Ant Inv de Ope CI

CESVER MATERIAL BIBLIOGRAFICO DE APOYO DIDACTICO
ADMINISTRACION DE EMPRESAS INVESTIGACION DE OPERACIONES 6 SEM
MATERIAL BIBLIOGRFICO
DE APOYO DIDCTICO
Licenciatura:
ADMINISTRACION DE
EMPRESAS
Asignatura:
INVESTIGACION DE
OPERACIONES
Semestre:
SEXTO
Nombre del compilador:

ING. JUAN ALBERTO VAZQUEZ
GONZALEZ
ING JUAN ALBERTO VAZQUEZ G.

Pgina 1 de 97
INDICE
INTRODUCCION
MANEJO DE LA ANTOLOGIA
I. INVESTIGACIN DE OPERACIONES.
1.1 Concepto, caractersticas y limitaciones de la investigacin de operaciones
1.2 Fases de un proyecto de investigacin de operaciones
1.3 Modelo matemticos. Tcnicas de investigacin de operaciones
1.4 La toma de decisiones y su aspecto cuantitativo
II. PROGRAMACIN LINEAL.

2.1 Requerimientos bsicos de la programacin lineal
2.2 Formulacin del problema
2.3 Mtodos de solucin
2.3.1 Mtodo grfico - aplicaciones
2.3.2 Mtodo simplex - aplicaciones
2.3.3 Tabla simplex - significado de los elementos
2.4 Algoritmos de propsito especial
2.5 Modelo de transporte- mtodo de solucin- aplicaciones- casos.
2.5.1 Demanda y oferta iguales
2.5.2 Demanda y oferta diferentes
2.6 Mtodo para mejorar la solucin ( Modi)
2.7 La solucin degenerada - tratamiento
2.8 Modelo de asignacin
III. RBOLES DE DECISIONES.

3.1 Concepto y aplicaciones
3.2 Estructura grfica del proceso de decisiones
3.3 Ventajas
IV. ANLISIS DE REDES

4.1 Propsitos, metodologa y modelos
4.2 Metodologa del camino critico (Cpm)
4.3 Tcnicas de revisin y evaluacin de programas ( Pert)
4.4 Anlisis del costo, aceleracin de los proyectos
V. PROCESO DE MARKOV.
5.1 Consideraciones y terminologa
5.2 Elaboracin matricial de las probabilidades de transicin
5.3 Predicciones de porcentaje de participacin en el mercado para periodos futuros
5.3.1 Condiciones de equilibrio
5.3.2 Usos del anlisis de Markov
VI. PROGRAMACIN DINMICA.

6.2 Descomposicin
6.3 Etapas, variables de estado, rendimientos, decisiones y relaciones recurrentes
6.4 Aplicacin de la programacin dinmica
6.5 Solucin a los problemas de ruta mas corta
6.6 Solucin a los problemas de finanzas y ventas

Pgina 2 de 97
VII. JUEGOS Y ESTRATEGIAS

7.2 Juego de suma cero, entre dos personas
7.3 Estrategias puras y puntos de silla de montar
7.4 Dominio
7.5 Estrategias mixtas y valores de juego
7.6 Limitaciones bsicas de la teora de juego
VIII. LNEAS DE ESPERA

8.1 Ideas iniciales sobre colas
8.2 Objetivos de las colas
8.3 Expresiones y definiciones estndar para la lnea de espera
8.4 Sistemas elementales de colas
8.5 Modelos de colas de un solo canal
8.6 Modelos de colas.

Pgina 3 de 97
INTRODUCCION
La investigacin de operaciones puede definirse como el mtodo

cientfico aplicado a la solucin de problemas y a la toma de decisiones
por parte de la gerencia.
Esto conlleva a la construccin de un modelo simblico (usualmente
matemtico) que extrae los elementos esenciales de un problema de
decisin de la vida real que es inherentemente complejo e incierto, de
tal manera que se pueda optimizar una solucin importante para los
objetivos del tomador de decisiones. Adems se debe examinar y
analizar las relaciones que determinan las consecuencias de la decisin
realizada y comparar el mrito relativo de acciones alternas con los
objetivos del tomador de decisin. Esto se consigue normalmente al
desarrollar una tcnica de decisin que incluya teora matemtica, si es
necesario, y que conduzca a un valor ptimo basado en los objetivos del
tomador de decisiones.

Pgina 4 de 97
MANEJO DE LA ANTOLOGIA
Nuestro material de apoyo consta de 8 unidades que pretenden cubrir

el programa de estudios de nuestra escuela, la intencin es que usted
junto con sus compaeros y su asesor puedan cubrirlos en un semestre
resolviendo problemas tericos y prcticos similares a los planteados a
lo largo de cada una de las unidades.
Esta materia est muy involucrada con las matemticas, sin embargo
la materia de algebra se lleva en el mismo bloque por lo tanto como una
tarea adicional es necesario un repaso de lo estudiado en sus estudios
de preparatoria para facilitar la solucin de problemas.
La vida real presenta situaciones en las cuales debemos tomar
decisiones y tambin aqu podr hacer uso de lo aprendido de manera
prctica.
La antologa propone manejar el software TORA como complemento,
cuando la antologa estaba elaborada era fcil de conseguir en la red
este programa.
Las dos ltimas unidades pueden verse de manera ms profundas
pero con el fin de no causar confusin me he dedicado solo a lo terico
omitiendo ejercicios algebraicos y estadsticos que lejos de ayudar
vendran a entorpecer el crecimiento educativo que usted nos ha
confiado.
Finalmente se sugieren una serie de link que son ordenados de
acuerdo a las unidades o captulos vistos y algunos libros que aparecen
ordenados en base a la importancia para el estudio de esta materia.

Pgina 5 de 97
OBJETIVO(S) GENERAL(ES) DE LA ASIGNATURA

El alumno al concluir el estudio de esta asignatura aprender a
utilizar las tcnicas de las investigaciones de operaciones como
herramienta para la toma de decisiones. Adems aprender a formular
modelos matemticos para la representacin de problemas especficos
orientados a las reas funcionales de una empresa.
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIN Y ACREDITACIN
Un examen terico prctico 80%

Entrega de: ejercicios, prcticas de aplicacin y
estudio y/o anlisis de casos. 20%
Total 100%

Pgina 6 de 97
I. INVESTIGACIN DE OPERACIONES.
Como su nombre lo dice, la investigacin de operaciones significa "hacer investigacin
sobre las operaciones". Entonces, la investigacin de operaciones se aplica a problemas
que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de
una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de
hecho, la investigacin de operaciones se ha aplicado de manera extensa en reas tan
diversas como la manufactura, el transporte, la constitucin, las telecomunicaciones, la
planeacin financiera, el cuidado de la salud, la milicia y los servicios pblicos, por
nombrar slo unas cuantas. As, la gama de aplicaciones es extraordinariamente amplia.
La parte de investigacin en el nombre significa que la investigacin de operaciones
usa un enfoque similar a la manera en que se lleva a cabo la investigacin en los campos
cientficos establecidos. En gran medida, se usa el mtodo cientfico para investigar el
problema en cuestin. (De hecho, en ocasiones se usa el trmino ciencias de la
administracin como sinnimo de investigacin de operaciones.) En particular, el proceso
comienza por la observacin cuidadosa y la formulacin del problema incluyendo la
recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo
cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En
este punto se propone la hiptesis de que el modelo es una representacin lo
suficientemente precisa de las caractersticas esenciales de la situacin como para que
las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real.
Despus, se llevan a cabo los experimentos adecuados para probar esta hiptesis,
modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se
conoce como validacin del modelo.) Entonces, en cierto modo, la investigacin e
operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales
de las operaciones. Sin embargo, existe ms que esto. En particular, la IO se ocupa
tambin de la administracin prctica de la organizacin. As, para tener xito, deber
tambin proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando
las necesite.
Una caracterstica ms de la investigacin de operaciones es su amplio punto de vista,
la IO adopta un punto de vista organizacional de esta manera, intenta resolver los
conflictos de intereses entre las componentes de la organizacin de forma que el resultado
sea el mejor para la organizacin completa. Esto no significa que el estudio de cada
problema deba considerar en forma explcita todos los aspectos de la organizacin sino
que los objetivos que se buscan deben ser consistentes con los de toda ella.
Una caracterstica adicional es que la investigacin de operaciones intenta encontrar
una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin.
(Decimos una mejor solucin y no la mejor solucin porque pueden existir muchas
soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de
las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe
interpretarse con todo cuidado en trminos de las necesidades reales de la administracin,
esta "bsqueda de la optimidad" es un aspecto importante dentro de la investigacin de
operaciones.
Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que
no puede esperarse que un solo individuo sea un experto en todos los mltiples aspectos
del trabajo de investigacin de operaciones o de los problemas que se estudian; se
requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando
se va a emprender un estudio de investigacin de operaciones completo de un nuevo

Pgina 7 de 97
problema, por lo general es necesario emplear el empleo de equipo. Este debe incluir
individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades,
al igual que en economa, administracin de empresas, ciencias de la computacin,
ingeniera, ciencias fsicas, ciencias del comportamiento y, por supuesto, en las tcnicas
especiales de investigacin de operaciones. El equipo tambin necesita tener la
experiencia y las habilidades necesarias para permitir la consideracin adecuada de todas
las ramificaciones del problema a travs de la organizacin.
1.1 Concepto, caractersticas y limitaciones de la

investigacin de operaciones.
Como toda disciplina en desarrollo, la investigacin de operaciones ha ido
evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la
conceptualizan los diferentes autores, en la actualidad no existe solamente una definicin
sino muchas, algunas demasiado generales, otras demasiado engaosas, aqu
seleccionamos dos de las mas aceptadas y representativas.
LA INVESTIGACIN DE OPERACIONES ES LA APLICACIN, POR GRUPOS
INTERDISCIPLINARIOS, DEL MTODO CIENTFICO A PROBLEMAS RELACIONADOS CON EL
CONTROL DE LAS ORGANIZACIONES O SISTEMAS (HOMBRE-MQUINA), A FIN DE QUE SE
PRODUZCAN SOLUCIONES QUE MEJOR SIRVAN A LOS OBJETIVOS DE LA ORGANIZACIN.
De sta definicin se pueden destacar los siguientes conceptos:
1. Una organizacin es un sistema formado por componentes que se
interaccionan, unas de estas interacciones pueden ser controladas y otras no.
2. En un sistema la informacin es una parte fundamental, ya que entre las
componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin
dentro de la estructura de los sistemas se encuentran recursos que generan
interacciones. Los objetivos de la organizacin se refieren a la eficacia y
eficiencia con que las componentes pueden controlarse, el control es un
mecanismo de autocorreccin del sistema que permite evaluar los resultados en
trminos de los objetivos establecidos.
3. La complejidad de los problemas que se presentan en las organizaciones ya no
encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del conocimiento que logran
comunicarse con un lenguaje comn.
4. La investigacin de operaciones es la aplicacin de la metodologa cientfica a
travs modelos matemticos, primero para representar al problema y luego para
resolverlo. La definicin de la sociedad de investigacin de operaciones de la
Gran Bretaa es la siguiente:
La investigacin de operaciones es el ataque de la ciencia moderna a
los complejos problemas que surgen en la direccin y en la
administracin de grandes sistemas de hombres, mquinas, materiales
y dinero, en la industria, en los negocios, en el gobierno y en la
defensa. Su actitud diferencial consiste en desarrollar un modelo
cientfico del sistema tal, que incorpore valoraciones de factores como

Pgina 8 de 97
el azar y el riesgo y mediante el cual se predigan y comparen los

resultados de decisiones, estrategias o controles alternativos. Su
propsito es el de ayudar a la gerencia a determinar cientficamente
sus polticas y acciones.
Generalmente se asocian los conceptos de direccin y administracin a las empresas
de tipo lucrativo, sin embargo, una empresa es un concepto ms amplio, es algo que utiliza
hombres, mquinas, materiales y dinero con un propsito especfico; desde ste punto de
vista, se considera como empresa desde una universidad hasta una armadora de
automviles.
Para tratar de explicar el comportamiento de un sistema complejo, el cientfico debe
representarlo en trminos de los conceptos que maneja, lo hace expresando todos los
rasgos principales del sistema por medio de relaciones matemticas. A esta
representacin formal se le llama modelo.
La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el
futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se puede
esperar que un sistema opere en una variedad de circunstancias, lo que permite valorar su
vulnerabilidad. Si se conocen las debilidades del sistema se pueden tomar cursos de
accin agrupados en tres categoras:
A) Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta;
B) Realizar un plan de toma de decisiones;
C) Instalar estrategias que generen decisiones.
Cuando se aplica alguno de estos remedios, la investigacin de operaciones nos ayuda
a determinar la accin menos vulnerable ante un futuro incierto.
El objetivo global de la investigacin de operaciones es el de apoyar al tomador de
decisiones, en cuanto ayudarlo a cumplir con su funcin basado en estudios
cientficamente fundamentados.
Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre el
riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes
tcnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar
resolverlos obteniendo las soluciones mejores, utilizando los mtodos apropiados, es decir
resolver el problema utilizando los mtodos que proporcionan las mejoras soluciones y no
buscar ajustar el problema a un mtodo especfico.
Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la
metodologa para resolver los problemas, as como los fundamentos de las tcnicas de
solucin para de esta forma saber cundo utilizarlas o no en las diferentes circunstancias.
1.2 Fases de un proyecto de investigacin de operaciones.

DEFINICION DEL PROBLEMA Y RECOLECCION DE DATOS.
La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn
descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se
debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien
definido del problema que se va a analizar. Esto incluye determinar los objetivos
apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo
estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los
lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es
crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio.
Es difcil extraer una respuesta "correcta" a partir de un problema "equivocado"!

Pgina 9 de 97
Por su naturaleza, la investigacin de operaciones se encarga del bienestar de toda la

organizacin, no slo de algunos de sus componentes. Un estudio de IO busca soluciones
ptimas globales y no soluciones subptimas aunque sean lo mejor para uno de los
componente. Entonces, idealmente, los objetivos que se formulan deben coincidir con los
de toda la organizacin. Sin embargo, esto no siempre es conveniente. Muchos problemas
interesan nada ms a una parte de la organizacin, de manera que el anlisis sera
innecesariamente besado si los objetivos fueran muy generales y si se prestara atencin
especial a todos los efectos secundarios sobre el resto de la organizacin. En lugar de ello,
los objetivos usados en un estudio deben ser tan especficos como sea posible, siempre y
cuando contemplen las metas principales del tomador de decisiones y mantengan un nivel
razonable de consistencia con los objetivos de los altos niveles.
Las condiciones fundamentales para que exista un problema es que se establezca una
diferencia entre lo que es (situacin actual) y lo que debe ser (situacin deseada u objetivo)
y adems exista cuando menos una forma de eliminar o disminuir esa diferencia. Los
componentes de un problema son:
a) El tomador de decisiones o ejecutivo;
b) Los objetivos de la organizacin;
c) El sistema o ambiente en el que se sita el problema;
d) Los cursos de accin alternativos que se pueden tomar para resolverlo.
Para formular un problema se requiere;
a) Identificar las componentes y variables controlables y no controlables del sistema;
b) identificar los posibles cursos de accin, determinados por las componentes
controlables;
c) definir el marco de referencia dado por las componentes no controlables;
d) definir los objetivos que se busca alcanzar y clasificarlos por orden de importancia;
e) identificar las interpelaciones importantes entre las diferentes partes del sistema y
encontrar las restricciones que existen.
FORMULACION DE UN MODELO MATEMATICO

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en
reformularlo de manera conveniente para su anlisis. La forma convencional en que la
investigacin de operaciones realiza esto es construyendo un modelo matemtico que
represente la esencia del problema. Antes de analizar como formular los modelos de este
tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos
matemticos.
El modelo matemtico est constituido por relaciones matemticas (ecuaciones y
desigualdades) establecidas en trminos de variables, que representa la esencia el
problema que se pretende solucionar.
Para construir un modelo es necesario primero definir las variables en funcin de las
cuales ser establecido. Luego, se procede a determinar matemticamente cada una de
las dos partes que constituyen un modelo:
a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y
generalmente es una funcin (ecuacin) llamada funcin objetivo;
b) las limitantes del problema llamadas restricciones que son un conjunto de
igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin
del objetivo.

Pgina 10 de 97
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen
ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin.
Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del
problema. Una ventaja obvia es que el modelo matemtico describe un problema en forma
mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms
comprensible y ayude a revelar las relaciones importantes entre causa y efecto. De esta
manera, indica con ms claridad que datos adicionales son importantes para el anlisis.
Tambin facilita simultneamente el manejo del problema en su totalidad y el estudio de
todas sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder
emplear tcnicas matemticas y computadoras de alto poder, para analizar el problema.
Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de
modelos matemticos, para micro y minicomputadoras.
Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un
modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi
siempre se requieren aproximaciones y suposiciones de simplificacin si se quiere que el
modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de
que el modelo sea siempre una representacin vlida del problema. El criterio apropiado
para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud
los efectos relativos de los diferentes cursos de accin, para poder tomar una decisin que
tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores
que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es
necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente
correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las
diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es
que exista una alta correlacin entre la prediccin del modelo y lo que ocurre en la vida
real. Para asegurar que este requisito se cumpla, es importante hacer un nmero
considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase
de pruebas se haya colocado despus en el orden del libro, gran parte del trabajo de
validacin del modelo se lleva a cabo durante la etapa de construccin para que sirva de
gua en la obtencin del modelo matemtico.
OBTENCION DE UNA SOLUCION A PARTIR DE UN MODELO.
Resolver un modelo consiste en encontrar los valores de las variables dependientes,
asociadas a las componentes controlables del sistema con el propsito de optimizar, si es
posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco
de referencia que fijan los objetivos y las restricciones del problema.
La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los
procedimientos de solucin pueden ser clasificados en tres tipos:
a) Analticos, que utilizan procesos de deduccin matemtica;
b) Numricos, que son de carcter inductivo y funcionan en base a operaciones de
prueba y error;
c) Simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un
modelo.
Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es
decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a
ella, si la hay, o cuando menos a una aproximacin.

Pgina 11 de 97
PRUEBA DEL MODELO.

El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al
desarrollo de un programa de computadora grande. Cuando se completa la primera versin,
es inevitable que contenga muchas fallas. El programa debe probarse de manera
exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible.
Eventualmente, despus de una larga serie de programas mejorados, el programador (o
equipo de programacin) concluye que el actual da, en general, resultados razonablemente
vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se
detecten, se habrn eliminado suficientes problemas importantes como para que sea
confiable utilizarlo. De manera similar, es inevitable que la primera versin de un modelo
matemtico grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones
relevantes no se incorporaron al modelo y algunos parmetros no se estimaron
correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la
compresin de todos los aspectos y sutilezas de un problema operacional complejo, as
como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo
debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se
pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO
concluye que el modelo actual produce resultados razonablemente vlidos. Aunque sin
duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se
detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable
usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su
validez se conoce como validacin del modelo.
Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas
detalladas del modelo, es sencillo "no ver el bosque por buscar los rboles". Entonces,
despus de completar los detalles ("los rboles") de la versin inicial del modelo, una
buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para
verificar los errores u omisiones obvias. El grupo que hace esta revisin debe, de
preferencia, incluir por lo menos a una persona que no haya participado en la formulacin.
Al examinar de nuevo la formulacin del problema y comprarla con el modelo pueden
descubrirse este tipo de errores. Tambin es til asegurarse de que todas las expresiones
matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems,
puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de
los parmetros de entrada y/o de las variables de decisin, y comprobando que los
resultados del modelo se comporten de una manera factible. Con frecuencia, esto es
especialmente revelador cuando se asignan a los parmetros o a las variables valores
extremos cercanos a su mximo o a su mnimo.
Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba
retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el
pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen
desempeo, de haberse usado. La comparacin de la efectividad de este desempeo
hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras
significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo
tiene fallas y requiere modificaciones. Lo que es ms, el emplear las alternativas de
solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en
cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de
accin.

Pgina 12 de 97
Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar

nuevamente el proceso revisando cada una de las fases de la metodologa de la
ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCIN.
Una solucin establecida como vlida para un problema, permanece como tal siempre
y cuando las condiciones del problema tales como: las variables no controlables, los
parmetros, las relaciones, etc., no cambien significativamente. Esta situacin
se vuelve ms factible cuando algunos de los parmetros fueron estimados
aproximadamente. Por lo anterior, es necesario generar informacin adicional sobre el
comportamiento de la solucin debido a cambios en los parmetros del modelo
usualmente esto se conoce como anlisis de sensibilidad. En pocas palabras, esta fase
consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no
cambia la solucin del problema.
IMPLANTACION DE LA SOLUCCION
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo
largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste
obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones
comprensibles para los individuos que intervienen en la operacin y administracin del
sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se
ha propiciado la participacin de todos los involucrados en el problema en cada fase de la
metodologa.
Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios
del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar
que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo,
como para corregir cualquier defecto en la solucin que salga a la luz en este momento.
El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto
la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO
obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la
gua de la gerencia durante el estudio. La buena comunicacin ayuda a asegurar que el
estudio logre lo que la administracin quiere y por lo tanto merezca llevarse a la prctica.
Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto
facilita el apoyo para la implantacin.
La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de
operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema
que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos
comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este
sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin
detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene
xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el
equipo de IO supervisa la experiencia inicial con la accin tomada para identificar
cualquier modificacin que tenga que hacerse en el futuro.
A la culminacin del estudio, es apropiado que el equipo de investigacin de
operaciones documente su metodologa con suficiente claridad y detalle para que el
trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica
profesional del investigador de operaciones. Esta condicin es crucial especialmente
cuando se estudian polticas gubernamentales en controversia.

Pgina 13 de 97
1.3 Modelo matemticos. Tcnicas de investigacin de

operaciones.
Un modelo es una representacin ideal de un sistema y la forma en que este opera. El
objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento
futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal
manera que se hacen las suposiciones y restricciones necesarias para representar las
porciones ms relevantes del mismo. Claramente no habra ventaja alguna de utilizar
modelos si estos no simplificaran la situacin real. En muchos casos podemos utilizar
modelos matemticos que, mediante letras, nmeros y operaciones, representan variables,
magnitudes y sus relaciones.
Modelos Matemticos
Un modelo es producto de una abstraccin de un sistema real: eliminando las
complejidades y haciendo suposiciones pertinentes, se aplica una tcnica matemtica y se
obtiene una representacin simblica del mismo.
Un modelo matemtico consta al menos de tres conjuntos bsicos de elementos:
Variables de decisin y parmetros.
parmetros.
Las variables de decisin son incgnitas que deben ser determinadas a partir de la
solucin del modelo. Los parmetros representan los valores conocidas del sistema
o bien que se pueden controlar.
Restricciones
Las restricciones son relaciones entre las variables de decisin y magnitudes que
dan sentido a la solucin del problema y las acotan a valores factibles. Por ejemplo
si una de las variables de decisin representa el nmero de empleados de un taller,
es evidente que el valor de esa variable no puede ser negativa.
Funcin Objetivo
La funcin objetivo es una relacin matemtica entre las variables de decisin,
parmetros y una magnitud que representa el objetivo o producto del sistema. Por
ejemplo si el objetivo del sistema es minimizar los costos de operacin, la funcin
objetivo debe expresar la relacin entre el costo y las variables de decisin. La
solucin PTIMA se obtiene cuando el valor del costo sea mnimo para un conjunto
de valores factibles de las variables.
Es decir hay que determinar las variables x1, x2, ..., xn que optimicen el valor de
Z=f(x1, x2, ..., xn) sujeto a restricciones de la forma g(x1, x2, ..., xn). Donde x1, x2,...,xn
son las variables de decisin Z es la funcin objetivo, f es una funcin matemtica.
EJEMPLOS
Sean x1 y x2 la cantidad a producirse de dos productos 1 y 2, los parmetros son los
costos de produccin de ambos productos, $3 para el producto 1 y $5 para el producto 2.
Si el tiempo total de produccin est restringido a 500 horas y el tiempo de produccin es
de 8 horas por unidad para el producto 1 y de 7 horas por unidad para el producto 2,
entonces podemos representar el modelo como:
C=3x1+5x2 (Costo total de Produccin o funcin objetivo)
Sujeto a:
8x1 + 7x2500
x1 0 y x2 0

Pgina 14 de 97
1.4 La toma de decisiones y su aspecto cuantitativo

La toma de decisiones es un proceso que se inicia cuando una persona observa un
problema y determina que es necesario resolverlo procediendo a definirlo, a formular un
objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y
evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o
cuantitativo.
El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades
necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En
muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque
cuantitativo requiere habilidades que se obtienen del estudio de herramientas
matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones.
Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el
problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener
mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona
a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones
y permite elevar su habilidad para hacer planes a futuro. En el ambiente socioeconmico
actual altamente competitivo y complejo, los mtodos tradicionales de toma de decisiones
se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades
de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con
rapidez que requieren de soluciones creativas y prcticas apoyadas en una base
cuantitativa slida.
En organizaciones grandes se hace necesario que el tomador de decisiones tenga un
conocimiento bsico de las herramientas cuantitativas que utilizan los especialistas para
poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y
recomendaciones que se le presenten.
En organizaciones pequeas puede darse que el tomador de decisiones domine las
herramientas cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus
decisiones.

Pgina 15 de 97
ACTIVIDADES
Renase con sus compaeros de grupo y visiten diversas empresas, describan las
actividades que realizan y cules son los objetivos que persigue la empresa a corto plazo.
EVALUACION
1. Qu persigue la investigacin de operaciones y cules son los logros hasta

ahora?
2. Por qu se llama investigacin de operaciones?
3. Menciona la historia de la investigacin de operaciones.
4. Por qu est limitado el estudio de la investigacin de operaciones?
5. Mencione dos problemas que se puedan resolver haciendo uso de la

Pgina 16 de 97
II. PROGRAMACIN LINEAL.

La programacin lineal es un procedimiento o algoritmo matemtico mediante el cual
se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales donde
las variables que definen al mismo son conocidas pero se necesita encontrar la
combinacin de las mismas que permitan optimizar un rendimiento (maximizar un
beneficio, minimizar costos o ambos).
Programacin Lineal (PL) es el trmino utilizado para describir aquellas tcnicas de
optimizacin en las que los problemas que representan un proceso se pueden modelar
como ecuaciones lineales. La naturaleza lineal del conjunto de igualdades hacen de esta
tcnica una herramienta ampliamente utilizada y sobretodo muy efectiva para la resolucin
de problemas en los que se desea sacar el mayor provecho de alguna situacin.
Algunos ejemplos comunes que pueden ser resueltos con la ayuda de la programacin
lineal son:
Asignacin de horarios adecuados a los empleados con el fin de mejorar la
mano de obra cada da para aumentar la productividad y la satisfaccin del
trabajador como sea posible.
Seleccin de productos que se harn en etapas posteriores, aprovechando los
recursos existentes y precios actuales para maximizar el rendimiento de las
ganancias.
Encontrar un patrn de distribucin entre plantas y almacenes que minimicen
los costos aun con las limitaciones de capacidad.
Por lo tanto la finalidad primordial de la PL es proporcionar modelos destinados a la
asignacin eficiente de los recursos limitados en actividades conocidas, con el objetivo de
satisfacer las metas deseadas (maximizacin o minimizacin de esos recursos).
Al representar estos modelos matemticamente, pueden existir muchas variables,
ecuaciones y desigualdades para un solo problema. Por ello la solucin no slo consiste en
encontrar el o los puntos que satisfagan al mismo, sino resolverlo con el fin de hallar
aquellas soluciones que proporcionen valores ptimos para la funcin objetivo, es decir,
encontrar puntos extremos que la maximicen o la minimicen.
2.1 Requerimientos bsicos de la programacin lineal

En un problema de programacin lineal se requiere encontrar el valor mximo o
mnimo de alguna expresin algebraica cuando las variables de esta expresin estn
sujetas a un nmero de desigualdades lineales o restricciones.
La programacin lineal es una tcnica matemtica que se utiliza para encontrar la
combinacin para un dado nivel de potenciales actividades para las cuales se espera que
realicen la mejor utilizacin de un dado conjunto de recursos limitados o escasos. La
solucin consiste en determinar el nivel para cada actividad que est siendo considerada.
Antes de aplicar la programacin lineal, necesitamos una Funcin Objetivo Lineal que nos
proveer la medida de la calidad de cada solucin. Debe ser posible expresar las
restricciones del problema en forma de ecuaciones o inecuaciones las cuales imponen
restricciones en los niveles de actividad. Aunque los niveles de una actividad estn bajo
nuestro control, nos referimos a ellos como variables y al nivel de actividad como valor que
toma la variable. Una solucin factible es una en la cual se satisfacen todas las
restricciones, una solucin ptima es una solucin que adems de ser factible, maximiza o
minimiza la funcin objetivo.

Pgina 17 de 97
Llamaremos con x1, x2, los niveles de la primera, segunda, actividad.

Caractersticas para aplicar el algoritmo:
Cada variable es considerada no negativa o irrestricta.
Se pueden especificar los lmites para las variables individualmente. Si no se
especifica ninguno se considera que los lmites van desde infinito a +infinito.
Las restricciones tambin pueden tener lmite mximo y lmite mnimo.
Los problemas de programacin lineal para dos variables consiste en optimizar
(maximizando o minimizando) una funcin lineal de la forma ax + by = z, z en la que z es el
valor de la programacin lineal (punto que buscamos para conseguir el mximo o el
mnimo), a el coeficiente de la variable x y b el coeficiente de la variable y, a la que
llamamos funcin objetivo, y est sujeta a un sistema de inecuaciones (restricciones) de la
forma ax+byd
ax+byd ax+byd
ax+byd.
d Estas inecuaciones determinan un semiplano.
Una inecuacin lineal es de la forma:
ax+by+c0
ax+by+c0
ax+by+c0
ax+by+c0
2.2 Formulacin del problema

Para entender lo dicho anteriormente plantearemos un conjunto de problemas.
EJEMPLO 1
Una compaa fabrica dos tipos de juguetes: autos y muecas. Cada uno de estos
juguetes requiere cierto tiempo de ensamblado y otro tiempo ms de acabado. Cada
mueca necesita 5 horas de ensamblado y 2 horas de acabado, mientras que cada auto
requiere de 3 horas de ensamblado y 4 horas de acabado. En cualquier semana, la empresa
dispone de 105 horas en la lnea de ensamblado y 70 horas en el departamento de
acabado. La empresa puede vender todos los juguetes que produce y obtener una ganancia
de $200 por cada mueca y $160 por cada auto.
PLANTEAMIENTO
Realiza una tabla que resuma la informacin del problema y escribe en lenguaje
algebraico las restricciones que aparecen en el mismo, as como la funcin que permite
obtener la ganancia total.
ENSAMBLADO ACABADO GANANCIA
MUECAS 5 2 200
AUTOS 3 4 160
HORAS DISPONIBLES 105 70
Si llamamos x al nmero de muecas que se fabrica por semana e y al nmero de
autos, Entonces el tiempo en la lnea de ensamblado ser 5x en el caso de las muecas y
3y en el caso de los autos, como se sabe que la empresa dispone de 105 horas en ste
lnea, podemos expresarlo:
5x + 3y 105 Para el caso del ensamblado
2x + 4y 70 Para el acabado.
Ninguna de las variables puede ser negativa por lo tanto x,y0.
La ganancia para cada mueca es de $200 y para cada auto es $160 por lo que la
funcin objetivo ser:
G = 200x + 160y
Y debe de maximizarse.
Hasta aqu solo hemos planteado el problema, la solucin de estos problemas quedara
pendiente para la prxima seccin utilizando los mtodos simplex y grficos.

Pgina 18 de 97
EJEMPLO 2
Un frutero necesita 16 cajas de naranjas, 5 de pltanos y 20 de manzanas. Dos
mayoristas pueden suministrarle para satisfacer sus necesidades, pero slo venden la fruta
en contenedores completos. El mayorista A enva en cada contenedor 8 cajas de naranjas,
1 de pltanos y 2 de manzanas. El mayorista B enva en cada contenedor 2 cajas de
naranjas, una de pltanos y 7 de manzanas. Sabiendo que el mayorista A se encuentra a
150 km de distancia y el mayorista B a 300 km, calcular cuntos contenedores habr de
comprar a cada mayorista, con objeto de ahorrar tiempo y dinero, reduciendo al mnimo la
distancia de lo solicitado.
PLANTEAMIENTO
Ha cambiado la estructura de nuestro problema. Realicemos la tabla con base en la
informacin proporcionada en el problema.
MAYORISTA A MAYORISTA B NECESIDADES
MINIMAS
NARANJAS 8 2 16 CAJAS
PLATANOS 1 1 5 CAJAS
MANZANAS 2 7 20 CAJAS
DISTANCIA 150 KM 300 KM
Llamaremos x al nmero de contenedores del mayorista A.
Llamaremos y al nmero de contenedores del mayorista B.
Nuestra funcin objetivo consistir en minimizar los costos:
F(x) = 150x + 300y
Ahora analizaremos nuestras necesidades o restricciones:
8x + 2y 16 -- Naranjas
x+y5 -- Pltanos
2x + 7y 20 -- Manzanas
No puede haber cantidades negativas en los contenedores por lo tanto x, y 0.
EJEMPLO 3
Una compaa tiene dos minas: la mina A produce diariamente 1 tonelada de carbn
de antracita de alta calidad, 2 toneladas de carbn de calidad media y 4 toneladas de
carbn de baja calidad; la mina B produce 2 toneladas de cada una de las tres clases. La
compaa necesita 70 toneladas de carbn de alta calidad, 130 de calidad media y 150 de
baja calidad. Los gastos diarios de la mina A ascienden a 150 dlares y los de la mina B a
200 dlares. Cuntos das debern trabajar en cada mina para que la funcin de coste
sea mnima?
PLANTEAMIENTO
Nuestro problema es bastante similar al anterior, construyamos la tabla.
MINA A MINA B NECESIDADES
MINIMAS
CARBON ALTA CALIDAD 1 2 70 TONS
CARBON MEDIA CALIDAD 2 2 130 TONS
CARBON BAJA CALIDAD 4 2 150 TONS
COSTES 150 DLS 200 DLS
Llamaremos x al nmero de das trabajados en la mina A.
Llamaremos y al nmero de das trabajados en la mina B.
Nuestra funcin objetivo consistir en minimizar los das de trabajo.

Pgina 19 de 97
F(x) = 150x + 200y

Ahora analizaremos nuestras necesidades o restricciones:
x + 2y 70 -- Alta calidad
2x + 2y 130 -- Media Calidad
4x + 2y 150 -- Baja calidad
No puede haber cantidades negativas en los contenedores por lo tanto x,y 0.
EJEMPLO 4
En la elaboracin de un producto A se necesita una sustancia B. La cantidad de A
obtenida es menor o igual que el doble de B utilizada, y la diferencia entre las cantidades
del producto B y A no supera los 2g mientras que la suma no debe sobrepasar los 5g.
Adems se utiliza por lo menos 1g de B y se requiere 1 g de A. La sustancia A se vende a 5
millones y la B cuesta 4 millones el gramo. Calcular la cantidad de sustancia B necesaria
para que el beneficio sea mximo.
PLANTEAMIENTO
En este problemas no se proporcionan los datos necesarios para la elaboracin de una
tabla, pero si los suficientes para la elaboracin de inecuaciones. Si llamamos x a la
cantidad de sustancia A y y a la cantidad de sustancia B. Entonces podemos establecer
con base en nuestro ejercicio las inecuaciones:
x 2y x - 2y 0
x -- y 2
x+y5
x, y 1
Observaciones:
Observaciones En la primera ecuacin es posible pasar el valor 2y del lado izquierdo
siempre que se cambie tambin el signo. Es importante a la hora de realizar el anlisis
tener en cuenta las dos inecuaciones ltimas, x 1 y y 1 de no hacerlo as tendramos
datos errneos.
Se quiere obtener un beneficio mximo por lo que la funcin objetivo ser:
Z=5x + 4y
2.3 Mtodos de solucin

La PL es una tcnica mediante la cual se toman decisiones, reduciendo el problema
bajo estudio a un modelo matemtico general, el cual debe ser resuelto por mtodos
cuantitativos.
En desarrollo de este captulo se aplicarn la solucin de dichos modelos aplicando
diversas tcnicas como el mtodo grfico y el mtodo simplex.
Por medio de dichos modelos de solucin se podr obtener las soluciones adecuada
para cada problema y facilitar la toma de decisiones
2.3.1 Mtodo grfico aplicaciones

El mtodo grfico se utiliza para la solucin de problemas de PL, representando
geomtricamente a las restricciones, condiciones tcnicas y el objetivo.
El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos
con tres o ms variables, el mtodo grfico es imprctico o imposible.

Pgina 20 de 97
SOLUCION POR EL METODO GRAFICO AL EJEMPLO 1 DE LA SECCION 2.2

Los pasos necesarios para realizar el mtodo grafico sern explicados haciendo uso de
las inecuaciones resultantes del ejemplo 1 de la seccin anterior.
Recordemos que las inecuaciones eran
5x + 3y 105 y 2x + 4y 70
Y debamos maximizar (ganancias) la funcin objetivo
G = 200x + 160y
El primer paso ser convertir la inecuacin en ecuacin, esto es:
5x + 3y = 105 y 2x + 4y = 70
Posteriormente tomaremos cada una de las ecuaciones y las evaluaremos para x=0 y
despus para y=0.
Ecuacin Puntos
5x + 3y = 105 Si x=0; y=35 Si y=0; x=21 (0,35), (21,0)
2x + 4y = 70 Si x=0; y=17.5 Si y=0; x=35 (0,17.5), (35,0)
Trazaremos ahora los puntos
obtenidos en el plano cartesiano.
Haremos uso del software TORA
para trazar el grafico
correspondiente a este problema,
tambin puede utilizar un
procedimiento algebraico para
encontrar una solucin a los valores
de x y y.
La intercepcin de las dos
rectas representa en este caso la
solucin y se localiza en el punto
x=15, y=10 por lo que si evaluamos
ahora la funcin objetivo en estos
puntos:
G=200(15)+160(10)=4600
Esta es la mxima ganancia
que se puede obtener. Con esto
nuestro problema ha sido resuelto.
SOLUCION POR EL METODO GRAFICO AL EJEMPLO 3 DE LA SECCION 2.2

De modo anlogo podemos partir de las inecuaciones del tercer problema para
encontrar la solucin ptima.
Para la solucin del problema solo necesitaremos las inecuaciones y la funcin
objetivo.
F(x) = 150x + 200y
El primer paso es convertir estas inecuaciones en ecuaciones.
Y evaluarlas para x=0 y y=0 como se ha hecho en la seccin anterior.

Pgina 21 de 97
Ecuacin Puntos
x + 2y 70 Si x=0; y=35 Si y=0; x=70 (0,35), (70,0)
2x + 2y 130 Si x=0; y=65 Si y=0; x=65 (0,65), (65,0)
4x + 2y 150 Si x=0; y=75 Si y=0; x=37.5 (0,75), (37.5,0)
El siguiente paso consiste en
encontrar soluciones para x x y y
que puedan satisfacer las tres
ecuaciones, utilizando el mtodo
grafico encontraremos varios
puntos que satisfacen las
ecuaciones, el optimo ser aquel en
el cual yo obtenga el mnimo valor.
A diferencia del ejemplo anterior
obsrvese que se ha cambiado la
grafica y ahora nos interesan los
puntos que estn por encima de las
rectas.
Igual que en el ejemplo anterior
se han evaluado todos los vrtices
de la figura y han sido marcados en
color rojo, sin embargo el que
produce el menor de los costos esta
en el punto x=60, y=5 de modo que
si estos valores se sustituyen ahora
en la funcin objetivo tendramos una ganancia de 10,000 trabajando 60 das en la mina A
y 5 das en la mina B.
Los ejercicios 2 y 4 se resuelven de manera anloga utilizando estos mtodos, el
ejercicio 4 contiene variables negativas es la nica diferencia.
2.3.2 Mtodo simplex aplicaciones

Los problemas reales de programacin lineal generalmente tienen variables de
decisin y muchas restricciones. Tales problemas no pueden ser resueltos grficamente.
Se usan algoritmos tales como el simplex. El mtodo simplex es un procedimiento iterativo
que progresivamente permite obtener una solucin ptima para los problemas de
programacin lineal. Existen numerosos programas tanto para computadoras centrales
como para personales. Aunque el mtodo simplex es especialmente til en problemas de
gran escala (resueltos con una computadora) lo utilizaremos para resolver los problemas 1
y 2 de la seccin 2.2.
Empezaremos diciendo que en este mtodo se agregan variables de holgura o
variables excedentes, estas son variables que se agregan a la restriccin para que la
relacin de la restriccin sea de igualdad (representa el valor que le hace falta al lado
izquierdo para ser igual al lado derecho). Ambos tipos de variables tienen que cumplir con
la restriccin de no negatividad.
Luego de agregarlas iremos resolviendo nuestro problema utilizando algebra de
matrices. No se preocupe si no sabe mucho de esto practicando ir mejorando las tcnicas
de solucin.

Pgina 22 de 97
SOLUCION POR EL METODO SIMPLEX AL EJEMPLO 1 DE LA SECCION 2.2

Lo primero que haremos ser representar las restricciones como una igualdad
agregando a cada restriccin una variable de holgura representada por H1, H2Hn. En las
columnas aparecern todas las variables bsicas del problema y las variables de
holgura/exceso. En las filas se observan, para cada restriccin las variables de holgura con
sus coeficientes de las igualdades obtenidas, y la ltima fila con los valores resultantes de
sustituir el valor de cada variable en la funcin objetivo, y de operar tal como se explic en
la teora para obtener el resto de valores de la fila:
5x + 3y + H1 = 105 y 2x + 4y + H2 = 70
La funcin objetivo ser igualada a cero por lo que los valores de los que consta sern
negativos. Veamos esto en nuestro ejemplo.
Z 200x 160y = 0
BASE X Y H1 H2 P0
H1 5 3 1 0 105
H2 2 4 0 1 70
Z -200 -160 0 0 0
Cuando en la fila Z (en las variables reales) no existe ningn valor negativo, se ha
alcanzado la solucin ptima del problema. En tal caso, se ha llegado al final del algoritmo.
De no ser as, se ejecutan los siguientes pasos.
A. Primero debemos saber la variable que entra en la base. Para ello escogemos la
columna de aquel valor que en la fila Z sea el mayor de los negativos. En este
caso sera la variable X de coeficiente -200.
Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior
(caso de empate), entonces se optar por aquella variable que sea bsica.
La columna de la variable que entra en la base se llama columna pivote.
B. Una vez obtenida la variable que entra en la base, estamos en condiciones de
deducir cual ser la variable que sale. Para ello se divide cada trmino
independiente (P0) entre el elemento correspondiente de la columna pivote,
siempre que el resultado sea mayor que cero, y se escoge el mnimo de ellos.
En nuestro caso: 105/5 [=21] y 70/2 [=35].
Si hubiera algn elemento menor o igual a cero no se realiza dicho cociente, y
caso de que todos los elementos de la columna pivote fueran de sta condicin
tendramos una solucin no acotada y terminaramos el problema, significando
una infinidad de soluciones.
El trmino de la columna pivote que en la divisin anterior d lugar al menor
cociente positivo, el 5, ya que 21 es el menor cociente, indica la fila de la
variable de holgura que sale de la base es H1. Esta fila se llama fila pivote.
Si al calcular los cocientes, dos o ms son iguales (caso de empate), se escoge
aquella que no sea variable bsica (si es posible).
Se ha marcado la columna y la fila pivote a este elemento se le llamara pivote.
El siguiente paso ser construir una nueva tabla cambiando las variables de entrara y
de salida y dividir la fila pivote entre el elemento pivote con el fin de obtener un 1 en el
lugar que utilizaba nuestro elemento pivote.
Haremos 0 tambin cada uno de los elementos que estn por debajo o encima de
nuestro elemento pivote. El procedimiento para hacerlo ser en base con la siguiente
frmula:

Pgina 23 de 97
Nueva fila=(Vieja fila) -- (Coeficiente de la vieja fila en la columna de la variable

entrante) x (Nueva fila del pivote).
De este modo las nuevas filas (para nuestro caso H2 y Z) sern:
0=2-(2x1) 0=-200-(-200x1)
2.8=4-(2x0.6) 2.8= --160-(-200x0.6)
-0.4=0-(2x0.2) 40=0-(-200x0.2)
1=1-(2x0) 0=0-(-200x0)
-0.4=70-(2x21) 4200=0-(-200x21)
Esta nueva tabla es:

BASE X Y H1 H2 P0
X 1 3/5=[0.6] 1/5=[0.2] 0 105/5=[ 21 ]
H2 0 2.8 -0.4 1 28
Z 0 -40 40 0 4200
Tenemos una nueva tabla pero presenta un elemento negativo, repetiremos

nuevamente el procedimiento hasta no contar con elementos negativos en la fila Z.
Nuestra columna pivote es la que contiene el nmero -40 en su tercer rengln, nos
falta encontrar nuestro rengln pivote, bastara con dividir P0 entre el valor de Y.
21/0.6=35 y 28/2.8=10
Como es menor 10, entonces nuestro elemento pivote es la interseccin de la columna
pivote con nuestro rengln pivote. Por lo tanto elemento que sale es H2 y el que entra es Y.
Cambiando las variables de entrada y salida la tabla resultante es ahora:
BASE X Y H1 H2 P0
X 1 3/5=[0.6] 1/5=[0.2] 0 105/5=[ 21 ]
Y 0 2.8 -0.4 1 28
Z 0 -40 40 0 4200
Nuestro elemento pivote es 2.8, tendremos que dividir todo el rengln por este
elemento.
BASE X Y H1 H2 P0
X 1 3/5=[0.6] 1/5=[0.2] 0 105/5=[ 21 ]
Y 0 1 -0.14 0.36 10
Z 0 -40 40 0 4200
Ahora siguiendo el procedimiento anterior debemos de hacer cero las columnas que
estn por encima y por debajo de nuestro rengln pivote, lo haremos empleando la formula
citada anteriormente en los renglones de X y Z.
1=1-(0.6x0) 0=0-(-40x0)
0=0.6-(0.6x1) 0= -40-(-40x1)
0.28=0.2-(0.6x-0.14) 34.4=40-(-40x-0.14)
-0.22=0-(0.6x0.36) 14.4=0-(-40x0.36)
15=21-(0.6x10) 0=4200-(-40x10)

Pgina 24 de 97
La tabla ahora es:

BASE X Y H1 H2 P0
X 1 0 0.28 -0,22 15
Y 0 1 -0.14 0.36 10
Z 0 0 34.4 14.4 4600
Se han eliminado los elementos negativos en el rengln Z por lo que la solucin ptima
para x y y se muestran en la tabla X=15, Y=10 y Z=4600 que coincide con los
resultados obtenidos en la seccin anterior.
SOLUCION POR EL METODO SIMPLEX AL EJEMPLO 3 DE LA SECCION 2.2

De igual modo podemos resolver el tercero de los problemas de la seccin 2.2
Que tiene como ecuaciones:
F(x) = 150x + 200y
Agregaremos las variables de holgura e igualaremos la funcin objetivo a cero. Adems
cuando se trata de un problema de minimizar debemos de utilizar las variables negativas
con holguras positivas, de este modo tenemos:
Z-150x - 200y=0
-x - 2y + H1= 70 -- Alta calidad
-2x - 2y + H2 = 130 -- Media Calidad
-4x - 2y + H3 = 150 -- Baja calidad
Por lo que tendremos que agregar tres variables de holgura que sern colocadas en la
tabla.
BASE X Y H1 H2 H3 P0
H1 -1 -2 1 0 0 -70
H2 -2 -2 0 1 0 -130
H3 -4 -2 0 0 1 -150
Z -150 -200 0 0 0 0
Lo primero que haremos ahora ser localizar el rengln pivote, lo haremos buscando el
mayor de los elementos negativos, para este caso -150, posteriormente localizaremos la
columna pivote, lo haremos dividiendo el rengln Z entre los elementos del rengln pivote.
[-150/-4]=37.5 [-200/-2]=100
De modo que X es la variable que entra.
Tomaremos el menor de los elementos y ese ser nuestro rengln pivote.
Dividimos ahora nuestro rengln pivote entre el pivote y tambin cambiaremos cada
uno de los renglones que no es pivote utilizando la formula.

Pgina 25 de 97
Es algo similar a lo que hemos hecho en el ejercicio pasado, ahora nuestra tabla queda
como:
H1 0 -1,5 1 0 -0,25 -32,5
H2 0 -1 0 1 -0,5 -55
X 1 0,5 0 0 -0,25 37,5
Z 0 -125 0 0 -37,5 5625
El menor de los elementos es -55 en la columna P0 y si ahora hacemos la divisin de
los elementos del rengln Z entre los elementos (no ceros) del rengln pivote
determinamos nuestra columna pivote.
[-125/-1]=125 [-37.5/-0,5]=75
Por lo que ahora -0,5 es nuestro nuevo elementos pivote. Luego de realizar operaciones
similares a las anteriores, siempre buscando mantener positivos los elementos de la
columna P0 vamos obteniendo las siguientes tablas. En ellas se han marcado los
elementos pivotes para que usted junto con sus compaeros y su asesor terminen de
manera correcta el problema.
Esta es la siguiente tabla.
H1 0 -1,5 1 0 -0,25 -32,5
H3 0 -1 0 1 -0,5 -55
X 1 0,5 0 0 -0,25 37,5
Z 0 -125 0 0 -37,5 5625
Finalmente....
Y 0 1 -1 0,5 0 5
H3 0 0 2 -3 1 100
X 1 0 1 -1 0 60
Z 0 0 -50 -50 0 10000
Los resultados obtenidos son
X=60; Y=5 y un mnimo en Z de 10,000
2.3.3 Tabla simplex - significado de los elementos

Para resolver problemas de programacin lineal mucho ms complejos, que
obviamente, son los ms comunes en la realidad, se necesita un algoritmo o mtodo
algebraico (ya que es ms sencillo representar N cantidad de variables de forma abstracta).
Simplex es uno de estos mtodos, que aunque es algebraico tiene races grficas.
Las restricciones son lneas rectas:
rectas Entender esto es de vital importancia. Las lneas
rectas tienen la particularidad de que son predecibles (realmente proporcionales) as que si
hay una relacin sencilla entre todos los puntos que conforman la recta.
La solucin ptima est sobre una de las restricciones:
restricciones Esto se debe a que los puntos
que estn sobre las restricciones son los ltimos en respetarlas. Ms especficamente se
puede decir que la solucin ptima est en la interseccin de dos o ms restricciones. A
estas intersecciones se les llama soluciones factibles en el vrtice.
Soluciones factibles en el vrtice vecinas:
vecinas son todas aquellas intersecciones unidas
por la recta que representa a una restriccin.

Pgina 26 de 97
El algoritmo para la solucin a travs del mtodo simplex puede ser resumido a travs
de estos simples pasos:
1. Se busca una Solucin Factible en el Vrtice (SFV) donde comenzar
2. Prueba de elementos ptimos: La SFV actual es ptima si y solo si ninguno de
sus vecinos es mejor.
3. Si la SFV actual no es ptima, me muevo al mejor vecino y vuelvo al paso 2.
4. Termina el algoritmo.
La funcin objetivo es una lnea recta que a medida que cambian los valores de sus
variables (X1 y X2) se desplaza en el mapa, manteniendo siempre la misma pendiente
(rectas paralelas). Esta condicin hace que se respete las relaciones establecidas en la
funcin objetivo. La funcin objetivo representa las reglas en las cuales se combinan los
productos 1 y 2 para generar ganancias o minimizar.
Ahora, si tomamos cualquier punto sobre la recta que representa a la funcin objetivo
vamos a conseguir una combinacin de X1 y X2 vlida, pero que quiz no respete las
restricciones, o quiz las respete demasiado. Es aqu donde tenemos que conseguir el
punto de la regin factible ms alejado del origen (porque estamos maximizando) que se
cruce con una paralela de la funcin objetivo, si se est minimizando se procede de modo
inverso.
Mezclando estos dos conceptos obtendremos la combinacin de X1 y X2 (productos)
que combinados producen una solucin optima en acorde con la funcin objetivo y adems
respeta las restricciones.
2.4 Algoritmos de propsito especial

Los problemas de IO se pueden clasificar de dos modos diferentes: a) atendiendo al
objetivo del problema y b) por el grado de certidumbre de los datos.
Modelos de optimizacin,
optimizacin cuyo objetivo es maximizar cierta cantidad (beneficio,
eficiencia) o minimizar cierta medida (coste, tiempo), quizs teniendo en cuenta una serie
de limitaciones o requisitos que restringen la decisin (disponibilidad de capital, personal,
material, requisitos para cumplir fechas lmite, etc.). Ejemplos clebres de modelos de
optimizacin son:
Problemas de secuenciacin, que se ocupan de colocar objetos en cierto orden. Por
ejemplo, supongamos que tenemos N trabajos que deben ser procesados en el mismo
orden en M mquinas distintas en las que requieren tiempos de procesamiento diferentes.
De qu forma se deben ordenar los trabajos para que el tiempo total de procesamiento de
stos en cada una de las mquinas sea mnimo?
Problemas de localizacin, que consisten en realizar una asignacin de recursos a
actividades de manera que se optimice cierta medida de efectividad. Por ejemplo, si la
medida de efectividad viene dada por una funcin lineal con varias variables que debe
cumplir un conjunto de restricciones definidas por funciones lineales de dichas variables,
el problema es de Programacin Lineal. Si hay que asignar unvocamente objetos a tareas
para optimizar alguna medida como puede ser un tiempo o un costo, el problema es de
Asignacin. Si tenemos que distribuir objetos desde ciertos orgenes a varios destinos de
forma que cierta funcin lineal alcance su valor ptimo, estamos ante un problema de
Transporte o Transbordo.
Problemas de rutas, que tratan de encontrar la ruta ptima desde un origen a un
destino cuando existen varias alternativas posibles. El ejemplo ms caracterstico es el
clsico Problema del Viajante de Comercio. Un viajante de comercio tiene que visitar N

Pgina 27 de 97
ciudades una y slo una vez antes de volver a su origen. En qu orden debe visitarlas para
minimizar la distancia total viajada?. Este problema de formulacin tan sencilla es, en
muchos casos, muy difcil de resolver.
Problemas de bsqueda, que difieren de los otros tipos de problemas que hemos
discutido en que hay que buscar cierta informacin que es necesaria para tomar una
decisin. Algunos ejemplos son: buscar barcos enemigos en el ocano, realizar auditoras
en empresas en busca de trampas o errores, realizar exploraciones de la tierra para
encontrar recursos naturales como petrleo, cobre, etc. En cada caso el objetivo es
minimizar tanto los costos asociados con la recoleccin y anlisis de datos para reducir los
errores de decisin como los propios costos de decisin. La Teora de la Decisin
Estadstica proporciona una base para resolver muchos problemas de bsqueda.
prediccin cuyo objetivo es describir o predecir sucesos (nivel de ventas,
Modelos de prediccin,
fechas de terminacin de proyectos, nmero de clientes, etc.) dadas ciertas condiciones.
Ejemplos de estos modelos son:
Problemas de reemplazamiento, que se ocupan de decidir el tiempo adecuado para
reemplazar los equipos que fallan o se deterioran. Uno de los problemas que se ajusta a
este planteamiento nos es muy conocido: Cundo debemos cambiar de coche? Como
cada uno tiene su propia medida de efectividad, no hay una respuesta nica aun
suponiendo que los coches tuvieran exactamente el mismo rendimiento.
Otros problemas bastante cotidianos que encajan en este marco son el problema de
reemplazamiento de maquinaria industrial, de ordenadores en centros de clculo,
establecimiento de garantas, etc.
Problemas de inventario, que consisten en determinar la cantidad ideal de productos
que se deben tener disponibles en una tienda o almacn. Si un cliente quiere comprar una
cierta cantidad de productos pero no estn disponibles, esto supondra una venta perdida.
Por otro lado, si hay un exceso de productos, el costo de almacenamiento puede ser
demasiado grande. El objetivo de este problema es encontrar un punto de equilibrio.
Problemas de colas, que son desgraciadamente muy cotidianos. Esperamos en colas
para coger el autobs, para poner una transferencia, etc. Cualquier problema en el que
haya que esperar para obtener un servicio es un problema de colas. Estos problemas
vienen definidos por la distribucin de los tiempos entre dos llegadas consecutivas al
sistema, la distribucin de los tiempos de servicio de cada uno de los dependientes, el
nmero de dependientes presentes en el sistema, la disciplina de la cola y el tamao de la
sala de espera. El objetivo del problema es encontrar una forma de mejorar el rendimiento
global del sistema, que se mide normalmente atendiendo al tamao de la cola, o bien al
tiempo que transcurre desde que un cliente llega al sistema hasta que lo abandona (tiempo
de respuesta). En la gran variedad existente de libros de Teora de Colas se proponen
soluciones para muchos modelos de este tipo, pero los problemas reales son tan complejos
y sus componentes estn tan interconectadas que la simulacin es un aspecto vital en esta
rea.
Problemas de competencia, que surgen cuando dos o ms objetos compiten por un
recurso. Muchas veces un problema de competencia consiste en una lucha para obtener un
contrato para prestar cierto servicio o conseguir un privilegio. Resolver un problema de
este tipo conlleva un proceso de Toma de Decisiones.

Pgina 28 de 97
2.5 Modelo de transporte- mtodo de solucin-

aplicaciones- casos.
La programacin lineal se ha constituido en un mtodo ampliamente utilizado para
resolver problemas de optimizacin y planificacin empresarial.
En este contexto, se han definido varios procedimientos operativos avanzados, entre
los que cabe citar el mtodo del simplex y la solucin de los llamados problemas del
transporte.
El objetivo del problema del transporte es determinar cuntas unidades de producto
deben enviarse desde cada origen hasta cada destino de forma que se minimicen los
costes totales de distribucin, se satisfaga la demanda de cada destino y no se exceda la
capacidad de oferta de cada uno de los orgenes. (El total de unidades que salen de los
centros de origen debe ser igual al total de unidades que llegan a los centros de destino).
En 1958 se aplicaron los mtodos de la programacin lineal a un problema concreto: el
clculo del plan ptimo del transporte de arena de construccin a las obras de edificacin
de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230 de llegada. El
plan ptimo de transporte, calculado con el ordenador Strena en 10 das del mes de junio,
rebaj un 11% los gastos respecto a los costes previstos.
2.5.1 Demanda y oferta iguales

Qu significa problema de transporte? Supngase que un fabricante tiene tres plantas
que producen el mismo producto. Estas plantas a su vez mandan el producto a cuatro
almacenes. Cada planta puede mandar productos a todos los almacenes, pero el costo de
transporte vara con las diferentes combinaciones. El problema es determinar la cantidad
que cada planta debe mandar a cada almacn con el fin de minimizar el costo total de
transporte.
La manera ms fcil de reconocer un problema de transporte es por su naturaleza o
estructura de-hacia: de un origen hacia un destino, de una fuente hacia un usuario, del
presente hacia el futuro, de aqu hacia all. Al enfrentar este tipo de problemas, la intuicin
dice que debe haber una manera de obtener una solucin. Se conocen las fuentes y los
destinos, las capacidades y demandas y los costos de cada trayectoria. Debe haber una
combinacin ptima que minimice el costo (o maximice la ganancia). La dificultad estriba
en el gran nmero de combinaciones posibles.
Puede formularse un problema de transporte como un problema de programacin
lineal y aplicarse el mtodo smplex. Si se hiciera, se encontrara que los problemas de
transporte tienen caractersticas matemticas nicas.
Una condicin necesaria y suficiente para que un problema de transporte tenga
soluciones factibles es que la oferta sea igual que la demanda.
Esta condicin de que los recursos totales deben ser iguales a la demanda total en
realidad exige que el sistema est balanceado.

Pgina 29 de 97
2.5.2 Demanda y oferta diferentes

Una de las situaciones que ocurre con frecuencia es que la demanda total no es similar
a la oferta total a este tipo de situaciones le llamaremos problemas desbalanceados y
podrn ser manejados con facilidad utilizando alguna de las siguientes tcnicas:
Para el caso en el cual la oferta es mayor que la demanda se introduce un
destino ficticio (almacn) con una demanda igual al excedente.
Si la demanda total es mayor que la oferta total se introduce un origen (fabrica)
con una oferta igual al exceso de la demanda sobre la oferta.
A cualquiera de los casos se asignan coeficientes de cero del costo de envi de cada
localidad o ruta ficticia.
Si consideramos una fbrica que incremento su tasa de produccin a 250 escritorios
cuando anteriormente produca solo 100 escritorios entonces es necesario introducir un
almacn ficticio con valor de cero, similar como se hace cuando se agrega el valor de
holgura.
En el caso en el cual la demanda es mayor que la oferta implica considerar una fabrica
ficticia con el fin de satisfacer las demandas de los clientes y su existencia ser
exactamente igual a la diferencia entre al demanda total y la oferta real total y los costos
de envi de esta fabrica ficticia ser de cero.
EJEMPLO.
Una compaa tiene plantas en el D.F. y Monterrey. Sus centros de distribucin
principales estn ubicados en Puebla, Coahuila y Zacatecas. Las capacidades de las dos
plantas durante el semestre prximo son 2000 y 1400 motocicletas. Las demandas
semestrales en los centros de distribucin son 1000, 1500 y 1200 motocicletas. El costo
de transporte de una motocicleta por tren es aproximadamente de 8 centavos por milla. La
siguiente tabla muestra la distancia recorrida entre las plantas y los centros de
distribucin: D.F. Monterrey Puebla 850 1350 Coahuila 2688 1000 Zacatecas 1250 1275
Determine la cantidad que se enviar de cada planta que minimice el costo de transporte
total.
Primero calculamos:
Oferta total = 2000+1400=3400 y
Demanda total = 1000+1500+1200=3700.
Como no son iguales tenemos un problema no balanceado, esto implica aadir una
planta ficticia con una demanda de 300 (Vease recuadro rojo en la tabla) para tener un
problema balanceado.
En la siguiente seccion estaremos
interesados en la solucin de problemas
similares.

Pgina 30 de 97
ADMINISTRACION DE EMPR
EMPRESAS INVESTIGACION DE OPERACIONES 6 SEM
2.6 Mtodo para mejorar la solucin ( Modi)

Antes de estudiar el mtodo de ModModii es necesario conocer algun otro mtodo para
acercarnos al resultado ptimo, el ms fcil de ellos es el de la esquina Noreste que se
resume en los siguientes pasos:
1. Se asigna lo ms que se pueda a cada celda seleccionada y se ajustan las
cantidades asociadas de la oferta y demanda restando la cantidad asignada.
2. Se sale del rengln o columna si se ha alcanzado el valor de cero en la oferta o
la demanda y adems es conveniente tacharlo para indicar que no se pueden
hacer ms asignaciones en este renglrengln
n o columna. Si un rengln y una
columna dan cero al mismo tiempo es recomendable tachar los dos.
3. Si queda un rengln o columna sin tachar detenerse, en caso contrario avanzar
a la celda de la derecha si lo que se tacho fue una columna o a la de abajo si lo
l
que se tacho fue un rengln.
EJEMPLO
Tres plantas de energa elctrica con capacidades de 25, 40 y 50 millones de
kilovatios/hora, proporcionan electricidad a tres ciudades. La demanda mxima es de 30,
35 y 25 millones de kilovatios/hora. El costo de tr transporte
ansporte por milln de kilovatio/hora
est dado en la siguiente tabla: Ciudad 1 Ciudad 2 Ciudad 3 Planta 1 $600 $700 $700
Planta 2 $320 $300 $350 Planta 3 $500 $480 $450 Encuentre una solucin ptima por el
Mtodo de la esquina noreste y el Mtodo de Modi.
Primero calculamos: oferta total=25+40+50=115 y demanda total=30+35+25=90.
Como no son iguales tenemos un problema no balanceado, esto implica aadir una 4ta.
ciudad ficticia con una demanda de 25, para tener un problema balanceado.
Despus construimos la tabla de transporte asociada e iniciamos asignando 25 a la
celda (1,1) y ajustamos la oferta y la demanda como se muestra en la tabla:
Ahora asignamos 5 a la celda (2,1) y ajustamos la oferta y la demanda como se

muestra en la tabla:
En seguida asignamos
mos 35 a la celda (2,2) y ajustamos la oferta y la demanda como se
muestra en la tabla:

Pgina 31 de 97
Posteriormente asignamos 0 a la celda (3,2) y ajustamos la oferta y la demanda como

se muestra en la tabla:
Despus ajustamos el rengln restante, como se muestra e

en la tabla:
Entonces tenemos una solucin inicial:

x1,1=25, x2,1=5, x2,2=35, x3,2=0, x3,3=25 y x3,4=25, con un costo mnimo de $38,350.
(25*600)+(5*320)+(35*300)+(450*25)=$38,350
Ahora aplicamos el Mtodo de Modi para ver si la solucin inicial obtenida es ptima.
Calculamos los valores de los multiplicadores
multiplicadores,, esto se har en aquellas celdas que no
estn vacas:
Celda (1,1) u1+v1=600 u1=0, v1=600
Celda (2,1) u2+v1=320 u2=-280
Celda (2,2) u2+v2=300 v2=580
Celda (3,2) u3+v2=480 u3=-100
Celda (3,3) u3+v3=450 v3=550
Celda (3,4) u3+v4=0 v4=100

Pgina 32 de 97
Despus calculamos los costos marginales asociados

asociados(en
(en las celdas vacias):
vacias)
Celda (1,2) 700-u1-v2=120
Celda (1,3) 700-u1-v3=150
Celda (1,4) 0-u1-v4=-100
Celda (2,3) 350-u2-v3=80
Celda (2,4) 0-u2-v4=180
Celda (3,1) 500-u3-v1=0
Como tenemos un valor negativo la solucin inicial no es ptima. Elegimos la celda
(1,4) para construir una trayectoria cerrada:
1 2 3 4 Oferta
1 600 700 700 0 25
25 - 0
2 320 300 350 0 40
5+ 35 - 0
3 500 480 450 0 50
0+ 25 25 - 0
Dem. 30 35 25 25
0 0 0 0
Como todas las asignaciones deben ser mayores o iguales a cero, obtenemos las
siguientes desigualdades:
Que satisface todas las

. El mximo valor de las desigualdades es 25; realizamos los
ajustes a cada una de las celdas:
1 2 3 4 Oferta
1 600 700 700 0 25
0 25 0
2 320 300 350 0 40
30 10 0
3 500 480 450 0 50
25 25 0
Dem. 30 35 25 25
0 0 0 0

Pgina 33 de 97
Entonces tenemos una solucin inicial:

x1,1=0, x1,4=25, x2,1=30, x2,2=10, x3,2=25 y x3,3=25, con un costo mnimo de
$35,850.00.
Ahora aplicamos el Mtodo de Modi para ver si la solucin inicial obtenida es ptima.
Calculamos los valores de los multiplicadores:
Celda (1,1) u1+v1=600 u1=0, v1=600
Celda (1,4) u1+v4=0 v4=0
Celda (2,1) u2+v1=320 u2=-280
Celda (2,2) u2+v2=300 v2=580
Celda (3,2) u3+v2=480 u3=-100
Celda (3,3) u3+v3=450 v3=550
Despus calculamos los costos marginales asociados:
Celda (1,2) 700-u1-v1=100
Celda (1,3) 700-u1-v3=150
Celda (2,3) 350-u2-v3=80
Celda (2,4) 0-u2-v4=280
Celda (3,1) 500-u3-v1=0
Celda (3,4) 0-u3-v4=100
Como todos los costos marginales son positivos la solucin inicial es ptima.
Nota: La 4ta. ciudad es ficticia, por lo que no existe suministro de la planta 1 a esta
ciudad.
Entonces la asignacin que minimiza el costo total de transporte es:
Que la planta 1 transporta 0 millones de kilovatios/hora a la ciudad 1.
Con un costo mnimo de $35,850.
2.7 La solucin degenerada tratamiento

Se dice que una solucin bsica en programacin lineal es degenerada cuando tiene
menos variables positivas que el nmero de restricciones existentes en el problema. En los
programas lineales de transporte se presenta con alguna frecuencia el problema de la
degeneracin. En el problema de transporte simple existen (m+n-1) restricciones
independientes.
La degeneracin se presentar cuando en una solucin bsica el nmero de posiciones
localizadas o rutas utilizadas sea menor que (m+n-1).
Una solucin ptima puede ser degenerada, es decir, cuando el nmero de posiciones
localizadas es menor que (m+n-1).

Pgina 34 de 97
Sin embargo, para comprobar si la solucin actual es o no ptima y en su caso

mejorarla, es necesario que sea no degenerada.
La consecuencia de la degeneracin es que el mtodo de MODI no se puede aplicar. A
fin de evitar los inconvenientes que presenta la degeneracin y poder aplicar el mtodo de
MODI, existen diferentes mtodos para el tratamiento de las soluciones degeneradas,
entre los que cabe indicar es el mtodo de los ceros.
2.8 Modelo de asignacin

Este algoritmo se usa para resolver problemas de minimizacin o maximizacin, siendo
este mtodo de gran eficacia por el alto grado de degeneracin que pueden presentar los
problemas de asignacin.
PROCEDIMIENTO MINIMIZACIN
MINIMIZACIN
Paso 1:
1 Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos
m*m; se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada
fila; encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se
debe construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada
costo el costo mnimo de su columna.
Paso 2:
2 Consiste en trazar el nmero mnimo de lneas (horizontales o verticales o
ambas nicamente de esas maneras) que se requieren para cubrir todos los ceros en la
matriz de costos reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene
una solucin ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m
lneas para cubrir todos los ceros, se debe continuar con el paso 3. El nmero de lneas
para cubrir los ceros es igual a la cantidad de asignaciones que hasta ese momento se
pueden realizar.
Paso
Paso 3:
3 Encontrar el menor elemento diferente de cero (llamado k) en la matriz de
costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a continuacin
se debe restar k de cada elemento no cubierto de la matriz de costos reducidos y sumar k a
cada elemento de la matriz de costos reducidos cubierto por dos lneas (intersecciones).
Por ltimo se debe regresar al paso 2.
PROCEDIMIENTO MAXIMIZACIN
Paso 1:
1 Para resolver un problema de asignacin en el cual la meta es maximizar la
funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1) y resolver el
problema como uno de minimizacin.
Paso 2:
2 Si el nmero de filas y de columnas en la matriz de costos son diferentes, el
problema de asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una
solucin incorrecta si el problema no est balanceado; debido a lo anterior, se debe
balancear primero cualquier problema de asignacin (aadiendo filas o columnas ficticias)
antes de resolverlo mediante el mtodo Hngaro.
Paso3:
aso3 En un problema grande, puede resultar difcil obtener el mnimo nmero de filas
necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar
que si se necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar
solamente j trabajos a un costo cero en la matriz actual; esto explica porqu termina
cuando se necesitan m lneas.
Mediante el siguiente ejemplo vamos a ilustrar la manera de aplicar el mtodo
Hngaro a la solucin de un problema de asignacin de minimizacin:

Pgina 35 de 97
EJEMPLO:
Una fbrica tiene cuatro operarios, los cuales deben ser asignados al manejo de cuatro
mquinas; las horas requeridas para cada trabajador en cada mquina se dan en la tabla
adjunta; el tiempo a laborar por cada operario en cada una de las mquinas se pretende
que sea mnimo, para lo cual se busca la asignacin ptima posible.
OPERARIOS MAQUINAS
1 2 3 4
Antonio 10 14 16 13
Bernardo 12 13 15 12
Carlos 9 12 12 11
Diego 14 16 18 16
Aplicando el mtodo Hngaro tenemos:
1 2 3 4
A 10 14 16 13
B 12 13 15 12
C 9 12 12 11
D 14 16 18 16
Paso 1:
1 Restamos 10, 12, 9 y 14 (costos mnimos de cada fila) de cada elemento en
cada una de las filas correspondientes:
1 2 3 4
A 0 4 6 3
B 0 1 3 0
C 0 3 3 2
D 0 2 4 2
Restamos 0, 1, 3 y 0 (costos mnimos de cada columna) de cada elemento en cada una
de las columnas correspondientes:
1 2 3 4
A 0 3 3 3
B 0 0 0 0
C 0 2 0 2
D 0 1 1 2
Paso 2:
2 En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal
que cubran todos los ceros (Mtodo de Flood).
Paso 3:
3 Por ltimo encontramos el menor elemento diferente de cero (llamado k) en
la matriz de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a
continuacin se debe restar k de cada elemento no cubierto de la matriz de costos
reducidos y sumar k a cada elemento de la matriz de costos reducidos cubierto por dos

Pgina 36 de 97
lneas (intersecciones que fueron marcadas en negro) y se debe regresar al paso 2, de ser
necesario.
1 2 3 4
A 0 2 3 2
B 1 0 1 0
C 0 1 0 1
D 0 0 1 1
Solucin ptima nica es: A-1, B-4, C-3 y D-2.
Lo anterior quiere decir que Antonio va a laborar en la mquina 1 (10 horas), Bernardo
en la mquina 4 (12 horas), Carlos va a trabajar en la mquina 3 (12 horas) y Diego en la
mquina 2 (13 horas).
La combinacin ptima de los recursos para este problema de minimizacin de
asignacin es de 47 horas, resultantes de adicionar las asignadas a cada uno de los
operarios en cada una de las mquinas. Dicho valor corresponde al valor ptimo de la
funcin objetivo.
EJEMPLO DE ALGORITMO HNGARO: MAXIMIZAR VENTAS

Maximizar las ventas estimadas que pueden conseguir cada uno de los representantes
de una empresa, asignando los vendedores a una zona concreta.
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga
Prez 50 35 40 25 30
Garca 60 40 50 25 60
Lpez 15 35 40 30 20
Daz 25 40 50 50 20
Snchez 60 50 30 40 30
Como maximizamos, hay que cambiar de signo:
Prez -50 -35 -40 -25 -30
Garca -60 -40 -50 -25 -60
Lpez -15 -35 -40 -30 -20
Daz -25 -40 -50 -50 -20
Snchez -60 -50 -30 -40 -30
Para hallar ceros en cada fila y en cada columna, sumaremos el mayor elemento en
trminos absolutos de cada fila :
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga Valor sumado
Prez -50 -35 -40 -25 -30 +50
Garca -60 -40 -50 -25 -60 +60
Lpez -15 -35 -40 -30 -20 +40
Daz -25 -40 -50 -50 -20 +50
Snchez -60 -50 -30 -40 -30 +60
Como resultado de la operacin anterior obtenemos la siguiente tabla:
Prez 0 15 10 25 20
Garca 0 20 10 35 0

Pgina 37 de 97
Lpez 25 5 0 10 20
Daz 25 10 0 0 30
Snchez 0 10 30 20 30
Todos los elementos son positivos, as que podemos utilizar la tabla como si fuera un
problema de minimizacin.
Nos falta encontrar un cero en la columna de Cdiz, as que:
Prez 0 15 10 25 20
Garca 0 20 10 35 0
Lpez 25 5 0 10 20
Daz 25 10 0 0 30
Snchez 0 10 30 20 30
Valor restado -5
El resultado ser la siguiente tabla:
Prez 0 10 10 25 20
Garca 0 15 10 35 0
Lpez 25 0 0 10 20
Daz 25 5 0 0 30
Snchez 0 5 30 20 30
Procedemos a encuadrar ceros:
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga Nceros
Prez 0 10 10 25 20 1
Garca 0 15 10 35 0 2
Lpez 25 0 0 10 20 2
Daz 25 5 0 0 30 2
Snchez 0 5 30 20 30 1
No tengo ceros encuadrados en la fila Snchez ni en la columna Huelva.
Procedemos a realizar el algoritmo hngaro:
Marcamos la fila sin ceros encuadrados (Snchez)
Marcamos la columna en la que se encuentra el cero tachado (Sevilla)
Marcamos la fila en la que haya un cero encuadrado (Prez)
Ya no se pueden marcar ms filas y columnas
Prez 0 10 10 25 20 *
Garca 0 15 10 35 0
Lpez 25 0 0 10 20
Daz 25 5 0 0 30
Snchez 0 5 30 20 30 *
*

Pgina 38 de 97
Se tachan las filas no marcadas y las columnas marcadas

Prez 0 10 10 25 20 *
Garca 0 15 10 35 0
Lpez 25 0 0 10 20
Daz 25 5 0 0 30
Snchez 0 5 30 20 30 *
*
El menor de los nmeros no tachados es 5.
Se resta 5 a las casillas no tachadas; y se suma 5 a las doblemente tachadas
(intercesiones):
Prez 0 5 5 20 15
Garca 5 15 10 35 0
Lpez 30 0 0 10 20
Daz 30 5 0 0 30
Snchez 0 0 25 15 25
Procedemos a encuadrar ceros:
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga N ceros
Prez 0 5 5 20 15 1
Garca 5 15 10 35 0 1
Lpez 30 0 0 10 20 2
Daz 30 5 0 0 30 2
Snchez 0 0 25 15 25 2
El resultado de la asignacin es:
Vendedor Zona Ventas estimadas
Prez Sevilla 50
Garca Mlaga 60
Lpez Crdoba 40
Daz Huelva 50
Snchez Cdiz 50

Pgina 39 de 97
ACTIVIDADES
Renase con sus compaeros de grupo y realice problemas de programacin lineal,

selecciones los problemas que ms dificultad han presentado y resulvalo con su profesor
en el saln de clases.
EVALUACION
1. Una compaa fabrica tres tipos de muebles para jardn (sillas, mecedoras y
sofs). Cada uno de estos artculos requiere madera, plstico y aluminio, segn
se seala en la tabla. La compaa dispone de 400 unidades de madera, 500 de
plstico y 1450 de aluminio. Cada silla, mecedora y sof se vende en $7, $8 y
$12, respectivamente. Cules son los ingresos mximos?
MADERA PLSTICO ALUMINIO
SILLA 1 1 2
MECEDORA 1 1 3
SOF 1 2 5
2. Una tienda de cosmticos tiene dos plantas productoras, una en Panam y otra
en Estados Unidos. Los productos se deben comercializar a travs de unas
tiendas que se encuentran en Espaa, Mxico y Brasil. La oferta de cada una de
las plantas es de 4000 y 5000 artculos, respectivamente, mientras que la
demanda de stos es de 4000, 2800 y 2000. Los costos unitarios de transporte
son: Espaa Mxico Brasil Panam $200 $150 $190 USA $180 $100 $240 El
gerente de almacn desea buscar la combinacin que minimice los costos de
transporte. Utilice el Mtodo de Modi.
3. Una empresa tiene un trabajo compuesto de 5 mdulos para ser desarrollado
por 5 programadores, se desea que cada mdulo sea desarrollado por un solo
programador y que cada programador desarrolle un solo mdulo. Debido a los
diferentes grados de dificultad de los mdulos y a las diferencias individuales de
los programadores, el tiempo (en das) que ellos emplean es diferente y se da en
la siguiente tabla:
A B C D E
Modulo 1 2 4 4 3 6
Modulo 2 2 6 5 4 6
Modulo 3 5 6 5 3 7
Modulo 4 3 5 7 2 4
Modulo 5 8 5 6 2 1

Pgina 40 de 97
III. RBOLES DE DECISIONES.

El rbol de decisin es un diagrama que representan en forma secuencial condiciones
y acciones; muestra qu condiciones se consideran en primer lugar, en segundo lugar y as
sucesivamente. Este mtodo permite mostrar la relacin que existe entre cada condicin y
el grupo de acciones permisibles asociado con ella.
Un rbol de decisin sirve para modelar funciones discretas, en las que el objetivo es
determinar el valor combinado de un conjunto de variables, y basndose en el valor de
cada una de ellas, determinar la accin a ser tomada.
Los rboles de decisin son normalmente construidos a partir de la descripcin de la
narrativa de un problema. Ellos proveen una visin grfica de la toma de decisin
necesaria, especifican las variables que son evaluadas, qu acciones deben ser tomadas y
el orden en la cual la toma de decisin ser efectuada. Cada vez que se ejecuta un rbol de
decisin, solo un camino ser seguido dependiendo del valor actual de la variable
evaluada.
Se recomienda el uso del rbol de decisin cuando el nmero de acciones es pequeo y
no son posibles todas las combinaciones.
3.1 Concepto y aplicaciones

El desarrollo de rboles de decisin beneficiado analista en dos formas. Primero que
todo, la necesidad de describir condiciones y acciones llevan a los analistas a identificar
de manera formal las decisiones que actualmente deben tomarse. De esta forma, es difcil
para ellos pasar por alto cualquier etapa del proceso de decisin, sin importar que este
dependa de variables cuantitativas o cualitativas. Los rboles tambin obligan a los
analistas a considerar la consecuencia de las decisiones.
Se ha demostrado que los rboles de decisin son eficaces cuando es necesario
describir problemas con ms de una dimensin o condicin. Tambin son tiles para
identificar los requerimientos de datos crticos que rodean al proceso de decisin, es decir,
los rboles indican los conjuntos de datos que la gerencia requiere para formular
decisiones o tomar acciones. El analista debe identificar y elaborar una lista de todos los
datos utilizados en el proceso de decisin, aunque el rbol de decisin no muestra todo los
datos.
Si los rboles de decisin se construyen despus de completar el anlisis de flujo de
datos, entonces es posible que los datos crticos se encuentren definidos en el diccionario
de datos (el cual describe los datos utilizados por el sistema y donde se emplean). Si
nicamente se usan rboles de decisiones, entonces el analista debe tener la certeza de
identificar con precisin cada dato necesario para tomar la decisin.
Los rboles de decisin no siempre son la mejor herramienta para el anlisis de
decisiones. El rbol de decisiones de un sistema complejo con muchas secuencias de
pasos y combinaciones de condiciones puede tener un tamao considerable. El gran
nmero de ramas que pertenecen a varias trayectorias constituye ms un problema que
una ayuda para el anlisis. En estos casos los analistas corren el riesgo de no determinar
qu polticas o estrategias de la empresa son la gua para la toma de decisiones
especficas. Cuando aparecen estos problemas, entonces es momento de considerar las
tablas de decisin.

Pgina 41 de 97
3.2 Estructura grfica del proceso de decisiones

Existe una clase de grafos que tienen una relacin especial en estadstica y es
adems, uno de los tipos de grafos ms importantes: los rboles. Estos se utilizan para
organizar informacin de tal modo que sea posible efectuar eficientemente operaciones
que ataen a esa informacin. Es frecuente que resulte posible desglosar los problemas
complejos y representarlos mediante una estructura de rbol. sta estructura que
llamamos rbol apareci en 1847 en la obra de Gustav Kirchoff acerca de las redes
elctricas. El concepto tambin apareci en Geometrie die Lage de Karl von Staudt. En
1857, los rboles fueron redescubiertos por Arthur Cayley, quien no conoca tales
desarrollos anteriores y fue el primero en llamar rbol a esta estructura.
El pilar sobre el que se asienta el modelo de los rboles de decisin es la teora de
grafos, especficamente en los grafos denominados rboles.
Un rbol de decisin puede interpretarse esencialmente como una serie de reglas
compactadas representadas en forma de rbol.
En terminologa de rboles de decisin, la base del rbol es la raz. Cada divisin para
un atributo representa una rama y el punto final del rbol donde se alcanza una decisin
que se denomina hoja.
En un rbol de Decisiones hay nodos y ramas. En la Figura se puede observar que hay
lneas rectas que son las ramas, hay cuadrados que son los nodos o puntos de decisin y
crculos que son nodos o puntos de azar. Las ramas que se extienden de los nodos indican
las alternativas que se pueden tomar, en el caso de nodos de decisin o los diferentes
resultados de un evento en el caso de los nodos de azar. En este ltimo caso cada rama
tiene asociada una probabilidad de ocurrencia. Esta probabilidad es una medida de la
posibilidad de que ese evento ocurra. La suma de las probabilidades de las ramas que
parten de cada nodo del evento es igual a uno.
La secuencia ptima de decisiones se encuentra comenzando a la derecha y
avanzando hacia el origen del rbol. En cada nodo se debe calcular un VPN (valor probable
neto), esperado. Si el nodo es un evento este VPN se calcula para todas las ramas que
salen de ese nodo. Si el nodo es un punto de decisin el VPN esperado se calcula para cada
una de las ramas y se selecciona el ms elevado. En cualquiera de los dos casos el VPN
esperado se lleva hasta el siguiente evento multiplicado por la probabilidad asociada a la
rama por donde se viaja.
La tcnica de anlisis de decisiones con rboles de decisin consiste en efectuar
clculos en cada nodo de azar para encontrar el valor esperado. Ese valor reemplaza al

Pgina 42 de 97
nodo de azar y se compara con cada uno de los dems que parten de un nodo de decisin y
se selecciona el mayor. Este valor se asigna el nodo de decisin correspondiente y se llama
valor de posicin del nodo de decisin.
EJEMPLO
El problema a resolver es el siguiente: se trata de decidir si vamos a jugar al tenis
dependiendo de las condiciones atmosfricas siguientes: nubosidad, humedad y viento.
Considerando un conjunto de aprendizaje en el que los patrones estn compuestos por
atributos categricos y la clase cierta asociada es Si o No, algunos de estos prototipos
sern:
Observar que aunque los patrones tienen asociados tres atributos, para la toma de
decisiones no se requiere la evaluacin de todos ellos (tener en cuenta en caso
Nubosidad=nuboso, por ejemplo). Para el rbol presentado, slo se requiere la evaluacin
de un mximo de dos atributos para llegar a tomar una decisin.
Una consecuencia es que los rboles de decisin llevan implcitamente un mecanismo
de seleccin de las variables ms significativas. De hecho, si una vez construido el rbol,
un atributo no interviene en ninguna pregunta (no se evala en algn nodo interior) ste
puede descartarse. Este procedimiento es, por lo tanto, un mecanismo sencillo de
seleccin de caractersticas.
Analicemos otro ejemplo considerando ms elementos.

Comenzaremos por dibujar un rbol de decisin en el cual debemos escribir cul es la
decisin que necesitamos tomar. Dibujaremos un recuadro para representar esto en la
parte izquierda de una pgina grande de papel.
Desde este recuadro se deben dibujar lneas hacia la derecha para cada posible
solucin, y escribir cul es la solucin sobre cada lnea. Se debe mantener las lneas lo ms
apartadas posibles para poder expandir tanto como se pueda el esquema.
Al final de cada lnea se debe estimar cul puede ser el resultado. Si este resultado es
incierto, se puede dibujar un pequeo crculo. Si el resultado es otra decisin que necesita
ser tomada, se debe dibujar otro recuadro. Los recuadros representan decisiones, y los
crculos representan resultados inciertos. Se debe escribir la decisin o el causante arriba
de los cuadros o crculos. Si se completa la solucin al final de la lnea, se puede dejar en
blanco.

Pgina 43 de 97
Comenzando por los recuadros de una nueva decisin en el diagrama, dibujar lneas
que salgan representando las opciones que podemos seleccionar. Desde los crculos se
deben dibujar lneas que representen las posibles consecuencias. Nuevamente se debe
hacer una pequea inscripcin sobre las lneas que digan que significan. Seguir realizando
esto hasta que tengamos dibujado tantas consecuencias y decisiones como sea posible ver
asociadas a la decisin original.
Veamos un ejemplo en el cual consideramos si un producto debe de actualizarse
(consolidar) o es mejor la introduccin de un nuevo producto.
Una vez que tenemos hecho esto, revisamos el diagrama en rbol. Controlamos cada
cuadro y crculo para ver si hay alguna solucin o consecuencia que no hayamos
considerado. Si hay alguna, la debemos agregar. En algunos casos ser necesario dibujar
nuevamente todo el rbol si partes de l se ven muy desarregladas o desorganizadas.
Ahora ya tendremos un buen entendimiento de las posibles consecuencias de nuestras
decisiones, ya estamos en condicin de evaluar un rbol de decisiones. Aqu es cuando
podemos analizar cul opcin tiene el mayor valor para nosotros. Comencemos por asignar
un costo o puntaje a cada posible resultado - cunto creemos que podra ser el valor para
nosotros si estos resultados ocurren.
Luego, debemos ver cada uno de los crculos (que representan puntos de
incertidumbre) y estimar la probabilidad de cada resultado. Si utilizamos porcentajes, el
total debe sumar 100%. Si utilizamos fracciones, estas deberan sumar 1. Si tenemos algn
tipo de informacin basada en eventos del pasado, quizs estemos en mejores condiciones

Pgina 44 de 97
de hacer estimaciones ms rigurosas sobre las probabilidades. De otra forma, debemos

realizar nuestra mejor suposicin.
Una vez que calculamos el valor de cada uno de los resultados, y hemos evaluado la
probabilidad de que ocurran las consecuencias inciertas, ya es momento de calcular el
valor que nos ayudar a tomar nuestras decisiones.
Comenzamos por la derecha del rbol de decisin, y recorremos el mismo hacia la
izquierda. Cuando completamos un conjunto de clculos en un nodo (cuadro de decisin o
crculo de incertidumbre), todo lo que necesitamos hacer es anotar el resultado.
Cuando vayamos a calcular el valor para resultados inciertos (los crculos), debemos
hacerlo multiplicando el costo de estos resultados por la probabilidad de que se produzcan.
El total para esos nodos del rbol lo constituye la suma de todos estos valores.
En este ejemplo, el valor para Producto Nuevo, Desarrollo Meticuloso es:
0,4 (probabilidad de un resultado bueno) x $500.000 (costo) $200.000
0,4 (probabilidad de un resultado moderado) x $25.000 (costo) $ 10.000
0,2 (probabilidad de un resultado pobre) x $1.000 (costo) $ 200
Total: $210.200
Colocamos el valor calculado para cada nodo en un recuadro.
Cuando evaluamos los nodos de decisin, debemos escribir el costo de la opcin sobre
cada lnea de decisin. Luego, debemos calcular el costo total basado en los valores de los
resultados que ya hemos calculado. Esto nos dar un valor que representa el beneficio de
tal decisin.

Pgina 45 de 97
Hay que tener en cuenta que la cantidad ya gastada no cuenta en este anlisis - estos
son costos ya perdidos y (a pesar de los argumentos que pueda tener un contador) no
deberan ser imputados a las decisiones.
Cuando ya hayamos calculado los beneficios de estas decisiones, deberemos elegir la
opcin que tiene el beneficio ms importante, y tomar a este como la decisin tomada.
Este es el valor de este nodo de decisin.
El rbol final con los resultados de los clculos puede verse en la siguiente figura:
En este ejemplo, el beneficio que hemos calculado previamente para Nuevo Producto,
Desarrollo Meticuloso fue $210.000. Luego, estimamos el futuro costo aproximado de
esta decisin como $75.000 (tambin 40,000 y los siguientes que se encuentran sobre las
lneas fueron valores estimados). Esto da un beneficio neto de $135.000.
El beneficio neto de Nuevo Producto, Desarrollo Rpido es $15.700. En esta rama
por consiguiente seleccionamos la opcin de mayor valor,valor Nuevo Producto, Desarrollo
Meticuloso, y escribimos ese valor en el nodo de decisin.
Realizando este anlisis podemos ver que la mejor opcin es el desarrollo de un nuevo
producto. Es mucho ms valiosos para nosotros que tomemos suficiente tiempo para
registrar el producto antes que apurarnos a sacarlo rpidamente al mercado. Es preferible
el mejorar nuestros productos ya desarrollados que echar a perder un nuevo producto,
incluso sabiendo que nos costar menos.
As como todos los mtodos ya vistos para la toma de decisiones, y como ya escribimos
en la edicin pasada, aunque contemos con todas las herramientas que existen para
realizar decisiones adecuadas, estas slo servirn de ayuda a nuestra inteligencia y
sentido comn - ellos son nuestros mejores activos a la hora de realizar esta tarea.

Pgina 46 de 97
3.3 Ventajas.
La gran utilidad de los arboles de decisin es que establece de antemano las polticas
a seguir, dada la ocurrencia de ciertos eventos. Por la forma de hacer el anlisis -
devolverse desde las ramas al punto de la decisin inicial- se parece a la Programacin
Dinmica, la cual tambin establece una secuencia de decisiones a seguir para obtener el
resultado ptimo. La forma de un rbol es intuitiva. Esto significa que el usuario puede
comprobar la racionalidad del modelo y si lo cree necesario, modificar el rbol o influir en
su arquitectura segn su propia experiencia o su conocimiento. No requiere una gran
capacidad computacional ni una habilidad analtica especial para construirlo.
Una de las desventajas de los rboles de decisin es su dificultad cuando se presentan
muchas alternativas, lo cual es probable que ocurra si se desea que el modelo se aproxime
a la realidad. En este caso el nmero de clculos puede crecer en forma desproporcionada.
El nmero de puntos finales crece rpidamente en cuanto el nmero de nodos crece. Esto
induce al analista a reducir intencionalmente el nmero de puntos terminales y los
estimativos de las probabilidades son muy escasos y pobres. Por lo tanto el uso de este
enfoque puede dar unos resultados inadecuados.
ACTIVIDADES
En compaa de sus compaeros de clase elabore mas arboles de decisin utilizando

los conceptos aprendido en esta unidad, posterior a esto resuelva la evaluacin.
EVALUACION
1. Qu es un rbol de decisin?
2. Mencione dos problemas que se puedan modelar utilizando arboles de decisin.
3. Elabore un rbol de decisin para una compaa de manufacturas elctricas que
produce aparatos de aire acondicionado y tiene que decidir si comprar o no un
componente importante para su producto final de un abastecedor o fabricarlo
en su propia planta. (Construya sus propias decisiones).

Pgina 47 de 97
IV. ANLISIS DE REDES

La importancia del anlisis de flujo de redes, en los ltimos aos ha crecido de una
manera progresiva en todos los campos de la planificacin; de procesos tareas y recursos
tanto econmicos como fsicos y del tiempo de los proyectos que requieren de este tipo de
planificacin.
La aplicacin de estos tipos de modelos tiene infinidades campos de accin en los
diferentes proyectos de inversin tales como:
En los proyectos de diseos de tuberas de acueducto, gas natural,
electrificacin, vas, tanto frreas como carrete hables.
En la determinacin del camino ms corto entre dos lugares o ciudades de
acuerdo a una red existente.
En la determinacin de las capacidades mximas que deben fluir a travs de
una red, de un recurso especifico.
La determinacin del programa de flujo de costo mnimo de los campos de
origen a los centros de distribucin de un recurso especial.
Un estudio de esta lista representativa, revela que los problemas de optimizacin de
redes se pueden representar en trminos generales a travs de los siguientes modelos.
Modelo del flujo mximo
Modelo de la ruta ms corta.
Modelo del rbol de extensin mnima.
Modelo de red de capacidad de costo mnimo.
Modelo de la ruta critica.
Modelo de la tcnica de evaluacin y revisin de proyectos (PERT).
4.1 Propsitos, metodologa y modelos

Las tcnicas del PERT/CPM tienen las siguientes caractersticas:
Gran aplicabilidad a problemas reales.
Interpretacin visual.
Posibilidad de usar algunos software para resolverlos.
En forma general, las tcnicas PERT/CPM son usadas en la administracin de
proyectos para planear, programar, controlar y evaluar proyectos, especialmente los
complejos.
Un proyecto es cualquier trabajo donde se requiera hacer un conjunto de actividades
(tareas u operaciones) interrelacionadas entre s, para lograr un objetivo especfico y
temporal sujeto a especificaciones propias del desarrollo del proyecto y de calidad, as
como a restricciones de tiempo y costo. En cualquier proyecto, la organizacin de las
actividades dada por su secuencia de realizacin, es esencial para minimizar la duracin y
el costo del mismo.
Las caractersticas que debe tener un proyecto son:
Tener un objetivo temporal. Generalmente, el objetivo del proyecto es de corto plazo,
asignado en funcin de las necesidades de la organizacin que le da carcter temporal, es
decir, que el proyecto termina al lograrse el objetivo. Es por esto que se enfatiza en la
programacin de fechas de inicio y terminacin de las actividades.

Pgina 48 de 97
El objetivo debe ser especfico y medible. Esta caracterstica da la base para

evaluar el avance futuro del proyecto ya que permite comparar los logros reales
contra los planeados.
El proyecto tiene restricciones de tiempo y presupuesto. Las restricciones de
tiempo son expresadas en trminos de la fecha de inicio del proyecto, fecha de
terminacin del mismo y de las duraciones de las actividades; las restricciones
del presupuesto para financiar el proyecto, se forman al comparar el costo de
los recursos demandados contra los recursos financieros disponibles por la
organizacin.
Con un pequeo ejemplo se puede clarificar que es y que no es un proyecto. Un
proyecto es la instalacin de un centro de cmputo, tiene una duracin temporal
con un inicio y una terminacin; pero la administracin operativa del mismo no
es un proyecto, no tiene una duracin temporal ya que esta administracin
existir mientras exista el centro de cmputo.
Para tener una adecuada administracin de proyectos, se requiere definir a un
administrador del proyecto que sea el responsable de planear y coordinar todo lo relativo al
mismo como:
Definir el objetivo del proyecto.
Listar todas las actividades que se deben hacer para lograr el objetivo del
proyecto.
Definir la secuencia de las actividades.
Determinar la duracin de cada actividad.
Establecer los responsables para cada actividad y dnde se har sta.
Calcular la fecha lmite para terminar cada actividad y conocer las actividades
crticas que fijan la fecha lmite para terminar el proyecto.
Calcular el costo del proyecto para hacer el presupuesto requerido para el
mismo.
Dar seguimiento al proyecto para evaluar los avances en cuanto al tiempo y el
costo.
Algunos campos donde se han utilizado con xito la administracin de proyectos, ha
sido en la construccin de obras, diseo de nuevas plantas, incremento de la capacidad de
produccin, instalacin de maquinaria, programas de mantenimiento y conservacin de
edificios, maquinaria y equipos, estudios de mercado, investigacin y desarrollo de nuevos
productos, lanzamiento de nuevos productos al mercado, planeacin de utilidades,
proyectos espaciales y militares.
4.2 Metodologa del camino critico (Cpm)

El CPM (Mtodo del Camino Crtico) es un proceso administrativo de planeacin,
programacin, ejecucin y control de todas las actividades componentes de un proyecto,
poniendo nfasis en las tareas crticas.
El mtodo PERT (Tcnica de Revisin y Evaluacin de Programa) es una de las
variantes del Mtodo del Camino Crtico. Presenta como particularidad, que la
determinacin de los tiempos de las actividades se hace en forma probabilstica. Est
fuertemente orientado al plazo de ejecucin y con poca consideracin hacia el costo del
proyecto.
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de informacin
para los administradores del proyecto. Primero, el PERT/CPM expone la "ruta crtica" de un

Pgina 49 de 97
proyecto. Estas son las actividades que limitan la duracin del proyecto. En otras palabras,
para lograr que el proyecto se realice pronto, las actividades de la ruta crtica deben
realizarse pronto. Por otra parte, si una actividad de la ruta crtica se retarda, el proyecto
como un todo se retarda en la misma cantidad.
Dos son los orgenes del mtodo del camino crtico: el mtodo PERT (Program
Evaluation and Review Technique) desarrollo por la Armada de los Estados Unidos de
Amrica, en 1957, para controlar los tiempos de ejecucin de las diversas actividades
integrantes de los proyectos espaciales, por la necesidad de terminar cada una de ellas
dentro de los intervalos de tiempo disponibles. Fue utilizado originalmente por el control de
tiempos del proyecto Polaris y actualmente se utiliza en todo el programa espacial.
El mtodo CPM (Crtical Path Method), el segundo origen del mtodo actual, fue
desarrollado tambin en 1957 en los Estados Unidos de Amrica, por un centro de
investigacin de operaciones para la firma Dupont y Remington Rand, buscando el control
y la optimizacin de los costos de operacin mediante la planeacin adecuada de las
actividades componentes del proyecto.
Ambos mtodos aportaron los elementos administrativos necesarios para formar el
mtodo del camino crtico actual, utilizando el control de los tiempos de ejecucin y los
costos de operacin, para buscar que el proyecto total sea ejecutado en el menor tiempo y
al menor costo posible.
El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad y
adaptabilidad a cualquier proyecto grande o pequeo. Para obtener los mejores resultados
debe aplicarse a los proyectos que posean las siguientes caractersticas:
Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.
Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin
variaciones, es decir, en tiempo crtico.
Que se desee el costo de operacin ms bajo posible dentro de un tiempo
disponible.
Dentro del mbito aplicacin, el mtodo se ha estado usando para la planeacin y
control de diversas actividades, tales como construccin de presas, apertura de caminos,
pavimentacin, construccin de casas y edificios, reparacin de barcos, investigacin de
mercados, movimientos de colonizacin, estudios econmicos regionales, auditoras,
planeacin de carreras universitarias, distribucin de tiempos de salas de operaciones,
ampliaciones de fbrica, planeacin de itinerarios para cobranzas, planes de venta, censos
de poblacin, etc.
Esta herramienta fue diseada para proporcionar diversos tipos de informacin a los
administradores de proyectos.
Primero, el mtodo expone la ruta o camino crtico de un proyecto, es decir, la cadena
de actividades que determinan la mnima duracin del proyecto. Si una actividad de la ruta
crtica se retarda, el proyecto completo se retrasa en la misma cantidad de tiempo.
Las actividades que no estn en la ruta crtica tienen una cierta holgura, o sea que se
pueden retrasar en su comienzo y/o su terminacin. Si las tareas no crticas se retrasan
dentro de los lmites definidos por su holgura el proyecto se mantiene en programa. El
mtodo tambin puede identificar estas actividades y determinar la cantidad de tiempo
disponible para retardos.
Muchos proyectos estn condicionados a limitaciones en sus recursos, lo cual acarrea
una programacin ms difcil. El Mtodo del Camino Crtico puede identificar los eventos
del proyecto en que las restricciones causarn problemas. En este aspecto nuevamente

Pgina 50 de 97
juegan un papel importante las holguras, ya que retrasando alguna actividad no crtica se
pude resignar el recurso escaso a otra tarea para aliviar el problema.
Utilizando este mtodo es posible:
Identificar las actividades cuyo retraso en la ejecucin supone un retraso del
proyecto completo (tareas crticas).
Identificar el camino formado por la secuencia de tareas crticas (camino
crtico).
Minimizar el plazo de ejecucin del proyecto, optimizando las tareas crticas o
asignndoles mayor cantidad de recursos.
Detectar y cuantificar las holguras de las actividades no crticas.
Si el proyecto est se desva de los tiempos programados, saber cules tareas
hay que forzar primero.
Nos da un proyecto de coste mnimo.
Determinar las actividades ms necesarias, cundo lo son y en qu orden.
A continuacin presentamos los conceptos bsicos para poder dibujar el diagrama
PERT. Es de vital importancia que cada uno de ellos quede claramente definido y
entendido. Sobre esta base se construir la metodologa que vamos a presentar.
Nudo, suceso o acontecimiento: es el comienzo a trmino de un trabajo. No es la
ejecucin real de un trabajo. Por ejemplo escribir un informe no es un nudo, en cambio
comenzar o terminar un informe s es un nudo. Todo nudo viene caracterizado por qu debe
representar un punto significativo del proyecto, es el comienzo o el trmino de una tarea y
no consume tiempo ni recursos.
Los nudos o sucesos deben tener lugar de una manera lgica y por tanto mantienen un
orden dentro del grafo y por tanto se numerarn cada uno de ellos segn la secuencia
temporal. Se dibujan mediante un crculo (que posteriormente veremos cmo se completa).
Actividad: Es la
ejecucin real de una
tarea. Recordamos que
un acontecimiento slo
era el comienzo o final
de una tarea, no su
ejecucin. Lo representaremos por un flecha, en dnde
colocaremos el nombre de la actividad y el coste de tiempo que supone.
En este ejemplo se ha dibujado la actividad A que consume 5 minutos o das de tiempo.
Las actividades s que consumen tiempo, por tanto requieren mano de obra, material,
instalaciones, etc. Es decir, las actividades precisan dotarse de recursos para poder ser
realizadas.
Cada actividad reside entre dos nudos. Al primero le denominaremos nudo o
acontecimiento antecedente y al segundo precedente. Siempre la relacin deber ser
directa, sin acontecimientos intermedios. Al primer nudo de una red PERT le
denominaremos iniciador, y al ltimo finalizador.
El diagrama de flechas representa las interdependencias y relaciones de precedencia
entre las actividades del proyecto. Se utiliza comnmente una flecha para representar una
actividad, y la punta indica el sentido de avance del proyecto. La relacin de precedencia
entre las actividades se especifica utilizando eventos. Un evento representa un punto en el
tiempo y significa la terminacin de algunas actividades y el comienzo de nuevas. Las
actividades que originan un cierto evento no puede comenzar hasta que las actividades

Pgina 51 de 97
que concluyen en el mismo evento hayan terminado. En la terminologa de la teora de

redes cada actividad est representada por un arco dirigido y cada evento est simbolizado
por un nodo. La longitud del arco no tiene que ser proporcional a la duracin de la
actividad ni tiene que dibujarse como lnea recta.
Las reglas para construir el diagrama de flechas se resumirn ahora:
Cada actividad est representada por una y un solo una flecha en la red.
Ninguna actividad puede representarse dos veces en la red.
Dos actividades diferentes no pueden identificarse por los mismos eventos
terminal y de inicio.
Para la construccin del grafo PERT se ha de tener en cuenta los principios de
construccin que son los siguientes.
Principio de designacin sucesiva: se empieza a numerar los nudos por orden,
desde el principio hasta el final.
Principio de unicidad del suceso inicio y del suceso final: siempre tendremos un
nico nudo de inicio y otro de final
Principio de designacin nivoca.
En la seccin 3.7 estaremos en posibilidad de resolver ejemplos, de momento lo
invito para que realicemos un anlisis del tiempo contra el costo.
4.3 Tcnicas de revisin y evaluacin de programas ( Pert)

La Tcnica del P.E.R.T. (Program Evaluation and Review Technique) es un instrumento
diseado especialmente para la direccin, permitindole planificar, programar y controlar
los recursos de que dispone, con el fin de obtener los resultados deseados.
Se trata de una tcnica que proporciona a la gerencia, informacin sobre los
problemas reales y potenciales que pueden presentarse en la terminacin de un proyecto,
la condicin corriente de un proyecto en relacin con el logro de sus objetivos, la fecha
esperada de terminacin del proyecto y las posibilidades de lograrlo, y en donde se
encuentran las actividades ms criticas y menos criticas en el proyecto total.
El P.E.R.T. no intenta usurpar las funciones de la direccin, sino ayudarla a realizar sus
actividades con mayor xito. Tampoco, como es natural, dirige por s solo, pero s que se
puede afirmar, que depende de la habilidad con que la direccin use estas tcnicas, el que
descubra y resuelva los problemas que surgen con mayor eficacia.
Rara vez se conoce, en el momento de tomar una decisin, toda la complejidad y
consecuencias que puede tener. Sin embargo la Tcnica P.E.R.T., traza un mtodo eficaz
para reducir los riesgos tomando aquellas decisiones que tengan mayor probabilidad de
xito.
Todos sabemos que existen diferentes niveles de direccin: director gerente, jefe de
departamento, jefe de divisin, jefe de centro, etc. pero en todos los niveles se realizan
fundamentalmente tres actividades y que necesitan de herramientas como el mtodo
PERT, para poder cumplir de manera eficaz sus actividades.
1. Fijar los objetivos.
2. Buscar y organizar los medios necesarios para alcanzar los objetivos
previamente fijados.
3. Controlar la concordancia existente entre el plan fijado y lo que se est
realizando, con el fin de poder actuar sobre los recursos y hacer frente a las
condiciones reales.

Pgina 52 de 97
RED P.E.R.T.: Una red PERT es la representacin grfica y simblica de las tareas a
desarrollar para llevar a buen trmino un fin propuesto.
PERT es un sistema probabilstico, ya que considera la posibilidad estadstica de tres
tiempos: optimista, probable y pesimista.
Existen ciertas consideraciones que obligan a utilizar esta tcnica:
1) Necesidad de prever hechos futuros para tomar medidas preventivas.
2) Necesidad de mejorar la eficacia de trabajo mediante mtodos de control rpido
e integrable.
3) Necesidad de mtodos que permitan reducir en tiempo y costo el desarrollo de
proyectos de trabajo.
4) Necesidad de mtodos que ayuden a tomar decisiones ms precisas.
El PERT garantiza una dinmica planeacin, programacin y control de proyectos
aplicados, pues proporcionan:
* Una base disciplinaria de planeacin.
* Un cuadro claro y fcil de entender del alcance del proyecto.
* Un mtodo para evaluar planes y objetivos alternativos.
* Un programa realista para todas las operaciones.
* Una comunicacin eficaz entre las distintas personas.
* Una indicacin de actividades crticas.
* Evaluacin precisa del tiempo y costo contra el programa.
* Una estructura para una mejor planeacin de los recursos.
* Encauzamiento de la atencin directa de las reas crticas.
Imaginemos que deseamos planificar un proyecto (por ejemplo la introduccin en el

mercado japons de nuestros productos). Para ello sabemos que tenemos las siguientes
fases, con la siguiente duracin en meses:
Actividades Tiempo
Etapa A: estudio de la poblacin japonesa 2 meses
Etapa B. estudio de la legislacin 1 mes
Etapa C: estudio de la competencia 1,5 meses
Etapa D: contactos con organizaciones japonesas 2 meses
Etapa E: contactos con empresas de importacin-exportacin 4 meses
Etapa F: formacin de nuestros empleados que enviaremos a Japn 9 meses
Etapa G: bsqueda de solares para implantar la empresa 0,5 meses
Si hacemos una etapa detrs de la otra, necesitaremos 21 meses para acabar el
proyecto (casi dos aos) para implantarnos en Japn. Activ Actividad
Existe la posibilidad de hacer actividades en paralelo y idad precedente
as conseguir acabar antes el proyecto. Realizando un A -
estudio de las actividades que se pueden hacer en B -
paralelo y el orden de cada una de las etapas o C -
actividades obtendramos la siguiente tabla. D A
De esta tabla podemos concluir que la actividad A,
E B
B y C no necesitan antecedentes, es decir que se
C F
pueden hacer de forma paralela y a la vez; la actividad
G D, E
D, no podr empezar hasta que la actividad A est
acabada y suceder lo mismo con la E, que no empezar hasta que la B no est acabada.

Pgina 53 de 97
Para empezar la realizacin de la F necesitamos que la C est acabada y para empezar la

G, necesitamos que D y E, se hayan concluido.
Si ahora traspasamos este razonamiento a un grafo PERT (recordar que las actividades
se representan por flechas que consumen recursos y que adems les tenemos que dibujar
un nudo de inicio y un final) obtendramos:
Como se vera se han ya numerado los nudos.

Una vez dibujado el grafo PERT se debe calcular el tiempo necesario para acabar el
proyecto.
Para realizar este clculo se necesita saber el tiempo early y el last.
Tiempo early (TE) de un acontecimiento representa el tiempo ms breve en el que
puede llevarse a cabo un acontecimiento. Viene representado por el camino de mayor
consumo de tiempo. Es el tiempo que como mximo se necesita para realizar las
actividades que tenemos. Se empieza a calcular desde el primer nudo hasta el ltimo y se
sita en la cuadrcula izquierda de cada nudo.
Tiempo early del primer nudo es cero y los posteriores se calculan sumando el tiempo
early del nudo anterior ms la actividad que hay entre los nudos.
Veamos como se ve nuestra red.

Pgina 54 de 97
Con este grafo podemos concluir que planificando correctamente cada una de estas
actividades y con el tiempo que tenemos de cada una de ellas, el proyecto se puede acabar
en menos de un ao, exactamente en 10,5 meses. Si lo comparamos con la duracin
inicial, se observa que hemos ganado 10,5 meses (que es la diferencia entre 21 meses que
es lo que tardaba anteriormente el proyecto a ahora que somos capaces de hacerlo en 10,5
meses).
El ltimo concepto que nos queda por explicar a la hora de construir un grafo Pert, es
el camino crtico. A la diferencia entre los tiempos last(TL) y early de cada contecimiento
le denominamos holgura. La existencia de holguras puede indicar posible exceso de
recursos, que un buen planificador debe minimizar.
Las holguras de cada actividad se calculan de la siguiente manera, se resta del tiempo
last del nudo final, el tiempo early del nudo inicial y el tiempo de la actividad. Con esto
conseguiremos obtener el tiempo sobrante que tenemos los recursos parados y por tanto
tiempo que se ha de intentar minimizar. Matemticamente tenemos:
Hx,y = TLy -(TEx + duracion actividadx,y )
En ejemplo que estamos utilizando para la explicacin obtendramos las siguientes
holguras:
HA = TL2 -(TE1+ duracion actividadA ) = 7 - (0+ 2) = 5
HB = TL3 -(TE1+ duracion actividadB ) = 5 - (0+1) = 4
HC = TL4 -(TE1+ duracion actividadC ) = 1,5 - (0+1,5) = 0
HD = TL5 -(TE2 + duracion actividadD ) = 9 - (2+ 2) = 5
HE = TL5 -(TE3 + duracion actividadE ) = 9 -(1+ 4) = 4
HF = TL6 -(TE4 + duracion actividadF ) = 10,5 - (1,5+ 9) = 0
HG = TL6 -(TE5 + duracion actividadG) = 10,5 - (5+ 0,5) = 4
El conjunto de acontecimientos que minimizan las holguras forman un camino crtico,
por el que puede recorrerse el proyecto, es decir, el camino crtico es aquel camino con una
holgura mnima (recordando siempre que el camino crtico va desde el nudo inicial hasta el
final).

Pgina 55 de 97
Por ejemplo si se retrasa la actividad A, es decir en lugar de hacerla en 2 meses al final

surgen problemas y se retrasa y acaba realizndose en 3 meses, como la actividad A no
forma parte del camino crtico la duracin total del proyecto no se ver modificada,
seguiremos acabndolo en 10,5 meses.
Analicemos la ruta ADG suponiendo que A se retrasa un mes mas, verdad que no
habra ningun problema, aun asi terminariamos el proyecto en 10.5 meses, en cambio en la
ruta obtenida CF si F se atrasa un mes entonces nuestro proyecto duraria 11.5 meses,
significando un retraso total del proyecto.
4.4 Anlisis del costo, aceleracin de los proyectos

Reducir el tiempo de una actividad siempre nos llevara a ampliar los costos de la
actividad por lo mismo en esta seccin estaremos interesados en el anlisis de proyectos
analizados con la red PERT.
Consideremos un Proyecto representado en el Diagrama siguiente con la unidad de
tiempo para la duracin de las actividades en das:
ACTIVIDAD PREDECESOR DURACION
INMEDIATO
A -- 4
B -- 6
C B 8
D A,C 10

Pgina 56 de 97
El grafico PERT para el problema planteado con su ruta crtica es: (comprubelo)
Regularmente al reducir el tiempo de un proyecto en la ruta critica tambin por obvias

razones se tiende a aumentar el costo del mismo, esto debido a la contratacin de ms
personal, aumento en horas extras, etc.
Para nuestro ejemplo se quiere reducir el tiempo de 24 a 18 das y los costos de
reducir el tiempo de proyecto estn mostrados en la siguiente tabla.
ACTIVIDAD TIEMPO TIEMPO DE COSTO COSTO DE
NORMAL QUIEBRE NORMAL QUIEBRE
A 4 3 80 105
B 6 4 180 250
C 8 5 200 320
D 10 6 350 530
Con base en esta informacin podemos obtener una tabla ms en la cual se nos
informe el costo por da de cada una de las actividades que se realizan.
ACTIVIDAD TIEMPO TIEMPO COSTO COSTO LIMITE COSTO
NORMAL DE NORMAL DE DE DE
QUIEBRE QUIEBRE QUIEBRE QUIEBRE
POR DIA
A 4 3 80 105 1 25
B 6 4 180 250 2 35
C 8 5 200 320 3 40
D 10 6 350 530 4 45
El lmite de quiebre se ha obtenido en base a la siguiente frmula:
Limite de Quiebre=Tiempo Normal Tiempo de Quiebre
El costo de quiebre por da se ha obtenido con la siguiente expresin:
Costo de
=
( Costo de quiebre ) ( Costo Normal )
quiebre por dia Limite de quibre
De la tabla anterior podemos extraer los siguientes comentarios:
La actividad realizada en un tiempo normal (24 das) tiene un costo normal de $810,
Mientras que la actividad reducida a 18 das tiene un costo de $1205. Necesitamos reducir
las actividades a 18 das.
La actividad B ser reducida lo mximo posible (2 das) por lo que el costo para
reducir esta actividad dos das esta dado por la expresin:
Costo=810+(2*35)=880

Pgina 57 de 97
De donde 810 es el costo de la actividad normal, 2 es el mximo nmero de das de

quiebre y 35 es el costo por da de la actividad B. Con esto hemos logrado que el proyecto
se concluya en 22 das, pero necesitamos reducir an ms las actividades por lo tanto
pasaremos a reducir la actividad C.
Como se menciono en el punto anterior la siguiente actividad a reducir ser la C por
ser la siguiente actividad y adems encontrarse en la ruta critica, de acuerdo con el lmite
de quiebre presente en la tabla esta actividad puede ser reducida hasta tres das por lo que
luego de hacerlo tendramos 19 das (22-3) para concluir el proyecto, pero Cunto cuesta
reducir esta actividad? Para responderlo haremos un estudio de los das similar a como se
hizo en la seccin anterior.
Costo=880+(3*40)=1000
Ahora se ha considerado 880 debido a que la actividad anterior (la B) ha cambiado, en
lo dems datos se sigue de modo similar.
Hemos llegado con esto a la ltima actividad que podemos reducir(la D), esta
actividad puede ser reducida hasta 4 das, sin embargo el proyecto debe de quedar
concluido en 18 das y hasta la actividad anterior habamos reducido a 19 das, por lo que
no es necesario ms que reducir en un da esta actividad.
Costo=1000+(1*45)=1045
Hemos con esto concluido nuestro proyecto, el costo de hacerlo ser de $1045 y se
realizara en un plazo de 18 das reduciendo la actividad B en dos das, la actividad C en
tres das y la actividad D en un da.
Realizar en sus proyectos este tipo de anlisis sin lugar a dudas que le evitara gastos
innecesarios y le garantizara un mejor provecho de los recursos de su empresa.

Pgina 58 de 97
ACTIVIDADES
En compaa de sus compaeros de clase plantee por lo menos dos problemas

similares a los anteriores y posteriormente determine costos a consecuencia de reducir los
costos.
EVALUACION
Un proyecto de mantenimiento de dos mquinas involucra 5 actividades. Dado que la

administracin ha tenido gran experiencia con proyectos similares, se considera que los
tiempos (en das) para las actividades de mantenimiento son conocidos y estn dados en la
Tabla siguiente.
ACTIVIDAD ACTIVIDAD PREDECESOR DURACION
INMEDIATO ESPERADA
REPARAR A -- 7
MAQUINA 1
AJUSTAR B A 3
MAQUINA 1
REPARAR C -- 6
MAQUINA 2
AJUSTAR D C 3
MAQUINA 2
PROBAR E B, D 2
SISTEMA
a) Disee la red del proyecto.

b) Determine la ruta crtica.
c) A partir de la informacin de Costos Normales y de Quiebre de cada actividad
determinar el Costo total del mismo y el Costo Marginal de aceleracin por da de cada una
de las actividades.
ACTIVIDAD TIEMPO TIEMPO DE COSTO COSTO DE

NORMAL QUIEBRE NORMAL QUIEBRE
A 7 4 500 800
B 3 2 200 350
C 6 4 500 900
D 3 1 200 500
E 2 1 300 550

Pgina 59 de 97
V. PROCESO DE MARKOV.
Una cadena de Mrkov, que recibe su nombre del matemtico ruso Andrei Andreevitch
Markov (1856-1922), 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 Mrkov de las
series de eventos independientes, como tirar una moneda al aire o un dado.
Este tipo de proceso, introducido por Mrkov en un artculo publicado en 1907
presenta una forma de dependencia simple, pero muy til en muchos modelos, entre las
variables aleatorias que forman un proceso estocstico. En los negocios, las cadenas de
Mrkov 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.
Se dice que un proceso estocstico posee la propiedad de Markov, cuando su estado
actual es la nica variable necesaria para predecir el futuro, su estado anterior y sus
valores histricos no afectan a las predicciones sobre su futuro.
Un proceso de Markov es un tipo particular de proceso estocstico en el que
nicamente el estado actual del proceso es relevante a la hora de predecir el estado
futuro. Ms formalmente, el valor esperado de una variable aleatoria en el instante t,
depende nicamente del valor previo xt-1.
5.1 Consideraciones y terminologa.

Formalmente, para definir una cadena de Markov finita hace falta determinar por lo
tanto los siguientes elementos:
a) Un conjunto de estados del sistema.
b) La definicin de transicin.
c) Una ley de probabilidad condicional, que defina la probabilidad del nuevo estado
en funcin de los anteriores.
Los estados son una caracterizacin de la situacin en que se halla el sistema en un
instante dado, dicha caracterizacin puede ser tanto cuantitativa como cualitativa. Desde
un punto de vista prctico probablemente, la mejor definicin de qu debe entenderse por
estado es la respuesta que se dara a la pregunta "cmo estn las cosas?".
Formalmente, el estado de un sistema en un instante t es una variable cuyos valores
slo pueden pertenecer al conjunto de estados del sistema. El sistema modelizado por la
cadena, por lo tanto, es una variable que cambia de valor en el tiempo, cambio al que
llamamos transicin.
Dicho de otro modo, se trata de una coleccin indexada de variables Et, donde t denota
intervalos temporales significativos para el fenmeno estudiado. Por ser el sistema
estocstico, no se conocer con certeza el estado del sistema en un determinado instante,
sino tan solo la probabilidad asociada a cada uno de los estados. Este hecho puede
expresarse en trminos de probabilidad condicional.

Pgina 60 de 97
Una forma de describir una

cadena de Markov ov es con un
diagrama de estados, como el q que se
muestra en la figura.. En sta se
ilustra un sistema de Markov con
cuatro estados
tados posibles: M1, M2, M3
y M4.. 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 figura que a continuacin se muestra es la matriz de transicin
para el ejemplo anterior, podr distinguir que se han utilizado los mismos valores.
Veamos que en el diagrama de estado en el nodo llamado URB entran 0.8, 0.06 y 0.04
que al pasarlo a la matriz de transicin notaremos que corresponden a las entradas de
URB.
5.2 Elaboracin matricial de las probabilidades de

transicin.
Como se menciono anteriormente los os Procesos de Markov o Cadena de Markov son
Procesos Estocsticos (que
que funciona, sobre todo, por el azar) que son tiles al estudiar la
evolucin de ciertos sistemas en ensayos repetidos.
Los ensayos son frecuentemente periodos sucesivos en los que no sse e puede determinar
certidumbre del estado o resultado del sistema en cualquier lapso o intervalo de tiempo
determinado. Se utilizan probabilidades de transicin para describir la forma en que el
sistema hace transiciones de un periodo al siguiente. Por elloo se habla de la probabilidad
de que el sistema se encuentre en un estado especfico en un periodo dado, que se
encontraba en un estado en el periodo anterior.
Sandra trabaja en una guardera infantil. El lunes y el mircoles pasados por la tarde,
los nioss podan escoger entre pintar con las manos o jugar algn juego. De los nios que
pintaron con las manos el lunes, el 80% volvieron a pintar el mircoles, mientras que el
20% jugaron algn juego.

Pgina 61 de 97
De los nios que jugaron el lunes, el 60%

volvieron a jugar el mircoles, mientras que el
40% pintaron. Sandra hizo un diagrama para
representar esta informacin.
Las flechas y los rtulos muestran los
patrones de las actividades de los nios. Por
ejemplo, la flecha circular rotulada .6 indica
que el 60% de los nios que jugaron el lunes
tambin jugaron el mircoles. La flecha rotulada .4 indica que el 40% de los nios que
jugaron el lunes pintaron el mircoles.
Los diagramas como el anterior se llaman
diagramas de transicin porque muestran cmo
cambia algo de un momento al siguiente.
Podras mostrar la misma informacin en una
matriz de transicin (figura de la izquierda).
Como se menciono anteriormente una matriz
es un arreglo rectangular de nmeros. Aqu se ve
una matriz de transicin basada en la informacin
de Sandra con respecto a la guardera.
Las matrices son tiles para organizar
informacin. La matriz [B] presentada aqu representa el nmero de
estudiantes por grado en las North High School y South High School. 347 211
Las filas, de arriba hacia abajo, representan a los de primer ao, 289 253

segundo ao, tercer ao, y ltimo ao, respectivamente; las columnas, [ B] = 302 192
de izquierda a derecha, representan a la North High School y la South
High School. Por ejemplo, el 302 indica que hay 302 del tercer ao en 270 225
la North High School.
Las dimensiones de una matriz son el nmero de filas y columnas. La matriz [B] tiene
dimensiones de 4 X 2. Cada nmero de una matriz se llama una entrada, o elemento, y se
identifica como b ij , donde i y j son los nmeros de las filas y las columnas,
respectivamente.
Analicemos ahora un ejemplo prctico.
EJEMPLO:
Supngase que 15 autos empiezan en la Ciudad A, 10 en la Ciudad B, y 5 en la Ciudad
C. El diagrama a continuacin presenta las reglas de la simulacin. El diagrama indica, por
ejemplo, que tericamente, en cada vuelta el 10% de los autos de la Ciudad C se
desplazarn a la Ciudad B, el 20% se desplazarn a la
Ciudad A, y el 70% se quedarn en la Ciudad C. Aqu
se muestra la matriz de transicin de la situacin y el
diagrama de transicin (Representacin de los autos
que hay en cada ciudad y los que se desplazan de una
ciudad a otra).
0.3 0.2 0.5
[ B] = 0.5 0.5 0
0.2 0.1 0.7

Pgina 62 de 97
Recordemos que 15 autos empiezan en la Ciudad A, 10 en la Ciudad B, y 5 en la Ciudad

C. Estas condiciones se representan con la matriz [15 10 5]. 5]
La multiplicacin de las matrices se presenta a continuacin. Las entradas de la matriz
producto son el nmero de autos que hay en las Ciudades A, B, y C, respectivamente,
despus de la primera transicin.
0.3 0.2 0.5
[15 10 5] 0.5 0.5 0 = [10.5 8.5 11]
0.2 0.1 0.7
En la primera transicin, el 30% de los 15 autos de la Ciudad A se quedan ah, el 50%
de los 10 autos de la Ciudad B se desplazan a la Ciudad A, y el 20% de los 5 autos de la
Ciudad C se desplazan a la Ciudad A.
Por tanto, el nuevo nmero de autos que hay en la Ciudad A es:
15(0
15(0.3) + 10(0
10(0.5) + 5(0
5(0.2) = 10.5.
10.5
El nuevo nmero de autos que hay en la Ciudad B se obtiene de manera similar:
15(0.2)
15(0.2) + 10(0
10(0.5) + 5(0
5(0.2) = 8.5.
.5
Mientras que en C:
15(0.5)
15(0.5) + 10(0
10(0) + 5(0.7
5(0.7)
0.7) = 11.
11
Esta es la suma de los productos de las entradas de la matriz de las condiciones
iniciales y las entradas de la primera columna de la matriz de transicin.
5.3 Predicciones de porcentaje de participacin en el

mercado para periodos futuros.
Una matriz de transicin para una cadena de Markov de n estados es una matriz de
n x n con todos los registros no negativos y con la propiedad adicional de que la suma de
los registros de cada columna (o fila) es 1.
Por ejemplo la matriz planteada en la seccin anterior es una matriz de transicin para
cadena de Markov.
La cadena de Markov es frecuentemente utilizada para describir el comportamiento de
los clientes en relacin a su lealtad a una marca, un fabricante, un producto o a una
cadena de negocios.
Esta tcnica es usualmente utilizada para predicciones dinmicas del mercado en un
contexto de competencia fuerte entre varias marcas.
El procedimiento para poder predecir utilizando la cadena de Markov incluye dos
pasos:
Usar la informacin obtenida para un periodo de tiempo, se estima la matriz de
transicin para las marcas elegidas por los diferentes consumidores.
Con esta matriz, se puede descubrir la proporcin consumidores que eligieron
cierta marca y se usa este resultado para predecir.
Para predecir el precio de maana no importa si el precio ha aumentado o disminuido
durante cada uno de los ltimos 30 das.
En cualquier caso, o en cualquier otro caso que pudiera haber conducido al precio
actual, la prediccin del precio de maana se debe basar slo en el hecho de que hoy el
precio de esas acciones es conocido.
En la actualidad, el consenso es que para la mayor parte de las acciones se puede
describir con una cadena de Markov.

Pgina 63 de 97
A esta idea se le llama con frecuencia hiptesis del mercado eficiente.

eficiente
5.3.1 Condiciones de equilibrio

Supongamos que existe una competencia en el mercado entre tres proveedores, A, B,
C (marcas respectivas).
En la siguiente tabla observamos que de los
compradores que hoy compran un producto de la
marca A, en un determinado periodo de tiempo un
30% volver a comprar esta marca, un 40% cambiar
a la marca B y un 30% a la marca C.
Los datos para B y C se muestran en la figura y se
representan en la siguiente tabla.
hasta
A B C
A 0.3 0.4 0.3
desde B 0.4 0.1 0.5
C 0.1 0.3 0.6
Veamos cual ser a largo plazo la participacin en el mercado de las marcas A, B y C ,

siendo las participaciones actuales en el mercado de A, B y C, 40%, 50% y 10% en un
primer periodo:
Para la obtencin de estos datos se ha seguido el mismo procedimiento de la seccin
anterior. La situacin inicial: xA (0)= 40%; xB (0)= 50%; xC (0)= 10%. Por lo que tras un
primer periodo la participacin en el mercado es de:
0.3 0.4 0.3
[ 40 50 10] 0.4 0.1 0.5 = [33 24 43]
0.1 0.3 0.6
Las operaciones se han obtenido del siguiente modo:
xA(1) = 0,3 0,4 + 0,4 0,5 + 0,1 0,1 = 33%
xB(1) = 0,4 0,4 + 0,1 0,5 + 0,3 0,1 = 24%
xC(1) = 0,3 0,4 + 0,5 0,5 + 0,6 0,1 = 43%
Si ahora intentamos conseguir los datos luego de un segundo periodo tomaremos los
datos obtenidos del periodo anterior como datos iniciales y obtendremos un nuevo vector.
Esto es:
0.3 0.4 0.3
[33 24 43] 0.4 0.1 0.5 = [ 23.8 28.5 47.7]
0.1 0.3 0.6
Las operaciones fueron mas o menos las siguientes:
xA(2) = 0,3 0,33 + 0,4 0,24 + 0,1 0,43 = 23,8%
xB(2) = ............................................................. = 28,5%
xC(2) = ............................................................. = 47,7%

Pgina 64 de 97
T
En notacin matricial se escribe X t+1 = P X t donde PT es la traspuesta de P = (pij) y
X X
tanto t como t+1 son los vectores de participacin en el mercado en el periodo t, t+1
respectivamente.
Tras varias iteraciones, suponemos que estas participaciones de mercado tienden a un
estado equilibrado:
XA=22,6% XB=26,9% XC=50,5%
Esto quiere decir, que para todos los productos y para cada periodo de tiempo
(sucesivo) se cumple que:
Participacin de mercado antigua = Participacin de mercado nueva
X = PT X
Por lo que:
X A = 0.3 X A + 0.4 X B + 0.1X C
X B = 0.4 X A + 0.1X B + 0.3 X C
X C = 0.3 X A + 0.5 X B + 0.6 X C
Luego de igualar a cero, estas ecuaciones pueden ser escritas como:
X A 0.3 X A 0.4 X B 0.1X C = 0 0.7 X A 0.4 X B 0.1X C = 0
X B 0.4 X A 0.1X B 0.3 X C = 0 0.4 X A + 0.9 X B 0.3 X C = 0
X C 0.3 X A 0.5 X B 0.6 X C = 0 0.4 X A 0.9 X B + 0.4 X C = 0
Como podemos observar, tenemos un sistema de ecuaciones homogneo. Suprimimos
la tercera ecuacin, pero aadimos la ecuacin correspondiente a que la suma de
participaciones en el mercado ha de ser el 100%.
X A + X B + XC = 1
Si ahora utilizamos un mtodo se solucin para las dos primeras ecuaciones (no
tomaremos en cuenta la 3) pero adems incluimos la cuarta ecuacin entonces podemos
obtener una solucin para los valores de XA, XB y XC.
Los valores correspondientes son:
xA 22, 58%;
xB 26,88%
xC 50,54%
En nuestro ejemplo, el estado de equilibrio que se alcanza es independiente de la
eleccin de los valores iniciales, estamos hablando de cadenas de Markov ergdicas.
5.3.2 Usos del anlisis de Markov

La ciencia administrativa ha desarrollado mtodos de anlisis y herramientas
cuantitativas para la toma de decisiones objetivas.
Un factor importante que se debe considerar al seleccionar una herramienta de toma
de decisiones es su grado de confiabilidad, ya que as la incertidumbre y el riesgo resultan
menores.
Las cadenas de Markov le permiten a uno predecir los cambios con el tiempo cuando la
informacin sobre la conducta de los sistemas es conocida. Aunque el uso ms conocido
de esta tcnica es la prediccin de lealtad a marcas (la conducta de los consumidores en
relacin a marcas con el tiempo), el anlisis de Markov tambin tiene un uso considerable
en reas de contabilidad (el movimiento de clientes con crdito de una clasificacin de

Pgina 65 de 97
recuperacin a otra) y la administracin financiera general (el movimiento de compaa de

un estado de viabilidad financiera a otro).
ACTIVIDADES

similares a los analizados en esta seccin, elabore matrices de transicin y el diagrama de
estados.
EVALUACION
Como resultado de estudios hechos desde la secundaria, un estudiante puede

tener en un semestre dado un promedio general inferior a 7, en cuyo caso se ha visto
que trabajar ms durante el siguiente semestre para elevar su promedio y lograr
tener un promedio general mayor o igual a 7 con una probabilidad de .8. Pero si el
estudiante tiene en un semestre un promedio general mayor o igual a 7, entonces
tender a flojear ms el prximo semestre y caer por debajo del promedio de 7 con
probabilidad de .3.
i. Encuentre la matriz de transicin que representa a esta cadena de Markov.
ii. Suponiendo que el estudiante empieza su carrera con un promedio
general de 6.5, cul es la probabilidad de que el estudiante lograr un promedio mayor
o igual a 7 despus del cuarto semestre?
iii. Estime aproximadamente cul es la probabilidad de que el estudiante
termine su carrera con un promedio general mayor o igual a 7.

Pgina 66 de 97
VI. PROGRAMACIN DINMICA.

Muchos problemas de programacin matemtica determinan soluciones que
repercuten en la formulacin de los problemas a resolver en el prximo perodo o etapa.
Una alternativa es construir un nico modelo completo que tenga un gran conjunto de
variables indexadas por etapas e internalizar las relaciones entre etapas como una
restriccin del problema.
Sin embargo esto pude agrandar mucho el tamao del problema. Surge as
Programacin Dinmica (PD) como una alternativa de descomposicin en que resolvemos
subproblemas ms pequeos y luego los ligamos 2. As, programacin dinamia consiste en
solucionar el presente suponiendo que en cada etapa futura siempre se tomaran las
decisiones correctas.
La programacin dinmica consiste en una tcnica que permite determinar de manera
eficiente las decisiones que optimizan el comportamiento de un sistema que evoluciona a
lo largo de una serie de etapas. En otras palabras, trata de encontrar la secuencia de
decisiones que optimiza el comportamiento de un proceso de muchas etapas.
La naturaleza del razonamiento que se debe realizar en programacin dinmica es muy
diferente al de la programacin lineal. En programacin lineal, intenta describir una
determinada situacin en trminos de un modelo matemtico determinado; una vez
conocida la naturaleza de las variables de decisin, y expresadas la funcin objetivo y las
restricciones en funcin de esas variables, la resolucin del modelo puede confiarse, sin
mayores problemas, a un programa informtico. La programacin dinmica no admite una
resolucin sistemtica de este tipo; ms que un modelo concreto, es una estrategia de
resolucin comn a muchas situaciones en principio diferentes entre s. Adems, es
frecuente que la resolucin del modelo est muy relacionada con la situacin que se ha de
modelar. En contrapartida, las simplificaciones que en ocasiones deben realizarse en
programacin lineal para poder resolver el modelo no son necesarias en programacin
dinmica, que admite gran variedad de relaciones entre variables.

A continuacin se enumeran algunas de las caractersticas que debe de presentar
un programa de programacin dinmica para ser considerado como tal.
1. Una de las caractersticas esenciales es la toma de decisiones en secuencia.
2. El problema se puede dividir en etapas, las cuales requieren de una poltica de
decisin, en cada una de ellas.
3. Es necesario conocer pocos datos para describir el problema en cada etapa.
4. La dependencia del resultado de las decisiones de una pequea cantidad de
variables.
5. En cualquier etapa, el resultado de una decisin, altera los valores numricos de la
pequea cantidad de variables relacionadas con el problema.
6. Cada etapa tiene un cierto nmero de estados asociados a ella.
7. Estos son las distintas condiciones posibles en las que se puede encontrar el
sistema en cada etapa del problema.
8. El efecto de la poltica de decisin en cada etapa, es transformar el estado actual en
un estado asociado con la siguiente etapa.
9. La decisin real no aumenta ni disminuye el nmero de factores de los que
dependen los resultados.

Pgina 67 de 97
10. El procedimiento de solucin est diseado para encontrar una poltica de solucin
ptima, para el problema planteado.
11. Cualquier problema de programacin dinmica proporciona este tipo de poltica
sobre qu hacer en todas las circunstancia posibles. A esto se debe que la decisin
real que se tome al llegar a un estado en particular se llama poltica de decisin. El
proporcionar esta informacin adicional ms all de especificar una solucin optima
(secuencia optima de decisiones), puede ser muy valiosa en muchas situaciones que
incluyen el anlisis de sensibilidad.
12. La programacin dinmica nos permite llegar a decisiones ptimos para los
perodos o etapas que todava estn en el futuro, a pesar de las decisiones
incorrectas que se hayan tomado en el perodo.
13. Dado el estado actual, una poltica ptima para las etapas restantes es
independientes de la poltica adoptada en etapas anteriores situacin llamada
principio de optimalizad.
14. El procedimiento de solucin se inicia al encontrar la poltica ptima para las
ltimas etapas. Ya que esta prescribe la poltica optima de decisin para cada
estado posible en esa etapa.
15. Se establece una funcin recursiva que identifique la poltica ptima para la etapa n
dada la poltica ptima para la etapa (n+1).
Dentro de un modelo de PD se pueden identicar tres elementos importantes, que son:

las etapas, las alternativas en cada etapa y los estados para cada etapa.
De estos tres elementos, el ms importante es la denicin de estado.
El estado del sistema se considera como la informacin que une cada etapa, de tal
manera que se puedan tomar decisiones ptimas para las etapas restantes reexaminando
la forma en la cual se lleg a las decisiones para las etapas previas.
PRINCIPIO DE OPTIMALIDAD. Las futuras decisiones para las etapas restantes
constituirn una poltica ptima, sin importar cual haya sido la poltica adoptada en las
etapas previas.
Los clculos en la PD se hacen recursivamente, en el sentido de que la solucin de un
subproblema se utiliza como una entrada para el siguiente subproblema. Para el momento
en que resolvamos el ltimo subproblema, tendremos a la mano la solucin ptima para
todo el problema. La forma en la cual se hacen los clculos recursivos depende de la forma
en la cual descomponemos el problema original.
Existen dos formas de realizar estos clculos recursivos. Una forma es la recursin
hacia adelante, en la cual los clculos avanzan de la primera etapa hasta llegar a la ltima
etapa. La otra forma es la recursin hacia atrs, en la que los clculos empiezan de la
ltima etapa y terminan con la primera etapa.

Pgina 68 de 97
6.2 Descomposicin.
La tcnica Dividir para Conquistar (o Divide y Vencers) consiste en descomponer el
caso que hay que resolver en subcasos ms pequeos, resolver independientemente los
subcasos y por ltimo combinar las soluciones de los subcasos para obtener la solucin del
caso original.
Frecuentemente para resolver un problema complejo se tiende a dividir este en
subproblemas ms pequeos, resolver estos ltimos (recurriendo posiblemente a nuevas
subdivisiones) y combinar las soluciones obtenidas para calcular la solucin del problema
inicial.
Puede ocurrir que la divisin natural del problema conduzca a un gran nmero de
subejemplares idnticos. Si se resuelve cada uno de ellos sin tener en cuenta las posibles
repeticiones, resulta un algoritmo ineficiente; en cambio si se resuelve cada ejemplar
distinto una sola vez y se conserva el resultado, el algoritmo obtenido es mucho mejor.
Esta es la idea de la programacin dinmica: no calcular dos veces lo mismo y utilizar
normalmente una tabla de resultados que se va rellenando a medida que se resuelven los
subejemplares.
La programacin dinmica es un mtodo ascendente. Se resuelven primero los
subejemplares ms pequeos y por tanto ms simples. Combinando las soluciones se
obtienen las soluciones de ejemplares sucesivamente ms grandes hasta llegar al
ejemplar original.
En conclusin un problema grande y nico puede descomponerse en una secuencia de
subproblemas ms pequeos y fciles de resolver. Los problemas que implican adicin o
multiplicacin son ejemplos de problemas que pueden desagregarse.
En la desagregacin de un problema se encuentran implcitos los siguientes
supuestos:
a) El problema grande puede resolverse a travs de una secuencia de decisiones, y
b) los problemas menores pueden resolverse con mayor facilidad.
c) El principio de optimalidad de Bellman, que dice:
Un conjunto de decisiones tiene la propiedad de que, si una decisin
determinada es ptima, entonces todas las decisiones subsecuentes, que dependen
de esa decisin especfica, tambin son ptimas.
EJEMPLO
Si el camino ms corto de Santiago a Copiap pasa por La Serena, la parte del camino
de Santiago a La Serena ha de ser necesariamente el camino mnimo entre estas dos
ciudades.
Podemos aplicar esta tcnica en:
Camino mnimo en un grafo orientado
rboles de bsqueda ptimos
EJEMPLO
Se desea pagar una cantidad de dinero a un cliente empleando el menor nmero
posible de monedas. Los elementos del esquema anterior se convierten en:
Candidato: conjunto finito de monedas de, por ejemplo, 1, 5 y 10 unidades, con una
moneda de cada tipo por lo menos.
Solucin: conjunto de monedas cuya suma es la cantidad a pagar.

Pgina 69 de 97
Completable: la suma de las monedas escogidas en un momento dado no supera la

cantidad a pagar.
Funcin de seleccin: la moneda de mayor valor en el conjunto de candidatos an no
considerados.
Funcin objetivo: nmero de monedas utilizadas en la solucin.
6.3 Etapas, variables de estado, rendimientos, decisiones

y relaciones recurrentes.
Antes de pasar a la realizacin de algunos ejemplos proponemos tener claras las
siguientes definiciones:
Estado es la situacin del sistema en un momento determinado.
La variable de estado define la condicin en el que se encuentra el sistema. La
variable de estado relaciona la etapa actual con la anterior. La variable de estado permite
calcular la cantidad restante del recurso escaso, y junto con la decisin se utiliza para
calcular el resultado de la etapa, es decir el rendimiento, rn, de la etapa n. El rendimiento
en cualquier etapa es la contribucin a utilidades, de dicha etapa. Las variables de estado
de etapas sucesivas se enlazan a travs de la relacin recurrente, que calcula el valor de
xn-1 mediante xn y la decisin en esa etapa, dn.
xn son las variables de estado y dn es la decisin tomada.
En la siguiente figura:
di es la produccin del mes i.
ri, son las utilidades de di y xi.
La demanda restante antes de la etapa n, xn, menos la cantidad fabricada en la etapa
n, dn es igual a la demanda no satisfecha en la etapa n1. La utilidad en la etapa n, para
una decisin particular, ser la utilidad asociada con dn ms la mayor utilidad asociada
con xn-1=xndn, que es la demanda restante despus de fabricar dn.

Pgina 70 de 97
6.4 Aplicacin de la programacin dinmica.

Algunas de las aplicaciones que se le han encontrado a la programacin dinmica son:
Asignacin de Recursos:
Recursos Maximizar los beneficios totales del uso de recursos
asignados para un cierto proyecto.
Programacin Cronolgica de Produccin:
Producci Cumplir demandas especficas por
perodo durante un horizonte dado de planeacin, de manera que se minimicen
los costos totales de produccin y de inventario.
Problemas de Ajuste:
Ajuste Encontrar un surtido de tamaos estndar de un producto
de manera que se minimice el desperdicio o el costo total de produccin.
Operaciones de Proceso de Mltiples Etapas:
Etapas Un producto debe procesarse en
una secuencia preestablecida a travs de un cierto nmero de mquinas, cada
una de las cuales realiza diferentes cantidades de procesamiento. El objetivo
consiste en maximizar la tasa general de procesamiento de la planta.
Control de Procesos Qumicos:
Qumicos Un producto debe someterse a una secuencia de
reacciones qumicas. El objetivo es minimizar el costo del producto final.
La programacin dinmica es una tcnica muy til pata tomar decisiones
interrelacionadas. Requiere del planteamiento de una relacin recursiva apropiada para
cada problema individual. Sin embargo, da lugar a un gran ahorro de clculos comparando
con el uso de la enumeracin exhaustiva para hallar la mejor combinacin de decisiones,
en especial para problemas grandes.
Es importante porque algunos algoritmos recursivos son mucho ms compactos y
elegantes que los algoritmos no recursivos equivalentes. Por eso quien domina las tcnicas
bsicas de programacin debe saber usar recursividad.
La Programacin Dinmica Iterativa, disminuye los problemas de dimensionalidad y de
interpolacin. Se han considerado en particular procesos en los que se desea que una o
ms variables de estado alcancen determinados valores finales dentro de tolerancias
especificadas y que adems se minimice un ndice de comportamiento. Modificaciones en
el ndice de desempeo aumentado generan la necesidad de realizar pasos con iteraciones
adicionales. Dicho procedimiento recibe el nombre de Programacin Dinmica Iterativa
Multipaso (PDIM).
En las secciones siguientes veremos dos ejemplos prcticos.
6.5 Solucin a los problemas de ruta ms corta.

Muchas aplicaciones de la programacin dinmica se reducen a encontrar la
trayectoria ms corta (o la ms larga) en una red dada.
El siguiente ejemplo muestra cmo se puede usar la programacin dinmica (avanzar
hacia atrs) para determinar la trayectoria ms corta en una red.

Pgina 71 de 97
EJEMPLO
Juan Prez vive en la ciudad de Nueva York, pero est pensando en conducir hasta Los
ngeles para buscar fama y fortuna.
Su dinero es escaso y, por lo tanto, ha decidido pasar cada noche de su viaje en la casa
de un amigo.
Tiene amigos en Columbus, Nashville, Louisville, Kansas City, Omaha, Dallas, San
Antonio y Denver.
Juan sabe que despus de conducir un da puede alcanzar Columbus, Nashville o
Louisville.
Despus de conducir dos das puede llegar a Kansas City, Omaha o Dallas.
Despus de tres das de conducir puede llegar a San Antonio o Denver.
Por ltimo, despus de 4 das de conducir, puede llegar a Los ngeles.
Para reducir al mnimo el nmero de millas recorridas, dnde debe pasar cada noche
del viaje?
En la Figura se muestran las distancias reales por carretera entre las ciudades
mencionadas.

Pgina 72 de 97
SOLUCION:
Juan necesita conocer la ruta ms corta entre Nueva York y Los Angeles en la Figura.
Nosotros la encontraremos avanzando hacia atrs. Hemos clasificado todas las
ciudades en las que puede estar Juan al principio del nsimo da de su viaje, como
ciudades de la etapa n. Por ejemplo, como Juan slo puede estar en San Antonio o en
Denver al principio del cuarto da (el primer da comienza cuando Juan sale de Nueva York),
clasificamos a San Antonio y a Denver como ciudades de la etapa 4.
La razn para clasificar las ciudades segn las etapas se ver ms tarde.
La idea de avanzar en marcha atrs quiere decir que debemos comenzar por resolver
un problema fcil que al final nos ayude a resolver un problema complejo.
Por lo tanto, comenzaremos por encontrar la ruta ms corta a Los ngeles desde cada
ciudad de donde slo hay un da de marcha, que son las ciudades de la etapa 4.
A continuacin usaremos esta informacin para determinar la ruta ms corta a Los
ngeles desde cada ciudad desde la cual haya slo dos das de marcha, o sea, las ciudades
de la etapa 3.
Con esta informacin, podremos determinar la distancia ms corta que hay hasta Los
ngeles desde cada una de las ciudades que estn a una distancia de tres jornadas de
manejo (ciudades de etapa 2).
Por ltimo, determinamos la distancia ms corta hasta Los ngeles a partir de cada
una de las ciudades (slo hay una: Nueva York), que est alejada cuatro jornadas de
manejo.
Para simplificar la explicacin, usaremos los nmeros 1, 2, ... ,10 que se ven en la
Figura y con esto identificamos las 10 ciudades.
Tambin definimos que cij es la distancia por carretera que hay entre la ciudad i y la
ciudad j
Por ejemplo, c35 = 580 es la distancia por carretera entre Nashville y Kansas City.
Sea f(i) t la longitud de la trayectoria ms corta desde la ciudad i hasta Los ngeles,
dado que la ciudad i es una ciudad de la etapa t.
CALCULO DE LA ETAPA 4
Primero determinamos la trayectoria ms corta a Los ngeles a partir de cada una de
las ciudades de la etapa 4.
Vemos de inmediato que F4(8)=1,030, la trayectoria ms corta de Denver a Los ngeles
Igualmente, F4(9)=1,390, que es la trayectoria ms corta (y nica) de San Antonio a Los
ngeles.
CALCULO
A continuacin avanzaremos hacia atrs una etapa, a las ciudades de la etapa 3, para
determinar la trayectoria ms corta que hay desde cada ciudad de etapa 3 hasta Los
ngeles.
Por ejemplo, para determinar F3(5) observamos que la trayectoria ms corta desde la
ciudad 5 hasta Los ngeles debe ser una de las siguientes:
Trayectoria 1 Pasar de la ciudad 5 a la ciudad 8, y a continuacin, tomar la ruta
ms corta de la ciudad 8 a la ciudad 10.
Trayectoria 2. Pasar de la ciudad 5 a la ciudad 9 y, a continuacin, tomar la ruta
ms corta desde la ciudad 9 hasta la ciudad 10.

Pgina 73 de 97
La longitud de la trayectoria 1 se puede representar como C58+F4(8) y la de la

trayectoria 2 como C59+F4(9)
Por lo tanto, la distancia ms corta de la ciudad 5 a la ciudad 10 se puede representar
por:
c + F4 (8) = 610 + 1030 = 1640*
f3 (5) = min 58
c59 + F4 (9) = 790 + 1390 = 2180
Con ello hemos demostrado que F3(5)=1640 la trayectoria ms corta de la ciudad 5 a
la 10 es la 5-- 810.
Observe que para obtener este resultado aplicamos nuestro conocimiento de F4(8) y
F4(9)
Igualmente para encontrar F3(6) notaremos que la trayectoria ms corta a Los Angeles
partiendo de la ciudad 6 debe comenzar pasando por la ciudad 8 o la 9.
Esto nos conduce a las ecuaciones siguientes:
c + F4 (8) = 540 + 1030 = 1570*
f3 (6) = min 68
c69 + F4 (9) = 940 + 1390 = 2330
Entonces para F3(6)=1570 es la trayectoria ms corta desde la ciudad 6 hasta la
ciudad 10 es la 6810.
Para encontrar F3(7) vemos que:
c + F4 (8) = 790 + 1030 = 1820
f3 (7) = min 78
c79 + F4 (9) = 270 + 1390 = 1660*
Por lo tanto, F3(7)=1660, y la trayectoria ms corta de la ciudad 7 a la 10 es la 79
10.
CALCULO
Como sabemos los valores de F3(5), F3(6) y F3(7), es fcil avanzar marcha atrs una
etapa ms y calcular F2(2), F2(3) y F2(4), por lo tanto, las trayectorias ms cortas de las
ciudades 2, 3 y 4, respectivamente, hasta Los Angeles.
Para mostrar cmo se hace, determinamos la trayectoria ms corta, y su longitud, de la
ciudad 2 a la ciudad 10.
Dicho recorrido debe comenzar pasando de la ciudad 2 a la 5, 6 o 7.
Una vez que esta trayectoria ms corta pase por las ciudades 5, 6 o 7, se deduce que la
trayectoria debe ser de longitud mnima desde esas ciudades hasta Los Angeles.
La lgica demuestra que la trayectoria ms corta de la ciudad 2 a la 10 debe ser una
de las siguientes:
Trayectoria 1. Ir de la ciudad 2 a la ciudad 5. Despus seguir una trayectoria
mnima de la ciudad 5 a la ciudad 10. Una trayectoria de este tipo tiene una
longitud total de C25+ F3(5).
Trayectoria 2. Ir de la ciudad 2 a la ciudad 6. A continuacin, seguir una
trayectoria mnima de la ciudad 6 a la 10. Una trayectoria de este tipo tiene una
longitud total de C26+ F3(6).
Trayectoria 3. Ir de la ciudad 2 a la ciudad 7. A continuacin, seguir una
trayectoria mnima de la ciudad 7 a la ciudad 10. Esta trayectoria tiene una
longitud total C27+ F3(7).

Pgina 74 de 97
Podemos concluir que:

c25 + F3 (5) = 680 + 1640 = 2320*

f 2 (2) = min c26 + F3 (6) = 790 + 1570 = 2360
c + F (7) = 1050 + 1660 = 2710
27 3
As, F2(2)=2320 y la trayectoria ms corta de la ciudad 2 a la 10 es pasar de la ciudad
2 a la 5 y, luego seguir la trayectoria ms corta de la ciudad 5 a la 10 (5810).
Igualmente:
c35 + F3 (5) = 580 + 1640 = 2220*

f 2 (3) = min c36 + F3 (6) = 760 + 1570 = 2360
c + F (7) = 660 + 1660 = 2320
37 3
As, F2(2)=2320 y la trayectoria ms corta de la ciudad 3 a la 10 consiste en el arco 3

5 y la trayectoria ms corta de la ciudad 5 a la 10 es (5810).
De igual modo,
c45 + F3 (5) = 510 + 1640 = 2150*

f 2 (4) = min c46 + F3 (6) = 700 + 1570 = 2270
c + F (7) = 830 + 1660 = 2490
47 3
Entonces F2(4)=2320, y la trayectoria ms corta de la ciudad 4 a la 10 es el 45 y la
trayectoria ms corta de la ciudad 5 a la 10 es (5-8-10).
CALCULO
Podemos usar ahora lo que sabemos de F2(2), F2(3) y F2(4), para avanzar marcha atrs
una etapa ms y determinar F1(1) y la trayectoria ms corta de la ciudad 1 a la ciudad 10.
Observe que esta ltima trayectoria debe comenzar pasando por la ciudad 2, la 3 o la
4.
Esto quiere decir que la distancia ms corta de la ciudad 1 a la 10 debe ser una de las
siguientes:
Trayectoria 1. Ir de la ciudad 1 a la 2 y, luego seguir una trayectoria mnima de
la ciudad 2 a la ciudad 10. La longitud de esa trayectoria es C12+ F2(2).
Trayectoria 2. Ir de la ciudad 1 a la 3 y, luego seguir una trayectoria mnima de
la ciudad 3 a la ciudad 10. La longitud de esta trayectoria es C13+ F2(3).
Trayectoria 3 Ir de la ciudad 1 a la 4 y, luego seguir una trayectoria mnima de la
ciudad 4 a la 10. La longitud de esa trayectoria es C14+ F2(4).
Entonces, tenemos que:
c12 + F2 (2) = 550 + 2320 = 2870*

f1 (1) = min c13 + F2 (3) = 900 + 2220 = 3120
c + F (4) = 770 + 2150 = 2920
14 2
Entonces, F1(1)=2870 es la trayectoria mnima desde la ciudad 1 a la 10 y va de la
ciudad 1 a la 2 y a continuacin, sigue la trayectoria ms corta de la ciudad 2 a la 10.

Pgina 75 de 97
Si vemos lo hecho en los clculos de F2(2), vemos que la trayectoria ms corta de la

ciudad 2 a la 10 es 25810.
Al traducir los identificadores numricos a nombres de ciudades, vemos que la ruta
ms corta de Nueva York a Los ngeles pasa por Nueva York, Columbus, Kansas City,
Denver y Los ngeles.
Esta trayectoria tiene una longitud F1(1)=2870 millas.
En el Ejemplo hubiera sido ms fcil determinar la distancia ms corta enumerando

todas las trayectorias posibles.
Despus de todo, slo hay 3*3*2 = 18 trayectorias.
As, en este problema, el usar la programacin dinmica no sirvi mucho para abreviar.
Sin embargo, en redes ms grandes, la programacin dinmica es mucho ms eficaz
para determinar una trayectoria mnima que la enumeracin explcita de todas las
trayectorias.
6.6 Solucin a los problemas de finanzas y ventas

En las finanzas y las ventas sobre todo por parte del comprador es necesario
conocer cuales artculos son los ms apropiados a la hora de comprar y en qu cantidad es
hacerlo por lo mismo propongo como ejemplo considerar un barco que necesita ser
cargado con uno o tres artculos y la intencin del barco es maximizar los ingresos totales,
en la tabla se muestra el peso en toneladas (wi) y el ingreso por unidad (ri) en miles de
dlares para el articulo (i).
Articulo (i) Wi Ri
1 2 31
2 3 47
3 1 14
Como los pesos unitarios wi y el peso mximo W son enteros, el estado xi solo puede
contener valores enteros.
Iniciaremos la etapa 3
No se conoce el peso que se debe de asignar del articulo tres lo que si conocemos es
que puede ser que no se asigne nada o que se asigne el peso todo el peso del articulo tres
por lo que los estados pueden ser X3=0 X3=4 representando con esto la idea de no
embarcar nada a este barco o embarcarlo con la mxima capacidad de este articulo. Si Xi
es diferente de estos valores equivale a llevar cargado el barco parcialmente con este
artculo. La cantidad mxima a cargar de este articulo en conclusin es de 4, pero pueden
existir alternativas (M) como 0, 1, 2 y 3.
Matemticamente: W3M3X3 siendo W el peso del barco, M el numero de alternativas
posibles y X3 el numero de estado.

Pgina 76 de 97
En la siguiente tabla se muestran todas aquellas alternativas factibles:

(14)(M3) Solucin Optima
X3 M3=0 M3=1 M3=2 M3=3 M3=4 F3(x3) M3
0 0 --- --- --- --- 0 0
1 0 14 --- --- --- 14 1
2 0 14 28 --- --- 28 2
3 0 14 28 42 --- 42 3
4 0 14 28 42 56 56 4
Las rayitas en la tabla indican que no importa qu valor contengan, por ejemplo en la
columna M3=2 cuando el estado es 2 la cantidad (ri) es de 28 y as seguir hasta el estado
4.
Valores de la 2 etapa
Igual que el ejemplo es necesario tener conocimiento de la etapa anterior con el fin de
restar a esta etapa los valores obtenidos de la etapa anterior. A modo de sntesis le
presento la siguiente tabla con las siguientes observaciones:
El peso es entero por lo tanto solo es posible que M2=0 si se considera que el
barco no lleva de este articulo o M2=1 si el barco lleva un artculo con peso de 3
toneladas (dato de la tabla del ejemplo).
Adems hay que considerar que se tomara en cuenta este valor a partir del
estado 3 para cuando M2=1, esto es debido al punto anterior.
47M2+F3(X23M2) Solucin Optima
X2 M2=0 M2=1 F2(x2) M2
0 0+0=0 --- 0 0
1 0+14=14 --- 14 0
2 0+28=28 --- 28 0
3 0+42=42 47+0=47 47 1
4 0+56=56 47+14=61 61 1
Valores de la 1 etapa.
Esta es la etapa final, en ella igual que en la anterior se consideraran los estados
anteriores y adems las opciones ahora son 0, 1 y 2, dado que los pesos posibles en entero
pueden solo ser 0, 2 y 4. La tabla es entonces:
31M1+F2(X12M1) Solucin Optima
X1 M1=0 M1=1 M1=2 F1(x1) M1
0 0+0=0 --- ---- 0 0
1 0+14=14 --- ---- 14 0
2 0+28=28 31+0=31 ---- 31 1
3 0+47=47 31+14=45 ---- 47 0
4 0+61=61 31+28=59 62+0=62 62 2
La solucin ptima se determina ahora de la siguiente manera: dado que el barco solo
puede cargar W=4 toneladas y nos encontramos en la etapa final con una solucin mxima
de 62,000 cuando M1=2 de la observacin vemos entonces que lo mejor es cargar el barco

Pgina 77 de 97
con 2 unidades del artculo 1, en donde cada unidad de esta pesa 2 toneladas, dando un
total de 4 toneladas. Por lo tanto en este punto X1=4.
De los artculos 2 y 3 no se carga nada.
X2= X12M1=4(2)(2)=0
Aqu es importante mencionar que cuando X2=0 entonces tambin M2=0 de lo que
podemos obtener la solucin para X3.
X3= X23M2=0(3)(0)=0
Concluyendo solo llevaremos dos unidades del artculo 1 dando un costo de $62,000
ACTIVIDADES

similares a los analizados en esta seccin, repselos con sus compaeros de grupo y
posteriormente realice la evaluacin.
EVALUACION
El alcalde Bassan se desea reelegir por el condado de Washington. Los fondos

disponibles para su campaa son de 10,000. Aunque al comit de reeleccin le gustara la
campaa en los cinco barrios del condado, pero no lo permiten los fondos limitados. La
tabla siguiente muestra la poblacin de electores y la cantidad de fondos necesarios para
lanzar una buena campaa en cada barrio.
Bar Poblaci Fondo
rio n requerido
1 3100 3500
2 2600 2500
3 3500 4000
4 2800 3000
5 2400 2000

Pgina 78 de 97
VII. JUEGOS Y ESTRATEGIAS

La teora de Juegos se utiliza para resolver problemas de toma de decisiones donde la
misma est sujeta a factores de diversa ndole entre dos o ms individuos, existiendo
incertidumbre respecto de la decisin que adoptar el otro jugador, siendo que el resultado
que obtendr por su eleccin cada jugador depende de la eleccin del otro. Adems, la
decisin puede ser tomada en forma simultnea o secuencial (respecto al otro jugador).
Sabiendo cada jugador que el resultado de su eleccin depender de lo que adopte el otro,
tendr esto en cuenta al tomar su decisin, es decir, elegir su estrategia ptima de modo
tal de obtener el mximo beneficio posible dada la mejor estrategia que puede adoptar el
adversario siendo que este tambin efecta dicho razonamiento.
Existen numerosos ejemplos en la economa de lo que estamos diciendo: imagnese
que Pepsi y Coca Cola compiten entre s, y deben decidir entre una de las siguiente cinco
opciones: mejorar la calidad de sus productos, incrementar las campaas publicitarias,
mejorar la belleza del etiquetado de sus productos, reducir los precios, o efectuar alguna
promocin especfica. El objetivo de ambas empresas es incrementar las ventas a los fines
de maximizar sus ingresos, pero no pueden decidir qu estrategia jugaran sin pensar que
har la otra, ya que podran estar eligiendo una estrategia intil. Por ejemplo, si Coca Cola
gasta mucho en avisos publicitarios pero Pepsi reduce sustancialmente el precio de sus
botellas (digamos un 50%), entonces posiblemente Pepsi le quitara mercado a Coca Cola,
con lo cual quizs a Coca Cola le hubiera convenido reducir sus precios en lugar de gastar
en una campaa. Ahora, si Pepsi sabe que Coca Cola piensa reducir sus precios, quizs ya
no le convenga reducirlos, sino efectuar un concurso para ir al prximo mundial cuyos
premios vengan en las tapitas de las botellas,... en definitiva hay mltiples posibles
opciones, pero lo importante es saber que la mejor estrategia para cada empresa
depender de cual es la mejor estrategia de la otra empresa, es decir, las mismas estn
interrelacionadas. Modelar esto en forma total es muy difcil, pero podemos hacer
supuestos que acoten a dos las opciones disponibles, y construir a modo de ejemplo un
juego bsico entre dos empresas.

La teora de los juegos es una rama de la matemtica con aplicaciones a la economa,
sociologa, biologa y psicologa, que analiza las interacciones entre individuos que toman
decisiones en un marco de incentivos formalizados (juegos). En un juego, varios agentes
buscan maximizar su utilidad eligiendo determinados cursos de accin. La utilidad final
obtenida por cada individuo depende de los cursos de accin escogidos por el resto de los
individuos.
La Teora de los Juegos comienza con los trabajos de Srmelo (1913), quin muestra
que juegos como el ajedrez son resolubles. Borel (1921) y Von Neumann (1959) en los aos
20 estudian los equilibrios de tipo mnimax en juegos de suma cero, es decir, juegos en los
que lo que gana un jugador lo pierde su rival.
Sin embargo, el primer avance importante ocurre en los aos 40, con la publicacin del
libro sobre Teora de Juegos de Neumann and Morgenstern (1944) que divulg una
formalizacin general de juegos en su forma extendida y normal, introdujo el concepto de
estrategia en juegos extensivos y propuso aplicaciones. En los aos 50 hubo un desarrollo

Pgina 79 de 97
importante de estas ideas en Princeton, con Luce and Rafia (1957), difundiendo los
resultados en su libro introductorio, Kuhn (1953) trabajando en definir el concepto de
informacin en juegos, Shapley (1953) que permiti establecer una forma de atacar los
juegos cooperativos (es decir, aquellos en los que los jugadores pueden establecer
contratos para actuar en forma mancomunada) y por fin Nash (1950) quin defini el
equilibrio que lleva su nombre, lo que permiti extender la teora a juegos no cooperativos
ms generales que los de suma cero. Durante esa poca, el Departamento de Defensa de
los Estados Unidos fue el que financi las investigaciones sobre el tema, debido a que la
mayor parte de las aplicaciones de los juegos de tipo suma cero se concentraban en temas
de estrategia militar.
En los aos 60 y 70 Harsany (1967) extendi la teora de juegos a juegos de
informacin incompleta, es decir, aquellos en que los jugadores no conocen todas las
caractersticas del juego, por ejemplo, no saben lo que obtienen los otros jugadores como
recompensa. Ante la multiplicidad de equilibrios de Nash, muchos de los cuales no eran
soluciones razonables a juegos, Selten (1975) defini el concepto de equilibrio perfecto en
el subjuego para juegos de informacin completa y una generalizacin para el caso de
juegos de informacin imperfecta.
El principal objetivo de la Teora de los Juegos es determinar patrones de conducta
racional en situaciones donde compiten dos o ms jugadores, y donde los resultados
dependen de la interaccin de las estrategias que despliegan.
Su aplicacin es apropiada para problemas donde quienes toman las decisiones no
poseen un control completo de los factores que influyen en el resultado, y donde se
presentan influencias y determinaciones mutuas.
Cada juego involucra a individuos u organizaciones con metas diferentes u objetivos
contrastados. Los intereses particulares se expresan a travs de diferentes estrategias.
El objetivo de los jugadores es maximizar su utilidad. Todos son racionales,
inteligentes y estn bien informados. Conocen todo el conjunto de estrategias disponibles
no slo para ellos sino para sus rivales y los resultados de todas las combinaciones de
estrategias disponibles.
Dentro de la Teora de los Juegos es posible distinguir dos grandes reas de estudio:
La Teora de los Juegos No Cooperativos,
Cooperativos que estudia como los individuos
racionales actan recprocamente entre s en un esfuerzo por lograr maximizar
sus propias metas. La maximizacin de las metas particulares significa en este
caso el mayor valor a lograr, y generalmente coincide con el mayor valor a
conseguir dentro del juego
La Teora de los Juegos Cooperativos,
Cooperativos que estudia como los individuos
racionales actan recprocamente entre s en un esfuerzo por lograr metas
interdependientes con la finalidad de maximizar los intereses particulares de
cada uno a travs del logro de metas compartidas, establecidas con base en el
consenso. La maximizacin de los intereses particulares significa en este caso
el mayor valor a lograr, en conjunto con la otra parte, y no es necesariamente el
mayor valor a conseguir dentro del juego.

Pgina 80 de 97
Principales conceptos de la Teora de los Juegos

Juegos
Se denomina juego a la situacin interactiva especificada por el conjunto de
participantes, los posibles cursos de accin que puede seguir cada participante, y el
conjunto de utilidades.
Estrategia
Cuando un jugador tiene en cuenta las reacciones de otros jugadores para realizar su
eleccin, se dice que el jugador tiene una estrategia. Una estrategia es un plan de
acciones completo que se lleva a cabo cuando se juega el juego. Se inicia antes de que
comience el juego, y prescribe cada decisin que los agentes deben tomar durante el
transcurso del juego, dada la informacin disponible para el agente. La estrategia puede
incluir movimientos aleatorios.
Resultados de los juegos
El resultado de un juego es una cierta asignacin de utilidades finales. Se denomina
resultado de equilibrio si ningn jugador puede mejorar su utilidad unilateralmente dado
que los otros jugadores se mantienen en sus estrategias. Un equilibrio estratgico es aquel
que se obtiene cuando, dado que cada jugador se mantiene en su estrategia, ningn
jugador puede mejorar su utilidad cambiando de estrategia. Alternativamente, un perfil de
estrategias conforma un equilibrio si las estrategias conforman la mejor respuesta a las
otras.
Forma normal versus forma extensiva de los juegos
En juegos de forma normal, los jugadores mueven simultneamente. Si el conjunto de
estrategias es discreto y finito, el juego puede ser representado por una matriz NxM (ver
siguiente).
Un juego en forma extensiva especifica el orden completo de movimientos a travs de
la direccin del juego, generalmente en un rbol de juego.
Juegos NxM
Una forma de juegos de dos jugadores, en la cual un jugador tiene N acciones posibles
y el otro tiene M acciones posibles. En un juego as, los pares de utilidades o pagos pueden
ser representados en una matriz y el juego es fcilmente analizable. Los juegos NxM dan
una idea de cmo puede verse la estructura de un juego ms complejo.
Matriz de resultados de un juego
La matriz de resultados de un juego representa el resultado del juego en una matriz.
Supongamos que dos personas, A y B, estn jugando un sencillo juego. El juego
consiste en lo siguiente: la persona A tiene la posibilidad de elegir arriba o abajo,
mientras que B puede elegir izquierda o derecha.
Los resultados del juego se representan en la matriz de resultados:
Izquierda Derecha
Arriba (50,100) (0,50)
Abajo (100,50) (50,0)
El primer nmero de cada dupla representa la utilidad esperada del jugador A para
cada estrategia. El segundo nmero corresponde al jugador B.
Estrategia dominante
Una estrategia dominante es aquella eleccin que realiza el jugador
independientemente de lo que haga el otro. En el juego representado en la matriz de
arriba, la estrategia dominante para A es elegir abajo, mientras que la estrategia

Pgina 81 de 97
dominante para B es elegir izquierda. Estas estrategias dominantes dan como resultado
el equilibrio de estrategias dominantes del juego. Si cada jugador tiene una estrategia
dominante se puede predecir el resultado del juego.
Equilibrio de Nash
El equilibrio de Nash fue formulado por John Nash, que es un matemtico
norteamericano, en 1951. Un par de estrategias es un equilibrio de Nash si la eleccin de A
es ptima dada la de B y la de B es ptima, dada la de A. El equilibrio de Nash se diferencia
del equilibrio de las estrategias dominantes en que, en el equilibrio de las estrategias
dominantes, se exige que la estrategia de A sea ptima en el caso de todas las elecciones
ptimas de B, y viceversa. El equilibrio de Nash es menos restrictivo que el equilibrio de
estrategias ptimas.
Un juego puede tener ms de un equilibrio de Nash. Existen juegos en los no existe un
equilibrio de Nash.
rbol de juegos
El rbol de juegos es una representacin de un juego que describe la estructura
temporal de un juego en forma extensiva. El primer movimiento del juego se identifica con
un nodo distintivo que se llama la raz del juego. Una jugada consiste en una cadena
conectada de ramas que comienza en la raz del rbol y termina, si el juego es finito, en el
nodo terminal. Los nodos representan los posibles movimientos en el juego. Las ramas que
parten de los nodos representan las elecciones o acciones disponibles en cada
movimiento. A cada nodo distinto del nodo terminal se le asigna el nombre de un jugador
de modo que se sabe quin hace la eleccin en cada movimiento. Cada nodo terminal
informa sobre las consecuencias para cada jugador si el juego termina en ese nodo.
Juego repetido
En un juego repetido un grupo fijo de jugadores juega un juego dado repetidamente,
observando el resultado de todas las jugadas pasadas antes que comience la siguiente
jugada. La posibilidad de observar las acciones y los resultados pasados antes de que
comience la siguiente jugada permite que los jugadores penen o premien las acciones
pasadas, de modo que surgen estrategias que no surgiran en los juegos simples no
repetidos.
Tipo de Juegos y Ejemplos
La teora clasifica los juegos en muchas categoras que determinan qu mtodos
particulares se pueden aplicar para resolverlos.
En las siguientes secciones analizaremos no solo el juego de suma cero, sino adems
otro tipo de juegos y las estrategias de juego.

Pgina 82 de 97
7.2 Juego de suma cero, entre dos personas.

Antes de hablar del juego de suma cero empezare mostrando la clasificacin de los
juegos.
Juegos simtricos y asimtricos
Un juego simtrico es un juego en el que las recompensas E F
por jugar una estrategia en particular dependen slo de las
estrategias que empleen los otros jugadores y no de quin las E 1, 2 0, 0
juegue. F 0, 0 1, 2
Si las identidades de los jugadores pueden cambiarse sin
que cambien las recompensas de las estrategias, entonces el Un juego asimtrico
juego es simtrico.
Las representaciones estndar del Juego de la gallina, el dilema del prisionero y la
caza del ciervo son juegos simtricos.
Los juegos asimtricos ms estudiados son los juegos donde no hay conjuntos de
estrategias idnticas para ambos jugadores.
Por ejemplo, el Juego del Ultimtum y el Juego del dictador tienen diferentes
estrategias para cada jugador; no obstante, puede haber juegos asimtricos con
estrategias idnticas para cada jugador.
Juegos de suma cero y de suma no cero
En los juegos de suma cero el beneficio total para todos los jugadores del juego, en
cada combinacin de estrategias, siempre suma cero (en otras palabras, un jugador se
beneficia solamente a expensas de otros).
El go, el ajedrez y el pker son ejemplos de juegos de suma cero, porque se gana
exactamente la cantidad que pierde el oponente.
La mayora de los ejemplos reales en negocios y poltica, al igual que el dilema del
prisionero, son juegos de suma no cero, porque algunos desenlaces tienen resultados
netos mayores o menores que cero. Es decir, la ganancia de un jugador no necesariamente
se corresponde con la prdida de otro. Por ejemplo, un contrato de negocios involucra
idealmente un desenlace de suma positiva, donde cada oponente termina en una posicin
mejor que la que tendra si no se hubiera dado la negociacin.
Se puede analizar ms fcilmente un juego de suma
cero, y cualquier juego se puede transformar en un
juego de suma cero aadiendo un jugador "ficticio" A B C
adicional ("el tablero"), cuyas prdidas compensen las 1 30, -30 -10, 10 20, -20
ganancias netas de los jugadores.
La matriz de pagos de un juego es una forma 2 10, -10 20, -20 -20, 20
conveniente de representacin. Por ejemplo, un juego Un juego de suma cero
de suma cero de dos jugadores con la matriz que se
muestra a la derecha.
Juegos cooperativos
Un juego cooperativo se caracteriza por un contrato que puede hacerse cumplir. La
teora de los juegos cooperativos da justificaciones de contratos plausibles. La
plausibilidad de un contrato est muy relacionada con la estabilidad.
Dos jugadores negocian qu tanto quieren invertir en un contrato. La teora de la
negociacin axiomtica nos muestra cunta inversin es conveniente para nosotros. Por
ejemplo, la solucin de Nash para la negociacin demanda que la inversin sea justa y
eficiente.

Pgina 83 de 97
Simultneos y secuenciales
Los juegos simultneos son juegos en los que los jugadores mueven simultneamente
o en los que stos desconocen los movimientos anteriores de otros jugadores. Los juegos
secuenciales (o dinmicos) son juegos en los que los jugadores posteriores tienen algn
conocimiento de las acciones previas. Este conocimiento no necesariamente tiene que ser
perfecto; slo debe consistir en algo de informacin.
Por ejemplo, un jugador puede conocer que un jugador no realiz una accin
determinada, pero no saber cul de las otras acciones disponibles eligi.
La diferencia entre juegos simultneos y secuenciales se recoge en las
representaciones discutidas previamente. La forma normal se usa para representar juegos
simultneos, y la extensa para representar juegos secuenciales.
Juegos de informacin perfecta
Un juego de informacin imperfecta (las
lneas punteadas representan la ignorancia
de la parte del jugador 2).
Un subconjunto importante de los juegos
secuenciales es el conjunto de los juegos de
informacin perfecta. Un juego es de
informacin perfecta si todos los jugadores
conocen los movimientos que han efectuado
previamente todos los otros jugadores; as que slo los juegos secuenciales pueden ser
juegos de informacin perfecta, pues en los juegos simultneos no todos los jugadores (a
menudo ninguno) conocen las acciones del resto. La mayora de los juegos estudiados en
la teora de juegos son juegos de informacin imperfecta, aunque algunos juegos
interesantes son de informacin perfecta, incluyendo el juego del ultimtum y el juego del
ciempis. Tambin muchos juegos populares son de informacin perfecta, incluyendo el
ajedrez y el go.
La informacin perfecta se confunde a menudo con la informacin completa, que es un
concepto similar. La informacin completa requiere que cada jugador conozca las
estrategias y recompensas del resto pero no necesariamente las acciones.
En los juegos de informacin completa cada jugador tiene la misma "informacin
relevante al juego" que los dems jugadores. El ajedrez y el dilema del prisionero
ejemplifican juegos de informacin completa. Los juegos de informacin completa ocurren
raramente en el mundo real, y los tericos de los juegos, usualmente los ven slo como
aproximaciones al juego realmente jugado.
John Conway desarroll una notacin para algunos juegos de informacin completa y
defini varias operaciones en esos juegos, originalmente para estudiar los finales de go,
aunque buena parte de este anlisis se enfoc en Nim. Esto sucedi en la teora de juegos
combinatoria. Descubri que existe una subclase de esos juegos que pueden ser usados
como nmeros, como describi en su libro On Numbers and Games, llegando a la clase muy
general de los nmeros surreales.
Juegos de longitud infinita
Por razones obvias, los juegos estudiados por los economistas y los juegos del mundo
real se finalizan generalmente tras un nmero finito de movimientos. Los juegos
matemticos puros no tienen estas restricciones y la teora de conjuntos estudia juegos de
infinitos movimiento, donde el ganador no se conoce hasta que todos los movimientos se
conozcan.

Pgina 84 de 97
El inters en dicha situacin no suele ser decidir cul es la mejor manera de jugar a un
juego, sino simplemente qu jugador tiene una estrategia ganadora (Se puede probar,
usando el axioma de eleccin), que hay juegos incluso de informacin perfecta, y donde
las nicas recompensas son "perder" y "ganar" para los que ningn jugador tiene una
estrategia ganadora.) La existencia de tales estrategias tiene consecuencias importantes
en la teora descriptiva de conjuntos.
Ahora veremos unos ejemplos de suma cero y de suma no cero.

El poker es un juego de suma cero: hay un pozo y al final del juego un jugador lo gana,
los dems pierden lo que apostaron. La suma de ganancias y prdidas da cero.
Compartir una pizza de ocho porciones entre cuatro amigos es un juego de suma cero.
El ingreso a una universidad prestigiosa es un juego de suma cero: hay 100 vacantes y
1.000 aspirantes. Si ests realizando el examen de ingreso, ests compitiendo por un lugar
contra los dems aspirantes. La vacante que ganes, la pierde otra persona.
Aprobar el examen con 148 preguntas correctas sobre 200 es un juego de suma no
cero. Esa es una situacin diferente a la anterior mencionada para entrar a la universidad:
cuando ests presentando el examen dado que no compites contra nadie.
7.3 Estrategias puras y puntos de silla de montar.

En los juegos de estrategia el resultado final no depende de la alternativa seleccionada
por nuestro decisor, sino tambin de las decisiones tomadas por otro u otros sujetos.
Se pueden clasificar de la forma siguiente:
Nmero de participantes
Ganancia total obtenida por el conjunto de los participantes. Si no hay ganancia
(uno slo gana lo que pierde el otro) se llama de suma nula o suma cero.
Nmero de jugadas
La informacin de que disponen los jugadores (completa o incompleta)
Los elementos que intervienen en las decisiones, son de estrategia pura (slo
interviene la decisin de los jugadores) o de estrategia mixta (interviene
adems algn elemento aleatorio)
Vamos a ver el ms sencillo, el juego de dos personas de suma cero, llamado juego
rectangular, por la forma de la matriz de decisiones. Es la base de la teora de los juegos.
Para obtener la matriz y la solucin de un juego rectangular hay que hallar las mejores
estrategias de los jugadores y el valor del juego (cantidad que gana un jugador y pierde el
otro).
Los juegos en los que el maxi-min del ganador coincide con el mini-max del perdedor
se denominan juegos con punto de silla.
silla A veces hay varios puntos de silla, o sea, varias
soluciones posibles.

Pgina 85 de 97
EJEMPLO
Sea P el perdedor, viene formado por tres estrategias X, Y, Z y G el ganador formado
por A, B, C
P/G X Y Z
A 100 250 220
B 300 150 180
C 220 180 190
Cuntos puntos de la silla existen?
De las filas elegimos el valor menor 100, 150, 180 y de estos el mayor 180 (criterio
maxi-min)
De las columnas elegimos el valor mayor 300, 250 y 220 y de estos el menor 220
(criterio mini-max).
Como no coinciden (180 es distinto de 220) no existe ningn punto de silla.
EJEMPLO.
Considere ahora la siguiente tabla y determine la existencia de los puntos silla.
P/G X Y Z
A 50 100 120
B 30 40 50
C 40 60 90
De las filas elegimos el valor menor 50, 30, 40 y de estos el mayor 50 (criterio maxi-
min)
De las columnas elegimos el valor mayor 50, 100 y 120 y de estos el menor 50 (criterio
mini-max).
Como coinciden (50 es igual a 50) existe ningn punto de silla.
Un resumen de la tabla cuando se localiza el punto silla es mostrado a continuacin.
P/G X Y Z maximin
A 50 100 120 50
B 30 40 50 30 50
C 40 60 90 40
50 100 120
minimax 50 1 punto de silla
7.4 Dominio.
Todo modelo de juego necesita que se precise el dominio de eleccin de cada uno de
los participantes, es decir, del conjunto de acciones a su disposicin, pues la solucin de
un juego puede cambiar radicalmente segn el tipo de accin vislumbrada.
En tanto conozcan las acciones que se les permite, lo mismo que las reglas del juego
y el orden de los golpes, los jugadores pueden establecer planes de accin, denominados
estrategias, que consideran todas las eventualidades posibles. Evidentemente, si el juego
tiene un solo golpe, con decisiones simultneas, las acciones y las estrategias se
confunden.
Por fuera de tal caso, las estrategias son condicionales, en tanto deben considerar
todas las acciones posibles en diversas oportunidades. As, en nuestro ejemplo sobre la
produccin con la seleccin de una norma, donde la empresa A acte primero y B sea la
segunda, las estrategias de esta ltima son:

Pgina 86 de 97
Si A adopta su norma, adopto tambin esta norma

Si A adopta su norma, adopto mi propia norma
Si A adopta mi norma, adopto tambin mi norma
Si A adopta mi norma, adopto su norma.
Las estrategias de B son pues 22 = 4; de manera ms general, se puede mostrar que el
nmero de estrategias aumenta de manera exponencial con el nmero de golpes, la base
del exponencial est dada por el nmero de acciones a disposicin de los jugadores. Ahora,
como en el caso de informacin completa, la racionalidad exige que cada jugador
establezca la lista de todas las estrategias a su disposicin, con el fin de escoger la
mejor de ellas; si el nmero de golpes o de jugadores o de estrategias supera algunas
unidades, las situaciones se tornan extremamente complejas, en razn de la diversidad de
interacciones posibles, sobre todo si los participantes son conscientes del asunto. Es una
de las limitaciones de la teora de juegos, lo que explica porque esta se reduce en la
mayora de las ocasiones, al estudio de modelos con uno o dos golpes, con un nmero
restringido de estrategias incluso si los tipos de situaciones posibles lo mismos que las
soluciones que se les puede asociar son muy diversos.
7.5 Estrategias mixtas y valores de juego.

Iniciaremos este tema con un ejemplo que nos ayude a entender el concepto de
estrategias mixtas.
EJEMPLO
En una comuna de una peligrosa ciudad latinoamericana existen dos tipos de barrios,
que llamaremos: malo y bueno. Asumamos, adems, que solo existe una banda de ladrones
que realiza hechos delictuales en ambos barrios en forma aleatoria. Adems, la polica
patrulla estos barrios resguardando la seguridad.
En el caso en que los ladrones y policas coinciden en el mismo barrio, supondremos
que los ladrones son atrapados cometiendo algn delito (es decir, gana la polica, en el
sentido que puede detener a los delincuentes). Sin embargo, cuando la polica patrulla un
barrio equivocado, los ladrones cometen su delito (es decir, ellos ganan).
De esta forma imaginemos la siguiente matriz de pagos:
Policias | Ladrones Z1 Z2
Z1 (1, --1) (--1, 1)
Z2 (--1, 1) (1, --1)
Podemos ver que si la Polica elige Z1, entonces los ladrones elegirn Z2; del mismo
modo que si la polica elige Z2, los ladrones elegirn Z1. La caracterstica de estos juegos
radica en que ninguno de los jugadores conoce con certeza que har el otro jugador. De
esta forma podremos interpretar la estrategia mixta como aquella distribucin de la
incertidumbre. En otras palabras, corresponde a una distribucin de probabilidades
respecto de lo que el otro jugador har.
Podemos decir entonces que:
Un jugador usa una estrategia mixta si a cada turno escoge al azar una accin.
Cuando un juego no tenga puntos de silla, es posible elegir estrategias mixtas,
obteniendo un nuevo juego, denominado extensin mixta. Las estrategias mixtas consisten
en una combinacin de varias estrategias escogidas al azar, una cada vez, segn
determinadas probabilidades.

Pgina 87 de 97
Si las estrategias son tales que los intereses de los dos competidores se centran en un
mismo valor de la matriz de pagos, el juego tendr un punto de silla o equilibrio y esa
cantidad constituye el valor del juego y cuando esto ocurre se tienen estrategias puras.
Resumiendo en una estrategia mixta el jugador elige al azar, mientras que en la
estrategia pura se elige en base a un punto silla o un valor del juego. El punto silla es el
valor del juego.
7.6 Limitaciones bsicas de la teora de juego.

No pocos han sealado serias limitaciones de la teora de juegos, por lo que es obtuso
evadir algunos de los sealamientos ms concretos para su debida atencin y
relativizacin.
La principal limitacin o crtica que se le ha endilgado es que parte de una concepcin
de racionalidad absoluta del ser humano, y que a partir de all genera todo el anlisis, como
si la realidad fuera tan simplificable.
Hay que decir que en realidad -para las aplicaciones de carcter ms poltico- la teora
de juegos impacta auspiciando un marco lgico comprensivo y no tanto una ecuacin
reduccionista de factores contextuales, aunque el peligro en ese sentido no est vedado.
Recordemos de por s que son las limitaciones en el arsenal matemtico y lgico del
analista las que normalmente le lleva a conclusiones inexactas o al reduccionismo
analtico.
Adems, sobre el sealamiento de la aparente racionalidad con que se conducen los
actores hay que destacar aportes de estrategia y pensamiento poltico que arrojan luces
para comprender el porqu a veces se abandonan las estrategias de maximizacin de
pagos y se adoptan ms bien posiciones aparentemente subptimas.
En este sentido apunta Tsebelis (1990:7) que los casos de aparente eleccin
subptima son de hecho eventos de desacuerdo entre el actor y el observador sobre el
curso ptimo de una accin, y que entonces slo hay dos posibilidades: cada actor elige
una estrategia subptima o el observador es quien se equivoca. Establece que solamente
hay dos casos en que el actor elige subptimamente: si l no puede elegir racionalmente o
si l elige errneamente; y por otro lado, en el observador hay dos situaciones en que no
puede reconocer el curso ptimo de accin: primero, cuando comete el error pensando que
la accin subptima es Ai cuando no es as y, segundo, cuando el observador piensa que el
set disponible de acciones es limitado a A1, ..., An cuando tampoco es as.
Lo que aparece como subptimo o no racional puede en realidad ser ptimo como
parte de la totalidad de la red de subjuegos. De esta manera siempre es pertinente
considerar que hay muchas arenas en las que actan los agentes polticos y que, por lo
tanto, determinadas relaciones o juegos se ven afectadas por algunas otras.
La teora de juegos auxilia en la simulacin de situaciones reales, no las sustituye,
penetra en las reas oscuras de la informacin tratando de reflejar lo ms fiel posible la
mejor caracterizacin posible de grupos y personas insertas en el juego poltico, adems
de los fenmenos pblicos, pero no es una herramienta de adivinacin de los desenlaces
polticos.
En fin, crea escenarios y arroja luz sobre la interpretacin de fenmenos.

Pgina 88 de 97
ACTIVIDADES
Realice un resumen de lo aprendido en esta unidad y posteriormente responda las

preguntas de la evaluacin.
EVALUACION
1. Qu es la teora de juegos y cules son las aplicaciones?

2. Cules son las reas de estudio de la teora de juegos?
3. Defina los conceptos de estrategia, estrategia pura, estrategia mixta y
estrategia dominante.
4. A que se le llama equilibrio de NASH y para qu sirve?
5. Mencione tres ejemplos de suma cero y mencione adems porque se le llama
as.
6. A que se le llama valor de juego?
7. En la siguiente tabla hay puntos silla? Cules son? Cmo sabe que lo son?
P/G X Y Z
A 180 100 220
B 200 150 180
C 190 200 190

Pgina 89 de 97
VIII. LNEAS DE ESPERA

Las colas (lneas de espera) son parte de la vida diaria. Todos esperamos en colas para
comprar un boleto para el cine, hacer un depsito en el banco, pagar en el supermercado,
enviar un paquete por correo, subir a un juego en la feria, etc. Nos hemos acostumbrado a
esperas largas, pero todava nos molesta cuando lo son demasiado.
Sin embargo, tener que esperar no slo es una molestia personal. El tiempo que la
poblacin de un pas pierde en colas es un factor importante tanto en la calidad de vida
como en la eficiencia de su economa. Por ejemplo, antes de su disolucin, la Unin
Sovitica era notoria por las excesivas colas que sus ciudadanos solan tener que soportar
solo para comprar artculos bsicos. Hoy en Estados Unidos se estima que las personas
pasan gran parte de su vida en lneas de espera. Si este tiempo se usara de manera
productiva significara ms aos de trabajo til cada ao.
Incluso las asombrosas cifras no cuentan toda la historia del impacto que causa la
espera excesiva. Tambin ocurren grandes ineficiencias debido a otros tipos de espera que
no son personas en una Cola.
La Teora de Colas es el estudio de la espera en las distintas modalidades. Usa los
modelos de colas para representar los tipos de sistemas de lneas de espera (sistemas que
involucran colas de algn tipo) que surgen en la prctica. Las frmulas para cada modelo
indican cul debe ser el desempeo del sistema correspondiente y sealan la cantidad
promedio de espera que ocurrir, en una gama de circunstancias.
Por lo tanto, estos modelos de lneas de espera son muy tiles para determinar cmo
operar un sistema de colas de la manera ms efectiva. Proporcionar demasiada capacidad
de servicios para operar el sistema implica costos excesivos; pero al no contar con
suficiente capacidad de servicio la espera aumenta con todas sus desafortunadas
consecuencias. Los modelos permiten encontrar un balance adecuado entre el costo de
servicio y la cantidad de espera.
8.1 Ideas iniciales sobre colas.

El origen de la Teora de Colas o Lneas de Espera se remonta a los estudios realizados
en 1909 por Agner Krarup Erlang (Dinamarca, 1878 - 1929), para analizar la congestin en
el sistema telefnico de Copenhague.
Sus investigaciones acabaron en una nueva teora llamada teora de colas o de lneas
de espera. Esta teora es ahora una herramienta de valor en negocios debido a que muchos
de sus problemas pueden caracterizarse, como problemas de congestin llegada / partida.
La Teora de Colas requiere de un estudio matemtico del comportamiento de lneas de
espera. Estas se presentan cuando clientes llegan a un lugar demandando un servicio
al servidor, el cual tiene cierta capacidad de atencin. Si el servidor no est disponible
inmediatamente y el cliente decide esperar, entonces se forma en la lnea de espera.
El problema es determinar qu capacidad o tasa de servicio proporciona el balance
correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo, es decir, no se
sabe con exactitud en qu momento llegarn los clientes. Tambin el tiempo de servicio no
tiene un horario fijo.
Las llegadas se describen por su distribucin estadstica. Si las llegadas ocurren con
una tasa promedio y que son independientes una de otra, entonces ocurren de acuerdo con
una distribucin de probabilidades de tipo Poisson.

Pgina 90 de 97
Distribucin Poisson
Si la tasa de llegada se da en razn del tiempo que transcurre entre una llegada y otra,
entonces se dice que sigue una distribucin de tipo Exponencial.
En un supuesto comn, la distribucin del tiempo de servicio est dada por la
distribucin Exponencial. Mientras que el nmero de servidores puede ser uno o varios.
Distribucin Exponencial
La tasa de servicio, al igual que la de llegada, debe ser evaluada para ver si se ajusta a
una distribucin Exponencial.
8.2 Objetivos de las colas.

Los objetivos de la teora de colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste
del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la
capacidad del sistema tendran en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
Prestar atencin al tiempo de permanencia en el sistema o en la cola.
8.3 Expresiones y definiciones estndar para la lnea de

espera.
Daremos como lo hemos estado haciendo en otras secciones algunas definiciones que
es importante que conozca con el fin de mejorar su estudio en la teora de lneas de espera.
Fuente de entrada o poblacin potencial:
potencial Es un conjunto de individuos (no
necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin. Podemos
considerarla finita o infinita. Aunque el caso de infinitud no es realista, s permite (por
extrao que parezca) resolver de forma ms sencilla muchas situaciones en las que, en
realidad, la poblacin es finita pero muy grande. Dicha suposicin de infinitud no resulta
restrictiva cuando, an siendo finita la poblacin potencial, su nmero de elementos es tan
grande que el nmero de individuos que ya estn solicitando el citado servicio
prcticamente no afecta a la frecuencia con la que la poblacin potencial genera nuevas
peticiones de servicio.
Cliente:
Cliente Es todo individuo de la poblacin potencial que solicita servicio. Suponiendo
que los tiempos de llegada de clientes consecutivos son 0<t1<t2<, ser importante
conocer el patrn de probabilidad segn el cual la fuente de entrada genera clientes. Lo
ms habitual es tomar como referencia los tiempos entre las llegadas de dos clientes
consecutivos: consecutivos: clientes consecutivos: T{k} = tk - tk-1, fijando su distribucin
de probabilidad.
Normalmente, cuando la poblacin potencial es infinita se supone que la distribucin
de probabilidad de los Tk (que ser la llamada distribucin de los tiempos entre llegadas)
no depende del nmero de clientes que estn en espera de completar su servicio, mientras
que en el caso de que la fuente de entrada sea finita, la distribucin de los Tk variar segn
el nmero de clientes en proceso de ser atendidos.

Pgina 91 de 97
Capacidad de la cola:
cola Es el mximo nmero de clientes que pueden estar haciendo
cola (antes de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita. Lo
ms sencillo, a efectos de simplicidad en los clculos, es suponerla infinita. Aunque es
obvio que en la mayor parte de los casos reales la capacidad de la cola es finita, no es una
gran restriccin el suponerla infinita si es extremadamente improbable que no puedan
entrar clientes a la cola por haberse llegado a ese nmero lmite en la misma.
Disciplina de la cola:
cola Es el modo en el que los clientes son seleccionados para ser
servidos. Las disciplinas ms habituales son:
La disciplina FIFO
FIFO (first in first out), tambin llamada FCFS (first come first
served): segn la cual se atiende primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last come first
served) o pila: que consiste en atender primero al cliente que ha llegado el
ltimo.
La RSS (random selection of service), o SIRO (service in random order), que
selecciona a los clientes de forma aleatoria.
Mecanismo de servicio:
servicio Es el procedimiento por el cual se da servicio a los clientes que
lo solicitan. Para determinar totalmente el mecanismo de servicio debemos conocer el
nmero de servidores de dicho mecanismo (si dicho nmero fuese aleatorio, la distribucin
de probabilidad del mismo) y la distribucin de probabilidad del tiempo que le lleva a cada
servidor dar un servicio. En caso de que los servidores tengan distinta destreza para dar el
servicio, se debe especificar la distribucin del tiempo de servicio para cada uno.
La cola:
cola: Es el conjunto de clientes que hacen espera, es decir los clientes que ya han
solicitado el servicio pero que an no han pasado al mecanismo de servicio.
El sistema de la cola:
cola es el conjunto formado por la cola y el mecanismo de servicio,
junto con la disciplina de la cola, que es lo que nos indica el criterio de qu cliente de la
cola elegir para pasar al mecanismo de servicio. Estos elementos pueden verse ms
claramente en la siguiente seccin:
Un modelo de sistema de colas debe especificar la distribucin de probabilidad de los
tiempos de servicio para cada servidor.
La distribucin ms usada para los tiempos de servicio es la exponencial, aunque es
comn encontrar la distribucin degenerada o determinstica.

Pgina 92 de 97
8.4 Sistemas elementales de colas.
Puede parecer que la descripcin de los sistemas de colas es ms o menos abstracta y

slo es aplicables en situaciones prcticas bastante especiales. Por el contrario, los
sistemas de colas ocurren con sorprendente frecuencia en una amplia variedad de
contextos. Para ampliar el horizonte sobre la aplicabilidad de la teora de colas, se
mencionarn brevemente varios ejemplos reales de sistemas de colas.
Una clase importante de sistemas de colas que se encuentran en la vida es el sistema
de servicio comercial, en donde los clientes externos reciben un servicio de una
organizacin comercial. Muchos de estos sistemas incluyen un servicio de persona a
persona en una localidad fija, como una peluquera (los peluqueros son los servidores), es
servicio de una cajera de banco, las cajas de cobro en un supermercado y una cola en una
cafetera (canales de servicio en serie). Muchos otros sistemas son de tipo diferente, como
la reparacin de aparatos domsticos (el servidor va hacia el cliente), una maquina de
monedas (el servidor es una mquina) y una gasolinera (los clientes son automviles).
Otra clase importante es la de sistemas de servicio de transporte. Para algunos de
estos sistemas los vehculos son los clientes, como los automviles que esperan pasar por
una caseta de cobro o un semforo (el servidor), un camin de carga o un barco que
esperan que una cuadrilla les d el servicio de carga o descarga y un avin que espera
aterrizar o despegar en una pista (el servidor). (Un estacionamiento es un ejemplo poco
usual de este tipo, en el que los carros son los clientes y los espacios son los servidores,
pero no existe una cola porque si el estacionamiento est lleno, los clientes se van a otro
lado a estacionarse). En otros casos, los vehculos son los servidores, como los taxis, los
camiones de bomberos y los elevadores.
En los ltimos aos, tal vez la teora de colas se ha aplicado ms a los sistemas de
servicio interno en la industria y en los negocios, en donde los clientes que reciben el
servicio son internos o parte de la organizacin. Los ejemplos incluyen sistemas de manejo
de materiales, en donde las unidades de manejo de materiales (los servidores) mueven
cargas (los clientes); sistemas de mantenimiento, en donde las brigadas de mantenimiento
(los servidores) reparan mquinas (los clientes) y puestos de inspeccin en los que los
inspectores de control de calidad (los servidores) inspeccionan artculos (los clientes). Las
instalaciones para empleados y los departamentos que dan servicio a empleados tambin

Pgina 93 de 97
entran en esta categora. Adems, las mquinas se pueden ver como servidores cuyos
clientes son los trabajos que se estn procesando. Un ejemplo relacionado muy importante
es un centro de cmputo en el que la computadora se puede ver como el servidor.
Es del reconocimiento general que la teora de colas tambin se puede aplicar a
sistemas de servicio social. Por ejemplo, un sistema judicial es una red de colas, en donde
las cortes son las instalaciones de servicio, los jueces (o los jurados) son los servidores y
los casos que esperan el proceso son los clientes. Un sistema legislativo es una red de
colas parecida, en el que los clientes son los asuntos que el congreso va a tratar. Algunos
sistemas de salud pblica son sistemas de colas. Al inicio se vio un ejemplo (la sala de
emergencia de un hospital), pero tambin las ambulancias, las mquinas de rayos X y las
camas del hospital pueden jugar el papel de servidores en sus propios sistemas de colas.
En forma parecida, las familias en espera de viviendas de inters social u otros servicios
sociales se pueden concebir como clientes de un sistema de colas.
Aun cuando stas son cuatro clases amplias de sistemas de colas, la lista todava no
se agota. De hecho, la teora de colas comenz a principios de siglo con aplicaciones a
ingeniera telefnica (el fundador de la teora de colas, A.K. Erlang, era un empleado de la
Danish Telephone Company en Copenhague), y la ingeniera telefnica constituye todava
una importante aplicacin. Lo que es ms, cada individuo tiene sus propias lneas de
espera personales: tareas, libros que leer, etc. Estos ejemplos son suficientes para sugerir
que los sistemas de colas sin duda ocurren con toda frecuencia en muchas reas de la
sociedad.
8.5 Modelos de colas.

Segn el tipo de sistema de colas, tenemos varios tipos de stas, las cuales son:
Una lnea, un servidor
El primer sistema que se muestra se llama un sistema de un servidor y una colaopuede
describir una consulta de un mdico.
Una lnea, mltiples servidores.
El segundo, una lnea con mltiples servidores, es tpico de una peluquera o una
panadera en donde los clientes toman un nmero al entrar y se les sirve cuando les llegael
turno.
Varias lneas, mltiples servidores.
El tercer sistema, en que cada servidor tiene una lnea separada, es caracterstico de
los bancos y las tiendas de autoservicio. Para este tipo de servicio pueden separarse los
servidores y tratarlos como sistemas independientes de un servidor y una cola. Esto sera
vlido slo si hubiera muy pocos intercambios entre las colas. Cuando el intercambio es
sencillo y ocurre con frecuencia, como dentro de un banco, la separacin no sera vlida.
Es evidente que es preferible utilizar sistemas multiservidos con una nica lnea de
espera para todos que con una cola por servidor. Por tanto, cuando se habla de canales de
servicio paralelos, se habla generalmente de una cola que alimenta a varios servidores
mientras que el caso de colas independientes se asemeja a mltiples sistemas con slo un
servidor.
En la figura se dibuja un sistema mono-canal, a un lado se presenta dos variantes de
sistema multicanal. El primero tiene una sola cola de espera, mientras que el segundo
tiene una sola cola para cada canal.

Pgina 94 de 97
Se asume que en cualquiera de los dos casos, los mecanismos de servicio operan de
manera independiente.
En la operacin actual de Burger Dome, con una sola caja de pago, un empleado recibe
el pedido, determina su costo total, recibe el dinero del cliente y despus surte el pedido.
Una vez que ha cubierto el pedido del primer cliente, el empleado recibe el pedido del
que sigue en la cola. Esta operacin es un ejemplo de lnea de espera de un solo canal. Con
esto se quiere indicar que todos los clientes que entran al estacionamiento Burger Dome
deben pasar por un canal (una estacin en la que se cobra, se toma y se surte lo solicitado)
para hacer el pedido, pagar el importe y recibir los alimentos. Cuando llegan ms clientes
de los que es posible atender en forma inmediata, se forma una fila y esperan a que est
disponible la estacin que recibe y surte los pedidos.
Un sistema de colas puede ser unietapa o multietapa. En los sistemas multietapa el
cliente puede pasar por un nmero de etapas mayor que uno. Una peluquera es un sistema
unietapa, salvo que haya diferentes servicios (manicura, maquillaje) y cada uno de estos
servicios sea desarrollado por un servidor diferente.
En algunos sistemas multietapa se puede admitir la vuelta atrs o reciclado, esto es
habitual en sistemas productivos como controles de calidad y reprocesos.
En los modelos de colas se emplea la notacin KENDALL con el propsito de identificar

los diversos modelos que se presentan:
V/W/X/Y/Z
V = Patrn de llegadas: D: Determinstico; M: Aleatorio
W= Patrn de servicio: D: Determinstico; M: Aleatorio
X = Nmero de servidores
Y = Capacidad del Sistema
Z = Disciplina de la lnea de espera
La disciplina puede ser:
FCFS First come, first served (primero que entra primero que sale)
LCFS Last come, first served (ultimo que entra primero que sale)
SIRO Service in random order (servicio aleatorio)
GD General discipline (Servicio por prioridad)
EJEMPLO:
D / M / 2 / 12 / GD
Patrn de llegada: Determinstico.
Patrn de servicio: Aleatorio.
Servidores: 2.
Capacidad del sistema: 12.
Disciplina de la lnea de espera: Atencin por prioridad.

Pgina 95 de 97
ACTIVIDADES
Realice un resumen de lo aprendido en esta unidad y posteriormente responda las

preguntas de la evaluacin.
EVALUACION
1. Qu es una cola y cules son las aplicaciones?

2. Mencione de forma breve los objetivos que persiguen las lneas de espera.
3. A que se le llama servidor en una lnea de espera?
4. Qu elementos conforman un sistema de colas?
5. Qu elementos conforman la notacin de Kendall?

Pgina 96 de 97
BIBLIOGRAFIA
TAHA HAMDY A. Investigacin de operaciones.Alfaomega. 5 Ed. 1995
PRAWDA, Juan. Mtodos y modelos de Investigacin de operaciones. Limusa.
RENDON C: Hernn D. DIAZ S. Fco. Javier Introduccin a la Investigacin de

Operaciones Universidad Nacional 2002
HILLIER, F.S Y LIEBERMAN G.J. Introduccin a la investigacin de

Operaciones. 6 Ed. Mc Graw Hill. 1997 7 Ed. 2002
VARELA Jaime Enrique. Introduccin a la Investigacin de Operaciones. Fondo

Educativo Interamericano.1982.
ENLACES RELACIONADOS
http://antiguo.itson.mx/dii/elagarda/apagina2001/PM/uno.html
http://www.investigacion-operaciones.com/Historia.htm
http://www.biblioteca.uson.mx/digital/tesis/docs/8167/Capitulo1.pdf
http://allman.rhon.itam.mx/~cacosta/modelado/simplex.pdf
http://www.eva.com.mx/sia/sia/ingenieria/026
http://www.keypress.com/documents/daa1/CondensedLessonPlansSpanish/D
AA_CLPS_06.pdf
http://jupiter.utm.mx/~tesis_dig/8521.pdf
http://www.mitecnologico.com/Main/LineasDeEsperaIntroduccion
http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pd
f
www.cesver.edu.mx
Tel. 01-228-8182038 01-228-8182039
Serafn Olarte 43 Col. Mrtires de Chicago. Xalapa ver

Pgina 97 de 97

Ant Inv de Ope CI

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ant Inv de Ope CI

Uploaded by

Copyright:

Available Formats

CESVER MATERIAL BIBLIOGRAFICO DE APOYO DIDACTICO

ADMINISTRACION DE EMPRESAS INVESTIGACION DE OPERACIONES 6 SEM

Nombre del compilador:

ING JUAN ALBERTO VAZQUEZ G.

II. PROGRAMACIN LINEAL.

III. RBOLES DE DECISIONES.

IV. ANLISIS DE REDES

VI. PROGRAMACIN DINMICA.

ING JUAN ALBERTO VAZQUEZ G.

VII. JUEGOS Y ESTRATEGIAS

VIII. LNEAS DE ESPERA

ING JUAN ALBERTO VAZQUEZ G.

La investigacin de operaciones puede definirse como el mtodo

ING JUAN ALBERTO VAZQUEZ G.

Nuestro material de apoyo consta de 8 unidades que pretenden cubrir

ING JUAN ALBERTO VAZQUEZ G.

OBJETIVO(S) GENERAL(ES) DE LA ASIGNATURA

CRITERIOS Y PROCEDIMIENTOS DE EVALUACIN Y ACREDITACIN

Un examen terico prctico 80%

ING JUAN ALBERTO VAZQUEZ G.

ING JUAN ALBERTO VAZQUEZ G.

1.1 Concepto, caractersticas y limitaciones de la

ING JUAN ALBERTO VAZQUEZ G.

el azar y el riesgo y mediante el cual se predigan y comparen los

1.2 Fases de un proyecto de investigacin de operaciones.

ING JUAN ALBERTO VAZQUEZ G.

Por su naturaleza, la investigacin de operaciones se encarga del bienestar de toda la

FORMULACION DE UN MODELO MATEMATICO

ING JUAN ALBERTO VAZQUEZ G.

ING JUAN ALBERTO VAZQUEZ G.

PRUEBA DEL MODELO.

ING JUAN ALBERTO VAZQUEZ G.

Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar

ING JUAN ALBERTO VAZQUEZ G.

1.3 Modelo matemticos. Tcnicas de investigacin de

ING JUAN ALBERTO VAZQUEZ G.

1.4 La toma de decisiones y su aspecto cuantitativo

ING JUAN ALBERTO VAZQUEZ G.

1. Qu persigue la investigacin de operaciones y cules son los logros hasta

ING JUAN ALBERTO VAZQUEZ G.

II. PROGRAMACIN LINEAL.

2.1 Requerimientos bsicos de la programacin lineal

ING JUAN ALBERTO VAZQUEZ G.

Llamaremos con x1, x2, los niveles de la primera, segunda, actividad.

2.2 Formulacin del problema

ING JUAN ALBERTO VAZQUEZ G.

ING JUAN ALBERTO VAZQUEZ G.

F(x) = 150x + 200y

2.3 Mtodos de solucin

2.3.1 Mtodo grfico aplicaciones

ING JUAN ALBERTO VAZQUEZ G.

SOLUCION POR EL METODO GRAFICO AL EJEMPLO 1 DE LA SECCION 2.2

SOLUCION POR EL METODO GRAFICO AL EJEMPLO 3 DE LA SECCION 2.2

ING JUAN ALBERTO VAZQUEZ G.

2.3.2 Mtodo simplex aplicaciones

ING JUAN ALBERTO VAZQUEZ G.

SOLUCION POR EL METODO SIMPLEX AL EJEMPLO 1 DE LA SECCION 2.2

ING JUAN ALBERTO VAZQUEZ G.

Nueva fila=(Vieja fila) -- (Coeficiente de la vieja fila en la columna de la variable

Esta nueva tabla es:

Tenemos una nueva tabla pero presenta un elemento negativo, repetiremos

ING JUAN ALBERTO VAZQUEZ G.

La tabla ahora es: