Notas Inv Op II

i
ii
Indice general
1. Modelos de redes 1
1.1. Algoritmos de optimizacion en redes . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Introduccion y conceptos basicos . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Arbol de mnima expansion . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3. Algoritmo de flujo maximo . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.4. Algoritmo de Dijkstra (ruta mas corta) . . . . . . . . . . . . . . . . 15
1.1.5. Algoritmo de Floyd (ruta mas corta) . . . . . . . . . . . . . . . . . . 15
1.2. Redes y algoritmos para la administracion de proyectos . . . . . . . . . . . 15
1.2.1. Construccion de la red . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2. Algoritmo de la ruta crtica (CPM) . . . . . . . . . . . . . . . . . . . 15
1.2.3. Diagramas de Gant . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.4. Analisis de la ruta crtica con PERT . . . . . . . . . . . . . . . . . . 15
1.2.5. Optimizacion en la reduccion de la duracion del proyecto . . . . . . 15
2. Teora de decisiones 17
2.1. Teora de juegos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1. Formulacion de juegos de dos personas y suma cero . . . . . . . . . . 17
2.1.2. Estrategia dominada . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.3. Criterio minimax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.4. Juegos con estrategia mixta . . . . . . . . . . . . . . . . . . . . . . . 20
2.2. Analisis de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1. Toma de decisiones sin experimentacion . . . . . . . . . . . . . . . . 21
2.2.2. Toma de decisiones con experimentacion . . . . . . . . . . . . . . . . 24
2.2.3. Arboles de decision . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1. Procesos estocasticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.2. Procesos de estados discreto . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.4. Ecuaciones de Chapman-Kolmogorov . . . . . . . . . . . . . . . . . . 34
2.3.5. Propiedades a largo plazo de las cadenas de Markov . . . . . . . . . 34
Bibliografa 35
iii
INDICE GENERAL
iv
Captulo 1
Modelos de redes
1.1. Algoritmos de optimizacion en redes

1.1.1. Introduccion y conceptos basicos
1.1.2. Arbol de mnima expansion
1.1.3. Algoritmo de flujo maximo
En una empresa, los empleados necesitan que el flujo de datos a traves de la red au-
mente, debido a que ahora realizan videollamadas con otras empresas para cerrar tratos
de negocios, capacitan a su personal utilizando video tutoriales almacenados en la nu-
be, permiten que sus empleados trabajen en un ambiente confortable al escuchar musica
utilizando un servicio como el que proporciona Spotify. Para resolver el problema ante-
rior, es necesario determinar la cantidad maxima de datos que fluyen a traves de la red
empresarial. Este tipo de problema se conoce como problema de flujo maximo
En terminos generales, el problema de flujo maximo se puede describir de la siguiente
manera [3].
1. Todo flujo a traves de una red conexa dirigida se origina en un nodo, llamado origen,
y termina en otro nodo llamado destino.
2. Los nodos restantes son nodos de trasbordo.
3. Se permite el flujo a traves de un arco solo en la direccion indicada por la flecha,
donde la cantidad maxima de flujo esta dada por la capacidad del arco. En el origen,
todos los arcos senalan hacia afuera. En el destino, todos senalan hacia el nodo.
4. El objetivo es maximizar la cantidad total de flujo del origen al destino. Esta cantidad
se mide en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale
del origen o la que entra al destino.
En otras palabras, este algoritmo se basa en encontrar rutas que permitan llevar un
flujo positivo desde el nodo origen hasta un nodo destino; a estas se les llama rutas de
avance. Cada ruta destina al flujo total de la red, una parte o toda la capacidad de cada
arco por el que pasa la ruta. Finalmente, la suma de las capacidades de cada una de las
rutas encontradas, constituyen el flujo maximo de la red.
Considere una red de oleoductos que transporta petroleo crudo desde pozos hasta re-
fineras. Se instalan estaciones intermedias de reforzamiento y bombeo a distancias apro-
piadas para mover el crudo en la red. Cada segmento de tubera tiene una velocidad de
1
1. MODELOS DE REDES
descarga finita (o capacidad) de flujo de crudo. Un segmento de tubera puede ser uni-
direccional o bidireccional, segun su diseno [4]. En la Fig. 1.1, se muestra una red que
conecta pozos petroleros con las refineras utilizando estaciones de redistribucion interme-
dias. En esta red, las flechas indican la direccion del flujo y los arcos que no tienen flecha
son bidireccionales.
7
1 4
3 6 8 Destino
Origen
2 5
9
Estaciones de
Pozos Refineras
redistribucin
Figura 1.1: Red que conecta pozos petroleros y refineas por medio de estaciones de redistribucion.
La solucion del problema propuesto requiere agregar un solo origen y un solo destino,
utilizando arcos de capacidad infinita unidireccionales, como se muestra en la Fig. 1.1.
Para el arco (i, j), la notacion (C ij , C ji )
proporciona las capacidades de flujo inicia-
les en las dos direcciones i j y j i.
Para eliminar la ambiguedad, colocamos a
C ij junto al nodo i y a C ji junto al nodo
j, como se muestra en la Fig. 1.2.
El objetivo de este algoritmo es encon-
trar todas las rutas de avance, es decir,
rutas que lleven cierto flujo del origen al
destino, con el fin de obtener la capacidad Figura 1.2: Flujos de arcos Cij de i j y Cji de j i.
maxima de la red sumando las capacidades
de cada ruta de avance encontrada.
En primera instancia, es necesario identificar las capacidades de diseno para cada nodo
en la red inicial. Para un arco (i, j) su capacidad de diseno bidireccional es (C ij , C ji ).
Debido a que no siempre se utiliza la capacidad maxima en cada arco para llevar un flujo,
las capacidades residuales se actualizan en cada arco. Se utiliza la notacion (cij , cji ) para
representar las capacidades residuales de cada arco (i, j).
En la construccion de una ruta de avance se etiquetan los nodos. Para un nodo j que
recibe flujo del nodo i, anexamos la etiqueta [aj , i] donde aj es el flujo del nodo i al nodo
j. A continuacion se describen los pasos del algoritmo de flujo maximo.
Paso 1. a) Para todos los arcos, iguale la capacidad residual a la capacidad de diseno, esto
es (cij , cji ) = (C ij , C ji ).
b) Hacer a1 = y etiquetar el nodo origen con [, ].
c) Designe i = 1, y continue con el paso 2. El nodo i representa al nodo actual.
Paso 2. a) Determine Si el conjunto de nodos no etiquetados j al que se puede llegar
directamente desde i por medio de arcos con capacidades residuales positivas
(es decir cij > 0 para todas las j Si ).
2
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
b) Si Si 6= , continue con el paso 3. De lo contrario, una ruta parcial termina en

el nodo i. Continue con el paso 4
Paso 3. a) Determine k Si de modo que
cik = max {cij }

jSi
b) Designe ak = cik y etiquete el nodo k con [ak , i].

c) Si k = n, se ha etiquetado al nodo destino, y se ha encontrado una ruta de
avance, continue con el paso 5. De lo contrario, designe i = k, y vaya al paso
2.
Paso 4. (Retroceso).
a) Si i = 1 (el conjunto S1 = ), no es posible avanzar; continue al paso 6. De lo

contrario: Defina r, el nodo (en la ruta parcial) que se etiqueto inmediatamente
antes del nodo actual i, y elimine i del conjunto de nodos adyacentes al nodo
r, es decir, haga Sr = Sr {i}.
b) Designe i = r, y regrese al paso 2.
Paso 5. (Determinacion de las capacidades residuales).
a) Defina los nodos de la ruta de avance pesima del nodo 1 al nodo n como
Np = (1, k1 , k2 , , n). Entonces el flujo maximo a lo largo de la ruta Np ,
representado por la mnima de todas las capacidades residuales a lo largo de la
ruta Np , y se calcula como
fp = min {a1 , ak1 , ak2 , , an }
b) Actualizar las capacidades residuales de la ruta Np reduciendo en fp la capa-

cidad en la direccion del flujo e incrementando en fp en la direccion inversa,
es decir, para los nodos i y j en la ruta, la capacidad residual actual (cij , cji )
cambia a:
1) (cij fp , cji + fp ) si el flujo es de i a j
2) (cij + fp , cji fp ) si el flujo es de j a i
c) Se eliminan las etiquetas de los nodos y se restauran todos los nodos eliminados
en el paso 4.
d ) Haga i = 1 y regrese al paso 2.
Paso 6. a) Como fueron determinadas m rutas de avance, el flujo maximo en la red esta
determinado por la suma de los flujos de cada ruta de avance fp , es decir:
F = f1 + f2 + + fm
b) Finalmente se calculan los flujos optimos en cada arco, los cuales indican la
cantidad de flujo que realmente fluye a traves de cada arco y la direccion en la
que fluye. Los flujos optimos se calculan utilizando las capacidades de diseno
(C ij , C ji ) (iniciales) y las capacidades residuales(cij , cji ) finales del arco (i, j).
3
1. MODELOS DE REDES
El flujo optimo para el arco (i, j) se determina calculando
(, ) = (C ij cij , C ji cji )
Si < 0, el flujo optimo es en direccion i j. Por otra parte si > 0,

el flujo optimo es en direccion de j i. Es imposible que y sean
positivos al mismo tiempo.
Ejemplo 1.1 Determine el flujo maximo y los flujos optimos para la red que se muestra
en la Fig. 1.3.
0 4 20
5
10 0
1 30 0 5
20
0
10
30 0
0 20
2 40 3
0
Figura 1.3: Red de flujo.
Solucion.
Iteracion 1. Iguale las capacidades residuales iniciales (cij , cji ) a las capacidades de diseno (C ij , C ji ).
0 4 20
[ ,-]
10 0 [20,3]
1 30 0 5
20
0
10
30 0
0 20
2 40
3
0
[30,1]
Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

Paso 2. S1 = {2, 3, 4} (6= ).
Paso 3. k = 3, porque c13 = max {c12 , c13 , c14 } = max {20, 30, 10}. Establezca a3 =
c13 = 30 y etiquete el nodo 3 con [30, 1]. Establezca i = 3 y repita el paso 2.
Paso 2. S3 = {4, 5}
Paso 3. k = 5, y a5 = c35 = max {10, 20}. Etiquete el nodo 5 con [20, 3]. Establezca
i = 5. Como i = 5, se ha encontrado una ruta de avance. Continue con el paso
5.
4
Paso 5. La ruta de avance se determina a partir de las etiquetas iniciando en el nodo

5 y regresando al nodo 1; es decir, (5) [20, 3] (3) [30, 1] (1).
De este modo, N1 = [1, 3, 5] y f1 = min {a1 , a3 , a5 } = {, 30, 20} = 20. Las
capacidades residuales a lo largo de la ruta N1 son:
(c13 , c31 ) = (30 20, 0 + 20) = (10, 20)

(c35 , c53 ) = (20 20, 0 + 20) = (0, 20)
Iteracion 2 .
[10,3]
0 4 20
[ ,-]
10 0
[20,4]
1 10 0 5
20
20
10
30 20
0 0
2 40
3
0
[20,1] [40,2]

Paso 2. S1 = {2, 3, 4}.
Paso 3. k = 2, y a2 = c12 = max {20, 10, 10}. Etiquete el nodo 2 con [20, 1]. Establezca
i = 2 y repita el paso 2.
Paso 2. S2 = {3, 5}.
Paso 3. k = 3, y a3 = c23 = 40. Etiquete el nodo 3 con [40, 2]. Establezca i = 3 y repita
el paso 2.
Paso 2. S3 = {4}.
el paso 2.
Paso 2. S4 = {5}. (Debido a que los nodos 1 y 3 ya estan etiquetados, no se incluyen
en S4 ).
Paso 3. k = 5, y a5 = c45 = 20. Etiquete el nodo 5 con [20, 4]. Se ha encontrado una
ruta de avance. Continue con el paso 5.
Paso 5. N2 = [1, 2, 3, 4, 5] y f2 = min {, 20, 40, 10, 20} = 10. Las capacidades residua-
les a lo largo de la ruta N2 son:
(c12 , c21 ) = (20 10, 0 + 10) = (10, 10)

(c23 , c32 ) = (40 10, 0 + 10) = (30, 10)
(c34 , c43 ) = (10 10, 5 + 10) = (0, 15)
(c45 , c54 ) = (20 10, 0 + 10) = (10, 10)
5
1. MODELOS DE REDES
Iteracion 3 .
0 4 10
15
[ ,-]
10 10
[30,2]
1 10 0 5
10
20
0
30 20
10 0
2 30
3
10
[10,1] [30,2]
Paso 2. S1 = {2, 3, 4}.
Paso 3. k = 2 y a2 = c12 = max {10, 10, 10} y etiquete el nodo 2 con [10, 1]. Establezca
i = 2 y repita el paso 2.
Paso 2. S2 = {3, 5}.
Paso 3. k = 3 y a3 = c23 = 30 y etiquete el nodo 3 con [30, 2]. Establezca i = 3 y repita

el paso 2.
Paso 2. S3 = . Vaya al paso 4.
Paso 4. Retroceso. La etiqueta [30, 2] en el nodo 3, proporciona el nodo inmediatamente

anterior r = 2. Elimine el nodo 3 tachandolo para no considerarlo en esta
iteracion. Establezca i = r = 2, y repita el paso 2.
Paso 2. S2 = {5}.
Paso 5. N3 = [1, 2, 5] y f3 = min {, 10, 30} = 10. Las capacidades residuales a lo largo
de la ruta N3 son:
(c12 , c21 ) = (10 10, 10 + 10) = (0, 20)

(c25 , c52 ) = (30 10, 0 + 10) = (20, 10)
Iteracion 4 .
6
0 4 10
15
[ ,-] 10 10
[20,2]
1 10 10 5
0
20
0
20 20
20 0
2 30
3
10
[10,3] [10,1]

Paso 2. S1 = {3, 4}.
el paso 2.
Paso 2. S3 = {2}.
el paso 2.
Paso 2. S2 = {5}.
Paso 5. N4 = [1, 3, 2, 5] y f4 = min {, 10, 10, 20} = 10. Las capacidades residuales a
lo largo de la ruta N4 son:
(c13 , c31 ) = (10 10, 20 + 10) = (0, 30)

(c32 , c23 ) = (10 10, 30 + 10) = (0, 40)
(c25 , c52 ) = (20 10, 10 + 10) = (10, 20)
Iteracion 5 .
[10,1]
0 4 10
15
[ ,-]
10 10
[10,4]
1 0 20 5
0
20
0
10 30
20 0
2 40
3
0 [15,4]
7
1. MODELOS DE REDES
Paso 2. S1 = {4}.
el paso 2.
Paso 2. S4 = {3, 5}.
el paso 2.
Paso 2. S3 = . Vaya al paso 4.
Paso 4. Retroceso. La etiqueta [15, 4] en el nodo 3, proporciona el nodo inmediatamente
anterior r = 4. Elimine el nodo 3 tachandolo para no considerarlo en esta
iteracion. Establezca i = r = 4, y repita el paso 2.
Paso 2. S4 = {5}.
Paso 5. N5 = [1, 4, 5] y f5 = min {, 10, 10} = 10. Las capacidades residuales a lo largo
de la ruta N5 son:
(c14 , c41 ) = (10 10, 0 + 10) = (0, 10)

(c45 , c54 ) = (10 10, 10 + 10) = (0, 20)
Iteracion 6 .
10 4 0
15
0 20
1 0 20 5
0
20
0
10 30
20 0
2 40
3
0

Paso 2. S1 = ). Como no se puede ir a otro nodo desde el origen, no es posible
encontrar otra ruta de avance. Continue con el paso 6.
Paso 6. El flujo maximo en la red es F = f1 +f2 +f3 +f4 +f5 = 20+10+10+10+10 = 60
unidades. El flujo optimo en los arcos individuales se calcula restando las cacida-
des residuales en la red de la iteracion 6 (cij , cji ) de las capacidades residuales de
la red inicial o capacidades de diseno (C ij , C ji ), como se muestra en la siguiente
8
Arco (C ij , C ji ) (cij , cji )6 Cantidad de flujo Direccion

(1, 2) (20, 0) (0, 20) = (20, 20) 20 12
(1, 3) (30, 0) (0, 30) = (30, 30) 30 13
(1, 4) (10, 0) (0, 10) = (10, 10) 10 14
(2, 3) (40, 0) (40, 0) = (0, 0) 0
tabla.
(2, 5) (30, 0) (10, 20) = (20, 20) 20 25
(3, 4) (10, 5) (0, 15) = (10, 10) 10 34
(3, 5) (20, 0) (0, 20) = (20, 20) 20 35
(4, 3) (5, 10) (15, 0) = (10, 10) 10 34
(4, 5) (20, 0) (0, 20) = (20, 20) 20 45
Ejemplo 1.2 (Flujo de aerolnea maximo) Las aerolneas Fly-by-Night deben deter-
mninar cuantos vuelos de conexion diarios se pueden concretar entre Juneau, Alaska y
Dallas, Texas. Los vuelos de conexion deben deternerse en Seattle y despues parar en Los
Angeles o Denver. Debido al espacio de aterrizaje limitado, Fly-by-Night esta limitado a
hacer el numero de vuelos diarios entre los pares de ciudades que se muestran en la si-
guiente tabla. Establezca un problema de flujo cuya solucion le permita saber a la aerolnea
como maximizar el numero de vuelos de conexion diarios de Juneau a Dallas. (Tomado
de Winston [6])
Ciudades Numero maximo de vuelos diarios

Juneau-Seattle 3
Seattle-L.A. 2
Seattle-Denver 3
L.A.-Dallas 1
Denver-Dallas 2
Solucion. El objetivo es conocer el numero maximo de vuelos diarios que se pueden rea-
lizar entre las ciudades de Juneau y Dallas. El primer paso para conocer este numero, es
construir una red que represente el problema. Esta red se puede representar graficamente
como se muestra en la Fig. 1.4, o bien en forma matricial. Posteriormente se utiliza la apli-
cacion Flujo Maximo referencia a descarga, para obtener los resultados del algoritmo,
mismos que se muestran en la Fig. 1.5.
Los ngeles
2 1
3 3 2
1 2 3 5
Juneau Seattle Denver Dallas
Figura 1.4: Red que representa Figura 1.5: Solucion al problema de la aerolnea Fly-by-Night.
los viajes entre Juneau y Dallas.
De acuerdo a los resultados del algoritmo se concluye que se pueden realizar un maximo
de 3 vuelos diarios entre Juneau y Dallas (Flujo Maximo), de los cuales, 1 vuelo sigue la
ruta Juneau-Seattle-L.A.-Dallas(Flujo optimo en los arcos (1,3),(2,4),(4,5) con 3,1,1 res-
pectivamente) y 2 vuelos siguen la ruta Juneau-Seattle-Denver-Dallas (Flujos optimos en
los arcos (1,2),(2,3),(3,5) con 3,2,2 respectivamente).
9
1. MODELOS DE REDES
Ejemplo 1.3 En fecha reciente se reservo el area de SEERVADA PARK para paseos y
campamentos. No se permite la entrada de automoviles, pero existe un sistema de caminos
angostos y sinuosos para tranvas y para jeeps conducidos por los guardabosques. En la
Fig. 1.6 se muestra este sistema de caminos, (sin las curvas) en donde O es la entrada
al parque; las otras letras representan la localizacion de las casetas de los guardabosques y
otras instalaciones de servicio. El parque contiene un mirador a un hermoso paisaje en la
estacion T. Algunos tranvas transportan a los visitantes desde la entrada a la estacion T
y viceversa. Durante la temporada pico, hay mas personas que quieren tomar un tranva a
la estacion T que aquellas a las que se les puede dar servicio. Para evitar la perturbacion
indebida de la ecologa y de la vida silvestre de la region, se ha impuesto un racionamiento
estricto al numero de viajes al da que pueden hacer los tranvas en cada camino. De esta
forma, durante la temporada pico, se pueden seguir varias rutas, sin tomar en cuenta la
distancia, para aumentar el numero de viajes de tranva diarios. La pregunta es como
planear las rutas de los distintos viajes, de manera que se maximice el numero total de
viajes que se pueden hacer al da, sin violar los lmites impuestos sobre cada camino.
Tomado de Hillier [3]
A 3
1
5
T
7 4 9
O B D
4 5
1
6
C E
4
Figura 1.6: Red que conecta pozos petroleros y refineas por medio de estaciones de redistribucion.
Solucion. El objetivo es conocer el numero maximo de viajes diarios que se pueden rea-
lizar entre la entrada al parque y el mirador. El primer paso para conocer este numero
representar la red de estaciones del parque en forma matricial. Posteriormente se utili-
za la aplicacion Flujo Maximo referencia a descarga. A continuacin se muestran las
iteraciones realizadas por el algoritmo y los resultados obtenidos al final.
En la Fig. 1.7, se muestra como se obtuvo la primera ruta de avance, obteniendo un
flujo f1 = 5. En la Fig. 1.8 se muestran las capacidades residuales actualizadas a traves
de la ruta de avance de la iteracion.
Figura 1.7: Ruta de avance obtenida en la iteracion 1. Figura 1.8: Actualizacion de las capacidades resi-
duales.
10
Figura 1.9: Ruta de avance obtenida en la iteracion 2. Figura 1.10: Actualizacion de las capacidades re-
siduales.
siduales.
siduales.
siduales.
Se observa en las figuras 1.9, 1.11, 1.13 y 1.15, las diferentes rutas de avance obtenidas
con sus flujos correspondientes f2 = 3, f3 = 4, f4 = 1 y f5 = 1. En las figuras 1.10, 1.12,
1.14 y 1.16, se muestra como se actualizan las capacidades residuales en cada iteracion.
Finalmente en la Fig. 1.17, se puede observar que el conjunto de nodos alcanzables desde
el origen (nodo 1) es vaco, el cual es el indicador de que no es posible encontrar mas rutas
de avance y finalizan las iteraciones del algoritmo dando lugar al calculo del flujo maximo
y los flujos optimos.
11
1. MODELOS DE REDES
Figura 1.17: Iteracion 6, no se encontro ruta de avance.
En la Fig. 1.18, se muestran los resultados obtenidos al utilizar la aplicacion Flujo

Maximo observando que el maximo de viajes diarios al mirador de Seervada Park es de 14
y la distribucion de viajes a traves de las estaciones se observa en los flujos optimos. Los
14 viajes diarios, salen del origen y se distribuyen en 4 a la estacion A, 6 a la B y 4 a la
C y de ah a las otras estaciones y finalmente al mirador.
Figura 1.18: Solucion al problema de los viajes al mirador en Seervada Park..
Ejercicios
Ejercicio 1.1 Tres refineras envan un producto de gasolina a dos terminales de distri-
bucion a traves de una red de oleoductos. Cualquier demanda que no puede ser satisfecha
por medio de la red se adquiere de otras fuentes. Tres estaciones de bombeo le dan servicio
a la red, como se muestra en la siguiente figura.
12
1 7
20 10
4
20 10 50
10
2 50 6
20 30 20
5
15 30
3 8
Estaciones de
Refineras Terminales
bombeo
El producto fluye en la red en la direccion indicada por las flechas. La capacidad de

cada segmento de ducto (mostrada directamente en los arcos) esta en millones de barriles
por da. Determine lo siguiente:
a) La produccion diaria en cada refinera que iguala la capacidad maxima de la red.
b) La demanda diaria en cada terminal que iguala la capacidad maxima de la red.
c) La capacidad diaria en cada bomba que iguala la capacidad maxima de la red.
d) Suponga que la capacidad diaria maxima de la bomba 6 en la red esta limitada a
50 millones de barriles por da. Remodele la red para incluir esta restriccion. Luego
determine la capacidad maxima de la red.
Ejercicio 1.2 Se transporta alimento para gallinas por medio de camiones desde tres silos
hasta cuatro granjas. Algunos de los silos no pueden mandar los envos directamente a
algunas de las granjas. Las capacidades de las demas rutas estan limitadas por la cantidad
de camiones disponibles y el numero de viajes realizados diariamente. La siguiente tabla
muestra las cantidades diarias de abasto en silos y la demanda en las granjas (en miles
de pesos). Las entradas en las celdas de la tabla especifican las capacidades diarias de las
rutas asociadas.
Granja
1 2 3 4
1 30 5 0 40 20
Silo 2 0 5 5 90 20
3 100 40 30 40 200
200 10 60 20
a) Determine el programa que satisface la demanda maxima.

b) Satisfara el programa propuesto toda la demanda de las granjas?
c) Suponga que se permite el transbordo entre los silos 1 y 2 y los silos 2 y 3. Suponga
ademas que se permite el transbordo entre las granjas 1 y 2, 2 y 3 y 3 y 4. Las
capacidad diaria (en dos direcciones) maxima en las rutas de transbordo propuestas
es de 50 (mil) pesos. Cual es el efecto del transbordo en las demandas no satisfechas
en las granjas?
13
1. MODELOS DE REDES
Ejercicio 1.3 Un padre tiene cinco hijos (adolescentes) y cinco tareas domesticas que
encomendarles. La experiencia pasada ha demostrado que obligar a un hijo a que realice
una tarea es contraproducente. Con esto en mente, el padre le pide a sus hijos que enumeren
sus preferencias entre las cinco tareas, como lo muestra la siguiente tabla:
Hijo Tarea preferida
Rif 3, 4 o 5
Mai 1
Ben 1o2
Kim 1, 2 o 5
Ken 2
El objetivo del padre ahora es terminar la mayor parte posible de tareas, al tiempo que
respeta las preferencias de los hijos, teniendo en cuenta que:
a) Cada hijo puede realizar solo 1 tarea.
b) Cada hijo puede realizar mas de 1 tarea.
Ejercicio 1.4 Cuatro fabricas producen cuatro tipos de juguetes. La siguiente tabla da
una lista de los juguetes que cada fabrica puede producir.
Fabrica Combinacion de producciones de juguetes
1 1, 2, 3
2 2, 3
3 1, 4
4 3, 4
Todos los juguetes requieren de alguna manera la misma mano de obra y material por
unidad. Las capacidades diarias de las cuatro fabricas son de 250, 180, 300 y 100 juguetes,
respectivamente. Las demandas diarias de los cuatro juguetes son 200, 150, 350 y 100
unidades, respectivamente. Determine los programas de produccion de las fabrica que mas
satisfaran las demandas de los cuatro juguetes.
Ejercicio 1.5 El consejo academico de la Universidad de Arkansas esta buscando repre-

sentantes entre seis estudiantes que esten afiliados a sociedades honorficas. La representa-
cion ante el consejo academico incluye tres areas: matematicas, arte e ingeniera. Cuando
mucho dos estudiantes de cada area pueden estar en el consejo. La siguiente tabla muestra
la membresa de los seis estudiantes en las cuatro sociedades honorficas:
Sociedad Estudiantes afiliados

1 1, 2, 3
2 1, 3, 5
3 3, 4, 5
4 1, 2, 4, 6
Los estudiantes calificados en las areas de matematicas, arte e ingeniera se muestran en

la siguiente tabla:
Area Estudiantes calificados
Matematicas 1, 2, 4
Arte 3, 4
Ingeniera 4, 5, 6
14
1.2. REDES Y ALGORITMOS PARA LA ADMINISTRACION DE PROYECTOS
Un estudiante capacitado en mas de un area debe ser asignado exclusivamente a solo un

area. Pueden estar representadas las cuatro sociedades honorficas en el consejo?
Ejercicio 1.6 Cinco camiones entregan siete tipos de paquetes. Hay tres paquetes de cada
tipo, y las capacidades de los cinco camiones son 6, 4, 5, 4 y 3 paquetes, respectivamente.
Prepare un problema de problema de flujo maximo que se pueda usar para determinar si
pueden cargarse los paquetes de modo que ningun camion lleve dos paquetes del mismo
tipo.
1.1.4. Algoritmo de Dijkstra (ruta mas corta)

1.1.5. Algoritmo de Floyd (ruta mas corta)
Ejercicio 1.7 Seis ninos, Joe, Kay, Jim, Bob, Rae y Kim juegan una variante del juego
infantil de las escondidas. Solo algunos de los ninos conocen el escondite de un nino. Luego
un nino hace pareja con otro con el objetivo de encontrar el escondite del companero. Esto
puede lograrse mediante una cadena de otros ninos que finalmente permitira descubrir el
escondite del nino designado. Por ejemplo, suponga que Joe tiene que encontrar a Kim y
que Joe sabe donde esta escondido Jim, quien a su vez sabe donde esta escondido Kim.
Por lo tanto, Joe puede encontrar a Kim si halla primero a Jim, quien a su vez conducira
a Joe al escondite de Kim. La siguiente lista proporciona los paraderos de los ninos:
Joe conoce los escondites de Bob y Kim.
Kay conoce los escondites de Bob, Jim y Rae
Jim y Bob conocen solo el escondite de Kay
Rae conoce el escondite de Kim
Kim conoce los escondites de Joe y Bob
Idee un plan para que cada nino encuentre a todos los demas ninos utilizando el numero
mnimo de contactos. Cual es el numero maximo de contactos?
1.2. Redes y algoritmos para la administracion de proyectos

La administracion de proyectos es un trabajo que requiere monitorear y controlar
el desarrollo de muchas actividades, algunas que se realizan en paralelo, por lo cual es
necesario utilizar herramientas que nos apoyen a lograr este objetivo. La tecnica de revision
y evaluacion de programas (PERT por sus siglas en ingles) y el metodo de la ruta crtica
son dos tecnicas de investigacion de operaciones que mantien una estrecha relacion y son
adecuadas para apoyar al administrador de proyectos.
1.2.1. Construccion de la red

1.2.2. Algoritmo de la ruta crtica (CPM)
1.2.3. Diagramas de Gant
1.2.4. Analisis de la ruta crtica con PERT
1.2.5. Optimizacion en la reduccion de la duracion del proyecto
15
1. MODELOS DE REDES
16
Captulo 2
Teora de decisiones
2.1. Teora de juegos

En diversas areas profesionales se presentan situaciones de competencia en las cua-
les dos o mas adversarios tienen que tomar decisiones simultaneas que afectan con un
determinado pago el resultado de la competencia. Ejemplos de estas situaciones son los
combates militares, campanas polticas, competencias deportivas y campanas de publici-
dad. La teora de juegos es util para tomar decisiones en casos donde dos o mas personas
que deciden se enfrentan a un conflicto de intereses.
En esta unidad se estudiaran los juegos entre dos personas y suma cero, llamados de
esta forma porque solo participan dos jugadores y un jugador gana lo que el otro pierde.
A contniuacion, se muestran los componentes de los juegos de dos personas y suma cero
y los diferentes enfoques para resolver este tipo de juegos.
2.1.1. Formulacion de juegos de dos personas y suma cero

Con el fin de mostrar las caractersticas basicas de un modelo de juegos de dos personas
de suma cero, considere el juego llamado pares y nones. Este consiste nada mas en que
los jugadores muestran al mismo tiempo uno o dos dedos. Si el numero total de dedos
mostrados suma un numero par, el jugador que apuesta a pares (por ejemplo el jugador
1) gana la apuesta (digamos 1 peso) al jugador que elige nones (jugador 2) [3]. En caso
contrario, el jugador 2 le gana un peso al jugador 1. Entonces, cada jugador tiene dos
opciones para jugar: mostrar uno o dos dedos. El pago en pesos que resulta para el jugador
1 se muestra en la tabla 2.1. En la teora de juegos las opciones que tienen los jugadores
para elegir se llamana estrategias y la forma de como se obtienen las recompensas para
el jugador 1 se presenta en una tabla que es llamada matriz de pagos.
Jugador 2
Estrategia 1 2
1 1 1
Jugador 1
2 1 1
Tabla 2.1: Matriz de pagos del juego de pares y nones
Los elementos de un juego de dos personas de suma cero son:
1. Las estrategias del jugador 1.
17
2. TEORIA DE DECISIONES
2. Las estrategias del jugador 2.
3. La matriz de pagos.
El juego inicia cuando ambos jugadores eligen sus estrategias de forma simultanea.
Antes de iniciar el juego, cada jugador conoce las estrategias de que dispone, las que tiene
su oponente y la matriz de pagos. Una jugada consiste en que los dos jugadores elijan al
mismo tiempo una estrategia sin saber cual es la eleccion de su oponente. Existen juegos
que se pueden realizar en multiples ocasiones y algunos solo se pueden jugar una vez.
Una estrategia es una regla predeterminada que especifica por completo como se
intenta responder a cada circunstancia posible en cada etapa del juego. La matriz de
pagos muestra la ganancia (positiva o negativa) del jugador 1, que resultara con cada
combinacion de estrategias de los dos jugadores. La ganancia establecida en la matriz de
pagos no necesariamente es dinero, tambien se puede ver reflejada como numero de votos,
fichas, ventas obtenidas o una determinada probabilidad de obtener algo.
Un objetivo primordial en la teora de juegos es desarrollar criterios racionales para
seleccionar una estrategia, los cuales implican dos supuestos importantes:
1. Ambos jugadores son racionales, es decir, ambos poseen la inteligencia para decidir
cual es su mejor opcion.
2. Ambos jugadores eligen sus estrategias solo para promover su propio bienestar (sin
compasion para el oponente).
2.1.2. Estrategia dominada

Una de las tecnicas empleadas en teora de juegos para determinar la estrategia que
debe de elegir cada jugador es la denomidada estrategia dominada. Esta tecnica consiste
en elminar las estrategias inferiores hasta que quede solo quede una que se pueda elegir.
Una estrategia es dominada por segunda estrategia si esta ultima es siempre al menos
tan buena (y algunas veces mejor) como la primera, sin que importe lo que haga el opo-
nente. Una estrategia dominada se puede eliminar de inmediato de la matriz de pagos para
consideraciones posteriores. Es importante observar que no existe un orden para eliminar
las estrategias dominadas y que no es necesario alternar entre jugadores.
Desde el punto de vista del jugador 1, una estrategia domina a otra si los pagos de la
estrategia en cuestion para cada estrategia elegida por el jugador 2, son mayores o iguales
que los correspondientes a la estrategia dominada. Con respecto al Jugador 2, se debe
verificar que los pagos sean menores o iguales. Lo anterior es debido a que el jugador 1
busca maximizar sus ganancias y el jugador 2 minimizar sus perdidas, por lo que numeros
mas grandes son mejores para el jugador 1 y mas pequenos son mejores para el jugador 2.
Ejemplo 2.1 Dos polticos contienden entre s por un lugar en la Camara de Diputados
Federales de Mexico por el distrito IX del estado de Yucatan. En este momento elaboran
sus planes de campana para los dos ultimos das antes de las elecciones; se espera que
dichos das sean cruciales debido a que estan muy proximos al da de la votacion. Por esta
circunstancia, ambos quieren emplearlos para hacer campana en dos ciudades importantes:
Motul y Progreso. Para evitar perdidas de tiempo, planean viajar en la noche y pasar un
da completo en cada ciudad o dos das en solo una de ellas. Como deben de hacer los
arreglos necesarios por adelantado, ninguno de los dos conocera lo que su oponente tiene
planaeado hacer hasta despues de concretar sus propios planes. Cada poltico tiene un jefe
18
2.1. TEORIA DE JUEGOS
de campana en cada ciudad para asesorarlo sobre el efecto que tendran (en terminos de
votos ganados o perdidos) las combinaciones posibles de los das dedicados a cada ciudad
por ellos o sus oponentes. Por tanto, quieren emplear esta informacion para elegir su mejor
estrategia para estos dos das. En la tabla 2.2 se muestran los votos (en miles) ganados o
perdidos para el poltico 1.
Poltico 2
Estrategia 1 2 3
1 1 2 4
Poltico 1 2 1 0 5
3 0 1 1
Tabla 2.2: Matriz de pagos del problema de la campana poltica para estrategias dominadas
Solucion. Para formular este problema como un juego de dos personas y suma cero,
se identifican sus elementos principales: jugadores, estrategias y matriz de pagos. Los
jugadores son: Poltico 1 y Poltico 2. Las estrategias son:
1. Estrategia 1: pasar un da en cada ciudad
2. Estrategia 2: pasar un da en Motul
3. Estrategia 3: pasar un da en Progreso
La matriz de pagos se muestra en la tabla 2.2. En principio, no se observan estrategias

dominadas del jugador 2; sin embargo, para el jugador 1 la estrategia 3 esta dominada por
la estrategia 1 (o bien, la estrategia 1 domina a la 3) ya que tiene pagos mas altos (1 > 0,
2 > 1, 4 > 1), independientemente de lo que haga el jugador 2. Despues de eliminar la
estrategia dominada (3), se obtiene la matriz de pagos reducida:
1 2 3
1 1 2 4
2 1 0 5
Ahora, despues de que fue eliminada una estrategia del jugador 1, el jugador 2 se da
cuenta que el jugador 1 solo dispones de dos estrategias y observa que su estrategia 3
esta dominada tanto por la estrategia 1 como por la 2. Esto es, con respecto a la matriz
de pagos reducida con anterioridad para la estrategia 1: 1 < 4, 1 < 5; para la estrategia
2:2 < 4, 0 < 5. Al eliminar la estrategia dominada se obtiene
1 2
1 1 2
2 1 0
Ahora, se observa que la estrategia 2 del jugador 1 se encuentra dominada por la

estrategia 1, puesto que 2 > 0 en la columna 2 y 1 = 1 para la coulumna 1. Al eliminar la
estrategia dominada obtenemos la siguiente matriz de pagos reducida
1 2
1 1 2
19
Finalmente el jugador 2 observa que su estrategia 2 se encuentra dominada por la

estrategia 1, debido a que 1 < 2. Al eliminar esta ultima estrategia, ambos jugadores
se quedan con solo una estrategia. En consecuencia, la solucion de este problema es que
ambos polticos deben de elegir la estrategia 1, es decir, ambos deben de pasar un da en
cada ciudad
Antes de continuar con la siguiente seccion, se definen dos conceptos: valor del juego y
juego justo. El valor del juego es el pago que recibe el jugador 1 cuando ambos jugadores
operan de manera optima y un se dice de un juego justo cuando el el valor de dicho juego
es 0.
Es importante aclarar que en muy raras ocasiones la matriz de pagos se reduce de
tal forma hasta obtener una unica estrategia para ambos jugadores, sin embargo, es muy
util para reducir la matriz de pagos y posteriormente aplicar otro metodo para resolver el
juego.
2.1.3. Criterio minimax

2.1.4. Juegos con estrategia mixta
juegos
Metodo grafico
juegos
Programacion lineal
modelo
2.2. Analisis de decisiones

El captulo anterior se estudio la teora de juegos para tomar decisiones. En este tipo
de escenario es necesario cierto grado de certidumbre, que en este caso es saber que tu
oponente eleigira la accion que mas le beneficie. En este captulo se analizara el escenario
cuando existe incertidumbre, esto es, nuestro oponente ahora es la naturaleza, por lo que
no tenemos la certeza de como reaccionara a nuestras decisiones. Afortunadamente, es
posible estimar con suficiente exactitud el comportamiento de los sucesos inciertos, por lo
que es posible utilizar modelos como los que se exploran en este captulo.
A continuacion se describen algunos ejemplos de situaciones con mayor incertidumbre
en las cuales es necesario tomar decisiones.
1. Un fabricante introduce un nuevo producto al mercado. Cual sera la probable reac-

cion de los consumidores? Cuanto debe producir? Debe probar el producto en una
region pequena antes de decidir la distribucion integral? Cuanta publicidad necesita
para lanzar el producto con exito?
2. Una empresa financiera invierte en certificados. Cuales son los mejores prospectos
de certificados de sectores del mercado e individuales? Como afectan estos factores
las decisiones de la inversion?
20
2.2. ANALISIS DE DECISIONES
3. Un contratista del gobierno se presenta a una licitacion. Cuales seran los costos
reales del proyecto? Que otras companas se han presentado? Cual es su presu-
puesto probable?
4. Una empresa agrcola selecciona la mezcla de cosechas y ganado para la proxima

temporada. Cuales seran las condiciones climaticas?Hacia donde van los precios?
Cuales seran los costos?
5. Una compana decide perforar en cierta region. Cuan probable es que haya petroleo
en ella? Cuanto? Cuan profundo tendra que perforar? Deben los geologos inves-
tigar mas el sitio antes de perforar?
El analisis de decisiones se diseno para estudiar los tipos de decisiones que se deben
tomar en un ambiente de gran incertidumbre. Cuando es necesario tomar una decision,
surge una pregunta importante acerca del tiempo o la informacion que tenemos actual-
mente para tomar la decision. Es mejor decidir ahora o despues de tener los resultados de
algun estudio adicional (con cierto costo) con el objetivo de reducir la incertidumbre. A
estos estudios o pruebas que se realizan para reducir la incertidumbre se le conoce como
experimentacion. En consecuencia, el analisis de decisiones divide la toma de decisiones
en los casos sin experimentacion y con experimentacion
Se comenzara con el caso mas sencillo, el cual es la toma de decisiones sin experimen-
tacion.
2.2.1. Toma de decisiones sin experimentacion

El proceso para tomar una decision se compone de un conjunto de alternativas factibles
que indican las distintas formas de proceder en el problema en cuestion. Los estados de
la naturaleza, que ocurren de manera aleatoria, de tal forma que no se sabe con certeza
cual es el estado de la naturaleza que ocurrira. El pago resultante de la combinacion de las
alternativas con los estados de la naturaleza. Finalmente, informacion acerca la frecuencia
con que ocurren los estados de la naturaleza. Es comun que se pueda traducir esta informa-
cion en una distribucion de probabilidad, si se piensa que el estado de la naturaleza es una
variable aleatoria, en cuyo caso esta distribucion se conoce como distribucion a priori .
Las probabilidades de los respectivos estados de la naturaleza se llaman probabilidades
a priori .
En esta seccion, se determinan tres criterios en la toma de decisiones sin experimenta-
cion: criterio del pago maximo, criterio de la maxima posibilidad y la regla de decision de
Bayes.
Criterio del pago maximo: Para cada opcion posible, encuentre el pago mnimo
sobre todos los posibles estados de la naturaleza. Despues, encuentre el maximo de estos
pagos mnimos. Elija la opcion cuyo pago mnimo es el maximo. Este criterio es el mismo
que se utilizo en la seccion 2.1 (Teora de Juegos), criterio maximin.
Criterio de la maxima posibilidad: Identifique el estado mas probable de la na-

turaleza (aquel que tiene la probabilidad a priori mas grande). Para este estado de la
naturaleza, encuentre la opcion con el maximo pago. Elija esta alternativa de decision.
Regla de decision de Bayes: Se utilizan mejores estimaciones disponibles de las

probabilidades de los respectivos estados de la naturaleza, para calcular el valor esperado
21
del pago de cada opcion posible. Se elige la opcion con el maximo pago esperado. La teora
de la probabilidad define el valor esperado E(X) (formalmente conocido como esperanza
matematica) de la siguiente forma
X
E(X) = xi p(xi )
para todos los valores de i, donde xi es el pago correspondiente al estado de la naturaleza

i de la alternativa X y p(xi ) es la probabilidad de que ocurra el estado de la naturaleza i.
Ejemplo 2.2 La compana petrolera PEMEX es duena de unos terrenos en los que puede
haber petroleo. Un geologo consultor ha informado a la administracion que piensa que
existe una posibilidad de 1 entre 4 de encontrar petroleo.
Debido a esta posibilidad, otra compana petrolera ha ofrecido comprar las tierras en
$900, 000. Sin embargo, PEMEX considera conservarlas para perforar ella misma. El costro
de la perforacion es de $1 millon de pesos. Si se encuentra petroleo, el ingreso esperado
sera de $8 millones de pesos; as la ganancia esperada para PEMEX sera de $7 millones
de pesos. Se incurrira en una perdida de un millon de pesos (el costo de barrenar) si no
se encuentra petroleo.
Solucion. De acuerdo con los criterios de pago maximo, maxima posibilidad y la regla de
decision de Bayes, las alternativas a elegir quedan como sigue. Las cantidades representadas
en las tablas estan en decenas de millar, es decir, se deben de multiplicar por 10000 para
obtener la cantidad real.
Criterio del pago maximo: Este criterio, indica que se debe de elegir la accion de
vender el terreno, ya que es la maxima de las ganancias mnimas de cada alternativa. A
continuacion se muestra el criterio en la siguiente tabla.
Estado de la naturaleza
Alternativa Petroleo Seco Mnimo
1. Perforar en busca de petroleo 700 100 100
2. Vender terreno 90 90 90 Valor maximo
Probabilidad a priori 0.25 0.75
Criterio de la maxima posibilidad: Se selecciona primero el estado con mayor

probabilidad, el cual se refiere a que no se encuentra petroleo con un 0.75 de probabili-
dad. Ahora evaluando los pagos para cada alternativa en ese estado de la naturaleza, se
selecciona la alternativa con el pago maximo, como se muestra en la siguiente tabla.
Alternativa Petroleo Seco
1. Perforar en busca de petroleo 700 100 100
2. Vender terreno 90 90 90 Valor maximo en esta columna

Maximo
22
Regla de decision de Bayes: Se calcula el pago esperado para cada alternativa, y

se elige la alternativa con mayor pago esperado.
E(Perforar) = 0.25(700) + 0.75(100)

= 100
E(Vender) = 0.25(90) + 0.75(90)
= 90
Como 100 es mayor, se elige la alternativa de perforar en busca de petroleo, la cual es

diferente a las elecciones de los otros criterios de decision.
La gran ventaja de la regla de decision de Bayes es que incorpora toda la informacion

disponible (todos los pagos y probabilidades), en contraste con el criterio de pago maximo
que solo toma en cuenta los pagos y el criterio de maxima posibilidad que solo toma en
cuenta los pagos del estado de la naturaleza mas probable. Sin embargo, estas decisiones
estan basadas en la probabilidad, la cual es inexacta y en muchas ocasiones obtenida a
partir de la experiencia, por lo que sera util realizar un analisis de sensibilidad.
Analisis de sensibilidad con la regla de decision de Bayes

Se realiza un analisis de sensibilidad para conocer el efecto que tendran datos inco-
rrectos en el modelo matematico que se esta resolviendo. En este caso, las probabilidades
son los datos mas cuestionables en este modelo.
Como solamente se tienen dos estados de la naturaleza, es posible evaluar graficamen-
te lo que sucede cuando varan las probabilidades a priori, esto es, si una aumenta, la
otra disminuye. La administracion de PEMEX cree que la posibilidad ideal de encontrar
petroleo en el area debe de estar entre 15 % y 35 %. En otras palabras, es posible que la
probabilidad a priori verdadera de encontrar petroleo oscile entre 0.15 y 0.35, de manera
que encontrar que el terrenoeste seco tandra probabilidad a priori entre 0.85 y 0.65.
Sea
p = probabilidad a priori de encontrar petroleo
el pago esperado de perforar para cualquier valor de p es
E(Perforar) = 700p 100(1 p)

= 800p 100
Este pago esperado de ambas alternativas se muestran como dos rectas en la Fig. 2.1.
El pago esperado de perforar es la recta con pendiente positiva y el pago esperado de
vender es la recta horizontal (debido a que tiene un valor de 90 para ambos estados de la
naturaleza). Tambien se pueden observar cuatro puntos en la Fig. 2.1, los cuales muestran
el pago esperado para las dos alternativas de decision cuando p = 0.15 o p = 0.35. Cuando
p = 0.15 la decision se inclina a vender el terreno, ya que se obtiene un pago esperado de
90 contra un pago esperado de 20 para la alternativa de perforar. Por el contrario, cuando
p = 0.35 la decision es perforar por un amplio margen (pago esperado de 180 contra solo
90 de vender). Entonces, la decision es muy sensible a la probabilidad a priori de encontrar
petroleo.
23
Figura 2.1: Cambio del pago esperado para cada accion cuando cambia la probabilidad a priori.
En la Fig. 2.1, se observa un punto en el que ambas rectas se intersectan. Este punto es
el punto de cruce y es el que determina el cambio de decision entre ambas alternativas.
Para encontrar este punto se establece
E(P erf orar) = E(V ender)

800p 100 = 90
190
p= = 0.2375
800
As, cuando la probabilidad a priori de encontrar petroleo sea mayor a 0.2375 se debe
de perforar y cuando sea menor se debe de vender.
2.2.2. Toma de decisiones con experimentacion
Una persona que toma decisiones, necesita tener informacion precisa y confiable pa-
ra poder tomar una decision que no se vea afectada por la falta de confiabilidad de la
informacion. Por lo anterior, con frecuencia se realizan pruebas adicionales (experimenta-
cion) para mejorar las estimaciones preliminares de los respectivos estados de la naturaleza
dadas por las probabilidades a priori. Estas estimaciones mejoradas se llaman probabili-
dades a posteriori . A continuacion se retoma el contexto establecido en el ejemplo 2.2
y se le agregan datos para la experimentacion.
Probablidades a posteriori
Para el calculo de las probabilidades a posteriori, se utiliza el teorema de Bayes y el

teorema de la probabilidad total. Ahora para las variables aleatorias A y B, donde A
representa los resultados obtenidos por la experimentacion y B representa los estados de
24
la naturaleza (probabilidades a priori. Ahora, en terminos generales, sea
n =numero posible de estados de la naturaleza

P (B = bi ) =probabilidad a priori de que el estado de la naturaleza sea el i,
para i = 1, 2, , n
P (A = aj ) =probabilidad de obtener el resultado j, para j = 1, 2, , m
P (B = bi | A = aj ) =probabilidad a posteriori del estado de la naturaleza i
dado el resultado j de la experimentacion, para i = 1, 2, , n
y j = 1, 2, , m
P (A = aj | B = bi ) =probabilidad condicional (obtenida por datos historicos
del resultado de la experimentacion j dado el estado de la naturaleza i
de la experimentacion, para i = 1, 2, , n y j = 1, 2, , m
P (A, B) =probabilidad conjunta de A y B
Teorema 2.1 (Regla de Bayes [5]) Si los eventos B1 , B2 , , Bk constituyen una par-
ticion del espacio muestral S donde P (Bi ) 6= 0 para i = 1, 2, , k, entonces para cualquier
evento A en S tal que P (A) 6= 0,
P (B = br , A) P (B = br , A)
P (B = br | A) = = k , para r = 1, 2, , k
P (A) X
P (B = bi , A)
i=1
En el teorema 2.2.2, se observa que para obtener las probabilidades a posteriori, es

necesario calcular la distribucion de probablidad conjunta de A, B y la probabilidad in-
condicional de A (los resultados de la experimentacion). Los datos que se conocen son
las probabilidades a priori (B) y las probabilidades condicionales P (A|B). Para calcular
la probabilidad conjunta, se utiliza el teorema 2.2.2 y las probabilidades a priori de la
siguiente manera.
P (A = ai , B = bj ) = P (A = ai |B = bj )P (B = bj )
para i = 1, 2, , n, j = 1, 2, , m; esto es, que se tiene que calcular para todas los
posibles valores de las variables aleatorias A y B.
Posteriormente, se calcula la distribucion de probabilidad de los resultados de la expe-
rimentacion o probabilidades incondicionales, P (A), de la siguiente forma
m
X
P (A = ai ) = P (A = ai , B = bj ) (2.1)
j=1
= P (A = ai , B = b1 ) + P (A = ai , B = b2 ) + + P (A = ai , B = bm ) (2.2)
Finalmente se puede utilizar el teorema 2.2.2 para calcular las probabilidades a pos-
teriori, utilizando la probabilidades incondicionales y la distribucion de probabilidad con-
junta. A continuacion se muestra un ejemplo en el que se aplican estos resultados.
Ejemplo 2.3 En el ejemplo 2.2 se tienen dos estados de la naturaleza: que el terreno se
encuentre seco o con petroleo, y las estimaciones preliminares de la probabilidad a priori
de cada estado. Ahora se tiene acceso a realizar una exploracion sismologica del terreno
25
para obtener una mejor estimacion de la probabilidad de que haya petroleo. El costo de
este estudio es de $300 mil pesos.
Una exploracion sismologica obtiene sondeos ssmicos que indican si la estructura
geologica es favorable para la presencia de petroleo. Los resultados de la exploracion sis-
mologica se dividen en las siguientes categoras:
SSD: sondeos ssmicos desfavorables; es poco probable encontrar petroleo.

SSF: sondeos ssmicos favorables; es bastante probable encontrar petroleo.
Con base en la experiencia, si hay petroleo, la probabilidad de sondeos ssmicos favo-

rables es:
P (SSF |petroleo) =0.6

P (SSD|petroleo) =1 0.6 = 0.4
De la misma forma, cuando el terreno se encuentra seco, la probabilidad de sondeos ssmi-

cos favorables es:
P (SSF |seco) = 0.2

P (SSD|seco) = 1 0.2 = 0.8
Determine las probabilidades incondicionales de los resultados de la exploracion sismologi-

ca y las probabilidades a posteriori de los estados de la naturaleza y aplicar la regla de
decision de Bayes, para determinar la poltica optima
Solucion. Sea A la probablidad de obtener sondeos ssmicos, entonces la variable aleatoria

toma los siguientes valores A = {SSF, SSD}. En el ejemplo 2.2 se proporcionan los valores
de los estados de la naturaleza B = {petroleo, seco}, y las probabilidades a priori de los
mismos, P (petroleo) = 0.25 y P (seco) = 0.75. A continuacion, se muestran los valores de
las probabilidades condicionales de obtener un determinado resultado de la exploracion
sismologica una vez que se conoce el estado de la naturaleza.
P (SSF |petroleo) = 0.6 P (SSF |seco) = 0.2

P (SSD|petroleo) = 0.4 P (SSD|seco) = 0.8
Con los datos anteriores, obtenemos la distribucion de probabilidad conjunta,
P (A = SSF, B = petroleo) = P (SSF, petroleo)

= P (SSF |petroleo)P (petroleo)
= (0.6)(0.25) = 0.15
P (SSF, seco) = P (SSF |seco)P (seco)
= (0.2)(0.75) = 0.15
P (SSD, petroleo) = P (SSD|petroleo)P (petroleo)
= (0.4)(0.25) = 0.1
P (SSD, seco) = P (SSD|seco)P (seco)
= (0.8)(0.75) = 0.6
26
Para comprobar los resultados, verificamos que la suma de todas las probabilidades
anteriores es 1, esto es sumar la probablidad conjunta para todos los valores de A y B.
2 X
X 2
P (A = ai , B = bj ) =P (SSF, petroleo) + P (SSF, seco)
i=1 j=i
+ P (SSD, petroleo) + P (SSD, seco)

=0.15 + 0.15 + 0.1 + 0.6
=1
A continuacion obtenemos los valores de las probabilidades incondicionales utilizando la

ecuacion 2.2.
P (A = SSF ) = P (SSF, petroleo) + P (SSF, seco)

= 0.15 + 0.15 = 0.30
P (SSD) = P (SSD, petroleo) + P (SSD, seco)
= 0.10 + 0.60 = 0.70
Finalmente, las probabilidades a posteriori de los estados de la naturaleza quedan como

sigue
P (SSF, petroleo)
P (petroleo|SSF ) =
P (SSF )
0.15
= = 0.50
0.3
P (SSF, seco)
P (seco|SSF ) =
P (SSF )
0.15
= = 0.50
0.3
P (SSD, petroleo)
P (petroleo|SSD) =
P (SSD)
0.10
= = 0.1429
0.70
P (SSD, seco)
P (seco|SSD) =
P (SSD)
0.60
= = 0.8571
0.70
Por lo que la probabilidad de encontrar petroleo una vez que se conoce el resultado del
estudio sismologico es 0.5 cuando el sondeo es favorable y 0.1429 cuando el sondeo es
desfavorable. Asimismo, la probabilidad de que el terreno se encuentre seco es 0.5 y 0.8571,
cuando el sondeo es favorable y desfavorable respectivamente.
De acuerdo a los pagos establecidos para la combinacion de cada alternativa y estado
de la naturaleza, y las probabilidades a posteriori obtenidas anteriormente, se calcula el
27
pago esperado para cada alternativa dependiendo del resultado del estudio realizado. A
este pago esperado se resta el costo del estudio.
E(perf orar|SSF ) = P (petroleo|SSF )P ago(perf orar, petroleo) + P (seco|SSF )P ago(perf orar, seco)
= 0.5(7000000) + 0.5(1000000) 300000 = 2700000
E(vender|SSF ) = P (petroleo|SSF )P ago(vender, petroleo) + P (seco|SSF )P ago(vender, seco)
= 0.5(900000) + 0.5(900000) 300000 = 600000
E(perf orar|SSD) = P (petroleo|SSD)P ago(perf orar, petroleo) + P (seco|SSD)P ago(perf orar, seco)
= 0.1429(7000000) + 0.8571(1000000) 300000 = -156800
E(vender|SSD) = P (petroleo|SSD)P ago(vender, petroleo) + P (seco|SSD)P ago(vender, seco)
= 0.1429(900000) + 0.8571(900000) 300000 = 600000
Como el objetivo es maximizar el pago. Se evalua la poltica optima para cada resultado
del estudio. Entonces, cuando se obtienen sondeos ssmicos favorables (SSF ), la alternativa
es perforar obteniendo un pago esperado de $2, 700, 000. Cuando se obtienen sondeos
ssmicos desfavorables (SSD), la alternativa es vender con un pago esperado de $600, 000.
En la siguiente seccion se estudiara como obtener una cantidad que representa el valor
recomendable para la experimentacion, con el fin de conocer si es factible pagar por la
experimentacion.
El valor de la experimentacion
Antes de realizar cualquier experimento, debe determinarse su valor potencial. Se pre-
sentan aqu dos metodos complementarios para evaluar su valor potencial. Estos metodos
se llaman Valor Esperado de la Inforamacion Perfecta (V EIP ) y Valor Esperado de la
Experimentacion (VEE). A continuacion, se describe el primero.
Valor esperado de la informacion perfecta

En este metodo se supone que la experimentacion elimina toda la incertidumbre (algo
poco realista) acerca de cual es el verdadero estado de la naturaleza y despues realiza un
calculo sobre la mejora en el pago esperado, ignorando el costo de la experimentacion. El
VEIP establece una cota superior para el valor potencial del experimento, por lo que si el
costo del experimento se encuentra por debajo del VEIP, definitivamente debe llevarse a
cabo.
Suponga ahora que el experimento puede identificar de manera definitiva cual es el
verdadero estado de la naturaleza y proporcionar con esto informacion perfecta. Cual-
quiera que sea el estado de la naturaleza identificado, se eligira la accion con el maximo
pago para ese estado. Al no saber en realidad, el estado que se identificara, se pondera el
pago maximo para cada estado de la naturaleza con la probabilidad a priori.
El V EIP se calcula como sigue:
V EIP = P EIP P EsE
donde P EIP es el pago esperado con informacion perfecta y P EsE es el pago esperado
sin el costo de la experimentacion. En la tabla 2.3 se muestra como queda el calculo para
el pago esperado con informacion perfecta.
28
Alternativa Petroleo Seco
1. Perforar en busca de petroleo 700 100
2. Vender terreno 90 90
Pago maximo 700 90
P EIP = 0.25(700) + 0.75(90) = 242.5
Tabla 2.3: Pago esperado con informacion perfecta para el problema de PEMEX
Anteriormente se obtuvo el pago esperado sin experimentacion, utilizando la refal de

decision de Bayes, con un valor de 100. Por lo tanto,
V EIP = 242.5 100 = 142.5
Como $1, 425, 000 excede por mucho a $300000, el costo del sondeo ssmico, puede
valer la pena proceder con la experimentacion. Para confirmar este hecho, se estudiara un
segundo metodo de evaluacion del beneficio potencial de la experimentacion.
Valor esperado de la experimentacion
Este calculo requiere mayor trabajo, debido a que incorpora las probabilidades a pos-
teriori para obtenerlo. Primero debe obtenerse el pago esperado con experimentacion
(P EcE) y sustraerle el pago esperado sin experimentacion (P EsE), obteniendo el valor
esperado de la experimentacion (V EE).
V EE = P EcE P EsE (2.3)
]
El calculo del P EcE requiere realizar lo siguiente:
1. Obtener todas las probabilidades a posteriori.
2. La poltica optima con experimentacion.
3. El pago esperado correspondiente a la poltica optima, excluyendo el costo de la

experimentacion.
4. Ponderar cada pago esperado con la probabilidad del resultado de la experimentacion

correspondiente.
n
X
P EcE = P (A = aj )E(AOpt|A = aj )
j=1
donde AOpt es la alternativa optima para el valor correspondiente de aj (resultado de la

experimentacion).
Retomando la informacion obtenida en el ejemplo 2.3, obtengamos el V EE. De acuerdo
al ejemplo de la compana PEMEX, el pago esperado excluyendo el costo de la experimen-
29
tacion, para la poltica optima de los resultados se tiene que:
P (SSF ) = 0.3
P (SSD) = 0.7
E(perf orar|SSF ) = 300
E(vender|SSD) = 90
Por lo que,
P EcE = P (SSF )E(perf orar|SSF ) + P (SSD)E(vender|SSD)

= 0.3(300) + 0.7(90) = 153
En este momento se puede calcular el valor esperado de la experimentacion. Utilizando la

ecuacion 2.3 se tiene que:
V EE = 153 100 = 53
Como $530, 000 excede el costo de $300, 000 correspondiente al estudio sismologico, la
experimentacion debe de realizarse.
2.2.3. Arboles de decision

Un arbol de decision es un modelo grafico, que nos proporciona un medio para tomar
una serie de decisiones, que nos pueden llevar por diferentes caminos debido a la incer-
tidumbre de los resultados que pueden producir cada decision tomada. En esta seccion
se estudiaran los elementos de un arbol de decision, la forma de organizar los calculos
estudiados en las secciones anteriores y la forma de realizar el analisis del arbol que nos
indique como se deben de tomar las decisiones y encontrar una poltica optima.
Heizer [2], propone el siguiente procedimiento para formar un arbol de decision:
1. Asegurese de que todas las alternativas y los estados de la naturaleza posibles esten
incluidos en el arbol.
2. Los pagos se introducen al inicio de la rama apropiada y en los nodos hoja (los que
estan al final del arbol), se introduce el pago de esa ruta.
3. El objetivo es determinar el pago esperado de cada curso de accion. Lo logramos

comenzando al final del arbol (el lado derecho) y trabajando hacia el inicio del
arbol (la izquierda), calculando los pagos esperados de cada nodo y podando las
alternativas que no son tan buenas como otras que salen del mismo nodo.
Los arboles de decision estan compuestos por dos elementos basicos, nodos y ramas. Los
nodos son los puntos de ramificacion del arbol y los arcos que unen dos nodos son las ramas.
Los nodos se clasifican en: nodo de decision y nodo pro-

babilstico. Un nodo de decision indica que en ese punto del
proceso debe de tomarse una decision. Un nodo probabilstico
indica que en ese punto ocurre un evento aleatorio. En la Fig.
2.2, se puede observar que un nodo de decision se representa
por un cuadrado y el probabilstico por un crculo. Ademas Figura 2.2: Tipos de nodos en un
arbol de decision.
se utiliza una letra para identificar al nodo en el arbol, con
30
el objetivo de que al realizar el analisis se pueda saber a que

nodo corresponden los calculos realizados.
A continuacion se utilizara un ejemplo para mostrar como se construye, etiqueta y
analiza un arbol de decision para establecer la poltica optima de decisiones.
Ejemplo 2.4 (El problema completo de la compana PEMEX) La compana pe-

trolera PEMEX es duena de unos terrenos en los que puede haber petroleo. Un geologo
consultor ha informado a la administracion que piensa que existe una posibilidad de 1
entre 4 de encontrar petroleo.
Debido a esta posibilidad, otra compana petrolera ha ofrecido comprar las tierras en
$900, 000. Sin embargo, PEMEX considera conservarlas para perforar ella misma. El costro
de la perforacion es de $1 millon de pesos. Si se encuentra petroleo, el ingreso esperado
sera de $8 millones de pesos; as la ganancia esperada para PEMEX sera de $7 millones
de pesos. Se incurrira en una perdida de un millon de pesos (el costo de barrenar) si no
se encuentra petroleo.
Adicionalmente se tiene acceso a realizar una exploracion sismologica del terreno para
obtener una mejor estimacion de la probabilidad de encontrar petroleo. El costo de este
estudio es de $300 mil pesos.
Una exploracion sismologica obtiene sondeos ssmicos que indican si la estructura
geologica es favorable para la presencia de petroleo. Los resultados de la exploracion sis-
mologica se dividen en las siguientes categoras:
SSD: sondeos ssmicos desfavorables; es poco probable encontrar petroleo.

SSF: sondeos ssmicos favorables; es bastante probable encontrar petroleo.
Con base en la experiencia, si hay petroleo, la probabilidad de sondeos ssmicos favo-

rables es:
P (SSF |petroleo) =0.6

P (SSD|petroleo) =0.4
De la misma forma, cuando el terreno se encuentra seco, la probabilidad de sondeos ssmi-

cos favorables es:
P (SSF |seco) = 0.2

P (SSD|seco) = 0.8
Construya y etiquete el arbol de decision con los valores(costos o ganancias) y las proba-
blidades correspondientes. Realice el analisis del arbol y determine la poltica optima de
decisiones.
Solucion. En la construccion del arbol se deben considerar las diferentes posibilidades

de decision. En este caso se puede decidir acerca de perforar o vender; o bien acerca de
realizar el sondeo ssmico o no. Primero se debe decidir acerca de si se realiza o no la
experimentacion (sondeo ssismico), ya que el resultado del estudio puede proporcionarnos
mayor informacion para poder tomar una mejor decision. Si se realiza el sondeo ssmico se
esperan por los resultados del mismo, y se procede a decidir acerca de perforar o vender.
En caso que no se realice el sondeo, se tomara la decision de perforar o vender. En el caso
de que se decida perforar, lo unico que queda es esperar si hay petroleo o el terreno es
seco.
31
Una vez construida la estructura del arbol, se deben de colocar los pagos correspon-
dientes a cada rama y ruta, as como tambien las probabilidades correspondientes a cada
rama que sale de un nodo probabilstico. En este ejemplo las probabilidades se dividen:
probabilidades a priori (ver seccion 2.2.1) y las probabilidades incondicionales y a poste-
riori (ver seccion 2.2.2). Las probabilidades a priori se colocan en la seccion del arbol en
la que no se realiza la experimentacion, por lo que en la seccion del arbol donde se realiza
la experimentacion se colocan las otras probabilidades. En la Fig. 2.3, se observa el arbol
con los pagos y probabilidades correspondientes1 .
TreePlan Student License 0.1429 For Education Only

Petrleo
$6,700,000.00
Perforar $8,000,000.00 $6,700,000.00
g
-$1,000,000.00 -$156,800.00 0.8571
0.7 Seco
SSD -$1,300,000.00
d $0.00 -$1,300,000.00
$0.00 $600,000.00
Vender
$600,000.00
$900,000.00 $600,000.00
Con sondeo ssmico
b 0.5
-$300,000.00 $1,230,000.00 Petrleo
$6,700,000.00
Perforar $8,000,000.00 $6,700,000.00
h
-$1,000,000.00 $2,700,000.00 0.5
0.3 Seco
SSF -$1,300,000.00
e $0.00 -$1,300,000.00
$0.00 $2,700,000.00
a Vender
$1,230,000.00 $600,000.00
$900,000.00 $600,000.00
0.25
Petrleo
$7,000,000.00
Perforar $8,000,000.00 $7,000,000.00
f
-$1,000,000.00 $1,000,000.00 0.75
Seco
Sin sondeo ssmico -$1,000,000.00
c $0.00 -$1,000,000.00
$0.00 $1,000,000.00
Vender
$900,000.00
$900,000.00 $900,000.00
Figura 2.3: Arbol de decision del ejemplo de PEMEX
Una vez construido y etiquetado correctamente el arbol, se procede a realizar el analisis

del mismo y determinar la poltica optima. El analisis se realiza empezando con los nodos
que se encuentran mas a la derecha y se dezplaza a la izquierda hasta calcular los pagos
esperados de todos los nodos.
El pago esperado de un nodo probabilstico se calcula utilizando la regla de decision
de Bayes, esto es la suma de los productos de probabilidad por pago esperado de todas
las ramas del nodo.
Para un nodo de decision, se compara el pago esperado de cada rama y seleccione la
alternativa cuya rama tenga el mayor pago esperado. Para las otras alternativas se cruzan
con una doble raya para indicar que fueron rechazadas.
1
Se utilizo el software TreePlan [1] para construir y resolver el arbol de decision.
32
2.3. CADENAS DE MARKOV
2.3. Cadenas de Markov

El analisis de Markov tuvo su origen en los estudios de Andrei A. Markov (1856 -
1922) sobre la secuencia de los experimentos conectados en cadena, y en los intentos de
describir matematicamente los fenomonos fsicos conocidos como movimiento browniano.
La primera construcccion matematica correcta de un proceso de Markov con trayectorias
continuas se debe a N. Winier en 1923. La teora general de los procesos de Markov se
desarrollaron en las decadas de 1930 y 1940 por A. N. Kolmagoron, W. Feller, W. Doeblin,
P. Levy, J. L. Doob y otros.
El analisis de Markov es una forma de analizar el moviemiento actual de alguna varia-
ble, a fin de pronosticar el movimiento futuro de la misma. Ese metodo ha comenzado a
usarse como instrumento de investigacion de mercadotecnia, para investigar el comporta-
miento y lealtad de los clientes.
2.3.1. Procesos estocasticos

Considere un sistema que puede caracterizarse por estar en cualquiera de un conjunto
de estados previamente especificado. Suponga que el sistema evoluciona o cambia de un
estado a otro a lo largo del tiempo de acuerdo con cierta ley de movimiento, sea Xt el
estado del sistema al tiempo t. Si se considera que la forma del sistema es provocado por
algun mecanismo azaroso, entonces X(t) = Xt es una variable aleatoria para cada valor
del ndice t. Esta coleccion de variables aleatorias es la definicion de un porceso estocastico
y sirve como modelo para representar la evolucion aleatoria de un sistema a lo largo del
tiempo.
Definicion 2.1 Un proceso estocastico es una coleccion de variables aleatorias {Xt | t T }

parametrizado por un conjunto T , llamado espacio parametral, en donde las variables to-
man valores en un conjunto S llamado espacio de estados.
Para cada instate t tendremos una variable aleatoria distinta representada por Xt , con
lo que un proceso estocastico puede interpretarse como una sucesion de variables aleatorias
cuyas caractersticas pueden variar a lo largo del tiempo.
Si observamos unos valores de t tendramos una imagen similar a la siguiente:
en la imagen se representa que para cada t la funcion de densidad correspondiente a Xt .

Aunque se presentan funciones de densidad diferentes para cada t, un proceso estocastico
no tiene porque presentar diferencias en la funcion de denisad de probabilidad a lo largo
del tiempo.
33
A los posibles valores que puede tomar una variable aleatoria se le denomina estados,
por lo que puede tener un espacio de estados discreto o es espacio de estados continuos.
Dependiendo de como sea el conjunto de sunndices T y el tipo de variables aleatorias
dado por Xt se puede establecer la siguiente clasificacion de los procesos estocasticos.
t discreta t continua
X discreta Proceso de estado discreto y tiem- Proceso de estado discreto y tiem-
po discreto (Cadena) (Unidades po continuo (proceso de saltos pu-
producidas mensualmente de un ros)(Unidades producidas al tiem-
producto) po t)
X continua Proceso de estado continuo y tiem- Proceso de estados continuo y
po discreto (Toneladas de produc- tiempo continuo (Proceso conti-
cion diaria de un producto) nuo)(Velocidad de un vehculo al
instante t)
2.3.2. Procesos de estados discreto

En el caso de procesos estocasticos con espacios de estados discretos, una sucesion de
variables que indique el valor del proceso en instantes sucesivas suele representase de la
siguiente manera:
{X0 = x0 , X1 = x1 , . . . , Xn1 = xn1 , Xn = xn }

en la que cada varaible Xi , i = 0, . . . .n tiene una distribucion de probabilidad que, en
general, es distinta de las otras variables aunque podra tener caractersticas comunes.
2.3.3. Cadenas de Markov

Cadenas de Markov
2.3.4. Ecuaciones de Chapman-Kolmogorov

Las potencias
2.3.5. Propiedades a largo plazo de las cadenas de Markov

las
34
Bibliografa
[1] TreePlan: The Decision Tree Add-in for Microsoft Excel, 2017. http://treeplan.com/,
Accedido el 31 de Marzo de 2017.
[2] J. Heizer and B. Render. Principios de Administracion de Operaciones. Pearson, 7a

edition, 2009.
[3] F. Hillier. Introduction To Operations Research. McGraw-Hill Education (India) Pvt

Limited, 2012.
[4] H. A. Taha. Operations Research: An Introduction (8th Edition). Prentice-Hall, Inc.,

Upper Saddle River, NJ, USA, 2006.
[5] R. Walpole, R. Myers, and S. Myers. Probabilidad y estadstica para ingenieros. Pear-
son: Educacion. Pearson Educacion, 1999.
[6] W. Winston. Investigacion de operaciones: aplicaciones y algoritmos. Thomson, 2005.
35

Notas Inv Op II

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

Notas Inv Op II

Uploaded by

Copyright:

Available Formats

i

1.1. Algoritmos de optimizacion en redes

b) Si Si 6= , continue con el paso 3. De lo contrario, una ruta parcial termina en

Paso 3. a) Determine k Si de modo que

cik = max {cij }

b) Designe ak = cik y etiquete el nodo k con [ak , i].

a) Si i = 1 (el conjunto S1 = ), no es posible avanzar; continue al paso 6. De lo

Paso 5. (Determinacion de las capacidades residuales).

fp = min {a1 , ak1 , ak2 , , an }

b) Actualizar las capacidades residuales de la ruta Np reduciendo en fp la capa-

El flujo optimo para el arco (i, j) se determina calculando

Si < 0, el flujo optimo es en direccion i j. Por otra parte si > 0,

Figura 1.3: Red de flujo.

Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

Paso 5. La ruta de avance se determina a partir de las etiquetas iniciando en el nodo

(c13 , c31 ) = (30 20, 0 + 20) = (10, 20)

Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

(c12 , c21 ) = (20 10, 0 + 10) = (10, 10)

Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

Paso 2. S1 = {2, 3, 4}.

Paso 2. S2 = {3, 5}.

Paso 3. k = 3 y a3 = c23 = 30 y etiquete el nodo 3 con [30, 2]. Establezca i = 3 y repita

Paso 2. S3 = . Vaya al paso 4.

Paso 4. Retroceso. La etiqueta [30, 2] en el nodo 3, proporciona el nodo inmediatamente

(c12 , c21 ) = (10 10, 10 + 10) = (0, 20)

Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

(c13 , c31 ) = (10 10, 20 + 10) = (0, 30)

Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

(c14 , c41 ) = (10 10, 0 + 10) = (0, 10)

Paso 1. Establezca a1 = y etiquete el nodo 1 con [, ]. Establezca i = 1.

Arco (C ij , C ji ) (cij , cji )6 Cantidad de flujo Direccion

Ciudades Numero maximo de vuelos diarios

Juneau Seattle Denver Dallas

Figura 1.17: Iteracion 6, no se encontro ruta de avance.

En la Fig. 1.18, se muestran los resultados obtenidos al utilizar la aplicacion Flujo

Figura 1.18: Solucion al problema de los viajes al mirador en Seervada Park..

El producto fluye en la red en la direccion indicada por las flechas. La capacidad de

a) Determine el programa que satisface la demanda maxima.

Ejercicio 1.5 El consejo academico de la Universidad de Arkansas esta buscando repre-

Sociedad Estudiantes afiliados

Los estudiantes calificados en las areas de matematicas, arte e ingeniera se muestran en

Un estudiante capacitado en mas de un area debe ser asignado exclusivamente a solo un

1.1.4. Algoritmo de Dijkstra (ruta mas corta)

1.2. Redes y algoritmos para la administracion de proyectos

1.2.1. Construccion de la red

2.1. Teora de juegos

2.1.1. Formulacion de juegos de dos personas y suma cero

Los elementos de un juego de dos personas de suma cero son:

1. Las estrategias del jugador 1.

2. Las estrategias del jugador 2.

2.1.2. Estrategia dominada

1. Estrategia 1: pasar un da en cada ciudad

2. Estrategia 2: pasar un da en Motul

3. Estrategia 3: pasar un da en Progreso

La matriz de pagos se muestra en la tabla 2.2. En principio, no se observan estrategias

Ahora, se observa que la estrategia 2 del jugador 1 se encuentra dominada por la

Finalmente el jugador 2 observa que su estrategia 2 se encuentra dominada por la

2.1.3. Criterio minimax

2.2. Analisis de decisiones

1. Un fabricante introduce un nuevo producto al mercado. Cual sera la probable reac-

4. Una empresa agrcola selecciona la mezcla de cosechas y ganado para la proxima

2.2.1. Toma de decisiones sin experimentacion

Criterio de la maxima posibilidad: Identifique el estado mas probable de la na-