Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALUMNOS:
MATERIA:
INVESTIGACIÓN DE OPERACIONES ll
Unidad 1 AL 5
0
PROGRAMACIÓN DINÁMICA.
1. El problema se puede dividir en etapas que requieren una política de decisión en cada
una de ellas. En muchos problemas de programación dinámica, la etapa es la cantidad
de tiempo que pasa desde el inicio del problema, en ciertos casos no se necesitan
decisiones en cada etapa.
2. Cada etapa tiene un cierto número de estados asociados a ella. Por estado se entiende
la información que se necesita en cualquier etapa para tomar una decisión óptima.
3. El efecto de la política de decisión en cada etapa es transformar el estado actual en un
estado asociado con la siguiente etapa (tal vez de acuerdo a una distribución de
probabilidad).
4. El procedimiento de solución está diseñado para encontrar una política óptima para el
problema completo, es decir, una receta para las decisiones de la política óptima en
cada etapa para cada uno de los estados posibles.
5. Dado el estado actual, una política óptima para las etapas restantes es independiente
de la política adoptada en etapas anteriores. (este es el principio de optimalidad para la
programación dinámica). En general en los problemas de PD, el conocimiento del
estado actual del sistema expresa toda la información sobre su comportamiento
anterior, y esta información es necesario para determinar la política óptima de ahí en
adelante.
6. El procedimiento de solución se inicia al encontrar la política óptima para la última etapa.
La política óptima para la última etapa prescribe la política óptima de decisión para cada
estado posible en esa etapa.
7. Se dispone de una relación recursiva que indica la política óptima para la etapa dada la
política óptima para la etapa (n+1)
A pesar de esta característica, los problemas que pueden ser atacados con la PD tienen otras
dos propiedades adicionales:
• Sólo un número reducido de variables se debe conocer en cualquier etapa con el fin de
describir al problema. En efecto, los problemas de la PD se caracterizan por la
dependencia de los resultados derivados de decisiones sobre un número reducido de
variables.
• El resultado de una decisión en cualquier etapa altera los valores numéricos de un
número reducido de variables relevantes al problema. La decisión actual ni incrementa
ni decrementa el número de factores sobre los cuales depende el resultado. Así, para
1
la siguiente decisión en la secuencia, el mismo número de variables se considera (Hillier,
1991).
El problema de la diligencia.
De la ilustración se puede observar que el viaje se puede realizar en 4 etapas, partiendo del estado 1 hasta su
destino en el estado 10:
3
CÁLCULOS PARA LA ETAPA 2
Después se avanza a la etapa 2 para determinar los costos mínimos
(Acumulativos) para los estados 5, 6 y 7 como se aprecia en la figura 1.3.
Considerando primero al estado 5, se ve que existen tres alternativas; a saber (2,5), (3,5), (4,5).
Figura 1.3
Etapa 2: estados 5, 6, 7 conectados
con los estados 2, 3, 4.
Esta información, junto con los costos mínimos de los estados 2, 3 y 4 (figura 1.4) determinan
el costo mínimo (acumulativo) para el estado 5 como:
5
CÁLCULOS PARA LA ETAPA 3
Figura 1.7
Etapa 3: estados 8, 9 conectados
con los estados 5, 6, 7.
6
CÁLCULOS PARA LA ETAPA 4
Para los cálculos se toman los datos de la figura 1.8
Figura 1.8
Etapa 4: Estados 10 conectados
con los estados 8, 9
Si se elige el estado 8, este proviene de haber elegido el estado 5, el cual a su vez de haber
elegido el estado 4 o el 3.
▪ Si se elige el estado 4, la ruta óptima es: 1, 4, 5, 8,10.
▪ Si se elige el estado 3, la ruta óptima es: 1, 3, 5, 8,10
Por lo tanto, existen 3 rutas óptimas a elegir ya que la tres implican el costo mínimo total que
es 11.
7
i=1, 2,3…n
Con la condición inicial . La ecuación indica que las distancias más cortas en
la etapa i se debe expresar en función del siguiente nodo . En la terminología de la
programación dinámica, a 𝑥𝑖 se le llama estado del sistema en la etapa i.
De hecho, se considera que el estado del sistema en la etapa i es la información que enlaza,
conecta o vincula las etapas, de tal modo que se pueda tomar las decisiones para las etapas
restantes sin volver a examinar cómo se llegó a las decisiones de las etapas anteriores. La
definición correcta de estado permite considerar por separado cada estado, y garantiza que la
solución sea factible para todos los estados.
A continuación, se presentarán algunas de estas aplicaciones, cada una de las cuales muestra
una nueva idea en la puesta en práctica de la PD.
8
A medida que se presente cada aplicación, es importante prestar atención a los tres elementos
básicos de un modelo de PD:
De los tres elementos, la definición del estado por lo común es la más sutil.
Las aplicaciones que se presentan a continuación muestran que la definición de estado varía
dependiendo de la situación que se está modelando.
• Un juego aleatorio
• Problema de inversión
• Maximización del evento de lograr una meta.
• El programa WinQSB (3.9 Mb), cuya propiedad intelectual es del Dr. Yih-Long Chang y
es aplicable a todos los problemas de Investigación de Operaciones. Para conocer sus
usos y aplicaciones, se incorpora el MANUAL DE USO del WINQSB.
• El programa PrgLin, cuya propiedad es de la Universidad de Lisboa (Portugal), el cual
se aplica para soluciones gráficas de problemas de dos dimensiones.
• El programa InvOp (361 kb), desarrollado por la Universidad del Cuyo en Argentina, se
aplica para la solución de problemas relacionados con transporte y redes.
9
• El programa Lingo, propiedad de Lindo Systems Inc (USA), que dado su gran tamaño
(18.9 Mb), se recomienda que Usted lo recupere directamente de la página Web del
propietario de dicha tecnología http:// www.lindo.com
10
UNIDAD 2 LINEA DE ESPERA O TEORIA DE COLA
DE APLICACIÓN
Como la mayor parte de las técnicas matemáticas, la teoría de líneas de espera tiene su
propio conjunto de términos. El de disciplina de la línea de espera se refiere a la condición en
que se escogen las llegadas para recibir servicio. En este capítulo el procedimiento consiste
en que las llegadas ocupan su lugar en la línea de espera, a base de que el que llega
primero queda en primer lugar.
Las llegadas pueden ser uniformes durante cierto periodo, o pueden ser aleatorias. La tasa de
llegadas puede tomar la forma de empleados que llegan a la caseta de herramientas de la
empresa, o en otras condiciones podrían representar el número de clientes que esperan para
comer. General-mente, la tasa de llegada se expresa como tasa de llegada por unidad de
tiempo. Si es aleatoria los clientes no llegan en un orden o patrón lógico en el transcurso del
tiempo, lo que representa la mayor parte de los casos en el mundo de los negocios. En las
situaciones en que las llegadas se distribuyen en forma aleatoria puede utilizarse su promedio
si se registra durante un periodo suficientemente prolongado.
La tasa de servicio se ocupa de la forma en que las instalaciones de servicio pueden manejar
las demandas de llegada, y se expresa como una tasa por unidad de tiempo. Por ejemplo, la
tasa de servicio podría indicar el número de pedidos que el departamento de piezas de
repuesto procesa por hora. También el tiempo de servicio puede ser uniforme o distribuido en
forma aleatoria. En los problemas de negocios ‘se encontrarán más casos de tasa uniforme de
servicio que de tasa uniforme de llegada.
11
casos, los clientes esperan cierto nivel aceptable de servicio, mientras que la empresa espera
poder mantener sus costos al mínimo.
La teoría de las líneas de espera no solo es aplicable a los establecimientos de ventas a]
menudeo o mayoreo, sino que las empresas manu-facturaras también la usan extensamente.
Una aplicación muy popular de la teoría de las líneas de espera es el área de las casetas de
herramientas. Los sobrestantes se quejan constantemente de que sus hombres tienen que
esperar mucho tiempo en las filas para recibir herramientas y piezas. Aunque se presiona a
los gerentes de fabrica para que reduzcan los gastos generales de administración, ¡e! aumento
de empleados puede reducir realmente los gastos generales de manufactura, porque el
personal de la fábrica puede trabajar en vez de esperar en una fila.
Otro problema que ha resuelto con éxito la teoría de las líneas de espera. es la
determinación adecuada del número de muelles que se requieren cuando se construyen
instalaciones terminales para barcos y camiones. cómo tanto los costos de los muelles como
los de las demoras pueden ser considerables, ya que los primeros disminuyen mientras
aumentan los segundos, o viceversa, es muy conveniente construir el número de muelles
que reduzcan al mínimo la suma de esos dos costos, Varias empresas manufactureras han
atacado el problema de descomposturas y reparaciones de sus máquinas, utilizando la
misma teoría, El problema se refiere a una batería de máquinas que se descomponen
individual-' mente en diferentes épocas. En realidad, las maquinas que se descomponen
forman una línea de espera para su reparación por el personal de mantenimiento. Es
conveniente emplear el personal de reparaciones necesario para
Disminuir al mínimo la suma del costo de la perdida de producción causada por el tiempo de
espera y del costo de los mecánicos.
La teoría de las líneas de espera se ha extendido para estudiar un plan I de incentivos de
salarios. Por ejemplo, se había asignado cierto personal de línea de producción para manejar
dos máquinas, mientras que a otros se les había asignado para manejar. Cuatro maquinas.
Como. Todas las maquinas son
Iguales, los trabajadores reciben el mismo salario básico, pero la gratificación •: de incentivo
por la producción sobre la cuota, es de la mitad por unidad i para los operadores con cuatro
maquinas que para los que tienen dos: maquinas. Superficialmente ese arreglo parece
equitativo. No obstante, un; estudio de las condiciones reales revela que, aunque cada una de
las dos I máquinas que maneja un solo hombre estarían ociosas alrededor del 12 por ciento
de su tiempo programado, cada una de las cuatro maquinas manejadas j por un solo individuo
estarían ociosas alrededor del 16 por ciento de su • tiempo programado. El problema es
que dos (o más) maquinas pueden descomponerse a la vez en el grupo de cuatro maquinas,
lo que-general-; mente no ocurre con el grupo de dos máquinas. El individuo que maneja el,
grupo de cuatro maquinas tiene que trabajar a mayor eficiencia que el que j maneja un grupo
de dos máquinas, a fin de ganar el mismo incentivo. El f problema se resolvería pagando a los
operadores de las baterías de cuatro | maquinas un salario básico mayor, determinado
básicamente empleando las J probabilidades calculadas con la teoría de las líneas de espera.
12
Las áreas anteriores no agotan en modo alguno las posibles aplicaciones
de la teoría de las líneas de espera, que pueden extenderse para incluir la i dotación de
personal de las operaciones de oficina, y el equilibrio del flujo I _ de materiales en un taller de
tareas. Esa teoría puede tener una influencia bien definida en el desafío de un sistema de
inventario y de control de producción.
Inicialmente, el problema se calcula sobre una base de 4 horas, porque el personal del taller
trabaja de las 8 a. m. a las 12, y luego sale a almorzar Los resultados finales se calculan sobre
una base de 8 horas. En vista de esos datos —tasa uniforme de llegada de 10 por hora (uno
cada 6 minutes) y una tasa uniforme de servicio de 7 1/2 por hora (uno cada 8 minutos)-' el
problema puede resolverse empleando la fórmula de la suma de una serie aritmética. Si el
primer hombre llega a las 8 a. m. no tiene tiempo de espera. Antes de dar servicio al que llego
primero, el que liego en segundo lugar se convierte en el primero que espera en la fila, y su
tiempo de espera es de 2 minutos (8 minutos — 6 minutos), antes de que se le dé servicio.
Una vez que conocemos el tiempo de espera del primer maquinista, es necesario calcular el
tiempo de espera del último hombre en nuestras 4 horas iníciales. Como llegan 40 maquinistas
(10 hombres por hora X 4 horas), y el primero no espera, debemos calcular el tiempo de espera
de los treinta y nueve restantes, o sea que 39 maquinistas multiplicados por 2 minutos son
igual a 78 minutos. Como el aumento del tiempo de espera para cada maquinista adicional es
lineal, podemos promediar el tiempo de espera del segundo y del cuadragésimo. El promedio
del tiempo de espera de cada maquinista es igual a 2 minutos más 78 minutos, dividido entre
2, 6 40 minutos, lo que se resume en la tabla 14-1. (La probabilidad de que los que lleguen al
último no espere en la fila, porque se acerca la hora del almuerzo, no se ha considerado aquí,
aunque normalmente lo será.) El examen de los datos indica que el costo se reduce al mínimo
empleando dos encargados. En contraste con las tasas uniformes, la mayor parte de los
problemas de los negocios se ocupa de tasas aleatorias de llegada y de servicio, cuya solución
requiere un proceso diferente, que constituirá el tema del resto de este capítulo.
13
TEORIA DE LINEAS DE ESPERA DE UN SOLO CANAL
En esta sección consideraremos dos procesos especiales. En el primer proceso, los clientes llegan y
nunca parten y en el segundo proceso los clientes se retiran de un abasto inicial. En ambos casos los
procesos de llegada y retiro ocurren de manera aleatoria. Las dos situaciones se denominan proceso
de nacimiento puro y proceso de muerte pura.
Considere la situación de emitir actas de nacimiento para bebes recién nacidos. Estas actas se guardan
normalmente en una oficina central de Registro Civil. Hay razones para creer que el nacimiento de
bebes y, por ello, la emisión de las actas correspondientes es un proceso completamente aleatorio que
se puede describir por medio de una distribución de Poisson. Usando la información de la sección 15.2
y suponiendo que λ es la tasa con que se emiten las actas de nacimiento, el proceso de nacimiento
puro de tener n arribos o llegadas (acta de nacimiento) durante el periodo de tiempo t se puede describir
con la siguiente distribución de Poisson:
( t ) n e − t
p n (t ) = , n=0,1, 2, (Nacimiento puro)
n!
Donde λ es la tasa de llegadas por unidad de tiempo, con el número esperado de llegadas durante t
igual a λ t.
Ejemplo 15.3-1
14
Suponga que los nacimientos en un país están separados en el tiempo, de acuerdo con una distribución
exponencial, presentándose un nacimiento cada 7 minutos en promedio.
Como el tiempo promedio entre arribos (entre nacimientos) es de 7 minutos, la tasa de nacimiento en
el país se calcula como:
24x60
= = 205.7 nacimientos / dia
7
Suponga que nos interesa la probabilidad de emitir 45 actas de nacimiento al final de un periodo de 3
horas, si se pudieron emitir 35 actas en las primeras 2 horas.
Observamos que debido a que los nacimientos ocurren según un proceso de Poisson, la probabilidad
requeridas reduce a tener 45-35=10 nacimientos en una hora (=3-2). Dado λ=60/7=8.57
nacimientos/hora, obtenemos
( t ) N −n e − t
p n (t ) = , n = 1, 2, N
( N − n)!
N
p 0 (t ) = 1 − p n (t ) (Muerte pura)
n =1
Ejemplo 15.3-2
Podemos analizar esta situación en varias formas. Primero, reconocemos que la tasa de cálculo es µ
= 3 unidades por día. Supóngase que nos interesa determinar la probabilidad de tener 5 unidades (el
nivel de nuevo pedido) al día t; es decir,
Como ejemplo ilustrativo de los cálculos, tenemos los siguientes resultados utilizando el programa
TORA µt=3, 6, 9…, y 18
t (días) 1 2 3 4 5 6
µt 3 6 9 12 15 18
Obsérvese que p5(t) representa la probabilidad de hacer un nuevo pedido el día t. Esta probabilidad
llega a su nivel máximo en t=3 y después disminuye conforme transcurre la semana. Si nos interesa la
probabilidad de hacer un nuevo pedido para el día t, debemos determinar la probabilidad de tener cinco
unidades o menos el día t; esto es,
t (días) 1 2 3 4 5 6
µt 3 6 9 12 15 18
Podemos advertir en la tabla que la probabilidad de hacer el pedido para el día t aumente
monótonamente con t.
16
En t = 6 =
15
np
n =0
n ( 6)
N 0 1 2 3 4 5 6 7 8 9 10 11
pk (6) 0.792 0.0655 0.0509 0.0368 0.0245 0.015 0.0083 0.0042 0.0018 0.0007 0.0002 0.0001
Esto indica que, en promedio, se desechará menos de una unidad al término de cada semana.
Ejercicio 15.3-2
B) La probabilidad de que se retirará una unidad de inventario al término del cuarto día dado que
la última unidad fue retirada al cabo del tercer día
C) La probabilidad de que el tiempo restante hasta que se retire la siguiente unidad sea cuando
mucho un día, dado que el último retiro ocurre un día antes.
El sistema que se analizó en la sección anterior supone que el número de clientes que requieren servicio
en un periodo de tiempo determinado es infinito. Este caso no corresponde a la realidad ya que una
población es, por regla, de tamaño finito. Este caso no corresponde a la realidad ya que una población
es, por regla, de tamaño finito. Esta consideración, en vez de simplificar el desarrollo de fórmulas que
describen cuantitativamente al sistema, lo complica. Por ello, se refiere trabajar con el supuesto de
población infinita y no con el real.
17
Suponiendo que una población finita de m elementos (o<m<∞) requiriera servicios de un sistema similar
al de la sección anterior, las series infinitas analizadas para la sección 3.4 se convierten en series finitas
y generan de manera análoga los siguientes resultados9.
𝑃𝑛 (𝑡) 𝑚! ƛ
= ( )𝑛
(𝑚−𝑛)! µ
(3.20)
𝑃0 (𝑡)
1
𝑃0 (𝑡) = 𝑃𝑛 (𝑡) (3.21)
∑𝑚
𝑛=0 𝑃0 (𝑡)
ƛ+ µ
𝐿=𝑚− (1 − 𝑃0 (𝑡)) (3.22)
ƛ
𝑊 = 𝐿 + (1 − 𝑃0 (𝑡)) (3.23)
𝐿
𝑇𝑠= µ(1− 𝑃 ) (3.24)
0
1
𝑇𝑤 = 𝑇𝑠 + (3.25)
µ
𝑚! ƛ
𝑃𝑛 (𝑡) = 𝑃0 (𝑡) (𝑚−𝑛)! (µ)𝑛 (3.26)
Ejemplo 3.2. Suponga que en la flota de Aeroméxico existen cuatro aviones del tipo jumbo 747. Se ha
venido observando el comportamiento de estos aviones desde 1971 y, en especial, las fallas de las
turbinas. Los datos indican que las fallas de cualquier turbina de cualquier avión es una variable
aleatoria y que el tiempo promedio entre dos fallas consecutivas de cualquier avión es de un año. El
tiempo promedio de revisión y compostura de la falla de la turbina es de 45 días (un octavo de año).
Solamente se tienes un equipo humano de expertos para dar servicios y se proporciona servicio bajo
la política de “primero que entra al taller, primero que se le sirve”. Durante el periodo de mantenimiento
el avión no vuela. Describa cuantitativamente al sistema de espera.
18
∞
9 − 1 ∑ 𝑃𝑛 (𝑡) = 1
𝑛=0
∞
𝑃𝑛 (𝑡)
∑ 𝑃𝑛 (𝑡) = 1
𝑃0 (𝑡)
𝑛=0
∞
𝑃𝑛 (𝑡)
𝑃0 (𝑡) ∑
𝑃0 (𝑡)
𝑛=0
1 1
ƛ = 1, 1⁄ƛ = 1, µ = , 𝑚 = 4.
8
ƛ 1
Como 𝜌 = = < 1, se aplica los conceptos anteriores. Se calcula la expresión 3.20 para n = 0, 1,
µ 8
n m 𝑚! ƛ 𝑃𝑛 (𝑡) 𝑚! ƛ
( )𝑛 = ( )𝑛
(𝑚 − 𝑛)! µ 𝑃0 (𝑡) (𝑚 − 𝑛)! µ
0 4 4! 1 1.00000
=1 ( )0 = 1.0000
4! 8
1 4 4! 1 0.50000
=4 ( )1 = 0.12500
3! 8
2 4 4! 1 0.18750
= 12 ( )2 = 0.01563
2! 8
3 4 4! 1 0.04688
= 24 ( )3 = 0.00195
1! 8
4 4 4! 1 0.00576
= 24 ( )4 = 0.00024
0! 8
19
𝑃𝑛 (𝑡)
Tabla 3.2 ∑4𝑛=0 = 1.74024
𝑃0 (𝑡)
1 1
𝑃0 (𝑡) = = = 0.57463
4 𝑃𝑛 (𝑡) 1.74024
∑𝑛=0
𝑃0 (𝑡)
Que significa que existe un 5704% de probabilidad de que no se encuentre ningún avión jumbo 747 en
el sistema de compostura de turbinas en el tiempo t.
4! 1
𝑃2 (𝑡) = ( )2 0.57463 = 0.11
(4 − 2)! 8
(1 + 8)
𝐿 =4− (1 − 0.57463) = .017 𝑎𝑣𝑖𝑜𝑛𝑒𝑠
1
Mientras que el número promedio de aviones en el sistema (esperando en la cola y en el taller) es:
0.17
𝑇𝑠 = = 0.05 𝑑𝑒 𝑎ñ𝑜
8(1 − 0.57463)
O sea, aproximadamente 18 días, mientras que el tiempo promedio en el sistema (espera más servicio)
es de:
1
𝑇𝑤 = 0.05 + = 0.175 𝑑𝑒 𝑎ñ𝑜
8
Suponga que el costo de 1 hora de vuelo de un 747 es de 10 mil pesos, de 2 mil cuando está en tierra
y de 5 mil cuando está en mantenimiento. Se supone que estos aviones vuelan, en promedio, 14 horas
20
por día y por cada mil horas de vuelo se les proporcionaría mantenimiento preventivo (independiente
de las composturas de falla de turbina) que dura en promedio 100 horas. Se supone que el sueldo
mensual del personal especializado de reparación es de 200 mil pesos y el costo mensual del equipo
de reparación (luz, depreciación, seguros, etc.,) es de 125 mil pesos.
El costo de la espera para componer las fallas de la turbina de un avión es, por lo tanto, la suma de los
siguientes costos:
Como la unidad de tiempo es un año, se deben convertir todos los costos unitarios a costo por año.
ℎ𝑜𝑟𝑎𝑠
Por lo que recibe 5 mantenimientos preventivos de 100 horas cada uno, para un total de 500 de
𝑎ñ𝑜
servicio de mantenimiento. Si en un año existen 8760 horas, lo anterior quiere decir que:
ℎ𝑜𝑟𝑎𝑠
8760 – (5110 + 500) = 3150
𝑎ñ𝑜
Estará parado el avión en tierra. Entonces el costo total anual para cada avión será de:
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
𝑎ñ𝑜 − 𝑎𝑣𝑖𝑜𝑛
Si un avión de este tipo pasa Tw = 0.175 de año (64 días), en el sistema de compostura de turbinas, el
costo asociado a este tiempo muerto es:
21
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
(59.9 ) (0.175 años) = 10.48
𝑎ñ𝑜−𝑎𝑣𝑖𝑜𝑛 𝑎𝑣𝑖𝑜𝑛
El sueldo mensual de una tripulación es de 400 mil pesos (4.8 millones de pesos por año); por lo tanto,
el costo del tiempo muerto de la tripulación asociado a la compostura de una turbina será:
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
𝑇𝑤 (4.8) (0.175 𝑎ñ𝑜𝑠) (4.8 )
= 𝑎ñ𝑜
𝑎𝑣𝑖𝑜𝑛𝑒𝑠 4 𝑎𝑣𝑖𝑜𝑛𝑒𝑠
𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎ñ𝑜
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
= 0.21
𝑎𝑣𝑖𝑜𝑛
La nómina mensual del equipo de reparación más sus costos mensuales suman 325 mil pesos (3.9
millones de pesos por año). Por lo tanto, el costo del tiempo de reparación por avión, sin tomar en
cuenta refacciones es:
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
(𝑇𝑤 − 𝑇𝑠 )𝑎ñ𝑜 (3.9 ) = (0.175 − 0.05)(3.9)
𝑎ñ𝑜 − 𝑎𝑣𝑖𝑜𝑛
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
= 0.49
𝑎𝑣𝑖𝑜𝑛
𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠
(10.48 + 0.21 + 0.49) = 11.58
𝑎𝑣𝑖𝑜𝑛
Este resultado motiva las siguientes preguntas: ¿Conviene aumentar el equipo especializado de
reparación de turbinas a 2 o 3? Si es así, ¿En cuánto disminuiría el costo de la espera por avión en el
sistema? ¿A cuánto aumenta el costo del equipo de reparación? ¿Cuál es un buen punto de equilibrio?
22
2.5 UNA COLA-SERVIDORES MULTIPLES EN PARALELO-POBLACION
INFINITA
Se supone un sistema con una sola cola, a la cual puede llegar un número infinito de clientes en espera
de recibir un mismo servicio por parte de S(S>1) servidores en paralelo. La política del sistema es que
sirve a los clientes en el orden de su llegada; el servicio lo proporciona el primer servidor que se haya
desocupado al principio y se irán ocupando en forma progresiva (primero el servidor 1, después el 2 y
así sucesivamente) en la medida que vayan llegando los clientes.
El número promedio de llegadas por unidad de tiempo es λ y se supone que este tiene una distribución
de poisson.
El número promedio de servicios de cada servidor por unidad de tiempo es el mismo y se denota por
µ. Se supone que este número tiene una distribución exponencial negativa.
Se observa que cuando el número de elementos en la cola y en las estaciones de servicio, m, es mayor
que el número de servidores, S, (m > S), la probabilidad de que algún cliente abandone el sistema
(después de recibir su servicio) en el intervalo de tiempo Δ t es S µ Δ t. En caso contrario (S > m), dicha
probabilidad es m µ Δ t.
Esta observación incorporada en la expresión 3.3 origina:
En la expresión anterior 𝑃𝑚−1 (𝑡) no tiene sentido cuando m = O, por lo que una vez agrupados los
términos se obtiene:
𝑃𝑂 (𝑡 + 𝛥 𝑡) − 𝑃𝑂 (𝑡)
= −𝑃0 (𝑡)ƛ − 𝑃0 (𝑡) 𝑆 µ + 𝑃0 (𝑡) 𝑆 µ ƛ 𝑡 + 𝑃1 (𝑡) 𝑆 µ ƛ 𝛥 𝑡 𝑃0 (𝑡) 𝑆 µ ƛ 𝛥 𝑡
𝛥𝑡
Tomando el límite cuando 𝛥 𝑡 tiende a cero genera
23
[𝑃0 (𝑡) + 𝛥 𝑡 − 𝑃0 (𝑡) ]
lim = −𝑃0 (𝑡) ƛ − 𝑃0 (𝑡) 𝑆 µ + 𝑃1 (𝑡) 𝑆 µ = 0
𝛥 𝑡 →0 𝛥𝑡
Por lo que
ƛ
𝑃1 (𝑡) = 𝑃0 (𝑡) (1 + ) (3.28)
𝑆µ
𝑃1 ( 𝑡 + 𝛥 𝑡) − 𝑃1 (𝑡) 𝑑 𝑃1 (𝑡)
lim [ ]= =0
𝛥 𝑡 →0 𝛥𝑡 𝑑𝑡
ƛ ƛ
𝑃2 (𝑡) = 𝑃1 (𝑡) + 𝑃1 (𝑡) − 𝑃0 (𝑡) (3.29)
𝑆µ 𝑆µ
ƛ ƛ
(µ)𝑚 (µ)𝑚−1
𝑃𝑚 (𝑡) = 𝑃0 (𝑡) [ + +. . . + 1]
𝑆𝑚 𝑆 𝑚−1
que se puede reescribir:
𝑃 (𝑡) ƛ
0
𝑃𝑚 (𝑡) = (𝑆 ¡𝑆[𝑚−𝑠] ) (µ)𝑚 𝑝𝑎𝑟𝑎 𝑚 > 𝑆 (3.31)
Para el caso en que m < S, se sigue el mismo razonamiento cambiando el término 𝑆 µ 𝛥 𝑡 de 3.27
por m µ Δ t, para obtener
𝑃0 (𝑡) ƛ
𝑃𝑚 (𝑡) = (µ)𝑚 𝑝𝑎𝑟𝑎 𝑚 < 𝑆 (3.32)
𝑚¡
1
𝑃0 (𝑡) = ∑𝑠𝑚−=11 𝑃𝑚 (𝑡)+ ∑∞
(3.33)
𝑚 = 𝑠 𝑃𝑚 (𝑡)
Combinando 3.33 con 3.31 y 3.32 y tomando el límite cuando m tiende a infinito, se construye después
de un buen ejercicio algebraico (que aquí se omite) la expresión final para 𝑃0 (𝑡) dada por
24
1 ƛ 1 ƛ 𝑠µ
𝑃0 (𝑡) = [∑𝑠−1 𝑚
𝑚 =0 𝑚 ¡ (µ) + (µ)𝑠 ((𝑠 µ− ƛ))]−1 (3.34)
𝑠¡
𝐿= ∑ ( 𝑚 − 𝑠)𝑃𝑚 (𝑡)
𝑚=𝑠+1
Que una vez desarrollada, utilizando 3.31 y agrupando términos, genera la fórmula
ƛ
ƛ µ ( )𝑠
µ
𝐿= (𝑠−1)!(𝑠 µ− ƛ)2
𝑃0 (𝑡) (3.35)
𝐿
𝑇𝑆 = (3.37)
ƛ
1
𝑇𝑤 = 𝑇𝑆 + (3.38)
µ
ƛ
Así como en el caso de un servidor se supone que < 1 (para que no se formen colas de tamaño
µ
ƛ
infinito), en el caso de servidores múltiples se requiere que se cumpla la condición < 1, la cual se
𝑆µ
ƛ
puede reescribir como
µ
<𝑆
Donde
𝑆−1
𝑃 {𝑇𝑆 = 0} = ∑ 𝑃𝑛
𝑛=0
Y
ƛ ƛ
(µ)𝑆 1− 𝑒
−µ 𝑧 (𝑠−1− )
µ
𝑃 {𝑇𝑤 > 𝑍} = 𝑒 − µ 𝑍 [1 + 𝑃𝑂 ( )]
𝑆 ¡ (1 − 𝑃) ƛ
𝑠−1− µ
25
Ejemplo 3.3. Suponga que, en el cruce fronterizo de México y Estados Unidos, localizado entre las
poblaciones de Piedras Negras, Coahuila, y Eagle Pass, Texas, existe un puente sobre el Río Bravo
con dos líneas de tráfico, una en dirección de México a Estados Unidos y la otra en sentido contrario.
La línea de tráfico de Estados Unidos a México, se bifurca a 5 garitas de inspección migratoria y
aduanera.
Suponga que las llegadas de automóviles tienen una distribución de Poisson con ƛ igual a 15 llegadas
por hora, mientras que el número de servicios tiene una distribución exponencial negativa con µ igual
a
8 servicios por hora.
Por decreto gubernamental, no existe prioridad de trato, así que las garitas migratorias y aduaneras
proporcionan servicio en la medida que se desocupan, y se atiende en primer término al primer
automóvil de la cola y así sucesivamente.
ƛ
Primero se corrobora que el parámetro < 1 , queriendo decir que en el puente internacional de
𝑆µ
Piedras Negras no se formará una cola infinita de automóviles o, en términos más reales, que esta cola
no tiende a crecer sin freno:
ƛ 15 15
= = = 0.375 < 1
𝑆µ 5 (8) 40
ƛ 15 1 ƛ 1 ƛ 5µ
Se tiene = = 1.875 𝑦 𝑃𝑂 = [∑4𝑚=0 𝑚 ¡ (µ)𝑚 + (µ)𝑆 (5 µ− ƛ)]−1
µ 8 5¡
1 1 1 1 1 1
=[ (1.875)0 + (1.875)1 + (1.875)2 + (1.875)3 + (1.875)4 + (1.875)5
0¡ 1¡ 2¡ 3¡ 4¡ 5¡
40
+( )]−1
40 − 15
= [6.5552]−1 = 0.1526
Lo anterior implica que existe un 15% de probabilidades de que, al llegar un automóvil cualquiera a la
garita internacional de Piedras Negras, en el tiempo t las 5 estaciones de servicio se encuentren vacías,
y no exista ningún automóvil esperando este servicio.
Por lo tanto, no se forma una cola hasta que m > 6, como se verifica en la tabla 3.3.
ƛ
ƛ µ (µ)𝑆
𝐿= 𝑃𝑂 (𝑡)
(𝑆 − 1)! (𝑆 µ − ƛ)2
26
(15)(8)(1.875)𝑠 0.1526
= = 0.0283 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠
4 ¡ (40 − 15)2
ƛ
𝑊 =𝐿+ = 0.0283 + 1.875 = 1.9033 automóviles
µ
𝐿 0.0283
𝑇𝑠 = = = 0.0019 𝑑𝑒 ℎ𝑜𝑟𝑎
ƛ 15
M Tamaño Garitas Número de Pm (t)+,*
de
desocupadas automóviles
la cola
a los cuales
se les está
dando
servicio
0 0 5 0 0.152
1 0 4 1 0.286**
2 0 3 2 0.267
3 0 2 3 0.167
4 0 1 4 0.078
5 0 0 5 0.029***
6 1 0 5 0.011****
7 2 0 5 0.004
8 3 0 5 0.001
1
+ 𝑃𝑚 (𝑡) = (1.875)𝑚 0.1526 𝑝𝑎𝑟𝑎 𝑚 ≤ 𝑠
𝑚¡
1
∗ 𝑃𝑚 (𝑡) = (1.875)𝑚 0.1526 𝑝𝑎𝑟𝑎 𝑚 > 5
5 ¡ 5(𝑚−5)
27
1
∗∗ 𝑃1 (𝑡) = (1.875)0.1526 = 0.2861
1¡
1
∗∗∗ 𝑃𝑠 (𝑡) = (1.875)5 0.1526 = 0.0295
5 ¡ 50
1
∗∗∗∗ 𝑃6 (𝑡) = (1.875)6 0.1526 = 0.0111
5 ¡ 51
o sea, casi 7 segundos, mientras que el tiempo dentro del sistema, Tw es:
1
𝑇𝑤 = 𝑇𝑆 +
µ
1
= 0.0019 + = 0.1269 de hora
8
Aproximadamente 7 minutos con 36 segundos.
Ejemplo 3.4. El Director General de Egresos, el Lie. A. Uslero, experto en sistemas, sospecha que se
puede lograr un considerable ahorro económico, si en vez de 5 garitas funcionan 2, y que esto no causa
graves problemas al turismo. ¿Estará en lo cierto?
Se calcula 𝑃0 (𝑡)
ƛ 15
= = 0.9375 < 1
𝑆µ 2 (8)
ƛ 15
= = 1.875
µ 8
1
1 ƛ 𝑚 1 ƛ 2 2µ
𝑃0 (𝑡) = [ ∑ ( ) + ( ) ( ) ]−1
𝑚¡ µ 2¡ µ 2µ− ƛ
𝑚=0
1 1 1 16
=[ (1.875)0 + (1.875)1 + (1.875)2 ( )]−1
0¡ 1¡ 2¡ 16 − 15
= [1 + 1.875 + 28.13]−1
= [31]−1 = 0.03226
28
Es decir, existe un 3% de probabilidades de que, al llegar un automóvil cualquiera a la garita
internacional de Piedras Negras, en el tiempo t las 2 garitas se encuentren vacías y no hay automóviles
esperando por un servicio.
No se forma una cola hasta que m > 3, tal como se aprecia en la siguiente tabla.
a los cuales
se les está
dando servicio
0 0 2 0 0.03226
1 0 1 1 0.06048
2 0 0 2 0.05670
3 1 0 2 0.05316
4 2 0 2 0.04984
5 3 0 2 0.046725
1
+ 𝑷𝒎 (𝒕) = (1.875)𝑚 0.03226, 𝑝𝑎𝑟𝑎 𝑚 ≤ 2
𝑚¡
𝟏
∗ 𝑷𝒎 (𝒕) = (1.875)𝑚 0.03226, 𝑝𝑎𝑟𝑎 𝑚 > 2
𝟐 ¡ 𝟐(𝒎−𝟐)
Tabla 3.4
µ
ƛ µ( )𝑆
𝐿= ƛ 𝑃 (𝑡)
(𝑆 − 1)! (𝑆 µ − ƛ)2 𝑂
29
(15)(8)(1.875)2 0.03226
𝐿= = 13.16 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠
(2 − 1)! (16 − 15)2
ƛ
W=L+
µ
𝐿
𝑇𝑆 =
ƛ
13.61
= = 0.90733 𝑑𝑒 ℎ𝑜𝑟𝑎.
15
O sea casi 55 minutos, mientras que el tiempo dentro del sistema, Tw, es:
1
𝑇𝑤 = 𝑇𝑆 +
µ
1
= 0.90733 + = 1.03 𝑑𝑒 ℎ𝑜𝑟𝑎
8
Así, por un lado, la medida de reducir de 5 a 2 garitas podría ahorrarle al país el salario y el
mantenimiento de 3 garitas, por el otro provocaría pérdidas en turismo, ya que, en promedio cada
automóvil que cruce por ese puerto fronterizo, esperará más de una hora por trámites.
Ya que a menudo es deseable tomar decisiones respecto de una situación de teoría de cola, basándose
en algún tipo de análisis de costos. Por ejemplo, un incremento en el número de servidores en el
sistema reduciría el tiempo de espera, pero incrementaría el costo del servicio e inversamente. Si se
pudiera expresar el tiempo promedio de espera en valores monetarios, es posible seleccionar el óptimo
número de servidores (o la velocidad de servicio) que minimiza la suma de los costos se servicio y el
tiempo de espera. El problema de este enfoque radica que en la práctica es muy difícil de estimar el
costo por unidad de espera.
30
3.1 CARACTERISTICAS GENERALES
La teoría de decisiones puede definirse como el análisis lógico y cuantitativo de todos los
factores que afectan los resultados de una decisión en un mundo incierto.
La toma de decisión es también un proceso durante el cual la persona debe escoger entre dos
o más alternativas. Todos y cada uno de nosotros pasamos los días y las horas de nuestra
vida teniendo que tomar decisiones. Algunas decisiones tienen una importancia relativa en el
desarrollo de nuestra vida, mientras otras son gravitantes en ella.
En los administradores, el proceso de toma de decisión es sin duda una de las mayores
responsabilidades.
La toma de decisiones en una organización se circunscribe a una serie de personas que están
apoyando el mismo proyecto. Debemos empezar por hacer una selección de decisiones, y esta
selección es una de las tareas de gran trascendencia.
Con frecuencia se dice que las decisiones son algo así como el motor de los negocios y en
efecto, de la adecuada selección de alternativas depende en gran parte el éxito de cualquier
organización.
Los administradores consideran a veces la toma de decisiones como su trabajo principal,
porque constantemente tienen que decidir lo que debe hacerse, quién ha de hacerlo, cuándo
y dónde, y en ocasiones hasta cómo se hará. Sin embargo, la toma de decisiones sólo es un
paso de la planeación, incluso cuando se hace con rapidez y dedicándole poca atención o
cuando influye sobre la acción sólo durante unos minutos.
Efectos futuros:
Tiene que ver con la medida en que los compromisos relacionados con la decisión afectarán
el futuro. Una decisión que tiene una influencia a largo plazo, puede ser considerada una
decisión de alto nivel, mientras que una decisión con efectos a corto plazo puede ser tomada
a un nivel muy inferior.
Reversibilidad:
Se refiere a la velocidad con que una decisión puede revertirse y la dificultad que implica hacer
este cambio. Si revertir es difícil, se recomienda tomar la decisión a un nivel alto; pero si revertir
es fácil, se requiere tomar la decisión a un nivel bajo.
Impacto:
Esta característica se refiere a la medida en que otras áreas o actividades se ven afectadas.
Si el impacto es extensivo, es indicado tomar la decisión a un nivel alto; un impacto único se
asocia con una decisión tomada a un nivel bajo.
Calidad:
Este factor se refiere a las relaciones laborales, valores éticos, consideraciones legales,
principios básicos de conducta, imagen de la compañía, etc. Si muchos de estos factores están
involucrados, se requiere tomar la decisión a un nivel alto; si solo algunos factores son
relevantes, se recomienda tomar la decisión a un nivel bajo.
Periodicidad:
31
Este elemento responde a la pregunta de si una decisión se toma frecuente o
excepcionalmente. Una decisión excepcional es una decisión de alto nivel, mientras que una
decisión que se toma frecuentemente es una decisión de nivel bajo.
La descripción de los diferentes criterios de decisión que proporcionan la opción óptima será
realizada de acuerdo con el conocimiento que posea el TD acerca de los estados de la
naturaleza, es decir, atendiendo a la clasificación de los procesos de decisión: certidumbre,
riesgo e incertidumbre.
Se supone, por simplicidad, la existencia de un número finito de estados y alternativas. El
formato general de una tabla de decisión es el siguiente:
ETAPAS DEL PROCESO DECISORIO
1. El TD debe identificar la existencia de un problema y poder definirlo.
2. El TD debe recopilar más información acerca del problema.
3. El TD debe poder especificar los objetivos. La decisión se basa en seleccionar la mejor
alternativa en función de ciertos objetivos.
4. El TD debe elaborar un modelo que describa el problema.
5. El TD debe generar soluciones alternativas al problema y evaluarlas en función de sus
preferencias (análisis cualitativo y análisis cuantitativo).
32
6. El TD debe determinar el criterio de decisión que optimice la situación.
7. El TD debe predecir las consecuencias de cada actuación.
8. El TD debe establecer un sistema de preferencias. Tiene que realizar una valoración de las
consecuencias de acuerdo con una escala de bondad o deseabilidad.
9. El TD debe elegir entre las soluciones alternativas. Es necesario que seleccione un curso
de acción. Esta elección debe darse mediante un criterio de decisión adecuado.
10. El TD debe poner en práctica la solución seleccionada y evaluar los resultados. Lo que
modifica el universo, es la acción derivada de la decisión
CLASIFICACIÓN DE LOS PROCESOS DE DECISIÓN
Según las características del contexto, podemos decir que el proceso de decisión se realiza
bajo certidumbre, bajo riesgo o bajo incertidumbre. En función de esta distinción podemos
identificar tres grandes grupos:
1. Decisiones No Estructuradas: este tipo de decisiones se toman cuando estamos en un
contexto de incertidumbre total y se cuenta con muy poca información. Son, principalmente,
decisiones políticas y estratégicas. Se requiere de un alto poder de negociación
2. Decisiones Poco Estructuradas: este tipo de decisiones se toman cuando estamos en un
contexto intermedio, es decir, no nos encontramos en certeza ni en incertidumbre total.
3. Decisiones Estructuradas: este tipo de decisiones se toman cuando estamos en un
contexto de casi-certeza, donde existe poca complejidad. La mayoría de estas situaciones son
abarcadas por los Métodos de Investigación de Operaciones. Son decisiones que pueden
programarse por ser repetitivas y rutinarias.
CRITERIOS DE DECISIÓN DETERMINISTICOS Y PROBABILÍSTICAS
El conocimiento es lo que sabemos. La información es la comunicación de conocimientos. En
cada intercambio de conocimientos, hay un remitente y un receptor. El remitente hace común
lo que es privado, hace la información, la comunicación. La información se puede clasificar
como formas explícitas y tácitas. La información explícita se puede explicar de forma
estructurada, mientras que la información tácita es inconsistente e imprecisa de explicar.
Los datos son conocidos como información cruda y no como conocimientos en sí. La
secuencia que va desde los datos hasta el conocimiento es (observe el siguiente cuadro): de
los Datos (Data) a la Información (Information), de la Información (Information) a los Hechos
(Facts), y finalmente, de los Hechos (Facts) al Conocimiento (Knowledge) .
Los datos se convierten en información, cuando se hacen relevantes para la toma de
decisión a un problema. La información se convierte en hecho, cuando es respaldada por los
datos. Los hechos son lo que los datos revelan. Sin embargo, el conocimiento instrumental
es expresado junto con un cierto grado estadístico de confianza (gl).
Los hechos se convierten en conocimiento, cuando son utilizados en la complementación
exitosa de un proceso de decisión. Una vez que se tenga una cantidad masiva de hechos
integrados como conocimiento, entonces su mente será sobrehumana en el mismo sentido
en que, con la escritura, la humanidad es sobrehumana comparada a la humanidad antes de
escribir. La figura siguiente ilustra el proceso de razonamiento estadístico basado en datos
para construir los modelos estadísticos para la toma de decisión bajo incertidumbre.
33
De donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadístico.
Level of improvements on decisión making = Nivel de Mejoramiento en la Toma de
Decisiones
La figura anterior representa el hecho que a medida que la exactitud de un modelo estadístico
aumenta, el nivel de mejoramiento en la toma de decisión aumenta. Esta es la razón del porqué
necesitamos la estadística de negocio. La estadística se creó por la necesidad de poner
conocimiento en una base sistemática de la evidencia. Esto requirió un estudio de las leyes de
la probabilidad, del desarrollo de las propiedades de medición, relación de datos.
La inferencia estadística intenta determinar si alguna significancia estadística puede ser
adjunta luego que se permita una variación aleatoria como fuente de error. Una inteligente y
crítica inferencia no puede ser hecha por aquellos que no entiendan el propósito, las
condiciones, y la aplicabilidad de las de diversas técnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que “las buenas decisiones”
sean tomadas incrementa con la disponibilidad “de la buena información”. El chance de la
disponibilidad de “la buena información” incrementa con el nivel de estructuración del proceso
de Dirección de Conocimiento. La figura anterior también ilustra el hecho que mientras la
exactitud de un modelo estadístico aumenta, el nivel de mejora en la toma de decisiones
aumenta. El conocimiento es más que simplemente saber algo técnico. por ejemplo, crea el
software estadístico que es útil, más bien que técnicamente brillante.
El sueldo se medirá en miles de pesos, la flexibilidad de horario en Alta (A), Mediana (M), o
Nula (N), la calidad y cantidad de prestaciones, mediante una nota de 1 a 7, la distancia, en
cantidad de Kilómetros y las vacaciones, en Días hábiles por año.
Por otra parte, supondremos que ya tiene cinco ofertas: A, B, C, D y E.
Supongamos, además, que, una vez hecha la evaluación de cada objetivo individual, para
cada oferta, se obtuvo la siguiente Tabla de Consecuencias.
En la tabla se puede apreciar que la opción D tiene dominio Absoluto sobre la opción A, ya
que el sueldo es más alto (550 contra 500) y es igual o superior en los objetivos restantes.
Una vez eliminada A, la tabla queda:
Tabla de Consecuencias de Juan
Objetivo B C D E
Sueldo 600 700 550 450
Flexibilidad N N M A
Prestaciones 5 5 6 4
Distancia 10 8 12 27
Vacaciones 20 19 15 15
A veces no es fácil identificar situaciones de dominio por la sola observación de la tabla de
consecuencias. En tal caso se puede recurrir a una Tabla de Clasificación, la que –en lugar
35
de desplegar los valores- muestra la ubicación relativa de cada opción en cada uno de los
objetivos. En el caso de Juan, la Tabla de Clasificación quedaría:
36
ÁRBOL DE DECISIÓN
Un árbol de decisión es un árbol orientado que representa un proceso de decisión. Los nodos
designan puntos en el tiempo en los cuales: i) debe tomarse una u otra dedición, o ii) quien
toma las decisiones se enfrenta a uno y otro estado de la naturaleza. O ai) el proceso termina.
Saliendo de un nodo (i) hay una rama para cada posible decisión saliendo de un nodo(ii) hay
una rama para cada posible estado de la naturaleza. Bajo cada rama se escribe la probabilidad
del evento corresponde, cuando este definida.
Los árboles de decisión son útiles para determinar decisiones optimas en procesos
complicados.
Las técnicas consisten en iniciar con los nodos terminales y moverse secuenciales hacia atrás
a través de la red, calculando la ganancia esperada en los nodos intermedios. Cada ganancia
se escribe encima del nodo correspondiente. Una decisión recomendada es aquella que lleva
a una ganancia máxima esperada. Aquellas decisiones que resultan no recomendables tienen
las ramas correspondientes marcadas con cruz.
Ya que Max [360,950] = 950 está asociada con D1, D2 es la decisión recomendada bajo el
criterio del punto medio del camino.
Determinar la decisión recomendada bajo el criterio a priori para el proceso del ejemplo
anterior. Si el propietario estima que la probabilidad de encontrar gas de 0.6
Con p(s2) =0.6 entonces P(s1) =1-0.6=0.4 empleando los datos de la tabla se calcula la
ganancia esperada proveniente de D1 como:
E (G1) = (60) (0.4) +(660) (0.6) =420
Y la ganancia para D2 como:
E (G2) = (-100) (0.4) + (2000) (0.6) =1160
Ya que el máximo de estas dos cantidades, 1160 está asociada con D1 D2 es la decisión
recomendable bajo el criterio a priori. Este proceso está representado por el árbol de decisión
de la figura sig. La ganancia esperada del proceso 1160 en el nodo B proviene en sentido
inverso del nodo D.
37
3.Cadenas de Markov
En las cadenas de Markov considera ciertos puntos discretos en el tiempo, para toma valores
de 1, 2, 3,. Y la variable aleatoria que caracteriza al sistema. Y la familia de las variables
aleatorias forma un proceso llamado proceso estocástico. Entonces las cadenas de Markov se
usan para estudiar ciertos comportamientos de largo y cortos plazos de sistemas estocásticos.
Para un proceso de Markov es un sistema estocástico siempre que cumpla con la propiedad
Markoviana.
Las cadenas de Markov son modelos probabilísticos que se usan para predecir la evolución y
el comportamiento a corto y a largo plazo de determinados sistemas. Ejemplos: reparto del
mercado entre marcas; dinámica de las averías de máquinas para decidir política de
mantenimiento; evolución de una enfermedad.
Las cadenas de Markov se pueden aplicar en áreas como la educación, comercialización,
servicios
38
Formulación de las cadenas de Markov.
En la figura 4.1 se muestra el proceso para formular una cadena de Markov. El generador de
Markov produce uno de n eventos posibles, Ej, donde j = 1, 2, . . ., n, a intervalos discretos
de tiempo (que no tienen que ser iguales). Las probabilidades de ocurrencia para cada uno
de estos eventos dependen del estado del generador. Este estado se describe por el último
evento generado. En la figura 4.1, el último evento generado fue Ej, de manera que el
generador se encuentra en el estado Mj.
Probabilidades de transición.
Una forma de describir una cadena de Markov es con un diagrama de estados, como el que
se muestra en la figura 4.2. En ésta se ilustra un sistema de Markov con cuatro estados
posibles: M1, M2, M3 y M4. La probabilidad condicional o de transición de moverse de un estado
a otro se indica en el diagrama.
39
Otro método para exhibir las probabilidades de transición es usar una matriz de
transición. La matriz de transición para el ejemplo del diagrama de estados se muestra en la tabla 4.1.
Procesos estocásticos.
40
Se dice que un proceso estocástico tiene la propiedad markoviana si
P {Xt+1 = j | X0 = K0, X1 = K1, Xt-1 = Kt-1, = Kt-1, Xt = 1} = P {X t+1 | X1 = i}, para toda t =
Entonces se dice que las probabilidades de transición (de un paso) son estacionarias
y por lo general se denotan por pir. Así, tener probabilidades de transición estacionarias
implican que las probabilidades de transición no cambian con el tiempo. La existencia de
probabilidades de transición (de un paso) estacionarias también implica que, para cada i, j
y n (n = 0, 1, 2,),
41
Como las son probabilidades condicionales, deben satisfacer las propiedades:
Teorema
(2)
Ejemplo:
42
compra sea de refresco A. Si una persona compró refresco B, hay un 80 % de probabilidades
que su próxima compra sea de refresco B.
Copra 2
Compra 1 Refresco A Refresco B pAA pAB .90 .10
p= =
Refresco A 90% 10%
Refresco B 20% 80% pBA pBB .20 .80
43
Entices:
.30 2 = .10
2 = ⅓
De la primera ecuación:
1 = .90 1 + .20 2
Esto significa que, después de largo tiempo, hay ⅔ de probabilidad de que una
persona compre refresco A y ⅓ de probabilidad de que una persona compre refresco B.
Ejemplo:
8
En este momento 40% de los camiones están en el norte, 30% en el centro y 30% en la
región sur.
Dado el patrón de movimiento de los camiones, la compañía está interesada en
saber lo siguiente:
1. ¿Qué proporción de camiones se encontrará en cada región después de un mes?
¿ Despise de dos mess?
2. ¿Qué proporción de los camiones estará en cada región en un período “largo”?
DIAGRAMA DE ÁRBOL
Prebiblical
Ubication Ubication Ubication de coda
end el end el end el ubication
mess 0 mess 1 mess 2 end
el mess 2
Norte 0.04
0.2
0.3
Norte Centro 0.06
0.5
Sur 0.10
0.2
Norte 0.09
Norte 0.3
Centro 0.20
0.5
Sur 0.20
10
Utilizando notación matricial, los cálculos para el mes 1 son:
N C S
N C S N 0.2 0.3 0.5 N C S
1 0 0 * C 0.3 0.4 0.3 = 0.2 0.3 0.5
S 0.2 0.4 0.4
N C S N C S
N C S N 0.2 0.3 0.5 N 0.2 0.3 0.5 N C S
0.4 0.3 0.3 * C 0.3 0.4 0.3 * C 0.3 0.4 0.3 = 0.236 0.377 0.387
S 0.2 0.4 0.4 S 0.2 0.4 0.4
12
Proporción de camiones Proporción de camion es
MES 0 N C S MES 1
N C S N 0.2 0.3 0.5 N C S
0.4 0.3 0.3 C 0.3 0.4 0.4 0.23 0.36 0.41
S 0.2 0.4 0.4
A partir del mes 5 se observa estabilidad en los resultados, lo que significa que se
alcanzó el estado estable, es decir, ya se tienen definidas la tendencia a largo plazo, pues
ya no existe variabilidad en los resultados.
Con estos datos se puede dar respuesta a la segunda pregunta planteada. Esto
significa que, a largo plazo, el 23.76% de todos los camiones se encontrará en el norte, el
37.62% estarán en la región central y el 38.61% en el sur.
habían surgido críticas porque la cadena tendía a cancelar los programas con mucha rapidez si el número
de televidentes (“rating” o “tasa de audiencia”) era inicialmente bajo. Como resultado de las críticas se
había decidido no cancelar ningún programa hasta que fuera evidente que seguiría teniendo un número
reducido de televidentes.
Dado que los televidentes normales con bastante frecuencia tenderían a cambiar de cadena al principio
de la temporada con el objeto de ver programas nuevos o de volver a ver programas antiguos, Goldman
ha decidido esperar a que se estabilice la proporción de televidentes que ven un programa determinado.
Le ha pedido a Bill Washington, uno de sus empleados, que estudie el periodo en el que cada cadena
13
estará ofreciendo un programa nuevo para que determine cuáles serán las proporciones de televidentes
finales. Si Bill puede predecir estos valores, Mark Goldman estará en posibilidades de tomar una decisión
con respecto a un nuevo programa de la NBS, “Investigaciones en la Universidad”, sin tener que esperar
hasta que las preferencias de los televidentes se vuelvan obvias a través de los datos de los “ratings” o
recuentos de tasa de audiencia.
Bill supone que la selección de un televidente específico se ve influenciada más que nada por el programa
más reciente que ha observado en ese periodo y que las proporciones finales en realidad son valores de
estado estacionario. Para ello ha elaborado la siguiente matriz de transición utilizando datos recopilados
en años anteriores y referentes a la forma en que los televidentes tienden a cambiar, de una cadena a
otra, semana a semana, para el tipo de programas que se considera. Dacha matrix es la sanguine:
En esta matriz, los valores son la fracción de televidentes que verán el programa de
cada cadena durante esta semana, dada la cadena que vieron la semana anterior.
Si la cadena NBS pretende proyectar el programa mencionado “Investigaciones en
la Universidad”, la cadena CBC el programa “Cuatro es una multitud” y la cadena ABS el
programa “Los demonios de Danny”, ¿qué porcentaje de televidentes se calcula que
observará cada uno de ellos?
Solución:
Sea S1 = % de televidentes que verán la cadena NBS en el momento del estado estable.
Sea S2 = % de televidentes que verán la cadena CBC en el momento del estado estable.
Sea S3 = % de televidentes que verán la cadena ABS en el momento del estado estable.
14
0.4 S1 + 0.4 S2 − 0.4 S3 = 0
Además: S1 + S2 + S3 = 1
Resolviendo este sistema de ecuaciones se tiene:
S1 = 1 − S2 − S3
0.8 S3 = 0.4
2
UNIDAD V OPTIMIZACIÓN DE REDES
5.1 TERMINOLOGÍA
Una red o grafo consiste de puntos, y líneas que conectan pares de puntos. Los
puntos se llaman nodos o vértices. Las líneas de llaman arcos. Los arcos pueden
tener una dirección asociada, en cuyo caso se denominan arcos dirigidos. Si un arco
no tiene dirección normalmente se le denomina rama. Si todos los arcos en la red
son dirigidos, la red se denomina una red dirigida. Si todos los arcos son no-
dirigidos, la red es una red no-dirigida.
Dos nodos pueden estar conectados por un conjunto de arcos. Una trayectoria (pata
en inglés) es una secuencia de arcos distintos (con nodos no repetidos) conectando
a los nodos. Una trayectoria dirigida desde nodo i al nodo j es una secuencia de
arcos, cada uno de los cuales apunta al nodo j (si es que hay dirección). Una
trayectoria no dirigida puede incluir arcos dirigidos apuntando en cualquiera de
dirección.
Una trayectoria que comienza y que termina en el mismo nodo se denomina ciclo y
puede ser ya sea dirigida o no-dirigida.
Una red está conectada si existe una trayectoria no-dirigida entre cualquier par de
nodos. Una red conectada que no tiene ciclos se denomina árbol.
3
Son intuitivos. Los modelos de redes proveen un lenguaje para tratar los problemas,
mucho más intuitivo que "variables, objetivo, restricciones".
1. Se tienen los nodos de una red pero no las ligaduras. En su lugar se proporcionan
las ligaduras potenciales y la longitud positiva para cada una si se inserta en la red.
(Las medidas alternativas para la longitud de una ligadura incluyen distancia, costo
y tiempo.)
Una red con n nodos requiere sólo (n-1) ligaduras para proporcionar una trayectoria
entre cada par de nodos. Las (n-1) ligaduras deben elegirse de tal manera que la
red resultante formen un árbol de expansión. Por tanto el problema es hallar el árbol
de expansión con la longitud total mínima de sus ligaduras.
4
5.2 PROBLEMA DE LA RUTA MÁS CORTA. REDES CÍCLICAS Y ACÍCLICAS.
Redes cíclicas
Este problema se puede representar mediante una red como sigue. Cada año está
representado por un nodo. La “longitud” de una rama que une a dos nodos es igual
al costo de reemplazo asociado que se da en la tabla 8-1. La figura 8-6representa
la red. El problema se reduce a determinar la “ruta” más corta del nodo 1 al 5. La
“ruta” más corta se puede determinar mediante el uso de algoritmo que
representaremos en la sección 8.3.2. la solución óptima producirá la ruta 1 - 2 - 5
Tabla 8-1
Año 1 2 3 4 5
1 4.0 5.4 9.8 13.7
2 4.3 6.2 8.1
3 4.8 7.1
4 4.9
1 2 3 4 5
13.7
5
9.8
5.4
Figura 8-6
Con un costo total de 4+ 8.1 = 12.1 (miles de unidades monetarias). Esto quiere
decir que cada automóvil debe reemplazarse al segundo año de uso y desecharse
al quinto año.
2
100 15
1 20 4
10 50
30 60
3 5
Figura 8-10
6
Entre las etiquetas temporales corrientes, el nodo 3 tiene la menor distancia d
=30(=min {100,30}). Si el nodo 3 esta etiquetado permanentemente.
Iteración 3: del nodo cuatro rotulamos ahora el nodo 2 con la etiqueta temporal
[40+15,4] = [55,4], que reemplaza a la etiqueta temporal anterior [100,1]. A
continuación, el nodo 5 se etiqueta temporalmente con [40+50,4] = [90,4]. Las
etiquetas temporales incluyen ahora a [55,4] y [90,4] asociadas con los nodos 2 y 5,
respectivamente. Rotulamos entonces al nodo 2 en forma permanente con la
etiqueta [55,4].
El único nodo restante es el nodo destino 5, que convierte su etiqueta [90,4] a una
etiqueta permanente, con lo que se termina el procedimiento.
7
5.3 PROBLEMA DEL ÁRBOL DE MÍNIMA EXPANSIÓN
Este problema considera una red no dirigida y conexa. En ella se debe encontrar un
árbol de expansión con la longitud mínima de sus arcos.
3.- Empates. Los empates para el nodo más cercano distinto (paso 1) o para el nodo
conectado más cercano (paso 2), se pueden romper en forma arbitraria y el
algoritmo debe llegar a una solución óptima. No obstante, estos empates son señal
de que pueden existir (pero no necesariamente) soluciones optimas optimas
múltiples. Todas esas soluciones se pueden identificar si se trabaja con las demás
formas de romper los empates hasta el final.
La administración de seervada park necesita determinar los caminos bajo los cuales
se deben entender las líneas telefónicas para conectar todas las estaciones con una
longitud total mínima de cable. Se describirá paso a paso la solución de este
problema con base en los datos que se dan a continuación.
Los nodos y distancias para el problema se resumen enseguida, en donde las líneas
delgadas ahora representan ligaduras potenciales.
A
7
8 T
0 B D
2 2 5
5 4
3 1 7
4 1
En forma arbitraria, se selecciona el nodo 0 como inicio. El nodo no conectado más cercano
a 0 es A. se conecta el nodo A al nodo 0.
A
7
2 2 5 T
5 4
0 B D
3 1 7
4 1
C E
4
9
El nodo no conectado más cercano a cualquiera de los nodos 0 o A es el nodo B (más cercano
a A). Se conecta el nodo B al nodo A.
A
7
2 2 5
T
5 4
0 B D
3 1 7
4 1
C 4 E
El nodo no conectado más cercano a 0, A o B es el nodo C (más cercano a B). se conecta el
nodo C al nodo B.
A
7
2 2 5 T
5 4
0 B D
3 1 7
4 1
C E
4
10
El nodo no conectado más cercano a 0, A, B o C es el nodo E (más cercano a B). se conecta
el nodo E al nodo B.
A
7
2 2 5
T
5 4
0 B D
3 1 7
4 1
C 4
E
El nodo no conectado más cercano a los nodos 0,A, B, C o E es el nodo D (más cercano a
E).Se conecta el nodo D al nodo E.
A
7
2 2 5
T
5 4
0 B D
3 1 7
4 1
11
C E
4
El único nodo no conectado es el nodo T. Está más cerca del nodo D. se conecta el nodo T al
nodo D.
A
7
2 2 5 T
5 4
0 B D
3 1 7
4 1
C E
4
Todos los nodos han quedado conectados, por lo que esta es la solución (optima) que se
buscaba. La longitud total de las ramas es 14 millas.
Aunque con este procedimiento a primera vista puede parecer que la elección del nodo inicial
afectaría la solución final ( y la longitud total de las ligaduras), en realidad no es así. Se
sugiere que se verifique este hecho para el ejemplo, aplicando de nuevo el algoritmo, pero
con un nodo inicial distinto de 0.
Se considera que dentro de este capítulo el problema del árbol de expansión mínima es el que
cae dentro de la amplia categoría de diseño de redes. En esta categoría, el objetivo es diseñar
la red más apropiada para el problema dado (con frecuencia se trata de sistemas de transporte)
y no de analizar una red ya diseñada. La referencia 8 proporciona una investigación en esta
importante área.
12
5.4 Problema de flujo máximo
En una red con flujo de capacidades en los arcos, el problema es determinar el flujo máximo
posible proveniente de los orígenes de forma tal de ahogar las capacidades de flujos de los
arcos. Considere una red con m nodos y n arcos con un flujo simple de bienes. Denote el arco
de flujo (i a j) como Xij. Asociamos cada arco a una capacidad de flujo, kij. En esta red,
deseamos encontrar el flujo total máximo en la red, F, del nodo 1 al nodo m.
13
5.5 Problema de flujo de costo mínimo
El problema de flujo de costo mínimo tiene una posición medular entre los problemas de
optimización de redes; primero, abarca una clase amplia de aplicaciones y segundo, su
solución es muy eficiente.
Todos los problemas de red anteriores son casos especiales del problema de flujo de costos
mínimo. Al igual que el problema de flujo máximo, este considera flujos en las redes con
capacidades. Al igual que el problema del camino más corto, este considera un costo por flujo
hacia un arco. Al igual que el problema de transporte, este permite múltiples orígenes y
destinos. Por lo tanto, todos estos problemas pueden ser vistos como casos especiales del
problema de flujo de costos mínimo.
14
La solución óptima es: X12 = 12, X13 = 8, X23 = 8, X24 = 4, X34 = 11, X35 = 5, X45 =
10, todos los demás Xij = 0. El costo óptimo es $150
Ejemplo
Una empresa ha dejado de fabricar ciertos productos, liberando de esta forma las cargas de
producción que tenían sus equipos en los departamentos de maquinado. Ahora se tienen horas
máquina que se pueden utilizar en los productos denominados 1,2,3 de la siguiente manera:
16
17