Professional Documents
Culture Documents
MATERIAL BIBLIOGRFICO
DE APOYO DIDCTICO
Licenciatura:
ADMINISTRACION DE
EMPRESAS
Asignatura:
INVESTIGACION DE
OPERACIONES
Semestre:
SEXTO
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
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
INTRODUCCION
MANEJO DE LA ANTOLOGIA
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
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.
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.
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
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
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.
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
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.
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.
Nueva fila=(Vieja fila) -- (Coeficiente de la vieja fila en la columna de la variable
entrante) x (Nueva fila del pivote).
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)
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.
Es algo similar a lo que hemos hecho en el ejercicio pasado, ahora nuestra tabla queda
como:
BASE X Y H1 H2 H3 P0
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.
BASE X Y H1 H2 H3 P0
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....
BASE X Y H1 H2 H3 P0
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
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.
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.
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.
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:
En seguida asignamos
mos 35 a la celda (2,2) y ajustamos la oferta y la demanda como se
muestra en la tabla:
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
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.
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:
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga
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:
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga
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
Vendedor Sevilla Cdiz Crdoba Huelva Mlaga
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 *
*
ACTIVIDADES
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
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
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.
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
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.
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.
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
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).
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
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
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.
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.
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).
El grafico PERT para el problema planteado con su ruta crtica es: (comprubelo)
ACTIVIDADES
EVALUACION
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.
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
ACTIVIDADES
EVALUACION
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).
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.
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.
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.
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
CALCULO DE LA ETAPA 3
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.
CALCULO
CALCULO DE LA ETAPA 2
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).
CALCULO
CALCULO DE LA ETAPA 1
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.
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
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
EVALUACION
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.
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
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.
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.
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.
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:
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.
ACTIVIDADES
EVALUACION
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.
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.
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.
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.
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.
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.
ACTIVIDADES
EVALUACION
BIBLIOGRAFIA
TAHA HAMDY A. Investigacin de operaciones.Alfaomega. 5 Ed. 1995
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