Nombre de la materia: investigacin de operaciones

Alumno: Armando Alexis Grande Domnguez

Matricula: ES1611302294
Docente: Araceli Esquivel Lpez
Actividad 1 importancia de los mtodos de programacin no
lineal en ds
Cuarto semestre
Unidad 3
Ingeniera en desarrollo de software
Importancia de los Mtodos de programacin no lineal en el desarrollo de
software.
Instrucciones:
1. Analiza y explica el concepto de programacin no lineal.
2. Identifica:
Los tipos de mtodos de programacin no lineal.
Optimizacin clsica de programacin no lineal.
Puntos de inflexin: Mximos y mnimos.
3. Lee el siguiente planteamiento e identifica el mtodo de programacin no
lineal a utilizar para obtener los requerimientos solicitados:
Una empresa de software produce aplicaciones web y sistemas informticos,
obteniendo ingresos de 200x2 + 250y2 unidades monetarias, siendo x el
nmero aplicaciones web producidas e y el de sistemas informticos. Para
producir una aplicacin web se necesitan una unidad de software y dos horas
de trabajo, y para producir un sistema informtico se necesitan tres unidades
de software y dos horas de trabajo. Se dispone de 28 unidades de software y
de 38 horas de trabajo. Se requiere al jefe del proyecto que calcule el nmero
de aplicaciones web y de sistemas informticos que se deben producir para
maximizar los ingresos y que se calcule la cantidad que estara dispuesta a
pagar la empresa por una unidad adicional de software y por una hora ms de
trabajo.
4. Menciona y explica el mtodo de programacin no lineal que utilizars para
obtener los resultados solicitados.
5. Describe el algoritmo de solucin a utilizar para resolver el modelo.
6. Utiliza un programa (los que seleccionaste en la unidad 2 o un programa de
hoja de clculo) donde puedas introducir datos del modelo y te ayude a
calcularlo.
7. Resuelve el ejercicio con ayuda del programa seleccionado y describe la
solucin.
8. Describe el procedimiento realizado para llegar a la solucin e imprime las
pantallas donde se muestre el proceso en forma clara y detallada.
9. Integra tus conclusiones explicando cul es la importancia de utilizar los
mtodos de programacin no lineal en el mbito del desarrollo de software.
Concepto de programacin no lineal.

Es el conjunto de mtodos que se encargan de la problemtica de optimizar la

funcin objetivo donde existen restricciones de no igualdad y/o igualdad, donde no
todas las ecuaciones son lineales.

Mtodos de programacin no lineal.

1. Optimizacin no restringida.
2. Optimizacin restringida linealmente.
3. Programacin cuadrtica.
4. Programacin convexa.
5. Programacin separable.
6. Programacin no convexa.
7. Programacin geomtrica.
8. Programacin fraccional.

Optimizacin clsica de programacin no lineal.

Cuando la restriccin es inexistente, o es una de igualdad con una cantidad menor

o igual de variables que la funcin objetivo, el clculo deber ser diferencial.

Puntos de inflexin: Mximos y mnimos.

Los puntos de inflexin son aquellos puntos en donde la curva cambia su direccin
con respecto al eje dependiente.
Se dice que el punto de inflexin mximo es cuando el valor, en un tramo de estudio
de la curva, llega al punto con mayor valor en relacin con la variable dependiente.
Asimismo, el punto de inflexin mnimo es cuando el valor de la variable
dependiente se encuentra en el su menor valor.

Los tipos de mtodos de programacin no lineal.

Optimizacin no restringida.
Si la restriccin no existe, o es una restriccin de igualdad, con menor o igual
nmero de variables que la funcin objetivo entonces, el clculo diferencial, da la
respuesta, ya que solo se trata de buscar los valores extremos de una funcin.
Optimizacin linealmente restringida.

Los problemas de optimizacin restringida linealmente se caracterizan por

restricciones que se ajustan por completo a la programacin lineal, de manera
que todas las funciones de restriccin gi(x) son lineales, pero la funcin objetivo
f (x) es no lineal. El problema se simplifica de manera notable si slo se tiene que
tomar en cuenta una funcin no lineal junto con una regin factible de programacin
lineal.
Programacin cuadrtica

Los problemas de programacin cuadrtica tienen restricciones lineales, pero

ahora la funcin objetivo f (x) debe ser cuadrtica. Entonces, la nica diferencia
entre stos y un problema de programacin lineal es que algunos trminos de la
funcin objetivo incluyen el cuadrado de una variable o el producto de dos variables.
Programacin convexa.

La programacin convexa abarca una amplia clase de problemas, entre los cuales,
como casos especiales, se puede mencionar todos los tipos anteriores cuando f (x)
es una funcin cncava que debe maximizarse. Los supuestos son:
1. f (x) es cncava.
2. Cada una de las gi(x) es convexa.
Programacin separable.

La programacin separable es un caso especial de programacin convexa, en

donde el supuesto adicional es:
Todas las funciones f (x) y gi(x) son separables.
Una funcin separable es una funcin en la que cada trmino incluye una sola
variable, por lo que la funcin se puede separar en una suma de funciones de
variables individuales. Por ejemplo,
si f (x) es una funcin separable, se puede expresar como

() = ( )
=1

Programacin no convexa.
La programacin no convexa incluye todos los problemas de programacin no
lineal que no satisfacen los supuestos de programacin convexa. En este caso,
aun cuando se tenga xito en encontrar un mximo local, no hay garanta de que
sea tambin un mximo global. Por lo tanto, no se cuenta con un algoritmo que
garantice encontrar una solucin ptima para todos estos problemas; sin
embargo, existen algunos algoritmos bastante adecuados para encontrar mximos
locales, en especial cuando las formas de las funciones no lineales no se
desvan demasiado de aquellas que se supuso para programacin convexa.
Programacin geomtrica.

Cuando se aplica programacin no lineal a problemas de diseo de ingeniera,

muchas veces la funcin objetivo y las funciones de restriccin toman la forma

() = (),
=1

Donde
() = 11 22

En tales casos, ci y aj con frecuencia representan las constantes fsicas, mientras

que las xj son las variables de diseo. Estas funciones por lo general no son ni
cncavas ni convexas, por lo que las tcnicas de programacin convexa no
se pueden aplicar en forma directa a estos problemas de programacin
geomtrica. Sin embargo, existe un caso importante en el que el problema se
puede transformar en un problema de programacin convexa equivalente. Este
caso es aquel en el que todos los coeficientes ci de cada funcin son estrictamente
positivos, es decir, las funciones son polinomios positivos generalizados (ahora
llamados polinomios), y la funcin objetivo se tiene que minimizar. El problema
equivalente de programacin convexa con variables de decisin y1,y2, . . ., y n se
obtiene al establecer

= , = 1,2,

Programacin fraccional.

Suponga que la funcin objetivo se encuentra en la forma de una fraccin, esto es,
la razn o cociente de dos funciones,
 1 ()
() =
2 ()

Estos problemas de programacin fraccional surgen, por ejemplo, cuando se

maximiza la razn de la produccin entre las horas-hombre empleadas
(productividad), o la ganancia entre el capital invertido (tasa de rendimiento),
o el valor esperado dividido entre la desviacin estndar de alguna medida de
desempeo de una cartera de inversiones (rendimiento/riesgo). Se han
formulado algunos procedimientos de solucin especiales para ciertas formas de
f1(x) y f2(x).

Problema de complementariedad.

Encuentra una solucin factible para el conjunto de restricciones

= () 0, 0
que tambin satisface la restriccin de complementariedad,

= 0
Aqu, w y z son vectores columna, F es una funcin dada con valores vectoriales y
el superndice T denota la transpuesta El problema no tiene funcin objetivo, de
manera que, desde un punto de vista tcnico, no es un problema de programacin
no lineal completo

Optimizacin clsica de programacin no lineal.

Si la restriccin no existe, o es una restriccin de igualdad, con menor o igual
nmero de variables que la funcin objetivo entonces, el clculo diferencial, da la
respuesta, ya que solo se trata de buscar los valores extremos de una funcin.

Puntos de inflexin: Mximos y mnimos.

Un punto de inflexin es un punto donde cambia la curvatura de la funcin.
Si x=a es un punto de inflexin f (a)=0
Es el punto que en una funcin continua separa la parte convexa de la cncava, se
llama punto de inflexin de la funcin. En ellos la funcin no es cncava ni convexa
sino que hay cambio de concavidad a convexidad o al revs.
La curva atraviesa la tangente matemticamente la deriva segunda de la funcin f
en el punto de inflexin es cero o no existe, en clculo de varias variables a esos
puntos se les conoce como de ensilladura.
Mximos
Los niveles mximos de existencia se establecen lo bastante altos como para
garantizar un suministro adecuado en todo momento durante el ciclo de pedidos,
pero lo bastante bajos como para prevenir el exceso y derroche de existencias

Mnimos
El nivel mnimo de las existencias se establece al nivel ms bajo posible, pero
incluyen un margen de seguridad para prevenir que se agoten.

Mximo y mnimos
Este mtodo de mximo y
mnimos utiliza la requisicin que
representa la cantidad que se supone es ms conveniente por comprar.
Entonces el punto mximo del inventario se fijar como la suma del mnimo real ms
la cantidad de la requisicin solicitada
El mnimo real ser entonces el punto mnimo, por el cual no se permitir que se
disminuya las materias primas antes de que se efectu un nuevo pedido
Las variables de decisin del problema son:
x : el nmero aplicaciones web producidas
y : el de sistemas informticos
Optimizar la variable.
Funcin objetivo
Z=f(x,y)=200x2 + 250y2 funcin Al analizar el problema anterior, sabiendo
que se cuenta con una funcin objetivo cuadrtica y con restricciones lineales, el
mtodo a emplear seria de programacin no lineal cuadrtica con restricciones
lineales.
Programacin Cuadrtica
Un problema de Programacin Cuadrtica es aqul que contiene una funcin
objetivo cuadrtica y restricciones lineales:

Los mtodos para resolver problemas cuadrticos es necesario definir las

condiciones suficientes y necesarias, para poder satisfacer el punto de solucin,
para que este se pueda considerar como una solucin ptima, las necesidades de
estas condiciones nos lleva principalmente en conocer o estudiar las teoras de
Lagrange y de Karush-Khun y Tucker que se caracterizan para condiciones de
puntos ptimos dentro de la programacin lineal
Un problema de Programacin Cuadrtica es aqul que contiene una funcin
objetivo cuadrtica y restricciones lineales

min () = +
=1 =1 =1
Sujeto a:

. = 1..
=1

En notacin matricial:

min () = +
Sujeto a:
. 1 () = 0
2 () = 0
Condiciones de Kuhn-Tucker
() = + ( + )

() = [ ]

() =
Si la funcin objetivo es convexa, es decir la matriz Q es una matriz cuadrada y
definida positiva, y las restricciones son lineales, las condiciones de Kuhn-Tucker
son necesarias y suficientes para encontrar el ptimo de la funcion.En este
caso nuestra funcin es convexa.
https://www.google.com.mx/search?q=200x%5E2+%2B+250y%5E2&source=lnms
&sa=X&ved=0ahUKEwj2vuDlnoLWAhXPZiYKHSshAAgQ_AUICSgA&biw=1366&bi
h=662&dpr=1
objetivo con variables al cuadrado

variables concepto Unidad de software Horas de costo

trabajo
x Aplicacin web 1 2 200
y sistemas 3 2 250
informticos
disponibilidad 28 38

Restricciones lineales.
+ 3 28
2 + 2 38
0; 0

Solucin Grfica:
Intersecciones de restricciones con ejes:
Restriccin 1: X + Y 28
X=0 Y=0
0+Y = 28 X+0 = 28
Y = 28 X = 28
Restriccin 2: X2 + Y2 38
X2 = 0 Y2 = 0
0*2+Y2 = 38 X2+Y*0 = 38
Y2 = 38 X2 = 38
Y = 19 X = 19
Con la grfica vemos que las restricciones son representadas por una curva
convexa, por lo que la funcin objetivo es cncava, como lo habamos mencionado.

Identificacin de variables Planteamiento de Ecuaciones

Variables Variables Z = -200x - 250y = 0
Z = 200x 2 + 250y2 decisin de holgura X + H1 = 28
Sujeto a: X + Y 28 X H1 X2 + Y2 + H2 = 38
X2 + Y2 38 Y H2 Y X, X, H1, H2 0
Y X, Y 0

Tabla matricial
X1 X2 H1 H2 Solucin
H1 0 0 1 0 28
H2 2 2 0 1 38
Z -200 -250 0 0 0

Columna y fila pivote

X1 X2 H1 H2 Solucin
H1 0 0 1 0 28 -
H2 2 2 0 1 38 19
Z -200 -250 0 0 0

Elemento pivote debe dar 1 y la columna pivote convertir los coefcientes a 0

X1 X2 H1 H2 Solucin
H1 0 0 1 0 28
H2 1 1 0 0.5 19
Z 50 0 0 125 4750

Z = 4750 X1 = 0 X2 = 19
Z = 200x + 250y Z = (200*0) + (250*19)
Z = 0 + 4750 Z = 4750
6. Utiliza un programa (los que seleccionaste en la unidad 2 o un programa de hoja
de clculo) donde puedas introducir datos del modelo y te ayude a calcularlo.

Utilizaremos el solver de Excel para calcularlo:

7. Resuelve el ejercicio con ayuda del programa seleccionado y describe la solucin.

Solucin:
aplicaciones sistemas
Variables: X Y
Valor: 3.807886555 2.12132034

Funcion Objetivo: X2 Y2
Valor: 14.50000002 4.5 Ingresos
Factores: 200 250 4,025.00 $

Restricciones: X Y Limite calculado Simbolo Limite real

Unidades 1 3 28.00000001 <= 28
Horas 2 2 38.00000003 <= 38
La solucin encontrada con el solver es que se deben de producir 3.8 aplicaciones
web y 2.1 sistemas informticos para maximizar los ingresos a 4,025.00
Solucin:
aplicaciones sistemas
Variables: X Y
Valor: 1 1

Funcion Objetivo: X2 Y2
Valor: 1 1 Ingresos
Factores: 200 250 450.00 $

Restricciones: X Y Limite calculado Simbolo Limite real

Unidades 1 1 19.00000001 <= 28
Horas 1 1 19.00000001 <= 38

Y vemos que para hora extra por unidad y y una hora ms de trabajo pagara 450.

8. Describe el procedimiento realizado para llegar a la solucin e imprime las

pantallas donde se muestre el proceso en forma clara y detallada.

Primero analizamos el caso leyendo lo que se quiere obtener y sacar nuestros

datos.
Variables: X = aplicaciones web producidas Disponibilidad: 28 Unidades de software
Y = Sistemas informaticos 38 horas de trabajo
Funcin objetivo: 200x 2 + 250y2

Requerimientos: Maximizar los ingresos

Calcular aplicaciones web y sistemas informaticos que se deben producir
Cantidad adicional por unidad de software adicional y una hora mas de trabajo

Una vez obtenidos los datos colocamos nuestra funcin objetivo con sus
restricciones.
Funcin objetivo: Z = 200x 2 + 250y2
Restricciones: X + Y <= 28 aplicaciones y sistemas no mayores a 28 unidades disponibles
X2 + Y2 <= 38 aplicaciones y sistemas no mayores a 38 horas de trabajo disponibles
X, Y >= 0 Siempre mayor a cero
Despus colocamos los datos en Excel para usar el solver.
Solucin:
aplicaciones sistemas
Variables: X Y
Valor: 3.807886555 2.12132034

Funcion Objetivo: X2 Y2
Valor: 14.50000002 4.5 Ingresos
Factores: 200 250 4,025.00 $

Restricciones: X Y Limite calculado Simbolo Limite real

Unidades 1 3 28.00000001 <= 28
Horas 2 2 38.00000003 <= 38

Inicialmente colocamos en valor de nuestras variables 1 y 1 para aplicaciones y

sistemas, en la funcin objetivo usamos el valor de la variable elevado al cuadrado
y colocamos los valores de nuestra funcin objetivo y en ingreso usamos la funcin
suma producto con el valor y los factores, de ah definimos nuestras restricciones
dadas, establecemos los limites reales que se nos dan y con la funcin suma
producto calcularemos los limites calculados, seguido definimos en el solver los
ingresos como objetivo, las celdas de variables y las restricciones y checamos que
los limites no sean sobrepasados y habremos encontrado una solucin ptima, y
repetimos el caso para la hora extra por unidad.

1. Reflexin

9. Integra tus conclusiones explicando cul es la importancia de utilizar los mtodos

de programacin no lineal en el mbito del desarrollo de software.

La importancia dada en este ejercicio nos muestra que podemos usar estos
mtodos de programacin no lineal precisamente para calcular cunto podemos
cobrar por un proyecto ya sea para ganar ms dinero o ahorrar tiempo, para mi es
lo ms importante en cuanto se refiere al mbito de desarrollo de software.
2. Referencias

UnADM. (2016), Investigacin de Operaciones, [Archivo digital]

Unidad_3_Modelos_de_programacion_no_lineal.pdf

UnADM. (2017), Investigacin de Operaciones, [Archivo digital]

Unidad_3_Actividades_de_aprendizaje_diop_2017-2.pdf

UnADM. (2017), Investigacin de Operaciones, [Archivo digital]

Unidad_3_Actividades_de_aprendizaje_diop.docx

Taha, A. 2012. Investigacin de operaciones, Pearson 9. Edicin