss-Jordan para encontrar la solución óptima.
Este documento resume la teoría de la dualidad y el análisis de sensibilidad en programación lineal. Explica que la teoría de la dualidad establece una relación entre un problema de optimización primal y su problema dual asociado. También describe cómo el análisis de sensibilidad determina los rangos en que los parámetros de un problema pueden variar sin afectar la solución óptima, identificando así los parámetros sensibles. Finalmente, resume los pasos para realizar un análisis de sensibilidad después de resolver un problema mediante el
El documento explica conceptos clave de programación lineal como precio dual, costo reducido, análisis de sensibilidad y sus interpretaciones. El precio dual mide la mejora en el valor óptimo al aumentar una unidad en una restricción activa. El costo reducido mide el cambio necesario en un coeficiente para que una variable de decisión sea positiva. El análisis de sensibilidad estudia cómo cambios en los coeficientes y restricciones afectan la solución óptima.
El documento presenta 44 ejercicios resueltos de programación lineal, incluyendo problemas de maximización y minimización con diferentes números de variables y restricciones. Los ejercicios cubren temas como transporte, producción, asignación de recursos y toma de decisiones económicas.
Este documento presenta el método simplex para resolver problemas de programación lineal. Explica conceptos clave como vector entrante, vector saliente y pivote. Incluye ejemplos numéricos resueltos paso a paso utilizando la técnica de tablas simplex. El objetivo es mostrar cómo aplicar el método simplex para encontrar la solución óptima en problemas de maximización y minimización sujetos a restricciones.
Este documento presenta una introducción a la programación lineal y su aplicación en la toma de decisiones. Explica los pasos del método de programación lineal y proporciona un ejemplo numérico de cómo maximizar las ganancias de una fábrica que produce dos productos utilizando la programación lineal para determinar las cantidades óptimas de cada producto.
Este documento presenta información sobre el modelo de transporte y el algoritmo de transporte. Explica que el modelo de transporte busca determinar la distribución óptima de recursos productivos desde fuentes de abastecimiento a destinos de demanda para minimizar costos. Describe el proceso de construcción del modelo matemático y la metodología del método simplex para resolverlo.
El documento presenta un índice con cinco capítulos sobre programación lineal. El capítulo 1 incluye ejemplos de formulación de modelos de programación lineal, problemas resueltos y aspectos de álgebra lineal relacionados. Los capítulos 2, 3 y 4 cubren el método simplex, dualidad y análisis de sensibilidad respectivamente. El capítulo 5 trata sobre programación entera.
El documento resume los conceptos clave del método simplex para resolver modelos lineales de programación lineal. Explica que el método simplex requiere que el modelo esté en forma estándar y sistema canónico, e involucra iteraciones para moverse entre puntos extremos hasta encontrar la solución óptima maximizando o minimizando la función objetivo.
El documento presenta un problema de programación entera para seleccionar el equipo de gimnasia olímpica de Transilvania que maximice la calificación total. Se debe seleccionar tres personas para dos eventos, sujeto a restricciones en el número de personas por evento. Se formula un modelo matemático para maximizar la calificación total del equipo.
La investigación de operaciones presenta el concepto de dualidad. Se describe un problema de programación lineal con dos fábricas que producen diferentes productos usando recursos escasos. Se formula el problema primal que maximiza la utilidad total y su correspondiente problema dual, que minimiza los costos de los recursos. El problema dual proporciona los precios de equilibrio de los recursos.
Este documento explica el problema dual y el método simplex dual para resolver problemas de programación lineal. 1) El problema dual asocia un problema de minimización a un problema de maximización primal, intercambiando restricciones y variables. 2) El método simplex dual se aplica a problemas con restricciones >= o una combinación de >= y <=. 3) Siguiendo pasos como añadir variables holgura, identificar la variable básica con valor negativo más alto, e intercambiar variables, el método simplex dual resuelve el problema dual asociado.
Un propietario de una cadena de tres supermercados compró cinco cargas de fresas frescas y quiere asignarlas a las tiendas para maximizar las ganancias esperadas. La tabla proporciona estimaciones de ganancias para cada tienda dependiendo de la cantidad de cargas asignadas. Usando programación dinámica, el propietario puede asignar las cargas de dos maneras para obtener una ganancia total esperada de 25 unidades: asignar 2 cargas a la primera tienda, 1 a la segunda y 2 a la tercera, o asignar 5 cargas
La teoría de dualidad introduce el concepto de que todo problema de optimización lineal tiene un problema dual asociado. Describe las dualidades simétrica, asimétrica y mixta y sus propiedades clave, incluida la relación entre las variables primal y dual. Además, explica la interpretación económica de los precios sombra en el problema dual.
Caso éxito. Gestión de la energía en una empresa mexicana, (ICA-Procobre, 19-...Efren Franco
Este documento describe un caso de éxito en la gestión de la energía en una empresa mexicana. La empresa realizó un diagnóstico energético que identificó problemas como variaciones de voltaje e interrupciones de energía causadas por un transformador deficiente. La solución fue reemplazar el transformador por uno de alta eficiencia y hacer mejoras a la instalación eléctrica para cumplir con normas de seguridad. Estos cambios permitieron ahorrar costos de energía, mejorar la confiabilidad del suministro y evitar daños a equip
Este documento presenta la teoría del método simplex para resolver problemas de programación lineal. Explica las propiedades algebraicas y geométricas del método simplex, su forma matricial y cómo permite deducir los cambios en el modelo original. También describe conceptos como soluciones factibles en un vértice, la frontera de la región factible, y cómo cada solución óptima debe estar en la frontera.
A) El problema dual permite resolver problemas lineales donde hay más restricciones que variables mediante la construcción de un modelo matemático alternativo. Resolver el problema dual proporciona automáticamente la solución del problema primal y viceversa.
B) Las condiciones de Kuhn-Tucker relacionan las soluciones óptimas de los problemas primal y dual.
C) La teoría de la dualidad tiene importancia porque facilita resolver problemas lineales de forma más rápida, profundizar en el análisis económico y considerar cambios en las variables del problema primal.
El documento describe el método de las condiciones de Kuhn-Tucker para la optimización matemática de funciones sujetas a restricciones. Este método proporciona condiciones necesarias para que una solución sea óptima mediante la resolución de un sistema de ecuaciones y la verificación de que los multiplicadores de Lagrange son no negativos y se cumplen las restricciones. El método se aplica comúnmente en la toma de decisiones organizacionales.
Presentación 10%
Evaluación - Programación No Numérica 2
José Manuel Dávila Durán
CI V-26.866.696
Instituto Universitario Politécnico Santiago Mariño
Sede Maracay
La programación dinámica es un método de optimización que involucra dividir un problema en subproblemas y almacenar soluciones para no recalcularlas. Se utiliza un principio de optimalidad de Bellman para resolver problemas de decisión en múltiples pasos de manera recursiva. El documento explica los conceptos básicos de programación dinámica incluyendo etapas, estados, recursividad y provee un ejemplo de encontrar la ruta más segura para un viaje en diligencia.
Este documento introduce el tema de la optimización dinámica. Explica que la optimización dinámica busca secuencias óptimas de acciones a lo largo del tiempo para maximizar o minimizar objetivos teniendo en cuenta restricciones y relaciones dinámicas entre variables. Analiza el problema de optimización dinámica en tiempo discreto y continuo usando un ejemplo de proceso productivo de cinco etapas. Finalmente, presenta tres métodos para resolver problemas de optimización dinámica: cálculo de variaciones, teoría del control óptimo
Este documento presenta un resumen sobre programación dinámica. Explica que esta técnica se aplica a problemas que presentan subproblemas óptimos y solapamiento entre subproblemas. También describe que usa un enfoque ascendente para primero calcular soluciones a subproblemas pequeños y luego usar esas soluciones para encontrar soluciones a problemas más grandes, evitando calcular subproblemas repetidos. Finalmente, provee algunos ejemplos de cómo se puede usar la programación dinámica.
Este documento describe los métodos de Lagrange y Kuhn Tucker para la optimización de funciones sujetas a restricciones. Explica las biografías de Lagrange y Kuhn Tucker, y define los multiplicadores de Lagrange y las condiciones de Kuhn Tucker. Además, discute ejemplos y aplicaciones de estos métodos en economía, control y toma de decisiones.
Este documento describe el algoritmo Branch and Bound para resolver problemas de optimización. Branch and Bound crea un árbol de búsqueda donde cada nodo representa un subproblema. El algoritmo evalúa cada nodo y poda ramas que no pueden producir una solución mejor que la actual. Esto reduce el espacio de búsqueda hasta encontrar la solución óptima. El documento también presenta un ejemplo de cómo Branch and Bound resuelve un problema de programación lineal entera.
Este documento presenta una introducción a la teoría de la optimización. Explica que la optimización estudia cómo resolver problemas cuantitativos buscando valores máximos o mínimos de funciones sujetas a restricciones. También describe métodos clásicos como el cálculo de derivadas y el método de Newton, así como el uso de técnicas de optimización en diversas áreas como la ingeniería, economía y biología.
Este documento presenta una introducción a la programación lineal, entera y no lineal. Explica conceptos como el método gráfico, método simplex, dualidad, análisis de sensibilidad y métodos para resolver problemas de programación entera y no lineal como branch and bound y gradiente descendente. También incluye ejemplos y referencias bibliográficas sobre estos temas.
Este documento describe la programación dinámica y varios problemas que pueden resolverse usando este método. Brevemente explica que la programación dinámica divide un problema complejo en subproblemas, almacena las soluciones de estos subproblemas y los usa de manera recursiva para resolver el problema original de manera óptima. Luego, detalla algunos problemas como el problema de la diligencia, el árbol binario de búsqueda óptimo y el problema del vendedor viajero, y cómo se pueden resolver usando programación dinámica.
1) El documento explica el concepto de dualidad en programación lineal, donde un problema primal tiene asociado un problema dual matemáticamente relacionado.
2) Se describen las características y relaciones entre un problema primal de minimización y su correspondiente problema dual de maximización utilizando una tabla primal-dual.
3) El problema dual se obtiene sistemáticamente a partir del problema primal intercambiando variables y restricciones de acuerdo a las reglas de la tabla primal-dual.
Este documento trata sobre la programación dinámica. Explica que la programación dinámica es un método para resolver problemas dividiéndolos en subproblemas superpuestos y encontrando soluciones óptimas recursivamente. También describe algunos problemas como el problema de la diligencia y el problema del vendedor viajero que pueden resolverse usando programación dinámica.
Introducción a la optimización heurística en ingeniería► Victor Yepes
Seminario del profesor Víctor Yepes sobre la optimización heurística en ingeniería realizada en octubre de 2013 en la Pontificia Universidad Católica de Chile
1) Joseph Louis Lagrange fue un matemático, físico y astrónomo italiano que desarrolló la mecánica Lagrangiana y los multiplicadores de Lagrange, un método para resolver problemas de optimización con restricciones.
2) Los multiplicadores de Lagrange permiten reducir problemas de optimización con restricciones a problemas sin restricciones mediante la introducción de nuevas variables.
3) Las condiciones de Karush-Kuhn-Tucker generalizan el método de los multiplicadores de Lagrange para permitir restricciones de desigualdad.
El documento explica la técnica de programación dinámica, la cual divide un problema de optimización en etapas para encontrar la solución óptima de forma recursiva. Describe conceptos como estado, etapa y principio de optimalidad. También presenta ejemplos como el problema de la diligencia y el vendedor viajero para ilustrar cómo aplicar la técnica de forma práctica.
Este documento describe la relación entre un problema de programación lineal primal y su correspondiente problema dual. Explica que para cada problema primal existe un problema dual asociado, y describe los pasos para convertir un problema primal en su forma dual. También incluye ejemplos numéricos que ilustran la conversión de un problema primal a su forma dual.
Los mapas son posiblemente una de las bases de datos más utilizadas en nuestros días. El turista que
recorre un nuevo país o localidad, el edafólogo que realiza un estudio de suelos, el político que desea
conocer la distribución de la población mayor a 18 años; todos requieren de mapas en diferentes escalas
y grados de complejidad. En un mapa es posible asociar una localidad con múltiples fenómenos
naturales y humanos. EL mapear el objeto de estudio (Ej. distribución de tipos de vegetación o suelos,
isoyetas, etc) es esencial para entender tanto su distribución espacial como lasinterrelaciones entre dicha
variable y su ambiente. Es difícil imaginar a un especialista en recursos naturales del siglo XXI sin un
conocimiento apropiado de la cartografía digital y sus áreas de aplicación.
Aun cuando los mapas son esenciales para representar la realidad y sus relaciones espaciotemporales, no debemos olvidar que son solamente una aproximación de la realidad y como tales no
están exentos de distorsiones o errores geométricos (Aranoff, 1989; Burrough,1986). La palabra error
se utiliza en el contexto estadístico y por lo tanto un mapa exacto es aquel que representa fielmente la
realidad. La distorsión geométrica en los mapas es el resultado de representar una superficie curvilínea
como la Tierra en una lámina de papel plana.
Los cartografía general y temática es una de las fuentes más importantes de datos para los Sistemas
de InformaciónGeográfica; por esta razón dedicamos el presente fascículo a explorar algunos conceptos
básicos de cartografía.
El documento presenta un resumen de la Unidad I de la asignatura Seguridad Informática. Define la seguridad informática como la disciplina que se ocupa de diseñar normas y técnicas para conseguir un sistema de información seguro y confiable. La seguridad de la información tiene como objetivo proteger la información y sistemas de acceso, uso o destrucción no autorizados. Finalmente, explica los diferentes tipos de virus informáticos y amenazas a la seguridad como vulnerabilidades.
Linea del tiempo virus y software nelson manaurenmanaure
Este documento presenta una línea de tiempo de los principales softwares y tecnologías que han contribuido al espionaje cibernético desde 1971 hasta la actualidad, incluyendo virus informáticos como Creeper y Melissa, programas de reconocimiento facial después del 11 de septiembre, filtraciones de la CIA y NSA, y spywares recientes como Pegasus y Turla.
Este documento describe modelos matemáticos y la programación lineal. Explica la estructura de los modelos matemáticos y los componentes de un problema de programación lineal. También describe el método simplex para resolver problemas de programación lineal, incluidas sus variantes como la degeneración, óptimos alternativos, solución no acotada y solución no factible.
Las bases de datos son modelos informáticos utilizados por empresas y organizaciones para almacenar datos de forma estructurada, permitiendo compartir información y tomar mejores decisiones. Existen diferentes tipos de bases de datos según factores como el número de usuarios, la ubicación y estructura de los datos. Al implementar una base de datos, se debe analizar cuidadosamente las necesidades de la organización para seleccionar el tipo más adecuado, como una base de datos centralizada para múltiples usuarios. El diseño de una base de datos implica seguir un modelo como el rel
Este documento introduce conceptos clave del cálculo diferencial e integral de funciones reales de varias variables, incluyendo límites, derivadas parciales, gradiente, divergencia y rotacional. Explica definiciones, teoremas y propiedades con ejemplos para facilitar la comprensión de estos temas fundamentales. En conclusión, destaca la importancia de estas herramientas matemáticas para resolver problemas que involucran magnitudes como velocidad y aceleración media.
Recomendaciones diapositivas Nelson Manaure nmanaure
Este documento proporciona recomendaciones para crear diapositivas y presentaciones exitosas. Incluye consejos como utilizar fuentes legibles, aplicar colores fríos, agregar transiciones y ajustar el contraste para las diapositivas. También recomienda cuidar el diseño de la presentación, mantener siempre el contacto visual, proyectar la voz del presentador y practicar la presentación antes de darla.
I. La estadística es importante para comprender y analizar grandes cantidades de datos en diversos campos como la psicología. Permite organizar e interpretar datos de manera significativa.
II. Existen diferentes formas de organizar datos como distribuciones de frecuencias y representaciones gráficas. Las distribuciones de frecuencias muestran el patrón de una variable de manera efectiva.
III. En la psicología, la estadística es necesaria para medir la eficacia de los procedimientos y sacar conclusiones certeras sobre
Este documento introduce conceptos básicos de álgebra vectorial como vectores, ecuaciones paramétricas, plano cartesiano y longitud de arco de curvas. Explica que el álgebra vectorial estudia sistemas de ecuaciones lineales y vectores. Usa ecuaciones paramétricas para representar curvas en el espacio y calcula la longitud de arco integrando funciones paramétricas. También describe el plano cartesiano y cómo ubicar puntos en él.
La Unidad Eudista de Espiritualidad se complace en poner a su disposición el siguiente Triduo Eudista, que tiene como propósito ofrecer tres breves meditaciones sobre Jesucristo Sumo y Eterno Sacerdote, el Sagrado Corazón de Jesús y el Inmaculado Corazón de María. En cada día encuentran una oración inicial, una meditación y una oración final.
José Luis Jiménez Rodríguez
Junio 2024.
“La pedagogía es la metodología de la educación. Constituye una problemática de medios y fines, y en esa problemática estudia las situaciones educativas, las selecciona y luego organiza y asegura su explotación situacional”. Louis Not. 1993.
SEMIOLOGIA DE HEMORRAGIAS DIGESTIVAS.pptxOsiris Urbano
Evaluación de principales hallazgos de la Historia Clínica utiles en la orientación diagnóstica de Hemorragia Digestiva en el abordaje inicial del paciente.
Radicación con expresiones algebraicas para 9no grado
Trabajo dualidad sensibilidad
1. 1
INSTITUTO UNIVERSITARIO DE TECNOLOGÍA
“Antonio José de Sucre”
Edo. Falcón
Catedra: Investigaciones de operaciones
Investigación de Operaciones: Dualidad, Análisis de
Sensibilidad y Transporte
Autor: Nelson Manaure Abreu
C.I.:12790996
Punto Fijo, junio de 2020.
2. 2
TABLA DE CONTENIDO
INTRODUCCION......................................................................................................................... 3
Teoría de Dualidad .................................................................................................................... 4
Relacionesentre modelo dual y primal ................................................................................... 4
Razones para llevar a cabo un análisis de sensibilidad.............................................................. 6
Procedimiento para el análisis de sensibilidad......................................................................... 6
Definición y estructura del modelo de transporte........................................................................ 7
Modelos de Transportes Balanceados y no balanceados.......................................................... 7
Balanceo del modelo de transporte........................................................................................ 9
Técnicas para la solución del problema de transporte.............................................................11
Método de la esquina noroeste .........................................................................................11
Método del costo mínimo..................................................................................................11
Método de aproximación de Vogel (MAV)..........................................................................11
Pruebas para determinar si una solución básica es factible o no óptima...................................12
Método del banquillo........................................................................................................12
Método de los multiplicadores...........................................................................................13
Ejemplo...............................................................................................................................13
Aplicación: Método esquina noroeste ................................................................................14
Aplicación Método Multiplicadores....................................................................................15
Aplicación costo mínimo óptimo........................................................................................15
CONCLUSION ...........................................................................................................................17
BIBIOGRAFÍA............................................................................................................................18
3. 3
INTRODUCCION
La programación Lineal, es un modelo matemático en el que se plantean funciones
de tipo lineal entre variables con la finalidad de buscar un resultado/objetivo.
Ahora bien, dentro de la Programación lineal, se ubica la teoría de la dualidad…
pero… ¿A qué hace referencia esta teoría y por qué se aplica? Un problema dual
(programación lineal) se origina de otro problema de programación lineal y el
resultado de ambos problemas generará el mismo resultado, que enfocados en el
campo de la investigación de operaciones en las empresas se trata de buscar los
mejores resultados en ciertos procesos problemáticos.
En el trabajo que se presenta a continuación, revisaremos cuáles son las principales
razones por las cuales se aplica ésta teoría y además se presentarán los pasos que
se deben cumplir para la resolución de problemas.
Asimismo, se explicará el proceso necesario para lograr hacer un análisis de
sensibilidad, en el que se consideran específicamente las variables importantes de
un problema en estudio.
Por otra parte, se planteará el Modelo de Transporte, aplicado normalmente para
abordar problemáticas dirigidas principalmente a la movilización/distribución de
materia prima o productos terminados desde unos puntos orígenes hasta otros
puntos denominados destinos. Para ello, se abordarán diferentes métodos que
buscan optimizar este proceso reduciendo los costos que se derivan de ésta
operación; los métodos que se estarán trabajando son: Esquina noroeste, Costo
Mínimo, Método de Vogel.
Y Finalmente se estudian los métodos que permite hacer pruebas para determinar
si una solución es factible o no óptima: Método del banquillo y de los multiplicadores.
4. 4
Teoría de Dualidad
Todo problema de programación lineal tiene asociado con él otro problema de
programación lineal llamado DUAL. El problema inicial es llamado PRIMO y el
problema asociado (sombra) es llamado el problema PRIMO. Los dos juntos son
llamados problemas duales ya que ambos están formados por el mismo conjunto
de datos. La solución básica factible óptima de estos problemas es tal que una
puede fácilmente ser usada para la solución de la otra. La dimensión del problema
de programación lineal influencia la elección del cálculo del primo o del dual.
Si el primo tiene más ecuaciones que variables, es frecuentemente más fácil obtener
la solución del dual ya que menor número de iteraciones son requeridas. Además
si el primo tiene solución, el dual tendrá solución. Una vez que el problema dual es
formulado, el procedimiento de solución es exactamente el mismo que para
cualquier problema de programación lineal.
Relaciones entre modelo dual y primal
En el desarrollo de la Programación Lineal, se descubrió la existencia de un
problema que se encuentra estrechamente relacionado con un problema de
Programación Lineal dado: Dicho problema se denominó Problema dual. Cada
problema dado (problema principal, problema primo, problema primero), de
programación lineal, tiene un problema dual que tiene las siguientes características:
1) En problemas de gran número de restricciones, resolver el problema dual en la
computadora es más eficiente que resolver el problema principal.
2) En algunas ocasiones resulta más sencilla la resolución del problema dual que la
del problema principal, en términos de menor número de iteraciones.
3) Los valores óptimos de las variables del dual, proporcionan una interpretación
económica del problema principal.
4) Algunas veces se puede evitar el uso de variables artificiales (superávit),
mediante la aplicación del método de solución denominado Dual-Simplex
5) Facilita el estudio del impacto sobre la optimalidad por cambios en el problema
original.
Al respecto, Hillier y Lieberman señalan que entre las relaciones más importantes
entre los problemas primal y dual se encuentran:
5. 5
Propiedad de dualidad débil. Si x es una solución factible para el problema primal y
y es una solución factible para el problema dual, entonces cx<=yb
Propiedad de dualidad fuerte: Si x* es una solución óptima para el problema primal
y y* es una solución óptima para el problema dual, entonces cx*=y*b
Estas dos propiedades implican que cx<yb para soluciones factibles si una o ambas
son no óptimas para sus problemas respectivos, mientras que la igualdad se cumple
cuando ambas son óptimas.
La propiedad de dualidad débil describe la relación entre cualquier par de soluciones
de los problemas primal y dual en donde ambas soluciones son factibles para sus
problemas respectivos. En cada iteración, el método simplex encuentra un par
específico de soluciones para los dos problemas, donde la solución del problema
primal es factible pero la del dual es no factible (excepto en la última iteración). La
siguiente propiedad describe esta situación y la relación entre este par de
soluciones.
Propiedad de soluciones complementarias: en cada iteración, el método simplex
identifica de manera simultánea una solución EV, x, para el problema primal y una
solución complementaria, y , para el problema dual (que se encuentra en el renglón
0, como los coeficientes de las variables de holgura), donde cx=yb
Si x no es óptima para el problema primal, entonces y no es factible para el problema
dual.
Propiedad de soluciones complementarias óptimas: Al final de cada iteración, el
método simplex identifica de manera simultánea una solución óptima x* para el
problema primal y una solución óptima complementaria y* para el problema dual
(que se encuentra en el renglón 0 como los coeficientes de las variables de holgura),
donde cx*=y*b
Propiedad de simetría: En el caso de cualquier problema primal y su problema dual,
las relaciones entre ellos deben ser simétricas debido a que el dual de este
problema dual es este problema primal.
Teorema de la dualidad: Las siguientes son las únicas relaciones posibles entre los
problemas primal y dual
Si un problema tiene soluciones factibles y una función objetivo acotada (y por ende,
una solución óptima), entonces ocurre lo mismo con el otro problema, de manera
que se aplican tanto la propiedad de dualidad débil como la fuerte.
Si uno de los problemas tiene soluciones factibles y una función objetivo no acotada
(es decir, no tiene solución óptima), entonces el otro problema no tiene soluciones
factible.
6. 6
Si un problema no tiene soluciones factibles, entonces el otro problema no tiene
soluciones factibles o bien la función objetivo es no acotada.
Razones para llevar a cabo un análisis de sensibilidad
Los principales motivos por los cuales se decide aplicar un análisis de sensibilidad
a determinada situación son que:
– Es un método para predecir el resultado de una decisión si una situación resulta
ser diferente al compararla con las predicciones claves.
– Ayuda a evaluar el riesgo de una estrategia.
– Sirve para identificar qué tan dependiente es el resultado con respecto a una
variable particular de entrada. Analiza si la dependencia ayuda a evaluar el riesgo
asociado.
– Ayuda a tomar decisiones informadas y apropiadas.
– Sirve para buscar errores en el modelo, al encontrar relaciones inesperadas entre
las entradas y los resultados.
Procedimiento para el análisis de sensibilidad
Con respecto al procedimiento para el análisis de sensibilidad, López Daniel, señala
que después de que se ha obtenido la solución óptima por el método Simplex-Dual
puede darse el caso de que uno o varios parámetros del problema de programación
lineal se cambien dando origen a la solución de un nuevo problema. Sin embargo
aplicando la técnica de análisis de sensibilidad no es necesario resolver el ejercicio
desde un principio.
La utilidad de un análisis de sensibilidad en programación lineal permitirá obtener
una interpretación razonable de los resultados ya obtenidos, en cierto sentido este
análisis de sensibilidad convierte una solución estática de los modelos de
programación lineal en un instrumento dinámico que evalúa las condiciones
faltantes.
En general se supone que todos los parámetros del modelo son conocidos, pero
ocurre que en realidad en la mayoría de los casos son estimaciones. Por todo esto
es que el análisis de sensibilidad se convierte en una pieza importante para la toma
de decisiones. El análisis de sensibilidad permite ver que efecto tienen sobre la
solución óptima el hecho que los valores de los parámetros cambien.
En general es necesario:
Determinar los parámetros que si cambian producen cambios en la solución
óptima.
7. 7
Determinar el intervalo de valores para que no cambie la solución óptima
(intervalo permisible)
Determinar el intervalo de valores para que la solución siga siendo factible.
En definitiva, interesa saber qué tan sensible es la solución óptima a los datos
inexactos.
Definición y estructura del modelo de transporte
Modelos de Transportes Balanceados y no balanceados
La red que se presenta en la figura anterior ilustra el problema. Hay m orígenes y n
destinos, cada uno representado por un nodo. Los arcos representan las rutas que
unen los orígenes con los destinos. El arco (i,j) que une el origen i con el destino j
transporta dos piezas de información: el costo de transporte por unidad, cij y la
cantidad transportada, xij. La cantidad de la oferta en el origen i es ai y la cantidad
de la demanda en el destino j es bj. El objetivo del modelo es minimizar el costo de
transporte total al mismo tiempo que satisfacen las restricciones de la oferta y la
demanda.
Ejemplo:
La compañía transportista cobra 8 centavos por milla por automóvil. En la tabla
anterior se reflejan los costos de transporte por automóvil en las diferentes rutas,
redondeados al dólar más cercano. El modelo de Programación Lineal del problema
es:
Distancia en millas
8. 8
Todas estas restricciones son ecuaciones porque la oferta total desde los tres
orígenes (=1000+1500+1200=3700 automóviles) es igual a la demanda total en los
destinos (=2300+1400= 3700)
La estructura especial del problema de transporte permite una representación
compacta el problema utilizando el formato tabla de transporte (ver tabla de Modelo
MODELO DE TRANSPORTE MG
COSTO DE TRANSPORTE POR AUTOMOVIL
9. 9
de transporte). Este formato permite modelar muchas situaciones que no tienen
que ver con bienes de transporte.
La solución óptima para el ejemplo anterior envía 1000 automóviles de Los Ángeles
a Denver (x11=1000), 1300 de Detroit a Denver (x21=1300), 20 de Detroit a Miami
(x22=200) y 1200 de Nueva Orlans a Miami (x32=1000). El costo de transporte
mínimo asociado se calcula como 1000*$80+1300*$100+200*$108+1200*$68=
$313.200,00
Balanceo del modelo de transporte
La representación de la tabla transporte asume que el modelo esta balanceado, es
decir, que la demanda total es igual a la oferta total. Si el modelo está
desbalanceado, podemos agregar un origen o un destino ficticios para restaurar el
balance.
Ejemplo: En el modelo de MG, suponga que la capacidad de la planta de Detroit es
de 1300 automóviles (en lugar de 1500). La oferta total (=3500) es menor que la
demanda total (=3700) lo que significa que no se satisfará una parte de la demanda
en Denver y Miami. Como la demanda excede la oferta, se agrega un origen (planta)
ficticio con una capacidad de 200 automóviles (=3700-3500) para balancear el
modelo de transporte. El costo de transporte por unidad de la planta ficticia a los
destinos es ero porque la planta no existe.
10. 10
La tabla anterior da el modelo balanceado junto con su solución óptima. La solución
muestra que la planta ficticia envía 200 automóviles a Miami, es decir que a Miami
le faltarán 200 automóviles para satisfacer su demanda de 1400 automóviles.
Podemos estar seguros de que un destino específico no experimente escases al
asignar un costo de transporte por unidad muy alto desde el origen ficticio a dicho
destino. Por ejemplo una penalización de $1000 en la celda ficticia de Miami evitará
que haya escasez en Miami. Desde luego, no podemos utilizar este artificio con
todos los destinos, porque debe haber escasez en alguna parte. El caso en que la
oferta excede la demanda se puede demostrar asumiendo que la demanda en
Denver es de sólo 1900 automóviles. Entonces, tenemos que agregar un centro
de distribución ficticio para que “reciba” la oferta excedente. De nuevo el costo de
transporte por unidad al centro de distribución ficticio es cero, a menos que una
fábrica “envía todas sus existencias”. En este caso, se asigna un costo alto de
transporte por unidad de la fábrica designada al destino ficticio tal y como se observa
en la siguiente tabla:
11. 11
Técnicas para la solución del problema de transporte
Método de la esquina noroeste
El método se inicia en la celda de la esquina noroeste (ruta) de la tabla (variable
x11).
Paso 1. Asigne lo más posible a la celda seleccionada, y ajuste las cantidades
asociadas de oferta y demanda restando la cantidad asignada.
Paso 2. Tache la columna o fila con oferta o demanda cero para indicar que no se
hagan más asignaciones en esa fila o columna. Si una fila y una columna den cero
al mismo tiempo, tache sólo una, y deje una oferta (demanda) cero en la fila
(columna) no tachada.
Paso 3. Si se deja sin tachar exactamente una fila o columna, deténgase. De lo
contrario, muévase a la celda a la derecha si acaba de tachar una columna, o abajo
si acaba de tachar una fila. Vaya al paso 1.
Método del costo mínimo
El método del costo mínimo determina una mejor soluci´n iicial al concentrarse en
las rutas más económicas. Asigna lo más posible a la celda con el costo unitario
mínimo (los empaques se rompen arbitrariamente). Luego se tacha la fila o columna
satisfecha y se ajustan las cantidades de oferta y demanda cmo corresponda. Si
una fila o una columna se satisfacen al mismo tiempo, solo se tacha una, igual que
en el método de la esquina noreste. A continuación, seleccione la celda no tachada
con el costo unitario mínimo y repita el proceso hasta que se deje sin tachar
exactamente una fila o una columna.
Método de aproximación de Vogel (MAV)
Este método es una versión mejorada del método del costo mínimo que por lo
general, pero no siempre, produce mejores soluciones iniciales.
Paso 1: Para cada fila (columna) determine una medida de penalzación restando el
elemento de costo unitario mínimo en la fila (columna) del siguiente elemento de
costo mínimo en la misma (columna)
Paso 2. Identifique la fila o columna con la penalización máxma, que rompa los
empates arbitrariamente Asigne lo más posible a la variable con el costo unitari
mínimo en la fila o columna seleccionada. Ajuste la oferta y la demanda, y tache la
fila o columna satisfecha. Si una fila y una columna se satisfacen al mismo tiempo,
sólo se tacha una de las dos, y a la fila restante (columna) se le asigna una oferta
(demanda) cero.
Paso 3.
(a) Si exactamente una fila o columna son oferta o demanda cero permanece sin
tachar, deténgase.
12. 12
(b) Si una fila (columna) con oferta (demanda) positiva permanece sin tachar,
determine las variables básicas en la fila (columna) mediante el método del
costo mínimo. Deténgase.
(c) Si todas las filas y columnas no tachadas tienen oferta y demanda cero
(restantes), determine las variables cero por el método del costo mínimo.
Deténgase.
(d) De lo contrario, vaya al paso 1
Pruebas para determinar si una solución básica es factible o no óptima
Método del banquillo
La forma de verificar si la solución actual puede mejorarse es examinar las variables
no básicas actuales (casilleros vacíos) en busca de mejoras potenciales en el valor
de la función objetivo. Si existe una de tales variables, será la variable que entra, en
cuyo caso una de las variables básicas actuales debe dejar la solución (como en el
método simplex).
A fin de determinar la variable que entra y la que sale, se identifica un circuito
cerrado para cada variable no básica. El circuito comienza y termina con la variable
no básica designada. Un circuito consiste en segmentos horizontales y verticales
sucesivos (conectados) cuyos puntos extremos deben ser variables básicas
(casilleros llenos), excepto para los 2 segmentos de inicio y terminación en la
variable no básica.
El circuito se utiliza para comprobar si el valor de la función objetivo puede mejorarse
cuando la variable no básica se aumenta sobre su valor actual de cero. El
procedimiento consiste en encontrar el aumento o disminución en el costo de
transporte como resultado de aumentar unidades en la variable no básica
investigada.
Este valor se encuentra asignando signos positivos y negativos alternos en los
costos asociados a las variables que forman el circuito, empezando con el costo de
la variable no básica. La suma de los costos del circuito puede hacerse en el sentido
de las manecillas del reloj o en sentido contrario.
El resultado obtenido en la suma de los costos del circuito puede ser positivo o
negativo. Si es positivo indica que el asignar unidades a la variable que se está
considerando aumenta el costo total de transporte. Pero si este valor es negativo,
la solución puede mejorarse asignado a la variable no básica el valor más pequeño
de las variables que deben reducir su valor en el circuito que se está considerando.
El procedimiento termina hasta que todas las variables no básicas tienen valor
positivo en la suma de los costos del circuito.
13. 13
Método de los multiplicadores
Este método reproduce interacciones parecidas al método del banquillo. La principal
diferencia ocurre en la forma en que las variables no básicas se evalúan en cada
iteración. Para cada fila i existen multiplicadores con la variable 𝑢𝑖; similarmente
para cada columna j existen multiplicadores con la variable 𝑣𝑗 . En donde, para cada
variable 𝑥𝑖𝑗 de la solución actual se aplica la ecuación 1 y de la misma manera para
cada variable no básica se aplica la ecuación 2.
Dónde:
𝑢𝑖 = Variable multiplicadora de la fila
𝑣𝑗 = Variable multiplicadora de la columna
𝐴𝐹𝑖𝑗 = Criterio de factibilidad
Los valores de los multiplicadores pueden ser determinados a partir de las
ecuaciones suponiendo un valor arbitrario para cualquiera de los multiplicadores
(usualmente se establece 𝑢1 = 0 ; 𝑢1 = 10 ) cualquiera de los dos valores, y
resolviendo el sistema de ecuaciones para encontrar los multiplicadores
desconocidos. El circuito comienza en la variable no básica con signo positivo y
termina con la misma variable no básica designada. Un circuito consiste en
segmentos con signos alternados (conectados) solo con las variables básicas.
Ejemplo
Una fábrica dispone de tres centros de distribución A, B y C cuyas disponibilidades
de materia prima son 100, 120 tm respectivamente. Dicha materia prima debe ser
entregada a cinco almacenes I, II, III, IV y V, los cuales deben de recibir en su orden
40, 50, 70, 90 y 90 tm. Determinar una solución que optimice el costo de envío.
14. 14
Como se observa en la tabla anterior el problema está balanceado, es decir, el total
de la oferta es igual al total de la demanda.
Aplicación: Método esquina noroeste
Costo inicial= 40(10)+50(20)+10(5)+60(8)+60(30)+30(10)+90(4)=4390
16. 16
Interpretación:
El costo óptimo es de $ 2190, con las siguientes asignaciones:
La fábrica 1 debe entregar al cliente 3, 70 de materia prima (tm) a un precio
de 5 dólares y al cliente 4 entrega 30 tm a un precio de 9 dólares.
De la fábrica 2 al cliente 1, 40 tm a un precio de 2 dólares, al cliente 2 entrega
50 tm a un precio de 10 dólares y al cliente 5 entrega 30 tm a un precio de 5
dólares.
De la fábrica 3 al cliente 4 entrega 60 tm a un precio de 10 dólares y al cliente
5 entrega 60 tm a un precio de 4 dólares; para obtener un costo mínimo
óptimo de 2190
17. 17
CONCLUSIÓN
En la investigación presentada se abordaron distintas temáticas referentes a la
programación lineal dirigida a ofrecer posibles soluciones a las problemáticas
presentadas por determinada organización, en este sentido, haremos un conjunto
de precisiones al respecto:
Los modelos, métodos y técnicas presentadas están basados en modelos
matemáticos, los cuales buscan dar un resultado concreto a la problemática
planteada.
En el análisis de sensibilidad apoya al proceso de toma de decisiones porque,
entre otras cosas permite predecir comportamiento de variables antes que se
tomen las decisiones definitivas por parte de los gerentes de una
organización.
En el modelo de transporte, se busca optimizar la movilización de los
recursos (materia prima, productos terminados entre otros) con el propósito
de reducir los costos que por este motivo pudieran afectar a la empresa.
De acuerdo a lo planteado, es importante que las organizaciones empleen este tipo
de modelos en sus principales operaciones al momento de hacer una importante
toma de decisiones, pues estas no deberían tomarse de manera empírica sino
basadas en datos científicos que apunten al logro de objetivos, pues una mala
decisión puede afectar seriamente el desemeño futura de la organización.
18. 18
BIBIOGRAFÍA
Hiller Frederic , Lieberman Gerald. Introducción a la investigación de
Operaciones. Novena Edicion. Mc Graw Hill. México 2010
López Daniel, Investigación de Operaciones I. Instituto tecnológico de El
Mante.
Valencia Nuñez Edison Roberto. Investigación Operativa. Universidad
Técnica de Ambato. Ecuador