Investigacion Operaciones

Contenidos
Gestión de Investigación de Operaciones
I. Introducción a la Investigación de Operaciones

II. Modelos de Programación Matemática
Programación Lineal
Programación Entera
Programación No- lineal
III. Modelos Probabilísticos
Procesos Estocásticos y Cadenas de Markov
Sistemas de Espera
I. Introducción a la Investigación de
Operaciones
I.1. Introducción.
El principal objetivo de esta área de conocimientos

consiste en formular y resolver diversos problemas
orientados a la toma de decisiones.
La naturaleza de los problemas abordados puede

ser determinística, como en los Modelos de
Programación Matemática, donde la teoría de
probabilidades no es necesaria, o bien de
problemas donde la presencia de incertidumbre
tiene un rol preponderante, como en los Modelos
Probabilísticos.
Operaciones
Hoy en día, la toma de decisiones abarca una gran

cantidad de problemas reales cada más complejos
y especializados, que necesariamente requieren
del uso de metodologías para la formulación
matemática de estos problemas y, conjuntamente,
de métodos y herramientas de resolución, como los
que provee la Investigación de Operaciones.
Operaciones
I.2 Elementos de un modelo de optimización.

optimización
Supongamos que se dispone de determinadas

piezas para la elaboración de dos productos finales.
Se dispone de 8 “piezas pequeñas” y 6 “piezas
grandes”, que son utilizadas para elaborar sillas
(usando 2 piezas pequeñas y 1 pieza grande) y
mesas (usando 2 piezas de cada tipo).
Interesa decidir cuántas sillas y mesas fabricar de

modo de obtener la máxima utilidad, dado un
beneficio neto de U$ 15 por cada silla y de U$20
por cada mesa fabricada.
Operaciones
Posibles soluciones factibles a considerar, esto es

soluciones que respetan las restricciones del
número 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.
Operaciones
Un modelo matemático para hallar la mejor

solución factible a este problema tiene tres
componentes básicas:
i) Las variables de decisión, que consiste en

definir cuáles son las decisiones que se debe
tomar. En el ejemplo,
x: número de sillas elaboradas.

y: número de mesas elaboradas.
Operaciones
ii) La función 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

Operaciones
iii) Restricciones del problema, que consiste en

definir un conjunto de ecuaciones e inecuaciones
que restringen los valores de las variables de
decisión a aquellos considerados como factibles.
En el ejemplo, respetar la disponibilidad de piezas
para la fabricación de sillas y mesas:
Piezas pequeñas: 2x + 2y ≤ 8
Piezas grandes : x + 2y ≤ 6
También se impone restricciones de no –

negatividad:
x,y ≥ 0
Operaciones
En resumen: Max 15x + 20y

sa: 2x + 2y ≤ 8
x + 2y ≤ 6
x,y ≥ 0
El ejemplo corresponde a un modelo de

Programación Lineal. Si además restringimos los
valores de x e y a números enteros, tendríamos un
modelo de Programación Entera. Por otra parte, si
hubiese retornos crecientes a escala, deberíamos
emplear una función objetivo no lineal como f(x,y) =
cxa + dyb con a,b >1, y tendríamos un modelo de
Programación No Lineal.
Operaciones
BIBLIOGRÁFIA EN INVESTIGACIÓN DE OPERACIONES
1. Introducción a la Investigación de Operaciones, F.S.

Hillier y G.J. Lieberman, McGraw Hill, Sexta Edición, 1997.
2. Investigación de Operaciones, una introducción, H.A.
Taha, Prentice Hall, México, Sexta Edición, 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.
Contenidos

Sistemas de Espera
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Temario:
II.1. Introducción y ejemplos de modelamiento.

II.2. Resolución gráfica de problemas.
II.3. Análisis de Sensibilidad.
II.4. El Método Simplex.
II.5. Dualidad en Programación Lineal.
II.6. Análisis de Sensibilidad o Post-Optimal
II.1 Introducción y ejemplos de modelamiento.
i) Problema de Transporte. El problema consiste

en decidir cuántas unidades trasladar desde ciertos
puntos de origen (plantas, ciudades, etc.) a ciertos
puntos de destino (centros de distribución,
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.
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 distribución con
demandas diarias de 200, 200 y 250 unidades,
respectivamente. Los costos de transporte (en
$/unidad) son:
C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1 21 25 15
Planta 2 28 13 19
Diagrama:
C.D.1
X1
1
Planta 1
X1
2
X2 X2 C.D.2
Planta 2 1 2
X1
X2 3
3 C.D.3
Orígenes Destinos
Variables de decisión:
xij = Unidades transportadas desde la planta i

(i=1,2), hasta el centro de distribución j (j=1,2,3)
Función Objetivo:
Minimizar el costo total de transporte dado por la

función:
21x11+25x12+15x13+28x21+13x22+19x23
Restricciones del problema:
1) No Negatividad: xij ≥ 0
2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
3) Oferta :
P1 : x11 + x12 + x13 ≤ 250
P2 : x21 + x22 + x23 ≤ 450
Las variables de decisión deben aceptar soluciones

como números reales para tener un modelo de P.L.
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 información:
Leche Legumbre Naranjas Requerimientos
(galon) (1 porción) (unidad) 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
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.
Función Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3

Requerimientos mínimos de los nutrientes
considerados:
3.2 x1 + 4.9 x2 + 0.8 x3 ≥ 13
1.12 x1+ 1.3 x2 + 0.19 x3 ≥ 15
32 x1+ + 9 x3 ≥ 45
x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0
iii) Problema de dimensionamiento de lotes: este

consiste en hallar una política óptima de producción
para satisfacer demandas fluctuantes en el tiempo,
de modo de minimizar costos de producción 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 planificación y se
tiene adicionalmente la siguiente información:
Periodos Demandas Costo Prod. Costo de Inventario

(unidades) (US$/unidad) (US$/unidad)
1 130 6 2
2 80 4 1
3 125 8 2.5
4 195 9 3
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).
xt : número de unidades elaboradas en el periodo t.
It : número de unidades de inventario al final del
periodo t.
Función objetivo:
Consiste en minimizar los costos de producción y el
costo de mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4
Notar que en el óptimo I4 va a ser 0, así que incluso

podríamos no incluirla, pero de todos modos la
consideramos.

1) Restricciones de cotas, que reflejan la capacidad
de producción.
xt ≤ 150
2) Restricciones de no negatividad
xt ≥ 0
3) Restricciones de demanda
x1 + I0 – I1 = 130 Periodo 1 I0=15
x2 + I1 – I2 = 80 Periodo 2
x3 + I2 – I3 = 125 Periodo 3
x4 + I3 – I4 = 195 Periodo 4
iv) Problema de planificación financiera:

Supongamos que un banco dispone de $250
millones para destinar a 4 tipo de créditos ofrecidos,
los cuales tienen las siguientes, tasas de crédito:
• Primer crédito corriente :12%
• Segundo crédito corriente :16%
• Crédito para el hogar :16%
• Crédito personal :10%
La asignación de estos créditos, debe satisfacer la

siguiente política utilizada por la institución:
El monto asignado a los PCC, debe ser al menos,
el 55% del monto asignado a los créditos
corrientes, y al menos un 25% del total del dinero
prestado.
El SCC, no puede exceder el 30% del total del
dinero prestado, por políticas tributarias el interés
recibido por el banco no debe exceder a un retorno
del 14% sobre el capital prestado.
¿Cuánto asignar a cada tipo de crédito, de la

manera más eficiente, respetando la política del
banco?
x1 :Monto asignado al PCC.
x2 : Monto asignado SCC.
x3 : Monto asignado al crédito para el hogar.
x4 : Monto asignado al crédito personal.
Función Objetivo:
Se propone maximizar los retornos recibidos en la
asignación, dados por:
0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4


x1 ≥ 0.55 ( x1 + x2 )
x1 ≥ 0.25 ( x1 + x2 +x3 + x4 )
x2 ≤ 0.30 ( x1 + x2 +x3 + x4 )
(0.12x1+0.16x2+0.16x3+0.10x4 ) ≤ 0.14 ( x1+ x2 +x3 +x4 )
Adicionalmente: x1 + x2 +x3 + x4 ≤ 250

v) Problema de mezcla de productos: en este

problema una refinería produce 4 tipos de gasolina
(gas 1, gas 2, gas 3 y gas 4). Dos características
importantes de cada gasolina son su número de
performance (NP) y su presión de vapor (RVP), que
están dados por:
NP RVP Barriles diarios
gas 1 107 5 3814
gas 2 93 8 2666
gas 3 87 4 4016
gas 4 108 21 1300
Estas gasolinas pueden ser vendidas directamente

a un precio de $2483 por barril o bien mezcladas
para obtener gasolinas de aviación (avgas A y
avgas B). La calidad de estas dos últimas junto con
sus precios de venta son:
NP RV Precio por barril (US$)

avgas A Al menos 100 A lo más 7 26,45
Avgas B Al menos 91 A lo más 6 25,91
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.
xj : cantidad de barriles del gas j que son vendidos sin
mezclar, con j = 1, 2, 3, 4.
xA : cantidad de barriles de avgas A.
xB : cantidad de barriles de avgas B.
xjA : cantidad de gas j usado en avgas A.
xjB : cantidad de gas j usado en avgas B.
Función objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones: x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666
x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB
NP, avgas A: 107 x 1A + 93 x 2 A + 87 x 3 A + 108 x 4 A ≥ 100

xA
NP, avgas B: 107 x 1B + 93 x 2B + 87 x 3B + 108 x 4 B

≥ 91
xB
RVP, avgas A: 5 x 1A + 8x 2 A + 4 x 3 A + 21x 4 A

≤7
xA
RVP, avgas B: 5 x 1B + 8x 2B + 4 x 3B + 21x 4B

≤7
xB
vi) Problema de expansión de la capacidad de

un Sistema de Potencia Eléctrica:
En este problema se desea planificar la
expansión de la capacidad de un sistema
eléctrico para los siguientes T años. La demanda
(estimada) para el año t corresponde a dt MW para t
= 1, 2, ..., T. La capacidad existente del sistema
corresponde a ct MW para el año t = 1, 2, ..., T.
Existen 2 alternativas para la expansión de la

capacidad del sistema:
• Usar plantas térmicas a petróleo.
• Usar plantas térmicas a gas.
Se requiere una inversión pt por MW instalado de
una planta a petróleo que esté operativa al
comienzo del año t, y el correspondiente costo para
una planta a gas es gt.
Por razones políticas y de seguridad, se ha

decidido que no más del 30% de la capacidad
instalada, corresponda a plantas a gas (nuevas).
Cada planta a petróleo tiene una vida de 20 años y
una planta a gas una vida de 15 años.
Se desea proponer un plan de expansión al mínimo
costo posible.
xt : cantidad de MW expandidos en planta a
petróleo al inicio del año t, con t = 1, 2, ..., T.
yt : cantidad de MW expandidos en planta a gas al
inicio del año t, con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas
nuevas a petróleo al inicio del año t.
wt : cantidad total de MW disponible en plantas
nuevas a gas al inicio del año t.
Función Objetivo:
T
Min ∑ [ p t x t + gt y t ]
t =1
Restricciones:
c t + z t + w t ≥ dt
t
z t = ∑ xk t ≤ 20
k =1
t
zt = ∑ xk t > 20
k = t −19
t
w t = ∑ yk t ≤ 15
k =1
t
wt = ∑ yk t > 15
k = t −14
wt
≤ 0,30 t = 1...T
ct + zt + w t
x t , yt , z t , w t ≥ 0
Temario:

Consideremos el siguiente problema a resolver

gráficamente:
Max z = 3x1 + 5x2

sa: x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1,x2 ≥ 0
x2 Región de puntos factibles

Curvas de Nivel
9
x* Solución Optima
x*
6
4 6 x1
En primer lugar, se debe obtener la región de

puntos factibles en el plano, obtenida por medio de
la intersección de todos los semi - espacios que
determinan cada una de las inecuaciones presentes
en las restricciones del problema.
Enseguida, con el desplazamiento de las curvas de

nivel de la función objetivo en la dirección de
crecimiento de la función (que corresponde a la
dirección del vector gradiente de la función,
∇ z(x1,x2) = (3,5)T), se obtiene la solución óptima del
problema en la intersección de las rectas: 2x2 = 12
y 3x1+2x2 = 18 (restricciones activas). Esto es:
x1* = 2 x2* = 6
z* = 3 x1* + 5 x2* = 36
Notar que se pueden dar otras situaciones en la

búsqueda de una solución óptima para esta clase
de problemas:
1) La solución óptima exista pero haya más
de una. En el ejemplo, considere la nueva
función objetivo: z = 6x1+4x2.
2) El problema no tenga solución, dada una región
de puntos factibles no - acotada. En el ejemplo,
reemplace cada desigualdad ≤ por una ≥ .
3) El problema no tenga solución, porque no
existen puntos factibles. En el ejemplo, suponga
que agregamos la restricción: x1 ≥ 5.
Temario:

II.3. Análisis de sensibilidad.
Max 15 x + 20 y
sa : 2x + 2 y ≤ 8
x + 2y ≤ 8
4 x, y ≥ 0
4 6
A partir de la resolución gráfica del problema se

tiene:
Solución óptima : x1*= 2 ; x2*= 2
Valor óptimo : z = z(2,2) = 70
El análisis de sensibilidad permite responder, entre

otras, las siguientes preguntas:
1) ¿Cuál es el intervalo de variación de algún

coeficiente de la función objetivo, de modo que la
actual solución siga siendo la óptima?
Sea z = c1x1+c2x2
La solución óptima de la nueva función, seguirá
siendo: x1*= 2 ; x2*= 2 ssi:
− c1 1
− 1≤ ≤−
c2 2
También podemos estudiar el intervalo de un sólo

coeficiente, dejando el resto de los parámetros fijos:
Para C1: − c1 1
− 1≤ ≤− ⇔ 10 ≤ c1 ≤ 20
20 2
Para C2: − 15 1
− 1≤ ≤− ⇔ 15 ≤ c 2 ≤ 30
c2 2
2) ¿ Cuál es la variación del actual valor óptimo de

la función objetivo, si cambamos en una unidad
algún 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 geometría del
problema, esto es, que se conserven las mismas
restricciones activas de la solución óptima inicial.
Primera restricción.
La mayor variación del coeficiente del lado derecho
se alcanza en x1 = 0 y x2 = 4, de donde se obtiene:
z(0,4) = 15 x 0 + 20 x 4 = 80 y b1* = 0 + 2 x 4 = 8
La menor variación del coeficiente del lado derecho

se alcanza en: x1 = 4 ; x2 = 0, de donde se obtiene:
z(4,0) = 15 x 4 + 20 x 0 = 60 y b1 = 4 + 2 x 0 = 4
De aquí, se calcula el precio sombra Π 1, que

indica la razón o tasa de cambio de la función
objetivo con respecto al cambio en una unidad del
lado derecho:
z(0,4) − z(4,0) 80 − 60
Π1 = = =5
b1 − b1
*
8−4
Segunda restricción.
La mayor variación del coeficiente del lado derecho
se alcanza en x1 = 6 y x2 = 0, de donde se obtiene:
z(0,4) = 15 x 6 + 20 x 0 = 90 y b1*= 2 x 6 + 2x0 = 12
La menor variación del coeficiente del lado derecho

se alcanza en: x1= 0 ; x2= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b1= 2 x 0 + 2 x 3 = 6
De aquí, se calcula el precio sombra P2, que

indica la razón o tasa de cambio de la función
objetivo con respecto al cambio en una unidad del
lado derecho:
z(6,0) − z(0,3) 90 − 60
Π2 = = =5
b2 − b2
*
12 − 6
Temario:

En lo que sigue consideremos el siguiente problema

de programación lineal en su forma estándar.
Min c1x1 + c2x2 + ... + cnxn

sa a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2
... ... ...
am1 x1 + am2 x2 + ... + amn xn = bm
xi ≥ 0, i = 1, 2, ..., n y m≤ n
Matricialmente escrito como:
Min cTx
sa Ax = b
x≥ 0
No existe pérdida de la generalidad al suponer que

un problema viene dado en la forma estándar. En
efecto, si tuviésemos el siguiente problema:
P) Max 9u + 2v + 5z
sa 4u + 3v + 6z ≤ 50
u + 2v + 3z ≥ 8
2u – 4v + z = 5
u,v ≥ 0
z ∈ IR
Es posible reformular de manera equivalente el

problema anterior usando que:
1) Siempre es posible llevar un problema de

maximización a uno de minimización. Si f(x) es la
función objetivo a maximizar y x* es la solución
óptima:
f(x*) ≥ f(x) , ∀ x factible
- f(x*) ≤ - f(x) , ∀ x factible
∴ x* es también mínimo de - f(x)

2) Cada restricción del tipo ≤ puede ser llevada a

una ecuación de igualdad usando una (nueva)
variable de holgura no negativa, con un coeficiente
nulo en la función objetivo.
3) De igual modo, cada restricción del tipo ≥

puede ser llevada a una ecuación 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.
En resumen el problema P) puede ser escrito de

manera equivalente como:
Min - 9x1 - 2x2 - 5x3 + 5x4 + 0x5 + 0x6

sa: 4x1 + 3x2 + 6x3 - 6x4 + x5 =50
x1 + 2x2 - 3x3 + 3x4 - x6 = 8
2x1 - 4x2 + x3 - x4 = 5
xi ≥ 0, i=1,2,3,4,5,6.
Con u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
La búsqueda de la solución óptima se restringe a

encontrar un vértice óptimo y cada vértice del
conjunto de las restricciones del problema, llamado
región de puntos factibles, corresponde a una
solución básica factible del sistema Ax = b.
Esta solución básica 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 básicas y no-básicas, que además deben
satisfacer condiciones de no-negatividad.
Teorema Fundamental de la Programación Lineal:

Si un problema tiene solución óptima, tiene una
solución básica factible óptima.
Dada una matriz B de m x m invertible, esta induce

una partición de las variables y parámetros del
modelo como lo muestra la siguiente diapositiva.
n
 x1  xB  c B 
x    m
  m
B D x =  2 =   c= 
    n−m
  n−m
A= m      
xn  xD  c D 
xB :variables básicas.
xD :variables no básicas.
m n-m
cB :costos básicos.
B : es llamada una matriz de base cD :costos no básicos.
Criterio de Optimalidad:
c T x = cBT x B + cDD x D
(
= cBT B − 1b − B
−1
)
D x B + cDT x D
= cBT B
−1
(
b + cDT − cDT B
−1
)
D xB xD
valor actual vector de

de la costos
función obj. reducidos.
La ecuación que define cada uno de los costos

reducidos es:
rj = c j − cBT B −1A j
Donde j es el índice de variable no-básica y Aj la
respectiva columna en A de esa variable.
La actual solución básica factible es óptima ssi
rj ≥ ∀j, existe una variable no básica xp con costo
reducido negativo, que entra a la nueva base.
Para decidir quién deja la base, es necesario

calcular el mayor valor que puede tomar la variable
entrante que garantiza la factibilidad de la nueva
solución básica, con:
 y1 0   y1 p 
x  y 
B b=  B A =  2p 
−1 2 0 − 1
j
   
   
x
 m0 y
 mp
y se debe calcular:
yk 0  yi 0 
= Min  / yip > 0 ⇒ x k deja la base
ykp  yip 
Ejemplo.
Resolver el siguiente problema de P.L.
Max 40x + 60y

sa: 2x + y ≤ 70
x + y ≤ 40
x + 3y ≤ 90
x,y ≥ 0
Se deben agregar 3 variables de holgura ( x1 , x2 , x3

var.básicas), y llevar a forma estándar (x4 = x y x5 =
y).
Min -40x4 – 60x5
sa: x1 + 2x4 + x5 = 70
x2 + x4 + x5 = 40
x3 + x4 + 3x5 = 90
xi ≥ 0, i = 1, 2, 3, 4, 5
Tabla inicial:
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Usamos como variable entrante a la base x5 (pues

r5<0).
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto

sale x3.
Actualizando, queda la siguiente tabla (no óptima),

donde la variable entrante a la base es x4 (pues
r4<0).
x1 x2 x3 x4 x5
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
Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15,

por lo tanto x2 deja la base actual.
Actualizando, queda la siguiente tabla final:

x1 x2 x3 x4 x5
1 -5/2 ½ 0 0 15
0 -1/3 -1/2 1 0 15
0 1/3 ½ 0 1 25
0 20 10 0 0 2100
Como todos los costos reducidos son mayores o

iguales que cero nos encontramos en la solución
óptima.
 x 1  15 
 x 2  0 
x B =  x 4  = 15  xD =   =  
     x 3  0 
 x 5  25 
z* = - 40 x 15 - 60 x 25 = - 2100
En la formulación inicial, tenemos como solución

óptima x*=15, y *=25, con valor óptimo 2.100.
Resumen del Método Simplex:
Paso 0 : Escribir el problema de programación

lineal en su forma estándar.
Paso 1 : Escoger una solución básica factible
inicial.
Paso 2 : Escoger una variable no - básica 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 solución es la óptima.
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 básicas, los costos
reducidos y el valor de la función objetivo. Volver al
Paso 2.
No siempre es fácil obtener una solución básica

factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios
procedimientos como son:
• Método Simplex de dos fases.

• Método de la M – grande.
Método 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
solución básica factible. Resolver por Simplex un
nuevo problema que considera como función
objetivo la suma de las variables auxiliares. Si el
valor óptimo es cero ir a la Fase 2. En caso
contrario, no existe solución factible.
Fase 2: Resolver por Simplex el problema original a

partir de la solución básica factible hallada en la
Fase1.
Ejemplo: Max 2x1 + x2

sa: 10x1 + 10x2 ≤ 9
10x1 + 5x2 ≥ 1
x1,x2 ≥ 0
Se debe agregar una variable de holgura (x3) y una

variable de exceso (x4), y llevarlo a su forma
estándar.
Min -2x1 - x2
sa: 10x1 + 10x2 +x3 =9
10x1 + 5x2 - x4 = 1
x1,x2, x3, x4 ≥ 0
Aplicamos Simplex de dos Fases :

Fase 1: Min x5
sa: 10x1 + 10x2 +x3 =9
10x1 + 5x2 - x4 + x5 = 1
x1,x2, x3, x4, x5≥ 0
Quedando la siguiente tabla:

x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
0 0 0 0 1 0
donde:
 x 1  0 
 x 3  9 
xB =   =   x D =  x 2  = 0 
 x 5   1    
 x 4  0
Luego se hace cero el costo reducido de la variable

x5 de la tabla anterior, y queda la siguiente tabla
inicial.
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
La variable entrante a la base es x1 ( pues r1 < 0).
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto

sale x5.
Obteniéndose la siguiente tabla final:

x1 x2 x3 x4 x5
0 5 1 1 -1 8
1 ½ 0 -1/10 1/10 1/10
0 0 0 0 1 0
 x 2  0 
 x 1  1 / 10 
xB =   =   x D =  x 4  = 0 
x
 3  8     
 x 5  0
Donde, al anterior, corresponde a la solución

óptima del problema en la Fase 1, con valor óptimo
0. De aquí entonces tomamos x1 y x3 como
variables básicas.
x1 x2 x3 x4
Fase 2:
0 5 1 1 8
1 ½ 0 -1/10 1/10
-2 -1 0 0 0
En la tabla hacemos 0 los costos reducidos de

variables básicas
x1 x2 x3 x4
0 5 1 1 8
1 ½ 0 -1/10 1/10
0 0 0 -1/5 1/5
Luego la variable entrante a la base es x4 (pues
r4<0). Y calculando Min { 8/1, (-1/10)/(1/10) } = 8, se
tiene que sale x3.
x1 x2 x3 x4
Quedando:
0 5 1 1 8
1 1 0 1/10 9/10
0 1 1/5 0 9/5
donde la solución óptima del problema resulta ser:
 x 1  9 / 10   x 2  0 
xB =   =   xD =   =  
x
 4  8   x 3  0 
Algunos casos especiales
1) Problema Infactible. Esta situación se detecta

cuando el valor óptimo del problema de la Fase 1
da mayor que cero.
2) Múltiples soluciones óptimas. Esta situación
se detecta cuando existen costos reducidos iguales
a cero en una o más de las variables básicas
óptimas.
3) Problema no acotado. Esta situación se detecta

cuando al realizar el cálculo de la variable que deja
la base, todos los elementos ykj de la columna j en
la tabla, son negativos para j el índice de una
variable no básica con costo reducido negativo.
Temario:

Consideremos un ejemplo de producción de 2

productos finales que hacen uso de tres recursos
escasos (máquinas), cuyas disponibilidades en
horas corresponden a los lados derechos de las
restricciones.
P) Max 40x1 + 60x2
sa: 2x1+2x2 ≤ 70
x1 + x2 ≤ 40
x1 + 3x2 ≤ 90
x1, x2 ≥ 0
La solución óptima y el valor óptimo del problema

P) esta dada por:
x1* = 5
x2* = 25
z = v(p) = 2100
En lo que sigue, combinaremos las distintas

restricciones del problema, ponderando por los
valores π 1, π 2 y π 3 cada una, respectivamente, de
modo de obtener la mejor cota superior del valor
óptimo del problema P). Vale decir:
π 1(2x1+2x2) + π 2(x1+x2) + π 3(x1+3x2) ≤ 70 π 1 +

40 π 2 + 90 π 3
Para garantizar que el lado derecho de esta última

desigualdad sea una cota superior de la función
objetivo se debe cumplir que :
2 π 1 + π 2 + π 3 ≥ 40
2π 1 + π 2 + 3 π 3 ≥ 60
La mejor elección de esta cota se obtendría al

resolver:
D) Min 70 π 1 + 40 π 2 + 90 π 3
sa: 2π 1 +π 2 +π 3 ≥ 40
2π 1 +π 2 +3π 3 ≥ 60
π 1, π 2, π 3 ≥ 0
Este problema se conoce como el problema “ Dual”

D) asociado al problema “Primal” P).
También resulta que al formular el problema dual

de D) se obtiene el problema primal (o uno
equivalente).
Cualquiera de los dos entrega la misma información

y el valor óptimo alcanzado es el mismo.
Más generalmente, si el problema primal es:
n
P) Max
∑ c jx j
j =1
n
sa : ∑ aij x j ≤ bi i = 1,2,..., n
j =1
xj ≥ 0 j = 1,2,..., m
su dual resulta el problema:
m
D) Min
∑ b i πi
i =1
m
sa : ∑ aij πi ≥ c j j = 1,2,..., n
i =1
πi ≥ 0 i = 1,2,..., m
Lo que se puede expresar en forma matricial como:
P) Max cTx
sa: Ax ≤ b
x≥ 0
D) Min bT π
sa: AT π ≥ c
π ≥ 0
Si el problema primal corresponde a:

P) Max -cTx
sa: Ax ≥ b
x≥ 0
Su dual resulta ser:
D) Min -bT π
sa: AT π ≤ c
π ≥ 0
Es decir, el dual del dual es el problema primal
Teorema de dualidad débil:
Si x ∈ IRn, es una solución factible del problema

primal P) y π ∈ IRm, una solución factible del
problema dual D), entonces:
n m
c x = ∑ c j x j ≤ ∑ b i πi = b T π
T
j =1 i =1
En particular, si ambas soluciones son los óptimos
de sus respectivos problemas, sus valores óptimos
cumplen que :
v(P) ≤ v(D)
Teorema de dualidad fuerte:
Si x* = (x1*, x2*, ..., xn*)T, es una solución óptima

problema primal P), entonces el problema dual D)
tiene solución óptima π * = (π 1*, π 2*, ..., π m*)T que
satisface:
n m
v(P) = c x * = ∑ c j x j * = ∑ bi πi * = b T π = v(D)
T
j=1 i =1
Además:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
Ejemplo: P) Min 3x1 + 4x2 + 5x3

sa: x1+ 2x2 + 3x3 ≥ 5
2x1 + 2x2 + x3 ≥ 6
x1, x2, x3 ≥ 0
D) Max 5π 1+6π 2
sa: π 1 + 2π 2 ≤ 3
2π 1 + 2π 2 ≤ 4
3π 1 + π 2 ≤ 5
π 1, π 2 ≥ 0
Resolvemos D) por Simplex, en su forma estándar:

π 1 π 2 π 3π 4 π 5  π3  3 
xB = π4  = 4
   
1 2 1 0 0 3  π5  5 
2 2 0 1 0 4  π 1  0 
xD =   =  
3 1 0 0 1 5  π 2  0 
Luego -5 la-6variable
0 0 entrante
0 0 a la base es π (pues
2
r2<0). Y calculando Min { 3/2, 4/2, 5/1 } = 3/2, se
tiene que sale π 3
π 1 π 2 π 3 π 4 π 5  π2  3 / 2
xB = π4  =  1 
   
½ 1 ½ 0 0 3/2  π5  7 / 2
1 0 -1 1 0 1  π1  0 
xD =   =  
5/2 0 -1/2 0 1 7/2  π 3  0 
-2
Luego la 0variable
3 0 0
entrante 9
a la base es π 1 (pues
r2<0). Y calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)}
= 1, se tiene que sale π 4
π 1 π 2 π 3 π 4 π 5  π1  1
x B =  π2  = 1
   
0 1 1 -1/2 0 1  π5  1
1 0 -1 1 0 1  π 3  0 
xD =   =  
0 0 2 -5/2 1 1  π 4  0 
0 0 de1 D): 2
Sol. óptima 0 11
π 1* = 1; π 2* = 1; v(D) = 11
Sol. óptima de P):
x1* = 1; x2* = 2; x3* = 0; v(P) = 11
Método Simplex Dual:
La idea de este método consiste en resolver de

alguna manera el problema dual asociado a P) en
la tabla y variables del problema primal P), según
veremos en su aplicación a un problema primal
(ejercicio anterior).
Min 3x1 + 4x2 + 5x3
sa: x1+ 2x2 + 3x3 ≥ 5
2x1 + 2x2 + x3 ≥ 6
x1, x2, x3 ≥ 0
Min 3x1 + 4x2 + 5x3 + 0x4 + 0x5

sa: x1 + 2x2 + 3x3 - x4 ≥ 5 x(-1)
2x1 + 2x2 + x3 - x5 ≥ 6 x(-1)
x1, x2, x3, x4, x5 ≥ 0

x1 x2 x3 x4 x5
-1 -2 -3 1 0 -5
-2 -2 -1 0 1 -6
3 4 5 0 0 0
En la tabla anterior se toman dos variables de

exceso x4 y x5 , y se multiplica por un número
negativo con la finalidad de encontrar la matriz
identidad IRn, además es necesaria la condición de
que los costos reducidos de la tabla sean mayores
que cero ( lo que en este caso se cumple).
En la tabla anterior se escoge, usando el lado

derecho, alguna variable con valor negativo.
Escogemos x5 , variable que dejará la base.

Enseguida , se obtiene la variable entrante
calculando:
Min { (-3/-2) , (-4/-2),(-5/-1)} = 3/2.
De donde resulta que x1 entra a la base.

x1 x2 x3 x4 x5
0 -1 -5/2 1 -1/2 -2
1 1 1/2 0 -1/2 3
0 1 7/2 0 3/2 -9
La tabla posee aún un lado derecho negativo

(costos reducidos negativos del problema dual), por
lo cual no es factible en P).
x4 (=-2) deja la base, luego calculamos :

Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo
que x2 entra a la base.
x1 x2 x3 x4 x5
0 1 5/2 -1 ½ 2
1 0 -2 1 -1 1
0 0 1 1 1 -11
La tabla posee lados derechos no-negativos (costos

reducidos positivos del problema dual) y también
los costos reducidos de las variables no básicas x3,
x4 y x5 son no-negativos , por lo que tenemos una
solución factible en P) que es la solución óptima del
problema.
 x 1   1
x =  x 2  = 2 v(P) = 11
   
 x 3  0
Temario:

1) ¿Qué ocurre con las actuales variables básicas

si se cambia algún coeficiente del lado derecho (b)?
Si calculamos: x = B−1b y se cumple: x B ≥ 0

B
Las mismas variables básicas lo son también de la
nueva solución óptima, calculada con el nuevo b .
Si lo anterior no se cumple, se puede aplicar el
Método Simplex Dual.
2) ¿ Qué ocurre con la actual solución óptima si se

agrega una nueva variable al problema ?
Para decidir si la actual solución básica es óptima

para el nuevo problema, calculamos el costo
reducido de la nueva variable mediante la formula:
rk = ck − cBT B −1Ak
donde k es el índice de la nueva variable y Ak su

respectiva columna en la matriz de coeficientes. Si
se cumple que rk≥ 0 se conserva la actual solución
óptima. En caso contrario, se sigue con el Simplex.
3) ¿ Que ocurre con la actual solución óptima del

problema P) si se cambian los coeficientes que
definen la función objetivo ?
Supongamos que el vector de coeficientes en la

función objetivo cambia a un vector
c ∈ IR n
La actual solución óptima también lo es para
P
con:
T
P) Min c x
sa : Ax = b
x≥0
Siempre que los nuevos costos reducidos sean

mayores o iguales a cero (notar que también
cambia el valor de la función objetivo en la actual
solución óptima). Es decir se debe cumplir que:
rD = cD − cBT B −1D ≥ 0 o equivalent emente

T −1
rj = c j − cBB A j ≥0 ∀j
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 solución básica.
Veamos los cambios que tienen lugar cuando sólo

varía un coeficiente del vector c de la función obj.
a) Cambio de un coeficiente asociado a una

variable no-básica xJ:
Se conserva la misma solución óptima del problema
P) ssi. para esa variable xJ:
T
rj = c j − cBB −1A j ≥ 0 ∀j
Consideremos :
c j = c j + ∆j
Por lo tanto se conserva la misma solución ssi:
∆j ≥ −rj ⇒ c j ≥ c j − rj
b) Cambio en un coeficiente de la función objetivo

asociado a una variable básica:
En este caso para tener la misma solución óptima,
se debe cumplir que el costo reducido de todas las
variables.a cero.
T −1
rj = c j − cBB A j ≥0
0 
c i = c i + ∆i cB = cB + ∆i 1 = cB + ∆iei

0 
Si el incremento es cualquiera en el siguiente

intervalo, se conserva la misma solución óptima:
 rj   rj 
Max  / yij < 0 ≤ ∆i ≤ Min  / yij > 0
 yij   yij 
donde rj es el costo reducido de la respectiva
variable no básica en la actual solución óptima y los
coeficientes yij denotan las entradas en la tabla final
del Simplex asociadas a la variable básica xi (cuyo
costo cambia) y la respectiva variable no básica xj
Ejemplo:
La siguiente tabla, es la tabla final de un problema

de programación lineal.
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
Con esta tabla realizaremos un análisis de

sensibilidad:
a) Variar los recursos ( lado derecho):

Las xB del problema primal no cambian como base
óptima, si los valores asociados a estas variables.
x B = B −1b y se cumple xB ≥ 0
Para calcular estos intervalos de recursos, se

necesita la matriz inversa asociada a las variables
básicas del tabla final.
 4 10   4 / 15 − 1 / 15 
B=  B =
−1

 1 40   − 1 / 150 2 / 75 
Intervalo recurso 1:
 4 / 15 − 1 / 15  6000 + ∆b1 
 − 1 / 150 2 / 75  x  4000  ≥ 0
   
20000 4 ∆b1 10000 ∆b1
+ ≥0 ∧ − ≥0
15 15 150 150
∆b1 ≥ −5000 ∧ ∆b1 ≤ 10000

− 5000 ≤ ∆b1 ≤ 10000

1000 ≤ b1 ≤ 16000
Intervalo recurso 2:
 4 / 15 − 1 / 15   6000 
 − 1 / 150 2 / 75  x  4000 + ∆b  ≥ 0
   2
− 2500 ≤ ∆b2 ≤ 20000

1500 ≤ b 2 ≤ 24000
Variable x1:
Max {0} ≤ C1 ≤ Min {((20/3)/(7/3)),((10/3)/(5/3))}
0 ≤ D1 ≤ 2 10 ≤ C1* ≤ 12
Variable x4:
Máx {((20/3)/(-1/30))} ≤ D4 ≤ Min {((10/3)/(1/30))}
-200 ≤ D4 ≤ 100 -60 ≤ C4* ≤ 240

Variable x2:
C2* = C2 + ∆ 2 C2 = -20
∆ 2 ≥ - r2 C2* ≥ - 20 - ( 20/3)
C2* ≥ - 80/3
Variable x3:
C3* = C3 + ∆ 3 C3 = -18
∆ 3 ≥ - r3 C3* ≥ - 18 - ( 10/3)
C3* ≥ - 64/3
BIBLIOGRÁFIA EN PROGRAMACIÓN 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.Chvátal. W.H. Freeman and
Company, New York, 1983.
4. Linear Programming and Extensions, G. Dantzig.
Princeton University Press, New Jersey, tenth printing, 1993.
5. Introducción a la Programación 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.
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN LINEAL
•Preguntas de consulta frecuente en Programación Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html
•Servidor NEOS, guía de software de Programación 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
•Guía de software de Programación Lineal en revista OR&MS Today

(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
Contenidos

Sistemas de Espera
Temario:
III.1. Introducción y ejemplos de modelamiento.

III.2. Resolución de problemas de P. E.
III.3. Método de Branch and Bound.
a) Problema de la mochila.
Una empresa está pensando invertir en cuatro
proyectos diferentes, cada proyecto se finaliza a lo
más en 3 años. Los flujos de caja requeridos en
cada año junto con el Valor Presente Neto de cada
proyecto, concluídos los años de ejecución, y las
disponibilidades de recursos financieros se
resumen en la siguiente tabla:
Proy 1 Proy 2 Proy 3 Proy 4 Disp. Recursos

Año 1 10 8 6 12 30
Año 2 8 15 4 0 15
Año 3 18 0 16 0 12
V.P.N. 35 18 24 16
Interesa determinar en cuáles proyectos invertir de

modo de conseguir el mayor V.P.N. de la inversión.
1, si se invierte en el proyecto i

xi =  con i = 1,2,3,4
0, sin o
Función objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4

Restricciones (tres alternativas):

1) Reinvirtiendo el dinero no utilizado en un
período:
Año1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30
Año2: 8x1 + 15x2 + 4x3 + s2 = 15 + s1
Año3: 18x1 + 16x3 ≤ 12 + s2
xi ∈ {0,1} i = 1,2,3,4
2) Sin invertir el dinero no utilizado en un período,

pero utilizando el retorno de los proyectos
concluídos:
Año1: 10x1 + 8x2 + 6x3 + 12x4 ≤ 30
Año2: 8x1 + 15x2 + 4x3 ≤ 15 + 16x4
Año3: 18x1 + 16x3 ≤ 12 + 18x2
xi ∈ {0,1} i = 1,2,3,4
3) Reinvirtiendo el dinero no utilizado en un período

y, también el retorno de proyectos concluídos:
Año1: 10x1+ 8x2+ 6x3+ 12x4+ s1 = 30
Año2: 8x1+ 15x2+ 4x3 + s2 = 15 + s1 + 16x4
Año3: 18x1 + 16x3 ≤ 12 + s2 + 18x2
xi ∈ {0,1} i = 1,2,3,4
Notar que el conjunto de las soluciones factibles es

finito. Esto ocurrirá generalmente con los problemas
de Programación Entera (puros). En el ejemplo, el
número de soluciones factibles no supera el número
de las soluciones binarias del problema (variables
restringidas sólo a valores 0 o 1) que son 24 = 16,
dado el número de variables utilizadas, de hecho las
soluciones factibles son menos de 16 pues en
particular xi=1 para i=1,2,3,4 no satisface las
disponibilidades de capital en cualquiera de las tres
alternativas.
Supongamos que adicionalmente la inversión

efectuada requiera nuevas restricciones.
i) Se debe invertir en al menos 1 de los 3 primeros
proyectos:
x1 + x2 + x3 ≥ 1
i) El proyecto 2 no puede ser tomado a menos que
el proyecto 3 si sea tomado:
x2 ≤ x3
iii) Se puede tomar el proyecto 3 o 4 pero no

ambos:
x3 + x4 ≤ 1
iv) No se puede invertir en más de dos proyectos:
x1 + x2 + x3 + x4 ≤ 2
b) Cumplimiento de un subconjunto de las

restricciones de un problema.
Consideremos un problema que posee las

siguientes restricciones:
12x1 + 24x2 + 18x3 ≤ 2400
15x1 + 32x2 + 12x3 ≤ 1800
20x1 + 15x2 + 20x3 ≤ 2000
Supongamos además, que nos basta con obtener

alguna solucion óptima que verifique el
cumplimiento de al menos 2 de las 3 restricciones
anteriores.
1, si la restricció n j se satisface
yj = 
0, sin o
Cada inecuación anterior la reemplazamos por:

12x1 + 24x2 + 18x3 ≤ 2400 + M1 (1- y1)
15x1 + 32x2 + 12x3 ≤ 1800 + M2 (1- y2)
20x1 + 15x2 + 20x3 ≤ 2000 + M3 (1- y3)
Además, debemos agregar la restricción que permita
que a lo más una de las restricciones no se cumpla:
y1 + y2 + y3 ≥ 2 Mi = constante lo suf. grande
c) Inclusión de costos fijos.
Supongamos que se desea tener lotes de compra

de un producto dado, para satisfacer demandas
que fluctúan en el tiempo sobre un horizonte de
planificación dividido en T períodos.
Asumimos conocidos: una estimación de la
demanda dt, con t = 1, 2, ..., T, los costos fijos
asociados a la compra de una unidad pt,
los costos asociados al mantenimiento de una

unidad en inventario de cada período ht y los
costos fijos asociados a la gestión de compra en el
período t, st.
Observación: no se permite unidades de faltante.

Variables de decisión
xt: número de unidades compradas en t.
It : nivel de inventario al final del período t.
1, si se hace una compra en el periodo t
yt = 
0, sin o
con t: 1, 2, ..., T
Función objetivo
T
Min ∑ st y t + p t x t + h t It
t =1
Restricciones
xt + It-1 - It = dt t = 1, 2, ..., T
I0 = inventario inicial
xt ≤ Mt yt t = 1, 2, ..., T
Mt = cte. grande
d) Problema de cobertura:
Dado un número de regiones o zonas, en las

cuales se ha subdividido una comuna, cuidad, país,
etc., digamos que un total de m, se desea instalar
un cierto número de servidores (escuelas, centros
de atención primaria de salud, compañías de
bomberos, etc.) de entre un conjunto de n
potenciales servidores ubicados en alguna de las
zonas dadas.
Se conoce la información relativa a que zonas

pueden ser atendidas por cada uno de los n
potenciales servidores, es decir, se conoce la
matriz de incidencia A = (aij) donde :
1, si la zona i puede ser atendida por el servidor j

aij = 
0, sin o
con i = 1,2,..., m y j = 1,2,..., n
Se desea determinar cuáles son los servidores que

deben ser instalados de modo de dar cobertura a
cada zona, dados los costos de instalación cj del
servidor j.
Variables de desición:
1, si se instala el servidor j

xj = 
0, sin o
Función objetivo:
n
Min ∑ cj xj
j =1
Restricciones:Para
n cada zona i
∑ aij x j ≥ 1
j=1
Se agrega la siguiente restricción, si

adicionalmente, hay algún límite en el número de
servidores que se pueden instalar (digamos k) :
m
∑ xj ≤ k
j =1
e) Problema de transporte y localización :
Si se tiene un conjunto de m clientes que

demandan di unidades de un producto
determinado. Una compañía desea satisfacer esas
demandas desde un cierto conjunto de plantas
elegidas de n potenciales lugares donde se
instalarán.
Sean cj los costos asociados a la instalación de la

planta j , vj el costo unitario de producción de la
planta j y tij el costo de transporte de una unidad
desde la planta j al cliente i .
Se desea decidir cuáles plantas abrir y el tamaño
de cada una de modo de satisfacer las demandas
estimadas.
1, si se abre la planta j
yj = 
0, sin o
xij = el número de unidades elaboradas en la
planta j para satisfacer el cliente i, con j = 1,...,n y
i = 1,....,m.
Función objetivo:
n n
 m
 + n m
Min ∑ j j ∑ j  ∑ ij 
c y + v x ∑ ∑ t ijxij
j =1 j =1 i =1 j =1 i = 1
Costo de Costo de Costo de

Instalación Producción Transporte
Restricciones:
1) Demanda cliente i: m
∑ x ij ≥ di
i =1
2) Relacionar variables de producción con las

asociadas a la apertura de plantas (variables binarias):
n
donde Mj es una
∑ x ij ≤ M j y j
constante grande
(por ejemplo,
j =1
capacidad máxima de producción de la planta j), con
xij ≥ 0 e yj ∈ {0,1}.
Temario:

Supongamos que tenemos el siguiente problema

de programación lineal:
PL) Max cTx
s.a. Ax=b
x≥ 0
Pero todas o una parte de las variables deben
restringir su valor a números enteros, dando origen
a un problema de Programación Entera (puro) o
de Programación Entera- Mixta, respectivamente.
Por ejemplo:
PLE) Max cTx
s.a. Ax=b
x ≥ 0, xj entero
El problema PL) corresponde a la relajación
continua del problema PLE), que resulta de
eliminar las condiciones de integralidad de las
variables de decisión en PLE).
El valor óptimo de PL) provee sólo una cota

superior del valor óptimo de PLE). Notar sin
embargo, que si la solución óptima de PL) cumple
con la integralidad de los valores requiridos,
entonces esta solución es también solución óptima
de PLE).
Ejemplo
PLE) Max x2
s.a. - 2x1 + 2x2 ≤ 1
2x1 + x2 ≤ 7
x1 ≥ 0, x2 ≥ 0 enteros
2x1 + x2 ≤ 7 x2 - 2x1 + 2x2 ≤ 1
. .
. . .
. . . . x1
3.5
Notar que en el ejemplo la solución óptima puede

ser hallada por simple enumeración de todas las
soluciones factibles. Aquí las soluciones óptimas
son:
x1* = 1 o x1* = 2
x2* = 1 x2* = 1
Esta alternativa de enumeración queda naturalmente
restringida a problemas muy pequeños.
Alternativamente, podemos resolver la relajación

continua asociada al problema PLE). Si la solución
óptima de la relajación continua da una solución
entera, esa es la solución óptima no solo del
problema lineal sino que también lo es del
problema lineal entero.
En el ejemplo, la solución de la relajación continua
es:
x1 = 3/2
x2 = 2
A partir de esta última solución podemos

redondear o truncar los valores que no salieron
enteros, obteniendo respectivamente en el
ejemplo:
x1 = 2 x1 = 1
x2 = 2 x2 = 2
las cuales no son soluciones factibles de PLE), de
modo que desde el punto de vista de una
resolución numérica no es suficiente con resolver
la relajación continua.
Todavía podrían resultar soluciones factibles de

PLE), pero no neceasariamente óptimas. Por
ejemplo:
PLE) Max f(x1, x2) = x1 + 5x2

s.a. x1 + 10x2 ≤ 10
x1 ≤ 1
x1 ≥ 0, x2 ≥ 0 enteros
Solución óptima de PL)

x1 = 1 f(1,9/10)=5,5
x2 = 9/10
Redondeando o truncando los valores
x1 = 1 infactible x1 = 1 f(1,0)=1
x2 = 1 x2 = 0
Pero la solución óptima de PLE) es:
x1 = 0; x2 = 1; v(PLE) = 5
Temario:

Consideremos el siguiente problema de

programación entera:
PLE) Max 21x1 + 11x2

s.a. 7x2 + 4x2 ≤ 13
x1 ≥ 0
x2 ≥ 0
x1, x2 enteros
Consideremos inicialmente la resolución de la

relajación continua de PLE), que consiste en
eliminar las condiciones de integralidad.

x2
3 x2 = 3
3/2
2 x2 = 2
21x1+11x2=39
1 x2 = 1
13/7 sol. relajada
x1
x1 = 1 x1 = 2
21x1+11x2 7x1+4x2=13
Descripción del método Branch and Bound

(maximización)
Paso 0
Hacer P0), la relajación continua de PLE)
Fijar la cota inferior del v(PLE) en -∞ .
Paso1
Seleccionar un problema no resuelto, Pi)
Resolver Pi) como problema de programación lineal.
Agotar este problema, usando:
(i) que se encontró una solución entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que la
actual cota del valor óptimo v(PLE).
Si el problema Pi) resulta agotado y da solución

entera, mejorar el valor de la cota inferior de
v(PLE).
Si todos los problemas están agotados, parar.
Solución óptima de PLE), la solución entera
asociada a la actual cota inferior de v(PLE), si
existe (si no existe entonces PLE) es infactible)
Si el problema no está agotado pasar al paso 2.
Paso 2
Seleccionar una variable xj= ûj, cuyo valor en la
solución óptima de Pi) no de entero.
Eliminar la región correspondiente a
 ûj < ûj <  ûj + 1
Crear dos nuevos problemas de programación
lineal que incorporen a Pi) dos restricciones
mutuamente excluyentes: xj ≤  ûj , xj ≥  ûj
+1 una en cada problema y volver al paso 1.

x1 = 13/7 P0) Relajación continua
x2 = 0
P0 z = 39 -∞ < z ≤ 39
P1) Max 21x1 + 11x2
x1≤ 1 x1≥ 2
x1 = 1 s.a. 7x1 + 4x2 ≤ 13
x2 = 3/2 P1 P2 x1 ≤ 1
z = 37.5
infactible x1 ≥ 0
x2≥ 2
x2≤ 1 x2 ≥ 0
x1 = 1 x1 = 5/7
x2 = 2 P2) Max 21 x1 + 11x2
x2 = 1 P11 P12 s.a. 7x1 + 4x2 ≤ 13
z = 32 z = 37
x1≥ 1 x1 ≤ 1
x1 = 0
x2 ≤ 1
x2 = 13/4 P121 P122
z = 35.75 x1 ≥ 0
x2≥ 4 infactible x2 ≥ 0
x2≤ 3
x1 = 0 De donde 32 ≤ z ≤
x2 = 3 P1211 P1212 39
z = 33 infactible ↓
Solución óptima
BIBLIOGRÁFIA EN PROGRAMACIÓN 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.
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN ENTERA
•Preguntas de consulta frecuente en Programación Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html
•Servidor NEOS, guía de software de Programación 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
•Guía de software de Programación Lineal en revista OR&MS Today

(INFORMS Magazine):
Contenidos

Sistemas de Espera
Programación No - lineal
Temario:
IV.1. Introducción y ejemplos.

IV.2. Propiedades básicas de los problemas de
programación no-lineal.
IV.3. Problemas de optimización no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Métodos de optimización restringida.
A esta clase de problemas de optimización

pertenecen todos aquellos, en los cuales la función
objetivo y/o las restricciones son funciones no-
lineales de las variables de decisión.
En particular, la programación no-lineal provee una

manera de abordar el no cumplimiento del
supuesto de proporcionalidad de la programación
lineal, permitiendo la programación de economías
o deseconomías de escala y/o retornos crecientes
o decrecientes a escala.

a) Rendimientos decrecientes a escala.
Una compañía vende cuatro productos diferentes.
El retorno que provee cada producto es una
función de la cantidad de recursos asignados a la
promoción y venta de cada producto, según la
siguiente tabla:
PRODUCTO RETORNO (M$)

Producto 1 10.000 x1 0.50
Producto 2 7.500 x2 0.75
Producto 3 9.000 x3 0.60
Producto 4 15.000 x4 0.30
En este ejemplo:
xi es la cantidad de recursos asignados al producto
i, con i = 1,2,3,4.
El siguiente modelo provee una asignación de

estos recursos, de modo de maximizar las
utilidades, considerando una inversión anual no
superior a los M$ 75.000.
Max
10.000 x10.5 + 7.500 x20.75 + 9.000 x30.6 + 15.000 x40.3
s.a:
x1 + x2 + x3 + x4 ≤ 75.000
xi ≥ 0; i = 1, 2, 3, 4, 5.
b) Aproximación y ajuste de curvas.

Supongamos que se tiene un conjunto de datos
correspondientes a una determinada función
y=g(x) (desconocida), digamos (x1,y1), (x2,y2), ..,
(xm,ym) y se desea aproximar g(x) por una función
h(x)
ym
y2
y1
x1 x2 xm
Algunas elecciones posibles:
i) h (x) = a0 + a1 x
ii) h (x) = a0 + a1 x + a2 x2
iii) h (x) = a0 + a1 x a 2
iv) h (x) = a0 e a1x
v) h (x) = a0 + a1 x + a2 e a3x
vi) h (x) = a0 + a1 ln(x)
¿Cómo elegir los coeficientes a=(a0,...,an) en la

función h(x) que aproxima o ajusta los datos
observados?
Se define una función de error: e(x,a) = g(x) – h(x)
Una elección posible de los coeficientes ai resulta

de minimizar la suma ponderada de los errores al
cuadrado en cada uno de los datos , es decir:
m m
2 2
Min F(a) = ∑ i
ω e ( x i , a ) =∑ i i
ω ( y − h( x i ))
i =1 i =1
Que da origen a un problema de programación no-

lineal sin restricciones.
Si escogemos ω 1 = ... = ω m = 1 y h(x) = a0 + a1x, el
problema corresponde a una regresión lineal.
h(x)= a0 + a1x
ym
y2
y1
x1 x2 xm
Cuya solución resulta ser:

m y
 
a0 = ∑  i 
i=1  m 
m 
 ∑ yi x i 
a 1 =  i=1m 
 2 
 ∑ xi 
 i =1 
c) Localización de instalaciones.
Una compañía petrolera desea construir una
refinería que recibirá suministros desde tres
instalaciones portuarias, cuyas coordenadas se
muestran en la siguiente figura:
Puerto B
40
30 Puerto C
Puerto A
30 80
Si denotamos por x e y las respectivas

coordenadas de la refinería que se debe instalar,
una posible elección es aquella que resulta de
minimizar la cantidad total de tubería necesaria
para conectar la refinería con los puertos, dada
por:
Min f(x,y) = ( x − 0 ) 2 + ( y − 0 )2 +
(x − 30)2 + ( y − 40)2 +
(x − 80)2 + ( y − 30)2
La solución óptima calculada por el solver de Excel

es:
Puerto B
x =30,8052225
*
y*= 37,8900128
Puerto C
Refinería
Puerto A
d) Optimización de carteras de inversión

Se desea obtener una cartera de inversiones en
base a distintos instrumentos (acciones, pagarés,
bonos, etc). La cartera elegida deberá 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 también que exista cierta
correlación entre los retornos de los distintos
instrumentos de la cartera.
A continuación se formula un modelo para obtener

una cartera de inversión de un tomador de
decisiones con aversión al riesgo, con un vector de
retornos que tiene una distribución normal con
media: r = (r1, r2, ..., rn)T y matriz de covarianza:
Q = (σ ij) con i = 1, 2, ..., n y j = 1, 2, ..., n donde
σ ii denota la varianza del retorno del instrumento i
y donde σ ij (i ≠ j) es la covarianza de los retornos
del instrumento i con el j.
Sea xi el porcentaje de inversión del instrumento i

en la cartera, con i = 1, 2, ..., n las variables de
decisión del modelo y sea K una constante de
aversión al riesgo.
El siguiente modelo (propuesto por Markowitz,

Premio Nobel de Economía 1991), combina ambos
elementos presentes en una decisión de esta
naturaleza:
n n n
Max ∑ rixi − K ∑ ∑ σijxix j
i=1 i=1 j=1
n
sa : ∑ xi = 1
i=1
xi ≥ 0 1 = 1,2,..., n
Usando el servidor Neos para una cartera con tres

acciones seleccionadas del menú para este
problema en el servidor y un bono, se tiene:
Selected value of K is 10.00

Risk less rate of return (monthly) is 0.00407
Name Avg Return Std Desviation Pet of optimal

(monthly, pet) 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
Optimal Portfolio Statistics

Avg Return (monthly, pet) 2,03
Std Desviation 4,02

Pet of Optimal Potrfolio 27,2
21.0% Coca Cola

48.6% Exxon Corp
Texaco Inc
16.7%
Bond
13.7%
Temario:

desigualdad.
IV.2. Propiedades básicas de los prob. de prog. NL
De manera general, un problema de optimización

considera la resolución de un modelo como el que
sigue:
P) Min f(x)
s.a. x ∈ D ⊆ IRn
Donde f: IRn →IR es una función, comúnmente

continua y diferenciable, y D es el dominio de
factibilidad del problema, generalmente dado por:
D = {x ∈IRn / gi(x) = bi i=1,...,m; hr(x) ≤ dr r =1,...,l}
Decimos que x* ∈ D es un mínimo global o

solución óptima del problema P) ssi:
f(x*) ≤ f(x) para todo x ∈ D
Por otra parte, decimos que x^ ∈ D es un mínimo

local del problema P) ssi:
f(x^) ≤ f(x) para todo x en una vecindad de x^
(x ∈ D ∩ B(x^, ∈))
Min f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
s.a: 1≤ x≤ 5
f(x) Son mínimos locales x=1,

x+ y x*, en tanto la
solución óptima o
minimo global es x*
x*
x
1 2 3 4 5
x+

f(x,y) = -4x3 + 3x - 6y

f(x,y) = x2 - 4x - 2y
Existen resultados que garantizan la existencia y

unicidad de la solución de un problema de
programación no lineal.
Teorema (Weiertrass). Si f es una función continua y

D es un conjunto no vacío cerrado y acotado de IRn,
entonces P) tiene solución óptima.
Teorema. Si f es una función continua y D es un

conjunto cerrado no vacío y además f cumple que:
lim f (x,) entonces
= +∞ P) tiene solución óptima.
|x|→ +∞
Por su parte, la unicidad de la solución óptima se

puede garantizar sólo bajo ciertas condiciones muy
especiales.
De igual modo es posible garantizar si un mínimo
local es un mínimo global del problema.
Para esto se requiere saber si el problema P) es un
problema convexo, esto es si la función objetivo
f(x) es convexa y el conjunto D de puntos factibles
es un conjunto convexo.
Definición. Decimos que f: IRn→IR es una función

convexa ssi:
f( λ x + (1-λ )y ) ≤ λ f(x) + (1-λ )f(y)
para todo x, y ∈ D (x ≠ y) con λ ∈ [0, 1]
Si la desigualdad anterior se cumple de manera

estricta, decimos que f es estrictamente convexa.
Lineal a trozos
f(y)
f(x)
x y
Adicionalmente, se tiene el siguiente resultado

Teorema. Si f es una función dos veces
continuamente diferenciables, las siguientes
afirmaciones son equivalentes:
i) f es una función convexa
ii) f(x) ≥ f(y) + ∇ fT(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 D2f(x),
es semi positiva definida para todo x.
Por otra parte, también podemos caracterizar si un

conjunto cualquiera es convexo o no, de acuerdo a
la siguiente:
Definición. D ⊆ IRn, un conjunto no vacío, es
convexo ssi λ x + (1-λ ) y ∈ D, para todo x ∈
D, y ∈ D con λ ∈ [0,1].
y y
x
x
Es convexo No es convexo
Así por ejemplo, si h(x) es una función convexa el

conjunto D = { x ∈ IRn ⁄ h(x) ≤ d } es convexo
para cualquier escalar real d.
También es posible demostrar que la intersección
de conjuntos convexos es un conjunto convexo. De
aquí que por ejemplo el problema
P) Min f(x)
s.a hr(x) ≤ dr r=1,2,...,l
Con f(x) y hr(x) funciones convexas para r=1,2,..,l

definen un problema convexo, pues el dominio de
factibilidad es la intersección de los conjuntos
convexos Dr={ x ∈ IRn ⁄ hr(x) ≤ dr }, para r=1,2,..,l.
Teorema. Si P) es un problema convexo y x* es un
mínimo local de P) entonces x* es un mínimo
global o solución óptima de P), si además, f es una
función estrictamente convexa x* es una solución
óptima única.
La principal dificultad en los problemas de

programación no lineal es que incluyen restriciones
no lineales de igualdad como g(x) = b y el conjunto
de puntos {x∈IRn : g(x)=b} generalmente no es
convexo cuando g(x) es una función no lineal
cualquiera. Por lo tanto no todos los problemas de
programación no lineal son convexos y esto hace
más difícil garantizar que la solución encontrada
por un solver sea una solución óptima del
problema.
Como puede verse en el siguiente ejemplo, que

resolveremos gráficamente, la geometría de los
problemas también cambia respecto de lo
observado en programación lineal.
Consideremos el siguiente problema:
Min (x1 - 3)2 + (x2 - 4)2
s.a. x1 + x 2 ≤ 5
x1 - x2 ≤ 5/2
x1 ≥ 0, x2 ≥ 0

La solución óptima x* de este problema se alcanza

el punto x1* = 2, x2* = 3 correspondiente al único
punto de la curva de nivel que tiene el menor valor
y que intersecta la región de puntos factibles.
Notar que la solución ya no corresponde a un
vértice del dominio de factibilidad del problema,
aún cuando todavía esta solución se alcanza en la
frontera de dicho conjunto.
Sin embargo, esto último, a diferencia de lo que

ocurre en programación lineal, no siempre se
produce. Si por ejemplo el problema es ahora:
Min (x1 - 2)2 + (x2 - 2)2
s.a x1 + x2 ≤ 5
x1 - x2 ≤ 5/2
x1 ≥ 0, x2 ≥ 0
La solución cambia a lo representado en la

siguiente figura, donde la solución óptima se
alcanza en x1* = 2, x2* = 2, ahora perteneciente al
interior del dominio de factibilidad del problema.

Gráficamente,
también
podemos
observar la
presencia de
divesos mínimos
locales en un
problema no
lineal.
Temario:

desigualdad.
En esta sección consideraremos un problema

P) Min f(x) con x ∈ IRn
A esta clase de problemas pertenece por ejemplo
el problema de aproximación y ajuste de curvas.
Sin embargo, la principal razón para su estudio
radica en la extensión de las ideas y métodos para
esta clase de problemas a los problemas de
optimización restringida.
A continuación se resumen algunos resultados

teóricos para esta clase de problemas:
Teorema (condiciones necesarias de primer

orden). Si f es una función continuamente
diferenciable y x+ ∈ IRn es un mínimo local de P),
entonces: ∇ f(x+) = 0.
Teorema (condiciones necesarias de segundo

orden). Si f es una función dos veces
continuamente diferenciable y x+ ∈ IRn es un
mínimo local de P), entonces:
∇ f(x+) = 0 y D2 f(x+) es semi positiva definida.
Dado lo anterior, no todos los puntos x ∈ IRn que

satisfacen las propiedades mencionadas son
mínimos locales de la función, sin embargo existen
resultados que proveen condiciones necesarias y
suficientes para que un punto sea un mínimo local.
Teorema (condiciones necesarias y suficientes de

segundo orden). Sea f una función dos veces
continua diferenciable en x+ ∈ IRn . Si ∇ f(x+) = 0 y
D2f(x+) es positiva definida, entonces x+ es un
mínimo local estricto.
Teorema. Sea f una función convexa

continuamente diferenciable, entonces x+ es un
mínimo global ssi ∇ f(x+) = 0.
Ejemplo. Considere la función:

f(x1,x2) = 3 x12 + x23 - 3/2 x22
su gradiente y matriz Hessiana corresponden a:
 6x1 
∇f ( x ) =  2 
3
 2x − 3 x 2
2 6 0 
D f (x) =  
 0 6 x 2 − 3 
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
2 6 0 
D f (x) =  
 0 6 x 2 − 3 
sólo es positiva definida en x* = (0,1), de modo que
x* es un mínimo local del problema.

La mayor parte de los algoritmos de optimización

para abordar esta clase de problemas pertenecen
a la clase de algoritmos generales de descenso
que reducen el cálculo de un mínimo local a una
secuencia de problemas de búsqueda lineal (o
búsqueda unidimensional).
Decimos que un vector d ∈ IRn es una dirección de

descenso de la función f en el punto x+ ssi la
derivada direccional de f en x+ en la dirección d, es
negativa: x2
∇ f(x)
d
x+
-∇ f(x)
Z=20
Z=10 x1
Consideremos además la función unidimensional

(en una variable)
g(α ) = f(x+ + α d)
donde α es un escalar real llamado el tamaño del
paso. Esta función da el valor de la función f
cuando uno se mueve a partir del punto x+ en la
dirección d un cierto paso α .
Claramente, si g’(0) = ∇ fT(x+)d < 0, es posible

escoger un paso α tal que:
g(α ) = f(x+ + α d) < f(x+) = g(0)
esto es, que reduzca el valor de la función respecto
del valor actual en x+.
Algoritmo general de descenso

1) Considere un punto inicial x = x0. Hacer k = 0.
2) Escoger una dirección de descenso dk.
3) Realizar una búsqueda lineal que seleccione un
paso α k tal que: gk(α k) = f(xk + α kdk) < f(xk) = gk(0)
4) Hacer xk+1 = xk + α kdk.
5) Hacer un test de convergencia. Si converge
parar. En caso contrario, hacer k=k+1 y volver a 2)
En el paso 5), los criterios más usuales de

convergencia son que se cumpla:
| | ∇ f(xk) | | < ε
f(xk+1) - f(xk)/ (1+ f(xk)) < ε
para un cierto número L de valores consecutivos
de k, y donde ε es una tolerancia de error dada,
por ejemplo ε = 10-4.
Existen varios métodos para escoger una dirección

de descenso, uno de ellos es:
Método del Descenso más Pronunciado

En este método, también conocido como Método
del Gradiente o Método de Cauchy, dado la actual
aproximación xk, la dirección de descenso se
escoge como:
dk = -∇ f(xk)
Ejemplo.Considerar el problema:
Min (x1 – 2)4 + (x1 – 2x2)2

sa:  x1  2
x  ∈ IR
 2
que resolvemos usando el método del descenso

más pronunciado a partir del punto x10 = 0, x20 = 3
Iteración k xk f(xk) ∇ f(xk) α 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

Otra elección posible para la dirección de descenso

es la que usa el:
Método de Newton
Aquí el vector dk se calcula como la solución del
siguiente sistema de ecuaciones:
D2f(x)dk = - ∇ f(x)
Sin embargo, a pesar de ser un método más

eficiente que el anterior respecto de su rápidez de
convergencia, requiere en cada iteración, el cálculo
de las segundas derivadas parciales y la resolución
de un sistema de ecuaciones. Además, dk está
garantizada que es una dirección de descenso sólo
si D2f(xk) es positiva definida.
Al aplicar el método al ejemplo anterior se tiene:

Iteración k f(xk) ∇ f(xk)

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 (-0.22,-0.04)
(-0.07, 0.00)
6 (1.74,0.87) 0.05 (-0.0003,-0.04)
8 (1.83,0.91) 0.0009
Temario:

desigualdad.
El problema que se desea abordar consiste en:
P) Min f(x)
s.a. g1(x) = b1
g2(x) = b2
g m(x) = bn m≤ n
Definición. Decimos que x ∈ IRn es un punto

regular de las restricciones del problema P) ssi:
gi(x) = bi i = 1, 2, ..., m
∇ g1(x), ∇ g2(x), ..., ∇ gm(x) son vectores l.i.

Para presentar algunos resultados teóricos, que

permiten el cálculo de mínimos locales, se
introdujo la definición anterior, que se relaciona con
el cumplimiento de ciertas condiciones de
regularidad del problema.
A continuación, introducimos la función

Lagrangiana asociada a P):
m
L(x, λ ) = f (x ) + ∑ λi (gi (x ) − bi )
i=1
donde λ = ( λ 1 , λ 2 , ..., λ m)T representa el

vector de los Multiplicadores de Lagrange.
Los siguientes resultados teóricos establecen

ciertas propiedades que satisface un mínimo local,
las cuales muestran, en particular, que dicho punto
es un punto estacionario de la función
lagrangeana.
Teorema. (Condiciones necesarias de primer

orden):
Sean f(x) y g1(x),g2(x),...,gm(x) funciones
continuamente diferenciales y sea x^ un mínimo
local que además es un punto regular de las
restricciones de P), entonces existe un vector λ^
∈ IRm, de multiplicadores de Lagrange tales que:
m
∇ x L(x ^ , λ^ ) = ∇f (x ^ ) + ∑ λî ∇gi (x ^ ) = 0
i =1
Teorema (Condiciones necesarias y suficientes de

segundo orden).
Sean f, g1 ,g2, ..., gm funciones dos veces
continuamente diferenciables y sea x^ ∈ IRn un punto
regular de las restricciones de P) que junto con λ^ ∈
IRm, satisfacen:
m
∇ xL(x , λ ) = ∇f (x ) + ∑ λî∇gi (x ^ ) = 0
^ ^ ^
y que m i =1
D2 f (x ^ ) + ∑ λî D 2 gi (x ^ )
es una matriz positiva
i =1 definida entonces x^ es un
mínimo local de P).
Ejemplo: Min x12 + x 22

sa : x1 + x 2 = 4
 x1  2
x  ∈ IR
 2
Buscamos la solución óptima usando las

condiciones de optimalidad:
f (x ) = x12 + x 22 ;m = 1 h1(x ) = x1 + x 2 = 4
∇f (x ) = (2x1, 2x 2 )T 0 0 
∇h1(x ) =  
 0 0 
2 0  2 0 0 
2
D f (x) =  D h( x ) =  
0 2   0 0 
 
Luego las condiciones de primer orden son:
2x1 + λ1 = 0
2x2 + λ1 = 0
x1 + x2 - 4 = 0 ( Factibilidad)
Resolviendo el sistema: x1 = x2 = 2; λ1 = -4, luego por

existencia de la solución óptima de P) se tiene que
la solución óptima es :
x1=2 , x2=2
De todos modos las condiciones de segundo orden

se cumplen pues:
2 0  0 0  2 0 
0 2  + λ 1 0 0  = 0 2 
     
es positiva definida. m
Notar que en x* se tiene: − ∇f ( x ) = ∑ λi ∇hi ( x )
* * *
i=1
[− 4 − 4 ] = −4[ 1 1]
T T
Temario:

desigualdad.
IV.5. Prob. con rest. de igualdad y desigualdad.
Por último consideramos un problema más general

de optimización:
P) Min f(x)
s.a. gi(x) = bi i = 1, 2, ..., m
hr(x) = dr r = 1, 2, ..., l
En este caso decimos que x^ es un punto regular

de las restricciones del problema ssi:
gi(x^) = bi ; i = 1, 2, ..., m
hr(x^) ≤ dr ; r = 1, 2, ..., l
∇ g1(x^), ∇ g2(x^), ..., ∇ gm(x^), ∇ hj(x^) vectores l.i.
con j ∈ { r / hr(x^) = dr }
Teorema (condiciones necesarias de primer orden

de Karush-Kuhn-Tucker (KKT)).
Suponga que las funciones f, g1, ..., gm, h1, ..., hl
son continuamente diferenciables. Sea x^ un punto
regular de P) y mínimo local del problema,
entonces existen multiplicadores de lagrange:
λ 1 , λ 2 , ..., λ m y
µ 1 , ^µ 2 , m..., µ l ≥^ 0 : l ^
∇f (x ) + ∑ λ i ∇gi (x ) + ∑ µr ∇hr (x ) = 0
i =1 r =1
µ r (hr (x ^ ) − dr ) = 0 ; r = 1, 2, ..., l
Temario:

desigualdad.
a) Método de activación de restricciones

Este método se aplica en esta descripción a
problemas que sólo poseen restricciones de
desigualdad.
La idea es que si el problema no restringido tiene
una solución óptima 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 solución también satisface las restricciones
omitidas.
Paso1: Resuelva el problema no restringido. Si el

óptimo 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 solución que satisfaga las condiciones
de optimalidad KKT. Si la solución 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 solución factible ir al paso 3.
Paso 3: Si k = L (# total de restricciones) no existe

solución factible. En caso contrario, hacer k= k+1 e
ir a paso 2.
Ejemplo. Consideremos el problema:

Min (2x1 – 5)2 + (2x2 – 1)2
s.a. x1 + 2x2 ≤ 2
x1, x2 ≥ 0
El problema no restringido tiene como solución a
x1* = 5/2 y x2* = ½
obtenida al resolver: ∇ f(x) = 0
Claramente, este punto no satisface la restricción:

h1(x1,x2) = x1 + 2x2 ≤ 2.
Consideramos entonces activa la restricción lineal,

esto es resolvemos:
∇ f(x1, x2) + µ 1 ∇ h1(x1, x2) = 0
h1 (x1, x2) = 2
Cuya solución optima es:

x1^ = 22/10 = 11/5
x2^ = -1/10
µ 1
^
= -12/5 que no satisface x2 ≥ 0
Continuando con el método, si sólo se activa x1= 0

se llega al mínimo local:
x1 = 0, x2 = ½ µ 2= 0, µ 1= 0, µ 3= 0
Notar que otro mínimo local se tiene con

x1 + 2x2 ≤ 2 y x2 = 0 activas, obteniéndose:
x1 = 2, x2 = 0.
b) Método de Frank – Wolfe.

Este método permite la resolución de un problema
cuya función objetivo es una función convexa no-
lineal y cuyas restricciones son todas lineales. Este
método reemplaza la función objetivo por una
secuencia de funciones lineales que la aproximan,
dando así origen a una secuencia de problemas de
programación lineal.
Si xk es la actual aproximación a la solución óptima

del problema
P) Min f(x)
s.a. Ax = b
x≥ 0
Entonces la expansión en serie de Taylor en torno

a x =xk, a saber f(x) = f(xk) + ∇ f(xk)(x – xk), permite
aproximar el problema P) por el problema lineal:
Min f(xk) + ∇ f(xk)(x – xk)

s.a. Ax = b
x≥ 0
o equivalentemente, eliminando los términos
constantes, se puede considerar el problema:
PLk) Min ∇ f(xk)x
s.a. Ax = b
x≥ 0
Si xPLk denota la solución óptima de PLk), este punto

no necesariamente es cercano a xk de modo que
es necesario proponer un punto que resulte de
hacer una minimización unidimensional en el
segmento que une xk con xPLk.
Todo lo anterior se resume en el siguiente

algoritmo:
Pao 0: Escoger un punto inicial factible x0. Hacer

k = 1.
Paso 1: Evaluar c= ∇ f(xk-1)
Paso 2: Hallar la solución óptima xPLk del siguiente
problema lineal
Min cT x
s.a. Ax = b
x≥ 0
Paso 3: Para la variable α ∈ [0, 1], se define

g(α ) = f(xk-1 + α [xPLk – xk-1])
Usar algún procedimiento de minimización
unidimensional para hallar un α k que aproxime la
solución de Min { g(α ) / α ∈ [0, 1]}
Paso 4: Hacer xk = xk-1 + α k (xPLK – xk-1)

Paso 5: Si se satisface el criterio de parada del
método, parar. En caso contrario, hacer k = k + 1 y
volver al Paso 1.
Ejemplo.
Min x12 – 5x1 + 2x22 – 8x2
sa: 3x1 + 2x2 ≤ 6
x1, x2 ≥ 0
Iteración k x k-1 ∇ f(x k-1 ) xLP k xk α 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
BIBLIOGRÁFIA EN PROGRAMACIÓN 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. Introducción a la Programación 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.Moré and S.Wright, SIAM
Frontiers in Applied Mathematics 14, SIAM Publications,
Philadelphia 1993.
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN NO

LINEAL
•Preguntas de consulta frecuente en Programación No Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/nonlinear-programming-faq.html
•Servidor NEOS, guía de software de Programación 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 inversión:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/port/index.html
•Guía de software de Programación No Lineal en revista OR&MS Today

(INFORMS Magazine):
Contenidos

Sistemas de Espera
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de Markov
Temario:
V.1. Introducción.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificación de los estados y distribución
límite.
V.5. Cadenas de Markov en tiempo continuo.
V.1. Introducción.
Un Proceso Estocástico se define como secuencia

de variables aleatorias {Xt} t∈T, donde el conjunto de
índices 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.
V.1. Introducción.
El proceso estocástico {Xt} t∈T puede representar por

ejemplo:
• El número de vehículos esperando en una plaza
de peaje en el instante t.
• El número total de llamadas recibidas solicitando
un determinado servicio hasta el instante t.
• El número de máquinas descompuestas o en
reparación en un determinado taller en el instante
t.
V.1. Introducción.
• El nivel de inventario de cierto producto al final del

día t.
• El valor de una determinada acción en el instante
t.
Por ejemplo, la evolución del número de
compradores en una tienda al ser abierta al
público, entre las 8:00 y 9:40 de la mañana (100
minutos) puede ser representada por un proceso
estocástico y una posible realización de éste se
observa en la siguiente gráfica:
V.1. Introducción.
Número 4
de
3
compradores
en el
2
sistema
1
0
20 40 60 80 100
Tiempo (en minutos)
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Temario:
V.1. Introducción.
límite.
En primer lugar, definimos un proceso estocástico

de conteo {Nt} t≥ 0, que corresponde al número total
de eventos o llegada de entidades, a un sistema
dado, ocurridas hasta el instante t, el cual
satisface:
i) N0=0.
ii) Los valores de Nt están restringidos a números
enteros.
iii) Nt es un proceso no decreciente en el tiempo, es

decir si s < t entonces Ns ≤ Nt
iv) Si s < t entonces Nt – Ns es el número total de
eventos en el intervalo (s,t]
Si por ejemplo, Nt denota el número total de llamadas

recibidas en una central telefónica hasta el instante t,
para todo t ≥ 0, una realización posible del proceso
estocástico {Nt} t≥ 0 puede ser:
6 Nt
Número 5
de
4
llamadas
3
Tiempo
Un proceso estocástico de conteo {Nt} 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 sólo del tiempo de duración h y
no del instante s, es decir, si t1≥ 0, t2≥ 0 y h≥ 0
entonces Nt1+h–Nt1 y Nt2+h–Nt2 son v.a. con igual
distribución.
ii) Incrementos Independientes. El número de

eventos que ocurren durante intervalos de tiempo
disjuntos son independientes. Es decir, si
0<t0<t1<...<tn entonces Nt0, Nt1-Nt0, ..., Ntn-Nt(n-1) son v.a.
Independientes.
iii) Propiedad de orden. Se asume que no tiene

lugar de manera simultánea la llegada u ocurrencia
de dos o más eventos.
Existe una constante λ > 0 tal que para todo

t ∈[0,∞ [ y h > 0, se tiene:
IP(Nt+h – Nt =1) = λ h +o(h)
IP(Nt+h - Nt ≥ 2) = o(h)
Si {Nt}t≥ 0 es un proceso de Poisson, entonces para
todo t ≥ 0, la variable aleatoria Nt es una variable
aleatoria Poisson de parámetro λ t, esto es
IP(Nt = k) = -eλ t (λ t)k / k! ; k= 0,1,2,3,...,

donde λ es la tasa de ocurrencia de eventos por
unidad de tiempo. De aquí entonces que
IE (Nt) = λ t
Var(Nt) = λ t
Ejemplo. Para un proceso de Poisson a tasa λ , 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 {Nt}t≥ 0 dicho proceso, entonces
IP(Nh=k / Nt=n)
= IP(Nh=k, Nt=n) / IP(Nt=n)
= IP(Nh=k, Nt – Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt – Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt-h = n - k) / IP(Nt=n)
= e-λ h(λ h)k / k! e-λ (t-h)
(λ (t-h))n-k / (n-k)! /
e-λ t(λ t)n / n!
k n −k
 h  h   t − h 
=     
 k  t   t 
Ejemplo.
Suponga que llegan pasajeros a un terminal de
buses de acuerdo a un proceso de Poisson {Nt}t≥ 0
a tasa λ =3 pas./min. En el instante t=0 acaba de
salir un bus y no deja ningún pasajero en la fila,
suponga además que cada bus tiene una
capacidad suficiente para no dejar pasajeros
esperando en el terminal.
Sea T el tiempo que transcurre hasta la próxima

salida de un bus, este corresponde a una v.a.
uniforme en el intervalo (9 min, 11 min) y es
independiente del proceso {Nt}t≥ 0. Se desea
calcular el número esperado de pasajeros que
aborda cada bus.
Solución
11
1
IE(Y = n) = ∫ IE(Y / T = t ) dt
9 11 − 9
11
1
= ∫ IE(Nt ) dt
9 2
1 11
= ∫ 3t dt
29
= 30
Interesa estudiar sistemas en los cuales ocurren

determinados eventos a través del tiempo. Hemos
utilizado un proceso de Poisson {Nt}t≥ 0 para el
número de eventos que ocurran hasta un instante
t, asociado a este proceso también existen v.a.
continuas T1, T2,..., Ti, ... que indican el instante de
ocurrencia del i-ésimo evento y v.a. continuas
S1 = T1, S2 = T2 - T1, ... que representan el tiempo
transcurrido entre eventos sucesivos.
6 Nt
Número 5
de
eventos 4
3
2
1
0
T1 T2 T3 T4 T5 Tiempo
S1 S2 S3 S4 S5
Teorema. Si {Nt}t≥ 0 es un proceso de Poisson a

tasa λ , las v.a. S1, S2, S3, ... de los tiempos entre
eventos sucesivos, son i.i.d. con distribución
exponencial de parámetro λ . Es decir, para t≥ 0
F(t) = IP (Si ≤ t) = 1 – e-λ t f(t) = e-λ t
son sus respectivas funciones de distribución y

densidad.
Ejemplo.
Sea {Nt}t≥ 0 un proceso de Poisson a tasa λ , que
cuenta el número de veces que se ha
reemplazado una ampolleta en una lámpara
determinada. Si la primera ampolleta lleva s horas
funcionando, calcular la probabilidad de que
complete más de s + t horas funcionando.
Denotamos por T1 la v.a. correspondiente al

tiempo transcurrido hasta que se produce el primer
reemplazo. Entonces T1 ∼ Exp(λ ), luego
IP(T1 > s + t )
IP(T1 > s + t / T1 > s) =
IP(T1 > s)
e −λ(s+ t ) − λs
= − λt
= e = IP(T1 > t )
e
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 distribución exponencial.
Ejemplo.
Suponga que en un proceso productivo se tiene
dos máquinas que trabajan en paralelo elaborando
un mismo producto. Sean Nt1 y Nt2 procesos de
Poisson independientes a tasas λ 1 y λ 2 que
cuentan el número de fallas hasta el instante t de
la máquina 1 y 2 respectivamente. Calcular la
probabilidad de que la máquina 2 falle por primera
vez antes de que la máquina 1 falle por primera
vez.
Sean T1 y T2 los tiempos transcurridos hasta que se

produce la primera falla en la máquina 1 y 2
respectivamente.
Entonces, T1 ∼ Exp(λ 1) y T2 ∼ Exp (λ 2) y se pide
calcular IP(T2<T1) lo cual resulta, condicionando
por ejemplo en el valor de T1,
IP (T2<T1 ) = λ 2/(λ 1 +λ 2)
Condicionando el valor de T1 se tiene:
IP(T 2 ≤ T 1 ) = ∫ IP(T 2 ≤ T 1 = t )λ 1e − λ dt 1
= ∫ IP(T 2 ≤ t )λ 1e − λ t dt
1
= ∫ IP(1 − e − λ t )λ 1e − λ t dt
2 1
= 1 − λ 1 ∫ e −( λ + λ ) t dt
1 2
= 1 − λ 1 /(λ 1 + λ 2 )
= λ 2 /(λ 1 + λ 2 )
Por otra parte, las variables aleatorias T1,T2,..., de

los instantes de ocurrencia de los eventos
satisfacen:
T1 = S1 ∼ Exp (λ )
T2 =. S1 + S2 ∼ Gamma (2,λ )
.
.
Ti = S1 + S2 + ... + Si ∼ Gamma (n,λ )

Cuya función de distribución corresponde a:
k
n −1 ( λ t )
IP(Ti ≤ t ) = 1 − ∑ e − λt
k =0 k!
Temario:
V.1. Introducción.
límite.
Consideremos un ejemplo simplificado relacionado

con la propagación de una enfermedad
contagiosa. La transmisión 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.
Sea Xn el número de individuos susceptibles de

contagio en la población, al final de la semana
n=1,2,...
Se define pij = IP(X n+1 = j / X n = i) , 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 ).
 i  i− j
Entonces: pij =   p (1 − p) j
 j
Un proceso estocástico en tiempo discreto {Xn}n=1,2,....

se denomina una Cadena de Markov en tiempo
discreto ssi satisface las siguientes propiedades:
i) Propiedad Markoviana:
IP(X n+1 = j / X 0 = i0 , X 1 = i1,..., X n−1 = in−1, X n = i)

= IP(X n+1 = j / X n = i)
Donde i0, i1, ..., in-1, i, j son posibles “ estados” o
valores que puede tomar el proceso estocástico en
las distintas etapas.
ii) Propiedad estacionaria:

La probabilidad pij = IP(X n+1 = j / X n = i) , no
depende de la etapa n.
Las probabilidades pij son llamadas
“probabilidades de transición en una etapa del
estado i al estado j “. Suponiendo que cada etapa
n la v.a. Xn toma un número finito de valores
(estados), digamos 1,2,... M; estas probabilidades
definen una matriz P de probabilidades de
transición en una etapa.
 p11 p12 ⋅⋅⋅ p1M 

 p p 22 ⋅⋅⋅ p 2M 
 21 
P = (pij )i=1...M = 
j=1...M p ⋅⋅⋅ 
 (M−1)1 p (M−1)2 p (M−1)M 
 pM1 p M2 ⋅⋅⋅ pMM 
Adicionalmente, se supone conocida la

distribución de probabilidad de la Cadena de
Markov en la etapa inicial, que denotamos según f0
, donde :
 IP(X 0 = 1) 
 IP(X = 2) 
f0 =  0 
 
IP(X = M)
 0 
El conocimiento del proceso estocástico

{Xn}n=0,1,2,...consiste en poder determinar la distribución
de probabilidad en cada etapa, esto es
calcular IP (Xn = j) para cada n ≥ 1 y estado j=
1,2,.....,M.
Notar que para cada j:
IP(X n = j) = ∑ IP(X n = j / X n−1 = i) IP(X n−1 = i)
i
= ∑ pij IP(X n−1 = i)
i
Matricialmente esto equivale a tener:

 IP(X n = 1)   p11 p 21 ⋅ ⋅ pM1   IP(X n−1 = 1) 
 IP(X = 2)  p p ⋅ ⋅ p   IP(X = 2 ) 
 n   12 22 M2   n −1 
fn =  =   
     
     
IP(X n = M) p1M p 2M ⋅ ⋅ pMM  IP(X n−1 = M)
De manera recursiva se tiene entonces:
fn = PT fn-1 = (PT)n f0
También es posible obtener las probabilidades de

transición de un estado a otro al cabo de k etapas,
que denotamos por :
pij(k ) = IP(X n+k = j / X n = i) = IP(X k = j / X 0 = i)
Que resumidas en una matriz ( para el caso de un

número finito de estados).
P (k ) = (pij(k ) )
Estas satisfacen las ecuaciones de Chapman y

Kolmogorov que implican: P(k) = Pk
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
distribución:
IP (D = 0) = 1/4, IP (D = 1) = 1/2,
IP (D = 2) = 1/4, IP (D >= 3) = 0
Sea Xn el nivel de inventario al inicio del día n y
suponga que la tienda tiene la política de
mantención de inventario (s, S), que consiste en
que si al final del día se posee menos de s, se
hace una orden de pedido que al inicio del día

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 planificación hay S
unidades en inventario con s = 1 y S = 2.
Se tiene que:
Xn ∈ {1, 2} ; n = 0, 1, 2, ...
0  IP(x 0 = 1)  0
f =  = 
IP(x 0 = 2)  1
pi, j = IP(X n+1 = j / X n = i) ; i, j ∈ {1,2}
p11 = IP(D = 0) = 1/ 4
p12 = IP(D ≥ 1) = 3 / 4
p 21 = IP(D = 1) = 1/ 2
p 22 = IP(D = 0) + IP(D ≥ 2) = 1/ 2
Entonces la matriz de probabilidades de transición

en una etapa corresponde a:
1/ 4 3 / 4 
P= 
1 / 2 1 / 2 
Ejemplo 2.
Suponga que en el sistema de las AFP existen
solo 2; las AFP A y las AFP B. Sea N el número
de personas afiliadas al sistema; la
superintendencia está preocupada de que las
cuentas individuales estén al día. 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.
Si la AFP a la cual pertenece la persona no tiene

su cuenta individual al día; 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 día es P1 y que esta
probabilidad para la AFP B es P2.
Se desea estudiar la movilidad de los clientes en
cada AFP en cada mes del horizonte de
planificación.
Se tiene:
Xn: el número de personas en la AFP A al final del

mes n; con n = 0, 1, 2, ..., n
xn ∈ {0, 1, 2, ..., N}
Calculemos las probabilidades de transición en

una etapa (mes)

i
pi,i−1 = (1 − P1 ) ; 1 ≤ i ≤ N − 1
N
i (N − i)
pi,i = P1 + P2
N N
(N − i)
pi,i+1 = (1 − P2 )
N
pij = 0 ; j ≠ i − 1, i, i + 1
p 0,0 = P2 p 0,1 = (1 − P2 ) p 0, j = 0 j ≠ 0,1

pN,N−1 = 1 − P1 pN,N = P1 pNj = 0 j ≠ N − 1, N
Temario:
V.1. Introducción.
límite.
V.4. Clasificación de los est. y distribución límite.
En esta sección se presentan algunos resultados

que tienen relación con la existencia y cálculo de
una distribución 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 algún n
pij(n) = IP(X n = j / X 0 = i) > 0

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 están en una

misma clase de estados.
iv) Se dice que una cadena es irreducible si hay

una sola clase de estados.
v) Un estado se dice que tiene periodo d, para el

mayor valor del entero d que cumple:
pii(n) = IP(X n = i / X 0 = i) > 0
sólo para valores de n pertenecientes al conjunto

{d, 2d, 3d, ....}. Si d=1 decimos que el estado es
aperiódico.
vi) Se define T(i,j) como el número de etapas

requeridas por el proceso para pasar de estado i al
estado j por primera vez. De igual modo se define:
Fk (i, j) = IP(T (i, j) = k )

es decir :
Fk (i, j) = IP(X k = j, X k −1 ≠ j,..., X 1 ≠ j / X 0 = i)
como la probabilidad de que comenzando en i,

ocurra la primera transición al estado j al cabo de
exactamente k etapas.
Puede probarse por inducción, la siguiente formula:

F1(i, j) = pij
Fk = (i, j) = ∑ pim Fk −1(m, j), k >1
m≠ j
vii) En particular, se denota por Fk(i,i) la

probabilidad de que el proceso retorne al estado i
por primera vez al cabo de k etapas. De modo que:
∞
F(i, i) = ∑ Fk (i,i)
k =1
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 IE( T (i, i)) = ∑k =1k Fk (i, i) , el valor
esperado de el número de etapas que le toma al
proceso volver al estado i por primera vez,
partiendo del estado i.
Un estado se dice recurrente positivo ssi:
F(i, i) = 1 y IE(T (i, i)) < +∞
Un estado se dice recurrente nulo ssi :
F(i, i) = 1 y IE(T (i, i)) = +∞

Ejemplo
Define una cadena
1/ 2 1/ 2 0 
de estados irreducible
p =  0 1/ 3 2 / 3
  con estados recurrente
1/ 3 1/ 3 1/ 3  positivos periódicos
 1 1/ 2 0  Posee dos clases

p = 1/ 2 1/ 6 1/ 3 
de estados y uno de
  los estados es
1/ 5 3 / 5 1/ 5  transciente.
Es una cadena
irreducible, de
 0 1 0 0
1/ 2 0 1/ 2 0
estados recurrentes
p=  positivos y todos
 0 0 0 1
 1 sus estados son
 0 0 0
periódicos de
periodo d=2.
Si la distribución de probabilidad del proceso en el

largo plazo existe y es independiente de la
distribución inicial (o del estado inicial), decimos
que el proceso tiene una distribución estacionaria
π = ( π 1, π 2, ..., π M) T
π j = lim IP(X n = j) = lim pij(n)

n→ ∞ n→∞
Proposición.
Sea {Xn}n=0,1,2 una cadena de Markov irreducible con
estados recurrentes positivos aperiódicos,
entonces existe una distribución estacionaria π ,
tal que π > 0 y que se obtiene como la solución
única del sistema:
π = PT π
∑ πj = 1
j
πj ≥ 0
Ejemplo. Se desea calcular las probabilidades

estacionaria π j, que también representan la
fracción del tiempo que el sistema esta en el
estado j en el largo plazo 1/2
1/2
1/ 2 1/ 2 0  1
p =  0 1/ 3 2 / 3 1/3 2
  1/3
1/ 3 1/ 3 1/ 3  1/3
2/3
T
π=P π 3
π1 + π 2 + π 3 = 1 1/3
Sistema que corresponde a las siguientes

ecuaciones:
1 1
(1) π1 = π1 + π 3
2 3
1 1 1
(2) π2 = π1 + π2 + π3
2 3 3
2 1
(3) π3 = π2 + π3
3 3
(4) π1 + π2 + π3 = 1
2
de (1) π1 = π3
3
de (2) π2 = π3
2
así π3 + π3 + π3 = 1
3
1 3
∴ Solución π1 = π2 = π3 =
4 8
Ejemplo:
Una compañía 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 estimación de la matriz de
probabilidades de cambiarse de una marca a otra
cada mes: 1 2 3
1 0.8 0.1 0.1
2 0.03 0.95 0.02
3 0.2 0.05 0.75
En la actualidad los porcentajes de mercado son

45%, 25% y 30%, respectivamente.
¿Cuales serán los porcentajes de mercado de
cada marca en dos meses más?
xn ∈{1,2,3}: marca que adquiere un cliente
cualquiera en el mes n=0,1,2,3,...
 IP(X 0 = 1) = 0.45   0 .8 0.1 0.1 
f 0 = IP(X 0 = 2) = 0.25  P = 0.03 0.95 0.02 
   
IP(X 0 = 3) = 0.30   0.2 0.05 0.75 
Al término del mes siguiente:

 IP(X 1 = 1) = 0.4275 
f 1 = P T f 0 = IP(X 1 = 2) = 0.2975 
 
IP(X 1 = 3) = 0.2750 
Y dos meses después:
 IP(X 2 = 1) = 0.4059 
f 2 = P T f 1 =  IP(X 2 = 2) = 0.3391
 
IP(X 2 = 3) = 0.2550 
De aquí 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.
¿Cuál 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 aperiódicos . Denotando por
π =(π 1, π 2, π 3)T, las probabilidades estacionarias
de largo plazo, las cuales satisfacen:
π =PT π
Σ π i=1; i = 1,2,3.
π 1=0.8 π 1+ 0.03 π 2+0.20 π 3
π 2=0.10 π 1+ 0.95 π 2+0.05 π 3
π 3=0.10 π 1+ 0.02 π 2+0.75 π 3
π 1 + π 2+ π 3 =1
Cuya solución resulta:

π 1= 0.2373 π 2= 0.6184 π 3= 0.1443
De aquí 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
transición.
Temario:
V.1. Introducción.
límite.
Se desea estudiar el comportamiento de sistemas

que dependen en forma continua del tiempo:
Xt: número de ambulancias disponibles en el

instante t.
Xt: número de personas esperando ser atendidas
en el banco o en el supermercado en el instante t.
Xt: número de máquinas funcionando
correctamente en un taller en el instante t.
Propiedad Markoviana:
IP(X t + s = j / X u = X(u), 0 ≤ u ≤ t, X t = i)
= IP(X t + s = j / X t = i)
Propiedad Estacionaria
IP(X t + s = j / X t = i) , no depende de t, sólo de s.

Una realización posible del proceso estocástico es:
4
Xt
3
2
1
t
¿Cómo representar el proceso?

- Se necesitan las probabilidades de que ocurra un
“salto” de un estado a otro.
- La distribución de los tiempos de permanencia en
un estado.
Se necesita explicitar:
i) Probabilidades de transición pij (asumiendo pii=0)
ii) Tasas vi de los tiempos exponenciales Ti de
permanencia en el estado i.
Distribución de Xt :
pij (t ) = IP(X t = j / X 0 = i)
Estas probabilidades satisfacen:

d
pij (t ) = ∑ pik (t )vkpkj − v jpij (t )
dt k≠ j
Si existe una distribución estacionaria:

π j = lim pij (t )
t →∞
La ecuación diferencial anterior provee el siguiente

sistema de ecuaciones para las probabilidades
estacionarias (de existir):
0= ∑ πk vkpkj − v jπ j ; j = 1,2,... ∑ πj = 1
k≠ j j
O equivalentemente el sistema:
v jπ j = ∑ πk vkpkj ; j = 1,2,... ∑ πj = 1
k≠ j j
Ejemplo :
En el puerto de Valparaíso existen N trenes
encargados de traer cargas de contenedores
desde los buques hasta una unidad de descarga.
En esta unidad existen c grúas ( c < N) para
descargar los trenes. El tiempo que le toma a una
grúa descargar un tren es exponencial a tasa µ .
Un tren deja la unidad de descarga cuando la grúa
termina de atenderlo y vuelve con una nueva carga
después de un tiempo exponencial de tasa λ .
Formular un modelo que nos permita obtener en el
largo plazo :
- Número medio de trenes esperando ser atendidos

en la cuidad de descarga
- Número medio de grúas que se encuentran
atendiendo trenes
- Fracción del tiempo en que hay al menos una
grúya desocupada
Xt : El número de trenes que están en la unidad de

descarga (Xt ∈{0,1,2,...,N})
Si existen 0 ≤ j ≤ c trenes en la unidad de descarga
vj= j µ + (N – j) λ
Es decir, el tiempo que transcurre con j trenes en

la unidad de descarga es una v.a. Exponencial
correspondiente al mínimo 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.
Además, las únicas posibles transiciones son:
pj,j-1= j µ / (j µ + (N – j ) λ ) j>0
pj,j+1=( N- j ) λ / (j µ + (N – j ) λ )
Esto es, las probabilidades que se termine de

descargar un tren antes de que vuelva uno con
carga y viceversa.
Análogamente si c < j ≤ N estos parámetros

resultan:
vj= c µ + (N – j) λ
pj,j-1= c µ / (cµ + (N – j ) λ )
pj,j+1=( N - j ) λ / (cµ + (N – j ) λ ) (j≤ N)

En este caso las ecuaciones que determinan las probabilidades

estacionarias :
π j = lim pij (t )
Resultan ser las siguientes: t →∞
Nλ π 0 = µ π 1
[µ + ( N – 1 )] =Nλ π 0 +2µ π 2
...
[cµ + ( N – c ) λ ] π C = (N –( c – 1)) λ π c-1 +cµ π C+1
...
[cµ + λ ] π N-1 = 2 λ π N-2 +cµ π N
c µ π N= λ π N-1
π 1+ π 1+...+ π N =1
Así, el número de trenes esperando ser atendidos

en la unidad de descarga
N es :
∑ (n − c) πn
n=c
El número promedio
c
de grúas
N
atendiendo trenes
∑ n πn + ∑ c πn
n =1 n = c +1
Y la fracción de tiempo en que hay al menos una

grúa desocupada es :
c −1
∑ πn
n=0
BIBLIOGRÁFIA EN MODELOS PROBABILÍSTICOS
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 Estocásticos para la Gestión de Sistemas,
Gazmuri, P. Ediciones Universidad Católica, Santiago, 1995.
4. Simulation Modeling and Analysis, Law, A.M. Kelton,
W.D. Mc.Graw Hill, New York, Third Edition, 2000.
Sistemas de Espera
DIRECCIONES ELECTRÓNICAS EN MODELOS PROBABILÍSTICOS
•Sección de simulación en INFORMS:

http://www.informs-cs.org/
•Simulation Education Homepage: :

http://www.acs.ilstu.edu/faculty/wjyurci/nsfteachsim/indexnew.html

Investigacion Operaciones

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigacion Operaciones

Cargado por

Copyright:

Formatos disponibles

Contenidos

Gestión de Investigación de Operaciones

I. Introducción a la Investigación de Operaciones

El principal objetivo de esta área de conocimientos

La naturaleza de los problemas abordados puede

Hoy en día, la toma de decisiones abarca una gran

I.2 Elementos de un modelo de optimización.

Supongamos que se dispone de determinadas

Interesa decidir cuántas sillas y mesas fabricar de

Posibles soluciones factibles a considerar, esto es

• 4 sillas, que reportan una utilidad de U$60

Un modelo matemático para hallar la mejor

i) Las variables de decisión, que consiste en

x: número de sillas elaboradas.

ii) La función objetivo del problema, que permita

z = f(x,y) = 15x + 20y

iii) Restricciones del problema, que consiste en

También se impone restricciones de no –

En resumen: Max 15x + 20y

El ejemplo corresponde a un modelo de

BIBLIOGRÁFIA EN INVESTIGACIÓN DE OPERACIONES

1. Introducción a la Investigación de Operaciones, F.S.

I. Introducción a la Investigación de Operaciones

II.1. Introducción y ejemplos de modelamiento.

II.1 Introducción y ejemplos de modelamiento.

i) Problema de Transporte. El problema consiste

II.1 Introducción y ejemplos de modelamiento.

Por ejemplo, suponga que una empresa posee dos

II.1 Introducción y ejemplos de modelamiento.

II.1 Introducción y ejemplos de modelamiento.

xij = Unidades transportadas desde la planta i

Minimizar el costo total de transporte dado por la

II.1 Introducción y ejemplos de modelamiento.

Restricciones del problema:

II.1 Introducción y ejemplos de modelamiento.

Las variables de decisión deben aceptar soluciones

II.1 Introducción y ejemplos de modelamiento.

ii) Problema de la dieta: este consiste en

II.1 Introducción y ejemplos de modelamiento.

II.1 Introducción y ejemplos de modelamiento.

Restricciones del problema:

II.1 Introducción y ejemplos de modelamiento.

iii) Problema de dimensionamiento de lotes: este

II.1 Introducción y ejemplos de modelamiento.

Periodos Demandas Costo Prod. Costo de Inventario

II.1 Introducción y ejemplos de modelamiento.

II.1 Introducción y ejemplos de modelamiento.

Notar que en el óptimo I4 va a ser 0, así que incluso

Restricciones del problema:

II.1 Introducción y ejemplos de modelamiento.

II.1 Introducción y ejemplos de modelamiento.

iv) Problema de planificación financiera:

II.1 Introducción y ejemplos de modelamiento.

La asignación de estos créditos, debe satisfacer la

II.1 Introducción y ejemplos de modelamiento.

¿Cuánto asignar a cada tipo de crédito, de la

II.1 Introducción y ejemplos de modelamiento.

0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4

II.1 Introducción y ejemplos de modelamiento.

Restricciones del problema:

(0.12x1+0.16x2+0.16x3+0.10x4 ) ≤ 0.14 ( x1+ x2 +x3 +x4 )

Adicionalmente: x1 + x2 +x3 + x4 ≤ 250