PROGRAMACIN NO LINEAL UNIVARIABLE SIN RESTRICCION

MTODOS NUMRICOS

Alumnos:.. Plasencia Nuez, Cristian. Razuri Deza, Silvana Ruiz Huancas, Henry. Segura Agreda, Fernando Villanueva Ajito, Naomi

Curso: Metodos Numericos Escuela: Ingeniera Industrial Docente: Ing. Segundo Ramirez

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

INTRODUCCION
La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya misin es proporcionar una serie de resultados y tcnicas tendentes a la determinacin de puntos ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto de oportunidades), donde tanto la funcin objetivo, como las que intervienen en las restricciones que determinan el conjunto de oportunidades pueden ser no lineales. Evidentemente, la estructura del problema puede ser muy variada, segn las funciones que en l intervengan (a diferencia de la Programacin Lineal (PL) donde la forma especial del conjunto de oportunidades y de la funcin objetivo permite obtener resultados generales sobre las posibles soluciones y facilitan los tratamientos algortmicos de los problemas). Ello ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en la dificultad de la obtencin numrica de las soluciones. En este sentido, hay que distinguir entre las diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de resolucin en problemas sencillos, y los mtodos numricos iterativos, cuyo funcionamiento se basa en estas caracterizaciones, para la resolucin de problemas ms generales.

El tema que abordamos est compuesto por los siguientes epgrafes: en la seccin 1, aparte de esta introduccin, definimos el problema general de Programacin no Lineal que estudiamos, y daremos las definiciones y resultados bsicos que se emplearn a lo largo de todo el tema. Asimismo, se recuerda el estudio de los problemas irrestrictos (PI) y de los problemas con restricciones de igualdad (PRI). La seccin 2 se dedica a establecer y dar los conceptos bsicos de los problemas con restricciones de desigualdad (PRD), mientras que la seccin 3 estudia la resolucin de estos problemas a travs de la definicin de punto estacionario, y algunas de sus variaciones para casos especiales. Con la utilizacin del llamado punto minimax, se aborda en la seccin 4 el concepto de dualidad en Programacin Matemtica.

El problema general de Programacin no Lineal que estudiaremos a lo largo de todo el tema toma la siguiente forma:

Ingeniera Industrial

Pgina 2

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

As pues, en algunos casos, el objetivo de la PNL consiste en encontrar las variables de decisin factibles para el problema para las cuales la funcin objetivo tome el mayor valor posible. En otros casos, el objetivo ser encontrar el mnimo de la funcin. OPTIMIZACIN NO RESTRINGIDA DE UNA VARIABLE Se comenzar por explicar cmo se pueden resolver algunos tipos de problemas como los que se acaban de describir, considerando el caso ms sencillo, la optimizacin no restringida con una sola variable x(n=1) en donde la funcin diferenciable f(x) que debe maximizarse es cncava. As, la condicin necesaria y suficiente para que unas solucin particular x=x* sea ptima ( un mximo global) es : en x=x*

como se muestra en la figura siguiente. Si en esta ecuacin se puede despejar de modo directo , el problema lleg a su fin; pero si f(x) no es una funcin sencilla y su derivada no es una funcin lineal o cuadrtica, tal vez sea imposible resolver la ecuacin analtica. De ser as, el procedimiento de bsqueda en una dimensin proporciona una forma sencilla de obtener una solucin numrica.

f(x)

x*

Ingeniera Industrial

Pgina 3

MTODOS NUMRICOS
SOLUCIN DE PNL CON UNA VARIABLE En esta seccin, explicaremos cmo resolver un PNL: max (o min) f(x) x [a, b] (1)

Docente: Ing. Segundo Ramirez

[Si b = , entonces la regin factible para el PNL es x a , y si a= -, entonces la regin factible para (1) es xb] Para encontrar la solucin optima a (1), se encuentran los mximos locales (o mnimos). Un punto que es un mximo local o mnimo local para (1) se llama un extremo local. Entonces la solucin ptima para (1) es el mximo local (o mnimo) que tiene el valor ms grande (o ms pequeo de f(x). Por supuesto, si a= - o b= , entonces es posible que (1) no tenga solucin ptima.

Hay tres tipos de puntos para los que (1) puede tener un mximo local o mnimo (estos puntos por lo comn se llaman candidatos extremos): Caso 1 Puntos donde a < x <b y f(x) = 0 *llamado un punto estacionario de f(x)] Caso 2 Puntos donde f(x) no existe Caso 3 Puntos finales a y b del intervalo [a, b]

Ingeniera Industrial

Pgina 4

MTODOS NUMRICOS
Caso 1 Puntos donde a < x < b y f(x)=0

Docente: Ing. Segundo Ramirez

Suponga que a < x < b , y f(x0) existe. Si x0 es un mximo local o un mnimo local, entonces f(x0)=0. Para ver esto , considere las figuras a y b. De la figura a, se ve que si f(x0)=0 entonces hay puntos x1 y x2 cerca de x0 donde f(x1) < f(x0) y f(x2)>f(x0). As, si f(x0)>0, x0 no puede ser un mximo local o un mnimo local. De manera similar en la figura b se muestra que si f(x0)<0, entonces x0 no puede ser un mximo local o un mnimo local. Sin embargo, de las figuras c y d, se ve que f(x 0)=0, entonces x0 podra ser un mximo local o un mnimo local. Por desgracia, en la figura e se observa f(x0) puede ser igual a cero sin que x0 sea un mximo local o un mnimo local. De la figura c, se observa que si f(x0) cambia de positiva a negativa conforme pasa por x0, entonces x0 es un mximo local. As, si f(x0)<0, x0 es un mximo local . D e manera similar, de la figura d, se ve que si f(x0) cambia de negativa a positiva a medida que se pasa por x0, x0 es un mnimo local. As, si f(x0)>0, x0 es un mnimo local.

Ingeniera Industrial

Pgina 5

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

Ingeniera Industrial

Pgina 6

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

TEOREMA 1 Si f(x0) = 0 y f(x0) <0, entonces x0 es un mximo local. Si f(x0) = 0 y f(x0)>0, entonces x0 es un mnimo local. Qu pasa si f(x0) = 0 y f(x0) = 0 ( este caso se muestra en la figura e) .En este caso se determina x0 es un mximo local o un mnimo local mediante la aplicacin del teorema 2.

TEOREMA 2 Si f(x0) = 0, y 1. Si la primera derivada no nula (no cero) en x0 es una derivada de orden impar [ f (3)(x0),f(5)(x0),etctera], entonces x0 no es un mximo local o mnimo local. 2. Si la primera derivada no nula en x0 es positiva y de orden par, entonces x0 es un mximo local. 3. Si la primera derivada no nula en x0 es negativa y de orden par, entonces x0 es un mximo local.

CASO 2 Puntos donde f(x) no existe Si f(x) no tiene una derivada en x0, x0 podra ser un mximo local, un mnimo local o ninguno. En este caso, se determina si x0 es un mximo local o un mnimo local al comprobar los valores de f(x) en los puntos x1 <x0 y x2>x0 cerca de x0. Los cuatro casos posibles que pueden ocurrir se resumen en la tabla 1.

Ingeniera Industrial

Pgina 7

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

Cmo determinar si x0 es un mximo local o un mnimo local cuando f(x0) no existe

Ingeniera Industrial

Pgina 8

MTODOS NUMRICOS
TABLA 1:

Docente: Ing. Segundo Ramirez

Cmo determinar si un punto donde f(x) no existe es un mximo local o un mnimo local. Relacin entre f(x0), f(x1) y f(x2) f(x0)>f(x1) ; f(x0)<f(x2) f(x0)<f(x1) ; f(x0)>f(x2) f(x0)f(x1); f(x0)f(x2) f(x0)f(x1); f(x0)f(x2) X0 No es un extremo local No es un extremo local Mximo local Mnimo local Figura a b c d

CASO 3 Puntos finales a y b de [a,b] De la siguiente figura, se ve que : Si f(a) > 0 , entonces a es un mnimo local. Si f(a)>0 , entonces a es un mximo local. Si f(b)>0 , entonces b es un mximo local. Si f(b)<0 , entonces b es un mnimo local.

Ingeniera Industrial

Pgina 9

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

Cmo determinar si x0 es un mximo local o un mnimo local si x0 es un punto final.

Ingeniera Industrial

Pgina 10

MTODOS NUMRICOS
EJEMPLO 1: Un monopolista maximiza su ganancia

Docente: Ing. Segundo Ramirez

A un monopolista le cuesta $5/unidad producir un producto. Si produce x unidades del producto, entonces cada uno se puede vender en 10 x dlares (0x10). Para maximizar la ganancia, cunto debe producir el monopolista? Solucin Sea P(x) la ganancia del monopolista si produce x unidades. Entonces : P(x) = x(10-x) 5x = 5x x2 ( 0x10) As, el monopolista quiere resolver el siguiente problema de PNL : max P(x) 0x10 Ahora se clasifican los candidatos extremos: Caso 1 P(x) = 5 2x , as que P(2.5)=0. Debido a que P(x) = -2 , x=2.5 es un mximo local que produce una ganancia de P(2.5)=6.25. Caso 2 P(x) existe para los puntos en *0,10+, as que no hay candidatos de caso 2 . Caso 3 a=0 tiene P(0)= 5 >0, de modo que a=0 es un mnimo local ; b=10 tiene P(10)=-15 <0, entonces b=10 es un mnimo local. As, x= 2.5 es el nico mximo local. Esto significa que las ganancias del monopolista se maximizan al elegir x= 2.5. Observe que P(x) =-2 para todos los valores de x. Esto muestra que P(x) es una funcin cncava. Cualquier mximo local para P(x) debe ser la solucin ptima para el PNL. As, el teorema 1 implica que una vez determinado que x=2.5 es un mximo local, se sabe que es la solucin ptima para el PNL.

EJEMPLO 2 : Determinacin del mximo global cuando el punto final es un mximo. Sea f(x) = 2 (x-1)2 para 0x<3 f(x) = -3 + (x-4)2 para 3x6 Encuente max f(x) donde 0x6 Ingeniera Industrial Pgina 11

MTODOS NUMRICOS
SOLUCIN

Docente: Ing. Segundo Ramirez

Caso 1 Para 0x<3, f(x)= -2(x-1) y f(x) = -2. Para 3<x6, f(x) = 2(x-4) y f(x) =2. As, f (1) =f (4)=0. Debido a que f (1)<0 , x=1 es un mximo local. Debido a que f (4)>0, x=4 es un mnimo local. Caso 2 De la figura que presentaremos a continuacin, se ve que f(x) no tiene derivada en x=3 ( para x ligeramente menor que 3, f(x) esta cerca de -4, y para x un poco mayor que 3, f(x= est cerca de -2). Debido a que f(2.9) = -1.61, f(3) = -2 , y f(3.1)=-2.19, x=3 no es un extremo local. Caso 3 Debido a que f(0)=2 >0, x=0 es un mnimo local. Debido a que f(6) = 4 > 0, x=6 es un mximo local. Por la tanto, en [0,6], f(x) tiene un mximo local para x=1 y x=6. Debido a que f(1) = 2 y f(6)=1, se encuentra que la solucin ptima para el PNL ocurre para x=1.

Ingeniera Industrial

Pgina 12

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

Algoritmos de programacin no lineal

Los mtodos de solucin de la programacin no lineal se pueden clasificar, de manera general, en algoritmos directos o indirectos. Como ejemplo de los mtodos directos estn los algoritmos de gradiente, donde se busca el mximo (el mnimo) de un problema siguiendo la mayor tasa de aumento (disminucin) de la funcin objetivo. En los mtodos indirectos, el problema original se sustituye por otro del cual se determina el ptimo. Como ejemplos de estos casos estn la programacin cuadrtica, la programacin separable y la programacin estocstica.

ALGORITMOS SIN RESTRICCIN En esta seccin se presentarn dos algoritmos para el problema 110 restringido: el algoritmo de bsqueda directa y el algoritmo de gradiente. 1. Mtodo de bsqueda directa Los mtodos de bsqueda directa se aplican principalmente a funciones estrictamente unimodales de una variable. Aunque puede parecer trivial el caso, la seccin 21.1.2 muestra que la optimizacin de funciones de una variable juega un papel clave en el desarrollo de los algoritmos de varias variables, ms generales. La idea de los mtodos de bsqueda directa es identificar el intervalo de Incertidumbre que comprenda al punto de solucin ptima. El procedimiento localiza el ptimo estrechando en forma progresiva el intervalo de incertidumbre hasta cualquier grado de exactitud que se desee. En esta seccin se presentan dos algoritmos estrechamente relacionados: los mtodos de bsqueda dictomo y de seccin dorada (o urea). Ambos buscan la maximizacin de una funcin unimodal f(x) en el intervalo a x b, que se sabe que incluye el punto ptimo x*. Los dos mtodos comienzan con I0 = (a, b) que representa el intervalo inicial de incertidumbre. Paso general i. Sea Ii-1 = (xL, xR) el intervalo actual de incertidumbre (en la iteracin 0, xL = a y xR = b). A continuacin se definen x1 y x2 tales que XL < X1 < X2 < XR El siguiente intervalo de incertidumbre, Ii , se define como sigue: 1. Si f(x1) > f(x2), entonces xL < x* < x2. Se definen xR = x2 e Ii = (xL , x2) (vase la figura 21.2[a]).

Ingeniera Industrial

Pgina 13

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

2. Si f(x1) < f(x2), entonces x1 < x* < x2. Se definen xL = x1 e Ii = (x1 , xR) (vase la figura 21.2[b]). 3. Si f(x1) = f(x2), entonces x1 < x* < x2. Se definen xL = x1, xR = x2 e Ii = (x1 , x2).

La manera en que se determinan x1 y x2 garantiza que Ii < Ii-1, como se demostrar en breve. El algoritmo termina en la iteracin k si Ik , donde es un grado de exactitud definido por el usuario. La diferencia entre los mtodos dictomo y de seccin dorada estriba en la forma en que se calculan x1 y x2. La tabla siguiente presenta las frmulas.

Mtodo Dictomo

Mtodo de la seccin dorada

( ( ) )

Ingeniera Industrial

Pgina 14

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

En el mtodo dictomo los valores x1 y x2 se encuentran simtricos respecto del punto medio del actual intervalo de incertidumbre. Esto significa que Ii =0.5 (Ii-1 + ) La aplicacin repetida del algoritmo garantiza que la longitud del intervalo de incertidumbre se acercar al nivel de exactitud deseado, . En el mtodo de la seccin dorada la idea es de mayor involucramiento. Se puede apreciar que cada iteracin del mtodo dictomo requiere calcular los dos valores f(x1) y f(x2), pero termina por descartar alguno de ellos. Lo que propone el mtodo de la seccin dorada es ahorrar clculos mediante el reuso del valor descartado en la iteracin inmediata siguiente. Para definir 0 < < 1,

Cuando el intervalo de incertidumbre Ii en la iteracin i es igual a (xL, x2) o a (x1, xR). Considerando el caso en que Ii (xL, x2), lo cual significa que x1 est incluido en Ii. En la iteracin i+1, seleccione x2 igual a x1 de la iteracin i, lo cual lleva a la siguiente ecuacin: x2 (iteracin i+1) = x1 (iteracin i) Sustituyendo, se encuentra que: xL + *x2 (iteracin i) xL] = xR (xR xL) o lo que es igual: xL + [xL + (xR - xL) - xL] = xR - (xR - xL) que finalmente se simplifica a:

La ecuacin da positiva

. Como

es un valor entre 0 y 1, seleccionamos la raz

.6 8.

El diseo de los clculos del mtodo de la seccin dorada, garantiza una reduccin a en los intervalos de incertidumbre sucesivos; esto es: Ii + 1 = Ii
Ingeniera Industrial Pgina 15

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

Comparado con el mtodo dictomo, el mtodo de la seccin dorada converge ms rpidamente hacia el nivel deseado de exactitud. Adicionalmente, cada iteracin en el mtodo de la seccin dorada requiere la mitad de los clculos, en virtud de que recicla siempre un conjunto de los clculos correspondientes a la iteracin inmediata anterior. Ejemplo 21.1-1 Maximizar {

El mximo valor de (x) ocurre en x = 2. La siguiente tabla muestra los clculos para las iteraciones 1 y 2, usando el mtodo dictomo y el de la seccin dorada. Supondremos que = 0.1.

Al continuar de la misma forma, el intervalo de incertidumbre terminar por estrecharse hasta la tolerancia deseada.

Ingeniera Industrial

Pgina 16

MTODOS NUMRICOS
2. Mtodos que Utilizan Derivadas

Docente: Ing. Segundo Ramirez

Estos mtodos se diferencian de los del grupo anterior porque utilizan la informacin de la derivada de la funcin para dirigir la bsqueda. Generalmente convergen en un menor nmero de iteraciones. Requieren que la funcin sea diferenciable, y adems es necesario calcular la derivada de la funcin ya sea en forma analtica o numrica. En este grupo se pueden incluir el mtodo de Newton, de la biseccin, de la secante y bsqueda cbica como los ms convencionales. A continuacin se describe el mtodo de Newton.
2

Mtodo de Newton: Se basa en aproximar a la funcin f(x) en el punto , a una funcin cuadrtica q(x), y luego buscar el mnimo de q(x). La aproximacin cuadrtica se obtiene mediante una expansin de Taylor que incluye el trmino de segundo orden q(x)=f( ) + f( )(x) + f ( )(x- ) . Si es un punto suficientemente prximo a un ptimo, todo punto x que verifica la condicin necesaria de ptimo local no condicionado q(x)=0, verifica tambin la condicin suficiente de ptimo local no condicionado. Luego, es elegido como el punto que minimiza la funcin q(x). Es decir, que verifica q(x)=f( )+f( )(x- )=0. De aqu se obtiene (haciendo =x):

- f( )/f(

).
| < o f( ) < donde es un escalar prefijado.

El proceso termina cuando |

Nota: El procedimiento puede ser aplicado a funciones diferenciables dos veces, y adems es necesario que f( )0. Puede demostrarse que este mtodo converge si el punto inicial es suficientemente prximo a un ptimo.

Ingeniera Industrial

Pgina 17

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

Ejemplo: Se resuelve el NLP min f(x) = 2x2+16/x usando el algoritmo

de Newton, con =0,03.

Los resultados de las sucesivas iteraciones se muestran en la tabla siguiente.

k 1 2 3 4 5

xk 3.0000 1.0286 1.3581 1.5514 1.5866

f1(xk) 10.2222 -11.0092 -3.242 -0.4422 -0.0099

f2(xk) 5.1852 33.4067 16.7742 12.5701 12.0125

f(xk) 23.3333 17.6715 15.47 15.127 15.1191

x(k+1) 1.0286 1.3581 1.5514 1.5866 1.5874

x(k+1)-xk 1.9714 0.3295 0.1933 0.0352 0,0008<0,03

De la tabla se adopta el punto x*=1,5874 como un mnimo local. El valor de la funcin objetivo en este punto es f(x*)=15,1191.

Ingeniera Industrial

Pgina 18

MTODOS NUMRICOS EJERCICIOS RESUELTOS

Docente: Ing. Segundo Ramirez

1. A un monopolista le cuesta $8/unidad producir un producto. Si produce x unidades del producto, entonces cada uno se puede vender en 12-x dlares . Para maximizar la ganancia, Cunto debe producir el monopolista? Solucin: Sea la ganancia del monopolista si produce x unidades. Entonces: [ [ ] [8 ] ] [ ]

As, el monopolista quiere resolver el siguiente PNL

. . Ahora se clasifican los candidatos extremos: Caso 1: , as que mximo local que produce una ganancia de Caso 2: . Debido a que . es un

existe para los puntos en [0,12], as que no hay candidatos de caso 2. , de modo que a=0 es un mnimo local; b=12 tiene , entonces b=12 es un mnimo local.

Caso 3: a=0 tiene

As, x=2 es el nico mximo local. Esto significa que las ganancias del monopolista se maximizan al elegir x=2. Observe que para todos los valores de x. Esto muestra que es una funcin cncava. Cualquier mximo local para debe ser la solucin ptima para el PNL. As, el teorema 1 implica que una vez determinado que x=2 es un mximo local, se sabe que es solucin ptima para el PNL. 2. A una compaa le cuesta S/.100 en costos variables producir un acondicionador de aire, ms un costo fijo de S/.5 000 si se producen acondicionadores de aire. Si la compaa gasta x soles en publicidad, entonces puede vender acondicionadores de aire a S/.3000 cada uno. Cunto puede maximizar su ganancia la compaa? Si el costo fijo de producir acondicionadores de aire fuera S/.20 000, qu debe hacer la compaa?
Ingeniera Industrial Pgina 19

MTODOS NUMRICOS
Solucin: Sea

Docente: Ing. Segundo Ramirez

, el costo total de producir x acondicionadores de aire. , y el ingreso: Entonces la ganancia sera:

Para Caso 1: as que . es

Adems , . lo cual indica que un mximo local, produciendo una ganancia de S/.17 277.21 Caso 2: Caso 3: El intervalo no es de la forma [ no hay candidatos para este caso. ] pues es

3. El costo por da de mantener en funcionamiento un hospital es . soles, donde x= pacientes atendidos por da. Qu tamao de hospital minimiza el costo por paciente de mantener en operacin al hospital? Solucin: Sea

el costo por da de funcionamiento, para . para

Entonces el costo por paciente sera Caso 1: Para . ,

adems es un mnimo local.

Caso 2: Analizando Caso 3: .

no existe para x=0, y para

Ingeniera Industrial

Pgina 20

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

As es el nico mnimo local. Esto significa que el tamao mnimo de hospital que minimiza el costo por paciente es de 10 000 paciente, generando un costo de 40 soles. 4. Use la bsqueda de seccin urea para determinar (longitud final de un intervalo de 0.6) la solucin ptima para: . . Solucin: En primer lugar encontraremos el nmero de iteraciones (k) de bsqueda de la seccin urea para obtener una longitud del intervalo final de incertidumbre de 0.8: Donde
Iteracin 1 .6 8[ .6 8[ . 8 . ] ] . Iteracin 2 . 8 .6 8 . . 8 .6 8 . 6 Iteracin 3 . 8 . 6 . 8 . Iteracin 4 . 8 . . 8 . . . 8 . . . 8 8 . 68 .886

donde a=-1, b=3,

.6 y r=0.618

8 . 8

. 8 . 8 . 6 . 6

.886 .

6 .6 8 . .6 8 . . 8 .

6 6 .

. . 8

8 8 .

. .

. 8 .886

. .6 8 . .6 8 . . . 8 . 8 . . 8 8 .88 . . .

8 . .8 (Como se desea)

Debe quedar en el intervalo

. . . 8 .

Ingeniera Industrial

Pgina 21

MTODOS NUMRICOS

Docente: Ing. Segundo Ramirez

5. Determine el mximo de la siguiente funcin por bsqueda dictoma. Suponga que .

Solucin: Analizando f(x) tenemos:

Iteracin 1 . . . . . . . . 6 6

. . . Entonces x=2.975 o x=3.025 para un f(x)=64 000 en ambos casos.

6. Determine el mximo de la siguiente funcin por bsqueda dictoma. Suponga que . { Solucin: Iteracin 1 . . . Iteracin 2 . . . . . .
Ingeniera Industrial

. . .

. . .

. .

. . . 8 .

. 8 . . 8

. . .
Pgina 22

MTODOS NUMRICOS
Iteracin 3 . 8 . . . . . Iteracin 4 . 8 . . . . . Iteracin 5 . 8 . . . . . Iteracin 6 .8 . . . . 6 . .8 .8 8 . . . 6 . . . . 6 8 8 . . Iteracin 8 . . . . . . . 6 . 8 8 . . 6 . . . 6 6 . . 6 6 6 6 . . . Iteracin 7 . 8 . . . . . . . 8 . . 6 . 8 8 .6 .8

Docente: Ing. Segundo Ramirez

. . 8 . 8 . 8 . . 8 . 8 . . 8 . . . .8 6 8 8 .8 . . . 6 .8 . . 6 6 . 6 .6 6 . . . 8 68 . . . 8 8 6. . . . . . 8 . 8 . . . 6.

6 6 .

. . 6 . 6

. . .

.8 8 8 .

Ingeniera Industrial

Pgina 23

MTODOS NUMRICOS
Iteracin 9 . . . . .

Docente: Ing. Segundo Ramirez

. . . . 6 6 . . . 6 . . . 86 86 86 .8 . 8

. 86 . 6 Iteracin 10 . 6 . 86 . . 86 . . . 86 . . 86 . 8 Iteracin 11 . 8 . 86 . . 86 . 8 . . 86 . 8 . Iteracin 12 . . . . . 86 .

6 6

. .

. 8 . . 86

. . 86

8 8

. .

. . . . .

. . 86

. .

. 86 86

86 . . . .

. . . 6

. . 8

8 8

.8 .

. 8 . Iteracin 13 . . 8 . . 8 . . . 8 . . . Iteracin 14 . . . . . . 6 . . 8 8 . . . . 8

. . . .

. . 8

.8 .

6 8

. . . .

. . 6

6 6

.8

6 .

Ingeniera Industrial

Pgina 24

MTODOS NUMRICOS
Iteracin 15 . . . . . . Iteracin 16 . . . . . . Iteracin 17 . . . . . . . . . . . . . (clculos realizados en hoja de clculo) Iteracin 31 . . . . . . . . . . . . . . . . =0.05 . . . . . 6 .8 . 8

Docente: Ing. Segundo Ramirez

. 6 6 . . . .

6 . . . .

. . .

. .

.8 .

. . . . .

. .

.8 .

.8 8

Ingeniera Industrial

Pgina 25