Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I.1. Introducción.
Piezas pequeñas: 2x + 2y ≤ 8
Piezas grandes : x + 2y ≤ 6
Temario:
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Variables de decisión:
Función Objetivo:
1) No Negatividad: xij ≥ 0
2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
3) Oferta :
P1 : x11 + x12 + x13 ≤ 250
P2 : x21 + x22 + x23 ≤ 450
Variables de decisión:
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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).
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Variables de decisión:
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Función Objetivo:
Se propone maximizar los retornos recibidos en la
asignación, dados por:
Variables de decisión:
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Variables de decisión:
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Temario:
4 6 x1
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
x1* = 2 x2* = 6
z* = 3 x1* + 5 x2* = 36
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Temario:
Max 15 x + 20 y
sa : 2x + 2 y ≤ 8
x + 2y ≤ 8
4 x, y ≥ 0
4 6
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
− c1 1
− 1≤ ≤−
c2 2
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Para C1: − c1 1
− 1≤ ≤− ⇔ 10 ≤ c1 ≤ 20
20 2
Para C2: − 15 1
− 1≤ ≤− ⇔ 15 ≤ c 2 ≤ 30
c2 2
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
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
Temario:
xi ≥ 0, i = 1, 2, ..., n y m≤ n
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Min cTx
sa Ax = b
x≥ 0
P) Max 9u + 2v + 5z
sa 4u + 3v + 6z ≤ 50
u + 2v + 3z ≥ 8
2u – 4v + z = 5
u,v ≥ 0
z ∈ IR
xi ≥ 0, i=1,2,3,4,5,6.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Con u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
yk 0 yi 0
= Min / yip > 0 ⇒ x k deja la base
ykp yip
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Ejemplo.
Resolver el siguiente problema de P.L.
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
x 2 0
x 1 1 / 10
xB = = x D = x 4 = 0
x
3 8
x 5 0
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
x1 x2 x3 x4
Fase 2:
0 5 1 1 8
1 ½ 0 -1/10 1/10
-2 -1 0 0 0
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
x1 x2 x3 x4
Quedando:
0 5 1 1 8
1 1 0 1/10 9/10
0 1 1/5 0 9/5
x 1 9 / 10 x 2 0
xB = = xD = =
x
4 8 x 3 0
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Temario:
x1* = 5
x2* = 25
z = v(p) = 2100
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
2 π 1 + π 2 + π 3 ≥ 40
2π 1 + π 2 + 3 π 3 ≥ 60
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
P) Max cTx
sa: Ax ≤ b
x≥ 0
D) Min bT π
sa: AT π ≥ c
π ≥ 0
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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)
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Temario:
rk = ck − cBT B −1Ak
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
T
rj = c j − cBB −1A j ≥ 0 ∀j
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Consideremos :
c j = c j + ∆j
∆j ≥ −rj ⇒ c j ≥ c j − rj
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
0
c i = c i + ∆i cB = cB + ∆i 1 = cB + ∆iei
0
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Ejemplo:
x B = B −1b y se cumple xB ≥ 0
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
4 / 15 − 1 / 15 6000
− 1 / 150 2 / 75 x 4000 + ∆b ≥ 0
2
Variable x1:
0 ≤ D1 ≤ 2 10 ≤ C1* ≤ 12
Variable x4:
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Lineal
Temario:
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:
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Variables de decisión:
Función objetivo:
Variables de decisión:
1, si la restricció n j se satisface
yj =
0, sin o
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
d) Problema de cobertura:
Función objetivo:
n
Min ∑ cj xj
j =1
Restricciones:Para
n cada zona i
∑ aij x j ≥ 1
j=1
∑ xj ≤ k
j =1
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Variables de decisión:
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
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
Restricciones:
1) Demanda cliente i: m
∑ x ij ≥ di
i =1
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}.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Temario:
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).
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Ejemplo
PLE) Max x2
s.a. - 2x1 + 2x2 ≤ 1
2x1 + x2 ≤ 7
x1 ≥ 0, x2 ≥ 0 enteros
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
. .
. . .
. . . . x1
3.5
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Temario:
3 x2 = 3
3/2
2 x2 = 2
21x1+11x2=39
1 x2 = 1
x1
x1 = 1 x1 = 2
21x1+11x2 7x1+4x2=13
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Paso 0
Hacer P0), la relajación continua de PLE)
Fijar la cota inferior del v(PLE) en -∞ .
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
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).
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación Entera
Temario:
En este ejemplo:
xi es la cantidad de recursos asignados al producto
i, con i = 1,2,3,4.
Max
s.a:
x1 + x2 + x3 + x4 ≤ 75.000
xi ≥ 0; i = 1, 2, 3, 4, 5.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
y2
y1
x1 x2 xm
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
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)
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
h(x)= a0 + a1x
ym
y2
y1
x1 x2 xm
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
m
∑ yi x i
a 1 = i=1m
2
∑ xi
i =1
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Min f(x,y) = ( x − 0 ) 2 + ( y − 0 )2 +
(x − 30)2 + ( y − 40)2 +
(x − 80)2 + ( y − 30)2
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Puerto B
x =30,8052225
*
y*= 37,8900128
Puerto C
Refinería
Puerto A
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
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
Temario:
Min f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
s.a: 1≤ x≤ 5
x+
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Lineal a trozos
f(y)
f(x)
x y
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
y y
x
x
Es convexo No es convexo
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Gráficamente,
también
podemos
observar la
presencia de
divesos mínimos
locales en un
problema no
lineal.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Temario:
2 6 0
D f (x) =
0 6 x 2 − 3
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
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.
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
∇ f(x)
d
x+
-∇ f(x)
Z=20
Z=10 x1
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Ejemplo.Considerar el problema:
Método de Newton
Aquí el vector dk se calcula como la solución del
siguiente sistema de ecuaciones:
D2f(x)dk = - ∇ f(x)
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Temario:
P) Min f(x)
s.a. g1(x) = b1
g2(x) = b2
g m(x) = bn m≤ n
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
gi(x) = bi i = 1, 2, ..., m
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
2x1 + λ1 = 0
2x2 + λ1 = 0
x1 + x2 - 4 = 0 ( Factibilidad)
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
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Temario:
gi(x^) = bi ; i = 1, 2, ..., m
hr(x^) ≤ dr ; r = 1, 2, ..., l
con j ∈ { r / hr(x^) = dr }
Gestión de Investigación de Operaciones II. Modelos de Programación Matemática
Programación No - lineal
Temario:
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
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de Markov
V.1. Introducción.
V.1. Introducción.
V.1. Introducción.
V.1. Introducción.
Número 4
de
3
compradores
en el
2
sistema
1
0
20 40 60 80 100
Tiempo (en minutos)
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
6 Nt
Número 5
de
4
llamadas
3
Tiempo
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
6 Nt
Número 5
de
eventos 4
3
2
1
0
T1 T2 T3 T4 T5 Tiempo
S1 S2 S3 S4 S5
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
IP(T1 > s + t )
IP(T1 > s + t / T1 > s) =
IP(T1 > s)
e −λ(s+ t ) − λs
= − λt
= e = IP(T1 > t )
e
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
IP (T2<T1 ) = λ 2/(λ 1 +λ 2)
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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 )
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
k
n −1 ( λ t )
IP(Ti ≤ t ) = 1 − ∑ e − λt
k =0 k!
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
fn = PT fn-1 = (PT)n f0
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Se tiene que:
Xn ∈ {1, 2} ; n = 0, 1, 2, ...
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
1/ 4 3 / 4
P=
1 / 2 1 / 2
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Se tiene:
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
π1 + π 2 + π 3 = 1 1/3
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
π =PT π
Σ π i=1; i = 1,2,3.
π 1 + π 2+ π 3 =1
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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
4
Xt
3
2
1
t
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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.
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Distribución de Xt :
pij (t ) = IP(X t = j / X 0 = i)
O equivalentemente el sistema:
v jπ j = ∑ πk vkpkj ; j = 1,2,... ∑ πj = 1
k≠ j j
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
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 :
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
vj= j µ + (N – j) λ
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
pj,j-1= j µ / (j µ + (N – j ) λ ) j>0
pj,j+1=( N- j ) λ / (j µ + (N – j ) λ )
vj= c µ + (N – j) λ
pj,j-1= c µ / (cµ + (N – j ) λ )
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
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
c µ π N= λ π N-1
π 1+ π 1+...+ π N =1
El número promedio
c
de grúas
N
atendiendo trenes
∑ n πn + ∑ c πn
n =1 n = c +1
Gestión de Investigación de Operaciones III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.