Investigación de Operaciones II

CATEDRATICO:
VICTOR RAFAEL PEREZ VALENCIA
ALUMNOS:
NOE LOPEZ ESPONDA
FRANCISCO ORTEGA RAMOS
MATERIA:
INVESTIGACIÓN DE OPERACIONES ll
Unidad 1 AL 5
Cintalapa de Figueroa Chiapas
0
PROGRAMACIÓN DINÁMICA.
1.1 CARACTERÍSTICAS DE LOS PROBLEMAS DE PROGRAMACIÓN DINÁMICA
Las características de la programación dinámica se emplean para formular e identificar la

estructura de los problemas de este tipo.
A continuación, se presentarán estas características básicas que distinguen a los problemas
de 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).
En un problema de PD una serie de decisiones se deben tomar en una secuencia dada.

Cuando esto se cumple, una política óptima se debe perseguir. No importa cuáles fueron los
estados y decisiones iniciales, las decisiones restantes constituirán una política óptima con
respecto al estado resultante de la primera decisión.
1.2. EJEMPLOS DE MODELOS DE PROGRAMACIÓN DINÁMICA
El problema de la diligencia.
Un problema construido especialmente por el Profesor H M Wagner de la Universidad de

Stanford para ilustrar las características e introducir la terminología de la PD es el problema de
la diligencia.
Este problema se refiere a un vendedor mítico que tuvo que viajar hacia el oeste utilizando
como medio de transporte una diligencia, a través de tierras hostiles, en el último cuarto del
siglo XIX. Aun cuando su punto de partida y destino eran fijos, tenía un número considerable
de opciones para elegir qué estados (o territorios que posteriormente se convirtieron en
estados) recorrer en su ruta.
En la figura 1.1 se muestran las rutas posibles, en donde cada estado se representa por un
bloque numerado.
Figura 1.1. Sistema de caminos para 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:
▪ Primera etapa: estados 1 y (2, 3, 4)

▪ Segunda etapa: estados (2, 3,4) y (5, 6, 7)
▪ Tercera etapa: estados (5,6,7) y (8, 9)
▪ Cuarta etapa: estado (8,9) y10
2
Puesto que se ofrecían seguros de vida a los pasajeros de las diligencias, este vendedor no
quiso dejar pasar la oportunidad y se propuso determinar la ruta más segura. Como el costo
de cada póliza se basaba en una evaluación cuidadosa de la seguridad de ese recorrido, la
ruta más segura debía ser aquella con la póliza de seguro de vida más barata. El costo de la
póliza estándar para el viaje en diligencia del estado i al j se muestra en figura 1.1 como una
etiqueta en los caminos (flechas) para ir de un estado a otro.
Así la pregunta central es: ¿cuál ruta (conjunto de caminos) minimiza el costo total de la
póliza?, para contestar esta pregunta es necesario hacer notar que, el procedimiento poco
inteligente de seleccionar el camino más barato ofrecido en cada etapa sucesiva no
necesariamente conduce a una decisión óptima global.
La PD parte de una pequeña porción del problema y encuentra la solución óptima para ese
problema más pequeño. Entonces gradualmente agranda el problema, hallando la solución
óptima en curso a partir de la anterior, hasta que se resuelve por completo el problema original.
A continuación, se explican los detalles involucrados en la implementación de esta filosofía

general.
La idea es calcular el costo mínimo (acumulativo) de la póliza de seguros entre los dos estados
de cada etapa y después utilizar esos costos como datos de entrada para la etapa inmediata
siguiente.
CÁLCULOS PARA LA ETAPA 1
Considerando los estados asociados con la etapa 1, se puede ver que los estados 2, 3 y 4
están conectados cada uno con el estado inicial 1 por una sola flecha como se puede apreciar
en la figura 1.2. Por consiguiente, para la etapa 1 se tiene
Figura 1.2 etapa 1: estados 2, 3,4

conectados con el estado inicial 1
Costo mínimo al estado 2 = 2 (desde el estado 1)

3
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:
Figura 1.4 etapa 2:

Estados 5 conectado con los
estados 2, 3, 4.
De forma similar para el estado 6 (figura 1.5), se tiene:

Figura 1.5
4
Etapa 2: Estados 6 conectado
Finalmente, para el estado 7 (figura 1.6), se tiene:
Figura 1.6
Etapa 2: Estados 7 conectados
5
Para los cálculos se toman los datos de la figura 1.7
Figura 1.7
Etapa 3: estados 8, 9 conectados
6
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
Resumen de cálculos para las diferentes etapas
El costo mínimo total desde el estado 1 al estado 10 es de 11.

El estado 10 se puede alcanzar desde los estados 8 y 9.
Si se elige el estado 9, este proviene de haber elegido el estado 6, el cual a su vez de haber
elegido el estado 4 y finalmente el estado 1.
▪ Es decir, la ruta óptima es: 1, 4, 6, 9,10
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.
Formalización de los cálculos de programación dinámica
Se mostrará ahora la forma en la cual se pueden expresar matemáticamente los cálculos

recursivos de la PD.
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.
1.3. PROGRAMACIÓN DINÁMICA DETERMINISTA

En este caso se profundiza sobre el enfoque de programación dinámica en los problemas
determinísticos, en donde el estado en la siguiente etapa está completamente determinado por
el estado y la política de decisión de la etapa actual. El caso probabilístico en el que existe una
distribución de probabilidad para el valor posible del siguiente estado este se analizara más
adelante.
Aplicaciones de programación dinámica determinística
Algunas de las aplicaciones de programación dinámica determinística son:
• Modelo de Volumen-Carga “Mochila”

• Modelo del tamaño de la fuerza de trabajo
• Modelo de reposición de equipos
• Modelo de inversión
• Modelos de inventarios
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:
• Definición de las etapas

• Definición de las políticas o alternativas
• Definición de los estados para cada etapa
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.
1.4. PROGRAMACIÓN DINÁMICA PROBABILISTA

La programación dinámica probabilística (PDP) es una técnica matemáticamente útil para la
toma de decisiones interrelacionadas, se presenta cuando el estado en la siguiente etapa no
está determinado por completo por el estado y la política de decisión de la etapa actual. En su
lugar existe una distribución de probabilidad para determinar cuál será el siguiente estado. Sin
embargo, esta distribución de probabilidad si queda bien determinada por el estado y la política
de decisión en la etapa actual. Por consiguiente, la diferencia entre la programación dinámica
probabilística y la programación dinámica determinística (PDD) está en que los estados y los
retornos o retribuciones en cada etapa son probabilísticos. La programación dinámica
probabilística se origina en especial en el tratamiento de modelos estocásticos de inventarios
y en los procesos varsovianos de decisión.
Algunas de las aplicaciones de programación dinámica probabilística son:
• Un juego aleatorio
• Problema de inversión
• Maximización del evento de lograr una meta.
1.5. USO DE PROGRAMAS DE COMPUTACIÓN

Adicional al programa SOLVER, incluido en EXCEL-2000 de Microsoft (cuya explicación
didáctica del funcionamiento del programa Solver (445 kb), se incluye en este documento que
puede ser bajado por Usted), se incorporan otros programas que operan bajo sistema WIndows
98/ME/2000/XP, debiendo disponer de una computadora actualizada con procesador Pentium
II y superiores, memoria mínima de 256 kb y capacidad de disco de 50
MB y los cuales pueden ser bajados a continuación:
• 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
2.1. INTRODUCCIÓN, TERMINOLOGÍA, NOTACIÓN Y CASOS
DE APLICACIÓN
USO DE LAS TASAS DE LLEGADA Y DE SERVICIO
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.
APLICACIONES DE LA TEORIA DE LINEAS DE ESPERA
La teoría de las líneas de espera se ha aplicado a una gran variedad de situaciones de

negocios. Una breve descripción de algunas aplicaciones será de gran ayuda para sugerir
problemas a los que pueda aplicarse la teoría. Una gran cadena de supermercados ha utilizado
las líneas de espera para determinar el número de estaciones de control que se requieren para
lograr un funcionamiento continuo y económico de sus almacenes, a diversas horas del día.
Otro uso de esta teoría consiste en analizar las demoras en las casetas de peaje de puentes
y túneles. Un estudio de esta índole se refiere al número y programación de las casetas de
peaje requeridas sobre una base de veinticuatro horas, a fin de reducir al mínimo los costos
en determinado nivel de servicio. Otras áreas relacionadas con un cliente, serían las líneas de
espera de restaurantes y cafeterías, expendios de gasolina, oficinas de líneas aéreas,
almacenes de departamentos y la programación de los pacientes en las clínicas. En todos los
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.
TIEMPOS UNIFORMES DE LLEGABA Y DE SERVICIO

El manejo apropiado de los tiempos uniformes de llegada y de servicio, en términos de costo
mínimo, puede demostrarse con un ejemplo. Una empresa manufacturera maneja muchas
casetas de herramientas dentro de una de sus grandes fábricas. Actualmente, el grupo de
análisis de sistemas tiene en observación una de esas casetas atendida por un trabajador, los
maquinistas llegan a solicitar servicio a una tasa uniforme de 10 por hora mientras que se
observa que el encargado de la caseta de herramienta ' atiende sus peticiones a
una tasa uniforme de 7 1/2 por hora. ¿Seria? lucrativo para la empresa aumentar el
número de encargados si se le paga a razón de $3.00 por hora, y se paga a los maquinistas a
razón de $4. QO hora? Esas cuotas incluyen los beneficios marginales.
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 la última sección, estudiamos las tasas uniformes de llegada y de servicio, y ahora

estudiaremos las tasas aleatorias de llegada y de servicio en un problema de líneas de espera
de un solo canal (una sola estación). No trataremos aquellos casos en los que la capacidad de
las instalaciones de servicio es mayor que el promedio de las demandas de las entradas,
porque esta condición da por resultado que no haya líneas de espera. En vez de ello nos
ocuparemos de un problema de líneas de espera de un solo canal, en el que hay una línea de
espera que resulta de tiempos aleatorios de llegada y de servicio. Vale la pena notar que los
modelos de líneas de espera pueden usarse para eliminar un exceso de trabajadores, cuando
la instalación de servicio es mayor que las demandas de servicio.
La forma en que llegan las unidades es aleatoria, si no puede predecirse exactamente
cuando llegara cierta unidad.
2.2 PROCESO DE NACIMIENTO Y MUERTE (MODELOS DE POISSON)
PROCESO DE NACIMIENTO PURO Y MUERTE PURA
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.
MODELO DE NACIMIENTO PURO
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
El número de nacimientos en el país por año está dado por
λ t = 205.7x365 = 75080 nacimientos/año
La probabilidad de ningún nacimiento en cualquier día es
(205.7 x1) 0 e −205.7 x1

po = 0
0!
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
(8.57 x1)10 e −8.57 x1

p10 (19) = = 0.11172
10!
MODELO DE MUERTE PURA
Considere la situación de almacenar N unidades de artículo al inicio de la semana, para satisfacer la

demanda de los clientes durante la semana. Si suponemos que la demanda se presenta a una tasa de
µ unidades por día y que el proceso de demanda es completamente aleatorio, la probabilidad asociada
de tener n artículos en el almacén después de un tiempo t, la da la siguiente distribución truncada de
Poisson:
( 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
Al inicio de la semana, se almacenan 15 unidades de un artículo de inventario para utilizarse durante

la semana. Solo se hacen retiros del almacenamiento durante los primeros 6 días (la empresa está
cerrada los domingos) y sigue una distribución de Poisson con la media de 3 unidades/día. Cuando el
15
nivel de existencia llega a 5 unidades, se coloca un nuevo pedido de 15 unidades para ser entregado
al principio de la semana entrante. Debido a la naturaleza del artículo, se desechan todas las unidades
que sobran al final de la semana
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,
(3t )15−5 e −3t

p5 (t ) = , t= 1, 2,6
(15 − 5)!
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
p5(t) 0.0008 0.0413 0.1186 0.1048 0.0486 0.015
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,
Pan<=5 (t) = p0(t)+p1(t)+…+p5(t)
Usando TORA nuevamente obtenemos
t (días) 1 2 3 4 5 6
µt 3 6 9 12 15 18
pk<=5(t) 0.0011 0.0839 0.4126 0.7576 0.9301 0.9847
Podemos advertir en la tabla que la probabilidad de hacer el pedido para el día t aumente
monótonamente con t.
Otra información, que es importante al analizar la situación, es determinar el número promedio de

unidades de inventario que se desecharan el fin de semana.
16
En t = 6 =
15
 np
n =0
n ( 6)
Esto se hace calculando el número esperado de unidades para el día 6; es decir,
La tabla que sigue presenta un resumen de las operaciones dado µt=18
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
Y pk (6) ~= 0 para n = 12,13,14 y 15. Por lo tanto, al calcular el promedio, obtenemos
En t = 6 = 0.5537 unidad
Esto indica que, en promedio, se desechará menos de una unidad al término de cada semana.
Ejercicio 15.3-2
Determine en el ejemplo 15.3-2
A) La probabilidad de que se agote la existencia después de tres días.
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.
D) El inventario promedio que se mantiene en existencia al término del segundo día
E) La probabilidad de que no ocurran retiros durante el primer día
2.4 UNA COLA, UN SERVIDOR Y POBLACIÓN FINITA
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.
Si m es la población que pudiera requerir un servicio determinado y n (n < m) elementos de esa

población piden ese servicio, entonces P0 (t) se calcula mediante el uso simultáneo de las expresiones
3.20 y 3.21, determinadas a continuación9-1:
𝑃𝑛 (𝑡) 𝑚! ƛ
= ( )𝑛
(𝑚−𝑛)! µ
(3.20)
𝑃0 (𝑡)
1
𝑃0 (𝑡) = 𝑃𝑛 (𝑡) (3.21)
∑𝑚
𝑛=0 𝑃0 (𝑡)
Una vez conocida 𝑃𝑜 (t) se calcula L, W, Ts, Tw de:
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
Obviamente, conocida P0 (t) se calcula Pan (t) de 3.20 de la siguiente manera:
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
Si se toma como unidad de tiempo un año, entonces
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
2, 3, 4 y m = 4, donde n es el número de aviones que esperan compostura y m es la flota de jumbos

747 de Aeroméxico.
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)
Por lo tanto, y de acuerdo con 3.21, se tiene:
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.
La probabilidad de que se encuentre un avión en mantenimiento y otro en espera es:
4! 1
𝑃2 (𝑡) = ( )2 0.57463 = 0.11
(4 − 2)! 8
El número promedio de aviones de aviones que esperan servicio en 1 año es de:
(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:
𝑊 = 0.17 + (1 − 0.57463) = 0.60 𝑎𝑣𝑖𝑜𝑛𝑒𝑠
El tiempo promedio de espera en la cola para recibir servicio 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
O sea, casi 64 días:
¿Qué representa esto en costo?
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:
a) Tiempo muerto del avión mientras espera y le reparan la turbina, (Tw).

b) Tiempo muerto de la tripulación cuando el avión se encuentra en el taller por compostura de
turbinas.
c) Tiempo de reparación de la turbina (sin incluir refacciones), es decir Tw – Tos.
Como la unidad de tiempo es un año, se deben convertir todos los costos unitarios a costo por año.
En un año (365 días) el avión vuela:
𝑑𝑖𝑎𝑠 ℎ𝑜𝑟𝑎𝑠 ℎ𝑜𝑟𝑎𝑠

365 ∗ 14 = 5110
𝑎ñ𝑜 𝑑𝑖𝑎𝑠 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:
ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑣𝑢𝑒𝑙𝑜 𝑝𝑒𝑠𝑜𝑠 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑚𝑎𝑛𝑡𝑒𝑛𝑖𝑚𝑖𝑒𝑛𝑡𝑜

(5110 ∗ 10,000 ) + (500 * 5000
𝑎ñ𝑜 ℎ𝑜𝑟𝑎 𝑑𝑒 𝑣𝑢𝑒𝑙𝑜 𝑎ñ𝑜
𝑝𝑒𝑠𝑜𝑠 ℎ𝑜𝑟𝑎𝑠 𝑒𝑛 𝑡𝑖𝑒𝑟𝑟𝑎 𝑝𝑒𝑠𝑜𝑠

) + (3150 ∗ 2000 ℎ𝑜𝑟𝑎 𝑒𝑛 𝑡𝑖𝑒𝑟𝑟𝑎) = 59.9
ℎ𝑜𝑟𝑎 𝑑𝑒 𝑚𝑎𝑛𝑡𝑒𝑛𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑎ñ𝑜
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:
𝑇𝑤 (4.8) (0.175 𝑎ñ𝑜𝑠) (4.8 )
= 𝑎ñ𝑜
𝑎𝑣𝑖𝑜𝑛𝑒𝑠 4 𝑎𝑣𝑖𝑜𝑛𝑒𝑠
𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎ñ𝑜
= 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:
(𝑇𝑤 − 𝑇𝑠 )𝑎ñ𝑜 (3.9 ) = (0.175 − 0.05)(3.9)
𝑎ñ𝑜 − 𝑎𝑣𝑖𝑜𝑛
= 0.49
El costo total de tener a un avión en el sistema de compostura es:
(10.48 + 0.21 + 0.49) = 11.58
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:
𝑃𝑚 (𝑡 + 𝛥 𝑡) = 𝑃𝑚 (𝑡)(1 − ƛ 𝛥 𝑡)(1 − 𝑆 µ 𝛥 𝑡) + 𝑃𝑚+1 (𝑡)(𝑆 µ 𝛥 𝑡)(1 − ƛ 𝛥 𝑡) +

𝑃𝑚−1 (𝑡)(ƛ 𝛥 𝑡)(1 − 𝑆 µ 𝛥 𝑡) + 𝑃𝑚 (𝑡)(ƛ 𝛥 𝑡)(𝑆 µ 𝛥 𝑡) (3.27)
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) − 𝑃𝑜 (𝑡) (ƛ 𝛥 𝑡) − 𝑃𝑜 (𝑡)𝑆 µ 𝛥 𝑡 + 𝑃𝑜 (𝑡)𝑆 µ ƛ ( 𝛥 𝑡)2 + 𝑃1 (𝑡)(𝑆 µ 𝛥 𝑡)

− 𝑃1 (𝑡)𝑆 µ ƛ ( 𝛥 𝑡)2 + 𝑃0 (𝑡) 𝑆 µ ƛ ( 𝛥 𝑡)2
Restando en ambos lados PQ (t) y dividiendo entre A t, se tiene
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
El límite, cuando 𝛥 𝑡 tiende a cero, de la expresión general 3.27, para m = 1, genera
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
Substituyendo 3.28 en 3.29

ƛ ƛ
( )2 ( )
𝑃2 (𝑡) = 𝑃0 (𝑡) [ 𝑆µ 2 + µ
+ 1] (3.30)
𝑆2
Generalizando 3.30 para un valor m — 1 cualquiera se obtiene
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¡
Una fórmula explícita de 𝑃0 (𝑡) se genera despejando este término de ∑∞

𝑚 = 0 𝑃𝑚 (𝑡) = 1, arrojando la
expresión:
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¡
El largo de la cola L, lo dará la expresión

∞
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)
El número de elementos en el sistema W, es igual a

ƛ
W=L+ (3.36)
µ
El tiempo de espera en la cola Ts es:
𝐿
𝑇𝑆 = (3.37)
ƛ
Mientras que el tiempo de espera en el sistema, Tw
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
Se puede demostrar que
𝑃 {𝑇𝑆 > ℎ} = [1 − 𝑝 {𝑇𝑆 = 0}]𝑒 −𝑠 µ (1−𝑝)ℎ
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.
Se describe en forma cuantitativa al sistema de garitas migratorias y aduaneras.
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
= [1 + 1.875 + 1.7578 + 1.0986 + 0.515 + 0.193(1.6)]−1
= [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.
El largo de la cola, L es:
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
El número de elementos en el sistema, W, es:
ƛ
𝑊 =𝐿+ = 0.0283 + 1.875 = 1.9033 automóviles
µ
El tiempo promedio de espera en la cola, Tos es:
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.
M Tamaño de Garitas Número de Pm (t) +, *
la cola desocupadas automóviles
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
El largo de la cola, L, es:
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
Mientras que el número de elementos en el sistema, W, es:
ƛ
W=L+
µ
= 13.61 + 1.875 = 15.49 automóviles
El tiempo promedio de espera en la cola, TS, es:
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
O sea, casi 62 minutos.
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.
Un proceso de decisión presenta las siguientes características principales:

• Existen al menos dos posibles formas de actuar, que llamaremos alternativas o
acciones, excluyentes entre sí, de manera que la actuación según una de ellas
imposibilita cualquiera de las restantes.
• Mediante un proceso de decisión se elige una alternativa, que es la que se lleva a cabo.
• La elección de una alternativa ha de realizarse de modo que cumpla un fin determinado.
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.
ELEMENTOS DE UN PROCESO DE DECISIÓN

El decisor:
Es el encargado de realizar la selección de alternativas de la mejor manera, en función de sus
objetivos
Las alternativas o cursos de acción:
Son las diferentes formas de actuar posibles: el TD deberá seleccionar una de ellas. Es
importante tener en cuenta que estas alternativas deben ser excluyentes entre sí.
Los estados de la naturaleza:
Son las variables no controlables por el TD. Son eventos futuros que influyen en el proceso de
decisión, pero que no pueden ser controladas ni previstas, en su comportamiento, por el TD.
Los resultados:
Es lo que se obtiene ante la selección (la opción) de una alternativa determinada cuando se
presenta uno de los posibles estados de la naturaleza.
La regla de decisión o criterio:
Que es la especificación de un procedimiento para identificar la mejor alternativa en un
problema de decisión.
TABLA DE DECISIONES
La tabla de pagos (o tablas de decisión): sirven para tratar muchos problemas de decisión y
poseen los siguientes elementos:
• Los diferentes estados de la naturaleza si (s1, s2,…, sn).
• Las distintas alternativas o cursos de acción, entre los cuales el TD deberá
seleccionar uno aj (a1, a2, …, am).
• Los resultados Rij que surgen de la elección de la alternativa ai cuando se presenta el
estado sj
• El criterio de decisión: es la especificación de un procedimiento para identificar la
mejor alternativa en un problema de decisión.
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.
PROCESO DE TOMA DE DECISIONES ESTADÍSTICAS

A diferencia de los procesos de toma de decisiones determinísticas tal como, optimización
lineal resuelto mediante sistema de ecuaciones, sistemas paramétricos de ecuaciones y en la
toma de decisión bajo pura incertidumbre, las variables son normalmente más numerosas y
por lo tanto más difíciles de medir y controlar. Sin embargo, los pasos para resolverlos son los
mismos. Estos son:
1. Simplificar
2. Construir un modelo de decisión
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
• El modelo es una representación simplificada de la situación real
• No necesita estar completo o exacto en todas las relaciones
• Se concentra en las relaciones fundamentales e ignora las irrelevantes.
los métodos probabilísticos y estadísticos para el análisis de toma de decisiones bajo

incertidumbre son más numerosos y mucho más poderosos que nunca. Las computadoras
hacen disponible muchos usos prácticos. Algunos de los ejemplos de aplicaciones para
negocios son los siguientes:
• Un auditor puede utilizar técnicas de muestreo aleatorio para auditar las cuentas por cobrar
de un cliente.
• Un gerente de planta puede utilizar técnicas estadísticas de control de calidad para asegurar
la calidad de los productos con mínima inspección y menor número de pruebas.
MÉTODO PARA TOMAR DECISIONES DETERMINANTICAS CON MÚLTIPLES OPCIONES
Y OBJETIVOS
Para resolver disyuntivas –esto es, para decidir ante dos opciones- Benjamín Franklin
escribía en un papel los factores que favorecían a una y otra, separados por una línea vertical.
34
Luego buscaba en ambos lados, factores o grupos de factores que tuviesen –según su
apreciación- igual peso, y los eliminaba. Así iba simplificando el problema hasta que los
elementos no tachados indicaran el predominio de una opción.
El procedimiento consiste en eliminar alternadamente opciones y objetivos. Para ello se
aplican dos principios lógicos irrebatibles:
a) Que si una opción X es superior a una opción Y en un objetivo y no es inferior a esta en
ninguno de los restantes (condición llamada de Dominio Absoluto), entonces la opción Y se
puede descartar
Crear una Tabla De Consecuencias
Una Tabla de Consecuencias representa en cada línea un objetivo y en cada columna una
opción o candidato. Las intersecciones son –naturalmente- las calificaciones de los objetivos
para cada candidato. Se verá mejor a través de un ejemplo: supongamos que Juan quiere
encontrar trabajo y sus objetivos son:
- Sueldo
- Flexibilidad de Horario
- Prestaciones (como Salud, atención dental, etc.)
- Distancia desde su casa y
- Vacaciones
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.
Tabla de Consecuencias de Juan

Objetivo A B C D E
Sueldo 500 600 700 550 450
Flexibilidad M N N M A
Prestaciones 6 5 5 6 4
Distancia 20 10 8 12 27
Vacaciones 15 20 19 15 15
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:
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:
Tabla de Clasificación de Juan

Objetivo B C D E
Sueldo 2 1 3 4
Flexibilidad 3 (e) 3 (e) 2 1
Prestaciones 2 ( e) 2 (e) 1 4
Distancia 2 1 3 4
Vacaciones 1 2 3 (e) 3 (e)
Donde el símbolo (e) significa empate.
Se aprecia que ya no existen situaciones de dominio absoluto, pero la opción C es superior a
la B en casi todos los objetivos, excepto en el de las vacaciones (donde pierde por sólo un
día). Aquí, por supuesto, entra a tallar el criterio del decisor: ese día de vacaciones ¿es tan
importante como la diferencia en el sueldo o la mayor distancia? Creemos que para la
mayoría probablemente valga más que la diferencia en distancia (2 km.) pero difícilmente
puede compensar los cien mil pesos de mayor sueldo que se obtienen con C. Se dice, en
este caso, que C tiene Dominio Relativo sobre B, circunstancia que permite eliminar a esta
última.
Una vez descartada B, la tabla de consecuencias queda:
Objetivo C D E
Sueldo 700 550 450
Flexibilidad N M A
Prestaciones 5 6 4
Distancia 8 12 27
Vacaciones 19 15 15
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.
Los estados en el tiempo representan situaciones exhaustivas y mutuamente excluyentes del

sistema en un tiempo específico. Además, el número de estado puede ser finito o infinito. Un
ejemplo es el juego delanzar la moneda.
Por lo general una cadena de Markov describe el comportamiento de transición de un sistema
en intervalos de tiempo igualmente espaciados. Sin embargo, existen situaciones donde los
espaciamientos temporales dependen de las características del sistema y por ello, pueden no
ser iguales entre sí. Estos casos se denominan cadenas de Markov incrustadas.
Con las probabilidades absolutas y de transición podremos hacer predicciones de
comportamientos futuros como las que se observaron en las situaciones anteriores. Así, si
llamamos estados a cada una de estas posibilidades que se pueden presentar en un
experimento o situación específica, entonces podemos visualizar en las Cadenas de Markov
una herramienta que nos permitiría conocer a corto y largo plazo los estados en que se
encontrarían en periodos o tiempos futuros y tomar decisiones que afectarán o favorecerán
nuestros intereses. Las probabilidades absolutas y de transición son exhaustivas y
mutuamente excluyentes de un experimento aleatorio en cualquier tiempo.
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.
La probabilidad de que Ek sea el siguiente evento generado es una probabilidad condicional:

P (E / Mj). Esto se llama probabilidad de transición del estado Mj al estado Ek. Para describir
completamente una cadena de Markov es necesario saber el estado actual y todas las
probabilidades de transición.
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.
Otra forma de exhibir las probabilidades de transición es, para n = 0, 1, 2, …,
El superíndice n no se escribe cuando n = 1.
Procesos estocásticos.
Un proceso estocástico se define sencillamente como una colección indexada de variables

aleatorias {Xt}, donde el subíndice t toma valores de un conjunto T dado. Con frecuencia T
se toma como el conjunto de enteros no negativos, y X representa una característica de
interés medible en el tiempo t. Por ejemplo, el proceso estocástico, X1, X2, X3, puede
representar la colección de niveles de inventario semanales (o mensuales) de un producto
dado, o puede representar la colección de demandas semanales (o mensuales) de este
producto.
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 =
0, 1, y toda sucesión i, j, K0, K1, Ki-1.
Se puede demostrar que esta propiedad markoviana es equivalente a establecer una

probabilidad condicional de cualquier "evento" futuro dados cualquier "evento “pasado y el
estado actual Xi = i, es independiente del evento pasado y sólo depende del estado actual
del proceso. Las probabilidades condicionales P {Xt+1 = j | Xt = i} se llaman probabilidades
de transición. Si para cada i y j, P {Xt+1 = j | | Xt = i} = p {X1 = j | X0 = i}, para toda t = 0, 1, ....
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,),
P {Xtan = j | | Xt = i} = p {Xn = j | X0 = i}, Para toda t = 0, 1, . . .
Estas probabilidades condicionales casi siempre se denotan por y se llaman

probabilidades de transición de n pasos. De esta manera, es simplemente la
probabilidad condicional de que la variable aleatoria X, comenzando en el estado i, se
encuentre en el estado j después de n pasos (unidades de tiempo).
41
Como las son probabilidades condicionales, deben satisfacer las propiedades:
Probabilidades de transición estacionaria de estados estables.
Teorema
Sea P la matriz de transición de una cadena de M estados. Existe entonces un vector

tal que
Se establece que para cualquier estado inicial i, .

El vector a menudo se llama distribución de estado estable, o también
distribución de equilibrio para la cadena de Markov. Para encontrar la distribución de
probabilidades de estacionario para una cadena dada cuya matriz de transición es P, según
el teorema, para n grande y para toda i, (1)
n)
Como Pir (n + 1) = (renglón i de P (columna j de P), podemos escribir
(2)
Ejemplo:
Suponga que toda la industria de refrescos produce dos refrescos, A y B. Cuando

una persona ha comprado el refresco A, hay una probabilidad de 90 % de que su siguiente
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:
1 2 = 1 2 * .90 .10  1 = .90 1 + .20 2

.20 .80 2 = .10 1 + .80 2
De la condición 1 + 2 = 1,  1 = 1 - 2. Al reemplazar esta expresión en la

segunda ecuación, se tiene:
2 = .10(1 − 2) + .80 2
2 = .10 − .10 2 + .80 2
2 = .10 + .70 2
2 − .70 2 = .10
.30 2 = .10
 2 = ⅓
De la primera ecuación:
1 = .90 1 + .20 2
1 = .90 1 + .20 (⅓)

1 − .90 1 = .20 (⅓)
.10 1 = .20 (⅓)
1 = .20 (⅓)
.10
 1 = ⅔
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:
Cierta compañía se especializa en el arrendamiento de camiones a personas que

desean realizar sus propias mudanzas. El gerente de distribución de la compañía está
considerando la posibilidad de aplicar un “cargo por traslado” para cubrir el costo de enviar
camiones desde áreas en las que hay sobrantes a otras en las que se necesitan. Antes de
decidir si se debe aplicar el cargo por traslado al costo de arrendamiento de los camiones
que se dirigen a áreas en las que hay sobrantes, desea determinar la proporción del número
total de camiones que, a largo plazo, acabarán en cada una de las áreas de renta. Si las
proporciones son aproximadamente las mismas, el cargo por traslado será innecesario. Si
no es así, el cargo dependerá de la proporción del total que termine en cada región. El
gerente de distribución ha dividido la parte del país que atiende la compañía en tres
regiones: norte, centro y sur. De registros previos se ha determinado la siguiente
información, referente a la proporción de camiones que se rentan en determinada región y
dónde se entregan:
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
0.3 Centro Centro 0.12

0.4
Sur 0.09
0.3 Norte 0.10
Centro 0.20
0.5
Sur 0.20
La probabilidad de estar en el norte en cada uno de los tres meses (mes 0, 1 y 2)

está dada por:
(0.2) * (0.2) = 0.04
Para determinar la probabilidad de que un camión se encuentre en el norte después
de dos meses, se suman las tres probabilidades de encontrarlo en el norte:
p (estar en el norte dado que se encontraba en el norte en el mes 0) = 0.04 + 0.09 + 0.10
= 0.23
p (estar en el centro dado que se encontraba en el norte en el mes 0) = 0.06 + 0.12 + 0.20
= 0.p (estar en el sur dado que se encontraba en el norte en el mes 0)
9
= 0.100.0 0.20 = 0.39
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
Vector de probabilidad Matriz de transición Vector de probabilidad

para comenzar en el de un mes después de un mes
norte
Para el segundo mes, los cálculos son:
N C S
N C S N 0.2 0.3 0.5 N C S
0.2 0.3 0.5 * C 0.3 0.4 0.3 = 0.236 0.377 0.387
S 0.2 0.4 0.4
Vector de probabilidad Matriz de transición Vector de probabilidad

Después de un mes de un mes después de dos meses
Estos mismos cálculos se pueden obtener de la siguiente manera:

N C S N C S
N C S N N N C S
1 0 0 * C 0.2 0.3 0.5 0.2 0.3 0.5
S 0.3 0.4 0.3 * C 0.3 0.4 0.3 =
0.2 0.4 0.4 S 0.2 0.4 0.4 0.236 0.377 0.387
Vector de prebaby- Madriz de transit- Madriz de transit- Vector de

lidded para coin de un mess coin de un mess probability-
dad despise de 2
commentary
end el Norte mess
Para calcular la proporción de camiones que se encontrarán en cada región después

de dos meses, solo se sustituye la porción original de camiones que se encuentra en cada
región y se considera como el vector original de probabilidad, es decir, (0.4, 0.3, 0.3). Así,
los cálculos se convierten en:
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
Proporción de Matriz de transa- Matriz de transa- Proporción de

camiones en el cien de un mes cien de un mes Camiones en el
11
mes 0 mes 2
Con estos datos se puede dar respuesta a la primera pregunta planteada. Esto
significa que después de dos meses, el 23.6% de todos los camiones se encontrará en el
norte, el 37.7% estarán en la región central y el 38.7% en el sur.
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
Proporción de camiones Proporción de camiones

MES 1 N C S MES 2
N C S N 0.2 0.3 0.5 N C S
0.23 0.36 0.41 C 0.3 0.4 0.4 0.236 0.377 0.387
S 0.2 0.4 0.4

MES 2 N C S MES 3
N C S N 0.2 0.3 0.5 N C S
0.236 0.377 0.387 C 0.3 0.4 0.4 0.2377 0.3764 0.3859
S 0.2 0.4 0.4
Proporción de camiones Proporación de camiones

MES 3 N C S MES 4
N C S N 0.2 0.3 0.5 N C S
0.2377 0.3764 0.3859 C 0.3 0.4 0.4 0.2376 0.3762 0.3861
S 0.2 0.4 0.4

MES 4 N C S MES 5
N C S N 0.2 0.3 0.5 N C S
0.2376 0.3762 0.3861 C 0.3 0.4 0.4 0.2376 0.3762 0.3861
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:
NBS CBC ABS

NBS 0.2 0.4 0.4
CBC 0.3 0.3 0.4
ABS 0.2 0.2 0.6
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.
0.2 0.4 0.4 S1 = 0.2 S1 + 0.3 S2 + 0.2 S3

S1 S2 S3 = S1 S2 S3 * 0.3 0.3 0.4  S2 = 0.4 S1 + 0.3 S2 + 0.2 S3
0.2 0.2 0.6 S3 = 0.4 S1 + 0.4 S2 + 0.6 S3
Esto nos lleva a: −0.8 S1 + 0.3 S2 + 0.2 S3 = 0

0.4 S1 0.7 S2 + 0.2 S3 = 0
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 (1 − S2 − S3) + 0.3 S2 +

0.2 S3 = 0 0.4 (1 − S2 − S3) −
0.7 S2 + 0.2 S3 = 0
0.4 (1 − S2 − S3) + 0.4 S2 − 0.4 S3 = 0
0.8 S2 + 0.8 S3 + 0.3 S2 + 0.2 S3 = 0.8
−0.4 S2 − 0.4 S3 − 0.7 S2 + 0.2 S3 = −0.4
−0.4 S2 − 0.4 S3 + 0.4 S2 − 0.4 S3 = −0.4
1.1 S2 + 1.0 S3 = 0.8

1.1 S2 + 0.2 S3 = 0.4
0.8 S3 = 0.4
S3 = 0.4  S3 = 0.5 1.1 S2 + 1.0 (0.5) = 0.8  S2 =

0.272727
0.8
S1 = 1 − (0.272727) − (0.5)  S1 = 0.227273
Esto significa que cuando se alcance el estado estable, es decir, cuando

los televidentes tengan bien definidas sus preferencias por las cadenas de
televisión, el 22.72% verán la cadena NBS, el 27.27% de televidentes verán la
cadena CBC y el 50% restante verán la cadena ABS.
Estos resultados tan bajos para las expectativas de la cadena NBS hacen
que Mark Goldman pueda tomar decisiones al respecto.
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.
Optimización de redes es un tipo especial de modelo en programación lineal. Los

modelos de redes tienen tres ventajas importantes con respecto a la programación
lineal.
Pueden resolverse muy rápidamente. Problemas que con programación lineal

tendrían 1000 filas y 30.000 columnas pueden ser resueltos en segundos. Esto
permite que los modelos de redes sean usados en muchas aplicaciones (tal como
la toma de decisión en tiempo real) para lo cual la programación lineal no es lo ideal.
Requieren en forma natural de soluciones enteras. Al reconocer que un problema

puede formularse como algún modelo de red nos permitirá resolver tipos especiales
de problemas de programación entera aumentando la eficiencia y reduciendo el
tiempo consumido por los algoritmos clásicos de programación lineal.
3
Son intuitivos. Los modelos de redes proveen un lenguaje para tratar los problemas,
mucho más intuitivo que "variables, objetivo, restricciones".
Obviamente los modelos de redes no son capaces de cubrir la amplia gama de

problemas que puede resolver la programación lineal. Sin embargo, ellos ocurren
con suficiente frecuencia como para ser considerados como una herramienta
importante para una real toma de decisiones.
Los problemas de optimización de redes se pueden representar en términos

generales a través de uno de estos cuatro modelos:
➢ Modelo de minimización de redes (Problema del árbol de mínima expansión).

➢ Modelo de la ruta más corta.
➢ Modelo del flujo máximo.
➢ Modelo del flujo del costo mínimo.
➢ Modelo de minimización de redes
El modelo de minimización de redes o problema del árbol de mínima expansión

tiene que ver con la determinación de los ramales que pueden unir todos los nodos
de una red, tal que minimice la suma de las longitudes de los ramales escogidos.
No se deben incluir ciclos en la solución del problema.
Para crear el árbol de expansión mínima tiene las siguientes características:
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.)
2. Se desea diseñar la red con suficientes ligaduras para satisfacer el requisito de

que haya un camino entre cada par de nodos.
3. El objetivo es satisfacer este requisito de manera que se minimice la longitud total

de las ligaduras insertadas en la red.
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.
Se trata de encontrar la ruta de menor distancia o costo entre en punto de partida o

el nodo inicial y el destino o nodo terminal.
Redes cíclicas
EJEMPLO 1 REMPLAZO DEL EQUIPO
Una compañía arrendadora de automóviles está desarrollando un plan de

reemplazo de su flotilla para los próximos cinco años. Un automóvil debe de estar
en servicio cuando menos un año antes de que se considere ser reemplazado. La
tabla 8-1 resume el costo de reemplazo por unidad (en miles de unidades
monetarias) como función del tiempo y el número de años en operación. El costo
incluye la compra, prima del seguro, operación y mantenimiento.
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
4 4.3 4.8 4.9
6.2 8.1 7.1
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.
Apliquemos el procedimiento a la red en la figura8-10. Una hipótesis básica del

algoritmo es que en todas las distancias en la red son no negativas.
2
100 15
1 20 4
10 50
30 60
3 5
Figura 8-10
Iteración 0: el nodo 1 lleva la etiqueta permanente [0,-].
Iteración 1: los nodos 2 y 3, que se pueden alcanzar directamente desde el nodo 1

(el ultimo nodo rotulado permanentemente), llevan ahora las etiquetas temporales
[0+100, 1] y [0+30,1] o bien [100,1], respectivamente.
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 2: los nodos 4 y 5 se pueden alcanzar desde el ultimo nodo rotulado

permanentemente (nodo 3) y sus etiquetas temporales son [30+10,3] y [30+60,3] (o
bien [40,3] y [90,3]), respectivamente. En este punto tenemos las 3 etiquetas
temporales [100,1], [40,3] y [90,3] asociados con los nodos 2, 4 y 5,
respectivamente. El nodo 4 etiquetado temporalmente tiene la menor d = 40 (=min
{100, 40,90}) y, por consiguiente, su etiqueta [40,3] se convierte a un estado
permanente.
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.
Los pasos de cálculo anteriores se resumen gráficamente en la figura 8-11

observe que los cálculos se basan en el concepto de recursión empleado en el
algoritmo acíclico.
La diferencia principal entre los dos algoritmos estriba en que un nodo en el

algoritmo cíclico puede rotularse (temporalmente) sin tener en cuenta que todos
los nodos que llegan directamente a él se hayan o no rotulado.
La solución en la figura 8-11 proporciona la distancia más corta a cada nodo en la

red, junto con su ruta.
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.
Algoritmo para el problema del árbol de expansión mínima.
1.- selecciona, de manera arbitraria, cualquier nodo y se conecta (es decir, se

agrega una ligadura) al nodo distinto más cercano.
2.- se identifica el nodo no conectado más cercano a un nodo conectado y se

conectan estos dos nodos (es decir, se agrega una ligadura entre ellos). este paso
se repite hasta que todos los nodos están conectados.
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 manera más rápida de ejecutar este algoritmo en forma manual es el enfoque

grafico que se ilustra enseguida.
Aplicación de este algoritmo al problema del árbol de expansión mínima de

seervada park
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.
En la formulación de la programación lineal, el objetivo es maximizar F. El monto que parte

del origen por varias rutas. Para cada nodo intermedio, lo que entra debe ser igual a lo sale.
En algunas rutas los flujos pueden tomar ambas direcciones. La capacidad que puede ser
enviada a una dirección en particular también es mostrada en cada ruta
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.
El problema es minimizar el costo total sujeto a la disponibilidad y la demanda de algunos

nodos, y de la conexión superior de flujo a través de cada arco
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
5.6 PROGRAMACIÓN LINEAL EN TEORÍA DE REDES
La programación lineal es actualmente la técnica matemática utilizada más actualmente

gracias a que el algoritmo simplex es muy eficiente y al desarrollo de la computación. Lo que
se busca con la aplicación de la programación lineal es resolver problemas comunes y a la
vez muy variados de la empresa en donde en general se tienen necesidades por satisfacer con
cierto número de recursos limitados o escasos y con el objetivo de lograrlo en forma óptima.
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:
Máquina Horas por pieza de producto Horas Maq. Disponibles

1 2 3 por semana
15
Fresadora 9 3 5 500
Torno 5 4 - 350
Rectificadora 3 - 2 150
Utilidad
$/ pieza 50 20 25
Recomendación del Mínimo Mínimo Mínimo
Depto. Vtas a Prod. 30 15 20
Formular un modelo de Programación Lineal para este problema
• Definición de variables a utilizar en el método de programación lineal
Sea: Xn = número de piezas de producto j(j=1,2,3) a fabricar para maximizar la utilidad.
• Función económica y objetivo:
MAX Z= 50X1 + 20X2 + 25X3 [ (Dos/Unidad) (Unidad/SEM)] = [Dos/SEM.]
Sujeta a restricciones de horas máquina disponibles por semana
Fresadora: 9X1 + 3X2 + 5X3 * 500 horas máquina fresadora
Torno: 5X1 + 4X2 * 350 horas máquina torno
Rectificadora: 3X1 + 2X3 * 150 horas maquina rectificadora
Condiciones de signos pare las variables:
X1 * 30 piezas
X2 * 15 piezas
X3 * 20 piezas
16
17

Investigación de Operaciones II

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigación de Operaciones II

Cargado por

Copyright:

Formatos disponibles

CATEDRATICO:

VICTOR RAFAEL PEREZ VALENCIA

NOE LOPEZ ESPONDA

FRANCISCO ORTEGA RAMOS

Cintalapa de Figueroa Chiapas

1.1 CARACTERÍSTICAS DE LOS PROBLEMAS DE PROGRAMACIÓN DINÁMICA

Las características de la programación dinámica se emplean para formular e identificar la

En un problema de PD una serie de decisiones se deben tomar en una secuencia dada.

1.2. EJEMPLOS DE MODELOS DE PROGRAMACIÓN DINÁMICA

Un problema construido especialmente por el Profesor H M Wagner de la Universidad de

Figura 1.1. Sistema de caminos para el problema de la diligencia.

▪ Primera etapa: estados 1 y (2, 3, 4)

A continuación, se explican los detalles involucrados en la implementación de esta filosofía

Figura 1.2 etapa 1: estados 2, 3,4

Costo mínimo al estado 2 = 2 (desde el estado 1)

Figura 1.4 etapa 2:

De forma similar para el estado 6 (figura 1.5), se tiene:

Para los cálculos se toman los datos de la figura 1.7

Resumen de cálculos para las diferentes etapas

El costo mínimo total desde el estado 1 al estado 10 es de 11.

Formalización de los cálculos de programación dinámica

Se mostrará ahora la forma en la cual se pueden expresar matemáticamente los cálculos

1.3. PROGRAMACIÓN DINÁMICA DETERMINISTA

Aplicaciones de programación dinámica determinística

Algunas de las aplicaciones de programación dinámica determinística son:

• Modelo de Volumen-Carga “Mochila”

• Definición de las etapas

1.4. PROGRAMACIÓN DINÁMICA PROBABILISTA

Algunas de las aplicaciones de programación dinámica probabilística son:

1.5. USO DE PROGRAMAS DE COMPUTACIÓN

MB y los cuales pueden ser bajados a continuación:

2.1. INTRODUCCIÓN, TERMINOLOGÍA, NOTACIÓN Y CASOS

USO DE LAS TASAS DE LLEGADA Y DE SERVICIO

APLICACIONES DE LA TEORIA DE LINEAS DE ESPERA

La teoría de las líneas de espera se ha aplicado a una gran variedad de situaciones de

TIEMPOS UNIFORMES DE LLEGABA Y DE SERVICIO

En la última sección, estudiamos las tasas uniformes de llegada y de servicio, y ahora

2.2 PROCESO DE NACIMIENTO Y MUERTE (MODELOS DE POISSON)

PROCESO DE NACIMIENTO PURO Y MUERTE PURA

MODELO DE NACIMIENTO PURO

El número de nacimientos en el país por año está dado por

λ t = 205.7x365 = 75080 nacimientos/año

La probabilidad de ningún nacimiento en cualquier día es

(205.7 x1) 0 e −205.7 x1

(8.57 x1)10 e −8.57 x1

MODELO DE MUERTE PURA

Considere la situación de almacenar N unidades de artículo al inicio de la semana, para satisfacer la

Al inicio de la semana, se almacenan 15 unidades de un artículo de inventario para utilizarse durante

(3t )15−5 e −3t

p5(t) 0.0008 0.0413 0.1186 0.1048 0.0486 0.015

Pan<=5 (t) = p0(t)+p1(t)+…+p5(t)

Usando TORA nuevamente obtenemos

pk<=5(t) 0.0011 0.0839 0.4126 0.7576 0.9301 0.9847

Otra información, que es importante al analizar la situación, es determinar el número promedio de

Esto se hace calculando el número esperado de unidades para el día 6; es decir,

La tabla que sigue presenta un resumen de las operaciones dado µt=18

Y pk (6) ~= 0 para n = 12,13,14 y 15. Por lo tanto, al calcular el promedio, obtenemos

En t = 6 = 0.5537 unidad

Determine en el ejemplo 15.3-2

A) La probabilidad de que se agote la existencia después de tres días.

D) El inventario promedio que se mantiene en existencia al término del segundo día

E) La probabilidad de que no ocurran retiros durante el primer día