Cuestionario

1. ¿En qué consiste la cadena de Markov? Ejemplo.

Una cadena de Marvok es un proceso evolutivo que consiste de un número finito de

estados en cual la probabilidad de que ocurra un evento depende solamente del evento
inmediatamente anterior con unas probabilidades que están fijas. Para motivar este
concepto exploremos el siguiente ejemplo:

Ejemplo: Supongamos que hay tres centros principales de camiones de una empresa.
Cada mes, la mitad de los que están en Boston y en Los Angeles, van a Chicago, la
otra mitad permanece donde está y los camiones de Chicago se dividen igualmente
entre Boston y L.A. Lo anterior se puede resumir con la siguiente figura:

Si inicialmente la compañía tenía 100, 200 y 300 camiones en Boston, Chicago y L.A.
respectivamente, encontrar la distribuciones de camiones después de un mes y después
de dos meses en las tres ciudades.

Solución: Denotemos por ak, bk y ck la cantidad de camiones en Boston, Chicago y

L.A. respectivamente, después de k- meses. Utilizando la información dada se tiene
que después de un mes, la distribución de los camiones será:

Y después de 2 meses, vemos que la distribución será:

Los cálculos de este ejemplo se pueden realizar de manera más conveniente si
utilizamos notación matricial. Para ver esto, denotemos por xk al vector de

probabilidades en el k-ésimo mes, es decir, denotemos xk = .

El cálculo realizado para el primer mes se puede realizar de la siguiente manera:

En otras palabras, si

En general una cadena de Markov finita es un proceso evolutivo que consiste de un

número finito de estados que usualmente se denotan como estado 1, estado 2, ...,
estado n. En cada paso o punto en el tiempo el proceso puede estar en cualquiera de
los estados o puede cambiar de estado mediante unas probabilidades fijas llamadas
probabilidades de transición. Para cada tiempo k definamos el vector xk como el
vector de probabilidades de estar en los distintos estados en el tiempo k, es decir,

donde xk,i denota la probabilidad de estar en el estado i-

ésimo en el tiempo k. Los vectores xk son vectores de
probabilidad, esto significa que xk,i ≥ 0 para i = 1, 2,..,n y
además xk,1+xk,2+⋯+xk,n=1. Denotemos a pij la probabilidad
de pasar del estado j-ésimo al estado i-ésimo, ests
probabilidades son las entradas de una matriz P que es
llamada la matriz de transición de la cadena de Markov. La
matriz P tiene la propiedad que la suma de las entradas de
cada columna es 1, es decir, los vectores columna de P son
vectores de probabilidad. La regla fundamental en un proceso
de Markov nos dice que el vector de probabilidades xk está
dado por:
Por lo tanto, si conocemos la matriz de transición P y el vector de estados iniciales x0,
entonces utilizando la regla anterior podemos encontrar el vector de probabilidades
para cualquier tiempo. En el ejemplo anterior

https://ciencias.medellin.unal.edu.co/cursos/algebra-lineal/clases/8-clases/25-clase-23-
aplicaciones-cadenas-de-markov.html

2. ¿Qué son los procesos estocásticos? Probabilidades de n pasos,

ejemplo
Un modelo estocástico representa una situación donde la incertidumbre está
presente. En otras palabras, es un modelo para un proceso que tiene algún tipo
de aleatoriedad. La palabra estocástico proviene de la palabra griega
stokhazesthai que significa apuntar o adivinar. En el mundo real, la
incertidumbre es parte de la vida cotidiana, por lo que un modelo estocástico
podría representar literalmente cualquier cosa . Lo contrario es un modelo
determinista , que predice resultados con un 100% de certeza. Los modelos
deterministas siempre tienen un conjunto de ecuaciones que describen
exactamente las entradas y salidas del sistema. Por otro lado, los modelos
estocásticos probablemente producirán resultados diferentes cada vez que se
ejecute el modelo.

Todos los modelos estocásticos tienen lo siguiente en común:

-Reflejan todos los aspectos del problema que se estudia,

-Las probabilidades se asignan a los eventos dentro del modelo,
-Esas probabilidades se pueden usar para hacer predicciones o proporcionar otra
información relevante sobre el proceso.

https://statologos.com/modelo-estocastico/

3. ¿Qué son los estados estables?

Se dice de un sistema o proceso que está en estado estacionario si las variables que
definen su comportamiento, respecto del tiempo, permanecen invariantes. La
expresión matemática expondría que para aquellas propiedades p del sistema, la
derivada parcial de p respecto del tiempo es nula:

En períodos discretos de tiempo, esto implica que:

El concepto de estado estacionario cobra relevancia en campos como la

termodinámica y la ingeniería.
En particular, un sistema físico está en estado estacionario cuando sus características
no varían con el tiempo. En este fundamento se basan las teorías de la electrostática y
la magnetostática, entre otras. Suele ser la situación a considerar en gran parte de los
supuestos de la termodinámica. El estado estacionario también se conoce como el
estado en el que está la naturaleza (estado en el que se encuentra).

En cinética química el estado estacionario también se puede emplear para determinar

la constante de velocidad de una reacción a través de varias experiencias en las cuales
se puede suponer que una concentración de algún producto o reactivo no varía.

También se dice que un sistema está en estado estacionario si las variaciones con el
tiempo de las cantidades físicas son periódicas y se repiten de manera idéntica a cada
periodo. Es el caso, por ejemplo:

de sistemas en los cuales hay ondas cuya amplitud y frecuencia no varía, como en un
interferómetro.
de circuitos eléctricos alimentados con generadores alternativos, una vez que los
fenómenos transitorios han desaparecido.
Es el estado de referencia en termodinámica de procesos irreversibles. El estado
estacionario de un sistema abierto que está en equilibrio se define como aquel en el
que no varían las variables de estado (temperatura, volumen, presión, etc.) y, por
tanto, tampoco se modifican, con el tiempo, las funciones de estado (entropía,
entalpía, etc.). El estado estacionario es un estado de mínima producción de entropía
(principio de energía mínima).

https://es.wikipedia.org/wiki/Estado_estacionario

4. ¿Qué son los estados absorbentes?

CADENAS ABSORBENTES DE MARKOV-V

Los estados que pueden sucederse a sí mismos y, además, es posible alcanzar, por lo
menos, alguno de los restantes desde ellos se llaman estados transitorios.

Un estado tal que si el proceso entra en él permanecerá indefinidamente en este estado

(ya que las probabilidades de pasar a cualquiera de los otros son cero), se dice estado
absorbente.

De una cadena de Markov que consta de estados transitorios y absorbentes se dice que
es una cadena absorbente de Markov.

Si una cadena de Markov contiene algún estado absorbente, la línea de la matriz de

transición correspondiente a las probabilidades de transición de dicho estado constará
de un 1 en la diagonal principal y ceros en los demás elementos. Será por lo tanto una
matriz no regular.

Para poder estudiar las cadenas de Markov absorbentes es preciso reordenar la matriz
de transición de forma que las filas correspondientes a los estados absorbentes
aparezcan en primer lugar. Así ordenada se dirá que la matriz de transición está en la
forma canónica.

http://recursostic.educacion.es/descartes/web/materiales_didacticos/markov_mbgr/
Markov5.htm

5. ¿Qué es el costo o ganancia esperada?

La teoría de la utilidad esperada es un modelo de elección racional donde los

individuos toman decisiones con incertidumbre (resultados inciertos). Cada resultado
posible puede cuantificarse en términos de útiles, y representarse a través de la
función de utilidad. La elección preferida, según la teoría, será aquella cuya utilidad
esperada sea la más alta; es decir, aquella utilidad que, estando ponderada por su
probabilidad, sigue siendo mayor que el resto.

Axiomas de elección racional

En el siglo XX, Von Neumann y Morgenstern desarrollaron la idea de Bernoulli y

plantearon cuatro axiomas que aseguran una elección racional:

Preferencias Completas: Un individuo tiene las preferencias bien definidas y siempre

puede decidir entre las alternativas, es decir:
Para todo A y B o bien A es preferido a B, está indiferente entre ambas o B es
preferido a A.

Ejemplo: María se encuentra en la selva y debe decidir qué ruta seguir para no
perderse. Sus opciones son A) Avanzar entre los árboles con un 60% de
probabilidades de perderse, B) Seguir la corriente del río con un 50% de
probabilidades y C) Continuar por el sendero señalado con un 30% de probabilidades.
Para ella, C es preferido a B y B es preferido a A. Por tanto, María prefiere continuar
por el sendero (C) (En este ejemplo, las preferencias son completas porque están
definidas sobre todas las opciones posibles y María es capaz de decidir entre A, B y
C)

Transitividad: Las preferencias de un individuo, además de ser completas, deben ser

consistentes. Es decir, para todo A, B y C con A preferido a B y B preferido a C se
debe considerar que A es al menos tan buena como C.
Ejemplo: Juan se encuentra en un casino y debe decidir entre jugar al póker con un
60% de probabilidades de ganar (A), al blackjack con un 50% (B) o la ruleta con un
40% (C). Entre A y B, prefiere A. Y entre B y C, prefiere B. Por tanto, Juan prefiere
jugar al Póker (A) que a la ruleta (C).

En una lotería simple, cada consecuencia es un resultado final y las probabilidades

solo dependen de una variable aleatoria. Por ejemplo, en el juego de la moneda Ana
tiene dos opciones: Cara o Cruz. Si sale Cara, recibe un premio. En caso contrario,
pierde.

En las loterías compuestas, las consecuencias son, a la vez, loterías y las

probabilidades dependen de más de una variable aleatoria. Por ejemplo, en un juego
de dados, este se tira y si el número es menor que 4, pierde. Si es mayor, se vuelve a
tirar el dado y en caso de ser mayor de 3 recibe un premio. Si es menor, pierde. Para
este caso, las probabilidades de ganar o perder dependen de obtener más de un 4 en la
primera y más de un 3 en la segunda tirada.

Independencia: “Si P* es preferida a la lotería P, entonces la combinación aP * + (1 -

a)P ** será preferida a la combinación aP +(1 - a)P** para todo a > 0 y P**”1
Dadas dos loterías simples P* y P, y unas preferencias definidas. Si cada una formase
parte de una lotería compuesta distinta con probabilidad a de obtener P* o P y
probabilidad 1-a de obtener un P** cual sea, entonces las preferencias son
independientes de la tercera lotería simple P**.
Ejemplo: Hace 1 año, Ana debía decidir cómo invertir 5000$ de sus ahorros y tenía
dos opciones:

-Opción P*= Comprar bonos y recibir en 5 años 7500$ seguro

-Opción P= Comprar acciones con un 20% de probabilidades de perder los 5000$ y un

80% de probabilidades de recibir en 5 años 9000$

Ella prefería comprar bonos(P*) a comprar acciones(P), pero justo cuando iba a
invertir le robaron todo el dinero.

Un año después, Ana recuperó los 5000$ y al momento de invertir el mercado ya

había cambiado (ahora existen dos estados: Estar en alza con probabilidad p o estar en
baja con probabilidad 1-p). Sus opciones ahora son:

- Comprar bonos y recibir los 7500$ (P*) con probabilidad a o con probabilidad
1-a recibir 6000$ (P**)= aP*+ (1-a)P**

- Comprar acciones con probabilidad a de tener la opción P o con probabilidad 1-

a recibir 6000$ (P**) = aP+(1-a)P**

Si se cumple el axioma de independencia, Ana deberá preferir comprar bonos porque

independientemente de lo que elija, recibir 6000$ es una alternativa posible que no
debe afectar sus preferencias.

Continuidad: Dadas tres loterías A, B y C donde A es preferido a B y B es preferido a

C. Si se cumple el axioma, el individuo es capaz de indicar una probabilidad p para
estar indiferente entre B y una lotería compuesta L donde A sale elegida con
probabilidad p y C sale elegida con probabilidad 1-p.
Ejemplo de continuidad: Suponga una lotería A donde ganas
10$ seguro, una lotería B donde no recibes nada seguro y una
lotería C donde vas a la cárcel seguro. A es preferido a B y B
es preferido a C, pero esto significa que existe una
probabilidad p∈ (0, 1) tal que estaría indiferente entre no
recibir nada seguro (B) y una lotería compuesta L con p
probabilidades de ganar 10$ y 1-p probabilidad de ir a la
cárcel.

https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_utilidad_esperada
 6. ¿Qué es la optimización de redes? Ejemplo.

La modelación de redes permite la resolución de múltiples problemas de

programación matemática mediante la implementación de algoritmos especiales
creados para tal fin, conocidos como Algoritmos de optimización de redes.

Dentro de los problemas más comúnmente resueltos mediante la modelación de redes

se encuentran los ya vistos modelos de transporte, transbordo además de los muy
conocidos modelos de determinación de cronograma de actividades para proyectos
como lo son el PERT y el CPM.

1.1 Problema de la ruta más corta

1.2 Problema del Árbol de Mínima Expansión
1.3 Problema de la Red a Flujo máximo
1.4 Problema de la Red a Costo Mínimo

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/teoria-de-
redes/
7. Ejemplo de un problema de árbol de mínima expansión.

Problema árbol expandido mínimo

Este problema surge cuando todos los nodos de una red deben conectar entre ellos, sin
formar un loop.

El árbol de expansión mínima es apropiado para problemas en los cuales la

redundancia es expansiva, o el flujo a lo largo de los arcos se considera instantáneo.

EL TRÁNSITO DEL DISTRITO METROPOLITANO

· La ciudad de Vancouver está planificando el desarrollo de una nueva línea en

sistemas de tránsito.

· El sistema debe unir 8 residencias y centros comerciales.

· El distrito metropolitano de tránsito necesita seleccionar un conjunto de líneas que

conecten todos los centros a un mínimo costo.

· La red seleccionada debe permitir:

Factibilidad de las líneas que debían ser construidas.

Mínimo costo posible por línea.

Los algoritmos que pueden dar solución a este problema son:

Algoritmo de Dijkstra
Algoritmo de Kruskal
Algoritmo de Prim

Consiste en un algoritmo de la teoría de los grafos para encontrar un árbol de

cobertura mínimo en un grafo conexo (grafo que para cada par de nodos está
conectado por un camino, o sea, si para cualquier par de nodos A y B, existe al menos
un camino posible desde B hacia A), no dirigido y cuyas aristas están etiquetadas. En
otras palabras, el algoritmo encuentra un subconjunto de aristas que forman un árbol
con todos los vértices, donde el peso total de todas las aristas en el árbol es el mínimo
posible. Si el grafo no es conexo, entonces el algoritmo encontrará el árbol recubridor
mínimo para uno de los componentes conexos que forman dicho grafo no conexo
(grafo donde hay nodos que no pueden ser conectados por medio de un camino).

Pseudocódigo
Traza

Siguiendo el algoritmo de Prim, se tiene:

Se elige por ejemplo, el nodo 1 y se marca.

Se elige la arista con menor valor incidente en 1, la (1, 3) = 1 se marca y se marca el
otro nodo en el que incide, el 3.
Se elige la arista con menor valor incidente en un nodo marcado y otro que no lo esté,
la (1, 2) = 3 se marca y se marca el nodo no marcado, el 2.
Se elige la arista con menor valor incidente en un nodo marcado y otro que no lo esté,
la (2, 5) = 5 se marca y se marca el nodo no marcado, el 5.
Se elige la arista con menor valor incidente en un nodo marcado y otro que no lo esté,
la (5, 6) = 1 se marca y se marca el nodo no marcado, el 6.
Se elige la arista con menor valor incidente en un nodo marcado y otro que no lo esté,
la (5, 7) = 2 se marca y se marca el nodo no marcado, el 7.
Se elige la arista con menor valor incidente en un nodo marcado y otro que no lo esté,
la (5, 4) = 6 se marca y se marca el nodo no marcado, el 4.
FIN. Se finaliza dado que se tiene marcados los 7 nodos del grafo.
Por tanto el árbol de mínima expansión resultante sería:

Código en Java
Demostración
Sea G un grafo conexo y ponderado.

En toda iteración del algoritmo de Prim, se debe encontrar una arista que conecte un
nodo del subgrafo a otro nodo fuera del subgrafo.

Ya que G es conexo, siempre habrá un camino para todo nodo.

La salida Y del algoritmo de Prim es un árbol porque las aristas y los nodos agregados
a Y están conectados.

Sea Y el árbol recubridor mínimo de G.

Si es el árbol recubridor mínimo.

Si no, sea e la primera arista agregada durante la construcción de Y, que no está en Y1

y sea V el conjunto de nodos conectados por las aristas agregadas antes que e.
Entonces un extremo de e está en V y el otro no. Ya que Y1 es el árbol recubridor
mínimo de G hay un camino en Y1 que une los dos extremos. Mientras que uno se
mueve por el camino, se debe encontrar una arista f uniendo un nodo en V a uno que
no está en V. En la iteración que e se agrega a Y, f también se podría haber agregado y
se hubiese agregado en vez de e si su peso fuera menor que el de e. Ya que f no se
agregó se concluye:

Sea Y2 el grafo obtenido al remover f y agregando Es fácil mostrar que Y2 conexo

tiene la misma cantidad de aristas que Y1, y el peso total de sus aristas no es mayor
que el de Y1, entonces también es un árbol recubridor mínimo de G y contiene a e y
todas las aristas agregadas anteriormente durante la construcción de V. Si se repiten
los pasos mencionados anteriormente, eventualmente se obtendrá el árbol recubridor
mínimo de G que es igual a Y.

Esto demuestra que Y es el árbol recubridor mínimo de G

goritmo DJP o algoritmo de Jarnik.Consiste en un algoritmo de la teoría de los grafos

para encontrar un árbol de cobertura mínimo en un grafo conexo (grafo que para cada
par de nodos está conectado por un camino, o sea, si para cualquier par de nodos A y
B, existe al menos un camino posible desde B hacia A), no dirigido y cuyas aristas
están etiquetadas. En otras palabras, el algoritmo encuentra un subconjunto de aristas
que forman un árbol con todos los vértices, donde el peso total de todas las aristas en
el árbol es el mínimo posible. Si el grafo no es conexo, entonces el algoritmo
encontrará el árbol recubridor mínimo para uno de los componentes conexos que
forman dicho grafo no conexo (grafo donde hay nodos que no pueden ser conectados
por medio de un camino).
https://jorgesosasanchez.wordpress.com/unidad-2/2-3-problema-arbol-
expandido-minimo/

8. ¿En qué consiste el problema de flujo máximo? Ejemplo.

En algunas redes circula por los arcos un flujo (envío o circulación de unidades
homogéneas de algún producto: automóviles en una red de carreteras, litros de
petróleo en un oleoducto, bits por un cable de fibra óptica) desde el origen o fuente al
destino, también denominado sumidero o vertedero. Los arcos tienen una capacidad
máxima de flujo, y se trata de enviar desde la fuente al sumidero la mayor cantidad
posible de flujo, de tal manera que:

El flujo es siempre positivo y con unidades enteras.

El flujo a través de un arco es menor o igual que la capacidad.
El flujo que entra en un nodo es igual al que sale de él.
En el caso de que el origen o el destino no existan en el problema, se añaden
ficticiamente utilizando arcos unidireccionales de capacidad infinita, como en grafo
mostrado a continuación:

Corte: Un corte define una serie de arcos cuya supresión de la red causa una
interrupción completa del flujo entre el origen y el destino. La capacidad de corte es
igual a la suma de las capacidades de los arcos asociados. Entre todos los cortes
posibles en la red , el corte con la menor capacidad proporciona el flujo máximo en la
red.

El siguiente grafo ilustra 3 cortes: el Corte 1 con capacidad 60, el Corte 2 con
capacidad 110 y el Corte 3 con capacidad 70. Todo lo que podemos obtener de los 3
cortes es que el flujo máximo en la red no excede de 60 unidades. No podemos saber
cual es el flujo máximo hasta que se hayan enumerado todos los cortes en la red:

Las capacidades se identifican como sigue: por ejemplo, para el arco (3,4), el límite de
flujo es de 10 unidades de 3 a 4 y de 5 unidades de 4 a 3.

Algoritmo de Ford-Fulkerson

El algoritmo de Ford-Fulkerson propone buscar caminos en los que se pueda aumentar

el flujo, hasta que se alcance el flujo máximo.

La idea es encontrar una ruta de penetración con un flujo positivo neto que una los
nodos origen y destino.
Consideraremos las capacidades iniciales del arco que une el nodo i y el nodo j
como Cij y Cji. Estas capacidades iniciales irán variando a medida que avanza el
algoritmo, denominaremos capacidades residuales a las capacidades restantes del
arco una vez pasa algún flujo por él, las representaremos como cij y cji.
Para un nodo j que recibe el flujo del nodo i, definimos una clasificación [aj,i]
donde aj es el flujo del nodo i al nodo j.
Los pasos del algoritmo se definen como sigue:
● Paso 1: Inicializamos las capacidades residuales a las capacidades iniciales,
hacemos (cij,cji)=(Cij,Cji) para todo arco de la red. Suponiendo el nodo 1
como el nodo origen, hacemos a1=∞ y clasificamos el nodo origen con
[∞,-]. Tomamos i=1 y vamos al paso 2.
● Paso 2: Determinamos Si como un conjunto que contendrá los nodos a los que
podemos acceder directamente desde i por medio de un arco con capacidad
positiva, y que no formen parte del camino en curso. Si Si contiene algún nodo
vamos al paso 3, en el caso de que el conjunto sea vacío saltamos al paso 4.
● Paso 3: Obtenemos kЄSi como el nodo destino del arco de mayor capacidad
que salga de i hacia un nodo perteneciente a Si. Es decir, cik = max{cij} con
jЄSi. Hacemos ak=cik y clasificamos el nodo k con [ak,i]. Si k es igual al nodo
destino o sumidero, entonces hemos encontrado una ruta de penetración, vamos
al paso 5. En caso contrario continuamos con el camino, hacemos i=k y
volvemos al paso 2.
● Paso 4 (retroceso): Si i=1, estamos en el nodo origen, y como Si es vacío,
entonces no podemos acceder a ningún nodo, ni encontrar algún nuevo camino,
hemos terminado, vamos al paso 6.
En caso contrario, i≠1, le damos al valor i el del nodo que se ha clasificado
inmediatamente antes, eliminamos i del conjunto Si actual y volvemos al paso
2.
● Paso 5: Llegados a este paso tenemos un nuevo camino: Np={1,k1,k2,…,n},
esta será la p-ésima ruta de penetración desde el nodo origen al nodo destino.
El flujo máximo a lo largo de esta ruta será la capacidad mínima de las
capacidades residuales de los arcos que forman el camino, es decir:
fp=min{a1,ak1,ak2,…,an}.
La capacidad residual de cada arco a lo largo de la ruta de penetración se
disminuye por fp en dirección del flujo y se incrementa por fp en dirección
inversa, es decir, para los nodos i y j en la ruta, el flujo residual se cambia de la
(cij,cji) actual a (cij-fp,cji+fp) si el flujo es de i a j, o (cij+fp,cji-fp) si el flujo es
de j a i
Inicializamos i=1 y volvemos al paso 2 para intentar una nueva ruta de
penetración.
● Paso 6 (solución): Una vez aquí, hemos determinado m rutas de penetración. El
flujo máximo en la red será la suma de los flujos máximos en cada ruta
obtenida, es decir: F=f1+f2+…+fm. Teniendo en cuenta que las capacidades
residuales inicial y final del arco (i, j) las dan (Cij,Cji) y (cij,cji)
respectivamente, el flujo máximo para cada arco se calcula como sigue: sea (α,
β)=(Cij-cij, Cji-cji), si α>0, el flujo óptimo de i a j es α, de lo contrario, si β>0,
 el flujo óptimo de j a i es β. Es imposible lograr que tanto α como β sean
positivas.
Ejemplo: Determinar el flujo máximo en la red siguiente:

Iteración 1:

Determinamos las residuales iniciales (cij,cji) iguales a las capacidades iniciales (Cij,Cji).

● Paso 1: Hacemos ai=∞, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1.

● Paso 2: S1={2,3,4} (no vacío).
● Paso 3: k=3 ya que c13=max{c12,c13,c14}={20,30,10}=30. Hacemos a3=c13=30 y clasificamos el nodo 3
con [30,1]. Tomamos i=3 y repetimos el paso 2.
● Paso 2: S3={4,5}
● Paso 3: k=5 y a5=c35=max{10,20}=20. Clasificamos el nodo 5 con [20,3]. Logramos la penetración,
vamos al paso 5.
● Paso 5: La ruta de la penetración se determina de las clasificaciones empezando en el nodo 5 y
terminando en el nodo 1, es decir, 5→[20,3]→3→[30,1]→1.

Entonces la ruta es N1={1,3,5} y f1=min{a1,a3,a5}={∞,30,20}=20. Las capacidades residuales a lo largo

de esta ruta son:
(c13,c31)=(30-20, 0+20)=(10,20)
(c35,c53)=(20-20, 0+20)=(0,20)
Iteración 2:
● Paso 1: Hacemos ai=∞, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1.
● Paso 2: S1={2,3,4}.
● Paso 3: k=2 y a2=c12=max{20,10,10}=20. Clasificamos el nodo 2 con [20,1]. Tomamos i=2 y repetimos
el paso 2.
● Paso 2: S2={3,5}
● Paso 3: k=3 y a3=c23=max{30,40}=40. Clasificamos el nodo 3 con [40,2]. Tomamos i=3 y repetimos el
paso 2.
● Paso 2: S3={4} (c35=0, el nodo 1 ya ha sido clasificado y el nodo 2 cumple ambas condiciones, por
tanto los nodos 1, 2 y 5 no pueden ser incluidos en S3).
● Paso 3: k=4 y a4=c34=10. Clasificamos el nodo 4 con [10,3]. Tomamos i=4 y repetimos el paso 2.
● Paso 2: S4={5}
● Paso 3: k=5 y a5=c45=20. Clasificamos el nodo 5 con [20,4]. Logramos la penetración, vamos al paso
5.
● Paso 5: La ruta de la penetración es: 5→[20,4]→4→[10,3]→3→[40,2]→2→[20,1]→1.

Entonces la ruta es N2={1,2,3,4,5} y f2=min{∞,20,40,10,20}=10. Las capacidades residuales a lo largo de

esta ruta son:
(c12,c21)=(20-10, 0+10)=(10,10)
(c23,c32)=(40-10, 0+10)=(30,10)
(c34,c43)=(10-10, 5+10)=(0,15)
(c45,c54)=(20-10, 0+10)=(10,10)

Iteración 3:

● Paso 1: Hacemos ai=∞, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1.

● Paso 2: S1={2,3,4}.
● Paso 3: k=2 y a2=c12=max{10,10,10}=10, rompemos el empate arbitrariamente. Clasificamos el nodo
2 con [10,1]. Tomamos i=2 y repetimos el paso 2.
● Paso 2: S2={3,5}
● Paso 3: k=3 y a3=c23=max{30,30}=30. Clasificamos el nodo 3 con [30,2]. Tomamos i=3 y repetimos el
paso 2.
● Paso 2: S3 vacío ya que c34=c35=0. Vamos al paso 4 para retroceder.
● Paso 4: La clasificación [30,2] nos dice que el nodo inmediatamente precedente es el 2. Eliminamos
el nodo 3 de una consideración posterior en esta iteración. Tomamos i=2 y repetimos el paso 2.
● Paso 2: S2={5}
● Paso 3: k=5 y a5=c25=30. Clasificamos el nodo 5 con [30,2]. Logramos la penetración, vamos al paso
5.
● Paso 5: La ruta de la penetración es: 5→[30,2]→2→[10,1]→1.

Entonces la ruta es N2={1,2,5} y f3=min{∞,10,30}=10. Las capacidades residuales a lo largo de esta ruta
son:
(c12,c21)=(10-10, 10+10)=(0,20)
(c25,c52)=(30-10, 0+10)=(20,10)

Iteración 4:
● Paso 1: Hacemos ai=∞, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1.
● Paso 2: S1={3,4}.
● Paso 3: k=3 y a3=c13=max{10,10}=10. Clasificamos el nodo 3 con [10,1]. Tomamos i=3 y repetimos el
paso 2.
● Paso 2: S3={2}
● Paso 3: k=2 y a2=c32=10. Clasificamos el nodo 2 con [10,3]. Tomamos i=2 y repetimos el paso 2.
● Paso 2: S2={5}
● Paso 3: k=5 y a5=c25=20. Clasificamos el nodo 5 con [20,2]. Logramos la penetración, vamos al paso
5.
● Paso 5: La ruta de la penetración es: 5→[20,2]→2→[10,3]→3→[10,1]→1.

Entonces la ruta es N4={1,3,2,5} y f4=min{∞,10,10,20}=10. Las capacidades residuales a lo largo de esta

ruta son:
(c13,c31)=(10-10, 20+10)=(0,30)
(c32,c23)=(10-10, 30+10)=(0,40)
(c25,c52)=(20-10, 10+10)=(10,20)

Iteración 5:

● Paso 1: Hacemos ai=∞, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1.

● Paso 2: S1={4}.
● Paso 3: k=4 y a4=c14=10. Clasificamos el nodo 4 con [10,1]. Tomamos i=4 y repetimos el paso 2.
● Paso 2: S4={3,5}
● Paso 3: k=3 y a3=c23=max{15,10}=15. Clasificamos el nodo 3 con [15,4]. Tomamos i=3 y repetimos el
paso 2.
● Paso 2: S3 vacío ya que c32=c34=c35=0. Vamos al paso 4 para retroceder.
● Paso 4: La clasificación [15,4] nos dice que el nodo inmediatamente precedente es el 4. Eliminamos
el nodo 3 de una consideración posterior en esta iteración. Tomamos i=4 y repetimos el paso 2.
● Paso 2: S4={5}
 ● Paso 3: k=5 y a5=c45=10. Clasificamos el nodo 5 con [10,4]. Logramos la penetración, vamos al paso
5.
● Paso 5: La ruta de la penetración es: 5→[10,4]→4→[10,1]→1.

Entonces la ruta es N2={1,4,5} y f3=min{∞,10,10}=10. Las capacidades residuales a lo largo de esta ruta
son:
(c14,c41)=(10-10, 0+10)=(0,10)
(c45,c54)=(10-10, 10+10)=(0,20)

Iteración 6:

No son posibles más penetraciones, debido a que todos los arcos fuera del nodo 1 tienen residuales cero.
Vayamos al paso 6 para determinar la solución.

9. Paso 6: El flujo máximo en la red es F=f1+f2+…+f5=60 unidades. El flujo en los diferentes arcos se
calcula restando las últimas residuales obtenidas en la última iteración de las capacidades iniciales:

https://karenbandala.wordpress.com/about/2-4-problema-flujo-maximo/

10. Ejemplo del problema de flujo de costo mínimo.

EL MODELO DE FLUJO DE COSTO MINIMO EN UNA RED (MCNFP)

En particular, el problema de flujo de costo mínimo (PFCM) es uno de los problemas

de flujo de red más importantes, podemos definirlo como la mejor manera de
determinar el envío de una mercancía a través de una red con el menor costo.

El modelo de Flujo de Costo Mínimo en una Red se plantea de la manera siguiente

bi>0 si i es un nodo origen

bi<0 si i es un nodo destino

bi=0 si i es un nodo de transbordo

Una condición necesaria para que el modelo tenga solución factible es que

S bi=0, es decir, que el flujo total generado en los nodos origen sea igual al flujo total
absorbido por los nodos destino.

Cuando esta condición no se cumple (problemas de transporte no balanceado en los

que la oferta es diferente a la demanda) se generan nodos ficticios que generen o que
absorban flujo. Los costos asociados a los arcos que parten o llegan a estos nodos es
cero.

Con frecuencia bi y uij son valores enteros. Las variables xij son variables enteras y
no se requiere agregar esta condición al modelo (unimodularidad).

Con este modelo es posible plantear un problema de transporte, de transbordo, de flujo

máximo y de camino más corto.

EL PROBLEMA DEL CAMINO MÁS CORTO EN UNA RED

El origen es un nodo con b1=1

El destino es un nodo con bn= -1

Los nodos restantes son nodos de transbordo

Como la red es no-dirigida cada arco se sustituye por un par de arcos dirigidos en
dirección opuesta, excepto para el nodo origen y el nodo destino.

El costo cij es la distancia del arco (i,j)

Las variables tomarán valores 0 y 1 dependiendo si se asignan al camino o no.

Veamos un ejemplo: la siguiente red indica los caminos posibles para llegar del nodo
1 al nodo 7. Los valores en los arcos indican la distancia entre cada nodo.

min
10x12+15x27+19x67+26x13+8x23+8x32+18x24+18x42+10x35+10x53+

+8x56+8x65+5x45+5x54+11x47

s.t.

x12+x13=1

-x27-x47-x67=-1

x27+x24+x23-x32-x42-x12=0
x32+x35-x23-x53-x13=0

x42+x47+x45-x24-x54=0

x53+x54+x56-x35-x45-x65=0

x65+x67-x56=0

EL PROBLEMA DE FLUJO MÁXIMO COMO MODELO DE MCNFP

Se tiene un nodo origen (O) y un nodo destino (T) y varios nodos de transbordo:

Se crea un arco ficticio del destino al origen identificado con la variable x TO con costo
cTO=-1.

Los costos cij=0 para todo arco (i,j) excepto para el arco ficticio

bi=0 para todo nodo i

Ejemplo: dada la red

min -xTO

s.t.

xO1+xO2-xTO =0

x12+x13-xO1=0

x2T-x12-xO2=0

x3T-x13=0

xTO-x2T-x3T=0

xO1<2, xO2<3, xTO =0

x12<3, x13<4, x2T<2,

x3T<1,

El problema del Árbol generador minimal como modelo de PL

Un Árbol Generador de una red de n nodos es un conjunto de n-1 arcos con un

camino entre cualquier par de nodos y sin ciclos.

Sea xij una variable binaria indicando (xij=1) la existencia de un arco (i,j) en el árbol.

Cij= es la distancia del arco (i,j)

min S S cij xij

s.a

S S xij =n-1 (los arcos forman un árbol de la red)

Una restricción que asegure que no se forman ciclos: ¿¿¿¿¿?????? (tarea)

xijÎ {0,1}