Está en la página 1de 368

Contenidos

I. Introduccin a la Investigacin de Operaciones


II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 1

I. Introduccin a la Investigacin de
Operaciones

I.1. Introduccin.

El principal objetivo de esta rea de conocimientos
consiste en formular y resolver diversos problemas
orientados a la toma de decisiones.

La naturaleza de los problemas abordados puede
ser determinstica, como en los Modelos de
Programacin Matemtica, donde la teora de
probabilidades no es necesaria, o bien de
problemas donde la presencia de incertidumbre
tiene un rol preponderante, como en los Modelos
Probabilsticos.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 2
Hoy en da, la toma de decisiones abarca una gran
cantidad de problemas reales cada ms complejos
y especializados, que necesariamente requieren
del uso de metodologas para la formulacin
matemtica de estos problemas y, conjuntamente,
de mtodos y herramientas de resolucin, como los
que provee la Investigacin de Operaciones.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 3
I.2 Elementos de un modelo de optimizacin.

Supongamos que se dispone de determinadas
piezas para la elaboracin de dos productos finales.
Se dispone de 8 piezas pequeas y 6 piezas
grandes, que son utilizadas para elaborar sillas
(usando 2 piezas pequeas y 1 pieza grande) y
mesas (usando 2 piezas de cada tipo).

Interesa decidir cuntas sillas y mesas fabricar de
modo de obtener la mxima utilidad, dado un
beneficio neto de U$ 15 por cada silla y de U$20
por cada mesa fabricada.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 4
Posibles soluciones factibles a considerar, esto es
soluciones que respetan las restricciones del
nmero de piezas disponibles, son por ejemplo,
fabricar:

4 sillas, que reportan una utilidad de U$60
1 sillas y 2 mesas , utilidad de U$55
3 mesas, utilidad de U$60
1 mesa y tres sillas, utilidad de U$65
2 sillas y 2 mesas, utilidad de U$70
etc.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 5
Un modelo matemtico para hallar la mejor
solucin factible a este problema tiene tres
componentes bsicas:

i) Las variables de decisin, que consiste en
definir cules son las decisiones que se debe
tomar. En el ejemplo,

x: nmero de sillas elaboradas.
y: nmero de mesas elaboradas.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 6
ii) La funcin objetivo del problema, que permita
tener un criterio para decidir entre todas las
soluciones factibles. En el ejemplo, maximizar la
utilidad dada por:

z = f(x,y) = 15x + 20y
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 7
iii) Restricciones del problema, que consiste en
definir un conjunto de ecuaciones e inecuaciones
que restringen los valores de las variables de
decisin a aquellos considerados como factibles.
En el ejemplo, respetar la disponibilidad de piezas
para la fabricacin de sillas y mesas:

Piezas pequeas: 2x + 2y s 8
Piezas grandes : x + 2y s 6

Tambin se impone restricciones de no
negatividad:
x,y > 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 8
En resumen: Max 15x + 20y
sa: 2x + 2y s 8
x + 2y s 6
x,y > 0

El ejemplo corresponde a un modelo de
Programacin Lineal. Si adems restringimos los
valores de x e y a nmeros enteros, tendramos un
modelo de Programacin Entera. Por otra parte, si
hubiese retornos crecientes a escala, deberamos
emplear una funcin objetivo no lineal como f(x,y) =
cx
a
+ dy
b
con

a,b >1, y tendramos un modelo de
Programacin No Lineal.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 9
BIBLIOGRFIA EN INVESTIGACIN DE OPERACIONES

1. Introduccin a la Investigacin de Operaciones, F.S.
Hillier y G.J. Lieberman, McGraw Hill, Sexta Edicin, 1997.
2. Investigacin de Operaciones, una introduccin, H.A.
Taha, Prentice Hall, Mxico, Sexta Edicin, 1998.
3. Introduction to Management Science, F. Hillier, M. Hillier
and G.J. Lieberman. Irwin McGraw-Hill, 1999.
4. Model Operations Research: A practical Introduction.
M.W. Carter and C.C.Price. CRC Press, 2000.
5. Practical Management Science: Spreadsheet Modeling
and Applications, Winston, W.L., Albright S.C. y Broadie M.,
International Thomson Publishing Company, 1997.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

I. Introduccin a la Investigacin de
Operaciones

Docente: Ing. Nurian Tablas 10
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 11
II. Modelos de Programacin Matemtica
Programacin Lineal
Temario:

II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 12
II.1 Introduccin y ejemplos de modelamiento.

i) Problema de Transporte. El problema consiste
en decidir cuntas unidades trasladar desde ciertos
puntos de origen (plantas, ciudades, etc.) a ciertos
puntos de destino (centros de distribucin,
ciudades, etc..) de modo de minimizar los costos de
transporte, dada la oferta y demanda en dichos
puntos.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 13
II.1 Introduccin y ejemplos de modelamiento.

Por ejemplo, suponga que una empresa posee dos
plantas que elaboran un determinado producto en
cantidades de 250 y 450 unidades diarias,
respectivamente. Dichas unidades deben ser
trasladadas a tres centros de distribucin con
demandas diarias de 200, 200 y 250 unidades,
respectivamente. Los costos de transporte (en
$/unidad) son:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1 21 25 15
Planta 2 28 13 19
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 14
II.1 Introduccin y ejemplos de modelamiento.

Diagrama:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Planta 1
Planta 2
C.D.2
C.D.1
C.D.3
X
11

X
12

X
21
X
22

X
13

X
23

Orgenes Destinos
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 15
II.1 Introduccin y ejemplos de modelamiento.

Variables de decisin:

x
ij
= Unidades transportadas desde la planta i
(i=1,2), hasta el centro de distribucin j (j=1,2,3)

Funcin Objetivo:

Minimizar el costo total de transporte dado por la
funcin:
21x
11
+25x
12
+15x
13
+28x
21
+13x
22
+19x
23

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 16
II.1 Introduccin y ejemplos de modelamiento.

Restricciones del problema:

1) No Negatividad: x
ij
> 0

2) Demanda:
CD
1
: x
11
+x
21
= 200
CD
2
: x
12
+x
22
= 200
CD
3
: x
13
+ x
23
= 250
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 17
II.1 Introduccin y ejemplos de modelamiento.

3) Oferta :
P
1
: x
11
+ x
12
+ x
13
s 250
P
2
: x
21
+ x
22
+ x
23
s 450

Las variables de decisin deben aceptar soluciones
como nmeros reales para tener un modelo de P.L.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 18
II.1 Introduccin y ejemplos de modelamiento.

ii) Problema de la dieta: este consiste en
determinar una dieta de manera eficiente, a partir
de un conjunto dado de alimentos, de modo de
satisfacer ciertos requerimientos nutricionales.
Supongamos que se tiene la siguiente informacin:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Leche
(galon)
Legumbre
(1 porcin)
Naranjas
(unidad)
Requerimientos
Nutricionales
Niacina 3,2 4,9 0,8 13
Tianina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 19
II.1 Introduccin y ejemplos de modelamiento.

Variables de decisin:
x
1
: galones de leche utilizados en la dieta.
x
2
: porciones de legumbre utilizadas en la dieta.
x
3
: unidades de naranja utilizadas en la dieta.

Funcin Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x
1
+ 0.2 x
2
+

0.25 x
3

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 20
II.1 Introduccin y ejemplos de modelamiento.

Restricciones del problema:
Requerimientos mnimos de los nutrientes
considerados:
3.2 x
1
+ 4.9 x
2
+ 0.8 x
3
> 13
1.12 x
1
+ 1.3 x
2
+ 0.19 x
3
> 15
32 x
1
+ + 9 x
3
> 45

x
1
> 0 ; x
2
> 0 ; x
3
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 21
II.1 Introduccin y ejemplos de modelamiento.

iii) Problema de dimensionamiento de lotes: este
consiste en hallar una poltica ptima de produccin
para satisfacer demandas fluctuantes en el tiempo,
de modo de minimizar costos de produccin e
inventario, considerando la disponibilidad de
diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta
150 unidades en cada uno de los 4 periodos en que
se ha subdividido el horizonte de planificacin y se
tiene adicionalmente la siguiente informacin:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 22
II.1 Introduccin y ejemplos de modelamiento.






Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Periodos Demandas
(unidades)
Costo Prod.
(US$/unidad)
Costo de Inventario
(US$/unidad)
1 130 6 2
2 80 4 1
3 125 8 2.5
4 195 9 3
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 23
II.1 Introduccin y ejemplos de modelamiento.

Variables de decisin:
x
t
: nmero de unidades elaboradas en el periodo t.
I
t
: nmero de unidades de inventario al final del
periodo t.
Funcin objetivo:
Consiste en minimizar los costos de produccin y el
costo de mantenimiento de inventario.
6x
1
+ 4x
2
+ 8x
3
+ 9x
4
+ 2I
1
+ I
2
+ 2.5I
3
+ 3I
4

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 24
II.1 Introduccin y ejemplos de modelamiento.

Notar que en el ptimo I
4
va a ser 0, as que incluso
podramos no incluirla, pero de todos modos la
consideramos.

Restricciones del problema:
1) Restricciones de cotas, que reflejan la capacidad
de produccin.
x
t
s150
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 25
II.1 Introduccin y ejemplos de modelamiento.

2) Restricciones de no negatividad
x
t
> 0
3) Restricciones de demanda
x
1
+ I
0
I
1
= 130 Periodo 1 I
0
=15
x
2
+ I
1
I
2
= 80 Periodo 2
x
3
+ I
2
I
3
= 125 Periodo 3
x
4
+ I
3
I
4
= 195 Periodo 4
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 26
II.1 Introduccin y ejemplos de modelamiento.

iv) Problema de planificacin financiera:
Supongamos que un banco dispone de $250
millones para destinar a 4 tipo de crditos ofrecidos,
los cuales tienen las siguientes, tasas de crdito:
Primer crdito corriente :12%
Segundo crdito corriente :16%
Crdito para el hogar :16%
Crdito personal :10%
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 27
II.1 Introduccin y ejemplos de modelamiento.

La asignacin de estos crditos, debe satisfacer la
siguiente poltica utilizada por la institucin:
El monto asignado a los PCC, debe ser al menos,
el 55% del monto asignado a los crditos
corrientes, y al menos un 25% del total del dinero
prestado.
El SCC, no puede exceder el 30% del total del
dinero prestado, por polticas tributarias el inters
recibido por el banco no debe exceder a un retorno
del 14% sobre el capital prestado.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 28
II.1 Introduccin y ejemplos de modelamiento.

Cunto asignar a cada tipo de crdito, de la
manera ms eficiente, respetando la poltica del
banco?
Variables de decisin:
x
1
:Monto asignado al PCC.
x
2
: Monto asignado SCC.
x
3
: Monto asignado al crdito para el hogar.
x
4
: Monto asignado al crdito personal.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 29
II.1 Introduccin y ejemplos de modelamiento.

Funcin Objetivo:
Se propone maximizar los retornos recibidos en la
asignacin, dados por:

0.12 x
1
+ 0.16 x
2
+

0.16 x
3
+ 0.10 x
4

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 30
II.1 Introduccin y ejemplos de modelamiento.

Restricciones del problema:
x
1
> 0.55 ( x
1
+ x
2
)
x
1
> 0.25 ( x
1
+ x
2
+x
3
+ x
4
)
x
2
s 0.30 ( x
1
+ x
2
+x
3
+ x
4
)

(0.12x
1
+0.16x
2
+0.16x
3
+0.10x
4
) s 0.14 ( x
1
+ x
2
+x
3
+x
4
)

Adicionalmente: x
1
+ x
2
+x
3
+ x
4
s 250
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 31
II.1 Introduccin y ejemplos de modelamiento.

v) Problema de mezcla de productos: en este
problema una refinera produce 4 tipos de gasolina
(gas 1, gas 2, gas 3 y gas 4). Dos caractersticas
importantes de cada gasolina son su nmero de
performance (NP) y su presin de vapor (RVP), que
estn dados por:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

NP RVP Barriles diarios
gas 1 107 5 3814
gas 2 93 8 2666
gas 3 87 4 4016
gas 4 108 21 1300
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 32
II.1 Introduccin y ejemplos de modelamiento.

Estas gasolinas pueden ser vendidas directamente
a un precio de $2483 por barril o bien mezcladas
para obtener gasolinas de aviacin (avgas A y
avgas B). La calidad de estas dos ltimas junto con
sus precios de venta son:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

NP RV Precio por barril (US$)
avgas A Al menos 100 A lo ms 7 26,45
Avgas B Al menos 91 A lo ms 6 25,91
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 33
II.1 Introduccin y ejemplos de modelamiento.

El NP y RVP de cada mezcla es un promedio de los
respectivos NP y RVP de las gasolinas empleadas.

Se desea obtener un plan de venta de las distintas
gasolinas que maximice los retornos.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 34
II.1 Introduccin y ejemplos de modelamiento.

Variables de decisin:
x
j
: cantidad de barriles del gas j que son vendidos
sin mezclar, con j = 1, 2, 3, 4.
x
A
: cantidad de barriles de avgas A.
x
B
: cantidad de barriles de avgas B.
x
jA
: cantidad de gas j usado en avgas A.
x
jB
: cantidad de gas j usado en avgas B.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 35
II.1 Introduccin y ejemplos de modelamiento.

Funcin objetivo:
Max 24,83 (x
1
+ x
2
+ x
3
+ x
4
) + 26,45x
A
+ 25,91x
B
Restricciones: x
1
+ x
1A
+ x
1B
= 3814
x
2
+ x
2A
+ x
2B
= 2666
x
3
+ x
3A
+ x
3B
= 4016
x
4
+ x
4A
+ x
4B
= 1300
x
1A
+ x
2A
+ x
3A
+ x
4A
= x
A

x
1B
+ x
2B
+ x
3B
+ x
4B
= x
B

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 36
II.1 Introduccin y ejemplos de modelamiento.

NP, avgas A:

NP, avgas B:

RVP, avgas A:

RVP, avgas B:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

100
x
x 108 x 87 x 93 x 107
A
A 4 A 3 A 2 A 1
>
+ + +
91
x
x 108 x 87 x 93 x 107
B
B 4 B 3 B 2 B 1
>
+ + +
7
x
x 21 x 4 x 8 x 5
A
A 4 A 3 A 2 A 1
s
+ + +
7
x
x 21 x 4 x 8 x 5
B
B 4 B 3 B 2 B 1
s
+ + +
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 37
II.1 Introduccin y ejemplos de modelamiento.

vi) Problema de expansin de la capacidad de
un Sistema de Potencia Elctrica:
En este problema se desea planificar la
expansin de la capacidad de un sistema
elctrico para los siguientes T aos. La demanda
(estimada) para el ao t corresponde a d
t
MW para
t = 1, 2, ..., T. La capacidad existente del sistema
corresponde a c
t
MW para el ao t = 1, 2, ..., T.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 38
II.1 Introduccin y ejemplos de modelamiento.

Existen 2 alternativas para la expansin de la
capacidad del sistema:
Usar plantas trmicas a petrleo.
Usar plantas trmicas a gas.
Se requiere una inversin p
t
por MW instalado de
una planta a petrleo que est operativa al
comienzo del ao t, y el correspondiente costo para
una planta a gas es g
t
.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 39
II.1 Introduccin y ejemplos de modelamiento.

Por razones polticas y de seguridad, se ha
decidido que no ms del 30% de la capacidad
instalada, corresponda a plantas a gas (nuevas).
Cada planta a petrleo tiene una vida de 20 aos y
una planta a gas una vida de 15 aos.
Se desea proponer un plan de expansin al mnimo
costo posible.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 40
II.1 Introduccin y ejemplos de modelamiento.

Variables de decisin:
x
t
: cantidad de MW expandidos en planta a
petrleo al inicio del ao t, con t = 1, 2, ..., T.
y
t
: cantidad de MW expandidos en planta a gas al
inicio del ao t, con t = 1, 2, ..., T.
z
t
: cantidad total de MW disponible en plantas
nuevas a petrleo al inicio del ao t.
w
t
: cantidad total de MW disponible en plantas
nuevas a gas al inicio del ao t.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 41
II.1 Introduccin y ejemplos de modelamiento.

Funcin Objetivo:


Restricciones:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

| |

=
+
T
1 t
t t t t
y g x p Min
20 t x z
20 t x z
d w z c
t
19 t k
k t
t
1 k
k t
t t t t
> =
s =
> + +

=
=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 42
II.1 Introduccin y ejemplos de modelamiento.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

0 w , z , y , x
T ... 1 t 30 , 0
w z c
w
15 t y w
15 t y w
t t t t
t t t
t
t
14 t k
k t
t
1 k
k t
>
= s
+ +
> =
s =

=
=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 43
Temario:

II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 44
II.2. Resolucin grfica de problemas.

Consideremos el siguiente problema a resolver
grficamente:

Max z = 3x
1
+ 5x
2
sa: x
1
s 4
2x
2
s 12
3x
1
+ 2x
2
s 18
x
1
,x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 45
II.2. Resolucin grfica de problemas.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Curvas de Nivel
Regin de puntos factibles
9
6
2
4
4 6
x
2

x
1

x
*

x
*
Solucin Optima
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 46
II.2. Resolucin grfica de problemas.

En primer lugar, se debe obtener la regin de
puntos factibles en el plano, obtenida por medio de
la interseccin de todos los semi - espacios que
determinan cada una de las inecuaciones
presentes en las restricciones del problema.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 47
II.2. Resolucin grfica de problemas.

Enseguida, con el desplazamiento de las curvas de
nivel de la funcin objetivo en la direccin de
crecimiento de la funcin (que corresponde a la
direccin del vector gradiente de la funcin,
Vz(x
1
,x
2
) = (3,5)
T
), se obtiene la solucin ptima del
problema en la interseccin de las rectas: 2x
2
= 12
y 3x
1
+2x
2
= 18 (restricciones activas). Esto es:

x
1
*
= 2 x
2
*
= 6
z
*
= 3 x
1
*
+ 5 x
2
*
= 36
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 48
II.2. Resolucin grfica de problemas.

Notar que se pueden dar otras situaciones en la
bsqueda de una solucin ptima para esta clase
de problemas:
1) La solucin ptima exista pero haya ms
de una. En el ejemplo, considere la nueva
funcin objetivo: z = 6x
1
+4x
2
.
2) El problema no tenga solucin, dada una regin
de puntos factibles no - acotada. En el ejemplo,
reemplace cada desigualdad s por una >.
3) El problema no tenga solucin, porque no
existen puntos factibles. En el ejemplo, suponga
que agregamos la restriccin: x
1
> 5.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 49
Temario:

II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 50
II.3. Anlisis de sensibilidad.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
8 y 2 x s +
0 y , x >
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 51
II.3. Anlisis de sensibilidad.

A partir de la resolucin grfica del problema se
tiene:
Solucin ptima : x
1
*
= 2 ; x
2
*
= 2
Valor ptimo : z = z(2,2) = 70

El anlisis de sensibilidad permite responder, entre
otras, las siguientes preguntas:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 52
II.3. Anlisis de sensibilidad.

1) Cul es el intervalo de variacin de algn
coeficiente de la funcin objetivo, de modo que la
actual solucin siga siendo la ptima?
Sea z = c
1
x
1
+c
2
x
2
La solucin ptima de la nueva funcin, seguir
siendo: x
1
*
= 2 ; x
2
*
= 2 ssi:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

2
1
c
c
1
2
1
s

s
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 53
II.3. Anlisis de sensibilidad.

Tambin podemos estudiar el intervalo de un slo
coeficiente, dejando el resto de los parmetros fijos:

Para C
1
:

Para C
2
:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

20 c 10
2
1
20
c
1
1
1
s s s

s
30 c 15
2
1
c
15
1
2
2
s s s

s
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 54
II.3. Anlisis de sensibilidad.

2) Cul es la variacin del actual valor ptimo de
la funcin objetivo, si cambamos en una unidad
algn coeficiente del lado derecho de las
restricciones ?
Estudiaremos por separado las variaciones de cada
uno de los coeficientes del lado derecho de las
restricciones, de modo preservar la geometra del
problema, esto es, que se conserven las mismas
restricciones activas de la solucin ptima inicial.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 55
II.3. Anlisis de sensibilidad.

Primera restriccin.
La mayor variacin del coeficiente del lado derecho
se alcanza en x
1
= 0 y x
2
= 4, de donde se obtiene:
z(0,4) = 15 x 0 + 20 x 4 = 80 y b
1
*
= 0 + 2 x 4 = 8

La menor variacin del coeficiente del lado derecho
se alcanza en: x
1
= 4 ; x
2
= 0, de donde se obtiene:
z(4,0) = 15 x 4 + 20 x 0 = 60 y b
1
= 4 + 2 x 0 = 4
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 56
II.3. Anlisis de sensibilidad.

De aqu, se calcula el precio sombra H
1
, que
indica la razn o tasa de cambio de la funcin
objetivo con respecto al cambio en una unidad del
lado derecho:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

5
4 8
60 80
b b
) 0 , 4 ( z ) 4 , 0 ( z
1
*
1
1
=

= H
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 57
II.3. Anlisis de sensibilidad.

Segunda restriccin.
La mayor variacin del coeficiente del lado derecho
se alcanza en x
1
= 6 y x
2
= 0, de donde se obtiene:
z(0,4) = 15 x 6 + 20 x 0 = 90 y b
1
*
= 2 x 6 + 2x0 = 12

La menor variacin del coeficiente del lado derecho
se alcanza en: x
1
= 0 ; x
2
= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b
1
= 2 x 0 + 2 x 3 = 6
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 58
II.3. Anlisis de sensibilidad.

De aqu, se calcula el precio sombra P
2
, que
indica la razn o tasa de cambio de la funcin
objetivo con respecto al cambio en una unidad del
lado derecho:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

5
6 12
60 90
b b
) 3 , 0 ( z ) 0 , 6 ( z
2
*
2
2
=

= H
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 59
Temario:

II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 60
II.4. El Mtodo Simplex.

En lo que sigue consideremos el siguiente
problema de programacin lineal en su forma
estndar.

Min c
1
x
1
+ c
2
x
2
+ ... + c
n
x
n
sa a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
... ... ...
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m

x
i
> 0, i = 1, 2, ..., n y m s n
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 61
II.4. El Mtodo Simplex.

Matricialmente escrito como:

Min c
T
x

sa Ax = b

x > 0

No existe prdida de la generalidad al suponer que
un problema viene dado en la forma estndar. En
efecto, si tuvisemos el siguiente problema:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 62
II.4. El Mtodo Simplex.

P) Max 9u + 2v + 5z

sa 4u + 3v + 6z s 50

u + 2v + 3z > 8
2u 4v + z = 5
u,v > 0
z e IR

Es posible reformular de manera equivalente el
problema anterior usando que:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 63
II.4. El Mtodo Simplex.

1) Siempre es posible llevar un problema de
maximizacin a uno de minimizacin. Si f(x) es la
funcin objetivo a maximizar y x
*
es la solucin
ptima:
f(x
*
) > f(x) , x factible

- f(x
*
) s - f(x) , x factible

x
*
es tambin mnimo de

- f(x)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 64
II.4. El Mtodo Simplex.

2) Cada restriccin del tipo s puede ser llevada a
una ecuacin de igualdad usando una (nueva)
variable de holgura no negativa, con un coeficiente
nulo en la funcin objetivo.

3) De igual modo, cada restriccin del tipo > puede
ser llevada a una ecuacin de igualdad usando una
variable de exceso no negativa.

4) Siempre es posible escribir una variable libre de
signo como la diferencia de dos variables no
negativas.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 65
II.4. El Mtodo Simplex.

En resumen el problema P) puede ser escrito de
manera equivalente como:

Min - 9x
1
- 2x
2
- 5x
3
+ 5x
4
+ 0x
5
+ 0x
6

sa: 4x
1
+ 3x
2
+ 6x
3
- 6x
4
+ x
5
=50
x
1
+ 2x
2
- 3x
3
+ 3x
4
- x
6
= 8
2x
1
- 4x
2
+ x
3
- x
4
= 5

x
i
>

0, i=1,2,3,4,5,6.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 66
II.4. El Mtodo Simplex.

Con u = x
1

v = x
2

z = x
3
- x
4

s
1
= x
5 (HOLGURA)

s
2
= x
6 (EXCESO)

La bsqueda de la solucin ptima se restringe a
encontrar un vrtice ptimo y cada vrtice del
conjunto de las restricciones del problema, llamado
regin de puntos factibles, corresponde a una
solucin bsica factible del sistema Ax = b.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 67
II.4. El Mtodo Simplex.

Esta solucin bsica factible, corresponde a su vez
a aquellas soluciones que resultan de resolver el
sistema para exactamente m variables, fijando las
restantes n-m en cero, llamadas respectivamente
variables bsicas y no-bsicas, que adems deben
satisfacer condiciones de no-negatividad.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 68
II.4. El Mtodo Simplex.

Teorema Fundamental de la Programacin Lineal:
Si un problema tiene solucin ptima, tiene una
solucin bsica factible ptima.

Dada una matriz B de m x m invertible, esta induce
una particin de las variables y parmetros del
modelo como lo muestra la siguiente diapositiva.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 69
II.4. El Mtodo Simplex.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

B D
A =
m
n
m
n-m
B : es llamada una matriz de base
m n
m
D
B
m n
m
D
B
n
2
1
c
c
c
x
x
x
x
x
x

(
(
(
(

=
(
(
(
(

=
(
(
(
(

=
x
B
:variables bsicas.
x
D
:variables no bsicas.
c
B
:costos bsicos.
c
D
:costos no bsicos.
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 70
II.4. El Mtodo Simplex.

Criterio de Optimalidad:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

D B
1
T
D
T
D
1
T
B
D
T
D B
1
1 T
B
D
D
D B
T
B
T
x x D B c c b B c
x c x D B b B c
x c x c x c

+ =
+ =
+ =
valor actual
de la
funcin obj.
vector de
costos
reducidos.
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 71
II.4. El Mtodo Simplex.

La ecuacin que define cada uno de los costos
reducidos es:

Donde j es el ndice de variable no-bsica y A
j
la
respectiva columna en A de esa variable.
La actual solucin bsica factible es ptima ssi
r
j
> j, existe una variable no bsica x
p
con costo
reducido negativo, que entra a la nueva base.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

j
1 T
B j j
A B c c r

=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 72
II.4. El Mtodo Simplex.

Para decidir quin deja la base, es necesario
calcular el mayor valor que puede tomar la variable
entrante que garantiza la factibilidad de la nueva
solucin bsica, con:



y se debe calcular:

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(
(

=
(
(
(
(

=

p m
p 2
p 1
j
1
0 m
0 2
0 1
1
y
y
y
A B
x
x
y
b B
base la deja x 0 y /
y
y
Min
y
y
k ip
ip
0 i
kp
0 k

)
`

> =
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 73
II.4. El Mtodo Simplex.

Ejemplo.
Resolver el siguiente problema de P.L.

Max 40x + 60y
sa: 2x + y s 70
x + y s 40
x + 3y s 90
x,y > 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 74
II.4. El Mtodo Simplex.

Se deben agregar 3 variables de holgura ( x
1
, x
2
,
x
3
var.bsicas), y llevar a forma estndar (x
4
= x y
x
5
= y).
Min -40x
4
60x
5
sa: x
1
+ 2x
4
+ x
5
= 70
x
2
+ x
4
+ x
5
= 40
x
3
+ x
4
+ 3x
5
= 90
x
i
> 0, i = 1, 2, 3, 4, 5
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 75
II.4. El Mtodo Simplex.

Tabla inicial:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 76
II.4. El Mtodo Simplex.

Usamos como variable entrante a la base x
5
(pues
r
5
<0).




Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto
sale x
3
.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 77
II.4. El Mtodo Simplex.

Actualizando, queda la siguiente tabla (no ptima),
donde la variable entrante a la base es x
4
(pues
r
4
<0).




Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15,
por lo tanto x
2
deja la base actual.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
1 0 -1/3 5/3 0 40
0 1 -1/3 2/3 0 10
0 0 1/3 1/3 1 30
0 0 20 -20 0 1800
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 78
II.4. El Mtodo Simplex.

Actualizando, queda la siguiente tabla final:




Como todos los costos reducidos son mayores o
iguales que cero nos encontramos en la solucin
ptima.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
1 -5/2 0 0 15
0 -1/3 -1/2 1 0 15
0 1/3 0 1 25
0 20 10 0 0 2100
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 79
II.4. El Mtodo Simplex.





z* = - 40 x 15 - 60 x 25 = - 2100

En la formulacin inicial, tenemos como solucin
ptima x
*
=15, y
*
=25, con valor ptimo 2.100.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(

=
(

=
(
(
(

=
(
(
(

=
0
0
x
x
x
25
15
15
x
x
x
x
3
2
D
5
4
1
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 80
II.4. El Mtodo Simplex.

Resumen del Mtodo Simplex:

Paso 0 : Escribir el problema de programacin
lineal en su forma estndar.
Paso 1 : Escoger una solucin bsica factible
inicial.
Paso 2 : Escoger una variable no - bsica con
costo reducido negativo que determina la variable
entrante y seguir al paso tres. Sin embargo, si todos
los costos reducidos son mayores que cero , parar,
ya que la actual solucin es la ptima.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 81
II.4. El Mtodo Simplex.

Paso 3 : Calcular el criterio de factibilidad que
determina que variable deja la base. Si todos los
cuocientes son negativos: problema no - acotado,
parar.
Paso 4 :Actualizar la tabla de modo de despejar el
valor de las nuevas variables bsicas, los costos
reducidos y el valor de la funcin objetivo. Volver al
Paso 2.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 82
II.4. El Mtodo Simplex.

No siempre es fcil obtener una solucin bsica
factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios
procedimientos como son:

Mtodo Simplex de dos fases.
Mtodo de la M grande.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 83
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Fase 1: Se considera un problema auxiliar que
resulta de agregar tantas variables auxiliares a las
restricciones del problema, de modo de obtener una
solucin bsica factible. Resolver por Simplex un
nuevo problema que considera como funcin
objetivo la suma de las variables auxiliares. Si el
valor ptimo es cero ir a la Fase 2. En caso
contrario, no existe solucin factible.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 84
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Fase 2: Resolver por Simplex el problema original a
partir de la solucin bsica factible hallada en la
Fase1.

Ejemplo: Max 2x
1
+ x
2
sa: 10x
1
+ 10x
2
s 9
10x
1
+ 5x
2
> 1
x
1
,x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 85
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Se debe agregar una variable de holgura (x
3
) y una
variable de exceso (x
4
), y llevarlo a su forma
estndar.
Min -2x
1
- x
2
sa: 10x
1
+ 10x
2
+x
3
=

9
10x
1
+ 5x
2
- x
4
= 1
x
1
,x
2
, x
3
, x
4
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 86
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Aplicamos Simplex de dos Fases :
Fase 1: Min x
5
sa: 10x
1
+ 10x
2
+x
3
=

9
10x
1
+ 5x
2
- x
4
+ x
5
= 1
x
1
,x
2
, x
3
, x
4
, x
5
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 87
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Quedando la siguiente tabla:





donde:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
10 10 1 0 0 9
10 5 0 -1 1 1
0 0 0 0 1 0
(
(
(

=
(
(
(

=
(

=
(

=
0
0
0
x
x
x
x
1
9
x
x
x
4
2
1
D
5
3
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 88
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Luego se hace cero el costo reducido de la variable
x
5
de la tabla anterior, y queda la siguiente tabla
inicial.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 89
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

La variable entrante a la base es x
1
( pues r
1
< 0).






Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto
sale x
5
.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 90
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Obtenindose la siguiente tabla final:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
0 5 1 1 -1 8
1 0 -1/10 1/10 1/10
0 0 0 0 1 0
(
(
(

=
(
(
(

=
(

=
(

=
0
0
0
x
x
x
x
8
10 / 1
x
x
x
5
4
2
D
3
1
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 91
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Donde, al anterior, corresponde a la solucin
ptima del problema en la Fase 1, con valor ptimo
0. De aqu entonces tomamos x
1
y x
3
como
variables bsicas.

Fase 2:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
0 5 1 1 8
1 0 -1/10 1/10
-2 -1 0 0 0
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 92
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

En la tabla hacemos 0 los costos reducidos de
variables bsicas




Luego la variable entrante a la base es x
4
(pues
r
4
<0). Y calculando Min { 8/1, (-1/10)/(1/10) } = 8, se
tiene que sale x
3
.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
0 5 1 1 8
1 0 -1/10 1/10
0 0 0 -1/5 1/5
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 93
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Quedando:


donde la solucin ptima del problema resulta ser:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
0 5 1 1 8
1 1 0 1/10 9/10
0 1 1/5 0 9/5
(

=
(

=
(

=
(

=
0
0
x
x
x
8
10 / 9
x
x
x
3
2
D
4
1
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 94
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

Algunos casos especiales

1) Problema Infactible. Esta situacin se detecta
cuando el valor ptimo del problema de la Fase 1
da mayor que cero.
2) Mltiples soluciones ptimas. Esta situacin
se detecta cuando existen costos reducidos iguales
a cero en una o ms de las variables bsicas
ptimas. G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 95
II.4. El Mtodo Simplex.

Mtodo Simplex de dos Fases.

3) Problema no acotado. Esta situacin se detecta
cuando al realizar el clculo de la variable que deja
la base, todos los elementos y
kj
de la columna j en
la tabla, son negativos para j el ndice de una
variable no bsica con costo reducido negativo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 96
Temario:

II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 97
II.5. Dualidad en Programacin Lineal.

Consideremos un ejemplo de produccin de 2
productos finales que hacen uso de tres recursos
escasos (mquinas), cuyas disponibilidades en
horas corresponden a los lados derechos de las
restricciones.
P) Max 40x
1
+ 60x
2
sa: 2x
1
+2x
2
s 70
x
1
+ x
2
s 40
x
1
+ 3x
2
s 90
x
1
, x
2
> 0 G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 98
II.5. Dualidad en Programacin Lineal.

La solucin ptima y el valor ptimo del problema
P) esta dada por:

x
1
* = 5
x
2
* = 25

z = v(p) = 2100
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 99
II.5. Dualidad en Programacin Lineal.

En lo que sigue, combinaremos las distintas
restricciones del problema, ponderando por los
valores t
1
,

t
2
y

t
3
cada una, respectivamente, de
modo de obtener la mejor cota superior del valor
ptimo del problema P). Vale decir:

t
1
(2x
1
+2x
2
) + t
2
(x
1
+x
2
) + t
3
(x
1
+3x
2
) s 70 t
1
+
40 t
2
+ 90 t
3
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 100
II.5. Dualidad en Programacin Lineal.

Para garantizar que el lado derecho de esta ltima
desigualdad sea una cota superior de la funcin
objetivo se debe cumplir que :

2 t
1
+ t
2
+ t
3
> 40
2t
1
+ t
2
+ 3 t
3
> 60
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 101
II.5. Dualidad en Programacin Lineal.

La mejor eleccin de esta cota se obtendra al
resolver:

D) Min 70 t
1
+ 40 t
2
+ 90 t
3

sa: 2 t
1
+ t
2
+ t
3
> 40
2t
1
+ t
2
+ 3 t
3
> 60
t
1
, t
2
, t
3
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 102
II.5. Dualidad en Programacin Lineal.

Este problema se conoce como el problema Dual
D) asociado al problema Primal P).

Tambin resulta que al formular el problema dual
de D) se obtiene el problema primal (o uno
equivalente).

Cualquiera de los dos entrega la misma informacin
y el valor ptimo alcanzado es el mismo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 103
II.5. Dualidad en Programacin Lineal.

Ms generalmente, si el problema primal es:

P)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

m ,..., 2 , 1 j 0 x
n ,..., 2 , 1 i b x a : sa
x c Max
j
n
1 j
i j ij
n
1 j
j j
= >
= s

=
=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 104
II.5. Dualidad en Programacin Lineal.

su dual resulta el problema:

D)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

m ,..., 2 , 1 i 0
n ,..., 2 , 1 j c a : sa
b Min
i
m
1 i
j i ij
m
1 i
i i
= > t
= > t
t

=
=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 105
II.5. Dualidad en Programacin Lineal.

Lo que se puede expresar en forma matricial como:

P) Max c
T
x
sa: Ax s b
x > 0

D) Min b
T
t
sa: A
T
t > c
t > 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 106
II.5. Dualidad en Programacin Lineal.

Si el problema primal corresponde a:
P) Max -c
T
x
sa: Ax > b
x > 0
Su dual resulta ser:
D) Min -b
T
t
sa: A
T
t s c
t > 0
Es decir, el dual del dual es el problema primal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 107
II.5. Dualidad en Programacin Lineal.

Teorema de dualidad dbil:

Si x e IR
n
, es una solucin factible del problema
primal P) y t e IR
m
, una solucin factible del
problema dual D), entonces:


En particular, si ambas soluciones son los ptimos
de sus respectivos problemas, sus valores ptimos
cumplen que :
v(P) s v(D) G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

t = t s =

= =
T
n
1 j
m
1 i
i i j j
T
b b x c x c
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 108
II.5. Dualidad en Programacin Lineal.

Teorema de dualidad fuerte:

Si x* = (x
1
*, x
2
*, ..., x
n
*)
T
, es una solucin ptima
problema primal P), entonces el problema dual D)
tiene solucin ptima t* = (t
1
*, t
2
*, ..., t
m
*)
T
que
satisface:


Adems:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) D ( v b * b * x c * x c ) P ( v
T
n
1 j
m
1 i
i i j j
T
= t = t = = =

= =
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 109
II.5. Dualidad en Programacin Lineal.

Ejemplo: P) Min 3x
1
+ 4x
2
+ 5x
3
sa: x
1
+ 2x
2
+ 3x
3
> 5
2x
1
+ 2x
2
+ x
3
> 6
x
1
, x
2
, x
3
> 0

D) Max 5 t
1
+ 6 t
2

sa: t
1
+ 2t
2
s 3
2t
1
+ 2t
2
s 4
3t
1
+ t
2
s 5
t
1
, t
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 110
II.5. Dualidad en Programacin Lineal.

Resolvemos D) por Simplex, en su forma estndar:






Luego la variable entrante a la base es t
2
(pues
r
2
<0). Y calculando Min { 3/2, 4/2, 5/1 } = 3/2, se
tiene que sale t
3

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

t
1
t
2
t
3
t
4
t
5
1 2 1 0 0 3
2 2 0 1 0 4
3 1 0 0 1 5
-5 -6 0 0 0 0
(

=
(

t
t
=
(
(
(

=
(
(
(

t
t
t
=
0
0
x
5
4
3
x
2
1
D
5
4
3
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 111
II.5. Dualidad en Programacin Lineal.







Luego la variable entrante a la base es t
1
(pues
r
2
<0). Y calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)}
= 1, se tiene que sale t
4

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

t
1
t
2
t
3
t
4
t
5
1 0 0 3/2
1 0 -1 1 0 1
5/2 0 -1/2 0 1 7/2
-2 0 3 0 0 9
(

=
(

t
t
=
(
(
(

=
(
(
(

t
t
t
=
0
0
x
2 / 7
1
2 / 3
x
3
1
D
5
4
2
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 112
II.5. Dualidad en Programacin Lineal.






Sol. ptima de D):
t
1
* = 1; t
2
* = 1; v(D) = 11
Sol. ptima de P):
x
1
* = 1; x
2
* = 2; x
3
* = 0; v(P) = 11
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

t
1
t
2
t
3
t
4
t
5
0 1 1 -1/2 0 1
1 0 -1 1 0 1
0 0 2 -5/2 1 1
0 0 1 2 0 11
(

=
(

t
t
=
(
(
(

=
(
(
(

t
t
t
=
0
0
x
1
1
1
x
4
3
D
5
2
1
B
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 113
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:

La idea de este mtodo consiste en resolver de
alguna manera el problema dual asociado a P) en
la tabla y variables del problema primal P), segn
veremos en su aplicacin a un problema primal
(ejercicio anterior).
Min 3x
1
+ 4x
2
+ 5x
3
sa: x
1
+ 2x
2
+ 3x
3
> 5
2x
1
+ 2x
2
+ x
3
> 6
x
1
, x
2
, x
3
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 114
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:

Min 3x
1
+ 4x
2
+ 5x
3
+ 0x
4
+ 0x
5
sa: x
1
+ 2x
2
+ 3x
3
- x
4
> 5 x(-1)
2x
1
+ 2x
2
+ x
3
- x
5
> 6 x(-1)
x
1
, x
2
, x
3
, x
4
, x
5
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
-1 -2 -3 1 0 -5
-2 -2 -1 0 1 -6
3 4 5 0 0 0
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 115
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:

En la tabla anterior se toman dos variables de
exceso x
4
y x
5
, y se multiplica por un nmero
negativo con la finalidad de encontrar la matriz
identidad IR
n
, adems es necesaria la condicin de
que los costos reducidos de la tabla sean mayores
que cero ( lo que en este caso se cumple).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 116
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:

En la tabla anterior se escoge, usando el lado
derecho, alguna variable con valor negativo.

Escogemos x
5
, variable que dejar la base.
Enseguida , se obtiene la variable entrante
calculando:
Min { (-3/-2) , (-4/-2),(-5/-1)} = 3/2.

De donde resulta que x
1
entra a la base.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 117
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:





La tabla posee an un lado derecho negativo
(costos reducidos negativos del problema dual), por
lo cual no es factible en P).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
5
x
4
x
3
x
2
x
1
-2 -1/2 1
-5/2
-1 0
1
1
0
1
-9 3/2 0 7/2
3 -1/2 0 1/2
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 118
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:

x
4
(=-2) deja la base, luego calculamos :
Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo
que x
2
entra a la base.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
x
3
x
4
x
5
0 1 5/2 -1 2
1 0 -2 1 -1 1
0 0 1 1 1 -11
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 119
II.5. Dualidad en Programacin Lineal.

Mtodo Simplex Dual:

La tabla posee lados derechos no-negativos (costos
reducidos positivos del problema dual) y tambin
los costos reducidos de las variables no bsicas x
3
,
x
4
y x
5
son no-negativos , por lo que tenemos una
solucin factible en P) que es la solucin ptima del
problema.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

11 ) P ( v
0
2
1
x
x
x
x
3
2
1
=
(
(
(

=
(
(
(

=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 120
Temario:

II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 121
II.6. Anlisis de Sensibilidad o Post-Optimal

1) Qu ocurre con las actuales variables bsicas
si se cambia algn coeficiente del lado derecho (b)?

Si calculamos: y se cumple:
Las mismas variables bsicas lo son tambin de la
nueva solucin ptima, calculada con el nuevo .
Si lo anterior no se cumple, se puede aplicar el
Mtodo Simplex Dual.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

b B x
1
B

=
b
0 x
B
>
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 122
II.6. Anlisis de Sensibilidad o Post-Optimal

2) Qu ocurre con la actual solucin ptima si se
agrega una nueva variable al problema ?

Para decidir si la actual solucin bsica es ptima
para el nuevo problema, calculamos el costo
reducido de la nueva variable mediante la formula:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

k
1 T
B k k
A B c c r

=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 123
II.6. Anlisis de Sensibilidad o Post-Optimal

donde k es el ndice de la nueva variable y A
k
su
respectiva columna en la matriz de coeficientes. Si
se cumple que r
k
>0 se conserva la actual solucin
ptima. En caso contrario, se sigue con el Simplex.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 124
II.6. Anlisis de Sensibilidad o Post-Optimal

3) Que ocurre con la actual solucin ptima del
problema P) si se cambian los coeficientes que
definen la funcin objetivo ?

Supongamos que el vector de coeficientes en la
funcin objetivo cambia a un vector
La actual solucin ptima tambin lo es para
con:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

n
IR ce
P
0 x
b Ax : sa
x c Min ) P
T
>
=
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 125
II.6. Anlisis de Sensibilidad o Post-Optimal

Siempre que los nuevos costos reducidos sean
mayores o iguales a cero (notar que tambin
cambia el valor de la funcin objetivo en la actual
solucin ptima). Es decir se debe cumplir que:




En caso contrario, se aplica el Simplex a partir de la
tabla final de P) con los nuevos costos reducidos y
nuevo valor de la actual solucin bsica.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

j 0 A B c c r
emente equivalent o 0 D B c c r
j
1
T
B
j j
1 T
B D D
> =
> =

II. Modelos de Programacin Matemtica


Programacin Lineal
Docente: Ing. Nurian Tablas 126
II.6. Anlisis de Sensibilidad o Post-Optimal

Veamos los cambios que tienen lugar cuando slo
vara un coeficiente del vector c de la funcin obj.

a) Cambio de un coeficiente asociado a una
variable no-bsica x
J
:
Se conserva la misma solucin ptima del problema
P) ssi. para esa variable x
J
:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

j 0 A B c c r
j
1
T
B
j j
> =

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 127
II.6. Anlisis de Sensibilidad o Post-Optimal

Consideremos :



Por lo tanto se conserva la misma solucin ssi:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

j c c
j j
A + =
j j j j
r c c r j > > A
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 128
II.6. Anlisis de Sensibilidad o Post-Optimal

b) Cambio en un coeficiente de la funcin objetivo
asociado a una variable bsica:
En este caso para tener la misma solucin ptima,
se debe cumplir que el costo reducido de todas las
variables.a cero.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

0 A B c c r
j
1
T
B
j j
> =

i B
0
1
0
B B i i
ie c i c c i c c A + =
(
(
(

A + = A + =
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 129
II.6. Anlisis de Sensibilidad o Post-Optimal

Si el incremento es cualquiera en el siguiente
intervalo, se conserva la misma solucin ptima:




donde r
j
es el costo reducido de la respectiva
variable no bsica en la actual solucin ptima y los
coeficientes y
ij
denotan las entradas en la tabla final
del Simplex asociadas a la variable bsica x
i
(cuyo
costo cambia) y la respectiva variable no bsica x
j
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

)
`

> s A s
)
`

< 0 y /
y
r
Min i 0 y /
y
r
Max
ij
ij
j
ij
ij
j
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 130
II.6. Anlisis de Sensibilidad o Post-Optimal

Ejemplo:

La siguiente tabla, es la tabla final de un problema
de programacin lineal.





Con esta tabla realizaremos un anlisis de
sensibilidad:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

1,00 2,33 1,67 0,00 0,27 -0,07 1333,33
0,00 -0,03 0,03 1,00 -0,01 0,03 66,67
0,00 6,67 3,33 0,00 2,93 0,27 18666,67
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 131
II.6. Anlisis de Sensibilidad o Post-Optimal

a) Variar los recursos ( lado derecho):
Las x
B
del problema primal no cambian como base
ptima, si los valores asociados a estas variables.



Para calcular estos intervalos de recursos, se
necesita la matriz inversa asociada a las variables
bsicas del tabla final.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

0 x cumple se y b B x
B
1
B
> =

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 132
II.6. Anlisis de Sensibilidad o Post-Optimal



Intervalo recurso 1:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(


=
(

=

75 / 2 150 / 1
15 / 1 15 / 4
B
40 1
10 4
B
1
0
4000
b 6000
x
75 / 2 150 / 1
15 / 1 15 / 4
1
>
(

A +
(


0
150
b
150
10000
0
15
b 4
15
20000
1 1
>
A
. >
A
+
10000 b 5000 b
1 1
s A . > A
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 133
II.6. Anlisis de Sensibilidad o Post-Optimal



Intervalo recurso 2:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

16000 b 1000
10000 b 5000
1
1
s s
s A s
0
b 4000
6000
x
75 / 2 150 / 1
15 / 1 15 / 4
2
>
(

A +
(


24000 b 1500
20000 b 2500
2
2
s s
s A s
II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 134
II.6. Anlisis de Sensibilidad o Post-Optimal

Variable x
1
:

Max {0} s C
1
s Min {((20/3)/(7/3)),((10/3)/(5/3))}

0 s D
1
s 2 10 s C
1
*
s12

Variable x
4
:

Mx {((20/3)/(-1/30))} s D
4
s Min {((10/3)/(1/30))}

-200 s D
4
s 100 -60 s C
4
*
s240
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 135
II.6. Anlisis de Sensibilidad o Post-Optimal

Variable x
2
:

C
2
*
= C
2
+ A
2
C
2
= -20
A
2
>- r
2
C
2
*
> - 20 - ( 20/3)
C
2
*
> - 80/3

Variable x
3
:

C
3
*
= C
3
+ A
3
C
3
= -18
A
3
>- r
3
C
3
*
> - 18 - ( 10/3)
C
3
*
> - 64/3 G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 136
BIBLIOGRFIA EN PROGRAMACIN LINEAL

1. Linear Programming and Network Flow, M.Bazaraa,
J.Jarvis and H.Sherali. John Wiley & Sons, Inc., New York,
Second Edition 1990.
2. Introduction to Linear Optimization, D.Bertsekas and
J.Tsitsiklis. Athena Scientific USA, 1997.
3. Linear Programming, V.Chvtal. W.H. Freeman and
Company, New York, 1983.
4. Linear Programming and Extensions, G. Dantzig.
Princeton University Press, New Jersey, tenth printing, 1993.
5. Introduccin a la Programacin Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana, 1989.
6. Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
7. Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition
1999.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 137
DIRECCIONES ELECTRNICAS EN PROGRAMACIN LINEAL


Preguntas de consulta frecuente en Programacin Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html

Servidor NEOS, gua de software de Programacin Lineal:
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/linearprog.html

Servidor NEOS, ejemplo problema de la dieta:
http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/diet/index.html

Gua de software de Programacin Lineal en revista OR&MS Today
(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 138
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 139
II. Modelos de Programacin Matemtica
Programacin Entera
Temario:

III.1. Introduccin y ejemplos de modelamiento.
III.2. Resolucin de problemas de P. E.
III.3. Mtodo de Branch and Bound.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 140
III.1. Introduccin y ejemplos de modelamiento.

a) Problema de la mochila.
Una empresa est pensando invertir en cuatro
proyectos diferentes, cada proyecto se finaliza a lo
ms en 3 aos. Los flujos de caja requeridos en
cada ao junto con el Valor Presente Neto de cada
proyecto, concludos los aos de ejecucin, y las
disponibilidades de recursos financieros se
resumen en la siguiente tabla:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 141
III.1. Introduccin y ejemplos de modelamiento.







Interesa determinar en cules proyectos invertir de
modo de conseguir el mayor V.P.N. de la inversin.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Proy 1 Proy 2 Proy 3 Proy 4 Disp. Recursos
Ao 1 10 8 6 12 30
Ao 2 8 15 4 0 15
Ao 3 18 0 16 0 12
V.P.N. 35 18 24 16
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 142
III.1. Introduccin y ejemplos de modelamiento.

Variables de decisin:



Funcin objetivo:

Max 35x
1
+ 18x
2
+ 24x
3
+ 16x
4

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

4 , 3 , 2 , 1 i con
o sin , 0
i proyecto el en invierte se si , 1
x
i
=

=
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 143
III.1. Introduccin y ejemplos de modelamiento.

Restricciones (tres alternativas):
1) Reinvirtiendo el dinero no utilizado en un
perodo:
Ao1: 10x
1
+ 8x
2
+ 6x
3
+ 12x
4
+ s
1
= 30
Ao2: 8x
1
+ 15x
2
+ 4x
3
+ s
2
= 15 + s
1

Ao3: 18x
1
+ 16x
3
s 12 + s
2

x
i
e {0,1} i = 1,2,3,4
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 144
III.1. Introduccin y ejemplos de modelamiento.

2) Sin invertir el dinero no utilizado en un perodo,
pero utilizando el retorno de los proyectos
concludos:
Ao1: 10x
1
+ 8x
2
+ 6x
3
+ 12x
4
s 30
Ao2: 8x
1
+ 15x
2
+ 4x
3
s 15 + 16x
4

Ao3: 18x
1
+ 16x
3
s 12 + 18x
2

x
i
e {0,1} i = 1,2,3,4
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 145
III.1. Introduccin y ejemplos de modelamiento.

3) Reinvirtiendo el dinero no utilizado en un perodo
y, tambin el retorno de proyectos concludos:
Ao1: 10x
1
+ 8x
2
+ 6x
3
+ 12x
4
+ s
1
= 30
Ao2: 8x
1
+ 15x
2
+ 4x
3
+ s
2
= 15 + s
1 +
16x
4
Ao3: 18x
1
+ 16x
3
s 12 + s
2
+ 18x
2

x
i
e {0,1} i = 1,2,3,4
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 146
III.1. Introduccin y ejemplos de modelamiento.

Notar que el conjunto de las soluciones factibles es
finito. Esto ocurrir generalmente con los
problemas de Programacin Entera (puros). En el
ejemplo, el nmero de soluciones factibles no
supera el nmero de las soluciones binarias del
problema (variables restringidas slo a valores 0 o
1) que son 2
4
= 16, dado el nmero de variables
utilizadas, de hecho las soluciones factibles son
menos de 16 pues en particular x
i
=1 para i=1,2,3,4
no satisface las disponibilidades de capital en
cualquiera de las tres alternativas.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 147
III.1. Introduccin y ejemplos de modelamiento.

Supongamos que adicionalmente la inversin
efectuada requiera nuevas restricciones.
i) Se debe invertir en al menos 1 de los 3 primeros
proyectos:
x
1
+ x
2
+ x
3
> 1
i) El proyecto 2 no puede ser tomado a menos que
el proyecto 3 si sea tomado:
x
2
s x
3

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 148
III.1. Introduccin y ejemplos de modelamiento.

iii) Se puede tomar el proyecto 3 o 4 pero no
ambos:
x
3
+ x
4
s 1
iv) No se puede invertir en ms de dos proyectos:
x
1
+ x
2
+ x
3
+ x
4
s 2
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 149
III.1. Introduccin y ejemplos de modelamiento.

b) Cumplimiento de un subconjunto de las
restricciones de un problema.

Consideremos un problema que posee las
siguientes restricciones:
12x
1
+ 24x
2
+ 18x
3
s 2400
15x
1
+ 32x
2
+ 12x
3
s 1800
20x
1
+ 15x
2
+ 20x
3
s 2000
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 150
III.1. Introduccin y ejemplos de modelamiento.

Supongamos adems, que nos basta con obtener
alguna solucion ptima que verifique el
cumplimiento de al menos 2 de las 3 restricciones
anteriores.

Variables de decisin:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
o sin , 0
satisface se j n restricci la si , 1
y
j
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 151
III.1. Introduccin y ejemplos de modelamiento.

Cada inecuacin anterior la reemplazamos por:
12x
1
+ 24x
2
+ 18x
3
s 2400 + M
1
(1- y
1
)
15x
1
+ 32x
2
+ 12x
3
s 1800 + M
2
(1- y
2
)
20x
1
+ 15x
2
+ 20x
3
s 2000 + M
3
(1- y
3
)
Adems, debemos agregar la restriccin que
permita que a lo ms una de las restricciones no se
cumpla:
y
1
+ y
2
+ y
3
2 M
i
= constante lo suf. grande
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 152
III.1. Introduccin y ejemplos de modelamiento.

c) Inclusin de costos fijos.

Supongamos que se desea tener lotes de compra
de un producto dado, para satisfacer demandas
que fluctan en el tiempo sobre un horizonte de
planificacin dividido en T perodos.
Asumimos conocidos: una estimacin de la
demanda d
t
, con t = 1, 2, ..., T, los costos fijos
asociados a la compra de una unidad p
t
,
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 153
III.1. Introduccin y ejemplos de modelamiento.

los costos asociados al mantenimiento de una
unidad en inventario de cada perodo h
t
y los
costos fijos asociados a la gestin de compra en el
perodo t, s
t
.

Observacin: no se permite unidades de faltante.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 154
III.1. Introduccin y ejemplos de modelamiento.

Variables de decisin
x
t
: nmero de unidades compradas en t.
I
t
: nivel de inventario al final del perodo t.


con t: 1, 2, ..., T
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
o sin , 0
t periodo el en compra una hace se si , 1
y
t
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 155
III.1. Introduccin y ejemplos de modelamiento.

Funcin objetivo


Restricciones
x
t
+ I
t-1
- I
t
= d
t
t = 1, 2, ..., T
I
0
= inventario inicial
x
t
s M
t
y
t
t = 1, 2, ..., T
M
t
= cte. grande
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

t t t t
T
1 t
t t
I h x p y s Min + +

=
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 156
III.1. Introduccin y ejemplos de modelamiento.

d) Problema de cobertura:

Dado un nmero de regiones o zonas, en las
cuales se ha subdividido una comuna, cuidad,
pas, etc., digamos que un total de m, se desea
instalar un cierto nmero de servidores (escuelas,
centros de atencin primaria de salud, compaas
de bomberos, etc.) de entre un conjunto de n
potenciales servidores ubicados en alguna de las
zonas dadas.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 157
III.1. Introduccin y ejemplos de modelamiento.

Se conoce la informacin relativa a que zonas
pueden ser atendidas por cada uno de los n
potenciales servidores, es decir, se conoce la
matriz de incidencia A = (a
ij
) donde :

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

n ,..., 2 , 1 j y m ,..., 2 , 1 i con
o sin , 0
j servidor el por atendida ser puede i zona la si , 1
a
ij
= =

=
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 158
III.1. Introduccin y ejemplos de modelamiento.

Se desea determinar cules son los servidores que
deben ser instalados de modo de dar cobertura a
cada zona, dados los costos de instalacin c
j
del
servidor j.
Variables de desicin:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
o sin , 0
j servidor el instala se si , 1
x
j
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 159
III.1. Introduccin y ejemplos de modelamiento.

Funcin objetivo:

Restricciones:Para cada zona i

Se agrega la siguiente restriccin, si
adicionalmente, hay algn lmite en el nmero de
servidores que se pueden instalar (digamos k) :
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
n
1 j
j j
x c Min
1 x a
n
1 j
j ij
>

=
k x
m
1 j
j
s

=
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 160
III.1. Introduccin y ejemplos de modelamiento.

e) Problema de transporte y localizacin :

Si se tiene un conjunto de m clientes que
demandan d
i
unidades de un producto
determinado. Una compaa desea satisfacer esas
demandas desde un cierto conjunto de plantas
elegidas de n potenciales lugares donde se
instalarn.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 161
III.1. Introduccin y ejemplos de modelamiento.

Sean c
j
los costos asociados a la instalacin de la
planta j , v
j
el costo unitario de produccin de la
planta j y t
ij
el costo de transporte de una unidad
desde la planta j al cliente i .
Se desea decidir cules plantas abrir y el tamao
de cada una de modo de satisfacer las demandas
estimadas.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 162
III.1. Introduccin y ejemplos de modelamiento.

Variables de decisin:


x
ij
= el nmero de unidades elaboradas en la
planta j para satisfacer el cliente i, con j = 1,...,n y
i = 1,....,m.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
o sin , 0
j planta la abre se si , 1
y
j
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 163
III.1. Introduccin y ejemplos de modelamiento.

Funcin objetivo:


Costo de Costo de Costo de
Instalacin Produccin Transporte
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s


= = = = =
+
|
.
|

\
|
+
n
1 j
m
1 i
ij ij
n
1 j
m
1 i
ij
n
1 j
j j j
x t x v y c Min
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 164
III.1. Introduccin y ejemplos de modelamiento.

Restricciones:
1) Demanda cliente i:

2) Relacionar variables de produccin con las
asociadas a la apertura de plantas (variables
binarias):

donde M
j
es una constante grande (por ejemplo,
capacidad mxima de produccin de la planta j),
con x
ij
> 0 e y
j
e {0,1}.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

j j
n
1 j
ij
y M x s

=
i
m
1 i
ij
d x >

=
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 165
Temario:

III.1. Introduccin y ejemplos de modelamiento.
III.2. Resolucin de problemas de P. E.
III.3. Mtodo de Branch and Bound.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 166
III.2. Resolucin de problemas de P. E.

Supongamos que tenemos el siguiente problema
de programacin lineal:
PL) Max c
T
x
s.a. A x = b
x > 0
Pero todas o una parte de las variables deben
restringir su valor a nmeros enteros, dando origen
a un problema de Programacin Entera (puro) o
de Programacin Entera- Mixta, respectivamente.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 167
III.2. Resolucin de problemas de P. E.

Por ejemplo:
PLE) Max c
T
x
s.a. A x = b
x > 0, x
j
entero
El problema PL) corresponde a la relajacin
continua del problema PLE), que resulta de
eliminar las condiciones de integralidad de las
variables de decisin en PLE).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 168
III.2. Resolucin de problemas de P. E.

El valor ptimo de PL) provee slo una cota
superior del valor ptimo de PLE). Notar sin
embargo, que si la solucin ptima de PL) cumple
con la integralidad de los valores requiridos,
entonces esta solucin es tambin solucin ptima
de PLE).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 169
III.2. Resolucin de problemas de P. E.

Ejemplo

PLE) Max x
2

s.a. - 2x
1
+ 2x
2
s 1
2x
1
+ x
2
s 7
x
1
> 0, x
2
> 0 enteros
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 170
III.2. Resolucin de problemas de P. E.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

7
3.5
- 2x
1
+ 2x
2
s 1
2x
1
+ x
2
s 7
x
1

x
2

. .
. . .
. . . .
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 171
III.2. Resolucin de problemas de P. E.

Notar que en el ejemplo la solucin ptima puede
ser hallada por simple enumeracin de todas las
soluciones factibles. Aqu las soluciones ptimas
son:
x
1
*
= 1 o x
1
*
= 2
x
2
*
= 1 x
2
*
= 1
Esta alternativa de enumeracin queda
naturalmente restringida a problemas muy
pequeos.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 172
III.2. Resolucin de problemas de P. E.

Alternativamente, podemos resolver la relajacin
continua asociada al problema PLE). Si la solucin
ptima de la relajacin continua da una solucin
entera, esa es la solucin ptima no solo del
problema lineal sino que tambin lo es del
problema lineal entero.
En el ejemplo, la solucin de la relajacin continua
es:
x
1
= 3/2
x
2
= 2
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 173
III.2. Resolucin de problemas de P. E.

A partir de esta ltima solucin podemos
redondear o truncar los valores que no salieron
enteros, obteniendo respectivamente en el
ejemplo:
x
1
= 2 x
1
= 1
x
2
= 2 x
2
= 2
las cuales no son soluciones factibles de PLE), de
modo que desde el punto de vista de una
resolucin numrica no es suficiente con resolver
la relajacin continua.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 174
III.2. Resolucin de problemas de P. E.

Todava podran resultar soluciones factibles de
PLE), pero no neceasariamente ptimas. Por
ejemplo:

PLE) Max f(x
1
, x
2
) = x
1
+ 5x
2

s.a. x
1
+ 10x
2
s 10
x
1
s 1
x
1
> 0, x
2
> 0 enteros
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 175
III.2. Resolucin de problemas de P. E.

Solucin ptima de PL)
x
1
= 1 f(1,9/10)=5,5
x
2
= 9/10
Redondeando o truncando los valores
x
1
= 1 infactible x
1
= 1 f(1,0)=1
x
2
= 1 x
2
= 0
Pero la solucin ptima de PLE) es:
x
1
= 0; x
2
= 1; v(PLE) = 5
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 176
Temario:

III.1. Introduccin y ejemplos de modelamiento.
III.2. Resolucin de problemas de P. E.
III.3. Mtodo de Branch and Bound.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 177
III.3. Mtodo de Branch and Bound.

Consideremos el siguiente problema de
programacin entera:

PLE) Max 21x
1
+ 11x
2
s.a. 7x
2
+ 4x
2
s 13
x
1
> 0
x
2
> 0
x
1
, x
2
enteros
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 178
III.3. Mtodo de Branch and Bound.

Consideremos inicialmente la resolucin de la
relajacin continua de PLE), que consiste en
eliminar las condiciones de integralidad.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 179
III.3. Mtodo de Branch and Bound.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1
x
2
1
2
3
21x
1
+11x
2
21x
1
+11x
2
=39

7x
1
+4x
2
=13

x
2
= 3
x
2
= 2
x
2
= 1
x
1
= 1
x
1
= 2
13/7 sol. relajada
3/2
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 180
III.3. Mtodo de Branch and Bound.

Descripcin del mtodo Branch and Bound
(maximizacin)

Paso 0
Hacer P
0
), la relajacin continua de PLE)
Fijar la cota inferior del v(PLE) en -.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 181
III.3. Mtodo de Branch and Bound.

Paso1
Seleccionar un problema no resuelto, P
i
)
Resolver P
i
) como problema de programacin
lineal.
Agotar este problema, usando:
(i) que se encontr una solucin entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que
la actual cota del valor ptimo v(PLE).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 182
III.3. Mtodo de Branch and Bound.

Si el problema P
i
) resulta agotado y da solucin
entera, mejorar el valor de la cota inferior de
v(PLE).
Si todos los problemas estn agotados, parar.
Solucin ptima de PLE), la solucin entera
asociada a la actual cota inferior de v(PLE), si
existe (si no existe entonces PLE) es infactible)
Si el problema no est agotado pasar al paso 2.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 183
III.3. Mtodo de Branch and Bound.

Paso 2
Seleccionar una variable x
j
=
j
, cuyo valor en la
solucin ptima de P
i
) no de entero.
Eliminar la regin correspondiente a

j
<
j
<
j
+ 1
Crear dos nuevos problemas de programacin
lineal que incorporen a P
i
) dos restricciones
mutuamente excluyentes: x
j
s
j
, x
j
>
j
+1 una
en cada problema y volver al paso 1.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 184
III.3. Mtodo de Branch and Bound.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

P
0
P
1
P
2
P
11
P
12
P
121
P
122
P
1211
P
1212
infactible
infactible
infactible
x
2
>4
x
2
>2
x
1
>2
x
1
>1
x
2
s3
x
2
s1
x
1
s1
x1 = 13/7
x2 = 0
z = 39
x1 = 1
x2 = 3/2
z = 37.5
x1 = 1
x2 = 1
z = 32
x1 = 5/7
x2 = 2
z = 37
x1 = 0
x2 = 13/4
z = 35.75
x1 = 0
x2 = 3
z = 33
P
0
) Relajacin continua
-< z s 39
P
1
) Max 21x
1
+ 11x
2

s.a. 7x
1
+ 4x
2
s 13
x
1
s 1
x
1
> 0
x
2
> 0
P2) Max 21 x
1
+ 11x
2
s.a. 7x
1
+ 4x
2
s 13
x
1
s 1
x
2
s 1
x
1
> 0
x
2
> 0
De donde 32 s z s 39
+
Solucin ptima
x
1
* = 0; x
2
* = 3; z = 33
II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 185
BIBLIOGRFIA EN PROGRAMACIN ENTERA

1) Integer Programming, L.A.Wolsey. John Wiley & Sons,
Inc., New York, 1998.
2) Combinatorial Optimization C.H.Papadimitriou and
K.Steiglitz. Prentice Hall Inc., USA, 1982.
3) Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
4) Integer and Combinatorial Optimization, George L.
Nemhauser and Laurence A. Wolsey. John Wiley & Sons, Inc.,
New York, 1999.
5) Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition
1999.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 186
DIRECCIONES ELECTRNICAS EN PROGRAMACIN ENTERA


Preguntas de consulta frecuente en Programacin Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html

Servidor NEOS, gua de software de Programacin Entera:
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html

Servidor NEOS, ejemplo problema corte de rollos:
http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/cutting/index.html

Gua de software de Programacin Lineal en revista OR&MS Today
(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Entera
Docente: Ing. Nurian Tablas 187
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 188
II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 189
IV.1. Introduccin y ejemplos.

A esta clase de problemas de optimizacin
pertenecen todos aquellos, en los cuales la funcin
objetivo y/o las restricciones son funciones no-
lineales de las variables de decisin.

En particular, la programacin no-lineal provee una
manera de abordar el no cumplimiento del
supuesto de proporcionalidad de la programacin
lineal, permitiendo la programacin de economas
o deseconomas de escala y/o retornos crecientes
o decrecientes a escala.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Docente: Ing. Nurian Tablas 190
IV.1. Introduccin y ejemplos.
a) Rendimientos decrecientes a escala.
Una compaa vende cuatro productos diferentes.
El retorno que provee cada producto es una
funcin de la cantidad de recursos asignados a la
promocin y venta de cada producto, segn la
siguiente tabla:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
PRODUCTO RETORNO (M$)
Producto 1 10.000 x
1
0.50
Producto 2 7.500 x
2
0.75
Producto 3 9.000 x
3
0.60
Producto 4 15.000 x
4
0.30
Docente: Ing. Nurian Tablas 191
IV.1. Introduccin y ejemplos.

En este ejemplo:
x
i
es la cantidad de recursos asignados al producto
i, con i = 1,2,3,4.

El siguiente modelo provee una asignacin de
estos recursos, de modo de maximizar las
utilidades, considerando una inversin anual no
superior a los M$ 75.000.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Docente: Ing. Nurian Tablas 192
IV.1. Introduccin y ejemplos.

Max

10.000 x
1
0.5
+ 7.500 x
2
0.75
+ 9.000 x
3
0.6
+ 15.000 x
4
0.3


s.a:

x
1
+ x
2
+ x
3
+ x
4
s 75.000
x
i
> 0; i = 1, 2, 3, 4, 5.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Docente: Ing. Nurian Tablas 193
IV.1. Introduccin y ejemplos.

b) Aproximacin y ajuste de curvas.
Supongamos que se tiene un conjunto de datos
correspondientes a una determinada funcin
y=g(x) (desconocida), digamos (x
1
,y
1
), (x
2
,y
2
), ..,
(x
m
,y
m
) y se desea aproximar g(x) por una
funcin h(x)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
y
2
y
1
y
m
x
1
x
2
x
m
Docente: Ing. Nurian Tablas 194
IV.1. Introduccin y ejemplos.

Algunas elecciones posibles:

i) h (x) = a
0
+ a
1
x
ii) h (x) = a
0
+ a
1
x + a
2
x
2
iii) h (x) = a
0
+ a
1

iv) h (x) = a
0

v) h (x) = a
0
+ a
1
x + a
2

vi) h (x) = a
0
+ a
1
ln(x)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
2
a
x
x a
1
e
x a
3
e
Docente: Ing. Nurian Tablas 195
IV.1. Introduccin y ejemplos.

Cmo elegir los coeficientes a=(a
0
,...,a
n
)

en la
funcin h(x) que aproxima o ajusta los datos
observados?

Se define una funcin de error: e(x,a) = g(x) h(x)

Una eleccin posible de los coeficientes a
i
resulta
de minimizar la suma ponderada de los errores al
cuadrado en cada uno de los datos , es decir:

Min F(a) = =
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal

=
e
m
1 i
2
i i i
)) x ( h y (

=
e
m
1 i
2
i i
) a , x ( e
Docente: Ing. Nurian Tablas 196
IV.1. Introduccin y ejemplos.

Que da origen a un problema de programacin no-
lineal sin restricciones.
Si escogemos e
1
= ... = e
m
= 1 y h(x) = a
0
+ a
1
x, el
problema corresponde a una regresin lineal.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
y
2
y
1
y
m
x
1
x
2
x
m
h(x)= a
0
+ a
1
x
Docente: Ing. Nurian Tablas 197
IV.1. Introduccin y ejemplos.

Cuya solucin resulta ser:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal

=
|
.
|

\
|
=
m
1 i
i
0
m
y
a
|
|
|
|
.
|

\
|
=

=
=
m
1 i
2
i
i i
m
1 i
1
x
x y
a
Docente: Ing. Nurian Tablas 198
IV.1. Introduccin y ejemplos.

c) Localizacin de instalaciones.
Una compaa petrolera desea construir una
refinera que recibir suministros desde tres
instalaciones portuarias, cuyas coordenadas se
muestran en la siguiente figura:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
30
40
30
80
Puerto B
Puerto C
Puerto A
Docente: Ing. Nurian Tablas 199
IV.1. Introduccin y ejemplos.

Si denotamos por x e y las respectivas
coordenadas de la refinera que se debe instalar,
una posible eleccin es aquella que resulta de
minimizar la cantidad total de tubera necesaria
para conectar la refinera con los puertos, dada
por:

Min f(x,y) =
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
2 2
2 2
2 2
) 30 y ( ) 80 x (
) 40 y ( ) 30 x (
) 0 y ( ) 0 x (
+
+ +
+ +
Docente: Ing. Nurian Tablas 200
IV.1. Introduccin y ejemplos.

La solucin ptima calculada por el solver de Excel
es:

x
*
=30,8052225
y
*
= 37,8900128
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Puerto B
Puerto C
Puerto A
Refinera
Docente: Ing. Nurian Tablas 201
IV.1. Introduccin y ejemplos.

d) Optimizacin de carteras de inversin
Se desea obtener una cartera de inversiones en
base a distintos instrumentos (acciones, pagars,
bonos, etc). La cartera elegida deber reflejar un
compromiso entre los retornos de los instrumentos
elegidos y el riesgo asociado a cada uno de ellos,
de hecho es natural esperar que a mayor retorno
haya un mayor riesgo y tambin que exista cierta
correlacin entre los retornos de los distintos
instrumentos de la cartera.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Docente: Ing. Nurian Tablas 202
IV.1. Introduccin y ejemplos.

A continuacin se formula un modelo para obtener
una cartera de inversin de un tomador de
decisiones con aversin al riesgo, con un vector de
retornos que tiene una distribucin normal con
media: r = (r
1
, r
2
, ..., r
n
)
T
y matriz de
covarianza: Q = (o
ij
) con i = 1, 2, ..., n y j = 1, 2,
..., n donde o
ii
denota la varianza del retorno del
instrumento i y donde o
ij
(i = j) es la covarianza de
los retornos del instrumento i con el j.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Docente: Ing. Nurian Tablas 203
IV.1. Introduccin y ejemplos.

Sea x
i
el porcentaje de inversin del instrumento i
en la cartera, con i = 1, 2, ..., n las variables de
decisin del modelo y sea K una constante de
aversin al riesgo.

El siguiente modelo (propuesto por Markowitz,
Premio Nobel de Economa 1991), combina ambos
elementos presentes en una decisin de esta
naturaleza:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Docente: Ing. Nurian Tablas 204
IV.1. Introduccin y ejemplos.







Usando el servidor Neos para una cartera con tres
acciones seleccionadas del men para este
problema en el servidor y un bono, se tiene:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
n ,..., 2 , 1 1 0 x
1 x : sa
x x K x r Max
i
n
1 i
i
n
1 i
n
1 i
n
1 j
j i ij i i
= >
=
o


=
= = =
Docente: Ing. Nurian Tablas 205
IV.1. Introduccin y ejemplos.

Selected value of K is 10.00
Risk less rate of return (monthly) is 0.00407
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Name Avg Return
(monthly, pet)
Std
Desviation
Pet of optimal
Portfolio
Coca Cola Co 2,885 6,574 48,6
Exxon Corp 1,647 4,939 13,7
Texaco Inc 1,869 6,381 16,6
Bond 0,407 0 21
Docente: Ing. Nurian Tablas 206
IV.1. Introduccin y ejemplos.

Optimal Portfolio Statistics
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin No - lineal
Avg Return (monthly, pet) 2,03
Std Desviation 4,02
Pet of Optimal Potrfolio 27,2
48.6%
13.7%
16.7%
21.0%
Coca Cola
Exxon Corp
Texaco Inc
Bond
Docente: Ing. Nurian Tablas 207
II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 208
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

De manera general, un problema de optimizacin
considera la resolucin de un modelo como el que
sigue:
P) Min f(x)
s.a. x e D _ IR
n

Donde f: IR
n
IR es una funcin, comnmente
continua y diferenciable, y D es el dominio de
factibilidad del problema, generalmente dado por:
D = {x eIR
n
/ g
i
(x) = b
i
i=1,...,m; h
r
(x) sd
r
r =1,...,l}
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 209
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Decimos que x* e D es un mnimo global o
solucin ptima del problema P) ssi:
f(x*) s f(x) para todo x e D

Por otra parte, decimos que x
^
e D es un mnimo
local del problema P) ssi:
f(x
^
) s f(x) para todo x en una vecindad de x
^
(x e D B(x
^
, e))
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 210
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Min f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
s.a: 1 s x s 5
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
f(x) Son mnimos locales x=1,
x
+
y x*, en tanto la
solucin ptima o
minimo global es x*

x
*
x
+
1 2 3 4 5
Docente: Ing. Nurian Tablas 211
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL
f(x,y) = -4x
3
+ 3x - 6y

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 212
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL
f(x,y) = x
2
- 4x - 2y

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 213
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Existen resultados que garantizan la existencia y
unicidad de la solucin de un problema de
programacin no lineal.

Teorema (Weiertrass). Si f es una funcin continua
y D es un conjunto no vaco cerrado y acotado de
IR
n
, entonces P) tiene solucin ptima.

Teorema. Si f es una funcin continua y D es un
conjunto cerrado no vaco y adems f cumple que:
, entonces P) tiene solucin ptima.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

+ =
+
) x ( f lim
| x |
Docente: Ing. Nurian Tablas 214
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Por su parte, la unicidad de la solucin ptima se
puede garantizar slo bajo ciertas condiciones muy
especiales.
De igual modo es posible garantizar si un mnimo
local es un mnimo global del problema.
Para esto se requiere saber si el problema P) es un
problema convexo, esto es si la funcin objetivo
f(x) es convexa y el conjunto D de puntos factibles
es un conjunto convexo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 215
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Definicin. Decimos que f: IR
n
IR es una funcin
convexa ssi:
f(x + (1-)y ) s f(x) + (1-)f(y)
para todo x, y e D (x = y) con e [0, 1]

Si la desigualdad anterior se cumple de manera
estricta, decimos que f es estrictamente convexa.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 216
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x y
f(x)
f(y)
Lineal a trozos
Docente: Ing. Nurian Tablas 217
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Adicionalmente, se tiene el siguiente resultado
Teorema. Si f es una funcin dos veces
continuamente diferenciables, las siguientes
afirmaciones son equivalentes:
i) f es una funcin convexa
ii) f(x) > f(y) + Vf
T
(y)(x-y) para dos puntos
cualesquiera x e y.
iii) La matriz hessiana de las segundas derivadas
parciales de f, denotada en lo que sigue por D
2
f(x),
es semi positiva definida para todo x.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 218
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Por otra parte, tambin podemos caracterizar si un
conjunto cualquiera es convexo o no, de acuerdo a
la siguiente:
Definicin. D _ IR
n
, un conjunto no vaco, es
convexo ssi x + (1-) y e D, para todo x e D,
y e D con e [0,1].
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
y
Es convexo
x
y
No es convexo
Docente: Ing. Nurian Tablas 219
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

As por ejemplo, si h(x) es una funcin convexa el
conjunto D = { x e IR
n
h(x) s d } es convexo para
cualquier escalar real d.
Tambin es posible demostrar que la interseccin
de conjuntos convexos es un conjunto convexo. De
aqu que por ejemplo el problema
P) Min f(x)
s.a h
r
(x) s d
r
r=1,2,...,l
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 220
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Con f(x) y h
r
(x) funciones convexas para r=1,2,..,l
definen un problema convexo, pues el dominio de
factibilidad es la interseccin de los conjuntos
convexos D
r
={ x e IR
n
h
r
(x) s d
r
}, para r=1,2,..,l.
Teorema. Si P) es un problema convexo y x* es un
mnimo local de P) entonces x* es un mnimo
global o solucin ptima de P), si adems, f es una
funcin estrictamente convexa x* es una solucin
ptima nica.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 221
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

La principal dificultad en los problemas de
programacin no lineal es que incluyen restriciones
no lineales de igualdad como g(x) = b y el conjunto
de puntos {xeIR
n
: g(x)=b} generalmente no es
convexo cuando g(x) es una funcin no lineal
cualquiera. Por lo tanto no todos los problemas de
programacin no lineal son convexos y esto hace
ms difcil garantizar que la solucin encontrada
por un solver sea una solucin ptima del
problema.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 222
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Como puede verse en el siguiente ejemplo, que
resolveremos grficamente, la geometra de los
problemas tambin cambia respecto de lo
observado en programacin lineal.
Consideremos el siguiente problema:
Min (x
1
- 3)
2
+ (x
2
- 4)
2
s.a. x
1
+ x
2
s 5
x
1
- x
2
s 5/2
x
1
> 0, x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 223
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 224
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

La solucin ptima x* de este problema se alcanza
el punto x
1
* = 2, x
2
* = 3 correspondiente al nico
punto de la curva de nivel que tiene el menor valor
y que intersecta la regin de puntos factibles.
Notar que la solucin ya no corresponde a un
vrtice del dominio de factibilidad del problema,
an cuando todava esta solucin se alcanza en la
frontera de dicho conjunto.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 225
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Sin embargo, esto ltimo, a diferencia de lo que
ocurre en programacin lineal, no siempre se
produce. Si por ejemplo el problema es ahora:
Min (x
1
- 2)
2
+ (x
2
- 2)
2
s.a x
1
+ x
2
s 5
x
1
- x
2
s 5/2
x
1
> 0, x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 226
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

La solucin cambia a lo representado en la
siguiente figura, donde la solucin ptima se
alcanza en x
1
* = 2, x
2
* = 2, ahora perteneciente al
interior del dominio de factibilidad del problema.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 227
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 228
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.2. Propiedades bsicas de los prob. de prog. NL

Grficamente,
tambin
podemos
observar la
presencia de
divesos mnimos
locales en un
problema no
lineal.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 229
II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 230
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

En esta seccin consideraremos un problema
P) Min f(x) con x e IR
n

A esta clase de problemas pertenece por ejemplo
el problema de aproximacin y ajuste de curvas.
Sin embargo, la principal razn para su estudio
radica en la extensin de las ideas y mtodos para
esta clase de problemas a los problemas de
optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 231
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

A continuacin se resumen algunos resultados
tericos para esta clase de problemas:

Teorema (condiciones necesarias de primer
orden). Si f es una funcin continuamente
diferenciable y x
+
e IR
n
es un mnimo local de P),
entonces: Vf(x
+
) = 0.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 232
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Teorema (condiciones necesarias de segundo
orden). Si f es una funcin dos veces
continuamente diferenciable y x
+
e IR
n
es un
mnimo local de P), entonces:
Vf(x
+
) = 0 y D
2
f(x
+
) es semi positiva definida.

Dado lo anterior, no todos los puntos x e IR
n
que
satisfacen las propiedades mencionadas son
mnimos locales de la funcin, sin embargo existen
resultados que proveen condiciones necesarias y
suficientes para que un punto sea un mnimo local.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 233
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Teorema (condiciones necesarias y suficientes de
segundo orden). Sea f una funcin dos veces
continua diferenciable en x
+
e IR
n
. Si Vf(x
+
) = 0 y
D
2
f(x
+
) es positiva definida, entonces x
+
es un
mnimo local estricto.

Teorema. Sea f una funcin convexa
continuamente diferenciable, entonces x
+
es un
mnimo global ssi Vf(x
+
) = 0.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 234
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Ejemplo. Considere la funcin:
f(x
1
,x
2
) = 3 x
1
2
+ x
2
3
- 3/2 x
2
2
su gradiente y matriz Hessiana corresponden a:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(

= V
2
2
2
1
x 3 x 3
x 6
) x ( f
(

=
3 x 6 0
0 6
) x ( f D
2
2
Docente: Ing. Nurian Tablas 235
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

De modo que hay dos posibles candidatos,
x
+
= (0, 0)
T
y x* = (0, 1)
T
, que satisfacen las
condiciones necesarias de primer orden. Sin
embargo


slo es positiva definida en x* = (0,1), de modo que
x* es un mnimo local del problema.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(

=
3 x 6 0
0 6
) x ( f D
2
2
Docente: Ing. Nurian Tablas 236
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 237
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

La mayor parte de los algoritmos de optimizacin
para abordar esta clase de problemas pertenecen
a la clase de algoritmos generales de descenso
que reducen el clculo de un mnimo local a una
secuencia de problemas de bsqueda lineal (o
bsqueda unidimensional).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 238
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Decimos que un vector d e IR
n
es una direccin de
descenso de la funcin f en el punto x
+
ssi la
derivada direccional de f en x
+
en la direccin d, es
negativa:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

x
1

x
2

Z=10
Z=20
x
+
Vf(x)
-Vf(x)
d
Docente: Ing. Nurian Tablas 239
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Consideremos adems la funcin unidimensional
(en una variable)
g(o) = f(x
+
+ od)
donde o es un escalar real llamado el tamao del
paso. Esta funcin da el valor de la funcin f
cuando uno se mueve a partir del punto x
+
en la
direccin d un cierto paso o.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 240
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Claramente, si g(0) = Vf
T
(x
+
)d < 0, es posible
escoger un paso o tal que:
g(o) = f(x
+
+ od) < f(x
+
) = g(0)
esto es, que reduzca el valor de la funcin respecto
del valor actual en x
+
.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 241
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Algoritmo general de descenso
1) Considere un punto inicial x = x
0
. Hacer k = 0.
2) Escoger una direccin de descenso d
k
.
3) Realizar una bsqueda lineal que seleccione un
paso o
k
tal que: g
k
(o
k
) = f(x
k
+ o
k
d
k
) < f(x
k
) = g
k
(0)
4) Hacer x
k+1
= x
k
+ o
k
d
k
.
5) Hacer un test de convergencia. Si converge
parar. En caso contrario, hacer k=k+1 y volver a 2)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 242
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

En el paso 5), los criterios ms usuales de
convergencia son que se cumpla:
,, Vf(x
k
) ,, < c
|f(x
k+1
) - f(x
k
)|/ (1+| f(x
k
)|) < c
para un cierto nmero L de valores consecutivos
de k, y donde c es una tolerancia de error dada,
por ejemplo c = 10
-4
.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 243
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Existen varios mtodos para escoger una direccin
de descenso, uno de ellos es:

Mtodo del Descenso ms Pronunciado
En este mtodo, tambin conocido como Mtodo
del Gradiente o Mtodo de Cauchy, dado la actual
aproximacin x
k
, la direccin de descenso se
escoge como:
d
k
= -Vf(x
k
)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 244
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Ejemplo.Considerar el problema:

Min (x
1
2)
4
+ (x
1
2x
2
)
2
sa:


que resolvemos usando el mtodo del descenso
ms pronunciado a partir del punto x
1
0
= 0, x
2
0
= 3
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

2
2
1
IR
x
x
e
(

Docente: Ing. Nurian Tablas 245


II. Modelos de Programacin Matemtica
Programacin No - lineal


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 246
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Iteracin k x
k
f(x
k
) Vf(x
k
) o
k

1 (0.00,3.00) 52.00 (-44.00,24.00) 0.062
2 (2.70,1.51) 0.34 (0.73, 1.28) 0.24
3 (2.52,1.20) 0.09 (0.80,-0.48) 0.11
4 (2.43,1.25) 0.04 (0.18, 0.28) 0.31
5 (2.37,1.16) 0.02 (0.30,-0.20) 0.12
6 (2.33,1.18) 0.01 (0.08, 0.12) 0.36
7 (2.30,1.14) 0.009 (0.15,-0.08) 0.13
8 (2.28,1.15) 0.007 (0.05, 0.08)
Docente: Ing. Nurian Tablas 247
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Otra eleccin posible para la direccin de
descenso es la que usa el:

Mtodo de Newton
Aqu el vector d
k
se calcula como la solucin del
siguiente sistema de ecuaciones:
D
2
f(x)d
k
= - Vf(x)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 248
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

Sin embargo, a pesar de ser un mtodo ms
eficiente que el anterior respecto de su rpidez de
convergencia, requiere en cada iteracin, el clculo
de las segundas derivadas parciales y la resolucin
de un sistema de ecuaciones. Adems, d
k
est
garantizada que es una direccin de descenso slo
si D
2
f(x
k
) es positiva definida.

Al aplicar el mtodo al ejemplo anterior se tiene:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 249
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.3. Problemas de optimizacin no restringida.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Iteracin k f(x
k
) Vf(x
k
)
1 (0.00,3.00) 52.00 (-44.00,24.00)
2 (0.67,0.33) 3.13 (-9.39,-0.04)
3 (1.11,0.56) 0.63 (-2.84,-0.04)
4 (1.41,0.70) 0.12 (-0.80,-0.04)
5 (1.61,0.80) 0.02

6 (1.74,0.87) 0.05
8 (1.83,0.91) 0.0009
(-0.22,-0.04)
(-0.07, 0.00)
(-0.0003,-0.04)
Docente: Ing. Nurian Tablas 250
II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 251
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

El problema que se desea abordar consiste en:

P) Min f(x)
s.a. g
1
(x) = b
1

g
2
(x) = b
2

g
m
(x) = b
n
msn
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 252
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

Definicin. Decimos que x e IR
n
es un punto
regular de las restricciones del problema P) ssi:

g
i
(x) = b
i
i = 1, 2, ..., m

Vg
1
(x), Vg
2
(x), ..., Vg
m
(x) son vectores l.i.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 253
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

Para presentar algunos resultados tericos, que
permiten el clculo de mnimos locales, se
introdujo la definicin anterior, que se relaciona con
el cumplimiento de ciertas condiciones de
regularidad del problema.

A continuacin, introducimos la funcin
Lagrangiana asociada a P):
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
+ =
m
1 i
i i i
) b ) x ( g ( ) x ( f ) , x ( L
Docente: Ing. Nurian Tablas 254
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

donde = (
1
,
2
, ...,
m
)
T
representa el vector de
los Multiplicadores de Lagrange.

Los siguientes resultados tericos establecen
ciertas propiedades que satisface un mnimo local,
las cuales muestran, en particular, que dicho punto
es un punto estacionario de la funcin
lagrangeana.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 255
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

Teorema. (Condiciones necesarias de primer
orden):
Sean f(x) y g
1
(x),g
2
(x),...,g
m
(x) funciones
continuamente diferenciales y sea x
^
un mnimo
local que adems es un punto regular de las
restricciones de P), entonces existe un vector

^
e

IR
m
, de multiplicadores de Lagrange tales que:



G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
= V + V = V
m
1 i
^
i
^
i
^ ^ ^
x
0 ) x ( g ) x ( f ) , x ( L
Docente: Ing. Nurian Tablas 256
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

Teorema (Condiciones necesarias y suficientes de
segundo orden).
Sean f, g
1
,g
2
, ..., g
m
funciones dos veces
continuamente diferenciables y sea x
^
e IR
n
un
punto regular de las restricciones de P) que junto
con
^
e IR
m
, satisfacen:




y que

es una matriz positiva definida entonces x
^
es un
mnimo local de P).
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
= V + V = V
m
1 i
^
i
^
i
^ ^ ^
x
0 ) x ( g ) x ( f ) , x ( L

=
+
m
1 i
^
i
2 ^
i
^ 2
) x ( g D ) x ( f D
Docente: Ing. Nurian Tablas 257
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

Ejemplo:




Buscamos la solucin ptima usando las
condiciones de optimalidad:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

2
2
1
2 1
2
2
2
1
IR
x
x
4 x x : sa
x x Min
e
(

= +
+
Docente: Ing. Nurian Tablas 258
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(

=
(

= V
= + =
0 0
0 0
) x ( h D
0 0
0 0
) x ( h
4 x x ) x ( h
2
1
2 1 1
(

=
= V
= + =
2 0
0 2
) x ( f D
) x 2 , x 2 ( ) x ( f
1 m ; x x ) x ( f
2
T
2 1
2
2
2
1
Docente: Ing. Nurian Tablas 259
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

Luego las condiciones de primer orden son:

2x
1
+
1
= 0
2x
2
+
1
= 0
x
1
+ x
2
- 4 = 0 ( Factibilidad)

Resolviendo el sistema: x
1
= x
2
= 2;
1
= -4, luego
por existencia de la solucin ptima de P) se tiene
que la solucin ptima es :
x
1
=2 , x
2
=2
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 260
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.4. Problemas con restricciones de igualdad.

De todos modos las condiciones de segundo orden
se cumplen pues:



es positiva definida.
Notar que en x* se tiene:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

| | | |
T T
m
1 i
*
i
*
i
*
1 1 4 4 4
) x ( h ) x ( f
=
V = V

=
(

=
(

+
(

2 0
0 2
0 0
0 0
2 0
0 2
1
Docente: Ing. Nurian Tablas 261
II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 262
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.5. Prob. con rest. de igualdad y desigualdad.

Por ltimo consideramos un problema ms general
de optimizacin:
P) Min f(x)
s.a. g
i
(x) = b
i
i = 1, 2, ..., m
h
r
(x) = d
r
r = 1, 2, ..., l

En este caso decimos que x
^
es un punto regular
de las restricciones del problema ssi:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 263
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.5. Prob. con rest. de igualdad y desigualdad.

g
i
(x
^
) = b
i
; i = 1, 2, ..., m

h
r
(x
^
) s d
r
; r = 1, 2, ..., l

Vg
1
(x
^
), Vg
2
(x
^
), ..., Vg
m
(x
^
), Vh
j
(x
^
) vectores l.i.

con j e { r / h
r
(x
^
) = d
r
}
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 264
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.5. Prob. con rest. de igualdad y desigualdad.

Teorema (condiciones necesarias de primer orden
de Karush-Kuhn-Tucker (KKT)).
Suponga que las funciones f, g
1
, ..., g
m
, h
1
, ..., h
l

son continuamente diferenciables. Sea x
^
un
punto regular de P) y mnimo local del problema,
entonces existen multiplicadores de lagrange:
1
,
2
, ...,
m
y
1
,
2
, ...,
l
> 0 :
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

l ..., , 2 , 1 r ; 0 ) d ) x ( h (
0 ) x ( h ) x ( g ) x ( f
r
^
r r
l
1 r
^
r r
m
1 i
^
i
i
^
= =
= V + V + V

= =
Docente: Ing. Nurian Tablas 265
II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 266
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

a) Mtodo de activacin de restricciones
Este mtodo se aplica en esta descripcin a
problemas que slo poseen restricciones de
desigualdad.
La idea es que si el problema no restringido tiene
una solucin ptima que no satisface una parte de
las restricciones, se considera k restricciones como
de igualdad y se resuelve este problema
restringido hasta llegar a un conjunto de
restricciones activas cuya solucin tambin
satisface las restricciones omitidas. G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 267
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Paso1: Resuelva el problema no restringido. Si el
ptimo satisface todas las restricciones parar, en
caso contrario, hacer k=1 e ir al paso 2.
Paso 2: Activar cualquiera de las k restricciones y
hallar una solucin que satisfaga las condiciones
de optimalidad KKT. Si la solucin resulta factible
para las restantes restricciones parar. Sino, active
otro conjunto de k restricciones y repita el paso. Si
se han tomado todos los conjuntos de k
restricciones sin hallar solucin factible ir al paso 3.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 268
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Paso 3: Si k = L (# total de restricciones) no existe
solucin factible. En caso contrario, hacer k= k+1 e
ir a paso 2.

Ejemplo. Consideremos el problema:
Min (2x
1
5)
2
+ (2x
2
1)
2
s.a. x
1
+ 2x
2
s 2
x
1
, x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 269
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

El problema no restringido tiene como solucin a

x
1
* = 5/2 y x
2
* =

obtenida al resolver: Vf(x) = 0

Claramente, este punto no satisface la restriccin:
h
1
(x
1
,x
2
) = x
1
+ 2x
2
s 2.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 270
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Consideramos entonces activa la restriccin lineal,
esto es resolvemos:
Vf(x
1
, x
2
) +
1
Vh
1
(x
1
, x
2
) = 0
h
1
(x
1
, x
2
) = 2

Cuya solucin optima es:
x
1
^
= 22/10 = 11/5
x
2
^
= -1/10

1
^
= -12/5 que no satisface x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 271
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Continuando con el mtodo, si slo se activa x
1
= 0
se llega al mnimo local:
x
1
= 0, x
2
=
2
= 0,
1
= 0,
3
= 0

Notar que otro mnimo local se tiene con
x
1
+ 2x
2
s 2 y x
2
= 0 activas, obtenindose:
x
1
= 2, x
2
= 0.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 272
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

b) Mtodo de Frank Wolfe.
Este mtodo permite la resolucin de un problema
cuya funcin objetivo es una funcin convexa no-
lineal y cuyas restricciones son todas lineales. Este
mtodo reemplaza la funcin objetivo por una
secuencia de funciones lineales que la aproximan,
dando as origen a una secuencia de problemas de
programacin lineal.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 273
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Si x
k
es la actual aproximacin a la solucin ptima
del problema
P) Min f(x)
s.a. Ax = b
x > 0

Entonces la expansin en serie de Taylor en torno
a x =x
k
, a saber f(x) = f(x
k
) + Vf(x
k
)(x x
k
), permite
aproximar el problema P) por el problema lineal:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 274
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Min f(x
k
) + Vf(x
k
)(x x
k
)
s.a. Ax = b
x > 0
o equivalentemente, eliminando los trminos
constantes, se puede considerar el problema:
PL
k
) Min Vf(x
k
)x
s.a. Ax = b
x > 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 275
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Si x
PL
k
denota la solucin ptima de PL
k
), este
punto no necesariamente es cercano a x
k
de modo
que es necesario proponer un punto que resulte de
hacer una minimizacin unidimensional en el
segmento que une x
k
con x
PL
k
.

Todo lo anterior se resume en el siguiente
algoritmo:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 276
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Pao 0: Escoger un punto inicial factible x
0
. Hacer
k = 1.
Paso 1: Evaluar c= Vf(x
k-1
)
Paso 2: Hallar la solucin ptima x
PL
k
del siguiente
problema lineal
Min c
T
x
s.a. Ax = b
x > 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 277
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Paso 3: Para la variable o e [0, 1], se define
g(o) = f(x
k-1
+ o [x
PL
k
x
k-1
])
Usar algn procedimiento de minimizacin
unidimensional para hallar un o
k
que aproxime la
solucin de Min { g(o) / o e [0, 1]}
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 278
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Paso 4: Hacer x
k
= x
k-1
+ o
k
(x
PL
K
x
k-1
)
Paso 5: Si se satisface el criterio de parada del
mtodo, parar. En caso contrario, hacer k = k + 1 y
volver al Paso 1.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 279
II. Modelos de Programacin Matemtica
Programacin No - lineal
IV.6. Mtodos de optimizacin restringida.

Ejemplo.
Min x
1
2
5x
1
+ 2x
2
2
8x
2
sa: 3x
1
+ 2x
2
s 6
x
1
, x
2
> 0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Iteracin k x
k-1
V f(x
k-1
) x
LP
k
x
k
o
k
1 (0, 0) (-5, -8) (0, 3) (0, 2) 2/3
2 (0, 2) (-5, 0) (2, 0) (5/6, 7/6) 5/12
Docente: Ing. Nurian Tablas 280
II. Modelos de Programacin Matemtica
Programacin No - lineal
BIBLIOGRFIA EN PROGRAMACIN NO LINEAL

1. Nonlinear Programming, M.Bazaraa, H.Sherali and C.Shetty.
John Wiley & Sons, Inc., New York, Second Edition 1993.
2. Nonlinear Programming, D.Bertsekas. Athena Scientific USA,
1995.
3. Numerical Methods for Unconstrained Optimization and
Nonlinear Equations, J.Dennis and R.Schnabel. SIAM Classics in
Applied Mathematics 16. SIAM Publications, Philadelphia, 1996.
4. Practical Methods of Optimization, R.Fletcher. John Wiley &
Sons, Inc., 1981.
5. Introduccin a la Programacin Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana 1989.
6. Mathematical Programming: Theory and Algorithms, M.Minoux.
John Wiley & Sons, Inc., New York, 1986
7. Optimization Software Guide, J.Mor and S.Wright, SIAM
Frontiers in Applied Mathematics 14, SIAM Publications,
Philadelphia 1993.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 281
II. Modelos de Programacin Matemtica
Programacin No - lineal
DIRECCIONES ELECTRNICAS EN PROGRAMACIN NO
LINEAL


Preguntas de consulta frecuente en Programacin No Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/nonlinear-programming-faq.html

Servidor NEOS, gua de software de Programacin No Lineal :
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/unconstropt.html
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/constropt.html

Servidor NEOS, ejemplo problema de carteras de inversin:
http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/port/index.html

Gua de software de Programacin No Lineal en revista OR&MS Today
(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 282
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 283
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de Markov
Temario:

V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 284
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de Markov
V.1. Introduccin.

Un Proceso Estocstico se define como secuencia
de variables aleatorias {X
t
}
teT
, donde el conjunto
de ndices T puede ser un conjunto discreto, por
ejemplo T = {0,1,2,3,...}, caso en el cual decimos
que el proceso es tiempo discreto o bien T puede
ser un intervalo, por ejemplo T= [0,), caso en el
cual decimos que el proceso es en tiempo
continuo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 285
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de Markov
V.1. Introduccin.

El proceso estocstico {X
t
}
teT
puede representar
por ejemplo:
El nmero de vehculos esperando en una plaza
de peaje en el instante t.
El nmero total de llamadas recibidas solicitando
un determinado servicio hasta el instante t.
El nmero de mquinas descompuestas o en
reparacin en un determinado taller en el instante
t.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 286
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de Markov
V.1. Introduccin.

El nivel de inventario de cierto producto al final
del da t.
El valor de una determinada accin en el instante
t.
Por ejemplo, la evolucin del nmero de
compradores en una tienda al ser abierta al
pblico, entre las 8:00 y 9:40 de la maana (100
minutos) puede ser representada por un proceso
estocstico y una posible realizacin de ste se
observa en la siguiente grfica:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 287
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de Markov
V.1. Introduccin.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Nmero
de
compradores
en el
sistema
Tiempo (en minutos)
1
2
3
4
0
20 40 60 80 100
Docente: Ing. Nurian Tablas 288
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:

V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 289
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

En primer lugar, definimos un proceso estocstico
de conteo {N
t
}
t>0
, que corresponde al nmero total
de eventos o llegada de entidades, a un sistema
dado, ocurridas hasta el instante t, el cual
satisface:
i) N
0
=0.
ii) Los valores de N
t
estn restringidos a nmeros
enteros.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 290
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

iii) N
t
es un proceso no decreciente en el tiempo,
es decir si s < t entonces N
s
s N
t

iv) Si s < t entonces N
t
N
s
es el nmero total de
eventos en el intervalo (s,t]

Si por ejemplo, N
t
denota el nmero total de
llamadas recibidas en una central telefnica hasta
el instante t, para todo t > 0, una realizacin
posible del proceso estocstico {N
t
}
t>0
puede ser:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 291
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Nmero
de
llamadas
Tiempo
1
2
3
4
0
5
6
N
t

Docente: Ing. Nurian Tablas 292
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Un proceso estocstico de conteo {N
t
}
t>0
se dice
un proceso de Poisson ssi satisface las siguientes
propiedades:

i) Incrementos estacionarios. La probabilidad de
que ocurra exactamente k eventos en el intervalo
(s,s+h] depende slo del tiempo de duracin h y
no del instante s, es decir, si t
1
>0, t
2
>0 y h>0
entonces N
t1+h
N
t1
y N
t2+h
N
t2
son v.a. con igual
distribucin.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 293
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

ii) Incrementos Independientes. El nmero de
eventos que ocurren durante intervalos de tiempo
disjuntos son independientes. Es decir, si
0<t
0
<t
1
<...<t
n
entonces N
t0
, N
t1
-N
t0
, ..., N
tn
-N
t(n-1)

son v.a. Independientes.

iii) Propiedad de orden. Se asume que no tiene
lugar de manera simultnea la llegada u ocurrencia
de dos o ms eventos.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 294
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Existe una constante > 0 tal que para todo
t e[0,[ y h > 0, se tiene:
IP(N
t+h
N
t
=1) = h +o(h)
IP(N
t+h
- N
t
> 2) = o(h)
Si {N
t
}
t>0
es un proceso de Poisson, entonces para
todo t > 0, la variable aleatoria N
t
es una variable
aleatoria Poisson de parmetro t, esto es
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 295
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

IP(N
t
= k) = -e
t
(t)
k
/ k! ; k= 0,1,2,3,...,
donde es la tasa de ocurrencia de eventos por
unidad de tiempo. De aqu entonces que
IE (N
t
) = t
Var(N
t
) = t
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 296
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Ejemplo. Para un proceso de Poisson a tasa , se
sabe que entre 0 y t han ocurrido n eventos. Hallar
la probabilidad de que en un subintervalo de
longitud h haya ocurrido exactamente k de esos
eventos.
Sea {N
t
}
t>0
dicho proceso, entonces
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 297
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

IP(N
h
=k / N
t
=n)
= IP(N
h
=k, N
t
=n) / IP(N
t
=n)
= IP(N
h
=k, N
t
N
h
= n - k) / IP(N
t
=n)
= IP(N
h
=k)IP(N
t
N
h
= n - k) / IP(N
t
=n)
= IP(N
h
=k)IP(N
t-h
= n - k) / IP(N
t
=n)
= e
-h
(h)
k
/ k! e
-(t-h)
((t-h))
n-k
/ (n-k)! /
e
-t
(t)
n
/ n!
=
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

k n k
t
h t
t
h
k
h

|
.
|

\
|

|
.
|

\
|
|
.
|

\
|
Docente: Ing. Nurian Tablas 298
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Ejemplo.
Suponga que llegan pasajeros a un terminal de
buses de acuerdo a un proceso de Poisson {N
t
}
t>0

a tasa =3 pas./min. En el instante t=0 acaba de
salir un bus y no deja ningn pasajero en la fila,
suponga adems que cada bus tiene una
capacidad suficiente para no dejar pasajeros
esperando en el terminal.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 299
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Sea T el tiempo que transcurre hasta la prxima
salida de un bus, este corresponde a una v.a.
uniforme en el intervalo (9 min, 11 min) y es
independiente del proceso {N
t
}
t>0
. Se desea
calcular el nmero esperado de pasajeros que
aborda cada bus.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 300
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Solucin
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

30
dt t 3
2
1
dt
2
1
) N ( IE
dt
9 11
1
) t T / Y ( IE ) n Y ( IE
11
9
11
9
t
11
9
=
=
=

= = =
}
}
}
Docente: Ing. Nurian Tablas 301
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Interesa estudiar sistemas en los cuales ocurren
determinados eventos a travs del tiempo. Hemos
utilizado un proceso de Poisson {N
t
}
t>0
para el
nmero de eventos que ocurran hasta un instante
t, asociado a este proceso tambin existen v.a.
continuas T
1
, T
2
,..., T
i
, ... que indican el instante de
ocurrencia del i-simo evento y v.a. continuas
S
1
= T
1
, S
2
= T
2
- T
1
, ... que representan el tiempo
transcurrido entre eventos sucesivos.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 302
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Nmero
de
eventos
Tiempo
1
2
3
4
0
5
6
N
t

T
1

T
2
T
3
T
4
T
5

S
1
S
2
S
3
S
4
S
5

Docente: Ing. Nurian Tablas 303
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Teorema. Si {N
t
}
t>0
es un proceso de Poisson a
tasa , las v.a. S
1
, S
2
, S
3
, ... de los tiempos entre
eventos sucesivos, son i.i.d. con distribucin
exponencial de parmetro . Es decir, para t>0

F(t) = IP (S
i
s t) = 1 e
-t
f(t) = e
-t


son sus respectivas funciones de distribucin y
densidad.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 304
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Ejemplo.
Sea {N
t
}
t>0
un proceso de Poisson a tasa , que
cuenta el nmero de veces que se ha
reemplazado una ampolleta en una lmpara
determinada. Si la primera ampolleta lleva s horas
funcionando, calcular la probabilidad de que
complete ms de s + t horas funcionando.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 305
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Denotamos por T
1
la v.a. correspondiente al
tiempo transcurrido hasta que se produce el primer
reemplazo. Entonces T
1
~ Exp(), luego
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) t T ( IP e
e
e
) s T ( IP
) t s T ( IP
) s T / t s T ( IP
1
s
t
) t s (
1
1
1 1
> = = =
>
+ >
= > + >


+
Docente: Ing. Nurian Tablas 306
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Lo anterior quiere decir que el funcionamiento de
la ampolleta durante las siguientes t horas no
depende de cuantas horas lleva funcionando, esta
propiedad es conocida como la falta de memoria
de la distribucin exponencial.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 307
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Ejemplo.
Suponga que en un proceso productivo se tiene
dos mquinas que trabajan en paralelo elaborando
un mismo producto. Sean N
t
1
y N
t
2
procesos de
Poisson independientes a tasas
1
y

2
que
cuentan el nmero de fallas hasta el instante t de
la mquina 1 y 2 respectivamente. Calcular la
probabilidad de que la mquina 2 falle por primera
vez antes de que la mquina 1 falle por primera
vez.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 308
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Sean T
1
y T
2
los tiempos transcurridos hasta que
se produce la primera falla en la mquina 1 y 2
respectivamente.
Entonces, T
1
~ Exp(
1
) y T
2
~ Exp (
2
) y se pide
calcular IP(T
2
<T
1
) lo cual resulta, condicionando
por ejemplo en el valor de T
1
,

IP (T
2
<T
1
) =
2
/(
1
+
2
)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 309
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Condicionando el valor de T
1
se tiene:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) /(
) /( 1
dt e 1
dt e ) e 1 ( IP
dt e ) t T ( IP
dt e ) t T T ( IP ) T T ( IP
2 1 2
2 1 1
t ) (
1
t
1
t
t
1
2
1
1 2 1 2
2 1
1 2
1
1
+ =
+ =
=
=
s =
= s = s
}
}
}
}
+



Docente: Ing. Nurian Tablas 310
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Por otra parte, las variables aleatorias T
1
,T
2
,..., de
los instantes de ocurrencia de los eventos
satisfacen:
T
1
= S
1
~ Exp ()
T
2
= S
1
+ S
2
~ Gamma (2,)

T
i
= S
1
+ S
2
+ ... + S
i
~ Gamma (n,)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

.
.
.

Docente: Ing. Nurian Tablas 311
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.2. Proceso de Poisson.

Cuya funcin de distribucin corresponde a:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=


= s
1 n
0 k
k
t
i
! k
) t (
e 1 ) t T ( IP
Docente: Ing. Nurian Tablas 312
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:

V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 313
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Consideremos un ejemplo simplificado relacionado
con la propagacin de una enfermedad
contagiosa. La transmisin de la enfermedad se
produce desde un individuo infectado a uno
susceptible. Consideremos periodos semanales.
Sea p la probabilidad de que durante una semana
cualquiera un individuo infectado le transmita la
enfermedad a uno susceptible. Asuma que una
vez que una persona ha sido infectada queda
inmune, una vez que ha sido tratada.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 314
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Sea X
n
el nmero de individuos susceptibles de
contagio en la poblacin, al final de la semana
n=1,2,...
Se define , como la
probabilidad de que haya j individuos susceptibles
al final de la semana n+1 dado que hay
exactamente i individuos susceptibles al final de la
semana n (i > j ).
Entonces:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) i X / j X ( IP p
n 1 n ij
= = =
+
j j i
ij
) p 1 ( p
j
i
p |
.
|

\
|
=

Docente: Ing. Nurian Tablas 315
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Un proceso estocstico en tiempo discreto
{X
n
}
n=1,2,....
se denomina una Cadena de Markov
en tiempo discreto ssi satisface las siguientes
propiedades:
i) Propiedad Markoviana:



Donde i
0
, i
1
, ..., i
n-1
, i, j son posibles estados o
valores que puede tomar el proceso estocstico en
las distintas etapas.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) i X / j X ( IP
) i X , i X ,..., i X , i X / j X ( IP
n 1 n
n 1 n 1 n 1 1 0 0 1 n
= = =
= = = = =
+
+
Docente: Ing. Nurian Tablas 316
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

ii) Propiedad estacionaria:
La probabilidad , no
depende de la etapa n.
Las probabilidades p
ij
son llamadas
probabilidades de transicin en una etapa del
estado i al estado j . Suponiendo que cada etapa
n la v.a. X
n
toma un nmero finito de valores
(estados), digamos 1,2,... M; estas probabilidades
definen una matriz P de probabilidades de
transicin en una etapa.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) i X / j X ( IP p
n 1 n ij
= = =
+
Docente: Ing. Nurian Tablas 317
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(
(
(
(





= =

=
=
MM 2 M 1 M
M ) 1 M ( 2 ) 1 M ( 1 ) 1 M (
M 2 22 21
M 1 12 11
M ... 1 j
M ... 1 i ij
p p p
p p p
p p p
p p p
) p ( P
Docente: Ing. Nurian Tablas 318
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Adicionalmente, se supone conocida la
distribucin de probabilidad de la Cadena de
Markov en la etapa inicial, que denotamos segn
f
0
, donde :
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(
(

=
=
=
=
) M X ( IP
) 2 X ( IP
) 1 X ( IP
f
0
0
0
0
Docente: Ing. Nurian Tablas 319
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

El conocimiento del proceso estocstico
{X
n
}
n=0,1,2,...
consiste en poder determinar la
distribucin de probabilidad en cada etapa,
esto es calcular IP (X
n
= j) para cada n > 1 y
estado j= 1,2,.....,M.
Notar que para cada j:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

= =
= = = = =


i
1 n ij
1 n
i
1 n n n
) i X ( IP p
) i X ( IP ) i X / j X ( IP ) j X ( IP
Docente: Ing. Nurian Tablas 320
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Matricialmente esto equivale a tener:







De manera recursiva se tiene entonces:

f
n
= P
T
f
n-1
= (P
T
)
n
f
0
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(
(
(
(

=
=
=
(
(
(
(
(
(




=
(
(
(
(
(
(

=
=
=
=

) M X ( IP
) 2 X ( IP
) 1 X ( IP
p p p
p p p
p p p
) M X ( IP
) 2 X ( IP
) 1 X ( IP
f
1 n
1 n
1 n
MM M 2 M 1
2 M 22 12
1 M 21 11
n
n
n
n
Docente: Ing. Nurian Tablas 321
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Tambin es posible obtener las probabilidades de
transicin de un estado a otro al cabo de k etapas,
que denotamos por :


Que resumidas en una matriz ( para el caso de un
nmero finito de estados).


Estas satisfacen las ecuaciones de Chapman y
Kolmogorov que implican: P
(k)
= P
k
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) i X / j X ( IP ) i X / j X ( IP p
0 k n k n
) k (
ij
= = = = = =
+
) p ( P
) k (
ij
) k (
=
Docente: Ing. Nurian Tablas 322
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Ejemplo 1.
Considere una tienda que mantiene un inventario
de un producto dado para satisfacer una demanda
(aleatoria). La demanda diaria D, tiene la siguiente
distribucin:
IP (D = 0) = 1/4, IP (D = 1) = 1/2,
IP (D = 2) = 1/4, IP (D >= 3) = 0
Sea X
n
el nivel de inventario al inicio del da n y
suponga que la tienda tiene la poltica de
mantencin de inventario (s, S), que consiste en
que si al final del da se posee menos de s, se
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 323
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

hace una orden de pedido que al inicio del da
siguiente eleva las existencias al nivel S y en caso
contrario, no se pide nada. Asuma que la
demanda no satisfecha es demanda perdida y que
al inicio del horizonte de planificacin hay S
unidades en inventario con s = 1 y S = 2.

Se tiene que:
X
n
e {1, 2} ; n = 0, 1, 2, ...
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 324
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

2 / 1 ) 2 D ( IP ) 0 D ( IP p
2 / 1 ) 1 D ( IP p
4 / 3 ) 1 D ( IP p
4 / 1 ) 0 D ( IP p
} 2 , 1 { j , i ; ) i X / j X ( IP p
1
0
) 2 x ( IP
) 1 x ( IP
f
22
21
12
11
n 1 n j , i
0
0
0
= > + = =
= = =
= > =
= = =
e = = =
(

=
(

=
=
=
+
Docente: Ing. Nurian Tablas 325
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Entonces la matriz de probabilidades de transicin
en una etapa corresponde a:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(

=
2 / 1 2 / 1
4 / 3 4 / 1
P
Docente: Ing. Nurian Tablas 326
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Ejemplo 2.
Suponga que en el sistema de las AFP existen
solo 2; las AFP A y las AFP B. Sea N el nmero
de personas afiliadas al sistema; la
superintendencia est preocupada de que las
cuentas individuales estn al da. Para ello ha
establecido un sistema de control basado en el
siguiente procedimiento: al final de cada mes
escoge una persona al azar de los N existentes en
el sistema.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 327
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Si la AFP a la cual pertenece la persona no tiene
su cuenta individual al da; la persona es
traspasada de inmediato a la otra AFP, en caso
contrario la deja en la AFP en la que estaba.
Suponga que la probabilidad de que un afiliado en
la AFP A tenga su cuenta al da es P
1
y que esta
probabilidad para la AFP B es P
2
.
Se desea estudiar la movilidad de los clientes en
cada AFP en cada mes del horizonte de
planificacin.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 328
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.

Se tiene:

X
n
: el nmero de personas en la AFP A al final del
mes n; con n = 0, 1, 2, ..., n
x
n
e {0, 1, 2, ..., N}

Calculemos las probabilidades de transicin en
una etapa (mes)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 329
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.3. Cadenas de Markov en tiempo discreto.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

1 i , i , 1 i j ; 0 p
) P 1 (
N
) i N (
p
P
N
) i N (
P
N
i
p
1 N i 1 ; ) P 1 (
N
i
p
ij
2 1 i , i
2 1 i , i
1 1 i , i
+ = =

+ =
s s =
+

N , 1 N j 0 p P p P 1 p
1 , 0 j 0 p ) P 1 ( p P p
Nj 1 N , N 1 1 N , N
j , 0 2 1 , 0 2 0 , 0
= = = =
= = = =

Docente: Ing. Nurian Tablas 330


III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:

V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 331
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

En esta seccin se presentan algunos resultados
que tienen relacin con la existencia y clculo de
una distribucin para la Cadena de Markov en el
largo plazo. Previamente, se enumeran algunas
definiciones que clasifican los estados de una
cadena:
i) Un estado j se dice accesible desde el estado i
ssi para algn n
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

0 ) i X / j X ( IP p
0 n
) n (
ij
> = = =
Docente: Ing. Nurian Tablas 332
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

ii) Si tanto el estado i es accesible desde j como
viceversa decimos que los estados i y j se
comunican.

iii) Dos estados que se comunican estn en una
misma clase de estados.

iv) Se dice que una cadena es irreducible si hay
una sola clase de estados.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 333
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

v) Un estado se dice que tiene periodo d, para el
mayor valor del entero d que cumple:



slo para valores de n pertenecientes al conjunto
{d, 2d, 3d, ....}. Si d=1 decimos que el estado es
aperidico.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

0 ) i X / i X ( IP p
0 n
) n (
ii
> = = =
Docente: Ing. Nurian Tablas 334
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

vi) Se define T(i,j) como el nmero de etapas
requeridas por el proceso para pasar de estado i al
estado j por primera vez. De igual modo se define:


es decir :


como la probabilidad de que comenzando en i,
ocurra la primera transicin al estado j al cabo de
exactamente k etapas.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) k ) j , i ( T ( IP ) j , i ( F
k
= =
) i X / j X ,..., j X , j X ( IP ) j , i ( F
0 1 1 k k k
= = = = =

Docente: Ing. Nurian Tablas 335
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Puede probarse por induccin, la siguiente formula:



vii) En particular, se denota por F
k
(i,i) la
probabilidad de que el proceso retorne al estado i
por primera vez al cabo de k etapas. De modo que:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

ij 1
p ) j , i ( F =
1 k ), j , m ( F p ) j , i ( F
j m
1 k im k
> = =

=

=
=
1 k
k
) i , i ( F ) i , i ( F
Docente: Ing. Nurian Tablas 336
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

que es la probabilidad que partiendo en i , el
proceso regrese al estado i alguna vez.

viii) Un estado se dice recurrente ssi F(i,i) = 1

ix) Un estado se dice transciente ssi F(i,i)< 1

x) Sea , el valor esperado
de el nmero de etapas que le toma al proceso
volver al estado i por primera vez, partiendo del
estado i.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

=
=
1 k
k
) i , i ( F k )) i , i ( T ( IE
Docente: Ing. Nurian Tablas 337
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Un estado se dice recurrente positivo ssi:



Un estado se dice recurrente nulo ssi :
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

+ < = )) i , i ( T ( IE y 1 ) i , i ( F
+ = = )) i , i ( T ( IE y 1 ) i , i ( F
Docente: Ing. Nurian Tablas 338
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Ejemplo
Define una cadena
de estados irreducible
con estados recurrente
positivos peridicos

Posee dos clases
de estados y uno de
los estados es
transciente.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(

=
3 / 1 3 / 1 3 / 1
3 / 2 3 / 1 0
0 2 / 1 2 / 1
p
(
(
(

=
5 / 1 5 / 3 5 / 1
3 / 1 6 / 1 2 / 1
0 2 / 1 1
p
Docente: Ing. Nurian Tablas 339
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Es una cadena
irreducible, de
estados recurrentes
positivos y todos
sus estados son
peridicos de
periodo d=2.

G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(
(

=
0 0 0 1
1 0 0 0
0 2 / 1 0 2 / 1
0 0 1 0
p
Docente: Ing. Nurian Tablas 340
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Si la distribucin de probabilidad del proceso en el
largo plazo existe y es independiente de la
distribucin inicial (o del estado inicial), decimos
que el proceso tiene una distribucin estacionaria
t = (t
1
, t
2
, ..., t
M
)
T
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) n (
ij
n
n
n
j
p lim ) j X ( IP lim

= = = t
Docente: Ing. Nurian Tablas 341
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Proposicin.
Sea {X
n
}
n=0,1,2
una cadena de Markov irreducible
con estados recurrentes positivos aperidicos,
entonces existe una distribucin estacionaria t, tal
que t > 0 y que se obtiene como la solucin nica
del sistema:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

0
1
P
j
j
j
T
> t
= t
t = t

Docente: Ing. Nurian Tablas 342


III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Ejemplo. Se desea calcular las probabilidades
estacionaria t
j
, que tambin representan la
fraccin del tiempo que el sistema esta en el
estado j en el largo plazo
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(

=
3 / 1 3 / 1 3 / 1
3 / 2 3 / 1 0
0 2 / 1 2 / 1
p
1
P
3 2 1
T
= t + t + t
t = t
1
2
3
1/2
1/2
1/3
1/3
1/3
1/3
2/3
Docente: Ing. Nurian Tablas 343
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Sistema que corresponde a las siguientes
ecuaciones:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

1 ) 4 (
3
1
3
2
) 3 (
3
1
3
1
2
1
) 2 (
3
1
2
1
) 1 (
3 2 1
3 2 3
3 2 1 2
3 1 1
= t + t + t
t + t = t
t + t + t = t
t + t = t
Docente: Ing. Nurian Tablas 344
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.


G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

8
3
4
1
Solucin
1
3
2
as
) 2 ( de
3
2
) 1 ( de
3 2 1
3 3 3
3 2
3 1
= t = t = t
= t + t + t
t = t
t = t
Docente: Ing. Nurian Tablas 345
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Ejemplo:
Una compaa esta considerando emplear
cadenas de markov para analizar los cambios en
las preferencias de los usuarios por tres marcas
distintas de un determinado producto. El estudio ha
arrojado la siguiente estimacin de la matriz de
probabilidades de cambiarse de una marca a otra
cada mes:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

1 2 3
1 0.8 0.1 0.1
2 0.03 0.95 0.02
3 0.2 0.05 0.75 Docente: Ing. Nurian Tablas 346
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

En la actualidad los porcentajes de mercado son
45%, 25% y 30%, respectivamente.
Cuales sern los porcentajes de mercado de
cada marca en dos meses ms?
x
n
e{1,2,3}: marca que adquiere un cliente
cualquiera en el mes n=0,1,2,3,...
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(

=
(
(
(

= =
= =
= =
=
75 . 0 05 . 0 2 . 0
02 . 0 95 . 0 03 . 0
1 . 0 1 . 0 8 . 0
P
30 . 0 ) 3 X ( IP
25 . 0 ) 2 X ( IP
45 . 0 ) 1 X ( IP
f
0
0
0
0
Docente: Ing. Nurian Tablas 347
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

Al trmino del mes siguiente:



Y dos meses despus:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

(
(
(

= =
= =
= =
= =
2750 . 0 ) 3 X ( IP
2975 . 0 ) 2 X ( IP
4275 . 0 ) 1 X ( IP
f P f
1
1
1
0 T 1
(
(
(

= =
= =
= =
= =
2550 . 0 ) 3 X ( IP
3391 . 0 ) 2 X ( IP
4059 . 0 ) 1 X ( IP
f P f
2
2
2
1 T 2
Docente: Ing. Nurian Tablas 348
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

De aqu las cuotas de mercado en dos meses a
cambiado de un 45% a un 40.59%; de un 25% a un
33.91% y de un 30% a un 25.50%, para las marcas
1,2 y 3 respectivamente.

Cul es la cuota de mercado en el largo plazo
para cada una de las marcas?
La cadena resultante es irreducible con estados
recurrentes positivos y aperidicos . Denotando por
t=(t
1
, t
2
, t
3
)
T
, las probabilidades estacionarias de
largo plazo, las cuales satisfacen:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 349
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

t=P
T
t

E t
i
= 1 ; i = 1,2,3.

t
1
=0.8

t
1
+ 0.03 t
2
+0.20 t
3
t
2
=0.10

t
1
+ 0.95 t
2
+0.05 t
3
t
3
=0.10 t
1
+ 0.02 t
2
+0.75 t
3
t
1
+ t
2
+ t
3
=1

Cuya solucin resulta:
t
1
= 0.2373 t
2
= 0.6184 t
3
= 0.1443
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 350
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.4. Clasificacin de los est. y distribucin lmite.

De aqu que la cuotas de mercado en el largo
plazo resultan ser 23.73%, 61.84% y 14.43% para
las marcas 1,2 y 3 respectivamente.


Notar que las actuales cuotas difieren
significativamente de las cuotas obtenidas en el
largo plazo lo cual puede implicar que de alguna
manera deban ser corregidas las probabilidades de
transicin.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 351
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:

V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 352
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Se desea estudiar el comportamiento de sistemas
que dependen en forma continua del tiempo:

X
t
: nmero de ambulancias disponibles en el
instante t.
X
t
: nmero de personas esperando ser atendidas
en el banco o en el supermercado en el instante t.
X
t
: nmero de mquinas funcionando
correctamente en un taller en el instante t.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 353
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Propiedad Markoviana:




Propiedad Estacionaria

, no depende de t, slo de s.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) i X / j X ( IP
) i X , t u 0 ), u ( X X / j X ( IP
t s t
t u s t
= = =
= s s = =
+
+
) i X / j X ( IP
t s t
= =
+
Docente: Ing. Nurian Tablas 354
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Una realizacin posible del proceso estocstico es:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

t
4
3
2
1
X
t

Docente: Ing. Nurian Tablas 355
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Cmo representar el proceso?
- Se necesitan las probabilidades de que ocurra un
salto de un estado a otro.
- La distribucin de los tiempos de permanencia en
un estado.

Se necesita explicitar:
i) Probabilidades de transicin p
ij
(asumiendo p
ii
=0)
ii) Tasas v
i
de los tiempos exponenciales T
i
de
permanencia en el estado i.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 356
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Distribucin de X
t
:


Estas probabilidades satisfacen:



Si existe una distribucin estacionaria:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) i X / j X ( IP ) t ( p
0 t ij
= = =

=
=
j k
ij j kj k ik ij
) t ( p v p v ) t ( p ) t ( p
dt
d
) t ( p lim
ij
t
j

= t
Docente: Ing. Nurian Tablas 357
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

La ecuacin diferencial anterior provee el siguiente
sistema de ecuaciones para las probabilidades
estacionarias (de existir):


O equivalentemente el sistema:
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

1 ,... 2 , 1 j ; v p v 0
j
j
j k
j j kj k k
= t = t t =

=
1 ,... 2 , 1 j ; p v v
j
j
j k
kj k k j j
= t = t = t

=
Docente: Ing. Nurian Tablas 358
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Ejemplo :
En el puerto de Valparaso existen N trenes
encargados de traer cargas de contenedores
desde los buques hasta una unidad de descarga.
En esta unidad existen c gras ( c < N) para
descargar los trenes. El tiempo que le toma a una
gra descargar un tren es exponencial a tasa . Un
tren deja la unidad de descarga cuando la gra
termina de atenderlo y vuelve con una nueva carga
despus de un tiempo exponencial de tasa .
Formular un modelo que nos permita obtener en el
largo plazo :
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 359
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

- Nmero medio de trenes esperando ser
atendidos en la cuidad de descarga
- Nmero medio de gras que se encuentran
atendiendo trenes
- Fraccin del tiempo en que hay al menos una
grya desocupada

X
t
: El nmero de trenes que estn en la unidad de
descarga (X
t
e{0,1,2,...,N})

Si existen 0 s j s c trenes en la unidad de descarga

v
j
= j + (N j)
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 360
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Es decir, el tiempo que transcurre con j trenes en
la unidad de descarga es una v.a. Exponencial
correspondiente al mnimo entre los tiempos que
transcurren hasta que se descarga completamente
un tren de los j existentes en dicha unidad y los
tiempos que transcurren hasta que retorna uno de
N j trenes que vuelve con carga.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 361
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Adems, las nicas posibles transiciones son:

p
j,j-1
= j / (j + (N j ) ) j > 0

p
j,j+1
=( N- j ) / (j + (N j ) )

Esto es, las probabilidades que se termine de
descargar un tren antes de que vuelva uno con
carga y viceversa.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 362
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Anlogamente si c < j s N estos parmetros
resultan:

v
j
= c + (N j)

p
j,j-1
= c / (c + (N j ) )

p
j,j+1
=( N - j ) / (c + (N j ) ) ( j s N )
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

Docente: Ing. Nurian Tablas 363
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

En este caso las ecuaciones que determinan las
probabilidades estacionarias :

Resultan ser las siguientes:

N t
0
= t
1

[ + ( N 1 )] = N t
0
+ 2 t
2

...
[c + ( N c ) ] t
C
= (N ( c 1)) t
c-1
+ c t
C+1

...
[c + ] t
N-1
= 2 t
N-2
+ c t
N
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

) t ( p lim
ij
t
j

= t
Docente: Ing. Nurian Tablas 364
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

c t
N
= t
N-1

t
1
+

t
1
+...+

t
N
= 1

As, el nmero de trenes esperando ser atendidos
en la unidad de descarga es :



El nmero promedio de gras atendiendo trenes
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

n
N
c n
) c n ( t

=

+ = =
t + t
N
1 c n
n n
c
1 n
c n
Docente: Ing. Nurian Tablas 365
III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
V.5. Cadenas de Markov en tiempo continuo.

Y la fraccin de tiempo en que hay al menos una
gra desocupada es :
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

n
1 c
0 n
t

=
Docente: Ing. Nurian Tablas 366
BIBLIOGRFIA EN MODELOS PROBABILSTICOS

1. Introduction to Probability Models, Ross, S.M. Academic
Press, New York, 1980.
2. Applied Probabability Models with Optimization
Applications, Ross, S.M. Dover Publications, Inc. New York,
1992.
3. Modelos Estocsticos para la Gestin de Sistemas,
Gazmuri, P. Ediciones Universidad Catlica, Santiago, 1995.
4. Simulation Modeling and Analysis, Law, A.M. Kelton,
W.D. Mc.Graw Hill, New York, Third Edition, 2000.
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

II. Modelos de Programacin Matemtica
Programacin Lineal
Docente: Ing. Nurian Tablas 367
DIRECCIONES ELECTRNICAS EN MODELOS PROBABILSTICOS


Seccin de simulacin en INFORMS:
http://www.informs-cs.org/

Simulation Education Homepage: :
http://www.acs.ilstu.edu/faculty/wjyurci/nsfteachsim/indexnew.html
G
e
s
t
i

n

d
e

I
n
v
e
s
t
i
g
a
c
i

n

d
e

O
p
e
r
a
c
i
o
n
e
s

III. Modelos Probabilsticos
Sistemas de Espera
Docente: Ing. Nurian Tablas 368