00032019

1.
PROGRAMACION DE METAS
1.1 INTRODUCCIÓN.
La mayoría de las situaciones de decisión real, sean personales o profesionales, se caracterizan por metas
(atributos) y objetivos múltiples más que por un simple objetivo. Estas metas (atributos) pueden ser
complementarias, pero frecuentemente son conflictivas y también inconmensurables. Por ejemplo, un
productor de autos como la General Motors desearía construir un vehículo de pasajeros que pudiera venderse
por menos de $200,000.00, tuviera 250 caballos y consiguiera 40 millas por galón. Consideremos, por
ejemplo, las metas (atributos) de economía de combustible y de potencia. entre más alta sea la potencia,
menor es la economía de combustible, indicando que las dos metas (atributos) están en conflicto. Además
estas dos metas (atributos) son inconmensurables, pues la potencia y las millas por galón tienen diferentes
escalas y dimensiones.
1.2 PROGRAMACIÓN META.

La formulación de un modelo de Programación Meta es similar al modelo de P.L.. El Primer paso es definir
las variables de decisión, después se deben de especificar todas las metas gerenciales en orden de prioridad.
Así, una característica de la Programación Meta es que proporciona solución para los problemas de decisión
que tengan metas múltiples, conflictivas e inconmensurables arregladas de acuerdo a la estructura prioritaria
de la administración.
La Programación Meta es capaz de manejar problemas de decisión con una sola meta o con metas múltiples.
En tales circunstancias, las metas establecidas por el tomador de decisiones son logradas únicamente con el
sacrificio de otras metas.
Las características que distinguen la programación Meta es que las metas se satisfacen en una secuencia
ordinal. Esto es, las metas que deben clasificarse en orden de prioridad por el tomador de decisiones son
satisfechas secuencialmente por el algoritmo de solución. Las metas con prioridad baja se consideran
solamente después de que las metas de prioridad alta se han cumplido. La Programación meta es un proceso
de satisfacción, en el sentido de que el tomador de decisiones tratará de alcanzar un nivel satisfactorio en vez
del mejor resultado posible para un solo objetivo.
La noción fundamental de la Programación Meta, comprende incorporar todas las metas gerenciales en la
formulación del modelo del sistema. En la programación Meta, en vez de intentar minimizar o maximizar la
Función Objetivo directamente, como en la programación lineal, se minimizan las desviaciones entre las
metas y los límites logrables dictados por el conjunto dado de restricciones en los recursos. Estas variables de
desviación, que se denominan de "holgura" o "sobrantes" en programación lineal toman un nuevo significado
en la Programación Meta. Ellas se dividen en desviaciones positivas y negativas de cada una de las submetas
o metas. El objetivo se convierte entonces en la minimización de estas desviaciones, dentro de la estructura
prioritaria asignada a estas desviaciones.
Temas selectos de investigación de Operaciones. 1

1.3 CONCEPTOS PARA LA TOMA DE DECISIONES CON ATRIBUTOS MULTIPLES EN AUSENCIA
DE INCERTIDUMBRE: PROGRAMACIÓN DE METAS.
 Una Función valor v(x1,x2,....xn) es una función de valor aditivo si existen n funciones v1(x1),
v2(x2),...vn(xn) que satisfagan
i=n
v(x1,x2,....xn) = ∑ vi(xi)
i=1
 Una función costo c(x1,x2,....xn) es función de costo aditivo si existen n funciones c1(x1), c2(x2),....cn(xn)
que satisfagan
i=n
c(x1,x2,....xn) = ∑ ci(xi)
i=1
 Un atributo (llamémosle atributo 1) es preferencialmente independiente (pi) de otro atributo (el atributo
2) si las preferencias para valores del atributo 1 no dependen del valor del atributo 2.
 Si el atributo 1 es pi del atributo 2, y el atributo 2 es pi del atributo 1, entonces el atributo 1 es mutua y

preferencialmente independiente (mpi) del atributo 2.
 Un conjunto S de atributos es mutua y preferencialmente independiente (mpi) de un conjunto S´ de
atributos si (1) los valores de los atributos en S´ no afectan las preferencias para los valores de los
atributos en S, y (2) los valores de los atributos en S no afectan las preferencias para los valores de los
atributos en S´.
 Un conjunto de atributos 1,2,....,n es mutua y preferencialmente independiente (mpi) si para todos los.
__ __
subconjuntos S de {1,2,....n}, S es mpi de s . ( s incluye a los miembros de {1,2,....n} que no están en S).
 TEOREMA 1. Si el conjunto de atributos 1,2,....,n es mpi, las preferencias del tomador de decisiones se
pueden representar por una función valor (o costo) aditiva.

1.4 FORMULACIÓN DE MODELOS.
Restricciones de meta
-Por cada meta
Componentes en la F.O. (minimizar

suma de desviaciones con respecto a
las metas)
| FORMULACIÓN
-Resticciones Estructurales (no tienen que ver con las metas)
Las suposiciones básicas que caracterizan el modelo de programación lineal se aplican igualmente al modelo
de programación meta. La diferencia principal en la estructura es que la programación meta no intenta
minimizar o maximizar la función objetivo como lo hace el modelo de programación lineal. En vez de ello,
busca minimizar las desviaciones entre las metas deseadas y los resultados reales de acuerdo a las prioridades
asignadas.. El objetivo de un modelo de programación meta es expresado en teérminos de las desviaciones de
las metas a que se apunta. esto es las desviaciones de las metas se colocan en la función objetivo y deben
minimizarse. El modelo general de la programación meta puede expresarse matemáticamente de la siguiente
manera:
m
min Z = ∑ wi(di+ + di-)
i=1
s.a.
n
∑aijxj+di- - di+ = bi para toda i
j=1
xj,di-,di+≥ 0 para toda j
Donde:
w = Ponderación de las desviaciones con respecto a la meta.
di- = Desviación déficit
di+ = Desviación excedente
1.4.1 EJEMPLO: SATISFACCIÓN DE UNA SOLA META.
Una división de Schwim Manufacturing Company produce dos tipos de bicicletas: (1) una bicicleta de 3
velocidades y (2) una de 10 velocidades. La división obtiene una utilidad de $25 en la bicicleta de 10
velocidades y $15 en la bicicleta de 3 velocidades. Debido a la fuerte demanda de estos artículos, durante el
período de planeación de verano la división cree que puede vender, a los precios que prevalezcan, todas los
unidades de estas dos bicicletas que produzca. Las instalaciones de producción se consideran recursos
escasos. estos recursos escasos corresponden al departamento de ensamblado y terminado. Los tiempos
unitarios de procesamiento y las capacidades de cada uno de los departamentos se muestran en la tabla
siguiente:
Hrs. requeridas para procesar cada bicicleta
Tipo de bicicleta En el Depto. de ensamble En el depto. de Contribución a la utilidad
terminación unitaria
3 velocidades 1 1 15
10 velocidades 3 1 25
Hrs. disponibles en cada 60 40
depto.
La división durante este período de planeación se enfrenta a cambios grandes de organización y cree que el
maximizar la utilidad no es un objetivo realista. Sin embargo, desearía lograr un nivel satisfactorio de utilidad
durante este período de dificultad. La dirección cree que la utilidad diaria de $600 debería satisfacerse y desea
determinar, dadas las restricciones del tiempo de producción, la mezcla de producto, que debería llevar a esta
tasa de contribución a utilidades.
Formula un modelo de programación meta que satisfaga estos requerimientos
Definición de variables:
x1 = Número de bicicletas de 3 velocidades producidas por día
d1- = Cantidad por debajo de la utilidad perseguida
d1+ = cantidad por encima de la utilidad perseguida
Minimizar Z = d1- + d1+
s.a.
x1 +3x2 ≤ 60 (horas de ensamble).
Restricciones estructurales
x1 + x2 ≤ 40 ( (horas de terminación)
15x1 +25x2 +d1- - d1+ = 600 (Utilidad perseguida) Restricción meta

x1,x2,d1-,d1+ ≥ 0

Nota: Puesto que tanto d1-,d1+ aparecen en la función objetivo y a ambas se les asigna pesos iguales, esto
indica que la administración desea lograr la utilidad meta exactamente..
TAREA.
Plantea este mismo modelo con las siguiente consideración:
La administración cree que es dos veces más importante sobrelograr que sublograr la meta de utilidad
perseguida.
1.4.2 EJEMPLO METAS MÚLTIPLES.
Considera la información que se presenta en la siguiente tabla:

Departamentos
Producto 1 2 3 4
1 .10 2.1 1 .3 415
2 .08 1.4 .7 .2 362
3 .05 1.1 .6 .15 216
4 .04 .9 .5 .1 68
Disp. hrs/mes 320 2400 800 450
*El producto 2 no debe exceder 90 unidades al mes.

*Cada hora extra aumenta los costos en $20.00
Metas:
1. Alcanzar utilidades de por lo menos $350,000.00 al mes.
2. Maximizar la utilización de los 4 departamentos.
3. No producir más del 50% de la producción total en cualquiera de los 4 productos (en unidades).
4. Limitar el número de horas extras en el departamento 2 a 300 hrs. al mes.
Definición de variables:
xi = cantidad a producir del producto i mensualmente. i = 1,2,3,4.
F.O.
Min Z = d1- +d2- +d3- +d4- + d5- +d6+ +d7+ +d8+ +d9+ +d10+
s.a.
1) 415x1 +362x2 +216x3 + 68x4 -20d2+ - 20d3+ - 2 0d4+ - 20d5+ -d1 + + d1- =350,000
2).10x1+.08x2+.05x3+.04x4 -d2+ + d2- = 320
2.1x1 +1.4x2 +1.1x3 +0.9x4 -d3+ + d3- = 2400
x1+.7x2+.6x3+.5x4 -d4+ +d4- = 800
.3x1 +.2x2 +.15x3 +.1x4 -d5+ +d5- = 450
3)x1-d6+ +d6- = .5(x1+x2+x3+x4) ⇒ .5x1-.5x2-.5x3-.5x4 -d6+ +d6- = 0
-.5x1 +.5x2 -.5x3-.5x4 -d7+ +d7- = 0
-.5x1-.5x2+.5x3-.5x4 -d8+ +d8- = 0
-.5x1-.5x2-.5x3+.5x4 -d9+ +d9- = 0
4)d3+ -d10+ +d10- = 300
Restricciones estructurales:
x2≤ 90
xi≥ 0 para toda i
di+,di- ≥ 0 para toda i.
1.4.3 EJEMPLO METAS MÚLTIPLES CON PRIORIDAD.

Considera la situación de Schwim Manufacturing Company en donde la administración desea alcanzar varias
metas. Ahora supondremos que la administración desea ordenar dichas metas en orden de importancia y que
la meta más importante tiene prioridad absoluta sobre la siguiente meta más importante y así sucesivamente.
Para lograr que las metas de baja prioridad se consideren solamente después de lograr las metas de alta
prioridad, se clasifican las metas en k rangos y las variables de desviación asociadas con las metas, se les
asigna un número prioritario Pj(j = 1,2,....,k). Los factores de prioridad satisfacen
P1>>>P2>>>...Pj>>>Pj+1.
Las relaciones de prioridad implican que la multiplicación por n, no importa que tan grande sea n, no puede
hacer una meta de baja prioridad tan importante como una meta de alta prioridad (por ejemplo: Pj>nPj+1).
Ahora supongamos que la división de bicicletas de Schwim, además de lograr sus $600.00 de meta primaria
de utilidad, desea utilizar completamente sus departamentos de ensamblaje y terminación durante la
reorganización que se avecina. Esto es, como una meta secundaria, la división desea minimizar el tiempo
ocioso. La formulación del modelo es:
Minimizar Z = P1(d1- + d1+) + P2(d2-+d3-)

s. a.
15x1+25x2 +d1- -d1+ = 600
x1 +3x2 + d2- -d2+ = 60
x1 +x2 +d3- -d3+ = 40
x1,x2,di-,di+ ≥ 0
Donde:
d1- = Cantidad por debajo de la utilidad perseguida
d1+ = cantidad por encima de la utilidad perseguida
d2- = Tiempo ocioso diario en el departamento de ensamble
d2+ = Tiempo extra diario en el departamento de ensamble
d3- = Tiempo ocioso diario en el departamento de terminación.
d3+ = Tiempo extra diario en el departamento de terminación.
Nota: Puesto que d1- y d1+ se incluyen en la función objetivo, el modelo intentará lograr exactamente la
utilidad diaria perseguida de $600, minimizando tanto las desviaciones positivas como las negativas. Con d2+
d3+ y eliminados de la función objetivo, sin embargo, el modelo no se preocupará del tiempo extra en el
departamento de ensamble o terminación e intentará minimizar solamente el tiempo ocioso en estos
departamentos. Debido a que la meta de utilidad perseguida es más importante que la meta de minimización
del tiempo ocioso, a esta se le asigna prioridad P1 . El modelo intentará lograr esta meta hasta donde más le
sea posible antes de considerar la meta secundaria de minimizar el tiempo ocioso de producción.
EJERCICIO:
1. Resolver gráficamente este problema.
1.4.4 DIFERENCIAS ENTRE EL SIMPLEX DE PROGRAMACIÓN DE METAS Y EL SIMPLEX

NORMAL.
1. El simplex normal tiene un solo renglón 0, mientras que el simplex de programación de metas
necesita n renglones 0, uno por cada meta.
2. En el simplex de programación de metas se emplea el método siguiente para la variable de entrada:
se encuentra la meta de máxima prioridad (la meta i' ) que no se haya alcanzado, o se encuentra la
meta i' de máxima prioridad que tenga Zi (Término de la función objetivo que incluye la meta i) > 0 .
se calcula la variable con el coeficiente más positivo en el renglón 0, meta i', y se anota esta variable
en la base, sujeta a la siguiente restricción. Con ello se reduce Z i y se asegura que esta cerca el
cumplimiento de la meta i'. Sin embargo, si una variable tiene un coeficiente negativo en el renglón 0
asociado con una meta que tiene mayor prioridad que i', la variable no puede entrar a la base.
Introducir en la base esa variable aumentaría la desviación con respecto a alguna meta de mayor
prioridad. Si la variable con el coeficiente más positivo en el renglón 0 (variable i') no puede entrar
en la base, intente encontrar otra variable con un coeficiente positivo en el renglón 0 (meta i'). Si
ninguna variable del renglón 0 (meta i') puede entrar en la base, no hay manera de acercarse al
cumplimiento de la meta i' sin aumentar la desviación con respecto a alguna meta de mayor
prioridad. en este caso, se pasa al renglón 0 (meta i' + 1) para tratar de satisfacer la meta i' + 1.
3. Cuando se lleva a cabo un pivoteo, se debe actualizar el renglón 0 para cada meta.
4. Una tabla dará la solución óptima si todas las metas se satisfacen (esto es, Z 1 = Z2 = .....= Zn = 0 ), o
si cada variable que puede entrar en la base y reducir el valor de Z'i de una meta i' no satisfecha
aumenta la desviación con respecto a una meta i que tiene más prioridad que la meta i'.
2. Resuelve el ejemplo de METAS MULTIPLES CON PRIORIDAD Utilizando el método simplex.

EJMPLO DE METAS MULTIPLES Y SUBMETAS.
En el ejemplo de la Schwim, la máxima utilidad alcanzada, tomando 60 horas de tiempo de ensamble, 40
horas de tiempo de terminación y resolviendo como un problema de programación lineal, es de $700.00.
Debido a la reorganización de la división se han considerado casos en donde la administración quedaría
satisfecha (al menos temporalmente) con un plan de producción que conduzca a una utilidad más baja que
$600.00.
Supongamos que la reorganización se ha llevado a cabo y que la administración desea lograr una tasa de
utilidad diaria de $750.00. Esto significaría que algunas restricciones previas anexas deberían violarse. Sin
embargo, supongamos que las 60 y 40 horas representan la capacidad de producción de los departamentos de
ensamble y terminación en tiempo normal solamente, utilizando la fuerza laboral existente. El tiempo extra
podría utilizarse en cualquier departamento; por tanto, las desviaciones por encima como por debajo de las 40
y 60 horas serían factibles. La tasa de pago de horas extras es 3 veces más alta que la del departamento de
ensamble. Las metas prioritarias de la administración, de mayor a menor importancia, son las siguientes:
P1 = Lograr tasa diaria de utilidad perseguida de $750.00
P2 = Minimizar el tiempo ocioso en ambos departamentos.
P3 = Minimizar el tiempo extra en ambos departamentos
La formulación de la programación meta es:
Minimizar Z = P1(d1- + d1+) + P2(d2-+d3-) + 3P3d2+ + P3d3+
s. a.
15x1+25x2 +d1- -d1+ = 750 (Utilidad perseguida)
- +
x1 +3x2 + d2 -d = 602 (Horas de ensamble)
x1 +x2 +d3- -d3+ = 40 (Horas de terminación)
x1,x2,d ,d ≥ 0
i
-
i
+
Para todo i
Nota: En este ejercicio se han asignado pesos diferentes (cardinales) o prioridades dentro de una meta dada,
como también prioridades diferentes (ordinales o cardinales) a metas diferentes.
EJERCICIOS:
La agencia de publicidad Leon Burnit quiere determinar el programa de anuncios en TV para la Priceler Auto
Company. Priceler tiene tres objetivos:
Objetivo 1 Sus anuncios deben ser vistos por un mínimo de 40 millones de personas con ingresos altos (PIA)
Objetivo 2 Sus anuncios deben ser vistos por un mínimo de 60 millones de personas con ingresos bajos (PIB).
Objetivo 3 Sus anuncios deben ser vistos por un mínimo de 35 millones de mujeres con ingresos altos (MIA)
Leon Burnit puede comprar dos tipos de anuncios: los que aparecen durante los juegos de fútbol y los que
aparecen durante los melodramas; a lo más puede gastar $600,000.00 dólares. Los costos del comercial y las
audiencias potenciales de un anuncio de 1 minuto se muestran en la siguiente tabla:
PIA PIB MIA COSTO
Anuncio en el fútbol 7 millones 10 millones 5 millones 100,000
Anuncio en los melodramas 3 millones 5 millones 4 millones 60,000
Leon Burnit debe plantear un modelo de programación por metas que determine cuántos minutos comprar
durante el fútbol y cuántos durante los melodramas, reduciendo al mínimo la penalización total por ventas
perdidas. Dicha penalización, en miles de dólares es : $200.00 para la meta 1, $100.00 para la meta 2 y $50.00
para la meta 3
a) Elabora el modelo de programación por metas.
b) Supongamos que se añade a este modelo la restricción de que se debe cumplir con un
presupuesto de $600,000.00 dólares. Si se decide que se tenga una penalización de 1 dólar
por cada dólar de diferencia con esa meta, entonces ¿cuál sería la formulación correcta del
modelo modificado?.
c) Utiliza el método simplex para resolver este problema (modificado).
d) Utiliza LINDO para resolver este problema (modificado).
1.4.5 EJERCICIOS DE TAREA.
1. Considera el siguiente problema de inversión:
Se cuenta con $2’ 000,000 para invertir en 6 años. Los instrumentos de inversión, junto con sus respectivas
tasas de interés a ganar, se muestran en la siguiente tabla:
1 2 3 4 5 6 Años
1 )Acciones 15%
2 )Bonos 40%
90 %
3) Prestamos
60%
4) Bienes Raíces
7.5%
5) Ahorro
a) Formula el problema como un modelo de P.L.

b) Formula el problema como un modelo de metas, considera las siguientes metas:
1) Maximizar rendimientos.
2) Invertir cuando menos 400,000 en bienes raíces.
3) No tener invertido más de 700,000 en cualquier instrumento financiero.
c) Formula el modelo considerando que la meta 1 es tres veces más importante que la meta 2 y cinco veces
más importante que la meta 3
d) Formula el modelo considerando que la meta 1 es la más prioritaria, la 2 la que sigue y por último la meta
3.
2. Como cambia la función objetivo del modelo de la Schwim (para el caso de Metas múltiples y submetas),
si el costo del tiempo ocioso en el departamento de ensamble es del doble del departamento de
terminación
3. Resolver los problemas de Murty: 8.2, 8.5
Winston: Sección 14.1: 5,9,10
1.4.7. APLICACIÓN DE CASOS DE PROGRAMACIÓN POR METAS.

1. La Preslow Company fabrica tres clases de abrigos para caballeros: (A) deportivo, (B) Formal y (C)
Ejecutivo. Aún y cuando la compañía es un negocio familiar, la mayoría de los empleados no son
miembros de la familia. Debido a la naturaleza competitiva del negocio y a la gran demanda de mano
de obra de la industria, es de gran importancia mantener satisfechos a los empleados. Los
administradores de la Preslow consideran que una medida importante para satisfacer las necesidades
de sus empleados es ofrecerles empleo de tiempo completo, aun cuando esto exija producir en
exceso e incurrir en alguna pérdidas. por fortuna, los administradores esperan que las demandas de
sus productos siga siendo bastante elevada. De hecho, para satisfacer parte de la demanda, podría ser
necesario operar en tiempo extra.
Las tres líneas de abrigos de la Preslow se fabrican en dos departamentos. la siguiente tabla es un
programa semanal de requerimientos de mano de obra y materiales para el proceso de fabricación.
Los precios unitarios para las tres líneas son: $100, $150 y $250, respectivamente. Los
administradores han determinado que a un nivel normal de producción los costos variables son de
$70, $80 y $100 por abrigo, respectivamente. Los costos de tiempo extra son $2 por hora por encima
del salario normal para el departamento 1 y $3 para el 2. Los materiales extra pueden adquirirse a un
costo de $2 por yarda por encima del costo normal.
Los administradores de la empresa han pronosticado que la demanda del mercado para el abrigo
deportivo es de 1,000 unidades por semana, y la demanda de las otras dos líneas es de 500 y 200
unidades, respectivamente. El nivel de equilibrio de producción es de 100 unidades del producto uno
y 50 unidades de cada uno de los otros 2 productos.
Para ayudarse analizar el problema, los administradores de la Preslow han identificado, en orden de
prioridad, las siguientes metas:
1. utilizar toda la capacidad de producción disponible.
2. Alcanzar los niveles de producción de punto de equilibrio en cada una de las líneas de
producción.
3. dado que es probable que exista escasez de mano de obra en el departamento 2, y dado
que puede enviarse personal, en tiempo extra a ese departamento, el tiempo extra aquí
puede ser mayor que el del departamento 1. Sin embargo, el tiempo extra del
departamento 2 debe estar limitado a 600 horas. El tiempo extra del departamento 1 no
debe ser mayor de 200 horas.
4. Alcanzar una meta de utilidades semanales de $20,000
5. Satisfacer todas las demandas del mercado. Dentro de esta meta, deben utilizarse
ponderaciones distintas para reflejar la contribución unitaria normal a las utilidades
Requerimientos de productos (por unidad)

Deportivo Formal Ejecutivo Recursos (mano de
obra y materiales)
Departamento 1 4 horas 12 horas 10 horas 8,000 horas
Departamento 2 6 horas 6 horas 16 horas 4,000 horas
Material 8 yardas cuadradas 6 yardas cuadradas 12 yardas cuadradas 8,000yardascuadradas
Plantea el problema como un modelo de programación por metas.
2. La compañía de distribución Alpha suministra un solo producto a tres clientes en diversos sitios
desde bodegas diferentes. Durante el período de planeación considerado, la compañía no puede
cumplir la demanda de los clientes. Sin embargo, la compañía ha determinado que las demandas de
ciertos clientes deben satisfacerse a expensas de otros. Para evitar desequilibrios serios, es
importante balancear la porción de demanda satisfecha entre ciertos clientes. también debido a
acuerdos sindicales, la compañía debe satisfacer ciertos requisitos mínimos en los niveles de
embarque en ciertas rutas. Finalmente, varias de las rutas sobre las cuales se podría embarcar el
producto son peligrosas y deben evitarse.
A continuación se resume el problema de transporte y los costos de embarque se dan en cada una de
las celdas y los valores de demanda en los márgenes. Nota que la demanda total excede al suministro
total en 1,500 unidades.
Cliente 1 Cliente 2 Cliente 3 Suministro
Bodega 1 10 4 12 3000
Bodega 2 8 10 3 4000
Bodega 3 2000 1500 5000
La administración tiene la siguientes preferencias en las metas (en orden decreciente de importancia):
1. Satisfacer la demanda total del cliente 3 ( entrega garantizada)

2. Satisfacer por lo menos el 75% de la demanda de cada cliente.
3. Minimizar el costo de transporte para los artículos embarcados.
4. Embarcar por lo menos 1000 unidades en la ruta de la Bodega 2 al Cliente 1 (convenio
sindical)
5. Minimizar el costo de embarque en las rutas de la bodega 1 al cliente 3 y de la bodega 2
al cliente 2 (peligros).
6. Balancear el porcentaje de demanda satisfecha entre los clientes 1 y 2.
Plantear el modelo de programación meta.
3. La compañía Bevco ha desarrollado recientemente tres nuevos productos haciendo uso del exceso de
capacidad en sus tres plantas sucursales existentes. Cada producto puede fabricarse en cualquiera de
las tres plantas. El análisis ha mostrado que sería rentable utilizar el exceso de capacidad para
producir estos nuevos productos. En realidad, el propósito principal de la gerencia al desarrollar los
nuevos productos era lograr la utilización completa de la capacidad productiva de exceso sobre una
base rentable. Mientras que las plantas Bevco generalmente operan a capacidad plena en sus líneas
de productos existentes, la producción por debajo de la capacidad normal ocurre con poca
frecuencia, presentando problemas con la fuerza laboral. Aunque la compañía no necesita la fuerza
laboral plena durante los períodos de holgura, el costo de los despidos sería considerable, y Bevco
desearía evitar esto tanto como fuera posible.
Además, la gerencia desearía balancear la utilización del exceso de capacidad entre las plantas
sucursales. esto serviría para distribuir equitativamente la carga de trabajo del personal de
supervisores asalariados y reducir los agravios de la fuerza laboral que se le paga por horas, que de
otra manera se sentiría discriminada con respecto a las cargas de trabajo o a los despidos.
Para el período que se está considerando, las plantas tienen las siguientes capacidades de producción
en exceso ( en términos de unidades) de nuevos productos y capacidades de embarque disponibles
asignadas a los nuevos productos:
Planta Capacidad de exceso de producción (unidades) Capacidad de embarque (pies cúbicos)

1 750 12,000
2 300 10,000
3 450 6,500
Los productos 1, 2 y 3 requieren 30,20 y 15 pies cúbicos por unidad, respectivamente. Las
contribuciones unitarias a la utilidad de los productos 1,2 y 3 son $15 $18 y $12 respectivamente.
Los pronósticos de ventas indican que Bevco puede esperar ventas tan altas como 900, 1,000 y 700
unidades de los productos 1, 2 y 3 respectivamente, durante el período de planeación en
consideración.
Dada esta situación, la administración ha expresado las siguientes metas de preferencia en orden de
importancia decreciente.
1. Lograr una utilidad perseguida de $15,000
2. Utilizar tanto, como sea posible, la capacidad de exceso. Debido al bajo costo de la
mano de obra, la administración cree que es 1.5 veces más importante utilizar la
capacidad de exceso de la planta 1 que la de las plantas 2 y 3.
3. Lograr un balance de la carga de trabajo en la utilización de exceso de capacidad entre
todas las plantas. debido a ciertas demandas adicionales de los trabajadores de la planta
1, la administración cree que si ocurre algún desbalance en la carga de trabajo, es dos
veces más importante favorecer a la planta 1 con menor trabajo con respecto a las
plantas 2 y 3.
4. Lograr el pronóstico de ventas para el producto 2, puesto que éste tiene la mayor
contribución a la utilidad por unidad.
5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las ventas
pronosticadas.
6. No exceder la capacidad de embarque disponible.
Plantear el modelo de programación meta.
2. TEOÍA DE REDES
2.1 MODELOS DE REDES
Una red es una construcción matemática formada principalmente por dos conjuntos: un conjunto de nodos (N)
y un conjunto de arcos (A), estos dos conjuntos están relacionados de tal forma que cada arco está siempre
definido por un par de nodos. La figura 1 muestra un ejemplo sencillo de una red, la cual consta de cinco
nodos (representados con círculos) y de siete arcos (representados con líneas).

1
4
1 3 5
Figura 1 : Red
Los modelos de redes son muy usados debido a su estructura, aún cuando es muy simple, sirve para capturar
las variables y relaciones importantes existentes en muchos sistemas reales. El caso más importante es
precisamente en los sistemas de carreteras o vialidades. Por ejemplo la red de la figura 1 puede fácilmente
interpretarse con los arcos como tramos de carreteras y los nodos como ciudades o intersecciones de
carreteras. Adicionalmente los modelos de redes sirven para representar una gran cantidad de sistemas para
los cuales la interpretación no es tan directa como la descrita anteriormente. De manera arbitraria diferentes
modelos de redes pueden clasificarse como: redes físicas, redes logísticas y redes de programación.
2.1.1 REDES FÍSICAS

Estos modelos representan redes tales como las redes de: carreteras, vialidades urbanas, teléfonos, agua
potable, etc. Para este tipo de redes existe una relación directa entre los nodos del modelo y puntos o zonas en
el espacio y entre los arcos del modelo y tramos de infraestructura física. Dentro de las redes físicas, la
modelación de sistemas de carreteras o de vialidades urbanas cobra una gran importancia.
Para analizar el movimiento de transporte en una zona urbana, la atención se centra en las vialidades
principales ( las vialidades secundarias generalmente se omiten). La zona urbana en sí se divide en zonas, las
cuales se representan mediante nodos, localizados en el "centroide" de la zona. Estos centroides se conectan a
la vialidad principal mediante arcos artificiales. Otro tipo de nodos que se tienen son los que representan las
intersecciones de vialidades principales. En cuanto a los arcos, además de los arcos artificiales mencionados,
se tienen a los arcos que representan segmentos de la vialidad principal. En la figura 2 se tiene un ejemplo en
el cual los centroides y los arcos artificiales se representan con líneas punteadas y las intersecciones y
vialidades principales se representan con líneas continuas. Los modelos de redes de carreteras son muy
similares, excepto que los nodos y arcos artificiales son menos comunes. En estos modelos, los centroides de
zonas o regiones se acostumbran poner en ciudades importantes. De esta manera, los nodos de estas redes son
regularmente ciudades e intersecciones de carreteras, mientras que los arcos son tramos de carreteras.
1 2
6
5 selectos de investigación de Operaciones.
Temas 14
74 8 3
Figura 2 : Red de vialidades
2.1.2 REDES LOGÍSTICAS

Estas redes se usan para representar las decisiones logísticas en una empresa (almacenamiento, producción,
distribución, etc.). Generalmente los nodos están relacionados con puntos en el espacio, como en el caso
anterior, pero los arcos representan algo más abstracto que un tramo físico. Por ejemplo, en la figura 3 se tiene
una red en la que los nodos representan plantas y almacenes. Los arcos que los unen pueden representar toda
una serie de acciones logísticas para transportar producto de una planta a un almacén. Parte del transporte
podría ser realizado mediante ferrocarril y parte mediante autotransporte y todo estaría representado por un
solo arco. Estas redes se generalizan fácilmente para incluir además de plantas de producción, diferentes
niveles de almacenes (regionales, locales, etc) y de clientes (mayoristas, minoristas, etc).
Temas
1 selectos de investigación de Operaciones. 15
4
Figura 3: Red Logística
2.1.3 REDES DE PROGRAMACIÓN

En estas redes los nodos representan "eventos", esto es puntos en el tiempo y los arcos representan la
posibilidad de realizar alguna actividad. Por ejemplo en la figura 4 se tiene una red que representa al
problema de planeación de la producción. En este ejemplo los nodos representan cada uno de los meses del
año (excepto el nodo 0) y los arcos representan la posible realización de actividades de producción y de
conservación de inventario. Los arcos (0, i) indican la posibilidad de producción durante el mes i; los arcos (i,
i+1) la posibilidad de almacenar inventario del mes i al mes i+1. Los arcos que llegan al nodo 0 y al nodo 1
representan la posibilidad de producción y de tener un inventario inicial respectivamente. Los arcos que salen
de los nodos i representan la posibilidad de satisfacer la demanda del producto y de guardar producto en
inventario para el siguiente período. Otro ejemplo son las redes de actividades para la planeación de
proyectos. En estas redes los arcos representan la realización de actividades y los nodos representan la
terminación o inicio de estas actividades. En este caso, la red sirve también para modelar las relaciones de
precedencia entre distintas actividades del proyecto.
1 2 12
P1 P2 ........... P12
I0 I1 I2 I11 I I12
.......................
D1 D2 D12
Figura 4: Red de Programación
Combinaciones de uno o varios de estos tipos de redes dan lugar a "redes mixtas", por ejemplo, el problema
de planeación de la producción puede estar referido a un conjunto de plantas y a un conjunto de almacenes, lo
que daría lugar a una combinación de red logística y red de programación.
2.2 DEFINICIONES BÁSICAS DE REDES
2.2.1 GRÁFICAS Y REDES

Una gráfica G, se define como un conjunto N de nodos y un conjunto A de arcos, tales que cada arco se
define especificando un par de nodos. en forma matemática se escribe como:
G = (N, A)
Si el par de nodos es un par ordenado, lo cual significa que es importante la dirección del arco, se habla de
gráficas dirigidas. En este caso, cada arco tiene nodo inicial y un nodo final. La red de la figura 2 es una
gráfica no-dirigida, lo cual podría ser consecuencia de considerar solamente vialidades con movimientos en
ambas direcciones. Por el contrario, la red de la figura 3 tiene arcos dirigidos (representados con flechas),
debido a que el movimiento de producto es siempre de plantas a almacenes y no en ambas direcciones.
Una red también llamada gráfica ponderada, es una gráfica con "pesos" asociados a cada uno de los arcos. Un
peso es una función que a cada arco le asocia un número real y puede tener diversas interpretaciones tales
como las de distancia, tiempo o costo. En la red de la figura 2 cada arco podría tener un peso asociado
significando la distancia en el tramo de vialidad que representa.
Una red de flujo es una red en la que cada arco tiene asociada una variable, llamada comúnmente flujo. El
flujo puede interpretarse en el caso de una red de carreteras como la cantidad de vehículos o de bienes que
circulan en cada arco de la red. En otros casos, el flujo significa la cantidad que se tiene de alguna actividad
en los arcos de la red. Por ejemplo en la red de la figura 3. el flujo asociado con cada arco es la cantidad de
producto que se distribuye entre una planta y un almacén determinado. En el caso de la figura 4, el flujo en
algunos arcos indica la producción a realizar en algún período determinado y en otros la cantidad de producto
destinada a satisfacer la demanda o a guardarse como inventario. En redes de flujo, el peso asociado a cada
arco toma la interpretación de "impedancia" o resistencia al flujo, la cual aumenta con el flujo sobre el arco.
En estas redes, pesos tales como la distancia de un arco son menos usados, pues no dependen del flujo. En la
red de la figura 3, se podría tener un costo por cada unidad transportada entre una planta y un almacén y
entonces el costo total sobre el arco sería función de su flujo. Es común tener en redes de flujo otra función
asociada con cada arco, que es su capacidad, que significa la máxima cantidad de flujo que puede ocurrir en
un arco.
2.2.2 RUTAS Y CICLOS

Una ruta es una secuencia de nodos y arcos:
n0a1n1a2n2........aknk
en donde el arco ai = (ni-1,ni), lo cual garantiza "continuidad" en la secuencia. Una ruta siempre se define para
un par de nodos, siendo n0 el nodo inicial y nk el nodo final de ésta. Si los arcos de la ruta son dirigidos,
entonces se habla de una ruta dirigida. Por ejemplo, tomando la red de la figura 1, las siguientes secuencias
definen tres diferentes rutas entre los nodos 1 y 5:
1(1,3)3(3,5)5
1(1,3)3(3,4)4(4,5)5
1(1,2)2(2,4)4(4,5)5
Una ruta es simple si no usa ningún arco más de una vez. Una ruta es elemental si no usa ningún nodo más de
una vez. Si una ruta es elemental, necesariamente tiene que ser simple, pues una ruta que no es simple no
puede ser elemental ya que usar un arco más de una vez implica usar sus nodos también más de una vez. Las
tres rutas definidas anteriormente entre los nodos 1 y 5 de la figura 1 son elementales y por lo tanto simples.
Un ciclo es una ruta simple en la cual coinciden el nodo inicial y el nodo final. Es una secuencia de nodos y
arcos que regresan al nodo inicial sin repetir ningún arco. De esta manera, en la red de la figura 1, la
secuencia:
1(1,3)3(3,1)1
no es un ciclo, pues el arco (1,3) es igual al arco (3,1). Podría ser un ciclo si la red fuera dirigida y por lo tanto
los dos arcos mencionados fueran diferentes.
Al igual que en las rutas, existen ciclos dirigidos y no dirigidos, ciclos elementales y ciclos simples. Así un
ciclo simple no repite ningún arco y un ciclo elemental no repite ningún nodo, excepto el nodo inicial que
debe ser igual al nodo final. Un caso importante de ciclos es el ciclo Hamiltoniano, el cual es un ciclo
elemental que visita todos los nodos de la red. Un caso particular de ciclos es el anillo, el cual consiste de un
solo arco, el cual empieza y termina en el mismo nodo. En el ejemplo de la figura 1, las siguientes secuencias
son todas ciclos:
1(1,2)2(2,3)3(3,1)1
1(1,2)2(2,4)4(4,3)3(3,1)1
1(1,2)2(2,4)4(4,5)5(5,3)3(3,1)1
En el caso de la red dirigida de la figura 3, la secuencia:

1(1,4)4(4,2)2(2,3)3(3,1)1
es un ciclo, sin embargo no es un ciclo dirigido puesto que los arcos (4,2) y (3,1) no tienen la dirección
definida en la red. De hecho no existe ningún ciclo dirigido en toda esta red
2.2.3 CONEXIÓN Y ÁRBOLES

Un par de nodos en una gráfica están conectados si existe una ruta entre ellos. Una gráfica es conexa si
cualquier par de sus nodos están conectados entre sí. Una gráfica dirigida se dice que es conexa si la gráfica
resultante de no considerar la dirección de sus arcos es conexa. Un árbol es una gráfica conectada que no
contiene ciclos. Un árbol T es un árbol de expansión de una gráfica G si contiene todos sus nodos. En la red
de la figura 1, la gráfica T con conjunto de nodos N = {1,2,3} y conjunto de arcos A = {(1,2), (1,3)} es un
árbol, pero no es un árbol de expansión al no contener todos los nodos de la red original. Por otra parte, el
árbol T con N = {1,2,3,4,5} y A = {(1,2),(1,3),(3,4),(4,5)} es un árbol de expansión, al cumplir con la
definición de árbol y contener a todos los nodos de la red.
2.2.4 TIPOS DE GRÁFICAS
Algunos tipos importantes de gráficas son las gráficas: simple, completa y bipartita. Una gráfica simple es
aquella que no tiene anillos ni arcos paralelos. Dos arcos son paralelos si se definen con los mismos nodos. En
el caso de redes dirigidas, dos arcos son paralelos si tienen el mismo nodo inicial y el mismo nodo final. Una
gráfica completa es aquella gráfica simple que tiene un arco uniendo a cualquier par de nodos. Una gráfica
bipartita es una gráfica en la cual existe una partición del conjunto de nodos, de tal manera que cada arco tiene
un extremo en uno de los conjuntos y otro extremo en el otro. Una partición significa que todos los nodos
están en cualquiera de sus subconjuntos y que ningún nodo pertenece a más de uno de éstos. En el caso de
redes dirigidas se habla del conjunto de nodos origen y del conjunto de nodos destino y así cada arco empieza
en un nodo origen y termina en un nodo destino. Un ejemplo de gráfica bipartita es la mostrada en la figura 3,
en donde se puede observar que el conjunto de nodos origen comprende a los nodos 1, 2 y el conjunto de
nodos destino a los nodos 3, 4, 5.
2.2.5 REPRESENTACIÓN DE REDES

Una red se representa naturalmente en forma gráfica, con lo que se pueden apreciar fácilmente las relaciones
entre los diferentes elementos de la red. Sin embargo, esta representación no es la más adecuada para resolver
problemas que involucran modelos de redes. Matemáticamente, existen dos formas principales de representar
a una red: la matriz de incidencia y la matriz de adyacencia. Un nodo y un arco son incidentes si el nodo es
uno de los dos nodos que definen al mencionado arco. Dos nodos son adyacentes, si ambos definen a un
mismo arco.
Para definir estas matrices, se usará a n como el número de nodos de una gráfica y a m como el número de
sus arcos. La matriz de incidencia, U, es una matriz de orden n x m, en la que cada uno de sus elementos, Uij ,
toma un valor igual al número de veces que el nodo nj y el arco aj son incidentes. Este valor es usualmente
igual a 0 ó 1, excepto cuando se tiene un anillo, en cuyo caso un nodo y un arco inciden dos veces. La matriz
de adyacencia V, es una matriz de orden m x m, en la que cada uno de sus elementos, Vij, toma un valor igual
al número de arcos que los unen. Para gráficas simples, estos valores son solamente igual a 0 ó 1.
Para la red de la figura 1, la matriz de incidencia es U:
1 2 3 4 5 6 7
1 1 1 0 0 0 0 0
2 1 0 1 1 0 0 0
3 0 1 1 0 1 1 0
4 0 0 0 1 1 0 1
5 0 0 0 0 0 1 1
Para la misma red, la matriz de adyacencia es V:
1 2 3 4 5
1 0 1 1 0 1
2 1 0 1 1 0
3 1 1 0 1 1
4 0 1 1 0 1
5 0 0 1 1 0
Para redes grandes, lo usual es que estas matrices tengan una gran cantidad de elementos igual a cero, por lo
que casi no son usadas para almacenar los datos de una red en computadora. Una estructura de datos muy
usada para este fin es una lista llamada "estrella". En esta estructura los arcos son numerados en forma
sucesiva. Primero se numeran los arcos que empiezan con el nodo 1, luego los que empiezan con el nodo 2 y
así sucesivamente. Para los arcos que empiezan en el mismo nodo, se pueden numerar en forma ascendente
con respecto al nodo final. Una vez numerados los arcos, se guardan secuencialmente sus nodos inicial y
final, junto con un apuntador, apun( i ) , que para cada nodo i indica el primer arco que empieza con ese nodo.
Se puede tomar apun ( 1 ) = 1, y los arcos que salen del nodo i serán los arcos de apun ( i ) a apun ( i + 1 ) - 1
en la lista. En redes dirigidas se hace apun ( n + 1 ) = m + 1 y en redes no dirigidas apun ( k + 1) = m + 1,
con k igual al nodo inicial del último arco considerado.
Para la red de la figura 1 se tendrá:
i apun ( i )
1 1
2 3
3 5
4 7
5 8
arco nodo inicial nodo
final
1 1 2
2 1 3
3 2 3
4 2 4
5 3 4
6 3 5
7 4 5
8 - -
2.3 PROBLEMAS EN MODELOS DE REDES
2.3.1 DEFINICIÓN DE PROBLEMAS

Los problemas varían de acuerdo al tipo de redes son muy diferentes los problemas en redes que en redes de
flujo. Cuando se tiene una red, esto es una gráfica ponderada, los pesos usualmente significan distancia o
tiempo, por lo que los problemas típicos son los de cómo conectar entre sí los nodos de la red o que arcos
elegir para ir de u nodo a otro. Cuando se tiene una red de flujo el tipo de problemas es diferente, un problema
muy común es el de encontrar un flujo sobre la red que satisfaga ciertas restricciones al menor costo posible.
Otro problema sobre estas redes es encontrar el flujo máximo que puede circular sobre una red determinada.
2.3.2 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA

Como se definió anteriormente, un árbol de expansión mínimo es una red conectada, sin ciclos y que
comprende a todos los nodos de una red. Dentro de todos los posibles árboles de expansión que puede tener
una red, el mínimo es aquel que tiene la menor suma de los pesos en los arcos del árbol. Si el peso que se
tiene en la red es la distancia de cada uno de los arcos, este problema consiste en encontrar la forma más
económica de conectar entre sí a todos los nodos de una red. Este problema tiene una de las formas más
sencillas que existen para resolver problemas. En particular, algoritmos voraces obtienen al aplicarse en este
problema la solución óptima. Un algoritmo voraz, es un algoritmo que en cada iteración trata de obtener el
mejor valor posible con respecto a un objetivo sin preocuparse por las implicaciones que esto pueda tener en
subsecuentes iteraciones. Para este problema un algoritmo voraz es como sigue: ordenar todos los arcos de
menor a mayor peso. Construir un árbol escogiendo en cada iteración el arco con el menor peso que no haya
sido seleccionado y que no forme un ciclo con los arcos ya seleccionados. Terminar cuando todos los nodos
estén ya conectados.
2.3.3 PROBLEMA DE LA RUTA MAS CORTA

Este problema consiste en escoger aquella ruta entre dos puntos determinados que tenga la menor suma de los
pesos en cada uno de sus arcos. Usualmente los pesos se refieren a la distancia o al tiempo de viaje en cada
uno de los arcos de la red. Si la red es una red de carreteras o de vialidades urbanas, este problema consiste en
escogerlos arcos de la red más favorables para viajar entre un par de puntos de ésta. Este problema tiene
métodos eficientes de solución, algunos de los cuales se verán más adelante.
2.3.4 PROBLEMA DEL AGENTE VIAJERO

Este problema consiste en escoger un ciclo que visite a todos los nodos de una red y que tenga la menor suma
de los pesos en cada uno de los arcos del ciclo. Al igual que en el problema de la ruta más corta, los pesos se
refieren usualmente a distancias o tiempos de viaje. Este problema tiene aplicación para el diseño de las rutas
que deberá recorrer un vehículo al visitar un conjunto de clientes y retornar posteriormente a su base. A
diferencia del problema anterior, este problema no cuenta con un método eficiente para resolverlo, por lo que
los problemas que se modelan de este tipo, son pequeños o se resuelven solamente de manera aproximada.
2.3.5 PROBLEMA DE FLUJO A COSTO MÍNIMO

Dada una red de flujo, este problema consiste en encontrar el flujo que al menor costo posible cumpla con un
conjunto de restricciones. Estas restricciones son principalmente de tres tipos: restricciones de balance de
flujo, restricciones de capacidad y restricciones de no-negatividad. Las restricciones de balance de flujo
consisten en que para cada nodo, el flujo que entra al nodo debe ser igual al flujo que sale de él. Las
restricciones de capacidad dicen que para cada arco de la red, el flujo no debe exceder cierta cantidad. Las
restricciones de no-negatividad simplemente evitan que el flujo en cada arco sea una cantidad negativa.
Existen métodos eficientes para resolver este tipo de problemas.
Ejemplos de estos problemas se tienen en las redes de las figuras 3 y 4. En la red de la figura 4, las
restricciones de balance de flujo indican que en cada mes la cantidad producida más el inventario del mes
anterior deben ser igual a la demanda del producto en ese mes más la cantidad enviada a inventario para el
siguiente. Las restricciones de capacidad indican que hay límites en la cantidad a producir en cada mes o en la
cantidad que puede guardarse como inventario en cualquier tiempo. Las restricciones de no-negatividad se
tienen, dado que no tiene sentido hablar de flujos negativos, pues éstos significarían alguna cantidad
negativa a producir o guardar como inventario. El costo del flujo estaría dado a partir de costos unitarios de
producción y de conservación de inventario.
2.3.6 PROBLEMA DE FLUJO MÁXIMO

Este problema también está definido en redes de flujo, a diferencia del problema anterior, no se toman en
cuenta los costos del flujo en cada uno de los arcos de la red. En este problema se quiere, dado que se tiene
especificada la capacidad de cada arco, encontrar el flujo máximo que podría circular entre un nodo origen y
un nodo destino. Este flujo máximo debería adicionalmente cumplir con restricciones de balance de flujo y de
no-negatividad. Para este problema también se cuenta con algoritmos eficientes para resolverlos.

2.4 PLANTEAMIENTO DE MODELOS DE REDES
2.4.1 PROBLEMAS DE TRANSBORDO.

Si un problema de redes se refiere a la minimización de los costos de flujo de algún producto entre nodos, en
donde cada nodo puede ser un punto de abastecimiento, un punto de demanda, o ambos, entonces se considera
que el problema de redes es un problema de transbordo. El problema de transbordo es el más general de los
problemas de redes, dado que cada nodo puede tener al mismo tiempo oferta y demanda y no existen
restricciones sobre los flujos o sobre los tipos de nodos.
Ejemplo: La Ahab Oil Company tiene un solo campo petrolero desde donde envía todo el petróleo, a través
de un oleoducto, a uno de dos centros de embarque, en donde se almacena en buques tanque para su envío a
refinerías de Estados Unidos. La oferta diaria en el campo es de, 2,000 barriles. Deben considerarse los costos
del oleoducto, los costos de embarque y las cantidades de petróleo que pueden enviarse a través de los
oleoductos. Los costos del oleoducto y las capacidades diarias de éste, se muestran en la tabla 2.1. En la tabla
2.2 se presentan los costos de embarque de cada estación de embarque a cada refinería y las demandas diarias
de las refinerías. Plantear el problema en forma de Red y de Programación Lineal.
Instalación de envío Costo por barril Capacidad del oleoducto (en
barriles)
1 $0.20 1000
2 $0.15 500
Tabla 2.1 Costos y capacidades de los ductos
Refinería Costo de transporte por barril

Número Ubicación Desde centro 1 Desde centro 2 Demanda diaria
1 Nueva Jersey $0.10 $0.15 600
2 Houston $0.20 $0.25 800
Tabla 2.2 Costo de transporte y demandas
2.4.2 PROBLEMA TRANSPORTE.

Es un caso especial del problema de transbordo, en el que todos los nodos son o fuentes (nodos de oferta) o
destinos (nodos de demanda). En un problema de transporte no existen nodos de transbordo.
Ejemplo. La Boor´s Brewery Company elabora una cerveza que se distribuye a nivel nacional a partir de dos
fabricas de cerveza, Una en cada una de las costas de E.U.. La cerveza se envía a cuatro mayoristas que se
encargan de la distribución subsecuente, por lo que la Boor´s se ocupa sólo de la distribución a los mayoristas.
Los costos de distribución, por conjunto de 100 cajas que se envían a cada mayorista, se presentan en la tabla
2.3 , junto con la oferta mensual en cada fabrica y la demanda mensual de cada mayorista. Plantear el
problema en forma de Red y de Programación Lineal.
Fábrica de Albany Ames, Luckenbach, Needles, Oferta (en
cerveza N.Y. Iowa Tx Calif. cientos de cajas)
Silver, Wa $21 $15 $18 $9 550
Apple Chill, N.C. $10 $14 $16 $23 650
Demanda (cientos 200 250 400 350
de cajas)
Tabla 2.3 Costos de distribución
2.4.3 PROBLEMA DE LA RUTA MAS CORTA

Trata el problema de encontrar el camino más corto (el camino de longitud mínima) desde el nodo 1 hacia
cualquier otro nodo en la red.
EJEMPLO. Acabo de comprar (en el tiempo 0) un automóvil nuevo en 12,000 dólares. El costo del
mantenimiento anual de un automóvil depende de la edad del automóvil al inicio del año, como se da en la
tabla 2.4. Para evitar los altos costos de mantenimiento de un automóvil más viejo, puedo dar como adelanto
mi automóvil y comprarme un automóvil nuevo. El precio que recibo al dar como adelanto automóvil
depende de su edad al momento de la transacción (tabla 2.5). Para simplificar los cálculos, suponemos que en
cualquier momento, me cuesta 12,000 dólares comprar un automóvil nuevo. Mi meta es minimizar el costo
neto (costos de compra + costos de mantenimiento - dinero recibido por el automóvil viejo) incurrido durante
los próximos cinco años. Formula la red del modelo
Edad del automóvil (Años) Costo anual de mantenimiento (Dólares)

0 2000
1 4000
2 5000
3 9000
4 12000
Tabla 2.4 Costos de mantenimiento del automóvil
Edad del automóvil (años) Costo al dar precio (dólares)

1 7000
2 6000
3 2000
4 1000
5 0
Tabla 2.5 Precios del automóvil al darlo como adelanto
2.4.4 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA
La tarea consiste en construir un árbol que conecte todos los nodos de la red con un costo total mínimo, por el
momento, nos conformaremos con plantear la red del siguiente problema (más adelante construiremos el árbol
de expansión mínima).

EJEMPLO. Se va a instalar una red de comunicación entre doce ciudades. Los costos de los posibles enlaces
directos entre pares permisibles de ciudades aparece en la tabla 2.6. Cada unidad de costo representa 10,000
dólares.
A la ciudad
De la 1 2 3 4 5 6 7 8 9 10 11 12
Ciudad
1 4 1
2 4 6 3
3 6 6 7
4 6 1
5 1 4 9
6 3 4 5 7
7 7 5 2 2
8 1 2 2
9 9 5
10 7 5 3
11 2 3 1
12 2 1
Tabla 2.6 Costos de los enlaces de comunicación.
2.4.5 PROBLEMAS DE FLUJO MÁXIMO.

Se utiliza en aquellas situaciones que se modelan mediante una red, en la cual se considera que los arcos
tienen la capacidad de limitar la cantidad de un producto que se puede enviar a través del arco, desde un punto
de partida (nodo origen) hacia un punto final (nodo destino).
EJEMPLO. Fly -by-Night Airlines tiene que determinar cuántos vuelos se pueden programar entre Juneau,
Alaska, y Dallas, Texas. Los vuelos tienen que hacer escala en seattle y, después en Los Ángeles o Denver.
Debido la capacidad limitada de aterrizaje, Fly-by-Night tiene que limitarse a realizar el número de vuelos
diarios que se muestra en la tabla 2.7. Establezca un problema de flujo máximo, planteando la red del modelo.
CIUDADES NÚMERO MÁXIMO DE VUELOS DIARIOS

Juneau-Seattle ( J,S ) 3
Seattle- L.A. (S, L) 2
Seattle-Denver ( S, D ) 3
L.A.- Dallas ( L, D ) 1
Denver-Dallas ( D,D ) 2
tabla 2.7 Capacidades de arco para Fly-by-Night Airlines
NOTA.
Los problemas de flujo en redes con ofertas y demandas ya sean fijas o variables se representan con la
siguiente nomenclatura:
OFERTA:
(0, 10
10
Fija Variable
DEMANDA:
(0,20)
20
Fija Variable
• VARIABLES:
Actividades que se realizan entre los nodos ( o sobre los arcos)
• FLUJO:
Flujo factible: Balance de flujo en cada nodo (Flujo que entra = flujo que sale)
Flujo comprendido entre las cotas (inferior y superior) en cada arco.
• FUNCION OBJETIVO:
Min (Max) suma de costos (utilidades) sobre el conjunto de arcos:
• REPRESENTACION:
Cij (a,b)
i j
Xij
2.4.6 PROBLEMAS MULTIPRODUCTO

Planear la producción en los siguientes 4 meses, si se cuenta con la siguiente información:
Demanda por mes: 100,200,180,250 unidades
Para satisfacer la demanda: Producción durante el mes y se cuenta también con inventarios
Costos: Producción: $4 por unidad
Mantenimiento de inventario: $0.5 por unidad
Capacidad de producción:
Mes 1: 150 unidades
Mes 2: 180

Mes 3: 280
Mes 4: 270
2.4.7 PROBLEMAS VARIOS
2.4.7.1 Un proveedor de banquetes se tiene que proveer de manteles limpios, considerando la siguiente
información:
Planear n días
Demanda dj: Cantidad de manteles requeridos en el día j
Opciones:
- Comprar manteles nuevos con un costo de $a/pieza
- Lavar los manteles:
i. Servicio rápido (q días) con un costo de $b/pieza
ii. Servicio regular (p días) con un costo de $c/pieza
p>q y a>b>c
Plantea un modelo de redes de tal forma que su solución, nos lleve a encontrar la estrategia más barata si se
tienen los siguientes datos:
Si n = 6, dj = 50,60,80,70,50,60 para j = 1,2,3,4,5,6 P = 4 q=2 a = 200 b = 75 c = 25
2.4.7.2 Data Corporal produce computadoras en Boston y en raleigh. Boston puede producir anualmente
hasta 400 computadoras, y Raleigh puede producir anualmente hasta 300 computadoras. Los clientes
en Los Angeles tienen que recibir anualmente 400 computadoras, y hay que enviar anualmente 300
computadoras a los clientes de Austin. Cuesta 800 dólares producir una computadora en Boston y
900 dólares producir una computadora en Raleigh. Se transportan las computadoras en avión y se
puede mandarlas vía Chicago: En la tabla 2.8 se muestran los costos para enviar una computadora
entre dos ciudades.
a) Formula un modelo de Flujo de Redes a Costo Mínimo que se pueda utilizar para minimizar el costo total
(producción + distribución) para satisfacer la demanda anual de Data Corporal.
b) ¿Como cambiaría el planteamiento del inciso (a) si se pudiera enviar a lo más 200 unidades a través de
Chicago? (Sugerencia: Añade un nodo y un arco a la red del inciso (a)).
Desde/Hacia Chicago (dólares) Austin (dólares) Los Angeles (dólares)

Boston 80 220 280
Raleigh 100 140 170
Chicago - 40 50
Tabla 2.8

2.4.7.3 Braneast Airlines tiene que determinar cuántos aviones tendrían que dar servicio a la ruta Boston-
Nueva York-washington y cuáles vuelos tendrían que realizarse. Braneast puede realizar cualquiera
de los vuelos diarios mostrados en la tabla 2.9. El costo fijo para manejar un avión es de 800
dólares/día. Plantea un modelo de flujo de redes a costo mínimo que se pueda utilizar para
maximizar las ganancias diarias. (Sugerencia: cada nodo en la red representa una ciudad y una hora.
Además de los arcos que representan los vuelos, tenemos que prever la posibilidad de que un avión
estará en tierra durante una hora o más. Tenemos que asegurar que el modelo incluya el costo fijo
para manejar un avión. Para incluir este costo, se podrían incluir los siguientes arcos en la red: desde
Boston 7 p.m. a Boston 9 a.m.; desde Nueva York 7 p.m. a Nueva York 9 a.m.; y de Washington 7
p.m. a Washington 9 a.m.)
Ciudad Tiempo Ciudad Tiempo (dólares) (dólares)

Nueva York 9 a.m. Wash 10 a.m. 900 400
Nueva York 2 p.m. Wash 3 p.m. 600 350
Nueva York 10 a.m. Boston 11 a.m. 800 400
Nueva York 4 p.m. Boston 5 p.m. 1200 450
Wash. 9 a.m. Nueva York 10 a.m. 1100 400
Wash 3 p.m. Nueva York 4 p.m. 900 350
Wash 10 a.m. Boston 12 mediodía 1500 700
Wash 5 p.m. Boston 7 p.m. 1800 900
Boston 10 a.m. Nueva York 11 a.m. 900 500
Boston 2 p.m. Nueva York 3 p.m. 800 450
Boston 11 a.m. Wash 1 p.m. 1100 600
Boston 3 p.m. Wash 5 p.m. 1200 650
Tabla 2.9
2.4.8 ALGORITMO DE DIJKSTRA PARA RESOLVER EL PROBLEMA DEL CAMINO MÁS

CORTO
Se puede utilizar este método, al suponer que las longitudes de todos los arcos son no negativas. para empezar
se pone al nodo 1 la etiqueta permanente de nodo 0. Después ponemos a cada nodo i conectado al nodo 1
mediante un solo arco, una etiqueta de "temporal" igual a la longitud del arco que une el nodo 1 y el nodo i. El

resto de los nodos (menos el nodo 1) tendrá una etiqueta temporal de ∞. Se escoje el nodo con la etiqureta
temporal más pequeña y se convierte esta etiqueta en permanente.
Ahora se supone que el nodo i se ha convertido justamente en el ( k+1 )- ésimo nodo que recibirá una etiqueta
permanente. Entonces, el nodo i es el k-ésimo nodo más cercano al nodo 1. En este momento, la etiqueta
temporal de cualquier nodo (digamos, el nodo i' ) es la longitud del camino más corto del nodo 1 al nodo i'
que pasa solamente por nodos incluidos en los k - 1 nodos más cercanos al nodo 1. Para cada nodo j que
ahora tiene una etiqueta temporal y que está conectado al nodo i con un arco, se reemplaza la etiqueta
temporal del nodo j por:
etiqueta temporal actual del nodo j
min
etiqueta pert,manente del nodo i + longitud del arco (i,j)
La nueva etiqueta temporal para el nodo j es la longitud del camino más corto del nodo 1 al nodo j que pasa
solamente por nodos incluidos en los k nodos más cercanos al nodo 1. Ahora se convierte la etiqueta temporal
más pequeña en una etiqueta permanente. El nodo con esta nueva etiqueta permanente es el ( k+1)-ésimo
nodo más cercano al nodo 1. Se continua este proceso hasta que todos los nodos tengan una etiqueta
permanente. Para encontrar el camino más pequeño del nodo 1 al nodo j, regresar del nodo j, mediante la
obtención de los nodos que tienen etiquetas que difieren en exactamente la longitud del arco que los une.
naturalmente, si se quiere el camino más corto del nodo 1 al nodo j, se puede parar el proceso de poner
etiquetas en el momento que el nodo j reciba una etiqueta permanente.
Ejemplo. La CFE quiere mandar energía eléctrica desde la Central 1 (nodo 1) hacia la ciudad 1 (nodo 6), ésta
tiene que pasar por subestaciones relevadoras (nodos 2 -5 ) . En la siguiente figura se dan las distancias (en
millas) para cualquier par de nodos, entre los cuales se puede transportar la energía. La CFE quiere que la
energía que se manda desde la central 1 hacia la ciudad 1, viaje la menor distancia posible; por lo tanto, tiene
que encontrar el camino más corto. Resuelve utilizando el algoritmo de Dijkstra.
3
4 2 4
2
2
1 3 6
2
3
3 5
2.4.9 ALGORITMO VORAZ PARA RESOLVER EL PROBLEMA DEL ÁRBOL DE EXPANSIÓN

MÍNIMA
Es un algoritmo simple, que puede tener dos formas: Método gráfico y Método tabular.
2.4.9.1 MÉTODO GRÁFICO.
Paso 1: Comiéncese con cualquier nodo. Se escoge el arco más barato que parta de ese nodo. Este
es el primer enlace. Forma un segmento de conexión entre dos nodos. Los nodos restantes se les
llama desconectados
Paso 2 : Considérense todos los arcos que parten del segmento de conexión a los nodos
desconectados. Elíjase el más económico como el siguiente enlace. Rómpanse los empates de manera
arbitraria. Esto agrega un nuevo nodo al segmento de conexión. Repítase este proceso hasta que
todos los nodos estén conectados. Lo cual requiere de n-1 pasos.
2.4.9.2 MÉTODO TABULAR
Paso 1: Se comienza arbitrariamente con cualquier nodo. Se designa este nodo como conectado y se
pone una marca ( * ) al lado del renglón correspondiente a este nodo. Se tacha el índice de la
columna que corresponde a él.
Paso 2: Considerando todos los renglones que tengan una marca ( * ) , se busca el valor mínimo en
las columnas cuyo índice aún no haya sido tachado y se encierra ese valor en un círculo. Se rompen
los empates de modo arbitrario. La columna que contenga este elemento encerrado en un círculo
designa al nuevo nodo conectado. se tacha el índice de esta columna y se pone una marca en el
renglón correspondiente a este nodo. Se repite este paso hasta que todos los nodos sean conectados.
Paso 3: Una vez que todos los nodos hayan sido conectados, se identifica el árbol de expansión
mínima mediante los elementos circundados.
Ejemplo: Construye el árbol de expansión mínima del problema 2.4.4 (red de comunicación entre 12
ciudades)
2.4.10 ALGORITMO PARA RESOLVER EL PROBLEMA DE FLUJO MÁXIMO

El primer paso es elegir un camino con flujo factible. El flujo a lo largo del recorrido es factible si:
a) No se excede la capacidad de ningún arco del camino.
b) Con excepción de los nodos iniciales, el flujo en cada nodo debe satisfacer la
condición de conservación.
Flujo de entrada al nodo = Flujo de salida del nodo.
REGLA:
La cantidad máxima que puede fluir del origen al destino a lo largo de un camino es igual a la menor de las
capacidades de los arcos de dichos caminos.
En este algoritmo se deben considerar varios flujos de prueba, con el objeto de incrementar el flujo total a lo
largo de la red. Para esto, se necesita emplear el siguiente procedimiento. Siempre que asignemos un flujo a
un arco particular, nos atendremos a las reglas:
1. Se reduce la capacidad en la dirección del flujo asignado, por la cantidad de flujo
2. Se aumenta la capacidad en sentido opuesto por la cantidad del flujo.
PASO 1. Encuentra cualquier camino del origen al destino que tenga capacidad de flujo positiva. Es decir,
considerando todos los arcos del recorrido, la mínima de las capacidades en la dirección del flujo (origen-
destino) debe ser positiva. Si no hay tales caminos disponibles, se habrá encontrado la solución óptima.
PASO 2. Sea Cmin la capacidad mínima de flujo de entre todos los arcos seleccionados en el paso 1. Se
aumenta el flujo existente a través de la red al enviar un flujo adicionadle Cmin sobre este camino.
PASO 3. Por este mismo camino, se disminuyen las capacidades en la dirección del flujo en cada arco, en la
cantidad Cmin. Se aumentan las capacidades en la dirección opuesta en Cmin, para todos los arcos del
camino.
PASO 4. El flujo total de cada arco se determina comparando la capacidad final del arco con la capacidad
inicial. Para cada arco la regla es: Si la capacidad final es menor que la capacidad inicial, calcula la
diferencia. Esta es la cantidad de flujo a través del arco. En caso contrario la cantidad del flujo es igual a cero.
Ejemplo: Gloria tiene a su cargo la Comisión de Planeación de Desarrollo Urbano (UDCP) grupo de estudio
extensivo de especial interés. La responsabilidad normal de este grupo consiste en coordinar la construcción
del nuevo sistema de vías subterráneas con el departamento de mantenimiento de autopistas. Debido a la
construcción del nuevo sistema de vías subterráneas en las proximidades del periférico de la ciudad, el
tránsito en el borde oriental del periférico debe desviarse. La desviación planeada abarca una red de rutas
alternas que han sido propuestas por el departamento de mantenimiento de autopistas. Los diferentes límites
de velocidad y las vías de tránsito producen diversas capacidades de flujo en los distintos arcos de la red
propuesta (ver figura). Encuentra el flujo máximo para la red de este problema.
6 0
00
2 4 6 0
4 0 00
00 0 0
2 0
00 6
1
3 3
2 0
6 0 00
00 3 5
4 0
00
2.4.11 SIMPLEX PARA REDES ( PROBLEMA DE FLUJO MINIMO )

Resolver YAB = CB
Para cada Xij básica:
-Yi + Yi = Cij
Para cada Xij no básica:
Encontrar:
Yi + Cij < Yi
Paramos cuando:
para toda ij no básica.

Ejemplo: Red de apuntes.
3. CADENAS DE MARKOV
3.1 PROCESO ESTOCÁSTICO.
Supón que observamos alguna característica de un sistema de puntos discretos en el tiempo (que llamamos
0,1,2,....). sea Xt el valor de la característica del sistema en el tiempo t. En la mayor parte de los casos no se
conoce Xt con certeza antes del tiempo t y se puede considerar como variable aleatoria. Un proceso
estocástico de tiempo discreto es simplemente una descripción de la relación entre las variables aleatorias X0,
X1, X2.....
EJEMPLOS:
1. La ruina del jugador.- En el tiempo 0 tengo 2 dólares. En los tiempos 1,2,.... participo en un juego en el que
apuesto 1 dólar. Gano el juego con probabilidad p, y lo pierdo con probabilidad 1-p . Mi meta es aumentar el
capital a 4 dólares, y tan pronto como lo logre se suspende el juego. El juego también se suspende si mi
capital se reduce a 0 dólares. Si definimos que Xt es mi capital después del juego cuando el tiempo es t, si es
que lo hay, entonces se puede considerar que x0, x1,x2,.....,Xt, son procesos estocásticos de tiempo discreto.
Nota que X0 = 2 es una constante conocida, pero que X1 y las demás Xt son aleatorias. Por ejemplo, X1 = 3 con
probabilidad p y X1 = 1 con probabilidad 1-p. Nota que si Xt = 4, entonces Xt+1 y todas las demás Xt,, también
serán iguales a 4. Igualmente, si Xt = 0, entonces Xt+1 y todas las demás Xt serán 0 también.
X1 = 3 Probabilidad p
X0 = 2
X1 = 1 Probabilidad 1-p

Xt = 4 Xt+1 = 4 y Xt = 4 para toda t
Xt = 0 Xt+1 = 0 y Xt = 0 para toda t
2. En una urna que contiene bolas hay dos sin pintar. Se selecciona una bola al azar y se lanza una moneda. Si
la bola elegida no está pintada y la moneda produce cara, pintamos la bola de rojo; si la moneda produce
cruz, la pintamos de negro. Si la bola ya está pintada, entonces cambiamos el color de la bola de rojo a negro
o de negro a rojo, independientemente de si la moneda produce cara o cruz. Para modelar este caso como
proceso estocástico, definimos a t como el tiempo después que la moneda ha sido lanzada por tésima vez y se
ha pintado la bola escogida. En cualquier tiempo se puede representar el estado mediante el vector [u, r, b],
donde u es el número de bolas sin pintar en la urna, r el número de bolas rojas y b el de bolas negras. Se nos
dice que X0 = [2,0,0]. Después del primer lanzamiento una bola habrá sido pintada ya sea de rojo o de negro y
el estado será [1,1,0] ó [1,0,1]; por lo tanto, podemos asegurar que X1 = [1,1,0] ó X1 = [1,0,1]. Es claro que
debe haber alguna relación entre las Xt. Por ejemplo, si Xt = [0,2,0], podemos asegurar que Xt+1 [0,1,1].
3.2 PROCESO ESTOCÁSTICO DE TIEMPO CONTINUO.- Es simplemente un proceso estocástico en el

que el estado del tiempo se puede examinar en cualquier tiempo y no sólo en instantes discretos.
EJEMPLO: El número de personas en un supermercado a los t minutos después de abrir.
3.3 CADENA DE MARKOV.- Es un tipo especial de procesos estocásticos de tiempo discreto. Se supondrá
que en cualquier tiempo, el proceso estocástico de tiempo discreto puede estar en uno de un número finito
de estados identificados por 1,2,.....,S.
DEFINICIÓN: Un proceso estocástico e tiempo discreto se llama Cadena de Markov, si para t = 0,1,2,.... y
todos los estados:
(1)
En esencia la ecuación (1) dice que la distribución de probabilidad del estado en el tiempo t+1 depende de la
del estado en el tiempo t(it) y no depende de los estados por los cuales paso la cadena para llegar a it del
tiempo t.
también se hace la hipótesis adicional que para todos los estados i y j y toda t. P( Xt+1 = j / Xt = i)
es independiente de t. Esta hipótesis permite escribir:
(2)
Donde :
pij = Probabilidad de que dado que el sistema está en el estado i en el tiempo t, el sistema estará en el estado j
en el tiempo t+1.
Si el sistema pasa del estado i durante un período al estado j durante el siguiente, se dice que ha ocurrido una
transición de i a j. Con frecuencia se llaman probabilidades de transición a las pij en una Cadena de Markov.
La ecuación (2) indica que la ley de probabilidad que relaciona el estado del siguiente período con el estado
actual no cambia, o que permanece estacionaria, en el tiempo. Por este motivo a menudo se llama Hipótesis
de estabilidad de la ecuación (2). Toda Cadena de Markov que cumple con la ecuación (2) se llama cadena
estacionaria de Markov.
Otro concepto que se necesita definir es el de qi como la probabilidad de que la cadena se encuentra en el
estado i en el tiempo 0; en otras palabras:
P ( x0 = i) = qi.
Al vector q = [q1,q2,q3,....,qs] se le llama distribución inicial de probabilidad de la Cadena de Markov.
En la mayoría de las aplicaciones las probabilidades de transición se presentan como una matriz P de
probabilidad de transición de S x S . La matriz de probabilidad P se puede escribir como:
P11 P12............P1S
P21 P22...........P2S
P = . . .
. . .
. . .
PS1 PS2............PSS
dado que el estado es i en el tiempo t, el proceso debe estar en algún lugar en el tiempo t+1. esto significa que
para cada i:
también sabemos que cada elemento de la matriz P debe ser no negativo. Por lo tanto, todos los elementos de
la matriz de probabilidad de transición son no negativos; los elementos de cada renglón deben sumar 1.
Ejemplo: Encuentra la matriz de transición y la representación gráfica del ejemplo la ruina del jugador.
TAREA: Determina la matriz de transición del ejemplo 2

3.4 PROBABILIDAD DE TRANSICIÓN DE n ETAPAS.
Cuando se estudia una cadena de Markov con matriz P de probabilidad de transición conocida, una pregunta
de interés es: Si una cadena de Markov está en el estado i en el tiempo m, ¿cuál es la probabilidad de que n
períodos después la cadena de Markov esté en el estado j ?.
Utilizando la propiedad estacionaria de las cadenas de Markov se puede escribir:
Donde Pij(n) = Probabilidad en la etapa n de una transición del estado i al estado j.

Es calro que Pij(1) = Pij. Para determinar Pij(2) nota que si el sistema se encuentra hoy en el estado i, entonces
para que el sistema termine en el estado j dentro de 2 períodos, debemos pasar del estado i al estado k y
después pasar del estado k al estado j (ver figura). este razonamiento permite escribir:
(Probabilidad de transición de i a k)*(Probabilidad de transición de k a j)
Es decir:
(3)
El segundo miembro de la ecuación (3) es tán sólo el producto escalar del renglón i de la matriz P por la
columna j de esa matriz. Por lo tanto Pij(2) es el ij-ésimo elemento de la matriz P2. Generalizando este
razonamiento para n>1:
elemento ij-ésimo de Pn (4)
P1j
Pi1
2
Pi2 P2j
i
j
Pik
Pkj
k
P
Temasis selectos de investigación de Operaciones. 34
Psj
s
Tiempo 0 Tiempo 1 Tiempo 2
Para n = 0, Pi(0) = P(X0 = j / X0 = i) y, por lo tanto se debe escribir:
1 Si j = 1
Pij (0) =
0 En caso contrario
Ejemplo: Una industria de refresco produce dos colas. Cuando una persona ha comprado la cola 1, hay una
probabilidad de 90% de que su siguiente compra sea de cola 1. Si una persona compró cola 2, hay 80% de
probabilidades de que su próxima compra sea de cola 2. Resuelve lo siguiente:
1. Si actualmente una persona es comprador de cola 2 ¿cuál es la probabilidad de que compre cola 1
q
pasadas 2 compras1a partir de hoy?. 1
2. Si en la actualidad una persona es comprador de cola 1, ¿cuál es la probabilidad de que compre cola
P1j (n)
1, pasadas 3 compras a partir de ahora?.
q2
2
P2j (n)
Si se desconoce el estado de la cadena de Markov en el tiempo 0. Como se definió anteriormente, sea q i la
probabilidad de que la cadena esté en el estado i en el tiempo 0. entonces se determina la probabilidad
j de que
el sistema esté en el estado i en el tiempo n mediante el siguiente razonamiento:
P (n)
ij
qi k
Psj(n)
qs
s
Tiempo 0 Tiempo n
Probabilidad de estar en el estado j en el tiempo n = Probabilidad de que el estado original sea i)*(Probabilidad de pasar de
i a j en n transiciones)
= q (columna j de Pn ) (5)
Donde q = [q1 , q2 , q3 ,.....q n]

Ejemplo:
Del problema anterior, supongamos que el 60% de toda la gente toma hoy cola 1 y el 40% cola 2. A tres
compras a partir de ahora ¿qué fracción de los compradores estará tomando cola 1?

3.5 CLASIFICACION DE ESTADOS EN UNA CADENA DE MARKOV.
Considera la siguiente matriz de transición:
.4 .6 0 0 0
.5 .5 0 0 0
 
P = 0 0 .3 .7 0
 
0 0 .5 .4 .1

0 0 0 .8 .2 

.6 .7
.4
.5
.3 4
1 2 3
.4
.5 .5
.1
.8
.2
TRAYECTORIA.- Dados 2 estados i y j, la trayectoria de i a j es la sucesión de transiciones que comienzan
en i y terminan en j, de modo que cada transición de la secuencia tenga probabilidades positivas de
presentarse.
ESTADO ALCANZABLE.- Un estado j es alcanzable desde un estado i, si hay una trayectoria que vaya de i
a j. Ejemplo el estado 5 desde el estado 3 con la trayectoria 3-4-5
ESTADOS COMUNICADOS.- Se dice que 2 estados i y j se comunican si j es alcanzable desde i, e i es

alcanzable desde j. Ejemplo estados 1 y 2.
CONJUNTO CERRADO.- Un conjunto de estados S en una cadena de Markov es conjunto cerrado si ningún
estado fuera de S es alcanzable desde un estado en S. Ejemplo S1 = {1,2}
S2 = {3,4,5}.
ESTADO ABSORBENTE.- Un estado i es estado absorbente si Pij =1. Siempre que estemos en un estado de
absorción, nunca lo podremos dejar. En el ejemplo la ruina del jugador, los estados 0 y 4 son absorbentes. Es
natural que un estado absorbente sea un conjunto cerrado que solo contenga un estado.
ESTADO TRANSITORIO.- Un estado i es un estado transitorio si hay un estado j alcanzable desde i, pero el
estado i no es alcanzable desde el estado j.
En otras palabras el estado i es transitorio si hay manera de dejar el estado i de tal modo que nunca se regrese
a él. Ejemplo en el caso ruina del jugador llegamos a 4 por la trayectoria 2-3-4 y no se puede regresar a 2
desde 4.
ESTADO RECURENTE.- Si un estado no es transitorio, se llama estado recurrente. En el caso de la matriz

que estamos analizando, todos los estados son recurrentes.
ESTADO PERIÓDICO.- Un estado i es periódico con período k>1, si k es el menor número tal que todas las
trayectorias que parten del estado i y regresan al estado i tienen una longitud múltiplo de k. Ejemplo para la
cedna de Markov con matriz de transición:
1
1
0 1 0
P= 0 0 1
1 0 0
1 2 3
Cada estado tiene período 3. Por ejemplo, si comenzamos en el estado 1, la única manera de regresar a ese
estado es seguir la trayectoria 1-2-3-1 durante digamos m veces. Por lo tanto, cualquier regreso al estado 1
tomará 3m transiciones, de modo que el estado 1 tiene período 3. Donde nos encontremos tendremos la
seguridad de regresar allí tres períodos después.
ESTADO APERIODICO.- Si un estado recurrente no es periódico, se llama aperiódico.
CADENA ERGÓDICA.- Es aquella en la que todos los estados son recurrentes, aperiódicos y se comunican
entre sí.
EJERCICIOS:
1. Determina cual de las siguientes matrices de transición, corresponden a una cadena de Markov Ergódica:
1 / 3 2/3 0 
P1 = 
1 / 2 0 1/ 2 


 0 1/ 4 3 / 4

1 / 2 1 / 2 0 0 
1 / 2 1 / 2 0 0 
p2 =  
 0 0 2/3 1/ 3 
 
 0 0 1/ 4 3 / 4
1 / 4 1/ 2 1 / 4
p3 = 
2 / 3 1/ 3 0 

 0 2 / 3 1 / 3

2. En el ejemplo ruina del jugador ¿cuál es el período de los estados 1 y 3?

3. Se tiene la siguiente matriz de transición:
 0 0 1 0 0 0 
 0 0 0 0 0 1 
 
 0 0 0 0 1 0 
P = 
1 / 4 1 /4 0 1/ 2 0 0 
 1 0 0 0 0 0 
 

 0 1/ 3 0 0 0 2 / 3

(a) ¿Cuáles estados son transitorios?

(b) ¿Cuáles estados son recurrentes?
(c) Identificar todos los conjuntos cerrados de estados
(d) ¿Es ergódica esta cadena?
3. Para cada una de las siguientes matrices determine si la cadena de Markov es ergódica. También para
cada cadena, determina los estados recurrentes, transitorios y absorbentes.
0 .8 .2 
P1 = 
.3 .7 0

.4 .5 .1
.2 .8 0 0
0 0 .9 .1
P2 =  
.4 .5 .1 0
 
0 0 0 1
EJERCICIOS.

1. En Puebla, al 90% de los días soleados siguen días soleados, y al 80% de los días nublados siguen
días nublados. Con esta información modelar el clíma de Puebla como Cadena de Markov (Hacer la
matriz de transición).
2. Formula como una cadena de Markov el siguiente proceso. El programa de entrenamiento para los
supervisores de producción de cierta compañía contiene dos fases. La fase 1, que incluye 3 semanas
de trabajo en el aula, va seguida por la fase 2, consistente en un programa de aprendizaje de tres
semanas bajo la dirección de los supervisores ya trabajando. De la experiencia pasada la compañía
espera que el 60% de aquellos que inician el entrenamiento en el aula logren pasar a la fase de
aprendizaje, con el restante 40% que abandona completamente el programa de entrenamiento. De
aquellos que pasan a la fase de aprendizaje, 70% se gradúan como supervisores, 10% deberán repetir
la segunda fase y 20% quedan completamente fuera del programa. Elabora la matriz de transición.
3. Cada familia norteamericana se puede clasificar como habitante de zona urbana,rural o suburbana.
Durante un año determinado, el 15% de todas las familias urbanas se cambian a una zona suburbana
y el 5% se cambian a una zona rural. también el 6% de todas las familias suburbanas pasan a zona
urbana y el 4% se mudan a zona rural. Por último, el 4% de las familias rurales pasan a una zona
rural y el 6% se mudan a una zona urbana.
a. Si una familia actualmente vive en una zona urbana, ¿cuál es la probabilidad que después de
2 años viva en zona urbana?, ¿en zona suburbana? ¿en zona rural?
b. Supongamos que en la actualidad el 40% de las familias viven en zona urbana, el 35% en
zona suburbana y el 25% en zona rural. Después de 2 años, ¿qué porcentaje de las familias
norteamericanas vivirá en zona urbana?
4. ¿Cuál de las siguientes cadenas de Markov es ergódica?. Dibuja la red de cada una de ellas.
.4 0 .6
(a) P1 = .3 .3 .4
0 .5 .5
.7 0 0 .3
(b) P2 = .2 .2 .4 .2
.6 .1 .1 .2
.2 0 0 .8

3.6 PROBABILIDADES DE ESTADO ESTABLE
Las probabilidades de estado estable se usan para describir el comportamiento de una Cadena de Markov a
largo plazo. Están basadas en el siguiente teorema:
TEOREMA 1: Sea P la matriz de transición de una cadena ergódica a S estados. Existe entonces un vector π
= [π 1, π 2, ... π S] tal que:
π1 π 2  π S 
π π  π 
lim P =  1
n 2 S
n →∞     
 
π1 π 2  π S 
Este Teorema establece que para cualquier estado inicial i
lim Pij ( n) = π j
n →∞
Observa que para n grande Pn tiende a ser una matriz con renglones idénticos. Esto quiere decir, que después
de largo tiempo la Cadena de Markov se estabiliza, e independiente del estado inicial i, hay una probabilidad
π j de que nos encontramos en el estado j.
El vector π = [π 1, π 2, ... π S] se llama distribución de estado estable, o también distribución de
equilibrio para la Cadena de Markov.
Para encontrar la distribución de probabilidades de estado estable para una cadena dada cuya matriz de
transición es P, se hace el siguiente razonamiento:
Según el Torema 1, para n grande y para toda i,
Pij(n+1) ≅ (n) ≅ π j (6)
Pij = (Renglón i de Pn) (Columna j de P):

k =S
Pij ( n +1) = ∑πk Pkj (7)
k =1
Si n es grande, al sustituir (6) en (7):

k =S
Π j = ∑Πk Pkj (8)
k =1
En Forma matricial:
Π = ΠP (8’)
Este sistema de ecuaciones tiene número infinito de soluciones.
Para obtener valores únicos de probabilidades de estado estable, nota que para toda n y para toda i,
Pi1(n) + Pi2(n) + ..............+Pi(n) =1 (9)
Al hacer que n tienda al infinito:
∏+ ∏ +...... + ∏ =1
1 2 s
(10)
Esta última ecuación sirve para despejar las probabilidades de estado estable.
Ejemplo: Para el problema de refresco de cola, encuentra la probabilidad de que después de largo plazo una
persona compre cola 1 y la probabilidad de qu, en el largo plazo, una persona compre cola 2.
3.7 ANALISIS DE ESTADO TRANSITORIO.

El comportamiento de una cadena de Markov antes de alcanzar el estado estable se llama comportamiento
transitorio (o a corto plazo). para estudiar el comportamiento transitorio de una cadena de Markov, tan sólo se
usan las fórmulas para Pij(n) de las ecuaciones (4) y (5) que ya hemos estudiado.
EJEMPLO DE TOMA DE DECISIONES USANDO PROBABILIDAES DE ESTADO ESTABLE.

Suponga que en el ejemplo de las colas, cada cliente hace una compra de cola durante cualquier semana (1
año = 52 semanas. Suponga que hay 100 millones de clientes de cola. El costo de producir una unidad de cola
es de $1 y se vende a $2. Una empresa de publicidad garantiza por 500 millones de pesos al año, un
decremento:del 10% al 5% de la fracción de consumidores de cola 1, que se cambian a cola 2 después de una
compra. ¿La compañía que fabrica la cola 1, debe contratar a la empresa de publicidad?.
3.8 PROBABILIDADES DE EQUILIBRIO.
∏ (1 − P ) = ∑∏ P
j ij
k≠j
k kj (11)
Probabilidad de que una transición determinada deje al estado j = Probabilidad de que una transición
determinada entre al estado j.
La ecuación (11) dice que en el estado estable, el “flujo” de probabilidad hacia cada estado debe ser igual al
flujo de probabilidad que sale de cada estado. esto explica porque las probabilidades de estado estable se
llaman con frecuencia probabilidades de equilibrio.

3.9 TIEMPOS PROMEDIOS DE PRIMER PASAJE
En una cadena ergódica sea mij = número esperado de transiciones antes de alcanzar por primera vez el estado
j, dado que estamos actualmente en el estado i. mij se llama tiempo promedio de primer pasaje del estado i al
estado j.
En el ejemplo de las colas, m12 sería el número esperado de botellas que adquiere un comprador de cola 1,
antes de comprar una botella de cola 2. Suponga que estamos ahora en el estado i. Entonces, con probabilidad
Pij, necesitaremos una transición para pasar del estado i al estado j. Para k ≠ j pasamos a continuación, con
probabilidad Pik, al estado k. En este caso, se necesitará un promedio de 1+m kj transiciones para pasar de i a j.
este modo de pensar indica que:
mij = Pij (1) + ∑Pik (1 + m kj )
k≠j
como:
Pij + ∑Pik = 1
k≠j
Se reformula la última ecuación como :

mij = 1 + ∑Pik mkj (13)
k≠j
Con (13) se pueden encontrar todos los tiempos promedios de primer pasaje.
También se tiene que:
1
mij =
∏ i
Ejercicio: Para el caso de refresco de cola, encuentra el número de botellas de cola 1 que un cliente consume
antes de consumir una botella de cola 2. Encuentra también el número de botellas de cola 2 que el cliente
consume antes de consumir una botella de cola 1.
3.10 CADENAS ABSORBENTES.

Son aquellas en las que algunos de los estados son absorbentes y el resto son transitorios:
En una cadena absorbente, si comenzamos en un estado transitorio, entonces al final
tendremos la seguridad de dejar el estado transitorio y terminar en uno de los estados
absorbentes
EJEMPLO DE CUENTAS POR COBRAR
Una empresa supone que una cuenta es incobrable si han pasado más de 3 meses de su fecha de vencimiento.
Entonces, al principio de cada mes, se puede clasificar cada cuenta en uno de los siguientes estados
específicos:
Estado 1: Cuenta nueva
Estado 2: Los pagos de la cuenta están retrasados 1 mes.
Estado 3: Los pagos de la cuenta están retrasados 2 meses.
Estado 4: Los pagos de la cuenta están retrasados 3 meses.
Estado 5: Se ha saldado la cuenta.
estado 6: Se ha cancelado la cuenta por mal pago.
Para simplificar el ejemplo, se considera que después de 3 meses, la cuenta o se cobra o se considera
incobrable.
Suponga que los últimos datos indican que la siguiente cadena de Markov describe como cambia el estado de
una cuenta de un mes al siguiente:
0 .6 0 0 .4 0
0 0 .5 0 .5 0
0 0 0 .4 .6 0
0 0 0 0 .7 .3
0 0 0 0 1 0
0 0 0 0 0 1
Una vez que una deuda se paga o se considera incobrable, se cierra y no se tienen más transiciones. Por lo
tanto, pagada e incobrable son estados absorbentes. Como toda cuenta al final o se paga o se considera
incobrable, las cuentas nuevas, 1 mes, 2 meses y 3 meses son estados transitorios.
Para toda cadena absorbente se desea conocer:
1) Si la cadena empieza en un estado transitorio determinado, y antes de alcanzar un estado absorbente,
¿cuál es el número esperado de veces que se llegará a un estado? ¿cuántos períodos esperamos pasar en
un determinado estado transitorio antes de que se efectúe la absorción?
2) Si una cadena inicia en un estado transitorio dado, ¿cuál es la probabilidad de terminar en cada uno de los
estados absorbentes?
Para contestar estas preguntas, se necesita formular la matriz de transición con los estados en una lista con el
siguiente orden: Primero las S-m estados transitorios (t1,t2,...,ts-m)y después los m estados absorbente
(a1,a2,.....am). Entonces la matriz de transición para la cadena de absorción se escribe como:
S-m columnas m columnas
Q R
S-m renglones
P=
m renglones I
0
Donde:
I = matriz identidad mxm; refleja el hecho de que nunca podremos dejar un estado absorbente
Q = Matriz (S-m)x(S-m) .Representa las transiciones entre los estados transitorios.
R = Matriz (S-m)x(m) . Representa las transiciones desde los estados transitorios a los absorbentes.
0 = Matriz mx(S-m) consta de ceros.Refleja el hecho de que es imposible ir de un estado absorbente a uno
transitorio.
Aplicando esta notación al caso de Cuentas por cobrar:
t1 =Nuevo
t2= 1 mes
t3 = 2 meses
t4= 3 meses
a1 = Pagadas
a2= Incobrables

Ejercicio: escribe la matriz de transición en el orden que siguen las cadenas absorbentes. Identifica la matriz
Q y la matriz R.
Ahora estamos en condiciones de contestar las 2 preguntas antes planteadas:

1) Respuesta. Si en este momento estamos en el estado transitorio ti, el número esperado de períodos que
pasarán en un estado transitorio tj antes de la absorción es el ij-ésimo elemento de la matriz (I-Q)-1.
2) Respuesta. Si en este momento estamos en un estado tarnsitorio i, la probabilidad de ser absorbidos
finalmente por un estado absorbente aj es el ij-ésimo elemento de la matriz (I-Q)-1R.
La matriz (I-Q)-1 a menudo se llama Matriz Fundamental de la Cadena de Markov.
EJERCICIO.
Del caso de Cuentas por cobrar, resuelve lo siguiente:
1) ¿Cuál es la probabilidad de que una cuenta nueva sea cobrada alguna vez?
2) ¿Cuál es la probabilidad de que una cuenta atrasada un mes se vuelva incobrable?
Si las ventas de la empresa son 100,000 dólares en promedio mensual ¿cuánto dinero será incobrable cada
año?
PROBLEMAS.
1. Al Principio de cada año, mi automóvil está en un estado bueno, regular o malo. Un buen automóvil será
bueno al principio del año siguiente, con probabilidad .85, regular con probabilidad .10 y malo con
probabilidad .05. Un automóvil regular estará regular al principio del año siguiente con probabilidad .70
y malo con probabilidad .30. Cuesta 6000 dólares comprar un buen automóvil, uno regular se puede
conseguir por 2000 dólares; uno malo no tiene valor de venta, y se debe reemplazar de inmediato por
uno bueno. Cuesta 1000 dólares al año el funcionamiento de un buen automóvil, y 1500 dólares el de uno
regular. ¿Debo reemplazar mi automóvil tan pronto como se vuelve regular, o debo esperar hasta que se
descomponga?. Suponga que el costo de funcionamiento de un automóvil durante un año depende del
tipo de vehículo que se tiene a la mano al principio del año ( después de llegar cualquier auto nuevo,. si
es el caso).
2. Se tienen 2 acciones. Las acciones 1 siempre se venden a 10 dólares o 20 dólares. Si hoy las acciones 1 se
venden a 10 dólares, hay una probabilidad de .80 de que mañana se vendan a 10 dólares. Si las acciones 1
se venden hoy a 20 dólares, hay una probabilidad de .90 de que mañana se vendan a 20 dólares. Las
acciones 2 siempre se venden a 10 dólares o a 25 dólares. Si se venden hoy a 10 dólares, hay una
probabilidad .90 de que se vendan mañana a 10 dólares. Si se venden hoy a 25 dólares, hay una
probabilidad .85 de que mañana se vendan a 25 dólares. En promedio, ¿qué acciones se venden a mayor
precio?.
3. Formúlese como una cadena de Markov el siguiente proceso. El fabricante de dentífrico Brillo controla
actualmente el 60% del mercado de la ciudad de León. Datos del año anterior muestran que 88% de
consumidores de Brillo continúan usándola, mientras que 12% de los usuarios de Brillo cambian a otras
marcas. Además, 85% de los usuarios de la competencia permanecieron leales a estas otras marcas,

mientras que el 15% restante cambio a Brillo. Considerando que estas tendencias continúan, determínese
la parte del mercado que corresponde a Brillo: a) en 5 años, y b) a largo plazo.
4. Un bosque consta de 2 tipos de árboles: los que tienen de 0 a 1.50 mts. de alto, y los que son más altos.
cada año muere, el 40% de los árboles que tienen menos de 1.50mts, el 10% se venden a 20 dólares cada
uno, 30% permanecen entre 0 y 1.50 mts y el 20% crecen más de 1.50 mts. Cada año el 50% de los
árboles de más de 1.50 mts. se venden a 50 dólares, el 20% se venden a 30 dólares y el 30% permanecen
en el bosque.
a) ¿Cuál es la probabilidad de que muera un árbol de 0 a 1.50 mts. antes de venderse?
b) Si se planta un árbol de menos de 1.50 mts. ¿Cuál es el ingreso esperado que se va a tener con ese
árbol?.
10.2 MODELOS DE PLANEACIÓN DE PERSONAL.

Se tiene una organización cuyos miembros se clasifican en cualquier punto en el tiempo en uno de los S
grupos (identificados como 1,2,.....,S).
Durante cada período, una fracción pij de los que inician un período en el grupo i, al siguiente inician en el
grupo j. también, durante cada período, una fracción Pi, S± 1 de todos los miembros del grupo i dejan la
organización. se pueden definir las siguientes variables:
P = matriz S X (S+1) cuyo elemento ij es Pij
Hi = Miembros del grupo i, contratados por la organización al principio del período.
Ni(t) = Número de miembros del grupo i al principio del período t.
Una pregunta de interés es saber si Ni(t) tiende a un límite a medida que crece t o no. Si existe el límite, lo
llamaremos Ni; si cada Ni(t) tiende a un límite, llamamos a N = (N1,N2,....Ns) el Censo de estado estable de la
organización..
Si existe Censo de estado estable, éste se encuentra al resolver un sistema de S ecuaciones que se plantea
como sigue:
Debe ser válido que, para i = 1,2,3,....,S
Número de personas que ingresan al = Número de personas que salen del
grupo durante cada período grupo durante cada período (14)
(14')
H i + ∑N k Pki = N i ∑Pik
k ≠i k ≠i
Dados las Pij y las Hi, se utiliza la ecuación (14) para encontrar el censo de estado estable.
Dadas las Pij y un censo deseado de estado estable se utiliza (14') para hallar H1, H2,..Hs que logre el censo
deseado.
EJEMPLOS:
1. Suponga que se puede clasificar a cada mexicano en uno de 3 grupos : niños, adultos que trabajan, o
retirados. Durante un período de un año, 0.959 de los niños aún son niños, 0.04 de los niños pasan a
ser adultos que trabajan y 0.001 de los niños mueren. Durante cualquier año 0.96 de los adultos que

trabajan permanecen como tales, 0.03 pasan a ser retirados y 0.01 mueren. También 0.95 de los
retirados permanecen retirados y 0.05 de los retirados mueren. Nacen 1000 niños cada año.
a. Determina el censo de estado estable.
b. Cada persona retirada recibe una pensión de $5000.00 por año. El fondo de pensión se
sufraga con pagos de los adultos que trabajan. ¿Cuánto dinero debe aportar cada adulto que
trabaja, al año, para el fondo de pensión?
2. La empresa de abogados Mason y Burger emplea 3 categorías de abogados: principiantes, con
experiencia y socios. Durante un año determinado hay una probabilidad de 0.15 que un abogado
principiante sea ascendido a abogado con experiencia y una probabilidad .05 de que deje la empresa.
también, hay una probabilidad .20 que un abogado con experiencia sea ascendido a socio y una
probabilidad .10 que deje la empresa. También hay una probabilidad .05 que un socio deje la
empresa. La empresa nunca degrada a un abogado.
a. ¿Cuál es la duración promedio de un abogado joven recién contratado en la empresa?
b. ¿Cuál es la probabilidad de que un abogado joven salga siendo socio?
c. ¿Cuál es la duración promedio que pasa un socio en el bufete?
d. Suponga que la meta a largo plazo de este bufete es tener 50 abogados principiantes, 30 con
experiencia y 10 socios. Para alcanzar este censo de estado estable ¿Cuántos abogados de
cada tipo deben contratar cada año?

00032019

Enviado por

Dados do documento

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

00032019

Enviado por

Direitos autorais:

Formatos disponíveis

1.

1.2 PROGRAMACIÓN META.

Temas selectos de investigación de Operaciones. 1

 Si el atributo 1 es pi del atributo 2, y el atributo 2 es pi del atributo 1, entonces el atributo 1 es mutua y

Temas selectos de investigación de Operaciones. 2

-Por cada meta

Componentes en la F.O. (minimizar

-Resticciones Estructurales (no tienen que ver con las metas)

15x1 +25x2 +d1- - d1+ = 600 (Utilidad perseguida) Restricción meta

Temas selectos de investigación de Operaciones. 4

1.4.2 EJEMPLO METAS MÚLTIPLES.

Considera la información que se presenta en la siguiente tabla:

*El producto 2 no debe exceder 90 unidades al mes.

1.4.3 EJEMPLO METAS MÚLTIPLES CON PRIORIDAD.

Minimizar Z = P1(d1- + d1+) + P2(d2-+d3-)

1.4.4 DIFERENCIAS ENTRE EL SIMPLEX DE PROGRAMACIÓN DE METAS Y EL SIMPLEX

2. Resuelve el ejemplo de METAS MULTIPLES CON PRIORIDAD Utilizando el método simplex.

Temas selectos de investigación de Operaciones. 8

a) Formula el problema como un modelo de P.L.

1.4.7. APLICACIÓN DE CASOS DE PROGRAMACIÓN POR METAS.

Requerimientos de productos (por unidad)

Plantea el problema como un modelo de programación por metas.

1. Satisfacer la demanda total del cliente 3 ( entrega garantizada)

Plantear el modelo de programación meta.

Planta Capacidad de exceso de producción (unidades) Capacidad de embarque (pies cúbicos)

Plantear el modelo de programación meta.

Temas selectos de investigación de Operaciones. 13

2.1.1 REDES FÍSICAS

2.1.2 REDES LOGÍSTICAS

Figura 3: Red Logística

2.1.3 REDES DE PROGRAMACIÓN

Temas selectos de investigación de Operaciones. 16

Figura 4: Red de Programación

2.2 DEFINICIONES BÁSICAS DE REDES

2.2.1 GRÁFICAS Y REDES

2.2.2 RUTAS Y CICLOS

En el caso de la red dirigida de la figura 3, la secuencia:

2.2.3 CONEXIÓN Y ÁRBOLES

2.2.5 REPRESENTACIÓN DE REDES

Para la red de la figura 1, la matriz de incidencia es U:

Para la misma red, la matriz de adyacencia es V:

2.3 PROBLEMAS EN MODELOS DE REDES

2.3.1 DEFINICIÓN DE PROBLEMAS

2.3.2 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA

2.3.3 PROBLEMA DE LA RUTA MAS CORTA

Temas selectos de investigación de Operaciones. 20

2.3.4 PROBLEMA DEL AGENTE VIAJERO

2.3.5 PROBLEMA DE FLUJO A COSTO MÍNIMO

2.3.6 PROBLEMA DE FLUJO MÁXIMO

Temas selectos de investigación de Operaciones. 21

2.4.1 PROBLEMAS DE TRANSBORDO.

Refinería Costo de transporte por barril

2.4.2 PROBLEMA TRANSPORTE.

2.4.3 PROBLEMA DE LA RUTA MAS CORTA

Edad del automóvil (Años) Costo anual de mantenimiento (Dólares)

Edad del automóvil (años) Costo al dar precio (dólares)

Temas selectos de investigación de Operaciones. 23

2.4.5 PROBLEMAS DE FLUJO MÁXIMO.

CIUDADES NÚMERO MÁXIMO DE VUELOS DIARIOS

2.4.6 PROBLEMAS MULTIPRODUCTO

Temas selectos de investigación de Operaciones. 25

Si n = 6, dj = 50,60,80,70,50,60 para j = 1,2,3,4,5,6 P = 4 q=2 a = 200 b = 75 c = 25

Desde/Hacia Chicago (dólares) Austin (dólares) Los Angeles (dólares)

Temas selectos de investigación de Operaciones. 26