Aplicaciones de Algebra Lineal PDF

APLICACIONES DEee APLICACIONES DE Atcesra LINEAL Stantey I, Lie GrossMAN Traductor: Mat. Alfonso Leal Guajardo Instituto Tecnolégico y de Estudios, Superores de Monterrey (TESW) Monterey, México Profesor ~ Departamento de Matematices Universidad Panamericana - México, De Revisor Técnico: Ing. Francisco Paniagua Bocanegra Universe Nociona AutSnama de Mésco (UNAM) Grupo Editorial Iberoamérica ss ‘io Gans Ni 0-8 Mca, DE = TeAPLICACIONES DE ALGEBRA LINEAL Versién en espanol de Ia obra Applications for Elementary Linear Algebra — ‘Third Buition, por Stanley 1. Grossman. Edicién original en inglés publicada por Wadsworth, Inc., Copyright © 1987, en Estados Unidos de América ISBN 0-534-07425-1 D.R. © 1988 por Grupo Editorial Iberoamériea, S.A. de C.V. y/0 Wadsworth Internacional/Tberoamérica, Belmont, California 94002, Ninguna parte de este libro puede ser reproducida, archivada 0 transmitids on forma alguna o mediante algin sistema, ya sea clectrénico, mecinico, de fotorreproduccién, de almacenamiento en memoria 0 cualguicr otro, sin el previo y expreso permiso por escrito de Grupo Editorial Toeroamérica y/o Wadsworth Internacional/Tberoamérica, division de Wadsworth, Inc. ISBN 968-7270-40-3, Impreso en México Ealtor: Nicolas Greve P. Proeditor: Francisco Paniagua B. Producior: Oswaldo Ortiz R. Cubierta: Louis Neibeise Grupo Editorial Theroamérica, S.A. de C.V. Rio Ganges No. 64 - Col. Cuauhtémoc - 06500 México, D.F. Apdo. 5-192 - Tels. 5112517, 5530798 Reg. CNIEM 1382PUN 163 Pe oe 5.2 GQ\an (se) uF El estudio del Algebra Lineal tiene una importancia central en el plan de estudios de mateméticas a nivel de licenciatura, al menos por dos razones. La primera ¢s que el dlgebra lineal tlena el vacio entre el estudio del cdlculo de una va- Table y el estudio de las funciones de varias variables. Es necesario entender lo que sucede en espacios distintos de los conocidos: (el plano) y RP (el espa. cio de tres dimensiones). Ademds, el curso de algebra lineal es frecuentemente ¢l primero que se imparte de mateméticas “puras’". Es un curso en el que las demostraciones son tan importantes como la manipulacién de ecuaciones. Segundo, un conocimiento de las herramientas bésicas del «lgebra lineal es necesario para una gran variedad de aplicaciones. Estas aplicaciones se pueden encontrar en administracién, economia, biologia, psicologia, fisica, quimi ca, y en las ciencias sociales. Por es0, se requiere que estudiantes de disci. plinas muy distintas tomen un curso en algebra lineal. Debido a que el algebra lineal es una materia muy amplia, y a que muchos cursos de tal materia sélo duran un trimestre o un semestre, a menudo se necesita minimizar el aspecto de las “‘aplicaciones”». Muchos textos le dedican poco més que un somero muestreo a tales aplicaciones. Por todo lo anterior, este libro trata de ser puente entre la teoria y la apli- caci6n. Originalmente se pensé como complemento dela obra del suscrito 4! Ige- bra Lineal, 2a. edicién (Grupo Editorial Iberoamérica, 1988), pero puede usarse como complemento de cualquier texto esténdar de Algebra lineal. Por supuesto, las aplicaciones que contiene no son exhaustivas. Pero he tratado de incluit una muestra suficientemente grande para estimular las inquietudes del lector. Los requisitos previos se han mantenido en un minimo. La mayoria de los capitulos son, excepto cuando se indica lo contrario, autosuficientes, y Ia max Yor parte sOlo requiere nociones basicas de las matrices, tales como reduccién Por renglones, productos de matrices e inversién de matrices. El concepio mas dificil de los valores y vectores caracteristicos se necesita iinicamente en los Capitulos $ y 12. vvi PROLOGO Veamos algunas observaciones sobre la notacién utilizada. Ejemplo 2.3.4 — hace referencia al Ejemplo 4 de la Seccién 2.3. B — Indica que se usé una caleuladora o que se necesita en el ejemplo 0 problema en cuestién. Me) — Se usa.en la reduccién por renglones de una matriz: multipliquese el renglén i por ¢. Por ejemplo, M,(~3) significa que el renglén 2 se multiplica por ~3 125 irasneae ee (: 5 6} Mi-3) (2 -15 -x) 7.8 9, ae ‘A, fo) — Seusa en la reduccién por renglones de una matriz: multipliquese el renglén i por c y siimese el resultado al renglén j. Por ejemplo, ‘A;a(~4) significa multiplicar el rengl6n 2 por —4 y sumar el resultado al renglén 3: fas 1 2 a (: 5 ‘) Art) ( 4 5 6 ) 7 8 9/ ——~* \-44@)+7 -46)48 -46)+9) 1 2 3 -{ 4 5 ‘) =. PIS 85. P; — Se usa en la reduccién por renglones de una matriz: permitense los renglones iy j. Por ejemplo, P,, quiere decir permutar (o sea, inter- cambiar) los rengiones 2 y 3. seme tind seg a(ree te wage see Na 576, Se coloca una marca de estrella () antes de un problema para indicar que se trata de uno més dificil. Reconocimientos. Parte del material en los Capitulos 1, 2, 5 y 9 aparecié por primera vez en el libro titulado Mathematics for the Biological Sciences (Macmillan, Nueva York, 1974), en el que figuraban como autores James E. Turner y el suscrito. Estoy muy agradecido al profesor Turner por su autoriza- cin para usar ese material. Espero que al utilizar esta obra, el lector se yea animado a aplicar las técni- ‘cas del dlgebra lineal a sus propias reas de interés. Por lo menos, conviene que ahora mismo comience a apreciar la extensa aplicabilidad de una discipli- nna que tuvo st inicio hace poco mas de cien afios con la labor del gran matemé- tico briténico Sir William Rowan Hamilton (1805-1865). STANLEY I. GROSSMANTabla de contenido Prélogo Vv Al estudiante Ix sal Programaci6n lineal 1 1.1 Desigualdades lineales en dos vectores. 1 Problemas 1.110 1,2° Programacién lineal: Introduccién 10 Problemas 1.2 22 1.3. Variables de holgura 27 Problemas 1.3 32 1.4 Método simplex I: Problemas de maximizacién estndar 34 Problemas 1.4 49 1.5 Método simplex II: Problema dual minimo 54 Problemas 1.5 61 cwuo Il Teoria de juegos 64 2.1 Juegos entre dos personas: Estrategias puras 64 Problemas 2.1 75 2.2 Juegos entre dos personas: Estrategias mixtas 78 Problemas 2.2 86 2.3 Juegos de matriz y programacién lineal 90 Provlemas 2.3 94 como PEP un modelo para estudio del transito 96 Seiad V Criptografia 101 viiviii CONTENIDO caniruto Vy Aplicaciones ala genética 101 Problemas 111 Aproximacién por minimos casiruo Vi cuadrados 113 6.1 Aproximacién por una linea recta 114 6.2 Aproximacién cuadratica = 117 Problemas 6.2 121 castro Vi I Teoria de los grafos 124 Problemas 131 cartnuto VI ll Analisis de insumo y produccioén (o de entradas y salidas) 133 Problemas 143 cwwolX Cadenas de Markov 147 9.1 Cadenas de Markov 147 Problemas 9.1 163 9.2 Cadenas de Markov absorbentes 168 Problemas 9,2 175 c«nuo & Un modelo aplicado en psicologia 179 Problemas 184 cwuo Ml Un modelo para las teorias de las colas 187 Problemas 192 canruto xl I un modelo de crecimiento de poblacién 193 Problemas 203 Respuestas a problemas seleccionados 205 indice 223Al estudiante Grupo Editorial Iberoamérica en su esfuerzo permanente de producir cada vez mejores textos, pone en tus manos esta nueva obra, en la que se ha puesto la mds alta calidad en los aspectas teérico y diddctico, ast como en disefio y presentacién, con el objetivo de proporcionarte la mejor he- rramienta, no sdlo para facilitarte el aprendizaje sino tam- bién para hacérielo mds estimulante. Este, como cualquiera de nuestros libros, ha sido cui- dadosamente seleccionado para que encuentres en él un pi- lar de tu preparacién, y un complemento ideal a la ensefanza del maestro. Lo diddctico de la presentacion de sus temas hard que lo consideres el mejor auxiliar, y el que lleves a todas partes. Lo anterior es parte de nuestro propdsito de ser parttei- pes en una mejor preparacion de profesionales, contribu- yendo ast a la urgente necesidad de un mayor desarrollo de nuestros paises hispanohablantes. Sabemos que esia obra serd fundamental en tu biblio- teca, y tal vez la mds inmediata y permanente fuente de consulta, Como uno de nuestros intereses principales es hacer me- Jores libros en equipo con profesores y estudiantes, agra- deceremos tus comentarios y sugerencias 0 cualquier obser- vacidn que coniribuya al enriquecimiento de nuestras pu- blicaciones. Grupo Editorial Iberoamérica +. -presente en tu formacién profesionalCAPITULO 1.1 32 hoye, Programacion lineal Desigualdades lineales en dos variables En esta seccién se mostraré una manera de representar desigualdades lineales en dos variables. Las técnicas que aqui se presentan serén muy titiles para dis- cutir la programacién lineal en el resto de las secciones de este capitulo. Antes de enunciar las reglas generales, se presentan tres ejemplos. Ejemplo 1 Representar el conjunto de puntos que cumplen la desigualdad y > -2x + 3. Empezamos por dibujar la gréfica dela recta y = 2 + 3. Puesto quela recta se extiende indefinidamente en ambas direcciones, se puede considerar que esta recta (0 cualquier otra recta) divide el plano xy en dos semiplanos, En la Figura 1 se marcaron estos dos semiplanos como semiplano superior y semiplano inferior. El conjunto L = {(x, y): y = ~2x + 3} es el que contiene a los puntos que estén en la recta. Definimos otros dos conjuntos por medio de A={(xyiy> -2x4+3} y B= {Qyiy< 2x43} ‘Ya que para cualquier pareja (x, y) se cumple que y = —2x + 3, o bien y > “2x + 3,0 y < —2x + 3, se ve que cada punto en R? estd exactamente en. uno de los conjuntos Z, A o B. Es decir, RP=LUAUB Puede verse que A es precisamente el semiplano superior en la Figura 1. Para ver la razon, obsérvese Ia Figura 2. Sea (x*, »*) un punto en A. Entonees, por 1-semiplano ‘ifeior f semiplano Superior u la definicién de A, y* > —2x* + 3, de donde el punto (x*, y*) esta arriba de Ja linea y = —2x + 3, Esto es asf porque la coordenada y del punto (x*, y*) es mayor (es més alta) que la coordenada y del punto (x*, —2x* + 3), que est en la recta. Entonces el conjunto de los puntos que satisfacen y > —2x + 3 con- "4 * Desiguaidades lineales en dos variables © 3 siste precisamente en los puntos del semiplano superior, sombreado en la Figu- ra 3. La linea punteada en la figura indica que los puntos de la recta no satisfacen la desigualdad. Representar graficamente el conjunto de los puntos que cumplen la desigualdad y = -2x + 3. La tinica diferencia entre este conjunto y el del Ejemplo | esta en que en el nuevo ejemplo el conjunto incluye los puntos de la recta y = -2x + 3. Esto se indica como en la Figura 4, por medio de una recta continua. Representar el conjunto de los puntos que cumplen la desigualdad y < -2x + 3. @wr a=4 CAPITULO 1 = PROGRAMACION LINEAL Soucién Igual queen el Ejemplo 1, sea B = {(x, »):y<—2x + 3} y sea (&, 7) un punto de B. Entonces, como en la Figura 5, 7 <—2% + 3, de tal manera que el pun- to (% f) esta debajo de la recta y = —2x + 3. Asi que el conjunto de los puntos que satisfacen y <—2x + 3 es el conjunto de los puntos del semiplano inferior que se muestra en la Figura 6. Aqui también Ia linea punteada indi. ca que los puntos de la recta no se incluyen en el conjunto, q Ahora generalizamos los ejemplos. Desigualdad lineal Una desigualdad lincal en dos variables es una que se puede escribir en algu- en dos variables na de las cuatro formas ax+by>e w ax+byze (2) ax+by —c y si ax + by = c, entonces ~ax — by = -c. Existe un método sencillo que puede usarse para graficar el conjunto de los puntos que satisfacen una de esas cuatro desigualdades. Mostramos esto por medio de un ejemplo. en Ejemplo 4 Representar el conjunto de los puntos que satisfacen 2x — 3) <6. Soucién En la Figura 7(a) grafieamos primero la recta 2x — 3y = 6. Dado que ningin - =a “Seccion 1.1 + Desigualdades lineales en dos variables | 5 punto de la recta cumple la desigualdad dada, trazamos una recta punteada. Igual que en los Ejemplos 1, 2 y 3, el conjunto de los puntos que nos interesan consta de uno de los dos medios planos en los que queda dividido el plano ay por la recta. {Cual de los dos? La manera mas sencilla de elegir el semiplano correcto consiste en tomar un punto de prueba, que puede set (0, 0). Ahora, 2+ 0-3 + 0 = 0 <6, asi que (0, 0) se encuentra en el conjunto {(x, ») : 2x— 3p <6}. Entonces el conjunto de interés es el semiplano que contiene al punto (0, 0), como se indica en la Figura 7(b). ;Por qué se eligié el punto (0, 0)? Porque es el punto més facil de probar. Pero cualquier punto de prucba es bueno. Por ejemplo, probemos con el punto (4, ~2). En este caso, 24) - (-2) = 14> 6, Entonces, el semiplano que contiene al punto (4, ~2)-no es el semiplano que interesa. Los dos puntos de prueba nos conducen a la misma gréfica, Ahora enunciamos las reglas para graficar una desigualdad de una de las formas (1)-(4). Para graficar el conjunto de los puntos que cumplen una desigualdad lineal de Ia forma (1), (2), (3) 0 (4): 1. Tricese la recta ax + by = ¢, Hégase un trazo punteado si la igualdad no esta incluida en la desigualdad dada ((1) o (3)), 0 un trazo continuo si se trata de las formas ((2) o (4). . Escdjase un punto cualquiera de &? que no esté en la recta como punto de prueba. Si las coordenadas del punto de prueba cumplen la desigualdad, entonees el conjunto buscado es el semiplano que contie-6 CAPITULO 1» PROGRAMACION LINEAL ne al punto de prueba. En caso contrario, se trata del otro semiplan Observacién, Hemos visto que el conjunto de los puntos que satisfacen una desigualdad lineal es un semiplano. Si se excluye la igualdad, se dice que ¢l semiplano es un semiplano abierto. Si se incluye la igualdad, se dice que ¢l semiplano es un semiplano cerrado. Estas definiciones son semejantes a las de intervalos abiertos y cerrados. q Ejemplo 6 Graficar los puntos que satisfacen 4x + 2y = 4. Trazamos primero la grafica de la recta 4x + 2y = 4, usando trazo continuo porque se incluye la igualdad, Figura 8(a). Entonces, si (0, 0) es punto de prueba, se ve que 4(0) + 2(0) = 0, que no es mayor o igual que 4, por lo que (0, 0) no estd en el conjunto solucién. Entonces nuestro conjunto solucién es ¢l semiplano que se muestra en la Figura 8(b). aetna @ Graficar los puntos del plano cuyas coordenadas x cumplan 1 = x = 4. Este conjunto es Ia interseccién de dos semiplanos. La grafica del conjunto x < 4s el semiplano que esta a la izquierda de la recta x = 4 (sin incluirla). De manera similar, la grafica de x = 1 es el semiplano que esta a la derecha de Ia recta x = 1. Juntando esta informacién con la anterior, obtenemos la cinta infinita que se muestra en la Figura 9. a i1) Reprecentar el conjunto de los puntos que cumplen las condiciones -2 < x < 3y0 -2, x <3, y >Oyy < 5. Los tres primeros de estos semiplanos son abiertos y el cuarto es cerrado. Su interseccién es el rectdngulo de la Figura 10. Graficar el conjunto de los puntos que satisfacen las desigualdades x + 2y = Ly We + 3y <6 Empezamos con el trazo, en la Figura 11(a), de las rectas cuyas ecuaciones son x + 2p = 2y—2x + 3y = 6, Las coordenadas (0, 0) cumplen la segunda desigualdad, pero no la primera. Lo anterior quiere decir que el semiplano —Man. id 8 CAPITULO 1 © ~PROGRAMACION LINEAL ul ri {(x, »): -2x + 3y < 6}, que contiene a (0, 0), es el conjunto de los puntos que estan debajo de la recta -2x + 3y = 6, mientras que el semiplano {(x,9):x + 2y = 2}, que no contiene al punto (0, 0), ¢s el conjunto de los puntos que estén en la recta x + 2y = 20 arriba de esa recta. Por lo tanto, el conjunto de los puntos que cumplen ambas desigualdades ¢s la interseccién de estos dos semiplanos. Este conjunto solucién est4 mostrado en la Figura 11(b). anne ety 6 Graficar el conjunto de los puntos que cumplen las desigualdades x + y < 1 y 2x + yz 6 Los dos semiplanos que constituyen los conjuntos solucién de estas dos desigualdades se muestran en la Figura 12. Como estos dos conjuntos son disjun- tos, su interseccién es vacia y, por lo tanto, no hay ningiin punto que cumpla las dos desigualdades. ox + 2) = 6 tye1.1. * Desigualdades lineales en dos variables 9 ox +3ys6 a ee = 2 ees .>.0. Solucién Las rectas x + 3p = 6, x— y = 2y x = 0 (en el eje y) estan mostradas en Ja Figura 13. El conjunto solucién es la regidn limitada por esas lineas y mostrada més oscura. Ejemplo 11° Graficar el conjunto solucién de las desigualdades -xt ysl x+y <6 2x +3y>3 —3x + 824, Las rectas —x + y = 1, x + 2y = 6, 2x + 3y = 3, y 3x + By = 4se ven10 CAPITULO 1 + PROGRAMACION LINEAL en la Figura 14. El conjunto solucién de las cuatro desigualdades es la region sombreada en la figura. Obsérvese que en este caso la solucién es una regidn limitada por cuatro rectas y que tiene cuatro ‘‘esquinas””. ee ee SS Problemas 1.1 En los siguientes problemas, grafiquense los conjuntos de puntos que satisfacen las desigualdades dadas. 1 x3 2 y<2 &yo—4 4 xs} 5. y>d 6 xt+y>2 1 xtys2 8 &k-y<4 % xk-ye4 10. y-2x<4 i, x—2y>-4 2. 3x-y<3 13. y-3x>-3 4. y-3xs3 15. y+3x23 16. ys2x-5 Il, y>4x-3 18. x<—2y+7 19. ys4x-3 2. 3x+4y <6 UM. -3x+4y>6 2. 3x—4y 26 23. -3x-4y>6 y 3. 5-321 wm. 3-224 2. -36 30, x+2ys22e+4y24 40. x4 2y<22x4t4y>4 4, xtys2dxt+2y24 42. 3x — 4y <6,2x + 3y>3 43, -x+2y<4,3x+2y<6 44, —x+2y 5 43x + 2y$6,x20,y20 45. x—y<2xt326x20,y20 46, xt yrixtIeixtys3x20y20 pe 1.2 Programacion lineal: Introduccion El problema de determinar el maximo 0 el minimo de una funcién dada ocurre en muchas de las aplicaciones de las matematticas a los negocios, la economia, las ciencias bioldgicas y otras disciplinas. No ¢s dificil encontrar ejemplos deSeccién 1.2 * Programacién lineal: Introduccion 17 problemas de esa indole. Qué hace un hombre de negocios para maximizar las utilidades 0 para minimizar los costos? ;A qué tasa de cambio seré mas favorable el saldo de los pagos? ;C6mo se pueden satisfacer los requerimientos de alimento de un animal con un minimo gasto de energia? Los problemas de maximizacién y minimizacién estén sujetos a menudo a restricciones 0 limites en las variables. Por ejemplo, un hombre de negocios tiene siempre la limitacién que proviene de una cantidad finita de capital. Si tuviera sumas ilimitadas para invertir, podria obtener utilidades virtualmente ilimitadas. El supervisor de un almacén tiene un espacio limitado para almacenamiento. En biologia, las variables pueden estar limitadas por factores psico- I6gicos o por un espacio disponible limitado. Algunas de las restricciones son obvias por la mera definicién de las variables. Por ejemplo, el gerente de una tienda de departamentos no puede ordenar un mimero negativo de kilogramos de tomate. En este capitulo se considera el problema especial de maximizar o minimizar funciones lineales de varias variables sujetas a restricciones lineales. En vez de dar una definicién general del problema en este momento, empezamos mostrando varios ejemplos sencillos. $A Ejemplo 1 La Empresa de Muebles Lima fabrica mesas y sillas de comedor. Cada silla necesita 20 pies de tabla (p.t.) y 4 horas de trabajo. Cada mesa, 50 p.t. y solo 3 horas de trabajo. El fabricante tiene 3300 p.t. de madera disponible y un equipo humano capaz de proporcionar 380 horas de trabajo, Por tltimo, el fabricante ha determinado que hay una utilidad de $3 por cada silla vendida y $6 por cada mesa vendida, Para simplificar, supongamos que los materiales necesarios (como clavos o barniz) se tienen en cantidades suficientes. ;Cudntas mesas y sillas se deben producir para maximizar las utilidades, suponiendo que se vende todo objeto producido? I El problema, tal como esta planteado parece dificil —hay muchas cosas relacionadas en él—. Empezamos la simplificacién del problema anotando toda la informacién en una tabla. Tabla 1 Datos para la Empresa de Muebles Lima (ee 12) Total Material disponible Cantidad necesaria por unidad disponible Sila Mesa Madera (p.t.) 20 30 3300 Mano de obra (horas) 4 3 380 Utilidades netas por unidad (S) 3 6 TT Sea x el ntimero total de sillas y y el mimero total de mesas producidas por la compaiifa. Como se requieren 20 p.t. de madera para hacer una silla, hacen falta 20x p.t. de madera para hacer x sillas. Similarmente, se requieren SOy p.t.12 CAPITULO 1 * PROGRAMACION LINEAL de madera para producir y mesas. Asf que los datos del primer renglén de la Tabla 1 se pueden expresar algebraicamente por medio de la desigualdad lineal 20x + 50) < 3300, _Desigualdad de la madera De manera similar, la desigualdad lineal que representa la informacién del segundo renglon de la Tabla | ¢s 4x + 3y $380, Desigualdad de la mano de obra Estas dos desigualdades representan dos de las restrieciones en este problema Expresan en términos matematicos el hecho evidente de que la materia prima la mano de obra son cantidades finitas (limitadas), Existen dos restricciones x icionales. Ya que la empresa no puede fabricar cantidades negativas de los articulos, se debe cumplir que x20 -yuy20. Las utilidades obtenidas P cuando se producen x sillas y y mesas se expresan por (del tercer renglén de la Tabla 1) P=3 x + 6y, Ecuacién de las utilidades Juntando toda esta informacién, se puede enunciar el problema en una forma ‘que pronto se podrd reconocer como un problema de programacion lineal es- tdindar, Maximizar P= 3x + 6y a sujeto a las restricciones 20x + S0y < 3300 2 4x + 3y < 380 e) x20y20. 4) En este problema, la funci6n lineal* mostrada en (1) se llama la funciona objetivo. Cualquier punto del conjunto definido por las restrieciones se llama Solucién factible. Nuestro problema consiste en encontrar ¢l punto (0 puntos) del conjunto de las restricciones en el que la funcién objetivo toma su va" lor maximo, Nuestro primer método para resolver este problema va a emplear técnicas de la seccién anterior. Empezamos encontrando una solucién grafi- ‘Cando el conjunto de las restricciones, que es el conjunto solucién de las desigualdades, Esto se muestra en la Figura 1. Considérense las rectas 3x + oy =C para valores distintos de la constante C. En la Figura 2 se tratan algunas Ue las rectas. Cada una de las rectas 3x + 6y = Csse llama recta de utilidades constantes para este problema. Para ver por qué, considérese la recta 3x + 6) = 30. Para cada punto (x, )) que se encuentre en esta recta ¥ em el conjunto definido por las restrieciones, el fabricante obtiene una utilidad de $30. ‘algunos son (10, 0) (10 sillas ¥ ninguna mesa), (6, 2) (6 sillas y dos mesas), + Vease Seccién 2.2i — Seccién 1.2 * ProgramaciGn lineal: Introduccion 13 20x + Soy = 3300 ‘onjunto de restriciones = ‘onjunto de soluciones Facubles y (0, 5) (ninguna silla y $ mesas). Véase la Figura 3. Desde el punto de vista del fabricante, porque cada uno produce la misma utilidad de $30. Considérese ahora la recta de utilidades 3x + 6y = 60. Esta se encuentra a la derecha de la recta 3x + 6 = 30 y es una linea “més agradable” para el fabricante ya que cada punto de ella que esté en el conjunto de restricciones produce una utilidad de $60. Dos de tales puntos son (20, 0) y (12, 4). Ahora ya pueden verse las cosas un poco mis claras. Todas las rectas de utilidades constantes son paralelas entre sf (cada una tiene pendiente de ~1/2 y las utilidades aumentan al pasar a la derecha de una recta a la siguiente. Cada nueva linea (ala derecha) produce utilidades mas altas. Nuestro método consiste ahora en movernos a la derecha todo lo posible sin salirnos del conjunto de restricciones. De la Figura 3 se ve que la “‘tltima’” recta de utilidades constantes ¢s la linea que intersecta al conjunto de restricciones en un solo punto (65, 40). Esto quiere decir que se obtienen las maximas utilidades cuando se14 CAPITULO 1 + PROGRAMACION LINEAL ax + 67 = 5 +o i fabric $435. in 65 sillas y 40 mesas. Esto produce una utilidad de 3.65 + 6.40 = Nota. Puede parecer a primera vista que la empresa puede obtener mejores utilidades invirtiendo lo mas posible en las mesas, que son mas rentables. De la Figura 1, se ve que se puede llegar hasta 66 mesas (el maximo valor de ‘yen el conjunto de restricciones es 66), lo que produciria utilidades por un valor de 6.66 = $396. Por otra parte, la fabricaciOn de 95 sillas y ninguna mesa producirfa una utilidad de $195. Por lo tanto la empresa se encuentra en una mejor posicién si fabrica 65 sillas y 40 mesas. El método que se us6 en el Ejemplo 1 para resolver el problema de progra- macién lineal se llama método grifico. Este método muestra lo que pasa, pero es muy impréctico al usarse por dos razones: Primero, requiere la cla~ boracién de dibujos muy precisos para obtener la solucién; y segundo, s6lo se puede usar con problemas en los que intervienen dos variables porque las ard- ficas en tres dimensiones son complicadas de hacer y no se pueden dibujar es ‘quemas de més de tres dimensiones. Introducimos ahora otro método. Para eso, revisamos el Ejemplo 1. El pro blema consistia en maximizar P= 3x + 6y © sujeta a las restricciones 20x + Sdy < 3300 © 4x + 3y s 380 o -__ Secci6n 1.2 * Programacién lineal: Introduccién 15 x20 ®) y20. @) En la Figura 4 se vuelve a representar el conjunto de restricciones de este problema. El conjunto de restricciones es a interseccién de cuatro conjuntos: S, = {(x, ») : 20x + 50y = 3300}, S, = {(x, ») : 4x + 3y = 380}, S, = {Cx, ») 1x2 0}, y S, = {(x, 9): y = 0}. Cada uno de estos cuatro conjuntos es la so- lucién de una desigualdad lineal, y cada uno est limitado por una recta. La intersecci6n de dos cualesquiera de estas rectas es un punto del plano y, si el punto esté en el conjunto de restricciones, el punto se llama punto esquina del conjunto de restricciones. Se trata de un verdadero punto esquina si estd en el conjunto de restricciones; es decir, es un verdadero punto de tal clase si constituye una solucién factible. tal avec Memas 9 "iacal tar iacaw wee ally determinan el panto posible (GEzté ene conjunt de resieciones?) ea a San, ae nk a 2 Cee si, a Ee Ss Be ea) Ee hings la restriccién (7) ya que 4-165 + 3-0 = 660, quees >380.)16 carituo1 + Tabla 2 (ee. 12) le PROGRAMACION LINEAL (Continuacién) Panto Las dos rectas que eaquina-—=—=—«gSolucin faible? (;Verdadero punto esquina?) determinan el punto posible (GEsth en el conjunto de restrcciones?) 4x + 3y = 380 No. x=0 (°F) (Seintring ta restriccion (6) ya que 20-0 + 50-442 = 12999, que es >3300.) ic is os sae Sh aoe ie 4x + 3y = 380 Bee abs , |. (0,0) Si. El siguiente enunciado es verdadero. Los valores mdximos y minimos de la funcién objetivo en un problema de programacién lineal se encuentran siempre en puntos esquina. En nuestro problema hay cuatro puntos esquina verdaderos. Entonces, para encontrar una solucién basta evaluar la funcién objetivo en cada uno de los puntos esquina y escoger de entre ellos el que dé el valor maximo. Esto es lo que hacemos en la Tabla 3. Punto esquina P= 3x + Oy (65, 40) 3-65 + 6-40 = 435 Valor maximo (0, 65) 3-0 + 6-65 = 390 (95,0) 3-95 + 6-0 = 285 (0,0) 3-0+6.0=0 Asi queda claro, como se vio en el Ejemplo 1, que las maximas utilidades de $435 se obtienen cuando se fabrican 65 sillas y 40 mesas. Ejemplo 2 En el Ejemplo 1, supéngase que las utilidades son de $3 por silla y $10 por aEjemplo 3 ‘Secci6n 1.2 * Programaci6n lineal: introduccion = 177 mesa y que el resto de los datos permanecen inalterados. ;Cémo puede la empresa de muebles maximizar sus utilidades en estas condiciones? El problema consiste en maximizar P=3x+ loy sujeta a las restricciones 20x + S0y < 3300 4x + 3y < 380 x20y20. Ahora tenemos el mismo conjunto de restricciones que en el ejemplo al principio de esta seccién, En la Tabla 4 evaluamos la funcién objeto en cada uno de los cuatro puntos esquina que se obtuvieron antes. Se ve que las maximas utilidades, de $650 se logran cuando no se produce ninguna silla, sino sélo 65 mesas. Valor de ta funcién objetivo Punto esquina Padre Ioy (65, 40) 3-65 + 10-40 = 595 (0,65) 3-0 + 10-65 = 650 0503854 10-0 Bs (0,0) 3.0 +10-0 =0 Un lago de montafia en un parque nacional tiene en la primavera de cada aio dos especies de peces, S, y S,. El peso promedio de cada pez en el lago es de 4 libras para S, y de 2 libras para S,. Se dispone de dos tipos de alimento, S; y F;, Las necesidades promedio de un pez de especie S, son de 1 unidad de F, y 3 unidades de F; diariamente. Las necesidades correspondientes de S; son de 2 unidades de F, y 1 unidad de F;. Si se cuenta con 500 unidades de F, y 900 unidades de F; por dia, gedmo debe ser la cantidad de peces de cada clase para maximizar el peso de pescado que se pueda producir? Sean 2 y x3 los nimeros de peces que se mantienen en el lago, para las especies S, y S,, respectivamente. El peso total W de peces en el lago se expresa por w Xe, + 2x2. (10)18 CAPITULO 1» PROGRAMACION LINEAL El consumo total de alimento F, es dex, + 2x, porque cada pez de la primera especie consume una unidad de F, y cada pez de la segunda especie consume 2 unidades de F,. De manera similar, el consumo total del alimento F; es de 3x; + a. Ya que hay 500 unidades disponibles de F, y 900 unidades de F;, se tiene que 1 +2x, < 500 y 3x, +22 $900. ay Finalmente, se tienen las restricciones evidentes x20 -y m2 20 (12) porque no puede haber en el lago cantidades negativas de ninguna de las especies. Este es otro problema tipico de programacién lineal. Maximizar W = 4x, + 2x, sujeta a x, + 2x; < 500 (13) 3x, + x, < 900 a4) x, 20 (as) x20. (16)Table 5 ee. 13) ‘Secci6n 1.9 * Programacién lineal: introduccién 19° Resolveremos esto por el método del punto esquina. Para ver lo que esta pasando, graficamos el conjunto de restricciones. En la Figura 5, las rectas x, + 2x, = $00 y 3x, + ¥, = 900 se muestran en el plano x, x. En la Tabla 5 se presenta la informacién requerida en la resolucién de este problema. Valor de 12 Las dos rectas 2Soluctén facile? funcion objetivo ‘que determinan _esauina—_ (Punto exquina verdadero?) Wm 4x, + 2x, punto posible el punto esquna EGP Sect EEE ae Ts CLEL ho ls he oflebve onl pene 1 + 2x, = 500 1 2 3x, + x, =900 (260,120) Si. 1280 pe ae ES hs i x, + 2x, = 500 eae ©,250) 500 eS eee x + 2x; = 500 No. a (Se infringe la restriccién (14) No. Encontramos el valor maximo de 1280 en x = 260 y x, = 120, Esto significa que el lago puede soportar un peso maximo de 1280 libras si ha sido abaste- cido con 260 peces de la especie S, y 120 peces de la especie S. El director del servicio de agua en una ciudad encuentra una forma de proporcionar al menos 10 millones de galones de agua potable al dia (mgd). El suministro puede ser proporcionado por el depésito local o por medio de unas tuberias desde una ciudad vecina. El depésito local tiene un rendimiento diario de 5 mgd, que no puede ser sobrepasado. La tuberia no puede abastecer més de 10 mgd debido a su didmetro. Por otra parte, por acuerdo contractual, se bombearia como minimo 6 mgd. Finalmente, el agua del depésito cuesta $300 (délares) por millén de galones y el agua del abasto por tuberia cuesta $500 por millén de galones. ;Cémo podria el director minimizar los costos del suministro diario de agua?| 20 CAPITULO 1 + PROGRAMACION LINEAL. Solucién El simbolo.x denota la cantidad de galones del depésito y y la cantidad de galones (en millones de galones) de la tuberia que se bombea diariamente. El problema es entonces: Minimizar C = 300x + 500y sujeta a x+y 210 Para satisfacer las neesidades de la ciudad x $5 Capacidad det depesito y<10 — Capacidad de ta tuberin y 26 Contrato de ta tuberfa eae y20 El conjunto de restricciones de este problema se representa en la Figura 6. En la figura se puede ver que hay cuatro puntos esquina (véase la Tabla 6). q R Valor de la funcién objetivo C = 300r + S00y Punto esquina fen el punto esquina (0, 10) 5000 (5,10) 6500 4,6) 4200 6,6) 4500Secci6n 1.2 * Programaci6n lineal: Introduccion 21 El valor minimo de la funcién objetivo en los puntos esquina es de 4200, y se encuentra en el punto (4, 6). Esto significa que el director puede proporcionar 4 millones de galones al dia del depésito y 6 millones de galones al dia de la tuberia a un costo diario de 4 - 300 + 6 - 500 = $4200. En los ejemplos que se han considerado en esta seccién, se han presentado dos variables (que se llamaron x y yo bien x; y x. El método del punto esquina trabaja bien con més de dos variables, pero se puede requerir una cantidad enorme de trabajo para determinar los posibles puntos esquina. En la serie de problemas se pide al lector la resolucién de algunos problemas de programa- cién lineal que involucran tres variables, usando el método del punto esquina. Ya juzgaré el lector con qué rapidez los cilculos se vuelven mas y més compli- cados (véanse los Problemas 35-39). En las siguientes tres secciones se describe un método mucho mis eficiente para resolver problemas de programacién lineal en mas de dos variables. Ter- minamos esta seccién mostrando dos de las dificultades que se pueden presentar al resolver un problema de programacién lineal, Ejemplo 5 Resolver el siguiente problema de programacién lineal: Maximizar f= 2x +3y sujeta a x+ y2s 6x + 2y 2 12 x20,y20. Solucién En la Figura 7 se muestra el conjunto de restricciones. Esta claro que tanto22 —capituLo 1 * PROGRAMACION LINEAL secomo y pueden tomar valores arbitrariamente grandes sin salirse del conjun- to de restricciones. Por lo tanto f puede tomar valores arbitrariamente grandes, por lo que el problema no tiene solucién. En un caso como éste, se dice que el problema es no acotado. RO Ejemplo 6 Resolver el problema siguiente. Maximizar fax +3y sujeta a x+ y25 2x +3y 56 x20y20. Soluciin Las desigualdades lineales se representan en la Figura 8. Es evidente que el conjunto de restricciones es vacio. Por lo tanto no existen soluciones factibles y asi decimos que el problema es no factible. Wl w+ sys6 x20y20 Problemas 1.2 i 1. Encontrar para el Ejemplo 1 Ja combinacién de mesas y sillas que maximice las utilidades para e! fabricante si las utilidades son de $5 por silla y de $5 por mesa. ‘Supéngase que los demés datos no se alteran. a# 2 3, 5. *6. ’ r “Seccién 1.2 + Programacién lineal: Introduccion 23. Mats Gonibe Canad nce por wld agree Sila Mesa Madera (p.t.) 3040 11,400 ‘Mano de obra (horas) 4 ‘ ye Usilidades netas por unidad ($) 5 6 Responder la pregunta del Problema 1 si las utilidades son de $8 por silla y de $2 por mesa. Responder la pregunta del Ejemplo 1 usando los datos de la Tabla 7. Responder la pregunta del Problema 3 si las utilidades son de $2 por silla y de $8 por mesa sin cambiar los datos restantes Responder la pregunta del Problema 3 si las utilidades son de $8 por silla y de $82 por mesa. En el Ejemplo 1, supéngase que cada mesa necesita en su fabricacién la misma cantidad de madera y de mano de obra que una silla, Si las utilidades unitarias son de $3 por silla y de $4 por mesa, demuéstrese que si la madera y la mano de obra son limitadas, el fabricante siempre puede maximizar sus utilidades fa- bricando sélo mesas, En el Ejemplo 4, ge6mo puede el director de recursos hidrdulicos minimizar los costos sino hay limite inferior al niimero de galones de agua que debe hacer cir- cular a través de la tuberia? En los Problemas 8-20, resuélvase el problema dado de programacién lineal usando el método gréfico o el del punto esquina. Encuéntrense los valores de x y de y en los que se maximiza o se minimiza la funcién objetivo. Maximizar 9. Maximizar 10, Maximizar fax tay f= 4 43) faxty sujeta.a sujetaa sujeta a xtys4 xtys4 ax + 4y S12 ut+yss dkt+ys5 oxtys8 x20y20. x20y20. x2Qy20. Maximizar 12. Maximizar 13. Maximizar fades ay fades sy faSe+3y sujeta a sujeta a sujetaa xt ys4 Wx+ y 0 (si 2x, + Sx: <40), de modo que, en ambos casos, se tiene que s20 (4) La variable 5, es lo que se llama una variable de holgura. Neen eee ee Variable de holgura Considérese la desigualdad lineal en variables y1Xy + QyaXp $66 + Aye Sy (6) En este caso la variable de holgura s, esta definida por Sy = by — yay = Gy2%2 2 — Gann de tal manera que la desigualdad (5) es equivalente a 6 ar Ejemplo 2 _ Escribir el siguiente sistema de desigualdades lineales como un sistema de ecuaciones lineales con variables de holgura: 3x, + 2x, + Sxy < 10 6x, + 8x; + 12x, < 250. 0) Solucién Sean 5, = 10 — 3xy — 2x2 — Sx ®)bl 453 = 250 — 6x, — 8x, — 125. 0) Secclon 13 + Variables de holgura 29 y también. Entonces, por (7), se tiene que s, > 0 ys, = 0. Por ultimo, reescribiendo (8) y (9), obtenemos el sistema By +2n+ Sts, = 10 6x, + 8x, + 12x, +5, = 250 5,2 0,5, 20 A;.9(-2) significa que multiplicamos el primer renglén por -2 y sumamos el resultado al ‘segundo renglén, ‘Me(%) significa que multiplicamos el segundo rengién por %. Considérese el sistema de ecuaciones x, +2x, + 3xy + 5x, = 10 (10) 2xy + Ixy + 12xy+ xy = 44 Resolvamos el sistema por reduccién de renglones. SSID ies 2345410) 2-7 12 1) 44, 6 -9| 24, 3 5/10 2 -3| 8 ai-n (9 =1 11] -6 wr obs). 6, Hasta aqui podemos llegar. Ahora tenemos las ecuaciones (de la tiltima matriz aumentada) = ae es oA — x; + Ix, = -6 X2+ xy- 3r= 8 Las infinitas soluciones de este sistema se pueden escribir x, 2-64 x;— Ix, ay X= B= Dept Ixy 2) X3.Xq arbitrarias. En esta forma decimos que las variables x, y x; son variables bisicas y que las variables x, y x, son no biisicas. Es decir, las soluciones (11) y (12) del sistema (10) estan dadas en forma tal que las variables basicas se presentan en términos de las variables no basicas. ‘Not. Una de las soluciones de (10) se puede obtener inmediatamente a partir de (11) y (12) dandoles el valor de cero a las variables no bésicas. Si30 CAPITULO 1 + PROGRAMACION LINEAL 44 = % = 0, entonces x, = —6 x: = 8, y una solucién es (-6, 8, 0, 0). Ejemplo 3 Representar la solucién del sistema (10) con variables basicas x2 5 ¥ variables no basicas x, x4. Soucién El problema consiste en expresar x; y x, en términos de x; y x, De (11), se tiene que xy = 6 +X + Lx. (3) De (12), que usando (13) y= 8 — 2p + 3g 8 — 26 + Hy + Ilsa) + 30 mB 12 — 2x, — Dey + 3X4 = —4 — 2h — 19 Entonees, las soluciones de (10) se pueden escribir Xx, = —4— 2x, — 19x, r iy (a4) Xp Ope xy tly xp Xe arbitrarias, Esta misma respuesta se puede obtener de otra manera. Se vuelve a escribir el sistema (10) usando x, y x; como las primeras variables. 2xp + 3xy+ x1 + 5xq = 10 Ixy + 1x3 + 2xy + x= 44 Ahora, se hace reduccién por renglones. coeeree ew ee P aucn(t eHh wht ‘9 oO 1 -1 -1}6 El ultimo sistema es equivalente (recuérdese que x, y x, son las primeras variables) a x + 2m + 19x4= -4 xy- m—lx= 6 o bien xy = 4 = 2x — 1984 (as)Variables bésicas y no basicas Ejemplo 4 7 Secclén 13 + Vorlebles deholgura 34 DS 6+ x, + Iles. (16) Este es el sistema (14). ‘Nota. Se puede obtener otra solucién del sistema (10) dandoles el valor de cero a las nuevas variables no bésicas. Si x, = x, = 0, entonces, a partir de (15) y (16), % = —4 yx = 6. Una solucidn al sistema (10) es (0, —4, 6,0) Supéngase que un sistema de m ecuaciones en m incégnitas, con n > m, tiene un ntimero infinito de soluciones. Supéngase también que n — m de las variables Xp, %ne2s -+-1 %q 8 pueden escoger de manera arbitraria y que las variables restantes x), x2, ..-, %» Se pueden expresar en términos de Xp. Bipaay +04 Spe EMLONCLS, iy Xp «+ -5 %y $C Haman varables bisicas y Xp, Xmo2s x, se llaman variables no bisicas. Considérese el sistema de desigualdades lineales xy + 2x; + 4x $10 2x, + Sxa + Oxy < 30 1 + 3x; + 4xy < 50. (a) Escribir este sistema como un sistema de ecuaciones lineales introduciendo variables de holgura. (b) Resolver el sistema resultante tomando x,, x; y xj, como las variables bisicas y las variables de holgura como las variables no basicas. (@)_Definiendo las variables de holgura 5), s; y s como se hizo antes, se tie~ ne Xp xq + 4xy +5; =10 2x, + 5x, + 6x, +, 30 a7 x, + 3x, + 4xy +5, = 50 S528) 20 (b) Resolvemos este sistema de tres ecuaciones (m = 3) en seis incdgnitas 4 10 0/10 =2 -2.1 0/10 0 -1 0 1/4032 CAPITULO 1 PROGRAMACION LINEAL. Ax?) 8 5S -2 0-10 AweD 91 -2.-2 1 0| 10 1 ( 2 0 1 a z -1 1 4 2 4 30, -10 10 15 0 I 0 te FS —2 0. MM (0 1-2 -2 10 0 0 1 0 Aa /1 0 0 130 49 f0 10-1 0 1] 4 00 did shicncbhio aS, Ahora la matriz de coeficientes tiene la forma escalonada reducida y el sistema puede escribirse x + 5, +25, — 4s, = -130 ee +s= 40 ytd, —datiy= 15 © bien X= -130 — 5 — 2s; + 455 m= + 5-5 xy= 15-45, + ds — ds5. Como en el Ejemplo 3, se puede obtener una solucién del Sistema (17), dndo- les el valor de cero a las variables no bisicas. Si s, = s; = s; = 0, entonces X, = 130, x = 40, yx, = 15, y la solucién de (17) es (— 130, 40, 15, 0, 0, 0). En la siguiente secci6n se describird un nuevo método mucho més eficiente en la resoluci6n de problemas de programacién lineal. El primer paso de este método involucra la introduccién de variables de holgura, y en los pasos siguientes se hacen cambios de variables basicas y no basicas en el problema. Problemas 1.3 En los Problemas 1-5, escriba el sistema de desigualdades lineales como un sistema de ecuaciones lineales introduciendo las variables de holgura. Lomtms3 2x; $x: <7 3 2x + 510 3x, + 2x2 < 30 4x, + Ixy < 0 2. Gxyth—m <4 It +x tx <6 4 Sn t xy + 2x) < 15 2x, + 3xy + 7x < 12 4x, + 8x; + Sx, <8Secci6n 1.3 * Variables de holgura = 33. 8 Int atigt <8 3x1 + 2x2 + Sky + 12x, < 12 2x + 5x2 +8 + Dee 59 6. Considérese e! sistema x +24 <5 : 3x, + Tx < 20. (a) Escriba esto como un sistema de ecuaciones lineales, definiendo variables de holgura 5; y 5. (b) Escriba todas las soluciones de este sistema lineal con x, y x; como variables bésicas y 5, ys) como variables no bésicas. 7. En el Problema 6(b), escriba las soluciones con x, y s, como basicas y x, ¥ 5 como no bésicas. 8. En el Problema 6(b), escriba las soluciones con x ys, como variables basicas Y %; y 5; como variables no basicas. 9. Conteste las preguntas del Problema 6 para el sistema 2x, + 5x, 512 4x, + 9x, S20 10, En el Problema 9, escriba tas soluciones con x, y s; como variables basicas y x, y 5; como variables no basicas. En los Problemas 11-20, (a) escriba el sistema de desigualdades lineales como un sistema de ecuaciones lineales introduciendo variables de holgura. (b) Re- ‘suelva el sistema escribiendo las variables bdsicas en términos de las variables no basicas. MW. x +2x + xy <8 2x, + Sez + Sxy 535 Basicas: x, xz No basicas: 54, 525 x3 Bo xt2gt+ x <8 2x, + Sxz + Sxy < 35 Basicas: x3, x5 No bésicas: xy, 5, 53 8. x, +355 2x, + Tx, < 20 3x, + 8x2 S40 Basicas: x, x2, 51 No basicas: 52, 55 1 x +2e+ <8 xy + Sua + Sxy 535 Basicas: X,, 51 No basicas: x3, x3, 52 M. tnt <8 Dey + Sez + Sxy < 35 Basica 282 No basicas: x15 x2, x3 6. x +3ns5 2x, + xa S20 3x, + 8x, < 40 Basicas: x2, 52555 No basicas: x1, 5;CAPITULO 1 * PROGRAMACION LINEAL 17, 2x, + 4x2 + 8%, < 12 18, 2x) + 4x, + 8x5 < 12 2x, + Sxz + Ixy < 25 2x, + 5x2 + 12xy < 25 3x; + 6x2 + 13x; < 60 3x; + 6x2 + 13x) < 60 Basicas: 51,5255 Basicas: x1, X2) 3 No basicas: x,,2, x3 No bisicas: 51, 52,53 WW. ky+44 8x <2 + WD. Wy +4, + Bx; < 12, 2x, + Sez + 12x, < 25 2x, + Sx + 12xy < 25 3x; + 6x; + 13x5 < 60 3x, + 6x; + 13x5 < 60 Basicas: x1, 51,55 Basicas: x4, 3,5 No basicas: 2,3, 32 No basicas: x2, 52,33 1.4 Método simplex I: Problema de maximizacién estandar El método del punto esquina que se traté en la Seccién 1.2 puede ser demasiado tedioso si el mimero de variables y de restricciones es grande. En esta seccién se describe un método para resolver problemas de programacién lineal de manera mucho ms eficiente. El método se llama método simplex. Fue desarrollado en 1947 por el matematico norteamericano George B. Dantzig. En 1976 el presidente Gerald Ford otorgé a Dantzig la Medalla Nacional de Ciencias, que es la presea mas alta de los Estados Unidos en ciencia. En la cere- monia en la Casa Blanca se cité a Dantzig ‘‘por haber inventado la programa- cidn lineal y por haber descubierto métodos que condujeron a aplicaciones cientificas y técnicas en gran escala a problemas importantes en logistica, ela- boracién de programas, y optimizacién de redes, y al uso de las computadoras para hacer un uso eficiente de la teoria matemética”’. Para establecer una idea preliminar sobre el método simplex, observe el conjunto de restricciones representado en la Figura 1. Supéngase que se trata de maximizar una funcién objeto fen este conjunto de restricciones. Se puede empezar encontrando un punto esquina, por ejemplo el marcado A. Cualquier segmento de recta que una dos puntos esquinas se llama arista del conjunto de restricciones (0 simplex). Dantzig fue capaz, de demostrar el siguiente hecho importante. Si fno toma su valor maximo en el punto esquina A, entonces existe una arista que parte de A, a lo largo de la:cual aumenta f. * Este conjunto (sombreado) en el plano se lama también simplex. Conjuntos de este tipo existen en tres 0 mids dimensiones pero no intentaremos delineatlos..bi Secci6n 1.4 * Método simplex I: Problema de maximizacién esténder 35. a Figura 1 (eee 14) Este hecho de enunciado tan sencillo da la idea clave del método simplex. Empezamos en A, y si fno toma su valor maximo en A, nos encontramos una arista del conjunto de restricciones a lo largo de la cual f aumenta. Esto nos lleva a un nuevo punto esquina, Si ftoma su maximo valor alli, ya terminamos. Si no ¢s asi, continuamos por otra arista en donde f va en aumento, hasta lle~ gar a otro punto esquina. Como hay un mimero finito de puntos esquina, finalmente llegaremos a una solucidn dptima después de un nimero finito de pasos. Nunca volveremos al mismo punto esquina, porque la funcién objetivo aumenta en cada paso. En este método no es necesario determinar todos los puntos esquina. Otra gran ventaja del método simplex consiste en que sus pasos se pueden efectuar eficientemente por computadora, Todo esto parece facil, pero un proceso para encontrar el “‘siguiente”” punto esquina y para evaluar f en ese punto no es nada obvio. El método simplex es un método para obtener el siguiente punto esquina que se necesita. El méto- do involucra varios pasos técnicos. Antes de describir estos pasos, se describe el tipo de problema que puede resolverse por el método simplex. Problema esténdar de maximizacion en programacion lineal Encontrar el vector de componentes x = (xj, X3, «5 %) que maximice la funcién objetivo f= OK + Om +. + a) y Satisfaga las m + n desigualdades lineales My X + ak +... + dinXy yX, + dak) + oo36 CAPITULO 1 + PROGRAMACION LINEAL GyiX, + GaXz + sae + Oo = 0, x) 20; 2, x, 2 0. Aqui b, = 0, b; = 0, ..- by = 0 Para resolver el problema en (1) y (2), introducimos las variables 5,, 5 <5 Sp. Entonces el problema se transforma en: Maximizar fH OXy HCaN: HFG FOS, FO ++ 0-5, GB) sujeta a yyy + QyaXa to + Oia +S =), y4Xq + Qg2X2 +++ + AanXn +8 =b, i " ‘ : @) gh X + Ogg Xa +2 gy + Sq = Bn ey 20; p20... eZ 045, 20; 5; 20)... 5, BO. Inicialmente, podemos despejar 5), 53, -- ++ Sy €n términos de Xj, Xp +++» ay por lo que nuestras variables basicas son al principio, 5), 53, ---» Sy ¥ Nues- tras variables no basicas son X,, X2, Xq- Hacemos la suposicién de que todas las b son no negativas. Asi, igualando a cero todas las variables no basicas en (4) obtenemos nuestro punto esquina inicial (0, 0, ..., 0). Si uno 0 mas de los elementos b es negativo, entonces existen técnicas para resolver el problema, pero no se discutiran aqui. Adviértase que f = 0 en 0,0, ..., 0). Observacién. El tinico requisito para un punto esquina si se satisfacen las restricciones de igualdad es que todas las variables tengan valores no negativos. Tabla simplex inicial ‘Una manera cémoda de escribir la consiste en definir la tabla simplex formacién contenida en este problema st ee Xe Sy Sz * _7-fitas son, inicialmente, ayy yp oy) 1 0 +> 0b, | 5 las variables bésicas. 431 932 an eee ON Ba Sh. : 2c ©) ye sen ni lion ;, son las variables basi-_—* Seccién 1.4 + Método simplex: Probleme de maximizacién estinder 37 cas. Todos los demas elementos de la tabla se ajustan exactamente a las ecuaciones que representan. Por ejemplo, la primera linea se lee 41%, Hage oh ayy Xy +S, + 0-8, + + 0-5 q Indicadores Los ntimeros en el tiltimo renglén de la tabla simplex (exceptuando el de la ¢s- quina inferior derecha) se Haman indicadores de la tabla. El objeto del método simplex es el de hacer operaciones elementales de rengldn en los renglones de (5) de tal forma que todos los indicadores se hagan no positivos. Como pronto se verd, esto serd una indicacién de que se ha en- contrado el valor maximo de f. Para lograrlo, trabajamos con la Tabla (5) para climinar, sucesivamente, todos los indicadores positivos. Método simplex-seleccién de un pivote o apoyo Primero, ese6jase cualquier columna en (5) con indicador positivo (si hay més de un indicador positivo, escdjase cualquiera) y considérense todas las componentes positivas en esa columna. Supongamos que se escogié la columna j. Definase como pivote de esta columna a una componente positiva a, en la columna j de tal manera que b/a, sea minimo para todas las a,. Si este minimo no es tinico, esedjase cualquier elemento de la columna j que dé el cociente minimo. Estos son los indicadores positivos Solucién Primero, obsérvese que hay tres indicadores positivos, por lo que hay por lo menos tres pivotes. Los encontramos uno por uno. Columna 1. Hay dos componentes positivos, asi que formamos los cocientes byt by 2 ayy 2 ay3B —CAPITULO1 * PROGRAMACION LINEAL Como 1/2 <2/3, el pivote de la primera columna es 2. Columna 2. Hay un solo componente positivo en la segunda columna —el niimero 3. Este es el pivote. ‘Columna 3. Formamos los cocientes by a3 Como 1/4 < 1, el pivote es 4. La tabla aparece a continuacién con los tres pivotes encerrados en circulos. Xp Xa Xs XH SS @ -1.@6}1 Ofa fos 3 2* | O81 2) sy = = fae SO Ejemplo 2 Encontrar todos los pivotes de la tabla simplex inicial. Mi Xp Xa Xa Xs $1 Sy Sy Sa Estos son sb. egy chen. hay Garnett crt) eOles Oo) Dl li Oiraezne ay car aaeh Oia TO 7-0)| 2H) 5 chika ip cLonisi ih Oi ee Ol dul sas Six scs calle acheDamiSl. D-day 4 tee 0 ecto aCe Estos son —+ los indicadores positives. Solcién Hay indicadores positivos en las columnas I, 2 y 5. Columna 1. Hay dos elementos positivos en esta columna. Formamos los cocientes be 3 ay Ya que 2 < 3, el pivote es 1. Columna 2. Hay tres componentes positivas en esta columna. Formamos los cocientes baie bs 1 eal Leyeniies a2 1 a 2 ra Como 1/5 es el minimo cociente, el pivote es 5.Seccién 1.4 * Método simplex I: Problema de maximizaci6n esténdar 39 ‘Columna 5. Hay cuatro componentes positivos en esta columna. Formamos los cocientes * = a> bees as 4 as 1 Ginsu ignaise 2 Hay un empate. El menor cociente es 1/2, y hay dos cocientes con este valor. Por lo tanto, 4 ¥ 2 son los pivotes en la columna 5. Volvemos a dibujar la tabla, con los pivotes encerrados en circulos. M1 2X Xe Xs SS Sy Sy ® 1 3 4 @|1 0 0 of2]s, Ore tg 0 ore: bay els6 0 i @ilo o i oli | s, Ppeenigs 2)(0 0,0 41/3) xg 1 1 <1 0 2/0 0 o-olf at 3 saint litt i a Método simplex-pivoteo Paso 3. Una vez escogido un pivote, tisese reduccidn de renglones para hacer que el pivote valga 1 y para que todos los demas componentes en la columna del pivote valgan 0. Sustittiyase la variable basica en el lado derecho del renglén del Pivote 0 apoyo por la variable no basica que encabeza la columna del pivote. Observacién. La ejecucién de los Pasos 3 y 4 se llama pivoteo. TTURSioeraperemnnreemre en eevee OO EES Ejemplo 3 En el Ejemplo 1, encontramos el pivote marcado en la tercera columna. Usar este componente como pivote. Se Ue ag | 0) it lle Solucién Paso 3. Debemos divi el primer renglén entre 4 para que el coeficiente en40 CAPITULO 1 + PROGRAMACION LINEAL el primer renglén y en la tercera columna valga 1. Después usamos el primer renglén para hacer cero los nimeros 2 y 1/2 de la tercera columna. Al llevar a cabo estos pasos, usamos la misma notacién de la reduccién de renglones en el Capitulo 2. HO % HHS Estas son las variables bésicas 2 -1 @ 6|1 0] 1] s,_ iniciales, Bene Sv odlonta|sOahheledah vse + -@M 2]4 Of4) s cine) ore wd) ome |e | Como antes, L esto significa que wel at es multiplicamos el primer renglén por %. xgulaegiesey® ixgisla, sy Fe | tests Bb he 4 0] 4 7 Me 2 -F 04 | | a | plavio ond Multiplicar el primer renglon fp eiti 0 at ost por -9 y sumarlo al segundo; multiplicar el primer rengién por ~% y sumarlo al tercer rengién, Paso4. Como el pivoteo se hizo en el primer renglén y en la tercera columna, la variable basica del primer rengldn, s,, pasa a ser no bésica, y la variable no basica que encabeza la tercera columna, x,, pasa a ser bisica. Asi, al terminar la operacién de pivoteo, la tabla se ve asi: MM Xs Me SS neon 2] 2.0] 4 | x. < Estaesla nueva 2 40 4{-$ 1] 3 | 5, Valable bésica, Bed 0a a =F Nétese cémo la variable x, se desplaza a la derecha como nuestra nueva variable basica. Esto quiere decir que podemos escribir x, en términos de las variables no basicas. Para hacerlo, interpretamos el primer renglén de la tabla: by — be tay tie td =o= Secci6n 1.4 * Método simplex I; Problema de maximizacion estandar 41 %3=4— $n + da — dx, — 45, Ejemplo 4 Pivotear sobre la componente encerrada de la tabla siguiente. 1 ¥2 Mz Me Xs 1) 52 Sa Sy Pos fa tir -0--0-0 215, O22 aio ro of 2] 5 -1 @ 01 2/0 01 ofijs 1224 Sas '2 00 0. 1135p 1 1-1 0 2/0 0 0 olf Solucién Efectuamos las operaciones de renglén requeridas. Ry a Uooegiaploatinas nastame Estas son las variables bésicas 1 1 3 4 4/1 0 0 0) 2] s, _ iniciales. O98 Teg) ote geet aroning| Bill ay =1 O01 2lo-qrraort ey 1-4 13 2/0 00 1/3) 4 1 1-1 0 2/000 olf ny apt Xue Ras No S15 Sy. ky oes te 3 4 Pay OPH OY O12) nay Obra yeh 2 I-/lomt-ro- 612i] a, NT at OH 4h SLO Olek! ON les, 1-4 13 2/0 0 0 1/3] % Led sly O, 22,1090 0-017 Fa Xe Xa Fa Me Hi da By hy Pi Oiey Bip aR At (0dr bok | s Pe Ordiisleibn ad Ooo cag sO, $ |e, Saha WOR: L8H) 000) 42.0) 2 | 35 PO OIF 381 0. One $i] a2 | sy $Me cde] 0 Od HOi ahs &42 CAPITULO 1 * PROGRAMACION LINEAL Por tiltimo, la variable no basica x, que encabeza la segunda columna sustituye a la variable basica s, del tercer renglén. Xp X2 % Xe Xs 1 Sz Sy Se fo 34% #]1 0 -$ 0] 3 Is, Pig WTEC ei lit [4 -estaes ta -$ 1 0 4 F100 $0) 4 | x: —nueva variable bo 128 loo ¢ 1] B | sy désica. {0 -1 4 $]/0 0 -$ O| sf-4 Después de cada operacidn de pivoteo, las variables del lado derecho de la tabla simplex son variables basicas. {Por qué seguimos estos cuatro pasos? Es posible demostrar que suceden dos cosas importantes. 1, Los nimeros de la columna de la derecha nos dan un nuevo punto esquina con todas las variables no basicas iguales a cero 2. En este nuevo punto esquina ha aumentado el valor de la funcién objetivo. Kjemplo 5 Ejemplo 6 En la iltima tabla del Ejemplo 3, tenemos x, = 1/4 y x, = x, = 0, porque x,, % YX, son variables no basicas. La ultima ecuacién es ax ta a B= Sb Pero x, = x; = 5, = 0, puesto que todas éstas son variables no basicas; entonces, f- 1/8 = 0, 0 sea f = 1/8. Asi, f aumenté del valor 0 (en (0, 0, 0)) al valor de 1/8 en (0, 0, 1/4, 0). Nétese que el valor s, = 3/2 (obtenido al hacer x, = x, = 5, =0en la tabla) quiere decir que hay una holgura de 3/2 en la segunda desigualdad del problema original de programacién lineal. En Ia tiltima tabla del Ejemplo 4, vemos que x, = 1/5 y x) = 4 = % Xs = 0 (éstas son variables no basicas). Aqui f aumenté del valor de 0 (en @, 0, 0, 0) al valor de 1/5 (en (0, 1/5, 0, 0, 0,)). Tabla terminal El proceso de pivoteo descrito anteriormente se repite hasta que se hayan eli-i ae Seccién 1.4 * Método simplex |: Problema de maximizacion esténder 43. minado todos los indicadores positivos. Finalmente se llega a una tabla termi cuando todos los indicadores son negativos 0 cero. Ejemplo 7 La siguiente es una tabla terminal. OT MOMIM Rte D mr2mo} 2 |x, 1) GR ERY 2b er ptigsisis. | x 0— 0-104} 0— 1 3-0-4] Oi indica One Ob | noe aga iene Mile | UP oat 0 07408) abi d f-20 Todos Ios indicadores son no positivos. Como todos los indicadores son no positivos, se ve que f tiene un maximo de 20 en el punto % @5 no basico. G01, 2). ¢Por qué? Escribimos la ultima ecuacién de la tabla: oxy = Xp + Oxy + Org — 45, — H5y —'5) + 0-54 = f — 20 o bien =x, —4 —42- =f -20 y asi J = 20 x, — 45) — $82 = 53 Como todas las variables son no negativas, se ve que =*; -4,- 35) - 5, <0 Entonces f < 20. Obsérvese que f = 20 cuando x, = s, = s, = s = 0. Las primeras cuatro ecuaciones de la tabla terminal se len Xz + Xq ths, + 52+ 2sy =2 x1 +25 +h tint 5 =3 x + sp t3s 1 By $6 Wnt = dy +5, = 2. Como x; = 5, = S: = 5; = 0, estas ecuaciones se reducen a 2 XeAM CAPITULO 1 * PROGRAMACION LINEAL x=3 x=! sg=2 ‘Asi se ve que f alcanza su minimo de 20 en (3, 0, 1, 2). Resumimos el método simplex para resolver un problema esténdar de pro- gramacién lineal de maximizacién. Método simplex 1. Escriba las desigualdades como ecuaciones introduciendo variables de holgura. 2. Inicialmente, defina las variables basicas como variables de holgura. 3. Escriba toda la informacién en una tabla simplex inicial. 4. Siga los Pasos | y 2 para escoger un pivote en una columna con indicador positive. Un indicador es un ntimero positivo en el ultimo ren- gion. Siga los Pasos 3 y 4 para pivotear la componente escogida en 4. Continie haciendo los Pasos 4 y 5 hasta obtener una tabla terminal (sin indicadores positivos). Lea la solucién de la tabla terminal: Si f— M esté en la casilla inferior derecha, entonces el valor maximo de f es M. Los valores de las va- lables bésicas se dan en la columna de la derecha. El valor de todas las variables no basicas es ahora cero. Ejemplo 8 Maximizar famtmt%s sujeta a xy + 2xz + 3x3 $1 2x + m+ 3S? x, 20, 220, x20 Solucién La tabla simplex inicial es Estas son Sibu aia. te Bina las variables ge sia olale bésicas iniciales. 2 1 1/0 142) 8%Ejemplo 9 Seccién 1.4 * Método simplex I: Problema de maximizacién esténdar 45 Si empezamos con la primera columna (tiene indicador positivo), podemos usar como pivote a, = 1 0 bien a;, = 2, ya que 1/1 = 2/2 = 1. Escogiendo 4; (Porque ya tiene el valor de 1), hacemos pivoteo para obtener tees, A s aw-y ft 2 3) 1 0] 1 | x, — Estaestanueva AvX-} 0 =-3 -5!}-2 1 0 s, Variable bésica, 0 -1 -2/-1 ofs-1 Ya que todos los indicadores son no positivos, esta es una tabla terminal. En- contramos que x, = 1, x, = x, = 0 (x; y x, son variables no bisicas), y f = 1 en el punto (1, 0, 0). Esta es nuestra solucién. Notese que f aumenté de 0 (en O, 0, 0)) a 1 (en (A, 0, 0), eee ee Determinese el maximo de Sy X25 Xs) = 3x, = 2xp + 2x5 sujeto a las restricciones x + + x S15 2x + xy + 2xy < 26 $x; + xp + 3x; $43 420 220, 20. Escribimos la tabla simplex inicial después de haber introducido las variables de holgura s,, 5: ¥ 5. Estas son las, HM 82 85 variables bésicas iniciales. 1 Pod [1S 0 Oa is| 2, 2 1 @]0 1 0/26] s $ 23/0 0 1/43] 5, Existen dos indicadores positivos. Escogiendo la tercera columna se tiene que Hats, $13, Y= ab ‘Como 13 es el minimo cociente, hacemos pivoteo en la componente encerrada.46 CAPITULO 1» PROGRAMACION LINEAL Ry xy Oxy 5 Sy 8S 1 1o1fd 0 Of 15] % 1 4 1)0 4 0/13) s EN Scie 2-=3-|.0:- 0) 43155 270; ee Si Esta es la 4 pee EOD RENN 2Cts xy + nueva variable golo -9 1 5, désica. 1 -3 0{0 -1 0|f-26 Notese que f tiene el valor de 26 en (0, 0, 13). Inicialmente, f valia 0 en (0, 0, 0). Atin queda un indicador positivo. Formamos los cocientes Bad, $=2 y hacemos pivoteo en la componente encerrada en circulo. Oh bites arise 4f8agn 88 4 o]1 -4 0 2 Ss dy eat tl, 8 | x FON Oued et lee bay ee gs. o 4 of1 -} 0 2 BN asxt-0 io? 4 91} O° F -¥]) 11 *3 Esta es la AGEN Td. OL0.—s. % 2 X. — nueva variable bisica. 0 -2¥ oo -} -+] Ff -28 Todos los indicadores son no positivos, por lo que ésta es una tabla terminal. Como f = 28 — 13/4x, — 1/4s, = 1/2sy, se ve que el maximo valor de f es 28, que se obtiene cuando x = 5; = 5) = Oy x, = 2,¥ = II, 5, = 2. Es decir f toma su méximo valor de 28 en el punto esquina (2, 0, 11). l(t CSEjemplo 1 i i 0 Secci6n 1.4 * Método simplex |: Problema de maximizacion esténder 47 Nota. El resultado s; = 2 quiere decir que hay una holgura de 2 en la primera restriccién del problema én una solucién éptima. Esto se puede verificar observando que en (2, 0, 11), XM $%2 $x = 240411 = 13, que es menor que 15 en dos unidades. Una empresa manufacturera suspendié la produccién de cierta linea de productos que no producfan utilidades. Esto creé un considerable exceso en la capacidad de produccién. La gerencia se plantea asignar esta capacidad sobrante de produccién a la elaboracién de uno o més de tres productos, que lamare- mos productos 1,2 y 3. La capacidad disponible en las maquinas de la empresa esta limitada por la informacién que aparece en la Tabla 1. Tiempo disponible Tipo de Maquina (en horas miquina por semana) Fresadora 200 Torno 100 Rectificadora 60 El numero de horas maquina requeridos para cada unidad de los productos respectivos se da en la Tabla 2. Productividad (en Horas Méquina Por Unidad) Tipo de Maiq Producto 1 Producto 2 Producto 3 Fresadora 8 2 3 Torno 4 3 0 Rectificadora 2 1 1 El departamento de ventas reporta que el potencial de ventas para los tres productos es superior a la maxima velocidad de produccién. Las utilidades unitarias serian de $ 20, $ 6 y $ 8 para los productos 1, 2 y 3, respectivamente. {Cuanto debe producir la empresa de cada producto para maximizar las utilidades? Sean x, x3 y x; los niimeros de unidades de los productos 1, 2 y 3, respectivamente, Entonces el problema es el siguiente Maximizar P= 20x, + 6x, +8x, —_Ecuaci6n de utilidades sujeta a 8x, + 2x, + 3x5 < 200 Restriccién de la fresadora4B CAPITULO 1 + PROGRAMACION LINEAL 4x; + 3x2 < 100 Restricci6n del torno w+ 1+ 4 < 60 Restriccion de la rectificadora 120, 220, x20. Después de introducir tres v: tabla simplex inicial. bles de holgura, se puede escribir la siguiente My %2 Xs $1 $2 Sy 8 2 3/1 0 0/200] 5, 4 3 0]0 1 0/100] s, 21 @]o 0 1] o]s, 8 20 6 0 0 0] P Podemos hacer pivoteo en cualquiera de las tres primeras columnas. Como la meta consiste en minimizar el trabajo, observamos primero que si usamos el pivote de la columna 3, el pivote es 1 (ya que 60/1 < 200/3). Entonces se obtiene X12 Xs 51 82 Ss @ -1 0/1 0 -3| 2 Is, 4 30/01 of 0 |s 2 11/0 0 1 60 Esta es la 3 — nueva variable bésica. 4 -2 0/0 0 -8|P-480 Hay un indicador positivo (en la primera columna). Ya que 20/2 = 10 es me- nor que 100/4 = 25, y que 60/2 = 30, hacemos pivoteo en el 2 para obtener, sucesivamente, XX. Xs S182 Sy 1 -} 0|} 0 -} 10 % 4 3 0/0 1 0] 10 | s Fd glen dae abe 2 nai onn ake 4 -2 0/0 0 -8|P-480 XX. Xs S182 Ss Esta es la 1 -$ 0) £0 -3) 10 | %1-— nueva variable 0 50|/21 6| & |s béslea 0 21{-10 4] # |x, 0 0 0|-2 0 -2|P-s20Secci6n 1.4 * Método simplex |: Problema de maximizacion estindar 49 La iltima tabla es una tabla terminal. Las maximas utilidades se encuentran cuando x, = 10, x, = 40 y x, = 0 (ésta es una variable no basica) y las utilidades obtenidas son de $ 520. Es decir, si se producen 10 unidades del produc- to 1, 40 unidades de! producto 3, y ninguna unidad del producto 2, la empresa maximiza sus utilidades. Para comprobar, obsérvese que 20x; + 6x; + 8x3 = 20-10 + 6-0 + 8-40 = 520. Por tiltimo, la cantidad s, = 60 quiere decir que hay una holgura de 60 en la segunda restriccién. Comprobando de otra manera, nétese que 4x, + 3x, =4-10+3-0 = 40, que es 60 y menor que 100. En los Problemas 1-3, determinense los pivotes de la tabla simplex inicial dada, 1} 2 -1 2/1 off 2 reer | 404 -2 0 3/0 1/2 -10 1/0 1/2 1 1 1/0 off 21 3/0 olf 3/1 23/100 2Asden 04 2.10 3 12/0 0 4/1 2 -1 3/0 0 olf En los Problemas 4-9, escribase la tabla simplex inicial para el problema dado de programacién lineal y enciérrense en un circulo todos los posibles pivotes, 4. Maximizar 5. Maximizar S=my+m Samm sujeta a sujeta a x + mS 2x, + 3xy <7 2x; + Sxp-s2 Sx, + 8x, <4 X12 0,x, 20, xy 20,4; 20.50 capituLo 1 * PROGRAMACION LINEAL 6. Maximizar 7. Maximizar Ss 4xy +302 f= 3x; + 2x + Aes sujeta a sujeta a xyt2ea <5 Mtxtomss 3x, + 2m <7 2x, +a t 34s 56 Sx, +3514 xy 20,3 20,x3 20. Xp 20,x2 20. 8. Maximizar 9. Maximizar fay tattxy fax tx — 3x sujeta a sujeta a uom- 45 yt ot uss =X, $x; + 2x5 $6 x, — 2x; + xy 56 2x + 45 S7 2 - at us4 xy 20x 20,45 20, x, 2 0.x; 20, x5 20. En los Problemas 10-14, encuéntrese la tabla terminal a partir de ta tabla simplex inicial dada. do Wei wpe soxyimsy sy Woxy oH HS, Q—P4 6[1 Ob is: 2°3 2/1 0 % gO" 9 10) A 2] ap -1 0 4|o 1 8 Pod =2]0 01 F 12 ojo olf 12, La tabla del Problema 1. 13, La tabla del Problema 2. 14, La tabla del Problema 3. Resuélvanse los Problemas 15-26, por el método simplex. 15. Problema 5. 16. Problema 4. 17, Maximizar 18. Maximizar {matin ” fa=xtlntxs sujeta a sujeta a 2x, + 3x2 56 xt s2 3x, + 2x, <5 x <1 ‘x 20,x,20. Xy + 2x, <3 x, 20,x,20,x,20. 19, Problema 9. 20, Problema 8.a. 23. 2. Seccion 1.4 © |: Problema de maximizacion estindar 51 Maximiar 22, Maximizar J = Sx+ Be I= Sx, x2 + Bey sujeta a sujeta a xt msi x <3 x+2n<4 4a tx <2 x — Mo Ma <0 usd xsl x1 20x; 20, 20,3720, 20 Maximizar 24 Maximizar Sax $e; + 2x Sax +2 + 3x sujeta a sujera a xp +3 + 645 $12 mtx 3x + 2p + 4x) < 10 xox tx 52 “x tnt mss =x ttm s3 x 20x 20x5 20. 20,%2 202520, Maximizar 26, Maximizar fenontes f= Sx, + Ty + 1Sxy + 6x4 sujeta a sujeta a xt mtx 55 ntla + ul 2ey + + 87 tint 4 <2 2 - x +3Q<8 xy + 4x, + 3x +24 <3 x tnt 5u59 Mt Su tines4 120,22 0,x520, 1 20,x2 2 0,x5 2 Ong 20. La Maderera Liva, S.A., fabrica tres tipos de triplay. La siguiente tabla resume las horas de produccién por unidad en cada una de las tres operaciones de produccién, ademds de informacion adicional para resolver el problema. Triplay Operaciones horas) Uuitida por unidad ee te Grado A. eee 40 Grado B Pe $30 Grado X Or eapecpeds 520 Maximo tiempo disponible 900 400 600 {Cudntas unidades se deben producir de cada grado de madera? La vinicola Ye Olde Cording Winery, en Peoria, Illinois, produce tres tipos de vino alemn: Heidelberg Sweet, Heidelberg Regular y Deutschland Extra Dry.52 — cAPITULO 1 © ~PROGRAMACION LINEAL La materia prima, la mano de obra y las utilidades por gal6n para cada tipo de estos vinos se resume en la tabla siguiente. Uyas grado A Uvas grado B_Aziicar Mano de obra Uilidades Vino Coushels) (bushels) ibras) (horas) por galon Heidelberg Sweet 1 1 2 2 $1.00 Heidelberg Regular 2 o 1 3 31.20 Deutschland ExtraDry 0 2 0 1 $2.00 Si la empresa vinicola tiene 150 bushels de uvas grado A, 150 bushels de uvas grado B, 80 libras de aziicar y 225 horas de trabajo disponibles en la proxima semana, ;qué cantidades de cada producto haran que las utilidades de la empresa sean méximas? (a) Resolver el problema por el método simplex. (b)_ Interpretar las variables de holgura, (©) 2Qué recursos deberian aumentar para poder aumentar las utilidades de Ia empresa? 29. La empresa Helados El Paraiso vende helados de distintos sabores: chocolate, vainilla y plitano. A causa del clima, extremadamente célido y a la alta demanda de sts productos, la empresa se encontré con déficit de algunos de los ingredientes: leche, azticar y crema. Asi que Helados El Paraiso no podia cumplir todos Jos pedidos de los establecimientos de venta al menudeo. Por lo que decidié producir las cantidades dptimas de cada uno de los sabores segtin las restricciones impuestas por la disponibilidad de los ingredientes basicos. La empresa va a ra- cionar las ventas a las tiendas de menudeo. Para eso, consiguis la siguiente informacién sobre las utilidades provenientes de los distintos sabores de helado, la disponibilidad de los ingredientes, y las cantidades requeridas por cada uno de los productos de distintos sabores. Uso por galén Utitidades Leche Avicar Crema Sabor por galén —(galones)—(libras)—_(galomes) Chocolate $1.00 04s 0.50, 0.10 Vainilla $0.90 0.50. 0.40, ous Platano $0.95 0.40 0.40 0.20 Maximo disponible 200 150 0. Determinese la cantidad 6ptima de cada producto para la empresa Helados El Paraiso. {Qué recursos adicionales se deben usar?31. * 32, 33. ee Seccién 1.4 * Método simplex |: Problema de maximizacién esténdar 53. ‘Una dama politica planea recorrer su estado para atraer la atencién sobre su can- didatura, para familiarizarse mejor con los problemas de su estado y poder plati- car con muchos votantes. Usara parte de su tiempo en recorrido répido, parte Por diversién y parte para hablar con los votantes. Para balancear el tiempo in- vertido en la biisqueda de sus objetivos durante el recorrido, decide caminar tan- to como pueda en una hora, dedicando al menos 1/4 de hora a la conversacién, y limitando el tiempo que dedique a la caminata répida a no mas de la suma del tiempo total de caminata y el tiempo dedicado a diversién. Si su caminata répida es a una velocidad de 3 millas por hora, su velocidad cuando platica es de | milla Por hora y se mantiene fija en un punto al hablar con los votantes, ;qué fraccién de cada hora debe dedicar a cada actividad para llegar tan lejos como pueda? Un empleado de una tienda de helados quiere producir el “ice cream soda"” mas rico en calorias para sus amigos, que quepa en un vaso de 12 onzas. Los ingredientes son jarabe, crema, soda y helado. Para que se vea como soda y sepa a soda, la mezcla no debe contener mas de 4 onzas de helado, al menos tanta soda como la cantidad total de jarabe y crema combinados, y no més de | onza mas de jarabe que de crema. Si el jarabe contiene 75 calorias por onza, la crema contiene $0 calorias por onza, el helado contiene 40 calorias por onza, y la soda no contiene calorias, zcudintas onzas de cada ingrediente debe usar? Un inversionista tiene $10,000 que quisiera produjeran tanto dinero como sea posible. Quiere invertir parte de éste en acciones, parte en bonos, y colocar el resto en una cuenta de ahorros. El inversionista cree poder ganar 8% con el dinero que invierta en acciones y el 7% con el dinero que invierta en bonos. El banco aga el 5% de interés sobre las cuentas de ahorros, Como las acciones son una inversién con cierto riesgo, decide no invertir en acciones més de la mitad de la cantidad que invierta en bonos, y no invertir en acciones mais de lo que ponga en el banco. El inversionista se quedara con al menos $2000 en el banco por si necesita dinero en efectivo de inmediato. ;Cuanto dinero debe invertir en acciones, cudnto en bonos, y cudnto debe depositar en el banco? Un joyero hace anillos, aretes, pisacorbatas y collares. No quiere trabajar mis dde 40 horas a la semana, Necesita 2 horas para hacer un anillo, 2 horas para hacer un par de aretes, | hora para hacer un pisacorbata, y 4 horas para hacer un collar. Estima que no podria vender més de 10 anillos, 10 pares de aretes, 15 pi: sacorbatas y 3 collares en una semana. El joyero cobra $50 por un anillo, $80 or un par de aretes, $25 por un pisacorbata, y $200 por un collar. ;Cudntos anillos, aretes, pisacorbatas y collares debe hacer para tener los maximos ingre- 0s brutos? Una empresa que produce mezclas de frutas enlatadas tiene 10,000 libras de peras, 12,000 libras de duraznos y 8,000 libras de cerezas. La empresa produce tres ti pos de mezclas, cada una en latas de 1 libra. La primera mezcla es la mitad de eras y la mitad de duraznos y se vende a 30¢. La segunda mezcla tiene partes iguales de las tres frutas y se vende a 40¢. ;Cuaintas latas se deben producir de cada mezcla para maximizar los ingredientes? En un gran hospital se clasifican las operaciones quirirgicas en tres categorias de acuerdo con el tiempo promedio que requieren en operaciones de 30 minutos, de 1 hora y de 2 horas. El hospital recibe una cuota de $100, $150, 0 de $200 or cada operacién de las categorias 1, Il o III, respectivamente. Si el hospital tiene ocho salas de operaciones, con un uso promedio de 10 horas diarias, gcudn- tas operaciones de cada tipo debe programar el hospital para (a) maximizar los ingresos y (b) para maximizar el nuimero de operaciones totales?54 CAPITULO 1» PROGRAMACION LINEAL Resuelva los Problemas 36-38 por el método simplex. 36. Problema 1.2.28 37. Problema 1.2.31 38. Problema 1.2.30 1.5 Método simplex II: Problema dual minimo Existe una relacién notable entre los problemas de maximo y minimo de pro- gramacién lineal. Con cada problema de maximos se relaciona un problema de minimos, que se llama el dual del problema de maximos. A la inversa, el problema de maximos es el dual del problema de minimos asociado. Esta aso- ciacién es util, porque la solucién de un problema esta intimamente relacio- nada con la solucién de su problema dual. ‘Antes de definir el dual, definimos la transpuesta de una matriz. Transpuesta Sea A = (a,) una matriz m x n. Entonces la transpuesta de A, que se escribe Al, es la matriz n x m que se obtiene intercambiando los renglones y las columnas de A. Brevemente, se puede escribir A’ = (a,). En otras palabras, yy yy °° a yy day oe Oy 3, a2 *** an wh Ast 832 ia riya” es jentonces A’ ={ “1? “2? ee wm gs ga *** a iy ay Oo Dicho de manera sencilla, el renglén i de A es la columna i de A’ y la colum- naj de A es el renglon j de A’. Encontrar la transpuesta de cada una de las matrices siguientes: Ej 1 eT 1 2 -6 te Fah 2 -3 4 A= z ry (GS ee ree reer ep 2 2-1 3; Intercambiando los renglones por las columnas de cada matriz se obtiene -?r 1 2 2 Ga} (3. +} eee -') i ee 6) -6 42 5, Solucién —Nétese, por ejemplo, que 4¢s la componente del renglén 2 y columna 3 de C, mientras que 4 es el componente del renglén 3 y Ia columna 2 de C’. Esto es, la componente 2, 3 de C es el componente 3, 2 de C'.Secci6n 1.5 * Método simplex tl: Problema dual minimo 55 Ahora podemos definir el dual. Problema dual de programacion lineal Los problemas siguientes de maximos y minimos se llaman problemas duales. I Maximizar SOX; + CrX2 too + aXe @Q) sujeta a Gy Xy + 2X2 $6 + yd, Sb 3X + G39Xp $61 + Ga_Xy S Dz i 3 ‘ @) 1+ OX FoF hy S by X20; x; 20)... % 20. 2. Minimizar 9 = biyy + bd2 +o + One @) sujeta a Ay, + a1 Y2 Hoo + Oe BC 44291 + daa V2 +20 + Oy Ym 2 C2 ; i (5) BeVa + aV2 $0 + Oamm 2 Cn N20, y220...,%, 20. Puede observarse lo siguiente. Si el problema de maximos involucra m desigualdades en n variables entonces su problema dual de riables. La matriz de los coeficientes de las desigualdades en (5) es la transpuesta de la matriz de coeficientes de las desigualdades en (3). Las b, en (3) son los coeficientes de las y, en (4). Las ¢; en (5) son los coeficientes de las x, en (2). Fjemplo 2 Encuéntrese el problema dual de minimos del siguiente problema de maximos. Maximizar f = 3x; + 2x; © sujeta a x + 2x, <5 3x, + 4x, <8 cc) dt <4 x, 20, x, 20.56 CAPITULO 1» PROGRAMACION LINEAL Solucién Si se comparan los problemas duales (2), (3) y (4), (5), se puede observar que el mimero de las variables en el problema de minimos es menor o igual al niimero de desigualdades lineales en el problema de maximos. Este niimero es 3. ‘demas, como los coeficientes de las y, en la expresidn de g son las b, en (3), se tiene: Minimizar = Syn + By2 + 4ys- 8) La matriz de los coeficientes de las desigualdades (7) es Te} ( ant) i 3a 24 1, Asi que, de (8) y de las observaciones 2 y 4, se tiene: Su transpuesta es Minimizar 9 = Sy + 8y2 + 4y3 sujeta a Jy + 3y2 + 293 23 2y, + 4y2 + yz? 20 y220 yy20 Se muestran los dos problemas uno al lado del otro para hacer notar cémo estan relacionados. Problema de méximos Problema de minimos Maximizar Minimizar 2 incdgnitas, reac x, + 2x 9 = Sy + Brn + Ys ee ee eed sujeta a sujeta a M42 <5q 3x, + 4m <8 4 n+ sd x 20x, 20 32092 20,y5 20 Me 5 1 2 Matti: de Matriz. de (: 3 2) 0 a (3 ‘) coeficientes (2 4 1)~\> | Ni + 3y2 + yy BS 2 desimalides{ ino. + ee 1 digi {eae Seccién 1.5 * Método simplex il: Problema dual minimo 57 Ejemplo 3. Determinese el problema dual de: Minimizar 9 = 3y1 + 4y2 + 6ys sujeta a 4y.+ Ty + ys 23 Vi + 3y2 + Sys =7 2y, + yo + 4yy 210 N20, 220 ys20. 4 7 1\ (41 2 Solucion La transpuesta de (13 S}es(7 3. 1}. 214) \1 5-4 Asi que el problema dual de maximos es: Maximizar Sf = 3x, + Tx, + 10x, sujeta a 4x, + x, t2xy $3 Ix, + 3x2 + x3 $4 xy + Sxq + 4x3 <6 1 20,x; 20, 20. Por qué se estudia el problema dual? Se estudia el problema dual debido al notable resultado que dice que, en cierto sentido, los problemas duales tienen las mismas soluciones. Teorema fundamental de la programacién lineal Sea fla funcién objeto de un problema de maximos de programacién lineal, y sea g la funcién objeto del correspondiente problema dual de ‘minimos. Entonces el problema de maximos para f tiene una solucién si y s6lo si el problema de minimos para g tiene solucién. Ademés, (Xi Xap +++ Xn) Y¥ Oy Yon ++) Ym) Som soluciones dptimas de ambos problemas si y sdlo si f evaluada en (x), %, ..., X,) = g evaluada en Vin Yay v2 Ym de58 CAPITULO 1 * PROGRAMACION LINEAL Se muestra ahora cémo se puede usar el teorema fundamental de programa- ci6n lineal y el método simplex para resolver un problema estndar de mini zacién, Este es un problema de minimos de la forma de (4) y (5). Resolucion de un problema estandar de minimos en programacién lineal 1, Escribase el problema dual de maximos. 2, Resuélvase el problema de maximos por el método simplex. 3. El valor minimo de g (en (4)) es igual al valor maximo de f (en (2)). 4. Los valores de y,, ¥, ---, Yn que minimizan g son los negativos de los coeficientes de 5,, 5, ..., 5, en el tiltimo renglén de la tabla terminal. Ejemplo 4 Supéngase que se han seguido los Pasos 1 y 2, para llegar a la siguiente tabla terminal para el problema dual de maximos. 1 0 o aera son |e 20 ex; oO; 1 6 4) 65 | xy ° ° f — 125 Los negativos de estos nimeros son los valores de y;, Yo ¥ Ys. Entonees la solucién al problema original de minimos es g NBR = IVY = 5. 125 cuando Ejemplo 5 Determinese, por e! método simplex, el valor minimo de la funcién objetivo g = 3y, + 2y, sujetaa Sy + 2210 2y, + 2yq 2 12 yy + 4yy 2 12 yy 20 y220. Solucién. El problema dual de maximos es: Maximizar Sf = 10x, + 12x, + 12x5'* Método simplex tl: Problema dual minimo 59 sujeta a 1 théesie-, $x, +2) + x53 B+ 2x + 4x5 <2 %20, 220, x20. La tabla simplex inicial para este problema es Xr Xz Xs Sy Sa peer l|1—0.|-3-!) 5, 1 @ 4/0 1/2] 5, 10 12 12}0 Oo} fF Escogiendo la componente encerrada en un circulo como pivote, se obtiene Brherhale anita Sisal [il sss net M® | 4.12)0 lads, 10 12 12/0 off 4% SH 1 1 St 4s t= 12) Deals s ° oe An-2 |@ 0-3 ad 4 0 -12/0 -6|f-12 Haciendo un nuevo pivoteo en la componente seftalada, se tiene Xp oX2 X30 S12 Sa eb Samant la abel POR baAP Ey HOU emp ison x2 40 -2/0 -6/ f-12 atop | ty 0-8) dba d od x At), }0 1 Bl-p ¢] F bc 0 0 -9|/-1 -s]f-13 toe “WY60 CAPITULO 1 » PROGRAMACION LINEAL Ejemplo 6 Y hemos Hlegado a la tabla terminal. La solucién al problema de maximos es 7 Variable no bisica fo en x =3) =9%5 =0. La solucién al problema original es g=13 en Comprobacién. En (1, 5), 9 =3y, + 2y2 = 3-1 42-5 = 13. DB die bts ee eet ee et Un fabricante de alimento para perros anuncia que una lata de su producto ‘Todo-carne proporciona los requerimientos minimos diarios de carbohidratos y proteinas para un perro que pese un promedio de 20 libras. Los tipos disponibles de carne son res, caballo ¢ higado. Una onza de res cuesta 1.5¢ y contiene 0.5 onzas de carbohidratos y 0.2 onzas de proteinas. Una onza de carne de caballo cuesta 1¢. y contiene 0.6 onzas de carbohidratos y 0.3 onzas de proteinas. Una onza de higado cuesta 2.5 ¢ y contiene 0.4 onzas de carbohidratos y 0.3 onzas de proteinas. Los requerimientos minimos diarios para un perro ue pese un promedio de 20 libras se estiman en 6 onzas de carbohidratos y 3.1 onzas de proteinas. {Qué combinacién de los tres tipos de carne debe escoger el fabricante para satisfacer estos requisitos a un costo minimo? Sean yj, Ys» ¥ J; los mimeros de onzas de carne de res, de carne de caballo y de higado, respectivamente, que han de usarse en el producto. Entonces el problema es: Minimizar g = 15y, + y2 + 25ys sujeta a 05); + 06y, + O4ys = 6 02y, + Oly2 + 0.3y3 23.1 v1 20, 220, 20. El problema dual de maximos es Maximizar f = 6x, + 31x sujeta a 05x, + 0.2x, < 1.5 06x, + O.1x, <1 4x, + 03x) < 25 x, 20, 4220.‘Secei6n 15 * Método simplex tI: Problema dual minimo 61 La tabla simplex inicial es 2 $1 52 55 05 @D/1 0 ofis] s 06 O10 1 oj1 | s 04 03/0 0 11425] s5 6 31/0 0 ols Ahora se puede hacer pivoteo en la primera o en la segunda columna, Unos ‘uantos célculos en calculadora muestran que si el pivoteo se hace en la com- Ponente encerrada, todos los indicadores seran no positivos después de una operacién de pivoteo. My © Raids eo 2501p |S 0 0175)o8, 06 o1fo 1 of1 | s; 04 03/0 0 1/25] s, 6 31/0 0 o| Ff XX. Sha Sa 25 DO. OT. Se, 035 0) -05 1 0} 025 % 0350/5 1:5) Oeil se t025 83 -175 0] -155 0 0| f -23.25 La iiltima tabla es terminal, y la solucién esta dada por g = 23.25 en y, = 15.5, ¥; = Oy y; = 0. Esto quiere decir que el costo minimo para una lata de alimento para perro es de 234¢. Este costo se alcanza usando 1S} onzas de carne de res sin usar carne de caballo ni higado. Problemas 1.5 En los Problemas 1-10, encuéntrese la transpuesta de la matriz dada, (Ce) *O) 4 (: :)62 — cAPITULO 1 * PROGRAMACION LINEAL 10. (0 0 o 0 0 9, won 6 fi 2 204- 3-5 9% [abe es ny En los Problemas 11-20, encuéntrese el problema dual del problema de programacién lineal dado. 11. Maximizar fs Oxy + Se sujeta a x, +24 <5 3x, +2, $7 m+ msl x1 20.%2 20. 13. Minimizar 9= 2 + 3y2 sujeta a +t wet Jit2nel 71209220. 15. Maximizar f=ntaty sujetaa npchog heres S 2x; + x2 + 3x, 56 x, 20,x, 2 0,x; 20. 17. Minimizar 9 = 2y, + 5y2 + 393 sujeta a NWtIn+ y213 4y, + y+ 2p 221 3 — Yat 4ys2 M2092 20, 9320. 2. oe 16. 18. Maximizar f= 4x, + 3x2 sujeta a xo uss 3x, — 2x; $6 x 20.x2 20. Minimizar g= 5 +3y sujeta a Int net Nt2met Yt 23 Wr 20220 Maximizar 2x, + Bxy + 3x sujeta a xypaxpa my <5 ax tx +2 56 Ixy =x) + 4ST 2X 2 0.x 20,5 20. Maximizar Wm 4x, — x2 + 9x3 sujeta a 2x, + 3x2 + x 58 4x + xp 2x <6 Bx + Tx + 4x5 < 25 X20,x2 20x) 20.Secci6n 1.5 * Método simplex Il; Probleme dual minimo 63. 19. Maximizar 20. Minimizar f 1 + 2x — xy + Sy 9 = 3y, +2 + Sys + Iya sujeta a sujeta a ‘X, + 2xy + 3x3 #4x, < 12 Yet Y2+ Wy+ ve zlO x1 20,220) 20,x4 20. yim yet pat 2ez ld Sy; ~ 872 — 3yy + 39425 2x1 Ya Svs +320 W203 20, 20,9420, 21. _Resuélvase el Problema 13 por el método simplex. 22, Resuélvase el Problema 14 por el método simplex. 23. Resuélvase el Problema 17 por el método simplex. 24. Resuélvase ef Problema 20 por el método simplex. 28. Dos alimentos contienen tinicamente carbohidratos y proteinas. El Alimento I ‘cuesta SO por libra y contiene 90% de carbohidratos (en peso). El Alimento Hf cuesta $1 la libra y su contenido de earbohidratos es de 60%. ;Qué cantidades de estos dos alimentos proporcionan 2 libras de earbohidratos y | libra de protel- rnas a un costo minimo? {Cual es el costo por libra de esta mezcla? 26. Continuando con el Problema 25, supéngase que hay un tercer alimento disponible, cuyo costo es de $2 la libra y con un contenido de carbohidratos del 30% y con 70% de proteinas. ;Qué cantidades de estos tres alimentos proporcionan 2 libras de carbohidratos y 1 libra de proteinas a un costo minimo? ;Cual es el costo por libra de esta mezela? #27. En la produccién de fertilizantes se combinan tres productos quimicos en distintas proporciones 0 grados y se venden en unidades de 100 libras. Supéngase que los tres compuestos cuestan 20¢, 15¢_ y S¢, la libra, respectivamente. En todas las mezclas debe haber al menos 20 libras del primer compuesto, y la cantidad del tercer compuesto en la mezcla no debe ser mayor que la cantidad del segundo ‘componente. :Cuantas libras de cada compuesto se deben agregar a una bolsa de 100 libras de fertilizantes para minimizar el costo de una bolsa de fertilizante? [Sugerencia: Debido a la restriccién de igualdad, esto se puede escribir como un problema que involucra a s6lo dos variables. 28, Una mujer quiere disenar un programa de ejercicios semanales, incluyendo caminata, bicicleta y natacién, Para variar los ejercicios, planea invertir al menos tanto tiempo en bicicleta como en la combinacién de caminata y natacién. Ade- més, quiere nadar al menos 2 horas a la semana, porque le gusta mas nadar que los otros ejercicios. En caminata consume 600 calorias por hora, en la bicicleta usa 300 calorias por hora y nadando gasta 300 calorias por hora. Quiere quemar al menos 3000 calorias a la semana por medio de los ejercicios. ;Cudntas horas debe dedicar a cada tipo de ejercicio si quiere minimizar el nimero de horas i vertidas?64 CAPITULO 2.1 Teoria de juegos Juegos entre dos personas: Estrategias puras La teoria moderna de juegos fue desarrollada en la década de 1940 por John von Neumann y Oskar Morgenstern* para dar un marco matematico general a la economia. Las ideas principales de esta teorfa se extrajeron de juegos bien conocidos como el ajedrez, el bridge, el solitario, dominé y damas. La teoria ‘general se desarrollé sin hacer referencia concreta a ningin juego en particular. La teoria de juegos se puede aplicar al andlisis de cualquier comportamien- to competitivo, incluyendo los juegos ordinarios, la economia, la guerra y la competencia biolégica. En el estudio de la competencia bioldgica, la teoria de juegos proporciona un marco conceptual util para entender el comportamien- to. Muchos de los juegos mas conocidos tienen oponentes o competidores que deben hacer una secuencia de movimientos de acuerdo con las reglas del juego. En algunos juegos, los movimientos sucesivos se hacen con una informacion completa sobre las oportunidades del oponente (como en el ajedrez). En otros juegos, los movimientos se hacen con informacién incompleta (como en el bridge). Un jugador puede decidir sus movimientos al azar (por ejemplo lan- zando una moneda) o de manera deliberada considerando las jugadas posibles. El juego puede terminar después de un ntimero finito de movimientos con un ganador y un perdedor. Generalmente hay un premio al ganador del juego, * Jolin yon Neumann y Oskar Morgenstern, The Theory of Games and Economic Behavior, (Princeton, N.J.: Princeton University Press, 1944). 1 R.C. Lowontin, “Evolution and the Theory Games," Journal of Theoretical Biology, 11961): 382-403, L.B. Slobodkin, “The Strategy of Evolution,” American Scientist, 52(1964): 34Ejemplo 1 Ejemplo 2 Secci6n 21 + Juegos entre dos personas: Estrategias pures 65 que puede ser en eféctivo o la mera satisfaccion de haber ganado. (El premio que obtiene una especie en el juego ecoldgico es la posibilidad de seguir jugando). Un juego se caracteriza por sus reglas. En algunos casos, el juego puede ser tan complicado que resultard dificil descubrirlas. Considérese el problema de determinar las reglas del ajedrez viéndolo jugar. Después de cuatro o cinco jue- 205, se habrén descubierto las reglas principales, pero seria necesario observar ‘muchos mas partidos para determinar el resto de las reglas. De manera similar, se pueden considerar las complejas interacciones que se dan en un sistema so- cial humano o de un sistema ecolégico como un juego entre muchos jugadores y reglas dificiles de entender de manera completa. Cuando ya se conocen las reglas de un juego, el problema con: minar la manera que tienen los jugadores de escoger sus mo consecuencias de estos movimientos. En otras palabras, los jugadores deben determinar sus estrategias analizando las reglas del juego. El resultado final de un juego ordinariamente depende de manera critica de la seleccién de movimiento de todos los jugadores. En juegos complejos, puede ser imposible analizar todas las posibilidades y, en ese caso, los jugadores deben basarse en la experiencia, la intuicién, 0 en simples pruebas y errores para determinar sus movimientos. En esta seccién y en la siguiente, se estudiard un juego simple entre dos personas llegando a un nivel considerable de detalle, Los conceptos que se presentan y los resultados deducidos para este juego forman un modelo de andlisis para juegos ms generales. Empezamos con tres ejemplos de juegos entre dos personas. Monedas Emparejadas. Dos jugadores, R y C, colocan cada uno una moneda frente a ellos, cubriéndola, y determinan si el lado expuesto de la moneda es cara (H) 0 cruz (T). Ninguno de los jugadores sabe al principio qué lado de la moneda escogié el otro jugador. Entonces se descubren las monedas. Si las dos muestran el mismo lado (las dos son caras o cruces), el jugador R paga $1 al jugador C. Si las monedas muestran lados distintos, el jugador C paga SI al jugador R. Este juego se puede describir en términos de una matriz de pagos. Jugador C eT Hf-1 1 Jugador R ( 3 ay) Si, por ejemplo, el jugador R escoge A y el jugador C escoge S, el jugador R gana 1 unidad (en este caso $1). Si los dos jugadores escogen A, pierde una unidad el jugador R. Un Juego de Negocios. Los iinicos dos supermercados en Ciudad Central son Grandes Ahorros y Alimentos El Gigante. El mercado al menudeo se surte66 carituLo 2 + TEORIA DE JUEGOS fe Tabla 1 Alternativas de mercadeo para supermercados en beet competencia ‘Alternativas para “Alimentos EI Gigante A M > ‘Alternativas ‘Aumentar | Mantener | Disminuir Ae precios precios precios (A) Aumentar precios 2 -2 -7 (M) Mantener precios 6 0 -3 (D) Disminuir precios 10 5 z de estas dos empresas. Debido al incremento en los costos, Grandes Ahorros quiere aumentar sus precios. Pero teme que si lo hace perder parte de las ventas en favor de Alimentos El Gigante. Por otra parte, si disminuye sus precios, mientras Alimentos El Gigante aumenta los suyos, el aumento resultante de las ventas compensard con creces las utilidades menores por articulo. Cada empresa tiene tres alternativas: aumentar los precios, mantenerlos sin cambio, y reducir los precios. Grandes Ahorros puede controlar sus propios precios pero no tiene control en lo que haga Alimentos El Gigante. Para ayudarse en la decisién, contrata ‘un analista de mercados independiente, que obtiene los datos de la Tabla 1. Los niimeros de la tabla representan aumentos o disminuciones porcentuales. Por ejemplo, si Grandes Ahorros mantiene sus precios y Alimentos el Gigante los disminuye, Grandes Ahorros perderd el 3% del mimero total de sus clientes en favor de Alimentos El Gigante. Si Grandes Ahorros disminuye sus precios y Alimentos El Gigante los aumenta, Grandes Ahorros ganard el 10% del mercado. Estos datos se pueden representar en la siguiente matriz de pagos. Alimentos El Gigante A M D A[2 -2 -7 Grandes Ahorros M{ 6 0 —3 Dis \10yietiSiccns 3, Ejemplo 3 Juego de Guerra.* Durante la Segunda Guerra Mundial, ocurrié una batalla critica, la Batalla del Mar de Bismarck, para controlar Nueva Guinea. El jefe 1 Este ejemplo se adapts de uno que figura en Games and Decisions de R. Duncan Luce y Howard Raiffa, (Nueva Yorks PP. 645.Tabla 2 ee 2) Seccion 27 * Juegos entre dos personas: Estrategies pures 67 de los aliados, el general Kenney, tenia reportes de la inteligencia que indica- ban que los japoneses harian movimientos de tropa y convoyes del puerto de Rabaul, en la punta oriental de la isla de Nueva Bretaha, a Lae, que esta justo al este de Nueva Bretafia en Nueva Guinea. El jefe de los japoneses tenia dos alternativas: tomar una ruta pasando por el norte de Nueva Bretaiia, o bien otra por el sur de Nueva Bretafa. En la ruta por el norte, era casi seguro que la visibilidad seria muy mala, mientras que en la ruta por el sur era probable que el clima estuviera despejado. El viaje les tomaria tres dias por cualquiera de las rutas. El general Kenney tenia la opcién de concentrar la mayor parte de sus aviones de reconocimiento en una ruta 0 en la otra. Una vez localizado, el convoy podria ser bombardeado hasta su llegada a Lae. En dias de bombardeo, el per- sonal de Kenney estimaba para las distintas opciones los resultados que se dan en la Tabla 2. Alternativas para los japoneses y fos aliados (nimero de dias de bombardeo) Opciones para los Japoneses Opctones para los Ruta norte | Ruta sur allados Ruta norte 2 2 Ruta sur 1 3 Una vez mas, estas opciones se pueden representar por medio de una matriz de pagos. Opciones para los Japoneses NS Nf? 2) Opciones para los aliados ( >) éQué rutas se debieron escoger? Si el convoy japonés tomara la ruta norte, se expondria a 1 0 2 dias de bombardeo. Si tomara la ruta sur, se tendria que en- frentar con 2.0 3 dias de bombardeo. Parece mejor tomar la ruta norte. Desde el punto de vista del general Kenney, si concentra sus fuerzas en el norte, ga- rantizaria al menos 2 dias de bombardeo; en el sur s6lo podria garantizar 1 dia de bombardeo. Resulta que los dos comandantes escogieron la ruta norte y, como se verd Proximamente, estas selecciones son consistentes con las previstas por la teoria de juegos.68 — caPiTuLo. 2 + TEORIA DE JUEGOS: Estos ejemplos conducen a la siguiente definicién. de matriz Sea A = (a, una matriz m x n. Considérese un juego determinado por A en- a tre dos competidores R y C (renglones y columnas) de acuerdo a las siguientes reglas. 1. En cada movimiento del juego, R escoge uno de los m renglones de A, y C escoge una de las n columnas de A. Estas selecciones se hacen simulténea- mente, y ninguno de los jugadores sabe de antemano la eleccién (0 movimiento) del otro competidor. 2. SiR escoge el renglén i y C escoge la columna j, C debe pagar a R la cantidad aj. Si a, es negativo quiere decir que C recibe una cantidad ~a, de R. Este es el juego de matriz m x 7 determinado por la matriz m x n denotada por A = (a,). El juego de matriz puede terminar después de un movimiento o puede conti: nuar durante cualquier mimero de movimientos. La matriz A = (a,) del juego se llama matriz del juego o matriz de pagos. Los ejemplos que siguen ilustran la manera de analizar los juegos de matriz. Ejemplo 4 Describir los juegos de matriz correspondientes a cada una de las siguientes Solucién matrices de pago. te a Imere(nn AS @ 4=(_, 3) @ B=[ 0 -120 —1 o3t (a) En este juego de matriz 2 x 2, R y C tienen dos opciones cada uno. Si R escoge el primer rengl6n, R gana 1 si C escoge la primera columna, 0 2 unidades si C escoge la segunda columna. En el caso de que R escoja el segundo rengldn, pierde 2 unidades si C escoge la primera columna y gana 3 unidades si C escoge la segunda columna. Si C juega racionalmen- , escogerd la primera columna. En ese caso, R deberia escoger el primer renglén. Con estas opciones, R tiene la garantia de ganar al menos una unidad y C tiene la garantia de no perder mds de I unidad. (b) En este juego de matriz 3 x 4, R tiene tres opciones y C tiene cuatro opciones. Analizando las opciones posibles, es claro que la mejor opcién de C consiste en escoger la segunda columna. Con esta opcién, C tiene la garantia de no perder. La mejor opcién de R esta en la eleccién del primer rengln, Con estas selecciones de entre las opciones posibles, no se da ningiin pago entre los jugadores. El juego general de matriz m x n es-un ejemplo de un juego de suma cero entre dos personas, ya que son dos los que compiten y la suma de sus ganancias es cero. Las ganancias de un cOmpetidor equivalen a las pérdidas del otro.‘Seccién 21 * Juegos entre dos personas: Estrategies pures 69 Los dos jugadores de un juego de la matriz A = (a,) de m x n deben analizar sus posibles movimientos y decidir en qué renglones 0 columnas jugar en movimientos sucesivos. Una estrategia pura para R (0 C) equivale a la decision de jugar en el mismo renglén (0 columna) en cada movimiento del juego. Se dice que el jugador R (0 C) est usando una estrategia mixta si escoge mas de un renglén (0 columna) en movimientos distintos del juego. Si ambos jugado- Fes usan estrategias puras, el resultado de cada movimiento es exactamente el mismo y el juego es completamente predecible. Por ejemplo, si R siempre escoge el renglén i y C siempre escoge la columna j, en cada juego R recibe a, unidades de C. Cuando se usan estrategias mixtas por alguno de los jugadores © por ambos, el juego es mds complicado. Por ejemplo, si R decide jugar una estrategia mixta, hard su seleccién aleatoriamente de entre los renglones para aumentar sus ganancias, Un poco de teoria de probabilidades ‘Supéngase que se lleva a cabo un experimento. A cada resultado posible E del experimento, le asignamos un niimero entre Oy 1. Este nimero se llama la probabilidad de que se dé el resultado E y se denota por P(E). Debe enfatizarse que 0 = P(E) < 1. Por ejemplo, si se lanza al aire una moneda no cargada, entonces P(cara) = P(cruz) = 1/2. Como otro ejemplo, una baraja tiene 52 cartas. De éstas, 13 son corazones. Asi que si se escoge al azar una carta de la baraja, se tiene que iD 52° 4 P(corazén) En un experimento, la suma de las probabilidades de todos los posibles resultados es 1. Claro que no todas ias probabilidades se computan de manera tan sencilla Se han escrito libros completos sobre la materia. Sin embargo, no se necesita tener la habilidad de calcular probabilidades para entender el papel que tiene la teoria de probabilidades en la teoria de juegos. Un vector de probabilidades es un vector con componentes no negativas y cuya suma de las componentes es uno. Los siguientes son vectores de probabilidad: (1/2, 1/2), (1/4, 1/2, 0, 1/4) y (0.11, 0.23, 0.17, 0.08, 0.32, 0.09). Una variable aleatoria cs una funcién que asigna un niimero a cada posible resultado de un experimento. El valor esperado de un valor aleatorio es un Promedio pesado de los valores que puede tomar la variable aleatoria. Para calcular el valor esperado, se multiplica cada valor de la variable aleatoria por la probabilidad de obtener ese valor. Por ejemplo, supéngase que los valores posibles de la variable aleatoria son 7, 5, -3 y 10, con probabilidades P(7) 1/8, P(S) = 5/16, P(-3) = 1/2 y P(10) = 1/16. (Obsérvese que estas probabilidades suman 1.) Se tiene Valor esperado = 7P(7) + SP(5) +(-3)P(—3) + 10P(10) = Fe 2 ay Sia PIT egg Pig +10 ge = 4425-24 + 10 _ 25 16 1670 CAPITULO 2 © TEORIA DE JUEGOS Estrategia Ejemplo 5 Regresamos a nuestra discusién de la estrategi {Cuando se usard una estrategia pura y cudndo una mixta? Para dar respuesta a estas preguntas necesitamos una mayor precisién sobre lo que enten- demos por estrategia. Una estrategia para R en el juego de la matriz A = (a,) de m x mes un vector de probabilidad p = (p Pp: --. Pn) donde p, es a probabilidad de que R. juegue escogiendo el renglén i para i = 1,2, ...,m. Una estrategia para C es un vector de probabilidad de m componentes Gn donde g, es la probabilidad de que C juegue escogiendo la columna j = 1, 2, wears Los jugadores R y C deben escoger sus estrategias p y q. En otras palabras, deben escoger las probabilidades p, y q, que determinen la frecuencia con la que escogeran los distintos renglones y columnas. Por ejemplo, si R y C escogen el primer renglén y la primera columna de A en todos sus movimientos, estan jugando las estrategias puras p = (1 0... Oy SiR y C juegan en todos los renglones y columnas con probabilidades iguales, estan jugando las estrategias mixtas p = (I/m 1/m... 1/m) y Cada vector de probabilidad de m componentes es una posible estrategia para R, y cada vector de probabilidad de n componentes es una posible estrategia para C. Para ver cudindo se podria usar una estrategia pura, considérese el ejemplo siguiente. Considérese elSecci6n 21 * Juegos entre dos personas: Estratesias pures 71 2 5 -1 6 Caae SN ew {Qué estrategias deben adoptar R y C? R jugara de manera que la minima cantidad que pueda ganar sea tan grande como sea posible (vuelva a leer esto tiltimo). Si R juega en el renglén 1, ganar al menos 2 unidades, independientemente de qué columna escoja C. Si R juega en el renglén 2, ganar al menos 4 unidades. De igual forma, si R juega en el renglén 3 0 en el rengldn 4, ganard al menos ~1 0 1 unidad, respectivamente. Asi que su mayor ganancia minima serd de 4 unidades. Pero ,cémo debe jugar C? C quiere minimizar su pérdida maxima. Si C juega en la columna 1, puede perder hasta 7 unidades; C puede perder en la columna 2 a lo més 6 unidades y puede perder en la columna 3 hasta 4 unidades. Escribimos estos mimeros a continuacion: c Minimo del rengién 4 6 2nd 2 6 $4 oe S ep Ge ny eg 2 ap 7 ‘Méximo de eat aif eafi la columna 7 64 El niimero 4 en la posicién 2, 3 ¢s un minimo en su renglén y maximo en su columna. Un nimero con esas propiedades se llama un punto silla para la matriz de pagos A. En la Seccién 2.2 se muestra que cuando un niimero a, es un punto silla, las estrategias éptimas para R y C son, para R, jugar en el renglén iy para C, jugar en la columna j. Asi, en el ejemplo, R debe adoptar la estrategia pura de jugar en el segundo renglon: p = (0 1 0 0), y C debe adoptar la estrategia pura de jugar en la tercera columna Antes de abandonar este ejemplo, hacemos una observacién que puede simplificar los edlculos. Cada numero en el primer renglén de A es menor o igual que la componente correspondiente en el segundo rengl6n de A. Es decir, 6 < 6,2 <5 y 3.< 4. Porlotanto R nunca tendra que escoger el primer renglon porque para él la eleccién del segundo renglon siempre sera una opcién al menos tan buena como la eleccién de! primer renglén. El primer renglén consti- tuiria lo que se llama un renglén recesivo. Similarmente, cada mimero de la primera columna de A es mayor que el mimero correspondiente en la tercera columna de A. Es decir, 6 > 3, 6 > 4,7 >2y2> 1. Asi que C nunca escogera Ja primera columna, porque si lo hiciera, perderia ciertamente més que si esco-72 —caviruioe + TEORIA DE JUEGOS giera la tercera columna (recuérdese que la ganancia de R es la pérdida de C). La columna 1 es una columna recesiva. Se pueden eliminar los renglones y las columnas recesivos en el andllisis sub- secuente. Al hacerlo, se obtiene la nueva matriz de pagos A’. 54 a=(-1 2 61 Igual que antes, 4 es un minimo en su renglén y un maximo en su columna y por lo tanto un punto silla de A’, El segundo renglén es recesivo, por lo que se puede reducir aiin més la matriz para obtener A” = fe ‘) entonces A” = () ya que la primera columna de A”es recesiva. Continuando de esta manera, se ve que el segundo renglén de A”” es recesivo, por lo que A” = (4). Evidentemente, hasta aqui podemos llegar. Bosquejamos ahora una estrategia general para jugar un juego de matriz en los casos en que se presenta un punto silla. Determinaci6n de las estrategias puras para un juego de matriz eso 1. _ Eliminar todos los renglones recesivos y todas las columnas re- cesivas. Paso #.Encontrar el niimero minimo en cada renglén. Este se llama minimo del renglén. ‘Paso 3. Encontrar el mimero maximo en cada columna. Este se llama maximo de la columna. Peso 4. Buscar un punto silla. Este es un ntimero que es a la yez un minimo de renglén y un maximo de columna.* Si a, es un punto silla, R deberd jugar en el renglén i y C deberd jugar en la columna j. En este caso se dice que el juego de matriz est determinado estrictamente Paso 5. Si no hay ningiin punto silla, R o C (0 ambos) debe usar una estrategia mixta. El juego en ese caso no est determinado estrictamente. Obserrcién. En el Problema 23 se pide demostrar que si a, y ay, son puntos silla de A, entonces ay = ay. En ese caso, se obtendré el mismo resultado en el Paso 4 al usar cualquiera de los puntos silla. * A veces se llama & tin punto silla solucién minimax de un juego de matriz.= Secei6n ®1 * Juegos entre dos personas: Estrateslas puras 73. Ejemplo 6 Determinar si el juego definido por la matriz de pagos dada es estrictamente determinado. En caso afirmativo, determinar las estrategias éptimas para R y Solucién © @ (@) (b) rC) a o $s amie (: 7] o (23) w(t 2) 2 =-1 -2, 5 1 6, ‘Ya que cada mimero en el reglén 3 es menor o igual que el mimero correspondiente en el renglén 2, el renglon 3 es recesivo. De manera semejante, cada niimero en la columna 1 es mayor que el numero correspondiente en la columna 2, por lo que la columna 1 es recesiva. Eliminando el renglén 3 y la columna 1, se obtiene Minimos de renglén ( 0 ) 0 ‘Maximos de Oy 1 columna———+ 15 Puede verse que 1 es a la vez minimo en su renglén y maximo en su columna, por lo que I es un punto silla y el juego es estrictamente determinado. Como | es la componente 2,2 de la matriz de pagos, las estrategias ‘6ptimas son p = (010) y 0 1 0, Es decir, R escoge el renglén 2 y C escoge la columna 2.* No existen renglones ni columnas recesivos. Volviendo a escribir la matriz de pagos se tiene Minimos de rensién 0 G22! 1 aOR 2 Maximos de Rial nS paper} columia——>s 6 En este caso no hay ningiin punto silla Porque no existe un ntimero que sea a la vez un minimo en su renglén y un maximo en su columna. El juego no esta estrictamente determinado y se requiere usar una estrategia mixta. El renglén 2 es recesiva, asi como la columna 1. La matriz de juego se reduce a(0 5) en donde 0 es un punto silla. Obsérvese que la matriz de * Seabees también aueen (5) ta egunds columna es eesiva porlo quel mare sereduce a(}). Per ahora el primer enone rcesvo ya nueva educin termina con a mate 1% 1 (), Bae 6 panto sla74 capiTuLO 2 + TEORIA DE JUEGOS: pagos tiene dos ceros, pero s6lo uno de ellos, el que esta en la posicién 1,2, es un punto silla. El juego esta estrictamente determinado y las estrategias Sptimas son p (1 0) y 0 a=(1). 0 ‘Asi que R juega en el renglén 1 y C juega en la columna 2. Ejemplo 7 En cl juego de las monedas emparejadas del Ejemplo 1, la mat HT. Minimos de renglén H e 1 ) 71 + 1-1) = Méximos de 4 columna———> 11 7 de pagos es No hay puntos silla, por lo que se requiere una estrategia mixta. En la siguiente seccién se encontrar la estrategia préxima. Ejemplo 8 En el juego de negocios del Ejemplo 2, la matriz de pagos es Tso ~Minimes de renién geile Rale nes) een we? s 6 Oo -3). -3 D \10 Maximos de Sa telae columna —— 1958 En este caso 3 es un punto silla, y asi Grandes Ahorros debe jugar en el ren- glén 3 y Alimentos El Gigante debe jugar en la columna 3. Esto quiere decir que si los datos son correctos, los dos deben disminuir los precios. Obsérve- se que son recesivos los renglones 1 y 2y las columnas | y 2, por lo que la matriz del juego se reduce a la matriz 1 x 1 de pagos (3) Ejemplo 9 En el juego de guerra del Ejemplo 3, la matriz de pagos es Norte Sur Norte z 2 Sur 1 sae Se presenta un punto silla en la posicion 1,1, de donde se deduce que los dos comandantes deben escoger la ruta del norte. De hecho eso es lo que ocurrid.. En la sighiente seeci6n se usard un teorema de von Neumann para ver por qué siempre que haya un punto silla se deben usar estrategias puras.‘Secci6n 21 * Juegos entre dos personas: Estretesies pures 75 Problemas 2.1 En los Problemas 1-10 se da la matriz de pagos para un juego. Establézcase si el juego estd determinado estrictamente y, en caso afirmativo, encuéntrense Jas estrategias dptimas para R y C. 1 ce Z: Pes 2/000 Zhe a) 112) oie -334, 46 -2) 4, [5 647 Ber x Sau 3231 2-3 1 4625 i) -3 -2 0) 24 612 3 5 325, aa 6 24) -4 -6 Re 0-2 Tyree 0-5 4 a2. 3 w fi oor 6435 o101 2136 1100 1420 1101 En los Problemas 11-20, formiilese el problema dado como un juego de matriz entre dos personas y escribase la matriz de pagos para ese juego. Si el juego estd estrictamente determinado, encuéntrese ta estrategia éptima para cada jugador. n. n. B. 4. Dos personas, a la vez, muestran un dedo o dos. Si el ntimero total de dedos mostrados es par, R le paga a C un mimero de délares igual al niimero total de dedos mostrados. Si es impar, C le paga a R ese ntimero de délares. Repitase el Problema 11, con la diferencia de que cada jugador muestra cuatro © cinco dedos. Repitase el Problema 11, con la diferen © tres dedos. ‘Repitase el Problema 11, con la diferencia que cada jugador muestra uno, dos, que cada jugador muestra uno, dos,76 capitulo 2 + TEORIA DE JUEGOS 15. 16. 17. 18. 19. 20. 21. En un pequefio pueblo compiten en negocios dos expendios de comestibles. El A determind que si aumenta sus precios, perderd el 1% del mercado si B aumenta ‘sus precios, el 3% del mercado si B no cambia sus precios, y el 11% del mercado si B baja sus precios. Si A conserva sus precios anteriores, gana el 4% si B aumenta sus precios y pierde el 5% si B disminuye sus precios. Finalmente, si A disminuye sus precios, gana el 9% si B aumenta los suyos, gana el 3% si B conserva los suyos, y pierde el 1% si B, a su vez, disminuye los suyos. Se esté construyendo una nueva zona comercial en Pueblo Central. Hay dos tiendas de ropa, Alamén y Judrez, que compiten en Pueblo Central y en las areas cir- cundantes. Si una de las tiendas se traslada a la nueva zona comercial, ganard el 80% del mercado, Si se trasladan las dos, continuaran con partes iguales de! mercado. < Un distrito se divide en dos regiones. Una tiene 60,000 votantes y la otra tiene 40,000 votantes. Quedan dos dias de campafia y cada uno de los dos candidatos puede gastar 0, 1 0 2 dias en cada regién. Los analistas de politica estiman que si los candidatos dedican el mismo numero de dias a una regién, cada uno obten: rd la mitad de los votos de ésa. Pero si un candidato le dedica 1 0 2 dias mas una regiGn que su oponente, obtendra el 3% 0 el 57% de los votos de esa re- gién, respectivamente. Los experimentos han demostrado que dos especies de pajaros pueden reconocer los mimeros hasta el 7. Se propone el siguiente experimento: Se determinara la dieta de un raven R y la de un parakeet C por medio de una matriz de juegos. A cada pajaro se le van a mostrar tres tarjetas, con 2, 4 y 7 puntos. Si los dos pajaros-escogen la misma tarjeta, R recibird de la dieta de C un mimero de gusanos igual al doble del ntimero de puntos en la tarjeta, Si escogen tarjetas distintas, se le dard aC, de la dieta de R un mimero de gusanos igual a la diferencia entre Jos mimeros de puntos en las tarjetas. Supéngase que los movimientos se hacen independientemente. Pedro quiere llamar por teléfono a su novia Roberta. Decide llamar de noche, cuando el precio de una llamada de 3 minutos de teléfono a teléfono es de $2 y una llamada de 3 minutos persona a persona cuesta $4.50. Sino hay nadie en casa, sabe que la puede encontrar al dia siguiente en la oficina donde trabaja y tendré ‘que pagar la tarifa diurna de $3 por una llamada de 3 minutos de teléfono a teléfo- no. Si le llama teléfono a teléfono y Roberta estd en casa, se ahorra dinero. Por otra parte, si contesta la companera de cuarto de Roberta cuando ella no esta en casa, pierde dinero. Un agricultor cultiva tomates. Mientras mayor sea el tiempo que permanecen los, tomates en el campo, se ponen mas rojos y aumenta el precio al que se puede vender el bushel. Por otra parte, si se presentan las heladas, se echaran a perder los tomates, disminuyendo el precio promedio por bushel. Si recoge sus tomates el 25 de agosto, puede estar seguro de que no les habran afectado las heladas y cl precio con el que puede contar es de $8 el bushel. Si se espera hasta el 5 de septiembre, obtendra $11 por bushel sino hay heladas o $5 por bushel si hay heladas. Una empresa Hlantera tiene un pleito con su sindicato. Cada grupo (administra- cin y fuerza laboral) tiene una posible eleccién entre cuatro alternativas: rigida, inflexible; razonable, basada en la l6gica; dejar el asunto en manos de los aboga- dos para que encuentren una solucién legal al problema; conciliatoria. Un experto en relaciones laborales determina que la empresa aumentard los salarios de una manera que depende tanto de la decisién adoptada por la empresa, como de la ‘que tomen los obreros. Las distintas posibilidades se dan en la tabla siguiente,2. Seccién 24 * Juegos entre dos personas: Estratesias puras Aumento de sueldo semanal en la empresa por obrero (en ddlares) ‘Actitud det sindicato Actitud de fa empresa Rigida | Logica | Legal | Conciiatoria Rigida 20 4 1s 7 Logica 35 30 6 2B Legal 1s B 20 30 Conciliatori 0 3s 2B 2B Qué debe hacer la empresa y qué debe hacer el sindicato? 7 La Universidad de Montana (UM) juega futbol todos los afios con la Montana State University (MSU). El quarterback de UM tiene en un down una opeién entre cinco jugadas: corrida del halfback, corrida del fullback, pase corto, pase largo y jugada de atraccién. La defensiva de MSU tiene cuatro opciones: defensa normal, defensa contra un pase largo, defensa contra un pase corto y blitz, Un coach estima el niimero de yardas que se podrian avanzar con todas las combinaciones de las opciones ofensivas y defensivas. Estos valores estimados se dan en la tabla. Yardas esperadas de avance para la defensa ou Defensa | Defensa uM Normal | (pase corto)| (pase largo) | Blitz IcarreradeHB| 2 4 8 6 (Carrera de FBS 5 2 9 [Pase corto 4 0 6 -2 IPase largo 8 3 o -4 |Atraccién 2 4 10 Qué jugada debe hacer cada equipo? Demostrar que si una matriz de pagos tiene dos puntos silla a, y ay, entonces 4 = ay. (Sugerencia: Escribase la matriz A y expliquese la consecuencia del he- ‘cho de que ay es el minimo en el renglén é y el maximo en fa columna j. Hagase lo mismo para ay,]78 CAPITULO 2 * TEORIA DE JUEGOS 2.2 Juegos entre dos personas: Estrategias mixtas En la Seccién 2.1 se mostré la manera de determinar las estrategias dptimas cuando un juego esta estrictamente determinado. Para demostrar que una estrategia es Optima, se necesita la respuesta a la pregunta ‘*;¢ptima respecto a qué?””. En esta seccién se presenta la manera de calcular las ganancias esperadas para los jugadores en un juego. Entonces una estrategia es dptima para R si optimiza las ganancias de R. Empezamos con un ejemplo Ejemplo 1 Solucién Considérese el juego cuya matriz de pagos es A = ( } 4Cual es 1/3 2/3) yC la ganancia esperada para R si R adopta la estrategia p adopta la estrategia q = (2/5 3/5)? En este caso R tiene cuatro ganancias posibles: 3, 2, -2 y 4. Por ejemplo, recibira 3 unidades, si escoge el primer renglon (con una probabilidad de 1/3) y C escoge la primera columna (con una probabilidad de 2/5). Como se supone que ni R ni C saben cual es la eleccién de su oponente, los eventos {primer ren- ‘gl6n}-y {primera columna} son independientes. Esto quiere decir que la probabilidad de cada evento no se ve afectado por la ocurrencia o no ocurrencia del otro evento. Para decirlo en otras palabras, la probabilidad de que R escoja el primer renglén es la misma probabilidad ya sea que C escoja la primera columna ‘© no. Cuando dos eventos son independientes, la probabilidad de que ocurran los dos es el producto de las probabilidades de que ocurra cada evento, por separado. Es decir, si Ay B son independientes, entonces P(A 1B) = P(A) PB). En nuestro caso tenemos P(primer renglén 2 primera columna} = P(primer renglén) P( primera columna) = $-3 = #s y por lo tanto P(3) = P(ganancia de 3) Similarmente P(2) = P( primer renglén ( segunda columna) = $-3 = 4, P(—2) = P(segundo renglén O primera columna) = P(4) = P(segundo renglén © segunda columna) = 3-3 = 3 Ahora bien, si £(p, 4) representa el valor esperado de una variable aleatoria que toma valores iguales a las ganancias de R, se tiene E(p, q) = 3P(3) + 2P(2) + (—2)P(—2) + 4P(4) Gana espe! Ejemplyc 10, a) y one en- bili- tro pri- ana ran por B) aria Seccién 22 * Juegos entre dos personas: Estrategias mixtas = 79 Ahora observamos que pq = at ( Ganancia esperada El Ejemplo 1 se puede generalizar. Supéngase que R usa la estrategia p y que C usa la estrategia q para el juego cuya matriz de pagos es la matriz A de m x_n. Entonces la gananeia esperada para R, denotada por E(p, q), esta dada por E(p, q) = ganancia esperada = pAq. a) Nota. Como A es una matriz m x ny q es un vector de n componentes (es una matriz n x 1), el producto Aq es una matriz. m x 1 y pAqes, por lo tanto, una matriz (x m) x (m x 1) = 1 x 1, 0 sea, simplemente un numero real Ejemplo 2 Solucién éCual es la ganancia esperada para R en el juego de matriz 3 x 4 2 slyeledeg oO) (a) si R adopta la estrategia (§ 4 4) y C adopta la estrategia (b) si Ry Cescogen el segundo rengl6n y la tercera columna respectivamente? @ ER@=G 380 = capitulo 2 + TEORIA DE JUEGOS 0 Estrateias Spi ) Aquip=@ 1.0) y a= : Entonces 0 (2-1 3 0 : E(p.q)=(@ 1 03 -2 -1 2 1 = 1 = 1 4 3-3, \0/ Esta claro que ésta es la componente 2, 3 de A Todavia queda sin resolver la pregunta basica: ¢Cémo hacen R y C para ; escoger sus estrategias? Esta pregunta se responde en parte por un resultado fundamental descubierto por von Neumann. Teorema de Von Neumann Para un juego cuya matriz de m x nes A, existen estrategias py ¥ Go ¥ ‘un numero y tal que E(pp, q) = v para cualquier estrategia q y E(p, %) S v para cualquier estrategia p. Las estrategias Py Y G Se llaman estrategias 6ptimas para R y C, respectivamente y el numero v se llama valor del juego. Es 4Por qué son éptimas py ¥ qs? Porque si R elige po, él sabe que finalmente ganaré v unidades. Si escoge cualquier otra estrategia, C puede escoger dy y asegurar que R ganaré a lo més v unidades. Asi, suponiendo que C juega pru- dentemente, R puede hacerlo mejor optando por la estrategia py. Un razonamiento similar muestra que la estrategia éptima para C es qo. Utilizando el teorema de Von Neumann, es posible demostrar que sia, es un punto silla, entonces el valor del juego es a, y las estrategias Sptimas son estrategias puras de jugar el renglén i y la columna j con probabilidad de 1 Esto justifica lo que hicimos en la tiltima seccién. El teorema de Von Neumann es limitado en el sentido de que indica cuales son las estrategias éptimas y cual es el valor del juego, pero no dice cémo cal- cularlos. Resulta que es muy fécil calcularlas cuando la matriz es de 2 x 2. Otros casos presentan mayor dificultad y serdn discutidos en la Seccién 2.3. 4=(0 ¢) a 421 G22,y C para | resultado: WY WY E(P, G) n estr: 1a valor finalmente Ber Io ¥ juega pru- Jn razona- que rategias aj con dica cuales como cal- de 2 x 2. eccion 2.3. @ Secci6n 22 * Juegos entre dos personas: Estrategias mixtas 81 Estratsis Sptines para un juego de matz 2x 2 Hlemplo 3 Si la matriz en (2) no es estrictamente determinada, las estrategias éptimas para R y C son i 22 ~ aay an = aia ®@ OO Nai Fa = G12 = a1 iy + ag — 2 — y ay, + das G = (4) au 51 + Oy El valor del juego es p= 4122 = 12 day © ayy + a2 = ya — aay En el Problema 44 se pide demostrar por qué son validas las ecuaciones (3), (4) y (5). Determinar las estrategias Optimas y el valor en el juego de emparejar monedas del Ejemplo 2.1.1 Entonces a); = —1,4;2 = 1,421 = 1,a32 = —1 y, de (3),(4), y (5) -1-1 -1-1 pales —1-1-1-1 -1-1-1-1)" \2 2f ates == % = = -1-1 1 » = DED - (HA) Asi, en este juego muy simple, R y C optan mejor por cara o cruz con igual probabilidad. El valor de este juego es cero.82 carimuto’e * TEORIA DE JUEGOS Juego justo Un juego es justo si su valor es cero. El juego de emparejar monedas es un ejemplo de juego justo. Fem Fienplo 4 En él juego de guerra del Ejemplo 2.1.3, modifiquemos las hipétesis para ob- ” tener la siguiente tabla. Table 1 Opciones para los japoneses y los aliados (Numero de dias de bombardeo) P= Opciones af para tos | iene opis | Ruta norte | Ruta sur | Ruta norte La matriz. del juego es (7 : ) y no hay punto silla, por lo que el juego no es estrict 3. Asi que amente determinado. Tenemos que a, = 2, a; = 1 = ay yan, Solucié ( 3-1 2-1 Z ;) Pe salasig al dees ns 220 afk) eek 3-1 2) 3 3 Esto significa que si este juego se repitiera muchas veces, cada comandante deberia escoger la ruta norte 2/3 de las vec y la ruta sur 1/3 de las veces. F bria, en promedio, 5/3 dias de bombardeo. Claro que este procedimiento no se puede hacer mas de una vez. Por lo tanto, la interpr i6n correcta del vec tor py = (2/3. 1/3) es que el general Kenney debe escoger el norte con una probabilidad de 2/3. Esto lo podria hacer, por ejemplo, colocando dos N yis para ob- ndante de- veces. Ha- miento no. ta del vec. je con una o dos Ny Ejemplo 5 Solucién Secci6n 22 * Juegos entre dos personas: Estrategias mixtas 83 una S en una caja y escogiendo una letra al azar. Su numero esperado de dias de bombardeo seria de 5/3, aunque, claro esta, slo podria tener 1, 2.0 3 dias de bombardeo. Asignacién de Riesgo a Procedimientos Médicos. Como es bien sabido, muchos procedimientos médicos involucran un riesgo no despreciable para ¢l pa ciente y s6lo se deben llevar a cabo cuando el mismo se expone a un riesgo mayor si no se aplica el tratamiento. ;Cémo puede determinarse qué riesgo es mayor en una situacién dada? Este problema es complicado atin mas cuando no hay una completa certeza de que el paciente tiene la enfermedad que se sos- Pecha. Por ejemplo, a veces se emplea la cirugia para extraer tumores aun cuando la probabilidad es pequefla de que el tumor serd maligno, ;Qué tan grande debe ser esta probabilidad para que deba recomendarse la cirugia? Para analizar esta cuestiOn, supéngase que la probabilidad de que un pa ciente tenga cierta enfermedad es q,, (Esta probabilidad se ha determinado por medio de varias pruebas.) El tratamiento para esta enfermedad es una ope! cién de importancia. Si el pa a. iente tiene la enfermedad pero no se le opera, ir 20 aos. Si el enfermo no tiene la enfermedad, puede esperar vivir 25 afios si se opera, 0 30 aftos si no se opera. La decisién de operarlo o no, claramente de- Puede esperar vivir $ aftos, pero si se opera al paciente, puede esperar vis pende de g,, la probabilidad de que el paciente ten a la enfermedad. Si g, O, el paciente no tiene la enfermedad y no debe ser operado. ;Cudl es el menor valor de q, para el cual es recomendable que se le opere? Este problema puede ser nalizado como un juego de matriz. Definase (cr) como la matriz del juego. El paciente ‘‘juega’” los renglones. El renglén I corresponde a operarse y el renglén II corresponde a no ser operado. El oponente, la naturaleza, juega las columnas. La columna I corresponde a la enfermedad y la columna II corresponde a no tener la enfermedad. La estrategia de la naturaleza es pa ia pura, pero, por ahora, supongamos que la es trategia del paciente es p = (p, _p,). El pago esperado (en afios de vida) es 20 25)/ FR @= (1 1~ (2 3°)(, y) 209, + 25(1 ~ ay) emer se yi) = 20p:91 = Sp — 259, + 30.84 — capiTuLo 2 + TEORIA DE JUEGOS Si se opera al paciente, entonces p = (1 0) y E(p, a) = 25 — 5q.. Si no se le opera, entonces p = (0 1) y Alp, @) = 30 ~ 25g,. El paciente debe operarse si 25 — Sq, > 30 — 25g, —o sea, si 20g, > 5, 0 si g, > 0.25. Esto quiere decir que el paciente debe operarse si la probabilidad de que tenga la enfermedad es de mas del 25%. Si de la informacién disponible se infiere que la probabilidad de que tenga la enfermedad es, por ejemplo, del 15%, la operacién no se debe hacer. Se requeriria mas informacién para poder recomendar que se haga la operacién. Hlemplo 6 Considérese el juego cuya matriz de pagos es 457 A=|1 24 5 8 3/ Este no es un juego 2 x 2y no tiene puntos silla, por lo que no esta estrictamente determinado. Sin embargo, el renglén 2 es recesivo. Los resultados para R son siempre mejores si escoge el renglin 1 en vez de escoger el renglén 2. De manera semejante, la columna 2 es recesiva y C no la debe escoger nunca. Eliminando el renglén y la columna recesivos se obtiene a7 513, Las estrategias 6ptimas y el valor del juego son, de (3), (4) y (5), bo -() one Asi que a@LUAD Py =(0 p=G 0) y w \4 son las estrategias 6ptimas para A. El valor del juego sigue siendo de 23/5. Terminamos esta seccién con un ejemplo maravilloso del uso de la teoria de juegos aplicada a la filosofia.* Hiemplo7 Voluntad libre. {Tine cada persona un papel en la direccién de su propia vida? ,O estamos destinados a seguir un plan preordenado, moviéndonos en una banda transportadora o destino? Una de las columnas de Martin Gardner Foster Allman; extractado con permiso de la revista Science '82, julio-agosto, 1981, pags. 36-37. American Association for the Advancement of ScienceSino se > operarse uiere de- fermedad srobabili- in no se e se haga { estricta- ados para englén 2, er nunca. de 23/5 la teoria uu propia donos en Gardner lio-agosto, Seccién 22 * Juegos entre dos personas: Estrategias mixtas 85 que generé una respuesta considerable de los lectores discutfa la libre voluntad y el determinismo, ilustrando lo que se conoce como la paradoja de Newcomb. La paradoja se refiere a la facultad de un ‘Ser Superior”” de predecir con exactitud el comportamiento. Tal Ser puede ser un vidente, un viajero en el tiempo, Dios o cualquier otra entidad precognoscente. El lector tiene frente a si dos cajas. La Caja A contiene $1000. La Caja B puede contener $1 millén 0 nada. El lector tiene la opcién de tomar el contenido de las dos cajas, o solamente el contenido de la Caja B. Antes de que el lector tome su decisién, el Ser Superior hace una prediccién sobre la eleccién del lector. Si el Ser considera que el lector se quedard sélo con la Caja B, pon- dra $1 dentro de la caja. Si predice que el lector tomard las dos cajas, dejara vacia la Caja B. El Ser no es necesariamente infalible, pero sus predicciones suelen ser extremadamente exactas. i Qué opcién toma el lector? Si elige las dos cajas, el Ser lo habra predicho asi y habré dejado vacia la Caja B. Si el lector decide tomar sdlo la Caja B, ganard $1 mill6n. La experiencia del lector es que el Ser nunca se ha equivo- cado en su prediccién. En ese caso, la eleccién correcta parece ser a eleccién de tomar tinicamente la Caja B. El ser B Elser AyB Tomar B $1,000,000 $0 Tomar AyB | $1,001,000 $1,000 Pero considérese otro argumento. El Ser hizo su prediccion hace una semana, o tal vez el dia en que nacié el lector. El ya puso $1 millén en la Caja B ono lo hizo, y el dinero no va a desaparecer. Entonces tiene mas sentido tomar las dos cajas, porque si la Caja B no esta vacfa, el lector ganar $1,001,000. Si la caja esta vacia, el lector se quedaré al menos con los $1000. En cambio, con la eleccién de la Caja B tinicamente, existe una posibilidad, aunque remo- ta, de que el lector no gane nada. Gardner sugiere una manera de considerar la paradoja, usando lo que en teorfa de juegos se llama una matriz de pagos. Si el lector considera el resultado de ambas opciones a la luz de las predicciones del Ser, aparece que la eleccidn de ambas cajas es la optima, porque esa eleccidn es la que ofrece el pago maximo més alto ($1,001,000) y también el pago minimo més alto ($1000) Nétese que $1000 es un punto silla. Pero desde otro punto de vista de la teoria de juegos, al multiplicar los resultados posibles correspondientes a cada opcién por la probabilidad de que efectivamente ocurran, se llega a la conclusién contraria. Aun si se supone ue las predicciones del Ser slo son correctas el 90% de las veces, la ganancia esperada al elegir tomar las dos cajas es el 90% de $1000 mas el 10% de $1,001,000,86 cApiTULO. 2 + TEORIA DE JUEGOS lo que da un total de $101,000. En otras palabras, si el lector participara en el juego diez veces, sus ganancias promedio serfan de $101,000. Al escoger slo la Caja B se obtendria el 90% de $1,000,000 mas el 10% de cero, dando un total de $900,000. Es mejor escoger sélo la Caja B aun si el Ser s6lo hiciera predicciones correctas algo mas de la mitad de las veces. La paradoja se basa en los conceptos en conflicto de voluntad libre y determinismo. Para los que creen que sus decisiones estan determinadas completamente por un futuro presente, dependiendo en su totalidad de lo que el pr glo XIX William James amé la fuerza del pasado, la tinica opcién correcta, si asi se puede llamar, consistiria en elegir solamente la Caja B, porque un Ser omnisciente o un viajero del espacio conoceria estas fuerzas matista del si Para los que creen que las opciones son independientes —que existe ha, una libertad de accién, mas alla de lo que el pasado exige del futuro— la eleccién adecuada consistiria no im porta qué tan infinitamente pequ dos cajas. Suponga el lector que, antes de tomar su decision, ha hecho 1000 6 la Caja B recibié $1 millén, y que jeron ambas cajas se encontraron la caja B vacia. Aun en ese supuesto, un amigo del lector que podia ver el contenido de ambas cajas antes pruebas, y que cada persona que solo todos los que eli de que el lector tomara su decisién, sean cuales fueren los contenidos de las cajas, le aconsejaria al lector que eligiera las dos cajas, porque ya fuera que la Caja B contuviera o no $1 millén, el lector obtendria al menos $1000. Isaac Asimov, respondiendo a Gardner, escribid: ‘*Yo, sin dudarlo, escoge ria ambas cajas. Yo soy un determinista, pero tengo perfectamente claro que cualquier ser humano digno de considerarse ser humano (ciertamente, inclu yéndome a mi mismo) preferiria la voluntad libre, si algo asi pudiera existir Asi al menos expre Dios] y en su propia voluntad libre... Sin embargo, si sélo escogiera la segunda su deseo de sacar ventaja de la no omnisciencia [de caja, se quedaria con su desafortunado millén-y no sélo seria esclavo por ese millén, sino que habria demostrado su d y no seria alguien que yo podria reconocer como humano.” 10 de s: un esclavo por ese millén, Aparentemente, Martin Gardner se divierte mas enunciando p como ésta que resolviéndolas. “‘Soy un indeterminista, lo que quiere decir que no soy determinista”, dice. ‘No creo que la paradoja se haya explicado co trectamente, pero no voy a perder el sueio tratando de hacerlo.” Problemas 2.2 En los Problemas 1-10, se da la matriz de pagos de un juego. Encuéntrese la ganancia esperada para R con el par de estrategias dadas p y 4Secci6n 22 * Juegos entre dos personas: Estrategias mixtas 87 articipara en escoger silo 4 o, dando un sélo hiciera 5. libre y deter- as completa- que el pra 6 do, la tinica jente la Caja stas fuerzas, 1 xiste, no im ds alld de lo en elegir las hecho 1000 8. nillén, y que Aun en ese S cajas antes nidos de las ya fuera que os $1000. arlo, escoge- te claro que 10. 3) * ente, inch 4 s):p= } + ra existir :}> @ 2 Da= } 1 isciencia [de I 0, ala segunda lavo por ese En los Problemas 11-23, determinense las estrategias éptimas y el valor del jue- rese millon, g0 de matriz dado. ;Cudles juegos son justos? 0 paradojas - = mae cet decir que ( : | nn we f-t =n Bf 0-2) er) we (5 23 2. [53 40 2 (Ss)CAPITULO 2 * TEORIA DE JUEGOS 30, 31 32, 33. 34. {Cudl es el minimo valor de la probabilidad de que el paciente tenga la enferme. dad para el que se deberia recomendar la operacion? Se puede estudiar con més detalle el modelo de toma de decisiones médicas del Ejemplo 5. Definase la matriz de juego en donde a, 4, on la vida esperada del paciente si se opera y tiene la enfermedad, si se opera y no tiene la enfermedad, si no se opera y tiene la enfermedad y si no se opera y no tiene la enfermedad, respectivamente. Suponien do que el paciente quiere maximizar su vida esperada, demostrar que la opera- cién se puede recomendar si la probabilidad de que el paciente tenga la enfermedad es de mas de [Sugerencia: Compérese la vida esperada para el paciente con la operacién con la vida esperada para el paciente sin la operacién.} Demostrar que el juego del Problema 2.1.11 no es justo. ;Cual es su valor? ;Qué estrategia debe adoptar R? Responda las preguntas del Problema 26 para el juego del Problema 2.1.12 En el Problema 2.1.15, ,qué debe hacer el duefio de 1a tienda A si sabe que el duefio del establecimiento B lanzard una moneda para decidir si aumenta o disminuye sus precios? Encontrar la estrategia 6ptima para el agricultor del Problema 2.1.20 si la proba. bilidad de las heladas desde el 25 de agosto hasta el $ de septiembre es de 0.5. Responda la pregunta de! Problema 29 si la probabilidad de las heladas es de 0.2. Responda la pregunta del Problema 29 sila probabilidad de las heladas es de 0.9. En cierta r nto es fria ii6n agricola, el clima promedio en la estacién de erecimi caliente. Se siembran dos cultivos en un campo de 1500 acres, Si la temporada de ereci nnancias esperadas son de $20 por acre de la cosecha Ly de $10 por acre de Ia cosecha II. Si la temporada de crecimiento es caliente, Jas ganancias esperadas son de $10 por acre de la cosecha I y de $30 por acre de la cosecha II. Describir la competencia entre el agricultor y e n juego de matriz, Si no se tiene informacién sobre las probabilidades de que se dé clima caliente o frio, ,cudl es la estrategia Optima para el agricultor? Supéngase que el clima en el Problema 32 es igualmente probabl {Cuantos acres de cada cultivo debe sembrar el agricultor? En un experimento, un plétano. En cada realiz o debe cién del exper alla I 0 bien un platano detrés de cada una de las pantallas II y III (es tos son los dos “‘movimientos”” del experimento). Describase este experim: como un juego de matriz 3 x 2. ;Cudles son las estrategias Optimas para el mono y para el que realiza el experimento? na de tres pantallas para ganarse un mento se colocan dos platanos detr de la ps Si todas las componentes de una matriz de juego son positivas, demuéstrese el valor del juego es positiv Dados dos jueg nA = (a ales que by = a, k para toda uéstrese que Bes igual al valorerme. as del tiene nien- pera- a la Qué ris (es- 38. 39. 40. 41 * 44 Seccién 22 * Juegos entre dos personas: Estrategias mixtas 89 del juego A mis la constante k. Demuéstrese que las estrategias Optimas para R ¥ C son las mismas en B que en A. (Se dice que los juegos A y B son juegos de matriz equivalentes.) éCuéles son las estrategias éptimas y cudles los valores de los juegos de matriz cauivalents 3.2 s 4 4G) 92-1) ‘iCuales son las estrategias éptimas y cudles los valores de los juegos de matriz uae ere f 00 0 s-(223) 5 2 1 a “24's \-3 3 4] Al aumentar el valor de la variable ¢ de 0 a 1, ,cOmo cambian las estrategias ptimas en los juegos siguientes? (@) (5 en) ) ft | © (; “ Determinar los valores de los juegos de matriz 2 x 2.del Problema 39 como fun: ciones de ¢ para 0 = fs 1. {Para qué valores de 1 son justos estos juegos? (a) Demuéstrese que el juego de matriz 2 x 2 (at) no esta estrictamente determinado para ningiin valor de ¢. (b) Demuéstrese que el valor de este juego es una constante independiente de 4, Eneuéntrese el valor de esa constante. (2) Supéngase que todas las componentes de py son mayores o iguales que v. Demuéstrese que E(B, 4) = pyAq = v. [Sugerencia: Usese el hecho de que las componentes de q tienen una suma de 1.) (©) Si (pp, a) = vy para cada una de las estrategias q, demuéstrese que cada una de las componentes de pyA es mayor o igual que v. [Sugerencia: Muéstrese que la componente k de py es igual a E(po, a) donde q es el vector columna con un 1 en la posicién k y ceros en las demés posiciones.} Por un procedimiento semejante al del Problema 42, demuéstrese que cada com. Ponente de Aq es menor o igual que v si y slo si E(p, qo) < v para cada una de las estrategias de p Supéngase que po, qo ¥ v estan dados por (3), (4) y (5), respectivamente. (@) Demuéstrese que pp = vy que Aq s » (b) Usense los resultados de los Problemas 42 y 43 para concluir que (3) y (4) determinan estrategias 6ptimas, y que v, dado en (5), es el valor del juego de matriz 2 x 2.90 — cariTULO 2 © TEORIA DE JUEGOS 2.3 Juegos de matriz y programacion lineal El problema de esta seccién consiste en determinar las estrategias Sptimas para los dos participantes, Ry C, en un juego general de matriz m x n con matriz de pagos A = (a,). Podemos suponer que la matriz de juego A no tiene ren glones ni columnas recesivos, ya que éstos no se escogerian nunca al usar estrategias Gptimas. Para evitar una pequefia complicacién, supondremos ademas que todas las componentes de A son positivas. Si esto no se cumple, se define una nueva matriz de juego B = (b,) = (ay + 4), sumando una constante po sitiva k a cada una de las componentes de A. La constante k se escoge de manera que todas las componentes de B sean positivas. El valor del juego de matriz m x n determinado por B es positivo. El teorema de von Neumann implica que la estrategia ptima qy de C satisface la condicién de que todas las componentes de Aq, son menores 0 iguales que v, el valor del juego. De manei jodas las componentes de (1/v)Aqy son menores 0 iguales a 1. Parai = 1, 2, ..., n, definase x, como la componente i de (1/v)qo. Nétese que x, = 0, ya que v > Oy qo es un vector de probabilidad. El competidor C trata de minimizar v, la ganancia esperada de R y pérdida esperada de C. Esto se hace maximizando f = 1/v suje- to a las restricciones. Por lo tanto, el problema que C debe resolver es el siguiente: equivalente, Solve Maximizar EX tm tt hy a) sujeta a AX, + Miaka toe + Mk, SI GyX, + GX, + ves + Gagky S I Gy Xj + Oyaky + oss + Oy SH ¥ 20, x = 0, x, = 0. ramacion Reconocemos este problema como un problema de maximos en pro lineal. Por un argumento semejante, el lector puede verificar que R debe resol: ver el problema de minimos dual para determinar su estrategia 6ptima. La ta bla simplex inicial para este problema eslemas lefine © po- nane- atriz C sa- res 0 nen eX) un acs. suje- es el Secci6n 23 * Juegos de matriz y programacién lineal 91 Los indicadores positivos en el tiltimo renglén s e climinan sucesivamente por el método simplex. Usando este método, se reduce la tabla simplex inicial a una tabla terminal. El valor v del juego ¢s el reciproco del valor maximo def. Las soluciones x* = Gr ay .--5 45) ¥ * = Wis Yn »-., Jn) del proble. ma de maximos y del problema dual de minimos se pueden leer de la ultima columna y del tiltimo rengién de la tabla terminal. Las estrategias éptimas para C y para R, entonces, son q, = vx* = (vx, OY, War sss We): 9 Vay 24 WX) ¥ By = wy Fiemplo 1 Determinar las estrategias éptimas del juego de pagos ar matriz 2 x 2 con matriz de Sotcién Las componentes de A son todas positivas, y los métodos de esta seccién se pueden aplicar. El problema de maximos asociad x + x sujeta ax, + 2%) 1, 2x, + 3x; < I, x, plex inicial de este problema es los consiste en maximizar f = = Oy x = 0. La tabla sim- Haciendo pivoteo en la componente encerrada en un circulo, se obtiene la si- niente tabla Esta es una tabla terminal, porque no tiene indic el maximo valor de f sujeto a las restricciones es del juego es 1/1/2 = 2. EI maximo valor de foc minimo del problema dual ocurre en y* = (0, 1 para R y C son py = vy* = 0, 1) yq, = vx* = adores positivos. De ahi que 1/2 y, por lo tanto, el valor Teen x* = (1/2, 0) y el valor 2). Las estrategias éptimas 2(1/2, 0) = (1, 0). El Ejemplo 1 se pudo haber resuelto por los métodos de la seccién anterior Para juegos generales de matriz 2 x 2, u observ ando que la componente en92 capitulo 2 + TERIA DE JUEGOS la primera columna y el segundo renglén es un punto silla. Los métodos de esta seccién pueden aplicarse a todos los juegos de matriz m x n. Para terminar esta seccién, consideramos dos ejemplos de matrices de juego con componentes negativas. Ejemplo Determinense las estrategias éptimas para R y C en el juego de matriz 2 x 2 Solucién cuya matriz de pagos es 21 A te 4] Sumando 3 a cada una de las componentes de A, definase una nueva matriz de juego ‘S 4) B (3 que tiene todas las componentes positivas. Las estrategias 6ptimas en el juego Bson las mismas que las estrategias 6ptimas en el juego dado. Para determinar estas estrategias dptimas, escribimos la tabla simplex inicial. L. Petar ryweN Cer aa ole:|*s, 1 Oo tft] s 1 1jo0 olf Haciendo pivoteo en la componente encerrada en un circulo, se obtienen las siguientes tablas: tL. x YX, Fu. 2 hieny Sache $s pOsfrierde af axa fo @j-' 1] $ | s Os dale OH F—+ m1. MHF 1 oO % 01 %nétodos de Para termi- on compo- atriz 2 x 2 eva matriz en el juego determinar btienen las Ejemplo 3 Solucién Seccién 23 * Juegos de matriz y programacién lineal 93 La tiltima tabla es terminal, porque todos los indicadores son no positivos. El valor maximo de f es 1/21, que ocurre en x* = (1/21, 4/21). Por lo tanto, el valor del juego B es de 21/5. El valor del juego original A es 21/5 ~ 3 = 6/5. Las estrategias optimas para R y C son Po = 21/5(4/21, 1/21) = (4/5, 1/5) y qy = 21/5(1/21, 4/21) = (1/5, 4/5). Determinar las estrategias optimas para R y Cen el juego de matriz 3 x 3 cuya matriz de pagos es 4-2 -5) A=(2 8 “3 “5 -3 14) Como no es evidente que el valor de este juego es positivo, definimos una matriz de juego equivalente (10 4 1 a-(4 4 3 \ 1 3 20 con todas sus componentes positivas, afiadiendo 6 a cada componente de A. Las estrategias éptimas para R y C son las mismas en los dos juegos equivalente A y B. La tabla simplex inicial asociada con el juego de matriz B es XX, Xs S82 0 oli} s, o} 1] s o 1f1] ss o ols Haciendo pivoteo en la componente marcada en cada caso, se obtienen las tablas siguientes: IL hh xp Si94 — cAPiTuLO 2 » TEORIA DE JUEGOS: Mm. % % y10 xi 0 X }0 5 0 IV. 1 x, 0 % Jo | 0 Se invita al lector a completar la tabla terminal (IV). Estos mimeros no se necesitan en el iltimo paso. El maximo de la funcién objetivo f es de 4/25, y por lo tanto, el valor del juego B es de 25/4. El valor del juego original A es de 4-6 = 1/4. La estrategia Optima para C es = vxt = 25/4 (2/2! , 1/25) = (1/2, La estrategia ptima para R es Po = vy* = 25/4(2/25, 1/25, 1/25) = (1/2, 1/4, 1/4) Problemas 2.3 1. Usando los métodos de programacién line y los valores de los siguientes juegos de m: a2 3) (1 9% Usando los métodos de programacién lineal, determinense las estrategias Optimas y el valor de los siguientes juegos de matriz de 3 x 3 determinense las estrategias Sptimas5 No se nece- 5, ¥ por inal A es de 4) 4) jegias Optimas (egias éptimas 6 Secci6n 23 * Juegos de matriz y programacion lineal 95. Usando el método de programacién lineal de esta seccién determinense las estrate agias éptimas cuando el yalor del juego de matriz es positivo. ;Por qué no funciona el método cuando el valor del juego es cero 0 negativo? Los valores de los juegos de matriz de los Ejemplos 2 y 3 son de 6/5 y 1/4, vamente. Como los valores son positivos, no fue necesario definir juegos de matriz cequivalentes con todas las componentes positivas. Apliquese el método de progra- macién lineal a las matrices de juego originales para determinar las estrat mas para los dos ejemplos. spect Determinense las estrategias dptimas y el valor del jueg 2 4 0 O\ 1 4-1 2-117 -1 s 2-1 of Determinense las estrate; as dptimas del juego de matriz (ie 2) 0 100, Las estrategias ptimas garantizan una ganancia minima para R si el juego se reali za muchas veces. Si el juego se realiza una sola vez, gcOmo determina R su movi miento? Cuando escogeré R el primer renglén para asegurarse una ganancia de al menos nueve unidades? {En qué condiciones se arriesgard R escogiendo el segundo renglén?96 CAPITULO Un modelo para estudio del transito En este capitulo se mostrar cémo un sistema de ecuaciones lineales puede ayudar a resolver un problema prictico de transito. Para coneretar mas, em pezamos con un mapa que muestra una pequefia zona de Atlanta, Georgia. ou 600 S 700 Pine St Pine St 800—> > $e 4, 200 a < 5 E & 3 600—« « « = +400 * Merritts Ave. Y Merritts Ave. 400 100 300 En el mapa se indicé el flujo de trdnsito que entra o sale a cada calle, en unida des de vehiculos por hora (vph). Ya que‘el flujo de trénsito varia considerable- mente durante el dia, supondremos que los mimeros mostrados representan el flujo de transito promedio a la hora de maximo flujo, que se da, aproximada mente, entre las 4 P.M. y las 5:30 P.M. Supéngase ahora que un grupo politico esta planeando una manifestacién en Merritts Avenue, entre Courtland Street y Peachtree Street a las 5 P.M. del miércoles. La policia de Atlanta puede, hasta cierto punto, controlar el flujo de transito reajustando los semiaféros, colocando policias en los cruces clave, © cerrando la calle critica al trénsito"€e vehiculos. Si se disminu: por Merritts Avenue, aumentard el de fas calles adyacentes. La cuestién es mi 1 transitoyuede , em. rgia, tida- able- an el ada- cin del lujo ave, sito mi Un modelo para estudio del trénsito 97 nimizar el transito por Mersitts Avenue (entre Courtland y Peachtree) sin oca- sionar congestionamientos en las otras calles. Para resolver nuestro problema de minimizacién, le agregamos marcas a nuestro mapa. 600 700 Pine St. vy Pine St 4 800» > E > TF >—200 a|> Xs x [2 Z » ke Xs Xs | 600-« 400 e | B Merritts Ave. C 300 4 A A, Merritts Ave. yt Aqui se han marcado las seis intersecciones ‘A’? hasta “F’” y se ha denota- do el flujo de transito entre las intersecciones adyacentes por las variables x hasta x,. El problema consiste ahora en minimizar x,, sujeta a las restricciones del problema. Para encontrar estas restricciones, veamos, por ejemplo, la interseccién B. El transito que fluye a la interseccidn B es, segin el mapa, x) + x,. El trénsi to que sale de la interseccién B es x, + 100. Suponiendo que el transito no se acumula en Ia interseccién B, el trénsito de ““entrada”* debe ser igual al transito de “‘salida’’. Asi se obtiene la ecuacién +x = © bien Xy— ty + x = 100 A partir de este analisis en cada interseccién, se obtiene el siguiente sistema de seis ecuaciones en siete incdgnitas en A x =x = -200 enB x + x, = 100 en € +% = en D x, - = 100 enE x -% +x, = 600 en F x +x = 900CAPITULO 3 * UN MODELO PARA ESTUDIO DEL TRANSITO 98 Escribiendo este sistema en forma de matriz aumentada y resolviéndolo por reduccién de renglones se obtiene, sucesivamente: -1 00 00 100 700 |. 300 0 |-2 0 | 0 0 i| s 1 | 200, 0 0 0 1 -1 0 -1 0 0 fede 014-0. po =1 1-1 -1 0 0 0 00 0 1 0 0 I 0 0 0 1 0 0 0 0 00 0 0 0 0 00 0jiéndolo por | -200 100 700 ‘Un modelo para estudio del trénsito 99 Y hasta aqui se puede llegar. Evidentemente, hay un niimero infinito de soluciones. Usando Ia tltima matriz encontrada, se puede escribir cada variable en términos de x, y Xx; + 600 =x; + 900 + 300 Xs = x, — 200 Ahora est claro que ya que x, no puede ser negativo (se tendria trinsito en el sentido contrario al permitido en una calle), se debe tener que x, = 300 Asi que, para minimizar el flujo de trénsito en Merritts Avenue entre Court- land y Peachtree (sin crear congestionamientos), la Policia de Atlanta debe Considerar un flujo de 300 vpm en esa calle y cerrar el transito en Pine Street en. tre Peachtree y Courtland (porque para tener x, = 300 se necesita que x, = 0). Por iiltimo, con x, = 0 se tiene x, = 100 X= =x, + 600 =x, + 900 x, = 300 x — 200 De la segunda ecuacién se deduce que x, < 600. De la tiltima ecuacién, x, = 200. Entonces, se tiene la solucién final de nuestro problema, Para lograr que ¢l transito sea minimo en x,, se debe tener = 100 = 400 (porque 200 < x, = 600) 300 < x, < 700 x, = 300100 CAPITULO 3 + UN MODELO PARA ESTUDIO DEL TRANSITO Problemas * Capitulo 3 En los mapas siguientes, minimicese el trdnsito en la calle indicada con asteris- cos (#***) 1 300 200—«—_} _—«—_____}__4_199 E] ds 5 $00—>—} > tg _ 399 vs X yi 800 400 1000 600 700 4icon asteris- CAPITULO Criptografia Criptografia es la ciencia de escribir o descifrar claves. A pesar de que esta materia se asocia frecuentemente con asuntos militares, la ctiptografia lleg6 a ser un area importante en los negocios. Las grandes empresas, que procesan enormes cantidades de datos computadorizados, deben protegerse constantemen te contra lo que se llama “‘espionaje industrial”, esto es, el robo de informa. cién importante por los competidores. Actualmente, hay muchas técnicas extremadamente complejas desarrolla- das para garantizar la posibilidad de transmitir grandes cantidades de informa ci6n en forma confidencial. A esto se llegé después de investigacién altamente claborada hecha por criptégrafos modernos Claro que en este libro no serd posible describir las técnicas més modernas Para construir claves y para descifrarlas. Pero si se ilustrarén maneras sencillas de construir y descifrar claves por medio de técnicas elementales sobre matri ces, Casi todos saben lo que es un criptograma. Se trata de un pasatiempo que aparece en muchos periddicos. Es comin que se dé un mensaje como el siguiente: KI ZPIIC VPJLP Pl PUPJKVG. Esto se puede descifrar usando la tabla ‘‘descodificadora” ABCDEFGHIJKLMNOPQRSTUVWxyYz PMV ORSZOTBWIUICXEGYLDRHAFN 101102 — cAPITULO 4 © CRIPTOGRAFIA. Notando que K esta en el lugar de E, que I sustituye a L, que Z reemplaza a G, etcétera, se llega al mensaje siguiente: EL GALLO CANTA AL AMANECER. Un criptograma usa una clase de clave muy burda y facil de descifrar. Ahora se verd cémo se pueden usar matrices para crear una clave mucho mis dificil de descifrar. Empezamos asignando a cada letra su lugar en el alfabeto orde- nado. Esto nos da la siguiente asociacién: ABCDEFGHI JKLMNOPQRSTUVWXYZ ) 3456789101112 3.14 15 16 17 18 19 2021 2223 24 25 26 ‘Supéngase que queremos codificar el mensaje LAS MATRICES SON AMIGABLES. Descomponemos el mensaje en unidades de igual longitud. Si se escogen longi- tudes de dos letras, se obtiene LA SM AT RI CE SS ON AM IG AB LE SX. @ La X al final simplemente Hlena el espacio. Si usamos nuestro cédig (1), podemos escribir (2) como un conjunto de vectores de dos componentes (7) (a) Co) (5) (2) is) Ga s)(2}(2)(3) e2 x 2, inversible y entera, con determinante ién tiene s6lo componentes enteras. Una matriz numérico con esas condiciones es 13) A . (i a} Para continuar, multiplicamos cada uno de los vectores de dos componentes plo, )= (3) Asi obtenemos el nuevo conjunto de te) (x) (st) ($a) (os) (5s) (a) Gs) (az en (3), a la izquierda, por A. Por ¢} 15) (is (5) G3)Z reemplaza a cifrar. Ahora cho mds dificil alfabeto orde- BY Z ay 324 2526 escogen longi- Q) digo numérico s componentes nl @) erminante ss. Una matriz s component or Fs 4 Griptogratie 103. Por tiltimo, escribimos (4) asi: IS 16 58 71 61 81 45 $4 18 23 76 95 57 71 40 53 303779 273291 115. (5) Este es nuestro nuevo mensaje codificado, que seria muy dificil de descifrar si no se sabe cual es la matriz A. Conociendo A, en cambio, ¢s relativamente sencillo, Empezamos rearreglando los numeros en (5) en grupos de vectores de 2 componentes. Ya que, por ejemplo, Ua (" tenemos que Para comprobar esto, observamos que 4 3) por to: (15) ‘or oaie an( Multiplicando cada uno de los vectores en (4) por A~! se obtendrin los vectores en (3), que se pueden convertir directamente por medio de (1) en el mensaje (2). En este contexto, la matriz A se denomina matriz codificadora, y la matriz A~' recibe el nombre de matriz descodificadora Como ejemplo adicional, se puede dificultar esto atin més, contra el descodi- ficador potencial, agrupando la informacién en bloques mas grandes. Si se es- jen unidades de tres letras de largo, (2) se transforma en LAS MAT RIC ESS ONA MIG ABL ESX. ©), que, utilizando (1), se traduce a SEEVGVC3) V3) (2)(8) Para codificar este mensaje se requiere ahora una matriz inversible entera de 3 x 3, cuya inversa tenga también valores enteros (otra vez, escogiendo una matriz de 3 x 3, de componentes enteros y determinante igual a +1). Una ma: triz con tales caracteristicas es 1 A ( 1 0104 CAPITULO 4 * CRIPTOGRAFIA que tiene la inversa 0 1-1) A? 2-2-1). -111) por ejemplo, a(t) Esto nos da el nuevo conjunto de vectores de tres componentes ‘n\ /75\ [48\ (100\ /46\ /52\ /41\ (115) (8) (3 3) 33 ) 62 (3 36] (27) | 72 39] \at} \1s} \ 57) \16) \23) \26/ \ 67 Finalmente, escribimos (8) como: 71 5139-75 54 41 45 33 15 100 62 $7 46 31 16 5236 23 41 27 26 1157267. (9) Para descrifrar (9) se necesita conocer A~!. Por ejemplo, ‘71 wit oh 12) (L\ A {2)- 2-2-1 (:: -(3 -(4 oer Et ANA): ang Lay Problemas + Capitulo 4 1, Mediante el método de este capitulo, codifique el mensaje MOZART CONQUISTA A TODOS, usando la matriz de codificacién (3) Resuelva el Problema 1 usando la matriz de codificacién 1-0 a-(4 23} 2 is 2Seccion 4.1 © Criptogratie 105 3. Con la matriz del Problema 1, descifrese lo siguiente: 159 93 228 133 87 52 200 117 138 79 184 108 77 46 4, Usando la matriz del Problema 2, descifrese lo siguiente: 8 63 66 2 106 161 -2 1 10 -6 19 53 -6 96 180 8) 7267. (9)106 CAPITULO Aplicaciones a la genética La teoria moderna de la herencia de las caracteristicas tuvo su origen en los experimentos de Gregorio Mendel con plantas de chicharo, cuyos resultados se publicaron en 1865. La interpretacién de Mendel de sus experimentos lo llevé a sugerir leyes generales que gobiernan la transmisién de caracteristicas de los padres a sus descendientes. En particular, Mendel supone que la herencia es el resultado de la transmisién de particulas (que ahora se llaman genes) de los padres a los hijos. La naturaleza exacta de los g los que determinan las caracteristicas heredadas han seguido siendo problemas importantes en la invest Un gene particular puede ocurrir en varias formas, o ale/os. Para simplifi car, consideraremos un gene con dos alelos, A y a. Los genes ocurren en cada célula de un organismo, agrupados en los cromosomas. Excepto para las célu: las reproductoras, los genes ocurren en pares y se encuentran en cromosomas pareados. Los tres posibles pares de este gene, AA, Aa y aa, determinan los tres posibles genotipos del organismo en relacién con tal gene. Los genotipos AA y aa se llaman homdcigos, 0 puros, y el genotipo Aa se llama hererdcigo © hibrido. Las células reproductoras (el espermatozoide y el évulo) tien nes y de los mecanismos por cin biolégica hasta el presente. cromosomas de cada gene. Los genes no pareados y, por lo tanto, sélo tienen una copii de la descendencia resultan del pareamiento de los productoras, una de cada uno de los padres. Si los dos progenitores son hom6- cigos, el genotipo de la descendencia queda determinado. Por ejemplo, si uno de los padres es de genotipo AA y el otro es de genotipo aa, la descendencia tendré que ser de genotipo Aa. Por otra parte, son heterdcigos, el genotipo de la descendencia no est determinado. Por ejemplo, si los dos padres son heterdcigos, la descendencia puede set AA, Aa © aa, con probabilidades de 1/4, 1/2y 1/4, respectivamente, suponiendo i viabilidad en la descendencia enes de las dos células re si uno de los padres 0 ambos Ejemplo Solucila origen en los resultados se tos 10 Hlevé a isticas de los 1 herencia es genes) de los anismos por lo problemas ara simplifi ren en cada para las célu- cromosomas terminan los 9s genotipos a heterdcigo eromosomas enes 9s células re- ss son homé- mplo, si uno Jescendencia res © ambos ninado. Por Aplicaciones ala genética 107 Muchas de las caracteristieas, como el albinismo en los humanos, son con. trolados por un solo gene. Otras caracteristicas, como la altura o la inteligen. cia, son controlados por los efectos combinados de un gran ntimero de genes y con frecuencia son influidos fuertemente por factores de ambiente. Uno de los dos alelos A de un gene particular se dice que es dominante si los genotipos AA y Aa no se distinguen entre si. En este caso, el alelo a se dice que es recesi vo si el genotipo aa puede distinguirse por observacién de los genotipos AA y Aa. El gene que controla la anemia en los humanos es un ejemplo de un gene con un alelo dominante y un alelo recesivo. Un individuo aa invariablemente sufre de anemia severa, que resulta en muerte prematura. Si fuera posible clasificar los individuos de una poblacién de una especie dada en cuanto a los genotipos AA, Aa y aa, seria posible determinar las pro Porciones de los dos alelos en la poblacién. Esto no seria factible si, por ejem plo, no se pudieran distinguir AA de Aa. Sean 4 = proporcién de genotipos de tipo AA ¥ = proporcidn de genotipos de tipo Aa W = proporci n-de genotipos de tipo aa, Y supongamos que se pueden determinar esas proporciones. Nétese que se debe tener utvew=l q Entonees, las proporciones p y q de los dos alelos A y a en la poblacién satisfa- las ecuaciones p=uth, @) Aqui se usé el hecho de que los alelos A constituyen el 100 por ciento del genotipo AA (con proporcién 1) y el 50 por ciento del genotipo Aa, y similarmente para los alelos. Se observa que la segunda ecuacién de (2) se puede deducir de la primera ecuaci6n, porque p + g = 1 yw + v + w = 1. Si se supone que los genotipos ocurren en las mismas proporciones entre los machos que entre las hembras, entonces p y q representan (en toda la poblacién) las probabilida. des de que el gene sea A o a, respectivamente. Ejemplo 1 Solucién En una poblacién, la distribucién de genotipos es de 50 por ciento de / por ciento de Aa y 20 por ci poblacién son A y a? . 30 nto de aa. {Qué proporciones de los genes en esta En este ejemplo, w = 0.50, v = 0.30, w = 0.20. Por lo tanto, p = 0.50 + (1/2\0.30) = 0.65 y g = 0.15 + 0.20 = 0.35. Esto implica que de la ““pobla. cién’” de genes el 65 por ciento es de A y el 35 por ciento es de a108 —CAPITULO'5 * APLICACIONES A LA GENETICA Teorema 1 Con frecuencia ¢s interesante el problema inverso al de la determinacién de las proporciones de los genotipos cuando se conocen las proporciones de los alelos. En general, este problema no tiene solucién tinica. El sistema de ecuaciones (2) se reduce a una ecuacién en dos incdgnitas, p = u + (1/2)v. Para obiener una segunda ecuacién independiente, supondremos aparcamiento aleatorio. Esto quiere decir que la probabilidad de que un individuo dado se aparee con otro individuo no depende del genotipo de este tiltimo. En muchos casos, ésta es una suposicién correcta. A veces no lo es. Por ejemplo, se sabe que la gente alta se tiende a casar con gente alta, y por lo tanto la caracteristica de la altura en los humanos no se puede analizar de esta manera. Por otro la: do, se ha demostrado que la suposicién de apareo aleatorio se aplica a la carac: teristica de los tipos de sangre humana. La mayoria de los individuos escogen su cényuge sin preocuparse por su tipo de sangre. Igual que antes, supOngase que p y q son las proporciones de los alelos A y a entre los machos y entre las hembras. Entonces, si suponemos que la pobla- cién es grande, la probabilidad de que la descendencia reciba el alelo A de los dos padres es p?. De manera similar, las probabilidades de los genotipos Aa y aa son 2pq y q?, respectivamente. El término 2pq proviene del hecho de que los individuos Aa y aA tienen genotipos idénticos. Ya que la probabilidad del ge notipo Aa es pq y la del genotipo aA es gp, la probabilidad de Aa ¢s 2pq. Este resultado conduce al teorema siguiente, descubierto en forma independiente por Hardy y Weinberg en 1908 (Ley de Hardy-Weinberg) Supéngase que, en una gran poblacién de padres, los alelos A y a de un gene particular se presentan en las proporciones p ¥ q = 1—p. Suponiendo que estas proporciones son las mismas para los machos y para las hembras y, ademas, que el apareo es aleatorio, la primera y todas las generaciones sucesivas se compondran de los tres genotipos, AA, Aa y aa, en las proporciones p*, 2pq y g* ‘Como se ha visto, un individuo de la primera generacién es de genotipo AA si sus dos padres contribuyen con alelos A. Como la probabilidad es p de que cualquiera de los padres contribuya con un alelo A, la probabilidad del genotipo AA en la descendencia inmediata es de p?. De manera semejante, las probabilidades de los genotipos Aa y aa son de 2pq y p?. Esto implica que las proporciones p, y q; de los alelos A y a en la primera generacién estan dadas por P, = P + 32pq) = Wp + 9 = P, 9% = 32pq) + @ = ap +g) = Por lo tanto, las proporciones de los dos alelos no se afectan por la generaciém inicial. Esto contintia de generacién en generacién. Concluimos que, después de la generacién inicial, las proporciones de los tres genotipos AA, Aa y a@ permanecen constantes en p*, 2pq yg.erminacién de rciones de los tema de ecua- (1/2). Para apareamiento viduo dado se 0. En muchos mplo, se sabe caracteristica Por otro la- ica ala carac- iduos escogen 08 alelos A y que la pobla- ilelo A de los genotipos Aa ho de que los ilidad del ge- \¢s 2pg. Este ndependiente in de padres, orciones p y a los machos mera y todas \A, Aay aa, enotipo AA les p de que ad del geno- mejante, las plica que las estan dadas | generacién ue, después A, Aa y aa Aplicaciones a la genética 109 Ejemplo 2 El color de la flor de chicharo esta controlado por un par de genes. Los tres genotipos AA, Aa y aa se caracterizan por sus flores rojas, color de rosa y blancas, respectivamente. Si se cultiva un campo al azar con 60 por ciento de flores rojas y 40 por ciento de flores blancas, {qué proporciones de los tres genotipos estardin presentes en la cuarta generacién? En este ejemplo, p = 0.6 q = 0.4. Por la ley de Hardy-Weinberg, las propor ciones de flores rojas, rosadas y blancas en la primera generacidn y en todas las subsecuentes son de p*, 2pq y 2, 0 sea de 0.36, 0.48 y 0.16, respectivamente: Notese que la suposicién de cultivo aleatorio equivale a la suposicién de polinizacién aleator Hacemos hincapié en que la ley de Hardy-Weinberg sélo es valida cuando el apareo es aleatorio y cuando los tres genotipos son igualmente viables. En ciertos casos, es bastante dificil verificar que el apareo es aleatorio. Sin embargo, si las proporciones de los genotipos permanecen constantes durante varias generaciones, ¥ si satisfacen la ley de Hardy-Weinberg, esto se puede tomar como una fuerte evidencia de que el apareamiento es aleatorio. Asi, el conocimiento de que el apareo es aleatorio para los tipos de sangre humana, asi como para muchas caracteristicas de plantas y animales, se dedujo de observaciones de las proporciones de genotipos en cuanto cumplen esta ley. Se debe indicar, sin embargo que las discrepancias en las proporciones medidas para los genotipos no necesariamente implican que el apareo no es aleatorio. Estas discrepancias se pueden atribuir a otros factores, como la mortalidad di- ferencial. Situaciones en las que el apareamiento no es aleatorio, se presentan frecuentemente en experimentos biolégicos controlados. Un ejemplo evidente se da en la cria de caballos de carreras, donde un ganador probado tiene gran demanda como semental. El ejemplo siguiente muestra una de las situaciones que pueden presentarse en una situacién controlada. Ejemplo 3 Solucién AA En un experimento controlado, los individuos se aparean de tal forma que uno de los individuos de la pareja es de tipo AA y el otro se escoge al azar. La descendencia se aparea después con individuos de tipo AA, y este proceso contintia. Demostrar que, a la larga, las proporciones de los individuos de tipo AA se acercaran a 1. Sean u,, ¥, ¥ W, las proporciones de los tres genotipos en la generacién n. Se Puede construir una tabla para determinar u,, v, y w;: AA Aa aa w @ o) toda la primera mitad de tipo AA | toda la primera generacién de tipo AA | mitad de tipo Aa generacién de tipo Aa110 — CAPITULO'S © APLICACIONES A LA GENETICA Asi, tenemos uy = y= @) w= 0 Esto puede escribirse en notacién matricial. uw Mi 1 4 0\ Siu= (:)-» = ("Joe (0 + i); w wy 0 0 0) entonces él sistema (3) se transforma en u, = Pu @) uy, Continuando de la misma manera, si definimos u, = (» } encontramos que u, = Pu, = P(Pu) = Pu, u, = Pu, = P(P™) = Pu, ©) u, = Pu,, = P(P™u) = Po Asi, las proporciones de los genotipos futuros estén completamente determi. nados por el vector u de las proporciones iniciales y por la matriz P.* Ahora, es facil comprobar que los valores caracteristicos de P son \, = 0, ds = 1/2 yds = 1, con vectores caracteristicos correspondientes 8@ (4) tramos que ate determi- iz P.* on d, = 0, Aplicaciones ala genética = Por tiltimo, como P = CDC*, se tiene que P* = (CDC = (CDC"\(CDC~') ... (CDC“) = CD"C © n veces 00 000 p =o | °} p=(o} 0} 001) 001 000 Dt = (0 3 0) oot Pero Como 1/2" 0 cuando n > ©, se ve que D” tiende a la matriz de equilibrio 000) ee 001) 000 prc (000) 00 Esto quiere decir que Por tiltimo, como se tiene que Por lo tanto, 111) /u\ > fut y+ w 1 u, = P= 00a) (*) = ( 0 )-(¢} 000) \w 0 0 ya que u + v + w = 1. Asi queda demostrado el resultado deseado. Problemas ¢ Capitulo 5 1. La posibilidad de gustar ciertas sustancias se controla genéticam carbamida (FTC) tiene un sabor amargo para aproximadamente el 70% de la gente te. La feniltio.112 — CAPITULO'5 + APLICACIONES A LA GENETICA en una gran poblacién y es insipida al 30% restante. Suponiendo que la posibilidad © imposibilidad de gustar la FTC se debe a un solo gene, estimense las proporciones c del gene que permite gustarlo y del gene que no lo permite, si el primero es dominante y el segundo ¢s recesivo. ;Qué proporcion de los individuos de esta poblacién son heterdcigos para este gene? 2. Muchos genes afectan la capacidad reproductora del organismo. En algunos casos, se puede seguir recurriendo a la ley de Hardy-Weinberg, para predecir las propor- jones de genotipos en la siguiente generaciGn en las etapas anteriores a la selec- cién. Por ejemplo, la condicién conocida de vestigio de alas en las moscas'de las, frutas es controlada por un gene recesivo. Se caracteriza por alas més cortas y afec- a la posibilidad de supervivencia y de reproduccién del genotipo recesivo. Supén: gase que 1 adulto en 6400 en una gran poblacién tiene alas de vestigio. Estimense las proporciones de los genotipos en la siguiente generacién, antes de que ocurra la seleccién. ‘Considérese el siguiente experimento de apareo: Un individuo de genotipo desconocido AA, Aa o aa se aparea con un individuo heterdcigo Aa. Uno de sus descen. dientes se escoge el azar y se vuelve a aparear con un individuo heterécigo. Después de repetir este proceso por muchas generaciones, {cual es la probabilidad de que uno de sus descendientes inmediatos escogido al azar sea heterdcigo? [Sugerencia: Esto es semejante al Ejemplo 3.) 4. Enel Problema 3, supéngase que un descendiente escogido aleatoriamente se aparea con individuos recesivos (aa) en cada generacién. Después de muchas generaciones, jcual es la probabilidad de que uno de sus descendientes escogido al azar sea recesivo? 5. Supéngase que en el Problema 3, la primera generacién de uno de los individuos de la pareja es de tipo AA y su segunda pareja se escoge al azar. En la segunda generacién, una de sus parejas es de tipo Aa y su segunda pareja se escoge aleatoriamente, Supéngase que esto contimia (es decir, con una pareja Aa en las generaciones pares y con una pareja AA en las iciones impares). A qué proporciones de los tres genotipos se tiende después de muchas generaciones? 6. Considérese un gene con cuatro alelos, Ay, As, As, A,. Escribanse los 10 genoti- os correspondientes a este gene. Supéngase que, inicialmente, estos cuatro alelos estan presentes en iguales proporciones en una gran poblacion. Suponiendo que las, Proporciones son las mismas entre los machos que entre las hembras, y ademas que el apareo es aleatorio, determinense las proporciones de los distintos genotipos en. la primera y en todas las siguientes generaciones, 7. En el Problema 6, supéngase que un individuo de genotipo desconocido se aparea con un individuo de tipo A,A,. Esto continiia como en el Ejemplo 3. (@) Escribase una matriz de 10 x 10 que muestre la manera de calcular las pro. porciones de los genotipos en la primera generacidn y en todas las siguientes. (b) Muéstrese que después de muchas generaciones, casi todos los individuos se ran del tipo A,A,. [Sugerencia: Demuéstrese que los valores caracteristicos de la matriz triangular superior P son 0, 1/2 y 1.] 8. Supéngase que un gene tiene n alelos Aj, Az, ..., A,. En un experimento uno de los individuios de la pareja es un homécigo de tipo A/A,, y se escoge su pareja al azar. Esto continia de la manera descrita en el Ejemplo 3. Expliquese por qué, después de muchas generaciones, casi toda la descendencia sera del tipo A,A,sosibilidad >porciones. 0 es domi- poblacién 0S casos, as propor- a la selec- scas'de las tas y afec: (0. Supén- Estimense jue ocurra ipo desco- us descen- ». Después ad de que ugerencia: ate se apa- as genera- do al azar individuos a segunda ge aleato- as genera sroporcio- 10 genor atro alelos do que las Jemas que notipos en se aparea ar las pro- siguientes, viduos cleristicos ito uno de 1 pareja al = por qué, 0 AA, CAPITULO Aproximacion por minimos cuadrados En muchos de los problemas en las ciencias biol6gicas, fisicas y sociales es itil describir 1a relacién entre las variables del problema por medio de una expresién matematica. Asi, por ejemplo, se pueden describir las relaciones entre el costo (C), los ingresos (/) y las utilidades (U’) por medio de la sencilla formula uU=1-C. En otro campo, se puede representar la relacién entre la aceleracién debida ala gravedad, el tiempo que un objeto ha estado cayendo, y la altura del obje- to, por la ley fisica S = 5 — vol — en la que 5, es la altura inicial del objeto y v, es su velocidad inicial. Desafortunadamente, no se llega facilmente a férmulas como éstas. Por lo general le corresponde al cientifico 0 economista trabajar con grandes cantidades de datos para encontrar relaciones entre las variables de! problema. Una manera comtin de hacer esto consiste en ajustar una linea entre los distintos puntos de los datos. Dicha linea puede ser una recta, o una curva cuadrdtica, @) Resa () Cuadraica (0) Cabiea 113114 CAPITULO 6 * APROKIMACION POR MINIMOS CUADRADOS 6.1 Figura 2 see 0) © una ciibica, ete. El objeto es encontrar la curva del tipo dado que “mejor” se ajuste a los datos. En este capitulo se mostrariin métodos para hacer esto cuando se tienen dos variables en el problema. En cada caso supondremos que se tienen n puntos de datos (x), 91), (as ¥ + Oy Inde En la Figura 1 se muestran tres de las curvas que pueden usarse para ajustar a los datos. Aproximacion por una linea recta Antes de continuar, debemos aclarar lo que quiere decir el “mejor ajuste”” Supéngase que se busca una recta de la forma y = b + mx que sea la que mejor represente a los n puntos de los datos (x) ¥1)s (Xas J2)s +++» Oy Jn) En la Figura 2 se muestra Jo que sucede (al usar tres puntos de datos). En dicha figura se ve que si las variables x y y estuvieran relacionadas por la for mula y = b + mx, entonces, por ejemplo, para x = 4, el valor correspondiente de y es b + mx;. Este valor es distinto del ‘verdadero’? valor de y, 0 seay =) la distancia _entre los puntos (a, b,) y (az, 6.) esta dada por V@, — a, + ©, — 8). Por lo tanto, para determinar la manera de es- rlarectay = b + mx que mejor se aproxime a los datos dados, es razona: ble usar como criterio la seleccién de la recta que minimice la suma de los cuadrados de las distancias entre los puntos y la recta. Nétese que como la distancia entre (x, ¥4) ¥ (yb + mx,) sy, — (b + mx), nuestro problema (para n puntos de datos) se puede enunciar de la siguiente manera Encontrar nimeros m y tales que sea minima la suma Di. - © + mx)P + Dy — © + myP +... + D-H mE. Para esta selecci6n de m y b, la recta y = mx + bse llama aproximacion de la recta de minimos cuadrados a los puntos de datos (x), ¥;), (%, Og)‘mejor” eer esto mos que | ajustar ajuste’’ que me- y,) tos). En yr la for- rrespon- de y, 0 lada por ade s razona 1a de los no la dis- jema (pa- a) nacién » Ya) Secci6n 6.1 © Aproximacion por una linea recta = 115 Habiendo definido el problema, podemos escoger un método para encontrar la aproximaci6n por minimos cuadrados. Esto se hace mas facil si se escribe la informacion en notacion matricial. Si los puntos (x;, ¥;), CJ)» (x, ¥,) estén todos en la recta y = b + mx (es decir, si son colineales), tenemos y, = b + mx, = b+ mx; 4, = b + mx, o bien tu @) donde ly 1 x) 1x ( »\ y= »A=[. *)y ue ( ) @ A m y 1 x Si los puntos no son colineales, entonces y ~ Au # 0 y el problema se transfor ma en encontrar un vector u tal que la norma euclidiana sea minima, fy Auy (4) J = vee ye Nétese que en R,||(x, Il = Vie en R I(x, » etc, Asi que minimizar (4) es equivalente a minimizar la suma de los cuadrados que aparecen en (1), Encontrar el vector minimizante w no es tan dificil como parece. Ya que A es una matriz n x 2y wes una matriz 2 x1, el vector Au es un vector e1 RR" y perteneceja dimensién no mayor que dos (porque a lo mas dos de las columnas de A son a ilustrar lo que debe hacerse. En R%, la imagen de A sera un plano o una recta que pasa por el imagen de A. La imagen de A es U subespacio de R” de linealmente independientes). Suponemos que n = 3 origen (porque éstos son los tinicos subespacios de R? de dimensién uno 0 dos). Véase la Figura 3 Llamemos Wal vector minimizante. Entonces, de la figura (y el teorema de Pi tdgoras) que y — Au se minimiza cuando es ortogonal a la imagen de 4. Es decir, sit es el vector minimizante, entonces, para todo vector u € R%, Au Ley116 CAPITULO 6 + ‘APROXIMACION POR MINIMOS CUADRADOS fy an Figura 3 Cie) y Usando la definicién del producto escalar en R", (5) puede expresarse como Au: (y ~ Ai) = 0 (Auyty — Ad) = 0 (wA9(y — Ad) = 0 © bien is w(A'y ~ A‘Ai) = 0. © § Se puede cumplir la Ecuacién (6) para todo vector u € R? solo si Aly ~ A'Aa = 0 o Despejando @ de (7), se obtiene 6 a= (aya @) Aqui hemos supuesto que A‘A es inversible. Esto siempre se cumple cuando los m puntos datos no son colineales. La demostracién de este enunciado es dificil y se pospone para el final de la seccién jemplo1 Encontrar la recta de mejor ajuste a los puntos de datos (1, 4), (~2, 5), (3, -1) y @, 0). Solucién Aqui se tiene que Entoncesse como © @ ®) e cuando nciado es 5), (3, -1) Seccién 6.2 * Aproximacién cuadrética 117 ieee 1 30-6) (1 warn = 3: (22 ad zs 3) (3) ~ a (24) ~( Por Io tanto, la recta de mejor ajuste estd dada por ) = 3.57 - 0.88%, Esta recta y los cuatro puntos dados se representan en la Figura 4 y= 357-088 6.2 Aproximacion cuadratica Aqui se pretende ajustar una curva cuadratica a los n puntos datos. Recuér- dese que una cuadrdtica en x es cualquier expresion de la forma yra+ xt oe 0) La Ecuacién (9) es la de una parabola en el plano. Si los 1 puntos dados estuvieran en la parabola, se tendria Y= a + bx, + cx? a+ bx, + ox} (10) a + bx, + cx? ala, | 100% 138 yu= (6), ay ¢118 CAPITULO 6 * APROXIMACION POR MINIMOS CUADRADOS (10) puede escribirse como y = Au, igual que antes. Si los puntos dados no estan todos en la misma parabola, entonces y — Au # 0 para cualquier vector uy nuestro problema vuelve a ser ee encontrar un yector wen R? tal que lly ~ Aul|sea minimo. = Usando un razonamiento similar al an puntos de datos no estan todos en una pai y el vector @ esté dado por nostrar que si los jor, se puede di bola, entonces A‘A es inversible a = (aay ay (2) Ejemplo 2 Solucién Encontrar el mejor ajuste cuadratico a los puntos de datos del Ejemplo | rad i Aqui a(t pj a=[133 Ady 14916 1 416 (4 ae 1 4 6 30 396 -396 Entonces A'A =| 630 84), (4 516-156 eas) a) ( 396 -396\ /1 1 u = (A'A) Ay = ! 396 516 -156 1-2 14 4752 \_396 -156 84 Roe 396-156 84 3564 396-396 [9 1 | 306 516-156 $ re Ejemp!Seccién 6.2 * Aproximacion cuedrética 119 Entonces, el mejor ajuste cuadratico a los datos esta dado por la parabola y = 3.75 — 0.81x ~ 0.04%", a, en- La parabola y los puntos de datos se muestran en la Figura 5. a ser si los ; sible ets tte - 008? 12) Biemplo 3 El método de ajuste de curvas se puede usar para medir constantes fisicas. Su- — Péngase, por ejemplo, que se deja caer un objeto desde una altura de 200 m 01 Se toman las siguientes mediciones: tiempo transcurrido altura (en metros) 0 200 1 195 2 180 4 120 6 2s Si se deja caer un objeto de una altura de 200 m, partiendo del reposo, entonces su altura después de ¢ segundos esta dada por $s = 200 = ig@ Para estimar el valor de g, podemos ajustar una cuadratica a los cinco puntos ) dados anteriormente. Los coeficientes del término en £ sera, si las medicio- es son exactas, una aproximacién razonable al ntimero ~(1/2)g. Usando la misma notacién que antes, se tiene 10 0 200) \ faa ated 195 a=(12 4).4 (124 5) y=[ 180 1416 014 16 36 120 / 1 6 36, iz Entonces 924 508) 4596 -704 104 116,120 CAPITULO 6 © APROXIMACION POR MiNIMOS CUADRADOS y 200 ; 5912 -3924 508) (0 1 fede 195 3924 4596 -704 12 46 180 7504 (3924 45: 0 ) , 508 -704 116] \o14 16 36 120 25] 1 5912 -3924 508) 72 1504080 (200.44) = 3924 4596 -704|{ 1185) = 2. { -s460 ) ~{ 1.13 75 pera 7504 \ _. fe Ss 704 116) \3735 35220 4.69 Asi que los puntos de datos se ajustan por la cuadratica s(f) = 200.44 - 1.13¢ - 4.697, ne que 1/29 = 4.69, 0 sea g = 2(4.69) = 9.38 m/st Este valor est razonablemente cerca del valor correcto, 9.81 m/s. Para ob: tener una aproximacion mas exacta de g seria necesario partir de observaciones mis exactas. Teorema 1 Anotamos aqui que las aproximaciones por polinomios de orden superior se evan a cabo virtualmente en la misma forma. Para ver los detalles, constiltense los Problemas 7 y 9 Concluimos este capitulo demostrando el resultado que garantiza que la Ecuacién (8) siempre sera valida, excepto cuando los puntos de datos estan en una misma recta vertical. (Opcional). Sean (xi, ¥4), (Xp Ds ---+ Qi» Yq) M Puntos en R2, y supdngase que no son iguales todas las x,. Entonces si se da A como en (3), la matriz A'A es una matriz de 2 x 2 inversible Nota. Six, = =% . entonces todos los puntos de datos estan en la recta vertical x = x,, y la mejor aproximacién lineal es, claro esta, Demostracién del Teorema 1 Tenemos i200.44) ={ 1.13 4.69 /s?, Para ob- bservaciones rden superior los detalles, antiza que la atos estén en y supéngase 3), la matriz 5 de datos es- claro esta, Seccién 6.2 * Aproximacién cuadrétice 127 Puesto que no todas las x; son iguales, las columnas de A son linealmente independientes. Ahora bien, 3) Seau = yx =| 2 ]. Entonces oy Hell? u-u=n, [xi] por lo que la Ecuacién (13) se puede escribir Hulrx? = [w+ x|? ©, extrayendo raices cuadradas, ux! = fullixl Ahora, por la desigualdad de Schwartz | u- x| < |/ul|||x\| dndose la igualdad si y sdlo si x es un miiltiplo constante de u. Pero u y x son las columnas de A, que son linealmente independientes, por hipstesis. Esta conijadiccién demuestra el teorema. Problemas * Capitulo 6 En los Problemas 1-3 encuéntrese la recta de mejor ajuste a los puntos de datos que se dan. 1. (1, 3), 2, 4), (7, 0), 2 3,0, 4, 9 , -3), 4, 0 2, 5), =I) En los Problemas 4-6 encuéntrese el mejor ajuste cuadritico a los puntos de datos que se dan. 4. 2-9, B, 0, (l, Dy, -2) 5. (7,3, 2, Bs, 9) 6 (1, -D, B, Os, 2 3, 1), (7, 4)122 CAPITULO 6 * APROXIMACION POR MINIMOS CUADRADOS 1, La ciibiea general esté dada por a+ bx + of + de Demuéstrese que la mejor aproximacién ctibica a m puntos de datos est dada por = (A‘Ay'Ay, donde y es lo mismo que antes, y 10. nL. Encuéntrese la mejor aproximacién cubica a los puntos de datos (3, ~2), (0, 3), (1, 4), 2, -2), A, 2). El polinomio general de grado k esta dado por bax + axe +... + art Demuéstrese que el mejor ajuste de grado k a los m puntos de datos esta dado por u ave ‘Ay lA'y, donde ix xt lox xf 4 he 2 seen Xt Todas los puntos (1, 5.52), (-1, 15. 26.43) se encuentran en una misma parabola ), (3, 11.28) y ¢ (a) Encontrar la citada parabola. (bo) Demostrar que ly ~ Aal Un fabricante compra grandes cantidades de ciertas refacciones para maquinas. Encuentra que su costo depende de! ntimero de cajas de piezas que compre una vez y que el costo por unidad disminuye al aumentar el niimero de unidades com: pradas. Supone que el costo es una funci6n cuadratica del volumen y, de experien: cia anterior, obtiene la tabla siguiente: Namero de cajas Costo total 10 $150 30 50 100 Encuéntrese st funcién de costo totSeccién 6.2. * Aproximacion cusdrética 123 12. Una persona lanza al aire una pelota. Su altura esta dada por s(¢) = Sy + vot + 1 gt? Se hicieron las siguientes mediciones: iempo transcurrido (segundos) Altura (en pies) dada por i = Ls o 2 68 4 98 Usando estos datos, estimese (@) Ia altura desde la cual se solté la pelota (b) su velocidad inicial © 9 (en pie/s*). 2), (0, 3), dado por jentran en maquina. mpre una, ades com- xsperien:CAPITULO Teoria de los grafos 37 En los iiltimos afios se ha puesto mucha atencién en una drea relativamente nueva de la investigacién matematica que se llama teoria de los grafos. Estas representaciones, que serdn definidas préximamente, sirven para estudiar las interrelaciones entre los componentes de redes de actividades que se presentan Eemplo § en el comercio, en las ciencias sociales, en la medicina y en muchas otras dreas. Por ejemplo, los grafos son titiles para estudiar las relaciones familiares en una sociedad tribal, la difusién de una enfermedad contagiosa, 0 una red de vuelos que conectan un mimero dado de ciudades importantes. La teorfa de los grafos es una materia amplia. En este capitulo sdlo se daran algunas definiciones y se mostrard la estrecha relacién entre la teoria de los grafos y la teorfa de matrices. Mostramos ahora cémo se puede presentar un grafo en la practica. Ejemplo 3 Ejemplo 1 Supéngase que estamos estudiando un sistema de comunicaciones compuesto de enlaces telefénicos. En este sistema hay cinco estaciones. En la tabla que fetal sigue se indican las lineas disponibles desde y hacia las estaciones. 7 Tabla 1 Estacion z : is s 7) 3 Y 3 v Sotucién 124yamente s. Estas idiar las esentan s dreas sen una e vuelos s grafos siones y de ma- npuesto bla que Teoria de los gratos © 125 Por ejemplo, la marca en la casilla 1, 2 indica que hay una linea de la esta- cién 1 a la estacién 2. La informacion en esta tabla se puede representar por un grafo dirigido, como se muestra a continuacién: En general, un grafo dirigido es una coleccién de puntos llamados vértices y denotados por V,, Va, ..., Vq» Con un niimero finito de aristas que unen pares de vértices. Cualquier grafo dirigido se puede representar por una matriz den x n, donde el niimero en la posicién i, j ¢s el nimero de aristas que unen el vértice i al vértice j. Ejemplo 2 La representacién matricial del grafo de la Figura 1 es 01000 10001 A=100010 a 01100 10010 Ejemplo 3 Encontrar las representaciones matriciales de los siguientes grafos dirigidos. Figura? (a) Solucién (A= (b) A = Soos ceoe ecco =eo-cs mreHoo eorecceo eocooH oooeen126 capitulo 7 + TEORIA DE LOS GRAFOS Ejemplo 4 Solucién if Trazar ¢l grafo representado por la matriz » fl S-oHe woe Seer moore exHcon Como A es una matriz de 5 x 5, su grafo tiene cinco vértices, y es el que aparece a continuacién: Observacién. En los ejemplos considerados,-1os grafos dirigidos que han apare- cido, satisfacen las dos condiciones siguientes: (a) Ninguin vértice esta conectado consigo mismo. (b) Hay a lo més una arista que conecta un vértice con otro. Una matriz que representa un grafo dirigido que cumple estas condiciones se llama matriz de incideneia, En general, sin embargo, es posible tener un 1 en la diarnal de una matriz que representa un grafo dirigido (indicando una arista desde un vértice a si mismo) 0 un entero mayor que | en la matriz (indicando més de una trayectoria de un vértice a otro). Para evitar situaciones mas complicadas (pero que se pueden resolver), hemos supuesto, y asi lo seguire- mos haciendo, que se cumplen (a) y (b) Ejemplo 5 Los socidlogos usan a menudo grafos dirigidos para estudiar interacciones en un grupo. En muchas situaciones de grupo, ciertos individuos dominan 2 otros. Este dominio puede ser fisico, intelectual o emocional. Para ser mas e= pecificos, supongamos que en cierto grupo de seis personas, un socidlogo ha podido determinar quién domina a quién. (Esto se pudo hacer por pruebas si-sl que apare- e han apare- , condiciones le tener un 1 dicando una matriz (indi- uaciones mas lo seguire- sracciones en s dominan a a ser mas es- socidlogo ha yr pruebas si- Teoria de los grafos |= 127 coldgicas, por medio de cuestionarios 0, simplemente, por observacién.) El siguiente grafo dirigido indica los descubrimientos del socidlogo: fe ee La representacién matricial de este grafo es So-coo eoocoo enHcoo eoocone eocoro eooroe De poca utilidad seria la representacién matricial de los grafos si s6lo fuera posible trazarlos. Hay varias preguntas que se podrian hacer sobre los grafos, ‘que podrian no tener respuesta evidente. Para ilustrar esto, considérese el grafo siguiente: % Puede verse que aunque no hay arista de V, a V;, es posible mandar un mensaje entre estos vértices. De hecho, hay al menos dos maneras de hacerlo: V+ VV @) VW; @ Una ruta de un vértice a otro se llama trayectoria o cadena, La trayectoria de V, a V, en (2) se llama cadena de 2 (aristas), porque se recorren dos aristas. La trayectoria en (3) se denomina cadena de 3. En general, una trayectoria que recorre m aristas (y por lo tanto que pasa por n + 1 vértices) se llama cade-128 — capituLo7 + TEORIA DE LOS GRAFOS na de n, Volviendo ahora a nuestro grafo, se ve que también se puede ir de V, a V;a través de la siguiente cadena de 5: 17> ge “ Sin embargo, no seria muy inteligente hacerlo, porque en parte de esa trayectoria no se avanza. Una trayectoria en la que algtin vértice se visita mas de una vez se llama redundante. La cadena de 5 (4) es redundante porque el vérti- ce 4 se visita dos veces Es muy interesante poder determinar la trayectoria miis corta (si existe) que une dos vértices en un grafo dirigido. Existe un teorema que muestra cémo se puede hacer esto, pero primero haremos una observacién interesante. Como hemos visto, la representaci6n matricial del grafo del Ejemplo 1 est dada por: 01000 10001 A=|00010 01100 10010 Teorem Calculando queda 01000\/01000 10001 10001)/10001 ‘Se a a) A=100010}/0001 0/=|o1100 o1100/jo1100 10011 1001 0;/\10010 02100 Veamos més de cerca los componentes de A?. Por ejemplo, el 1 en la posi- cidn 2, 4 es el producto escalar del segundo renglén de A por la cuarta columna de A: (10001) =e es En el segundo renglén, el tiltimo 1 representa el enlace V,> V. En la cuarta columna, el iiltimo 1 representa el enlace Baer Van El producto de estos unos representa la cadena de 2:rde (4) tra- s de érti- que ose mo por: Teorema 1 osi- nna Teoria de los gratos © 129 De manera semejante, el 2 en la posicién 5, 2 de A? es el producto escalar del quinto renglén por la segunda columna de A (10010) pases Razonando de la misma manera, puede verse que esto indica las dos cadenas eo VrVr>V, V,—> De hecho, generalizando estos hechos, se puede demostrar el siguiente resultado: Si A es la matriz de incidencia de un grafo dirigido, entonces la ij-ésima componente de A? representa el nimero de cadenas de 2 del vértice i al vértice j. Razonando de igual manera, se puede demostrar que el ntimero de cadenas de 3 que unen el vértice / al vértice j es la ij-ésima componente de A’, En el Ejemplo 1: enone oroHo beer 0 1 1 0 2 Por ejemplo, las dos cadenas de 3, del vértice 4 al vértice 2 son: Ve Vy > Var V2 Viren ¥, Ambas son redundantes. Las dos cadenas de 3, del vértice $ al vértice 1 son: V.>V,>V,>¥, sat Woy, El teorema que sigue contesta la pregunta planteada antes sobre la biisque da de una cadena minima que una dos vértices. No se dara la demostracién,130 CAPITULO 7 * TERIA DE LOS GRAFOS pero partiendo de lo discutido antes, debe quedar razonablemente claro que se verifica el resultado. Teorema 2 Sea A una matriz de incidencia de un grafo dirigido. Y sea también a‘? la ij-ésima componente de A". (@)_ Si ap = k, entonces hay exactamente k cadenas de 7, del vértice i al vértice j, Ademas, (b) si af = 0 para m V “ A Ejemplo 7 Nétese también que hay cinco cadenas de 5 (todas ellas redundantes) que unen el vértice 2 consigo mismo. En nuestro ejemplo de sociologia (Ejemplo 5) una cadena (que no es una arista) representa control indirecto de una persona sobre otra. Es decir, si Pedro domina a Pablo, que a su vez domina a Marfa, puede verse que Pedro ejerce algin control (aunque indirecto) sobre Maria. Para determinar quién tien control directo y/o indirecto sobre quién, basta calcular potencias de la matriz de incidencia ATeoria de los grafos © 131 claro que! Sooone Se tiene asi que A ién a’ Ja eo-sce eococo ervcce cocono eocoHe eoonoo eccoce eocoNno coccoo ecooceo er-coo srtice 1 = 0 Seecce eoccoo eooooo eccecoo eoccce eccone el vér- i Del grafo se concluye, igual que de las matrices, que la persona P, tiene control directo 0 indirecto sobre otra persona. La primera tiene un control directo sobre P, y Ps, control de segundo orden sobre P, y P;, y control de tercer orden sobre Py. Nota. En situaciones reales, las cosas se complican mucho mas. Puede haber cientos de estaciones en una red de comunicaciones o cientos de individuos en un estudio sociolégico de dominantes y pasivos. En estos casos, es esencial el uso de las matrices para poder manejar la enorme cantidad de datos que se debe analizar. Antes de terminar este capitulo, mencionaremos brevemente un concepto de gran importancia en la teoria de grafos. Se dice que un grafo dirigido es fuertemente conexo si se puede llegar a cualquier vértice desde cualquier otro vértice. La grafica del Ejemplo 1 es fuertemente conexa porque, como se vio en el Ejemplo 6, 4° tiene sélo un cero. Asi que es posible ir de un vértice a cualquier otro medio de una cadena de 5, con la tinica excepcién de V, > V2. Pero hay una arista de V, a V;. Es facil ver que la grafica del Ejemplo 5 no nds corta es fuertemente conexa. por: El concepto de conexidad fuerte en un grafo es bastante importante en la teoria de matrices. Una discusién interesante de la conexién entre grafos fuertemente conexos y matrices irreducibles se realiza en el libro Matrix Iterative Analysis, de Richard Varga (Prentice-Hall, Inc., Englewood Cliffs, Nueva Jer- ntes) que sey, 1962). eee oe Roens Problemas * Capitulo 7 una aris: En los Problemas del 1-4, encuéntrense las matrices que representan los gra si Pedro fos dados iro ejerce ' in tiene Ja matriz fen? a ‘0.7 ;132 capitulo 7 © TEORIA DE LOS GRAFOS 2 are 3 . : 1 o rans rows} oa oe 3 435) 0.5et0-tes0foncg ria 10 rm En los Problemas 5-7 dibiijense los grafos representados por las matrices dadas. fot 0-1 6, o1r0d0)1 90 1000 oo1ri1l 1104 i 1000 \t 0 10 10000 orto 2 [orrio00 1000 ro i1e104 do1o0e ooo10t i 10010 Determines el imero de edends denen 3 y cde de que conetan los wits del grto del Problema 2 9, thas 6 nismo par orate Probleme 3 10: Deters utes elo prafs ea los Problema 17 56a fueriemente coven 11, cia comida rind par 6 pot BA Wi lictndas por Ue sane ES Basle MRREI we EWOS teen tn ala ue ec Sram po ani 13. Si A cs la matriz de incidencia de un grafo dirigido, muéstrese que A + A? re 14, Descia la dominancia directa iia expesda por lara siguiente ais ee | = = somatrices ye conectan ste comexos. or la sangre. 0 que mues- dos vertices A+ Abie: 5 vertices. iguiente: CAPITULO Andlisis de insumo y produccion (o de entradas y salidas) La macroeconomia es una rama de la economia que trata de los aspectos am- plios y generales de un sistema econdmico, por ejemplo, en las relaciones entre {os ingresos, las inversiones y los gastos de un pais en su totalidad. Se han desarrollado muchas técnicas para tratar estos problemas en la macroeconomia. Discutiremos uno de los més importantes de tales métodos en esta seccién, Para introducir nuestro modelo suponemos que el Congreso de Estados Unidos aprobé una gran disminucién en los gastos para construccién de carreteras. Sino se diera ademas un aumento en otras inversiones, se esperaria una disminucién en los ingresos y en el empleo. Por otra parte, supéngase que el gobierno aumentara sus gastos militares en una cantidad equivalente a la dis- minucién en la construccién de carreteras. ;Cual seria el cambio, si ocurriera alguno, en los ingresos y el empleo? La respuesta es compleja por el hecho de que la construccién de carreteras y los proyectos militares usan el dinero de maneras distintas. Entonces, aunque Podria darse un aumento en los ingresos y en el nivel de ocupacién entre los trabajadores de industrias como las fabricantes de aviones y barcos, és0 podria no compensar las pérdidas y el desempleo en tal industria constructora (al me- Ros a corto plazo). El problema radica en que en la economia de Estados Uni- dos se producen muchos bienes y servicios altamente relacionados entre si. Los. aumentos 0 recortes en una industria se resienten frecuentemente también en otras industrias. Un modelo para analizar estos efectos fue desarrollado por el economista estadunidense Wassily W. Leontief en 1936.* Tal modelo (0 procedimiento) Este modelo fue presentado en el articulo precursor de Leontief “Qualitative Input and Out- Put Relations in the Economic System of the United States”, Review of Economic Statistics 18(1936):105-125. Una versién actualizada del modelo aparece en el libro de Leontict Input. Output Analysis (Nueva York: Oxford University Press, 1966). Leontief gané el premio Nobel de econom{aien 1973 por su desarrollo del anlisis de (de insumo y produccidn (o de entradas y sai. das) 133" = 134 CAPITULO + ANAUISIS DE INSUMO ¥ PRODUCCION (0 DE ENTRADAS ¥ se llama aniilisis de entradas y salidas(o de ). Antes de describir en detalle este modelo, presentamos Fjemplo 1 Considérese un modelo muy simplificado de una economia en la que se produ- en dos articulos: automéviles (ineluyendo camiones) y acero. Cada ao se da una demanda externa de 360,000 toneladas de acero y de 110,000 automdviles. Aqui la palabra externa significa que la demanda proviene de fuera de la economia. Por ejemplo, si fuera un modelo de una porcién de la economia de Es- tados Unidos, la demanda podria venir de otros paises (de tal manera que el acero y los automéviles se exportarian), de otras industrias en Estados Unidos, y de empresas privadas. Pero la demanda externa no es la inica que se da en las dos industrias consideradas. Se requiere acero para producir automéviles. También se requieren automsviles para producir automéviles, porque las plantas manufactureras de e508 vehiculos requieren autos y camiones para transportar los materiales y los empleados, De igual manera, la industria del acero requiere acero (para su ma- uinaria) y automéviles (para el transporte del producto y de los trabajadores) en su operacién. Asi que cada una de las dos industrias en el sistema impone demandas a si misma y a la otra industria. Estas acciones se llaman demandas interna: En nuestro modelo simplificado, se puede suponer que la industria del acero Tequiere 1/4 de tonelada de acero y 1/12 de automévil (0 camién) para producir 1 tonelada de acero (es decir, se usa un automévil o camién en la produccion de 12 toneladas de acero). También la industria automotriz requiere de 1/2 tonelada de acero y 1/9 de vehiculo para producir un automévil. La pregunta planteada por el modelo de Leontief de entradas y salidas es entonces: iCuantas toneladas de acero y cudntos automéviles se deben producir cada fio para que la disponibilidad de cada uno sea igual a la demanda total? Solucién Sean x y y el mimero total de toneladas de acero y el ntimero de automéviles, respectivamente, en cierto aflo. Esto constituyc la oferta (0 lo disponible). Si, Por ejemplo, se requiere 1/4 de tonelada de acero para producir una tonelada de este metal, se necesita entonces 1/4x toneladas de acero para producir x toneladas de acero. Similarmente, se requiere 1/2y toneladas de acero para producir y automéviles. Entonces, el total de la demanda interna en la industria productora del acero es de 1/4x + 1/2y, y la demanda total (sumando la demanda externa) es de 1/4x + 1/2y + 360,000. De manera semejante, la demanda total en la industria automotriz es de 1/12x + 1/9y + 110,000. Igua- Jando la oferta con la demanda, se obtiene el sistema x= 4x +4y + 360,000 y = dex + by + 110,000. Como x = 1/4x = 3/4x yy — 1/9y = 8/9y, se puede escribir el sistema (1) de la manera siguiente: dx — 4y = 360,000 —tkx + fy = 110,000. ie a) Q)Anélisis de insumo y produccién (0 de entradas y salidas) 135. Resolveremos el sistema (2) por reduccién de renglones. ( 2 un M8) (% ae 1088) -t — §| 110,000, +z — §| 110,000, Ay 64), ( aH oat Mah, (1-4 | 480,000 Exitin(} + eo) £600,000) sel Entonces, para que la oferta sea exactamente igual a la demanda, se deben producir 600,000 toneladas de acero y 180,000 automéviles (o camiones). Ahora describimos el modelo general de Leontief de insumo y produccién. Supéngase que un sistema econdmico tiene m industrias. Otra vez, hay dos clases de demandas en cada industria. Primero estd la demanda externa de fuera del sistema, Si el sistema es un pais, por ejemplo, la demanda externa podria ser de otro pais. En segundo lugar esta la demanda de una industria sobre otra, dentro del mismo sistema. Como se planted, en Estados Unidos se da una demanda en la produccién de acero por por parte de la industria automotriz. Sea e; la demanda externa sobre la industria i, Sea a, la demanda interna sobre la industria i por la industria j. Mas precisamente, a, representa el mimero de unidades de producto de la industria i necesarias para producir 1 unidad de producto de la industria j. Sea x, la produccién de la industria i. Aho- ra suponemos que la produccién de cada industria cs igual a su demanda (es. decir, no hay sobreproduccién). La demanda total es igual a la suma de las. demandas interna y externa. Para calcular la demanda interna en la industria 2, por ejemplo, notamos que a;,x; es la demanda sobre la industria 2 por parte de la industria 1. Asi, el total de la demanda interna sobre la industria 2 es Oy X, + Gaky + 2. + OiaXys Asi llegamos ai siguiente sistema de ecuaciones que se obtiene al igualar la demanda total con la produceién de cada industria. y4Xy + Oya Xp Hoe + OiyXy + er =H 4X + G32%2 +++ + GayXy + €2 = Xp s OysX1 + qa Xz t+ + Cap + Ey ©, escribiendo (3) de otra manera, (= ay,)x, - 2X2136 ‘CAPITULO 8 + ANAUSIS DE INSUMO Y PRODUCCION (0 DE ENTRADAS Y SALIDAS) = GaaXy + (l= aga) = = GanXn = C2 : 4 Each ® anki akg + (1 Oye = 8g. EI sistema (4) de m ecuaciones en m incdgnitas es muy importante en el andlisis econémico. Muchas veces conviene escribir los ntimeros a, en una matriz A, llamada matriz de tecnologia. Se tiene asi (Ary 92 °°" in alee 6 Gn Ona Nétese que la matriz de tecnologia es una matriz cuadrada. jemplo 2 Supéngase que en un sistema econémico con tres industrias las demandas externas son, respectivamente, de 10, 25 y 20. Considérese que a), = 0.2, ay; = 0.5, ay = 0.15, dy = 0.4, an = 0.1, ay = 0.3, a = 0.25, an = 0.5 y a, = 0.15 Encontrar la produccién en cada industria para equilibrar con exactitud la oferta con la demanda. En este caso, n = 3, 1 - ay al sistema (4) es el siguiente: 08x, — 05x — 0.15x5 = 10 —O.4x, + 09x; — 0.3x3 = 25 =0.25x, — 05x; + 0.85x5 = 20 0.8, 1- an = 0.9 y 1 ay = 0.85. Asi que Resolviendo este sistema mediante una calculadora, se obtiene, sucesivamente (haciendo uso de aproximacién de cinco cifras significativas y el método de eli- minacién de Gauss-Jordan) 08-05 —0.15 | 10) (x 09-03 “) -025 -05 _ 08s | 20, fa. es ape 1 0625 —0.1875 | 12.5 —tit_ (04 09 = -03 3) 025 -05 085 |20 Bee 006s” 0.375 A104) ( 0625 —0.1875 0 -0.65625 0.80313 125 30 23.125)@) Alisis (5) as ex- an = 0.5 y F con si que amente de eli- 2.5) 5 20 25 ) 3.125, Anélisis de insumo y produccién (0 de entradas y slides) 137 1 0625 —0.1875 | 12.5 SES fy 1 = 0.57692 | 46.15385} 0 0.65625 0.80313 | 23.125 1062/1 0 ~0.54808 | 41.34616 4206589), 19 1 057692 | 46.15385 0 0 042453 | $3.41346 1 0 —054808 | 4134616 PAM (0 1 057692) 46.15385 oo 1 12581787, 4s, (054808) /1 0 0 110,30442) 20579), 19 1 0 | 11874070 0 0 1/ 125,81787, Se concluye que las producciones requeridas para igualar la disponibilidad con la demanda son, aproximadamente, x, = 110, x, = 119 yx, = 126. reg SiA = (@) es la matriz de tecnologia, entonces ay a2 aya 1 22 23 3, G32 ays, 5 5 © eg 1. oa y el sistema (4) se puede escribir (- Ax =e, M e,) dees e =(“). La matriz 7~ A en este modelo se llama matriz de Leon- e, Suponiendo que dicha matriz de Leontief es inversible, el vector de produccidn x puede expresarse como x= (I-A) le (8)138 — caPiTuLo 8 + ANALISIS DE INSUMO Y PRODUCCION (0 DE ENTRADAS ¥ SALIDAS) Hay una ventaja en escribir el vector de produccién en la forma (8). La matriz de tecnologia A es la matriz de las demandas internas, que —en periodos relativamente largos— permanecen fijas. Sin embargo, el vector e de la demanda externa puede cambiar con cierta frecuencia. Ordinariamente se requieren muchos cAlculos para obtener (I — A)-'. Pero una vez calculada esta matriz, se puede encontrar el vector de producci6n x correspondiente a cualquier vector e de demanda por una simple multiplicacién de matrices. Si no se determina (I - A)", se tendria que resolver el problema por climinacién de Gauss- Jordan cada vez que cambiara el vector e. B Ejemplo 3 En un sistema econémico con tres industrias, supéngase que la matriz A de tecnologia esta dada por 02 05 0.15) 04 01 03 0.25 05 0.5, A Encontrar la produccién total correspondiente a cada uno de los siguientes vectores de demanda. 10) 15) 30) @ --() (b) --(3) @©e (x) 20, 40, 50) La matriz de Leontief es 08 -05 -0.15) I-A= (- 09 -03 ) a 025 -05 085 La parte (a) se resolvié por eliminacién de Gauss-Jordan en el Ejemplo 2. Ahora resolveremos los tres problemas esencialmente al mismo tiempo eva- Iuando (J — A)"'. Como en el Ejemplo 2, se hacen los célculos conservando cinco cifras decimales (a la derecha del punto decimal). 10 0 o10 001 er ( 1 =0625 -0.1875 -04 09 03 ( 08 -05 -0.15 025 -05 085 -04 09 -03 -025 -0.5 0.85 A,X04 (7 0625 — 0.1875 420 065-0375 0 0.65625 0.80313 125 0 0} o 10 ‘Oune 0) ol, 125. 0 0} os 10 0 0.3125 1,entes plo 2. > eva- vando Anélisis de insumo y produccién (0 de entrades y salides) 139 1 -0.625 0.1875 | 1.25 0 0 M, ne (0 + — 0.57692 | 0.76923 1.53846 :) 0 0.65625 0.80313 10.3125 0 L Az,(0.625) ‘45 40.65625) 1 © —0.54808 | 1.73077 0.96154 0) ARE. (0 1 —057692 | 0.76923 1.53846 0 0 0 0.42453 | 0.81731 1.00961 1, 1 0 0.54808 | 1.73077 0.96154 0 Mitrzten) oe 1 -057692| 0.76923 1.53846 0 ) 0 0 1 1.92521 2.37818 235555) 4. (0.5808 Pacts 1 0 0| 2.78594 2.26497 1.29103 ——+ [0 1 0] 1.87992 2.91048 1.35896 0 0 1.92521 2.37818 2.35555, Por lo tanto, a-ay! 1.87992 2.91048 1.35896 (ito 2.26497 ia) 1.92521 2.37818 2.35555 iEsto debe comprobarse! 2.78594 2.26497 1.29103\ / 08 —0.5 (ism 2.91048 ‘e|(—n4 09 1.92521 2.37818 2.35555/\-025 -0.5 1.00001 0 0.00001 -( 0.99999 “oan 0.00001 —0.00002 0.99998) Lo anterior verifica la correccién de la respuesta y manifiesta las inexactitudes pequefias (en este caso) debidas a los errores de redondeo. Ahora podremos resolver los problemas en cuestién: 1\ (2.78594 2.26497 1.29103\/10\ 110.30! @ %q}={ 1.87992 2.91048 1.35896 }f 25 }=|( 118.74 x3/ \192521 2.37818 2.35555; 125.82, de donde x, ~ 110, xz * 119, x; * 126. Esta es la respuesta obtenida en el Ejemplo 2. ‘%\ [2.78594 2.26497 1.29103) /15\ _/138.73 (©) 2} =[ 1.87992 2.91048 1.35896 ]{ 20 }=| 140.77 x3/ \1.92521 2.37818 2.35555, 170.66,140 —caPituo 8 + ANALISIS DE INSUMO ¥ PRODUCCION (0 DE ENTRADAS ¥ SALIDAS) u Ahora x; ~ 139, x, ~ 141 yx, = 171. ‘x (2.78594 2.26497 1.29103\ / 30\ 374.63) © xz} =| 1.87992 2.91048" 1.35896 }| 100} =( 415.39 x3/ \1.92521 2.37818 235555/\ 50/ 413.35, Asi que x; = 375,.x, = 415 yxy = 413. Obsérvese que todas estas respuestas se pueden verificar insertando los valores calculados .x,, x; y x; en la ecuacién original, (I — A)x = e. Observacién. Requirié un poco més de trabajo en la parte (a) calcular (— A)! que el que se necesité en el Ejemplo 2 para resolver el sistema por reduccién de renglones. Sin embargo, cuando ya se tiene (J — A)-!, se pudieron resolver (b) y (©) con muy poco trabajo adicional. Leontief usé su modelo para analizar la economia de Estados Unidos del ato de 1958.* Este investigador dividié la economia en 81 sectores y los agrupé en seis familias de sectores relacionados. Por simplicidad, tratamos cada familia de sectores como un solo sector para poder analizar la economia estadunidense como una con seis industrias. Sector Ejemplos Final no metélica (FN) Final metilica (FM) aparatos domésticos, Vehiculos automotores Basica metalica (BM) Productos de taller, mineria Basica no metdlica (BN) Agricultura, artes gréficas Energia (E) Petrdleo, carbon Servicios (S) Diversiones, bienes raices Demandas Internas en la economia de EE.UU. en 1958 FN FM BM BN E s FN 0.170 0.000 0 0.008 FM 0.003 0.295 0.018 0.004 0.016 BM 0.025 0.173 0.460, 0.011 0.007 BN 0.348 (0.037. 0.021 0.011 0.048 E 0.007 0.001 0.039 0.358 0.025 S 0.120 0.074 0.108 0.173 0.234 Dicaieeaiie allie -Tabla 3 =. Anélisis de instmo y produccién (0 de entradas y salidas) 141 Estas industrias estan enlistadas en la Tabla 1. La tabulacién de entradas y salidas, Tabla 2, muestra las demandas internas en 1958 basadas en los datos de Leontief. Las unidades en la tabla son millones de délares. Asi, por ejemplo, el nimero 0.173 en la posicién 6, 5 significa que para producir $1 millén de energia, se necesita proporcionar $0.173 millones = $173,000 de servicios. De manera semejante, el 0.037 en la posicién 4,2 quiere decir que para producir $1 millon de productos finales metélicos, se necesita gastar $0.037 millones $37,000 en productos basicos no metalicos. Por iltimo, Leontief estimé las si- ‘guientes demandas sobre la economia de Estados Unidos de 1958 (en millones de délares), seguin se muestra en la Tabla 3. Para poner en marcha la economia estadunidense en 1958 satisfaciendo todas las demandas externas, ,cudntas unidades en cada sector se deben producir? Demandas Externas sobre la Economia de E.U. en 1958 (millones de détares) FN $99,640 FM $75,548 BM s14444 BN $33,501 E $23,527 s $263,985 . —— eS ee Solucién La matriz de tecnologia esta dada por [0.170 0.004 0 0.029 0 -— 0.008 0.003 0.295 0.018 0.002 0.004 0.016 0.025 0.173 0.460 0.007 0.011 0.007 0.348 0.037 0.021 0.403 0.011 0.048 |’ 0.007 0.001 0.039 0.025 0.358 0.025 0.120 0.074 0.104 0.123 0.173 0.234 99, 75,548 14,444 33,501 23,527, 263,985)142 CAPITULO 8 + ANALISIS DE INSUMO Y PRODUCCION (0 DE ENTRADAS Y SALIDAS) Para obtener la matriz de Leontief, restamos y entonces queda A= coore cooroce concoe ercooo oH ococe e 0.003 0.295 0.018 0.002 0.004 0.016 0.025 0.173 0.460 0.007 0.011 0.007 0.348 0.037 0.021 0.403 0.011 0.048 0.007 0,001 0.039 0.025 0.358 0.025 1 0 0 0 0 0 10.170 0.004 0.029 0 0.008 0.120 0.074 0.104 0.123 0.173 0.234 0.830 —0.004 0.029 0 —0.003 0.705 —0.002 —0.004 0.025 —0.173 0.007 -0.011 0.348 -0.037 0.597 -0.011 0.007 -0.001 0.025 0.642 0.120 0.074 0.123 -0.173 Es muy tedioso el céleulo de Ia inversa de una matriz de 6 x 6. Usando tres, decimales en una calculadora, se obtiene la siguiente matriz. Se omitieron los. pasos intermedios. 1.234 0.014 0.006 0.064 0.007 0.018 0.017 1.436 0.057 0.012 0.020 0.032 0.071 0.465 1.877 0.019 0.045 0.031 0.751 0.134 0.100 1.740 0066 0.124 0.060 0.045 0.130 0.082 1.578 0.059 0.339 0.236 0.307 0.312 0.376 1.349, d- Ay Por lo tanto, el vector de produccién “ideal” esté dado por 1.234 0.014 0.006 0.064 0.007 0.018| / 99,640) 0.017 1.436 0.057 0.012 0.020 0.032| | 75,548 0.071 0465 1.877 0.019 0.045 0.031]] 14,444 0751 1.740 0.066 0.124]) 33,501 0.060 @.082 1.578 0.059) | 23,527 10339 0312 0376 1.349) |263,985 x=(I[-A)'e=Anélisis de insumo y produccién (0 de entradas y salidas) 143 131,161 120,324 =| 79,194 178,936 66,703 426,542 Esto quiere decir que se requeririan 131,161 unidades (con un valor de $131,161 millones) de productos finales no metdlicos; 120,324 unidades de productos finales metalicos; 79,194 unidades de productos metalicos basicos; 178,936 unidades de productos basicos no metélicos; 66,703 unidades de energia, y 426,542 unidades de servicio para mantener en marcha la economia de Estados Unidos. en 1958 y satisfacer las demandas externas. — Saas cre 5,00 lie 7 Problemas * Capitulo 8 ee 1, Enel modelo de insumo y produccién (0 entradas y salidas) de Leontief, supén- ‘gase que hay tres industrias y ademas que e, = 10, ey = 15, ¢, = 30, a, = 1/3, y= 1/2, ay = 1/6, a, = 1/4, ay = 1/4, ayy = 1/8, ay, = 1/12, ayy = 1/3 ¥ ay = 1/6, Determine la produccién de cada industria de manera que la dis- Ponibilidad u oferta iguale exactamente a la demanda. 2. Resuelva de nuevo el Problema 1 si a; = 0.1, az = 0, ayy Gq = 0.01, a5 = 0.05, a3, = 0.1, a3) = 0.2, ay = 0.1, e a= 15. 3. Se pide consejo a un economista para asesorar a un pais cuya economia consiste de tres industrias. Las demandas internas de estas tales industrias son a, 2 = 04, a3 = 0.2, dy = 0.7, a = 0.3, 03 = 0.8, a = 0.3, ay 433 = 0.1. El economista se horroriza con estos datos y comenta que el pais esta en un serio problema econémico. ;Por qué llega a esa conclusién? 4. Encuéntrese el vector x de produccién en el modelo de Leontief si 30) (=) sm 40) bei A=(4 33 4 y i 5. Determine el vector de produccién x para el Problema 4 sie = (*) F 6. Determine el vector x de produccién para el Problema 4 sie144 — CAPITULO.8 + ANALISIS DE INSUMO ¥ PRODUCCION (0 DE ENTRADAS ¥ SALIDAS) 47. Considérese una economia muy simple de tres industrias, A, B y C, representadas por la tabla dada. Los datos son en millones de délares de productos. Obten- ga la matriz de tecnologia y la matriz de Leontief correspondientes a este sistema de entradas y salidas. Demanda —Produccin Productor Consumidor externa total A B c A 90 150225 1s 340 B 135 150300 15 600 re 270 © 200-300 130 900 [Sugerencia: Considérese el significado de los coeficientes a, en la matriz de tecnologia A.] En el Problema 7, supéngase que la demanda externa cambia a 50 para A, a 20 para B y a 60 para C. Calciilese el nuevo vector de produccién. 9. Resuelva de nuevo el Problema 8 si la demanda externa es de 80 para A, de 100 para B y de 120 para C. 10. En una situaci6n similar a la del Problema 7, la economia esta representada en Ja tabla siguiente. Productor Consumidor externa total AB c A 80 100100 40, 320 B 80 200-60 60 400 ie 80 100100 20 300 Determinese el vector de produccién para la economia si la demanda externa cambia a 120 para A, a 40 para B y a 10 para C. 11, Resuelva otra vez el Problema 10 si la demanda externa cambia a 60 para A, a 60 para B y a 60 para C. Una versin muy simplificada de la tabla de entradas y salidas para la economia de Israel en 1958'divide la economia en tres sectores —agricultura, manufacturas yy energia— con el siguiente resultado.* oe Infitt-Ouspsit Economics (Nueva York: Oxford University Press, 1966),a mia ras 66), 1B. 4. Anélisis de insumo y produccién (o de entradas y salidas) 145 Agricultura Manufactura Energia Agricultura 0.293 0 0 Manufactura 0.014 0.207 0.017 Energia 0.044 0.010 0.216 (@) Cuiintas unidades de produccién agricola se requieren para generar una unidad de produceién agricola? (&) {Cudintas unidades de produccién agricola se requieren para generar 200,000 unidades de produccién agricola? (©) {Cudntas unidades de producto agricola intervienen en la produccién de 50,000 unidades de energia? (@) _;Cudntas unidades de energia intervienen para generar $0,000 unidades de productos agricolas? Continuando con el Problema 12, las exportaciones (en miles de libras israelies) en 1958 fueron Agricultura 138,213, Manufacturas 17397 Energia 1,786 (@) Obtenga y evalie las matrices de tecnologia y de Leontief. (b)_ Determine el mimero de libras israelies en productos agricolas, productos manufacturados y en energia requeridos para activar este modelo de la economia israeli y exportar los valores indicados de productos. La interdependencia entre la industria de vehiculos de motor y otras industrias basicas en la economfa de Estados Unidos de 1958 se describe por la siguiente tabla de entradas y salidas para vehiculos automotores (V), acero (S), vidrio (G) y caucho (0 hule) y plasticos (R). v 8s c R V 0.298 0.002 0 0 S 008 0212 0 0.002 G 000 o 0.050 0.006 R 0.029 0.003 0.004 0.030 La demanda externa para estos productos (en millones de délares) es Vv Saag S 3276 G 19 R943146 —cAPiTULO.8 + ANALISIS DEINSUMO ¥ PRODUCCION (O DE ENTRADAS Y SALIDAS) ‘iCudntos millones de délares de cada una de estas industrias se necesita para ‘mantener activa la economia y satisfacer la demanda externa? 15. Un anilisis de entradas y salidas en la economia britiniea de 1963* se muestra simplificado a continuacién en términos de cuatro sectores: no metales (N), metales (M), energia (E) y servicios (S). N M E 8 N 0.184 0.101 0.355 0.059 M 0.062 0.199 0.075. 0.031 E 0.029 0.023 0.150 0.015 S 0.10 0.112 0.075 0.076 Las demandas externas (en millones de libras) son iCudntos millones de libras de producto de cada sector se requeririan para mantener activa la economia britdnica de 1963 y satisfacer la demanda externa? LS. Berman, “Development of in the United Kingdom, Proc. 1968 ed. W-F. Grossling, Input-Output : Frank Cass, 1970):34-35. CAPa para esta ), me- t-Oulput 135, CAPITULO 9.1 Cadenas de Markov Cadenas de Markov En esta seccidn se discute una técnica matematica que se usa como modelo en una gran variedad de procesos en los negocios, asi como en las ciencias sociales, biolégicas y fisicas. Dicho método, llamado cadenas de Markov, fue ideado por el matematico ruso A. A. Markov (1856-1922) en 1906. Inicialmen- te, se usaron las cadenas de Markov para analizar procesos en fisica y meteoro- logia. Una de las primeras aplicaciones fue para predecir patrones de clima. Las aplicaciones més recientes incluyen el andlisis de los movimientos de precios de bienes, el mantenimiento de maquinaria, el comportamiento de los animales en el laboratorio, la seleccin de productos por el consumidor, la longitud de las colas en un supermercado o un acropuerto, en el manejo de inventarios en cuanto a nivel y variedad, y en administracién de plantas. Antes de empezar nuestra discusién de las cadenas de Markov, necesitamos desarrollar mas nuestra discusién de probabilidades del Capitulo 2. Sea E un evento (resultado de un experimento) con P(E) > 0. Entonces la probabilidad condicional de un evento A dado que E ocurrié se denota por P(A| E) y se expresa por Pale) = AER 0) Ejemplo 1 Dos dados normales se lanzan (con ntimeros 1 a 6). {Cual es la probabilidad de que (@) la suma de las tiradas sea 7? 147148 CAPITULO 9 + CADENAS DE MARKOV. (b) Ia suma sea 7 dado que en al menos uno de los dados salié un 2? Soucién (a) Hay 36 posibilidades [(1,1), (1,2), - 6,2), 6,2), Gy +, (1,6), (2,1), -.., (2,6), (6,1), (6,6)]. De éstas, seis dan una suma de 7: (1,6), (6,1), (2,5), ), (4,3). Asi que eo. I. BOTS 36 — (6) Se nos informa que hay al menos un 2. Por lo tanto, los tinicos posibles resultados son (2,1), (2,2), 2,3), (2/4), (2,5), (2,6), (1,2), (3,2), (4,2), (5,2) y (6,2). De estos resultados equiprobables, sdlo dos dan una suma de 7: @,5) y (5,2). Por lo tanto P(|al menos un 2) i Podemos llegar a esta respuesta usando la formula de probabilidad condicional. P(|al menos un 2) = P(7y al menos un 2) P(al menos un 2) = 2/86. 2 2 11736 ~ 11" Nota, El evento 7 y al menos un 2 ocurre de dos maneras: (2,5) y (5,2), por lo que su probabilidad es de 2/36. Los resultados del uiltimo ejemplo se pueden representar usando un diagrama de arbol. Esto se hace en la Figura 1. De hecho, siempre que tengamos un experimento de dos (o mds) partes, se pueden representar las distintas probabilidades en un diagrama de arbol. Vamos a usar los diagramas de arbol para ilustrar la teoria de las cadenas de Markov. Antes de dar definiciones generales, empezamos con un ejemplo. Ejemplo 2 La empresa de abastos Gourmet tiene el 40% del negocio de abastos en una ciudad de tamafio medio. Su tinico competidor, Distribuciones Finas y Servi- cios (DFS) tiene el otro 60%. Para aumentar su competitividad, Gourmet contrata a una empresa de publicidad para mejorar su imagen. Durante una extensa campaiia de publicidad, se recogen los datos de ventas mensuales. Se encuentra que el 90% de los clientes de Gourmet regresan a Gourmet el mes siguiente, mientras que el 20% de los clientes de DFS se cambian a Gourmet. (a) {Qué porcentaje de los clientes usa cada servicio después de un mes? (>) ZQué porcentaje usa cada servicio después de 2 meses? a (©) 2A Ia larga cémo se reparte el mercado entre las dos empresas?6,1), 2,5), ibles (5,2) ie 7: con- , Por agra- 9s un babi- para una ervi- xten- s. Se | mes met. es? Figura (eee 91 1 0 Secci6n 9.1 + Teoriade Markov 149 primer dado segundo dado resultado suma, a) 2 a2) 3 3) 4 aa 5 ey 6 i) 7 1) 3 22) 4 23) 3 4) 6 oe) i 26 8 oD 4 G2) 5 3) 6 a4) 7 Oe) 8 G6) 9 an 5 2) 6 a3) 7 as) 8 as) 9 6) 10 6) 6 2) 7 63) 8 64) 9 6) 0 66) 1 1) 7 62) 8 (6.3) 9 (68) 10 (6.5) u 6.6) R Solucién Resolveremos este problema en varios pasos. Primero, introducimos algo de terminologia. En el lenguaje de las cadenas de Markov, el mercado de abastos en nuestra ciudad es un sistema en el que hay dos estados: Gourmet y DFS. Un cliente de abastos estd en el estado Gourmet si usa los servicios de Gour- met. En el caso contrario, est en el estado DFS. Las probabilidades de cam- biarse de un estado a otro se llaman probabilidades de transicién. En nuestro problema, indicamos las probabilidades de transicién en la Figura 2. Las cuatro probabilidades en las ramas de la derecha del arbol son todas probabilidades condicionales. Escribiéndolas, tenemos P(Gourmet|Gourmet) = 0.9 P(DFS|Gourmet) = 0.1 P(Gourmet|DFS) = 0.2 P(DFS|DFS) = 0.8150 CAPITULO 9 * CADENAS DE MARKOV. (a) Usando el teorema de la multiplicacién o simplemente multiplicando a tra- vés del arbol, obtenemos (denotando una preferencia por Gourmet des- pués de un mes por G; y una preferencia por DFS después de un mes por DFS), P(G,) = P(G,|G)P(G) + P(G,|DFS)P(DFS) = (0.9)(04) + (0.2\0.6) = 0.36 + 0.12 = 0.48 P(DFS,) = P(DFS,|G)P(G) + P(DFS,|DFS)P(DFS) = (0.10.4) + (0.8)(0.6) = 0.04 + 0.48 = 0.52 Asi, después de 1 mes, el 48% de los clientes de abasto escogieron a Gour- met y el 52% escogieron a DFS. Notese que 0.48 + 0.52 = 1. Se puede llegar a esta respuesta de otro modo. Definimos el vector de probabilidades inicial py como p, = (0.4 0.6). Se define la matriz de pt G DFS pa (29 4 ~ DFS\02 08 noe “meen me ! principio 09 G04 x09 = 036 y ain es SA ae PDFS /G)=O1—~ DFS, 04 x 01 = 008 re ee % 06 x02 = 012 Fs PODS,/DFS) = 08 DFS,, 06 x 08= 088 La matriz de transicién muestra las probabilidades de pasar de un estado a otro durante el experimento. Asi, por ejemplo, la componente 1,2 de T es la probabilidad de pasar del estado 1 (Gourmet) al estado 2 (DFS) en un mes. Ahora, observamos que 09 0.1 PoT = (04 o6(¢3 ne) = (048 0.52) =P), el vector de probabilidades de las proporciones despues de un mes. El lector debe poder explicar por qué el producto paT produce el mismo resultado que las multiplicaciones en el diagrama de arbol.oatra- et des- nes Por Gour- estado 1,2 de 2 (DFS) El lec- resul- 1 Secci6n 9.1 * Teoriade Markov 151 (b) Hay dos maneras de obtener p,, el vector de proporciones después de 2 i ‘meses. Primero, podemos dibujar un diagrama de arbol como en la Figu- ra 3, Multiplicando a lo largo del arbol, obtenemos PCG) = (0.4)(0.9)(0.9) + (0.4)(0.1)(0.2) + (0.6)(0.2)(0.9) + (0.6)(0.8)(0.2) = 0.536 P(DFSz) = (0.4)(0.9(0.1) + (0.4)(0.1)(0.8) + (0.6)(0.2(0.1) + (0.6)(0.8)(0.8) = 0.464, Asi, P2, el vector de proporciones después de 2 meses, esté dado por Ps = (0.536 0.464), después de dos meses después de unmes 09 G, 940909 = 0304 ree ee 04 x09 x 01 = 0036 G, 04 01 x 0.2 = 0008 04 OB DFS; 04% 01 x 08 = 0032 foe Raia: aa x02 09 a108 \ i ee ne 06 x 02 x 0.1 = 0012 ie G06 x 08 x 02 = 0096 Notese que 0.536 + 0.464 = 1, De otra manera, razonando como en la parte (a), se encuentra que P2 = PT = (048 os0(¢3 i os a) 7 336 0.464), (©) De las partes (a) y (b) concluimos que Pi = PoT P2 = Pi T = (PoT)T = poT?152 — cApiTuLo.9 » CADENAS DE MARKOV Ps = P2T =(PoT*)T = poT? i Ps = PsT = poT* y asi sucesivamente. Por ejemplo, Ps = P2T = (0.536 46s) p ae a) 7 5782 0.4248) Continuando los cfilculos en una calculadora programable, obtencmos los resultados de la Tabla 1. Se ve que al aumentar n (el ntimero de meses), las proporciones tienden a un veetor fijo de probabilidades t= (0.6666... 0.3333...)=@ Este se lama vector fijo para la matriz de probabilidades T ya que tr=@ 903 ga) 4 DoE Es decir, el vector t no cambia al multiplicarse por la derecha por la matriz T. Entonces concluimos que a la larga las proporciones del mercado son de 2/3 0 67% para Gourmet y 1/3 0 33% para DFS. (gece. ‘Vector de probabilidades Mes n (@ proporciones) después dz m meses 04 06) (0.48 0.52) (0.536 0.464) (0.5752 0.4248) (0.60264 0.39736) (0.621848 0.378152) (0.64470552_0,35529448) (0.6591339934 0.3408660066) (0.6654006503 03345993497) (0.6664538873 0.3335461127) (06666309048 0.3333690952) (0.6666606562 0.3333393438) (0,6666664969 03333335031) oe ee a SSRBASiMaeN-o Antes de dar otros ejemplos, discutiremos algunas propiedades generales de una cadena de Markov. Yectorde El vector renglén dem componentes p = (p, p -. P,) ¢5 un vector de proba- probabilidades _bilidades si todas sus componentes son no negativas y la suma de sus compo- cal nentes es 1yemos je me- ue la ma- ercado erales de de proba- s compo- Seccion 9.1 * Teoriade Markov 153 PReeRae ost Py = 1, Ejemplo 3 Los siguientes son vectores de probabilidades. @®@¢€d) O44) O48} MOB} AW ©O©O@+0) OOF} 0% Bt babii Matrizde La matriz n x n designada por P = (p,) es una matriz de probabilidades si ic cada uno de sus renglones es un vector de probabilidades, Esto significa que todas sus componentes son no negativas y la suma de sus componentes en cada renglén es 1. Fjemplo 4 Las siguientes son matrices de probabilidades, @ A) (b) ( | © (+44 @ /1 0 O} ae 43 (1:4) (i 4) $44 oo1 © Los siguientes enunciados se demuestran al final de esta seccién. Teorema 1 | 1. El producto de un vector de probabilidades (a la izquierda) por una matriz de probabilidades (a la derecha) es un vector de probabilidades. 2. El producto de dos matrices de probabilidades es una matriz de probabilidades. itt Ejemplo 5 Seap = (§ $ bse-(a 1 :) Verificar que pP es un vector de probabilidades. a4 4 at 2 Solucién Bs yon ye at bt 4154 CAPITULO 9 + CADENAS DE MARKOV es un vector de probabilidades ya que $/32 + 21/32 + 3/16 = 1. Esto ilustra el Enuneiado 1. ror Femploé6 SeaP=(0 1 O|y Q=|[4 $44 0 probabilidades. 4 4 a\/1 0 o Bak svc vo-(0t it a)-(F Ti) te V\oo1 ot 8 Todas las componentes de PQ son no negativas. Ademés, is + a: + 3$=4+ 4+) = i++ 4=1. Asi que PQ es una matriz de probabilidades. Esto ilustra el Enunciado 2. 0 oO $ 4}: Verifiquese que PQ es una matriz de o1 Para definir una cadena de Markov, considérese un experimento con un espacio muestra finito S = {E,, Ey, ..., E,}. Considérese una secuencia (0 cadena) de experimentos realizados. Se dice que el experimento esta en el estado £,en el intento m-ésimo si E; es el resultado del intento m-ésimo ensayo del experimento. Cadena de Una secuencia de intentos de un experimento es una cadena de Markov si Markov (a) el resultado del intento m-£simo depende sdlo del resultado del intento (m ~ 1)-ésimo y no de los resultados en los intentos anteriores, y (b) Ia probabilidad de pasar del estado £, al estado E, en dos intentos sucesivos del experimento permanece constante. Por ejemplo, si la probabilidad de pasar del estado E, al E, en el tercer intento es de 0.6, entonces la probabilidad de pasar de E, a E, en el cuarto 0 en el décimo intento, o en el quincuagésimo, es también de 0.6. Nétese que en el Ejemplo 2 supusimos que la probabilidad de que un cliente escogiera a Gourmet en un mes dependia s6lo de qué empresa de abasto habia elegido el mes anterior. Sicel clima de hoy depende solamente del clima de ayer, entonces la observa- cién y prediccién del clima es un problema de cadenas de Markov. Si la probabilidad de escoger una marca particular de coche la préxima vez que piense ‘comprar uno depende tinicamente del auto que ya se tiene, entonces el problema del patrén de ventas de automéviles es un problema que se puede resolver por cadenas de Markov. Por otra parte, sil clima de hoy es determinado por el clima de varios dias anteriores, entonces no se trata de una cadena de Markov. Similarmente, si al hacer la préxima compra de un automévil se toma en cuenta la marca de losMatriz de transicion de una cadena de Markov Seccién 9.1 * Teoriade Markov = 155 liltimos tres coches que se han tenido, entonces el andlisis de los patrones de ventas de automéviles no corresponde a una cadena de Markov. Esto es asi, ya que la probabilidad de escoger una marca determinada de automévil en el intento m-Esimo es decir, su m-ésimo coche depende de las elecciones que se hayan hecho en tres casos anteriores: los de los autos (7 — 1)-ésimo, (m ~ 2)-ésimo. y (m ~ 3)-ésimo., Una cadena de Markov se caracteriza por las probabilidades de que el sistema pase de un estado a otro en intentos sucesivos. La matriz de transicién de una cadena de Markov es la matriz n x n de probabilidades T = (p,) cuya componente jj-ésima, py es la probabilidad de que el sistema pase del estado E, al estado E, en intentos sucesivos del experimento. Ejemplo 7 0.9 0.1 m ‘ (222) ano ge nt por ejemplo, que la probabilidad de pasar del estado 1 (Gourmet) al estado En el Ejemplo 1, 1a matriz de transicién es T ~ 2 (DFS) es de 0.1. Matriz regular y cadena de Markov — regular Ejemplo 8 Solucién ‘Sea T la matriz de transicién de una cadena de Markov. Como el producto de dos matrices de probabilidades es una matriz de probabilidades, se concluye que las matrices T? = TT, T? = TT, T*, T, ... son cada una, matrices de probabilidades. Una matriz de probabilidades 7 es regular si todas sus componentes de al menos una de sus potencias 7” son estrictamente positivas (mayores que cero). Una cadena de Markov es regular si su matriz de transici6n es regular. eCuales de las siguientes matrices son matrices de transicién para una cadena de Markov regular? “pty ery ery 440, ta 4 @ T= (j ) es regular porque todas sus componentes son positivas. mn-6 96 )-156 — cAPITULO.9 + CADENAS DE MARKOV mt) oC y asf sucesivamente. Como siempre hay un cero en la posicién 2,1 de T=, concluimos que T no es regular. 0 4 40 4 4) (4 tb © ma(io Yio )- 114) +4 0/\E 4 0/7 \E 4 4 por lo que T es regular. (@) Todas las componentes son positivas, y asi T es regular. Teorema 2 {Por qué estudiamos cadenas de Markov? En el Ejemplo 1 vimos que la cade- 09 0.1 na de Markov regular (regular porque T = Ae: OF nentes positivas) tenia un vector de probabilidades fijo, t = (2/3 1/3) y que el vector de probabilidades p, = py7* tendia a t al crecer n. Esto no es un ac- cidente. ) tiene todas sus compo- Si Tes una matriz de probabilidades regular, entonces hay un nico vector de probabilidades t tal que t7 = t. Ademds, para cualquier vector de probabilidades p, el vector de probabilidades p7" se acer- ca més a t al crecer n. El vector fijo t se llama la distribucién esta- clonaria de la cadena de Markov cuya matriz de transicién es T. ‘Ademés, al ir creciendo n, cada renglén de T* tiende al vector fijo t. Una demostracién de parte de este teorema se da al final de la seccién. Ejemplo 9 Encontrar los vectores fijos para cada matriz regular. (4) ) (3 ¥ $4 deta 4 Se busca un vector de probabilidades t tal que tT = t. Sit = (x y), resolvemos la eouacién (x rj + =@ »)de npo- ac ay Recuérdese que M; (-2) significa multiplicar el ene eae Por ~2; Ay o(~ slgifca multiplicar el primer rengién bor ~W y — sumarlo al segundo renglén; Pe. significa intercambio (permuta) de los renglones segundo y tercero, ‘Seccion 9.1 * Teoria de Markov 157 © bien Gxt+dy kta) = ») Igualando las componentes, obtenemos detiye=x bke+iyey © bien -he+ty=0 be-dy=0 Ademas, como t es un vector de probabilidades, debemos tener que x + y = 1. Esto nos lleva al sistema -b+by=0 k-y=0 xt yal Haciendo reduccién por renglones obtenemos, sucesivamente, (G4 sjaea(t 3 n) H(6 “9 1 1} 1, 1 VL 0 Hin way ( E :) Aud) (: : : Pas (0 : i) eu 0 1/3, 0 0} 0, Asi, x = 2/5, y = 3/S yl tinico vector de probabilidades es t = (2/5 3/3). Comprobacién = tT = (2 al} )-« Dat (b) De modo que add ey atTa(@% y 2d 4 : 44 © bien @ y D-kt+b+kh beth betytdy, yasi kibthe=x ixethy+hkeay bke+bthenA 1, Hegamos al sistema xt ytrel -tbth=0 bke-ty+=0 bke+b-k=0 Ahora hacemos reduccién por renglones. PT Vea Sef Se | boa dfo) Ach fo gw owl a deste (410 0 -% %|-t + F410, Of -%|-4 i \% tlt map fo> 1. 1) & 0 -% | -t 0 4 -i]-4, AD 7/1 0. 0] i) tia ; : (Umtime [oa 00 -3|-#%& zy. 10 oO] ® md (O11 ; oo 1] # 00 -2|-%, 10 Ol# aa? foo : 00 1% 0 0 oo Asi quex =i, y=2=a8, ¥ t=Gh & wh. oat Compropacion tT = (ss af! i iJ asSeccién 9.1 © Teoria de Markov 159 Observacion. Para la matriz en la parte (a) de este ejemplo, usamos una calcu- Jadora para evaluar algunas de las potencias de T™. ei eng) The (3 ") e (tase +. 0,583, te #4) ~ \0.3888... o6111. ) (0.400462963 0.599537037 4727? Pies ie (ease Saar) (0.4000003572 0,5999996428 ST Fada Oe fees nantes) mera on) =((°4) 0.4 0.6) ‘ To (es a) Param > 16 — (compruébese.) Las tiltimas dos matrices son correctas hasta diez decimales, Ahora sea p = (a 6) cualquier vector de probabilidades. Entonces para m> 16, 04 0.6) pT™=(a of = (04a +0.4b 0.6a + 0.66) =(0.4(a +5) 0.6(a +b). 04 06, Como a + b = 1, vemos que, con diez decimales, pT" = (0.4 0.6) = 2/5 3/5) para cualquier vector de probabilidades inicial p. Esto ilustra el gran resultado de (1). Ffemplo 10 Se coloca un ratén en una caja dividida en compartimientos, como se muestra en la Figura 4. En ausencia de més informacién, es razonable suponer que el ratOn encontrard una puerta al azar para moverse de un compartimiento a otro. Si esta suposicién es valida, a la larga puede esperarse que el ratén esté160 CAPITULO 9 * CADENAS DE MARKOV en el interior de cada compartimiento con igual frecuencia. Wecker describe una serie de experimentos con ratones de campo que se puede analizar en estos términos.* Dejando que los ratones se muevan entre diez compartimientos, la mitad al descubierto y la mitad con techo de madera, Wecker pudo estudiar la fuerza de la preferencia de los ratones por el habitat abierto sobre el habitat cubierto. Se puede analizar la situacién de los ratones en términos de una cadena de Markov y demostrar que, a la larga, es valida nuestra suposicién intuitiva de que el ratén pasaria tiempos equivalentes en cada uno de los tres compartimientos. Los tres estados obvios en este ejemplo son fos compartimientos | ILy III. Como todas las puertas son igualmente faciles de elegir, la probabilidad es de 1/2 de que el ratén se mueva a cada uno de los dos compartimientos que no ocupa en un momento dado. Esto da la matriz de transicién OF it) 34 0; ate r-(it i} tab T es regular y tiene un unico vector fijo de probabilidades t. Si entoncesx +» +z=1y Obed & y 24 0 t= y 2 Dado que yz), +40, © bien b+hex dx t+the=y defy died de modo que xt y+ z= -x+hy+}=0 dx- ythe=0 de+dy- 250 * S.C. Wecker, “Habitat Selection”, Scientific American, 211 (oct. 1964):109-116.Secci6n 9.1 © Teoriade Markov 161 scribe Entonces, haciendo reduccién por renglones, obtenemos 1 estos tos, la eet i; 1 ps Weer [71 Tea ft Bester -1 4 3/0) Au-pfo 2 3) 1) ma fo 1 1] 3 ¥-1 4)0 0-2 0/-+ OF Ole eae 4 4-1/0 0 0-3] -4 0 0 -3]-4 iva de 10 0] 4 10 0} ¢ 10 off i AnD 4s) 1 Ad [91 1) F) md [0 1 1] F) ay fo 1 of4 rit oo a] 4 oo 1] ¢ 00 1/4 ientos 0 0-3] -4 0 0-3] -+ 0 0 0/0, Asi que t = (1/3 1/3. 1/3), lo que quiere decir que, como se esperaba, el ratén pasard iguales tiempos en cada uno de los tres compartimientos. eee ee ee ee be Ejemplo 11 El clima de Montreal es bueno, regular o malo en cualquier dia dado. Si el clima es bueno hoy, serd bueno mafiana con una probabilidad de 0.60, serd regu- 7 lar con una probabilidad de 0.20 y ser malo con una probabilidad de 0.20. Siel clima de hoy es regular, el de mafiana ser bueno, regular 0 malo con probabilidades respectivas de 0.25, 0.50 y 0.25. Por ultimo, si el clima es malo hoy, las probabilidades son de 0.25, 0.25 y 0.50 para clima bueno, regular 0 vy 2), malo, mafiana. Esto se puede describir como una cadena de Markov de intentos de un experimento con tres posibles resultados: E,, Ey y E,, que corres- ponden a clima bueno, regular o malo en un dia dado. La matriz de transicién Para esta cadena de Markov es Shag) B/0.60 0.20 0.20) /3 4 # P=R(025 050 0.25)=(4 4 3). M\025 0.25 050/ \t 3 Se aprecia que esta matriz es regular. En el Ejemplo 9 se calculé el vector fijo (5/13. 4/13 4/13). Esto quiere decir que, a la larga, el clima de Montreal serd bueno 5/13 ~ 38% de los dias, regular 4/13 ~ 31% de los dias, y malo =31% de los dias. ‘Nota. Se pudo resolver este problema apoyados en la suposicién de que el clima de hoy depende solamente del clima de ayer, y no de lo que haya pasado en dias anteriores. ———e Sere EES Algunas — Demostracién del Teorema 1. demostraciones (a) Sip cs un vector de probabilidades dem componentes y P = (p,) es una mattiz de probabilidades n xn, entonces pP es un vector de probabilidades con n componentes.162 cAPiTULO.> + CADENAS DE MARKOV e ) El vector de probabilidades dado es p = (), P2, ---» Px) ¥ 1a matriz n x n de probabilidades dada es P = (p,). Definase el vector = pP. Entonces, Pu Pa Pu Pn Pwr Px = PP = By Pry 5 Pe) Pot © Pa" Pan (Pi + PrPa + 07° + PaPris *1%r PrPin + PrPant °° + PnPan)- En otras palabras, r = pP es un vector renglén de componentes, r = (ras fay «+4 Fo uy componente i €s t= PiPy + PrPu + ++ + PePar Cada r,s no negativa, porque es la suma de mimeros no negativos. Para demostrar que F es un vector de probabilidades, se debe probar que la suma de sus componentes es 1. Lr Lor + PrPu +... + PaPni) = Deu + Ypspu +... + Learn = apy + mkipy + + pALPw =P tht. + Pale Si P = (p,) y Q = (q,) son las matrices n x n de probabilidades, el producto de las matrices PQ es una matriz n x n de probabilidades. Definase el producto matricial R = PQ = (r,). Esta es una matriz n xn cuya componente ij es r, = 2{pudy- Ya que las componentes de P y son no negativas, las componentes de R = PQ son también no negativas. La suma de las componentes en el renglén i de R es Bey ok deh i jalkel epee, EB Pate = e lreSsa1) = Ep. eet 1; En relaci6n con esto, se invirtié el orden en la sumatoria y se us6 el hecho de que Spy = Bau = 1, ya que P y Q son matrices de probabilida- Fa des. Hemos demostrado que PQ es una matriz de probabilidades. Demostracién Parcial del Teorema 2 Demostramos lo siguiente Si P = (p,) es una matriz n x mde probabilidades, entonces existe un vector (no cero) de m componentes t tal que tP = t. Es decir, cada matriz de probabilidades tiene un vector fijo.Seccién 9.1 * Cadenas de Markov 163. F Pemoswacion” La ecuacién tP = tes equivalenteat(P~ 1) = 00 bien, tomando transpuestas, Pp. fs (P~ Dt’ = 0. Este sistema homogéneo tiene una solucién no cero tsi sole Si det(P — 1y = dep - 1) = 0. Esto 6s tna consecuencia de la teoria de los determinantes. Pero det(P ~ 1) = 0 si y s6lo si las columnas de la matriz P — J son linealmente dependientes. Como P es una matriz de probabilidades, sabemos que p: Pi Patt By = Pait Ped +... + Dy =... “Pat Pat... + Pm = 1. 5 Estas ecuaciones se pueden escribir en la siguiente forma vectorial equivalente, ag Pu” Pa Pin 0 Pa \,[ Pat Pan 0 Pat Pra Pro 0 Los vectores en la izquierda de esta ecuacién son exactamente las columnas de P~ I. Por lo tanto, las columnas de P ~ [son linealmente dependientes, con lo que queda demostrado el resultado. Se ar Tras Mer) Problemas 9.1 o- En los Problemas 1-10, determinese siel vector dado es un vector de probabil a dades. Q Lap 2 ¢ » : RGEED 4 bay Set) 8-1Gi4 7 (1009 8& @ 101 % (0235 0361 0.162 0.242) 10. Gy & & % bx los Problemas 11-20, determinese sila matriz dada es una matriz de proba- io bilidades. la- ue /4 4 0 2 (tt (49 (1) 44 0, ae = "| S 0 of $i - 1 Hii) oy phe Be nallyCOO wm ft ad 8/1 204 1 10 0, \o 0, ww. /$ 4 0 (+49 (3) eee: bay ea pea oft ty En los Problemas 21-30, se da una matriz T de transicién y un vector inicial de probabilidades p,, Calciilense py, 2 ¥ Ps a r-( im =a » 2 ru )sno=c » m= » j)io-G po G a B eee p= #9 eon kpo=G 4 4) a woe es ees ©: po = (1 0 0) iPo= tb $ 4) B 30. 016 0.49. 035) T={023 058 ois} m= aa 044 025) 037 0.21Secci6n 9.1 * Cadenas de Markov 165 En los Problemas 31-40, determinese si la matriz dada de probabilidades es regular. Si es regular, encuéntrese su tinico vector fijo de probabilidades. a fb 2 32, Hy 6) 6) 33. (1 0) M. ft 8) G)) 6) +38. & Tp hendonde O (i 3) Calculese la matriz Q = (J — R)'. Aqui se tiene maa 9-0 )-(5 9)Paso 4. Paso 5. Seccién 9.2 * Cadenas de Markov absorbentes 171 " e-e-waea (3 §) 3 Nota. Llamamos Q a la matriz fundamental para la cadena de Markov absorbente, Ahora podemos responder las preguntas. La componente q, de Q se interpreta de la manera siguiente. Si partimos del estado transitorio i, gy ¢8 el mimero esperado de veces que nos encontrare- ‘mos en el estado transitorio j antes de alcanzar algiin estado absorbente. En nuestro ejemplo, el niimero q,, = 16/13 quiere decir que si partimos del segundo estado transitorio (que es el estado 3 en nuestro problema), volveremos al estado transitorio 1 un promedio de 16/13 = 1.23 veces antes de pasar a un estado absorbente (estado 2 0 estado 4). Ademas, como 16/13 + 24/13 = 40/13 ~ 3.08, estaremos en algtin estado transitorio un promedio de 3.08 veces si empezamos en el estado transitorio 2, Caletilese la matriz de probabilidades A = QS. Aqui, osea(® 9k F an-os-H(iE l(t | =a(t 7 Ag # < 0.3654 0.6346) 6 7) \& Bs, 0.4615 0.5385)" Notese que A es una matriz de probabilidades. Para interpretar las componentes de A, le agregamos indicaciones, Estado Estado. absorbente 1 absorbente 2 Estado transitorio 1. /0,3654 0.6346 Estado transitorio 2 (0.4615 0.5385, Esto significa que si empezamos en el estado transitorio 1, terminaremos en el estado absorbente 1 en 0.3654 = 36.54% de las veces, y en el estado absorbente 2, en 0.6346 = 63.46% de las veces. Al segundo renglén de A se le da una interpretacion semejante. Ahora aplicaremos nuestra técnica a una situacién practica. BB fenples El Centerville Vo-Tech es una escuela técnica de cursos bianuales. Cada 2 afios, el Consejo Directivo presenta un presupuesto para Centerville a la legis- latura estatal. El presupuesto se basa en el ntimero de alumnos que asisten a la escuela y en el niimero de alumnos que se espera que se gradiien. Para calcular estos ntimeros, los alumnos se clasifican en cuatro categorias: primer afio, segundo afio, graduados y suspendidos. La ultima categoria incluye a los alumnos que se pasan a otra escuela. Después de haber recogido datos durante varios aftos, la escuela puede pre-172 — cAPiTULO.9 * CADENAS DE MARKOV. decir las proporciones de los estudiantes que pasarén de una categoria a otra en un afto dado. Estos datos se dan en la Tabla 1. Si hay 2000 estudiantes de primer afio y 1500 estudiantes de segundo afio en Centerville este afio, jcudn- tos de estos estudiantes se Ilegardn a graduar? Tabla 2 ec. 28) A | primer | Segundo | Graduados | Suspendidos De aio (P)| ao (S) @ aw Primeraho | 0.15 | 0.65 0 02 Segundo ato | 0 on 0.75 ous Graduados | 0 0 1 0 Suspendidos | 0 0 ° 1 Soucién Se puede describir este proceso como una cadena de Markov absorbente con cuatro estados, de los cuales dos (graduados y suspendidos) son absorbentes. La matriz de transicién para esta cadena de Markov es Dye cP rgesOna® P /015 065 0 02 pa 5 (9 01 075 04s! SiGAG 4d Oysqbyh 20: x 0 0 1 (0S 065 0 02 ‘eu Z ( 01 0.75 Raa) 0.15. 065 0. 02 Sie a=() a) - (tas a pu! 9) (tS 068) _ (085-068 Pape Tho: 1)SOSwsOaiype \O'A 09 =, [117647 0.84967 Os Cie =( ca) aso4, Los niimeros en Q indican que el estudiante promedio que est ahora en su primer afio, permanecera aproximadamente 1.18 afos en primer afo y 0.85 afos en segundo afo antes de aleanzar un estado absorbente (graduacion 0 suspensién). El estudiante promedio de segundo aio pasar 1.11 afos en su segundo afio antes de quedar graduado o suspendido.Seccién 9.2 * Cadenes de Markov absorventes 173 0 111111, (0.63726 0.36274) 0.83333 0.16667, Paso A=0S~ Ge’ 0.84967\/0 0.2 0.75 0.15) Esto quiere decir que el 63.7% de los estudiantes de primer afio llegaran a gra- duarse (pasando al estado absorbente 1) y que el 36.3% serdn suspendidos, ‘mientras que el 83.3% y el 16.7% de segundo aio se graduardn o serdn suspendidos, respectivamente. Ahora, para contestar nuestras preguntas: De los 2000 estudiantes de primer ao, 2000 x 0.63726 = 1275 se graduaran. De los*1500 estudiantes de segundo afio, 1500 x 0.83333 = 1250 se graduaran. Nota, En el Paso 5 se calculé el niimero de alumnos que eventualmente se sraduardn, mientras que en el Paso 4 se determind en cuanto tiempo “eventualmente” se realizara esto para el estudiante promedio. Ejemplo 5 En el Ejemplo 1, E; y £; son estados transitorios, mientras que E; es absorbente. 0 4H Asi, como T=(4 0 4}, tenemos que 001 OE) Gd 0 T’ , R= y S= a ( 04, + 9, , Ya que hay un solo estado absorbente, es evidente que se debe llegar a él partiendo de cualquiera de los estados no absorbentes, por lo que A debe ser la matriz (}) Se puede usar este hecho para verificar nuestros cdlculos. wt soe(} x eee) El sentido de q,, = 2/3, por ejemplo, es que si el sistema empieza en el esta- su do E,, el valor esperado del niiiero de veces que el sistema estard en el estado 85 £, es de 2/3, De manera semejante, qy, + qj. = 4/3 + 2/3 = 2. En otras ° palabras, si el ratdn esta en el compartimiento I en el primer movimiento, el su niimero esperado de movimientos (incluyendo el primero) antes de llegar al compartimiento III es de 2. Por iiltimo,174 — cAPiTULO.9 © CADENAS DE MARKOV 1-0-0) En el Ejemplo 3, la matriz de transicién para nuestro juego es 0000 ‘como se esperaba. eoos> Pp oO q 0 Hs oo 0 P 0 0 ao Basu T=(0 q 0 p o}. 0040p ‘Como los estados primero y quinto son absorbentes, tenemos que 0 po q 0 R=(q 0 p) y sS=(0 0}. 040 Op = 1/2. Entonces econo De modo que e Por simplicidad, considérese el caso p = 0 4 0 +0) a-(} Q i) s-(2 *) 0 4 0, 0 4 1 -$ 0) Pid ion-(- 1 ) y a-w-(i 2 ‘)-0 O41 ad Esto indica, por ejemplo, que si el primer jugador empieza con dos canicas, puede esperar que el juego dure gz; + gz: = 1 + 2 + 1 = 4 movimientos antes de que gane o pierda todo. Por ultimo, B 1 H(t 0) (2 2 A=Qs=(1 2 1}fo oJ=(4 4). 41 /\0 4/ \t th ‘Asi que sil jugador 1 empieza con 1 canica (el estado transitorio 1), terminaré con ninguna (el estado absorbente 1) 3/4 de las veces, y terminard con las 4 canicas (estado absorbente 2) 1/4 de las veces.Seccion 9.2 * Cadenas de Markov absorbentes 175 Problemas 9.2 ——— En los Problemas 1-10 se da una matriz. Determinese si la matriz es la matriz de transicién de una cadena de Markov absorbente. En caso afirmativo, en- cuéntrese el mimero de estados absorbentes. “¢)) “Ca *¢)) 4/1 0 0) 5. fo 1 0 6 ad 0 1 9, 0 0 1, deck: 4, 7 A Sioa fd, 4 0/-0) IEE FeO 010 1000 0100 (3°) oo10 oo10 0 0 4 4, +404, Ww. /$ $00 Oe Fs) oo10 0001 En los Problemas 11-20, se da la matriz de transicién de una cadena de Mar- ‘ov absorbente. Determinense las matrices T’, R, S, Qy A. “ey "49 3. /$ 4 ¥ 4. (02 07 01 agit 06 01 03 oor oO. 0 15. /04 04 02) 6 /4 440 (i's) baaa oot oo10 0001 1. (021 046 0.13 0.20) B gl SER aay 1000 at yood 031 025 021 023 ooo01 eer onto ar m™ [tabi B 20/017 023 015 032 043! Hd et + Bit Oo 6 o a¥Odd 15 021 0 038 0.26 00010 CHET HOt 9 1 {eco aC a ~\_ Bly Un animal de laboratorio debe desempenar ciertatarea para recibir una unidad "de alimento, La probabilidad de que logre hacer la tarea con éxito en cualquier176 — CAPITULO 9 + CADENAS DE MARKOV. #23, 26. intento es de 4/5. Supéngase que el animal repite su tarea hasta recibir un total de cuatro unidades de alimento. Deseribase este proceso como una cadena de Markov absorbente con cinco estados. {Cul es la matriz de transicién? Cua ¢s el mimero esperado de veces que se repetira la tarea del Problema 21 hasta completar con éxito cuatro intentos? Dos jugadores, G, ¥ Gy se enfrentan en un juego. La probabilidad de que gane G, en cada movimiento es de 3/7. Supéngase que G, empieza con $1. En cada movimiento, apuesta $1 cada jugador y el juego continia hasta que uno de los dos haya perdido todo su dinero. (a) Describase este juego como una cadena de Markov con nueve estados. (b) gCudles son las distribuciones de probabilidades de los estados después de tun movimiento y después de dos movimientos? (©) iCual es la probabilidad de que gane G,? En un juego del Problema 23, supdngase que G, apuesta todo su dinero en cada movimiento del juego. (a) Describase este juego como una cadena de Markov con cinco estados. (>) {Cual es el mimero esperado de los movimientos de este juego? (©) {Cual es la probabilidad de que gane G,? Un animal de laboratorio debe escoger una de cuatro pantallas para recibir alimen- to, Las Iy Il, si se escogen, resultan en una cantidad muy pequenia de mento. Las III y IV dan cantidades muy superiores del mismo. Si la III 0 la IV se eligen en un intento, se observa que se seguira éscogiendo la misma pantalla en todos los intenitos posteriores. Si se escoge la pantalla 0 si se escoge la Il en un intento, entonces en el siguiente intento se escogerd cualquiera de las cuatro pantallas con igual probabilidad. Describase este proceso como una cadena de Markov absorbente con cuatro estados. Si se escoge la pantalla I en el pri- ‘mer intento, cual es el niimero esperado de intentos antes de que se escoja la pantalla III 0 la pantalla 1V? La Zephyr Electronics Co. fabrica tocacintas portatiles. Antes de mandar a ventas un casete 0 portacinta, se analiza el lote. Las categorias de inspeccién son: no funciona (NF), regular, bueno y excelente. Los portacintas NF se desechan, ‘mientras que los lotes excelentes se envian inrediatamente a ventas. Los lotes regulates y buenos se regresan para ajuste y se vuelven a probar. Las proporcio- nies de lotes regulares y buenos que cambian de categoria se dan en la tabla siguiente: J A De Regular] Buena | Excelente Regular | 0.05 | 0.25 | 0.35 035 Buena | 0 ois | 02 0.65 (a) Describase este proceso de prucha como una\cadena de Markov absorbente ¥-caletilese la matriz de transicién.. dill.21. () © @ © © Seccion 9.2 + Cadenas de Markov absorbentes 177 eCudintas veces, en promedio, se volverd a inspeccionar un lote que ya se habia probado y habia resultado regular en Ia prueba anterior? ~Cuantas veces, en promedio, se inspeccionara de nuevo un lote que ya se habia probado y dio por resultado ser bueno? iCual es la probabilidad de que se deseche un lote regular? 0 de que estaré en el estado Cen el intento (n + 1)-ésimo del experimento. Es decir, c es la probabilidad de que el sujeto aprenda la respuesta correcta antes del siguiente intento del experimento. Nota. (A4) es la suposicién menos plausible de las que se han presentado hasta ahora. Aqui se estd suponiendo que (i) todos los elementos son igualmente faciles (0 dificiles) de aprender, y (ii) el sujeto no tiene mas probabilidad de “aprender” la respuesta correcta después de muchos intentos que después de un solo intento de contestarla. Es de esperarse que si los sujetos son humanos de inteligencia normal, las probabilidades de aprender aumenten después de cada intento y de haber ofdo la respuesta correcta. Si el elemento est en el estado G y hay N respuestas posibles, la probabilidad es de 1/N de que el sujeto adivine la respuesta correcta. Es decir, en el estado de adivinar todas las respuestas son igualmente probables de ser escogidas.Un modelo aplicado en psicologio © «187 Con estas suposiciones, se puede considerar el proceso de aprender la res- Puesta correcta por cada estimulo como una cadena de Markov con estados Cy G.* La matriz de transicion para esta cadena de Markov es co ee/i..0 Saale! a Porque, por (A3), una vez que estamos en C, permanecemos en C. Ademés, por (A4), si estamos en G, la probabilidad es c de que estemos en C en el siguiente intento del experim« Usando la matriz de transicién dada en (1) es facil calcular la probabilidad de que un elemento esté en el estado Co G después de un intento cualquiera del experimento. Primero, por (A2), la distribucién inicial es p® = (0, 1). Q) Ahora bien P= : elle ft =(a1 eco fel We 1 0 Ph (ances + (I-0))] roe Continuando de esta manera (véase el Problema 15), se puede demostrar que poy I 0 ie ell +(e) + Uo + + (ee) ree z 2 La férmula para la suma de una progresién geométrica es Dex tet. bet = RY para x 1. @ Asi que 1+ (1-04 (oF 4-9 = i=a-y (5) ¢ insertando (5) en (3), tenemos (Pree 1 0 6 1 = (I-ey" (I=cy" * Notese que hay una cadena de Markov para cada elemento estimulo-respuesta (5,1). Asf, si hay diez parejas (sr), como en los experimentos de Bower, habré diez cadenas de Markov. Sin ‘embargo, considerando nuestras suposiciones, todas las diez cadenas de Markov tendrin propiedades idénticas.CAPITULO 10 * UN MODELO APLICADO EN PSICOLOGIA, Ejemplo 1 Table 1 (em. 19) Entonees las probabilidades de que un elemento esté en el estado C 0 G des- pués del intento n-ésimo son 1 0 we er OL — a-en cimey = (1- (l-ey, (ey). 7) La formula (7) es muy reveladora. Como 0 < ¢ < 1, por (Ad), tenemos que 0. < 1-c<1. Asi, (1-c)" = 0 cuando n ~ @, Esto dice que mientras ¢ no sea cero, la respuesta correcta al estimulo serd aprendida. Cuanto mayor sea el valor de c, tanto mas répido serd el aprendizaje. Seac = 0.25. Entonces 1 - ¢ = 0.75. La siguiente Tabla da las probabilidades de que el elemento esté en el estado G 0 C después de cada intento: Intento. P(C) = 1- 0.75)" PCG) = 0.15 0 1 0 1 0.25 0.75 ia 0.4375 0.5625 3 0.5781 0.4219 4 0.6836 0.3164 s 0.7627 0.2373 6 0.8220 0.1780 7 0.8665 0.1335 8 1999 0.1001 9 0.9249 0.0751 10 0.9437 0.0563 im 0.9578 0.0422 12 0.9683 0.0317 B 0.9762 0.0238 4 0.9822 0.0178 15 0.9866 0.0134 16 0.9900 0.0100 1 0.9925 0.0075 18 0.9944 0.0056 19 0.9958 0.0042 20 0.9968 0.0032 Notese que después del intento 16°, hay un 99% de certeza de que el sujeto habra aprendido la respuesta correcta. Es interesante analizar esta cadena de Markov en términos de la teoria de cadenas de Markov absorbentes (véase la Seccién 9.2). Tal cadena es absorbente porque el estado C Io es también. Ahora usamos la notacién de la See- cién 9.2. Podemos escribir una nueva matriz de transicién. Gage r= (5) ©Un modelo aplicado en psicologia © 183 Entonces la matriz R (véase el Paso 2 en la Seccién 9.2) es la matriz 1 x 1 denominada R = (1 ~ ¢). También, la probabilidad es de 1 de que un elemento estara, inicialmente en el estado G. Asi que r es el vector de una ‘componente (1). El nimero esperado de intentos antes de que el elemento sea ‘‘aprendido”” esté dado por (véase el Paso 3 en la Seccién 9.2) m= FI — Ry = (Y(I-[I-ayt = f o Es decir, el sujeto estard adivinando, 0 en el estado transitorio G, un promedio de 1/e veces antes de aprender la respuesta correcta. Ejemplo 2 En el Ejemplo 1 c = 0.25, de manera que la persona obtendra un promedio adivinatorio de a = 4 veces, antes de aprender la respuesta correcta. es Pasamos ahora a una situacién mas complicada (y mas interesante). En el modelo ya discutido no distinguimos entre adivinar correctamente y adivinar incorrectamente para un elemento en el estado G. Si se quiere distinguir entre estas posibilidades, se necesita analizar el modelo por medio de una cadena de Markov con tres estados: E, : adivinando correctamente E, : adivinando incorrectamente E, : condicionado. La matriz de transicién para esta cadena de Markov es E, a-2 BS P= £,40-9 oo N E,\ 0 Explicamos esto de la manera siguiente: p,, es la probabilidad de que el elemento empiece en £; y permanezca en E\. Para hacer esto, el elemento debe empezar y permanecer en el estado G (con una probabilidad de 1 — c) y la respuesta se adivinard correctamente (con una probabilidad de 1/N por (A5)). Asi que py, = (I — Q1/N) = (1 - 9/N. De manera similar ps, = (1 ~ &\/N, Después p,2 ¢s la probabilidad de que el elemento empiece en el estado Gy permanezca en el estado G (con una probabilidad de 1 — ¢) y el sujeto inard incorrectamente (con una probabilidad de 1 — 1/N). Asi pyr = (1 —¢)(1 — 1/N). Este razonamiento demuestra que pz. = (1 — cl — 1/N). Por iiltimo, las otras probabilidades se deducen de! modelo més simple discuti do anteriormente. De las suposiciones, se ve que la distribucién inicial de probabilidades es p® feta 0}.184 CAPITULO 10 + UN MODELO APLICADO EN PSICOLOGIA, En nuestra nueva cadena de Markov, los estados transitorios son E, y Ex, mientras que E, es absorbente. La matriz R esté dada por any ro) Ejemplo 3. Consideramos el experimento del Ejemplo 1 con N 0.25, tenemos, de (10), (11) y (12), . Entonces, como ¢ = 0.15 0.6 0.25 P=(0.15 06 0.25), R = (015 6) yp = (0.2, 0.8). 0 0 1 .15 0.6) Entonces = UR = 1 (04 06) _ (1.6 2.4) Seaton 0.25 \o.15 Be (2 ay y m= rQ = (0.2, 0.8) (16 al = (0.8, 3.2). Es decir, el sujeto adivinaré correctamente un promedio de 0.8 veces y adivinaré incorrectamente 3.2 veces en promedio, antes de aprender la respuesta correcta. Problemas * Capitulo 10 1. Unestudiante esté tomando un curso de lectura en francés. Aprende el vocabula- rio eseribiendo una palabra en francés en un lado de una tarjeta y su equivalente ‘enespafiol en el otro lado. Hay diez tarjetas. Hacemos las siguientes suposiciones: (@) Inicialmente el estudiante conoce las diez palabras en espaftol pero no tiene idea de qué palabra de francés corresponde a cada palabra en espafiol. Tiene que adivinar. (b) Al estudiante se le muestra una palabra en francés, da la palabra equiva- Jente en espafiol y, si no es correcta, se le muestra la otra cara de la tarjeta. El estudiante sabe la palabra 0 estd adivinando.25 3. 10. n 14, 15. Un modelo aplicado en psicologia © «185 (©) Sicstd adivinando, escoge una de las diez “‘respuestas”” en espafiol aleatoria- ‘mente. (@) Siempre que aprende una palabra, ya no la olvida, (©) Si adivina (correcta o incorrectamente) y se le muestra la palabra correcta, Ja probabilidad es de 0.3 de que sabré el equivalente en espafol de la palabra ‘en francés que acaba de ver, la préxima vez que se le muestre. Con las suposiciones indicadas, encuéntrese la matriz de transicién de la cadena de Markov con los estados K (si sabe una palabra dada) o G (si esta adivinando). En el Problema I, jeual es la probabilidad de que haya aprendido la traduccién correcta de una palabra dada en francés antes de adivinar cuatro veces? Enel Problema 1 jeudntas veces se debe repetir el experimento hasta que la proba- lidad sea de al menos 98% de que el estudiante haya aprendido la palabra? En el Problema 1, jcual es el niimero esperado de veces que el estudiante estard adivinando hasta que aprende la palabra? Enel Problema 1, encuéntrese la matriz de transicion de la cadena de Markov asociada con tres estados: adivinar correctamente, adivinar incorrectamente y saber. Enel Problema 5, icudl es el niimero esperado de veces que el estudiante adivina- 4 incorrectamente hasta que se aprende una palabra dada? Enel Problema 5, :cudl es el ntimero esperado de veces que el estudiante adivina- 4 correctamente hasta que aprende la palabra? En un experimento se coloca un mono frente a cuatro puertas. Cada puerta tiene luna marca azul, roja, verde o café. Detrds de la puerta verde hay un plétano. Se deja que el mono abra una de las puertas. Si escoge la puerta verde, se le recom- Pensa con el platano. Si escoge cualquier otra puerta se le muestra el plitano, pero no se le da. El experimento se repite volviendo 4 cambiar las posiciones de las mar- ‘as, con el platano detrés de la puerta verde. El objetivo es determinar cudnto se tarda el mono en darse cuenta de que no ¢s la puerta, sino el color, lo que determina la posicién de la recompensa. Los experiments previos con otros monos han licado que el mono tiene aproximadamente tn 40% de oportunidades de aprender lo que pasa después del primer intento. Como en el Problema 1, se necesitan otras suposiciones. Encuéntrese la matriz de transicién de este experimento, como en el Problema 1 En el Problema 8, ;cudl es la probabilidad de que el mono haya aprendido las reglas antes de su tercer intento de tomar el plétano? En el Problema 8, zcudntos intentos debe hacer el mono para tener al menos un 95% de certeza de que ha aprendido la manera de jugar? En el Problema 8, zcudintos intentos, en promedio, hard el mono hasta que aprenda las reglas? Enel Problema 8 encuéntrese la matriz de transicin de la cadena de Markov asociada con tres estados: adivinar correctamente, adivinar incorrectamente y aprender las reglas. En el Problema 12, cual es el nlimero esperado de veces que el mono adivinard incorrectamente hasta que aprende a jugar? En el Problema 12, cual es el niimero esperado de veces que adivinara correctamente? Demuéstrese Ia Formula (3) por induccién matemitica.— 186 CAPITULO 10 * UN MODELO APLICADO EN PSICOLOGIA 16. Encl modelo de este capitulo, se discutieron cadenas de Markov de dos y de tres sstados. Sean E(G), E(Ge) y E(G), respectivamente, el niimero esperado de adi- ‘vinaciones en la cadena de Markoy de dos estados, el ntimero esperado de adivinaciones correctas en la cadena de Markov de tres estados y el nimero esperado de adivinaciones incorrectas en la cadena de Markov de tres estados. Demuéstrese que EGo) + EG) = EG). 17, Si P esta dada por (10), demuéstrese, por induccién, que 1 ot ou a iis ey dane (! rh a-e 1=0=¢y pee FOS (ay) Ge hind = or 0 0 1CAPITULO 1 1 Un modelo para la teoria de las colas Se llama cola* a una fila como en la frase ‘“formemos cola para comprar los boletos’’. La teorfa de las colas es una rama de las matematicas que describe las lineas de espera. Hay muchas aplicaciones de esta teoria. Por ejemplo, el gerente de un supermercado quiere asegurarse de que (1) no va a perder dinero por tener demasiada gente impacientindose en largas colas de salida, y (2) que no perdera dinero por pagar empleados en las cajas que estén ociosos, sin clientes que atender. Otro ejemplo lo da un viajero en una linea aérea. Para comprar el boleto en el aeropuerto, uno tiene que-(1) hacer cola para adquirir el boleto, (2) hacer cola para pasar por la seccidn de seguridad, (3) esperar que el avién que se ha de tomar salga de una cola de aviones que estan esperando la salida, (4) hacer otro tanto en el aterrizaje, (5) esperar el equipaje y (6) hacer cola para tomar un taxi. En estas situaciones y otras semejantes, es muy interesante contestar esta Pregunta: cual es el porcentaje de tiempo que habré 1 personas en una cola, conn = 0,1, 2, 3, ...? Por razones obvias, el gerente de un supermercado 0 el supervisor en cualquier modo de viaje necesita contestar esta pregunta para ‘mantener niveles razonables de satisfaccién de clientes y de utilidades. Un analisis general de los modelos de colas esta fuera del alcance de este texto. Sin embargo mostraremos cémo, en un modelo simplificado, se puede usar la teoria de matrices y la teoria de las cadenas de Markov para obtener una respuesta a la pregunta planteada, Describiremos nuestro modelo, usando como ejemplo una sola cola en el mostrador de los boletos de la linea aérea, Hacemos las siguientes suposiciones: (Al) En.un periodo de un minuto hay una probabilidad de 1/3 de que una persona se agregue a la cola y una probabilidad de 2/3 de que no se agregue +N. del R. Este es el nombre comiin para una sucesidn de objetos o seres animados enfilados para guatdar su posicién o tuo, (Se llama en inglés queue, que se pronuncia “*kiu".) 187CAPITULO 11 = UN MODELO PARA LA TEORIA DE LAS COLAS nadie a la fila. Asi, estamos suponiendo que en cualquier intervalo de un minu- to nunca se agregard més de una persona a la cola. (A2) Si se esta atendiendo a una persona en un intervalo, la probabilidad es de 3/8 de que la persona recibird su boleto y saldré de la cola en el siguiente intervalo 0 lapso. (A3) Todas las probabilidades son independientes de lo que haya sucedido en periodos anteriores. (A4)_ Una persona no puede ser atendida en el mismo momento en el que Ilegé a la cola. (AS) A lo més, una persona puede ser atendida en un solo periodo de un minuto. (A6) Por una medida de “anticongestionamiento”, la cola se cierra si hay ‘cuatro personas esperando en ella. Es decir, hay un maximo de cuatro personas en la cola en cualquier momento. Podemos ver este modelo muy simplificado como una cadena de Markov con cinco estados, donde el estado del sistema se define como el mimero de personas en la cola, incluyendo la persona que esta siendo atendida. Los cinco estados se representan por los nuimeros 0, 1, 2, 3 y 4. Calculemos ahora la matriz de transicién para esta cadena de Markov. Esta dada por patina es is iO Prone oi booths 40 06.01 2 Lo explicamos de la manera siguiente: @ Enel primer renglén tenemos py = 2/3 y py, = 1/3. Podemos pasar del estado 0 al estado 0 sélo si nadie se agrega a la cola. Por (Al) este evento tiene una probabilidad de 2/3; (Al) explica también por qué Pa = 1/3. Gi) Enel segundo renglén tenemos pp = 1/4, py = 13/24 y py = 5/24. Para pasar del estado 1 al estado 0 deben ocurrir dos eventos independientes: primero, la persona en turno es atendida y, segundo, no llega ninguna nueva persona a la cola. La probabilidad del primer evento es de 3/8, (por (A2)), y la probabilidad del segundo evento es de 2/3 (por (AD). Asi que‘Un Modelo para la teorfa de las cols 189 Después, para pasar del estado 1 al estado 1, debe ocurrir uno de dos eventos mutuamente exeluyentes: (@) noes atendida ninguna persona y ninguna persona llega a la cola 0 (b) se atiende a una persona y una persona se agrega a la fila. La probabilidad de (a) es de 5/8 - 2/3, y la probabilidad de (b) es entonces de 3/8 - 1/3. Asi que 03.8 m4 * 24 Por iiltimo, para pasar del estado 1 al estado 2, no se debe haber atendido a ningiin cliente (con probabilidad de 5/8) y una persona se habra agregado a la cola (con una probabilidad de 1/3). Asi que te 3 Obsérvese que Po + Put Pants B45 Gil) Los renglones 3 y 4 se obtienen como el renglén 2. iv) En el quinto renglén tenemos que py = 3/8 y py = 5/8. Para pasar del estado 4 al estado 3, se debe haber atendido a una persona. Nétese que nadie se puede agregar a la cola, que ahora esta cerrada, segin (6). Similarmente, para pasar del estado 4 al estado 4 se debe no haber atendido a ningin cliente (con una probabilidad de 5/8). Recuérdese de la Seccién 9.1, que una cadena de Markov es regular si una potencia P" de su matriz de transaccién P tiene componentes estrictamente positivas. Usando una calculadora, determinamos las primeras cuatro potencias de P a cuatro decimales: (0.6667 0.3333 0.0000 0.0000 0.0000' 0.2500 0.5417 0.2083 0.0000 0.0000 P =| 0.0000 0.2500 0.5417 0.2083 0.0000 0.0000 0.0000 0.2500 0.5417 0.2083 0.0000 0.0000 0.0000 0.3750 0.6750, (0.5278 0.4028 0.0694 0.0000 0. 0.3021 0.4288 0.2257 0.0434 0.0000 0.0625 0.2709 0.3976 0.2257 0.0434 0.0000 0.0625 0.2709 0.4236 0.2430 0.0000 0.0000 0.0938 0.4375 0.4687, Pp190 capiTuLO 11. * UN MODELO PARA LA TEORIA DE LAS COLAS: 0.4526 0.4115 0.1215 0.0145 0.0000 0.3086 0.3894 0.2224 0.0705 0.0090 P* =[ 0.1094 0.2670 0.3282 0.2214 0.0741 0.0156 0.1016 0.2657 0.3770 0.2401 0.0000 0.0235 0.1602 0.4323 0.3841 10.4046 0.4041 0.1552. 0.0332 0.0030 0.3031 0.3694. 0.2192 0.0879 0.0203 P* ={ 0.1397 0.2631 0.2888 0.2161 0.0924 0.0358 0.1267 0.2593 0.3496 0.2286 0.0059 0.0528 0.1998 0.4116 0.3301 ‘Como P* tiene componentes estrictamente positivas, se advierte que nuestra cadena de Markoy es regular. Como Pes una matriz regular, hay un tinico vector de probabilidades t cuyas componentes son todas positivas, y tal que tP = t. Ademis, las matrices Pm tienden a matriz T (cuando crece m), cada uno de cuyos renglones es igual al vector t. En nuestro caso las componentes de t son las probabilidades a largo plazo de la longitud de la fila. Para determinar ¢ se parte de P= O\sea 2 1 cae memeC oe 0 epindo-ge bv Gyanaliies tip Py Px Pr P)| 0 2 BS 0 | = (Po Ps Px» Pav Pad te sa Ouys{Oir shone saa ot, o 0 Cera or Y por tanto 2 Fatt =~ tht Rat am =P, 3 Ant Bat ap =P: nt Bat perm =p Bath =r Ahora, como t es un vector de probabilidades, tenemos también que Pot htt ryt m= 1. Entonces, combinando términos, obtenemos el sistema -tr tan =0 fro t eet =0 H+ H+ +P, = 0Secci6n 11.4 * Un Modelo para la Teoria de las Colas | 191 am HP + tp. - $a=0 HP -em=0 Po* Di + P+ Ds + = 1. Escribimos ahora el sistema en forma de matriz aumentada y lo resolvemos por reduccién de renglones. Para simplificar las cosas, empezamos multiplicando por 24 las primeras cinco ecuaciones: -8 6 0 0 olo 8-1 6 0 olo a(t) 0 s-n 6 0/o} @ Od 294 Old iets 0 0 0 s-9/0 1 1 1 > Ook 1 -0.75 0 0 0|0 1 0-5 6 0 o|o0 a(-3) 0 0 5 -ll 6 ofo Jto 0 0 Sur). 9, 1,0. 0 0 0 0 5-9/0 0 Og elit 0 SooooF ‘Como el quinto renglén es el cuarto multiplicado por —1, lo eliminamos y continuamos dividiendo el cuarto renglén entre —5: ecco “secoa Hasta aqui, todos los nimeros son exactos. Los calculos restantes los haremos con una exactitud de cinco decimales: a 100 0 -1,944|0 A;,(1.944) [1 0 0 0 0/0.20472 0100 ~2,592/0 A,,2.592)| 0 1 0 0 0|0.27296 0010 -2.16 jo A,32.16) | 0 0 1 0 0|0.22746 0001 -18 Jo A418) | 0 0 0 1 0/0.18955 0000 1 — {o,100531 0 0 0 0 1 [0.10531 Asi, el vector fijo de probabilidades esta dado por (Pos Pis Pa» Py Ps) = (0.20472, 0.27296, 0.22746, 0.18955, 0.10531). Esto significa, por ejemplo, que el vendedor de boletos esté ocioso aproximadamente 20% del tiempo (ya que py ~ 0.20). Por otra parte, la fila estd cerrada casi 10% del tiempo, puesto que p, ~ 0.10, y esto significa que hay Cuatro personas en la cola aproximadamente 10% del tiempo. Finalmente, hay una persona en la cola casi el 27% del tiempo; dos personas, aproximadamente 1 23% del tiempo; y tres, casi el 19% del tiempo. Hay que resaltar otra vez que se esté manejando un modelo muy simplificado, Sin embargo, este ejemplo muestra el poder de las cadenas de Markov com- binado con la teorfa de las matrices para analizar casos interesantes. Problemas * Capitulo 11 sO En el modelo de colas descrito en este capitulo, supéngase que la probabilidad es de 1/5 que una persona se agregue a la cola, y de 4/5 de que no se agregue nadic ala fila. Supéngase que la probabilidad es de 1/2 que la persona que esta siendo atendida salga de la cola en un intervalo de tiempo. Siganse considerando las suposiciones (A3) a (A6). (@) Halle la matriz asociada con la cadena de Markov inherente al modelo. (b) Demuestre que la cadena de Markov es regular. (©) Obtenga las probabilidades a largo plazo de que haya n personas en la cola paran = 0, 1,2,3y 4, 2. Enuun supermercado, el ntimero de personas que se agrega a la cola “‘rdpida”” (gente con menos de 10 articulos) es aleatorio pero tiene un promedio de 7 personas cada 10 minutos entre el mediodia y las 2:00 p.m. La persona que est siendo atendida saldré de la cola un minuto después con una probabilidad de 3/4. Si hay més de cinco personas en la fila, se cierra la misma. Estimese el porcentaje de tiempo que (@) la persona que atiende Ia caja esté inactiva y (©) que la linea de espera estard cerrada. =) SSSCAPITULO 1 Q2 Un modelo de crecimiento de poblacion En este capitulo se mostraré cémo se pueden usar la teoria de los valores ¥ vectores caracteristicos para analizar ciertos modelos de crecimiento de po- blacién. La primera parte del capitulo contiene un analisis de un modelo que describe el crecimiento de una poblacién.* ‘Supéngase que para cierta especie, la poblacién en un periodo (que puede ser de una hora, una semana, un alo, etc.) es un miiltiplo constante de la pobla- cién en el periodo anterior. Esto podria suceder, por ejemplo, si las generacio- t nes son distintas y cada organismo produce je descendientes y después muere. Un ejemplo son las bacterias, que se dividen en dos a intervalos regulares. En- . tonces » = 2. Sea p, la poblacién al final del periodo n-ésimo. Entonces, bajo las suposiciones anteriores, tenemos que Pa = WDprs Asi, si py denota la poblacién inicial, se tiene que p; = Py Ps = HP, = (ups) = sep, etcétera, por lo que Pn = Po @ Sia = 1, la poblacién permanece constante. Si <1, la poblacién disminuye, y si > 1, aumenta. Este modelo es obviamente demasiado simplista para que sea de mucha utilidad, El nlimero de descendientes producidos no es sdlo funcién del nuimero de adultos sino también de la edad de los adultos. Por ejemplo, una poblacién humana en la que todas las mujeres tuvieran mas de 50 aflos de edad, tendria * El material de esta parte proviene de un articulo por D. Cooke, “A 2.x 2 Matrix Model ‘of Population Growth”, en The Mathematical Gazette, 61(416), 1977, pp. 120-123. 193194 CAPITULO 12 * UN MODELO DE CRECIMIENTO DE POBLACION una tasa de multiplicacién muy distinta que otra poblacién en la que las mujeres tuvieran todas edades entre 20 y 30 afios. Para desarrollar una descrip- cién mas exacta de la realidad, usamos un modelo matricial que permite aplicar distintas tasas de multiplicacién a los grupos de distintas edades. ‘Observamos ahora un modelo de crecimiento de la poblacién para una cierta especie de aves. En esta poblacién de aves, suponemos que el niimero de hembras es igual al mimero de machos. Sea p,,.; la poblacién de hembras j6- venes (inmaduras) en el afio n-1, y sea p,,., él mimero de hembras adultas en el afio 11, Algunos de los pajaros jévenes morirdn durante el afio. Supo- nemos que una cierta proporcién, a, de los pajaros jévenes sobreviven para llegar a ser adultos en la primavera del afto n. Cada pajaro hembra sobrevi- viente produce huevos més tarde en la primavera, que empollados, producen, en promedio, & hembras jévenes en la siguiente estacién primaveral. Los adultos también mueren, y la proporcién de adultos que sobrevive de una primavera.a la otra es B. Es un hecho interesante y notable que no resulta demasiado simplista suponer que la proporcidn de los animales que sobreviven es constante. Esto se observa como el caso mas natural en las poblaciones naturales de las aves que han sido estudiadas. La tasa de supervivencia de los adultos de muchas especies de aves es independiente de la edad. Tal vez. pocos pajaros en libertad so- brevivan lo suficiente como para exhibir los efectos de la vejez. Ademds, para muchas de las especies, el niimero de descendientes parece que no recibe la in- fluencia de la edad de la madre. En la notacién introducida anteriormente, pj, ¥ Pa, Fepresentan, respectivamente, las poblaciones de hembras jévenes y adultas en el afio m. Juntando toda la informacién dada, llegamos al siguiente sistema 2 x 2: Pin = Pani Q ODje-t + BPan-r a : AP et @) , donde = (2 i ie ) zs Esté claro de (3) que p; = App, P) = Ap, = A(Ap,) sos ¥ ast sucesivamente, por lo que donde p, es el vector de las poblaciones iniciales de hembras jévenes y adultas.‘Un modelo de crecimiento de poblacion 195 La Ecuacién (4) es como la Bouacién (1), excepto que se ha podido di guir entre las tasas de supervivencia de los pajaros jévenes y adultos. Sea (oO 2 i ( 3 os} Esto significa que cada hembra adulta produce dos descendientes hembras. ‘Como el niimero de machos se supone igual al ntimero de hembras, cada hembra produce al menos cuatro huevos. Del modelo se ve que @ y estan en el intervalo [0, 1]. Como los pajaros jévenes tienen menor probabilidad de supervivencia que los adultos, se debe tener que « < 8. En la tabla siguiente, suponemos que inicialmente hay diez hembras (y diez machos) adultas y que no hay pajaros jévenes. Los célculos se hicieron en una computadora, pero el trabajo no seria demasiado laborioso si se utilizara una calculadora de mano. Por ejemplo, (3 03) 0) = (5 de manera que p,, = 20, p,,, = 5, la poblacién femenina total después de un afio es de 25, y la relacién de hembras jévenes a adultas es de 4 a 1. En el segundo aio, ps = (9. 2.) (20) - (to = (0.3 0.5) (5) 8.5)" lo que redondeamos a ('3} porque no puede haber 8 1/2 pajaros adultos. En la tabla se tabularon las relaciones p,,/P,» ¥ las relaciones T,/T,- del niimero total de hembras en los afios sucesivos. Naim. de Nam. de Poblacién aves aves. total de ‘Aiio jévenes adultas hembras , Ln Pax —enchahon p,,/P,,* T/T, 91 ee 10 10 0 = 1 20 5 25 4.00 2.50 210 8 18 1180.74 3007 7 4 234 131 414 8 2 1.66 0.96 53 SPAT) 8 25 2.00 1.13 10-22 2 34 1.87 1.06 nm 2 36 188 1.07 1225 B 38 1.88 1.06 20 42 2 81.06 * Los datos en estas columnas se obtienen después de redondear los niimeros en las columnas “anteriores. Asi, por ejemplo, en el afio 2 se tiene que Pj./P,. = 10/8.5 = 1.176470588 = 1.18.196 — cAPITULO 12 * UN MODELO DE CRECIMIENTO DE POBLACION En la tabla aparece que la relacion p,,/Pz, Se esta acercando a la constante 1.88, mientras que la poblacién total esta aumentando a una tasa constante de 6% al aio. Veamos si es posible determinar por qué es asi en este caso. —————————————————— Primero regresamos al Caso general (4). Supéngase que A tiene los vectores caracteristicos reales y distintos , y \; con vectores caracteristicos correspondientes v, y ¥. Como y, y ¥, son linealmente independientes, podemos escribir Po = avi + 0:2 (o) para algunos mimeros reales a, y d:. Entonces (4) se transforma en Pr = AMayv, + 43¥2)- © Pero Ay, = div, yA’, = A(Ay,) = AQ\y,) = NAV) = NOW) = Nv. Ast puede verse que A", = NM v;, A; = M va, y de (6), Pr = @ MV) + 2X3 ¥o> a La ecuacién caracteristica de A es ie pen A © sea (oe aaa Por hipétesis, k > 0, 0 0, y & + 4cck > 0, Io que quiere decit que los valores caracteristicos son efectivamente reales y distintos, y que uno de los valores caracteristicos, d,, es positivo; otro Ay, es negativo, y |x| > |Yal- Podemos escribir (7) como p= M@y + (hav. ® 2] <1, se ve que (y/Mi)" se hace muy pequefio al crecer n. Asi, para n Como}, grande, Pr = air (O} Esto quiere decir que a Ia larga la distribucién de edades se estabiliza y es proporcional a v,. Cada grupo de edades cambiar por un factor de d, cada afio. Asi, a largo plazo, la Ecuacién (4) actia exactamente como la Eeuacién (1). A corto plazo, es decir, antes de que se alcance la “‘estabilidad’”, los niime- 10s oscilan. La magnitud de esta oscilacién depende de la magnitud de s/h, (que es negativa, explicando asi la oscilacién).Un modelo de crecimiento de pobiacion 197 Kemplo 1 (Continuacién) Para im (0-2 o fos 0 ) tenemos que X* ~ 0.5 ~ 0.6 = 0, o bien d = OS + OIE +2. area asi que \, = 1.06 yd, = -0.56. Esto explica el 6% de aumento en la pobla- cién que se observé en la iltima columna de la tabla. Correspondiendo al valon caracteristico d; = 1.06, calculamos oot = (ipsa cal (g) = Ch © sea 1.06x, = 2x,, por lo que v, = (0 : 3 €s un vector caracteristico. De ma- 0.56 2) [x,) _ (0) omeeeetsie7 (es i‘) () (} Por lo que 0.56x, + 2x; = Oy v, = (edi) €s un segundo vector caracteristico. Obsérvese que en v, tenemos 1/0.53 ~ 1.88. Esto explica la relacién Pir/Pa» &0 Ta quinta columna de la tabla, nera semejante Ghsenecén. En los célculos anteriores se perdié precision porque se hizo redondeo a sélo dos decimales. Se puede obtener una exactitud mucho ‘mayor usando tuna calculadora manual o una computadora. Por ejemplo, utilizande una calcu ladora manual, se obtiene con facilidad, d, = 1,06394103, dy = —0.5639410298, 1 i nen y= lense f Se ve que es de 1/0.5319710515 = ‘ y la relacién de p,, 980153 Es notable cudnta informacién queda disponible de un simple célculo de valores caracteristicos. Es muy interesante saber si una poblacion crecerd 0 se re- duciré en su totalidad. Una poblacién aumentard si A. > 1 y la condicién para ee “e+ fal 5 1, obien V+ dak >2-@, de manera que B+ dak > (2-8) = 4-48 + gr198 CAPITULO 12 * UN MODELO DE CRECIMIENTO DE POBLACION Esto nos Hleva a 4ak > 4 — 48, es decir, (10) En el Ejemplo | se tenia 8 = 0.5, a = 0.3, de donde (10) se cumple si k > 0.5/0.3 = 1.67. En este punto serfa adecuado describir dos limitaciones obvias de este modelo: (1) Las tasas de natalidad y de mortalidad frecuentemente cambian de aio @ aio y dependen particularmente del clima. Este modelo supone un ambiente constante. (2) Los ecologistas han descubierto que para muchas especies las tasas de natalidad y de mortalidad varian segdn el tamafo de la poblacién. En particular, una poblacién no puede crecer cuando ha Ilegado a cierto nivel de tamaiio, debido a los efectos de recursos limitados de alimentacién y a la sobrepoblacién. Es evidente que una poblacién no puede crecer de manera indefinida a una tasa constante. De otra manera, esa poblacién Menaria la Tierra. A pesar de estas limitaciones, el modelo puede ser muy titil en situaciones relacionadas con ciertas especies consideradas en un periodo relativamente corto. El modelo de crecimiento de la poblacién de los pajaros que describimos es un caso especial de Io que se llama modelo de crecimiento de poblacién de Lestie, que se desarrollé alrededor de 1940. En el modelo de Leslie, las hembras se clasifican en mm clases por edades, en vez de en dos, Se supone que todas las clases de las edades son de igual amplitud. Asi, si M aftos es la maxima edad (te6rica) en afios alcanzable por una hembra de la especie, cada grupo de edades representa M/m afios. Denominamos G,, G;, ..., Gy, alos m grupos de edades. Entonces resulta que Eades representadas Grupo (en funciGn de un intervato) G (0, M/m) G, [M/m, 2M/m) G, [2M/m, 3M/m) Gm {(n-2)M/m, (n=1)M/m) Gn {@-1)M/m, M] / : .si 10" vel nes nte nos de m- da- de Un modelo de crecimiento de poblecisn 199 Ahora hacemos suposiciones muy similares a las anteriores: (a) Tiempos de Observacién. Observamos la poblacién en intervalos de tiempo iguales a las amplitudes de los grupos de edades. Entonces fo 4 = M/m ty = 2M/m t, = nM/m. (b) Variables de la Poblacion. Se define que Pi, = mimero de hembras en el grupo i- después del periodo n. imo de las edades, G, (©) Suposiciones de Nacimientos. Definimos 4, =miimero promedio de hembras nacidas en un solo periodo a una hembra en G,. Suponemos que al menos una k, > 0, por lo que deben ocurrir por lo menos algunos nacimientos. (qd) Suposicién de Supervivencia. Por definicién 8, =proporcién de hembras en G, que sobreviven para llegar a formar Parte del grupo (i + 1)-ésimo de edades G,, ,. Claramente, 0<6<1 Suponemos que 8, > 0. De otra forma no habria hembras en el grupo i + 1 de las edades. Ahora juntamos todos estos hechos. Primero, ;cuantas hembras hay en G, después del periodo n? Es decir ;cudnto vale p;,,? Evidentemente 1, =niimero total de hembras nacidas de las hembras en todos los m grupos de las edades entre el tiempo f,-: y el t,. Asi que Pin = KiPiget + KaDayy + 0. + kmPmgete (uty200 —cAPiTULO 12 + UN MODELO DE CRECIMIENTO DE POBLACION El resto de los edlculos son més sencillos. El niimero de hembras en G., en el tiempo ¢, es igual al mimero de hembras en G, en el tiempo 1,-, que pudie~ ron sobrevivir para pasar a G;,,. As{ que Pisin= BPinie (12) Ahora definimos Pin ky ky ies Pra 8 0 pte yA=[o 8... 0 3) Pra Entonces las Ecuaciones (11) y (12) pueden escribirse en la forma mas com- pacta Px = APei (14) Pro) Si py =( 7° | es un vector que da el ntimero inicial de hembras en cada gru- a po de edades, se ve inmediatamente, de (14), que Pi P DP Pe = ADs: = Apo. as) Obsérvese la semejanza entre las Ecuaciones (15) y (4). ‘Como vimos antes, en el caso 2 x 2, la matriz.A tiene dos valores caracteristicos reales d, yh; com 2, > 0, by < Oy |Ai| >| Axl - Cuando sucede esto decimos que h, es un valor caracteristico estrictamente dominante. Por desgracia, esto no sucede siempre en una matriz A si m > 2. Varias cosas pueden andar mal. Primero, la matriz A, definida por (13), puede tener valores caracteristicos complejos, y esto sucede con frecuencia. Segundo, si d,s el valor caracteristico de mayor valor absoluto, podemos tener otro valor caracteristico \,, con || = |),|- Sin embargo, el teorema siguiente, que enunciamos sin de- mostracién, resuelve la mayor parte de estas dificultades. Teorema 1 Sea A definida por (13) y supongamos que @ k= Oparai = 1,2, Gi) Al menos dos &; sucesivas son estrictamente positivas. Es decir, existe un niimero j tal que k, > Oy kj,, > 0.Un modelo de crecimiento de poblacién 201 Gil) 0< 6, = 1 parai = 1,2, ..., m. Entonces (@)_ La matriz A tiene un tinico valor caracteristico positivo d,. (b) \, €s simple. Es decir, X, tiene multiplicidad algebraica de 1. (©) Correspondiendo a \, hay un vector caracteristico v con componentes Positivas. (@)_Cualquier otro valor caracteristico, ,, de A satisface IML ©, Asi que, para n grande, Ph = C1 XM 20) Esta suposicin es realmente innecesaria. Sin embargo, si A no ¢s diagonalizable, el andlisis se hace més complicado. Entonces, ¢s necesario trabajar con vectores caracteristicos generaliza. ddos. Estos se presentan en la reduccién de A a su forma candnica de Jordan.202 CAPITULO 12 + UN MODELO DE CRECIMIENTO DE POBLACION Igual que antes, vemos que a largo plazo se estabiliza la distribucién de las edades a un valor proporcional a y,. Cada uno de los grupos de edades cambiar por un factor \, anualmente. Ademés, si ‘‘normalizamos” v, de manera que sus componentes tengan una suma de 1, las componentes de v; expresa los porcentajes (eventuales) de las hembras en cada uno de los grupos de las edades. Por ultimo notamos que sid, > 1, la poblacién finalmente crece, sid, = 1, la poblacién es estable finalmente, si \, <1, la poblacién finalmente disminuye. Ejemplo 2 Aplicamos este modelo al crecimiento de una poblacién humana. Para simplificar suponemos que ninguna mujer de menos de 15 afios o de mds de 45 afios tiene descendencia, Ademés, simplificamos el modelo observando sélo los tres siguientes grupos de las edades G, : {0, 15) Gy: [15, 30) G, : [30, 45). Entonces, obviamente, k, = 0. Suponemos ademas que k, = 1, k, = 0.5, B, = 0.9 y B; = 0.8 La matriz A esta dada por 0 1 OS A={090 0 }. 0 08 0 Continuando, tenemos que - 1 Os det(A-M) =| 0.9 A 0 -M + 0.90 + 0.36 = 0 08 Las raices de este polinomio (con cinco decimales) son 1.10690 Da = 0.55345 + 0.13756i dy = -0.55345 + 0.13756i. Notese que IM = Dal = VG0SS345" + 0.13756" ~ 0.5703.5, "Un modelo de crecimiento de poblacion 203 Para encontrar v,, resolvemos 1.1069 1 0.5 i 01 0.9 1.1069 0. (:) = (o}. 0 0.8 -1.1069/ \x, 0. Una solucién es x; = 1.7017, x; = 1.3836, x, = 1. Como x, + x; + x, 4.0853, dividimos entre 4.0853 para obtener el vector caracteristico normaliza- do 0.41654 a= ott) . 0.24478 Entonces, podemos coneluir lo siguiente: (Después de muchos aftos, la poblacién aumentara en aproximadamente 10.7% en cada periodo de 15 afios, Gi). El porcentaje de mujeres de 45 aftos 0 menos, ser finalmente de 41.6% de menos de 15 ailos, 33.9% entre 15 y 30 aflos y 24.5% entre 30 y 45, alos. —_— ee Problemas ¢ Capitulo 12 — SSS es En los Problemas 1-6 use el modelo de la poblacidn de aves discutido en ta pri- ‘mera parte del capitulo. En los Problemas 1-3 encuentre el mimero de hembras jévenes y adultas después de 1, 2, 5, 10, 19 y 20 aos. Obtenga después las relaciones a largo plazo de Pj, d Dex Y de Ty a Ty. (Sugerencia: Usense las Ecuaciones (7) y (9) y una calculadora manual y hdgase redondeo a cuatro decimales.) 0 - Pa=(%) rk = 3, 1.4, 8 = 0.6. Po (B):« «= 04,6 = (9). 2 w= (f)e 0 - p= (9) sk = 4,0 = 0.7, 6 = 0. 3. By (3) k 0.7, 8 = 0, la = 03,8 = 04, 4. Demuestre que sia = 8 y a > 1/2, entonces aumentard siempre la poblacién de aves a largo plazo, si se produce al menos tuna hembra en promedio como des- ccendencia de cada hembra adulta. 5. Demuestre que, a la larga, la relacion pj9/P,.9 tiende al valor k/d;. 6. Suponga que dividimos a los pdjaros adultos en dos grupos de edades: los de 1 @5 alos, y los de mas de 5 afos. Considere que la tasa de supervivencia para los pajaros del primer grupo ¢s 6, mientras que para los del segundo grupo es y ( 8 > >). Supdngase que los pajaros del primer grupo se dividen por edades de204 capitulo 12 + Un Modelo de crecimiento de poblacién 1 % 10. i, R. 4. 15. ‘manera equitativa (es decir, si hay 100 pajaros en el grupo, entonces 20 son de 1 afio de edad, 20 son de 2 afios, etc.). Formule un modelo de matriz 3 x 3 para esta situacién. En el Ejemplo 2 suponga que inicialmente hay 10,000 hembras de menos de 15 afios, 15,000 hembras entre 15 y 29 afios y 8,000 hembras entre 30 y 45 afios. Cal- ‘ale el niimero de hembras en cada uno de estos grupos de edad después de (a) 1 ao, (b) 3 afios, (¢) 5 aos y (d) 10 aftos. Enel Ejemplo 2 considere que hay un cuarto grupo de mujeres, entre 45 y 60 alos de edad. Sea 8; = 0.7. Estime los porcentajes de mujeres en cada uno de los cuatro grupos de edad después de un niimero grande de aflos. Describa las proporciones de equilibrio de una poblacién dividida en tres grupos de edades, donde ky = k, = 3, ky = 2,8, = 0.8 y B, = 0.6. Sea 008 A= (3 00). o 40 Calcule los valores caracteristicos de A y demuestre que todos tienen el mismo valor absoluto. Sea A la matriz dada en (13) y sea jee) = Hg Hh Bae x Pi . Demuestre que sid es un valor caracteristico de A, entonces f() = 1 ‘Sea /lx) la funcién dada en el Problema 11. Pruébese que (@) fis) ¢s una funcién estrictamente decreciente, (b) f(s) tiene una asintota vertical en x = 0, ¥ (© fe) > 0 cuando x + ©. Usando los resultados de los Problemas 1 y 12 demuestre que la matriz A tiene exactamente una rafz positiva. Pruebe que d, = 1 si y solo si Ay + hah + RaBiBa + + HyBiBs = Beat = Demuestre que la cantidad Ky + ka By + AsBiBa + oes + heBiBa + Boat representa el mimero esperado de hembras de la descendencia nacidas de una hembra durante su tiempo de vida. —E—— —Respuestas a problemas seleccionadosa. tHe 207ees ass 3.Respuestas problemas seleccionados 209 xe ays? weaved <1 conjunto seluci6n s a recta x4 dyad wey 41. xtys? Set aye 4 Set ay=4 Keys? 43. ar + ay = 6Secci6n 1.2 1. 65 sillas; 40 mesas; Utilidades = $525, 3. 380 sillas; ninguna mesa; Utilidades = $1900 ‘5. 380 sillas; ninguna mesa; Utilidades = $3040 7. 5 mgd de cada uno; Costo = $4000 al dia 9. (1, 3); f = 13 11. Cualquier punto de a recta 2x + 3y = 10 entre (0,42) y @, 2) dard un maximo valor de f= 10. 15.0, Dif=12 17.2, I g=13 19.0, 5 g=3 21. Cualquier punto de la recta 4s, + 2s = 1200 dard 1200 Ib. Escdjase s; de Ia especie S, con s, entero entre 234 y 300, inclusive. Entonces s = 600 - 25, 23, 5, =200; 5, = 400; f= 1600 25. 5, = 260; s2= 120; f= 380 peces 27, 5) = 200; 5)= 400; f= 600 libras 29, Alimento 1=3 libra; Alimento I= libra; Costo por libra =58~a9¢ 31.4)=1).=5;Energia = 13 unidades 32 3.0 4 1950 4 (FF 0):@ 15 oA 0 1,0 0 19; (3 9 0); (Bo 0 0» Xt ntlOn21 nz0 (a) Minimizar C= 2x, + 2.5; +0.8% sujeta a: 100x, + 10x, + 10x, 250; x20. 10s, +100, + 10x, = 10" 320 15 9): 0 oy © O 0 o(0 0 © 0 9:00 HO 1 0,0 5 o:(0 ¥ 10 9 sa om (0 2 pio -§ 3 o ¥ G9 SiG § 0 9 % Go (im eet) jd 0 oO; -Respuestas a problemas seleccionados © 217 9 0 5,0 5 4 0 HG 0 mA oo (F o SE F oj:a 0 o5 (ice its) (@ Solum factibie | Costo (ea Ware) @05 4.00 O50 1230 (0 0) 2.00 4a | 603) fe as G39) aa sees (ioe ita an aoe oy 08 ing 7 ~ 0.046 docenas de huevos consuimidos diariamente. Nota: 35 + 12 = 0.555, por lo que se debe consumir poco més de} huevo al dia 39. 8,000 latas de Mezcla 1; 18,000 latas de Mezela 2; 4,000 latas de Mezcla 3; Ventas: $1160, (©) Bl costo es de $ 48 ~ $1.13 cuando x, 0.49 galones de leche, x; 0.046 libras de carne y x, Seccién 1.3 2nt ats 10 ntutn =3. 1 ete | Toism20 S342, tH =3055.4,5520 Pas heath ate 0 Tt mtint nts 5.3 +20, + 5x5 + Ld 2e, + Se, + By + Dae Iytiaty = 12 Pato ty= MAE? OL gas Attnt etn = 8 x MO git its ta 35 BRO OT 30-55, + 259 +523 S19+2,— ar, 3 1 meldamsit ie =6thytn— 2s na6+intn—2y xt2nt+ mtn = 8 WO Sees eg nag B20 © oi 8, 2 nz ur, ntints = 32 18. () 25) + x5 $s S20 0. (0) 22 getgh Bei + Bp ii nT 4 ha+hn i stig Dy that by ts =n 4 12-25 4n— by W@W +Sytldsy ts =25is1,%.8120 () 425-2, — Sey — 12, 3x, + 635 + 13%, +5560 8 60 ~ 3x; — Gry — 134 oo212 RESPUESTAS A PROBLEMAS SELECCIONADOS =fs-s2,-12n~ a 18 lev ae (10) 0) one y Seccion 1.4 @@ [ict aera eehy| a eine |. s AF 08 =| 200 Heald mes th) 0 1 0 | 3 idols oioms eee @ORU@ | soot | pees o 0 0 f j rairere Galo: cass prea |S emg est | = [0 on] F 324 [0 0 %. 1Orfpoe]s 1 2 a 6 1.@ 1-1 | 0 0.1 [4 fia Wisi [oO ae ak ee non nh ae eh Se 4 ‘i a7 has oes Bit] 3 Baar gra Pani =| ests Nas a] 2 3 Dareaas|uinaaee y [att a 19, pinta thc koa 8), 5-2 Bs nG dur’ | i P41 | gue, 1 |s 2284 0 eo Sees, =1-2 0 | 3 0 | f-3 19. (05 0); ‘conjunto de restricciones que satisface f = 5. mea pyaw w.(f % o)s='$ 25.(2 0 } Utilidades: $8500 21. A=131. B=25;X 29.0 galones de chocolate; 300 galones de vainilla; 75 galones de platano; Utilidades: $341.25 31. 2.5 onzas de jarabe; 1.5 onzas de crema; 4 onzas de soda; 4 onzas de helado; Calo- rias: 422 33. 4 anillos; 10 pares de aretes; 0 pisacorbatas; 3 collares; Utilidades: $1600; Nota: El joyero puede hacer 2 pisacorbatas en vez de un anillo, obteniendo las mismas utilidades, por lo que hay més soluciones.Respuestas @ problemas seleccionados 213 35. (a) 160 de 1a categoria T; 0 de la categoria II; 0 de la categoria IIT; Ingresos: $16,000 (©) 160 de la categoria 1; 0 de la categoria II; 0 de Ia categoria IIT; Nimero: 160 37. 1 de ta especie I; 5 de la especie I; Energia: 13 unidades Secci6n 1.5 19aG4 4 (a :) of 639) x s(2 0 5) 2(° )o(s of a3) G4 4 Bae ceed ML, Minimizar g= 5514795435 13. Maximizar f=a, +21 Sujeta a: y,+3y,4y322: y,20 sujeta a: “2y+ 252; 2,20 Bi +In+y25 20 At2ys3 20 w=0 AS. Minimizar g = Sy, + 6). en Maximizar f= 13x, + 21x, + 11z5 sujeta NtWwEL =O sujeta a: x + 4x, — 34352; 1,20. oi el pan ta nes neo et icatas tee 1. Minimizar ¢= 12», 21.(E sujeiaa: " yai* Ben ae Ges 320 Costo por libra 27,20 40 40); Costo= $12 Capitulo 2 Secci6n 2.4 1, Estrictamente determinado;p=(0 1 0); 1 (:) 3. No estrictamente determinado °, 5 Estrictamente determinado; p=(0 0 1):q=(4) 7. No estrictamente determinado 9. Bstrictamente determinado; p=(0 1 0 we -(214 RESPUESTAS A PROBLEMAS SELECCIONADOS Ap w p 1 f--3 <9 wn (40 - p \o 3-1 cambia; D = dism.] Dror 2 Ay B deben disminuir los precios [I = aum.;N = no het a2 "1 (3 0 =3}; los dos deben hacer campana por 2 dias en la regién con 2 732 60,000 votantes AAR En casa No estd en casa Ber te el ee Pers. a pers.\-15 0 24. La empresa debe adoptar la politica W6gica; el sindicato debe buscar una solucién legal. ) no estitamentedeterminado Secci6n 2.2 3 a, 9 143.3 5.2.7.5 9, G35 1 pe: (a. - Sis : I= Ow=(I)v=H1 m= O40 (5 2 jve% 1 m=C O:a=(5 Injusto, ya quev= deo 28, Canin erates e Stina 31. Cosechar temprano. 33. Sembrar en 1500 acres sdlo del cultivo I, 37. P= CO ao= (})s r= Fi ves B.@ Si 0, enone m= Oy go=(Q)i sh otctoemones mndl-r 9 y a= (17st r=t.entonces r= 0 y q=(}) csi 0=1<5, entonces peat Dy w= (2) si erst entonss m= 0 y a= (!)Respuestas a problemas seleccionados 215. Si or}, extoness w= Dy w= ("):i Lerst,entoncer w= 0) y 1 = (j); si #3, emtonces Pe puede ser cualquier estrategia y qg= 0) 4m» Seccién 2.3 1. @) Pp % ( 1) = (1, ©, w-(3 2@m=(b} w= (ibahy=t (©) pp = 10,0), gg = 0,0, Dv = 2 5. Po = (1, 0, 0, 0), % = ©, 0,0, 1), ¥ = 2 = Bp = (120, 1) = (91, 40), — 1000 cme (orp wo (Bath = Capitulo 3 1. x5 = 400 ¢s el minimo buscado. Las demds variables del flujo de trdnsito satisfacen lo siguiente 700 < x, = 800 x, = 600 Osx, < 10 w= 0 300 = x, = 600 0 ‘ise 2.61 + 2.08% + 0.31 Esta es la ecuacién de la parabola que pasa por los tres puntos. = 475840 ~ 110464, 41024. 9 74 42 6.y 173824 173824" + 173824" 2.74 = 0.64x + 0.24 x? ee ~ 10802 4 33659 03.572 168Y 107 xt y 1008" + T008 3S 69x = 1,07 x? 10. y = 8.55 -— Sx + 1.97x2 IL. y ~ 108.71 + 4,906x — 0.009732? 12. El mejor ajuste cuadré @ estos datos esta dado por = WEISS 5 $5253125,_ UITAIe «109 5 cogs, — is.s08 14.25 74.25 74.25 (a) 5) ~ 10.9 pie (b) Yo = 60.95 pie/s (©) 8 ~ 2-15.32) = -30.64 pie/s Capitulo 7 1/9110) 2 01100) 3.700100. 4 /o01000' 0000 00010 10000 100100 1100 11010 01010 000101 1000 Oo101 11101 110010 10100 101000 000100 100010, 5/4 2 6. Yae ail (218 _ RESPUESTAS A PROBLEMAS SELECCIONADOS E 8. Hay una cadena de 2 entre 11, 12, 32, 33, 42, 43; una cadena de 3 entre 12, 13, 31, 32, 41, 42; y una cadena de 4 entre 11, 12, 32, 33, 42, 43. 9. Hay una cadena de 2 entre 12, 14, 23, 32, 33, 35, 41, 43, 44 y 51; dos cadenas de entre 31, 42; una cadena de 3 entre 12, 13, 15, 22, 24, 31, 34, 44, 45, 53; dos cadenas de 3 entre 11, 32, 33, 42, 43 y tres cadenas de 3 entre 41; una cadena de 4 entre 11, 14, 22, 23, 2, 35, 45, 52, 54; dos cadenas de 4 entre 12, 13, 21, 33, 34, 44; tres cadenas de 4 entre 31, 32, 41 y cuatro cadenas de 4 entre 42, 43. 10. Los grafos en los Problemas 2, 3, 4, 5, 6y 7 14, Directos: 3 > 1, 5, 6;1>2;5>4;6>2,4 Indirectos: 3 > 2, 4 Capitulo 8 Gs 1. (5.10204 3061: 3. Por ejemplo, a3; + a; + a3; = 0.7 + 0.3 + 0.8 = 1.8, Esto significa que la de- ‘manda para la produccién de la industria 2 es mayor que la produccién de la misma, ‘$7.4 896.14 (man) na (8 ome) i 032533 soo.2179 20 0 om oo $a) mea-(d8t Gan Qon)r—a=(-084 dom dor 2 oo 0.010 026 Oost 0.010 04 5) Fears 2498.87179 vars /19$492.2207 o( ) a ( soa seenasae! .18108,3929 Capitulo 9 Seccién 9.1 L.Si 3.No S.No 7.Si %Si M.Si 13Si 15.No I7Si 19S! aunoG mo Ben-(& i) ane dh Bm 27. p= (0.2214 0.4 0.3786); po = (0.3034 0.4418 0.2548); py = (0.3098 0.4994 0.1908)Respuestes @ problemas seleccionados 219 2.p=P.=Ps= 3) 3: Regular; (2 3) 33. No es regular 38 Regular; ({=E=; 71525) 37..No es regular 38. Regular; 02843 0.3768 0.390) 1.0 0 1 HSI .7= (35 2) 45.95.75 06 01 04 01 o4 0.1 06 01 01 o4 47. 30 correctas, SO incorrectas = so% 01 01 06 O01 01 01 01 01 06 Ol 0.1 01 01 01 06 Leys. ° i0 ° io toil SLT= 2 ae o 100 PL ry 308 $5, $679.15. §7, Demécrata: 54.64%; republiéano: 3S 0s, independiente: 10.31% Secci6n 9.2 1.Si; 1 3.Si;2 5.No 7.Si;2 9. Si;2 faa) nre(? 3 0 1, ee! \ A a 7 2\3 I.T=04 04 02; R= (0.4); ) ad Ss 3 36 a8 r= diet | it 22, 2 2, 1321 0.642 0. 9.7 = igs 0367 1.734 0. 0.514 1.028 1. 4 =220 vespUEstas A PROBLEMAS SELECCIONADOS 23. (0) Ey, Ej, Ez, «») Eyen donde Eyes “G; tiene i dblares”. E, y E, son absorbentes. wn=@ 04000 d:m-8 Bo 000) wom 035 0 065 0 oo te os 8 : 2.2 mar-[o 8 8° 03. 03) 2m 29. 2Sa00~ 100 oo 8 tO BE 18 EL Capitulo 10 | 2) 2.0.3 (I + 0.7 + 0.49) = 0.657 130. 3. Se necesita que (0.7)" < 0.02; m = 11 es el menor valor que lo cumple. 4, Lm 3,333 *(ser 0.63 *3) 63 0.07 0.63 0.3 oo 1 ah 0) 9.0.40 + 0.6) = 0.64 3 ( 4 os) 10. Se necesita que (0.6)" < 0.05; n = 6 es el menor valor que lo cumple. 0.4) 04 1 vs 1 08s <5 Capitulo 11 L@;4 1 $4to0o0 0 ca a \ So, aot? ote 2 2 it O: Su 2A 2. he Oe 9) os: ane 1 ovo o $dRespuestas 9 problemas seleccionados | 221 (©) p* no tiene componente cero. (©) t = (0.601504, 0.300752, 0.075188, 0.018797, 0.003759) 2. (a) my ~ 0.141 (b) p, = 0.0796; 03° 07> 0 «0 p= [0225 06 0.175 0 0 0.225. 0.6 0.175 0 0 * 075 0.25 Capitulo 12 Saar ears Ln Gy Pon Ty Pic/Pan, ToT ° 0 a2 Eine - i 5 2186 7 4 Sid. 3.58 20 4 19 40 1.41 0.930 S16 45 49 gr 10 600-291 a 2.05 — 19 16,090 7737 23827 208 0 — 20° 23,170 11140 34310 2.08 1.44 Notese que los valores caracteristicos son 1.44 y ~0.836. Lus vectores caracteristicos ‘correspondientes son ee) ; (oy De Pi Ban Ty Pilak Tel oo 4s Iso - MBP {21.045 n.d eae 13 0.857 0.619 5S 4 3 T1353 ee Ce eed - 9 0 0 ites a 2 0 0 = us a tt re {Los ceros se presentan porque estamos redondeando Ids miimeros 0.12 y 0.09 (para n = 19) ¥ 0.09 y 0.07 para n = 20. Los valores caracteristicos de A son 0.78 y ~0.38. Las relaciones son Pinan > Wd, ~ 10.78 = 1.28 T)/ Tn >; = 0.78 Estos mimeros no aparecen en Ia tabla, En realidad, si 7), y p,_ son cero en cualquier ato, se extingue la pobla: SRESPUESTAS A PROBLEMAS SELECCIONADOS me Poo PilPan T/T 0 0 20 20 0 1 80 16 96 5 2 64 0 133 0,928 5S 1092 498 1590 219 = 10 3114 1970 $084 1,58 = 19 3.69 x 107. 1.95 x 10? 5.64 x 107 1.89 = 20 7.82 x 10? 4.14 x 10’ 11.96 x 107 1.89 212 Los valores caracteristicos son 2.12 y -1.32 con vectores caracteristicos correspondien- iw’ 1.89) y [-3.03) 1 1 4. La poblacién aumentaré si k>1=8. Perosi k = Lya = 8> },entonces 1=8 = Lees 11 c2-1 = 1 Asiquelo8 <1 s k, Nora: a > } implica que 5 <2. 5. De la ecuacién (9), py = @Mv, para n grande. Si v, = (}): emtonces £i2. y Mt hk 0 % He =F: pero : \G) = (()) a modo que Ar + kv = 5 = yy a erly, e Pe eee ee por to tanto, 2 m=» ~ = ~ para n grande. Pe yom 6. Sea pj, = niimero de pijaros de menos de 1 ato de edad en el afio n-ésimo, yn = niimero de pajaros entre 1 y $ aftos de edad en el afio n-ésimo, Pax = niimero de pdjaros maduros de mds de $ aftos de edad en el afio n-tsimo, Pin’ Oo k k Entonces p,,1 = APw donde py = i) ya= (: 0.88 °) Prin 0 02 ¥ 19000 20700) 27080) 54817 7. Apo -( 9000 }; A’po = | 21150}; Apo ~ | 28147}; A'*po = | 56968 12000, 13680) 14904, 30090, o 1 050 fe 09 0 00 8. Sur 5 = 0, yponiendo que k; = 0, entonces A= {99 0 0 0 (OR 007 16) El valor caracteristico dominante de esta mattiz es d, = 1.1069: Un vector caracteris- oi 0.3607 of 203 " a; 5 0.2933 tico unitario correspondiente a este valor caracteristico es aproximadamente { 59155, 0.1340, Shean 9. El valor caracteristico dominante de (cs o °) es aproximadamente 3.7154. 0 06 0/ og Un vector caracteristico unitario es aproximadamente (2) 0.08, 10. Los valores caracteristicos son las tres raices cibicas de 1 (todas con un valor abso- Juto igual a 1).indice Apoyo, 37 Arista, 35, 125 Cadena, 154 de Markov regular, 155 Colas, teoria de las, 187 Columna recesiva, 72 Conjunto de restricciones, 12 Crecimiento de poblacién, 193 Leslie, modelo de, 198 valor caracteristico estrictamente dominante, 200 Criptografia, 101 criptograma, 101, 102 “espionaje industrial”, 101 Demanda externa, 134 interna, 134 Desigualdad lineal, 4 Distribucién estacionaria, 156 Dual, 54 Estado absorbente, 168 Estrategia(s) mixta, 69 ‘ptimas, 80 pura, 64, 69 Estudio del transito modelo, 96 Funcién objetivo, 12 Ganancia esperada, 79 Gauss-Jordan, eliminacién de, 138 Genética, 106 alelos, 106 genotipos, 106 heterécigo (hibrido), 106 homécigo (puro), 106 Grafos, teoria de los, 124 arista, 125 cadena, 127 dirigido, 125 fuertemente conexo, 131 matriz de incidencia, 126 redundante, 128 trayectoria, 127 vertices, 125 Hardy-Weinberg, ley de, 108 Insumo y produccién, andlisis de, 133 Suego(s) de matriz, 68 lentes, 89 tamente determinado, 72 minimax, 72 de suma cero entre dos personas, 68 centre dos personas, estrategias mixtas, 78 Leontief, Wassily W., 133, 140 Leontief, matriz de, 137, 138 223224 inpice Markov, A.A., 147 Markov, cadenas de, 147, 154 absorbentes, 168, distribucién estacionaria, 156 estados, 149, 154 probabilidad condicional, 147 regular, 155 sistema, 149 vector fijo, 156 Matriz codificadora, 103 descodificadora, 103 de pagos, 65, 68 de probabilidades, 153 de tecnologia, 136 de transicién, 150, 155 fundamental, 171 regular, 155 Maximizacién, 11 estandar, problema de, 58 método grafico, 14 Maximo de la columna, 72 Método simplex, 34, 44 Minimax, 72 Minimizacién, 11 andar, problema de, 58 Minimo del renglén, 72 Minimos cuadrados, método de, 113 cuadratica, aproximacién, 117 linea recta, aproximacién por, 114 mejor ajuste, 119 Newcomb, paradoja de, 85 No acotado, problema, 22 No factible, problema, 22 Pares asociados, aprendizaje de, 179 Pivote, 37 Pivoteo, 39 Probabilidad(es), 69 de transicién, 149 vector de, 69 Problema de programacién lineal esténdar, 12 dual minimo, 54 estandar de maximizacién, 35 de minimizacién, $8 verdadero (solucién factible), 25 silla, 71, 72 Renglén recesivo, 71 Restricciones, 12 conjunto de, 12 Semiplano(s), 1 abierto, 6 cerrado, 6 Solucién factible, 12 Tabla simplex inicial, 36 indicadores, 37 pivote 0 apoyo, 37 terminal, 42, 43 Teorema de Von Neumann, 80 Teorema fundamental de la programacién lineal, 57 Teoria de juegos, 64 ‘Transpuesta, 54 Utilidades constantes, recta de, 12 Valor del juego, 80 esperado, 69 Variable(s), 1 aleatoria, 68 basicasy 29, 31, 33 de holgura, 27, 28 no Basicas, 29, 31, 33 Vector de probabilidad(es), 69, 152 inicial, 150 fio, 152, 156 | de probabilidades, 152me Otros bros obra y trigonometia

Aplicaciones de Algebra Lineal PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aplicaciones de Algebra Lineal PDF

Uploaded by

Copyright:

Available Formats

You might also like