Académique Documents
Professionnel Documents
Culture Documents
A P N D I C E
OR TUTOR
El OR Tutor es un documento web que consiste en una serie
de pginas de HTML que con frecuencia contienen JavaScript.
Se puede usar cualquier navegador con soporte de JavaScript,
como Netscape Navigator 4.0 (o mayor) o Internet Explorer 4.5
(o mayor). Tambin se puede ver en PC o en Macintosh.
Este recurso se dise como un tutor personal, que ilustra
y resalta los conceptos claves de forma interactiva. Contiene
16 ejemplos de demostracin que complementan los ejemplos
del libro de una forma que no se logra en la pgina impresa.
Cada uno muestra un algoritmo o concepto de IO en accin.
La mayora combina una descripcin algebraica de cada paso
con un despliegue geomtrico de lo que ocurre. Algunas de las
grficas geomtricas son dinmicas, con puntos o rectas que se
mueven, para mostrar la evolucin del algoritmo. Los ejemplos
de demostracin tambin estn integrados con el libro, puesto
que usan la misma notacin y terminologa, y se refieren al
material del libro. Los estudiantes encuentran que es una ayuda
amigable y eficaz para el aprendizaje.
IOR TUTORIAL
Otra caracterstica importante del OR Courseware es un paquete
de software llamado Interactive Operations Research Tutorial
o IOR Tutorial. ste es un producto de Accelet Corporation que
se ha diseado en forma especfica para usarse con este libro. Se
emplean caractersticas tutoriales innovadoras para que el proceso de aprendizaje de los algoritmos de este libro sea eficiente
y amigable en la medida de lo posible. Est implementado en
Java 2, por lo que se puede operar sobre cualquier plataforma.
Vea las pantallas introductorias para conocer las instrucciones
especficas de instalacin.
El IOR Tutorial incluye una gran cantidad de rutinas interactivas para las diferentes reas de conocimiento que cubre
el libro. Cada una de estas rutinas permite ejecutar de manera interactiva uno de los algoritmos de IO. Mientras se ve la
informacin relevante en la pantalla, puede tomar la decisin
de cmo realizar el siguiente paso del algoritmo y despus la
computadora hace todos los clculos necesarios para cumplir
ese objetivo. Cuando se descubre un error cometido antes, la
rutina le permite regresar para corregirlo. Para que inicie bien,
la computadora seala cualquier error que tenga en la primera
iteracin (cuando es posible). Al terminar, puede imprimir todo
el trabajo que realiz para entregarlo como tarea.
A juicio de los autores, estas rutinas interactivas proporcionan la forma correcta en esta era de las computadoras para
que los estudiantes realicen sus tareas diseadas para ayudarlo
a comprender los algoritmos de IO. Las rutinas facilitan que
se concentre en los conceptos y no en un sinfn de nmeros
sin sentido, para hacer que el proceso de aprendizaje sea ms
eficiente, eficaz y estimulante. Tambin lo conducen en la direccin correcta, que incluye la organizacin de un trabajo bien
hecho. Sin embargo, las rutinas no piensan por usted. Como
en cualquier asignacin de tarea bien diseada, puede cometer
errores (y aprender de ellos), de manera que necesitar pensar
mucho para conservar la direccin correcta. Se ha tenido cuidado de crear una divisin del trabajo entre la computadora
y el estudiante para que se pueda llevar a cabo un proceso de
aprendizaje eficiente y completo.
Una vez que aprehenda la lgica de un algoritmo con la ayuda de una rutina interactiva, tendr deseos de aplicar el algoritmo con rapidez de ah en adelante, mediante una rutina automtica. Este tipo de rutinas se encuentra en uno o ms paquetes
de software, que se analizarn ms adelante, para la mayora
de los algoritmos descritos en el libro. No obstante, en el caso
de ciertos algoritmos que no estn incluidos en los paquetes
comerciales (y para algunos que s lo estn), en el IOR Tutorial
se proporcionan algunas rutinas automticas especiales. Estas
rutinas estn diseadas slo para resolver los problemas de tamao moderado incluidos en el libro.
ARCHIVOS DE EXCEL
El OR Courseware incluye archivos de Excel por separado para
casi cada captulo del libro. Lo normal es que el archivo incluya
926
APNDICE 1
COMPLEMENTOS DE EXCEL
En el OR Courseware se incluyen cuatro complementos de Excel. Uno es el Premium Solver for Education, que es una versin
ms poderosa que el Solver estndar de Excel. Premium Solver
es un producto de la misma organizacin que desarroll Solver
de Excel y tambin agreg Evolutionary Solver que se explica
en la seccin 12.10. Vea el sitio web del libro donde encontrar instrucciones para bajarlas del sitio www.solver.com de su
desarrollador (Frontline Systems Inc.), pues ambas utilizan el
cdigo de texto (HLITOR) y el cdigo de curso que necesita
obtener el instructor (siga las instrucciones en el sitio web).
Tres de los otros complementos de Excel son las versiones
acadmicas de SensIt (que se introdujo en la seccin 15.5),
Tree-Plan (seccin 15.5) y RiskSim (seccin 20.6). Todos son
de uso comn y fueron desarrollados por el profesor Michael
R. Middleton para Windows y Macintosh. La documentacin
de los tres complementos se incluye en el sitio web del libro.
Como el software es shareware, quien desee usarlo despus
del curso debe registrarse y pagar la cuota.
Igual que con cualquier complemento de Excel, cada uno de
ellos deben instalarse antes de operar. (Lo mismo ocurre con
Excel Solver.) Las instrucciones de instalacin se incluyen en
el OR Courseware.
MPL/CPLEX
Como se estudi en las secciones 3.7 y 4.8, MPL es un lenguaje
de modelado reciente y su solucionador CPLEX es en particular
poderoso. Cualquier otro solucionador poderoso (que se describe en el siguiente prrafo) es compatible con MPL. La versin
para estudiantes de MPL y CPLEX se incluyen en el OR Courseware. Aunque esta versin est limitada a problemas mucho
ARCHIVOS LINGO/LINDO
Este libro utiliza el popular lenguaje de modelado LINGO (vea
especialmente el final de la Seccin 3.7, los suplementos del
captulo 3 y el apndice 4.1) incluyendo el tradicional subconjunto de sintaxis LINDO (vea seccin 4.8 y apndice 4.1).
Versiones estudiantiles actualizadas de LINGO y LINDO (y el
solucionador para hojas de clculo Whats Best) se pueden bajar
de la pgina www.lindo.com.
El OR Courseware incluye un gran nmero de archivos de
LINGO/LINDO o de LINGO (cuando LINDO no es relevante)
para muchos captulos. Cada archivo proporciona los modelos
de LINDO y LINGO y las soluciones de los diferentes ejemplos
del captulo a los que se aplica. El sitio web del libro tambin
contiene tutoriales de LINGO y LINDO.
ACTUALIZACIONES
El mundo del software evoluciona con mucha rapidez durante la
vida de una edicin de un libro de texto. Los autores consideran
que la documentacin que se proporciona en este apndice es
correcta en el momento de escribirla, pero sin duda ocurrirn
cambios con el tiempo.
Para obtener informacin acerca de las actualizaciones
de software, puede visitar la pgina del libro, www.mhhe.com/
hillier.
A P N D I C E
Convexidad
d 2f (x)
0 para todos los valores
1. Convexa si y slo si
dx 2
posibles de x
d 2f (x)
0 para todos
2. Estrictamente convexa si y slo si
dx 2
los valores posibles de x
d 2f (x)
0 para todos los valores
3. Cncava si y slo si
dx 2
posibles de x
d 2f (x)
4. Estrictamente cncava si y slo si
0 para todx 2
dos los valores posibles de x
Observe que una funcin estrictamente convexa tambin es convexa, pero una funcin convexa no es estrictamente convexa si
la segunda derivada es igual a cero para algunos valores de x. De
igual manera, una funcin estrictamente cncava es cncava,
pero el inverso puede no ser cierto.
Las figuras A2.1 a A2.6 dan ejemplos que ilustran estas definiciones y la prueba de convexidad.
Al aplicar esta prueba a la funcin de la figura A2.1, se ve
que cuando x crece, la pendiente (primera derivada) crece (para
928
APNDICE 2
CONVEXIDAD
f(x)
FIGURA A2.1
Funcin convexa.
FIGURA A2.2
Funcin estrictamente
convexa.
f(x)
APNDICE 2
CONVEXIDAD
929
f(x)
FIGURA A2.3
Funcin cncava.
FIGURA A2.4
Funcin estrictamente
cncava.
FIGURA A2.5
Funcin que es tanto cncava como convexa.
ni convexa.
f(x)
f(x)
f(x)
FIGURA A2.6
Funcin que no es cncava
930
APNDICE 2
CONVEXIDAD
(2)
(3)
2
2
x1
x2
x1x2
2(2) (2)2 0,
2
f(x1, x2)
2 0,
x21
un punto especfico si su segunda derivada o sus derivadas parciales satisfacen las condiciones de convexidad en ese punto.
Este concepto es de utilidad en el apndice 3.
Por ltimo, deben mencionarse dos propiedades en particular importantes de las funciones convexas. Primero, si f(x1, x2,
, xn) es convexa, entonces g(x1, x2, , xn) 5 2 f(x1, x2, , xn)
es cncava, y viceversa, como se ilustra en el ejemplo anterior
donde f(x1, x2) 5 (x1 2 x2)2. Segundo, la suma de funciones convexas es convexa y la suma de funciones cncavas es cncava.
Como ilustracin,
2f(x , x2)
1
2 0.
x22
Como $ 0 se cumple para las tres condiciones, f (x1, x2) es convexa. Sin embargo, no es estrictamente convexa porque la primera condicin slo da 5 0 en lugar de . 0.
Ahora considere el negativo de esta funcin
(4)
2
2
x1
x2
x1x2
2(2) 22 0,
(5)
g(x1, x2)
2 0,
x21
(6)
2g(x1, x2)
2 0.
x22
CONJUNTOS CONVEXOS
El concepto de una funcin convexa lleva de una manera bastante natural al concepto relacionado de conjunto convexo. As, si
f (x1, x2, , xn) es una funcin convexa, la coleccin de puntos
que se encuentran arriba o sobre la grfica de f (x1, x2, , xn)
forman un conjunto convexo. De igual modo, la coleccin de
puntos que se encuentran abajo o sobre la grfica de una funcin
cncava es un conjunto convexo. Estos casos se ilustran en las
figuras A2.7 y A2.8 cuando se tiene una sola variable independiente. Ms an, los conjuntos convexos tienen la importante
propiedad de que, para cualquier grupo dado de conjuntos convexos, la coleccin de puntos que se encuentran en todos ellos
(es decir, su interseccin) tambin es un conjunto convexo. Por
lo tanto, la coleccin de puntos que estn tanto arriba como
1
x21
x 22
x1x2
2f (x1, x2)
x 21
2f (x1, x2)
x 22
Convexa
Estrictamente
convexa
Cncava
Estrictamente
cncava
APNDICE 2
f(x)
CONVEXIDAD
931
x2
f(x)
x1
x
FIGURA A2.7
Ejemplo de un conjunto
convexo determinado por
una funcin convexa.
sobre una funcin convexa, y tanto abajo como sobre una funcin cncava, es un conjunto convexo, como se ve en la figura
A2.9. Por lo tanto, los conjuntos convexos pueden concebirse
de manera intuitiva como una coleccin de puntos cuya frontera
inferior es una funcin convexa y cuya frontera superior es una
funcin cncava.
Aunque puede ser til describir los conjuntos convexos en
trminos de funciones cncavas y convexas para desarrollar la
intuicin sobre su naturaleza, sus definiciones actuales no tienen nada que ver (directamente) con tales funciones.
Definicin: Un conjunto convexo es una coleccin de
puntos tales que, para cada par de puntos de la coleccin,
el segmento rectilneo completo que une estos dos puntos
tambin est en la coleccin.
La diferencia entre conjuntos no convexos y conjuntos convexos se ilustra en las figuras A2.10 y A2.11. As, el conjunto
FIGURA A2.10
Ejemplo de un conjunto no
convexo.
FIGURA A2.11
Ejemplo de un conjunto
convexo.
x2
x2
FIGURA A2.9
Ejemplo de un conjunto convexo determinado tanto por una
funcin convexa como por una
cncava.
FIGURA A2.8
Ejemplo de un conjunto
convexo determinado por
una funcin cncava.
x1
x1
A P N D I C E
n este apndice se exponen en forma breve los mtodos clsicos del clculo para encontrar una solucin que maximice
o minimice: 1) una funcin de una sola variable, 2) una funcin
de varias variables y 3) una funcin de varias variables sujeta a
restricciones respecto de los valores de estas variables. Se supone que las funciones que se estudian tienen primera y segunda
derivadas continuas y derivadas parciales en todas partes. Algunos de los conceptos que se presentan aqu se introdujeron en
las secciones 12.2 y 12.3.
OPTIMIZACIN NO RESTRINGIDA DE
UNA FUNCIN DE UNA SOLA VARIABLE
Considere una funcin de una variable como la que se muestra
en la figura A3.1. Una condicin necesaria para que una solucin particular, x 5 x*, sea un mnimo o un mximo es que
df (x)
0
dx
en x x*.
d 2f (x)
0
dx2
df (x)
0
dx
en x x*,
FIGURA A3.1
Funcin que tiene varios
mximos y mnimos.
en x x*
f(x)
Mximo
local
Punto de
infexin
Mximo
global
Mnimo
local
Mnimo
global
x
APNDICE 3
en x x*
OPTIMIZACIN NO RESTRINGIDA DE
UNA FUNCIN DE VARIAS VARIABLES
El anlisis de una funcin no restringida de varias variables
f (x), donde x 5 (x1, x2, , xn) es parecido. As, una condicin
necesaria para que una solucin x 5 x* sea un mnimo o un
mximo es que
f(x)
0
xj
933
donde las nuevas variables l 5 (l1, l2, , lm) se llaman multiplicadores de Lagrange. Observe el hecho fundamental de que
para los valores factibles de x,
gi(x) bi 0,
para toda i,
en x x*, para j 1, 2, . . . , n.
OPTIMIZACIN RESTRINGIDA
CON RESTRICCIONES DE IGUALDAD
Ahora considere el problema de encontrar el mnimo o mximo
de la funcin f (x), sujeta a la restriccin de que x debe satisfacer
todas las ecuaciones
g1(x) b1
g2(x) b2
gm(x) bm,
donde m , n. Por ejemplo, si n 5 2 y m 5 1, el problema podra ser
Maximizar
f (x1, x2) x21 2x2,
sujeta a
g(x1, x2) x21 x22 1.
g
h
f
i i 0,
xj
xj
xj i1
h
gi(x) bi 0,
i
para j 1, 2, . . . , n,
para i 1, 2, . . . , m,
934
APNDICE 3
La primera ecuacin implica que l 5 1 o x1 5 0. Si l 5 1, entonces las otras dos ecuaciones implican que x2 5 1 y x1 5 0. Si x1
5 0, entonces la tercera ecuacin implica que x2 5 61. Por lo
tanto, los dos puntos crticos del problema original son (x1, x2)
5 (0, 1) y (0, 1). En consecuencia, es evidente que estos dos
puntos son los respectivos mximo y mnimo globales.
F(y)
dy
dy
exy dx
1
(x)exy dx 2
y
para cualquier valor positivo de y. De esta forma, el procedimiento intuitivo para intercambiar el orden de derivacin e integracin es vlido en este caso.
Sin embargo, encontrar la derivada se vuelve un poco ms
complicado cuando los lmites de integracin son funciones.
En particular,
dy
h(y)
g(y)
f(x, y) dx
h(y)
g(y)
f(x, y)
dx
y
dh(y)
dg(y)
f(h(y), y) f (g(y), y) ,
dy
dy
h(y)
f(x, y) dx,
g(y)
donde g(y) y h(y) son los lmites de integracin expresados como funciones de y.
Primero, suponga que estos lmites de integracin son constantes, de manera que g(y) 5 a y h(y) 5 b, respectivamente. En
este caso especial puede demostrarse que, dadas las condiciones de regularidad supuestas al principio de este apndice, la
derivada es slo
b
f(x, y) dx
f(x, y)
dx.
y
donde f (h(y), y) se obtiene al escribir la funcin f (x, y) y sustituir x por h(y) cada vez que aparece y lo mismo para f (g(y),
y). Como ilustracin, si f (x, y) 5 x2y3, g(y) 5 y y h(y) 5 2y,
entonces
dy
2y
x2y3 dx
2y
14y5
para cualquier valor positivo de y.
A P N D I C E
A 3
4
1
2.4
0
2
1
15
kA kaij.
Por ejemplo,
1
5
2
3
0 3
15
1
0
6
.
9
A B aij bij.
A manera de ilustracin,
5 3
2 0
7
1 6
3 1
4
3
.
7
A B aij bij.
Por ejemplo,
5 3
2
1 6
3
0
3
1
2
3
.
5
936
APNDICE 4
AB
aik bkj ,
k1
3 1
4
0
2 3
2(3) 3(2) 2(1) 3(5)
7 11
12 4 .
12 17
Por otro lado, si se intenta multiplicar estas matrices en el orden
contrario, el producto que resulta
3
2
1
1
4
5
2
no est definido.
Aun cuando AB y BA estn definidos,
AB BA
en general. Entonces, la multiplicacin de matrices debe verse
como una operacin formulada especialmente, cuyas propiedades son muy diferentes de la multiplicacin aritmtica. Para
comprender por qu se adopt esta definicin especial, considere el siguiente sistema de ecuaciones:
2x1 x2 5x3 x4 20
x1 5x2 4x3 5x4 30
3x1 x2 6x3 2x4 20.
En lugar de escribir estas ecuaciones como se muestra aqu, se
pueden escribir de manera mucho ms concisa en forma matricial como
Ax 5 b,
donde
A 1
1
5
1
5 1
4 5 ,
6 2
x1
x2
x ,
x3
x4
20
b 30 .
20
A 1
4
entonces
AT
5
2
3 ,
0
1
3
4
.
0
0 1 0 0
I 0 0 1 0
0 0 0 1
El nmero de renglones o columnas de I puede especificarse
como se desee. La analoga de I con el 1 se deduce del hecho
de que para cualquier matriz A,
IA 5 A 5 AI,
APNDICE 4
donde se asigna a I el nmero adecuado de renglones y columnas para que la operacin de multiplicacin est definida.
De manera similar, la matriz anloga al cero es la llamada
matriz nula o matriz 0, que tiene cualquier tamao con elementos todos ceros. As,
0 0 0
0 0 0
0 0 0
A 1 0 5 A,
A A 5 0
0A 5 0 5 A0,
a13
a23
a33
es un vector-5.
Un vector nulo 0 es un vector rengln o un vector columna
cuyos elementos son todos cero, o sea,
a14
a11
a24
A21
a34
A12
,
A22
donde
A12 [a12,
a13,
a14],
A21
a ,
a21
31
A22
a22
32
a23
a33
a24
a34
son todas submatrices. En lugar de realizar las operaciones elemento por elemento en particiones de este tipo, pueden hacerse
en trminos de las submatrices, siempre que las particiones sean
tales que las operaciones estn definidas. Por ejemplo, si B es
una matriz partida de 4 3 1 tal que
0 [0, 0, . . . , 0]
0
0
0 .
b1
b
b1
2
B
,
b
B2
3
b4
A manera de ilustracin, si m 5 3 y
x1 5 [1, 1, 1],
entonces
a11b1 A12B2
AB
.
A21b1 A22B2
x1
x
2
x
xn
donde 0 es del tamao adecuado en cada caso para que la operacin est definida.
En ciertas ocasiones es til hacer una particin de una matriz en varias matrices ms pequeas, llamadas submatrices.
Por ejemplo, una manera posible de hacer una particin de una
matriz de 3 3 4 es
a12
a22
a32
es un vector rengln, y
es un vector columna. (Los vectores se denotarn aqu por minsculas en negritas.) Tambin suelen llamarse vectores-n para indicar que tienen n elementos. Por ejemplo,
a11
A a21
a31
937
x2 5 [0, 1, 1],
x3 5 [2, 5, 5],
VECTORES
Un tipo especial de matrices que tiene un papel importante en
la teora de matrices es la que tiene un solo rengln o una sola
columna. Con frecuencia se hace referencia a estas matrices
como vectores. As,
x 5 [x1, x2, . . . , xn]
938
APNDICE 4
A 0
1
1
5
1 ,
entonces los vectores linealmente dependientes del ejemplo anterior muestran que el rango por rengln de A es 2. El rango
por columna de A tambin es 2. (Los primeros dos vectores columna son linealmente independientes pero el segundo vector
columna menos el tercero es igual a 0.) Esto no es coincidencia,
como lo indica el siguiente teorema.
Teorema A4.2: El rango por rengln y el rango por columna de una matriz son iguales.
1
5
4
.
1
A1
c d.
a b
AA1
a2c
5a24c
5b24d
1
b2d
0
as
5a24c 5 1
a2c50
0
,
1
5b24d 5 0
b2d51
APNDICE 4
Al resolver estos dos pares de ecuaciones simultanas se encuentra que a 5 1, c 5 1 y b 5 24, d 5 25 con lo que
A1
1
1
Por lo tanto,
4
.
5
939
AA1
1
5
4
1
1
4
0
5
0
,
1
A1A
4
5
1
5
1
4
0
1
0
.
1
y
1
A P N D I C E
2
1
ex / 2 dx
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.0
0.1
0.2
0.3
0.4
.5000
.4602
.4207
.3821
.3446
.4960
.4562
.4168
.3783
.3409
.4920
.4522
.4129
.3745
.3372
.4880
.4483
.4090
.3707
.3336
.4840
.4443
.4052
.3669
.3300
.4801
.4404
.4013
.3632
.3264
.4761
.4364
.3974
.3594
.3228
.4721
.4325
.3936
.3557
.3192
.4681
.4286
.3897
.3520
.3156
.4641
.4247
.3859
.3483
.3121
0.5
0.6
0.7
0.8
.3085
.2743
.2420
.2119
.3050
.2709
.2389
.2090
.3015
.2676
.2358
.2061
.2981
.2643
.2327
.2033
.2946
.2611
.2296
.2005
.2912
.2578
.2266
.1977
.2877
.2546
.2236
.1949
.2843
.2514
.2206
.1922
.2810
.2483
.2177
.1894
.2776
.2451
.2148
.1867
0.9
1.0
1.1
1.2
1.3
1.4
.1841
.1587
.1357
.1151
.0968
.0808
.1814
.1562
.1335
.1131
.0951
.0793
.1788
.1539
.1314
.1112
.0934
.0778
.1762
.1515
.1292
.1093
.0918
.0764
.1736
.1492
.1271
.1075
.0901
.0749
.1711
.1469
.1251
.1056
.0885
.0735
.1685
.1446
.1230
.1038
.0869
.0721
.1660
.1423
.1210
.1020
.0853
.0708
.1635
.1401
.1190
.1003
.0838
.0694
.1611
.1379
.1170
.0985
.0823
.0681
1.5
1.6
1.7
1.8
1.9
.0668
.0548
.0446
.0359
.0287
.0655
.0537
.0436
.0351
.0281
.0643
.0526
.0427
.0344
.0274
.0630
.0516
.0418
.0336
.0268
.0618
.0505
.0409
.0329
.0262
.0606
.0495
.0401
.0322
.0256
.0594
.0485
.0392
.0314
.0250
.0582
.0475
.0384
.0307
.0244
.0571
.0465
.0375
.0301
.0239
.0559
.0455
.0367
.0294
.0233
2.0
2.1
2.2
2.3
2.4
.0228
.0179
.0139
.0107
.00820
.0222
.0174
.0136
.0104
.00798
.0217
.0170
.0132
.0102
.00776
.0212
.0166
.0129
.00990
.00755
.0207
.0162
.0125
.00964
.00734
.0202
.0158
.0122
.00939
.00714
.0197
.0154
.0119
.00914
.00695
.0192
.0150
.0116
.00889
.00676
.0188
.0146
.0113
.00866
.00657
.0183
.0143
.0110
.00842
.00639
2.5
2.6
2.7
2.8
2.9
.00621
.00466
.00347
.00256
.00187
.00604
.00453
.00336
.00248
.00181
.00587
.00440
.00326
.00240
.00175
.00570
.00427
.00317
.00233
.00169
.00554
.00415
.00307
.00226
.00164
.00539
.00402
.00298
.00219
.00159
.00523
.00391
.00289
.00212
.00154
.00508
.00379
.00280
.00205
.00149
.00494
.00368
.00272
.00199
.00144
.00480
.00357
.00264
.00193
.00139
3
4
5
6
.00135
.04317
.06287
.09987
.03968
.04207
.06170
.09530
.03687
.04133
.07996
.09282
.03483
.05854
.07579
.09149
.03337
.05541
.07333
.010777
.03233
.05340
.07190
.010402
.03159
.05211
.07107
.010206
.03108
.05130
.08599
.010104
.04723
.06793
.08332
.011523
.04481
.06479
.08182
.011260
Fuente: F. E. Croxton, Tables of Areas in Two Tails and in One Tail of the Normal Curve. Derechos reservados 1949 por Prentice-Hall, Inc., Englewood Cliffs, NJ.
RESPUESTAS PARCIALES
A PROBLEMAS SELECCIONADOS
CAPTULO 3
3.1-1. a)
x2
x1
Z 5 4 500x1 1 4 500x2,
sujeta a
1
x2
1
5 000x1 4 000x2 6 000
400x1 500x2 600
x1
y
x1 0,
x2 0.
3.4-3. a) Proporcionalidad: se cumple, puesto que se implica que una fraccin fija de la dosis de radiacin
en un punto dado de entrada es absorbida por un rea dada.
Aditividad: se cumple, puesto que se establece que la absorcin de la radiacin que emite rayos
mltiples es aditiva.
Divisibilidad: se cumple, pues la fuerza del rayo puede tener cualquier nivel fraccionario.
Certidumbre: debido a la complejidad del anlisis que se requiere para estimar los datos sobre
la absorcin de la radiacin en los diferentes tipos de tejido, existe incertidumbre
considerable sobre los datos, por lo que debe usarse el anlisis de sensibilidad.
3.4-12. b) De la fbrica 1, enviar 200 unidades al cliente 2 y 200 unidades al cliente 3. De la fbrica 2,
enviar 300 unidades al cliente 1 y 200 unidades al cliente 3.
3.4-13. c) Z 5 $152 880; A1 5 60 000; A3 5 84 000; D5 5 117 600. Todas las otras variables de decisin
son 0.
3.4-15. b) Cada solucin ptima tiene Z 5 $13 330.
942
3.5-2. (c, e)
Actividad 1
Actividad 2
Totales
1
2
3
2
3
2
1
3
4
10
20
20
20
3.333
30
3.333
$166.67
3.5-5. a) Minimizar
Recursos
disponibles
10
20
20
sujeta a
90C 1 20T 1 40A $ 200
30C 1 80T 1 60A $ 180
10C 1 20T 1 60A $ 150
y
C $ 0,
T $ 0,
A $ 0.
CAPTULO 4
4.1-4. a) Las soluciones en un vrtice que son factibles son (0, 0), (0, 1), (14, 1), (23, 23), (1, 14) y (1, 0).
4.3-4. (x1, x2, x3) 5 (0, 10, 6 23); Z 5 70.
4.6-1. a), c) (x1, x2) 5 (2, 1); Z 5 7.
4.6-3. a), c), e) (x1, x2, x3) (45, 95, 0); Z 7.
4.6-9. a), b), d) (x1, x2, x3) 5 (0, 15, 15); Z 5 90.
c) Tanto en el mtodo de la gran M como en el de dos fases, la nica tabla smplex final representa una
solucin factible del problema real.
4.6-13. a), c) (x1, x2) (87, 178); Z 870.
4.7-5. a) (x1, x2, x3) 5 (0, 1, 3); Z 5 7.
b) y1* 21, y2* 25, y3* 0. stos son los valores marginales de los respectivos recursos 1, 2 y 3.
CAPTULO 5
5.1-1. a) (x1, x2) 5 (2, 2) es ptima. Otras soluciones FEV son (0, 0), (3, 0) y (0, 3).
5.1-12. (x1, x2, x3) 5 (0, 15, 15) es ptima.
5.2-2. (x1, x2, x3, x4, x5) 5 (0, 5, 0, 52, 0); Z 5 50.
5.3-1. a) El lado derecho es Z 5 8, x2 5 14, x6 5 5, x3 5 11.
b) x1 5 0, 2x1 2x2 1 3x3 5 5, x1 1 x2 x3 5 3.
CAPTULO 6
6.1-1. a) Minimizar
sujeta a
2y1 1 y2 1 5y3 $ 10
2y1 1 y2 1 3y3 $ 20
y
y1 $ 0,
y2 $ 0,
y3 $ 0.
6.3-1. c)
943
Factible?
Problema dual
ZW
Factible?
Solucin bsica
(0, 0, 6, 8)
1
3
1, 0, 0, 5
5
5
(0, 4, 2, 0)
1 1
, 3, 0, 0
2 2
(0, 6, 0, 4)
(4, 0, 14, 0)
No
(4, 0, 0, 6)
24
No
(0, 5, 10, 0)
1 3
2, 3, 0, 0
2 4
(10, 0, 30, 0)
(0, 10, 0, 10)
40
No
S y ptima
45
S y ptima
No
No
60
80
S
S
6.3-7. c) Las variables bsicas son x1 y x2. Las otras variables son no bsicas.
e) x1 1 3x2 1 2x3 1 3x4 1 x5 5 6, 4x1 1 6x2 1 5x3 1 7x4 1 x5 5 15, x3 5 0, x4 5 0, x5 5 0.
La solucin FEV ptima es (x1, x2, x3, x4, x5) 5 (32, 32, 0, 0, 0).
W 5 8y1 1 6y2,
6.4-3. Maximizar
sujeta a
y1 1 3y2 # 2
4y1 1 2y2 # 3
2y1
#1
y
y1 $ 0,
y2 $ 0.
6.4-8. a) Minimizar
sujeta a
y2 2 3y3 5 21
3y1 2 y2 1 y3 5 2
y1 2 4y2 1 2y3 5 1
y
y1 $ 0,
y2 $ 0,
y3 $ 0.
6.6-1. d) No es ptima puesto que 2y1 1 3y2 $ 3 se viola para y1* 15, y2* 35.
f) No es ptima puesto que 3y1 1 2y2 $ 2 se viola para y1* 15, y2* 35.
6.7-1.
Inciso
a)
b)
c)
d)
e)
f)
g)
h)
i)
6.7-3. 10
(0,
(0,
(0,
(0,
(0,
(0,
(0,
(0,
(0,
30,
20,
10,
20,
20,
10,
20,
20,
20,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
30)
10)
60)
10)
10)
40)
10)
10, x6 10)
0)
Factible?
No
No
S
S
S
S
S
No
S
ptima?
No
No
S
S
S
No
S
No
S
10
6.7-12. a) b1 2, 6 b2 18, 12 b3 24
15
b) 0 c1 2, c2 2
6.8-4. f) El intervalo permisible para permanecer ptimo de la ganancia unitaria por producir juguetes
es de $2.50 a $5.00. El intervalo correspondiente para producir subensambles es de 2$3.00 a
2$1.50.
944
6.8-6. f) En el caso del inciso a), el cambio est dentro del incremento permisible de $10, por lo que la
solucin ptima no cambia. En el del inciso b), el cambio est fuera de la disminucin permisible
de $5, por lo que la solucin ptima podra cambiar. Con respecto al inciso c), la suma de los
porcentajes de los cambios permisibles es 250%, por lo que la regla de 100% para cambios simultneos en los coeficientes de la funcin objetivo indica que la solucin ptima podra cambiar.
CAPTULO 7
2
22
7.1-2. (x1, x2, x3) (3, 2, 0) con Z 3 es ptima.
7.1-6. a) La nueva solucin ptima es (x1, x2, x3, x4, x5) 5 (0, 0, 9, 3, 0) con Z 5 117.
7.2-1. a, b)
Intervalo de u
Z(uu)
Solucin ptima
02
28
8
5)
10
3
0)
120 10
320 10
3
40 5
7.2-4.
Solucin ptima
Intervalo de u
01
15
5 25
x1
x2
Z(uu)
10 2
10 2
25
10 2
15 3
0
30 6
35
50 2
CAPTULO 8
8.1-3. b)
Destino
Hoy
Origen
Maana
Ficticio
Dick
Harry
3.0
2.9
2.7
2.8
0
0
Demanda
3.0
4.0
Recursos
5
4
8.2-2. a) Variables bsicas: x11 5 4, x12 5 0, x22 5 4, x23 5 2, x24 5 0, x34 5 5, x35 5 1, x45 5 0; Z 5 53.
b) Variables bsicas: x11 5 4, x23 5 2, x25 5 4, x31 5 0, x32 5 0, x34 5 5, x35 5 1, x42 5 4; Z 5 45.
c) Variables bsicas: x11 5 4, x23 5 2, x25 5 4, x32 5 0, x34 5 5, x35 5 1, x41 5 0, x42 5 4; Z 5 45.
8.2-7. a) x11 5 3, x12 5 2, x22 5 1, x23 5 1, x33 5 1, x34 5 2; tres iteraciones para lograr la optimalidad.
b), c) x11 5 3, x12 5 0, x13 5 0, x14 5 2, x23 5 2, x32 5 3; ya es ptimo.
8.2-10. x11 5 10, x12 5 15, x22 5 0, x23 5 5, x25 5 30, x33 5 20, x34 5 10, x44 5 10; costo 5 $77.30. Tambin
se tienen otras soluciones ptimas empatadas.
8.2-11. b) Sea xij el envo desde la planta i al centro de distribucin j. Entonces x13 5 2, x14 5 10, x22 5 9,
x23 5 8, x31 5 10, x32 5 1; costo 5 $20 200.
8.3-4. a)
Tarea
Carl
Chris
Asignado David
Tony
Ken
Dorso
Pecho
Mariposa
Libre
Ficticio
37.7
32.9
33.8
37.0
35.4
43.4
33.1
42.2
34.7
41.8
33.3
28.5
38.9
30.4
33.6
29.2
26.4
29.6
28.5
31.1
0
0
0
0
0
945
CAPTULO 9
9.3-3. a) O A B D T
9.4-1. a) {(O, A); (A, B); (B, C); (B, E); (E, D); (D, T)}, con longitud 5 18.
9.5-1. Arco
Flujo
(1, 2)
(1, 3)
(1, 4)
(2, 5)
(3, 4)
(3, 5)
(3, 6)
(4, 6)
(5, 7)
(6, 7)
Duracin
A
B
C
D
E
3
3
3
2
2
Costo
semanas
semanas
semanas
semanas
semanas
$54 000
$65 000
$68 666
$41 500
$80 000
CAPTULO 10
10.3-2.
Tienda
Asignaciones
10.3-7. a)
1
3
2
2
2
0
Fase
a)
b)
1
2
3
2M
1M
1M
2.945M
1.055M
0
6%
6.302 %
1.6056, x2 5 13
1.3944; Z 98.233.
10.3-11. x1 2 13
CAPTULO 11
11.1-2. a) Minimizar
sujeta a
xem xec xed xel 2
xsm xsc xsd xsl 2
xem xsm 1
xec xsc 1
xed xsd 1
xel xsl 1
y
todas las xij son binarias.
946
11.3-1. b)
Restriccin
Primera
Segunda
5
4
Ingreso marginal
Solucin
$70
0
0
Costo preparacin?
0
Costo inicio
$50 000
3
6
6
3
4
5
$60
2 000
9 999
1
$40 000
$90
0
0
0
$70 000
1
1
Lado
derecho
modificado
Lado
derecho
original
6 000
105 999
6 000
6 000
6 000
12 000
$80
$80 000
0
0
0
1
$60 000
Restricciones de contingencia:
Producto 3:
Producto 4:
0
0
:Producto 1 o 2
:Producto 1 o 2
11.3-5. b, d) (grande, mediano, chico) 5 (14, 0, 16), con una ganancia de $95.6 millones.
11.4-3. b)
Restriccin
Fresadora
Torno
Rectificadora
Pot. de ventas
Gan. unitaria
Solucin
Producir?
0
1
Producto
1
Producto
2
Producto
3
Totales
9
5
3
0
3
4
0
0
5
0
2
1
498
349
135
0
50
45
999
1
20
31
999
1
25
0
0
0
$2 870
Lado
derecho
500
350
150
20
CAPTULO 12
12.2-7. a) Cncava.
12.4-1. a) Solucin aproximada 5 1.0125.
12.5-3. La solucin exacta es (x1, x2) 5 (2, 22).
947
0
0
0
0
si
si
si
si
x1 0).
x2 0).
u1 0).
u2 0).
x2 0,
12.8-2. b) Maximizar
u1 0,
y1 0,
y2 0,
v1 0,
z1 0,
sujeta a
x11 x12 x13 3x21 3x22 3x23 8
5x11 5x12 5x13 2x21 2x22 2x23 14
y
0 xij 1,
para i 1, 2, 3; j 1, 2, 3.
1 2
12.9-8. a) (x1, x2) , .
3 3
1
1
12.9-14. a) P(x; r) 2x1 (x2 3)2 r .
x1 3
x2 3
r 1/2
r 1/3
b) (x1, x2) 3 , 3
2
2
CAPTULO 13
13.2-2. La mejor solucin que se encontr tiene ligaduras AC, BC, CD y DE.
13.4-2. a) En el caso del primer hijo, las opciones de la primera ligadura son 1-2, 1-8, 1-5 y 1-4, por lo
que los nmeros aleatorios 0.09656 y 0.96657 indican que se debe elegir la ligadura 1-2 y que no ocurren
mutaciones. Las opciones de la segunda ligadura son, entonces, 2-3, 2-8 y 2-4, y as de manera sucesiva.
Ocurre una mutacin en la quinta ligadura. El primer hijo completo es 1-2-8-5-6-4-7-3-1.
CAPTULO 14
14.2-2. a) Jugador 1: estrategia 2; jugador 2: estrategia 1.
14.2-7. a) Poltico 1: tema 2; poltico 2: tema 2.
b) Poltico 1: tema 1; poltico 2: tema 2.
2 3
1
4
8
14.4-4. (x1, x2) (5, 5); (y1, y2, y3) (5, 0, 5); v 5.
14.5-3. a) Maximizar
sujeta a
5x1 2x2 3x3 x4
3x1 4x2 2x3 x4
3x1 3x2 2x3 x4
x1 2x2 4x3 x4
x1 x2 x3 x4
x4,
0
0
0
0
1
y
x1 0,
x2 0,
x3 0,
x4 0.
948
CAPTULO 15
15.2-2. a)
Estado de la naturaleza
Alternativa
Vender 10 000
Construir computadoras
Vender los derechos
0
15
54
15
c) Sea p 5 probabilidad a priori de vender 10 000. Deben construir cuando p # 0.722 y vender cuando
p . 0.722.
15.2-4. c) Warren debe hacer una inversin contracclica.
15.2-8. Ordenar 25.
15.3-2. a) VEIP 5 PE (con informacin perfecta) PE (sin ms informacin) 5 34.5 27 5 $7.5 millones.
d)
P (Resultado Estado)
Datos:
Estado de la
naturaleza
Resultado
Probabilidad
a priori
Vender 10 000
0.5
0.5
0.666666667
0.333333333
0.333333333
0.666666667
Vender 10 000
Vender 100 000
P (Estado Resultado)
Probabilidad
a posteriori
Estado de la naturaleza
Resultado
P (Resultado)
Vender 10 000
Vender 10 000
Vender 100 000
0.5
0.5
0.666666667
0.333333333
0.333333333
0.666666667
Riesgo malo
Riesgo promedio
Riesgo bueno
Extender el crdito
No extender el crdito
15 000
0
10 000
0
20 000
0
Probabilidades a priori
0.2
0.5
0.3
c) VEIP 5 PE (con informacin perfecta) PE (sin ms informacin) 5 11 000 8 000 5 $3 000. Este
resultado indica que no se debe utilizar la organizacin de clasificacin de crdito.
15.3-13. a) Suponga moneda 1.
b) Cara: moneda 2; cruz: moneda 1.
15.4-2. La poltica ptima es no hacer investigacin de mercado y construir computadoras.
15.4-4. c) VEIP 5 PE (con informacin perfecta) PE (sin ms informacin) 5 1.8 1 5 $800 000
949
d) Probabilidades Probabilidades
Probabilidades
Probabilidades
a priori
condicionales
conjuntas
a posteriori
P (estado) P (resultado|estado) P (estado y resultado) P (estado|resultado)
6
0. ar
n
ga
pe
rd
0. er
4
0.45
ganar y ganar
0.818
ganar, dado ganar
0.15
ganar y perder
0.333
ganar, dado perder
0.1
0.25 o perder perder y ganar
d
ar, da
perd gan
er, d
ado
p
0.75 erder
0.3
perder y perder
0.182
perder, dado ganar
ar
0.75 do gan
a
d
,
nar
perdega
r, dad
o ga
0.25 nar
0.667
perder, dado perder
f) Leland University debe contratar a William. Si l predice una temporada ganadora deben realizar la
campaa; si predice una temporada perdedora, deben suspenderla.
15.5-7. a) Seleccione introducir el producto nuevo (la ganancia esperada es de $12.5 millones).
b) $7.5 millones.
c) La poltica ptima es no hacer la prueba e introducir el nuevo producto.
f) Ambas grficas indican que el pago esperado es sensible a los dos parmetros, pero es ms sensible a
cambios en la ganancia si tiene xito que a los cambios en la prdida si no lo tiene.
15.6-2. a) Escoger no comprar el seguro (la ganancia esperada es de $249 840).
b) U(asegurado) 5 499.82
U(sin seguro) 5 499.8
La poltica ptima es comprar el seguro.
15.6-4. U(10) 5 9
CAPTULO 16
16.3-3. c) 0 1 2 3 4 15.
16.4-1. a) Todos los estados pertenecen a la misma clase recurrente.
16.5-7. a) 0 0.182, 1 0.285, 2 0.368, 3 0.165.
b) 6.50
CAPTULO 17
17.2-1. Fuente de entrada: poblacin con pelo; clientes: clientes que necesitan corte de pelo; y as sucesivamente para la cola, la disciplina de la cola y el mecanismo de servicio.
17.2-2. b) Lq 5 0.375
d) W Wq 5 24.375 minutos.
17.4-2. c) 0.0527
17.5-5. a) Estado:
15
10
15
15
15
950
P0
P1
P2
0.561
0.571
0.316
0.286
0.123
0.143
0.561
0.571
17.8-1. a) Este sistema es un ejemplo de un sistema de colas con prioridades sin interrupcin.
Wq para pasajeros de primera clase
0.033
c)
= = 0.4
0.083
Wq para pasajeros de clase turista
17.8-4. a) W 12
b) W1 5 0.20, W2 5 0.35, W3 5 1.10
c) W1 5 0.125, W2 5 0.3125, W3 5 1.250
17.10-2. Cuatro cajas registradoras.
CAPTULO 18
18.3-1. a) t 5 1.83, Q 5 54.77
b) t 5 1.91, Q 5 57.45, S 5 52.22
18.3-3. a) Datos
d
K
h
L
WD
Resultados
676
$75
$600.00
3.5
365
(demanda/ao)
Punto de reorden
(costo fijo)
Costo fijo anual
(costo uni. de mant.)
Costo de mantener anual
(tiempo de entrega en das)
Costo variable total
(das hbiles/ao)
Decisin
Q
(cantidad a ordenar)
6.5
$10 140
$ 1 500
$11 640
d) Datos
951
Resultados
d
K
h
L
WD
676
$75
$600
3.5
365
(demanda/ao)
Punto de reorden
(costo fijo)
Costo fijo anual
(costo uni. de mant.)
Costo de mantener anual
( tiempo de entrega en das)
Costo variable total
(das hbiles/ao)
6.48
$3 900
$3 900
$7 800
Decisin
Q
13
(cantidad a ordenar)
Los resultados son los mismos que los que se obtuvieron en el inciso c).
f) Nmero de rdenes por ao 5 52.
PDR 5 6.5 nivel de inventario cuando se coloca la orden.
g) La poltica ptima reduce el costo variable total de inventario en $3 840 por ao, lo cual es una reduccin
de 33%.
18.3-6. a) h 5 $3 por mes que es 15% del costo de adquisicin.
c) El punto de reorden es 10.
d) PDR 5 5 martillos, lo cual suma $20 a su CVT (5 martillos 3 $4 del costo de mantener).
18.3-7. t 5 3.26, Q 5 26 046, S 5 24 572
18.3-12. a) ptima Q 5 500.
18.4-4. Producir 3 unidades en el periodo 1 y 4 unidades en el periodo 3.
18.6-6. b) Ground Chuck: R 5 145.
Chuck Wagon: R 5 829.
c) Ground Chuck: inventario de seguridad 5 45.
Chuck Wagon: inventario de seguridad 5 329.
f) Ground Chuck: $39 378.71.
Chuck Wagon: $41 958.61.
Jed debe elegir a Ground Chuck como su proveedor.
g) Si Jed quiere utilizar la carne dentro del mes de recibirla, la mejor opcin es Ground Chuck. La cantidad
a ordenar a Ground Chuck es de alrededor del suministro de un mes, mientras que la cantidad a ordenar
ptima a Chuck Wagon equivale a una provisin aproximada de tres meses.
18.7-5. a) Nivel de servicio ptimo 5 0.667
c) Q* 5 500
d) La probabilidad de faltantes es 0.333
e) Nivel de servicio ptimo 5 0.833
CAPTULO 19
19.2-2. c) Usar servicio lento cuando no hay ninguno o un solo cliente y el servicio rpido cuando dos
clientes estn presentes.
19.2-3. a) Los estados posibles del automvil son abollado y no abollado.
c) Cuando el automvil no est abollado, estacionarlo en un espacio en la calle. Cuando est abollado,
llevarlo a reparacin.
19.2-5. c) Estado 0: intentar servicio as; estado 1: intentar un globo.
19.3-2. a) Minimizar
sujeta a
9
49
y01 y02 y03 y01 y02 y03 y14 0
10
50
1
1
y14 y15 y01 y02 y15
10
50
y
todas las yik $ 0.
952
19.3-4. a) Minimizar
7
5
1
1
Z y01 y02 y11 y12,
24
12
8
2
sujeta a
5
y
8
3
7
y01 y02 y01 y11 y02 y12 0
8
8
y11 y12
1
y11 y02 y12 0
8
1
y01 y02 y11 y12 1
8
01
y
yik $ 0
para i 5 0, 1; k 5 1, 2.
sujeta a
5
5
y01 y02 (0.95) (y01 y11 y21)
8
8
1
1
y11 y12 (0.95) (y01 y11 y21)
4
4
1
1
y21 y22 (0.95) (y01 y11 y21)
8
8
y
yik $ 0
para i 5 0, 1,2; k 5 1, 2.
19.5-3. Despus de tres iteraciones la aproximacin es, de hecho, la poltica ptima que se presenta en el
problema 19.5-1.
19.5-11. En los periodos 1 a 3 no hacer nada cuando la mquina est en los estados 0 o 1; reparacin general
cuando la mquina est en el estado 2 y reemplazo cuando est en el estado 3. En el periodo 4, no hacer nada
si la mquina est en los estados 0, 1 o 2, y reemplazo cuando est en el estado 3.
CAPTULO 20
20.1-1. b) Haga que los nmeros del 0.000 a 0.5999 correspondan a los strikes y los nmeros 0.6000 a
0.9999 a las bolas. Las observaciones aleatorias de las pichadas son 0.7520 5 bola, 0.4184 5
strike, 0.4189 5 strike, 0.9559 5 bola y 0.1403 5 strike.
20.1-10. b) Use 5 4 y 5 5.
i) Las respuestas pueden variar. La opcin de entrenar a los dos mecnicos actuales baja significativamente
el tiempo de espera de los autos alemanes, pero sin efecto de importancia en el tiempo de espera de los autos japoneses y sin tener el costo adicional de un tercer mecnico. Agregar el tercer mecnico reduce an
ms la espera promedio de los autos alemanes, pero con el costo adicional de tener un tercer mecnico.
20.3-1. a) 5, 8, 1, 4, 7, 0, 3, 6, 9, 2.
20.4-2. b) F(x) 5 0.0965 donde x 5 25.18
F(x) 5 0.5692 donde x 5 18.46
F(x) 5 0.6658 donde x 5 23.29
953
0
3
Lanzamientos simulados
Resultados
Lanzamiento
Dado 1
Dado 2
Suma
Ganar?
Perder?
Continuar?
1
2
3
4
5
6
7
4
3
6
5
4
1
2
2
2
1
2
4
4
6
6
5
7
7
8
5
8
0
0
0
NA
NA
NA
NA
0
0
1
NA
NA
NA
NA
S
S
No
No
No
No
No
NDICE ONOMSTICO
A
Abbink, E., 483
Abellan-Perpian, J. M., 660
Ahn, S., 758
Ahrens, J. H., 892
Ahuja, R. K., 41, 380
Akgun, V., 381
Alden, H., 209
Alden, J. M., 18, 750, 915
Allan, R., 831
Allen, S. J., 56
Altman, E., 866
Altschuler, S., 18, 884
Ambs, K., 69
Anderson, C. K., 6
Anderson, E. T., 776
Andradottir, S., 914
Andrews, B., 758
Angelis, D. P., 209
Appa, G., 482
Argon, N. T., 914
Argello, M., 12, 483
Armacost, A. P., 483
Arntzen, B. C., 831
Asmussen, S., 758, 914
Assad, A. A., 6
Atherton, S., 381
Aumann, R. J., 605, 619
Avis, D., 739
Avriel, M., 500, 543
Axster, S., 809, 830
B
Bagchi, S., 831
Baker, K. R., 69
Balsamo, S., 758
Banks, J., 914
Baptiste, P., 482
Barabba, V., 915
Barkman, M., 791
Barnes, E. R., 267n
Barnhart, C., 482, 483
Barnum, M. P., 727
956
NDICE ONOMSTICO
Granfors, D. C., 70
Grassmann, W. K., 702
Graves, S., 831
Greenberg, H., 240
Gross, D., 758
Grtschel, M., 482
Gryffenberg, I., 483
Gu, Z., 482
Guenther, D., 483
Gutin, G., 600
H
Haag, K. R., 915
Hahn, G. J., 70
Hall, J. A. J., 99
Hall, R. W., 17, 321, 758
Hammond, J. S., 660
Harlan, R., 483
Harold, E. R., 702
Harris, C. M., 6, 758
Harris, F. W., 779
Harrison, G., 400
Harrison, T. P., 831
Hart, S., 619
Hasegawa, T., 70
Hassin, R., 758
Hassler, S. M., 18
Hatzakis, M., 677, 915
Haupt, R. L., 600
Haupt, S. E., 600
Haviv, M., 758
Hazelwood, R. N., 737
Heavy, C., 758
Hicks, R., 18
Higle, J. L., 240
Hilliard, M.C., 400
Hillier, F. S., 69, 240, 321, 380, 482,
549, 660, 740n, 742n, 758
Hillier, M. S., 69, 228, 240, 321, 380,
482, 549, 660, 758
Hofmeyr, F. R., 483
Hohzaki, R., 620
Holcomb, R., 915
Holloran, T. J., 51
Holmberg, K., 295n
Holmen, S. P., 209
Hong, C. F., 381
Hooker, J. N., 277, 482
Hordijk, A., 738n
Horner, P., 6
Houck, D. J., 69
Howard, R., 856n
Howard, R. A., 17, 423, 866
Hsu, W., 677, 915
Hu, J., 866
NDICE ONOMSTICO
957
Liu, J., 70
Liu, Y., 791
Lo, F., 739
Loucopoulos, P., 915
Lbbecke, M. E., 482
Lucas, T. W., 914
Luenberger, D., 136, 172, 277, 549
Luo, X., 677, 915
Lustig, I., 137, 277, 482
Lynch, D. F., 69
Lyon, P., 831
M
Ma, L., 848
Madrid, R., 18
Magazine, M., 831
Magnanti, T. L., 380
Mamon, R. S., 702
Mangasarian, O. L., 17
Marcus, S. I., 866
Markowitz, H., 499, 501n
Maros, I., 137
Marshall, S., 791
Marsten, R. E., 277, 483
Marti, R., 600
Martin, C., 483
Mason, R. O., 5
Mauch, H., 423
Maxwell, D. T., 660
McAllister, W. J., 639
McCardle, K. F., 866
McCormick, G. P., 548
McGowan, S. M., 12, 483
McKenney, J. L., 5
McKinnon, K. I. M., 99n
Mehrotra, S., 442
Meini, B., 702
Meiri, R., 500
Meketon, M. S., 267, 339
Melhem, S. A., 18
Mendelson, E., 620
Mendez-Martinez, I., 660
Metty, T., 483
Meyer, J. A., 435
Meyer, R. R., 536n
Meyerson, R. B., 620
Michalewicz, Z., 600
Middleton, M., 642, 898
Miller, G. K., 702
Miller, R. E., 549
Miller, S., 435
Milligan, C., 18
Milne, R. J., 483, 831
Mirrazavi, S. K., 600
Miser, H. J., 6, 18
958
NDICE ONOMSTICO
NDICE ONOMSTICO
Wagemaker, A. de P., 69
Wagner, H. M., 392n
Wallace, C. A., 435
Wallace, S. W., 240
Walls, M. R., 628
Wan, Y-W., 70
Wang, H., 848
Wang, K., 915
Wang, K. C. P., 866
Wang, Z., 313
U
Urbanovich, E., 634
Uys, S., 483
V
Vandaele, N. J., 758
Vanderbei, R. J., 137, 172, 240, 267n,
277, 380
van der Merwe, W. L., 483
Vander Veen, D. J., 750, 915
van Doremalen, J., 18, 831
Van Dyke, C., 339
Van Hoorn, M. H., 744n
van Ryzin, K., 831
van Swaay-Neto, J. M., 69
Van Veldhuizen, D. A., 599
van Wachem, E., 18, 831
Vasquez-Marquez, A., 381
Veen, D. J. V., 18
Veinott, A. F., Jr., 856n
Vogel, W. R., 303n
von Winterfeldt, D., 660
Vromans, M., 483
959
960
NDICE ONOMSTICO
NDICE ANALTICO
A
Abanico, procedimiento de, 349
Aborto, 597
Absoluto, ciencia de lo, 13
Absorcin, probabilidad de, 695
Acotamiento, 454, 455, 457
de programacin entera, rbol de
ramificacin y, 477
Actividad
predecesores inmediatos de una, 368
quiebre de una, 372
Actividades
asignacin de recursos limitados a
diversas, 21
contribuciones individuales de las, 35
ejemplos de, 28
en los arcos, red de proyecto de, 370
en los nodos, red de proyecto de, 370
interrelacionadas, 434
planeacin de, 21
Aditividad
satisfecha, 36
supuesto de, 35, 406
Administracin
ciencia de la, 2
cientfica de inventarios
pasos de la, 772
tcnicas de la, 772
de la cadena de proveedores, 791
de la ganancia, 773, 812
de los ingresos, 823
Agente viajero
problema del, 568
problema simtrico del, 568
simtrico del, 568
Air New Zealand, 435, 436
Aleatorizador electrnico, 886
Algoritmo(s)
BIP, 471
codicioso, 574
concepto de, 11
Anlisis
de costo marginal, 375
de decisin(es), 607, 626
realizacin del, 641
de la idea fundamental, 166
de posoptimalidad, 168
de programacin dinmica, 396
de qu pasa si, 13
del proceso de nacimiento y muerte,
722
incremental, 204, 208
marginal, 827
posptimo, 11, 13, 119
del modelo, 81
Anlisis de sensibilidad, 10, 13, 166,
168, 179, 631, 898
de dos vas, 231
mtodos para realizar, 228-238
objetivo fundamental del, 200
procedimiento para el, 206
sistemtico, 221, 259
Animacin, 896
de una corrida simulada, 898
Antecesores inmediatos mltiples, 807
Aplicacin de
la investigacin de operaciones
reas de, 2
en la aplicacin de radioterapia,
39-40
los procesos de decisin
markovianos, 865
Aplicaciones
de la idea fundamental, 168
del problema de flujo de costo
mnimo, 352
Aproximacin
cuadrtica, 514
mtodos de, 537, 541
de 98% de Roundy, propiedad de,
800, 803
funcin cuadrtica de, 521
lineal
mtodo de, 537
secuencial, mtodos de, 541
normal, 828
secuencial, algoritmos de, 541
962
NDICE ANALTICO
Aproximaciones
de simplificacin, 800
sucesivas, mtodo de, 859, 863
Aptitud, 591
rbol de
bsqueda, 477
decisin, 418
enumeracin, 455
probabilidad, diagrama de, 635
ramificacin y acotamiento de
programacin entero, 477
solucin, 456
soluciones, 455
rbol de expansin, 335, 573
factible, 361
mnima, algoritmo del, 342
mnima, problema del, 340, 573
solucin de un, 361
rboles de decisin, 627, 639
construccin de, 639
Archivo de datos en formato
denso, 66
disperso, 66
Arco(s), 333
bsicos,
capacidad del, 345
dirigido, 333
inverso, 360
no bsicos, 361
no dirigido, 333
red de proyecto de actividades en los
arcos, 370
reas de aplicacin de la
investigacin de operaciones (IO), 2
simulacin, 882-886
Arista(s) de la regin factible, 82, 151
concepto de, 152
Asignacin
de flota, problema de, 435
de recursos limitados a diversas
actividades, 21
ficticia, 315
problema de, 282, 451
Asignados, 309
ficticios, 310
Asociacin entre las variables de los
problemas primal y dual, 190
Atributos asociados, 68
AT&T, 715, 895n
AT&T Bell Laboratories, 128, 267
Aumento permitido, 134
Automatizacin, tecnologa de, 885
Aversin
al riesgo, 653
individual, 657
moderada al riesgo, 657
B
Banco Mundial, 435
Bank Hapoalim Group, 501
Bank One Corporation, 848
Barrera
algoritmo de, 129
mtodo de, 129
Base
de la interpretacin econmica de la
dualidad, 187
para un conjunto de vectores, 938
Bases de datos, 9, 16
Bayes, Thomas, 631
Better Products Company, 313
Bien gratuito, 188
Bienes
escasos, 121
libres, 121
Bienestar de toda la organizacin,
bsqueda del, 8
Biseccin, mtodo de, 512-514
Bloques de un modelo de simulacin,
872
Blue Skies Airlines, 825
Bsqueda
de gradiente, procedimiento de, 516,
566
del bienestar de toda la organizacin,
8
del mejor camino, 3
local, procedimiento de, 571
numricos, procedimientos de, 516521
Bsqueda tab
bsico, algoritmo de, 572
mtodo de la, 571
oscilacin estratgica de la, 587
C
Cadena(s) de
dgitos binarios, 593
proveedores, 791
administracin de la, 791
Cadenas de Markov, 676
de tiempo
continuo, 674, 698, 699, 702, 744
discreto, 844
ergdica, 688
irreducible, 686, 701
probabilidades del estado estable de
la, 684
Calamidad de la dimensin, 415
Cambios permisibles, 211
Caminata aleatoria, 696
NDICE ANALTICO
Condiciones
de Karush-Kuhn-Tucker, 522
de no negatividad, 29
iniciales, 897
KKT, 522, 523
Conferencia de decisiones, 660
Confianza, intervalo de, 897, 907
Conjunto(s)
convexo, 154, 505
concepto de, 930
definicin de, 931
propiedad fundamental de un, 155
de datos, densidad del, 66
de decisiones, 48
de ecuaciones, forma matricial del,
161
de estados en las etapas, 399
del lenguaje LINGO, 68
derivados, 69
problemas de
cobertura de, 449
particin de, 449
Conjunto de vectores
base para un, 938
linealmente dependiente, 937
linealmente independiente, 937
rango de un, 938
ConocoPhillips, 629
CONOPT, 544
Consejo Mundial de la Salud, 400, 405
Conservacin del flujo, 336
Consolidacin de
datos, 647
resultados, 647
Constantes
conocidas, 37, 200
de entrada al modelo, 29
Construccin de
la funcin objetivo, 11
la regin factible, 24
un modelo
cientfico, 2
matemtico, 9
Consultorios industriales, 2
Continental Airlines, 12, 16, 436
Contribuciones individuales de
las actividades, 35
los productos, 35
Conversin a la forma apropiada de
eliminacin gaussiana, 206
Correlacin
entre el modelo y la realidad, 11
serial, 889
Correspondencia directa entre
soluciones bsicas de los
problemas primal y dual, 190
963
964
NDICE ANALTICO
Crewsolver, 16
Criterio
de costo
descontado, 859
promedio, 859
de la mxima posibilidad, 630
del pago mximo, 629
del valor monetario esperado (VME),
631
maximin, 613
minimax, 611, 613, 629
Criterios de sondeo, 462
Cromosomas, 591
Cruce uniforme, 593
Crystal Ball, 898, 909
Cubierta mnima de la restriccin, 476
Curva precio-demanda, 498
D
Danish Telephone Company, 714
Dantzig, George, 2, 81
Darwin, Charles, 590
Datos
bases de, 9, 16
blandos, 9
en formato denso, archivo de, 66
extraccin de, 9
procesamiento de, 9
recoleccin de, 9
relevantes del problema, recoleccin
de los, 9
Decisin
anlisis de, 607
rboles de, 627, 639
complementaria, variables de, 265
contingente, 430
continua, variable de, 620
de Bayes, regla de, 631, 656
de Markov, modelos de, 674
herramienta tabla de, 909
inicial tentativa de administrador, 120
markoviano
proceso de, 844
modelo de procesos de, 847
nodo de, 639
variable de, 909
Decisioneering, Inc., 898
Decisiones
anlisis de, 626
conferencia de, 660
contingentes, 440, 447
interrelacionadas, 397, 401
sucesin de, 422
nmero finito de, 856n
realizacin del anlisis de, 641
Desigualdad
dbil, 463
estricta, 463
Desperdicio, costos de, 816
Destino ficticio, 286, 292
Destinos, 285
Desventaja de un procedimiento de
mejora local, 566
Desviacin estndar, 744
de la muestra, 876
Detalles del mtodo smplex dual, 257
Determinacin
de los objetivos apropiados, 8
del valor, 855
Diagrama(s)
de rbol de probabilidad, 635
de flujo, 895
de influencia, 660
tornado, 660
Diferentes niveles de servicio, 829
Dgitos binarios, cadenas de, 593
Diligencia, problema de la, 392
Dinero en el tiempo, valor del, 859
Direccin del gradiente, 517
Direcciones opuestas, flujos simultneos
en, 333
Disciplina de
la cola, 709, 744
definicin de, 710
prioridades, modelos con, 744
Distribucin
a priori, 628
acumulada, funcin de, 816
binomial, 419, 827
de esfuerzo, problema de, 405
de Poisson, 675, 709, 719
de tiempos de servicio degenerada, 738
degenerada, 710
de Erlang (gamma), 710, 728, 739,
740, 743, 892
estacionaria, 712
exponencial, 699, 710, 716, 892
propiedades de la, 716-721
gamma, 728n, 740
hiperexponencial, 743
ji cuadrada, 893
normal, 876, 892
sistema de, 805
triangular, 894
uniforme, 893, 899
discretizada, 887
Distribucin de probabilidad, 417, 612,
851, 885, 899
de los tiempos
de servicio, 715
entre llegadas, 715
NDICE ANALTICO
Distribuciones
Erlangianas generalizadas, 744
tipo fase, 744
Diversificacin, 577
concepto de, 572
Divide y conquistars, 454
Divisibilidad, supuesto de, 37, 428
Doble programacin, 481
Dominio de
reduccin, 477
valores posibles, 477
Dos fases
comparacin de los mtodos de la
gran M y de las, 111-115
mtodo de las, 111, 133
Dualidad
dbil, propiedad de, 184, 185, 192
fuerte, propiedad de, 185, 192, 525,
618
teorema de la, 186
teora de la, 122, 166, 182, 212, 256,
525, 618
Duracin del
ciclo, 90
proyecto, 372
servicio, 710
E
Ecuacin
analtica, 511
de balance, 723
de la frontera de restriccin, 148
recursiva, 854
Ecuaciones de
balance, 701
Chapman-Kolmogorov, 683, 686, 700
definicin, 150, 155
estado estable, 688, 701
frontera de restriccin, solucin
simultnea de las, 152
la idea fundamental, 166
Ecuaciones no lineales, procedimientos
de bsqueda para resolver,
511-516
Efecto de curva de aprendizaje, 498
Eilon, Samuel, 13
Ejemplos de
actividades, 28
modelos, 9
recursos, 28
Elasticidad de precios, 498
Eliminacin de restricciones
redundantes, 471
Eliminacin de Gauss-Jordan, mtodo
de, 93, 258
965
Escalones
modelo de sistema serial de dos, 792
mltiples
modelo de un sistema serial con,
797
sistema de inventario con, 790
Espacio euclidiano, 928
Esquema de
centrado, 271
un algoritmo gentico bsico, 591
Esquinas, 31
Estaciones de servicio, 710
Estado(s), 674
absorbente, 682, 687
accesible, 685
aperidico, 687
asociados con cada etapa, 397
de la naturaleza, 628
del sistema en el tiempo, 675
discreta, variable de, 399
en las etapas, conjunto de, 399
ergdico, 688
finito, procesos estocsticos de
tiempo discreto con espacio de,
675
incondicionales, probabilidades de,
685
ms probable de la naturaleza, 630
nmero finito de, 856n
posibles del sistema, 872
recurrente, 686
recurrentes aperidicos, 688
transiciones de los, 872
transitorio, 686
variable de, continua, 399
variables de, 415
vector de, 399, 415
Estado estable
condicin de, 712
de la cadena de Markov,
probabilidades del, 684, 688
ecuaciones de, 688
probabilidades de, 846
Estimacin
de la media, 876
verdadera, 906
puntual, 897
Estimaciones estadsticas, 897
Estrategia(s)
definicin de, 607
dominada, concepto de, 609
maximin, 611
minimax, 611
mixta ptima, 616
mixtas, 613
puras, 613
966
NDICE ANALTICO
limitada, 709
tamao de la, 709
Funcin
barrera, 537, 542
mtodo de, 537
convexa, 504
definicin de, 927
cuadrtica de aproximacin, 521
de densidad de probabilidad, 816
de distribucin acumulada (FDA),
816
de finalizacin, mtodo de, 537
de Lagrange, 541
de penalizacin, 542
de probabilidad de transicin de
tiempo continuo, 698, 700
estrictamente cncava, 927
estrictamente convexa, 817, 927
lagrangiana, 933
lineal por partes, 499, 531, 536
separable, 508
utilidad, escala de la, 654
Funcin cncava, 504
de una sola variable t, maximizar una,
518
hacia abajo, 504
hacia arriba, 504
Funcin de utilidad
comn U(M), 653
del dinero, 653, 654
exponencial, 629, 657
Funcin NORMINV de Excel, 589
Funcin objetivo
cncava, 505
concepto de, 10
convexa, 505
construccin de la, 11
forma de la, 399
fraccional, 510
gradiente de la, 268
gradiente proyectado de la, 270
lineal, 445, 446
no lineal, 500, 508
valor de la, 93
Z, 29, 33, 214
Funcin SUMAPRODUCTO, 57, 290
Funcin @BIN(), 431
Funcin @GIN(), 431
Funciones
de utilidad, propiedad fundamental de
las, 654
lineales, 21
lgicas normales, 477
matemticas del modelo, 21
Fundador de la teora de colas, 714,
739
NDICE ANALTICO
G
Galera de distribuciones, 901
Ganancia(s)
a largo plazo, maximizacin de la, 8
administracin de la, 773, 812
marginal, 531
monetaria neta, 628
por lote producido, 22
satisfactorias, meta de, 8
Generacin de
informes gerenciales, 16
planos cortantes, 471
Generador de nmeros aleatorios, 886
General Motors Corporation (GM), 750
Genes, 591
Gigabytes, 9
Goferbroke Company, 627
Gradiente
algoritmos de, 537
de la funcin objetivo, 268
direccin del, 517
procedimiento de bsqueda de, 516,
566
proyectado, 269
de la funcin objetivo, 270
reducido, 124
generalizado, mtodo de, 537
Grado de
incertidumbre en los parmetros,
38
sensibilidad de la solucin ptima,
206
Grados de libertad, 87
Grfica
acumulada, 905
inversa, 905, 906
de tendencia, 909, 911, 912
de tornado, 652
con dos factores, 653
de una sola salida vs. una sola
entrada, 649
spider, 651
Gran M, mtodo de la, 133
Graphical Method and Sensitivity
Analysis (Mtodo grfico y
anlisis de sensibilidad), 122,
206, 215, 235
Green Earth, 47
H
Herramienta(s)
caractersticas de la investigacin de
operaciones, 2
tabla de decisin, 909
967
968
NDICE ANALTICO
J
Jackson
caractersticas de una red de, 751
redes de, 751
Jackson, James R., 751
JPMorgan Chase, 848
Juego(s)
cooperativo, 620
de dos personas y suma cero, 606
de n-personas, 620
de suma no cero, 620
infinitos, 620
justo, 610
pares y nones, 606
sin punto silla, 612
valor del, 610
K
Karmarkar, Narendra, 128, 267
KeyCorp, 727
Lista(s)
de turnos, problema de las, 435
tab, 572
Little, frmula de, 713, 753
Little, John D.C., 713
L. L. Bean, Inc., 714
Llegadas
aleatorias, 717
de Poisson, 719
distribucin de probabilidad de los
tiempos entre, 715
tasa media de, 719, 721
tiempo entre, 710, 718
total, tasa de, 752
Longitud
de ciclo, 888
de la corrida de simulacin, 897
de una trayectoria, 371
del periodo de calentamiento, 897
Lote
econmico, modelo del, 777
producido, ganancia por, 22
Lotera equivalente, mtodo de la, 656
L
M
Lado derecho negativo, 106
Lagrange, multiplicadores de, 523
Lenguaje
algebraico del mtodo smplex, 86
de modelado
de programacin matemtica, 63
LINGO, 5, 68
Lenguaje de programacin
BASIC, 896
C, 896
FORTRAN, 896
para optimizacin OPL, 127, 481
Lenguajes de
programacin de propsito general,
896
simulacin de propsito general,
896
Liga Nacional de Futbol (NFL) de
Estados Unidos, 481
Ligadura, 333
LINDO (Linear Interactive and
Discrete Optimizer), 127, 430,
544
sintaxis de, 133
LINDO API, 68
LINDO Systems, Inc., 63
Lneas de espera, 708. Vase tambin
Colas
sistemas de, 708
LINGO, 22, 63, 430, 544
Liquidez, riesgo de, 678
Management Science, 2
Manera de analizar la sensibilidad de los
parmetros, 122
Mantenimiento, poltica de, 845
Massachusetts Institute of Technology
(MIT), 715
Materiales, planeacin de los
requerimientos de, 784
Matrices
A ralas, 471
multiplicacin de, 935
resta de, 935
suma de, 935
Matriz, 159
base, 160
inicial, 166
inversa de la, 165
concepto de, 935
de pagos, 607
de proyeccin, 270
elementos de la, 935
identidad, 161, 166, 168, 936
de orden, 159
inversa de una, 938
no singular, 938
nula, 937
singular, 938
Matriz de transicin, 677, 679, 844
de cinco pasos, 684
de cuatro pasos, 684
NDICE ANALTICO
969
Modelo de
colas, 708
complejo, 750
decisin de Markov, 674
prioridades con interrupcin, 745,
747
procesos de decisin markovianos,
847
programacin de restricciones, 480
programacin entera, 37, 53, 450
programacin lineal, 10, 850
otras formas legtimas del, 29
pronstico, 450
sistema serial de dos escalones, 792
sobreventa, 826
tarifas de descuento controladas por
capacidad, 824
un problema de asignacin,
reformulacin para ajustarse al,
311
un sistema serial con escalones
mltiples, 797
Modelo de inventarios
determinstico, 773, 776
estocstico, 776, 807
Modelo de simulacin, 450, 678, 872
bloques de un, 872
validez del, 896
Modelo del problema de
asignacin, 310
transporte, 285
objetivo del, 286
Modelo EOQ (economic order
quantity), 777
bsico, 777
con descuentos por cantidad, 782
con faltantes planeados, 779
Modelo matemtico
construccin de un, 9
de un problema industrial, 10
Movimiento(s)
hacia atrs, 394, 398
tab, 572
MPL (Mathematical Programming
Language), 22, 63, 430, 544
MRP (material requirements planning),
784
Muerte
concepto de, 721
modificado, proceso de nacimiento y,
741
proceso de, 721
supuestos del proceso de nacimiento
y, 721
Muestra, desviacin estndar de la, 876
Multiplicacin de matrices, 935
970
NDICE ANALTICO
Nmero finito de
decisiones, 856n
estados, 856n
etapas, programacin dinmica con
un, 423
Nunca doblar hacia fuera, 155
O
Objetivo(s)
apropiados, determinacin de los, 8
de la investigacin de operaciones,
2
de un problema de mezclas, 51
del modelo del problema de
transporte, 286
fundamental del anlisis de
sensibilidad, 200
no acotado, 31
Observacin
aleatoria, 899
aleatorizada, 887
Observaciones estadsticas, 897
Obtencin de la transpuesta, 936
Oferta, falta de, 826
Operaciones elementales con renglones,
96
Operador SUM, 67
Oportunidad, costo de, 773
Optimalidad
condicin de, 183
de la programacin dinmica,
principio de, 397, 406
para el problema de transporte,
prueba de, 303
prueba de, 83, 183
smplex matricial, prueba de, 163
OptiMax 2000, 63, 128
Optimizacin
combinatoria, 453, 476
problemas de, 568
de la mezcla de productos, 23
de la simulacin, 897n
no restringida, 508, 511
problemas de, 507, 537
Optimizacin restringida, 516
linealmente, problemas de, 508
problemas de, 521
Optimizador LINDO, 68
Opti-Money System, 501
Ordenada al origen de la recta, 25
rdenes pendientes, 779
Organizacin, bsqueda del bienestar de
toda la, 8
Organizacin Mundial de Comercio,
390, 391
Origen
como solucin FEV, 83, 85
ficticio, 286, 293
Orgenes, 285
Oscilacin estratgica de la bsqueda
tab, 587
Otras formas legtimas del modelo de
programacin lineal, 29
P
Pacific Lumber Company (PALCO),
209
Padre de la programacin lineal, 81n
Padres, 591
Pago(s)
esperado, 613
mnimo, 613
matriz, 607
mximo, criterio del, 629
resultante, 628
Palabra reservada SUM, 67
Paquete
Bend X, 6
Coin MP, 6
CONOPT, 6
LGO, 6
Paquete de software
CoinMP, 127
CPLEX, 127
CPLEX 11, 127
DISCOVERY, 629
Express-MP, 127
Paquetes
comerciales de software, 6
de hojas de clculo, 55
Parmetro(s)
correlacionados, 125
de forma, 740
del modelo, 29, 286
concepto de, 10
grado de incertidumbre en los, 38
manera de analizar la sensibilidad de
los, 122
sensibles, 122, 200
concepto de, 38
definicin de, 13
tabla de, 312
trueques entre los valores de los, 125
valor de un, 13
Particin de conjuntos, problemas de,
449
Pasos del algoritmo
de punto interior, 273
hngaro, 320
Penalizacin, funcin de, 542
NDICE ANALTICO
971
determinsticos, 399
dual, 179
interpretacin econmica del, 187,
239
solucin ptima del, 179
etapas del, 397
formas de sondear un, 456
industrial, modelo matemtico de un,
10
preprocesado automtico del, 471
primal, 179
solucin bsica ptima del, 192
relajacin del, 801
simtrico del agente viajero, 568
Problema(s) de
cobertura de conjunto, 449
ponderada, 449n
complementariedad, 510
lineal, 511
distribucin de esfuerzo, 405
enrutamiento de vehculos con
ventanas de tiempo, 572
flujo de costo mnimo, 331, 451
aplicaciones del, 352
flujo mximo, 345, 451
la diligencia, 392
la planeacin de viajes ocupados,
435
la ruta ms corta, 451
las listas de turnos, 435
mezcla(s)
de productos, 443, 498
objetivo de un, 51
particin de conjuntos, 449
trasbordo, 321, 357, 451
transferencia, 295
Problema de asignacin, 282, 309, 357,
451
de flota, 435
modelo del, 310
reformulacin para ajustarse al
modelo de un, 311
supuestos del, 309
Problemas de optimizacin
combinatoria, 568
que involucran redes, 581
no restringida, 507, 537
restringida, 521
linealmente, 508
Problema(s) de programacin, 618
convexa, 506
cuadrtica, 508, 525
de tripulaciones, 435
entera (PE), 428, 449
fraccional, 510
geomtrica, 509
972
NDICE ANALTICO
lineal, 449
forma estndar del, 29
mtodo smplex para resolver, 2
no convexa, 565
no lineal, 497
entera, 592
Problema(s) de transporte, 282, 283,
357, 451, 499
modelo del, 285
objetivo del modelo del, 286
programacin lineal de los, 283
propiedad de soluciones factibles del,
286
prueba de optimalidad para el, 303
supuesto de costo del, 286
supuesto de requerimientos del, 285
Problemas primal y dual
asociacin entre las variables, 190
correspondencia directa entre
soluciones bsicas de los, 190
relaciones generales entre los, 180
relaciones posibles entre los, 186
proceso de definicin del, 7
recoleccin de los datos relevantes
del, 9
Procedimiento(s)
automticos, 5
de abanico, 349
de enumeracin, 453
de escalada de montaa, 565
de induccin hacia atrs, 643
de mejora local, 565
desventaja de un, 566
heursticos, 13
metaheursticos, 13
para anlisis de sensibilidad, 206
para generar un hijo, 598
para generar planos cortantes, 476
Procedimientos de bsqueda
de gradiente, 516, 566
local, 571
numricos, 516-521
para resolver ecuaciones no lineales,
511-516
Procesamiento
de datos, 9
de informacin, sistema de, 772
masivo en paralelo, 132
Proceso(s)
de decisin markoviano, 844
aplicacin de los, 865
modelos de, 847
de definicin del problema, 7
de enriquecimiento del modelo, 11
de entrada agregado, 720
de entradas de Poisson, 719, 720
NDICE ANALTICO
973
974
NDICE ANALTICO
relacionales, 477
satisfechas en sus fronteras, 121
tcnicas de programacin de, 476
unitarias, 477
Resumen bien definido del problema,
desarrollo de un, 7
Retraso en el ingreso, costo del, 776
Reversibilidad, propiedad de, 409
Revisin
continua, sistema de inventario con,
807
de la tabla smplex final, 206
de programas, tcnica de evaluacin
y, 368
del modelo, 206, 213
Revolucin
de las computadoras, 2
industrial, 1
Reynolds Metal Company, 885
Riesgo
aversin moderada al, 657
de liquidez, 678
del tomador de decisiones, tolerancia
al, 657
individual, aversin al, 657
Roundy, Robin, 800
Ruta
crtica, 372
mtodo de la, 368
ms corta
algoritmo de la, 336
problema de la, 451
Rutina de tiempo, 880
Rutinas
automticas, 5
interactivas, 5
S
Salida, tasa media de, 723
Salvamento de un producto. Vase Valor
de rescate
Samsung Electronics Corp., Ltd. (SEC),
17, 90
Satisfizar, concepto de, 12
Save-It Company, 47
Sears, Roebuck and Company, 434, 572
Secuencias de nmeros aleatorios, 886
Segmento de recta, definicin de, 928
Segunda Guerra Mundial, 1
Seguridad, inventario de, 810
Seleccin
aleatoria de un vecino inmediato, 588
del movimiento, regla de, 582
natural, 591
Semilla, 888
NDICE ANALTICO
Sensibilidad
anlisis de, 10, 13, 166, 168, 179,
631
de dos vas, anlisis de, 231
informe de, 123, 234
mtodos para realizar anlisis de,
228-238
sistemtico, anlisis de, 221, 259
Serie de Taylor, 514, 822
Servicio
comercial, sistema de, 713
costo de, 754
de sistema, tasa de, 725
de transporte, sistemas de, 713
diferentes niveles de, 829
duracin del, 710
en serie, canales de, 710
estaciones de, 710
exponencial, tiempos de, 725
interno, sistemas de, 714
nivel de, 816
paralelos, canales de, 710
postal de Estados Unidos, 885
social, sistemas de, 714
tasa media de terminaciones de, 721
tiempo de, 710, 718
Servidores, 710
Simetra, propiedad de, 185, 258
Simon, Herbert, 12
Simplificacin, aproximaciones de,
800
Simulacin
reas de aplicacin de la, 882-886
bloques de un modelo de, 872
con hojas de clculo, 898
corridas de, 872
de propsito general, lenguajes de,
896
de eventos
continuos, 873
discretos, 873
de templado, 453
del vuelo en un tnel de viento,
871
modelo de, 450, 678, 872
reloj de, 872
tcnica de, 871
Simulador de Procesamiento de
Llamadas (CAPS, Call
Processing Simulator), 895
Simuladores orientados a la aplicacin,
896
Sin variable bsica saliente. Vase Z no
acotada
Sintaxis de LINDO, 133, 135
Sintaxis LINGO, 135
Sistema(s)
con interrupcin y
continuacin, 745
repeticin, 745
en condicin transitoria, 712, 722
en el tiempo, estado del, 675
estados posibles del, 872
estocstico, 872
interactivo de computadora, 16
tiempo de espera en el, 728
relevante, estudio del, 7
serial
con escalones mltiples, modelo de
un, 797
de dos escalones, modelo de, 792
Sistema(s) de
apoyo para las decisiones, 16
colas, terminologa estndar de los,
712
computadora, 16
desarrollo ILOG OPL-CPLEX, 481
distribucin, 805
dos contenedores, 807
ensamblado, 806
informacin
administrativos, 16
general, 9
lneas de espera, 708
modelado MPL, 5
prdidas Erlang, 735
procesamiento de informacin, 772
revisin
continua de inventario, 777
peridica de inventario, 777
Sistema de Desarrollo OPL-CPLEX,
127
Sistema de inventario(s)
computarizados, 807
con escalones mltiples, 790
con revisin continua, 807
de distribucin, 805
de ensamblado, 806
escaln del, 790
justo a tiempo (JIT, just-in-time), 772,
785
Sistema de servicio
comercial, 713
de transporte, 713
interno, 714
social, 714
Sobrecupo, 823
Sobreventa, modelo de, 826
Sociedad de investigacin de
operaciones, 3
Software CPLEX, 5
Software, paquetes comerciales de, 6
975
976
NDICE ANALTICO
complementarias
ptimas, propiedad de, 185
propiedad de, 185
en los vrtices del problema, 82
enteras, propiedad de, 287, 311
no factibles en un vrtice, 82
ptimas
globales, 8
mltiples, 31, 100
Soluciones bsicas, 155
complementarias, 257
propiedad de las, 190
relaciones de factibilidad entre las,
192
factibles (soluciones BF), 155
adyacentes, 88
equivalentes degeneradas, 303n
ptimas complementarias, propiedad
de las, 192, 259
superptimas, 239
Soluciones factibles (BF)
degeneradas, 298n
del problema de transporte, propiedad
de, 286
duales, 194, 256
en los vrtices (soluciones FEV), 82,
148
primales, 194, 256
propiedad de, 292
red de las, 361
Soluciones FEV
adyacentes, 82
cota superior del nmero de, 153
propiedades fundamentales de las,
152-155
Solve Automatically by the InteriorPoint Algorithm (solucin
automtica por el algoritmo de
punto interior), 129n
Solve Automatically by the Simplex
Method (solucin automtica
por el mtodo smplex, 94
Solve Interactively by the Simplex
Method (solucin interactiva por
el mtodo smplex), 94
Solver de Excel. Vase Excel Solver
Sondeo, 454, 456, 457, 462
criterios de, 462
South African National Defense Force,
432
Subsecuencia invertida, 569
Subviaje inverso, 569
algoritmo del, 570
heredado, 597
Sucesin de decisiones
interrelacionadas, 422
Tasa(s)
constante conocida, 777
de descuento, 776
de llegadas total, 752
de mejoramiento de Z, 85
de produccin, 22
de servicio de sistema, 725
negativa de mejoramiento de Z, 85
positiva de mejoramiento de Z, 85
proporcionales, 516
Tasa de transicin, 700, 702
del estado i al estado j, 700
hacia fuera del estado i, 700
total, 702
Tasa media de
entrada, 723
llegadas, 719, 721
salida, 723
terminaciones de servicio, 721
Tcnica(s)
especiales de reduccin de la
varianza, 897
PERT/CPM, 368
secuencial de minimizacin no
restringida, 537, 541, 542-544
Tcnica de
evaluacin y revisin de programas,
368
la administracin cientfica de
inventarios, 772
la cota superior, 68, 264, 359
regla de la, 265
programacin de restricciones, 476
ramificacin y acotamiento, 453
de PEB, 457
reduccin de la varianza, 914
reoptimizacin, 119, 168
simulacin, 871
variables artificiales, 102, 103
Tecnologa de automatizacin, 885
Tecnologas de la informacin (TI), 9
Templado simulado, mtodo del, 582
Teorema
de Bayes, 634
de flujo-mximo corte-mnimo, 349
de la dualidad, 186
fundamental del mtodo smplex de
redes, 361
minimax, 613
Teora
biolgica de la evolucin, 590
estadstica, 897
Teora de
colas, 2, 708
fundador de la, 714, 739
modelos bsicos de la, 674
NDICE ANALTICO
977
U
Una mejor solucin, 3
Unidad de tiempo, costo promedio, 690
esperado por, 846
Unidades
demanda de, 285
suministro de, 285
Union Airways, 51
United Airlines, 51
Uso de computadora para ejecutar el
mtodo smplex, 125
Utilidad(es), 607
del dinero, funcin de, 654
teora de la, 627, 659
totales, maximizar las, 22
marginal
creciente del dinero, 653
decreciente del dinero, 653
propiedad fundamental de las
funciones de, 654
V
Validacin del modelo, 2, 11, 14, 27
Validez del modelo de simulacin, 896
Valor
de desecho, 776
de la funcin objetivo, 93
de la medida global de desempeo, 28
de rescate, 776
de un parmetro, 13
del corte, 349
del dinero en el tiempo, 859
del juego, 610
determinacin del, 855
esperado, 628
de la experimentacin, 637, 638
de la informacin perfecta, 637,
638
ms favorable, 31
ms grande, 31
ms pequeo, 31
ptimo de Z, 26
presente neto, 429, 776
Valores
permisibles, regin de, 24
permitidos, intervalo de, 211, 215
posibles, dominio de, 477
probables, intervalo de, 206
Variable(s)
aleatoria(s), 38
continua, 816
discreta, 816
artificial, 102
no negativa, 103
978
NDICE ANALTICO
continua, 620
definicin de, 909
del modelo, 24
Variante afn, 267
Varianza, 500, 740
tcnicas de reduccin de la, 914
tcnicas especiales de reduccin de
la, 897
Vector
columna, 159, 937
de datos, 67
de estado, 399, 415
de variables bsicas, 160
nulo, 158, 159, 937
rengln, 159, 937
variable, 67
Vectores, 937
base para un conjunto de, 938
linealmente dependiente, conjunto
de, 937
linealmente independiente, conjunto
de, 937
rango de un conjunto de, 938
Ventajas de la sintaxis LINGO sobre la
sintaxis LINDO, 135
Vrtices del problema, soluciones en
los, 82
Viajes ocupados, problema de la
planeacin de, 435
Violacin de la proporcionalidad, 34
Voceador, problema del, 812
Vuelo en un tnel de viento, simulacin
del, 871
W
Wagner Prize for Excellence in
Operations Research Practice,
848
Wall Street, 389, 884
Wall Street Journal, The, 493
Welchs, Inc., 56
Westinghouse Electric Company,
641
Westinghouse Science and Technology
Center, 641
Whats Best!, 63, 68, 545
Winter Simulation Conference, 886
Workers Compensation Board (WCB)
de la Columbia Britnica,
Canad, 635
Worldwide Corporation, 64
Wyndor Glass Co., 22, 26
X
Xerox Corporation, 714
Z
Z
no acotada, 31, 99, 100
tasa de mejoramiento de, 85
tasa negativa de mejoramiento de,
85
tasa positiva de mejoramiento de, 85
valor ptimo de, 26