Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Z = Ct X
A X = b
Min. Z
X 0
1
PRESENTACION
E. ORE G.
2
INDICE
PRESENTACIÓN Pág.
INDICE
2.1 Introducción 10
2.2 Modelo de Programación Lineal 10
2.3 Proceso de Solución de un Programa Lineal 11
2.4 Formas de Presentación de Modelos de Programación Lineal 16
Forma Canónica 17
Forma Estandarizada 17
Forma Mixta 18
2.5 Transformación de un Programa Lineal de una Forma a Otra 18
2,6 Características del Modelo de Programación Lineal 22
2.7 Solución de un Programa Lineal 24
Método Gráfico o Geométrico 24
Método Algebraico 28
Método Matricial 32
Método Simplex 35
4.1 Introducción 47
4.2 Modelos de Transporte 47
Formulación del Problema 47
Planteamiento del Problema 48
Métodos de Solución 49
Esquina Noreste 45
Matriz Mínima 50
Vogel 50
Russell 52
3
TEMA VI: PROGRMACION DINAMICA
7.1 Definición 64
7.2 Forma Explícita del Juego 64
7.3 Juego de Suma Cero Entre e Personas. Estrategia Pura 64
7.4 Juego de Suma Cero Entre 2 personas; Estrategia Mixta 65
9.1 Introducción 70
9.2 Conceptos 70
9.3 Componentes Básicos 71
9.4 Características a Estudiar 71
TEMA X: MODELOS
10.1 Conceptos 75
10.2 Clasificación Según la Forma de su Presentación 75
10.3 Clasificación de los Modelos Según su Estructura 75
11.1 Conceptos 79
11.2 Ejemplos de Aplicación 79
BIBLIOGRAFIA
4
TEMA I
INVESTIGACIÓN DE OPERACIONES EN LA
TOMA DE DECISIONES
Un equipo de métodos cuantitativos seguirá los siguientes pasos para poder realizar una
investigación sistemática.
Aplicar el modelo y
Ayudar a implementar formular Probar el modelo y
las recomendaciones recomendaciones refinarlo
1.2.1 INVESTIGACIÓN
1.2.2 OPERACIÓN
5
1.2.3 INVESTIGACIÓN DE OPERACIONES
La nueva ciencia saca ideas de la mayoría de las otras ciencias, pero se apoya
fundamentalmente en métodos matemáticos; en realidad muchas ramas nuevas e
importantes de matemáticas aplicadas han surgido de los estudios de distintos
sistemas de negocios. Y se han descubierto o desarrollado muchas herramientas
matemáticas para obtener soluciones de problemas sobre ellos.
6
científico a un problema, con miras a proporcionar una base cuantitativa para llegar
a una solución óptima, en términos de las metas buscadas.
D = ga²/2
7
- Construcción simbólica: Las interacciones entre la formulación y la construcción
simbólica por lo común son críticas. Por ejemplo, la formulación de un modelo de
planeación de una empresa puede implicar una decisión de tiempo de 3, 5 o 10 años en el
futuro. Como también puede involucrar muchas inconveniencias; modelos demasiado
complejos, datos requeridos no existan, las técnicas existentes requieren aplicaciones a
largo plazo, el costo es demasiado caro, etc. Por tanto, es necesario conocer la teoría, el
desarrollo de modelos, desarrollo de algoritmos, como herramientas o técnicas para la
solución de problemas de investigación de operaciones. Es necesario ser un administrador
científico con participación multidisciplinaria.
Maximizar F(x),
8
- Modelo matemático (Función objetivo - restricciones - variables de decisión): comprende;
análisis de redes – PERT – CPM. Programación dinámica. Teoría de juegos.
Programación entera. Programación no lineal.
. Prueba de medicinas en animales de laboratorio. En este caso, las respuestas del animal
simulan las respuestas de los humanos.
. Manejar automóviles en pistas de prueba. Aquí, la pista de pruebas simula el ambiente
que enfrentará el automóvil.
. Comprobar diseños de alas de aviones en túneles de viento. El túnel de viento simula las
condiciones de vuelo.
a. Simulación:
b. Modelos Matemáticos:
c. Método Heurístico:
Como toda buena toma de decisión debe considerar, en las diferentes etapas del
proceso de investigación de operaciones, a todos los miembros de la organización directamente
implicados en el problema, ejecución e implementación de los modelos de solución. En base a
ello debe seguirse los siguientes pasos:
9
b. Construcción del Modelo
. Modelo matemático.
. Modelo de Simulación.
. Modelo Heurístico.
. Modelo Matemático - Simulación - Heurístico.
10
a. Definición del problema
Es una actividad que asume(n) un(os) individuo (s) para resolver tensiones
creadas por una situación que trastorna o impide su curso normal de una actividad. Es
un error común en el diagnóstico de situaciones problemáticas el confundir síntomas
obvios, generalmente aquellas características que atraen la atención, con el problema en
sí. Pobres decisiones son muchas veces, soluciones correctas a problemas erróneos, y
son consideradas pobres porque no contribuyen a las metas establecidas. Por ejemplo,
costos de producción excesivamente altos pueden ser atribuidos a demasiada mano de
obra, pero un excesivo número de trabajadores es sólo un síntoma, no una causa. La
causa puede ser pobre diseño de producto, pobre programación o excesivas
paralizaciones de la producción por defectos del equipo y la maquinaria.
Primero están aquellos problemas que claramente caen dentro del marco de las
políticas vigentes. Uno de los principales propósitos del establecimiento de políticas es
proveer un curso de acción predeterminado; en efecto, una solución para una multitud
de problemas similares. Un director de personal, cuando es llamado a decidir si debe o
no acceder a la solicitud de un empleado de retiro anticipado, tiene lista una respuesta,
que la cuestión es apropiadamente definida, y se determina que cae dentro de la órbita
de la política de retiros de la compañía. La segunda clase de problemas que no
requieren de obtención de información adicional consiste en aquellos problemas que
caen dentro del alcance de la experiencia del tomador de la decisión. Este puede poseer,
como consecuencia de experiencias y entrenamientos anteriores, la información y las
concepciones basadas en hechos, necesarias para resolver la situación y tomar una
decisión.
Para aquellas situaciones que no caen dentro del marco de políticas establecidas
o dentro del marco de las pasadas experiencias, es necesario obtener información
adicional, mediante un proceso de “indagación de hechos”.
11
c. Desarrollo de soluciones alternas
Además, este paso implica, para el caso específico del curso de Métodos
Cuantitativos:
Ejemplo 1: Un problema relacionado con las ventas de una empresa puede tener
múltiples factores por estudiar, como, por ejemplo:
A1 Z1 A1 = V1 Z2 A1 = U1
A2 Z1 A2 = V2 Z2 A2 = U2
“X” A3 Z1 A3 = V3 Z2 A3 = U3
... ... ... ... ...
... ... ... ... ...
... ... ... ... ...
An Z1 An = Vn Z2 An = Un
12
- Supongamos: Z1, se trata de la ganancia que una compañía obtiene, la
determinación del valor de decisión implicaría buscar Vj de máxima
ganancia.
- Si Z2, fuera horas extras hombre/trabajo. Entonces, la decisión implicaría
buscar Ui que produzca el mínimo horas extras hombre/trabajo.
d. Decisión optima
Ejemplo:
Decisión óptima global 1d1 + 2d2 + ... + n dn;
i = Coeficiente de ponderación del criterio d1
di = Decisión óptima según el criterio i
i = 1, 2, ..., n
n = número de criterio de decisión
n
i = 1
i=1
13
Ejemplo: Sí;
Z1 No. Huelgas
Z2 Utilidad de la empresa
Z3 Automatización de los cálculos
b. Matriz de decisión
Respuesta:
14
TEMA II
PROGRAMACIÓN LINEAL
2.1. INTRODUCCIÓN
Por ejemplo, un hombre de negocios quiere maximizar sus beneficios, pero está
restringido por la cantidad de maquinaria y el número de empleados que tiene, por el capital
que puede invertir y por otros muchos factores de tipo económico. Este tipo de ejemplos se
llama problemas de optimización. En ciertas circunstancias la cantidad maximizada o
minimizada y todas las restricciones impuestas, será expresada en términos de una ecuación o
desigualdad lineal.
Sujeto a restricciones
Xj 0 (***)
Donde :
15
- El problema consiste en hallar los valores de las Xj que optimice F.O. = Z,
sujeto a restricciones.
- Las Xj son las variables de decisión
- j = 1, 2, ... , m
S.A. Aij Xj = bi ; i = 1, 2, ..., m; X 0
Max. ó Mín. Z = Ct X
A X = b
X 0
Donde:
C1 X1 A11 A12 . . . A1n b1
C2 X2 A21 A22 . . . A2n b2
C= . X = . A= . . . b= .
. . . . . .
. . . . . .
Cn Xn Am1 Am2 Amn bm
Leyenda:
C y X = Vector columna de n componentes
B = Vector columna de m componentes
A = Matriz de orden m x n
16
a. Un individuo ( I ) presto a resolver el problema en un medio ambiente ( M ) adecuado
b. El I debe tener cuando menos 2 posibles cursos de acción ( S1, S2, ... )
c. Debe existir, cuando menos 2 resultados posible ( R1, R2 )
d. Los cursos de acción conduzcan a un solo objetivo ( O ), es decir no existen ( O 1, O2. O3 )
1. Un problema afecta a grupos de individuos, por tanto, deben ser considerado aquellas
personas que serán implicadas ya sea en la formulación, ejecución y evaluación de un
programa lineal.
2. En una época de avance cibernético del conocimiento, tecnología, la ciencia, etc. el
medio ambiente (M) cambia en cuanto a los cursos de acción a seguir y a los valores de
los resultados, en consecuencia, deben ser previstas, estos cambios, en todo el proceso
de programación lineal.
3. Para un problema empresarial existen cursos alternativos muy variados y muy grandes,
la eficiencia de un problema lineal dependerá de la experiencia, el nivel de dominio,
capacidad de identificación y sistematización del problema, entre otras cosas más del
tomador de decisiones referente a programación lineal.
4. Igualmente pueden haber objetivos muy amplios que no garantizan la consistencia del
modelo, es preciso determinar los objetivos específicos para cada tipo de problema.
5. Los cursos de acción seleccionados son ejecutados por diferentes personas, quienes
deberían conocer las fortalezas, oportunidades, las debilidades y las amenazas que
conlleva tomar la decisión en cada curso de acción.
6. Generará diferentes reacciones en aquellas personas que no intervienen en la
formulación y ejecución quienes son afectadas favorablemente o desfavorablemente.
Pasos:
• La formulación del modelo consiste en determinar el valor de los coeficientes A ij, Bj, Cj y
expresar el problema en una de las formas del modelo lineal.
• Para formular el modelo es necesario estudiar el sistema tomando en cuenta los objetivos
que se persigue alcanzar. Generalmente, es necesario asumir que el sistema satisface ciertas
restricciones para que pueda ser modelado mediante un programa lineal.
Ejemplo 1:
Un fabricante de muebles hace dos tipos de sillas, tipo A y tipo B. Cada silla A
requiere 8 horas de trabajo-hombre (1 hombre trabajando 8 horas, 2 hombres trabajando 4
horas, etc.). La silla B necesita 5 horas-hombre. Los materiales para el tipo A cuestan 4$ y
los de tipo B 5$. El beneficio que se obtiene haciendo la silla A es de 1¾ $ y el beneficio de
la silla B 1½ $. El fabricante enfrenta las siguientes restricciones:
- Un contrato para fabricar 15 sillas tipo A como mínimo y 10 tipo B por semana,
- Sólo se pueden trabajar 320 horas-hombre por semana.
- El costo total del material por semana, para todas las sillas producidas, no deberá
sobrepasar los 200 $.
17
SOLUCIÓN
El fabricante tendrá que decidir cuántas sillas del tipo A y cuántas del tipo B
producirá por semana. Estos números serán las incógnitas del problema y usaremos las letras
Xi para designarlas. Considerando los datos en el orden dado, se puede plantear las
siguientes expresiones
Expresiones Explicación
Desigualdades Explicación
Ejemplo 2
18
- Si el precio de venta de cada tubo es S/. 15.00 y S/. 25.00, respectivamente. ¿Cuántos tubos
de cada medida debe producir el Sr. Juan Pérez todos los días para maximizar su ingreso
bruto?
SOLUCIÓN
c. ¿Cuál es el objetivo?
Z = 15X1 + 25X2
19
1.4. Formulación de las Restricciones:
(*) X1, X2 0
S. A. 1.5X1 + 2X2 10
2X1 + 3X2 50
1.5X1 + 1.5X2 10
Xi 0
Ejemplo 3
Una firma industrial elabora dos productos, en los cuales entran cuatro componentes
en cada uno. Hay una determinada disponibilidad de cada componente y un beneficio por
cada producto. Se desea hallar la cantidad de cada artículo que debe fabricarse, con el fin de
maximizar los beneficios.
Ejemplo 4
Se hace un pedido a una papelería de 800 rollos de papel corrugado de 30 pulgadas
de ancho, 500 rollos de 45 pulgadas de ancho, y 1,000 rollos de 50 pulgadas. Si la papelería
20
tiene solamente rollo de 108 pulgadas de ancho. Cómo deben cortarse los rollos para surtir
el pedido con el mínimo desperdicio de papel, sabiendo que el máximo desperdicio
aceptable de papel por rollo es de 22 pulgadas.
Ejemplo 5
Los administradores del Aero Perú han calculado que cualquiera que sea el tipo.
Avión USA de mayor capacidad proporcionará una utilidad neta de $ 420, 000 anuales, el
avión inglés una utilidad de $ 300,000 y el avión japonés una utilidad de $ 230,000 anuales.
Por otro lado, se conoce que la fuerza Aérea Peruana sólo le podría proporcionar 30 pilotos
debidamente entrenados.
Determinar el número de cada tipo de avión que se debe comprar para maximizar las
utilidades.
Ejemplo 6
Un contratista está considerando una propuesta para la pavimentación de una vía. Las
especificaciones requieren un espesor mínimo de 12 pulgadas y un máximo de 48 pulgadas.
La vía debe ser pavimentada en concreto, asfalto, o gravilla, o cualquier combinación de los
tres. Cada pulgada de espesor por yarda cuadrada de concreto le cuesta S/. 1,000, el asfalto
S/. 3,000 y la gravilla S/. 1,500. Determinar la combinación de materiales que se debería
usar para minimizar su costo.
Ejemplo 7
Un granjero puede criar ovejas, cerdos y ganado vacuno. Tiene espacio para 30
ovejas, ó 50 cerdos, ó 20 cabezas de ganado vacuno, ó cualquier combinación de estos (con
la relación siguiente), 3 ovejas y 5 cerdos o 3 ovejas y 2 vacas usan el mismo espacio. Los
beneficios dados por animal son S/. 50, S/. 80 y S/. 200 por oveja, cerdo y vacuno,
respectivamente. El granjero debe criar por ley, al menos tantos cerdos como ovejas y vacas
juntas.
Ejemplo 8
21
reduciendo el tránsito en la ciudad. El estudio inicial busca determinar el número mínimo de
autobuses que pueden mejorar las necesidades de transporte. Después de recolectar
información necesaria, el ingeniero municipal advierte que el número mínimo de autobuses
que se necesita para cubrir la demanda fluctúa con la hora del día. Estudiando los datos más
a fondo, descubrió que el número necesario de autobuses se puede suponer constante en
intervalos sucesivos de 4 horas cada uno.
La figura adjunta presenta un resumen de los hallazgos del ingeniero. Se decidió que,
para facilitar la transportación, cada autobús podía operar sólo 8 horas sucesivas al día.
Número de autobuses
12
10
8 7
4 4
Ejemplo 9
Una compañía produce tornillos y clavos. La materia prima para los tornillos cuesta
S/. 2 por unidad, mientras que la materia prima para cada clavo cuesta S/. 2.5. un clavo
requiere 2 horas de mano de obra en el Dpto I y 3 horas en el Dpto II, mientras que un
tornillo requiere 4 horas en el Dpto I y 2 horas en el Dpto II. El jornal por hora en ambos
Dptos es de S/. 2. Si ambos productos se vendiesen a S/. 18, y el número de horas de mano
de obra disponible por semana en los Dptos son de 160 y 180 respectivamente. Expresar el
programa propuesto como un programa lineal, tal que se maximicen las utilidades.
22
Ejemplos:
Xi 0 Xi 0
c. Max. ó Min. Z = C1X1 + C2X2 + . . . + CnXn
s.a. A11X1 + A12X2 + . . . + AnXn b1
Xi 0
a. Expresión esparcida:
Xi 0
b. Forma compacta:
Max. Z = Ct X
s.a. AX b
X0
23
2.4.2. FORMA ESTANDARIZADA DE UN PROGRAMA LINEAL
Xi 0
b. Forma compacta:
Max. Z = Ct X
s.a. AX = b
X 0
a. Forma expandida:
Xi 0
24
b. Forma compacta:
Max. Z = Ct X
s.a.
AX = b
X 0
- Algunas formas de expresar de un Programa Lineal son más convenientes que otras para
ciertos propósitos.
- Ejemplo; se usa con frecuencia la forma canónica para realizar estudios conceptuales de
Programación Lineal.
- Pero, la forma estandarizada de un Programa Lineal tiene la particular importancia para
hallar la solución de un programa lineal mediante métodos analíticos.
Demostración:
a. Max. Z = Ct X o Min Z = Ct X
s.a. AX b
X 0
Note que realmente, Min (-dt X) Max (dt X), sino a -Max (dt X)
25
V
F(x)
w = Min F(x) Xi
X
-W = Máx -F(x) Xi
- F(x)
a. a11X1 + a12X2 + a13X3 + ... + a1nXn b1 que debe ser convertida en ()
b. -a11X1 - a12X2 - a13 X3 - ... - a1nXn - b1, que debe ser multiplicado por (-)
Quedando:
a11X1 + a12X2 + a13X3 + ... + a1nXn b1
26
a.3. Condiciones de No Negatividad
Max Z = Ct X
S.a. AX b
()
X1, X2, , Xn 0
- Esa variable Xm+i irrestriccional puede suponerse cualquier Xj, entonces, ésta
tiene que convertirse a la forma de no negatividad de la siguiente manera:
j = s + 1, s + 2, ..., n
s.a. X1 + X2 1000
X1 0, X2 sin restricción
27
SOLUCIÓN
Una restricción del tipo "menor o igual que" ( ) puede ser transformada en una
restricción del tipo "igual que" (=) agregando una variable no-negativa al primer
miembro de la ecuación restriccional. Esta variable se llama variable de holgura (Si),
ejemplo:
Ejemplo:
Por otro lado, si el valor que toma la variable de holgura no es cero, entonces
el recurso correspondiente no es realmente limitante; y si la producción no puede
ser incrementada, esto se deduce a la limitación impuesta por otros recursos.
28
c.- Transformación de un Programa Lineal con restricciones de mayor o igual que a la forma
estandarizada.
Xi 0
Xi, Ei 0
29
En el modelo se observa las siguientes características:
Desdichadamente, la mayoría de los problemas del "mundo real" son de carácter no-
lineal; lo cual sugiere que programación lineal; es una técnica de optimización con pocas
aplicaciones. Sin embargo, el modelo de programación lineal es útil incluso para ser
aplicada en ciertos problemas no-lineales, por cuánto cualquier función no-lineal puede ser
estudiada en forma aproximada mediante funciones lineales por tramos.
Por ejemplo, supongamos que en cierto sistema de producción se tiene las siguientes
condiciones:
Supongamos que las ganancias en función del número de artículos producidos varía
como se indica en la figura:
Obviamente, según estas figuras, la ganancia es una función no-lineal del número de
sillas y del número de escritorios. Sin embargo, se puede linealizar la función como se
indica a continuación:
30
Pendiente (mj)
Pendiente (mi)
K1 K 2 K4 X1 T1 T2 T3 T4 X2
Ki X1 Ki+1 Tj X2 Tj+1
Una vez efectuada la linealización, se puede aplicar programación lineal para variaciones de las
variables de decisión en ciertos intervalos.
Ki X1 Ki+1
Tj X2 Tj+1
Ejemplo 1:
31
a.1 PRIMER PROCEDIMIENTO DE SOLUCIÓN (Empleando las Restricciones)
1er. PASO: Encontrar valores de X1 y X2, para ello identificamos los niveles de
restricción como ecuaciones de una recta, entonces:
i) L1 X1 = 15 ii) L2 X2 = 10
iii) L3 X1 X2 iv) L4 X1 X2
0 64 0 40
40 0 50 0
2do PASO: Se tiene que graficar en el 1er cuadrante las L is, considerando que un
Programa Lineal admite para todas las variables de decisión, X i 0
X1
70
60
50
40
30
20
10 L2
X2
0 10 20 30 40 50
L3
L1 L4
a. Solución Básica.- Son todos los puntos que se encuentran dentro de la intersección
de los ejes coordinadas, ejes coordinadas con las rectas o entre las rectas; 1, 2, 3,
4, 5, 6,7, 8, 9, 10, 11, 12 y 13.
Región factible.- Es aquella zona donde intersecan todos los valores de las rectas
restriccionales, teniendo en cuenta el sentido que toman cada una de ellas, y que
cumplen con las condiciones de no negatividad de un Programa Lineal.
l4
l1
l3
l2
32
b. Solución Factible.- Es cualquier punto situado en la región factible, incluido los
puntos tangenciales.
P1
P2
P3
P4 Pn
X1 = ? X1 = 15
1) P (6) L1 ∩ L2
X2 = ? X2 = 10
X1 = ? X1 = 15
2) P (7) L1 ∩ L4
X2 = ? 4X1 + 5X2 = 200
33
8X1 + 5X2 = 320
4X1 + 5X2 = 200 (si multiplicamos por (-))
.......................................................................
X1 = ? X2 = 10
4) P (10) L2 ∩ L3
X2 = ? 8X1 + 5X2 = 320
• Sí X2 = 10, entonces, 8X1 + 5(10) = 320 X1 = 270/8
RESULTADO
1. Existe un punto extremo del poliedro convexo en el cual la función objetivo tiene su
máximo o mínimo.
2. Cada solución factible básica corresponde a un punto extremo del poliedro convexo.
34
sumamente engorroso, entonces, debemos hacer uso de otra forma de solución
(segundo procedimiento).
Ejemplo 1:
Max. Z = 7/4 X1 + 3/2 X2
= 7/4 x 3/2 = 21/8, entonces para que los valores sean enteros
igualamos a 21, o cualquier valor requerido:
X1 X2
0 14
12 0
X1
70
60
Punto de solución óptima:
50 i) X1 = 30 y X2 = 16
ii) Max. Z = 7/4(30) + 3/2(16)
40 Max. Z = 76.5
30
20
10 L2
X2
0 10 20 30 40 50
L3
L1 L4
35
Ejemplo 2:
Max. Z = 15X1 + 25X2
S. A. 1.3X1 + 2X2 10
2X1 + 3X2 50
X1 + 1.5X2 10
Xi 0
SOLUCIÓN
L1: Si X1 = 0, entonces, X2 = 5
Si X2 = 0, entonces, X1 = 10/1.3
L2: Si X1 = 0, entonces, X2 = 50/3
Si X2 = 0, entonces. X1 = 25
Si X1 = 0, entonces, X2 = 15
Si X2 = 0, entonces, X1 = 25
Graficando:
X2
Región factible si es
de tipo Maximización
X1
36
permite resolver problemas de este tipo. Considerando la expresión general de un programa
lineal en su forma canónica, como la siguiente:
Ejemplo 1:
Primer Paso: Introduciendo las variables de holgura (Si) a todas las restricciones y
despejando las mismas, como las primeras variables que intervienen en la solución del
programa:
37
Segundo Paso: Buscamos la variable que contribuye mejor, por unidad de producto, a la
función objetivo y suponemos las otras variables = a ceros (0)
b) S3 = 420 - X1 - 4X2
Quinto Paso: El resultado del 3er paso reemplaza en la función objetivo, buscando si se
optimiza o no el programa. Para que exista la solución óptima, los signos de operación
final deben admitir negativos (-), para todas las variables, de lo contrario, si aparece un
solo signo positivo se regresa al paso 2do y se prosigue con la solución óptima, tantas
veces que requiera el caso.
Segundo Paso:
Tercer Paso:
Cuarto Paso:
38
Quinto Paso:
RESPUESTA:
Max. Z. = 1350
X1= 0
X2 = 100
X3 = 230
Ejemplo 2:
Primer Paso:
- X1 - 2X2 - X3 - 430
- 3X1 - 2X3 - 460
- X1 - 4X2 - - 420
Entonces:
Segundo Paso:
Tercer Paso:
4X2 = 420 - X1 - E3
X2 = 105 - 1/4X1 - 1/4E3
39
Cuarto Paso:
Quinto Paso: El resultado del 3er paso reemplazamos en la función objetivo, buscando si
se optimiza o no el programa. Para que existe la solución óptima, debe
cumplir las mismas condiciones de la maximización.
Tercer Paso:
Cuarto Paso:
b) E1 = 220 – ½ X1 – X3 + ½ E3
Quinto Paso:
40
Tercer Paso:
Cuarto Paso:
Quinto Paso:
Tercer Paso:
Cuarto Paso:
Quinto Paso:
Min. Z = 1,350
X1 = 0
X2 = 185/3
X3 = 220
41
c.- MÉTODO MATRICIAL
Segundo Paso: En la fila Z escoger el valor más negativo y suponer el resto de los
valores ceros (0), para determinar el punto pivote.
Tercer Paso: * Elemento pivote, debe convertirse en unidad y dividir al resto de los
valores de la fila
1 2 1 1 0 0 X1 430
3/2 0 1* 1/2 1 0 X2 = 230
1 4 0 0 0 1 X3 420
-3 -2 -5 0 0 0 S1, S2, S3 -Z
Segundo Paso:
42
Tercer Paso:
RESPUESTA
Max. Z = 1,350
X1 = 0
X2 = 100
X3 = 230
Primer Paso:
6a - 2X'1 - 4X'2 40
5a - 3X'1 - 2X'2 50
Segundo Paso:
2X'1 + 4X'2 50
3X'1 + 2X'2 25
Cuarto Paso:
43
Segundo Procedimiento del Método Matricial:
2 4 1 0 X1 50 50/2 = 25
3 2 0 1 X2 = 25 25/3 = 8.3
-3 -2.5 0 0 S1, S2 -Z
2 4 1 0 X1 50
1* 2/3 0 1/3 X2 = 25/3
-3 -2.5 0 0 S1, S2 -Z
Entonces:
X'1 = 0 X1 = a - X'1 = 15 - 0 = 15
RESPUESTAS
d. MÉTODO SIMPLEX
44
método proporciona un indicador que determina el punto en el cual se logra una solución
óptima.
C1 C2 C3 ... Cn S1 S2... Sn
Ci Xk bi X1 X2 X3 … Xn Xn 0 0
S1 0 b1 a11 a 12 a 13... a 1n... 1 0… 0
S2 0 b2 a 21 a 22 a 23... a 2n... 0 1… 0
... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ...
bm a m1 a m2 a m3... a mn
Sn 0 0 0 1
Primera fila, donde van los costos o beneficios (C j) que vienen a ser los coeficientes de
las variables en la función objetivo.
• Ci = Vector con los coeficientes de beneficio o de los costos asociados a las variables
que pertenecen a la base o artificiales.
• Xk = Vector conformado por las variables que están en la base (aquella cuyas
columnas de coeficientes en las restricciones forman la matriz unidad).
45
Condición de optimidad:
Cj 3 2 0 0 0 0
Ci Xk bi X1 X2 S1 S2 S3 S4
0 S1 6 1 2 1 0 0 0
0 S2 8 2 1 0 1 0 0
0 S3 1 -1 1 0 0 1 0
0 S4 2 0 1 0 0 0 1
bm 0 0 0 0 0 0 0
3 2 0 0 0 0
0 S1 6 1 2 1 0 0 0 6/1 = 6
0 S2 8 2* 1 0 1 0 0
8/2 = 4
0 S3 1 -1 1 0 0 1 0 1/-1 = -1
0 S4 2 0 1 0 0 0 1
2/0 =
bm 0 0 0 0 0 0 0
0 S1 2 0 3/2* 1 -1/2 0 0 2/3/2 = 1.3
3 X1 4 1* 1/2 0 1/2 0 0 4/13/2 = 8
0 S3 5 0 3/2 0 1/2 1 0 5/3/2 = 10/3
0 S4 2 0 1 0 0 0 1 2/1 = 2
bm 12 3 3/2 0 3/2 0 0
0 ½ 0 -3/2 0 0
2 X2 4/3 0 1* 2/3 -1/3 0 0
3 X1 10/3 1* 1 -1/3 2/3 0 0
0 S3 3 0 0 0 1/6 -1 0
0 S4 2/3 0 0 -2/3 1/3 0 1
bm 38/3 3 2 1/3 4/3 0 0
Cj -Zj 0 0 -1/3 -4/3 0 0
RESPUESTA:
46
Ejemplo 2: caso de Minimización
Primer Paso:
Segundo Paso:
C1 3 2.5 0 M 0 M
Ci Xk bi X1 X2 E1 E2 E3 E4
M E2 40 2 4 -1 1 0 0 40 4 = 10
M E4 50 3 2 0 0 -1 1
90M 5M 6M -M M -M M 50 2 = 25
3- 5M 2.5 –6M M 0 M 0
2.5 X2 10 2/4 1* -1/4 ¼ 0 0
M E4 50 3 2 0 0 -1 1
2.5 X2 10 ½ 1* -1/4 ¼ 0 0 10 1/2 = 20
M E4 30 2* 0 ½ -1/2 -1 1 30 2 = 15
bm 25+30M 5/4+2M 2.5 - 5/8-1/2M -M M
5/8+1/2M
7/4-2M 0 5/8-1/2M - M 0
5/8+3/2M
2.5 X2 10 ½ 1* -1/4 1/4 0 0
3 X1 15 1* 0 ¼ -1/4 -1/2 ½
RESPUESTA:
X1 = 15
X2 = 5/2
47
Ejemplo 3: Casos Especiales
SOLUCION
- 3X1 + 2X3 + S1 = 2
- 4X1 - X2 + 12X3 - S2 = 4
X1 - 3X3 - S3 = 6
- 3X1 - 4X2 + 6X3 = 12
X2 + 9X3 = 31
Tablero Simplex:
Max. Z = 12X1 + 20X2 + 8X3 + 0S1 + 0S2 - MS3 + 0S4 - MS5 - MS6 - MS7
Ci 12 20 8 0 0 -M 0 -M -M -M
Ci Xk bi X1 X2 X3 S1 S2 S3 S4 S5 S6 S7
0 S1 2 -3 0 2 1 0 0 0 0 0 0
-M S3 4 -4 -1 12* 0 -1 1 0 0 0 0
-M S5 6 1 0 -3 0 0 0 -1 1 0 0
-M S6 12 -3 -4 6 0 0 0 0 0 1 0
-M S7 31 0 1 9 0 0 0 0 0 0 1
53M 6M 4M -24M 0 M -M M -M -M -M
12-6M 20-4M 8+24M 0 -M 0 -M 0 0 0
48
2/2, 4/12, 12/6, 31/9
X1 + X2 + X3 = 1000
X1 300
X2 150
X3 200
Xi 0
Primer Paso:
i) X1 + X2 + X3 + S1 = 1000
X1 + S2 = 300
X2 - S3 + S4 = 150
X3 - S5 + S6 = 200
ii) Z = 5X1 + 6X2 + 7X3 + KS1 + 0S2 + 0S3 + KS4 + 0S5 + KS6
TABLERO SIMPLEX:
X1 X2 X3 S1 S2 S3 S4 S5 S6
Cj Xk bi 5 6 7 K 0 0 K 0 K
K S1 1000 1 1 1 1 0 0 0 0 0 1000/1 = 1000
0 S2 300 1 0 0 0 1 0 0 0 0 -.-
K S4 150 0 1 0 0 0 -1 1 0 0 150/1 = 150
K S6 200 0 0 1 0 0 0 0 -1 1 -.-
Zj 1350K K 2K 2K K 0 -K K -K K
Cj-Zj 5-k 6-2k 7-2k 0 0 k 0 k 0
K S1 850 1 0 1 1 0 1 -1 0 0
0 S2 300 1 0 0 0 1 0 0 0 0 850/1 =850
6 X2 150 0 1* 0 0 0 -1 1 0 0 -.-
K S6 200 0 0 1 0 0 0 0 -1 1 -.-
Zj 900+ k 6 2K K 0 -6 +K -K+6 -K K 200/1 = 200
1,050K
Cj-Zj 5-k 0 7-2k 0 0 6-k 2k-6 k 0
K S1 650 1 0 0 1 0 1 -1 1 -1 650/1 =650
0 S2 300 1 0 0 0 1 0 0 0 0 300/1 = 300
6 X2 150 0 1* 0 0 0 -1 1 0 0 -.-
7 X3 200 0 0 1* 0 0 0 0 -1 1 -.-
Zj 2300+65 K 6 7 K 0 -6 + K -K+6 -7+k -k+7
0K
Cj-Zj 5-k 0 0 0 0 6-k 2k-6 -k+7 2k-7
350/1 = 350
-.-
-.-
49
-.-
K S1 350 0 0 0 1 -1 1 -1 1 -1
5 X1 300 1* 0 0 0 1 0 0 0 0
6 X2 150 0 1* 0 0 0 -1 1 0 0
7 X3 200 0 0 1* 0 0 0 0 -1 1
Zj 3800 + 5 6 7 K 5-k -6 +K -K+6 -7+k -k+7
350K
Cj-Zj 0 0 0 0 2k-5 6-k 2k-6 7-k 2k-7
0 S3 350 0 0 0 1 -1 1* -1 1 -1
5 X1 300 1* 0 0 0 1 0 0 0 0
6 X2 500 0 1* 0 1 -1 0 0 1 -1
7 X3 200 0 0 1* 0 0 0 0 -1 1
Zj 5900 5 6 7 6 -1 0 0 -1 1
Cj-Zj 0 0 0 k-6 1 0 k 1 k-1
RESPUESTAS:
X1 = 300
X2 = 500
X3 = 200
50
TEMA III
DUALIDAD
3.1.1 DEFINICIÓN
Max. o Min. Z = Σ Cj Xj
J=1
Sujeto a:
Xj 0
Max. Z = C X
P s.a. AXb
X0
Min. W = Bt Y
D s.a. At Y c
Y0
51
Ejemplo1: para problemas de maximización:
X1 + 2X2 + X3 10 X1 + 2X2 + X3 + X4 = 10 Y1
2X1 - X2 + 3X3 = 8 2X1 - X2 + 3X3 + 0X4 = 8 Y2
X1, X2 , X3 0 X1, X2 , X3 , X4 0
DUAL:
X1 + 2X2 3 X1 + 2X2 - X3 = 3 Y1
2X1 - 4X2 5 2X1 - 4X2 + X4 = 5 Y2
X1, X2 0 X1, X2, X3, X4 0
DUAL:
52
Ejemplo3: para problemas de maximización:
DUAL:
Y1 - Y2 + 4Y3 = 5
-Y1 + Y2 - 4Y3 -3 Y1 -Y2 +Y3 = 5
-Y2 0 ó Y2 0
Y3 0
Y1 No restringida
Y1, Y2 No restringida
Ejemplo 4
Max. Z = 4X1 + 3X2
s.a. X1 + 5X2 10
2X1 + 3X2 15
Xi 0
Un programa primal (P), para convertirse en dual (D) requiere las siguientes
modificaciones:
s.a. X1 + 5X2 10
2X1 + 3X2 15
Xi 0
53
Ejemplo 5: Para problemas de minimización;
Regla No. 2: Los coeficientes de la función objetivo en el problema dual serán el vector
de recursos del problema original
Regla No. 4: Los Coeficientes de la primera restricción del problema dual son los
coeficientes de la primera variable en las restricciones del problema
original, y en forma análoga para las otras restricciones.
54
La segunda función de restricción será
Regla No. 5: Los lados derechos de las restricciones duales son los coeficientes en
función objetivo del problema original.
Regla No. 6: El sentido de la i-ésima dual es = si sólo si la i-ésima variable del problema
original no tiene restricción de signo. Entonces, ya que la tercera variable
del problema original no tiene restricción de signo, la tercera restricción
dual es una igualdad;
Regla No. 8: La i-ésima variable del problema dual no tendrá restricción de signo si y
sólo si la i-ésima restricción del problema original es una igualdad.
55
Ya que la restricciones primeras y segunda del problema original de
maximización son , la regla 9 establece que Y1 0, Y2 0. y puesto que
la tercera restricción del problema original es , debemos tener Y3 0.
Y1 0, Y2 0, Y3 0, Y4 no restringida en signo
Ejemplo 7: Hallar la solución del programa primal y su dual del siguiente problema.
X2
140
100
140 200 X1
56
5000
300
2000 300
La utilidad por unidad Cj, de la actividad j es en soles por unidad. Entonces, por
consistencia de cantidad Σaij Yi debe estar también en soles por unidad. Enseguida,
debido a que Cj representa la utilidad, la cantidad Σ aij Yi que aparece en la ecuación con
un signo opuesto, debe representar el costo. Al mismo tiempo, dado que aij es la cantidad
del recurso i utilizada por la actividad j, las variables duales Yi deben representar el
costo atribuido por unidad del recurso i y podemos pensar en la cantidad Σ aij Yi como el
costo atribuido de todos los recursos necesarios para producir una cantidad de la
actividad j.
57
respectivamente. Los tiempos de ensamble por juego de dormitorio en las
tres operaciones son de 1, 3 y 1 minutos, respectivamente. Los tiempos
correspondientes por juego comedor y por juego de sala son (2, 0, 4) y (1, 2,
0) minutos (un tiempo de cero indica que la operación no se utiliza).
Z1 = 7 Z2 = 2
Z1 > C1 Z2 = C2
C1 = 3 C2 = 2
c) Z3 = Y1 + 2Y3
Z3 = 1 + 2(2)
Z3 = 5
Z2 = C2
C3 = 5
58
TEMA IV
MODELOS DE TRANSPORTE
4.1 INTRODUCCIÓN
Dentro de la programación lineal existe una cierta clase de problema en los cuales se
debe determinar un esquema optimo del transporte que se origina en los lugares de oferta donde
la existencia de cierta mercadería es conocida, y llega a los lugares en donde se conoce la
cantidad requerida. El costo de cada envío es proporcional a la cantidad transporta y, el costo
total es la suma de los costos individuales. La solución de estos problemas es útil en la
agricultura la que necesita de esquemas de transportación para poder colocar en forma óptima
su cosecha en el mercado de consumo, y en la industria, la cual necesita el abastecimiento de
materias primas para su transformación y posteriormente colocar sus productos manufacturados
en el mercado.
El modelo tiene que ver con la determinación de un plan de costo mínimo para
transportar una mercancía desde varias fuentes (por ejemplo, fábricas) a varios destinos (por
ejemplo, almacenes o bodegas). El modelo se puede extender de manera directa para abarcar
situaciones prácticas de las áreas de control del inventario, programación del empleo y
asignación de personal, entre otros.
59
Orígenes Destinos
1 X1 1 X1
2 X2 2 X2
. . . .
. . . .
. . . .
i Xi j Xj
. . . .
. . . .
. . . .
m Xm n Xn
Destinos
1 2 ... n ai
1 C11 ... C 1 n a1
2 C21 ... C 2 n a2
Orígenes . . .. . . .
. . ... . .
. . ... . .
m Cm1 ... Cmn a2
bj b1 b2 ... bn
a.- Existen m orígenes y se supone que en cada origen hay ai unidades disponibles o
almacenadas de determinado producto; siendo i = 1,2,..., m.
b.- Existen también n destinos; y cada una requiere de bj unidades de este producto,
siendo j = 1,2,...,n.
c.- Las ai se llaman exigencias por fila, las bj exigencias por columna. Todas las
exigencias por fila y columna son positivas puesto que los valores nulos o negativos
no tendrá significado físico.
d.- Además se tiene el costo de transporte de una unidad del producto desde el origen i
hasta el destino j que está representado por Cij.
60
X11 + X12 + . . . + X1n
X21 + X22 + . . . + X2n
. . . .
X = . . . . Cij Xij
. . . .
Xm1 + Xm2 + . . . + Xmn
Xij 0 para i, j
iii).- La Cantidad total recibida por cada destino puede, a su vez, describirse como:
s.a: Xij = ai
Xij = bj
61
4.2.3 MÉTODOS DE SOLUCIÓN
Se empieza en la celda (1,1) calculando X11 = min (a1 , b1 ). Si a1 < b1, se hace b1 =
b1- a1, se pasa a la celda (2,1) calculando X21 = min (a2, b1). Si en el paso anterior a 1 >
b1; entonces de hace a1 = a1- b1 y se pasa a la celda (1,2) para calcular X12 como
mínimo de (a1, b2) y así se continúa hasta la solución factible básica inicial.
Ejemplo No. 1
D1 D2 D3 D4 ai
O1 17 20 13 12 70
O2 15 21 26 25 90
O3 15 14 15 17 115
bj 50 60 70 95
SOLUCIÓN
RESPUESTA:
X11 = 50
X12 = 20
X22 = 40
X23 = 50
X33 = 20
X34 = 95
62
B. MÉTODO DE LA MATRIZ MÍNIMA
Se debe acudir a la celda cuyo costo es el más bajo de todos los que integran
la matriz. Si existen varias se selecciona arbitrariamente una de ellas. De la celda (ij)
entonces Xij = min (ai, bj).
Ejemplo No. 2
50 60 70 95
15 25
C. MÉTODO DE VOGEL
Procedimiento de solución:
1.- Determinar la penalidad para cada fila y cada columna y colocar la solución inicial
en la variable que tenga el menor costo en esta fila o columna. Para la fila i, esto
significa restar el costo menor de esta fila del siguiente costo menor de la misma
fila en la matriz de costos. Si dos costos de esta fila es ambos el menor la penalidad,
diferencia es cero (0). La penalidad de la columna j se calcula de una forma
similar.
63
2.- Cuando se han calculado todas las penalidades, localícese la mayor, ya sea una
penalidad de fila o de columna y ahí introducir a la base X ij correspondiente en la
celda de costo más bajo (ij) esto es:
Xij = min (ai, bj). Si ai < bj hágase bj = bj - ai y elimínese la fila i, esta fila se
elimina en Oi resto del proceso y seguidamente se recalcula las penalidades de
columna sin considerar ahora en el cálculo de las penalidades de columna o fila los
elementos de La matriz de costos de la fila eliminada.
Ejemplo No. 3
17 20 13 12
70 70 1
15 21 26 25
90 6
15 14 60 15 17 115 1
50 60 70 95
0 6 2 5
17 13 12
70 1
15 26 25
50 90 10 40
15 15 17 55 0
50 70 95
0 2 5
64
13 12
70 70 1
26 25
40 1
15 17 55 2
70 95
2 5
25
26 25
40 1
15 55 17 55 2
70 25
11 8
15
26 25
15 25 40 1 15
15 25
D. MÉTODO DE RUSSELL
Procedimiento de Solución
2.- Encuéntrese la mejor variable Xij para formar una base usando los estimadores
encontrados en (1) de acuerdo con el criterio de Dantzig; esto es:
65
3.- Introducimos a la base:
4.- Se termina el método si todos los a i y bj son cero, si no es así se debe repetir el
proceso desde 1.
Ejemplo No. 4
17 20 13 12
70
15 21 26 25
90
15 14 15 17 115
50 60 70 95
17 20 13 12
70 20
15 21 26 25
90 26
15 14 15 17 115 17
50 60 70 95
17 21 26 25
50 60 70 95
Encontrando la mejor variable Xij para formar una base utilizando: Xij = max (i, j)
[( Ui + Vj - Cij ) > 0 ]
15 26 21 26 26 26 25 26 90
26
15 17 14 24 15 70 17 25 115 17 45
50 60 70 25
15 21 26 25
66
Se asigna en el costo más bajo cuando existen varios mayores de C ij:
15 50 21 25
25 25 25 90 25 40
15 17 14 24 17 25 45 17
50 60 25
15 21 25
21 25
25 25 40 25 0
14 24 17 25 45 17 20
25
60 25
21 25
21 40
25 40 21
14 20 20 14
25
60
25
40
67
TEMA V
MODELOS DE ASIGNACIÓN
Existen algunos problemas que no se pueden resolver por el método símplex, tampoco
por el de transporte, llamados casos especiales de problemas de programación lineal que se
resuelven aplicando ciertas técnicas especiales que reducen enormemente los pesados cálculos
que exigen los anteriores métodos.
Son una variante de los anteriores caracterizada porque las cantidades transportadas son
siempre la unidad. Estas peculiaridades hacen que, al resolverlos por los procedimientos
tradicionales utilizados para problemas de transporte, se presenten como degenerados y por lo
tanto resulten de cálculo engorrosos. Por ello son preferibles otros métodos basados en la teoría
de grafos y en particular el debido al matemático D. Konig y conocido con el nombre de
“algoritmo húngaro”.
A. MÉTODO HÚNGARO
68
1.- Examinar todas las columnas de la matriz C, identificando en cada columna el
menor elemento.
Vj = min Cij y forme una nueva matriz C' reemplazando Cij por Cij
4.- Si ni n proceder:
Ejemplo 1:
69
SOLUCIÓN
1.- Buscar los valores menores en las columnas y restar de los otros valores de la
columna:
5 3 7 3 4 3 1 6 0 0
5 6 12 7 8 3 4 11 4 4
2 8 3 4 5 0 6 2 1 1
9 6 10 5 6 7 4 9 2 2
3 2 1 4 5 1 0 0 1 1
2 2 1 3 4
2.- Buscar los valores más pequeños en las filas y restarlas de los otros valores de las
filas:
3 1 6 0 0 3 1 6 0 0
3 4 11 4 4 3 0 1 8 1 1
0 6 2 1 1 0 6 2 1 1
7 4 9 2 2 2 5 2 7 0 0
1 0 0 1 1 1 0 0 1 1
3.- Procedemos a encontrar el número mínimo de rectas ni que cubren todos los
ceros de matriz C*
3 1 6 0 0 2
0 1 8 1 1 1
0 6 2 1 11
5 2 7 0 0 2
1 0 0 1 1 2
2 1 1 2 2
4 1 6 0 0 2
0 0 7 0 0 1
0 5 1 0 0 1
6 2 7 0 0 2
2 0 0 1 1 2
2 1 1 2 2
70
5.- La asignación óptima resultante se determina empezando de menor cantidad de
ceros (0):
4 1 6 (0) (0) 2
0 (0) 7 0 0 4
(0) 5 1 0 0 3
6 2 7 (0) (0) 2
2 0 (0) 1 1 2
2 2 1 4 4
a es asignado a i, j
b es asignado a g
c es asignado a f
d es asignado a i, j
e es asignado a h.
5 7 3 7
8 2 5 5
4 9 6 9
7 5 4 8
6 3 5 4
6 8 7 3
Completar 2 columnas con valores ceros ( 0 ) para que la matriz sea cuadrática:
5 7 3 7 0 0
8 2 5 5 0 0
4 9 6 9 0 0
7 5 4 8 0 0
6 3 5 4 0 0
6 8 7 3 0 0
1.- Buscar los valores menores en las columnas y restar de los otros valores de la
columna
5 7 3 7 0 0 1 5 0 4 0 0
8 2 5 5 0 0 4 0 2 2 0 0
4 9 6 9 0 0 0 7 3 6 0 0
7 5 4 8 0 0 3 3 1 5 0 0
6 3 5 4 0 0 2 1 2 1 0 0
6 8 7 3 0 0 2 6 4 0 0 0
4 2 3 3
71
2.- Buscar los valores más pequeños en las filas y restarlas de los otros valores de las
filas.
1 5 0 4 0 0
4 0 2 2 0 0
0 7 3 6 0 0
3 3 1 5 0 0
2 1 2 1 0 0
2 6 4 0 0 0
Sumando los ceros (0) tanto en filas como en columnas, luego trazar las rectas:
1 5 0 4 0 0 3 1 5 0 4 0 0
4 0 2 2 0 0 3 4 0 2 2 0 0
0 7 3 6 0 0 3 0 7 3 6 0 0
3 3 1 5 0 0 2 3 3 1 5 0 0
2 1 2 1 0 0 2 2 1 2 1 0 0
2 6 4 0 0 0 3 2 6 4 0 0 0
1 1 1 1 6 6
1 5 (0) 4 0 0 3 2
4 (0) 2 2 0 0 3 2
(0) 7 3 6 0 0 3 2
3 3 1 5 0 0 2 2
2 1 2 1 0 0 2 2
2 6 4 (0) 0 0 3 2
1 1 1 1 6 6
ASIGNACIÓN FINAL
1 es asignado a C
2 es asignado a B
3 es asignado a A
4 es asignado a F
5 es asignado a E
6 es asignado a D
72
TEMA VI
PROGRAMACIÓN DINÁMICA
a b c
B C
A c' D
b'
c''
a' b'' c'''
Ejemplo No. 1
73
No. DE PIEZAS UTILIDAD DE UTILIDAD DE UTILIDAD DE
EN EL EQUIPO LA PIEZA 23 LA PIEZA 56 LA PIEZA 42
1 60 140 200
2 120 200 300
3 180 250 380
4 230 290 440
5 275 320 480
6 310 345 510
7 345 365 540
8 375 380 560
SOLUCIÓN
P-23
1 2 3 4 5 6 7 8
P. 56
RESPUESTA:
i) Obsérvese que las celdas en blanco incumplen la disponibilidad (cuyo costo total
no puede ser mayor de $ 390).
ii) Así la inclusión de 2 piezas 56 y 7 piezas 23 dan un costo: 2 x 60 + 7 x 40 = $ 400
P – 23
1 2 3 4 5
P – 56
1 400 460 520 570 615
2 460 520 580 630
3 510 570
4 550
RESPUESTA:
23 = 4 unidades
56 = 2 unidades
42 = 1 unidad se da la más alta utilidad.
74
Ejemplo 2 (determinístico)
Un caza fortunas mítico de Missouri que debe ir al oeste a unirse a la fiebre del oro en
California a mediados del siglo XIX. Tiene que hacer el viaje en diligencias a través de los
territorios sin ley cuando existían serios peligros de ser atacado por merodeadores. Aun cuando
su punto de partida y su destino eran fijos, tenía muchas opciones en cuanto a qué estados debía
elegir como puntos intermedios. La figura siguiente muestra las rutas posibles, en donde cada
estado está representado por un círculo numerado.
7
B E
4 1
2 6 4
H
3 6 3
A 4 C F J
2
4 3 4
3 4 1 3 I
3
D G
5
Como se puede observar, se requerían cuatro etapas para viajar desde su punto de
partida en el estado.
Este cazafortunas era un hombre prudente que estaba preocupado por su seguridad.
Después de reflexionar un poco se le ocurrió una manera bastante ingeniosa para determinar la
ruta más segura. Se ofrecían pólizas de seguros de vida a los pasajeros. Como el costo de la
póliza para cualquier jornada de la diligencia estaba basado en una evaluación cuidadosa de la
seguridad del recorrido, la ruta más segura debía ser aquella que tuviera el costo total más
barato.
B C D E F G H I J
A 2 4 3 B 7 4 6 E 1 4 H 3
C 3 2 4 F 6 3 I 4
D 4 1 5 G 3 3
La atención se centrará sobre la pregunta ¿cuál es la ruta que minimiza el costo total
de la póliza?
SOLUCIÓN
1ra. Ruta = A B E H J → 2 + 7 + 1 + 3 = 13
2da. Ruta = A B F H J →
3ra. Ruta = A B F I J →
4ta. Ruta = A B G H J →
5ta. Ruta = A B G I J →
.
.
75
.RESPUESTA
Ejemplo 2 (probabilística)
Supongamos que Ud. desea invertir 10,000 dólares durante los siguientes 4 años. Existe 40%
de posibilidad de que duplique su dinero, 20% de posibilidad de que quede a mano y 40% de
que pierda el total de la inversión inicial. Diseñe una estrategia “optima de inversión.
SOLUCION
C = 10,000
n=4
m = 3 condición de mercado
P1 = 0.4, P2 = 0.2, P3 = 0.4
r1 = 2, r2 = 0 r3 = -1
Etapa 4:
Fn (Xn) = Xn( 1 + P1r1 + P2r2 + … + Pmrm)
Solución óptima
Estado F4(X4) Y*4
X4 1.4 X4 X4
Etapa 3:
F3 (X3) = max 0.4 x 1.4 (X3 + 2Y2) + 0.2 x 1.4 (X3 + 0Y3) + 0.4 x 1.4 X3 + (-1)Y3
= 1.96 X3
76
Así, obtenemos:
Solución óptima
Estado F3(X3) Y*3
X3 1.96 X3 X3
Etapa 2:
F2 (X2) = max 0.4 x 1.96 (X2 + 2Y2) + 0.2 x 1.96 (X2 + 0Y2) + 0.4 x 1.96 X2 + (-1)Y2
= 2.744X2
Así, obtenemos:
Solución óptima
Estado F2(X2) Y*2
X2 2.744X2 X2
Etapa 1:
F1 (X1) = max 0.4 x 2.744(X1 + 2Y1) + 0.2 x 1.744(X1 + 0Y1) + 0.4 x 2.744 X1+ (-
1)Y1
= 3.8416X1
Así, obtenemos:
Solución óptima
Estado F1(X1) Y*1
X1 2.744X1 X1
De esta forma, la política de inversión óptima se puede resumir: como Y*1 = Xi para i
=1 a 4, la solución óptima requiere invertir todos los fondos disponibles al inicio de cada
año. Los fondos acumulados al final de 4 años son 3.8416 X 1= 3.8416 (10,000$) =
38,416$.
77
TEMA VII
TEORÍA DE JUEGOS
7.1. DEFINICIÓN
Es una rama de análisis matemático que trata situaciones de conflicto con modelos
abstractos o juegos de estrategia. Lo que caracteriza a este tipo de juegos es el hecho de que
sus resultados dependen de la acción conjunta de los participantes tanto como del azar. El
análisis teórico del juego mantiene el criterio esencialmente conservador de jugar óptimo no
tanto el éxito que pueda conseguir el jugador (por astucia, intuición o suerte) sino como este
asegura sus propias acciones a lo largo del juego.
Desde el punto de vista teórico, un juego es un modelo de una situación conflictiva. Los
jugadores que compiten son considerados como personas tanto si el juego es individual, por
equipos o cualquier otra agregación que represente un conjunto único de interés. Una partida
de juego es un ejercicio sobre el modelo de conflicto de acuerdo con unas reglas que consiste
en uno o más movimientos de cada jugador que pueden estar influidos por el azar. El resultado
del juego está representado por el PAYOFF, ganancia o pérdida de alguna utilidad para cada
jugador como resultado de unas posiciones conseguidas al final del juego.
a. Una progresión de etapas que consiste en una o (usualmente) más alternativas originadas
desde un punto de partida.
b. La identificación en cada momento tanto de la persona que debe elegir la alternativa a seguir
como del azar si intervienen una variable estocástica en esta fase, por ejemplo, una etapa
determinada al azar o probabilísticamente.
e. Una función de PAYOFF determinada por la serie de posiciones alcanzadas por cada
jugador al final del juego.
78
C1 C2 C3 ... Cn
Ejemplo 1
EMISORA B
NOTICIAS
CULTURALES POLITICAS DEPORTIVAS
NOTICIAS
CULTURALES 30 10 55
EMISORA A PILOTICAS 40 53 45
DEPROTIVAS 33 09 65
Ejemplo No. 2
Dos candidatos a la silla Municipal de san Juan Bautista compiten el número de electores
en miles mencionadas en la tabla. La tabla está en función de los simpatizantes del candidato de
A. ¿Cuál será el número de electores que equilibre a ambos candidatos?
CANDIDATO B
SECTOR 1 SECTOR 2 SECTOR 3 SECTOR 4 MaxMin
SECTOR 1 4 5 5 8 4
SECTOR 2 8 7 6 9 (6)
CANDIDATO A SECTOR 3 5 7 5 4 4
SECTOR4 6 6 5 5 5
MinMax 8 7 (6) 9
79
7.4. JUEGO DE SUMA CERO ENTRE 2 PERSONAS: ESTRATEGIA MIXTA
Ejemplo No. 3
i) Punto de Silla ii) Por dominio
B MaxMin B
4 4 10 (4) 4 4 10 18
A 2 3 1 1 A 2 3 1 6
6 5 3 3 6 5 3 14
MinMax 6 (5) 10 10 9 13
B MaxMin
4 4 4
A 6 5 (5) RESPUESTA: Existe Valor de Juego = 5
MinMax 6 (5 )
Ejemplo No. 4: Problemas sin solución por Punto de silla ni por el Método Mixto
i) Punto de Silla ii) Por Dominio iii) Punto de Silla
Para A Para B
P = 6/7
1 - P = 1/7
80
Total Ganancia esperada de A
4/7 3/7
G.E. = 4/7 4 (6/7) + 1 (1/7) + 3/7 3 (6/7) + 7 (1/7)
6/7 4 3
1/7 1 7 = 100/49 + 75/49 = 25/7
81
TEMA VIII
CADENAS DE MARKOV
Ejemplo No. 1
SOLUCIÓN
Participaciones Participaciones
Probabilidades X del mercado en = del mercado en
De transición el período el período
actual siguiente
Entonces: .-
82
Tomando (1) (2) y (4);
i).- A = 0
ii).- (2) y (4)
0.1A - 0.2B + 0.4C = 0 (1)
A + B + C = 1 (0.2)
Ejemplo No. 2
SOLUCIÓN
83
- 0.10A + 0.05B + 0.10C = 0 1. Descartando (3)
0.05A - 0.15B + 0.07C = 0 2. Tomando (1) y (4) para descartar C
0.05A + 0.10B - 0.17C = 0 3. Tomando (2) y (4) para descartar C
A + B + C = 1
RESPUESTA
Ejemplo 3
SOLUCIÓN
Esta es una cadena de Markov, en donde el estado (0) representa que el precio de la
acción sube y el estado 1 representa que baja. La matriz de transición está dada por:
0.7 0.3
P =
O.5 0.5
Supóngase ahora que el modelo del mercado de acciones se cambia; el que una
acción suba o no mañana depende de si subió o no hoy y ayer. En particular, si la acción
subió los dos días, la probabilidad de que suba mañana es 0.9. si la acción subió hoy pero
ayer bajó, mañana subirá con probabilidad de 0.6. si la acción bajó hoy pero ayer subió,
entonces mañana subirá con probabilidad de 0.5. por último, si bajó los dos días, la
probabilidad de que mañana suba es 0.3. Si se define el estado como el hecho de que la
acción baje o suba, el sistema ya no se puede representar como una cadena de Markov. Sin
embargo, se puede transformar en una si se definen los estados como sigue:
Esto condice a una cadena de Markov de cuatro estados con la siguiente matriz de
transición:
0.9 0 0.1 0
P = 0.6 0 0.4 0
0 0.5 0 0.5
0 0.3 0 0.7
84
Verificando los reglones, por ejemplo, el segundo. Este corresponde al estado 1, que
representa el que la acción subió hoy pero ayer bajó. El primer elemento en el reglón
representa la probabilidad de que la acción suba mañana, habiendo subido hoy y dado que
subió hoy, pero bajó ayer. Esto es justo la probabilidad de que la acción suba mañana dado
que subió hoy, pero bajó ayer, es decir, 0.6. De igual manera, el tercer elemento en el reglón
representa la probabilidad de que acción baje mañana habiendo subido hoy y dado que subió
hoy, pero bajó ayer. Esto es justo la probabilidad de que la acción baje hoy dado que subió
hoy, pero bajó ayer, es decir, 0.4. Los otros dos elementos son cero ya que pertenecen a
eventos contradictorios, esto es, corresponden a instancias en las que la acción bajó hoy.
85
TEMA IX
9.1. INTRODUCCIÓN
En algunos sistemas será necesario formar colas; en otros será interesante eliminarlas
o mantenerlas dentro de ciertos límites. Cualquiera que se sea la situación, cuando una cola se
forma, aparece ciertos problemas que hay que estudiar. Estos incluyen consideraciones con
respecto del número de clientes a los que se debe permitir incorporarse en la cola; con qué
velocidad deberían ser servidos; cuántos mostradores de servicios se deben implementar, etc.
para intentar solucionar este tipo de problemas es preciso construir unos modelos matemáticos
de la situación. Esto se puede manejar para conseguir respuesta a las preguntas planteadas, y
después se pueden emplear los resultados experimentales del sistema real para comprobar la
exactitud de los modelos.
9.2. CONCEPTOS
86
4. máquinas descompuestas que esperan ser reparadas por un técnico
5. documentos que esperan ser elaboradas por una secretaria
6. programas que esperan ser procesados por una computadora, etc.
87
espacio destinado a los clientes que esperan. Por otra parte, el disminuir la congestión casi
siempre impone un aumento en el coste total del sistema. Por ejemplo, en un supermercado si
se añaden varios mostradores de servicio para disminuir la congestión, no sólo se está
ocupando más espacio extra de la planta, sino que también habrá que emplear más
dependientes. Y si se añaden demasiados puntos de servicio puede ocurrir que los dependientes
estén desocupados durante gran parte del día. Está claro que hay que buscar un equilibrio entre
demasiada congestión con poca inversión y la consiguiente irritación pública, y demasiados
puntos de servicios costosos.
COLA
Análisis matemático
i) b > a
Esto significa que el ritmo de servicio 1/b es menor que el ritmo de llegada 1/a; es decir,
los clientes son servidos y salen del sistema con menos frecuencia que llegan los nuevos.
En este caso, está claro que una cola tiene que formarse, e incrementarse
indefinidamente.
ii)b = a
Si no hay nadie en la cola cuando el proceso comienza, entonces el servicio del primer
cliente comenzará tan pronto como llegue. La realización del servicio se determinará en
el mismo momento en que llegue el segundo cliente. Y así nadie tendrá que esperar
nunca. Y si existe una cola inicial, su longitud ( o sea, el número de los que esperan más
el número de los servidos) se mantendrá constante.
iii) b<a
88
Esto significa que el ritmo de servicio es mayor que el ritmo de llegada. Entonces,
cualquier que sea el número inicial de los clientes que esperan, la longitud de la cola irá
disminuyendo hasta 1 ó o. ya investigaremos esta situación más detalladamente.
Ejemplo No. 1
El tiempo necesario para que los 12 primeros clientes sean atendidos es 12 x 1 = 12 minutos.
Durante este periodo 12/4 = 3 clientes más llegarán y tendrán que esperar; estos necesitan 3
x 1 = 3 minutos para que su servicio quede completado.
Durante los 3 minutos, no llegará ningún cliente más puesto que 3 < a). Entonces no tendrá
que esperar nadie más que llegue. De este modo habrán llegado un total de 12 + 3 = 15
clientes ( incluyendo el primero de los 12, cuyo servicio empezó inmediatamente al iniciarse
el proceso)
Ejemplo No. 2
Se sabe que los carros llegan a una estación de auto servicios a razón de 8 por hora. La
distribución del tiempo de servicio se aproxima en forma exponencial con una tasa
promedio de 5 minutos. El costo de espera es de S/. 10.00 por hora, mientras que el costo de
servicio es de S/. 4.00 por vehículo.
SOLUCIÓN
DATOS:
89
f. Siendo Cf un costo proporcional al número de personas servidas; úsese la fórmula
de la tasa de servicio de costo mínimo para un solo canal.
o = + Ce/ Cs
o = 8 + 8x10/ 4
Ejemplo No. 3
Una digitadora presta sus servicios a cinco personas distintas. La tasa de llegada es
de forma Poisson y los tiempos de servicio son exponenciales. El promedio de llegadas es de 4
por hora, con promedio de 10 minutos de tiempo de servicio. El costo de la espera es de S/.
8.00, mientras que el costo de servicio es de S/. 2.50 cada uno.
SOLUCIÓN
DATOS:
Le = ² / ( - ) = 4² / 6(6-4) = 1.333
o = + Ce/ Cs
90
Ejemplo No. 3
1. Determinar el número total de clientes que tienen que esperar, en cada uno de los casos
siguientes:
1. a = 5, b = 2, r = 20
2. a = 3, b = 1, r = 50
3. a = 6, b = 3, r = 30
Calcular también los tiempos necesarios para atender a todos los clientes que tienen que
esperar.
2. Demostrar que cuando b < a, y el proceso empieza con r clientes en fila de espera, entonces
(rb/ a) clientes llegarán mientras que se atiende a los los primeros r.
91
TEMA X
MODELOS
10.1. CONCEPTO
Ejemplo:
ARBOL
Modelos Icónicos o Físicos.- Son aquellos que lucen como el sistema físico correspondiente. Por
ejemplo; el Globo terrestre, utilizado en demostraciones académicas, es un modelo icónico de la
tierra. La maqueta de un edificio, un sistema definido por el tráfico de vehículos en una zona
determinada de cierta ciudad sistematizado en una computadora (modelo por analogía) donde los
voltajes en una red eléctrica representan el flujo de vehículos en el sistema original, constituyen
algunos ejemplos del modelo icónico. Los modelos icónicos pueden ser aumentados, reducidos o
estar en la misma escala respecto al sistema físico.
Ejemplo:
92
b. Modelos simbólicos.- Son aquellos expresados en forma concisa a través de símbolos
matemáticos. Los modelos simbólicos pueden ser representados en forma analítica o en
forma gráfica vía un conjunto de funciones en la forma de ecuaciones e inecuaciones.
También pueden ser presentados mediante un algoritmo compuesto por un conjunto de
pasos interrelacionados, como es el caso de los diagramas de flujo.
Ejemplo:
c. Modelos Tipo Procedimiento.- es aquello cuya expresión básica no está formada por las
relaciones funcionales explícitas, sino por un conjunto de pasos que indican el
procedimiento a seguir en la solución de un problema. La selección de alternativas se
hace a través de técnicas de simulación.
Ejemplo:
b. Modelos Estocásticos.- Son aquellos que incluyen variables o relaciones funcionales que
dependen de fenómenos aleatorios.
Ejemplo:
c. Modelos Lineales.- Son aquellos que incluyen solamente funciones lineales. Por ejemplo:
la relación corresponde a un modelo lineal sí:
Y = F(X1, X2)
93
Puede ser expresado en la forma de:
Y = a1X1 + a2X2
d. Modelos No-Lineales.- son aquellos que incluyen funciones no lineales. Por ejemplo, un
modelo que contiene expresiones de la forma:
Es no lineal por cuanto la variable dependiente Zi varía de una manera no lineal respecto
a X1 y X2
e. Modelo Estático.- Es aquel que representa a un sistema de manera que las variables y las
reacciones funcionales no sufren alteraciones debido a cambios en el tiempo.
f. Modelo Dinámico.- Es aquel que representa a un sistema de manera que el tiempo juega un
rol muy importante.
g. Modelo Continuo.
Y = f(t)
t
t1 t2
Y = f(t)
Y1 f(to) Y2
Y1 M
Y2 N
p
t
t0
En el instante t0, la magnitud de la función f(t) es continua en el intervalo ( Y 1, Y2
por cuanto puede tomar cualquier valor en ese intervalo. Pero f(t), no puede pasar por un
punto extremo a MN tal como p.
h. Modelo Discreto.
94
a. En el Tiempo.- Es aquel que incluye solo variables y funciones discretas en el tiempo.
Y = h(n)
5 .
4 .
3 .
2 .
1 n1 . . n2 .
0 n
1 2 3 4 5 6 7
La función h(n) es discreta en el intervalo de tiempo (n 1, n2) por cuanto puede tomar
valores solamente para determinar puntos del intervalo. Por ejemplo:
Cuando n toma un valor interno entre 1 y 2, digamos n = 1.6, la función h(n) no existe.
b. Discreto en Magnitud.- Es aquel que tiene solo variable, cuyo rango de magnitud varía
en forma discreta.
Y = f(t)
Y2
25
20
15
Y1
5
t
t0
En el instante no, la función h(n) puede tomar un valor igual a 10, 15, 20, 25; es decir,
sólo ciertos valores del intervalo (Y1, Y2)
95
Y = h(n)
Y2
. . .
. . . .
. . . .
. . .
20 . . .
. .. .
15 . .
. . . .
. . . .
Y1 . .
N
no
96
TEMA XI
SIMULACIÓN
11.1. CONCEPTOS
EJEMPLOS
1. Juego de monedas
Se lanza una moneda repetidas veces hasta que la diferencia entre cara y sello sea tres. Se
paga 1$ cada vez que se lanza la moneda, pero se reciben 8$ al final de cada jugada. Se
97
gana dinero si el número necesario de lanzamientos es menor que ocho, pero se pierde si se
tiene que lanzar la moneda más de ocho veces.
N (t – 1) + 1, si el lanzamiento t es cara
N( t ) =
N (t - 1) – 1, si el lanzamiento t es sello
2. Sistema de colas
Clientes servidos
Sistema de colas
C S
Clientes Cola C S
CC C C C C C Instalación de servicio
C S
C S
Clientes servidos
El modelo M/M/s supone que tanto los tiempos entre llegadas como los de servicio
tienen una distribución exponencial y que el número de servidores es cualquier entero
positivo).
98
Terminología y notación:
μ μ μ μ μ μ
λ λ λ λ λ λ
μ 2μ 3μ (s-1)μ sμ sμ
99
BIBLIOGRAFIA
100