INVESTIGACION DE OPERACIONES 2

Profesor: Ing. Juan Rocha Martnez

INDICE Unidad 1Programacin Dinmica Introduccin Conceptos de programacin dinmica .. Sntesis de la forma tabular . Problema de la diligencia Problemas de programacin dinmica con Variables continuas ..

2 3 3 4 13

Unidad 2Lneas de Espera Introduccin 16 Definicin de trminos .. 16 Anlisis de problemas con poblacin infinita 18 Ejemplos . 19 Anlisis de problemas con poblacin infinita Un solo canal .23 Ejemplos . 23 Anlisis de problemas con poblacin infinita Multicanal . 24 Ecuaciones para problemas de un solo canal y poblacin finita . 25 Anlisis de problemas de cola multifuncional .. 26 Unidad 3 Toma de Decisiones Toma de decisiones bajo incertidumbre 33 Ejercicios Prcticos .. 33 Toma de decisiones bajo riesgo ...................................................... 37 Ejerciciosprcticos . 37 Ejercidos propuestos 40 Unidad 5 Terminologa de redes Problema de la ruta ms corta 50 Terminologa de redes . 52 Algoritmo de la ruta ms corta 55 Aplicacin de algoritmo al problema de la ruta ms corta De Seervada Park . 55 Problema del rbol de expansin mnima . 58 Aplicaciones 59 Algoritmo . 60 Algoritmo para el rbol de expansin mnima ............................... 60 Aplicacin de algoritmo al problema del rbol de expansin Mnima de Seervada Park 61 Problema de Flujo mximo . 64 Aplicaciones .. 65 Algoritmo del flujo mximo . 65 Algoritmo de la trayectoria de aumento para el problema de Flujo mximo .. 67 Aplicacin del algoritmo para el flujo mximo de Seervada Park .. 67 Bsqueda de una trayectoria de aumento 71

[Escriba texto]

Pgina 1

UNIDAD I PROGRAMACIN DINAMICA

INTRODUCCIN
De las tcnicas de investigacin de operaciones, la programacin dinmica emplea los conceptos ms simples, sin embargo es la ms difcil de aplicar. Una de las dificultades es la carencia de una formulacin definida, as como los algoritmos de solucin, lo que implica que cada problema requiere de toma de decisiones bsicas en lo particular. As, la formulacin es semejante al desarrollo de un problema de probabilidad o incluso algebraico. Se recomienda antes de solucionar el problema comprenderlo al mismo tiempo que se comprende tambin la tcnica con la que se ha de resolverse. En sntesis no hay reglas simples que conduzcan a una formulacin correcta, lo que hacen necesario e desarrollo de varios ejemplos para comprender esta tcnica. Considere e siguiente ejemplo del viajero

1 ETAPA B2

2 ETAPA 7 E5 6 3 4

3 ETAPA 6 H8

4 ETAPA

A1

C3 3 4 2 D4

F6

7 5 4 4 7

I9

K11

5 4 J10

G7

S4

S3

S2

S1

S0

En ese supone que una persona debe trasladarse desde el punto A hasta el Z, y la red presenta todas las rutas que pueden tomar siempre y cuando no haya retornos. La solucin que se pide es encontrar el camino entre A y Z que minimice la distancia total recorrida.

[Escriba texto]

Pgina 2

FORMA NORMAL
1 ETAPA B C D A 3

2 ETAPA E F G
B

7 4

6 3 4 3 2

C D 3 ETPA H
E

I J 6 7 3 5 7 4 4

F G 4 ETAPA K
H

4 3 5

I J

TOTAL= 1 etapa + 2 etapa + 3 etapa + 4 etapa Sustituyendo TOTAL= 2+2+4+5 = 13

FORMA INVERSA
1 ETAPA 2 ETAPA 3 ETAPA 4 ETAPA I-K E-IC C-E A-C

C 3 C C TOTAL

3 4 5 15

[Escriba texto]

Pgina 3

CONCEPTOS DE PROGRAMACIN DINAMICA

La programacin dinmica es la tcnica ms aceptada para resolver problemas que se deben de tomar en una forma secuencial, y por lo mismo cada uno influye en las decisiones futuras de esa misma secuencia. Bellman permite la optimizacin parcial de una parte de la secuencia y luego relaciona las unidades utilizadas hasta que toda la secuencia es optimizada. Estos principios pueden aplicarse tanto en problemas continuos como discretos. Y su representacin ms actual ser por medio del problema del viajero. SINTESIS DE LA FORMA TABULAR PARA LA RESOLUCION DE PROBLEMAS POR PROGRAMACION DINAMICA

PASOS
1 Establecer las etapas (segn las variables de decisin) as como las condiciones de entrada o variables de estado. 2 Determinar la funcin de retorno de cada etapa. 3 Determinar el mtodo de computo de las siguientes condiciones de entrada, as como resultado de las decisiones y condiciones anteriores. 4 Determinar en funcin de para el intervalo necesario de condiciones de entrada (computar la tabla n = 1). 5 Determinar = + ( , ) para el intervalo necesario de condiciones de entrada (computar la tabla n = 2). 6 Repetir el paso 5 para todas las etapas.

[Escriba texto]

Pgina 4

PROBLEMA DE LA DILIGENCIA
Fue elaborado especialmente para ilustrar las caractersticas e introducir la terminologa de la programacin dinmica. Trata sobre una casa fortunas mtico de Missouri que decide ir al oeste a unirse a la fiebre del oro en California a mediados del siglo XIX. Tiene que hacer el viaje en diligencia a travs de los territorios sin ley cuando existan serios peligros de ser atacado por mero de adores. Aun cuando su punto de partida y su destino eran fijos, tenan muchas opciones en cuanto que estados (o territorios que ms tarde se convertiran en estados) deba elegir como puntos intermedio. Como se puede observar se requeran cuatro etapas (jornadas en diligencia) para viajar desde su punto de partida en el estado A (Missouri) a su destino en el estado J (California) este caza fortunas era un hombre prudente que estaba preocupado por su seguridad. Despus de reflexionar un poco se le ocurri una manera bastante ingeniosa para determinar la ruta ms segura. Se ofrecan plizas de seguro de vida a los pasajeros. Como el costo de la pliza de cualquier jornada de la diligencia estaba basado en una evaluacin cuidadosa de la seguridad del recorrido, la ruta ms seguro deba ser aquella que tuviera el costo total ms barato. El costo de la pliza estndar para el viaje en diligencia, del estado i al estado j, se denotara por Costoij y es 7 4 4

B
6 2

E
4 1

H
3

A 1
4 3 4

4 3

C
4

6 3

I D
5

3 3

[Escriba texto]

Pgina 5

FORMA NORMAL
1 ETAPA B A 2 C 4 D 3 Un programa que sirve para realizar ms rpido una programacin dinmica es winqusb

2 ETAPA
B

E 7 C D 3 4

F G 4 6 2 1 4 5

3 ETPA E F G 4 ETAPA J
H

H I 1 4 6 3 3 3

3 4

TOTAL= 1 etapa + 2 etapa + 3 etapa + 4 etapa Sustituyendo TOTAL= 2+4+3+4 = 13

FORMA INVERSA
1 ETAPA 2 ETAPA 3 ETAPA 4 ETAPA TOTAL H-J E-H C-J A-C 11

C C C C

3 1 3 4

[Escriba texto]

Pgina 6

Problema 1 Un inversionista cuenta con $6000 dlares para invertirlos en tres riesgos. El debe invertir en unidades de $1000 dlares, el retorno potencial a partir de la inversin en cualquier riesgo depende de la cantidad invertida de acuerdo a la siguiente tabla.

Retorno Cantidad inv. 0 1 2 3 4 5 6

A (R3) 0 0.5 1 3 3.1 3.2 3.3

B (R2) 0 1.5 2 2.2 2.3 2.4 2.5

C (R3) 0 1.2 2.4 2.5 2.6 2.7 2.8

Resuelva el problema programacin dinmica para ayudar a inversionistas a decidir sobre cuanto se debe invertir en cada riesgo tal que se maximice el retorno potencial (ganancias) Solucin

n3 = d3

n2 = d2

n1=d1

S3= 6,000

S2=S3-d3

S1=S2-d2

S0= S1-d1

F3= r3 + F2

F2=

r2 +F1

F1= r1

[Escriba texto]

Pgina 7

nota: los valores utilizados en la tablas fueron obtenidos de los datos iniciales del problema. Para n =1 S1 0 0 0 1 0 2 0 3 0 4 0 5 0 6 0 1 NF 1.2 1.2 1.2 1.2 1.2 1.2 2 NF NF 2.4 2.4 2.4 2.4 2.4 3 NF NF NF 2.5 2.5 2.5 2.5 4 NF NF NF NF 2.6 2.6 2.6 5 NF NF NF NF NF 2.7 2.7 6 NF NF NF NF NF NF 2.8 Max 0 1.2 2.4 2.5 2.6 2.7 2.8

Columna c 0 1.2 2.4 2.5 2.6 2.7 2.8 Columna c = f1

S2 0 1 2 3 4 5 6

Para n = 2 0 1 0 NF 0+1.2 1.5 0+2.4 1.5+1.2 0+2.5 1.5+2.4 0+2.6 1.5+2.5 0+2.7 1.5+2.6 0+2.8 1.5+2.7 Para n = 3 S2 6

2 NF NF 2.0 2+1.2 2+2.4 2+2.5 2+2.6

3 NF NF NF 2.2 2.2+1.2 2.2+2.4 2.2+2.5

4 NF NF NF NF 2.3 2.3+1.2 2.3+2.4

5 NF NF NF NF NF 2.4 24+1.2

6 NF NF NF NF NF NF 2.5

Max 0 1.5 2.7 3.9 4.4 4.6 4.7

Columna b 0 1.5 2.7 3.9 4.4 4.6 4.7 Columna b= f2

0 1 2 3 0+4.7 0.5+4.6 1+4.4 3+3.9

4 5 6 3.1+2.7 3.2+1.5 3.3

max 6.9

Conclusin Invertir 3 en A 1 en B 2 en C $3,000 $1,000 $2,000 $ 6,000 Frmulas para obtener f1, f2 y f3

[Escriba texto]

Pgina 8

Problema 2 Un camin puede transportar un total de 10,000 toneladas de productos. Hay tres clases de productos para transportarse. Sus pesos y valores o ganancias se dan en la siguiente tabla. Suponiendo que por lo menos debe transportarse un artculo de cada clase, determine el cargamento que maximiza el valor o ganancia total. Clase A B C Solucin n3 = d3 n2 = d2 n1=d1 Valor 20 50 60 Peso toneladas 1 2 2

S3= 10,000S2=S3-d3 A

S1=S2-d2 B

S0= S1-d1

r3 TONELADAS Para n =1 CON LAS QUE EMPESARE QUE ES LA(C)=2

r2 =B+F1 r1

B +A =3-10=7 2+1=3-10=7 Para n = 2 B+C=4 2+2=4

S1 2 3 4 5 6 7

1 60 60 60 60 60 60

2 NF NF 120 120 120 120

3 NF NF NF NF 180 180

max 60 60 120 120 180 180

A-10=9 1-10=9 Para n = 3 S2 10

S2 4 5 6 7 8 9

1 50+60 50+60 50+120 50+120 50+180 50+180

2 NF NF 100+60 100+60 100+120 100+120

3 NF NF NF NF 150+60 150+60

Max 110 110 170 170 230 230

1 2 3 4 5 6 max 20+230 40+230 60+170 80+170 100+110 120+110 270

[Escriba texto]

Pgina 9

Conclusin Cargar 2 unidades en A 1 unidad en B 2 unidades en C 2 toneladas 2 toneladas 6 toneladas 10 toneladas Problema 3 Resuelve por programacin dinmica el siguiente problema Maximizar Z= X1 (X2 -1)2 + (X3 2)3 Sujeto a: X1 + 2X2 + X3> 4 Xi 0, Ui Solucin d3 = X3 d2 = X2 d1= X1

=4

= - X3

=S A 2-X2

=S1- X1

=(X3 2)3 =(X2 -1)2 = (X3 2)3+

= X1 = (X2 -1)2+

= X1

Para n=1 0 1 2 3 4 0 0 0 0 0 0 1 NF 1 1 1 1 2 NF NF 2 2 2 3 NF NF NF 3 3 4 NF NF NF NF 4 0 1 2 3 4

Para n=2 0 1 2 3 4 0 0 0+1 (0-1)(2) (0-1)(3) (0-1)(4) 1 NF NF (1-1)(0) (1-1)(2) (1-1)(3) 2 NF NF NF NF (2-1)(0) 0 1 2 3 4

[Escriba texto]

Pgina 10

Total de sumatoria Para n = 2 0 0 1 2 3 4 1 NF 0 0 0 0 2 NF NF NF NF 0

0 1 2 3 4

0 1 2 3 4

Para n=3 0 1 2 3 4 0 0 (0-2)(1) (0-2)(2) (0-2)(3) (0-2)(4) 1 NF (1-2)(0) (1-2)(1) (1-2)(2) (1-2)(3) 2 NF NF (2-2)(0) (2-2)(1) (2-2)(2) 3 NF NF NF (3-2)(0) (3-2)(1) 4 NF NF NF NF (4-2)(0) 0 0 0 0 1

Total de sumatoria Para n =3 0 1 2 3 4 0 0 0 0 0 -4 1 NF 0 0 0 2 2 NF NF 0 0 2 3 NF NF NF 0 2 4 NF NF NF NF 8 0 0 0 0 8

Conclusin X1 = 0 X2 = 0 X3 = 4

LIBRO: INVESTIGACION DE OPERACIONES UN ENFOQUE FUNDAMENTAL JAMES SHAMBLIN

[Escriba texto]

Pgina 11

Problema 4 Resuelve por programacin dinmica el siguiente problema Maximizar Z= 4X1 + 3X2 + 8X3 Sujeto a: 6X1 + 4X2 + 6X3 14 X3 1 Xi >0, Zi Solucin d3 = X3 d2 = X2 d1= X1 ESTA ECUACION NOS INDICA CUANTAS COLUMNAS COLOCAREMOS 6(2)=12 NO PUEDEN SER MAS POR QUE SE EXCEDE Y EL LIMITE ES 14 O MENOR

- 6X3

= 3 - 4X2

= - 6X1 2

= 8X3 = 3X2 = 8X3+F2

= 4X1 = 3X2+F1

= 4X1

Para n=1 POSIBLES VALORES DE X1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Para n=2 8 14 0 0+4 0+8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 NF NF NF NF NF NF 4 4 4 4 4 4 4 4 4 2 NF NF NF NF NF NF NF NF NF NF NF NF 8 8 8 Max 0 0 0 0 0 0 4 4 4 4 4 4 8 8 8

Max z=4x1+3x2+8x3 s.a. 6x1+4x2+6x314 x31 xiu i y entero

POSIBLES VALORES X2 1 3+0 3+4 2 6+0 6+4 3 NF 9+0 Max 6 10

Para n=3 POSIBLES VALORES X3 8 0 0+10 1 8+6 2 NF Max 14 Pgina 12

[Escriba texto]

14

0+10

8+0

NF

14

Conclusin =0 X2 = 2 X3 = 1

valor mximo x3=14

Nota: La forma de obtener la solucin al problema es leer las tablas iniciando con la que se concluyo el clculo es decir la etapa 3 en este caso. Se busca maximizar el valor en la ultima columna y cuando se tiene se busca en el rengln correspondiente en la columna (posible valor de la variable). Se logro dicho valor y ese ser el valor de la variable correspondiente ala etapa siguiente (tabla anterior) y se repite el mismo proceso segn la etapas del problema asta encontrar todos los valores de las variables. El valor mximo de la funcin se encuentra en la ltima tabla tomando el valor mximo de la columna

[Escriba texto]

Pgina 13

PROBLEMAS DE PROGRAMACION DINAMICA CON VARIABLES CONTINUAS La solucin de problemas de programacin dinmica con variables continuas reduce la cantidad de clculos, pero conduce a una forma de solucin matemtica ms compleja. Problema 5 Resuelva el siguiente problema a travs de programacin dinmica con variables continuas. Maximizar Z= X1 + 2X2 + 4X3 Sujeto a: X1 + 2X2 + X3 8 Xi >0, Zi Solucin d3 = X3 d2 = X2 d1= X1

=8

- X3

= 3 - 2X2

= - X1

= 4X3 = 2X2 = r2 + Para n = 1 Optimizar r ( = X1 8 8= = S1 Para n = 2 = r2 + = r2 +X1 Por lo tanto: = 2X2 +

= X1 = r1+

= X1

) siendo

= X1

Es necesario escribir

en trminos de la etapa 2 por lo tanto:

= S2 - X2 = (S2 - 2X2 ) = 2X2 + (S2 - 2X2 ) = 2X2 + S2 - 4S2 X2 + 4X2 = 6X2 - 4S2 X2 + S2 Optimizando =0

sustituyendo desarrollando reduciendo trminos semejantes

[Escriba texto]

Pgina 14

= 12X2 - 4S2 Entonces: 12X2 = 4S2 X2 = X2 = S2 1 Intervalo 0 X2 S2 2 Para saber si es Max o min (obtener la segunda derivada) = 12 3 Evaluando en X2 = 0 (X2 = 0)= 6(0) - 4(0)S2 + S2 4 Evaluando en X2 = S2 (X2 = S2)= 6( S2) - 4( S2)S2 + S2 (X2 = S2) = 6( ) - 4( )S2 + S2 (X2 = S2) = S2 Por tanto S2 S2 = Para n = 3 = r3 + = 4X3 + S2 Por lo tanto: = S3- X3 Es necesario escribir en trminos de la etapa 3 por lo tanto: = S3 X3 = (S3 X3) = 4X3 (S3 X3) = 4X3S3 - 2S3X3+ X3 = 4X3+ (8)- 2(8)X3+ X3 = 4X3+ 64- 16X3+ X3 = X3 - 12X3+ 64 Optimizando =0 Punto critico

- S2 para X2 = 0

sustituyendo desarrollando simplificando

[Escriba texto]

Pgina 15

= 2X3 - 12 Entonces: 2X3 = -12 X3= X3= 6 1 Intervalo 0 X2 S2 2 Para saber si es Max o min (obtener la segunda derivada) =2 3 Evaluando en X2 = 0 (X2 = 0)= 6(0) - 4(0)S2 + S2 4 Evaluando en X2 = S2 (X2 = S2) = 6( S2) - 4( S2)S2 + S2 (X2 = S2) = 6( ) - 4( )S2 + S2 (X2 = S2) = S2 Por tanto S2 S2 = Conclusin = = = =0 =80=8 - S2 Para X2= 0

Punto critico

= = S2 S2 = (8) S2 = 64 Para X2 = 0 = - 2X2 = 8 2(0) =8 =8 Sabiendo que ocurre en S1 cuando X1 = 8 = X1 = (8) = 64 Solucin X1 = 8 X2 = X3 = 0 Z1 = 6 [Escriba texto] Pgina 16 =

UNIDAD 2 TEORIA DE LINEAS DE ESPERA

(B. Ll. J. C.)

INTRODUCCION La teora de estas aparece como una de las tcnicas de Investigacin de Operaciones debido a que toda clase de negocios, gobiernos, industria, escuelas y hospitales: todos tienen problemas de lneas de espera. Por lo tanto el ejemplo clsico de una lnea de espera consta de 2 elementos bsicos:
1. El primero lo presentan los clientes que lleguen a la cola y esperan hasta que se les proporcione el servicio. 2. El segundo se refiere a la estacin que presta el servicio a los clientes.

Aunado al sistema anterior existe una serie de trminos y conceptos que debe establecerse con claridad. DEFINICION DE TERMINOS
TASA DE LLEGADA ( ): Es la tasa a la cual llegan los clientes para ser atendidos y sus unidades son: clientes/hora, da, etc. TASA DE SERVICIO ( ): Es la tasa la cual la unidad de serbio puede atender a los clientes, sus unidades son iguales a la de tasa de llegada. Tambin se dice que representan la mxima cantidad de servicio. Normalmente se supone que estas tasas representan un promedio de muchos valores posibles mismos que se pueden describir mediante una distribucin poisson. CLIENTE: Unidad que llega requiriendo de algn servicio: puede ser personas, maquinas, partes o piezas, etc. COLA O LINEA DE ESPERA: Est conformada por el nmero de clientes que esperan ser atendidos, y no incluye el cliente que est siendo atendido. CANAL DE SERVICIO: Es el proceso o sistema que est efectuando el servicio para el cliente, puede ser simple o multicanal. El smbolo (k) indicara el nmero de canales de servicio. PRIORIDAD: Se refiere al decir cul ser el prximo cliente atendido, aunque la suposicin ms frecuente consiste, en el que el primero que llega es el primero que se atiende. TAMAO DE LA POBLACION: Es el tamao del grupo que proporciona los clientes, si solo hay unos pocos clientes potenciales, la poblacin es finita, si el nmero es grande, por ejemplo mayor de 30, la poblacin es infinita.

Lq: Numero esperado en la cola, es decir el nmero estimado de clientes que esperan ser atendidos.

[Escriba texto]

Pgina 17

L: Numero esperado en el sistema, es igual a Lq mas el cliente que est siendo o estn siendo atendidos. Wq: tiempo esperado en la cola, es el tiempo estimado que emplea, en cliente esperado en la cola. W: Tiempo esperado en el sistema, es el tiempo estimado que emplea un cliente esperando ms el que emplea siendo atendido. = (Wq 1/) (hr/cliente) CLASIFICACION DE LOS PROBLEMAS DE COLAS TIPO DE PROBLEMA: Modelo de Prob. De colas. TAMAO DE POBLACION: Finito e Infinito MO. CANALES: Finito (un Canal y Multicanal), Infinito (un canal y Multicanal) ANALISIS DE PROBLEMAS CON POBLACION INFINITA Quizs el modelo de colas ms fcil de resolver es el de una sola cola que cuanta con un solo canal de servicio y atiende a una poblacin infinita. Para trabajarlo se pude hacer uso de las siguientes 8 ecuaciones, a fin de poder resolver las interrogantes que presentan. Probabilidad con Poblacin Infinita con un solo canal. p = / (Probabilidad de hallar el sistema ocupado) Po = 1 - / (Probabilidad de hallar el sistema vaco) 2 Lq = /(-) (Numero esperado en la cola) L = /- (Numero esperado en el sistema, la cola ms atendida) Wq = /(-) (Tiempo esperado en la cola) W = 1/- (Tiempo esperado en el sistema) Ln = /- (Numero esperado en una cola no vaca) Wn = 1/- (Tiempo esperado en la cola, para colas no vacas)

1. 2. 3. 4. 5. 6. 7. 8.

[Escriba texto]

Pgina 18

EJEMPLO: Una maquina copiadora para uso de oficina es utilizada y manejada para la secretaria y debido a los trabajos que se deben duplicarse, varan en amplitud (Mu) es decir el nmero de pginas del original as como el nuero de tantos requeridos. As la tasa de servicio se considera aleatoriamente distribuida y aproximado, a una distribucin de poisson con = 10 trabajos/hora. Tambin se sabe que los requerimientos de utilizacin son aleatorios durante las ocho horas de trabajo diario, y estn dados por una tasa de 5 trabajos/hora en las mismas condiciones que la tasa de llegada. Algunas personas han observado que ocasionalmente se forma una fila de espera y han objetado la poltica de mantener una sola copiadora. Si el tiempo de la secretaria esta evaluado en 3.5 DL/hr, haga un anlisis para determinar. a) La utilizacin del equipo. b) El porcentaje del tiempo que un cliente tiene que esperar. c) El tiempo promedio en el sistema. d) El costo promedio ocasionado por esperar y por realizar el trabajo. Solucin

DATOS = 5 trabajos/ Hora = 10 trabajo/ Hora Turno=8Hr/ Da Costo secretaria=3.5 DL/Hr

a) La utilizacin del equipo

p = /
p= p = 0.5 = 50%

P= a la utilizacin del equipo y la probabilidad de hallar el sistema ocupado Se utiliza un 50% el equipo

b) El porcentaje del tiempo que un cliente tiene que esperar

Po = 1 - / Po = 1 Po = 1 0.5 = Po = 50%

Po= porcentaje del tiempo que un cliente tiene que esperar: la probabilidad de hallar el sistema Vaco (cuando est ocupado el sistema) Un cliente tiene que esperar la mitad del tiempo en el sistema

c) El tiempo promedio en el sistema

[Escriba texto]

Pgina 19

W = 1/- W= W= W = 0.2 hrs/trabajadas

W= tiempo promedio en el sistema; Tiempo esperado (promedio o perdido) en el Sistema en lo que se hace un trabajo

d) El costo promedio ocasionado por esperar y por realizar el trabajo (por turno) 1 Costo promedio por trabajo C = (0.2 )($3.5 DL/Hr.)

Si el tiempo de la secretaria se paga a 3.5 DL/Hr y se realiza un trabajo en un tiempo promedio de .2 Trab/Hr

C = $0.7 DL por trabajo

C (costo por trabajo)= (w tiempo esperado)(costo de

secretaria) Trabajos al da= (Tasa llegada)(Duracin del turno)

2 trabajos al da (promedio por turno) T = (8 hrs.) T = (5 T = 40 ) (8 )

3 Costo promedio de turno C = ($0.7 por trabajo) (40 C = 28 )

Costo promedio =(costo por trabajo)(trabajos al da)

[Escriba texto]

Pgina 20

EJEMPLO: Una refinera distribuye sus productos mediante camiones que se cargan en la terminal. Dichos camiones pueden ser propiedad de la compaa o camiones de distribucin independiente. Las compaas independientes, se quejan de que algunas veces deben esperar en la lnea y perder dinero por mantener esperando al conductor y al camin. Y han solicitado la refinera disponer de una segunda terminal de carga o descontar un costo equivalente al tiempo de espera, los datos son los siguientes: = 2 camiones/hr, = 3 servicios/hr, adems el 30% de todos los camiones son independientes y las tasas de llegada o servicio siguen una distribucin de Poisson. Determinar: a) La probabilidad de que un camin tenga que esperar. b) La espera de un camin. c) Tiempo estimado que los camiones independientes esperan por da. Solucin

DATOS =2 =3 Camiones independientes 30%

a) La probabilidad de que un camin tenga que esperar

Si: P = /
P= P = 66.7%

P=la probabilidad de hallar el sistema ocupado La probabilidad de que un cliente tenga que esperar

la prob es: .66

Wn=El tiempo de espera de un camin (cliente); El tiempo esperado en la cola no vaca

b) La espera de un camin

Si: Wn = Wn =

un camin espera 1 Hr aprox.

Wn = Wn = 1hora

c) Tiempo estimado que los camiones independientes esperan por da 1 Nmero de camiones independientes que llegan por da

[Escriba texto]

Pgina 21

C = ()(turno) C = (2 C = 16 )(8 )

Si C= nmero de camiones Totales al da y solo el 30% son camiones independientes

El 30% de 16= 4.8 camiones independientes

2 tiempo total de camiones independientes T= ( T = (4.8 T = 3.20 )(Wn)(e) )(1 hora)(0.667%)

T= tiempo estimado que los camiones independientes tienen que esperar

Un camin independiente espera 3.2 Horas/da

[Escriba texto]

Pgina 22

UN SOLO CANAL (POBLACION INFINITA) EJEMPLO: Una gra desplaza objetos, de una maquina a otra y se utiliza cada vez que una maquina requiere carga o descarga. La demanda de servicios es aleatoria y se aproxima a una distribucin exponencial, con una media de una llamada cada 30 minutos, de manera semejante el tiempo de la carga y de la descarga toma un promedio de 10 min. Si el costo de maquina esta evaluado en 8.5 DL/hr. Cunto vale el tiempo perdido por da? DATOS 1 llamada = 30 minutos Tiempo Carga/Descarga = 10 minutos Costo de maquinaria = 8.5 = 2 llamadas por hora = 6 llamadas por hora W= W= W= W = 0.25 horas 1 Servicios por turno de 8 hrs. S = (8 hrs)( ) S = (8 hrs)(2) S = 16 2 Costo de tiempo perdido CT = (W) (costo de maquina) CT = (0.25 horas) (8.5 CT = $ 2.125 $ 3 Costo del tiempo perdido por turno ($ 2.125)(16 = 34

W= tiempo promedio (perdido) en el sistema Por cliente.

cada 15 min llega unallamada

Demanda diaria de llamadas Suponiendo un da de 8 horas, es ocho veces la demanda por hora

[Escriba texto]

Pgina 23

POBLACION INFINITA (MULTICANAL) Se puede decir que las expresiones equivalentes o semejantes para el tiempo en el sistema, as como algunos otros parmetros: ello para un problema de colas con servicio multicanal. Siempre y cuando se suponga una poblacin infinita. Entendiendo que estas ecuaciones son ms generales que las dadas anteriormente, puesto que pueden reducirse al caso de canal simple haciendo simplemente K = 1 y simplificando. Enseguida se presentan dichas ecuaciones para el problema multicanal y poblacin infinita. ECUACIONES PARA PROBLEMAS MULTICANAL (POBLACION INFINITA) Po =
n k-1

(Sistema vaco u ocioso)

( 1/n!) (/)n
n0

(1/k!) (/)k(k/k-)

k = nmero de canales de Servicio. = Tasa de llegada = Tasa de Servicio Pk = (1/k!)(/)k (k/k-)Po sistema = Probabilidad de que haya k o ms unidades en el Probabilidad de que un cliente tenga que esperar

L=

(/)k(Po) (/) (k-1)! (k-)2

= Numero esperado en el sistema

Lq =

(/)k(Po) (k-1)! (k-)2

= Numero esperado en la cola

Wq =

(/)k (Po) (k-1)! (k-)2

= Tiempo esperado en la cola

W=

(/)k (Po) (1/) =Tiempo esperado en el sistema (k-1)! (k-)2

Wn=Wq/PK

[Escriba texto]

Pgina 24

ECUACIONES PARA PROBLEMAS DE 1 CANAL Y POBLACION FINITA Po =

n k-1 n0

= Probabilidad de llegar a un sistema vaco

Pn =

M! (M-n)!

(/)n Po

= Probabilidad de hallar n clientes en el sistema

L =

nM

nPn = M-(/)(1-Po) = Nmero de clientes en el sistema

n0

Lq = M - (1 - Po)

= Nmero de clientes en la cola

COLA MULTIFUNCIONAL, POBLACION FINITA DONDE K = NUMERO DE CANALES DE SERVICIO Y ADEMAS 1KM Po = 1
n k-1 n=M

n0

M! / (M n)! (/)n M!/(M n)k! kn k (/)n

n=k

Pn =

M! (M-n)! n! Po M! (M-n)! k! kn k
n k-1

(/)n donde 0nk

Pn =

(/)n

para knM

L=

n=M

n=k-1

n0

nPn
n=k

(n k)Pn k(1 -
n=0

Pn)

Lq =

nM

(n k) Pn

[Escriba texto]

Pgina 25

EJEMPLO:
Demuestre que el tiempo esperado en el sistema es igual al tiempo esperado en la cola mas tiempo de servicio a partir de las ecuaciones generales (multicanal) para llegar a la ecuacin de un solo canal.

Wq + = W + Po = 1) W = 2) W = 3) W = 4) W = 5) W =

+ +

Donde k = 1 Sustituyendo k = 1 Simplificando v Sustituyendo Po resolviendo

+ + + + +

6) Wq = 7) Wq = 8) Wq = 9) Wq + = W +

Factor izando

[Escriba texto]

Pgina 26

EJEMPLO: Se ha objetado la situacin presentada en el problema de la fotocopiadora debido al resultado del costo por da, y se est considerando la posibilidad de instalar hasta 2 mquinas pequeas o una maquina ms grande. Los datos son los sig.: EJ. TASA DE SERVICIO COSTO DIARIO MP 10 $5 MG 15 $ 10 Por medio de un anlisis de lnea de espera determine que es lo ms conveniente. =5 Costo del tiempo perdido = $3.5 1) Costo Total diario= (costo maquina + costo de tiempo perdido) *1 Maquina Pequea resultado del problema anterior del costo de una maquina pequea CT = 5 + 28 = 33

*1 Maquina Grande W= W= W= W = 0.1 horas CT = 10 + (8 CT = 24 ) (5 ) (0.1 horas) ($3.5)

W= Tiempo promedio perdido en el sistema

CT= costo de la maquina grande + ( tasa de llegada al da*tiempo promedio perdido*costo del tiempo perdido)

el costo de una maquina pequea es de: 33DL/ da

el costo de una maquina grande es de: 24DL/ da

2 Maquinas Pequeas

K=2

[Escriba texto]

Pgina 27

Para calcular el tiempo en el sistema de dos mquinas pequeas primero se calcula la probabilidad de hallar vaco el sistema Po =
(
( )

( ) (

Po =
[ (
( )

( ) ]

( ) (

Po = 0.6

Tiempo esperado en el sistema:

W=
( ) [ ]

(Po) (1/)

W=(

)(0.6) +

W = 0.107 Hr/trabajo

CT = costo de maquina + costo de tiempo perdido CT= 2 mquinas (5 CT = 24. 98 el costo de dos maquina pequea es de: 24.98DL/ da ) + (5 )(8 horas )(0.107)(3.5 tiempo perdido)

CONCLUSION Costo Total 2 maquina pequeas = 24.98

1 mquinas grande = 24 1 maquina pequea =33

[Escriba texto]

Pgina 28

EJEMPLO: Resolver el ejemplo de la Refinera suponiendo 2 canales de Servicios del mismo tamao y los datos es: = 2 cam/hr = 3 cam/hr K=2 Nmero de camiones independientes 30% del total Tiempo perdido por da = 3.20 respuesta del Problema con poblacin infinita A. La probabilidad de que un camin tenga que esperar La probabilidad de que un camin tenga que esperar es igual a la probabilidad ( PK) de encontrar ya dos o mas camiones en el sistemaY si Pk = (1/k!)(/)k (k/k-)Po sistema Y sabiendo que : Po =
n k-1

= Probabilidad de que haya k o ms unidades en el Probabilidad de que un cliente tenga que esperar

(Sistema vaco u ocioso)

( 1/n!) (/)n
n0

(1/k!) (/)k(k/k-)

Po =
n1

(Sistema vaco u ocioso)

( 1/1!) (2/3)
n0

(1/2!) (2/3)2(2*3/2*3-2)

.5

P(2) =(1/2!)(2/3)

(2*3/2*3-2)(.5)=

.25 proba. De que un camin tenga que esperar

B. Tiempo de espera de un camin El tiempo esperado de un camin es igual a :

[Escriba texto]

Pgina 29

Wq = (/)k (Po)

= Tiempo esperado en la cola

2

(k-1)! (k-)
Wq = 3(2/3)2 (.5)

(1)! (2*3-2)2

=.042

Y si wn =Wq/Pk

Wn = .042/.25= .167 hr

C. Tiempo total estimado que los camiones independientes tienen que esperar diariamente TT= (k*Hr/dia)(% cam indepen)(Pk)(Wn) = (2*8)(.3)(.042) =.202 hr/dia

[Escriba texto]

Pgina 30

EJEMPLO: Una compaa Telefnica est planeando la instalacin de casetas telefnicas en un nuevo aeropuerto y se ha establecido la poltica de que una persona no tenga que esperar ms del 10% de las veces que intente usar el telfono. La demanda estimada se supone que sigue una distribucin poisson, con un promedio de 30 hr, mientras la llamada telefnica promedio tiene una distribucin exponencial con un tiempo medio de 5 min. Cuntas casillas telefnicas se deben instalar? Datos = 30 por hora = 12 por hora 1 llamada = 5 min 10 % de espera Probabilidad de que el cliente tenga que esperar

Po =

( )

( ) (

Con k=2;

2*

= 24 llamadas/hr

Po =
(
( )

( ) (

= -.111
Con k=5; 5*

= 60 llamadas/hr

Po =
(
( )

( ) (

= .0801

Pk=P(5)=.13
.13>.10
[Escriba texto]

no cumple aun con los requerimientos

Pgina 31

Con k=6;

6*

= 72 llamadas/hr

Po =
(
( )

( ) (

= .08162

Pk=P(6)=.047
.047<.10 este es el nmero mnimo de casillas necesarias para cumplir con los requerimientos
Nota: En algunos casos de los problemas de colas el nmero de clientes es pequeo, tan pequeo que la llegada de un cliente afecta la probabilidad de futuras llegadas: Entonces la suposicin de una poblacin infinita ya no es vlida. Por ejemplo, cuando el sistema consiste en un mecnico que atiende 3 mquinas. En este caso es evidente que la probabilidad de llegada de un cliente vara con un simple cambio en cuanto a la reparacin, de cualquier mquina. Como regla implica, se dice que si la poblacin de donde surge los clientes es menor que 30 deben usarse las ecuaciones correspondientes a poblacin finita. Aunque los conceptos son iguales tenia poblacin finita como infinita, algunos trminos y ecuaciones requeridos en el anlisis son diferentes. Por ejemplo: en poblacin finita la probabilidad de una llegada varia segn el nmero de clientes disponible para entrar en el sistema. Es decir, si M representa la poblacin total de clientes y n es el numero de clientes que ya estn en la cola; entonces, cualquier llegada debe provenir de los M x n restantes, por lo tanto, conociendo la probabilidad de una llegada individual es posible expresar, la probabilidad de cualquier llegada. Para ello considere que si 1/ es el tiempo entre requerimientos de servicio o tiempo medio entre llegadas, entonces () es la probabilidad de que un cliente requiere servicio; esto supone ala vez que dicha probabilidad es independiente del periodo de tiempo y por tanto tiene distribucin de poisson. As mismo, si es la probabilidad de que se requiere un servicio y M-n es el nmero de clientes que no estn en la cola entonces la probabilidad de que un cliente requiere servicio (M-n).

[Escriba texto]

Pgina 32

UNIDAD TRES.TEORA DE LA DECISIN

o Introduccin o Ambiente y criterios para la toma de decisiones o Valor esperado en variables aleatorias distribuidas continuamente o Obtencin de datos par a la toma de decisiones o rboles de decisin o Problemas propuestos o Bibliografa

[Escriba texto]

Pgina 33

UNIDAD 3.-TEORA DE LA DECISIN Introduccin Como cualquier ser humano, todos los das tomamos muchas decisiones. La mayora de stas son relativamente carentes de importancia y se hacen en forma habitual. En ocasiones, tomamos decisiones importantes que pueden tener efectos inmediatos y/o a largo plazo sobre nuestras vidas. Esas decisiones, tales como a qu escuela inscribirnos, si continuar estudiando o comenzar a trabajar, qu oferta de trabajo aceptar, si debemos rentar o comprar, o si su compaa debe aceptar una proposicin de fusin, son decisiones importantes para las cuales preferiramos dar la respuesta correcta. Con frecuencia estas decisiones se hacen con base en emociones o intuicin, pero, es esto apropiado? En este captulo se analiza el proceso de toma de decisiones y se presentan modelos que posiblemente pueden utilizarse para mejorarlo. Sin importar si en la actualidad usted usa o no estos modelos para tomar decisiones, aun as proporcionan un estndar contra el cual se pueden comparar las decisiones que usted tome. Es importante comprender lo que estos modelos pueden o no pueden hacer. En primer lugar, estos modelos proporcionan una estructura para examinar el proceso de toma de decisiones. En algunas, situaciones no hay necesidad de justificar por qu se tom una decisin. Sin embargo, en un mundo donde la mayora de los administradores no son propietarios de los negocios que administran, se vuelve necesario emplear un proceso justificable para la toma de decisiones. En segundo lugar, los modelos pueden utilizarse para evitar decisiones arbitrarias o inconsistentes que no se basen en todos los datos disponibles. Por desgracia, muchas veces tomamos decisiones que caen en esta categora sin darnos cuenta que lo estamos haciendo. En s, los modelos no nos dicen qu decisiones tomar; ms bien, nos indican cmo proceder para tomarlas o cmo analizar decisiones pasadas. Por ltimo, y aun si utilizramos estos modelos en todas las decisiones, no podramos asegurar que el resultado fuera siempre favorable. En otras palabras, las buenas decisiones no garantizan buenos resultados. Por ejemplo, considere estudiantes universitarios que comparten unahabitacin y se enfrentan a lamisma decisin en una feria regional. Se realiza un juego de azar que paga $100 por una apuesta de $10 y las probabilidades de perder son de 10 a 1. El primer estudiante paga sus $10 y gana el premio de $100. El segundo estudiante paga sus $10 y pierde. Ambos tomaron la misma decisin, que la mayora de las personas considerara buena, y aun as obtuvieron resultados distintos. Por ello, tomar una buena decisin no siempre da como resultado algo favorable.

[Escriba texto]

Pgina 34

Ambiente y criterios para la toma de decisiones Definicin y terminologa Una decisin puede definirse como el proceso de elegir la solucin para un problema, siempre y cuando existan al menos dos soluciones alternativas. Terminologa de modelos de toma de decisiones Al igual que con cualquier tipo de modelo, los modelos de toma de decisiones tienen una terminologa propia. Esta terminologa describe las tres partes esenciales de una decisin: 1. Las decisiones alternativas de entre las cuales el Tomador de Decisiones (T. D) puede elegir. 2. Los estados de la naturaleza, o acciones externas que enfrenta la persona encargada detomar decisiones. 3. El resultado que se obtiene por el uso de una alternativa determinada cuando se presenta. Cierto estado de la naturaleza. Decisiones alternativas Cuando un T.D. enfrenta un problema que requiere una decisin, una de las acciones que debe emprender antes de llegar a una decisin, es determinar las alternativas sobre las cuales se basar la decisin final. Por ejemplo: En el caso de una Pizzera, sta tiene cuatro alternativas relacionadas con el nmero de pizzas que debe hornear con anticipacin (150, 160, 170 180 pizzas). Tambin tiene tres alterativas con respecto a la ubicacin (no mudarse, el centro de la ciudad o ubicarse en una plaza comercial). Este caso ilustra el hecho de que no hacer cosa alguna es tambin una alternativa que quien toma las decisiones debe considerar. Observe tambin que slo se consideran alternativas en verdad viables. 1.- K. Roscoe Davis, Patrick G. McKcown; Modelos cuantitativos para la Admn. Edit. Iberoamericana, Mxico, 1996 Los estados de la naturaleza Una persona que toma decisiones y que enfrenta una situacin de decisin en la que pueden producirse resultados mltiples a partir de una estrategia determinada, enfrenta estados de la naturaleza mltiples o acciones externas mltiples. Los estados de la naturaleza son las circunstancias que afectan el resultado de la decisin pero que estn fuera del control del T.D. Tambin se le denomina acciones externas porque son situaciones que le son externas. En el caso de la Pizzera, en el cual se va a tomar una decisin con respecto a cuantas pizzas deben hornearse, los estados de la naturaleza se refieren a los niveles de demanda para las pizzas. Es decir, la Pizzera no puede controlar el nmero de pizzas que le solicitaran una noche determinada; aun as, este nivel de demanda tendr efectos sobre las utilidades que obtenga por cualquier decisin que tome.

[Escriba texto]

Pgina 35

Con respecto a la decisin sobre la ubicacin, de nuevo la Pizzera enfrenta tres estados de la naturaleza tres estados de la naturaleza sobre los cuales no tiene control. Estos estados de la naturaleza estn influidos por las decisiones que alguna otra persona tomara con respecto al comercio en el centro de la Cd., o al desarrollo de la plaza comercial. Las decisiones tendrn un efecto inevitable sobres el valor presente de las utilidades, y esto sin importar que decisin tome el dueo de la pizzera con respecto a la ubicacin. Esto es, mudarse al centro de la Cd., a la plaza comercial o no mudarse. El concepto primordial que debe recordarse acera de los estados de la naturaleza, es que se trata de condiciones externas que tienen efecto sobre los resultados que se obtienen de diversas decisiones alternativas. De muevo, y al igual que en la seleccin de alternativas, es importante considerar solo condiciones del medio ambiente que tengan un efecto significativo sobre los resultados. Para la combinacin de estrategia y estado de la naturaleza habr un resultado. Este resultado puede expresarse en trminos de utilidades (como es el caso del problema de elegir el nmero de pizzas que deben hornearse), puede expresarse en trminos de valores presentes (como el caso de la decisin sobre la ubicacin), o puede expresarse en trminos de alguna medida no monetaria. Para determinar los resultados es necesario considerar todas las posibles combinaciones de decisiones y estados de la naturaleza para determinar el resultado que se obtendra si se utiliza una alternativa dada y si ocurre un estado especifico de la naturaleza. Por ejemplo, en el Problema de la ubicacin de la pizzera si el dueo decidiera no mudarse al comercio del centro de la ciudad, se calcula que el resultado sera $50,000. En esa situacin hipottica y dado que haba tres alternativas y tres estados de la naturaleza existen 3 x 3 = 9 resultados que deben calcularse. En general, si existen k alternativas y estados de la naturaleza, ser necesario calcular (k x n) resultados. Con bastante frecuencia los resultados tambin se denominan pagos y una tabla de resultados se denomina tabla de pagos. Criterios para la toma de decisiones En sntesis, la toma de decisiones racional implicara siempre un anlisis de investigacin de operaciones en el cual podamos apoyar la decisin final. En la actualidad se dice que la mayora de las decisiones se toman bajo condiciones de incertidumbre; sin embargo se deben establecer las diferentes condiciones en que se puede tomar una decisin, siendo estas: a) Decisiones bajo certeza. Es cuando un solo estado de la naturaleza y adems es conocido. A esto se le conoce como informacin determinstica. b) Toma de decisiones bajo condiciones de incertidumbre. En este caso existes uno o ms estados de la naturaleza y el decisor no tiene conocimientos de ellos ni est en condiciones de ellos ni est en condiciones de asignarle una probabilidad. c) Toma de decisiones bajo riesgo. En esta situacin existe uno o ms estados de la naturaleza, adems el decisor tiene informacin que soportar la asignacin de valores de probabilidad a cada uno de los estados posibles. Toma de decisiones bajo: certeza, incertidumbre y riesgo Se sugiere proceder mediante los tres siguientes pasos antes de tomar una decisin. 1. Listar todas las alternativas viables para tomar la decisin (aplicando a un problema de fabricacin de audio cintas se tiene): [Escriba texto] Pgina 36

ESTADOS DE LA NATURALEZA ALTERNATIVAS ALTA DEMANDA Expandir 500 Construir Subcontratar 700 300 DEMANDA MODERADA 250 300 150 BAJA DEMANDA -250 -400 -10 FALLA -450 -800 -100

a) Expandir instalaciones b) Construir una planta nueva c) Subcontratar parte de la produccin 2. Identificar loes eventos futuros que pueden llegar a suceder (estados de la naturaleza); de talForma que solo uno de ellos pueda ocurrir a la vez aclarando que estos no son controlables. (Para el ejemplo son): a) Alta demanda b) Demanda moderada (aceptacin razonable, competencia) c) Baja demanda d) Falla (no hay aceptacin) 3. Construir una tabla de beneficios o pagos segn se requiera, resultante de cada posible combinacin entre las diferentes alternativas y los estados de la naturaleza. Traduciendo todo lo anterior respecto al problema del fabricante de cintas se construyes la tabla siguiente; misma que contiene las ganancias y las prdidas calculadas para cada posible combinacin de alternativas y estados de la naturaleza.

Como ya se ha comentado las decisiones bajo certeza no requieren mayor estudio ya que involucran decisiones rutinarias y triviales, adems de escasas. Por lo tanto nos abocaremos al anlisis de las decisiones bajo incertidumbre y posteriormente aquellas que se tomen bajo riesgo. As, los criterios establecidos para la toma de decisiones bajo incertidumbre son 4 principalmente; mismos que desarrollaremos a continuacin para el ejemplo de las cintas. 1. CRITERIO MAXI MAX (optimista). La aplicacin de este criterio en los problemas implicara seleccionar la alternativa que maximizar el beneficio mximo. Para ello se selecciona primero el beneficio mximo posible de cada alternativa y segundo, se selecciona. El beneficio mximo dentro de este grupo. Mximos beneficios: 500,700, 300 MAXI MAX = 700 La aplicacin de este criterio implicara tomar la decisin de construir puesto que siendo optimistas aqu se tendra la mayor ganancia.

[Escriba texto]

Pgina 37

CRITERIO MAXI MIN (pesimista). Se intenta aqu maximizar los beneficios mnimos posibles. Anlogamente con el criterio anterior se seleccionan primero los mnimos beneficios de cada alternativa, y segundo, se selecciona el mximo de este grupo. Mnimos beneficios: -450, -8000, -100 MAXI MIN = -100 De la misma forma que el criterio anterior este implicara una decisin de subcontratar ya que siendo pesimistas con esta decisin se perdera lo menos. CRITERIO DE ARREPENTIMIENTO (Mini Max), o criterio de Savage. Aqu se evalan diferentes combinaciones bajo la suposicin de, Qu habra pasado al suceder los diferentes estados de la naturaleza combinados con las alternativas? Por ejemplo. Supngase que se toma la decisin de subcontratar y resulto que la demanda es alta. Por lo tanto la utilidad es de $300; pero si se hubiera sabido que la demanda iba a ser alta se habra escogido la alternativa de construir obteniendo as una utilidad de $700 que comparativamente con los $300 mencionados representan $400 ms; valor que se le conoce como arrepentimiento. As se construye una tabla de arrepentimiento restando todos y cada uno de los valores de la tabla utilidades (por columna) del valor mximo de su columna correspondiente, para luego escoger el mximo arrepentimiento y enseguida el mnimo de este grupo. Lo anterior se muestra en la tabla siguiente: TABLA DE ARREPENTIMIENTO Alta Expandir Construir 200 0 Moderada 50 0 Baja 240 390 Falla 350 700 MAXIMO ARREP. 350 700

Subcontratar 400 240 0 0 400 La aplicacin de este criterio por su parte indica que al tomar la decisin de expandir, con lo cual se minimizara en un determinado momento de arrepentimiento 1. CRITERIO DEL REALISMMO O DE HURWICZ. Este criterio est entre el maxi max y el maxi min y, requiere para su aplicacin un coeficiente que especifique el grado de optimismo, el cual se ha simbolizado por la letra griega donde: 0 1. As se entiende que si =0 indica total pesimismo, y si =1 es total optimismo, para aplicarse se determinan el mximo y le mnimo beneficio para cada alternativa, calculndose a su vez el valor del realismo mediante la siguiente ecuacin. Medida de realismo = (Beneficio mximo) + (1 - ) (Beneficio mnimo) La ventaja de este criterio es que el decisor puede introducir en el su propio punto de vista en base a la experiencia. La siguiente tabla muestra los clculos para el problema del fabricante de audio cintas con un = 0.7. Mximo Mximo (Mximo (1-)(Mximo beneficio beneficio beneficio) beneficio) Medida de real Expandir 500 -450 350 -135 215 Construir 700 -800 490 -240 250 Subcontratar 300 -100 210 -30 180

[Escriba texto]

Pgina 38

Como puede apreciarse este criterio resulta en la decisin de construir, con lo cual se es pera un beneficio de $250.00. A manera de conclusin debe aclararse que los criterios por si solos no indican la decisin en s, que ha de tomarse. Esto es evidente puesto que es un hecho que simplemente teniendo estas herramientas no se hace un gerente de operaciones efectivo, as como poseer una sierra y un martillo no hace a alguien un carpintero. Un gerente de operaciones debe saber cmo usar las herramientas de elaboracin de decisin. Toma de decisiones bajo riesgo Este tipo de decisiones se dice que existe informacin en la cual sustentar la asignacin de probabilidades a los posibles estados de la naturaleza. Dicha informacin puede provenir de Datos histricos y/o de la experiencia del decisor. Aunque algunas veces la fuente de informacin se considere trivial debe darnos una idea del estado en que se encuentra el ambiente, adems de darnos la seguridad de su veracidad. Con todo lo anterior para la toma de decisiones bajo riesgo hay tres criterios a saber. Criterio del valor esperado o de Bayes Requiere que el decisor calcule el valor esperado de cada alternativa para de ah seleccionar aquella con el valor esperado mximo Problema Una vendedora de fresas enfrenta el problema de decidir cuntas cajas de fresas almacenar para las ventas del siguiente da. Ella cuenta con informacin histrica que le permite establecer los posibles estados de la naturaleza; esto, al muestrear los ltimos 90 das, la informacin es la siguiente: Ventas por da No. De das con esa venta Probabilidad que se venta dese nmero de cajas 10 18 das 18/90 = 0.2 11 36 das 36/90 = 0.4 12 27 das 27/90 = 0.3 13 9 das 9/90 = 0.1 = 90 das = 1.0 Sabiendo que cada caja de fresas se compra en 3 dlares y se vende en 8; y adems que las cajas que no se venden son prdida total construya una tabla de ingresos y/o pagos y aplique el criterio del valor esperado para determinar la decisin procedente No tese que la tabla refleja en los estados de la naturaleza las posibles ventas por da que pueden ocurrir segn el anlisis de datos histricos. Por otra parte las alternativas representan las posibles decisiones de almacenamientos, como es obvio, si se supiera, que la demanda va a ser de 10 cajas se decidir almacenar esa cantidad y as sucesivamente por lo que se considera una alternativa adecuada a cada estado de la naturaleza.

[Escriba texto]

Pgina 39

Tabla de ingresos ALTERNATIVAS 10 Estados de la naturaleza $50 10 11 12 13 50 50 50 11 47 55 55 55 12 $44 52 60 60 13 41 49 57 55

Por otra parte, los pagos se obtienen como sigue: Tomemos por ejemplo, la combinacin depende el estado de la naturaleza es de 10 cajas y la alternativa tambin es de 10 cajas de fresas, entonces el pagose obtiene de multiplicar los 5 dlares de ganancia por caja vendida por las 10 cajas que se venden. Debe observarse adems que en esa columna todos los pago son de 50 dlares, ellos es debido a que no consideran en el problema los costosos de oportunidad (por venta no efectuada). Sin embargo si observamos el rengln correspondiente tambin a la combinacin en cuestin de notar que los pagos si reflejan el costo por obsolescencia (exceso de inventario) puesto que el problema as lo maneja. Esto es, si tomamos el 1er. Estado de la naturaleza (10 cajas de fresas) y la alternativa de almacenar 11 cajas, el pago ser el que se obtenga de la venta de 10 cajas igual a 50 dlares menos el costo de la onceava caja que no se vendi y costo 3 dlares quedando un pago 50 3 = 47 dlares. Ahora para aplicar el criterio debe construirse una tabla que contenga para cada combinacin las utilidades condicionales (U.C.) calculadas en la tabla anterior, as como su probabilidad de ocurrencia para calcular su valor esperado.

Nota: Recuerde que el valor esperado de una variable aleatoria se obtiene al ponderar el valor de dicha variable por su probabilidad correspondiente. As el mejor valor esperado despus de que el proceso se repita varias veces es de 53.6 dolare4s y por lo tanto se deben almacenar 12 cajas. La tabla resultante es la siguiente 1.- Herbert Moskowitz, Gordon P. Wright; Investigacin de operaciones Prentice Hall, Mxico ALTERNATIVAS Almacn 10 Almacn 11 Almacn12 Almacn 13 UC P VE UC P VE UC P VE UC P VE E. 10 50 0.2 10 47 0.2 9.4 44 0.2 8.8 41 0.2 8.2 50 0.4 2 de 11 55 0.4 22 52 0.4 20.8 49 0.4 19.6 50 0.3 15 55 0.3 16.5 6 la 12 0.3 18 57 0.3 17.1 50 0.1 5 nat. 13 55 0.1 5.5 60 0.1 6 65 0.1 6.5 =50 =53.4 =53.6 =51.4 El valor de la informacin perfecta [Escriba texto] Pgina 40

La informacin adicional ocasionalmente es disponible, o puede compararse respecto a futuros sucesos, permitiendo al tomador de decisin tomar una decisin mejor. Por ejemplo una compaa podra contratar un pronosticador econmico para determinar ms precisamente las condiciones econmicas que ocurrirn el futuro. Sin embargo sera necio pagara ms por esta informacin que la posiciones para ganar extra en la ganancia. La informacin tiene algn valor mximo que es el lmite que el tomador de decisin estara dispuesto a gastar. Est valor de informacin puede computarse como un valor esperado.

En efecto considerando lo anterior y aplicndolo al problema del vendedor de fresas, para el clculo del valor esperado de la informacin perfecta, debe considerarse: 1. Que existe dicha informacin perfecta. 2. Calcular la utilidad esperada al tomar decisiones basadas en informacin perfecta y 3. Observar de cuanto es la diferencia en la utilidad esperada al tomar decisiones con y sin informacin prefecta, siendo esta la diferencia, precisamente el valor de dicha informacin. El procedimiento para el clculo mencionado anteriormente se basa en que al tener la informacin perfecta (certera) cerca del estado de la naturaleza que va a ocurrir es lgico que escoja la decisin que maximiza el pago para ese estado de la naturaleza. Ahora puesto que cada estado de la naturaleza ocurre solamente durante un lapso de tiempo, para calcular el valor esperado de la informacin perfecta, deben considerarse loas pagos mximos para cada estado de la naturaleza y ponderarlos por su probabilidad respectiva, resultados que al sumarse nos dan la utilidad con informacin perfecta. Estos clculos se resumen en la siguiente. Tabla. Por otra parte y respecto a la pregunta Cunto debe pagarse por la informacin perfecta? Esta se responde restando de la utilidad esperada con informacin perfecta la utilidad esperada sin este tipo de informacin lo que nos da un valor para el casi del vendedor de fresas de 2.90 dlares Calculo de la utilidad esperada con informacin perfecta ALTERNATIVAS 10 11 12 13 Estados 10 50 de la 11 55 naturaleza 12 60 13 65

Prob. 0.2 0.4 0.3 0.1

V.E 10 22 18 6.5 =53.6

[Escriba texto]

Pgina 41

Valor esperado c/inf. Perfecta - valor esperado s/inf. Perfecta = 56.5 53.6 = 2.9

Criterio de la minimizacin de prdidas Siguiendo con el problema del vendedor de fresas encontramos que estn involucrados dos tipos de perdidas: Nota: Recuerde que hasta aqu en el problema citado solo se ha considerado la prdida por obsolescencia. La primera se denomina perdida por obsolescencia y, es aquella originada por almacenar demasiadas unidades (cajas de fresas), ya que si no se venden se pierden completamente. El segundo tipo denominado perdida por oportunidad, se refiere a aquellas prdidas causadas por no tener inventario cuando los compradores quieren comprar. A continuacin se muestra al anlisis del criterio enunciado, partiendo para ello de una tabla de prdidas condicionales para calcular enseguida las perdidas esperadas y finalmente escoger la mnima de ellas.

Perdidas condicionales ALTERNATIVAS 10 Estados de la naturaleza 10 11 12 13 0 5 10 15 11 3 0 5 10 12 6 3 0 5 13 9 6 3 0

La tabla de prdidas condicionales ha sido elaborada bajo los condicionamientos originales del problema. Esto es para el estado de la naturaleza igual a10 unidades y la alternativa de almacenara tambin 10 unidades se dice que la perdidas es cero puesto que se vendieron todas las unidades y no hubo faltante (solicitud de unidades sin cubrir). Sin embargo para el mismo estado de la naturaleza y una alternativa de almacenamiento de 11 unidades hay una prdida de 3 dlares puesto que solo se demandaron (segn el estado de la naturaleza) y se vendieron 10 y como se haban almacenado 11 es una prdida total, para las alternativas 12 y 13 sucede lo mismo solo que se pierden 2 y 3 unidades respectivamente. Por otra parte, si se analiza por columna, tomando como punto de partida la primera alternativa de almacenamiento (10 cajas) se observa que para el estado de la naturaleza igual a 10 la prdida es cero por las razones ya expuestas, pero para el estado iguala a 11 cajas se tiene una prdida de 5 dlares, debido a que solo se almacenaron 10 cajas y [Escriba texto] Pgina 42

se demandaron 11 por lo que al dejar de venderse una por faltante se perdi la posible ganancia de esta igual a 5 dlares. Para los estados 12 y 13 es anlogo el clculo. En general la tabla de prdidas condicionales refleja arriba de la diagonal principal perdida por obsolescencia (exceso de inventario) y debajo de lamisma prdida por oportunidad (faltante). Asimismo en la diagonal principal observamos perdidas iguales a cero, esto es debido a que son las combinaciones perfectas por ejemplo si el estado de la naturaleza que se presento fue de 12 cajas demandadas y se haba tomado la decisin de almacenar 12, entonces todo fue perfecto pues ni sobro ni falto. La siguiente tabla muestra el clculo de los valores esperados de las perdidas condicionales y el mnimo de ellos Clculo del valor esperado de las prdidas condicionales 10 UC P 0 0.2 5 0.4 10 0.3 15 0.1 =6.5 11 UC P 3 0.2 0 0.4 5 0.3 10 0.1 =3.1 12 UC P 6 0.2 3 0.4 0 0.3 5 0.1 =2.9 13 UC P 9 0.2 6 0.4 3 0.3 0 0.1 =5.1

10 11 12 13

VE 0 2 3 1.5

VE 0.6 0 1.5 1

VE 1.2 1.2 0 0.5

VE 1.8 2.4 0.9 0

Los resultados reflejan que tanto el valor esperado de la utilidad como el de la perdida coinciden en la accin de almacenar doce cajas de fresas. Por lo que esta se considera la opima bajo el citado criterio del valor esperado. Criterio de la racionalidad (o de Laplace) En ausencia de otra informacin acerca de los futuros estados de la naturaleza es posible suponer que es igualmente probable que suceda cualquiera de ellos; lo que se traduce en el concepto de la racionalidad. Dicho concepto supone que para las condiciones del problema del vendedor de fresas en ausencia de mayor informacin es igualmente probable cualquier demanda. Construyendo la tabla de utilidades condicionales para el problema de fresas y ponderando las probabilidades iguales se obtiene la solucin por este criterio, escogiendo el mejor valor esperado. Esto se muestra a continuacin: 10 11 UC P VE UC 10 50 .25 12.5 47 50 .25 12.5 55 11 50 .25 12.5 55 12 50 .25 12.5 55 13 = 50 [Escriba texto]

P .25 .25 .25 .25

VE 11.75 13.75 13.75 13.75 = 53

12 UC 44 52 60 60

P .25 .25 .25 .25

VE 11 13 15 15 = 54

13 UC 41 69 57 65

P .25 .25 .25 .25

VE 10.25 12.25 14.25 16.25 = 53

Pgina 43

Nota: Aqu las utilidades condicionales solamente incluyen costos por exceso de inventario ms no as los costos de oportunidad. Criterio de mxima verosimilitud Este criterio es adecuado solo en problemas con pocos estados de la naturaleza y en loa cuales hay uno que se dispara en probabilidad con respecto a los dems; y no es recomendable en problemas con muchos estados de la naturaleza sonde la probabilidad se reparte casi por igual. El criterio se muestra a continuacin para el problema de las fresas: 10 11 12 13 UC P VE UC P VE UC P VE UC 10 50 0.4 20 .4 22 .4 11 55 52 20.8 49 12 13

P .4

VE 19.6

Como lo indica el criterio solo se ha considerado el segundo estado de la naturaleza, esto es, una posible demanda de 11 cajas de fresas puesto que es el estado con mayor probabilidad. As, una vez calculados los valores esperados para cada alternativa, se tiene que es mejor (obviamente) aquella de almacenar 11 cajas de fresas.

UNIDAD 3 EJERCICIOS Toma de decisiones por incertidumbre 2.1 v. w. es un vendedor de casa en casa de productos alimenticios, utiliza un carro triciclo y camina por el vecindario vendiendo carne, huevos, algunas verduras y leche. Est considerando aadir embutido ahumado, sin embargo, debido a que su carro no tiene refrigeracin, cualquier embutido que le quede al final del da se echa a perder. Del conocimiento de sus clientes V. estima que la demanda de embutido ser 0 y 4 libras al di, usando su relacin conocida de costo/precio, ha ensamblado esta tabla de perdida/utilidades. DEMANDA NUMERO DE LIBRAS ALMACENADAS 0 1 2 3 4 0 $0 0 0 0 0 1 -$2 3 3 3 3 2 -$3 1 6 6 6 3 -$4 -1 4 9 9 4 $8 -3 2 7 12

Utilizando el criterio de decisin maximin, cuantas libras debe almacenar V.W.? Solucin:

[Escriba texto]

Pgina 44

DEMANDA NUMERO DE LIBRAS ALMACENADAS 0 1 2 3 4 MINIMO 0 $0 0 0 0 0 0 1 -$2 3 3 3 3 -2 2 -$3 1 6 6 6 -4 3 -$4 -1 4 9 9 -6 4 $8 -3 2 7 12 -8

Por el criterio maximin, se ha tomado el mximo de los mnimos de las alternativas que se tienen, el cual fue la cantidad de (0), lo cual nos da como resultado de debe almacenar 0 libras, para tener la menor perdida. 2.2 yogurt hut, ltd, vende yogurt natural en una comunidad colegial. Julie stoneman, la gerente est llenando las rdenes para el surtido de la prxima semana. No tiene la certeza de cules sern la ventas. Julie tiene la tabla siguiente como representacin de unidades, dadas ciertas combinaciones de nivel de ventas y compras. VENTAS SEMANALES 200 300 400 ACCIONES COMPRAR COMPRAR 300 400 $25 $0 75 50 75 100

COMPRAR 200 $50 50 50

Utilizando el criterio de decisin mximas, Qu consejo le puede dar a julie acerca de las cantidades de yogurt a comprar para la prxima semana? Solucin: VENTAS SEMANALES 200 300 400 MXIMO

COMPRAR 200 $50 50 50 50

ACCIONES COMPRAR COMPRAR 300 400 $25 $0 75 50 75 100 75 100

El consejo que se puede dar, es que opte por la alternativa de comprar 400 unidades de yogurt, ya que es donde se tiene la mayor ganancia que es de 100, que se obtuvo por el criterio mximas.

[Escriba texto]

Pgina 45

2.3 la compaa X fabrica juguetes de madera para nios. La compaa cree que loa tendencia actual hacia juguetes ms sencillos y duraderos continuara. As, esta debe decidir entre los tres mtodos alternos de surtir la demanda creciente esperada para sus productos. Estas son, reacondicionamiento total de la planta existente e instalacin de maquinaria computarizada para el manejo dela madera, expansin de la planta actual y aadir ms maquinaria o comprar la planta de la competencia que est en venta. Una cuarta alternativa (no hacer nada) seria limitar la produccin a la capacidad de actual de la planta. La tabla de beneficios de la compaa X es como sigue. ALTERNATIVAS ALTA REACONDICIONAR $30,000 60,000 EXPANDIR 50,000 COMPRAR 3000 NO HACER NADA DEMANDA MODERADA BAJA $10,000 -$5000 20,000 -10,000 15,000 -20,000 2000 -1000

FALLA -$50,000 -70,000 -60000 -5000

La gerencia no tiene informacin de cmo es probable que sea la demanda. Usando el criterio realista, con a=.75, determina la mejor opcin para la compaa, bajo estas condiciones. ALTERNATIVAS Max Min a(Max (1Medida Beneficio Beneficio Beneficio). a)(Mini- de Ben-) Beneficio -$50,000 $22,500 -$12,500 $10,000 REACONDICIONAR $30,000 60,000 -70,000 $45,000 -$17,500 $27,500 EXPANDIR 50,000 -60000 $37,500 $15,000 $22,500 COMPRAR 3000 -5000 $2,250 $1,250 $1000 NO HACER NADA $27,500 VALOR MXIMO Por lo tanto la alternativa seria de expansin, ya que tiene una mxima ganancia de $ 27,500, obtenido por el criterio de realismo.

2.4 Los fondos mutualistas del noreste tienen disponibles $500,000 para una de las tres inversiones en el mercado burstil, la oferta de una accin segura, la oferta de una accin de crecimiento y la oferta de una accin especulativa. El ambiente de inversin puede tomar cualquiera de los cuatro estados y la mutualista no tiene informacin previa sobre lo que el mercado har la tabla de beneficios de la mutualista es como sigue: TIPO DE TENDENCIA DEL MARCADO DE VALORES ACCION AUGE CREC.MODERAD DECL.MODERAD CAIDA O A $25,00 475,000 40 $300,00 SEGURA 0 0 -50,000 -400,000 CRECIMIENTO 375000 150,000 500,00 100,000 -150,000 500,000 ESPECULATIV 0 A [Escriba texto] Pgina 46

Usando el criterio de arrepentimiento minimax para la toma de decisin, evaluar cada alternativa y aconsejarle a la mutualista lo que es preferible. SOLUCION: TIPO DE ACCION SEGURA CRECIMIENTO ESPECULATIV A MAYOR TENDENCIA DEL MARCADO DE VALORES AUGE CREC.MODERAD DECL.MODERAD CAIDA O A $25,00 475,000 40 $300,00 0 0 375000 150,000 -50,000 -400,000 500,00 100,000 -150,000 500,000 0 500,00 150,000 0 0 $300,00 0

SE HACE LA DIFERENCIA POR CELDA TIPO DE ACCION TENDENCIA DEL MARCADO DE VALORES AUG CREC.MODERA DECL.MODERA CAID MAXIMI E DO DA A N 475,00 75,000 $0 0 47,000 SEGURA 0 -50,000 125,00 CRECIMIENT 125,00 150,000 0 100,00 O 0 100,000 -150,000 200,00 200,000 ESPECULATI 0 0 VA MINIMO 125,000 Por este criterio de arrepentimiento (maximin), nos muestra que conviene invertir en la alternativa de crecimiento. TOMA DE DECISIONES BAJO RIESGO 2.5 Aqu est una distribucin de ventas de cartucho de 8 pistas para una tienda de estreo. CANT.VENDIDA 20 UNIDADES 25 40 60 DIAS OCURRIDOS 10 30 50 10 P(OCURRENCIA) PROB.ACUMULADA .1 .3 .5 0.1 .1 .8 .6 0.1

El dueo compra estas a $6 cada una y las vende a $10 Por lo que la utilidad es de 10-6 = $ 4 solo habr costo de oportunidad y por qu no de obsolescencia? por que el producto no se echa a perder.

[Escriba texto]

Pgina 47

ESTADOS DE LA NATURALEZA 20 25 40 60 SUMATORIA DE V-E

ALTERNATIVAS U.C 80 60 0 -80 20 PROB .1 .3 .5 .1 V.E 8 18 0 -8 18 U.C 80 100 40 -40 25 PROB .1 .3 .5 .1 V.E 8 30 20 -4 54 U.C 80 100 160 80 40 PROB .1 .3 .5 .1 V.E 8 30 80 8 126 U.C 80 100 160 240 60 PROB .1 .3 .5 .1 V.E 8 30 80 24 142

Valor esperado con informacin completa= 8+30+80+24=$142

a) Si almacenan 25 cada da, Cul es la cantidad esperada por da? La utilidad seria de $54 b) Cul sera la utilidad por da con inventario de 60 unidades? La utilidad seria de 142 c) Que cantidad debe comprar cada da para maximizar las utilidades esperadas? Debe comprar 60 unidades, ya que se tiene la mxima utilidad de 142 d) Cul es el valor de la informacin perfecta para el dueo? El valor de la informacin perfecta == 8+30+80+24=$142 Valor mximo esperado sin informacin perfecta= 142 Por lo tanto el valor de la informacin perfecta es ($142-142=0).

2.6 en una compaa distribuidora de langostas frescas, las rdenes se reciben por correo. La compaa las compra a $3.6 y las vende en $4.5 la distribucin semanal de embarques es como sigue: EMBARQUES SEMANAS PROBABILIDAD PROB. P/SEMANA OCURRIDAS ACUMULADA 5 .05 1 3000 15 .15 .95 5,000 25 .25 .8 8,000 40 .4 .55 12,000 15 .15 .15 18,000 Una firma de consultores especializados en pronsticos de ventas se ha puesto en contacto con la compaa. La firma ha ofrecido proveer a la distribuidora con un modelo de pronsticos de ventas que cuando menos duplicara las unidades actuales del distribuidor al igualar las compras y las ventas. El costo de comprar y operar el modelo ser de 7500 a la semana. Debe comprarlo la compaa?. (Ya se est usando el valor esperado para calcular cuantas langostas ordenar cada semana).

[Escriba texto]

Pgina 48

2.7 un vendedor de equipo de golf al comienzo de la temporada est decidiendo cuantas bolas de golf almacenar. Ha usado los riesgos previos para formular la tabla siguiente, que ilustra la demanda que espera y las unidades (perdidas) condicionales dadas ciertas acciones de almacenamiento. Usando el principio de mxima verosimilitud como criterio de decisin. Qu cantidad debe almacenar? SOLUCION: DEMANDA PROBABILIDAD UTILIDADES CONDICIONALES(ACCIONES DE ALMACENAMIENTO) 2 4 6 8 10 12 $50 20 0 20 -60 -$100 50 100 50 0 -20 -60 50 100 150 120 80 0 50 100 150 200 160 120 50 100 150 200 250 190 50 100 150 200 250 300

2 4 6 8 10 12

.1 .3 .2 .2 .1 .1

Ahora sacando el valor esperado se tienen las siguientes cantidades: DEMANDA PROBABILIDAD UTILIDADES CONDICIONALES(ACCIONES DE ALMACENAMIENTO) 2 4 6 8 10 12 $5 2 0 2 -6 -$10 15 30 15 0 -6 -18 10 20 30 24 16 0 10 20 30 40 32 24 5 10 15 20 25 19 5 10 15 20 25 30 50 92 105 106 86 $45

.1 2 .3 4 .2 6 .2 8 .1 10 .1 12 SUMATORIA DE V.E.

[Escriba texto]

Pgina 49

Se tiene un valor esperado mximo de $106, por lo que podemos decir que la alternativa que debe ser seleccionada es la de almacenar 8 bolsas.

2.1 Virgil Williams es un vendedor de casa en casa, de productos alimenticios, utilizan un carro triciclo y camina por el vecindario vendiendo carne, huevos, algunas verduras y leche. Virgil est considerando aadir embutido ahumado; sin embrago, debido a que su carro no tiene refrigeracin, cualquier embutido que le quede al final del da se hecha a perder. Del conocimiento de sus clientes, Virgil estima que la demanda de embutido ser entre 0 y 4 libras al da; usando su relacin conocida de costo/precio, ha ensamblado esta tabla de prdida/utilidades: Numero de libras almacenadas 1 2 3 -2 -4 -6 3 1 -1 3 6 4 3 6 9 3 6 9

Demanda 0 1 2 3 4

0 0 0 0 0 0

4 -8 -3 2 7 12

Utilizando el criterio de decisin mximin, cuntas libras debe almacenar Virgil? Numero de libras almacenadas Demanda 0 1 2 3 4 0 0 -2 -4 -6 -8 1 0 3 1 -1 -3 2 0 3 6 4 2 3 0 3 6 9 7 4 0 3 6 9 12 Maximin Minimax

2.2 Yogurt Hut, Lid., Vende yogurt natural en una comunidad colegial. Julie Stoneman, la gerente est llamando las rdenes para el surtido de la prxima semana. No tiene certeza de cules sern las ventas. Julie tiene la tabla siguiente como una representacin de las utilidades, dadas ciertas combinaciones de nivel de ventas y compras:

Ventas Semanales 200 300 [Escriba texto]

Numero de libras almacenadas Comprar 200 Compara 300 Comprar 400 50 25 0 50 75 50 Pgina 50

400

50

75

100

Utilizando el criterio de decisin maximax, Qu consejo le puede dar Julie acerca de las cantidades de Yogurt a comprar para la prxima semana? Ventas Semanales 200 300 400 Maximax Numero de libras almacenadas Comprar 200 Compara 300 Comprar 400 50 25 0 50 75 50 50 75 100

2.3Los fondos mutualistas del noroeste tienen disponibles $500,000 para una de tres inversiones en el mercado burstil: la oferta de una accin segura, la oferta de una accin de crecimiento y la oferta de una accin especulativa. El ambiente de inversin puede tomar cualquier de cuatro estados y la mutualista no tiene informacin previa sobre lo que el mercado har. La tabla de beneficios de la mutualista es como sigue: Tipo accin Segura Crecimiento Especulativa de TENDENCIA DEL MERCADO DE VALORES Auge Crecimiento Declinacin Cada Moderado Moderada 250 000 75 000 0 -300 000 375 000 500 000 150 100 000 -50 000 0 -150 000 -400 000 -500 000

Usando el criterio de arrepentimiento minimax para la toma de decisin, evaluar cada alternativa y aconsejar a la mutualista lo que es preferible para obtener la mayor ganancia. 2.3 La New Era Toy Co., Inc., fabrica juguetes de madera para nios. La compaa cree que la tendencia actual hacia juguetes ms sencillos y duraderos continuara. As, New Era debe decidir entre tres mtodos alternos de surtir la demanda creciente esperada para sus productos. Estas son, reacondicionando total de la planta existente e instalacin de maquinaria computarizada para el trabajo en madera, expansin de la planta actual y aadir ms maquinas o comprar la planta de la computadora que esta en venta. Una cuarta alternativa (no hacer nada) seria limitar la produccin a la capacidad actual de la planta. La tabla de beneficios de New Era es como sigue:

[Escriba texto]

Pgina 51

La gerencia de New Era no tiene informacin de como es probable que sea la demanda. Usando el criterio realista, con determine la mejor opcin para New Era bajo estas condiciones. DEMANDA ALTERNATIVAS ALTA Reacondicionar 30 000 Expandir 60 000 Comprar 30 000 No hacer nada 3 000

MODERADA 10 00 20 000 15 000 2 000

BAJA

FALL -5 000 -50 000 -10 000 -70 000 -20 000 -60 000 -1 000 -5 000

2.4 Aqu esta una distribucin de ventas de cartuchos de 8 pistas para la tienda estreo del Big Charlies Cantidad Comprada Por Los Clientes 20 unidades 25 40 60 Numero De Das Que Ocurrieron 10 30 50 10 P(ocurrencias) Probabilidad acumulativa 1.00 0.90 0.60 .10

0.10 0.30 0.50 0.10

Charlie compra estas a $6 cada una y las vende a $10 a) Si almacena 25 cada da Cul es su utilidad esperada por da? b) Cul sera la utilidad esperada por da con un inventario de 60 unidades? c) Qu cantidad debe Charlie comprar cada da para maximizar las utilidades esperadas? d) Cual es el valor esperado de la informacin perfecta para Charlie?

2.5 Un veterinario compra vacunas de inmunizacin contra la rabia, el lunes de cada semana. Debido a las caractersticas de esta vacuna, se debe usar el viernes a ms tardar o desecharse. La vacuna cuesta $7 por dosis y el veterinario cobra $10 por dosis. En el pasado, el veterinario ha administrado vacunas contra la rabia en las siguientes cantidades:

Cantidad Usada Por Semana 25 40 [Escriba texto]

Numero De Semanas Que Esto Ocurri 15 20

P de ocurrencias

Probabilidad acumulativa 1.00 0.60 Pgina 52

0.40 0.30

50 75

10 5

020 0.10

0.30 .10

Usando el anlisis marginal, determine cuantas dosis debe ordenar el veterinario cada semana

2.6 La Capitain Table es un distribuidor de langostas frescas, las rdenes se reciben por correo. La compaa las compra a $3.60 y las vende a $4.50. la distribucin semanal de embarques es como sigue: Embarques Por Semana 3 000 5 000 8 000 12 000 18 000 Numero De Semanas Que Ocurri Esto 5 15 25 40 15 Probabilidad De Que Suceda 0.05 0.20 0.20 0.40 0.15 Probabilidad acumulada 1.00 0.95 0.75 0.55 0.15

Una firma de consultores especializados en pronsticos de ventas se ha puesto en contacto con la compaa. La firma ha ofrecido proveer a The Captain Table con un modelo de pronstico de ventas que cuando menos duplicara las utilidades actuales del distribuidor al igualar las compras y las ventas. El costo de comprar y operar el modelo ser de $7,500 a la semana. Debe comprarlo la compaa? (ya se esta usando el valor esperado para calcular cuantas langostas ordenar cada semana). 2.7 Usted se ha comprometido a patrocinar un carro de carreras y un equipo como parte de una compaa publicitaria. Al preparar un estado de gastos esperados para la siguiente carrera, a acumulado esta informacin: una maquina nueva para el carro de carreras cuesta $5,000; un reacondicionamiento completo cuesta $2,000; una reparacin menor es esencialmente un elemento sin costo puesto que la cuadrilla esta a sueldo. El equipo vuela totalmente (destruye) una maquina en 40% de las carreras; en 30% de las veces la maquina necesita un reacondicionamiento completo despus de la carrera; 30% de las veces la maquina solo necesita una reparacin menor. Sus datos tambin muestran las siguientes probabilidades condicionales para las velocidades de clasificacin, dada la clase de reparacin requerida por la maquina despus de la carrera: Velocidad de clasificacin antes de la carrera [Escriba texto] Ocurrencia de mquinas voladas, porcentaje Ocurrencia de reacondicionamiento mayor, porcentaje Ocurrencia de reparacin menor, porcentaje Pgina 53

Mas de 175 mph 70 De 160 a 175 mph 20 Menos de 160 mph 10

60 30 10

10 30 60

Su piloto, Beauford Johnson ha clasificado para las 600 de Dixie a 182.375 mph. Cul es su gasto esperado en mquinas para la carrea?

2.8 Usted es dueo de una compaa fabricante de radios de banda civil. Compra sus cristales de dos fuentes diferentes para garantizar el abasto. La orden normal es de 30,000 cristales. Una fuente de abasto garantiza no ms de 1% de defectuosos. L a otra fuente ha tenido porcentajes variables de acuerdo a esta tabal: Porcentaje Probabilidad Defectuoso de este nivel 0.30 0.50 0.50 2.0 0.20 5.0 Su personal de la line de ensamble puede reparar los cristales defectuosos a un costo de $2 cada uno. La fuente de abasto con el porcentaje de defectuosos garantizado cobra $1,000 ms por orden que la otra fuente. Qu fuente proporciona el costo mas bajo para su abasto de cristales? 2.9 Southwestern University cree que se deben considerar cuatro caractersticas al seleccionar estudiantes para inscripciones: promedio de clasificaciones, resultado del examen de admisin, recomendaciones y actividades extraescolares. La universidad adems cree que el promedio de clasificaciones es cuatro veces ms importante que las actividades extraescolares; el examen de admisin es tres veces ms importante que las actividades extraescolares y las recomendaciones son dos veces ms importantes que las actividades extraescolares. Las puntuaciones estn normalizadas en una escala de 100 puntos. En este momento hay dos vacantes para becas, escoja entre estos siete estudiantes: Nombre calificaciones Examen recomendacin Actividades del de extraescolares estudiante admisin Steve 75 84 90 80 Celeste 91 88 83 88 Carole 86 93 90 92 Frank 94 90 88 75 Linda 94 84 86 89 Cam 82 70 94 93 Bill 74 89 85 68 [Escriba texto] Pgina 54

2.10 Fred Allen tiene su propio camin de helados y vive a 48 kilmetros de la playa de recreo ms cercana. El nmero de helados que vende depende en gran medida, del tiempo; el pronstico ms reciente indica una probabilidad de 0.3 de buen tiempo. Si hace buen tiempo y Fred va a la playa, el gana $90 por da en promedio; si se queda en su casa su utilidad es de $40. Si el tiempo es malo, el gana solo $10 en la playa contra $25 en casa. Dado el ltimo pronstico del tiempo, construya la tabla de beneficios y recomiende si debe quedarse en casa o ir a la playa. Cunto podr pagar Fred por un pronstico realmente bueno del clima del da siguiente uno que rara vez fallara? 2.11 Alexander Livestock Company recibe rdenes en promedio, por 6000 docenas de huevos de codorniz a la semana. La desviacin estndar de las ordenes semanales es de 425 docenas. El huevo cuesta $7 la docena y se revenden por $10 la decena. Si los huevos no se embarcan a ms tardar en una semana, su fertilidad se ve disminuida y Alexander no los puede vender como de primera calidad, sin embargo, pueden vender a $1 la docena. Calcule la orden de huevos semanal ptima de Alexander.

2.12 Charlie es dueo de un camin muy viejo que usa para entregas ocasionales tanto en la ciudad como fuera de ella. Si entrega fuera de la ciudad, puede promediar $100 por viaje, si el camin no se le descompone; si se descompone, las reparaciones, el retraso y la gra reducen su utilidad a $20. Si se queda en la ciudad, gana $60 por viaje, pero se le reduce a $30 si el camin se descompone. Calcule cual tendra que ser la probabilidad de descompostura para que a Charlie le resulte indiferente donde entrega.

2.13 Terrys Pro Shop vende equipo de golf. Es el comienzo de la temporada y Terry esta decidiendo cuantas bolsas de golf almacenar. Ella ha usado los registros previos para formular la tabla siguiente, que ilustra la demanda que espera y las utilidades (perdidas) condicionales dadas ciertas acciones de almacenamiento. Usando el principio de mxima verosimilitud como criterio de decisin. Qu cantidad debe almacenar Terry? Demanda Probabilidad Unidades condicionales (acciones de [Escriba texto] Pgina 55

2 4 6 8 10 12

0.1 0.3 0.2 0.2 0.1 0.1

almacenamiento) 2 4 50 20 50 100 50 100 50 100 50 100 50 100

6 0 50 150 150 150 150

8 -20 0 120 200 200 200

10 -60 -20 80 160 250 250

12 -100 -60 0 120 190 300

2.14 Care Inc., es un centro creativo de alimentos que proporciona a familias pobres comidas sanas preparadas en forma diaria. Cada familia paga $1 por comidas que cuestan en promedio $3 de preparacin. Si las comidas preparadas en un momento dado no son consumidas, se desperdician. Si la demanda es mayor que las perdidas, a cada familia que no puede drsele de comer se le da $3 para comprar su comida en otra parte. La demanda posible de comidas y los costos asociados de preparacin y pago a familias que no alcanzaron comida son las siguientes:

Demanda 4 5 6 7 8 9 4 -8 -11 -14 -17 -20 -23 5 -11 -10 -13 -16 -19 -22

Numero de comidas preparadas 6 7 8 -14 -17 -20 -13 -16 -19 -12 -15 -18 -15 -14 -17 -18 -17 -16 -21 -20 -19

9 -23 -22 -21 -20 -19 -18

La institucin que administra Care, Inc., desea minimizar sus gastos. Si usa el crdito de racionalidad. Cuntas comidas debe preparar? 2.15 Al Sr. Wood se la ha propuesto una oportunidad de investigacin que podra resultar en una utilidad o perdida que flucte entre -$3,000 y +$5,000. El es muy rico y aun el perder hasta $2,000 resultara en una satisfaccin positiva. De hecho, una situacin en que ni pierda ni gane resultara en un nivel bastante alto de satisfaccin. Dibuje una curva de satisfaccin para el seor Wood. 2.16 Un asociado le ha propuesto una inversin a las seora Slade. La utilidad mxima que se puede obtener es $25,000 y la perdida posible mxima es $20,000. La seora Slade siente que una situacin en que ni gana ni pierde lleva un bajo nivel de satisfaccin. Dibuje su curva de satisfaccin. 2.17 Un inversionista tiene $10,000 para invertir en acciones comunes. Su eleccin est entre las compaas A y B. El siente que para cada inversin tiene una probabilidad de 0.4 de duplicar su dinero y una probabilidad de 0.6 de perder la mitad de su dinero. Sus opciones son: 1) Invertir toda la cantidad de A o en B [Escriba texto] Pgina 56

2) Invertir $5,000 en una compaa, y no invertir los otros $5,000 3) Invertir $5,000 en A y $5,000 en B 4) No invertir nada. Si los valores de satisfaccin para el cambio en activos son: 1) $10,000 = 1 2) $5,000 = 0.90 3) $2,500 = 0.70 4) $0 = 0.40 5) -$2,500 = 0.20 6) -$5,000 = 0 Qu plan de inversiones debe escoger para maximizar su satisfaccin esperada? Suponga que la apreciacin o declinacin de cualquiera de las acciones es independiente de la otra. 2.18 Un inversionista est considerando dos alternativas para las que tiene $25,000, para invertir. La primera es en una propiedad comercial, la segunda es en acciones. El anlisis ha revelado que cada alternativa ofrece una probabilidad de 0.3 de triplicar su inversin y una probabilidad de 0.7 de perder 60% de la cantidad total. Sus opciones son: 1) Invertir la cantidad total en una u otra 2) Invertir la mitad de sus fondos en una u otra y guardar la mitad 3) Invertir la mitad en cada alternativa 4) No hacer ninguna inversin Muestra estas satisfacciones para el cambio de sus activos: 1) $50,000 = 1 2) $25,000 = 0.80 3) $17,500 = 0.60 4) $0 = 0.4 5) -$7,500 = 0.20 6) -$15,000 = 0 Qu plan de inversin debe seguir esta mujer para maximizar su satisfaccin? Puede suponer que la apreciacin o declinacin de una inversin es independiente de la otra.

2.19 Caroline Edwards es una gran aficionada al basketball y una persona muy rica. Esta considerando comprar un equipo profesional de basquetbol. Una inspeccin de los registros financieros del equipo muestra utilidades y prdidas de -$50,000 a $30,000. Debido al gusto de Caroline por el juego, el equipo podra perder hasta $30,000 sin causar que su satisfaccin sea negativa. Si el equipo sale a mano, ella disfruta de un alto nivel de satisfaccin. Dibuje la curva de utilidad 2.20 Freddy Jackson es un jugador compulsivo. Tiene varias deudas substanciales de apuestas que ya estn vencidas. Ha conseguido $5,000 ms prestados y est planeando invertir esta cantidad en una sola carrera de [Escriba texto] Pgina 57

caballos. El caballo en que est considerando apostar pagara 20 a 1 si llega en primer lugar y cantidades decrecientes por llegar en segundo o tercer ligar. Si el caballo no llega a pagar por lo menos 10 a 1, la satisfaccin de Freddy ser negativa; un pago de 20 a 1 resultara en una alta satisfaccin para l. Dibuje la curva de satisfaccin de freddy 2.21 Una compaa diseo un nuevo circuito integrado que le permitir entrar, si as lo desea, al campo de las microcomputadoras. De otra manera puede vender sus derechos por $15 millones. Si elige construir computadoras, la rentabilidad de este proyecto depende de la habilidad de la compaa para comercializarlas durante el primer ao. Tiene suficiente acceso a los distribuidores al menudeo como para garantizar la venta de 10 000 de ellas. Por otro lado, Si tiene xito puede llegar a vender hasta 100,000 maquinas. Con el fin de analizar, estos dos nivles de ventas se toman como dos resultados posibles de la venta de computadoras. El costo de instalar la lnea de produccin es $6 millones. La diferencia entre el precio de venta y el costo variable de cada computadora es de $600. 1) Desarrolle su formulacin de anlisis de decisiones para este problema identificando las acciones, los estados de la naturaleza y la matriz de pagos. 2) Desarrolle una grfica del pago esperado para cada accin alternativa contra la probabilidad a priori de vender 10 000 computadoras. 3) Respecto a la grfica desarrollada en el inicio 2 use el lgebra para obtener el punto de cruce. Explique el significado de este punto. 4) Desarrolle una grfica del pago esperado (con la regla de decisin de Bayes) contra la probabilidad a priori de vender 10 000 computadoras. 5) Suponga que las probabilidades a priori de los dos niveles de ventas son 0.5 ambas, Qu alternativa de accin debe elegirse? 2.22 Jean Clark es un gerente de Midtown Saveway Grocery Stire. Ella necesita restablecer su inventario de fresas. Su proveedor normal puede surtir todas las cajas que dese. Sin embargo, como ya estn muy maduras, deber venderlas maana y despus descartar las que queden. Jean estima que podra vender 10, 11, 12,y 13 cajas maana. Puede comprar las fresas en $3 por caja y vender las en $8 por caja. Jean ahora necesita decidir cuantas cajas comprar. Jean Verifica los registros de ventas diarias de fresas de la tienda. Con base en ellos, estima que las probabilidades a priori de poder vender 10, 11, 12 y 13 cajas de maana son 0.2, 0.4, 0.3, y 0.1. 1) Desarrolle la formulacin para el anlisis de decisin de este problema identificando las acciones alternativas, los estados de naturaleza y la tabla de pagos. 2) Cuntas cajas de fresas debe comprar Jean si usa el criterio de mximo pago? 3) Cuntas cajas de fresas debe comprar Jean si usa el criterio de mxima posibilidad? 4) Cuntas cajas de fresas debe comprar segn la regla de decisin de Bayes? Jean piensa que tiene bien las probabilidades a priori para la venta de 10 y 13 cajas, pero no esta segura de como dividir esas probabilidades para 11 y 12 cajas. Aplique de [Escriba texto] Pgina 58

nuevo la regla de decisin de Bayes cuando las probabilidades a priori de vender 11 y 12 cajas son: a) 0.2 y 0.5 b) 0.3 y 0.4 c) 0.5 y 0.2 UNIDAD IV

Los problemas de redes surgen en una gran variedad de situaciones. Las redes de transporte, elctricas y de comunicaciones predominan en la vida diaria. La representacin de redes se utiliza ampliamente en reas tan diversas como produccin, planeacin de proyectos, localizacin de instalaciones, administracin de recursos y planeacin financiera para nombrar solo unos ejemplos. De hecho una representacin de redes. De hecho, una representacin de redes proporciona un panorama general tan poderoso y una ayuda conceptual para visualizar las relaciones entre las componentes de los sistemas, que se usan en casi todas las reas cientficas, sociales y econmicas. Uno de los mayores desarrollos recientes en investigacin de operaciones ha sido el rpido avance tanto en la metodologa como en la aplicacin de los modelos de optimizacin de redes. La aparicin de algunos algoritmos ha tenido un impacto importante, al igual que las ideas de ciencias de la computacin acerca de estructuras de datos y la manipulacin eficiente de los mismos. En consecuencia, ahora se dispone de algoritmos y paquetes de computadora y se usan en forma rutinaria para resolver problemas muy grandes que no se habran podido manejar hace dos o tres dcadas. En este captulo solo se podrn plantear las bases de la metodologa de redes actual. Sin embrago, se dar una introduccin a cinco tipos importantes de problemas de redes y algunas ideas bsicas sobre cmo resolverlos (sin profundizar en los aspectos de estructuras de bases de datos, tan vitales para la aplicacin exitosa en los problemas de gran escala) Los tres primeros tipos de problemas son: 1. El problema de la ruta ms corta 2. El problema del rbol de mnima expansin 3. Problema del lujo mximo Tienen una estructura especfica que surge con frecuencia en la prctica. 4. El problema del flujo de costo mnimo Proporciona un enfoque unificador de muchas otras aplicaciones por su estructura mucho ms general. De hecho, esta estructura es tan general que incluye como casos especiales el problema de la ruta ms corta y el de flujo mximo, al igual que los problemas de transporte y de asignacin del captulo 8. Debido a que el problema del flujo de costo mnimo es un tipo especial de problemas de programacin lineal, se puede resolver de forma eficiente mediante una versin simplificada del mtodo simplex llamada 5. Mtodo simplex de redes (No se presentan problemas de redes an ms generales cuya solucin es todava ms complicada) [Escriba texto] Pgina 59

La primera seccin introduce un ejemplo prototipo que se usa ms adelante para ilustrar el enfoque de los primeros tres tipos de problemas.

Ejemplo prototipo En fecha reciente se reserv el rea se SEERVADA PARK para paseos y campamentos. No se permite la entrada de automviles pero existe un sistema de caminos angostos con curvas para tranvas y jeeps conducidos por los guardabosques. La figura 9.1 muestra este sistema de caminos (sin las curvas), en donde O es la entrada al parque; las otras letras representan la localizacin de las casetas de los guardabosques (y otras instalaciones de servicio). Los nmeros son las distancias en millas de estos caminos sinuosos el parque contiene un mirador a un hermoso paisaje en la estacin T. unos cuantos tranvas, transportan a los visitantes desde la entrada a la estacin T y de regreso. En este momento el administrador del parque se enfrenta a tres problemas: 1) Consiste en determinar que ruta, desde la entrada del parque a la estacin T, es la que tiene la distancia total ms corta para la operacin de los tranvas. (este es un ejemplo del problema de la ruta mas corta que se estudiara en la sesin 9.3). 2) Deben instalarse lneas telefnicas subterrneas para establecer comunicacin entre todas las estaciones (incluso la entrada). Como la instalacin es cara y perturba la ecologa, se instalaran lneas que siguen solo los caminos necesarios para obtener comunicacin entre cualquier par de estaciones. La pregunta es por donde deben tenderse las lneas para lograr esto con el mnimo nmero total de millas de cable instaladas. (este es un ejemplo del problema del rbol de mnima expansin que se analiza en la figura 9.4) 3) Durante la temporada pico, hay mas personas que quieren tomar el tranva a ala estacin T de las que se pueden acomodar. Para evitar la poblacin indebida de la ecologa y de la vida silvestre de la regin, se ha impuesto un razonamiento estricto en el nmero de viajes al da que pueden hacer los tranvas en cada estacin. (estos limites difieren entre los caminos, como se vera con detalle en la seccin 9.5). As durante la temporada pico, se pueden seguir varias rutas, sin tomar en cuanta la distancia para aumentar el nmero de viajes de tranvas diarios. La pregunta es cmo planear las rutas para los distintos viajes, de manera que se maximice el nmero total de viajes que se pueden hacer al da, sin violar los lmites impuestos sobre cada camino. (Este es un ejemplo del problema de flujo mximo que se presentara en la seccin 9.5).

[Escriba texto]

Pgina 60

TERMINOLOGIA DE REDES Se ha desarrollado una terminologa relativamente extensa para describir el tipo de redes y sus componentes. Aun que se ha evitado en lo posible el uso del vocabulario especfico es necesario introducir un nmero considerable de trminos que se usaran en este captulo. Se sugiere al lector que lea la seccin completa una vez para entender las definiciones y planear despus regresar a refrescar la memoria conforme se usen los trminos en las secciones subsecuentes. Como subsecuentes, se resalta el nombre de cada trmino en negritas en el punto en que se define. Una red consiste en un conjunto de puntos y un conjunto de lneas que unen ciertos pares de puntos. Los puntos se llaman nodos (o vrtices); por ejemplo, la red de la figura 9.1 tiene 7 nodos representados por 7 cirulos. Las lneas se llaman arcos (o ligaduras, aristas o ramas); por ejemplo, la red de la figura 9.1 tiene 12 arcos que corresponden a los 12 caminos del sistema del parque. Los arcos se etiquetan para dar nombre a los nodos en sus puntos terminales; por ejemplo, AB es el arco entre los nodos A y B en la figura 9.1. Los arcos de una red pueden tener un flujo de algn tipo que pasa por ellos, por ejemplo, el flujo de tranvas sobre los caminos de SEERVADA PARK en la seccin 9.1. La tabla 9.1 proporciona varios ejemplos de flujo en redes. Si el flujo a travs e un arco se permiten solo en una direccin (como en una de un sentido) se dice que el arco es un arco dirigido. La direccin se indica agregando una cabeza de flecha al final de la lnea que representa el arco. Al etiquetar un arco dirigido en el nombre de los nodos que se une siempre se pone primero el nodo de donde viene y despus el nodo a donde va esto es, un arco dirigi del nodo A al nodo B debe etiquetarse como AB y no como BA. Otra manera de etiquetarlo es A B. Si el flujo a travs de un arco se permite ambas direcciones (como una tubera que se puede usar para bombera fluido en ambas direcciones), se dice que el arco es un arco no dirigido. Para ayudar a distinguir entre los dos tipos de arcos, con diferencia se har referencia a los arcos no dirigidos con el subjetivo nombre de ligadura. Aun que se permita que el flujo a travs de un arco no dirigido ocurra en cualquier direccin, se supone que ese flujo ser en una direccin en la seleccionada, y no se tendrn flujos simultneos en direcciones opuestas. (Este ltimo caso requiere usar un par de arcos dirigos en direcciones opuestas) sin embargo, en el proceso de toma de decisiones sobre el flujo en un arco no dirigido, se permite hacer una secuencia de asignaciones de flujos en direcciones opuestas, pero en el entendimiento de que el flujo real ser el flujo neto (la diferencia de los flujos asignados en las dos direcciones). Por ejemplo si se asigna un flujo de 10 en una direccin y despus un flujo de 4 en la direccin opuesta el efecto real es la cancelacin de 4 unidades de la asignacin original, lo que reduce el flujo en la direccin original de 10 a 6. Aun [Escriba texto] Pgina 61

para un arco dirigido, en coacciones se usa la misma tcnica como una manera conveniente de reducir un flujo previamente asignado. En particular, se puede hacer una asignacin ficticia de flujo en la direccin equivocada a travs de un arco dirigido para registrar una reduccin en esa cantidad en el flujo que va en la direccin correcta. Una red que tiene solo arcos dirigidos se llama red dirigida. De igual manera, si todos sus arcos son no dirigidos se dice que se trata de una red no dirigida. Una red con una mescla de arcos dirigidos y no dirigidos (o incluso una con todos sus arcos no dirigidos) se puede convertir en una red dirigida, si se desea, sustituyendo cada arco por un par de arcos dirigidos en direcciones opuestas. (Despus se puede optar por interpretar los flujos a travs de cada par de arcos dirigidos como flujos simultneos en direcciones opuestas o de proporcionar un flujo neto en una direccin, segn se ajuste al caso). Cuando dos nodos no estn unidos por un arco surge la pregunta natural de si estn conectados por una serie de arcos. Una trayectoria entre dos nodos es una sucesin de arcos distintos que conectan estos nodos. Por ejemplo, una de las trayectorias que conectan a los nodos O y T en la figura 9.1 es la sucesin de arcos OB BD DT (O B D T), y viceversa. Cuando alguno o todos los arcos de una red son arcos dirigidos se hace la distincin entre trayectorias dirigidas y trayectorias no dirigidas. Una trayectoria no dirigida. Una trayectoria dirigida del nodo al nodo , es una sucesin de arcos cuya direccin (si la tienen) se hacia el nodo , de manera que el flujo del nodo al nodo , a travs de esta trayectoria es factible. Una trayectoria no dirigida del nodo al nodo es una sucesin de arcos cuya direccin si la tiene? Puede ser hacia O desde el nodo . (Observe que una trayectoria dirigida tambin satisface la definicin de trayectoria no dirigida, pero el inverso no se cumple.) Con frecuencia una red no dirigida tendr algunos arcos dirigidos hacia el nodo y otros desde el (es decir hacia el nodo ). En las secciones 9.5 y 9.7 se ver que, tal vez de maneara sorprendente, las trayectorias no dirigidas juegan un papel muy importante en el anlisis de las redes dirigidas. Para ilustrar estas definiciones, la figura 9.2 muestra una red dirigida comn (sus nodos y sus arco son los mismos que los de la figura 3.13 donde los nodos A y B representan dos fbricas y los nodos D y E representan dos almacenes el nodo C es un centro de distribucin y los arcos representan las rutas de embarque.) las sucesin de arcos AB BC CE es una trayectoria dirigida (A B C E), del nodo A al nodo E ya que el flujo hacia el nodo E en toda esta trayectoria es factible. Por otro lado, BC AC AD (B C A D), no es una trayectoria dirigida del nodo B al nodo D, porque la direccin de arco AC es desde el nodo D (sobre esta trayectoria). No obstante B C A D es una trayectoria dirigida del nodo B al nodo D, debido a que la secuencia de arcos BC AC AD conecta a estos dos nodos (aun cuando la direccin del arco AC evita el flujo a travs de esta trayectoria. Como ejemplo de la relevancia de las trayectorias no dirigidas, suponga que se haban asignado dos unidades del flujo de nodo A al nodo C al arco AC. Dada esta asignacin previa, ahora es factible asignar un flujo ms pequeo, digamos una unidad, a la trayectoria no dirigida B C A D, aunque la direccin de AC evita un flujo positivo a travs de C A la razn es que [Escriba texto] Pgina 62

esta asignacin de flujo en la direccin equivocada para el arco AC de hecho solo reduce el flujo en la direccin correcta en una unidad. Un ciclo es una trayectoria que comienza y termina en el mismo nodo, en una red dirigida, un ciclo puede ser dirigido o no dirigido, segn si la trayectoria en cuestin red dirigida o no dirigida. (Como una trayectoria dirigida tambin es no dirigida, un ciclo dirigido es un ciclo no dirigido, pero en general el inverso no es cierto). Por ejemplo en la figura 9.2, DE ED es un ciclo dirigido. Por el contrario, AB BC CA no es un ciclo dirigido puesto que la direccin del arco AC es opuesta a la de los arcos AB y BC. Por otro lado AB BC AC o es un ciclo dirigi porque A B C A es una trayectoria no dirigida. En la red no dirigida que se muestra en la figura 9.1 existen muchos ciclos, por ejemplo, OA AB BC CO. De cualquier forma, ntese que la definicin de trayectoria (una sucesin de arcos distintos) elimina la posibilidad de retroceder al formar un ciclo. Por ejemplo OB BO en la figura 9.1 no califica como ciclo, porque OB y BO son dos etiquetas para el mismo arco (ligadura). Por otra parte en la figura 9.2 DE ED es un ciclo (dirigido) porque DE y ED son arcos distintos. Se dice que dos nodos estn conectados si la red contiene al menos una trayectoria no dirigida entre ellos. (Observe que no es necesaria que la trayectoria sea dirigida aun cuando la red es dirigida). Una red conexa es una red en la que cada par de nodos esta conectado. Entonces, las redes de las figuras 9.1 y 9.2 son ambas conexas. La ltima red no sera conexa si se eliminaran los arcos AD y CD. Considere una red conexa con n nodos (por ejemplo, los n = 5 nodos en la figura 9.2) en la que e han eliminado todos los arcos. Se puede hacer creer un rbol si se agrega un arco (o rama) a la vez a partir de la red original de cierta manera. El primer arco puede ir en cualquier lugar de modo que conecte algn par de nodos. De ah en adelante, cada arco nuevo debe agregarse entre un nodo que ya ha sido conectado a otros nodos y a un nuevo nodo no conectado. Si se agregan arcos de esta manera, se evita que se forme un ciclo y adems se asegura que el nmero de nodos conexos es uno ms que le nmero de arcos. Cada nuevo arco crea un rbol ms grande, que es una red conexa (para algn subconjunto de n nodos) que no contiene ciclos no dirigidos. Una vez agregado el (n 1)-esimo arco, el proceso se detiene por que el rbol resultante se expande (conecta) a todos los n nodos. Este rbol se llama rbol de expansin. Y es una red conexa para los n nodos que contiene ciclos no dirigidos. Todo rbol de expansin tiene justo n -1 arcos, ya que este es el nmero minino de arcos necesarios para tener una red conexa y el mximo nmero posible para que no haya ciclos no dirigidos. La figura 9.3 muestra los 5 nodos y algunos de los arcos de la figura 9.2 para mostrar este proceso de hacer crear un rbol colocando un arco (rama) a la vez, hasta que se obtiene un rbol de expansin. En cada etapa del proceso se tienen varias alternativas para el nuevo arco, pero lo que la figura 9.3 muestra solo una de las muchas formas de construir un rbol de expansin en este caso. Ahora bien, observe como cada nuevo arco que se agrega satisface las condiciones especificadas en el prrafo anterior. Por ultimo sera necesario introducir terminologa adicional sobre los flujos en redes. La cantidad mxima de flujo (quizs infinito) que puede circular en un arco dirigido se conoce como capacidad del arco. Entre los odas, se pueden [Escriba texto] Pgina 63

distinguir aquellos que son generadores de flujo, absolvedores netos o ninguno de los dos. Un nodo fuente (o nodo origen) tiene la propiedad de que el flujo que sale del nodo excede el flujo que entrega a l. El caso inverso en un nodo demanda (o nodo destino), donde el flujo que llega excede al que sale de l. Un nodo de transbordo (o intermedio) satisface la conservacin del flujo, es decir, el flujo que entra es igual al que sale. PROBLEMA DE LA RUTA MAS CORTA Aunque al final de la seccin se mencionan otras versiones del problema de la ruta ms corta (incluyendo algunas para redes dirigidas),la atencin se centrar en la siguiente versin sencilla. Considere una red conexa y no dirigida con dos nodos especiales llamados origen y destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa. El objetivo es encontrar la ruta ms corta (la trayectoria con la mnima distancia total) del origen al destino. Se dispone de un algoritmo bastante sencillo para este problema. La esencia del procedimiento es que analiza toda la red a partir del origen; identifica de manera sucesiva la ruta ms corta a cada uno de los nodos en orden ascendente de sus distancias (ms cortas), desde el origen; el problema queda resuelto en el momento de llegar al nodo destino. Primero se describir el mtodo y despus se ejemplificar con la solucin del problema de la ruta ms corta que enfrenta la de SEERVADA PARK en la seccin 9.1. ALGORITMO DE LA RUTA MAS CORTA Objetivo de la n-sima iteracin: encontrar el n-simo nodo ms cercano al origen. (Este Paso se repetir para n=1,2,hasta que el n-sim nodo ms cercano sea el nodo destino). Datos para la n-sima iteracin: n I nodos ms cercanos al origen (encontrados en las iteraciones ), incluida su ruta ms corta y la distancia desde el origen. (Estos nodos y el origen se llaman nodos resueltos; el resto son nodos no resueltos). Candidatos para el n-simo nodo ms cercano: cada nodo resuelto que tiene conexin directa por una ligadura con uno o ms nodos no resueltos proporciona un candidato, y est es el nodo no resuelto que tiene la ligadura ms corta. (Los empates proporcionan candidatos adicionales). Clculo del n-sima nodo ms cercano: para cada nodo resuelto y sus candidatos, se suma la distancia entre ellos y la distancia de la ruta ms corta desde el origen a este nodo resuelto. El candidato con la distancia total ms pequea es el n-simo nodo ms cercano (los empates proporcionan nodo resueltos adicionales), y su ruta ms corta es la que genera esta distancia. [Escriba texto] Pgina 64

Aplicacin de este algoritmo al problema de la ruta ms corta de SEERVADA PARK.

APLICACIN DE ESTE ALGORITMO AL PROBELMA DE LA RUTA MAS CORTA DE SEERVADA PARK La administracin de SEERVADA PARK necesita encontrar la ruta ms corta desde la entrada al parque (nodo O) hasta el mirador (nodo T) a travs del sistema de caminos mostrado en la figura 9.1. En la tabla 9.2 se encuentran los resultados obtenidos al aplicar el algoritmo anterior (donde el empate para el segundo nodo ms cercano permite pasar directo a buscar el cuarto nodo ms cercano). 1) La primera columna (n) indica el nmero de la iteracin. 2) La segunda da una lista de los nodos resueltos para comenzar la iteracin actual, despus de quitar los que no sirven (los que no tienen conexin directa con nodos no resueltos). 3) La tercera columna da los candidatos para el n-simo nodo ms cercano (nodos no resueltos con la ligadura ms corta al nodo resuelto). 4) La cuarta columna calcula la distancia de la ruta ms corta desde el origen a cada candidato (esto es, la distancia al nodo resuelto ms la de la ligadura que va al candidato). El candidato con la suma de distancias ms pequeas es el n-simo nodo ms cercano al origen, segn se indica en la quinta columna. Las dos ltimas columnas resumen la informacin de este ltimo nodo resuelto necesaria para pasar a las iteraciones siguientes (a saber, la distancia de la ruta ms corta del origen a este nodo y la ltima rama en esta ruta). Ahora se relacionarn las columnas con la descripcin del algoritmo. La entrada para la n-sima iteracin se encuentra en las columnas 5 y 6 de las iteraciones anteriores, donde los nodos resueltos de la quinta columna se enumeran despus en la segunda para la iteracin actual despus de eliminar los que no tienen conexin directa con nodos no resueltos. Los candidatos para el n-simo nodo ms cercano se enumeran en la tercera columna para la iteracin actual. El clculo del n-simo nodo ms cercano se realizan en la columna 4 y los resultados se registran en las ltimas tres columnas para la iteracin actual. La ruta ms corta desde el nodo destino hasta el origen se puede rastrear hacia atrs en la ltima columna de la tabla 9.2, con lo que se obtiene T D E B A O o bien T D B A O. Por tanto, se identificaron las dos opciones para la ruta ms corta desde el origen hasta el destino como las cadenas O A B E D T y O A B D T, con una distancia total de 13 millas en cualquiera de las dos.

[Escriba texto]

Pgina 65

Tabla 9.2 Aplicacin del algoritmo de la ruta ms corta al problema de Seervada Park n Nodos Resueltos Conectados Directamente A Nodos No Resueltos O O A 4 A B C 5 A B E 6 D E Nodo No Resuelto Ms Cercano Conectado A C B D E E D D D T T Distancia Total Involucrada n-simo Nodo Ms Cercano Distancia Mnima Ultima Conexin

1 2,3

2 4 2+2=4 2+7=9 4+3=7 4+4=8 2+7=9 4+4=8 7+1=8 8 + 5 = 13 7 + 7 = 14

A C B

2 4 4

OA OC AB

BE

D D T

8 8 13

BD ED DT

[Escriba texto]

Pgina 66

PROBLEMA DEL ARBOL DE EXPANSION MINIMA El problema del rbol de expansin mnima tiene algunas similitudes con la versin principal del problema de la ruta ms corta que se present en la seccin anterior. En ambos casos se considera una red no dirigida y conexa, en la que la informacin dada incluye alguna medida de longitud positiva (distancia, coto, tiempo, etc.) asociada con la ligadura. Los dos problemas involucran tambin el hecho de seleccionar un conjunto de ligaduras con la longitud total ms corta entre todos los conjuntos de ligaduras que satisfacen cierta propiedad. Para el problema de la ruta ms corta esta propiedad es que la ligadura seleccionada debe proporcionar una trayectoria entre el origen y el destino. Para el rbol de expansin mnima la propiedad requerida es que las ligaduras seleccionadas deben proporcionar una trayectoria entre cada para de nodos. El problema del rbol de expansin mnima se puede resumir como sigue: 1) Se tienen los nodos de una red pero no las ligaduras. En su lugar se proporcionan las ligaduras potenciales y la longitud positiva para cada una si se inserta en la red. (las medidas alternativas para la longitud de una ligadura incluyen distancias, costos y tiempo) 2) Se desea disear la red con suficientes ligaduras para satisfacer el requisito de que haya un camino entre cada par de nodos. 3) El objetivo es satisfacer este requisito de manera que se minimice la longitud total de las ligaduras insertadas en la red. Una red con n nodos requiere solo (n-1) ligaduras para proporcionar una trayectoria entre cada par de nodos. No deben usarse ms ligaduras ya que esto aumentara, sin necesidad, la longitud total de las ligaduras seleccionadas. Las (n-1) ligaduras deben elegirse de tal manera que la red resultante (con solo las ligaduras seleccionadas) forme un rbol de expansin. Por lo tanto, el problema es encontrar el rbol de expansin con la longitud total mnima de sus ligaduras. La figura 9.5 ilustra el concepto del rbol de expansin para el problema de Seervada Park. La figura 9.5 no es un rbol de expansin, pues los nodos O A B y C no estn conectados con los nodos D E y T. se necesita una ligadura ms para hacer esta conexin. En realidad esta red consiste en dos rboles, uno para cada uno de estos dos conjuntos de nodos. Las ligaduras de la figura 9.5b si se expanden por toda la red (es decir es una grfica conexa segn la definicin), pero no es un rbol por que tiene dos ciclos (O A B C O y D T E D) tienen demasiadas ligaduras. Como el problema de Seervada Park tiene n = 7 nodos, anteriormente se haba indicado que una red debe tener justo n 1 (n 1 = 6) ligaduras y ningn ciclo para calificar como rbol de expansin. Esta condicin se logra en la figura 9.5c, por lo que esta der es una [Escriba texto] Pgina 67

solucin factible (con una longitud total de 24 millas en las ramas o ligaduras) para el problema del rbol de expansin mnima. (se vera que esta solucin no es ptima, ya que es posible construir un rbol de expansin con solo 14 millas en sus ramas.) ALGUNAS APLICACCIONES Se proporciona una lista de algunos tipos importantes de aplicaciones de este problema: 1) Diseo de redes de telecomunicacin ((redes de fibra ptica, de computadoras, telefnicas, de televisin por cable, etc.) 2) Diseo de redes de transporte para minimizar el costo total de proporcionar las ligaduras (vas ferroviarias, carreteras, etc.) 3) Diseo de una red de lneas de transmisin de energa elctrica de alto voltaje. 4) Diseo de una red de cableado en equipo elctrico (como sistemas de cmputo) para minimizar la longitud total del cable. 5) Diseo de una red de tuberas para conectar varias localidades. A a) O FIGURA 9.5 La ilustracin del concepto del rbol de expansin mnima para el problema de SeervadaPra b) k O C E C E B a) No es un rbol T D

b) No es un rbol de expansin A T B D

c) rbol de expansin A 2 c) O 4 C [Escriba texto] E B 2 4 D 7 5 T

Pgina 68

UN ALGORITMO El problema del rbol de expansin mnima se puede resolver de una forma bastante directa, pues ocurre que se trata de uno de los pocos problemas de investigacin de operaciones en el que ser codicioso en cada etapa del procedimiento de solucin conduce al final a una solucin ptima. As, con el inicio en cualquier nodo, la primera etapa consiste en elegir la rama ms corta posible a otro nodo, sin preocuparse del efecto que esta eleccin pueda traer en las decisiones posteriores. En la segunda etapa se trata de identificar el nodo no conectado que est ms cerca de cualquiera de los dos que se acaban de conectar Y despus agregar la ligadura correspondiente a la red. Este proceso se repite, segn el resumen que se da a continuacin, hasta haber conectado todos los nodos. ALGORITMO PARA EL PROBLEMA DEL ARBOL DE EXPANSION MINIMA 1) Se selecciona, de manera arbitraria, cualquier nodo y se conecta (es decir, se agrega una ligadura) al nodo distinto ms cercano. 2) Se identifica el nodo no conectado ms cercano a un nodo conectado y se conectan estos dos nodos (es decir, se agrega una ligadura entre ellos). Este paso se repite hasta que todos los nodos estn conectados. 3) Empates: los empates para el nodo ms cercano distinto (paso 1) o para el nodo no conectado ms cercano (paso 2), se pueden romper en forma arbitraria y el algoritmo debe llegar a una solucin ptima. No bstate, estos empates son seales de que pueden existir (pero no necesariamente) soluciones optimas mltiples. Todas esas soluciones se pueden identificar si se trabaja con las dems formas de romper las empates hasta el final. La manera ms rpida de ejecutar este algoritmo en forma manual es el enfoque grafico que se ilustra en seguida.

[Escriba texto]

Pgina 69

APLICACIN DE ESTE ALGORITMO AL PROBLEMA DEL ARBOL DE EXPANSIN MINIMA DE SEERVADA PARK La administracin de Seervada Park necesita determinar los caminos bajo los cuales se deben tender las lneas telefnicas para conectar todas las estaciones con una longitud total mnima de cable. Se describir paso a paso la solucin de este problema con base en los datos que se dan en la figura 9.1Los nodos y distancias para el problema se resumen en seguida, en donde las lneas delgadas ahora representan ligaduras potenciales.

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

En forma arbitraria, se selecciona el nodo O como inicio. El nodo no conectado ms cercano a O es A. se conecta el nodo A al nodo O.

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

El nodo no conectado ms cercano a cualquiera de los nodos O o A es el nodo B (ms cercano a A). Se conecta el nodo B al nodo A

[Escriba texto]

Pgina 70

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

El nodo no conectado ms cercano a O, A o B es el nodo C (ms cercano a B). se conecta el nodo C al nodo B.

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

El nodo no conectado ms cercano a O, A, B o C es el nodo E (ms cercano a B). Se conecta el nodo E al nodo B.

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

[Escriba texto]

Pgina 71

El nodo no conectado ms cercano a los nodos O, A, B, C o E es el nodo D (ms cercano a E). Se conecta el nodo D al nodo E.

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

El nico nodo no conectado es el nodo T. esta ms cerca del nodo D. se conecta el nodo T al nodo D.

A 2 2 7 5 O 4 C 5 B 1 E 4 3 D 1 7

Todos los nodos han quedado conectados, por lo que eta es la solucin (ptima) que se buscaba. La longitud total de la las ramas es 14 millas. Aun que con este procedimiento a primera vista puede parecer que la eleccin del nodo inicial afectara la solucin final (y ala longitud total de las ligaduras), en realidad no es as. Se sugiere que se verifique este hecho para el ejemplo, aplicando de nuevo el algoritmo, pero con un nodo inicial distinto de O.

[Escriba texto]

Pgina 72

PROBLEMA DE FLUJO MAXIMO 3

A 1

FIGURA 9.6 Problema del flujo mximo para Seervada Park.

9 5 O 4 7 2 1 C 4 E 6 B 4 5 D

Recuerde que el tercer problema al que se enfrenta el administrador de Seervada Park durante la temporada pico es determinar las rutas de algunos viajes de tranva desde la entrada del parque (estacin O) al mirador (estacin T), de manera que el nmero de viajes diarios sea mximo. (Cada tranva regresa por la misma ruta que tomo de ida, por lo que el anlisis se har solo sobre los viajes de ida.) Para evitar perturbaciones innecesarias a la ecologa y a la vida silvestre se impusieron lmites superiores estrictos sobre el nmero de viajes de salida permitidos hacia el mirador para cada camino individual en la direccin de ida. Para cada camino, la direccin del viaje de ida se indica por una flecha en la figura 9.6. El nmero que aparece en la base de la flecha da el lmite superior para ese camino en la direccin de salida de la estacin. Dados los lmites, una solucin factible es mandar 7 tranvas al da, cinco por la ruta B E T, 1 por la ruta O B C E T y 1 por la ruta B C E D T. Pero esta solucin bloquea el uso de cualquier ruta que comience con O C (por que las capacidades de E TyE D estn saturadas). Es sencillo encontrar mejores soluciones factibles. Es necesario considerar muchas combinaciones de rutas (y el nmero de viajes asignados a cada una) para encontrar la (s) ruta (s) que maximicen el nmero de viajes al da. Este tipo de problemas se conoce como el problema del flujo mximo. En trminos generales, el problema del flujo mximo se puede describir como sigue: 1) Todo flujo a travs de una red conexa dirigida se origina en un nodo, llamado fuente, y termina en otro nodo llamado destino (la fuente y el destino en Seervada Park son la encontrada en el nodo O y el mirador en el nodo T, respectivamente). 2) Los nodos restantes son nodos de transbordo (estos son los nodos A, B, C, D y E en el problema de Seervada Park) 3) Se permite el flujo a travs de una arco solo en la direccin indicada por la flecha, donde la cantidad mxima de flujo este dada por la [Escriba texto] Pgina 73

capacidad del arco. En la fuente, todos los arcos sealan hacia afuera. En el destino todos sealan hacia el nodo. 4) El objetivo de maximizar la cantidad toral de flujo de la fuente al destino. Esta cantidad se mide en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale de la fuente o la cantidad que entra el destino. ALGUNAS APLICACIONES Ahora se mencionan algunos tipos de aplicaciones comunes del problema del flujo mximo. Maximizar el flujo a travs de la red de distribucin de la compaa de sus fbricas a sus clientes. Maximizar el flujo a travs de la red de suministros de la compaa de los proveedores a las fbricas. Maximizar el flujo de petrleo por un sistema de tuberas. Maximizar el flujo del agua a travs de un sistema de acueductos. Maximizar el flujo de vehculos por una red de transporte. UN ALGORITMO Como el problema del flujo mximo se puede formular como un problema de programacin lineal, se puede resolver con el mtodo simplex y es usar cualquier software. Sin embargo, se dispone de un algoritmo de trayectorias aumentadas mucho ms eficientes. Este algoritmo se basa en dos conceptos intuitivos, el de una red residual y el de una trayectoria aumentada. Una vez que se han asignado flujos a los arcos de la red original, la red residual muestra las capacidades restantes (llamadas capacidades residuales) para asignar flujos adicionales. Por ejemplo, considere el arco O B de la figura 9.6 que tiene una capacidad de 7. Ahora suponga que los flujos asignados incluyen un flujo de 5 a travs de este arco, lo que deja una capacidad residual de 7 5 = 2 para cualquier asignacin de flujo adicional a travs de O B. Este estado se describe en la red residual de la siguiente manera.

El nmero del arco junto al nodo de la capacidad residual para el flujo desde ese nodo hasta el otro. Pro lo tanto, adems de la capacidad residual de 2 para el flujo de O a B, el 5 de la derecha indica una capacidad residual de 5 para asignar un flujo desde B hasta O (es decir, para cancelar algn flujo asignado antes de O a B) En principio, antes e asignar cualquier flujo, la red residual tiene la apariencia mostrada en la figura 9.7. Todos los arcos en la red original (figura 9.6) se cambiaron de un arco dirigido a un arco no dirigido. No obstante, las [Escriba texto] Pgina 74

capacidades en la direccin original son las mismas y las capacidades en la direccin opuesta son cero, de manera que las restricciones sobre los flujos no cambian. 3 1 5 2 O 4 0 0 C 4 5 0 E 1 1 5 2 B 4 0 0 D 0 FIGURA 9.7 La red residual para el problema de flujo mximo de Seervada Park. 0 0 9 5 0 T

Despus, siempre se asigna una cantidad de flujo a un arco, esta cantidad se resta de la capacidad residual, en la misma direccin y se suma a la capacidad residual en la direccin opuesta. Una trayectoria de aumento es una trayectoria dirigida del nodo fuente al nodo destino en la red residual, tal que todos los arcos en esta trayectoria tienen capacidad residual estrictamente positiva. El mnimo de estas capacidades residuales se llama capacidad residual de la trayectoria de aumento, porque representa la cantidad de flujo que es factible agregar en toda la trayectoria. Por lo tanto, cada trayectoria de aumento proporciona una oportunidad de aumentar ms el flujo a travs de la red original. El algoritmo de la trayectoria de aumento selecciona varias veces una trayectoria de aumento y agrega un flujo igual a su capacidad residual a la trayectoria en la red original. Este proceso continua hasta que no hay trayectorias de aumento, con lo que el flujo del nodo fuente al nodo destino no puede crecer. La clave para asignar que la solucin final es necesariamente optima es el hecho de que las trayectoria de aumento pueden cancelar flujos asignados con anterioridad en la red original; as, una seleccin indiscriminada de trayectorias para asignar flujos no puede evitar el uso de una combinacin mejor de asignaciones de flujos. Para resumir, cada iteracin del algoritmo consiste en los tres pasos siguientes.

[Escriba texto]

Pgina 75

ALGORITMO DE LA TRAYECTORIA DE AUMENTO PARA EL PROBLEMA DE FLUJO MAXIMO 1) Se identifica una trayectoria de aumento encontrando alguna trayectoria dirigida del origen al destino en la red residual, tal que cada arco sobre esta trayectoria tiene capacidad residual estrictamente positiva.(Si no existe una, los flujos netos asignados constituyen un patrn de flujo ptimo). 2) Se identifica la capacidad residual c# de esta trayectoria de aumento encontrando el mnimo de las capacidades residuales de los arcos sobre esta trayectoria. Se aumenta en c# el flujo de esta trayectoria. 3) Se disminuye en c# la capacidad residual de cada arco en esta trayectoria de aumento. Se aumenta en c# la capacidad residual de cada arco en la direccin opuesta en esta trayectoria. Se regresa al paso 1. Al realizar el paso 1, con frecuencia habr varias alternativas de trayectorias de aumento entre las cuales se podr escoger. Aunque la estrategia algortmica para elegir es importante para la eficiencia en las aplicaciones a gran escala, no se profundizar en este tema relativamente especializado. (Ms adelante en esta seccin, se describe un procedimiento sistemtico para encontrar una trayectoria aumentada). Entonces, para el siguiente ejemplo (y los problemas al final del captulo), la seleccin se har en forma arbitraria. APLICACIN DEL ALGORITMO AL PROBLEMA DE FLUJO MXIMO DE SEERVADA PARK La aplicacin de este algoritmo al problema de SEERVADA PARK (vea la red original en la figura 9.6) lleva a los siguientes resultados. Comenzando con la red residual inicial dada en la figura 9.7, se da la nueva red residual despus de una o dos iteraciones, donde la cantidad total de flujo de O a T logrado hasta el momento se muestra en negritas (junto a los nodo s O y T). Iteracin 1: en la figura 9.7, una de las trayectorias de uamento es O B E T que tiene capacidad residual igual al min{7,5,6} = 5 a esta trayectoria, la red residual que resulta es 0 A 3 1 5 2 5 O 4 0 0 C 4 5 0 E 1 1 Pgina 76 5 2 B 4 0 0 D 0 0 0 9 5 0 T 5

[Escriba texto]

Iteracin 2: se asigna un flujo de 3 a la trayectoria de aumento A D T. La red residual que resulta es

0 1 3

2 8 O 4 2

0 5 2 B 4 0 0

3 D 0

T 5

0 C

5 4 0 E

1 1

Iteracin 3: se asigna un flujo de I a la trayectoria de aumento O T. Iteracin 4: se asigna un flujo de 2 a la trayectoria de aumento O T. La red residual que resulta es D

A B

B D

0 A 4 1 11 O 4 0 0 C 4 0 7 2 5 E 0 1 B 1 0 3 3 D 0 1 1 3 6 T 5 11

Iteracin 5: se asigna un flujo de I a la trayectoria de aumento O D T. Iteracin 6: se asigna un flujo de I a la trayectoria de aumento O T. La red residual resultante es

C C

E E

[Escriba texto]

Pgina 77

0 A 4 1 0 13 O 2 2 0 2 C 2 2 5 E 0 0 7 B 0 1 0 1 1 3 D 3 2 6 7 T 13

Iteracin 7: se asigna un flujo de I a la trayectoria de aumento O D T. La red residual que resulta es

0 A 4 1 14 O 1 0 3 C 1 3 E 0 0 2 4 0 0 7 B 0 4 1 3 D 1 1 6 8 T 14

Ya no existen trayectorias de aumento por lo que el patrn de flujo actual es ptimo. A 3 4 14 O 3 7 1 B 4 4 D 1 6 FIGURA 9.8 Solucin ptima para el problema de flujo mximo de Seervada Park Pgina 78 8 T 14

[Escriba texto]

El patrn de flujo actual se puede identificar ya sea acumulando la asignaciones del flujo o comparando las capacidades residuales finales como las capacidades originales en los arcos. Si se emplea este ltimo mtodo, existe un flujo a travs de un arco si la capacidad residual final es menor que la capacidad original. La magnitud de este flujo es igual a la diferencia entre estas capacidades. Al aplicar este mtodo de comparacin de la red residual obtenida en la ltima interaccin ya sea en la figura 9.6 o en la figura 9.7., se obtiene el patrn de flujo ptimo que se muestra en la figura 9.8. Este ejemplo ilustra en forma sencilla la razn para sustituir cada arco dirigido de la red original por un arco no dirigido en la red residual y despus aumentar c* unidades a la capacidad residual de cuando se asigna un flujo de c*al arco . Sin este refinamiento, las primeras seis iteraciones no cambian, pero en ese momento pareciera que ya no quedan trayectorias de aumento (ya que la capacidad del flujo real sin usar de E B ese cero). El refinamiento permite agregar la asignacin de un flujo de 1 a O C E B D T en la interaccin 7. Esta asignacin adicional cancela el flujo de 1 asignado en la interaccin 1 (O B E T) y lo sustituye por las asignaciones de 1 unidad a las dos rutas O B E T yO C E T.

[Escriba texto]

Pgina 79

BUSQUEDA DE UNA TRAYECTORIA DE AUMNETO La parte ms difcil de este algoritmo, cuando se trabaja con redes grandes, es encontrar una trayectoria de aumento. Esta tarea se puede simplificar con un procedimiento sistemtico. Se comienza por determinar todos los nodos que se pueden alcanzar desde el origen con un solo arco con capacidad residual estrictamente positiva. Despus, para cada uno de estos nodos alcanzados, se determinan todos los nuevos nodos (entre los que no haban sido alcanzados) a los que se puede llegar desde este nodo con un solo arco con capacidad residual estrictamente positiva. Esto se repite con los nuevos nodos conforme se van alcanzando. El resultado ser la identificacin de un rbol con todos los nodos a los que se puede llegar desde el origen, a lo largo de una trayectoria de capacidad de fuljo residual estrictamente positiva. Este procedimiento de abanico siempre identificara una trayectoria de aumento, si existe. En la figura 9.9 se ilustra esto para la red residual obtenida en la iteracin o del ejemplo anterior. FIGURA 9.9 Procedimiento para encontrar una trayectoria de aumento de la iteracin 7del problema de flujo 0 mximo de Seervada Park A 4 0 7 T 1 1 3 2 0 7 B 1 3 6 O D 1 2 2 1 0 2 C 2 2 E 0 5 0

Ante el procedimiento de la figura 9.9 es relativamente directo, ser til poder reconocer cuando se tiene un patrn ptimo sin tener que buscar de manera exhaustiva una ruta que no existe. A veces es posible reconocer esto con el resultado de un teorema importante de teora de redes, conocido como el teorema del flujo-mximo cortadura-mnima. Una cortadura se puede definir como cualquier conjunto de arcos dirigidos que contienen al menos un arco de cada trayectoria dirigida que va del nodo origen al nodo destino. En general hay muchas formas de dividir una red para formar una cortadura que ayude a analizarla. El valor de la cortadura es la suma de las capacidades de los arcos (en la direccin especificada) de la cortadura. El teorema de flujo-mximo cortadura-mnima establece que para cualquier red con un solo nodo origen y un solo nodo destino, el flujo mximo factible del origen al destino es igual al valor de la cortadura mnima para que todas las cortaduras de la red. As si F denota la cantidad del flujo del origen al destino para cualquier patrn de flujo factible, el valor de cualquier cortadura proporciona una cota superior para F, y el menor de los valores de las cortaduras es igual al mximo valor de F. [Escriba texto] Pgina 80

Entonces, si se puede encontrar, en la red original, una cortadura en la que el valor sea igual al valor actual de F encontrado con el procedimiento de solucin, el patrn de flujo actual debe ser ptimo. Eventualmente se alcanza la optimalidad siempre que exista una cortadura cuyo valor sea cero en la red residual.

Para ilustrar esto considere la red de la figura 9.7 Una cortadura interesante se muestra en la figura 9.10. Note que el valor de la cortadura es 3 + 4 + 1 + 6 =14 Que, segn se haba encontrado, corresponde al mximo valor de F, por lo que se trata de una cortadura mnima. Observe tambin que en la red residual obtenida en la iteracin 7, en donde F = 14, la cortadura correspondiente tiene valor cero. Si esto se hubiera, observado, no habra sido necesario buscar ms trayectorias de aumento.

A 0 5 O 4 0 0 C 7

3 1 0 0 2 1 0 E 4 0 6 B 4 5 0 0 9 D 0

T 0

FIGURA9.10 Una cortadura mnima para el problema de flujo mximo de Seervada Park

[Escriba texto]

Pgina 81

CADENAS DE MARKOV Introduccin Las cadenas de Markov son una herramienta para analizar el comportamiento y el gobierno de determinados tipos de procesos estocsticos, esto es, procesos que evolucionan de forma no determinstica a lo largo del tiempo en torno a un conjunto de estados; son una forma de analizar el movimiento actual de algunas variables, a fin de pronosticar el movimiento futuro de la misma. Un tipo de cadenas de Markov son las irreducibles que es aquella en la que todos los estados son alcanzables desde cualquier otro estado de la cadena en un nmero finito de pasos. Eso implica que se puede llegar a cualquier estado Ej desde otro estado Ei esto es p(n) ij> 0, para algn nmero entero n. Hiptesis En una cadena irreducible todos sus estados son accesibles entre s y por tanto se comunican existiendo una nica clase de estados. Desarrollo Cadenas irreducibles Una cadena es irreducible siempre y cuando se cumplan cualquiera de las siguientes condiciones (equivalentes entre s): 1. Desde cualquier estado de E se puede acceder a cualquier otro. 2. Todos los estados se comunican entre s. 3. C(x)=E para algn xE. 4. C(x)=E para todo xE. 5. El nico conjunto cerrado es el total. Una matriz A = [aij ] se dice que es positiva si a(n) ij> 0 para todos los i, j. Una cadena regular obviamente es irreducible, sin embargo, lo contrario no tiene por qu ser necesariamente cierto. Una matriz de transicin T se dice que es regular si existe un nmero entero N tal que TN es positivo. Una propiedad muy importante de las cadenas irreducibles es que todos sus estados son del mismo tipo, esto es, o bien todos son transitorios o bien todos son recurrentes (nuloso no nulos) y todos tienen el mismo periodo. Esto significa que la clasificacin de todos los estados de una cadena se puede deducir a partir de la clasificacin conocida de uno de los estados. Tambin es obvio que todos los estados de una cadena finita irreducible no pueden ser transitorios, ya que eso significara que el regreso a alguno de los estados no sera seguro, aunque todos los estados fueran accesibles desde cualquiera de ellos en un nmero finito de pasos. Si un estado j es peridico con periodo y otro estado i comunica con l, entonces el estado i tambin es peridico con el mismo periodo. De este modo, el periodo es una caracterstica comn del conjunto irreducible y cerrado y se puede hablar del periodo de una subcadena irreducible. [Escriba texto] Pgina 82

Si una subcadena cerrada e irreducible de estados C E tiene periodo , entonces C puede subdividirse de manera nica en subconjuntos D0, D1, . . . , D1, tal que Di = C, de manera que la evolucin de la cadena se produce cclicamente pasando en cada etapa deDr a Dr+1 y de D1 a D0. EJEMPLO. En una carrera que dura 3 aos, una persona tiene cada ao una probabilidad p de pasar al siguiente curso, una probabilidad q de repetir curso y una probabilidad 1 p q de abandonar los estudios. Consideramos, as el espacio de estados E = {1, 2, 3, A, T} donde A es abandonar, y T es terminar los estudios. Como se muestra en la siguiente imagen.

Entonces la matriz de transicin es

[Escriba texto]

Pgina 83

Donde los estados absorbentes son {A, T} y los estados transitorios son {1, 2, 3}. Se reordena la matriz y se obtiene la matriz en forma cannica, poniendo primero los estados recurrentes y luego los transitorios:

As, nos planteamos: a) cul es el nmero medio de aos que pasa una persona estudiando en el primer curso? En este caso,

Luego

Se pide calcular R11. Como el estado 1 es transitorio

As, si suponemos que la probabilidad de pasar de curso es p = 0,4, la de repetir curso es q = 0,55 y la probabilidad de abandonar es 1 p q = 0,05, entonces

Si aumenta el valor de q, entonces aumenta tambin el nmero medio de aos:

[Escriba texto]

Pgina 84

b) cul es la probabilidad de que se llegue a tercer curso? La probabilidad de pasar a tercer curso es f13. Como 1 y 3 son transitorios, entonces

Donde S = (I Q)1. Entonces

Si p = 0,4, y q = 0,55

Si se toma p = 0,2, y q = 0,75 esta probabilidad disminuye

c) cul es la probabilidad de que no se llegue a segundo curso? Se pide (1 f12). Como

Luego

En el caso de tomar p = 0,2, y q = 0,75

d) Si se empieza en primero, cul es la probabilidad de acabar la carrera?

[Escriba texto]

Pgina 85

Los estados {A, T} son recurrentes, de modo que se busca f1T donde 1 es un estado transitorio y T es recurrente. Como T es absorbente (slo l forma un conjunto cerrado e irreducible) entonces basta calcular la probabilidad de absorcin del 1 por el conjunto absorbente T. Se calcula entonces G = (I Q)1B donde

As,

Por lo tanto, la probabilidad de acabar la carrera (pasar de 1 a T) es As, si p = 0,4, y q = 0,55,

De aqu se deduce que la probabilidad de abandonar la carrera (pasar de 1 a A) es

e) Cul es el nmero medio de aos que se pasa en la carrera? Se trata de calcular, en realidad, el nmero medio de etapas que se pasa en los estados transitorios, cuando se parte del estado transitorio 1. Esto es equivalente a calcular el tiempo medio de absorcin desde i = 1, es decir, A1. Se calcula el nmero medio de visitas (etapas) que se hacen a 1, a 2 y a 3.

Se considera S = (I Q)1, entonces

[Escriba texto]

Pgina 86

Si p = 0,4, y q = 0,55,

Si p = 0,2, y q = 0,75

f) Cul es el nmero medio de aos que se tarda en llegar a tercero? Se tiene que calcular el nmero medio de etapas que se tienen que hacer desde primero antes de llegar a tercero.

Si p = 0,4, y q = 0,55,

[Escriba texto]

Pgina 87

Conclusiones Con la elaboracin del ejercicio anterior podemos demostrar que la hiptesis establecida en un inicio es verdadera ya que todos los estados de una cadena irreducible estacionaria son accesibles entre s pudiendo calcular de esta manera la probabilidad de cualquier estado desde otro estado diferente sin tener que pasar por cada uno de ellos y por tanto se comunican existiendo una nica clase de estados al igual cumplen con las condiciones establecidas. Las cadenas de Marcov nos ayudan a determinar la probabilidad de que ocurra algn estado en algn problema planteado en cualquier evento futuro.

Bibliografa
Thierauf, Robert, J. Toma de decisiones por medio de Investigacin de Operaciones http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/PEst/tema4pe.pdf

[Escriba texto]

Pgina 88