JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

PRACTICA 1 SEMANA 1 15-08-18

Fecha de inicio: 15/08/18 19:10 horas Fecha de entrega: 18/08/18 24:00 horas (Lima -633)
1) Debe hacer en cuadernillo, hacer la gráfica en forma analítica y luego usar desmos para comprobar su
solución analítica de su grafica
2) Debe hacer en word como el modelo Resuelto, debe hacer la gráfica en forma analítica y luego usar
desmos para comprobar su solución analítica para su grafica
3) Usar mathtype para la presentación de su trabajo, lo puede descargar desde internet.
Ejercicios de Maximización
1) Max f ( x1 , x2 )  130 x1  60 x2 7) Max f ( x1 , x2 )  1000 x1  1500 x2 13) Maximizar f ( x1 , x2 )  4 x1  3 x2
s. a : 3x1  x2  7 s.a 0.8x1  0.9 x2  12 s. a : 35 x1  25 x2  1800
4x1  5 x2  27 0.65 x1  0.6 x2  14 3x1  2 x2  18
x1  0, x2  0 x1  5 x2 x1  0, x2  0
2) Max f ( x1 , x2 )  10 x1  16 x2 x1  0, x2  0 14) Maximizar f ( x1 , x2 )  4 x1  2 x2
s. a : 2 x1  3x2  8 8) Max f ( x1 , x2 )  2 x1  8 x2 s. a : 3x1  4 x2  8
1x1  4 x2  6 s.a 7x1  7 x2  8 3x1  2 x2  6
4x1  8 x2  0
x1  0, x2  0 x1  0, x2  0
 4 x1  3x2  15
3) Max f ( x1 , x2 )  1200 x1  1400 x2 15) Maximizar f ( x1 , x2 )  40 x1  50 x2
x1  0, x2  0
s.a : 4x1  2 x2  800 s. a : 3x1  5 x2  55
9) Max z( x1 , x2 )  8 x1  10 x2
2 x1  3x2  800 8x1  4 x2  67
s.a 3x1  2 x2  700
5x1  x2  500 4x1  7 x2  77
5x2  900
x1  0, x2  0 x1  x2  18
2x1  3x2  600
4) Maximizar G ( x, y )  2 x  1.5 y x1  0, x2  0
x1  0, x2  0
s. a : 3x  6 y  1200 10) Max z ( x1 , x2 )  5 x1  8 x2 16) Maximizar f ( x1 , x2 )  2 x1  x2
7x  2 y  1400 s.a 3x1  8 x2  30 s. a : 3x1  6, x2  15
x0 y0 4x2  1 4  6 x1  3x2  20
5) Max G ( x, y )  150 x  200 y  4 x1  2 x2  12 x1  0, x2  0
s. a : 25 x  20 y  3200 x1  0, x2  0 17) Maximizar f ( x1 , x2 )  5 x1  3 x2
4x  6 y  180 11) Max z( x1 , x2 )  70 x1  90 x2 s. a : 4x1  2 x2  13
45 x  65 y  6200 s. a : 5x1  6 x2  35 2 x1  x2  8
x0 y0 9x1  8 x2  46 x1  0, x2  0
6) Max f ( x1 , x2 )  6.5 x1  7 x2 x1  0, x2  0 18) Maximizar f ( x1 , x2 )  4 x1  2 x2
Re stringido a : 12) Max z ( x1 , x2 )  70 x1  90 x2 s. a : 3x1  5 x2  300
2 x1  2 x2  300 s. a : 5x1  6 x2  35 3x1  2 x2  200
3x1  6 x2  600 7x1  8 x2  66 x1  0, x2  0
2 x1  3 x2  700 x1  0, x2  0 19) Max f ( x1 , x2 )   x1  3x2
x1  0, x2  0 s. a : 3x1  4 x2  300
5x1  2 x2  200
x1  0, x2  0

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo
Pág. 1
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

20) Max f ( x1 , x2 )  3 x1  4 x2 28) Max f ( x1 , x2 )  3 x1  2 x2

s. a : 5x1  2 x2  0 s. a : 3x1  2 x2  100
2x1  3x2  0 2x1  3x2  80
2x1  x2  0 4x2  40
x1  0, x2  0 x1  0, x2  0
21) Max f ( x1 , x2 )  400 x1  300 x2 29) Max f ( x1 , x2 )  3 x1  2 x2
s. a : x1  2 x2  160 s. a : 4x1  3x2  9
3x1  2 x2  230 6x1  5 x2  5
3x1  2 x2  410 x2  8
x1  0, x2  0 x1  0, x2  0
22) Max f ( x1 , x2 )  3x1  2 x2 30) Max f ( x1 , x2 )  8 x1  4 x2
s. a : 2x1  3x2  8 s. a : 2x1  x2  10
3x1  2 x2  5 4x1  3x2  7
2x1  2 x2  8 2 x1  3x2  12
x1  0, x2  0 x1  0, x2  0
23) Max f ( x1 , x2 )  100 x1  90 x2 31) Max f ( x1 , x2 )  x1  4 x2
s. a : 6x1  3x2  24 s. a : 3x1  6 x2  310
6 20x1  8 x2  160 3x1  2 x2  220
6 4x1  2 x2  15 x1  0, x2  0
x2  5. x1  0, x2  0 32) Max f ( x , x )  8 x  3 x
1 2 1 2
24) Max f ( x1 , x2 )  3x1  5 x2 Re stringido a :
s. a : 4x1  5 x2  12 4 x1  3x2  600
3x1  3x2  14 6 x1  2 x2  700
x1  0, x2  0 4 x1  3x2  500
25) Max f ( x1 , x2 )  x1  3x2 x1  0, x2  0
s. a : 5x1  3x2  7
 3x1  6 x2  9
x1  0, x2  0
26) Max f ( x1 , x2 )  3 x1  2 x2
s. a : 3x1  5 x2  18
3x1  4 x2  42
3x1  2 x2  24
x1  0, x2  0
27) Max f ( x1 , x2 )  5 x1  4 x2
s. a : 3x1  4 x2  14
4x1  8 x2  60
5x1  4 x2  36
x1  0, x2  0

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo
Pág. 2
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

Ejercicios de Minimización
1). Min f ( x1 , x2 )  5x1  6 x2 9) Min f ( x1 , x2 )  4 x1  2 x2 17) Min f ( x1 , x2 )  80 x1  60 x2
s.a 2x1  x2  2 s. a : 3x1  x2  300 s. a : 0.20x1  0.32 x2  0.95
4x1  3x2  4 x1  2 x2  200 3 x1  2 x2  3
x1  0, x2  0 x1  0, x2  0 x1  0, x2  0
2). Min f ( x1 , x2 )  5 x1  2 x2 10) Min f ( x1 , x2 )   x1  3x2 18) Minimizar f ( x1 , x2 )  80 x1  60 x2
s.a 4x1  x2  3 s. a : 3x1  x2  300 s. a : 0.25x1  0.42 x2  0.85
2x1  5 x2  5 x1  2 x2  200 2x1  3x2  3
x1  0, x2  0 x1  0, x2  0 x1  0, x2  0
3). Min f ( x1 , x2 )  2x1  3x2 11) Min f ( x1 , x2 )  3 x1  4 x2 19) Minimizar f ( x1 , x2 )  110 x1  50 x2
s.a 3 x1  2 x2  30 s. a : 3x1  2 x2  0 s. a : 120x1  200 x2  1500
x1  3x2  10 2x1  2 x2  0 3x1  1.6 x2  16.5
x1  0, x2  0 5x1  x2  0 120x1  270 x2  2100
4). Min f ( x1 , x2 )  15 x1  12 x2 x1  0, x2  0 130x1  280 x2  1200
3x1  x2  9 12) Min f ( x1 , x2 )  3 x1  4 x2
s.a x1  0, x2  0
2x1  3x2  6 s. a : 3x1  2 x2  12 20) Minimizar f ( x1 , x2 )  5 x1  4 x2
4x1  2 x2  4 s. a : 2x1  3x2  14
x1  0, x2  0
5). Min f ( x1 , x2 )  5 x1  4 x2 x1  3 6x1  4 x2  36
x1  0, x2  0 8x1  11x2  60
s.a 6 x1  5 x2  24
13) Min f ( x1 , x2 )  50 x1  70 x2 x1  0, x2  0
2 x1  3x2  6
s. a : 100x1  200 x2  8000 21) Min f ( x , x )  12 x  6 x
- 2x1  3x2  5 1 2 1 2
100x1  100 x2  6000 s. a : 4x  3x  10
x2  5 1 2
x1  0, x2  0 3x1  5 x2  18
x1  0, x2  0
14) Min f ( x1 , x2 )  3 x1  x2
6). Min f ( x1 , x2 )  40x1  56 x2 x1  0, x2  0
s. a : 2x1  3x2  6
s. a : 3x1  4 x2  80 22) Min f ( x1 , x2 )  12 x1  6 x2
3x1  10 x2  7
3 x1  4 x2  100 s. a : 2 x1  3x2  12
x2  5, x1  x2  4
x1  0, x2  0 x2  2 ,3x1  2 x2  4
x1  0, x2  0
7) Min f ( x1 , x2 )  2 x1  x2 x1  0, x2  0
15) Min f ( x1 , x2 )  3 x1  2 x2
s. a : x1  8, x2  12 23) Min f ( x1 , x2 )  0.5 x1  0.66 x2
s. a : 2x1  3x2  9
4  2 x1  3x2  20 s. a : 3x1  5 x2  15
3x1  2 x2  5
x1  0, x2  0 3x1  x2 , x1  22, x2  12
3  x2  6, x2  8
8) Min f ( x1 , x2 )  5 x1  4 x2 x1  0, x2  0
x1  0, x2  0
s. a : 2x1  3x2  5 16) Minimizar f ( x1 , x2 )  x1  5 x2 24) Min f ( x1 , x2 )  12 x1  4 x2
3x1  4 x2  12 s. a : 4 x1  5 x2  50 s. a : 4  x1  8
x1  0, x2  0 x1  6 x2  6
4  x2 x1  0, x2  0
x1  0, x2  0

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo
Pág. 3
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

24) Min f ( x1 , x2 )  12 x1  4 x2 27) Min f ( x1 , x2 )  x1  5 x2 30) Min f ( x1 , x2 )  33000 x1  4500 x2

s. a : 4  x1  9 s. a : 90x1  60 x2  1440 s. a : 3x1  3x2  8
x2  6 x1  x2  20, 2 x2  x1 2x1  4 x2  15
x1  0, x2  0 x1  0, x2  0 3x1  4 x2  8
25) Min f ( x1 , x2 )  2 x1  x2 28) Minimizar f ( x1 , x2 )  3 x1  7 x2 x1  0, x2  0
s. a : 1  x1 , 5  x2 s. a : 2x1  x2  6 31) Minimizar f ( x1 , x2 )  4 x1  2 x2
2x1  3x2  6 x1  x2  6 s. a : 2x1  4 x2  14
3x1  2 x2  18 5x1  3x2  36
x1  2 x2  5
x1  0, x2  0 6x1  10 x2  60
x1  0, x2  0
26) Min f ( x1 , x2 )  2 x1  x2 x1  0, x2  0
29) Minimizar f ( x1 , x2 )  3 x1  4 x2
s. a : 2  x1  9, 32) Min f ( x1 , x2 )  5 x1  3x2
s. a : x1  2 x2  8
3x1  2 x2  85 s. a : 4x1  6 x2  120
3x2  x1  9
2x1  3x2  9 6x2  x1  4
8x1  12 x2  240
x1  0, x2  0 3x2  2 x1  18 x1  0, x2  0
 4 x1  4 x2  28
x1  0, x2  0

Orden Ensamblador
NUMERO DE 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Lista en
TRIO intranet
PCC
Cuadernillo MAX 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 1ro lista
Cuadernillo MAX 27 28 29 30 31 32 9 8 7 6 5 4 3 2 1 2 2do lista
Cuadernillo MAX 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 3ro lista

Cuadernillo MIN 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1ro lista

Cuadernillo MIN 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 2do lista
Cuadernillo MIN 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 3ro lista
PDD
DOMIC MPL MIN 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 9 1ro lista
DOMIC MPL MIN 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 2do lista
DOMIC MPL MIN 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 3ro lista

DOMIC MPL MAX 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 9 1ro lista

DOMIC MPL MAX 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 2do lista
DOMIC MPL MAX 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 3ro lista

JOSE JEREMIAS CABALLERO CANTU

Docente UCSS
Programador en Matlab

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo
Pág. 4
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

METODO GRAFICO SEMANA 1 Fecha: 15-08-18

Dado un enunciado, se extrae las restricciones, las variables y la función objetivo. Las restricciones
siempre van a ser lineales por eso el nombre MPL (Método de Programación Lineal). Tal MPL se puede
optimizar, es decir podemos maximizar o minimizar. Por varios métodos se puede optimizar un MPL,
entre ellos tenemos Método Grafico, el Método de Simplex, Método de Gran M y el Método de
Transporte. Y estos métodos se va a desarrollar en el curso.
METODO GRAFICO
Primera nos damos un MPL con variables x1 , x2 . Nuestro objetivo es detectar para que valores de x1 , x2 ,
la expresión f ( x1 , x2 )  c1 x1  c2 x2 toma su valor máximo o su valor mínimo, pero estos variables
cumplen ciertas restricciones. Por ejemplo, para maximización tenemos:
Maximizar f  x1 , x2   c1x1  c2 x2
Restringido a :
R1 : a11 x1  a12 x2  b1
R2 : a21 x1  a22 x2  b2
.
Rn : an1 x1  an 2 x2  bn
x1  0, x2  0
1. Debemos hallar la intersección de cada restricción con los ejes coordenados

 bj  bj 
 x1  0  x2  a j2
  0, 
a j 2 
 
a j1 x1  a j 2 x2  b j   j  1, 2,.., n
x  0  x  bj  bj 
 2 1   ,0
 a j1  a j1 
 bj   bj 
Donde  0,  , 
a j 2   a j1 
, 0 son las intersecciones con el eje coordenados.

2. Ahora hallamos la intersección entre las rectas
L1 : a11x1  a12 x2  b1
L2 : a21x1  a22 x2  b2
es decir L j  Li donde i, j 1, 2,..., n , i  j
.
Ln : an1 x1  an 2 x2  bn
Para ello hallamos la solución el sistema, dos a dos:
Li : ai1x1  ai 2 x2  bi
donde i, j 1, 2,..., n i j
L j : a j1x1  a j 2 x2  b j
3. Ahora graficamos todas las restricciones usando la información del paso 1 y del paso 2, incluyendo
las restricciones x1  0, x2  0
4. Ahora observamos la gráfica y la región que tiene más intersecciones es la REGION FACTIBLE. Se
debe localizar los vértices de la región Factible. Sean ( x1i , x2i ), i  1, 2,..., k los vértices de la
región factible,
5. La región factible es un polígono (ya sea abierto o cerrado dependiendo del MPL).
6. Ahora los vértices de la región factible se evalúan en la función objetivo f  x1 , x2   c1 x1  c2 x2 , con
lo cual vamos a tener varios valores m1 , m2 ,..., mk , es decir f  x1i , x2i   c1 x1i  c2 x2i  mi

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo

Pág. 5
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

7. Como el problema es maximizar entonces tomamos el máximo valor del pas6, es decir
mr  max mi ,0  i  k y el punto que maximiza seria ( x1 , x2 ), para algún r  1, 2,..., k
r r

METODO GRAFICO SEMANA 1 Fecha: 15-08-18

1) Hallar el máximo de MPL (Modelo de Programación Lineal)
12) Maximizar f  x1 , x2   30 x1  50 x2
Re stringido a :
x1  3x2  200
x1  x2  100
x1  20, x2  10
x1  0, x2  0
Solución del MPL.
1) Hallando la Intersección de las restricciones con los ejes coordenados
 x1  0,  x2  66.7  (0,  66.7)
x1  3x2  200  
 x2  0  x1  200  (  200, 0)
 x1  0,  x2  100  (0,  100)
x1  x2  100  
 x2  0  x1  100  (  100, 0)
2) Hallando intersección entre las rectas de las restricciones
 x1  3x2  200
Intersecciones de rectas   x2  50  x1  50  (50,50)
 x1  x2  100
 x1  3x2  200
Intersecciones de rectas   x2  60  (20,60)
 x1  20
 x1  x2  100
Intersecciones de rectas   x1  90  (90,10)
 x2  10
 x1  20
Intersecciones de rectas   (20,10)
 x2  10
3) Grafica del MPL en el plano x x 1 2
x2
x1=20

REGION
FACTIBLE x1 +
3x
2 =2
00
x2=10
x1
x 1+
x 2=
10
0

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo

Pág. 6
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

4) Buscando el valor máximo de la función

f  x1 , x2   30 x1  50 x2
f (20,10)  30(20)  50(10)  1100
f (90,10)  30(90)  50(10)  3200
f (50,50)  30(50)  50(50)  4000
f (20, 60)  30(20)  50(60)  3600
5) Interpretación de los resultados
El valor máximo se da en el punto (50,50) y es 4000
2) Hallar el mínimo de MPL (Modelo de Programación Lineal)
Minimizar f ( x1 , x2 )  13x1  8 x2
s.a x1  x2  8, 2x1  3 x2  0
x1  2 x2  30, 3x1  x2  0
x1  10, x2  9 x1  0, x2  0
Solución del MPL.
1) Hallando la Intersección de las restricciones con los ejes coordenados
 x1  0  x2  8 ,  0,  8   x1  0  x2  0 ,  0,  0 
x1  x2  8  2x1  3x2  0 
 x2  0  x1  8 , ( 8, 0)  x2  0  x1  0 ,  0 , 0 
 x1  0  x2  15 ,  0,  15   x1  0  x2  0 ,  0,  0 
x1  2 x2  30  3x1  x2  0 
 x2  0  x1  30 ,  30 , 0   x2  0  x1  0 , ( 0, 0)
 x1  10  x2 =cualquiera ,   10, 0   x2  9  x1 =cualquiera ,  0,  9 
x1  10  x2  9 
 x1  10  x2 =cualquiera ,   10,8   x2  9  x1 =cualquiera ,  6,  9 
2) Hallando intersección entre las rectas de las restricciones
3x1  x2  0
  x1  307  4.286  x2  90
 12.857  punto de intersección (4.286,12.857)
 1
x  2 x2  30 7

3x1  x2  0
  x2  9  x1  3  punto de intersección (3,9)
 x2  9
3x1  x2  0
  x1  2  x2  6  punto de intersección (2, 6)
 x1  x2  8
2 x1  3x2  0
  x2  9  x1  27
 13.5  punto de intersección (13.5,9)
 x2  9
2

2 x1  3x2  0
  x2  60
 x1  907  punto de intersección (12.857,8.571)
 x1  2 x2  30
7

2 x1  3x2  0
  x1  10  x2  20
 punto de intersección (10, 6.667)
 x1  10
3

2 x1  3x2  0
  x1  24
 x2  165  punto de intersección (4.8,3.2)
 x1  x2  8
5

 x1  2 x2  30
  x1  10  x2  10  punto de intersección (10,10)
 x1  10

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo

Pág. 7
JOSE CABALLERO Conocimiento no equivale a sabiduría Programación Lineal 2018-II

 x1  2 x2  30
  x2  9  x1  12  punto de intersección (12,9)
 x2  9
 x1  10
  x2  9  x1  10  punto de intersección (10, 9)
 x2  9
3) Grafica
x
del MPL en el plano x x
+2 x2 1 2

2 =0
1
x x1=10
2 =3
0

1 x
3x -
=0
- 3x 2
2x 1

REGIÓN
FACTIBLE x2=9

x1
x1 +
x2
=8

4) Buscando el valor mínimo de la función

f ( x1, x2 )  13x1  8x2
f (3,9)  13(3)  8(9)  111 minimo
f (10,9)  13(10)  8(9)  202
f (10,10)  13(10)  8(10)  210
f (4.286,12.857)  158.5714
5) Interpretación de los resultados
El valor mínimo se da en el punto (3,9) y es 1

_______________________________________________________________________________
UCSS Facultad de Ingeniería La sabiduría consiste en hacerlo

Pág. 8