Tecnológico Nacional de México
Instituto Tecnológico de Tlaxiaco
UNIDAD 3
Actividad: Reporte de práctica.
Materia: Investigación de Operaciones.
Especialidad: Ingeniería en Sistemas
Computacionales
Grupo: 3US Semestre: Tercero.
Estudiante: Zárate Reyes Irving e Reyes Peña Isai.
Lucía Sanches Vázquez.
Heroica Ciudad de Tlaxiaco, Oaxaca.
A 14 de noviembre del 2022.
Índice
Introducción. ....................................................................................................................................... 3
Desarrollo ............................................................................................................................................ 5
Ejemplo................................................................................................................................................ 7
Conclusión ......................................................................................................................................... 14
Bibliografía. ....................................................................................................................................... 15
Introducción.
La programación es el conjunto de tareas, métodos o técnicas que se utilizan para
resolver tareas, tales como: producción, economía y rendimiento, etc. La
programación tiene como objetivo encontrar un resultado óptimo ya sea
minimizando o maximizando alguna función lineal.
Las funciones lineales en estos casos son de grado 1. Por ejemplo:
𝐹(𝑥, 𝑦) = 5𝑥 − 3𝑦 + 2
En este ejemplo de ecuación podemos observar como todas las variables tienen
exponente 1, por lo tanto, sabemos que se trata de una función lineal.
Maximizar se utiliza por lo regular para mejorar las ganancias, mientras que
minimizar es útil para reducir costos.
Para poder realizar una optimización de programación lineal debemos de saber que
se utilizan variables, como podrían ser el números de distintos productos, y
nombrarlos de distintas forma (x,y,z, etc). Estos productos tienen un valor el cual
debe de ser tomado en cuenta para formar nuestra función lineal.
Por ejemplo, si tuviéramos una empresa en la cual vendiéramos pantalones y
playeras, estos serían nuestras variables.
Podríamos nombrar a los pantalones
como x.
Y a las playeras como y.
Después tendríamos que saber cuántos se vendieron en un mes y además el costo
de cada uno.
Además de esto existen restricciones, las cuales en matemáticas llamaremos
restricciones. Para dejar claro esto supongamos que en nuestro caso de ejemplo
algunas de estas podrían ser nuestras restricciones.
Cantidad de tela
Cantidad de trabajadores
Cantidad de maquinas
Entre otras que podrían existir.
Con esta información debemos determinar cuánto se debería vender y/o producir
para obtener máximas ganancias.
Para llegar al resultado tendremos que realizar operaciones matemáticas, pero
estas las veremos más adelante.
Desarrollo
Antes de continuar aclaremos algunos conceptos de una manera mas formal de lo
que veremos.
La programación lineal es un método para optimizar, ya sea maximizar o minimizar
una función objetivo, y esta estaría sujeta a restricciones.
La función objetivo es una función lineal es a la que se va a optimizar y por lo regular
suele tener dos variables.
Restricciones son inecuaciones lineales, su numero depende del problema a
resolver.
La región factible que esta formada por el conjunto de puntos (x,y) que son posibles
soluciones.
La solución optima es el punto (x,y) de la región factible que optimiza la función
objetivo, y la obtendremos remplazando cada uno de los puntos en la función
objetivo.
Podremos encontrar distintos tipos de solución ya sea:
Única: cuando solo un vértice nos permita optimizar la función.
Solución múltiple: cuando más de dos vértices nos permite encontrar la
solución.
Solución no acotada: cuando la región optima no se encuentra limitada.
Solución no factible: Esta se da cuando no se puede determinar una región
en común para las restricciones.
Elementos de la programación no lineal
Los principales elementos de la programación no lineal son los siguientes:
Función objetivo: Es aquella función que se optimiza, ya sea maximizando o
minimizando su resultado.
Restricciones: Son aquellas condiciones que deben cumplirse al optimizar la función
objetivo. Puede tratarse de ecuaciones o inecuaciones algebraicas.
Punto crítico: punto x¿ tal que ∇f ( x¿)=0 . Este punto puede ser un mínimo o máximo
(local, global o ambos) o un punto silla. Con esta condición se pueden identificar
candidatos a mínimo.
Matriz definida positiva: matriz cuyos valores propios son positivos. También se puede
identificar con los determinantes de las submatrices, si todos son mayores que 0,
entonces es definida positiva.
Matriz definida negativa: matriz cuyos valores propios son positivos. También se puede
identificar con los determinantes de las submatrices, si los determinantes de las
submatrices impares son negativos y, adicionalmente, si los determinantes de las
submatrices pares son positivos.
Importante:
- Si uno de los determinantes de las submatrices es igual a 0, entonces no se puede
concluir nada.
- Si ninguno de los determinantes de las submatrices es igual a 0, y no cumple con
las condiciones para ser positiva definida (todos positivos) ni negativa definida
(impares negativos, pares positivos) se dice que el punto critico es un punto de
inflexión.
Dirección de descenso: Un vector ≠0 se llama dirección de descenso en si existe >0 tal
que
(+)<(), ≥0, ≤
Problemas sin restricciones
Teorema (condición necesaria de primer orden): Sea f diferenciable y sea x¿ mínimo
local de f , entonces ∇f ( x¿)=0 . Ojo que esta condición también se cumple para
otros puntos como puntos sillas. Sin embargo, como lo dice el teorema, esta condición la
debe cumplir todo mínimo local.
Teorema (condición necesaria de segundo orden): Sea f dos veces continuamente
diferenciable. Entonces:
• Si x¿ es mínimo local de f , entonces H(x¿)=∇2f (x¿) es una matriz semidefinida
positiva.
• Si x¿ satisface ∇f (x¿)=0 y además H (x¿)=∇2f (x¿) es una matriz definida positiva,
entonces x¿ es mínimo local de f .
IMPORTANTE: Si f es convexa y x¿ es mínimo local, entonces es punto es un mínimo
global. Es importante destacar que estos teoremas se refieren a un punto y no a todo x.
Ejemplo
Maximizar la función objetivo 𝑍 = 54𝑥 − 9𝑥 2 + 78𝑦 − 13𝑦 2 , bajo las restricciones:
𝑥≤4
𝑦 ≤ 12
3𝑥 + 2𝑦 ≤ 18
𝑥≥0
𝑦≥0
Para encontrar la solución del problema comenzaremos por graficar las
restricciones y comenzaremos con 𝑥 ≤ 4 .
Ahora graficaremos la segunda restricción 𝑦 ≤ 12
A continuación, graficaremos 3𝑥 + 2𝑦 ≤ 18
Y por último las dos restricciones faltantes.
El área en la que todas coinciden es la llamada región factible.
Como en esta ocasión lo estamos realizando el ejercicio con el software de
GeoGebra, existe una manera más la región factible y para esto tendremos que unir
todas las restricciones y el software nos ayuda sombreando el área. La unión de las
restricciones se realiza con el signo ˄ que sígnica y (unión).
Como siguiente paso con la herramienta punto agregaremos puntos en las
intersecciones (vértices) de nuestra región factible y de esta manera sabremos con
exactitud la localización de cada uno de ellos.
Ahora que ya tenemos las coordenadas tendremos que sustituir cada una de ellas
en nuestra función objetivo como lo realizaremos a continuación.
A) (4,3) 54(4) − 9(4)2 + 78(3) − 13(3)2
72 + 78(3) − 13(3)2
73 + 117
190
Como en este caso ambos puntos fueron 0, el resultado fue 0 pero así se sustituirán
con el resto de puntos y después analizaremos cual es la coordenada mas optima.
B) (4,0) 54(4) − 9(4)2 + 78(0) − 13(0)2
72 + 78(0) − 13(0)2
72 + 0
72
C) (2,6) 54(2) − 9(2)2 + 78(6) − 13(6)2
72 + 78(6) − 13(6)2
72 + 0
72
D) (0,6) 54(0) − 9(0)2 + 78(6) − 13(6)2
0 + 78(6) − 13(6)2
0+0
0
Una vez que hayamos sustituido procedemos a colocar los resultados en una tabla,
para poder analizarlos de mejor manera.
A) (4,3) 190
B) (4,0) 72
C) (2,6) 72
D) (0,6) 0
Como en este caso se trata de maximizar buscaremos el mayor resultado, en caso
de que se deseara minimizar se tendría que buscar el menor.
A) (4,3) 190
B) (4,0) 72
C) (2,6) 72
D) (0,6) 0
Y estos serán el resultado de nuestro problema.
Ahora veremos un tipo de programación no lineal, que es optimización no
restringida.
Los problemas de optimización no restringida no tienen restricciones, por lo que la
función objetivo es sencillamente maximizar 𝑓(𝑥), sobre todos los valores que tenga
x, ya sea x1, x2,…,xn. Con la única condición necesaria para la condición especifica
que sea optima cuando 𝑓(𝑥) es una función diferenciable.
𝑑𝑓
= 0 𝑒𝑛 𝑥 = 𝑥 ∗
𝑑𝑥
Como se muestra a continuación y si 𝑓(𝑥) es una función sencilla y se logra despejar
x de modo directo el problema llega a su fin.
Pero si 𝑓(𝑥) no es una función sencilla y su derivada no es una función lineal o
cuadrática, talvez sea imposible solucionar la ecuación analítica. Y entonces se
deberá resolver de forma numérica.
Conclusión
La programación lineal ha demostrado ser una herramienta sumamente poderosa,
tanto en la modelización de problemas de la vida real como en la teoría matemática
de amplia aplicación. Sin embargo, muchos problemas interesantes de optimización
son no lineales. El estudio de estos problemas implica una mezcla diversa de
álgebra lineal, cálculo multivariado, análisis numérico y técnicas de computación.
Entre las áreas especiales importantes encontramos el diseño de algoritmos de
computación (incluidas las técnicas de puntos interiores para programación lineal),
la geometría y el análisis de conjuntos convexos y funciones, y el estudio de
problemas especialmente estructurados, tales como la programación cuadrática. La
optimización no lineal proporciona información fundamental para el análisis
matemático, y se usa extensamente en las ciencias aplicadas (en campos tales
como el diseño de ingeniería, el análisis de regresión, el control de inventario y en
la exploración geofísica).
1. No siempre la solución óptima Se encuentra en un punto extremo de la región de
factibilidad.
2. Hay casos donde el punto óptimo está en el interior de la región factible.
3. Generalmente se encuentra un óptimo local o relativo, mas no el óptimo global o
absoluto.
4. Se pueden generar regiones de factibilidad que no son necesariamente convexas.
5. La función objetivo, las restricciones o ambas pueden ser no lineales
Bibliografía.
Cano Murillo, Y. M. (2012). Enseñanza-aprendizaje bajo un enfoque constructivista
de la cinemática lineal en su representación gráfica: ensayo en el grado x de la
Institución educativa San José Obrero del municipio de Medellín. Facultad de
Ciencias.
Alpha C. Chiang, & Wainwright, K. (2006). Métodos fundamentales de economía
matemática (No. 330.11/Ch53fE/4a. ed.). McGraw-Hill.
Tuyub Sánchez, I., & Buendía Ábalos, G. (2017). Gráficas lineales: un proceso de
significación a partir de su uso en ingeniería. IE Revista de Investigación Educativa
de la REDIECH, 8(15), 11-28.
Mercado, P. R. (2002). Optimización dinámica restringida en economía: métodos
matemáticos e implementación en el general algebraic modeling system.
Documento de Trabajo PIEC-DEyF-UADE.
Castillo, E. J. (2019). Esquema Adaptativo para el Manejo de Restricciones de
Límite en Problemas de Optimización Numérica Restringida. Doctorado,
Universidad Veracruzana.
Aranda, D. F. C. (2002). Ajuste de la distribución bog-Pearson tipo III por medio de
optimización numérica no restringida. Tecnología y ciencias del agua, 17(4), 115-
128.
