INVESTIGACIN DE OPERACIONES II Anglica Gutirrez Limn

OBETIVO: Aplicar a situaciones reales los

principales modelos y tcnicas determinanticas y
probabilsticas de la nvestigacin de Operaciones
para la toma de decisiones ptima.
angelicagtz!gmail"c#m
SESION TE$A
1
UNDAD UNO
Programacin dinmica
2
1.1 Caractersticas de los problemas de programacin dinmica: etapas, estados, frmula recursiva,
programacin en avance y en retroceso
3
1.2 Algunos ejemplos de modelos de P.D. Al estudiar cada aplicacin ponga especial atencin a
los tres elementos bsicos de un modelo de programacin dinmica.
1. Definicin de las etapas
2. Definicin de las alternativas en cada etapa
3. Definicin de los estados para cada etapa
En general, de los tres elementos, la definicin de estado suele ser la ms sutil. Al investigar
cada aplicacin (diferentes ejemplos de modelos de P.D.), encontrar til tener en cuenta las
preguntas siguientes:
1. Qu relaciones vinculan entre s a las etapas?
2. Qu informacin se necesita para tomar decisiones factibles en la etapa actual sin
volver a examinar las decisiones tomadas en las etapas anteriores?
Algunos ejemplos de modelos de P.D. son:
Problema de la mochila/ equipo de vuelo/ carga del contenedor
Modelo del tamao de la fuerza de trabajo
Modelo de reposicin de equipo
FUENTE: http://www.itescam.edu.mx/principal/sylabus/rptSylabus.php?
tipo=!F"id#asi$natura=%%&"cla'e#asi$natura=(N)*+%,-"carrera=((N!+%+.++,
4 1.2 Algunos ejemplos de modelos de P.D.
Al estudiar cada aplicacin ponga especial atencin a los tres elementos bsicos de un modelo de programacin
dinmica.
4. Definicin de las etapas
5. Definicin de las alternativas en cada etapa
6. Definicin de los estados para cada etapa
En general, de los tres elementos, la definicin de estado suele ser la ms sutil. Al investigar cada aplicacin
(diferentes ejemplos de modelos de P.D.), encontrar til tener en cuenta las preguntas siguientes:
3. Qu relaciones vinculan entre s a las etapas?
4. Qu informacin se necesita para tomar decisiones factibles en la etapa actual sin volver a examinar las
decisiones tomadas en las etapas anteriores?
Algunos ejemplos de modelos de P.D. son:
Problema de la mochila/ equipo de vuelo/ carga del contenedor
Modelo del tamao de la fuerza de trabajo
Modelo de reposicin de equipo
FUENTE: www. ite%cam .edu.mx/principal/sylabus/fpdb/recursos/r26320.DOC
5
1.3 Programacin dinmica determinstica.
6
1.4 Programacin dinmica probabilstica.
7
1.4 Programacin dinmica probabilstica.
PROGRAMACION DINAMICA PROBABILISTICA
La programacin dinmica probabilstica difiere de la programacin dinmica determinstica en que el estado de la
etapa siguiente no queda completamente determinado por el estado y la decisin de la poltica en el estado actual.
En lugar de ello existe una distribucin de probabilidad para lo que ser el estado siguiente. Sin embargo, esta
distribucin de probabilidad todava esta completamente determinada por el estado y la decisin de la poltica del
estado actual. En la siguiente figura se describe diagramticamente la estructura bsica que resulta para la
programacin dinmica probabilstica, en donde N denota el nmero de estados posibles en la etapa n!". #ara ver el
grfico seleccione la opcin $%escargar$ del men superior
&uando se desarrolla de esta forma para incluir todos los estados y decisiones posibles en todas las etapas, a veces
recibe el nombre de rbol de decisin. Si el rbol de decisin no es demasiado grande, proporciona una manera til
de resumir las diversas posibilidades que pueden ocurrir.
FUENTE: http://www.mono$ra/ias.com/traba0os-1/planeacion*re2uerimientos/planeacion*re2uerimientos.shtml3pro$ramac
8
1.5 Problema de dimensionalidad en P. D.
Fuente: Taha, nvestigacion de Operaciones, Mexico 2006
9 1.6 Uso de programas de computacin
PROGRAMAS DE COMPUTACIN PARA RESOLVER
PROBLEMAS DE PROGRAMACION LINEAL
En esta pagina, se presenta la documentacin relativa a los programas de computacin que sern utilizados en el
curso para resolver problemas de programacin ineal, adicionalmente, el alumno puede ba!ar los programas de
computacin con "ines acad#micos, con miras a resolver los problemas propuestos del curso $ no deben ser
utilizados con "ines comerciales $a que los mismos estn protegidos por las le$es de derec%os de autor.
A.-) PROGRAMAS DE COMPUTACIN
&dicional al programa '()E*, incluido en E+,E-2... de /0croso"t 1cu$a e2plicacin didctica del
"uncionamiento del programa 'olver 1445 3b4, se inclu$e en este documento que puede ser ba!ado por 5sted4, se
incorporan otros programas que operan ba!o sistema 60ndo7s 89:/E:2...:+;, debiendo disponer de una
computadora actualizada con procesador ;entium 00 $ superiores, memoria m<nima de 256 3b $ capacidad de disco
de 5. /= $ los cuales pueden ser ba!ados a continuacin>.
&.14 El programa 6in?'= 13.8 /b4, cu$a propiedad intelectual es del @r. Ai%-ong ,%ang $ es aplicable a todos
los problemas de 0nvestigacin de (peraciones. ;ara conocer sus usos $ aplicaciones, se incorpora el /&B5&
@E 5'( del 60B?'=.
&.24 El programa ;rgin, cu$a propiedad es de la 5niversidad de isboa 1;ortugal4, el cual se aplica para
soluciones gr"icas de problemas de dos dimensiones.
&.34 El programa 0nv(p 1361 3b4, desarrollado por la 5niversidad del ,u$o en &rgentina, se aplica para la solucin
de problemas relacionados con transporte $ redes.
&.34 El programa ingo , propiedad de indo '$stems 0nc 15'&4, que dado su gran tamaCo 119.8 /b4, se
recomienda que 5sted lo recupere directamente de la pagina 6eb del propietario de dic%a tecnologia %ttp>::
777.lindo.com
;osteriormente se irn incorporando otros programas de computacin espec<"icos para cada caso $ cu$o uso ser
descrito mediante e!emplos en la ,lase.
B"&' (SO DEL PROGRA$A SOLVER DE E)CEL (Microsoft)
Para conocer la aplicacin del mtodo SOLVER de EXCEL (Microsoft), se utilizar un ejemplo prctico:
Max Z= 10 X1 + 8 X2
Su*et# a+
30X1 +20X2 <= 120
2X1 + 2X2 <= 9
4X1 + 6X2 <= 24
X1,X2 >=0
La nica dificultad que tenemos es el de modelar el programa dentro del Excel, y eso, es muy fcil. Por supuesto,
hay infinidad de maneras de hacerlo, aqu propongo una.
Se activa Excel y en una hoja...
Se ubican las celdas que se correspondern con el valor de las variables de decisin; en ste
caso, las celdas B6 y C6, se les da un formato para diferenciarlas de las dems, aqu azul oscuro
(ver captura abajo). Se ubica tambin, las celdas que contendrn los coeficientes de las variables
de decisin, B4 y C4, y se llenan con sus respectivos valores, 10 y 8. Aunque ste ltimo paso, se
podra omitir y dejar los coeficientes definidos en la celda de la funcin objetivo, as es mejor para
los anlisis de sensibilidad y para que la hoja quede portable para otro programa.
Se ubica la celda que se corresponder con la funcin objetivo (celda objetivo), la B3. En ella se
escribe la funcin que sea, en ste caso, ser el coeficiente de X1 (en B4) por el valor actual de X1
(en B6) mas el coeficiente de X2 (en C4) por el valor actual de X2 (en C6) O sea: =$B$4*$B$6+
$C$6*$C$4
Coeficientes para la primera restriccin: los podemos escribir en la misma columna de las
variables de decisin; en las celdas B7 y C7, con los valores 30 y 20, seguido del sentido de la
desigualdad (<=) y de su correspondiente RHS: 120. A la derecha ubicaremos el valor actual de
consumo de la restriccin, ella se escribir en funcin de las variables de decisin y de los
coeficientes de la restriccin. Esta celda, la utilizar Solver como la real restriccin, cuando le
digamos que el valor de sta celda no pueda sobrepasar la de su correspondiente RHS. De nuevo
ser el valor del coeficiente por el de la variable:=B7*$B$6+C7*$C$6. Notese que ahora B7 y C7
no tienen el signo $. Pues es que luego que se haya escrito sta celda, se podr arrastrar hacia
abajo para que Excel escriba la frmula por nosotros (la pereza!), pero tome los valores relativos a
los coeficientes que le corresponda a los mismos valores de las variables de decisin. Se repite
los pasos anteriores para las otras restricciones, pero ahora la frmula ser: =B8*$B$6+C8*$C$6 y
=B9*$B$6+C9*$C$6.


El resto del formato es para darle una presentacin ms bonita a la hoja. Ahora a resoverlo! Al hacer click en
Herramientas , Solver se tendr una pantalla como la siguiente. Lo primero que hay que hacer es especificar la
celda objetivo y el propsito: maximizar. Se escribe B3 (o $B3 B$3 $B$3 como sea, da igual), en el recuadro
"cambiando las celdas", se hace un click en la flechita roja, para poder barrer las celdas B6 y C6; lo mismo da si
se escriben directamente los nombres.

Y ahora para las restricciones: se hace click en agregar...

En F7 est la primera restriccin, como se puede ver en la captura. Se especifica el sentido de la restriccin <=, >=
=. Aqu tambin se puede especificar el tipo de variable, por defecto es continua, pero se puede escoger "nt"
para entera o "Bin" para binaria. En el recuadro de la derecha establecemos la cota. Aqu podemos escribir 120
pero mejor escribimos $E$7 para que quede direccionado a la celda que contiene el 120, y despus lo podramos
cambiar y volver a encontrar la respuesta a manera de anlisis de sensibilidad.
Se repite ste paso para las otras dos restricciones.
La condicin de no negatividad hay que incluirla manualmente, as:

El cuadro de dilogo debe lucir as:

Y listo! Se hace click en resolver y ya. Parece un poco largo en comparacin con los otros paquetes de
programacin lineal, pero esto se har slo una vez, para los prximos programas se podr utilizar la misma hoja
cambiando los coeficientes. Sin embargo, como se puede notar, la flexibilidad de modelar es muy grande, y se
puede introducir directamente en una hoja donde se haga el anlisis de Planeacin Agregada, Transporte,
nventario, Secuencias, balanceo, etc.
*egresar ;agina ;rincipal
Fuente: http://www.investigacion-operaciones.com/Metodos_computacionales.htm
10 UNDAD DOS
Teora de Colas
Intr#,uccin
Todos hemos experimentado en al$una ocasi4n la sensaci4n de estar perdiendo el tiempo al esperar en una cola. El /en4meno
de las colas nos parece natural: esperamos en el coche al estar en un tap4n5 o un sem6/oro mal re$ulado5 o en un pea0e7
esperamos en el tel8/ono a 2ue nos atienda un operador y en la cola de un supermercado para pa$ar.... 9omo clientes no
2ueremos esperar5 los $estores de los citados ser'icios no 2uieren 2ue esperemos.... :or 2u8 hay 2ue esperar? ;a respuesta es
casi siempre simple5 en al$<n momento la capacidad de ser'icio ha sido =o es> menor 2ue la capacidad demandada.
?eneralmente esta limitaci4n se puede eliminar in'irtiendo en elementos 2ue aumenten la capacidad. En estos casos la pre$unta
es: :9ompensa in'ertir? ;a teor@a de colas intenta responder a estas pre$untas utiliAando an6lisis matem6ticos detallados.
Fuente: http://personales.up'.es/0p$arcia/;inBed!ocuments/TeoriaC-+deC-+colas.pd/
Con el objeto de verificar si una situacin determinada del sistema de lneas de espera se ajusta o no a un modelo
conocido, se requiere de un mtodo para clasificar las lneas de espera. Esa clasificacin debe de responder
preguntas como las siguientes:
1.- El sistema de lneas de espera tiene un solo punto de servicio o existen varios puntos de servicio en
secuencia?
2.-Existe solo una instalacin de servicio o son mltiples las instalaciones de servicio que pueden atender a una
unidad?
3.- Las unidades que requieren el servicio llegan siguiendo algn patrn o llegan en forma aleatoria?
4.- El tiempo que requieren para el servicio se da en algn patrn de o asume duraciones aleatorias de tiempo?
11
2.1 ntroduccin y casos de aplicacin.
Un sistema de colas se puede describir como: DclientesE 2ue lle$an buscando un ser'icio5
esperan si este no es inmediato5 y abandonan el sistema una 'eA han sido atendidos. En al$unos casos
se puede admitir 2ue los clientes abandonan el sistema si se cansan de esperar.
El t8rmino DclienteE se usa con un sentido $eneral y no implica 2ue sea un ser humano5 puede
si$ni/icar pieAas esperando su turno para ser procesadas o una lista de traba0o esperando para imprimir
en una impresora en red.
ser'icio
clientes 2ue
abandonan
clientes
lle$ando
clientes
ser'idos
Fi$ura , Un sistema de cola t@pico
Fun2ue cual2uier sistema se puede representar como en la /i$ura ,5 debe 2uedar claro 2ue una
representaci4n detallada exi$e de/inir un n<mero ele'ado de par6metros y /unciones.
;a teor@a de colas /ue ori$inariamente un traba0o pr6ctico. ;a primera aplicaci4n de la 2ue se
tiene noticia es del matem6tico dan8s Erlan$ sobre con'ersaciones tele/4nicas en ,G+G5 para el c6lculo
Teor@a de 9olas
H8todos 9uantitati'os de Ir$aniAaci4n (ndustrial
6$ina 1 de .%
de tamaJo de centralitas. !espu8s se con'irti4 en un concepto te4rico 2ue consi$ui4 un $ran
desarrollo5 y desde hace unos aJos se 'uel'e a hablar de un concepto aplicado aun2ue exi$e un
importante traba0o de an6lisis para con'ertir las /4rmulas en realidades5 o 'ice'ersa.
12
2.2 Definiciones, caractersticas y suposiciones.
Seis son las caracter@sticas b6sicas 2ue se deben utiliAar para describir adecuadamente un
sistema de colas:
a> atr4n de lle$ada de los clientes
b> atr4n de ser'icio de los ser'idores
c> !isciplina de cola
d> 9apacidad del sistema
e> N<mero de canales de ser'icio
/> N<mero de etapas de ser'icio
Fl$unos autores incluyen una s8ptima caracter@stica 2ue es la poblaci4n de posibles clientes.
Fuente: http://personales.up'.es/0p$arcia/;inBed!ocuments/TeoriaC-+deC-+colas.pd/
13
2.3 Terminologa y notacin.
En situaciones de cola habituales5 la lle$ada es estoc6stica5 es decir la lle$ada depende de una cierta 'ariable aleatoria5 en este
caso es necesario conocer la distribuci4n probabil@stica entre dos lle$adas de cliente sucesi'as. Fdem6s habr@a 2ue tener en
cuenta si los clientes lle$an independiente o simult6neamente. En este se$undo caso =es decir5 si lle$an lotes> habr@a 2ue de/inir
la distribuci4n probabil@stica de 8stos. Tambi8n es posible 2ue los clientes sean DimpacientesE. Es decir5 2ue lle$uen a la cola y
si es demasiado lar$a se 'ayan5 o 2ue tras esperar mucho rato en la cola decidan abandonar. or <ltimo es posible 2ue el patr4n
de lle$ada 'ar@e con el tiempo. Si se mantiene constante le llamamos estacionario5 si por e0emplo 'ar@a con las horas del d@a es
no*estacionario. Teor@a de 9olas H8todos 9uantitati'os de Ir$aniAaci4n (ndustrial 6$ina % de .%
-"."- Patr#ne% ,e %er/ici# ,e l#% %er/i,#re%
;os ser'idores pueden tener un tiempo de ser'icio 'ariable5 en cuyo caso hay 2ue asociarle5 para de/inirlo5 una /unci4n de
probabilidad. Tambi8n pueden atender en lotes o de modo indi'idual. El tiempo de ser'icio tambi8n puede 'ariar con el n<mero
de clientes en la cola5 traba0ando m6s r6pido o m6s lento5 y en este caso se llama patrones de ser'icio dependientes. Fl i$ual
2ue el patr4n de lle$adas el patr4n de ser'icio puede ser no*estacionario5 'ariando con el tiempo transcurrido.
-"."0 Di%ci1lina ,e c#la
;a disciplina de cola es la manera en 2ue los clientes se ordenan en el momento de ser ser'idos de entre los de la cola. 9uando
se piensa en colas se admite 2ue la disciplina de cola normal es F(FI =atender primero a 2uien lle$4 primero> Sin embar$o en
muchas colas es habitual el uso de la disciplina ;(FI =atender primero al <ltimo>. Tambi8n es posible encontrar re$las de
secuencia con prioridades5 como por e0emplo secuenciar primero las tareas con menor duraci4n o se$<n tipos de clientes.
En cual2uier caso dos son las situaciones $enerales en las 2ue traba0ar. En la primera5 llamada en in$l8s Dpreempti'eE5 si un
cliente lle$a a la cola con una orden de prioridad superior al cliente 2ue est6 siendo atendido5 este se retira dando paso al m6s
importante. !os nue'os subcasos aparecen: el cliente retirado ha de 'ol'er a empeAar5 o el cliente retorna donde se hab@a
2uedado. ;a se$unda situaci4n es la denominada Dno*preempti'eE donde el cliente con mayor prioridad espera a 2ue acabe
el 2ue est6 siendo atendido.
-"."2 Ca1aci,a, ,el %i%tema
En al$unos sistemas existe una limitaci4n respecto al n<mero de clientes 2ue pueden esperar en la cola. F estos casos se les
denomina situaciones de cola /initas. Esta limitaci4n puede ser considerada como una simpli/icaci4n en la modeliAaci4n de la
impaciencia de los clientes.
-"."3 N4mer# ,e canale% ,el %er/ici#
Es e'idente 2ue es pre/erible utiliAar sistemas multiser'idos con una <nica l@nea de espera para todos 2ue con una cola por
ser'idor. or tanto5 cuando se habla de canales de ser'icio paralelos5 se Teor@a de 9olas H8todos 9uantitati'os de
Ir$aniAaci4n (ndustrial 6$ina . de .% habla $eneralmente de una cola 2ue alimenta a 'arios ser'idores mientras 2ue el caso de
colas independientes se aseme0a a m<ltiples sistemas con s4lo un ser'idor. En la /i$ura , se dibu04 un sistema mono*canal5 en
la /i$ura - se presenta dos 'ariantes de sistema multicanal. El primero tiene una s4la cola de espera5 mientras 2ue el se$undo
tiene una sola cola para cada canal. Fi$. - Sistemas de cola multicanal Se asume 2ue en cual2uiera de los dos casos5 los
mecanismos de ser'icio operan de manera independiente.
-"."5 Eta1a% ,e %er/ici#
Un sistema de colas puede ser unietapa o multietapa. En los sistemas multietapa el cliente
puede pasar por un n<mero de etapas mayor 2ue uno. Una pelu2uer@a es un sistema unietapa5 sal'o
2ue haya di/erentes ser'icios =manicura5 ma2uilla0e> y cada uno de estos ser'icios sea desarrollado por
un ser'idor di/erente.
En al$unos sistemas multietapa se puede admitir la 'uelta atr6s o DrecicladoE5 esto es habitual
en sistemas producti'os como controles de calidad y reprocesos.
Un sistema multietapa se ilustra en la /i$ura.1
Fi$ura 1: Sistema Hultietapa con retroalimentaci4n.
-"."6 Re%umen
;as anteriores caracter@sticas bastan5 de modo $eneral5 para describir cual2uier proceso.
E'identemente se puede encontrar una $ran cantidad de problemas distintos y5 por tanto5 antes de
comenAar cual2uier an6lisis matem6tico se deber@a describir adecuadamente el proceso atendiendo a
las anteriores caracter@sticas.
Fuente: http://personales.up'.es/0p$arcia/;inBed!ocuments/TeoriaC-+deC-+colas.pd/
14
2.4 Proceso de nacimiento y muerte. Modelos Poisson.
FGUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase10_.pdf
15
2.5 Un servidor, fuente finita, cola finita.
Los costos de servicio influyen en el mtodo para encontrar el sistema de menor costo. Si el
costo de servicio es un funcin lineal de la tasa de servicio, puede encontrarse una solucin
general para la tasa ptima.

Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de manera
continua.

Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y
error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de
servicio, despus para la siguiente y as sucesivamente. Esto contina hasta que se encuentra
un lmite inferior o un mnimo tal, que el aumentar o el disminuir las tasas de servicio da costos
totales ms altos.

Ejemplo:

Se esta estudiando un muelle de carga y descarga de camiones para aprender cmo debe
formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un
servidor. Pero el tiempo de carga o descarga puede reducirse aumentando el tamao de la
brigada.

Supngase que puede aplicarse el modelo de un servidor y una cola ( llegadas Poisson,
tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora
para un cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente.
Adems, supngase que los camiones llegan con una tasa de dos por hora en promedio y que
el costo de espera es de $ 20 por hora por un camin. Si se le paga $ 5 por hora a cada
miembro de la brigada, Cul es el mejor tamao de esta?

Datos :

A = 2 camiones por hora.
S = 1 camin por persona.
C
w
= costo de espera = $20 por hora por camin.
C
S
= costo de servicio = $ 5 por hora por persona.

Ahora sea k = nmero de personas en la brigada. Se busca k tal que la suma de los costos de
espera y servicio se minimicen :

Costo total = C
w
L
S
+ k C
S

Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no
podran compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la
tasa de servicio es de tres camiones por hora y puede encontrarse L
s
con la siguiente
ecuacin :


De la misma manera, para una brigada de cuatro :

El costo es menor, por tanto se sigue adelante.
Para una brigada de cinco :


Este todava es menor :


Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la
curva de costo; el tamao ptimo de la brigada es cinco personas.
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
16
2.6 Un servidor cola infinita, fuente infinita.
17
2.6 Un servidor cola infinita, fuente infinita.
Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el
cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de
computadora que esperan tiempo de procesador.

Llegaa!.

Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es
impredicible en que momento llegarn . El modelo tambin supone que las llegadas vienen de
una poblacin infinita y llegan una a la vez .

Cola.
En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es
primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las
llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas.

I"!#ala$%&" e Se'(%$%o.
Se supone que un solo servidor proporciona el servicio que vara aleatoriamente.

Sal%a!.
No se permite que las unidades que salgan entren inmediatamente al servicio.

Ca'a$#e')!#%$a! e ope'a$%&" .
Un servidor y una cola.
Llegada Poisson.
Cola infinita, primero en llegar primero en ser servido.
Tiempos de servicio exponenciales.

,ola :
Longitud promedio de la lnea :
Tiempo de espera promedio :
'istema>
Longitud promedio de la lnea :
Tiempo de espera promedio :
Utilizacin de la instalacin :
Probabilidad de que la lnea exceda a n :
A = tasa promedio de llegada.
S = tasa promedio de servicio.

E!emplo > 15n supermercado 4
Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan
para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin.
Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas
separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de
servicio de 12 por hora :

Dados A = 9 clientes por hora
S = 12 clientes por hora

Entonces :
= 2.25 Clientes
= 0.25 horas o 15 minutos.
= 3 clientes.
= 0.33 horas o 20 minutos.
= 0.75 o 75%
0.32

Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En
promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso
completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y
finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema ( o tres o ms
esperando en la cola).
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
18
2.7 Servidores mltiples, cola infinita, fuente infinita
En lugar de estimar el costo de espera, el administrador puede especificar un promedio mnimo
de tiempo de espera o de longitud de lnea . Esto establece un lmite superior para W
q
, el
tiempo de espera en la cola
( o para L
q
, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la tasa
de servicio necesaria para cualquiera tasa de llegadas dadas.

E*em1l# +

Considrese un restaurante de comida rpida con un men limitado. El restaurante se est
diseando para que todos los clientes se unan a una sola lnea para ser servidos. Una persona
tomar la orden y la servir. Con sus limitaciones, la tasa de servicio puede aumentarse
agregando ms personal para preparar la comida y servir las ordenes.

Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias,
puede aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente
promedio no espere ms de dos minutos antes de que se tome su orden . Esto se expresa
como :

W
q
= 2 minutos

Supngase tambin que la tasa mxima de llegadas es de 30 rdenes por hora.
Rearreglando trminos,
Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la
solucin negativa. Entonces :
Para este ejemplo, se supuso :
A = 30 ordenes por hora.
W
q
= 2 minutos o 0.033 horas
Entonces :

= 15 + 33.5 = 48.5 rdenes por hora.

Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por
ejemplo, una brigada de cinco pueden manejar 45 rdenes por hora y una de seis puede
procesar 50 por hora, entonces sera necesario tener la brigada de seis.
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
19 2.8 Servidores mltiples, cola finita, fuente infinita
Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es exactamente el mismo en
cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de la cola infinito, disciplina de la
cola como primero en llegar primero en ser servido y llegadas Poisson.
Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una estacin de trabajo en
una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En general, el servicio lo
proporciona una mquina.
Las caractersticas de operacin estn dadas por 4 :

En donde A = tasa promedio de llegadas (llegadas por unidad de tiempo) y S = tasa constante de servicio
(llegadas por unidad de tiempo).
E*em1l#+
Supngase un lavado automtico de autos con una lnea de remolque, de manera que los autos se mueven a
travs de la instalacin de lavado como en una lnea de ensamble. Una instalacin de este tipo tiene dos tiempos
de servicio diferentes : el tiempo entre autos y el tiempo para completar un auto. Desde el punto de vista de teora
de colas, el tiempo entre autos establece el tiempo de servicio del sistema. Un auto cada cinco minutos da una
tasa de 12 autos por hora. Sin embargo, el tiempo para procesar un auto es el tiempo que se debe esperar para
entregar un auto limpio. La teora de colas no considera este tiempo.
Supngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa promedio de
llegadas es de nueve autos por hora ( con distribucin Poisson). Sustituyendo :

FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
20
2.9 Uso de programas de computacin
PROGRMA TORA PAG 929.
PROGRAMA SMNET PAG 930
NVESTGAN DE OPRANES DE TAHA. ED ALFAOMEGA, MEX. 204
21
PRMER EXAMEN PARCAL
22 UNDAD TRES
Teora de Decisin
La te#r7a ,e la ,eci%in es una rea interdisciplinaria de estudio, relacionada con casi todos los participantes en
ramas de la ciencia, ingeniera principalmente la psicologa del consumidor (basados en perspectivas cognitivo-
conductuales). Concierne a la forma y al estudio del comportamiento y fenmenos psquicos de aquellos que
toman las decisiones (reales o ficticios), as como las condiciones por las que deben ser tomadas las decisiones
ptimas.
Se pueden distinguir tres partes dentro de la teora de la decisin:
1. La teora de la decisin n#rmati/a que busca los criterios racionales de la decisin as como las
motivaciones humanas en diferentes situaciones. De esta forma esta parte de la teora busca ejemplos
axiomticos de la racionalidad dentro de la toma de decisiones.
2. La teora de la decisin 1re%cri1ti/a.
3. La teora de la decisin ,e%cri1ti/a.
La mayor parte de la teora de la decisin es normativa o prescriptiva, es decir concierne a la identificacin de la
mejor decisin que pueda ser tomada, asumiendo que una persona que tenga que tomar decisiones (decisin
maker) sea capaz de estar en un entorno de completa informacin, capaz de calcular con precisin, y
completamente racional. La aplicacin prctica de esta aproximacin prescriptiva (de como la gente deber<a hacer
y tomar decisiones) se denomina anlisis de la decisin, y proporciona una bsqueda de herramientas,
metodologas y software para ayudar a las personas a tomar mejores decisiones. Las herramientas de software
ms dedicadas a este tipo de ayudas se desarrollan bajo la denominacin global de Sistemas para la ayuda a la
decisin (decision support s$stems, abreviado en ingl. como DSS').
Como parece obvio que las personas no se encuentran en estos entornos ptimos y con la intencin de hacer la
teora ms realista, se ha creado un rea de estudio relacionado que se encarga de la parte de la disciplina ms
positiva o descriptiva, intentando describir que voluntad tiene el que toma la decisin, antes de que la haga. Se
pens en esta teora debido a que la teora normativa, trabaja slo bajo condiciones ptimas de decisin, y a
menudo crea hiptesis para ser probadas, algo alejadas de la realidad cotidiana, los dos campos estn
ntimamente relacionados. No obstante es posible relajar alguna presunciones de la informacin perfecta que llega
al sujeto que toma decisiones, se puede rebajar su racionalidad y as sucesivamente hasta llegar a una serie de
prescripciones o predicciones sobre el comportamiento de la persona que toma decisiones, permitiendo comprobar
qu ocurre en la prctica de la vida cotidiana.
Existen tipos de decision 2ue son interesantes desde el punto de 'ista del desarrollo de una teor@a5 estos
son:
!ecisi4n sin ries$o entre mercanc@as inconmensurables =mercanc@as 2ue no pueden ser medidas
ba0o las mismas unidades>
Elecci4n ba0o impredecibilidad
Elecci4n intertemporal * estudio del 'alor relati'o 2ue la $ente asi$na a dos o m6s bienes en
di/erentes momentos del tiempo
!ecisiones sociales: decisiones tomadas en $rupo o ba0o una estructura or$aniAati'a
FUENTE: http://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_decisi%C3%B3n
23
3.1 Caractersticas generales de la teora de decisiones
24
3.1 Caractersticas generales de la teora de decisiones
Ca'a$#e')!#%$a! DE LA TOMA DE DECISIONES
1. Cual es la meta que usted desea alcanzar?
Elija la meta que satisfaga sus "valores". Los valores deben expresarse en escala numrica y
mensurable. Esto es necesario para hallar las jerarquas entre los valores.
1. Averige cual es el conjunto de cursos de accin posibles que puede tomar y luego
rena informacin confiable sobre cada uno de ellos. La informacin objetiva sobre los
cursos de accin tambin puede expandir su conjunto de alternativas. Cuantas mas
alternativas desarrolle, mejores decisiones podr tomar. Debe convertirse en una
persona creativa para expandir su conjunto de alternativas.
Pa8l# Pica%%# se dio cuenta de esto y dijo: " Todos los seres humanos nacen con el
mismo potencial de creatividad. La mayora lo derrochan en millones de cosas
superfluas. Yo invierto el mo en una sola cosa: mi arte". Las alternativas de decisiones
creativas son originales, relevantes y practicas.
2. Prediga el resultado de cada curso de accin individual mirando hacia el futuro.
3. Elija la mejor alternativa que tenga el menor riesgo involucrado en llegar a la meta.
4. mplemente su decisin.
Su decisin no significa nada a menos que la ponga en accin.
Las decisiones son el corazn del xito y, a veces, hay momentos crticos en que pueden
presentar dificultad, perplejidad y exasperacin. Un gerente debe tomar muchas decisiones
todos los das. Algunas de ellas son decisiones de rutina o intrascendentes mientras que otras
tienen una repercusin drstica en las operaciones de la empresa donde trabaja. Algunas de
estas decisiones podran involucrar la ganancia o perdida de grandes sumas de dinero o el
cumplimiento o incumplimiento de la misin y las metas de la empresa. En este mundo cada
vez mas complejo, la dificultad de las tareas de los decidores aumenta da a da. El decidor
debe responder con rapidez a los acontecimientos que parecen ocurrir a un ritmo cada vez mas
veloz. Adems, un decidor debe asimilar a su decisin un conjunto de opciones y
consecuencias que muchas veces resultan desconcertantes. Con frecuencia, las decisiones de
rutina se toman rpidamente, quizs inconscientemente, sin necesidad de elaborar un proceso
detallado de consideracin. Sin embargo, cuando las decisiones son complejas, criticas o
importantes, es necesario tomarse el tiempo para decidir sistemticamente. Las decisiones
criticas son las que no pueden ni deben salir mal o fracasar. Uno debe confiar en el propio juicio
y aceptar la responsabilidad. Existe una tendencia a buscar chivos expiatorios o transferir
responsabilidades.
Fuente: http://www.tuobra.unam.mx/obras!F/publicadas/+%+G---+.--&.html
25 3.2 Criterios de decisin Deterministicos y Probabilsticas
26
3.2 Criterios de decisin Deterministicos y Probabilsticas
Modelos Probabilsticos: De los Datos a un Conocimiento
Decisivo
El conocimiento es lo 2ue sabemos. ;a in/ormaci4n es la comunicaci4n de conocimientos. En cada
intercambio de conocimientos5 hay un remitente y un receptor. El remitente hace com<n lo 2ue es pri'ado5
hace la in/ormaci4n5 la comunicaci4n. ;a in/ormaci4n se puede clasi/icar como /ormas explcitas y
tcitas. ;a in/ormaci4n expl@cita se puede explicar de /orma estructurada5 mientras 2ue la in/ormaci4n
t6cita es inconsistente e imprecisa de explicar.
;os datos son conocidos como in/ormaci4n cruda y no como conocimientos en s@. ;a secuencia 2ue 'a
desde los datos hasta el conocimiento es =obser'e el si$uiente cuadro>: de los Datos (Data) a la
Informacin (Information), de la Informacin (Information) a los Hechos (Facts), y finalmente, de
los Hechos (Facts) al Conocimiento (Knowlede) . ;os datos se con'ierten en in/ormaci4n5 cuando se
hacen rele'antes para la toma de decisi4n a un problema. ;a in/ormaci4n se con'ierte en hecho5 cuando es
respaldada por los datos. ;os hechos son lo 2ue los datos re'elan. Sin embar$o el conocimiento
instrumental es expresado 0unto con un cierto $rado estad@stico de con/ianAa =$l>.
;os hechos se con'ierten en conocimiento5 cuando son utiliAados en la complementaci4n exitosa de un
proceso de decisi4n. Una 'eA 2ue se ten$a una cantidad masi'a de hechos inte$rados como conocimiento5
entonces su mente ser6 sobrehumana en el mismo sentido en 2ue5 con la escritura5 la humanidad es
sobrehumana comparada a la humanidad antes de escribir. ;a /i$ura si$uiente ilustra el proceso de
raAonamiento estad@stico basado en datos para construir los modelos estad@sticos para la toma de decisi4n
ba0o incertidumbre.
de donde:
;e'el o/ Exactness o/ Statistical Hodel = Ni'el de Exactitud del Hodelo Estad@stico.
;e'el o/ impro'ements on decisi4n maBin$ = Ni'el de He0oramiento en la Toma de !ecisiones
;a /i$ura anterior representa el hecho 2ue a medida 2ue la exactitud de un modelo estad@stico aumenta5 el
ni'el de me0oramiento en la toma de decisi4n aumenta. Esta es la raA4n del por2u8 necesitamos la
estad@stica de ne$ocio. ;a estad@stica se creo por la necesidad de poner conocimiento en una base
sistem6tica de la e'idencia. Esto re2uiri4 un estudio de las leyes de la probabilidad5 del desarrollo de las
propiedades de medici4n5 relaci4n de datos.
;a in/erencia estad@stica intenta determinar si al$una si$ni/icancia estad@stica puede ser ad0unta lue$o 2ue
se permita una 'ariaci4n aleatoria como /uente de error. Una inteli$ente y cr@tica in/erencia no puede ser
hecha por a2uellos 2ue no entiendan el prop4sito5 las condiciones5 y la aplicabilidad de las de di'ersas
t8cnicas para 0uA$ar el si$ni/icado.
9onsiderando el ambiente de la incertidumbre5 la posibilidad de 2ue Dlas buenas decisionesE sean tomadas
incrementa con la disponibilidad Dde la buena in/ormaci4nE. El chance de la disponibilidad de Dla buena
in/ormaci4nE incrementa con el ni'el de estructuraci4n del proceso de !irecci4n de 9onocimiento. ;a
/i$ura anterior tambi8n ilustra el hecho 2ue mientras la exactitud de un modelo estad@stico aumenta5 el
ni'el de me0ora en la toma de decisiones aumenta.
El conocimiento es mas 2ue simplemente saber al$o t8cnico. El conocimiento necesita la sabidur@a. ;a
sabidur@a es el poder de poner nuestro tiempo y nuestro conocimiento en el uso apropiado. ;a sabidur@a
'iene con edad y experiencia. ;a sabidur@a es la aplicaci4n exacta del conocimiento exacto. ;a sabidur@a
es sobre saber como al$o t8cnico puede ser me0or utiliAado para cubrir las necesidades de los encar$ados
de tomar decisiones. ;a sabidur@a5 por e0emplo5 crea el so/tware estad@stico 2ue es <til5 m6s bien 2ue
t8cnicamente brillante. or e0emplo5 desde 2ue la Keb entr4 en el conocimiento popular5 los obser'adores
han notado 2ue esto pone la in/ormaci4n en nuestras manos5 pero $uardar la sabidur@a /uera de nuestro
alcance. LMN
Proceso de Toma de Decisiones Estadsticas
F di/erencia de los procesos de toma de decisiones determin@sticas tal como5 optimiAaci4n lineal
resuelto mediante sistema de ecuaciones5 sistemas param8tricos de ecuaciones y en la toma de
decisi4n ba0o pura incertidumbre5 las 'ariables son normalmente m6s numerosas y por lo tanto m6s
di/@ciles de medir y controlar. Sin embar$o5 los pasos para resol'erlos son los mismos. Estos son:
,. Simpli/icar
-. 9onstruir un modelo de decisi4n
1. robar el modelo
%. Usando el modelo para encontrar soluciones:
o El modelo es una representaci4n simpli/icada de la situaci4n real
o No necesita estar completo o exacto en todas las relaciones
o Se concentra en las relaciones /undamentales e i$nora las irrele'antes.
o Este es entendido con mayor /acilidad 2ue un suceso emp@rico =obser'ado>5 por lo tanto
permite 2ue el problema sea resuelto con mayor /acilidad y con un m@nimo de es/uerAo y
p8rdida de tiempo.
.. El modelo puede ser usado repetidas 'eces para problemas similares5 y adem6s puede ser a0ustado
y modi/icado.
F/ortunadamente5 los m8todos probabil@sticos y estad@sticos para el an6lisis de toma de decisiones ba0o
incertidumbre son m6s numerosos y mucho m6s poderosos 2ue nunca. ;as computadoras hacen
disponible muchos usos pr6cticos. Fl$unos de los e0emplos de aplicaciones para ne$ocios son los
si$uientes: OUn auditor puede utiliAar t8cnicas de muestreo aleatorio para auditar las cuentas por cobrar
de un cliente. OUn $erente de planta puede utiliAar t8cnicas estad@sticas de control de calidad para
ase$urar la calidad de los productos con m@nima inspecci4n y menor n<mero de pruebas. OUn analista
/inanciero podr@a usar m8todos de re$resi4n y correlaci4n para entender me0or la analo$@a entre los
indicadores /inancieros y un con0unto de otras 'ariables de ne$ocio. OUn analista de mercadeo podr@a usar
pruebas de si$ni/icancia para aceptar o rechaAar una hip4tesis sobre un $rupo de posibles compradores a
los cuales la compaJ@a esta interesada en 'ender sus productos. OUn $erente de 'entas podr@a usar
t8cnicas estad@sticas para predecir las 'entas de los pr4ximos periodos
Fuente: http://home.ubalt.edu/ntsbarsh/opreP%+S/Spanish.htm3rwida
27
3.3 Valor de la informacin perfecta
1. Cmo tomar una mejor decisin comprando informacin
confable !bordaje de "a#es$
En muchos casos5 el decisor puede necesitar la opini4n de un especialista para reducir sus
incertidumbres con respecto a la probabilidad de cada uno de los estados de la naturaleAa. or
e0emplo5 consideremos el si$uiente problema de decisi4n concerniente a la producci4n de un
nue'o producto:
!stados de la nat"rale#a
Hucha 'enta Qenta media oca 'enta
F=+5-> )=+5.> 9=+51>
F, =desarrollar> 1+++ -+++ *P+++
F- =no desarrollar> + + +
;as probabilidades de los estados de la naturaleAa representan los distintos $rados 2ue tiene el
criterio del decisor =por e0emplo5 un $erente> con respecto a la ocurrencia de cada estado. Nos
re/eriremos a estas e'aluaciones sub0eti'as de la probabilidad como probabilidades Ra prioriR.
El bene/icio esperado de cada curso de acci4n es F, = +5-=1+++> S +5.=-+++> S +51=*P+++> = *T-++
y F- = +7 entonces ele$imos F-5 2ue si$ni/ica 2ue no desarrollamos.
Sin embar$o5 el $erente se siente al$o reacio a tomar esta decisi4n7 por ello solicita la asistencia de
una /irma de in'esti$aci4n de mercado. Fhora nos en/rentamos a una nue'a decisi4n. Es decir5 con
cu6l /irma de in'esti$aci4n de mercado debe consultar su problema de decisi4n. !e esta manera es
2ue el $erente debe tomar una decisi4n acerca de cu6n Rcon/iableR es la /irma consultora. Hediante
muestreo y lue$o analiAando el desempeJo pre'io de la consultora debemos desarrollar la
si$uiente matriA de con/iabilidad:
Uu8 sucedi4 realmente en el pasado
F ) 9
;o 2ue el consultor Fp +5V +5, +5,
predi0o )p +5, +5G +5-
9p +5, +5+ +5&
Todas las Firmas de (n'esti$aci4n de Hercado lle'an re$istros =es decir5 conser'an datos
hist4ricos> del desempeJo alcanAado en relaci4n con las predicciones anteriores 2ue hubieren
/ormulado. Estos re$istros los ponen a disposici4n de sus clientes sin car$o al$uno. ara construir
una matriA de con/iabilidad debe tomar en consideraci4n los Rre$istros de desempeJoR de la Firma
de (n'esti$aci4n de Hercado correspondientes a los productos 2ue tienen mucha 'enta5 y lue$o
hallar el porcenta0e de los productos 2ue la Firma predi0o correctamente 2ue tendr@an mucha 'enta5
'enta media y poca o nin$una 'enta. Estos porcenta0es se representan como =FpWF> = +5V5 =)pWF>
= +5,5 =9pWF> = +5,5 en la primera columna de la tabla anterior5 respecti'amente. Se debe e/ectuar
un an6lisis similar para construir las otras columnas de la matriA de con/iabilidad.
Ibser'e 2ue para /ines de consistencia5 las entradas de cada columna en la matriA de con/iabilidad
deber@an sumar uno.
a> Tome las probabilidades y multipl@2uelas Rhacia aba0oR en la matriA5 y lue$o s<melas:
b> SUHF es el resultado de sumar en sentido horiAontal.
c> Es necesario normaliAar los 'alores =es decir5 2ue las probabilidades sumen ,> di'idiendo el
n<mero de cada /ila por la suma de la /ila hallada en el paso b.
+5- +5. +51
F ) 9 SUHF
+5-=+5V> = +5,P +5.=+5,> = +5+. +51=+5,> = +5+1 +5-%
+5-=+5,> = +5+- +5.=+5G> = +5%. +51=+5-> = +5+P +5.1
+5-=+5,> = +5+- +5.=+> = + +51=+5&> = +5-, +5-1
F ) 9
=+5,P/+5-%>=+5PP& =+5+./+5-%>=+5-+V =+5+1/+5-%>=+5,-.
=+5+-/+5.1>=+5+1V =+5%./+5.1>=+5V%G =+5+P/+5.1>=+5,,1
=+5+-/+5-1>=+5+V& =+/+5-1>=+ =+5-,/+5-1>=+5G,1
F usted podr@a $ustarle utiliAar el Xa'aScript E*lab de Fspectos 9omputacionales de la
robabilidad de Me'isada de )ayes para comprobar sus c6lculos5 realiAar experimentaciones
num8ricas5 y realiAar an6lisis de estabilidad de sus decisiones mediante la alteraci4n de los
par6metros del problema.
d> !ibu0e el 6rbol de decisiones. Huchos e0emplos $erenciales5 como el de este e0emplo5
in'olucran una secuencia de decisiones. 9uando una situaci4n de decisi4n re2uiere 2ue se tome
una serie de decisiones5 el aborda0e de la tabla de pa$o puede no dar cabida a las m<ltiples capas
de decisiones. ara ello se aplica el 6rbol de decisiones.
Fuente: http://home.ubalt.edu/ntsbarsh/opreP%+S/Spanish.htm3rbayapp
28
3.3 Valor de la informacin perfecta
Fuente: http://booBs.$oo$le.com/booBs?
id=)P;F29oSeo9"p$=F&."lp$=F&."d2='alorSdeSlaSin/ormacionSper/ectaSparaSlaStomaSdeS
decisiones"source=bl"ots='HP,)dBN(Y"si$=&LihnUZV*
EP/cBH!%XUau9GZ!o"hl=en"ei=?nmtSsPLL[a\s$NGu9\)U"sa=Y"oi=booB#result"ct=result
"resnum=,3'=onepa$e"2="/=/alse
29 3.4 rboles de decisin
30
3.4 rboles de decisin Frbol de !ecisiones y !ia$rama de (n/luencia
$proximacin del $r%ol de decisiones& El 6rbol de decisiones es una representaci4n cronol4$ica del
proceso de decisi4n5 mediante una red 2ue utiliAa dos tipos de nodos: los nodos de decisi4n5 representados
por medio de una /orma cuadrada =el nodo de elecci4n>5 y los nodos de estados de la naturaleAa5
representados por c@rculos =el nodo de probabilidad>. !ibu0e la l4$ica del problema construyendo un 6rbol
de decisiones. ara los nodos de probabilidad ase$<rese de 2ue las probabilidades en todas las ramas
salientes sumen uno. 9alcule los bene/icios esperados retrocediendo en el 6rbol5 comenAando por la
derecha y traba0ando hacia la iA2uierda.
Usted puede ima$inarse el conducir de su coche5 el comenAar en el pie del 6rbol de la decisi4n y el
trasladarse a la derecha a lo lar$o de las rami/icaciones. En cada nodo cuadrado usted tiene control5 puede
tomar una decisi4n5 y da 'uelta a la rueda de su coche. En cada nodo del crculo la seJora Fortuna asume
el control la rueda5 y usted es impotente.
F continuaci4n se indica una descripci4n paso a paso de c4mo construir un 6rbol de decisiones:
,.*!ibu0e el 6rbol de decisiones usando cuadrados para representar las decisiones y c@rculos para
representar la incertidumbre.
-.*E'al<e el 6rbol de decisiones5 para 'eri/icar 2ue se han incluido todos los resultados posibles.
1.*9alcule los 'alores del 6rbol traba0ando en retroceso5 del lado derecho al iA2uierdo.
%.*9alcule los 'alores de los nodos de resultado incierto multiplicando el 'alor de los resultados por su
probabilidad =es decir5 los 'alores esperados>. odemos calcular el 'alor de un nodo del 6rbol cuando
tenemos el 'alor de todos los nodos 2ue si$uen. El 'alor de un nodo de elecci4n es el 'alor m6s alto de
todos los nodos 2ue le si$uen inmediatamente. El 'alor de un nodo de probabilidad es el 'alor esperado de
los 'alores de los nodos 2ue le si$uen5 usando la probabilidad de los arcos. Metrocediendo en el 6rbol5
desde las ramas hacia la ra@A5 se puede calcular el 'alor de todos los nodos5 incluida la ra@A del 6rbol. Fl
poner estos resultados num8ricos en el 6rbol de decisiones obtenemos como resultado el si$uiente $r6/ico:
$r%ol de decisiones tpicos
'eferencias de la fi"ra
No 9onsultant = Sin consultor7
T.++ /ee = T.++ por honorarios7
Lire 9onsultant = 9ontratar consultor
!etermine la me0or decisi4n con el 6rbol partiendo de la ra@A y a'anAando.
!el 6rbol de decisiones sur$e 2ue nuestra decisi4n es la si$uiente:
9ontratar al consultor y lue$o a$uardar su in/orme.
Si el in/orme predice muchas 'entas o 'entas medias5 entonces producir el producto.
!e lo contrario5 no producirlo.
Qeri/i2ue la e/iciencia del consultor =C> calculando el @ndice: =)ene/icio esperado recurriendo al
consultor ]monto en T^> / QE(. El bene/icio esperado recurriendo al consultor sur$e del $r6/ico
como
)E = ,+++ * .++ = .++5 mientras 2ue QE( = +5-=1+++> S +5.=-+++> S +51=+> = ,P++.
or lo tanto5 la e/iciencia de este consultor es: .++/,P++ = 1,C
9omo traba0o domiciliario reha$a este problema con distribuci4n pre'ia plana5 es decir5 traba0ando
s4lo con las recomendaciones de la /irma de marBetin$. Traba0ar con distribuci4n pre'ia plana
si$ni/ica 2ue asi$na i$ual probabilidad5 a di/erencia de =+5-5 +5.5 +51>. Es decir5 el dueJo del
problema no conoce el ni'el de 'entas si introduce el producto al mercado.
El (mpacto de una robabilidad re'ia y la HatriA de 9on/iabilidad en sus !ecisiones: ara
estudiar cuan importante es su conocimiento pre'io y/ o la precisi4n de la in/ormaci4n esperada de
los consultores en sus decisiones5 le su$iero 2ue realice de nue'o el e0emplo num8rico anterior
aplicando an6lisis de sensibilidad. Usted podr@a comenAar con el si$uiente caso extremo e
interesante usando este Xa'aScript para los c6lculos necesarios:
o 9onsidere una prioridad plana5 sin cambiar la matriA de con/iabilidad.
o 9onsidera ana matriA de con/iabilidad per/ecta =es decir5 con una matriA de identidad>5 sin
cambiar la prioridad.
o 9onsidere una prioridad per/ecta5 sin cambiar la matriA de con/iabilidad.
o 9onsidera una matriA de con/iabilidad plana =es decir5 con todos los elementos i$uales>5 sin
cambiar la prioridad.
o 9onsidere la predicci4n de probabilidades de los consultores como su propia prioridad5 sin
cambiar la matriA de con/iabilidad.
Diaramas de Infl"encia& 9omo puede ser obser'ado en el e0emplo del 6rbol de decisiones5 la
descripci4n de las ramas y nudos el problema de decisiones secuenciales normalmente se hace
bastante complicado. En ciertas ocasiones es menos di/@cil dibu0ar el 6rbol de tal /orma 2ue
preser'e las relaciones 2ue realmente mane0an las decisiones. ;a necesidad por mantener la
'alidaci4n5 y el r6pido incremento en comple0idad 2ue usualmente pro'iene de los usos liberales
de las estructuras recursi'as5 han pro'isto del proceso de decisiones para describir otros. ;a raA4n
para esta comple0idad es 2ue el actual mecanismo computacional 2ue sol@a analiAar el 6rbol5 esta
encarnado directamente dentro de los 6rboles y las ramas. ;as probabilidades y 'alores re2ueridos
para calcular los 'alores esperados de las si$uientes ramas est6n expresamente de/inidos en cada
nudo.
;os !ia$ramas de (n/luencia tambi8n son utiliAados para el desarrollo de modelos de decisi4n y
como una alternati'a de representaci4n $ra/ica de 6rboles de decisi4n. ;a /i$ura si$uiente muestra
un dia$rama de in/luencia para nuestro e0emplo num8rico.
En el dia$rama de in/luencia anterior5 los nudos de decisi4n y los nudos de oportunidad son
ilustrados similarmente con cuadrados y c@rculos. ;os arcos =/lechas> implican relaciones5
incluyendo probabil@sticas.
Finalmente5 el 6rbol de decisi4n y el dia$rama de in/luencia proporcionan m8todos de tomas de
decisiones e/ecti'as por2ue ellos:
o 9laramente rela0a el problema5 por lo tanto todas las opciones pueden ser consideradas.
o Nos permiten ampliamente analiAar las posibles consecuencias de una decisi4n.
o roporcionan un es2uema para cuanti/icar los 'alores delos resultados y las probabilidades
para lo$rar los mismos.
o Nos ayudan a tomar me0ores decisiones basadas en la in/ormaci4n existente5 as@ como
tambi8n hacer me0ores adi'inanAas.
Tambi8n 'isite:
Teor@a de la !ecisi4n y _rboles de !ecision
Fuente: http://home.ubalt.edu/ntsbarsh/opreP%+S/Spanish.htm3rwhyad'ice
31
3.5 Teora de utilidad
1. Determinacin de la funcin de utilidad del decisor
Lemos traba0ado con tablas de redistribuci4n expresadas en t8rminos del 'alor monetario
esperado. Sin embar$o5 este no es siempre el me0or criterio de usar en la toma de decisiones. El
'alor del dinero 'aria de situaci4n a situaci4n y de una decisi4n a otra. ?eneralmente5 el 'alor del
dinero no es una /unci4n lineal de la cantidad de dinero. En tal caso5 el analista debe determinar la
utilidad monetaria del tomador de decisiones y seleccionar los cursos de acci4n 2ue proporcione la
utilidad esperada mas ele'ada5 en 'eA del 'alor monetario esperado mayor.
;os pa$os indi'iduales de se$uros se en/ocan en e'itar la posibilidad de perdidas /inancieras
asociadas con la ocurrencia de al$<n e'ento indeseado. Sin embar$o5 las utilidades de di/erentes
resultados no son directamente proporcionales a sus consecuencias monetarias. Si la p8rdida es
considerada relati'amente $rande5 un indi'iduo es m6s propenso a pa$ar una prima asociada. Si un
indi'iduo considera 2ue la p8rdida no tiene consecuencias5 esta persona es m6s propensa a pa$ar la
prima asociada.
;as di/erencias indi'iduales en actitudes hacia el ries$o y estas di/erencias5 in/luenciar6n sus
opciones. or lo tanto5 indi'iduos deben realiAar cada 'eA la misma decisi4n con relaci4n al ries$o
percibido en situaciones similares. Esto no si$ni/ica 2ue todos los indi'iduos deber@an controlar la
misma cantidad de ries$o en situaciones similares. Has a<n5 debido a la estabilidad /inanciera de
un indi'iduo5 dos indi'iduos en/rentando la misma situaci4n podr@an reaccionar de manera
di/erente a pesar de utiliAar los mismos criterios. Una di/erencia personal de opini4n e
interpretaci4n de las pol@ticas tambi8n puede producir di/erencias.
;a retribuci4n monetaria esperada 2ue se asocia con las di'ersas decisiones puede no ser raAonable
por las si$uientes dos raAones importantes:
,. El 'alor en d4lares puede no expresar aut8nticamente el 'alor personal 2ue el resultado tiene
para uno. Esto es lo 2ue moti'a a al$unas personas a 0u$ar a la loter@a por T,.
-. Si usted acepta los 'alores monetarios esperados es probable 2ue no est8 re/le0ando con
exactitud su a'ersi4n al ries$o. or e0emplo5 supon$amos 2ue tiene 2ue ele$ir entre 2ue le pa$uen
T,+ por no hacer nada5 o participar de una apuesta cuyo resultado depende del lanAamiento de una
moneda al aire5 pudiendo $anar T,.+++ si sale cara y perder TG.+ si sale cruA. ;a primera
alternati'a tiene una recompensa esperada de T,+7 la se$unda tiene una recompensa esperada de
+5.=,+++> S +5.=* G.+> = T-.5 y es claramente pre/erible a la primera =si la recompensa monetaria
esperada /uere un criterio raAonable>. ero usted 2uiA6s pre/iera T,+ se$uros antes 2ue correr el
ries$o de perder TG.+.
:or 2u8 al$unas personas contratan se$uros y otras no? El proceso de toma de decisiones
in'olucra /actores psicolgicos y econmicos5 entre otros. El concepto de utilidad es un intento de
medir el pro'echo 2ue tiene el dinero para el decisor en lo indi'idual. 9on el concepto de la
utilidad podemos explicar por 2u85 por e0emplo5 al$unas personas compran billetes de loter@a por
un d4lar para $anar un mill4n de d4lares. ara estas personas5 ,.+++.+++ =T,> es menos 2ue
=T,.+++.+++>. or lo tanto5 para tomar una decisi4n acertada considerando la actitud 2ue tiene el
decisor con respecto al ries$o5 debemos con'ertir la matriA de bene/icios monetarios en una matriA
de utilidad. ;a principal pre$unta ser@a: :94mo se mide la /unci4n de la utilidad con cada decisor?
9onsideremos nuestro roblema de !ecisi4n de (n'ersi4n. :9u6l ser@a la utilidad de T,-?
a> Fsi$ne ,++ unidades de utilidad y + unidades de utilidad al elemento m6s $rande y al m6s
pe2ueJo5 respecti'amente5 de la matriA de bene/icios. En nuestro e0emplo num8rico5 asi$namos
,++ unidades de utilidad a ,.5 y + unidades de utilidad a *-5
b> @dale al decisor 2ue eli0a entre las si$uientes hip4tesis:
Mecibir T,- por no hacer nada
(
Xu$ar el si$uiente 0ue$o: $anar T,. con probabilidad =p> y *T- con probabilidad =,*p>5 donde p es
un n<mero seleccionado entre + y ,.
9ambiando el 'alor de p5 y repitiendo una pre$unta similar5 existe un 'alor de p con el 2ue el
decisor es indi/erente ante las dos hip4tesis. !i$amos5 p = +5%V.
c> Fhora5 la utilidad para T,- es i$ual a +5%V=,++> S =,*+5%V>=+> = %V.
d> Mepita el mismo proceso para hallar las utilidades de cada elemento de la matriA de bene/icios.
Supon$amos 2ue de/inimos la si$uiente matriA de utilidad:
HatriA de )ene/icio Honetario HatriA de )ene/icio de Utilidad
F ) 9 ! F ) 9 !
,- V P 1 %V 1% -V ,1
,. & 1 *- ,++ ,G ,1 +
& & & & ,G ,G ,G ,G
Fhora se puede aplicar cual2uiera de las t8cnicas antes analiAadas a esta matriA de utilidad =en
lu$ar de monetaria> para tomar una decisi4n satis/actoria. Uueda claro 2ue la decisi4n podr@a ser
di/erente.
!eterminaci4n de la /unci4n de utilidad del decisor Xa'aScript E*labs.
Fuente: http://home.ubalt.edu/ntsbarsh/opreP%+S/Spanish.htm3rutility
32
3.5 Teora de utilidad
1. %epresentaciones de la &uncin de 'tilidad con
!plicaciones
(ntroducci4n: Una /unci4n de utilidad trans/orma el uso de un resultado en un 'alor num8rico 2ue
mide la 'aloraci4n personal del resultado. ;a utilidad de un resultado puede estar dentro de una
escala comprendida entre + y ,++5 as@ como hicimos en nuestro e0emplo num8rico5 con'irtiendo la
matriA monetaria en una matriA de utilidad . Esta /unci4n de utilidad puede ser una simple tabla5 un
sutil $r6/ico continuo ascendente5 o una expresi4n matem6tica de un $r6/ico.
El ob0eti'o es representar la /unci4n /uncional entre las entradas en la matriA monetaria y los
resultados obtenidos anteriormente de la matriA de utilidad. Usted podr@a pre$untarse :Uu8 es una
/unci4n?
:Uu8 es una /unci4n? Una /unci4n es al$o 2ue hace al$o. or e0emplo5 una ma2uina para moler
ca/8 es una /unci4n 2ue trans/orma el $rano de ma@A en pol'o. Una /unci4n de utilidad trans/orma
=con'ierte> la es/era de entradas ='alores monetarios> hacia un ran$o de salidas o resultados5 con
dos 'alores /inales de utilidad + y ,++. En otras palabras5 la /unci4n de utilidad determina el $rado
de sensibilidad de las pre/erencias del tomador de decisiones.
Este ca@tulo presenta un proceso $eneral para determinar la /unci4n de utilidad. ;a presentaci4n
esta en el contexto de los resultados num8ricos del cap@tulo anterior5 a pesar de 2ue se repiten
datos.
'epresentacin de la F"ncin de )tilidad con $plicaciones& Existen tres m8todos di/erentes de
representar /unciones: el Tabular5 el ?r6/ico5 y la Mepresentaci4n Hatem6tica. ;a selecci4n de un
m8todo sobre el otro depender6 de las habilidades matem6ticas 2ue ten$a el tomador de decisiones
de /orma tal de entenderlo y usarlo /6cilmente. ;os tres m8todos e'olucionan en su procesos de
construcci4n respecti'os7 por lo tanto5 se podr@a proceder al m8todo si$uiente si es preciso.
;a /unci4n de utilidad es normalmente usada para predecir la utilidad del tomador de decisiones
para un 'alor monetario dado. ;a predicci4n y precisi4n aumentan desde el m8todo tabular al
matem6tico.
'epresentacin *a%"lar de la F"ncin de )tilidad& odemos tabular los pares de datos =!5 U>
usando las entradas de la matriA 2ue representan los 'alores monetarios =!> y sus utilidades
correspondientes =U> de la matriA de utilidad obtenida pre'iamente. ;a /orma tabular de la /unci4n
de utilidad para nuestro e0emplo num8rico es dada por la si$uiente tabla de pares de datos =!5 U>:
9uncin ,e (tili,a, :(' ,e la Varia8le $#netaria :D' en 9#rma Ta8ular
D 12 8 6 3 15 7 3 -2 7 7 7 7
( 58 34 28 13 100 19 13 0 19 19 19 19
'epresentacin *a%"lar de la F"ncin de )tilidad para el !+emplo ,"m-rico
9omo puede 'er5 la representaci4n tabular esta limitada a los 'alores num8ricos dentro de la tabla.
Supon$a 2ue se desea obtener la utilidad en d4lares5 di$amos T,+. Se podr@a usar el m8todo de
interpolaci4n7 sin embar$o5 por2ue la /unci4n de utilidad normalmente es no*lineal7 el resultado
interpolado no representa la utilidad del tomador de decisiones acertadamente. ara en/rentar esta
di/icultad5 se deber@a usar el m8todo $r6/ico.
'epresentacin .rafica de la F"ncin de )tilidad& Se puede dibu0ar una cur'a utiliAando el
dia$rama de dispersi4n obtenido mediante la $ra/icaci4n de los datos en la /orma Tabular sobre un
papel de $r6/ico. [a con el dia$rama de dispersi4n5 necesitamos decidir primero la /orma de la
/unci4n de utilidad. El $r6/ico de utilidad esta caracteriAado por sus propiedades de ser sutil5
continuo5 y cur'a de /orma creciente. Normalmente5 una /unci4n con /orma de par6bola se a0usta
relati'amente bien a las es/eras an$ostas de la 'ariable !. ara es/eras m6s amplias5 se podr@an
a0ustar al$unas pieAas pe2ueJas de una /unci4n de par6bola5 una para cada sub*es/era apropiada.
ara nuestro e0emplo num8rico5 el $ra/ico si$uiente es una /unci4n sobre el inter'alo usado en el
modelo de la /unci4n de utilidad5 dibu0ado con la utilidad asociada =e0e de las U> y el 'alor
asociado en d4lares =e0e de las !>. Note 2ue en el dia$rama de dispersi4n los puntos m<ltiples
est6n representados por c@rculos pe2ueJos.
'epresentacin .rfica de la F"ncin de )tilidad para el !+emplo ,"m-rico
;a representaci4n $r6/ica tiene una $ran 'enta0a sobre la tabular y es 2ue se puede leer la utilidad
en d4lares de T,+ directamente del $r6/ico5 como se muestra en la /i$ura anterior para nuestro
e0emplo num8rico. El resultado es aproximadamente U = %+. ;eyendo un 'alor del $r6/ico no es
con'eniente7 por lo tanto5 para los procesos de predicciones5 un modelo matem6tico es el 2ue
me0or /unciona.
'epresentacin /atemtica de la F"ncin de )tilidad& odemos construir un modelo
matem6tico para una /unci4n de utilidad utiliAando la /orma de la /unci4n de utilidad obtenida
mediante su representaci4n del H8todo ?r6/ico. Normalmente5 una /unci4n con /orma de par6bola
se a0usta relati'amente bien a las es/eras an$ostas de la 'ariable !. ara es/eras m6s amplias5 se
podr@an a0ustar al$unas pieAas pe2ueJas de una /unci4n de par6bola5 una para cada sub*es/era
apropiada.
Sabemos 2ue 2ueremos una /unci4n cuadr6tica 2ue se a0uste me0or al dia$rama de dispersi4n 2ue
ha sido construido pre'iamente. or lo tanto5 utiliAamos el an6lsis de re$resi4n para estimar los
coe/icientes en la /unci4n 2ue me0or se a0usta a los pares de datos =!5 U>.
/odelos de 0ar%ola& ;as re$resiones de par6bola tienen tres coe/icientes con una /orma $eneral:
U = a S b! S c!
-
5
donde
c = ] =!i * !barra>
-
Ui * n`=!i * !barra>
-
Uia^ / ]n =!i * !barra>
%
* `=!i * !barra>
-
a
-
^
b = `=!i* !barra> Uia/` =!i * !barra>
-
a * -c!barra
a = ]Ui * `c =! i * !barra>
-
>^/n * =c!barra!barra S b!barra>5
donde !barra es la media de !ibs.
ara nuestro e0emplo num8rico i = ,5 -5...5 ,-. mediante la e'aluaci4n de estos coe/icientes
utiliAando la in/ormaci4n dada en la secci4n de la /orma tabular5 El Dme0orE a0uste es caracteriAado
por sus coe/icientes de 'alores estimados: c = +5%+G5 b = +5+1.5 y a = 15+G,. El resultado es7 por lo
tanto5 una /unci4n de utilidad aproximada por la si$uiente /unci4n cuadr6tica:
U = +5%+G!
-
S +5+1.! S 15+G,5 para todo ! tal 2ue *- ! ,..
;a representaci4n matem6tica anterior proporciona in/ormaci4n mas <til 2ue los otros dos
m8todos. or e0emplo5 colocando ! = ,+5 se obtiene el 'alor predicho de utilidad U = %%51.
Fdicionalmente5 tomando la deri'ada de la /unci4n proporciona el 'alor mar$inal de la utilidad5
por e0emplo5
Utilidad Har$inal = +5+1. S +5V,V!5 para todo ! tal 2ue *- < ! < ,..
Note 2ue para este e0emplo num8rico5 la utilidad mar$inal es una /unci4n creciente por2ue la
'ariable ! tiene un coe/iciente positi'o7 por lo tanto5 se esta capacitado a clasi/icar esta decisi4n
como un ries$o moderado.
F usted podr@a $ustarle utiliAar el Xa'aScript de Me$resi4n 9uadr6tica para comprobar sus c6lculos
manuales. ara $rados mayores 2ue la cuadr6tica5 a usted podr@a $ustarle utiliAar el Xa'aScript de
Me$resi4n olinomial.
Fuente: http://home.ubalt.edu/ntsbarsh/opreP%+S/Spanish.htm3rutility
33
3.6 Decisiones secunciales.
Fuente:
http://www.snap.$o'.bo/campus'irtual/courses/9;()F!TS9)/document/Toma#de#decisiones/Teoria/9F
#P#!E9(S(INES#SE9UEN9(F;ES5###FM)I;#!E#!E9(S(IN.pd/?cidMe2=9;()F!TS9)
34
3.6 Decisiones secunciales.
Fuente:
http://www.snap.$o'.bo/campus'irtual/courses/9;()F!TS9)/document/Toma#de#decisiones/Teoria/9F
#P#!E9(S(INES#SE9UEN9(F;ES5###FM)I;#!E#!E9(S(IN.pd/?cidMe2=9;()F!TS9)
35
3.7 Anlisis de sensibilidad
Intr#,uccin al an;li%i% ,e %en%i8ili,a,
El trabajo del equipo de investigacin de operaciones recin se inicia cuando se ha aplicado con xito el mtodo smplex para
identificar una solucin ptima. Una suposicin de programacin lineal es que todos los parmetros del modelo (aij, bi y cj ) son
c#n%tante% c#n#ci,a%. En realidad, los valores de los parmetros que se usan en este modelo son slo e%timaci#ne%
basadas en una 1re,iccin de las condiciones futuras. os datos obtenidos para desarrollar estas estimaciones con frecuencia
son bastante imperfectos o no existen, es por esta razn que los parmetros de la formulacin original pueden representar poco
ms que algunas pequeas reglas proporcionadas por el personal de lnea el que tal vez se sinti presionado para dar su
opinin. Los datos pueden incluso representar estimaciones optimistas o pesimistas que protegen los intereses de los
estimadores.
Por todo esto, un gerente razonable y el personal de investigacin de operaciones mantendrn cierto escepticismo respecto a
los valores originales entregados por el computador y, en los muchos casos, los considerarn solamente como un punto de
inicio para el anlisis posterior del problema. Una solucin "ptima" es ptima nada ms en lo que se refiere al modelo
especfico que se est usando para representar el problema real, y tal solucin no se convierte en una gua confiable para la
accin hasta que se verifica que su comportamiento es bueno para otras representaciones razonables del problema. An ms,
algunas veces los parmetros del modelo (en particular bi) se establecen como resultado de decisiones por polticas
gerenciales, y estas decisiones deben revisarse despus de detectar sus consecuencias.
Estas son las razones por las cuales es importante llevar a cabo un an;li%i% ,e %en%i8ili,a,< para investigar el efecto que
tendra sobre la solucin ptima proporcionada por el mtodo smplex el hecho de que los parmetros tomaran otros valores
posibles. En general, habr algunos parmetros a los que se les pueda asignar cualquier valor razonable sin que afecten la
optimalidad de la solucin. Sin embargo, tambin existirn parmetros con valores probables que nos lleven a una nueva
solucin ptima. Esta situacin es particularmente preocupante, si la solucin original adquiere valores sustancialmente
inferiores en la funcin objetivo, o tal vez no factibles!
Por lo tanto, el objetivo fundamental del anlisis de sensibilidad es identificar los 1ar;metr#% %en%i8le%< (por ejemplo, los
parmetros cuyos valores no pueden cambiar sin que cambie la solucin ptima ). Para ciertos parmetros que no estn
clasificados como sensibles, tambin puede resultar de gran utilidad determinar el inter/al# ,e /al#re% del parmetro para el
que la solucin ptima no cambia. (Este intervalo de valores se conoce como intervalo permisible para permanecer ptimo). En
algunos casos, cambiar el valor de un parmetro puede afectar la =acti8ili,a, de la solucin BF ptima. Para tales parmetros,
es til determinar el intervalo de valores para el que la solucin BF ptima (con los valores ajustados de las variables bsicas)
seguir siendo factible. (Este intervalo recibe el nombre de intervalo permisible para permanecer factible).
La informacin de este tipo es invaluable en dos sentidos. Primero, identifica los parmetros ms importantes, con lo que se
puede poner un cuidado especial al hacer sus estimaciones y al seleccionar una solucin que tenga un buen desempeo para
la mayora de los valores posibles. Segundo, identifica los parmetros que ser necesario controlar de cerca cuando el estudio
se lleve a la prctica. Si se descubre que el valor real de un parmetro se encuentra fuera de su intervalo de valores
permisibles, sta es una seal de que es necesario cambiar la solucin.
En esencia, la idea fundamental revela de inmediato la forma en que los cambios al modelo original alteraran los nmeros de la
tabla smplex final (si se supone que se duplica la misma secuencia de operaciones algebraicas que realiz el mtodo smplex
la primera vez). Por lo tanto, despus de hacer unos cuantos clculos para actualizar esta tabla smplex, se puede verificar con
facilidad si la solucin BF ptima original ahora es no ptima (o no factible). Si es as, esta solucin se usar como solucin
bsica inicial para comenzar de nuevo el mtodo smplex (o el smplex dual ) para encontrar una nueva solucin ptima, si se
desea. Si los cambios realizados en el modelo no son cambios mayores, slo se requerirn unas cuantas iteraciones para
obtener la nueva solucin ptima a partir de esta solucin bsica inicial "avanzada".
Para describir este procedimiento con ms detalle, considere la siguiente situacin. Se ha empleado el mtodo smplex para
obtener una solucin ptima para un modelo de programacin lineal con valores especficos para los parmetros bi, cj $ aij.
Para iniciar el anlisis de sensibilidad se cambian uno o ms parmetros. Despus de hacer los cambios, sean bi, cj y aij los
valores de los distintos parmetros. Entonces, en notacin matricial, para el modelo revisado.
> > >
8 8< c c< a a<
Primer paso es actualizar la tabla smplex final para que refleje estos cambios. Usando la siguiente notacin junto a las frmulas
que acompaan a la idea fundamental ? 1) t@ A t B C@T y 2) T@ A S@T D < se ve que la tabla smplex final revisada se calcula a
partir de C@ y S@ (que no han cambiado) y la nueva tabla smplex inicial, como se muestra en la tabla 1.1.
Ta8la .". Tabla smplex final revisada que resulta de los cambios en el modelo original
Coeficiente de
Ec. Z Variables originales Variables de holgura Lado derecho
Tabla inicial nueva 0 1 1-c 0 0
(1, 2,...,m) 0 A 1 b
Tabla final revisada 0 1 z* - c = y* A - c y * Z* = y* b
(1,2,...,m) 0 A* = S * A S * b* = S* b
A manera de ilustracin, suponga que se revisa el modelo original del problema de la Wyndor Glass Co. segn se muestra en el
cuadro que presentamos a continuacin:
$#,el# #riginal $#,el# re/i%a,#
As, los cambios al modelo original son c1 D 3 4, a31 D 3 4 y b2 =12 24. El siguiente grfico muestra el efecto de estos cambios.
Para el modelo origina el mtodo smplex ya ha identificado la solucin FEV ptima en el vrtice (2, 6), que se encuentra en la
interseccin de las dos fronteras de restriccin que se muestran como lneas punteadas, 2x2 = 12 y 3x1 + 2x2 = 18. Ahora, la
revisin del modelo ha cambiado ambas fronteras por las que se muestran con lneas oscuras, 2x2 = 24 y 2x1 + 2x2 = 18. En
consecuencia, la solucin FEV anterior (2, 6) cambia ahora a la nueva interseccin (-3, 12) que es una solucin no factible en
un vrtice para el modelo revisado. El procedimiento descrito en los prrafos anteriores encuentra este cambio algebraicamente
(en la forma aumentada). An ms, lo hace de manera muy eficiente aunque se trate de grandes problemas para los que el
anlisis grfico es imposible.
Para llevar a cabo este procedimiento, se comienza escribiendo los parmetros del modelo revisado en forma matricial:
_ _ 1 0 _ 4
c = (4,5), A = 0 2 , 8 = 24
2 2 18
La tabla smplex inicial nueva que resulta se muestra en la parte superior de la tabla 1.2. Debajo se encuentra la tabla smplex
final original. Se dibujaron cuadros oscuros para marcar las partes de esta tabla smplex final que definitivamente n# cam8ian
con los cambios al modelo, a saber, los coeficientes de las variables de holgura tanto en el rengln 0 (y*) como en el resto de
los renglones (S*). As,
1 1/3 -1/3
C@ = ( 0, 3/2, 1 ), S@ = 0 0
0 -1/3 3
9igura . Cambio de la solucin final en un vrtice de (2, 6) a (-3, 12) para la revisin del problema de la Wyndor Glass Co.,
donde c1 = 3 4, a31 D 3 2 y b2 =12 24.
Estos coeficientes de las variables de holgura quedan necesariamente sin cambiar cuando se realizan las mismas operaciones
algebraicas que originalmente realiz el mtodo smplex porque los coeficientes de estas mismas variables en la tabla smplex
inicial no cambiaron.
Sin embargo, como otras partes de la tabla smplex inicial cambiaron, habr modificaciones en la tabla smplex final. Usando las
frmulas de la tabla 6.1, los nmeros actualizados en el resto de la tabla smplex final se calculan como sigue:
_ 1 0 4
z@ - c = (0, 3/2, 1) = 0 2 - (4, 5) = (-2, 0), E@ = (0, 3/2, 1) 24 = 54
2 2 18
1 1/3 -1/3 1 0 1/3 0
A@ = 0 0 0 2 = 0 1 ,
0 -1/3 1/3 2 2 2/3 0
1 1/3 -1/3 4 6
8@ = 0 0 24 = 12
0 -1/3 1/3 18 -2
Ta8la ."- Obtencin de la tabla smplex revisada final para el problema de la Wyndor Glass Co.
Fuente: http://html.rincondel'a$o.com/analisis*de*sensibilidad#,.html
36 3.7 Anlisis de sensibilidad
37
UNDAD CUATRO
Cadenas de Markov
38
41. ntroduccin.
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un
evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen
memoria. " Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos
futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un dado.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de
compra de los deudores morosos, para planear las necesidades de personal y para analizar el
reemplazo de equipo.
El anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo el mtodo
en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado en
particular en un momento dado. Algo ms importante an, es que permite encontrar el promedio
a la larga o las probabilidades de estado estable para cada estado. Con esta informacin se
puede predecir el comportamiento del sistema a travs del tiempo.
La tarea ms difcil es reconocer cundo puede aplicarse. La caracteristica ms importante
que hay que buscar en la memoria de un evento a otro.
Apl%$a$%&" a la am%"%!#'a$%&" : Pla"ea$%&" e Pe'!o"al.
El anlis de transicin puede ser til al planear satisfacer las necesidades de personal.
Muchas firmas emplean trabajadores de diferentes niveles de clasificacin dentro de la misma
categora de trabajo. Esto es comn para personal de confianza, oficinistas, obreros calificados,
no calificados y personal profesional. La firma debe tener el nmero de empleados en cada
nivel de clasificacin para proporcionar la oportunidad de promocin adecuada, cumplir con las
habilidades necesarias para el trabajo y controlar la nmina. Una planeacin de personal a
largo plazo apropiada requiere que se considere el movimiento de personas tanto hacia arriba
en el escalafn de clasificacin como hacia afuera de la organizacin. El anlisis de Markov
puede ayudar en este esfuerzo de planeacin.
El movimiento de personal a otras clasificaciones puede considerarse como una cadena de
Markov. Se supone que hay tres clasificaciones; el grado 1 es la ms baja. Adems, los
descensos se consideran raros y se omiten. El estado "salen" es absorbente, el cual incluye
renuncias, ceses, despidos y muertes. Por supuesto, todos los empleados finalmente alcanzan
este estado.
Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan promociones.
Como transiciones de probabilidad, estn controladas por la firma, puede establecerse el nivel
que la firma determine que es necesario para cumplir sus objetivos. Como ejemplo, supngase
que la firma tiene en este momento 30 empleados del 3, 90 empleados del grado 2 y 300
empleados del grado 1 y que desea mantener este nivel de empleados durante el prximo ao.
Por experiencia, se espera que salgan el 30 % de los empleados de grado 1 al ao, el 20 % de
los empleados de grado 2 y el 10 % de aquellos que estn en el grado 3. Si la poltica es
contratar slo en los niveles de clasificacin ms bajos, cuntos se deben contratar y cuntos
se deben promover el siguiente ao para mantener estables los niveles ?.
Este problema puede resolverse sin el anlisis de Markov, pero el modelo es til para ayudar
a conceptualizar el problema. Como se trata slo de un ciclo, se usa el anlisis de transicin. El
anlisis comienza con el graado ms alto. No se hacen promociones pero el 10 %, o sea, 3,
sale. Todos ellos deben de reemplazarse por promociones del grado 2. En el nivel de
clasificacin, el 20 % sale y se deben promover 3, con una prdida de 21. Esto se debe
compensar por promocin del grado 1. Al pasar al grado 1, el 30 % sale y 21 deben
promoverse, lo cual una prdida total de 111. Por tanto, el siguiente ao se deben contratar 111
empleados del nivel 1.
En este ejemplo se derivan algunas tasas de transicin a partir de consideraciones externas.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
39
4.2 Formulacin de las cadenas de Markov.
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un
evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen
memoria. " Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos
futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un dado.

En la figura 4.1.1 se muestra el proceso para formular una cadena de Markov. El generador
de Markov produce uno de n eventos posibles, E
j
, donde j = 1, 2, . . . , n, a intervalos discretos
de tiempo (que no tiene que ser iguales ). Las probabilidades de ocurrencia para cada uno de
estos eventos depende del estado del generador. Este estado se describe por el ltimo evento
generado. En la figura 4.1.1, el ltimo evento generado fue E
j
, de manera que el generador se
encuentra en el estado M
j
.
La probabilidad de que E
k
sea el siguiente evento generado es una probabilidad condicional :
P ( E
k
/ M
j
). Esto se llama probabilidad de transicin del estado M
j
al estado E
k
. Para describir
completamente una cadena de Markov es necesario saber el estado actual y todas las
probabilidades de transicin.

Probabilidades de transicin.

Una forma de describir una cadena de Markov es con un diagrama de estados, como el que
se muestra en la figura 4.1.2. En sta se ilustra un sistema de Markov con cuatro estados
posibles : M
1
, M
2
, M
3
y M
4
. La probabilidad condicional o de transicin de moverse de un
estado a otro se indica en el diagrama
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. .
La matriz de transicin para el ejemplo del diagrama de estados se muestra en la tabla 4.1.1 .
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. .
Para n = 0, 1, 2, ....

El superndice n no se escribe cuando n = 1.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
40
4.3 Procesos estocsticos.
Un proceso estocstico se define sencillamente como una coleccin indexada de variables
aleatorias { X
1
}, donde el subndice t toma valores de un conjunto T dado. Con frecuencia T se
toma como el conjunto de enteros no negativos y X, representa una caracterstica de inters
medible en el tiempo t. Por ejemplo, el proceso estocstico, X
1
, X
2
, X
3
, .., Puede representar la
coleccin de niveles de inventario semanales (o mensuales) de un producto dado, o puede
representar la coleccin de demandas semanales (o mensuales) de este producto.
Un estudio del comportamiento de un sistema de operacin durante algn periodo suele
llevar al anlisis de un proceso estocstico con la siguiente estructura. En puntos especficos
del tiempo t , el sistema se encuentra exactamente en una de un nmero finito de estados
mutuamente excluyentes y exhaustivos, etiquetados 0, 1, . . , S. Los periodos en el tiempo
pueden encontrarse a intervalos iguales o su esparcimiento puede depender del
comportamiento general del sistema en el que se encuentra sumergido el proceso estocstico.
Aunque los estados pueden constituir una caracterizacin tanto cualitativa como cuantitativa del
sistema, no hay prdida de generalidad con las etiquetas numricas 0, 1, . . , M , que se usarn
en adelante para denotar los estados posibles del sistema. As la representacin matemtica
del sistema fsico es la de un proceso estocstico {X
i
}, en donde las variables aleatorias se
observan en t = 0, 1, 2,. . ., y en donde cada variable aleatoria puede tomar el valor de
cualquiera de los M + 1 enteros 0, 1, .. , M . Estos enteros son una caracterizacin de los M + 1
estados del proceso.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
41
4.4 Propiedad Markoviana de primer orden.
Se dice que un proceso estocstico tiene la propiedad markoviana si
P { X
t+1
= j | X
0
= K
0
, X
1
= K
1
, . ., X
t-1
= K
t-1
, = K
t-1
, X
t
=1}= P {X
t+1
| X
1
= i }, para toda t = 0, 1, . . y
toda
sucesin i, j , K
0
, K
1
, . . , K
i-1 .

Se puede demostrar que esta propiedad markoviana es equivalente a establecer una
probabilidad condicional de cualquier "evento" futuro dados cualquier "evento " pasado y el
estado actual X
i
= i , es independiente del evento pasado y slo depende del estado actual del
proceso. Las probabilidades
condicionales P{X
t+1
= j | X
t
= i} se llaman probabilidades de transicin. Si para cada i y j,
P{ X
t+1
= j | | X
t
= i } = p{X
1
= j | X
0
= i }, para toda t = 0, 1, ....
Entonces se dice que las probabilidades de transicin (de un paso) son estacionarias y por lo
general se denotan por p
i!
. As, tener probabilidades de transicin estacionarias implican que
las probabilidades de transicin no cambian con el tiempo. La existencia de probabilidades de
transicin (de un paso) estacionarias tambin implica que, para cada i, j y n (n = 0, 1, 2,...),
P{ X
t+n
= j | | X
t
= i } = p{X
n
= j | X
0
= i },
Para toda t = 0, 1, . . . Estas probabilidades condicionales casi siempre se denotan por y se
llaman probabilidades de transicin de n pasos. As, es simplemente la probabilidad
condicional de que la variable aleatoria X, comenzando en el estado i, se encuentre en el
estado j despus de n pasos ( unidades de tiempo ).
Como las son probabilidades condicionales, deben satisfacer las propiedades:
Fuente: http://sistemas.itlp.edu.mx/tutoriales/in'estoper-/index.htm
42
4.4 Propiedad Markoviana de primer orden.
43 4.5 Probabilidad de transicin estacionarias de un solo paso.
44
4.5 Probabilidad de transicin estacionarias de un solo paso.
E*em1l# +
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede
ordenar cada semana. Sean D
1
, D
2
, ... las demandas de esta cmara durante la primera,
segunda, ... , semana, respectivamente. Se supone que las D
i
son variables aleatorias
independientes e idnticamente distribuidas que tienen una distribucin de probabilidad
conocida. Sea X
0
el nmero de cmaras que se tiene en el momento de iniciar el proceso, X
1
el
nmero de cmaras que se tienen al final de la semana uno, X
2
el nmero de cmaras al final
de la semana dos, etc. Suponga que X
0
= 3 . El sbado en la noche la tienda hace un pedido
que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S)
1

para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1
(no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas
se pierden cuando la demanda excede el inventario. Entonces, {X
1
} para t = 0, 1, .. es un
proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso
son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final
de la semana.
Observe que {X
i
}, en donde X
i
es el nmero de cmaras en el almacn al final de la semana t (
antes de recibir el pedido }), es una cadena de Markov. Se ver ahora cmo obtener las
probabilidades de transicin (de un paso), es decir, los elementos de la matriz de transicin ( de
un paso).

Suponiendo que cada D
t
tiene una distribucin Poisson con parmetro .
Para obtener es necesario evaluar . Si ,
Entonces . Por lo tanto, significa que la demanda durante la
semana fue de tres o ms cmaras. As, , la probabilidad
de que una variable aleatoria Poisson con parmetro tome el valor de 3 o ms;
y se puede obtener de una manera parecida. Si ,
entonces . Para obtener , la demanda durante la semana debe ser 1
o ms. Por esto, . Para encontrar ,
observe que si . En consecuencia, si , entonces la demanda
durante la semana tiene que ser exactamente 1. por ende, . Los elementos
restantes se obtienen en forma similar, lo que lleva a la siguiente a la siguiente matriz de
transicin ( de un paso):

Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
45
4.6 Probabilidad de transicin estacionarias de n pasos.
46
4.6 Probabilidad de transicin estacionarias de n pasos.
Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular estas
probabilidades de transicin de n pasos :
Estas ecuaciones simplemente sealan que al ir de un estado i al estado j en n pasos, el
proceso estar en algn estado k despus de exactamente m ( menor que n) pasos. As,
Es solo las probabilidad condicional de que, si se comienza en el estado i, el proceso vaya al
estado k despues de m pasos y despus al estado j en n- m pasos.
Los casos especiales de m=1 y m=n-1 conducen a las expresiones
Para toda i, j, y n de lo cual resulta que las probabilidades de transicin de n pasos se
pueden obtener a partir de las probabilidades de transicin de un paso de manera recursiva.
Para n=2, estas expresiones se vuelven :
Note que las son los elementos de la matriz P
(2)
, pero tambin debe de observarse que
estos elementos, se obtienen multiplicando la matriz de transicin de un paso por s
misma; esto es , P
(2)
= P * P = P
2
.
En trminos ms generales, se concluye que la matriz de probabilidades de transicin de n
pasos se puede obtener de la expresin : P
(n)
= P * P .... P = P
n
= PP
n-1
= P
n-1
P.
Entonces, la matriz de probabilidades de transicin de n pasos se puede obtener calculando
la n-sima potencia de la matriz de transicin de un paso. Para valores no muy grandes de n, la
matriz de transicin de n pasos se puede calcular en la forma que se acaba de describir, pero
cuando n es grande, tales clculos resultan tediosos y, ms an, los errores de redondeo
pueden causar inexactitudes.
Ejemplo :
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede
ordenar cada semana. Sean D
1
, D
2
, ... las demandas de esta cmara durante la primera,
segunda, ... , semana, respectivamente. Se supone que las D
i
son variables aleatorias
independientes e idnticamente distribuidas que tienen una distribucin de probabilidad
conocida. Sea X
0
el nmero de cmaras que se tiene en el momento de iniciar el proceso, X
1
el
nmero de cmaras que se tienen al final de la semana uno, X
2
el nmero de cmaras al final
de la semana dos, etc. Suponga que X
0
= 3 . El sbado en la noche la tienda hace un pedido
que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S)
1

para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1
(no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas
se pierden cuando la demanda excede el inventario. Entonces, {X
1
} para t = 0, 1, .. es un
proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso
son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final
de la semana.


As, dado que tiene una cmara al final de una semana, la probabilidad de que no haya
cmaras en inventario dos semanas despus es 0.283; es decir, De igual manera,
dado que se tienen dos cmaras al final de una semana, la probabilidad de que haya tres
cmaras en el almacn dos semanas despus es 0.097; esto es,
La matriz de transicin de cuatro pasos tambin se puede obtener de la siguiente manera :
P
(4)
= P
4
= P
(2)
* P
(2)
As, dado que queda una cmara al final de una semana, 0.282 es la probabilidad de que no
haya cmaras en inventario 4 semanas ms tarde; es decir, De igual manera,
dado que quedan dos cmaras en el almacn final de una semana, se tiene una probabilidad
de 0.171 de que haya tres cmaras en el almacn 4 semanas despus; esto es,
Fuente: http://sistemas.itlp.edu.mx/tutoriales/in'estoper-/index.htm
47 4.7 Estados absorbentes
48
4.7 Estados absorbentes
FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase5_.pdf
49 4.8 Probabilidad de transicin estacionarias de estados estables.Tiempos de primer paso.
50
4.8 Probabilidad de transicin estacionarias de estados estables.Tiempos de primer paso.
Te#rema
Sea P la matriz de transicin de una cadena de M estados . Existe entonces un
vector tal que

Se establece que para cualquier estado inicial i , .
El vector a menudo se llama ,i%tri8ucin ,e e%ta,# e%ta8le, o tambin
,i%tri8ucin ,e eFuili8ri# para la cadena de Markov. Para encontrar la distribucin de
probabilidades de estacionario para una cadena dada cuya matriz de transicin es P, segn el
teorema, para n grande y para toda i , (1)
Como P
ij
(n + 1) = ( rengln i de P
n
)(columna j de P), podemos escribir
(2)

E*em1l# +
Suponga que toda la industria de refrescos produce dos colas. Cuando una persona ha
comprado la cola 1, hay una probabilidad de 90 % de que su siguiente compra se de cola 1. Si
una persona compr cola 2, hay un 80 % de probabilidades que su prxima compra sea de cola
2.
Entonces :
Al reemplazar la segunda ecuacin por la condicin ,
obtenemos el sistema
Al despejar resulta que Por lo tanto, despus de largo tiempo, hay
probabilidad 2/3 de que una persona dada compre cola 1 y 1/3 de probabilidad de que una
persona compre cola 2.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
Con frecuencia es conveniente poder hacer afirmaciones en trminos de probabilidades sobre
el nmero de transiciones que hace el proceso al ir de un estado i a un estado j por primera vez
. este lapso se llama tiem1#% ,e 1rimer 1a%# al ir del estado i al estado j. cuando J=i, esta
tiempo de primer paso es justo el nmero de transiciones hasta que el proceso regresa al
estado inicial i. En este caso, el tiempo de primer paso se llama tiempo de recurrencia para el
estado i.
Para ilustrar estas definiciones, reconsidrese el ejemplo siguiente :

Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede ordenar
cada semana. Sean D
1
, D
2
, ... las demandas de esta cmara durante la primera, segunda, ... ,
semana, respectivamente. Se supone que las D
i
son variables aleatorias independientes e
idnticamente distribuidas que tienen una distribucin de probabilidad conocida. Sea X
0
el
nmero de cmaras que se tiene en el momento de iniciar el proceso, X
1
el nmero de cmaras
que se tienen al final de la semana uno, X
2
el nmero de cmaras al final de la semana dos, etc.
Suponga que X
0
= 3 . El sbado en la noche la tienda hace un pedido que le entregan el lunes
en el momento de abrir la tienda. La tienda hace un pedido que le entregan el lunes en el
momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S)
1
para ordenar : si el
nmero de cmaras en inventario al final de la semana es menor que s =1 (no hay cmaras en
la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se cuenta con una o ms
cmaras en el almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X
1
} para t = 0, 1, .. es un proceso estocstico de la
forma que se acaba de describir. Los estados posibles del proceso son los enteros 0, 1, 2, 3
que representan el nmero posible de cmaras en inventario al final de la semana.

Donde X
t
es el nmero de cmaras en inventario al final de la semana t y se comienza
con , Suponga que ocurri lo siguiente:


En este caso, el tiempo de primer paso para ir al estado 3 al estado 1 es dde 2 semanas, el
tiempo de primer paso para ir del estado 3 al estado 0 es de 3 semanas y el tiempo de
recurrencia del estado 3 es de 4 semanas.
En general, los tiempos de primer paso son variables aleatorias y, por lo tanto, tienen una
distribucin de probabilidad asociada a ellos. Estas distribuciones de probabilidad dependen de
las probabilidades de transicin del proceso. En particular, denota la probabilidad de que el
tiempo de primer paso del estado i al ! sea igual a n. Se puede demostrar que estas
probabilidades satisfacen las siguientes relaciones recursivas:


Entonces se puede calcular la probabilidad de un tiempo de primer paso del estado i al j en n
pasos, de manera recursiva, a partir de las probabilidades de transicin de un paso. En el
ejemplo, la distribucin de probabilidad de los tiempos de primer paso del estado 3 al estado 0
se obtiene como sigue:


Para i y ! fijos, las son nmeros no negativos tales que


Esta suma puede ser menor que 1, lo que significa que un proceso que el iniciar se
encuentra en el estado i puede no llegar nunca al estado j . Cuando la suma es igual a 1,
las pueden considerarse como una distribucin de probabilidad para la
variable aleatoria, el tiempo de primer paso.

Para obtener el tiempo esperado de primer paso del estado i al estado j. Sea , que se
define como:


entonces satisface, de manera nica, la ecuacin:

Cuando i=j, se llama tiempo esperado de recurrencia.

Al aplicarlo al ejemplo del inventario, estas ecuaciones se pueden usar para calcular el tiempo
esperado hasta que ya no se tengan cmaras en el almacn, suponiendo que el proceso inicia
cuando se tienen tres cmaras; es decir, se puede obtener el tiempo esperado de primer
paso . Como todos los estados son recurrentes, el sistema de ecuaciones conduce a las
expresiones


La solucin simultnea de este sistema es


De manera que el tiempo esperado hasta que la tienda se queda sin cmaras es de 3.50
semanas.
Fuene: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
51 4.9 Uso de programas de computacin.
52
4.9 Uso de programas de computacin.
TAHA.
53
Practica: Analizar problemas de probabilidad de transicin estacionarias de un solo paso, de n pasos, los estados
absorbentes, la probabilidad de transicin estacionaria de estados estables y los tiempos de primer paso.
54 SEGUNDO EXAMEN PARCAL
55
UNDAD CNCO
Optimizacin de Redes
HANDY Y TAHA
56
5.1 Terminologa.
57
5.1 Terminologa.
58
5.2 Problema de la ruta ms corta. Redes cclicas y acclicas
59
5.2 Problema de la ruta ms corta. Redes cclicas y acclicas
FUENTE: TAHA.
60
5.3 Problema del rbol de mnima expansin.
61
5.3 Problema del rbol de mnima expansin.
HAMDY A TAHA NVESTGACN DE OPERACONES, PRENTCR AHLL,
62
5.4 Problema de flujo mximo.
63
5.5 Problema de flujo de costo mnimo.
(/C,F0)
El modelo de Flu0o de 9osto H@nimo en una Med se plantea de la manera si$uiente

biN+ si i es un nodo ori$en
bic+ si i es un nodo destino
bi=+ si i es un nodo de transbordo
Una condici4n necesaria para 2ue el modelo ten$a soluci4n /actible es 2ue
bi=+5 es decir5 2ue el /lu0o total $enerado en los nodos ori$en sea i$ual al /lu0o total
absorbido por los nodos destino.
9uando esta condici4n no se cumple =problemas de transporte no balanceado en los 2ue la
o/erta es di/erente a la demanda> se $eneran nodos /icticios 2ue $eneren o 2ue absorban
/lu0o. ;os costos asociados a los arcos 2ue parten o lle$an a estos nodos es cero.
9on /recuencia bi y ui0 son 'alores enteros. ;as 'ariables xi0 son 'ariables enteras y no se
re2uiere a$re$ar esta condici4n al modelo =unimodularidad>.
9on este modelo es posible plantear un problema de transporte5 de transbordo5 de /lu0o
m6ximo y de camino m6s corto.
!1 0'(21!/$ D!1 C$/I,( /34 C('*( !, ),$ '!D
El ori$en es un nodo con b,=,
El destino es un nodo con bn= *,
;os nodos restantes son nodos de transbordo
9omo la red es no*diri$ida cada arco se sustituye por un par de arcos diri$idos en direcci4n
opuesta5 excepto para el nodo ori$en y el nodo destino.
El costo ci0 es la distancia del arco =i50>
;as 'ariables tomar6n 'alores + y , dependiendo si se asi$nan al camino o no.
Qeamos un e0emplo: la si$uiente red indica los caminos posibles para lle$ar del nodo , al
nodo &. ;os 'alores en los arcos indican la distancia entre cada nodo.

min ,+x,-S,.x-&S,GxP&S-Px,1SVx-1SVx1-S,Vx-%S,Vx%-S,+x1.S,+x.1S
SVx.PSVxP.S.x%.S.x.%S,,x%&
s.t.
x,-Sx,1=,
*x-&*x%&*xP&=*,
x-&Sx-%Sx-1*x1-*x%-*x,-=+
x1-Sx1.*x-1*x.1*x,1=+
56
6
V
7
58
59
.
+
+
+
+
55
5:
9
;
7
<
<
=
58
=
<
5
>
x%-Sx%&Sx%.*x-%*x.%=+
x.1Sx.%Sx.P*x1.*x%.*xP.=+
xP.SxP&*x.P=+
!1 0'(21!/$ D! F1)?( /3@I/( C(/( /(D!1( D! /C,F0
Se tiene un nodo ori$en =I> y un nodo destino =T> y 'arios nodos de transbordo:
Se crea un arco /icticio del destino al ori$en identi/icado con la 'ariable x
TI
con costo c
TI
=*
,.
;os costos ci0=+ para todo arco =i50> excepto para el arco /icticio
bi=+ para todo nodo i
!+emplo& dada la red
+
, -
1
T
-
1 -
%
,
1
x
TI
min Ax
*(
sBtB
x
(5
Cx
(7
Ax
*(
D8
x
57
Cx
5;
Ax
(5
D8
x
7*
Ax
57
Ax
(7
D8
x
;*
Ax
5;
D8
x
*(
Ax
7*
Ax
;*
D8
x
(5
E7, x
(7
E;, x
*(
D8
x
57
E;, x
5;
E=, x
7*
E7,
x
;*
E5,
!l pro%lema del 3r%ol enerador minimal como modelo de 01
Un _rbol ?enerador de una red de n nodos es un con0unto de n*, arcos con un camino
entre cual2uier par de nodos y sin ciclos.
Sea xi0 una 'ariable binaria indicando =xi0=,> la existencia de un arco =i50> en el 6rbol.
9i0= es la distancia del arco =i50>
min ci0 xi0
s.a
xi0 =n*, =los arcos /orman un 6rbol de la red>
Una restricci4n 2ue ase$ure 2ue no se /orman ciclos: :::::?????? =tarea>
xi0 ]+5,^
/uente: ftp.itam.mx/pub/investigadores/gigola/ModyOpt/MCNFP.doc -
64
5.6 Programacin lineal en Teora de Redes.
5.7 Uso de programas de computacin
65 TERCER EXAMEN PARCAL
FUENTES
http://www.itescam.edu.mx/principal/sylabus/rptSylabus.php?tipo=PDF&id_asignatura=338&clave_asignatura=NB-
0406&carrera=ND0405001
http://www.investigacion-operaciones.com/Curso_nv_Oper.htm
http://www.geocities.com/leoptimus/SimplexHelp5.htm#General
TAHA, NVESTGAON DE OPERACONES, AFAOMEGA, MEXCO 2004.