INSTITUTO TECNOLOGICO DE PIEDRAS NEGRAS

Proyecto:
UNIDAD 1
PROGRAMACION DINAMICA
Especialidad:
Ing. Industrial
Estudiantes:
EQUIPO 1
Carlos Flores Salazar
Aracely Adelnery
Rolando Ortiz
Jos Chvez
Hctor Pilotsi

Maestro:
Luis Manuel Pizarro
Materia:
Investigacin de Operaciones 2

29-Jun-14
1

UNIDAD 1 PROGRAMACION DINAMICA.

1.1 Programacion dinamica
Definicin: Mtodo que permite determinar de manera eficiente las decisiones
que optimizan el comportamiento de un sistema que evoluciona a lo largo de una
serie de etapas.
Caractersticas de los problemas dinmicos
Son problemas secuenciales: El problema se puede dividir en etapas.
Interrelacin de las decisiones tomadas en cada etapa.
Las variables que describen el problema estn gobernadas por
transformaciones en el tiempo.
No cuenta con una formulacin matemtica estndar
Concepto de solucin
Principio de optimalidad de Bellman
Una solucin ptima tiene la propiedad de que, cualesquiera sean el estado y la
decisin inicial tomadas, las decisiones restantes deben constituir una poltica
ptima con independencia del estado resultante de la primera decisin.
Descomponer en una serie de etapas el problema y la solucin secuencial de los
subproblemas
de decisin asociados con cada etapa es equivalente a la solucin del problema
de decisin del
sistema original.
Considerar un problema como una secuencia de decisiones equivale a dividirlo en
subproblemas ms pequeos y por lo tanto ms fciles de resolver.
La programacin dinmica se aplica cuando la subdivisin de un problema
conduce a:
Gran cantidad de subproblemas.
Subproblemas cuyas soluciones parciales se solapan.
Grupos de subproblemas de muy distinta complejidad.
Diferencias entre Programacin dinmica y Programacin Lineal:
Describe una situacin determinada en trminos de un modelo matematico(Lineal)
Las decisiones se toman de manera simultanea. (Lineal)
Formulacin matematica estndar (Lineal)
Resolucin mediante recursividad (Dinamica)
Descripcin de un modelo dinmico
1.- Etapas: particiones del problema en los que se pueden tomar decisiones que
no dependen de las alternativas anteriores. (Ej. Das, meses, aos etc.)
2.- Estados en: es la informacin que relaciona la etapa actual y la siguiente o
anterior. Los estados pueden ser finitos o no.
3.- Decisin xn: Alternativas en la etapa n.
4.- Funcin costo cn (en ,xn ): Costo asociadodel estado y decisin tomada en la
etapa n
5.- Funcin de transicin, en xn: Relaciona las variables de estado y decisin de
una etapa con la variable de estado de la etapa siguiente.
2

6.- Funcin costo acumulado, f n(en , xn ) : Costo total acumulado en n-etapas dado
un estado y una decisin particular.
7.- Funcin objetivo f n * (en ) : Objetivo a alcanzar al finalizar el problema. (Max o
Mini). Notemos que para un valor determinado de e n se tendrn varias decisiones
posibles de , xn y entre ellas la decisin ptima, x*n .
Resolucin de un problema de programacin dinmica
Identificar las etapas, variables de decisin y variables de estado.
Descripcin de las ecuaciones de recurrencia.
Optimizar cada subproblema en cada etapa en funcin de los resultados de la
resolucin del subproblema siguiente.
El mtodo de solucin determina inicialmente la poltica de decisin ptima para la
ltima etapa. Esto es generalmente trivial. Recursividad hacia atrs.
Clasificacin de los problemas de programacin dinmica
Programacin dinmica deterministica: son problemas dinmicos, donde el estado
en la siguiente etapa est completamente determinado por el estado y la decisin
actual.
Discretos
Continuos
Programacin dinmica probabilstica: existe una distribucin de probabilidad
sobre lo que puede ser el siguiente estado.En la programacin dinmica
probabilstica, el estado en la etapa siguiente noqueda completamente
determinado por el estado y la decisin de la subpolticaen el estado actual, sino
que existe una distribucin de probabilidad para loque sera el estado siguiente.
Grficamente tenemos:

1.2 Ejemplos de Modelos de programacin dinmica.

Ejemplo 1.Un caza fortunas mtico de Missouri que decide ir al oeste a unirse a la fiebre del
oro en California a mediados del siglo XIX. Tiene que hacer el viaje en diligencia a
travs de territorios sin ley cuando existan serios peligros de ser atacado por
merodeadores. Aun cuando su punto de partida y su destino eran fijos, tena
muchas opciones en cuanto a que estados (o territorios) deba elegir como puntos
intermedios.
En la siguiente figura se muestran las rutas posibles, en donde cada estado est
representado por un crculo numerado. Como se puede observar, se requeran
cuatro etapas (jornadas de diligencia) para viajar desde su punto de partida en el
estado A (Missouri) a su destino en el estado J (California).

Este caza fortunas era un hombre prudente que estaba preocupado por su
seguridad. Despus de reflexionar un poco se le ocurri una manera bastante
ingeniosa para determinar la ruta mas segura. Se ofrecan plizas de seguros de
vida a los pasajeros. Como el costo de la pliza para cualquier jornada de la
diligencia estaba basado en una evaluacin cuidadosa de la seguridad del
recorrido, la ruta mas segura deba ser aquella que tuviera el costo total mas
barato.
El costo de la pliza estndar para el viaje en diligencia, del estado i al estado j, se
denotara por Cij, y es
4

La atencin se centrara sobre la pregunta Cul es la ruta que minimiza el costo

total de la pliza?

PROCEDIMIENTO DE SOLUCION.
n = 4 donde X4 = J
F4*(s,J) = Cij + Fn+1*(Xn)
s

F4*(s)

X4*

n=3
F3*(s,X3) = Csx3 + F4*(X3)
X3

F3(s,X3) = Csx3 + F4*(X3)

S
H

F3*(S)

X3*

n=2
F2*(s,X2) = Csx3 + F3*(X2)
X2

F2(s,X2) = Csx2 + F3*(X2)

S
E

F2*(S)

X2*

11

11

12

11

EoF

10

11

EoF

n=1
F1*(s,X1) = Csx1 + F2*(X1)
X1

F1(s,X1) = Csx1 + F2*(X1)

F1*(S)

X1*

13

11

11

11

CoD

Soluciones ptimas:
ACEHJ
ADEHJ
ADFIJ

Ejemplo 2
Un viajero quiere saber cul es el camino ms corto en km para administrar la
gasolina de su automvil y poder tener un ahorro en su dinero, pero al checar el
mapa se da cuenta que tiene varios caminos que puede tomar para llegar a su
destino as que decidi aplicar la programacin dinmica para saber qu camino
tomar y cumplir con su objetivo de optimizar la gasolina.

n=4
s x4
I
J
K
n=3
s x3
E
F
G
H
n=2
s x2
B
C
D
n=1
s x1
A

F4(s)
14
6
15
I
k
24
21
25
E
23
19
B
29

X4
L
L
L

F3+(s)

X3

14
15
14
18

14
15
14
18

J
J
J
J
X2
E
G,E
G
X1
C

F
25
22
C
27

22
21
G

19
22

24
32

F2+(s)
23
19
22

D
29

F1(s)
27

SOLUCION OPTIMA: A,C,G,J,L=8+5+8+6=27 km A,C,E,J,L

1.3 PROGRAMACION DINAMICA DETERMINISTA.
7

La programacion dinamica encuentra la solucion optima de un problema con n

variables Descomponiendolo en n etapas, siendo cada etapa un subproblema de
una sola variable. Sin embargo, como la naturaleza de la etapa difiere de acuerdo
con el problema de optimizacion. La programacion dinamica no proporciona los
detalles de computo para optimizar cada etapa.
NATURALEZA RECURSIVA DE LOS CALCULOS EN PROGRAMACION
DINAMICA.
Los calculos de programacion dinamica se hacen en forma recursiva, ya que la
solucion optima de un subproblema se usa como dato para el siguiente
subproblema. Para cuando se resuelve el ultimo subproblema queda a la mano la
solucion optima de todo el problema. La forma en la que se hacen los calculos
recursivos dependen de como se descomponga el problema original. En particular,
los subproblemas se vinculan normalmente mediante restricciones comunes. Al
pasar de un subproblema al siguiente se debe mantener la factibilidad de esas
Restricciones comunes.
Ejemplo 10. 1-1 (Problema de la ruta mas corta).
Suponga que se desea seleccionar la ruta ms corta entre las ciudades O y T La
red a continuacin muestra las rutas posibles entre ambas ciudades, las cuales
cruzan por las ciudades intermedias A-E.

Utilizando programacin dinmica podemos dividir el problema en tres etapas

La red siguiente muestra las etapas 1, 2 y 3 en que se ha dividido el problema
Definimos las frmulas recursivas hacia delante:

Formulas recursivas hacia atrs:

RESPUESTA PROBLEMA 1
Nodo A
Distancia ms corta al nodo A = 7 (desde el nodo O)
Nodo B
Distancia ms corta al nodo B = 8 (desde el nodo O)
Nodo C
Distancia ms corta al nodo C = 5 (desde el nodo O
Nodo D
Ruta AD: 7+12 = 19; Ruta BD: 8+8 = 16; Ruta CD: 5+7 = 12
Distancia ms corta al nodo D =min{7+12,8+8,5+7} = 12 (desde el nodo C)
Nodo E
Ruta BE: 8+9 = 17; Ruta CE: 5+13 = 18
Distancia ms corta al nodo E = min {8+9,5+13}= 17 (desde el nodo B)
Nodo T
Ruta DT: 12+9 = 21; Ruta ET: 17+6 = 23
Distancia ms corta al nodo T =min {12+9,17+6} = 21 (desde el nodo D)
10

EJERCICIO 2
Alicia se encuentra de vacaciones y quiere visitar a sus papas que viven en
Guanajuato (T) y ella se encuentra en ciudad juarez (O), pero tiene que pasar por
varias ciudades, encuentre la ruta mas corta entre ciudad juarez y guanajuato (T y
O) usando programacin dinmica con recursiva hacia adelante su poniendo que
se tiene la sig red.

Sub grupos.

5+10=15
F1=min=
9+4=13 =13 km del nodo B
i=ABC
8+9=17

11

9+10=19
F2=min=
8+9=17 =17 km del nodo C
ABC
5+17=22
F3=min= 13+8=21=21 km del nodo D
17+9=26
Ruta ms optima = es 21 km
Ruta ms corta = O B D T
F1(x1)=min(d,x,X1*1) + (f, X(X1 + 1) i= 1, 2, 3
Etapa 1
X3

Xy

F1 (X2) Sol optima

Xy

Etapa 2
X2

Xy

F1 (X2) Sol
optima

F2 (X2)

X1

8+10=18

9+17=26

18

8+4=12

9+10=19

12

8+9=17

9+9=18

17

X1

X2 =A

X1=B
X3=C

Fx
X2

18+5=23

12+9=21
17+8=25

21

Etapa 3

Sol. Optima =21 Km

Sol Corta = D --- B --- O

12

1.4. Programacin dinmica

Probabilistica

La programacin dinmica probabilstica difiere de la determinstica (Captulo 10)

en que los estados y los retornos o retribuciones en cada etapa son
probabilsticos. La programacin dinmica probabilstica se origina en especial en
el tratamiento de modelos estocsticos de inventario
y en los procesos markovianos de decisin. Estos dos temas se describen por
separado en los captulos 16 y 19. Este captulo presentar algunos ejemplos
generales, con objeto de hacer resaltar la naturaleza estocstica de la
programacin dinmica.
UN JUEGO ALEATORIO
En una variacin del juego de la ruleta rusa, se hace girar una rueda con marcas
de n numerous consecutivos: 1 a n, en su periferia. La probabilidad de que la
rueda se detenga en el nmero y despus de un giro es p. Un jugador paga $x por
el privilegio de hacer girar la rueda un mximo
de m giros. La recompensa para el jugador es el doble de la cantidad obtenida en
el ultimo giro. Suponiendo que el juego se repite (hasta con m giros cada vez) una
cantidad razonablemente grande de veces, propone una estrategia ptima para el
jugador.i Se puede formular el problema como un modelo de programacin
dinmica con las siguientes definiciones:
1. La etapa i se representa con el giro . i, i = 1, 2, p , m
13

2. Las alternativas en cada etapa incluyen hacer girar la rueda una vez ms o
terminar el juego.
3. El estado j del sistema en la etapa i se representa con uno de los nmeros de 1
a n que se haya obtenido en el ltimo giro.
Sea
Fi (j) =Ingreso mximo esperado cuando el juego est en la etapa (el giro) i y el
resultado del ltimo giro fue j
En este caso se tiene que

Pkfi+1 ( k )

( Recompensa esperada en la etapa I

termina el juego
dado el resultado j del ltimo giro)
termina el juego

2j, si
2j, si

Entonces, la ecuacin recursiva se puede escribir como sigue:

Fm+1(j)=2j
Fi(j)=max Fin:2j,

=i=2,3.m
n

Giro:

Pkfi+1(k )
k1

F1(0)=

Pkf 2(k )
k1

La lgica de la ecuacin recursiva es que en el primer giro (i = 1), el estado del

sistema es j= 0, porque acaba de comenzar el juego. En consecuencia,
F1(0)=p1f2(1)+p2f2(2)+Pnf2(n). Despus del ltimo giro (i _ m), el juego debe
terminar independientemente del resultado j del m-simo giro. Por tanto,
fm+1(j)=2j.
Los clculos recursivos comienzan con fm+1y terminan con f1(0) , produciendo m
_ 1 etapas de cmputo. Comof1(0) es el ingreso esperado por los m giros, y dado
que el juego cuesta $x, el ingreso neto es f1(0)-x .
Ejemplo 1
Suponga que el permetro de la rueda de la ruleta rusa est marcado con los
nmeros 1 a 5. Laprobabilidad de detenerse en el nmero i es
p1=0.3, p2=0.25, p3=0.2, p=0.1.El jugador paga $5 para hacer un mximo de
cuatro giros. Determine la estrategia ptima paracada uno de los cuatro giros, y el
ingreso neto esperado correspondiente.
14

Etapa 5.
f5( j)2 = 2j
Solucin ptima
Resultado j del giro 4
1
2
3
4
5

f5( j)
2
4
6
8
10

Decisin
Terminar
Terminar
Terminar
Terminar
terminar

Etapa 4.
F4( j ) = mx( 2j, p1f5(1)+p2f5(2)+p3f5(3)+p4f5(4)+p5f5(5))
= mx (2j, 03*2+0.25*4+0.2*6+0.15*8+0.1*10)
= mx (2j,5)

Resultado j
del giro3
1
2
3
4
5

Ingreso
esperado
terminar
2
4
6
8
10

girar

Solucion
optima
F(j)

decision

5
5
5
5
5

5
5
6
8
10

Girar
Girar
Terminar
Terminar
terminar

Etapa 3.
F3( j ) = mx( 2j, p1f4(1)+p2f4(2)+p3f4(3)+p4f4(4)+p5f4(5))
= mx (2j, 03*5+0.25*5+0.2*6+0.15*8+0.1*10)
= mx (2j,6.15)

Resultado j
del giro3
1
2
3

Ingreso
esperado
terminar
2
4
6

girar

Solucion
optima
F(j)

decision

6.15
6.15
6.15

6.15
6.15
6.15

Girar
Girar
Girar

15

4
5

8
10

6.15
6.15

8
10

Terminar
terminar

Etapa 2.
F2( j ) = mx( 2j, p1f3(1)+p2f3(2)+p3f3(3)+p4f3(4)+p5f3(5))
= mx (2j, 03*6.15+0.25*6.15+0.2*6.15+0.15*8+0.1*10)
= mx (2j,6.8125)

Resultado j
del giro3
1
2
3
4
5

Ingreso
esperado
terminar
2
4
6
8
10

girar

Solucion
optima
F(j)

decision

6.8125
6.8125
6.8125
6.8125
6.8125

6.8125
6.8125
6.8125
8
10

Girar
Girar
Girar
Terminar
terminar

Etapa 1.
F1( j ) = mx( 2j, p1f2(1)+p2f2(2)+p3f2(3)+p4f2(4)+p5f2(5))
= mx (2j, 03*6.8125+0.25*6.8125+0.2*6.8125+0.15*8+0.1*10)
= 7.31
La nica opcin disponible al iniciar el juego es girar. De acuerdo con los cuadros
anteriores, la solucin ptima es
Giro Nm.
1
2
3
4

Estrategia ptima
Comienza el juego, girar
Continuar si el giro 1 produce 1, 2 o 3.
Si no, terminar el juego
Continuar si el giro 2 produce 1, 2 o 3.
Si no, terminar el juego
Continuar si el giro 3 produce 1 o 2. Si
no, terminar el juego
Ingreso neto esperado _ $7.31 _ $5.00
_ $2.31

16

Ejemplo 2
En este modelo de inversin, hay que suponer que se desea invertir $10,000
durante los 4 aos venideros. Hay 50% de probabilidades de que el dinero
aumente al doble, 20% de probabilidades de salir a mano y 30% de probabilidades
de perder la cantidad invertida. Proponer una estrategia ptima de inversin. Al
usar la notacin del modelo se tiene que
C = $10,000, n = 4, m = 3
P1=0.4,p2=0.2,p3=0.4
R1=1,r2=0,r3=-1
Etapa 4.
r = 0.5 * 1 + 0.2 * 0 + 0.3 *-1 = 0.2
Entonces,
f4x(4)= 1.2x4
La solucin ptima se resume como sigue:
Solucin ptima
Estado
X4

F4( x4)
1.2X4

Y4
X4

Etapa 3.
F3(x3 ) = mx(0.5*1.2(x3+y3)+0.2*1.2(x3+y3)+0.3*1.2(x3+(-1)y3)
= 1.2x3+0.24y3
=1.44x3
Solucin ptima
Estado
X3

F4( x3)
1.44X3

Y3
X3

17

Etapa 2.
F2(x2 ) = mx(0.5*1.44(x2+y2)+0.2*1.44(x2+y2)+0.3*1.44(x2+(-1)y2)
= 1.44x3+0.288y3
=1.728x2
Solucin ptima
Estado
X2

F4( x2)
1.728X2

Y2
X2

F1(x1 ) =mx(0.5*1.728(x1+y2)+0.2*1.728(x1+y2)+0.3*1.728(x1+(-1)y1)
= 1.728x1+0.3456y1
=2.0736x1
Solucin ptima
Estado
X1

F1( x1)
2.0736X1

Y1
X1

1.5 USO DE PROGRAMAS DE COMPUTACION

Es un sistema interactivo que ayuda a la toma de decisiones que contiene
herramientas muy tiles para resolver distintos tipos de problemas en el campo de
18

la investigacin operativa. El sistema est formado por distintos mdulos, uno para
cada tipo de modelo o problema Entre ellos.
CONTIENE DIFERENTES TIPOS DE PROBLEMAS :
Linear programming (LP) and integer linear programming (ILP): este mdulo
incluye los programas necesarios para resolver el problema de
programacin lineal grficamente o utilizando el algoritmo del Simplex;
tambin permite resolver los problemas de programacin lineal entera
utilizando el procedimiento de Ramificacin y Acotacin (Branch&Bound).
Linear goal programming (GP) and integer linear goal programming (IGP):
resuelve modelos de programacin multiobjetivo con restricciones lineales.
Quadratic programming (QP) and integer quadratic programming (IQP):
resuelve el problema de programacin cuadrtica, es decir, problemas con
funcin objetivo cuadrtica y restricciones lineales. Utiliza un mtodo
Simplex adaptado. Los modelos de IQP los resuelve utilizando algoritmos
de ramificacin y acotacin.
Network modeling (NET): incluye programas especficos para resolver el
problema del transbordo, el problema del transporte, el de asignacin, el
problema del camino ms corto, flujo mximo, rbol generador, y problema
del agente viajero.
Nonlinear programming (NLP): permite resolver problemas no lineales
irrestringidos utilizando mtodos de bsqueda lineal, y problemas no
lineales con restricciones utilizando el mtodo SUMT (funcin objetivo con
penalizaciones sobre el incumplimiento de las restricciones).
PERT/CPM: mdulo de gestin de proyectos en los que hay que realizar
varias actividades con relaciones de precedencia.
WinQSB utiliza los mecanismos tpicos de la interface de Windows, es
decir, ventanas, mens desplegables, barras de herramientas, etc. Por lo
tanto el manejo del programa es similar a cualquier otro que utilice el
entorno Windows.
Al acceder a cualquiera de los mdulos se abre una ventana en la que
debemos elegir entre crear un nuevo problema (File > New Problem) o leer
uno ya creado (File > Load Problem). Las extensiones de los ficheros con
los modelos las pone el programa por defecto, por lo tanto solamente
debemos preocuparnos del nombre, que no deber tener ms de 8
caracteres
TODOS LOS MODULOS DEL PROGRAMA TIENEN EN COMUN LOS
SIGUIENTES MENUS DESPLEGABLES:
1. File: incluye las opciones tpicas de este tipo de mens en Windows, es
decir, permite crear y salvar ficheros con nuevos problemas, leer otros ya
existentes o imprimirlos.
2. Edit: incluye las utilidades tpicas para editar problemas, copiar, pegar,
cortar o deshacer cambios. Tambin permite cambiar los nombres de los
problemas, las variables, y las restricciones. Facilita la eliminacin o adicin
19

de variables y/o restricciones, y permite cambiar el sentido de la

optimizacin.
3. Format: incluye las opciones necesarias para cambiar la apariencia de las
ventanas, colores, fuentes, alineacin, anchura de celdas, etc.
4. Solve and Analyze: esta opcin incluye al menos dos comandos, uno para
resolver el problema y otro para resolverlo siguiendo los pasos del
algoritmo.
5. Results: incluye las opciones para ver las soluciones del problema y
realizar si procede distintos anlisis de la misma.
6.

Utilities: este men permite acceder a una calculadora, a un reloj y a un

editor de grficas sencillas.
7. Window: permite navegar por las distintas ventanas que van apareciendo
al operar con el programa.
8. inQSB: incluye las opciones necesarias para acceder a otro mdulo del
programa.
9 WinQSB: incluye las opciones necesarias para acceder a otro mdulo del
programa.

(Modulo: Linear Programming and Integer Linear Programming) 1.INTRODUCIR EL PROBLEMA

Para acceder a este mdulo y crear nuestro propio modelo debemos seguir
la siguiente secuencia,
WinQSB > Linear and Integer Programming > File > New Problem
Aparecer entonces la siguiente ventana:

En la que debemos indicar:

Problem Title: el nombre del problema
Number of Variables: el nmero de variables
20

Number of Constraints: el nmero de restricciones (sin contar las de no

negatividad)
Objective Criterion: si el problema es de maximizar o minimizar
Data Entry Format: el formato de los datos de entrada, que puede ser:

Spreadsheet Matrix Form.- formato de hoja de clculo, solo se introducen

los coeficientes.
Normal Model Form.- se introduce el problema completo en la forma
habitual.

Default Variable Type: el tipo de variables, podemos elegir entre:

Nonnegative Continuous
(x >= 0 )
Nonnegative Integer
(x >= 0 y entera)
Binary
( x, 0 o 1)
Unsigned/unrestricted
(x no restringida)
A continuacin podemos introducir los datos del modelo. Para poner cotas a las
variables debemos utilizar el formato ">= 15, <=20", teniendo en cuenta que el
infinito se indica utilizando la letra M.
2.- RESOLUCIN DEL PROBLEMA Y OBTENCIN DE RESULTADOS
Una vez introducido el modelo podemos resolverlo utilizando una cualquiera
de las tres opciones siguientes:
Solve and Analyze > Solve the Problem: proporciona un informe completo
sobre la solucin del problema resumido en la siguiente tabla:

Como podemos observar la informacin contenida en la tabla es la

siguiente:
Decision Variable
Nombre de las variables
Solution Value
Valor de las variables en la solucin
ptima
Unit Cost or Profit (c(j))
Coeficiente de la variable en la funcin
objetivo
21

Total Contribution
funcin objetivo
Reduced Cost
Basis Status
Allowable Min c(j)
ptima
Allowable Max c(j)
base ptima
Objective Function
Constraint
Left Hand Side
Direction
Right Hand Side
ptima
Slack or Surplus
Shadow Price
la restriccin
Allowable Min RHS
la base ptima
Allowable Max RHS
cambie la base ptima

Contribucin total de la variable a la

Coste reducido, - (zj - cj )
Indica si la variable es o no bsica
Mnimo valor de cj sin que cambie la base
Mximo valor para cj sin que cambie la
Valor de la funcin objetivo
Nombre de la restriccin
Valor del trmino de la derecha
Signo para la restriccin (<=, >= o =)
Valor de la restriccin en la solucin
Valor de la variable de holgura
Valor de la variable dual asociada a
Mnimo valor para bi sin que cambie
Mximo valor para bi sin que

Solve and Analyze > Solve and Display Steps:

permite resolver el problema paso a paso, muestra la tabla del Simplex indicando
en la ltima columna el ratio para elegir la variable que deja de ser bsica.
Obsrvese que la ltima fila corresponde a la ecuacin de la funcin objetivo y que
los costes reducidos aparecen cambiados de signo.

En esta ventana aparece un men en el que la opcin Simplex Iteration nos

permite realizar las siguientes acciones:
Next Iteration
Realizar la siguiente iteracin
Choose Entering
Variable Elegir la nueva variable bsica
Go to the Last Tableau
Ver la tabla ptima
Nonstop to Finish
Resolver el problema y dar un informe
global
Solve and Analyze > Graphic Method:
Resuelve problemas de dos variables grficamente, debemos elegir qu variable
representar en cada eje.
22

 Solve and Analyze > Perform Parametric Analysis:

esta opcin realiza el anlisis paramtrico del modelo. Es decir, indica cmo
cambia la funcin objetivo cuando el vector de costes o el RHS se perturba
paramtricamente, z = c+c' o RHS = b+b'. El informe de resultados final tiene el
siguiente formato:

Como vemos, adems de indicar cmo cambia el valor de la funcin segn vara
el parmetro , tambin se indica la pendiente del cambio en cada tramo (Slope),
y cada vez que se produce un cambio de base, la variable que deja de ser bsica
(Leaving Variable) y la nueva variable bsica (Entering Variable).

Desde la opcin Results > Graphic Parametric Analysis podemos

representar grficamente el anlisis paramtrico.
Solve and Analyze > Alternative Solutions: proporciona soluciones ptimas
alternativas si es que las hay.
Format > Switch to Dual Form: proporciona el problema dual del modelo
que hemos introducido.

23

INSTITUTO TECNOLOGICO DE PIEDRAS

NEGRAS
Integrantes: Alejandro Maximiliano Martnez Flores
Jos Luis Castillo Chapa
Carlos Antonio Coronado Campos
Abel Puente Vzquez
Juan Luis Prez
Maestro: Ing. Luis Manuel Garca Pizarro
Materia: Investigacin de operaciones II
24

Carrera: Ingeniera Industrial

TRABAJO DE UNIDAD 2
EQUIPO 2
Lunes 09 de julio del 2014

Calle Instituto Tecnolgico #310 Col. Tecnolgico C.P. 26080, Piedras Negras, Coah.Tels. (878)
783-0135, 783-0713, 783-9116, Fax Ext.103, email. info@itpiedrasnegras.edu.mx

INDICE.

2.1 Introduccin, terminologa, notacin y casos de

aplicacin.pag 3-5
2.2 MODELOS CON NACIMIENTOS Y MUERTE
PURAS.pag 6-10
2.3 POBLACIN INFINITA UN SERVIDOR, COLA
INFINITA..pag 11-16

2.4 POBLACION FINITA UN SERVIDOR, COLA

FINITA.pag 17-21

2.5 POBLACION INFINITA SERVIDORES MULTIPLES, COLA

INFINITAPAG 22-30

2.6 USO DE PROGRAMAS DE COMPUTACIN

PAG 31-34

25

BIBLIOGRAFIA
.PAG 35

2.1 Introduccin, terminologa, notacin y casos de

aplicacin.
Parte de nuestra vida diaria es la espera de algn servicio. Esperamos para
entrar a un restaurante, hacemos cola en la caja de algn almacn y nos
formamos para recibir un servicio en la oficina de correos. Y el fenmeno de la
espera no es una experiencia que se limita solo a los humanos: los trabajos
esperan a ser procesados en una mquina, los aviones vuelan en crculo hasta
que la torre de control, les da permiso de aterrizar y los automviles se
detiene ante la luz roja de los semforos. Desafortunadamente no se puede
eliminar la espera sin incurrir en gastos desmesurados. De hecho, todo lo que
cabe esperar es reducir el impacto desfavorable a niveles tolerables.

Por qu estudiar un sistema de colas?

El estudio de las lneas de espera trata de cuantificar el fenmeno de esperar
formando colas, mediante medidas representativa de eficiencia, como la
longitud promedio de la cola, el tiempo promedio de espera en ella, y la
utilizacin promedio de las instalaciones. El ejemplo que sigue demuestra cmo
se usan esas medidas para disear una instalacin de servicio.

EJEMPLO PRCTICO
26

McBurger es un restaurante de comida rpida, con tres mostradores de

servicio. El gerente ha encargado que se haga un estudio para investigar las
quejas por lo lento del servicio. El estudio indica la siguiente relacin entre la
cantidad de mostradores de servicio y el tiempo de espera de los clientes:

Al examinar esos datos que se ve que hay un tiempo promedio de

espera de 7 minutos para el caso actual de 3 mostradores. El gerente
desea reducirlo a unos 3 minutos, resultado que solo se puede alcanzar
con cinco o ms mostradores.

Modelo de decisin para lnea de espera basada en

costo.

27

Terminologa y elementos de un modelo de cola o lnea

de espera.
los actores principales en una linea de espera son el servidor y el cliente. Los
clientes se generan en una fuente. Al llegar a la onstalacion pueden recibir
servicio de inmediato, o esperar una cola o linea de espera, si la instalacion
esta ocupada. Cuando en una instalacion se termina un servicio, en forma
automatica se atrae a un cliente que espera, si lo hay, de la cola. Si la cola esta
vacia, la instalacion se vuelve a inactiva hasta que llega un cliente nuevo.
Desde el punto de vista del analisis de las colas, el proceso de llegada se
representa con el tiempo entre llegadas, de los clientes sucesivos, y el servicio
se describe con el tiempo de servicio por cada cliente. Por lo general, los
tiempos entre llegadas y de servicio pueden ser probabilisticos, como el
fincionamiento de una oficina de correos, o deterministicos, como en la llegada
de solicitantes a la entrevista de trabajo.
El tamao de la cola desempea un papel en el analisis de colas, y puede ser
finito, como el area de reserva entre dos maquinas consecutivas, puede ser
infinito, como en las instalaciones de pedidos de correo.
La disiplina de cola, que representa el orden en que seleccionamos los clientes
de una cola es un factor imprtante en el analisis de los modelos de colas. Las
disciplinas mas comun es la de primero en llegar primero en servirse. Entre
otras disciplinas estan ultimos en llegar, primero en servirse y de dar servicio
en orden aleatorio. Tambien los clientes se pueden seleccionar en la cola con
28

base en cierto orden de prioridad . por ejemplo, los trabajos ugentes en un

taller se procesan antes que los trabajos normales.
El comportamiento de los clientes en espera juega un papel en el analisis de
las lineas de espera. Los clientes humanos se pueden saltar de una cola a otra,
tratando de reducir la espera. Tambien pueden rehusar totalmente a la cola por
haber esperado demasiado.
El diseo de la instalacion de servicio puede comprender servidores en
paralelo. Tambien, los servidores pueden ordenarse tambien en serie o bien
pueden formar una red.
La fuente donde se generan los clientes puede ser finita o infinita. Una fueente
finita limita a los cllientes que llegan al servicio. Tambien, una fuente infinita es
abundante por siempre.
Las variaciones de los elementos de un caso de colas dan lugar a diversos
modelos de colas. El resto de esta unidad describe ejemplos de esos modelos.

29

2.2 MODELOS CON NACIMIENTOS Y MUERTES PURAS

(RELACIN ENTRE LAS DISTRIBUCIONES EXPONENCIAL
Y DE POISSON)
En esta seccin se describen dos situaciones en las colas: la
primera es un modelo de nacimiento(s) puro(s), en el que
slo se permiten llegadas, y el segundo es el modelo de
muerte(s) pura(s), en el que slo se permiten salidas.
Un ejemplo del modelo de nacimiento puro es la emisin de
los certificados de nacimiento para los recin nacidos.
El modelo de muerte pura se puede visualizar con el retiro
aleatorio de un artculo en una tienda.
La distribucin exponencial se usa para describir el tiempo
entre llegadas en el modelo de nacimiento puro, y el tiempo
entre salidas con el modelo de muerte pura. Un producto
secundario del desarrollo de los dos modelos es la
demostracin de la estrecha relacin entre las distribuciones
exponenciales y de Poisson, en el sentido que una distribucin
define en forma automtica a la otra.
FORMULA PARA RESOLVER LOS PROBLEMAS:
La solucion de estas ecuaciones en diferencias y diferenciales es :
n t

pn ( t )=

t e
n!

, n=0,1,2,

30

EJEMPLO 1:

Los nios nacen en un estado poco poblado con una frecuencia de un

nacimiento cada 12 minutos. El tiempo entre nacimientos sigue una
distribucin exponencial. Determinar lo siguiente:
a) Cantidad promedio de nacimientos por ao.
b) La probabilidad de que no haya nacimientos en cualquier da.
c) La probabilidad de emitir 50 certificados de nacimiento en 3 horas,
cuando se emitieron 40 certificados durante las primeras 2 horas del
periodo de 3 horas.

a)

24 x 60
=120 nacimientos por da
12

t =120 x 365=43800 nacimientos por dia

b)

( 120 x 1 )0 e120 x1
po (1 ) =
=0
o!

c)

p10 ( 1 )=

( 5 x 1 )10 e5 x1
=0.01813
10 !

31

EJEMPLO 2:
En un banco la fercuencia de llegadas es de 2 clientes por minuto. Determine lo
siguiente:
a) La cantidad promedio de llegada durante 5 minutos
b) La probabilidad de que no haya llegadas durante el prximo 0.5 minuto.
c) La probabilidad de que haya al menos una llegada durante el siguiente
0.5 minuto.

5 min ( 2 min)
=10 min
1

b p ( x =0 ) ( p=0,1 )=

c p ( x=1 ) ( p=1,1 )=

10 e1 0.3678
=
=0.3678=38.78
0!
1

11 e1 1(0.3678)
=
=0.3678=36.78
1!
1!

32

Modelo de muertes puras .

El termino de Nacimientos Puras es cuando solo se le permite llegadas al sistema ; el
deMuertes Puras cuando solo se permiten salidas del sistema
Nacimientos Puros
proceso completamente aleatorio que se puede describir por medio de una distribucin de
Poisson.
Probabilidad de un Evento Cero condicionada por:

po(t)=e

33

Probabilidad de un Evento n condicionada por:

34

2.3 POBLACIN INFINITA UN SERVIDOR, COLA INFINITA.

MODELO GENERALIZADO DE COLA DE POISSON
En esta seccin se formula un modelo general de cola donde se combinan
llegadas y salidas, basandose en la hipotesis de piosson: los tiempo entre
llegadas y de servicio tienen una distribucion exponencial. El modelo es la base
para reducir modelos de poisson espesializados.
El desarrollo del modelo generalizado se basa en el comprtamiento a largo
plaz, o de estado estable, de la cola, que se alcanza despues de qu el sistema
ha estado funcionando durante un tiempo suficientemente largo. Esta clase de
analisis contrasta con el comportamiento transitorio que orevalece durante el
inicio del funcionamiento transitorio.
En el modelo generalizado supone que las frecuencias tanto de llegada como
de salida depende del estado, y eso quiere decir que dependen de la cantidad
de clientes en la intalacion de servicio. Por ejemplo, el la caseta durante las
hora pico. Otro ejemplo se da en un taller, con determinada cantidad de
maquinas, cuando disminuye la frecuencia de descomposturas, cuando
aumenta la cantidad de maquinas descompuestas.
Se definira lo siguiente:

n=cantidad de clientes en el sistema ( en la cola y en elservicio )

n=frecuencia de llegada cuando hay n clientes en el sitema .
n=frecuencia de salida cuando hay n clientes en el sistema
pn= probabilidad de estadp estable de que haya n clientes en el sistema

35

COLA ESPECIALIZADA DE POISSON.

La frecuencia de llegadas al sistema es lamda clientes por unidad de tiempo.
Todos lo servidores estan en paralelo y son identicos, lo que quiere decir que la
tasa de servicio en cualquier servidor m clientes por unidad de tiempo. La
cantidad de clientes en el sistema incluye, por definicion, lo que hay en el
servidor y lo que esper en la cola.
Notacion:

a=distribucin de las llegadas .

b=distribucin de las salidas .
c=cantidad de servidores en paralelo
d=disciplina de lacola

36

e=cantidad maxima
f =tamao de la fuente
M =distribucion de markov
D=tiempo constante
GI=distribucin general .
MEDIDAS DE DESEMPEO EN ESTADO ESTACIONARIO.
Las medidas de desempeo, eficiencia o funcionamiento de una cola son:

ls=cantidad de espera de clientesen el sistema

lq=cantidad esperada de clientes en la cola
ws=tiempo esperado de esperaen el sistema
wq=tiempo esperado de esperaen la cola
c=cantidad esperada de servidores ocupados

37

Analisis de porblemas.
A continuacion se presenta un resumen de las ecuaciones analiticas que
modelan el comportamiento de una cola un servidos simple que da servicio a
una poblacion infinita.

factor de utilizacin :

sistema vacio

38

po=1

unidades en el sistema

P1= po

Clientes en la cola =

Lq=

2
( )

EJEMPLO 1
Un tecninco en mantenimiento de computadoras, es capaz de instalar discos
duros a una tasa promedio de tres horas, de acuerdo con una distribucion de
probabilidad exponencial negativa.
Los clientes solicitan este servicio llegan al taller a un promedio de 2 por hora,
siguiendo una distribucion poisson.
Los clientes son atendidos sobre la prioridad de entrar primero en Sali,
proceden de una poblacion muy grande de potenciales usuarios.
Con esta informacion, obtenga las caracteristicas de operacin del sistema:

39

Solucin:

2
factor de utilizacin p= = =0.67
3
clientes en lacola l1=

22
=
=1.33 clientes
( ) 3 ( 32 )

clientes en el sistema l1=

2
=
=2 clientes
( ) 3 ( 32 )

2
tiempo enla cola w 1=
=
=0.67 horas
( ) 3 ( 32 )
tiempo promedio en el sistema=

1
=1 hora

EJEMPLO 2
Supngase un supermercado grande con muchas cajas de salida, en donde los
clientes llegan para que les marquen su cuenta con una tasa de 9 clientes por
hora y que hay 10 cajas en operacin.

40

Si hay para intercambiar en las lneas, puede tratarse este problema como 10
problemas separados (sistemas) de una sola lnea cada una con una llegada de
9 clientes por hora. Para una tasa de servicio de 12 clientes por hora:
A=9 clientes por hora
S=12 clientes por hora
RESPUESTA
CLIENTES EN LA LINEA, L4:

L 4=

A2
92
=
=2.25CLIENTES
S ( SA ) 12 ( 129 )

PROMEDIO DE ESPERA, w4:

W 4=

A
9
=
=0.25 horas=15 minutos
S ( S A ) 12 ( 129 )

CLIENTES EN EL SISTEMA:

L3=

A
9
=
=3 clientes
S A 129

TIEMPO QUE LLEVA EL PROCESO COMPLETA:

W 3=

1
1
=
=0.33 horas=20 minutos
S A 129

TIEMPO QUE LA CAJA ESTA OCUPADA:

U=

A 9
= =0.75=0.75
S 12

PORCENTAJE DE PERSONAS EN EL SISTEMA

P ( L 3,3 )=

A X +1
=0.32=32
S

41

2.4 POBLACION FINITA UN SERVIDOR, COLA FINITA

Este modelo difiere del Modelo con un servidor, cola Infinita en que hay un
lmite N para la cantidad de clientes en el sistema. Entre los ejemplos de este
caso estn los de manufactura en donde una maquina puede tener un rea
limitada de reserva y una ventana de servicio para un carril de autos, en un
restaurante de comida rpida.

Nomenclatura

= Nmero de llegadas por unidad de tiempo

= Nmero de servicios por unidad de tiempo
=

: Factor de utilizacin

Po : Probabilidad de encontrar el sistema vaco

Pn = Probabilidad de encontrar n Clientes en el Sistema

Ls = Cantidad esperada de clientes en el Sistema

42

Ws = Tiempo estimado que emplea un cliente en el Sistema

W = Ls / ef

ef = Tasa efectiva de llegadas

= ef + Perdido

Perdido = Tasa Perdida

Wq = Tiempo Esperado en la cola

43

Ejemplo 1
En una peluquera hay un peluquero y un total de 10 asientos. Los tiempos de llegada tienen
distribucin exponencial, y llega un promedio de 20 clientes posibles por hora. Los que llegan
cuando la peluquera est llena no entran. El peluquero tarda un promedio de 12 minutos en
atender a cada cliente. Los tiempos de corte de pelo tienen distribucin exponencial.
En nuestro problema, N = 10, =20 clientes por hora y = 5 clientes /h. Entonces = 20/5 = 4
1. Cul es la probabilidad de encontrar los 10 asientos ocupados?
2. En promedio, cunto tiempo pasar un cliente en la peluquera cuando entra?

Solucin
1.10

P10=4 (

14
)=.75
14 11

2.- Para calcular W

1( 10+1 ) 4 10+ 10 p11

1p n+1

(1 p)
4
L=

Entonces da como resultado:

W = Ls / ef

W=

= ef + perdido

9.67
=1.93 horas
5

44

20 = 5 + 15

Ejemplo 2
El conmutador telefnico de una empresa que vende pizzas tiene capacidad
para atender una llamada y detener otras tres en tanto que la llamada primera
es terminada. (Los clientes que estn en espera escuchan el tercer movimiento
de la Cuarta Sinfona de Mahler, por lo que nunca cuelgan y esperan a ser
atendidos.) La quinta llamada y subsecuentes dan el tono de ocupado.
Asuma que la distribucin del tiempo entre llamadas de los clientes es
exponencial con media de 2 minutos y que la distribucin de la duracin de las
llamadas atendidas es tambin exponencial con media de 4 minutos.
N = 4, = 30, = 15 y = 2.
1.- Cul es la probabilidad de que al llamar el telfono d tono ocupado?
2.- En promedio Cunto tiempo esperara el cliente al telfono?
Solucin:
1.-

P4 =

2 4 (12)
124+1

= 0.5 = 50%

2.- para calcular W

Ls =

2 4 +1

1( 4+1 ) 24 +(4)
2

W = Ls / ef

= 3.16 Clientes

= ef + perdido

45

30 = 15 + 15

W=

2.5

3.16
15

= 0.21 Horas = 12.6 Minutos

POBLACION INFINITA SERVIDORES MULTIPLES, COLA INFINITA

Una lnea de espera con canales mltiples consiste en dos o ms canales de

servicio que se supone son idnticos de capacidad. En el sistema de canales
mltiples las unidades que llegan esperan en una sola fila y luego pasan al
primer canal disponible para ser servidos. La operacin de un solo canal puede
expandirse a un sistema de dos canales al abrir un segundo canal de servicio.
La siguiente figura muestra un diagrama de la lnea de espera de dos canales o
ms

46

Notacin universal
Objetivo: dados los siguientes parmetros (se suelen estimar
estadsticamente)
tasa de llegadas.
tasa de servicio.
s nmero de servidores.
se calcula =
s factor de utilizacin del sistema o intensidad de trfico (proporcin de
tiempo esperado en el que los servidores estn ocupados). Si < 1 entonces el
sistema se estabiliza. En otro caso el nmero de clientes en el sistema se
incrementa sin lmite.
L valor esperado del nmero de clientes en el sistema (la variable se denota
por N).
Lq valor esperado del nmero de clientes en cola (la variable se denota por
Nq). y
W tiempo medio de espera en el sistema (la variable se denota por T).
Wq tiempo medio de espera en la cola (la variable se denota por Tq).

47

pn probabilidad de que n clientes estn en el sistema (en estado

estacionario).
c nmero medio de clientes en servicio.

EJEMPLO 1
Suponga que en el cruce fronterizo de Mxico y Estados Unidos, localizado
entre las poblaciones de Piedras Negras, Coahuila, y Eagle Pass, Texas, existe
un puente sobre el Ro Bravo con dos lneas de trfico, una en direccin de
Mxico a Estados Unidos y la otra en sentido contrario. La lnea de trfico de
Estados Unidos a Mxico, se bifurca a 5 garitas de inspeccin migratoria y
aduanera.

48

Suponga que las llegadas de automviles tienen una distribucin de Poisson

con igual a 15 llegadas por hora, mientras que el nmero de servicios tiene
una distribucin exponencial negativa con igual a
8 servicios por hora.
Por decreto gubernamental, no existe prioridad de trato, as que las garitas
migratorias y aduaneras proporcionan servicio en la medida que se desocupan,
y se atiende en primer trmino al primer automvil de la cola y as
sucesivamente.
Calcule los tiempos deseados:
SOLUCIN
Parmetro de no infinidad.

<1
S

15 15
=
= =0.375<1
S 5 (8) 40
Tiempo de ocupacin del servidor.

15
= =1.875
8
Probabilidad de que los servidores estn ocupados.

S 5

5
m 1
+

5
4
1

m
m=0
PO =

49

40
( 4015
)

1.875 5 +

5
1
1.875 3 +
4
1
2
1.875 +
3
1
1.875 1+
2
1
1.875 0+
1
1

0
Po=
1.875 4 +

0.1526=15.26%

Largo de la cola, L:

S 2

( S1 ) !

L=

1.875 0.1526

2
4015

4
( 15 ) ( 8 )

Elementos en el sistema, W:
50


W =L+ =0.0283+1.875=1.9033 automviles

Tiempo promedio de espera, Ts:

L 0.0283
Ts= =
=0.0019 de hora

15

Tiempo dentro del sistema, Tw:

T w =T S +

1
0.0019+ =0.1269 de hora
8

Ejemplo 2 (CANCELADO)

Servidores mltiples, cola infinita, fuente infinita

51

Supngase que las llegadas son Poisson, los tiempos de servicio son
exponenciales, hay una sola lnea, varios servidores y una cola infinita que
opera con la disciplina de primero en llegar primero en ser servido. Las
ecuaciones para las caractersticas de operacin se vuelven un poco ms
complicadas. Sea :

N = nmero de servidores.
A = tasa promedio de llegadas (llegadas por unidad de tiempo).
S = tasa promedio de servicio por cada servidor (llegadas por unidad de
tiempo).

Entonces :

La cantidad P0 es la probabilidad de que no haya llegadas en una unidad de

tiempo, lo cual cual no lo hace ms fcil de calcular. Para dos o tres servidores
pueden combinarse y simplificar las dos ecuaciones para obtener, para N=2

52

Ntese que para N = 1 este modelo se reduce al modelo de un servidor.

Ejemplo:

|Considrese la biblioteca de una universidad cuyo personal est tratando de

decidir cuntas copiadoras debe de instalar para uso de los estudiantes. Se ha
escogido un equipo particular que puede hacer hasta 10 copias por minuto. No
se sabe cul es el costo de espera para un estudiante, pero se piensa que no
deben tener que esperar ms de ods minutos en promedio. Si el nmero
promedio de copias que se hacen por ususario es cinco, cuntas copiadoras
se deben instalar ? .

Se usa prueba y error para resolver este tipo de problemas, no se encuentra

una solucin general como se hizo para el modelo de un servidor. Se tratar
primero con dos copiadoras, despus con tres, y as hasta que se satisfaga el
criterio del tiempo de espera.

Cul es la tasa de servicio? Si el nmero promedio de copias es cinco y la

copiadora puede hacer hasta 10 copias por minuto, entonces pueden servirse
en promedio hasta dos estudiantes por minuto. Pero, en esto no se toma en
cuenta el tiempo para insertar la moneda, cambiar originales, para que un
estudiante desocupe y otro comience a copiar. Supngase que se permite un
70 % del tiempo para estas actividades. Entonces la tasa de servicio neta baja
a 0.6 estudiantes por minuto. Adems se supone que los periodos pico de
copiado tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto.

Se comenzar con dos copiadoras, ya que una no sera suficiente.

53

A = 1 por minuto.
S = 0.6 por minuto.
N=2
3.8 estudianes
Esto excede el criterio del mximo de 2 minutos de espera para el
estudiante promedio. Se tratarn tres copiadoras.
Y=0.31

54

2.6 USO DE PROGRAMAS DE COMPUTACIN

Resolucin de problemas de lneas de espera en Winqsb

Prctica

La franquicia Hot Wings cuenta con dos servidores en mostrador. El gerente

sospecha que se pierden ventas por clientes que se van, cuando la fila supera
los 7 clientes en horas pico. Se realiza un estudio en ese periodo de tiempo y
se define que la tasa de llegadas es de 80 clientes por hora y la tasa de
atencin es de 20 clientes por hora.
Estimar lo siguiente:
Cul es el nmero de promedio de clientes en la fila?
Cuntos clientes en promedio hay en el sistema?
Cul es el tiempo promedio que el cliente espera en la fila?
Cul es el tiempo promedio que un cliente espera en todo el sistema?

Se abre el programa Winqsb seleccionando el ejecutable de Queuing

Analysis.

55

Se da clic en la hoja cuadriculada de la parte superior izquierda de la

pantalla para iniciar la captura de datos.

Despus nos aparecer un cuadro de texto en el que se pondr el ttulo

del problema, la unidad de tiempo y el tipo de problema que queremos
resolver.

56

Nos aparecer una tabla donde vamos a capturar los datos que nos de el
problema y los que no de el problema se dejara el espacio en blanco.

Despus simplemente damos en la opcin Solve and and Analyze para

que Winqsb resuelva el problema de forma automtica seleccionando la
opcin Solve the Performance.

Despus de esto nos aparecer una tabla con los resultados que se
requieren saber incluyendo algunos ms que dan solucin al problema.
57

Y estos sern los datos que se deseaban saber:

Cul es el nmero de promedio de clientes en la fila? Lq= 6.0166
Cuntos clientes en promedio hay en el sistema? Ls= 8.0137
Cul es el tiempo promedio que el cliente espera en la fila? Wq= 0.1506 hrs.
Cul es el tiempo promedio que un cliente espera en todo el sistema?
Ws= 0.2006 hrs.

58

BIBLIOGRAFA
Taha Hamdy A. Investigacin de operaciones Ed. Alfa Omega

59

INSTITUTO TECNOLOGICO DE PIEDRAS NEGRAS

UNIDAD III.- TEORIA DE DECISIONES
MATERIA: INVESTIGACION DE OPERACIONES II
CARRERA: Ingeniera Industrial
MAESTRO: Ing. Luis Manuel Garca Pizarro
Equipo 3:

Viviana Reyna Gonzlez

Eloy Morales Prez

Vctor Tello Rodrguez

Diego Reyna Rub

Jess Enrique Mares Lpez

Alan Alvares

Esther Guzmn

Fecha: 25/Julio/2014
60

3.1 CARACTERSTICAS GENERALES DE LA TEORA DE DECISIONES

La teora de decisiones puede definirse como el anlisis lgico y
cuantitativo de todos los factores que afectan los resultados de una
decisin en un mundo incierto.
La toma de decisin es tambin un proceso durante el cual la persona
debe escoger entre dos o ms alternativas. Todos y cada uno de
nosotros pasamos los das y las horas de nuestra vida teniendo que
tomar decisiones. Algunas decisiones tienen una importancia relativa en
el desarrollo de nuestra vida, mientras otras son gravitantes en ella.
El proceso de toma de decisin es sin duda una de las mayores
responsabilidades.
La toma de decisiones en una organizacin en una serie de personas
que estn apoyando el mismo proyecto. Debemos empezar por hacer
una seleccin de decisiones, y esta seleccin es una de las tareas de
gran trascendencia.
Con frecuencia se dice que las decisiones son algo as como el motor de
los negocios y en efecto, de la adecuada seleccin de alternativas
depende en gran parte el xito de cualquier organizacin.
Se consideran a veces la toma de decisiones como su trabajo principal,
porque constantemente tienen que decidir lo que debe hacerse, quin
ha de hacerlo, cundo y dnde, y en ocasiones hasta cmo se har. Sin
embargo, la toma de decisiones slo es un paso de la planeacin,
incluso cuando se hace con rapidez y dedicndole poca atencin o
cuando influye sobre la accin slo durante unos minutos.
Las Funciones De La Toma De Decisiones.
La toma de decisiones en una organizacin invade cuatro funciones que
son: planeacin, organizacin, direccin y control.
Funciones dentro de la organizacin al tomar decisiones.

Importancia De La Toma De Decisiones.

61

En el momento de tomar una decisin es importante ya que por medio

de esta podemos estudiar un problema o situacin que es valorado y
considerado profundamente para elegir el mejor camino a seguir segn
las diferentes alternativas y operaciones.
Tambin es de vital importancia ya que contribuye a mantener la
armona y coherencia del grupo, y por ende su eficiencia.
En la Toma de Decisiones, podemos considerar un problema y llegar a
una conclusin vlida, significa que se han examinado todas las
alternativas y que la eleccin ha sido correcta. Uno de los enfoques ms
competitivos de investigacin y anlisis para la toma de las decisiones
es la investigacin de operaciones. Puesto que esta es una herramienta
importante para de la produccin y las operaciones.
TECNICAS PARA LA TOMA LA TOMA DE DECISIONES
1 Lista de ventajas e inconvenientes
Es la ms conocida de las tcnicas para la toma de decisiones, lo
primero que ensean en cualquier curso para la toma de daciones o en
cualquier estudio que realices sobre el tema; de ah que figure en el
primer lugar de la lista.
2) Esperanza positiva
Consiste en visualizar EL XITO de cada una de las opciones, percibirlo
mentalmente hacerlo nuestro.
3) Esperanza negativa
Esta tcnica es justo la contraria y complementaria a la anterior.
4) Esperanza inversa
A veces, por muchas vueltas que le demos a las consecuencias de una
decisin, no somos capaces de ver cual nos convence ms o cual
preferimos.
5) Experiencias previas
Es la primera vez que tomamos una decisin en el curso de nuestra
vida? Seguramente no.
6) Modelos a seguir
Una de las tcnicas para la toma de decisiones ms tiles para afrontar
una decisin es tratar de imaginar como la afrontara alguien a quien
admiramos.
7) Pedir consejo
62

A veces las personas somos reticentes a dejarnos aconsejar por los

dems, nos parece humillante o subordinado el que alguien nos diga lo
que tenemos que hacer.
8) El poder de la Intuicin
El proceso de toma de decisiones es un proceso principalmente racional.
Todas las tcnicas que hemos visto se basan en el anlisis, en los
argumentos, el los razonamientos.
9) Madurar las decisiones
Una vez hayamos tomado una decisin, no es necesario lanzarse
apresuradamente a la ejecucin.
10) Ser coherente con las decisiones tomadas
Tras el proceso de maduracin, una vez que hemos puesto en prctica la
decisin tomada, debemos ser firmes en la misma. En el curso de la vida
debemos actuar con seguridad, con solidez, y confiando en nuestras
decisiones. Ya habamos analizado las consecuencias de nuestra
decisin, ahora nada nos va a coger de sorpresa, as que asumamos
todas las consecuencias con valenta.

3.2 CRITERIOS DE DECISION DETERMINISTICOS Y

PROBABILISTICOS
En el anlisis de decisiones se usa un proceso racional para elegir la
mejor de varias alternativas y esto depende de la calidad de los datos
que se usen para describir el caso de la decisin.
Se dividen en 3 categoras

Toma de decisiones certidumbre

Toma de decisiones bajo riesgos

63

Toma de decisiones bajo incertidumbre

Bajo certidumbre
Bajo certidumbre: en la que los datos se conocen
determinstica, es decir, puede predecir con certeza
consecuencias de sus acciones

de forma
todas las

La resolucin de un problema de este tipo es inmediata: basta elegir la

alternativa que proporcione un mejor resultado.
Bajo riesgo
Los datos se pueden se pueden describir con distribuciones de
probabilidades.
Los principales criterios de decisin empleados sobre tablas de decisin
en ambiente de riesgo son:

Criterios de valor esperado

Criterios de la dispersin

Criterio de la probabilidad mxima

Decisiones bajo incertidumbre

En los procesos de decisin bajo incertidumbre, el decisor conoce cules
son los posibles resultados de la naturaleza, aunque no dispone de
informacin alguna sobre cul de ellos ocurrir.
EJEMPLO: la eleccin entre cara o cruz de una moneda desconocemos
de antemano el resultado pero la conocemos la probabilidad objetiva
de las 2 alternativas.
Criterios de decisin probabilsticos
Estos criterios utilizan el valor esperado esto es, en donde se asigna una
accin o estrategia se calcula un valor esperado a partir de las
consecuencias y pagos junto con las probabilidades asignadas a los
eventos.
Principio de razn insuficiente
Maximizacin del valor esperado
Maximizacin de la prdida esperada de oportunidades
Cuando uno se encuentra a un conjunto de eventos y tiene suficiente
razn para suponer que uno ocurrir en lugar de otro los eventos deben
considerarse igualmente probable

64

EJEMPLO: una moneda simtrica tiene dos caras y slo se distinguen

por el nombre; de acuerdo al principio de indiferencia deberamos
asignar 1/2 de probabilidad a cada una de ellas al jugar un volado.
Minimizacin de la prdida esperada
Una alternativa aproximada para maximizar el valor monetario esperado
(EMV) es minimizar la prdida de la oportunidad esperada ( EOL) la
oportunidad perdida algunas veces llamada de arrepentimiento se
refiere a la diferencia entre el beneficio ptimo y el actual resultado
recibido, en otras palabras es la cantidad perdida por no seleccionar la
mejor alternativa.
Maximizacin del valor esperado
El criterio del valor esperado busca la maximizacin de la utilidad
(promedio) esperada o la minimizacin del costo esperado
Toma de decisiones basada en la teora de probabilidades
Un importante mtodo de resolucin de problemas en el campo de la
investigacin de operaciones son los modelos de probabilidad
Estos modelos de probabilidad son tambin diferentes, cada tipo puede
ser til en diferentes situaciones.
Qu decisiones se toma?
Cadenas de Markov: Un ejemplo comn de una aplicacin de la
cadena de Markov es el pronstico del tiempo.
Procesos de Poisson: Se encuentran principalmente en los problemas
de investigacin de operaciones que tienen que ver con situaciones
inverosmiles o raras, tales como terremotos, errores tipogrficos de
libros de texto o fallo de las mquinas.
Teora de colas: La teora de colas incluye una clase de modelos que
tienen que ver con cmo los clientes llegan, esperan y salen de un
centro o servicio.
Valor esperado de la informacin esperada
VEIP = BEIP - VME
VEIP = "Mximo valor que puede aportar la informacin adicional (que
es perfecta)"
BEIP = Beneficio esperado si se conoce el estado Nj que va a
presentarse, esto es, si existe informacin perfecta. (El que obtendra un
decisor que nunca se equivocase)
VME = Valor mximo esperado con la informacin conocida a priori
sobre el entorno.
65

Criterios de decisin Determinstica y probabilstica

Toma de decisiones probabilsticas (Laplace) razn insuficiente.
PARA QUE SIRVE?
Decidir entre diferentes opciones
probabilidades para los eventos.

cuando

no

se

cuenta

con

Ejemplo: Una empresa organizadora de conciertos tiene que elegir la

ubicacin de un evento y duda entre 2 opciones: un polideportivo
cubierto o un campo de futbol al aire libre. Dependiendo del tiempo que
haga y de la ubicacin elegida esperan obtener los siguientes beneficios.
Se monta el concierto en el polideportivo: 30,000 hace frio 20,000
templado 10,000 hace calor.
Se monta el concierto en campo de futbol: -12,000 hace frio 1,000
templado 43,000 hace calor.
Solucin
P ( Sj ) = 1/3
J = 1, 2, 3
30,000+20,000+10,000 *1/3 = 20,000
-12,000+1,000+43000 * 1/3 = 10.667

FRIO

TEMPLADO CALOR

LAPLACE

PD 30,000 20,000

10,000

20,000

CF

43,000

10,667

1,000
12,000

Regla de Bayes (determinstica)

Nos ayuda a tomar una decisin cuando se conoce las probabilidades de
que algn evento ocurra.

66

Ejemplo: Habiendo una posibilidad del 10% de que haga frio, un 30%
de que este templado, y un 60% de Que este caluroso que decisin
tomaran los organizadores?

Solucin

Probabilidade 0.10
s

0.30

0.60

Bayes

FRIO

TEMPLADO CALOR

PD

30,00
0

20,000

10,000 15,00
0

CF

12,00
0

1,000

43,000 24,90
0

E {p (a1, q)} = 0.10 * 30,000 + 0.30 * 20,000 + 060 * 10,000 = 15,000

E {p (a2, q)} = 0.10 * -12,000 + 0.30 * 1,000 + 0.60 * 43,000 = 24,900

Conclusin: al disponer de la probabilidad de encontrarnos en cada

estado, segn Beyes, es mejor escoger
La opcin del campo de futbol CF ya que de promedio obtendremos un
beneficio de 24,900.
Toma de decisiones bajo certidumbre proceso de jerarqua
analtica.
Aplicaciones:
El proceso de jerarqua analtica (AHP, por sus siglas en ingls) est
diseado para casos en los que las ideas, sentimientos y emociones se
cuantifican con base en juicios subjetivos para obtener una escala
numrica para dar prioridades a las alternativas de decisin.

Ejemplo: Martin Hans, un brillante egresado de preparatoria, ha

recibido tres ofertas de beca completa en tres instituciones: U de A, U de
67

B y U de C. Para seleccionar una universidad, Martin enuncia dos

criterios principales: ubicacin y reputacin acadmica. Como es tan
buen estudiante, juzga que la reputacin acadmica es cinco veces ms
importante que el lugar, con lo que se tienen pesos aproximados de 17%
de la ubicacin y 83% de la reputacin. La tabla siguiente clasifica los
dos criterios para las tres universidades:
Solucin
El problema implica una sola jerarqua (el nivel) con dos criterios
(ubicacin y reputacin) y tres alternativas de decisin (U de A, U de B y
U de C).
La calificacin de las tres universidades se basa en calcular un factor de
ponderacin o peso compuesto para cada universidad, como sigue:
U de C = 0.17 * 0.594 + 0.83 * 0.182 = 0.2520
U de B = 0.17 * 0.277 + 0.83 * 0.273 = 0.2737
U de A = 0.17 * 0.129 + 0.83 * 0.545 = 0.4743
Criterio
Ubicacin
Reputacin

Estimaciones de peso porcentual

U de B
U de C
22.7
59.4
27.3
18.2

U de A
12.9
54.5

Toma de decisiones bajo riesgo, criterio de posibilidad maxima

(deterministica)
1. De todos los estados de la naturaleza elegimos el que tenga mayor
probabilidad de ocurrir.
2. Para este estado de la naturaleza se encuentra la accin con el pago
mximo y se elige.
Desventajas
Una desventaja es que ignora mucha informacin relevante, no
considera ningn estado distinto al ms probable, la probabilidad del
mas importante puede ser la ms pequea.
Solucin
Elegimos el estado de la naturaleza con mayor Probabilidad
a
Perforar
Vender
Probabilidad

Petrleo

Seco

$700,000
$90,000

-$100,000
$90,000
0.25

68

0.75

Pagos estado seco

A1 = -$100,000
A2 = $90,000

VENTAJAS Y CONCLUSIONES DE LA TOMA DE DECISIONES

La toma de decisiones consiste en encontrar una conducta adecuada
para resolver una situacin problemtica, en la que, adems, hay una
serie de sucesos inciertos. Una vez que se ha detectado una amenaza,
real, imaginaria, probable o no, y se ha decidido hacer un plan para
enfrentarse a ella, hay que analizar la situacin: hay que determinar los
elementos que son relevantes y obviar los que no lo son y analizarlas
relaciones entre ellos y la forma que tenemos de influir en ellos. Este
paso puede dar lugar a problemas, cuando se tienen en cuenta aspectos
irrelevantes y se ignoran elementos fundamentales del problema.
Una vez determinada cual es la situacin problemtica y analizada en
profundidad, para tomar decisiones, es necesario elaborar modelos de
acciones alternativas, extrapolarlas para imaginar el resultado final y
evaluar este teniendo en cuenta la incertidumbre de cada suceso que lo
compone y el valor que subjetivamente se le asigna ya sea consciente o
automticamente. As se obtiene una idea de las consecuencias que
tendra cada una de las acciones alternativas que se han definido y que
puede servir para elegir la conducta ms idnea como el curso de accin
que va a solucionar la amenaza
I. Toda empresa eficientemente bien manejada debe contar con una
plana gerencial plenamente capacitada en la toma de decisiones bajo
condiciones de certeza, incertidumbre y riesgo, pues su importancia es
capital para la eficacia y eficiencia de la correcta toma de decisiones.
II. Un gerente tiene que familiarizarse con el circuito bsico de toma de
las decisiones y sus ingredientes. Una vez reconocidos estos
ingredientes bsicos, debe prestarse atencin al carcter de quien toma
la decisin, tanto individualmente como en grupo. Debido a que la
mayora de las decisiones tienen efecto sobre la gente, el Gerente no
puede ignorar la influencia de las relaciones humanas en una decisin,
especialmente cuando se selecciona una tcnica para tomarla.
III. La representacin en diagrama de un problema dado puede tomar
diferentes formas y puede ser una ayuda invaluable para reunir y
mostrar el problema en particular o los parmetros de la decisin
tomada bajo condiciones de certeza, incertidumbre y riesgo.
IV. Un conocimiento bsico de las teoras de las probabilidades y de la
estadstica ayudar en la presentacin grfica de la informacin a
69

efectos de una rpida y efectiva toma de decisiones bajo cualquiera de

los tres parmetros estudiados.
V. Sin embargo, una vez que se haya procesado toda la informacin y al
mismo tiempo comprendido cules son los ladrillos bsicos para la
construccin de la toma de decisiones, an se requiere un ingrediente
ms para que un gerente tome las decisiones acertadas. La persona que
no desee correr riesgos nunca tendr xito como gerente y/o
administrador de una empresa.
VI. Un gerente debe tener el buen juicio para saber qu tanta
informacin debe recoger, la inteligencia para dirigir la informacin y, lo
ms importante de todo, el valor para tomar la decisin que se requiere
cuando sta conlleva un riesgo en condiciones de certeza, incertidumbre
y riesgo.

3.3 VALOR DE LA INFORMACION PERFECTA

Introduccin
En muchas situaciones de toma de decisiones podemos obtener
evaluaciones de probabilidad para los estados de la naturaleza.
Cuando estn disponibles dichas probabilidades podemos usar el
enfoque del valor esperado para identificar la mejor alternativa de
decisin.
El valor esperado de una alternativa de decisin es la suma de los
resultados ponderados para la alternativa de decisin.
El peso para un resultado es la probabilidad del estado de la naturaleza
asociado, o la probabilidad de que ocurrir el estado.
Antes de realizar cualquier experimento, debe determinarse su valor
potencial.
Si se pudiera contar con un productor perfecto, se podra seleccionar por
anticipado el curso de accin optimo correspondiente a cada evento
pronosticado.
Ponderando la utilidad correspondiente a cada curso de accin optimo
por la probabilidad de ocurrencia de cada evento, se obtiene la utilidad
esperada comando con informacin perfecta (UEIP)
Informacin Perfecta
70

El Valor Esperado de la Informacin Perfecta (VEIP) es la diferencia entre

UEIP y VE.
Refleja el aumento en la utilidad esperada a partir de contar con un
mecanismo de prediccin perfecto.
El VEIP puede considerarse como una medida general del impacto
econmico de la incertidumbre en el problema de decisin.
Es un indicador del valor mximo que convendra pagar por conseguir
informacin adicional antes de actual
El VEIP tambin da medidas de las oportunidades perdidas.
Si el VEIP es grande, es una seal para que quien toma la decisin
busque otra alternativa que no se haya considerado hasta el momento.

Utilizar el Valor esperado de la informacin perfecta

A veces decidimos invertir mucho en conocer aspectos muy detallados
sobre variables cuyo conocimiento exacto no nos va a proporcionar
ningn beneficio adicional, y sin embargo otras veces no empleamos
recursos en obtener cantidades pequeas de informacin sobre
variables clave que tienen una alta correlacin con los beneficios futuros
y de las cuales conocemos muy poco.
Normalmente medimos lo que ms fcil resulta medir, y no lo que tiene
ms valor.
La informacin tiene valor porque nos ayuda a tomar decisiones.
Podramos decir que el valor de la informacin para la toma de una
decisin determinada es igual a la prdida producida por tomar la
decisin errnea (la decisin contraria a la que tomaramos si
tuviramos la informacin perfecta) por la probabilidad de que dicha
prdida se produzca.
Es decir, lo ms que estoy dispuesto a pagar por una informacin es lo
que podra dejar de ganar si tuviera la informacin perfecta multiplicada
por la probabilidad de esa prdida.
El valor de la informacin importa. Conviene pararnos a medirlo, aunque
sea intuitivamente, para que los esfuerzos de obtener informacin se
adecuen al valor que dicha informacin proporciona.
Obtener la informacin necesaria de manera iterativa. Si disponemos de
poca informacin, pequeas cantidades de informacin, normalmente
obtenidas con pocos recursos, proporcionan un alto valor.
71

Es decir, necesitamos menos cantidad de informacin que la que

creemos, ya que el mayor valor se obtiene al principio de la medicin. Lo
importante es encontrar las variables adecuadas que necesitamos
medir.

Si pudisemos disponer de informacin perfecta, Cunto estaramos

dispuestos a pagar por ella?
VEIP = BEIP VME
VEIP = "Mximo valor que puede aportar la informacin adicional (que
es perfecta)
BEIP = Beneficio esperado si se conoce el estado Nj que va a
presentarse, esto es, si existe informacin perfecta. (El que obtendra un
decisor que nunca se equivocase)
VME = Valor mximo esperado con la informacin conocida a priori
sobre el entorno.

e1:
Construccion
Planta
grande
e2:
Construccion
Planta
mediana

V. Altas
(0.2)

V. Medias
(0.5)

V.
Bajas
(0.3)

B*E (ei)

12

-3

12*0.2 + 3*0.5 3*0.3 = 3

0.25

6*0.2 + 1*0.5 + 0.25*0.3 =

1.775

VME = MAX (3, 1.775) = 3 (e1)

BEIP = 12*0.2 + 3*0.5 + 0.25*0.3 = 3.975
VEIP = BEIP VME = 975,000 u.m.
Maximo coste que la empresa asumira por obtener informacin
perfecta
Coste de la incertidumbre (a priori).

72

3.4 RBOL DE DECISION

El rbol de decisin es un diagrama que representa en forma secuencial
condiciones y acciones.
Los arboles de decisin se destacan por su sencillez y pueden utilizarse
en diversas reas, tales como: reconocimiento de seales de radar,
reconocimiento de caracteres, sensores remotos, sistemas expertos,
diagnstico mdico, juegos, prediccin meteorolgica, control de
calidad, etc.
Su nombre proviene de la forma que adopta el modelo, parecido a un
rbol. El modelo est conformado por mltiples nodos cuadrados, que
representan puntos de decisin, y de los cuales surgen ramas (que
deben leerse de izquierda a derecha), que representan las distintas
alternativas. Las ramas que salen de nodos circulares, o casuales,
representan los eventos.
Caractersticas
Un rbol de decisin es una forma grfica y analtica de representar
todos los eventos (sucesos) que pueden surgir a partir de una decisin
asumida en cierto momento.
Nos ayuda a tomar la decisin ms acertada, desde un punto de vista
probabilstico, ante un abanico de posibles soluciones.
Permite desplegar visualmente un problema y organizar el trabajo de
clculos que deben realizarse.
Proveen un mtodo efectivo para la toma de decisiones debido a
que:
Claramente plantean el problema para que todas las opciones sean
analizadas.
Permiten analizar totalmente las posibles consecuencias de tomar una
decisin.
Proveen un esquema para cuantificar el costo de un resultado y la
probabilidad de que suceda.
73

Nos ayuda a realizar las mejores decisiones sobre la base de la

informacin existente y de las mejores suposiciones.
COMO DIBUJAR UN ARBOL DE DECISION
DESAROLLAR UN NUEVO PRODUCTO O CONSOLIDAR UNO YA
DESAROLLADO.

Desarrollo
lento
Desarrollo
meticuloso
Desarrollo
rapido
Producto
nuevo
Producto
fortalecido

Consolidar
producto

Producto
efectivo

Buen
a
Moderad
a
Pobr
e
Buen
a
Moderad
a
Pobr
e
Buen
a
Moderad
a
Pobr
e
Buen
a
Moderad
a
Pobr
e

Terminologa
Nodo de Decisin: Indica que una decisin necesita tomarse en ese
punto del proceso. Est representado por un cuadrado.
74

Nodo de Probabilidad: Indica que en ese punto del proceso ocurre un

evento aleatorio. Est representado por un crculo.

Rama: Nos muestra los distintos caminos que se pueden emprender

cuando tomamos una decisin o bien ocurre algn evento aleatorio.

VENTAJAS DE LOS ARBOLES DE DECISION:

La regla de asignacin son simples y legibles, por tanto la interpretacin
de resultados es directa e intuitiva.
Es valida sea cual fuera la naturaleza de las variables explicativas:
continuas, binarias nominales, u ordinales.
Es una tcnica no paramtrica que tiene en cuenta las interacciones que
pueden existir entre los datos.
Es computacionalmente rpido.
DESVENTAJAS DE LOS ARBOLES DE DECISION
Las reglas de asignacin
perturbaciones en los datos.

son

bastantes

sensibles

pequeas

Dificultad para elegir el rbol ptimo.

Ausencia de una funcin global de las variables y como consecuencia
perdida de la representacin.

EJEMPLO: La empresa DMG comercializadora de productos alimenticios,

desea implementar un sistema de atencin de enviarle las compras a los
clientes en las casas, para implementar esta nueva modalidad de
atencin al cliente, la empresa realizo los estudios de ingresos y costos
correspondientes, los cuales arrojaron las siguientes cifras tal como se
detallan a continuacin.
Sistema Antiguo
Ingresos
$ 3.000.000

Sistema Nuevo

Probabilidad

Ingresos

60%

$4.000.000
75

Probabilidad
70%

$ 4.000.000

30%

$5.000.000

$ 5.000.000

10%

$6.000.000

20%
10%

Cifras de costo:
COSTO FIJO

SISTEMAANTIGUO

SISTEMA NUEVO

COSTO VARIABLE

$400

10%

$600

5%

CONSTRUIR ARBOL DE DECISION

Ingreso
Neto
Actual
(10%)
Sistema

Nuevo
(5%)

0.6 x 3,000
400) =
0.3 x 4,000
400) =
0.1 x 5,000
400) =
0.7 x 4,000
600) =
0.2 x 5,000
600) =
0.1 x 6,000
600) =
76

(300 +

$2,300

(400 +

$3,200

(500 +

$4,100

(200 +

$3,200

(250 +

$4,150

(300 +

$5,100

E1= 2300 x 0.6 + 3200 x 0.3 + 4100 x 0.1 = $2750

E2= 3200 x 0.7 + 4150 x 0.2 + 5100 x 0.1 =
$3580

EJEMPLO: La empresa SEOR DE LOS MILAGROS, est interesado en

abrir un nuevo local para la venta de los populares panes.
La empresa tiene 3 ubicaciones posibles para la instalacin del nuevo
local.
Estos locales se encuentran en distintos puntos de la ciudad siendo
estos en Yarina, centro de Pucallpa y plaza de Manantay. La empresa
tiene los siguientes costos y beneficios por abrir un local en cada
ubicacin.

UBICACIN

BENEFICIOS
ANUALES

COSTOS DE
ARRENDAMIENTO

PROBABILIDAD DE
OBTERNER
BENEFICIOS

YARINA

100,000

3,500

65%

CENTRO

120,000

4,000

75%

50,000

3,000

55%

MANATAY

CONSTRUIR ABROL DE DECISION

77

65% beneficios

Yarina

35% perdidas

Centro

75% beneficios
25% perdidas

55% beneficios

Manantay

45% perdidas

E1= 0.65 x 100,000 + 0.35 x (-3500) = $63,775

E2= 0.75 x 120,000 + 0.25 x (-4000) =
$89,000
E3= 0.55 x 50,000 + 0.45 x (-3000) = $26,150

78

3.5 TEORIA DE UTILIDAD

La toma de decisiones es el proceso mediante el cual se realiza una
eleccin entre las alternativas o formas para resolver diferentes
situaciones de la vida, estas se pueden presentar en diferentes
contextos: a nivel laboral, familiar, sentimental, empresarial, etc., es
decir, en todo momento se toman decisiones, la diferencia entre cada
una de estas es el proceso o la forma en la cual se llega a ellas.
Es un estudio formal sobre la toma de decisiones. Los estudios de casos
reales, que se sirven de la inspeccin y los experimentos, se denominan
teora descriptiva de decisin; los estudios de la toma de decisiones
racionales, que utilizan la lgica y la estadstica, se llaman teora
preceptiva de decisin.
La toma de decisiones en una organizacin se circunscribe a
una serie de personas que estn apoyando el mismo proyecto. Debemos
empezar por hacer una seleccin de decisiones, y esta seleccin es una
de las tareas de gran trascendencia.
Con frecuencia se dice que las decisiones son algo as como el motor de
los negocios y en efecto, de la adecuada seleccin de alternativas
depende en gran parte el xito de cualquier organizacin. Una decisin
puede variar en trascendencia y connotacin.
Modelos de criterios de decisin
Certeza: Sabemos con seguridad cules son los efectos de las
acciones.
Riesgo: No sabemos qu ocurrir tomando determinadas decisiones,
pero s sabemos qu puede ocurrir y cul es la probabilidad de ello.
Incertidumbre: En este caso no sabemos qu puede ocurrir ni tampoco
qu probabilidades hay para cada posibilidad. Es cuando no tenemos ni
idea qu puede pasar.
79

La toma de decisiones en la teora de decisin

Los estudios de casos reales, que se sirven de la inspeccin y los
experimentos, se denominan teorema descriptivo de decisin; Los
estudios de la toma de decisiones racionales, que utilizan la lgica y la
estadstica, se llaman teorema preceptivo de decisin.

3.6 ANALISIS DE SENSIBILIDAD

Sabemos que las matemticas son una herramienta fundamental para
realizar clculos, operaciones y obtener resultados. Por lo tanto dentro
del estudio de investigacin de operaciones es recurrente la utilizacin
de este instrumento.
Un uso comn es el caso en el que hemos obtenido la solucin ptima y
deseamos encontrar la nueva solucin primordial cuando hayan
cambiado, por ejemplo, las disponibilidades de los recursos (b i), los
precios costos unitarios por unidad (C j), cambio en los coeficientes
tecnolgicos (aij), incorporacin de una nueva variable (Nuevo producto
Xj) y adicin de una nueva restriccin.
Esto es necesario para que el encargado de llevar a cabo la toma de
decisiones conozca en que rango se puede mover los distintos
coeficientes mencionados, mantenindose la presente solucin ptima;
ello le da una ventaja competitiva frente a otro tomador de decisiones
que no ha utilizado este modelo matemtico.
En forma genrica, el anlisis de sensibilidad busca investigar los
efectos producidos por los cambios del entorno sobre el sistema.
El propsito general es identificar los parmetros relativamente
sensibles (es decir, aquellos que no pueden cambiarse mucho sin
cambiar la solucin ptima).
Desde el punto de vista de la programacin lineal, el anlisis de
sensibilidad, llamado tambin anlisis paramtrico, es un mtodo que
permite investigar los efectos producidos por los cambios en los valores
de los diferentes parmetros sobre la solucin ptima.
Dado que los parmetros que se muestran en el modelo utilizan valores
estimados basados en una prediccin de las condiciones futuras, los
datos obtenidos para desarrollar estas estimaciones son bastante
imperfectos; por esto pueden tomar otros valores posibles.
De ah la importancia de este anlisis.
80

Dos principales razones para realizar un anlisis de sensibilidad son:

Los modelos de programacin lineal son con frecuencia grandes y

costosos; por lo tanto no es recomendable utilizarlos para un solo
caso.

Los elementos que se dan como datos para un problema de

programacin lineal, la mayora de las veces son estimaciones; por
lo tanto es necesario investigar o tener en cuenta ms de un
conjunto de casos posibles.

El anlisis de sensibilidad se lleva a cabo en:

Cambios en los niveles de recursos escasos.

Cambios en los coeficientes de la funcin objetivo

Cambios en los coeficientes tecnolgicos

Supresin y adicin de restricciones

Adicin de nuevas variables

81

3.7 USO DE SOFTWARE

Introduccin
Al inicial este tema de Sistema de Soporte para la Toma de Decisiones
de Grupos o DGSS(Direccin General de Servicio Social) , busco de
manera sencilla y clara de aprender cuales son los sistema de soportes
mas utilizados en estos tiempos as como estn constituidos, sus
clasificaciones, que es recurso humano, software, hardware entre otros.
Los DGSS tienen el objetivo de lograr la participacin de un grupo de
gentes mediante la toma de cualquier decisin en una empresa u
organizacin.
Este tema promete se educador para los administradores y porque no
para cualquier persona que desee tener conocimiento de lo que es un
DGSS.

Sistema de soporte para la toma de Decisiones de grupos

Un sistema de soporte para la toma de decisiones de grupos es un
sistema interactivo basado en computadoras, el cual solicita la solucin
de problemas no estructurado por un conjunto de tomadores de
decisiones trabajando junto como un grupo. Los componentes de que
constan son el Hardware, Software, Recursos Humanos, y
Procedimientos.
Hardware
Para trabajar con DGSS es necesario constar con los procedimientos
mnimos de Hardware para este tipo de sistema:
Un dispositivo de entrada / salida mediante el cual sea posible darle
datos de entrada al sistema y producir una salida.
Un procesador, para realizar los procesos necesarios y generen
resultados tiles a los tomadores de decisiones.
Una lnea de comunicacin entre el dispositivo de entrada / salida y el,
procesador, para permitir la comunicacin interactivo entre los
miembros del grupo.
Una pantalla o monitor individuales, para ver las aportaciones que hace
cada miembro del grupo o para analizar resultado.

82

Una base de datos que cuente con informacin relacionada con las
decisiones que deben tomarse y que permitan las consultas y bsqueda
de temas especficos.
Una base de modelo, de lo cual se puedan elegir diferentes alternativas
para tomar decisiones.
Programas de aplicaciones especficas para que el grupo los use como
procesadores de palabras, grafica dotes, hojas de clculos, o paquetes
estadsticos.
Una interface flexible y fcil de usar, que permita al ejecutivo interactuar
de manera adecuada con el sistema sin requerir de mucha accesoria
ocupacin.

Ventajas y desventajas de los DGSS

Ventajas:

Motivan a los miembros del grupo a trabajar juntos.

Da la misma oportunidad de participacin a todos los miembros

del grupo.

Optimizacin de la informacin de los grupos

Apoyar el desarrollo de una memoria organizacional de una junta a

otra.

Mejorar la calidad de las tomas de decisiones debido a que el

anonimato de las contribuciones se hace que haya una mayor y
mejor participacin por parte de los miembros de grupos.

Incrementa la creatividad en la toma de decisiones.

Desventajas:

Falta de costumbres al utilizar un sistema para soportar el proceso

de toma de decisiones respecto a la forma tradicional de
realizarlos.

Resistencia al cambio por parte de los administradores, porque

pueden pensar que ese sistema pueden remplazarlos.

La responsabilidad al tomar una decisin puede diluirse, ya que las

aportaciones son annimas y las decisiones representan el
consenso del grupo.
83

INSTITUTO TECNOLOGICO DE PIEDRAS

NEGRAS
84

Nombre: Equipo de verano

Maestro: Ing. Luis Manuel Garca Pizarro
Materia: Investigacin de operaciones II
Carrera: Ingeniera Industrial

Tarea: Unidad 4

INVESTIGACION
Lunes 28 de julio del 2014

Calle Instituto Tecnolgico #310 Col. Tecnolgico C.P. 26080, Piedras Negras, Coah.Tels. (878)
783-0135, 783-0713, 783-9116, Fax Ext.103, email. info@itpiedrasnegras.edu.mx

4.1 Introduccin a las cadenas de Markov.

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de

que ocurra un evento depende del evento inmediato anterior. En efecto, las
cadenas de este tipo tienen memoria, "Recuerdan" el ltimo evento y esto
condiciona las posibilidades de los eventos futuros. Esta dependencia del
evento anterior distingue a las cadenas de Markov de las series de eventos
independientes, como tirar una moneda al aire o un dado. En los negocios, las
cadenas de Markov se han utilizado para analizar los patrones de compra, los
deudores morosos, para planear las necesidades de personal y para analizar el
reemplazo de equipo. El anlisis de Markov, llamado as en honor de un
matemtico ruso que desarrollo el mtodo en 1907, permite encontrar la
probabilidad de que un sistema se encuentre en un estado en particular en un
momento dado. Algo ms importante an, es que permite encontrar el
85

promedio a la larga o las probabilidades de estado estable para cada estado.

Con esta informacin se puede predecir el comportamiento del sistema a
travs del tiempo. La tarea ms difcil es reconocer cundo puede aplicarse. La
caracterstica ms importante que hay que buscar en la memoria de un evento
a otro.
Considere el problema siguiente: la compaa K, el fabricante de un cereal para
el desayuno, tiene un 25% del mercado actualmente. Datos del ao anterior
indican que el 88% de los clientes de K permanecan fieles ese ao, pero un
12% cambiaron a la competencia. Adems, el 85% de los clientes de la
competencia le permanecan fieles a ella, pero 15% de los clientes de la
competencia cambiaron a K. Asumiendo que estas tendencias continen
determine:
cual es la parte que K aprovecha del mercado?:
a. en 2 aos; y
b. en el largo plazo.
Esta situacin es un ejemplo de un problema de cambio de marcas que sucede
muy a menudo que se presenta en la venta de bienes de consumo.
Para resolver este problema hacemos uso de cadenas de Markov o procesos de
Markov (qu es un tipo especial de proceso estocstico). El procedimiento se
da enseguida.
SOLUCIN.
Observe que, cada ao, un cliente puede estar comprando cereal de K o de la
competencia. Podemos construir un diagrama como el mostrado abajo donde
los dos crculos representan a los dos estados en que un cliente puede estar y
los arcos representan la probabilidad de que un cliente haga una cambio cada
ao entre los estados. Note que los arcos curvos indican una "transicin" de un
estado al mismo estado. Este diagrama es conocido como el diagrama de
estado de transicin (notar que todos los arcos en ese diagrama son arcos
dirigidos).

86

Dado ese diagrama nosotros podemos construir la matriz de la transicin

(normalmente denotada por el smbolo P) la qu nos dice la probabilidad de
hacer una transicin de un estado a otro estado. Sea:
estado 1 = cliente que compra cereal de K y
estado 2 = cliente que compra cereal de la competencia
tenemos as la matriz de transicin P para este problema, dada por
Para estado 1 2
Del estado 1 | 0.88 0.12 |
2 | 0.15 0.85 |
Note aqu que la suma de los elementos en cada fila de la matriz de la
transicin es uno.
Por datos de este ao sabemos que actualmente K tiene un 25% del mercado.
Tenemos que la fila de la matriz que representa el estado inicial del sistema
dada por:
Estado
12
[0.25, 0.75]
Normalmente denotamos esta fila de la matriz por s1 indicando el estado del
sistema en el primer periodo (aos en este ejemplo en particular). Ahora la
teora de Markov nos dice que, en periodo (ao) t, el estado del sistema est
dado por el st de la fila de la matriz, donde:
st = st-1(P) =st-2(P)(P) = ... = s1(P)t-1
Tenemos que tener cuidado aqu al hacer la multiplicacin de la matriz ya que
el orden de clculo es importante (i.e. st-1(P) no es igual a (P)st-1 en general).
Para encontrar st nosotros podramos intentar hallar P directamente para la
potencia t-1 pero, en la prctica, es mucho ms fcil de calcular el estado del
sistema en cada sucesivo ao 1,2,3 ,..., t.
Nosotros ya sabemos el estado del sistema en el ao 1 (s1) tal que el estado
del sistema en el ao dos (s2) est dado por:
s2 = s1P
= [0.25,0.75] |0.88 0.12 |
........|0.15 0.85 |
= [(0.25)(0.88) + (0.75)(0.15), (0.25)(0.12) + (0.75)(0.85)]
= [0.3325, 0.6675]

87

Note que este resultado tiene sentido intuitivo, e.g. del 25% comprando
actualmente al cereal de K, 88% continan haciendolo, aunque del 75%
comprando el cereal del competidor 15% cambia a comprar cereal de K - dando
un (fraccin) total de (0.25)(0.88) + (0.75)(0.15) = 0.3325 comprando cereal
de K.
De lo anterior, en el ao dos 33.25% de las personas estn en estado 1 - esto
es, est comprando cereal de K. Note aqu que, como un chequeo numrico,
los elementos de st deben sumar siempre uno.
En el ao tres el estado del sistema se da por:
s3 = s2P
= [0.3325, 0.6675] |0.88 0.12 |
............... |0.15 0.85 |
= [0.392725, 0.607275]
Por lo tanto en el ao tres 39.2725% de las personas estn comprando al
cereal de K.
Recalcar que est pendiente la cuestin hecha sobre la porcin que K comparte
del mercado en el largo plazo. Esto implica que necesitamos calcular st cuando
t se hace muy grande (se acerca al infinito).
La idea de la largo plazo es basada en la suposicin de que, en el futuro, el
sistema alcance un "equilibrio" (a menudo llamado el "estado sustentable") en
el sentido de que el st = st-1. sto no quiere decir que las transiciones entre
estados no tengan lugar, suceden, pero ellos tienden "al equilibrio global" tal
que el nmero en cada estado permanece el mismo.
Hay dos enfoques bsicos para calcular el estado sustentable:
Computational: - encontrar el estado sustentable calculando st para t=1,2,3,...
y se detiene cuando st-1 y st son aproximadamente el mismo. Esto es
obviamente muy fcil para una computadora y este es el enfoque usado por un
paquete computacional.
Algebraico: - para evitar clculos aritmticos largos necesarios para calcular st
para t=1,2,3,... tenemos un atajo algebraico que puede usarse. Recalcar que
en el estado sustentable st = st-1 (= [x1,x2] para el ejemplo considerado
anteriormente). Entonces como st = st-1P tenemos eso
[x1,x2] = [x1,x2] | 0.88 0.12 |
.............| 0.15 0.85 |
(y tambin notar que x1 + x2 = 1). De esto tenemos tres ecuaciones que
podemos resolver.

88

Note aqu que hemos usado la palabra suposicin anteriormente. Esto es

porque no todos los sistemas alcanzan un equilibrio, esto es, no cualquier
sistema tiene matriz de transicin
|01|
|1 0 |
nunca alcanza un estado sustentable.
Adoptando el enfoque algebraico anteriormente para el ejemplo del cereal K
tenemos las tres ecuaciones siguientes:
x1 = 0.88x1 + 0.15x2
x2 = 0.12x1 + 0.85x2
x1 + x2 = 1
o
0.12x1 - 0.15x2 = 0
0.12x1 - 0.15x2 = 0
x1 + x2 = 1
Note que la ecuacin x1 + x2 = 1 es esencial. Sin lla no podramos obtener
una nica solucin para x1 y x2. Resolviendo conseguimos x1 = 0.5556 y x2 =
0.4444
Por lo tanto, en la largo plazo, K comercializa una porcin del mercado del
55.56%.
Un chequeo numrico til (particularmente para problemas ms grandes) es
sustituir el examen final calculando los valores en las ecuaciones originales
para verificar que ellos son consistentes con esas ecuaciones.
Paquete de Computo para la solucin
El problema anterior se resolvi usando un paquete, la entrada se muestra
abajo.
Datos de entrada del Problema del cereal de K (Iniciales Probabilidades de
Estado)
1: 0.2500 2: 0.7500
Datos de entrada del Problema del cereal de K (Matriz de Probabilidades de
Transicin) Pg 1
.......De ...........A
1 1: 0.8800 2: 0.1200
2 1: 0.1500 2: 0.8500
89

El rendimiento se muestra debajo. Aunque el paquete puede usarse para

calcular y desplegar st (para cualquier valor de t) no hemos querido mostrar
esto.
En el rendimiento mostrado abajo de la nota:
las probabilidades de estado sustentables (se necesitaron 38 iteraciones antes
de que st-1 y st fueran aproximadamente el mismo). Estas figuras son como se
calcularon antes.
periodo recurrente para cada estado - stos son el nmero esperado de
periodos que pasarn para que una persona en un estado est de nuevo en ese
estado (esto es, esperaramos que hubieran 1.80 periodos (en promedio) entre
que una persona que compra el cereal de K y su prxima compra de cereal de
K).
Iteracin final--las Iteraciones Totales = 38
1: 0.5556 2: 0.4444
Periodo recurrente para Cada Estado
1: 1.80 2: 2.25
Datos
Note aqu que los datos que pueden necesitarse para deducir las
probabilidades de transicina, pueden a menudo fcilmente encontrarse, hoy
en da . Por ejemplo se colectar tales datos por marca del consumidor que
cambia, inspeccionando a los clientes individualmente. Sin embargo hoy da,
muchos supermercados tienen sus propias "tarjetas de lealtad" qu son
registradas a travs de inspecciones al mismo tiempo que un cliente hace sus
compras en la caja. stos proporcionan una masa de informacin detallada
sobre el cambio de marca, as como tambin otra informacin - por ejemplo el
efecto de campaas promocionales.
Debe estar claro que las probabilidades de transicin no necesitan se
consideradas como nmeros fijos - ms bien ellas son a menudo nmeros que
podemos influenciar/cambiar.
Tambin note que la disponibilidad de tales datos permite modelos ms
detallados, al ser construidos. Por ejemplo en el caso del cereal, la
competencia fue representado por slo un estado. Con datos ms detallados
ese estado pudiera ser desagregado en varios estados diferentes - quiz uno
para cada marca competidora del cereal. Tambin podramos tener modelos
diferentes para segmentos diferentes del mercado - quiz el cambio de marca
es diferente en reas rurales del cambio de marca en reas urbanas, por
ejemplo. Las familias con nios constituiran otro segmento importante del
mercado obviamente.

90

APLICACIONES.
Una aplicacin interesante de procesos de Markov que yo conozco es la
industria costera noruega del petroleo/gas. En Noruega un cuerpo estatal, el
Consejo de administracin de Petrleo noruego, (junto con la compaa de
aceite estatal noruega (STATOIL)), tienen un papel grande en la planeacin de
los medios para el desarrollo costero del petrleo/gas.
El problema esencial que el Consejo de la administracin del Petrleo noruego
tiene, es cmo planear la produccin para aumentar al mximo su contribucin
en el tiempo a la economa noruega. Aqu los horizontes de tiempo son muy
largos, tpicamente 30 a 50 aos. De importancia crtica es el precio del aceite todava nosotros no podemos prever esto, sensiblemente con exactitud, para
esta horizonte de planeacin.
Para superar este problema ellos modelan el precio del aceite como un proceso
de Markov con tres niveles de precio (estados), correspondiendo a escenarios
optimista, probable y pesimista. Ellos tambin especifican las probabilidades de
hacer una transicin entre los estados cada periodo de tiempo (ao). Pueden
usarse matrices de transicin diferentes para horizontes de tiempo diferentes
( matrices diferentes para el cercano, medio y futuro lejano).
Aunque ste simplemente es un enfoque simple, tiene la ventaja de capturar la
incertidumbre sobre el futuro en un modelo que es relativamente fcil de
entender y aplicar.
Estudios sobre el modelado de la poblacin (donde nosotros tenemos objetos
con "edad") tambin son una aplicacin interesante de procesos de Markov.
Un ejemplo de esto sera el modelado el mercado del automvil como un
proceso de Markov para prever la "necesidad" de nuevos automviles cuando
los automviles viejos puedan extinguirse.
Otro ejemplo sera modelar el progreso clnico de un paciente en hospital como
un proceso de Markov y ver cmo su progreso es afectado por regmenes de
droga diferentes.

91

4.2 PROBABILIDAD DE TRANSICIONES ESTACIONARIAS DE N PASOS.

Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular
estas probabilidades de transicin de n pasos:
Estas ecuaciones simplemente sealan que al ir de un estado i al estado j en n
pasos, el proceso estar en algn estado k despus de exactamente m (menor
que n) pasos. As,
Es solo las probabilidad condicional de que, si se comienza en el estado i, el
proceso vaya al estado k despus de m pasos y despus al estado j en n- m
pasos.
Los casos especiales de m=1 y m=n-1 conducen a las expresiones
Para toda i, j, y n de lo cual resulta que las probabilidades de transicin de n
pasos se pueden obtener a partir de las probabilidades de transicin de un
paso de manera recursiva. Para n=2, estas expresiones se vuelven:
Note que las son los elementos de la matriz P (2), pero tambin debe de
observarse que estos elementos, se obtienen multiplicando la matriz de
transicin de un paso por s misma; esto es, P (2) = P * P = P2.
En trminos ms generales, se concluye que la matriz de probabilidades de
transicin de n pasos se puede obtener de la expresin: P(n) = P * P. P = Pn
= PPn1 = Pn-1 P.
Entonces, la matriz de probabilidades de transicin de n pasos se puede
obtener calculando la n-sima potencia de la matriz de transicin de un paso.
Para valores no muy grandes de n, la matriz de transicin de n pasos se puede
calcular en la forma que se acaba de describir, pero cuando n es grande, tales
clculos resultan tediosos y, ms an, los errores de redondeo pueden causar
inexactitudes.
Suponga que estudiamos una cadena de markov con matriz. P de probabilidad
de transicin conocida. Como todas las cadenas con las que trataremos son
estacionarias, no nos importara identificar nuestras cadenas de markov como
estacionarias. Una pregunta de inters es: si una cadena de markov est en el
estado i en el tiempo m, Cul es la probabilidad que n periodos despus de la
92

cadena de markov este en el estado j? como se trata de una cadena de markov

estacionaria, esta probabilidad ser independiente de m y, por tanto, podemos
escribir
Donde Se llama probabilidad en la etapa n de una transicin de estado i al
estado j.
Es claro que pn(1)=pn para determinar pn(2) ntese que si el sistema se
encuentra hoy en el estado i. entonces para que el estado termine en el estado
j dentro de 2 periodos, debemos pasar del estado i al estado k y despus pasar
del estado k al estado i (fig. 3) este modo de razonar nos permite escribir
(Probabilidad de transicin de i a k)
(Probabilidad de transicin de k a j)

El segundo miembro de la ecuacin (3) es tan solo el producto escalar del

rengln i de la matriz p por la columna j de esa matriz. Por lo tanto, pn(2) es e
ij-esimo es el n elemento de la matriz
generalizado este modo de razonar,
se puede demostrar que para n1

93

Ejemplo:
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se
puede ordenar cada semana. Sean D1, D2, las demandas de esta cmara
durante la primera, segunda,, semana, respectivamente. Se supone que las
Di son variables aleatorias independientes e idnticamente distribuidas que
tienen una distribucin de probabilidad conocida. Sea X0 el nmero de
cmaras que se tiene en el momento de iniciar el proceso, X1 el nmero de
cmaras que se tienen al final de la semana uno, X2 el nmero de cmaras al
final de la semana dos, etc. Suponga que X0 = 3. El sbado en la noche la
tienda hace un pedido que le entregan el lunes en el momento de abrir la
tienda. La tienda hace un pedido que le entregan el lunes en el momento de
abrir la tienda. La tienda usa la siguiente poltica (s, S)1 para ordenar: si el
nmero de cmaras en inventario al final de la semana es menor que s =1 (no
hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la
orden (si se cuenta con una o ms cmaras en el almacn, no se hace el
pedido). Se supone que las ventas se pierden cuando la demanda excede el
inventario. Entonces, {X1} para t = 0, 1,.. Es un proceso estocstico de la
forma que se acaba de describir. Los estados posibles del proceso son los
enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario
al final de la semana.
As, dado que tiene una cmara al final de una semana, la probabilidad de que
no haya cmaras en inventario dos semanas despus es 0.283; es decir, De
igual manera, dado que se tienen dos cmaras al final de una semana, la
probabilidad de que haya tres cmaras en el almacn dos semanas despus es
0.097; esto es,
La matriz de transicin de cuatro pasos tambin se puede obtener de la
siguiente manera:
P (4) = P4 = P (2) * P (2)

94

As, dado que queda una cmara al final de una semana, 0.282 es la
probabilidad de que no haya cmaras en inventario 4 semanas ms tarde; es
decir, De igual manera, dado que quedan dos cmaras en el almacn final de
una semana, se tiene una probabilidad de 0.171 de que haya tres cmaras en
el almacn 4 semanas despus; esto es,

4.3 ESTADO ESTABLE.

Sea P la matriz de transicin de una cadena de M estados. Existe entonces un
vector tal que
Se establece que para cualquier estado inicial i.
El vector a menudo se llama distribucin de estado estable, o tambin
distribucin de equilibrio para la cadena de Markov. Para encontrar la
distribucin de probabilidades de estacionario para una cadena dada cuya
matriz de transicin es P, segn el teorema, para n grande y para toda i, (1)
Como Pij (n + 1) = (rengln i de Pn) (columna j de P), podemos escribir (2)
Se puede decir que el estado estable es la distribucin de probabilidades que
en cierto punto quedar fija para el vector P y no presentar cambios en
periodos posteriores.

95

96

97

98

99

100

4.4 ESTADO ABSORBENTE.

Previamente hablamos de estado estable, ahora procederemos a explicar otra
clase de estado, el absorbente.
Definicin: Estado cuya nica transicin posible es volver al mismo estado. Un
estado absorbente constituye una clase final de un nico estado.
En otras palabras un estado absorbente es aquel del que no se puede salir una
vez se haya cado en l, es decir la probabilidad de permanecer en el mismo es
de 100% .Por ejemplo si expresramos la vida como una cadena de markov,
con la serie de estados: nacer, crecer, reproducirse y morir; la muerte sera
obviamente el estado absorbente ya que no existe la posibilidad alguna de
volver a un estado anterior.
EJEMPLO.

101

102

103

4.5 USO DE SOFTWARE

104

La opcin Nuevo Problema (New Problem) genera una plantilla llamada

Especificaciones del problema PMK (MKP Problem Specification) en la cual, se
introducirn las caractersticas de nuestro problema:

Ingresemos un sistema representado por 4 estados:

La plantilla vaca representa una matriz con las relaciones entre los estados
(State), sus probabilidades iniciales (Initial Prob.) y el costo de cada uno de
ellos (State Cost).

105

106

107

108

BIBLIOGRAFIA.

109

http://metodoscuantitativos.50webs.org/Apuntes/Cap%2014_Proceso
%20de%20MARKOV.pdf
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r89851.PD
F
http://www.scoop.it/t/cadena-de-markov-cuarta-unidad
http://es.scribd.com/doc/26580080/Proceso-de-Markov-Inves-OpeGabriel-Arzate-Elias
http://www.javeriana.edu.co/biblos/tesis/ingenieria/tesis161.pdf

110

INSTITUTO TECNOLGICO
DE PIEDRAS NEGRAS

INGENIERA INDUSTRIAL
INVESTIGACIN DE OPERACIONES II

UNIDAD 5 TERMINOLOGIA OPTIMIZACION DE

REDES
PROFESOR: ING. Luis Manuel Garca Pizarro
CORREO ELECTRONICO: luis7664@hotmail.com
EQUIPO #5:
Leonel Bueno
Glenda Garca
Jonathan Ponce
Rafael Quezada
Hctor Rivas
Daniel Rivas
Raimundo Lira

111

UNIDAD 5 TERMINOLOGIA OPTIMIZACION DE REDES

5.1 TERMINOLOGIA
Introduccin
La mayor parte de los modelos de optimizacin de redes son casos particulares
de modelos de programacin lineal y puden ser formalizados a partir del
modelo de flujo de costo mnimo, estos modelos se aplican en la administracin
de problemas de transporte, logstica, comunicacin y seguimiento de
proyectos de finanzas, recursos humanos o mercadeo.
En algunos problemas de optimizacin puede ser til representar el problema a
travs de una grafica, para entender los modelos de redes se utiliza una
terminologa apropiada que se muestra a continuacin, esta terminologa no
esta estandarizada ni lo estar pues un concepto se pude describir de
diferentes maneras.
GRAFICA o RED: la forman dos conjuntos; uno de puntos (llamado nodos o
vrtices) y otro de lneas (llamadas arcos) que unen ciertos pares de puntos en
una red.
La siguiente red es una construccin en la cual nodos aparecen
interconectados por arcos
B

NODO

E
A

ARCO

F
D

NODO: punto al cual se dirigen y del cual salen los arcos para conformar una
red. En la red los 7 crculos representan los 7 nodos de la red.
ARCO: lnea que une dos nodos en una red.
Los arcos se etiquetan para dar nombres a los nodos en sus puntos terminales,
por ejemplo, AB es el arco entre los nodos A y B
A
AB

B
112

La red tiene 12 lneas llamadas de diferentes formas como

arcos, ramas, aristas o ligaduras estas representan los 12 caminos existentes
en la red.
Por los arcos de una red pueden existir algn tipo un flujo que pasa por ellos;
como se muestra en la siguiente tabla:
Aplicaciones
Sistema de
comunicacin

Nodos
Puntos de
conmutacin

Arcos
Cables, canales,
fibra ptica,
radioenlaces por
microondas

Flujo
Transmisiones de
mensajes de voz,
de datos, de
video

ARCO DIRIGIDO: el flujo atraves del arco se permite nicamente en una

direccin (tal como una callede un solo sentido) y esta se indica con una
cabeza de flecha al final de la lnea que presenta el arco; estos se etiquetan
poniendo primero el nodo de donde viene y luego el nodo hacia donde va el
flujo, es decir, un arco dirigido del nodo A nodo B debe etiquetarse como AB y
no como BA. Otra forma de etiquetarse es A-)B
A
B

Al etiquetarse un arco dirigido con el nombre de los nodos que une, siempre se
coloca primero al nodo de donde viene y despus el nodo a donde va, esto es,
un arco dirigido del nodo A al nodo B debe etiquetarse como AB y no como BA.
CAPACIDAD DE ARCO: cantidad mxima de flujo que puede circular en un
arco dirigido
ARCO NO DIRIGIDO: el flujo a travs de un arco se permite en ambas
direcciones (tal como una calle de doble sentido). Se permite que el flujo ocurra
en cualquier direccin, se supone que ese flujo ser en una direccin, en la
seleccionada, y no tendr flujo simultneos en direcciones opuestas
A
B
Para destinguir entre los dos timpos de arcos con frecuencia los arcos no
dirigidos se nombran ligaduras.
RED NO DIRIGIDA
B

todos los arcos de la red son no dirigidos

E
A

C
113
D

RED DIRIGIDA

todos los arcos de la red son dirigidos

B
E
C

D
Una red no dirigida se puede convertir en una red dirigida si se desea,
cambiando cada arco no dirigido por un par de arcos dirigidos en direcciones
opuestas
A
B
TRAYECTORIA ENTRE DOS NODOS: es una sucesin o serie de arcos
distintos que conectan estos nodos. Por ejemplo, dos posibles trayectorias que
conectan a los nodos A y Gson la sucesin de arcos
B
E
A

B
E

F
D

C
F

AC-CE-EG o A-)C-)E-)G y viceversa

AD-DC-CF-FE-EG o A-)D-)C-)F-)E-)G

Cuando algunos o todos los arcos de una red son arcos dirigidos, se hace
distincin entre trayectorias dirigidas y trayectorias no dirigidas.

114

TRAYECTORIA NO DIRIGIDA DEL NODO i AL NODO j: sucesin de arcos

cuya direccin (si la tienen) puede ser hacia o desde el nodo j. alguna veces
una trayectoria no dirigida tendr algunos arcos dirigidos hacia el nodo j y
otros desde el (es decir, hacia el nodo i). Con frecuencia una trayectoria no
dirigida tendr algunos arcos dirigidos al nodo j y otros desde el (es decir,
hacia el nodo i).
TRAYECTORIA DIRIGIDA DEL NODO i AL NODO j: sucesin de arcos cuya
direccin (si la tienen) es hacia el nodo j, y el flujo del nodo i hasta el nodo j es
factible a travs de esta.
La trayectoria dirigida tambin satisface la definicin de trayectoria no dirigida,
pero el inverso no se cumple.
En la red dirigida la sucesin de arcos AB-BC-CE es una trayectoria dirigida del
nodo A al nodo E ya que el flujo hacia el nodo E a lo largo de toda esta
trayectoria es factible
G
C

E
B
CICLO: trayectoria que une a un nodo consigo mismo es decir, comienza y
termina en el mismo nodo.
En una red dirigida un ciclo puede ser dirigido o no dirigido, dependiendo di la
trayectoria en cuestin es dirigida o no dirigida, (como una trayectoria dirigida
tambin es no dirigida, un ciclo dirigido es un ciclo no dirigido, pero en general
el inverso no es cierto). por el contrario AB-BC-AC es un cilo no dirigido puesto
que la direccin del arco AC es opuesta a los de los arcos AB y BC. Por otro
lado, AB-BC-AC es un ciclo no dirigido por que A-B-C-A es una trayectoria no
dirigida.
G
A

C
E
B

115

Una red est conectada cuando es posible llegar a cualquier nodo desde
otro siguiendo la secuencia de arcos en la que no importa la direccin
Dos arcos estn conectados si la red contiene al menos una trayectoria no
dirigida entre ellos. (Ntese que no es necesaria que la trayectoria sea dirigida
aun cuando la red es dirigida).
ARBOL DE EXPANSION: subconjunto conectado de una red que comprende
todos los nodos, pero ningn ciclo

RED CONEXA: cada par de nodos esta conectado, es decir, si la red contiene
el menos una trayectoria no dirigida entre ellos. Se debe resaltar que no es
necesario que la trayectoria sea dirigida a un cuando la red sea dirigida.
Entonces las redes de las siguientes imgenes son conexas la ultima red no
seria conexa si se eliminaras los arcos AD y CE

116

Si consideramos un conjunto de cinco nodos sin arcos (A, B, C, D, E). Podremos

hacer creer un rbol agregando de uno en uno cada arco de cierta forma. El
primer arco pude ir a donde sea para conectar algn par de nodos. De ah en
adelante cada arco nuevo se debe agregar entre un nodo que ya ha sido
conectado a otros
A

D
C

D
C

B
E
B

E
A

C
A

D
C

B
E
Nodos y a un nuevo nodo conectado. Si se agregan arcos de esta manera, se
evita que se forme un ciclo y adems se asegura que numero de nodos
conexos es uno mas que el numero de arcos.
5.2 PROBLEMA DE LA RUTA MAS CORTA
El Modelo de la Ruta Ms Corta
Se trata de un modelo de red (debido a la forma de diagrama de red usado
para su representacin), donde cada arco o rama que une dos nodos
(elementos) que forman dicha red, viene caracterizado por un valor que
117

representa la distancia (costo o tiempo) desde el nodo origen hasta el nodo

destino. Si denominamos ruta o camino, a cualquier secuencia de arcos que
conecte el nodo origen con el destino, la resolucin consiste en encontrar la
ms corta posible. Usualmente los arcos no estn orientados, es decir, se
permite el trfico en ambos sentidos, salvo que se indique lo contrario (por
ejemplo en una calle de direccin.
6.3.1 Ejemplos de aplicaciones de ruta ms corta
Ejemplo 6.3-1 (Reemplazo de equipo)
RentCar est desarrollando un plan de reposicin de su flotilla de automviles
para un horizonte de planeacin de 4 aos, que comienza el 1 de enero de
2001 y termina el 31 de diciembre de 2004. Al iniciar cada ao se toma la
decisin de si un auto se debe mantener en operacin o debe sustituir. Un
automvil debe estar en servicio durante 1 ao como mnimo, y 3 aos como
mximo. La tabla siguiente muestra el costo de reposicin en funcin del ao
de adquisicin de vehculo y los aos que tiene en funcionamiento.

Costo de reposicin ($) para los aos en operacin

Equipo

adquirido al

2001

4000

5400

9800

2002

4300

6200

8700

2003

4800

7100

---

2004

4900

---

---

comenzar

El problema se puede formular como una red, en el que los nadas 1 a 5

representan el inicio de los aos 2001 a 2005. Los arcos del nodo 1 (ao 2001)
slo pueden alcanzar los nadas 2, 3 Y 4, porque un vehculo debe estar en
118

funcionamiento entre 1 y 3 aos. Los arcos desde los otros nodos se pueden
interpretar en forma parecida. La longitud de cada arco es igual al costo de
reposicin. La solucin del problema equivale a determinar la ruta ms corta
entre los nodos 1 y 5.
En la figura 6.9 se ve la red que resulta. Si se usa TORA, 1 la ruta ms corta,
que se indica con la ruta gruesa, es 1 ~ 3 ~ 5. Eso quiere decir que un
automvil adquirido al iniciar 2001 (nodo 1) se debe reemplazar pasados 2
aos, al iniciar 2003 (nodo 3). El auto de reposicin debe estar en servicio
hasta el final de 2004. El costo total de esta poltica de reposicin es $12,500
(= $5400 + $7100).

El problema de la ruta ms corta

El modelo de la ruta ms corta se refiere a una red en la cual cada arco (i,j ) tiene
asociado un nmero, el cual se interpreta como la distancia (o tal vez el costo o el
tiempo) desde el nodo i hasta el nodo j . Una ruta o camino entre dos nodos es
cualquier secuencia de arcos que los conecte. El objetivo consiste en encontrar las
rutas ms cortas (o de menor costo o ms rpidas) desde un nodo especifico
hasta cada uno de los dems nodos de la red.
Ejemplo01
La administracin de seervada park necesita encontrar la ruta ms corta desde la
entrada del parque (nodo O) hasta el mirador (nodo T) a travs del sistema de
caminos que se presenta en la figura siguiente:

Algoritmo de Dijkstra
Vamos a resolver el Ejemplo 01 para determinar la ruta ms corta desde O hasta
T.
119

Iteracin 01: procedemos a etiquetar el nodo origen y lo convertimos en

permanente, luego etiquetamos los nodos adyacentes, directamente conectados
que sern denominados nodos temporales.

Iteracion 02: de alguno de los nodos temporales elegimos aquel que tenga menor
costo total asociado y lo convertimos en permanente y actualizamos los nodos
temporales.

120

Iteracin 03:

Iteracin 04:

121

Iteracin 05:

Iteracin 06:

Al convertir permanente al ltimo nodo nos indica que hemos encontrado la

solucin ptima, es decir la ruta ms corta que sera la siguiente:

122

 La ruta con distancia mnima de O hasta T es de 13u. Lo determinamos

ahora de atrs hacia adelante, el cual se ha encontrado con 6 iteraciones.
O-A-B-D-T

5.3 PROBLEMA DEL ARBOL DE EXPANSION MINIMA

El problema de rbol tiene algunas similitudes con la versin principal de la
ruta ms corta ya que en ambas se considera una red no dirigida (se incluyen
nodos y distancias). La DIFERENCIA CRUCIAL radica en que LAS LIGADURAS
(arcos no dirigidos) YA NO SE ESPECIFICAN.
ENTONCES:
En lugar de encontrar la ruta ms corta a travs de una red
completamente definida, el problema elige las ligaduras en la red que tenga la
longitud total ms corta al mismo tiempo que proporciona una trayectoria
entre cada par de nodos.
Es necesario que la red resultante forme un rbol que conecta todos los nodos
dados.
En resumen, el problema es encontrar el rbol de expansin con la longitud
total mnima de sus ligaduras.
rbol de Expansin

123

Nodos O-A-B-C no estn conectados con nodos D

Ligaduras expandidas por toda la red (grfica conexa). D

Red de solucin factible:

Ligaduras es igual a numero de nodos menos

Aplicaciones prcticas importantes

Planeacin de redes de transporte que no se transitarn mucho

(econmica).

Redes de comunicacin.

Redes de distribucin de gran escala.

Algoritmo para el problema del rbol de mnima expansin

El problema del rbol de mnima expansin se puede resolver de una

forma bastante directa pues ocurre que se trata de uno de los pocos
problemas de la IO en el que la codicia en cada etapa del procedimiento
de solucin conduce a una solucin ptima.

124

1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta (es

decir, se pone una ligadura) al nodo ms cercano distinto de ste.

2. Se identifica el nodo no conectado ms cercano a un nodo conectado,

y se conectan estos dos nodos (es decir se agrega una ligadura entre
ellos.

3. Repetir paso 2 hasta que se hayan conectado todos los nodos.

Empates

Los empates para el nodo ms cercano distinto (paso 1) o para el nodo

no conectado ms cercano (paso 2), se pueden romper en forma
arbitraria y el algoritmo todava debe llevar a una solucin ptima.

Los empates son seal de que pueden existir, pero no necesariamente,

soluciones ptimas mltiples. Todas esas soluciones se pueden
identificar si se buscan las dems formas de romper los empates hasta
el final.

EJEMPLO

La

administracin de
Seervada Park necesita
determinar los caminos
bajo los cuales se deben tender las lneas telefnicas para conectar
todas las estaciones con una longitud total de cable mnima.

Los nodos y distancias para el problema se resumen en seguida,

en donde las lneas delgadas representan ligaduras potenciales.

125

Solucin:

En forma arbitraria se selecciona el

nodo O para comenzar. El nodo no
conectado ms cercano a O es el
nodo A.

El nodo no conectado ms cercano

a cualesquiera de los nodos O o A
es el nodo B (ms cercanos a A).
Se conecta el nodo B al nodo A.

El nodo no conectado ms cercano

a O, A o B es el nodo C (ms
cercanos a B). Se conecta el nodo
C al nodo B.

El nodo no conectado ms cercano

a O, A, B o C es el nodo E (ms
cercanos a B). Se conecta el nodo E
al nodo B.

126

El nodo no conectado ms cercano

a O, A, B, C o E es el nodo D (ms
cercanos a E). Se conecta el nodo
D al nodo E.

El nico nodo sin conectar es el

nodo T. est ms cercano al nodo
D. Se conecta el nodo T al nodo D.

Todos los nodos han quedado conectados, por lo que sta es la solucin
ptima que se buscaba.

La longitud total de las ramas es 14 millas.

Aunque con este procedimiento a primera vista puede parecer que la eleccin
del nodo inicial afectara la solucin final (y la longitud total de las ligaduras) no
es as.
Se sugiere se verifique este hecho en el ejemplo, aplicando el nuevo algoritmo,
pero iniciando en un nodo distinto de O.

5.4 PROBLEMA DEL FLUJO MXIMO

PROBLEMA QUE CONSISTE EN DETERMINAR LA MXIMA
CANTIDAD DE FLUJO QUE PUEDE SER ENVIADA A LO LARGO
DE UNA RED DIRIGIDA, DESDE UN NODO ORIGEN (DE OFERTA)
HASTA UN NODO DESTINO (DE DEMANDA) POR UNIDAD DE
TIEMPO.
ES NECESARIO:
127

 SATISFACER LAS RESTRICCIONES DE CAPACIDAD EN CADA

UNO DE LOS ARCOS.
CUMPLIR CON EL REQUERIMIENTO DE QUE, PARA CADA
NODO (QUE NO SEA NI ORIGEN NI DESTINO):

FLUJO QUE ENTRA = FLUJO QUE SALE

RED RESIDUAL
RED QUE MUESTRALAS CAPACIDADES RESTANTES
(CAPACIDADES RESIDUALES) PARA ASIGNAR FLUJOS
ADICIONALES.

EJEMPLO
LA SIGUIENTE RED MUESTRA EL NMERO DE PERSONAS QUE
PUEDEN CIRCULAR POR MINUTO (DURANTE LA HORA PICO) A
LO LARGO DE LOS DIFERENTES CAMINOS:

128

A
5

9
O

6
C

E
4

DETERMINE LA RED RESIDUAL:

129

130

EL ARCO OB TIENE CAPACIDAD 7 , SI SE ASIGNA UN FLUJO DE

5 EN ESE ARCO LA CAPACIDAD RESIDUAL ES 7-5=2 EN EL
SENTIDO OB Y UNA CAPACIDAD RESIDUAL DE 5 EN EL
SENTIDO BO ( PARA PODER CANCELAR ALGUN FLUJO YA
ASIGNADO)TRAYECTORIA AUMENTANTE
(AUGMENTING PATH)
CAMINO DESDE EL NODO DE OFERTA HASTA EL NODO DE
DEMANDA EN LA RED RESIDUAL TAL QUE CUALQUIER ARCO
EN DICHA TRAYECTORIA TIENE UNA CAPACIDAD RESIDUAL
ESTRICTAMENTE POSITIVA.
EL MNIMO DE LAS CAPACIDADES RESIDUALES DE LOS ARCOS
QUE CONFORMAN A LA TRAYECTORIA AUMENTANTE
REPRESENTA LA CANTIDAD DE FLUJO QUE PUEDE AADIRSE A
LO LARGO DE TODA LA TRAYECTORIA

EJEMPLO
EN EL EJEMPLO ANTERIOR, DETERMINE LA CAPACIDAD
RESIDUAL DE LA TRAYECTORIA AUMENTANTE O B E T
PARA EL EJEMPLO ANTERIOR. LA RED MUESTRA LAS
CAPACIDADES RESIDUALES INICIALES

3
A
0

1
131

5
7

1 4

0 9

0
O

T
4

0 1

E
4

TRAYECTORIA:
CAPACIDAD:

132

LA CANTIDAD MXIMA DE FLUJO QUE PUEDE ENVIARSE

DESDE EL ORIGEN HASTA EL DESTINO A TRAVS DE
UNA CIERTA TRAYECTORIA ES IGUAL AL MNIMO DE LAS
CAPACIDADES DE LOS ARCOS SOBRE ESA
TRAYECTORIA.

ALGORITMO

PASO 1: ENCUENTRE UNA TRAYECTORIA DESDE EL ORIGEN HASTA EL

DESTINO QUE TENGO UNA CAPACIDAD DE FLUJO POSITIVA (IGUAL
AL MNIMO DE LAS CAPACIDADES RESIDUALES EN LA DIRECCIN
DEL FLUJO). SI NO ES POSIBLE ENCONTRAR UNA TRAYECTORIA
CON TALES CARACTERSTICAS, SE HA ENCONTRADO LA SOLUCIN
PTIMA.

PASO 2: SEA Cmin LA CAPACIDAD MNIMA DE FLUJO DE TODOS LOS

ARCOS QUE ESTN EN LA TRAYECTORIA SELECCIONADA EN EL
PASO 1. INCREMENTE EL FLUJO EXISTENTE EN LA RED ENVIANDO
UN FLUJO ADICIONAL IGUAL A Cmin SOBRE ESTA TRAYECTORIA.

PASO 3: PARA TODOS LOS ARCOS SOBRE ESTA TRAYECTORIA:

133

 DISMINUYA EN Cmin SUS CAPACIDADES EN LA DIRECCIN DEL FLUJO.

INCREMENTE EN Cmin SUS CAPACIDADES EN LA DIRECCIN OPUESTA
AL FLUJO.
REGRESE AL PASO 1.

134

EJEMPLO
DETERMINE EL NMERO MXIMO DE PERSONAS QUE PUEDEN
CIRCULAR A LO LARGO DE LA RED DEL EJEMPLO ANTERIOR
MEDIANTE EL ALGORITMO DE LA TRAYECTORIA AUMENTANTE.

TRAYECTORIA:
CAPACIDAD:

3
A
0

5
7

1 4

0 9

0
O
T

B
4

0 1

E
135

TRAYECTORIA:
CAPACIDAD:

O
T

EXISTE FLUJO A TRAVS DE UN ARCO SI SU CAPACIDAD

RESIDUAL ES MENOR QUE LA CAPACIDAD ORIGINAL.
SI LA CAPACIDAD RESIDUAL EN UN ARCO ES MENOR
QUE SU CAPACIDAD INICIAL, CALCULE LA DIFERENCIA.

136

ESA DIFERENCIA ES LA CANTIDAD DE FLUJO A TRAVS

DEL ARCO.

EJEMPLO
DETERMINE EL FLUJO MXIMO PARA CADA UNO DE LOS ARCOS
DEL PROBLEMA ANTERIOR.

O
T

137

138

CORTE
UNA PARTICIN DE LOS NODOS DE UNA RED EN DOS REDES
DISJUNTAS, CO Y CD, DE TAL MANERA QUE CO INCLUYE AL
ORIGEN Y CD INCLUYE AL DESTINO.

CAPACIDAD DE UN CORTE
SUMA DE LAS CAPACIDADES (EN LA DIRECCIN CO CD) DE
TODOS LOS ARCOS EN CO CONECTADOS DIRECTAMENTE A
ALGUN NODO DE CD.

EJEMPLO
EN LA RED ANTERIOR, DETERMINE LA CAPACIDAD DEL CORTE
PARA EL CUAL CO = {O, A, B, C}.

A
5

9
139

6
C

E
4

140

TEOREMA DE MX FLUJO-MN CORTE

(MAX FLOW-MIN CUT)
PARA CUALQUIER RED CON UN SOLO ORIGEN Y UN SOLO
DESTINO, EL FLUJO FACTIBLE MXIMO QUE PUEDE CIRCULAR
DESDE EL ORIGEN HASTA EL DESTINO ES IGUAL A LA
CAPACIDAD DEL CORTE CON MENOR CAPACIDAD.

EJEMPLO
DETERMINE EL FLUJO MXIMO FACTIBLE PARA LA RED
ANTERIOR UTILIZANDO EL TEOREMA DE MX FLUJO-MN
CORTE

A
5

141

6
C

E
4

5.5 PROBLEMAS DE FLUJO DE COSTO MINIMO

Para definir un FMOCM, sea

La figura muestra las definiciones en el arco

142

Entonces el FMOCM se puede escribir como

Las restricciones estipulan que el flujo neto que sale del nodo i debe ser igual a

Las restricciones se conocen como ecuaciones de balance de flujo para la red.

Las restricciones aseguran que el flujo por cada arco satisface las restricciones
de capacidad del arco. En los ejemplos anteriores, se estableci que

Se mostrara que los problemas de transporte y flujo mximo son casos

especiales del problema de flujo de red de costo mnimo.

EJEMPLO 5.5.1
Una empresa fabrica un compuesto qumico bsico que utilizan otros
fabricantes para producir una variedad de productos para pinturas. La
empresa tiene dos rutas y ha firmado tratos con dos proveedores de materia
prima. Los contratos estipulan una entrega mnima de 500 y 750 toneladas de
materia prima por mes, por parte de los proveedores 1 y 2, a los precios de
$200 y $210 por tonelada, respectivamente. Se necesitan 1.2 toneladas de
materia prima para fabricar una tonelada del compuesto qumico bsico. Los
costos de transporte por tonelada desde fbrica de los proveedores a las dos
plantas se resumen en la siguiente tabla:
PROVEEDOR

PLANTA 1
1

PLANTA 2

$10 $12
143

13

Las capacidades de produccin y el costo por tonelada en las dos plantas se

dan a continuacin:
PLANTA
1

$25
2

CTO DE
CAPACIDAD
CAPACIDAD
PRODUCCION/ton
MINIMA (ton)
MAXIMA
(ton)
400 800
28

450

900

las demandas mensuales en las dos plantas son de 660 y 800 toneladas. Los
costos de transporte por toneladas entre las plantas y los centros de
distribucin, se dan a continuacin:

PLANTA

CTO DE TRANSPORTE/ton
D1
D2
1 3
4
2 5
2

La siguiente figura muestra la red que representa al problema. El nodo fuente

esta dado por el nodo 1. Las ramas (1,2) y (1,3) representan los dos
proveedores. Las capacidades mnimas de las ramas reflejan el envo mnimo
garantizado para cada proveedor. Como estas ramas no tienen cotas
superiores, sus capacidades se resumen como
y
. Los precios de compra por tonelada para los dos proveedores son $200
y $210, respectivamente.
Para determinar la capacidad de las plantas en el modelo, cada planta se
representa con dos nodos, que pueden verse como los puntos de entrada y
salida de la planta. Las ramas que conectan los nodos de entrada y salida
tienen las siguientes capacidades (400,800) y (450,900). Los nodos de salida
de las plantas (nodos 6 y 7) se conectan a los de distribucin (nodos 8 y 9) a
travs de las ramas de transporte (6,8), (6,9), (7,8) y (7,9). Estas ramas son
similares a las de transporte que llega a (-660) las plantas en los nodos 4 y 5.

144

(-800)

(400,800)

(450,900)

Las demandas en los nodos de distribucin 8 y 9 estn representadas por [660] y

[-800], respectivamente. En forma correspondiente, la oferta en el
nodo fuente se especifica como [F]. para que el problema d una solucin
factible, la oferta debe ser igual a la demanda total. Sin embargo, debemos
tomar en consideracin el hecho que los proveedores estn tratando con
toneladas de materia prima, en tanto que los centros de distribucin estn
tratando con toneladas del compuesto qumico. Una discrepancia puede
arreglar usando un factor de 1.2 para convertir la materia prima en compuesto
qumico equivalente.
Por ejemplo, las capacidades de las ramas (1,2) y (1,3) deben reemplazarse por

(500/1.2,

y (750/1.2,

. En este caso los costos unitarios de compra de los

dos proveedores deben

ponerse a una escala de los nodos 2 y 3 hacia los nodos 4 y 5. Con esta
conversin podemos especificar la cantidad de oferta en el nodo fuente 1
como 660+800=1460 ton (de compuesto qumico).
La solucin de la red de la figura anterior debera dar la asignacin ptima de
la oferta de las dos plantas, as como la asignacin de la produccin de cada
planta a los dos centros de distribucin. El objetivo es minimizar el costo neto
de la operacin total.
En realidad, el ejemplo en la figura es una generalizacin del problema de
transbordo. La diferencia principal es que puede modificarse la capacidad de
las ramas. Adems, los nodos de transbordo tambin pueden tener flujos
externos. Por ejemplo, en la figura, los flujos externos en los nodos 6 y 7 se
pueden utilizar para representar ventas locales del compuesto qumico.

145

5.6 USO DE SOFTWARE METODO DE LA RUTA MAS CORTA

(winQSB)
Una empresa desea saber cuntos metros de cable utilizara para conectar en
red 12 computadoras.

1- Dar clic en archivo y nuevo problema

2- Seleccionar el tipo de problema, en este caso dar clic en la opcin la ruta

ms corta.

146

3- Dar clic en el criterio objetivo, en nuestro caso seleccionamos la opcin

minimizacin.

4- En formato de enterada de datos dar clic en formulario del modelo grafico.

5- Introducir el nombre del problema y el nmero de nodos

6- Cambiamos los nodos, y editamos los nombres y su localizacin.

147

7- Para el nodo 1, editamos su nombre a 1 y su localizacin 3.2, el nodo 2,

con localizacin 1.4

8- Ahora procedemos a crear los arcos, adems clic en el extremo del nodo o
receptor y lo arrastramos hacia el nodo emisor.

9- Introducimos el coeficiente M, que en este caso ese valor en metros que se

necesita para conectar 2 computadoras en red (nodo 1 al nodo 2).
148

10- Ya terminada nuestra red procedemos a dar clic en el men resolver y

analizar.

11- Obteniendo iteracin 1

149

Iteracin 2

Iteracin 3

12- As hasta llegar a la iteracin 11

150

13- Se muestran los nodos de inicio y finalizacin con su respectiva cantidad de

cable a utilizar (en metros).

14-Para mantener en red 12 computadoras la empresa tendr que utilizar 9

metros de cable.

15-En las ultimas 11 filas se presentan los metros necesarios que se emplearan
al conectarla red desde la maquina 1 a las diferentes computadoras.

151

152