Investigacion Operaciones

Gestin de Investigacin de Operaciones
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
I. Introduccin a la Investigacin de
Operaciones
I.1. Introduccin.
El principal objetivo de esta rea de conocimientos
consiste en formular y resolver diversos problemas
orientados a la toma de decisiones.
La naturaleza de los problemas abordados puede
ser determinstica, como en los Modelos de
Programacin Matemtica, donde la teora de
probabilidades no es necesaria, o bien de
problemas donde la presencia de incertidumbre
tiene un rol preponderante, como en los Modelos
Probabilsticos.
Operaciones
Hoy en da, la toma de decisiones abarca una gran
cantidad de problemas reales cada ms complejos
y especializados, que necesariamente requieren
del uso de metodologas para la formulacin
matemtica de estos problemas y, conjuntamente,
de mtodos y herramientas de resolucin, como los
que provee la Investigacin de Operaciones.
Operaciones
I.2 Elementos de un modelo de optimizacin.
optimizacin
Supongamos que se dispone de determinadas
piezas para la elaboracin de dos productos finales.
Se dispone de 8 piezas pequeas y 6 piezas
grandes, que son utilizadas para elaborar sillas
(usando 2 piezas pequeas y 1 pieza grande) y
mesas (usando 2 piezas de cada tipo).
Interesa decidir cuntas sillas y mesas fabricar de
modo de obtener la mxima utilidad, dado un
beneficio neto de U$ 15 por cada silla y de U$20
por cada mesa fabricada.
Operaciones
Posibles soluciones factibles a considerar, esto es
soluciones que respetan las restricciones del
nmero de piezas disponibles, son por ejemplo,
fabricar:
4 sillas, que reportan una utilidad de U$60

1 sillas y 2 mesas , utilidad de U$55
3 mesas, utilidad de U$60
1 mesa y tres sillas, utilidad de U$65
2 sillas y 2 mesas, utilidad de U$70
etc.
Operaciones
Un modelo matemtico para hallar la mejor
solucin factible a este problema tiene tres
componentes bsicas:
i) Las variables de decisin, que consiste en
definir cules son las decisiones que se debe
tomar. En el ejemplo,
x: nmero de sillas elaboradas.
y: nmero de mesas elaboradas.
Operaciones
ii) La funcin objetivo del problema, que permita
tener un criterio para decidir entre todas las
soluciones factibles. En el ejemplo, maximizar la
utilidad dada por:
z = f(x,y) = 15x + 20y
Operaciones
iii) Restricciones del problema, que consiste en
definir un conjunto de ecuaciones e inecuaciones
que restringen los valores de las variables de
decisin a aquellos considerados como factibles.
En el ejemplo, respetar la disponibilidad de piezas
para la fabricacin de sillas y mesas:
Piezas pequeas:
Piezas grandes :
Tambin se
negatividad:
2x + 2y 8
x + 2y 6
impone
restricciones
x,y 0
de
no
Operaciones
En resumen:
Max
sa:
15x + 20y
2x + 2y 8
x + 2y 6
x,y 0
El ejemplo corresponde a un modelo de

Programacin Lineal. Si adems restringimos los
valores de x e y a nmeros enteros, tendramos un
modelo de Programacin Entera. Por otra parte, si
hubiese retornos crecientes a escala, deberamos
emplear una funcin objetivo no lineal como f(x,y) =
cxa + dyb con a,b >1, y tendramos un modelo de
Programacin No Lineal.
Operaciones
BIBLIOGRFIA EN INVESTIGACIN DE OPERACIONES
1. Introduccin a la Investigacin de Operaciones, F.S.
Hillier y G.J. Lieberman, McGraw Hill, Sexta Edicin, 1997.
2. Investigacin de Operaciones, una introduccin, H.A.
Taha, Prentice Hall, Mxico, Sexta Edicin, 1998.
3. Introduction to Management Science, F. Hillier, M. Hillier
and G.J. Lieberman. Irwin McGraw-Hill, 1999.
4. Model Operations Research: A practical Introduction.
M.W. Carter and C.C.Price. CRC Press, 2000.
5. Practical Management Science: Spreadsheet Modeling
and Applications, Winston, W.L., Albright S.C. y Broadie M.,
International Thomson Publishing Company, 1997.
Contenidos
Programacin Lineal
Programacin Entera
Sistemas de Espera

Programacin Lineal
Temario:
II.1. Introduccin y ejemplos de modelamiento.
II.2. Resolucin grfica de problemas.
II.3. Anlisis de Sensibilidad.
II.4. El Mtodo Simplex.
II.5. Dualidad en Programacin Lineal.
II.6. Anlisis de Sensibilidad o Post-Optimal

Programacin Lineal
II.1 Introduccin y ejemplos de modelamiento.
i) Problema de Transporte. El problema consiste
en decidir cuntas unidades trasladar desde ciertos
puntos de origen (plantas, ciudades, etc.) a ciertos
puntos de destino (centros de distribucin,
ciudades, etc..) de modo de minimizar los costos de
transporte, dada la oferta y demanda en dichos
puntos.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.

Programacin Lineal
Por ejemplo, suponga que una empresa posee dos
plantas que elaboran un determinado producto en
cantidades de 250 y 450 unidades diarias,
respectivamente. Dichas unidades deben ser
trasladadas a tres centros de distribucin con
demandas diarias de 200, 200 y 250 unidades,
respectivamente. Los costos de transporte (en
$/unidad) son:
C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1
21
25
15
Planta 2
28
13
19

Programacin Lineal
Diagrama:
C.D.1
X11
Planta 1
X12
X21
X22
C.D.2
Planta 2
X13
X23
C.D.3
Orgenes
Destinos

Programacin Lineal
Variables de decisin:
xij = Unidades transportadas desde la planta i
(i=1,2), hasta el centro de distribucin j (j=1,2,3)
Funcin Objetivo:
Minimizar el costo total de transporte dado por la
funcin:
21x11+25x12+15x13+28x21+13x22+19x23

Programacin Lineal
Restricciones del problema:
1) No Negatividad: xij 0
2) Demanda:
CD1 : x11
+x21
CD2 :
x12
+x22
CD3 :
x13
+ x23
= 200
= 200
= 250

Programacin Lineal
3) Oferta :
P1
: x11 + x12 + x13
P2
250
x21 + x22 + x23 450
Las variables de decisin deben aceptar soluciones

como nmeros reales para tener un modelo de P.L.

Programacin Lineal
ii) Problema de la dieta: este consiste en
determinar una dieta de manera eficiente, a partir
de un conjunto dado de alimentos, de modo de
satisfacer ciertos requerimientos nutricionales.
Supongamos que se tiene la siguiente informacin:
Leche Legumbre Naranjas Requerimientos
(galon) (1 porcin) (unidad)
Nutricionales
Niacina
3,2
4,9
0,8
13
Tianina
1,12
1,3
0,19
15
Vitamina C
32
93
45
Costo
0,2
0,25

Programacin Lineal
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.
Funcin Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3

Programacin Lineal
Requerimientos
considerados:
mnimos
de
los
3.2 x1 + 4.9 x2 + 0.8 x3 13

1.12 x1+ 1.3 x2 + 0.19 x3 15
32 x1+
9 x3 45
x1 0 ; x 2 0 ; x 3 0
nutrientes

Programacin Lineal
iii) Problema de dimensionamiento de lotes: este
consiste en hallar una poltica ptima de produccin
para satisfacer demandas fluctuantes en el tiempo,
de modo de minimizar costos de produccin e
inventario, considerando la disponibilidad de
diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta
150 unidades en cada uno de los 4 periodos en que
se ha subdividido el horizonte de planificacin y se
tiene adicionalmente la siguiente informacin:

Programacin Lineal
Periodos Demandas Costo Prod. Costo de Inventario
(unidades) (US$/unidad)
(US$/unidad)
1
130
80
125
2.5
195
Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).

Programacin Lineal
xt : nmero de unidades elaboradas en el periodo t.
It : nmero de unidades de inventario al final del
periodo t.
Funcin objetivo:
Consiste en minimizar los costos de produccin y el
costo de mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4

Programacin Lineal
Notar que en el ptimo I4 va a ser 0, as que incluso
podramos no incluirla, pero de todos modos la
consideramos.
1) Restricciones de cotas, que reflejan la capacidad
de produccin.
xt 150

Programacin Lineal
2) Restricciones de no negatividad
xt 0
3) Restricciones de demanda
x1 + I0 I1 = 130
Periodo 1
x2 + I1 I2 = 80
Periodo 2
x3 + I2 I3 = 125
Periodo 3
x4 + I3 I4 = 195
Periodo 4
I0=15

Programacin Lineal
iv) Problema de planificacin financiera:
Supongamos que un banco dispone de $250
millones para destinar a 4 tipo de crditos ofrecidos,
los cuales tienen las siguientes, tasas de crdito:
Primer crdito corriente
:12%
Segundo crdito corriente :16%
Crdito para el hogar
:16%
Crdito personal
:10%

Programacin Lineal
La asignacin de estos crditos, debe satisfacer la
siguiente poltica utilizada por la institucin:
El monto asignado a los PCC, debe ser al menos,
el 55% del monto asignado a los crditos
corrientes, y al menos un 25% del total del dinero
prestado.
El SCC, no puede exceder el 30% del total del
dinero prestado, por polticas tributarias el inters
recibido por el banco no debe exceder a un retorno
del 14% sobre el capital prestado.

Programacin Lineal
Cunto asignar a cada tipo de crdito, de la
manera ms eficiente, respetando la poltica del
banco?
x1 :Monto asignado al PCC.
x2 : Monto asignado SCC.
x3 : Monto asignado al crdito para el hogar.
x4 : Monto asignado al crdito personal.

Programacin Lineal
Funcin Objetivo:
Se propone maximizar los retornos recibidos en la
asignacin, dados por:
0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4

Programacin Lineal
x1 0.55 ( x1 + x2 )
x1 0.25 ( x1 + x2 +x3 + x4 )
x2 0.30 ( x1 + x2 +x3 + x4 )
(0.12x1+0.16x2+0.16x3+0.10x4 ) 0.14 ( x1+ x2 +x3 +x4 )
Adicionalmente:
x1 + x2 +x3 + x4 250

Programacin Lineal
v) Problema de mezcla de productos: en este
problema una refinera produce 4 tipos de gasolina
(gas 1, gas 2, gas 3 y gas 4). Dos caractersticas
importantes de cada gasolina son su nmero de
performance (NP) y su presin de vapor (RVP), que
estn dados por:
NP
RVP
Barriles diarios
gas 1
107
3814
gas 2
93
2666
gas 3
87
4016
gas 4
108
21
1300

Programacin Lineal
Estas gasolinas pueden ser vendidas directamente
a un precio de $2483 por barril o bien mezcladas
para obtener gasolinas de aviacin (avgas A y
avgas B). La calidad de estas dos ltimas junto con
sus precios de venta son:
NP
RV
Precio por barril (US$)
avgas A Al menos 100 A lo ms 7
26,45
Avgas B
25,91
Al menos 91
A lo ms 6

Programacin Lineal
El NP y RVP de cada mezcla es un promedio de los
respectivos NP y RVP de las gasolinas empleadas.
Se desea obtener un plan de venta de las distintas
gasolinas que maximice los retornos.

Programacin Lineal
xj : cantidad de barriles del gas j que son vendidos
sin mezclar, con j = 1, 2, 3, 4.
xA : cantidad de barriles de avgas A.
xB : cantidad de barriles de avgas B.
xjA: cantidad de gas j usado en avgas A.
xjB: cantidad de gas j usado en avgas B.

Programacin Lineal
Funcin objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones:
x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666

x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB

Programacin Lineal
NP, avgas A: 107 x 1A 93x 2 A 87 x 3 A 108 x 4 A 100
xA
NP, avgas B:
RVP, avgas A:
107 x 1B 93x 2B 87x 3B 108 x 4B

91
xB
5 x 1A 8x 2 A 4 x 3 A 21x 4 A
7
xA
RVP, avgas B: 5 x 1B 8x 2B 4 x 3B 21x 4B

7
xB

Programacin Lineal
vi) Problema de expansin de la capacidad de
un Sistema de Potencia Elctrica:
En este problema se desea planificar la
expansin de la capacidad de un sistema
elctrico para los siguientes T aos. La demanda
(estimada) para el ao t corresponde a dt MW para t
= 1, 2, ..., T. La capacidad existente del sistema
corresponde a ct MW para el ao t = 1, 2, ..., T.

Programacin Lineal
Existen 2 alternativas para la expansin de la
capacidad del sistema:
Usar plantas trmicas a petrleo.
Usar plantas trmicas a gas.
Se requiere una inversin pt por MW instalado de
una planta a petrleo que est operativa al
comienzo del ao t, y el correspondiente costo para
una planta a gas es gt.

Programacin Lineal
Por razones polticas y de seguridad, se ha
decidido que no ms del 30% de la capacidad
instalada, corresponda a plantas a gas (nuevas).
Cada planta a petrleo tiene una vida de 20 aos y
una planta a gas una vida de 15 aos.
Se desea proponer un plan de expansin al mnimo
costo posible.

Programacin Lineal
xt : cantidad de MW expandidos en planta a
petrleo al inicio del ao t, con t = 1, 2, ..., T.
yt : cantidad de MW expandidos en planta a gas al
inicio del ao t, con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas
nuevas a petrleo al inicio del ao t.
wt : cantidad total de MW disponible en plantas
nuevas a gas al inicio del ao t.

Programacin Lineal
Funcin Objetivo:
Min
p t x t gt y t
t 1
Restricciones:
c t z t w t dt
t
z t xk
k 1
zt
xk
k t 19
t 20
t 20

Programacin Lineal
t
w t yk
k 1
wt
yk
k t 14
t 15
t 15
wt
0,30
ct zt w t
x t , yt , z t , w t 0
t 1...T

Programacin Lineal
Temario:

Programacin Lineal
Consideremos el siguiente problema a resolver
grficamente:
Max
z = 3x1 + 5x2
sa:
x1 4
2x2 12
3x1 + 2x2 18
x1,x2 0

Programacin Lineal
Regin de puntos factibles
x2
Curvas de Nivel
9
x*
6
Solucin Optima
x*
4
2
x1

Programacin Lineal
En primer lugar, se debe obtener la regin de
puntos factibles en el plano, obtenida por medio de
la interseccin de todos los semi - espacios que
determinan cada una de las inecuaciones presentes
en las restricciones del problema.

Programacin Lineal
Enseguida, con el desplazamiento de las curvas de
nivel de la funcin objetivo en la direccin de
crecimiento de la funcin (que corresponde a la
direccin del vector gradiente de la funcin,
z(x1,x2) = (3,5)T), se obtiene la solucin ptima del
problema en la interseccin de las rectas: 2x2 = 12
y 3x1+2x2 = 18 (restricciones activas). Esto es:
x1* = 2
x 2* = 6
z* = 3 x1* + 5 x2* = 36

Programacin Lineal
Notar que se pueden dar otras situaciones en la
bsqueda de una solucin ptima para esta clase
de problemas:
1) La solucin ptima exista pero haya ms
de una. En el ejemplo, considere la nueva
funcin objetivo: z = 6x1+4x2.
2) El problema no tenga solucin, dada una regin
de puntos factibles no - acotada. En el ejemplo,
reemplace cada desigualdad por una .
3) El problema no tenga solucin, porque no
existen puntos factibles. En el ejemplo, suponga
que agregamos la restriccin: x1 5.

Programacin Lineal
Temario:

Programacin Lineal
II.3. Anlisis de sensibilidad.
Max
sa :
15 x 20 y
2x 2 y 8
x 2y 8
x, y 0

Programacin Lineal
A partir de la resolucin grfica del problema se
tiene:
Solucin ptima : x1*= 2 ; x2*= 2
Valor ptimo :
z = z(2,2) = 70
El anlisis de sensibilidad permite responder, entre

otras, las siguientes preguntas:

Programacin Lineal
1) Cul es el intervalo de variacin de algn
coeficiente de la funcin objetivo, de modo que la
actual solucin siga siendo la ptima?
Sea
z = c1x1+c2x2
La solucin ptima de la nueva funcin, seguir

siendo: x1*= 2 ; x2*= 2 ssi:
c1
1
1
c2
2

Programacin Lineal
Tambin podemos estudiar el intervalo de un slo
coeficiente, dejando el resto de los parmetros fijos:
Para C1:
Para C2:
c1
1
1
20
2
10 c1 20
15
1
c2
2
15 c 2 30

Programacin Lineal
2) Cul es la variacin del actual valor ptimo de
la funcin objetivo, si cambamos en una unidad
algn coeficiente del lado derecho de las
restricciones ?
Estudiaremos por separado las variaciones de cada
uno de los coeficientes del lado derecho de las
restricciones, de modo preservar la geometra del
problema, esto es, que se conserven las mismas
restricciones activas de la solucin ptima inicial.

Programacin Lineal
Primera restriccin.
La mayor variacin del coeficiente del lado derecho
se alcanza en x1 = 0 y x2 = 4, de donde se obtiene:
z(0,4) = 15 x 0 + 20 x 4 = 80 y b1* = 0 + 2 x 4 = 8
La menor variacin del coeficiente del lado derecho
se alcanza en: x1 = 4 ; x2 = 0, de donde se obtiene:
z(4,0) = 15 x 4 + 20 x 0 = 60 y b1 = 4 + 2 x 0 = 4

Programacin Lineal
De aqu, se calcula el precio sombra 1, que
indica la razn o tasa de cambio de la funcin
objetivo con respecto al cambio en una unidad del
lado derecho:
z(0,4) z(4,0) 80 60
1
5
*
b1 b1
84

Programacin Lineal
Segunda restriccin.
La mayor variacin del coeficiente del lado derecho
se alcanza en x1 = 6 y x2 = 0, de donde se obtiene:
z(0,4) = 15 x 6 + 20 x 0 = 90 y b1*= 2 x 6 + 2x0 = 12
La menor variacin del coeficiente del lado derecho
se alcanza en: x1= 0 ; x2= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b1= 2 x 0 + 2 x 3 = 6

Programacin Lineal
De aqu, se calcula el precio sombra P2, que
indica la razn o tasa de cambio de la funcin
objetivo con respecto al cambio en una unidad del
lado derecho:
z(6,0) z(0,3) 90 60
2
5
*
b2 b2
12 6

Programacin Lineal
Temario:

Programacin Lineal
En lo que sigue consideremos el siguiente
problema de programacin lineal en su forma
estndar.
Min
sa
c1x1 + c2x2 + ... + cnxn

a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
...
...
...
am1x1 + am2x2 + ... + amnxn = bm
xi 0, i = 1, 2, ..., n
mn

Programacin Lineal
Matricialmente escrito como:
Min
sa
cTx
Ax = b
x0
No existe prdida de la generalidad al suponer que

un problema viene dado en la forma estndar. En
efecto, si tuvisemos el siguiente problema:

Programacin Lineal
P)
Max
sa
9u + 2v + 5z
4u + 3v + 6z 50
u + 2v + 3z 8
2u 4v + z = 5
u,v 0
z IR
Es posible reformular de manera equivalente el

problema anterior usando que:

Programacin Lineal
1) Siempre es posible llevar un problema de
maximizacin a uno de minimizacin. Si f(x) es la
funcin objetivo a maximizar y x* es la solucin
ptima:
f(x*) f(x) , x factible
- f(x*) - f(x) ,
x factible
x* es tambin mnimo de - f(x)

Programacin Lineal
2) Cada restriccin del tipo puede ser llevada a
una ecuacin de igualdad usando una (nueva)
variable de holgura no negativa, con un coeficiente
nulo en la funcin objetivo.
3) De igual modo, cada restriccin del tipo puede
ser llevada a una ecuacin de igualdad usando una
variable de exceso no negativa.
4) Siempre es posible escribir una variable libre de
signo como la diferencia de dos variables no
negativas.

Programacin Lineal
En resumen el problema P) puede ser escrito de
manera equivalente como:
Min
sa:
- 9x1 - 2x2 - 5x3 + 5x4 + 0x5 + 0x6

4x1 + 3x2 + 6x3 - 6x4 + x5
=50
x1 + 2x2 - 3x3 + 3x4
- x6 = 8
2x1 - 4x2 + x3 - x4
= 5
xi 0,
i=1,2,3,4,5,6.

Programacin Lineal
Con
u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
La bsqueda de la solucin ptima se restringe a

encontrar un vrtice ptimo y cada vrtice del
conjunto de las restricciones del problema, llamado
regin de puntos factibles, corresponde a una
solucin bsica factible del sistema Ax = b.

Programacin Lineal
Esta solucin bsica factible, corresponde a su vez
a aquellas soluciones que resultan de resolver el
sistema para exactamente m variables, fijando las
restantes n-m en cero, llamadas respectivamente
variables bsicas y no-bsicas, que adems deben
satisfacer condiciones de no-negatividad.

Programacin Lineal
Teorema Fundamental de la Programacin Lineal:
Si un problema tiene solucin ptima, tiene una
solucin bsica factible ptima.
Dada una matriz B de m x m invertible, esta induce
una particin de las variables y parmetros del
modelo como lo muestra la siguiente diapositiva.

Programacin Lineal
n
xB
A=
x1
x
2
xn
cB
c
nm
xD
xD :variables no bsicas.
n-m
B : es llamada una matriz de base
cB :costos bsicos.
cD :costos no bsicos.
cD
xB :variables bsicas.
m
nm

Programacin Lineal
Criterio de Optimalidad:
c T x cBT x B cDD x D
cBT B 1b B
cBT B
D x B cDT x D
b cDT cDT B
valor actual
de la
funcin obj.
D xB xD
vector de
costos
reducidos.

Programacin Lineal
La ecuacin que define cada uno de los costos
reducidos es:
rj c j cBT B 1A j
Donde j es el ndice de variable no-bsica y Aj la
respectiva columna en A de esa variable.
La actual solucin bsica factible es ptima ssi
rj j, existe una variable no bsica xp con costo
reducido negativo, que entra a la nueva base.

Programacin Lineal
Para decidir quin deja la base, es necesario
calcular el mayor valor que puede tomar la variable
entrante que garantiza la factibilidad de la nueva
solucin bsica, con:
y1 0
x
20
y1 p
y
2p
B 1b
B 1A j
y se debe calcular:
xm 0
ym p
yi 0
yk 0
Min
/ yip 0 x k deja la base
ykp
yip

Programacin Lineal
Ejemplo.
Resolver el siguiente problema de P.L.
Max
sa:
40x + 60y
2x + y 70
x + y 40
x + 3y 90
x,y 0

Programacin Lineal
Se deben agregar 3 variables de holgura ( x1 , x2 , x3
var.bsicas), y llevar a forma estndar (x4 = x y x5 =
y).
Min
sa:
-40x4 60x5
x1
+ 2x4 + x5 = 70
x2
+ x4 + x5 = 40
x3 + x4 + 3x5 = 90
xi 0,
i = 1, 2, 3, 4, 5

Programacin Lineal
Tabla inicial:
x1
x2
x3 x4
x5
70
40
90
-40 -60

Programacin Lineal
Usamos como variable entrante a la base x5 (pues
r5<0).
x1 x2 x3 x4 x5
1
70
40
90
-40 -60
Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto

sale x3.

Programacin Lineal
Actualizando, queda la siguiente tabla (no ptima),
donde la variable entrante a la base es x4 (pues
r4<0).
x1 x2 x3 x4 x5
1
-1/3 5/3
40
-1/3 2/3
10
1/3 1/3
30
20
1800
-20
Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15,

por lo tanto x2 deja la base actual.

Programacin Lineal
Actualizando, queda la siguiente tabla final:
x1 x2 x3 x4 x5
1
-5/2
15
-1/3 -1/2
15
1/3
25
20
10
2100
Como todos los costos reducidos son mayores o

iguales que cero nos encontramos en la solucin
ptima.

Programacin Lineal
x1
15
x B x 4 15
x 5
25
x2
0
xD
0
x3
z* = - 40 x 15 - 60 x 25 = - 2100
En la formulacin inicial, tenemos como solucin
ptima x*=15, y *=25, con valor ptimo 2.100.

Programacin Lineal
Resumen del Mtodo Simplex:
Paso 0 : Escribir el problema de programacin
lineal en su forma estndar.
Paso 1 : Escoger una solucin bsica factible
inicial.
Paso 2 : Escoger una variable no - bsica con
costo reducido negativo que determina la variable
entrante y seguir al paso tres. Sin embargo, si todos
los costos reducidos son mayores que cero , parar,
ya que la actual solucin es la ptima.

Programacin Lineal
Paso 3 : Calcular el criterio de factibilidad que
determina que variable deja la base. Si todos los
cuocientes son negativos: problema no - acotado,
parar.
Paso 4 :Actualizar la tabla de modo de despejar el
valor de las nuevas variables bsicas, los costos
reducidos y el valor de la funcin objetivo. Volver al
Paso 2.

Programacin Lineal
No siempre es fcil obtener una solucin bsica
factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios
procedimientos como son:
Mtodo Simplex de dos fases.

Mtodo de la M grande.

Programacin Lineal
Mtodo Simplex de dos Fases.
Fase 1: Se considera un problema auxiliar que
resulta de agregar tantas variables auxiliares a las
restricciones del problema, de modo de obtener una
solucin bsica factible. Resolver por Simplex un
nuevo problema que considera como funcin
objetivo la suma de las variables auxiliares. Si el
valor ptimo es cero ir a la Fase 2. En caso
contrario, no existe solucin factible.

Programacin Lineal
Fase 2: Resolver por Simplex el problema original a
partir de la solucin bsica factible hallada en la
Fase1.
Ejemplo:
Max
sa:
2x1 + x2
10x1 + 10x2 9
10x1 + 5x2 1
x1,x2 0

Programacin Lineal
Se debe agregar una variable de holgura (x3) y una
variable de exceso (x4), y llevarlo a su forma
estndar.
Min -2x1 - x2
sa:
10x1 + 10x2 +x3
=9
10x1 + 5x2
- x4 = 1
x1,x2, x3, x4 0

Programacin Lineal
Aplicamos Simplex de dos Fases :
Fase 1:
Min
sa:
x5
10x1 + 10x2 +x3
=9
10x1 + 5x2
- x 4 + x5 = 1
x1,x2, x3, x4, x5 0

Programacin Lineal
Quedando la siguiente tabla:
donde:
x1
x2
x3 x4
x5
10
10
10
-1
x3
9
xB
1
x5
x1
xD x 2
x 4
0
0
0

Programacin Lineal
Luego se hace cero el costo reducido de la variable
x5 de la tabla anterior, y queda la siguiente tabla
inicial.
x1 x2 x3 x4 x5
10
10
10
-1
-10
-5
-1

Programacin Lineal
La variable entrante a la base es x1 ( pues r1 < 0).
x1
x2
x3 x4
x5
10
10
10
-1
-10
-5
-1
Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto

sale x5.

Programacin Lineal
Obtenindose la siguiente tabla final:
x1
x2
x3
x4
x5
-1
x1
1 / 10
xB
x
8
-1/10 1/10 1/10

0
x2
xD x 4
x 5
0
0
0

Programacin Lineal
Donde, al anterior, corresponde a la solucin ptima
del problema en la Fase 1, con valor ptimo 0. De
aqu entonces tomamos x1 y x3 como variables
bsicas.
Fase 2:
x1
x2
x3
x4
-2
-1
-1/10 1/10
0

Programacin Lineal
En la tabla hacemos 0 los costos reducidos de
variables bsicas
x1 x2 x3 x4
0
-1/10 1/10
-1/5
1/5
Luego la variable entrante a la base es x4 (pues

r4<0). Y calculando Min { 8/1, (-1/10)/(1/10) } = 8, se
tiene que sale x3.

Programacin Lineal
Quedando:
x1
x2
x3
x4
1/10
9/10
1/5
9/5
donde la solucin ptima del problema resulta ser:

x1
9 / 10
xB
8
x
x2
0
xD
0
x3

Programacin Lineal
Algunos casos especiales
1) Problema Infactible. Esta situacin se detecta
cuando el valor ptimo del problema de la Fase 1
da mayor que cero.
2) Mltiples soluciones ptimas. Esta situacin
se detecta cuando existen costos reducidos iguales
a cero en una o ms de las variables bsicas
ptimas.

Programacin Lineal
3) Problema no acotado. Esta situacin se detecta
cuando al realizar el clculo de la variable que deja
la base, todos los elementos ykj de la columna j en
la tabla, son negativos para j el ndice de una
variable no bsica con costo reducido negativo.

Programacin Lineal
Temario:

Programacin Lineal
Consideremos un ejemplo de produccin de 2
productos finales que hacen uso de tres recursos
escasos (mquinas), cuyas disponibilidades en
horas corresponden a los lados derechos de las
restricciones.
P)
Max 40x1 + 60x2
sa:
2x1+2x2 70
x1 + x2 40
x1 + 3x2 90
x1, x2 0

Programacin Lineal
La solucin ptima y el valor ptimo del problema
P) esta dada por:
x1* = 5
x2* = 25
z = v(p) = 2100

Programacin Lineal
En lo que sigue, combinaremos las distintas
restricciones del problema, ponderando por los
valores 1, 2 y 3 cada una, respectivamente, de
modo de obtener la mejor cota superior del valor
ptimo del problema P). Vale decir:
1(2x1+2x2) + 2(x1+x2) + 3(x1+3x2) 70 1 +
40 2 + 90 3

Programacin Lineal
Para garantizar que el lado derecho de esta ltima
desigualdad sea una cota superior de la funcin
objetivo se debe cumplir que :
2 1 + 2 + 3 40
2 1 + 2 + 3 3 60

Programacin Lineal
La mejor eleccin de esta cota se obtendra al
resolver:
D)
Min
70 1 + 40 2 + 90 3
sa:
2 1 + 2 + 3 40
2 1 + 2 + 3 3 60
1, 2, 3 0

Programacin Lineal
Este problema se conoce como el problema Dual
D) asociado al problema Primal P).
Tambin resulta que al formular el problema dual de
D) se obtiene el problema primal (o uno
equivalente).
Cualquiera de los dos entrega la misma informacin
y el valor ptimo alcanzado es el mismo.

Programacin Lineal
Ms generalmente, si el problema primal es:
P) Max
c jx j
j1
sa :
aijx j bi
j1
xj 0
i 1,2,..., n
j 1,2,..., m

Programacin Lineal
su dual resulta el problema:
D) Min
bi i
i 1
sa :
aij i c j
i 1
i 0
j 1,2,..., n
i 1,2,..., m

Programacin Lineal
Lo que se puede expresar en forma matricial como:
P)
Max
sa:
cTx
Ax b
x0
D)
Min
bT
sa:
AT c
0

Programacin Lineal
Si el problema primal corresponde a:
P)
Max -cTx
sa:
Ax b
x0
Su dual resulta ser:
D)
Min
sa:
-bT
AT c
0
Es decir, el dual del dual es el problema primal

Programacin Lineal
Teorema de dualidad dbil:
Si x IRn, es una solucin factible del problema
primal P) y IRm, una solucin factible del
problema dual D), entonces:
n
j1
i 1
c x c j x j bi i b T
T
En particular, si ambas soluciones son los ptimos

de sus respectivos problemas, sus valores ptimos
cumplen que :
v(P) v(D)

Programacin Lineal
Teorema de dualidad fuerte:
Si x* = (x1*, x2*, ..., xn*)T, es una solucin ptima
problema primal P), entonces el problema dual D)
tiene solucin ptima * = ( 1*, 2*, ..., m*)T que
satisface:
T
j1
i 1
v(P) c x * c j x j * bi i * b T v(D)
Adems:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.

Programacin Lineal
Ejemplo:
P)
Min 3x1 + 4x2 + 5x3
sa:
x1+ 2x2 + 3x3 5
2x1 + 2x2 + x3 6
x1, x2, x3 0
Max 5 1 + 6 2
1 + 2 2 3
2 1 + 2 2 4
3 1 + 2 5
1, 2 0
D)
sa:

Programacin Lineal
Resolvemos D) por Simplex, en su forma estndar:
1 2 3 4 5
1
-5
-6
3
3
xB 4 4

5
5
1
0
xD
0
2
Luego la variable entrante a la base es 2 (pues

r2<0). Y calculando Min { 3/2, 4/2, 5/1 } = 3/2, se
tiene que sale 3

Programacin Lineal
1 2 3 4 5
3/2
-1
5/2
-1/2
7/2
-2
2
3 / 2
xB 4 1

5
7 / 2
1
0
xD
0
3
Luego la variable entrante a la base es 1 (pues

r2<0). Y calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)}
= 1, se tiene que sale 4

Programacin Lineal
1 2 3 4 5
0
-1/2
-1
-5/2
11
1
1
x B 2 1

5
1
3
0
xD
0
4
Sol. ptima de D):

1* = 1; 2* = 1;
v(D) = 11
Sol. ptima de P):

x1* = 1; x2* = 2; x3* = 0;
v(P) = 11

Programacin Lineal
Mtodo Simplex Dual:
La idea de este mtodo consiste en resolver de
alguna manera el problema dual asociado a P) en
la tabla y variables del problema primal P), segn
veremos en su aplicacin a un problema primal
(ejercicio anterior).
Min 3x1 + 4x2 + 5x3
sa:
x1+ 2x2 + 3x3 5
2x1 + 2x2 + x3 6
x1, x2, x3 0

Programacin Lineal
Mtodo Simplex Dual:
Min
3x1 + 4x2 + 5x3 + 0x4 + 0x5
sa:
x1 + 2x2 + 3x3 - x4
5
- x5 6
2x1 + 2x2 + x3
x1, x2, x3, x4, x5 0
x1
x2
x3
x4
x5
-1
-2
-3
-5
-2
-2
-1
-6
x(-1)
x(-1)

Programacin Lineal
Mtodo Simplex Dual:
En la tabla anterior se toman dos variables de
exceso x4 y x5 , y se multiplica por un nmero
negativo con la finalidad de encontrar la matriz
identidad IRn, adems es necesaria la condicin de
que los costos reducidos de la tabla sean mayores
que cero ( lo que en este caso se cumple).

Programacin Lineal
Mtodo Simplex Dual:
En la tabla anterior se escoge, usando el lado
derecho, alguna variable con valor negativo.
Escogemos x5 , variable que dejar la base.
Enseguida , se obtiene la variable entrante
calculando:
Min { (-3/-2) , (-4/-2),(-5/-1)} = 3/2.
De donde resulta que x1 entra a la base.

Programacin Lineal
Mtodo Simplex Dual:
x1
x2
x3
x4
x5
-1
-5/2
-1/2
-2
1/2
-1/2
7/2
3/2
-9
La tabla posee an un lado derecho negativo

(costos reducidos negativos del problema dual), por
lo cual no es factible en P).

Programacin Lineal
Mtodo Simplex Dual:
x4 (=-2) deja la base, luego calculamos :
Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo
que x2 entra a la base.
x1
x2
x3 x4
x5
5/2 -1
-2
-1
-11

Programacin Lineal
Mtodo Simplex Dual:
La tabla posee lados derechos no-negativos (costos
reducidos positivos del problema dual) y tambin
los costos reducidos de las variables no bsicas x3,
x4 y x5 son no-negativos , por lo que tenemos una
solucin factible en P) que es la solucin ptima del
problema.
x1
x x2

x 3
1
2
v(P) 11

Programacin Lineal
Temario:

Programacin Lineal
1) Qu ocurre con las actuales variables bsicas
si se cambia algn coeficiente del lado derecho (b)?
Si calculamos: xB B 1b y se cumple: x B 0
Las mismas variables bsicas lo son tambin de la
nueva solucin ptima, calculada con el nuevo b .
Si lo anterior no se cumple, se puede aplicar el
Mtodo Simplex Dual.

Programacin Lineal
2) Qu ocurre con la actual solucin ptima si se
agrega una nueva variable al problema ?
Para decidir si la actual solucin bsica es ptima
para el nuevo problema, calculamos el costo
reducido de la nueva variable mediante la formula:
rk ck cBT B 1A k

Programacin Lineal
donde k es el ndice de la nueva variable y Ak su
respectiva columna en la matriz de coeficientes. Si
se cumple que rk0 se conserva la actual solucin
ptima. En caso contrario, se sigue con el Simplex.

Programacin Lineal
3) Que ocurre con la actual solucin ptima del
problema P) si se cambian los coeficientes que
definen la funcin objetivo ?
Supongamos que el vector de coeficientes en la
funcin objetivo cambia a un vector
c IR n
La actual solucin ptima tambin lo es para
P
con:
T
P)
Min c x
sa : Ax b
x0

Programacin Lineal
Siempre que los nuevos costos reducidos sean
mayores o iguales a cero (notar que tambin
cambia el valor de la funcin objetivo en la actual
solucin ptima). Es decir se debe cumplir que:
rD cD cBT B 1D 0
rj
T 1
c j cBB A j
o equivalentemente
j
En caso contrario, se aplica el Simplex a partir de la

tabla final de P) con los nuevos costos reducidos y
nuevo valor de la actual solucin bsica.

Programacin Lineal
Veamos los cambios que tienen lugar cuando slo
vara un coeficiente del vector c de la funcin obj.
a) Cambio de un coeficiente asociado a una
variable no-bsica xJ:
Se conserva la misma solucin ptima del problema
P) ssi. para esa variable xJ:
T
rj c j cBB 1A j 0

Programacin Lineal
Consideremos :
c j c j j
Por lo tanto se conserva la misma solucin ssi:
j rj
c j c j rj

Programacin Lineal
b) Cambio en un coeficiente de la funcin objetivo
asociado a una variable bsica:
En este caso para tener la misma solucin ptima,
se debe cumplir que el costo reducido de todas las
variables.a cero.
rj
T 1
c j cBB A j
c i c i i
cB cB i 1 cB iei

0

Programacin Lineal
Si el incremento es cualquiera en el siguiente
intervalo, se conserva la misma solucin ptima:
rj
rj
Max
/ yij 0 i Min
/ yij 0
yij
yij
donde rj es el costo reducido de la respectiva

variable no bsica en la actual solucin ptima y los
coeficientes yij denotan las entradas en la tabla final
del Simplex asociadas a la variable bsica xi (cuyo
costo cambia) y la respectiva variable no bsica xj

Programacin Lineal
Ejemplo:
La siguiente tabla, es la tabla final de un problema
de programacin lineal.
1,00
2,33
1,67
0,00
0,27
-0,07
1333,33
0,00 -0,03
0,03
1,00
-0,01
0,03
66,67
0,00
3,33
0,00
2,93
0,27
18666,67
6,67
Con esta tabla

sensibilidad:
realizaremos un anlisis de

Programacin Lineal
a) Variar los recursos ( lado derecho):
Las xB del problema primal no cambian como base
ptima, si los valores asociados a estas variables.
x B B 1b
y se cumple
xB 0
Para calcular estos intervalos de recursos, se

necesita la matriz inversa asociada a las variables
bsicas del tabla final.

Programacin Lineal
4 10
B
1
40
1 / 15
4 / 15
B
1
/
150
2
/
75
Intervalo recurso 1:
1 / 15 6000 b1
4 / 15
0
1 / 150 2 / 75 x
4000

20000 4 b1
0
15
15
b1 5000
10000 b1
0
150
150
b1 10000

Programacin Lineal
5000 b1 10000
1000 b1 16000
Intervalo recurso 2:
6000
1 / 15
4 / 15
1 / 150 2 / 75 x 4000 b 0

2
2500 b2 20000
1500 b2 24000

Programacin Lineal
Variable x1:
Max {0} C1 Min {((20/3)/(7/3)),((10/3)/(5/3))}
0 D1 2
10 C1* 12
Variable x4:
Mx {((20/3)/(-1/30))} D4 Min {((10/3)/(1/30))}
-200 D4 100
-60 C4* 240

Programacin Lineal
Variable x2:
C2* = C2 + 2 C2 = -20
2 - r2
C2* - 20 - ( 20/3)
C2* - 80/3
Variable x3:
C3* = C3 + 3 C3 = -18
3 - r3
C3* - 18 - ( 10/3)
C3* - 64/3

Programacin Lineal
BIBLIOGRFIA EN PROGRAMACIN LINEAL
1. Linear Programming and Network Flow, M.Bazaraa,
J.Jarvis and H.Sherali. John Wiley & Sons, Inc., New York,
Second Edition 1990.
2. Introduction to Linear Optimization, D.Bertsekas and
J.Tsitsiklis. Athena Scientific USA, 1997.
3. Linear Programming, V.Chvtal. W.H. Freeman and
Company, New York, 1983.
4. Linear Programming and Extensions, G. Dantzig.
Princeton University Press, New Jersey, tenth printing, 1993.
5. Introduccin a la Programacin Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana, 1989.
6. Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
7. Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.

Programacin Lineal
DIRECCIONES ELECTRNICAS EN PROGRAMACIN LINEAL
Preguntas de consulta frecuente en Programacin Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html
Servidor NEOS, gua de software de Programacin Lineal:

http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/linearprog.html
Servidor NEOS, ejemplo problema de la dieta:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/diet/index.html
Gua de software de Programacin Lineal en revista OR&MS Today

(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
Contenidos
Programacin Lineal
Programacin Entera
Sistemas de Espera

Programacin Entera
Temario:
III.1. Introduccin y ejemplos de modelamiento.
III.2. Resolucin de problemas de P. E.
III.3. Mtodo de Branch and Bound.

Programacin Entera
a) Problema de la mochila.
Una empresa est pensando invertir en cuatro
proyectos diferentes, cada proyecto se finaliza a lo
ms en 3 aos. Los flujos de caja requeridos en
cada ao junto con el Valor Presente Neto de cada
proyecto, concludos los aos de ejecucin, y las
disponibilidades de recursos financieros se
resumen en la siguiente tabla:

Programacin Entera
Proy 1 Proy 2 Proy 3 Proy 4 Disp. Recursos

Ao 1
10
12
30
Ao 2
15
15
Ao 3
18
16
12
V.P.N.
35
18
24
16
Interesa determinar en cules proyectos invertir de

modo de conseguir el mayor V.P.N. de la inversin.

Programacin Entera
1, si se invierte en el proyecto i
xi
0, sin o
Funcin objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4
con i 1,2,3,4

Programacin Entera
Restricciones (tres alternativas):
1) Reinvirtiendo el dinero no utilizado en un
perodo:
Ao1: 10x1 + 8x2 + 6x3 + 12x4 + s1
Ao2: 8x1 + 15x2 + 4x3
Ao3: 18x1
xi {0,1}
+ 16x3
i = 1,2,3,4
= 30
+ s2 = 15 + s1
12 + s2

Programacin Entera
2) Sin invertir el dinero no utilizado en un perodo,
pero utilizando el retorno de los proyectos
concludos:
Ao1: 10x1 + 8x2 + 6x3 + 12x4
30
Ao2: 8x1 + 15x2 + 4x3
15 + 16x4
Ao3: 18x1
12 + 18x2
xi {0,1}
+ 16x3
i = 1,2,3,4

Programacin Entera
3) Reinvirtiendo el dinero no utilizado en un perodo
y, tambin el retorno de proyectos concludos:
Ao1: 10x1+ 8x2+ 6x3+ 12x4+ s1 = 30
Ao2: 8x1+ 15x2+ 4x3
Ao3: 18x1
xi {0,1}
+ 16x3
i = 1,2,3,4
+ s2 = 15 + s1 + 16x4
12 + s2 + 18x2

Programacin Entera
Notar que el conjunto de las soluciones factibles es
finito. Esto ocurrir generalmente con los
problemas de Programacin Entera (puros). En el
ejemplo, el nmero de soluciones factibles no
supera el nmero de las soluciones binarias del
problema (variables restringidas slo a valores 0 o
1) que son 24 = 16, dado el nmero de variables
utilizadas, de hecho las soluciones factibles son
menos de 16 pues en particular xi=1 para i=1,2,3,4
no satisface las disponibilidades de capital en
cualquiera de las tres alternativas.

Programacin Entera
Supongamos que adicionalmente la inversin
efectuada requiera nuevas restricciones.
i) Se debe invertir en al menos 1 de los 3 primeros
proyectos:
x1 + x2 + x3 1
i) El proyecto 2 no puede ser tomado a menos que
el proyecto 3 si sea tomado:
x2 x3

Programacin Entera
iii) Se puede tomar el proyecto 3 o 4 pero no
ambos:
x3 + x4 1
iv) No se puede invertir en ms de dos proyectos:
x1 + x2 + x3 + x4 2

Programacin Entera
b) Cumplimiento de un subconjunto de las
restricciones de un problema.
Consideremos un problema
siguientes restricciones:
12x1 + 24x2 + 18x3 2400
15x1 + 32x2 + 12x3 1800
20x1 + 15x2 + 20x3 2000
que
posee
las

Programacin Entera
Supongamos adems, que nos basta con obtener
alguna solucion ptima que verifique el
cumplimiento de al menos 2 de las 3 restricciones
anteriores.
1, si la restriccin j se satisface
yj
0, sin o

Programacin Entera
Cada inecuacin anterior la reemplazamos por:
12x1 + 24x2 + 18x3 2400 + M1 (1- y1)
15x1 + 32x2 + 12x3 1800 + M2 (1- y2)
20x1 + 15x2 + 20x3 2000 + M3 (1- y3)
Adems, debemos agregar la restriccin que
permita que a lo ms una de las restricciones no se
cumpla:
y1 + y2 + y3 2
Mi = constante lo suf. grande

Programacin Entera
c) Inclusin de costos fijos.
Supongamos que se desea tener lotes de compra
de un producto dado, para satisfacer demandas
que fluctan en el tiempo sobre un horizonte de
planificacin dividido en T perodos.
Asumimos conocidos: una estimacin de la
demanda dt, con t = 1, 2, ..., T, los costos fijos
asociados a la compra de una unidad pt,

Programacin Entera
los costos asociados al mantenimiento de una
unidad en inventario de cada perodo ht y los
costos fijos asociados a la gestin de compra en el
perodo t, st.
Observacin: no se permite unidades de faltante.

Programacin Entera
Variables de decisin
xt:
nmero de unidades compradas en t.
It :
nivel de inventario al final del perodo t.
1, si se hace una compra en el periodo t

yt
0, sin o
con t: 1, 2, ..., T

Programacin Entera
Funcin objetivo
Min
st
t 1
y t p t x t h t It
Restricciones
xt + It-1 - It = dt
t = 1, 2, ..., T
I0 = inventario inicial
xt Mt yt
t = 1, 2, ..., T
Mt = cte. grande

Programacin Entera
d) Problema de cobertura:
Dado un nmero de regiones o zonas, en las
cuales se ha subdividido una comuna, cuidad, pas,
etc., digamos que un total de m, se desea instalar
un cierto nmero de servidores (escuelas, centros
de atencin primaria de salud, compaas de
bomberos, etc.) de entre un conjunto de n
potenciales servidores ubicados en alguna de las
zonas dadas.

Programacin Entera
Se conoce la informacin relativa a que zonas
pueden ser atendidas por cada uno de los n
potenciales servidores, es decir, se conoce la
matriz de incidencia A = (aij) donde :
1, si la zona i puede ser atendida por el servidor j
aij
0, sin o
con i 1,2,..., m
j 1,2,..., n

Programacin Entera
Se desea determinar cules son los servidores que
deben ser instalados de modo de dar cobertura a
cada zona, dados los costos de instalacin cj del
servidor j.
Variables de desicin:
1, si se instala el servidor j
xj
0, sin o

Programacin Entera
Funcin objetivo:
Min
cj xj
j1
Restricciones:Para cada zona i

n
aij x j 1
j1
Se
agrega
la
siguiente
restriccin,
si
adicionalmente, hay algn lmite en el nmero de
servidores que se pueden instalar (digamos k) :
m
xj k
j1

Programacin Entera
e) Problema de transporte y localizacin :
Si se tiene un conjunto de m clientes que
demandan di unidades de un producto
determinado. Una compaa desea satisfacer esas
demandas desde un cierto conjunto de plantas
elegidas de n potenciales lugares donde se
instalarn.

Programacin Entera
Sean cj los costos asociados a la instalacin de la
planta j , vj el costo unitario de produccin de la
planta j y tij el costo de transporte de una unidad
desde la planta j al cliente i .
Se desea decidir cules plantas abrir y el tamao
de cada una de modo de satisfacer las demandas
estimadas.

Programacin Entera
1, si se abre la planta j
yj
0, sin o
xij = el nmero de unidades elaboradas en la
planta j para satisfacer el cliente i, con j = 1,...,n y
i = 1,....,m.

Programacin Entera
Funcin objetivo:
Min
c
y
v
j j j
n
j 1
j1

x
ij
i 1
m
t ijx ij
j 1 i 1
Costo de
Costo de
Costo de
Instalacin
Produccin
Transporte

Programacin Entera
III.1. Introduccin y ejemplos de modelamiento .
Restricciones:
1) Demanda cliente i:
xij di
i 1
2) Relacionar variables de produccin con las

asociadas a la apertura de plantas (variables
binarias):
n
x ij M j y j
j 1
donde Mj es una constante grande (por ejemplo,

capacidad mxima de produccin de la planta j),
con xij 0 e yj {0,1}.

Programacin Entera
Temario:

Programacin Entera
Supongamos que tenemos el siguiente problema
de programacin lineal:
PL)
Max
cTx
s.a.
Ax=b
x0
Pero todas o una parte de las variables deben

restringir su valor a nmeros enteros, dando origen
a un problema de Programacin Entera (puro) o
de Programacin Entera- Mixta, respectivamente.

Programacin Entera
Por ejemplo:
PLE) Max
s.a.
cTx
Ax=b
x 0, xj entero
El problema PL) corresponde a la relajacin

continua del problema PLE), que resulta de
eliminar las condiciones de integralidad de las
variables de decisin en PLE).

Programacin Entera
El valor ptimo de PL) provee slo una cota
superior del valor ptimo de PLE). Notar sin
embargo, que si la solucin ptima de PL) cumple
con la integralidad de los valores requiridos,
entonces esta solucin es tambin solucin ptima
de PLE).

Programacin Entera
Ejemplo
PLE) Max
s.a.
x2
- 2x1 + 2x2 1
2x1 + x2 7
x1 0, x2 0
enteros

Programacin Entera
x2
2x1 + x2 7
- 2x1 + 2x2 1
.
.
. .
.
. .
. .
3.5
x1

Programacin Entera
Notar que en el ejemplo la solucin ptima puede
ser hallada por simple enumeracin de todas las
soluciones factibles. Aqu las soluciones ptimas
son:
x1* = 1
x2* = 1
x1* = 2
x2* = 1
Esta
alternativa
de
enumeracin
queda
naturalmente restringida a problemas muy
pequeos.

Programacin Entera
Alternativamente, podemos resolver la relajacin
continua asociada al problema PLE). Si la solucin
ptima de la relajacin continua da una solucin
entera, esa es la solucin ptima no solo del
problema lineal sino que tambin lo es del
problema lineal entero.
En el ejemplo, la solucin de la relajacin continua
es:
x1 = 3/2
x2 = 2

Programacin Entera
A partir de esta ltima solucin podemos redondear
o truncar los valores que no salieron enteros,
obteniendo respectivamente en el ejemplo:
x1 = 2
x1 = 1
x2 = 2
x2 = 2
las cuales no son soluciones factibles de PLE), de
modo que desde el punto de vista de una
resolucin numrica no es suficiente con resolver
la relajacin continua.

Programacin Entera
Todava podran resultar soluciones factibles de
PLE), pero no neceasariamente ptimas. Por
ejemplo:
PLE) Max
s.a.
f(x1, x2) = x1 + 5x2

x1 + 10x2 10
x1 1
x1 0, x2 0 enteros

Programacin Entera
Solucin ptima de PL)
x1 = 1
f(1,9/10)=5,5
x2 = 9/10
Redondeando o truncando los valores
x1 = 1 infactible
x1 = 1
x2 = 1
x2 = 0
f(1,0)=1
Pero la solucin ptima de PLE) es:

x1 = 0;
x2 = 1;
v(PLE) = 5

Programacin Entera
Temario:

Programacin Entera
Consideremos
el
siguiente
programacin entera:
PLE) Max
s.a.
21x1 + 11x2
7x2 + 4x2 13
x1 0
x2 0
x1, x2 enteros
problema
de

Programacin Entera
Consideremos inicialmente la resolucin de la
relajacin continua de PLE), que consiste en
eliminar las condiciones de integralidad.

Programacin Entera
x2
3
x2 = 3
3/2
x2 = 2
21x1+11x2=39
1
x2 = 1
13/7 sol. relajada
21x1+11x2
x1 = 1
x1
x1 = 2
7x1+4x2=13

Programacin Entera
Descripcin del mtodo Branch and Bound
(maximizacin)
Paso 0
Hacer P0), la relajacin continua de PLE)
Fijar la cota inferior del v(PLE) en -.

Programacin Entera
Paso1
Seleccionar un problema no resuelto, Pi)
Resolver Pi) como problema de programacin
lineal.
Agotar este problema, usando:
(i) que se encontr una solucin entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que
la actual cota del valor ptimo v(PLE).

Programacin Entera
Si el problema Pi) resulta agotado y da solucin
entera, mejorar el valor de la cota inferior de
v(PLE).
Si todos los problemas estn agotados, parar.
Solucin ptima de PLE), la solucin entera
asociada a la actual cota inferior de v(PLE), si
existe (si no existe entonces PLE) es infactible)
Si el problema no est agotado pasar al paso 2.

Programacin Entera
Paso 2
Seleccionar una variable xj= j, cuyo valor en la
solucin ptima de Pi) no de entero.
Eliminar la regin correspondiente a
j < j < j + 1
Crear dos nuevos problemas de programacin
lineal que incorporen a
Pi) dos restricciones
mutuamente excluyentes: xj j , xj j +1 una
en cada problema y volver al paso 1.

Programacin Entera
P0
x1 = 1
x2 = 3/2
z = 37.5
x11
P1
P11
x1 = 0
x2 = 13/4
z = 35.75
x23
x1 = 0
x2 = 3 P1211
z = 33
P2
P12
x1 = 5/7
x2 = 2
z = 37
x11
P121
P122
x24
P0) Relajacin continua

P1) Max
s.a.
infactible
x22
x21
x1 = 1
x2 = 1
z = 32
x1 = 13/7
x2 = 0
z = 39
x12
infactible
P1212
infactible
P2) Max
s.a.
-< z 39
21x1 + 11x2
7x1 + 4x2 13
x1 1
x1 0
x2 0
21 x1 + 11x2
7x1 + 4x2 13
x1 1
x2 1
x1 0
x2 0
De donde 32 z 39
Solucin ptima

Programacin Entera
BIBLIOGRFIA EN PROGRAMACIN ENTERA
1) Integer Programming, L.A.Wolsey. John Wiley & Sons,
Inc., New York, 1998.
2) Combinatorial Optimization C.H.Papadimitriou and
K.Steiglitz. Prentice Hall Inc., USA, 1982.
3) Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
4) Integer and Combinatorial Optimization, George L.
Nemhauser and Laurence A. Wolsey. John Wiley & Sons, Inc.,
New York, 1999.
5) Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.

Programacin Entera
DIRECCIONES ELECTRNICAS EN PROGRAMACIN ENTERA
Preguntas de consulta frecuente en Programacin Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html
Servidor NEOS, gua de software de Programacin Entera:

http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html
Servidor NEOS, ejemplo problema corte de rollos:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/cutting/index.html
Gua de software de Programacin Lineal en revista OR&MS Today

(INFORMS Magazine):
Contenidos
Programacin Lineal
Programacin Entera
Sistemas de Espera

Programacin No - lineal
Temario:
IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.

A esta clase de problemas de optimizacin
pertenecen todos aquellos, en los cuales la funcin
objetivo y/o las restricciones son funciones nolineales de las variables de decisin.
En particular, la programacin no-lineal provee una
manera de abordar el no cumplimiento del
supuesto de proporcionalidad de la programacin
lineal, permitiendo la programacin de economas
o deseconomas de escala y/o retornos crecientes
o decrecientes a escala.

a) Rendimientos decrecientes a escala.
Una compaa vende cuatro productos diferentes.
El retorno que provee cada producto es una
funcin de la cantidad de recursos asignados a la
promocin y venta de cada producto, segn la
siguiente tabla:
PRODUCTO
RETORNO (M$)
Producto 1
10.000 x1 0.50
Producto 2
7.500 x2 0.75
Producto 3
9.000 x3 0.60
Producto 4
15.000 x4 0.30

En este ejemplo:
xi es la cantidad de recursos asignados al producto
i, con i = 1,2,3,4.
El siguiente modelo provee una asignacin de
estos recursos, de modo de maximizar las
utilidades, considerando una inversin anual no
superior a los M$ 75.000.

Max
10.000 x10.5 + 7.500 x20.75 + 9.000 x30.6 + 15.000 x40.3
s.a:
x1 + x2 + x3 + x4 75.000
xi 0; i = 1, 2, 3, 4, 5.

b) Aproximacin y ajuste de curvas.

Supongamos que se tiene un conjunto de datos
correspondientes a una determinada funcin
y=g(x) (desconocida), digamos (x1,y1), (x2,y2), ..,
(xm,ym) y se desea aproximar g(x) por una
funcin h(x)
ym
y2
y1
x1
x2
xm

Algunas elecciones posibles:

i)
ii)
iii)
iv)
v)
vi)
h (x) = a0 + a1 x
h (x) = a0 + a1 x + a2 x2
h (x) = a0 + a1 x a2
h (x) = a0 e a1x
h (x) = a0 + a1 x + a2 e a3 x
h (x) = a0 + a1 ln(x)

Cmo elegir los coeficientes a=(a0,...,an) en la
funcin h(x) que aproxima o ajusta los datos
observados?
Se define una funcin de error: e(x,a) = g(x) h(x)
Una eleccin posible de los coeficientes ai resulta
de minimizar la suma ponderada de los errores al
cuadrado en cada uno de los datos , es decir:
Min
F(a) =
i e(x i , a)
i 1
2 =
(
y
h
(
x
))
i i
i
i 1

Que da origen a un problema de programacin nolineal sin restricciones.
Si escogemos 1 = ... = m = 1 y h(x) = a0 + a1x, el
problema corresponde a una regresin lineal.
h(x)= a0 + a1x
ym
y2
y1
x1
x2
xm

Cuya solucin resulta ser:
m y
a0 i
i1 m
i 1
m
yi x i
a1
i 1
x i2

c) Localizacin de instalaciones.
Una compaa petrolera desea construir una
refinera que recibir suministros desde tres
instalaciones portuarias, cuyas coordenadas se
muestran en la siguiente figura:
Puerto B
40
Puerto C
30
Puerto A
30
80

Si denotamos por x e y las respectivas
coordenadas de la refinera que se debe instalar,
una posible eleccin es aquella que resulta de
minimizar la cantidad total de tubera necesaria
para conectar la refinera con los puertos, dada
por:
Min f(x,y) =
( x 0 ) 2 ( y 0 )2
(x 30)2 ( y 40)2
(x 80)2 ( y 30)2

La solucin ptima calculada por el solver de Excel
es:
Puerto B
x*=30,8052225
y*= 37,8900128
Puerto C
Refinera
Puerto A

d) Optimizacin de carteras de inversin
Se desea obtener una cartera de inversiones en
base a distintos instrumentos (acciones, pagars,
bonos, etc). La cartera elegida deber reflejar un
compromiso entre los retornos de los instrumentos
elegidos y el riesgo asociado a cada uno de ellos,
de hecho es natural esperar que a mayor retorno
haya un mayor riesgo y tambin que exista cierta
correlacin entre los retornos de los distintos
instrumentos de la cartera.

A continuacin se formula un modelo para obtener
una cartera de inversin de un tomador de
decisiones con aversin al riesgo, con un vector de
retornos que tiene una distribucin normal con
media:
r = (r1, r2, ..., rn)T y
matriz de
covarianza: Q = ( ij) con i = 1, 2, ..., n y j = 1,
2, ..., n donde ii denota la varianza del retorno del
instrumento i y donde ij (i j) es la covarianza de
los retornos del instrumento i con el j.

Sea xi el porcentaje de inversin del instrumento i
en la cartera, con i = 1, 2, ..., n las variables de
decisin del modelo y sea K una constante de
aversin al riesgo.
El siguiente modelo (propuesto por Markowitz,
Premio Nobel de Economa 1991), combina ambos
elementos presentes en una decisin de esta
naturaleza:

Max
sa :
n n
i1
i1 j1
rixi K ijxix j
n
xi 1
i1
xi 0
1 1,2,..., n
Usando el servidor Neos para una cartera con tres

acciones seleccionadas del men para este
problema en el servidor y un bono, se tiene:

Selected value of K is 10.00
Risk less rate of return (monthly) is 0.00407
Name
Avg Return
(monthly, pet)
Std
Desviation
Pet of
optimal
Portfolio
Coca Cola Co
2,885
6,574
48,6
Exxon Corp
1,647
4,939
13,7
Texaco Inc
1,869
6,381
16,6
Bond
0,407
21

Optimal Portfolio Statistics
Avg Return (monthly, pet)
2,03
Std Desviation
4,02
Pet of Optimal Potrfolio
27,2
21.0%
Coca Cola
48.6%
Exxon Corp
Texaco Inc
16.7%
13.7%
Bond

Temario:
desigualdad.

IV.2. Propiedades bsicas de los prob. de prog. NL
De manera general, un problema de optimizacin
considera la resolucin de un modelo como el que
sigue:
P)
Min f(x)
s.a. x D IRn
Donde f: IRn IR es una funcin, comnmente
continua y diferenciable, y D es el dominio de
factibilidad del problema, generalmente dado por:
D = {x IRn / gi(x) = bi i=1,...,m; hr(x) dr r =1,...,l}

Decimos que x* D es un mnimo global o
solucin ptima del problema P) ssi:
f(x*) f(x) para todo x D
Por otra parte, decimos que x^ D es un mnimo
local del problema P) ssi:
f(x^) f(x) para todo x en una vecindad de x^
(x D B(x^, ))

Min
s.a:
f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
1x5
f(x)
Son mnimos locales x=1,

x+ y x*, en tanto la
solucin ptima o
minimo global es x*
x*
1
x+
x
5

f(x,y) = -4x3 + 3x - 6y

f(x,y) = x2 - 4x - 2y

Existen resultados que garantizan la existencia y
unicidad de la solucin de un problema de
programacin no lineal.
Teorema (Weiertrass). Si f es una funcin continua
y D es un conjunto no vaco cerrado y acotado de
IRn, entonces P) tiene solucin ptima.
Teorema. Si f es una funcin continua y D es un
conjunto cerrado no vaco y adems f cumple que:
lim f (x ) , entonces P) tiene solucin ptima.
|x|

Por su parte, la unicidad de la solucin ptima se
puede garantizar slo bajo ciertas condiciones muy
especiales.
De igual modo es posible garantizar si un mnimo
local es un mnimo global del problema.
Para esto se requiere saber si el problema P) es un
problema convexo, esto es si la funcin objetivo
f(x) es convexa y el conjunto D de puntos factibles
es un conjunto convexo.

Definicin. Decimos que f: IRnIR es una funcin
convexa ssi:
fx + (1-)y ) f(x) + (1-)f(y)
para todo x, y D (x y) con [0, 1]
Si la desigualdad anterior se cumple de manera
estricta, decimos que f es estrictamente convexa.

Lineal a trozos
f(y)
f(x)

Adicionalmente, se tiene el siguiente resultado
Teorema. Si f es una funcin dos veces
continuamente diferenciables, las siguientes
afirmaciones son equivalentes:
i) f es una funcin convexa
ii) f(x) f(y) + fT(y)(x-y) para dos puntos
cualesquiera x e y.
iii) La matriz hessiana de las segundas derivadas
parciales de f, denotada en lo que sigue por D2f(x),
es semi positiva definida para todo x.

Por otra parte, tambin podemos caracterizar si un
conjunto cualquiera es convexo o no, de acuerdo a
la siguiente:
Definicin. D IRn, un conjunto no vaco, es
convexo ssi x + (1-) y D, para todo x D,
y D con [0,1].
x
Es convexo
y
x
No es convexo

As por ejemplo, si h(x) es una funcin convexa el
conjunto D = { x IRn h(x) d } es convexo para
cualquier escalar real d.
Tambin es posible demostrar que la interseccin
de conjuntos convexos es un conjunto convexo. De
aqu que por ejemplo el problema
P)
Min
f(x)
s.a
hr(x) dr
r=1,2,...,l

Con f(x) y hr(x) funciones convexas para r=1,2,..,l
definen un problema convexo, pues el dominio de
factibilidad es la interseccin de los conjuntos
convexos Dr={ x IRn hr(x) dr }, para r=1,2,..,l.
Teorema. Si P) es un problema convexo y x* es un
mnimo local de P) entonces x* es un mnimo
global o solucin ptima de P), si adems, f es una
funcin estrictamente convexa x* es una solucin
ptima nica.

La principal dificultad en los problemas de
programacin no lineal es que incluyen restriciones
no lineales de igualdad como g(x) = b y el conjunto
de puntos {xIRn : g(x)=b} generalmente no es
convexo cuando g(x) es una funcin no lineal
cualquiera. Por lo tanto no todos los problemas de
programacin no lineal son convexos y esto hace
ms difcil garantizar que la solucin encontrada
por un solver sea una solucin ptima del
problema.

Como puede verse en el siguiente ejemplo, que
resolveremos grficamente, la geometra de los
problemas tambin cambia respecto de lo
observado en programacin lineal.
Consideremos el siguiente problema:
Min
(x1 - 3)2 + (x2 - 4)2
s.a.
x1 + x 2 5
x1 - x2 5/2
x1 0, x2 0


La solucin ptima x* de este problema se alcanza
el punto x1* = 2, x2* = 3 correspondiente al nico
punto de la curva de nivel que tiene el menor valor
y que intersecta la regin de puntos factibles.
Notar que la solucin ya no corresponde a un
vrtice del dominio de factibilidad del problema,
an cuando todava esta solucin se alcanza en la
frontera de dicho conjunto.

Sin embargo, esto ltimo, a diferencia de lo que
ocurre en programacin lineal, no siempre se
produce. Si por ejemplo el problema es ahora:
Min
(x1 - 2)2 + (x2 - 2)2
s.a
x1 + x2 5
x1 - x2 5/2
x1 0, x2 0

La solucin cambia a lo representado en la
siguiente figura, donde la solucin ptima se
alcanza en x1* = 2, x2* = 2, ahora perteneciente al
interior del dominio de factibilidad del problema.


Grficamente,
tambin
podemos
observar la
presencia de
divesos mnimos
locales en un
problema no
lineal.

Temario:
desigualdad.

En esta seccin consideraremos un problema
P) Min f(x)
con x IRn
A esta clase de problemas pertenece por ejemplo

el problema de aproximacin y ajuste de curvas.
Sin embargo, la principal razn para su estudio
radica en la extensin de las ideas y mtodos para
esta clase de problemas a los problemas de
optimizacin restringida.

A continuacin se resumen algunos resultados
tericos para esta clase de problemas:
Teorema (condiciones necesarias de primer

orden). Si f es una funcin continuamente
diferenciable y x+ IRn es un mnimo local de P),
entonces: f(x+) = 0.

Teorema (condiciones necesarias de segundo
orden). Si f es una funcin dos veces
continuamente diferenciable y x+ IRn es un
mnimo local de P), entonces:
f(x+) = 0 y D2 f(x+) es semi positiva definida.
Dado lo anterior, no todos los puntos x IRn que
satisfacen las propiedades mencionadas son
mnimos locales de la funcin, sin embargo existen
resultados que proveen condiciones necesarias y
suficientes para que un punto sea un mnimo local.

Teorema (condiciones necesarias y suficientes de
segundo orden). Sea f una funcin dos veces
continua diferenciable en x+ IRn . Si f(x+) = 0 y
D2f(x+) es positiva definida, entonces x+ es un
mnimo local estricto.
Teorema.
Sea
f
una
funcin
convexa
continuamente diferenciable, entonces x+ es un
mnimo global ssi f(x+) = 0.

Ejemplo. Considere la funcin:
f(x1,x2) = 3 x12 + x23 - 3/2 x22
su gradiente y matriz Hessiana corresponden a:
6x1
f (x )
2
3
x
3
x
2
2
0
6
D f (x )
0
6
x
2
2

De modo que hay dos posibles candidatos,
x+ = (0, 0)T y x* = (0, 1)T, que satisfacen las
condiciones necesarias de primer orden. Sin
embargo
0
6
D f (x )
0
6
x
2
2
slo es positiva definida en x* = (0,1), de modo que

x* es un mnimo local del problema.


La mayor parte de los algoritmos de optimizacin
para abordar esta clase de problemas pertenecen
a la clase de algoritmos generales de descenso
que reducen el clculo de un mnimo local a una
secuencia de problemas de bsqueda lineal (o
bsqueda unidimensional).

Decimos que un vector d IRn es una direccin de
descenso de la funcin f en el punto x+ ssi la
derivada direccional de f en x+ en la direccin d, es
x
negativa:
2
f(x)
d
x+
-f(x)
Z=20
Z=10
x1

Consideremos adems la funcin unidimensional
(en una variable)
g() = f(x+ + d)
donde es un escalar real llamado el tamao del
paso. Esta funcin da el valor de la funcin f
cuando uno se mueve a partir del punto x+ en la
direccin d un cierto paso .

Claramente, si g(0) = fT(x+)d < 0, es posible
escoger un paso tal que:
g() = f(x+ + d) < f(x+) = g(0)
esto es, que reduzca el valor de la funcin respecto
del valor actual en x+.

Algoritmo general de descenso
1) Considere un punto inicial x = x0. Hacer k = 0.
2) Escoger una direccin de descenso dk.
3) Realizar una bsqueda lineal que seleccione un
paso k tal que: gk( k) = f(xk + kdk) < f(xk) = gk(0)
4) Hacer xk+1 = xk + kdk.
5) Hacer un test de convergencia. Si converge
parar. En caso contrario, hacer k=k+1 y volver a 2)

En el paso 5), los criterios ms usuales de
convergencia son que se cumpla:
f(xk)
f(xk+1) - f(xk) / (1+ f(xk) )
para un cierto nmero L de valores consecutivos
de k, y donde es una tolerancia de error dada,
por ejemplo = 10-4.

Existen varios mtodos para escoger una direccin
de descenso, uno de ellos es:
Mtodo del Descenso ms Pronunciado
En este mtodo, tambin conocido como Mtodo
del Gradiente o Mtodo de Cauchy, dado la actual
aproximacin xk, la direccin de descenso se
escoge como:
dk = -f(xk)

Ejemplo.Considerar el problema:
Min (x1 2)4 + (x1 2x2)2
sa: x1
IR
x
2
que resolvemos usando el mtodo del descenso

ms pronunciado a partir del punto x10 = 0, x20 = 3


Iteracin k
xk
f(xk)
f(xk)
(0.00,3.00)
52.00
(44.00,24.00)
0.062
(2.70,1.51)
0.34
(0.73, 1.28)
0.24
(2.52,1.20)
0.09
(0.80,-0.48)
0.11
(2.43,1.25)
0.04
(0.18, 0.28)
0.31
(2.37,1.16)
0.02
(0.30,-0.20)
0.12
(2.33,1.18)
(0.08, 0.12)
0.36

Otra eleccin posible para la direccin de descenso
es la que usa el:
Mtodo de Newton
Aqu el vector dk se calcula como la solucin del
siguiente sistema de ecuaciones:
D2f(x)dk = - f(x)

Sin embargo, a pesar de ser un mtodo ms
eficiente que el anterior respecto de su rpidez de
convergencia, requiere en cada iteracin, el clculo
de las segundas derivadas parciales y la resolucin
de un sistema de ecuaciones. Adems, dk est
garantizada que es una direccin de descenso slo
si D2f(xk) es positiva definida.
Al aplicar el mtodo al ejemplo anterior se tiene:

Iteracin
k
f(xk)
f(xk)
(0.00,3.00)
52.00 (-44.00,24.00)
(0.67,0.33)
3.13
(-9.39,-0.04)
(1.11,0.56)
0.63
(-2.84,-0.04)
(1.41,0.70)
0.12
(-0.80,-0.04)
(-0.22,-0.04)
(1.61,0.80)
0.02
(-0.07, 0.00)
(1.74,0.87)
0.05
(1.83,0.91) 0.0009
(-0.0003,-0.04)

Temario:
desigualdad.

El problema que se desea abordar consiste en:
P)
Min
s.a.
f(x)
g1(x) = b1
g2(x) = b2
g m(x) = bn
mn

Definicin. Decimos que x IRn es un punto
regular de las restricciones del problema P) ssi:
gi(x) = bi
i = 1, 2, ..., m
g1(x), g2(x), ..., gm(x) son vectores l.i.

Para presentar algunos resultados tericos, que
permiten el clculo de mnimos locales, se
introdujo la definicin anterior, que se relaciona con
el cumplimiento de ciertas condiciones de
regularidad del problema.
A
continuacin,
introducimos
Lagrangiana asociada a P):
m
la
L(x, ) f ( x ) i (gi (x ) bi )
i1
funcin

donde m)T representa el vector de
los Multiplicadores de Lagrange.
Los siguientes resultados tericos establecen
ciertas propiedades que satisface un mnimo local,
las cuales muestran, en particular, que dicho punto
es un punto estacionario de la funcin
lagrangeana.

Teorema. (Condiciones necesarias de primer
orden):
Sean f(x) y g1(x),g2(x),...,gm(x) funciones
continuamente diferenciales y sea x^ un mnimo
local que adems es un punto regular de las
restricciones de P), entonces existe un vector
^ IRm, de multiplicadores de Lagrange tales que:
m
x L(x ^ , ^ ) f (x ^ ) î gi (x ^ ) 0
i 1

Teorema (Condiciones necesarias y suficientes de
segundo orden).
Sean f, g1 ,g2, ..., gm funciones dos veces
continuamente diferenciables y sea x^ IRn un punto
regular de las restricciones de P) que junto con ^
IRm, satisfacen:
^
xL(x , ) f ( x ) îgi (x ^ ) 0
y que
D2 f (x ^ )
i 1
î D2 gi (x ^ )
i1 definida entonces x^ es un
es una matriz positiva
mnimo local de P).

Ejemplo:
Min
x12 x 22
sa :
x1 x 2 4
x1
2
IR
x
2
Buscamos la solucin ptima

condiciones de optimalidad:
usando
las

f (x ) x12 x 22
;m 1
h1(x ) x1 x 2 4
f (x ) (2x1, 2x 2 )T
0 0
h1(x )
0
0
2 0
D f (x)
0
2
0 0
D h( x )
0
0

Luego las condiciones de primer orden son:
2x1 + 1 = 0
2x2 + 1 = 0
x1 + x2 - 4 = 0 ( Factibilidad)
Resolviendo el sistema: x1 = x2 = 2; 1 = -4, luego
por existencia de la solucin ptima de P) se tiene
que la solucin ptima es :
x1=2 , x2=2

De todos modos las condiciones de segundo orden
se cumplen pues:
2 0
0 0
2 0
0 2 1 0 0 0 2
es positiva definida.
m
*
*
*
f
(
x
)
h
(
x
Notar que en x* se tiene:
i i )
i1
4 T 4 1 1 T

Temario:
desigualdad.

IV.5. Prob. con rest. de igualdad y desigualdad.
Por ltimo consideramos un problema ms general
de optimizacin:
P)
Min f(x)
s.a. gi(x) = bi
i = 1, 2, ..., m
hr(x) = dr
r = 1, 2, ..., l
En este caso decimos que x^ es un punto regular

de las restricciones del problema ssi:

gi(x^) = bi
; i = 1, 2, ..., m
hr(x^) dr
; r = 1, 2, ..., l
g1(x^), g2(x^), ..., gm(x^), hj(x^) vectores l.i.

con j { r / hr(x^) = dr }

Teorema (condiciones necesarias de primer orden
de Karush-Kuhn-Tucker (KKT)).
Suponga que las funciones f, g1, ..., gm, h1, ..., hl
son continuamente diferenciables. Sea x^ un punto
regular de P) y mnimo local del problema,
entonces existen multiplicadores de lagrange:
m y l
^
f (x ) i gi (x )
i 1
r (hr (x ^ ) dr ) 0
h
(
x
r r )0
r 1
; r 1, 2, ..., l

Temario:
desigualdad.

a) Mtodo de activacin de restricciones
Este mtodo se aplica en esta descripcin a
problemas que slo poseen restricciones de
desigualdad.
La idea es que si el problema no restringido tiene
una solucin ptima que no satisface una parte de
las restricciones, se considera k restricciones como
de igualdad y se resuelve este problema restringido
hasta llegar a un conjunto de restricciones activas
cuya solucin tambin satisface las restricciones
omitidas.

Paso1: Resuelva el problema no restringido. Si el
ptimo satisface todas las restricciones parar, en
caso contrario, hacer k=1 e ir al paso 2.
Paso 2: Activar cualquiera de las k restricciones y
hallar una solucin que satisfaga las condiciones
de optimalidad KKT. Si la solucin resulta factible
para las restantes restricciones parar. Sino, active
otro conjunto de k restricciones y repita el paso. Si
se han tomado todos los conjuntos de k
restricciones sin hallar solucin factible ir al paso 3.

Paso 3: Si k = L (# total de restricciones) no existe
solucin factible. En caso contrario, hacer k= k+1 e
ir a paso 2.
Ejemplo. Consideremos el problema:

Min
(2x1 5)2 + (2x2 1)2
s.a.
x1 + 2x2 2
x1 , x2 0

El problema no restringido tiene como solucin a
x1* = 5/2 y x2* =
obtenida al resolver: f(x) = 0
Claramente, este punto no satisface la restriccin:
h1(x1,x2) = x1 + 2x2 2.

Consideramos entonces activa la restriccin lineal,
esto es resolvemos:
f(x1, x2) + h1(x1, x2) = 0
h1 (x1, x2) = 2
Cuya solucin optima es:
x1^ = 22/10 = 11/5
x2^ = -1/10
^ = -12/5 que no satisface x2 0

Continuando con el mtodo, si slo se activa x1= 0
se llega al mnimo local:
x1 = 0, x2 =
2= 0, 1= 0, 3= 0
Notar que otro mnimo local se tiene con

x1 + 2x2 2 y x2 = 0 activas, obtenindose:
x1 = 2, x2 = 0.

b) Mtodo de Frank Wolfe.
Este mtodo permite la resolucin de un problema
cuya funcin objetivo es una funcin convexa nolineal y cuyas restricciones son todas lineales. Este
mtodo reemplaza la funcin objetivo por una
secuencia de funciones lineales que la aproximan,
dando as origen a una secuencia de problemas de
programacin lineal.

Si xk es la actual aproximacin a la solucin ptima
del problema
P)
Min f(x)
s.a. Ax = b
x0
Entonces la expansin en serie de Taylor en torno
a x =xk, a saber f(x) = f(xk) + f(xk)(x xk), permite
aproximar el problema P) por el problema lineal:

Min
f(xk) + f(xk)(x xk)
s.a.
Ax = b
x0
o equivalentemente, eliminando los trminos

constantes, se puede considerar el problema:
PLk)
Min
f(xk)x
s.a.
Ax = b
x0

Si xPLk denota la solucin ptima de PLk), este
punto no necesariamente es cercano a xk de modo
que es necesario proponer un punto que resulte de
hacer una minimizacin unidimensional en el
segmento que une xk con xPLk.
Todo lo anterior se resume en el siguiente

algoritmo:

Pao 0: Escoger un punto inicial factible x0. Hacer
k = 1.
Paso 1: Evaluar c= f(xk-1)
Paso 2: Hallar la solucin ptima xPLk del siguiente
problema lineal
Min cT x
s.a. Ax = b
x0

Paso 3: Para la variable [0, 1], se define
g() = f(xk-1 + [xPLk xk-1])
Usar algn procedimiento de minimizacin
unidimensional para hallar un k que aproxime la
solucin de Min { g() / [0, 1]}

Paso 4: Hacer xk = xk-1 + k (xPLK xk-1)
Paso 5: Si se satisface el criterio de parada del
mtodo, parar. En caso contrario, hacer k = k + 1 y
volver al Paso 1.

Ejemplo.
Min
sa:
x12 5x1 + 2x22 8x2

3x1 + 2x2 6
x1, x2 0
Iteracin k
x k-1
f(x k-1)
xLPk
xk
(0, 0)
(-5, -8)
(0, 3)
(0, 2)
2/3
(0, 2)
(-5, 0)
(2, 0)
(5/6,
7/6)
5/12

BIBLIOGRFIA EN PROGRAMACIN NO LINEAL
1. Nonlinear Programming, M.Bazaraa, H.Sherali and C.Shetty.
John Wiley & Sons, Inc., New York, Second Edition 1993.
2. Nonlinear Programming, D.Bertsekas. Athena Scientific USA,
1995.
3. Numerical Methods for Unconstrained Optimization and
Nonlinear Equations, J.Dennis and R.Schnabel. SIAM Classics in
Applied Mathematics 16. SIAM Publications, Philadelphia, 1996.
4. Practical Methods of Optimization, R.Fletcher. John Wiley &
Sons, Inc., 1981.
5. Introduccin a la Programacin Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana 1989.
6. Mathematical Programming: Theory and Algorithms, M.Minoux.
John Wiley & Sons, Inc., New York, 1986
7. Optimization Software Guide, J.Mor and S.Wright, SIAM
Frontiers in Applied Mathematics 14, SIAM Publications,
Philadelphia 1993.

DIRECCIONES ELECTRNICAS EN
LINEAL
PROGRAMACIN NO
Preguntas de consulta frecuente en Programacin No Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/nonlinear-programming-faq.html
Servidor NEOS, gua de software de Programacin No Lineal :

http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/unconstropt.html
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/constropt.html
Servidor NEOS, ejemplo problema de carteras de inversin:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/port/index.html
Gua de software de Programacin No Lineal en revista OR&MS Today

(INFORMS Magazine):
Contenidos
Programacin Lineal
Programacin Entera
Sistemas de Espera

Ptrocesos Estocsticos y Cadenas de Markov
Temario:
V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.

V.1. Introduccin.
Un Proceso Estocstico se define como secuencia
de variables aleatorias {Xt} tT, donde el conjunto
de ndices T puede ser un conjunto discreto, por
ejemplo T = {0,1,2,3,...}, caso en el cual decimos
que el proceso es tiempo discreto o bien T puede
ser un intervalo, por ejemplo T= [0,), caso en el
cual decimos que el proceso es en tiempo
continuo.

V.1. Introduccin.
El proceso estocstico {Xt}
por ejemplo:
tT
puede representar
El nmero de vehculos esperando en una plaza

de peaje en el instante t.
El nmero total de llamadas recibidas solicitando
un determinado servicio hasta el instante t.
El nmero de mquinas descompuestas o en
reparacin en un determinado taller en el instante
t.

V.1. Introduccin.
El nivel de inventario de cierto producto al final del
da t.
El valor de una determinada accin en el instante
t.
Por ejemplo, la evolucin del nmero de
compradores en una tienda al ser abierta al
pblico, entre las 8:00 y 9:40 de la maana (100
minutos) puede ser representada por un proceso
estocstico y una posible realizacin de ste se
observa en la siguiente grfica:

V.1. Introduccin.
4
Nmero
de
3
compradores
en el
2
sistema
1
0
20
40
60
Tiempo (en minutos)
80
100

Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:
V.1. Introduccin.
lmite.

En primer lugar, definimos un proceso estocstico
de conteo {Nt} t0, que corresponde al nmero total
de eventos o llegada de entidades, a un sistema
dado, ocurridas hasta el instante t, el cual
satisface:
i) N0=0.
ii) Los valores de Nt estn restringidos a nmeros
enteros.

iii) Nt es un proceso no decreciente en el tiempo, es
decir si s < t entonces Ns Nt
iv) Si s < t entonces Nt Ns es el nmero total de
eventos en el intervalo (s,t]
Si por ejemplo, Nt denota el nmero total de

llamadas recibidas en una central telefnica hasta
el instante t, para todo t 0, una realizacin posible
del proceso estocstico {Nt} t0 puede ser:

Nmero
de
llamadas
Nt
5
4
3
2
1
0
Tiempo

Un proceso estocstico de conteo {Nt} t0 se dice un
proceso de Poisson ssi satisface las siguientes
propiedades:
i) Incrementos estacionarios. La probabilidad de
que ocurra exactamente k eventos en el intervalo
(s,s+h] depende slo del tiempo de duracin h y
no del instante s, es decir, si t10, t20 y h0
entonces Nt1+hNt1 y Nt2+hNt2 son v.a. con igual
distribucin.

ii) Incrementos Independientes. El nmero de
eventos que ocurren durante intervalos de tiempo
disjuntos son independientes. Es decir, si
0<t0<t1<...<tn entonces Nt0, Nt1-Nt0, ..., Ntn-Nt(n-1) son
v.a. Independientes.
iii) Propiedad de orden. Se asume que no tiene

lugar de manera simultnea la llegada u ocurrencia
de dos o ms eventos.

Existe una constante > 0 tal que para todo
t [0,[ y h > 0, se tiene:
IP(Nt+h Nt =1) = h +o(h)
IP(Nt+h - Nt 2) = o(h)
Si {Nt}t0 es un proceso de Poisson, entonces para
todo t 0, la variable aleatoria Nt es una variable
aleatoria Poisson de parmetro t, esto es

IP(Nt = k) = -et (t)k / k ; k= 0,1,2,3,...,
donde es la tasa de ocurrencia de eventos por
unidad de tiempo. De aqu entonces que
IE (Nt) = t
Var(Nt) = t

Ejemplo. Para un proceso de Poisson a tasa , se
sabe que entre 0 y t han ocurrido n eventos. Hallar
la probabilidad de que en un subintervalo de
longitud h haya ocurrido exactamente k de esos
eventos.
Sea {Nt}t0 dicho proceso, entonces

IP(Nh=k / Nt=n)
= IP(Nh=k, Nt=n) / IP(Nt=n)
= IP(Nh=k, Nt Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt-h= n - k) / IP(Nt=n)
= e-h(h)k / k e-(t-h) ((t-h))n-k / (n-k) /
e-t(t)n k/ n
h h t h
=
k t t
n k

Ejemplo.
Suponga que llegan pasajeros a un terminal de
buses de acuerdo a un proceso de Poisson {Nt}t0
a tasa =3 pas./min. En el instante t=0 acaba de
salir un bus y no deja ningn pasajero en la fila,
suponga adems que cada bus tiene una
capacidad suficiente para no dejar pasajeros
esperando en el terminal.

Sea T el tiempo que transcurre hasta la prxima
salida de un bus, este corresponde a una v.a.
uniforme en el intervalo (9 min, 11 min) y es
independiente del proceso {Nt}t0. Se desea
calcular el nmero esperado de pasajeros que
aborda cada bus.

Solucin
11
1
IE(Y n) IE(Y / T t )
dt
11 9
9
11
1
IE(Nt ) dt
2
9
1 11
3t dt
29
30

Interesa estudiar sistemas en los cuales ocurren
determinados eventos a travs del tiempo. Hemos
utilizado un proceso de Poisson {Nt}t0 para el
nmero de eventos que ocurran hasta un instante
t, asociado a este proceso tambin existen v.a.
continuas T1, T2,..., Ti, ... que indican el instante de
ocurrencia del i-simo evento y v.a. continuas
S1 = T1, S2 = T2 - T1, ... que representan el tiempo
transcurrido entre eventos sucesivos.

6
Nmero
de
eventos
Nt
5
4
3
2
1
0
T1
T2 T3
S1 S2 S3
S4
T4
T5
S5
Tiempo

Teorema. Si {Nt}t0 es un proceso de Poisson a
tasa , las v.a. S1, S2, S3, ... de los tiempos entre
eventos sucesivos, son i.i.d. con distribucin
exponencial de parmetro . Es decir, para t0
F(t) = IP (Si t) = 1 e-t
f(t) = e-t
son sus respectivas funciones de distribucin y

densidad.

Ejemplo.
Sea {Nt}t0 un proceso de Poisson a tasa , que
cuenta el nmero de veces que se ha
reemplazado una ampolleta en una lmpara
determinada. Si la primera ampolleta lleva s horas
funcionando, calcular la probabilidad de que
complete ms de s + t horas funcionando.

Denotamos por T1 la v.a. correspondiente al
tiempo transcurrido hasta que se produce el primer
reemplazo. Entonces T1 Exp(), luego
IP(T1 s t )
IP(T1 s t / T1 s)
IP(T1 s)
e ( s t )
s
e
IP(T1 t )
t
e

Lo anterior quiere decir que el funcionamiento de
la ampolleta durante las siguientes t horas no
depende de cuantas horas lleva funcionando, esta
propiedad es conocida como la falta de memoria
de la distribucin exponencial.

Ejemplo.
Suponga que en un proceso productivo se tiene
dos mquinas que trabajan en paralelo elaborando
un mismo producto. Sean Nt1 y Nt2 procesos de
Poisson independientes a tasas 1 y 2 que
cuentan el nmero de fallas hasta el instante t de
la mquina 1 y 2 respectivamente. Calcular la
probabilidad de que la mquina 2 falle por primera
vez antes de que la mquina 1 falle por primera
vez.

Sean T1 y T2 los tiempos transcurridos hasta que
se produce la primera falla en la mquina 1 y 2
respectivamente.
Entonces, T1 Exp( 1) y T2 Exp ( 2) y se pide
calcular IP(T2<T1) lo cual resulta, condicionando
por ejemplo en el valor de T1,
IP (T2<T1 ) = 2/( 1 + 2)

Condicionando el valor de T1 se tiene:
IP(T 2 T 1 ) IP(T 2 T 1 t ) 1e dt
1
IP(T 2 t ) 1e t dt
1
IP(1 e t ) 1e t dt
2
1 1 e ( ) t dt
1
1 1 /( 1 2 )
2 /( 1 2 )

Por otra parte, las variables aleatorias T1,T2,..., de
los instantes de ocurrencia de los eventos
satisfacen:
T1 = S1
Exp ()
T2 =
S1 + S2 Gamma (2,)
.
.
.
Ti = S1 + S2 + ... + Si
Gamma (n,)

Cuya funcin de distribucin corresponde a:
k
(
t
)
IP(Ti t ) 1 e t
k!
k 0
n 1

Temario:
V.1. Introduccin.
lmite.

Consideremos un ejemplo simplificado relacionado
con la propagacin de una enfermedad
contagiosa. La transmisin de la enfermedad se
produce desde un individuo infectado a uno
susceptible. Consideremos periodos semanales.
Sea p la probabilidad de que durante una semana
cualquiera un individuo infectado le transmita la
enfermedad a uno susceptible. Asuma que una
vez que una persona ha sido infectada queda
inmune, una vez que ha sido tratada.

Sea Xn el nmero de individuos susceptibles de
contagio en la poblacin, al final de la semana
n=1,2,...
pij IP(X n1 j / X n i) , como la
Se define
probabilidad de que haya j individuos susceptibles
al final de la semana n+1 dado que hay
exactamente i individuos susceptibles al final de la
semana n (i j ).
i i j
Entonces:
pij
p (1 p) j
j

Un proceso estocstico en tiempo discreto
{Xn}n=1,2,.... se denomina una Cadena de Markov en
tiempo discreto ssi satisface las siguientes
propiedades:
i) Propiedad Markoviana:
IP( X n1 j / X 0 i0 , X 1 i1 ,..., X n1 in1 , X n i)

IP(X n1 j / X n i)
Donde i0, i1, ..., in-1, i, j son posibles estados o
valores que puede tomar el proceso estocstico en
las distintas etapas.

ii) Propiedad estacionaria:
pij IP(X n1 j / X n i) , no
La probabilidad
depende de la etapa n.
Las
probabilidades
pij
son
llamadas
probabilidades de transicin en una etapa del
estado i al estado j . Suponiendo que cada etapa
n la v.a. Xn toma un nmero finito de valores
(estados), digamos 1,2,... M; estas probabilidades
definen una matriz P de probabilidades de
transicin en una etapa.

p11
p 21
p12
p 22
p1M
p 2M
P (pij )i1...M
j1...M
p
(M1)1 p (M1)2
pM1
p M2
p (M1)M
pMM

Adicionalmente,
se
supone
conocida
la
distribucin de probabilidad de la Cadena de
Markov en la etapa inicial, que denotamos segn
f0 , donde :
IP(X 0 1)
IP(X 2)
0
f0
IP(X M)

El conocimiento del proceso estocstico
{Xn}n=0,1,2,...consiste en poder determinar la
distribucin de probabilidad en cada etapa,
esto es calcular IP (Xn = j) para cada n 1 y
estado j= 1,2,.....,M.
Notar que para cada j:
IP(X n j) IP( X n j / X n1 i) IP(X n1 i)

i
pij IP(X n1 i)
i

Matricialmente esto equivale a tener:
IP(X n 1)
p11 p 21 pM1
IP(X 2)
p
p
n
12
22
M2
fn

IP(X n M)
p1M p 2M pMM
De manera recursiva se tiene entonces:
fn = PT fn-1 = (PT)n f0
IP(X n1 1)
IP(X
2
)
n 1
IP(X n1 M)

Tambin es posible obtener las probabilidades de
transicin de un estado a otro al cabo de k etapas,
que denotamos por :
pij(k ) IP(X nk j / X n i) IP(X k j / X 0 i)

Que resumidas en una matriz ( para el caso de un
nmero finito de estados).
P (k ) (pij(k ) )
Estas satisfacen las ecuaciones de Chapman y
Kolmogorov que implican: P(k) = Pk

Ejemplo 1.
Considere una tienda que mantiene un inventario
de un producto dado para satisfacer una demanda
(aleatoria). La demanda diaria D, tiene la siguiente
distribucin:
IP (D = 0) = 1/4, IP (D = 1) = 1/2,
IP (D = 2) = 1/4, IP (D >= 3) = 0
Sea Xn el nivel de inventario al inicio del da n y
suponga que la tienda tiene la poltica de
mantencin de inventario (s, S), que consiste en
que si al final del da se posee menos de s, se

hace una orden de pedido que al inicio del da
siguiente eleva las existencias al nivel S y en caso
contrario, no se pide nada. Asuma que la demanda
no satisfecha es demanda perdida y que al inicio
del horizonte de planificacin hay S unidades en
inventario con s = 1 y S = 2.
Se tiene que:
Xn {1, 2} ; n = 0, 1, 2, ...

IP(x 0 1)
0
f

1
IP(x 0 2)
pi, j IP( X n1 j / X n i)
0
; i, j {1,2}
p11 IP(D 0) 1/ 4
p12 IP(D 1) 3 / 4
p 21 IP(D 1) 1/ 2
p 22 IP(D 0) IP(D 2) 1/ 2

Entonces la matriz de probabilidades de transicin
en una etapa corresponde a:
1/ 4 3 / 4
P
1
/
2
1
/
2

Ejemplo 2.
Suponga que en el sistema de las AFP existen
solo 2; las AFP A y las AFP B. Sea N el nmero
de
personas
afiliadas
al
sistema;
la
superintendencia est preocupada de que las
cuentas individuales estn al da. Para ello ha
establecido un sistema de control basado en el
siguiente procedimiento: al final de cada mes
escoge una persona al azar de los N existentes en
el sistema.

Si la AFP a la cual pertenece la persona no tiene
su cuenta individual al da; la persona es
traspasada de inmediato a la otra AFP, en caso
contrario la deja en la AFP en la que estaba.
Suponga que la probabilidad de que un afiliado en
la AFP A tenga su cuenta al da es P1 y que esta
probabilidad para la AFP B es P2.
Se desea estudiar la movilidad de los clientes en
cada AFP en cada mes del horizonte de
planificacin.

Se tiene:
Xn: el nmero de personas en la AFP A al final del
mes n; con n = 0, 1, 2, ..., n
xn {0, 1, 2, ..., N}
Calculemos las probabilidades de transicin en
una etapa (mes)

i
pi,i1 (1 P1 ) ; 1 i N 1
N
i
(N i)
pi,i P1
P2
N
N
(N i)
pi,i1
(1 P2 )
N
pij 0 ; j i 1, i, i 1
p 0,0 P2
p 0,1 (1 P2 )
pN,N1 1 P1
pN,N P1
p 0, j 0 j 0,1
pNj 0 j N 1, N

Temario:
V.1. Introduccin.
lmite.

V.4. Clasificacin de los est. y distribucin lmite.
En esta seccin se presentan algunos resultados
que tienen relacin con la existencia y clculo de
una distribucin para la Cadena de Markov en el
largo plazo. Previamente, se enumeran algunas
definiciones que clasifican los estados de una
cadena:
i) Un estado j se dice accesible desde el estado i
ssi para algn n
pij(n) IP(X n j / X 0 i) 0

ii) Si tanto el estado i es accesible desde j como
viceversa decimos que los estados i y j se
comunican.
iii) Dos estados que se comunican estn en una
misma clase de estados.
iv) Se dice que una cadena es irreducible si hay
una sola clase de estados.

v) Un estado se dice que tiene periodo d, para el
mayor valor del entero d que cumple:
pii(n) IP(X n i / X 0 i) 0
slo para valores de n pertenecientes al conjunto
{d, 2d, 3d, ....}. Si d=1 decimos que el estado es
aperidico.

vi) Se define T(i,j) como el nmero de etapas
requeridas por el proceso para pasar de estado i al
estado j por primera vez. De igual modo se define:
Fk (i, j) IP(T (i, j) k )

es decir :
Fk (i, j) IP(X k j, X k 1 j,..., X 1 j / X 0 i)

como la probabilidad de que comenzando en i,
ocurra la primera transicin al estado j al cabo de
exactamente k etapas.

Puede probarse por induccin, la siguiente formula:
F1 (i, j) pij
Fk (i, j)
pim Fk 1(m, j),
m j
k1
vii) En particular, se denota por Fk(i,i) la

probabilidad de que el proceso retorne al estado i
por primera vez al cabo de k etapas. De modo que:
F(i, i)
Fk (i, i)
k 1

que es la probabilidad que partiendo en i , el
proceso regrese al estado i alguna vez.
viii) Un estado se dice recurrente ssi F(i,i) = 1
ix) Un estado se dice transciente ssi F(i,i)< 1
IE
(
T
(
i
,
i
))
k 1k Fk (i, i) , el valor esperado

x) Sea
de el nmero de etapas que le toma al proceso
volver al estado i por primera vez, partiendo del
estado i.

Un estado se dice recurrente positivo ssi:
F(i, i) 1 y
IE(T (i, i))
Un estado se dice recurrente nulo ssi :
F(i, i) 1 y
IE(T (i, i))

Ejemplo
0
1/ 2 1/ 2
p 0 1/ 3 2 / 3
1/ 3 1/ 3 1/ 3
Define una cadena

de estados irreducible
con estados recurrente
positivos peridicos
0
1 1/ 2
p 1/ 2 1/ 6 1/ 3
1/ 5 3 / 5 1/ 5
Posee dos clases

de estados y uno de
los estados es
transciente.

0
1/ 2
p
0
1
1 0
0 1/ 2
0 0
0 0
0
0
1
0
Es una cadena
irreducible, de
estados recurrentes
positivos y todos
sus estados son
peridicos de
periodo d=2.

Si la distribucin de probabilidad del proceso en el
largo plazo existe y es independiente de la
distribucin inicial (o del estado inicial), decimos
que el proceso tiene una distribucin estacionaria
1 2 M T
j lim IP(X n j) lim pij(n)

n

Proposicin.
Sea {Xn}n=0,1,2 una cadena de Markov irreducible
con estados recurrentes positivos aperidicos,
entonces existe una distribucin estacionaria , tal
que > 0 y que se obtiene como la solucin nica
del sistema:
PT
j 1
j
j 0

Ejemplo. Se desea calcular las probabilidades
estacionaria j, que tambin representan la
fraccin del tiempo que el sistema esta en el
estado j en el largo plazo
1/2
1/2
0
1/ 2 1/ 2
p 0 1/ 3 2 / 3
1/ 3 1/ 3 1/ 3
1
1/3
1/3
P
1 2 3 1
2/3
3
1/3
1/3

Sistema que
ecuaciones:
(1)
(2)
(3)
(4)
corresponde
las
1
1
1 3
2
3
1
1
1
2 1 2 3
2
3
3
2
1
3 2 3
3
3
1 2 3 1
siguientes

de
de
2
(1) 1 3
3
(2) 2 3
2
as
3 3 3 1
3
1
3
Solucin 1
2 3
4
8

Ejemplo:
Una compaa esta considerando emplear cadenas
de markov para analizar los cambios en las
preferencias de los usuarios por tres marcas
distintas de un determinado producto. El estudio ha
arrojado la siguiente estimacin de la matriz de
probabilidades de cambiarse de una marca a otra
cada mes:
1
2
3
1
0.8
0.1
0.1
0.03
0.95
0.02
0.2
0.05
0.75

En la actualidad los porcentajes de mercado son
45%, 25% y 30%, respectivamente.
Cuales sern los porcentajes de mercado de cada
marca en dos meses ms?
xn{1,2,3}: marca que adquiere un cliente
cualquiera en el mes n=0,1,2,3,...
IP(X 0 1) 0.45
f 0 IP(X 0 2) 0.25
IP(X 0 3) 0.30
0.1
0.1
0 .8
P 0.03 0.95 0.02
0.2 0.05 0.75

Al trmino del mes siguiente:
IP(X 1 1) 0.4275
f 1 P T f 0 IP(X 1 2) 0.2975
IP(X 1 3) 0.2750
Y dos meses despus:
IP(X 2 1) 0.4059
f 2 P T f 1 IP(X 2 2) 0.3391
IP(X 2 3) 0.2550

De aqu las cuotas de mercado en dos meses a
cambiado de un 45% a un 40.59%; de un 25% a un
33.91% y de un 30% a un 25.50%, para las marcas
1,2 y 3 respectivamente.
Cul es la cuota de mercado en el largo plazo
para cada una de las marcas?
La cadena resultante es irreducible con estados
recurrentes positivos y aperidicos . Denotando por
=( 1, 2, 3)T, las probabilidades estacionarias de
largo plazo, las cuales satisfacen:

=PT
i = 1 ; i = 1,2,3.
1=0.8 1+ 0.03 2+0.20 3
2=0.10 1+ 0.95 2+0.05 3
3=0.10 1+ 0.02 2+0.75 3
1 + 2+ 3 =1
Cuya solucin resulta:
1= 0.2373 2= 0.6184
3= 0.1443

De aqu que la cuotas de mercado en el largo plazo
resultan ser 23.73%, 61.84% y 14.43% para las
marcas 1,2 y 3 respectivamente.
Notar
que
las
actuales
cuotas
difieren
significativamente de las cuotas obtenidas en el
largo plazo lo cual puede implicar que de alguna
manera deban ser corregidas las probabilidades de
transicin.

Temario:
V.1. Introduccin.
lmite.

Se desea estudiar el comportamiento de sistemas

que dependen en forma continua del tiempo:
Xt: nmero de ambulancias disponibles en el
instante t.
Xt: nmero de personas esperando ser atendidas
en el banco o en el supermercado en el instante t.
Xt:
nmero
de
mquinas
funcionando
correctamente en un taller en el instante t.

Propiedad Markoviana:
IP(X t s j / X u X(u), 0 u t, X t i)
IP(X t s j / X t i)
Propiedad Estacionaria
IP(X t s j / X t i) , no depende de t, slo de s.

Una realizacin posible del proceso estocstico es:
4
3
Xt
2
1

Cmo representar el proceso?
- Se necesitan las probabilidades de que ocurra un
salto de un estado a otro.
- La distribucin de los tiempos de permanencia en
un estado.
Se necesita explicitar:
i) Probabilidades de transicin pij (asumiendo pii=0)
ii) Tasas vi de los tiempos exponenciales Ti de
permanencia en el estado i.

Distribucin de Xt :
pij (t ) IP(X t j / X 0 i)
Estas probabilidades satisfacen:
d
pij (t ) pik (t )vkpkj v jpij ( t )
dt
k j
Si existe una distribucin estacionaria:
j lim pij (t )
t

La ecuacin diferencial anterior provee el siguiente
sistema de ecuaciones para las probabilidades
estacionarias (de existir):
k vkpkj v j j ; j 1,2,...
j 1
k j
O equivalentemente el sistema:
v j j
k vkpkj ; j 1,2,...
k j
j 1
j

Ejemplo :
En el puerto de Valparaso existen N trenes
encargados de traer cargas de contenedores
desde los buques hasta una unidad de descarga.
En esta unidad existen c gras ( c < N) para
descargar los trenes. El tiempo que le toma a una
gra descargar un tren es exponencial a tasa . Un
tren deja la unidad de descarga cuando la gra
termina de atenderlo y vuelve con una nueva carga
despus de un tiempo exponencial de tasa .
Formular un modelo que nos permita obtener en el
largo plazo :

- Nmero medio de trenes esperando ser atendidos
en la cuidad de descarga
- Nmero medio de gras que se encuentran
atendiendo trenes
Fraccin del tiempo en que hay al menos una
grya desocupada
Xt : El nmero de trenes que estn en la unidad de
descarga
(Xt {0,1,2,...,N})
Si existen 0 j c trenes en la unidad de descarga
vj= j + (N j)

Es decir, el tiempo que transcurre con j trenes en la
unidad de descarga es una v.a. Exponencial
correspondiente al mnimo entre los tiempos que
transcurren hasta que se descarga completamente
un tren de los j existentes en dicha unidad y los
tiempos que transcurren hasta que retorna uno de
N j trenes que vuelve con carga.

Adems, las nicas posibles transiciones son:
pj,j-1= j / (j + (N j ) )
j>0
pj,j+1=( N- j ) / (j + (N j ) )
Esto es, las probabilidades que se termine de
descargar un tren antes de que vuelva uno con
carga y viceversa.

Anlogamente si c < j N
resultan:
estos parmetros
vj= c + (N j)
pj,j-1= c / (c + (N j ) )
pj,j+1=( N - j ) / (c + (N j ) )
(jN)

En este caso las ecuaciones que determinan las
probabilidades estacionarias : j lim pij ( t )
t
Resultan ser las siguientes:

N 0
[ + ( N 1 )]
...
[c + ( N c ) ] C
...
[c + ] N-1
=
= N 0
1
+ 2 2
= (N ( c 1)) c-1 + c C+1

= 2 N-2
+ c N

c N = N-1
1+ 1+...+ N = 1
As, el nmero de trenes esperando ser atendidos
en la unidad de descarga es :
N
(n c) n
n c
El nmero promedio de gras atendiendo trenes

c
n 1
n c 1
n n c n

Y la fraccin de tiempo en que hay al menos una
gra desocupada es :
c 1
n 0

Programacin Lineal
BIBLIOGRFIA EN MODELOS PROBABILSTICOS
1. Introduction to Probability Models, Ross, S.M. Academic
Press, New York, 1980.
2. Applied Probabability Models with Optimization
Applications, Ross, S.M. Dover Publications, Inc. New York,
1992.
3. Modelos Estocsticos para la Gestin de Sistemas,
Gazmuri, P. Ediciones Universidad Catlica, Santiago, 1995.
4. Simulation Modeling and Analysis, Law, A.M. Kelton,
W.D. Mc.Graw Hill, New York, Third Edition, 2000.

Sistemas de Espera
DIRECCIONES ELECTRNICAS EN MODELOS PROBABILSTICOS
Seccin de simulacin en INFORMS:
http://www.informs-cs.org/
Simulation Education Homepage: :
http://www.acs.ilstu.edu/faculty/wjyurci/nsfteachsim/indexnew.html

Investigacion Operaciones

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

Investigacion Operaciones

Uploaded by

Copyright:

Available Formats

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

4 sillas, que reportan una utilidad de U$60

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

El ejemplo corresponde a un modelo de

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

: x11 + x12 + x13

x21 + x22 + x23 450

Las variables de decisin deben aceptar soluciones

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

3.2 x1 + 4.9 x2 + 0.8 x3 13

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Primer crdito corriente

Segundo crdito corriente :16%

Crdito para el hogar

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones

II. Modelos de Programacin Matemtica

Gestin de Investigacin de Operaciones