FORMULACION MATEMATICA

La formulación de un programa lineal implica el desarrollo de un modelo

matemático que represente el problema administrativo.

Los p
pasos p
para el desarrollo de un p
programa
g lineal son los siguientes:
g

1.- Entender cabalmente el problema administrativo que se enfrenta.

2.- Identificar el objetivo y las restricciones.

3 Definir las variables de decisión

3.- decisión.

4.- Utilizar las variables de decisión para escribir expresiones matemáticas

d la
de l ffunción
ió objetivo
bj ti y d
de llas restricciones.
ti i
FORMULACION MATEMATICA
r
max f ( x)   ci . xi
i 1

s.t.
r

a
i 1
ji . xi  b j j  1, 2, , p

xi  0

Donde:
r es el número de variables
p es el número de restricciones
 El modelo de programación líneal incluye 3 elementos básicos:

F
Función
ió Objetivo
Obj ti

r
max f ( x)   ci . xi Variables de óptimización
p o de
i 1
decisión

s.t.
r

a
i 1
ji . xi  b j j  1, 2 , p
1 2,

R ti i
Restricciones
xi  0
La definición de las Variables de optimización es un paso esencial para
el desarrollo del modelo, una vez encontrada estas recién se construye la
Función Objetivo y las Restricciones.
 r Función Objetivo CONVEXA
max f ( x)   ci . xi
i 1

s.t.
Región
g factible CONVEXA
r

a
i 1
ji . xi  b j j  1, 2, , p

xi  0

EL PROBLEMA ES CONVEXO
PROGRAMACION LINEAL
ENFOQUE GRAFICO
RESOLUCION GRAFICA

El procedimiento gráfico tanto para el caso de maximización como para el

de minimización incluye los siguientes pasos básicos:

PASO 1:
1
Determinación de la Región Factible , que es el espacio de solución que
define las soluciones factibles que satisfacen todas las restricciones del
modelo.

PASO 2:
Determinación de la Solución Optima
p de entre todos los p
puntos en el
espacio de soluciones factibles.
PASO 1:

Determinación de la Región Factible:

a) Reemplazar el signo de desigualdad con un signo de

igualdad.

b)) Trazar la línea resultante encontrando dos p

puntos distintos

de esa línea.

c) Identificar el lado factible de la línea.

PASO 1: Determinación de la Región
g Factible

a) Igualamos la restricción considerada y graficamos la recta

0 x
Haciendo lo propio con todas las restricciones y se genera la Región Factible
y teniendo en cuenta que generalmente las variables son nonegativas:

0 x
PASO 2:
Determinación de la Solución Optima
a)) Seleccionar cualquier
q punto
p dentro de la región
g factible.
b) Trazar la línea de la función objetivo a través del punto
elegido.
c) Determinar el lado de mejora de la línea de la función
objetivo.
d) Mover la línea de la FO en forma paralela a si misma en la
dirección de mejora hasta que la línea esté a punto de
dejar la región factible.
e) Calcular los valores de las variables en la solución óptima
resolviendo las dos ecuaciones de las restricciones que
pasan por ese punto.
PASO 2:
Determinación de la Solución Optima
a) Seleccionar cualquier punto dentro de la región factible.

.
0 x
PASO 2:
Determinación de la Solución Optima
p
b) Trazar la línea de la función objetivo a través del punto
elegido.

FO

.
0 x
PASO 2:
Determinación de la Solución Optima
c)) Determinar el lado de mejora
j de la línea de la función
objetivo.
y

FO

.
0 x
PASO 2:
Determinación de la Solución Optima
d) Mover la línea de la FO en forma paralela a si misma en la
dirección de mejora hasta que la línea esté a punto de
dejar la región factible.

y
OPTIMO
FO

0 x
PASO 2:
Determinación de la Solución Optima
e) Calcular los valores de las variables en la solución óptima
resolviendo las dos ecuaciones de las restricciones que
pasan por ese punto.

y
OPTIMO
FO

0 x
PROGRAMACION LINEAL
RESOLUCION DE CASOS
CASO DE ESTUDIO.

Se desea programar la producción de una fabrica,

donde se elaboran 2 tipos de pinturas a partir de 2
materias primas diferentes.
El objetivo es obtener los máximos beneficios
posibles con las limitaciones de recursos y
demanda que tiene la empresa.
 DATOS

Unidades de materia prima por Disponibilidad

ton de máxima diaria
(ton)
Pintura p
para Pintura p
para
exteriores (PE) interiores (PI)
Materia prima MP1 6 4 24
Materia prima MP2 1 2 6
Utilidad (miles $/t) 5 4

D t adicionales:
Datos di i l

•La demanda máxima diaria de Pintura de interiores (PI) es 2 toneladas.

•La demanda diaria de pintura para interiores no excede a la de exteriores en

más de 1 tonelada.

Determine:
La mezcla de productos óptima que maximice las utilidades diarias totales
totales.
Necesitamos:

1) Definir cuales son las variables de decisión :

Toneladas diarias de PE = x1
Toneladas diarias de PI = x2

Pintura para Pintura para

exteriores (PE) interiores (PI)
2) Construir la función objetivo : Utilidad (miles $/t) 5 4

z  5 x1  4 x2 $   t   $ 
 t  .  día    día 

3) Definir cuales son las restricciones :

a) Restricciones de materia prima

b) Restricciones de demanda
 a) Restricciones de materia prima

El empleo de Materia Prima Disponibilidad máxima de

para ambas Pinturas ≤ Materia Prima
Unidades de materia prima por Disponibilidad
ton de máxima diaria
(ton)
Empleo de MP1 6 x1  4 x2 Pintura para Pintura para
exteriores (PE) interiores (PI)
Materia prima MP1 6 4 24

E l d
Empleo de MP2 1x1  2 x2 Materia prima MP2 1 2 6

Dado que las disponibilidades de materias primas son limitadas, las

correspondientes restricciones se expresan:

6 x1  4 x2  24
1x1  2 x2  6
a) Restricciones de demanda

La demanda diaria máxima de PI es 2 toneladas

x2  2

La producción diaria de PI supera a PE como máximo en 1 tonelada

x2  x1  1
El modelo completo queda:

max z  5 x1  4 x2

s.t.
6 x1  4 x2  24 R1
1x1  2 x2  6 R2
 x1  x2  1 R3
x2  2 R4
x1 , x2  0
RESOLUCION GRAFICA

El procedimiento gráfico tanto para el caso de maximización como para el

de minimización incluye los siguientes pasos básicos:

PASO 1:
1
Determinación de la Región Factible , que es el espacio de solución que
define las soluciones factibles que satisfacen todas las restricciones del
modelo.

PASO 2:
Determinación de la Solución Optima
p de entre todos los p
puntos en el
espacio de soluciones factibles.
Región
g Factible teniendo en cuenta q
que x1 , x2  0

x2

C D
R4
R2 E
B R3

R1
A F

0 x1
PASO 2: Determinación de la solución óptima

a) Seleccionar cualquier punto dentro de la región factible.

x2

C D

E
B

.
A F

0 x1

Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
b) Trazar la línea de la función objetivo a través del punto elegido.

x2

FO z  5 x1  4 x2
5 b
C D
x2   x1 
4 4
E
B

.
A F

0 x1

Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima

c) Determinar el lado de mejora de la línea de la función objetivo.

x2

FO z  5 x1  4 x2

C D

E
B .

A F

0 x1

Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
d) Mover la línea de la FO en forma paralela a si misma en la dirección de mejora hasta que la línea
esté a punto de dejar la región factible.

x2

FO z  5 x1  4 x2
5 b
C D
x2   x1 
4 4
E
B .

A F

0 x1

Lí
Línea de
d FO
PASO 2: Determinación de la solución óptima
p

x2
OPTIMO

C D

E
R2
B

R1
A F

0 x1

FO
PASO 2: Determinación de la solución óptima
e) Calcular los valores de las variables en la solución óptima resolviendo las dos
ecuaciones de las restricciones que pasan por ese punto.

x2
OPTIMO

C D
SOLUCION
E R1 ∩ R2
R2
B
6x1  4x2  24 R1

R1 1x1  2 x2  6 R2
A F

0 x1

FO

FO z  5 x1  4 x2
 PROGRAMAS LINEALES CON PROPIEDADES
GEOMETRICAS ESPECIALES

Programas lineales infactibles

x2
La demanda de pintura de exteriores (x1)
será como mínimo 8 t/dia:

C D
R4
R2 E
B R3
Una nueva restricción:

R1
A F
0 x1
 Programas lineales infactibles

x2 R5
La demanda de pintura de exteriores (x1)
será como mínimo 8 t/dia:

R4
R2
R3
Una nueva restricción:

R1

0 6 8 x1
 Programas lineales infactibles

x2 R5
NO HAY REGION FACTIBLE

R4
R2
R3

R1

0 6 8 x1
 Programas lineales ilimitados
P
Programa original:
i i l

max z  5x1  4 x2

s.t.
6 x1  4 x2  24 R1

1x1  2 x2  6 R2

 x1  x2  1 R3
x2  2 R4

x1 , x2  0
 Programas lineales ilimitados

max z  5x1  4 x2

s.t.
6 x1  4 x2  24 R1
x2
1x1  2 x2  6 R2

 x1  x2  1 R3
R4
x2  2 R4 R2
R3
x1 , x2  0
R1

0 6 8 x1
 Programas lineales ilimitados

max z  5x1  4 x2

s.t.
6 x1  4 x2  24 R1
x2
1x1  2 x2  6 R2

 x1  x2  1 R3
R4
x2  2 R4 R2
R3
x1 , x2  0
R1

0 6 8 x1
 Programas lineales ilimitados

max z  5x1  4 x2

s.t.
6 x1  4 x2  24 R1
x2
1x1  2 x2  6 R2

 x1  x2  1 R3
R4
x2  2 R4 R2
R3
x1 , x2  0
R1

0 6 8 x1
METODO DE LOS PUNTOS EXTREMOS
max z  5x1  4 x2

x2

C D

E
B

A F

0 x1
max z  5x1  4 x2

PUNTO FO
x2
A 0
B 4

C D C 13
D 18
E E 21
B F 20

A F

0 x1
ANALISIS DE SENSIBILIDAD
El modelo completo para la programación de la producción de
pinturas es:

max z  5 x1  4 x2

s.t.
6 x1  4 x2  24 R1
1x1  2 x2  6 R2
 x1  x2  1 R3
x2  2 R4
x1 , x2  0
ANALISIS DE SENSIBILIDAD

r
max f ( x)   ci . xi
i 1

s.t.
r

a
i 1
i
ji . xi  b j j  1, 2, , p

xi  0
ANALISIS DE SENSIBILIDAD

a) A LOS COEFICIENTES DE LA FUNCION OBJETIVO

FO z  5 x1  4 x2

b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

6 x1  4 x2  24
ANALISIS DE SENSIBILIDAD

a)) A LOS COEFICIENTES DE LA FUNCION OBJETIVO

x2
OPTIMO
Función objetivo

c1 x1  c2 x2  b
C D
c1 b
x2   x1 
E c2 c2
R2
B

R1
A F

0 x1
FO
x2

C D

E OPTIMO
B

R1
A F

0 x1

Lí
Línea de
d FO
 OPTIMO
x2

C D

E
R2
B

A F

0 x1

Lí
Línea de
d FO
 ANALIZANDO EL COEFICIENTE DE x1

Función objetivo c1 x1  4 x2  b

c1 b
x2   x1 
4 4

Restricción R1 6 x1  4 x2  24
x2 OPTIMO

Restricción R2 1x1  2 x2  6
E
R2

R1

0 x1
ANALISIS DE SENSIBILIDAD

b)) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

Restricción R1 6 x1  4 x2  24
x2

OPTIMO

C D

E
R2
B

A F

0
x1

R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

x2
NUEVO OPTIMO

C D

R2 E
B

A F

0
línea de FO

R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

x2
NUEVO OPTIMO

C D

E
B

R2
A F

0
x1

R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

x2

C D

E
B

R2
A F

0
x1

R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

x2

C D
R4
E
B

R2
A F

0
NUEVO OPTIMO x1

R1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

Función Objetivo FO z  5 x1  4 x2
x2

C D
R4 x2  2
E
B

A F G

0 x1
R2 1x1  2 x2  6

R1 6 x1  4 x2  24
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

Restricción R1 6 x1  4 x2  24
x2
Función Objetivo FO z  5 x1  4 x2

C D (2,2)
R4
R2 E
B

A F G (6,0)

0
x1
ANALISIS DE SENSIBILIDAD
b) AL VALOR DEL LADO DERECHO DE LAS RESTRICCIONES

Restricción R1 6 x1  4 x2  24
x2
Función Objetivo
O FO z  5 x1  4 x2

C D

E
B

F G
A
0 x1
R2 x1  2 x2  6

R1 6 x1  4 x2  24
 FO


0
Valor del lado
derecho de R1

variación de utilidades
FO
pendiente  tg  
variación del lado derecho

PRECIO DUAL
RESOLUCION ALGEBRAICA DE

PROGRAMAS LINEALES:

ALGORITMO SIMPLEX
Para poder aplicar el algoritmo Simplex hay que
convertir el modelo a la forma estándar.

Forma Estándar:

1. Todas las restricciones son ecuaciones con el

“lado derecho” no negativo.
lado derecho negativo
2. Todas las variables son no negativas.
3. La FO puede ser del tipo de maximización o
de minimización.
Conversión de las desigualdades
g en igualdades
g

Para desigualdades de “menor o igual”:

Sj : variable de holgura y Sj ≥ 0

Para desigualdades de “mayor o igual”:

Si : variable de exceso y Si ≥ 0
Conversión de maximización en minimización

Max f(x1, x2, …., xn) es equivalente a

Min - f(x1, x2, …., xn)

en el sentido que ambos producen los mismos

valores óptimos de (x*1, x*2, …., x*n).
)
Determinación de la solución.

El sistema consta de m ecuaciones

(restricciones) y n incógnitas (variables), con
n>m.

Las variables se dividen en dos clases:

m: variables básicas (sistema de m ecuaciones)

n-m: variables no básicas (se les asigna valor 0)

La solución única resultante es factible si todas

las variables asumen valores no negativos. De lo
contrario la solución es no factible.
Sea el sig.
sig ejemplo:

max z  3 x1  5 x2

s.t.
2 x1  x2  230

x1  2 x2  250

x2  120

x1 , x2  0
Para transformar las desigualdades de menor o
igual a igualdades se utilizan variables de
holgura (S1, S2, ….., Sn)

z  3 x1  5 x2  0 S1  0 S 2  0 S3

2 x1  x2  S1  230 R1

x1  2 x2  S2  250 R2

x2  S 3  120 R3

x1 , x2 , S1 , S 2 , S 3  0
z  3 x1  5 x2  0 S1  0 S 2  0 S3

-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b
básicas

0 S1 2 1 1 0 0 230 2 x1  x2  S1  230
0 S2 1 2 0 1 0 250 x1  2 x2  S 2  250

0 S3 0 1 0 0 1 120 x2  S 3  120

-3
3 -5
5 0 0 0

z=0
Las reglas para seleccionar las variables de
entrada y salida se conocen como condiciones
de optimalidad y factibilidad.

Condiciones de optimalidad: La variable de entrada en un

problema de maximización (minimización) es la variable
no básica que tiene el coeficiente más negativo (positivo)
en la fila inferior.
Los empates se definen arbitrariamente.
Se llega a la solución óptima en la iteración donde todos
g
los coeficientes de la última fila son no negativos en
maximización o no positivos en minimización.
Condiciones de factibilidad: Tanto en los problemas de
maximización como de minimización, la variable de
salida
lid es la
l variable
i bl básica
bá i asociada
i d con ell cociente
i t no
negativo más pequeño.
Los empates se definen arbitrariamente.
 -3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S1 2 1 1 0 0 230

0 S2 1 2 0 1 0 250

0 S3 0 1 0 0 1 120

-3
3 -5
5 0 0 0

Variable de entrada
 -3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S1 2 1 1 0 0 230 230 / 1

0 S2 1 2 0 1 0 250 250 / 2

0 S3 0 1 0 0 1 120 120 / 1
Variable de
-3
3 -5
5 0 0 0 salida

Variable de entrada
z  3 x1  5 x2  0 S1  0 S 2  0 S3

-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S1 2 0 1 0 -1
1 110

0 S2 1 0 0 1 -2 10

-5 x2 0 1 0 0 1 120

-3
3 0 0 0 5
z = 600

V i bl d
Variable de entrada
t d
Cálculo de los coef. de la ultima fila:
Coef. fila superior – (suma del producto de los coef. de las dos columnas)
Ejm: el primer coef de la ultima fila (marcados en amarillo):
-3 - (0*2 + 0*1 + (-5)*0)= -3
Ultimo coef: 0 - (0*(-1) + 0* (-2) + (-5)*1) = 5
 -3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S1 2 0 1 0 -1
1 110 110 / 2

0 S2 1 0 0 1 -2 10 10 / 1
Variable de
-5 x2 0 1 0 0 1 120 120 / 0
salida
-3
3 0 0 0 5 Indeterminado
 se ignora

Variable de entrada
z  3 x1  5 x2  0 S1  0 S 2  0 S3

-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S1 0 0 1 -2
2 3 90

-3 x1 1 0 0 1 -2 10

-5 x2 0 1 0 0 1 120

0 0 0 3 -1
1

Variable de entrada z = 630

 -3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S1 0 0 1 -2
2 3 90 90 / 3
Variable de
-3 x1 1 0 0 1 -2 10 10 / (-2) salida

-5 x2 0 1 0 0 1 120 120 / 1

0 0 0 3 -1
1

Variable de entrada
z  3 x1  5 x2  0 S1  0 S 2  0 S3

-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S3 0 0 1/3 -2/3
2/3 1 30

-3 x1 1 0 2/3 -1/3 0 70

-5 x2 0 1 -1/3 2/3 0 90

0 0 1/3 7/3 0

Z opt = 660
ANALISIS DE SENSIBILIDAD AL LADO DERECHO DE
LAS RESTRICCIONES

PRECIO DUAL
z  3 x1  5 x2  0 S1  0 S 2  0 S3

-3 -5 0 0 0
Variables x1 x2 S1 S2 S3 b b/a
básicas

0 S3 0 0 1/3 -2/3
2/3 1 30

-3 x1 1 0 2/3 -1/3 0 70

-5 x2 0 1 -1/3 2/3 0 90

0 0 1/3 7/3 0

Precio Dual

Z opt = 660
 z  3 x1  5 x2  0 S1  0 S 2  0 S3

2 x1  x2  S1  230 R1

x1  2 x2  S 2  250 R2

x2  S 3  120 R3

x1 , x2 , S1 , S 2 , S 3  0

S1 es el precio dual correspondiente a la restricción R1

S2 es el p
precio dual correspondiente
p a la restricción R2
RESOLUCION ALGEBRAICA DE

PROGRAMAS LINEALES:

ALGORITMO SIMPLEX

SEGUNDA PARTE
 MÉTODO DE LA M

Se utiliza para resolver programas mediante Simplex con desigualdades

de mayor o igual
igual.

Por ejemplo:

Sea x3 ≥ 5

Para transformar
P t f en igualdad,
i ld d restamos
t la
l variable
i bl dde exceso S y
debemos sumar una variable artificial t:

x3 - S + t = 5

Cuando se trata de restricciones de igualdad solamente se suman variables

Artificiales.
Sea el sig. ejemplo:

min z  8 x1  12 x2

s.t.
2 x1  2 x2  1

x1  3 x2  2

x1 , x2  0
 z  8 x1  12 x2  0 S1  M t1  0 S 2  M t2

2 x1  2 x2  S1  t1  1 R1

x1  3 x2  S 2  t2  2 R2

x1 , x2 , S1 , t1 , S 2 , t 2  0

Para obligar que las variables artificiales tomen el valor 0 en el punto óptimo
debemos penalizar la FO.
Para ello si el problema es de maximización se restan terminos con un valor muy
grande M multiplicado por las variables artificiales.
Si ell problema
bl es d
de minimización
i i i ió se suman terminosi con un valor
l muy granded
M multiplicado por las variables artificiales.
z  8 x1  12 x2  0 S1  M t1  0 S 2  M t2

-8 -12 0 -M 0 -M
Variables
V i bl x1 x2 S1 t1 S2 t2 b
básicas

t1 2 2 -1 1 0 0 1

t2 1 3 0 0 -1 1 2

En el punto inicial,
inicial como variables básicas se toman las de holgura y/o las
artificiales. En las columnas donde están las variables básicas debe haber
solamente 0 o 1.
Como NO ocurre esto último debemos hacer operaciones elementales de filas
para lograrlo, como se ve en la sig tabla.
z  8 x1  12 x2  0 S1  M t1  0 S 2  M t2

-8 -12 0 -M 0 -M
Variables
V i bl x1 x2 S1 t1 S2 t2 b
básicas

t1 (2 2 -1 1 0 0 1) M

t2 (1 3 0 0 -1 1 2)M
z  8 x1  12 x2  0 S1  M t1  0 S 2  M t2

-8+3M -12+5M -M 0 -M 0
Variables
V i bl x1 x2 S1 t1 S2 t2 b b/
b/a
básicas

0 t1 2 2 -1 1 0 0 1

0 t2 1 3 0 0 -1 1 2

-8+3M -12+5M -M 0 -M 0

Variable de entrada

z = 3M
o a ssi hay
Ahora ay só
sólo
o0y1e en las
as co
columnas
u as de var.a bás
básicas
cas y puedo
comenzar a operar, eligiendo la vble de entrada según Condiciones de
optimalidad y las de salida según Cond de factibilidad.
 -8+3M -12+5M -M 0 -M 0
Variables
V i bl x1 x2 S1 t1 S2 t2 b b/
b/a
básicas

0 t1 2 2 -1 1 0 0 1 1/2

0 t2 1 3 0 0 -1 1 2 2/3

-8+3M -12+5M -M 0 -M 0

Variable de entrada
 -8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b
básicas

-12+5M x2 (1 1 -1/2 1/2 0 0 1/2)*(-3)

0 t2 1 3 0 0 -1 1 2

-8+3M -12+5M -M 0 -M 0
z  8 x1  12 x2  0 S1  M t1  0 S 2  M t2

-8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b b/
b/a
básicas

-12+5M x2 1 1 -1/2 1/2 0 0 1/2

0 t2 -2 0 3/2 -3/2 -1 1 1/2

4-2M 0 -6+3/2M 6-5/2M -M 0

Variable de entrada

z =6+1/2M
 -8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b b/
b/a
básicas

-12+5M x2 1 1 -1/2 1/2 0 0 1/2 -1

0 t2 -2 0 3/2 -3/2 -1 1 1/2 1/3

4-2M 0 -6+3/2M 6-5/2M -M 0

Variable de entrada
 -8+3M -12+5M -M 0 -M 0
Var.
V x1 x2 S1 t1 S2 t2 b
básicas

-12+5M x2 1/3 1 0 0 -1/3 1/3 2/3

-M S1 -4/3 0 1 -1 -2/3 2/3 1/3

-4 0 0 -M -4 -M+4

z opt = 8
Las reglas para seleccionar las variables de
entrada y salida se conocen como condiciones
de optimalidad y factibilidad.

Condiciones de optimalidad: La variable de entrada en un

problema de maximización (minimización) es la variable
no básica que tiene el coeficiente más negativo (positivo)
en la fila inferior.
Los empates se definen arbitrariamente.
Se llega a la solución óptima en la iteración donde todos
g
los coeficientes de la última fila son no negativos en
maximización o no positivos en minimización.
Condiciones de factibilidad: Tanto en los problemas de
maximización como de minimización, la variable de
salida
lid es la
l variable
i bl básica
bá i asociada
i d con ell cociente
i t no
negativo más pequeño.
Los empates se definen arbitrariamente.
ALGORITMO
Los pasos del SIMPLEX son:
1.- Plantee el programa lineal en la forma estándar
2.- Seleccione una variable de entrada empleando la
condición de optimalidad.
optimalidad
3.- Seleccione una variable de salida utilizando la
condición de factibilidad.
4.- Determine las nuevas soluciones aplicando Gauss
4. Gauss-
Jordan.
PROGRAMACION LINEAL ENTERA
Un modelo de Programación Entera (PLE) es un modelo que
tiene restricciones y una FO idénticas a las formuladas por la
PL con la diferencia que una o más variables de decisión
deben tomar valores enteros en la solución óptima. Este tipo
de programación se utiliza, por ej., cuando los productos son
indivisibles ((autos,, televisores,, etc)) o por
p ej.
j cuando es
necesario utilizar variables binarias.

Existen tres tipos de problemas lineales enteros:

1) Los problemas de programación entera pura

2) Los problemas de programación entera mi
mixta
ta ((vbles
bles
continuas y enteras)
3) Los problemas de programación entera binaria
ALGORITMO “BRANCH
BRANCH AND BOUND”
BOUND

Este es el algoritmo
g que
q se utiliza para
p
resolver programas lineales enteros, en
español a veces se traduce como
“ramificacion y acotamiento”.
Sea el siguiente ejemplo:

max z  5 x1  4 x2

s.t.
x1  x2  5 R1

10 x1  6 x2  45 R2

x1 , x2  0 y entero

Es decir: Xϵ{NUϴ}
Primero se resuelve el problema que se
j
llama relajado,, es decir el problema
p SIN
considerar la restricción de variables
enteras.
enteras
La solución del problema relajado se
denomina solución ó uó óptimo relajado.
 x1  x2  5 R1
R2
10 x1  6 x2  45 R2
6
x1 , x2  0 y entero
R1
5

4
Optimo relajado:

3 x1 = 3,75
x2 x2 = 1,25
2
zopt = 23,75

0
0 1 2 3 4 5

x1
 R2
Optimo relajado:
6

R1 x1 = 3,75
5
x2 = 1,25
1 25
zopt = 23,75
4

3
x2

0
0 1 2 3 4 5

x1
Se selecciona una variable de la solución
relajada,
l j d para la
l cuall ell valor
l no sea entero.
t

l x1= 3,75
P ejemplo
Por j 3 75

L ió 3 x1  4 puede
La región d ser eliminada
li i d ya que no
contiene valores enteros de x1.
 6
LP1

5
x1  3 x1  4

3
x2
LP2
2

0
0 1 2 3 4 5

x1
Las dos restricciones x14 y x13 se excluyen
mutuamente
t t y se deben
d b t t los
tratar l d
dos programas LP1 y
LP2 en forma separada. Estas dos restricciones eliminan
la parte de la region donde 3 x1  4 .

Resolviendo el p
programa
g LP1 relajado:
j

max z  5 x1  4 x2
s.t.
x1  x2  5 Solución:

x1 = 3
10 x1  6 x2  45 x2 = 2
zopt = 23
x1 3
x1 , x2  0 z = 23 es una cota inferior
El programa LP1 relajado da una solución entera: x1 = 3
y x2 = 2
El valor de la FO z=23 se toma como una cota inferior,
es decir cualquier subprograma
g que de un valor de
FO menor a 23 se descarta.
Resolviendo el programa LP2 relajado:

max z  5 x1  4 x2
s.t.
x1  x2  5 Solución:

x1 = 4
10 x1  6 x2  45 x2 = 00,83
83
zopt = 23,33
x1 4
x1 , x2  0
zopt = 23,33 es mayor que
la cota inferior (z = 23 )

Se debe investigar LP2

 LP2 (x1 = 4; x2 = 0,83;
0 83; zopt = 23,33)
23 33)

x2  0 x2  1

LP3 LP4

Resolviendo
R l i d
el relajado

Solución: (x1 = 4,5; x2 = 0; zopt = 22,5)

Cota inferior: z = 23 => se descarta LP3

 6

5
x1  3 x1  4

3
x2

2
x2  1

0
0 1 2 3 4 5

x1
LP2 (x1 = 4; x2 = 0,83;
0 83; zopt = 23,33)
23 33)

x2  0 x2  1

LP3 LP4

Infactible
La solución del p
programa
g original
g será:

x1 = 3
x2 = 2
zopt = 23

Se observa de la solución sin considerar la restricción de

enteros es muy diferente (óptimo relajado):

x1 = 3,75
x2 = 1,25
1 25
zopt = 23,75
ACLARACION SOBRE EL PRACTICO N°4

EL TRABAJO PRACTICO NN° 4 CORRESPONDIENTE AL

TEMA DE PROGRAMACION ENTERA SE RESUELVE
CON SOLVER DE EXCEL.
SOLVER ES EL COMPLEMENTO DE EXCEL PARA
OPTIMIZAR.

UN TUTORIAL PARA APRENDER EL USO DE SOLVER ES

EL SIGUIENTE:
https://www.youtube.com/watch?v=4
p y _q
qbOfeVuZw
Selección de variable entera en SOLVER:
Para ello en el menú de desigualdades aparece la
opción INT (que es la de entera)
Aquí se muestra la opción de Variable Entera seleccionada para las celdas A1 a C1
PROGRAMACION ENTERA BINARIA
PROGRAMACION ENTERA BINARIA
Estas variables se utilizan para resolver problemas de decisión del tipo:
“se produce o no se produce”
”se invierte o no se invierte”
“se compra o no se compra”, etc.
MODELADO CON RESTRICCIONES LOGICAS
La variable binaria yi se usa para activar o desactivar la variable continua xi.  M es un valor grande (dos o tres veces
el orden de magnitud de la variable continua) La variable binaria yi toma el valor 1 cuando x
el orden de magnitud de la variable continua). La variable binaria y toma el valor 1 cuando xi está activa, y toma el 
está activa y toma el
valor 0 cuando xi debe estar desactivada es decir xi=0.
Cuando yi=1 entonces:
xi ≤ M 
≤M
xi ≥ 0  es decir xi puede tomar un valor entre 0 y M.
Cuando yi=0 entonces:
xi ≤ 0
xi ≥ 0 la unica manera que estas dos restricciones se cumplan simultáneamente es que sea xi = 0
La suma de las variables binarias yi igualada a 1, hace que solamente se elija un producto. M es un valor grande al 
igual que en el caso anterior La variable binaria yi toma el valor 1 para un único producto, y toma el 
igual que en el caso anterior. La variable binaria y toma el valor 1 para un único producto y toma el
valor 0 para todos los otros productos que no se eligen.
Cuando y=1 entonces para un solo producto que se elige:
x≤M
x ≤ M 
x ≥ 0  es decir x puede tomar un valor entre 0 y M.
Cuando y=0 entonces para todos los otros productos que no se eligen:
x ≤ 0
x ≥ 0 la unica manera que estas dos restricciones se cumplan simultáneamente es que sea x = 0
 Ejemplo de representación con restricciones de proposiciones lógicas

La variable binaria  y
La variable binaria yi toma valor 1 si se produce el producto i , y tomará valor 0 
toma valor 1 si se produce el producto i y tomará valor 0
caso contrario

yA yB ‐yA+yB ≥ 0
1 0 ‐1 ≥ 0 Falso: no puede hacerse A y no hacerse B
0 1 1≥0
1 ≥ Verdadero: puede hacerse solo B
puede hacerse solo B
1 1 0 ≥ 0 Verdadero: se hace A y B
0 0 0 ≥ 0 Verdadero: no se hace ninguno
La Tabla de Verdad  permite verificar que la ecuación 
La Tabla de Verdad permite verificar que la ecuación
representa la proposición lógica necesaria del problema 
que se está resolviendo
que se está resolviendo.
En el ej. anterior el único caso que no podrá darse es:
yA = 1 e y
= 1 e yB = 0, es decir que no se puede producir A sin 
= 0 es decir que no se puede producir A sin
producir B .Todas las otras opciones son posibles, como se 
ve en la tabla
ve en la tabla.
EL TRABAJO PRACTICO N°5 SE RESUELVE CON SOLVER DE 
EXCEL.
En Solver, la elección de variable binaria se hace en la 
ventana de restricciones opción “int”. 
En este ej. se muestra que las variables ubicadas en las 
celdas A1 a D1 son enteras “int” (integer).
TEORIA DE LA DUALIDAD
La forma estándar de un programa lineal se muestra a la izquierda y su 
correspondiente programa dual a la derecha.
NOTAS:
Cuando hay restricciones de igualdad en el primal, se toma como si 
fueran del mismo sentido que las demás desigualdades del
fueran del mismo sentido que las demás desigualdades del 
programa.
Para poder obtener el programa lineal dual, todas las desigualdades en 
p p g , g
el programa lineal primal deben ser del mismo sentido.

En el práctico de Dualidad se puede usar Solver de Excel para obtener 
las soluciones de los problemas.
PROGRAMACION POR
CAMINO CRITICO
(PERT/CPM)
EL PERT/CPM ES UN METODO BASADO
EN REDES, DISEÑADO PARA AYUDAR EN
LA PLANIFICACION, PROGRAMACION Y
CONTROL DE PROYECTOS.
Un proyecto se define como una colección de actividades
interrelacionadas, en la cual cada actividad requiere un
tiempo y recursos
recursos.
Para aplicar la técnica de PERT/CPM debemos:
1) Definir las actividades del proyecto, sus relaciones de
precedencia y sus requerimientos de tiempo
tiempo.
2) Traducir el proyecto en una red que muestre las relaciones
de precedencia entre las actividades.
3)) Hacer los cálculos específicos
p de red q
que faciliten el
desarrollo del programa de tiempo para el proyecto.
DIAGRAMA DE PRECEDENCIA
REPRESENTACION DE LA RED

REGLA 1: Cada actividad está representada por una y solo

una rama en la red.

REGLA 2: Cada actividad se debe identificar por medio de dos

nodos diferentes.
diferentes Cada nodo es un evento,evento representa un
punto en el tiempo en el cual se inician ciertas actividades y se
terminan otras.
ACTIVIDAD

INICIACION FINALIZACION
Una tarea puede preceder a varias:

Las tareas se identifican por el par de números de sus respectivos nodos

nodos.

tarea A = tarea 1-2

 Tarea “dummy” o ficticia: no representa ninguna actividad y su tiempo
de ejecución es cero. Se representa con linea punteada.

Por
P ej. Supongamos que lla ttarea 4
j S 4-5
5 ffuera hhacer llos cimientos
i i t d dell edificio,
difi i lla ttarea 2
2-4
4
comprar materiales, y la 2-3 excavar el terreno. Las tareas 2-3 y 2-4 se deben realizar
antes que la 4-5, y ambas se pueden hacer simultáneamente. Para representar esta
situación se debe usar una tarea ficticia (la tarea 3
3-4)
4) que no insume tiempo ni tiene
costos. Esto se hace porque no puede haber dos tareas que tengan el mismo nodo de
iniciación y el mismo nodo de finalización.
FECHA MAS TEMPRANA Te (tiempo de iniciación más
próximo)
ó i )
Los nodos se dividen en 3 áreas. En la superior va el número de nodo.
En el area de la derecha la fecha más temprana
p de iniciación de la
tarea. Ej. El nodo 1 inicio del proyecto Te=0, el nodo 2 Te= 0+3 (3 es el
tiempo que insume la tarea 1-2). Al el nodo 3 llegan 2 tareas, se pone
la Te mas grande: 0+7 > 3+1 entonce se pone 7. Cuando a un nodo
llegan varia tareas, como fecha más temprana Te pone la mayor de
todas. El cálculo de las Te se hace avanzando en la red desde la
izquierda hacia la derecha
derecha.

7
FECHA MAS TARDIA Ta (tiempo de iniciación más alejado,
es decir lo mas tarde que se puede inciar la tarea)
El cálculo
ál l de
d las
l TaT se hace
h desde
d d la l derecha
d h hacia
h i lal izquierda,
i i d y se
coloca en el área de la izquierda. En el último nodo 4, se pone como
Ta la fecha mas temprana Te. Para calcular la Ta del nodo 3, se resta a
la Ta del nodo 4 el tiempo de ejecución de la tarea 3-4, Ta = 11- 4 =7.
Para el nodo 2 será Ta=7 – 1 = 6. Como del nodo 1 parten 2 tareas, se
elege
g la menor de las Ta,, 7-7=0 < 6 -3=3,, por
p lo tanto es 0. En los
nodos en los que parten varias tareas siempre se elige como Ta la
menor de ellas.

6 3

0 7 7 11 11
DIAGRAMA DE PRECEDENCIA DEL PROYECTO:
muestra la secuencia de tareas del proyecto desde el incio hasta
la finalización del mismo. El tiempo que demora en ejecutarse
cada tarea se coloca sobre la flecha de representa
p dicha tarea.
En este caso la ejecución del proyecto, en donde tiempos de la
tareas están dados en días, será de 11 días.
TAREAS CRITICAS DEL PROYECTO

Condiciones de tarea crítica (marcadas en rojo):

1) Tai =Tei
2) Taj =Tej
3)) Taj-Tai =Tej-Tei = Duración de la tarea ijj

Donde: i es el nodo de iniciación

j es el nodo de finalización

Por ej. la tarea 3-4 es crítica por cumple con las condiciones mencionadas:
1) 7=7 (Tai =Tei)
2) 11=11 (Taj =Tej)
3)) 11-7=11-7= 4 ((Taj-Tai =Tej-Tei = Duración de la tarea ijj )
CAMINO CRITICO DEL PROYECTO

La sucesión
ió ordenada
d d de
d tareas críticas
íi d d
desde
el evento inicial hasta el nodo final, recibe el
nombre de camino o ruta crítica.
crítica
MARGEN DE FLOTACION: Es el tiempo p que
q se puede
p
aplazar la iniciación o demorar la ejecución sin afectar
la fecha de finalización del proyecto.

MF = Tai – Tei
MARGEN TOTAL: Es el tiempo más amplio del que
puede disponer una actividad.
actividad Este margen incluye los
márgenes de varias tareas posteriores. Si se usa el
margen total de alguna tarea, hay que volver a calcular
el camino crítico para verificar la nueva situación de las
tareas que faltan ejecutar.

MT = Taj – Tei - tij

MARGEN LIBRE: Es el tiempo de retraso de la iniciación
de la actividad ij,
ij sin que afecte la fecha más temprana
de iniciación de la siguiente tarea.

ML = Tej – Tei - tij

 Tiempos para las actividades cuando hay
incertidumbre
Generalmente suele existir incertidumbre acerca de los tiempos de las
actividades. Por ello, se utiliza la distribución de probabilidad β basada
en tres
t estimaciones
ti i para cadad actividad
ti id d : ti
tiempo optimista,
ti i t titiempo
probable y tiempo pesimista. En la gráfica se muestra un esquema de
la probabilidad de ocurrencia de dichos tiempos.
Con el valor calculado de Z, de una tabla de distribución normal se puede calcular la
probabilidad de finalizar el proyecto en una fecha deseada.
Además del diagrama de precedencia del proyecto, se
suele utilizar el Diagrama Calendario y el Diagrama de
Gantt para representar las tareas de un proyecto. A
continuación se muestran los 3 tipos de diagramas para
un ejemplo
j l sencillo.
ill
DIAGRAMA CALENDARIO
Permite visualizar adecuadamente las tareas críticas, las
no críticas y sus márgenes respectivos
respectivos.

4
DIAGRAMA DE GANTT
Permite visualizar la secuencia de iniciación de tareas. Se suele
agrupar las tareas criticas y marcarlas con otro color.
CADENAS DE MARKOV
CADENAS DE MARKOV
La cadena de Markov es un proceso estocástico que
evoluciona en el tiempo de una modo probabilístico. Esta
es una técnica que maneja las probabilidades de
ocurrencia futuras mediante el análisis de las
probabilidades conocidas en el presente.
presente Esta técnica
tiene diversas aplicaciones en el mundo de los negocios,
de la medicina, de la meteorología y en otros campos.
Los procesos de Markov que se van a estudiar en 
este curso cumplen con las siguientes hipótesis:
l l i i hi ó i

• Existe un número finito de estados o condiciones
E it ú fi it d t d di i
del sistema
del sistema
• La probabilidad de cambiar de estado permanece 
constante en el tiempo
• Se
Se puede predecir cualquier estado futuro a partir 
puede predecir cualquier estado futuro a partir
del estado anterior

• El tamaño y estructura del sistema no varía 
durante el estudio
En el análisis de Markov se deben cumplir dos 
condiciones para los estados:
condiciones para los estados:

1) Los estados son colectivamente exhaustivos

2) Los estados son mutuamente excluyentes
 EJEMPLO

EEn un determinado
d t i d pueblo
bl pequeño
ñ h
hay
solamente 2 estaciones de servicio, A y B, que
satisfacen las necesidades de los automovilistas,
que son la p
q población a considerar.

Cada
d vez que un cliente
l necesita un servicio para
su automóvil, debe hacer una elección sobre cuál
estación utilizar.
Se puede considerar a un cliente y a las estaciones de
servicio como un sistema.
sistema

Si un cliente eligió mas recientemente la estación A,

nos referimos a esto como el ESTADO 1 del sistema.

Si un cliente seleccionó mas recientemente la estación

de servicio B, diremos que el sistema está actualmente
en el ESTADO 2.

Por lo
P l tanto,
t t en cualquier
l i tiempo
ti d d del
dado d l sistema
it está
tá
en uno de sus dos estados. Por supuesto, a lo largo de
un período
í d ell sistema
it puede
d moverse de
d un estado
t d all
otro.
Por ej. la sucesión de estados 1,2,2,1 indica que en cuatro
servicios sucesivos, el sistema cambió del estado 1 al 2,
permaneció en el estado 2 y después cambió al estado 1.

Entonces para este ejemplo:
j
Sistema bajo estudio: la selección de una estación de 
servicio por parte del cliente
p y ( )
Los resultados posibles: los estados 1 y 2 (son finitos).
Los estados son exhaustivos, no existen más que  1 y 2, y 
son mutuamente excluyentes, el sistema estará en un 
y ,
estado o en el otro.
Una vez identificado los estados del sistema, se debe determinar
la probabilidad de que el sistema esté en cada estado y la
probabilidad de pasar de un estado a otro.

Por ejemplo, se sabe que la probabilidad que un cliente que

utilizó la estación de servicio A (sistema en el estado 1) la
siguiente vez vuelva a utilizar la misma estación es de 0,70.
Y además se conoce q que la pprobabilidad qque un cliente q
que utilizó
la estación de servicio B (sistema en el estado 2) la siguiente vez
vuelva a B es de 0,80.
Estas probabilidades se llaman Probabilidades Condicionales:
P (permanecer en el estado 1│ ahora está en el estado 1) 
(permanecer en el estado 1│ ahora está en el estado 1) = 0,70
0,70
P (cambiar al estado 2│ ahora está en el estado 1) = 0,30
P (permanecer en el estado 2│ ahora está en el estado 2) 
(permanecer en el estado 2│ ahora está en el estado 2) = 0,80
0 80
P (cambiar al estado 1│ ahora está en el estado 2) = 0,20
MATRIZ DE TRANSICION
Las probabilidades condicionales se utilizan para conformar la 
matriz de transición. 
Una matriz de transición para una Cadena de Markov con k
estados es una matriz k x k, T = [tij], en la que el elemento tij es la
probabilidad de moverse del estado i al estado j de una
observación a la siguiente.

Todos los elementos de la matriz son no negativos y la suma de

los elementos de cada fila es 1.
1

La Matriz de Transición permanece igual en cada etapa de la

sucesión de observaciones.
Para el ejemplo las Probabilidades Condicionales son:
P (permanecer en el estado 1│ ahora está en el estado 1) = 0,70
P (cambiar
(cambiar al estado 2│ ahora está en el estado 1) = 0,30
al estado │ ahora está en el estado ) 0,30
P (permanecer en el estado 2│ ahora está en el estado 2) = 0,80
P (cambiar al estado 1│ ahora está en el estado 2) 
(cambiar al estado 1│ ahora está en el estado 2) = 0,20
0,20

MATRIZ DE TRANSICION
MATRIZ  DE  TRANSICION
Estado   siguiente

Estado 1 Estado 2
Estaado   actuaal

Estado 1 0,70 0,30

Estado 2 0,20 0,80

Grafo de transiciones
Grafo de transiciones
El diagrama de la figura permite presentar la información de la 
g f p
matriz de transición de manera gráfica. Los nodos representan 
los dos estados posibles del sistema del ejemplo. Las flechas 
muestran las transiciones posibles de una observación a la 
siguiente. Cada una de las probabilidades de transición se 
escribe sobre la flecha correspondiente.

t12
t21
t11

t22
t12
 DISTRIBUCION INICIAL

La probabilidad de estado es la probabilidad que un sistema esté en

d t
determinado
i d estado.
t d
La Distribución Inicial es el vector de probabilidades de estado inicial, o
sea al inicio del estudio que se quiere realizar. El vector se denomina
Vector de Estado.
Para el caso del ejemplo: Supongamos que, al comenzar el estudio, se
conoce que de toda la población bajo estudio, el 60% de los clientes
utilizaba la estación de servicio A y el 40% la estación de servicio B.
Es decir:
la probabilidad que un cliente esté en el estado 1 es 0,60
la probabilidad que un cliente esté en el estado 2 es 0,40

VECTOR DE ESTADO INICIAL

X0 = [0,60     0,40]
Una de aplicaciones de las cadenas de Markov
es p
predecir el futuro. Conocidos el vector de
estado actual y la matriz de transición, se puede
calcular las probabilidades de estado en una
fecha futura.
 VECTOR DE ESTADO Xn

El vector de estado Xn para una Cadena de Markov de k estados es un

vector fila con k elementos en el que el elemento xj es la probabilidad
de estar en el estado j despues del n‐ésimo ensayo.

Para n=1
X1 1 = X0 T

Para n=2
X2 = X
X1 T = X T2
T X0 T 

Y así sucesivamente . Y para n=n
Xn = X0 T n
 VECTOR DE ESTADO ESTABLE Q
VECTOR DE ESTADO ESTABLE Q
Las probabilidades de estado a largo plazo, se denominan probabilidad
d estado
de t d estable
t bl o de
d equilibrio
ilib i y se calculan
l l de d la
l siguiente
i i t manera:
Q T = Q

Donde Q = [q1 q2 …. qk] y qi es la probabilidad de estar en el estado

i a largo plazo.

El vector de estado estable Q es único y no depende de la distribución

inicial, sino sólo de la matriz de transición T.

Para encontrar el vector de estado estable se debe considerar la condición 
que: 

q1 + q2 + …. + qk = 1

 CADENA DE MARKOV REGULAR
CADENA DE MARKOV REGULAR

En general, para una cadena de Markov, los vectores de estado no

siempre se aproximan a un vector de estado estable Q.

Sin embargo, un vector de estado estable para una matriz de

transición T existe siempre y cuando T sea regular.

Una matriz T es regular si existe una potencia entera kk>1

1 de T
para la cual todos los elementos de la matriz Tk sean positivos.
Una cadena de Markov se dice regular si su matriz de transición
es regular.
 Cadenas de Markov absorbentes
Cadenas de Markov

E t d absorbentes:
Estados b b t En E algunos
l casos no es posible
ibl ir
i de
d un estado
t d a
otro estado en el futuro, es decir que cuando se encuentra en un
estado
t d dado,
d d este
t lo
l “absorbe”
“ b b ” y permanece en ese estado.
t d Cualquier
C l i
estado que tiene esa propiedad se llama estado absorbente. (por ej.
una persona que se jubila).
j bil )
Las cadenas de Markov que tienen estados absorbentes se denominan
cadenas absorbentes y tienen:
•Uno o varios estados absorbentes con probabilidad nula de ser
abandonados, y
•Uno o varios estados no absorbentes desde los cuales se pueden
p
acceder a estados absorbentes
Grafo de transiciones con estados absorbentes
En este ejemplo, los nodos 1 y 3 representan estados 
absorbentes porque una vez que se pasa a ellos no se puede 
salir. Desde los estados 0 y 2, que son no absorbentes, se pueden 
acceder a estados absorbentes
En el caso de sistemas con estados absorbentes, se debe 
reagrupar la matriz de transición de la siguiente manera:

I: matriz identidad
θ: matriz nula
θ: matriz nula
A: matriz de estados absorbentes
N: matriz de estados no absorbentes
Matriz identidad (I) : cada elemento representa la 
probabilidad de permanecer en un estado absorbente
probabilidad de  permanecer en un estado absorbente 
en un paso.
Matriz nula (θ): cada elemento representa la probabilidad 
( ) p p
de  pasar de  un estado absorbente a un estado no 
absorbente en un paso.
M ti d
Matriz de estados absorbentes (A): cada elemento 
t d b b t (A) d l t
representa la probabilidad de pasar de un estado no 
absorbente a uno absorbente en un paso.
absorbente a uno absorbente en un paso.
Matriz de estados no absorbentes (N): cada elemento 
representa la probabilidad de pasar de un estado no 
absorbente a otro no absorbente en un paso.
b b b b
Se define la matriz fundamental mediante la 
siguiente expresión:
i i ió

F = ( I ‐ N ) ‐1

La probabilidad de absorción por cada estado 
absorbente están representados por los elementos
absorbente están representados por los elementos 
de la matriz que se obtiene de hacer el siguiente 
producto:

F . A= ( I ‐
( N ) ) ‐1. A
 1
0,5
Sea le siguiente ejemplo:
g j p 0,25
0,75
1
0,5

Grafo de transición
Grafo de transición

Matriz de transición

La matriz de transición del sistema se reagrupó de acuerdo al siguiente esquema 
generándose 4 matrices, en donde los espacios vacios son ceros: 

I: matriz identidad
θ: matriz nula
A: matriz de estados absorbentes
N: matriz de estados no absorbentes
Para el ejemplo, podemos calcular cual es la probabilidad que 
estando en el estado 0 termine en el estado 1. Para ello 
calculamos la probabilidad de absorción como el producto de las 
l l l b bilid d d b ió l d d l
dos matrices (F.A).

F . A = ( I ‐ N ) ‐1. A

LLa probabilidad que estando en el estado O se termine en el estado 
b bilid d d l d O i l d
absorbente 1 es del 57,14%
 SIMULACION

Simular significa tratar de reproducir las

funciones, apariencia y características de un
sistema real. Esto permite estudiar propiedades
y características operativas de sistemas
complejos para obtener conclusiones y tomar
decisiones en base a los resultados de la
simulación.
 SIMULACION DE MONTE CARLO

S utiliza
Se tili cuando
d en ell sistema
it que se quiere
i simular
i l existen
it
variables que tienen un comportamiento aleatorio, entonces la
simulación de Monte Carlo genera valores de las variables que
forman el modelo en estudio.
estudio

En el mundo real existen muchas variables que tienen

naturaleza p
probabilística: la demanda de un p
producto,, los tiempos
p
de llegada de clientes, el tiempo de servicio a un cliente, los
tiempos para finalizar una tarea de un proyecto, etc.
 PASOS EN LA SIMULACION DE MONTE CARLO

1)) Establezca las distribuciones de p probabilidad de las

variables.
2) Elabore una distribución de probabilidad acumulada para
cada variable.
3) Establezca un intervalo de números aleatorios para cada
variable.
4) Genere números aleatorios.
5) Simule el sistema.
Con un ejemplo vamos a ver la aplicación de los pasos para la
simulación
i l ió de d Montecarlo.
M t l
Para establecer una política de inventario, una empresa desea
simular la demanda diaria de su producto para 10 días
PASO 1: Establezca las distribuciones de probabilidad para las
variables.
variables
Una manera de establecer dicha distribución es examinar los
eventos históricos. Para el ejemplo, en la sig. tabla se muestran
datos de demanda del pasado.
DEMANDA FRECUENCIA (DIAS)
0 10
En la tabla se muestra la 
cantidad de días que se
cantidad de días que se  1 20
presentaron las distintas  2 40
demandas, al cabo de un total  3 60
de 200 días.
de 200 días.
4 40
5 30
Cálculo de probabilidad de ocurrencia de cada 
evento.
Para ello se divide, para cada evento, la frecuencia de ocurrencia 
a a e o se d de, pa a cada e e to, a ecue c a de ocu e c a
sobre el total de días evaluados. 

DEMANDA FRECUENCIA Probab. de 

(DIAS) ocurrencia
0 10 10/200=0,05
1 20 20/200=0,10
2 40 0 20
0,20
3 60 0,30
4 40 0,20
5 30 0,15
PASO 2:2 Elabore
El b una distribución
di t ib ió de
d probabilidad
b bilid d acumulada
l d
para las variables.
Esto significa encontrar la probabilidad que una variable sea
menor o igual que un valor específico. Para encontrar estas
probabilidades se deben sumar las p
p probabilidades anteriores.
Por ejemplo la probabilidad que la demanda sea menor o igual a
1 será:
Prob. que la demanda sea 0 + Prob. que la demanda sea 1=0,05+0,10 =0,15

DEMANDA Probabilidad
acumulada
0 0,05
1 0 15
0,15
2 0,35
3 0,65
4 0,85
5 1,00
PASO 3:
PASO 3 Establezca intervalos de números aleatorios.
E t bl i t l d ú l t i
Después de establecer una distribución de probabilidad
acumulada para cada variable incluida en la simulación,
simulación se debe
asignar un conjunto de números para representar cada
resultado posible.
p

Se toman los 100  números de 2  DEMANDA Probabilidad INTERVALO

dígitos (00 al 99) para
dígitos (00 al 99) para  acumulada
representar las probabilidades de  0 0,05 1 al 5
ocurrencia de los eventos. Así la 
probabilidad de ocurrencia de
probabilidad de ocurrencia de  1 0,15
, 6 al 15
demanda 0, será representada  2 0,35 16 al 35
por los números 1 al 5, que son el  3 0,65 36 al 65
5% de los 100 números de 2
5% de los 100 números de 2 
dígitos. Para representar la  4 0,85 66 al 85
probabilidad de ocurrencia de  5 1,00 86 al 00
de a da se usa os ú e os
demanda 1 se usan los números 
6 al 15 (10% del total de 
números) y así sucesivamente.
PASO 4:
PASO 4: Genere números aleatorios.
Genere números aleatorios
Hay diferentes métodos de generar números aleatorios inclusive
mediante software. El excel tiene una función para ello. Ahora
veremos un ejemplo de un método.
Método del centro del cuadrado de von Neumann
a) Se elige un número arbitrario de n dígitos
Queremos generar número aleatorios de 4 dígitos. Elijamos 
arbitrariamente un número   de 4 dígitos:3197
b) Se eleva el número al cuadrado
El d di h ú
Elevado dicho número al cuadrado: 10220809
l d d 10220809
c) Se extraen los n dígitos centrales como el siguiente número 
aleatorio.
aleatorio
El siguiente numero aleatorio es: 2208. Y volvemos al paso b). 
De este modo generamos tantos números aleatorios de 4 dígitos 
como se desee.
PASO 5: Simule el sistema.
P
Para la simulación vamos a utilizar la tabla de número aleatorios 
l i l ió tili l t bl d ú l t i
de dos dígitos.  Para obtener los números se comienza de 
cualquier posición y se desplaza por las filas y columnas de
cualquier posición y se desplaza por las filas y columnas de 
manera arbitraria. Para este ejemplo vamos a tomar la 2° fila 
desde la izquierda. El primer número es 37, el segundo 63 y 
así hasta completar los diez números para simular los 10 días 
solicitados por el problema. En la tabla están recuadrados.
DEMANDA Intervalo de  
números 
números
aleatorios
0 01 al 05 Simulación de la demanda para 10 días
1 06 al 15
DIA NUMERO DEMANDA 
2 16 al 35
ALEATORIO SIMULADA
3 36 al 65
36 al 65
1 37 3
4 66 al 85
2 63 3
5 86 al 00
3 28 2
4 02 0

Para simular debemos fijarnos cual es la 
Para simular debemos fijarnos cual es la 5 74 4
demanda correspondiente al número  6 35 2
aleatorio asignado a cada día. Para el día 1  7 24 2
el numero aleatorio es 37, que corresponde
el numero aleatorio es 37, que corresponde 
a la demanda 3 cuyo intervalo de números  8 03 0
aleatorios es 36 al 65. Para el día 2 también  9 29 2
la demanda es 3 (numero aleatorio 63). Y así  
( ) 10 60 3
hasta simular los 10 días solicitados por el 
problema. 
SISTEMAS DE COLAS
El proceso básico de los modelos de colas es el siguiente: los clientes que requieren
un servicio ingresan al sistema y se unen a una cola o fila. En un determinado
momento un cliente que está en la fila es seleccionado por turno para proporcionarle
el servicio. Una vez que el cliente recibe el servicio solicitado, se retira del sistema.
En la figura
g se ve un esquema
q de este p
proceso.

M
Muchos sistemas normalmente requieren de colas para brindar servicios.
En la siguiente tabla se listan algunos ejemplos. Los clientes no siempre son
personas físicas,
fí i también
t bié pueden d ser productos
d t en una fáb fábrica
i por ejemplo.
j l
La teoría de colas proporciona una metodología de formulación de modelos

matemáticos que describen los sistemas de espera. Estos sistemas son muy

variados y en este curso solamente se estudiaran unos cuantos casos clásicos.

Se analizarán además el comportamiento de los sistemas en régimen permanente

a través de variables como tiempo de espera promedio en cola y sistema, número

de clientes en cola y sistema, utilización, etc. Estas variables así como los costos

asociados permite determinar los valores apropiados de las variables de decisión

como ser número de canales de atención, numero de lugares de espera, etc.

Características De Un Sistema De Colas
De acuerdo
D d a llas características
t í ti que d
definen
fi ell sistema,
i t se d
desarrolla
ll un
un modelo matemático diferente que lo describe. Existen 8 elementos que
definen las características de un sistema y son las sigs.

Finita
1) Población de clientes
Infinita (o suficientemente grande)
Determinístico
2) Proceso de llegada (Tiempo entre llegadas)
Probabilístico

Tiempo entre llegadas Determinístico: los clientes sucesivos llegan en un

mismo intervalo de tiempo, fijo y conocido.

Tiempo
p entre llegadas
g Probabilístico: el tiempo
p entre llegadas
g sucesivas es
incierto y variable. Los tiempos entre llegadas probabilísticos se describen
mediante una distribución de probabilidad.
3) Impaciencia: cuando los clientes presentan impaciencia, estos
se retiran sin recibir el servicio ya que consideran que el tiempo de
espera es muy largo.
l El cliente
li t pueded retirarse
ti all momento
t d
de ver
demasiada gente o después de haber hecho la cola un determinado
tiempo.

4) Capacidad:
C id d es el número máximo de clientes que pueden
permanecer en el sistema en cola y siendo atendido. Cuando el
sistema no tiene limitaciones en el número de clientes p permitidos se
dice que tiene capacidad infinita, caso contrario se dice de capacidad
finita.
 5) Espera: una línea o líneas múltiples.

6) Disciplina de colas:
• PEPS (primero
( i en entrar,
t primero
i en servir)
i)
• UEPS (ultimo en entrar, primero en servir)
• Prioridad (por ej. mujeres embarazadas)
 Sistemas de colas de canal múltiple
Sistemas de colas de canal sencillo
Nº de clientes atendidos simultáneamente
7) Proceso de servicio Prioridad permitida o no

Determinístico
Tiempo de servicio
Probabilístico

Sistemas de un paso
8) Proceso de salida
Sistemas de red de colas
P
R
O
C
E
S
O

D Sistema de un paso
E

S
A
L
I
D
A Sistema de red de colas
 Proceso de llegada
En este curso se estudiará exclusivamente el proceso de llegada probabilístico
que se describe mediante la distribución de Poisson.

Proceso de Poisson: es muy utilizado porque describe de manera confiable muchos

casos prácticos de sistemas de colas.

Tiempo entre llegadas.

Para el Proceso de Poisson, el tiempo entre llegadas es exponencial, es decir que la

probabilidad de que el próximo cliente llegue dentro de las siguientes ∆t unidades de
tiempo a partir de la llegada anterior se calcula de la siguiente manera:

Donde  es el número promedio de clientes que arriban por unidad de tiempo.

La distribución exponencial y la de Poisson están relacionadas.

p entre llegadas
Si el tiempo g sigue
g una distribución exponencial,
p , entonces el
número de llegadas en un período determinado sigue una distribución de
Poisson.
La distribución de Poisson es una distribución de probabilidad discreta. En la
siguiente figura se muestra la probabilidad de ocurrencia de eventos (X), para
dos λ diferentes.
Los procesos de Poisson son procesos markovianos, es decir que
describen eventos aleatorios de sistemas dinámicos que evolucionan
a través de un parámetro t denominado continuo. Sobre este
parámetro continuo, g
p generalmente el tiempo,
p van ocurriendo eventos
en forma estadísticamente independientes y también
independientemente del comienzo del continuo.

Como ya vimos los procesos de Poisson se describen por la distribución

de Poisson y la distribución exponencial
exponencial.
Notación de Kendall: sirve para especificar las características
descriptivas del sistema de colas
colas. Se utilizan letras y números
separados por barras, y su significado se muestra a continuación.

X / X / M / N / (N´)
1) La posición 1 indica el proceso de llegada.

a) D determinístico
b) P probabilístico y distribución exponencial
c) G probabilístico distribución diferente a la exponencial

2) La posición 2 indica el proceso de servicio.

a)) D determinístico
b) P probabilístico y distribución exponencial
c)) G p
probabilístico distribución diferente a la exponencial
p
 X / X / M / N / (N´)

3) La posición 3 indica el número de servidores en paralelo M.

4) La posición 4 indica la capacidad operativa del sistema N.

5) La posición 5 indicada entre paréntesis se refiere al tamaño de la

población (N´).
 DIFERENTES SISTEMAS QUE SE ESTUDIAN
EN ESTE CURSO
Todos los sistemas que se estudiarán en este curso tienen las siguientes
características comunes:
•Proceso
Proceso de llegada del tipo de Poisson
•Procesos de servicio también del tipo de Poisson
•El sistema se encuentra en estado estable llamado también régimen
g p
permanente
•Los clientes forman una sola fila simple
•La disciplina de atención es PEPS
•Proceso de salida: Sistema de un paso
Las otras características, por ejemplo, capacidad, número de servidores, etc., son
particulares para cada sistema.
SISTEMAS CON UN SOLO
CANAL DE ATENCION
 Sistema P/P/1

Características particulares del sistema:

•Se dispone
p de un solo canal de atención
•Los clientes que llegan al sistema no presentan impaciencia
•Capacidad del sistema ilimitada (cola infinita)
•La población de clientes potenciales es infinita
 Sistema P/P/1/N

Características particulares del sistema:

•Se
S dispone
di d
de un solo
l canall d
de atención
t ió
•Los clientes que llegan al sistema no presentan impaciencia
•Capacidad del sistema limitada (cola finita)
•La población de clientes potenciales es infinita
 Sistema P/P/1 con Impaciencia

Características particulares del sistema:

•Se dispone de un solo canal de atención
•Capacidad
Capacidad del sistema ilimitada (cola infinita)
•Los clientes presentan impaciencia
•La
La población de clientes potenciales es infinita
 Sistema P/P/1/(N´)
P/P/1/(N )

Características particulares del sistema:

•Se dispone de un solo canal de atención
•Los clientes que llegan al sistema no presentan impaciencia
•Capacidad del sistema ilimitada (cola infinita)
•La
L población
bl ió d de clientes
li t potenciales
t i l es fifinita
it y relativamente
l ti t pequeña
ñ
SISTEMAS CON VARIOS
CANALES DE ATENCION
 Sistema P/P/M

Características particulares del sistema:

•Se dispone de varios canales de atención en paralelo
•Capacidad del sistema ilimitada (cola infinita)
•Los clientes no presentan impaciencia
•La población de clientes potenciales es infinita
 Sistema P/P/M/N

Características particulares del sistema:

•Se dispone de varios canales de atención en paralelo
•Capacidad del sistema limitada (cola finita)
•Los clientes no presentan impaciencia
•La población de clientes potenciales es infinita
 REGIMEN TRANSITORIO Y REGIMEN PERMANENTE

Al inicio, el sistema se encuentra vacio y comienzan a ingresar los clientes, el

régimen
g es transitorio ((el valor de las variables varía con el tiempo)) hasta que
se estabiliza y se comporta como régimen estable o permanente. En la fig. se
muestra el comportamiento de la variable longitud promedio de la cola (Lq) en
función del tiempo. En el régimen permanente el valor de las variables del
sistema no varían con el tiempo.

Lq

tiempo

Ref. Figuras. Prof. Miguel A. Miranda, UBA

NOMENCLATURA:
λ: número promedio de clientes que llegan al sistema por unidad de
tiempo o tasa promedio de llegadas o arribos
tiempo, arribos.
λn : número promedio de clientes que ingresan al sistema por unidad
de tiempo, cuando el estado del sistema es n.
λ: número promedio de clientes que ingresan al sistema por unidad de
tiempo, o tasa promedio de ingresos.

μ: número
ú promedio
di d
de clientes
li t que puede d atender
t d un canall por
unidad de tiempo, o tasa promedio de clientes atendidos.
μn : número ppromedio de clientes q
que egresan
g del sistema p
por unidad
de tiempo, cuando el estado del sistema es n.
μ: número promedio de clientes que egresan del sistema por unidad de
tiempo o tasa promedio de egresos
tiempo, egresos.

 : intensidad de trafico ( = λ / μ)
 NOMENCLATURA DE ALGUNAS MEDIDAS DE
RENDIMIENTO PARA EVALUAR UN SISTEMA DE COLAS

 Tiempo promedio de espera en cola: Wq

 Tiempo promedio en el sistema: W

 Longitud promedio de la cola: Lq

 Longitud promedio del sistema: L

 Número promedio de canales activos: H

 Probabilidad que existan n clientes en el sistema: p(n)

 Probabilidad que un cliente tenga que esperar en cola un

tiempo > a t: ωc
SISTEMA P/P/1: MODELIZACION
NOTA: La modelización de los otros sistemas que se verán se realizan de manera análoga
al P/P/1, pero no se estudiarán en este curso. Las ecuaciones para calcular las medidas de
rendimiento
di i t d de di
dichos
h sistemas
i t se adjuntan
dj t a llos prácticos
á ti d
de este
t ttema.
EJEMPLO DE UN ANALISIS ECONOMICO PARA UN SISTEMA
P/P/1

Un análisis económico posible permite determinar la velocidad

promedio de atención conveniente para un sistema P/P/1. Para ello se
minimizan los costos operativos
p q
que incluyen
y los costos de brindar el
servicio al cliente y los asociados a la permanencia de los clientes en
el sistema.

Costo de brindar el servicio

Costos
Costo asociado a la espera
Por lo tanto los costos totales se calculan mediante la siguiente ecuación.
C = CE+CS
El costo total C es la suma de los costos de permanencia CE mas los costos de
servicio CS.
Considerando los costos unitarios de permanencia en el sistema ce y de
servicios cs, los costos se pueden expresar como: Z = ce . L + cs . μ
CE disminuyen con el aumento del valor de μ (vea la expresión de L), mientras
que CS aumenta con μ linealmente.
linealmente
Graficando los costos se obtiene la sig. figura.

z CE+CS

CS
C min
CE
μo μ

Donde los costos se hacen mínimos, se obtiene la velocidad media conveniente de

atención a los clientes.
Análisis de un sistema P/P/1 con IMPACIENCIA
Tabla de valores de la inversa de p(0)
Tabla de valores de Lc

Lc
Análisis de un Sistema P/P/1/(N´)
Para estudiar los sistemas con p
población finita se trabaja
j con cada cliente
de manera individual y se definen los siguientes parámetros :

Tr: tiempo medio entre llegadas de un mismo cliente

λr =1/ Tr : frecuencia con q

que un cliente requiere
q del servicio

ρr = λr / μ : intensidad de tráfico

J : Numero promedio de clientes fuera del sistema

Estos parámetros permiten el cálculo de las medidas de rendimiento para

sistemas de un solo canal y población finita P/P/1/(N´), mediante las
ecuaciones que se encuentran en los prácticos correspondientes. En
dichos prácticos se encuentran también las ecuaciones para los sistemas
P/P/1/N y los de varios canales de atención en paralelo.