Universidad de Antofagasta 

Facultad de Ingeniería 
   Departamento de Ingeniería  Industrial 

Tutoría Programación Matemática

“Desarrollo Trabajo Investigación y Aplicación de

Conceptos”

Alumno: Elirio Tordecilla Guerrero 

Antofagasta, 01 Marzo de 2011 
 INDICE 

Contenido                    Página 
 
Objetivo Trabajo………………………………………………………………………………………………………  3  
 
¿Que es la programación Dinámica?............................................................................ 3 
  Etapas……………………………………………………………………………………………………………  3 
  Estados…………………………………………………………………………………………………………  3 
  Variables de decisión y políticas……………………………………………………………………  4 
  Función Recurrencia………………………………………………………………………………………  4 
 
El objetivo de la programación Dinámica………………………………………………………………….  4 
 
Estructura básica de la Programación Dinámica Deterministica………………………………..  5 
 
Tipos de Programación Dinámica………………………………………………………………………………  5 
 
Programación dinámica homogénea y no homogénea……………………………………  5 
 
Programación dinámica determinista y aleatoria……………………………………………  6 
 
Aplicaciones de la Programación Dinámica……………………………………………………………….  6 
 
Ejemplo # 1……………………………………………………………………………………………………………….  7 
 
Ejemplo # 2……………………………………………………………………………………………………………….  10 
 
¿Cuál es la diferencia entre Programación Dinámica Probabilística y Deterministica  12 
 
Desarrollo de problema Programación Dinámica………………………………………………………  12 
 
Conclusión…………………………………………………………………………………………………………………..  16 
 
Bibliografía………………………………………………………………………………………………………………….  17 
 
 
 
 
 
  

Pág. -2-
  
Trabajo de Investigación y Aplicación de Conceptos 
Programación Matemática 
Tutoría 
 
Objetivo: Lograr que el alumno aprenda las técnicas de programación dinámica (segunda 
unidad  de  la  asignatura  programación  matemática)  que  actualmente  existen  en  la 
Investigación Operativa.  
 
Fecha de entrega: 1 de Marzo 2011  
Forma de entrega: Informe Digital  
 
1.  Investigue  la  Programación  Dinámica  y  conteste  las  siguientes  preguntas  de  la  forma 
más completa que pueda. (30 puntos)  
 
a. ¿Qué es la Programación Dinámica?  
 
La programación dinámica fue desarrollada por el matemático Richard Bellman en 1953 y
está  considerada  como    una    potente    herramienta  de  optimización  de  carácter  muy  
general.    Constituye  una  disciplina  muy  importante  de  las  matemáticas  aplicadas  y  la 
investigación  operativa,    su  método  estándar  se  aplica  en  áreas  tan  dispares  como 
ingeniería,  inteligencia  artificial,  economía,  gestión,  administración,  etc.  Esta  técnica 
consiste  en  poder  determinar  de  manera  eficiente  las  decisiones  que  optimizan  el 
comportamiento de un sistema que evoluciona a lo largo de una serie de etapas, es decir, 
trata  de  encontrar  la  secuencia  de  decisiones  que  optimiza  el  comportamiento  de  un 
proceso  polietàpico.    Para  abordar  y  resolver  cualquier  problema  de  esta  naturaleza,  se 
debe definir el modelo, para lo cual se debe considerar lo siguiente: 
 
1.‐ Etapas 
En primer lugar se debe establecer la naturaleza de las etapas del proceso. En ocasiones, 
dichas etapas  son el resultado de una evolución natural del modelo a lo largo del tiempo  
y  en  otras  ocasiones  estas  etapas  tienen  que  ver  con  el  razonamiento  empleado  para 
resolver el problema. 
 
2.‐ Estados 
La variable de estado del sistema (Generalmente la más difícil de determinar) debe ser tal 
que  describa  la  información  necesaria  para  conocer  la  evolución  del  sistema  desde  la 
primera  etapa  hasta  la  etapa  actual.  La  programación  dinámica  admite  múltiples 
formulaciones de las variables de estado, en cada etapa podemos tener un número finito 
o infinito de estados y los estados pueden ser los mismos en cada etapa o ser diferentes 
para cada una de ellas. 

Pág. -3-
3.‐ Variables de decisión y políticas 
Lo más  fundamental de la programación dinámica es la necesidad de tomar una decisión, 
en que etapa, esta decisión debe representarse con una variable de decisión que describa 
la decisión a tomar. El rango de valores que puede tomar la variable de decisión puede ser 
diferente para cada uno de los estados del sistema, en función de sus características, y el 
número de variables de decisión para cada etapa puede ser finito o infinito. 
 
Resolver un modelo de programación dinámica exige hallar, para cada uno de los estados 
del sistema en cada una de las etapas, el valor óptimo de la variable de decisión. En otras 
palabras, deberemos obtener la política óptima para cada una de las etapas del sistema. 
 
4.‐ Función de recurrencia 
Se  supone  que  las  decisiones  que  debemos  tomar  en  cada  una  de  las  etapas  deben 
conducir  a  optimizar  (hacer  máxima  o  mínima)  una  determinada  función  descriptiva  del 
comportamiento  del  sistema.  A  diferencia  de  la  programación  lineal,  no  existen 
restricciones acerca de la forma de esta función: puede ser lineal, cuadrática, exponencial, 
pueden  multiplicarse  variables,  etc.  La  función  a  optimizar  debe  cumplir  una  condición 
importante;  la  función  a  optimizar  debe  ser  recursiva.  Esto  significa  que  el  valor  de  la 
función a optimizar en la etapa  n  debe ser función del valor de la función óptima para 
alguno  (o  algunos)  de  los  estados  en  la  etapa  n+1.  En  consecuencia,  debemos  conocer 
también  cómo  será  la  evolución  del  sistema  en  la  etapa  n,  para  cada  una  de  las 
combinaciones posibles de variables de estado y de decisión. 
 
El Objetivo de la Programación Dinámica 
 
El  objetivo  de  la  programación  dinámica  es  resolver  una  familia  de  problemas  de 
optimización  con  restricciones  conocidos  como  problemas  de  decisión  secuencial  o 
multietapa. La principal característica de estos procedimientos es que cualquier decisión 
realizada  en  un  instante  de  tiempo  se  ve  afectada  por  las  decisiones  predecesoras  y 
afectas a sus sucesoras. La programación dinámica se basa en el Principio de Óptimo de 
Bellman, tal como se muestra  en la siguiente figura 
 
 
 
 
 
 
 
 
 
 
 
 

Pág. -4-
Estructura Básica Programación Dinámica Deterministica 
 
 
 
  Etapa n Etapa (n+1)
  Xn
  Estado Sn Sn+1
  Contribución de Xn,
  variable decisión
 
Función
  Recurrencia fn (Sn ,Xn) fn+1 (Sn+1)
 
 
 
Tipos de Programación Dinámica 
 
Esta técnica permite abordar un gran número de formulaciones y resolver problemas de 
muy diversa naturaleza.  
Una  clasificación  de  las  diferentes  situaciones  puede  ser  de  ayuda  para  explorar  de 
manera  más  sistemática  las  diferentes    posibilidades.  En  principio,  los  problemas  de 
programación dinámica pueden clasificarse según dos criterios: 
 
a) Homogéneo o no homogéneo 
b) Determinista o aleatorio 
 
Programación dinámica homogénea y no homogénea 
 
Un  modelo  de  programación  dinámica  es  homogéneo  si  presenta  la  misma  estructura 
para todas las etapas del sistema, es decir:  
 
•El sistema puede presentar los mismos estados en cualquiera de sus etapas. 
•Los  valores  posibles  de  las  variables  de  decisión  para  cada  uno  de  los  estados  son  las 
mismas para todas las etapas del sistema. 
•La función a optimizar es la misma para todas las etapas del sistema. 
•La evolución del sistema, para un determinado estado y para un determinado valor de la 
variable  de  decisión  de  los  disponibles  para  dicho  estado,  es  la  misma  para  todas  las 
etapas del sistema. 
 
Una  consecuencia  de  esta  definición  es  que  un  modelo  de  programación  dinámica 
homogénea puede evolucionar indefinidamente en el tiempo, esto es, el número posible 
de  etapas  es  infinito.  Entonces  podemos  plantearnos  analizar  su  evolución  para  un 
número  infinito  de  etapas  (problema  de  horizonte  infinito)  o  para  un  número  finito  de 
éstas (problema de horizonte finito).  
 
 

Pág. -5-
Cuando  el  modelo  no  cumple  alguna  de  estas  condiciones,  tenemos  programación 
dinámica no homogénea. Todos aquellos modelos que tengan un número finito de etapas 
posibles  entrarán  dentro  de  esta  categoría.  También  puede  suceder  que  el  número  de 
etapas  sea  infinito,  aunque  los  problemas  de  programación  dinámica  no  homogénea 
suelen ser de horizonte finito. 
 
Programación dinámica determinista y aleatoria 
 
Esta categoría tiene que ver con la naturaleza de la evolución del sistema, una vez se ha 
tomado la decisión. Cuando, en una etapa determinada, podemos conocer con certeza la 
evolución del sistema para un determinado estado y un determinado valor de la variable 
de decisión, tenemos un modelo de  programación dinámica determinista. Para estos modelos, 
podremos  determinar  las  decisiones  que,  en  cada  etapa,  dan  el  valor  óptimo  de  la  función  de 
recurrencia.  
 
Si, para una etapa determinada, en un estado  cualquiera i,  al  escoger  un determinado valor de la  
Variable de decisión, encontramos que el sistema puede evolucionar hacia diferentes estados j de 
la  siguiente  etapa  con  una  probabilidad  conocida  Pi,  entonces  el  modelo  es  de  programación 
dinámica  aleatoria.  En  este  caso,  podremos  determinar  las  decisiones  que  optimicen  el  valor 
esperado de la función de recurrencia.  
 
A continuación se  muestra un cuadro resumen de las posibles situaciones que podemos encontrar 
en programación dinámica (PD), según esta clasificación: 
 
  Programación Dinámica  Programación Dinámica  
 Homogénea  No homogénea 
Programación  Dinámica  Horizonte Finito  No Homogénea 
Deterministica  Horizonte Infinito 
Programación  Dinámica  Horizonte Finito  No Homogénea 
Aleatoria  Horizonte Infinito 
 
 
Aplicaciones Programación Dinámica 
 
En general la programación dinámica ayuda a resolver problemas de diversas  aplicaciones 
en la industria y en el mundo académico, pero dentro de las aplicaciones mas conocidas y 
recurrentes se encuentran las siguientes: 
 
‐ Modelo de ruta mas corta 
‐ Modelo de Volumen‐Carga “Mochila” 
‐ Modelo Asignación Recursos 
‐ Modelo asignación de Nº empleados 
‐ Modelo de inventarios 
‐ Reemplazo de equipos 

Pág. -6-
b. Muestre dos ejemplos donde se utilice la Programación Dinámica 
 
Ejemplo # 1 
 
Copec  S.A.  dispone  de  4  millones  de  dólares  para  invertir  en  tres  campos  petroleros 
ubicados en medio oriente. Las utilidades que gana en el sitio i (i=1, 2 , 3) dependen de la 
cantidad invertida en el, así: 
 
 
 
 
 
 
 
 
 
 
 
Si Se supone que la cantidad invertida en cada campo debe ser un múltiplo exacto de 1 
millón  de  dólares.  Determinar  una  política  de  inversiones  que  eleva  al  máximo  las 
utilidades que gana Copec S.A en  sus tres campos petroleros del medio oriente. 
 
Solución: 
 
El  primer  paso  para  resolver  este  problema  de  asignación  de  recursos.  Es  definir  el 
modelamiento,  definir sus etapas, estados, variable de decisión y función de recurrencia o 
función utilidad en este caso. 
 
Etapa n: Campo petrolero al cual se le va asignar una cantidad de millones como inversión 
a cada uno de los pozos petroleros (n=1,2,3).  
 
Estado Sn: Cantidad de millones disponibles para asignar a los campos restantes. 
 
Variable decisión Xn: Cantidad de millones invertidos en la etapa 
 
Función  Ui(Xi):  Utilidad  obtenida  en  cada  campo  por  asignarle  xi  cantidad  de  dólares 
como inversión (i=1,2,3). 
Función Objetivo 
3 3
      MAX:  ∑ U i ( X i )  ;    Sujeta :  ∑ X i = 4  
i =1 i =1

      Xi  Son enteros Positivos 

Función Recursividad:   Fn*(Sn, Xn) =Un(Xn) + fn*+1(Sn − Xn)  

Pág. -7-
Calculo Etapa n=3 

 
 
Calculo Etapa n=2 

 
 
Calculo Etapa n=1 

 
 
Solución: 
X 1* = 1 ;  X 2* = 2  ;  X 3* = 1  
 
Respuesta: 
 
Para  que  Copec  S.A  obtenga  el  máximo  de  utilidades,  se  debe  invertir  los  4  millones  de 
dólares de acuerdo a la política de inversión obtenida; es decir,  
‐ Pozo 1 ‐‐> 1 Millón 
‐ Pozo 2 ‐‐> 2 Millones 
‐ Pozo 3 ‐‐> 1 Millón 
Con esta política de inversión Copec S.A obtiene el máximo de utilidades, que asciende a 
24 millones de dólares. 
 
 
 

Pág. -8-
Ejemplo # 2 
 
Un proyecto espacial necesita investigar un problema de ingeniería para mandar seres 
Humanos  a  Marte.  Existen  3  equipos  que  analizan  el  problema  desde  3  puntos  de  vista 
diferentes.  En  las  circunstancias  actuales,  la  probabilidad  de  que  los  equipos  1,2,3, 
fracasen  es  0.4,  0.6  y  0.8  respectivamente.  La  probabilidad  de  que  los  tres  equipos 
fracasen  es  0.192.  Se  debe  minimizar  la  probabilidad  de  fracaso,  por  lo  cual  se  decide 
adicionar 2 científicos de alto nivel. 
¿Como adicionar los científicos de tal forma que se minimice la probabilidad de fracaso? 
 

 
 
Solución: 
 
Este problema claramente es de asignación de recursos (Científicos) a los tres equipos 
actuales para disminuir la probabilidad de fracaso. Entonces se requiere saber a que 
equipos serán asignados estos dos nuevos científicos. 
 
Etapa n: Equipos a los cuales se debe adicionar los científicos. (n=1, 2,3). 
 
Estado Sn: Número de científicos aún disponibles para asignarse a los equipos restantes. 
 
Variable de decisión Xn: Numero de científicos asignados al equipo n 
 
Función Pi (Xi) : Función de probabilidad de fracaso al asignar Xi científicos al equipo i 
 
3 3
Función Objetivo     MIN  Z :  ∏ P (X
i =1
i i ) ,        Sujeto a: ∑ X i = 2  
i =1
Xi  Son enteros Positivos 
 
 

Función Recursividad:   Fn*(Sn, Xn) = Pn(Xn)* fn*+1(Sn − Xn) 

 
 

Pág. -9-
Etapa n=3  
Como el estado final (cero científicos para asignar) se alcanza al terminar la etapa 3, 
entonces f4 * = 1, se asignan todos los científicos disponibles. 
 

 
 
Etapa n=2, Equipo 2 

 
 
Etapa n=1 , Equipo 1 

 
 
Solución: 
 
X 1* = 1 ;  (S1 – X1) = 1 = S2 
X 2* = 0  ; (S2 – X2) = 1 = S3
X 3* = 1  
 
Respuesta 
La minima probabilidad de fracaso ( Z=0,06) se obtiene con esta asignación de científicos a 
los equipos; es decir, al equipo nº1 y nº 3 se debe asignar un científico respectivamente.  
 
 
 
 
 
 
 
 
 

Pág. -10-
c.  ¿Cuál  es  la  diferencia  entre  la  programación  Dinámica  Deterministica  y  la 
probabilística?  
 
Programación Dinámica Probabilística 
 
La  programación  dinámica  probabilistica  se  origina  para  el  tratamiento  de  los  modelos 
estocásticos  de  inventarios.  En  este  tipo  de  modelos,  el  estado  y  las  contribuciones 
obedecen a una distribución estadística. 
En  la  siguiente  figura  se  describe  la  estructura  básica  que  resulta  para  la  programación 
dinámica  probabilística,  en  donde  n  denota  el  número  de  estados  posibles  en  la  etapa 
n+1.  
  Etapa n+1
Contribución Sn+1
  de la Etapa n
  1
 
Etapa n C1
Probabilidad
  f*n+1(1)
P1
 
Decisión C2
  Sn Xn P2
Estado 2
 
  PN f*n+1(2)
  fn(Sn,Xn)
CN
 
  3
 
  f*n+1(3)
 
 
Programación Dinámica Deterministica 
 
En  la  programación  dinámica  Deterministica,  el  estado  en  la  siguiente  etapa  está 
completamente determinado por el estado y la política de decisión de la etapa actual. 

La programación dinámica Deterministica se puede describir en forma de diagrama de la 
siguiente forma. 
 
Etapa   Etapa
 
  n n+1
 
  Contribución
Estado: Sn Sn+1
  de Xn
 
  fn(Sn,Xn) Fn*+1(Sn+1)

Pág. -11-
Diferencia Programación Dinámica Probabilística y Deterministica 
 
La  programación  dinámica  probabilística  difiere  de  la  programación  dinámica 
Deterministica  en  que  el  estado  de  la  etapa  siguiente  no  queda  completamente 
determinado por el estado y la decisión de la política en el estado actual. Esto debido a 
que queda condicionado a una distribución de probabilidades. 
 
 
2. Resuelva el siguiente problema aplicando contenidos entregados (30 puntos)  
 
La  Dole  empresa  exportadora  de  fruta  y  vegetales,  posee  un  tractor  de  2  años  de 
antigüedad,  y  desea  establecer  una  política  de  reemplazo  para  su  tractor  durante  los  5 
años siguientes. Se debe tener un servicio mínimo del tractor de 3 años, pero después de 
un máximo de 5 años se debe reemplazar. El precio actual  de un tractor es de $ 40.000 y 
aumenta un 10% por año. El valor  de recuperación de  un tractor con un año de uso es de 
$ 30.000 y disminuye  10% por  año. El costo anual de operación del tractor es de $ 1.300 y 
se espera que  aumente 10% por año.  El tractor  proporciona  un ingreso  fijo  de  $50.000  
Determine la política óptima de reemplazo del tractor durante los próximos 5 años.  
 
 
Solución: 
 
Este  problema  claramente  es    del  tipo  Programación  dinámica  Deterministica,    y  de  la 
categoría de reemplazo de equipo; por lo tanto,  se requiere conocer la política óptima de 
reemplazo para el tractor que posee empresa Dole en  los próximos 5 años, obteniendo el 
máximo beneficio económico. 
 
Datos e información del  problema 
 
‐ 02 años de Antigüedad del tractor 
‐ Política reemplazo tractor 05 años ( Reemplazar) 
‐ Tiempo mínimo servicio tractor 03 años 
‐ Precio actual de un tractor  ( I ) $ 40.000, incremento del 10% anual ( El costo de 
adquirir un tractor nuevo en cualquier año) 
‐ Precio de recuperación con 01 año uso S(t) = $ 30.000, disminuyendo a 10% anual 
‐ Costos anuales de operación  C(t) = $ 1300, incremento anual del 10% 
‐ Ingreso anual fijo R(t) = $ 50.000 
  
 
 
 
 
 

Pág. -12-
Modelo Programación Dinámica 
 
1.‐ Etapa i, es representada por el año i, (i=1, 2,3,.., n) 
 
2.‐ Alternativas en la etapa (año) i son de conservar o reemplazar  (K o R) el tractor al 
comenzar cada año i 
 
3.‐ El estado en la etapa (año), es la antigüedad del tractor al comienzo del año (i) 
 
Función fi (t): Función de ingreso para los años (i), dado que el tractor tiene (t) años de 
antigüedad al comenzar el año (i). 
 
 
 
Función Recursiva 
 
i)   f i (t ) = Max{r (t ) − c(t ) + f i +1 (t + 1)} , Conservar el tractor 
ii)   f i (t ) = Max{r (0) + s (t ) − I − c(0) + f i +1 (1)} , Reemplazar tractor 
iii) Se debe cumplir t  ≥ 0 , entero 
 
Para  desarrollar  esta  ecuación  recursiva,  se  requiere  conocer  las  funciones  de  costos, 
ingresos, y precios de recuperación y tractor nuevo a través de los años. A continuación se 
muestra los valores en la siguiente tabla. 
 
Tpo. Años Ingresos Anuales Costos Operación Anual Precio Recuperacion
(t) R(t) $ C(t) $ S(t) $
0 50000 1300
1 50000 1430 30000
2 50000 1573 27000
3 50000 1730 24300
4 50000 1903 21870
5 50000 2094 19683
6 50000 2303 17715  
 
 

Pág. -13-
 Representación de la edad del tractor en función del año de decisión 
Años de Decisión 

5
5
K

4 R
4
K

3 R
S FIN
3 3
Edad del Tractor (Años) K S
K
2 R S
2 2 2
K K

1
1 1 1
R R

1 2 3 4 5 6

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Pág. -14-
Desarrollo 
Etapa # 5 K R Solucion Optima
t r(t) + S(t+1) - C(t) r(0) + S(t) + S(1) - C(0) - I f5(t) Decision
1 $ 75.570 $ 64.700 $ 75.570 K
2 $ 72.727 $ 57.300 $ 72.727 K
3 $ 70.140 $ 49.760 $ 70.140 K

Etapa # 4 K R Solucion Optima

t r(t) - C(t) + f5(t+1) r(0) + S(t) - C(0) - I + f5(1) f4(t) Decision
1 $ 121.297 $ 110.270 $ 121.297 K
2 $ 118.567 $ 102.870 $ 118.567 K
5 Se debe reemplazar $ 79.533 $ 79.533 R

Etapa # 3 K R Solucion Optima

t r(t) - C(t) + f4(t+1) r(0) + S(t) - C(0) - I + f4(1) f3(t) Decision
1 $ 167.137 $ 155.997 $ 167.137 K
4 $ 127.629 $ 133.303 $ 133.303 R

Etapa # 2 K R Solucion Optima

t r(t) - C(t) + f3(t+1) r(0) + S(t) - C(0) - I + f3(1) f2(t) Decision
3 $ 181.573 $ 186.897 $ 186.897 R

Etapa # 1 K R Solucion Optima

t r(t) - C(t) + f2(t+1) r(0) + S(t) - C(0) - I + f2(1) f1(t) Decision
2 $ 235.324 $ 214.197 $ 235.324 K  
 
Respuesta 
Después de realizar el desarrollo de las ecuaciones recursivas para las distintas etapas, se 
puede concluir que las políticas mas optimas comenzando el año 1 son:   
 
a) ( K, R, K, K, K ) 
b) ( K, R, R, K, K) 
 
Año 1 Año 2 Año 3 Año 4 Año 5

( t=1 ) ( t=2 )
K K K
( t=1 )

( t=2 ) K R Vender
( t=3 )
( t=2 ) K ( t=1 )
R K
( t=4)

Pág. -15-
CONCLUSION 
 
A través de esta investigación, revisión de literatura, estudio y desarrollo de los problemas 
planteados en este trabajo, se puede apreciar la potencialidad  de esta técnica y lo útil que 
es al momento de plantear modelos económicos, productivos y asignación recursos, entre 
otros.  
 
Con el avance de la ciencia y la tecnología, se pueden resolver grandes problemas con una 
cantidad de variables considerables a través de los distintos algoritmos matemáticos que 
se  utilizan  en    software  especializados  para  este  tipo  de  técnicas,  como  son  LINGO, 
WINQSB, LINDO, GAMS, etc. lo cual permite agilizar el proceso de calculo una enormidad; 
sin  embargo,  es  necesario  conocer  la  forma  de  modelar  y  la  correcta  definición  de  sus 
variables para cada problema. 
 
Finalmente concluir que esta técnica es una herramienta muy poderosa al momento de la 
toma  de  decisiones  donde  se  requiere  maximizar  las  utilidades  o  dicho  de  otra  manera 
minimizar  el  costo.  Personalmente  esta  asignatura  ha  sido  de  gran  apoyo  en  aspectos 
laborales. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Pág. -16-
BIBLIOGRAFIA 
 
1.‐ Hillier, Lieberman Gerald. Investigación de Operaciones. 7ª ed. 
    México: Mc Graw Hill, 2001.  533, 568 p. 
 
2.‐ Fonollosa, Joan. Métodos Cuantitativos de Organización Industrial II/Jose Sallan. 
      Albert Suñe, Barcelona: Ediciones UPC, 2002, 99, 131 p. 
 
3.‐ Taha, Hamdy. Investigación de Operaciones. 7ª ed. 
       México: Pearson Educación, 2004, 401, 547 p. 
 
4.‐  Taha, Hamdy. Operations Research An Introduction. 8ª ed. 
       EE.UU: Pearson Educación, 2007, 399, 531 p. 
 
5.- Fonollosa, Joan. Formulación y Resolución de Modelos de Programación Matemática
en Ingeniería y Ciencia/Antonio Conejo, Pablo Pedregal, España 2002.
 
 
WWW  
 
Bellini, Franco “Investigación de Operaciones” 
http://www.investigacion‐operaciones.com/operaciones.htm (Septiembre 2004) 
 
 
 
 
 
 
 
 
 
 

Pág. -17-