UNIVERSIDAD TECNICA FEDERICO SANTA MARIA

DEPARTAMENTO DE INDUSTRIAS
CAMPUS SANTIAGO VITACURA

PAUTA CERTAMEN N°2

SEGUNDO SEMESTRE 2014
GESTION DE INVESTIGACIÓN DE OPERACIONES

Instrucciones: Tiempo máximo: 1 hora y 45 minutos. No están permitidos equipos de audio ni celulares.
Sin cuadernos o apuntes. La copia será penalizada con nota 0. Justifique sus respuestas.

Pregunta N°1 En cada una de las siguientes afirmaciones señale si es verdadero o falso
lo declarado. Si es verdadera dar una demostración o ejemplo y de ser falsa podría dar
una demostración que la corrige o simplemente un contraejemplo.

Considere el siguiente modelo lineal de optimización:

Max 5x1 + 8x2
s.a. x1 + x2 ≤ 6
5x1 + 9x2 ≤ 45
x1≥0, x2≥0
i) (4 puntos) Al aplicar el Método de Branch and Bound al modelo anterior con la
restricción adicional: x2 entero, este alcanza una solución óptima en x1=0, x2=5.

ii) (4 puntos) Al aplicar el Método de Branch and Bound al modelo anterior con las
restricciones adicionales: x1 entero y x2 entero, este genera tan solo 3 soluciones enteras
de las más de 20 soluciones enteras factibles que este posee si en el proceso de
ramificación inicial se escoge la variable x2.

iii) (3 puntos) Un problema convexo de optimización siempre posee solución óptima.

iv) (3 puntos) Si el problema de optimización no-lineal Min{ f(x) / Ax=b, x≥0} tiene
más de una solución óptima, entonces puede tener solo dos soluciones óptimas.

Considere la siguiente matriz que representa una Cadena de Markov en Tiempo

Discreto, con 0<p<1:
1 2 3 4
1 1 − p 0 p 0

2 0.5 0.25 0.25 0 
P= 
3 0 0 1− p p
 
4 1 0 0 0

v) (3 puntos) En la cadena dada existe un estado periódico con periodo 3.

vi) (3 puntos) La Cadena es irreducible.

Solución.

i) Falso. Al imponer tan solo la condición de integralidad a x2 el método da origen al

siguiente árbol:

De donde la solución óptima se alcanza en x1=1.8, x2=4 con un valor óptimo de 41 (4

puntos) Dar dos puntos si solo resuelve al menos la relajación continua.

ii) Verdadero. Al aplicar el método el árbol corresponde a la figura y se obtiene solo 3

soluciones enteras (4 puntos). Dar uno o dos puntos según avance en la aplicación del
método a pesar de no haber terminado con el mismo.

-x
iii) Falso. Al considerar (por ejemplo) el problema de Min e sujeto a x≥0 tenemos un
problema no-lineal convexo que no posee solución óptima. (3 puntos)

iv) Verdadero. Es fácil proponer una función objetivo no-lineal que tenga exactamente
dos mínimos locales que sean soluciones óptimas del problema. (3 puntos)
La cadena dada corresponde igualmente a
1 4
1-p 1
0.5 p p
0.25 1–p
2 3
0.25

v) Falso En la cadena dada todos los estados son aperiódicos (2 puntos). En efecto,
p1,1(n)>0, p2,2(n)>0 y p3,3(n)>0 para n=1,2,3,4,… y p4,4(n)>0 para n=3,4,5,6,... (1 punto)

vi) Falso. Los estados de la cadena se pueden clasificar en dos clases (2 puntos):
{1,3,4} y {2}, por lo tanto la cadena no es irreducible (1 punto).

Pregunta N°2 Considere un problema de distribución desde una bodega (depot) a 5

clientes, de acuerdo a la red que se aprecia en la figura dada más abajo. Desde la bodega
cada camión hace una ruta en que visitará a lo más dos clientes. Se conoce un conjunto
de rutas posibles para este problema, de hecho las más cortas que permiten visitar los
clientes indicados, de acuerdo a la siguiente tabla:
Cliente\Ruta A B C D E F G H I J K
1 1 0 0 0 0 1 1 0 0 0 0
2 0 1 0 0 0 0 0 1 1 0 0
3 0 0 1 0 0 0 0 1 0 1 0
4 0 0 0 1 0 1 0 0 1 0 1
5 0 0 0 0 1 0 1 0 0 1 1
Distancia 8 10 4 4 2 8 8 10 11 6 5
Así por ejemplo, la ruta B de 10kms visita solo el cliente 2 y lo hace a través de una ruta
que pasa primero por el nodo (cliente) 3, luego visita al cliente 2 y retorna a la bodega
por el mismo camino. En el caso de la ruta I, esta recorre 11kms pasando primero por el
nodo 3 visita al cliente 2 y luego visita el cliente 4 para retornar desde este último a la
bodega (o viceversa).

i) (20 puntos) Formule un modelo de Programación Entera que permita minimizar la

distancia total recorrida por los respectivos camiones que tomaran las rutas
seleccionadas, garantizando que cada uno de los 5 clientes sea visitado. Encuentre una
buena solución factible al modelo propuesto, esto es con la menor la distancia total.

ii) (10 puntos) Suponga ahora que se agregan rutas posibles que visiten hasta 3 clientes.
¿Cuál es el total de nuevas rutas que se podrían agregar en este caso? ¿Qué ocurre con
el valor óptimo del nuevo problema respecto del dado en i)? Genere al menos 2 de estas
nuevas rutas posibles (con su respectiva distancia) y muestre cuál sería el modelo
propuesto para este nuevo problema.
Solución.
i)El modelo contempla las siguientes variables de decisión:
xr = variable binaria que toma el valor 1 si se escoge la ruta r, con r=A,B,…,K y 0 en
caso contrario. (5 puntos)
La función objetivo corresponde a:
Minimizar z = 8xA+10xB+4xC+4xD+2xE+8xF+8xG+10xH+11xI+6xJ+5xK (2 punto)
Las restricciones deben garantizar que cada cliente sea visitado:
xA + xF + xG = 1 (2 puntos)
xB + xH + xI = 1 (2 puntos)
xC + xH + xJ = 1 (2 puntos)
xD + xF + xI + xK = 1 (2 puntos)
xE + xG + xJ + xK = 1 (2 puntos)

Hay numerosas soluciones factibles. Dar (3 puntos) a los que tengan una en el 50%
mejor de las respuestas dadas y (2 puntos) a los del otro grupo. Como referencia
considerar que la solución óptima selecciona las rutas E, F y H con una distancia
total de 20km.

ii)Al agregar nuevas rutas visitando hasta 3 clientes aumenta el tamaño del problema
únicamente respecto del número de variables de decisión y el máximo de rutas que se
podría agregar son “5 sobre 3” que da un máximo de 10 nuevas rutas. (2 puntos)
El valor óptimo del nuevo problema será menor o a lo sumo igual al alcanzado en el
modelo i) pues se agregan nuevas rutas y ello permitiría escoger una mejor selección
de las mismas (2 puntos)
Dar (2 puntos) por las dos nuevas rutas y (4 puntos) por el nuevo modelo que
agrega dos nuevas variables que se insertan en las mismas 5 restricciones de acuerdo
a los clientes que visita o no las rutas propuestas y en la función objetivo se agregan
a la distancia total.
Pregunta N°3 Un centro de investigación tiene que diseñar un globo aerostático que
llevará equipos científicos. La performance del diseño, en términos del volumen que
puede alcanzar el globo (V) y el peso del equipo transportado (W), se expresa en la
siguiente función:
P = 100V - 0.3V2 + 80W - 0.2W2

El presupuesto del proyecto es M$ 1040. El costo asociado al volumen es 2V y el costo

asociado al equipo es 4W. Para obtener un balance adecuado entre volumen del globo y
peso del equipo, el diseño debe cumplir la siguiente relación: 80W ≥ 100V.

i) (4 puntos) Formule un modelo de programación no-lineal para maximizar la

performance del diseño.
ii) (6 puntos) Explicite todas las condiciones de primer orden del Teorema de Karush-
Kuhn-Tucker para el modelo propuesto.
iii) (10 puntos) Compruebe que (V,W)=(148.57,185.71) es la solución óptima del
problema. Justifique su respuesta. (Aproxime los multiplicadores de Lagrange con 3
decimales y el resultado de las ecuaciones con 0 decimales).
iv) (10 puntos) Partiendo del punto inicial (V,W)=(120,170), realice dos iteraciones del
Método del Gradiente con un paso dado α=0,5 en su aplicación al problema en i)
pero sin restricciones. Enseguida determine el paso máximo para la tercera iteración
que genere una solución factible al problema restringido.

Solución:
i) Min –(100V - 0.3V2 + 80W - 0.2W2) (1 punto)
Sujeto a:
2V + 4W - 1040 ≤ 0 (1 punto)
100V - 80W ≤ 0 (1 punto)
V≥0, W≥0 (1 punto)
ii)
L = 100V-0.3V2+80W-0.2W2 + µ1(2V+4W-1040) + µ2(100V-80W) + µ3(-V) + µ4(-W)

∂L/∂V = 100 - 0.6V + 2µ1 + 100µ2 – µ3 = 0

∂L/∂W = 80 - 0.4W + 4µ1 - 80µ2 – µ4= 0 (1.5 punto)

λ1(2V - 4W - 1040) = 0
λ2(100V - 80W) = 0 (1.5 punto)
µ3(-V) = 0
µ4(-W) = 0

2V + 4W - 1040 ≤ 0 (1.5 puntos)

100V - 80W ≤ 0
V≥0, W≥0

µ1≥0, µ2≥0, µ3≥0, µ4≥0 (1.5 puntos)

iii) El problema claramente posee solución óptima por el Teorema de Weiertrass (2
puntos). Además se trata de un Problema Convexo pues la función objetivo es convexa
(cóncava como problema de maximización) y el espacio de solución es claramente un
conjunto convexo (sólo restricciones lineales). (2 puntos)

Al usar correctamente la información dada se determina primero que las dos

restricciones generales están activas (2 puntos). Claramente µ3=0, µ4=0 (1 punto)y
enseguida se debe encontrar (µ1, µ2) = (2.579, 0.057) con base en la dos primeras
derivadas parciales (2 puntos). Como en este caso las condiciones son necesarias y
suficiente, el punto dado es la solución óptima del problema (1 punto).

iii)La tabla que sigue muestra las primeras dos iteraciones con el paso fijo, estas tienen
(3 puntos) a cada una. En la tercera iteración hay que procurar un “paso” que defina un
punto factible como el que se aprecia en la cuarta fila con alpha=0.1 (4 puntos)
Iteración V W f(V,W) ∂f(V,W)/∂V ∂f(V,W)/∂W α Diseño Presupuesto
0 120,0 170,0 15500,0 28,0 12,0 0,5 -1600 920
1 134,0 176,0 15898,0 19,6 9,6 0,5 -680 972
2 143,8 180,8 16102,7 13,7 7,7 0,1 -84 1011
3 145,2 181,6 16127,4 12,9 7,4 -8 1017

Óptimo 148,6 185,7 16194,5 10,8 5,7 4 1040

Pregunta N°4 Anne, que se ha graduado en Ciencias Empresariales, trabaja para una
firma de la banca privada y está tratando de modelar la evolución anual de un conjunto
de 150 productos financieros por medio de una cadena de Markov.
Los productos financieros se clasifican en tres categorías:
Categoría 1: 80 productos se consideran atractivos: altamente rentable en el corto
plazo, pero inciertos en su rentabilidad en el mediano y largo plazo.
Categoría 2: 30 productos se consideran seguros: Esto significa rentabilidad estimada
relativamente segura para el corto, mediano y largo plazo.
Categoría 3: 40 productos se consideran inseguros: su rentabilidad es variable, incluso
en el corto plazo.
Anne estima que un producto atractivo tiene la misma probabilidad de seguir
siendo atractivo, convertirse en un producto seguro o bien convertirse en un producto
inseguro el próximo año. Por el contrario, el producto seguro se convierte en uno
atractivo con probabilidad 0.5 el próximo año, mientras que su probabilidad de
permanecer seguro es ¼. En cambio, un producto inseguro tienen un 3/5 probabilidad
de pasar a ser seguro y de 1/5 de aún ser considerado inseguro.

i) (5 puntos) Formule una Cadena de Markov en Tiempo Discreto que permita modelar
el comportamiento de los productos financieros año tras año.

ii) (3 puntos) Determine la probabilidad que un producto atractivo, lo siga siendo

durante dos años consecutivos.

iii) (3 puntos) Determine la probabilidad de que un producto que es seguro se vuelva

inseguro al cabo de dos años.

iv) (9 puntos) ¿Cuántos productos habrá de cada tipo en el largo plazo?

Solución i)
Xn: Característica del producto el año n. (1 punto)
X n ∈ {1,2,3} 1: Producto atractivo, 2: Producto Seguro y 3: Producto inseguro. (1
punto)
1 2 3

1 1 / 3 1 / 3 1 / 3
P = 2 1 / 2 1 / 4 1 / 4 (3 puntos)
3 1 / 5 3 / 5 1 / 5

ii) (3 puntos)
Solución: (1/3)(1/3)=1/9

iii) (3 puntos)
P2,3(2) =
1 1 1 1 1 1 67
+ + = = 27,92%
4 4 4 5 2 3 240

iv) La cadena dada es claramente una cadena irreducible con estados recurrentes
positivos aperiódicos (2 puntos), cuya distribución de largo plazo es resultado de
resolver:
:
T
π 1  1 / 3 1 / 3 1 / 3 π 1  3
π  = 1 / 2 1 / 4 1 / 4 π 
 2    2 ∑π i =1 (2 puntos)
π 3  1 / 5 3 / 5 1 / 5 π 3  i =1

Con esto se obtiene:

π 1   0,36 
π  = 0.,3733 (2 puntos)
 2  
π 3   0,2667 

Luego como son 150 productos.

Se distribuirían de la siguiente forma en el largo plazo:

Producto 1: 150 x 0,36 = 54
Producto 2: 150 x 0,3733 = 56
Producto 3: 150 x 0,2667 = 40 (3 puntos)