ITPN

CARLOS MADERA

IO 2

UNIDAD # 1 PROGRAMACION DINAMICA

ITPN

CARLOS MADERA

IO 2

1.1.- CARACTERISTICAS DE LOS PROBLEMAS DE PROGRAMACION DINAMICA: ETAPAS, ESTADOS, FORMULA RECURSIVA, PROGHRAMACION EN AVANCE Y EN RETROCESO.
La programacin dinmica (PD) es un procedimiento matemtico diseado principalmente para mejorar la eficiencia de clculo de problemas de programacin matemtica seleccionados, descomponindolos en subproblemas de menor tamao y por consiguiente, ms fciles de calcular. La programacin dinmica comnmente resuelve el problema en etapas, en donde en cada etapa interviene exactamente una variable de optimizacin (u optimizadora). Los clculos en las diferentes etapas se alcanzan a travs de clculos recursivos de manera que se genere una solucin ptima factible a todo el problema.

1.2 ALGUNOS EJEMPLOS DE PROGRAMACION DINAMICA.

Un caza fortunas desea ir de Missouri a California en una diligencia, y quiere viajar de la forma ms segura posible. Tiene los puntos de salida y destino conocidos, pero tiene mltiples opciones para viajar a travs delterritorio. Se entera de la posibilidad de adquirir seguro de vida como pasajero de la diligencia. El costo de la pliza estndar (cij ) se muestra en la tabla siguiente. El costo de la pliza estndar (cij ) se muestra en la tabla siguiente.

ITPN

CARLOS MADERA

IO 2

1.3.-PROGRAMACION DINAMICA DETERMINISTICA.

Es una tcnica que se utiliza para resolver diversos problemas de optimizacin Esta tcnica llega a la solucin: Trabajando hacia atrs partiendo del final del problema hacia el principio Esta categora de Programacin dinmica tiene que ver con la naturaleza de la evolucin del sistema, una vez que se ha tomado la decisin. Cuando, en una etapa determinada, podemos conocer con certeza la evolucin del sistema para un determinado estado y un determinado valor de la variable de decisin, para este modelo podemos establecer las decisiones que, en cada etapa, dan valor ptimo de la funcin de recurrencia. Los problemas determinsticos de programacin dinmica son aquellos en los cuales el estado asociado en la etapa siguiente est totalmente determinado por el estado y la poltica de decisin de la etapa actual. La siguiente figura describe el funcionamiento de la programacin dinmica determinstica.

Los problemas de programacin dinmica determinstica son aqullos en los que el estado en la etapa siguiente queda completamente determinado por el estado y la poltica en la etapa actual. Una manera de catalogar los problemas de programacin dinmica determinstica es por la forma de la funcin objetivo.

Por ejemplo, el objetivo podra ser minimizar la suma de contribuciones de las etapas individuales, o bien minimizar un producto de tales trminos y as
3

ITPN

CARLOS MADERA

IO 2

sucesivamente. En un problema de programacin dinmica, las temporadas deben ser las etapas

Algunas Aplicaciones De La Programacin Dinmica Determinstica Modelo De La Ruta Ms Corta Modelo De Volumen-Carga Mochila Modelo Del Numero De Empleados Modelo De Reemplazo De Equipos Modelo De Asignacin De Recursos Modelo De Inventarios

1.4.- PROGRAMACION DINAMICA PROBABILISTICA

La PDP Se caracteriza porque el valor asociado a los arcos es un valor probable, y por lo tanto el valor de las rutas posibles desde el estado inicial hasta el estado final tiene un valor asociado a la probabilidad de ocurrencia de ella. Estando en un estado s cualquiera en cualquiera de las etapas del problema, los arcos que de ese estado s salen tienen una probabilidad de ocurrencia, que puede ser igual para todos o tener valores diferentes.

En este tipo de problemas de la PDP se distinguen: -estados, -etapas, -estado inicial, estado final -valor al horizonte, -funcin objetivo, -poltica ptima, -arcos, -valor asociado a los arcos (estos son probables y no determinsticos), -ptimo, -solucin ptima, -ruta ptima.

ITPN

CARLOS MADERA

IO 2

Ejemplo 1. (PDP)

El Enunciado: Una empresa ha recibido el encargo de construir un artculo, que, por las caractersticas exigidas por el cliente deber pasar controles de calidad altos. Esto hace que la empresa estime que la probabilidad de que un artculo producido salga bueno es 2/3 (66,6667%) y de 1/3 (33,3333%) que salga malo sin posibilidad de recuperarlo o arreglarlo. El plazo que tiene la empresa para obtener al menos un artculo bueno es de 3 das, y la produccin del artculo implica ocupar el da en hacer andar la lnea de produccin, fabricarlos y finalmente ver si salieron buenos; por lo que la empresa tiene 3 intentos de fabricacin para obtener el artculo bueno. Por contrato con el cliente se acuerda que si la empresa no obtiene el artculo bueno en los 3 das, en los 3 intentos, la empresa deber pagar una multa de $200 al cliente por indemnizacin o prdida de tiempo. Tambin la empresa sabe que cada da que decide elaborar ese producto incurre en un costo fijo de $20 por iniciar toda la lnea de produccin ese da , y tiene un costo de $5 por cada unidad que decida fabricar. Se pide encontrar la poltica ptima a seguir por la empresa en cuanto a la produccin de este artculo, para hacer mnimo el costo total de produccin y obtener al menos un artculo de buena calidad, segn lo exigido. El Modelo y sus partes.

Las etapas. En este problema estarn asociadas a los dias de produccin. Por lo que el problema tiene 3 etapas. La Etapa 1 es el proceso de decidir si produce o no produce el da 1; y si decide producir, cuntas unidades producir. De manera similar se entienden las etapas 2 y 3. Los estados: En este problema se pueden distinguir 2 estados posibles dentro de cada etapa, y son: "la cantidad de artculos buenos que se tiene la obligacin de obtener en esa etapa". Se indicarn por 0 y 1. Por lo que el estado inicial es 1 y los estados finales posibles son 0 y 1.

ITPN

CARLOS MADERA

IO 2

Es decir, el estado: 0 : indica que en esa etapa no se tiene la necesidad obligada de obtener un artculo bueno. 1 : indica que en esta etapa s se tiene la necesidad obligada de obtener un artculo bueno. Las variables de decisin : Son las decisiones que cada da deber tomarse, y son: la cantidad de artculos que se deber fabricar ese da. Por lo que son 3 variables de decisin: x1, x2, x3, donde: x1 es la cantidad de artculos a fabricar el da 1, x2 es la cantidad de artculos a fabricar el da 2, y x3 es la cantidad de artculos a fabricar el da 3. Es claro que si un da tiene el estado 0, fabricar 0 artculos, y ese da tendr un costo de $0. Si un da tiene el estado 1, deber fabricar algunos artculos (si es lo ms conveniente), e incurrir en un costo de $5 por unidad ms $200 fijos.

El costo de produccin de cada da esta dado por:

200 ; si xi > 0 Costo por dia: = 5xi + K(xi) ; Donde K(xi) = < 0 ; si xi = 0

Para cada artculo que se produzca la probabilidad de que salga bueno es 2/3, y que salga malo es 1/3 (datos del problema).

Por lo que, si produce 2 artculos la probabilidad de que los 2 salgan malos es: (1/3)*(1/3) = (1/3)2. Si decide producir 3 artculos, la probabilidad de que los 3 salgan malos es de (1/3)3 , asi tambin se tendr que si fabrica 4 es (1/3)4 = 0,0123 la probabilidad de que los 4 salgan malos. Generalizando, si se decide fabricar xi artculos, entonces la probabilidad de que todos salgan malos es: (1/3) xi.

ITPN

CARLOS MADERA

IO 2

Probabilidades de cada uno de los casos finales, si se decide producir 3 artculos.

Los 3 malos tiene probabilidad de ocurrencia de: (1/3) .

3

y para xi artculos a fabricar la Probab. ser de: (1/3) de que todos salgan malos.
xi

La funcin objetivo, para cualquiera de las etapas contendr lo que representa el costo de esa etapa ms el costo probable de la etapa siguiente si todos hubiesen salido malos, y ms el costo probable de la etapa siguiente si no todos hubiesen salidos malos (al menos uno sali bueno). Y en la etapa n-sima tendremos el estado 0 y el estado 1. Tomenos el estado 1 para f.

donde: K(xn ) es el costo de produccin fijo de $0 o de $200, segn ese da produzca artculos o no. 5*xn : representa el costo de $5 por unidad que se decida producir. (1/3)xn : representa la probabilidad de que los xn artculos salgan malos.

ITPN

CARLOS MADERA

IO 2

fn+1(1) : es el costo que se tendr en la etapa siguiente, si se llega a ella con la obligacin de obtener un artculo bueno. Este valor es: f *n+1(1). (1/3)xnfn+1(1) : es el costo probable desde la etapa siguiente en adelante, si todos los de esta etapa salen malos. (1- (1/3)xn) : es la probabilidad de que no todos los xn artculos salgan malos; alguno sale bueno. fn+1(0) : es el costo en que se incurrir desde la etapa siguiente, si se llega a ella al estado 0, es decir sin la necesidad de producir un artculo bueno, porque ya se obtuvo. Es f
*n+1(0)

(1-(1/3)xn)fn+1(0) : es el costo probable desde la etapa siguiente, si en esta etapa sale alguno de los artculos bueno. En el problema aqu dado, se tiene que f *n+1( 0 ) es cero, porque es cero el costo ms bajo si no se tiene la obligacin de producir un artculo bueno, en cualquiera de las etapas. La etapa 1 tiene como estado inicial: 1; es decir, en la etapa 1 se tiene la obligatoriedad de obtener un artculo bueno.

Los clculos:

n=3,

f3(1,0) = 0 + 5*0 + (1/3) *200 = 200

1

f3(1,1) = 20 + 5*1 + (1/3) *200 = 91.666 f3(1,2) = 20 + 5*2 + (1/3) *200 = 52.222 1 f3(1,3) = 20 + 5*1 + (1/3) *200 = 42.407 2 f3(1,4) = 20 + 5*1 + (1/3) *200 = 42.469 f3(1,5) = 20 + 5*1 + (1/3) *200 = 45.82 (Se calcula hasta que, para valores de x3, la f.o. empiece a aumentar de valor, luego de haber ido descendiendo. En este caso nos interesa el menor valor de la f.o.).
8
5 4 3 2

ITPN

CARLOS MADERA

IO 2

s \ x3 0 1

0 0 =200

1 -= 91.666

2 -=52.222

3 -=42.407

4 -=42.469

5 -=45.82

f *3 0 42.407

x*3 0 3

n=2,

f2(1,0) = 0 + 5*0 + (1/3) *42.407 = 42.407

1 2 3 4

f2(1,1) = 20 + 5*1 + (1/3) *42.407 = 39.1356 f2(1,2) = 20 + 5*2 + (1/3) *42.407 = 34.7119 f2(1,3) = 20 + 5*3 + (1/3) *42.407 = 36.5706 f2(1,4) = 20 + 5*4 + (1/3) *42.407 = 40.5235

s \ x2 0 1

0 0 42.407

1 -39.14

2 -34.71

3 -36.57

4 -40.52

f *2 0 34.7119

x*2 0 2

n=1,

f1(1,0) = 0 + 5*0 + (1/3) *34.7119 = 34.7119

1 2 3 4

f1(1,1) = 20 + 5*1 + (1/3) *34.7119 = 36.5706 f1(1,2) = 20 + 5*2 + (1/3) *34.7119 = 33.8568 f1(1,3) = 20 + 5*3 + (1/3) *34.7119 = 36.2856 f1(1,4) = 20 + 5*4 + (1/3) *34.7119 = 40.4285

s \ x2 1

0 34.71

1 36.57

2 33.857

3 36.29

4 40.43

f *1 33. 857

x* 1 2

Respuesta: Costo Mnimo Probable: 33. 857 Solucin ptima: x1 = 2 , x2 = 2 , x3 = 3

9

ITPN

CARLOS MADERA

IO 2

El costo mnimo probable para obtener al menos un producto bueno es de $ 33. 857; y el da 1 se debe producir 2, y si los 2 salen malos el da 2 se deben producir 2, y si salen malos el da 3 se deben producir 3. Con ms detalles, la poltica ptima, y costos, en cuanto al lote de produccin es: - Que el da 1 fabrique 2 artculos, y si al menos uno de ellos sale bueno, el da 2 y da 3 no fabrica, y tiene un costo total de $20 + $5*2 = $30. - Si todos los artculos del da 1 salen malos, entonces el da 2 se deben fabricar 2 nuevos arculos. Si al menos uno de ellos sale bueno, el da 3 no fabricar, y tiene un costo total de $60. ($30 el dia 1 ms $30 el da 2). - Si todos los artculos del da 2 salen malos, entonces el da 3 se deben fabricar 3 artculos ms. Si todos los del da 3 salen malos, tendr un costo total de $295. ($30 el dia 1 + $30 el da 2 + $35 el dia 3 + $200 de multa). Si al menos uno del da 3 sale bueno, tendr un costo total de $95, dado por $30 el da 1 + $30 el da 2 + $35 el da 3. Otras preguntas: *) Cul es el costo total en los 3 das?. No se sabe de ese costo a priori, y no se sabe cual ser en cada ocasin que se deba fabricar uno de estos artculos, porque no se sabe si se obtendr el da 1 con un costo de $30, o el da 2 con un costo de $60, o el da 3 con un costo de $95, o bien deber pagar la multa de $200 con un costo de $295. El costo del da 1 es seguro, los dems son costos probables. *) De que modo se puede obtener un costo total mnimo de $33. 857 ?. En este caso, de ninguna manera se tendr en alguna ocasin un costo de $33. 857. Segn lo ya indicado, el dia 1 hay un costo de $30, si debe fabricar el da 2 el costo es de $60, y si fabrica el da 3, el costo es de $95, y si todos salen malos, tiene un costo total con multa de $295. *)Tomando en cuenta los resultados y valores de los costos ya indicados, cul debiese ser el mnimo valor al que convendra vender ese artculo de calidad exigente?.

10

ITPN

CARLOS MADERA

IO 2

UNIDAD # 2 LINEAS DE ESPERA

11

ITPN

CARLOS MADERA

IO 2

2.1 INTRODUCCIN Y CASOS DE APLICACIN

La teora de colas es la rama de la investigacin de operaciones que estudia el comportamiento de los sistemas de atencin, en que los clientes eventualmente esperan por el servicio. Su fundador es el matemtico dans Agner Erlang (1878-1929), quien aplic en 1909 la teora de las probabilidades al comportamiento de las conversaciones telefnicas. Este y otros trabajos permitieron comprender y controlar las redes de telefona, cuyos altos costos obligaban a asignar de manera ptima los componentes electrnicos para mantener los tiempos de espera dentro de estndares aceptables.

2.2 DEFINICIONES CARACTERSTICAS Y SUPOSICIONES.

Una cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lnea de espera particulares o sistemas de colas. Los modelos sirven para encontrar un buen compromiso entre costes del sistema y los tiempos promedio de la lnea de espera para un sistema dado. fuente Recibe el nombre de fuente el dispositivo del que emanan las unidades que piden un servicio. Si el nmero de unidades potenciales es finito, se dice que la fuente es finita; en caso contrario se dice que es infinita. Cuando la fuente es finita se suele asumir que la probabilidad de que se produzca una llegada en un intervalo de tiempo es proporcional al tamao de la fuente en ese instante. En general, nos restringiremos al estudio de sistemas de colas con fuentes infinitas. Tiempo entre llegadas Existen dos clases bsicas de tiempo entre llegadas: Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de tiempo, fijo y conocido. Un ejemplo clsico es el de una lnea de ensamble, en donde los artculos llegan a una estacin en intervalos invariables de tiempo. Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y variable. Los tiempos entre llegadas probabilsticos se describen mediante una distribucin de probabilidad. Disciplina de la cola

12

ITPN

CARLOS MADERA

IO 2

En sistemas monocanal, el servidor suele seleccionar al cliente de acuerdo con uno de los siguientes criterios (prioridades):

El que lleg antes. El que lleg el ltimo. El que menos tiempo de servicio requiere. El que ms requiere. Supuestos El modelo simple de teora de colas que se ha definido, se basa en las siguientes suposiciones: Un solo prestador del servicio y una sola

2.3 TERMINOLOGA Y NOTACIN

Caractersticas operativas. Medidas de desempeo para una lnea de espera que incluyen la probabilidad de que no haya unidades en el sistema, la cantidad promedio en la lnea, el tiempo de espera promedio, etc. Operacin de estado estable. Operacin normal de la lnea de despus de que ha pasado por un periodo inicial o transitorio. espera

Las caractersticas operativas de las lneas de espera se calculan para condiciones de estado estable. T Tasa media de llegada Cantidad promedio de clientes o unidades que llegan en un periodo dado. Tasa media de servicio.-

13

ITPN

CARLOS MADERA

IO 2

Cantidad promedio de clientes o unidades que puede atender una instalacin de servicio en un periodo dado. Lnea de espera de canales mltiples. Lnea de espera con dos o ms instalaciones de servicio paralelas. Bloqueado. Cuando las unidades que llegan no pueden entrar a la lnea de espera debido a que el sistema est lleno. Las unidades bloqueadas pueden ocurrir cuando no se permiten las lneas de espera o cuando las lneas de espera tienen una capacidad finita. Poblacin infinita. Poblacin de clientes o unidades que pueden buscar servicio, no tiene un lmite superior especificado. Poblacin finita. Poblacin de clientes o unidades que pueden buscar servicio, tiene un valor fijo y finito.

Usualmente siempre es comn utilizar la siguiente terminologa

estndar:

P0= Probabilidad de que no haya clientes en el sistema. Lq= Nmero de clientes promedio en una lnea de espera L= Nmero de clientes promedio en el sistema (Clientes en cola y clientes que estn siendo atendidos) Wq= Tiempo promedio que un cliente pasa en la lnea de espera. W= Tiempo total promedio que un cliente pasa en el sistema. Pn= Probabilidad de que haya n clientes en el sistema. Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio

14

ITPN

CARLOS MADERA

IO 2

Todas estas caractersticas operativas de estado estable se obtienen mediante formulas que dependen del tipo de modelo de lnea de espera que se este manejando. Para calcular stas, se necesitan los siguientes datos. = la cantidad promedio de llegadas por periodo (la tasa media de llegadas) = la cantidad promedio de servicios por periodo (la tasa media deservicio).

2.4.1 MODELO DE NACIMIENTO PURO

n -t Pn(t) = (t) e / n! n= 0,1, 2. (nacimiento puro)

Donde: n: arribos o llegadas t: periodo de tiempo : Tasa de llegada por unidad de tiempo Ejemplo: Supongamos que los nacimientos en un pas estn separados en el tiempo, de acuerdo con una distribucin exponencial, presentndose un nacimiento cada 7 minutos en promedio. Como el tiempo promedio entre arribos (entre nacimientos) es de 7 minutos, la tasa de nacimientos en el pas se calcula como:

= 24x60/7= 205.7 nacimientos /da El numero de nacimientos en el pas por ao esta dando por t =205.7x365= 75,080 nacimientos/ao La probabilidad de ningn nacimiento en cualquier da es Po(1)= (205.7x1)e -205.7 x 1 /0! 0

Supongamos que nos interesa la probabilidad de emitir 45 actas de nacimiento al final de un periodo de 3 horas, si se pudieron emitir 35 actas en las primeras
15

ITPN

CARLOS MADERA

IO 2

2 horas. Observemos que debido a que los nacimientos ocurren segn un proceso de Poisson, la probabilidad requerida se reduce a tener 45 35 = 10 nacimientos en una hora (= 3 2). Dado = 60/7 = 8.57 nacimientos/hora, obtenemos:

P10(1) = (8.57 x 1)

10 -8.57 x 1 e /10! = .011172

MODELO DE MUERTE PURA

Considere la situacin de almacenar N unidades de un artculo al inicio de la semana, para satisfacer la demanda de los clientes durante una semana. Si suponemos que la demanda se presenta a una tasa de unidades por da y que el proceso de la demanda es completamente aleatorio, la probabilidad asociada de tener n artculos en almacn despus de un tiempo t, la da la siguiente distribucin truncada de Poisson:

Pn(t) = (t)

N-n -t e /(N n)!

n= 1,2,N

(muerte pura)

Ejemplo: Al inicio de la semana, se almacenan 15 unidades de un artculo de inventario para analizarse durante una semana. Solo se hacen retiros del almacenamiento durante los primeros 6 das (la empresa esta cerrada los domingos) y sigue una distribucin de Poisson con la media 3 unidades/da. Cuando el nivel de existencia llega a 5 unidades, se coloca un nuevo pedido de 15 unidades para ser entregado al principio de la semana entrante. Debido a la naturaleza del artculo, se desechan todas las unidades que sobran al final de la semana.
16

ITPN

CARLOS MADERA

IO 2

Para poder analizar esta situacin en varias formas. Primero, reconocemos que la tasa de calculo es = 3 unidades por da. Supngase que nos interesa determinar la probabilidad de tener 5 unidades (el nivel de nuevo pedido) al da t; es decir, P5 (t) = (3t) 15-5 -3t e / (15-5)! t= 1,2.6

t(d as ) t P5 (t)

3 . 0 0 0 8

6 . 0 4 1 3

9 . 1 1 8 6

1 2 . 1 0 4 8

1 5 . 0 4 8 6

1 8 . 0 1 5

Observemos que P5 (t) representa la posibilidad de hacer un nuevo pedido el da t. esta probabilidad llega a su nivel mxima en t = 3 y despus disminuye conforme transcurre la semana. Si nos interesa la probabilidad de hacer un nuevo pedido para el da t, debemos determinar la probabilidad de tener cinco unidades 0 menos el da t; esto es, Pn 5(t) = P0(t) + P1(t) + + P5(t)

t(d as) t Pn 5(t)

1 3 .00 11

2 6 .08 39

3 9 .41 26

4 12 .75 76

5 15

6 18 .98 47

.93 01

17

ITPN

CARLOS MADERA

IO 2

2.5 UN SERVIDOR, FUENTE FINITA, COLA FINITA

Para los modelos de lnea de espera introducidos hasta ahora, la poblacin de unidades o clientes que llegan para servicio se han considerado ilimitadas. En trminos tcnicos, cuando no se pone lmite respecto a cuntas unidades pueden buscar servicio, se dice que el modelo tiene una poblacin infinita.

Bajo esta suposicin, la tasa media de llegada permanece constante sin importar cuntas unidades hay en el sistema de lnea de espera. Esta suposicin de una poblacin infinita se hace en la mayora de los modelos de lnea de espera.

En otros casos, se asume que la cantidad mxima de unidades o clientes que pueden buscar servicio es finita. En esta situacin, la tasa media de llegada para el sistema cambia, dependiendo de la cantidad de unidades en la lnea de espera y se dice que el modelo de lnea de espera tiene una poblacin finita.

Las frmulas para las caractersticas operativas de los modelos de lnea de espera anteriores deben modificarse para explicar el efecto de la poblacin finita.

El modelo de poblacin finita que se expone en esta seccin se basa en las siguientes suposiciones: 1.Las llegadas para cada unidad siguen una distribucin de probabilidad de Poisson, con una tasa media de llegada . 2.Los tiempos de servicio siguen una distribucin de probabilidad exponencial, con una tasa media de servicio . 3.La poblacin de unidades que pueden buscar servicio es finita. Con un solo canal, el modelo de lnea de espera se conoce como modelo M/M/1 con una poblacin finita

18

ITPN

CARLOS MADERA

IO 2

La tasa de llegada media para el modelo M/M/1 con una poblacin finita se define en funcin de cun a menudo llega o busca servicio cada unidad. Esta situacin difiere de la de modelos de lnea de espera anteriores en los que denotaba la tasa media de llegada para el sistema. Con una poblacin finita, la tasa media de llegada para el sistema vara, dependiendo de la cantidad de unidades en el sistema. En lugar de ajustar para la tasa de llegada del sistema cambiante, en el modelo de poblacin finita indica la tasa media de llegada para cada unidad Caractersticas operativas para, el modelo M/M/1 con una poblacin finitade demandantes Las siguientes formulas se usan para determinar las caractersticas operativas de estado estable para el modelo M/M/1 con una poblacin finita donde: = la tasa media de llegada para cada unidad = la tasa media de servicio N= el tamao de la poblacin

Considere una lnea de espera con dos canales con llegadas de poisson y tiempos de servicio exponenciales. La tasa media de llegada es de 14 unidades por hora, y la tasa media de servicio es de 10 unidades por hora para cada canal. a. Cul es la probabilidad de que no haya unidades en el sistema? b. Cul es la cantidad de unidades promedio en el sistema? c. Cul es el tiempo promedio que espera una unidad por servicio? d. Cul es el tiempo promedio que una unidad esta en el sistema? e. Cul es la probabilidad de tener que esperar por el servicio? = 14 unidades/hora = 10 unidades/hora k=2

19

ITPN

CARLOS MADERA

IO 2

20

ITPN

CARLOS MADERA

IO 2

21

ITPN

CARLOS MADERA

IO 2

2.6 UN SERVIDOR, COLA INFINITA, FUENTE INFINITA

Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan tiempo de procesador. Llegadas (Fuente): Es un conjunto de individuos (no necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin. Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredecible en que momento llegarn. El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan una a la vez. 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. Cola: Propiamente dicha, 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. En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas. Instalacin de Servicio (Servidor): Se supone que un solo servidor proporciona el servicio que vara aleatoriamente. Salidas: No se permite que las unidades que salgan entren inmediatamente al servicio.

Sistemas de colas: Etiquetas para distintos modelos

Para este modelo se considera lo siguiente:

22

ITPN

CARLOS MADERA

IO 2

Slo hay un servidor y una cola. Las llegadas son aleatorias y provienen de una distribucin de probabilidad de Poisson o de Markov. Se supone que el tiempo de servicio es tambin una variable aleatoria que sigue una distribucin exponencial o de Markov. Se supone adems que los tiempos de servicios son independientes entre s e independientes del proceso de llegada. La disciplina de cola se basa en el principio FIFO (primero en llegar primero en salir) y no hay un lmite para el tamao de la cola (Cola infinita). Las tasas de llegadas y de servicio no cambian con el tiempo. El proceso ha estado en operacin el tiempo suficiente para eliminar los efectos de las condiciones iniciales. Notacin de Kendall: A/B/C : D/E/F A: Distribucin de tiempos entre llegadas B: Distribucin de tiempos de servicio C : Nmero de servidores (1,2,,) D: Disciplina del servicio. PEPS: Primero en Llegar, Primero en ser Servido UEPS: ltimo en Llegar, Primero en ser Servido SEOA: Servicio en Orden Aleatorio PR: Prioridades GD: Disciplina General E : Nmero mximo de clientes permitidos en el sistema (en cola + en servidores)/ Restriccin de capacidad en el sistema. F : Tamao de la Poblacin Ejemplo: M/M/1// significa un solo servidor, capacidad de cola ilimitada y poblacin infinita de arribos potenciales. Los tiempos entre arribos y los tiempos de servicio son distribuidos exponencialmente.
23

ITPN

CARLOS MADERA

IO 2

Cuando (E) y (F) son infinitos, pueden ser descartados de la notacin. M/M/1// es reducido a M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio exponenciales.

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

Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema (o tres o ms esperando en la cola). LubriMex proporciona un servicio de un solo canal de cambio de aceite y lubricante de automviles. Las llegadas nuevas ocurren a una tasa de 2,5 automviles por hora y la tasa media de servicio es de 5 automviles por hora. Suponga que las llegadas siguen una distribucin de probabilidad de Poisson y que los tiempos de servicio siguen una distribucin de probabilidad exponencial. Cul es la cantidad promedio de automviles en el sistema?

24

ITPN

CARLOS MADERA

IO 2

Cul es el tiempo promedio que espera un automvil que comience el servicio de aceite y lubricacin? Cul es el tiempo promedio que pasa un automvil en el sistema? Cul es la probabilidad de que una llegada tenga que esperar por el servicio (factor de utilizacin)?

25

ITPN

CARLOS MADERA

IO 2

2.7 SERVIDORES MLTIPLES, COLA INFINITA, FUENTE INFINITA

En el sistema de canales mltiples, las unidades que llegan esperan en una sola lnea y luego pasan al primer canal disponible para ser servidas.. Las ecuaciones para las caractersticas de operacin se vuelven un poco ms complicadas. Sea :

N = nmero de servidores. A = tasa promedio de llegadas (llegadas por unidad de tiempo). S = tasa promedio de servicio por cada servidor (llegadas por unidad de tiempo).

La cantidad P0 es la probabilidad de que no haya llegadas en una unidad de tiempo, lo cual no lo hace ms fcil de calcular. Para dos o tres servidores pueden combinarse y simplificar las dos ecuaciones para obtener, para N=2

26

ITPN

CARLOS MADERA

IO 2

Ntese que para N = 1 este modelo se reduce al modelo de un servidor.

2.8 SERVIDORES MLTIPLES, COLA FINITA, FUENTE FINITA.

Este tipo de modelo es el M/M/c : DG//, donde el limite del sistema es finito igual a N; eso quiere decir que el tamao mximo de la cola es N c. Las tasas de llegada y de servicio son y . Las caracteristicas operativas para este sistema se calculan como sigue:

27

ITPN

CARLOS MADERA

IO 2

Ejemplo Dos mecnicos atienden 5 maquinas en un taller. Cada mquina se descompone cada una media de 3/hora. El tiempo de reparacin por maquina es exponencial con una distribucin de poisson con una media de 15 min. A) encuentre la probabilidad de que los dos mecnicos estn ociosos y la probabilidad que uno de ellos este desocupado. b) cual es el numero esperado de maquinas inactivas que no se le est dando servicio c) cual es el nmero total de maquinas inactivas

Probabilidad de que exista cero clientes en el sistema

Probabilidad de que exista n unidades en el sistema

28

ITPN

CARLOS MADERA

IO 2

B) Probabilidad de que exista n unidades en el sistema

29

ITPN

CARLOS MADERA

IO 2

UNIDAD # 3 TEORIA DE DESICIONES

30

ITPN

CARLOS MADERA

IO 2

3.1.- CARACTERISTICAS GENERALES

La teora de la decisin: Es una metodologa prescriptiva o normativa que indica cmo se debe decidir para ser consecuentes con los objetivos, preferencias y ciertos principios impuestos por la teora. (Cmo se debe decidir, pero no que decidir). La teora de la decisin se enfoca como una tcnica cuantitativa que sirve de apoyo a la toma de decisiones. La teora de la decisin es un proceso donde se identifican, se valoran y se seleccionan las mejores acciones, sobre las alternativas evaluadas, para solucionar los problemas o dificultadas presentadas o para el aprovechamiento de las oportunidades.

Partes de la teora decisin

31

ITPN

CARLOS MADERA

IO 2

En lugar de tomar decisiones en periodo largo, la preocupacin ahora se refiere a tomar quiz una sola decisin (o a lo ms una secuencia de unas cuantas decisiones) sobre que hacer en el futuro inmediato. No obstante, todava se tienen factores aleatorios fuera de nuestro control que crea cierta incertidumbre sobre el resultado de cada uno de los diferentes cursos de accin. El anlisis de decisiones proporciona un marco conceptual y una metodologa para la toma de decisiones racional en este contexto. Una pregunta que surge con frecuencia, es si tomar la decisin necesaria en este momento o hacer primero algunas pruebas (con algn costo) para reducir el nivel de incertidumbre sobre el resultado de la decisin Anlisis de decisin se usa un proceso racional para seleccionar la mejor de varias alternativas. La bondad de una alternativa seleccionada depende de la calidad de los datos que se usen para describir el caso de la decisin.

Desarrollo de alternativas Definicin del problema: La confusin para definir un problema se presenta, en parte debido a los hechos a los aspectos que captan la atencin de aquellos que toman las decisiones. Anlisis: Al momento de tener bien claro la definicin del problema que asecha a la empresa debemos de diagnosticar o analizar las causas provocan el problema Desarrollo de soluciones: En esta parte puede resultar razonablemente sencilla, cuando se tienen soluciones programadas, pero no tan sencillas tratndose de soluciones complejas, sobre todo si existe limitacin de tiempo. Seleccin de la decisin: Se llega a la etapa en donde es debe tomar la solucin mas acertada y aceptable para la organizacin sin perder de vista los objetivos de la empresa. Estrategia de ejecucin: Aqu se trata de implementar y ejecutar la decisin delegando responsabilidades estableciendo planes para abordar las dificultades que se podran encontrar en la implementacin de la decisin, por eso es importante monitorear las actividades que se realizan. Desde el punto de vista, un proceso de toma de decisin puede caer en una de las tres categoras:
32

ITPN

CARLOS MADERA

IO 2

Toma de decisiones bajo certidumbre, en la que los datos se conocen en forma determinista. Toma de decisiones bajo riesgo, en la que los datos se pueden describir con distribuciones de probabilidades

3.2 .-CRITERIOS DE DECISIN DETERMINISTICOS Y PROBABILSTICOS

Deterministicos. Los enfoques de la toma de decisiones que no requieren un conocimiento de las probabilidades de los estados de la naturaleza son apro-piados en situaciones en los que el tomador de decisiones tiene poca confianza en su capacidad para evaluar las probabilidades, o en las que es deseable un anlisis simple del mejor y el peor caso. Debido a que en ocasiones enfoques diferentes conducen a diferentes recomendaciones, el tomador de decisiones necesita entender los enfoques disponibles y luego seleccionar el enfoque especfico que, de acuerdo con su juicio, sea el ms apropiado. Enfoque optimista. Evala cada alternativa de decisin en funcin del mejor resultado que pueda ocurrir. La alternativa de decisin que se recomienda es la que da el mejor resultado posible. Para un problema en el que se desea la ganancia mxima el enfoque optimista conducira al tomador de decisiones a elegir la alternativa correspondiente a la mayor ganancia. Para problemas que implican minimizacin, este enfoque conduce a elegir la alternativa con el resultado ms pequeo. Se basa en determinar el mejor resultado para cada alternativa de decisin; luego, seleccionamos la alternativa de decisin que proporciona el mximo resultado global. Estos pasos identifican de manera sistemtica la alternativa de decisin que proporciona. Enfoque conservador Evala cada alternativa de decisin desde el punto de vista del peor resultado que pueda ocurrir. La alternativa de decisin recomendada es la que proporciona el mejor de los peores resultados posibles. Para un problema en el que la medida de salida es la ganancia el enfoque conservador conducira al tomador de decisiones a elegir la alternativa que maximiza la ganancia mnima posible que
33

ITPN

CARLOS MADERA

IO 2

podra obtenerse. Para problemas que implican minimizacin, este enfoque identifica la alternativa que minimizar el resultado mximo. Para mostrar el enfoque conservador, primero, identificamos el resultado mnimo para cada una de las alternativas de decisin, luego, seleccionamos la alternativa de decisin que maximiza el resultado mnimo. Este enfoque de decisin se considera conservador debido a que identifica el peor resultado posible y luego recomienda la alternativa de decisin que evita la posibilidad de resultados extremadamente "malos". Probabilsticos En muchas situaciones de toma de decisiones podemos obtener evaluaciones de probabilidad para los estados de la naturaleza. Cuando estn disponibles dichas probabilidades podemos usar el enfoque del valor esperado para identificar la mejor alternativa de decisin. Definamos primero el valor esperado de una alternativa de decisin.

3.3 VALOR INFORMACIN PERFECTA

Investigacin de operaciones como instrumento para la toma de decisiones.

La investigacin de operaciones debera constituir una parte del proceso para la toma de decisiones en una empresa. Todo administrador tiene que tomar decisiones y se debe sentir optimista respecto al resultado de las mismas, exigiendo los hechos escuetos, que quiere cuantificados, e intenta utilizar cualesquier relaciones que le parecen importantes, y quiere comprender la totalidad del proceso que dirige. stos son los mismos tipos de objetivos que persigue la investigacin de operaciones y, en consecuencia, sta es ampliamente compatible con todas las reas de la administracin de la empresa. Sin embargo, para llegar al estado en que el mtodo de investigacin se emplea dentro de una firma, no es posible instalarlo simultneamente en todos los niveles; lo nico que se puede hacer es instruir a la direccin en el procedimiento y dejar que se desenvuelva. Un mtodo diagramtico para representar y analizar los problemas de decisin. Un rbol de decisin es un diagrama del problema que tiene el decisor. Los rasgos principales del rbol son puntos de ramificacin y cada punto designa una seleccin de acciones, una de las cuales debe ser tomada por el decisor, o un grupo de resultados con incertidumbre, uno de los cuales ocurrir
34

ITPN

CARLOS MADERA

IO 2

El primer tipo de puntos de ramificacin se conoce como nudo de decisin y l ltimo tipo es llamado nudo de incertidumbre.

EJEMPLO:

35

ITPN

CARLOS MADERA

IO 2

3.4.-RBOLES DE DECISIN
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.

3.5-TEORA DE UTILIDAD
En la teora de la Utilidad se supone que los consumidores poseen una informacin completa acerca de todo lo que se relacione con su decisin de consumo, pues conoce todo el conjunto de bienes y servicios que se venden en los mercados, adems de conocer el precio exacto que tienen y que no pueden variar como resultado de sus acciones como consumidor, adicionalmente tambin conocen la magnitud de sus ingresos. Por tanto; La actitud de consumo de bienes ser diferente para cada uno de ellos, independiente de la satisfaccin que deseen obtener. De lo anterior se deriva la idea de definir a la utilidad como la cualidad que vuelve deseable a un bien, dicha utilidad est basada en los estudios que realizaron los economistas clsicos. Adam Smith y David Ricardo, quienes fundamentaban sus razones acerca de la utilidad de los objetos por la capacidad que tienen para satisfacer una necesidad. El nico medio para medir la utilidad de las cosas consiste en utilizar
36

ITPN

CARLOS MADERA

IO 2

una escala subjetiva de gustos que muestre tericamente un registro estadstico de la utilidad del consumo que se hace. Sin embargo, existen otras razones por las cuales tambin puede obtenerse satisfaccin y no es precisamente utilidad.

3.6 DECISIONES SECUENCIALES

Decisiones Secuenciales Son decisiones encadenadas entre s que se presentan a lo largo del perodo de estudio previamente seleccionado. En Consecuencia, la decisin inicial se toma sobre la base de la consideracin explcita de otras decisiones futuras. En muchas ocasiones, sobre todo en aquellos proyectos que abarcan varios aos, la decisin inicial puede someterse a sucesivas decisiones posteriores, como consecuencia de ir acumulando informacin. As una decisin puede condicionar decisiones posteriores y a su vez ser condicionada por decisiones tomadas con anterioridad a la misma. El anlisis del problema de decisin bajo el enfoque secuencial suele ser preferible al enfoque esttico, dado que es normal que una decisin tomada en el momento inicial condicione decisiones en los momentos posteriores de tiempo.

3.7.-Anlisis de Sensibilidad
El anlisis de sensibilidad es una de las partes ms importantes en la programacin lineal, sobre todo para la toma de decisiones; pues permite determinar cundo una solucin sigue siendo ptima, dados algunos cambios ya sea en el entorno del problema, en la empresa o en los datos del problema mismo. Este anlisis consiste en determinar que tan sensible es la respuesta ptima del Mtodo Simplex, al cambio de algunos datos como las ganancias o costos unitarios (coeficientes de la funcin objetivo) o la disponibilidad de los recursos (trminos independientes de las restricciones). La variacin en estos datos del problema se analizar individualmente, es decir, se analiza la sensibilidad de la solucin debido a la modificacin de un dato a la vez, asumiendo que todos los dems permanecen sin alteracin alguna. Esto es importante porque estamos hablando de que la sensibilidad es esttica y no dinmica, pues solo contempla el cambio de un dato a la vez y no el de varios.

37

ITPN

CARLOS MADERA

IO 2

UNIDAD # 4 CADENAS DE MARKOV

38

ITPN

CARLOS MADERA

IO 2

4.1 Introduccin
En la teora de la probabilidad, se conoce como cadena de Markov a un tipo especial de proceso estocstico discreto en el que la probabilidad de que ocurra un evento depende del evento inmediatamente anterior. En efecto, las cadenas de este tipo tienen memoria. "Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos independientes, como tirar una moneda al aire o un dado. Reciben su nombre del matemtico ruso Andrei Andreevitch Markov (1856-1922), que las introdujo en 1907. Estos modelos muestran una estructura de dependencia simple, pero muy til en muchas aplicaciones. En matemticas, se define como un proceso estocstico discreto que cumple con la propiedad de Markov, es decir, si se conoce la historia del sistema hasta su instante actual, su estado presente resume toda la informacin relevante para describir en probabilidad su estado futuro. Ejemplo Se lanza un dado repetidas veces. Cada vez que sale menor que 5 se pierde $1, y cada vez que sale5 6 se gana $1. El juego acaba cuando se tienen $0 $100. Sea Xt=estado de cuentas en el instante t. Tenemos que {Xt} es una CMS= {0, 1, 2,, 100}

4.2 FORMULACIN DE LAS CADENAS DE MARKOV

Una cadena de Markov es una serie de eventos, en la cual laprobabilidad de que ocurra un evento depende del evento inmediato anterior.En efecto, las cadenas de
39

ITPN

CARLOS MADERA

IO 2

este tipo tienen memoria. "Recuerdan" el ultimoevento y esto condiciona las posibilidades de los eventos futuros. Estadepen dencia del evento anterior distingue a las cadenas de Markov de lasseries de eventos independientes, como tirar una moneda al aire o un dado. En la figura se muestra el proceso para formular una cadena de Markov;el generador de Markov produce uno de n eventos posibles. Ej.Donde j = 1, 2,. . . , n, a intervalos discretos de tiempo (que no tiene que ser iguales). Lasprobabilidades de ocurrencia para cada uno de estos eventos dependen delestado del generador. Este estado se describe por el ltimo evento generado.En la figura 4.1.1, el ltimo evento generado fue Ej. De manera que elgenerador se encuentra en el estado Mj.

La probabilidad de que Ek sea el siguiente evento generado es una probabilidad condicional: P (Ek/Mj). Esto se llama probabilidad de transicin del estado Mj al estado Ek. Para describir completamente una cadena de Markov es necesario saber el estado actual y todas las probabilidades de transicin.

4.3 PROCESOS ESTOCSTICOS.

Un proceso estocstico se define sencillamente como una coleccin indexada de variables aleatorias {X1}, donde el subndice t toma valores de un conjunto T dado. Con frecuencia T se toma como el conjunto de enteros no negativos y X, representa una caracterstica de inters medible en el tiempo t. Por ejemplo, el proceso estocstico, X1,X2, X3,.., Puede representar la coleccin de niveles de inventario semanales (o mensuales) de un producto dado, o puede representar la coleccin de demandas semanales (o mensuales) de este producto. Un estudio del comportamiento de un sistema de operacin durante algn periodo suele llevar al anlisis de un proceso estocstico con la siguiente estructura. En
40

ITPN

CARLOS MADERA

IO 2

puntos especficos del tiempo t, el sistema se encuentra exactamente en una de un numero finito de estados mutuamente excluyentes y exhaustivos, etiquetados 0, 1, S. Los periodos en el tiempo pueden encontrarse a intervalos iguales o su esparcimiento puede depender del comportamiento general del sistema en el que se encuentra sumergido el proceso estocstico.

4.4 PROPIEDAD MARKOVIANA DE PRIMER ORDEN.

Un proceso markoviano de orden 1 es un proceso estocstico de orden 1 en el cual su pasado no tiene ninguna influencia en el futuro si su presente esta especificado. Cuando una probabilidad condicional depende nicamente del suceso inmediatamente anterior, cumple con el Principio de Markov de Primer Orden, es decir:

P(X (t +1) =j X (0) =K, X (1) =K, X (t) =i) =P(X (t +1) =j X (t) =i) =pij 0 1

Definiciones en los procesos de Markov de primer orden: Estados: Las condiciones en las cuales se encuentra un ente o sucesos posibles. Ensayos: Las ocurrencias repetidas de un evento que se estudia. Probabilidad de Transicin: La probabilidad de pasar de un estado actual al siguiente en un periodo o tiempo, y se denota por pij (la probabilidad de pasar del estado i al estado j en una transicin o periodo)

Caractersticas de los procesos de Markov de primer orden: Se pueden usar como modelo de un proceso fsico o econmico que tenga las siguientes propiedades: a) Que la probabilidad cumpla con el principio de Markov. b) Existencia de un nmero finito de estados. c) Las pij son constante con respecto al tiempo o periodo.

41

ITPN

CARLOS MADERA

IO 2

d) Ensayos en periodos iguales.

Si un suceso depende de otro adems del inmediatamente anterior, este es un proceso de Markov de mayor orden. Por ejemplo, un proceso de segundo orden describe un proceso en el cual el suceso depende de los dos sucesos anteriores. 4.5 PROBABILIDAD DE TRANSICIN DE UN SOLO PASO. Suponga: Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede ordenar cada semana. Sean D1, D2, las demandas de esta cmara durante la primera, segunda, , semana, respectivamente. Se supone que las Di son variables aleatorias independientes e idnticamente distribuidas que tienen una distribucin de probabilidad conocida. Sea X0 el nmero de cmaras que se tiene en el momento de iniciar el proceso, X1 el nmero de cmaras que se tienen al final de la semana uno, X2 el nmero de cmaras al final de la semana dos, etc. Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S)1 para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1 (no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la demanda excede el inventario. Entonces, {X1} para t = 0, 1, ..es un proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final de la semana. Observe que {Xi}, en donde Xi es el nmero de cmaras en el almacn al final de la semana t ( antes de recibir el pedido }), es una cadena de Markov.

42

ITPN

CARLOS MADERA

IO 2

4.6 PROBABILIDAD TRANSICIN ESTACIONARIAS DE N PASOS. Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular estas probabilidades de transicin de n pasos: Estas ecuaciones simplemente sealan que al ir de un estado i al estado j en n pasos, el proceso estar en algn estado k despus de exactamente m (menor que n) pasos. As, Es solo la probabilidad condicional de que, si se comienza en el estado i, el proceso vaya al estado k despus de m pasos y despus al estado j en n- m pasos. Los casos especiales de m=1 y m=n-1 conducen a las expresiones Para toda i, j, y n de lo cual resulta que las probabilidades de transicin de n pasos se pueden obtener a partir de las probabilidades de transicin de un paso de manera recursiva. Para n=2, estas expresiones se vuelven: Note que las son los elementos de la matriz P(2) , pero tambin debe de observarse que estos elementos, se obtienen multiplicando la matriz de transicin de un paso por s misma; esto es , P(2) = P * P = P2 . En trminos ms generales, se concluye que la matriz de probabilidades de transicin de n pasos se puede obtener de la expresin: P(n) = P * P. P = Pn = PPn1 = Pn-1 P. Entonces, la matriz de probabilidades de transicin de n pasos se puede obtener calculando la n-sima potencia de la matriz de transicin de un paso. Para valores no muy grandes de n, la matriz de transicin de n pasos se puede calcular en la forma que se acaba de describir, pero cuando n es grande, tales clculos resultan tediosos y, ms an, los errores de redondeo pueden causar inexactitudes

43

ITPN

CARLOS MADERA

IO 2

4.7 CADENAS DE MARKOV CON ESTADOS ABSORBENTES

A diferencia de los estados recurrentes, los estados absorbentes tendrs sumas de probabilidades que con el correr del tiempo llegarn a ser cero, todo esto debido a que hay estados que tiene probabilidad 1 y por ende los dems estados tendern a llegar a esta clase de estados .

Para tener una idea ms clara sobre ste concepto, se muestra el siguiente ejemplo:

La empresa jurdica Angie Montero, emplea 3 tipos de abogados: subalternos, superiores y socios. Durante cierto ao el 10% de los subalternos ascienden a superiores y a un 10% se les pide que abandonen la empresa. Durante un ao cualquiera un 5% de los superiores ascienden a socios y a un 13% se les pide la renuncia. Los abogados subalternos deben ascender a superiores antes de llegar a socios. Los abogados que no se desempean adecuadamente, jams descienden de categora.

a) Forme la matriz de transicin b) Determine si T es regular, absorbente o ninguna de c) Calcule la probabilidad de que un abogado subalterno llegue d) Cunto tiempo deber permanecer en su categora un subalterno recin contratado? e) Cunto tiempo deber permanecer en la empresa un subalterno recin contratado? f) Calcule la probabilidad de que un abogado superior llegue

T las 2. a socio abogado abogado a socio.

a)

Se

hace

la

matriz

nos

queda:

44

ITPN

CARLOS MADERA

IO 2

b) Ntese que la parte azul cielo tiene probabilidades iguales a 1, por lo tanto esta es la parte absorbente de la matriz. Por esta razn es una matriz absorbente.

Ahora se procede a restar la matriz normal de la identidad y se halla la inversa para ver los tiempos entre estados, para posteriormente esta ltima ser multiplicada por la matriz absorbente y saber las probabilidades de cambios de estado.

c) Al multiplicar la matriz inversa por la Absorbente se puede hallar dicha probabilidad, esta es 0.14

d) Al simplemente hallar la matriz inversa se es posible hallar el tiempo en aos

45

ITPN

CARLOS MADERA

IO 2

que debera permanecer normalmente un abogado subalterno en su compaa, seran 5 aos.

e) Cuando piden el tiempo que debera permanecer un abogado subalterno pero durante la empresa sera sumar el tiempo en que se queda como subalterno con el tiempo en que permanece como superior: esto es, 5+2.77= 7.77 aos.

f) Por ltimo la probabilidad de que pase de subalterno a socio es mostrado en la ltima matriz, sera 0,28.

En una cierta region el tiempo atmosferico sigue la siguiente . Un dia se denomina soleado (s) si el sol luce mas de la mitad del dia y nublado si luce menos , por experiencia se sabe que si hay un dia nublado es igual de probable que el dia siguiente sea igual de nublado. Si el dia es soleadohay una probabilidad de 2/3 de que sea tambien soleado a) Elabore amtriz del proceso b) Si hoy esta nublado cual es la probabilidad de que dentro de 3 dias tambien este nublado ? y de que este soleado ?
N N S 1/2 1/3 S 1/2 2/3

(
( )

) ( )(

) ) )

)(

(
N= 0.403 S = 0.597

46

ITPN

CARLOS MADERA

IO 2

UNIDAD # 5 OPTIMIZACION DE REDES

47

ITPN

CARLOS MADERA

IO 2

5.1 TERMINOLOGA
Una red consiste en un conjunto de puntos y un conjunto de lneas que unen ciertos pares de puntos. Una red consiste en: Nodos (vrtices). Arcos (ligaduras, aristas o ramas).

RED DIRIGIDA: Conjunto de nodos unidos por arcos dirigidos. ARCO DIRIGIDO: Aquel que permite el flujo en una sola direccin. ARCO NO DIRIGIDO: Aquel que permite el flujo en ambas direcciones. CAMINO: Secuencia de arcos que conectan nodos. CAMINO DIRIGIDO (CAMINO): Secuencia de arcos dirigidos en el sentido del nodo final. CAMINO NO DIRIGIDO (CADENA): Secuencia de cuyo sentido puede ser hacia o desde el nodo final. CICLO: Camino que empieza y acaba en el mismo nodo. TRAYECTORIA: Sucesin de arcos distintos y puede ser dirigida o no dirigida.

5.2 PROBLEMAS DE LA RUTA MS CORTA. REDES CCLICAS Y ACCLICAS.

El problema de la ruta ms corta tiene que ver con la determinacin de las ramas conectadas en una red de transporte que constituyen, en conjunto, la distancia ms corta entre una fuente y un destino. El propsito fundamental del empleo del mtodo de la ruta ms corta es aprovechar los recursos que se tiene y aprovecharlos al mximo. En la solucin de algn tipo de problema se busca el destino ms corto para llegar a un destino. Suele ser til en distintos problemas, se desarrolla en formas diferentes pero siempre obteniendo la solucin ms ptima.

48

ITPN

CARLOS MADERA

IO 2

Red dirigida (cclicas): Es una red que tiene solo arcos dirigidos.

Red no dirigida (acclicas): Es una red donde todos sus arcos son no dirigidos.

49

ITPN

CARLOS MADERA

IO 2

5.3 PROBLEMA DE RBOL DE MNIMA EXPANSIN

rbol: Es un grafo en el que existe un nico nodo desde el que se puede acceder a todos los dems y cada nodo tiene un nico predecesor, excepto el primero, que no tiene ninguno. Tambin podemos definir un rbol como:
o o

Un grafo conexo y sin ciclos. Un grafo sin ciclos y con n-1 aristas, siendo n el nmero de vrtices.

Grado de un nodo en un rbol es el nmero de subrboles de aquel nodo (en el ejemplo, el grado de v1 es 2 y de v2 1). Denominamos hojas en un rbol a los nodos finales (v3, v5 y v6). Un rbol de mximo alcance es aquel que obtenemos en un grafo conexo y sin ciclos. rbol de mnima expansin: rbol de mximo alcance cuyo valor es mnimo, es decir, la suma de sus aristas es mnima.

ALGORITMO DE KRUSKAL El algoritmo de Kruskal permite hallar el rbol minimal de cualquier grafo valorado (con capacidades). Hay que seguir los siguientes pasos: 1. Se marca la arista con menor valor. Si hay ms de una, se elige cualquiera de ellas. 2. De las aristas restantes, se marca la que tenga menor valor, si hay ms de una, se elige cualquiera de ellas. 3. Repetir el paso 2 siempre que la arista elegida no forme un ciclo con las ya marcadas. 4. El proceso termina cuando tenemos todos los nodos del grafo en alguna de las aristas marcadas, es decir, cuando tenemos marcados n-1 arcos, siendo n el nmero de nodos del grafo. Ejemplo: Determinar el rbol de mnima expansin para el siguiente grafo:

50

ITPN

CARLOS MADERA

IO 2

Siguiendo el algoritmo de Kruskal, tenemos:

Elegimos, por ejemplo, la arista (5, 6) = 1 (menor valor) y la marcamos. Elegimos la siguiente arista con menor valor (1, 3) = 1 y la marcamos. Elegimos la siguiente arista con menor valor (5, 7) = 2 y la marcamos, ya que no forma ciclos con ninguna arista de las marcadas anteriormente. Elegimos la siguiente arista con menor valor (1, 2) = 3 y la marcamos, ya que no forma ciclos con ninguna arista de las marcadas anteriormente. Elegimos la siguiente arista con menor valor (6, 7) = 4 y la desechamos, ya que forma ciclos con las aristas (5, 7) y (5, 6) marcadas anteriormente. Elegimos la siguiente arista con menor valor (2, 5) = 5 y la marcamos, ya que no forma ciclos con ninguna arista de las marcadas anteriormente. Elegimos la siguiente arista con menor valor (4, 5) = 6 y la marcamos, ya que no forma ciclos con ninguna arista de las marcadas anteriormente. FIN. Finalizamos dado que los 7 nodos del grafo estn en alguna de las aristas, o tambin ya que tenemos marcadas 6 aristas (n-1). Por tanto el rbol de mnima expansin resultante sera:

51

ITPN

CARLOS MADERA

IO 2

5.4 PROBLEMA DE FLUJO MXIMO

En algunas redes circula por los arcos un flujo (envo o circulacin de unidades homogneas de algn producto: automviles en una red de carreteras, litros de petrleo en un oleoducto, bits por un cable de fibra ptica) desde el origen o fuente al destino, tambin denominado sumidero o vertedero. Los arcos tienen una capacidad mxima de flujo, y se trata de enviar desde la fuente al sumidero la mayor cantidad posible de flujo, de tal manera que:

El flujo es siempre positivo y con unidades enteras. El flujo a travs de un arco es menor o igual que la capacidad. El flujo que entra en un nodo es igual al que sale de l.

En el caso de que el origen o el destino no existan en el problema, se aaden ficticiamente utilizando arcos unidireccionales de capacidad infinita, como en grafo mostrado a continuacin:

Corte: Un corte define una serie de arcos cuya supresin de la red causa una interrupcin completa del flujo entre el origen y el destino. La capacidad de corte es igual a la suma de las capacidades de los arcos asociados. Entre todos los cortes posibles en la red , el corte con la menor capacidadproporciona el flujo mximo en la red.

El siguiente grafo ilustra 3 cortes: el Corte 1 con capacidad 60, el Corte 2 con capacidad 110 y el Corte 3 con capacidad 70. Todo lo que podemos obtener de los 3 cortes es que el flujo mximo en la red no excede de 60 unidades. No podemos saber cual es el flujo mximo hasta que se hayan enumeradotodos los cortes en la red:

52

ITPN

CARLOS MADERA

IO 2

Las capacidades se identifican como sigue: por ejemplo, para el arco (3,4), el lmite de flujo es de 10unidades de 3 a 4 y de 5 unidades de 4 a 3. Algoritmo de Ford-Fulkerson

El algoritmo de Ford-Fulkerson propone buscar caminos en los que se pueda aumentar el flujo, hasta que se alcance el flujo mximo. La idea es encontrar una ruta de penetracin con un flujo positivo neto que una los nodos origen y destino. Consideraremos las capacidades iniciales del arco que une el nodo i y el nodo j como Cij y Cji. Estas capacidades iniciales irn variando a medida que avanza el algoritmo, denominaremos capacidades residuales a las capacidades restantes del arco una vez pasa algn flujo por l, las representaremos como cij y cji. Para un nodo j que recibe el flujo del nodo i, clasificacin [aj,i] donde aj es el flujo del nodo i al nodo j. Los pasos del algoritmo se definen como sigue:

definimos

una

Paso 1: Inicializamos las capacidades residuales a las capacidades iniciales, hacemos (cij,cji)=(Cij,Cji) para todo arco de la red. Suponiendo el nodo 1 como el nodo origen, hacemos a1= y clasificamos el nodo origen con [,-]. Tomamos i=1 y vamos al paso 2. Paso 2: Determinamos Si como un conjunto que contendr los nodos a los que podemos acceder directamente desde i por medio de un arco con capacidad positiva, y que no formen parte del camino en curso. Si Si contiene algn nodo vamos al paso 3, en el caso de que el conjunto sea vaco saltamos al paso 4. Paso 3: Obtenemos kSi como el nodo destino del arco de mayor capacidad que salga de i hacia un nodo perteneciente a Si. Es decir, cik = max{cij} con jSi. Hacemos ak=cik y clasificamos el nodok con [ak,i]. Si k es igual al nodo destino o sumidero, entonces hemos encontrado una
53

ITPN

CARLOS MADERA

IO 2

ruta de penetracin, vamos al paso 5. En caso contrario continuamos con el camino, hacemos i=k y volvemos al paso 2. Paso 4 (retroceso): Si i=1, estamos en el nodo origen, y como Si es vaco, entonces no podemos acceder a ningn nodo, ni encontrar algn nuevo camino, hemos terminado, vamos al paso 6. En caso contrario, i1, le damos al valor i el del nodo que se ha clasificado inmediatamente antes, eliminamos i del conjunto Si actual y volvemos al paso 2. Paso 5: Llegados a este paso tenemos un nuevo camino: Np={1,k1,k2,,n}, esta ser la p-simaruta de penetracin desde el nodo origen al nodo destino. El flujo mximo a lo largo de esta ruta ser la capacidad mnima de las capacidades residuales de los arcos que forman el camino, es decir:fp=min{a1,ak1,ak2,,an}. La capacidad residual de cada arco a lo largo de la ruta de penetracin se disminuye por fp en direccin del flujo y se incrementa por fp en direccin inversa, es decir, para los nodos i y j en la ruta, el flujo residual se cambia de la (cij,cji) actual a (cij-fp,cji+fp) si el flujo es de i a j, o (cij+fp,cji-fp) si el flujo es de j a i Inicializamos i=1 y volvemos al paso 2 para intentar una nueva ruta de penetracin. Paso 6 (solucin): Una vez aqu, hemos determinado m rutas de penetracin. El flujo mximo en la red ser la suma de los flujos mximos en cada ruta obtenida, es decir: F=f1+f2++fm. Teniendo en cuenta que las capacidades residuales inicial y final del arco (i, j) las dan (Cij,Cji) y (cij,cji)respectivamente, el flujo mximo para cada arco se calcula como sigue: sea (, )=(Cij-cij, Cji-cji), si>0, el flujo ptimo de i a j es , de lo contrario, si >0, el flujo ptimo de j a i es . Es imposible lograr que tanto como sean positivas. Ejemplo: Determinar el flujo mximo en la red siguiente:

Iteracin 1:

54

ITPN

CARLOS MADERA

IO 2

Determinamos las residuales iniciales (cij,cji) iguales a las capacidades iniciales (Cij,Cji).

Paso 1: Hacemos ai=, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1. Paso 2: S1={2,3,4} (no vaco). Paso 3: k=3 ya que c13=max{c12,c13,c14}={20,30,10}=30. Hacemos a3=c13=30 y clasificamos el nodo 3 con [30,1]. Tomamos i=3 y repetimos el paso 2. Paso 2: S3={4,5} Paso 3: k=5 y a5=c35=max{10,20}=20. Clasificamos el nodo 5 con [20,3]. Logramos la penetracin, vamos al paso 5. Paso 5: La ruta de la penetracin se determina de las clasificaciones empezando en el nodo 5 y terminando en el nodo 1, es decir, 5[20,3]3[30,1]1. Las

Entonces la ruta es N1={1,3,5} y f1=min{a1,a3,a5}={,30,20}=20. capacidades residuales a lo largo de esta ruta son: (c13,c31)=(30-20, 0+20)=(10,20) (c35,c53)=(20-20, 0+20)=(0,20) Iteracin 2:

Paso 1: Hacemos ai=, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1.

55

ITPN

CARLOS MADERA

IO 2

Paso 2: S1={2,3,4}. Paso 3: k=2 y a2=c12=max{20,10,10}=20. Clasificamos el nodo 2 con [20,1]. Tomamos i=2 y repetimos el paso 2. Paso 2: S2={3,5} Paso 3: k=3 y a3=c23=max{30,40}=40. Clasificamos el nodo 3 con [40,2]. Tomamos i=3 y repetimos el paso 2. Paso 2: S3={4} (c35=0, el nodo 1 ya ha sido clasificado y el nodo 2 cumple ambas condiciones, por tanto los nodos 1, 2 y 5 no pueden ser incluidos en S3). Paso 3: k=4 y a4=c34=10. Clasificamos el nodo 4 con [10,3]. Tomamos i=4 y repetimos el paso 2. Paso 2: S4={5} Paso 3: k=5 y a5=c45=20. Clasificamos el nodo 5 con [20,4]. Logramos la penetracin, vamos al paso 5. Paso 5: La ruta de la penetracin es: 5[20,4]4[10,3]3[40,2]2[20,1]1. Las

Entonces la ruta es N2={1,2,3,4,5} y f2=min{,20,40,10,20}=10. capacidades residuales a lo largo de esta ruta son: (c12,c21)=(20-10, 0+10)=(10,10) (c23,c32)=(40-10, 0+10)=(30,10) (c34,c43)=(10-10, 5+10)=(0,15) (c45,c54)=(20-10, 0+10)=(10,10) Iteracin 3:

Paso 1: Hacemos ai=, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1. Paso 2: S1={2,3,4}. Paso 3: k=2 y a2=c12=max{10,10,10}=10, rompemos el empate arbitrariamente. Clasificamos el nodo 2 con [10,1]. Tomamos i=2 y repetimos el paso 2. Paso 2: S2={3,5}
56

ITPN

CARLOS MADERA

IO 2

Paso 3: k=3 y a3=c23=max{30,30}=30. Clasificamos el nodo 3 con [30,2]. Tomamos i=3 y repetimos el paso 2. Paso 2: S3 vaco ya que c34=c35=0. Vamos al paso 4 para retroceder. Paso 4: La clasificacin [30,2] nos dice que el nodo inmediatamente precedente es el 2. Eliminamos el nodo 3 de una consideracin posterior en esta iteracin. Tomamos i=2 y repetimos el paso 2. Paso 2: S2={5} Paso 3: k=5 y a5=c25=30. Clasificamos el nodo 5 con [30,2]. Logramos la penetracin, vamos al paso 5. Paso 5: La ruta de la penetracin es: 5[30,2]2[10,1]1.

Entonces la ruta es N2={1,2,5} y f3=min{,10,30}=10. Las capacidades residuales a lo largo de esta ruta son: (c12,c21)=(10-10, 10+10)=(0,20) (c25,c52)=(30-10, 0+10)=(20,10) Iteracin 4:

Paso 1: Hacemos ai=, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1. Paso 2: S1={3,4}. Paso 3: k=3 y a3=c13=max{10,10}=10. Clasificamos el nodo 3 con [10,1]. Tomamos i=3 y repetimos el paso 2. Paso 2: S3={2} Paso 3: k=2 y a2=c32=10. Clasificamos el nodo 2 con [10,3]. Tomamos i=2 y repetimos el paso 2. Paso 2: S2={5} Paso 3: k=5 y a5=c25=20. Clasificamos el nodo 5 con [20,2]. Logramos la penetracin, vamos al paso 5. Paso 5: La ruta de la penetracin es: 5[20,2]2[10,3]3[10,1]1.

Entonces la ruta es N4={1,3,2,5} y f4=min{,10,10,20}=10. Las capacidades residuales a lo largo de esta ruta son: (c13,c31)=(10-10, 20+10)=(0,30)
57

ITPN

CARLOS MADERA

IO 2

(c32,c23)=(10-10, 30+10)=(0,40) (c25,c52)=(20-10, 10+10)=(10,20) Iteracin 5:

Paso 1: Hacemos ai=, y clasificamos el nodo 1 con [a1,-]. Tomamos i=1. Paso 2: S1={4}. Paso 3: k=4 y a4=c14=10. Clasificamos el nodo 4 con [10,1]. Tomamos i=4 y repetimos el paso 2. Paso 2: S4={3,5} Paso 3: k=3 y a3=c23=max{15,10}=15. Clasificamos el nodo 3 con [15,4]. Tomamos i=3 y repetimos el paso 2. Paso 2: S3 vaco ya que c32=c34=c35=0. Vamos al paso 4 para retroceder. Paso 4: La clasificacin [15,4] nos dice que el nodo inmediatamente precedente es el 4. Eliminamos el nodo 3 de una consideracin posterior en esta iteracin. Tomamos i=4 y repetimos el paso 2. Paso 2: S4={5} Paso 3: k=5 y a5=c45=10. Clasificamos el nodo 5 con [10,4]. Logramos la penetracin, vamos al paso 5. Paso 5: La ruta de la penetracin es: 5[10,4]4[10,1]1.

Entonces la ruta es N2={1,4,5} y f3=min{,10,10}=10. Las capacidades residuales a lo largo de esta ruta son: (c14,c41)=(10-10, 0+10)=(0,10) (c45,c54)=(10-10, 10+10)=(0,20) Iteracin 6:

58

ITPN

CARLOS MADERA

IO 2

No son posibles ms penetraciones, debido a que todos los arcos fuera del nodo 1 tienen residuales cero. Vayamos al paso 6 para determinar la solucin.

Paso 6: El flujo mximo en la red es F=f1+f2++f5=60 unidades. El flujo en los diferentes arcos se calcula restando las ltimas residuales obtenidas en la ltima iteracin de las capacidades iniciales:

59

ITPN

CARLOS MADERA

IO 2

5.5.- PROBLEMA DE FLUJO DE COSTO MNIMO.

El problema de flujo de costo mnimo tiene una posicin medular entre los problemas de optimizacin de redes; primero abarca una clase amplia de aplicaciones y segundo, su solucin es muy eficiente. Igual que el problema de flujo mximo, toma en cuenta un flujo en una red con capacidades limitadas en sus arcos. Tambin considera un costo (o distancia) para el flujo a travs de un arco, tambin puede manejar varios orgenes (nodos fuente) y varios destinos (nodos demandas). Descripcin La red es una red dirigida conexa. Al menos uno de los nodos es nodo fuente. Al menos uno de los nodos es nodo demanda. El resto de los nodos son nodos de trasbordo. Se permite el flujo a travs de un arco slo en la direccin indicada por la flecha, donde la cantidad mxima de flujo est dada por la capacidad del arco. (Si el flujo puede ocurrir en ambas direcciones, debe representarse por un par de arcos con direcciones opuestas.) La red tiene suficientes arcos como suficiente capacidad para permitir que todos los flujos generados por los nodos fuente lleguen a los nodos demanda. El costo del flujo a travs del arco es proporcional a la cantidad de ese flujo, donde se conoce el costo por unidad. El objetivo es minimizar el costo total de enviar el suministro disponible a travs de la red para satisfacer la demanda dada. (Un objetivo alternativo es maximizar la ganancia total del envo.) Aplicaciones: El tipo ms importante de aplicacin del problema del flujo de costo mnimo es en la operacin de la red de distribucin de una compaa.

60

ITPN

CARLOS MADERA

IO 2

TIPO DE APLICACIN Operacin de una red de distribucin Administracin de desechos slidos Operacin de una red de suministros Coordinacin de mezcla de productos en plantas Administracin de flujo de efectivo

NODOS FUENTES Fuentes de bienes

NODOS DE TRASBORDO Almacene intermedios Instalaciones de procesamiento Almacenes intermedios Produccin de un artculo especfico Opciones de inversin a corto plazo

NODOS DE DEMANDA Consumidores

Fuente de desechos slidos Agentes de ventas

Rellenos

Instalaciones de procesamiento Mercado del producto especfico Necesidades de efectivo en tiempos especficos

Plantas

Fuentes de efectivo en tiempos especficos

61

ITPN

CARLOS MADERA

IO 2

5.6.- PROGRAMACION LINEAL EN TEORIA DE REDES

La programacin lineal es actualmente la tcnica matemtica utilizada ms actualmente gracias a que el algoritmo simplex es muy eficiente y al desarrollo de la computacin. Lo que se busca con la aplicacin de la programacin lineal es resolver problemas comunes y a la vez muy variados de la empresa en donde en general se tienen necesidades por satisfacer con cierto nmero de recursos limitados o escasos y con el objetivo de lograrlo en forma ptima. Ejemplo Una empresa ha dejado de fabricar ciertos productos, liberando de esta forma las cargas de produccin que tenan sus equipos en los departamentos de maquinado. Ahora se tienen horas mquina que se pueden utilizar en los productos denominados 1,2,3 de la siguiente manera: Mquina Horas por pieza de producto Horas Maq. Disponibles 1 2 3 por semana Fresadora 9 3 5 500 Torno 5 4 - 350 Rectificadora 3 - 2 150 Utilidad $/ pieza 50 20 25 Recomendacin del Mnimo Mnimo Mnimo Depto. Vtas a Prod. 30 15 20 Formular un modelo de Programacin Lineal para este problema

Definicin de variables a utilizar en el mtodo de programacin lineal

Sea: Xj = nmero de piezas de producto j(j=1,2,3) a fabricar para maximizar la utilidad.

Funcin econmica y objetivo:

MAX Z= 50X1 + 20X2 + 25X3 [ (Dls/Unidad) (Unidad/Sem)] = [Dls/Sem.] Sujeta a restricciones de horas mquina disponibles por semana Fresadora: 9X1 + 3X2 + 5X3 * 500 horas mquina fresadora Torno: 5X1 + 4X2 * 350 horas mquina torno Rectificadora: 3X1 + 2X3 * 150 horas maquina rectificadora Condiciones de signos pare las variables:
62

ITPN

CARLOS MADERA

IO 2

X1 * 30 piezas X2 * 15 piezas X3 * 20 piezas

63

ITPN

CARLOS MADERA

IO 2

BIBILIOGRAFIAS
http://equip4.files.wordpress.com/2010/12/unid-5-optimizacion-de-redes.docx

www.monografias.com

http://ingenierosindustriales.jimdo.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/teor%C3%ADa-de-redes/

http://karenbandala.wordpress.com/about/2-4-problema-flujo-maximo/

http://es.scribd.com/doc/61178886/28/PROBLEMA-DE-FLUJO-DE-COSTO-MINIMO

www.WIKIPEDIA.COM.MX

64