Anda di halaman 1dari 14

UNIVERSIDAD RURAL DE GUATEMALA

INGENIERIA INDUSTRIAL

CATEDRATICO:
ISRAEL MENDEZ

CURSO:
METODOS CUANTITATIVOS

ESTUDIANTE:
EDWIN FRANCISCO GODOY SALVADOR.

CARNE:
13-218-0019

TRABAJO:
TEXTO PARALELO

FECHA:
JUNIO DE 2015
Matriz
En matemática, una matriz es un arreglo bidimensional de números, y en su mayor
generalidad de elementos de un anillo.
Las matrices se utilizan para múltiples aplicaciones y sirven, en particular, para
representar los coeficientes de los sistemas de ecuaciones lineales o para
representar aplicaciones lineales (dada una base); en este último caso las
matrices desempeñan el mismo papel que los datos de un vector para las
aplicaciones lineales.
Pueden sumarse, multiplicarse y descomponerse de varias formas, lo que también
las hace un concepto clave en el campo del álgebra lineal.

Método De Eliminación
Método de Gauss

E l m é t o d o de G au s s c o n s i st e e n u t i l i z ar e l m ét o do d e
r e d u c c i ó n d e m an e r a q u e e n c a da e c u a c i ó n t e n g am o s u n a
i n c ó g n i t a m e n o s q u e e n l a e c u a c ió n p r e c e d e nt e .

Resolución por el método de Gauss


1º Ponemos como primera ecuación la que tenga el
cómo coeficiente de x: 1 ó -1, en caso de que no fuera posible
lo haremos con y o z, cambiando el orden de las incógnitas.
2º Hacemos reducción con la 1ª y 2ª ecuación ,
para eliminar el término en x de la 2ª ecuación. Después
ponemos como segunda ecuación el resultado de la
operación:

E'2 = E2 − 3E1

3º Hacemos lo mismo con la ecuación 1ª y 3ª ecuación,


para eliminar el término en x.

E'3 = E3 − 5E1

4º Tomamos las ecuaciones 2ª y 3ª, trasformadas, para


h a c e r r e d u c c i ó n y e l i m i n a r e l t é r m i n o e n y.

E''3 = E'3 − 2E'2


5º Obtenemos el sistema equivalente escalonado.

6º Encontrar las soluciones.

z = 1

−y + 4 · 1 = −2 y = 6

x + 6 − 1 = 1 x = −4

Eliminación de Gauss-Jordan
No debe confundirse con Método de Gauss-Seidel.
En matemáticas, la eliminación de Gauss-Jordan, llamada así debido a Carl
Friedrich Gauss y Wilhelm Jordan, es unalgoritmo del álgebra lineal para
determinar las soluciones de un sistema de ecuaciones lineales, encontrar
matrices e inversas. Un sistema de ecuaciones se resuelve por el método de
Gauss cuando se obtienen sus soluciones mediante la reducción del sistema dado
a otro equivalente en el que cada ecuación tiene una incógnita menos que la
anterior. El método de Gauss transforma la matriz de coeficientes en una matriz
triangular superior. El método de Gauss-Jordan continúa el proceso de
transformación hasta obtener una matriz diagonal.

Antecedentes
El método de eliminación de Gauss aparece en el capítulo ocho del importante
texto matemático chino Jiuzhang suanshu oLos nueve capítulos sobre el arte
matemático. Su uso se ilustra en dieciocho problemas, con dos a cinco
ecuaciones. La primera referencia al libro por este título data desde 179 dC, pero
algunas de sus partes fueron escritas tan temprano como aproximadamente
alrededor de 150 a. C.1 2 Fue comentado por Liu Hui en el siglo tercero.

Análisis de Complejidad
La complejidad computacional de la eliminación gaussiana es
aproximadamente n3. Esto es, el número de operaciones requeridas es n3 si el
tamaño de la matriz es n × n.
Algoritmo de eliminación de Gauss-Jordán

1. Ir a la columna no cero extrema izquierda


2. Si el primer renglón tiene un cero en esta columna, intercambiarlo con otro
que no lo tenga
3. Luego, obtener ceros debajo de este elemento delantero, sumando
múltiplos adecuados del renglón superior a los renglones debajo de él
4. Cubrir el renglón superior y repetir el proceso anterior con la sub-
matriz restante. Repetir con el resto de los renglones (en este punto la
matriz se encuentra en la forma de escalón)
5. Comenzando con el último renglón no cero, avanzar hacia arriba: para cada
renglón obtener un 1 delantero e introducir ceros arriba de éste sumando
múltiplos correspondientes a los renglones correspondientes
Una variante interesante de la eliminación de Gauss es la que llamamos
eliminación de Gauss-Jordan, (debido al mencionado Gauss y a Wilhelm Jordan),
esta consiste en ir obteniendo los 1 delanteros durante los pasos uno al cuatro
(llamados paso directo) así para cuando estos finalicen ya se obtendrá la matriz en
forma escalonada reducida

Ejemplo
Supongamos que es necesario encontrar los números "x", "y", "z", que satisfacen
simultáneamente estas ecuaciones:

Esto es llamado un sistema lineal de ecuaciones. El objetivo es reducir el


sistema a otro equivalente, que tenga las mismas soluciones. Las operaciones
(llamadas elementales) son estas:

 Multiplicar una ecuación por un escalar no nulo.


 Intercambiar de posición dos ecuaciones
 Sumar a una ecuación un múltiplo de otra.
Estas operaciones pueden representarse con matrices elementales que se
usan también en otros procedimientos como la factorización o la
diagonalización por congruencia de una matriz simétrica.
En nuestro ejemplo, eliminamos x de la segunda ecuación sumando 3/2 veces
la primera ecuación a la segunda y después sumamos la primera ecuación a la
tercera. El resultado es:
Ahora eliminamos y de la primera ecuación sumando -2 veces la segunda
ecuación a la primera, y sumamos -4 veces la segunda ecuación a la
tercera para eliminar y.

Finalmente eliminamos z de la primera ecuación sumando -2 veces la


tercera ecuación a la primera, y sumando 1/2 veces la tercera ecuación
a la segunda para eliminar z.

Despejando, podemos ver las soluciones:

Para clarificar los pasos, se trabaja con la matriz aumentada. Podemos ver los 3
pasos en su notación matricial:
Primero:

Después,

Por último.

Si el sistema fuera incompatible, entonces nos encontraríamos con una


fila como esta:

Que representa la ecuación: , es decir,


que no tiene solución.
Forma escalonada y escalonada reducida
Dos formas especiales de matrices son la escalonada y la escalonada reducida.
Una matriz puede tener las siguientes propiedades:

1. Todas las filas 1 están en la parte inferior de la matriz.


2. El elemento delantero de cada fila diferente de cero, éste es llamado
"pivote"; éstos están a la derecha del elemento delantero de la fila anterior
(esto supone que todos los elementos debajo de un pivote son cero).
Si una matriz A cumple con esas propiedades, se dice escalonada. Además,
cumpliendo estas otras condiciones, decimos que la matriz se encuentra en la
forma reducida de renglón escalón o tan solo en forma escalonada reducida.

1. Todos los elementos delanteros ("pivotes") son iguales a 1


2. Todos los elementos por encima de los pivotes son nulos.
Cuando una matriz representa a un sistema de ecuaciones situaciones como tener
una columna de ceros parece imposible ya que correspondería a una variable que
nunca habría aparecido. Sin embargo esta situación puede presentarse
(imaginemos la ecuación de un plano en el espacio en la que no aparece alguna
de las componentes, por ejemplo y+z=5). Así la matriz

también es una matriz escalonada.


Una vez que la matriz del sistema se ha transformado
hasta obtener una matriz escalonada reducida es muy
fácil discutirlo (es decir, determinar cuántas soluciones
tiene):

1. Cuando aparece un pivote en la columna de los términos


independientes el sistema es incompatible (no tiene ninguna solución).
2. En otro caso el sistema es compatible. Si además el número de pivotes
coincide con el número de incógnitas el sistema es compatible
determinado (tiene una única solución). Cuando el número de pivotes
es menor que el número de incógnitas el sistema es indeterminado
(tiene infinitas soluciones que dependen de tantos parámetros como
indique la diferencia entre el número de incógnitas y el número de
pivotes).
Suma y resta de matrices

Para poder sumar o restar matrices, éstas deben tener el mismo


número de filas y de columnas. Es decir, si una matriz es de orden
3  2 y otra de 3  3, no se pueden sumar ni restar. Esto es así ya
que, tanto para la suma como para la resta, se suman o se restan
los términos que ocupan el mismo lugar en las matrices.

Ejemplo:

Para sumar o restar más de dos matrices se procede igual. No


necesariamente para poder sumar o restar matrices, éstas tienen
que ser cuadradas.

Ejemplo:
M UL T I P L I CA CI O N D E M A T RI CE S

Do s m atr ic es A y B so n m ultip licab les s i e l número de colu mnas de


A co i nc id e co n e l núme ro de fi las de B .
Mm x n x Mn x p = M m x p
El e l em ento c i j d e l a m atr iz pro duc to s e ob tiene mu lti pl icand o c ad a
e l em ento de l a fi la i de la m atr iz A p or c ad a e leme nto de la co lumna j de la
m atr i z B y sum ándo lo s .

Propiedades de la multiplicación de matrices


A soc i ativ a:
A · (B · C) = (A · B ) · C
El e me nto ne utro :
A · I = A
Do nd e I es l a mat riz ident idad de l m is mo ord en q ue la m atr iz A .
N o e s Co nm utativ a:
A · B ≠ B · A
D is tr i buti va de l pro d uc to r esp ec to d e la s um a:
A · (B + C) = A · B + A · C
Modelo determinista
Es un modelo matemático donde las mismas entradas producirán invariablemente
las mismas salidas, no contemplándose la existencia del azar ni el principio de
incertidumbre. Está estrechamente relacionado con la creación de entornos
simulados a través de simuladores para el estudio de situaciones hipotéticas, o
para crear sistemas de gestión que permitan disminuir la incertidumbre. Los
modelos determinista sólo pueden ser adecuados para sistemas deterministas,
para sistemas azarosos y caóticos los modelos deterministas no pueden predecir
adecuadamente la mayor parte de sus características.
La inclusión de mayor complejidad en las relaciones con una cantidad mayor de
variables y elementos ajenos al modelo determinista hará posible que éste se
aproxime a un modelo probabilístico o de enfoque estocástico.
Ejemplos
Por ejemplo, la planificación de una línea de producción, en cualquier proceso
industrial, es posible realizarla con la implementación de un sistema de gestión de
procesos que incluya un modelo determinista en el cual estén cuantificadas las
materias primas, la mano de obra, los tiempos de producción y los productos
finales asociados a cada proceso.
Un conjunto de ecuaciones diferenciales de un sistema físico macroscópico
constituye un modelo determinista que puede predecir la evolución determinista en
el tiempo de un buen número de magnitudes características del sistema.
La programación lineal es un procedimiento o algoritmo matemático mediante el
cual se resuelve un problema indeterminado, formulado a través de un sistema de
inecuaciones lineales, optimizando la función objetivo, también lineal.
Consiste en optimizar (minimizar o maximizar) una función lineal, denominada
función objetivo, de tal forma que las variables de dicha función estén sujetas a
una serie de restricciones que expresamos mediante un sistema
de inecuaciones lineales.

Variables
Las variables son números reales mayores o iguales a cero. X_i\geq 0
En caso que se requiera que el valor resultante de las variables sea un número
entero, el procedimiento de resolución se denomina Programación entera.
Restricciones
Las restricciones pueden ser de la forma:
Tipo 1: A_j = \sum_{i=1}^N a_{i,j} \times X_i
Tipo 2: B_j \leq \sum_{i=1}^N b_{i,j} \times X_i
Tipo 3: C_j \geq \sum_{i=1}^N c_{i,j} \times X_i

Donde:
A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = número de la ecuación, variable de 1 a M (número total de restricciones);
a; b; y, c = coeficientes técnicos conocidos;
X = Incógnitas, de 1 a N;
i = número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N =
M; N > M; ó, N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo
problema.
Función Objetivo
La función objetivo puede ser:
Max! = \sum_{i=1}^N f_{i} \times X_i
o
Min! = \sum_{i=1}^N f_{i} \times X_i
Donde:
f_{i} = coeficientes son relativamente iguales a cero.
Programación Entera
En algunos casos se requiere que la solución óptima se componga de valores
enteros para algunas de las variables. La resolución de este problema se obtiene
analizando las posibles alternativas de valores enteros de esas variables en un
entorno alrededor de la solución obtenida considerando las variables reales.
Muchas veces la solución del programa lineal truncado esta lejos de ser el óptimo
entero, por lo que se hace necesario usar algún algoritmo para hallar esta solución
de forma exacta. El más famoso es el método de 'Ramificar y Acotar' o Branch and
Bound por su nombre en inglés. El método de Ramificar y Acotar parte de la
adición de nuevas restricciones para cada variable de decisión (acotar) que al ser
evaluado independientemente (ramificar) lleva al óptimo entero.
Aplicaciones:
La programación lineal constituye un importante campo de la optimización por
varias razones, muchos problemas prácticos de la investigación de operaciones
pueden plantearse como problemas de programación lineal. Algunos casos
especiales de programación lineal, tales como los problemas de flujo de redes y
problemas de flujo de mercancías se consideraron en el desarrollo de las
matemáticas lo suficientemente importantes como para generar por si mismos
mucha investigación sobre algoritmos especializados en su solución. Una serie de
algoritmos diseñados para resolver otros tipos de problemas de optimización
constituyen casos particulares de la más amplia técnica de la programación lineal.
Históricamente, las ideas de programación lineal han inspirado muchos de los
conceptos centrales de la teoría de optimización tales como la dualidad, la
descomposición y la importancia de la convexidad y sus generalizaciones. Del
mismo modo, la programación lineal es muy usada en la microeconomía y la
administración de empresas, ya sea para aumentar al máximo los ingresos o
reducir al mínimo los costos de un sistema de producción. Algunos ejemplos son
la mezcla de alimentos, la gestión de inventarios, la cartera y la gestión de las
finanzas, la asignación de recursos humanos y recursos de máquinas, la
planificación de campañas de publicidad, etc.
Otros son:

 Optimización de la combinación de cifras comerciales en una red lineal de


distribución de agua.

 Aprovechamiento óptimo de los recursos de una cuenca hidrográfica, para un


año con afluencias caracterizadas por corresponder a una determinada
frecuencia.

 Soporte para toma de decisión en tiempo real, para operación de un sistema


de obras hidráulicas;

 Solución de problemas de transporte.


Este es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener fácilmente más de 1.000 variables) en el cual se aprecia la
utilidad de este procedimiento de cálculo.
Existen tres minas de carbón cuya producción diaria es:

 La mina "a" produce 40 toneladas de carbón por día;


 La mina "b" produce 40 t/día; y,
 La mina "c" produce 20 t/día.
En la zona hay dos centrales termoeléctricas que consumen:

 La central "d" consume 40 t/día de carbón; y,


 La central "e" consume 60 t/día
Los costos de mercado, de transporte por tonelada son:

 De "a" a "d" = 2 monedas


 De "a" a "e" = 11 monedas
 De "b" a "d" = 12 monedas
 De "b" a "e" = 24 monedas
 De "c" a "d" = 13 monedas
 De "c" a "e" = 18 monedas
Si se preguntase a los pobladores de la zona cómo organizar el transporte, tal vez
la mayoría opinaría que debe aprovecharse el precio ofrecido por el transportista
que va de "a" a "d", porque es más conveniente que los otros, debido a que es el
de más bajo precio.
En este caso, el costo total del transporte es:

 Transporte de 40 t de "a" a "d" = 80 monedas


 Transporte de 20 t de "c" a "e" = 360 monedas
 Transporte de 40 t de "b" a "e" = 960 monedas
 Total 1.400 monedas.
Sin embargo, formulando el problema para ser resuelto por la programación lineal
se tienen las siguientes ecuaciones:
 Restricciones de la producción:

 Restricciones del consumo:

 La función objetivo será:

La solución de costo mínimo de transporte diario resulta ser:

 Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas


 Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas
 Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas
 Total 1.280 monedas.
120 monedas menos que antes.