Investigacion

Marketing en Contenido Digital
INVESTIGACIÓN DE
OPERACIONES II
INGENIERÍA INDUSTRIAL
Investigación de Operaciones II
2
© Corporación Universitaria
Remington
Cuarta edición
2018
INVESTIGACIÓN DE OPERACIONES II
John Andersson Valencia Palacio
FACULTAD DE CIENCIAS BÁSICAS E INGENIERÍA
Editorial Uniremington
Medellín, Colombia
Derechos Reservados ©2011
Primera edición: 2011

Segunda edición: 2012
Tercera edición: 2015
Cuarta edición: 2018
Responsables
Jorge Mauricio Sepúlveda Castaño
Decano de la Facultad de Ciencias Básicas e Ingeniería
jsepulveda@uniremington.edu.co
Francisco Javier Álvarez Gómez

Coordinador CUR-Virtual
falvarez@uniremington.edu.co
Edición y Montaje
Vicerrectoría de Educación a Distancia y Virtual
Equipo de diseño gráfico
www.uniremington.edu.co
virtual@uniremington.edu.co
Derechos reservados: El módulo de estudio del curso de

INVESTIGACIÓN DE OPERACIONES II es propiedad de la
Corporación Universitaria Remington; las imágenes fueron
tomadas de diferentes fuentes que se relacionan en los derechos
de autor y las citas en la bibliografía. El contenido del módulo está
protegido por las leyes de derechos de autor que rigen al país.
Este material tiene fines educativos y no puede usarse con
propósitos económicos o comerciales. El autor(es) certificó (de
manera verbal o escrita) No haber incurrido en fraude científico,
plagio o vicios de autoría; en caso contrario eximió de toda
responsabilidad a la Corporación Universitaria Remington y se
declaró como el único responsable.
Esta obra es publicada bajo la licencia Creative Commons.

Reconocimiento-No Comercial-Compartir Igual 2.5 Colombia
TABLA DE CONTENIDO
Pág.
1 UNIDAD 1. PROGRAMACIÓN ENTERA 7

1.1.1 RELACIÓN DE CONCEPTOS 7
1.1.2 PRUEBA INICIAL 7
1.1.3 OBJETIVO GENERAL 9
1.1.4 OBJETIVOS ESPECÍFICOS 9
1.2 TEMA 1. FORMULACIÓN DE PROBLEMAS CON VARIABLES ENTERAS 9

1.2.1 ELEMENTOS DE LA PROGRAMACIÓN LINEAL ENTERA 9
1.2.2 EJERCICIOS DE APRENDIZAJE 1 10
1.2.3 EJERCICIO DE APRENDIZAJE 2 13
1.2.4 TALLER DE ENTRENAMIENTO 14
1.3 TEMA 2 FORMULACIÓN DE PROBLEMAS CON VARIABLES BINARIAS 16

1.3.1 EJEMPLO PROTOTIPO 17
1.3.2 TIPOS DE RESTRICCIONES 19
2 UNIDAD 2. TEORÍA DE COLAS 26

2.2 TEMA 1 CONCEPTOS BÁSICOS DE TEORÍA DE COLAS 28

2.2.1 IMPORTANCIA DE LOS MODELOS DE COLAS 28
2.2.2 MODELOS DE COLAS 29
2.2.3 ELEMENTOS DE LOS MODELOS DE COLAS 29
2.2.4 COLA 30
2.2.5 DISCIPLINA DE LA COLA 30
2.2.6 EJERCICIO DE APRENDIZAJE 31
2.3 TEMA 2 MODELOS DE COLAS 33

2.3.1 TERMINOLOGÍA Y NOTACIÓN 33
2.3.2 MODELOS DE COLAS BASADOS EN PROCESOS DE NACIMIENTO Y MUERTE 34
2.4 TEMA 3 APLICACIÓN DE LA TEORÍA DE COLAS 42

4
3 UNIDAD 3. CADENAS DE MARKOV 48

3.2 TEMA 1 CONCEPTOS BÁSICOS SOBRE CADENAS DE MARKOV 50

3.2.1 PROCESO ESTOCÁSTICO 51
3.2.2 PROBABILIDADES DE TRANSICIÓN ESTACIONARIAS 51
3.2.3 ECUACIONES DE CHAPMAN-KOLMOGOROV 53
3.2.4 CLASIFICACIÓN DE LOS ESTADOS DE UNA CADENA DE MARKOV 54
3.3 TEMA 2 PROPIEDADES A LARGO PLAZO DE LAS CADENAS DE MARKOV 55

3.3.1 TIEMPO ESPERADO DE RECURRENCIA 56
3.3.2 TIEMPO ESPERADO DE PRIMERA PASADA 57
3.3.3 ESTADOS ABSORBENTES 58
3.4 TEMA 3. APLICACIONES Y EJERCICIOS COMPLEMENTARIOS 60

4 PISTAS DE APRENDIZAJE 63
5 GLOSARIO 64
6 BIBLIOGRAFÍA 65
PROPÓSITO GENERAL
INVESTIGACIÓN
DE OPERACIONES II
Brindar a los estudiantes las herramientas propias de la investigación de operaciones

que les permita formular, diseñar, resolver y analizar modelos matemáticos de sistemas
complejos que se presentan en la vida cotidiana, en los procesos productivos y en las
líneas de investigación.
INVESTIGACIÓN
DE OPERACIONES II
OBJETIVO GENERAL
Utilizar los modelos de investigación de operaciones para la formulación y
solución de problemas frecuentes en el sector productivo, financiero, académico
e investigativo; partiendo del uso de programación entera, teoría de colas y
cadenas de Markov.
OBJETIVOS ESPECÍFICOS
 Formular modelos matemáticos partiendo de programación entera y
binaria que permita la solución de problemas cotidianos de asignación,
decisión y optimización de objetivos.
 Establecer procedimientos para la toma de decisiones en modelos de colas

en los procesos productivos, partiendo de análisis costo-nivel de servicio.
 Desarrollar modelos para procesos estocásticos partiendo de cadenas de

markov para la toma de decisiones estratégicas sobre el comportamiento
del sistema evaluado.
UNIDAD 1 UNIDAD 2 UNIDAD 3
Programación
Teoría de colas Cadenas de markov
entera
7
1 UNIDAD 1. PROGRAMACIÓN ENTERA
1.1.1 RELACIÓN DE CONCEPTOS
1.1.2 PRUEBA INICIAL
Explicación de la opción de
Pregunta 4 Opciones de respuesta
respuesta
Incorrecto: No son el único tipo de

1. Variables Enteras variable de estos modelos ni tampoco
es el único elemento
Pregunta: ¿Cuál o Incorrecto: Hacen parte de los

2. Función objetivo y
Cuáles son os elementos principales pero aún faltan
restricciones algunos
elementos principales
de un modelo de
programación entera? Correcto: Un modelo está compuesto
3. Función objetivo, por un objetivo, variables que
variables de decisión y modifican el objetivo y una
restricciones restricciones que limitan los posibles
valores
8
Incorrecto: las variables binarias y las
4. Restricciones y variables
variables enteras conforman las
binarias
variables de decisión.
respuesta
Incorrecto: Este tipo de preguntas se

1. Cuánto producir? responden a partir de variables
enteras
Correcto: Las variables binarias toman el

2. Cuál o Cuáles producir? valor de 1 para determinar si se produce
Pregunta: ¿Qué tipo de un producto y 0 en otro caso
preguntas responden
las variables de Incorrecto: Este tipo de preguntas se
decisión binarias? 3. ¿Cómo producir? responden a partir de variables
enteras
Incorrecto: Este tipo de pregunta

queda por fuera del análisis de los
4. ¿por qué producir?
modelos de programación lineal y
entera
respuesta
1. Número de hectáreas a
Incorrecto: las hectáreas a cultivar
cultivar con un determinado
pueden aceptar valores decimales
tipo de alimento
Pregunta: ¿En cuál de
los siguientes
2. Litros de Cerveza a Incorrecto: la variable de decisión
problemas de
elaborar mensualmente puede considerar valores continuos
producción se pueden
utilizar variables de
Incorrecto: Estos son los dos
decisión enteras? 3. Tiempo que se debe
conceptos principales asociados de
destinar a la elaboración de
manera directa a la idea de
una pieza
sostenibilidad
9
Correcto: Sólo se pueden considerar
4. Número de personas a
valores enteros en los resultados de
contratar el próximo mes
la variable de decisión
1.1.3 OBJETIVO GENERAL

Formular modelos matemáticos partiendo de la programación entera y binaria que permita la
solución de problemas cotidianos de asignación, decisión y optimización de objetivos.
1.1.4 OBJETIVOS ESPECÍFICOS

 Formular matemáticamente los problemas de programación entera y binaria
 Analizar los resultados obtenidos en la resolución de los problemas de programación

entera y binaria
1.2 TEMA 1. FORMULACIÓN DE PROBLEMAS CON VARIABLES

ENTERAS
1.2.1 ELEMENTOS DE LA PROGRAMACIÓN LINEAL ENTERA
Existen problemas en la cotidianidad en las cuales las variables de decisión sólo pueden
considerar valores enteros, como ejemplos se pueden considerar el número de montacargas a
utilizar en un centro de distribución, número de animales a criar en un hato ganadero; el número
de personas a contratar para un proyecto de construcción de viviendas; entre otros.
La programación lineal entera considera tres elementos fundamentales a saber:
ELEMENTO CARACTERÍSTICA
Son la representación algebraica de las decisiones

VARIABLES DE DECISIÓN cuantitativas que se deben tomar en el problema bajo
estudio, como ejemplo se pueden considerar:
10
 El número de empleados a programar en un
determinado turno,
 La cantidad de hectáreas destinadas a un determinado
tipo de cultivo, o bien
 El número de vehículos asignados a una ruta de
distribución de mercancías.
Es la medida de desempeño que se desea optimizar a partir de

los valores asignados en las variables de decisión.
Como ejemplo se puede considerar:
 Maximizar la cobertura de actividades en los turnos de
FUNCIÓN OBJETIVO trabajo,
 Minimizar los costos de producción en los cultivos de
una finca, o
 Minimizar la distancia recorrida por los vehículos
asignados a la ruta de distribución.
Formulación matemática de problemas de programación

RESTRICCIONES
entera.
1.2.2 EJERCICIOS DE APRENDIZAJE 1

A continuación, se presenta un ejemplo prototipo para desarrollar la formulación matemática de
problemas de programación entera.
1- La empresa Whitt Window tiene sólo tres empleados que hacen dos tipos de ventanas a
mano: con marco de madera y con marco de aluminio. La ganancia es de $180 por
cada ventana con marco de madera y de $90 por cada una con marco de
aluminio. Doug hace marcos de madera y puede terminar 6 al día. Linda hace 4 marcos
de aluminio por día. Bob forma y corta el vidrio y puede hacer 48 pies cuadrados de vidrio
por día. Cada ventana con marco de madera emplea 6 pies cuadrados de vidrio y cada una
de aluminio, 8 pies cuadrados. La compañía desea determinar cuántas ventanas de cada
tipo debe producir al día para maximizar la ganancia total. (Hillier, 2010).
11
Para cualquier problema de programación entera, es importante identificar
inicialmente cuál es la función objetivo, las variables de decisión y las
restricciones.
En este caso:
Función Objetivo: Maximizar la ganancia total de la empresa
Variables de decisión: número de ventanas de cada tipo que deben producirse

(note que la función objetivo depende estrictamente de los valores que tomen las
variables de decisión)
Restricciones: Número de Marcos de madera y de aluminio que se pueden hacer

al dia, cantidad de vidrio disponible para hacer las ventanas.
Después de hacer un análisis teórico del problema, el paso a seguir es construir un

modelo matemático que represente dichas definiciones:
Empecemos con las variables de decisión:
Sean
𝒙𝟏 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒗𝒆𝒏𝒕𝒂𝒏𝒂𝒔 𝒅𝒆 𝒎𝒂𝒅𝒆𝒓𝒂 𝒂 𝒑𝒓𝒐𝒅𝒖𝒄𝒊𝒓

𝒙𝟐 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒗𝒆𝒏𝒕𝒂𝒏𝒂𝒔 𝒅𝒆 𝒂𝒍𝒖𝒎𝒊𝒏𝒊𝒐 𝒂 𝒑𝒓𝒐𝒅𝒖𝒄𝒊𝒓
A partir de esta notación, se construye la función objetivo:
𝑀𝑎𝑥 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠: 180𝑥1 + 90𝑥2

Finalmente se consideran las restricciones:
Número de marcos de madera por día:
𝒙𝟏 ≤ 𝟔
Número de marcos de Aluminio por día:
𝒙𝟐 ≤ 𝟒
12
Disponibilidad de vidrio para las ventanas:
𝟔𝒙𝟏 + 𝟖𝒙𝟐 ≤ 𝟒𝟖
Note que en las primeras dos restricciones se considera la variable de decisión directa
debido a que cada ventana sólo posee un marco; mientras que, en la restricción tercera, se
relacionan pies cuadrados de vidrio, por lo que las variables de decisión definidas deben
estar acompañadas de un parámetro que indique el número de pies cuadrados que consume cada
tipo de ventana.
Adicionalmente, debe considerarse la restricción de no negatividad de las variables de

decisión y que los valores que estás pueden tomar deben ser número enteros:
𝒙𝟏 , 𝒙𝟐 ≥ 𝟎 ; 𝒙𝟏 , 𝒙𝟐 ∈ 𝑬𝒏𝒕𝒆𝒓𝒐𝒔
2. Vincent Cardoza es el propietario y director de un taller de maquinado que trabaja sobre
pedido. El miércoles por la tarde recibió llamadas de dos clientes que necesitan órdenes urgentes.
Un transportista de autos compactos necesita barras estabilizadoras. Una compañía de
enganches para remolques requiere barras de remolque especiales para trabajo pesado. Ambos
clientes quieren la mayor cantidad posible para el fin de semana (dos días hábiles). Como los dos
productos usarán las mismas dos máquinas, Vincent debe decidir e informarles esta tarde cuántos
productos de cada uno fabricará en los dos días siguientes. Cada barra de remolque requiere 3.2
horas en la máquina 1 y 2 horas en la 2. Cada barra estabilizadora requiere 2.4 horas en la máquina
1 y 3 en la 2. La máquina 1 estará disponible 16 horas en los próximos dos días y la 2, 15 horas. La
ganancia de cada barra de remolque producida será de $130 y la de cada barra estabilizadora será
de $150. Vincent quiere determinar la mezcla de estas cantidades de producción que maximizará
su ganancia total. Formule un modelo de Programación Entera para este problema.

Variables de decisión: número de barras estabilizadoras y de remolque que deben
producirse
Restricciones: número de horas disponibles en la máquina 1 y en la máquina 2
Modelo matemático
Variables de decisión:
Sean
13
𝑥1 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑎𝑟𝑟𝑎𝑠 𝑑𝑒 𝑟𝑒𝑚𝑜𝑙𝑞𝑢𝑒 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟
𝑥2 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑎𝑟𝑟𝑎𝑠 𝑒𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑟𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟

𝑀𝑎𝑥 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠: 130𝑥1 + 150𝑥2

Horas disponibles en la máquina 1:
3.2𝑥1 + 2.4𝑥2 ≤ 16
Horas disponibles en la máquina 2:
2𝑥1 + 3𝑥2 ≤ 15
No negatividad y valores enteros
𝑥1 , 𝑥2 ≥ 0 ; 𝑥1 , 𝑥2 ∈ 𝐸𝑛𝑡𝑒𝑟𝑜𝑠

La línea aérea Northeastern piensa comprar jets de pasajeros grandes, medianos y chicos. El
precio de compra de cada avión grande será de $67 millones, $50 millones el de los medianos y
$35 millones el de los chicos. El consejo directivo ha autorizado un compromiso máximo de $1.5
mil millones para realizar estas compras. Sin que importe qué aviones se compren, se espera que
las distancias de los trayectos sean lo suficientemente grandes como para que los aviones se
utilicen, en esencia, a su capacidad máxima. Se estima que la ganancia neta anual (después de
restar los costos de recuperación de capital) de un avión grande será de $4.2 millones, $3 millones
si se trata de un avión mediano y $2.3 millones de cada avión chico. Se piensa que la compañía
podrá disponer de suficientes pilotos entrenados para operar 30 aviones nuevos. La gerencia
desea saber cuántos aviones de cada tipo debe comprar a fi n de maximizar la ganancia.
Variables de decisión: número de aviones grandes, medianos y pequeños a comprar

14
Restricciones: presupuesto de compra, número de pilotos disponibles
Modelo matemático
Sean
𝑥1 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑣𝑖𝑜𝑛𝑒𝑠 𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑎 𝑐𝑜𝑚𝑝𝑟𝑎𝑟
𝑥2 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑣𝑖𝑜𝑛 𝑚𝑒𝑑𝑖𝑎𝑛𝑜𝑠 𝑎 𝑐𝑜𝑚𝑝𝑟𝑎𝑟
𝑥3 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑣𝑖𝑜𝑛𝑒𝑠 𝑝𝑒𝑞𝑢𝑒ñ𝑜𝑠 𝑎 𝑐𝑜𝑚𝑝𝑟𝑎𝑟
𝑀𝑎𝑥 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠: 4.2𝑥1 + 3𝑥2 + 2.3𝑥3

Presupuesto:
67𝑥1 + 50𝑥2 + 35𝑥3 ≤ 1500

Pilotos disponibles:
𝑥1 + 𝑥2 + 𝑥3 ≤ 30
No negatividad y valores enteros
𝑥1 , 𝑥2 , 𝑥3 ≥ 0 ; 𝑥1 , 𝑥2 , 𝑥3 ∈ 𝐸𝑛𝑡𝑒𝑟𝑜𝑠
1.2.4 TALLER DE ENTRENAMIENTO

1) La compañía WorldLight produce dos dispositivos para lámparas (productos 1 y 2) que
requieren partes de metal y componentes eléctricos. La administración desea determinar
cuántas unidades de cada producto debe fabricar para maximizar la ganancia. Por cada
unidad del producto 1 se requieren 1 unidad de partes de metal y 2 unidades de
componentes eléctricos. Por cada unidad del producto 2 se necesitan 3 unidades de partes
15
de metal y 2 unidades de componentes eléctricos. La compañía tiene 200 unidades de
partes de metal y 300 de componentes eléctricos. Cada unidad del producto 1 da una
ganancia de $1 y cada unidad del producto 2, hasta 60 unidades, da una ganancia de $2.
Cualquier exceso de 60 unidades del producto 2 no genera ganancia, por lo que fabricar
más de esa cantidad está fuera de consideración.
Formule un modelo de programación Entera.

2) La carne con papas es el plato favorito de Ralph Edmund. Por eso decidió hacer una dieta
continua de sólo estos dos alimentos (más algunos líquidos y suplementos de vitaminas)
en todas sus comidas. Ralph sabe que ésa no es la dieta más sana y quiere asegurarse de
que toma las cantidades adecuadas de los dos alimentos para satisfacer los
requerimientos nutricionales. Él ha obtenido la información nutricional y de costo que se
muestra en el siguiente cuadro. Ralph quiere determinar el número de porciones diarias
(pueden ser fraccionales) de res y papas que cumplirían con estos requerimientos a un
costo mínimo.
Fuente: (Hillier, 2010. Pag 74)
Formule un modelo de programación entera
3) Weenies and Buns es una planta procesadora de alimentos que fabrica hot dogs y pan
para hot dogs. Muelen su propia harina a una tasa máxima de 200 libras por semana. Cada
pan requiere 0.1 libras. Tienen un contrato con Pigland, Inc., que especifica la entrega de
800 libras de productos de puerco cada lunes. Cada hot dog requiere 1/4 de libra de
producto de puerco. Se cuenta con suficiente cantidad del resto de los ingredientes de
ambos productos. Por último, la mano de obra consiste en 5 empleados de tiempo
16
completo (40 horas por semana). Cada hot dog requiere 3 minutos de trabajo y cada pan
2 minutos de este insumo. Cada hot dog proporciona una ganancia de $0.80 y cada pan
$0.30. Weenies and Buns desea saber cuántos hot dogs y cuántos panes debe producir
cada semana para lograr la ganancia más alta posible.
Formule este problema con un modelo de programación entera.
TIPS
Incorporar las restricciones de no negatividad y de valores enteros.
Defina claramente los tres elementos principales de los modelos de
programación entera: Función objetivo, variables de decisión y
restricciones.
1.3 TEMA 2 FORMULACIÓN DE PROBLEMAS CON VARIABLES

BINARIAS
Existen ciertos tipos de problemas de producción, industriales y cotidianos en los cuáles la
decisión no se enfoca en responder la pregunta de ¿Cuánto? Sino de definir si:
 Se ejecuta un proyecto en específico,
 Se contrata a determinado personal para un puesto de trabajo,
 Se construye una nueva planta de producción o bien
 Se hace una inversión de capital en terminado portafolio de servicios.
En este tipo de situaciones, las únicas respuestas posibles son Si o no; para lo cual se hace
necesario la definición de variables de decisión binarias así:
– 𝑆𝑒𝑎 𝑥𝑗 = 1 𝑠𝑖 𝑙𝑎 𝑑𝑒𝑐𝑖𝑠𝑖ó𝑛 𝑒𝑠 𝑠𝑖
– 0 𝑠𝑖 𝑙𝑎 𝑑𝑒𝑐𝑖𝑠𝑖ó𝑛 𝑒𝑠 𝑛𝑜
17
1.3.1 EJEMPLO PROTOTIPO
Una joven pareja, Eve y Steven, quiere dividir las principales tareas del hogar (ir de compras,
cocinar, lavar platos y lavar ropa) entre los dos, de manera que cada uno tenga dos obligaciones
y el tiempo total para hacer estas tareas sea mínimo. La eficiencia en cada una de las tareas
difiere entre ellos; la siguiente tabla proporciona el tiempo que cada uno necesita para cada tarea:
Considere los elementos principales de cualquier modelo de programación entera:
Función Objetivo: Minimizar el tiempo total para realizar las tareas
Variables de decisión: Note que en este caso no se trata de definir cuántas tareas hace cada uno
sino cuáles tareas hace cada uno. En este caso se necesitas variables binarias que indiquen quién
ejecuta cuál tarea.
Restricciones: inicialmente se desea que cada uno realice exactamente dos actividades,
independiente de cual sea; y segundo, cada actividad sólo puede ser realizada por uno de los
dos (Esto es lo que se conoce como restricciones excluyentes).
Con esto, ya se puede formular un modelo matemático de programación binaria así:
𝑥𝑖𝑗 = 1 𝑠𝑖 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑖 𝑒𝑠 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎 𝑎 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑗; 0 𝑠𝑖𝑛𝑜 𝑙𝑜 𝑒𝑠
Donde:
𝑖 = 1 𝑒𝑠 𝐸𝑣𝑒; 𝑖 = 2 𝑒𝑠 𝑆𝑡𝑒𝑣𝑒𝑛
𝑗 = 1 𝑒𝑠 𝑐𝑜𝑚𝑝𝑟𝑎𝑠; 𝑗 = 2 𝑒𝑠 𝑐𝑜𝑐𝑖𝑛𝑎𝑟; 𝑗 = 3 𝑒𝑠 𝑙𝑎𝑣𝑎𝑟 𝑝𝑙𝑎𝑡𝑜𝑠; 𝑗 = 4 𝑒𝑠 𝑙𝑎𝑣𝑎𝑟 𝑟𝑜𝑝𝑎

Función objetivo:
18
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑡𝑖𝑒𝑚𝑝𝑜: 4.5𝑥11 + 7.8𝑥12 + 3.6𝑥13 + 2.9𝑥14 + 4.9𝑥21 + 2.8𝑥22
+ 4.3𝑥23 + 3.1𝑥24
TIPS
Recuerde: las variables de decisión sólo pueden tomar valores de 0 y
1.
Restricciones:
Exactamente dos actividades para Eve:
𝑥11 + 𝑥12 + 𝑥13 + 𝑥14 = 2

Exactamente dos actividades para Steve:
𝑥21 + 𝑥22 + 𝑥23 + 𝑥24 = 2

Cada actividad se realiza sólo una vez:
 Para compras:
𝑥11 + 𝑥21 = 1
 Para Cocina:
𝑥12 + 𝑥22 = 1
 Para Lavar platos:
𝑥13 + 𝑥23 = 1
 Para lavar ropa:
𝑥13 + 𝑥23 = 1
19
1.3.2 TIPOS DE RESTRICCIONES
1.3.2.1 RESTRICCIONES EXCLUYENTES
Se refiere a las situaciones en las cuales la aceptación o ejecución de una actividad implica que
otra no se ejecute: En el ejemplo prototipo, las últimas restricciones son de este tipo pues si las
compras son realizadas por Eve, automáticamente no puede ser realizada por Steve.
1.3.2.2 RESTRICCIONES
CONDICIONANTES
Se refiere a aquellas situaciones en las cuales la ejecución de una actividad depende de la
realización de una actividad previa. Para el ejemplo prototipo, suponga que aquella persona que
realice las compras debe realizar la actividad de lavar los platos. Esta restricción se puede
representar así:
Para Steve:
𝒙𝟐𝟑 ≤ 𝒙𝟐𝟏
𝑥23 ≤ 𝑥21
VARIABLE CONDICIONADA VARIABLE CONDICIONANTE
En este caso, si Steve no hace las compras, tampoco tendrá que lavar los platos; pues el valor
de la derecha sería cero por lo que obligatoriamente el lado izquierdo también
tendría que serlo.
1.3.2.3 RESTRICCIÓN DE COSTO FIJO

Este tipo de restricciones se utiliza en aquellos problemas especialmente de producción, en los
cuales la utilización o activación de la producción implica adicionalmente un costo
fijo por uso de instalaciones, uso del suelo, entre otros.
Ejemplo: Suponga que un ingeniero debe decidir en cuál de sus dos líneas de
producción programar la elaboración de determinada orden de trabajo. Para esto
cuenta con las líneas 1 y 2. En la línea 1 la producción de la orden tiene un valor
20
unitario de 10 dólares; mientras que en la línea 2 tiene un costo unitario de 15
dólares (Esto por utilizar una tecnología avanzada). Por otra parte, se sabe que, si
produce en la línea 1, se asume un costo fijo de 200 dólares, de igual manera si
activa la línea 2 de asumir un costo de 100 dólares. En este caso se quiere minimizar
el costo total de producción de la orden de trabajo.
Función objetivo: Minimizar los costos totales (Costo de producir y costo fijo)
Variables de decisión: Cantidad a producir y cuál o cuáles líneas activar
Restricciones: El costo fijo se asume siempre y cuando se produzca en la línea

Modelo matemático:
𝑌𝑖 = 1 𝑠𝑖 𝑙𝑎 𝑙í𝑛𝑒𝑎 𝑖 𝑠𝑒 𝑎𝑐𝑡𝑖𝑣𝑎 ; 0 𝑠𝑖𝑛𝑜 𝑠𝑒 𝑎𝑐𝑡𝑖𝑣𝑎
𝑥𝑖 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 𝑒𝑛 𝑙𝑎 𝑙í𝑛𝑒𝑎 𝑖

Función Objetivo:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑐𝑜𝑠𝑡𝑜𝑠: 10𝑥1 + 200𝑦1 + 15𝑥2 + 100𝑦2

Restricciones:
𝑥1 ≤ 𝑀𝑦1
Donde M es un número considerablemente grande. Esta restricción implica que el costo fijo se
asumirá siempre y cuando se produzca en la línea 1. Observe que, si X1 es cero, obligatoriamente
Y1 tendrá que ser cero.
Similarmente para la línea 2:
𝑥2 ≤ 𝑀𝑦2

Una empresa de bienes raíces, Peterson & Johnson, analiza cinco proyectos de desarrollo
posibles. La siguiente tabla muestra las ganancias a largo plazo estimadas (valor presente neto)
21
que generaría cada proyecto y la inversión que se requiere para emprenderlo, en millones de
dólares.
Los propietarios de la empresa, Dave Peterson y Ron Johnson, reunieron $20 millones de capital
de inversión para estos proyectos. Ellos quieren elegir la combinación de proyectos que maximice
la ganancia total estimada a largo plazo (valor presente neto) sin invertir más de $20 millones.
Formule un modelo de Programación Binaria para este problema.
Función objetivo: Maximizar la ganancia total esperada
Variables de decisión: En cuál o cuáles proyectos invertir
Restricciones: Presupuesto disponible para inversión

Modelo matemático:
𝒀𝒊 = 𝟏 𝒔𝒊 𝒔𝒆 𝒊𝒏𝒗𝒊𝒆𝒓𝒕𝒆 𝒆𝒏 𝒆𝒍 𝒑𝒓𝒐𝒚𝒆𝒄𝒕𝒐 𝒊 ; 𝟎 𝒔𝒊𝒏𝒐 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

Función Objetivo:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑔𝑎𝑛𝑎𝑛𝑐𝑖𝑎𝑠: 1𝑦1 + 1.8𝑦2 + 1.6𝑦3 + 0.8𝑦4 + 1.4𝑦5

Restricciones:
De presupuesto:
6𝑦1 + 12𝑦2 + 10𝑦3 + 4𝑦4 + 8𝑦5 ≤ 20

El consejo directivo de General Wheeis Co., estudia seis grandes inversiones de capital. Cada
inversión se puede hacer sólo una vez. Estas inversiones difieren en la ganancia estimada a largo
22
plazo (valor presente neto) que generarán, así como en la cantidad de capital que requiere cada
uno, como se muestra en la siguiente tabla (en millones de dólares):
Se dispone de $100 millones de dólares como capital total para estas inversiones. Las
oportunidades de inversión 1 y 2 son mutuamente excluyentes, lo mismo que 3 y 4. Más aún, la
oportunidad 3 no se puede aprovechar a menos que se invierta en la primera opción. No existen
restricciones de este tipo sobre las oportunidades de inversión 5 y 6. El objetivo es elegir la
combinación de inversiones de capital que maximice la ganancia estimada a largo plazo (valor
presente neto).
a) Formule el modelo de programación binaria para este problema.
Función objetivo: Maximizar la ganancia total esperada
Variables de decisión: En cuál o cuáles proyectos invertir
Restricciones: Presupuesto disponible para inversión, restricciones excluyentes y condicionantes.
Modelo matemático:
𝑌𝑖 = 1 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑣𝑖𝑒𝑟𝑡𝑒 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑖 ; 0 𝑠𝑖𝑛𝑜 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Función Objetivo:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑔𝑎𝑛𝑎𝑛𝑐𝑖𝑎𝑠: 15𝑦1 + 12𝑦2 + 16𝑦3 + 18𝑦4 + 9𝑦5 + 11𝑦6

Restricciones:
De presupuesto:
38𝑦1 + 33𝑦2 + 39𝑦3 + 45𝑦4 + 23𝑦5 + 27𝑦6 ≤ 100

Excluyentes:
𝑦1 + 𝑦2 ≤ 1
23
𝑦3 + 𝑦4 ≤ 1
Condicionante:
𝑦3 ≤ 𝑦1

1) La división de investigación y desarrollo de la Progresive Company está en proceso de
desarrollar cuatro líneas de posibles nuevos productos. La administración debe decidir
cuáles de estos cuatro productos fabricar y a qué niveles. Ha pedido al departamento
de IO que formule un modelo de programación matemática para encontrar la mezcla
de productos más redituable. La puesta en marcha de la fabricación de cualquier
producto se asocia a un costo sustancial, que se proporciona en el primer renglón de
la tabla. El objetivo de la administración es encontrar la mezcla de productos que
maximice la ganancia total (ingreso neto total menos costos fijos).
Defina las variables de decisión continuas x1, x2, x3 y x4 como los niveles de producción
de los productos 1, 2, 3 y 4. Por políticas de la empresa, la administración ha impuesto las
siguientes restricciones sobre estas variables: 1. Como máximo, sólo deben fabricarse dos
de estos productos. 2. El productos 3 se puede producir sólo si se fabrica el producto 2.
2) Una universidad está programando las clases para el próximo semestre académico y
requiere buscar la mejor asignación posible de profesores a los distintos cursos que se
deben dictar. Considere que existen 5 profesores: A, B, C, D, E y 5 cursos (asignaturas):
C1, C2, C3, C4, C5. Adicionalmente, los profesores han manifestado sus preferencias
por dictar los distintos cursos en una escala de 1 a 10, donde 10 es la máxima
puntuación y 1 la mínima puntuación o preferencia. Se asume que cada profesor es
24
apto para dictar cualquier curso, independiente del puntaje de su preferencia. La
siguiente tabla resume las puntuaciones que asigna cada profesor a cada curso:
PROFESORES
CURSOS A B C D E
C1 5 8 5 9 7
C2 7 2 3 6 8
C3 9 10 8 9 8
C4 8 7 9 7 8
C5 6 9 9 10 5
Se ha establecido como criterio que cada profesor debe dictar sólo un curso y a la vez que
cada curso obviamente debe tener un profesor. En base a lo anterior se desea encontrar
la asignación de profesores que maximice el total de las preferencias.
3) El entrenador de un equipo de natación debe asignar competidores para la prueba de 200

metros de relevo combinado que irá a las Olimpiadas Juveniles. Como muchos de sus
mejores nadadores son rápidos en más de un estilo, no es fácil decidir cuál de ellos asignar
a cada uno de los cuatro estilos. Los cinco mejores nadadores y sus mejores tiempos (en
segundos) en cada estilo son los siguientes:
El entrenador quiere determinar cómo asignar cuatro nadadores a los cuatro estilos de
nado para minimizar la suma de los mejores tiempos correspondientes. Formule este
problema con programación binaria.
25
TIPS
Recuerde: la programación binaria se utiliza para responder preguntas
de Cuál o Cuáles; para problemas de asignación y decisiones cuya
respuesta sea Si o no
26
2 UNIDAD 2. TEORÍA DE COLAS
respuesta
1. Los vehículos que llegan Correcto: la fuente de entrada se

a un taller de refiere a los clientes o usuarios
mantenimiento que ingresan al sistema
Pregunta: ¿Qué es una
fuente de entrada en teoría 2. Las máquinas que Incorrecto: Hacen parte de la
de colas? esperan ser reparadas denominada cola de espera
3. El mecánico que repara Incorrecto: Se denominan

las máquinas mecanismos de servicio
27
4. número de cabinas de Incorrecto: Se denominan
atención en un banco mecanismos de servicio
respuesta
Incorrecto: Este tipo de

distribuciones se utilizan para
1. Binomial y Poisson
eventos dicotómicos y para tasas
de llegadas respectivamente
Correcto: son las distribuciones

Pregunta: ¿Cuáles de los más utilizadas para describir el
2. Exponencial y Erlang
siguientes pares de comportamiento en los tiempos
distribuciones se utilizan de llegada de los usuarios
para los tiempos entre
llegadas de los usuarios al Incorrecto: Son distribuciones
sistema? 3. Normal y uniforme continuas no discretas que no
miden los tiempos entre llegadas
Incorrecto: Son distribuciones

4. Hipergeométrica y poco utilizadas y específicas para
Lognormal problemas determinados
diferentes a teoría de colas
respuesta
Incorrecto: Los costos de

Costo de servir y el costo infraestructura no son
de infraestructura considerados en los sistemas de
colas
Pregunta: ¿Cuáles son los dos
costos principales para medir Incorrecto: Los costos fijos no son
2. El costo de esperar y los
la eficiencia de un sistema de considerados en los sistemas de
costos fijos
colas? colas
Incorrecto: Estos costos no

3. El costo de inventario y
tienen relación con la teoría de
los costos ocultos
colas.
28
Correcto: El equilibrio entre estos
4. El costo de servir y el
dos costos permite seleccionar
costo de esperar
un sistema de colas eficiente

Establecer procedimientos para la toma de decisiones en modelos de colas en los procesos
productivos partiendo de análisis costo-nivel de servicio.

 Identificar las características principales de los modelos de colas
 Construir modelos de colas a partir del cálculo de las principales medidas de desempeño
 Desarrollar habilidades para la toma de decisiones en sistemas de colas partiendo de

relaciones costo-beneficio.
2.2 TEMA 1 CONCEPTOS BÁSICOS DE TEORÍA DE COLAS

A continuación, se describirán las características principales de un sistema de colas y las
aplicaciones en los sistemas productivos y de servicios presentes en la cotidianidad
2.2.1 IMPORTANCIA DE LOS MODELOS DE COLAS

Las colas o líneas de espera hacen parte de la vida cotidiana. Todos los individuos hacen parte
de las colas cuando van a adquirir alimentos a un supermercado, cuando van en la vía y deben
pasar un peaje, cuando se desea retirar dinero de un cajero o hacer un trámite en un banco. Las
colas hacen parte fundamental de muchos procesos cotidianos y afectan directamente la
eficiencia de la economía y la calidad de vida de la población . En los procesos productivos
también se presentan comportamientos de este tipo: la reparaciones o mantenimientos de las
máquinas cuando se cuenta con un número limitado de mecánicos; los vehículos que esperan en
la zona de cargue el momento en que puedan acceder a la bahía y ser despachos por las
compañías.
29
2.2.2 MODELOS DE COLAS
Los modelos de líneas de espera son muy útiles a la hora de definir la capacidad de atención que
debería tener el sistema productivo; pues:
Una capacidad excesiva puede generar un sobrecosto importante en el sistema;

mientras que una capacidad limitada genera un incremento en las esperas y una
reducción en la eficiencia de los procesos.
2.2.3 ELEMENTOS DE LOS MODELOS DE COLAS

2.2.3.1 PROCESO BÁSICO DE COLAS
En la siguiente figura se presenta el proceso elemental de un sistema de colas. Una entidad o
cliente ingresa a un sistema y se une a una cola de clientes que previamente se encuentran en
él. Posteriormente se elige a un individuo de la cola para ser atendido de acuerdo a una
determinada regla llamada disciplina de la cola. Así, el usuario es atendido a partir de un
mecanismo de servicio y finalmente sale del sistema.
Fuente: (Hillier, 2010).
2.2.3.2 FUENTE DE ENTRADA

Se refiere principalmente a la población o clientes potenciales que pueden ingresar al sistema de
colas. El tamaño de la población puede ser Finito o Infinito. Normalmente para efectos de
simplicidad, se asume que la población es infinita salvo que se exprese lo contrario en algunos
casos particulares. Por otra parte, es de fundamental importancia definir el proceso estadístico
que describe las llegadas de los clientes al sistema; esto se hace a partir de funciones de
distribución de probabilidad que se verán más adelante.
30
2.2.4 COLA
Es el espacio físico donde los clientes esperan a ser atendidos; esta puede ser de tamaño finito
(en función de la disponibilidad de espacio o celdas de espera) o de tamaño infinito incluso
cuando se sabe que existe una cota superior, pero en un valor numérico lo suficientemente
elevado.
2.2.5 DISCIPLINA DE LA COLA

Se refiere a la manera como son atendidos los clientes que se encuentran en espera:
Primero en entrar, primero en ser atendido; orden aleatorio, orden preferencial

según alguna característica de los clientes o cualquier otra regla que se pueda
establecer.
Lo convencional es que las líneas de espera manejen una disciplina de primeros

en entrar, primeros en ser atendidos.
2.2.5.1 MECANISMOS DE SERVICIO

Consiste en una o más estaciones de servicio en las cuales atienden uno o más servidores. En las
líneas de espera se pueden presentar diferentes configuraciones en el mecanismo de servicio, el
más usual es aquel que considera una sola estación de servicio con uno o más servidores en
paralelo (como ejemplo puede considerarse el servicio de un cajero en el banco, las casetas de
servicio en un peaje, los empleados de un callcenter). También pueden presentarse sistemas de
líneas de espera que se configuran como un servicio en serie (es decir, primero es atendido por
un servidor, para luego pasar a la cola de otro servidor y así sucesivamente).
Al igual que en la fuente de entrada, se requiere conocer la distribución estadística que

caracteriza los tiempos de servicio, definidos como el espacio de tiempo requerido desde que el
cliente se acerca al servidor hasta el momento en el cual el cliente sale del sistema.
31
2.2.6 EJERCICIO DE APRENDIZAJE
En cada una de las siguientes situaciones, identifique al cliente, al servidor, fuente de entrada,
disciplina de la cola:
1) Aviones que llegan a un aeropuerto.
2) Sitio de taxis que atiende a pasajeros que esperan.
3) Herramientas verificadas en un taller de maquinado
Para a)
Cliente: Aviones
Servidor: Pistas en el aeropuerto
Fuente de entrada: Infinita

Disciplina de la cola: Puede ser FIFO aunque se puede manejar bajo prioridades
(urgencia, nivel de combustible)
Para b)
Cliente: pasajeros
Servidor: taxis
Disciplina de la cola: primero en entrar, primero en salir
Para c)
Cliente: herramientas
Servidor: mecánico que verifica la herramienta

32
Disciplina de la cola: Aleatoria

1) En cada una de las siguientes situaciones, identifique al cliente, al servidor, fuente de
entrada, disciplina de la cola:
 Cartas procesadas en una oficina postal.
 Inscripción para clases en una universidad.
 Casos en cortes legales.
 Operación de pagar en un supermercado.
 Operación de un estacionamiento.
 Pago de un peaje
 Una llamada a una central de servicios
2) ¿Cierto o falso?
 Un cliente impaciente que espera puede salirse de la cola.
 Si se anticipa un largo tiempo de espera, un cliente que llega puede desistir de hacer
cola.
 Cambiarse de una cola a otra tiene por objeto reducir el tiempo de espera.
TIPS
Recuerde: un sistema de colas está definido por una fuente de entrada,
unos clientes, una cola y su respectiva disciplina, un mecanismo de
servicio y un conjunto de servidores.
33
2.3 TEMA 2 MODELOS DE COLAS
Los modelos que se trabajan en este módulo consideran que los tiempos de llegada al sistema y
los tiempos de atención de los servidores son independientes e idénticamente distribuidos, es
decir, que no se modifican en función del número de individuos que se encuentren en el sistema.
Por convención, los modelos de colas se etiquetan de la siguiente manera:
Fuente: (Hillier, 2010)
Donde:
M= Distribución exponencial
D= Distribución degenerada
Ek= Distribución Erlang
G= Distribución general
2.3.1 TERMINOLOGÍA Y NOTACIÓN

Para efectos de los modelos de cola, se utilizará la siguiente terminología y su respectiva notación:
Estado del sistema= número de clientes en el sistema
Longitud de la cola= número de clientes que esperan a ser atendidos
𝑵(𝒕) = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔 𝒆𝒏 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂 𝒆𝒏 𝒆𝒍 𝒕𝒊𝒆𝒎𝒑𝒐 𝒕
𝑷𝒏 (𝒕) = 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒒𝒖𝒆 𝒉𝒂𝒚𝒂𝒏 𝒏 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔 𝒆𝒏 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂 𝒆𝒏 𝒆𝒍 𝒕𝒊𝒆𝒎𝒑𝒐 𝒕

34
𝒔 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒔𝒆𝒓𝒗𝒊𝒅𝒐𝒓𝒆𝒔 𝒆𝒏 𝒑𝒂𝒓𝒂𝒍𝒆𝒍𝒐
𝝀 = 𝒕𝒂𝒔𝒂 𝒎𝒆𝒅𝒊𝒂 𝒅𝒆 𝒍𝒍𝒆𝒈𝒂𝒅𝒂𝒔 (𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒍𝒍𝒆𝒈𝒂𝒅𝒂𝒔 𝒑𝒐𝒓 𝒖𝒏𝒊𝒅𝒂𝒅 𝒅𝒆 𝒕𝒊𝒆𝒎𝒑𝒐)
𝝁 = 𝒕𝒂𝒔𝒂 𝒎𝒆𝒅𝒊𝒂 𝒅𝒆 𝒔𝒆𝒓𝒗𝒊𝒄𝒊𝒐 𝒆𝒏 𝒕𝒐𝒅𝒐 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂 (𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒔𝒆𝒓𝒗𝒊𝒄𝒊𝒐𝒔 𝒑𝒐𝒓 𝒖𝒏𝒊𝒅𝒂𝒅 𝒅𝒆 𝒕𝒊𝒆𝒎𝒑𝒐)
𝑳 = 𝒏ú𝒎𝒆𝒓𝒐 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝒅𝒆 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔 𝒆𝒏 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂
𝑳𝒒 = 𝒏ú𝒎𝒆𝒓𝒐 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝒅𝒆 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔 𝒆𝒏 𝒍𝒂 𝒄𝒐𝒍𝒂
𝑾 = 𝒕𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒅𝒆 𝒖𝒏 𝒄𝒍𝒊𝒆𝒏𝒕𝒆 𝒆𝒏 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂
𝑾𝒒 = 𝒕𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒅𝒆 𝒖𝒏 𝒄𝒍𝒊𝒆𝒏𝒕𝒆 𝒆𝒏 𝒍𝒂 𝒄𝒐𝒍𝒂
2.3.2 MODELOS DE COLAS BASADOS EN PROCESOS DE NACIMIENTO Y

MUERTE
Para estos modelos, se considera que los tiempos entre llegadas al sistema se consideran con
distribución de probabilidad Poisson y tiempos de servicio distribuidos de manera exponencial.
2.3.2.1 MODELO M/M/1

En este modelo se consideran que:
Los tiempos de llegada al sistema se distribuyen Poisson, los tiempos

de servicio de manera exponencial y un solo servidor.
A continuación, se presenta la manera de calcular cada una de las medidas de desempeño del
sistema de colas para este modelo:
𝜆
𝑃0 = 1 −
𝜇
𝜆 𝜆 𝑛
𝑃𝑛 = (1 − ) ( )
𝜇 𝜇
35
𝜆
𝐿=
𝜇−𝜆
𝜆2
𝐿𝑞 =
𝜇(𝜇 − 𝜆)
1
𝑊=
𝜇−𝜆
𝜆
𝑊𝑞 =
𝜇(𝜇 − 𝜆)
EJEMPLO
Un restaurante de comida rápida tiene una ventanilla para servicio en su auto. Los autos llegan
según una distribución de Poisson a razón de dos cada 5 minutos. El espacio en frente de la
ventanilla puede acomodar a lo sumo 10 autos, incluso el que se está atendiendo. Los demás
autos pueden esperar afuera de este espacio si es necesario. El tiempo de servicio por cliente
es exponencial, con una media de 1.5 minutos. Determine lo siguiente: (a) La probabilidad de
que la ventanilla esté ociosa. (b) La cantidad estimada de clientes que esperan ser atendidos.
(c) El tiempo de espera hasta que un cliente llega a la ventanilla para hacer su pedido. (d) La
probabilidad de que la línea de espera exceda la capacidad de 10 espacios
Inicialmente se deben identificar las siguientes características:
Tasa de llegada: Poisson a razón de dos autos cada cinco minutos
Tasa de servicio: Exponencial a razón de 1.5 minutos por auto
Servidores: 1
Así entonces:
2 𝑎𝑢𝑡𝑜𝑠 𝑎𝑢𝑡𝑜𝑠
𝜆= = 0,4
5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑚𝑖𝑛𝑢𝑡𝑜
1 𝑎𝑢𝑡𝑜 𝑎𝑢𝑡𝑜𝑠
𝜇= = 0,66
1.5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑚𝑖𝑛𝑢𝑡𝑜
36
(a) La probabilidad de que la ventanilla esté ociosa
0,4
𝑃0 = 1 − = 0,394
0,66
Hay una probabilidad del 39.4 % de que la ventanilla se encuentre ociosa
(b) La cantidad estimada de clientes que esperan ser atendidos.
0.42
𝐿𝑞 = = 0,93 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑠𝑝𝑒𝑟𝑎
0.66(0.66 − 0.4)
(c) El tiempo de espera hasta que un cliente llega a la ventanilla para hacer su pedido
0.4
𝑊𝑞 = = 2.33 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
0.66(0.66 − 0.4)
(d) La probabilidad de que la línea de espera exceda la capacidad de 10 espacios
0.4 0.4 11
𝑃11 = (1 − )( ) = 0,0015
0.66 0.66
Existe una probabilidad del 0,15% de que la línea de espera exceda la capacidad de 10 espacios.
2.3.2.2 MODELO M/M/1 CON COLA

FINITA
Esta variación del modelo anterior indica que el sistema de colas que se está analizando sólo tiene
capacidad para K Clientes (es decir K-1 clientes en la cola), de tal manera que si un cliente llega
justo cuando hay k clientes en el sistema, no puede ingresar y no es considerado en los cálculos
de las medidas de desempeño.
Las ecuaciones utilizadas paras las medidas de desempeño son las siguientes:
𝜆
𝛽=
𝜇
1−𝛽
𝑃0 =
1 − 𝛽 𝑘+1
37
1−𝛽
𝑃𝑛 = ∗ 𝛽𝑛
1 − 𝛽 𝑘+1
𝛽 (𝑘 + 1) ∗ 𝛽 𝑘+1
𝐿= −
1−𝛽 1 − 𝛽 𝑘+1
𝐿𝑞 = 𝐿 − (1 − 𝑃𝑜)
𝐿
𝑊=
𝜆(1 − 𝑃𝑘 )
𝐿𝑞
𝑊𝑞 =
𝜆(1 − 𝑃𝑘 )
2.3.2.2.1 EJEMPLO
En la tienda de Eat & Gas funciona una estación de gasolina de una bomba. El carril que conduce
a la bomba puede alojar cuando mucho 3 autos (automóviles), excluyendo al que se le está
dando atención. Los autos que llegan se van a otra parte si el carril está lleno. La distribución de
los autos que llegan es de Poisson con media de 5 por hora. El tiempo para llenar el tanque y
pagar es exponencial con media de 6 minutos. Determine lo siguiente: (a) El porcentaje de autos
que buscarán servicio en otra parte. (b) El porcentaje de tiempo que la bomba está en uso. (c) La
probabilidad de que un auto que llega no inicie el servicio de inmediato pero que encuentre un
espacio vacío en el carril
Tasa de llegada: Poisson a razón de 5 autos por hora
Tasa de servicio: Exponencial a razón de 6 minutos por auto
Servidores: 1
Capacidad del sistema: 4 automóviles
Así entonces:
𝟓 𝒂𝒖𝒕𝒐𝒔
𝝀=
𝒉𝒐𝒓𝒂
38
𝟏 𝒂𝒖𝒕𝒐 𝟔𝟎 𝒎𝒊𝒏𝒖𝒕𝒐𝒔 𝒂𝒖𝒕𝒐𝒔
𝝁= ∗ = 𝟏𝟎
𝟔 𝒎𝒊𝒏𝒖𝒕𝒐𝒔 𝟏 𝒉𝒐𝒓𝒂 𝒉𝒐𝒓𝒂
𝟓
𝜷= = 𝟎, 𝟓
𝟏𝟎
𝟏 − 𝟎, 𝟓
𝑷𝟎 = = 𝟎, 𝟓𝟏𝟔𝟓
𝟏 − 𝟎, 𝟓𝟒+𝟏
Así entonces, el porcentaje de tiempo que la bomba estará en uso será del 48,35%
Para determinar el porcentaje de autos que buscarán servicio en otra parte:
𝟏 − 𝟎, 𝟓
𝑷𝟒 = 𝟒+𝟏
∗ 𝟎, 𝟓𝟒 = 𝟎, 𝟎𝟑𝟐
𝟏 − 𝟎, 𝟓
El 3,2% de los autos deberán buscar servicio en otra bomba de gasolina
Ahora, para calcular la probabilidad de que un automóvil no sea atendido de inmediato pero que
encuentre celda disponible se hace lo siguiente:
𝑷(𝑬𝒏𝒄𝒐𝒏𝒕𝒓𝒂𝒓 𝒄𝒆𝒍𝒅𝒂 𝒍𝒊𝒃𝒓𝒆) = 𝟏 − (𝑷𝟎 + 𝑷𝟒 ) = 𝟏 − (𝟎, 𝟓𝟏𝟔𝟓 + 𝟎, 𝟎𝟑𝟐) = 𝟎, 𝟒𝟓𝟏𝟐
2.3.2.3 MODELO M/M/S
Para un modelo con tasa de llegadas Poisson y tiempos de servicio exponencial con
múltiples servidores, se debe garantizar que:
𝜆
𝑃= <1
𝑠𝜇
De tal manera que el sistema de colas pueda alcanzar una condición de estado estable y se
puedan utilizar las siguientes ecuaciones:
𝟏
𝑷𝟎 =
𝒌−𝟏 𝜷𝒏 𝜷𝒔 𝜷 −𝟏
∑𝒏=𝟎 + ∗ −
𝒏! 𝒔! (𝟏 𝒔 )
𝝀
𝜷=
𝝁
39
𝟏
𝑷𝒏 = ∗ 𝜷𝒏 ∗ 𝑷𝟎 𝐬𝐢 𝐧 > 𝐬
𝒔!∗𝒔𝒏−𝒔
𝜷𝒏
𝑷𝒏 = ∗ 𝑷𝟎 𝒔𝒊 𝒏 ≤ 𝒔
𝒏!
𝝀𝝁𝜷𝒔 𝝀
𝑳= ∗ 𝑷𝟎 +
(𝒔 − 𝟏)! (𝒔𝝁 − 𝝀)𝟐 𝝁
𝝀𝝁𝜷𝒔
𝑳𝒒 = ∗ 𝑷𝟎
(𝒔 − 𝟏)! (𝒔𝝁 − 𝝀)𝟐
𝝁𝜷𝒔
𝑾𝒒 = ∗ 𝑷𝟎
(𝒔 − 𝟏)! (𝒔𝝁 − 𝝀)𝟐
𝝁𝜷𝒔 𝟏
𝑾= ∗ 𝑷𝟎 +
(𝒔 − 𝟏)! (𝒔𝝁 − 𝝀)𝟐 𝝁

Una pequeña oficina de correos tiene dos ventanillas abiertas. Los clientes de acuerdo con una
distribución de Poisson a razón de 1 cada 3 minutos. El tiempo de servicio por cliente es
exponencial, con una media de 5 minutos. Todos los clientes que llegan forman una línea y
acceden a las ventanillas con base en la disciplina de primero en llegar, primero en ser atendido
(FCFS). (a) ¿Cuál es la probabilidad de que un cliente que llega espere en la línea? (b) ¿Cuál es la
probabilidad de que ambas ventanillas estén ociosas? (c) ¿Cuál es la longitud promedio de la línea
de espera?
Tasa de llegada: Poisson a razón de 1 persona cada tres minutos
Tasa de servicio: Exponencial a razón de 5 minutos por persona
Servidores: 2
Así entonces:
1 𝑎𝑢𝑡𝑜𝑠 𝑎𝑢𝑡𝑜𝑠
𝜆= = 0,33
40
1 𝑎𝑢𝑡𝑜 𝑎𝑢𝑡𝑜𝑠
𝜇= = 0,2
RECUERDE QUE SE DEBE GARANTIZAR QUE:
𝜆
𝑃= <1
𝑠𝜇
En este caso:
0,33
𝑃= <1
2(0.2)
Es decir, se cumple con la condición de estado estable.
Como todas las medidas de desempeño dependen de calcular Po, esta debe ser el primer cálculo
que se debe realizar y de esta manera se da respuesta directa a la pregunta del literal b:
𝜆 0,33
𝛽= = = 1,65
𝜇 0,2
1
𝑃0 =
𝛽𝑛 𝛽 𝑠 𝛽 −1
∑𝑘−1 + ∗ (1 −
𝑛=0 𝑛! 𝑠! 𝑠)
1 1
𝑃0 = −1 = = 0,09
1,650 1,651 1,652 1,65 1 + 1,65 + 1,361 ∗ 5.714
0! + 1! + 2! ∗ (1 − 2 )
Así, la probabilidad de que las dos ventanillas se encuentren ociosas es del 9%
(a) ¿Cuál es la probabilidad de que un cliente que llega espere en la línea?
Para que un cliente tenga que esperar, debe haber por lo menos dos clientes en el sistema, es
decir que se debe calcular la siguiente probabilidad:
𝑃(𝑛 ≥ 2) = 1 − (𝑃0 + 𝑃1 )
Calculemos P1 y P2:
1,651
𝑃1 = ∗ 0,09 = 0,074
2!
Luego:
41
𝑃(𝑛 > 2) = 1 − (0,09 + 0,074) = 0,164
Así, existe una probabilidad del 16,4 % de tener que esperar al llegar al sistema.
(c) ¿Cuál es la longitud promedio de la línea de espera?
𝜆𝜇𝛽 𝑠
𝐿𝑞 = ∗𝑃
(𝑠 − 1)! (𝑠𝜇 − 𝜆)2 0
(0,33)(0,2)(1,65)2
𝐿𝑞 = ∗ 0,09 = 0,0049 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑒𝑛 𝑓𝑖𝑙𝑎 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜
(2 − 1)! (2(0,2) − 0,33)2

1) El centro de cómputo de la U de A está equipado con cuatro maxicomputadoras idénticas.
La cantidad de usuarios en cualquier momento es de 25. Cada usuario es capaz de enviar
un trabajo desde una terminal cada 15 minutos en promedio, pero el tiempo real entre
envíos es exponencial. Los trabajos que llegan automáticamente se van a la primera
computadora disponible. El tiempo de ejecución por envío es exponencial con una media
de 2 minutos. Calcule lo siguiente: *(a) La probabilidad de que un trabajo no se ejecute de
inmediato inmediatamente después de enviarlo. (b) El tiempo promedio hasta que los
resultados de un trabajo se le devuelvan al usuario. (c) El promedio de trabajos en espera
de ser ejecutados. (d) El porcentaje de tiempo que todo el centro de cómputo está ocioso.
2) El restaurante de comida rápida McBurger opera con 3 cajas. Los clientes llegan, de
acuerdo con una distribución de Poisson, cada 3 minutos y forman una línea para ser
atendidos por la primera caja disponible. El tiempo para completar un pedido está
distribuido exponencialmente con una media de 5 minutos. La sala de espera en el interior
del restaurante está limitada. Sin embargo, la comida es buena, y los clientes están
dispuestos a esperar afuera del restaurante, si es necesario. Determine a) la probabilidad
de encontrar las cajas ocupadas. b) la probabilidad de que las cajas se encuentren ociosas
y c) el número promedio de clientes en el sistema.
3) Los clientes llegan al Thrift Bank según una distribución de Poisson, con una media de 45
clientes por hora. Las transacciones por cliente tardan alrededor de 5 minutos y están
distribuidas exponencialmente. El banco desea utilizar una sola línea y varias cajas, similar
a las que se utilizan en aeropuertos y algunas dependencias. El gerente es consciente de
42
que los clientes pueden irse a otros bancos si perciben que su espera en la línea es
“excesiva”. Por esta razón, el gerente desea limitar el tiempo de espera en la cola a no
más de 30 segundos. ¿Cuántas cajas debe poner en servicio el banco?
4) La compañía 4M tiene un torno como pieza central del trabajo de la planta. Los trabajos
llegan según un proceso Poisson con tasa media de 2 por día. El tiempo de procesado de
cada trabajo tiene distribución exponencial con media de 1/4 día. Calcule todas las
medidas de desempeño vistas en la sección 3.3.2
TIPS
Recuerde: hacer un análisis previo para determinar la tasa de llegadas

y de servicio del sistema de colas, el número de servidores.
Muy importante verificar las unidades temporales de las tasas de
llegada y servicio, pues deben estar en las mismas unidades (horas,
minutos, días, semanas). En caso de que las tasas se encuentren en
unidades diferentes, debe realizar la respectiva conversión.
2.4 TEMA 3 APLICACIÓN DE LA TEORÍA DE COLAS

Teniendo en cuenta el valor de la información que brindan los modelos de colas, estas medidas
de desempeño tienen fundamental importancia en el diseño o rediseño de los sistemas de colas.
Las decisiones más usuales para la instalación de una línea de espera son:
Número de servidores a ubicar,
Eficiencia y ocupación de los servidores,
Tamaño de las instalaciones para los clientes en espera,

43
Disciplina de la fila para mejorar su desempeño, entre otras.
Para la toma de estas decisiones, se deben considerar dos aspectos fundamentales: el costo
asociado con el servicio y el costo que genera la espera de los clientes en el sistema. Es claro que
hay una relación inversa entre estos dos costos, pues
En la medida que se incremente el número de servidores, el costo de

servicio aumentará mientras el costo de esperar se reduce;
A su vez ofrecer un menor número de servidores genera un menor
costo de servicio, pero incrementa el costo de la espera.
Así, lo importante es encontrar:
Punto de equilibrio que minimice ambos costos.

En la siguiente gráfica se muestra el comportamiento de los costos totales, que vienen siendo la
suma de los costos de esperar y los costos de servicio; en función del número de servidores. Note
que el costo de espera se reduce fuertemente al incrementar los servidores, sin embargo, luego
de cierto nivel de servidores este costo se estabiliza.
Fuente (Hillier, 2010)

44
En lo que se refiere a la decisión de cuántos servidores utilizar para minimizar el costo total
esperado de gestión del sistema, se puede utilizar la siguiente ecuación:
𝑀𝑖𝑛 𝐸(𝐶𝑇) = 𝐶𝑠 ∗ 𝑆 + 𝐶𝑤 ∗ 𝐿
Donde:
𝐸(𝐶𝑇) = 𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
𝐶𝑠 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
𝐶𝑤 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎𝑟 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒
Así entonces, se trata de buscar el número de servidores que minimice dicha ecuación;
por lo tanto, el procedimiento consiste en calcular el valor de L para s= 1, 2, 3…n de tal manera
que se minimice el costo o bien para comparar entre una serie de modelos de colas con diferente
número de servidores, cuál de ellos es más eficiente desde el punto de vista de los costos.

Metalco va a contratar a un técnico en mantenimiento para un taller de máquinas. Se están
considerando dos candidatos. El primero puede realizar reparaciones a razón de 5 máquinas por
hora y gana $15 por hora. El segundo, por estar más calificado, recibe $20 por hora y puede
reparar 8 máquinas por hora. Metalco estima que cada máquina descompuesta incurrirá en un
costo de $50 por hora a causa de la producción perdida. Suponiendo que las máquinas se
descomponen de acuerdo con una distribución de Poisson con una media de 3 por hora y que el
tiempo de reparación es exponencial, ¿cuál técnico debe ser contratado?
Para el mecánico 1
$𝟏𝟓
𝑪𝒔 =
𝒉𝒐𝒓𝒂
$𝟓𝟎
𝑪𝒘 =
𝒉𝒐𝒓𝒂
𝟓 𝒎á𝒒𝒖𝒊𝒏𝒂𝒔
𝝁=
𝒉𝒐𝒓𝒂
45
𝟑 𝒎á𝒒𝒖𝒊𝒏𝒂𝒔
𝝀=
𝒉𝒐𝒓𝒂
Ahora calculamos L así:
𝟑
𝑳= = 𝟏. 𝟓 𝒎á𝒒𝒖𝒊𝒏𝒂𝒔 𝒆𝒏 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂
𝟓−𝟑
𝟗𝟎
𝑬(𝑪𝑻) = 𝟏𝟓 ∗ 𝟏 + 𝟓𝟎 ∗ 𝟏. 𝟓 = $
𝒉𝒐𝒓𝒂
Para el mecánico 2
$𝟐𝟎
𝑪𝒔 =
𝒉𝒐𝒓𝒂
$𝟓𝟎
𝑪𝒘 =
𝒉𝒐𝒓𝒂
𝟖 𝒎á𝒒𝒖𝒊𝒏𝒂𝒔
𝝁=
𝒉𝒐𝒓𝒂
𝟑 𝒎á𝒒𝒖𝒊𝒏𝒂𝒔
𝝀=
𝒉𝒐𝒓𝒂
Ahora calculamos L así:
𝟑
𝑳= = 𝟎, 𝟔 𝒎á𝒒𝒖𝒊𝒏𝒂𝒔 𝒆𝒏 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂
𝟖−𝟑
50
𝐸(𝐶𝑇) = 20 ∗ 1 + 50 ∗ 0.6 = $
ℎ𝑜𝑟𝑎
De acuerdo con esta información, es pertinente contratar al segundo mecánico pues su costo
esperado por hora es menor comparado con el mecánico 1.

1) B&K Groceries va a abrir una tienda que presumirá de constar con lectores de barras de
“última generación”. El señor Bih, uno de los propietarios de B&K ha limitado las opciones
46
a dos lectores: El lector A puede procesar 10 artículos por minuto, y el lector B puede leer
15 artículos por minuto. El costo diario de operación (10 horas) y mantenimiento de los
lectores es de $25 y $35 para los modelos A y B respectivamente. Los clientes que
terminan sus compras llegan a la caja de acuerdo con una distribución de Poisson a razón
de 10 clientes por hora. Cada carrito lleva entre 25 y 35 artículos, distribuidos de manera
uniforme. El señor Bih estima que el costo promedio por cliente que espera por minuto es
aproximadamente de 20 centavos. ¿Cuál lector debe adquirir B&K?
2) La compañía Garret-Tompkins tiene tres copiadoras para uso de sus empleados. Sin
embargo, debido a quejas recientes de la cantidad de tiempo que pierden en espera de
que se desocupe una copiadora, la gerencia planea agregar una o más. Durante las 2 000
horas de trabajo al año, los empleados llegan al área de copiado según un proceso de
Poisson con tasa media de 40 por hora. Se cree que el tiempo que cada empleado necesita
una copiadora tiene distribución exponencial con media de 4 minutos. El costo promedio
de la productividad perdida debida al tiempo que pasa un empleado en el área de copiado
se estima en $40 por hora. La renta de cada copiadora es de $4 000 por año. Determine
cuántas copiadoras debe tener la compañía para minimizar su costo total esperado por
hora.
3) Jim McDonald, gerente del restaurante de hamburguesas McBurger, sabe que

proporcionar un servicio rápido es la clave del éxito. Es posible que los clientes que
esperan mucho vayan a otro lugar la próxima vez. Estima que cada minuto que un cliente
tiene que esperar antes de terminar su servicio le cuesta un promedio de 30 centavos en
negocio futuro perdido. Por lo tanto, desea estar seguro de siempre tener sufi cientes
cajas abiertas para que la espera sea mínima. Un empleado de tiempo parcial opera cada
caja, obtiene la orden del cliente y cobra. El costo total de cada empleado es de $9 por
hora. Durante la hora del almuerzo, los clientes llegan según un proceso de Poisson a una
tasa media de 66 por hora. Se estima que el tiempo necesario para servir a un cliente tiene
distribución exponencial con media de 2 minutos. Determine cuántas cajas debe abrir Jim
durante este tiempo para minimizar su costo total esperado por hora
47
TIPS
Recuerde: Recuerda identificar el tipo de modelo de colas al que se
refiere el problema, número de servidores y costos asociados.
No olvides convertir todos los valores en las mismas unidades de
medida.
48
3 UNIDAD 3. CADENAS DE MARKOV
49
respuesta
Incorrecto: Las cadenas de

1. un modelo
Markov se utilizan para eventos
determinístico
bajo incertidumbre
Correcto: Las cadenas de Markov

2. un modelo muestran las relaciones probables
probabilístico de un estado presenta y unos
Pregunta: ¿Qué es una estados futuros
cadena de Markov?
3. un modelo estático Markov consideran los cambios
en el tiempo

4. Un modelo
Markov son probabilísticas y
determinístico y estático
dinámicas
respuesta
Incorrecto: Estos estados tienen

la probabilidad de ser
1. Transitorio
abandonado en pocos pasos de
transición
Pregunta: ¿Tipo de estado
Correcto: son estados atrapantes,
en el cual la probabilidad de
2. Absorbente en caso de caer en ellos, es
quedarse atrapado es 1? imposible salir en el futuro
Incorrecto: Son estados que son

3. Periódico visitados cada determinado
tiempo
50
Incorrecto: Estados que son
4. Recurrente visitados con una frecuencia alta
en el futuro
Pregunta 2. Opciones de respuesta
respuesta
Correcto: Las cadenas de Markov

sin estados absorbentes pueden
alcanzar unas condiciones de
Pregunta: ¿Las cadenas de Verdadero
estado estable que no dependen
Markov sin estados de la condición inicial en la que se
absorbentes estabilizan sus encuentre la variable aleatoria
probabilidades de transición
en el largo plazo? Incorrecto: Salvo con estados
absorbentes, todas las cadenas de
Falso
Markov pueden encontrar
condiciones de estado estable

Desarrollar modelos para procesos estocásticos partiendo de cadenas de Markov para la toma de
decisiones estratégicas sobre el comportamiento del sistema evaluado.

 Identificar las características principales de las cadenas de Markov, uso y aplicaciones
 Analizar las ecuaciones de estado estable de una cadena de Markov
 Aplicar los conceptos de las cadenas de Markov para la toma de decisiones
3.2 TEMA 1 CONCEPTOS BÁSICOS SOBRE CADENAS DE

MARKOV
Una cadena de Markov tienen la propiedad particular de que:
51
Las probabilidades que describen la forma como el proceso evolucionará en el
futuro sólo depende de su estado actual, es decir, no considera los eventos
pasados para pronosticar el estado futuro del evento que se esté midiendo.
Como ejemplo podría considerarse el proceso en el cual se quiere determinar cuál será el estado
del clima el día de mañana; si este proceso se puede describir como una cadena de Markov, la
probabilidad de que mañana llueva o haga sol sólo depende de la condición actual, sin importar
lo que haya pasado en los días anteriores.
3.2.1 PROCESO ESTOCÁSTICO

Según (Hillier, 2010) “…Un proceso estocástico se define como una colección indexada de
variables aleatorias {Xt}, donde el índice t toma valores de un conjunto T dado.
Con frecuencia T se considera el conjunto de enteros no negativos mientras que

Xt representa una característica de interés cuantificable en el tiempo t.
Por ejemplo, Xt puede representar los niveles de inventario al final de la semana t; el estado de
una máquina en el tiempo t; el número de clientes en una fila en el tiempo t, entre otros”.
3.2.2 PROBABILIDADES DE TRANSICIÓN ESTACIONARIAS

Las probabilidades condicionales { 𝑋𝑡+1 = 𝑗 |𝑋𝑡 = 𝑖} se denomina probabilidad de transición de
un solo paso y se denota como Pij (La probabilidad de encontrarse en el estado j dado que se
encontraba en el estado i). Adicionalmente, si { 𝑋𝑡+1 = 𝑗 |𝑋𝑡 = 𝑖} = { 𝑋1 = 𝑗 |𝑋0 = 𝑖} para t =
2, 3 … n entonces se dice que las probabilidades de transición son estacionarias, es decir que
no cambian con el tiempo por lo tanto { 𝑋𝑡+𝑛 = 𝑗 |𝑋𝑡 = 𝑖} = { 𝑋𝑛 = 𝑗 |𝑋0 = 𝑖} se dnominan
probabilidades de transición de n pasos y se denota como 𝑃𝑖𝑗𝑛
Por otra parte, como 𝑷𝒏𝒊𝒋 son probabilidades condicionales, deben ser valores no negativos y
adicionalmente deben satisfacer las siguientes propiedades:
0 ≤ 𝑃𝑖𝑗𝑛 ≤ 1 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖, 𝑗; 𝑛 = 1, 2 … ..

𝑀
∑ 𝑃𝑖𝑗𝑛 = 1 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖; 𝑛 = 1, 2 …

𝑗=0
Donde M es el número de posibles estados en los que se puede encontrar la variable aleatoria
X. En síntesis, se debe garantizar que las probabilidades de transición sean un número entre
52
cero y uno y que la sumatoria de las probabilidades mutuamente excluyentes partiendo de un
estado determinado, sume 1 (Lo que se conoce en estadística como probabilidad total).
En cadenas de Markov, es usual representar estas probabilidades a partir de una denominada

matriz de transición de n pasos como se muestra a continuación:
Fuente: (Hillier, 2010)
Cada valor dentro de la matriz representa la probabilidad de estar en el estado de la columna,

dado que inicialmente se encontraba en el estado de la fila; es decir, los estados de la fila
representan el presente, mientras que las columnas representan el futuro.
3.2.2.1 EJEMPLO
Un profesor de ingeniería adquiere una computadora nueva cada dos años. El profesor puede
elegir de entre tres modelos: Ml, M2 y M3. Si el modelo actual es Ml, la siguiente computadora
puede ser M2 con probabilidad 0.2, o M3 con probabilidad 0.15. Si el modelo actual es M2, las
probabilidades de cambiar a Ml y M3 son 0.6 y 0.25, respectivamente. Pero si el modelo actual es
M3, entonces las probabilidades de comprar los modelos Ml y M2 son 0.5 y 0.1, respectivamente.
Represente la situación como una cadena de Markov. (Taha, 2004).
Analicemos el problema como una cadena de Markov:
Variable aleatoria: Modelo de computadora que comprará en los próximos 2 años
Estados: Son los posibles valores que puede tomar la variable aleatoria. En este
caso los modelos M1, M2, M3
53
Matriz de transición
M1 M2 M3
M1 0.65 0.2 0.15
A = M2 0.6 0.15 0.25
M3 0.5 0.1 0.4
Note que los valores en Negrita no fueron suministrados en el problema, sin embargo, si
consideramos que la suma de las probabilidades de cada fila debe dar exactamente 1, es fácil
de calcular dichos valores.
3.2.3 ECUACIONES DE CHAPMAN-KOLMOGOROV

Las ecuaciones de Chapman- Kolmogorov presentan un procedimiento para calcular las matrices
de transición de n paso de cualquier cadena de Markov transitoria. A continuación, se presenta
en síntesis la manera como se puede hallar esta información. Para ampliar los detalles de la
demostración, se remite al lector al texto de (Hillier, 2010, pag 682):
𝑃(𝑛) = 𝑃𝑛
Quiere decir que, si se requiere la matriz de transición de 2 pasos, conociendo la matriz de un solo
paso simplemente se calcula lo siguiente:
𝑃(2) = 𝑃2 = 𝑃 ∗ 𝑃
Para el ejemplo del modelo de computadora, si se desea conocer la matriz de transición de dos
pasos (que en este caso sería el comportamiento cuatro años después) se calcularía así:
0.65 0.2 0.15 0.65 0.2 0.15

𝐴2 = [ 0.6 0.15 0.25] ∗ [ 0.6 0.15 0.25]
0.5 0.1 0.4 0.5 0.1 0.4
54
0.617 0.175 0.208
𝐴2 = [0.605 0.167 0.228]
0.585 0.135 0.28
3.2.4 CLASIFICACIÓN DE LOS ESTADOS DE UNA CADENA DE MARKOV

Según (Taha, 2004), Los estados de una cadena de Markov se clasifican con base en la
probabilidad de transición pij de P.
1. Un estado j es absorbente si está seguro de regresar a sí

mismo en una transición; es decir, pij = 1.
2. Un estado j es transitorio si puede llegar a otro estado, pero no

puede regresar desde otro estado.
3. Un estado j es recurrente si la probabilidad de ser revisitado

desde otros estados es 1. Esto puede suceder si, y sólo si, el
estado no es transitorio.
4. Un estado j es periódico con periodo de t>1 si es posible un

retorno sólo en t, 2t, 3t,… pasos. Esto significa que cuando
P_ij^n=0 n no es divisible entre t

1) Pliskin and Tell (1981). Los pacientes que sufren de falla de riñón pueden conseguir un
trasplante o someterse a diálisis periódicas. Durante un año cualquiera, 30% se somete a
trasplantes cadavéricos y 10% recibe riñones de donadores vivos. En el año después de un
trasplante, 30% de los trasplantes cadavéricos y 15% de los recipiendarios de donadores
vivos regresan a la diálisis. Los porcentajes de muertes entre los dos grupos son 20% y
55
10%, respectivamente. De aquellos que están en el grupo de diálisis, 10% mueren, y de
los que sobreviven más de un año después de un trasplante, 5% mueren y 5% regresan a
la diálisis. Represente la situación como una cadena de Markov y calcule la matriz de
transición de 2 años.
2) Una computadora se inspecciona cada hora. Se encuentra que está trabajando o que está
descompuesta. En el primer caso, la probabilidad de que siga así la siguiente hora es de
0.95. Si está descompuesta, se repara, lo que puede llevar más de una hora. Siempre que
la computadora esté descompuesta (sin importar cuánto tiempo pase), la probabilidad de
que siga descompuesta una hora más es de 0. 5. a) Construya la matriz de transición de
un paso de esta cadena de Markov.
3) Un fabricante tiene una máquina que cuando empieza a operar al inicio del día tiene una
probabilidad de 0.1 de descomponerse en algún momento de ese día. Cuando esto ocurre,
la reparación se hace al siguiente día y se termina al finalizar ese día. a) Formule la
evolución del estado de la máquina como una cadena de Markov; identifique los tres
estados posibles al final del día y después construya la matriz de transición (de un paso).
3.3 TEMA 2 PROPIEDADES A LARGO PLAZO DE LAS CADENAS

DE MARKOV
Para cualquier matriz de transición que represente una cadena de Markov, en la medida que se
incrementa el paso n de transición, las probabilidades de cada estado j (Estado futuro) se
estabilizan sin importar el estado inicial en que se haya encontrado el sistema. Es decir que, en
el largo plazo las probabilidades de encontrarse en un estado j son independientes de la condición
inicial en que haya iniciado el proceso.
En términos matemáticos:
lim 𝑃𝑖𝑗𝑛 = 𝜋𝑗 > 0

𝑛→∞
Donde 𝝅𝒋 se denomina probabilidad de estado estable o de largo plazo de encontrarse en el

estado j. Estos 𝜋𝑗 al ser probabilidades deben satisfacer las siguientes condiciones:
𝑀
𝜋𝑗 = ∑ 𝜋𝑖 𝑃𝑖𝑗 𝑃𝑎𝑟𝑎 𝑗 = 0, 1 … 𝑀
𝑖=0
56
𝑀
∑ 𝜋𝑗 = 1
𝑗=0
Al presentar las condiciones anteriores, se generar M+1 ecuaciones lineales con M incógnitas, por
lo que una de las ecuaciones se vuelve irrelevante y se puede eliminar del sistema de
ecuaciones.
Si aplicamos estas propiedades en el ejemplo prototipo de los modelos de computador:
𝝅𝟏 = 𝟎. 𝟔𝟓𝝅𝟏 + 𝟎. 𝟐𝝅𝟐 + 𝟎. 𝟏𝟓𝝅𝟑

𝝅𝟐 = 𝟎. 𝟔𝝅𝟏 + 𝟎. 𝟏𝟓𝝅𝟐 + 𝟎. 𝟐𝟓𝝅𝟑
𝝅𝟑 = 𝟎. 𝟓𝝅𝟏 + 𝟎. 𝟏𝝅𝟐 + 𝟎. 𝟒𝝅𝟑
𝝅𝟏 + 𝝅𝟐 + 𝝅𝟑 = 𝟏
Recuerde que se genera una ecuación sobrante, por lo que se puede descartar la que considere
pertinente. Se recomienda eliminar aquella ecuación que contenga mayor número de
incógnitas, en caso de empate puede seleccionar cualquiera de ellas.
Al resolver el sistema de ecuaciones se encuentra que:
𝝅𝟏 = 𝟎. 𝟑𝟑 𝝅𝟐 = 𝟎. 𝟑𝟑 𝝅𝟑 = 𝟎. 𝟑𝟑
Esto quiere decir que, en largo plazo, la probabilidad de comprar cualquiera de los modelos es
exactamente la misma. Es importante citar que este resultado es coincidencial, no
necesariamente los valores deben ser iguales.
3.3.1 TIEMPO ESPERADO DE RECURRENCIA

En las cadenas de Markov y los procesos estocásticos es interesante analizar el tiempo requerido
o número de transiciones necesarias para que el sistema o proceso regrese a un estado j. Esta
medida se denomina tiempo esperado de recurrencia 𝜇𝑗𝑗 y se puede calcular a partir de las
probabilidades de estado estable así:
1
𝜇𝑗𝑗 = 𝑝𝑎𝑟𝑎 𝑗 = 1, 2 … 𝑛
𝜋𝑗
57
Para el caso del ejemplo prototipo:
1
𝜇11 = = 3 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠
0,33
1
0,33
1
0,33
Quiere decir, que después de haber adquirido un modelo tipo 1, se espera que, en tres periodos
de dos años, es decir en 6 años, vuelva a elegir un computador de ese modelo. El análisis es igual
para los demás modelos.
3.3.2 TIEMPO ESPERADO DE PRIMERA PASADA

Adicionalmente a los tiempos de recurrencia, también es de interés calcular el tiempo esperado
necesario para estar en un estado j por primera vez al haber iniciado el proceso en un estado i.
A continuación, se expresa el procedimiento a realizar:
−1
‖𝜇𝑖𝑗 ‖ = (𝐼 − 𝑁𝑗 ) 1 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗
Donde:
𝐼 = 𝑒𝑠 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑
𝑁𝑗 = 𝐸𝑠 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑖𝑐𝑖ó𝑛 𝑠𝑖 𝑙𝑎 𝑗 − é𝑠𝑖𝑚𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑛𝑖 𝑙𝑎 𝑗

− é𝑠𝑖𝑚𝑎 𝑓𝑖𝑙𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑗
1 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑐𝑜𝑛 𝑀 − 1 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑦 𝑡𝑜𝑑𝑜𝑠 𝑖𝑔𝑢𝑎𝑙𝑒𝑠 𝑎 1

Para el ejemplo de los modelos de computadores, si se desea conocer cuál es el tiempo esperado
de primera pasada para comprarse el modelo 2 luego de haber adquirido el modelo 1 o 3; se
procede así:
𝟎. 𝟔𝟓 𝟎. 𝟐 𝟎. 𝟏𝟓
𝐴 = [ 𝟎. 𝟔 𝟎. 𝟏𝟓 𝟎. 𝟐𝟓]
𝟎. 𝟓 𝟎. 𝟏 𝟎. 𝟒
58
𝟏 𝟎
𝑰=
𝟎 𝟏
𝟎. 𝟔𝟓 𝟎. 𝟏𝟓
𝑵𝟐 = [ ]
𝟎. 𝟓 𝟎. 𝟒
𝟏
𝟏=[ ]
𝟏
−𝟏 𝟎. 𝟑𝟓 −𝟎. 𝟏𝟓 −𝟏 𝟒. 𝟒 𝟏. 𝟏
(𝑰 − 𝑵𝒋 ) =[ ] =[ ]
−𝟎. 𝟓 𝟎. 𝟔 𝟑. 𝟕 𝟐. 𝟔
De modo que:
𝝁𝟏𝟐 𝟒. 𝟒 𝟏. 𝟏 𝟏 𝟓. 𝟓
[𝝁 ] = [ ]∗[ ]=[ ]
𝟑𝟐 𝟑. 𝟕 𝟐. 𝟔 𝟏 𝟔. 𝟑
Quiere decir que se esperan 5.5 periodos de tiempo para que compre un modelo tipo 2 de
computadora, luego de haber adquirido un modelo tipo 1, y 6.3 periodos de tiempo después de
haber adquirido un modelo tipo 3.
3.3.3 ESTADOS ABSORBENTES

Según Hillier, un estado k se llama estado absorbente si 𝑷𝒌𝒌 = 𝟏, de manera que una vez que la
cadena llega al estado k permanece ahí para siempre. Si k es un estado absorbente y el proceso
comienza en el estado i, la probabilidad de llegar en algún momento a k se llama probabilidad de
absorción al estado k, dado que el sistema comenzó en el estado i. Esta probabilidad se denota
por 𝑓𝑖𝑘 .
Para calcular estas probabilidades, se deben realizar el siguiente procedimiento:

59
Identificar los estados absorbentes y los estados recurrentes.
Los estados absorbentes se deben ubicar en las últimas filas y

columnas.
Llame N a la matriz generada por los estados recurrentes
Llame A a la matriz generada por las filas de los estados recurrentes y

las columnas de los estados absorbentes
La probabilidad de absorción en el estado k partiendo del estado i

está dada por:
f_ik=(I-N)^(-1) A
3.3.3.1 EJEMPLO
Suponga la siguiente matriz de transición de un solo paso:
1 0 0 0
0.6 0.10 0.25 0.05
𝑃=[ ]
0.5 0.1 0.2 0.2
0 0 0 1
Apliquemos los pasos descritos previamente:
Paso 1. El estado 1 y 4 son absorbentes
Paso 2. Reordenar la matriz

60
0.25 0.10 0.6 0.05
0.2 0.1 0.5 0.2
𝑃=[ ]
0 0 1 0
0 0 0 1
Paso 3.
0.25 0.1
𝑁=[ ]
0.2 0.1
Paso 4.
0.6 0.05
𝐴=[ ]
0.5 0.2
Paso 5.
−1
−1 1 0 0.25 0.1 0.6 0.05
𝑓𝑖𝑘 = (𝐼 − 𝑁) 𝐴 = [[ ]−[ ]] ∗[ ]
0 1 0.2 0.1 0.5 0.2
−1
−1 0.75 −0.1 0.6 0.05
𝑓𝑖𝑘 = (𝐼 − 𝑁) 𝐴 = [[ ]] ∗[ ]
−0.2 0.9 0.5 0.2
0.897 0.103
(𝐼 − 𝑁)−1 𝐴 = [1.37 0.15] ∗ [0.6 0.05] = [ ]
0.3 1.14 0.5 0.2 0.75 0.25
En el resultado final, las filas corresponden a los estados recurrentes en el mismo orden de la
matriz original, y las columnas pertenecen a los estados absorbentes de la cadena de Markov. En
este caso el 89.7 % de las veces, al iniciar en el primer estado recurrente terminará absorbido en
el estado absorbente 1, mientras que, si se inicia en el estado recurrente 2, el 25% de las veces
terminada en el estado absorbente 2.
3.4 TEMA 3. APLICACIONES Y EJERCICIOS COMPLEMENTARIOS

1) En el Casino del Río, un apostador puede apostar en dólares enteros. Cada apuesta gana
$1 con probabilidad de .4 o pierde $1 con probabilidad de .6. Comenzando con tres
dólares, el apostador se retirará si pierde todo el dinero o bien lo duplica. (a) Exprese el
61
problema como una cadena de Markov. (b) Determine la probabilidad de terminar el juego
con $6. De perder los $3
2) A Joe le encanta salir a comer a los restaurantes del área. Sus comidas favoritas son la
mexicana, la italiana, la china y la tailandesa. En promedio, Joe paga $10,00 por una
comida mexicana, $15.00 por una comida italiana, $9.00 por una comida china, y $11.00
por una comida tailandesa. Los hábitos alimenticios de Joe son predecibles: Hay 70% de
probabilidad de que la comida de hoy sea una repetición de la de ayer y probabilidades
iguales de que cambie a una de los tres restantes. (a) ¿Cuánto paga Joe en promedio por
su comida diaria? (b) ¿Con qué frecuencia consume Joe comida mexicana?
3) Warehouzer posee un bosque renovable para plantar pinos. Los árboles caen dentro de
una de cuatro categorías según su edad: bebés (0-5 años); jóvenes (5-10 años); maduros
(11-15 años), y viejos (más de 15 años). Diez por ciento de los árboles bebés y jóvenes se
muere antes de llegar al siguiente grupo de edad. Por lo que se refiere a los árboles
maduros y viejos, 50% se talan y sólo 5% se mueren. Debido a la naturaleza de renovación
de la operación, todos los árboles talados y muertos son reemplazados con árboles nuevos
(bebés) al final del siguiente ciclo de cinco años. (a) Exprese la dinámica del bosque como
una cadena de Markov. (b) Si el bosque puede contener un total de 500,000 árboles,
determine la composición a largo plazo del bosque.
4) Una agencia de renta de automóviles tiene oficinas en Phoenix, Denver, Chicago y Atlanta.
La agencia permite rentas en una y en dos direcciones de modo que los automó- viles
rentados en un lugar pueden terminar en otro. Las estadísticas muestran que al final de
cada semana 70% de todas las rentas son en dos direcciones. En cuanto a las rentas en
una dirección: Desde Phoenix, 20% van a Denver, 60% a Chicago, y el resto va a Atlanta;
desde Denver, 40% va a Atlanta y 60% a Chicago; de Chicago, 50% va a Atlanta y el resto
a Denver; y desde Atlanta, 80% va a Chicago, 10% a Denver, y 10% a Phoenix. (a) Exprese
la situación como una cadena de Markov. (b) Si cada lugar está diseñado para manejar un
máximo de 110 autos, ¿habría a la larga un problema de disponibilidad de espacio en
cualquiera de los lugares? (c) Determine el promedio de semanas que transcurren antes
de que un auto regrese a su lugar de origen.
62
1) 5. Los clientes pueden ser leales a marcas de productos, pero pueden ser persuadidos
mediante publicidad y mercadotecnia inteligentes para que cambien de marcas.
Considere el caso de tres marcas: A, B y C. Los clientes que se “mantienen” leales a una
marca dada se estiman en 75%, con un margen de sólo 25% para que sus competidores
hagan un cambio. Los competidores lanzan sus campañas publicitarias una vez al año. Para
los clientes de la marca A, las probabilidades de que cambien a las marcas B y C son de .1
y .15, respectivamente. Los clientes de la marca B son propensos a cambiar a las marcas
A y C, con las siguientes probabilidades: .2 y .05 respectivamente. Los clientes de la marca
C pueden cambiar a las marcas A y B con probabilidades iguales. (a) Exprese la situación
como una cadena de Markov. (b) A largo plazo, ¿qué tanto segmento del mercado
dominará cada marca? (c) ¿Cuánto tiempo en promedio le llevará a un cliente de la marca
A cambiar a la marca B?
2) 6. En un torneo de tenis de individuales, Andre y John están jugando un partido por el

campeonato. El partido se gana cuando uno de los jugadores gana tres de cinco “sets”.
Las estadísticas muestran que hay 60% de probabilidades de que Andre gane cualquier
set. (a) Exprese el partido como una cadena de Markov. (b) En promedio, ¿cuánto durará
el partido, y cuál es la probabilidad de que Andre gane el campeonato? (c) Si el marcador
es 1 set a 2 a favor de John, ¿cuál es la probabilidad de que Andre gane?
TIPS
Recuerde: identificar los estados de la cadena de Markov y la dinámica
de las transiciones
No olvides las leyes de probabilidad a la hora de realizar los cálculos de
las matrices de transición.
Un estado absorbente es aquel cuyo valor en la diagonal principal de la
matriz es equivalente a 1.
63 4 PISTAS DE APRENDIZAJE
Incorporar las restricciones de no negatividad y de valores enteros.
Defina claramente los tres elementos principales de los modelos de programación entera:
Función objetivo, variables de decisión y restricciones.
Recuerde: la programación binaria se utiliza para responder preguntas de Cuál o Cuáles; para
problemas de asignación y decisiones cuya respuesta sea Si o no
Recuerda: un sistema de colas está definido por una fuente de entrada, unos clientes, una cola y
su respectiva disciplina, un mecanismo de servicio y un conjunto de servidores.
Recuerde: hacer un análisis previo para determinar la tasa de llegadas y de servicio del sistema
de colas, el número de servidores
Muy importante verificar las unidades temporales de las tasas de llegada y servicio, pues deben
estar en las mismas unidades (horas, minutos, días, semanas). En caso de que las tasas se
encuentren en unidades diferentes, debe realizar la respectiva conversión.
Recuerda identificar el tipo de modelo de colas al que se refiere el problema, número de

servidores y costos asociados
No olvides convertir todos los valores en las mismas unidades de medida.
Recuerda identificar los estados de la cadena de Markov y la dinámica de las transiciones
No olvides las leyes de probabilidad a la hora de realizar los cálculos de las matrices de transición.
Un estado absorbente es aquel cuyo valor en la diagonal principal de la matriz es equivalente a 1.

64 5 GLOSARIO
 Absorción: Tipo de estado de una cadena de Markov en la cual, luego de llegar a él, es
imposible salir.
 Binario: Se refiere al conjunto de elementos que sólo tienen dos valores posibles: cero y
uno
 Cadena de Markov: Conjunto de posibles estados futuros de un proceso que sólo

dependen de la condición actual, sin interesar el estado pasado
 Cola: se refiere a las situaciones en las cuales el usuario o cliente debe esperar para ser
atendido por un servidor
 Cola finita: se puede presentar que físicamente se cuente con un espacio limitado para
ubicar a los usuarios que se encuentran en espera
 Costo fijo: Valor económico asociado con la activación de un recurso.
 Estados: Se refiere al conjunto de posibilidades en las que puede encontrarse un proceso
 Matriz de transición: Arreglo de valores probabilísticos que definen la dinámica de

cambios en los estados de una cadena de Markov
 Servidor: es el individuo o mecanismo que genera el servicio que presta el sistema

productivo
 Excluyente: se refiere a la condición en la cual el cumplimiento de una acción, impide de

manera automática la consideración de otra.
65 6 BIBLIOGRAFÍA
 Ackoff, R. L., Sasieni, M., & Jiménez

Ruiz, E. (1971). Fundamentos de
investigación de operaciones (No.
658.4034 A2F8).
 Hillier, F. S., Lieberman, G. J., &

Osuna, M. A. G. (2010). Introducción
a la Investigación de
Operaciones (Vol. 1). McGraw-Hill.
 Insúa, S. R., Caballero, A. M., Lozoya,

M. C. B., & Martín, A. J.
(2004). Investigación operativa:
modelos determinísticos y
estocásticos. Editorial Universitaria
Ramon Areces.
 Taha, H. A. (2004). Investigación de

operaciones. Pearson Educación.
 Winston, W. L., & Goldberg, J. B.

(2005). Investigación de operaciones:
aplicaciones y algoritmos.

Investigacion

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Investigacion

Enviado por

Direitos autorais:

Formatos disponíveis

Marketing en Contenido Digital

Primera edición: 2011

Francisco Javier Álvarez Gómez

Derechos reservados: El módulo de estudio del curso de

Esta obra es publicada bajo la licencia Creative Commons.

1 UNIDAD 1. PROGRAMACIÓN ENTERA 7

1.2 TEMA 1. FORMULACIÓN DE PROBLEMAS CON VARIABLES ENTERAS 9

1.3 TEMA 2 FORMULACIÓN DE PROBLEMAS CON VARIABLES BINARIAS 16

2 UNIDAD 2. TEORÍA DE COLAS 26

2.2 TEMA 1 CONCEPTOS BÁSICOS DE TEORÍA DE COLAS 28

2.3 TEMA 2 MODELOS DE COLAS 33

2.4 TEMA 3 APLICACIÓN DE LA TEORÍA DE COLAS 42

3 UNIDAD 3. CADENAS DE MARKOV 48

3.2 TEMA 1 CONCEPTOS BÁSICOS SOBRE CADENAS DE MARKOV 50

3.3 TEMA 2 PROPIEDADES A LARGO PLAZO DE LAS CADENAS DE MARKOV 55

3.4 TEMA 3. APLICACIONES Y EJERCICIOS COMPLEMENTARIOS 60

Brindar a los estudiantes las herramientas propias de la investigación de operaciones

 Establecer procedimientos para la toma de decisiones en modelos de colas

 Desarrollar modelos para procesos estocásticos partiendo de cadenas de

UNIDAD 1 UNIDAD 2 UNIDAD 3

1.1.2 PRUEBA INICIAL

Incorrecto: No son el único tipo de

Pregunta: ¿Cuál o Incorrecto: Hacen parte de los

Incorrecto: Este tipo de preguntas se

Correcto: Las variables binarias toman el

Incorrecto: Este tipo de pregunta

1.1.3 OBJETIVO GENERAL

1.1.4 OBJETIVOS ESPECÍFICOS

 Analizar los resultados obtenidos en la resolución de los problemas de programación

1.2 TEMA 1. FORMULACIÓN DE PROBLEMAS CON VARIABLES

La programación lineal entera considera tres elementos fundamentales a saber:

Son la representación algebraica de las decisiones

Es la medida de desempeño que se desea optimizar a partir de

Formulación matemática de problemas de programación

1.2.2 EJERCICIOS DE APRENDIZAJE 1

Función Objetivo: Maximizar la ganancia total de la empresa

Variables de decisión: número de ventanas de cada tipo que deben producirse

Restricciones: Número de Marcos de madera y de aluminio que se pueden hacer

Después de hacer un análisis teórico del problema, el paso a seguir es construir un

Empecemos con las variables de decisión:

𝒙𝟏 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒗𝒆𝒏𝒕𝒂𝒏𝒂𝒔 𝒅𝒆 𝒎𝒂𝒅𝒆𝒓𝒂 𝒂 𝒑𝒓𝒐𝒅𝒖𝒄𝒊𝒓

𝑀𝑎𝑥 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠: 180𝑥1 + 90𝑥2

Número de marcos de madera por día:

Adicionalmente, debe considerarse la restricción de no negatividad de las variables de

Función Objetivo: Maximizar la ganancia total de la empresa

Restricciones: número de horas disponibles en la máquina 1 y en la máquina 2

𝑥2 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑎𝑟𝑟𝑎𝑠 𝑒𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑟𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟

𝑀𝑎𝑥 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠: 130𝑥1 + 150𝑥2

Horas disponibles en la máquina 1:

1.2.3 EJERCICIO DE APRENDIZAJE 2

Función Objetivo: Maximizar la ganancia total de la empresa

Variables de decisión: número de aviones grandes, medianos y pequeños a comprar

𝑥1 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑣𝑖𝑜𝑛𝑒𝑠 𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑎 𝑐𝑜𝑚𝑝𝑟𝑎𝑟

𝑥2 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑣𝑖𝑜𝑛 𝑚𝑒𝑑𝑖𝑎𝑛𝑜𝑠 𝑎 𝑐𝑜𝑚𝑝𝑟𝑎𝑟

𝑥3 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑣𝑖𝑜𝑛𝑒𝑠 𝑝𝑒𝑞𝑢𝑒ñ𝑜𝑠 𝑎 𝑐𝑜𝑚𝑝𝑟𝑎𝑟

A partir de esta notación, se construye la función objetivo:

𝑀𝑎𝑥 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠: 4.2𝑥1 + 3𝑥2 + 2.3𝑥3

67𝑥1 + 50𝑥2 + 35𝑥3 ≤ 1500

1.2.4 TALLER DE ENTRENAMIENTO

Formule un modelo de programación Entera.

Fuente: (Hillier, 2010. Pag 74)

Formule un modelo de programación entera

Formule este problema con un modelo de programación entera.