Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2
1.1 Qu es la Investigacin de Operaciones.......................................................................... 3
1.2 I.O como apoyo a la toma de decisiones......................................................................... 5
1.3 Problemas tipo en Investigacin Operativa..................................................................... 7
2. OPTIMIZACIN ............................................................................................................... 9
2.1 Introduccin .................................................................................................................... 9
2.2 Convexidad ................................................................................................................... 13
2.3 Optimos Locales y Globales ......................................................................................... 16
2.4 Condiciones de KuhnTucker....................................................................................... 18
2.5 Relajaciones .................................................................................................................. 20
2.6 Dualidad ........................................................................................................................ 30
2.7 Programacion Lineal ................................................................................................... 34
3. GRAFOS ........................................................................................................................... 55
3.1 Introduccin .................................................................................................................. 55
3.2 Definiciones Basicas ..................................................................................................... 57
3.3 Conexidad. Clausura Transitiva. ................................................................................... 65
3.4 Multiplicacin Latina - Camino Hamiltoniano ............................................................. 72
8. SIMULACIN................................................................................................................. 146
8.1 Introduccin ................................................................................................................ 146
8.2 Modelos....................................................................................................................... 147
8.3 Simulacin de sistemas ............................................................................................... 148
8.4 Etapas en el proceso de Simulacin de Sistemas ........................................................ 149
8.5 Clasificacin de tipos de simulacin........................................................................... 151
8.6 Generacin de nmeros aleatorios .............................................................................. 153
8.7 Generacin de variables aleatorias.............................................................................. 158
8.8 Mtodo Montecarlo..................................................................................................... 161
Introduccin a la Investigacin de Operaciones
1. INTRODUCCION
El objetivo del curso es que el estudiante aprenda a reconocer los problemas
tipo de la Investigacin de Operaciones de modo que sepa a qu tcnico recurrir en
cada caso, para un adecuado estudio y solucin del mismo.
Como su nombre lo indica, la Investigacin de Operaciones (IO), o
Investigacin Operativa, es la investigacin de las operaciones a realizar para el logro
ptimo de los objetivos de un sistema o la mejora del mismo. Esta disciplina brinda y
utiliza la metodologa cientfica en la bsqueda de soluciones ptimas, como apoyo
en los procesos de decisin, en cuanto a lo que se refiere a la toma de decisiones
ptimas y en sistemas que se originan en la vida real.
Antecedentes histricos
El trmino IO se utiliza por primera vez en el ao 1939 durante la 2da Guerra
Mundial, especficamente cuando surge la necesidad de investigar las operaciones
tcticas y estratgicas de la defensa area, ante la incorporacin de un nuevo radar, en
oportunidad de los ataques alemanes a Gran Bretaa. El avance acelerado de la
tecnologa militar hace que los ejecutivos y administradores militares britnicos deban
recurrir a los cientficos, en pos de apoyo y orientacin en la planificacin de su
defensa. El xito de un pequeo grupo de cientficos que trabajaron en conjunto con el
ejecutivo militar a cargo de las operaciones en la lnea, deriv en una mayor
demanda de sus servicios y la extensin del uso de la metodologa a USA, Canad y
Francia entre otros.
Sin embargo, el origen de la Investigacin Operativa puede considerarse como
anterior a la Revolucin Industrial, aunque fue durante este perodo que comienzan a
originarse los problemas tipo que la Investigacin Operativa trata de resolver. A
partir de la Revolucin Industrial y a travs de los aos se origina una segmentacin
funcional y geogrfica de la administracin, lo que da origen a la funcin ejecutiva o
de integracin de la administracin para servir a los intereses del sistema como un
todo.
La Investigacin Operativa tarda en desarrollarse en el campo de la
administracin industrial. El uso de la metodologa cientfica en la industria se
incorpora al principiar los aos 50, a partir de la 2da Revolucin Industrial, propiciada
por los avances de las Comunicaciones, y la Computacin, que sientan las bases para
la automatizacin, y por sobre todo por el florecimiento y bienestar econmico de ese
perodo.
Los primeros desarrollos de esta disciplina (IO) se refirieron a problemas de
ordenamiento de tareas, reparto de cargas de trabajo, planificacin y asignacin
de recursos en el mbito militar en sus inicios, diversificndose luego, y
extendindose finalmente a organizaciones industriales, acadmicas y
gubernamentales.
2
Introduccin a la Investigacin de Operaciones
3
Introduccin a la Investigacin de Operaciones
Los pasos a seguir en la aplicacin del mtodo cientfico (coincidentes con los de la
Teora General de Sistemas) son, en su expresin mas simple:
Observar que el problema es UNO SOLO, sin embargo existen maneras distintas de
observar un mismo problema, dependiendo de los objetivos que se planteen para
resolverlo.
Funcin Objetivo
Maximizar la cantidad de bienes (servicios) producidos
Produccin y minimizar el costo unitario de la produccin.
Maximizar la cantidad vendida y minimizar el
Comercializacin costo unitario de las ventas.
Minimizar el capital requerido para mantener
Finanzas cierto nivel del negocio.
Personal Mantener la moral y la alta productividad entre los empleados.
4
Introduccin a la Investigacin de Operaciones
Los modelos de IO se pueden representar con ecuaciones las que, aunque puedan
resultar complejas, tienen una estructura muy sencilla:
U = f (xi, yj)
segn
restricciones
5
Introduccin a la Investigacin de Operaciones
Para ciertos tipos de funciones, como ser relaciones algebraicas elementales, si las
restricciones no son demasiado numerosas, existen mtodos analticos que resuelven
el problema ejemplo que hemos modelado como un problema de programacin
matemtica lineal. Para problemas con gran nmero de restricciones, llamados de
gran tamao, se han desarrollado tcnicas que los resuelven, la mayor de las veces en
forma aproximada.
6
Introduccin a la Investigacin de Operaciones
cont := 0;
Para n:= 1, N
sortear G
Si G conexo: con := cont + 1
fin para
Conf (G) = cont / N.
7
Introduccin a la Investigacin de Operaciones
Gestin de proyectos
El conjunto de tareas de un proyecto se modelan mediante un grafo, sobre el
que se determinan cules son los tiempos y las tareas crticas ("cuellos de botellas")
del proyecto. Tcnicas usadas: CPM-PERT, mtodo del Camino Crtico.
8
Introduccin a la Investigacin de Operaciones
2. OPTIMIZACIN
2.1 Introduccin
9
Introduccin a la Investigacin de Operaciones
10
Introduccin a la Investigacin de Operaciones
programacin dinmica optimiza una etapa por vez a fin de producir un conjunto de
decisiones ptimas para todo el proceso.
Una variada gama de problemas tales como inversin de capital, confiabilidad de
mquinas, y anlisis de redes se pueden ver como sistemas seriales multietapa; de
modo que la programacin dinmica tiene una amplia aplicabilidad.
En la formulacin de muchos problemas de optimizacin no se puede hacer la
hiptesis de linealidad que caracteriza a la programacin lineal. No existen
procedimientos generales para problemas no lineales. Se han desarrollado un gran
nmero de algoritmos especiales para tratar casos particulares. Muchos de esos
procedimientos se basan en la teora matemtica relacionada con el anlisis de la
estructura de tales problemas. Esta teora se llama generalmente optimizacin clsica.
Una de las principales contribuciones modernas a esta teora fue hecha por
Kuhn y Tucker quienes desarrollaron lo que se conoce como las condiciones de
Kuhn Tucker.
La coleccin de tcnicas desarrolladas por esta teora se llama programacin no
lineal. Pese a que muchos problemas de programacin no lineal son muy difciles de
resolver, hay cierto nmero de problemas prcticos que pueden ser formulados de
manera no lineal y resueltos por los mtodos existentes. Esto incluye el diseo de
entidades tales como transformadores elctricos, procesos qumicos, condensadores
de vapor y filtros digitales.
11
Introduccin a la Investigacin de Operaciones
(1.1)
Maximizar: f (x1,x2)
sujeto a: h1 (x1,x2) 0 (1.2)
x1 0 (1.3)
x2 0 (1.4)
Este es un problema tpico en la teora de optimizacin: la maximizacin
(o minimizacin) de una funcin real de variables reales (a veces una sola variable)
sujeta a un nmero de restricciones (a veces este nmero es cero).
La funcin f se llama funcin objetivo, x1 y x2 se llaman variables independientes
o variables decisionales. El problema es encontrar valores reales para x1 y x2, que
satisfagan las restricciones (1.2), (1.3) y (1.4), los cuales introducidos en (1.1) hagan
que f (x1,x2) tome un valor no menor que para cualquier otro par x1,x2.
En la figura siguiente se muestran tres contornos de la funcin objetivo.
x2 f (x1,x2) = 0.25
(0,1)
f (x1,x2) = 0.50
S
h1 (x1,x2) = 0
f (x1,x2) = 1.00
x1
(1,0)
La funcin objetivo tiene el mismo valor en todos los puntos de cada lnea, de
modo que los contornos pueden asimilarse a las isobaras (o isotermas) de un mapa
climtico.
No es difcil ver que la solucin del problema es:
X = ( x 1 , x 2 ) = ( 1, 0 )
12
Introduccin a la Investigacin de Operaciones
f ( X ) f ( X ), X S (1.5)
Cuando una solucin X S satisface (1.5) se llama solucin ptima, y en este caso
solucin mxima (tambin solucin optimal o maximal). Si el smbolo en (1.5) fuera
, X sera una solucin mnima. Adems, f ( X ) se llama valor ptimo, y no debe
ser confundido con solucin ptima.
En la figura se observa que se podran obtener valores mayores de f eligiendo
ciertos x1, x2 fuera de S.
Cualquier par ordenado de nmeros reales se llama solucin del problema y el
valor correspondiente de f se llama valor de la solucin. Una solucin X tal que X S
se llama solucin factible, en tanto que S = {(x1,x2) : h (x1,x2) 0, x1 0, x2 0},
que generalmente es una regin conexa, se llama regin factible.
2.2 Convexidad
Se revn a continuacin las propiedades ms importantes de los conjuntos convexos y
de las funciones convexas, tales conjuntos y funciones juegan un rol muy importante
en la optimizacin por dos motivos:
Cuando se tienen funciones y conjuntos convexos se puede identificar con
seguridad los llamados ptimos globales.
Muchas operaciones y transformaciones conservan la convexidad, por lo que se
puede construir funciones y conjuntos convexos ms complicados a partir de los ms
sencillos.
Definicin: Combinacin Convexa.
Dados (x,y) n, una combinacin convexa de ellos es cualquier punto de la forma:
z = x + (1) y
con | 0 1.
Notas:
Si 0 y 1, se dice que z es una combinacin convexa estricta (o propia).
La interpretacin geomtrica es que z es un punto del segmento de recta
determinado por (x,y).
Definicin: Conjunto Convexo.
S n es un conjunto convexo si
[x + (1 ) y] S
(x,y) S, : 0 1
13
Introduccin a la Investigacin de Operaciones
Es decir que S es un conjunto convexo si contiene a todos los segmentos de recta que
se pueden formar con los puntos que le pertenecen.
Definicin: Funcin Convexa (en un conjunto convexo).
Sea S n, un conjunto convexo.
La funcin f: S es convexa en S si:
f [x + (1) y] f (x) + (1) f (y)
(x,y) S, : 0 1
Si S = n, se dice que f es convexa.
f
f(x) +(1) f(y)
f(x)
f [ x + (1) y ]
f(y)
x y x
14
Introduccin a la Investigacin de Operaciones
n
f ( x) = f i ( x ) es una funcin convexa en I = {x n | xi Ii}
i =1
f (1 x1 + 2 x 2 ) = f ( 1 x1 + (1 1 ) x2 ) 1 f ( x1 ) + (1 1 ) f ( x2 )
1 + 2 = 1 f es convexa en
15
Introduccin a la Investigacin de Operaciones
Paso Inductivo:
k k
(Hiptesis) f( i xi ) i f ( xi ) , k m 1
i =1 i =1
m m
(Tesis) f( i xi ) i f ( xi )
i =1 i =1
Demostracin:
m m 1 m 1
i xi
f( i xi ) = f ( m x m + i xi ) = f m xm + (1 m ) =
i =1 i =1 i =1 (1 m )
m 1
i xi
= f ( m x m + (1 m ) y ) m f ( xm ) + (1 m ) f ( y ) = m f ( x m ) + (1 m ) )
i =1 (1 m )
f convexa en C
m 1
i m
m f ( x m ) + (1 m ) f ( xi ) = i f ( xi )
i =1 (1 m ) i =1
H.I.
Min f ( x)
(G ) sujeto a :
xF
16
Introduccin a la Investigacin de Operaciones
f ( x + d ) < f ( x ) (0,0)
en el caso de ascenso: ( f ( x + d ) > f ( x ) ]
Observacin: Sea f una funcin diferenciable en x F . Si f ( x ) d < 0 , entonces d es
una direccin de descenso en x .
17
Introduccin a la Investigacin de Operaciones
Finalmente, para que la partcula est en reposo se exige balance de las fuerzas:
m
f ( x ) + ( i gi ( x )) = 0
i =1
18
Introduccin a la Investigacin de Operaciones
Las condiciones de Kuhn Tucker son necesarias para que un punto x interior a X,
sea ptimo local, salvo que ocurran casos excepcionales, por ejemplo: gi ( x ) = 0 , o
que f ( x ) no pueda ser balanceado por las fuerzas reactivas, como ocurre en la
figura siguiente:
g (x) = 0
g (x) = 0 1
2
g (x) g (x)
1 2
f(x)
ii i gi ( x ) = 0 , i = 1, ,m
iii 0
iv f ( x ) + i gi ( x ) = 0
19
Introduccin a la Investigacin de Operaciones
ii f ( x ) x = 0
iii f ( x ) 0
2.5 Relajaciones
Cuando se enfrenta un problema difcil de optimizacin, es posible reformularlo de un
modo ms fcil por medio de una relajacin; sta nueva versin se llama problema
relajado
20
Introduccin a la Investigacin de Operaciones
f
f
L
FL
F
Teorema 1:
Sea (GL) una relajacin de (G),
x L y x soluciones optimales de (GL) y (G) respectivamente
x F.
En tales condiciones se cumple:
fL( x L ) f ( x ) f ( x L ).
Prueba:
fL( x L ) fL ( x ) por ser x L solucin optimal de (GL).
fL ( x ) f ( x ) por la definicin de relajacin.
f ( x ) f ( x L ) por ser x solucin optimal de (G).
Observacin: En el teorema anterior se supone que existe por lo menos un valor de
xF en el cual la funcin f alcanza un mnimo. Para formular el teorema de un modo
ms general debera decir inf{f(x):xF} en vez de f( x ), y eventualmente lo mismo
para fL( x L ). De esa manera se pierde, lamentablemente, algo de claridad.
Supondremos, por lo tanto, a partir de ahora, que siempre existe un valor xF que es
solucin optimal de (G).
Corolario 1.1:
Sean (GL) una relajacin de (G), y x L una solucin optimal de (GL) que cumple las
siguientes condiciones:
i x L F,
ii fL( x L ) = f ( x L )
En tales condiciones se cumple que x L es tambin solucin optimal de (G).
Prueba:
Para que x L sea solucin optimal de (G) debe, primero, ser una solucin factible, lo
cual es cierto por i. Para demostrar que brinda un valor de f menor o igual que el de
cualquier otra solucin factible; sea x una solucin factible cualquiera de (G).
21
Introduccin a la Investigacin de Operaciones
( M ) sujeto a :
x X
22
Introduccin a la Investigacin de Operaciones
m
Si 0, es decir: i 0, i, se cumple que i gi ( x ) 0 , por lo tanto,
i =1
m
f ( x) = f ( x) + i gi ( x ) f ( x ) . En consecuencia: M es una relajacin de M
i =1
23
Introduccin a la Investigacin de Operaciones
Min f ( x) =
n
j =1
()
x 2j
2
sujeto a :
( P) n
ajxj b
j =1
x j 0, j = 1,..., n
( P ) sujeto a :
x j 0, j = 1,..., n
f , j
Se tiene que ( x j ) = x j a j
x j
f , j
( x j ) > 0; si x j > a j
x j
f , j
Luego ( x j ) < 0; si x j < a j
x j
f , j
( x j ) = 0; si x j = a j
x j
24
Introduccin a la Investigacin de Operaciones
Para resolver el problema (P) se trata de encontrar los valores de que satisfacen las
condiciones i al iii del Teorema 4.
La condicin ii (condicin de complementariedad) establece que:
= 0, o bien :
(b a j x j ( ) ) = 0 , es decir que:
a j x j ( ) = b
Si b = a j x j ( ) = a j a j b= a 2j .
n
Por lo tanto = = b a k2 .
k =1
Con este valor de es vlido que 0, lo cual equivale a iii; y es vlido que
a j x j ( ) = b , que equivale a i y ii. Por lo tanto satisface el Teorema 4, es decir que
x j = x j ( ) = a jb a k2 es una solucin ptima de (P). El valor optimal es:
f ( x) = 1
2
a 2j b 2 ( a k2 ) 2 = 21 b 2 a k2 ( a k2 ) 2 = 21 b 2 a k2
sujeto a :
( KP) n
bj x j b
j =1
0 xj 1
25
Introduccin a la Investigacin de Operaciones
( KP ) sujeto a :
0 xj 1
Min x j ( a j + b j ) x j
( KP , j ) sujeto a :
0 xj 1
sujeto a :
( KP) n
bj x j b
j =1
0 xj 1
26
Introduccin a la Investigacin de Operaciones
Sea xk la variable que violara la restriccin si le fuera asignado el valor 1. Para esta
variable se elige un valor menor que 1 y de modo que la restriccin se satisfaga
exactamente.
sujeto a
( P) n n
bi xi + ai p j x j b0
i =1 j =1
xi > 0 i = 1..n
Sabiendo que pi > 0, ai > 0, bi > 0 i = 1..n y b0 > 0
n n
bi xi + ai p j x j = b1 x1 + a1 p1 x1 + a1 p2 x2 + ... + a1 pn xn + ... + bn x n + an p1 x1 + a n p 2 x2 + ... + a n p n xn =
i =1 j =1
n n
bi xi + pi xi A = (bi + A pi )xi
i =1 i =1
n
Siendo A= aj .
j =1
n
min a i x i2
i =1
sujeto a
( P) n
b0 (bi + A p i )x i 0
i =1
x i > 0 i = 1..n
n
min ai xi2 (bi + A pi )xi + b0
i =1
( P ) sujeto a
xi > 0 i = 1..n
27
Introduccin a la Investigacin de Operaciones
min a j x 2j (b j + A p j )x j
( P , j ) sujeto a
x j > 0 j = 1..n
Como a j > 0, la funcin objetivo es convexa. Entonces, encontramos el ptimo
derivando:
(b j + A p j )
2a j x j (b j + A p j ) = 0 x j ( ) =
2a j
n
b0 (bi + A pi )xi ( ) =0
i =1
Entonces
(bi + A pi ) (bi + A pi ) = b0
n n
(bi + A pi )xi = b0 =
b0
i =1 i =1 2a i n
(bi + A pi )2
i =1 2ai
b0 (b j + A p j ) b0 (b j + A p j )
xj = =
2a j
n
(bi + A pi ) 2
aj
n
(bi + A pi )2
i =1 2a i i =1 ai
28
Introduccin a la Investigacin de Operaciones
m
f L ( x ) = f ( x ) + i gi ( x ) = f ( x ) pues gi( x ) = 0, i.
i =1
Teorema 6:
Sean f y gi funciones convexas y diferenciables. Si x X y m, satisfacen:
i g( x ) 0.
ii igi( x ) = 0.
iii 0.
m
iv f ( x ) + i gi ( x ) = 0
i =1
La mayora de los teoremas de esta seccin suponen que x L F , o sea que la solucin
optimal del problema relajado pertence a la regin factible del problema original. Si
x L F se puede, a partir de x L , encontrar un punto x L F que no es mucho ms caro,
lo cual se deduce del siguiente teorema:
Teorema 7:
Sean
(GL) una relajacin de (G).
xL y x soluciones optimales de (GL) y (G) respectivamente.
xL una solucin no necesariamente optimal de (GL), que cumple x L F.
En estas condiciones se cumple: f L ( x L ) f ( x ) f ( x L ) .
Prueba:
f L ( x L ) f ( x ) , por el Teorema 1.
29
Introduccin a la Investigacin de Operaciones
2.6 Dualidad
En el captulo anterior se resolvieron problemas de optimizacin determinando
(analticamente) los multiplicadores de Lagrange. Esto rara vez se puede hacer en la
prctica, y en su lugar lo usual es determinar los multiplicadores de Lagrange
resolviendo un nuevo problema de optimizacin, llamado Problema Dual el cual
consiste en buscar la relajacin ms fuerte posible, o sea, una relajacin cuyo valor
optimal est tan prximo como sea posible del valor ptimo del problema original.
30
Introduccin a la Investigacin de Operaciones
caso, ya que se construyen a partir de que () p para los valores de que dan
relajaciones.
Sea d el valor optimal de (D). p y d son entoces los valores optimales primal y dual
respectivamente.
Observacin: d p
Prueba:
(P) es una relajacin de (P), por lo tanto () p, 0
Pero entoces: d = Max {() : 0} p
Ejemplo 4:
n
Min x x 2j 2
j =1
sujeto a :
( P) n
ajxj b
j =1
xj 0
con aj y b positivos.
Se plantea el problema relajado lagrangeano, tal como se hizo en el captulo de
relajaciones:
n
Min x ( x 2j / 2 a j x j ) + b
j =1
( P ) sujeto a :
xj 0
31
Introduccin a la Investigacin de Operaciones
Max ( ) = 12 ( a 2j )2 + b
( D) sujeto a :
0
Teorema 9:
Si x y son soluciones factibles de (P) y (D) respectivamente, entonces cumplen:
( ) f ( x )
Prueba:
( ) d p f ( x )
Corolario 9.1:
Sean x y soluciones factibles de (P) y (D) respectivamente, que cumplen:
( ) = f ( x ) .
32
Introduccin a la Investigacin de Operaciones
33
Introduccin a la Investigacin de Operaciones
Prueba:
x( ) es solucin ptima nica de ( P ) entonces, por el Teorema 10
( ) = g ( x ( )) T (*)
Como es solucin ptima de (D), y () es diferenciable, se cumple que:
a) ( ) = 0 b) ( ) 0
Introduciendo (*) en a y b se obtienen i y ii.
Los puntos i y ii del Teorema 11 coinciden con los i y ii del Teorema 4. La condicin
iii ( 0) se cumple automticamente. Del Teorema 4 y del Corolario 9.1 se deduce
el teorema siguiente.
Teorema 12:
Si X es cerrado y acotado, es solucin ptima de (D), y ( P ) tiene un ptimo nico
x ( ) . Entonces x ( ) es solucin ptima de (P).
Solamente algunos problemas muy especiales pueden ser resueltos con la tcnica del
captulo Relajaciones, que consiste en resolver analticamente el problema relajado
para valores fijos de los parmetros lagrangeanos, y posteriormente determinar dichos
parmetros de modo que se cumplan las condiciones del Teorema 4.
Con la ayuda del problema dual se obtiene una tcnica general para determinar los
valores ptimos de los parmetros de Lagrange, a partir de los cuales se puede
calcular las soluciones ptimas del problema primal, de forma que el duality gap
sea nulo (=0).
2.7.1 Generalidades
En los problemas de programacin lineal (PL) se tiene una funcin objetivo lineal y
restricciones lineales. En general se exige tambin la positividad de las variables. Un
problema general de PL se puede escribir en la forma siguiente:
34
Introduccin a la Investigacin de Operaciones
n
Min z = cjxj
j =1
sujeto a :
n
aij x j = bi , i = 1,..., k
j =1
n
aij x j bi , i = k + 1,..., m
j =1
x j 0, j = 1,..., l
sujeto a :
( PLc ) n
a j x j bi , i = 1,..., m
j =1
x j 0, j = 1,..., n
35
Introduccin a la Investigacin de Operaciones
Min z = c T x
sujeto a :
( PLc )
Ax b
x0
Max b T u
sujeto a :
( PDc )
AT u c
u0
Prueba:
Antes de hallar el dual se reescribe el problema primal en la forma utilizada para la
definicin de dualidad:
Min c T x
sujeto a :
( PLc )
b Ax 0
x0
Se decide no relajar las exigencias de positividad (x 0). La funcin objetivo del dual
es () = Minx {cTx + T(bAx)x 0} = Minx {(cT TA)x + Tbx 0}, que
equivale a:
n
( ) = Min x (c T T A) j x j + T b x j 0, j =
j =1
T b, si (c T T A) j 0, j
, si j tal que (c T T A) j < 0
36
Introduccin a la Investigacin de Operaciones
Max T b
sujeto a :
( PDc )
c T T A 0
0
37
Introduccin a la Investigacin de Operaciones
Teorema 15:
Min c1T x1 + c 2T x 2
sujeto a :
A11 x1 + A12 x 2 = b1
El problema general de PL:
A21 x1 + A22 x 2 b2
x1 libre,
x2 0
condicin de positividad:
n
aij x j + y = bi
j =1
y0
As, con la ayuda de variables de hogura, se llevan a la forma standard los problemas
expresados en forma cannica.
38
Introduccin a la Investigacin de Operaciones
Min c T x Min c T x
sujeto a : sujeto a :
El problema ( PLc ) es equivalente a ( P)
Ax b Ax y = b
x0 x, y 0
b) de restricciones de igualdad a restricciones de desigualdad
El sistema de ecuaciones Ax = b puede ser fcilmente transformado en dos
desigualdades:
Ax b Ax b
o bien:
Ax b Ax b
a
xk =0 x| Ax =b
39
Introduccin a la Investigacin de Operaciones
En la solucin bsica xN = 0 y z = z .
c NT = c TN c TB AB1 AN
se llama costo reducido. El costo reducido indica como vara la
funcin objetivo al variar xN, dos trminos componen el costo reducido: c TN indica la
40
Introduccin a la Investigacin de Operaciones
( PL s ) sujeto a :
x B = b AN x N
x B , x N 0.
La solucin bsica correspondiente es ( x B , x N ) = ( b , 0) . Supngase que dicha solucin
bsica es factible, es decir: b 0 .
Si alguna componente de c N , por ejemplo c j , es negativa, se obtendr un valor mejor
de la funcin objetivo incrementando xj desde su valor nulo actual.
Si slo aumenta xj, el incremento en xB se calcula como x B = b a jx j donde a j es la
columna correspondiente a xj en AN . Esta solucin es factible si xB 0, a
continuacin se estudian las condiciones que deben cumplirse para asegurar la
factibilidad.
La ecuacin x B = b a jx j expresada por componentes queda: ( x B )i = bi a ijx j ..
Si a ij 0 , entonces (xB)i no decrece al aumentar xj. En consecuencia el cumplimiento
de la restriccin (xB)i 0 no est condicionado por la variacin de xj.
Si a ij > 0 , entonces (xB)i disminuye al aumentar xj, y se hace cero cuando x j = b j a ij
En consecuencia, la solucin es factible si las variaciones de xj cumplen que:
Cuando x j = Min i {bi aij | aij > 0}, una de las variables bsicas se hace cero (la o las
variables bsicas para las cuales se obtiene el mnimo), lo cual equivale a haberse
desplazado hacia un vrtice adyacente al de partida en la representacin geomtrica
del problema (p. ej. el punto b de la figura).
Es adecuado entonces realizar un cambio de sistema de coordenadas en el hiperplano
{x | Ax = b}, xj es ahora mayor que cero y se convierte en variable bsica, al tiempo
que la variable bsica que tom el valor cero se hace no bsica.
Esta es la esencia del funcionamiento del mtodo simplex, que fuera desarrollado por
G.B. Dantzig a fines de los 40. El mtodo se basa en que una solucin factible dada
puede ser mejorada si alguna componente de c N es negativa. El siguiente teorema
indica lo que sucede cuando c N 0 .
41
Introduccin a la Investigacin de Operaciones
Teorema 16
Si en el problema (PLs) se cumple que b 0 y adems c N 0 , entonces la solucin
bsica correspondiente es ptima.
Prueba:
Se demostrar a travs de relajaciones, utilizando el Corolario 1.1.
El problema (PLs) es el mismo que ( PLs ) aunque expresado en forma distinta.
Se obtiene una relajacin de ( PLs ) ignorando la restriccin x B = b AN x N , el problema
relajado es:
Min z = z + c NT x N = z + cjxj
x j x N
( PL sr ) sujeto a :
xB , xN 0
42
Introduccin a la Investigacin de Operaciones
Max 2 x1 + 3x 2
sujeto a :
x1 + x 2 2
x1 + 2 x 2 3
x1 , x 2 0
x2
2
4
1
3
1 2
1 2 3 x1
La regin factible es el contorno delimitado por los vrtices (1), (2), (3) y (4). Las
lneas punteadas son la curvas de nivel de la funcin objetivo. La solucin ptima se
encuentra en el vrtice (3). Se hallar dicha solucin por el mtodo simplex.
Se introducen en primer lugar las variables de holgura x 3 y x 4 para llevar el problema
a la forma standard. Tambin se cambia el signo a la funcin objetivo para obtener un
problema de minimizacin:
Min 2 x1 3x2
sujeto a :
x1 + x2 + x3 = 2
x1 + 2 x 2 + x4 = 3
xi 0, i = 1, ,4
O en forma matricial:
Min (2,3,0,0) x
sujeto a :
1 1 1 0 2
x=
1 2 0 1 3
x 0 x 4
43
Introduccin a la Investigacin de Operaciones
Ntese que las variables de holgura x 3 y x 4 son variables bsicas adecuadas: estn
expresas en funcin de las otras variables, y estn eliminadas de la funcin objetivo.
x3 = 2 x1 x 2
x 4 = 3 x1 2 x2
44
Introduccin a la Investigacin de Operaciones
1
3
1 2
1 2
Introduciendo las variables de holgura x3 y x4, y cambiando el signo de la funcin
objetivo, el problema adquiere la siguiente forma:
Min x1 x 2
sujeto a :
x1 x2 + x3 = 1
x1 + x2 + x 4 = 1
xj 0
45
Introduccin a la Investigacin de Operaciones
x1 x2 x3 x4 b
1 1 1 0 1
0 0 1 1 2
0 2 1 0 1
La solucin bsica correspondiente es x1 = 1, x2 = 0, x3 = 0, x4 = 2, que es el punto 2
de la figura.
En este caso slo x2 tiene costo reducido negativo y en consecuencia es la nica
candidata a ser variable bsica. La variable saliente se halla a partir de
{ }
Min bi ai 2 ai 2 > 0 = Min{ ,} = , es decir que ninguna variable bsica limita el
crecimiento de x2 por lo que se tiene un valor ptimo no acotado. Se observa en la
figura que eligiendo la arista [2, ) se puede obtener valores arbitrariamente altos de
la funcin objetivo.
A modo de resumen de los dos ltimos captulos se presenta el siguiente diagrama de
flujo del mtodo simplex:
Dado un tableau reducido con solucin bsica factible
NO
Hay variable x con c j < 0 FIN: solucin bsica optimal
j
SI
x entra en la base
j
SI
46
Introduccin a la Investigacin de Operaciones
Hasta ahora se han discutido dos criterios de parada del mtodo simplex:
Si c 0 se ha alcanzado una solucin ptima.
Si para todo c j < 0 ocurre que aij 0, i se puede afirmar que no hay valor
optimal acotado (ni solucin ptima.
La pregunta es: debe darse, necesariamente, alguno de estos dos casos?
Sea xj (con c j < 0 ) una variable no bsica, que ha sido seleccionada para ingresar a la
nueva base. Se introducir xj en sustitucin de aquella variable bsica xi para la cual
{
se alcanza el Min b j aij aij > 0 . }
Cuando dicho mnimo se alcanza para dos o ms variables bsicas simultneamente,
se dice estar ante un caso de degeneracin.
Ya sea que haya o no degeneracin, el incremento en la variable xj es
{ }
x j = Min bi a ij a ij > 0 0 , y la funcin objetivo decrece z = c j x j 0 . Una
variable bsica decrece hasta hacerse nula, y si hay degeneracin una o ms variables
bsicas continan sindolo, pero con valor cero.
Si hay degeneracin, en alguna iteracin podra ocurrir que
{ }
x j = Min bi a ij a ij > 0 = 0 y por lo tanto: z = 0 , es decir que el valor de la funcin
objetivo no cambiara al cambiar de base. En estas condiciones no se puede asegurar
que el mtodo no retornar a un vrtice ya analizado. Si esto ltimo ocurriera (el
retorno a una solucin ya analizada) se estara ante la presencia de un fenmeno
llamado cycling, que obstruye la terminacin del mtodo en tiempo finito.
Existen estrategias anticycling para lograr que el mtodo simplex termine en
tiempo finito, sin embargo, debido a que el cycling casi nunca sucede en la prctica,
estas finezas no suelen estar implementadas en los programas comerciales.
Si no hay degeneracin, en cada paso del mtodo simplex se obtiene una solucin
factible cuyo costo es estrictamente menor que el de las anteriores, por lo tanto no se
puede retornar a una solucin ya analizada. Adems el mtodo es finito, porque en
cada paso se eligen m variables bsicas entre n posibles, hay Cmn formas de hacerlo
(aunque no todas ellas dan soluciones factibles). Por este motivo se puede afirmar que
existe un nmero finito de soluciones bsicas, y en consecuencia: si no hay
degeneracin el mtodo simplex llega en una cantidad limitada de pasos a una de
las dos alternativas planteadas al principio.
La cantidad de iteraciones requeridas para resolver un problema por el mtodo
simplex crece linealmente con el nmero de restricciones, mientras que el trabajo
requerido en cada iteracin crece aproximadamente con el cuadrado del nmero de
restricciones.
Fase I - Encontrar una solucin factible
Segn lo visto hasta ahora, el mtodo simplex comienza en una solucin bsica
factible. A continuacin se investiga el problema de obtener dicha solucin factible
inicial.
47
Introduccin a la Investigacin de Operaciones
( LP1 ) sujeto a :
Ax + y = b
x, y 0
Teorema:
(LP1) tiene siempre un valor ptimo finito 0, dado por el mtodo simplex. Si dicho
valor ptimo es estrictamente mayor que cero, entonces (E) no tiene soluciones
factibles. Si el valor ptimo de (LP1) es igual a cero, entonces (E) tiene soluciones
factibles y el mtodo simplex brinda una de ellas.
Prueba:
Si el valor ptimo de (LP1) es estrictamente mayor que cero, siempre existe por lo
menos una yi > 0, por lo tanto: ( Ax ) i = bi yi bi y en consecuencia no existen
soluciones factibles de (E).
Si el valor ptimo de (LP1) es igual a cero: yi = 0 , como adems y 0 se concluye
que y = 0 y la solucin ptima de (LP1) es factible para (E).
En resumen, el mtodo simplex funciona del siguiente modo: En primer lugar, si es
necesario, se aplica la fase I para encontrar una primera solucin factible. A partir de
dicha solucin bsica, se aplica la segunda fase, optimizando la funcin objetivo
original.
48
Introduccin a la Investigacin de Operaciones
Min 3x1 + 2 x 2
sujeto a :
x1 + x 2 2
x1 + 2 x 2 3
x1 , x 2 0
Este problema se representa grficamente en la figura que sigue:
x
2
2
x
1
1 2 3
En primer lugar se agregan las variables de holgura x3 y x4 que permiten llevar el
problema a la forma standard, obteniendo el siguiente tableau:
x1 x2 x3 x4 b
1 1 -1 0 2
1 2 0 -1 3
3 2 0 0 0
Puesto que no hay ninguna base por la cual sea intuitivo comenzar, se introducen las
variables artificiales y1 e y2. En la fase I se minimiza y1 + y2, lo cual arroja el
siguiente tableau:
x1 x2 x3 x4 y1 y2 b
1 1 -1 0 1 0 2
1 2 0 -1 0 1 3
3 2 0 0 0 0 0
0 0 0 0 1 1 0
La ltima fila es la funcin objetivo de la fase I, en tanto que la tercera fila es la
funcin objetivo original, que ser minimizada en la segunda fase de la resolucin.
Para la primera fase y1 e y2 son variables bsicas adecuadas para comenzar la
resolucin de la primera fase. Sustrayendo de la fila 4 las filas 1 y 2 se obtiene:
49
Introduccin a la Investigacin de Operaciones
x1 x2 x3 x4 y1 y2 b
1 1 -1 0 1 0 2
1 2 0 -1 0 1 3
3 2 0 0 0 0 0
-2 -3 1 1 0 0 -5
La solucin bsica correspondiente es y1 = 2, y2 = 3, y las dems variables iguales a
cero.
En esta solucin c1 < 0 y c2 < 0 se puede elegir tanto x1 como x2 para ser ingresada en
la nueva base, sea x1 la variable seleccionada. La variable saliente se determina de
acuerdo a Min {bi ai1 ai1 > 0} = Min {2 1, 3 1} = 2 , lo cual ocurre en la primera fila.
Se canoniza el sistema de ecuaciones tomando como elemento cannico el a11,
obteniendo el siguiente tableau:
x1 x2 x3 x4 y1 y2 b
1 1 -1 0 1 0 2
0 1 1 -1 -1 1 1
0 -1 3 0 -3 0 -6
0 -1 -1 1 2 0 -1
La solucin bsica es x1 = 2, y2 = 1, las dems variables iguales a cero. Se elige
introducir la variable x2, por lo que el elemento pivot para la canonizacin del
sistema sera el a22.
x1 x2 x3 x4 y1 y2 b
1 0 -2 1 2 -1 1
0 1 1 -1 -1 1 1
0 0 4 -1 -4 1 -5
0 0 0 0 1 1 0
50
Introduccin a la Investigacin de Operaciones
x1 x2 x3 x4 b
1 0 -2 1 1
0 1 1 -1 1
0 0 4 -1 -5
Tomando como pivot el elemento a14, se obtiene el siguiente tableau:
x1 x2 x3 x4 b
1 0 -2 1 1
1 1 -1 0 2
1 0 2 0 -4
Como ahora c 0 se ha llegado al ptimo. La solucin es x1=0, x2=2, x3=0, x4=1.
La estructura del mtodo simplex puede ahora ser resumida del siguiente modo:
SI
Hay variables artificiales? Resolver el problema Fase I
SI
es el valor ptimo = 0?
NO
NO
51
Introduccin a la Investigacin de Operaciones
Las operaciones que se realizan para obtener una fila a partir de la anterior
corresponden a haber multiplicado desde la izquierda con cierta matriz M que se
determinar:
MA B = I M = IAB1 M = AB1
c y = 0 T I = T = cBT AB1
52
Introduccin a la Investigacin de Operaciones
Max b T u
( LDS ) sujeto a :
AT u c
Ya fue demostrado que las variables u son los multiplicadores de Lagrange. A
continuacin se investiga la relacin entre los multiplicadores simplex y el problema
dual.
Supngase que (LPS) ha sido resuelto hasta su ptimo y que xB son las variables
bsicas.
La exigencia de optimalidad de (LPS) es c NT 0 , es decir: c TN T AN 0 que por medio
de una trasposicin queda c N ANT .
Por otra parte, la restriccin impuesta a la variable dual es c A T u , lo cual implica que
cB ABT u y que c N ANT u .
sera adems una solucin ptima del problema dual si arrojase el mismo valor de la
funcin objetivo que la solucin ptima del problema primal.
El valor ptimo de la funcin objetivo del problema primal es z = cBT b = cBT AB1b . El
valor de la funcin objetivo del problema dual evaluada en u = es: b T , que se
puede escribir: b T = b T (ABT ) c B = c TB AB1b = z .
1
53
Introduccin a la Investigacin de Operaciones
54
Introduccin a la Investigacin de Operaciones
3. GRAFOS
3.1 Introduccin
El nacimiento del concepto GRAFOS se puede situar, por el ao 1730, cuando Euler
(matemtico) se convirti en el padre de la Teora de Grafos al modelar un famoso
problema no resuelto, llamado el "problema de los puentes de Knigsberg".
Para probar que no era posible, Euler sustituy cada zona de partida por un punto y
cada puente por un arco, creando as un grafo, el primer grafo, diseado para
resolver un problema.
A
Mostrar que el problema no tiene solucin equivale a mostrar
que el grafo no puede ser recorrido segn criterios
determinados.
B C
Problema genrico: dado un grafo (con mltiples lneas entre
pares de puntos) encontrar un camino que recorra el grafo
pasando por cada arista exactamente una vez.
D
Solucin: El grafo debe se conexo, y en cada punto deben incidir un nmero par de
lneas. Esta condicin es suficiente para definir lo que se llama un ciclo euleriano.
No se debe confundir el grafo con el sistema real al que est asociado. El grafo es una
estructura que admitimos adecuada en lo concerniente a las propiedades que nos
55
Introduccin a la Investigacin de Operaciones
interesan, donde luego aplicamos las deducciones y reglas matemticas para obtener
datos y poder decidir.
El objetivo es hallar un camino que pase por todos las casas una y solo una vez y que
nos de el costo menor en distancia. Dicho de otro modo, se deben buscar las
permutaciones de las casas de forma tal que la distancia recorrida total sea mnima.
Se conoce la distancia entre cada par de casas, segn si las calles son flechadas o no
se orientarn o no las conexiones entre pares de casas.
56
Introduccin a la Investigacin de Operaciones
Ejemplo:
G* = ({x1,x2,x3}, {(x1,x2), (x3,x1), (x3,x2)}) . x2
x1
En realidad, no existen dos especies de grafos, orientados y no
orientados, sino que todos los grafos son orientados, pero por
razones conceptuales, es poco cmodo considerar las lneas x3
orientadas para los problemas de naturaleza no orientada.
Cada vez que apliquemos un concepto orientado en un grafo G = (X,U) ese concepto
deber ser considerado como aplicable de hecho, en un grafo orientado G* al que le
corresponde la orientacin en los dos sentidos de cada arista.
Orden es el nmero de vrtices del grafo, el cardinal del conjunto X de vrtices: |X|
Si todos los vrtices tienen el mismo grado, el grafo al que pertenecen se llama grafo
regular.
57
Introduccin a la Investigacin de Operaciones
Ejemplo: roblema del camino entre dos puntos. El siguiente es un ejemplo de como
modelar una porcin del universo, su problemtica y como resolverla.
Supongamos que un hombre debe pasar a la otra orilla de un ro llevando consigo una
oveja, un repollo y un lobo. El inconveniente que se le plantea es que slo puede
cruzar con uno de ellos a la vez y sospecha que si deja solos a la oveja con la repollo
con el lobo, la oveja se comer al repollo el lobo se comer a la oveja. Teniendo en
cuenta estas restricciones, el sujeto dibuja sobre la arena de la orilla un grafo y
aplicando alguna heurstica o algn algoritmo conocido, encuentra el camino que
debe seguir para llegar a la otra orilla con su carga intacta.
0) Dibuja el grafo: Existen 4 elementos que determinan las situaciones en cada orilla,
ellos son:
H Hombre C Repollo L Lobo O Oveja
3) Por ltimo busca en el grafo un camino del estado inicial al estado final.
58
Introduccin a la Investigacin de Operaciones
Grafo simple, es un grafo sin bucles, sin mltiples aristas entre pares de vrtices.
Grafo completo
Para todo par de vrtices de G, existe por lo menos una arista que los une.
Por lo tanto, un grafo completo de n vrtices es aquel que tiene sus n vrtices
mutuamente adyacentes.
K5
Grafo bipartito, es un grafo cuyo conjunto de vrtices puede ser particionado en dos
clases X1 y X2 de tal forma que dos vrtices de la misma clase no sean jams
adyacentes. Se nota G = (X1,X2,U)
X1 : conjunto personas
59
Introduccin a la Investigacin de Operaciones
Cuando se desea asignar valores negativos o reales a los pesos de las aristas, se debe
tener especial cuidado en la eleccin de los algoritmos ya que la correctitud de los
mismos puede depender de la restriccin a Z+.
Grafo Conexo, es aquel en el que para cada par de vrtices de G, existe una cadena
que los une.
Ciclo, es una cadena simple, cuyos dos vrtices extremos, inicial y terminal,
coinciden (no tiene en cuenta la orientacin).
Ciclo elemental, es un ciclo donde no se repite ningn vrtice (salvo el primero que
coincide con el ltimo). Lo notamos uE = (u1,...,un).
Propiedad 1: Todo ciclo uC es una suma de ciclos elementales sin aristas comunes.
60
Introduccin a la Investigacin de Operaciones
Seudociclo, es una cadena donde los extremos coinciden pero que una misma arista
puede figurar ms de una vez (tambin consecutivamente).
Ciclo Euleriano es aquel que incluye todas las aristas del grafo una sola vez,
conteniendo cada vrtice por lo menos una vez.
Cadena Euleriana, es aquella que recorre todas las aristas una sola vez ( = simple)
tocando todos los vrtices del grafo.
Todo multigrafo que posee un ciclo Euleriano es conexo y todos sus vrtices tienen
grado par .
a b
61
Introduccin a la Investigacin de Operaciones
c d l g
2) Las restantes aristas del grafo
inicial , conforman un grafo no
conexo, pero todos sus vrtices h
mantienen el grado par, ya que al
retirar el ciclo encontrado, se redujo
cada grado en una cantidad par . i j k m
Cada subgrafo conexo posee un ciclo
Euleriano: d-c-i-j-k-e-d y h-g-m-h.
3) Estos dos ciclos pueden ser insertados en el ciclo encontrado en 2) en los vrtices
comunes d y h respectivamente, originando un ciclo Euleriano a-d-c-i-j-k-e-d-j-n-o-k-
l-h-g-m-h-f-e-b-a, en el grafo original.
Teorema E.1: Un multigrafo (no orientado) G = (X,U) posee un ciclo Euleriano sii
G es conexo y todos sus vrtices son de grado par.
Una Cadena Euleriana es una cadena que recorre todas las aristas del grafo una sola
vez incluyendo todos los vrtices.
Corolario E.2: Un multigrafo posee una cadena Euleriana, sii es conexo y tiene
exactamente dos vrtices de grado impar.
Arbol, es un grafo finito, conexo, sin ciclos y con por lo menos 2 vrtices .
Arborescencia, es un rbol dirigido con un nodo llamado raiz, tal que existe un
nico camino desde la raiz a cualquier otro nodo del rbol. Ese camino es elemental
y simple.
62
Introduccin a la Investigacin de Operaciones
r b
b
T se llama rbol m-ario, si cada vrtice interno del rbol (arborecencia) T tiene m
hijos. En particular si m = 2, T es un rbol binario.
63
Introduccin a la Investigacin de Operaciones
Usando BPP (o DFS) , se toma algn vrtice como raiz y se comienza a construir una
cadena desde la raiz. La cadena contina hasta que no se puede continuar mas abajo
sin repetir un vrtice que ya est en la cadena. El vrtice donde esa cadena debe
terminar es una hoja. Entonces se vuelve atrs (backtrack), se retrocede un nivel al
padre de esa hoja, y se trata de construir una cadena desde ese padre en otra direccin
u otro vrtice no includo en la cadena anterior, y asi sucesivamente...
BFS(x)
Visite y marque x.
Inserte x en Q
Mientras Q no est vaca realice
Saco el primer elemento s de Q
Para cada vrtice v no marcado adyacente a s
visite y marque v
inserte v en Q
fin para
fin mientras
fin
64
Introduccin a la Investigacin de Operaciones
a) Grficamente. Mediante puntos que representan los nodos y lneas que representan
las aristas del grafo.
b) Notacin de conjuntos. Ya sea por extensin (enumerando vrtices y aristas) o por
comprensin.
c) Estructuras de datos, como por ejemplo listas encadenadas, stacks, etc.
d) Matrices
La relacin R puede ser representada como una matriz nxn cuyos elementos son:
1 si xi Rx j
[ ]
R = rij =
0 si no
Podemos afirmar que todo grafo G es orientado, por lo que existe una relacin binaria
entre pares de elementos de G =(X,U), que es la relacin de adyacencia A.
65
Introduccin a la Investigacin de Operaciones
1 si xi Ax j , ( xi , x j ) U
[ ]
A = aij =
0 si no
Observaciones
1) La matriz de adyacencia es una matriz booleana, sus elementos son 0 o 1.
2) i xij = semigrado exterior de xi
3) j xij = semigrado interior de xj
w( u ) si xi Ax j , ( xi , x j ) U
[ ]
A = aij =
0 si no
Esta matriz es booleana solamente en aquellos casos en que w(u) = 1, para toda
arista u.
Definicin:
Un grafo o subgrafo es fuertemente conexo, si ( x i , x j ), x i x j , camino de x i a x j .
66
Introduccin a la Investigacin de Operaciones
xk
xi
xi Ax j
xi Tx j m 2 y una secuencia de elementos x k 1 , x k 2 , ..., x km X
tales que x i = x k 1 , x kt Ax k ( t +1) para t = 1,2, . . . , m - 1, x km = xj
La relacin de alcance es una relacin transitiva y cuando adems cumple con las
propiedades de simetra y reflexividad, es una relacin de equivalencia que particiona
a X en clases de equivalencia
67
Introduccin a la Investigacin de Operaciones
Cada clase corresponde a una componente conexa del grafo. Es decir que se pueden
determinar la componentes fuertemente conexas del grafo calculando la clausura
transitiva en el conjunto X de nodos.
x2 x3
x4 X1 = {x1, x2, x6} x1 x2 x6
X2 = {x3, x4} x3 x4
x5
x1
x6 X3 = {x5} x5 x5
fig.CFC
1 si xi Tx j , ( xi , x j ) U
T = [tij ] =
0 si no
la que indica la existencia de caminos entre pares de nodos y se obtiene calculando
la potencia booleana de la matriz de adyacencia A.
1 si C i, j , l(C i, j ) = p
A ( p)
[
= aij
( p)
]=
0 si no
68
Introduccin a la Investigacin de Operaciones
Si los nodos del grafo estn ordenados por componentes, cada una de ellas se va a
caracterizar por un bloque o submatriz cuadrada de 1s en la diagonal de la matriz T.
En estos casos se dice que la matriz T es triangular por bloques, es decir que esta
compuesta por bloques cuadrados dispuestos en la diagonal.
0 si no
Entonces la matriz de alcance T = p= 1, A (p) cuyos elementos se definen
1 ssi C i, j , l(C i, j ) 0
tij =
0 si no
Demostracin:
T = p= 1, s A (p) s n-1 ( para no perder generalidad)
T = A (I A)
(s-1)
s = n-1 LQQD
Lema 2
Se cumple : I A . .. A (s-1) = (I A)(s-1) , s 1 (se demuestra por Induccion
Completa en s).
La experiencia indica que para calcular la matriz de alcance, alcanza con calcular
T = (I A)
(n-1)
69
Introduccin a la Investigacin de Operaciones
Para una mejor manipulacin de las componentes fuertemente conexas y para una
mejor distincin de las mismas, se triangulariza la matriz de alcance T. Se define una
nueva base mediante un reordenamiento de los nodos, permutando las filas y
columnas de T. Siendo T la matriz del sistema de ecuaciones Tx = b, debo
transformar este sistema a otro equivalente con otra base que llamar Qx. Entonces
construyo una matriz Q, tal que QTQtQx = Qb. La matriz de este nuevo sistema es
QTQt que implica un nuevo orden del conjunto X de nodos, a partir de las
componenetes fuertemente conexas del grafo.
x1 x2 x3 x4 x5 x6
x1 1 1 0 0 0 1
x2 1 1 1 0 0 0
IVA =
x3 0 0 1 1 1 0
x4 0 0 1 1 0 0
x5 0 0 0 0 1 0
x6 1 0 0 0 1 1
1 1 0 0 0 1 1 1 1 0 1 1 1 1 0 0 0 1
1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0
0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0
0 0 1 1 0 0 0 0 1 1 1 0 0 0 1 1 0 0
0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0
1 0 0 0 1 0 1 1 0 0 1 1 1 0 0 0 1 0
1 1 0 0 0 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0
0 0 1 1 0 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0
0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0
1 0 0 0 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
(I V A)2 (I V A)4 (I V A )5 = T
1 0 0 0 0 0
0 1 0 0 0 0 Mantengo x1,x2: x1 ==> x1, x2 ==> x2
0 0 0 0 0 1 Reordeno x6, x3, x4, x5:
0 0 1 0 0 0 =Q x3 ==> x4
x4 ==> x5
0 0 0 1 0 0
x5 ==> x6
0 0 0 0 1 0
x6 ==> x3
70
Introduccin a la Investigacin de Operaciones
1 1 1 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1
0 0 0 1 1 1 = Q T Qt
0 0 0 1 1 1
0 0 0 0 0 1
1) Condensar G.
2) Encontrar algn camino hamiltoniano, si existe, en el grafo condensado Gc.
3) Encontrar un camino hamiltoniano en cada nodo del grafo condensado (en cada
componente fuertemente conexa de G).
4) Si es posible, unir el o los caminos encontrados en el paso 3) con el encontrado en
el paso 2).
Definicin
Un camino hamiltoniano en un grafo G, es aquel camino que pasa una y solo
una vez por cada vrtice del grafo.
71
Introduccin a la Investigacin de Operaciones
siendo
mij(2) = Uk=1,n (mik(1) mkj (1) ), donde
mik(1) conc. mkj (1) si mkj (1) mik(1) y mik(1) mkj (1) = 1
mik(1) mkj (1) =
0 si no.
Para encontrar los caminos hamiltonianos nos detenemos en el paso n-1 (4, en nuestro
caso). Los elementos de la matriz M(n-1) contiene la sucesin de nodos de cada uno de
los caminos hamiltonianos, si existe alguno.
Ejemplo:
A
E B
D C
M(1) M(1)
72
Introduccin a la Investigacin de Operaciones
0 AB AC 0 AE 0 B C 0 E
0 0 BC 0 BE 0 0 C 0 E
0 0 0 CD 0
0 0 0 D 0
0 0 DC 0 DE
0 0 C 0 E
EA 0 0 ED 0
A 0 0 D 0
ACD
0 0 ABC ABE
AED
BCD
BEA 0 0 0
BED
M(2) 0 0 0 0 CDE =
DEA 0 0 0 0
EAC
0 EAB 0 0
EDC
0 0 ABEDC 0 ABCDE
M(4) BCDEA 0 0 BEACD 0
= 0 CDEAB 0 0 0
0 0 DEABC 0 0
0 0 0 EABCD 0
Afirmacin:
cuerda
esqueleto
73
Introduccin a la Investigacin de Operaciones
Teorema: Un rbol de orden n >2 admite por lo menos dos vrtices que son
adyacentes a un solo vrtice.
Teorema: Un grafo admite un grafo parcial que sea rbol ( dicho de otra forma
admite un rbol parcial (esqueleto) s. s. i. es conexo.
74
Introduccin a la Investigacin de Operaciones
Los esqueletos mnimos permiten, por ejemplo, calcular el costo mnimo de conexin
de un grafo. Los algoritmos de Kruskal y Prim encuentran un esqueleto mnimo en G.
ALGORITMO DE KRUSKAL
1) Al comenzar T = (vaco)
ALGORITMO DE PRIM
75
Introduccin a la Investigacin de Operaciones
Ek-1
i x
j y
76
Introduccin a la Investigacin de Operaciones
Para valores crecientes de m, el algoritmo marca aquellos vrtices que tienen m como distancia
mnima desde el vrtice a.
2) Chequear cada arista u = (p,q) desde algn p ya marcado, hasta algn q sin marcar.
Suponga que p est marcado con (r, d(p))
3) Si x sin marcar: m := m + 1;
volver al punto 2
Si no: ejecutar el punto 4
4) Para cualquier vrtice y, un camino ms corto de a a y, tiene largo d(y) (la 2da parte de la
etiqueta de y).
Ese camino lo puedo encontrar retrocediendo desde y, usando la 1era
parte de las etiquetas de los vrtices encontrados en el retroceso.
Este algoritmo permite calcular cuan lejos se puede llegar en 1, 2 .... m unidades.
Como est especificado en Pero tiene una ineficiencia muy significante, Si la suma
d(p) + w(u) en 2) tiene valor por lo menos m'>m entonces el contador de distancia
m, debera ser incrementado inmediatamente a m' (m := m').
Ejemplo: Encontrar el camino mnimo (mas corto) entre F y C del siguiente grafo
77
Introduccin a la Investigacin de Operaciones
(F,7) A 2 B (A,9)
3
7 G 6 4
(-,0) I 1
5 (I,6) 3 H
F 2 C (D,9)
(F,5)
4
2 (G,9) 8 2
6
(E,7)
1
E D
(F,6)
78
Introduccin a la Investigacin de Operaciones
5. REDES FLUJOS
Red es un grafo ponderado, con un nodo a llamado fuente y otro nodo z llamado
pozo, terminal o resumidero (sink).
N = ( X, U, W)
X = { a, z, xi , 1 i n-2}
U = { (xi, xj), ........}
Consideramos redes orientadas. Es viable afirmar que una red siempre es orientada.
b 5,5 d
7,4 7,6
4,3
4,1
a z
4,0 3,2
8,8 8,6
c 5,5 e
Se transportan unidades de flujo de un sitio a otro a traves de una red, con ciertas
restricciones en cuanto a capacidades de envo en las lneas que componen la red. En
el caso del transporte de petrleo, la capacidad de un arco representa la capacidad en
barriles por minuto de una seccin del oleoducto, el flujo es el fludo que se transporta
o enva.
Lo que se busca es maximizar un "flujo" desde el nodo a al nodo z, de tal modo que
el flujo ( fludo) que pasa por cada arco no exeda su capacidad permitida.
79
Introduccin a la Investigacin de Operaciones
max {Flujo}
segn restricciones
La capacidad y flujo de los arcos pueden tener asignados otros valores, que no sean
enteros positivos, pero se debe tener especial cuidado al aplicar un algoritmo de
solucin que sea adecuado a esa caracterstica.
Nota: {(a,b), (a,c), (d,c)} al corte, sin embargo en redes no orientadas, (P,Pc)
denota todas las arcos que van de P a Pc.
Definicin: Flujo a-z, (flujo fuente-terminal) en una red N, es aquel en el que (u)
u U, los nodos fuente a y pozo z satisfacen las siguientes condiciones:
a) 0 (u)k(u) u U
b) (u) = 0, u I-(a) y u I+(z)
c) x a, x z, uI+(x) (u) = uI-(x) (u)
80
Introduccin a la Investigacin de Operaciones
xP
(u) = xP uI-(x) (u)
+
uI (x)
Obs: algunos (u) se repiten en ambos miembros de la igualdad, ya que en ambos
lados se sumas el flujo de aquellos arcos que van de un nodo en P a otro en P.
+
uI (b)
(u) = 5+2 = -
uI (b)
(u) = 4+3
+
uI (c)
(u) = 5+3 = -
uI (c)
(u) = 8+0
xP
5+2+5+3 == xP
4+3+8+0
Eliminando los flujos (u) que se repiten en ambos miembros se obtiene una nueva
condicin
para todo subconjunto P de nodos que no contengan ni a ni z.
c') c
u(P,P )
(u) = c
u(P ,P,)
(u)
Es decir que P que no contenga ni a ni z, el flujo que ingresa a P es igual al flujo que
sale de P.
Teorema N.1
Para cualquier flujo a-z, en una red N, el flujo que sale de la fuente a es
igual al flujo que ingresa (entra) al pozo z.
Sea P = { X - a - z} y Pc = {a, z}
a z
P
Flujo saliente de a = uI+(a) (u)
Flujo saliente de a = +
uI (a)
(u) = -
uI (z)
(u) = flujo entrante a z LQQD
81
Introduccin a la Investigacin de Operaciones
La condicin b) de flujo a-z determina que el nico flujo hacia P desde Pc={a,z} debe
ser desde a.
|| es el valor del flujo a-z, y se define como la suma del flujo que sale de a,(
equivalente a decir que es la suma del flujo que entra a z). Entonces, una cota superior
de || es la suma de las capacidades de los arcos incidentes hacia el exterior de a.
|| = +
uI (a)
(u) +
uI (a)
k(u)
Teorema N.2: Para cualquier flujo a-z, , y cualquier corte a-z, (P,Pc), en una red
N,
|| k(P,Pc)
Demostracin:
Expandimos la red N agregndole un nodo a' con un arco u' = (a', a) de
capacidad infinita (significa muy grande), k(u') = , a' Pc.
a' z
a
Pc
P Pc
fig. 4.3
En esta nueva red, N', si se puede aplicar la condicin c') a P, ya que P no contiene la
fuente a'
82
Introduccin a la Investigacin de Operaciones
c
u(P ,P)
(u) = u(P,Pc) (u)
Adems por construccin de N', el flujo hacia P es de valor al menos || que es el
valor de (u'), otros flujos podran ingresar a P por arcos desde Pc.
|| = (u') c
u(P ,P)
(u) = c
u(P,P )
(u) c
u(P,P )
k(u) = k(P,Pc)
(*)
|| k(P,Pc) L.Q.Q.D.
Corolario N.2
Para cualquier flujo a-z, , y cualquier corte a-z, (P,Pc), en una red N,
|| = k(P,Pc) s.s.i
i) (u) = 0 , u (Pc,P)
ii) (u) = k(u), u (P,Pc).
En este caso decimos que es un flujo mximo y (P,Pc) es un corte a-z de
capacidad mnima.
Demostracin:
Considere las inecuaciones en (*) de la demostracin del Teorema N.2 y la red
expandida.
|| = (u') c
u(P ,P)
(u) = c
u(P,P )
(u) c
u(P,P )
k(u) = k(P,Pc)
Directo
Si || = k(P,Pc) entonces se cumple la igualdad en la inecuacin (*) es decir, || =
c
u(P ,P)
(u) i) es verdadera,
(si fuese c
u(P ,P)
(u) > || , habran otros flujos positivos hacia P).
83
Introduccin a la Investigacin de Operaciones
Ejemplo: b 3,3 d
5 4
5,3 6,3
2
a 1 6,0 z
1,0
5,3 6,3
4 5
c 3,3 e
Supongamos que a la red de la figura no se le asignaron flujos a sus arcos.
Encontramos en esa red el camino L1 = {(a,b), (b,d) (d,z)}= a-b-d-z. La holgura
mnima de L1 es 3, min s(u) = 3 u L1. Esto quiere decir que podriamos sumarle
un flujo de 3 unidades a cada uno de los arcos de L1.
L con L(u) = 1 si u L
y L(u) = 0 si u L
84
Introduccin a la Investigacin de Operaciones
= + L1(u) + L2(u), u U
El flujo de la red sigue siendo un flujo a-z, siempre que (u) k(u), u caminos
en consideracin.
Si s es la menor holgura en un camino L, es entonces la holgura mnima del camino L
por lo que se puede sumar sL al flujo de la red.
Este mecanismo nos sugiere una manera de construir un flujo mximo: aumentando el
flujo de la red mediante la suma de unidades de flujo a-z equivalentes a la holgura
mnima de los caminos a-z que as lo permitan.
Luego de aumentar el flujo con L4, todos los caminos que llevan a Z tienen holgura
mnima 0 y en la bsqueda de caminos con alguna holgura mnima, no se puede
seguir mas all que de a hasta c.
Se han saturado todos los arcos de un corte a-z; u (P,Pc), P = { a,c}, (u) = k(u).
k(P,Pc) = 9 = || maximal (por corolario N.2)
En este caso se tuvo la intuicin necesaria para encontrar los caminos que llevaron al
flujo mximo. Pero no siempre es tan fcil.
85
Introduccin a la Investigacin de Operaciones
2
b 3,0 d
3
5,5 6,1
3
1,1 6,5
a z
5,1 6,5
2 6
4
c 3,1 e
3
Se empieza con L1 = a-b-e-z saturando el arco (a,b), sumandole 5L1. Luego L2 = a-
c-d-z, saturando (c,d) y sumandole al flujo 1L2. Queda nada mas que un camino sin
saturar L3 = a-c-e-z holgura mnima 1, se sumando 1L3 al flujo total.
Queda determinado un corte saturado (P, Pc), P = {a,c,e}. Luego observamos que
|| = 7 y k(P, Pc) = 12. || < k(P, Pc)
En la red de la fig 4.5, el arco (b,e) contiene 5 unidades de flujo que van de Pc a P con
(P,Pc) saturado, (b,e) =5 > 0, esto se corrige reduciendo el flujo de (b,e). Como
86
Introduccin a la Investigacin de Operaciones
A cada nodo q va visitando le asigna una etiqueta: (p, D(q)) compuesta de dos
etiquetas:
1) p es el nodo precedente a q en la cadena de flujo de a a q, el ndice
superior de p ser el signo de + si el ltimo arco en la cadena es (p,q) y el
signo de - si el ltimo arco es (q,p).
87
Introduccin a la Investigacin de Operaciones
2) D(q) es la holgura mnima entre todos los arcos de la cadena que van de a
a q. En un arco u de orientacin contraria al de la cadena, la holgura es la
cantidad de flujo que puedo quitar.
En caso de aplicar este algoritmo en una red con un flujo preasignado, controlar que
sea a-z.
Algoritmo de Flujo Mximo
Si no, elegir otro vrtice marcado para examinar (que no haya sido examinado
antes ) e ir al punto 2.
88
Introduccin a la Investigacin de Operaciones
Las tareas requieren de recursos para ejecutarse . Los recursos determinan dos tipos
de restricciones: disjuntivas y acumulativas. Una restriccin disjuntiva aparece
cuando, por ejemplo, dos tareas usan la misma mquina y no se pueden ejecutar
simultneamente. Hay una restriccin acumulativa cuando, por ejemplo, tres
procesadores estan disponibles para ejecutar cuatro tareas, con lo cual una se retrasar
y deber necesariamente esperar la finalizacin de alguna de las otras.
89
Introduccin a la Investigacin de Operaciones
ci ti <Ti fi, i I
En ciertos casos, p.ej. si hay un retardo tal que Ti > fi, se podr considerar un costo wi
asociado a esa tarea i.
En el caso particular cuando aij = di , estamos ante una sucesin simple. Sin embargo
no se puede representar mediante restricciones potenciales el hecho de que dos tareas
exijan el mismo recurso en el mismo momento y que por lo tanto no pueden
ejecutarse simultneamente.
El conjunto de restricciones potenciales se puede representar por un grafo ponderado
y los mtodos de camino crtico que estudiaremos trabajan esencialmente sobre este
grafo.
Las tareas se ejecutan en forma continua o discontinua. Cuando una tarea i puede ser
ejecutada en forma discontinua, se dice entonces que es interrumpible ("preemtable").
O sea que una tarea i es pasible interrumpible (peemtable) si cuando se est
ejecutando y usando un determinado recurso, puede ser interrumpida por una tarea j
de mayor prioridad, y el recurso pasa a ser utilizado por la tarea j. En general el hecho
de tener este tipo de tareas disminuye la complejidad de los problemas tratados.
6.1.3 Recursos
90
Introduccin a la Investigacin de Operaciones
91
Introduccin a la Investigacin de Operaciones
tj - ti aij, i,j I
donde ti (respectivamente tj) es la fecha de comienzo de la tarea i (resp. j) y aij un real
cualquiera.
92
Introduccin a la Investigacin de Operaciones
El conjunto de arcos U contiene: arcos (0, i), con ponderaciones w(0,i) = 0, arcos (i,
j) asociados a las restricciones potenciales, con ponderaciones w(i,j) = aij , y arcos
(i,n+1) con w(i,n+1) = di .
Las desigualdades de potencial y sus arcos asociados permiten expresar una gran
variedad de restricciones, como ser:
Observar que con este modelo no se pueden tener en cuenta restricciones disyuntivas,
es decir, sus intervalos de ejecucin deben ser disjuntos (i antes que j o j antes que I).
Esto ocurre por ejemplo, si dos tareas necesitan un mismo recurso, cuya
disponibilidad no es suficiente para la ejecucin de ambas en simultneo, esta
93
Introduccin a la Investigacin de Operaciones
Ejemplo: Sean 5 tareas I = {1, 2, 3, 4, 5}, y sus resp duraciones d = {1, 3, 1, 2, 1}.
Las tareas estn sujetas a las siguientes restricciones temporales:
la tarea 2 comienza en la fecha 3:
[t2 - t0 3] y [t0-t2 - 3]
las tareas 3 y 4 deben superponerse por al menos una unidad de tiempo:
[t3 t4+d4 -1] y [t4 t3+d3 - 1]
la tarea 4 puede comenzar solamente despus del fin de las tareas 1 y 2:
[t4 - t1 d1] y [t4 - t2 d2]
la tarea 5 no puede empezar antes del comienzo de la tarea 3
[t5 t3]
94
Introduccin a la Investigacin de Operaciones
Demostracin:
( ) Por absurdo.
Sea [1,2,...r,1] un circuito de valor estrictamente positivo: w12 +....+ wr1 > 0.
Si existiera un conjunto de potenciales sobre G, tendramos
t2 -t1 w12
....
tr-tr-1 w(r-1)r
t1-tr wr1
Sumando tendramos w12 + ...+ wr1 0, absurdo.
95
Introduccin a la Investigacin de Operaciones
Esta propiedad muestra que para el conjunto de potenciales R, las tareas se ejecutan lo
ms temprano posible.
Proposicin 2:
Sea F = {fi = [V(0,n+1) - V(i,n+1)] / iX}. F es un conjunto de potenciales ptimo.
Adems si T es otro conjunto de potenciales optimal, se tendr: ti fi
F es un conjunto de potenciales en el cual todas las tareas se ejecutan lo ms tarde
posible.
96
Introduccin a la Investigacin de Operaciones
Veamos el siguiente ejemplo: se debe ejecutar, en una duracin minimal, siete tareas
ligadas por las siguientes restricciones potenciales:
97
Introduccin a la Investigacin de Operaciones
6.3.3 Holguras
Los mrgenes u holguras tienen por funcin evaluar la demora o el retardo permitido
en una tarea, sin modificar "demasiado" los resultados. Definiremos el margen u
holgura total Mi, la holgura o margen libre mi, y el margen seguro ui.
Holgura total Mi de una tarea i es el tiempo que se puede retardar una tarea sin
afectar la fecha de fin de proyecto. Mi es entonces, la diferencia entre la fecha ms
tarda y la ms temprana:
Mi = fi-ri.
Holgura libre mi de una tarea i es el tiempo que se puede retardar esa tarea de forma
que las tareas sucesoras puedan empezar en la fecha ms temprana:
mi = Min [jU+(i)] {rj-(ri+wij)}
Camino crtico: los caminos de valor maximal que van de 0 a n+1, juegan un rol
central en este mtodo, ya que toda tarea que compone alguno de estos caminos tienen
un holgura total nula. Se dice que estas tareas son crticas ya que si se retardan
unidades de tiempo, el ordenamiento se retardar tambin unidades.
98
Introduccin a la Investigacin de Operaciones
Demostracin:
Mi m i
Mi = fi - ri [definicin de Mi]
= min [jU+(i)] {fj - wij} - ri [definicin de fi]
= min [jU+(i)] {fj - wij - ri } [propiedades de min]
= min [jU+(i)] {fj - (ri + wij)} [aritmtica]
min [jU+(i)] {rj - (ri + wij)} [fj >= rj]
= mi [definicin de mi]
mi ui
Por razones tcnicas o econmicas la duracin de cada tarea puede estar limitada
entre dos cotas: Ii y Si (Ii di Si). El tiempo Si corresponde a la duracin normal de
la tarea i, y es la duracin correspondiente a un costo mnimo (inversin mnima en
recursos de forma cumplir con la tarea i). El tiempo Ii por el contrario corresponde a
la duracin de la operacin acelerada al mximo (invirtiendo todos los recursos
necesarios y disponibles) y por consiguiente su costo sera tambin mximo.
Sean Ci el costo total de la tarea i y di la duracin de la tarea i. Fijado un valor para di;
si se pretende que la tarea dure menos que dicho valor, en general, esto implica la
utilizacin de un nmero mayor de recursos y por consiguiente un costo mayor. Es
posible entonces, establecer una relacin funcional entre la duracin de la tarea i y el
costo asociado. Sea Ci = f(di) la curva de costos de la tarea i en funcin de la duracin
de la tarea i. Es comn suponer que el costo crece cuando di decrece hasta Ii, ms all
del cual ya no se puede efectuar el trabajo.
99
Introduccin a la Investigacin de Operaciones
Ci = Ki - ni*ti , con Ii ti Si
Donde representa los caminos que van de la raiz al final, y es un parmetro que
representa la duracin total del proyecto.
100
Introduccin a la Investigacin de Operaciones
7. PROCESOS ESTOCSTICOS
7.1 Introduccin
7.1.1 Experimentos, espacio muestral, evento.
101
Introduccin a la Investigacin de Operaciones
El dominio de la funcin variable aleatoria son los eventos, por lo que a cada valor
posible de una variable aleatoria podemos asociar una medida de probabilidad,
definiendo as la distribucin de probabilidad de la variable.
Siempre que p(xj) satisfaga estas condiciones es lcito hablar de una v.a. que asume
los valores x1, x2,...xN con probabilidad p(x1), p(x2),.., sin hacer ms referencias al
espacio muestral original; se forma un nuevo espacio con los puntos muestrales x1,
x2,... xN.
Si Y es una v.a. continua (su recorrido es el conjunto de los Reales, R), la probabilidad
de que tome un valor fijo es en general nula, y existe una funcin fY(y) llamada
funcin de densidad en R, que verifica la propiedad siguiente:
B R, P(Y B) = f Y ( y )dy, y f Y ( y )dy = 1
B
Sea X una v.a. con segundo momento E(X2 ) y esperanza E(X), se define un nmero
llamado Varianza de la v.a. X, Var (X), como el segundo momento de X en torno a
su media:
102
Introduccin a la Investigacin de Operaciones
(x j E ( X )) p (x j ) si X discreta
2
( )
x j
Var ( X ) = E ( X E ( X )) =
2
( x E ( x ))2 f ( x )dx si X continua
Sea A un evento cualquiera. Definimos la variable aleatoria "Indicatriz del evento A",
que notamos por IND(A), a una v.a. binaria, que toma valor 1 cuando el evento A se
produce, y valor 0 en otro caso. Por lo tanto:
P(IND(A)=1) = P(A)
P(IND(A)=(0) = 1-P(A)
Es fcil ver que:
E(A) = 1.P(A)+ 0.(1-P(A))=P(A)
y que
Var(IND(A)) = E(IND(A) 2) - E2(IND(A )= (12.P(A)+ 02.(1-P(A))) - P(A) 2
= P(A) -P(A) 2 = P(A)(1-P(A)).
3)E( N ) = Var( N ) =
Con frecuencia se supone que el nmero de llegadas de clientes a un negocio,
durante un intervalo de tiempo, o la demanda de un producto, se comportan segn una
distribucin Poisson. es el parmetro de la distribucin, correspondiendo a la
intensidad de llegadas por unidad de tiempo.
103
Introduccin a la Investigacin de Operaciones
Decimos que una v.a. X continua es exponencial con parmetro , >0, cuando:
e x x 0
f X ( x) =
0 x<0
1 e x x 0
x
P( X x) = f X (t )dt =
0 x<0
1 1
E( X ) = Var(X) =
2
Se puede demostrar que si X es una v.a. esponencial, entonces
1 1
E( X ) = Var(X) = 2
Generalmente se procura trabajar con v.a. que reflejen con la mayor simplicidad
posible las propiedades realmente esenciales de los resultados del experimento.
Definiciones
que asigna probabilidades a todos los eventos simultneos que surgen de las
combinaciones de los pares de valores (xj, yk) que toman X e Y respectivamente.
(X=xj, Y=yk) es el evento definido por el par de sucesos que satisfacen
simultaneamente las condiciones X = xj, e Y = yk.
104
Introduccin a la Investigacin de Operaciones
P( A B )
Para eventos: P( A | B ) = si P( B ) > 0
P( B)
Para v.a. (caso particular del anterior):
P( Y = y k , X = x k )
P( Y = y k | X = x j ) = P( X = x k ) > 0
P( X = x k )
Se deduce, extendindolo a ms de dos variables:
( )( )
P (Y = yk , X = x j , W = wn ) = P Y = yk | X = x j , W = wn P X = x j | W = wn P (W = wn ) .
Si tenemos que Y es una variable aleatoria discreta, entonces los eventos Bk= (Y= yk)
son exhaustivos y mutuamente excluyentes, es decir conforman una particin de ,
por lo que E se puede expresar de la siguiente manera:
E = ( E , Y = y1 ) ( E , Y = y2 ) ... ( E , Y = y k ) .....
P( E ) = P( E , Y = y k ) = P( E | Y = y k ) P( Y = y k )
k =1 k =1
Existe una propiedad anloga en el caso continuo, pero es necesario que la varianza
de Y sea finita: si Var(Y)<, entonces
P(E Y = y ) fY ( y )dy
+
P (E ) =
Ejemplo 7.1.1:
105
Introduccin a la Investigacin de Operaciones
e n
P( X = 0) = P( X = 0 | N = n )P( N = n ) = (1 p ) n = e e (1 p ) = e p
n =0 n =0 n!
Esperanza Condicional
La esperanza condicional E(X|Y) es una nueva variable aleatoria definida en base a
dos variables X e Y, definida de la siguiente forma:
E( X | Y ) = xP( X = x | Y = y ) IND(Y = y ) .
y x
Tenemos que si Y toma el valor y, entonces entonces E(X|Y) tomar el
valor: E ( X | Y = y ) = xP( X = x | Y = y ) = xp X |Y ( x | y )
x x
Ejemplo 7.1.2:
Propiedad 1
La propiedad fundamental de la distribucin exponencial es que no tiene memoria.
106
Introduccin a la Investigacin de Operaciones
Propiedad 2
Sea T1 y T2 variables aleatorias exponenciales independientes de tasa 1 y 2
respectivamente. Entonces T=min(T1,T2) es una v.a. exponencial de parmetro
(1+2).
Dem:
1 FT (t ) = P(T1 > t , T2 > t ) = (indep. T1 y T2 ) = P(T1 > t ) P (T2 > t ) = e 1t e 2t = e (1 + 2 )t
Ejemplo 7.1.3
Considere el negocio de venta de sombreros.
Si T1 representa el tiempo entre la llegada de un cliente y el siguiente, y T2 el tiempo
de atencin al cliente, suponemos que ambos tiempos son exponenciales (no tienen
memoria). Se quiere estudiar el comportamiento conjunto de ambas distribuciones.
Observemos el tiempo T transcurrido hasta que uno de los eventos T1 y T2 ocurra.
Interesa entonces:
T = min(T1, T2)
Consideremos T t
P(T t ) = 1 P(T > t ) = 1 P(min(T1 , T2 ) > t ) = 1 P(T1 > t , T2 > t )
= 1 P(T1 > t ) P(T2 > t ) = 1 e ( + )t
Ya que T1 y T2 son independientes y s min(T1, T2) > t ( T1 >t, T2 >t)
Si dos v.a. exponenciales independientes ocurren simultneamente, en conjunto se
comportan segn una distribucin exponencial, con tasa igual a la suma de las tasas
individuales de cada una de ellas.
Propiedad 3
Clculo de la probabilidad de que una v.a. exponencial ocurra antes que otra.
( )
P( X 1 < X 2 ) = P X 1 < X 2 | X 2 = x f X 2 ( x )dx = P( X 1 < x ) 2 e 2 x dx
0 0
( )
= 1 - e -1 x 2 e 2 x dx = 1 2 e ( 1 + 2 ) dx
0 0
2
2 1
= 1- (1 + 2 )e ( + ) dx = 1
1 2
=
1 + 2 0
1 + 2 1 + 2
Ejemplo 7.1.4:
Suponga un sistema de colas (negocio de venta de sombreros) con un solo empleado .
El intervalo de tiempo que transcurre entre la llegada de un cliente y el siguiente se
describe con una v.a. exponencial X1, de esperanza 1/2 hora. El tiempo que le
107
Introduccin a la Investigacin de Operaciones
lleva al empleado atender a cada cliente se comporta segn otra v.a. exponencial,
X2, independiente de X1, de valor esperado 15 minutos.
Cul es la probabilidad de que un nuevo cliente llegue antes de que el servidor
termine de atender al cliente que est atendiendo? y viceversa?
X1 = tiempo entre llegadas sucesivas
X2 = tiempo de atencin al cliente
E(X1) = 1/1 = 0,5 horas; 1 = 2
E(X2) = 1/2 = 0,25 horas; 2 = 4
1 1
P( X 1 < X 2 ) = =
1 + 2 3
En la seccin anterior hemos visto como realizar modelos que describan situaciones
correspondientes a la observacin del resultado de un experimento puntual.
Ahora estudiaremos las herramientas a utilizar cuando el experimento que queremos
modelar no es puntual, sino que evoluciona en el tiempo.
Para estos casos se introduce el concepto de proceso estocstico, definindolo como
una familia de v.a. que describen la evolucin, a travs del tiempo, de un proceso
fsico o experimento.
Ejemplo 7.2.1
Consideremos un sistema de atencin al pblico.
Podemos definir el proceso estocstico X tomando Xt = nmero de clientes esperando
en el instante t. En este caso tenemos que E=N y T=R+, por lo que X es un proceso de
espacio de estado discreto y tiempo continuo.
108
Introduccin a la Investigacin de Operaciones
Definimos la evolucin del proceso como la sucesin de estados por los que va
pasando el mismo. Cada evolucin posible del proceso tiene una probabilidad de
ocurrencia dada por la distribucin conjunta de las probabilidades de ocurrencia en
cada etapa, P( X n = en , X n 1 = en 1 ,..., X 2 = e2 , X 1 = e1 , X 0 = e0 ) .
Para calcular esta probabilidad utilizamos el producto de las probabilidades
condicionales dadas para cada etapa:
P( X n = en , X n 1 = en 1 ,..., X 2 = e2 , X 1 = e1 , X 0 = e0 )
= P( X n = en | X n 1 = en 1 ,..., X 2 = e2 , X 1 = e1 , X 0 = e0 ) P( X n 1 = en 1 ,..., X 1 = e1 , X 0 = e0 )
= P( X n = en | X n 1 = en 1 ,..., X 2 = e2 , X 1 = e1 , X 0 = e0 )... P( X 1 = e1 | X 0 = e0 ) P( X 0 = e0 )
n
= P( X 0 = e0 ) P( X i = ei | X i 1 = ei 1 ,..., X 0 = e0 )
i=2
Cada evolucin corresponde a un punto muestral de nuestro espacio de probabilidades
de base, por lo que la probabilidad de la unin de todas las evoluciones posibles debe
ser 1.
Ejemplo 7.2.2
109
Introduccin a la Investigacin de Operaciones
Sabemos que las probabilidades de que se elija A B es de 1/2 para cada una:
P( X 1 = A) = P( X 1 = B ) = 0,5
Tenemos tambin:
P( X 2 = C | X 1 = A) = P( X 2 = N | X 1 = A) = 0,5 y
P( X 2 = C | X 1 = B ) = 1
Por ltimo:
P( X 3 = C | X 2 = C , X 1 = B ) = 1
P( X 3 = C | X 2 = C , X 1 = A) = 1/ 2
P( X 3 = N | X 2 = C , X 1 = A) = 1 / 2
P( X 3 = i | X 2 = N , X 1 = A) = 1 6 , i = 1,2,...6
1/2 1/2
X1 A B
1/2 1/2 1
X2 C N C
X3 C N 1 6 C
La raz del rbol corresponde al estado inicial del proceso estocstico. A cada
resultado posible de la n-sima etapa del proceso estocstico le corresponde un nodo
110
Introduccin a la Investigacin de Operaciones
del nivel n+1 del rbol. Los arcos estn ponderados por las probabilidades
condicionales de transicin entre estados del proceso. La utilidad de esta
representacin grfica consiste en:
identificar todas las posibles evoluciones del proceso, como cadenas del rbol,
calcular la probabilidad de ocurrencia de cada posible evolucin del proceso,
calcular las distribuciones de probabilidad de los caminos de las etapas
intermedias.
Pero cuando el espacio de estado contiene muchos estados, o el nmero de etapas es
grande, no es posible utilizar este rbol.
111
Introduccin a la Investigacin de Operaciones
P = i pi 0 pij pir 0 i, j r = E
r pr 0 prj prr
Una matriz cualquiera que verifica estas ecuaciones recibe el nombre de matriz
estocstica. Cuando adems la suma de las probabilidades de cada columna es 1 se
dice que P es bi-estocstica.
Ejemplo 7.3.1
Consideremos un sistema de comunicaciones que transmite los dgitos 0 y 1.
Cada dgito transmitido debe pasar por varios nodos (o centrales). Existe una
probabilidad p, 0 < p <1, de que el dgito enviado desde un nodo contine
incambiado cuando llega al nodo siguiente y sea reenviado, pero con probabilidad 1-p
surgen perturbaciones en la lnea que modifican el dgito.
Denominemos Xn al dgito enviado desde el nodo n, entonces Xn+1 es el dgito
recibido en el nodo siguiente y retrasmitido. Para cualquier n, Xn solamente puede
tomar los valores 0 o 1. Entonces el espacio de estado es E = {0, 1}
112
Introduccin a la Investigacin de Operaciones
Sea X={Xn,n0} una cadena de Markov finita de espacio de estado E={1,2,...r}, |E|=r,
y matriz de transicin P. Podemos asociar un grafo orientado ponderado G=(E,U,W) a
la cadena X de la forma siguiente:
E (espacio de estado de la cadena) es el conjunto de nodos
U = {uij=(i,j)|i,jE, pij>0} es el conjunto de arcos orientados
W es la funcin de ponderacin que asigna uij + (i) la probabilidad de
transicin pij > 0 correspondiente, W(uij) = pij > 0.
Como la suma de todas las probabilidades de transicin pij para cada fila i debe ser
igual a 1, entonces el grafo asociado a una C. M. finita homognea no puede ser
cualquiera, sino que la suma de las probabilidades asignadas a los arcos incidentes
exteriormente a cada nodo debe ser igual a 1.
Aunque el grafo retiene nada ms que las probabilidades de transicin entre dos
estado, su estudio es muchas veces suficiente para conocer cualitativamente la
evolucin del proceso.
Ecuaciones de ChapmanKolmogorov
Hasta aqu nos hemos ocupado solamente de las transiciones en una sola etapa de una
cadena. Veremos a continuacin como estudiar de forma analtica la evolucin y las
probabilidades de transicin en n etapas de una cadena de Markov.
113
Introduccin a la Investigacin de Operaciones
Las ecuaciones de ChapmanKolmogorov nos dan una relacin recursiva entre las
probabilidades de transicin en varios pasos. La primer formulacin de estas
ecuaciones es la siguiente:
pij( n + m ) = pik( n ) pkj(m ) , n, m 0, i, j E
k E
Por lo tanto, tomando la sumatoria sobre todos los estados intermedios kE,
obtenemos la probabilidad de que el proceso alcance el estado j luego de n+m
transiciones (se suman ya que cada camino es una evolucin del proceso y las
evoluciones del proceso son sucesos disjuntos).
114
Introduccin a la Investigacin de Operaciones
k j
i
n m
E
Demostraremos a continuacin las ecuaciones de ChapmanKolmogorov:
P( X n + m = j, X o = i ) total
teo . prob.
pij(n +m ) = P( X n +m = j | X o = i) =
def def
=
P( X o = i )
P( X n +m = j, X n = k , X o = i ) condicional
def . prob .
= =
kE P( X o = i )
P( X n +m = j | X n = k , X o = i )P( X n = k , X o = i ) Markov
prop . de
= =
kE P( X o = i )
P( X n +m = j | X n = k )P( X n = k , X o = i )
= =
kE P( X o = i )
simplif . por def .
= P( X n + m = j | X n = k )P( X n = k | X o = i ) = pkj(m ) pik(n ) QED.
kE kE
Esta expresin sugiere el uso de matrices para el calculo de las probabilidades pij(n ) .
Recordemos que si A es una matriz nxm de elemento genrico aij y B es una matriz
mxq de elemento genrico bij, entonces AxB se define como la matriz nxq cuyo
m
elemento genrico (i,j) est dado por aik bkj .
k =1
Si A y B son estocsticas, AxB tambin es estocstica.
Una propiedad importante que se puede demostrar a partir de esta formulacin es que
la matriz de transicin en n pasos es igual a la n-sima potencia de la matriz de
transicin en un paso, P:
P (n ) = (P )
n
115
Introduccin a la Investigacin de Operaciones
Para clasificar los estados de una C.M. finita vamos a definir la relacin de alcance
entre los mismos.
Decimos que el estado j es alcanzable desde i si y slo si es posible que el proceso
alguna vez alcance o se encuentre en el estado j, habiendo partido de i. Esto es
equivalente a pedir pij( n ) > 0 para algn n0, ya que
si n, pij(n ) = 0, entonces P( X pasa por j | X 0 = i ) = P {X n = j | X 0 = i} P( X n = j | X 0 = i ) = 0
n =1 n =1
si N | pij( N ) > 0, entonces P( X pasa por j | X 0 = i ) = P {X n = j | X 0 = i} P( X N = j | X 0 = i ) > 0
n =1
Decimos que dos estados i y j se comunican (notacin ij) cuando son alcanzables
el uno desde el otro (o de forma equivalente cuando existen n,m0 tales que pij( n ) > 0 y
p (jim ) > 0 ).
Se define as la relacin de comunicacin que satisface las siguientes propiedades:
1) Reflexiva , ii iE ya que por definicin:
pii(0 ) = P( X 0 = i | X 0 = i ) = 1 > 0
2) Simtrica, si ij ji, i,jE
se verifica por definicin de la relacin comunicacin.
3) Transitiva, si ij y jk ik, i,j,kE
por hiptesis ij y jk, entonces por definicin de la relacin de
comunicacin
n, m > 0 | p ij > 0, p (jim ) > 0
(n )
116
Introduccin a la Investigacin de Operaciones
Ejemplo 7.3.3
Consideremos la siguiente cadena de Markov de espacio de estado E={0,1,2} con la
siguiente matriz de transicin:
1
2
1
2 0
P= 1
2
1
4
1
4
0 1
3
2
3
Comprobamos que todos sus estados se comunican, por lo tanto esta cadena es
irreductible (tiene una sola clase en el espacio de estado).
Si observamos el grafo asociado, vemos posee una sola componente fuertemente
conexa, por lo tanto es irreductible (tambin podemos llegar a esta conclusin a partir
del hecho que la matriz es tridiagonal, por lo que no se la puede triangularizar por
bloques).
1/4
1/2 1/3
1/2 1
2/3
0 1/2 1/2
2
Ejemplo 7.3.4
Sea la cadena de Markov de espacio de estado E= {0,1,2,3} y matriz de transicin P,
1
2
1
2 0 0
1 1 0 0
P=
2 2
1 1 1 1
4 4 4 4
0 0 0 1
Las clases de esta cadena son: {0,1}, {2}, {3}.
Nota: si bien los estado 0,1 y 3 son alcanzables desde el estado 2, la accin inversa
no es posible. En particular, como p33 = 1, desde el estado 3 no es posible acceder a
ningn otro estado, por lo que decimos que 3 es un estado absorbente.
El subgrafo asociado tiene 3 componentes fuertemente conexas.
117
Introduccin a la Investigacin de Operaciones
Proposicin
El estado i es recurrente si pii(n ) = (diverge)
n =0
El estado i es transitorio si pii(n ) < (converge)
n =1
Demostracin:
Supongamos que el proceso comienza su evolucin en el estado i, X0=i. Si i es
recurrente, con probabilidad 1 el proceso eventualmente alcanzar el estado i por
segunda vez. Repitiendo el razonamiento, vemos que el proceso pasar por el estado i
una infinidad de veces, con probabilidad 1.
Si en cambio i es transitorio, cada vez que el estado i es alcanzado existe una
probabilidad de no volver jams igual a 1-i, por lo que tenemos que la probabilidad
de efectuar exactamente n pasajes por el estado i (contando como uno la estada
inicial) se puede expresar como:
P(X pase exactamente n veces al estado i | X 0 = i ) = in 1 (1 i ) ,
probabilidad en la que reconocemos una distribucin geomtrica de esperanza finita
1/(1i); entonces, el nmero esperado de retornos al estado i es Ri = 1 / (1i) , que
es finito.
118
Introduccin a la Investigacin de Operaciones
Por lo tanto, si logramos calcular la esperanza del nmero de retornos del proceso al
estado i, podemos saber si dicho estado es transitorio (esperanza finita) o recurrente
(nmero infinito de regresos).
Propiedad
En una C.M. finita homognea existe por lo menos un estado recurrente (no pueden
ser todos transitorios).
Para justificar esta propiedad por el absurdo, supongamos que todos los estados
{0,1,2,....,n} de una C.M.F.H. son transitorios. Tomemos una trayectoria cualquiera
de la cadena. Al ser el estado 0 transitorio, existir una etapa N0 luego de la cual el
estado 0 ser abandonado para siempre. Al ser el estado 1 transitorio, existir tambin
una etapa N1 luego de la cual el estado 1 tampoco ser visitado. Y as sucesivamente
con todos los n estados. Si tomamos ahora N = mx {N0, N1,....Nn}, N es un nmero
natural por ser el mximo de un nmero finito de naturales. Consideremos las etapas
siguientes a la N, por ejemplo la etapa N+1: por definicin del espacio de estado,
XN+1= i E={0,1,2,....,n}; pero por ser NNk,kE={0,1,2,....,n}, entonces XN+1 k,
kE={0,1,2,....,n}, es decir XN+1E={0,1,2,....,n}, y hemos llegado a un absurdo.
Por lo tanto no todos los estados de una C.M.F.H. son transitorios, lo que implica que
existe al menos un estado recurrente.
Corolario 1
La recurrencia es una propiedad de clase: si un estado i es recurrente, e ij,
entonces j es recurrente.
Demostracin
por def.
comunicaci n
i j k , m 0, pij( k ) > 0 y p (jim ) > 0
por prop.
anterior
i recurrente pii( n ) =
n =1
Corolario 2
El corolario anterior implica que la transitoriedad tambin es una propiedad de
clase: si i transitorio, ij, entonces j es transitorio.
Demostracin:
Si j fuese recurrente, como por hiptesis ji, aplicando el corolario anterior
tendramos i recurrente, lo que es absurdo. Por lo tanto j es transitorio.
119
Introduccin a la Investigacin de Operaciones
Corolario 3
El hecho de que la recurrencia es una propiedad de clase y adems que no todos los
estados de una C.M.F pueden ser transitorios, nos permite afirmar que todos los
estados de una C.M. finita irreductible son recurrentes.
Demostracin:
Por definicin, una cadena de Markov irreductible posee una sola clase de estados.
Por lo tanto, i j , i , j E
Aplicando la propiedad anterior, como la cadena es finita, existe al menos un estado
iE recurrente. Por el corolario 1, todos los estados que comunican con i son tambin
recurrentes, por lo tanto jE, j es recurrente.
Ejemplo 7.3.5
Sea la C.M. cuya matriz de transicin es:
0 0 12 12
1 0 0 0
P=
0 1 0 0
0 1 0 0
Ejemplo 7.3.6
Consideremos la C.M. con matriz de transicin
12 12 0 0 0
12 12 0 0 0
P= 0 0 12 12 0
0 0 12 12 0
14 14 0 0 12
Esta matriz est triangularizada por bloques. Podemos diferenciar 3 clases de
equivalencia en el espacio de estado: {0,1}, {2,3} y {4}.
Las dos primeras clases son recurrentes. En cambio, la clase {4} es transitoria.
Verificando en el grafo asociado:
E0
1/2
1/4 E1
1/2
1/2 1/2
1/4
E 1/2
4
1/2
E3
1/2
1/2 E2
120
Introduccin a la Investigacin de Operaciones
Para un estado i recurrente, definimos mii como la esperanza del tiempo del primer
retorno al estado i:
mii = nf ii (n )
n =1
Periodicidad
( )
Se dice que el estado i es peridico si d (i ) = MCD n | p ii(n ) > 0 > 1 , y es aperidico
si d (i ) = 1 .
Si un estado i es peridico de perodo d(i), el proceso puede retornar a dicho estado
solamente en las etapas multiplos de d(i).
121
Introduccin a la Investigacin de Operaciones
Una cadena es aperidica si todos sus estados lo son, y peridica en caso contrario.
Ejemplo
i
j
En esta cadena, tenemos que pii( n ) > 0 para n = 4,6,8, (2 + 2k ) . Por lo tanto, d(i)=2,
o sea que el estado i es peridico de perodo 2. Como adems la cadena es
irreductible, todos los estados de la misma tendrn perodo 2.
Ejemplo
1/2
1/2 i j
Esta cadena es aperidica, ya que el estado i tiene un lazo, por lo tanto d(i)=1, y como
existe una sola clase de estados, todos tendrn periodicidad 1.
Ergodicidad
Se define un estado ergdico como aquel que es recurrente positivo y aperidico.
Un conjunto K de estados es ergdico si todos los estados que lo componen son
ergdicos. Una cadena de Markov es ergdica cuando es irreductible y su espacio de
estado es un conjunto de estados ergdicos. Si una cadena de Markov es finita y
ergdica, diremos que es una cadena regular.
122
Introduccin a la Investigacin de Operaciones
que corresponde a la ecuacin Q(n ) = Q(n 1)P , la cual aplicada recursivamente nos
permite llegar a Q(n ) = Q(0)P n .
Ejemplo:
Sea una CMTDH con dos estados, A y B, y matriz de transicin
2/4 2/4
3/4 1/4
Si la distribucin inicial
Q(0)=(0,1), entonces Q(1)=(3/4,1/4), Q(2)=(9/16,7/16), Q(3)=(39/64,25/64)
Definicin.
123
Introduccin a la Investigacin de Operaciones
Se puede demostrar
1) Que para una cadena de Markov ergdica, siempre existe la distribucin lmite, y
que adems coincide con la distribucin estacionaria que es nica en este caso.
2) Que para una cadena de Markov finita, irreductible y peridica, siempre existe una
nica distribucin estacionaria.
Para cadenas peridicas puede no existir una distribucin lmite. Veamos el siguiente
ejemplo.
Ejemplo 7.3.8
0 1
Sea la cadena de matriz de transicin P, P = . En esta cadena, si el estado
1 0
inicial X0 del proceso es el estado 1, en todas las etapas pares la cadena pasar por el
0 1
estado 1, y en las etapas impares por el estado 2. Podemos ver que P 2 n+1 = y
1 0
1 0
P 2n = para todo n0. Por lo tanto, no existe lim P n , es decir que no tenemos
0 1 n
Ejemplo 7.3.9
Un vigilante tiene una manzana para cuidar. La vigilancia comienza en una de las
esquinas, dirigiendose a las otras de acuerdo a las siguientes probabilidades:
124
Introduccin a la Investigacin de Operaciones
El espacio de estado de esta cadena es {1,2,3,4}, donde cada estado corresponde a una
esquina en nuestro problema. La cadena se encuentra en el estado i durante la etapa n,
Xn=i, cuando el vigilante est en la esquina i durante la n-sima unidad de tiempo.
Como el espacio de estado de esta cadena posee una sola clase de equivalencia,
entonces la cadena es irreductible, y como es finita, entonces todos los estados son
recurrentes positivos. Para estudiar la periodicidad, alcanza con ver que como el
estado 3 posee un bucle, por lo tanto d(3)=1; al existir una sola clase, todos los
estados tienen la misma periodicidad, 1 en este caso. Tenemos entonces que esta
cadena es finita, irreductible y aperidica, entonces es ergdica. Por lo tanto, existe
p
una distribucin lmite que coincide con la estacionaria, 1 = 2 = 4 = ,
3 p +1
1
3 = .
3 p +1
Para las cadenas de Markov de tiempo continuo homogneas podemos dar otra
definicin equivalente a la anterior, basada en la propiedad de ausencia de memoria.
Diremos entonces que una cadena de Markov de tiempo continuo es un proceso
estocstico cuya evolucin respeta las reglas siguientes:
1. el tiempo de permanencia del proceso en el estado i es una variable aleatoria
independiente, de ley exponencial y parmetro vi (por lo tanto, su media es 1/vi),
para todo estado i de E. Notaremos TPi a la variable exponencial del tiempo de
permanencia en el estado i.
125
Introduccin a la Investigacin de Operaciones
Como la suma de todas las probabilidades de transicin pij para cada fila i debe ser
igual a 1, entonces el grafo asociado a una C. M. finita homognea no puede ser
cualquiera, sino que la suma de las probabilidades asignadas a los arcos incidentes
exteriormente a cada nodo debe ser igual a 1.
Aunque el grafo retiene nada ms que las probabilidades de transicin entre dos
estados, su estudio es muchas veces suficiente para conocer cualitativamente la
evolucin del proceso.
Ejemplo 7.4.1
En un negocio de lustrar zapatos hay 2 sillas (silla 1 y silla 2). Un cliente que llega
se dirige primero a la silla 1, donde le limpian los zapatos y le ponen pomada.
Despus va a la silla 2 donde le lustran los zapatos. Estos dos servicios se consideran
variables aleatorias exponenciales independientes con parmetros respectivos 1 y 2.
Supongamos adems que los clientes entran segn una distribucin Poisson de tasa l
y que cualquier cliente entra solamente si las dos sillas estan desocupadas.
126
Introduccin a la Investigacin de Operaciones
p
12
p 2
20
1/2
Periodicidad:
En CM de tiempo continuo todos los estados son aperidicos (no existe concepto de
estado peridico).
Ergodicidad:
Toda CM de tiempo continuo homognea finita e irreductible es ergdica.
Si la cadena es infinita, puede no ser ergdica (una condicin suficiente para que una
cadena irreductible sea ergdica es que los valores i estn acotados superiormente).
127
Introduccin a la Investigacin de Operaciones
Distribucin estacionaria.
Si Q(t)= es una distribucin estacionaria, entonces, Q(s)=, s>t.
Se puede demostrar que para una cadena de Markov de tiempo continuo finita y
ergdica, siempre existe la distribucin lmite, y que adems coincide con la
distribucin estacionaria que es nica en este caso. (ver en las pginas anteriores la
discusin sobre ergodicidad).
qij i = q ji j .
i A jE / A jE / A iA
128
Introduccin a la Investigacin de Operaciones
Un caso particular de los procesos de conteo son los procesos de Poisson. Un proceso
de conteo {N t , t 0} es de Poisson si verifica las siguientes propiedades adicionales:
el proceso es homogneo en el tiempo y de incrementos independientes.
P( N h = 1) = h + o(h ) = p1 (h ) probabilidad de un evento en el intervalo (0, h] .
P( N h 2 ) = o(h ), o(h ) 0 probabilidad de ms de un evento en (0, h] .
h 0
129
Introduccin a la Investigacin de Operaciones
3
2
1
t t t
0 1
T T
0 1
( ) ( )
prob. por ser T1
condiciona l exponencia l
P(T2 > t ) = P T2 > t | T1 = s f T1 (s )ds = P T2 > t | T1 = s e s ds
0 0
Tenemos que
( ) ( )
incremento s crecimient o
independie ntes homogneo
P T2 > t | T1 = s = P N t + s N s = 0 | N s = 1 = P( N t + s N s = 0 ) = P(N t = 0) = p0 (t ) = e t
( )
P(T2 > t ) = e t e s ds = e t e s ds
0
= e t = P T2 > t | T1 = s
0 0
Por lo tanto concluimos que la variable aleatoria T2 tambin es exponencial, y su
esperanza es 1/.
Ademas T1 y T2 son independientes ya que P(T2 > t|T1 = s) = P(T2> t).
Con el mismo esquema, podemos demostrar que T3, T4, T5, etc., son variables
aleatorias exponenciales independientes, cuyo valor esperado es 1/ .
130
Introduccin a la Investigacin de Operaciones
Ejemplo 7.5.1
Supongamos que la inmigracin a un pas se realiza segn un proceso de Poisson, de
tasa = 1 inmigrante/da. Calculemos la probabilidad de que el tiempo transcurrido
entre el dcimo y el undcimo inmigrante exceda los dos das:
P{T11 > 2} = e-2 = e-2 0,133
Propiedad
Todo proceso de nacimiento y muerte de parmetros {n }n=0 y { n }n=1 es equivalente
La relacin entre las tasas de nacimiento y muerte del proceso con las tasas y
probabilidades de transicin de la cadena son las siguientes:
1. 0=0 ; i > 0 i=i+i tasa de transicin - suma de tasas de llegada y salida
2. probabilidades de transicin:
p01 = 1
pi,i+1 = i /(i+i) i > 0 - probabilidad de que ocurra una llegada antes
pi,i1 = i /(i+i) i > 0 - probabilidad de que ocurra una partida antes.
131
Introduccin a la Investigacin de Operaciones
n
k
n = 0 k =o
<
k +1
n
k +1
n = 0 k =o
=
k +1
132
Introduccin a la Investigacin de Operaciones
Excepto para algunos casos especiales, el estudio analtico del proceso de nacimiento
y muerte es muy difcil cuando el sistema se encuentra en una condicin transitoria.
Se han obtenido algunos resultados sobre la distribucin de probabilidades de los
estados, pero son muy complicados como para tener aplicacin prctica amplia. Por
otra parte, es relativamente sencillo obtener una distribucin despus de que el
sistema ha alcanzado un estado estacionario (suponiendo que el sistema lo alcanza).
Esto puede realizarse directamente del diagrama de tasas, como se explica a
continuacin.
Bajo hiptesis de regularidad del sistema, esta distribucin estacionaria coincide con
la distribucin de probabilidades lmite del sistema. En ese caso, podemos interpretar
el valor pn como la probabilidad asinttica de que haya n unidades en el sistema, o
tambin como la proporcin del tiempo total (cuando t) durante la cual hay n
unidades en el sistema.
133
Introduccin a la Investigacin de Operaciones
Para cualquier estado n (n = 0, 1, ...) del sistema, la tasa media (nmero esperado
de ocurrencias por unidad de tiempo) a la que ocurren los eventos de entrada a un
estado o conjunto de estados debe ser igual a la tasa media a la que ocurren los
eventos de salida de ese estado o conjunto de estados.
Este principio se expresa mediante las ecuaciones de balance para el estado n o para
un conjunto de estados Cn. Luego de construir las ecuaciones de balance para cada
estado, en trminos de probabilidades estacionarias pn desconocidas, puede resolverse
el sistema para hallar las probabilidades.
1p1 = 0p0
Para el resto de los estados, existen dos transiciones posibles, tanto hacia adentro
como hacia fuera del estado.
Dado que el sistema formado por las ecuaciones de balance hasta el n-simo conjunto
de estados contiene siempre n + 1 ecuaciones, podemos resolverlo en funcin de p0.
Luego, imponiendo que los pn sean una distribucin de probabilidades, es decir que
sumen 1, puede hallarse p0.
134
Introduccin a la Investigacin de Operaciones
n1n 2 ...0
Es decir, las probabilidades en estado estacionario son p n = p para n =
n n1 ...1 0
1,2...
n1n2 ...0
Debe cumplirse que p n = 1 , o sea p0 + p = 1 . Por lo tanto,
n =0 n =1 n n1 ...1 0
obtenemos la siguiente expresin para p0:
1
p0 =
n 1n2 ...0
1+
n =1 n n 1 ...1
1 n1n 2 ...0
p0 = pn = p
n 1n2 ...0 n n1 ...1 0
1+
n =1 n n 1 ...1
El resultado anterior y los siguientes se obtienen suponiendo que las tasas permiten
alcanzar un estado estacionario. Esto siempre se cumple si n = 0 para algn valor de
n (es decir, cuando slo es posible un nmero finito de estados).
En el caso general, aplicando la propiedad vista para los procesos de nacimiento y
n1 ...0
n ...1
muerte, si la serie converge, y la serie diverge, la estabilidad
n =1 n ...1 n =1 n ...1
del sistema est garantizada, pues P0 est bien definido (y por ende, todas las dems
probabilidades en estado estacionario).
135
Introduccin a la Investigacin de Operaciones
Sea s el nmero de servidores del sistema. El largo esperado de la fila est dado por la
esperanza de la cantidad de personas en la fila (ntese que decimos la cantidad de
personas en la fila y no en el sistema). Supongamos que el proceso se encuentra en el
estado n (es decir, hay n clientes en el sistema). Si n s, entonces todos los clientes
estn siendo atendidos y la fila tiene largo 0. Si n > s, habr n s clientes en la fila y s
clientes siendo atendidos (fuera de la fila).
Ecuaciones de Little
Las ecuaciones de Little expresan que para cualquier sistema o subsistema dado, en
estado estacionario el nmero medio de clientes dentro es igual a la tasa media de
entrada de clientes por el tiempo medio de permanencia en ese sistema o subsistema.
n = ts
= t f
Donde es la tasa media de llegadas, que viene dada por = n p n .
n =0
136
Introduccin a la Investigacin de Operaciones
n
ts =
tf =
Hemos obtenido ecuaciones para diversas medidas de inters (en estado estacionario)
sobre filas de espera con llegadas de Poisson y tiempos de servicio exponenciales sin
hacer suposiciones acerca de las tasas de llegada y de atencin. A continuacin
aplicaremos estos resultados genricos para establecer resultados en modelos
especficos.
Este es el ms simple de los modelos de filas de espera. Como hiptesis tenemos que
los clientes llegan de acuerdo a un proceso de Poisson de parmetro , y por lo
tanto los tiempos entre llegadas son exponenciales (M). Adems estos clientes son
atendidos o servidos uno por vez, por un solo servidor (o equipo) cuyo tiempo de
servicio tambin es exponencial (M) de parmetro .
Cuando un cliente llega al sistema, y el servidor est libre, es atendido por el mismo.
Si el servidor no est libre, el cliente ocupa el ltimo lugar de la cola, y espera su
turno. Cuando el servidor termina de atender un cliente, ste abandona el sistema, y
el servidor comenzar a atender al cliente que ocupa el primer lugar de la cola.
SISTEMA
servidor
c c c c c c c c c c c
Fuente con unidades fila o cola
idnticas
137
Introduccin a la Investigacin de Operaciones
Con un razonamiento similar para los dems estados, obtenemos las siguientes
ecuaciones, llamadas ecuaciones de balance:
p0 = p1
pn = pn+1 n>0.
Reescribiendo, tenemos
p1 = p0
p n +1 = p n , n 1
que puede ser resuelto en trminos de p0:
p1 = p0
2
p2 = p1 = p0
3
p3 = p1 = p0
n +1
p n +1 = pn = p0
138
Introduccin a la Investigacin de Operaciones
pn = ( ) (1 ), n 1
n
n 1
ts = =
x
1aplicamos la siguiente identidad algebraica: x nx n 1 = , x < 1.
n =0 (1 + x )2
139
Introduccin a la Investigacin de Operaciones
2
Utilizando igualdad de Little: = .t f =
( )
Ejemplo 7.7.1
a) Supongamos que los clientes llegan segn un Proceso Poisson a razn de 1 cada
12 minutos y que el tiempo de atencin o servicio es exponencial de tasa un servicio
n=2
cada 8 minutos. Calculando, tenemos que
t s = 24
n=4
b) Aumentamos la tasa de arribos en un 20%. Al calcular, llegamos a
t s = 40
En este modelo, tanto las tasas de llegadas como los tiempos de servicio de cada
servidor son constantes ( y respectivamente). Por lo tanto, podemos decir que n =
para todo n. Para expresar los n, debemos tener en cuenta que ellas representan la
tasa media de servicio global, es decir de todo el sistema y no de cada servidor por
separado, cuando se tiene n clientes en el sistema. Dicha tasa global corresponde al
tiempo que demore el servidor que termine primero. Entonces, cuando se tiene n
servidores ocupados y cada uno tiene tiempo de servicio exponencial de tasa , la tasa
global de servicio2 es n. Es decir,
n = n si n < s
n = s si n s
2
Recordar que si se tiene n V.A. exponenciales independientes T1, ..., Tn de parmetros 1, ..., n
entonces min(T1, ..., Tn) es una V.A. exponencial de parmetro i.
140
Introduccin a la Investigacin de Operaciones
...
0 1 2 ... s-1 s s+1 ... n n+1
2 3 (s-1) s s s s
Condicin de estabilidad
Distribucin estacionaria
P0 = 1
s 1
( / )n + ( / )s 1
n =0 n! s! 1 ( / s )
Pn =
( / )n
si 0 n s
P
0
n!
Pn =
( / )n P si s n
s!s n s
0
=
j
( / ) j+s
P sustituyendo Pn por su valor
0
j =0 s!s j
( / )s
j 1
= P0 j separando los trminos independientes de j
s! s j =0 s
=
( / )s
P0
1
1
s! s
2
sabiendo que j j 1 = cuando < 1
1 j =0 (1 )2
s
141
Introduccin a la Investigacin de Operaciones
P0 ( / ) ( / s )
s
= 2
reordenando trminos
s! 1
s
P0 ( / ) ( / s ) 1
s
tf = =
2
s! 1
s
1
ts = t f +
El tiempo que transcurre entre una entrada al sistema y la siguiente, tiene una
distribucin exponencial de parmetro . Por lo tanto, cuando hay n clientes en el
sistema y M n fuera, el tiempo hasta la prxima entrada es el mnimo de los M n
tiempos entre entradas (que son exponenciales de parmetro ); por lo tanto el tiempo
hasta la prxima llegada tiene distribucin exponencial de parmetro (M n).
142
Introduccin a la Investigacin de Operaciones
( 1) ( 2) (n+2) (n+1) ( n) ( n 1)
Es decir,
n = ( M n) si n < M
n = 0 si n M
n = para todo n > 0
Condicin de estabilidad
Distribucin estacionaria
n
M
M!
P0 = 1
n =0 ( M n)!
n
M!
Pn = P0 para n = 1, 2, ..., M 1
( M n)!
Pn = 0 para n M
M
= (n 1) Pn
n =1
M M
= nPn Pn separando los trminos
n =1 n =1
M
= nPn (1 P0 ) pues P1 + ... + PM = 1 P0
n =1
+
=M (1 P0 ) Realizando diversas operaciones
143
Introduccin a la Investigacin de Operaciones
M
n= nPn = + (1 P0 ) = M (1 P0 )
n =0
Aplicando la ecuacin genrica tenemos t f = .
Donde
aplicando la definicin
= n Pn
n=0
M
pues Pn = (M n)Pn cuando 0 n M
= ( M n)Pn y Pn = 0 en otro caso
n =0
M M separando trminos
= MPn nPn
n =0 n =0
M M sacando las constantes fuera de la sumatoria
= M Pn nPn
n =0 n =0
= M n por ser P0 + ... + PM = 1
= (M n ) sacando factor comn
n
Del mismo modo, tenemos t s = .
7.7.4 El modelo M/M/s con fuente de entrada finita
Supongamos ahora las mismas hiptesis que el caso anterior, pero ahora con s
servidores. El diagrama de tasas queda
( 1) ( 2) (s+2) (s+1) ( s) ( sn 1)
0 1 2 ... s-1 s s+1 ... M
2 3 (s-1) s s s s
144
Introduccin a la Investigacin de Operaciones
Es decir,
n = ( M n ) si n < M
n = 0 si n M
n = n para todo 0 < n < s
n = s ns
Condicin de estabilidad
Al igual que para el caso con un solo servidor con fuente de entrada limitada, el
sistema siempre alcanzar un estado estacionario, pues el nmero de estados
alcanzables es finito.
Distribucin estacionaria
n n
s 1
M! M
M!
P0 = 1 +
n = 0 ( M n)!n!
n s
n = s ( M n)!s! s
n
M!
Pn = P0 para 0 n s
(m n)!n!
n
M!
Pn = P0 para s n M
(m n)!s!s n s
Pn = 0 n>M
Los clculos de las cantidades de inters se realizan de manera similar a los casos
anteriores.
Para todo sistema de filas de espera en equilibrio, y tal que el proceso de llegada de
clientes es un proceso de Poisson, la probabilidad que un cliente al llegar observe al
sistema en un estado n dado es igual a la probabilidad asinttica de que el sistema se
encuentre en ese estado (pn)
145
Introduccin a la Investigacin de Operaciones
8. SIMULACIN
8.1 Introduccin
La palabra simulacin es un trmino genrico que describe muy diferentes tipos de
actividades incluyendo: roles que se juegan en la vida social o en experimentos
sicolgicos, juegos de videos complejos, modelos a escala creados por ingenieros que
describen la conducta de puentes o aeropuertos, etc.
Recordemos que:
Pero para estudiar realmente un sistema se debe poder experimentar con l y ocurre
que no se podr experimentar con el sistema real siempre que:
146
Introduccin a la Investigacin de Operaciones
8.2 Modelos
Un modelo es el cuerpo de informacin relativa a un sistema recabado con el fin de
estudiarlo, un modelo no es slo un sustituto del sistema, es tambin su
simplificacin.
Modelo
fsico matemtico
Simulacin
de Sistemas
Esta primera divisin se realiza para tener en cuenta que un modelo no es
necesariamente una descripcin matemtica del sistema, existen por ejemplo: modelos
a escala que se utilizan en los tneles de viento, tanques de agua para estudiar el
diseo de naves acuticas, modelos a escala de cursos de ros, de puertos (ej: Puerto
de la Paloma, estudiado por el IMFIA), diversos tipos de modelos.
Un modelo esttico despliega las relaciones entre los atributos del sistema cuando est
en equilibrio, sin mostrar la manera en que cambian los valores de los atributos (no
existen actividades).
147
Introduccin a la Investigacin de Operaciones
Un modelo matemtico dinmico permite deducir los cambios de los atributos del
sistema en funcin del tiempo y dependiendo de la complejidad del modelo, la
deduccin puede hacerse con una solucin analtica o por clculo numrico (ej: el
comportamiento de la llanta de un auto en movimiento se modela con ecuaciones
diferenciales de 2 orden).
Los modelos matemticos dinmicos que se pueden resolver analticamente y que dan
resultados prcticos aplicables no son del todo comunes. Lo ms frecuente es que esos
problemas deban resolverse mediante mtodos numricos y la simulacin es uno de
esos mtodos.
148
Introduccin a la Investigacin de Operaciones
2) Permite experimentar sobre un sistema que puede no existir en la realidad (de otra
manera sera imposible) y en este caso asiste a la decisin de construirlo o no.
Los dos primeros pasos parecen obvios pero son de fundamental importancia; no
debe comenzarse ningn tipo de simulacin sin antes enunciar claramente el problema
y los objetivos de su estudio.
149
Introduccin a la Investigacin de Operaciones
Luego podr establecerse un plan de trabajo que permitir controlar el desarrollo del
trabajo, impidiendo que ele estudio se desbalancee concentrndose en algn aspecto
del problema a costa de otro.
Para ambos: SIMULA, lenguaje nrdico orientado a objetos, que a pesar de su edad,
continua siendo el ms elegante creado para simular, que engloba varios conceptos de
sistemas y modelado, entidad, atributos, actitudes...
El quinto paso: validacin del modelo, requiere una gran cuota de juicio y criterio
comn, ya que las hiptesis hechas al establecer el modelo deben comprobarse
observando si el modelo se comporta como se esper.
150
Introduccin a la Investigacin de Operaciones
que se recaban sin plan determinado. Se debe tener en cuenta tambin el significado
estadstico de los resultados ante la presencia de eventos aleatorios en la simulacin.
La simulacin consiste en seguir los cambios en el estado del sistema producidos por
la sucesin de eventos.
El trmino estado del sistema indica una descripcin de todas las entidades, atributos
y actividades segn su existencia en algn instante del tiempo. El progreso o
desarrollo en el tiempo del sistema se estudia siguiendo sus cambios de estado.
Por ello es necesario llevar un registro del paso del tiempo, al que llamamos "tiempo
de reloj" que es un nmero, inicializado en 0 al comienzo de la simulacin, y que va
indicando cuantas unidade3s de tiempo simulado han transcurrido desde el comienzo..
151
Introduccin a la Investigacin de Operaciones
Existen dos mtodos para actualizar el tiempo del reloj, a los que llamamos
mecanismo de control de flujo de tiempo.
a) el reloj avanza a la hora en que debe ocurrir el siguiente evento, conocido como
mecanismo orientado al evento.
b) el reloj avanza en intervalos pequeos (generalmente uniformes) y en cada
intervalo se determina si debe ocurrir un evento o no, llamado mecanismo
orientado a intervalos, usado normalmente en simulacin continua.
Ejemplo:
Simulamos la llegada de barcos a un muelle, para contabilizar la cantidad de barcos
que llegan a l y su tiempo de espera para atracar.
Comienzo
<Max := tiempo del perodo de simulacin>
<Sortear el tiempo de la prxima llegada: T(prx lleg)>
<Crear una entidad barco, asignarle atributo tiempo de llegada: barco.t(lleg)>
<Reloj := T(prx.lleg)>
Mientras reloj<Max
<Actualizar contador de barcos llegados>
<Actualizar la cola de barcos en espera por muelles segn el tiempo
del Reloj y tomar los datos pertinentes>
Si <hay algn muelle libre>
<Quitar el primero de la cola>
<Calcular tiempo de espera: Reloj-barco.t(lleg)>
<Sortear tiempo de ocupacin del muelle>
<Ocupar el muelle libre>
Si no
<Colocar el barco llegado como ltimo en la cola>
Fin si
<Sortear T(prx. lleg)>
Reloj := Reloj + T(prx. lleg)
Fin mientras
<Procesar los resultados (estadsticos) de la corrida>
Fin
152
Introduccin a la Investigacin de Operaciones
Existen Tests para comprobar que un generador cumpla estas dos condiciones.
Existen tablas de nmeros aleatorios, las cuales pueden ser cargadas en la memoria de
la mquina, en 1955 la compaa RAND (Research & Development ) public una
tabla con un milln de nmeros.
Estas tablas se generan con mtodos aleatorios puros como ser ruletas, extraccin de
nmeros al azar, dados, etc.
Tienen como ventaja el ser nmeros aleatorios puros pero sus desventajas son, entre
otras:
- pueden ocupar mucha memoria
- hay que cargar la tabla en memoria
- la sucesin de nmeros es finita
153
Introduccin a la Investigacin de Operaciones
Estos mtodos tienen la misma ventaja que el primero o sea que se obtienen nmeros
aleatorios puros y como desventajas se puede decir que si se desea generar la misma
secuencia de nmeros ms de una vez, es necesario grabarla puesto que no hay forma
de asegurarse de obtener la misma secuencia automticamente.
Es una tarjeta que se coloca en el slot de un PC, genera nmeros aleatorios reales y su
costo en 1985 era de 600 dlares (lo que representa un costo que no aparece si
utilizamos generadores de nmeros pseudoaleatorios ).
1er. pulso
ON pulso
ISOTOPO OSCILADOR
OFF
2do. pulso
0
+1
CONTADOR
Cuenta
nro. aleatorio
154
Introduccin a la Investigacin de Operaciones
Como la mquina hace ms de 1 milln de operaciones por segundo existe una gran
disparidad entre el toque de tecla por intermedio del operador el programa y la
velocidad con que se ejecuta el loop, por lo que no se podr gobernar el ritmo, ya que
si as fuera el operador podra "manejar" los resultados.
Se generan a travs de una frmula e imitan los valores de una variable aleatoria y
cumplen los tests como si fueran esa variable aleatoria.
Se llaman pseudoaleatorios porque se obtienen realizando un conjunto de operaciones
sobre el nmero generado antes ( recurrencia ) por lo que no son realmente aleatorios
segn lo expuesto antes. A pesar de esto muchos de los mtodos de generacin de
nmeros pseudoaleatorios se comportan correctamente y pasan todos los tests.
Presenta la gran ventaja de ser un mtodo muy veloz y barato y la mayor desventaja
es que son de perodo finito.
Este mtodo fue planteado por Von Neumann en 1950. Se basa en tomar un nmero,
elevarlo al cuadrado y tomar los dgitos del centro como nuevo nmero, luego repetir
el procedimiento.
155
Introduccin a la Investigacin de Operaciones
Ejemplos: a) A = 3, C = 0, M = 5 y Z0 = 4: 2,1,3,4,2,1,...
b) A = 3, C = 0, M = 9 y Z0 = 4: 3,0,0,...
Se desprende del ejemplo que en este mtodo si se repite un nmero ya se repite toda
la secuencia.
Presenta la ventaja de gastar poca memoria y ser muy rpido. Adems es muy fcil
volver a generar la misma secuencia guardando un solo nmero ( alcanza con partir de
la misma semilla Z0 ).
Con respecto al largo del perodo de la secuencia siempre ser menor o igual a M y es
deseable obtener el largo mximo (o sea M) aunque no siempre es posible. Cuando se
obtiene largo mximo se dice que el mtodo es de Perodo Completo.
Test de
Este test sirve para probar la uniformidad de la secuencia de los nmeros generados
(aunque se puede utilizar para comprobar otras funciones de distribucin ).
El mtodo consiste en tomar n observaciones independientes de la variable aleatoria
(en nuestro caso los nmeros generados ) que llamaremos X1, X2, ... ,Xn
156
Introduccin a la Investigacin de Operaciones
Se puede demostrar que V es una V.A. con distribucin con k-1 grados de
libertad para n
Se desprende que el n debe ser grande para que el test sea vlido y adems se debe
cumplir que nPs > 5 para todo s.
Test Serial
Este test sirve para probar la correlacin seria de la secuencia de nmeros observados.
Se agrupa la muestra en pares de valores los cuales deben estar distribuidos
uniformemente y en forma independiente. La muestra es de 2n valores.
Cada pareja tiene probabilidad P(X2j, X2j+1 ) = 1/K, y tendremos K categoras (que
son la cantidad de combinaciones posibles de las parejas de valores ).
Se aplica el test de con K-1 grados de libertad con el mismo criterio que definimos
anteriormente.
157
Introduccin a la Investigacin de Operaciones
Consideramos la v.a X, cuyos valores posibles son x1, x2,,...,xn con probabilidad
n
respectiva p1, p2,...,pn (por lo tanto p i = 1 ).
i =1
Dividimos un intervalo 0<y<1 en intervalos de longitud p1, p2,...,pn :
i=1 2 3 n
entonces cada vez que realicemos un experimento para sortear X, tomamos un valor u
de distribucin U(0,1) y construimos el punto y=u. Si este punto aparece en el
intervalo correspondiente al nmero i aceptamos que X=xi en este sorteo.
P(1 p n1 u 1) = p n
Ejemplo: Una V.A. X puede tomar los valores : rojo con prob. 1/6, azul con prob. 1/3
y blanco con prob. 1/2. Armo el esquema:
rojo azul blanco
0 1/6 1/2 1
Sorteo u = blanco
0,1212 X = rojo
0,9432 blanco
0,6111 blanco
158
Introduccin a la Investigacin de Operaciones
0,4343 azul
1) i := 0
2) Generar u , v.a. U(0,1)
3) Si u p hacer i := i + 1 e ir al paso 2
Sino devolver i como la V.A. geomtrica de parmetro p
[ ]
Calculando, vemos que P( X x ) = P F X1 (U ) x = P[U F X ( x )] = F X ( x ) , es decir
que la v.a. X generada de esta manera posee la distribucin deseada.
U = FX ( x ) X = FX1 (U )
159
Introduccin a la Investigacin de Operaciones
Interpretacin Geomtrica :
1
FX(x)
u
a x x
xa
u= x = a + u (b a ) , donde x ser una v.a. U(a,b) si tomamos u una v.a.
ba
U(0,1) (que puede ser obtenida a partir de un nmero seudoaleatorio, generado con
los mtodos vistos en la seccin 2).
2) Si s 1 vuelvo a 1
(
x1 = v1 2 ln(s ) / 2 )
( )
Si no tomo , que son v.a. N(0,1).
x2 = v2 2 ln(s ) / 2
160
Introduccin a la Investigacin de Operaciones
El mtodo genera 2 v.a. por vez y se llama Polar porque es equivalente a hacer:
Teniendo una v.a. X que sea N(0,1) se pasa directamente a una Y que es N(a,)
1
e ( y a ) / 2 , tomando y = x + a es N(a,).
2
con densidad fY ( y ) =
2
Las primeras aplicaciones realizadas fueron en el campo blico (2da guerra mundial)
para el estudio de la bomba atmica y las armas nucleares, estudiando el
comportamiento aleatorio de los neutrones y su difusin.
161
Introduccin a la Investigacin de Operaciones
Es de notar que es imposible alcanzar una elevada exactitud, por eso el Mtodo Monte
Carlo resulta especialmente eficaz en la solucin de problemas en los que se necesita
conocer los resultados con una exactitud del 5 al 10% (intervalo de confianza 95%,
97,5%). La exactitud de los resultados se puede mejorar con tcnicas de reduccin de
varianza, sin tener que aumentar el volumen de trabajo (N).
Un mismo problema puede ser resuelto utilizando distintas variantes del mtodo, es
decir mediante la simulacin de distintas variables aleatorias.
Ejemplos:
- estudio de la demanda de energa elctrica en un cierto perodo: depende de
factores puramente aleatorios, como el clima
- juegos de azar
- estudio de la cantidad de barcos llegados a un puerto por da
Planteamos un experimento aleatorio tal que colocamos una tabla como en la figura:
162
Introduccin a la Investigacin de Operaciones
y hacemos que alguien con los ojos vendados tire dardos a la tabla.
Los dardos van a perforar la tabla en N puntos aleatorios. Cmo podemos estimar el
rea del cuadrado S a partir de esos puntos?
Nos fijamos cuntos puntos estn dentro de S (sean N'); supongamos que N'=5, siendo
N=40. Entonces la estimacin del rea de S est dada por N'/N=5/40=1/8=0,125,
siendo el valor exacto en este dibujo 0,3*0,3=0,09.
Ntese que el rea buscada cumple la relacin N'/N (independiente de la forma del
rea incgnita) y que cuanto mayor sea N ms nos vamos a acercar a la relacin S/1.
Para que este mtodo de calcular el rea tenga validez, los puntos aleatorios deben
estar distribuidos en forma uniforme en la superficie total, y deben ser obtenidos en
forma independiente.
Clculo de
Veremos, a modo de ejemplo, como calcular una aproximacin del valor , mediante
el mtodo MonteCarlo (este problema tiene soluciones eficientes en forma analtica o
numrica).
Esta forma de calcular es relativamente lenta y poco precisa, pero muestra la forma
de utilizar MonteCarlo, que en el caso de otras constantes es el nico mtodo
disponible.
Justificacin terica
Sea X una v.a. con esperanza E(X) = m y varianza Var(X) = . Tomo una
sucesin de n v.a. Xi independientes y con igual distribucin , siendo E(Xi) = m y
Var(Xi) = .
163
Introduccin a la Investigacin de Operaciones
Aplicando la "regla de las 3", tenemos que para una v.a. Y de distribucin N(a, ):
a 3
fY (t )dt = 0,997
a 3
P X i / N m 3 / N 0,997
(X )
N N
1 1
Var ( X )
2
Xj
N 1
j
j =1 N j =1
Se debe tener especial cuidado en que todas las N corridas sean independientes entre
s, para asegurar que los valores Xi son muestras de v.a. independientes y que por lo
tanto estamos dentro de las hiptesis del teorema central del lmite.
164