Investigación de Operaciones Un Enfoque Fundamental

INVESTIGACION DE
OPERACIONES
ñ
Investigación de
Operaciones
UN ENFOQUE FUNDAMENTAL
JAMES E. SHAMBLIN
School of Industrial Engineering and Management
Oklahoma State University
G. T. STEVENS, Jr.
School of Industrial Engineering and Management
Oklahoma State University
TRADUCTORES:
ALBERTO DUARTE TORRES Y ALBERTO PONTON

Profesores de la Universidad Nacional
McGRAW-HILL
MÉXICO e BOGOTÁ e BUENOS AIRES € GUATEMALA 0 LISBOA € MADRID
NUEVA YORK e PANAMÁ e SAN JUAN e SANTIAGO e SÁO PAULO
AUCKLAND 0 HAMBURGO e JOHANNESBURGO e LONDRES e MONTREAL
NUEVA DELHI e PARÍS e SAN FRANCISCO e SINGAPUR
ST. LOUIS e SIDNEY e TOKIO e TORONTO
INVESTIGACIÓN DE OPERACIONES
Un enfoque fundamental
Prohibida la reproducción total o parcial de esta obra,

por cualquier medio, sin autorización escrita del editor.
DERECHOS RESERVADOS O 1975, respecto a la primera edición en español por

LIBROS McGRAW-HILL DE MÉXICO, S. A. de C. V.
Atlacomulco 499-501, Fracc. Industrial San Andrés Atoto
53500 Naucalpan de Juárez, Edo. de México
Miembro de la Cámara Nacional de la Industria Editorial, Reg. Núm. 465
ISBN 968-451-284-8
Traducido de la primera edición en inglés de
OPERATION RESEARCH; A Fundamental Approach
Copyright O 1974, by McGraw-Hill Book Co., U. S. A.
ISBN 0-07-056378-0
8901:234567 LINSA-75 8012356794
Impreso en México Printed in Mexico
Esta obra se termiñó en abril de 1984

en Editorial Calypso, $. A.
Oculistas No. 43
Colonia Sifón
Delegación Iztapalapa
09400 México, D. F.
Se tiraron 1 000 ejemplares

a WILSON J. BENTLZY
IAei PO
RE
ma
Á E
Es E MES SEA
E
es " FE (3 ER p
|
TABLA DE MATERIAS
Prólogo
Naturaleza de la investigación operacional pa
»N Repaso de estadística y probabilidad

Aplicación del álgebra matricial a sistemas de
ecuaciones lineales 33
Formulación y análisis de las cadenas de Markov
de primer orden 56
Modelos de remplazo
90
Modelos y sistemas de inventario
126
166
Simulación Monte Carlo
Teoría de colas o líneas de espera 198
Análisis de sensibilidad de funciones continuas 238
Programación lineal 256
319
Problemas de distribución y trasporte
Análisis de sensibilidad para programación lineal 352
Programación dinámica
Apéndice A
413
418
Apéndice B
420
Apéndice C
421
Indice
==
Pd ls Elsisibs 2
a Scanmentala Ycu ca lb
És
ij
AO ME
PROLOGO
Este libro fue escrito para llenar el cometido de servir como texto general
de investigación operacional en pregrado y en los primeros cursos de
posgrado. Su propósito es explicar e interpretar las matemáticas de la in-
vestigación operacional. Estimamos que la aplicación y, lo que es más
importante, la comprensión de la mayor parte del campo básico de la inves-
tigación operacional no requiere de matemáticas complicadas. Según
nuestra experiencia, un profesional dedicado a la asesoría o a la aplica-
ción de la investigación operacional debe interpretar primero el ambiente
físico o económico para poder construir un modelo matemático. Además la
aplicación de los resultados de las operaciones matemáticas exige que
re-
estos se interpreten sobre una base física o económica. Por eso hemos
de las ma-
currido constantemente a la interpretación física o económica
dirige
temáticas en lugar de insistir en teoremas y pruebas. El libro se
principalmente a los estudiantes que necesitan aplicar los conceptos de
base
investigación operacional, por lo cual en muchos casos se emplea una
intuitiva para su comprensi ón en lugar de un tratamient o más riguroso.
a los
En algunos casos este tratamiento se realiza en las notas anexas
emplearse a discreción del instructor. Las
capítulos, las cuales pueden
X PROLOGO
referencias al final de cada capítulo contribuyen a la investigación de am-

pliaciones más avanzadas de los temas presentados. Se estima que el
alcance de los temas presentados en este texto constituye una base que
permite considerar ampliaciones más avanzadas.
Los autores han experimentado desde hace tiempo la necesidad de un
texto en el cual se haga suficiente énfasis en explicaciones e interpreta-
ciones y que contenga suficiente material para un curso de alta calidad y
no ser sólo un compendio superficial de terminología. Tenemos el firme
convencimiento de que los temas de investigación operacional se pueden
tratar con el rigor necesario sin que se vuelvan de difícil lectura. Se inclu-
yen completamente las deducciones matemáticas requeridas pero se ha
tenido el cuidado de asegurarse de que puedan seguirse e interpretarse
fácilmente. Además, estas explicaciones se han complementado con ejem-
plos numéricos distribuidos en todo el texto y con problemas al final de
cada capítulo. No consideramos que este texto haya “descuidado” la
teoría sino que en cambio explica detalladamente el cómo y por qué fun-
cionan los conceptos matemáticos sin necesidad de exagerar en cuanto a
notación complicada.
Las matemáticas que se necesitan en este libro corresponden a un curso
de álgebra y cálculo. El estudiante debe comprender suficientemente los
temas cuantitativos para que no tenga dificultades al formular los proble-
mas en términos matemáticos, capacidad aun más importante que la des-
treza matemática. Cualquier estudiante de pregrado en un área cuantita-
tiva de una escuela de administración o de ingeniería tiene la base mate-
mática adecuada para usar este texto. En los primeros cursos de posgrado
es conveniente omitir o repasar rápidamente los dos primeros capítulos
con el objeto de dedicar más atención a los capítulos posteriores.
Al escribir este libro, no hemos ahorrado esfuerzo para incorporar
nuestro sentir sobre la importancia de la enseñanza y nuestro deseo de
entregar a los estudiantes un texto fácil de entender. A mayores niveles
el rigor requerirá el empleo creciente de notación abstracta, lo cual no será
necesario en un nivel introductorio.
El Dr. Wilson J. Bentley demostró siempre la comprensión, dedicación
y erudición que constituyen una magnífica enseñanza. Dedicamos este
libro a la memoria de nuestro amigo, consejero y guía. También, deseamos
agradecer a nuestras esposas, Jane y Norma Jeanne, por su paciencia y
estímulos. Finalmente apreciamos las numerosas contribuciones de nues-
tros colegas y de los estudiantes quienes nos permitieron ensayar muchas
ideas y trabajaron con nosotros hasta alcanzar la forma más adecuada.
JAMES E. SHAMBLIN
G. T. STEVENS, Jr.
INVESTIGACION DE
OPERACIONES
Td MOMADITEIV VA
PRADIDAMATO
1
NATURALEZA DE LA INVESTIGACION
OPERACIONAL
La investigación operacional (10) es un enfoque científico de la toma de

decisión. Dentro de este contexto, la investigación operacional puede
remontarse a Frederick W. Taylor, los Gilbreths y Henry Gantt. Sin em-
bargo, sólo fue hasta la segunda guerra mundial cuando se utilizó el térmi-
no investigación operacional para describir el enfoque adoptado por grupos
interdisciplinarios de hombres de ciencia para resolver problemas de es-
trategia y táctica del manejo militar. Después de la guerra, este enfoque
se extendió a las organizaciones industriales, y con el advenimiento del
computador de gran rapidez se desarrolló como enfoque común de los pro-
blemas de organización.
La investigación operacional comienza describiendo algún sistema
mediante un modelo que luego se manipula para determinar la mejor forma
de operación del sistema. El enfoque se puede explicar mejor considerando
las principales fases de un estudio de JO (según la referencia 2):
Formulación del problema

Construcción de un modelo para representar el sistema bajo estudio
Deducción de una solución a partir del modelo
Prueba del modelo y de la solución deducida de éste
Establecimiento de controles sobre la solución
mm
GON
DNA Poner la solución a trabajar: ejecución
De NATURALEZA DE LA INVESTIGACION OPERACIONAL
FORMULACION DEL PROBLEMA

En cualquier estudio de JO es esencial que el problema en consideración
“esté definido claramente. Es casi imposible obtener la respuesta “correcta”
a partir del problema “incorrecto”.
En la formulación del problema deben estar bien establecidos los
objetivos, los cursos alternativos de acción, las restricciones y los efectos
del sistema en estudio sobre sistemas relacionados. Debe haber completo
acuerdo en estos puntos entre las personas que inician el estudio de JO y
las personas que lo realizan. Además debe haberse convenido entre las
partes involucradas una medida de efectividad. Esta medida de efectivi-
dad debe estar en armonía con los objetivos de la organización total; es
decir, en estudios de JO debe tomarse un punto de vista global. Esto no
implica que la definición de un problema debe incluir explícitamente todas
las ramas de la organización sino que deben tenerse en cuenta los obje-
tivos globales de la organización cuando se determina una medida de
efectividad para un problema particular. Por ejemplo, una compañía puede
tener como principal objetivo entregar sus productos a los clientes en un
mínimo período de tiempo. Un estudio que minimice el tiempo ocioso del
equipo, aunque vale la pena, puede no ser compatible con dicho objetivo.
CONSTRUCCION DE UN MODELO
Después de la formulación del problema, el siguiente paso es construir un
modelo del problema o del sistema en estudio. En 7/0 este es usualmente
un modelo matemático. De hecho hay otras clases de modelos, por ejemplo,
modelos físicos y esquemáticos. Un ejemplo de modelo físico es un modelo
a escala de una planta usado para estudios de diseño de plantas. Un dia-
grama de organización que muestra la interrelación entre las diferentes
funciones de una compañía es un ejemplo de modelo esquemático.
Un modelo matemático es un conjunto de ecuaciones que describen
un sistema o problema. El modelo matemático generalmente contiene dos
clases de ecuaciones: (1) la función de efectividad y (2) las restricciones.
La función de efectividad, frecuentemente denominada ecuación objetivo,
es una expresión matemática del objetivo del estudio; por ejemplo, la ex-
presión matemática de la ganancia o costo de una operación particular.
Son ejemplos de restricciones, las expresiones matemáticas de las limita-
ciones sobre una operación o sistema.
Las ecuaciones objetivo y de restricción son funciones de dos tipos de
variables, variables controlables (de decisión) y variables incontrolables.
Una variable controlable es aquella que puede ser directamente controlada
por quien toma las decisiones. Los valores de esas variables deben deter-
minarse. Las variables incontrolables son aquellas que no están bajo el
DEDUCCION DE UNA SOLUCION 3
control directo de quien toma las decisiones. Como ejemplo sencillo de un

modelo matemático, considérese la siguiente situación. Una compañía
fabrica dos productos, A y B. La ganancia para el producto A es $1.000 por
unidad, y la ganancia para el producto B es $1.500 por unidad. Se requie-
ren 20 horas para fabricar una sola unidad del producto A y 30 horas
para fabricar una sola unidad del producto B. El tiempo total de manufac-
tura disponible por año es 1.200 horas. Las demandas esperadas de los
dos productos han conducido a la decisión de que la cantidad producida
de A no debe ser mayor que 40 unidades por año y la cantidad de B no
mayor que 30 unidades por año. Si se desea maximizar la ganancia por
año, el modelo matemático de la situación descrita consiste en maximizar
1.000x, + 1.500xy (1-1)
sujeto a las restricciones

20x 4+ 30xp < 1.200 (1-2)
x¿< 40 (1-3)
xp < 30 (1-4)
donde x, y xp son el- número de unidades producidas por año, esto es,
las variables controlables. En esta formulación, las ganancias por uni-
dad, costos por unidad, cantidades producidas y tiempos de producción
son todas variables no controlables. La ecuación (1-1) es la ecuación ob-
jetivo, y las ecuaciones (1-2) a (1-4) son las restricciones.
Debe recordarse que un modelo es una aproximación de un sistema
real. Por consiguiente, todas las variables pueden no estar incluidas en
el modelo. Esto a veces es mal interpretado por personas no familiarizadas
con el enfoque de la JO. Ningún especialista de JO reclamará que su modelo
incluye todas las posibles variables o que las respuestas obtenidas a
partir del modelo son infalibles cuando se aplican a un sistema real en
estudio. Cualquier procedimiento aproximado está sujeto a algún error.
Lo que se pretende es hacer el error tan pequeño como sea posible.
La descripción de un sistema mediante un modelo hace posible anali-
zar el sistema y ensayar diferentes alternativas sin interrumpir el sistema
real. Otra ventaja es que un modelo tiende a hacer más explícito el proble-
ma, y puede aclarar relaciones importantes entre las variables. Un modelo
aclarará qué variables son importantes y qué datos son necesarios para
el análisis de un sistema. Una vez formulado el modelo, es posible analizar
el problema.
DEDUCCION DE UNA SOLUCION

Una vez establecido un modelo matemático, el siguiente paso es obtener
una solución al problema a partir del modelo. Esto se lleva a cabo deter-
4 NATURALEZA DE LA INVESTIGACION OPERACIONAL
minando la solución óptima del modelo y luego aplicando ésta solución al

problema real. Algunas veces las complejidades matemáticas del modelo
hacen imposible una solución óptima, y una “buena” respuesta debe ser
suficiente. Aun cuando pueda obtenerse una respuesta óptima para el
modelo, ésta respuesta no necesariamente es óptima parael problema.
Ya que un modelo es una aproximación de un sistema real o problema, la
solución óptima del modelo no garantiza una solución óptima del proble-
ma real. Sin embargo, si el modelo ha sido bien formulado y probado, las
soluciones del modelo proporcionarán una buena aproximación al óptimo
verdadero.
Las soluciones de los modelos matemáticos pueden obtenerse usando
ciertas herramientas y técnicas. Gran parte de este libro está dedicado a
estos temas.
PRUEBA DEL MODELO Y DE LA SOLUCION

Después de obtener una solución del modelo, el modelo y la solución deben
probarse. Esto puede hacerse en dos pasos: (1) usando datos pasados,
haciendo una comparación entre el rendimiento real del sistema y el
rendimiento indicado por el modelo; (2) permitiendo operar al sistema sin
cambios y comparando su rendimiento con aquel del modelo. El valor del
modelo y su solución puede juzgarse con base en estas comparaciones.
ESTABLECIMIENTO DE CONTROLES
Una vez que un modelo y su solución se consideran aceptables, deben colo-
carse controles sobre la solución. Esos controles se establecen para detec-
tar cualquier cambio significativo de las condiciones en las cuales se basa
el modelo. Obviamente, si cambian tanto que el modelo ya no es una re-
presentación precisa del sistema, el modelo se invalida. Por consiguiente,
debe establecerse algún mecanismo para detectar cualquier cambio del
sistema tan pronto como sea posible de manera que el modelo pueda revi-
sarse y refleje esos cambios.
EJECUCION
La ejecución de la solución obtenida a partir del modelo es la última fase
de un estudio de JO. En esta fase el grupo de JO explica la solución a la
administración responsable del sistema en estudio. Es importante que
la explicación de la solución se haga en función de los procedimientos
usados en el sistema real. Una vez que haya acuerdo sobre la solución, es
responsabilidad de ambas partes traducir la solución en un procedimiento
REFERENCIAS 9
de operación de fácil comprensión. Después de aplicar la solución al sis-

tema, el grupo de JO debe observar la respuesta del sistema a los cambios
realizados. Esto permite al grupo de JO hacer los cambios adicionales y
las modificaciones requeridas por el rendimiento del sistema.
El éxito de un estudio de JO depende del apoyo recibido de la admi-
nistración. Un método de obtener este apoyo es hacer a la administración
un participante activo de todas las fases del estudio de JO.
Sobra insistir en la importancia de la fase de ejecución ya que de ella
depende la utilidad de un estudio de JO.
Es de esperar que este estudio de las diferentes fases de JO haya
proporcionado una mejor comprensión del enfoque de la TIO. El estudio sirve
de marco de referencia para procedimiento. Las fases de un estudio de
IO no son reglas rígidas y con frecuencia se deben modificar. Obviamente,
hay una interrelación considerable entre las diferentes fases. Por su na-
turaleza básica, el trabajo de JO debe enfocarse en forma creativa e
ingeniosa.
OJEADA AL LIBRO
Este libro describe modelos tradicionales de JO tales como modelos de
remplazo, modelos de inventarios y teoría de colas. Además se presentan
herramientas y técnicas, tales como álgebra matricial, cadenas de Markov,
programación lineal y dinámica, y simulación. Se hará énfasis en la aplica-
ción de los temas presentados y en su explicación mediante ejemplos nu-
méricos en lugar de pruebas matemáticas estrictas.
Obviamente, en cualquier texto introductorio, la discusión de los diver-
sos temas debe terminarse en algún punto. Se han escrito libros enteros
sobre algunos temas considerados aquí. El propósito del libro :es propor-
cionar al estudiante una base sobre la cual pueda apoyar un estudio más
amplio de un tema particular. Las referencias que describen aplicaciones
más amplias y un tratamiento matemático más teórico de los temas se
encuentran al final de cada capítulo
REFERENCIAS
” caps.
1 Ackoff, R. L., y M. W. Sasieni: “Fundamentals of Operations Research,
1-4, John Wiley € Sons, Inc., Nueva York, 1968.
to Operations
2 Churchman, C. W., R. L. Ackoff, y E. L. Arnoff: “Introduction
Research,” John Wiley € Sons, Inc., Nueva York, 1957, pts. LIN y IX.
” caps.
3 Hillier, F. S., y G. J. Lieberman: “Introduction to Operations Research,
1 y 2, Holden-Day, Inc., Publisher, San Francisco , 1967.
,”' cap. 1,
>
4 Richmond, S. B.: “Operations Research for Management Decisions

The Ronald Press Co., Nueva York, 1968.
ion to Mana-
5 Wagner, H. W.: “Principles of Operations Research with Applicat
od Cliffs, N.J., 1969.
gerial Decisions,” caps. 1 y 2, Prentice-Hall, Inc., Englewo
2
'REPASO DE ESTADISTICA Y PROBABILIDAD
Muchas actividades de JO requieren conocimientos de estadística y

probabilidad. En este capítulo se revisa lo fundamental de estas áreas.
CONCEPTOS BASICOS
Población y muestra
La población (distribución de base o universo) es la colección de objetos
o medidas en consideración. Una población puede ser finita o infinita. Una
muestra es un grupo de objetos tomados de una población. El caso usual
consiste en estimar las características de la población (parámetros) de-
terminando las características de la muestra (estadígrafos). Por ejemplo,
la media y la varianza de una población frecuentemente se estiman a partir
de la media y la varianza de una muestra tomada de la población.
Datos continuos y datos discretos

Los datos continuos son datos que teóricamente pueden tomar cualquier
valor entre dos valores dados. Casi todos los datos obtenidos por algún
ESTADISTICA DESCRIPTIVA 7
proceso de medición son continuos. Los datos continuos pueden aparecer

como discretos debido a la limitación de los procesos de medida. Si los
valores de los datos son elementos distintos y separados los datos son
discretos. Un proceso de numeración usualmente da por resultado un dato
discreto, por ejemplo, el número de hombres requerido para realizar un
trabajo.
Variable aleatoria
Una variable aleatoria, también llamada variable al azar o estocástica, es
una función cuyo valor numérico depende del resultado de un experimento
de azar. La función puede ser únicamente una regla que asigne un valor
con base en el resultado del experimento. Como ejemplo de variable alea-
toria, se considera el experimento de tomar n varillas de hierro y medir sus
longitudes, x1, X2, ..., Xi, ---» Xn- En este caso x, es la variable alea-
toria, y la regla puede consistir en asignar los valores medidos a cada x;.
Cualquier función de una variable aleatoria es también una variable
aleatoria. Esto es, si las longitudes son usadas en algunos cálculos sub-
siguientes, los resultados de esos cálculos son también variables aleatorias.
ESTADISTICA DESCRIPTIVA
La estadística se puede dividir en dos clasificaciones generales, estadísti-
ca inductiva y estadística descriptiva. La estadística inductiva o inferen-
cia estadística se refiere a la deducción de conclusiones acerca de una
población sobre la base de una muestra tomada de esa población. La esta-
dística descriptiva se refiere a la presentación en forma comprensible de
los datos recolectados. En este capítulo, sólo se considera la estadística
descriptiva.
Una colección de datos en su forma natural generalmente no consti-
tuye una gran fuente de información. Por ejemplo, los datos presentados
Tabla 2-1 NUMERO DE UNIDADES
VENDIDAS POR DIA
26
28
24
Z3
25
29
23
26
26
27 SEORARU3
SUSSUIIRRR
8 REPASO DE ESTADISTICA Y PROBABILIDAD
en la tabla 2-1 indican el número de unidades vendidas por día. En esta

forma, los datos no proporcionan mucha información, pero si los datos se
N = número de observaciones == 30
>
de
Número
ocurrencias
222350 24 125 27 28 30
Número de ventas por día
FIGURA 2-1
Histograma del número de ventas por día.
resumen como muestra la figura 2-1, se obtiene una descripción más

clara. La figura 2-1 es una representación gráfica de la distribución de fre-
cuencia de los datos y se conoce como histograma.
Distribuciones de frecuencias
Una distribución de frecuencias separa los datos en clases y muestra el
número de ocurrencias en cada clase, o frecuencias de clase. En la figu-
ra 2-1 las clases son 22,23, 24, ..., 30, y la frecuencia de clase de la clase
24 es cinco.
Tabla 2-2 DATOS CONTINUOS
37,0 37,8 ZN 29,0

34,2 : 231 319 30,9
29,7 32,9 33,0 29,5
30,4 31,7 36,2 29,9
32,0 32,3 40,1 30,1
33,4 29,8 34,6 32,1
31,0 29,2 35,0 31,8
29,0 30,5 29,3 33,5
28,5 31,1 31,0 33,4
28,4 30,0 28,8 35,8
A O O
Los límites de clase se refieren al mínimo y máximo valor de una clase;

los límites de clase de la figura 2-1 son 21,5; 22,5; 23,5; ...; 30,5. El in-
tervalo de clase se refiere a la diferencia entre el mínimo y el máximo
límites de clase de una clase particular, que, para la clase 22, es 21,5 —
22,5 = 1,0. Frecuentemente los términos clase e intervalo de clase se usan
como sinónimos; realmente un intervalo de clase es una representación
de una clase.
N = número de observaciones = 40
un
Bb
GU
N
ocurrencias
de
Número
28,5 29,0 29,5 30,0 30,5 31,0 31,5 32,0 32,5 33,0 33,5 34,0 34,5 35,0 35,5 36,0 36,5 37,0 37,5 38,0 38,5 39,0 395 40,0
Valores de los datos
FIGURA 2-2
Histograma de los datos de la tabla 2-2 con un intervalo
de clase de 0,5.
Una decisión relativa a la selección de clases e intervalos de clase no

siempre es fácilmente aparente. Como ejemplo, se consideran los datos
mostrados en la tabla 2-2.
En la figura 2-2 se muestra un histograma de estos datos. Las clases
en la figura 2-2 son 28,5; 29,0; 29,5; ...; 40, y los límites de clase son
28,25; 28,75; 29,25; ...; 40,25. La figura 2-2 no muestra claramente las
características significativas de los datos a causa del pequeño intervalo
de clase (0,5). Si se usan las clases 29,0; 30,5; 32,0; ...; 39,5, se obtiene
la figura 2-3 en la cual se presenta una descripción más clara de los datos.
AO)
9 N = número de observaciones = 40
3 ¿8
17)
La 7,
16
E
SA
E
803
Z 2
1
FIGURA 2-3 OPA Aoc A Qui

Histograma de los datos de la tabla ii a
2-2 con un intervalo de clase de 1,5. Valores de los datos
Separar los datos en menos clases equivale a considerarlos en forma

aproximada y el resultado es un cambio de la identidad de algunos de los
“datos originales, ya que los datos toman los valores de los puntos medios
de los intervalos de clase. Por consiguiente, la justificación para expresar
que la figura 2-3 describe más nítidamente los datos se basa en la supo-
sición de que los valores “perdidos” en el proceso de utilización de un
mayor intervalo de clase no son repetibles y por tanto no son representati-
vos de la distribución fundamental.
No hay un método óptimo para establecer las clases de un conjunto de
datos. Hay, sin embargo, ciertas reglas empíricas que pueden emplearse.
Una de tales reglas es que el número de intervalos de clase debe estar
entre 8 y 20.
30
25
20
15 N=30
de
Número
ocurrencias
10
0
A A SE AT A O)
Número de ventas por día
FIGURA 2-4
Distribución acumulativa de la frecuencia del número de
ventas por día.
Las clases deben tomarse de manera que concuerden con datos

reales. Esto tiende a reducir los errores cuando se determinan medias y
varianzas con base en la frecuencia de valores. Los límites de clase deben
seleccionarse de modo que no coincidan con los datos reales. De otra ma-
nera se pueden presentar problemas con respecto a la clase en la cual debe
colocarse un valor particular.
0,250
0,167 0,167
0,125
relativa
Frecuencia
A a E TO JS Ss.
Número de ventas
por día
FIGURA 2-5
Frecuencia relativa del número de ventas por día.
Se obtiene una distribución acumulativa de frecuenci¿s sumando el

número de sucesos de un intervalo de clase particular y el número de
ocurrencias en todos los intervalos de clase inferiores. Esto se muestra
en la figura 2-4, la cual indica, por ejemplo, que el número de veces que
las ventas por día fueron 24 o menos, fue 8.
Usualmente las distribuciones de frecuencias se convierten en distri-
buciones de frecuencias relativas. Esto se realiza dividiendo la frecuen-
cia de las ocurrencias de una clase particular por la frecuencia total de
todas las clases. Las figuras 2-5 y 2-6 muestran ejemplos de distribuciones
de frecuencias relativas, usando los datos dados en la tabla 2-1.
Las frecuencias relativas de ocurrencia a menudo se interpretan en
se
trabajos de JO como probabilidades de ocurrencias, siempre y cuando
estime que los datos antiguos puedan predecir adecuad amente las accio-
nes futuras. Por ejemplo, la probabilidad de que el número de ventas en
un día cualquiera sea 24 unidades es 0,167 (Figura 2-5), y la probabilidad
de que el número de ventas en un día cualquiera sea 27 o menos es 0,800
(Figura 2-6).
Otro uso de una distribución de frecuencias consiste en determinar
cuando se pueden aproximar los datos reales por medio de una distribu-
ial,
ción teórica de probabilidad, por ejemplo, normal, de Poisson, exponenc
facilita el análisis.
etc. El uso de una distribución teórica generalmente
Además del histograma, se usan otras medidas para describir un

volumen de datos. Dos medidas de este tipo son la tendencia central y la
dispersión.
Tendencia central
Tres medidas comunes de tendencia central son la media, la mediana y
la moda. La media (valor esperado, esperanza, o promedio) se define ma-
temáticamente por
ES DETA
Ms (Q-1)
n n
1,00
0,75
0,50
acumulative
relativa
Frecuencia
SA A A A e 20)
Número de ventas
por día
FIGURA 2-6
Frecuencia relativa acumulativa del número de ventas por día.
La media de los datos dados en la tabla 2-1 es
26.+28.+24
+ 13: 4:23...775
a
ESTADISTICA DESCRIPTIVA E8
La mediana es el valor intermedio de un conjunto de datos distribui-

la
dos en orden de magnitud. Para determinar la mediana de los datos de
tabla 2-1 el primer paso es organizar los datos en el siguiente orden:
22, 23, 23, 24, 24, 24, 24,24,..., 30
la
Ya que hay 30 valores, no hay un valor intermedio definido. Por tanto,
el quinceav o y el
mediana es el promedio de los dos valores intermedios,
en este caso. La mediana es (26+ 26)/2 = 26. Si se hu-
dieciseisavo
el valor
biera tenido un número impar de valores, la mediana habría sido
intermedio.
un conjunto
La moda es el valor que ocurre con mayor frecuencia en
La moda no
de datos. La moda de los datos dados en la tabla 2-1 es 26.
o de datos puede
necesariamente es única, ni tiene que existir. Un conjunt
tener más de una moda, o puede no tener ninguna.
Frecuencia
Valores
(a)
Moda
Mediana
Media
FIGURA 2-7 Frecuencia

Relación entre la media, la media-
na, y la moda para distribuciones
sesgadas. (a) sesgada a la dere-
cha (b) sesgada a la izquierda. (b) Valores
no son iguales. Sin embar-

En general, la media, la mediana y la moda
ica y decrece continuamente
go, si una distribución de frecuencia es simétr
normal, entonces la media,
a partir del centro, por ejemplo, la distribución
la mediana y la moda son iguales. Las relaciones aproximadas entre las

tres medidas de la tendencia central para distribuciones sesgadas se
indican en la figura 2-7.
Dispersión
Tres medidas de la dispersión son la amplitud, la desviación típica y la
varianza. Estas medidas describen el esparcimiento de un conjunto de
datos. La amplitud es simplemente la diferencia entre el mayor y menor
valor de los datos. Una desventaja de la amplitud es que no tiene en
cuenta la acumulación de los datos.
La medida de dispersión más usada es la varianza (o su raíz cuadra-
da, la desviación típica). La varianza básicamente mide el valor medio
de las desviaciones de la media al cuadrado. Matemáticamente, la varian-
za se define como
ep 10
n—1 al
En algunos textos el denominador de la ecuación (2-2) se remplaza

por n. Si se requiere la varianza de un conjunto de valores lo correcto es
usar n en el denominador, pero si los datos se utilizan como un estimativo
de la varianza de la población, el denominador debe ser n — 1. Ya que
esta es la situación usual en trabajos de JO, la ecuación (2-2) se usará
en este texto a menos que se indique lo contrario.
La varianza de los datos dados en la tabla 2-1 es
a?
(22 — 25,8)? + (23 — 25,8)? + (23 — 25,8)? + --- + (30 — 25,8)?
30 — 1
108,20
= 3,73
29
y la desviación típica es
d= V3,13 = 1,93
PROBABILIDADES
Las probabilidades proporcionan un medio para expresar matemática-
mente el grado de seguridad o duda de un suceso al azar. La probabilidad
de un suceso varía desde O hasta 1. Un suceso con probabilidad 0 cierta-
mente no ocurre; un suceso con probabilidad 1 ciertamente ocurre.
PROBABILIDADES 15
Combinaciones y permutaciones
Para la solución de muchos problemas de probabilidades, es necesario co-
nocer cuántos conjuntos diferentes de r objetos se pueden seleccionar
a partir de n objetos o cuántos conjuntos ordenados de r objetos pueden
seleccionarse a partir de n objetos. La primera cuestión es un problema
de combinación y la segunda un problema de permutación. Por ejemplo,
se considera el caso de un lápiz azul, uno rojo y uno verde. ¿Cuántas
combinaciones diferentes de dos colores son posibles a partir de los de
los tres lápices? Las diferentes combinaciones son rojo-verde, verde-azul,
y azul-rojo; un total de tres combinaciones. Debe notarse que la respues-
ta puede ser la misma si las combinaciones se designan como verde-rojo,
azul-verde, y rojo-azul ya que en combinaciones la ordenación de un con-
junto no es importante. Matemáticamente, el número de combinaciones es
cr n!
er
n! se lee “n factorial” y es igual a (n)(n — 1)(n — 2) --- (1). Por
donde
0! =1. C,” es el número de combinaciones de n objetos
definición
IF ds por
tomando r al tiempo. En el problema de los lápices n =
tanto
3! 3!
as_o 'P
Ús a o
AR TA
C
están relacionadas con el orden (arreglo) de con-

Las permutaciones
tos ordenados diferentes.
juntos. En el ejemplo del lápiz hay seis conjun
ntes para n objetos toma-
Matemáticamente, el número de arreglos difere
dos de r al tiempo es
n!
¡q Al (Q-4)
En el problema del lápiz, la ecuación (2-4) da
pS
; OA
AAA
2 (G-2)
y permutaciones es
Un método para distinguir entre combinaciones
los n objetos se colocan
recordar que cuando se trata con permutaciones
maneras de efectuar esto.
en r celdas y se desea encontrar las diferentes
“diferente” sea entendido
Es importante que el significado de la palabra
el número de placas de
completamente. Por ejemplo, si se desea encontrar
formar si los dígitos usados son
seis dígitos diferentes que se pueden
colocar los dígitos de 0 a 9.
0, 1, 2, ..., 9, se tienen seis celdas para
Si se requiere colocar un dígito diferente en cada celda para cada arreglo,

la solución es
10!
p A0=
= 151.200
de (Qe 61
Sin embargo, si la repetición de cifras se permite, la solución es 10*.

Esto es, hay 10 formas de colocar una cifra en la primera celda, 10 formas
de colocar una cifra en la segunda celda, etc. Por tanto, hay que saber
si se permiten repeticiones en un problema de permutación. En ciertos
tipos de problemas de permutación no es necesario establecer que no se
permiten repeticiones, a causa de la naturaleza de los objetos que se con-
sideran. Por ejemplo, el problema de determinar el número de formas
diferentes en que nueve personas se pueden sentar en una banca si sólo
cinco personas pueden sentarse al tiempo en la banca: obviamente, una
persona no puede estar en dos asientos simultáneamente, lo cual implica
que no se permiten repeticiones. Por tanto la solución es
9!
PASEA
Y 15.120
Teoremas de probabilidad
En esta sección se repasan cinco teoremas básicos de probabilidad.
Teorema 2-1 Si A y B son dos sucesos independientes con pro-
babilidades P(A) y P(B), entonces la probabilidad de que ambos su-
cesos ocurran es
PA y B)=[P(MIP(B)] Q5S //
Teorema 2-2 Si A y B son dos sucesos dependientes, la probabi-
lidad de que ambos sucesos ocurran es la probabilidad del primero
multiplicada por la probabilidad de que si el primero: ha ocurrido, el
segundo también ocurrirá
P(A y B)=[P(NIP(B|4)] (Q-6)
donde P(B|A) es la probabilidad de B dado que A ha ocurrido. eb
Como ejemplo de las ecuaciones (2-5) y (2-6), se considera una urna

con seis bolas negras y cuatro blancas. Se supone que dos bolas se extraen
de la urna. ¿Cuál es la probabilidad de que ambas sean negras? Si las
bolas se extraen una a una y la primera se remplaza en la urna antes de
haber extraído la segunda, entonces los sucesos de extraer una bola negra
PROBABILIDADES 17
en la primera acción y una bola negra en la segunda acción son indepen-

dientes. Por consiguiente, la ecuación (2-5) es aplicable.
P(negra y negra) = 15(%5) = 105 = 25

Si la primera bola no se remplaza, los sucesos son dependientes y la ecua-
ción (2-6) da la solución
P(negra y negra) =19(5)
=30 =3
Teorema 2-3 Si dos sucesos independientes pueden ocurrir si-
multáneamente, la probabilidad de que uno u otro A o B o ambos A
y B ocurran es
P[AO0B o (A y B)] = P(4) + P(B) — [PIMIIPBNI QDD /Y/

Como ejemplo, se supone que la probabilidad de que llueva P(A) es
0,5 y la probabilidad de que nieve P(B) es 0,6. ¿Cuál es la probabilidad
de que llueva, nieve o ambas cosas? Ya que es posible que llueva y nieve
simultáneamente, la respuesta es
P[Ao0Bo (A y B)] = 0,5+ 0,6— 0,5 (0,6) = 0,8
Teorema 2-4 Si dos sucesos son mutuamente excluyentes, así

que cuando uno ocurre el otro no puede ocurrir, la probabilidad de que
A o B ocurra es
P(A O B) =P(4) + P(B) (2-8) LA
La ecuación (2-8) se obtiene a partir de la ecuación (2-7) ya que el

término ([P(A)J[P(B)] es cero si los sucesos son mutuamente ex-
cluyentes.
Una uma tiene ocho bolas azules, cuatro rojas, y tres blancas. Si se
extrae una bola, ¿cuál es la probabilidad de que la bola sea azul o roja?
En este problema los sucesos son mutuamente excluyentes. Por tanto,
según la ecuación (2-8), la solución es
Teorema 2-5 Si dos sucesos son complementarios y además mu-

tuamente excluyent es, esto es, si A no ocurre, B debe ocurrir y vice-
versa, entonces la suma de los dos sucesos €s 1:
PA +P(B)=1 (09) 117

o una roja,
En el ejemplo del teorema 2-4 si no se extrae una bola azul
la bola extraída debe ser blanca. La probabilidad de extraer
entonces
una bola blanca es +;. Por tanto, la probabilidad de que la bola sea azul,
roja, O blanca es
42
+ $%= 1,0
Este teorema se usa frecuentemente para calcular la probabilidad de un

suceso calculando la probabilidad de que no ocurra y restándolo de 1. En
algunos tipos de problemas de probabilidades, este enfoque facilita el
cálculo.
Las dos frases claves en la aplicación de los anteriores teoremas de
probabilidades son “sucesos independientes” y “sucesos mutuamente
excluyentes”. Los sucesos son independientes, en sentido probabilístico,
cuando la ocurrencia del suceso A en ninguna forma añade algo a nues-
tro conocimiento de la ocurrencia o no ocurrencia del suceso B. Los su-
cesos son mutuamente excluyentes si la ocurrencia del suceso A hace
imposible la ocurrencia simultánea del suceso B.
DISTRIBUCIONES DE PROBABILIDAD
En esta sección se repasan algunas distribuciones frecuentes de proba-
bilidad. Una distribución de probabilidad asigna una probabilidad a cada
valor posible de una variable aleatoria.
Distribución hipergeométrica
La distribución hipergeométrica es la distribución de probabilidad discreta
básica. Es aplicable al caso de muestreo sin remplazo. Consideremos una
colección de N artículos, D tienen una determinada propiedad, y el resto,
N — D, no tienen esta propiedad. Si una muestra de n artículos se saca
sin remplazo, entonces la probabilidad de exactamente r sucesos en la
muestra n es
N-DprD
P(r)= Er (2-10)
Como ejemplo, una bolsa contiene 20 bolas; 15 son rojas, y 5 son blan-
cas. Si se extraen 3 bolas al tiempo (o una a una sin remplazo), ¿cuál es
la probabilidad de que exactamente 2 bolas sean rojas? Si las bolas rojas
se consideran como aquellos artículos que tienen una cierta propiedad
(ser rojas), entonces D = 15 y la solución es
E u 20180 15 Ce 15 35
P(r =2)= 222 == 2
€ Gl 76
DISTRIBUCIONES DE PROBABILIDAD 19
Si'se remplaza, esto es, se extrae una bola, se observa su color, y entonces
se remplaza, y esto se hace 3 veces, entonces la probabilidad de tener
2 bolas rojas de 3 que se sacan es
Pír.r.w) +P(r,w,r) + P(w.,r.r)
00) +00 +00) =H

En este caso la probabilidad de un evento (sacar una bola roja) es cons-
tante (2). Por consiguiente, la distribución binomial (que se discute a
continuación) puede usarse para resolver este caso.
Distribución binomial
La distribución binomial es una distribución discreta descrita por la
relación
donde PO =CIpg"" Q-11)
P(r) = probabilidad de exactamente r sucesos en n ensayos finitos €

independientes
p probabilidad de evento en un ensayo
q 1 — p = probabilidad de que el suceso no ocurra
Para que teóricamente sea correcto el uso de ésta distribución, p debe
ser constante. Esta condición se puede satisfacer por muestreo a partir de
un universo infinito o remplazando en el universo cada unidad muestreada.
La media y la varianza de la distribución binomial son np y npq
respectivamente.
Como ejemplo, se considera el caso mencionado en la discusión de la
distribución hipergeométrica, donde la bola fue remplazada después de
cada ensayo. En este caso la probabilidad de extraer una bola roja en
un ensayo es constante:
P=H=i
ha o
(53 un
bolas
Por tanto, usando la ecuación (2-11), la probabilidad de extraer dos
rojas de tres que se extraen es
Pr=2=C0'0) =
Como otro ejemplo, se considera una situación de manufacturación

donde la probabilidad de que un artículo sea defectuoso es 0,05. Si se toma
una muestra de 10 artículos, la probabilidad de tener menos de tres

artículos defectuosos en la muestra es
P(r < 3) =P(r =0) + P(r= 1) + P(r =2)
Por tanto,
P(r< 3) = Co'%(0,05)0 (0,95)10 + C,1%(0,05)1 (0,95)? + C2** (0,05)? (0,95)*

y = (0,988
Distribución de Poisson
La distribución de Poisson es una distribución discreta usada en situa-
ciones probabilísticas donde el área de oportunidad para la ocurrencia de
un evento es grande pero la probabilidad de una ocurrencia en un inter-
valo particular o en un punto particular es muy pequeña. Algunos ejemplos
tradicionales de situaciones prácticas donde la distribución de Poisson
se considera aplicable son: el número de defectos en una determinada
longitud de un alambre aislado, los errores de impresión cometidos por
una secretaria recargada de trabajo, las imperfecciones de una placa de
vidrio, accidentes industriales, y llegadas en modelos de colas.
En cada uno de esos ejemplos el área de oportunidad se considera
grande pero la probabilidad de una ocurrencia en un punto se considera
pequeña. Matemáticamente, la probabilidad de exactamente r ocurrencias
de un evento, usando una distribución de Poisson, es
P(r) (eyes (mpye” O<r<B (Q-12)

APO AE
donde c' es la media e igual a np. La varianza es también c' o np.
Como ejemplo, se considera un proceso de manufactura que pro-
duce láminas de vidrio donde el número promedio de defectos por lámina
de vidrio es 5 (c' = 5). La probabilidad de que una lámina de vidrio tenga
exactamente 6 defectos es
5 655
P(r =6)= = 0,146
6!
Las tablas presentadas en el Apéndice A para evaluar probabilida-
des de Poisson dan la probabilidad de r ocurrencias o menos (en el Apén-
dice Á se utiliza la letra c en lugar de r). Para resolver este ejemplo, los
siguientes valores se obtienen del apéndice A:
P(r < 6) = 0,762
P(r < 5) = 0,616
Por tanto, la probabilidad de seis defectos es
P(r = 6) = 0,762 — 0,616 = 0,146

Bajo ciertas circunstancias que se discutirán más tarde en este capí-

tulo, la distribución de Poisson se puede usar para aproximar la distri-
bución binomial.
Por ejemplo, en la discusión de la distribución binomial la probabili-
dad de tener menos de tres artículos defectuosos en una muestra de 10
fue 0,988 cuando la probabilidad de que un artículo fuera defectuoso era
0,05. Si se usa una aproximación de Poisson en este ejemplo, el resultado es
np = 10(0,05) = 0,5
r=2
P(r < 2) = 0,986
Distribución normal
Una de las más usadas es la distribución normal, algunas veces lla-
mada distribución gaussiana, curva normal, o distribución en forma de
campana. La distribución normal es continua y simétrica con respecto a
la media y se extiende desde — « hasta +=. Matemáticamente, la fun-
ción densidad de probabilidad (FDP) de la distribución normal está
definida por
1 2/202 (2-13)
A f0)= een _oa<x<owo
/2n0
donde r = 3,141 ---
e= 2,172 ---
uy = media
o = desviación típica
La probabilidad de que una variable aleatoria distribuida normal-
mente sea igual o menor que a es el área bajo la curva normal desde — w
hasta a, como se indica en la figura 2-8. Matemáticamente, esta probabili-
dad está dada por
Pasa =| : E de (Q-14)
Y - a /2n0
Análogamente, la probabilidad de que una variable aleatoria distribuida

normalmente sea mayor que a es
A
P(x> a) =1-Pl+<a)=f 4 es 120 dy (2-15)
a /2n0
Ya que la integración implicada en las ecuaciones (2-14) y (2-15) no

puede hacerse directamente, se usan tablas para determinar las áreas
FIGURA 2-8
Distribución normal o ar +oo
bajo la curva normal. En el apéndice B se presenta un conjunto de estas

tablas que tienen como base una media de O y una desviación típica de 1,
la cual usualmente se denomina forma típica de la distribución normal.
Ya que, en muchos casos, la media no será 0 ni la desviación típica 1, se
debe hacer una trasformación. Esta se lleva a cabo mediante la relación
(llamada variación normal típica).
(2-16)
Por ejemplo, una distribución normal tiene una media de 20 y una

desviación típica de 8. Se requiere determinar la probabilidad de que un
valor sea menor que 14. La fórmula de la variación normal da
ZN
= —0,75
8
Por tanto, a = 0,2266.
El valor a = 0,2266 también se interpreta como la proporción de
valores menores que 14.
Distribuciones rectangulares
La distribución rectangular (uniforme) puede ser discreta o continua. Se
aplica a situaciones donde las probabilidades de todos los sucesos son
iguales.
En el caso continuo, la (FDP) es
10=3=l a<xs<Sb (2-17)
Esta situación se indica en la figura 2-9. La media y la varianza de la

distribución uniforme continua son (a+ b)/2 y (b-— a)2/12 respecti-
vamente.
En el caso discreto la (FDP) es
l
O para x=a,a+1,4a+2,...,a+(n-1),a+n
fx)
FIGURA 2-9
Distribución rectangular.
La media y la varianza son

E()=a+ > (2-18)
2 _ Mn +2)
(2-19)
Sp Y
Como ejemplo del caso discreto se considera una variable aleatoria
que puede tener sólo los valores 3, 4, 5, 6 y 7. En este ejemplo a = 3 y
n = 4. Por tanto la media es
El) =3+3=5
y la varianza es
2 BEN
12 ,
La probabilidad de que una variable aleatoria tenga un valor particular

es la misma para todos los valores. En este ejemplo, la probabilidad es
1 1
A
Distribución exponencial
La distribución exponencial es una distribución continua que a menudo
se usa en investigación operacional y en estudios de fiabilidad. La FDP
de la distribución exponencial está dada por
fx) = -er Q<x<wo (2)
Esta forma de distribución exponencial se denomina más específicamente

como distribución exponencial negativa y en esta forma se usa frecuente-
mente para describir tiempos de servicio en modelos de colas. Si la ecua-
ción (2-20) se integra entre 0 y x el resultado es la función de distribu-

+ ción acumulativa, FDA, que es
FDA=F()=1-e""%* (221)
La media y la desviación típica de la distribución exponencial son
ambas . ¿
Como ejemplo, se supone que el tiempo medio de servicio de una uni-
dad es 2 horas y necesitamos determinar la probabilidad de un tiempo
de servicio menor que 3 horas. Usando la ecuación (2-21) tenemos ?
Px<5)=1-e*%=]-e!15 =0,777
APROXIMACIONES
Bajo ciertas condiciones los problemas de probabilidad se pueden resolver
aproximando la distribución teóricamente correcta a otra distribución. Por
ejemplo, se toma una muestra de 5 artículos, sin remplazo, de un lote de
100 artículos que tiene 10 artículos defectuosos. La probabilidad de exac-
tamente 2 artículos defectuosos es
Es OA E 10
= E
P(r=2)= = 0,0702
Cs
+ 100
Esta respdesta se basa en una distribución hipergeométrita y es la res-

puesta teóricamente correcta. Es posible obtener una solución aproximada
al mismo problema usando una distribución binomial. Para propósitos de
aproximación, la probabilidad de un suceso (probabilidad de sacar un
, ' . á
artículo defectuoso en una prueba) se considera constante e igual a
10
P =100 = 0,10
Entonces, una aproximación binomial, da
P(r = 2) = C25 (0,1)? (0,9)2 = 0,0729
El mismo problema puede aproximarse usando una distribución de

Poisson:
np = 5(0,1) = 0,5
c=2
P(r < 2) = 0,986
np = 5(0,1) = 0,5
ci=1
ES ="0.910
P(r = 2) = 0,986 -- 0,910 = 0,0760
ALGUNOS TEOREMAS PARA VARIABLES ALEATORIAS 20
También es posible una aproximación normal, pero ya que la aproxi-

mación normal es una distribución continua, se debe hacer un ajuste, El
ajuste usual es considerar el área bajo la curva normal desde 1,5+hasta
2,5 como un estimativo de la probabilidad de exactamente dos artículos
defectuosos. El área desde — w hasta 1,5 es
db 500,1)
ono)
a = 0,9319
y el área desde — «w hasta 2,5 es
_ 25-— 5(0,1) -
e o
a = 0,9986
Por tanto, una aproximación normal es

P(r = 2) = 0,9986 — 0,9319 = 0,0667
defectuosos en
Si se requiere la probabilidad de tener dos o más artículos
la muestra, la respuesta es 1 — 0,9319 = 0,0681 usando una aproximación
o menos artículos
normal. Si se requiere la probabilidad de tener dos
defectuosos, la respuesta es 0,9986.
satisfac-
La pregunta que ahora surge es: ¿Bajo qué condiciones son
La respuesta a esta pregunta se resume en
torias las aproximaciones?
los siguientes enunciados.
por la dis-
1 La distribución hipergeométrica puede ser aproximada
univers o es relati vament e grande con
tribución binomial si el
respecto al tamaño de la muestr a.
aproximar por
2 La distribución binomial o hipergeométrica se puede
muestr a es grande , p es pequeño, y
la de Poisson si el tamaño de la
np < 5.
se pueden aproxi-
3 Las distribuciones binomial o hipergeométrica
o el tamañ o de la muestra es
mar por la normal si p es próximo a 0,5
grande (n > 50) y 0,20 < p < 0,80.
es a partir de estas condi-
Obviamente, entre mayores sean las desviacion
ciones, mayor es el error en la aproximación.
TEOREMAS PARA VARIABLES ALEATORIAS

ALGUNOS
rias son muy útiles
Los siguientes teoremas básicos para variables aleato
en investigación operacional.
Teorema 2-6 El valor esperado de una suma de variables aleato-

rias uy es la suma de los valores esperados individuales. Matemá-
ticamente, este teorema se expresa como
EU +X + +) ==) 2 (2-22)
¡=1
donde xi, x2, ..., xn son las variables aleatorias y u, es la media
de la ¡-ésima variable aleatoria. LE
Este teorema es verdadero para variables aleatorias dependientes e

independientes.
Teorema 2-7 La varianza de una suma de variables aleatorias,
ay? es
n n= 1 n
Va +x +0 +x)=0*=Yo02+2Y Y 0; (Q-23)
¡=1 ci=1 j=i+1
donde ;? es la varianza de la ¡-ésima variable aleatoria y o,, son

los términos de la covarianza. INV
Como ejemplo del desarrollo de la ecuación (2-23), la varianza de
cuatro variables aleatorias es
CE = o She a ar 07 5 Os + 261, Y 26,3 Se 26,4 ar 20,3 + 2024 =7 2034
Los términos de la covarianza se pueden expresar así

Cov (X;, xj) = 0¡¡= E(x¡x;) — E(x)E(x;) (Q-24)
y frecuentemente se remplazan por

0;¡¡=Y;¡¡0,0; (Q-25)
donde r,, es el coeficiente de correlación de las variables aleatorias x, y

xj. Los términos de la covarianza son O si las variables aleatorias son
independientes.
Teorema 2-8 Si una variable aleatoria x con media u, se multi-

plica por una constante k, resulta una variable aleatoria y = kx, y
la media u, de y es
1 =ku, (2-26) 1
Teorema 2-9 Si una variable aleatoria x con varianza de u,? se
multiplica por una constante k, para dar la variable aleatoria y = kx,
entonces la varianza «,? de y es
imitador mem) 7
ALGUNOS TEOREMAS PARA VARIABLES ALEATORIAS 27
En general, los teoremas anteriores solamente proporcionan una res-

puesta para la media y la varianza de variables aleatorias. Estos no dan
ninguna información acerca de la distribución de probabilidad resultante
de una variable aleatoria. Para responder esta pregunta, es necesario uti-
lizar algunos conceptos de estadística que están fuera del alcance de
este libro. Sin embargo, se puede determinar en ciertos casos, la distri-
bución de probabilidad resultante de la suma de variables aleatorias. Por
ejemplo, si se suman variables aleatorias independientes distribuidas
normalmente, la suma está distribuida normalmente. Enunciados simi-
lares son también correctos para las distribuciones binomial, chi-cuadrado
y de Poisson. Además de estos enunciados, el teorema del límite central
también da algún conocimiento acerca de la distribución resultante de la
suma de variables aleatorias.
Teorema del límite central

El teorema del límite central tiene una considerable importancia teórica
y práctica. Expresa que la distribución de la suma de variables aleato-
y
rias independientes, idénticamente distribuidas, cada una con media
ión normal cuando el número
varianza finitas, se aproxima a la distribuc
de variables tiende a infinito. La condición de que las variables aleatorias
no
estén idénticamente distribuidas no es esencial siempre y cuando
que predomin en en la
hayan unas pocas variables aleatorias particulares
de variables aleatorias
suma. Esto implica que la suma de un gran número
distribución
será aproximadamente normal, independientemente de la
de cada variable aleatoria en particular.
el siguiente
Como ejemplo del uso de estos teoremas, se considera
cierto producto
problema. Se ha encontrado que la venta mensual de un
s y una des-
está normalmente distribuida con una media de 1.000 unidade
ución de ventas
viación típica de 120 unidades. Suponiendo que la distrib
la probabi li-
para cada mes es la misma pero independiente, determinar
unidades. De los
dad de que las ventas anuales sean menores que 12.600
teoremas 2-6 y 2-7 las ventas anuales esperadas son
12
u»= Y n, = 12(1.000) = 12.000
i=t
y la varianza es
12
of =MANa 12(120)? = 172.800
i=1
Por tanto, la probab ilidad de una deman da anual menor que 12.600 uni-
dades es an 12.600 — 12.000 _ 600 LAS
o / 104:800 415
a = 0,9265
Puede suponerse que el precio de venta de una unidad es $200 y que

se desea determinar la probabilidad de un ingreso mensual menor que
' $180.00. Usando los teoremas 2-8 y 2-9, se encuentra que el ingreso men-
sual esperado y la varianza son
uh = 200(1.000) = $200.000
0? = 200? (120)? = 576 x 10€
La probabilidad de un ingreso mensual menor que $180.000 es
180.000 — 200.000 _— 20.000 —

— 0,83
576 x 10% 24.000
a = 0,2033
REFERENCIAS
1 Aigner, D. J.: “Principles of Statistical Decision Making,” The Macmillan
Company, Nueva York, 1968.
2 Hahn, G. J., y S. S. Shapiro: “Statistical Models in Engineering,” John Wiley
€ Sons, Inc., Nueva York, 1967.
3 Lindgren, B. W., y G. W. Mcelrath: “Probability and Statistics,” The Macmillan
4 Mosteller, F., R. E. K. Rourke, y G. B. Thomas: “Probability with Statistical
Applications,” Addison-Wesley Publishing Company Inc., Reading, Mass., 1961.
5 Schlaifer, R., “Probability and Statistics for Business Decisions,” McGraw-Hill
Book Company, Nueva York, 1959.
PROBLEMAS
2-1 Los datos tabulados muestran el peso en libras de una muestra de 42 artículos
manufacturados por una compañía.
(a) Dibujar un histograma de los datos utilizando un intervalo de clase de
0,3; usar 7,25 como punto medio del primer intervalo de clase.
(b) Dibujar la distribución de frecuencia relativa de los datos.
(c) Dibujar la distribución de frecuencia acumulativa relativa de los datos.
(d) Calcular el promedio y la desviación típica de la muestra.
DATOS
1,29: am lacada nas laa 748

HITA 2132 1.728. 1 TA O E TAS
TIC DMA a AA AS
730 HH ñas. amas | 7,34] 740. | 740 1 7.27
TOD 742 Y TALA OA
EN A ON a 7 O O O
A
| A>—>><>
PROBLEMAS 29
2-2 ¿Cuáles son la mediana y la moda de los datos dados en el problema 2-1?
2-3 Usando los resultados del problema 2-1, responder las siguientes preguntas:
(a) ¿Cuál es la probabilidad de que el peso de un artículo sea 7,30?
(b) ¿Cuál es la probabilidad de que el peso de un artículo sea 7,35 o menor?
(c) ¿Cuál es la probabilidad de que el peso de un artículo sea 7,36 o mayor?
2-4 Calcular lo siguiente:
(a) C2f (b) Po
ted Bat (1d) Cs
(e) Si Py” = 5.040, determinar Cs". (f) Si C4” = 70, determinar P+4”.
2-5 Determinar si cada uno de los siguientes problemas es de combinación o
de permutación y resolverlo.
en un
(a) ¿En cuántas formas diferentes se pueden colocar siete libros
estante si sólo hay espacio para cinco libros?
de cinco per-
(b) ¿De cuántas maneras se puede formar un comité diferente
sonas con diez personas disponib les?
de un juego
(c) ¿Cuántas manos diferentes de 13 cartas se pueden repartir
de 52 cartas diferentes?
tres demócratas y
(d) ¿De cuántas maneras puede formarse un comité de
grupo de siete demócra tas y seis repu-
dos republicanos a partir de un
blicanos? '
los dígitos 5, 8, 3, 6 uti-
2-6 ¿Cuántas sumas diferentes se pueden formar con
tiempo?
lizando cualquier número de estos dígitos al mismo
seis libros. Hay cinco libros
2-7 Un estante para libros tiene espacio para colocar
libros diferent es de inglés. Si se colocan
diferentes de matemáticas y seis
de matemá ticas y tres de inglés, cuántos arreglos
en el estante tres libros
se mantie nen todos los libros de matemá ticas y de ¡inglés
son posibles si
juntos?
seguidas: ¿cuántos símbolos di-
2-8 Se puede formar un símbolo con tres letras
c, d, e, f, si:
ferentes se pueden formar usando las letras a, b,
repetir una letra en un mismo símbolo?
(a) No se permite
(b) Se pueden repetir las letras?
el número de trayectorias
2-9 Considerar la red mostrada en la figura, determinar
punto B, siendo cada trayectoria de la
que hay desde el punto A hasta el
menor longitud posible.
PROB. 2-9 A
y B. Si cualquiera de las dos partes

2-10 Una máquina consta de dos partes A
de que la parte A falle es 0,2 y la
falla, la máquina falla. Si la probabilidad
probabilidad de que la parte B falle es 0,3:
máquina falle?
(a) ¿Cuál es la probabilidad de que la
(b) ¿Cuál es la probabilidad de que la máquina falle debido a la falla de la
parte A solamente? ¿y de B solamente?
(c) ¿Cuál es la probabilidad de que la máquina falle, debido a la falla de

cualquiera de las dos partes?
(d) ¿Cuál es la probabilidad de que las dos partes fallen al mismo tiempo?
9. 11 Dos bolsas contienen la distribución de bolas indicada.
Saco 1 Saco 2
10 negras 7 negras
6 blancas 4 anaranjadas
3 blancas
(a) Si se extraen dos bolas de la bolsa 2, ¿cuál es la probabilidad de que la

primera sea negra y la segunda anaranjada?
(b) Si se extrae una bola de cada bolsa, ¿cuál es la probabilidad que de las
dos bolas sea una negra y la otra blanca?
(c) Si se extraen dos bolas de cada bolsa, ¿cuál es la probabilidad que de
las cuatro bolas, tres sean negras y una blanca?
Suponer que una de las bolsas del problema 2-11, se selecciona al azar y se
extraen dos bolas de esta bolsa. ¿Cuál es la probabilidad de que ambas
bolas sean blancas?
-13 En una prueba de selección múltiple, cada pregunta se debe responder esco-
giendo una de cuatro respuestas diferentes propuestas; y solamente una de
ellas es correcta. Si hay 10 preguntas en la prueba, cuál es la probabilidad de:
(a) Obtener una calificación de exactamente 60% por simple conjetura.
(b) Obtener una calificación de por lo menos el 60% por simple conjetura.
(c) Obtener una calificación menor que el 60% por simple conjetura.
ade Si una variable aleatoria está normalmente distribuida con una media de
4,63 y una desviación típica de 0,86, determinar:
(a) La probabilidad de que tenga un valor de 3,52 ó menor.
(b) La probabilidad de que tenga un valor de 4,50 ó mayor.
(c) La probabilidad de que tenga un valor comprendido entre 3,52 y 4,50.
(d) Si se consideran 500 valores de la variable, ¿cuántos esperaría que se
encuentren entre 4,63 y 4,80?
tu ' El número de unidades de un artículo vendidas en un día, está normal-
mente distribuida con una media de 120 unidades y una desviación típica
de 16 unidades. ¿Cuántas unidades se deben tener al empezar el día para
que la probabilidad de tener un déficit de artículos (unidades no disponibles
para la venta) sea 0,10?
-16 Si una variable aleatoria tiene una distribución de Poisson con una media
de 5,2 determinar:
(a) La probabilidad de que la variable aleatoria tenga un valor de 4 ó menor.
(b) La probabilidad de que la variable aleatoria tenga un valor de 5 exac-
tamente.
(c) La probabilidad de que la variable aleatoria tenga un valor mayor que 6.
(d) La desviación típica de esta variable aleatoria.
2-17 Una bolsa contiene un total de 100 bolas. Si 10 bolas son negras y las otras
90 son blancas y se extrae una muestra de 15 bolas, determinar:
PROBLEMAS 31
(a) La probabilidad de una ó dos bolas negras en la muestra, utilizando una

distribución hipergeométrica.
(b) Repetir la parte (a) usando una aproximación binomial.
(c) Repetir la parte (a) usando una aproximación de Poisson.
(d) Repetir la parte (a) usando una aproximación normal.
2-18 Si una variable aleatoria está distribuida exponencialmente con una media
de 4, determinar:
(a) La varianza de la variable aleatoria.
(b) La probabilidad de que tenga un valor de 4 ó menor.
(c) La probabilidad de que tenga un valor mayor que 6.
2-19 Ajustar las ecuaciones (2-18) y (2-19) para que se puedan utilizar en el caso
de que x=a,a+k,a+2k,a+3k,...,a+ (n — 1)k, a + nk donde k es el
intervalo de clase con base en los resultados obtenidos, ¿cuál es la media
para 20, 25, 30, 35, 40, 45, 50?
2-20 En la siguiente tabla se presenta la distribución de dos variables aleatorias
x y y. Utilizar estos datos para resolver los siguientes problemas:
Variable aleatoria x |Variable aleatoria y
30 5
20 17
20 11
10 14
40 20
30 14
SO 8
30 8
40 14
10 21
40 11
(a) Utilizando la variable aleatoria x y una constante de 5, demostrar que

las ecuaciones (2-26) y (2-27) son correctas.
(b) Demostrar que las ecuaciones (2-22) y (2-23) son correctas. (Se observa
que estas variables no son necesariamente independientes.)
(b).
(c) Invertir la variable aleatoria y para 11, 21, 14, ..., 5 y repetir la parte
(d) Explicar cualquier diferencia encontrada en los resultados de las partes
(b) y (c).
estos tres ar-
2-21 Una compañíu vende productos A, B y C. Las demandas de
son independ ientes y están normalme nte distribui das con las medias
tículos
y desviaciones típicas que se tabulan a continu ación:
NE Y T AO O E AOS
Desviación típica,
Producto |Media unidades /año| unidades/año
A 10.000 2.000
B 20.000 4.000
€ 15.000 3.000
A
A A
A A A
(a) ¿Cuál es la probabilidad de que la demanda de todos los tres productos

sea mayor que 50.000 unidades por año?
(b) Si el precio de venta de 1 unidad del producto A es $60, ¿cuál es la pro-
babilidad de que el ingreso por la venta del producto A sea menor que
$450.000 por año?
(c) Si los precios de venta de los productos A, B y C son respectivamente
$60, $50, y $20 por unidad, ¿cuál es la probabilidad de que los ingresos
anuales por la venta de todos los tres productos sean menores que
$2.200.000? :
3
APLICACION DEL ALGEBRA MATRICIAL
A SISTEMAS DE ECUACIONES LINEALES
INTRODUCCION
a matricial a sistemas
En este capítulo se estudia la aplicación del álgebr
e en cuanto a la utilización de este
de ecuaciones lineales, especialment
progra mación lineal y cadenas de
concepto en temas de JO tales como
ente o se omiten los con-
Markov. Por tanto, se consideran superficialm
con mayor frecuencia en otros
ceptos del álgebra lineal que se aplican
La discusión de estos temas puede encon-
campos de las matemáticas.
los sistemas de ecuaciones li-
trarse en las referencias. Con respecto a
adecuada para manejar gran
neales, el álgebra matricial es una forma
operaciones de suma, resta,
cantidad de datos y efectuar rápidamente
división. Estas operaciones que
multiplicación, y (en un sentido amplio)
de ecuaciones lineales cons-
pueden emplearse para resolver conjuntos
tituyen el álgebra matricial.
FISICO DE LOS VECTORES Y MATRICES

CONCEPTO
los datos en forma condensada.
Las matrices y los vectores presentan a
el administrador de una planta tabul
Como ejemplo puede suponerse que produ cto:
car 1 unidad de un
los materiales requeridos para fabri
34 APLICACION DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
Acero = 5 lb
Producto A < Piezas fundidas 10 lb
Pernos != 30 unidades
Estos datos pueden presentarse en una forma más condensada agrupán-

dolos y omitiendo las unidades
Acero [ 5
Piezas fundidas | 10
Pernos |30
Esta forma de presentar los datos se denomina vector (realmente vector

columna ya que tiene la forma de una columna). Este vector columna
es un vector 3X 1 ya que tiene 3 filas (datos elementales) y solamente
1 columna. En esta forma se expresan todos los vectores y matrices,
filas x columnas. Si la clase de material se representa mediante y,, es
decir, y, = acero, y2 = piezas fundidas, y y3 = pernos, y si la canti-
dad necesaria de cada uno se representa por b,, donde b,= 5, b2= 10
y b3= 30, el ejemplo se convierte en
Y by
Y2 | = | 0,
Y3 b,
Puede suponerse que la planta fabrica cuatro productos, A, B, C, D y cada

uno requiere diferentes cantidades de estos tres materiales. El adminis-
trador de la planta tabula los requerimientos de acero de cada producto.
Acero requerido| 5 lb 7 1b 10 lb 3 lb
Estos datos pueden expresarse en forma de vector fila.
Acero requerido = [5 7 10 3]
Este es un vector fila 1 Xx 4 ya que es una sola fila que tiene 4 elementos,
o columnas.
Ordenando en forma de tabla los requerimientos de material de todos
los productos, el resultado es una matriz 3 Xx 4, o sea, una matriz de 3
-filas y 4 columnas.
Acero Sis IS
Piezas fundidas |l0 9 12 5
Pernos 30 22 40 15
En forma condensada esto se convierte en

OPERACIONES MATRICIALES 35
Sido drid
requerimientos/unidad = | 10 9 12 5
30 221 40 15
Los vectores se consideran como una clase especial de matriz. Así,

un vector fila simplemente es una matriz 1X n que tiene una fila y n
columnas. Un vector columna es una matriz m X 1 que tiene m filas y
1 columna. Una matriz que tiene m filas y n columnas se denomina
matriz m X n.
EJEMPLO 3-1 [2 6 3 9 4 5] es un vector fila de seis compo-

nentes, o una matriz 1 Xx 6.
es un vector columna o una matriz 4 X 1
uu
NU
NT 0-14 =7 3
Ss 1450 1 2l| es una matriz 3 Xx 5.
> E 4 06
Por tanto la
El tamaño de un vector o matriz se indica por su orden.
tamaño se
última matriz del ejemplo 3-1 es de orden 3X 5. El orden o
de columnas.
indica anotando primero el número de filas y luego el número
Orden = filas x columnas
Una matriz
Una matriz cuadrada tiene tantas filas como columnas.
as es de n-ésimo orden.
cuadrada que tiene n filas y n column
representar
Las matrices y vectores son una forma conveniente de
los datos represe ntados en esta
datos de manera condensada. Realmente,
conserv an su signifi cado.
forma pueden ser numéricos o simbólicos pero
peso, dimensi ones, dinero,
Los datos pueden representar unidades de
ica, e inclusive una
personas, velocidades, fuerzas, una constante matemát
variable indefinida x o y.
OPERACIONES MATRICIALES
Suma y resta
puede efectuarse con vectores 0 matrices en dos
La suma y/o resta
formas: (1) sumando o restando una constante a la matriz o vector y (2)
sumando o restando dos matrices o vectores.
Sumar una constante, denominada escalar, a un vector significa sim-

plemente sumar la misma constante a cada elemento del vector:
3
22 5
4
4+2| l6
o A A ca
1 1 3
24150 =3P10]e Ma id=lá la
La resta se efectúa en la misma forma.
3 1
4
20] He 2
pero (3-3)
1 ps!
BSO ZA DUES] (3-4)
Esta operación se efectúa realmente sumando dos vectores, uno de los
cuales tiene todos sus elementos iguales a 2:
2 3
2 4 , > e
Pd (véase la discusión sobre suma de vectores)
2 —-1
Para sumar o restar una constante y una matriz se emplea el mismo

procedimiento.
EJEMPLO 3-2 En estos ejemplos [2] y [a] representan una matriz

2 Xx 2 en la cual todos los elementos son 2 Ó a.
O E
lo 7 -2=[ 3]
[a] + 2 - Las 2 111
Los vectores pueden sumarse o restarse en la misma forma que las
matrices, pero deben ser del mismo orden. Esto es, un vector fila 1x 5
puede sumarse solamente a otro vector fila 1 x 5. Una matriz 5 x 7 puede
sumarse solamente a otra matriz 5 Xx 7. Cuando se suman dos vectores
del mismo orden, cada elemento de un vector se suma al elemento corres-
pondiente del otro vector. Las mismas reglas se aplican a las matrices.
14 3 17
—-5 9 4
T1+|-S|= a (3-5)
1 0 1
4 —-9 -5
14 3 11
—5 9 —14
T1-| -5|= 12 (3-6)
1 0 1
4 9 —5
la 17 -4 35 3]+[16 -21 -—b 0 8]=[a+16 -4 -4-b 35 11]

: (3-7)
[a 17 -4 35 3]-[16 -21 -b 0 8]=[a-—16 38 —4+b 35 -—S5)

(3-8)
8 3 14 —1 92 pe
14 271 + a 41 = 21 31 (3-9)
6 -—15 —8 0 -2 -—15
8 3 14 —1 —6 4
14 27| — 7 4] = 7 23 (3-10)
6 —15 —8 0 14 *—15
ANDATE e m b+m c4+m

m|_la+e
l: e Akal p zo e+p a dr
JO AC e m n a-e b=m c—=n
te e AP P Mo ep e—p Pro (3-12)
4
[3 4 01+]|5 no es posible (3-13)
2
[3 4 01+[4 5 2 7] noes posible (3-14)
8 3 14 —1
| |. 7 4 no es posible (3-15)
14. 27
—8 0
Multiplicación
con algunas restricciones
Las matrices y los vectores pueden multiplicarse
adicionales. A manera de ilustración, pueden amplia
rse los datos del
administrador de la planta. Se recuerda que la matriz de datos empleada

para representar los requerimientos de materiales de cada uno de los
* cuatro productos fabricados es la siguiente matriz 3 X 5.
Producto
Material AÁ B C D
Acero SITE TOR ES
Piezas fundidas 10 9 12 5
Pernos 30 22 40 15
Puede suponerse que la producción diaria de cada producto es de

100 unidades de A, 50 unidades de B, 80 unidades de C, y 200 unidades
de D. ¿Cuánto material debe suministrarse diariamente? Este es un pro-
blema bastante sencillo en álgebra.
Requerimientos de acero = lb de A x no. de A + lbde B x no. de B +
lb de C x no. de C+1lIb de D x no. de D
Requerimientos de piezas fundidas = lb de A Xx no. de A + lb de B x

no. de B+lb de C x no. de C + lb de D x no. de D
Requerimientos de pernos = lbde A x no. de A + lIbdeB x no. de B +
lb de C x no. de C+lb de D x no. de D
Requerimientos de acero =5 x 100 + 7 x 50 + 10 x 80 x 3 + 200

= 500 + 350 + 800 + 600
= 2250 lb de acero
Requerimientos de
piezas fundidas = 10 x 100 + 9 x 50 + 12 x 80 + 5 x 200
1.000 + 450 + 960 + 1.000
3.410 lb de piezas fundidas
Requerimientos de
pernos = 30 x 100
+ 22 x 50 + 40 x 80+ 15x 200
3.000 + 1.100 + 3.200 + 3.000
= 10.300 pernos
Los requerimientos totales pueden expresarse entonces como un vector

Acero 2.250
Fundición 3.410
Pernos 10.300
Esto ilustra los procedimientos básicos y las restricciones requeridas para

la multiplicación de matrices.
A E e 2.250
10 912 s|| 2o| =|3.410 (3-16)
30 22 40 15]| 0) | L10.300
Se observa que para obtener los requerimientos de acero de 2.250 lb,
la fila superior de la matriz se multiplicó por el vector columna y el resul-
tado se sumó.
100
S0
[5 7 10 3] 80
= (5 x 100) + (7 x 50) + (10 x 80) + (3 x 200) = 2.250 (3-17)
200
En símbolos algebraicos esta operación se representa como
la b cd] =(axp)+(bxg)+(cxr)+ (dx s) (3-18)

Qh
10
Esta expresión ilustra la regla básica de la multiplicación de matrices. Dos

vectores pueden multiplicarse solamente si el primero, un vector fila,
contiene tantas columnas como filas el segundo, un vector columna. En
otras palabras, un vector 1x n solamente puede multiplicarse por un
vector n X 1. En seguida se presentan algunos ejemplos.
E Sr
E ES =(3x49+(5x9+(Qx 1) =59 ix]
1
igual
5 Mo
(2 ó[¿|= 0x9 +69 =3 1x2x2x1
no es igual
E , SS
[3 1 s1[$) no es posible 1x3x2xl
Se observa también que en los dos primeros ejemplos el resultado tiene

1 fila y 1 columna, esto es, un solo número. Este hecho será mencionado
posteriormente con mayor detalle.
Cuando se multiplican dos matrices, se aplica la misma regla básica;
la primera matriz debe tener tantas columnas como filas la segunda.
"En este caso el resultado es otra matriz en lugar de un solo número.
EJEMPLO 3-3
PTAS
PTAS
Esta expresión puede considerarse como la multiplicación de dos vectores

fila por dos vectores columna.
[2 15 -e x 4)+(3 x 7) =29
7 =(1x4)+(4x
4
[1 a 7) =32
qn
(2 33] = (2 x 5) + (3 x 3) =19
)
S
[! a
] =(1x 5)+(4x 3)=17
Si cada uno de los resultados individuales se coloca en su posición correcta

en una matriz, el resultado es el producto de la multiplicación.
patas
Se observa que el producto de la fila 1 x columna 1 es el elemento (1,1)
de la matriz resultante. Análogamente fila 1 x columna 2 da el elemento
(1, 2), etc. 1111
EJEMPLO 3-4
5 2 11 [-3 9 7
6 9: -2 4 0 8
4 —1 0 2. =3 7
(Sx -D)4+(2x4)+ (1 x 2) (S x 9) + (2 x 0) + (1 x —5)
=|(6x -3)+(9x 4) + (-2x2) (6x 9)+(9x 0)+(-2x -5)
(4x -3)+(-1x4)+(0x2) (4x9 +(-1x0)+(0x —5)
(5x7+(2x8)+(1
x 7)
(6x7)
+(9x 8) + (-2x 7)
Enron ca]
-5 40 58
-| 14 64 0o|
—T6. "36 "20 111/
El orden de las dos matrices define el orden del producto. Así, el

producto de una matriz 2X 3 con una 3X4 es una matriz que tiene
2 filas y 4 columnas. igual
MT"
PASS A o
Filas Columnas
Es 2-3 06
3:45
E mn a Garate. 0
=1- 0779 rá
_[8+35-3 4+42+0 -6+28+27 1240-12
28-40—1 14-48+0 -21-32+9 42-0-4
A | 40 46 49 8
Lig 3411544 5| 98 (3-19)
vectores sea
Esto significa la posibilidad de que el producto de dos
una matriz.
4 4x2 4x3]_[8 12
[+207 -[; x2 Tx 3 E y > ad
igual
A
AS 1x2
Filas Columnas
o un vector
Similarmente, el producto de una matriz y un vector puede ser
o una matriz, según el alineamiento de la multipl icación .
no es igual
A no es posible 2x1x2x2 (3821)

MATES
igual
4 ¡5 add Ml
=[8+21 [29
10+9]= 19] XP N:2XZL
12M : ' (3-22)
AS Filas Columnas
igual
2x2. x 2x1 (3-23)

MES
E z5)E E w A = Ss
NA Ei Filas Columnas
no es igual
159
der7 ¿[2 3] ble
no es posible 0d
Xx odas)
=
proposición:
El estudiante puede verificar la siguiente
Es «Ls db 5)
DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
42 APLICACION
EJEMPLO 3-5 Sea 4 =|, 1

l
$ pal% Al
2
: AA AS
14 1aJlB 2] 4+3-0+2 paros
EP 3
13 2 [4 1] [6+8 9+2 14 11
y también
AB
A BA
3 01+Y
Sea C =|0.4 3 pDemostrar que (4 + B)C = AC + BC
20 IIS ES O A 9 ES US
as Emol ar o a pS
PAINE E AS: q AOS. LL
4 1||J0 4 3 3 2||0 4 3
cil ós 6 18] 3. 9 2] 19 6058

PAU BA 9 Une t12 FS 121" 19493
Nuevamente se observa que no son posibles CA o CB.

Sea
de A EE
¡PS 2 4 Sql
Entonces
LMN=LM
x N=L x MN
1,3112: 411311 8-3 11. 23018

2AMTIPAOAIZ Y1 16 Sil 21: 131.001
* 31.41.10. [31114101 123065

DIE OLA e dd 3.11 1311 1111
REPRESENTACION SIMBOLICA
Aunque la notación matricial es conveniente, en la práctica usual se con-
densa aún más la notación, representando matrices y vectores, por medio
de símbolos algebraicos. Las matrices ordinariamente se representan con
letras mayúsculas y los vectores con letras minúsculas. De esta manera
AB indica la multiplicación de las matrices A y B; y c +d indica la
suma de los vectores c y d.
Los elementos componentes de una matriz pueden identificarse me-
diante subíndices. Así el término en minúsculas a,, representa el ele-
mento de la ¡-ésima fila y la j-ésima columna de la matriz A mientras que
REPRESENTACION SIMBOLICA 43
el término c, o d, representa el ¡-ésimo elemento del vector fila c y el

j-ésimo elemento del vector columna d respectivamente.
d11 412 Aja *** 4y; Atn

01 422 423 ... 43; ... a)
a E
A; Ai 4;3 ai; Ain
Amt Am2 Am3 Am; Amn
C1
C2
yA [d, d, d; d,,)
j
Cm
Algunas veces conviene referirse a una matriz A utilizando la forma

general de los elementos. Esto se indica como IJa,,]|. El término a,, se
refiere a cualquier elemento de la fila i y columnaj y las barras represen-
tan una matriz completa.
Matrices y sistemas lineales

La notación matricial puede emplearse para expresar sistemas linea-
les. Se dice que dos vectores o matrices son iguales solamente si cada
componente de uno es igual al elemento correspondiente del otro. Esto
permite representar los sistemas de ecuaciones lineales con la notación
matricial. Se puede considerar la ecuación matricial
Xx
SOTA , 35
E » sioá Ne Lo] ad
X3
las matrices,
Si se expande el lado izquierdo de la ecuación multiplicando
el resultado es
SEPT 4303 5935
Pe + lx, + e) a E a
por definición sus correspon-

Puesto que los dos vectores son iguales,
dientes componentes deben ser iguales.
DE + 7X> + 3x3 = 35
4x,+ x,+2x3 =20
cón la
representarse:
Por tanto un sistema de ecuaciones lineales puede
notación matricial o con la notación algebraica.
Para convertir la notación matricial en notación algebraica es nece-

sario efectuar las operaciones matriciales indicadas. Haciendo referencia
al ejemplo anterior, se observa que el sistema de ecuaciones puede repre-
sentarse por una matriz y dos vectores columna cómo se indica en seguida.
411X, + 412X2 + 0413X3=0b,
471X1 + 037 X) + 073X3 =D,
431X, + 432X2 + 433X3 =D,
11 Ga Aj3]|%; by
da 43 Gz23|l|x>| =]10, (3-27)
431 432 03313 b,
El lector puede desarrollar las matrices y efectuar la multiplicación indi-

cada para verificar esta expresión. Generalmente las ecuaciones lineales
se expresan en forma de matrices de la siguiente manera:
nxXxl mxXxl
[m x n matriz de coeficientes] vector | _ vector

de de
variables constantes
Utilizando notación simbólica, estas ecuaciones pueden escribirse como

Ax=b (3-28)
donde A representa la matriz m X n de coeficientes, x representa el vector
columna n X 1 de variables y b representa el vector columna m Xx 1 de
constantes.
MATRIZ IDENTIDAD
La división, tal como se efectúa normalmente en álgebra, no es posible en
álgebra matricial. Para los propósitos de este libro, una matriz identidad /
es una matriz cuadrada (que tiene tantas filas como columnas) que tiene
una diagonal principal formada de unos, y ceros en las demás posiciones.
100.00
0.1000
l
[0211 0301155050
00010
OO 0:01
ARI ASx5
matriz identidad matriz identidad

MATRIZ IDENTIDAD 45
En la multiplicación de matrices, una matriz identidad tiene propie-

dades similares a las del 1 en la multiplicación regular. Por tanto, cual-
quier matriz multiplicada por una matriz identidad da como producto
la matriz original.
ESPE O: O EST le Za js
e bla A pe
[2 ollo a]=L-2+o o+oJ=L
5
(3-30)
2
En forma simbólica esta expresión se convierte en

Al = A (3-31)
TA = Á (3-32)
Al = IA (3-33)
Aunque en el álgebra de matrices no es posible efectuar la división,

es posible lograr resultados muy semejantes. Esto requiere la creación de
una matriz inversa que tiene propiedades similares a las del inverso de
un número. La analogía tiene límites definidos y no debe ampliarse dema-
siado. Sin embargo, el concepto de esta analogía es válido y permite una
interpretación más sencilla de la técnica. Para despejar b de la siguiente
expresión algebraica simplemente divídanse por a ambos miembros de
la ecuación:
abi=e
b 1
Elda: y Í ab=-€
a a a
b=-
Puesto que no es posible efectuar directamente la división matricial, las

siguientes ecuaciones de matrices sugieren la utilización del mismo in-
verso y de la misma multiplicación
AB=C
A Pa
EA A
1
B==C
A
des
Entonces es necesaria una forma matricial que tenga propieda
semejantes a las del inverso de un número. Esta es la inversa, denota-
da por el exponente negativo:
Inversa de A = A7!
: Solamente para una matriz cuadrada puede definirse la inversa. La in-

versa tiene la siguiente propiedad:
AVCA=AM TT=EI (3-34)
como se indica en
"lécol nda loa al

pur 1 2 —-1 su =3 1
A
A FL 3 Al 01 2
MAT
LA 6 Ze lbs lo 1090
AA E
35 Misael op
|
2 —3|[4 6| |0 1|
El lector debe verificar esta propiedad completando la multiplicación in-

dicada.
Puede definirse una forma generalizada de obtención de una inversa
si se entienden primero las operaciones con las filas. Las operaciones
con las filas de una matriz consisten en multiplicar (o dividir) cada com-
ponente de una fila por una constante o en sumar una fila a otra. Real-
mente, una vez entendidos, estos pasos pueden combinarse. Cuando esto
se efectúa en ambos lados de una ecuación de matrices, la igualdad aún
es válida. Por ejemplo,
Á =Í á una matriz 2 x 2
1 0 2 ,
B El Eos a una matriz 2Xx 3
8 —3 16 q
cl A la una matriz
2 Xx 3
Si se multiplica por 2 la primera fila de la matriz A, la matriz se con-

vierte en
4 6
quo
Si la primera fila se suma a la segunda, el resultado es
4 6
S 7
En la matriz B, si se multiplica la segunda fila por — 2 y el resultado se

suma a la primera fila, la respuesta es
—3 2 -—6
Za 4
MATRIZ IDENTIDAD 47
En este ejemplo, la siguiente ecuación matricial es una expresión

correcta:
ABC
O A ES
4 1||2 —] Al nb6 ni de 2
En primer lugar se multiplica por 2 la primera fila de la matriz de la iz-

quierda (A) y por 2 la primera fila de matriz de la derecha (C). El resul-
tado es aun una igualdad.
E 7 A Le
4 1||2 —] q 92 [v6 “1 1D
En seguida se suma la primera fila a la segunda fila tanto en Á como en

C. El resultado es aún una igualdad.
4 6||1l 0 2 16 >61 da
l, dE | | 2 le =7 a
Estas operaciones ilustran el principio de que si se efectúan idénticas

operaciones con las filas de las matrices de la izquierda y de la derecha
(A y C en este caso), la igualdad se conserva.'
Para obtener la inversa de una matriz pueden efectuarse operaciones
con las filas. Recordando las propiedades de una matriz identidad /
A=AI (3-31)
y de la inversa A”!
ATA =P AM (3-35)
sugieren un procedimiento para obtener la inversa. Debe tenerse en cuen-
ta la ecuación (3-31) que define las propiedades de /.
La igualdad se conserva si se efectúan operaciones con las filas en
la matriz A al lado izquierdo de la ecuación y en la matriz identidad al
con
lado derecho de la ecuación. Puede suponerse que estas operaciones
das para convertir la matriz A en una matriz
filas fueron selecciona
identidad. elit (3-31)
I=AX (3-36)
X debe ser la
De acuerdo con las propiedades definidas anteriormente,
llevar el signo de igual-
inversa de A o A7!. Realmente no es necesario
dad durante esta conversión.
Aijoltnsl
2 4
s
1 De manera análoga, se conserva la igualdad si se efectúan operacione
con las columnas en B y C. El lector puede verificar esto para su propia
conveniencia.
48 APLICACION DEL ALGEBRA MATRICIAL A sISTEMAS DE ECUACIONES LINEALES
Hallar A7!.
a lo Y]
En primer lugar se multiplica o se divide para obtener 1 en la esquina
superior izquierda de A (posición 1) en este caso, se divide la primera
fila por 2.
1.1.2 350
4 6 O... 1
Luego se multiplica y se suma para obtener ceros en las demás filas de

la primera columna. En este caso se multiplica la primera fila por —4 y
se suma el resultado a la segunda fila.
lo 2] 133]
l 2 350
Ahora, se multiplica para obtener 1 en la segunda columna de la segunda

fila esto es, multiplicar por —3
Ll -£2 J 0
051 l —3
Finalmente, se obtienen ceros en las demás filas de la segunda columna

para lograr una matriz identidad. Multiplicar la segunda fila por — 2 y
sumar el resultado a la primera fila.
0 3 1
01 l —3
Por tanto,
el EI)
41 =| 1 En
EJEMPLO 3-6 Obtener la inversa de la siguiente matriz de 3xX 3.
Efectuar operaciones con las filas para convertir esta matriz en una matriz
identidad. »
Z 1 4 LTDNO
—4 0 -2 UR
6 2 0 007
PASO 1 Para obtener 1 en la posición (1,1) se multiplica por + la fila 1:
A 40:00
a la 01 0
A y AA
MATRIZ IDENTIDAD 49
PASO 2 Para obtener un cero en (2, 1) se multiplica por 4 la fila 2 y se

suma a dicha fila:
1 2 500
: ] E: | o
6 na
N
NN 0 0507 1
PASO 3 Para obtener un cero en (3, 1) se multiplica por —6 la fila 1 y

se suma a la fila 3:
] Y 2 0 0
0 2 6 1.00
0 —1: —12 — ni
NN
0) O 91
PASO 4 Para obtener un 1 en (2, 2) se multiplica por 3 la fila 2:
rd egpigso: 2
0 1 3 0
o o€ 23 n-
O
PASO 5 Para obtener un cero en (1, 2) se multiplica por —5 la fila 2 y se

suma a la fila 1.
: ] || o
1 0 y 0 -—1 0
O -—1 -—12 —-3 no

O
ao 1
PASO 6 Para obtener un cero en (3, 2) se suma la fila 2 a la fila 3:

dile) 2 0 tz 0
Po %..3 0
IAN BES. me, dae
tu
nia
PASO 7 Para obtener un 1 en (3, 3) se multiplica por —4 la fila 3:

1.04 ¿MIR
00993 de
0.0 1 AR
PASO 8 Para obtener un cero en (1, 3) se multiplica por —5 la fila 3 y se
suma a la fila 1.
1-9. o O A
0 1 3 ] 5 0
9001 3 $
PASO 9 Para obtener un cero en (2, 3) se mnltiplica por — 3 la fila 3 y
se suma a la fila 2:
jus
A: -— | |
ta
O: de 0 A
ult
¡Dordk al :
10
¡Otal
Jr
ju
00]
Gol
O]Lonseneraaaeaasasaod
Por tanto la inversa! es
ale >
0j=
oln
ma
Po
pr
00! 1111
No todas las matrices tienen inversa. Una matriz que no tiene in-
versa se denomina matriz singular. Para aquellos familiarizados con de-
terminantes, agregamos que una matriz singular tiene un determinante
de valor cero. Esta situación equivale a encontrar la intersección de dos
líneas paralelas. Se dice que una matriz no es singular si tiene inversa.
Si para una matriz existe una inversa, esta es única. No es posible
prever siempre si una matriz es singular; sin embargo, no será posible
continuar los cálculos empleados para obtener su inversa. Si A es singular,
eventualmente un ensayo conduce a la división por cero o a la obtención
de una fila nula (todos sus elementos son cero).
sao y 94
Par a 0.10
A oc00!1
Car e 110.0
0103. 50 IA
Duplo md Oíid
Pego poo apaqpaida pp
O' 1:30 Hf=40
0.0.0 A
Se observa en este caso que la fila 3 es una combinación lineal (suma) de
las filas 1 y 2.
La inversa puede utilizarse para resolver ecuaciones lineales simul-
táneas. Considérese el siguiente problema:
2X; + 4x, =8
4x; + ÓX>» = 10
Este problema se puede describir en forma matricial.

ÁAx=b
DA ,
A -l 6]matriz de coeficientes
Este es el método de la matriz aumentada de inversión de matrices. El

procedimiento que generalmente se utiliza es una eliminación de Gauss-
Jordon que puede programarse fácilmente. En las referencias se des-
criben diversos métodos para la inversión de matrices.
MATRIZ IDENTIDAD 51
bs j
E e vector columna de variables
2
b= Es vector columna de constantes
Si ambos lados de la ecuación Ax = b se multiplican por la inversa A”!

ACTAX=A *b
el resultado es
Ix=A""b o x=A4 ?*b
Esta es la solución del vector de variables x. Por tanto,
Ax =b
ls] = Leo
4 6jlx, 10
De un ejemplo anterior
y.
pl 3 =1b
ca $ A Ax A
De o ENO O =A "D
x=A"!b
x, = — 348) + 1(10) = -2
x, = 1(8) + —3(10)
=3
pd ed e
EJEMPLO 3-7 Sea
Entonces
AB =C
El lector debe verificar esta expresión

Despejar AB
ATAB=A'*C
ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
52 APLICACION DEL
El lector también puede verificar esta expresión.

IB=A"*C
B= A; €
el 11 aa
202 dera
Y os E
IBACA??
Eds oe 1003
BECA"
Despejar
A.
ABB"*=AB"'B=CB"'
mon mi
Al=CB"?
E
oeal,
69-13
A
ABBO
a BOC
A E 9 desEE al o
ASB NC
A MEA! 4 ll Dl 61 Pe
00 -+ HLOBH 4d —43 4]
BUABAABB?
|
a
|
n=
na ala A [30 EA
Las Ilo
- 43 pju
Hr
En la solución de ecuaciones con matrices debe tenerse cuidado en

la colocación de las matrices para efectuar la multiplicación.
En el siguiente ejemplo puede observarse la analogía algebraica. Resolver

algebraicamente
2x3 26 4x, =8
4x, =h 6x> = 10
REFERENCIAS 53
Dividir la primera ecuación por 2:
Xi E 2x> A
4x, + 6x,= 10
Multiplicar por — 4 la primera ecuación y sumarla á la segunda:
Xi + 2x, =4
0x, —- 2x= —6
Multiplicar la segunda ecuación por — 3:

x¡ +2x,=4
Ox; Ele Ix> = 3
Multiplicar por — 2 la segunda ecuación y sumarla a la primera

Xx, +0x, = —2
Ox, eS, =%
Estos son los mismos pasos utilizados anteriormente en la inversión de

2 4
la matriz 2 Xx 2: | s| El álgebra matricial se ha expuesto aquí como
una manera condensada y conveniente de manejar datos y para proveer

una solución. El empleo de matrices conduce por sí mismo a las técnicas
de computador y permite una notación más condensada de las matemá.-
ticas.
REFERENCIAS
1 Gere, James M., y William Weaver, Jr.: “Matrix Algebra for Engineers,” D.
Van Nostrand Company, Inc., Princeton, N.J., 1965.
Z Hadiev, G.: “Linear Algebra,” Addison-Wesley Publishing Company, Ínc.,
Reading, Mass., 1961.
Hohn, Franz E.: “Elementary Matrix Algebra,” The Macmillan Company, Nue-
va York, 1958.
Kemeny, John G., Hazelton Mirkel, J. Laurie Snell, y Gerald L. Thompson: “Fi-
nite Mathematical Structures,” págs. 205-336, Prentice-Hall, Inc., Englewood
Cliffs, N.J., 1959.
Or Levin, Richard LI, y Charles A. Kirkpatrick: '““Quantitative Approaches to Ma-
nagement,” 2a. ed., págs. 274-306, McGraw-Hill Book Company, Nueva York,
1971.
PROBLEMAS
: 3-1 Dadas las matrices
3,2 2,1 A
x= |4 1 Y = |4 3 Z 5.120
6 2 6.2 114
determinar:
(a) X+Y+2Z (b) 2X
(c) 3Z2-4Y (d) X+2Y-3Z
3-2 Dados los vectores
6 e
£L=[f 2 3] M=(4 0 2] N = ]1 P = |6
1 1
determinar, si es posible, las siguientes operaciones

(a) L+ M (b) M-N (c) MP
(d) LN — MP (e) L-—-M>+N-LP (f) PL
3-3 Dadas las matrices y vectores de los problemas 3-1 y 3-2, determinar:
(a) LX (b) MX — MZ (c) PLY
3-4 Si A es una matriz 2 X 4, B una matriz 4 Xx 3, C una matriz 3 Xx 3 y D una

matriz 3 x 2, ¿cuál será el tamaño de los siguientes productos?
(a) AB (b) BC (c) BD
(d) DA (e) DAB ($) ABCD
(9) BC?D
Xx 3 7 Xx
3-5 Si |y| + [1] = [9], ¿a qué será igual | y |?
z 2 4 z
Hallar, si es posible, la inversa de las siguientes matrices:
(a) P 1] (b) : 2 (c) |1 4 6 (d) |2 1 3

11 4 3 Le 2 2.04
Ze A al 4 1 7
24 2
3-7 SiA h | yaC Al ¿cuál será X si AX = C? HallarX si A2X = C.
. La 8 38
3-8 Si A = E a yC=- Me ol ¿cuál será X si AX = C?
«a?
PROBLEMAS 55
3-9 Expresar las siguientes ecuaciones en términos de producto de matrices (co-

mo AX = C)
2x1 + 4x2— 3x3=6
Xx > Xx2+ X3 =8
Sx2+ x3 =18
3-10 Resolver las siguientes ecuaciones por los métodos matriciales
(a) 2x, + 4x,=6 (b) 2x, + 6x2 =20

x1 — 2x2 =2 x2+x3 =5
X1 —Xa =-—1
(Cc) x1—x2+x3 =2
2x1—x2+3x3=6
x2+4x3=2
3-11 Una compañía elabora 5 productos, que se enumeran de 1 a 5. Estos produc-

tos requieren tiempos de proceso en cada uno de los tres departamentos A,
B y C. El artículo 1 requiere 2 horas en A, 3 horas en B y 0,5 horas en C. El
artículo 2 requiere 2 horas en cada departamento. El artículo 3 requiere 4 ho-
ras en A, 2 horas en B y 1 hora en C. El artículo 4 requiere 1 hora en A, 2 ho-
ras en B y 2 horas en C. El artículo 5 requiere 1 hora en A, 4 horas en B y 3
horas en C. El costo de proceso en el departamento A es de $7,50 por hora, en
B es de $8 por hora y en C de $10 por hora. Utilizar los métodos matriciales
para hallar:
(a) El costo de cada artículo.
(b) Los requerimientos por departamento si la demanda diaria es de 100 uni-
dades del artículo 1; 200 del artículo 2, 50 del artículo 3, 80 del artículo 4
y 250 del artículo 5.
(c) El coste diario total.
4
'FORMULACION Y ANALISIS DE LAS
CADENAS DE MARKOV DE PRIMER ORDEN
DESCRIPCION DEL PROBLEMA

Las cadenas de Markov de primer orden, pueden usarse como modelo de
un proceso físico o económico que tenga las siguientes propiedades:
1 El conjunto de sucesos posibles es finito.
2 La probabilidad del siguiente suceso depende solamente del suce-
so inmediatamente anterior.!
3 Estas probabilidades permanecen constantes con el tiempo.
Cada suceso individual se denomina un estado. Por tanto habrán tantos
estados como sucesos posibles. Para propósitos de notación S, significa-
rá el ¡-ésimo estado de un total de m estados posibles, donde «= > m >2.
Cada vez que se produce un nuevo resultado o suceso se dice que el proce-
so ha avanzado o que se ha incrementado en un paso. Esto puede repetirse
tantas veces como se desee. Un paso puede representar un período de
tiempo o cualquier otra condición que pueda conducir a otro suceso. posi-
1 Si un suceso depende de otro además del inmediatamente anterior,

esta es una cadena de mayor orden. Por ejemplo, una cadena de
segundo orden describe un proceso en el cual un suceso depende
de los dos sucesos anteriores, etc.
DESCRIPCION DEL PROBLEMA 57
ble. El símbolo n se utiliza para indicar el número de pasos o incrementos.

Por tanto n = 0, representa el presente; n = 1, representa el suceso posi-
ble en la siguiente ocasión; y n = 2 representa el suceso en una ocasión
después de la siguiente.
A manera de ejemplo, se considera la siguiente situación hipotética. Un
cliente puede comprar un automóvil de marca Ford, Chevrolet, o Plymouth.
Para simplificar, se supone que esta situación cubre todas las posibilida-
des. Su siguiente compra está controlada por el automóvil que actualmente
posee. Cada vez que compra un nuevo automóvil ocurre un paso. Hay m =
3 estados posibles, comprar un Ford, un Chevrolet o un Plymouth. Este
proceso se describe en la siguiente tabla utilizando la notación sugerida.
Notación del Descripción

estado física
El cliente compra un. Ford

El cliente compra un Chevrolet
El cliente compra un Plymouth
En el presente n = 0, S,, S2, o S3 representan el estado presente, esto

es, la clase de automóvil que posee actualmente el cliente. Enn = 1, en la
ocasión, Si, S2, O S3 representan todos los resultados posi-
siguiente
bles de su siguiente compra.
EJEMPLO 4-1 El estado de una máquina puede describirse como una

cadena de Markov. En este caso, un estado puede describir la condición
de la máquina—en funcionamiento, en espera de reparación, o en repara-
ción. Cada estado es discreto, y por lo menos en algunos casos la probabi-
de
lidad del estado de la máquina, en la siguiente observación depende
su estado actual.
Notación | Descripción
del estado| física
La máquina está funcionando,

en producción
S» La máquina está parada. en
espera de reparación
ES La máquina está parada. en
reparación
1111
cadenas de Mar-
Para analizar esta clase de problemas se utilizan las
de probab ilidad , y puede analizarse
kov. En realidad, este es un problema
58 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
teóricamente utilizando los fundamentos de la teoría clásica de probabili-

dades. Los conceptos de las cadenas de Markov ofrecen un método más
h apropiado para efectuar este análisis. Inicialmente, puede ser conveniente
imaginarse una cadena de Markov como una técnica de análisis apropia-'
da para un caso especial de problemas de probabilidad. Muchos problemas
de JO se componen de sucesos discretos, los cuales dependen de un resul-
tado anterior. En estos casos, pueden utilizarse ventajosamente las cade-
nas de Markov tanto en modelaje como en análisis. Algunos ejemplos son
los problemas de remplazo, inventarios, colas y los modelos de mercadeo.
En una sección posterior de este capítulo se demuestra la formulación de
algunos problemas de esta clase.
FORMULACION DE UN PROCESO COMO UNA

CADENA DE MARKOV
Se puede suponer que los tres fabricantes de automóviles tienen los si-
guientes datos con respecto a las compras de los clientes. Esta tabla pre-
Siguiente compra
(n= 1)
Compra actual % que % que compra % que compra

(n = 0) compra Ford |Chevrolet Plymouth
Ford 40 30 30
Ckevrolet 20 S0 30
Plymouth 25 2 S0
senta la probabilidad de que un cliente que ahorá posee un Ford (S¡), n =

0, pueda comprar un Ford, un Chevrolet, o un Plymouth en la siguiente
ocasión, o sea, en el paso siguiente, n = 1. Se dispone de información si-
milar para todos los posibles estados. En esta forma, la tabla da la proba-
bilidad de que un cliente que ahora está en el estado S, pueda desplazar-
se hasta el estado S, en el paso siguiente (siguiente compra). Para pro-
pósitos de notación, S, indica que el proceso está ahora en el ¡-ésimo es-
tado y S, indica que en algún paso posterior (generalmente en la siguien-
te ocasión) el proceso estará en el ¡-ésimo estado.
Si esta misma información se escribe de nuevo sencillamente en for-
ma de tabla de probabilidades, esta tabla se denomina matriz de transición
y se designa como P.
FORMULACION DE UN PROCESO COMO UNA CADENA DE MARKOV 59
S. Sz S;
Si [0200,30 0,30
P=S,| 0,20 0,50 030,
S3 10,25 0,25 0,50
Cada elemento de esta tabla representa la probabilidad de desplazarse

desde un estado hasta otro. Para propósitos de notación, un elemento de
una matriz de transición se designa por p,,. Esta es la probabilidad con-
dicional de que si el proceso está ahora en el estado ¡, en el siguiente paso
podrá estar en el estado j. Por ejemplo, pia = 0,30 significa que la proba-
bilidad de que un cliente, que posee ahora un Ford (S, en n = 0), pueda
comprar un Plymouth en la siguiente ocasión (S3 en n = 1) es 0,30. Por
conveniencia, una matriz de transición puede observarse como una tabla
“desde-hasta” en la cual se presentan las probabilidades de que el proce-
so avance desde el estado ¡ hasta el estado j en un paso.
EJEMPLO 4-2 ¿Cuál es la probabilidad de que un propietario de Ply-

mouth compre un Ford en la siguiente ocasión?
Compra de Plymouth S3
Compra de Ford Si
En n = 0, el estado es S3, y en n = 1, el estado es S,; por tanto la pro-

babilidad es p,, o pa1 = 0,25. Y)
Una matriz de transición debe satisfacer las siguientes condiciones:

debe tener un
1 Cada elemento debe ser una probabilidad, o sea que
valor entre 1 y 0. Esto refleja sencillamente el hecho dé que es impo-
un valor de probabilidad
sible tener una probabilidad negativa o tener
mayor que l.
las probabilida-
9 Cada fila debe sumar exactamente 1. Si se suman
eviden temente debe
des de todos los resultados posibles, esta suma
ser igual a 1.
n general, ten-
Si esta matriz de transición se escribe empleando la notació
drá la siguiente forma:
Si S> Sm
Si Pi "Pra 05% Pim donde O < p,¡<!
pS S2 Par PZA ES a
E A SO ISO ES NBaA TAE LN IN
Sm Pm Pm2 Pmm po
Se observa que para un estado dado en n = 0, una fila enumera com-

pletamente todas las posibles formas de acción (estados) que el cliente
(proceso) puede seguir. Por tanto una fila es un vector de probabilidad.
Esto se esperaba ya que un vector sencillamente es una matriz 1 x m. Pa-
ra propósitos de notación, un vector fila designado como V, representa la
¡-ésima fila. Por ejemplo, V2 = [0,20 0,50 0,30]. Un vector de probabili-
dad debe satisfacer requisitos similares a los de una matriz de transición.
“1 Cada elemento debe ser una probabilidad, esto es,
0O<pij<!l (4-1)
2 La suma de los elementos del vector debe ser igual a 1:
> Pi =1 (4-2)
Por tanto una matriz de transición P está compuesta por filas de vectores
de probabilidad V,.
ANALISIS DE PROBABILIDAD POR MEDIO DE

CADENAS DE MARKOV
La matriz de transición puede usarse para determinar la probabilidad de
un suceso después de n pasos, dado algún estado inicial específico S,.
Esto puede demostrarse con un ejemplo sencillo, empleando los datos pre-
sentados anteriormente.
Se puede suponer que se formula la siguiente pregunta: Si un cliente
acaba de comprar un automóvil Ford, S, = S, en n = 0, ¿cuál es la pro-
babilidad de que él pueda comprar un Chevrolet en la siguiente ocasión,
S, = Sz en n = 2? En primer lugar se analiza esta pregunta según las
técnicas de la teoría clásica de probabilidades. Es posible enumerar los
diferentes caminos que puede recorrer un cliente que ahora posee un Ford,
para terminar comprando un Chevrolet en dos pasos. Esto se ilustra por
medio del árbol de la figura 4.1.
ANALISIS DE PROBABILIDAD POR MEDIO DE CADENAS DE MARKOV 61
Compra en
Compra en la ocasión
la siguiente después de la
ocasión, n = 1 siguiente, n = 2
Ford
A p= 0,30
Chevrolet (0,4110,3) = 0,120
Plymouth
Compra
presente, Ford
p” NS Ford
Ñ a] = 0,25
A Chevrolet (0,310,251 = 0,075
Plymouth
FIGURA 4-1
Posibles resultados en dos pasos, n = 2
Compra en n = 1 |Compra en n = 2
(siguiente ocasión) ¡(en la ocasión después
de la siguiente)
Ford Chevrolet
Chevrolet Chevrolet
Plymouth Chevrolet
5 ——
o
posibilidades se
Cuando se suman las probabilidades de todas estas
obtiene el resultado que se presenta en la tabla
A A o
Compra en n = 1 Compra en n = 2
- E Probabilidad
Probabilidad | Estado Probabilidad conjunta
Estado
0,40 Chevrolet 0,30 0,40 (0,30) = 0,120

Ford
0,30 Chevrolet 0,50 0,20 (0,50) = 0,150
Chevrolet
Chevrolet 0,25 0,30 (0,25) = 0,075
Plymouth | 0,30
0,345
de un Ford, S; en n = 0,
Por tanto la probabilidad de que el propietario
la siguiente, S2 en n = 2,
compre un Chevrolet en la ocasión después de
es 0,345.
técnica de análisis faci-
Este resultado puede obtenerse utilizando la
r lugar se considera lo que sig-
litada por las cadenas de Markov. En prime
nifica exactamente el vector de probabilidad V,. Para el estado S,;,

V, = [0,4 0,3 0,3]. Esto significa que si el estado presente es Si, la
probabilidad de que el siguiente estado sea S, es pi = 05,4, S2 es Ppi2 =
n
0,3, y S3 es pi3 = 0,3. Por tanto el vector da las probabilidades de los

sucesos para el siguiente paso, n = 1, a partir de un estado presente espe-
cífico en n = 0. Para propósitos de notación, sea V/' el vector de probabi-
lidad que describe las probabilidades de los posibles sucesos en n pasos
si el estado presente es S;. La pregunta en consideración puede respon-
derse si se puede obtener V?. Esta expresión da las probabilidades de
todas las compras dos pasos a partir de ahora, ya que el cliente ahora po-
see un Ford, S; en n = 0. Esta información se obtiene a partir del pro-
ducto de V;' y P.
0,40 0,30 0,30

V,? = V,'P = [0,4 0,3 0,3] | 0,20 0,50 0,30
0,25 0,25 0,50
ll [0,4(0,4) + 0,3(0,2) + 0,3(0,25) 0,4(0,3) + 0,3(0,5) + 0,3(0,25)

0,4(0,3) + 0,3(0,3) + 0,3(0,5)]
[0,295 0,345 0,360]
Esto significa que si el estado presente es S, en n = 0, la probabilidad
de estar en el estado S¡ dos pasos después (n = 2) es pz = 0,295, en el
estado Sz es piz = 0,345, y en el estado S3 es piz = 0,360. Se observa
que el término intermedio, el que se relaciona con el estado S3, tiene
exactamente los mismos elementos utilizados en el análisis hecho usando
los conceptos de probabilidad. Hasta ahora, las cadenas de Markov simple-
mente facilitan una técnica para formular y analizar un caso especial de
problemas de probabilidad.
EJEMPLO 4-3 Si el estado presente es un Plymouth, S3 en n = O,

¿cuáles son las probabilidades de repetirlo en cada uno de los respectivos
estados en n= 1yenn= 2?
V,! = [0,25 0,25 0,50]

0,40 0,30 0,30
V,?=V,1P= [0,25 0,25 0,50] [0,20 0,50 0,30 |= [0,275 0,325 0,400] 1111
0,25 0,25 0,50
Según la notación definida, se ha demostrado que lo siguiente es lo

correcto.
Vo =D Deo Pad o y Pi =1
En el tiempo 0 se conoce exactamente cual es el estado; por tanto la pro-

babilidad de que el estado ¡ exista es 1.
v/ = V2P =[Pi Piz ''" Pim

la ¡-ésima fila de la matriz P, el vector de probabilidad :.
iS > VIP
La probabilidad de los resultados o sucesos en dos pasos, es el producto

del vector de probabilidad V,' con la matriz de transición P. Por consi-
guiente, esto indica que puede hacerse el siguiente análisis.
va? ES V¿P ES (V¿P)P e pe
y? = VIP= BYE E VERO
Y? =VpT1p= (VIP"2)P =V/Pr! (4-3)

Por tanto las probabilidades de los sucesos después de n pasos a partir de
ahora pueden determinarse utilizando el vector de probabilidad V, y al-
guna potencia de la matriz de transición P.
EJEMPLO 4-4 Si el cliente es dueño ahora de un Chevrolet, ¿cuáles

son las probabilidades asociadas con su cuarta compra?
y, = [0,20 0,50 0,30]

VE > Vv, p>
0,277 0,351 0,372

Pp? = | 0,269 0,359 0,372
0,275 0,345 0,380
0,277 0,351 0,372

V,P?3= [0,2 0,5 0,3] |0,269 0,359 0,372
0,275 0,345 0,380
= [0,2724 0,3532 0,3744] 11
P” da una
En realidad, si se desea el resultado después de n pasos,
los vectores in-
información aún más completa ya que se compone de todos
de estar en cualquier
dividuales V”” Por tanto P” da las probabilidades
s posibles.
estado dado para todas las condiciones, o estados, iniciale
4-5 Hallar las probabilidades de compra en cuatro pasos.

EJEMPLO
0,2740 0,3516 0,3744
p*=|0,2724 0,3532 0,3744
0,2740 0,3500 0,3760
La primera fila da las probabilidades asociadas con un estado inicial S;.

La segunda fila da las probabilidades asociadas con un estado inicial Sz,
y la tercera fila da las probabilidades asociadas con un estado inicial S3.
CADENAS DE MARKOV ERGODICAS

Si el sistema o proceso que se modela como cadena de Markov tiene cier-
tas propiedades, es posible determinar las probabilidades de los sucesos
después de alcanzar condiciones de estado estable. Después de que el pro-
ceso ha estado funcionando durante un largo tiempo, un suceso dado pue-
de presentarse durante un porcentaje x del tiempo. Frecuentemente se
desea estar en capacidad de determinar estos porcentajes. Tal vez la con-
dición supuesta más perjudicial, en este caso, es el requerimiento de que
la matriz de transición contenga probabilidades que permanezcan constan-
tes con el tiempo. Este requerimiento siempre debe tenerse en cuenta
cuando se hace este análisis para asegurar que los resultados sean inter-
pretados adecuadamente.
Para asegurar la obtención de condiciones de estado estable, la cade-
na debe ser ergódica (algunas veces se denomina cadena irreductible)!.
Una cadena ergódica describe matemáticamente un proceso en el cual es
posible avanzar desde un estado hasta cualquier otro estado. No es nece-
sario que esto sea posible precisamente en un paso, pero debe ser posible
para que cualquier resultado sea logrado independientemente del estado
presente.
Por ejemplo, Jaime conduce su automóvil por un sector cuyas calles
están trazadas como se indica en la figura 4-2. Cada vez que Jaime llega a
una esquina puede dar vuelta o seguir derecho con igual probabilidad. Es
decir, si como se indica en la figura 4-2 él está en la esquina 2, él puede
avanzar hacia la esquina 1, 3, 6 5 con una probabilidad de +. Si él está en
la esquina 5 puede avanzar hacia la esquina 2, 4, 6, u 8 con una probabili-
7 8 Y)
4 5 6
FIGURA 4-2
Trazado de las calles por
donde Jaime conduce. E 2
!Para la comprobación de este enunciado, ver las referencias 3 y 4.

dad de 4, etc. Un estado describe la esquina en la cual está Jaime cuando

toma su decisión. Por tanto hay nueve estados posibles. La matriz de
transición para esta situación es
¿Des
14 NÓ Placas, 9
EOL 0 pta td10 0, 0
1440. d+:0 4580 20:40 ¿0
A10,14-0.:04:02.10.100
dada ds Otra 0
e ra rd E o ll
é10.0.401.0.0,0.4
100. 0 4 0,0 0.30
Oo 0.0.2 074.0
0 0.000340340
(estado)
Jaime puede eventualmente llegar a cualquier localización dada
esta es una
a partir de cualquier localización presente (estado). Por tanto
cadena ergódica.
si des-
La matriz de transición se puede inspeccionar para determinar
a. Se efectúa una prueba sencilla para determi -
cribe una cadena ergódic
r desde cada estado inicial o present e todos
nar la posibilidad de alcanza
mente desde s;
los demás estados. (En algunos casos se puede ir directa
desde s2 hasta s1). Conside rar la ma-
hasta s2 pero no directamente
triz de transición.
x—-
ROOROoOxxw *xx
ox
Doxoxa
OxXOoOxoOwuw
UuBbonNno
e ir directamente desde
Sea X igual a algún valor positivo ps. Es posibl
sin embargo, es posible ir des-
el estado 1 hacia cada estado excepto el 3;
e ir desde el estado 1 hacia
de 1 hasta 2 y luego hacia 3. Por tanto es posibl
los demás estados, sólo es ne-
cualquier otro estado. Ahora se comprueban
hasta el estado 1 ya que esto im-
cesario demostrar que es posible llegar
s.
plica que es posible ir a los demás estado
Estado 2: ir 5, luego desde 5 hacia 1
hasta
Estado 3: ir 5, luego desde 5 hacia 1
hasta
Estado 4: ir 1 hasta
Estado 5: ir 1 hasta
ición de una cadena ergódica.
Por consiguiente esta es la matriz de trans
Un caso más restringido de cadena ergódica, es una cadena regular.

Una cadena regular se define como una cadena que tiene una matriz de
transición P la cual para alguna potencia de P tiene únicamente elementos
positivos de probabilidad (diferentes de cero). Utilizando la misma matriz
de transición como antes, la forma más sencilla de verificar si una cadena
es regular consiste en elevar sucesivamente al cuadrado la matriz hasta
que todos los ceros sean eliminados o hasta que se desarrolle un patrón
que demuestre obviamente que por lo menos un cero nunca podrá eliminar-
se. En el siguiente ejemplo se demuestra que esta cadena también es re-
gular. Se observa que todas las cadenas regulares pueden ser ergódicas
pero lo contrario no necesariamente es cierto. No todas las cadenas ergó-
dicas son regulares.
X MO Xx X XXX XX MA A A
A, Gl,GA LS. > BE, A, PR GR E GRS. ¿Ue
PESTO OO" Xx AI POSTA TA XxX UAT Pell A
SU IE o AER AAA IR, SER. Fade tk
AA O USO y callos. eos Ger Fs AA a
EJEMPLO 4-6 Comprobar cada matriz de transición para determinar

si la cadena es (a) regular y (b) ergódica.
1 2 3
AA PB, E0jO
PELA ON P?=|X X X| regular (y por tanto ergódica)
310—A AX o id CES
Comprobación:
A partir de 1 ir hacia 1 ó 2 directamente, luego desde 2 hacia 3. Desde
2 ir hacia 1. Desde 3 ir hacia 2, luego hacia 1. Por tanto es ergódica.
4
0 0X 0
Xx Xx 0 XxX
0 0X 0
bb
—
uN oxox-
OxXon
dm
xO
O X Ari 0. Ke
Esta matriz puede repetir continuamente este patrón para todas las po-
tencias reales de P; por consiguiente no es regular.
Desde 1 hacia 1 6 3, y desde 3 hacia 3 ó 1; por tanto no se puede ir des-
de 1 hacia 2 Ó 4. No es ergódica.
oA
e ro X 0 X X XXX X
p2[9 Xx Xx 0] p_ | 0 lea PR
Y 0070 Y XXAD lx x x x| "eular
ld) Msi 0 XX XX iD
DETERMINACION DE LAS CONDICIONES DE ESTADO ESTABLE 67
Desde 1 hacia 1 ó 3 directamente, desde 3 hacia 4, desde 4 hacia 2.

Desde 2 hacia 3 hacia 1. Desde 3 hacia 1. Desde 4 hacia 3 hacia 1. Ergódica.
y 2 AU
HO; XX 0 XD Dx
pe e 1 9 e UE 0
Ad dDo jiDeo X cl
aliduak 0500 O y
xo Y A
¡as ad E
0 X X0 0 AO
XxX 0 0 X x0.0 Xx
Se observa que P elevada a una potencia par, da el resultado anterior mien-

tras que P elevada a una potencia impar da la matriz original. Todas tie-
nen algunos elementos no positivos, no es regular.
Desde 1 hacia 2 ó 3, desde 2 hacia 1 ó 4. Desde 2 hacia 1. Desde 3 ha-
cia 1. Desde 4 hacia 2 hacia 1. Ergódica. 1!
DETERMINACION DE LAS CONDICIONES DE

ESTADO ESTABLE
ergódica
La existencia de condiciones de estado estable en una cadena
calcula ndo P" para
regular puede demostrarse de una manera sencilla
an los valores de P” del
diversos valores de n. En la tabla 4-1 se present
n = 1 hasta 8. Se
ejemplo del comprador de automóviles para valores de
p,, tienden
observa que a medida que aumenta el valor de n, los valores
tiende a hacerse
hacia un límite fijo y cada vector de probabilidad V,'
enunciados:
igual para todos los valores -de :. Esto sugiere los siguientes
probabilidad
1 Para un valor de n suficientemente grande, el vector
grandes
V”se hace igual para todas las i y no cambia para valores
de n.
2 Puesto que V"+! = V/Py V¡+! = Vr” existe un vector V+ tal
que V+ = V+P.
en las referencias
Un enunciado más riguroso de este teorema se encuentra
3 y 4; en la referencia 4 se presenta una prueba.
en condiciones
El vector V+ contiene las probabilidades que existen
un método analítico para
de estado estable. El enunciado 2 proporciona
del vector probabilidad
obtener estos valores. Sea uv, el j-ésimo elemento
es un vector probabilidad, aun debe exis-
V+*. Puesto que V+ todavía
tir la siguiente condición:
p¡=1 (4-4)
Y según la proposición 2,
la. 200 ESO. == Abaroa (4-5)
Si se expande este producto de matrices se obtienen m ecuaciones. Cuan-

do se agregan al requerimiento de que la suma de las probabilidades es
igual a 1, hay m + 1 ecuaciones y m incógnitas. Estas pueden resolverse
para las m incógnitas descartando cualquiera de las últimas m ecuaciones.
La ecuación >'_,v, = 1 no puede descartarse puesto que las restantes
m ecuaciones pueden satisfacerse si todas las y, = 0.
Como ejemplo, usando las ecuaciones (4-4) y (4-5), se determinan las
probabilidades de estado estable del comprador de automóviles.
[o, v, v3]P=[0, v, 03]

0, +0 +0, =1
0,4v1 + 0,2v2 + 0,25uv3 = v1
0,3v + 0,5vuz + 0,25u3 = vz

0,3v1 + 0,3v2 + 0,5v3 = uz
Tabla 4-1. Valores de P”
0,4 0,3 0, 0,295 0,345 0,360

= a: 0,5 03 P?= [02 0,385 030 |
0,25 0,25 0,5 0,275 0,325 0,400
0,277 0,351 0,372 0,2740 0,3516 0,3744
E 00 0,359 03m P*= E 0,3532 037
0,275 0,345 0,38 0,2740 0,3500 0,3760
0,27352 0,35160 ot [ora 0,351576 0,374976
P*= |0,27320 0,35192 0,37488 P*= |0,273384 0,351640 0,374976
0,27360 0,35120 0,37520 0,273480 0,35140 osea
0,2734384 0,3515664 0,3749952 0,27343744 0,35156352 0,37499904
P”= |0,2734256 0,3515792 o3rasa Pr [aras 0,35156608 0,37499904
0,2734480 0,3515440 0,3750080 0,27344000 0,35155840 0,37500160
Si se descarta la última ecuación y se efectúan Operaciones algebraicas

se obtiene
0; + UV) + 03 = 1
—0,6v1 + 0,2v2 + 0,25v3 = 0

0,3v1 — 0,5vz + 0,25v3 = 0
N
DETERMINACION DE LAS CONDICIONES DE ESTADO ESTABLE 69
Resolviendo estas tres ecuaciones se obtiene

p, =0,273
15) =0,352
v3 =0,375
Se pueden formular dos clases de enunciados interpretando estos resul-

tados en función de este problema:
1 Ala larga, 27,3 por ciento de los clientes compran Ford, 35,2 por
ciento compran Chevrolet, y 37,5 por ciento compran Plymouth.
2 Ala larga, la probabilidad de que un determinado cliente compre
un Ford es 0,273, etc.
EJEMPLO 4-7 Si
0,2 0,5 0,3
P=|0,1 0,6 0,3
05 00,55
Hallar V*, (o,, v,, Us)

UN + UVa + U3 =
0,2v1 + 0,lvz + 0,5v3 = Ur

0,5v1 + 0,6v2 + 0 = vz2
0,3v1 + 0,3vz + 0,5v3 = U3
Omitir la segunda ecuación
0,5v1 — 0O,4va = O
0,3u1 + 0,3v2 SS 0,5u3 = 0
Uy = 0,282
vz = 0,352 :
va = 0,366 1111
Cuando la cadena no es regular, el método de análisis es el mismo pe-

ro la interpretación es más restrictiva. Por ejemplo, la matriz de transición
im-
puede ser tal que no sea posible alcanzar un estado dado en un número
par - (par-) de pasos numerado s. En este caso la interpre tación 2 no tiene
V+*
significado. Sin embargo, aún es válida la interpretación 1, y el vector
indica la frecuencia relativa del proceso en cada estado posible.
CADENAS DE MARKOV ABSORBENTES

Para describir procesos o sistemas que cesan (o por lo menos vuelven a
comenzar) después de alcanzar determinadas condiciones se utiliza un
caso especial de cadenas de Markov. Por ejemplo, después de hallar un
número predeterminado de partes aceptables o defectuosas, se suspende
una inspección secuencial; después de x horas de funcionamiento, se de-
tiene una máquina para repararla o remplazarla, etc. Tales procesos pue-
den modelarse como una cadena de Markov absorbente. A continuación
se define una cadena de Markov absorbente.
Definición 1 Un estado absorbente es aquel que tiene una proba-

bilidad de ser abandonado igual a cero, o sea que, una vez comenzado
es imposible dejarlo, y el proceso o se detiene completamente o se de-
tiene para luego comenzar a partir de algún otro estado.
Definición 2 Una cadena de Markov es absorbente si: (1) tiene por

lo menos un estado absorbente y (2) es posible ir desde cada estado
no absorbente hasta por lo menos un estado absorbente. No es nece-
sario efectuar esta transición en un paso; ni es necesario tener la po-
sibilidad de alcanzar cada estado absorbente a partir de cualquier es-
tado no absorbente.
Este caso queda mejor ilustrado por medio de un problema sencillo.

Se supone que se inspeccionan partes de acuerdo al siguiente plan de ins-
pección secuencial: seleccionar e inspeccionar artículo por artículo hasta
hallar un defecto (rechazos) o hasta encontrar cinco partes buenas (acep-
tables).
A continuación se describen los estados posibles de este problema.
Descripción física
No. de No. de
Estado partes buenas |partes defectuosas
Si (0,0) Precisamente
S2 (1,0) al comenzar
S3 (2,0)
Sa (3,0)
Ss (4,0)
Sé (5,0)
S7 (0,1) Absorbente
Ss (1,1)
Sy (2,1)
Sio (3,1)
Si (4,1) Ll
ta
YO
ByN
O
yn
— OOO
OO
O
ae
ps
ANALISIS DE LAS CADENAS DE MARKOV ABSORBENTES 71
Si se espera que el 90 por ciento de las partes sean aceptables, la matriz

de transición es
Sy S2 S3 Sa Ss Sé S7 Sa So Sio Sii
Si 0,9 0,1
S2 0,9 0,1
Sy 0,9 0,1
Sa 0,9 0,1
Ss 0,9 0,1
SS 1
Sy 1
Si l
So l
Sio 1
Sh 1
Se observa que una vez alcanzados los estados S¿ hasta S,,, la proba-
bilidad de que el proceso permanezca en el respectivo estado es 1. Por tan-
to es imposible (probabilidad cero) ir desde cualquiera de estos estados
hasta cualquier otro estado. Físicamente esto se debe a que el inspector
podrá tomar una decisión de aceptación y/o rechazo en ese momento y
terminar la inspección.
ANALISIS DE LAS CAD¿NAS DE MARKOV ABSORBENTES

A partir del análisis de esta clase de cadena pueden obtenerse diversas
clases de información pertinente. Es posible determinar los siguientes da-
tos:
1 El número esperado de pasos antes de que el proceso sea absorbido.
2 El número esperado de veces que el proceso está en cualquier es-
tado dado no absorbente.
3 La probabilidad de absorción por cualquier estado absorbente dado.
El primer paso del análisis es reagrupar la matriz de transición de manera
que haya cuatro submatrices:
I 0
¡y pri
Á N
Estas matrices más pequeñas contienen elementos de probabilidad pero

si se consideran individualmente no constituyen una matriz de transición.
Consideradas individualmente contienen la siguiente información con res-
pecto a las probabilidades. Se supone que hay a estados absorbentes, n
estados no absorbentes, y a + n = m estados totales.
I Una matriz identidad a X a representa las probabilidades de per-

manecer dentro de un estado absorbente. (Esta matriz no se utiliza en
cálculos posteriores). z
O Una matriz cero a X n indica las probabilidades de ir desde un es-
tado absorbente hasta un estado no absorbente.
A Una matriz n X a contiene las probabibilidades de ir desde cual-
quier estado no absorbente hasta un estado absorbente.
N Una matriz n X n contiene las probabilidades de ir desde cual-
quier estado no absorbente hasta cualquier otro estado no absorbente.
La matriz de transición revisada es
(5,0) (0,1) (1,1) (2D GD (40 (00) (1,0) (0) 0) (40)

Só S» Ss Ss Sio Sii Si S2 S3 Ss Ss
Se (SO 1 0 0 0 0 0
S, (0,1) 1 0 0 0 0 0
Ss (1,1) 1 0 0 0 0 0
Sy (2,1) 1 0 0 0 0 0
Sio(3,1) 1 0 0 0 0 0
S11(4,1) 1 0 0 0 0 0
Ss, (0,0) O 0,1 0 0 0 0 0 0,9 0 0 0

S¿ (1,0)| O o 0,1 0 0 0 0 0 0,9 0 0
SiQ0)| 0 0 o 01 0 0 0 0 0 09 0
Sa (30) 0 0 0 o 0,1 0 0 0 0; 07 039
Ss (4,0) .9 0 0 0 o 0,1 0 0 0 0 0
Antes de comenzar el análisis, es importante comprender muy bien el

significado y la utilidad de las dos matrices N y A. Como se indicó ante-
riormente, N da las probabilidades de ir desde cualquier estado no absor-
bente hasta otro estado no absorbente en un paso exactamente. Según lo
discutido anteriormente para la matriz de transición P, N? da las proba-
bilidades de ir desde cualquier estado no absorbente hasta otro estado no
absorbente en dos pasos exactamente. Ni da información similar para
tres pasos, etc. Por tanto N” da esta misma información para n pasos
exactamente. Además, N% puede representar la probabilidad de estar en
un estado precisamente ahora. Puesto que esta información se conoce y
como el estado no puede dejarse en cero pasos, N% realmente es una ma-
triz identidad de n X n.
Si este problema se resuelve según los conceptos clásicos de probabili-
dad, una manera de hallar el número esperado de pasos antes de que el
proceso sea absorbido consiste en calcular el número esperado de veces
que el proceso puede estar en cada estado no absorbente y sumarlas. Esto
totalizaría el número de pasos antes de que el proceso fuera descontinua-
do o detenido y por consiguiente el número esperado de pasos hacia la ab-

sorción.
El número esperado de veces que el proceso pueda estar en un estado
no absorbente j es la suma de los siguientes términos:
Número esperado de veces en = 1 X probabilidad de estar en j al
comienzo + 1 X probabilidad de estar
en j después de 1 paso + 1 Xx
probabilidad de estar en j después de
2 pasos + :::
=1N + 1N4+1N?+1N?*+-+"*
=1N + N4+N?4+N?*+>
La matriz N se compone de fracciones decimales p,,, donde 0 < py < 1.
Por tanto a medida que aumenta la potencia n, N” tiende a cero. Puede
demostrarse que esta serie de matrices se comporta como una serie de
potencias, y que el límite de su suma es
N 4N+N? 4 NN? 4 0 =(1-N)” (4-6)
Tes una matriz identidad n X n. Esto es análogo a la serie algebraica de
potencias
l
EEE donde |x|<1 (4-7)
Por consiguiente, para un estado inicial dado, la matriz (1 — N)-*

no
da el número esperado de veces que un proceso está en cada estado
de la absorción . Esto se demuestr a en seguida por me-
absorbente antes
dio del ejemplo que modela un plan de inspección secuencial.
1 0. 0001: F0.09:0..0.:0
a 4 0mra F107 9090 0
NS 18. 06 1 Pr ob be a
009 8
za e ¿po aldo. 4.0 008
EE 8 ES o eleca. 0
ias . “708
apo ¡=48. O 0
ENG? a- 1=99 0
0 0 0. 1-09
AA A
Invertir esta matriz para obtener (1— N)”!.
(0,0) (1,0) (2,0) G,0) (4,0)
Si S2 S3 Ss Ss
(00s ff 1 0,9 0,81 0,729 0,6561
(11052) 0 1 0,9 0,81 0,929
(1- N)y* =Q.0S3)] 0 0 1 0,9 0,81
(3,0954J 0 0 0 Qs
(4.0ss 0 0 o 0 1
A FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
Para interpretar este resultado, se comienza desde el principio del proce-

so de inspección, S,; el número esperado de veces en este estado es 1,
* en el estado 2 (1 bueno, 0 malo) es 0,9, en el estado 3 es 0,81 etc. Si el pro-
ceso está ahora en el estado S3 (2 bueno, O malo) el número esperado de
veces en S3 es 1, en S4 es 0,9 y en S, es 0,81. Según lo indicado an-
teriormente, el número esperado de pasos antes de la absorción es la su-
ma de las veces que el proceso está en cada estado no absorbente.
Estado inicial Pasos esperados antes de la absorción
1+ 0,9 + 0,81 + 0,729 + 0,6561 =' 4,0951

S2 1 + 0,9 + 0,81 + 0,729 = 3,439
S3 1 +.0,9 + 0,81. = 2,71
Sa 1 +. 0,9 1,9
Ss 1
EJEMPLO 4-8 Hallar el número esperado de pasos hacia la absorción

para la matriz de transición
Si S2 S3 Ss
UN 1[0,2 0,3 0,3 0,2
Sel Obeid: 0
30,4 0 0,3 0,3
Y «10,4 0,2 0,2 0,2
YN
Reagrupar la matriz en cuatro particiones

Si S2 S3 Ss
SELLO: 0D
Hallar IT — N.
1050 0,2 0,3 0,2 0,8 —0,3 —0,2

o 1 O|-lo403303| =|-04 07 -03
0 0 1 0,4 0,2 0,2 -0,4 — 0,2 0,8
Hallar (1 — N)-1.
226 1,429 1,173

(1—- N)* =|2,245 2,857 1,633
1,837 1,429 2,245
Comenzando en el estado S,, el número esperado de pasos para la absor-

ción es 2,551 + 1,429 + 1,173 = 5,153. Comenzando en el estado S3 el
número esperado de pasos para la absorción es 2,245 + 2,857 + 1,633 =
6,735. Comenzando en el estado S,, el número esperado de pasos para
la absorción es 1,837 + 1,429 + 2,245 = 5,511. 111/
Para hallar la probabilidad de absorción por cualquier estado absor-

bente dado, se emplea una lógica similar en el análisis. Sea j el símbolo
que representa un estado absorbente dado; sea ¡ el símbolo que represen-
ta algún estado no absorbente específico; y sea k cualquier estado no ab-
sorbente.
Probabilidad de terminar en ¡ = probabilidad de ir desde ¡ hasta j

en 1 paso + probabilidad de ir
desde ¡ hasta j en 2 pasos +
probabilidad de ir desde ¡ hasta
j en tres pasos + --:
Probabilidad de ir desde ¡ hasta j en 1 paso = A
Probabilidad de ir desde ¡
hasta j en 2 pasos = probabilidad de ir
desde ¡ hasta k en
1 paso X probabilidad
de ir desde k hasta
j en 1 paso, sumada
para todos los valores
dek = NR.
Probabilidad de ir desde ¡
hasta j en 3 pasos = probabilidad de ir
desde ¡ hasta k en 2
pasos X probabilidad
de ir desde k hastaj
en 1 paso, sumada para
todos los valores de
k = NA.
Probabilidad de ir desde ¡ hasta j en 4 pasos = N*A

Probabilidad de ir desde ¿ hasta j en n pasos = N”-1A
Por tanto la probabilidad de ir desde ¡ hasta j es la suma de los términos

de una serie convergente.
Probabilidad de ir desde ¡ hasta j =4 + NA+N?4+ N%A4A+:*:

=I4.+NA+N?A+NA+ cc
=(1LE4N+N?4+N
4 :5dA (4-8)
Probabilidad =(1— N)'A (4-9)
Considerando nuevamente el ejemplo de la inspección, la probabili-

dad de que el proceso pueda terminar con la aceptación del lote como bue-
no es la probabilidad de ser absorbido en el estado S¿ (cinco partes bue-
nas).
1 0,9 0,81 0,729 0,6561 o 0,1 0 0 0 0

0 t:09'*70,84 0,729 0 o 0% 0 0 0
(1 — Ny'A=]|0 0 1 0,9 0,81 0 0 OQ: 0 0
0 0 0 1 0,9 0 0 0 oO 0 0
0 0 0 0 1 0,9 0 0 0 0,1
Só Sa. Se So Sio Si1

5:[0,59049 0,1 0,09 0,081 0,0729 0,06561
S210,6561 00,1 0,09 0,081 0,0729
= $30,729 0: .0;.0,1., 0,09....0,081
S:|0,81 Oct (0 De 0,1 0,09
SsLO,9 90.0 0 0,1
Para interpretar este resultado, la probabilidad de absorción en el estado

S¿ cuando el estado inicial es S; es 0,59049. Por consiguiente la proba-
bilidad de que el lote sea aceptado es 0,59049..La probabilidad de que sea
rechazado es la suma de las probabilidades de absorción por los estados
de rechazo S,,S3, So, Sio y Si1.
Probabilidad de rechazo cuando se comienza en S, = 0,1 + 0,090 +
0,081 + 0,0729 + 0,06561 = 0,40951.
NUMERO DE PASOS PARA ALCANZAR POR PRIMERA VEZ UN

ESTADO DETERMINADO EN CADENAS NO ABSORBENTES
En algunos casos es interesante determinar en una cadena no absorben-
te el número esperado de pasos antes de que el proceso que comienza en
el estado ¡ entre o alcance el estado no absorbente j. Esto es análogo al
proceso de absorción en una cadena absorbente. Por consiguiente para de-
NUMERO DE PASOS PARA ALCANZAR POR PRIMERA VEZ UN ESTADO DETERMINADO ei
terminar el número de pasos antes de alcanzar por primera vez un estado

específico j, simplemente se modifica la matriz de transición de manera
que el estado j aparezca como estado absorbente y se utiliza el método
de análisis desarrollado anteriormente.
Como ejemplo, usando el problema del comprador de automóviles, se
determina el número esperado de compras antes de que el ahora dueño de
un Ford (estado S¡) compre un Plymouth (estado S3). La matriz de
transición se modifica para convertir el estado S3 (compra de un Ply-
mouth) en un estado absorbente:
Se Se 35
S,[0,4 0,3 0,3
20 0,5 0,3
$L-0-—-0---1
Separando esta matriz en cuatro submatrices:
S,
S,
S;
1 0] f0,4 0,3] _ [ 0,6 04)
3% qu 4 E il LS 0,5
tapo 129]
(1— N)*' =|0,82 2,50
un
Esto significa que el número de ocasiones antes de que el dueño de
vez un Plymout h es 2,08 + 1,25 = 3,33. Ade-
Ford compre por primera
a
más, el número de pasos para alcanzar por primera vez el estado S3
partir de Sz es 0,82 + 2,50 = 3,32.
r por prime-
EJEMPLO 4-9 Determinar el número de pasos para alcanza
ra vez los estados Si y 32.
primera vez S;.
Determinación del número de pasos para alcanzar por
Convertir Si, en un estado absorbe nte.
10 =| 0 - [9 05]-| 0,5 pd
0, 1] ¿L0,25:0,5): 1L550;2530:1:0,5
2,86 1d
erjoltd le 2,86
e SS
El número esperado de pasos antes de que un dueño de Chevrolet com-

pre por primera vez un Ford es 2,86 + 1,71 = 4,57 pasos; para un dueño
de Plymouth es 1,43 + 2,86 = 4,29 pasos.
Determinación del número de pasos para alcanzar por primera vez Sz.
S2 Si S3
s|1-0-.0
S:]0,3 0,4 0,3
s»L0,25 0,25 0,5
I=ny=|! 0] _[04 031 [| 06. —0,3
| o 1| 7 lo25 0,5) |-0,25 05
(1 — Ny? == len 1739
111267
“El número esperado de ocasiones antes de que un dueño de Ford compre
un Chevrotet 2,22 + 1,33 = 3,55; para el dueño de un Plymouth es 1,11 +
2,67 = 3,78. 1111
FORMULACION DE PROBLEMAS FISICOS O ECONOMICOS

SEGUN UNA CADENA DE MARKOV
Hay un número sorprendente de situaciones físicas y económicas que
pueden modelarse según una cadena de Markov. Esto requiere frecuen-
temente ingeniosidad en la definición de un paso o de un estado y una
base sólida en probabilidades. Lo primero tiende a ser el resultado de la
experiencia. En esta sección se presentan unos pocos ejemplos para ilus-
trar cómo pueden utilizarse las cadenas de Markov.
Una aplicación interesante de las cadenas de Markov se basa en el
análisis de problemas que contienen retroalimentación o la posibilidad
de regresar a estados previamente ocupados. Como ejemplo, puede supo-
nerse un taller de maquinaria que produce 100 partes y que la secuencia
de los pasos de fabricación de cada parte es:
Máquina A
Inspección A
Máquina B
Inspección B
Máquina C
Inspección C
Empaque y trasporte
FORMULACION DE PROBLEMAS FISICOS O ECONOMICOS SEGUN UNA CADENA DE MARKOV 79
Entrada
Máquina A
p= 0,9
p= 0,05
Inspección A
p= 0,90
Máquina B
p= 0,92
D
Inspección B a.
p= 0,92
Máquina C
p= 0,98
p= 0,03
Inspección €
p= 0,94
Empaque y trasporte
FIGURA 4-3
Diagrama esquemático del flujo de trabajo en
un taller de maquinaria.
Realmente la secuencia puede ser más complicada de lo que se indica ya

que, por ejemplo, algunas partes pueden estropearse durante la etapa de
elaboración o un defecto de fundición puede permanecer oculto mientras
la pieza se elabora, e inmediatamente clasificarse como defecto sin pasar
por inspección. En algunos casos el inspector puede devolver una parte
co-
a una máquina anterior para procesarla de nuevo en lugar de rotularla
mo defectuosa. Esta secuencia real se describe en el esquema de la figu-
que
ra 4-3, y se indican las probabilidades estimadas. Puede suponerse
se formulan las siguientes preguntas:
y
1 ¿Qué fracción esperada de partes comenzadas son completadas
trasportadas?
2 Dados los datos sobre tiempos estimados por operación, ¿cuáles
son los requerimientos esperados de horas-hombre en cada sitio?
es,
3 Dados los datos sobre costos de mano de obra y de material
¿cuáles son los costos directos esperados?
el análisis del problema
Estas preguntas pueden responderse mediante
suponerse que se han ob-
formulado según una cadena de Markov. Puede
tenido los siguientes datós adicionales.
Tiempo estimado Costo por

para cada operación hora de
Operación en horas-hombre operación
Máquina A
Máquina B 10
Máquina C 12
Inspección
(cada una) 10
Empaque y trasporte
El costo de los materiales es de $15 por parte y el de los residuos $2 por

parte.
La primera etapa de la solución del problema consiste en definir un
paso y un estado para utilizarlos en la cadena de Markov. En este proble-
ma se define un estado como un centro de operación; por tanto, la má-
quina A será el estado 1, la inspección A será el estado 2. Un paso se
define como la conclusión del trabajo en un centro de operación. Esto
conduce a una cadena de ocho estados.
Estado Descripción
Máquina A
Inspección A
Máquina B
Inspección B
Máquina C
Inspección C
Empaque y trasporte
0M03D00'120N- Desechos
Puesto que un paso es la terminación de un trabajo en un centro de ope-

ración, las probabilidades presentadas en la figura 4-3 pueden usarse para
completar la matriz de transición.
¡Tf O 0,90 0,10

210,05 0,90 0,05
3 0,97 0,03
4 0,04 0,92 0,04
5 0,98 0,02
. : 0,03 0,94 0,03
8 pm
Se observa que los estados 7 y 8 son estados absorbentes. Una vez com-
pletada y trasportada una parte, esta no es devuelta; similarmente, des-
pués de haber sido desechada no se vuelve a utilizar.
Para responder la primera pregunta, se requiere la probabilidad de
absorción por el estado 7. Esta es la probabilidad de que una parte sea
completada, empacada y trasportada. Esto requiere el análisis de una ca-
dena absorbente.
] 2 3 4 5 6 7 8
1 0,9 'NT o 0,10
2lo,05 0,90 0,05
A o
3 0,97 0,03
a 0
Pa 0,04 0,92 de A
5 0,98 s| o 0,02
6 0,03 slo,94 0,03
1 Z 3 4 5 6
ir 4 — 0,9
0/08 *1 200
3 1 — 0,97
Ci" =004 1 —0,92
5 15. 0:88
6 —0,03 1
1 Ze 3 4 S 6
111,05 0,94 0,88 0,86 0,81 0,79

2lo.05 1,05 0,98 0,95 0,90 0,88
aL O. 0 1,04 101 0,96 0,97
A 0 0 0,04 1,04 0,99 0,94
s1 0 0 0 O 1,03 1,01
6L 0 0 0 O 0,03 1,03
se halla el pro-
Para obtener la probabilidad de absorción por el estado 7,
ducto (1 — N)-'A.
1 2
10,75 0,25
210,83 0,17
(1— N)*A =3|0,88 0,12
410,91 0,09
5| 0,95 0,05
6L0,97 0,03
actoriamente una
Por consiguiente, la probabilidad de completar satisf
Si se comien zan exactamente 100
parte que entra (al estado 1) es 0,75.
partes, el número esperado de partes que se completan es 0,75(100) = 75.

Sin conocer la desviación típica es difícil hacer afirmaciones sobre pro-
babilidad, pero si se comienzan 100/0,75 = 134 partes, puede esperarse
que 100 queden completas.
La fila 1 de la matriz (1 — N)-1! contiene los datos necesarios para
el análisis que conduce hacia la respuesta 2. Estos valores representan
el número de períodos que emplea una parte que entra en cada centro de
operación. Por tanto el tiempo esperado requerido en un centro es el
producto del número esperado de períodos en ese centro y el tiempo esti-
mado de operación.
REQUERIMIENTOS ESTIMADOS
DE HORAS-HOMBRE
POR CADA PARTE QUE ENTRA
Operación Horas-hombre
Máquina A
Inspección A 0,23
Máquina B 2,20
Inspección B 0,22
Máquina C 1,21
Inspección C
Además se necesitan 0,1 horas para empacar y trasportar la parte termi-

nada. Para presentar esta información sobre la base de una parte termi-
nada, se dividen todos los valores por la probabilidad de una elaboración
satisfactoria.
REQUERIMIENTOS ESTIMADOS
DE HORAS-HOMBRE
POR CADA PARTE TERMINADA
Operación Horas-hombre
Máquina A 3,15/0,75 4,20

Inspección A 0,23/0,75 0,31
Máquina B 2,20/0,75 2,93
Inspección B 0,22/0,75 0,29
Máquina C 1,2/0,75 1,61
Inspección C 0,20/0,75 0,27
Empaque y trasporte
Finalmente estos datos se utilizan para obtener el valor esperado del

costo directo de una parte terminada. Este valor es igual a la suma de
los costos de operación más el costo de los materiales menos cualquier
valor que tengan las partes desechadas.
COSTOS DE OPERACION
Máquina A 10 $42,0
Inspección A 3,10
Máquina B 29,30
Inspección B 2,90
Máquina C 19,32
Inspección C 2,70
Empaque y trasporte 0,80
Costo de los materiales = $15(1,33) — $2(1,33) (0,25) = $19,29
Costo de los materiales = número de partes que se comienzan para

completar 1 parte buena — número de
partes que se comienzan X probabilidad
de rechazo X valor de los desechos.
Este método general puede usarse para estimar el costo del producto y
los requerimientos de mano de obra o de tiempo de máquina, aún tenien-
do en cuenta el hecho de que los procedimientos de contabilidad varían
de una empresa a otra.
Aunque casi todos los problemas de colas pueden analizarse por me-
dio de una cadena de Markov es posible aplicar otras técnicas apropia-
das. Cuando se requieren distribuciones poco comunes de llegadas o de
servicios las cadenas de Markov son especialmente útiles. Como ejemplo,
se considera el siguiente problema de colas. Una estación de servicio que
tiene un solo canal y únicamente tres espacios para los clientes que llegan
a esperar servicio. :
Si se define un estado como el número de unidades en el sistema (ya
en este caso los clien-
sea en servicio o esperando), el máximo valor es 4;
tes que llegan no son atendidos y regresan hacia la población original.
unidad
Sea un paso un pequeño incremento de tiempo At tal que una
que llegue no pueda ser atendida durante ese tiempo. Por consistencia,
se hacen las siguientes suposiciones con respecto al tiempo de las llega-

das y al servicio.
1 Los clientes llegan al comienzo de un período.
2 Los servicios quedan concluidos al final de un período.
Por consiguiente si el sistema está completo, las llegadas anticipadas
son devueltas aunque se presenten puestos vacíos al final de un período.
Se han recogido los siguientes datos con'respecto a la llegada de clientes
y a las probabilidades de servicio durante el tiempo At.
No. de unidades
No. de llegadas | Probabilidad servidas Probabilidad*
0,6
0,4 1
0
Esta es una probabilidad condicional, esto es. la probabilidad de que dos unidades
sean servidas = 0,1 dado que dos unidades requieren servicio.
Los posibles estados son So = vacío, Si = 1 unidad está siendo

servida, S2, S3 y S4 = 1 unidad siendo servida y 1, 2 ó 3 unidades es-
perando. La primera estapa es encontrar las probabilidades p;,, requeri-
das para la matriz de transición.
Probabilidad Descripción
Desocupado ahora, desocupado en el

siguiente período; probabilidad de que
no haya llegadas 0,6
Ppo,1 Desocupado ahora, uno en el sistema en
el siguiente período; esto puede suceder
teniendo una llegada 0,4
P0.2 Desocupado ahora, dos en el sistema en
el siguiente período, no es posible
P0,3 , PO0,4 No es posible
P1,0 Uno ahora en el sistema, desocupado en
el siguiente período; esto puede suceder
no teniendo llegadas y un servicio
concluido 0,6(1 — 0,5) = 0,30
Esto puede suceder de dos maneras:
a Uno en el sistema, ni llegadas ni
servicios
b Uno en el sistema, una llegada y un
servicio a+ b= 0,6(0,5) + 0,4(1— 0,5)
É = 0,30 + 0,20 = 0,50
Uno en el sistema, una llegada, no hay
servicio 0,4(1— 0,5) = 0,20
P13 ,P14 | No es posible

P20 Dos en el sistema, no hay llegadas, dos
servicios 0,6(0,1) = 0,06
P2.1 a Dos en el sistema, no hay llegadas, un
servicio
b Dos en el sistema, una llegada, dos
servicios 0,6(0,4) + 0,4(0,1) = 0,24+ 0,04 = 0,28
p22 Dos en el sistema, no hay llegadas, no
hay servicio
Dos en el sistema, una llegada, un
servicio 0,6(0,5) + 0,4(0,4) = 0,30+ 0,16 = 0,46
p2,3 Dos en el sistema, una llegada, no hay
servicio 0,4(0,5) = 0,20
Pp2,4 No es posible
P3.0 No es posible
P3,1 Tres en el sistema, no hay llegadas, dos
servicios 0,6(0,1) = 0,06
Pp3,2 Tres en el sistema, no hay llegadas, un
servicio
Tres en el sistema, una llegada, dos |
0,6(0,4) + 0,4(0,1) = 0,24 + 0,04 = 0,28
servicios
P33 Tres en el sistema, no hay llegadas, no

hay servicio
Tres en el sistema, una llegada, un
servicio 0,6(0,5) + 0,4(0,4) = 0,30+ 0,16 = 0,46
P3,4 Tres en el sistema, una llegada, no hay
servicio 0,4(0,5) = 0,20
P3.0 No es' posible
P4,1 No es posible
P4.2 Cuatro en el sistema, dos servicios (no
puede haber llegadas ya que serían
rechazadas) 0,1
Cuatro en el sistema, un servicio 0,4
P43
Cuatro en el sistema, no hay servicio 0,5
P4.4
Esto conduce a la matriz de transición

0,60 0,40 0 0 0
0,30 0,50 0,20 0 0
0,06 0,28 0,46 0,20 0
O 0,06 0,28 0,46 0,20
0 0 0,10 0,40 0,50
nes
Puesto que esta cadena es ergódica, pueden determinarse las condicio
compone ntes
de estado estable. Sea V, el símbolo que representa los
individuales del vector de estado estable V*.
Vo + U + V, + 03 + V=1l
0,6vo + 0,3v, + 0,6u2 =0
0,4vo + 0,5v1 + 0,28u2 + 0,06v3 UN
0,20, + 0,46v2 + 0,28v3 + 0,lva =0z2
0,20v2 + 0,46v3 + 0,4v4 =03

Resolviendo estas ecuaciones se obtienen los valores de vo, U1, U2,

Uz Y Us.
V* = [0,30 0,36 0,20 0,10 0,04]

Esto significa que el sistema está vacío 0,30 del tiempo, tiene una unidad
en servicio 0,36 del tiempo, etc. El número promedio de unidades en el
sistema es 0(0,30) + 1(0,36) + 2(0,20) + 3(0,10) + 4(0,04) = 1,22. Puesto
que va = 0,04, la probabilidad condicional de rechazar un cliente que lle-
ga es 0,04.
REFERENCIAS
1 Clark, A. Bruce, y Ralph L. Disney: “Probability and Random Processes for
Engineers and Scientists,” John Wiley € Sons, Inc.. Nueva York 1970.
2 Hillier, Frederick S. y Gerald J. Lieberman: “Introduction to Operations Re-
search,” págs. 402-438, Holden-Day, Inc., Publisher, San Francisco, 1967.
3 Kemeny, John G., Hazelton Mirkel, J. Laurie Snell, y Gerald L. Thompson:
““Finite Mathematical Structures,” págs. 384-438, Prentice-Hall, Inc., Eng-
lewood Cliffs, N. J., 1959.
4 Kemeny, John G., y Y. Laurie Snell: “Finite Markov Chains,” Prentice-Hall,
Inc., Englewood Cliffs, N. J., 1960.
5 Levin, Richard I., y Charles A. Kirkpatrick: “Quantitative Approaches To
Management,” 2a. ed., págs. 346-367, McGraw-Hill Book Company, Nueva York,
1971.
PROBLEMAS
4-1 Dos equipos juegan un campeonato de siete partidos; cuando un equipo ga-
na cuatro juegos, se le declara campeón y la serie termina. Si la probabilidad
de ganar cualquier juego es 0,6 para los Vaqueros y 0,4 para los Gigantes,
representar esta situación como una cadena de Markov y formar la matriz
de transición P.
4-2 Determinar p? y p? para cada una de las siguientes matrices de transi-
ción. ¿Es una cadena regular?
(a) [0,2 0,3 0,5 (0) [4 3 ad Y

09 001 1.0 o 1
IU m0
4-3 Hallar el vector de estado estable V* de cada una de las siguientes matri-
ces regulares.
(a) [4 4 (6) [0 0 1] (0) fo60s (d) [0,8 0,2 0,0

$. hd pe 0 0,5 0,5
PROBLEMAS 87
4-4 Se efectús una encuesta de mercadeo de tres marcas de alimentos para el

desayuno, X, Y y Z. Cada vez que el cliente compra un nuevo paquete, puede
comprar de la misma marca o cambiarse a otra. Se han obtenido los siguien-
tes datos estimados que se expresan como fracciones decimales.
Marca recién
comprada
y. O, AN
X [0,7 0,2 0,1
rail ros0,5 02|
presente zl03 0,33 0,4
Se estima en este momento que el 30 por ciento de los clientes compran la

marca X, 20 por ciento la marca Y, y 50 por ciento la marca Z. ¿Cuál será la
distribución de clientes dos períodos de tiempo después?
Determinar si las siguientes cadenas son ergódicas y/o regulares.
(a) [o 0 1 (5) [05 0.05 0 ()[o01 0

E0,5 0s| 0 0,7 00,3 os0 05|
1.0.0 05 005 0 0700
0 0,7 00,3
4-6 Hailar si es posible el vector de estado estable V+» de cada una de las ca-
denas del problema 4-5.
4-7 Dos muchachos comparan monedas. Federico gana si las monedas son igua-
les y Jaime gana si son diferentes. Jaime comienza con tres monedas y Fe-
derico con dos monedas, el juego termina cuando cualquiera de ellos tenga
todas las monedas.
(a) Formular esta situación como una cadena de Markov.
(b) ¿Cuál es la probabilidad de que Federico gane todas las monedas.
de
(c) ¿Cuál es el número esperado de jugadas que pueden hacerse antes
que el juego termine?
matriz
¿Cuál es la probabilidad de que el proceso descrito por la siguiente
pueda estar en el estado 1?
3
1 [0,6 0,4
2 |0,2 0,8
Demostrar que una cadena absorbente no es regular.

La probabilidad de que una parte pueda fallar durante un intervalo de tiem-
po At es 0,1. La parte se remplaza después de la falla.
(a) Describir esta situación como una cadena de Markov absorbente.
(b) Hallar el número esperado de intervalos de tiempo antes del remplazo.
Dada la siguiente matriz de transición y que el proceso está en el estado 1,
¿cuál es la probabilidad de que el proceso termine en el estado 4?
A!
1 [0,2 0,3 0,4 0,1
2 ler0imlef 0h 0
3 | 1 0:10 40
41070 0071
4-12 La matriz de transición P de una cadena de Markov está dada por
3d
a o A y a+b+c=1
UA a,b,c>0
Hallar los valores de a, b y c tales que comenzando desde el estado 3, el nú-

mero de pasos hacia la absorción sea cuatro y la probabilidad de ser absor-
bido en el estado 2 sea el doble de la probabilidad de ser absorbido en el
estado 1.
4-13 ¿Cuál es la probabilidad de que los Vaqueros, en el problema 4-1, ganen el
campeonato?
4-14 Uno de los aficionados a la cacería de patos solamente le dispara a un pato en
cada ocasión independientemente de cuantos vuelen juntos. La probabilidad
de un acierto es 0,2. El máximo número de patos cazados en un día es 2. Des-
cribir esta situación como una cadena de Markov absorbente. Hallar el nú-
mero esperado de disparos que él debe hacer antes de lograr su límite.
4-15 Se utiliza un procedimiento de inspección secuencial, inspeccionando partes
sobre una base de artículo por artículo y clasificándolas como buenas o ma-
las. A continuación se presenta un esquema del plan de inspección. Si 10
por ciento de las partes son malas, hallar la probabilidad de rechazar el lote.
Lote rechazado
Número de
3 poa Y
partes 2 o
o
malas
q Lote aceptado
inspeccionadas : o EA
l 2 3 4 5 6
Número de partes inspeccionadas
PROB. 4-15
Número de partes inspeccionadas.
4-16 Se utiliza un procedimiento de inspección similar al del problema anterior

pero las partes se clasifican como de mayor tamaño, de menor tamaño, o den-
tro de la especificación. El lote se rechaza cuando se encuentra 1 unidad de
mayor tamaño o cuando se encuentra 1 de menor tamaño. El lote se acepta
cuando se encuentran 3 partes dentro de las especificaciones. Si el 10 por
PROBLEMAS 89
ciento de las partes son de mayor tamaño y el 5 por ciento de menor tamaño,
¿cuál es la probabilidad de aceptación?
4-17 Una máquina funciona durante un determinado período de tiempo cón una
probabilidad de falla de 0,3. El 60 por ciento de las veces la falla puede repa-
rarse exactamente en un período, y en los demás casos se requieren exacta-
mente dos períodos para la reparación. Se puede suponer que las fallas se pre-
sentan al final de un período. El costo por tiempo perdido es de $50 por perío-
do.
(a) Formular esta situación como una cadena de Markov, describir los esta-
dos y las suposiciones, y desarrollar una matriz de transición.
(b) Es posible contratar un ayudante adicional, con un costo de $20 por
período de tiempo, con el objeto de que la falla siempre sea reparada den-
tro del mismo período. ¿Es conveniente hacer esto?
4-18 En un determinado proceso de producción, cada artículo pasa por dos etapas
de fabricación. Al final de cada etapa, los artículos se desechan (probabili-
dad de 0,2) se regresan para rehacerlos (probabilidad de 0,3), o pasan a la
etapa siguiente (probabilidad de 0,5).
(a) Describir esta situación como una cadena de Markov y establecer la ma-
triz de transición.
(b) ¿Cuál es el número esperado de pasos hacia la absorción?
(c) =>Si en un lote se comienzan 100 partes, ¿cuál es el número esperado de
partes buenas que pueden completarse?
O
MODELOS DE REMPLAZO
NECESIDAD DE REMPLAZO
Si se mantiene un riesgo durante un tiempo prolongado, el equipo se de-
teriora y es inevitable la decisión respecto a la necesidad de su remplazo.
Esta necesidad de remplazo puede ser ocasionada por una pérdida de efi-
ciencia que conduce a un deterioro económico. En este caso, el momento
en el cual es evidente la necesidad de remplazo no se presenta de una ma-
nera precisa o definida. Existe un punto de remplazo óptimo entre las
funciones de costo crecientes y decrecientes. La función de costo decre-
ciente es la depreciación del equipo original, esto es, la distribución del
costo del capital durante un mayor período de tiempo da lugar a un menor
costo promedio. Esto favorece la decisión de no remplazar. Por el contrario,
la función de costo creciente es la disminución de la eficiencia a causa
del tiempo de servicio o del desgaste. Esto favorece la decisión de rem-
plazar anticipadamente, para disminuir los costos de operación y de man-
tenimiento. El costo mínimo se obtiene sumando ambos términos y de-
terminando el costo mínimo total.
Un problema similar es la necesidad de remplazar a causa de una
falla o inminencia de falla. La función de costo decreciente sigue siendo
la depreciación del costo original del equipo. Aunque no se considera la
variación de la eficiencia de operación con el uso, sin embargo es necesa-
S
AUMENTO DEL COSTO DE OPERACION Y MANTENIMIENTO 91
rio remplazar a causa de la falla. Después de la faila no se requierg una

decisión ya que es necesario remplazar o reparar. No obstante, pyede ser
económicamente conveniente remplazar o reparar con base en una pro-
gramación, antes de que la falla se presente. En este caso, un remplazo
anticipado da lugar a una disminución del costo. Por consiguiente el pro-
blema se convierte en la determinación del intervalo óptimo de remplazo.
REMPLAZO OCASIONADO POR EL

DISEÑO ECONOMICO
El deterioro económico en la utilización de equipo, puede ser ocasionado
por muchos factores considerados individualmente o combinados. Los
más comunes de estos son:
Costo creciente de mantenimiento
Costo creciente de operación
Obsolescencia técnica y/o económica
Los dos primeros factores, mantenimiento y operación, se consideran ge-
neralmente en el mismo grupo, ya que este es un resultado normal del de-
terioro debido al tiempo y al uso. Estos son los factores más fáciles de
considerar, ya que generalmente, pueden estimarse con un grado razona-
ble de exactitud. La existencia de una obsolescencia técnica o económica
está bien establecida; pero es. difícil de estimar, especialmente para pe-
ríodos de tiempo relativamente cortos. Por esta razón, este factor se
considera inicialmente como un caso aparte.
AUMENTO DEL COSTO DE OPERACION

Y MANTENIMIENTO
Método discreto de análisis
costos de ope-
En la presentación del método de análisis se agrupan los
ración y de mantenimiento, ya que ambos aumentan con el paso del tiem-
manten imiento
po. Los efectos de los costos crecientes de operación y de
ación clásica.
pueden evaluarse según dos técnicas, tabulación u optimiz
y permite
El método de tabulación tiene dos grandes ventajas: es simple
ra un ejemplo .
el empleo de datos discontinuos. Á continuación se conside
mientra s
Los automóviles de una empresa tienen costos crecientes
directos de
se mantienen en servicio a causa del aumento de los costos
de manteni-
operación (gasolina y aceite) y del aumento de los costos
El costo inicial es
miento (reparaciones, neumáticos, baterías, etc.).
tiempo hasta al-
$3.500, y el valor de reventa disminuye con el paso del
$500. El proble ma consist e en determinar el
canzar un valor constante de
92 MODELOS DE REMPLAZO
tiempo apropiado de servicio antes de que los automóviles deban ser rem-
plazados. En este ejemplo no se considera la variación del valor del dine-
ro con el tiempo; esto es, se supone que los intereses son iguales a cero.
En la tabla 5-1 se presentan los datos de costos.
Si se supone que la tasa de interés es cero, puede hacerse la compa-
ración sobre la base de costo promedio. El costo total de poseer y operar
el vehículo se acumula para n años, y este total se divide por n. En la
tabla 5-2 se presenta este análisis. Según la tabla 5-2, el remplazo cada
3 años da lugar a un costo anual promedio más bajo, $3.200 por año. Se
observa que esto supone una utilización continua de este equipo.
Si se considera el efecto de la variación del valor del dinero con el
tiempo, el análisis debe tener como base un costo anual equivalente.
Para lograr esto, primero deben convertirse todos los valores a una base
de valor presente. Entonces estos valores se acumulan como en la tabla
5-2, pero se determina un costo anual equivalente para n años de servi-
cio en lugar de un promedio estrictamente aritmético. En la tabla 5-3 se
presenta este análisis. Puede observarse que los resultados de la columna
final se determinan utilizando el factor de recuperación de capital para
una serie de pagos iguales (Ref. 6), donde
A (1 +1"
|=P(AP'"”) (5-1)
ss=P el
En este factor, se supone que A es un pago, de una serie de pagos iguales
realizados al final de cada año. Por tanto esta comparación tiene como base
el costo al final de año en lugar «le los costos al comienzo del año. Para
obtener costos al comienzo del año, se descuentan estos valores en tiempo,
de lo correspondiente a un período. La decisión será la misma aunque los
valores correspondientes sean diferentes.
El análisis de la tabla 5-3 indica un período óptimo de remplazo de
4 años en lugar de los 3 años que se indicaron cuando se despreció el
efecto del interés. Por consiguiente el efecto del interés tiende a desviar
la decisión hacia una mayor vida de servicio. En la figura 5-1 se presenta
una comparación gráfica de los resultados de estos dos métodos de aná-
lisis. Según la figura 5-1, la inclusión del interés aumenta el costo calcu-
lado. En realidad para casi todos los casos, la curva del costo total
promedio tiene una pendiente tan pequeña, que la decisión indicada por
simple análisis cuando ¡=60 no aumenta el costo en un factor apre-
ciable. Sin embargo, si el valor de ¡ es grande (superior a 20 por ciento) y
se aplica a grandes valores de inversión, el análisis debe considerar la
variación del valor del dinero con el tiempo. (Véase la tabla 5-1.)
En este ejemplo se observa que si se toma la decisión de remplazar
cada 3 años, el aumento del costo anual equivalente es solamente $3.431 —
$3.416 = $15. Este es un error únicamente de 0,4 por ciento, el cual
Tabla 5-1 DATOS DE LOS COSTOS DE OPERACION

DE AUTOMOVILES
Precio Inicial $3.500
Valor de reventa Costo anual Costo anual

Años de al final del de de
servicio año operación mantenimiento
realmente es menor que la exactitud de cualquier dato estimado que

pueda usarse.
3800
3600
3400
3200
equivalente
anual
total
promedio
Costo
costo
Años de servicio
FIGURA 5-1
Comparación de los resultados cuando ¡ = 0, SLU
El método de tabulación también puede formularse como un modelo

matemático y optimizarse por este medio. En primer término se presenta
el caso cuando el interés es igual a cero. El costo promedio de inversión
es el costo del capital dividido por el número de períodos de servicio.
45
Costo promedio de inversión = > (S-2)
donde I= costo de la inversión inicial

T, = valor de reventa al terminar el n-ésimo período
n= número de periodos de servicio.
E e rd ; ; G
036'€ 061" 009€1 009 000€ 009"€l 00/'€ 000'€ 006
dar SLV = : 081 = z 006'6 003€ 000'€ 006 y
000'8
006'6
o0z83 | - £€E8 3 E 8
00.9 L96 Z €
0062 00L'9: 00.77: 0067E 009 €
E rá rá . : - ,
S3c ; "€ 0 00% = 0007 S35aIT 0S7Z 000'y 0033 0Svz So'T
050 ¿
00P"€$ 008 1$ 009'T$ 008'1$ 008'T$ 009'1$ 006'T$ I
e CS 4 (1) ojuarurusyueu| oJuarurusyueu (equaaol equaadl | OLDIAJ9S
ys E (Ss) E me (9) Á uoroeledo £ souau >p 2p
orpowoxd o3so) | 948 10d oquarapusjueu ap oue 10d ap so3soo| uoreledo ap [e1oiur) IOTE A souy
03509 seu uorelado ap uoisioaur op | SOT 9P Bung| [enur 0350) UQISISAUI
03509 [ap orpauroad 03509 |orpawoid 03507) 3P 01507)
(8) (2) (9) (9) (p) (€) (3) (1
OYHIO Y TIVADI SAYALNI 'OAV"INAVL SISITUNV 39 PIQBL
94
95
O VA EE
AI 06Ut =
1 996'6 = g
1673 0I£ — 0088 018
OLV'€ 996'6 + 061€ L67'% + 699'L
699'L ” 6918 =
87801 = 1ve y
9817 + E8v'S 9817 tve — 0056
91v'$ 699'L + 681€
58y's 080% =
8698 = os £
8307 + 9er 8307 0Sp — 008€
Ev € e8v'S + 090€
Sere TEY7 =
L80'9 = L98 7
8181 + L89'1 8181 L98 — 008€
LOS Gore + Ze97
ELLT >
0TvE = L3L'1$ 1
LE9 I$ Le91$ L3L'T — 009'€$
1SL'€$ Le9'1 + €LL'T$
"oque ru rua ue ta (u — 018d) (3) — 009€ (u.— 018d) | 914090>p
(u — 01dY)(9) () + (8) x (01 "gjuaaal ap oroaud X Bjuaaal
OL9IALIS IP -OJUITUIUIJUB UL sgu ugioelado 3P AOJBA souy
3P $S03S09 AP [JO -U91WILUIJUB UL [op ajuasaid JOJBA
ajua¡eambo 7 ugroe1ado "gua add
ajuasaid JO[BA + uguesado) — [e1d1ut UQISIIAUT
[enue 0350) sgul UOISIIAUI ap otoaJd ¡ap
"oyúa uu quer
ap 07509 ¡9p 18307
+ ugroesado aqyuasald JOJBA
ajuasald JO]BA 3P S0IS09 SO] IP
ayuasald JO[BA
(9) (p) (£) (2) (1)
(1) (9)
OLSINANOD *%01 SAYALNI “YV"INIVL OCOLAMN €-S PIABL
ALNANTIVANV
El costo promedio de operación y mantenimiento es la cantidad acumula-

da, gastada en operación y mantenimiento, dividida por el número de
períodos de servicio.
Costo promedio de operación y mantenimiento = 2 ¡i=1(0,+ M,) (5-3)

n
donde 0O,= costo de operación en el ¡-ésimo período
M, = costo de mantenimiento en el ¡-ésimo período.
Por tanto el costo total promedio CTP,,, para n períodos es la suma de
estas dos componentes.
Si I— T, se supone monótonamente decreciente y )>'_, (0, + M;)
se supone monótonamente creciente, puede deducirse un medio para
comprobar un valor óptimo de n. Además se pueden establecer las reglas
de decisión para remplazo. Teniendo en cuenta estas suposiciones, habrá
un valor de n que de lugar a CTP minimo. Sea este costo CTP,,. Por
tanto CTP.-1 > CTP. < CTP.+1. Según esto, pueden establecerse las
dos desigualdades
CPP > CTP. > 0 (5-4)

CTP. += CPP, ><0 (5-5)
Esto significa que si el CTP, es realmente un mínimo, cualquier otro
valor del CTP debe ser mayor o igual.
A partir de estas desigualdades puede deducirse una regla básica de
decisión:
1 n
CTPA 4 [7
=T, +) (0,+ mo] (5-6)
i=1
Se vuelve a escribir para el período n + 1.
1 n+1
CTP, +1 = 7
n+l
Tan HE
i=1
(O, + M))| (5-7)
Los términos se reagrupan para dejar la expresión en los mismos términos

del n-ésimo período; deben observarse los términos subrayados.
1 n
CTPre q IT += Tis + DO + MD + Os + Ma] (5-8)

A ¡ll
E E I—-T, +Yi-1(0;+ M;) 1

nn aos ana ras ao AA a)
n
(5-9)
+1 TA E Tea + Ona + M1) (5-10)
CTA + TP: = n+1 E On+1 Ed Ma+1) (5-11)
—1 1
= CTP, += Tag1+Op41 + Maa) (5-12)
Puesto que CTPa+1 > pa entonces CTP,+1 — CTP, > 0.
1
TEA+ E Pra + O EM)>0
Ambos lados se multiplican por n + 1.

—=CTP.+ Tn — Tn+r + On+1 + Mar >0
ICE $ Te 57 Baden E On+1 ee Mari (5-13)
Lo anterior constituye la primera regla de decisión.
Regla 1 Si la disminución del valor de reventa (T, — T,+1) en

el siguiente período más el costo de operación y mantenimiento
(On+1 + Ma +1) es mayor que el CTP, es económico remplazar.
Para obtener la segunda regla de decisión, se escriben las expresiones de

FEE Y ETP..
ml
CTP,. 1= — lAd: m0)| (5-14)

i=1
CTP, = 21E HOpA m)| (5-15)

E
= [1 Tias + Tas -T,+ YO, + M¡) +(0, +M)| (5-16)

A
1 (S-17)
SA MCTE. 5 DT, + Tn: + 0, + M,]
A A — 1
po
Ta
r da POCPai
EM
n
=-1- Ti — Ty + M,
+0,
A n
a n
(5-19)
ET —T,+0,+M, (5-20)
e n
< CTP,-i, entonces CTP., - CTP.-1 <,0.¡ Por tanto

Puesto que CTP,
SETE ¿ET AO MA
<0 (5-21)
n
CTPr:<1> Tie 5 Ta + O, + Ma (5-22)
De lo anterior se deduce la segunda regla de decisión.
Regla 2 Si la disminución del valor reventa más el costo de ope-

ración y mantenimiento en el siguiente período es menor que el CTP
presente, no es económico remplazar.
Se observa que al aplicar la regla 1 al tercer período de la tabla 5-2, la dis-

minución del valor de reventa más el costo de operación y mantenimiento
es (600 — 500) + 3.200 = 3.300. Este valor es mayor que el costo pro-
medio total de los tres períodos; por tanto según la regla de decisión 1
esto significa remplazar. Aplicando la regla 2, la disminución del valor de
la inversión más el costo de operación y mantenimiento en el período 3,
(1.050 — 600) + 2.700 = 3.150, es menor que el CTPz ($3.200); de ma-
nera que según la regla de decisión 2 esto significa no remplazar al final
del período n — 1, o sea, al final del período 2.
Cuando se considera que la tasa de interés es un factor importante
puede hacerse un análisis similar. En este caso la comparación se hace
con base en el costo anual equivalente (CAE). En este análisis se supone
que todos los costos de operación y mantenimiento se tienen en cuenta
al final de cada período. Si el remplazo se hace al final de n periodos, el
costo anual equivalente es el valor presente de todos los costos para n
períodos, multiplicados por el factor de recuperación de capital.
Valor presente para el remplazo después de n períodos =
inversión — valor de reventa descontado + suma de todos

los costos de operación y mantenimiento descontados para
valor presente.
N . 0,+M,
VP (n) =1- —_— 2 5-23
( (1 HE XxX SA a + iy ( )
donde ¡ es la tasa de interés compuesto por período
T, 2". 0,+Mj]l (+1

CAE, = [1-5 +
(Lei e ESA
A E A
Si n es el intervalo óptimo de remplazo
CAE,+1 > CAE, < CAEn-1

Esto da lugar a dos reglas de decisión para remplazo óptimo (ver la nota
al final del capítulo).
Condición Nes CAE, < TA ar 1) ES Tr+1 El On+1 Mist

donde T, es el valor de reventa al final del n-ésimo período pero avalua-

do en el tiempo n + 1, T,.+1 es el valor de reventa al final del (n + 1)-ésimo
período, y O.+1 y Mhn+1 son los costos de operación y de mantenimien-
to para el (n + 1)-ésimo período. Por lo tanto, la primera regla de decisión
puede expresarse de la siguiente forma.
Regla 1 Si el costo anual equivalente para n períodos de utiliza-

ción CAE,, es menor que la disminución del valor de reventa des-
contado más el costo de operación y de mantenimiento para el
(n + 1)-ésimo período, es económico remplazar.
Con respecto a la tabla 5-2, T4 = 500, T,¿ = 500, O; = 2.700 y M; = 1.000

500(1 + 0,10) — 500 + 2.700 + 1.000 = 3.750
Según la tabla 5-3, CAEs = 3.416

Puesto que 3.416 < 3.750, el remplazo debe efectuarse al final' del
período 4.
Para obtener la segunda regla de decisión, se utiliza el mismo método
de análisis para la ecuación CAE, — CAE,-1. El hecho de que CAE, —
CAE,-1<o0, conduce al siguiente resultado.
Condición 2: CAE, 1> Tn-101+1-— Tn+ 0,+ Ma
Regla 2 Si el costo anual equivalente para n — 1 períodos de uti-

lización, CAE,-1, es mayor que la disminución del valor de reventa
descontado más el costo de operación y de mantenimiento para el
n-ésimo período, no es económico remplazar.
Con respecto a la tabla 5-2, T3 = 600, T4 = 500, Os = 2.400 y Ma = 800.

600(1 + 0,10) — 500 + 2.400 + 800 = 3.360
Según la tabla 5-3, CAEz3 = 3.431. Puesto que 3.431 > 3.360, no debe
hacerse el remplazo.
Análisis mediante la utilización de funciones continuas
Si las funciones de costos crecientes y decrecientes se suponen conti-

nuas el problema se puede optimizar de acuerdo a los métodos normales
del cálculo. Esta técnica es especialmente aplicable en los problemas que
discreto
consideran predicciones futuras ya que el método de análisis
por estimaci ón. Cuando
requiere datos que pueden ser disponibles sólo
r a una función
las predicciones de los gastos futuros se pueden aproxima
tomando la deri-
continua, es posible optimizar la ecuación del costo total
el valor de la
vada con respecto a la variable de decisión y hallando
Es convenie nte
variable de decisión que minimize el costo promedio total.
suponer que la variable de decisión puede ser cuadrática o de algún orden

menor. Esto garantiza que la función de costo pueda ser unimodal.
Una propiedad valiosa de este método de. análisis, es que permite
comprender los diferentes aspectos del problema y relaciones involucra-
das. Los efectos del cambio de parámetros o los errores en las decisiones
o aquellos en la estimación de datos pueden evaluarse empleando los
métodos del análisis de sensibilidad (Cap. 9). Generalmente esta técnica
tiene mayor aplicación en los problemas en los cuales puede ignorarse la
variación del valor del dinero con el tiempo, o sea, suponiendo que la tasa
de interés es igual a cero. Como se indicó anteriormente, esta suposición
permite una decisión que generalmente no involucra un error grande en
el costo, y la complejidad matemática disminuye considerablemente.
Para ilustrar este método de análisis, se considera la siguiente for-
mulación sencilla del problema.
Costo total promedio = costo promedio de inversión +
costo promedio de operación y
mantenimiento
CTP==I 45—1 (OiH:Mhe
Cot Caio ¡ipi(5-25)
donde CTP = costo total promedio, $/año
IT = costo de la inversión en equipo, $
n = vida de servicio del equipo o período entre remplazos, años
O = tasa de aumento del costo de operación por período de
tiempo, $/año
M = tasa de aumento del costo de mantenimiento por período
de tiempo, $/año
C, = costo de operación en el primer año de servicio, $
Cm = costo de mantenimiento en el primer año de servicio, $
Esto supone que el costo promedio de inversión disminuye según la fun-

ción hiperbólica I/n y que el costo de operación y mantenimiento aumenta
linealmente con respecto al tiempo.
Para minimizar esta función, se deriva con respecto a n, se iguala a
cero, y se despeja el valor de n, lo que da lugar al costo promedio mínimo.
ACTP) 1 O+M
dn n? 2
I O+M
=3 =0
n 2
153 “QA
O+M
E 21 y
loz) so sisas
El costo inicial de operación y mantenimiento para el primer año no apa-

rece en la solución final de n* (vida óptima de servicio) ya que estos
son valores constantes y existen independientemente del valor de la va-
riable de decisión n.
El mínimo costo total promedio CTP* se obtiene sustituyendo la
función n* en la ecuación original del CTP.
I 1 A o
cr = ropa ll) =1|(0 + M)+C, + Ca (5-27)
CTPx = 2I(M + 0)]'? — Lol + C, + Cn (5-28)
EJEMPLO 5-1 Una compañía mantiene un grupo de automóviles para

ser utilizados por sus representantes. Se han recogido los siguientes datos
de costos:
Costo de inversión ] = $3.000 = precio de compra —
valor normal de reventa
Costo de operación en el primer año, C. = $1.500
Incremento anual del costo de operación, O = $225
Costo de mantenimiento en el primer año, C,, = $200
Incremento anual del costo de mantenimiento, M = $175
5.000
4.000
3.000
promedio
total
Costo
Vida de remplazo. años
FIGURA 5-2
Efecto de la vida de servicio en el costo
total promedio.
Hallar la vida óptima de servicio n* y el mínimo costo total promedio

CTPx.
1/2 N
n* = [a = 3,87 años
225 + 175
225 +175 +1.500+ 200
CTP+» =- V2(3.000)(225 + 175)- A
= $3.049, 19 por año 11/
En la figura 5-2 se presentan gráficamente los resultados de este

ejemplo. Como se indica en esta figura, la combinación de una hipérbola
decreciente y una función lineal creciente tiende a dar una curva de
costo total poco pendiente y el valor de decisión puede variar tanto como
un intervalo completo de tiempo, sin originar un aumento significativo
del costo promedio. Este método de análisis es especialmente conveniente
debido a la posibilidad de aplicar el análisis de sensibilidad que se pre-
senta en el capítulo 9. Empleando este instrumento de administración,
pueden determinarse los intervalos de operación para el tiempo de rem-
plazo. Además, los efectos de posibles errores en los datos pueden eva-
luarse con base en el costo.
No siempre se justifica la suposición de que el costo de operación y de
mantenimiento aumenta linealmente. En este caso, se sugiere un método
diferente de formulación y análisis. Este método estima la función que
representa el costo promedio de operación y mantenimiento y supone ade-
más que este costo es un producto directo del costo en el primer año y n*.
Esto da
CTP= -+(C,+ Cunt (5-29)
FIGURA 5-3 mantenimiento

de
promedio
$Costo
operación,
año
y
El efecto del valor, k. * Vida de servicio, n

AUMENTO DEL COSTO DE OPERACION Y MANTENIMIENTO. 103
Los términos son los mismos indicados anteriormente; k se selecciona

para permitir el mejor ajuste del costo estimado de operación y mante-
nimiento. La principal ventaja de este modelo es la posibilidad de aplica-
ción de las técnicas de análisis de sensibilidad. Puesto que el término que
expresa el costo promedio de operación y mantenimiento es diferente del
formulado anteriormente, también puede ajustarse mejor a los datos es-
timados. La vida óptima de servicio n*+ nuevamente se determina por
los procedimientos típicos de cálculo.
Ann e, > + Kk(C, + C,n*7*
1 k-1
— KC, + Can 0
1 1/(k+1) 30
.- 3
: 1 n == 570
La figura 5-3 ilustra los efectos de los valores de k, que son mayores
o menores que 1. Los valo.+3 de k mayores que 1 se utilizan para repre-
sentar los costos de operación o de mantenimiento, que aumentan con el
tiempo con una tasa creciente; los valores menores que 1 representan los
costos que aumentan con el tiempo con una tasa decreciente. Esto depen-
de de las propiedades del equipo y del medio ambiente. El .incremento
del valor de k tiene el efecto de disminuir la vida óptima de servicio n*.
Se observa que si se selecciona b como 0,5 y k como 1, este modelo más
general, es idéntico al caso anterior, donde el costo de operación y man-
tenimiento aumentaba con una tasa lineal. El término restado se utiliza
de manera que el incremento no pueda aplicarse al año 1.
EJEMPLO 5-2
Costo de inversión, I = $3.000
Costo de operación, en el primer año, C, = $1.500
Costo de mantenimiento, en el primer año, Cn = $200
Valor de la constante que permite el mejor ajuste, k = 0,25
1/(0,25 + 1)
A | 3.000 - 4,76.
0,25(1.500 + 200)
Costo Costo promedio Costo

Vida de promedio de operación y promedio
servicio n,| de inversión mantenimiento total
en años por año por año por año
1 $3.000 $1.700 $4.700
2 1.500 2.022 3.522
3 1.000 2.237 3.237
4 750 2.404 3.154
5 600 e 2.542 3.142
6 500 2.661 3.161
7 429 2.765 3.194
8 375 2.859 3.234
Empleando los métodos de análisis de sensibilidad presentados en el

capítulo 9, hallar el intervalo permisible de operación de n, que no aumente
el costo variable más que 2 por ciento. Según el capítulo 9, la ecuación
general del costo total es
b
eii iia
y el término general de sensibilidad es
CVT 1 5
| +5)
Empleando la ecuación del costo total promedio para este modelo
I
CTP= Sá (C, + Ci)n*
Se obtienen las igualdades tabuladas
Modelo
general Costo promedio total
a Co + Cm
5 n
n k=0,25
b I
m 1
Cc 0
Sustituyendo en el término general de sensibilidad, se obtiene
CT norudos fhrojek
CTPrisnbardó do So
Empleando en este ejemplo el valor de k = 0,25, la relación CTP/CTPx
se reduce a
GRP l (uo > =
CTP= "125 UY
REMPLAZO BAJO CONDICIONES DE OBSOLESCENCIA TECNOLOGICA Y ECONOMICA 105
Tabla 5-4 DESVIACIONES DEL COSTO

DE LOS VALORES DEL
TERMINO DE ERROR
CTP
w CTP+ Aumento, %
1 1,019 1,9
1,51 1,0192 1,92
1,52 1,0199 1,99
1539 1,020 2,0
0,68 1,0205 2,05
0,682 1,0202 2,02
0,683 1,0201 2,01
0,684 1,0199 1,99
La tabla 5-4 presenta las relaciones CTP/CTPx* para diversos valores

de w. Por tanto el término de error w, puede variar entre 1,53 y 0,684 sin
exceder el incremento permisible en el costo de 2 por ciento. Puesto que
n = n*w, el intervalo de operación de n para un máximo aumento del
costo de 2 por ciento es 4,76(1,53) = 7,28 y 4,73(0,684) = 3,23.
Intervalo permisible de operación (2% del costo) = 7,28 > n > 3,23
1111
REMPLAZO BAJO CONDICIONES DE OBSOLESCENCIA

TECNOLOGICA Y ECONOMICA
le un
Es un hecho, que las mejoras tecnológicas pueden volver indeseab
camente
equipo simplemente porque no puede seguir compitiendo económi
adelanto s. Por tanto es factible remplaza r un equipo
con los más recientes
funciona satisfac toriamen te en el sentido mecánico , por
que actualmente
y quizás más costoso. El análisis de este tipo de
un equipo más reciente
ca suponie ndo que la mejora se efectúa de manera
problemas se simplifi
a corto
creciente cada año. Realmente, esto puede ser inconveniente
mejoras tecnológ icas se efectúan general mente en
plazo, puesto que las
Por ejemplo, pueden trascurri r varios años
puntos separados en el tiempo.
equipo competitivo,
antes de que sea hecha una mejora importante en un
modelo, implica un deterioro económico con-
pero la aparición de un nuevo
En tal caso, quizás el mejor método de
siderable del equipo en operación.
la convenie ncia económi ca del rempla-
comparación sea la evaluación de
los métodos típicos de compara -
zo por el modelo más nuevo, empleando
a para ingenier os.
ción estudiados en los textos de economí
vida de servicio
Cuando se desea que el equipo tenga una prolongada
ser apropi ada la suposición
a causa del excesivo costo de remplazo, puede
en la operac ión de refi-
de una continua mejora tecnológica, como sucede
nerías de petróleo, plantas químicas, etc. Generalmente pueden obtenerse

datos históricos para estimar la tasa esperada de mejoras durante un
período prolongado. En una instalación grande.y compleja tal como una
refinería, el avance tecnológico tiende a efectuarse como consecuencia de
las mejoras de muchos componentes de la instalación. Estas mejoras in-
dividuales generalmente pueden distribuirse en un intervalo de tiempo
obteniéndose como resultado neto, un avance tecnológico más uniforme
de toda la operación. Por consiguiente, para una estimación, es más con-
veniente la suposición de una mejora incremental por período de tiempo.
Un método de formular este problema consiste en asignar un costo
económico al equipo más antiguo a causa de la obsolescencia. Realmente
este costo no se causa directamente sino que es el resultado neto de una
disminución de la ganancia potencial, tal como si hubiera sido ocasio-
nada por un costo real. Esto conduce a un costo total promedio de opera-
ción que puede componerse de tres términos: inversión, operación y man-
tenimiento, y obsolescencia económica. Este último término se compone
de la disminución potencial de las economías, ocasionadas por el empleo
de un equipo más reciente, como un costo indirecto por continuar con el
equipo actual. Por ejemplo, se supone que la tasa promedio de mejoras
que dan por resultado un menor costo de operación es 2 por ciento por año.
Si el costo inicial de operación es $100.000 por año, las economías con el
nuevo equipo instalado 1 año a partir del presente serán 100.000 —
100.000/(1 + 0,02) = $1.961. Insertando este término en la ecuación
del CTP se obtiene la fórmula para n años
I+ al + CIA + Eco 1—( , 1]

l+r
CTP, = a (5-31)
donde r es la tasa de mejoras tecnológicas por año, expresada como una

fracción decimal. En esta formulación, el componente relacionado con el
costo de operación y mantenimiento (C,+ Cm)n*, debe representar
el costo real de operación y mantenimiento en el n-ésimo año. Si se puede
suponer que todas las funciones son monótonamente crecientes o decre-
cientes, entonces puede demostrarse que para la vida óptima de ser-
vicio n*
CTPR <(C, + Can + 1)* + Co]!- (3) (5-32)

n-1
CTPa1 > (0, + Ct + Ca]1 . ) | (5-33)
l+r
Esto se demuestra en la nota 2 al final del capítulo. Estas relaciones per-

miten la predicción de una vida óptima de servicio para determinados
valores de costos crecientes de operación y mantenimiento y de obsoles-

cencia económica.
La interpretación de estas desigualdades facilita su aplicación. En la
ecuación (5-32) la cantidad (C, + Cm)(n+ 1)* es el costo de opera-
ción y mantenimiento del (n + 1)-ésimo período. Tenemos la cantidad
Cof1— [1/(1 + r)])" que representa el costo de la obsolescencia ocasio-
nada por n períodos de no remplazo; o sea que el equipo es n + 1 perío-
dos antiguo. Por tanto n* es un intervalo óptimo de servicio, si el costo
total promedio al final de n períodos es menor que la suma del costo de
operación y mantenimiento más el costo de la obsolescencia del siguiente
período. Con respecto a la tabla 5-5, en n = 16 el CTPis = $6.152. El
costo de operación y mantenimiento más el de obsolescencia del siguiente
período es $6.214; por tanto el equipo no debe hacerse funcionar más de
16 períodos. Esto se verifica cuando se encuentra que el CTP,7 es
$6.156.
Según la ecuación (5-33) el valor n* se obtiene cuando el CTP en
n — 1 es mayor que el costo de operación y mantenimiento más el de ob-
solescencia del siguiente intervalo. Según el ejemplo, CTP,; = $6.154.000.
1 15
(C, + C,)16* + C,|1 -[——] | = 5.353.000 + 771.000 = 6.124.000

l+r
Puesto que 6.154.000 > 6.124.000, el remplazo no debe efectuarse en n = 15.
Tabla 5-5 ANALISIS DE LA VIDA DE SERVICIO DE UNA

REFINERIA
(mM | 0 (3) (4) (5)

1 m-—1
Coli
= [==
n CTP, (Co + Cm) + 1) | (+) ¡e
AAA _ _ A — ————————_ _—- ———
A _—_——
1 | 18883 | 3.83 3.883

2 | 11535 | 4.127 58 4.185
3 | 9165 | 4.309 116 4.495
4 | 8.031 | 4.455 173 4.628
5 | 7386 | 4.579 228 4.807
6 | 6983 | 4.686 283 4.969
a | 6717 | 4.781 336 5.117
8 | 6534 | 4.866 388 5.254
9 | 6406 | 4.943 439 5.383
10 | 6316 | 5.015 490 5.505
1 | 6253 | 5.081 539 5.620
12 | 6209 | 5.142 587 5.729
13 | 6.180 | 5.200 634 5.835
12 |. 6163 | 5.254 681 5.935
15 |P 6154 | 5.305 726 6.013
16 | 6.152 | 5.353 771 6.124
17 | 6.156 | 5400 815 6.214
EJEMPLO 5-3 En el diseño de una refinería un administrador necesita

un cálculo aproximado de la vida económica estimada de servicio. Se han
recogido los siguientes datos
TI = $15.000.000 C = $3.000.000 Cm = $500.000

k =0,15 r = 0,02
En la tabla 5-5 se presenta el análisis efectuado según la ecuación ante-

riormente desarrollada para el CTP.
El costo mínimo CTP, está en n = 16, CTP,s = 6.152.000 111/
Si el equipo proporciona un servicio necesario, evidentemente debe

remplazarse cuando se presenta una falla. La decisión en este caso es
determinar si el equipo debe remplazarse antes de la falla y en este caso
cuándo. En este problema existe un punto de costo mínimo entre una
vida prolongada de servicio y el menor costo promedio de inversión que la
acompaña, contra el costo de la emergencia o remplazo no programado a
causa de falla durante la operación. En muchos casos, los costos de una
parada originada por una falla no programada son bastante apreciables
debido al tiempo perdido y al costo del esfuerzo apresurado para remplazar
o reparar. En estos casos puede ser económicamente deseable intentar el
remplazo o reparación del equipo precisamente antes de la falla. En algu-
nos casos el costo de remplazo después de la falla no es lo suficientemente
alto como para justificar el remplazo antes de que se presente la falla. Este
problema es importante solamente si la falla inminente es probabilística.
Si se conoce con certeza el momento de la falla, la respuesta obvia es
remplazar o reparar precisamente antes de la falla. Sin embargo, en la ma-
yoría de los equipos la falla tiende a ser un proceso aleatorio y debe tra-
tarse como probabilística. :
Generalmente se pueden estimar estas probabilidades y su distribu-
ción, a partir de los datos obtenidos con equipo más antiguo o según los
datos experimentales obtenidos en un equipo prototipo o de ensayo. En
algunos casos es necesario alterar estas distribuciones con base en la
apreciación o a medida que se dispone de mejores datos. De todos modos,
los datos anteriores se utilizan ordinariamente para predecir la probabili-
dad de fallas futuras. El método de análisis presentado en esta sección
se restringe a los equipos que tienen una probabilidad creciente de falla
a medida que aumenta el tiempo, o sea, con el tiempo de servicio. La falla
prematura, denominada frecuentemente mortalidad infantil, que se pre-
senta durante los períodos iniciales, o al arrancar, se puede despreciar,
o sea que se supone que el equipo ya ha sido sometido a cualquier verifi-
cación necesaria de funcionamiento.
Ecuación del costo total

En la mayoría de los casos, este método de análisis puede aplicarse
a equipos con un intervalo de vida relativamente corto en términos de
años. Por lo tanto se supone que la variación del valor del dinero con el
tiempo es despreciable. Puesto que la vida del equipo es una variable, la
ecuación del costo total puede expresarse como un costo promedio por
período de tiempo. Por tanto, el costo total promedio es la suma del costo
inicial de instalación repartido según la vida efectiva del equipo más el
costo esperado de la falla
CTP + pa Cos
donde CTP = costo total promedio, $/período
l = costo inicial de instalación, $
n = vida planeada de servicio antes de los períodos progra-
mados de reparación o remplazo
F(x), = número esperado de fallas durante el intervalo de tiempo
C = costo de la falla o avería, $
El principal problema con esta ecuación general de costo es determinar el
número esperado de fallas F(x), durante el intervalo de tiempo n.
Determinación de fallas esperadas

Este tema se ilustra fácilmente mediante un ejemplo sencillo. Se puede
suponer que una fábrica de llantas funciona con base en tres turnos, 7
días /semana. En esta fábrica funcionan 10 máquinas de moldeo para
la elaboración de llantas. Para seguir fabricando un producto aceptable
Tabla 5-65 DATOS QUE RELACIONAN LA VIDA DE SERVICIO

od CON LA OCURRENCIA DE FUNCIONAMIENTO DEFECTUOSO
<A — ——— <-> 2 22—_2 22 0220 AAA
Tiempo de
servicio entre . Probabilidad
operaciones de |Número de Probabilidad condicional
mantenimiento! funcionamientos| Probabilidad de | condicional de de ningún
número de defectuosos funcionamiento funcionamiento funcionamiento
turnos informados defectuoso pn defectuoso pc» defectuoso pr,
1 20 200 == 0,10 200 AS 0, 100 h= 0,1 E 0,90

2 30 22% = 0,15 2 = 0,167 1 — 0,167= 0,833
3 30 0 =10,15 7 =-.0,200 lk=.0,2- ="0/8
4 60 ou = 0,30 ¿2 = 0,500 05 == 1015
5 40 04 = 0,20 +9 = 0,667 1 — 0,667= 0,333
6* 20 205 = 0,10 zo = 1,00 M1 = 1)
* Ningún equipo ha funcionado satisfactoriamente más de seis turnos

sin: mantenimiento.
es necesario efectuar un mantenimiento periódico en las máquinas.

Los datos del archivo indican que la probabilidadde un defecto de fun-
cionamiento aumenta con el tiempo de servicio. La estrategia de la compa-
nía ha consistido en hacer funcionar el equipo hasta que se presente una
falla para entonces detener la máquina y efectuar el mantenimiento reque-
rido. Los datos resumidos en la tabla 5-6 permiten hacer un análisis pa-
ra determinar si es mejor algún otro programa de mantenimiento.
Por consiguiente el problema consiste en elaborar programas de man-
tenimiento sobre una base regular. Este puede efectuarse al comienzo de
cualquier turno sin ocasionar un excesivo costo de parada. El primer paso
del análisis es calcular el número esperado de fallas para un programa
potencial de mantenimiento. El problema se complica dado que pueden
ocurrir algunas fallas entre operaciones de mantenimiento programado.
Es posible que el equipo pueda fallar, ser reparado y fallar nuevamente
antes de que tenga lugar una reparación programada. Esto introduce un
efecto acumulativo al número esperado de fallas F(x),, el cual se vuelve
más complejo a medida que n se hace mayor.
Este problema puede enfocarse según las técnicas clásicas de pro-
babilidad cuando n no es Jemasiado grande. Las fallas y las reparacio-
nes pueden considerarse como si ocurrieran al final de un período. El
número esperado de fallas durante el primer período es pin = 0,10(10) =
1. El número esperado de fallas durante el segundo período n = 2, es la
suma de las fallas que ocurren por primera vez durante el segundo perío-
do más aquellas que se presentaron durante el primer período, fueron re-
paradas y fallaron nuevamente durante el segundo período.
Elx), = np2 + F(x)p,

= 10(0,15) + 10(0,10)(0,10)
= 15+ 0,1 = 1,6
De manera similar puede expresarse el número esperado de fallas duran-
te el tercer período n = 3. Esto puede observarse fácilmente mediante
la siguiente tabla:
POSIBLES COMBINACIONES QUE

TERMINAN ENFALLA EN EL PERIODO n= 3
O O
Período
= Mi n="2 n= 3 |Expresión de probabilidad
Correcto | Correcto | Falla P3

Correcto| Falla Falla P2P1
Falla Correcto| Falla P1P2
Falla Falla Falla PiP1P1
a A NO A A A A
FG) = 10(p3 + P2P1 + P1P2 + P1P1P1)

= 10[0,15+ 0,15(0,10) + 0,10(0,15) + 0,10(0,10)(0,10)]
=,., 1,81
Realmente este es un problema de combinación que se vuelve creciente-

mente complejo a medida que n aumenta. Las siguientes tablas presentan
el análisis para n = 4 y n = B.
POSIBLES COMBINACIONES QUE TERMINAN
EN FALLA EN EL PERIODO n = 4
Período
n=1 n=2 n=3 n=4 [Expresión de probabilidad
Correcto |Correcto |Correcto | Falla Pa

Correcto| Correcto |Falla Falla P3D1
Correcto | Falla Correcto | Falla P2P2
Falla Correcto |Correcto | Falla P1D3
Correcto| Falla Falla Falla P2D1P1
Falla Correcto | Falla Falla P1D2P1
Falla Falla Correcto | Falla P1P1P2
Falla Falla Falla Falla P1P1PiP1
EPA, 10[0,30+ 0,15(0,1) + 0,15(0,15) + 0,10(0,15) + 0,15(0,10) (0,10)

+ 0,10(0,15) (0,10) + 0,10(0,10)(0,15) + 0,10(0,10) (0,10) (0,10)]
= 3,571
POSIBEES COMBINACIONES QUE TERMINAN

EN FALLA EN EL PERIODO n = 5
Período
Expresión de probabilidad
A — ———K—úÁá- _ ——_——Á—Á—mam » —__—————————— | _o——_— _ _——_ _ÁA —_ —___—_—_—_—_——=—=—=— a
Correcto Correcto Correcto Correcto Ps

Correcto Correcto Correcto Falla Pa4Pi
Correcto Correcto Falla Correcto P3P2
Correcto Falla Correcto Correcto P2P3
Falla Correcto Correcto Correcto DPiPa
Correcto Correcto Falla Falla P3P1P1
Correcto Falla Correcto Falla P2P2DP1
Falla Correcto Correcto Falla PiP3P1
Correcto Falla Falla Correcto P2P1P2
Falla Correcto Falla Correcto PiP2P2
Falla Falla Correcto Correcto P1P1P3
Correcto Falla Falla Falla P2P1P1P1
Falla Correcto Falla Falla P1P2P1P1
Falla Falla Correcto Falla Pi1P1P2P1
Falla Falla Falla Correcto P1P1P1P2
Falla Falla Falla PiP1P1P1P1
Falla
F(x), = 10[0,2+ 0,3(0,1) + 0,15(0,15) + 0,15(0,15) + 0,1(0,3) + 0,15(0,1) (0,1)

+ 0,15(0,15)(0,1) + 0,1(0,15) (0,1) + 0,15(0,1) (0,15) + 0,1(0,15) (0,15)
a + 0,1(0,1)(0,15) + 0,15(0, (0,1) + 0,1(0,15) (0,1) (0,1)
(0,1)1)
+0,1(0,1)(0,15)(0,1) + 0,1(0,1) (0,1) (0,15) + 0,1(0,1) (0,1) (0,1) (0,1)]
= 3,1686
Formulación según una cadena de Markov

Este sencillo ejemplo demuestra que el número de combinaciones se hace
bastante grande a medida que aumenta el número de intervalos de tiem-
po n. Este problema se puede manejar con mayor facilidad si se formula
según una cadena de Markov. Este se puede plantear fácilmente reco-
nociendo la existencia de un procedimiento paso a paso, al proseguir
desde un intervalo de tiempo hasta el siguiente. En este caso los estados
de la cadena de Markov pueden ser las edades de la ¡-ésima unidad del
equipo.
En la tabla 5-6 se incluyen las probabilidades condicionales de falla
o funcionamiento defectuoso de todos los posibles períodos de funciona-
miento. Esta representa la probabilidad de funcionamiento defectuoso
durante el período n = 1 cuando se conoce que el equipo ha tenido una
vida de servicio de n períodos. Una vez que se presenta el funcionamien-
Tabla 5-7 MATRIZ DE TRANSICION DE LAS FALLAS

PROBABLES: SIGUIENTE ESTADO
Estado presente Edad al comienzo del siguiente intervalo

(edad A
del intervalo) 0 1 2 3 4 S
0 pc; pr; 0 0 0 0
1 pcz 0 pr> 0 0 0
2 PpC3 0 0 pr3 0 0
3 PCa 0 0 0 Pra 0
4 pcs 0 0 0 0 Pprs
5 PCé 0 0 0 0 0
Estado siguiente
Estado presente 0 1 2 3 4. )
0 0,100 0,900 0 0 0 0
1 0,167 0 0,833 0 0 0
2 0,200 0 0 0,800 0 0
3 0,500 0 0 0 0,500 0
4 0,667 0 0 0 0 0,333
5 1 0 0 0 0 0
to defectuoso la unidad debe repararse o remplazarse y por tanto comien-

za el siguiente período con una vida de servicio anterior igual cero. Esto
significa que no funciona durante el resto del turno. El número total de
estados requerido por una cadena de Markov se determina de acuerdo
con la vida de servicio posible máxima del equipo en cuestión. En este
ejemplo, la vida máxima es de seis intervalos de tiempo; esto es, el nú-
mero de estados es seis. Con base en esto, se formula una matriz de tran-
sición para representar las probabilidades de falla o no falla durante el
siguiente período.
Esta matriz de transición P se interpreta planteando que si una
unidad está recién reparada (en el estado 0), la probabilidad de que pue-
da fallar (y por tanto ser reparada durante el siguiente intervalo de tiem-
po es 0,100, análogamente, si la unidad hubiera tenido un tiempo de fun-
cionamiento de un turno (en el estado 1) la probabilidad de fallar y así
comenzar el siguiente intervalo en el estado O es 0,167. Se observa que si
la unidad está ahora en el estado 5 (ha funcionado durante 5 turnos), la
probabilidad de fallar es 1 y por tanto debe repararse y comenzar en el
estado O en el siguiente intervalo.
Para analizar este problema mediante la utilización de las cadenas
de Markov, se define un vector X” que representa el número de unida-
des en cada estado durante n períodos. Si todas las unidades arrancan
precisamente después de haber sido reparadas, X% = [100000 0],
significa que todas las 10 máquinas están en el estado 0. Si se multiplica
este vector por P, XP, el resultado será X!, esto es, número esperado
de máquinas en cada estado después de 1 turno:
== 11, 90.070:50]
Lo que implica que durante el primer turno se espera que una máquina
pueda requerir mantenimiento y por lo tanto regresar al estado 0.
Los vectores X?2, X3, X* y X3 representan el número esperado de
máquinas en cada estado después de dos, tres, cuatro o cinco turnos
cuando el mantenimiento se efectúa solamente después de la falla.
X?= [1,60 0,90 7,50 0 0 0]

X?= [1,81 1144 0,75 6,00 0 0]
X*= [3,57 1,63 1,20 0,60 3 0]
x5= [3,17 3,21 1,36 0,96 0,3 1]
En cada caso, el valor que representa el estado 0 indica el número espe-

rado de máquinas que fallan durante ese período de tiempo. Las técni-
cas desarrolladas en el capítulo 3 pueden emplearse para determinar las
condiciones de estado estable cuando se suministra mantenimiento sola-
mente después de la falla.
X*P=X*
1334.33)
: 0,100x* + 0,167x+* + 0,200x* + 0,500x* + 0,667x* + x5 = x6
0,900x5 Ñ eS
0,833 x* e
0,800x* =x3
0,500 x3 =*
0,333x% = Xx,
El valor de X* se determina a partir de las seis últimas ecuaciones:
X*= [2,74 2,47 2,06 1,64 0,82 0,27]

Puesto que xj = 2,74, esto significa que en condiciones de estado es-
table, un promedio de 2,74 máquinas pueden fallar en cada turno.
Análisis económico
Para determinar un remplazo de costo mínimo o una estrategia de mante-
nimiento, deben evaluarse diversas estrategias factibles. Se puede supo-
ner que están en consideración los cuatro casos siguientes.
Plan A Reparar cuando se presenten las fallas
Plan B— Reparar cuando se presenten las failas pero después de ca-
da segundo turno reconstruir todo el equipo
Plan C— Igual que B pero después de cada tercer turno
Plan D Igual que B pero después de cada cuarto turno
Para este ejemplo, puede suponerse que existen las siguientes condicio-
nes:
Costo de una interrupción no programada (falla) = $250
Costo básico de mantenimiento por máquina = $50
Una máquina que falla puede repararse durante el mismo turno y comen-
zar al siguiente recién reparada. Si se efectúa un mantenimiento pro-
gramado al final del mismo turno en el cual se presenta la falla, se incurre
en el costo de interrupción no programada ($250). Sin embargo, el costo
básico de mantenimiento se aplica al mantenimiento programado.
Para evaluar el plan A, se consideran condiciones de estado estable.
Aunque las unidades pueden haber comenzado en las mismas condicio-
nes, después de algún tiempo habrán condiciones de estado estable. Con
respecto a Xx*, un promedio de 2,74 unidades tendrá una interrupción
no programada cada período. Por tanto el costo promedio será el costo de
estas reparaciones y los costos adicionales:
CTP (plan A) = (250+ 50) 2,74 = $822 por turno
xNoTas 115
En este caso siempre se incurre tanto en el costo de mantenimiento como

en el costo adicional de una interrupción no programada. El costo origi-
nal de preparación se considera insignificante, si se tiene en cuenta que
está distribuido en muchos períodos.
Para evaluar el plan B, se utiliza con ligeras modificaciones la expre-
sión del costo total desarrollada anteriormente:
(5-35)
n n
donde ] = costo de la inversión inicial (costo básico de mantenimien-

to) = $50(10) = $500
n = vida de servicio planeada para el plan B= 2
Fíx,) = número esperado de fallas durante el tiempo n
C = costo de la falla = $250 + $50
Si la falla se presenta durante el n-ésimo período deben modificarse los
términos Fíx,) y C, solamente deben contabilizarse $250 contra ese ci-
clo de servicio.
MXumer de Númerode
alas fallas durante
el periodo 1 el periodo2
CTP, =322 + 4[1(300) + 1.6(250)] = 5600 por turno

*
Puede observarse que para determinar el número de interrupciones he-

mos empleado los datos sobre fallas a partir de X* y X2.
Para evaluar el plan C se utiliza el mismo procedimiento excepto que
n = 3 y por lo tanto deben utilizarse las fallas a partir de X*, X? y X?.
CTP¿=*2 + H((1 + 1,61300) + 1,81(250)]
= $577,50 por turno
Por consiguiente el costo disminuye al prolongar el período planeado de
servicio.
Finalmente el plan D debe considerar cuatro períodos con n = 4.
CTP,=2%2 + H(1 + 1,6+1,81)(300) + 3,57(250)]
= $678,87 por turno
Puesto que ahora aumenta el costo, no hay necesidad de evaluar estrate-
gias con mayores valores de n. De los cuatro planes, el plan C con un CTP
de $577,50 y n = 3 es el que da el mínimo costo de operación.
NOTAS
1 Reglas de decisión para remplazo óptimo
evaluar-
Para establecer la existencia de un intervalo óptimo de remplazo n, deben
> CAE, < CAE..:. Si CAE, <
se las condiciones que resultan de CAE,_:
CAE,+1, entonces CÁAE,+, — CAE, debe ser positivo, o mayor que cero. La
primera regla de decisión se determina utilizando esta relación. Como se indicó an-
teriormente en este capítulo, el costo anual equivalente cuando se efectúa un rem-
“plazo después de n períodos está dado por '
Ta, O
¿E y J ARM (1 e+
|Ptos iy e
AFA (AR Sc
Para facilitar las operaciones algebraicas, pueden efectuarse las siguientes susti-
tuciones. Sea V= 1+ ¡ y K,= 0,+ M,.
CAE, = Nal y 2) ee
7 7
La ecuación anterior se expresaen función de n + 1.

¿/n+1
—TCAE.1 = (e + yr+1
YER sE 1
ya+1
Esta ecuación se expresa de manera que se asemeje a la ecuación del CAE,.:
erEg9nd [pel eco, er

Ta 4 Ta de K,;
rape 1090
Kn+i ¡yr+!
qe Ar da taa nl US
= (1-5
p+ a paty) ya 1
El primer grupo de términos se multiplica por el factor
iv"v"—1
iv" v"—1
el cual es igual a 1 y se procede reagrupar.
CAE. = (+27 a Vr-1

¡VACIVIR
VA
¿¡VrV"—1)
23 4) Titan
172 em yn+1
+ yn+1
arta
yn+t 1]
Iguales a CAE,
Simplificando términos se obtiene

as Asa e 1) 5 vV(vr — 1)
VIVAS DO, yA
V(v”- =D Lie 1 K, AS
CAE = CAE, naaa + l- e de O
ran
=CAE,
VD
ya+1— 1 +(n-
LA V 57
A
V ya*r1
Restando las dos ecuaciones, la del CAE,.,, y la del CAE,,, se obtiene
ANA Vol, Tr+i, K iv

C AEne1— CAE n==CAE, nyn+l
ip5d ae ¿ As (7.ad V Ey
fe a
)yn+1 el
ás ARO O IN
a sli
SETA AN le
xoTAs 117
Puesto que CAE,., > CAE,, la expresión CAE,., — CAE, > 0 es verdadera
UVE ]E:(EE
0< CAE, A V V y»+1 1
y»+1 == 1
Ambos miembros de la desiguladad se multiplican por V”+! — 1:
0 <CAE,[V(V"—1D)-(V*=— 1 (7.eSlesspair
El término entre paréntesis se simplifica:
+ E) iv
O<CAE,(V"*! =—Y-—Y"** 11) (7.-
V V
Tas 1 Ka+1 >

0O<CAE «—V+D+ (7.— 7% V Jo
Restando
(T, — Tn+1/V+ Ka+1/V)íV de cada lado de la desigualdad:
Ta+r Kn+1 E S
Se despeja CAE;,,, dividiendo por V — 1 y multiplicando ambos lados por — 1.
CAE. < (me . y

¡PRE
V
,] iv
—,
Pero V-=1+1i; por tanto V—1=1=i¿-1 7
CAE, < (7.- Li y pz

,)y
Sustituyendo V y K se obtiene el resultado final
CABLES RAS DTi 03R == Mia
2 Costo total promedio de n períodos de servicio
La expresión del costo total promedio de n períodos de servicio CTP, es
GTP.=
1 FAC, + Cada Ea q (nt
x=1 1a=1 h i
La última sumatoria puede expresarse en otra forma teniendo en cuenta que uno
de sus componentes es una serie geométrica:
Eo) ]:E0-Ze( 3)"

118 mMoDELOS DE REMPLAZO
x=n 1 x-1
=HnC,=C ——
ñ 2 1 +1
=HnC ES t A NR Ea EA
Ro a a MEE
Aunque no es necesario, se puede demostrar que esta es una serie geométrica
convergente. Puesto que ¡ tiene algún valor positivo, ¿ > 0, se deduce que 1 +
¡> 1. Por tanto 1/(1+ ¿)< 1. Si 1/(1 + 1) se define como r y Co como a, esta
es la serie geométrica convergente
a+artar Faris
Se conoce que la suma de n términos es

10(L— 1”)
AA
por tanto
Ple
2 liz
tel
PATA
e tio
Se pueden efectuar algunas operaciones algebraicas para obtener una expresión
ligeramente simplificada.
= HAEDO 11M (140

1=1/4+0D (1D +D=1/4+0)
O 0
¡4 + i)
—_ 1 [YC ENE?)
i
14 AHD
i
Sustituyendo estas expresiones en la ecuación originai del CT'P, se obtiene
Cr. Ec conc, EDAD) t
ne x=n (E € 1 n-1
== I= Co + Cn po Co. — RR z
| 2 a z ¡ api (+
A) |
Expresando esto en función de n + 1 en lugar de n, se obtiene

soras 119
CT Pass = |r+ (EVO) nea ++) |

1 x=n+1 n
1 x=1 l 1 =- i
El siguiente paso es efect 1a. la resta CTP,,, — CTP,. Para obtener el máximo
provecho de este paso, « aislan primero los costos de la expresión CTP,,, que
componen el CTP,,. Se comienza reagrupando los términos de manera que el lími-
te de la sumatoria sea ..
1
CT Pros Ec A o RA + Cra + + n0+C0-c-E
ESTAS EE A ay
+S (+) (+) ll
Los términos subrayados, divididos por n, constituyen el valor CTP,.:
n-1
CTBAA Ss Ec. + Cnx* +nC.,— ol rr)

y |
1+i
1 s OE PARAR ES CUA
TMAle + Cra +1) + C,— He a) +E (+5) |
Multiplicando los primeros términos entre paréntesis por n/n se obtiene la ex-
presión
n 1 Co fas
1 n-1
CLP E [1+Fic. == Caja 1Co — Ca A i +=) 1)
1 A Es 1 n 1 n-1
+ je + Cm ln + 1) EA paSI) 0 1)
= 5CTP,+ >He + CM A CS (+)

Wi
- (=)" 1)
Se observa que la expresión entre paréntesis puede simplificarse en la siguien-
te forma:
Sustituyendo esta expresión y efectuando la resta CTP,,, — CTP, se obtiene

[+ ca re — |
cl
1 n
CTPmss =CTP, ==
1+i
an+1 n+1| (Co+ Corn 1 (1 (5)

1=i) |/
Puesto que CTP,,, > CTP,, el lado derecho de la ecuación será mayor que
cero:
.E" 1 y
0<£TP
n=1 n
(CH Cola 1 + Ca[1 (5+)
12 i
1
Multiplicando por n + 1.
0<—CTP,+(C.+ Cnn+ 1 + co 1 (+) |
Esto significa que en el valor óptimo de n, cuando existe CT'P?, la suma del cos-
to de operación y mantenimiento más el costo de obsolescencia para el siguiente
año será mayor que el valor del CTP*. Por consiguiente el remplazo debe efec-
tuarse cuando los costos de operación y mantenimiento más el costo de obsoles-
cencia económica del siguiente período sean mayores que el valor de CTP,,..
Puesto que CTP,_1 > CTP*, un método similar de análisis indicará que
1 n+i
CLIPS >. + Con +c.|1- (55) |
Esto puede interpretarse diciendo: No es económico remplazar si el costo de

operación, mantenimiento y obsolescencia es menor que el valor presente del CTP.
REFERENCIAS xi
1 Ackoff, Russell L., y Maurice W. Sasieni: “Fundamentals of Operations Re-

search,” cap. 8, John Wiley £ Sons, Inc., Nueva York, 1968.
2 Barish, Norman N.: “Economic Analysis,” McGraw-Hill Book Company, Nue-
va York, 1962.
3 GChurchman, C. West, Russell L. Ackoff, y E. Leonard Arnoff: “Introduction to
Operations Research,” cap. 17, John Wiley £: Sons, Inc., Nueva York, 1957.
4 Fabrycky, W. J., y Paul E. Torgersen: “Operations Economy,” cap. 7, Prentice-
Hall, Inc., Englewood Cliffs, N. J., 1966.
5 Roberts, N. H.: “Mathematical Methods in Reliability Engineering,” McGraw-
Hill Book Company, Nueva York, 1964.
6 Thuesen, H. G., W. J. Fabrycky, y G. J. Thuesen: “Engineering Economy,”
4a. ed., Prentice-Hall, Inc., Englewood Cliffs, N. J., 1971.
PROBLEMAS 121
PROBLEMAS
5-1 Si un equipo tiene un precio de compra de $5.000 y tiene el siguiente progra-

ma de costos y de valor de salvamento, hallar la vida de servicio de costo
mínimo según el método tabular (suponer que no se aplica tasa de interés).
Costo de Valor de
Año |funcionamiento | salvamento
1 $2.500 $3.000
Z 2.750 1.800
3 3.025 1.080
4 3.330 650
5 3.660 400
6 4.025 400
7 4.425 400
8 4.850 400
5-2 Repetir el problema 5-1 considerando una tasa de interés compuesto del 8
por ciento anual.
5-3 El nuevo equipo de una compañía procesadora de datos cuesta $50.000. Los
costos de operación y mantenimiento en el primer año son $10.000 y $5.000
respectivamente. Estos costos aumentan con el tiempo según el factor n*,
donde n = vida y k = 0,10. El avance técnico de equipo más moderno tien-
de a disminuir el costo de operación en un 5 por ciento anual. Si se despre-
cia la variación del valor del dinero con el tiempo, ¿cuál será la vida de cos-
to mínimo?
5-4 Se han estimado los siguientes datos para un equipo que cuesta $6.000.
| Costo de Costo de
Tiempo operación mantenimiento
1 $10.000 $1.000
2 10.100 1.100
3 10.200 1.300
4 10.300 1.700
5 10.400 2.200
6 10.500 2.800
dl 10.600 : 3.500
8 10.700 4.700
(a) Si se desprecia la variación del valor del dinero con el tiempo, ¿cuándo
debe remplazarse el equipo?
(b) ¿Cuándo debe remplazarse si ¡ = 10 por ciento?
5-5 Una persona piensa en la posibilidad de comprar algunas casas remolcables
como inversión. Estas unidades cuestan $5.000 nuevas. Las casas se de-
precian de manera que al final de cada año tienen un valor de reventa igual
al 80 por ciento del valor que tenían en el año inmediatamente anterior y que
disminuye hasta un mínimo de $1.000. Los costos de mantenimiento son de
$50 en el primer año y aumentan cada año en 30 por ciento. El primer año la
unidad puede alquilarse en $160 por mes. Cada año adicional el alquiler es
igual al 95 por ciento de la tasa anterior. Puede suponerse una utilización de
100 por ciento. ¿Cuándo debe remplazarse la unidad para maximizar el ingre-
so anual promedio? Despreciar el interés y utilizar el método tabular.
5-6 Una unidad de bombeo cuesta $3.600 instalada. El costo de operación en el
primer año fue de $800 más $200 de mantenimiento. La experiencia con uni-
dades similares indica que la suma de estos dos costos aumenta a una tasa
de aproximadamente $125 por año. ¿Cuánto tiempo debe utilizarse este equi-
po para minimizar el costo?
5-7 Una máquina herramienta de control numérico cuesta $18.000. Aunque no se
espera que los costos de operación y mantenimiento aumenten apreciable-
mente durante su vida de operación, si se esperan nuevas mejoras. Por con-
siguiente el último equipo debe estar en capacidad de procesar partes a un
menor costo por unidad. El resultado neto es que el equipo más viejo tiene un
aumento implícito en el costo de operación. Si la tasa promedio de mejoras
técnicas es 3 por ciento por año y el costo presente de operación es $20.000
por año, ¿cuál se espera que sea la vida económica de servicio? Se supone
que el equipo no tiene un valor de reventa y se desprecia la variación del va-
lor del dinero con el tiempo.
5-8 Una máquina automática cuesta $10.000 y tiene un valor de salvamento igual
a cero. El primer año los costos de operación y mantenimiento fueron de
$8.000 y $2.000 respectivamente. La tasa esperada de aumento en el costo
de operación es $200 por año y la del costo de mantenimiento es $50 por año.
Si se desprecia el interés, ¿cuál es la vida de costo mínimo?
5-9 Una unidad cuesta $6.000 y se espera que después de una vida normal de
operación tenga un valor de salvamento de $1.000. El costo de operación y
mantenimiento fue $800 y se espera que aumente en forma no lineal en fun-
ción del tiempo de vida (n*, donde k = 0,3). ¿Cuál es la vida de costo mí-
nimo si se desprecia la variación del valor del dinero con el tiempo?
Los siguientes datos de costo de operación y mantenimiento se recogieron
durante un período de 10 años. Puesto que se ha proyectado un equipo simi-
(a) (b)
Co +Cm Co + Cm
n por año n n por año n
1 1.000 1 1.000
2 2.200 2 1.400
3 3.500 3 1.650
4 5.000 4 1.850
S 6.400 5 2.050
6 7.800 6 2.250
7 9.400 '7, 2.400
8 11.000 8 2.550
9 12.500 9 2.700
10 14.100 10 2.820
PROBLEMAS 123
lar para una nueva instalación, se supone que estos son estimativos válidos.
Se desea aproximar estos puntos utilizando la curva (Co. + Cm)n*. Deter-
minar el valor de k que permite un ajuste satisfactorio.
Sugerencia: Cuando el costo aumenta con una tasa creciente, k debe ser
mayor que 1. Ensayar 1,10 como primera suposición.
Si la inversión inicial en el equipo del problema 5-10 fue de $20.000 compa-
rar la vida óptima de servicio para los casos (a) y (b).
Utilizando los resultados del problema 5-11, hallar los valores superior e in-
ferior de una vida de servicio, que no ocasionen un aumento mayor que 5 por
ciento en el costo variable.
5-13 Una empresa de camiones mantiene registros de la vida de las llantas. Aun-
que la falla es un proceso aleatorio, esta es función de la vida de la llanta.
Se han resumido los siguientes datos obtenidos a partir de 1.000 fallas.
Miles de Número de
millas fallas
10 50
20 100
30 250
40 400
S0 200
Un cambio programado de llantas cuesta $350 incluyendo la llanta. Una fa-

lla ocasiona pérdida de tiempo de viaje y requiere el empleo de instrumen-
tos de emergencia, que ocasionan un costo neto de $500. Además esto daña
el neumático, que se puede volver a utilizar y tiene un costo de $100. ¿Cuál
deberá ser la acción de costo mínimo para cambio de llantas”
5-14 Se utilizan máquinas para suministrar fuerza motriz a las unidades indivi-
duales de bombeo de una planta de irrigación. La experiencia ha demostrado
que la probabilidad de una interrupción debida a una falla menor, avimenta
con el tiempo. Esto ocasiona un costo de $200. Los procedimientos normales
de mantenimiento desarrollados para evitar esto cuestan $50. A continuación
se presentan los datos que relacionan las fallas con el tiempo de operación.
¿Cuál debe ser la estrategia aprobada de mantenimiento?
Tiempo de operación Números

Entre mantenimientos* de casos
cientos de horas registrados
500 10
1.000 15
1.500 20
2.000 35
2.500 204
=+La estrategia presente es hacer funcionar la

máquina hasta que falle y luego repararla.
Ninguna unidad ha funcionado más de 2.500
horas sin requerir mantenimiento.
5-15 Se han colocado silos de suministro en diversos puntos de una planta.

Cuando un silo queda vacío, el capataz llama al almacén y ellos los vuelven
a llenar. Hay 10 silos distribuidos en la planta. Se ha sugerido que puede ser
más económico llenar rutinariamente todos los silos en lugar de enviar un
obrero a llenar el silo cada vez que sea necesario. Se estima que el tiempo
requerido para atender un solo silo cuesta $3 pero que podría costar solamen-
te $10 atender todos los silos en un simple recorrido. La probabilidad de que
un silo quede vacío es función del tiempo.
Si se reconoce que un silo vacío debe llenarse en el momento que esto suce-
da, ¿cuál es la mejor estrategia de suministro?
Tiempo después de Probabilidad

llenar el silo, de quedar
turnos vacío
1 0,1
2 0,2
3 0,5
4 1,0
)j Una máquina automática requiere ajuste frecuente para asegurar la calidad

de la producción. Actualmente funciona sobre una base de tres turnos, de
manera que la máquina funciona casi continuamente. Si la máquina se des-
ajusta, se pierden aproximadamente $150 en partes defectuosas antes de
que pueda corregirse. El ajuste cuesta $50 en trabajo y tiempo de interrup-
ción. Puesto que la probabilidac de una operación no satisfactoria es fun-
cion del tiempo de funcionamiento, es posible programar el mantenimiento
antes de que puedan presentarse defectos. ¿Debe prolongarse el funciona-
miento hasta que se produzcan partes defectuosas? En el caso negativo,
¿cuándo debe volverse a ajustar la máquina?
Tiempo a partir Probabilidad

de un ajuste, de producción
horas defectuosa
1 0,0
2 0,10
3 0,20
4 0,40
E) 1,00
Los rodamientos de bolas de una máquina tienen una probabilidad creciente

de fallar a medida que aumenta la vida de servicio. Esta máquina tiene dos
rodamientos. Los rodamientos cuestan $15 cada uno más $50 que es el cos-
to de instalación de cada unidad. La falla de un rodamiento ocasiona un
costo adicional de $200. Los posibles procedimientos de mantenimiento son:
(a) Remplazar cuando se presentan las fallas.
PROBLEMAS 125
(b) Remplazar los rodamientos individualmente con base en una vida ópti-
ma de remplazo.
(c) Remplazar ambos rodamientos con base en una vida óptima de remplazo
(como grupo).
¿Cuál procedimiento ocasiona un costo mínimo?
Número de
Vida de veces que se
servicio, han presentado
miles de horas fallas
1 10
2 15
3 15
4 30
e 20
6
MODELOS Y SISTEMAS
DE INVENTARIO
Las empresas mantienen inventarios de materias primas y de productos

terminados. Los inventarios de materias primas sirven como entradas al
proceso de producción y los inventarios de productos terminados sirven
para satisfacer las demandas de los clientes. Puesto que estos inventa-
rios representan frecuentemente una considerable inversión, las decisio-
nes con respecto a las cantidades de inventario son muy importantes.
Los modelos de inventario y la descripción matemática de los sistemas
de inventario constituyen una base para estas decisiones. En este capí-
tulo se presentan algunos sistemas y modelos básicos de inventario.
MODELOS DE INVENTARIO
En esta sección se discuten cuatro modelos determinísticos de inventa-
rio. Debido a que estos modelos conducen hacia una cantidad pedida que
minimiza los costos incrementales totales, frecuentemente se denominan
modelos de la cantidad económica pedida (CEP).
Modelo 6-1 Modelo de compra: Sin déficit

Este es uno de los modelos de inventario más sencillos. Se basa en las si-
guientes suposiciones:
MODELOS DE INVENTARIO 127
FIGURA 6-1 | t 46,

Modelo de compra (sin déficit) TYÁáÁáÁKÁáÁKÁáÁKÁá<Áá/
1 La demanda se efectúa a tasa constante.

2 El remplazo es instantáneo (la tasa de remplazo es infinita).
3 Todos los coeficientes de costo (C,, C2, C3) son constantes.
En la figura 6-1 se ilustra esquemáticamente este modelo.

En la figura 6-1 se representan como iguales el inventario máximo
In y la cantidad económica pedida (pedido) Q. Esto no siempre es ver-
dadero. Realmente, en la mayoría de modelos de inventario esta condi-
ción (Q = I,n) no es verdadera. El tiempo t es el tiempo entre pedidos
o el tiempo de un período. El período planeado T' se toma como 1 año en
la deducción de este y de los demás modelos de inventario del capítulo.
Se hace esta suposición ya que-simplifica la presentación, pero como se
demuestra en una discusión posterior, no impone ninguna limitación.
El costo total del modelo 6-1 está formado por 3 componentes de costo:
Costo total /año = costo unitario/año +
costo de ordenar una compra/año + (6-1)
costo de mantener inventario/año.
El costo total por año en este y en los siguientes modelos se obtiene
cos-
determinando el costo total para período C' y luego multiplicando este
to por el número de períodos por año:
Costo total /año = costo total período x número de períodos/año (6-2)
unidades o
El costo unitario por período simplemente es el costo de Q
C1Q (6-3)
donde C, es el costo por unidad.

Puesto que solamente se efectúa una compra por período, el costo de
ordenar la compra es el costo de hacer un pedido, y se denomina C.
El inventario promedio por período es Q/2. Por consiguiente, el cos-
to de mantenimiento del inventario por período es
Cst - (6-4)
128 MODELOS Y SISTEMAS DE INVENTARIO
Costo total
Punto de
costo mínimo
Costo de mantenimiento
(almacenamiento)
Costo
anual,
total
€ Costo de ordenar la compra
Costo
unitario
Cantidad pedida, Q >
FIGURA 6-2
Patrones de costo del modelo 6-1.
donde C3 = costo de mantenimiento o costo de mantener una unidad

en inventario durante 1 año, $/unidad-año.
t = tiempo de un período en años.
El costo total C' por período es
C=C1Q+c,+c15 (6-5)
El tiempo de un período, expresado en años, es
lt = Q (6-6)
D
donde D = demanda de un artículo particular en unidades/año.

El número N de períodos o de pedidos por año es el recíproco de la ecua-
ción (6-6):
D
Ns (6-7)
Q
Sustituyendo la ecuación (6-6) en la ecuación (6-5) y multiplicando luego
el resultado por la ecuación (6-7) se obtiene
¿Gima
D ea
0 (6-8)
Cuando los componentes del costo de la ecuación (6-8) se representan

gráficamente como se indica en la figura (6-2) se obtiene un punto óptimo
(de costo mínimo).
Una forma de determinar Q óptimo es suponer diversos valores de Q

y sustituir en la ecuación (6-8) hasta encontrar el punto de costo mínimo.
Un procedimiento más sencillo consiste en derivar la ecuación (6-8) con
respecto a Q e igualar la derivada a cero. Puesto que el término C,¡D es
constante, la derivada de la ecuación (6-8) es
dC EJE
d0
— = 0 = —
o? AR —> (6-9)
-9
Despejando Q se obtiene
2D
0=. = (6-10)
La ecuación (6-10) da la cantidad pedida que ocasiona un costo míni-

mo y tiene como base un balance entre los dos costos variables (costos de
almacenamiento y costos de compra) incluidos en el modelo. Cualquier
otra cantidad pedida ocasiona un costo mayor.
EJEMPLO 6-1 La demanda de un artículo particular es de 18.000 unida-

des/año. El costo de almacenamiento por unidad es de $1,20 por año y el
costo de ordenar una compra es de $400. No se permite déficit, y la tasa
de remplazo es instantánea. Determinar:
(a) La cantidad óptima pedida.
(b) El costo total por año si el costo de 1 unidad es $1.
(c) El número de pedidos por año.
(d) El tiempo entre pedidos.
(a) La cantidad óptima pedida se calcula según la ecuación (6-10).
y e as 1A 000) = 3.465 unidades
(b) El costo total se calcula según la ecuación (6-8).
D 10) 18.000 3.465

e po AS Ez O= (18.000)
= 1(18.000 + AOSn >
1,2 ——
= 18.000 + 2.078 + 2.078 = $22.156 por año
(c) El número de pedidos por año es
= 5,2 pedidos/año
(d) El tiempo entre pedidos es
le
=== eU 3.465 -
15000 = 0192 años 1111
N
N
N
N
SN Pendiente = R— D
Pendiente = D
xi -á<á<<aOa >
FIGURA 6-3
Modelo de manufacturación (sin déficit).
Modelo 6-2 Modelo de manufacturación: sin déficit

Las suposiciones de este modelo son iguales a las del modelo 6-1 excepto
que la tasa de remplazo (tasa de manufacturación) es finita y mayor que
la tasa de demanda. En la figura 6-3 se ilustra esquemáticamente este
modelo.
El procedimiento empleado en este modelo, para determinar la canti-
dad óptima Q que debe manufacturarse es básicamente el mismo del mo-
delo 6-1. Puede aplicarse la ecuación (6-1); esto es, se incluyen los mis-
mos tres componentes de costo del modelo 6-1, pero en este modelo el costo
de ordenarla compra se remplaza por el costo de organizar una tanda de
producción.
Si el costo de organizar una tanda de producción es Cz, el costo por
período es
Í
C'=C10+C, + Colt +12) 3 (6-11)
donde In /2 es el inventario promedio por período.

En la figura 6-3 puede observarse que el tiempo entre tandas de pro-
ducción (tiempo por período) t, + tz, es
L+h= SO
(6-12)
Con la ecuación (6-12), sólo falta hallar una expresión para IÍ,, en
función de Q.
Puesto que las unidades se utilizan de acuerdo a su definición, el in-
ventario máximo por período es el tiempo de manufacturación t, multi-
plicado por la tasa de acumulación, donde la tasa de acumulación es la
tasa de manufacturación R menos la tasa de demanda D; por consiguiente
E = 1 (R — D) (6-13)
El tiempo de manufacturación es el tiempo requerido para fabricar Q

unidades, o en términos matemáticos
l, = R
2 (6-14)
Sustituyendo la ecuación (6-14) en la ecuación (6-13) se obtiene
Fu =
Ñ
rs
— —
D)=0Q|1
=
ne)R— —
(6-15)
Sl
Según las ecuaciones (6-12) y (6-15), el costo total por período es
C '= C1Q+C2+
DA A
(355
Ye, 1
»
2 -16
(6-16)
Cuando la ecuación (6-16) se multiplica por el número de períodos por año

D/Q), el costo total anual es
DE D
C=CD+ CHO -5) (6-17)
Derivando la ecuación (6-17) se obtiene

dC CDC ( »
(6-18)
O- R
y despejando Q se obtiene
20D
Saona
La ecuación (6-19) es la cantidad óptima que debe manufacturarse
(costo mínimo) y es un balance entre los costos de almacenamiento y los
costos de organización de una tanda de producción.
EJEMPLO 6-2 La demanda de un artículo de una determinada compa-

ñía es 18.000 unidades/año, y la compañía puede producir ese artículo a
ón
una tasa de 3.000 por mes. El costo de organizar una tanda de producci
es $500 y el costo de almacen amiento de una unidad/ mes es 15 centavos .
óptima que debe manufact urarse y el costo total
«Determinar la cantidad
por año suponiendo que el costo de 1 unidad es $2,00.
La cantidad óptima que debe manufacturarse puede calcularse utili-
zando la ecuación (6-19) y suponiendo 12 meses/año.
ae 2(500) (18.000) A ,
BA
El costo total anual es
18.000 915012) (4-40 18.000 |
C =18.000(2) + 500
4470 > 2 12(3.000)
= 36.000 + 2.013 + 2.013 = $40.026
Es interesante calcular otros términos. Por ejemplo, el inventario máxi-

mo es
D 18.000 :
la = ol - 7) = 4.4701 - 2600 = 2.235 unidades
y el tiempo de manufacturación es
t, === 0,1241 años
Además, el tiempo total entre tandas de producción se calcula según

la relación
1 (E
=24+2%=2ES
a RDA RR
= (0,1241 + 0,1241 = 0,2482 años 111]
Modelo 6-3 Modelo de compra con déficit

Este modelo tiene como base las mismas suposiciones del modelo 6-1 ex-
cepto que se permite déficit. En consecuencia se incurre en el costo de dé-
ficit. En la figura 6-4 se ilustra esquemáticamente este modelo.
La figura 6-4 implica que es posible diferir el pedido, de manera que
una vez recibida la cantidad pedida desaparece el déficit. Por consiguien-
te, en este modelo, los costos de déficit son ocasionados por el agotamien-
to de existencias durante un período de tiempo y no por la pérdida de
ventas.
Puesto que en este modelo se incluyen los costos de déficit, la ecua-
ción (6-1) se convierte en
MODELOS DE INVENTARIO. 133
C = costo del artículo/año + costo de ordenar la compra/año +

costo de almacenamiento/año + costo de déficit/año (6-20)
Por consiguiente, el costo por período es
C"=C,0+C)+ Cit;
La Ss
2
2
donde S/2 = número promedio de unidades agotadas por período
C. = costo de déficit de 1 unidad/año.
Ahora falta hallar expresiones para ti, Í,, y tz en función de Q y
S, ya que éstas son las dos variables básicas de este modelo. Esto se logra
analizando la figura 6-4.
FIGURA 6-4
Modelo de compra (con déficit).
El inventario máximo es
L,_=0-S (6-22)
Las siguientes ecuaciones se obtienen a partir de la semejanza de trián-

gulos:
(6-23)
(6-24)
Puesto que el tiempo de un período t es Q/D. Las ecuaciones (6-23) y
(6-24) pueden escribirse como
(6-25)
Ss
tr ices,
Sustituyendo las ecuaciones (6-22), (6-23), y (6-26) en la ecuación (6-21)

se obtiene cas: IAS
C"=C,0+C,+C;
25m7) A a +55 en :
(6-27)
que es el costo total por período.

Multiplicando la ecuación (6-27) por el número de períodos por año
D/Q, se obtiene
C=C¡D+C25+
D _CX(Q-S)? _ C4S?
+ (6-28)
FETO 20 20
que es el costo total por año.
Puesto que en la ecuación (6-28) hay dos variables, se obtienen las
derivadas parciales con respecto a cada variable y se igualan a cero.
A D=-Cil CIR C SE ¡2 C9D ..Có aS7

oro” a+ 207 720777 0? +7 73 + Cs (6-29)
0d CS. Cas
35 =0=-C, o (6-30)
Despejando S de la ecuación (6-30), se obtiene

C;
$= EFG Q (6-31)
D C, C3+C, Ca 2
0= -C5+—=-
laa) e
==€C),
DEE
+=
Es
== _—______—
2022 X0,+Cp (52
Despejando Q de la ecuación (6-33) se obtiene
OmEn ara
eden (6)
que es la cantidad óptima de compra para este modelo.
Sustituyendo la ecuación (6-34) en la ecuación (6-31) puede obtenerse
otra relación para calcular el número de unidades agotadas
¿CDA a3
Sn J 2
oy
EJEMPLO 6-3 Como ejemplo de este modelo puede emplearse el ejemplo

6-1 con un costo de déficit por año de $5/por unidad-año.
y OZ ALDO) NoE + 5
= 3.465(1,114) = 3.860 unidades
Pendiente = R— D
Pendiente = D
FIGURA 6-5
Modelo de manufacturación (con déficit).
(b) Para despejar el costo total, debe calcularse el número de unida

des agotadas
C, 1,2
S= 3.860 = 747 unidades
=C¿+Cs 0= PIES
Por consiguiente
AD
18.000
Dir
1,2(3.860— 747)? —acen
all
5(747)?
CAEN
(1 3.860 2(3.860) 2(3.860)
= 18.000 + 1.865 + 1.507 + 361 = $21.733 por año
(c) El número de pedidos por año es 18.000/3.860 = 4,66

(d) El tiempo entre pedidos es 1/4,66 = 0,215 año.
Modelo 6-4 Modelo de manufacturación con déficit

Las suposiciones de este modelo son iguales a las del modelo 6-2, excepto
que se permite déficit. En la figura 6-5 se ilustra esquemáticamente este
modelo.
Los componentes de costo de este modelo son los mismos del modelo
6-3, sólo que como antes, el costo de ordenar una compra se remplaza por
“el costo de organizar una tanda de producción.
El costo total por período es
C'=C,0+C) + Cx(t, + ES + Calt3 + 95 (6-36)
El problema consiste en determinar los valores de t,, tz, t3, ta, e In en

función de Q y S. Esto se logra considerando la figura 6-5, obteniéndose
IL = t (R— D) (6-37)
E, =D (6-38)
Por tanto
t¡(R-D)=t,D (6-39)
S=t(R—D) (6-40)
S=t3D (6-41)
Por consiguiente
4 (R=—D)=1t3D (6-42)
Sumando las ecuaciones (6-39) y (6-42) se obtiene

(1, + ¿AR — D) = (t2 + 13)D (6-43)
La tasa de manufacturación multiplicada por el tiempo de manufac-
turación de la cantidad manufacturada
O = (1, + ta)R
Por tanto
EN + la + (6-44)
ato
Luego :
Vr + S =(t2+13)D (6-45)
utilizando la ecuación (6-43), la ecuación (6-45) se convierte en
Im FS =(1 +4 MR — D) (6-46)
_Q
ln = (R= D) —
= 0(1- 5,
=S (6-47)
Con la ecuación (6-47), el término t, + tz es
fl E
t,+t, = A
SO R-D*b
_R=
Sustituyendo la ecuación (6-47) dentro de este resultado se obtiene
4+t= [o(1 = ra)=s|> Ín5) (6-48)

De manera similar, el término tz + t4 es
1
ta+t=S| += (6-49)
NE” E p* 5)
Sustituyendo las ecuaciones (6-47) a (6-49) en la ecuación (6-36) se
obtiene
once) sl +) (+)
Ls D : 1 1 GUS. 1
SR IED
1ERA FEATiS la
Multiplicando la ecuación (6-50) por el número de períodos por año y
simplificando se obtiene
pa Di Trobabiar 96 dl
o C,D+C,G +36 0(1- 2) s| a le AR
Para hallar la cantidad óptima Q se obtienen las derivadas parciales
con respecto a Q y S. Para simplificar estas operaciones, sea
D
y E 1 q R (6-52)
la cual es una constante. Las derivadas parciales son

0C E D ¿5 A ES37 C4S?
90 PT Es qa*
ys 2 20%4 20%4 a
0C CS, C4S
AR A0* 40 (502
Despejando S de la ecuación (6-54) se obtiene
C; 65 2)
Ss=— QA = l-=
aa? +a e R fren?
y sustituyendo esta expresión en la ecuación (6-53) se obtiene
0=-C,=cd paé (E) vela “oa

Q3* 2 —20%4C,+Ca 204 XC; + C.
D Ca 6-5
=- ASes A (6-56)
Despejando Q y sustituyendo la ecuación (6-52) se obtiene
2C,D C3 + Ca
0 VTA=DR Jas 2
que es la cantidad óptima Q (costo mínimo).
A 2C,D
EJEMPLO 6-4 Los datos de este ejemplo son los mismos del ejemplo
6-2, excepto que el costo de 1 unidad agotada es $20 por año.
Qs 2C, D C; sl de 5
vCa — D/R) TEN

2(500) (18.000) [0,15(12) + 20
0,15(12) [1— 18.000/12(3.000)] 20
= 4,470(1,045) = 4.670 unidades
Para calcular el costo anual, debe calcularse el número de unidades

agotadas.
sy ade
da e
of -5)
R)
A
—0,15(12) + 20
4.670|1 ati
12(3.000)
|
=> e 4.670(0,5) = 193 unidades
Por tanto
CT = 18.000(2)(2) + +5500 18.000 0,15(12)

2010 * A,
18.000 >
zoo 4870] E on] 8
193)
1 E 20(193)? 1
1— 18.000/12(3.000) 2(4.670)1— 18.000/12(3.000)
= 36.000 + 1.927 + 1.768 + 160 = $39.855 por año
El inventario máximo es
D
IT = ¡EE E
18.000 4
== 4.570] ES amo] — 193 =2.142 unidades
y el tiempo de manufacturación es
oO 4.670
=== = 0,1298 año
11 + 42" 12(8000) e
Además, el tiempo entre tandas de producción es
4.670
++ += 00,259 año 1111
MODIFICACION DE LOS PERIODOS DE TIEMPO

En los anteriores modelos de inventario, la deducción del tamaño óptimo
del lote se efectuó sobre la base de un período de planeación de 1 año. Es-
ta no es una condición necesaria. Lo fundamental con respecto a las uni-
dades de tiempo es la consistencia; es decir que, las unidades de tiempo
deben ser las mismas para cada cantidad que tenga dimensión de tiempo.
Por ejemplo, se supone que los datos del ejemplo 6-1 están dados por mes
en lugar de por año; entonces son aplicables los siguientes datos (se supo-
ne 1 año = 12 meses):
Demanda/mes = —— = 1.500 unidades/mes
Costo de almacenamiento = —— = $0,10 por unidad-mes
Según estos valores, la cantidad óptima que se debe comprar es
2C,D 2(400)(1.500)
(1.500)
500)
que = 3.465 unidades
C; E 10
que es igual a la respuesta del ejemplo 6-1.

El costo total por mes puede calcularse utilizando la ecuación (6-8)
modificando las unidades de tiempo de la siguiente manera:
18.000 18.000/12 1,2 3.465

Costo total/mes = > (1) + 400
3.465 dd
= 1.500 +173 + 173 = $1.846 por mes
Este valor tamhién se vuede obtener dividiendo el costo total por año por
EZ.
C 22.156
Costo total/mes = — = = $1.848
12 12
COSTOS UNITARIOS
En los ejemplos anteriores se utilizaron cuatro costos (C,, C2, C3, Ca).
Frecuentemente se presentan problemas con respecto a las variables que
deben incluirse en la determinación de estos costos.
Componentes del costo C, En manufacturación, el costo de 1 unidad

consta de componentes tales como mano de obra directa e indirecta, mate-
riales directos e indirectos, y gastos generales. Cuando la unidad se com-
pra el componente del costo es el precio de compra de 1 unidad.
Costo de hacer una compra (costo de organizar una tanda de pro-

ducción) Cz Los costos de compra de una unidad constan de compo-
nentes tales como costos administrativos y de oficina involucrados en el
procesamiento de una orden de compra, despacho y trámite del pedido, y
costos de trasporte. Cuando se manufactura una unidad el costo unitario
de organizar su producción incluye el costo de mano de obra y de los ma-
teriales utilizados en la organización de la producción y los costos de los
ajustes necesarios para iniciar su producción.
Costos de inventarios Cz Algunos costos incluidos en el costo uni-

tario de almacenamiento son;
Dinero inmovilizado en el inventario

Costos del espacio de almacenamiento
Costos de manipulación
Impuestos a los inventarios
Costos de seguros
Obsolescencia
Deterioro de calidad
DD
Nn
0
Cd
=D Costo de mantener registros de inventario
Costos de déficit C4 El costo unitario de déficit utilizado en los an-

teriores modelos de inventario es el costo debido al retraso en satisfacer
una demanda; la demanda eventualmente se satisface (pedidos retrasa-
dos) después de un período de tiempo, o sea que, el costo de déficit no se
considera como el costo de ventas perdidas. Dentro de este contexto, el
costo de déficit incluye componentes tales como:
Requerimientos de tiempo extra ocasionados por el déficit
Costos especiales administrativos y de oficina
Costos por apresuramiento
Pérdida de reputación a causa del retraso
Costos especiales de manipulación y costos de empaque
Pérdida de tiempo de producción
NDA Cualquier otro costo que pueda atribuirse al déficit de existencias
DO
lA
CON
SISTEMAS DE INVENTARIO 141
Comentarios
Obviamente hay otros modelos de inventario además de los descritos en
este capítulo. Sólo se necesita observar la literatura del control de inven-
tarios, control de producción e investigación operacional para encontrar
un gran número de modelos de inventario. Al final de este capítulo se pre-
sentan referencias.
En muchos textos los modelos de inventario presentados aquí se de-
ducen con base en el costo variable total y por tanto no incluyen costos
del componente C,D. Esto es cuestión de preferencias. En la determina-
ción del costo total de inventario debe incluirse la especificación de cos-
tos por componentes.
Punto de
pedido
3.465
138
días
FIGURA 6-6
Sistema Q para cantidades determinísticas.
SISTEMAS DE INVENTARIO
de pedido de
Dos sistemas de inventario muy utilizados son el sistema
fijo. En este capítul o se de-
tamaño fijo y el sistema de pedido de intervalo
fijo, mientras que
signa como sistema Q al sistema de pedido de tamaño
como sistema P. La dife-
el sistema de pedido de intervalo fijo se designa
Q se pide una
rencia básica entre los dos consiste en que en el sistema
P se ordena
cantidad fija a intervalos variables de tiempo y en el sistema
una cantidad variable a intervalos fijos de tiempo.
tasa de de-
Cuando el sistema de inventario es determinístico y la
los sistemas Q
manda es constante, realmente hay poca diferencia entre
6-1. Se discute
y P. Esto se demuestra empleando los datos del ejemplo
Se obtiene n las siguien tes cantida des (se supone
primero un sistema Q.
l año = 250 días):
48 intervalo entre pedidos

días
FIGURA 6-7
Sistema P para cantidades determinísticas.
Q = 3.465 unidades
t = tiempo entre pedidos = 0,1925(250) = 48,1 = 48 días
Demanda/día = pe = 72 unidades/día
Ahora puede suponerse que el tiempo de anticipación es L = 20 días; por

tanto el número de unidades que podrían requerirse durante el tiempo de
anticipación es
Demanda en el período de anticipación = DL = 72(20) = 1.440 unidades
La representación gráfica de estas cantidades que se muestra en la
figura 6-6 indica la siguiente regla de pedido: Verificar continuamente el
nivel de inventario, y cuando el nivel del inventario alcance 1.440 unida-
des, se ordenan 3.465 unidades.
Aplicando esta regla se obtiene un costo total anual de ($22.156) igual
al calculado en el ejemplo 6-1, sin permitir déficit. Si se permite déficit el
punto de pedido disminuye. Por ejemplo, si en el ejemplo 6-3 se utiliza un
tiempo de anticipación de 20 días, el punto de pedido es
72(20) — 747 = 693 unidades
Si el tiempo de anticipación hubiera sido mayor que 48 días, el nivel

(punto) de pedido sobrepasa el nivel de inventario. Por ejemplo, puede
suponerse que el tiempo de anticipación del ejemplo 6-1 es 60 días en lu-
gar de 20 días. Esto indicaría un punto de pedido de
60(72) = 4.320 unidades
Sin embargo, esto es imposible ya que la figura 6-6 indica que el nivel de
inventario nunca es mayor que 3.465 unidades. El valor de 4.320 unidades
implica que cuando el número de unidades en inventario (disponibles) y
el número de unidades pedidas pero no recibidas es 4.320 unidades, en-

tonces se hace un pedido de 3.465 unidades.
Ahora se discute un sistema P. En el ejemplo 6-1 debería usarse un
intervalo entre pedidos de 48 días ya que este es el intervalo óptimo indi-
cado por un balance entre los costos de compra e inventario. Cualquier
intervalo entre pedidos menor que 48 días ocasiona mayores costos de
compra, y cualquier intervalo entre pedidos mayor que 48 días ocasiona
un déficit. El sistema P representado en la figura 6-7 para los datos del
ejemplo 6-1 indica la siguiente regla de pedido: determinar el nivel de in-
ventario cada 48 días y en ese momento pedir una cantidad igual a
Cantidad pedida = Q óptimo + existencias de seguridad —existencias dispo-
nibles — unidades pedidas + cantidad requerida para un período completo de
anticipación.
En este caso, el tamaño del pedido es igual a
3.465 + 0— 1.440 — 0+ 72(20) = 3.465 unidades
Esta cantidad pedida debe ser la misma en cada punto de pedido ya que
todas las componentes de la ecuación de la cantidad pedida son cons-
tantes debido a que el sistema es determinístico y la tasa de demanda es
constante. Además, por las mismas causas los períodos entre pedidos (48
días) son iguales en ambos sistemas. Por consiguiente, los dos sistemas
dan iguales resultados siempre que los sistemas sean determinísticos y
la tasa de demanda sea constante.
Se presentan diferencias entre los dos sistemas cuando la demanda,
el tiempo de anticipación, o ambos se vuelven probabilísticos. En las con-
clusiones de este capítulo se presentan las consideraciones probabilísticas.
Un enfoque para manejar sistemas probabilísticos de inventario es
superponer un modelo de inventario basado en existencias de seguridad
(existencias amortiguadoras). Las existencias de seguridad sirven de
amortiguador para absorber las variaciones de la demanda y del tiempo
de anticipación. También sirven como medio de regulación de las unida-
des agotadas. Este enfoque permite una aproximación razonable hacia
una solución óptima. Es una aproximación ya que supone que las existen-
cias de seguridad para el tiempo de anticipación y el intervalo entre pe-
didos son independientes. Obviamente, esta suposición no es correcta.
Una de las principales diferencias entre los sistemas Q y P es la mag-
nitud de las existencias de seguridad requeridas en cada uno. General -
mente, el sistema Q requiere menos existencias de seguridad que el siste-
de
ma P debido a que en el sistema Q el requerimiento de existencias
tiempo
seguridad depende de las fluctuaciones de la demanda durante el
existen-
de anticipación, mientras que en el sistema P, la magnitud de las
depende de la suma del período de anticipaci ón y el
cias de seguridad
6-9.
intervalo entre pedidos. Este punto se ilustra en las figuras 6-8 y
144 MODELOS Y sISTEMAS DE INVENTARIO
Punto de pedido
Existencias de seguridad
anticipación anticipación FIGURA 6-8

Sistema Q.
En la figura 6-8 se muestra un esquema del sistema Q. Las líneas

continuas (1-2-3-4-5) indican una tasa normal de demanda; las líneas pun-
teadas (1-2'-3'-4'-5') indican una tasa máxima de demanda. Debe notarse
que en este sistema el tiempo entre pedidos es menor con una tasa máxi-
ma de demanda que con una tasa normal de demanda; en otras palabras,
aumenta el número de pedidos. Por consiguiente, el inventario restante
en los puntos de pedido sólo necesita proteger una demanda máxima en
tiempo de anticipación.
En la figura 6-9 se muestra el sistema P. Las líneas continuas indican
una tasa normal de demanda y las líneas punteadas indican una tasa
máxima de demanda. En este modelo el número de pedidos es el mismo
para condiciones de tasa de demanda normal y de tasa máxima. Se supo-
ne que la tasa de demanda ha sido normal hasta el punto 1; entonces en
este punto puede hacerse un pedido que refleje una demanda normal. Si
Existencias de seguridad
anticipación
entre pedidos entre pedidos
FIGURA 6-9
Sistema P.
la tasa de demanda se vuelve máxima en el período de tiempo compren-

dido entre 1 y 4 (o 4”), esto es equivalente a experimentar demanda máxi-
ma durante el tiempo de anticipación y durante el intervalo entre pedidos.
Se recuerda que el intervalo entre pedidos y el período de tiempo compren-
dido entre 2 y 4 son iguales. El único pedido recibido en este período que
refleja esta demanda máxima es el pedido recibido en el punto 4 (o 4'). Por
consiguiente las existencias de seguridad deben proteger contra la deman-
da máxima durante el período de anticipación y el intervalo entre pedidos.
EJEMPLO 6-5 Sistema Q (demanda variable, tiempo de anticipa-

ción constante). Se desea un inventario de tipo Q con base en los si-
guientes datos. La demanda de un artículo particular tiene la distribución
indicada en la figura 6-10, y el tiempo de anticipación L es 2 semanas. El
costo de una compra es $160, y el costo de almacenamiento de 1 unidad
es 10 centavos por semana.
El primer paso es determinar la cantidad pedida con base en la de-
manda promedio (D):
Q= e = po Y = 800 unidades
C; 0,1
El tiempo promedio entre pedidos es
1 Q = cas =4 semanas
ET ep
150 200 250

FIGURA 6-10
Distribución de la demanda. Demanda, unidades semana
Con el objeto de especificar el punto de pedido y las existencias de

el
seguridad, deben calcularse las diversas demandas posibles durante
probabil idades asociada s
tiempo de anticipación. Estas demandas y sus
se muestran en la tabla 6-1 y se resumen en la tabla 6-2. La representación
gráfica de los valores de la tabla 6-2 en forma de distribución acumulativa
da la figura 6-11.
Tabla 6-1 POSIBLES DEMANDAS Y PROBABILIDADES
ia rn
: Posible demanda Forma de ocurrencia
300 0,3(0,3) = 0,09

350 0,3(0,4) = 0,12
0,4(0,3) = 0,12
400 0,4(0,4) = 0,16
0,3(0,3) = 0,09
0,3(0,3) = 0,09
450 0,4(0,3) = 0,12
0,3(0,4) = 0,12
500 0,3(0,3) = 0,09
1,00.
Tabla 6-2 DEMANDA EN EL TIEMPO

DE ANTICIPACION
Demanda en el tiempo | Probabilidad

de anticipación
300 0,09
350 0,24
400 0,34
450 0,24
500 0,09
Según la figura 6-11, las existencias de seguridad y el punto de pedido

pueden determinarse para un riesgo específico de déficit. Por ejemplo si
no se permite déficit (riesgo nulo de déficit), la cantidad total de existen-
cias que permanece en inventario en el punto (nivel) de pedido debe ser
1,00
FIGURA 6-11 300 350 400 450 500

Distribución acumulativa de la demanda
Demanda en el tiempo
en el tiempo de anticipación de anticipación
500 unidades. Por consiguiente las existencias de seguridad (ES) en este

caso son
ES = D,, — DL = 500 — 200(2) = 100 unidades
donde D, es la demanda para algún riesgo específico de déficit. En la
tabla 6-3 se indican niveles adicionales de riesgo y de existencias de se-
guridad.
En la figura 6-12 se han supuesto diferentes tasas de demanda para
indicar como funciona un sistema (Q) con los datos de este ejemplo y un
riesgo nulo de déficit. Esta figura muestra los diferentes períodos entre
pedidos e indica que el inventario total puede variar entre 800 y 1.000
unidades.
En general, la cantidad pedida en los sistemas de inventario Q y P
está dada por
Cantidad pedida = Q óptimo + existencias de seguridad

— inventario disponible
— unidades pedidas
+ demanda promedio en el tiempo de
anticipación (6-59)
Tabla 6-3 EXISTENCIAS DE

SEGURIDAD PARA
DIVERSOS RIESGOS
DE DEFICIT
Demanda en el |Existencias de Riesgo de %

tiempo de Seguridad déficit
anticipación
(6-59)
Puesto que este es un sistema Q, todos los términos de la ecuación
son constantes. El término Q + ES es
Q + ES = 800 + 100 = 900 unidades
el inventario
Puesto que el nivel de pedido se especifica como Dm,
es pedidas son
disponible es constante e igual a 500 unidades. Las unidad
es menor que el tiem-
cero en este ejemplo ya que el tiempo entre pedidos
tiempo de anticipa-
po de anticipación. La demanda promedio durante el
ción DL es constante e igual a
DL = 200(2) = 400 unidades

Por consiguiente, la cantidad pedida tiene un valor constante de
a
900 — 500 — 0 + 400”= 800 unidades
— — — — —— Demanda máxima
- Demanda promedio
Demanda mínima
1.000
Nivel de pedido = 500
2,00 |1,20| ab
2,00 |1,20| 2,00 | 2,67 |
Semanas Semanas Sema- Semanas Sema- Semanas Semanas Semanas Semanas Semanas
nas nas
FIGURA 6-12
Sistema de inventario Q (datos del ejemplo 6-6).
Evidentemente, según la definición del sistema Q se conoce la can-

tidad pedida (Q = 800) sin necesidad de utilizar la ecuación (6-59). Sin
embargo, este no es el caso del sistema P, ya que los valores del inventa-
rio disponible y de las unidades pedidas varían.
Los datos de este ejemplo y el riesgo nulo de déficit indican la si-
guiente regla de pedido: verificar continuamente el nivel de inventario, y
siempre que este nivel alcance 500 unidades, se piden 800 unidades. ////
Una modificación del sistema. Q es el sistema de los dos depósitos,

que reparte el inventario en dos partes y lo coloca (físicamente o en el pa-
pel) en dos depósitos. Utilizando los resultados del ejemplo 6-6, se colocan
400 unidades en el primer depósito y 500 unidades en el segundo. A me-
dida que la demanda tiene lugar, se retiran unidades del primer depósito
hasta que se desocupa, en ese momento se hace un pedido de 800 unida-
des. Mientras se recibe el pedido la demanda se satisface con las unida-
des del segundo depósito. Cuando se recibe el pedido, se colocan suficien-
tes unidades en el segundo depósito hasta completar 500 unidades. Las
unidades restantes se colocan en el primer depósito. Luego se repite todo

este procedimiento.
Si el tiempo de anticipación es mayor que el tiempo promedio entre
pedidos, el procedimiento básicamente es el mismo. Por ejemplo, puede
suponerse que el tiempo de anticipación es 6 semanas y que se especifica
un riesgo nulo de déficit. Entonces la demanda máxima durante el perío-
do de 6 semanas es 6(250) = 1.500 unidades. Las existencias de seguri-
dad son
ES = D,, — DL
= 1.500 — 200(6)
= 1.500 — 1.200 = 300 unidades
Por consiguiente, el término Q + ES es 1.100 unidades, y se hace un

pedido de 800 unidades siempre que la cantidad disponible más la canti-
dad pedida pero no recibida llegue a 1.500. Realmente, esto equivale a pe-
dir 800 unidades siempre que el nivel de inventario descienda a 700 uni-
dades (1.500 — 800), ya que hay 800 unidades pedidas en cada punto de
pedido. Como ejemplo de utilización de la ecuación (6-59), la cantidad pe-
dida es:
1.100 — 700 — 800 + 6(200) = 800 unidades
Evidentemente, este valor se esperaba de acuerdo con la definición del
sistema Q.
El costo total esperado por año es el costo total del modelo 6-1 más el
costo de almacenamiento de las existencias de seguridad. Suponiendo un
costo unitario de $2 por unidad y 50 semanas/año, el costo total esperado
C por año es
TS CD + Ca +0 ES+ C¿(ES)
200(50)
= 2(50)(200) + 160 + 0, 1(50) e + 0,1(50) (100)
800
= 20.000+ 2.000+ 2.000+ 500 = $24.500 por año (6-60)
Si se deseara un nivel de riesgo diferente de cero sería necesario ge-
nerar la distribución de la demanda durante el tiempo de anticipación de
6 semanas. Esta es una tarea muy complicada. Este punto será discutido
más adelante en este capítulo.
Distribución de la demanda durante un tiempo constante de

anticipación
En este punto, se hace una digresión con el propósito de mostrar un méto-
do: sistemático de generar la demanda durante un tiempo constante de
anticipación. Este método no disminuye la cantidad de cálculos, pero es

un procedimiento sistemático que si se desarrolla correctamente da los
«resultados deseados independientemente de las posibles combinaciones
que dan lugar a una demanda particular. N
La distribución de la demanda durante un tiempo constante de anti-
cipación está dada por
(ppt + pax + + pxY (6-61)
donde L = tiempo de anticipación
pi, p2,... = probabilidad de la demanda d,, dz,...
Aplicando la ecuación (6-61) a la distribución de la demanda y al tiempo
de anticipación del ejemplo 6-5 se obtiene
(0,3x% + 0,4x% + 0,3x% )2 (6-62)
donde d, = 150, d2 = 200, y d3 = 250
Expandiendo la ecuación (6-62) se obtiene
0,091?4+ 0,2414:+*4 4 0,18x%
+4 4 0,16x?%4 0,24x%*% 4 0,0924
y sustituyendo en los valores de d, se obtiene
0,09x300 + 0,24x350 + 0,18x 100 + 0,16x 400 + 0,24x 450 + 0,09x1500
La combinación de términos semejantes da
0,09x300 + 0,24x350 + 0,34x 100 4 0,24x 150 4 0,09:500 (6-63)
En la ecuación (6-63), los coeficientes son las probabilidades de las
diversas demandas indicadas como exponentes. Obviamente, estas pro-
babilidades y demandas concuerdan con los resultados indicados en la
tabla 6-2.
Este método de generar la distribución del tiempo de anticipación du-
rante la demanda y el método empleado en el ejemplo 6-5 implican dos
suposiciones: (1) las distribuciones de probabilidad para cada semana
son iguales y (2) las demandas desde una semana hasta la siguiente son
independientes. Estas dos suposiciones se hacen continuamente en el
resto de este capítulo. Aunque la validez de estas suposiciones puede ob-
jetarse, estas se formulan con frecuencia en los problemas prácticos de
inventario.
Técnicamente, estos métodos se denominan la convolución de la dis-
tribución original de probabilidad consigo misma. Las convoluciones de
muchas distribuciones de probabilidad son cifíciles de calcular. Afor-
tunadamente, ciertas distribuciones teóricas utilizadas en muchos proble-
mas de inventario ofrecen ventajas para efectos de cómputo. Estas dis-
tribuciones teóricas se discuten más adelante en este capítulo.
Un punto final con respecto a las convoluciones consiste en que las
unidades de tiempo de la demanda y el tiempo de anticipación deben ser
compatibles; esto es, las unidades de tiempo del período de anticipación

deben expresarse como múltiplos enteros de las unidades de tiempo em-
pleadas en la demanda.
EJEMPLO 6-6 Sistema P (demanda variable, período constante

de anticipación) En este ejemplo se utilizan los datos del ejemplo 6-5
con la modificación de que se requiere un sistema P.
El primer paso es determinar el intervalo entre pedidos (1P) con base
en la demanda promedio. Esto se efectúa calculando Q de la misma ma-
nera que en el ejemplo 6-5 (Q = 800 unidades) y luego determinando el
intervalo entre pedidos igualándolo al tiempo promedio entre pedidos:
O 3800
IP =1= 57 20 = 4 semanas
Puesto que este es un sistema P, el inventario de seguridad tiene co-

mo base el tiempo de anticipación (L = 2 semanas) más el intervalo en-
tre pedidos (IP = 4 semanas), en total 6 semanas. En este punto puede
generarse la distribución de la demanda durante las 6 semanas expan-
diendo la expresión [Ec. (6-61)]
(0,3x150 + 0,4x200 + 0,31250)0
La evaluación de esta expresión no es difícil pero requiere un trabajo
considerable. Para evitarlo se supone un riesgo nulo de déficit. Esta supo-
sición implica que la demanda máxima durante el período de 6 semanas
(tiempo de anticipación más intervalo entre pedidos) es
Dm = 6250) = 1.500 unidades

Por consiguiente, las existencias de seguridad son
ES =D,, — D(L + IP)
= 1.500 — 200(2 + 4) = 300 unidades
La cantidad pedida está dada por la ecuación (6-59). Sin embargo,
como se mencionó anteriormente, la cantidad pedida no es constante en
el sistema P.
La regla de pedido de este sistema de inventario P consiste en deter-
minar el inventario disponible cada 4 semanas y pedir la cantidad calcu-
lada según la ecuación (6-59). La figura 6-13 ilustra cómo funciona este
sistema con diferentes tasas de demanda.
El costo total esperado para este sistema, según la ecuación (6-60) es
C = 20.000 + 2.000 + 2.000 + 1.500 = $25.500 por año
Este costo indica una desventaja del sistéma P. Esto es, a causa del
requerimiento de mayores existencias de seguridad, el sistema P es más
— — ——— — Demanda máxima

Demanda promedio
Demanda mínima
» Inventario disponible
+» Cantidad pedida 1.200 > 1.200
1.100 hi
semanas 4 semanas 4 semanas
Intervalo entre Intervalo entre Intervalo entre Intervalo entre

pedidos pedidos pedidos pedidos
FIGURA 6-13
Sistema de inventario P (datos del ejemplo 6-6).
costoso que un sistema comparable Q. Sin embargo, el sistema P tiene la

ventaja de requerir solamente una revisión periódica del nivel de inven-
tario mientras que el sistema Q requiere una revisión continua del nivel
de inventario.
EJEMPLO 6-7 Sistema Q (demanda constante, tiempo variable de

anticipación) En este ejemplo se utilizan los datos del ejemplo 6-5 a
excepción de la demanda y tiempo de anticipación. En este ejemplo la
demanda es de 200 unidades/semana (constante), y el tiempo de antici-
pación tiene la distribución indicada en la figura 6-14. El problema con-
siste en diseñar un sistema Q para estas condiciones.
0,00
FIGURA 6-14
Distribución del tiempo de 7 3 |
anticipación. Tiempo de anticipación, semanas
Tabla 6-4 DEMANDA EN EL

TIEMPO DE
ANTICIPACION PARA
EL EJEMPLO 6-7
: Demanda en
Tiempo de el tiempo de
anticipación| anticipación [Probabilidad
1 200 0,25
2 400 0,50
3 600 0,25
El cálculo de Q y t es igual en este ejemplo al del ejemplo 6-5. Estos

valores son: Q = 800 unidades y t = 4 semanas.
La tabla 6-4 presenta las demandas en los posibles tiempos de antici-
pación. Con estos resultados pueden calcularse las existencias de segu-
ridad a partir de
ES=D,-=-DL (6-64)
donde L es el tiempo promedio de anticipación. Como ejemplo, si el riesgo
de déficit se considera nulo, las existencias de seguridad son
ES = 600 — 200(2) = 200 unidades
En este caso la regla de pedido consiste en pedir 800 unidades siempre
que el nivel de inventario llegue a 600 unidades. El costo esperado, calcu-
lado según la ecuación (6-60), es $25.000 por año.
En la figura 6-15 se han supuesto diversos tiempos de anticipación
para mostrar como funcionaría un sistema Q en las condiciones de este
ejemplo.
EJEMPLO 6-8 Sistema P (demanda constante, tiempo variable de

anticipación) En este ejemplo se diseña un sistema P utilizando los
datos dados en el ejemplo 6-7.
Los valores de Q y t son los mismos del ejemplo 6-7; esto es, Q = 800
y t = 4 semanas. Puesto que este es un sistema P, las existencias de se-
guridad tienen como base el intervalo entre pedidos (IP = t) más el tiem-
po promedio de anticipación, y son iguales a
(IP+ L)=4+2=6 semanas
En la tabla 6-5 se indican las demandas en el intervalo entre pedidos más

los posibles tiempos de anticipación.
Las existencias de seguridad para un riesgo nulo de déficit san
ES =D,, — D(L+ IP)
= 1.400 — 200(2 + 4) = 200 unidades
Nivel de
Tiempo de Tiempo de Tiempo de Tiempo de Tiempo de Tiempo de

anticipación anticipación anticipación anticipación anticipación anticipación
2 semanas 3. semanas 3 semanas 1 semana 1 semana 2 semanas
FIGURA 6-15
Sistema Q del ejemplo 6-7 (riesgo nulo de déficit).
y la regla de pedido consiste en determinar el inventario disponible cada

4 semanas y pedir la cantidad calculada según la ecuación (6-59). El cos-
to esperado para las condiciones de este ejemplo es $25.000 por año, el
mismo costo calculado en el ejemplo 6-7.
Debe observarse que para las condiciones de demanda constante y
tiempo variable de anticipación, los sistemas Q y P son básicamente igua-
les. En este ejemplo, el resultado neto es pedir 800 unidades cada vez que
el nivel de inventario sea 600 unidades, que es el mismo resultado del
ejemplo 6-7. Esto se debe a que con una demanda constante la cantidad
de inventario disponible según la ecuación (6-59), es constante. En la fi-
gura 6-15 también puede observarse esta situación. O sea que el período
entre puntos de pedido es constante e igual a 4 semanas.
EJEMPLO 6-9 Sistema Q (demanda variable, tiempo variable de

anticipación) En este ejemplo se requiere un sistema Q para los coefi-
cientes de costo dados en el ejemplo 6-5 y las distribuciones de la deman-
da y del tiempo de anticipación mostradas en las figuras 6-16 y 6-17.
El primer paso es calcular el valor de Q con base en la demanda pro-
medio. Según el ejemplo 6-5 este valor es 800 unidades. El siguiente paso
es generar la distribución de la demanda en el tiempo de anticipación.
Este procedimiento se ilustra en la tabla 6-6 y se resume en la tabla 6-7.
0,40 0,50
0,30 0,30
0,25 0,25
150 200 250 1 2 3

Demanda, unidades semana Tiempo de anticipación, semanas
FIGURA 6-16 FIGURA 6-17

Distribución de la demanda para el Tiempo de anticipación
ejemplo 6-9. para el ejemplo 6-9.
Como ejemplo se supone que se especifica un riesgo de déficit de 3,375

por ciento. Para este riesgo de déficit, la tabla 6-7 indica Dn = 650. Por
consiguiente, las existencias de seguridad son:
ES= D,, — DL= 650 — 200(2) = 250 unidades
Tabla 6-5 DISTRIBUCION DEL TIEMPO DE

ANTICIPACION Y DEL INTERVALO
ENTRE PEDIDOS PARA EL
EJEMPLO 6-8
Demanda durante
Intervalo entre el tiempo de
pedidos más anticipación más el
Tiempo de | tiempo de intervalo entre
anticipación | anticipación pedidos Probabilidad
En la tabla 6-8 se indican otras existencias de seguridad para diferentes

riesgos de déficit.
La regla de pedido consiste en pedir 800 unidades siempre que el
nivel de inventario llegue a 650 unidades, y el costo esperado [Ec.
(5-60)] sea $25.250 por año para un riesgo de déficit de 3,375 por ciento.
Con propósito comparativo, el costo esperado es $27.270 por año para un
riesgo nulo de déficit (ES = 350). Este es el costo más alto y es la pena
para la incertidumbre en el tiempo de anticipación como en la demanda.
156 MODELOS Y sISTEMAS DE INVENTARIO
Tabla 6-6 DEMANDA DURANTE EL TIEMPO DE ANTICIPACION

PARA EL EJEMPLO 6-9
Forma de ocurrencia
Primera | Segunda | Tercera

semana | semana semana Probabilidad
150 + — 0,25(0,3) = 0,07500

200 as = 0,25(0,4) = 0,10000
250 e l 0,25(0,3) = 0,07500
150 150 pa 0,50(0,3)(0,3) = 0,04500
150 200 > : 0,50(0,3)(0,4) = 0,06000
200 150 Es 0,50(0,4) (0,3) = 0,06000
200 200 E 0,50(0,4) (0,4) = 0,08000
150 250 2 0,50(0,3)(0,3) = 0,04500
250 150 == 0,50(0,3)(0,3) = 0,04500
200 250 qe 0,50(0,4)(0,3) = 0,06000
250 200 e 0,50(0,3)(0,4) = 0,06000
250 250 es 0,50(0,3) (0,3) = 0,04500
150 150 150 0,25(0,3)(0,3) (0,3) = 0,00675
150 150 200 0,25(0,3) (0,3) (0,4) = 0,00900
150 200 150 0,25(0,3) (0,4) (0,3) = 0,00900
200 150 150 0,25(0,4)(0,3)(0,3) = 0,00900
200 200 150 0,25(0,4) (0,4) (0,3) = 0,01200
200 150 200 0,25(0,4) (0,3)(0,4) = 0,01200
150 200 200 0,25(0,3) (0,4) (0,4) = 0,01200
150 150 250 0,25(0,3)(0,3)(0,3) = 0,00675
150 250 150 0,25(0,3)(0,3)(0,3) = 0,00675
250 15€ 150 0,25(0,3)(0,3)(0,3) = 0,00675
200 200 200 0,25(0,4) (0,4) (0,4) = 0,01600
150 200 250 0,25(0,4) (0,4) (0,3) = 0,00900
150 | 250 200 0,25(0,3) (0,3) (0,4) = 0,00900
250 150 200 0,25(0,3)(0,3)(0,4) = 0,00900
200 150 250 0,25(0,4) (0,3)(0,3) = 0,00900
200 250 150 0,25(0,4)(0,3)(0,3) = 0,00900
250 200 150 0,25(0,3) (0,4) (0,3) = 0,00900
200 20€ 250 0,25(0,4) (0,4)(0,3) = 0,01200
200 250 200 0,25(0,4) (0,3) (0,4) = 0,01200
250 200 200 0,25(0,3) (0,4) (0,4) = 0,01200
250 250 150 0,25(0,3)(0,3)(0,3) = 0,00675..
250 150 250 0,25(0,3)(0,3)(0,3) = 0,00675
150 250 250 0,25(0,3) (0,3)(0,3) = 0,00675
250 250 200 0,25(0,3) (0,3) (0,4) = 0,00900
250 200 250 0,25(0,3)(0,4)(0,3) = 0,00900
200 250 250 0,25(0,4)(0,3,(0,3) = 0,00900
250 250 250 0,25(0,3) (0,3)(0,3) = 0,00675
Tabla 6-7 -RESUMEN DE LA DEMANDA

DURANTE EL TIEMPO DE
ANTICIPACION
Promedio = 400 unidades
Demanda posibie
en el tiempo de | Probabilidad
anticipación Probabilidad |acumulativa
150 0,07500
200 0,10000
250 0,07500
300 0,04500
350 0,12000
400 0,17
450 0,12675
500 0,07200
550 0,05625
600 0,07000
650 0.05625
700 0,02700
750 0,00675
Tabla 6-8 EXISTENCIAS DE

SEGURIDAD PARA EL
EJEMPLO 6-9
Demanda en el )
tiempo de Existencias de | Riesgo de
anticipación seguridad deficit, “e
750 350 | 0,000

700 300 | 0,675
650 250 ¡ 3.343
600 200 | 9,000
550 150 ¡ 16.000
500 100 | 21.635
EJEMPLO 6-10 Sistema P (demanda variable, tiempo variable de

anticipación) En este ejemplo se diseña un sistema P utilizando los
datos dados en el ejemplo 6-9. El primer paso es determinar el intervalo
entre pedidos. Esto se logra igualando el intervalo entre pedidos al tiem-
po promedio entre pedidos.
Pr _A800 =4 semanas
D 200
El siguiente paso es generar las diferentes demandas durante el tiem-

del
po de anticipación más el intervalo entre pedidos. Los posibles valores
tiempo de anticipación más el intervalo entre pedidos son 5, 6 y 7 sema-
nas. Estos valores corresponden a los posibles tiempos de anticipación

dados en la figura 6-17 más el intervalo constante entre pedidos de 4 se-
manas. En la tabla 6-9 se indica el procedimiento de generación de las
diferentes demandas que básicamente es el mismo del ejemplo 6-9. Sin
embargo, la tarea de completar la tabla 6-9 es considerablemente mayor
que en el ejemplo 6-9 a causa de la magnitud del período involucrado. Es-
te es otro ejemplo de la razón por la cual se emplean frecuentemente distri-
buciones teóricas y simulación para determinar el inventario máximo, las
existencias de seguridad y los puntos de pedido de algunas clases de pro-
blemas de inventario.
Para continuar con este ejemplo y evitar tener que completar la tabla
6-9, se supone un riesgo nulo de déficit. Por consiguiente, las existencias
de seguridad son
ES=D,,—D(IP + L)
= 1.750 — 200(4 + 2) = 550 unidades
La regla de pedido de este sistema consiste en determinar el nivel de

inventario cada 4 semanas y pedir la cantidad indicada por la ecuación
(6-59).
Tabla 6-9 ESQUEMA DE LA GENERACION DE LA DEMANDA EN EL TIEMPO

DE ANTICIPACION MAS EL INTERVALO ENTRE PEDIDOS PARA EL
EJEMPLO 6-10
Tiempo
de anti-
cipación Forma de ocurrencia
más inter-
pedidos lidad
5 0,25(0,3)5
(p = 0,25) :
0,25(0,3)5
6 0,50(0,3)5
(p = 0,50) :
0,50 (0,3)8
7 0,251(0,3)7
3
(PESOS)
0,25(0,3)7
El costo total esperado de este sistema (ES = 550), según la ecua-

ción (6-60), es $26.750 por año. Este es el costo esperado más alto y era de
esperarse puesto que este es un sistema P con tiempo de anticipación y
demanda variables.
111)
DISTRIBUCIONES TEORICAS 159
DISTRIBUCIONES TEORICAS
En los ejemplos anteriores de los sistemas de inventario Q y P, la deman-
da y los tiempos de anticipación fueron descritos mediante distribuciones
empíricas. Algunos de estos ejemplos indican la clase de dificultades de
cálculo que pueden presentarse. Se mencionó la posibilidad de facilitar
el cálculo remplazando las distribuciones empíricas por determinadas dis-
tribuciones teóricas, en aquellos casos en los cuales la distribución teóri-
ca describe adecuadamente la variable en cuestión.
Es posible obtener ventajas de cálculo cuando la convolución de una
distribución teórica consigo misma se puede calcular fácilmente. Las
convoluciones de muchas distribuciones teóricas no pueden calcularse
fácilmente. Afortunadamente, las distribuciones empleadas en muchos
problemas de inventario están muy bien estudiadas, especialmente, las
distribuciones normal y de Poisson. Por ejemplo, si una distribución nor-
mal con una media y y una varianza o? se convoluciona consigo mis-
ma n veces, la convolución final es una distribución normal con una me-
dia de nu y una varianza de no?. Para la distribución de Poisson, la
convolución final es una distribución de Poisson con una media y una va-
rianza de nu, ya que en la distribución de Poisson la media y la varian-
za son iguales. Cuando se utilizan estos resultados, quedan implícitas
determinadas suposiciones, esto es que las distribuciones son las mismas
e independientes.
EJEMPLO 6-11 Como ejemplo de utilización de una distribución teóri-

ca se considera el siguiente problema. Para los datos del ejemplo 6-5 se
requiere un sistema Q excepto que en este ejemplo la demanda está dis-
tribuida normalmente con una media de 200 unidades/semana y una
desviación típica de 25 unidades/semana.
Puesto que la demanda promedio en este ejemplo es igual a la del
ejemplo 6-5, la cantidad óptima pedida Q es la misma, esto es Q = 800
unidades. El tiempo de anticipación especificado en el ejemplo 6-5 es cons-
tante e igual a 2 semanas. Por consiguiente, la media D, y la desviación
típica vs, de la distribución de la demanda durante el tiempo de antici-
pación son
= 2(200) = 400 unidades (6-65)
0, = o,/L
=25,/2 = 35,35 unidades (6-66)

Si se especifica un riesgo a de déficit igual a 0,05 el punto de pedido
D,, se calcula a partir de
Kie = AO (6-67)
Oy
X
para este ejemplo es

Donde K,_. es la desviación normal que
Kos = 1,645
Sustituyendo en la ecuación (6-67) se obtiene el punto de pedido
jeda Oe 208
» MERA
Dm = 400+ 1,645(35,35) = 458,15 = 458 unidades
y las existencias de seguridad son
ES =D,, — D, = 458 — 400 = 58 unidades

Por consiguiente la regla de pedido de este ejemplo consiste en pedir
800 unidades siempre que el nivel de inventario llegue a 458 unidades.
Si se requiere un sistema P, deben modificarse las ecuaciones (6-65)
y (6-66) para que incluyan el intervalo entre pedidos. Por consiguiente, en
un sistema P, la demanda promedio y la desviación típica en el tiempo de
anticipación más el intervalo entre pedidos son
D, =(L+IP)D (6-68)
o, =0/L+IP (6-69)
A partir de este punto, el análisis es el mismo indicado anteriormente.
Cuando la demanda y el tiempo de anticipación son variables, la dis-

tribución de la demanda durante el tiempo de anticipación involucra una
considerable cantidad de cálculos, como se ilustra en el ejemplo 6-9. Ade-
más el uso de distribuciones teóricas en este caso no ofrece ventajas de
cálculo. Un enfoque usual es emplear la simulación Monte Carlo, que se
discute en el capítulo 7. Cuando se utiliza simulación, puede analizarse
el sistema completo de inventario o puede generarse la demanda en el
tiempo de anticipación (o el tiempo de anticipación más el intervalo entre
pedidos en el sistema P). La simulación del sistema completo indicará el
efecto neto de la interacción entre la fluctuación de la demanda y el tiem-
po de anticipación y por consiguiente permite una representación más
exacta del sistema real. Sin embargo, el análisis y el tiempo de computa-
dor resultan más largos, que cuando sólo se simula la demanda en el tiem-
po de anticipación. En el capítulo 7 se presentan ejemplos de simulación de
un sistema de inventario y de la demanda en el tiempo de anticipación.
CONCLUSIONES 161
E
¿7z
E =
+
3%
-S Clase C
5 5
E
£%
||
FIGURA 6-18 |
Clasificación ABC de la inversión 10 35 100
en inventario,
*¿ de artículos
CONCLUSIONES
Nuevamente se insiste en que los métodos empleados en los ejemplos 6-5
hasta 6-10 dan soluciones aproximadas y no óptimas. Sin embargo, estos
métodos permiten una buena aproximación al sistema Q y por lo menos
una aproximación regular al sistema P. Un enfoque correcto y óptimo del
sistema Q requiere un balance entre los costos de ordenar el pedido de al-
re-
macenamiento y de déficit, teniendo en cuenta la interacción entre el
so-
querimiento de existencias de seguridad y el período entre pedidos. La
lución óptima del sistema P requiere la considerac ión de la interacción
entre la cantidad pedida en cualquier período y los siguientes períodos.
Es posible obtener una mejor aproximación de las existencias de seguridad
de un sistema P balanceando los costos de almacenamiento de déficit.
Debido a las complejidades matemáticas de estas consideraciones, estas
no se presentan en el texto. Para mayores detalles, deben consultarse las
referencias.
Los ejemplos 6-5 a 6-10 utilizan una tasa instantánea de remplazo.
Si se
Sin embargo, este no es el caso de los modelos de manufacturación.
considera constante la tasa de remplazo (el caso ordinario o muy aproxi-
proce-
mado de la fabricación de productos establecidos), es aplicable el
de seguridad . La
dimiento de superponer el modelo 6-2 a las existencias
constante .
simulación puede usarse cuando la tasa de remplazo no es
Los modelos de inventario y los sistemas presentados en este capítu-
lo son para un solo artículo. Evidentemente, la mayoría de las compañías
tienen muchos artículos que requieren alguna forma de control y análisis

de inventario. Una cuestión importante cuando se enfocan problemas de
«inventario, es recordar que el grado de análisis del problema de inventa-
rio y la sofisticación de los métodos de control guardan proporción con la
inversión en el inventario total del artículo en cuestión. Esta idea condu-
ce directamente a lo que se denomina frecuentemente como clasificación
ABC de la inversión en inventario.
En muchas compañías la principal porción de la inversión en el inven-
tario total se refiere a relativamente pocos artículos, como se indica en la
figura 6-18. El objetivo es clasificar la inversión en inventario en las tres
clases mostradas en la figura 6-18. Estas clases indican el grado de análi-
sis y la sofisticación del control. Obviamente, aquellos artículos que oca-
sionan mayor inversión en inventario (clase A) reciben mayor atención, y
aquellos artículos que ocasionan menor inversión en inventario (clase C)
reciben únicamente atención rutinaria.
REFERENCIAS
1 Buffa, E. S.: “Production: Inventory Systems, Planning and Control,” Richard
D. Irwin, Inc., Homewood, 1ll., 1968.
2 Churchman, C. W., R. L. Ackoff, y E. L. Arnoff: “Introduction to Operations Re-
search,” John Wiley £ Sons, Inc., Nueva York, 1957.
3 Magee, J. F., y D. M. Boodman: Production Planning and Inventory Control, 2a.
ed., McGraw-Hill Book Company, Nueva York, 1968.
4 Naddor, E.: “Inventory Systems,” John Wiley £ Sons, Inc., Nueva York, 1966.
5 Starr, M. K., y D. W. Miller: “Inventory Control: Theory and Practice,” págs.
121-122, Prentice-Hall, Inc., Englewood Cliffs, N.J., 1962.
PROBLEMAS
6-1 Una compañía compra 12.000 artículos por año para emplearlos en su proceso
de producción. Si el costo unitario es de $5 por unidad, el costo de tenencia de
una unidad es de 80 centavos por mes, y el costo de hacer una compra es de
$100, determinar los siguientes puntos si no se permite déficit.
(a) La cantidad óptima pedida.
(b) El costo total anual óptimo.
(c) El número de pedidos por año.
(d) El tiempo entre pedidos.
6-2 Suponer que la compañía del problema 6-1 puede manufacturar los artículos a
una tasa de 48.000 unidades por año. Si todos los costos son iguales a los del
problema 6-1 (costo de organizar una tanda de producción = costo de orde-
nar una compra) determinar:
(a) La cantidad óptima que debe manufacturarse.
(b) El costo total anual óptimo.
PROBLEMAS 163
(c) El inventario máximo.

(d) El tiempo de manufacturación.
(e) El tiempo entre tandas de producción.
(f) El número de tandas de producción.
6-3 Suponer que en el problema 6-2 la tasa de manufacturación y la tasa de la de-
manda son exactamente iguales. ¿Qué implica esto?
6-4 Considerando sus respuestas a los problemas 6-1 a 6-3, ¿qué enunciados gene-
rales pueden hacerse con respecto a las alternativas entre adquisición y ma-
nufacturación, suponiendo que los costos sean iguales?
6-5 La demanda de un artículo adquirido es de 1.000 unidades/mes, y se permi-
te déficit. Si el costo unitario es de $1,50 por unidad, el costo de hacer una
compra es $600, el costo de tenencia de 1 unidad es $2 por año, y el costo del
déficit de 1 unidad es $10 por año, determinar
(a) La cantidad óptima que debe comprarse.
(b) El número óptimo de unidades agotadas (déficit).
(c) El costo total anual óptimo.
(d) El número de pedidos por año.
(e) El tiempo entre pedidos.
(f) La duración de los déficit.
(g) El inventario máximo.
Suponer que en el problema 6-5 el artículo puede manufacturarse a una tasa
de 4.000 unidades/mes. Si todos los costos son iguales a los del problema
6-5, determinar:
(a) La cantidad óptima que debe manufacturarse.
(b) El número óptimo de unidades agotadas (déficit).
(c) El costo total anual óptimo.
(d) El número de tandas de producción.
(e) El tiempo entre tandas de producción.
(f) El tiempo necesario para fabricar la cantidad óptima.
(g) La duración de los déficit.
(h) El inventario máximo.
6-7 Una compañía adquiere una determinada sustancia química para usarla en
su proceso. No se permite déficit. La demanda de sustancia química es de
1.000 libras/mes; el costo de una compra es $800;y el costo de almacenamien-
to de 1 unidad es $10 por mes. El costo unitario depende de la cantidad ad-
quirida como se indica en la siguiente tabla. Determinar la cantidad óptima
que debe adquirirse. Sugerencia: La cantidad óptima implica costo mínimo.
j
Cantidad,
en libras Costo por libra
0-249 $8,00
250-449 7.50
450-649 7,00
650 y más 6,75

6-8 Utilizando los datos de costos del problema 6-1 (suponer 1 mes = 25 días), la
distribución de la demanda que se muestra a continuación, y un tiempo cons-
tante de anticipación de 4 días, diseñar un sistema de inventario Q para un
riesgo nulo de déficit y determinar el costo total anual esperado.
Considerando la figura mostrada y sus resultados según los datos ante-
riores, determinar:
0,40
42. 45 48 51 54
Demanda, unidades /día
(a) Cuántos días después de recibir el pedido en el punto A puede hacerse

otro pedido suponiendo una tasa de demanda promedio antes del punto
A y durante el período entre el punto A y el punto B?
(b) ¿Cuántas unidades deben ordenarse en el punto B?
(c) ¿Cuántas unidades deben estar en inventario en el punto C si se experi-
menta una tasa máxima de demanda durante el período entre B y C?
pugao co A A
(d) ¿Cuántos días después de recibir el pedido en el punto C debe ordenarse
otro pedido?
(e) Suponer que después de hacer el pedido en el punto D, la tasa de demanda
se hace mínima; ¿cuánto tiempo debe trascurrir antes del siguiente pe-
dido suponiendo una demanda mínima hasta el punto de pedido?
Repetir el problema 6-8 para un tiempo de anticipación de 15 días.
6-10 Utilizando los datos del problema 6-8, diseñar un sistema de inventario P con
riesgo nulo de déficit y determinar el costo total esperado. Considerar la si-
guiente figura y sus resultados según los datos anteriores, y responder las si-
guientes preguntas:
PROBLEMAs 165
(a) Suponer que es el momento de hacer un pedido en el punto B y que se ha

experimentado una demanda promedio antes de este punto; determinar la
cantidad pedida suponiendo que la cantidad de inventario en el punto A
es Q + ES.
(b) Suponer que después de hacer el pedido en el punto B, se experimenta una
demanda máxima en el intervalo de tiempo entre B y C. ¿Cuál es la can-
tidad ordenada en el punto C?
(c) Suponer que después de hacer el pedido en el punto C, se experimenta
una demanda máxima en el intervalo de tiempo entre C y D. ¿Cuál es la
cantidad ordenada en el punto D?
Repetir el problema 6-10 para un tiempo de anticipación de 15 días.
Suponer que la demanda de un artículo determinado está distribuida según
la figura mostrada en seguida. Determinar el punto de pedido y las existen-
cias de seguridad para un sistema Q si el tiempo de anticipación es constan-
te e igual a 2 meses.
0,40
1.000 1.100 1.200 1.300 1.400

Demanda, unidades/mes
El riesgo de déficit se especifica como 0,01.

6-13 Suponer que la demanda de un producto está distribuida normalmente con
una media de 1.000 unidades/mes y una desviación típica de 120 unidades/
mes. Determinar el punto de pedido y las existencias de seguridad de un sis-
tema Q si el tiempo de anticipación es 2 semanas (Suponer 1 mes = 4 sema-
nas) y el riesgo de déficit se especifica como 5 por ciento. Suponer que la de-
manda mensual es independiente pero la misma.
6-14 Empleando las distribuciones mostradas en seguida, determinar el punto de
pedido y las existencias de seguridad para un sistema Q y un riesgo de défi-
cit de 4 por ciento.
0,6
- 0,5
0,2
5 3 100 150 200
Tiempo de anticipación, semanas Demanda, unidades /semana
6-15 Diseñar un sistema Q con los siguientes datos y un riesgo de déficit de 1,0 por
ciento. La demanda está distribuida normalmente con una media de 50 unida-
des/día y una desviación típica de 10 unidades/día. El tiempo de anticipa-
ción es de 20 días (constante). El costo de organizar una tanda producción es
de $500. El costo de tenencia es $1,80 por unidad-año. La tasa de manufactu-
ración es de 100 unidades/día (constante). Suponer 360 días/año.
dl
SIMULACION MONTE CARLO
En la descripción de un sistema por medio de un modelo, se encuentra en

algunos casos, que el sistema es demasiado complicado para describirlo o
que el modelo, una vez deducido, no permite una solución analítica. En es-
tos casos, la simulación puede ser instrumento valioso para obtener la res-
puesta de un problema particular. Hay diversas clases de simulación; por
ejemplo, los modelos a escala de aviones que se ensayan en un túnel de
viento, el circuito eléctrico empleado para describir un circuito hidráulico,
y la descripción de un sistema mediante un modelo matemático. En esta
última clase de simulación se manipula el modelo matemático de algún
sistema real y se observan los resultados. Entonces estas manipulaciones
y observaciones se utilizan para hacer deducciones con respecto al siste-
ma real. Si el modelo involucra muestreo aleatorio a partir de una distri-
bución de probabilidad el procedimiento se denomina simulación Monte
Carlo.
En este capítulo será evidente que la simulación Monte Carlo está
orientada hacia el computador, ya que sin la rapidez del computador la
mayoría de los modelos de simulación Monte Carlo, no serían prácticos.
Por medio de ejemplos puede enfocarse mejor la discusión de la simulación
Monte Carlo.
SIMULACION MONTE CARLO 167
1,00
Demanda, días Demanda, días
FIGURA 7-1 FIGURA 7-2

Distribución de la demanda. Distribución acumulativa
de la demanda.
EJEMPLO 7-1 Se supone que la demanda diaria de un artículo particu-

lar puede expresarse mediante la distribución mostrada en la figura 7-1
y que se desea generar un patrón de demanda para 10 días. 1111
El primer paso es establecer la función de distribución acumulativa
(FDA) mostrada en la figura 7-2. El siguiente paso es formar la tabla mos-
trada en la tabla 7-1 y asignar números índice. Los números índice se
asignan de manera que puedan reflejar la probabilidad de diversas de-
mandas. El patrón de demanda para el período de 10 días mostrado en la
tabla 7-3 se obtiene con los números aleatorios de la tabla 7-2.
En este momento son necesarios algunos comentarios e información
adicionales. En primer lugar se recuerda que este es un ejemplo muy sen-
cillo, que muestra sólo algunos de los rudimentos de la simulación Monte
Carlo.
Tabla 7-1 NUMEROS INDICE
Demanda /días úmeros índice
0 00-04
1 05-14
2 15-29
3 30-59
4 60-84
5 85-99
Tabla 7-2 NUMEROS ALEATORIOS
14 74 24 87 07 45 26 66 26 9%
Una pregunta que ordinariamente se presenta es: ¿Dónde se obtiene

la distribución de probabilidad (Fig. 7-1) de una variable? Generalmente
168 sIMULACION MONTE CARLO
se obtiene a partir de datos históricos o a partir de datos estimados. Si se

emplean datos históricos, evidentemente se supone que los datos del pa-
“sado describen apropiadamente el futuro. Si se cree que esta suposición
no es correcta, es necésario atenerse a datos estimados.
La demanda diaria del ejemplo 7-1 se mostró como un valor entero
que comienza en 0 y termina en 5, los valores intermedios están en progre-
sión aritmética. Ninguna de estas consideraciones es necesaria para pro-
pósitos de simulación. Si las consideraciones físicas permiten la utiliza-
ción de valores no enteros de una variable y estos valores se consideran
probables, deben incluirse en la distribución de la variable. Al establecer
la distribución de una variable, si se cree que determinados valores in-
termedios no ocurren (probabilidad cero), estos deben omitirse. Otro pun-
to obvio pero que algunas veces se olvida es que cuando no se incluyen en
la distribución determinados valores de una variable, esto implica que
estos valores no ocurren en el sistema real que está siendo simulado.
Tabla 7-3 PATRON DE DEMANDA
Día Demanda
1 1
2 4
3 2
4 S
5 1
6 3
7 0)
8 4
9 2
10 S
Tabla 7-4 OTROMETODO DE ASIGNACION

DE NUMEROS INDICE
Demanda/semana Números índice
En la asignación de números índice de la tabla 7-1, el primer número

fue 00 y el último 99. En la tabla 7-4 se indica que es posible comenzar con
un número índice dé 01 y terminar con un número índice de 00. Esto de-
pende de las preferencias personales. El punto que debe recordarse es que

los números índice deber. reflejar la probabilidad de los diferentes va-
lores de la variable y que la secuencia de números índice debe ser cerrada.
El número de dígitos empleados en los números índice debe ser igual
al número de cifras decimales empleadas en las probabilidades de los dife-
rentes valores de la variable. El número de dígitos usados en los números
aleatorios debe ser igual al número de dígitos usados en los números ín-
dice.
Los números aleatorios del ejemplo 7-1 se obtuvieron a partir de una
tabla de números aleatorios. Cuando se utiliza una tabla de números alea-
torios se puede comenzar en cualquier punto de la tabla y seguir en cual-
quier dirección. Lo importante es no “preferir” los números aleatorios.
Más adelante en este capítulo se discute con mayor amplitud la genera-
ción de números aleatorios.
Una pregunta frecuente con respecto a la simulación Monte Carlo
es: Si se conocen las frecuencias relativas (probabilidad) de los valores de
una variable, ¿por qué razón se utilizan números aleatorios para simu-
larlas? En otras palabras, si en el ejemplo 7-1 se utilizan 10.000 números
aleatorios, debe esperarse que el número de sucesos para cada nivel de
demanda sea el mostrado en la tabla 7-5. Además, se pueden calcular la
media y la desviación típica de la distribución mostrada en la figura 7-1.
La respuesta a esta pregunta es que aunque se conoce la probabilidad
para cada nivel de demanda y por consiguiente la frecuencia de cada ni-
vel de demanda, no se conoce el orden de ocurrencia. El orden de ocurren-
cia es el que se supone aleatorio y es el que se simula.
EJEMPLO 7-2 Se considera otro ejemplo sencillo. Suponer que la fun-

ción de efectividad de algún sistema se representa por
w=5x,+ 2y+2 (7-1)
Tabla 7-5 NUMERO ESPERADO

DE OCURRENCIAS
PARA LOS DIFERENTES
NIVELES DE DEMANDA
DEL EJEMPLO 7-1 EN
10.000 ENSAYOS
Demanda /semana Frecuencia
500
1.000
1.500
3.000
2.500
NBhun-—0o 1.500
0,50
0,30 A 0,30
0,25 0,25 0,25 0,25
0,20 0,20
24 3 4 S 4 5 6
y> E
FIGURA 7-3
Distribución de variables de la ecuación (7-1).
donde las variables x, y y z están descritas por las distribuciones de pro-

babilidad mostradas en la figura 7-3. El problema consiste en determinar,
mediante simulación, la distribución de la función de efectividad. Esto se
logra según el procedimiento del ejemplo 7-1.
Los resultados de la tabla 7-6 se obtienen estableciendo las FDA de
cada variable y asignando números índice.
Tabla 7-6 NUMEROS INDICE DE LAS VARIABLES DE LA ECUACION (7-1)
Valores Números Valores Números Valores de | Números

de x índice de y índice 2 índice
0 00-09 2 00-24 4 0-2

1 10-29 3 25-54 bo] 3-7
2 30-54 4 55-79 6 8-9
3 55-79 5 80-99
4 80-94
5 95-99
Tabla 7-7 SIMULACION DE LA ECUACION (7-1)
Número Número Número Número

de la aleatorio aleatorio aleatorio Valor de w
prueba para x x para y y para 2 2 wW= 5x+ 2% +_2
1 43 Z 27 2 1 4 18
Z 96 5 SO 3 8 6 37
3 s7 3 13 2 0 4 23
4 s3 2 36 3 2 4 20
5 14 1 91 5 7 5 20
6 03 0 $8 4 6 5 13
7 33 2 45 3 1 4 20
8 40 2 43 3 3 S 21
NIRO NOR RR O: TENOR OCA EOI CRONO [Tn AO AS e e
0,40
0,30
0,20
0,10
FIGURA 7-4 AE
Distribución de w. Valor de W
El siguiente paso es construir la tabla 7-7, en la cual se calcula un

valor de w para cada prueba utilizando los valores de x, y y 2 obtenidos
mediante muestreo aleatorio a partir de la tabla 7-6. Esto se hace para n
pruebas (el número de pruebas se discute más adelante).
Después de obtener los valores de w, puede representarse gráficamen-
te la distribución de probabilidad de w y se pueden calcular la media y la
desviación típica de w. Además con base en la distribución de w pueden
hacerse afirmaciones probabilísticas. Por ejemplo, puede suponerse que
después de muchas pruebas, una representación gráfica de la distribución
de w da los resultados mostrados en la figura 7-4. Entonces pueden formu-
larse enunciados tales como la probabilidad de que el valor de w sea 20 es
30 por ciento e que la probabilidad de que el valor de w sea 20 o menos es
40 por ciento. Estos enunciados frecuentemente constituyen una ayuda
en el proceso de toma de decisiones.
Es incorrecto utilizar el mismo conjunto de números aleatorios para
cada variable. La suposición hecha en este ejemplo y en muchos proble-
mas de simulación es que las variables son independientes. Por consiguien-
te si se utiliza el mismo conjunto de números aleatorios para cada variable,
esto puede dar lugar a un grado de correlación entre las variables, que
estaría en contradicción con la suposición de independencia. Más adelan-
te se discute la dependencia entre variables.
En este momento se discuten problemas más prácticos.
111
EJEMPLO 7-3 Se supone que en el ejemplo 6-9 se desea simular la de-
manda durante el tiempo de anticipación. Asignando números índice a las
distribuciones del tiempo de anticipación y de la demanda se obtienen los
resultados mostrados en las tablas 7-8 y 7-9.
En seguida el procedimiento consiste en generar un número aleatorio
para el tiempo de anticipación. Utilizando este tiempo de anticipación, la
demanda durante cada semana, del tiempo de anticipación, se determina
generando diferentes números aleatorios para cada semana. «En la tabla
7-10 se muestra un esquema de este procedimiento.
172 SIMULACION MONTE CARLO
Las cifras de lá columna de la demanda total se resumen entonces en

una tabla similar a la tabla 6-7 y se calculan las frecuencias relativas. Si
este problema particular se simula, la frecuencia relativa de cada demanda
debe coincidir exactamente con las probabilidades*dadas en la tabla 6-7.
Con estos valores, el punto de pedido y el inventario de seguridad pueden
determinarse como se indica en el capítulo 6. 111)
EJEMPLO 7-4 Un método que se utiliza en la evaluación de la conve-

niencia de una inversión de capital consiste en determinar la tasa inter-
na de retorno y compararla con una tasa atractiva mínima de retorno. Esta
tasa interna de retorno se define como la tasa de interés, ¿, para la cual
es correcta la expresión:
n
ra
X,
ana 0
DE LA DEMANDA
Demanda
Unidades /semana Números índice
150 0-2
200 3-6
250 7-9
Tabla 7-9 NUMEROS INDICE DEL TIEMPO

DE ANTICIPACION
Tiempo de
anticipación, Números índice
semanas
1 00-24
2 25-74
3 75-99
Tabla 7-10 SIMULACION DE LA DEMANDA DURANTE

EL TIEMPO DE ANTICIPACION
qq q 0 -AAAgq_OE0QqA2e>—” _ Px[rb—
Número
aleatorio [Tiem- E cado sl * Bed coat Demanda
a pl E a a, IE A
del tiempo |po de
Ea Pts A E Número |Primera| Número |Segunda|Número |Tercera ¡Demanda
rueba 3 aleatorio |semana |aleatorio [semana |aleatorio |semana ¡total
pación pación
1 68 2 3 200 1 150 — =— 350
2 89 3 5 200 4 200 2 150 550
E 10 1 3 200 — — = EE 200
4 40 * 2 4 200 6 200 — — 400
OCIO ICO O ROTO ICO (ORIO OA RO A O
ROTTEN VS ARORONORO
[ROTOR (IAS IO (OA ORO O A oli br
Costo de inversión, $ Valor de salvamento, $

(se supone que- ocurre en el año 0) (ocurre en el año n)
0,50
0,20
800k 1.000% 1.200k P 80k 100k 120k L

(b)
Vida de la inversión, años
Ingreso bruto, $/(año)
0,50
700Kk 750k 800k 850k

(d)
Tasa efectiva del impuesto, %
0,50
0,30
0,20 0,20
100k
FIGURA 7-5
Distribuciones del ejemplo 7-4.
donde n es la vida estimada de la inversión y x es el flujo de dinero en el

año r. Más específicamente, x, se puede expresar como
PEO E CEDE (7-3)

donde / = ingreso bruto en el año r
C = gastos en el año r (incluyendo costos de pérdida)
D = Depreciación en el año r
t = tasa efectiva del impuesto
P = capital desembolsado en el año r
Con frecuencia se supone que las variables de la ecuación (7-3) se co-

nocen con certeza, y con base en estos puntos estimados se calcula el
flujo de dinero en cada año. En este caso la tasa de retorno se calcula a
partir de la ecuación (7-2). Sin embargo, cuando las variables pueden te-
"OJU9UIBAJES IP JOJEA [9P 000'00T$ SO] SÁN[DUI JO[EA 39ISH+
000'03p
000045
« 007 ELV 008"93% vs 000'0ST € | 000'09L 07 000'08T S
00
000"0L€
000"S9v 000"<83 OS 000"00T O | 000'088 06 000'08T y

000'03+
NON
00v"361 000'003 9 | 000082 0€ 000'081 €
00003
009"LS8 Ts
Y
009'18€ 00p "813 TS 000"0ST Z | 00008 S€ 000"081 z
009"18€ 00p"81Z$ TS 000'003$ L | 000'008$ IS 000"081$ I
$
000"000"1$ — 000"000'1$ 0
o3sanduut
O1109B9]8
3exed
OJQUIP o3sandur] |ozsanduur yg tied| 7 omiq ] exed |uordersalda( | uU9Is19AUuT oue
OJSUINN
2
9
Ofn1A
ap e ojolns Osa13U[ |0110389]8 , ap
CARLO
“9
|
O1103B3]8 S03S07)
0s313u][9p eseL OJSUIAN OPUS : [8UTy
MONTE
OYANIA YA OLATA TAA NOLOVIANIS TIL FIEL

SIMULACION
174
DEPENDENCIA ENTRE VARIABLES 175
ner más de un valor, es posible emplear otro enfoque, mediante simulación

Monte Carlo, si se establecen las distribuciones de probabilidad de las
variables de la ecuación (7-3). Por ejemplo, puede suponerse que para ca-
da variable se han establecido las distribuciones mostradas en la figura
7-5. Con estos datos y la suposición de un modelo de depreciación lineal,
se puede generar una distribución de la tasa interna de retorno.
El primer paso es determinar distribuciones acumulativas para cada
variable y asignar números índice. En este momento, estos pasos deben
ser conocidos, y quedan como ejercicio.
El siguiente paso es generar números aleatorios individuales para la
vida del proyecto, el costo de la inversión, y el valor de salvamento. Puede
suponerse, por ejemplo, que estos números aleatorios son 3, 5, y 48 respec-
tivamente. Estos números aleatorios indican una vida de 5 años, un costo
de inversión de $1 millón, y un valor de salvamento de $100.000. Con estos
valores, se establece un patrón de depreciación anual, así
$1.000.000 — 100.000
Depreciación anual = = $180.000
5
Ahora se puede construir la tabla 7-11 y proseguir la simulación en la
forma indicada. Sustituyendo en la ecuación (7-2) los flujos de dinero ge-
nerados en la tabla (7-11) se obtiene
381.600 : 381.600 dE357.600 d 465.000 ¿473.200

O = — 1.000.000+
LEFFC(RPRSA MED A
El valor de i (¿ = 28 por ciento en este caso) se despeja de la ecuación
(7-2). Estos pasos y cálculos se repiten muchas veces y a partir de estos
resultados, se determina la distribución de la tasa interna de retorno. Con
esta distribución, se pueden formular afirmaciones probabilísticas con
respecto a la tasa de retorno, similares a las afirmaciones mencionadas en
el ejemplo 7-2.
Para aquellos familiarizados con los conceptos de economía para inge-
nieros será evidente que el procedimiento ilustrado en este ejemplo pue-
de ampliarse a situaciones más complejas de flujo de dinero y usarse para
generar las distribuciones del valor presente neto y del período de resti.-
tución. 1111
DEPENDENCIA ENTRE VARIABLES

Hasta ahora en los ejemplos de simulación Monte Carlo, se ha supuesto
que las variables son independientes. Aunque esta es una suposición fre-
cuente, no siempre es correcta. Por ejemplo, el ingreso bruto variable por
año utilizado en el ejemplo 7-4 puede considerarse como
Ingreso bruto/año = Ventas/año X precio de venta/unidad

0,40
0,30
k 0,20
OSO
FIGURA 7-6 100 1,502,00 2,50

Distribución del precio de venta. S, $ por unidad
Evidentemente, las ventas y el precio de venta no son independientes; en

realidad, son dependientes. Ya que generalmente las ventas aumentan
cuando disminuye el precio de venta. Esta dependencia se puede incluir
en un modelo de simulación estableciendo una distribución del precio de
venta similar a la mostrada en la figura 7-6 y luego estableciendo una dis-
tribución de la demanda para cada nivel del precio de venta, como se in-
dica en la figura 7-7.
El procedimiento en los procesos de simulación consiste en generar
un número aleatorio y utilizarlo en la determinación del precio de venta.
Una vez determinado el precio de venta, este debe imponer la distribución
utilizada para calcular el volumen de ventas. Debe generarse otro número
Precio de venta, $1,00/unidad

0,50 Precio de venta, $1,50 /unidad
0,40
0,30 15 0,25 0,25
0,10
180k 190k 200k 150Ok 160k .170k 180k
Demanda, unidades /año Demanda, unidades “año
(a) (b)
Precio de venta, $2,00/unidad

0,60 Precio de venta, $2,50/unidad
0,50
0
+30 0,25 0,25
0,10
130k 140k 150k 110k 120k - 130k
Demanda, unidades /año Demanda, unidades /año
(c) (d)
FIGURA 7-7
Distribuciones de la demanda para
diferentes precios de venta.
OTRAS DISTRIBUCIONES 177
aleatorio para utilizarlo en la determinación de las ventas. Los dos valores

obtenidos se multiplican entonces para determinar el ingreso bruto. Por
ejemplo, puede suponerse que el primer número aleatorio es 22; esto indi-
ca un precio de venta de $1,50 según la figura 7-6 y también que la figura
7-7b se debe usar para determinar las ventas. Puede suponerse que el se-
gundo número aleatorio generado es 73. Esto indica una venta de 170.000
unidades. Por consiguiente el ingreso bruto anual es
Ingreso bruto anual = 1,50(170.000) = $255.000
Este valor entonces debe usarse en el proceso de simulación y repetirse

cada vez que se requiera un valor del ingreso bruto. Las distribuciones
de la figura 7-7 incluyen una determinada cantidad de traslapo. Esto pue-
de ser conveniente o no serlo para una aplicación particular. El hecho que
el traslapo sea correcto o no depende del problema particular que esté sien-
do simulado.
Otro enfoque hacia la dependencia es utilizar una función matemáti-
ca que indique la dependencia entre las variables. Por ejemplo, en el caso
entre el precio de venta y las ventas anuales, se debe establecer una fun-
ción matemática de la forma
Ventas anuales = f(precio de venta)
El procedimiento consiste en generar un número aleatorio para deter-

minar el precio de venta. Las ventas anuales se calculan utilizando la fun-
ción matemática y el precio de venta determinado. El ingreso bruto se
calcula con estos dos valores.
Obviamente, estos procedimientos se pueden simplificar. Cada una de
las distribuciones de la demanda de la figura 7-7 puede convertirse en
distribuciones del ingreso bruto, multiplicando la demanda de una dis-
tribución particular por su respectivo precio de venta. En el caso de una
función matemática se puede establecer la función en términos del precio
de venta y del ingreso bruto.
OTRAS DISTRIBUCIONES
En- los ejemplos anteriores todas las variables fueron descritas mediante
distribuciones empíricas discretas. Esta clase de distribución no es re-
quisito para la simulación Monte Carlo. Cualquier variable puede repre-
sentarse por medio de una distribución teórica, siempre y cuando la dis-
tribución describa adecuadamente la variable. En realidad, en el mismo
modelo de simulación es posible representar una variable mediante una
distribución empírica y otra mediante una distribución teórica. En esta
sección se presentan tres ejemplos de distribuciones teóricas.
Distribución de Poisson
En la mayoría de problemas de colas se utiliza la distribución de Poisson
para describir la tasa de llegada. Esta es una distribución discreta. Para
utilizar esta distribución, se debe conocer, estimar, o suponer el valor pro-
medio de la distribución. Puede suponerse que la variable x se represen-
ta según una distribución de Poisson con una media de 1,1; entonces uti-
lizando los valores del apéndice A se puede obtener la tabla 7-12.
Distribución normal
Cuando se utiliza la distribución normal en la descripción de una variable,
deben obtenerse de alguna manera la media y la desviación típica. Si la
variable x puede considerarse continua y normalmente distribuida en un
problema de simulación, la referencia 5 demuestra que x se puede calcu-
lar a partir de 1201112 / K K
E 07) Y r¡- 3) + Hz (7-4)
K i=1 2
donde v, = desviación típica de la distribución

uz = media de la distribución
K = constante empírica
De la experiencia K = 10 (referencia 5). Algunas veces, se toma como 12
para facilitar el cálculo, esto es, el término (12/K)!/? es igual a 1.
K
Y r;=suma de K dígitos aleatorios definidos en el intervalo entre O y 1
í=1
Por ejemplo, puede suponerse K = 12, y, = 3, o, = 1,2 y los 12 nú-
meros aleatorios 10, 37, 08, 99, 12, 66, 31, 85, 63, 73, 98, 11. Entonces x es
al
Jae 12
=1,21= 5,93
— —
x = 1,2(5,93 — 6) + 3 =2,916
Tabla 7-12 NUMEROS
INDICE DE LA
VARIABLE X
(DISTRIBUCION
DE POISSON)
Valor Probabilidad Números

de x acumulativa índice
0 0,333 000-332
1 0,699 333-698
2 0,900 699-899
3 0,974 900-973
4 0,995 974-994
S 0,999 995-998
6 1,000 999
FIGURA 7-8
Distribución normal para
valores discretos.
El valor 2,916 se usa como valor de x en la simulación. Cuando se

requiere el siguiente valor de x, se generan 12 nuevos números aleatorios
y se calcula un nuevo valor de x.
Distribución exponencial
La distribución exponencial es una distribución continua muy usada en
problemas de simulación. Para usarla debe conocerse o estimarse la me-
dia. La función de distribución acumulativa está dada por
Fa) =1-e (7-5)

donde $ es la media.
Si la variable x se considera continua, la referencia 3 indica que x se
puede calcular a partir de
X =-—Blogr (7-6)
donde r es un número aleatorio en el intervalo entre 0 y 1.

De hecho, hay muchas distribuciones teóricas que se utilizan en es-
tudios de simulación. Las referencias tratan otras distribuciones.
A veces una variable sólo puede tener valcres enteros, pero aún
en este caso puede ser deseable describir la variable mediante una dis-
tribución continua. En estos casos, mediante una distribución continua,
la probabilidad de un valor particular es aproximada. Por ejemplo una va-
riable x tiene una media de 3,00 y una desviación típica igual a 1,00 y se
supone normalmente distribuida. Sin embargo, por razones físicas, los va-
lores de x sólo pueden ser enteros. Esta situación se ilustra en la figura
7-8. En la aproximación de las probabilidades de los diversos valores de
x se debe seleccionar un intervalo de celda. En la figura 7-8 se ha tomado
un intervalo de celda igual a 1. El intervalo de celda depende de conside-
raciones prácticas y del grado de precisión deseable en la aproximación.
Por ejemplo, si la media fuera 300 en lugar de 3, aún podría usarse un in-
tervalo de celda igual a 1, pero se obtendría un número muy grande de
celdas y un mayor número de cálculos. Puede ser adecuado un intervalo

de celda de 10 o aun de 50.
* Continuando con este ejemplo, las probabilidades en el caso discreto
se pueden obtener calculando las probabilidades acumulativas para cada
división de celda usando la distribución normal. Una vez obtenidas las
probabilidades acumulativas, pueden asignarse números índice. En la
tabla 7-13 se muestran estos pasos.
EJEMPLO 7-5 En este ejemplo se utiliza simulación Monte Carlo en un

problema sencillo de inventario. Se utilizan distribuciones teóricas para
aproximar las distribuciones de la demanda y del tiempo de anticipación.
Se supone que la demanda de un artículo particular está normalmente dis-
tribuida con una media de 200 unidades /semana y una desviación típica
de 50 unidades/semana y que el tiempo de anticipación está distribui-
do exponencialmente con una media de 1 semana. El costo de hacer un
pedido es $90 y el costo de tenencia de 1 unidad es de 10 centavos por
semana. El problema consiste en determinar la cantidad pedida y el pun-
to de pedido que dan lugar a un sistema de costo mínimo total.
Antes de comenzar la simulación, hay que seleccionar un punto de
partida y hacer ciertas suposiciones. En la simulación que sigue se esco-
gen una cantidad pedida constante de 600 unidades y un punto de pedido
de 100 unidades o menos, con base en las relaciones desarrolladas en el
capítulo de inventarios. Las relaciones y cálculos obtenidos a partir de
esta selección son
10) 2(90)(200
O = JE: anX ) 600 unidades
Punto de aa = DL= 200(1) = 200 unidades
Tabla 7-13 APROXIMACION NORMAL DE UN CASO DISCRETO
Desviación
"Valor Límite inferior |Límite superior normal Probabilidad Números
K x”—3,0 acumulativa índice
O a
0 000-005
1 006-066
2 067-308
3 309-690
5 691-932
5 933-943
: 944-999
También debe tomarse una decisión con respecto al nivel inicial de inven-
tario. Se usa un nivel inicial de inventario de 600 unidades. Este nivel,
de hecho, se escoge arbitrariamente.
En este problema se supone constante la tasa de demanda dentro de
cualquier período de 1 semana. Además, se supone que el nivel de inven-
tario se revisa al final de cada semana. Si en este momento el inventario
es mayor que el punto de pedido, no se hace pedido. Sin embargo, si el ni-
vel de inventario es igual o menor que 200 unidades se hace un pedido de
600 unidades.
El siguiente paso es asignar números índice a la demanda y al
tiempo de anticipación. Se usa un intervalo de celda de 50 unidades para
la demanda, y un intervalo de celda de 1 día para el tiempo de anticipa-
ción. De hecho, se pueden usar intervalos más grandes o más pequeños
para los intervalos de celda, pero para efectos de ilustración estos interva-
los son suficientes. Los cálculos necesarios para asignar números índice
se muestran én las tablas 7-14 y 7-15.
Después de asignar números índice se puede efectuar la simulación
real. Este punto se muestra en la tabla 7-16 para un período de 16 sema-
nas. En un estudio real, se puede usar un mayor período de tiempo.
Tabla 7-14 NUMEROS INDICE DE LA DEMANDA (EJEMPLO 7-5)
Desviación normal
Valor Límite inferior |Límite superior Ñ
de la x' del intervalo |x"” del intervalo| ¿y _X%— 200 Probabilidad |Números
demanda |de celda de celda E 50 acumulativa fadice
50 0 35 -25 0,006 000-005

100 15 |
125 —1,5 0,067 006-066
150 125 175 —0,5 0,309 067-308
200 175 1225 0,5 0,692 |309-691
250 225 275 ES 0,933 692-932
300 275 325 1 25 0.994 933-993
350 325 375 3,5 1,000 994-999
400 375 ES 20 1,000 E
Tabla 7-15 NUMEROS INDICE DEL TIEMPO DE ANTICIPACION (EJEMPLO 7-5)
Tiempo de Límite inferior | Límite superior Probabilidad Número

anticipación x' del intervalo | x” del intervalo acumulativa índice
x de celda de celda | Fy)=1-—e 2
Ñ 13 0,78 00-77
2 1.5 25 0,92 78-91
3 2.5 3.5 0.97 92-96
4 3.5 4.5 0,99 | 97-98
5 4.5 5.5 1.00 ne
En la figura 7-9 se muestra una representación gráfica de los datos

de la tabla 7-16. Con esta figura es posible realizar un análisis económico
de este ensayo especial de simulación. El costo variable esperado CV está
dado por N
CV = c; (números de pedidos) + cz (inventario promedio)
+ c3 (déficit promedio) (1-7)
600 600
500
450 450
400
350
300
200 1200
100
Nivel
de
inventario
10 dr RL AMA STE
Semanas
so
- 150
150
200
250
300
FIGURA 7-9
Resultados de la simulación del ejemplo 7-5.
El número de pedidos indicados en la figura 7-9 es 5, y el inventorio pro-

medio está dado por
área de inventario
Inventario promedio =
número de semanas
A
3.461,7
216,3 unidades (7-8)
El área de déficit de la figura 7-9 es 261,5 unidades-semana; por tanto
área de déficit
Déficit promedio =
número de semanas
261,5
= 16,3 unidades (0-9)
16
Con estos valores, se puede calcular el costo variable usando la ecuación
(7-7). Suponiendo que el costo por el déficit de una unidad es $10 por se-
mana, la ecuación (7-7) da
CV = 90(5) + 0,1(216,3) + 10(16,3) = $634,63 por semana

Se deben ensayar combinaciones adicionales de las cantidades pedi.-
das y de los puntos de pedido para determinar la posibilidad de reducir
Tabla 7-16 SIMULACION DEL EJEMPLO 7-5
Número
Número aleatorio
Final | aleatorio del tiem- | Tiempo
de se- | de la Nivel de po de an- | de anti-
mana |demanda inventario ticipación | cipación| Comentario
Punto de partida
Pedir 600 unidades
Recibir 600 unidades
Pedir 600 unidades
Í Pedir 600 unidades

Z Pedir 600 unidades

Pedir 600 unidades

184 — sIMULACION MONTE CARLO
FIGURA 7-10 A E ON a)
Distribución del tiempo entre llegadas. Tiempo entre llegadas, horas.
el costo. Debe recordarse que la simulación de un sistema proporciona una

respuesta sólo para un conjunto particular de circunstancias. Por consi-
guiente, la respuesta para un conjunto de circunstancias no necesaria-
mente es la mejor respuesta. 111/
EJEMPLO 7-6 La simulación Monte Carlo se utiliza en problemas de

colas probabilísticas para evaluar diferentes estrategias de servicio. Por
ejemplo, se supone que la distribución empírica mostrada en la figura 7-10
describe el tiempo entre llegadas a un canal simple de servicio y que el
tiempo de servicio está distribuido exponencialmente. El problema consis-
te en determinar el tiempo medio de servicio de manera que el costo to-
tal del sistema sea mínimo, donde el costo total del sistema (CT) está
dado por ;
CT = costo del tiempo de espera + costo del servicio (7-10)
El procedimiento de este problema consistirá en seleccionar diferentes
tiempos medios de servicio y simular el sistema para cada valor seleccio-
nado. El costo total de cada tiempo de servicio se puede calcular y evaluar.
En la figura 7-10 el tiempo medio entre llegadas es 1,4 horas. Esto pro-
porciona un punto de partida para seleccionar el tiempo medio de servicio,
ya que este tiempo debe ser igual o menor que el tiempo medio entre lle-
gadas. De otra manera, la cola crecería sin límites. Por tanto, se usa un
tiempo medio de servicio de 1,2 horas en este ejemplo, y el costo del ser-
vicio se supone igual a $20 por hora.
A partir de la figura 7-10 es posible asignar los números índice mos-
trados en la tabla 7-17. Ya que es posible considerar el tiempo de servicio
DEL TIEMPO ENTRE
LLEGADAS PARA EL
EJEMPLO 7-6
Tiempo entre llegadas | Números índice

Tiempo
Iniciación =
entre llegadas
Esperando .. a l 0.2
NN
en la cola
Iniciación
del servicio
A Tiempo de servicio
8,8 horas
FIGURA 7-11
Representación gráfica de los datos de la tabla 7-18.
como continuo, se usa la ecuación (7-6) para simular los tiempos de servi-
cio. Para simplificar se utilizan números aleatorios de un solo dígito en es-
ta parte de la simulación, y los tiempos de servicio se aproximan a un de-
cimal.
La tabla 7-18 muestra los resultados de la simulación de ocho llegadas.
Como condición inicial, se supone que la primera llegada ocurre después
de abrir la estación servicio (1 hora en este caso). La figura 7-11 se cons-
Tabla 7-18 SIMULACION DEL EJEMPLO 7-6
Número Número
Número aleatorio del Tiempo aleatorio Tiempo
de tiempo entre entre r del de servicio
llegadas llegadas tiempo de x= —1.2logr
llegada
servicio
1 34 1.0 5 0.4
5 43 15 5 0.4
3 40 1.5 6 0.3
4 15 1,0 2 0.8
S 05 0,5 2 0.8
6 25 1.0 4 0.5
1 83 2.0 ] 1.2
89 1.0 9 0
8
45
186 sIMUuLACION MONTE CARLO
truye con los datos de la tabla 7-18. En este punto se calcula el costo to-
tal con la ecuación (7-10). El tiempo total de espera está dado por
Tiempo total de espera = tiempo de espera en el servicio+ tiempo (7-11)

de espera en la cola
= 45+0,3+ 0,1+ 0,2 = 5,1 horas
El tiempo total para procesar las 8 llegadas es 8,8 horas. Por consi.-
guiente, suponiendo que el costo de espera por 1 unidad es $5 por hora, el
costo total de 8,8 horas de operación es
CT = 5(5,1) + 20(8,8) = $201,50
Entonces
Costo promedio por hora = a = 2290

201,50
MN
Obviamente, en un caso real se debe usar un tiempo mucho más pro-
longado y se deben ensayar otras condiciones diferentes de servicio. El
ejemplo anterior es un problema de colas muy simple. La obtención de una
solución por medio de simulación Monte Carlo no-€s el único enfoque. Es
posible obtener una solución mediante procedimientos analíticos. En la
literatura se encuentran ejemplos más complejos y otras aplicaciones de
la simulación Monte Carlo. Las referencias 1, 3 hasta 5, 7, y 8 y muchos
textos de investigación operacional, control de producción, y control de
inventario presentan otras aplicaciones y ejemplos de simulación de
Monte Carlo.
NUMEROS ALEATORIOS
La simulación Monte Carlo requiere números aleatorios para obtener ob-
servaciones aleatorias a partir de una distribución de probabilidad. Un
número aleatorio es un número de una secuencia de números cuya proba-
bilidad de ocurrencia es igual a la de cualquier otro número de la secuen-
cia. Los números aleatorios se pueden obtener manualmente, mediante
tablas, o mediante métodos de computador.
Los métodos manuales son laboriosos y no muy prácticos excepto
como medio ilustrativo, en el salón de clase. Estos métodos generalmente
requieren recursos tales como ruletas, cartas de baraja, fichas en una
urna, lanzamiento de monedas y lanzamiento de dados.
Las tablas de números aleatorios se encuentran en la literatura, por
ejemplo en la referencia 6. Estos números aleatorios fueron generados
mediante un proceso físico aleatorio (corriente eléctrica en el caso Rand)
y se consideran números “verdaderamente” aleatorios. El problema con
la utilización de tablas de números aleatorios es tenerlos disponibles en
NUMEROS ALEATORIOS 187
un programa de computador. Para usar las tablas sería necesario registrar

los números aleatorios en discos o cintas magnéticas. Esta es una gran
tarea. Además pedir un número aleatorio cuando se necesita es un proceso
lento en el computador.
Quizá el proceso más común para la obtención de números aleatorios
consiste en generar números pseudo aleatorios, usualmente por medio de
un programa de computador. Una secuencia pseudo aleatoria no es real-
mente aleatoria ya que se obtiene utilizando un proceso matemático com-
pletamente determinístico. Sin embargo, los números generados de esta
manera se consideran como aleatorios ya que satisfacen varias pruebas
estadísticas de aleatoriedad. Una secuencia de números pseudo aleatorios
puede ser eventualmente cíclica, esto es, se repite; sin embargo, el hecho
de que sea cíclica no presenta dificultades si el ciclo es bastante amplio.
Dos métodos de generar números pseudo aleatorios son las técnicas de
elevar al cuadrado el número intermedio y las técnicas congruenciales.
La técnica de elevar al cuadrado el número intermedio comienza con
un número que consta de un número par de dígitos, se toma el cuadrado
del número, y se seleccionan los n dígitos intermedios de este resultado
como número aleatorio. El valor de n es el número de dígitos del número
original. El siguiente número aleatorio se obtiene por repetición de este
proceso usando el número aleatorio anterior como punto de partida. Por
ejemplo, si el número inicial es 56, elevando al cuadrado se obtiene 3.136,
por lo tanto el número aleatorio es 13. Elevándolo al cuadrado se obtiene
169, y el número aleatorio es 16. Si el procedimiento se repite seis veces,
la secuencia de números aleatorios es 56, 13, 16, 25, 62, y 84. Este método
de determinar números aleatorios no es muy usado porque la amplitud
del ciclo depende del número inicial utilizado.
Las técnicas congruenciales hacen uso de una fórmula recursiva. Por
ejemplo, el método congruencial multiplicativo utiliza la fórmula
Xn+1 = XX. módulo m (7-12)
donde k y m son enteros positivos y k es menor que m. La ecuación (7-12)

implica que el número aleatorio X,+¡ se genera a partir del número
aleatorio x, y que estos números aleatorios son los residuos de la divi-
sión de kx, por m. Por ejemplo, si k=8, m =10, y xo= 2, la ecua-
ción (7-12) da
10+6
x, = kxy (mod m) = 8(2)(mod 10) = ab 6
40 +8
x, = 8(6)(mod 10) = a
60 + 4
x3 = 8(8)(mod 10) = =4
10
Por tanto, la secuencia de números aleatorios es 2, 6, 8 y 4. Si este ejem-

plo se continúa para xs y x, se observa que la secuencia es cíclica.
Por consiguiente deben seleccionarse cuidadosamente k, m y xo. Para
el computador binario, la referencia 4 indica m*= 2” (longitud de la
palabra en el computador), cualquier número impar se selecciona como
xo, y k se selecciona según la ecuación 8t +3 (t es un entero). En la
referencia se encuentra información adicional sobre la generación de nú-
meros aleatorios y sobre pruebas estadísticas de aleatoriedad.
ESTIMACION DEL TAMAÑO DE LA MUESTRA

La determinación del tamaño de la muestra antes de efectuar una simu-
lación particular, es una decisión importante. Sin embargo, esto es difícil
ya que la mayor parte de la información requerida para especificar correc-
tamente el tamaño de la muestra, no se conoce hasta después de hacer la
simulación. Por este motivo, se requieren algunas suposiciones y las rela-
ciones presentadas aquí deben considerarse sólo como estimativos ra-
zonables.
En la mayoría de las simulaciones generalmente hay dos parámetros
(de hecho, puede haber otros) de particular interés, estos son la media y
la desviación típica de la población.
Media de la población
Suponiendo que la media de la muestra está distribuida normalmente y
que se toma una muestra de tamar.o suficientemente grande, el tamaño de
la muestra está dado por
z 2
E as (7-13)
donde n = tamaño de la muestra

od = desviación típica conocida de la población
Z.j2 = desviación normal correspondiente a un nivel de confiabi-
lidad 1—au de que la media verdadera puede estar entre
A ZN Loza
d = diferencia entre la media de la muestra y la media ver-
dadera.
Como ejemplo, se supone que se necesita conocer el tamaño de la
muestra de manera que la diferencia entre la media de la muestra y la
media verdadera sea +2 con un nivel de confiabilidad de 99 por ciento.
Suponiendo que la desviación típica se conoce y que tiene un valor de 10,
la ecuación (7-13) da
10? (2,575)? Mar ;
n= ASPE 165,75 166
1
ESTIMACION DEL TAMAÑO DE LA MUESTRA 189
En la ecuación 7-13 se supuso que la desviación típica era conocida:

Generalmente este no es el caso. Cuando la desviación típica « no se
conoce, se puede estimar a partir de las desviaciones típicas s de la
muestra dada por
Y (x — xy?
pig juileda (7-14)
n=]
Además, a partir de consideraciones estadísticas, Z,,, debe remplazarse

por f.j2;n-1 donde t implica la distribución t y el término n — 1 representa
los grados de libertad. El problema consiste en el hecho de que para deter-
minar 1,j>;n-1 debe conocerse el tamaño n de la muestra, y este es el que
se requiere calcular. Afortunadamente, suponiendo una muestra de tamaño
grande, el término f,;,;»-1 puede remplazarse por Z,,,. Estas consideracio-
nes dan por resultado
e
EOS
SUZ
(7-15)
Desviación típica de una población

El tamaño aproximado de una muestra se puede obtener con base en el
nivel de confiabilidad y en la precisión de la varianza de la población. El
enfoque usual consiste en determinar el tamaño de la muestra mediante
la prueba estadística
2 pal
=
a?
1)s?
O
la cual tiene una distribución chi al cuadrado con n — 1 grados de liber-

tad y se supone normal. En este momento se presenta el mismo problema
de la discusión anterior y es que el tamaño de la muestra debe conocerse
previamente. Sin embargo, si se supone una muestra de tamaño grande
y una distribución normal, en la referencia 4 se demuestra que una aproxi-
mación del tamaño de la muestra se puede obtener de
d'(n—1
Za = id de a
Un — 1)
la cual puede expresarse en la forma
AZ
Az = (dy A ! 7-18
( )
donde el valor d' expresa la exactitud relativa simétrica entre la varianza

de la muestra y la varianza verdadera. Por ejemplo, el tamaño de muestra
requerido para que la varianza de la muestra tenga un valor de +10%

con respecto a la varianza verdadera con un nivel de confiabilidad de
99% es ':
_ 2(Zo995)?
10,10)
= 28,575 +1 = 1.327,2 1328

0,01
Evidentemente los tamaños de muestra dados por las ecuaciones
(7-15) y (7-18) pueden ser diferentes para una simulación particular.
Cuando este sea el caso, debe hacerse un balance entre la precisión y
otras consideraciones prácticas tales como el costo del tiempo de com-
putador.
Hay, por supuesto, otros enfoques para determinar el tamaño de una
muestra. Uno consiste simplemente en seleccionar un valor grande para
el tamaño de la muestra. Entonces, utilizando los resultados de la simula-
ción se establecen los niveles de confiabilidad. Otro enfoque consiste en
calcular el valor promedio después de cada prueba hasta que éste se aproxi-
me a un límite, como se indica en la figura 7-12. Cuando la distancia
entre los puntos más altos y más bajos es igual o menor que alguna canti-
dad establecida, se termina la simulación. Este procedimiento también se
puede utilizar para calcular la varianza y la desviación típica.
Hay aún otro método, más costoso que los anteriores, que consiste en
efectuar varios ensayos piloto para tener una idea de la media de la
población y su desviación típica. Estos valores de la media y de la des-
viación típica inicialmente estimados, se pueden utilizar como aproxi-
mación del tamaño de la muestra.
Los métodos discutidos aquí para determinar el tamaño de la muestra
son aproximados. En un análisis completo como el que se requiere en la
mayoría de los casos, se debe hacer un balance entre la práctica y la teoría.
Límite
Valor
promedio
——»
FIGURA 7-12 =
Límite estocástico. - Número de pruebas —=>
CONSIDERACIONES PRACTICAS 191
CONSIDERACIONES PRACTICAS
En muchos estudios de simulación las condiciones iniciales del sistema
que se está simulando constituyen una consideración importante, por
ejemplo, en sistemas de inventarios y en sistemas de colas. En sistemas
de esta clase la simulación usualmente no se considera representativa
del sistema real hasta que existan condiciones de estado estable. Por
consiguiente, los datos tomados durante un período de transición no deben
incluirse en el análisis, a menos que el período de transición sea el perío-
do de interés.
Las condiciones de estado estable implican que el estado del siste-
ma es independiente de las condiciones iniciales, o sea, existe una con-
dición de estado estable cuando la distribución, que define el estado, es
independiente del tiempo. En la práctica es difícil determinar el número
de pruebas necesarias antes de alcanzar las condiciones de estado es-
table. Usualmente hay dos enfoques para resolver este problema: (1)
hacer varios ensayos piloto para determinar el punto en el cual se alcan-
zan las condiciones de estado estable y (2) definir inicialmente el sistema
para que tenga unas condiciones iniciales, tan próximas como sea posible,
a las condiciones de estado estable. En el primer método se requiere
mucho tiempo de computador y en el segundo método es necesario tener
al menos alguna idea de las condiciones de estado estable.
En algunos estudios de simulación las condiciones iniciales no son
un problema, por ejemplo, el modelo de simulación descrito al comienzo
de este capítulo para generar una distribución de la tasa interna de
retorno.
El objeto de muchos estudios de simulación es el determinar cuáles
alternativas dan la mejor medida de algún criterio de efectividad por
ejemplo, la determinación de una regla de prioridad (alternativas) de una
laboren un taller para minimizar el tiempo ocioso de una máquina (criterio
de efectividad). En esta clase de estudios Hillier y Lieberman (Referen-
cia 3) señalan que para cada alternativa se deben utilizar las mismas
condiciones iniciales y números aleatorios. Por tanto, los resultados de
cada alternativa deben usarse al tomar una decisión.
En una sección anterior se discutió la determinación del tamaño de
una muestra. Sin embargo, pocos textos indican el número de muestras.
Hillier y Lieberman (Referencia 3, pág. 464), indican que conviene tomar
entre 10 y 15 muestras. En este punto son posibles dos enfoques.
El primero consiste en efectuar una serie de ensayos independientes
y calcular un promedio para cada ensayo; este valor se utiliza como una
observación. Puesto que cada observación es independiente y es un valor
promedio, las observaciones, según el teorema del límite central, se aproxi-
marán a una distribución normal. Por consiguiente, se puede establecer
un nivel de confiabilidad para la media total. La desventaja de este en-
foque es que cada ensayo requiere de tiempo para alcanzar una condición
de estado estable. Esto puede ocasionar considerable tiempo de com-
putador.
El segundo enfoque consiste en hacer ensayos consecutivos, usando
la condición final de un ensayo como condición inicial del siguiente. En
esta forma sólo se requiere una condición inicial. La simulación total se
divide en una serie de ensayos iguales más pequeños y los promedios de
estos ensayos se usan como observaciones. La desventaja de este mé-
todo es que los ensayos más pequeños pueden no ser independientes. Sin
embargo, si cada uno de estos ensayos se hace suficientemente grande,
la suposición de independencia puede ser válida para todos los propósitos
prácticos.
Hillier y Lieberman (Referencia 3) señalan que en la determinación de
las distribuciones de probabilidad usadas para una variable, es mejor
utilizar la distribución teórica que ajusta mejor la variable que utilizar
alguna distribución de frecuencia con base en datos históricos; su argu-
mento es que la distribución teórica puede predecir con mayor exactitud
un comportamiento futuro, que la reproducción de idiosincracias del pasado.
LENGUAJES DE SIMULACION
Teniendo en cuenta que los estudios de simulación están enfocados hacia
el computador, de la discusión de este capítulo puede deducirse, que la
programación de todos los detalles (generación de números aleatorios,
asignación de números índice, métodos de cálculo, salida de datos pro-
pios, etc.), requeridos en un estudio de simulación puede ser bastante
complicada. Si se utilizara un lenguaje de programación de propósito ge-
neral tal como el FORTRAN, esto sería cierto. Afortunadamente, los len-
guajes de simulación general tales como GPSS, SIMSCRIPT, SIMPAC,
DYNAMO, y GASP están fácilmente disponibles. Estos lenguajes espe-
ciales evitan al programador muchos detalles requeridos en un modelo de
simulación para computador. Las referencias 4, 5 y 7 discuten la utiliza-
ción y méritos relativos de estos lenguajes especiales y presentan la infor-
mación necesaria para obtener los manuales de instrucción y el compilador.
CONCLUSIONES
La simulación es un instrumento poderoso particularmente útil en el aná-
lisis de sistemas que son demasiado complejos para analizarlos matemá-
ticamente. Sin embargo, debe recordarse que la simulación no necesaria-
mente da una respuesta óptima. Además, el análisis de sensibilidad es
costoso; ya que para hallar el efecto de un cambio en una variable, es
necesario un nuevo ensayo de simulación.
PROBLEMAS 193
REFERENCIAS
1 Boninti, C. P.: “Simulation of Information and Decision Systems in the Firm,”
Prentice-Hall, Inc., Englewood Cliffs, N.J., 1963.
2 Hahn, G. J., y S. S. Shapiro: “Statistical Models in Engineering,” cap. 7, John
Wiley € Sons, Inc., Nueva York, 1967.
3 Hillier, F. S., y G.J. Lieberman: “Introduction to Operations Research,” cap. 14,
Holden-Day, Inc., Publisher, San Francisco, 1968.
4 Mize, J. H., y J. G. Cox: “Essentials of Simulation,” Prentice-Hall, Inc., Engle-
wood Cliffs, N.J., 1968.
5 Naylor, T. H., J. L. Balintfy, D. S. Burdick, y C. Kong: “Computer Simulation
Techniques,” John Wiley € Sons, Inc., Nueva York, 1966.
6 Rand Corporation: “A Million Random Digits with 100.000 Normal Deviates,”
The Free Press, Glencoe, 1ll., 1955.
7 Schmidt, J. W., y R. E. Taylor: “Simulation and Analysis of Industrial Systems,”
Richard D. Irwin, Inc., Homewood, 1ll., 1970.
8 Tocher, K. D.: “The Art of Simulation,” The English University Press, Ltd.,
Londres, 1963.
PROBLEMAS
7-1 Dada la función w=ab+ x y las distribuciones de cada variable indica-
das a continuación determinar el valor promedio de w para un total de 15
ensayos. Utilizar los números aleatorios especificados para cada variable.
Variable a Números aleatorios para a

a IO
sn 0,3
89, 2,6,0,1, 0
Variable b Números aleatorios para b

0.45 15, 46, 48, 93, 39, 06, 72, 91
s 14, 36, 69, 40, 93, 61, 97.
0,30
0,25
18190 20
Variable x Números aleatorios para x

UT, 22 00,81% 11,356, 03
0,20 0,20 0,20 63, 53, 88, 48, 52, 87, 71.
0,15
0,10 0,10 0,05
40 41 42 43 44 45 46
7-2 El valor de una función de efectividad z está dado por
dia + 1,5w
DA
donde x está distribuida normalmente con una media de 90 y una desvia-

ción típica de 10 [suponer que esta variable es continua; por consiguiente
se puede aplicar la ecuación (7-4)]; w tiene una distribución de Poisson
con una media de 1,0; y y tiene la distribución empírica que se presenta
en la tabla
Valor de y| 20 | 30] 40 | 50 | 60 | 70
Probabilidad| 0,28 | 0,20 | 0,18 | 0,15 | 0,10 | 0,09
Usando los números aleatorios indicados a continuación, determinar el

valor de z para 10 pruebas
Xx w y
12
Eri=44
i=
990 35
6,2 539 42
5,0 891 11
3,5 241 58
5,8 935 84
6,1 693 25
3,9 432 35
4,3 369 02
6,6 464 97
4,9 702 31
7-3 Determinar los números índice de una variable aleatoria discreta con una
media de 90 y una desviación típica de 10, usando una aproximación normal
y un intervalo de celda de 10.
7-4 Se ha efectuado un ensayo de simulación de una función particular de efec-
tividad. Después de 100 ensayos se obtienen los siguientes valores:
100
2, *1= 4.500
100
2x0 = 217.500
donde x es el valor de la función de efectividad.

(a) ¿Cuál es la exactitud absoluta entre la media de la muestra y la media
verdadera con un nivel de confiabilidad del 95 por ciento?
(b) ¿Cuál es la exactitud relativa entre la desviación típica de la muestra y
la desviación típica verdadera con un nivel de confiabilidad del 95
por ciento?
7-5 Se ha observado que las ventas de un artículo particular son 450, 475 Ó 500
artículos por semana con probabilidades de 0,25; 0,40 y 0,35 respectivamente.
PROBLEMAS 195
Los tiempos de anticipación entre hacer y recibir un pedido son de 1, 2 y 3

semanas con probabilidades de 0,75; 0,20 y 0,05 respectivamente. Usando
los datos mostrados a continuación, determinar las existencias disponibles
después de 15 semanas de operación simulada.
Cantidad constante pedida = 1.400 artículos
Punto de pedido= 500 unidades
Nivel inicial de inventario = 1.400 unidades
NUMEROS ALEATORIOS
Para tiempo de
Para demanda anticipación
7-6 La demanda y el tiempo de anticipación de un artículo particular tienen las

distribuciones indicadas a continuación. Explicar cómo se puede generar
la demanda durante el tiempo de anticipación usando simulación Monte
Carlo. Utilizar en su explicación, los números aleatorios indicados.
Tiempo de anticipación, semanas Números aleatorios

0,50 38, 10, 41, 82
0,25 0,25
2 3) 4
Demanda, artículos/semana Números aleatorios

15, 31,60 30.72, 09;
0,90 40, 50, 84, 76, 49, 32.
100 150 200 150 300
7.7 Utilizando las distribuciones mostradas a continuación y suponiendo una

depreciación lineal, explicar cómo puede generarse una distribución de la
tasa de intervalo, empleando simulación Monte Carlo. Para un ejemplo inicial,
se pueden v”'lizar los siguientes números aleatorios:
Inversión inicial 3
Vida del proyecto 1
- Valor de salvamento 25
Ingreso bruto. 36, 65, 99, 48
Costos E 48, 82, 87, 13
Tasa efectiva de impuesto LEI IS, Ll
0,60
0,50
0,40
0,30 0,30 0,30
0,25 0,20
0,15
250k 300k 350k 25k 30k 35k 4 6 9
Inversión inicial, $ Valor de salvamento, $ Vida del proyecto, años

(ocurre en el año 0)
0,60
0,35
0,25 0,25
0,20 0,20
0,15
200K 250K 300K 350K 75K 100K 125K 150K 51 LOS
Ingreso bruto, $/año Costos, $/año Tasa efectiva de impuesto, “;
7-8 El volumen de ventas de un determinado artículo depende de su precio de

venta. El precio de venta de un artículo puede ser $800, $825, $850, $825, ó
$900 con probabilidades de 0,15; 0,35; 0,25; 0,15; y 0,10 respectivamente.
Se supone que el volumen de ventas tiene una distribución continua y
normal. En la siguiente tabla se indican las medias y las desviaciones típicas
de cada precio de venta. Explicar cómo puede generarse el ingreso bruto du-
rante un período de 50 semanas usando simulación Monte Carlo.
. Volumen de ventas, unidades/semana

Precio de
venta Media | Desviación típica
7-9 Los vehículos de una planta están sometidos a mantenimiento preventivo.

Todas las labores de mantenimiento pueden ser efectuadas por un hombre,
pero en algunos casos el trabajo puede ser realizado en menos tiempo por
PROBLEMas 197
un equipo de dos hombres. Con un solo hombre, los tiempos para efectuar
el mantenimiento de un vehículo son 1,25; 1,50; 1,75; ó 2 horas con proba-
bilidades de 0,15; 0,25; 0,40; y 0,20 respectivamente. Con dos hombres se
requieren 0,50; 0,75; 1,00; ó 1,25 horas con probabilidades de 0,25; 0,35; 0,30;
y 0,10 respectivamente. Cada miembro del equipo recibe un pago de $4.50 por
hora y un sobresueldo de $1 por hora por equipo. Utilizando los siguientes
números aleatorios, determinar si el mantenimiento es más económico con
un solo hombre o con un equipo de dos hombres.
NUMEROS ALEATORIOS
38 46 91
89 25 45
40 20 59
02 20 66
99 78 16
37 92 34
26 34 ' 87
3
TEORIA DE COLAS O LINEAS
DE ESPERA
INTRODUCCION
De todos los conceptos tratados con las técnicas básicas de la investiga-
ción operacional, la teoría de colas aparece como la de mayor aplicación
potencial y sin embargo es quizás la más difícil de aplicar. Toda clase de
negocios, gobierno, industria, escuelas, y hospitales, grandes y pequeños,
todos tienen problemas de colas. Muchos de ellos se pueden beneficiar
de un análisis de JO para determinar las condiciones de operación de costo
mínimo (máximo rendimiento). Desafortunadamente las suposiciones
requeridas para utilizar matemáticas relativamente sencillas, con frecuen-
cia convierten el modelo en una representación muy poco ajustada a la
realidad; muchas de estas dificultades se pueden superar combinando
una buena comprensión de la teoría de colas con la imaginación.
El ejemplo clásico de una cola consta de dos elementos principales,
como se ilustra en la figura 8-1. Los clientes llegan a la cola y esperan hasta
que se les proporcione el servicio, o si el sistema está vacío, el cliente que
llega puede ser atendido inmediatamente. Después de que el servicio queda
terminado el cliente abandona el sistema.
La tasa a la cual llegan los clientes para ser atendidos se denomi-
na tasa de llegada A (lambda). Como su nombre lo indica, esta es una
tasa cuyas unidades son clientes por hora, clientes por día, etc. La tasa
a la cual la unidad de servicio puede atender al cliente se denomina tasa
de servicio uy (mu). Esta tasa tiene unidades iguales a las de A y re-
a DEFINICION DE TERMINOS 199
Sistema total
Entrada ——» O O O 63) O Q —— Salida

== hy)
Cola Unidad de
(clientes) servicio
FIGURA 8-1
Elementos principales de un sistema
de colas.
presenta la máxima capacidad de servicio suponiendo que la unidad

de
servicio no está ociosa. Normalmente se supone que estas tasas repre-
sentan un promedio de muchos valores posibles que se pueden describir
mediante una distribución de Poisson. Típicamente se debe encontrar
una tasa aceptable de llegadas de clientes para una capacidad de servi-
cio dada, o una tasa de servicio compatibie con la tasa de llegada dada.
Son posibles algunas variaciones.
Aunque es contrario a la práctica usual, en este capítulo primero se
presentan y utilizan las ecuaciones requeridas en el análisis de proble-
mas típicos. Posteriormente se deducen las ecuaciones básicas. Se ha
encontrado que la deducción puede seguirse con mayor facilidad después
de que el estudiante se ha familiarizado con los términos y conceptos.
DEFINICION DE TERMINOS
Los problemas de colas consisten en emparejar apropiadamente la tasa
de servicio proceso con la tasa de llegada de trabajos para realizar. Se
definen algunos términos básicos.
Cliente Unidad que llega requiriendo la realización de algún servicio.
Los clientes pueden ser personas, máquinas, partes, etc.
Cola (línea de espera) Número de clientes que esperan 'ser atendidos.
Normalmente, la cola no incluye el cliente que está siendo atendido.
Canal de servicio Es el proceso o sistema que está efectuando el
servicio para el cliente. Este puede ser simple o multicanal. El sím-
bolo k indicará el número de canales de servicio.
EJEMPLO 8-1 Los aficionados que esperan comprar boletos para un

juego de fútbol: Los aficionados que llegan son los clientes y el empleado
que vende los boletos es el canal de servicio. Si hay dos o más empleados,
este es un problema de multicanal.
Las cartas en espera de ser escritas a máquina: las cartas son los
clientes y la(s) mecanógrafa(s) es (son) el (los) canal(es) de servicio.
200 TEORIA DE COLAS O LINEAS DE ESPERA
Un parqueadero: Los automóviles que estacionan son los clientes y

el espacio de estacionamiento es el canal de servicio. Hay:tantos canales
como espacios de estacionamiento. En esta clase de problema se calcula
la probabilidad de que todos los canales (espacios) estén ocupados.
Tarjetas de crédito en espera de ser perforadas: las tarjetas son los
clientes, y el perforador es la unidad de servicio.
Tasa de llegada Tasa (clientes por período de tiempo) a la cual llegan

clientes para ser atendidos. La suposición con respecto a la distribu-
ción de este valor tiene un efecto grande en el modelo matemático.
Una suposición típica, que se usará en este texto, es que la tasa de
llegada está distribuida aleatoriamente según una distribución de
Poisson. El valor medio de la tasa de llegada es A.
Tasa de servicio Tasa (clientes por período de tiempo) a la cual un
canal de servicio puede suministrar el servicio requerido por el clien-
te. Se observa que ésta es la tasa que podría alcanzarse si el canal
de servicio siempre estuviera ocupado, es decir, sin tiempo ocioso.
La distribución de este valor es igualmente importante en la deter-
minación del grado de complejidad matemática. A menos que se indi-
que lo contrario, en este texto se supondrá que la tasa de servicio
está distribuida aleatoriamente según una distribución de Poisson.
El valor medio del servicio es y.
Prioridad Método de decidir cuál será el próximo cliente atendido.
La suposición más frecuente consiste en que el primero que llega, es
el primero que se atiende. Esta suposición también afecta la deduc-
ción de las ecuaciones utilizadas en el análisis.
Tamaño de la población Tamaño del grupo que proporciona los clien-
tes. Si sólo hay unos pocos clientes potenciales, la población es
finita. Si hay un gran número de clientes potenciales, por ejemplo
entre 30 y 50, generalmente se dice que la población es infinita. Otra
regla empírica es que la suposición de una población infinita gene-
ralmente es válida cuando la población de clientes potenciales es lo
suficientemente grande como para significar que la llegada de un
cliente no afecta apreciablemente la probabilidad de otra llegada.
Distribución de tasas de llegada (servicio) La suposición más fre-
cuente es la distribución de Poisson. Esta suposición requiere que
los eventos de servicio o de llegada sean completamente indepen-
dientes. Esta es probablemente una de las suposiciones más res-
trictivas y será discutida detalladamente más adelante. En todos los
casos debe recordarse que el análisis da resultados en función de
valores promedios o esperados. Además, normalmente se supone que
la tasa de servicio y las tasas de llegada permanecen constantes con
el tiempo. Realmente, esto puede no ser verdadero ya que frecuente-
DEFINICION DE TERMINOS 201
mente se emplea tiempo o esfuerzo extra cuando hay una cola muy
grande. Esto represerta un cambio temporal de y.
L., número esperaco en la cola número estimado de clientes que
esperan ser atendidos.
L, número esperado en el sistema Número estimado de clientes ya
sea esperando en la línea y/o siendo atendidos.
W., tiempo esperado en la cola Tiempo estimado que emplea un
cliente esperando en la línea.
W, tiempo esperado en el sistema Tiempo estimado que emplea un
cliente esperando más el que emplea siendo atendido, W:-= 1/2.
L,, número esperado en una cola no vacía El número promedio o
número estimado de clientes que esperan en la línea excluyendo
aquellos períodos en los cuales la línea está vacia. Por ejemplo, si se
toman muestras aleatoriamente contando el número de clientes en la
línea y promediando sólo aquellos valores diferentes de cero, este
debe ser equivalente a L.
W,., tiempo estimado de espera en una cola no vacía Tiempo esti-
mado que un cliente espera en una linea en el caso de que decida
esperar. Este valor es el promedio de los tiempos de espera de todos
los clientes que entran a la cola cuando el canal de servicio está
ocupado. Los clientes que llegan cuando el canal está vacio tienen un
tiempo de espera cero, y estos valores no se promedian en W,.
Usando estos términos, los diferentes modelos de colas se pueden

dividir en clases con base en los tipos de problemas que se modelan.
Esto permite presentar un mejor punto de vista del tema.
Tipo de problema: Modelos de

qe
Tamaño de la población: Infinito Finito

A, Á a
Número de canales: Simple Múltiple Simple Multiple
Realmente el modelo del canal simple es un caso especial del modelo

multicanal. Además de esta simple subdivisión la distribución de tiem-
pos de llegada y/o tiempos de servicio puede variarse para dar lugar
a un árbol aún más grande. Aunque en este texto sólo se trata la dis-
tribución de Poisson, otros tipos comunes son la distribución de Erlang
y las de períodos fijos o constantes. La inclusión de estas dos distribu-
ciones aumenta el conjunto de cuatro modelos hasta doce. La considera-
ción de diferentes reglas de prioridad complementa esto.
ANALISIS DE PROBLEMAS DE COLAS CON

POBLACION INFINITA
Quizás el modelo de colas más fácil de resolver es el de una cola de canal
simple que da servicio a una población infinita. Por esta razón, se consi-
dera primero. Hay siete ecuaciones básicas que pueden usarse para ana-
lizar esta clase de problemas.
La probabilidad de hallar el sistema ocupado o utilización del sis-
tema es
a
17
donde p = utilización del sistema
A = tasa de llegada, unidades/período de tiempo
u = tasa de servicio, unidades/período de tiempo
Las siguientes ecuaciones son válidas sólo cuando A/u< 1.
La probabilidad Po de hallar el sistema vacío u ocioso es

po
p =p 3 (8-1)
Ti
El número esperado L, en la cola, es
E
= 8-2
EA. Y] (6-44
El número esperado L en el sistema (cola y servicio), es
y
L= : (8-3)
u=¿2
El tiempo esperado W, en la cola, es
2
W, = : (8-4
Hu) )
El tiempo esperado W en el sistema, es
1
W = (8-5)
Mm — ¿
El número esperado L, en la cola no vacía, es
A
E, 7 - (8-6)
n=
El tiempo esperado W, en la cola para colas no vacías, es
iS
n (8-7)
H= 2
ANALISIS DE PROBLEMAS DE COLAS CON POBLACION INFINITA 203
EJEMPLO 8-2 Una máquina duplicadora para uso de oficina es utili-

zada y manejada por el personal de la oficina que necesita obtener copias,
principalmente secretarias. Puesto que el trabajo que debe duplicarse
varía en magnitud (número de páginas del original) y en el número de
copias requeridas, la tasa de servicio está aleatoriamente distribuida,
pero se aproxima a una distribución de Poisson, que tiene una tasa media
de servicio de 10 trabajos por hora. Generalmente los requerimientos de
utilización son aleatorios durante las 8 horas de trabajo diario pero llegan
a una tasa de 5 por hora. Algunas personas han observado que ocasional-
mente se forma una línea de espera y han objetado la política de man-
tener una sola unidad. Si el tiempo de una secretaria está avaluado en
$3,50 por hora, haga un análisis para determinar:
(a) Utilización de equipo
(b) Porcentaje de tiempo que una llegada tiene que esperar
(c) Tiempo promedio en el sistema
(d) Costo promedio ocasionado por esperar y hacer funcionar la
máquina.
La tasa de llegada A es 5 por hora, y la tasa de servicio u es 10

por hora.
(a) La utilización de equipo es p.
y 5
p=-== = 0
pl 0 e
Por tanto el equipo se utiliza un 50 por ciento del tiempo.
(b) El porcentaje de tiempo que una persona que llega tiene que es-
perar es simplemente el porcentaje de tiempo que el equipo está
ocupado, esto es, 0,50.
(c) El tiempo promedio W en el sistema es
l 1 Í
W= = —,_=-: =0,2 h
EA TE E sis
En promedio cada persona que llega gasta 0,20 horas esperando y proce-
sando el trabajo.
(d) El costo promedio es
Costo por día = Número de trabajos procesados por día x
costo promedio por trabajo
Costo promedio por trabajo = Tiempo promedio por trabajo
Xx $/hora
= W ($3,50/hora)
= (0,20(3,50)
Costo por día = 8(5) (0,20) (3,50) = $28 por día

EJEMPLO 8-3 Una refinería distribuye sus productos mediante ca-

miones que se cargan en el terminal de carga. Se cargan camiones de la
compañía y camiones de distribuidores independientes. Las compañías
independientes se quejan de que algunas veces deben esperar en la
línea y perder dinero por mantener esperando al conductor y al camión.
Ellos han solicitado a la refinería disponer de un segundo terminal de
carga o descontar un precio equivalente al tiempo de espera. Se han
acumulado los siguientes datos
Tasa promedio de llegada (para todos los camiones) = 2/hora
Tasa promedio de servicio = 3/hora
El treinta por ciento de todos los camiones son independientes. Supo-
niendo que estas tasas aleatorias tienen una distribución de Poisson,
determinar:
(a) La probabilidad que un camión tenga que esperar
(b) El tiempo de espera de un camión
(c) El tiempo estimado que los camiones independientes esperan
por día.
(a) La probabilidad de que un camión tenga que esperar por servi-
cio es el factor de utilización
(b) El tiempo de espera de un camión es

1 l
W,=
n
n= 3-2
(c) El tiempo total estimado que los camiones independientes es-
peran por día es
Camiones por día x “¿ de independientes x pW,
= (2 x 8)(0,30)(0,67)(1) = 3,2 horas/día
Este resultado se puede obtener por otro camino:
Tiempo esperado = Camiones/día X “¿ independientes
Xx tiempo estimado de espera/camión
= (2 x 8)(0,3W,) = 16(0,37 —%—

pu — /)
S
= 100.)
( => 3,2 horas/día
EJEMPLO 8-4 Una grúa desplaza objetos de una máquina a otra y se

utiliza cada vez que la máquina requiere carga o descarga. La demanda
de servicios es aleatoria. Los datos tomados del registro de tiempos entre

llamadas de servicio siguen una distribución exponencial, con una media
de una llamada cada 30 minutos. De manera semejante, el tiempo real
de servicio de carga o descarga toma un promedio de 10 minutos. Si el
tiempo de máquina está avaluado en $8,50 por hora, ¿cuánto vale el tiempo
perdido por día?
En primer lugar los datos se deben ordenar para obtener los valores
de y y A. Ambos son tasas, esto es, unidades por período de tiempo,
mientras que los datos están dados en función de tiempo por unidad. Si
una llamada para solicitar servicio ocurre cada 30 minutos en promedio,
esto es una tasa de dos llamadas por hora. Entonces la tasa de llegada A
es 2 por hora. Análogamente, si se emplean 10 minutos para atender un
cliente promedio, la tasa de servicio es de 6 por hora. Por tanto u= 6
unidades/hora. También puede demostrarse que si los tiempos de servi-
cio (o tiempos de llegada) están distribuidos exponencialmente, la situa-
ción es equivalente a una distribución de Poisson que tiene como base la
tasa de servicio (o de llegada).
El tiempo perdido por máquina es el tiempo promedio W del sistema.
l l ]
yE JJ k
pn=z 6-2 4 dass:
La demanda diaria de servicio, suponiendo un día de 8 horas, es 8 veces

la demanda por hora.
Demanda diaria = 8A = 8(2) = 16 llamadas para solicitar servicio/día
Puesto que cada llamada requiere un tiempo de paralización promedio
de 0,25 horas,
Costo total/día = ($8,50/hora) (0,25 horas/llamada)
(16 llamadas/día) = $34/día
Se pueden deducir expresiones semejantes para el tiempo en el siste-

ma, etc., para un problema de cola multicanal siempre y cuando se supon-
ga una población infinita. Realmente estas ecuaciones son más generales
que las dadas anteriormente ya que ellas pueden reducirse al caso de
canal simple haciendo k =1 y simplificando. Enseguida se presentan
las ecuaciones básicas.
La probabilidad Po de hallar vacío el sistema es
a) E
PS = (8-8)
ted MEL ACHDS KW)? ku=42

donde k= número de canales de servicio
A 1 tasa de llegada de clientes

u = tasa de servicio de un canal simple (se supone que todos los y
son iguales).
La probabilidad P, de que una unidad que llega tenga que esperar (pro-
babilidad de que haya k o más unidades en el sistema es)
L(AF- kp
= =|-) ——P 8-9
hi Ed [PEO er (557
El número esperado L en el sistema es
L = —_—
AMA" ¿
- 8-10
ED dede)
El número esperado L, en la cola es
AMA/WPo
1 (k= 1) ku = Ay? a
A A A 8-1 1
El tiempo esperado W, en la cola es
HR
HOP 8-12
1 (k= DiUku-2y? ca
El tiempo esperado W en el sistema es
H(A/1"Po
AMP l (8-13)
E DA ATA
EJEMPLO 8-5 Se ha objetado la situación presentada en el ejemplo 8-2

debido al resultado del último análisis. Se está considerando la posibili-
dad de instalar dos máquinas o arrendar una máquina más grande. En-
seguida se resumen los datos.
Tasa de Costo
servicio y, diario de
por hora arrendamiento
Máquina pequeña
(presente)
Máquina grande
El costo total diario es el costo de arrendamiento más el costo del

tiempo perdido. Por tanto, el costo total de una máquina pequeña se puede
determinar a partir de los cálculos anteriores
CT = (1 pequeña) = $5 (arrendamiento) + $28 (tiempo)
= $33 diarios
El costo de una máquina grande es

] ] l
W (grande) = ===> = 0,10 hora
A A
CT (grande) = $10 (arrendamiento) + (8 x 5)(0,10) (3,50) = $24 por día
Para calcular el tiempo en el sistema de dos máquinas pequeñas, primero

se calcula Po usando la ecuación (7-8):
EA
l
Po = = HA
TA
A Y, ANA
»=0 MN Mu) ku—A
|
A E PESA ZU)
mio) vada) 210) =5
l
es
01 (0,5) DS
+ 1 (0,5)! Vi + dB
3 (0,5) 220
15
poa 1 pP...
Dior 0540/1676 E DN
e HOP, 1
(k— 1) Uk 2? y
E 10(0,5)? (0,600) l
“Q=D"0D(0)
5? "10
= 0,107
Por tanto, el costo total diario es la suma del costo de arrendamiento más
el costo del tiempo perdido
CT = 2(5) + (8 x 5)(0,107)(3,50) = $24,98 por día
Esto indica que sería ligeramente menos costoso utilizar una máquina
más grande. Si la ventaja de colocar las dos máquinas en diferentes lu-
gares disminuye el tiempo para llegar a cada máquina, probablemente sea
mejor arrendar dos máquinas pequeñas.
EJEMPLO 8-6 Repetir el ejemplo 8-2 usando dos canales de igual ta-
maño.
(a) La probabilidad de que un camión tenga que esperar es igual a la
probabilidad P, de encontrar ya dos o más camiones en el sis-
tema.
kh ¡
sinplel
lsg score qu
PS PRETIAT ay 2(3)
Pa apie 213) 2
P. | 0,50
"143 +3(0,67)26/06 — 2) —
7 EZ)
0,50 = 0,25
118 0
La probabilidad de que un camión tenga que esperar es 0,25.
(b) El tiempo de espera de un camión es
A
CENA
_ 3(3) (0,50) _ 0,042
IR) =2P
Se observa que W, es el tiempo estimado que un camión tiene que
esperar. Esta no es una probabilidad condicional como W,,: por lo, tanto
debe dividirse por la probabilidad de que un camión tenga realmente que
esperar.
W,
dada my
0,042
0,25 = 0,168
(c) El tiempo total estimado que los camiones independientes tienen

que esperar diariamente es
(2 x 8) (0,30) (0,25) (0,168) = 0,202 horas/día
16(0,3W,) = 16(0,3) (0,042) = 0,202 horas/día
EJEMPLO 8-7 Una compañía telefónica está planeando la instalación

de casillas telefónicas en un nuevo aeropuerto. Se ha establecido la estra-
tegia de que una persona no tenga que esperar más del 10 por ciento de
las veces que intente usar un teléfono. Se estima que la demanda de
uso tiene una distribución de Poisson con un promedio de 30 por hora. La
llamada telefónica promedio tiene una distribución exponencial con un
tiempo medio de 5 minutos. ¿Cuántas casillas telefónicas se deben instalar?
A 30/hora
5
hora p = 12/hora
El 60
DEDUCCION DEL MODELO DE CANAL SIMPLE CON POBLACION INFINITA 209
Cuando k = 2, 2u = 24, deben instalarse por lo menos tres teléfonos

para satisfacer la demanda de servicio. Ensayar k = 5.
5-11 (30 1 (3015. 5(12)

CA Jr
Po=
o mi siX12) 5(12) -30
PE 2,52
PSA 2,58 25% 1,60
25
+ á 2! 3! e 4! 5 30
= 0,0801
Ad
Ps =725
$!
0, 00801
5503 =0,13
5(12)
— 30
Esto da una probabilidad de 0,13 de que un cliente tenga que esperar.
Ensayar k =
2 TNA TA ES E
P¿=1+ 25 + 91 dE a a” 51 +5125 75
= 1 2,5 6 q2
Pe 651 72
008162 = 0,047
Por tanto si se instalan 6 teléfonos la probabilidad de que un cliente tenga

que esperar es 0,047. Ya que este valor es menor que 0,10, este es el nú-
mero mínimo que satisface la política de la companía.
DEDUCCION DEL MODELO DE CANAL SIMPLE

CON POBLACION INFINITA
Antes de comenzar la deducción de ecuaciones básicas conviene discutir
la suposición de independencia. Cuando se hace esto, puede demostrarse
que la distribución de tasas de llegada es una distribución de Poisson
(Referencia 1). En algunos casos esto es bastante restrictivo ya que esto
requiere que las llegadas o servicios sean aleatorios e independientes
de las demás condiciones. Por ejemplo, que la media no varíe con el tiempo
y que no esté influida por el número de unidades en la cola, previamente
atendidas, etc. Esto significa que la probabilidad de llegada durante cual-
quier período de tiempo At es constante e igual a AAt. En forma corres-
pondiente, la probabilidad condicional de un servicio completo es At
dado que haya un cliente allí para ser atendido. Finalmente se supondrá
que el período de tiempo At es suficientemente pequeño para que
(At)2— 0, o sea que esta cantidad no es apreciable y se puede ignorar.
Realmente estas ecuaciones pueden deducirse por muchos métodos
diferentes, utilizando ecuaciones diferenciales, cadenas de Markov, etc.
El método empleado en este texto, se ha seleccionado principalmente por-

que es lógico y fácil de seguir y no por su rigor matemático.
En primer lugar se consideran los pasos básicos que se seguirán en
“estas deducciones. Sea n el número de unidades. en el sistema y P, (t) la
probabilidad de que haya n unidades en el sistema en el tiempo t. En-
tonces
1 Primero se determina P,(t) en función de A y u.

2 Utilizando esta expresión, se determina el número esperado id
unidades en el sistema en función de A y u.
3 Finalmente, utilizando los resultados del paso 2, se determinan
las demás expresiones de tiempo en el sistema, etc.
La probabilidad de hallar n unidades en el sistema se puede deter-
minar sumando las probabilidades de todas las formas en que este evento
puede ocurrir. Á continuación se enumeran todas las formas de terminar
con n unidades en el tiempo t+At:
Número de
Número de unidades en
unidades en Número de Número de el tiempo
el tiempo t llegadas servicios t+At
Ahora se calcula cada caso, recordando que la probabilidad de un servicio

o llegada es At o z»At y que (At)?0.
Probabilidad Probabilidad Probabilidad

Probabilidad del caso 1=de n en el X de que no x de que no
tiempo t haya llegadas haya servicios
= [P,()1(1 — 4 ADA — 1 As)
=P,(0[1 — 4 At — y At + Au(An?]
=P, (0(1 — 4 At — At)
Se recuerda que At? = 0,

Probabilidad del caso 2 =de n+1en x de que no x de
el tiempo t haya llegadas 1 servicio
= [Pr (010 — 4 Af][u Ar]
=Pa+1(t)[u At — pA(Ar)?]
n+1(1)(u At)

Probabilidad del caso 3 =de n— 1en xXx de x de que no
el tiempo t 1 llegada haya servicios
= [P,-¡(0]0A AY — y Ar)
E 1 (DO At)
Se observa que no son posibles otros casos debido al pequeño valor

de At que implica que (At)? tienda a cero. Como ejemplo, una com-
binación posible es tener n unidades disponibles en el tiempo t y luego
tener una llegada y un servicio completo durante el tiempo At. Esto
puegle expresarse en la siguiente forma:
P,(t + At) =P, (Un ADO. At)

=P, (t)luA(At)?] =0
El lector debe comprobar que a excepción de los tres casos enumerados,
las demás combinaciones darían este mismo resultado.
Ahora se suman los tres casos para hallar P, (t + At)
P, (t + At) = caso 1 y caso 2 y caso 3

POO — At — pAt) + Pr y (tu At) + P, ¡(00 Ar)
Esto se aproxima a lo que se desea en el paso 1, esto es, determinar
P, (t) en función de A y u. Sin embargo, contiene dos puntos separados
en el tiempo, t y t + At. Se recuerda que la suposición de independencia
significa que los servicios y llegadas sean independientes del tiempo. Esto
significa que la probabilidad de hallar n unidades en el sistema en el
tiempo t es igual a la del tiempo t + At. Entonces P, (t) = P,(t + At).
Sustituyendo esto en la ecuación anterior:
Pn(t) =P, (001 — 2 At — p At) +P,, 4 (01 At) + P,-¡(0)0 At)

Resolviéndola para P, +1 (t):
Pr (Du At) =P (1) —= Pa(t) + PA(0)2 At +P,(t)u At — P,- ¡(0)4 At

= P.(t) ALA + 1) =P (0) ALA
P,(t) At +) — P, -1(t) At 2
a
A+ y)
Oy y
Esto expresa la probabilidad de hallar n + 1 unidades en función de los
dos últimos pasos n y n — 1 (como en programación dinámica). Sin em-
bargo, el requerimiento final del paso 1 no ha sido logrado, esto es, aún es
necesaria una expresión general de P,(t). Para completar este paso,
se determina en primer lugar una expresión de P,(t) en función de

Polt), A y uh. Entonces puede deducirse una expresión de P,(t) en
función de Po(t), A y u. Finalmente Po (t) puede expresarse en función
“de A y u para completar el paso 1.
En primer lugar se enumeran todas las as posibles en que
Pot + At) ocurre.
CASO 1 Nada en el tiempo t, ni llegadas, ni servicios.
PADA —2AD0)
Se observa que si no hubiera unidades en el sistema, la probabilidad de

que no haya servicio sería 1.
CASO 2 Uno en el tiempo t, no hay llegadas, un servicio.

PLO(—2AD( Ar)
Po(t + At) = caso 1 y caso 2
= PADO — 2ADOD) + PDA — 2 Añ)u At
= Polt) — Po()2 At+ P,(t)u At
Se recuerda que
Pot) = Polt + At)

Pot) = Pole) — PA) At + P (0)u At
Despejar P; (t):
P(0p At =Po(0) — PO) + PAOA Al

A
P (0) = Pt) —
m7
Enseguida se deduce una expresión de P,(t) en función de Po, A

y u. Se observa que Po(t) = Po (en cualquier tiempo t) debido a la
suposición de independencia, se omite la notación del tiempo con el obx
jeto de simplificar.
(recién deducida)
DEDUCCION DEL MODELO DE CANAL sIMPLE CON POBLACION INFINITA 213
de
Pero
De manera semejante, pueden deducirse las siguientes expresiones.
A
En forma general esto se expresa como
y?
y
ys
Y EAS AN$
y
Pi (7 (8-14)
mM
Esta da P, en función de Po, A y u. Finalmente puede obtenerse

una expresión de Po en función de A y u. La forma más sencilla de
hacerlo es tener en cuenta que la probabilidad de que el canal esté ocu-
pado es la relación entre la tasa de llegada y la tasa de servicio, A/u.
Por tanto Po es 1 menos esta relación
pe dt (8-15)
TÍ
Puesto que
AN
p,=Po[;)
ye
1
Po =1--
0) co
se tiene
i
Esto completa el paso 1. Sigue el paso 2.
El número esperado L de unidades en el sistema se obtiene utilizando
la definición de valor esperado.
E(x) = Ex P0) (8-17)
Je = »P, (8-18)
2 Ao AN AN AN Ay
= ( 5) [o(2) + 1(£) + 2(*) + 3(5) + a(7) + dei (8-19)
u)L Nu y m m y
Esta es una serie infinita. Si fuera posible reagruparla como una serie
geométrica, su evaluación sería sencilla. Por tanto primero se evalúa la
serie entre paréntesis. Sea
E PA Ay?
y=0+2 +22) +3(7) +. (8-20)
Y mr mí
Una serie geométrica tiene la forma 1+ x + x2+ x3>+ --- donde |x| < 1.
Por tanto la expresión de y debe trasformarse para convertirla en una ex-
presión de forma geométrica.
Multiplicando ambos lados por A/u:
Restando
A
las dos ecuaciones término a término
e
RH p60H
A el A 2 2) Z 3 3
4 a]>>
up mm y m m
Aldo)
A+ AN?
AAA]
Puesto que A< yu, |A/u| < 1, y esta expresión es casi una serie gedmé-
trica. Para completar la conversión se suma 1 a cada lado.
A A ANS MANE CLAN
rd le) + (2) + (2) ei (8-23)
17 p Xu Y 17
La serie de la derecha es una serie geométrica convergente cuya suma es
1/(1 — A/u). Sustituyendo este valor y despejando y se obtiene
»! l
y hp 8-24
y . l —4/p na
xl a. 1
prop
l l Al
(8-25)
Ahora se sustituye el valor de y en la ecuación de L [Ec. (8-18)]
Ls ( . ”)[o+ + 22) + (2) q 18 (8-26)

A (y > lo o AB
4) (1-4/w% 1-4/p
ps AA
(8-3)
Ala AB Ju 4
Ahora el paso 3 requiere que las demás expresiones Ly, W, Wo, L», y
W, sean deducidas en función de A y y.
número esperado en el sistema

ea tasa de llegada
A
W - : (8-5)
2 M2
Debe pensarse en esto. Si en promedio hubiera siempre 10 unidades en el
sistema y llegaran a una tasa de 5 por hora, deberían permanecer 10/5 ó
2 horas para mantener el número esperado en el sistema. Expresado de
otra manera,
Número esperado en el sistema = tiempo esperado en el sistema
X tasa de llegada
número esperado en el sistema
Tiempo esperado en el sistema = Noel de TEGRAZ
El tiempo esperado Wa en la cola es

W. = tiempo esperado en el sistema — tiempo en servicio
ys
l
Ms
pl
A 2
gnaicastby
sollly ases Hsabwij (8-4)
u=4 p. uu=40 .Mu—=0/%0 Mu ñ4)
El número esperado Ly en la cola es
L. = número esperado en el sistema — número esperado en servicio
IA y
ON
_ pd Au 4) p—4u +2?
u(u — 4) u(u — 2)
As (8-2)
ZM
u(u — 4)
Se observa que el número esperado en servicio es 1 por la probabilidad de

que la unidad de servicio esté ocupada, o 1A/u.
El número esperado L, en una cola no vacía es
E Número esperado en la cola

n
Probabilidad de que la cola no esté vacía
Probabilidad de cola no vacía = 1 — Po
La == E 75 pa
dl 7
tia (8-6)
El tiempo estimado W, de espera en una cola no vacía es
W. Tiempo esperado en la cola

"—— — Probabilidad de esperar
W y) y)
so ET ] (6)
du uu—2D/0/0 Mu-24 p-A
ANALISIS DE PROBLEMAS DE COLAs CON POBLACION FINITA 217
DEDUCCION DEL MODELO MULTICANAL CON

POBLACION INFINITA
Esta deducción utiliza los mismos tres pasos de la deducción del modelo
de canal simple. La principal diferencia consiste en que una llegada no
tiene que esperar hasta que haya al menos k unidades en el sistema. Esto
requiere que se deduzcan dos casos, uno para un sistema con un número
de unidades menor que k y otro para un sistema con un número de uni-
dades igual o mayor que k. La inclusión de la variable k aumenta algo la
complejidad algebraica, pero el procedimiento no cambia. Por esta razón,
la deducción se presenta en forma condensada en la nota 1 al final del
capítulo.
ANALISIS DE PROBLEMAS DE COLAS CON

POBLACION FINITA
En algunos casos, el número de clientes potenciales es pequeño. Si este
valor es tan pequeño que la llegada de un cliente para ser atendido o la
terminación de un simple servicio afecta la probabilidad de futuras llega-
das, entonces la suposición de una población infinita ya no es válida. Por
ejemplo, si un operador atiende tres máquinas y cada una requiere aten-
ción a intervalos aleatorios, las máquinas (clientes) provienen de una po-
blación finita. Evidentemente, la probabilidad de llegada de un cliente
varía con un cambio de una sola llegada (el cliente abandona la población)
o con la terminación de un servicio (el cliente reingresa a la población).
Como regla empírica, si la población es menor que 30 deben usarse las
ecuaciones correspondientes a una población finita.
Aunque los conceptos son iguales a los usados con una población in-
finita algunos términos y ecuaciones requeridos en el análisis son dife-
rentes. Estos cálculos requieren considerable tiempo, pero si se dispone
de un computador esta operación no requiere de un tiempo. La probabili-
dad de una llegada varía según el número de clientes disponibles para
entrar al sistema. Si se define M como la población total de clientes y n
como el número de clientes que ya están en el sistema de cola, cualquier
llegada debe provenir de los M — n que aún no están en el sistema. Por
tanto, conociendo la probabilidad de una llegada individual es posible
expresar la probabilidad de una llegada. Si 1/4 es el tiempo entre requeri-
mientos de servicio de una unidad, esto es, el tiempo medio entre llega-
das de un cliente dado, entonces A es la probabilidad de que un cliente
requiera servicio durante el período de tiempo At. Se observa nueva-
mente que esto supone que la probabilidad es independiente del período
de tiempo y por tanto que tiene una distribución de Poisson. Si A es la
probabilidad de que una unidad determinada requiera servicio y hay
M — n clientes que no están en el sistema de cola, entonces la probabili-
dad de que un cliente requiera servicio es (M — n)A. Se observa que

esto todavía supone que At es tan pequeño que la probabilidad de dos o
.más llegadas no es importante. En la nota 2 se presentan los conceptos
básicos requeridos en la deducción de estas ecuaciones.
COLA DE CANAL SIMPLE, POBLACION FINITA

La probabilidad Po de hallar vacío el sistema es
l
P (8-27)
sé, lazSi n)! (2)
donde M es el número de clientes en la población. La probabilidad P, de

hallar n clientes en el sistema es
P = mid Ye (8-28
A d 9
El número esperado L de clientes en el sistema es
L= Y)mP. a Moo UA PO ic829

0 pa
y el número esperado La. de clientes en la cola es
L,=M- ¿8EZ 0 Po) (830)
COLA MULTICANAL, POBLACION FINITA

En este caso se supone que el número k de canales es mayor que 1, por
tanto 1<k< M. La probabilidad Po de hallar vacío el sistema es
l
Apo | M! =): a M! AAA
pa (8-31)
no UM=NM!n! ( | e TA (2)|
La probabilidad P, de hallar n clientes en el sistema es
M! AN
pr
P. =P.
———— (2)
|- donde 0<n<k (8-32)
pr M! Lx”
n= “MMDIKIkO (-) dondek<n<M (8-33)
COLA MULTICANAL, POBLACION FINITA 219
Se observa que n no puede ser mayor que M. El número esperado L de

clientes en el sistema es
n=k- 1 n=M n=k-1
L= Y nP.+ Y (1—)P, + ke - Y p,) (8-34)
n=0 n=k 0
El número esperado L¿ de clientes en la cola es
L,= FP(M—-mP, (8-35)

n=M
n=k
La aplicación de estas ecuaciones a problemas de colas es semejante

a la del caso de población infinita. Algunos problemas requieren una for-
mulación ligeramente diferente ya que el propósito puede ser la determi-
nación del tamaño óptimo de una población, en lugar de la tasa de servi-
cio o del número de canales.
EJEMPLO 8-8 Un mecánico atiende cuatro máquinas. Para cada má-

quina, el tiempo medio entre requerimientos de servicio es 10 horas y se
supone que tiene una distribución exponencial. El tiempo de reparación
tiende a seguir la misma distribución y tiene un tiempo medio de 2 horas.
Cuando una máquina queda en reparación, el tiempo perdido tiene un
valor de $20 por hora. El servicio del mecánico cuesta $50 diarios.
(a) ¿Cuál es el número esperado de máquinas en operación?
(b) ¿Cuál es el costo esperado del tiempo perdido por día?
(c) ¿Sería deseable tener dos mecánicos para que cada uno aten-
diera sólo dos máquinas?
(a) Para calcular el número esperado de máquinas en operación, pri-
mero se determina A y y.
Ahora se calcula Po
pl
P,=
1
1 + 4(0,2) + 4(3)(0,2)? + 4(3) (2) (0,2)? + 4(3) (2) (1) (0,2)*
= 0,4
220 TEORIA DE COLAs O LINEAs DE ESPERA
El número esperado de máquinas que no funcionan en el sistema es
; or iris ma
El número esperado de máquinas que funcionan es 4— 1 =3.

(b) El costo esperado del tiempo perdido por día se encuentra como
se indica a continuación. Si se supone un día de 8 horas el tiempo total
perdido es
8 x número esperado de máquinas que no funcionan Il 8(1) = 8 horas/día

Costo = ($20/hora) (8 horas/día) $160/día
(c) Comparar con el caso en el cual dos mecánicos atienden dos má-
quinas cada uno. Ahora M = 2. Determinar Po.
l
Po MEC
0,1
es Eal 0,5 )]
IA AAA A A
19:1:412(01/9)3821)40,2)21, 81 11148
= 0,68
Esto supone que cada mecánico y sus dos máquinas constituye un siste-
ma separado independiente. El número esperado de máquinas en el sis-
tema (por mecánico) es
0,5
El tiempo perdido esperado por mecánico es
(8) (0,4) = 3,2 horas/día
Tiempo total perdido/día = 2(3,2) = 6,4 horas/día

Costo total = 2($50/hombre) + (6,4 horas/día) ($20/día)
= 100 + 128 = $228 /día
Puesto que 228 > 160 + 50, no se justifica emplear dos hombres.
Como ejercicio, puede compararse lo anterior con un sistema similar

pero que tenga cuatro clientes (máquinas) y dos canales (mecánicos).
M=4k=2Q
COLA MULTICANAL, POBLACION FINITA 22]
1
TA FT 01 y
To
PA lena calas). +2 lora (as) |

l
ope 41 4! 4! 4!
202 +24
ao 14 ESA 24 a 4
55775 0,2%+ 570,294 02170?
Ahora se determina el número esperado L de clientes en el sistema.
n=k-1 n=M n=k- 1

L= np, + Y (n—k)P, +k(1- Y» p,)
n=0 n=
¡=k
n=2-1 n=4 n=2-—

= Y nP¿+ (DE, +2(1— y ».)
n=0 ¿
Esto significa que deben calcularse P,, P,, P3 y Ps.

Se observa que para P, y Pz, n<RkR,
M! NS
P,=P, rt
(M —"!n!
=
P, = 0,48 0,2 = 0,38

!
Ei ¿22
= 0,12
Para Pz y Pa, k<n<M,

TA MI! 35
0 ar,
Pp= 0,48 510,28 = 0,02
P,=0 e 0,2* = 0,002 (se supone = 0,00)
L = 0(0,48) + 1(0,38) + 0(0,12) + 1(0,02) + 2(0) + 2(1 — 0,48 — 0,38)

= 0 + 0,384 0+ 0,02 + 0 + 0,28 = 0,68
El tiempo perdido por día de 8 horas es 8(0,68) = 5,44 horas.
Costo total = (2 hombres)(50) + ($20/hora) (5,44)
= 100 + 108,80 = $208,80/día
Este es el menos costoso de todos. Debe esperarse que sea superior a

dos sistemas separados de dos máquinas por mecánico ya que los mecá-
¿Nnicos se utilizan mejor.
EJEMPLO 8-9 Una compañía ha decidido utilizar subestaciones locali-

zadas en la región de mercadeo para atender sus camiones de reparto. El
vicepresidente de mercadeo desea que los requerimientos de servicio y
mantenimiento no interfieran el servicio de entrega. Puesto que los camio-
nes operan 24 horas, pueden llegar a solicitar servicio en cualquier mo-
mento pero generalmente lo requieren cada 8 horas. Los procedimientos
de mantenimiento requieren una estación con capacidad para atender
10 camiones durante un período de 8 horas. El tiempo entre llegadas se
aproxima a una distribución exponencial, y la tasa de servicio tiene una
distribución de Poisson. El vicepresidente ha solicitado que sólo la mitad
de los camiones que llegan estén obligados a esperar servicio. ¿Por cuántos
camiones debe responder cada estación?
Determinar M tal que Po > 0,50. Sea M = 4.
l
P ERE AAA
qe ES M! (1)
n=o AM —m!
É
VENTE cr (DE cd a 4% a)
a o ll +=) e
= 0,647
Sea M = 5.
E EE
Or 0
+ 51bi 5!0 BR 5!0,0 + GAO
Qs. 51. 5!“
= 0.564
Esto es correcto; ensayar M = 6
Po= 570,10 + É,
6!014 6!
50,12 + 550,12 + 6!50,1% + é0,15
6!
+ So,10
= 0,485 demasiado pequeño
M = 5 da lugar al máximo tamaño de población con Po > 0,5.
Para esta población (M = 5) determinar el tiempo total perdido por

los camiones durante un período de 8 horas por estación.
COLA MULTICANAL, POBLACION FINITA 223
En cada estación, M = 5; entonces se determina el número espera-

do de camiones en el sistema. Este es el número promedio en cualquier
tiempo. El tiempo total perdido durante un período de 8 horas es 8L,.
LEMA POE
ye
Para M = 5, Po = 0,564 y
L=5-=22(1 — 0,564) = 0,64

Tiempo promedio perdido por período de 8 horas = 8(0,64) = 5,12 horas.
EJEMPLO 8-10 Un grupo de ingenieros tiene dos terminales disponibles

para realizar sus cálculos. El trabajo de cómputo promedio requiere 20
minutos de tiempo de terminal, y cada ingeniero necesita algunos cálculos
alrededor de una vez cada 2 horas, o sea, que el tiempo medio entre soli-
citudes de servicio es 2 horas. Se puede suponer que estas solicitudes
están distribuidas según una distribución exponencial. Si hay seis inge-
nieros en el grupo, determinar:
(a) El número estimado de ingenieros que esperan utilizar una ter-
minal.
(b) El tiempo total perdido diariamente.
M=6yk=Q. Sea 1 hora la unidad de tiempo. Entonces 1/1 = 2,

por tanto A=0,5 y 1/4 = 3; por consiguiente u = 0,333.
En primer lugar se determina Po.
P,= Pc pci il EARL

En an — 4) 1h? ( n= UM MR tAnos (
61 (2? 61 (M5 6bLoDy*

a) + ms) taras)
E l al 4 e 2 =P A js E =h e > a si37,346 s Uzia
n=M
(ahy =D (n —k)P,
M! y
n=k
En A da | ) k<n<M
Por lo tanto, primero deben determinarse P2, P3, Pa, EstgpuBzr

! 9 2
Pa =0,0268 qa
¿50 (5) = 0,18
Pa = 0,0268 561 se
(n? = 0,24
Pa = 0,0268 >6 a” = 0,24

(5)
1 / S
PoZo00068 14 5) = 0,16
E
Py = 0,0268 6: (5)
(22 = 0,05
E e alEU) EE A NE TU a (US
= 0+ 0,24 + 0,24(2) + 0,16(3) + 0,05(4)
VA
(b) El tiempo total perdido por día es el número esperado en la cola
L¿ multiplicado por el número de horas por día.
Tiempo perdido por día = 8(1,4) = 11,2 horas/día
Cuando se efectúan muchos cálculos sin utilizar el computador, es
conveniente referirse al conjunto de tablas publicadas por Peck y Hazel-
wood,! hechas para diferentes valores de —1/u, M y R. Haciendo
referencia a las condiciones iniciales apropiadas se busca por ejemplo el
valor calculado de Po. Esto reduce considerablemente los cálculos ma-
nuales. Otras monografías presentan una información semejante en forma
gráfica en lugar de tablas?. Algunas veces las gráficas son más conve-
nientes porque presentan la información en forma continua.
PROBLEMAS DE COLAS FORMULADOS

COMO UNA CADENA DE MARKOV
Aunque se ha dedicado considerable trabajo al desarrollo de modelos que
se ajusten a situaciones de colas, las suposiciones requeridas con respec-
to a la clase de distribución, etc., frecuentemente dificultan la selección
de un modelo adecuado. En algunos casos conviene modelar el sistema de
cola como una cadena de Markov. Esto es aún más ventajoso si se dis-
¡Peck L. G. y R. N. Hazelwood, “Finite Queueing Tables,” John Wiley
£ Sons, Inc.. Nueva York, 1968.
2A. M. Lee. “Applied Queueing Theory.” The Macmillan Company. Nue-
va York, 1966.
PROBLEMAS DE COLAS FORMULADOS COMO UNA CADENA DE MARKOV 225
Llegada Llegada
l |
Intervalo Intervalo
de tiempo de tiempo
FIGURA 8-2 | |
Especificación del tiempo de un paso Terminación Terminación
de una cadena de Markov. del servicio del servicio
pone de un computador para efectuar los cálculos matriciales. En el capí-

tulo 4 se discutieron las cadenas de Markov. En esta sección se presenta
como ejemplo un problema formulado según una cadena de Markov. En
particular, se requieren algunas adaptaciones para aproximar la suposi-
ción de una cola de longitud infinita.
EJEMPLO 8-11 Un taller de reparaciones atiende los camiones a me-

dida que llegan. Puesto que estos son de tamaño grande, sólo hay espa-
cio para estacionar dos camiones antes del servicio; esto es, la capacidad
del sistema es tres. Se han acumulado los siguientes datos con respecto
a llegadas y servicios.
Número de camiones
que llegan en Probabilidad
1 hora de ocurrencia
0 0,6
1 0,3
2 0,1
Los datos acumulados sobre tiempos de servicio, indican que la proba-

bilidad de completar un servicio en un período de 1 hora es 0,60, siem-
pre que haya una unidad para ser atendida. Ya que todos los tiempos de
servicio requieren 1 hora o más, la probabilidad de tener más que un ser-
vicio es 0.
Para formular lo anterior como una cadena de Markov, se define un
estado como el número de camiones en el sistema. Por tanto la matriz de
transición es de 4 Xx 4.
YET Za
0
1
a Pi;
3
Se define un paso como un período de 1 hora. En la figura 8-2 se presenta

la especificación del tiempo de un paso.
Como se indica en este esquema, esto supone que las llegadas ocu-
rren al comienzo de cada período. Por tanto, si la cola está previamente
vacía, una llegada puede ser atendida durante ese período. Se supone
que el servicio se completa al final de un período. El siguiente paso es for-
mular los términos p,, que forman la matriz de transición.
Pu Formas en que el evento puede ocurrir Probabilidad
Poo Ninguno allí, no hay llegadas = 0,6 0,60

Ninguno allí, una llegada, un servicio = 0,3(0,6) 0,18
Poo = 0,78
Po1 Ninguno allí, una llegada, no hay servicio = 0,3(0,4) 0,12
Ninguno allí, dos llegadas, un servicio = 0,1(0,6) 0,06
Po1= 0,18
Po2 Ninguno allí, dos llegadas, no hay servicio = 0,1(0,4) Pos = 0,04
Po3 No es posible
Verificar )',p,, = 1= 0,78 + 0,18 + 0,04 +0 = 1,00
Correcto
Pro Uno allí, no hay llegadas, un servicio = 0,6(0,6) Pio= 0,36
1 Uno allí, no hay llegadas, no hay servicio = 0,6(0,4) 0,24
Uno allí, una llegada, un servicio = 0,3(0,6) 0,18
Pr1= 0,42
Pr2 Uno allí, una llegada, no hay servicio = 0,3(0,4) 0,12
Uno allí, dos llegadas, un servicio = 0,1(0,6) 0,06
P12= 0,18
P13 Uno allí, dos llegadas, no hay servicio = 0,1(0,4) P13= 0,04
P20 No es posible Pao = Ú
Pz1 Dos allí, no hay llegadas, un servicio = 0,6(0,6) P21= 0,36
P22 Dos allí, no hay llegadas, no hay servicio = 0,6(0,4) 0,24
Dos allí, una o dos* llegadas, un servicio — 0,4(0,6) 0,24
P22= 0,48
P23 Dos allí, una o dos* llegadas, no hay servicio = 0,4(0,4)| p>23= 0,16
ER No es posible P30=
P31 No es posible Das =
P32 Tres allí, un serviciox* P32 = 0,60
P3a Tres allí, no hay serviciox P33= 0,40
* Se observa que si hay más llegadas que las que puede contener el sistema, este
se llena y las demás llegadas deben devolverse.
0 1 7) ES
0,78 0,18 0,04 0
0,36 0,42 0,18 0,04
0 0,36 0,48 0,16
ON)
SS
O A 061 04
NOTAS 227
Para responder las preguntas con respecto a este sistema, en primer

lugar se determinan las condiciones de estado estable.
V* = [0,44 0,27 0,21 0,08]

Esto significa que el sistema permanece vacío el 44 por ciento del tiempo;
esto es, Po = 0,44. El número esperado de unidades en el sistema es
Y nP, = 0(0,44) + 1(0,27) + 2(0,21) + 3(0,08) = 0,93
El número estimado de unidades que esperan es
1(0,21) + 2(0,08) 0,37
Se observa que 0,21 es la probabilidad de hallar dos unidades en el siste-

ma o una en la cola.
Como ejemplo del caso de una cola sin límite de longitud, se supone
que en este problema hay un número infinito de espacios. Para lograr esto
simplemente se trunca el problema en un número razonable de espacios.
Por ejemplo, puesto que la probabilidad de hallar dos unidades en el sis-
tema es 0,16, si se supone que el máximo número de espacios es 5, esto no
ocasiona un error grande.
0 1 2 3 4 5
o[ 0,78 0,18 0,04 0 0 0
1 0,36 0,42 0,18 0,04 0 0
210 0,36 0,42 0,18 0,04 0
310 0 0,36 0,42 0,18 0,04
41 0 0 0 0,36 0,48 0,16
s10 0 0 0 0,6 0,4
Resolviendo esta expresión para encontrar el vector de estado estable V

se obtiene
V* = [0,35 0,22 0,17 0,13 0,10 0,03]
Puesto que uv, es pequeño, el error producido por la truncación es peque-

ño, esto es, no más que el 3 por ciento puede distribuirse hasta los estados
6 y siguientes. Si v, no se hace pequeño el sistema no es estable.
NOTAS
1 Deducción del modelo multicanal con población infinita
Sea
n = número de clientes en el sistema
P, = probabilidad de hallar n clientes en el sistema
ES
k = número de canales
A= tasa de llegada de clientes
y = tasa de servicio de un canal individual
Se hacen las siguientes suposiciones:
1 Todas las tasas de servicio son iguales

2 Tanto A como y son los valores medios de una distribución de Poisson.
3 El primero que llega es el primero en ser atendido y el cliente proviene de
una cola simple; esto es, cualquier canal vacío es ocupado por el siguiente
cliente en la línea.
Primero se determina P,(t) en función de A, u, y k. Esto debe hacerse pa-
ra dos casos, uno donde n < k. Para simplificar, primero sea k = 2.
Se enumeran las formas como Po puede ocurrir en el tiempo t + AL.
A Hay clientes en el tiempo t y no hay llegadas.
B Hay un cliente en el tiempo t, se completa este servicio, y no hay llegadas.!
d=BA0> MA?)
B=PX00 —AArYMu Ar)
Sumando se obtiene
Po(t + At) = PALA — AA) + PLA — AA) Ar)
Se recuerda que si el sistema es independiente del tiempo, Polt + At) = Polt);

por tanto para simplificar puede eliminarse el índice t£.
=P. —PoA At + Pp At
A
P, =Po —=
p
Ahora se enumeran las formas en que P, puede ocurrir:

A Cero unidades en el tiempo t, una llegada, no hay servicio.
B Una unidad en el tiempo t, no hay llegadas, no hay servicio.
C Dos unidades en el tiempo t, no hay llegadas, un servicio.
Sumar A, B y C, omitiendo el índice t:
Py =PAAAt) + P,(1 — MAXI — pu Ar) + PA — y AN Qu Ar) (8-37)

——— —_—_—__—_—_—_ EII A > e
Á B C
¡La situación descrita por dos unidades en el sistema, cero llegadas y

dos terminaciones de servicio, no es posible:
0
P¿(1— AAN Au A)=P,(1—AANyAh? (8-36)
NOTAS 229
Se observa que si ambos canales están ocupados, la probabilidad de un servicio es

pnAt+ naAt= 2uAt.
P¿Qu At
— 24 At?) =P, —P(1—AAAr
t—+ A At?)
— PolA Ar)
P2(2Qu At) =P, —P, + PLA At + Pp At — Poh At
A+uAar_, A Ar
P, =P, 2p Af *2u Ar
A+p A
ir == (8-38)
Lo anterior puede generalizarse para k canales.
pp,
A
(8-39)
PS A
n=2,3,...,k
nu nu (8-40)
Se enumeran las formas para tener n unidades en el sistema en el tiempo t + At:

cuando n > 2.
A n unidades en t, cero llegadas, cero servicios.
B n + 1l unidades en t, cero llegadas, un servicio.
C n — luunidades en t, una llegada, cero servicios.
PnA(t) = A+ B+C
P, =Pr(1 — AAA — 2 At) + Pass(1— y AN Qu At)
A S » Rx A ———Á
A B
+ Pr (AAA — 2p At) (8-41)
(E
0 0
0
+ Pa-¡(0Ar— 24A AÍ%)
Pr+i A n>2 (8-42)
24 2u
Esto puede generalizarse para k canales.
A
A kp A,
ku
(8-43)
A continuación, estas ecuaciones se utilizarán para expresar P, en función

de », u, k y Po. Sin embargo, los dos casos n < k y n > k deben cónsiderarse
separadamente. Para n< k
A
P, =-—Po
p
ARE A SAZR pad A

P, o P; TR 2u led
E (EL- 1)(7
2pA p 2 Xu
A+2 EA
P;= a 3 P;
E Ad, A: (2
prop] 3 QA
Por tanto
pee) n=0,1:2, 21 k=1 (8-44)

n!Xu
Ahora se expresa P, en función de A, u, k, y Po para n > k
AH pa A
Pn ==ku nt aEE OS 2 ñ >k 37 1 (8-45)
== A
po fl DE apiieaoló
uo, $09 aolpaBiosse (8-46)
nu nu
Sea n = k.
AE (ki
=1 A
P, Pr =P
A+(k—=Du 1 AE A 1 AY *=2
———_—— - Por an Ps
ku (==! Xp ku (k — 2)! Yu
Po (AY [A DA,
K(k
— 2) Xu pk 1)
PO
«e—2DNu) M=D ku (8-47)
Sea n=kRk=w 1.
_A+kuPo (AY A 1 A aba

Ep Ear SN Ñ
Po
Na
(Ay (Ak
ku
Paya
ki Xu) ku
24 Po A k+1
(8-48)
—ktk Xp
NOTAS 231
Sea n= k + 2.
A+k A
Pira A a =P
_ A+ ku Po A AY
a k!k kpk! Xu
ña k+1 E
E p 20
A k+1 1 A1 Po A k+2
.(3 kk pk ide 0 pd
=P — Errar —
Por tanto
ye 1 AY"
"a+ m Po n>k (8-50)
Ahora Po debe expresarse en función de k, y y A. Entonces pueden usarse

los valores de P, y Po en la deducción de otras ecuaciones.
Er=1 (6:51)
La suma de todas las probabilidades posibles debe ser igual a 1. Se recuerda que
P, se expresa para dos casos, n< k-— 1 y n> kk.
=% Po A S 1
n=k-= 1 1 A n
E (5 nl > (8-25)
nes ha(7)po |+2,
1 ÉS A ñ 1
n=k-= 1 1 A n
(8-53)
Pa q.S a (7)lez 2, (2) |) an
El segundo término entre corchetes es una serie infinita. Esto requiere ser ex-
presado como un límite. Para facilitar la notación sea x = A/n.
y=Y xy Le (8-54)
n=k
A
k k+1 k+2
Esta expresión tiene la forma general de la serie geométrica convergente 1 + x +

x? + . -. Después de algunas operaciones puede obtenerse una serie de esta forma.
Multiplicando ambos lados por 1/x*
x
k
=1+ (+ y + (2) Ho (8-56)

Ahora, x/k es menor que 1 ya que x/k = A/ku< 1. Por lo tanto esta es una
serie infinita convergente con límite conocido
MS sx
SAAX E
AA x* A
TZ ELO E=z
Sustituyendo x = A/u
HOY N_N
k—=Mp
(ku Alu ku—A pe
Sustituyendo y en la ecuación original y despejando Po.
1
PO e T A n se LE A k kp
(8-58)
a=o niXu k!Nu) ku —A
Ahora pueden formularse y deducirse las diferentes ecuaciones requeridas en

el análisis. El número esperado en el sistema es
L = APA
n=0
y A n=0 n A FS
n=k-1
ri li) sd
a
n=00 nA n=00 n A n
A
n=00 n A
Utilizando un método semejante de evaluación de una serie infinita, esto se

reduce a
Ap(A/p)* Po+ A (8-10)
ADAM E
La longitud esperada La de la cola es
L3 = L — número medio que están siendo atendidos
A
= L-—k mA
A fora
p
- El tiempo esperado W, en la cola es
es py Po
A
NOTAS 233

W = tiempo esperado en la cola + tiempo esperado de servicio
= W, — Ñ
p
ES pAyWyPo A
DU y (8-13)
2 Deducción de conceptos del modelo de canal simple con población finita

Los pasos básicos requeridos son iguales a los usados en las otras deducciones.
En esta nota se muestra la deducción de los términos Po y Ps:
Enumeración de formas en que P, puede ocurrir, M > n:

A n unidades en el sistema, no hay llegadas, no hay servicio.
B n + 1 unidades en el sistema, no hay llegadas, un servicio.
C n — 1 unidades en el sistema, una llegada, no hay servicio.
P, =Pn[l — (M— mA Ari — p Ar) + Pasall—(M—n+DA Aru Ar)

mm —_—___— q AA >
A B
+ Pa¡(M—n— DAA — At) (8-60)
——___—_A—_—_—_——>
€
P, =P,
— P.(M — n)A At
— Pap At + Prsip At+ Pa-¡(M—n-+ DA Ar
Pr+r =P, ES E |A MO DE (8-61)
Esta es una expresión general de P,,, en función de P, y P,_,. Ahora se deter-

mina una expresión de P, en función de Po, A, uy y M.
n=05Po='Py
n=1:P, =Pom ()
p
- A
H=SZ2 O PES Bs [2 +1] — PAM-—1+1)-
p p
Pero
A
P, =P.M-
p
PNL [2 +1] rom?

p Y Y
=»im|
MA 1]
p p
AN?
>
5 Po MM 1% = Poy M(M — 1) (3
p p p
Y se puede demostrar que
M! (A 8-28
= Po, |- go
ala
Ahora se determina Poy en función de M, A y u.
n=M n=M M! AN n
= de E
2» Er ()
Ahora se despeja Po
1
Po ==
¡A ¡A (8-27)
=0 (M 2 n)! p
REFERENCIAS
1 Feller, William: “Introduction to Probability Theory and lts Applications,” 3a.

ed., John Wiley € Sons, Inc., Nueva York, 1968.
2 Hillier, Frederick S., y Gerald J. Lieberman: “Introduction to Operations Re-
search,” caps. 10 y 11, Holden-Day, Inc., Publisher, San Francisco, 1967.
3 Morse, Philip M.: “Queues, Inventories and Maintenance,” John Wiley€
Sons, Inc., Nueva York, 1958.
4 Saaty, Thomas L.: “Elements of Queueing Theory,” McGraw-Hill Book Com-
pany, Nueva York, 1961.
5 Saaty, Thomas L.: “Mathematical Methods of Operations Research,” cap.
11, McGraw-Hill Book Company, Nueva York, 1959.
PROBLEMAS
8-1 La ventanilla de un banco tiene un tiempo medio de servicio de 2 minutos, y

los clientes llegan a una tasa de 20 por hora. Suponiendo que los clientes
representan tasas con una distribución de Poisson:
(a) ¿Que porcentaje del tiempo estará ocioso el cajero?
(b) ¿Después de llegar cuánto tiempo gasta un cliente esperando en la línea
y en ser atendido?
(c) ¿Qué fracción de clientes debe esperar en la línea?
8-2 Una planta de procesamiento puede manejar un promedio de 25 unidades/
hora, aunque los tiempos varían debido a la condición del material que llega.
PROBLEMAS 235
La tasa de llegada y la tasa de servicio pueden aproximarse mediante una

distribución de Poisson. ¿Cuántas unidades por hora se deben asignar para
hacer que el tiempo medio del sistema no sea mayor que 4 minutos?
8-3 Una mecanógrafa copia una carta en un tiempo promedio de 8 minutos. Real-
mente este tiempo varía y está distribuido exponencialmente. Si ella necesita
el 40 por ciento de su tiempo para otras actividades, ¿cuántas cartas diarias
se espera que ella escriba?
8-4 Un aeropuerto puede atender tres aviones en 2 minutos ya sea que despeguen
o que aterricen. Si esta tasa tiene una distribución de Poisson, ¿cuál es el
tiempo medio entre llegadas (de aterrizaje o despegue) para asegurar que el
tiempo promedio de espera sea 5 minutos o menos? (Suponer una distribu-
ción exponencial del tiempo entre llegadas).
8-5 Las unidades que requieren atención llegan a una tasa de 10 por hora. Se
pueden comprar dos tipos de unidades de servicio. El tipo A puede atender
6 por hora (serían necesarias dos); el tipo B tiene una tasa de servicio de 12
por hora. Comparar el tiempo esperado en el sistema y el número esperado en
el sistema para las dos alternativas.
8-6 El proceso de descarga de camiones se realiza por medio de una pala. El tiem-
po medio entre llegadas es 30 minutos y tiene distribución exponencial. La
tasa de descarga es de tres camiones por hora. El costo de la pala y el ope-
rario es de $7 por hora. El costo de tiempo ocioso de un camión y su conduc-
tor es de $10 por hora. ¿Cuántas palas deben usarse?
8-7 Una oficina tiene una sola línea telefónica. Actualmente se hacen llamadas
(que entran o salen) a una tasa de 10 por hora. La llamada media requiere 3
minutos. ¿Cuál es la probabilidad de que cuando se haga una llamada la línea
esté ocupada? Si esta probabilidad es 0,10 o menor, ¿cuántas líneas se re-
quieren?
8-8 Una unidad de servicio tiene una tasa media de 10 artículos por hora. Estos
artículos llegan a una tasa de 7 por hora.
(a) Si ambas tasas se aproximan a una distribución de Poisson, determinar
la probabilidad de 0, 1, 2, y 3 unidades en el sistema.
(b) Si una unidad que llega no debe encontrar más que tres unidades en el
sistema con una probabilidad de 0,2. ¿Cuál debe ser la tasa de servicio?
8-9 Un operario atiende tres máquinas. Cuando las máquinas requieren atención
él las detiene y hace las modificaciones necesarias. Estas modificacio-
nes toman un tiempo medio de 10 minutos y tienen una distribución expo-
nencial. El tiempo medio entre requerimientos de servicio para cualquier má-
quina es 2 horas. ¿Cuál es la utilización del equipo?
8-10 En un taller, la práctica presente es acumular un mínimo de cuatro piezas
mal ensambladas para volver a armarlas. Si en promedio salen dos piezas
mal ensambladas por hora, ¿cuál es el tiempo medio entre tandas de piezas
para volver a armar? Suponer que la tasa+de acumulación tiene una distri-
bución de Poisson. j :
En una oficina una mecanógrafa atiende los trabajos de tres personas. Un
trabajo promedio de mecanografía requiere 30 minutos y estos varían según
una distribución exponencial. Una persona produce un trabajo de mecano-
grafía aproximadamente cada 3 horas. ¿Cuál es el valor estimado del tiempo
que debe esperar un trabajo que llega para ser comenzado?
8-12 El concreto para ser vertido es trasportado en carretillas por obreros. Un obre-
ro supervisa el vaciado y se asegura de que quede bien asentado y pulido. El
costo de un supervisor es de $8 por hora; los obreros cuestan $5 por hora.
Para efectos de cálculo, se supone que una determinada carretilla se entrega
cada 15 minutos y que la distribución de este tiempo es exponencial. El su-
pervisor requiere un promedio de 6 minutos para manipular una carga de ce-
mento. Si este tiempo también tiene una distribución exponencial, ¿cuántos
obreros deben emplearse?
8-13 Un químico ensaya diversos productos de diferentes unidades de una refine-
ría. Este tiempo y el equipo tienen un costo de $18 por hora. El puede realizar
tres ensayos por hora, pero esta tasa varía y puede describirse mediante una
distribución de Poisson. Una unidad en operación tiene un tiempo medio en-
tre requerimientos de ensayos de 2 horas con una distribución exponencial
de tiempos. Cuando la muestra requiere más de 1 hora, la utilización adicio-
nal del equipo de ensayos cuesta $100. Seis unidades funcionan continua-
mente. ¿Cuántos químicos deben emplearse?
8-14 Se reciben pagos con tarjetas de crédito a una tasa de 800 por día con una
variación que aproximadamente es Poisson. Una persona puede procesar
aproximadamente 300 tarjetas en un día de 8 horas. Hacer una representa-
ción gráfica del tiempo medio entre llegadas y procesamiento completo, en
función del número de personas utilizadas.
8-15 El aforador de un campo petrolero mide la cantidad de petróleo de un tanque
y luego lo bombea por un oleoducto. Se requieren 30 minutos para efectuar el
trabajo necesario incluyendo el tiempo de recorrido entre tanques. A causa
de otras labores, el aforador sólo dispone de 7 horas para este trabajo. Como
aproximación se supone que cada grupo de tanques requiere cerca de 3 días
después de quedar vacío para ser llenado y entrar nuevamente en servicio.
El número esperado de grupos que esperan debe ser aproximadamente igual
a la tasa promedio de servicio (7 0,5 = 14 por día). ¿Cuántos grupos de
tanques se deben asignar al aforador? a
8-16 Un camión de reparaciones a domicilio y su mecánico atienden máquinas
agrícolas. El tiempo promedio de viaje más servicio es 2 horas/máquina.
El tiempo medio entre requerimientos de servicio es 4 días. Cuando se re-
quiere servicio, el costo ocasionado por la paralización de la máquina es de
$25 por hora. El mecánico y el camión tienen un costo de $8 por hora. ¿Cuán-
tas máquinas agrícolas debe atender para minimizar los costos?
8-17 Un estudio muestra que el número de clientes que están en el momento ocu-
pando la estación afecta la probabilidad de una nueva llegada. Si se supone
que la posibilidad de servicio es 0;6, formular este problema como una cadena
Número en Probabilidad de la
la estación siguiente llegada
0 0,4
1 0,3
2) 0,2
3 0,05
4 0
PROBLEMAS 237
de Markov estableciendo todas las suposiciones requeridas. Determinar el

número esperado en el sistema y la utilización del sistema.
8-18 Un empleado atiende los clientes que llegan a una estación de servicio. El
tiempo de servicio está distribuido exponencialmente con una media de 6
minutos. Cuando hay más de un automóvil en espera de servicio, otro mecá-
nico llega a ayudar. Si la tasa de llegada de clientes es seis por hora; ¿cuál
es la probabilidad de que se requiera un empleado adicional?
8-19 Un parque de recreación tiene una rampa para botes. Se requieren aproxi-
madamente 7 minutos para lanzar o retirar del agua un bote. Este tiempo se
supone aleatorio y distribuido exponencialmente. Durante los períodos ocu-
pados, los botes llegan para ser lanzados o retirados a una tasa de cinco por
hora (con distribución de Poisson). ¿Cuál es el tiempo esperado del sistema?
¿Cuántas rampas son necesarias para hacer este tiempo igual o menor que”
20 minutos?
8-20 El administrador de una oficina desea determinar cuántas líneas telefónicas
debe tener. La llamada promedio requiere 3 minutos y tiene distribución de
Poisson. Sus primeros cálculos suponían una población infinita de clientes,
pero ahora él se ha dado cuenta de que cuando una persona está hablando,
disminuye la probabilidad de otra llamada. Hay diez personas que requieren
servicio telefónico con un tiempo medio entre requerimientos de 1 hora. Si
la probabilidad de hallar todas las líneas ocupadas cuando se necesita una
llamada es 0,10 o menos, ¿cuántas líneas telefónicas se necesitan?
o
ANALISIS DE SENSIBILIDAD
DE FUNCIONES CONTINUAS
INTRODUCCION
Algunas técnicas de análisis de sensibilidad pueden aumentar considera-
blemente la utilidad y aplicabilidad de muchos modelos de 70. El análisis
de sensibilidad ayuda en dos formas: (1) indicando la necesidad de la
exactitud de los datos y del modelo que se utiliza y (2) informando al ad-
ministrador cuanto puede desviarse de la solución óptima antes de que
puedan causarse costos excesivos. En la práctica real, los datos para el
análisis ordinariamente son escasos y frecuentemente tienen una validez
objetable. Como ejemplo, los datos del costo de almacenamiento de inven-
tarios, las tasas de futuras demandas o las tasas de llegada, los costos de
operación en períodos futuros de tiempo, y otros semejantes, casi siem-
pre son combinaciones de valores estimados y datos históricos prome-
diados. El análisis de sensibilidad permite al investigador determinar
cuales datos son más importantes y en consecuencia cuales deben deter-
minarse con mayor exactitud. Cuando se puede hacer un estimativo del
costo de mejorar la exactitud del costo de una variable, el análisis de sen-
sibilidad puede emplearse para determinar la factibilidad económica
del trabajo adicional.
En la práctica generalmente es imposible valorar completamente to-
das las variables que contribuyen a la función objetivo. En consecuencia,
deben hacerse suposiciones que simplifiquen y provean un modelo de de-
CONCEPTOS Basicos 239
cisión práctico y útil. El análisis de sensibilidad puede utilizarse para de-

terminar si estas suposiciones pueden hacerse de una manera segura o
las condiciones en las cuales son aplicables.
|
Objetivo
FIGURA 9-1
Curvas de costo total.
Vanable de decisión
Desde el punto de vista del administrador, el análisis de pao a

puede emplearse para determinar un intervalo administrativo de o -
ción. La mayoría de las técnicas de JO proporcionan a la administración
una solución óptima. El análisis de sensibilidad indica el costo de la des-
viación del óptimo indicado. El establecimiento de un intervalo de valores
para la variable de decisión da flexibilidad a la administración para ad-
ministrar y satisfacer las necesidades cambiantes sin recalcular o tener
al día la variable de decisión. En realidad, puede darse una respuesta
rápida a preguntas del tipo “que sucedería si” con respecto a los cambios
de estrategia, precios, u otros factores pertinentes. Por tanto el análisis de
sensibilidad puede dar a la administración una información más útil
que el mismo modelo original de decisión.
Este capítulo presenta algunas técnicas básicas del análisis de sensi-
bilidad de modelos continuos, las cuales indican como se aplican estos
modelos y proporcionan instrumentos para dicha aplicación. En este ca-
pítulo se consideran funciones objetivo continuas, tales como el costo
variable total para determinar el tamaño de lote de inventario. La aplica-
ción del análisis de sensibilidad a los modelos de programación lineal per-
mite obtener una información similar pero requiere un método diferente
de análisis. En el capítulo 12 se discute esta técnica.
CONCEPTOS BASICOS
La función objetivo es una expresión cuantitativa de los valores que de-
ben optimizarse. Puede ser deseable minimizar (costo total, tiempo ocioso,
mano de obra) o maximizar (ganancias o ingresos, producción, etc.) esta
función, generalmente mediante diferenciación. Ordinariamente, como se
ilustra en la figura 9-1, esta función objetivo es una combinación de tér-
minos crecientes y decrecientes. Para propósitos de estudio, puede usar-
se el modelo del tamaño del lote de inventario para ilustrar los conceptos
del análisis de sensibilidad de funciones continuas.
240 ANALISIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
El modelo CEP determina el valor del tamaño del lote que ocasiona
el mínimo costo variable total (CVT.,). Cualquier otro valor de la variable
de decisión (tamaño del lote) ocasionará un incremento del CVT. En este
“método de análisis la ecuación del costo incluye solamente aquellos com-
ponentes del costo que son función de la variable de decisión. Esto signi-
fica que la comparación se basa únicamente en los costos que pueden ser
influidos por decisiones de. tipo administrativo, o sea, selecciones de la
variable de decisión.
Para comparación, se define una medida de sensibilidad mediante la
relación CVT/CVT., donde CVT es el costo variable total realmente
causado y CVT, es el costo mínimo obtenido con el valor óptimo de la
variable de decisión, en este caso Q,. Por tanto la relación de sensibili-
dad k se define como
EEE k>1 (9-1)

k=- vr,
Se define un término de error w como la desviación de la variable de deci-
sión a partir del valor óptimo. Si Q. es el tamaño económico óptimo del
lote, cualquier otro valor Q puede expresarse como el producto de Q. y
un término de error w.
O =w0,. w>0 (9-2)
Se observa que w es una fracción decimal no negativa. Cuando w = 1,

la variable de decisión Q es exactamente Q, (óptima). Si w es mayor
que 1, Q es mayor que el óptimo; y si w es menor que 1, Q es menor que el
óptimo. Por ejemplo si w = 1,25, esto indica un valor de Q, 25 por ciento
mayor que el óptimo; un valor de w = 0,60 indica que Q solamente es el
60 por ciento del valor óptimo.
EJEMPLO 9-1 Si el mínimo costo variable total (CVT,) es $5.000,

¿cuál es la relación de sensibilidad k para un CVT real de $5.2509
A EVE a
=CVT, 5.000 Lea
Sik = 1,02 y CVT, = $6.000, ¿cuál será el valor real del CVT?
si EUE
CvT,
CVT =k(CVT, )= 1,02(6.000) + $6.120
CONCEPTOS Basicos 241
Desviación
permisible
total,
Costo
Y
SS |
| Intervalo
Costo
de operación
FIGURA 9-2 O
Intervalo de operación con baseen una
desviación permisible del costo. Xx xo Xn
Variable de decisión, Xx>
Si Q. = 600, ¿cuál es el valor del término de error w para un tama-

ño real del lote de 580?
O=w0,, w=>—=9
0,
580
w= 600 = 0,97
Si w = 1,15, ¿cuál es el tamaño real del lote?
O =w0, =1,15(600) = 690
Si el tamaño del lote real debe estar dentro del 10 por ciento del va-
lor óptimo, ¿qué intervalo de valores puede tener (Q?
Cat 1,10(600) = 660

0 inferior 0,90(500) = 540 1111
Un concepto útil en administración es el de intervalo administrativo

de operación (140) el cual expresa y presenta la sensibilidad de cualquier
modelo en una forma fácil de comprender y utilizar. Este concepto puede
aplicarse en diversas formas. Si la administración define un incremento
tolerable o permisible del costo; entonces es posible determinar el 740.
Por ejemplo, puede fijarse un incremento permisible del costo del 1% en
el CVT; según esto, puede fijarse un límite superior y un límite inferior
de Q. En la figura 9-2 se ilustra esto. Por consiguiente, cualquier valor de
la variable de decisión con ese JAO ocasionará un CVT que está dentro
del 1 por ciento del mínimo.
t
FORMULACION GENERAL, CVT = ax + b/x

La función objetivo que se optimiza puede observarse como una colección
de factores crecientes y decrecientes. Por ejemplo, la ecuación del CVT
descrita anteriormente se compone de una función de costo creciente,
por ejemplo, el costo de almacenamiento que aumenta con el tamaño del
lote, y una función de costo decreciente, por ejemplo, los costos de adqui-
sición que disminuyen a medida que aumenta el tamaño del lote. Por tan-
to el CVT es la suma de las dos curvas de costo, una línea recta crecien-
te y una hipérbola decreciente. Esto puede representarse en la forma ge-
neral.
CVT =ax + : (9-3)
El valor óptimo xo de x puede obtenerse derivando el CVT' con res-

pecto a x y despejando x cuando la derivada se hace igual a cero.
HC >
A O
b
a
Xy =
= a 9-5
(9-5)
Sustituyendo este valor de xo en la ecuación original del CVT se obtiene

el valor mínimo CVT, del CVT:
snpá b?a
sad EN de
= ab +. /ab
=2,/ab
Si se utiliza cualquier otro valor de x, el CVT tendrá un valor mayor. Utili-
zando la técnica anterior, sea x = wxo, donde w es una fracción decimal
FORMULACION GENERAL, CVT=ax+b/x 243
tal que w > 0. Esta es la desviación de x a partir de xo. Por consiguiente

el valor obtenido para el CVT es
E Br
x
= a(wx,) +
WXo
b
=aw
Jo w,/bla
/-
a
la?b me
PO
a wWV b
A
w,/ ab a oy ab
ablaa (»+-)
e (9-7)
El efecto de esta desviación del CVT puede expresarse mediante la rela-
ción de sensibilidad CVT/CVT, , k,
4 ÓN Jab(w + 1/11)
EXT, 2,/ab
k= yl»+ >) (9-8)

mM
Este resultado se obtiene en todos los casos en los cuales la función ob-
jetivo está compuesta de un término lineal creciente y un término hiperbó-
Tabla 9-1 SENSIBILIDAD DE LA VARIABLE

DE DECISION x CON RESPECTO A
LA RELACION DE COSTOS k
(CVT/CVT,)
p> EVT: Cs x CVT DE

w ES EVI: w Ko EVE
0,5 0,5 1,25 1,1 11 1,005

0,6 0,6 1,135 12 1.2 1,017
0,7 0,7 1,067 13 1,3 1,035
0,8 0,8 1,025 1,4 1,4 1,057
0,9 0,9 1,005 1,5 1,5 1,085
244 — ANALISIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
lico decreciente. Puesto que esta condición se aproxima a muchas situa-

ciones analizadas mediante técnicas de JO, el procedimiento tiene una
aplicación considerablemente más amplia que los modelos de inventario.
Si se observa que la suma de dos o más términos-lineales crecientes es to-
davía un término lineal creciente, no es sorprendente que esta misma ex-
presión se obtenga para la mayoría de los modelos ordinarios de inventario
y de remplazo simple.
Utilizando la ecuación de la relación de sensibilidad de costos se
calcula la tabla 9-1 en la cual se indica el efecto de un error o una desvia-
ción de la variable de decisión.
Esto puede interpretarse diciendo que si se utiliza un valor de x igual
a 0,8x, (20 por ciento por debajo de Q,), el CVT se aumenta en 2,5 por
ciento. Análogamente, si se comete un error de 30 por ciento por encima en
la variable de decisión, el costo agregado será 3,5 por ciento del mínimo
EVE:
EJEMPLO 9-2 En el modelo sencillo CEP (ver capítulo6)
C,0 alCD
CVT =
2 0
Esto puede expresarse en forma general mediante las siguientes sustitu-
ciones. Sea
x*=0
Ae2
b=C,D
CUE
Si x
C, = $50
D = 15.000 unidades/año
C, = $1,50 por unidad-año
C, 1,50
E ir o
b=C, D =50(15.000) = 750.000
b ¿
o No= 1.000 unidades = O,
CVT,=2,/ab =2,/0,75 (750.000) = $1.500 por año

FORMULACION GENERAL, CVT=ax+hx 245
Si se adquiere un lote d> tamaño igual a 1.500, pueden obteners

e ahorros
anuales en el elemento de costo directo debido a una reducci
ón especial
del precio. Esto ocasiona un aumento del tamaño del lote de 50
por ciento
sobre el óptimo, o w = Q'/Q = 1.500/1.000 = 1,5. Como se indica en la
tabla 9-1, un w de 1,5 ocasiona un aumento del CVT de 8,5 por ciento o
1.500(0,085) = $127,50 por año. Por tanto, económicamente es convenien-
te aumentar el CVT en $127,50 para obtener ahorros de $500 por año
en el
elemento de costo directo.
Otro ejemplo con los mismos datos, es el personal de embarque y re-
cepción que solicita un aumento del tamaño del lote hasta 1.250 para per-
mitir despachos mensuales. Ellos reclaman que esto permitirá combinar
los despachos con otro elemento y aumentar la eficiencia de manipulación
además de reducir el tiempo requerido por compra. Los ahorros estimados
son de $250 por año en elementos tangibles más intangibles. Este es un
incremento de 25 por ciento o un w de 1,25. A partir de la tabla 9-1 se esti-
ma un aumento en el CVT/CVT, de 2,6 por ciento, o sea, un aumento to-
tal de 0,026(1.500) = $39 por año. De nuevo esta es una variación justifi-
cable. 1111
Esto conduce a la deducción del concepto de intervalo administrativo
de operación (140). Es, o debe ser, de gran importancia para la adminis-
tración conocer cuanto puede desplazarse del valor óptimo calculado de la
variable de decisión antes de que se ocasione un aumento definido del cos-
to. Por ejemplo, ¿dentro de qué intervalo puede variar la variable de deci-
sión Q o x sin que el CVT aumente por encima del 1 por ciento del costo
mínimo CVT,? Esto fue ilustrado en la figura 9-2. Este JAO se deduce a
continuación.
LE 71 (E+0) (9-9)
Despejando w en función de k
Í
2k =—+w
m
2kw = 1 + w?
w?—2kw+1=0 (9-10)
Esta es una ecuación cuadrática en función de w y puede resolverse me-

diante la expresión general
donde ay +by+c=0
Según esto, a = 1,b= —2k, y c = 1.
(2) + /4k 4D) 2k+,/4k? —4

0 21) ie 2
UA
ee ci clica olor! (9-12)
Puesto que w = x/xo, el intervalo permisible de la variable de decisión

puede expresarse en función del valor óptimo.
A AA
Xo
x=x.(k Ek? — 1) (9-14)
X límite superior — Xp (k > Us mí 1) (9-15)
X límite inferior = *o (k * N k? A 1) (9-16)
EJEMPLO 9-3 En el ejemplo del tamaño económico del lote, hallar el JAO
para un incremento permisible del CVT de 1 por ciento.
CVT =1,01CV1,
cv,
A
Según el ejemplo 9-2, O, = 1,000.
O = 0, (1,01 + /1,012—1)
= 1.000(1,01 + 0,142)
O opera == MISZ
O interior = 868 1111
Se puede emplear un método similar de análisis para indicar la sensi-

bilidad de los datos de entrada. Puesto que los datos utilizados en JO'rara
vez se determinan con certeza completa, los efectos de cualquier error en la
estimación de los datos de entrada son muy importantes. Cuando se em-
plean datos objetables, este método de análisis da la oportunidad de eva-
luar el grado probable del error de decisión. Recíprocamente, este método
es una herramienta para determinar el valor de datos más exactos y por
consiguiente indica cuando debe gastarse para lograr esta exactitud.
FORMULACION GENERAL, CVT=ax+b/x 247
Se ha indicado que el valor óptimo de la variable de decisión es fun-

ción de los datos a y b.
b
0 sa (9-5)
a
,
1
Si los valores obtenidos para a y b fueran incorrectos, el valor calculado de

xo sería incorrecto y por tanto se ocasionaría un CVT por encima del
CVT.. Para este caso, sea
b' = datos de entrada (estimados)
b = datos reales, desconocidos
a' = datos de entrada (estimados)
a = datos reales, desconocidos
Cuando se utilizan estos valores estimados, se obtiene un valor no óptimo

de x
r= (9-17)
a
Ya se ha definido un término de error como
e (9-18)
LA b/a
Estos términos pueden reagruparse en componentes de relaciones comunes:
A
a
Tabla 9-2 EFECTOS EN EL COSTO

OCASIONADOS POR ERRORES
EN LOS DATOS
bo. (EAT OVT

b w CVT, W CVT,
0,5 | 0,707 1,250 0,5 | 0,707 | 1,250

0,8 | 0,894 1,025 | 0,8 | 0,894 | 1,025
1,0 | 1,000 1,000 1,0 | 1,000 | 1,000
1,2 | 1,095 1,017 1,2 | 1,095 | 1,017
15 | 1,22 1,021 1,5 | 1,225 | 1,021
20 | 1414 1,250 | 20 | 11414 | 1,250
» Suponer a, a=
+Suponer b' h Il -
Estas relaciones b'/b y a/a' son indicaciones de la desviación del valor

estimado a partir del valor verdadero. Por ejemplo, b'/b = 1,2 indica que
el valor estimado de b está 20 por ciento alto. A partir de esta relación y de
“las relaciones deducidas para k, se desarrolla la tabla 9-2 en la cual se in-
dica el efecto en el costo de un error en la estimación de datos.
Como se indica en la tabla 9-2, los errores en la estimación de los da-
tos de entrada de este modelo no tienen un efecto muy apreciable en el
costo debido a que fué utilizada una variable incorrecta de decisión.
EJEMPLO 9-4 Teniendo en cuenta que la información no es adecuada,

la validez del valor estimado de a está en discusión. Sin embargo, el inves-
tigador confía que su valor estimado está dentro del 10 por ciento del va-
lor correcto. ¿Qué efecto debe tener este error sobre el costo?
a/a' está entre 0,90 y 1,10. Puesto que
w= he =./0,9 = 0,949
a
w=./1,1= 1,049
Verificar estos dos valores de CVT/CVT, :
EWipueúo parón
UTA E LES 0,949)a
COVE
CVT, 9 ( + 1,1)= 1,005
Por consiguiente el máximo incremento del costo a partir de los datos in-
correctos podría ser 0,5 por ciento. Si este costo es menor que el costo de
obtención de datos más exactos, deben emplearse los estimativos presen-
tes. En el caso contrario deben obtenerse datos más exactos. 1111
EJEMPLO 9-5 En el ejemplo de inventario, ¿qué tan exacto debe ser el

valor estimado del costo de almacenamiento para asegurar que el costo
de un tamaño incorrecto de lote no es mayor que 0,2 por ciento del CVT, ?
CVT ==
619 ,C€,D
E
ai e
C,
u = —
Z
CVvT
CVT. = 1,002= k
w=k+./k?
—1
=1,002 +,/1,002? — 1 = 1,065; 0,939

FORMULACION GENERAL, CVT=Axr"+bx 249
a
w= =
a
e =
a
a
y E 1,065? ES 1,134
a
—= = 0,9392 = 0,882
a
C; Al
AT
Ci/Z..a
Cia sr
C, q a
Por consiguiente el valor estimado de C, debe estar dentro del 13 por

ciento por encima y 12 por ciento por debajo para asegurar que el incre-
mento del costo es menor que 0,2 por ciento del CVT, .
FORMULACION GENERAL, CVT = Ax” + bx"

Puede presentarse una formulación más general de las componentes cre-
cientes y decrecientes utilizando la ecuación general del costo del CVT
que permite otras potencias de x.
b n>0
CVT =P
=a +—,
day E 9-
(9-20)
Primero se obtiene un valor óptimo de x por diferenciación, etc.
aACcYvri_. 1 bm
TA DREA (9-21)
bm
anx""? 1 =U
+1
ao Ab qa +
=0
anx”"*" = bm
1/(m+n)
Xx, = (2) (9-22)
an
Sustituyendo x, en la ecuación del CVT (8-20) se obtiene el valor óptimo

; CvVT.. ez e b La b
bm 1/(m+n)
,Jim>+n n EE E 1
ais E A al(7) |id> mjan TF

a DAT Y Son bdesecha 9-23 )
al) me (bm/any" mn (
Esto puede trasformarse algebraicamente para dar

CVR a m n
mín +1
(9-24)
p (many em
Como se definió anteriormente, x = Wxo. Sustituyendo esto en la expre-
sión del CVT se obtiene el CVT en función de a, b, m, n yw.
CVT =a(wx,) +
(mojo
bm 1/(m+n)qn b
= al»ha a/a e
—
(m/ny"+" + 1
=q ¿m(m+mpn/(m+n)
b Jay mE ES
(9-25)
Tabla 9-3 RESUMEN DE LOs TERMINOS DE SENSIBILIDAD
Optimo Mínimo Límites de w

Ecuación valor costo variable Término de para k = 0,02
básica de su sensibilidad
decisión Yo Superior | Inferior
b 1/3 2
. b Ae
MASON A ES e 2 ab
A O
b 3
Y ax X= qa IDR
Y ax ud
SAN
h ys
Y =a (+) 1,741(ab?)'!*
A 3a
b b 1/6
« ax a;
Y -- $ (-)
db 3
JéS ax +: y 5 tabY
1/(m + m) a mín +1
Pa ha ce A
bs
na URNA
FORMULACION GENERAL, CVT=Ax"+bx7 251
Empleando estas dos expresiones del CVT y CVT, , puede evaluarse y sim-
plificarse el término de sensibilidad k
k= CVr = (amo + z) (9-26)

(VET. HPA w
Antes de evaluar este término se deben definir tanto m como n.

Empleando estos resultados, pueden evaluarse ecuaciones del CVT
compuestas de otros factores. En la tabla 9-3 se resumen algunos resulta-
dos. Como se espera, las ecuaciones que incluyen potencias más altas
de x son las más sensibles. De las ecuaciones presentadas en la tabla 9-3,
el modelo CVT = ax3 + b/x3 tiene el menor JAO y el CVT = aVx+
b/Vx tiene el mayor JA O. 111]
EJEMPLO 9-6 Suponer que una compañía maneja equipo que requiere
una inversión inicial de $30.000 y que tiene un valor despreciable de sal-
vamento. Los datos históricos indican que el costo de operación y mante-
nimiento sigue el patrón de los datos presentados en la tabla 9-4.
Un análisis de regresión indica que estos datos pueden aproximarse por la
función 1.000x!.?, donde x es el número de años de operación. Entonces
la ecuación del costo variable total promedio es
30,000
CVTP = 1.000x!.? +
Según la tabla 9,3 esta función se puede representar mediante una ecua-
ción general de la forma
ur
Y' =ax"
etA
+ ym
donde a = 1.000 '

b = 30.000
JUL |
m=l |
Tabla 9-4 DATOS DE OPERACION
Y COSTO
Años de Costo promedio

operación, x por año
1 $1.000
2 2.300
3 3.740
4 5.270
5 6.910
6 8.600
7 10.350
952 —ANALIsIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
Y, puede determinarse a partir de este valor óptimo de decisión x, y el

costo mínimo
Mpx e
x =|—
5 na N
30.000 1/1+1,2)
= |]--—_—_—__—__ == 4,31
[e da!
| m/n + 1 |
y => Mmm prim+n)
(many mtm
E 1.0001?” 30.0001?/=2 |
1/1,2+1
A
= $12.677
Si la desviación permisible a partir del costo mínimo se fija en 2 por ciento,

el intervalo de operación se puede determinar a partir de la relación de
sensibilidad.
En la tabla 9-5 se presentan algunas evaluaciones de este término.

Si se permite un aumento de 2 por ciento en el costo variable total prome-
dio, el intervalo administrativo según la tabla 9-5, está comprendido en-
tre un valor de error de u:, = 0,83 y un valor w, = 1,12. Puesto que x, =
4,31, esto significa que cualquier intervalo de remplazo entre 3,57 y 5,17
ocasionará un costo variable total promedio dentro del 2 por ciento del mi-
nimo.
Tabla 9-5 AUMENTO DEL COSTO EN FUNCION DE u
Desviación u Desviación u
a partir del Costo a partir del Costo
óptimo ., aumentado k óptimo x, aumentado k
0,1550 0,0108
0,70 0,0756 0,0202
0,80 0,0291 0,0422
0,83 0,0208 0,0700
0,90 0,0065 0,1027
0
PROBLEMAS 253
REFERENCIAS
1 Abouel-Nour, Abdel-Razek A., y James E. Shamblin: Sensitivity Anal.
of Con-
tinuous Functions, AJIE Trans., Marzo 1971, págs. 1-6.
2 Disney, R. L.: Some Comments of the Control of Inventories, Eng. Econ.,
vol. 7,
no. 3 (1962).
3 Naddor, E.: “Inventory Systems,” John Wiley 8 Sons, Inc., Nueva York,
1966.
4 Rutenberg, Y. H.: Calculation of Economic Order Quantities Using Ranges
of
Set-up Cost, J. Ind. Eng., enero-febrero 1964.
5 Solomon, M. J.: The Use of an Economic Lot Range in Scheduling Production,
Manage. Sci., julio 1959.
6 Withycombe, R.: Deviation from the Economic Order Quantity, J. Ind.
Eng.,
enero-febrero 1963.
PROBLEMAS
9-1 Se encuentra que la ecuación del costo para una fase de operación es
CVT =C,Vx>
pipes7
donde x = variable de decisión

C| = factor 1 del costo = 10
C, = factor 2 del costo = 3.500
(a) ¿Cuál es x* para que el costo sea mínimo?

(b) Representar gráficamente el costo agregado (porcentaje de incremento)
en función de x en el intervalo de x = x* + 0,50x* (Utilizar el térmi-
no de sensibilidad).
9-2 Si la ecuación de costo del problema 9-1 es válida, hallar el intervalo de x en
el cual el costo mínimo CVT no aumenta por encima del 5 por ciento.
9-3 Una compañía ha proyectado utilizar el modelo sencillo CEP para determinar
el tamaño del lote de las compras
2C,D
E E
donde C, = costo de hacer una compra = $15

D = demanda, 500 unidades/año
Cy = costo de almacenamiento de una unidad en inventario duran-
te un año, $ unidad-año
Hallar los tamaños máximo y mínimo del lote que no aumentan el CVT por
encima del 1 por ciento (el IAO).
9-4 En el problema 9-3 es difícil estimar correctamente el valor de la demanda D.
(a) Si este valor estimado hubiera sido 10 por ciento alto, ¿qué aumento ha-
bría ocasionado esto en el CVT total?
(b) ¿Qué tan grande puede ser el error del valor estimado de la demanda sin
que el CVT aumente por encima del 1 por ciento?
(c) Los procedimientos revisados de contabilidad y un nuevo análisis per-
miten estimar un mejor valor de Cz. Actualmente este valor puede te-
ner un error tan grande como 25 por ciento. Un nuevo estudio disminui-
ría la posibilidad de error hasta 5 por ciento pero costaría $300 y sería vá-
lido para 2 años. ¿Debe hacerse esto?
“9-5 El rendimiento de una máquina varía directamente con su rapidez de opera-
ción, sin embargo los costos de mantenimiento también aumentan a medida
que aumenta la rapidez de la operación. Los costos de mano de obra realiza-
da por el operario son constantes e iguales a $6 por hora. La producción típi-
ca es 10 unidades/hora, los costos de operación y mantenimiento son $1
por hora. A medida que la producción aumenta, lo costos de operación y de
mantenimiento aumentan en función del cuadro de la tasa de producción.
(a) ¿Cuál es la tasa de producción que minimiza el CVT en función del cos-
to en pesos/unidad?
(b) ¿Cuál sería este valor si los costos por concepto de sueldos fueran aumen-
tados en 10 por ciento?
(c) ¿Cuál es la máxima tasa de producción que no aumenta el CVT por en-
cima del 5 por ciento?
9-6 En un estudio de computador se ha analizado la posibilidad de poseer y ope-
rar un determinado equipo. A medida que pasa el tiempo los costos direc-
tos de operación y mantenimiento aumentan y por consiguiente el equipo se
hace económicamente menos conveniente debido a que se producen modelos
más recientes y más eficientes. El costo promedio incluyendo la depreciación
es aproximadamente igual a ;
I
Costo promedio = pd CVn
donde [ = costo de la inversión = $10.000

C costo de operación y mantenimiento en el primer año = $3.000
(a) ¿Cuál es la vida de operación de costo mínimo?
(b) En este momento parece conveniente prolongar la vida del equipo para
disminuir los desembolsos de capital. ¿Cuánto puede prolongarse la vi-
da de operación antes de que el costo promedio aumente por encima del
2 por ciento?
9-7 El costo de un producto en pesos por libra está principalmente relacionado
con la temperatura de operación del proceso. A bajas temperaturas la tasa
de reacción es tan lenta que el rendimiento es muy bajo, mientras que a ele-
vadas temperaturas los subproductos indeseables disminuyen la cantidad
de producto útil. Esta relación ha sido establecida mediante ensayos expe-
rimentales y es aproximadamente
pre0s k
Costo = —— + —=
dela E dd
donde T = temperatura, *F
P presión, 1b/pul?
k = constante empírica = 60
Para permitir una operación satisfactoria del resto de equipo la presión debe
mantenerse en 35 lb/pul?.
PROBLEMAS 255
(a) ¿Cuál es la temperatura óptima para que el costo sea mínimo?

(b) Actualmente el equipo de control mantiene una temperatura de T + 5”.
Para disminuir la variación de la temperatura deseada hasta +2" se
puede emplear un equipo mejor. Si la tasa de producción anual es 300.000
libras y el equipo puede usarse durante 3 años, ¿qué tan conveniente es
pagar para obtener un mejor control?
(c) Teniendo en cuenta que la constante k fue determinada mediante ensa-
yos experimentales limitados, su exactitud no está firmemente estable-
cida. Si es necesario se pueden realizar ensayos adicionales para veri-
ficar completamente este valor. En este momento, existe la seguridad de
que el error de k no es mayor que el 10 por ciento. ¿Cómo afectaría esto el
costo del producto?
9-8 El departamento de policía conserva registros del costo de mantenimiento
y Operación de sus vehículos. En la tabla se presentan los datos de costos de
una unidad típica.
(a) Ajustar estos datos a una curva de la forma y = ax” + b,x”.
(b) Hallar la vida de costo mínimo utilizando esta curva y compararla con
una representación gráfica de los datos.
(c) Si la vida de costo mínimo se prolonga 50 por ciento, ¿cuál será el aumen-
to de costo? Mostrar esto gráficamente.
9-9 Haciendo referencia a la ecuación
b
Y =ax" +=
x
discutir qué propiedades la harán más importante para estimar a y b correc-
tamente.
9-10 Fijar a = 1 y b = 100 y representar gráficamente la ecuación del problema
9-9 para diversos valores de n = 1, 2, 3 con m = 1 y repetir con m = 1, 2, 3
para n = 1. Discutir el efecto del valor de m y/o n en la sensibilidad. ¿Cuál
tiene el efecto más grande en el lado izquierdo (o derecho) de la curva? En
general, si al establecer un mejor valor de x, se hiciera una suposición inco-
rrecta, ¿sería mejor suponer por encima o por debajo?
Costo promedio anual Costo promedio de

Tiempo,
de operación y inversión (incluyendo
años
mantenimiento valor de salvamento)
10
PROGRAMACION LINEAL
INTRODUCCION
La programación lineal es un medio matemático que permite
asignar una
cantidad fija de recursos a la satisfacción de varias demandas
en tal forma
que mientras se optimiza algún objetivo se satisfacen
otras condiciones
definidas. Quizás esto se ilustra mejor mediante un
ejemplo sencillo. Se
puede suponer que una compañía manufacturera fabrica
dos productos 1
y 2 y que es lo suficientemente afortunada como
para vender todo lo que
puede producir actualmente. Como se indica en
la tabla 10-1, cada pro-
ducto requiere un tiempo de manufacturación
en los tres departamentos.
En la tabla 10-2 se indica el hecho de que cada
departamento tiene actual-
mente una cantidad fija de horas-hombre disponi
bles por semana. El
problema consiste en decidir qué cantidad de
cada producto debe manu-
facturarse con el objeto de hacer el mejor empleo
de los medios limitados
de producción. Si se conociera la ganancia
por unidad esto se haría con
el propósito de maximizar la ganancia. Se supone
que la ganancia por ca-
da unidad de producto 1 es $1 y de producto
2 es $1,50. En realidad, la
administración debe asignar los recursos
fijos (tiempo de manufactura
en cada departamento) con el propósito de optimiz
ar algún objetivo (maxi-
mizar la ganancia) y satisfacer algunas
otras condiciones definidas (no
exceder las capacidades de trabajo por departamento).
INTRODUCCION 257
Es posible expresar matemáticamente el objetivo y las restricciones.

Como lo sugiere el nombre de esta técnica todas estas relaciones deben
ser lineales. Realmente la programación lineal es la aplicación del álgebra
matricial a la solución de estas ecuaciones mediante la utilización de
algunas reglas especiales para asegurar que la solución satisface todas
las condiciones necesarias y aun permite obtener los mejores resultados
con respecto al objetivo. Muchos problemas del mundo de los negocios
pueden tratarse mediante programación lineal. También algunos proble-
mas que no tienen funciones estrictamente lineales dan respuestas valio-
sas cuando la aproximación se efectúa cuidadosamente. Generalmente la
labor más difícil quizás sea reconocer y formular el problema de manera que
pueda desarrollarse y producir un objetivo deseable para optimizar. Esto
requiere imaginación y comprensión tanto del problema como de la técnica
de solución. Es importante comprender cómo funciona la programación li-
neal y también la razón por la cual funciona, ya que casi siempre se requie-
ren algunas suposiciones y sin esta comprensión estas no pueden formu-
larse adecuadamente.
El primer paso en la aplicación de la programación lineal debe ser
la evaluación del objetivo. Después de hacer esto, muchas condiciones se
vuelven más aparentes, al menos con respecto a la forma. Más adelante
en este capítulo se discute con mayor detalle la formulación misma del
problema. En el ejemplo 10-1 se decidió como objetivo maximizar la ganan-
cia. Por consiguiente es necesario evaluar el problema en términos de
ganancia. En este caso, la ganancia total es simplemente, la suma de la
ganancia obtenida en cada producto. Sea x, la variable de decisión que
representa el número de unidades de producto 1 que se fabrican, y x2 el
correspondiente número de unidades de producto 2. Puesto que la ganan-
cia por unidad de 1 es $1 y por unidad de 2 es $1,50, la ecuación de la
ganancia es
Ganancia = 1x; + 1,50x> (10-1)
Esta es la función lineal objetivo que debe maximizarse.
Tabla 10-1 REQUERIMIENTOS DE

TIEMPO DE
MANUFACTURACION PARA
PRODUCIR UNA UNIDAD
DE PRODUCTO POR
DEPARTAMENTO
Tiempo de manufacturación, horas
Producto
1
258 PROGRAMACION LINEAL
Tabla 10-2 LIMITES DE LA

CAPACIDAD DE :
MANUFACTURACION
Departamento Horas-hombre disponibles por semana
Las condiciones que deben satisfacerse en este problema, son aque-

llas que evitan exceder el tiempo disponible de manufacturación en cada
departamento. Se observa que el tiempo requerido en el departamento A
depende del número de unidades que sean fabricadas tanto de producto
1 como de producto 2. Por lo tanto
Tiempo de manufacturación
requerido en el
Departamento A = tiempo requerido por unidad de 1
Xx No. de unidades que se fabrican
de 1 + tiempo requerido por unidad
de 2 x No. de unidades que se
fabrican de 2 )
= 2x1 + 2x2 (10-2)
Este requisito no debe exceder la capacidad del departamento A:
Tiempo de manufacturación requerido en A < Capacidad de A
2x, +2x,<160 (10-3)

Un análisis similar para los departamentos B y C da
x, +2x, < 120 departamentoB (10-4)

4x, + 2x, < 280 departamentoC (10-5)
Además, puesto que no es posible fabricar un número negativo de produc-

to 1 ó 2, estos valores deben ser mayores o iguales que cero
Reuniendo estas relaciones, podemos representar matemáticamente el

problema en la siguiente forma. Maximizar
Ganancia =x, + 1,5x2

INTRODUCCION 259
sujeta a las restricciones
2x, + 2x, < 160

Xx, + 2x, < 120
4x, + 2x, < 280
x1>0
x2>0
Las dos últimas restricciones de valores no negativos para las variables
de decisión siempre están implícitas y por lo tanto no se expresan formal-
mente.
Para una consideración matemática este problema puede expresarse
en términos más generales.
Sea
x,= j-ésima variable de decisión
o ! coeficiente de ganancia (o costo) de la j-ésima variable
0] ll función que debe maximizarse (o minimizarse)
“Por tanto, para n variables de decisión, el objetivo que debe maximizarse
se convierte en
Z=(1X + C2X2 +" +C¡xX3+***+C,Xx, para n variables (10-6)
Las restricciones requieren la definición de dos términos generales.
a; = coeficiente de la j-ésima variable en la ¡-ésima restricción

b; limitación de capacidad de la ¿-ésima restricción
Por consiguiente las restricciones pueden expresarse en la forma general.
GX] +0 9x2 + +413X+> >" +41.X,<d,

0A71%X; e (22 X2 o +03;¡X; TE + An Xn < b,
coo ooo ooo son onoaoooo...

o... + op en)€as5a
+... oo...»
AmiX1 HFOm2X2 4H 00 HA 4H 000 4 A Xp S Din
Típicamente el mismo problema de programación lineal puede expresarse

en una forma más condensada haciendo uso de sumatorias o de notación
matricial. Maximizar
sujeta a
: Y a¡¡x, <b; para todas las ¡=1,2,...,m
o maximizar
sujeta a
qu
AX =b
donde ¿ es un vector fila y x y h son vectores columna. A representa una
matriz m X n. Para verificar este método de notación el lector debe ex-
pandir un caso sencillo expresado por medio de esta notación.
EJEMPLO 10-1 Sean =2ym= 3 ;
24 C;X; = CiXy Sh Ca X
JA
a DATA O 3
73%
411X1 + 412X2<b,
071X¡ + 42,X2<bD,
431X¡ + 432X2 < by

Xi
O [ess ca] = C1X, + C2X
X2
411 41, by
Xy
421 022 < |Db,
X2
431 432 b,
011X, + 012X) b;
0731X, + 422Xx2| < |b,
031X¡ + A32X) b, 11//

FIGURA 10-1
Representación gráfica de tres restricciones.
INTERPRETACIÓN GRAFICA 261
125
100
75
FIGURA 10-2
Representación gráfica de la combinación
de tres restricciones
INTERPRETACION GRAFICA
Si el problema se restringe únicamente a 2 variables es posible represen-
tarlo (y resolverlo) gráficamente. Esto proporciona una mejor comprensión
del problema y facilita la interpretación de algunos pasos y resultados.
Realmente cada restricción define un área que contiene un número infini-
to de puntos, la cual no excede la desigualdad de restricción. La figura
10-1 a hasta c ilustra las tres restricciones utilizadas en el problema de
ejemplo. La combinación de estas tres en una figura (Fig. 10-2) define el
área aceptable o factible para una respuesta. Cualesquiera valores no ne-
gativos de x; y x2 que puedan estar dentro del área limitada por estas
150
FIGURA 10-3
Representación gráfica de la función 150
objetivo 2.
tres restricciones son valores factibles. El problema se convierte enton-

ces en uno de selección del punto que sea factible y que al mismo tiempo
. maximice la función objetivo.
Si se asigna algún valor arbitrario a la función objetivo, esta también
se puede representar gráficamente (Ver Fig. 10-3). Puesto que esta es
una función lineal, las pendientes de todas las líneas son iguales para
todos los valores de z, trasladados simplemente de posición. La super-
posición de las figuras 10-2 y 10-3 hace posible determinar el máximo va-
lor de z el cual todavía está sobre la arista más lejana del área factible.
Por tanto, esta es la solución que da los valores de x, y x2, que permi-
ten obtener un valor máximo de la función objetivo z sin exceder cuales-
quiera de las desigualdades de restricción.
Según la figura 10-4, los valores de la solución son
X2 40
y z=x, + 1,5x, = 40 + 1,5(40) = 100

una solución factible máxima. También es interesante verificar las res-
tricciones,
(1) 2x, + 2x, < 160
2(40) + 2(40) = 160 correcto
(2) x, +2x, < 120
40 + 2(40) = 120 correcto
(3) 4x, +2x, S 280

4(40) + 2(40) = 240 < 280 correcto
150
100
X1 + 2x) =120
X2
A + 1,5x, = 100
> x (40, 40)

2x, + 2x, = 160
A A
FIGURA 10-4 ó S
Solución gráfica del problema 50 100 150
de maximización. Xx]
INTERPRETACION GRAFICA 263
Por tanto, la solución está en la intersección de la primera y segunda res-

tricciones, como se indica gráficamente en la figura 10-4, y por el hecho
de que ambas restricciones son iguales a sus límites de 160 y 120, respec-
tivamente. Sólo en la tercera restricción (que representa el departamento
C) hay una capacidad no utilizada o de holgura.
Es importante comprender que si las restricciones y la función obje-
tivo son lineales, la respuesta factible óptima debe estar en una esquina
formada por la intersección de dos o más restricciones (o uno de los lími-
tes representados por el eje). Sólo en el caso de que la función objetivo
sea paralela a una restricción es posible que la respuesta factible óptima
se presente en cualquier otra localización, y aún en este caso la respuesta
representada en la esquina apropiada también debe ser factible y óptima.
Si se utilizaran tres variables, estas podrían representarse en yna gráfica
tridimensional en la cual las restricciones y la función objetivo serían re-
presentadas por superficies planas. No es posible representar gráficamen-
te el problema en más de tres dimensiones (más de tres variables), pero
la analogía aún es válida y se dice que las restricciones y la función obje-
tivo son hiperplanos en el espacio n-dimensional. Es importante gntender
que en todos los casos, la solución factible optimal está en la intersección
de dos o más restricciones (o ejes) y la función objetivo está representada
por líneas o por planos.
EJEMPLO 10-2 Hallar la solución gráfica del siguiente problema de op-

timización.
Maximizar
PRA
x, +x2<20
A
x, +3x,<45
—3x, + 5x,<60
AE O DS
ASA
Xx1
SOLUCION
x=15 x,=5 2=55 1111
SOLUCION ALGEBRAICA
La importancia del último concepto discutido en la sección anterior, es
que la intersección de dos líneas es un punto y puede resolverse por medios
algebraicos. Análogamente la intersección, de tres planos es un punto y
también puede resolverse por medio de ecuaciones simultáneas. Puesto
que las restricciones, tal como se expresan, no son ecuaciones sino des-
igualdades, primero es necesario modificarlas con el propósito de expre-
sarlas como ecuaciones. Esto se efectúa agregando a cada restricción un
término adicional denominado variable de holgura. De una manera carac-
terística la variable de holgura se representa por el término u,, el sub-
índice se refiere a la ¡-ésima restricción, ya que para cada restricción se
utiliza una variable de holgura diferente.
En la primera desigualdad empleada en el problema de ejemplo
2x, + 2x3 < 160 (10-3)
existe un valor no negativo u; el cual si se añade al lado izquierdo de

la desigualdad convierte la expresión en una igualdad. Por ejemplo, sea
e SO: 20
2x, + 2x, = 2(50) + 2(20) = 140
140 < 160 aún es verdadera
Añadir u, al lado izquierdo y convertir la expresión en una igualdad.
140 + u, = 160
Por lo tanto, en este caso
u, =20
Por consiguiente la variable de holgura representa el valor no negativo
requerido para hacer que exista la igualdad. En esta forma las tres res-
tricciones representadas como desigualdades se convierten en igualdades.
(1) 2x, + 2x2 < 160

(Q) x1 +2x, < 120
3) 4x, + 2x, < 280
(1) 2x, + 2x, + u, = 160
(0) x, + 2x2 + u) = 120
(3) 4x, + 2x, + uz = 280
SOLUCION ALGEBRAICA 265
Esto constituye un sistema de ecuaciones lineales simult

áneas las
cuales pueden resolverse con los medios ordinarios del
álgebra. Sin em-
bargo, en este caso hay un número infinito de solucio
nes ya que hay un
total de cinco (m + n) incógnitas y sólo tres (m) ecuaciones.
Por lo menos
dos variables deben ser iguales a cero para que exista la
solución única.
Este era realmente el caso de la solución gráfica presentada
anteriormen-
te. La respuesta optimal estaba en la intersección de la primer
a y segunda
restricciones, y para estos valores de Xx y x2 ambas
relaciones eran
iguales, es decir, u, y uz eran cero. En este caso puede
determinarse
el valor de uz
4x, + 2x7 + uy, = 280

4(40) + 2(40) + u, = 280
uz =40
Este valor positivo de uz representa una capacidad no utilizada en el
departamento C, 40 horas-hombre para ser exactos. De una manera carac-
terística esto se denomina 40 unidades de holgura.
La solución que se presenta en la intersección de las restricciones (1)
y (2) pudiera haberse obtenido algebraicamente, si se hubiera tenido com-
prensión suficiente del problema.
EJEMPLO 10-3 Suponer u; = uz = 0 [ninguna holgura en (1) y (2)].

Las tres ecuaciones se reducen a
2x, + 2x,= 160
Xi FDA 120
4x, + 2x, + uz = 280
Despejando x,, x2, uz por eliminación utilizando operaciones de fila.
PASO 1 Para obtener un coeficiente de 1 en x, se divide la fila 1 por 2.
1x, + 1x, + 0u, = 80

1x, + 2x2 + 04, = 120
4x, + 2x2 + luz = 280
PASO 2 Restar la fila 1 de la fila 2 y multiplicar la fila 1 por —4 y su-

marla a la fila 3.
Ix, 57 lx, + Ou; = 80
Ox, + 1x, + Ou, = 40

Ox, — 2x2 + luz = —-40
e 71 =U,=0
4x, + 2x, = 280
Xx2
FIGURA 10-5
Puntos de las soluciones posibles.
PASO 3 Restar la fila 2 de la fila 1 y multiplicar la fila 2 por 2 y sumarla

a la fila 3.
lx, + Ox, + 0u5 = 40
Ox, + 1x7 + Ou, =40
Ox, + Ox, + lu = 40
lo) x, =40
x =40
Si dos cualesquiera de las cinco variables en las tres ecuaciones se

supusieran iguales a cero, habrían 10 soluciones únicas diferentes. Estas
se ilustran en la figura 10-5. Sin embargo, sólo aquellos puntos que lindan
con el área sombreada son factibles. Los demás puntos exceden las res-
tricciones de por lo menos otra restricción. Por lo tanto, en este caso, las
intersecciones factibles (soluciones) se reducen a cinco, como se indica
en la figura 10-6. En este problema sencillo, es posible despejar las varia-
bles de todas las cinco intersecciones y luego utilizar aquella que dé el
mayor valor de la función objetivo. Esto es lo que se ha hecho y los resul-
tados se han resumido.
FIGURA 10-6
Puntos de las intersecciones factibles.
PUNTOa x,=x,=0:
u, = 160
uz= 120
uz
= 280
PUNTOD5D' x;¡=u,=0:
x2
= 60
u, =40
u, = 160
z = 1(0) + 60(1,5) = 90
PUNTO" u, =u, =0:

x, =40
x,=%40
uy =40
z = 1(40) + 1,5(401 = 100 máximo

PUNTOd u,=4u,=0:
y =00
: xa =20
ñ uz = 20
z = 1(60) + 1,5(20) = 90
PUNTOe x,=u,=0:
Xy = 70
uy =20
US =50
z = 1(70) + 1,5(0) = 1111
Todos estos casos representan la solución simultánea de tres ecua-

ciones lineales y como tales se pueden resolver también por métodos ma-
triciales. Por ejemplo, se considera nuevamente el punto c. Las tres
ecuaciones se obtienen fijando u, = u» = 0.
2x, + 2x, = 160

Xx + 2x, = 120
4x, + 2x, + uy = 280
En forma matricial esto se convierte en
(o)
bNN
tu
—
===% Je ANTES =
En notación de matricial, la solución es
ATAR =A 'b
IX> Il AG =
Ab
Por lo tanto debe obtenerse A-!. Esto se hace como se indica.
2 2 M0 10.0
PAZ O Os"P"0
Ae 2 Or 1
PASO 1 Obtener un 1 en la posición (1,1) de la matriz de la izquierda

dividiendo la fila 1 por 2.
1.10 N0L 0
t 2 00
4 2 1 0550. +
PASO 2 Obtener ceros en las filas 2 y 3 de la columna 1 restando la

fila 1 de la fila 2 y multiplicando la fila 1 por — 4 y sumándola a la fila 3.
1 ] 0 0 0
0 1 0 $ FPS
0 -2 l e n=
ho
nia A
PASO 3 Puesto que ya hay un 1 en la posición (2,2) de la matriz de la

izquierda se obtienen ceros en las demás posiciones de la columna 2 res-
tando la fila 2 de la fila 1 y multiplicando la fila 2 por 2 y sumándola a
la fila 3.
l 0 0 l. —1 0
De leal imatá súb
0 0 l -3 2 ]
Esto produce una matriz identidad a la izquierda y A-! a la derecha.

Ahora puede determinarse el vector x empleando A—!.
0) Xx, =40
NX) == 40
Por consiguiente un problema de programación lineal puede tratarse

con técnicas matemáticas simples. El único problema consiste en decidir
cuál intersección puede ser no solamente factible, sino también dar el
valor óptimo de la función objetivo. Como se indica más adelante, el mé-
todo simplex de solución simplemente es una combinación del álgebra
matricial con algunas reglas básicas para conducir la computación hacia
una respuesta óptima sin exceder cualesquiera restricciones.
EJEMPLO 10-4 Maximizar el siguiente problema de programación lineal

resolviendo las ecuaciones de todos los puntos de intersección.
k
z=3x,+2x,

X1 Al X2 < 20
O
x, + 3x2 <45
—3x, + 5x, < 60
En primer lugar se obtienen igualdades añadiendo variables de holgura.
Xx; +x2+u,=20
Ki + uy 2115
Xx, + 3x,+3=45
—3x, + 5x2 + 44 =60
Ahora hay seis variables x,, x2, us, Uz,: Us, Y. Us.
Puesto que solamente hay cuatro ecuaciones, por lo menos 6-4 (nú-
mero de variables menos número de restricciones) deben ser cero. Esto
da 15 (6!/4!2!), combinaciones posibles, algunas de las cuales pueden
no ser factibles. Para efectos de ilustración todas se tabulan aquí.
CASO 1 Suponer x, = x2=0.
SOLUCION
u, =20 u,=15 uz =45 uy
= 60
z =3(0) + 2(0) =0
CASO 2 Suponer x, = u, =0.
SOLUCION
== PAN, us =15 uz=-15 Uy = —40
No es factible si cualesquiera de los valores son negativos.
CASO 3 Suponer x1=uz=0. Esto no es factible a causa de la se-

gunda restricción. x, + uz = 15 si ambas son = 0, esto no es posible.
CASO 4 Suponer x, = uz = 0.
SOLUCION
xx =l5 e 4, =15 u=-—15 noes factible

CASO 5 x;¡=uu4=0.
SOLUCION
x2 =12 u, =8 uy =15 uz =9
7=0
+ 2(12) = 24
CASO6 x2=u; ll >
SOLUCION
Ep 20 u)=-5 My 925 u¿=120 no es factible
CASOT7 x2=u2=0
SOLUCION
x=15 up=5 us 30 Uy
= 105
z =3(15)
+ 2(0) = 45
CASO8 x2=u3z=0.
SOLUCION
x,=45. u=-25 .4uy=-30 u¿=195 no es factible
CASO 9. x3 = Us = 0.
SOLUCION
x, = -20 u, =40 1 ="35 u,=65n0 es factible
CASO 10 u| = Uy = 0.
SOLUCION
Xy ='15 X2=5 43 =15) u, = 80
z = 3(15) + 2(5) = 55 máximo valor de 2
CASO 11 u, =uz =0.
SOLUCION
x= 7,5 xa.= 12,5 uz =7,5 us = 20

z = 3(7,5) + 2(12,5) = 47,5
CASO 12 ul = Us = O.
SOLUCION
x,=5 x=1S5 u,=10 uz=-—5 noes factible
CASO 13 uz= uz =0.

SOLUCION
a 15 Y =:10 u=-5 Ud. »335 no es factible
CASO 14 us = us =0.
SOLUCION
ela Y =21 u, = -16 u¿=-—33 no es factible
CASO 15 us ==4 <=.
SOLUCION
1 =3% == d8 7 4 =24 tU
2= 343%) + 2(1313) = 37,5
La solución factible máxima x, = 15, x2=5,
2= 55 puede verifi-
carse en la solución gráfica presentada en la figura
10-4.
COMPUTACION SIMPLEX (M AXIMIZACION)

El método simplex de programación lineal
utiliza los conceptos básicos
del álgebra matricial para determinar la inters
ección de dos o más líneas
o planos. Comienza con alguna selución factib
le, una que satisface todas
las restricciones, y sucesivamente obtiene
soluciones en las interseccio-
nes que ofrecen mejores valores de la funci
ón objetivo. Finalmente este
método de solución proporciona un indicador
que determina el punto en el
cual se logra una solución óptima.
Se utiliza una matriz para presentar los datos.
Aunque en la literatura
se presentan diversas formas (Refs. 2
y 5), la que se emplea en este libro
ha sido seleccionada por su estrecha relaci
ón con los métodos matriciales
normales. Dentro de la matriz se asigna
una columna a cada variable real
(las x) y una a cada variable de holgura
(las u). Para cada restricción se
asigna una fila. Utilizando las tres ecuaciones de los
problemas de ejemplo
que fueron obtenidas introduciendo variab
les de holgura.
COMPUTACION SIMPLEX (MAXIMIZACION) 273
() 2x,+2x,+u, =160
(1D tds + mo 120
(3) 4x, + 2x2 + uz = 280
se obtiene la matriz
Matriz la
Xi X2 Uy uz uz - b
2 OO 160
da 200 120
4 2 0501 280
Como se puede observar, los valores insertados proceden de las tres ecua-
ciones de restricción (1) a (3). La separación vertical entre la última co-
lumna de variables (uz) y la columna de constantes (b) puede conside-
rarse como representación del signo de igualdad. Por consiguiente, dentro
de la matriz cualquier fila puede leerse como una ecuación. Por ejemplo, la
fila 2 se puede leer
Xx + 2x2 + us =120
Como se indicó anteriormente, cuando hay n variables en este caso

cinco (x1, x2, Us, Uz, y Us) y solamente m ecuaciones en este caso
tres (fila 1, fila 2 y fila 3), es necesario suponer que n= m (5-3 = 2)
variables son iguales a cero con el objeto de lograr una solución. Para un
punto inicial que satisfaga todas las tres restricciones, suponga! x, =
x2= 0. Esta es la primera solución factible. En este caso, según la
matriz la, las ecuaciones representadas por filas quedan reducidas a
lu, =160
lu, = 120
luz = 280
Se observa que estas tres variables de la matriz forman una matriz iden-
tidad. Las variables representadas por las columnas que componen esta
matriz identidad se dice que están en la solución mientras que las demás
son cero. Las variables en la solución también se denominan frecuente-
mente variables básicas mientras que aquellas que no están en la solu-
ción, o sea, las que son iguales a cero, se denominan variables no básicas.
1 En una sección posterior de este capítulo se discutirá el medio de obte-

ner una solución factible cuando el punto cero no es satisfactorio.
En el procedimiento simplex en seguida se despeja otra intersección

de las líneas de restricción (planos), que proporcione un mejor valor de la
función objetivo; en este caso se incrementaría la función objetivo. En
términos de álgebra matricial, esto se efectúa suponiendo que una de las
”
variables básicas (diferentes de cero) es cero y resolviendo el nuevo siste-

ma de ecuaciones para la intersección que representa ese sistema de
ecuaciones. Para hacer esto en una forma sistemática que siempre mejore
el valor de la función objetivo se requiere agregar una fila ad:cional a la
matriz. Esta fila (la fila inferior) está formada simplemente por los coefi-
cientes de la misma función objetivo, como se indica en la matriz 1b.
Matriz b
Xi X2 Un UU b
O) A 10.0 160
QpT 2 0.1.0 129
g4 2 0-07 1 280
Lilo 030:0 0
Si la función objetivo se escribe de manera que incluya todas las cinco

variables, se obtiene
z= Lx 3 1,5x = Ou; ar 0u, + Ou, = 0 (10-7)
como se indica en la matriz 1b. Se observa que para los valores supuestos
de x,=0 y x2=0, z es igual a cero.
Realmente, en una ecuación lineal, estos coeficientes son las deriva-
das parciales de la función z.
Ea
0
OXy du; 0uz
0
ess edo
0X> 0u»
Por tanto estos valores representan la pendiente de la función objetivo

con respecto a cada una de las variables. Una pendiente positiva indica
un valor creciente de la función 2 a medida que aumenta la variable,
como en cualquier problema de cálculo.
EJEMPLO 10-5 La figura 10-7a indica gráficamente
JS: —2x
23
$
e E
=
FIGURA 10-7a FIGURA 10-7b
Diferenciando con respecto a x se obtiene

dy a
dx
Esto indica que el valor de y disminuye 2 unidades por cada unidad

de incremento de x. Gráficamente, esto significa que la pendiente de la
línea con respecto a x es —2.
Considerar la función de tres variables
y =3X1 —Xx2+3
Esta función se representa en la figura 10-7b. Tomando derivadas par-

ciales con respecto a x, y x2 se obtiene
dy 3 y 0
DE Ohne
Esto indica que un aumento de una unidad en x, aumenta el valor de

y en ¿3 unidades, mientras que un aumento de una unidad en x2 dis-
minuye el valor de y en — 1 unidad (pendiente negativa). 111!
En este ejemplo, los coeficientes de la fila z de la matriz 1b indican
que un incremento de 1 unidad en x2 aumenta z en 1,5 unidades. Aná-
logamente, incrementando u;, uz O ug no se aumenta el valor de z ya
que sus respectivas diferenciales parciales son cero. Esto se esperaba, ya
que estas variables no tienen valor en la función objetivo. Por consiguien-
te, parece más conveniente aumentar el valor de x2, esto es, suponer
x2 0. La siguiente decisión consiste en determinar cuál de las varia-
bles presentes ahora en la solución (variables básicas), debe suponerse
igual a cero para permitir que x2 tenga un valor diferente de cero.
Este paso requiere comprender exactamente lo que representan las

variables de holgura y las constantes (columna b). La columna b se obtuvo
¿2 partir de los límites de capacidad de cada departamento. Por lo tanto
representa los recursos totales disponibles para asignar. Esta capacidad
no puede alcanzar un valor negativo; o sea, interpretada físicamente, no
se pueden asignar más recursos (capacidad) de los que están disponibles.
Las variables de holgura representan la diferencia entre lo que ha sido
asignado y lo que queda por asignar, esta es la razón del término variable
de holgura. Cuando una variable de holgura es cero, todos los recursos
originalmente definidos por esa restricción han sido asignados. Esto se
interpreta gráficamente diciendo que la solución está en algún punto
sobre la línea límite.
En este problema las variables representan la capacidad de cada de-
partamento. Así el departamento 1 tiene 160 unidades de capacidad, el
departamento 2 tiene 120 unidades de capacidad y el departamento 3 tiene
280 unidades de capacidad. Puesto que la primera solución factible está
en xi = x2=0, sin producción, evidentemente la holgura es igual a la
capacidad máxima.
Puesto que xz ha sido seleccionada como la variable que debe au-
mentarse, el problema es cuánto incrementarla. Se puede aumentar hasta
exceder la capacidad de producción de un departamento, o sea elimi-
nando toda la holgura de un departamento. Con respecto al problema ori-
ginal, sé observa que cada unidad de xz requiere 2 horas-hombre en los
departamentos 1, 2, y 3. Esto también puede observarse a partir de las
ecuaciones de restricción representadas en la matriz 1b.
3) 4x, + 2x, + uy = 280
En el departamento 1, representado por la fila 1, x2 puede aumentarse

hasta un valor máximo de 160/a1> = 80 unidades. Esto se obtiene alge-
braicamente a partir de la ecuación de la fila 1.
2x, +2x>,+u, =160
Se supone x,=0
Si se disminuye u, hasta su valor mínimo (cero), ¿qué tan grande

puede ser x2?
2(0) + 2(x,) + 0 = 160

x2 = 160/2 = 80 unidades máximo para la línea 1
1S0 (c)
A
pe mA 2x) = 280
(b)
100 x,=80
2x2 + 2x, = 160
SO 100 150
Xx]
FIGURA 10-8
Restricciones limitantes
Similarmente para (2) y (3)
(2) Xx + 2x3 +14, = 120

0+2x,+ 0=120 siuz=0yx,=0
x,=-+32=60 unidades máximo para la línea 2
(3) 4x, + 2x, + uy = 280
4(0)
+ 2x,+ 0=280 siu=0yx,=0
x, = 252% = 140 unidades máximo para la línea 3
Después de lograr el máximo de cualquier fila (departamento), x2 no se
puede aumentar adicionalmente sin convertirse en no factible. Por tanto,
el primer máximo que se logra define el valor limitante de x2, en este
caso según (2) xz= 60 es el límite. En este punto uz es ahora cero de-
bido a que toda la holgura se ha eliminado.
Este efecto también puede mostrarse gráficamente. La figúra 10-8
indica los tres valores calculados. Los puntos a, b, y e indican los máxi.-
mos valores permisibles de xz, debido a las respectivas capacidades de
los tres departamentos. Se observa que cualquier valor de xz superior
a 60 excede la línea límite indicada por la restricción x, + 2x, = 120.
El paso final de esta iteración consiste en calcular los valores de la
intersección donde x;=uz=0. Una vez hecho esto, puede cambiarse
la matriz con xz, u; y uz los cuales forman la matriz identidad, o sea,
están en la solución. El cómputo puede hacerse efectuando operaciones

con las filas de la matriz para convertir la columna x2 en miembro de la
. matriz identidad, con un 1 en la fila representada por la restricción limi-
tante (2). :
Se comienza multiplicando la fila 2 por ¿ para obtener 1 en la fila
clave (la restricción límite) y la columna clave (la nueva variable 40, x2).
Matriz 2a
Xi xa uy uz uz b
2 Z 1 0 0 160
4 1 0 J 0 60
4 1 0 0 1 280
1 15 0 0 0 0
Se efectúan operaciones con las filas para obtener ceros en todos los otros
espacios de la columna clave (x2). Multiplicar la fila 2 por — 2 y sumarla
a la fila 1.
Matriz 2b
X1 X2 uu 43 b
1 0 1 —]1 0 40
y Ir 0 y) 0 60
4 2 0 0 1 280
l 15 0 0 0 0
Multiplicar la fila 2 por —2 y sumarla a la fila 3.

Matriz 2c
Xi X2 Uy UU uz b
1 0 1 —]1 0 40
O E ME 60
3 0 0 —1 1 160
1 1,50 0 0 0
Multiplicar la fila 2 por —1,5 y sumarla a la fila z, completando esta

A E :
POBEOS Matriz 2d
Xi X2 Us uz 43 b
lindos ho 0 40
4.1.0 1-0 60
3 001051 siba a 160
40.0-3 0 —90
Se observa que en la matriz 2d, si se intercambian las columnas x2 y

uz, todavía podría existir la matriz identidad. Esto normalmente np se
hace. En el proceso terminado, se emplearon operaciones de inversión de
matrices para despejar una nueva variable x2 diferente de cero. Los
resultados obtenidos, son los mismos que se hubieran logrado mediante la
inversión básica de la matriz empleada para resolver ecuaciones lineales
simultáneas. La matriz 2d todavía consta de ecuaciones representadas
por filas con variables básicas (diferentes de cero) y variables no básicas
(cero). Esto se expresa en la siguiente forma: variables no básicas (de
valor cero): ii)
: Ne pr . .
no representadas en la matriz identidad
u =
Variables básicas (valores diferentes de cero):

0 0
uy =40 desde ás Ox, +u, — ás 0u, = 40
0 0
ea desde DÁ, y DÁ o 260
0 0
uz = 160 desde 3%+ Mc, +08; ] 2 +4, =160
Se puede mostrar fácilmente que el procedimiento anterior da una
respuesta igual a la obtenida mediante una solución básica de la matriz.
Si x, = uz = 0, entonces
u, + 2x, + 0u, = 160
Ou, + 2x, + 04 = 120
Ou; As 2x, + uz = 280
Ordenando para inversión de la matriz, esto se convierte en

la PO. AL
0. 250 0.10
GA. y:
Multiplicando la fila 2 por 3:

1.2. 0 100
COS O) 0310
0-2 1 0 (q
Multiplicando la fila 2 por — 2 y sumándola a la fila 1 y a la fila 3:

r 00 l —1 0
0:11: 0 yO 3 0
0 0 1 0: —1 1
Despejando los valores de u,, x2 y uz:

£=45
e 1d: 07] 160
Orochi 120.100
0) +1 141280
1(160) + —1(120) + 0(280)
=|0(160) +4(120) + 0(280) |
0(160) + —1(120) + 1(280)
40
=| 60
160
uy 60 u, =60
Xa =)..40 lo) x, =40
uz 160 uz = 160
Se observa que la inversa A—1 está formada por las mismas columnas
us, Uz y uz (la matriz identidad original) de la matriz 2d.
Ahora se tienen en cuenta la última fila, la fila z, y los valores de la
parte inferior de la matriz. Los coeficientes aún representan las pendien-
tes de la función objetivo con respecto a las variables. Bajo x, está el
valor ¿ que indica una pendiente de 1; esto es, un incremento de 1 unidad
en x, aumenta la función 2 en + de unidad. El coeficiente de la parte
inferior de uz es —¿, indicando que un aumento de una unidad en esa
variable hace disminuir z en 4 de unidad. Esto es lógico, ya que la hol-
gura en el departamento B, representado por uz, sólo puede obtenerse
disminuyendo xz y por consiguiente la fabricación de un producto apro-
vechable. Los demás coeficientes del lado izquierdo son cero, lo que indica
que no puede obtenerse ganancia aumentando estas variables, o sea, que
su valor límite ha sido alcanzado. Por tanto conviene aumentar x, ya
que esta es la única variable que puede causar un aumento de 2. De esta
manera la columna x, se convierte en la columna clave de la siguiente
iteración. El —90 de la columna b representa el valor de z de la solución
presente. Realmente en este caso el signo debe invertirse para problemas
de maximización. Esto puede verificarse sustituyendo los valores
de la
solución presente en la función objetivo.
Z=1x, + 5x, + 04, + Ou, + Ou,

= 1(0) + 1,5(60) + 0(40) + 0 + 0(160)
=00
Esto significa realmente que z tiene un costo negativo de 90 unidades y
por consiguiente una ganancia de 90.
(0, 0), Primer punto factible
z2= x1+ 1,5x,= 90
3)
N Xx]
FIGURA 10-9
Resultado de la primera iteración.
En la figura 10-9 se representa gráficamente esta solución. Esta itera-

ción se ha desplazado desde la primera solución factible x,=x2=0
hasta una solución mejorada x,= 0, xz2= 60. Se observa que la solu-
ción se ha desplazado desde una intersección, la de los ejes xi y x2
hasta la siguiente intersección factible. x1 =0 y x1+ 2x2 = 120.
Ya se ha determinado que aumentando x, se puede aumentar 2
puesto que solamente x, tiene una pendiente positiva, como se indica
en la línea inferior de la matriz 2d. La columna x, es entonces la columna
clave. En seguida se determina cuánto puede incrementarse x, antes de
alcanzar una restricción.
Leyendo las filas como ecuaciones y haciendo tender a cero las de-
más variables, se obtiene
A
eel
e 1 00 <40
A
Disk +07 0% + pl +0 =60
he eos. BO
o a +0d +0 1 + n= 160
Por tanto los límites presentes de x, de cada restricción son
(Dx =%2=40
(2) 60
11 =>=120
+
(3) — x,=%2%=534
De estas, la fila 1 es la que tiene el menor valor permisible de x,. Por
consiguiente puede incrementarse x, hasta un valor máximo de 40, y la
fila 1 se convierte en la nueva fila clave.
Empleando el mismo procedimiento anterior, se comienza dividiendo
la fila 1 por el coeficiente de x, en la fila clave, en este caso un 1. Por lo
tanto no hay cambio en la matriz.
Matriz 3a
X1 X2 Uy u> u3 b
1 0 l —1 0 40
E O O DES 60
3 0 O —]1 l 160
1 0 0 —3 0 —90
En seguida se multiplica la fila 1, la fila clave, por —3 y se suma a la

fila 2 para obtener un cero en la siguiente posición de la columna clave.
Matriz 3b
Xi Xx uy u> u3 b
1 0 l —] 0 40
ep: ld cd 40
3 0 0 —1 1 160
] 0 0 -3 0 —90
Multiplicar la fila 1 por —3 y sumarla a la fila 3.
Matriz 3c
Xx Xx uy U? uy b
] 0 l —] 0 40
0 Il —) 1 0 40
0 0 -3 2 1 40
A e e td. —90
75
2= x1+ 1,5x.= 100
so
MAAA
Xx2
25
25 40 S0 75
FIGURA 10-10
Solución final.
Finalmente se multiplica la fila 1 por —j y se suma a la fila z para obtener

ceros en todas las posiciones de la columna clave a excepción del 1 de la
fila clave.
Matriz 3d
Xy X2 4 43 uz b
1 0 1 —1 0 40
0 l —y 1 0 40
0 oO -—3 2 1 40
0 0 - —¿ 0 —100
La matriz 3d indica que se ha logrado una solución optimal debido a

que la función objetivo no puede incrementarse adicionalmente mediante
el incremento de cualquiera de las cinco variables. La fila z indica que
ni xi, ni x2, ni uz pueden incrementarse (todos los coeficientes son
cero), y un aumento de u, o uz Oocasionaría una disminución de z2 debido
a las pendientes negativas. En esta solución x,=40 y x2= 40. El
valor final de la función objetivo es
z= x1 + 1,5x2 = 40 + 1,5(40) = 100
Esto se ilustra en la figura 10-10.

La inspección de esta figura indica que ninguna otra solución facti-
de
ble puede dar un valor mayor de la función objetivo z. El valor final
40 unidade s de capacid ad
us = 40 indica que en el departamento C hay
(horas-hombre) que no se utilizan completamente. Esto se ilustra en la

figura 10-10 por el hecho de que el punto de la solución está dentro de la
línea de restricción que representala máxima capacidad del departamen-
“to C. Se observa en la figura 10-10 que pueden fabricarse 10 unidades
más de x, antes de alcanzar la línea de restricción del departamento C,
distancia a. Puesto que para fabricar una unidad de x, se gastan 4
horas de tiempo en el departamento C, esto representa 4 x 10 ó 40 horas-
hombre no utilizadas. Análogamente, el punto de la solución está 20 uni-
dades de x2 por debajo de la fila de restricción del departamento C.
Como antes, esto representa también 2 xXx 20 = 40 horas-hombre de ca-
pacidad de producción no utilizada.
Se había podido obtener la misma respuesta utilizando los métodos
de solución del álgebra matricial típica. Puesto que esta solución está en
la intersección de las dos primeras restricciones, tanto u, como uz son
cero. Por consiguiente la solución se obtiene a partir de las tres ecua-
ciones de restricción:
2x, + 2x2 + 0u, = 160
x, + 2x + 0uz = 120
4x, +2x,+ uz =280
Expresadas en forma de matriz se convierten en
2
1 Il
4 NN
N ee)
A]
2.
3) GU
UTERA
RE Larra)
Nm 0)
—
VERA
ooo
NNan
o— A]
O Ai=b
Ahora debe hallarse la inversa, A7!.
wn NN
HKh-—
EA N ESOS
Mi ¡SMA
O)SENS
e)
RNA,
Multiplicando la fila 1 por !.

1.1.0 2900550
l NN220 Q:8 dis0
4:21
N 0.404
Restando la fila 1 de la fila 2 y luego multiplicando la 1 sos — 4 y sumándola
a la fila3.
O 0.0
0 1 0 id
0 -2 1 ls
COMPUTACION sIMPLEX (MAXIMIZACION) 289
Restando la fila 2 de la fila 1, luego multiplicando la fila 2 por 2 y sumán-

dola a la fila 3.
RO” 50 1 —1 0
00170 E
0501 —-3 E) 1
Por tanto
A
As l-4 1.0
E DS:
Se observa que esta es una matriz igual a la obtenida en la matriz 3d de
la solución final bajo las columnas u,, uz y uz. Despejando x,, x2 y
x3 se obtiene
1 —]1 0][160
a A a
=3 2 11/1280
E + 1201)+ 200
160(—4) + 120(1) + 280(0)
160(—3) + 120(2) + 280(1)
Xy 40
x>,| = [40 la columna b de la matriz 3d
uz 40
Los pasos requeridos en el método simplex pueden resumirse en un

esquema de procedimiento una vez comprendido el razonamiento. Esto
se efectúa en los siguientes parágrafos, desarrollando otro problema bas-
tante sencillo de maximización con programación lineal.
PASO 1 Definir el objetivo que debe maximizarse en función de las

variables de decisión
z=3x, +2x, + 6x,
las des-
PASO 2 Definir las limitaciones del problema en función de
igualdades de restricción utilizando las variables de decisión .
6x, + 3x, — 4x3, < 60
2x, — 4x2, + 4x,<%40
3x, + 3x2, +3x3<60
3 Convertir las desigualdades en igualdades agregando variables

PASO
de holgura. 6x, + 3x2 — 4x, +4, =60
2x, — 4x2 + 4x3 +4, =40
3x, + 3x2 + 3x3 + 13 = 60
286 — PROGRAMACION LINEAL
PASO 4 Expresar las ecuaciones de restricción y la función objetivo en

forma matricial.
0 X3 Uy ua 43 b
7 6 3 —4 1 0 0 60
2 -—4 4 0 1 0 40
3 3 3 0 0 1 60
3 2 6 0 0 0 0
PASO 5. Seleccionar la columna clave, el mayor valor positivo (pendien-

te) de la fila z; la columna x3 tiene un valor de 6.
PASO 6 Seleccionar la fila clave, o sea, el primer límite de restricción

alcanzado.
E 60
A
No restringir completamente; x3 está limitada únicamente por el lado

negativo, y no se permiten valores negativos.
(2) 4x, =40

x3=*P=10
(3) 3x3 = 60
3 =*%=20
Por consiguiente el primer límite de restricción alcanzado incrementando

xy es 10, que se encuentra en la restricción representada en la fila 2.
PASO 7 lIterar utilizando operaciones con las filas para convertir la

columna xj en parte de la matriz identidad con el 1 en la fila clave,
fila 2. Dividir la fila clave por el coeficiente de la fila clave, en este caso 4.
Mi N> X3 tU, U> Uy b
lo 3 == 0 AA
s ==] ] 0 A 0 10 fila clave
3 3 3 0) 0 l 60
3 2 6 0 0 0 0
columna
clave
Efectuar operaciones con las filas utilizando la fila clave (2) para obtener
ceros en las demás posiciones de la columna clave.
COMPUTACION SIMPLEX (MAXIMIZACION: 287
X1 Xa X3 Us la 43 b
8 —1 0 1 1 0 100
"a e fa UP dl. 10
3 6 0 0 —¿ 1 30
Mio ldi dó 091250 oigjucio Us Ina

PASO 8 Repetir el paso 7 hasta que todos los valores de la fila 2 sean
no positivos (pendientes no positivas)
Columna clave X2
Fila clave = 3
puesto que la fila 1 y la fila 2 tienen valores negativos en la columna clave

se divide la fila clave por 6.
ad Xa X3 Uy 4 uz b
8 —1 0 1 1 0 100
pr ME ips VA "E 10
a to ir
grs giving tez oque «Ee
Efectuar operaciones con las filas hasta que las demás filas tengan un
valor de cero en la columna clave.
X1 X2 X3 Uy 4) 43 b
Pads | l 4 1 105 valor de u;

3 0 1 0 4 ¿ 15 valor de x3
4 1 0 0 —j ¿ 5 valor de x2
| N o [am] o | | — 100
n-— lp
En este punto, todos los valores de la fila 2 son no-positivos; por lo tanto
el incremento de cualquier valor puede disminuir o por lo menos no me-
jorar la función objetivo z ya que todas las pendientes son cero o negati-
vas. Por consiguiente la función objetivo sujeta a las tres restricciones se
ha maximizado.
SOLUCION
Xx =35 x,=.15 u, = 105 u,=0 1, =0

x,=0
Puesto que sólo xz, xa y us son columnas de la matriz identidad, las

demás variables son cero. Por tanto los tres valores de x2, Xx3, y Uu1
pueden leerse directamente de la matriz como se'indica. 1
288 PROGKAMACION LINEAL
OTRAS FORMAS DE RESTRICCION

Las restricciones de un problema no siempre tienen la forma menor-que o
igual. Frecuentemente es necesario estipular qué determinadas condi-
ciones deben ser mayores que algún valor asignado. Por ejemplo, puede
suponerse que en el ejemplo básico, empleado en este capítulo, una pro-
mesa de venta anterior ha requerido una tasa de fabricación de producto 2
de al menos 45 unidades/semana. Entonces la mejor solución sería de-
terminar la mezcla adecuada de productos. 1 y 2 cuando se fabrican por lo
menos 45 unidades/semana de producto 2. Esta nueva restricción puede
expresarse algebraicamente y agregarse a las demás restricciones defi-
nidas anteriormente:
xo > 45 (10-8)
En la figura 10-11 se presenta gráficamente
esta nueva restricción.
La adición de esta nueva restricción tiene dos efectos principales:
(1) disminuir el tamaño del campo factible o aceptable como se ilustra en
la figura 10-10; esto en sí mismo no es un problema si de todas maneras
existe una solución factible; (2) requerir una modificación del método bá-
sico de solución. La nueva restricción ha eliminado el punto (0,0) de la
figura 10-11. Por tanto la solución inicial empleada anteriormente, esto es,
todas las variables de decisión son cero, no es factible. Puesto que el al-
goritmo simplex avanza desde una solución factible (aceptable) hasta una
solución mejorada, debe obtenerse un nuevo punto inicial de partida. En
términos de álgebra matricial, siempre debe existir una matriz identidad
en toda matriz. Hay diversos procedimientos para manejar este problema.
2 Nueva área
factible
FIGURA 10-11
Efecto de una restricción mayor-que.
OTRAS FORMAS DE RESTRICCION 289
Un procedimiento utiliza una variable adicional denominada variable

artificial. Si se emplea el procedimiento anterior para convertir una desi.-
gualdad en igualdad, la variable de holgura debe agregarse al otro lado
de la desigualdad.
Xx2=45+Ua
x, =U4¿=45
Esto da
en Matriz 4a
X1 X2 u; u uz Uy b
iZ 2 l 0 0 0 160
1 2) 0 l 0 0 120
4 2 0 0 l 0 280
0 1 0 0 O —1 45
1 1,5 0 0 0 0 0
En este caso la matriz cuadrada formada por las columnas u;, uz, Uz
y us no es una matriz identidad ya que la columna uz tiene un —1 en
lugar de un 1. Este problema se resuelve fácilmente agregando una varia-
ble adicional a la nueva restricción.
Xx =U44+a,=45 (10-9)
Esta nueva variable a, es la variable artificial. No se define en función

de holgura sino que simplemente es una variable provisional que puede
utilizarse para alcanzar una solución factible. Una vez lograda, puede des-
cartarse para utilizar el algoritmo regular simplex. Cuando se inserta la
restricción modificada, la nueva matriz es
Matriz 4b
X1 X2 Us U> uz Uy a; b
2 2 1 0 0 0 0 160
] 2 0 1 0 0 0 120
4 2 0 0 1 0 0 280
0 1 0 0 0 —]1 ] 45
] Do 0 0 0 0 0
Ahora existe una matriz identidad en términos de las columnas u;, uz,
us y as. Los valores de las variables que representan estas columnas
pueden leerse como antes.
uy = 160 Ma 120. da = 290 a, =45
Las demás variables tienen en este momento un valor cero.

Puesto que a, es simplemente una variable adicional que no tiene

significado físico en este problema, realmente no se necesita. Por lo tan-
«to cuando puede obtenerse una solución que satisface todas las restriccio-
nes y en la cual a, = 0, esta variable se descarta.y se utiliza el algoritmo
regular simplex.
Si el algoritmo simplex puede utilizarse para maximizar una función
objetivo, evidentemente puede usarse (con una ligera modificación) para
minimizar alguna función objetivo. Esta será la lógica empleada para ha-
llar una solución factible cuando a, también es cero. Se puede definir y
minimizar una función objetivo a,. Cuando se minimiza esta función
hasta el punto en el cual a; = 0 también puede obtenerse una solución
factible con a, igual a cero. Por lo tanto puede descartarse esta variable.
La cuarta restricción ha sido definida anteriormente por
Xx —U¿+a,=45 (10-10)
Despejando a, se obtiene
a, =-x,+u +45 (10-11)
Por consiguiente esta es la función objetivo a, que debe minimizarse
de la misma manera que la función z fue maximizada en los ejemplos an-
teriores. Esta función se agrega a la matriz como una fila adicional, recor-
dando que la línea vertical entre la columna b y las otras columnas repre-
senta un signo de igualdad.
Matriz 4e
X1 X2 4; U> uz Us ay b
1[2 2 1 0 0 0 0 160
ZE 2 0 1 0 0 0 120
3| 4 Z 0 0 1 0 0 280
410 1 0 0 O —1 l 45
z|1 LOS 0 0 0 0 0 0
a [O —1 0 0 0 l 0 —45
Se observa en la última fila de la matriz 4c que el coeficiente de x2 es — 1
y el de u, es 1; en la columna b el valor es — 45. Puesto que se encontró
que a, es
4 = —Xx2+U44+45 (10-11)
el signo de la constante, se cambió como si estuviera anotado al otro lado
de la línea de igualdad de la matriz. El hecho de que a; tenga un coefi-
ciente cero en la última fila es correcto ya que esta no aparece en la fun-
ción que debe minimizarse, este es el valor que debió maximizarse en los
ejemplos anteriores.
El siguiente procedimiento es casi el mismo empleado anteriormente.
Solamente difieren los detalles: (1) Se desea minimizar la función repre-
OTRAS FORMAs DE RESTRICCIÓN 291
sentada por la última fila en lugar de la fila z de manera que la primera

pueda usarse como base para seleccionar la columna clave. Más adelante
esta será descartada y se proseguirá como antes, pero hasta que a, = 0,
la fila a, gobernará la selección de la columna clave. (2) Como en este
punto se desea minimizar en lugar de maximizar, debe alterarse ligera-
mente la lógica. Los coeficientes de la fila a, aun representan pendien-
tes o tasas de cambio de a, para un cambio de una unidad en la varia-
ble. Ahora debe seleccionarse una columna que represente una variable
que disminuya la función. Por lo tanto, el valor más negativo de la última
fila indicará la mayor disminución de a, por cada aumento de una uni-
dad en una variable. Esta etapa se completa cuardo todos los valores son
cero O positivos ya que no es posible disminuir a, incrementando los
valores de las variables. En este caso, el valor más negativo de la fila a,
es —1 en la columna xz. Se selecciona esta columna como columna cla-
ve y se prosigue como antes.
Si x2 es la columna clave, la fila clave es aquella que limita el incre-
mento de x2
(1) xy, =252%2=8
(2) x,=222=60
(3) x,=22%=140
(4) x= %%=45
Este es el valor positivo limitante de x2. Por tanto la fila 4 es la fila clave.
Ahora se efectúan operaciones con las filas para obtener un 1 en la fila
4, columna x2, y ceros en las demás filas de la columna xz.
Matriz 4d Primera solución Multiplicar la fila

> 4 por — 2 y sumar-
X1 X2 u; YU uz Uy a; b
la a la fila 1
(Mm 2 0 l 0 0 +2 —2 70 Multiplicar la fila
4 por — 2 y sumarla
(2) 1 0 0 1 0 2 -2 30 Úla fila?
Multiplicar la fila
0 AA . is pe 4 por — 2 y sumarla
a la fila 3, el valor
asde dls lor der nas
zk 1 0 0 0 Dis Li 050 —67,5 Multiplicar la fila
4 por — 1,5 y sumar-
, la fil
A 1 0 Aa la a e
Añadir4a la fila
a1
La fila a, se inspecciona para hallar el valor más negativo. Puesto

aue no lo hay, la función a; ha sido minimizada. Como verificación adi-
cional, el valor de a; indicado en la columna b debe ser cero, lo cual sig-

nifica que a, tiene un valor cero. En este punto, se ha encontrado una
solución factible en a, = 0. Si se hubieran encontrado valores negativos
en la fila a,, el problema se podría iterar nuevamente hasta eliminar to-
dos los valores negativos. Puesto que se ha obtenido una solución factible
en as = 0, esta parte del problema no se utiliza y debe descartarse; o sea,
se descartan la columna a, y la fila a, para formar
Matriz 4e
X1 X2 U; u uz Uy b
112 0 1 0 0 2 70
2|1 0 0 1 0 2 30
3|4 0 0 0 1 2 190
410 1 0 0 o —1 45
zl 1 0 0 0 O 1D — 67,5
En este caso la nueva solución factible es
Xi = Ua = 0 X2 = 45
Yu; ="10 u, = 30 uz =190
y el valor de z es 67,5. En la figura 10-12 se representa gráficamente esta

solución. El lector debe insertar estos valores en las ecuaciones originales
para verificar que las soluciones sean factibles y que z = 67,5. Para exa-
minar z se prosigue ahora de manera normal. Puesto que esto se ha hecho
antes, el proceso se muestra únicamente mediante matrices generadas
progresivamente.
Segunda solución factible, x. = 60, = 90
75 Solución optimal. x, = 30, x, = 45,2 = 97!
Primera solución
factible, x, = 45, 2
2x, +2x, = 160

FIGURA 10-12
Soluciones factibles.
X1
OTRAs FORMAS DE RESTRICCION 293
Matriz 4f Primera solución factible

Xx] Xx Uy U uz Ua b
pao de a O 70 22 =35 le
1 0 0 1 0 6 30 27 =15 o cn
A de 190| +32=95 Má
$1 B- Da 0 —1 45 4311,
= —45
] 0 0 0 OMS —67,5
columna clave
(el valor
más positivo)
Matriz 4g Segunda solución factible

X1 X2 4; ua 43 Ud b
1 0 1 —1 0 0 40 $ E 40 fila clave
3 0 0 ) 0 1 15 15/4 =30 tel límite positivo
Sn y qeria slfeccdorta, dé A A
Pd Derioka 0 150 60 60/4
= 120
3 0 0 —-3 0 0 —90
columna clave
(el valor
más positivo). 4 e
Matriz 4h Solución optimal
Xx Xx Ur 4 uz Us b
0 0 l -2 0 -—2 10
l 0 0 l 0 2 30
0 0 0 —4 l —6 70
0 1 0 0 oO —1 45
0 0 O —]1 0 —) —97+
Por tanto la solución optimal final es
y = 30 mi= 45 tj.= 10 u, =0 uz =70 4¿=0
El valor final de la ganancia es $973. Este ha disminuido con respecto al

valor óptimo anterior de $100 debido a que la solución original x, = 40,
x» = 40 no es factible con la restricción agregada de que x2 debe ser
por lo menos 45 unidades. La figura 10-12 representa gráficamente el pro-
greso gradual desde la etapa inicial hasta la solución final.
Otro tipo de restricción que puede ocurrir es la igualdad. Aunque me-
nos frecuente, es importante en algunas clases de problemas de optimi-
zación. Puede suponerse que el producto 1 se fabrica sólo para un cliente
que requiere una producción de 25 unidades/semana y que no se desea
exceder la capacidad de almacenamiento. Por consiguiente se hace nece-
sario determinar la mezcla más apropiada de productos que permita ma-
294 — PROGRAMACION LINEAL
yor ganancia con una producción de 25 unidades de producto 1. Esto se

expresa matemáticamente como x, = 25. Puesto que esta es una igual-
dad, no puede haber holgura; por consiguiente no puede emplearse una
variable de holgura. Sin embargo, si esto se agrega como una restricción
de la matriz, no habrá una solución inicial factible; esto es, no habrá ma-
triz identidad. Como antes, esto se resuelve agregando otra variable arti-
ficial az.
Xy Has =25
A partir de este punto el problema se trata como el ejemplo anterior; o sea,
se define una función compuesta de variables artificiales, esta función se
minimiza hasta que las variables sean cero, estas variables se descartan
y se continúa con la convención simplex. La primera matriz con la nueva
restricción agregada es
Matriz 5a
Xi X2 Uy u> u3 Us a; a b
2l 2 1 0 0 0 0 0 160
1 2) 0 1 0 0 0 0 120
4 2 0 0 1 0 0 0 280
0 1 0 0 0 -1] 1 0 45
1 0 0 0 0 0 0 1 23
ALA HEAT A 0-0 ADORCOLA TAO
¡a ES 0 0 0 0 0 0 0
En este caso hay dos variables artificiales (a, y az)

que no se desean
en la solución final. Por tanto la solución que debe minimi
zarse primero
es la suma de a, y az. Según la cuarta y Quinta
restricciones (filas de
la matriz)
X2 => Ud SE a; = 45 (10-10)
x,+a,=25 (10-12)
Despejando a, y az se obtiene
a; =45 — x2+Ua (10-11)
a,=25- x,
Estas ecuaciones se suman para obtener la función
(a, + az).
41 +4 =70—x, —x,+, (10-13)
Por consiguiente esta es la función artificial que

debe minimizarse prime-
ro para Obtener una solución factible del métod
o convencional simplex.
Ahora la matriz inicial se convierte en
Matriz 5b
X1 X2 us u uz Ua as az b
2 2 1 0 0 0 0 0 160
1 5) 0 1 0 0 0 0 120
4 2 0 0 1 0 0 0 280
0 1 0 0 0 —1 l 0 45
1 0 0 0 0 0 0 l 25
z ¿10 0 0 0 0 0 0 0
a+a2| -1 —l 0 0 0 1 0 0 —70
Para minimizar se selecciona la variable que pueda ocasionar la mayor

disminución de la función a, + az (aquella con la pendiente más nega-
tiva). En este caso tanto x, como x2 ocasionarán la misma disminu-
ción (—1), y aquí se selecciona arbitrariamente x, como la columna
clave. Para seleccionar la fila clave, las restricciones límites se evalúan
como antes
() 52=80
(2) 2%=120
(3) 242=70
4) f=w
(5) 25=25
Este es el límite positivo más pequeño y por tanto el primer valor limitan-
te, o sea, la fila clave. Se efectúan operaciones de fila para obtener un 1 en
la fila clave y columna clave y ceros en las demás posiciones de la colum-
na clave.
Matriz 5c Primera solución
X1 X2 Uy U> Uz Us di 4» b
0 2 1 0 0 0 o -—2 110
0 5l 0 1 0 0 0 —]1 95
0 2 0 0 1 0 0 -—4 180
0 1 0 0 O —1 1 0 45
1 0 0 0 0 0 0 ] 25
O 15 0 0 0 0 O —] 25
O —1 0 0 0 ] 0 ] —45
a,
+ 4,
En esta matriz, sólo puede disminuirse a; + az aumentando x2; por

consiguiente esta se selecciona automáticamente como columna clave.
En seguida se selecciona la fila clave.
(1). 412=55
(2) == 47
eri) 152%=90 ,el valor positivo más pequeño, la fila clave
0. ES
(5) <= 00
Se efectúan operaciones de fila para obtener un 1 en la columna clave X2
y en la fila clave 4 y ceros en las demás posiciones de la columna clave.
Matriz 5d Segunda solución

e pa ta UN U> Ha as 0) b
Dt de e adDi e 20
TIPACTI A 3 id 5
A e A 90
CEPAS MESS RS 1 Y E 45
14% <0 *0 0% 0-07 25
104030 50 p0 15 Siba-Pa 20
21 +4) 064100790. 5000 40 ws 0
Examinando la fila a, + az no se encuentran valores negativos; por con-
siguiente la función a, + az ha sido minimizada. Nuevamente esto se
puede verificar por el valor de cero en la columna b para esta función. Las
x= 45
Solución
final 42= 100
solución
25
2x, +2x, = 160

Primera
solución
0
25 5 SO 75
ES
EN
FIGURA 10-13
Pasos en las soluciones iterativas.
OTRAS FORMAS DE RESTRICCION — 297
variables artificiales ya no son necesarias y pueden descartarse. En la

figura 10-13 se representan gráficamente estos dos pasos, a medida que
la solución se desplaza desde x, = x2 = O (no factible) hasta x, = 25,
x2 = O (aún no factible), hasta la primera respuesta factible x, = 25,
x2 = 45. Descartando las columnas a, y az y la fila a, + az se obtie-
ne la segunda solución reducida
Matriz 5e Frimera solución factible
X1 x2 Uy U> 4 b
O LN a 20
rr ts E Ús rzo! 5
¿e ai Po | 90
A y blas Diosla | 45
a e 0 dE al 25
Agallogasito nitpni O Es
Puesto que la función 2 (ganancia) es la que debe maximizarse, la ins-
pección de esta fila indica que z aumentará 1,5 unidades por cada incre-
mento de us. Por consiguiente, se selecciona us como la columna clave
de la siguiente iteración. La fila clave se selecciona a partir de la restric-
ción positiva limitante.
(1) 2 =10
(2) 3=2) límite positivo más pequeño, fila clave
(3) 22 =45
(4) 45/-1 = -45 no es límite positivo
(5) Z¿=0w0
Ahora se itera para obtener la tercera solución, que en este caso se con-
vierte en la solución optimal final.
Matriz 5f Solución optimal
Xy X2 Uy ua 43 Ua b
0 0 l —1 0 0 15
0 0 0 4 0 ] 2)
0 0 BD “—1 1 0 85
ESTA AAA e 474
l 0 0 0 0 0 25
AI
yA
PAS 0.” 01 i-ol
Por consiguiente la solución final, como se indicó anteriormente y en la

figura 10-13, está en x, = 25, x = 473 con una ganancia de 96;. Según
lo esperado, este valor es un poco menor que el del ejemplo anterior debi-
do a que la nueva restricción desplaza la solución alejándola de la optimal.
Se han discutido los métodos para manejar las tres formas posibles
de restricción (<, >, =). Además se ha discutido el concepto y la técni-
ca de minimización en programación lineal. La única variación requerida
en maximización o minimización es el método de selección de la columna
clave. En maximización se selecciona la variable con la pendiente más po-
sitiva, ya que esta permite el mayor aumento de la función objetivo por
cada unidad de incremento en la variable. Por el contrario, en minimiza-
ción se selecciona la variable con la pendiente más negativa ya que esta
permite la mayor disminución de la función objetivo por cada unidad de
incremento en una variable. La solución final se manifiesta cuando al in-
crementar una variable ya no se mejora (aumento o disminución, según
lo que se desee) la función objetivo. Los pasos para manejar las tres for-
mas de restricción se resumen en un esquema del procedimiento en los
siguientes parágrafos y se ilustran desarrollando otro problema sencillo
de maximización con programación lineal.
PASO 1 Definir la función objetivo que debe maximizarse (o minimizar-
se) en función de las variables de decisión
z=2x,+2x, maximizar
PASO 2 Definir las limitaciones del problema en función de las
desigual-
dades de restricción o de las ecuaciones empleando las variables
de de-
cisión.
(1) x¡+x2S10
(2) Xx; +2x,>8
(3) —X; + X= 2
PASO 3 Convertir las desigualdades en igualdades sumando o restando

variables de holgura.
(1) Xx +x2+u,
=10
(2) xy +2x,-—4u4,=8
(3) —X; + X2 > 2
PASO 4 Agregar las variables artificiales necesarias para obtener una

matriz identidad.
(1) Xj + Xx), + y; =10
Xy + 2x7 — u, + a; 9
—X + X, , + a, =2
”
Matriz identidad
PASO 5 Determinar la función artificial que debe minimizarse despe-

jando de cada ecuación de restricción pertinente, su variable artificial.
a=8-x; — 2x, + U)
a) = 2% + Xy -. Xz
y sumando todas las variables artificiales

a, +4,=10-— 3x, +u,
PASO 6 Formar la matriz inicial, insertando la fila objetivo z y la fila de

la función artificial a; + az.
X1 X2 Uy u) ay a2 b
(Mm) 1 1 1 0 0 0 10
Q) 1 2 0 —] 1 0 8
(34 —1 1 0 0 0 l 2
z 2 2 0 0 0 0 0
41 +4) 0 —-3 0 1 0 0 —10
PASO 7 Seleccionar la columna clave utilizando la fila a, + az; para

minimizar selecciona el valor más negativo. La columna «x2 tiene un va-:
lor de — 3 en la fila a, + az.
PASO 8 Seleccionar la fila clave hallando la restricción limitante como

antes
(MM) +2=10
2 3=4
(3) 2=2 valor positivo más pequeño, fila clave
PASO 9 Iterar utilizando operaciones con las filas.
Primera solución
Xi X2 Uy U) a a, b
(Mm) 2 0 Í 0 oO —1 8
Q) 3 0 O —1 EZ 4
| —1 1 0 0 0 i Z
z 4 0 0 0 o -—2 —4
a+a2l —-3 0 0 1 0 3 —4
PASO 10 Repetir los pasos 8 y 9 hasta que la fila a, + az no tenga va-

lores negativos y el valor de b sea cero.
Segunda solución (x, columna clave; segunda fila, fila clave)

5 X2 io: ar a> b
: 7 O E E E Ae
id 05 04 Ls do 3
0. 1.0 -4. 4. 4 hy
aj+az,
O 10 0 0
e
0
po
1 1 0
En este punto no hay más valores negativos en la fila a, + az; esto in-
dica que la función artificial ha sido minimizada. Como verificación, el
valor de la columna b también ha sido reducido hasta cero. Esto significa
que se ha logrado una solución factible.
PASO 11 Descartar todos los datos anotados que pertenezcan a las va-
riables artificiales y formar una nueva matriz.
X1 X2 4y ua b
(M0 0.1. 4 12
2) lram0rolc0 de 4
(10... L.qu 06. Í 10
zl0 0 0 5 =- a
28
PASO 12 Seleccionar una columna clave para maximizar (o

minimizar)
la función objetivo. Para maximizar se selecciona el valor más
positivo de
la fila z, o para minimizar! el más negativo. La columna clave es u» con
un valor de $.
PASO 13 Seleccionar como antes, una fila clave hallando el límite posi-
tivo más pequeño.
|6
(1) se =8 fila clave, el límite positivo más pequeño
3
4
Q) —=-4 límite negativo
ER
10
(3) —=-I0 límite negativo
|
¡En este problema, la solución presente ya es

un mínimo puesto que no
hay valores negativos en la fila objetivo z.
FORMULACION DEL PROBLEMA 301
PASO 14 Iterar empleando como antes operaciones con las filas; conti-
nuar, repitiendo los pasos 12 hasta 14 hasta optimizar
Xi X2 Us uu b
A 30: ou all 8
Ludo 46 4
ticos bu: ás e 6
z10 o -2 0 —20
En este punto el problema está maximizado ya que no hay más valo-

res positivos en la función objetivo z. Aumentando u;, puede disminuirse
la función objetivo como lo indica el — 2 de la fila z. La solución final se
lee de la matriz:
x¡=4 dy =0, uy =0 u, =8 z= —(-20)
= 20
En los problemas de maximización el valor objetivo debe multiplicarse por

E 1). Verificar:
2x, + 2x, = 2(4) + 2(6) = 20
FORMULACION DEL PROBLEMA

Prácticamente cualquier aplicación de un instrumento de JO es un ejerci-
cio único en formulación, desarrollo del modelo y adquisición de datos. Es
necesario combinar las matemáticas disponibles con la información y
objetivos del problema. Aún la definición de un objetivo conveniente y
aplicable puede ser un problema difícil. Esta sección presenta dos clases
de problemas y discute formulaciones alternativas para cada uno.
Problema de mezcla
Este problema general es aplicable a diversas industrias y comparte algu-
nos puntos comunes. En general, el problema consiste en mezclar diversos
ingredientes para obtener un producto que satisfaga algunas condiciones
arbitrariamente impuestas. Al mismo tiempo se optimiza algún objetivo tal
como ganancia, producción, facilidad de uso, etc. Algunos problemas típi-
cos son la mezcla de alimentos para ganado con el propósito de maximizar
la relación entre la ganancia de peso y el costo del alimento, la mezcla de
varios productos de refinería para obtener un producto más rentable, la
mezcla de materias primas (menas, chatarra, etc.) para obtener un metal
que satisfaga las especificaciones con un costo mínimo, o la mezcla de in-
gredientes que satisfagan los requerimientos de un fertilizante con un
costo mínimo.
Se discute como ejemplo un problema de mezcla para determinar la
alimentación apropiada para un horno de fundición. Este problema se sim-
plifica con el propósito de economizar espac

io y facilitar la discusión, pe-
ro los métodos de formulación permanecen
válidos. Se utiliza un horno
eléctrico para fundir hierro y producir fundi
ciones de hierro gris, y se re-
quiere una carga de 2 toneladas (4.000
libras).
Diversos materiales dan un producto final
que satisface las especifi-
caciones. El problema consiste en selec
cionar la alimentación que satisfa-
ga las especificaciones con un costo mínim
o. El producto debe satisfacer
las siguientes especificaciones de mater
iales:
Carbono, “
Silicio, %
Material
Chatarra de acero A
Chatarra de acero B
Chatarra de hierro colado
Sobrantes de fundición
Briquetas de carbono
Briquetas de silicio
Las variables de decisión que

pueden ser controladas por la admi
tración son las cantidades de nis-
cada uno de los seis materiales
dos al horno. Estas variables intr oduc i-
se representan matemáticamente
(chatarra de acero A), x2 (cha como x1
tarra de acero B), x3 (chatarr
colado), xa (sobrante de fund a de hier ro
ición), xs (briquetas de carb
(briquetas de silicio). Cada x, ono), y E
representa el peso en libras
empleado en la carga del horno. del material
Puede suponerse que el objetivo
mizar el costo del material que es mini-
entra; por consiguiente la función
es la suma del costo de cada mate objetivo
rial utilizado.
2 = suma de los costos de los mate
riales — 2 cx;
=C¡X, $ C2X2 4hC3X3 + CaXa + C5X5
+ C6Xo i
donde c, es el costo del J-ésimo
artículo en pesos por libra.
60 63 68 40
2.000 * 2.0002 +20 +3000
Zo
Xa +0,30x, + 0,50x6
= 0,030x, + 0,0315x, + 0,03

4x3 + 0,020x4 + 0,300x, +
0,500x;
Estos materiales también deb
en seleccionarse de manera
gan las especificaciones de que satisfa-
materiales. Por ejemplo, el
bono no debe exceder de 0,034. contenido de car-
Contenido de carbono <

0,034
FORMULACION DEL PROBÉEMA 303
Esto se puede expresar fácilmente en libras multiplicando este valor por

el peso requerido en la carga del horno. En este ejemplo, se desprecia la
pérdida de peso del carbono durante la fusión. Puesto que esta cantidad
es constante para un determinado horno, no será difícil corregirla.
Peso de carbono = 4.000 (0,034)
136 1b
El peso de carbono es la suma del contenido de carbono de cada uno de
los materiales empleados. Por tanto, el carbono contenido en la chatarra
de acero A es 0,0045x,, etc. Por consiguiente la restricción sobre el con-
tenido máximo de carbono puede expresarse mediante la desigualdad.
0,0045x, + 0,004x2 + 0,035x3 + 0,033x4 + x5 + 0x6 < 136
El requerimiento del contenido mínimo de carbono se describe mediante
una desigualdad mayor-que:
Peso mínimo de carbono = 0,0325 (4.000)
130 lb
0,0045x, + 0,004x2 + 0,035x3 + 0,033x4 + x5 + 0x5 > 130
Análogamente, las especificaciones de silicio se expresan mediante un
conjunto de desigualdades.
0,001x, + 0,0015x2 + 0,023x3 + 0,022x4 + Ox; + xg6 < 90
0,001x, + 0,0015x2 + 0,023x3 + 0,022x4 + 0x5 + x6 > 82
Finalmente, los materiales agregados completan el peso de la carga

del horno. Nuevamente, en este problema se desprecian todas las pérdi-
das de peso durante la fusión. Por tanto la suma de los pesos agregados
es igual a 4.000 libras.
X¡ +X2+X3+X4 + x5 + x6 = 4.000
Esto da un total de cinco restricciones que satisfacen los requerimientos

de todas las especificaciones, las cuales pueden combinarse con la fun-
ción objetivo para calcular la mezcla de ingredientes de la carga que per-
mite obtener un costo mínimo. En la tabla 10-3 se presentan un resumen
de los resultados de este problema.
Si sobre este problema son impuestas otras restricciones, estas se
representan mediante restricciones adicionales. Por ejemplo, aunque los
sobrantes de fundición son el ingrediente más barato, obviamente no hay
una cantidad suficiente para utilizarla en todas las cargas. La experien-
cia indica que sólo puede disponerse de una cantidad equivalente al 20
por ciento de una carga. Esta situación se representa mediante otra desi-
gualdad. x4 < 0,20(4.000)
< 800
En la tabla 10-4 se muestra el efecto de

esta restricción sobre la solución.
Puede observarse la disminución de x4 y
el aumento del costo total.
K
Tabla 10-3 RESUMEN DE LOS
RESULTADOS DEL
PROBLEMA DE LA
CARGA DEL HORNO
Material Cantidad que debe

cargado cargarse, libras
Chatarra de acero A
Chatarra de acero B
Sobrante de fundición
Carbono
Silicio
Costo = $80
Tabla 10-4
RESUMEN DE LOS
RESULTADOS DEL
PROBLEMA MODIFICADO
DE LA. CARGA DEL
HORNO
K_—
—_— _
Material
Cantidad que debe
cargado
cargarse, libras
Chatarra de acero A
Z Chatarra de acero B
0
3 Chatarra de hierro colado
2924,59
| Sobrante de fundición
800
: Carbono
50
> Silicio
Costo $123,70
Material
Disponibilidad
máxima, tons
Chatarra de acero A
Chatarra de acero B
120
Sobrantes de fundición
Briquetas de carbono 60
Briquetas de silicio Sin límite
4
El objetivo de este caso consiste en maximizar el número total de libras de

material mezclado.
Z=X + X2+X3+X4+X5+X¿ Maximizar
Además de las restricciones necesarias para los requerimientos de
las especificaciones, no es posible utilizar más material del que hay dis-
ponible. Por tanto deben agregarse las siguientes desigualdades.
x, <200.000 x,<60.000 x,< 240.000
X4 < 120.000 - x¿<8.000
Teniendo en cuenta que la cantidad total de material utilizado no es
fija, deben reformularse las restricciones de las especificaciones. El peso
total del carbono agregado será la suma del carbono añadido por cada ma-
terial, pero la cantidad máxima permisible ya no es constante.
0,0045x, + 0,004x> + 0,035x3 + 0,033x4 + x5, = libras de carbono añadidas
Las libras de carbono añadidas deben ser iguales a o menores que 3,4 por
ciento del peso total utilizado. Por tanto la primera restricción se convier-
te en
0,0045x1 +0,004x2 + 0,035x3 + 0,033x4+ x5 < 0,034 (x, + x2 + X3+X4 + X5 + X6)

WE AA A SS
Libras de carbono Cantidad máxima permisible de
libras de carbono
Esta desigualdad se modifica colocando todas las variables al lado iz-
quierdo.
— 0,0295x, —0,030x2 + 0,001x3 + 0,001x4 + 0,966x, — 0,034x, < 0
De manera semejante se formula la cantidad límite inferior de carbono.
0,0045x, +0,004x2+0,035x3+ 0,033x4+ x5 > (0,0325)(X, + x2+X3 +X4 + X5 + X6)
— 0,028x, — 0,0285x2 + 0,0025x3 + 0,0005x4 + 0,9675x;, — 0,0325x¿ > 0
Un análisis similar permite obtener las dos restricciones para las especi-
ficaciones del silicio
— 0,0215x, — 0,021x2 + 0,0005x3 — 0,0005x4 — x5 + 0,9775x, < 0
—0,0195x, — 0,0190x2 + 0,0025x3 + 0,0015x4 — x; + 0,9795x5 > O
Por consiguiente el problema final consiste en maximizar 2 = x1 + *2 +
x3 + x4 + x5 + x, sujeta a
— 0,0295x, — 0,030x, + 0,001x3 — 0,001x4 + 0,966x, — 0,034x; < 0
— 0,028x, — 0,0285x2 + 0,0025x3 + 0,0005x4 + 0,9675x, — 0,0325x¿ > 0
—(0,0215x, — 0,021x2 + 0,0005x3 — 0,0005x4 — 0,0225x; + 0,9775x¿ < 0
— 0,0195x, — 0,019x2 + 0,0025x3 + 0,0015x4 — 0,0205x; + 0,9795x¿ > 0
x, <200.000 x,<60.000 x,<240.000
x, <120.000 x,<8.000
Problema de distribución de mercancías en anaqueles

Todo almacén tiene potencialmente más artículos para exhibir y vender
de lo que permite el espacio. Por consiguiente el problema que afronta el
administrador de un almacén consiste en decidir cuáles artículos debe
almacenar y cuanto espacio debe asignar a cada artículo. Este es un pro-
blema de distribución de recursos escasos, que conduce por sí mismo, a
una formulación de programación lineal. Para simplificar este ejemplo se
ha restringido el número de artículos y el espacio disponible, sin embar-
go con cantidades más reales la formulación y el método de solución per-
manecen invariables.
Se han acumulado los siguientes datos:
Número del Ganancia/unidad, Espacio/unidad,

artículo Demanda* centavos pul?
1 2
2 2 7
3 3 9
4 4 11
5 4 11
6 6 12
7 5 14
8 5 14
9 6 10
10 4 8
11 2 14
12 6 8
13 S y]
14 3 12
15 4 9
16 po 7
17 2 10
18 1 16
19 5 11
20 4 15
*La demanda se expresa como un valor esperado durante el intervalo
de tiempo entre reaprovisionamientos.
Si todos los artículos fueran almacenados hasta sus niveles esperados de

demanda, se requerirían aproximadamente 8.105 pulgadas cuadradas de
área de anaquel. El administrador sólo dispone de 40 pies cuadrados de es
pacio para distribuir estos artículos y por consiguiente el problema con-
siste en repartir el espacio para optimizar algún objetivo.
Usualmente el objetivo es maximizar la ganancia sujeta al espacio
además de otras restricciones. La ganancia simplemente es la suma de las
ventas por artículo por la ganancia por artículo.
2=C;X; maximizar
c;= ganancia por el j-ésimo artículo
x= número de artículos almacenados en el anaquel
Esta función objetivo supone que durante un período de tiempo, las ventas
de cualquier artículo son iguales al número de artículos almacenados y
que el número de artículos almacenados en un anaquel no excede la de-
manda. En este caso
Z=2x, +2x, + 3x3 + 4x4 + 4x5 + 6x6 + 5x7 + 5Xg + 6x9 + 4X10 + 2X11
== 6x2 Sl Í$X13 El 3X14 e Axis sh 2x16 +5 2x,7 an 1x8 + Sx19 ct 4xz0
Evidentemente la principal restricción es el espacio. El espacio com-

binado utilizado no debe exceder 40 pies? = 5.760 pulgadas cuadradas.
El espacio utilizado es igual a la suma de los productos (número de ar-
tículos almacenados por el espacio requerido por artículo).
20
Y) sx, <5.760
EL
donde s, es el espacio requerido por unidad en pulgadas cuadradas.
10x, + JS + 9x, + 11x, + 11x, + 12x6 + 14x, + 14xg + 10x9 + 8X10 + 14x;1
+ 8x1 +11xX13 + 12X14 + 9x15 + 7x%16 + 10x,5 + 16%,8 + 11x10 + 15%20 < 5.760
. Además el número de artículos almacenados no debe exceder la de-
manda. Esto da lugar a otra serie de desigualdades de restricción
x;<d, para todas lasj
donde d, es la demanda del j-ésimo artículo.
a E 30 E] 1,320 Xx4 < 20 xs <45

Xx < $0 x,<45 xg < 40 Xy < 30 Xx10 < 50
Xy E 38 x¡2 < 50 x(3 <20 Xis E 25 xs <30
ES 20 x¡7 < 60 Lig 3.35 0 20 Xz0
£ 45
En este caso, es posible que el administrador quiera imponer algunas res-

tricciones arbitrarias a causa de las preferencias de los clientes,,compro-
misos previos, etc. Se supone que el administrador requiere las siguientes
cantidades mínimas para la exhibición de cuatro artículos. j
xa YU X12 210 Xx16 > 10 x17 > 10
Se ha seleccionado el número 10 ya que el administrador cree que exhibir

una cantidad menor es completamente inefectivo. La combinación de to-
das estas restricciones constituye otra aplicación de la programación li-
neal. La tabla 10-5 presenta los resultados finales de este problema.
Tabla 10-5 RESUMEN DE LOS RESULTADOS

DEL PROBLEMA DE
DISTRIBUCION DE MERCANCIAS
A EN ANAQUELES E
Número del Cantidad que Número del Cantidad que

artículo debe almacenarse artículo debe almacenarse
—|
Ovw00JIDAAUI.M.
*El valor real 38.667 fue aproximado a 38. Ganancia = $2.389,67
OBTENCION DE SOLUCIONES HACIENDO USO DEL

COMPUTADOR
El computador ha convertido la programación lineal en una técnica
de
computación práctica. El tiempo necesario para cálculos manuales no
sÓ-
lo sería excesivo, aún con las calculadoras, sino que los errores
aritméti-
cos simples harían casi imposible obtener una solución correcta.
Hoy se
considera rutinario un problema que tenga 50 variables y 100
restricciones.
Prácticamente cualquier centro de cálculo dispone de técnicas
operacio-
nales (software) previamente desarrolladas, para una
utilización más
eficiente de la programación lineal. Cuando estas técnicas
se utilizan
repetidamente en la misma clase de problema, los formatos
de entrada-
salida pueden revisarse para organizar la información de acuerdo
a las
necesidades del sistema. Puesto que este texto está dedicado
al desarro-
llo y explicación de los conceptos de diversos métodos de
IO, no se discu-
ten detalladamente aquellas técnicas (software) específicas
de programa-
ción.
Para utilizar el computador el estudiante requiere
una buena com-
prensión de la solución del problema. En la nota de este
capítulo se pre-
senta una codificación sencilla. Los requerimientos
de entrada se presen-
tan con los detalles suficientes para que un estudia
nte familiarizado con
los computadores pueda utilizar este programa
en problemas de tamaño
mediano. Una persona conocedora de la Operaci
ón del sistema puede su-
ministrar la información necesaria con respect
o a la introducción de las
tarjetas requeridas para hacer funcionar el sistema
. Se proporcionan su-
ficientes detalles para facilitar que la proposi
ción DIMENSION pueda
expresarse en una forma tal que permita maneja
r problemas más grandes.
Tal como está escrito, el programa puede
manejar 20 restricciones y
sora 309
aproximadamente 20 variables reales. El número total de variables reales

más variables artificiales y de holgura debe ser 50 o menos. El programa
está escrito en FORTRAN IV para una IBM 360/65, pero con algunas
ligeras modificaciones se puede utilizar en cualquier computador que uti-
lice FORTRAN IV. Los autores saben por experiencia que los estudiantes
de pregrado pueden utilizar exitosamente este programa, aun en el caso
de que ellos mismos sean incapaces de programar el computador, siempre
y cuando efectúen una revisión cuidadosa y paso a paso de las tarjetas
necesarias y del material presentado en la nota. La nota también propor-
ciona una herramienta instructiva útil que permite al instructor asignar
problemas más largos, es decir, más reales.
NOTA
Codificación del programa del computador y su uso

Información general. Este programa se ha modificado! para procesarlo en
un IBM 360,65, que utiliza FORTRAN IV con el compilador WATFIV. Tal como
está dimensionado, requiere 5.112 bytes para la codificación objeto y 4.560 bytes
para el área de arreglos. Las dimensiones presentes permiten un máximo de 20.
restricciones y 50 variables (incluyendo las variables reales, las de holgura. y las
artificiales). Teniendo en cuenta que esta codificación se presenta con el propósito
de que pueda ser utilizada por estudiantes, ha sido dimensionada para procesar
problemas relativamente cortos en computadores pequeños.
Si se desea procesar un problema más largo, la proposición DIMENSION de-
be modificarse.
DIMENSION D(20, 51), P(50), 1BV(20), SC(50)
Si se supone que / es el número de restricciones requeridas y que el número total

de variables (reales, artificiales, y de holgura) es J. La nueva proposición es
DIMENSION D(I, J + 1), P(J), IBV(1), SC(J)
Este programa utiliza el método de la M mayúscula de manipulación de varia-

bles artificiales. A cada variable artificial se asigna un valor c, de — 999 en la
función objetivo original. Además, este programa maximiza la función objetivo. Pa-
ra minimizar, se multiplica por — 1 la función objetivo.
Preparación de datos La preparación de los datos de entrada de este

programa queda mejor demostrada mediante un ejemplo. Maximizar 1.5x, + x.
sujeta a
2x1+ x2%8
X212= 4
2xy + 3x2 > 1
¡Claude McMillan y Richard F. Gonzalez, “Systems Analysis,” Richard

D. Irwin, Inc., Homewood, 1Il., 1968.
PASO 1 Ordenar las restricciones (constraints) como se indica a continuación:
Mayores-que
* — Igualdades
Menores-que ; 2x1 + 3x2 >7
X2 = 4
2x1+ x2<8
PASO 2 Añadir variables artificiales y de holgura según sea necesario
2x1 + 3x2 —X3 +Xa ES]
X2 + x5 =4.
2X1+ Xa +x6 =8
a
Variable Variables Variable

negativa artificiales de holgura
de holgura
PASO 3 Preparar la tarjeta 1 de datos. Esta tarjeta tiene el siguiente código de

nombres como entrada.
READ(S, 104) IW, IZ, 1Y, IA, NEQ

IW = número de restricciones (3)
IZ = número de columnas en la matriz, incluyendo la columna b. Esta es
la suma de las variables reales + 2X (número de mayores-que) +
número de igualdades + número de menores-que + 1. O contar
todas las columnas en el paso 2 incluyendo la columna b:
2d
Md ds 7
TY = número de variables reales + 1 (2+ 1 = 3)

TA = número de mayores-que (1)
NEQ = número de igualdades (1)
El formato es
104 FORMAT(512).
NM PU
O: sion slpiipr sp. A quin]
IW IZ 1Y IA NEQ
Se debe tener la seguridad de perforar el valor en cada pareja de columnas tan
desplazado hacia la derecha como sea posible. Por ejemplo, si se perfora IW con
un 3 en la columna 1 en lugar de la columna 2, el computador leería esto como 30
en lugar de 3.
PASO 4 Preparar la tarjeta 2 de datos, ITAB. Esto indica si se desea o no impri-

mir la matriz después de cada iteración. Si esto es lo «1e se desea, se perfora un 1
en la columna 1. Si sólo se requiere la matriz original y la matriz de la solución fi-
nal, simplemente se inserta una tarjeta en blanco. En cualquier caso debe utilizar-
se una tarjeta; este paso no debe omitirse.
NoTa 311
PASO 5 Preparar la(s) tarjeta(s) de datos de la función objetivo c,. Esta tar-
jeta introduce los coeficientes de las variables reales (REAL. VAR.) de la función
objetivo. El programa genera por si mismo los coeficientes de las variables arti-
ficiales (ART. VAR.) y de las de holgura (SLACKS VAR.)
READ(S, 102) (PON), N =1, D)
102 FORMAT(8F10.4)
Según este formato pueden colocarse ocho valores por tarjeta. Se pueden uti-
lizar todas las tarjetas que sean necesarias. Por ejemplo, 19 variables requerirían
tres tarjetas, 8 en cada una de las dos primeras tarjetas y 3 en la última. Para
cada coeficiente se utilizan diez columnas. Este formato permite hasta cuatro lu-
gares decimales, con el punto decimal perforado en cada columna que termina en
6(6, 16, 26, 36,...). Hay que tener la seguridad de perforar el decimal y el signo ne-
gativo si fuera necesario.
114203706 35. 167,8 9 10-11-42 13 M.olSa116eh 181 19 20

A l 0
_—n> :
o
coeficiente dé coeficiente de
X1 X2
PASO 6 Preparar las tarjetas de datos de la matriz original a,,. Esto introduce
los coeficientes de las variables reales en las restricciones a,,. Los coeficientes
de las variables artificiales y de holgura son generados por el mismo programa.
El programa lee los coeficientes, una restricción a la vez, y no los mezcla. Cuan-
do se completa una restricción, el programa siempre comienza con una nueva tar-
jeta de datos, aun si la última tarjeta no estuviera completa. El espaciamiento es
igual al del paso 5.
A A DO112 M =1,IW
112 READ(S, 102) (D(M,N), N = 1,1)
102 FORMAT(8F10.4) A
A A A
Columnas
A A A
Tarjeta 1234567891011 12 13 14 1516 17 18 19 20 | Restricción
4
5
6
PASO 7 Insertar los datos b, de la columna b. La última entrada es para la co-

lumna b. Habrá tantos valores de entrada como restricciones. El espaciamiento
es igual al de los pasos 5 y 6. Se debe tener la seguridad de comenzar una nueva
tarjeta y listar los valores de acuerdo a la forma como fueron ordenadas las res-
tricciones. Como antes, se pueden colocar hasta ocho valores por tarjeta.
READ(5,102) (D(M,IZ), M- 1, 1W)
102 FORMAT(8F 10.4)
1 Restricción 2 Restricción 3
Restricción 4 _2 4
_——— _____—. e ÍA
—_
21 22 23 24 25 26 27 28 29 30
_INNá<>á>”
LASA OT SS MO MAIN AS 1617.18. 1920

ERO 4.0 Ss 0
El bloque completo de datos es:
Tarjeta Información introducida

1 IW, IZ, IY, IA, NEQ
2 ITAB = 1 (imprimir todas las tablas)
ITAB = 0 sólo la matriz original y la solución
17) Valores c,
1 Valores a,,
E Valores b,, ,
En seguida se lista el programa, luego las tarjetas de datos de este problema,
y finalmente la salida cuando ITAB = 1.
$J08 WATFIV +e*e*xexerrrrsrer REGION=30K JIM SHAMBLIN

DIMENSION D(20+51)»P(50),1BV(20),5C(50)
101 FORMAT(11)
102 FORMAT(8F10.4)
104 FORMAT (SI2)
105 FORMAT(1H1)
106 FORMAT (1H0»+26HTABLEAU AFTER PIVOT NUMBER ,14)
108 FORMAT (1HO,B8HSOLUTION )
109 FORMAT(1HO+BHVARIABLE ,4X,SHVALUE )
110 FORMAT(1H , 15,F12.2)
111 FORMAT (1H0+25HALL
= ODDYJSMSymn” OTHER VARTABLES=ZERO.
ARRANGE ROWS CONTAINING GREATER THANS FIRST» THEN EQUALITIES, THEN LESS THANS
IW = NO CF CONSTRAINTS», IZ = NO OF COL IN MATRIX INCLUDING B COL
IY = NO OF VAR(REAL) +1, IA = NO OF ROWS WITH NEG SLACK
NEO = NO OF EQUALITIES
ITAB = l, PRINT ALL ITERATIONS, =0+ DO NOT
P(N) = COEF OF REAL VAR IN ORJ FUNC”" 5; DOES NOT INCLUDE SLACKS OR ART. VARo
C— D(M+N) = COÉEF OF CONST NOTE MAY INCLUDE B COL
NN=0
READ(5.104) IW+IZ+,IY,TA,NEO
1x=127-1
I=IY-1
IR=1
READ(5,101)ITAB
REFAD(5,102) (P(N),N=1,1)
D0697 JIM=IY,IX
697 P(JI“Y)=0.0
IK=[A+MEO
IF(IK.F0.0) GO TN 69
NEG=TY+TA
NEF=NEG+IA-1+NEO
DO 62 KKK=NEG,NFF
68 P(KKK)=-999,0
69 CONTINUF
DN 103 N=]+,IX
103 SC(N)=P(N)
DC 112 M=1.I9w
112 READ(5+102)(N(M,N),N=1+,1)
READ(S+102) (D(M,IZ),M=1 +10)

DO 113 I=1,Iw
00 113 J = IY. IX
113 ND(I,J) = 0.0
DO 114 1 = l.,Iw
J = T+IY+TA-1
114 ND(I,J) = 1,0
TF(IA.FO.0.0) GO TO 118
DG;115 1 =:19 TA
el ds
NN
LS. DVE:- INES ==1:00:
118 CONTIMUE
DN 20 N=IY+IX
DO 30 L=1l,I0“
IF(D(L+,NM)-1.0) 39,40,20
30 C.ONTINUF
NOTA 313
47 GA TA 20
48 40 IRV(L)=M
49 20 CONTINUE
50 NCPIV=0
51 WRITE (56,200) 1£
52 200 FORMAT (1H1+20X,'X1 THU X*,]2,* ARE REAL VARIABLES?)
53
54 1X1 = IR+]A+1
55 IX2=IX1+IA -1 +NEQ
56 WRITE(6,202) IX1,1X2
57 202 FORMAT (1H0+20X,*X*,12," THRU X*,12,” ARE ARTIFICAL VARIABLES")
58 203 CONTINUE
60 TO 100
60 13 SCMAX=0,0
NNz=1
DO 31 N=1),I1X
DO 32 I=1,IM
IF(-1BV(1)) 32,31,32
32 CONTINUE
SUM=0.0
DO 33 I=1,IWw
J=1BV(1I)
33 SUM=SUM+P(J)*D(1,N)
SCIN)=P(N)=SUM
IF(SC(N)=SCMAX) 31,31,310
310 SCMAX=SCIN)
IPIVC=N
31 CONTINUE
IF(SCMAX) 14,14,140
140 SMVAL =99999999,
IF(ITAB.EO0.1) GO TO 100
19 CONT INUE
DO 4 M=1,IW
IF(D(M,IPIVC)) 44,5
QUONT=D(M,12)/D(M,IPIVC)
IF(SMVAL-QUONT) 4,4»6
IPIVR=M
SMVAL =0UCNT
CONTINUE
IBV(IPIVR)=IPIVC
DIV=D(IPIVR+,IPIVC)
DO? Nz=1l,I1Z
D(IPIVR+N)=0( IP IVR+N)/DIV
NOPIV=NOPIV+1
IF(ITAB-1) 12,120,12
120 WRITE (6,106) NOPIV
12 DO 10 M=1,I0W
IF(M-IPIVR)9+,10,+9
CM = -D(M,IPIVC)
DO11 N=15,12
TM=D(IPIVR+,N)*CM
11 D(M+,N)=D(M¿N)+
TM
10 CONTINUE
GO TN 13
100 CONTINUE
60 TO 221
14 WRITE(6,108)
WRITE(6,109)
DO 21 M=],IM
21 WRITE(6,110) IBV(M),D0(M,1Z)
WRITE(6,111)
221 CONTINUE
A=12
IR=12/13
A=A/13.
IF(ALGT.TR) TR=IR+1
K1=1
DO 210 K=1,I2
K2=K1+12
K3=K2
IF(K2.Gt.12) K3=17?
IF(K2.NE.12) K2=I1Z-1
WRITE(62211) (XK I,KI=KloKz)
211 FORMAT(1H0+//+13(7X+*X* .12))
ON 212 M=1,IW
122 212 WRITE(6,213) (D(M,N),N=K1+K3)

123 213 FORMAT(IH +2X+13(F9,3,1X))
124 WRITE(6,214) (SCIN)»+N=K1+K2)
125 214 FORMAT(1H0+2X+13(F9.3,1X))
124 210 Kl=k2+1
127 IF(NN.EQ+0) GU TN 13 !
128 IF(SCMAX.GT.0) GA TO 19 Ñ
129 WRITE(6+105)
130 stop
131 END
SENTRY
Prat ysane LAJYECNT (UNE 51% HYTFS+ARRAY AREAS 4560 AYTESTUTAL AREA AVAILABLE» 30720 AYTES
DIGNO TIOS Nuvuró DE EFLOSa 0, NUMAER DF WARYINGS. 0. NUMBER OF EXTENSIONS» 0
COAPI1T TIM a 1062 “FCO +EXECUTIO 4 TIMES 0,36 SEC» MWATFIV - VERSION 1 LEVEL 3 MARCH 1971 DATES 73/152
ARRE RARA RAR RR ERRE RR RARA RAR RAR RA RARE RRA ARA RAR RRA RARE RA RARA RARA RARA RARA RAR RENA RARA RARA RARA RAR RRA RAR RRA RR TNT TA
DIBIDNARA NINA AAA ANA NAAA NAAA ANA AIA NADAN III AA AAAAIAAANANA AAA IAAAAIIAA AAN ANA DANA DAA INIA ANA OOOO VARIA INV ISI NAAA
III! 1041
IIIITOTAL COSTA 8 0171/1141 111141 1NES> PH INTEDA AIIIII III III ICAROS READA LOTISIIIIIIIII1IO80 290111440 VIII VII
1141 1.14
IIIIDATE A OARIDAITAIII III 1114911880 OF Davs 13.71////////14/108U UNIVEPSITY COMPUTER CENTER USER TERMINAL /////1/141111141
1141
ARRE R AR RAR RRA RARA R AER RRA RR RAR RAR RRA RARA RRA RAR ARRRA RR RARO RR R RR RARA RAR RRA RR RAR RRA RR AR RARA RARA RARI AR RAR RRA ARI RA RARA
ARRE RRE RRA RARA RARA RR RAR RAR RRA REE RR RAR AR ER RR RRA RR RARA RARA RAR RAR RARA RARO RAR RARA RR RRA RR TR RAR RR RITA TRI RIR RRA
X1 THRU X 2 ARE REAL VAR[ABLES

X 4 THRU X 5 ARE ARTIFICAL VARIABLES
x 1 x2 x 3 Xx 4 x 5 x6 x
2.000 3.000 -1.000 1.000 0.000 0.000 7.000
0.000 1.000 0.000 0.000 1.000 0.000 4.000
2.000 1.000 0.000 0.000 0.000 1.000 8.000
1.500 1.000 0,000 -999,000 -999.000 0.000
x 1 x2 x 3 x 4 x5 x6 x
2.000 3.000 -=1,000 1.000 0.000 0.000 7.000
0.000 1.000 0.000 0.000 1.000 0.000 4.000
2.000 1.000 0,000 0.000 0.000 1.000 8.000
1999.500 3997.000 -999.000 0.000 0.000 0.000
TABLEAU AFTER PIVOT NUMBER 1
x 1 x2 x 3 Xx 4 x5 x6 x
0.667 1.000 -0.333 0.333 0.000 0.090 2.333
.-0,667 0.000 0.333 -0.323 1.000 0.000 1.667
1.333 0.000 0.323 -0,333 0.000 1.000 5.667
-665.166 0.000 323.333 -1332,333 0.000 0.000
TARBLEAU AFTER PIVOT NUMHER 2
A x2 x 3 x4 x5 x 6 x
0.000 1.000 n.000 0.000 1.000 0.000 4.000
-2.000 0.000 1.400 -1.000 3.000 0.000 5.000
2.000 0.000 0.00U 0.000 -1.000 1.090 4.000
1,500 0.000 0.000 -999,000 -1000.000 0.000
TABLEAL AFTER PIVOT MUMAER 3
SOLUTION
VARIABLE VALUE
2 4.00
3 9.00
1 2.00
PROBLEMAS 315
ALL OTHER VARIABLES=ZERO.
x 1 AA x 3 Xx 4 x 5 Xx 6 x
0.000 1.000 0.000 0.000 1.000 0.000 4.000
0.000 0.000 1.000 -1.000 2.000 1,000 9.000
1,000 0.900 Y.069 0,000 -0+.500 0.500 2.000
0.000 0.000 ND.000 -999.000 -909,250 -0.750
REFERENCIAS
1 Dantzig, George B.: “Linear Programming and Extensions,” Princeton Univer-

sity Press, Princeton, N. J., 1963.
2 Garvin, Walter W.: “Introduction to Linear Programming,” McGraw-Hill Book
3 Gass, Saul 1.: “Linear Programming,” 2a. ed., McGraw-Hill Book Company,
Nueva York, 1964.
4 Hadley, G.: “Linear Programming,” Addison-Wesley Publishing Company, Inc.,
5 Levin, Richard l., y Rudolph P. Lamone: “Linear Programming for Management
Decisions,” Richard D. Irwin, Inc., Homewood, 1I!., 1969.
PROBLEMAS
10-1 Representar gráficamente y resolver. Maximizar x = 3x1 + Tx. sujeta a
x, + 4x2<20 2X1 TX 30 ita :—8
10-2 Resolver gráficamente las siguientes funciones objetivo, dadas las restric-
ciones.
ar Ely <Ó 16 x+y<24 x+3y: 4 > 20

—4x + 10y
(a) Maximizar z=2x32y-—4.

(b) Minimizar z=6x-— 2y+ 120.
(c) Maximizar z=4x+ 4).
10-3 Maximizar z = 4x, — 2xz + 2x3 + 0x, sujeta a
2x1, + 2x2 + 2x3 + 2x4 16

4x, 2x3 Ss 8
4x; —= 2X2 = xÉ 4
10-4 Minimizar 2 = 0,5x4 + 1,5x, — 0,5x3 sujeta a
= 0,5x; == 0,5x» + X3 2,5
A 0,5x»2 + 0,5x3 IAIA3

0,5x1 — l,óxa+ 2,5x3 >10
10-5 Minimizar 2 = 6x, + 4x, + 2x3 sujeta a
6x1 + 2x2 + 6x3 > 6
6X; + 4x, 1 12
241 2X2 2
10-6 Un distribuidor de ferretería planea vender paquetes de tuercas y tornillos
mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaños de tuer-
cas y tornillos componen el paquete y se compran en lotes de 200 libras. Los
tamaños 1, 2 y 3 cuestan respectivamente $20, $8 y $12. Además:
(a) El peso combinado de los tamaños 1 y 3 debe ser al menos la mitad del
peso total del paquete.
(b) El peso de los tamaños 1 y 2 no debe ser mayor que 1,6 libras.
(c) Cualquier tamaño de tornillo debe ser al menos el 10 por ciento del pa-
quete total.
¿Cuál será la composición del paquete que ocasionará un costo mínimo?
10-7 Un fabricante de gasolina para aviación vende dos clases de combustible,
A y B. El combustible clase A tiene 25 por cientode gasolina grado 1, 25 por
ciento de gasolina grado 2, y 50 por ciento de gasolina grado 3. El combusti-
ble clase B tiene 50 por ciento de gasolina grado 2 y 50 por ciento de gasoli-
na grado 3. Disponibles para producción hay 500 galones /hora de grado 1
y 200 galones hora de los grados 2 y 3. Los costos son 3U centavos por ga-
lón de grado 1, 60 centavos por galón de grado 2, y 50 centavos por galón de
grado 3. La clase A puede venderse a 75 por galón, mientras que la clase B
alcanza 90 galón. ¿Qué cantidad debe fabricarse de cada combustible?
10-35 El propietario del Rancho Little Dixie está realizando ensayos para determi-
nar la mezcla correcta de dos clases de alimento. Ambos contienen diver-
sos porcentajes de cuatro ingredientes esenciales, ¿Cuál es la mezcla de
costo minimo? |
“¿ por libra Requerimiento

de alimento mínimo,
Ingrediente Alimento 1 Alimento 2 libras
Costo, $. libra
PROBLEMAS 317
10-9 La compañía Peer fabrica cuatro productos, 1 hasta 4. En la siguiente tabla

se enumeran los requerimientos de materia prima, el espacio necesario de al-
macenamiento, las tasas de producción, y las ganancias. La cantidad total
de materia prima disponible diariamente para todos los cuatro productos es
180 libras. El espacio total disponible para almacenamiento es 230 pies cua-
drados, y en la producción se utilizan 5 horas /día.
bad Alf Jato

Materias primas, libras, unidad 2 2 1,5
Espacio, pies? /unidad 2 2,5 2
Tasa de producción, unidades /hora 15 30 10
Ganancia, $/unidad $5 $6,50
¿Cuántas unidades de cada producto deben fabricarse para maximizar la

ganancia total?
10-10 Una compañía tiene tres tipos de máquinas procesadoras, cada una de di-
ferente velocidad y exactitud; la de tipo 1 puede procesar 20 piezas /hora
con una precisión de 99 por ciento; la de tipo 2, 15 piezas /hora con una pre-
cisión de 95 por ciento; y la de tipo 3, 10 piezas/hora con una precisión de
100 por ciento. El funcionamiento de la de tipo 1 cuesta $2, hora; de la de
tipo 2, $1,75/hora; y la de tipo 3, $1,50 por hora. Cada día (8 horas) deben
procesarse por lo menos 3.500 piezas y hay disponibles 8 máquinas de la de
tipo 1, 10 máquinas de la de tipo 2, y 20 máquinas de la de tipo 3. Cada error
le cuesta a la compañía $1. ¿Cuántas máquinas de cada tipo deben utilizar-
se para minimizar el costo?
10-11 La compañía Johnson manufactura cuatro productos, A, B, C, y D: ¿Es ópti-
ma la combinación presente? Si no lo es, cuál sería.
REQUERIMIENTOS DE VENTAS COMBINACION PRESENTE DE

SEMANALES MINIMAS PRODUCTOS POR SEMANA
Producto Producto Unidades
Tiempo disponible
Ganancia, $/unidad
10-12 Una compañía trasportadora tiene 10 camiones con capacidad de 40.000 li-
bras y 5 camiones de 30.000 libras de capacidad. Los camiones grandes tie-
nen costos de operación de 30 centavos por milla, y los más pequeños de 25
centavos por milla. En la próxima semana la compañía debe trasportar
400.000 libras de malta para un recorrido de 800: millas. La posibilidad de
otros compromisos significa que por cada dos camiones pequeños manteni-
dos en reserva debe quedarse por lo menos uno de los grandes. ¿Cuál es el
número óptimo de camiones de ambas clases que deben movilizarse para
trasportar la malta? (Ignorar el hecho de que la respuesta debe darse en for-
ma de números enteros.)
10-183 Una compañía de almacenes tiene 1,5 millones para asignarlos a uno de sus
almacenes. Tres productos, 1, 2, y 3 requieren respectivamente 30, 3, y 15
pies cúbicos de espacio por unidad, y el espacio disponible es 300.000 pies?.
El producto 1 cuesta $12; el producto 2, $4,50; y el 3, $15. ¿Qué cantidad de-
be adquirirse de cada producto si los precios de venta de 1, 2, y 3 son respec-
tivamente $15, $6, y $21?
10-14 Un agente vendedor maneja dos productos. El no espera vender más que 10
unidades/mes de producto 1 o 39 unidades,mes de producto 2. Para evi-
tar una multa él debe vender al menos 24 unidades de producto 2. El recibe
una comisión de 10 por ciento sobre todas las ventas y debe pagar sus pro-
pios gastos, los cuales se estiman en $1,50 por hora gastada en hacer visi-
tas. El trabaja sólo una parte del tiempo y debe trabajar hasta un máximo
de 80 horas, mes. El producto 1 se vende en $150 por unidad y requiere un
promedio de 1,5 horas por cada visita; la probabilidad de hacer una venta
es 0,5. El producto 2 se vende en $70 por unidad y requiere un promedio de
30 minutos por cada visita; la probabilidad de hacer una venta es 0,6. ¿Cuán-
tas visitas mensuales debe hacer a los clientes de cada producto?
11
PROBLEMAS DE ASIGNACION
Y TRASPORTE
Hay dos clases especiales de problemas de programación lineal a los que

se hace referencia frecuentemente con el nombre de modelos de distribu-
ción, éstos son los problemas de trasporte y asignación. Teniendo en cuen-
ta que la solución de estos dos problemas por el método simplex no es efi-
ciente, se han desarrollado algoritmos especiales para resolverlos, los
cuales se presentan en este capítulo.
EL PROBLEMA DE TRASPORTE
El problema de trasporte consiste en colocar en varios destinos, las uni-

dades situadas en varios orígenes, en tal forma que la colocación sea ópti-
ma (costo mínimo o ganancia máxima). Matemáticamente, el problema se
define de la siguiente manera. La ecuación objetivo es
m
M=
CijXi; (11-1)
i=1 j=1
la cual está sujeta a las restricciones
Y xy=48 ¿i=1,2....m (112)

320 PROBLEMAS DE ASIGNACION Y TRASPORTE
TO A (11-3)
uiDeatsbid A)
x;¡¡>0 para todas las : y j (11-5)
donde x;, es la cantidad asignada desde el origen ¡ hasta el destino¡

y c,, es el costo o ganancia de asignar 1 unidad desde el origen ¡ hasta
el destino j. Los valores a, son las cantidades disponibles en cada ori-
gen, y los valores b, son las cantidades requeridas en cada destino. Con
frecuencia se hace referencia a estos valores como requerimientos de
contorno. La ecuación (11-4) indica que las sumas de los valores a; y b,
deben ser iguales. Esta restricción no impone limitaciones serias al
problema. Todo lo que se requiere para satisfacer la ecuación (11-4) es in-
troducir un origen ficticio o un destino ficticio. Este punto se ilustrará en
los siguientes ejemplos.
La tabla 11-1 ayudará a explicar las ecuaciones (11-1) hasta (11-5).
Los métodos más usuales de obtener una solución al problema de
trasporte son el método de la esquina noroeste y el método de aproxima-
ción de Vogel, presentados en los siguientes ejemplos.
Tabla 11-1 FORMA TABULAR DEL PROBLEMA DE TRASPORTE
| oy Cn
X11 a;
Xin
Xz1
i ,
Xi1 Xi2 ; Xi
a;
€
AE
Cm1 Cm2 y E
»
XAm1 Xm2 a
Am
E Xmn
Requerimientos by b) : ba
EL PROBLEMA DE TRASPORTE 321
EJEMPLO 11-1 Método de la esquina noroeste: Caso de minimi-

zación. Cuatro expendedores de gasolina A, B, C y D requieren 50.000,
40.000, 60.000 y 40.000 galones de gasolina respectivamente. Es posible
satisfacer estas demandas a partir de las localidades 1, 2, y 3 que dispo-
nen de 80.000, 100.000 y 50.000 galones respectivamente. Los costos de
despachar 1.000 galones de gasolina presentados en la tabla 11-2, indican
que cuesta $70 enviar 1.000 galones de gasolina desde la localidad 1 hasta
el expendedor A, $80 enviar 1.000 galones de gasolina desde la localidad 2
hasta el expendedor B, etc.
El problema consiste en determinar las cantidades de gasolina que
deben enviarse desde cada localidad hasta cada expendedor, de manera
que los requerimientos de los distribuidores sean satisfechos y los costos
totales de despacho sean mínimos.
El primer paso en la obtención de una solución de este problema, es
establecer el problema y hacer la distribución inicial, como se indica en
la tabla 11-3. Para facilitar los cálculos se multiplican por 10-4 los valo-
res de los suministros y de los requerimientos.
En este ejemplo es necesaria una columna ficticia ya que el suminis-
tro es mayor que la demanda. Cuando la demanda es mayor que el sumi-
Tabla 11-2 COSTO DE DESPACHAR

1.000 GALONES DE
GASOLINA
(EJEMPLO 11-1)
Tabla 11-3 ASIGNACION INICIAL PARA EL EJEMPLO 11-1
Expendedor
Localidad Ficticia [Suministro

nistro es necesaria una fila ficticia. La ecuación (1 -4) se satisface

agregando una fila o una columna ficticia.
La asignación inicial indicada en la tabla 11-3 se efectúa por el mé-
todo de la esquina noroeste. Este método requiere comenzar en la esquina
noroeste (fila 1, columna 1) y hacer una asignación suficientemente gran-
de para agotar la capacidad del origen de la primera fila o satisfacer el
requerimiento del destino de la primera columna o ambos. La cantidad
asignada a x,, en este problema es 5, ya que esta es la cantidad reque-
rida por el expendedor A. Por lo tanto quedan 3 en la localidad 1. El mé-
todo de la esquina noroeste requiere que esta cantidad sea asignada a
x1m. Puesto que la asignación de 3 a xi completa la cantidad disponi-
ble en la localidad 1; el siguiente paso es considerar la fila 2. El expende-
dor B requiere 4 en total; como ya se han asignado 3, se asigna al expen-
dedor B, 1 más procedente de la localidad 2. Esta asignación completa
los requerimientos del expendedor B. Por consiguiente, se hacen asigna-
ciones a lo largo de la fila 2 hasta agotar la cantidad disponible (sumi-
nistro) sin hacer una asignación mayor que la requerida. Continuando en
esta forma, se agotan las capacidades de los orígenes y se satisfacen los
requerimientos de los destinos. Esto ocasiona un movimiento hacia la es-
quina sureste. :
La asignación mostrada en la tabla 11-3 indica lo siguiente:
Despachar 50.000 galones desde la localidad 1 al expendedor A.

Despachar 30.000 galones desde la localidad 1 al expendedor B.
Despachar 10.000 galones desde la localidad 42 al expendedor B.
Despachar 60.000 galones desde la localida al expendedor C.
Despachar 30.000 galones desde la localida al expendedor D.
Despachar 10.000 galones desde la localidad 3 al expendedor D.
40.000 galones de la localidad 3 no se despachan.
El costo total (CT) de esta asignación es:

CT = 50(70) + 30(60) + 10(80) + 60(60) + 30(70) + 10(60) + 40(0)
= $12.400 111)
Pruebas de optimalidad y degeneración

Después de cada asignación deben hacerse pruebas de degeneración y
optimalidad. Cuando el número de casillas que tienen asignaciones es
menor que m + n — 1, donde m es el número de filas y n el número de
columnas, se dice que la solución es degenerada. En el ejemplo 11-1, m +
n — les igual a 7, y el número de casillas con asignaciones en la tabla
11-3 también es 7. Por consiguiente, esta solución no es degenerada. Si el
número de casillas que tienen asignaciones fuera 6 o menos, la solución
sería degenerada. Más adelante en este capítulo se considera la degene-

ración.
En los siguientes pasos se resume una prueba para determinar si una
solución es optimal.
PASO 1 Formar una matriz que contenga los costos asociados con las
casillas en las cuales se han hecho asignaciones.
PASO 2 Utilizando esta matriz, establecer un conjunto de números vu,
y otro conjunto de números u, tales que su suma iguale los costos obte-
nidos en el paso 1. Matemáticamente, esto se expresa por
Ci¡=U4¡+0; (11-6)
En la tabla 11-4 se muestran los pasos 1 y 2.

PASO 3 Colocar el valor de u, + vu, en las casillas que no tienen asig-
naciones.
En la tabla 11-5 se muestra este paso.
PASO 4 Restar los valores de la tabla 11-5 de los respectivos coeficientes
de costo de la matriz original (Tabla 11-3). Matemáticamente este paso
se expresa por la ecuación
Ci¡ — (4; +0) (11-7)
En la tabla 11-6 se muestran los resultados de este paso. Si cuales-
quiera valores de la tabla 11-6 son negativos, la solución no es optimal.
Obviamente, si se desea pueden combinarse las tablas 11-4 a 11-6.
Tabla 11-4 VALORES DE u, y vu,

Tabla 11-6 VALORES DE c,, — (u¿+ uy)
Desplazamiento hacia una solución optimal

Ya que la asignación de la tabla 11-3 no es optimal, es necesario hacer otra
asignación. En los siguientes pasos se describe una aproximación siste-
mática para hallar una solución optimal.
PASO 1 Identificar la casilla de la tabla 11-6 que tenga el menor va-
lor. En este caso, es la casilla (2,1) (fila 2, columna 1), que tiene un valor
de —40; en caso de encontrar dos valores iguales, debe hacerse una se-
lección arbitraria.
Tabla 117 TRAYECTORIA MAS-MENOS DE LA PRIMERA

ITERACION (EJEMPLO 11-1)
Expendedor
Localidad Ficticia | Suministro
Requerimiento
PASO 2 Trazar una trayectoria más-menos en la matriz de trasporte. Es-

ta trayectoria debe comenzar y terminar en la casilla identificada en el
paso 1. Además esta casilla es positiva. Las demás esquinas de la tra-
yectoria (donde la trayectoria cambia de dirección) se designan alter-
nativamente menos y más. Además, en todas las esquinas deben haber
asignaciones, excepto la casilla identificada en el paso 1. No es necesario
que esta trayectoria sea rectangular. En la tabla 11-7 se muestra la tra-
yectoria apropiada más-menos.
EL PROBLEMA DE 'TRASPORTE 325
Tabla 11-8 ASIGNACIONES DE LA PRIMERA ITERACION

Y TRAYECTORIA MAS-MENOS DE LA SEGUNDA
Expendedor
Requerimiento
PASO 3 Seleccionar en las esquinas negativas la cantidad más peque-

ña y hacer una nueva asignación sumando o restando esta cantidad de
las esquinas más o menos, respectivamente. Como verificación, debe te-
nerse la seguridad de no violar los requerimientos de contorno. Este paso
se muestra en la tabla 11-8.
Tabla 11-9 PRUEBA DE OPTIMALIDAD DE LA

ASIGNACION MOSTRADA EN LA
TABLA 11-8
Después de cada iteración debe hacerse un ensayo de optimalidad

y degeneración. En la tabla 11-9 presenta el ensayo de optimalidad de ma-
nera concisa. Puesto que en la tabla 11-9 hay valores negativos, las asig-
naciones de la tabla 11-8 no son óptimas. Por consiguiente, es necesaria

otra iteración. Empleando la trayectoria más-menos mostrada en la tabla
¿11-8 se obtienen las asignaciones indicadas en la tabla 11-10.
Ñ
Tabla 11-10 ASIGNACIONES DE LA SEGUNDA ITERACION

Y TRAYECTORIA MAS-MENOS DE LA TERCERA
Expendedor
Localidad C Ficticia | Suministro
Requerimiento
Las tablas 11-11 a 11-17 son iteraciones hacia una solución optimal
y sus respectivos ensayos de optimalidad. El lector debe verificar estas
tablas para tener la seguridad de comprender el procedimiento iterativo.

ASIGNACION DE LA TABLA 11-10
EL PROBLEMA DE TRASPORTE 32/
Tabla 11-12 ASIGNACIONES DE LA TERCERA ITERACION

Y TRAYECTORIA MAS-MENOS DE LA CUARTA
Expendedor

Tabla 11-14 ASIGNACIONES DE LA CUARTA ITERACION

Y TRAYECTORIA MAS-MENOS DE LA QUINTA
Expendedor
Requerimiento

80 4
KB
E mo
Puesto que todos los valores de la tabla 11-17 son no-negativos, las
asignaciones de la tabla 11-16 son óptimas. Por consiguiente, la solución
es:
Desde la localidad 1 enviar 10.000 galones al expendedor C.
Desde la localidad 1 enviar 30.000 galones al expendedor D.
En la localidad 1 quedan 40.000 galones.
Desde la localidad 2 enviar 50.000 galones al expendedor A.
Desde la localidad 3 enviar 40.000 galones al expendedor B.
El costo total de esta solución es
CT = 10(60) + 30(60) + 40(0) + 50(50) + S0(60) + 40(50) + 10(60)
$10.500
Tabla 11-16 ASIGNACIONES DE LA QUINTA ITERACION

(EJEMPLO 11-1)
Expendedor

Si en la tabla final c,, — (v, + u,) se presenta un cero, como en este

caso, esto indica que hay otra asignación que da el mismo costo total op-
timal. Por ejemplo, si se hacen las asignaciones,

En la localidad 1 hay 10.000 galones que no se despachan.
por tanto el costo total es
CT = 40(60) + 30(60) + 10(0) + 50(50) + 20(60) + 30(0) + 40(50) + 10(60)

= $10.500
Este es el mismo costo total obtenido con la asignación anterior.
EJEMPLO 11-2 Método de la esquina noroeste: caso de maximi-

zación El procedimiento descrito también puede usarse para maximiza-
ción si se hace una ligera modificación. Puesto que minimizar el negativo
de una función equivale a maximizar la función, la modificación requerida
consiste en hacer negativos todos los coeficientes de la ganancia. Des-
pués de esta modificación, el procedimiento es igual al empleado en la mini-
mización. Por ejemplo, se considera el problema del ejemplo 11-1 pero con
las ganancias obtenidas por el trasporte de 1.000 galones como se indica
en la tabla 11-18.
Tabla 11-18 GANANCIA POR

1.000 GALONES
j (EJEMPLO 11-2)
Los primeros pasos consisten en ordenar los datos en forma de tabla,

multiplicar todos los coeficientes de la ganancia por — 1, y hacer una asig-
nación inicial según el método de la esquina noroeste. En la tabla 11-19
se muestra el resultado de estos pasos. A partir de este punto, los pasos
son los mismos descritos anteriormente.
En las tablas 11-19 a 11-22 se presente la solución completa de este
ejemplo.
Tabla 11-19 ASIGNACION INICIAL Y TRAYECTORIA MAS-MENOS

DE LA PRIMERA ITERACION (EJEMPLO 11-2)
Expendedor
Localidad Ficticia Suministro
Requerimiento

Tabla 11-21 PRIMERA Y ULTIMA ITERACION (EJEMPLO 11-2)
Expendedor
Localidad Ficticia |Suministro

La asignación final (Tabla 11-21) indica que la solución optimal es:

La ganancia total obtenida con esta solución es
GT = 50(80) + 30(70) + 10(70) + 50(80) + 40(70) + 10(80) + 49(0)

= $14.400 111]
Tabla 11-23 COEFICIENTES DE

COSTO DEL
EJEMPLO 11-3
395
460 305 380 345
375
EJEMPLO 11-3 Método de aproximación de Vogel (MAV):

caso de minimización. Al hacer las asignaciones iniciales por el método
de la esquina noroeste no se consideraron las magnitudes de los coeficien-
tes c,, de costo (o ganancia). Si se consideran las magnitudes de los coe-
ficientes del costo pueden haber menos iteraciones. El método de aproxi-
mación de Vogel basa su asignación inicial en la comparación de los coe-
ficientes del costo. Tres orígenes A, B, y C tienen disponibles 90, 110, y
50 unidades respectivamente. Cuatro destinos, 1, 2, 3, y 4 requieren 60,
50, 85, y 45 unidades, respectivamente. En la tabla 11-23 se muestra la
matriz de costos. El problema consiste en determinar la asignación que
ocasiona una solución óptima (costo mínimo en este ejemplo) utilizando
el método MAV.
El método MAV se resume en los siguientes pasos:
PASO 1 Formar la matriz inicial como se muestra en la tabla 11-24.

Puesto que la demanda total (240) es menor que la cantidad total dispo-
nible (250), es necesario agregar una columna ficticia.
PASO 2 Determinar la diferencia entre los dos coeficientes de costo

más pequeños (el que sigue al más pequeño y el más pequeño) para cada
fila y cada columna. Estos son los valores mostrados en la tabla 11-24 al
lado derecho y en la parte inferior de la matriz. Por ejemplo, la diferencia
para la fila 1 se obtiene de 395 — 0 = 395; para la columna 1, 420 — 300 =
120; para la columna 2, 375 — 305 = 70, etc.
PASO 3 Hallar la fila o columna con el valor más grande encontrado en

el paso 2 (en este caso 395 en la fila 1). A la casilla que tiene el menor
coeficiente de costo en esta fila (o columna) se le asigna la máxima canti-
dad permitida por los requerimientos de contorno (demanda o suministro).
En caso de empate, se hace una selección arbitraria. En este caso parti-
cular, el coeficiente más pequeño es cero, el cual aparece en la casilla
Ficticia-A. La máxima cantidad que puede asignarse es 10 unidades
ya
que ésta es la que se requiere (la demanda de la columna ficticia es 10
unidades).
Tabla 11-24 METODO MAV: CASO DE MINIMIZACION (EJEMPLO 11-3)
Destino
Origen 1 2 3 4 Ficticia |Suministro
420 395 400 435 0

Á 10 20 Lo 90 395 5 520 20
460 305 380 345 ==

O | 110 305 40 40 35 80
B 50 15 45
300 375 455 405 0

E => L=— 5 E
50
Demandas 60 S0 85 45 10 250
120 70 20 60 0
120 70 20 60 ==
40 90 20 90 ==
40 — 20 o o
40 E 20 a E
PASO 4 Asignar cero a las casillas restantes de la fila (o columna) donde

la demanda o el suministro se hayan agotado. En este problema, esta es
la columna ficticia. Este paso elimina una fila o columna (dependiendo
del requerimiento de contorno satisfecho) para todos los otros pasos pos-
teriores, al hacer la asignación inicial.
.
PASO 5 Repetir los pasos 2 a 4 hasta obtener una solución completa
una fila o columna, se asigna a esa ca-
Cuando sólo queda una casilla en
silla una cantidad que no viole los requerimientos de contorno.
PASO 6 Verificar la optimalidad de la solución empleando la prueba

descrita en la discusión de la regla de la esquina noroeste. Si la solución
trayec-
no es optimal se itera hacia una solución optimal, trazando una
toria más-menos en la forma descrita para la regla de la esquina noroeste.
in-
En la tabla 11-25 se muestra la prueba de optimalidad. Esta prueba
dica una solución optimal. Por consiguiente la solución es:
Desde el origen A enviar 10 unidades al destino 1.

En A quedan 10 unidades.
Desde el origen B enviar 50 unidades al destino
Desde el origen C enviar 50 unidades al destino oea
CT 101420)+ TO(400)+ 10(0) + SO(3OS)+ 15(380) + 451345) + SO(300)
= $83.675 1111

EJEMPLO 11-4 Método de aproximación de Vogel: caso de maximi-

zación. El método MAV presentado en el ejemplo 11-3 puede usarse en
un problema de maximización, haciendo una ligera modificación. La mo-
dificación requerida consiste en multiplicar todos los valores C¡¡ por —1,
empleando el concepto mencionado en el ejemplo 11-2, de que minimizar
la opuesta de una función equivale a maximizar la función original.
Como ejemplo, se utilizan los datos del ejemplo 11-3 excepto que los
coeficientes de costo presentados en la tabla 11-23 se consideran ahora
Tabla 11-26 METODO MAV: CASO DE MAXIMIZACION (EJEMPLO 11-4)
Destino
Demanda
como coeficientes de ganancia. En las tablas 11-26 y 11-27 se muestra la

solución de este ejemplo. La solución es
Desde el origen B enviar 60 unidades al destino 1.
10 unidades del origen B no se envían.
Desde el origen C enviar 50 unidades al destino 3.
La ganancia total (GT) de esta solución es
G T= 395(45) + 435(45) + 60(460) + 5(305) + 35(380) + 110(0) + 50(455)

= $102.525 111/

La degeneración
EJEMPLO 11-5 Tratamiento de la degeneración
tienen asignaciones es
se presenta cuando el número de casillas que
puede resolverse en
menor que la cantidad m + n— 1. La degeneración
asignación e infinitesimal-
cualquier etapa de la solución situando una
ción de e se hace me-
mente pequeña en una casilla apropiada. La asigna
fila o columna ya que esta
diante inspección y no afecta los totales de la
de la asignación de e a
es una cantidad muy pequeña. El tratamiento
otra asignación. Cuando se
una casilla es el mismo que para cualquier
hace igual a cero. Los detalles reales del
obtiene la solución optimal, « se
ración pueden ilustrarse mejor
tratamiento de un problema de degene
mediante un ejemplo numérico.
Tabla 11-28 PROBLEMA DE DEGENERACION (EJEMPLO 11-5)
Destinos
Orígenes 1 Ze 3 sc 4 5 Suministro
A 7
19 | |16] 10 | a
B 16 10 12] |E10] 8
5 3
E 12 16 16 12
8
2 6
12 10 12 16 14
D 4
4
0 0
Ficticia Es 9 2 5
Demanda 12: 3 2 6 32
Considerar la solución inicial de la tabla 11-28 obtenida por el método

de la esquina noroeste. Se supone que este es un problema de minimiza-
ción. Esta solución tiene asignaciones en 7 casillas, mientras que m +
n — 1 es 9. Por consiguiente, esta es una solución degenerada. En reali-
dad, la solución mostrada en la tabla 11-28 indica que es necesario agre-
gar más de una e.
La razón de que se presente una solución degenerada cuando
hay
menos de m + n— 1 casillas con asignaciones se basa en
la prueba de
optimalidad. En esta prueba se establece un conjunto único
de valores de
u; y vu, al seleccionar el valor inicial de uno de los valores Uy OD
Cuando el número de casillas ocupadas es menor que m-+n-—
l. vo
puede determinarse un conjunto único.
Con el objeto de verificar la optimalidad de la solución
mostrada en la
tabla 11-28, deben agregarse dos e. Cuando se requier
e más de una e,
debe seleccionarse arbitrariamente una de las e como
más grande. En
este ejemplo se supone que e<e'. En la tabla
11-29 se muestran las res-
pectivas asignaciones de e y e'. Debe recordarse que
las e deben situar-
se en las casillas que permitan una asignación
única de los valores de
u, y U,. Por ejemplo, la asignación de e a una
casilla A2, casilla D3, o
casilla D4 y la asignación de «' a la casilla C5 no
habrían permitido un
co:ijunto único de valores de u, y uv, después de
la selección inicial de
un valor de u, o u),.
En la tabla 11-30 se presenta la prueba de optim
alidad de la solución
dada en la tabla 11-29. Puesto que algunos valore
s Cy — (u¿+u,) son
EL PROBLEMA DE TRASPORTE 33/
Tabla 11-29 ASIGNACION DE « Y e' A LA TABLA 11-28 Y

TRAYECTORIA MAS-MENOS DE LA PRIMERA
Orígenes Suministro
D 4
Ficticia e g $
5
Demanda 12 3 2) 6 9 32
negativos, la solución no es optimal. La casilla que tiene el valor negativo

más grande es B4. Por consiguiente debe hacerse una asignación a esta
casilla. Esto se logra trazando la trayectoria más-menos mostrada en la
tabla 11-29. En la tabla 11-31 se presentan los resultados. En este punto,
es posible eliminar e de los cálculos ya que con e' hay nueve casillas
que tienen asignaciones. Por consiguiente la asignación de la casilla C1
es 5 en lugar de 5 + e. En la tabla 11-32 se muestra la prueba de optimali-
dad. Esta prueba indica una solución no optimal y el mayor valor negativo
está situado en la casilla D2. Trazando la trayectoria más-menos indicada
en la tabla 11-31 se obtienen las asignaciones mostradas en la tabla 11-33.
Esta trayectoria demuestra, nuevamente, que una trayectoria más-menos
no tiene que ser rectangular. En la tabla 11-34 se muestra la prueba de
optimalidad de las asignaciones de la tabla 11-33, la cual indica una solu-
ción no optimal. En este punto se elimina «' ya que ahora hay nueve
casillas con asignaciones y el problema ya no es degenerado. A partir de
este punto, el desplazamiento hacia una solución optimal es el mismo
mencionado anteriormente y se deja como ejercicio.
Una solución óptima (puede haber más de una) es

Tabla 11-31 PRIMERA ITERACION Y TRAYECTORIA MAS-MENOS

DE LA SEGUNDA ITERACION (EJEMPLO 11-5)
|
4 Suministro
Y)
B
E 3
10 12
5
10 Lz
12
a -0
14 | | 12 16) [16
(6 añ
S+e 2 SE pa pe
D | ]
pel búio ss e
Desde el origen C enviar 8 unidades al destino 5.

Desde el origen D enviar 1 unidad al destino 1.
Desde el origen D enviar 1 unidad al destino 2.
Desde el origen D enviar 2 unidades al destino 3.

Tabla 11-33 SEGUNDA ITERACION Y TRAYECTORIA MAS-MENOS

DE LA TERCERA ITERACION (EJEMPLO 11-5)
Orígenes 1 2 3 5 Suministro
a 16 | dE 7
B i 16 10 10 | 12 | 8
2 6
Cc 14 121.2. 1016 a 48
5 SIE 79 1
D 12 01] 1] ¿[Ja
] A 5
Ficticia 0

al
ta 0 Mes: a tur sz
10 10 16 | 12 10 14
ps 12 0 6 6
16 CIMA 12 10 121
0 = 6 pa ela
14 14 12 16 16 12
pla 4 E 8 cl
16 12 10 12 16 14
-4 lr 6 6 Le
2 0 0 0 0 Lo
=2 4 al 4 E
Puesto que en este ejemplo la demanda es mayor que el suministro,

la solución indica que en el destino 1 faltan 4 unidades y en el destino 5
falta 1 unidad.
El costo total de esta asignación óptima es
CT= (10) + 2(10) + 6(10) + 8(12) + 1(12) + 1(10) + 2(12) + 4(0) + 1(0)
= $292 Bl,
EL PROBLEMA DE ASIGNACION
Otra clase de modelo de distribución es el modelo de asignación.
Especí-
ficamente, este modelo está relacionado con la asignación de
un determi-
nado número de orígenes al mismo número de destinos
con el objeto de
optimizar alguna función de efectividad (ordinariamente el
valor de la
ganancia). Matemáticamente, el modelo de asignación se
define como la
optimización (maximización o minimización) de la función
EL PROBLEMA DE ASIGNACION 341
donde c;, son los coeficientes de costo (ganancia), sujetos a las res-
tricciones
x¡¡=1,0 PE ZO, 2.3 (11-9)
Me cs did 3,tes un (11-10)
x.y =001 para todas las x,, (11-11)
El problema expresado mediante las ecuaciones (11-8) a (11-11) se

puede resolver por medio de los métodos descritos en la discusión del
problema de trasporte, pero debido a que solamente se permite una asig-
nación en cada fila y columna [Ecs. (11-9) y (11-10)] este es un pro-
blema degenerado de trasporte. Por consiguiente se utiliza un método
especial, el cual se explica en los siguientes ejemplos.
EJEMPLO 11-6 Método de asignación: caso de minimización En

el terreno de una universidad cuatro contratistas diferentes 1, 2, 3, y 4 se
proponen construir cuatro edificios diferentes A, B, C, y D. Debido a que
los contratistas contribuyen generosamente al fondo de los alumnos,
cada uno construirá un edificio. Cada contratista ha remitido propuestas
para la construcción de los cuatro edificios. En la tabla 11-35 se muestran
las propuestas.
El problema consiste en determinar qué edificio debe adjudicarse a
cada contratista para lograr un mínimo costo de construcción de los cua-
tro edificios.
PASO 1 Restar el elemento más pequeño de cada fila de los demás ele-
mentos de la misma fila. En la tabla 11-36 se muestran los resultados de
este paso.
Tabla 11-33 PROPUESTAS DE CONSTRUCCION

(EJEMPLO 11-6)
(se omiten 0000.)
Contratista
Edificio
PASO 2 Restar el elemento más pequeño de cada columna de los demás

elementos de la misma columna. En la tabla 11-37 se muestran los resul-
tados de este paso.
PASO 3 Verificar la optimalidad trazando el mínimo número de líneas
que puedan pasar a través de todos los ceros de la tabla 11-37. En la
tabla 11-38 se muestra este paso. En algunos casos este paso causa difi-
cultades, ya que ordinariamente hay muchas formas de trazar estas lí-
neas. Las diferentes alternativas son posibles siempre y cuando el nú-
mero de líneas sea mínimo y se trazen horizontal o verticalmente. Las
líneas diagonales no se permiten.
Tabla 11-36 PASO 1: EL ELEMENTO MAS

PEQUENO DE CADA FILA
(EJEMPLO 11-6)
Contratista
Edificio
Tabla 11-37 PASO2:ELELEMENTOMAS

PEQUEÑO DE CADA COLUMNA
(EJEMPLO 11-6)
Contratista
Edificio
Tabla 11-38 PRUEBA DE OPTIMALIDAD

(EJEMPLO 11-6)
Contratista
Edificio
PASO 4 Después de trazar el número mínimo de líneas, se hace la prue-

ba de optimalidad. Si el número de líneas es igual a n (número de filas
o columnas), puede hacerse una asignación optimal. Si el número de
líneas es menor que n, se requiere iteración hacia una solución optimal.
En la tabla 11-38 el número mínimo de líneas es 3. Puesto que n = 4,
debe efectuarse una iteración hacia una solución optimal. Esto puede
lograrse seleccionando el elemento más pequeño, el cual no esté cruzado
por una línea (en esta iteración es 1) y restándolo de todos los elementos
no cruzados por una línea. Sumar esta cantidad a todos los elementos
situados en la intersección de líneas. Los demás elementos permanecen
inalterados. En la tabla 11-39 se muestra el resultado de este procedimien-
to de iteración.
PASO 5 Comprobar nuevamente la optimalidad. Esta prueba se muestra
en la tabla 11-40 e indica que es posible una asignación optimal. Si el nú-
mero de líneas hubiera sido menor que 4 se habría hecho otra iteración.
PASO 6 Hacer una asignación optimal. Esto se logra determinando en
la tabla final las posiciones de los ceros (mínimo número de líneas = n) y
recordando las restricciones impuestas por las ecuaciones (11-9) y (11-10).
Tabla 11-39 ITERACION HACIA UNA

SOLUCION OPTIMAL
(EJEMPLO 11-6)
Contratista
Edificio
-_
woo
Tabla 11-40 PRUEBA DE OPTIMALIDAD

(EJEMPLO 11-6)
Contratista
Edificio 1 Z 3 4
= m o
dDOYAa
La asignación optimal de este problema es:

El contratista 4 construye el edificio A.
El contratista 1 construye el edificio B.
El contratista 3 construye el edificio C.
El contratista 2 construye el edificio D.
El costo total es
44 + 56 + 90 + 44 = 234 = $2.340.000 148
Frecuentemente en algunos problemas es posible hacer más de una

asignación optimal. También, por definición el problema de asignación
requiere una matriz n X n. Sin embargo, es posible satisfacer este re-
querimiento en los casos que no tienen una matriz n X n, siempre y cuan-
do satisfagan los demás requerimientos de un problema de asignación.
En el siguiente ejemplo se ilustran estos dos puntos.
EJEMPLO 11-7 Una compañía trasportadora dispone de 5 camiones

situados en las ciudades A, B, C, D, y E. Se requiere un camión en las
ciudades 1, 2, 3, 4, 5 y 6. En la tabla 11-41 se muestra el kilometraje entre
las ciudades. El problema consiste en determinar la asignación de camio-
nes que minimiza el kilometraje recorrido por todos los camiones.
Puesto que la tabla 11-41 no es una matriz n x n, debe modificarse
antes de que pueda usarse el método de asignación. Esto se logra agre-
gando una fila ficticia, cuyos elementos sean todos cero ya que no se asocia
kilometraje a un vehículo que no se mueve. Este paso se muestra en la
tabla 11-42 y equivale a decir que una ciudad no recibe un camión. Si la
solución opuesta hubiera sido el caso, esto es, más camiones disponibles
que los necesarios, se habría agregado una columna ficticia. Debe indi-
carse que es posible agregar tantas filas o columnas ficticias como sean
necesarias con el objeto de obtener una matriz inicial n x n. La solución
y las pruebas de optimalidad del problema mostrado en la tabla 11-42 se
Tabla 11-41 KILOMETRAJE PARA EL

EJEMPLO 11-7
Hasta las ciudades

Desde las
ciudades
Tabla 11-42 ADICION DE UNA FILA

FICTICIA (EJEMPLO 11-7)
Hasta las ciudades

Desde las
ciudades
A
B 20
C 14
D 20
E 15
Ficticia
Tabla 11-43 PASOS 1 Y 2 Y PRUEBA DE

OPTIMALIDAD
(EJEMPLO 11-7)
Hasta las ciudades

Desde las
ciudades 2 3 4 5 6
Á 3 ] 8 20
B 17 1 111 13
E l 13 1 4 1
D 16 ] 14 1
E 10 8 12
Ficticia ga == 0
Tabla 11-44 PRIMERA ITERACION Y

PRUEBA DE OPTIMALIDAD
(EJEMPLO 11-7)
Hasta las ciudades
Desde las 1 2 3 4 5 6
ciudades
A —0 .—+
B 14 1 111 10 S
C ] 10 1 1 12
D 13 1 11 12
E Y) 9 5
Ficticia NA 0 +
presentan en las tablas 11-43 a 11-46. La asignación final (Tabla 11-46)

indica dos asignaciones. La asignación 1 es
t
Desde la ciudad A enviar un camión hasta la ciudad 6.
Desde la ciudad B enviar un camión hasta la ciudad 1.
Desde la ciudad C enviar un camión hasta la ciudad 5.
Desde la ciudad D enviar un camión hasta la ciudad 3.
Desde la ciudad E enviar un camión hasta la ciudad 4.
La ciudad 2 no recibe camión. h
El kilometraje total de esta asignación es
12+ 15+6+12+10+0=55 kilómetros
Tabla 11-45 SEGUNDA ITERACION Y

(EJEMPLO 11-7)
Hasta las ciudades

Desde las
ciudades
Á
B
C
D
E
Ficticia
Tabla 11-46 TERCERA ITERACION Y

(EJEMPLO 11-7)
Hasta las ciudades

Desde las 1 2 3
ciudades 5 5 6
A 1 1 2 1
B
C 2 1 1
D 1
E
Ficticia
X<«A<<<
PROBLEMAS 347
La asignación 2 consiste en
Desde la ciudad A enviar un camión hasta la ciudad 2.
Desde la ciudad B enviar un camión hasta la ciudad 6.
Desde ia ciudad C enviar un camión hasta la ciudad 3.
Desde la ciudad D enviar un camión hasta la ciudad 1.
Desde la ciudad E enviar un camión hasta la ciudad 4.
La ciudad 5 no recibe camión.
El kilometraje total de esta asignación es
154+20+2+8+10+0=55 kilómetros ////
Si un problema de asignación se expresa en función de ganancia o de
algún otro criterio que requiera maximización, puede utilizarse el mismo
método de asignación después de multiplicar por —1 todos los elementos
de la matriz inicial.
REFERENCIAS
1 Hadley, G.: “Linear Programming,” Addison-Wesley Publishing Company, Inc.,
2 Levin, R. L, y C. A. Kirkpatrick: “Quantitative Approaches to Management,”
2a. ed., McGraw-Hill Book Company, Nueva York, 1971.
3 Llewellyn, R. W.: “Linear Programming,” Holt, Rinehart and Winston, Inc.,
Nueva York, 1964.
4 Loomba, N. P.: “Linear Programming,” McGraw-Hill Book Company, Nueva
York, 1964.
PROBLEMAS
11-1 Expandir las ecuaciones (11-1) hasta (11-3) utilizando los datos del ejem-
plo 11-1.
11-2 Completar las iteraciones hacia una solución óptima omitidas en el ejem-
plo 11-5.
Desarrollar nuevamente el ejemplo 11-5 utilizando el método MAV.
11-4 Una compañía tiene tres campos petrolíferos principales y cinco refinerías
regionales. En la siguiente tabla se indican los costos de trasporte desde
CAPACIDAD DE LAS REFINERIAS PRODUCCION
Refinería Barriles/día Barriles/día

los campos hasta las refinerías, las capacidades de las refinerías, y la pro-
ducción de los tres campos. Determinar el esquema óptimo de trasporte
utilizando el método de la esquina noroeste.
COSTO POR 1.000 BARRILES/DIA

Refinería
$32 $33
36 37 32
31 40
11-5 Una companía tiene tres plantas de manufacturación, 1, 2, y 3, que pueden

producir uno o todos los cuatro productos diferentes A, B, C, y D. Como se
muestra en la tabla los diferentes costos variables de cada planta hacen
variar la ganancia de cada producto.
Ganancia por unidad >

Capacidad,
Planta unidades/semana
La demanda de los diferentes productos es:
Producto Unidades/semana
Á 200
B 340
E 150
D 270
Sl
Determinar la cantidad de cada producto que debe fabricarse en cada

planta con el objeto de maximizar la ganancia. Utilizar el método de la es-
quina noroeste.
11-6 Un taller elabora tres productos A, B, y C, y la demanda de estos productos
es 90, 210, y 120 unidades semana, respectivamente. Los productos pue-
Método |Unidades/semana Ganancia/unidad
Producto
UNE $139 $140
209 207 210
QUA 254 SS
PROBLEMAs 349
den fabricarse por uno de tres métodos 1, 2, v 3. En la anterior tabla se

indica la capacidad de cada método y las ganancias asociadas con cada
producto y cada método de manufacturación. Determinar, según el método
de la esquina noroeste, el método óptimo de fabricación de estos productos.
Repetir el problema 11-4 por el método MAV.
Resolver el problema 11-5 por el método MAV.
Suponer que este es un problema de minimización, determinar la solución
óptima según el método de la esquina noroeste. Utilizar la siguiente tabla.
Destino
Sumi-
nistro
Requerido | 43: 35 | 60 | 20 | 158
11-10 Desarrollar el problema 11-9 por el método MAV.

cinco co-
11-11 Una compañía tiene tres distribuidores principales que surten a
merciantes al por menor. En la siguiente tabla se indican las distancias
es,
entre distribuidores y comerciantes, los requerimientos de los comerciant
y las capacidades de los distribuido res. Determina r cuáles distribuid ores
deben surtir a los comerciantes para minimizar la distancia total recorrida.
Utilizar el método MAV.
| Distribuidor |
; | Xumero
Comerciante al 57 | o
por menor AR NO requerido
| | | KK
qí__ == -_ == _=-----
l 08 7 S 2
2 e: e E 15
3 | 5 il 6 21
4 4 4 9 24
5 $ 3 5 24
Número disponible, 15 148,1
| ¡ 33 ¡
11-12 Tres depósitos surten a cinco almacenes. La tabla indica el costo de tras-
de los
porte por unidad entre depósitos y almacenes, las capacidades
el daño de
depósitos, y los requerimientos de los almacenes. Sin embargo,
desde el depósito A hasta el
un puente principal, ha impedido las entregas
almacén 5, desde el depósito B hasta el almacén 2, y desde el depósito C

hasta el almacén 4. Determinar, dentro de estas limitaciones, el esquema
óptimo de entregas según el método MAV.
COSTO DE TRASPORTE, $/UNIDAD
Depósito
Número
Almacén requerido
Capacidad| 850 300 450
11-13 Resolver nuevamente el problema 11-12, suponiendo que el costo de tras-

porte se sustituye por la ganancia por trasporte.
11-14 Expandir las ecuaciones (11-8) a (11-10) utilizando los datos del ejemplo 11-6.
11-15 En cuatro localidades A, B, C y D se requiere una determinada pieza de
repuesto. Las cuatro piezas están almacenadas en cuatro depósitos dife-
rentes. Determinar el esquema de trasporte de kilometraje mínimo, si los
kilometrajes entre depósitos y localidades son los mostrados en la tabla.
KILOMETRAJE
Localidad
Depósito
—
Hut
11-16 Una compañía constructora tiene cinco palas mecánicas en diferentes loca-
lidades. y se requiere una pala en tres diferentes sitios de construcción.
Determinar el programa óptimo de trasporte, para los costos de trasporte
indicados en la tabla.
COSTO DE TRASPORTE
(se omiten 000)
Sitio de construcción
Localidad | Á
XL
uu
—
Un
PROBLEMAS 301
11-17 Un administrador enfrenta el problema de asignar cuatro nuevos métodos

a tres medios de producción. La asignación de nuevos métodos aumenta las
ganancias según las cantidades mostradas en la siguiente tabla. Determinar
la asignación optimal si sólo puede asignarse un método a un medio de
producción.
GANANCIAS
(Se omiten 000)
ID
TA E A
Medio de producción
Método
11-18 Suponer que en el problema 11-12 no es posible efectuar el trasporte entre

el depósito 3 y la localidad A. Teniendo en cuenta esta limitación, ¿cuál
será el esquema óptimo de trasporte?
12
ANALISIS DE SENSIBILIDAD
EN PROGRAMACION LINEAL -
INTRODUCCION
La utilidad del análisis de sensibilidad en los modelos de
programación
lineal consiste, en que permite una interpretación razonab
le de los resul-
tados ya obtenidos. Una vez comprendido el significado
de los elementos
de la matriz, el análisis se vuelve lógico y directo. En
muchos casos la
información obtenida por la aplicación del análisis de
sensibilidad, puede
ser más importante y mucho más informativa que el simple
resultado ob-
tenido en la solución optimal. En cierto sentido, el análisis
de sensibilidad
convierte la solución estática de programación lineal
en un instrumento
dinámico que evalúa las condiciones cambiantes.
Por tanto, adquiere ma-
yor utilidad como instrumento administrativo
ya que los negocios y la
industria están sometidos a cambios continuos
y a una subsiguiente re-
valuación. Este tema será presentado haciendo énfasis
en la interpretación,
empleando ejemplos para ilustrar estas interpr
etaciones. Los temas se
presentarán sin demostración formal apelando
a una comprensión básica
de las matemáticas y a su aplicación. En varias
referencias pueden encon-
trarse pruebas más rigurosas.
INTERPRETACION DE LA MATRIZ 393
INTERPRETACION DE LA MATRIZ
Por medio de un ejemplo, se puede obtener una interpretación más senci-
lla de los elementos de la matriz de programación lineal. Por conveniencia,
se utiliza nuevamente el problema de la planta hipotética de manufactura-
ción presentado en el capítulo 10. En las tablas 12-1 y 12-2 se resumen
los datos.
El lector recordará que estos datos pueden formularse mediante las
siguientes ecuaciones y desigualdades. Maximizar
sujeta a las restricciones lx, + 1,5x3
2x, +2x, < 160

Xx +2 <120
4x, + 2x, < 280
O
Tabla 12-1. REQUERIMIENTOS DE

TIEMPO DE
MANUFACTURACION POR
DEPARTAMENTO PARA
PRODUCIR UNA UNIDAD
DEL PRODUCTO.
Tiempo de manufacturación, horas
Producto| Depto. 4 | Depto. B ¡|Depto. C
Tabla 12-2 LIMITES DE LA CAPACIDAD

DE MANUFACTURACION.
Departamento| Horas-hombre disponibles semana
Tabla 12-3 GANANCIA POR UXIDAD

DE PRODUCTO.
Producto Ganancia
394 ANALISIS DE SENSIBILIDAD EN PROGRAMACION LINEAL
La inclusión de variables de holgura permite expresar el problema me-

diante ecuaciones en lugar de desigualdades. Maximizar
E 1x, +1,5x»
Sujeta a las restricciones Eon
(1) 2x, + 2x, + u, =160
(2) Xx, +2x, + u, = 120
(3). 4x1 + 20 + uz = 280
más los requerimientos de no negatividad.

Disponiendo esto en forma de matriz de programación lineal se ob-
tiene
Matriz 1 Matriz inicial

X1 X2 Uu, UU u b
AE ORO 160
BIZ ORSLIENO 120
ElL472 075051 280
OOOO 0
La fila 1 de esta matriz representa la restricción impuesta sobre el proble-

ma a causa de la capacidad máxima disponible del departamento A. Es-
ta es la misma restricción (1) previamente establecida que puede expre-
sarse asi:
(Tiempo/unidad, producto 1) (número de unidades, producto 1) +
(tiempo/unidad, producto 2) (número de unidades, producto 2) + tiempo
ocioso = máximo tiempo disponible.
Expresada en notación general esta ecuación es
411X, + 412X2 + 0,34) =b, (12-1)
donde a,, = tiempo para producir 1 unidad de x, en el departamento A,

horas/unidad.
Xx, = número de unidades producidas de x,, unidades/semana
4,2 = tiempo para producir 1 unidad de xz, en el departamento A,
horas/unidad.
x= número de unidades producidas de x,, unidades/semana
a,3 ll= tiempo requerido por 1 unidad de tiempo ocioso en el departa-
mento A, horas/unidad.
u, = número de unidades ociosas disponibles en el departamento
A, unidades/semana.
b, = recursos totales disponibles (tiempo de manufacturación) en
el departamento A, horas/semana.
INTERPRETACION DE LA MATRIZ 309
Hasta este punto, se ha denominado u, al tiempo ocioso o simple-

mente holgura. Realmente u, es el número de unidades de holgura, tiem-
po ocioso, o recursos no utilizados, y el coeficiente expresa la magnitud
de la unidad de holgura. Puesto que el coeficiente es 1, el número de uni-
dades de u, tiene el mismo valor numérico que la cantidad de recursos
no utilizados, en este caso, horas ociosas.
horas unidades horas unidades , horas unidades _ horas

unidad semana unidad semanas unidad semana semana
De manera similar la segunda fila representa la segunda ecuación de res-

tricción, la tercera fila representa la tercera ecuación de restricción etc.
Realmente la ecuación completa de la fila 1 incluye valores para todas las
variables.
411X1 +412X>2 + 4134, + 4444) + 4,513 = b, (12-2)
Con respecto a la matriz 1, puede observarse que aj4 y as, son am-
bos iguales a cero y no tienen efecto sobre la ecuación representada. En
una forma completamente general, no se hace distinción entre las varia-
bles reales (las x) y las variables de holgura (las u)
AX +02 + X2+413X3 + O14X4 + 015X5 =b, (12-3)
donde o ¡sl Na Us xs == 03
De manera análoga, la segunda fila de la matriz representa la segunda

ecuación de restricción, etc. Por tanto, la información suministrada por
cualquier fila se relaciona siempre con una restricción específica, en este
ejemplo, la disponibilidad de mano de obra en los departamentos A, BYE,
La fila inferior, o fila z, representa la función objetivo que se está op-
timizando; en este ejemplo esta es la ecuación de ganancia.
lx, +1,5x2 +04, + Ou, + 043 = ganancia (12-4)
Puesto que las unidades de holgura u ociosas (las u) no contribuyen

a la ganancia, tienen coeficientes iguales a cero. Los coeficientes de esta
ecuación se denominan coeficientes de costo.
Como en el capítulo 10, solamente las variables de la matriz identidad
tienen valores positivos (están en la solución). Entonces en la matriz 1,
xi y x2 son ambas iguales a cero ya que no están en la solución. Estas
variables se denominan no básicas; las que están en la solución se deno-
minan variables básicas. En la etapa inicial, si x, = x2 = 0, la ganancia
también es cero, como se indica en la matriz 1.
En la matriz 2 se muestra la solución optimal después de completar el
simplex. Esta matriz se puede interpretar de manera análoga. Para facili-
tar la referencia se incluyen entre paréntesis los valores algebraicos. En
este capítulo, se mencionarán estos coeficientes como valores de entrada.
Matriz 2 Matriz optimal

Xi Y> Uy U> uz b
ATAN Raya AA o 40(b,)

B|0(a,,) Maz) —3Maz) Mas) Oaz) | 400)
C| O(az,) O(az,) —3(a33) 2(a34) l(a35) 40(05)
z | 0(c,) O(c),) —1(c3) — Uca) O(cs) —100(2)
Según la discusión anterior, solamente las variables (columnas) repre-

sentadas en la matriz identidad tienen valores positivos; las demás tie-
nen un valor igual a cero. Por tanto, u, y uz son iguales a cero. La fila
l se lee como
Ix, + 0x, + lu, — lu, + 04, = 40 (12-5)
donde di = 4, =0
Sustituyendo los valores de u, y uz se obtiene
Xi Se Ox, la 043 = 40 : (12-6)
O
Xi = 40
Las demás filas indican que x2 = 40 y uz = 40. El lector debe compro-

bar este resultado.
Los coeficientes de las variables no básicas conservan su significado
aún en el caso de que las variables sean cero. Recordando que el valor del
lado izquierdo de la ecuación siempre debe ser igual a 40 (b,), se puede
deducir que cuando se aumenta u, hasta un valor positivo, el valor asig-
nado a x, disminuye.
lx, + lu, =40

Si u, se incrementa desde O hasta 2 unidades, x» disminuye para man-
tener la suma total igual a 40.
(1) (40 — 2) + 10 +2) = 40
Un método análogo de razonamiento indica que si uz se hace positivo,
el valor de x, debe aumentar.
1%, E lu, = 40
Por consiguiente, los coeficientes de las variables no básicas indican el

efecto de incrementar su valor sobre el de la variable básica (en solución)
de esa fila.
EJEMPLO 12-1 ¿Cuál es el efecto de incrementar u, en 1 unidad, esto

es, desde 0: hasta 1?
INTERPRETACION DE LA MATRIZ. 397
(1) 1x, +14, =40

lx, + 1(0+ 1) =40
x, =40-—1=39
(2) lx, —3u, =40
x2 — H0 +1)
=40
x, = 40)
3) —3u, + lu, =40
—340+1) +u3=40
uz =43
En cualquier matriz a excepción de la matriz inicial la fila inferior, o z,

ya no representa la función objetivo original; esta fila representa ahora el
efecto sobre la ganancia de cualquier cambio en los valores indicados.
Ox, + 0x, — Ju, — uz, + 0u, = 100 =ganancia (12-7)
En este caso, no pueden incrementarse las variables básicas (x,, x2 y

uz) sin que excedan alguna restricción, como se demuestra mediante
los coeficientes cero de la fila 2. El término — tu, significa que si u, au-
menta en 1 unidad, la ganancia disminuye en | de unidad. Puesto que la
ganancia no es fija sino variable, cualquier cambio de una variable pue-
de aumentar o disminuir en forma acorde el valor de 2. 11//
0 10 20 30 40 S0 60
Xx1
FIGURA 12-1
Representación gráfica de la
función objetivo.
EFECTOS DE CAMBIOS EN LOS COEFICIENTES DE COSTO

Los coeficientes de costo son aquellos valores de los coeficientes de la fun-
“ción objetivo, o fila 2. Interpretados gráficamente estos coeficientes deter-
minan la pendiente de la función objetivo la cual puede ser una línea (dos
variables), un plano (tres variables), o un hiperplano (cuatro o más varia-
bles). En este ejemplo, la función objetivo se representa gráficamente co-
mo una línea ya que sólo hay dos variables de decisión (x, y x2). La
x, + 1,5x, = 100
(a)
x 1+0,7x, = 74
xy + 3x,=180
lc)
FIGURA 12-2
Efecto de los coeficientes de costo en la función
objetivo.
INTERVALO OPTIMAL DE LOS COEFICIENTES DE COsTO 3D9
solución optimal da un valor de 100 a partir de 40 unidades de x, y 40

unidades de x2. Esta solución puede representarse como un punto sobre
la línea x, + 1,5x2 = 100, como se ilustra en la figura 12-1. Un cambio del
coeficiente de x, o de xz daría una línea con diferente pendiente.
Los valores dex, = 40 y x2 = 40 representan una solución optimal
considerando tanto las restricciones como la función objetivo. Además, el
punto (40,40) está en la intersección de dos líneas de restricción. Ya se ha
demostrado que la solución de cualquier problema de programación lineal
está en una intersección (Ver capítulo 10). La solución optimal puede si-
tuarse en un punto determinado, hasta que por alguna razón sea desviada
hacia una intersección diferente. Esta desviación puede ser ocasionada
por un cambio de la pendiente de la función objetivo.
La figura 12-2d presenta la solución gráfica del ejemplo utilizando va-
rias funciones objetivo diferentes pero conservando el mismo conjunto
de restricciones. Con respecto a la figura 12-2b, se observa que un incre-
mento del coeficiente de la variable x2 desde 1,5 hasta 1,7 no desplaza
la solución optimal desde la intersección x, = 40, x2 = 40, aunque el
valor de la función objetivo ha aumentado hasta 108. En forma semejante,
la figura 12-2c ilustra el efecto de un pequeño cambio del coeficiente de
la variable x,. Cuando tiene lugar un cambio considerable en el coeficien-
te de costo, la pendiente de la función objetivo se desplaza lo suficiente
como para desplazar la solución optimal hacia una nueva intersección. En
la figura 12-2d, cuando el coeficiente del costo de x2 disminuye hasta 0,7,
la solución optimal se desplaza hasta la intersección x, = 60, x2 = 20,
una combinación completamente diferente de producto y valor de la fun-
ción objetivo. Si el coeficiente de costo de xz aumenta desde 1,5 hasta
3, la solución se desplaza hacia la intersección x, = 0, x2 = 60. El aná-
lisis de sensibilidad responde la pregunta de qué tanto pueden variarse
estos coeficientes antes de que tenga lugar este desplazamiento, esto es,
antes de que pueda obtenerse una nueva solución optimal. Para aquellas
variables en la solución (variables básicas) esto se denomina intervalo
optimal de los coeficientes de costo básicos. Cuando los coeficientes, que
representan precio, ganancia, tiempo, etc., toman individualmente cual-
quier valor dentro de este intervalo, la misma solución sigue siendo op-
timal.
INTERVALO OPTIMAL DE LOS COEFICIENTES DE COSTO

Variables básicas
siendo
¿Dentro de qué intervalo de valores con respecto a x2 puede seguir
12-3 se ilus-
optimal la presente solución, xy = 40, x2 = 40? En la figura
tra este punto.
70
ma Solución =x7=60,x, =0 5Siz=xj, +2x),
60
SO Solución actual x, =40, x, = 40
Ss 2=x,+C9x7,0,5<C,<1
S0
40| x,+2x,+U,=120
*2
30 z2=x¡ +1,5x, =
2x, + 2x, +U, =160

Solución: x, = 20, x, = 60
siz=x¡ + 1x,
4x, +2x, + Uy =280—7
10 20 30 40 S0 60 70
X]
FIGURA 12-3
Solución gráfica de sensibilidad del coeficiente de
Costo Cy.
Es posible obtener una solución analítica de este problema, determi-

nando el punto en el cual alguna otra variable entra en la solución. Desde
un punto de vista práctico se puede decir, que para cada intersección hay
un conjunto único de variables en la solución (tienen valores diferentes
de cero), algunas de las cuales pueden ser variables de decisión (las x) y
algunas pueden ser variables de holgura (las u). Esto es falso sólo cuando
alguna restricción limitante tiene una pendiente igual a la de las funcio-
nes objetivo. Por tanto, si las mismas variables de decisión (x, y x2)
están en la solución, las variables de holgura que están en la solución
pueden cambiar. Con respecto a la figura 12-3, si el coeficiente de costo de
xz disminuye hasta un valor menor que 1, entonces uz = 0 y uz toma un
valor positivo y se convierte en variable básica. Si el coeficiente de costo
de x2 aumenta hasta un valor mayor que 2, entonces x, = 0 y u¡ toma
un valor positivo y se convierte en variable básica.
Para hallar analíticamente este intervalo de valores, deben evaluars
e
todas las variables no básicas para determinar el valor del coeficiente de
costo de xz que podría ocasionar la conversión de cada una de las
va-
riables no básicas, en básicas. Por tanto, el intervalo optimal de un coefi-
ciente de costo se define mediante el conjunto de valores que limitan más
estrechamente el valor actual del coeficiente de costo. Esta evaluación
se
efectúa utilizando la información presentada tanto en la matriz inicial co-
mo en la final. En un problema con dos variables de decisión el caso se
INTERVALO OPTIMAL DE LOS COEFICIENTES DE CosTO 361
simplifica bastante, pero sirve para ilustrar el proceso lógico. Según la dis-
cusión anterior, la matriz de coeficientes de las variables no básicas in-
dica la tasa de sustitución. Por ejemplo, si se suministra 1 unidad de u,
sin cambiar alguna de las restricciones, esto requiere reducir la salida en
1 unidad de x,, en —3 unidad de xz, y en —3 unidades de uz. Una re-
ducción de —¿ representa un aumento real de ¿ en la producción neta; u,
es elegible para “producción”, o en la solución, si la ganancia añadida co-
mo resultado de la sustitución es igual a la ganancia perdida como resul-.
tado de la reducción de las variables en la solución; por tanto, se igualan
estos factores.
Ganancia añadida por una unidad de u, = ganancia perdida por re-
ducción de las variables básicas. Con respecto a la función objetivo ori-
ginal, la ganancia por unidad de cada una de las variables está represen-
tada por sus coeficientes originales de costo.
Variable Coeficiente de costo
X1 1
X2 100
Uy 0
U 0
u3 0
Estos valores se utilizan en la ecuación que representa el cambio de la

ganancia a partir de la adición de 1 unidad de u.
0Au, = 1(1) + (311,5)

+ (- 3)(0) (12-8)
Puesto que el problema consiste en hallar el coeficiente de costo de x>
que permite a u, entrar en la solución, el coeficiente 1,5 se sustituye por
ct, y se despeja c, de la ecuación, donde ¿, representa algún cambio
de C2.
0(1) = 1(1) + (-3)(C2)+ (- 310) (12-9)

E, =2
Si cz fuera mayor que 2, u, se convertiría en variable básica y la com-
posición actual del producto no sería optimal. De manera análoga se com-
prueba la otra variable no básica.
0Au, =(— 11) + 1(1,5) + 2(0) (12-10)
01) =(-D)+c,+0
C, = ]
La variable u, puede entrar en la solución cuando cz se hace menor que

1. Por consiguiente el intervalo optimal del coeficiente de costo de xz es
I<c,<2
En este caso cz fue restringido por un solo límite. Si se hubieran calcu-

lado diversos valores, los valores limitantes serían aquellos más próximos
al valor original c,.
EJEMPLO 12-2 ¿Cuál es el intervalo optimal de c,? Comprobar u;:
0Au, = 1(1) + (-9(1,5) + (- 3160)
(1 = 3
Comprobar uz:
0Au, = (- DA) + 1(1,5) + 2(0)
= €; + 1,5+ 0
Ci; == 1,5
1111
El intervalo optimal de c, es ¿<c,<1,5
EJEMPLO 12-3 A continuación se presentan las matrices inicial y opti-

mal de un problema de maximización.
Matriz inicial Matriz optimal
Xy X2 X3 Uy ua b Xi X2 X3 Uy uz b
l 1 1 1 0 20 4 1 0 3 —) 15
2 1 3 0 1 30 4 0 l —j+ 4 5
Z 3 4 0 0 0 —-3 0 0 -3 —) —65
Hallar el intervalo optimal del coeficiente de costo de xz.

Comprobar x;:
2x, = 43) + 44)
2(1) = 4c, + 2
C> = 0
Comprobar u;:
0u, =3(3) + (24)
0=37,-2
=$
Comprobar uz:
0u, =(- DG) + 04)
0O=-J5,+2
c,=4
INTERVALO OPTIMAL DE LOS COEFICIENTES DE COsTO 363
Los valores de ¿, son 0, $, y 4. El coeficiente de costo original o actual

es 3. Puede observarse que 0 < 34 < 3< 4; por tanto el intervalo optimal de
2 es%$< c2 < 4.
Hallar el intervalo optimal del coeficiente de costo de x3. Compro-
bar 0 7
2x, = 33) + 364)

2(1) =3 + 4c3
¿¿=1
Comprobar u;:
0(1) = 38) + (-4c3)

E=9
Comprobar uz:
0(1) = DG) + 26,
C3 y 3
Los valores son 1< 3< 2, < 9. El intervalo optimal de cz es 3< cz < 9.
1111
Variables no básicas
Desde un punto de vista práctico, la pregunta que debe responderse me-

diante este análisis, es qué tan grande (o pequeño) debe ser el coeficien-
te de costo de una variable no básica antes de que la variable entre en la
solución con un valor positivo. Este análisis puede tratar variables de de-
cisión que no fueron incluidas en la matriz original o variables de decisión
que fueron evaluadas pero que por una u otra razón no entraron en la solu-
ción final.
En el ejemplo de la planta hipotética de manufacturación, que elabora
los productos x, y x2, se puede suponer que se ha desarrollado un nue-
vo producto. Si no es posible aumentar inmediatamente los medios pre-
sentes de producción, es natural preguntar si es lucrativa la fabricación
de este producto.
Evidentemente esto sólo puede hacerse disminuyendo la producción
de x, y/o x2, a menos que la capacidad de la planta sea aumentada.
En este ejemplo se supone que se han hecho los siguientes estimativos
con respecto al nuevo producto x3. (Ver cuadro página siguiente.)
La ganancia estimada por unidad es de $1,25.
Puesto que el producto x3 sólo puede fabricarse reduciendo la fabri-
cación de los productos x, y/o x2, habrá una disminución de la ga-
Requerimientos de tiempo
de manufacturación
Departamento Horas/unidad
Á 1
B 3
(8 3
nancia total obtenida con los productos x, y x2. Esencialmente, antes

de que pueda elaborarse x3, debe obtenerse tiempo de holgura en los de-
partamentos A, B y C; entonces este tiempo de holgura puede dedicarse a
la producción de x3. Según los datos estimados, la producción 1 unidad
de x3 requiere 1 hora en A, 3 horas en B, y 3 horas en C. Según la matriz
2, los coeficientes de costo revisados del tiempo de holgura en estos depar-
tamentos son respectivamente —1, —3 y 0. Esto significa que habrá un
cambio de ganancia de —i por cada hora tomada del trabajo productivo
efectuado en A,de — 3 por cada hora tomada de B y ninguno en C a causa
del tiempo ocioso que ya existe. Por consiguiente el cambio de ganancia
ocasionado por la manufacturación de 1 unidad de x3 es
Ganancia = 1(-4) + 34D + 3(0) (12-11)

= —2 0-—$1,75 por unidad de x3
Puesto que x3 tiene una ganancia estimada a partir de sí mismo de só-

lo $1,75 por unidad, no parece lucrativo producirlo bajo estas condiciones.
Además, puesto que el producto x3 sólo será lucrativo cuando su ganan-
cia sea igual o mayor que $1,75 por unidad, el intervalo de optimalidad
de x3 es
CO
EJEMPLO 12-4 Se hace referencia al ejemplo 12-3.
Matriz inicial Matriz optimal
X1 X> X3 Uy U> b X1 X2 Xx ul U) b
] 1 1 ] 0 20 4 1 0 3 —) 15
1 3 0 1 30 J 0 l —4 4 5
2 3 4 0 0 0 =3 0 0 -3 —) —65
Una pregunta natural es qué tanto debe aumentarse la ganancia de

x, antes de que sea lucrativo producirlo, o sea, entrar en la solución. Es-
DE CAMBIAR LOS LIMITES DE LAS RESTRICCIONES 365
EFECTO
to se puede determinar directamente a partir de la matriz optimal. El pro-

ducto x, podría ocasionar un cambio de —3 en la ganancia si se produ-
jera bajo las condiciones actuales, como lo indica el coeficiente de costo
de la matriz optimal. Por consiguiente la ganancia debe aumentarse en $5
por unidad antes de que el cambio neto de la ganancia llegue a ser cero.
Esto significa que la ganancia por unidad debe aumentarse hasta 2 (valor
presente) +3 (pérdida presente) o $33 por unidad. Esto se puede verificar
comprobando la pérdida de ganancia a partir de la producción de 1 unidad
de x, a expensas de x, y Xz.
Pérdida a partir de la reducción de x, y x2 = 3(3) + 4(3)
=1EZ2= 3 1111
ha de-
EJEMPLO 12-5 En la planta hipotética de manufacturación se
miento requiere n
terminado que los procedimientos adecuados de manteni
costará este tiempo en
3 horas/semana de cada departamento. ¿Cuánto
términos de la pérdida de producción?
-
Se hace referencia a la matriz optimal de este problema. Los coeficien
en el tiem-
tes de costo de la fila 2 indican que una reducción de 1 hora
ganancia) $;
po disponible de manufacturación cuesta (disminución de
3 horas ocasio-
en A, $3 en B, y nada en C. Por tanto, el requerimiento de
los beneficios
na una reducción de la ganancia de 3(4) + 3(3), o $2;. Si
obtenidos a partir de un mejor funcionamiento valen esto, debe hacerse
1
el mantenimiento.
EFECTO DE CAMBIAR LOS LIMITES DE LAS RESTRICCIONES

o a una solución
Una pregunta muy práctica que puede surgir con respect
produce al aumentar o
optimal de programación lineal, es el efecto que se
objetivo resultante
disminuir un recurso limitante. Esto afecta no sólo el
n la solució n o compos ición del producto.
(ganancia o costo) sino tambié
ocasionan un cambio
Los cambios grandes de un recurso limitante siempre
Los cambio s relati vament e pequeños de
de las variables de la solución.
tes, no tienen efecto a menos que sean
las restricciones que no son limitan
disminuidas hasta el punto de volverse limitan tes.
los departa-
En el ejemplo de la planta de dos productos que utiliza
una ampliación de
mentos A, B, y C puede considerarse la posibilidad de
primera pregunt a es cuál departamento de-
la capacidad de la planta. La
ar el recurso es el mismo en todos los
be ampliarse. Si el costo de aument
el depart amento B ya que tiene el
tres departamentos, debe ampliarse
negativ o — 2. Es decir, un increm ento
coeficiente revisado de costo más
amento B ocasion a el máximo au-
de una unidad en el tiempo del depart
los coefici entes de costo de la
mento de la ganancia. En muchos casos,
matriz revisada son denominados precios sombra ya que reflejan el costo

de cambiar alguna variable no básica. Los valores presentados en esta fi-
la 2 realmente indican el efecto neto sobre la función objetivo como conse-
”
cuencia de aumentar en 1 unidad una variable no básica. En este proble-
ma, u;, uz y uz representan holgura o tiempo ocioso en los departamentos
A, B y C. Puesto que u, y uz son cero (no hay tiempo ocioso disponi-
ble), el tiempo ocioso obtenido por reducir la producción se logra a expen-
sas de la ganancia. El incremento de la restricción se refleja físicamente
en el incremento de la capacidad de producción. En este caso se añade
tiempo ocioso sin reducir la fabricación de productos, y este tiempo ocioso
puede emplearse en aumentar la producción y por tanto las ganancias.
Por consiguiente, el incremento del valor de una restricción puede consi-
derarse como el negativo del incremento de una variable de holgura. Si
por aumentar uz la ganancia cambia en —¿, entonces el aumento de la
capacidad de producción del departamento B incrementará la ganancia
en 3.
¿Cuál es el efecto sobre la ganancia de un incremento de 10 unidades
en la capacidad de producción del departamento B?
Cambio de la ganancia = —(-H(00) = 5
Ganancia revisada = 100 + 5 = 105
¿Cuáles son las tasas de producción, si la capacidad del departa

men-
to B se incrementa en 10 unidades? La fila 1 de la matriz
optimal repre-
senta la ecuación
lx, — lu, =40 u,=0
Puesto que una ampliación de capacidad es el opuesto de

un incremen-
to de holgura, un aumento de 1 unidad en la capacid
ad equivale un cam-
bio de — 1 unidad en u»
E
x, =40-—1=39
Empleando el mismo análisis en las filas 2 y 3 se
obtiene el efecto del cam-
bio de 1 unidad de capacidad sobre las Otras variab
les básicas.
Fila 2:
X2 ar lu, = 40
*2 + 1(-1) =40
EFECTO DE CAMBIAR LOS LIMITES DE LAS RESTRICCIONES 367
Fila 3:
uz + 2u, = 40
uz + 2(-1) = 40
u3 = 42
e
x1 + 2x7 + U) = 130
>> = 105
z=x,+1,5x7
60
50
40 x, +2x7 + U, = 120
x2
30 Solución original
z=xj, + 1,5x, = 100
20
10
0 30 40 s0 60 70
10 20
X1
FIGURA 12-4
amento B
Efecto del incremento de la capacidad del depart
desde 120 hasta 130.
capacidad del departamento B da-

Un cambio de 10 unidades (uz) en la
del producto.
ría lugar a la siguiente composición
x, = 40 — 10(1) = 30
x, = 40 + 10(1) = 50
x, = 40 + 10(2) = 60
Ganancia = 30(1) + 50(1,5) = 105
ente este efecto.

En la figura 12-4 se ilustra gráficam
¿Hasta qué punto puede aumentarse
La siguiente pregunta lógica es: pun-
rtamento B? Conviene, desde un
lucrativamente la capacidad del depa que el depa rtam ento
la capacidad hasta
to de vista económico, aumentar sig-
ón de producción. Matemáticamente esto
B ya no tenga una limitaci , repre -
a que uz tome un valor positivo
nifica aumentar la capacidad hast
sentando una holgura no utilizada, y remplazando una de las variables

básicas presentes en la solución. Para lograr esto deben evaluarse todas
las restricciones.
Fila 1: es
Xx, — 1((—u,) = 40
Xi > u, = 40
donde —uz representa un incremento de: capacidad. Á medida que uz

aumenta, x, debe disminuir para mantener la ecuación. Por tanto, uz
puede aumentar sólo hasta que x, sea cero, ya que no se permite una va-
riable con valor negativo. Para
Fila 2:
x2 + I(-u,) = 40
X2 == Ub) = 40
Se observa que a medida que uz aumenta, también debe aumentar xa

para mantener la ecuación. Por tanto us puede aumentarse sin límite.
Fila 3:
AN
u3 => 24, = 40
Se observa que a medida que u», aumenta, también

debe aumentar us
para mantener la ecuación. Por tanto uz puede aumentarse
sin límite.
Por consiguiente la capacidad del departamento B
puede aumentarse has-
ta un máximo de 40 unidades. En este punto, el departamento
B ya no
limita la producción. La composición del producto
en este momento se pue-
de determinar según el procedimiento ilustrado anteri
ormente.
Xx, — (—u,) =40

Xx, — (-40) = 40
x,=0
Xx2 + (—u)) = 40
Xx2 — 40 =40
x,=80
43 + 2(—u,) = 40
u3 —2(40) = 40
uz =120
En la figura 12-5 se presenta gráficamente
este resultado.
EFECTO DE CAMBIAR LOS LIMITES DE LAS RESTRICCIONES 369
EJEMPLO 12-6 Si la matriz optimal de un problema de maximización es
Xi X2 Di NN uz b
GAR 0 3 —J 15
Y 2) l— j 5
A A JA —65
80
Xx Er 2x) + U, =160
20 P=x 1, sx) ="120
dx, +2x, +U, = 160
10 20 30 40 S0 60 70
Xi
FIGURA 12-5
Efecto de aumentar al máximo la capacidad
del departamento B.
¿Cuánto puede aumentarse la restricción de la fila 1 para que ésta ya no

sea limitante?
¿Cuál será el valor de la función objetivo?
Fila 1:
X2 Si 3(—4u,) == IS
x, = 34, =15
sin cambiar el valor de la

Tanto x, como u, pueden aumentar
ecuación y por tanto ésta no es limitante.
Fila 2:
x3 — H-u,) =5
t X3 + du, = 5
Sea Mos x3=0

4; = 10
A la restricción (1) se puede agregar como máximo 5 unidades. Esto

aumenta el valor de la función objetivo en 10(—3) = —25, obteniéndose un
total de —65 — 25 = —090.
En este punto, ¿cuál puede ser la composición del producto?
x +3 10) =15
x, =30
1
X3— z —10) =5
x3=0
Estos valores se comprueban empleando la función objetivo original.
—Z=2x, + 3x, + 4x,
= 1(0) + 330) + 4(0)
=90+0=90 11!
EFECTO DE CAMBIAR LOS COEFICIENTES DE ENTRADA

NO BASICOS
Para presentar un ejemplo más completo, el problema original de dos pro-
ductos se modifica agregando un tercer producto x3 a la composición
actual del producto. Este producto x3 requiere 3 horas en el departamen-
to A, 4 horas en el departamento B, y 4 horas en el departamento C; y
tiene una ganancia de $2 por unidad.
Matriz 3 Matriz original

Xi X2 X3 Us U uz b
e 3,1840 160
BALE 2:54" 0 0 120
ci4 2 4 0:01 280
Le Lo Dee 0
EFECTO DE CAMBIAR LOS COEFICIENTES DE ENTRADA NO BASICOS 371
Matriz 4 Matriz optimal
X1 XxX *X3 Us u2 uz b
All oO —1 l —1 0 40
Ag up A optar 40
c|0 0 3 -3 2 1 40
A ta A: el 162100
La matriz optimal indica x, = 40, x2 = 40, uz = 40, y x3 = Us = Uz =
O. Por tanto, lo más conveniente es no fabricar el producto 3. Esto sugie-
re que los requerimientos de mano de obra del producto 3 en el departa-
mento B son excesivos y que un estudio de métodos podría disminuir el
tiempo requerido. ¿Cuánto debe disminuir este valor antes de que sea
conveniente fabricar el producto 3?
La fabricación del producto 3 requiere tiempo en todos los tres depar-
tamentos y por consiguiente debe considerarse el efecto total sobre la
planta. El tiempo adicional para fabricar x3 sólo puede obtenerse dismi-
nuyendo la cantidad de x, y x2z; es decir, debe quedar disponible al-
gún tiempo de holgura para asignarlo a la fabricación de x3. El departa-
mento C ya tiene 40 horas de tiempo ocioso (uz = 40), y por tanto este
departamento no es problema.La matriz 4 indica que ca = —4yC5 = — 3.Es-
te es el costo de reducir la ganancia por suministrar 1 unidad de holgura
a los departamentos A (u,) y B (uz) respectivamente. Por tanto el costo
para la ganancia por la producción de 1 unidad de x3 es
Cambio de ganancia (96) + (-6) + 0(8)

=-—24 (12-12)
En esta ecuación, —j es el cambio de ganancia ocasionado por reducir x;
y xz en la cantidad suficiente para suministrar 1 unidad de holgura al
departamento A (u,); 3 son las horas requeridas para producir 1 unidad
de xa; —3 es el cambio de ganancia requerido para obtener 1 unidad de
holgura en el departamento B (uz); y 4 es el tiempo requerido en el depar-
tamento B para fabricar 1 unidad de x3.
El coeficiente cero indica que no se ocasiona cambio de ganancia al
suministrar tiempo al departamento C (uz). Esto se debe a que uz = 40,
lo cual indica que hay 40 unidades de holgura o de tiempo ocioso en el
departamento C. Por tanto, el cambio de ganancia ocasionado por la reduc-
que
ción de x, y x2 es $22 por unidad producida de x3. Si se recuerda
de x3 era $2/unidad , puede observarse que el
la ganancia por unidad
o por la producció n de 1 unidad de xs
cambio neto de ganancia ocasionad
es
Cambio neto de ganancia = 2 — 24 = — $3 por unidad (12-13)
372 ANALIsIs DE SENSIBILIDAD EN PROGRAMACION LINEAL
Para considerar la producción de x3, el cambio neto de la ganancia

al menos debe ser cero; o la disminución de la ganancia de x, y x2 de-
be ser igual a la ganancia añadida por 1 unidad de xz. Igualando estos
valores se obtiene A
IG) + 44,3) + 0(4) = pérdida de ganancia (12-14)
donde az3 es el tiempo requerido para fabricar 1 unidad de x3 en el de-
partamento B. Igualando la pérdida de ganancia ocasionada por la reduc-
ción de x, y x2 a la ganancia obtenida por una unidad adicional de
x3 se tiene
43) + (4423) + 0(4) = -2 (12-15)

Despejando az3, se obtiene
E Plw
423 = Il
N|u
Se observa que en este caso se utiliza — 2 teniendo en cuenta que un in-

cremento de la ganancia es realmente una pérdida negativa. Por tanto
a23, el tiempo requerido en el departamento B para fabricar 1 unidad de
x3, debe ser igual a 23 horas en lugar de 4 horas, si la ganancia adicional
de $2 por unidad anula la pérdida de ganancia ocasionada por x, y xz.
Cualquier reducción de tiempo mayor que esta, haría que x3 fuera favo-
recido con respecto a uno o más de los productos que actualmente se es-
tán produciendo. Para obtener una nueva solución óptima con az3 < 2/5,
generalmente se corrige la matriz inicial con un nuevo valor de az3 y la
solución se recalcula.
EJEMPLO 12-7 ¿Cuál es el máximo tiempo permisible de manufactura-

ción en el departamento A para que x3 entre en la solución?
a (4) + 4-3) + 40) = -2

PEZ
413= =0
4
Esto significa que con los otros requisitos de tiempo de los departa-
mentos B y C, los requerimientos de tiempo del departamento A deben re-
ducirse a cero, antes de que sea conveniente considerar x3. Esto se debe
a que los requerimientos de tiempo del departamento B tienen mayor pro-
babilidad de ser ajustados que aquellos del departamento A. 1!
INTERPRETACION Y FORMULACION DEL DUAL

Una solución de un problema de programación lineal con la formulación
que la acompaña, se denomina el primal. Realmente es posible formular
INTERPRETACION Y FORMULACION DEL DUAL 373
cualquier problema dentro de un contexto diferente y obtener los mismos

resultados empleando una solución dual. En algunos casos esto es conve-
niente ya que puede reducir el trabajo requerido para obtener una solu-
ción. En cualquier caso, esta capacidad de formular e interpretar el pro-
blema dual amplía la comprensión del problema y como tal, se convierte
en una herramienta útil de análisis y de comunicación. Diversos textos
presentan muy bien la existencia y prueba del dual (ver las referencias).
Este libro hace énfasis en la interpretación de la formulación y de los re-
sultados obtenidos en términos físicos y económicos.
En un problema normal de maximización con programación lineal, esta
formulación es conveniente para maximizar la función objetivo sin exce-
der alguna de las restricciones establecidas. Esta situación puede mode-
larse con base en una caja negra, como se indica en la figura 12-6. En este
caso, no estamos interesados en los procedimientos exactos requeridos pa-
ra convertir las entradas, en una salida conveniente. Por tanto puede ima-
ginarse la conversión como si tuviera lugar dentro de una “caja negra”
Entradas Depto. B
FIGURA 12-6 (límites Salida
Representación mediante la caja negra fijos) Depto. C (para maximizar)
del problema primal de programación lineal.
En el caso normal (denominado frecuentemente primal), la solución maxi-

miza la salida independientemente de los valores de entrada, siempre y
cuando estos valores no excedan algunas restricciones fijas. En la planta
hipotética de manufacturación, el objetivo se expresa en función de dóla-
res. La discusión de este problema puede simplificarse efectuando las si-
guientes modificaciones.
1 El producto x, se vende en $10, y el producto x2 se vende en

$15.
2 Alos trabajadores de los departamentos A, B y C se les contrata
y se les paga ya sea que ellos trabajen todo el tiempo o no.
3 Los procedimientos de contabilidad no permiten la determinación
de una ganancia en dólares por parte; por tanto el objetivo que debe
maximizarse es el ingreso bruto.
z = 10x, + 1l5x2 = $/unidad Xx unidades +
$/unidades x unidades = $
Por consiguiente la salida indicada en la figura 12-6 consiste en dólares

de salida para maximizar. La entrada es la cantidad de recursos puestos
en el sistema. Debido a compromisos, talvez acuerdos sindicales, el recur-
so real en horas-hombre es fijo ya sea que se utilice o no. Esta entrada se

indica mediante la desigualdad de restricción del departamento A.
Di + 2x9 <"T160 A
a Xx unidades + ta x unidades < horas (max)

Unidad unidad E
Esta es la caja negra, en este caso un sistema de manufacturación,
que convierte estas horas de entrada y costo en dólares por hora, en un
sistema de valores en dólares. La salida en dólares está limitada por una
máxima disponibilidad de horas-hombre. Se observa que este problema,
tal como se presenta, implica que estos niveles máximos de horas-hombre
estarán disponibles y serán pagados sean o no utilizados. Después de al-
canzar una solución, cualquier exceso de capacidad puede emplearse en
otra parte o reducirse, pero según el planteamiento original, esta capaci-
dad debe considerarse disponible y pagarse por ella.
Estas horas-hombre pueden representar ventas potenciales en dóla-
res en exceso de su costo real. Si esto no fuera cierto, la empresa no po-
dría obtener ganancias. Si todos los recursos que entran se emplearan
completamente, el valor potencial de las ventas en dólares de la entrada,
sería igual al valor de las ventas en dólares de la salida. Si los recursos
que entran no fueran completamente empleados, el potencial de la entrada
sería mayor que los dólares reales de la salida.
Es posible imaginar este problema formulado de diferente manera (ver
figura 12-7); o sea, la salida tiene algún valor mínimo fijo y se desea mini-
mizar las entradas requeridas para lograr ese valor. Se puede suponer que
el problema dual se formula según la siguiente lógica.
La planta tiene ahora una capacidad fija en cada departamento, 160
horas en el departamento A, 120 horas en el departamento B, y 280 horas
en el departamento C para un total de 560 horas. La administración ha de-
cidido aumentar cada vez más la capacidad de la planta y los planes pre-
sentes consisten en mantener la misma proporción de horas en cada de-
partamento. Por tanto, el hecho de agregar la siguiente unidad de capa-
cidad a la planta como un todo, requiere aumentar A en +27, Ben 4% y
Cen.
En esta ocasión, se emplean 560 horas-hombre para producir el pre-
sente valor en dólares de la salida. Por consiguiente cada hora total de ca-”
Depto. 4 |
Entrada
(para split Salid
AS a
minimizar) Depto. C (límite fijo

minimo)
FIGURA 12-7
Representación mediante la caja negra del problema
dual de programación lineal.
INTERPRETACION Y FORMULACION DEL DUAL 375
pacidad es 357 del valor total de salida, esto es, dólares divididos por una
salida de 560. Si se agrega proporcionalmente una hora adicional a la capa-
cidad bruta por departamento, mientras se mantiene la misma relación
de capacidades, el valor en dólares de la salidad podría aumentar en
1
560*
Se puede suponer que el procedimiento actual de contabilidad no da

información con respecto al valor de 1 hora-hombre en cualquier departa-
mento dado. Sólo se conoce el valor bruto de la salida dividido por 560. Se
puede definir un nuevo conjunto de variables. Sea
w, = valor potencial de una hora-hombre adicional en el departa-
mento A, $/hora.
wz = valor potencial de una hora-hombre adicional en el departa-
mento B, $/hora.
wa = valor potencial de una hora-hombre adicional en el departa-
mento C, $/hora.
Puesto que la salida es fija, el objetivo es minimizar el valor potencial de
la entrada. Debe recordarse que sólo cuando se emplea completamente
el recurso de entrada, el potencial de entrada es igual al de salida. Agre-
gar 1 hora-hombre a la planta total requiere 1£% de hora en A, 12% de
hora en B y 2£2 de hora en C, el valor potencial total de entrada de un in-
cremento proporcional de la entrada es
y = +50WI +0 ws + ws (12-16)
Esta ecuación se modifica eliminando las fracciones
S560y = y' = 160w, + 120w, + 280w, minimizar (12-17)
Ahora se considera la siguiente lógica para formular las restricciones.

Los valores exactos de w, no se conocen. Si los recursos de la entrada
se emplean completamente, el valor potencial de la entrada es igual al de
la salida. Puede usarse con mayor probabilidad una mezcla de productos
1 y 2. Sin embargo, si sólo se fabrica producto 1, el valor potencial de la
entrada debe ser al menos igual al que se obtendría fabricando sólo pro-
ducto 1. Puesto que el producto 1 tiene un valor de venta de $10, la pri-
mera restricción es
2w, + w, + 4w, > 10 (12-18)
En forma semejante, el valor potencial de entrada debe ser al menos igual

al que se obtendría fabricando sólo producto 2.
2w, +2w,+2w,>15 (12-19)
Por tanto, el problema dual ha sido formulado. Minimizar
y' = 160w, + 120w, + 280w,

sujeta a
, 2w, +w, + 4w3 > 10
2w, + 2w) + 2w3 > 15
insertando las variables artificiales y de

Esto también se puede expresar
holgura requeridas. Minimizar
y = 160w, + 120w, + 280w
sujeta a
2w, + 2w, + 2w3 — u) + a, = 15
mues-
Para obtener la solución se emplea el algoritmo simplex, como se
tra en las matrices 5 y 6.
Matriz 58 Matriz dual original
W w Moo dy 17 a; a2 b
2 1 4 —]1 0 l 0 10
2 2 2) 0 —1 0 1 15
y"1,160 7,120. 1280.20 a 0 alinea O 0

k| -4 -3 -6 1 1 0 0 —-25
Matriz 6 Matriz dual optimal

Wa Wo 4 b
1 ds 3 2,5
0 1 -2 l —1 o)
0 0 40 40 40 — 1.000
Para efectos de comparación en las matrices 7 y 8 también se presentan

las tablas primal
Matriz 7 Matriz primal original
Xi X2 Us uz uz b
DETYS APRO 160
ys 1 EA 120
dun 010 280
10:45. 0050050 0
Matriz 8 Matriz primal optimal
X1 X2 4 U2 uz b
1 0 1 —1 0 40
0 l -—j 1 0 40
0 0-3 9) 1 40
0 0-25 -5 0 — 1.000
ANALOGIA MATEMATICA; PRIMAL COMPARADO CON DUAL 377
La solución dual indica que el valor potencial de las ventas por una
hora-hombre adicional en el departamento A es $250, en el departamento
B es $5, y en el departamento C es cero. El resultado del departamento
C se esperaba ya que, tenía tiempo de holgura y por consiguiente una ho-
ra-hombre adicional no podía aumentar el valor de salida. El resultado de
A y B es igual al del primal, el cual indicaba que un aumento proporcional
en A y B podría “costar” —2,5 y —5,0 respectivamente (se recuerda que
un costo negativo equivale a un ingreso positivo).
La fila y' de la solución dual indica que un incremento wz de $1,
cuesta $40. Puesto que wa tiene unidades de dólares/hora, esto signi-
fica que hay 40 horas que no se utilizan u horas ociosas en el departamen-
to C. Se considera la primera restricción con el propósito de interpretar
las variables de holgura.
2w, + w, + 4w, > 10
2w, + w, + 4w, —uí =10
u', es la diferencia entre el valor combinado del potencial de entrada de

los departamentos A, B y C requerido para fabricar 1 unidad de producto 1
y el valor de 1 unidad de producto 1. En esta solución, u', es cero, pero
la fila y” indica que el incremento de u', en 1 unidad desde O hasta 1,
cuesta $40 por hora. Teniendo en cuenta que u', tiene un coeficiente de
1(hora/unidad) esto representa 40 unidades de x,. Análogamente el
valor de 40 debajo de u'z representa 40 unidades que deben fabricarse
de x2.
ANALOGIA MATEMATICA; PRIMAL COMPARADO CON DUAL

La analogía matemática de las formulaciones primal y dual es mucho más
sencilla que la interpretación física o económica de estas formulaciones.
Como se indicó anteriormente, diversos textos presentan excelentes de-
ducciones y pruebas de la existencia del dual. En este texto se revisa es-
te material para ilustrar directamente el método de convertir el primal en
dual y viceversa.
La siguiente formulación corresponde al problema primal. Maximizar
Z=C,X, + C2X2
sujeta a
411X, + 412X2 Sd,
47¡X, + 422 X2 <S b,
43,X, + 432X2<D,
El dual requiere la definición de una variable de decisión w, por tan-

to se formula como se indica a continuación. Minimizar
' y" =b,w, + bw, + b3w3

sujeta a N
A¡¡W, + 071W) + 03¡W32C;
0412 W¡ + 072W) + 0372W3 2C)
La solución da información equivalente, pero la fila y' de la solución dual
contiene la misma información que se encuentra en la columna b de la so-
lución primal. La columna b de la solución dual suministra los mismos da-
tos que la fila z de la solución primal.
EJEMPLO 12-8 El primal consiste en maximizar

z=2x, + 3x,
sujeta a
2x, +2x,<10
2Xi +xX,<S 6
AS
Matriz original Matriz optimal

X1 X2 uy U> uz b Xi 267 Uy Us uz b
2 2 l 0 0 10 0 0 Il —-4 -—4 2
2 l 0 1 0 6 l 0 0 2 —) 2
1 2 0 0 ] 6 0 1 0 -—j 2 Z
Z 3 0 0 0 0 0 0 O —+ -—% |-10
El dual consiste en minimizar
y = 10w, + 6w, + 6w,

sujeta a
2w, + 2w, + w, > 2
2w, + w> + 2w; > 3
Matriz original
w Wa wa IU a; a, b
9) 2 li 0 l 0 2
De 1 2 O. 1 0 1 3
AA E E e O
y| 10 6 6 0 0 0 0 0
PROBLEMAS 3/9
Matriz optimal
O A A E 3
A NN 3
is o ta 207 10 1111
REFERENCIAS
1 Wilde, Douglas J., y Charles S. Beightler: “Foundations of Optimization,”

Prentice-Hall, Inc., Englewood Cliffs, N. J., 1967.
2 Dantzig, George B.: “Linear Programming and Extensions,” Princeton Univer-
sity Press, Princeton, N. J., 1963.
3 Garvin, Walter W.: “Introduction to Linear Programming,” McGraw-Hill Book
PROBLEMAS
12-1 A continuación se presenta el problema: original y la solución optimal de un

problema de programación lineal.
(a) ¿Cuál es el intervalo optimal del coeficiente de costo de x2; es decir,
cuáles son el mayor y el menor valor de cz que pueden dar lugar a una
solución optimal x2 = 3?
(b) Si x, se hace igual a 1, ¿cuál será la nueva solución?
¿Cuál será el valor revisado de 2?
(c) ¿Qué tan grande debe ser el valor de cz para entrar en la solución?
(d) ¿Cuál será el resultado de aumentar b, hasta un valor de 7?
(e) ¿Qué valor debe tomar a,, antes de que x, pueda estar en la solución?
El problema original consiste en maximizar
2x1 + 4x2+ 3x3
jet
eur 2x1 +2x2+3x3<6
4x1, +2x2+2x3<8
Solución optimal
X1 X2 X3 uy ua b
1 1 3 1 0 3
2 0 —Tr —1 1 2
-2 02 *=2 0 =12
12-2 El siguiente problema de programación lineal ha sido maximizado para dar la

solución indicada. Maximizar
2x1 + 4x2 + 6x3
380 . ANALISIS DE SENSIBILIDAD EN PROGRAMACION LINEAL
sujeta a
2X1 + 2X2 + 4x3 < 12
x1+4x2+2x3< 8
4x; +.2x2 + 4x3< 10
Solución
X1 X2 X3 Uy ua u3 b
2 0 0 Al oO —1 2
— + 1 0 0 1 —j4 1
E 0 1 0 -—4 3 2
SO 0 MR —16
(a) ¿Cuál debe ser el valor de cz para que x3 se convierta en no básica

(salga de la solución)?
(b) ¿Qué tan grande puede ser cz antes de que cambie el vector solución?
¿Qué cambio podría ocurrir?
(c) Si se aumenta c, desde 2 hasta 3, ¿podrá x, estar en la solución?
(d) Si x, se fija en 13, ¿cuál es el nuevo vector solución?
(e) Si b, se aumenta hasta un valor de 14, ¿qué efecto tendrá esto? ¿Por
qué?
(f) ¿Qué tan grande debe ser bz para dejar de ser una restricción limitante?
(£) ¿Qué tan pequeño debe ser az, antes de que x, entre en la solución?
12-3 Se mezcla alimento para satisfacer las especificaciones mínimas de valor
nutricional. Las cuatro clases disponibles de grano contienen diversos por-
centajes de los nutrientes requeridos A, B y C. En la tabla se presentan los
datos. La mezcla debe satisfacer los siguientes requerimientos mínimos:
A>6% B>14% C>35%
Porcentaje de nutriente
Clase Costo por
de grano bushel A B C
1 $0,90 4 15 5
2 1,10 7 8 35
3 1,60 9 20 37
4 1,35 6 13 40
Hallar la mezcla optimal y luego establecer el intervalo tolerable de costo para

cada grano antes de que la mezcla deba cambiarse.
12-4 Un taller está programado para tres productos principales, 1, 2, y 3. Estos re-
quieren tiempo en cuatro departamentos A, B, C, y D. En la tabla se presen-
tan los requerimientos de tiempo y las horas disponibles.
(a) Si las ventas exceden la producción, ¿qué cantidad debe fabricarse de

cada producto? Suponer que las unidades fraccionales pueden comple-
PROBLEMAS 381
Tiempo en cada departamento, horas

AAA Contribución
Producto . Á B E D estimada /unidad
1 0,5 0,8 3 1 $2,50

2 2,5 2,5 1,5 0 3,25
3 1,0 3,0 2 35 | 450
Horas. disponibles; 200 240 280 200
0 00 0 — A A _ — — íIA<—202———<—c<—<K—K
Ií€qm yq Í
tarse en el siguiente período de tiempo y por tanto constituyen una res-

puesta válida.
(b) ¿En cuál departamento hay tiempo ocioso?
(c) Si se quisiera aumentar la capacidad de un departamento en una canti-
dad muy pequeña, ¿cuál podría ocasionar el mayor aumento de ganancia
por unidad incrementada (suponiendo costos iguales en todos los de-
partamentos)?
(d) ¿Cuánto se podría aumentar la capacidad del departamento C antes de
que se convierta en no limitante?
12-5 Dado el siguiente problema de maximización

2x1 — 4x2+3x3+7xa
sujeta a
0x1 + 2x2 + x3+ xs>20

x1 + x2+ 2x3 +3,3x4 < 60
Xi+Xx2=X3+ 6x4 < 50
Solución
X3 Xa ur U2 uz b
X1 X2
0 0,947 1 O -—0,474 0,175 —0,175 11,228
74/3684 03570: : 12684 1,228 —0,228 8,597
0 1,053 0 11 =0:526:=0,175 0,175 8,772
O -—5,474 0 O -—0,263 —1,754 —0,246 —112,28
(a) ¿Cuál es el resultado de añadir 2 unidades de x,?

(b) ¿Para cuál intervalo del coeficiente de costo de x2 no cambia el vector
solución?
(c) ¿Cuál debe ser el valor de cz para que x» pueda estar en la solución?
a 10-6:
12-6 Utilizar la solución optimal de la parte (a) del problem
(a) ¿Cuál es el efecto del requerim iento de que cualquier tamaño de tornillo
debe constitui r al menos el 15 por ciento del paquete total?
libra, ¿afec-
(b) Si el tamaño 3 pudiera obtenerse por $10 en lugar de $12 por
taría esto la composición?
2 y aún te-
(c) ¿Cuál es la mayor cantidad que puede pagarse por el tamaño
nerse la misma composic ión optimal?
12-7 Formular el problema 10-9 empleando el dual en lugar del formato primario y
comparar esta solución con la obtenida: anteriormente.
(a) Mostrar que el valor asociado con las limitaciones de tiempo indica que
esta no es una restricción importante.
(5) ¿Cómo se interpretaría el valor asociado con la materia prima?
¿Cuál recurso es más costoso, la materia prima o el espacio?
(c) ¿Cuál es el valor asociado con el producto 2? ¿Qué significado tiene?
12-8 Utilizar la solución optimal del problema 10-11:
(a) Si un nuevo producto E estuviera disponible y requiriera 0,1 unidad de
tiempo en el Depto. 1; 0,25 en 2; 0,15 en 3; y nada en 4, ¿cuál debe ser la
contribución a la ganancia para convertir E en una alternativa económi-
ca (ser producido)?
(b) Un método de hacer conveniente la fabricación de E consiste en reducir
los requerimientos de tiempo de manufacturación en uno de los depar-
tamentos. Puede suponerse que E añade sólo $5 por unidad a la ganan-
cia. ¿Cuál fase de manufacturación sería mejor estudiar para reducir el
tiempo? ¿Qué tanto debe reducirse el tiempo?
Si se tuviera tiempo disponible con base en tiempo extra, ¿a cuál depar-
tamento debiera asignarse? ¿Qué tanto se podría pagar con base en boni-
ficaciones (costo adicional) para obtener tiempo extra? ¿Cuánto debe
agregarse antes de que el departamento ya no sea restrictivo?
(d) ¿Cuál es la máxima reducción de precio (y por tanto contribución a la
ganancia) que puede hacerse en el producto B antes de convertirlo en un
producto indeseable?
12-9 Formular el problema 10-12 como dual. Explicar sus restricciones en términos
económicos.
13
PROGRAMACION DINAMICA
INTRODUCCION
De todas las técnicas de investigación operacional, la programación diná-
más di-
mica es la que emplea conceptos más simples y sin embargo es la
fun-
fícil de aplicar. Si el estudiante no está familiarizado con la notación
le será difícil aprender a manejar esta técnica. Este
cional, frecuentemente
sim-
capítulo explica la teoría de la programación dinámica en términos
ples y precisos.
a-
Una de las dificultades que presenta la aplicación de la program
formula ción definida y de algorit mos
ción dinámica es la carencia de una
requiere decisio-
de solución. Por tanto, la formulación de cada problema
a es semejan te al desarrollo
nes básicas. La formulación de un problem
ación de un problem a en tér-
de un problema de probabilidad o a la present
de un problem a es
mínos algebraicos. Antes de comenzar la solución
técnica. No hay reglas
necesario comprender tanto el problema como la
hacia una formula-
simples, fáciles de aplicar y que siempre conduzcan
técnica se demuestra
ción correcta. Por consiguiente, la aplicación de esta
mediante el desarrollo de varios ejemplos.
384 PROGRAMACION DINAMICA
Faltan 4 Faltan 3 Faltan 2 Falta 1

decisiones decisiones decisiones decisión
FIGURA 13-1
Red del problema del viajero.
CONCEPTOS DE PROGRAMACION DINAMICA

La programación dinámica es la técnica más apropiada para resolver pro-
blemas que requieren decisiones interrelacionadas, es decir, decisiones
que se deben tomar en forma secuencial y las cuales influyen en las deci.-
siones futuras de esa secuencia. Los conceptos desarrollados por Richard
Bellman permiten la optimización parcial de una parte de la secuencia y
luego relacionan las unidades optimizadas con la siguiente en línea, hasta
que toda la secuencia queda optimizada. Estos conceptos pueden apli-
carse en los problemas que contienen funciones continuas o en problemas
en los cuales solamente los valores enteros son prácticos. Como los últimos
problemas son los más fáciles de visualizar, la presentación se comienza
en este punto. Los conceptos básicos de programación dinámica se pue-
den presentar de una manera sencilla por medio del problema del vlajero.
Se puede suponer que alguien debe viajar entre los puntos A y Z, in-
dicados en la red mostrada en la figura 13-1. Puede seguirse: cualquier tra-
yectoria entre los puntos extremos, pero la distancia total recorrida debe
minimizarse. En la red están anotadas las distancias entre puntos adya-
centes.
La trayectoria total entre A y Z consta de cuatro pasos, cada uno con
una longitud asignada. Por tanto, el objetivo es minimizar la suma de los
cuatro pasos seleccionados.
Se observa que las etapas de decisión están numeradas en función
del número de decisiones que faltan para completar el problema. Por
tanto, 1 = 2, significa que quien recorre la red, está en un punto de
la se-
cuencia en la cual todavía se requiere tomar dos decisiones. Si l, es
la
distancia del paso seleccionado y en el cual faltan ¡ decisiones, el obje-
tivo del problema se puede expresar en notación matemática, así:
CONCEPTOS DE PROGRAMACION DINAMICA 385
¡=4
Distancia total= 1 + bh +h+l= 204
i=1
izar como un proble-

El problema planteado en esta forma se puede visual
Lo que complica el proble-
ma de tomar cuatro decisiones consecutivas.
decisiones futuras.
ma es que cada decisión influye en todas las
un conjunto de pro-
La programación dinámica divide el problema en
reagrupa los resultados
blemas más pequeños y fáciles de resolver y luego
Por ejemplo, en el punto
del análisis. Esto se denomina descomposición.
ir directamente hasta Z re-
h de la red, sólo hay una decisión disponible:
forma desde : y j las
corriendo una distancia de 4 unidades. En la misma
Puesto que estas son las
distancias son 3 y 5 unidades respectivamente.
mínimo. Sin embargo, en
únicas trayectorias disponibles, representan un
ibles ir hasta h o ir hasta ¡. La dis-
el punto e, hay dos decisiones dispon
entes: (1) la distancia resultante
tancia total entre e y Z tiene dos compon
momen to y (2) la mínima distan-
de la decisión inmediata tomada en ese
s requer idas para ir hasta Z.
cia resultante de todas las decisiones futura
en e y toma la decisión de ir
Como ejemplo puede suponerse que uno está
resulta de esta decisi ón es 6 +
hasta h. La distancia total entre e y Z que
e — i da una distan cia total
4 — 10 unidades. Similarmente la decisión
de 3 + 3 = 6 unidades. Como 6 < 10, la decisión óptima en e es ir has-
6 unidades.
ta i recorriendo una distancia total de
decisiones de las tres alternati-
En una forma similar se comparan las
vas disponibles en el punto f.
A 1
Primera Segunda | Distancia

Decisión | distancia | distancia total
f>h Dl 4 11
5 3 8
f>i
fo j 4 5 9
A AAA
¡, recorriendo una distancia

Así la decisión optimal en f es ir hasta
ión optim al es ir hasta J, recorriendo
total de 8 unidades. Desde g la decis
una distancia total de 9 unidades.
men de los parágrafos anteriores.
A continuación se presenta un resu
última decisión (faltando una deci-
Cuando estábamos en el punto de la
optimal en esa localización era muy
sión), encontramos que la decisión o
una etapa hacia atrás hasta el punt
sencilla. En seguida nos desplazamos la dista ncia total
y encontramos que
en el cual faltaban dos decisiones
suma de la decisión hecha allí y el resultado
desde cualquier punto, era la tra-
permitió la determinación de una
optimal de la ultima decisión. Esto de decisión. Es-
yectoria optimal desde cualquier punto en la tercera etapa
te procedimiento se resume en la siguiente tabla.
SA IAN e E UN
Distancia
Etapa de Decisión | mínima
decisión = 2| optimal | total hasta Z
e a: 3+3=6
A i S+3= 8
g J 4+5=9
—_ —_—— ____
Esto significa que si conocemos lo quessucedió anteriormente,

podemos
optimizar las decisiones futuras ya que nos encontramos
cerca del extre-
mo. Continuando este mismo proceso, podemos retroceder
toda la trayec-
toria hasta llegar al comienzo, tomando decisiones óptimas
a medida que
avanzamos.
Tratemos de evaluar las posibles decisiones en la tercera
etapa de de-
cisión. Si estamos en b, las posibles decisiones son
b>= e YD >
Desde b, la distancia total hasta Z es el resultado de
la decisión inmedia-
ta más la distancia mínima resultante de todas
las decisiones futuras
(estas ya se conocen).
b=e=total =7+6=13
Una vez que decidimos ir hasta e, conocemos de
cálculos anteriores que
la distancia mínima entre e y Z es 6 unidades.
b>f=6+8=14
Así de estas dos posibles decisiones, b — e
da la distancia mínima de
13 unidades. En forma similar se evalúan las posibl
es decisiones en c y d,
la distancia mínima se escribe en negrilla.
A
A _ _ >-Q_»>_
A _
Mínima
Primera distancia Distancia
Decisión distancia restante total
c>e 4 6 4+6=10
c>f 3 8 0 le!
c>g 3 9 3+9=12
d>f 4 8 4+8=12
d>g 2 9 2+9=11
Finalmente llegamos a la cuarta etapa

de decisión en A y evaluamos las
tres decisiones factibles.
A Ad a id is
Mínima
md Primera distancia |Distancia
Decisión distancia restante total
A=>b 3 13 16
ÁA=>c 5 10 15
A=>d 2 11 13
CONCEPTOS DE PROGRAMACIÓN DINAMICA 387
Se concluye que la mínima distancia total entr A yeZ es 13 unidades y la

trayectoria seguida es AdgjZ.
Este ejemplo muestra el concepto básico de la programación dinámi-
ca, esto es, dividir un problema en etapas y optimizar en la etapa co-
rrespondiente cualquier condición dada. Entonces se pueden combinar
los resultados. En este ejemplo, se ha mostrado que el resultado total es
la suma del resultado de la decisión inmediata más el resultado optimal
de todas las decisiones futuras a las cuales esta conduce. En este ejemplo,
esto se expresa asi:
Distancia total = distancia desde la siguiente decisión +

distancia minima restante
En una forma más general este concepto se expresa como-
Retorno total = retorno a partir de la decisión inmediata +

retornos optimales a partir de todas las etapas
futuras que resultan de la decisión inmediata
requerimien-
Aunque este concepto no es dificil, puede complicarse con los
aplican las mis-
tos de cualquier problema dado. Sin embargo, siempre se
mas reglas básicas.
ma fue
Debe reconocerse otro hecho a partir de este ejemplo. El proble
evaluada cada
dividido en una serie de etapas simples en las cuales fue
decisión factible. Para efectos de comunic ación, la termino logía y fimal-
importa ntes. Este proble ma fue dividido en
mente la notación se vuelven
se requirió una decisió n. En término s de pro-
cuatro partes. En cada parte
será llamada una etapa. En cada etapa,
gramación dinámica, cada parte
n: es decir, se optimiz a una variabl e de
por lo menos se toma una decisió
cualqui er etapa depende de las decisio nes
decisión. La salida o retorno de
de entrada para esa etapa y de al-
anteriores, esto es, de las condiciones
nte esto se expresa como
guna función objetivo. Matemáticame
r¿=/d,. S;) (13-1)
o) r, de una decisión
Esto significa que el resultado inmediato (retorn
S, que prevalecen en ese
en la ¡-ésima etapa depende de las condiciones
te. Como ejemplo, cuan-
instante y de la decisión d, tomada en ese instan
el punto :, el resultado
do estábamos en el punto f y decidimos ir hasta
instante las condiciones de
inmediato rz fue 3 unidades porque en ese
= f. y la decisión di = 1
entrada expresaban que estábamos en f. Sa
siguiente etapa. La distancia
significaba que debíamos ir hasta ¡ en la
ón y a las condiciones de
total f, es el resultado total debido a la decisi
entrada en la etapa :-
fo=rÁAd,.S) +12 d;. S;)
=rn+fi, (132)
PP
donde f* es la distancia total obtenida a partir de las decisiones opti-

males. La ecuación (13-2) expresa que el retorno total f, es igual al resul-
tado inmediato en la etapa i debido a la decisión d, y las condiciones de
“entrada S, más los valores optimales a partir de todas las otras etapas.
En términos del ejemplo, ésta es la distancia que resulta de la decisión
inmediata más la distancia mínima restante. Por ejemplo, a partir de c,
una decisión c — e da
f=4+6=10
EJEMPLO 13-1 Un inversionista tiene $6.000 para invertir en uno de
tres riesgos. El debe invertir en unidades de $1.000. El retorno potencial
a partir de la inversión en cualquier riesgo depende de la cantidad inver-
tida, de acuerdo a la tabla
Retorno a partir del riesgo

Cantidad
invertida Á B C
0 0 0 0
1 0,5 1,5 152
2) 1,0 2,0 2,4
3 3,0 2,2 2,5
4 3,1 2,3 2,6
5 3,2 2,4 2,1
6 3,3 2,5 2,8
da = Cuánto d, = cuánto d, = cuánto

invertir en A invertir en B invertir en C
Fa = retorno F¿ = retorno F3 = retorno

a partir de 4 a partir de B a partir de €
FIGURA 13-2
Representación del problema de inversión como problema de
programación
dinámica, ejemplo 13-1.
Este ejemplo puede expresarse como un problema de

programación di-
námica en el cual la decisión con respecto a la cantid
ad para invertir en
cada riesgo se observa como una etapa. Por tanto N = 3, número de de-
cisiones que deben tomarse o sea, el número de etapas
es 3. Esta situa-
ción se representa gráficamente en la figura 13-2.
En este caso el problema se visualiza como uno en el
cual el inversio-
nista que tiene inicialmente $6.000 y toma la decisió
n d¿ con respecto
a la cantidad que debe invertir en A. Como salida
de esta etapa él tiene
6.000 — d3 para invertir en B y C. En la etapa 2, toma la decisión da,

la cual determina la cantidad que queda para invertir en C, S;, = S2 —
d2. En este caso es evidente que todo el dinero restante debe invertirse
en C. Este problema se desarrolla con mayor facilidad empleando el méto-
do tabular. Se construye una tabla con los resultados obtenidos a partir
de todas las condiciones de entrada y decisiones posibles en cada etapa.
Para iniciar, se comienza por el final, esto es, cuando sólo falta to-
mar una decisión, n = 1. La tabla 13-1 presenta los resultados de las
posibles decisiones d, para diferentes condiciones de entrada S,. Se
Tabla 13-1 MATRIZ DE RETORNO EN n= 1
Condiciones de Posibles decisiones d, en la etapa 1

entrada S,, dinero que
queda para invertir 5
0 NF
1 NF
2 NF
3 NF
4 NF
5 2,7
6 2,7
ri = resultado optimal para las condiciones de entrada S,. Se observa

que las respuestas en negrilla indican df, la decisión optimal para esa
condición de entrada S,.
= NF = no es factible.
observa que todos los valores posibles de las condiciones de entrada, los
cuales pueden obtenerse a partir de decisiones anteriores, se han expre-
sado como una lista de filas. Esta tabla incluye todo el intervalo desde
S, = 0 (todos los fondos se han agotado) hasta S, = $6.000 (no hay fon-
dos invertidos en A o en B). Por ejemplo, la fila 4 indica que aún no han
sido invertidos $4.000, S; = 4. Los valores bajo d, = 0 hasta 6 dan los
resultados (ri) cuando se invierten $0, 1.000, 2.000, ... en el riesgo C.
Puede observarse que si sólo se dispone de $4.000 (S, = 4), no es factible
invertir $5.000 o $6.000 en el riesgo C. La columna rf da el resultado op-
timal para esa condición de entrada. Puesto que n = 1 (falta una deci-
sión), no hay que incluir retornos de decisiones futuras.
Ahora se regresa a la etapa anterior de manera que allí faltan dos de-
cisiones, n = 2. En esta etapa las posibles condiciones de entrada están
en el intervalo entre 0 y $6.000. En el cálculo del retorno total a partir de
una decisión d», el retorno rz a partir de la etapa 2 se suma al mejor
retorno disponible a partir de la etapa 1.
f=r,+5i (13-3)
En la tabla 2 se presenta un resumen de estos cálculos.

Como ejemplo, en la fila Sz = 4, si se toma la decisión dz = 2.000,
. el retorno de la etapa 2 es $2.000. La entrada a la etapa 1, S,, obtenida
por invertir $2.000 en B, es $4.000 — $2.000 = $2.000.
Si=Si41 — di4a
Esto significa que el dinero disponible en la etapa i es la cantidad dispo-

nible en la etapa anterior menos la cantidad invertida en esa etapa. Ob-
servando la etapa 1, si se conoce que Si = $2.000, entonces r* = $2.400
a partir de la tabla 13-1. El resultado total de la etapa 2 es la suma de es-
tos valores:
fa =5ry+r5í (13-3)
= $2.000 + $2.400 = $2.400
Tabla 13-2 MATRIZ DE RETORNO EN n = 2
d;
55 0 1 2 3 4 5 6 f*
0 0 — - = — = 5 0
1 0+ 1,2|15+0 — = — — — 1,5
= 12 | = 15
2 04 24|15% 1,212,044 '0 El ul di a 2,7
= 24 |= 2,7 |= 20
3 0+ 25|15 + 2,4|2,0 + 1,2) 2,2 + 0 — -- — 3,9
= 25 1-3, = 3,2 = 2,2
4 0+ 26|15 + 2,5/2,0 + 2,4| 2,2 + 1,2/2,3 + 0 — — 4,4
= 26 |= 450 = 44 ¿ = 34 "E 23
5 0+ 2,7115 + 2,6|2,0 + 2,55 2,2 + 2,4/2,3 + 1,2| 24 + 0 = 4,6
=27 |=41 |=45 |=46 |= 35 = 24
6 0.+ 28|15 + 2,7120 + 2,6|2,2 + 2,5123 + 2,424 + 1,2125 +0 | 4,7
= 28 | = 4,2 =46 |=47 |=47 |=36 |= 25
d;
6 0+ 4,7 |0,5+ 4,6 | 1,0+ 4,4 | 3,0+ 3,9 | 3,1+ 2,7 | 3,124+ 1,5 | 3,34 0 6,9
— 1011 = 5,4 0/9 = 5,8 = 4,7 = 3,3
Finalmente en la etapa 3 (faltan tres decisiones) se conoce que la en-

trada Sz es $6.000 ya que esta es la cantidad total de capital disponible.
Esta condición de entrada debe ser evaluada en todo el intervalo de de-
cisiones factibles. Estos cálculos se resumen en la tabla 13-3, la cual mues-
tra que la secuencia optimal de decisiones ocasiona un retorno total de

f3 = $6.900. Esta secuencia optimal de decisiones es dí = 3 (quedando
S2 = $6.000 — $3.000 = $3.000), y en S2z = 3, di = 1 (quedando S3 =
$3.000 — $1.000 = $2.000) y en S, = 2, dj = 2
EJEMPLO 13-2 Un camión puede trasportar un total de 10 toneladas de

productos. Hay tres clases de productos para trasportar. Sus pesos y valo-
res están tabulados. Suponiendo que por lo menos debe trasportarse un
artículo de cada clase, determinar el cargamento que maximiza el valor
total.
Peso,
Clase Valor toneladas
A $20 1
B 50 2
E 60 2
En este caso hay tres decisiones básicas, el número de unidades de

A, By C respectivamente, que deben trasportarse. Por lo tanto cada etapa
representa la decisión con respecto al número de unidades de una clase
dada de producto que deben trasportarse.
Clase A Clase B Clase C
La entrada representa la capacidad antes de cargar; por lo tanto S3 = 10

toneladas ya que en ese momento no se han tomado decisiones. La entra-
da a las etapas dependerá de la entrada y decisión precedentes.
Si=Si41 — d+ Wi (13-4)
Tabla 13-4 ANALISIS DEL EJEMPLO 13-2
2 1(60) = 60 NF NF
3 1(60) = 60 NF NF
ó 60 2(60) = 120 NF
5 60 2(60) = 120 NF
6 60 120 3(60) = 180
7 60 120 180
n=2
ARIANE A AAA AAA
d,
Sz 1 2 S 3
4 1(50) + 60= 110 NF —NF

5 110 NF NF
6 50 +120= 170 2(50) + 60 = 160 NF
7 170 160 NF
8 50+ 180= 230 100 + 120= 220 3(50) + 60= 210
9 50 + 180 = 230 100 + 120 = 220 150 + 60= 210
MES
5 1 2 3 4 6 De
———— — _—_—_— -_——— >_ _ — _ _ _AdááAK<KÁ
10 20 + 230 2(20) + 230 | 3(20) + 170 | 4(20) + 170 | 5Q0)+ 110 | 620) +110 | 270
= 250 = 270 = 230 = 250 = 210 = 230
donde w, es el peso de producto ¿. El retorno total de la etapa : es f, =

ri + f*,, donde r, = d,v, (v, = valor del producto ¿). En la etapa n = 1,
la entrada puede variar entre S, = 2 (todo el espacio cargado a excepción
de 1 unidad de c) y S, = 10 — 3 = 7 (sólo 1 unidad de cada ítem A y B).
En forma semejante en n = 2, el intervalo de S¿ puede ser 4< Sz < 9.
La tabla 13-4 presenta los cálculos de este análisis.
Los resultados del análisis mostrado en la tabla 13-4 indican la siguien-
te secuencia óptima de decisiones.
dis=2A. ARUBA di=30 3=.3270 1111
EJEMPLO 13-3 Maximizar

a
x¡ +2x2+x3<4
X1, X2,X3>0 y entero
En este problema se considera cada variable como una etapa. Por lo
tanto la secuencia de decisiones está relacionada con la cantidad que
debe asignarse a x,, x2, y x3. Las condiciones de entrada se relacionan
con la restricción. Por lo tanto S, es la cantidad de recurso no utilizado
en la etapa i.
r3 = (x3 — 2)? r2=(x2— 1)? ry=xX1

fi=-2+f£% f=m-Dxft f£=x;
Tabla 135 ANALISIS DEL £JEMPLO 13-3
10— 1 =1
2(0 — 1 =2 no es factible
H0— 1)* = 3 no es factible
40— 1 =4 0Q—1I*=0 de
py
OAe
(1-2 +3=2 Q-2+2=2|6-2+1=2|(4-2+0=8| 8

(0—-2Y +4=-4
En el primer punto del análisis, se observa que el valor de Si, puede

variar desde O hasta un máximo de 4 debido a la restricción. Esto define
los límites de S, para la tabla.
Se observa que en n= 2, S¿ puede tener una variación completa de
valores desde O hasta 4 pero x2 puede tomar sólo los valores 0, 1, ó 2
debido al coeficiente de la restricción. Por lo tanto la respuesta optimal es
x: =0, x2 = 0, x3 = 4.
a
EJEMPLO 13-4 El departamento de manufacturación de una compañí
.
ha estimado los requerimientos de trabajo de los próximos cuatro períodos
s
Aunque los trabajos pueden efectuarse con anticipación y los producto
dentro
se pueden almacenar, esto no es conveniente. El inventario cargado
de un período se contabil iza durante el período en el cual fue hecho.
Trabajo para realizar,

Período períodos-hombre
1 5.000
e 3.000
3 4.000
4 2.000
El costo de la mano de obra directa es $5 por período-hombre, y el

costo de cambiar la cantidad de mano de obra mediante contratos o des-
pidos es $2 por el cuadrado del cambio de la cantidad de mano de obra.
El costo de almacenamiento es $3 por unidad-período, donde 1 unidad es
el trabajo hecho en 1 período-hombre. Determinar el plan óptimo de tra-
bajo si no hay inventario disponible en este instante. La presente canti-
dad de mano de obra es de tres hombres. Suponer que no se permite tra-
bajar en tiempo parcial y que los hombres disponibles se emplean para
producir trabajo (no se permite tiempo ocioso).
Período Período Período Período

1 2 3 4
Ñ ls :: 3 > a | o] >
Este problema se formula en cuatro etapas en cada una de las cuales

se toma una decisión con respecto a la mano de obra. Hay dos condiciones
de entrada para cada etapa, la cantidad de mano de obra a partir de la
última etapa d,+, y el inventario disponible /,. Se tienen las siguientes
relaciones.
r¡ =5Sd, + 2(d;, , = dY? + 31, (13-5)
LS Lia + di — Wi41 (13-6)

w,+1 = trabajo requerido en la (i + 1)-ésima etapa.
El análisis se efectúa en forma tabular como se indica en la tabla 13-6. Se

observa que como condiciones de entrada para el período 4 (etapa n = 1)
deben considerarse la última decisión dz y el nivel de inventario /,.
Por lo tanto la tabla debe tener suficientes filas para incluir las posibles
combinaciones de d; e /,. Por ejemplo la primera fila representa dz = 2
e [, = 0. Como se muestra en esta tabla, se evalúan nueve combinacio-
nes para asegurar que los requerimientos de cómputo en n = 2 pueden
satisfacerse.
Como ejemplo, se observa la fila d¿= 3, /, = 1. En este caso la
primera decisión d, = 0 no es factible ya que un nivel de inventario de
CONCEPTOS DE PROGRAMACION Devaseica 395
1 unidad no satisface la demanda de 2 unidades en ese momento. Es

factible fijar d, = 1 ya que la unidad manufacturada más la unidad en
inventario satisfacen la demanda. El costo es
5(d, = 1) + 2(cambi deolacant mano de obra
deidad
—= 3 — 1)? + 3(nivel de inventario [, = 1)
= HD) + 268 — 1D? + 3(1) = 16
En la decisión d, = 2, el costo es
S(d, =2) + 2d, — d, =3— 2Y + M1) = 52) + 23 —-24 + 31) = 15 (13-7)
En n= 2, las condiciones de entrada que deben evaluarse incluyen

el mismo intervalo de combinaciones, excepto las decisiones posibles para
d» en el intervalo entre 2 y 4. Esto no incluye, evidentemente, todas las
combinaciones factibles, pero incluye las más probables.
Como ejemplo se observa la fila di = 4, l = 1. La primera decisión,
dz= 2, no es factible ya que el número total de unidades disponibles
Tabla 136 ANALISIS DE LA ETAPA 1
s=1
Condiciones
de entrada | Decisión d, en la etapa 1
Í 12 fñ
dz h 0
2 o | NF NF | D+0+0=10 10
i NF AD+MYF+340=10 | 2)+0+3M0)=13 16
2 0+20+32)=14 | S1)+21"=30)=13 | 52)+0+30)=16 13
NE NF 2) + UP +0 =12 12
3 0
o NF ¡SD +20 +3MD=16 | 0)+ M1" +3M1)=15 | 15
| M1) +20 +32) = 19 SAD) + UY +I0)=18 | 18
2 0+20-+30)=2M
4 0 NF NF DUI O=18 | 18
XD =26 | 42)+20
:AD+20F +M0)=21 | 21
Ñ NF
2 0+240*+30)=38 | D+23P+3M2)=29 | 42) +20Y +342)=24 | 24
3, las cuales no
debería ser 2 manufacturadas + 1 en inventario =
En dz = 3, la decisió n es factible .
satisfarían la demanda de 4.
trabajo directo cam le ceomoatet
debio emana
de mero de o o
f
Costo (d, = 3) = 53) + 24 — 3 + M1) + (42, 1,) (13-£)
es
Se observa que la demanda es 4 unidades; se hacen 3 unidad
inventa rio. Por lo tanto el nivel
(dz = 3) y la unidad restante se toma del
de inventario de la etapa les I, = l, + d2— w=1+3-4=0. En la

tabla 13-6 para n = 1 en la fila dz = 3 e I, = 0 se encuentra fi*(d2, 1,) =
12. Empleando este valor, el costo total en n = 2 es
fad, =3,L,=1)=5(3) + 24-34 31) + 12 =32

La última decisión calculada, dz = 4, se obtiene en forma similar
f.(d, =4, 1, =1) = 5(4) + 2(4.— 4)? + 3(1) + fí(d,, 1,) (13-9)
[¡=1+4-4=1 (13-10)
f*(d,=4,1, =1)=21 (13-11)
f2(d, =4, 1, =1) = 54) + 2(0) + 31) +21 =44 (13-12)
Tabla 13-7 ANALISIS DE LA ETAPA 2
n=2
—___— A A E A A ES IN MAN
Condiciones
de entrada Decisión dz en la etapa 2
d; fa 3 4 fi
2 0 | NF NF 5(4) + 2(2)? +0 +18 46
I- | NF 5(3) + 21)? + 3(1) + 12 M2 +31)+21 | 32
2243s(2) ex + 3(2) + 10 50) 3209+- (312) + 15 5 4209+32)+24 | 26
3 O | NF NF 5(4) + 21)? +0 +18 40
I- | NF 5(3) +0 + 3(1) + 12 = 30 naa a 30
2 50) pm + 3(2) + 10 | 5(3) + 0 + 3(2) + 15= 36 503209 + 3(2) +24 | 28
4 O | NF NF 54) +0+0=18=38 | 38
l NF A 5(4) +0 +3(1)
+21 =44 | 32
2 (d+ 2(2)? + 3(2) + 10 | 5(3) A +3Q)+15 | 54) +0+3(2) + 24=50| 34
—_—_——_— >
En la etapa 3, las decisiones que serán evaluadas con d3=2,

3, y 4
para las condiciones de entrada en n= 1.
En este caso el número de condiciones de entrada se reduce conside-
rablemente debido a las condiciones del problema. Por ejemplo,
si d, = 5
e [¿=0 (dado), l, sólo puede ser cero. Puesto qe wuw=5
e lL =0,
no es factible que d, sea menor que 5; y si di, = 6, l debe
ser = 1.
Finalmente la etapa 4 se puede evaluar en los niveles de decisión de

di =5 6 6. Se recuerda que I, = 0 y que la mano de obra original es 3
(dada en el enunciado del problema).
falda =5) = 5) + AS — 3)? +0 + 3d, =5, IL =0)

=25+8+0+ 54 = 87 (13-13)
fald, = 6) = 6(5) + 26 — 3? +0+f3(d, =6, 13 =1)
=30 + 18+0+65=113 (13-14)
Por tanto
fi =87
La solución indica la cantidad óptima de mano de obra en los cuatro
períodos.
Contrato/ Inventario
Período ¡Mano de obra despida
5 Contratar 2| /¿=0
4 Despedir 1 1550
3 Despedir 1 f=1
bun— 2 Despedir 1 1, =0
Costo mínimo = 87
1111
Condiciones
de entrada d;
A A
y 3 4 fa
ds
$(3) + 22)? + 0 +40 + 2(1)? + 0 + 32

$(4) 54
$ 0 NF
=63 = 54
$(2) + 2(4)? + 01) $(3) + 33)? + 3(1) + 30 | 5(4) + 2(2)? + 3(1) + 34 65
6 1
+46 = 91 =75 =65
EJEMPLO 13-5 Considerar otro problema de programación de enteros

expuesto como un problema de programación dinámica. Maximizar
4x, + 3x, + 8x,
sujeta a
(1) 6x, + 4x, + 6x3 < 14
(2) > EN
Ar a a EU
Este problema requiere ingenio para formularlo en tal forma que no se

necesite una cantidad excesiva de cálculo. En primer lugar debe recono-
cerse que este problema se puede considerar como uno que requiere tres
decisiones, los valores que deben asignarse a x,, x2, y x3. Por lo tanto
es un problema de tres etapas. Las decisiones son d, = x,, d2 = Xz,
y d3=x3. Cada restricción se representa mediante una condición de
entrada diferente. Por tanto la restricción (1) se representa por S;;, y la
restricción (2) por S»,
j=i
j=1
411 =413 a partir de la restricción (1) (13-16)
Sa = 1 = di (13-17)
Puesto que todos los a,, son positivos y relativamente grandes, se puede
deducir de la restricción (1) que x, y x3 no pueden ser mayores que 2 y
que x2 no puede ser mayor que 3. La restricción (2) indica que x3 no
puede ser mayor que 1, limitando así las decisiones disponibles.
Realmente estos cálculos se pueden reducir considerablemente me-
diante un agrupamiento apropiado de S,,. Esto no se ha hecho ya que
tiende a complicar el problema. Se observa que en la etapa 1, S,, puede
tener valores factibles en el intervalo entre O y 14 (si x2 y x3 son cero).
Por lo tanto para n = 1, el método tabular es bastante directo.
Como ejemplo se considera la fila para S, = 11. En este valor es fac-
tible fijar x, = 0, el cual da un retorno de 4(0) = 0. También es facti-
ble fijar x, = 1 ya que 6(1) < 11 y por tanto no se viola la primera res-
tricción. El retorno en x = 1 es 4(1) = 4. Sin embargo, no será posible
permitir que x, sea igual a 2 ya que esto excedería S,; 2(6) > 11.
Las condiciones de entrada de la etapa 2 realmente son más simples
ya que x3 está estrechamente limitado por la segunda restricción.
Como se mencionó anteriormente, x3 debe ser igual a 0 o a 1. Por lo
tanto Siz debe ser igual a 8 (si x= 1 y Siz= 14— 6) o 14 (si x3=0,
Si2 = 14 — 0). Esto reduce considerablemente el tamaño de la matriz.
El intervalo de valores que puede tomar d, es 0, 1, 2, 3 teniendo como
base a S;>z.
Ahora se considera la fila que representa las condiciones de entrada

Siz = 14. En este caso es factible tener x = 0, 1, 2, 03. Cuando x2 = 0,
Si = 14- 0 = 14 y Si = 14) = 8. Cuando X2 = E, Si1 = l4 —
1(4) = 10, por tanto FS = 10) = 4. Cuando X2 = 2 Si = 14 — 2(4) =6
y fi(S1 = 6) = 4; y si X2 = 3. S11 = 14— 12 = 2 y así fi (Si: = 2) = 0.
Las condiciones de entrada de la tercera etapa, n = 3, son Si3 = 14
y S23 = 1, y sólo hay dos decisiones factibles para calcular, x3 = 0 y
Xx3 = de
f(x3=0)=0+f3(8,,=14)=10 f(x =1) = 1(8) + /3(812 = 8) = 14
Por tanto se pueden indicar las decisiones optimales
n=1
Decisión en la etapa 1,
Condición di=x;
de entrada
Si 0 1 2 E =4x,
0 0 NF NF 0
1 0 NF NF 0
2 0 NF NF 0
3 0 NF NF 0
4 0 NF NF 0
5 0 NF NF 0
6 0 4 NF 4
7 0 4 NF 4
8 0 4 NF 4
9 0 4 NF 4
10 0 4 NF 4
11 0 4 NF 4
12 0 4 8 8
13 0 4 8 8
14 0 4 8 8

nn VE
Condición Decisión de la etapa 2, dz = x2

de entrada z
Si 0 1 2 3 f
8 0+4=4 1(3)+0=3 2(3)+0=6 NF 6

14 0+8=8 13)+4=7 2(3)+4= 10 33)+0=9 10
e
==5 5 55 5 <= AA ASASASá
Tabla 13-11
Etapa | Decisión a
A=1 1(8) + 2(3) = 14

e2
Y
N
== E=0
Tabla 13-12
Combinaciones factibles
X3 X2 S¡, resultante
0 0 Si =14-0-—0=14
0 1 Sir =14—0— 1(4) = 10
0 2 Si1 =14—0— 2(4) = 6
0 3 Sir = 14 —0— 3(4) = 2
1 0 Sii =14-6-0=8
1 >) Sii =14-6-8=0
Es posible observar en retrospectiva que las posibles condiciones de

entrada de la etapa 1 se pueden determinar con anticipación consideran-
do las combinaciones factibles de x2 y x3.
La programación dinámica también puede aplicarse en los problemas
que contienen variables continuas. Esto reduce considerablemente los
cálculos pero desafortunadamente conduce generalmente hacia una forma
matemática más compleja. Aunque los conceptos son idénticos, el método
puede parecer diferente debido simplemente a un cambio de énfasis. An-
tes de comenzar este ejemplo, se revisan los pasos empleados en la forma
tabular.
1 Establecer las etapas, variables de decisión, y las condiciones de
entrada (algunas veces llamadas variables de estado).
2 Determinar la función de retorno de cada etapa.
3 Determinar el método de cómputo de las siguientes condiciones
de entrada como resultado de las decisiones y condiciones anteriores.
4 Determinar ff en función de d, para el intervalo necesario de
condiciones de entrada (computar una fila de la tabla n = 1).
5 Determinar fz = rz + fí(d2, S2). Computar las filas de la tabla
n = 2. En este caso se trasfiere ff a esta tabla como resultado de
una decisión dada (d,) y la condición de entrada (S,) de la etapa
2. De nuevo esto se realiza para un intervalo de valores de S,.
6 Repetir el paso 5 para las etapas n= 3, 4,..., N hasta terminar.
Observar que en cualquier caso que haya desplazamiento hacia una nueva
tabla, se anota el retorno óptimo de la última tabla como un resultado de
lo sucedido en la nueva tabla, esto es, en función de S, y d,. Ahora se
considera el siguiente ejemplo.
EJEMPLO 13-6 Maximizar

Xx? + 2x,? + 4x3
sujeta a
Xx +2x,+x3<8
x¡>0
Como antes, la decisión con respecto al valor que debe asignarse a

cada variable representa un estado, por consiguiente este es un problema
de tres estados. En la fila 13-3 se representan la función de retorno y
las condiciones de entrada de cada estado.
Ahora se determina f,, esto es, optimizar en n= l.
1, = Py = x,? (13-18)
Esta expresión obviamente queda maximizada cuando x, es lo más

grande posible. Ya que la restricción no puede ser excedida, x, no debe
sobrepasar a S;,, la cual es la cantidad de recursos restringidos que no
han sido asignados. Por tanto x,< Si, y para maximizar x,= Si
fi=S/ (13-19)
Regresando a la etapa 2.
Rh=r. +1
=D A 1320)
Expresar S, en función de las variables de la etapa 2, esto es xz y Sz2.
Esto se efectúa empleando la relación S,= S2— 2x2.
AER? SED
= 2x2 + 52? — 4x257 + 4x,*
= 6x,? — 4x, 5), + 8)? (13-21)
ra = 4x3 13 e= 2x, 2 =
ENE
FIGURA 13-3
Representación de un problema de programación dinámica (Ejemplo 13-6).
En esta etapa, x2 puede tomar cualquier valor dentro del intervalo

0< x2< S2/2 debido a la restricción. Hallando la primera y segunda
derivadas parciales de f. con respecto a x2, se puede mostrar que el
“mínimo valor de f. ocurre cuando xz =4S». Puesto que este valor está
dentro del intervalo entre 0 y 48», esto significa que f* ocurre en xz = 0
o en x2 =38S2. Ambos deben evaluarse.
En x2 =0: f,=0-0+5,?=8, (13-22)
AA S
En x2 = 382: 105) Sn
E
Sil lies in
=48,? (13-23)
Ya que 5)? >345,?,£* =S2?, x3 =0.
Finalmente se evalúa en la etapa 3.
fj=r3+f%
dcrbisaro (13:24)
Recordando que Sz= S3— x3 y sustituyendo en la ecuación anterior
se obtiene.
fa = 4x3 + (S3 — x3)
=4x, + Sy? — 2x385 + x3? (13-25)
Puesto que S3 = 8, esta expresión se puede simplificar

f, = La + 4x, a 16x3 $e 64
= da == 12x, > 64 (13-26)
La variable x3z puede tomar cualquier valor dentro del intervalo 0 <
x3< 8. Hallando la primera y segunda derivadas parciales se muestra
que el mínimo valor de f¿ ocurre en x3= 6, por tanto x3 debe eva-
luarse en ambos extremos del intervalo.
filx3=0)=0-0+64=64 (13-27)
fix, =8)=64-96+64=32 (13-28)
Por tanto fe 64109 atx3 =0. (18-29)
A partir de esta expresión se pueden determinar los otros valores de
a Y L2s Sy =8 3 =0
S2=S3-x3=8-0=8 (13-30)
x= 0
S, =8S,-2x,=8-0=8 (13-31)
x1=8S,=8
Realmente esta expresión puede evaluarse para cualquier valor de

S¿. En primer lugar se expresa f, en función de x3 y S3.
f <4x, +83? — 21,5, + x3? (13-32)
Ya se conoce que x% es 0.0 Sz. Para determinar este punto se igualan

y se resuelve.
x3=0 f=8
X3 = Sy f, = 48)
Sy = 4
Esto significa que si S¿ es igual o menor que 4, se fija x3 = S3, y si

S3 es igual o mayor que 4, se fija x3 = 0.
0<5,<4 4<S,<00
3 =S3 0
sb sicdri0 E a
x3=0 0
A a o ill
=0-0=0
%=S,=0 AR 28
3 =483 fi =SY
Una vez
A continuación se presenta un resumen del procedimiento.
ones de entrada
determinada la forma de calcular el retorno y las condici
de cada etapa, se calcula n xf y ff en funcion es de S,. Esto es similar
se determi na x* para todos los valores de
al método tabular, en el cual
nte emplea ndo la expresi ón de xi y
S, que pudieran ocurrir. Realme
para cualqui er interva lo deseado de
ff se pueden calcular los valores
los mismos resulta dos determi nados
valores de Si, y por tanto generar
se determi na f2 = "2 + f?. Entonce s
con el método tabular. Después
2 en tal forma que f2 pueda ser
ff se expresa en función de la etapa
en el cual se suma ff a
optimizado. Esto es similar al método tabular,
, ya que f* se había expresado
cada cálculo de la etapa 2. Sin embargo
de Sz y x2, no fue necesario investigar cada
anteriormente en función
valor discreto.
modifica el
EJEMPLO 13-7 Como otro ejemplo del método continuo se
ejemplo anterior para minimizar x12 +2x,? + 4x3
sujeta a Xx, +2x,+x3>8
x>0
ETAPA 1
==? (13-33)
BS
Obviamente x, debe ser tan pequeño como sea.posible. Debido al cam-

bio de la restricción, x,> S,; por tanto se fija x= S;.
fí = Si?
x=5S,
ETAPA 2
R=BFIA=DS ESA (1834)

Sm da Ds i0l30)
LEDS SA
=2x3? + S,? — 4x2 8, + 4x2?
he A (13-36)
Ahora se determinan la primera y segunda derivadas parciales con res-
pecto a xz.
of. =12x,- 45,

ES (13-37)
0,
22 =12 (13-38)
E
Ya que esta derivada es positiva, la solución de 12x,-— 4S,=0 es un

mínimo.
x5=383 (13-39)
Sustituyendo en fz para determinar f*:
3 3
=48)? — $87? + S,?

=453* (13-40)
ETAPA 3
fj=r3+f7=4x3+38,2? (13-41)
S.=S,=x3 + (13:42)
f, =4x3 + (83? —2x383+x3?) (13-43)
CONCEPTOS DE PROGRAMACION Dinamica 405
Ahora se determinan la primera y segunda derivadas parciales con res-

pecto a x3.
of:
dd +3, (13-44)
Pf,
=> = 3
2 (13-45)
|
Esto significa que se obtiene un mínimo cuando se evalúa ¿f/0xz =0.

4-4S,+4x,=0 (13-46)
4x, = 4S,-4
3=S,-6
Puesto que S3 =8, xs =8— 6 = 2.
f3 = 42) + 4164 — 228) + 2*]

=8 + H64 — 32 + 4) = 20 (13-47)
Se observa que si S¿3 es menor que 6, x% es negativo, lo cual no es

factible; por lo tanto para S3< 6, x3 = 0 y para S¿ > 6, 13 = Si — 6.
S,<6
A=0 (1348)
S,=Sj-x3=S, (1349)
1 =35,=45, — (13-50)
S,=5,-2x, (1351)
S, = S;, — 2453)
=14S, (13-52)
4=S =45, (13-53)
de S;.
Por lo tanto todos los valores de x, están expresados en función
se em-
EJEMPLO 13-8 Como ejemplo final de una solución en la cual
plean variables continuas, maximizar
—x 2 — 2x7? + 3x2 + X3
sujeta a x+x.+x3<1
Xy, X2,X3 20
En primer lugar se determinan las relaciones de r, y £S,.
d3= Xx3
ETAPA 1
A =r =-—x? (13-54)
Esta expresión se maximiza cuando x, = 0.
ETAPA 2
PR=r,+ff=-2x,+3x,+0 (13-55)
Para optimizar con respecto a x2 se emplea el cálculo.
— = —4x, +3 (13-56)
El valor máximo de xz se obtiene evaluando ¿f,/0x,=0.

da ES == 00 (13%)
2=3
Sin embargo, xz no puede exceder S2, y por tanto si S2< 2, f¿ puede
maximizarse haciendo xz tan grande como sea posible, esto es, x2 = Saz.
S2<¿ S2>34
dd *
x2 =$, x=i
fi=-287+38 Si=3
ETAPA 3
L=r3+f2=X+/ (13-58)
Esto debe hacerse para dos condiciones ya que f%í depende de la mag-
nitud de Sz.
DIFICULTADES EN LA APLICACION 407
Esto se maximiza cuando x3 es lo más grande posible. ¿Qué tan grande

puede ser x3 si S2> 2?
Sa =S, 5 kg = 1 —= X3 (13-60)
i=1-x;
ye de (13-61)
por tanto 3=31+%=% (13-62)
Caso 2, S2< 2: fi =x3+38,-28,? (13-63)
SEA aa
fa =xX3 + 383 — 3x3, — 2(S, — x3)?
=XG +83 Big 29,7 41355 2x4?
= 438, — 2, 253 + 4%,5, 2x3? (13-65)
a
DLE
0X3
NT Y
Puesto que la segunda derivada parcial es — 4, la primera se puede igualar
a cero para determinar el valor de xz que maximiza
x3=S3-)j=1-—¿=j
ya que S3¿=1 (13-68)
f3=3 — 24) - 21) + 49101) — 24)
= 14 (13-69)
Ahora se compara el caso 1 con el caso 2. Ya que 4 < 14,
3=3 fj=54
Sa = Ss 1 YA O
OS, Y)
Sy =8S)=—x,=0 (13-72)
== 1393)
1111
DIFICULTADES EN LA APLICACION
Aunque teóricamente la programación dinámica se puede emplear para
resolver una amplia variedad de problemas, las aplicaciones rápidamente
llegan a ser muy difíciles. La principal dificultad es el tamaño del proble-
ma. En particular, estos comentarios se aplican en los problemas que
tienen soluciones finitas o no continuas. El tamaño de los problemas au-
menta exponencialmente con el número de etapas. Obviamente, el tamaño

del problema también aumenta con la variedad de condiciones posibles en
«cada etapa. Este es un problema de combinaciones. Si hay 3 etapas y 5
condiciones posibles en cada etapa, hay 53 = 125 respuestas factibles.
Aun cuando la salida de cada combinación no se computa, los cálculos de
programación dinámica crecen en forma semejante. Y lo que es más im-
portante, el espacio requerido en el computador también es grande. Ya que
intuitivamente no se puede anticipar la respuesta final, es necesario alma-
cenar la salida optimal y la condición de entrada de cada etapa. Los
requerimientos de almacenamiento frecuentemente son más restrictivos
que los requerimientos de cómputo.
El problema se complica cuando se agregan más variables. Cada di-
mensión que se adiciona expande el espacio requerido a una tasa expo-
nencial rápida. Por ejemplo, si un problema de tres etapas tiene dos
variables, cada una con un intervalo factible de 5 valores por etapa, el
número de respuestas factibles es igual a (5 Xx 5)? = 1.625.
Por consiguiente, problemas de tamaño práctico no son factibles si
tienen más de dos o tres variables. Se pueden emplear algunos artificios
de cómputo para reducir los requerimientos de tiempo o de espacio dispo-
nible, pero esto no es suficiente. Una de las técnicas comunes consiste en
determinar primero una respuesta optimal empleando una red amplia para
calcular una respuesta aproximada. Luego se utilizan divisiones cada vez
más pequeñas hasta obtener una respuesta tan exacta como se quiera.
Este procedimiento requiere algunas suposiciones con respecto a la mo-
dalidad, sin embargo en la mayoría de los problemas reales no presenta
mayor dificultad.
REFERENCIAS
1 Bellman, R.: “Dynamic Programming,” Princeton University Press, Princeton,
N.J., 1957.
2 Bellman, R., y S. Dreyfus: “Applied Dynamic Programming,” Princeton Univer-
sity Press, Princeton, N.J., 1962.
3 Howard, R.: “Dynamic Programming and Markov Processes,” John Wiley «
Sons, Inc., Nueva York, 1960.
4 Wilde, D. J., y C. S. Beightler: “Foundations of Optimization,” Prentice-Hall,
Englewood Cliffs, N.J., 1967.
PROBLEMAS 409
PROBLEMAS
13-1 Determinar mediante programación dinámica la trayectoria de mínima dis-

tancia entre A y L.
13-2 La carga de un avión se distribuye con el propósito de maximizar el ingreso

total. Se consideran 5 elementos y sólo se necesita uno de cada uno. La com-
pañía trasportadora gana 5 centavos por elemento más una bonificación por
elemento. El avión puede trasportar 2.000 libras.
Valor de la
Elemento! Peso, lb [Volumen, pies
¡ei
bonificación
.) 3
hd
la
fa
Un
(a) ¿Cuáles elementos deben trasportarse?

(b) Si se considera un volumen máximo de 200 pies cúbicos, ¿cuáles ele-
mentos deben trasportarse?
13-3 Una empresa tiene $10.000 para invertir en cualquiera de cuatro riesgos de
duración anual. El dinero no invertido en estos riesgos puede colocarse a
interés del 10% anual. ¿Cómo deben emplearse los fondos?
Cantidad
para
Riesgo invertir
52.000
3.000
6.000
NN
00
He 7.000
13-4 Obtener una solución entera mediante programación dinámica. Minimizar

3x1 + 4x5 + 5x3
sujeta a x+2x+ x3>6
"E x2+2x3>4
xj>0
13-5 Un departamento de manufacturación debe satisfacer la siguiente demanda

de su producto
Trimestre 1 2 3 4
Demanda, miles 4 2 6 3
Se puede suponer que los productos fabricados durante un trimestre pueden

emplearse para satisfacer la demanda de ese trimestre. No se ocasionan
costos de almacenamiento durante el trimestre en el cual se fabrican los
productos, pero si este se prolonga, se ocasionan costos de almacenamiento
ya que la demanda se presenta al final de cada trimestre. El costo de incre-
mentar la producción en 1.000 unidades es $100 y el costo de disminuirla
en 1.000 unidades es $150. El costo de almacenamiento es $75 por mil uni.-
dades por trimestre de almacenamiento. Suponer que la producción durante
el trimestre 0 fue de 4.000 unidades y que no había inventario disponible.
¿Cuál es el programa optimal de producción?
13-6 Obtener una solución entera máxima empleando programación dinámica
1,5x,+ x2
sujeta a
xi +x2<10
4x1 +x2<20
XxX1112> 0
13-7 Repetir el problema 13-6 sin la restricción de una solución entera.
13-8 Obtener una solución máxima empleando programación dinámica.
g Xx1?4+3x2—=X,
sujeta a
Xx1+2x2<5
13-9 Un oleoducto produce una ganancia de 30, 50, y 40 centavos por barril de
petróleo de las compañías 1, 2 y 3 respectivamente. La capacidad disponible
del oleoducto es 100.000 barriles diarios. Se han recibido solicitudes de
las
tres compañías petroleras para trasportar 50.000, 30.000, y 30.000 barriles.
Además el oleoducto obtiene una ganancia de 10 centavos por barril
alma-
cenado. Determinar la combinación optimal que permite maximizar la ganan-
cia empleando programación dinámica.
13-10 Maximizar
Z2=6x,+2x,+ 3x,+4
sujeta a
Xxi+x2<4
x2+3x,<6
X1, Xi, X3 >0
PROBLEMAS 411
13-11 Un inversionista tiene $500 para invertir y ha limitado sus posibles alterna-
tivas a tres pequeñas compañías. En la tabla se presentan los retornos
estimados para diferentes cantidades de capital invertido en cada com-
pañía. La asignación cero retorna $0. ¿Cuál es la estrategia optimal de
inversión?
Companía
Cantidad 1 % 3
$100 10 20 10
200 10 20 20
300 30 20 20
400 40 30 30
500 40 30 40
> ON E
A
ds 55 r
- Ye?
PRE
E
4 cu e 107 . sápe 5d: eEN

AE0, a + A yrodol Penricados Junta w5 Lmmaukre
AreO o e a jitace” la demaiña de ne Trliritra, PEO 00-00 40
Jo costos de ardor PABLO ds igrartre em el cul se Pbrivan1ón.“y
a ' a
ae acenamicnto. ;
ato de
CiAMinairia
mr, E
incre
3;
por sil ue ES
ción durante
“isponitde
APENDICE A 413
APENDICEA
Suma de términos del límite binomial exponencial de Poisson
1.000x probabilidad
de c o menos ocurrencias del evento que tiene un
número promedio de ocurrencias igual a c' o np”
58828
Ry
ooo000
oooo
.
pooo
sis
3884
288
3
.
ulLy
Un
rg
IPD
ud Y
SADO
Dow”
ll
(Tomado de E. L Grand y R. S. Leavenworth, “Statistical Quality Con-

trol,” 4a. ed, McGraw-Hill Bnok Company, Nueva York, 1972 Con permiso
de los editores.)
414 APENDICE A
Suma de térininos del límite binomial exponencial de

Poisson. (Continuación)
yx
993| 998; 1.000
» 955| 983| 994| 998

942| 977| 992] 997
909) 960| 984| 994

889] 9149| 979] 992
867| 936| 972| 989
818| 905| 955| 980

791| 887| 944| 975
762| 867| 932| 968
732| 845| 918| 960
670| 797| 886| 941

638| 771| 867| 929
OOSR<RFN
O0PAÁN
DO0ODAN
O0DAaN 606| 744| 847| 916
2,8
3,0
3,2
3,4
3,6
3-8
4,0
4,2
4,4
4,6
4,3
5,0 999|1.000
5,2 997| 999;1.000
5,4 996| 9991.00
5,6
. 998 999,1 .000
5,8
-
6,0
(Tomado de E. L Grandy R. $. Leavenworth, “Statistical
Quality Con-
trol,” 4a. ed., McGraw-Hill Book Company, Nueva York, 1972.
Con permiso
de los editores.)
APENDICE A 415
Suma de términos del límite binomial exponencial de

6,2 002 054| 134/ 259| 414| 574| 716| 826| 902
6,4 002 046| 119/ 235| 384| 542| 687| 803| 886
6,6 001 040/ 105| 213| 355| 511| 658| 780| 869
6,8 001 034| .093| 192| 327| 480| 628| 755| 850
7,0 001 030| 082| 173| 301 450| 599| 729| 830
7,2 001 025| 072| 156| 276| 420| 569| 703| 810
7,4 001 022| 063| 140/ 253| 392| 539| 676| 788
7,6 001 019| 055| 125| 231| 365| 510| 648| 765
7,8 000 016| 048| 112| 210| 338| 481| 620| 741
8,0 000 014| 042| 100| 191/ 313| 453| 593| 717
8,5 000 009| 030| 074| 150| 256| 386| 523| 653
9,0 000 006| 021| 055] 116| 207| 324| 456| 587
9,5 000 004| 015| 040| 089 165| 269| 392| 522
10,0 000 0031 010| 029| 067| 130| 220| 333| 458
6,2
6:4
6,6
6,8
7,0
7,2
7,4
7.6
7,8
8,0 999|1.000
8,5 999
9,0 999
9.5 998
10,0
. 997
(Tomado de E. [ Grandy R. $. Leavenworth, “Statistical Quality Con-

trol, '*4a. ed., McGraw-Hill Book Company, Nueva York, 1972. Con permiso
de los editores.)
416 APENDICE A

2 Y Y | —_—_— | —— HU _———
10,5 000
11,0 000
11,5 000
12,0 000
12,5 000
13,0 000
13,5 000
14,0 000
14,5 000
15,0 000
—— _—_— ——— __—_—_—_— —__—— —_— _———— ——_—_—— —_—— | —_—__
10
10,5 521
11,0 460
11,5 402
12,0 347
12,5 297
13,0 252
13,5 211
14,0 176
14,5 145
15,0 118
20
10, 997
11,0 995
11,5 992
12,0 988
12,5 983
13,0 975 986 996
13,5 965 980 994
14,0 952 971 991 997| 999| 999/1.000
14,5 936 960 986 996| 998| 999| 999|1.000
15.0 917 947 981 994| 997| 998| 999|1.000
AAA A AAA A
(Tomado de E. I. Grandy R. $. Leavenworth, “Statistical Quality Con-

trol,” 4a. ed., McGraw-Hill Book Company, Nueva York, 1972. Con permiso
de los editores.)
APENDICE A 417

Poisson.(Continuación)
16 000| 001
17 000| 001
18 000| 000
19 000| 000
20 000| 000
21 000| 000
22 000| 000
23 090| 000
24 000| 000
25 _000| 000
14 | 15
16 368| 467
17 281| 371
18 208| 287| 375| 469| 562 651| 731| 799| 855| 899
19 150| 215| 292| 378| 469| 561| 647| 725 793| 849
20 105| 157| 221| 297| 381| 470| 559| 644 721| 787
21 072) 111) 163| 227| 302 384| 471| 558| 640| 716
22 048| 077| 117| 169| 232| 306| 387| 472| 556| 637
23 031| 052| 082] 123| 175| 238| 310 389| 472| 555
24 020| 034| 056| 087| 128| 180| 243| 314| 392] 473
25 012 022| 038| 060| 092 134| 185| 247| 318| 3094
24 | 25 | 26 | 27 | 28 | 29 |30 | 31 | 32 | 33
16 978| 987| 993| 996| 998| 999| 999|1.000
17 959| 975| 985 991| 995| 997| 999| 9991.000
18 932] 955| 972 983| 990| 99| 997| 998 999|1.000
19 893| 927| 951| 969| 980| 988| 993| 996| 998| 999
20 843| 888| 922 948| 966| 978| 987| 992 995| 997
21 782 838| 883 917| 944| 963| 976| 985 99| 994
22 712] 777| 832| 877| 913| 940| 959| 973| 983| 989
23 635| 708| 772| 827| 873| 908| 936| 956 971| 981
24 554| 632| 704| 768| 823| 868| 904 932 953| 969
25 _473| 553| 629 700| 763| 818 863 900| 929| 950
34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43
19 999|1.000
20 999| 999|1.000
21 997| 998| 999| 999|1.000
22 994| 996| 998| 999| 999|1.000
23 9SS| 993| 996| 997| 999] 999|1.000
A 979| 987| 992| 995| 997| 998| 99%9| 999|1.000
25 056| 978| 985| 091| 994| 997| 99s| 9o9| 9se| 1.000
(Tomado de E. I Grandy R. S. Leavenworth, “Statistical Quality Con-
de los editores.)
418 APENDICE B
APENDICE B
Areas bajo la curva normal

Proporción del área total bajo la curva que está bajo la porción de la
X:-—X
curva entre — w» y o!
(X, representa cualquier valor deseado
de la variable X)
X:i-X'
==—=| 0,09 0,08 0,06 0,05 0,04 0,00
o”
—3,5 0, 00017/0,00017|0,00018,0:00019/0,00019|000020|0,00021|0,00022|0,00022|0 ,00023

—3,4 |0, 00024/0,00025|0,00026|0,00027|0,00028|0,00029|0,00030|0,00031|0,00033|0,00034
—3,3 |0, 00035/0,00036/0,00038/0,00039|0,00040/0,00042|0,00043|0,00045|0,00047|0,00048
—3,2 [0, 00050/0,00052|0,00054|0,00056|0,00058|0,00060|0,00062|0,00064|0,00066|0,00069
—3,1 [0,00071/0.00074|0,00076|0, 00079|/0,00082/0,00085 0,00087 0,00090|/0, 00094|0, 00097
—3,0 |0,00100/0,00104|0>00107/0,00111/0,00114[0:00118/0,00122/0,00126/0,00131/0,00135
—2,9 [0,0014 [0,0014 [0,0015 [0,0015 |0,0016 [0,0016
—2,8 [0,0019 [0,0020 [0,0021 [0,0021 [0,0022 [0,0023
—2,7 [0,0026 [0,0027 [0,0028 [0,0029 [0,0030 [0,0031
—2,6 [0,0036 [0,0037 [0,0038 [0,0039 |0,0040 [0,0041
U
—2,5 [0,0048 [0,0049 [0,0051 [0,0052 [0,0054 [0,0055
—2,4 [0,0064 [0,0066 [0,0068 [0,0069 [0,0071 [0,0073
—2,3 ¡[0,0084 [0,0087 [0,0089 [0,0091 [0,0094 [0,0096
—2,2 [0,0110 [0,0113 ¡0,0116 [0,0119 [0,0122 [0,0125
—2,1 [0,0143 [0,0146 [0,0150 [0,0154 [0,0158 ¡0,0162
—2,0 [00183 ¡0,0188 [0,0192 [0,0197 [0,0202 |0,0207
—1,9 [0,0233 [0,0239 [0,0244 [0,0250 [0,0256 |0,0262
—1,8 [0,0294 |0,0301 [0,0307 !0,0314 [0,0322 [0,0329
—1,7 [0,0367 [0.0375 [0,0384 |0,0392 [0,0401 [0,0409
—1,6 [0,0455 [0,0465 [0,0475 [0,0485 [0,0495 [0,0505
—1,5 [0,0559 [0,0571 [0:0582 [0,0594 [0,0606 [0,0618
—1,4 [0,0681 [0,0694 [0,0708 [0,0721 [0,0735 |0,0749
—1,3 [0,0823 [0,0838 [0,0853 [0,0869 ¡0,0885 [0,0901
—1,2 ¡(0,0985 [0,1003 ¡0,1020 [0,1038 |0,1057 [0,1075
—1,1 [0,1170 [0,1190 [0,1210 [0,1230 [0,1251 [0,1271
—-1,0 [0,1379 [0,1401 ¡0,1423 [0,1446 ¡[01469 [01492
—0,9 [0,1811 ¡0,1635 [0,1660 [0,1685 [0,1711 |0»1736
—0,8 [0,1867 [0,1894 [0,1922 [0,1949 |0,1977 [0,2005
—0,7 10,2148 [0,2177 [0,2207 [0,2236 [0,2266 |0,2297
—0,6 (0,2451 0,2483 [0,2514 ¡0,2546 [0,2578 [0,2611
—0,5 [0,2776 [0,2810 [0,2843 |0»2877 [0,2912 ¡0,2946
—0:4 ¡0,3121 ¡03156 [0,3192 [0,3228 [0,3264 [0,3300
—0,3 [0,3483 [0,3520 [0,3557 [0,3594 [0,3632 [0,3669
—0,2 [0,3859 [0,3897 [0,3936 [0,3974 [0,4013 [0,4052
—0,1 [0,4247 [0,4286 [0,4325 [0,4364 [0,4404 [0,4443
—0,0 [0,4641 10,4681 !0,4721 0,4761 10,4801 10,4840
(Tomado de E. L Grandy R. S. Leavenworth, “Statistical Quality Con-

de los editores.)
APENDICE B 419
Areas bajo la curva normal. (Continuación)
+00 0,5000 [0,5040 [05080 0,5120 0,5160 [0,5199 0,5239 0,5279 [0,5319 0,5359
+0,1 0,5398 [0,5438 [0»5478 05517 015557 |0>5596 0,5636 0,5675 [0>5714 0,5753
+0,2 0,5793 [0,5832 [0,5871 0,5910 0,5948 |0+5987 0,6026 0,6064 [0,6103 0,6141
+0,3 0,6179 [0,6217 [0,6255 0,6293 0,6331 [06368 0,6406 0,6443 [0,6480 0,6517
+0,4 0,6554 [0,6591 [0,6628 0,6664 0,6700 |0:6736 0,6772 0,6808 [0,6844 0,6879
+0,5 0,6915 [0,6950 [0,6985 0,7019 0,7054 [0,7088 0,7123 0,7157 [0,7190 0,7224
+0,6 0,7257 [0,7291 [0,7324 0,7357 0»7389 [0,7422 07454 0,7486 [0,7517 0>7549
+0,7 0,7580 [0,7611 [0,7642 0,7073 07704 [0,7734 0,7764 0,7794 [0,7823 0»7852
+0,8 0,7881 [0,7910 [0,7939 0,7967 0,7995 [0,8023 0,8051 0,8079 [0,8106 0,8133
+0,9 0,8159 [0,8186 [0,8212 0,8238 0,8264 [0,8289 0,8315 0,8340 [0,8365 0,8389
+1,0 0,8413 [o,8438 [0,8461 0,8485 0,8508 /0,8531 0,8554 0,8577 [0,8599 0,8621
+11 0,8643 |0,8665 0,8708

l0,8686 0,8729 [0,8749 0,8770 0,8790 [0,8810 0,8830
+1,2 0,8849 |0,8869 0,8907
|0,8888 0,8925 |0,8944 0,8962 0,8980 [0,8997 0,9015
+1,3 0,9032 [0,9049 |0,9066 0,9082 0,9099 [0,9115 0,9131 0,9147 [0,9162 0,9177
+1,4 0,9192 |0,9207 [0,9222 0,9236 0,9251 [0,9265 0,9279 0,9292 [0,9306 0,9319
+1,5 0,9332 [0,9345 [0,9357 0,9370 0,9382 [0,9394 0,9406 0,9418 [0,9429 0,9441
+16 0,9452 [0,9463 [09474 0,9484 0,9495 [0,9505 0,9515 09525 [0+9535 0,9545
+1,7 0,9554 [0,9564 [0,9573 0,9582 0,9591 [0,9599 0,9608 09616 |0-9625 0,9633
e 1,8 0,9641 [0,9649 [0,9656 0,9664 0,9671 [0,9678 0,9686 0,9693 [0,9699 0,9706
+1,9 0,9713 [0,9719 [0,9726 0,9732 0,9738 [0,9744 0,9750 0,9756 [0,9761 0,9767
+2,0 0,9773 [0,9778 [0,9783 0,9788 0,9793 [0,9798 0,9803 0,9808 [0,9812 0,9817
+21 0,9821 [0,9826 [0,9830 0,9834 0,9838 |0:9842 0>9846 0,9850 [0,9854 0,9857
+2,2 0,9861 [0,9864 [0,9868 0,9871 0,9875 |0,9878 0,9881 0,9884 |0,9887 0,9890
+2,3 0,9893 [0,9896 [0,9898 0,9901 0,9904 [0,9906 0,9909 0,9911 [0,9913 0,9916
+2,4 0,9918 [0,9920 [0,9922 0,9925 0,9927 [0,9929 0,9931 0,9932 [0,9934 0,9936
+2,5 0,9938 [0,9940 [0,9941 0,9943 0,9945 [0,9946 0,9948 0,9949 [0,9951 0,9952
+26 0,9953 [0,9955 |0-9956 0,9957 0»9959 |0.:.250 0,9961 0,9962 [0,9963 09964
+2,7 0,9965 [0,9966 [0,9967 0,9968 0,9969 lo 9970 0,9971 0,9972 [0,9973 0,9974
+2,8 0,9974 [0,9975 [0,9976 0.9977 0,9977 [0,9978 0,9979 0,9979 [0,9980 0,9981
+2,9 0,9981 [0,9982 [0,9983 0,9983 0,9984 [0,9984 0,9985 0,9985 [0,9986 0,9986
+3,0 0,99865¡0, 99869/0,99874|0,99878/0,99882|0,99886 0, 99889 0,99893/0,99896 0, 99900
+3,1 0,89903/0-99906/0,99910/0,99913|0,99915|0,99918 099921 0,99924|0,99926 099929

+3,2 0,99931/0,99934|0,99936/0,99938|0,99940/0,99942 0, 99944 0,99946|0,99948 099950
+3,3 0,99952/0,99953|0,99955/0,99957/0,99958/0,99960 0,99961 0,99962/0,99964 0,99965
+3,4 0,99966/0,99967|0,99969/0,99970/0,99971|0,99972 0,99973 0,99974|0,99975 0,99976
+3,5 0,99977/0,99978|0,99978/0,99979|0,99980/0,99981 0,99981 0,99982|0, 99983 0,99983
(Tomado de E. I. Grandy R. S. Leavenworth, “Statistical Quality Con-

de los editores.)
420 APENDICE C
APENDICE C
Números aleatorios*
10 09 73 25 33 76 52 01 35 86 34 67 35 48 76 80 95 90 91 17 309 29 27
37 54 20 48 05 64 89 47 42 96 24 80 52 40 37 .20 63 61 04 02 00 82
08 42 26 89 53 19 64 50 93 03 23 20 90 25 60 15 95 33 47 64 35 08
99 01 90 25 29 09 37 67 07 15 38 31 13 11 65 88 67 G7 43 97 04 43 62
12 80 79 99 70 80 15 73 61 47 64 03 23 66 53 98 95 11 68 77 12 17 17
66 0657 47 17 34 0727 68 50 36 69 73 61 70 65 81 33 98 85 11 19 92
31 06 01 08 05 45 57 18 24 06 35 30 34 26 14 86 79 90 74 39 23 40
85 26 97 76 02 02 05 16 56 92 68 66 57 48 18 73 05 38 52 47 18 62 38
63 57 33 21 35 05 32 54 70 48 90 55 35 75 48 28 46 82 87 09 83 49 12
73 79 64 57 53 03 52 96 47 78 35 80 83 42 82 60 93 52 03 44 35 27
98 52 01 77 67 14 90 56 86 07 22 10 94 05 58 60 97 09 34 33 $0 50 07
11 80 50 54 31 39 80 82 77 342 50 72 56 82 48 29 40 52 42 01 52 77
83 45 29 96 34 06 28 89-8083 13 74 67 0078 18 47 54 06 10 68 71 17
88 68 54 02 00 86 50 75 84 01 36 76 66 79 51 90 36 47 64 93 29 60 91
99 59 46 73 48 87 51 76 49 69 91 82 60 89 28 93 78 56 13 68 23 47
65 48 11 76 74 17 46 85 09 50 58 04 77 69 74 73 03 95 71 86 40 21 81
80 12 43 56 35 17 72 70 80 15 45 31 82 23 74 21 11 57 82 53 14 38
74 35 09 98 17 77 40 27 72 14 43 23 60 02 10 45 52 16 42 37 96 28 60
69 91 62 68 03 66 25 22 91 48 36 93 68 72 03 76 62 11 39 90) 94 40 05
09 89 32 05 05 14 22 56 85 14 46 42 75 67 88 96 29 77 88 22 54 38 21
61 19 69 04 46 26 45 74 77 74 51 92 43 37 29 65 39 45 95 93 42 58
15 47 44 52 66 95 27 07 99 53 59 36 78 38 48 82 39 61 01 18 33 21
94 55 72 85 73 67 89 75 43 87 54 62 24 44 31 91 19 04 25 92 92 92
42 48 11 62 13 97 34 40 87 21 16 36 84 87 67 03 07 11 20 59 25 70
23 52 37 83 17 73 20 88 98 37 68 93 59 14 16 26 25 22 96 63 05 52
04 49 35 24 9 75 24 63 38 24 45 8625 10 25 61 9627 93 35 65 33
00 54 99 76 54 64 05 18 81 59 96 11 96 38 98 54 69 28 23 91 23 28
35 96 31 53 07 26 89 80 93 54 33 35 13 54 62 77 97 45 00 24 90 10
59 80 80 83 91 45 42 72 68 42 83 60 94 97 00 13 02 12 48 92 78 56
46 05 88 52 36 01 39 0022 86 77 28 14 40 77 93 91 08 36 47 70 61
32 17 90 05 97 87 37 92 52 41 05 58 70 70 07 86 74 31 71 57 85 39
69 23 46 14 06 20 11 74 52 04 15 95 66 00 00 18 74 39 24 23 97 11
19 56 54 14 30 01 75 87 53 79 40 41 92 15 85 66 67 43 68 06 84 96
45 15 51 49 38 19 47 60 72 46 43 66 79 45 43 59 04 79 00 33 20 82
94 86 43 19 94 36 16 81 08 51 34 88 88 15 53 01 54 03 54 56 05 01
98 08 62 48 26 45 24 02 84 04 44 99 90 88 986 39 09 47 34 07 35 44
33 18 51 62 32 41 94 15 09 49 89 43 54 85 81 88 69 54 19 94 37 54
80 95 10 04 06 96 38 27 07 74 20 15 12 3387 25 01 62 52 98 94 62
79 75 24 91 40 71 96 12 82 96 69 86 10 25 91 74 85 22 05 39 00 38
18 63 33 25 37 98 14 50 65 71 31 01 02 46 74 05 45 56 14 27 77 93
74 02 94 39 02 77 55 73 22 70 97 79 01 71 19 52 52 75 80 21 80 81 17
54 17 84 56 11 80 99 33 71 43 05 33 51 29 69 56 12 71 92 55 36 04
11 66 44 98 83 52 07 98 48 27 59 38 17 15 39 09 97 33 34 40 88 46 33
48 32 47 79 28 31 24 96 47 10 02 29 53 68 70 32 30 75 75 46 15 02 99
69 07 49 41 38 87 63 79 19 76 35 58 40 44 01 10 51 82 16 15 01 84 69
*Esta tabla es una reproducción autorizada de las tablas de la corporación RAND.
(Tomado de E. 1. Grandy R. S. Leavenworth, “Statistical Quality Con-
de los editores.)
INDICE
Amplitud, 14 Demanda constante, 152, 153

Análisis de sensibilidad, 238 Dependencia entre variables, 175
Aproximación binomial, 24 Descomposición, 385
Aproximación normal, 25 Desplazamiento hacia una solución optimal,
324
Desviación permisible, 252
Desviación típica, 14
Cadenas de Markov, 56 Desviación típica de una población, 189
Cadenas de Markov absorbentes, 70
Determinación de fallas esperadas, 109
Cadenas de Markov ergódicas, 64 Dispersión, 14
Cambios en los coeficientes de costo, 35 Distribución acumulativa, 11
Canal de servicio, 199 Distribución binomial, 19
Cliente, 199 Distribución de frecuencia, 8
Cola de canal simple, población finita, 218 Distribución de la demanda, 149
Cola (línea de espera), 199 Distribución de Poisson, 20, 178
Cola multicanal, población finita, 218
Distribuciones de probabilidad, 18
Combinaciones, 15 Distribución de tasas de llegada, 200
Componentes del costo, 140 Distribución exponencial, 23, 179
Condiciones de estado estable, 67 Distribución hipergeométrica, 18
Costo, 2 Distribución normal, 21, 178
Costo variable esperado, 182 Distribución rectangular, 22
Costos de déficit, 140 Distribución teórica de probabilidad, 11
Costos de inventarios, 140 DYNAMO, 192
Costos unitarios, 140
Ecuación del costo total, 109

Datos continuos, 8 Ecuación objetivo, 2
Datos discretos, 8 Ejecución, 4
422 INDICE
Establecimiento de controles, 4 Matriz singular, 50

Estadígrafos, 8 Media, 12
Estadística descriptiva, 7 Mediana, 12, 13
“Estadística inductiva, 7 Medidas de tendencia central, 12
Estado absorbente, 70 Método de aproximación de Vogel, 323
Estimación del tamaño de la muestra, 188 Método de asignación, 341
Estocástica, 7 Método de la esquina noroeste, 320
Estrategia de mantenimiento, 114 Método de la M mayúscula, 309
Evaluación del objetivo, 257 Método discreto de análisis, 91
Método simplex, 272
Mínimo costo variable total, 241
Moda, 12, 13
FORTRAN, 192 Modelo, 2, 126
FORTRAN IV, 309 Modelo de canal simple con población
Frecuencias relativas, 11 infinita, 209
Función de efectividad, 2 Modelo de compra con déficit, 132
Función lineal objetivo, 257 Modelo de compra sin déficit, 126
Función objetivo, 239 Modelos de distribución, 319
Modelos de inventario, 126
Modelo de manufacturación
Ganancia, 2 con déficit, 135
GASP, 192 Modelo de manufacturación
GPSS, 192 sindéficit, 130
Modelos de remplazo, 90
Modelo multicanal con población infinita,
217
Histograma, 8 Modificación de los períodos de tiempo, 139
Muestra, 8
Multiplicación de matrices, 37
IBM 360/65, 309
Inferencia estadística, 7
Intervalo administrativo de operación,
“n factorial”, 15
240
Números aleatorios, 186
Intervalo de clase, 9
Número esperado en el sistema, 201
Intervalo optimal de los coeficientes de
Número esperado en la cola, 201
costo, 359 :
Número esperado en una cola no vacía,
201
Lenguajes de simulación, 192

Límites de clase, 9
Límite estocástico, 190 Operaciones matriciales, 35
Líneas de espera, 198
Parámetros, 8
Matrices, 33 Patrón de demanda, 168
Matrices y sistemas lineales, 43 Permutaciones, .15
Matriz de retorno, 390 Población, 8
Matriz identidad, 44 Potencial de entrada, 375
Matriz inicial, 362 Preparación de datos, 309
Matriz inversa, 45 Prioridad, 200
Matriz optimal, 356, 362 Probabilidades, 14
INDICE 423
Problema del viajero, 384 Sucesos independientes, 17, 16

Problemas de asignación, 319, 340 Sucesos mutuamente excluyentes, 17
Problemas de colas con población infinita,
202
Problemas de mezcla, 301
Tamaño de la población, 200
Problemas de simulación, 179
Tasa de llegada, 200
Problemas de trasporte, 319
Técnicas operacionales (software), 308
Programación dinámica, 383
Teorema del límite central, 27
Programación lineal, 256
Teoremas para variables aleatorias, 25
Proposición Dimensión, 308
Teoría de colas, 198
Pruebas de optimalidad y degeneración,
Término de error, 247
321
Tiempo esperado en la cola, 201
Tiempo estimado de espera en una cola no
vacía, 201
Recurso de entrada, 375 Tiempo variable de anticipación, 152, 153
Reglas de decisión para remplazo óptimo, Tratamiento de la degeneración, 335
115
Remplazo de costo mínimo, 114
Requerimientos de contorno, 323 Valor óptimo, 241, 246
Restricciones, 2 Valor óptimo de decisión, 252
Resultado inmediato, 388 Variable, 7
Retorno total, 388 Variable aleatoria, 7
Variable de holgura, 264
Variables básicas, 273, 359
SIMPAC, 192 Variable de decisión, 247
SIMSCRIPT, 192 Variables controlables, 2
Simulación Monte Carlo, 166 Variables incontrolables, 2
Sistema, 152, 153 Variables no básicas, 273, 363
Sistemas de inventario, 126, 141 Varianza, 14
Solución dual, 373 Vector, 34
Solución factible, 293 Vectores, 33
Solución óptima, 4, 293
Sucesos complementarios, 17
Sucesos dependientes, 16 WATFIV, 309
es
send
ES
Se tigralos, E : E
E eadietica deacrigilos. Lo 1d
Estarbisoier Taduciis; E
Latto sbyorebitandiasidog el ah:E
Fatimesión de *prmeerora Favi: HE A iebodo
Earstlticnc os eslanoisrioqo ses Po ;
Putrets Ae o ad iban P.
UN
1 Evediloqotirarnalab midis ds in ramos Y

d%
801 ¡silos al atosT
TES ,somio sh onisnisT
Mi TR 0%, ¿plos al ms oboredes oquieiT | da ;
Hi |Bygegos
sl obras Dm TS Modo, $A,
108 ¡alows Modelo de cañisd eb on po
psa
7, A 15Ade dh, olómitar ogaisiT / im e
Pubs ñ rm, % ci ye ojasimeaioE po a 6
Fyción objetiva Pa 2
ie
Las
INa
ETE : 8 188 onisqó vola'/ e
' ESE avisionb eb oraitaó solaV E
la 2 a
Ganancia, « Y oidaraY a todolo de E
ASE, 107 Fiñirormala sión BY 1 0 bt E deso
PEE,
pd 198 e srurglod shq sldariaW
18% ME sin dilo,
Madetos 1d... $0
99 jimplazo,
6ñ8.,E5$ seaaiaÑa esldams Y Hodéla en 7%
TES ¡nbiciosb St videimeY ALE mn : É
Hispogren a; £.- Eaanidalórinos esfdsimaY Moditicarión yeleaE
ÉS estonio. invori asidrizaW
E <¿euoiedal vs saldanY bradentión de
A pl
; pb a A z ibi 331 añ
13M IRE MA A Ei
inbirencia peladíciita To EE, Y
09
Intervalo aúministitivo da pereció
y A RAN 2%
sue,
de >, Yy : A sac a
e co
preso a a ¿0 Ue qu
peral opine de de =H eso

punta, i
Lecipusjes de aula he, Ue

Lámpitos de
8 ale,
tisyite A Oa 13%
"danos desapora, 190.
ibriioas $3
Marita y sisleones mesias. EN
Maetsós de mitorós, mu:
Entra det 44
Metrir habria,
Maria slUA, de 1:
: Ipeteía aptimral,B5%, 208

Investigación de Operaciones Un Enfoque Fundamental

Cargado por

Información del documento

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 Un Enfoque Fundamental

Cargado por

Copyright:

Formatos disponibles

INVESTIGACION DE

ALBERTO DUARTE TORRES Y ALBERTO PONTON

Prohibida la reproducción total o parcial de esta obra,

DERECHOS RESERVADOS O 1975, respecto a la primera edición en español por

Copyright O 1974, by McGraw-Hill Book Co., U. S. A.

8901:234567 LINSA-75 8012356794

Impreso en México Printed in Mexico

Esta obra se termiñó en abril de 1984

Se tiraron 1 000 ejemplares

»N Repaso de estadística y probabilidad

referencias al final de cada capítulo contribuyen a la investigación de am-

La investigación operacional (10) es un enfoque científico de la toma de

Formulación del problema

FORMULACION DEL PROBLEMA

control directo de quien toma las decisiones. Como ejemplo sencillo de un

sujeto a las restricciones

DEDUCCION DE UNA SOLUCION

minando la solución óptima del modelo y luego aplicando ésta solución al

PRUEBA DEL MODELO Y DE LA SOLUCION

de operación de fácil comprensión. Después de aplicar la solución al sis-

4 Richmond, S. B.: “Operations Research for Management Decisions

Muchas actividades de JO requieren conocimientos de estadística y

Datos continuos y datos discretos

proceso de medición son continuos. Los datos continuos pueden aparecer

en la tabla 2-1 indican el número de unidades vendidas por día. En esta

resumen como muestra la figura 2-1, se obtiene una descripción más

Tabla 2-2 DATOS CONTINUOS

37,0 37,8 ZN 29,0

Los límites de clase se refieren al mínimo y máximo valor de una clase;

Una decisión relativa a la selección de clases e intervalos de clase no

FIGURA 2-3 OPA Aoc A Qui

Separar los datos en menos clases equivale a considerarlos en forma

Las clases deben tomarse de manera que concuerden con datos

Se obtiene una distribución acumulativa de frecuenci¿s sumando el

Además del histograma, se usan otras medidas para describir un

La media de los datos dados en la tabla 2-1 es

La mediana es el valor intermedio de un conjunto de datos distribui-

22, 23, 23, 24, 24, 24, 24,24,..., 30

FIGURA 2-7 Frecuencia

no son iguales. Sin embar-

la mediana y la moda son iguales. Las relaciones aproximadas entre las

En algunos textos el denominador de la ecuación (2-2) se remplaza

están relacionadas con el orden (arreglo) de con-

En el problema del lápiz, la ecuación (2-4) da

Si se requiere colocar un dígito diferente en cada celda para cada arreglo,

Sin embargo, si la repetición de cifras se permite, la solución es 10*.

P(A y B)=[P(NIP(B|4)] (Q-6)

donde P(B|A) es la probabilidad de B dado que A ha ocurrido. eb

Como ejemplo de las ecuaciones (2-5) y (2-6), se considera una urna

en la primera acción y una bola negra en la segunda acción son indepen-

P(negra y negra) = 15(%5) = 105 = 25

P[AO0B o (A y B)] = P(4) + P(B) — [PIMIIPBNI QDD /Y/

Teorema 2-4 Si dos sucesos son mutuamente excluyentes, así

La ecuación (2-8) se obtiene a partir de la ecuación (2-7) ya que el

Teorema 2-5 Si dos sucesos son complementarios y además mu-

PA +P(B)=1 (09) 117

Este teorema se usa frecuentemente para calcular la probabilidad de un

00) +00 +00) =H

donde PO =CIpg"" Q-11)

P(r) = probabilidad de exactamente r sucesos en n ensayos finitos €

Como otro ejemplo, se considera una situación de manufacturación

una muestra de 10 artículos, la probabilidad de tener menos de tres

P(r< 3) = Co'%(0,05)0 (0,95)10 + C,1%(0,05)1 (0,95)? + C2** (0,05)? (0,95)*