Vous êtes sur la page 1sur 79

Universidad Autnoma de Nuevo

Len
Facultad de Ingeniera Mecnica y Elctrica
Posgrado en Ingeniera de Sistemas
San Nicols de los Garza, Julio del
2012
Lic. Victoria Rebillas Loredo
Ing. Fernando Elizalde Ramrez
Introduccin a la Investigacin de
Operaciones
Verano Cientfico 2012
1. Introduccin

La IO nace en Inglaterra durante la Segunda Guerra Mundial cuando se
conform un grupo multidisciplinario de cientficos denominado Grupo de
investigacin de operaciones militares, con el objetivo de encontrar soluciones
a los problemas militares de los aliados tanto en el plano tctico como en el
estratgico. Algunos de estos problemas consistan en precisar la profundidad
ideal del armamento, determinar el tamao mas conveniente de los convoyes
militares y elaborar planes de ataque para causar daos mayores al enemigo.


Una vez terminada la Segunda Guerra Mundial, se pudieron especificar
tcnicas de solucin bien definidas y vinculadas a problemas generales de
control de inventarios, asignacin de recursos, lneas de espera, etc. La idea
consista bsicamente en perfeccionar dichas tcnicas y trabajar con ellas
para obtener soluciones tanto analticas como deductivas que pudieran
aplicarse cada vez que se enfrentaran a este tipo de problemas.

Definicin:

Segn la Sociedad de investigacin operacional de USA:

Investigacin de Operaciones.

Es la toma de decisiones cientficas para el diseo y la operacin de
sistemas hombre mquina, usualmente bajo condiciones que requieren la
asignacin de recursos escasos



Qu es un modelo?

Un modelo es una representacin abstracta y particular de la realidad. La
representacin particular de la realidad radica en el hecho de que cada
persona puede percibir el mismo problema de manera distinta, lo cual
depende de los intereses particulares de cada una. Sin embargo, la IO utiliza
modelos cuantitativos con la ventaja de que diferentes personas llegan al
mismo modelo para un problema dado. Adems un problema bien modelado
tendr siempre la misma solucin ptima, sin importar el mtodo seguido para
su obtencin.




Variables de decisin: son las incgnitas que se
deben determinar a partir de la solucin del modelo.

Funcin objetivo: medida de desempeo adecuada
(por ejemplo ganancia) expresada como una funcin
matemtica de las variables de decisin.

Restricciones: limitaciones en las variables de
decisin, expresada en forma de ecuaciones o
desigualdades.

Parmetros: constantes en las restricciones y en la
funcin objetivo.

En IO la estructura bsica de un modelo
est determinada por:
Tipos de Modelos



Modelos de inventario.

Modelos de lnea de espera.

Modelos de reemplazo.

Modelos de mantenimiento.

Modelos de asignacin de recursos.

Modelos de competencia.




2. Programacin lineal

La programacin lineal es una de las tcnicas
cuantitativas utilizadas por la IO, la cual se emplea
normalmente para resolver problemas de asignacin de
recursos.

Es necesario que el objetivo y la estructura del sistema en
cuestin puedan presentarse por funciones lineales.
2.1 Mtodo Grfico

El procedimiento de solucin grfica comprende de dos pasos:

1. Determinacin del espacio de soluciones que define todas las soluciones
factibles del modelo.
2. Determinacin de la solucin ptima, entre todos los puntos factibles del
espacio de soluciones.
Ejemplo:

Raddy Mikks produce pinturas para interiores y exteriores, M
1
y M
2
. la tabla
siguiente proporciona los datos bsicos del problema.


Tons de materia para:
Pintura para
exteriores
Pintura para
interiores
Disponibilidad diaria
maxima
Materia Prima, M1 6 4 24
Materia Prima, M2 1 2 6
Utilidad por Ton (Miles de $) 5 4
Una encuesta de mercado indica que la demanda diaria de pintura para
interiores no puede ser mayor a una tonelada mas que la pintura para
exteriores, tambin que la demanda mxima de pintura para interiores de 2
toneladas.

Reddy Mikks desea determinar la mezcla ptima de productos para interiores
y exteriores que maximice la utilidad diaria total.
Variables.
Modelo Matemtico
Formulacin
Restricciones
Funcin objetivo
. interiores para Pintura M
. exteriores para Pintura M
2
1
=
=
2 1
4M 5M Max +
0 M , M
2 M
1 M M -
6 2M M
24 M 4 6M
2 1
2
2 1
2 1
2 1
>
s
s +
s +
s +
1)
2)
3)
4)
5)
Solucin
24 M 4 6M
24 M 4 6M
2 1
2 1
= +
s +
6 M 0; M Si
3 M 0; M Si
6 2M M
6 2M M
1 2
2 1
2 1
2 1
= =
= =
= +
s +
1 - M 0; M Si
1 M 0; M Si
1 M M -
1 M M -
1 2
2 1
2 1
2 1
= =
= =
= +
= +
2 M
2 M
2
2
=
s
4 M 0; M Si
6 M 0; M Si
1 2
2 1
= =
= =
24 M 4 6M
2 1
= +
6 2M M
2 1
= +
1 M M -
2 1
= +
2 M
2
=
Regin factible
1)
2)
3)
4)
24 M 4 6M
2 1
= +
6 2M M
2 1
= +
1 M M -
2 1
= +
2 M
2
=
Regin factible
2 1
4M 5M Max +
(0,4) (0,0)
(0,1)
P1
P2
P3
2 M
1 M M1 -
P1
2
2
=
= +
) 2 , 1 ( 1
1 M
1 2 M -
: 2 M
2 M
1
1
2
2
=
=
= +
=
=
P
do sustituyen
(2,2) P2
2 M1
6 (2) 2 M1
6 M 2 M1
. 1
2 M
2 M
6 M 2 M1
P2
2
2
2
2
=
=
= +
= +
=
=
= +
ec ra la en do sustituyen
de partiendo
) 5 . 1 , 3 ( 3
24 4 6M
6 M 2 M1
P3
2 1
2
=
= +
= +
P
M
24 M 4 6M
2 1
= +
6 2M M
2 1
= +
1 M M -
2 1
= +
2 M
2
=
Regin factible
P4(0,4) P5(0,0)
P1
P2
P3
2 1
4M 5M z Max + =
21 4(1.5) 5(3) z
P3(3,1.5)
18 4(2) 5(2) z
P2(2,2)
13 4(2) 5(1) z
(1,2) 1
Para
= + =
= + =
= + =
P
P6(0,1)
4 z
P6(0,1)
0 z
P5(0,0)
16 z
P4(0,4)
=
=
=
La utilidad diaria correspondiente es de $ 21, 000. Eso equivale a una mezcla
de productos de 3 tonelada de pintura para exteriores y 1.5 toneladas de
pintura para interiores.
2.2 Mtodo Simplex
Restricciones
X1 X2 S1 S2 S3 S4 SOL.
Z -5 -4 0 0 0 0 0
S1 6 4 1 0 0 0 24
S2 1 2 0 1 0 0 6
S3 -1 1 0 0 1 0 1
S4 0 1 0 0 0 1 2
2 1
4M 5M Max +
0 M , M
2 M
1 M M -
6 2M M
24 M 4 6M
2 1
2
2 1
2 1
2 1
=
s
s +
s +
s +
X1 X2 S1 S2 S3 S4 SOL.
Z -5 -4 0 0 0 0 0
S1 6 4 1 0 0 0 24
S2 1 2 0 1 0 0 6
S3 -1 1 0 0 1 0 1
S4 0 1 0 0 0 1 2
1. Identificar la columna con el valor mas negativo del rengln z y marcarla.
2. Dividir los valores de la columna solucin entre los valores de la columna
con el valor de z mas negativo .
3. Identificar en que rengln se presento el valor mas pequeo de la divisin
anterior y marcarlo.
4. El numero que se encuentra interseccin dada por los pasos anteriores se
le llama pivote, y todo el rengln debe ser dividido por ese nmero.
24/6 = 4
6/1 = 6
1/-1 = -1
2/0 =
No validos
X1 X2 S1 S2 S3 S4 SOL.
Z -5 -4 0 0 0 0 0
S1 1 2/3 1/6 0 0 0 4
S2 1 2 0 1 0 0 6
S3 -1 1 0 0 1 0 1
S4 0 1 0 0 0 1 2
Pivote
X1 X2 S1 S2 S3 S4 SOL.
Z -5 -4 0 0 0 0 0
S1 1 2/3 1/6 0 0 0 4
S2 1 2 0 1 0 0 6
S3 -1 1 0 0 1 0 1
S4 0 1 0 0 0 1 2
Eliminacin de Gauss Jordan

Tomando como base el rengln pivote (S2), procedemos a hacer
ceros, los valores de la columna correspondiente al valor pivote.
4 4
3 1 3
2 1 2
2 1
5
S S
S S S
S S S
S S z
=
+ =
+ =
+ =
X1 X2 S1 S2 S3 S4 SOL.
Z 0 -2/3 5/6 0 0 0 20
S1 1 2/3 1/6 0 0 0 4
S2 0 4/3 -1/6 1 0 0 2
S3 0 5/3 1/6 0 1 0 5
S4 0 1 0 0 0 1 2
X1 X2 S1 S2 S3 S4 SOL.
Z 0 -2/3 5/6 0 0 0 20
S1 1 2/3 1/6 0 0 0 4
S2 0 1 -1/8 3/4 0 0 3/2
S3 0 5/3 1/6 0 1 0 5
S4 0 1 0 0 0 1 2
2 4 4
2 3 3
2 1 1
2
3
5
3
2
3
2
S S S
S S S
S S S
z S z
=
=
=
+ =
X1 X2 S1 S2 S3 S4 SOL.
Z 0 0 3/4 1/2 0 0 21
S1 1 0 1/4 0 0 0 3
S2 0 1 -1/8 3/4 0 0 3/2
S3 0 0 9/24 -5/4 1 0 5/2
S4 0 0 1/8 3/4 0 1 1/2
Resultado
Z = $21 000
M
1
= 3 toneladas

M
2
= 1.5 toneladas
2.3 Modelo de Transporte
El modelo de transporte es un caso especial de programacin lineal
que tiene que tiene que ver con transportar un articulo desde fuentes
hasta sus destinos.

El objetivo es determinar el programa de transporte que minimice el
costo total del transporte y que al mismo tiempo satisfaga los limites
de la oferta y la demanda.
Definicin

Hay m fuentes y n destinos, cada fuente y cada destino son representados por
un nodo. Los arcos representan las rutas que enlazan las fuentes y los destinos.
El arco ( i, j ) que une a la fuente i con el destino j conduce dos clases de
informacin: el costo de transporte C
ij
por unidad y la cantidad transportada x
ij
.
La cantidad de oferta en la fuente i es a
i
y la cantidad de demanda en el destino
j es b
j
. El objetivo del modelo es determinar las incgnitas x
ij
que minimicen el
costo total del transporte, y que al mismo tiempo satisfagan las restricciones de
oferta y demanda.
1
2
m
1
2
n
Fuentes Destinos
Unidades
de oferta
Unidades de
demanda
a
1

a
2

a
m

b
1

b
2

b
n

C
11
: x
11

C
mn
: x
mn

2.3.1 Mtodo de la esquina noroeste
El mtodo comienza en la celda (ruta) de la esquina noroeste, o superior
izquierda, de la tabla (variable x
11
).


1. Asignar todo lo ms que se pueda a la celda seleccionada y ajustar
las cantidades asociadas de oferta y demanda restando la cantidad
asignada.

2. Salir del rengln o columna cuando se alcance oferta o demanda cero,
y tacharlo. Si un rengln y una columna dan cero al mismo tiempo,
tachar solo uno y dejar una oferta cero en el rengln que no se tacho.

3. Si queda exactamente un rengln o columna sin tachar, detenerse. En
caso contrario, avanzar a la celda de la derecha si se acaba de tachar
una columna, a la de abajo si se tacho un rengln.

Foster Generators tiene plantas en Cleveland, Bendford y New York donde
fabrica piezas para construir generadores elctricos. Al producir sus piezas,
debe enviarlas a los centro de distribucin ubicados en Boston, Chicago,
St. Louis y Lexington.

El enviar piezas de cada planta a cada centro tiene un costo asociado,
adems que contamos con una demanda oferta y demanda de cada planta
y centro de distribucin. Determinar la cantidad de piezas a enviar de cada
planta al centro de distribucin de manera que la demanda quede
satisfecha.
Ejemplo:
15
2
5
10
5
15
15
15
Ofert
a
Demanda
Plant
a
Centro de
distribucin
Ejemplo:
10
2
20
11
12
7
9
20
4
14
16
18
1 2 3 4 oferta
1
10 2 20 11
15
2
12 7 9 20
25
3
4 14 16 18
10
demanda 5 15 15 15
1 2 3 4 oferta
1
10 2 20 11
15
2
12 7 9 20
25
3
4 14 16 18
10
demanda 5 15 15 15
5 10
5 15 5
10
5 10
5 15 5
10
10
25
10
0 15 15 15
0
25
10
0 5 15 15
0 0 15 15
0
20
10
0
5
10
0 0 0 15
0
0
10
0 0 0 10
Solucin
5*10 + 10*2 + 5*7 + 15*9 + 5*20 + 10*18 = $520
Ejemplo:
2.3.2 Mtodo del costo mnimo
Este mtodo determina una mejor solucin de inicio, porque se concentra
en las rutas menos costosas.

Se inicia asignando todo lo posible a la celda que tenga el mnimo costo
unitario.

A continuacin, el rengln o la columna ya satisfechos se tacha, y las
cantidades de oferta y demanda se ajustan en consecuencia. Si se
satisfacen en forma simultanea un rengln y una columna, solo se tacha
uno de los dos y al otro se le asigna un valor de 0.

Posteriormente se busca la celda no tachada con el costo unitario y se
repite el proceso hasta que quede sin tachar exactamente un rengln o
una columna.
1 2 3 4 oferta
1
10 2 20 11
15
2
12 7 9 20
25
3
4 14 16 18
10
demanda 5 15 15 15
15 0
25
10
5 0 15 15
5
0
25
5
0 0 15 15
15
0
10
5
0 0 0 15
5
0
10
0
0 0 0 10
Solucin = 15*2 + 4*5 + 15* 9 + 11*0 + 18*5 + 10*20 = $475
1 2 3 4 oferta
1
10 2 20 11
15
2
12 7 9 20
25
3
4 14 16 18
10
demanda 5 15 15 15
15
5
15
0
0
5
10
10
0
0
0
0 0 0 0
Ejemplo:
2.3.3 Mtodo de aproximacin de Vogel
1. Determinar para cada rengln (columna) una medida de penalizacin
restando el elemento de costo unitario mnimo en el rengln (columna) del
elemento con costo unitario siguiente al mnimo del mismo rengln
(columna).

2. Identificar el rengln o columna con mayor penalizacin. Romper los
empates de forma arbitraria. Asignar todo lo posible a la variable que tenga
el mnimo costo unitario del rengln o columna seleccionado . Ajustar la
oferta y la demanda y tachar el rengln o columna ya satisfechos. Si se
satisfacen de forma simultanea tachar uno y al otro se le asigna una
demanda u oferta de cero.

3. Realizar lo anterior hasta que no quede ni un rengln y/o columna sin
tachar.

1 2 3 4 oferta
1
10 2 20 11
15
2
12 7 9 20
25
3
4 14 16 18
10
demanda 5 15 15 15
10 2 = 8 8
2
10
10 4 = 6
6 5 7 7
5
/ 15 15 15
9
2
2
15
25
5
/ 5 7 7
15
/ 15 15
0
25
5
/ 7 7
15
/ 15
0
10
5
11
20
18
/ 7
10
5
0
/
5
11
/
18
7
5
0
/
/
0
9
11
2
11
/
/
11
/
/
/
0
/
Ejemplo:
1 2 3 4 oferta
1
10 2 20 11
15
2
12 7 9 20
25
3
4 14 16 18
10
demanda 5 15 15 15
0
10
15
15
15 5
Solucin:
5*4 + 15*2 + 9*15 + 11*0 + 20*10 + 18*5 = $475
Modelo Matemtico



>
s
i
j j i
j
j j i
i j
j i j i
j d X
i O X
a s
X C
,
,
, ,
. .
min
. :
. :
. :
. :
. :
. :
:
,
,
j a i de envan se que Unidades X
j a i de enviar de Costo C
j cliente del Demanda D
i planta la de Of erta O
Clientes j
plantas i
Donde
j i
j i
j
i
2.4 Problema de Asignacin

El problema de asignacin es un tipo especial de problema de programacin
lineal en el que los asignados son recursos destinados a la realizacin de
tareas.

Para que el problema se ajuste a la definicin de un problema de
asignacin, es necesario que este tipo de aplicaciones se formule de la
siguiente manera:

1. El nmero de asignados es igual al nmero de tareas.
2. A cada asignado se asigna solo una tarea.
3. Cada tarea debe realizarla solo un asignado.
4. Existe un costo asociado con el asignado i que realiza la tarea j.
5. El objetivo es determinar cmo deben hacerse las asignaciones para
minimizar los costos totales.
ij
C
2.4.1 Mtodo Hngaro

1. En la matriz original del costo, identificar el mnimo de cada
rengln y restarlo de todos los elementos del rengln

2. En la matriz que resulte del paso 1, identificar el mnimo de cada
columna, y restarlo de todos los elementos de la columna.

3. Identificar la solucin ptima como la asignacin factible
asociada con los elementos cero de la matriz obtenida en el
paso 2.
Los tres hijos de Jos, Pedro, Karen y Juan, quieren ganar algo de dinero
para sus gastos personales, durante un viaje de la escuela al zoolgico. El
seor Jos ha destinado tres tareas para sus hijos: podar el pasto, pintar la
cochera y lavar los autos de la familia. Para evitar discusiones, les pide que
presenten ofertas secretas que es un pago justo para cada una de las tres
tareas. La tabla muestra las ofertas recibidas.
Podar Pintar lavar
Pedro 15 10 9
Karen 9 15 10
Juan 10 12 8
Con base a esta informacin Cmo debe asignar las tareas el seor Jos?
Ejemplo:
Podar Pintar lavar
Pedro 15 10 9
Karen 9 15 10
Juan 10 12 8
9
9
8
Podar Pintar lavar
Pedro 6 1 0
Karen 0 6 1
Juan 2 4 0
0 1 0
Podar Pintar lavar
Pedro 6 0 0
Karen 0 5 1
Juan 2 3 0
Resultado:
Pedro: Pintar = $10
Karen: Podar = $9
Juan: lavar = $8
Total: $27

Seleccionar el valor mas
pequeo para cada fila.
Seleccionar el valor mas
pequeo para cada columna.
El ejemplo anterior se ampla a cuatro hijos y cuatro tareas. La siguiente
tabla resume los elementos de costo en el problema.
Tarea
1 2 3 4
N
i

o

1 1 4 6 3
2 9 7 10 9
3 4 5 11 7
4 8 7 8 5
1
7
4
5
Tarea
1 2 3 4
N
i

o

1 1 4 6 3
2 9 7 10 9
3 4 5 11 7
4 8 7 8 5
Tarea
1 2 3 4
N
i

o

1 0 3 5 2
2 2 0 3 2
3 0 1 7 3
4 3 2 3 0
0 0 3 0
Tarea
1 2 3 4
N
i

o

1 0 3 2 2
2 2 0 0 2
3 0 1 4 3
4 3 2 0 0
Identificamos los valores
mnimos por fila. Identificamos los valores
mnimos por columna.
Asignacin de tareas.
Otro caso

En algunos casos los ceros que se producen en los pasos 1 y 2 no
producen una solucin factible en forma directa. En este caso se
necesitan mas pasos para llegar a la asignacin ptima.

2. Si no se puede asegurar una asignacin factible con los pasos 1 y 2,
i) Trazar la cantidad mnima de lneas horizontales y verticales en la
ltima matriz reducida que cubran todos los elementos cero.
ii) Seleccionar el elemento mnimo no cubierto, restarlo de todo elemento
no cubierto y a continuacin sumarlo a todo elemento en la
interseccin de dos lneas.
iii) Si no se puede encontrar una asignacin factible entre los elementos
cero que resulten, repetir el paso 2. En caso contrario, seguir en el
paso 3 para determinar la asignacin ptima.
Tarea
1 2 3 4
N
i

o

1 0 3 2 2
2 2 0 0 2
3 0 1 4 3
4 3 2 0 0
Tarea
1 2 3 4
N
i

o

1 0 2 1 1
2 3 0 0 2
3 0 0 3 2
4 4 2 0 0
Solucion
Nio 1: Tarea 1 = 1
Nio 2: Tarea 3 = 10
Nio 3: Tarea 2 = 5
Nio 4: Tarea 4 = 5
Total: $21
Modelo Matemtico





{ } 1 , 0
1
1
. .
min
,
,
,
, ,
=
=
=

j i
i
j i
j
j i
i j
j i j i
X
j X
i X
a s
X C
. :
. :
. :
. :
:
,
,
j tarea la i nio al Asigna X
j tarea la i nio al asignar de Costo C
Tarea j
Nio i
Donde
j i
j i
3. Flujo en redes

Las redes surgen en numerosos entornos, y en una variedad de formas.
Ejemplos:
Transporte
Electricidad
Telecomunicacin

Representaciones de la red tambin son ampliamente utilizado para los
problemas en reas tan diversas como la produccin, planificacin de la
distribucin del proyecto, ubicacin de instalaciones, gestin de recursos y
planificacin financiera por nombrar slo unos pocos ejemplos.
3.1 Problema de la ruta mas corta


Se trata de encontrar la ruta de menor distancia o costo, entre
un nodo de partida (inicio) a un nodo destino (final).
Algoritmos para solucionar este problema.
Algoritmo de Dijkstra.
Algoritmo de bsqueda A*.
Algoritmo de Floyd Warshall.
3.1.1 Algoritmo de Dijkstra
Ejemplo.


1
2
3
4
5
6
7
2 2
4
4
4
1
1
3
5
7
5
7
[0,-]
2 3 4
1 2 4 5
[1,2]
3 4 5
1 4 5 /
2 / 2 + 2 = 4 2 + 7 =9
[1,4]
4 5 6
1 5 / /
2 2 + 2 = 4 2 + 7 = 9 /
3 4 + 1 = 5 / 4 + 3 = 7
[2,4]
5 6
2 7 + 2 = 9 /
3 / 4 + 4 = 8
4 4 + 4 = 8 4 + 3 = 7
5 7
2 7 + 2 = 9 /
4 4 + 4 = 8 /
6 7 + 1 = 8 7 + 7 =14
7
5 8 + 5 =13
6 7 + 7 =14
[4,7]
[4,8]
[6,8]
[5,13]
Ejemplo. Resultado


1
2
3
4
5
6
7
2 2
4
4
4
1
1
3
5
7
5
7
[0,-]
[1,2]
[1,4]
[2,4]
[4,7]
[4,8]
[6,8]
[5,13]
Ruta: 1 2 4 5 7
Peso: 13
Ejemplo. Resultado


1
2
3
4
5
6
7
2 2
4
4
4
1
1
3
5
7
5
7
[0,-]
[1,2]
[1,4]
[2,4]
[4,7]
[4,8]
[6,8]
[5,13]
Ruta: 1 2 4 6 - 5 7
Peso: 13
{ }

=
e
=

1
0
0
1
1 , 0
.

i
ij
i
j
ji
j
ij
i j
ij ij
b
x
i b x x
a S
x C Min
Modelo matemtico
rbol: red no dirigida conexa que no contiene
ciclos.

rbol expandido: red no dirigida convexa que no
contiene ciclos y conecta los n nodos del rbol,
dicha red contiene n-1 rcos.






(n-1) nmero mnimo de arcos necesarios para tener una red conexa.
3.2 rbol de mnima expansin


Fig. 3.1) No es un rbol
Fig. 3.2) No es un rbol de
expansin
Fig. 3.3) rbol de
expansin
rbol de mnima expansin:
Tenemos una red con n nodos, donde se requieren slo
(n-1) ligaduras para proporcionar una trayectoria entre
cada par de nodos.

stas ligaduras deben elegirse de manera que la red
resultante forme un rbol de expansin.

Por lo tanto el problema es encontrar el rbol de
expansin con la longitud total mnima de sus ligaduras.

3.2.1 Algoritmo de Kruskal
1. Se crea un bosque B (un conjunto de rboles), donde cada nodo del grafo
es un rbol separado, nosotros numeramos estos nodos.

2. Se crea un conjunto que contenga a todas las aristas del grafo.

3. Creamos otro conjunto con las aristas ordenadas en funcin de su peso.

4. Seleccionamos inicialmente la arista con menor peso y se aade al
bosque, combinando sus rboles (nodos).

5. Mientas el conjunto de aristas es no vaco:
Se elimina una arista de peso mnimo del conjunto de aristas ordenadas.
Si esa arista conecta dos rboles diferentes se aade al bosque (conjunto
solucin), combinando los dos rboles en un solo rbol.
En caso contrario, se desecha la arista.

6. Al acabar el algoritmo, el bosque tiene un solo componente, el cual forma
un rbol de expansin mnima del grafo.

En el parque Chipinque se ha destinado una nueva rea
destinada para paseos y campamentos.
Para esta rea se requieren instalar lneas telefnicas
subterrneas para establecer comunicacin entre todas
las estaciones.

Como la instalacin es cara y perturba la ecologa, se
instalarn lneas que siguen slo los caminos necesarios
para obtener comunicacin entre cualquier par de
estaciones.

Cmo deben instalarse las lneas logrando un costo
mnimo total de kilmetros de cable instalado?

Ejemplo:

Fig. 3.4) Red no dirigida convexa para el problema de instalacin de
lneas telefnicas en Chipinque.
Se tienen 7 nodos, y 12 aristas con costo dij
(el costo de ir del nodo i al j), y dij=dij.

Conjunto de aristas:
Aristas ={(O,A), (O,B), (O,C), (A,D), (A,B), (B,C), (B,C), (B,D),
(B,E),(C,E),(D,T),(D,E),(E,T)}

Se ordenan en funcin de su peso:
Aristas Ordenadas:
Arista 1 (B,C) = 1
Arista 2 (D,E) = 1
Arista 3 (A,B) = 2
Arista 4 (A,O) = 2
Arista 5 (B,E) = 3
Arista 6 (B,D) = 4
Arista 7 (O,C) = 4
Arista 8 (C,E) = 4
Arista 9 (O,B) = 5
Arista 10(D,T) = 5
Arista 11(A,D) = 7
Arista 10(E,T) = 7

Cada arista tomada es eliminada de la lista.
Arista inicial: (B,C) con peso 1
Se agrega a nuestro conjunto solucin de
aristas.
(B,C) los rboles conectados son: B y C y se
cambian a B y B para convertirlos en un solo
rbol.
Siguiente arista: (D,E) con peso 1 con rboles D y E
Como se puede tomar se acepta y se cambia:
(D,E) de rboles D,E a (D,D) al igual que (B,B) para
que se conviertan en un solo rbol.
Siguiente arista: (A,B) con peso 2
(A,B) los rboles conectados son: A y B y
se cambian a A y A para convertirlos en un
solo rbol al igual que los anteriores.
Siguiente arista: (A,O) con peso 2
(A,O) los rboles conectados son: A y O y
se cambian a O y O para convertirlos en
un solo rbol al igual que los anteriores.
Siguiente arista: (B,E) con peso 3
(B,E) los rboles conectados son: B y E,
se cambian a B y B para convertirlos en
uno solo.





Siguiente arista: (O,C) con peso 4
(O,C) los rboles conectados son: O y O,
como conecta rboles iguales no es
considerado para la solucin y de elimina
de la lista.

Lo mismo sucede para las aristas (C,E) y
(B,D)

Siguiente arista: (D,T) con peso 5
(D,T) los rboles conectados son:
D y T y se cambian a T y T para
convertirlos en un solo rbol.
Siguiente arista menor peso:
(E,T) con peso 7 con rboles T y T
Como conecta rboles iguales se
desecha.
El conjunto inicial de aristas
ordenados ha quedado vaco.

Se finaliz el algoritmo

Fig. 3.5) rbol de mnima expansin para el problema de Chipinque
Su longitud mnima es 14 Km

eA j i
j i j i
X c Minimizar
) , (
, ,

entero y x
nodos, de S conjunto todo para x
: a sujeto
j i,
A(S) j) (i,
j i,
) , (
,
0
1
1
>
s
=

e
e
S
n x
A j i
j i
Sea A (S) el conjunto de arcos que figuran en el subgrafo de G = (N, A)
Tenga en cuenta que en funcin del nmero de nodos de la red, este
modelo contiene un nmero exponencial de restricciones.

=
caso otro en
j) (i, arco del variable la elige se si
,
0
1
j i
x
Modelo matemtico
3.3 Problema de Flujo Mximo

Se considera el problema de trasladar una cierta mercanca desde un punto
especfico, llamado fuente a un punto de destino, denominado sumidero. Para
ello se considera un grafo G = (V,A), en el que se consideran dos nodos o
vrtices: uno denominado nodo fuente y otro denominado nodo destino.
s t
V
1

V
2

A
Fuente Destino
Objetivo:
Determinar el mximo flujo X que se puede enviar desde el nodo fuente s al
nodo
destino t, teniendo en cuenta las capacidades C
ij
sobre el flujo de cada arco
(i,j) y que el flujo se debe conservar.
s t
V
1

V
2

C
sV1

3.3.1 Algoritmo Ford Fulkerson.

El flujo siempre es positivo.
El flujo a travs de una arco es menor o igual a la capacidad.
El flujo que entra es igual al que sale.











El algoritmo Ford Fulkerson propone buscar caminos en los que se
puede aumentar el flujo, hasta que se alcance el flujo mximo.

La idea es encontrar una ruta de penetracin con un flujo positivo neto que
una los nodos origen y destino.









Algoritmo:

1. Para todos los arcos (i, j) se iguala la capacidad residual con la
capacidad inicial. Sea a
s
= y se etiqueta el nodo fuente con [,-] se
iguala i = 1 y se prosigue al paso 2.
2. Determinar S
i
, el conjunto de nodos j no etiquetados que se pueden
alcanzar directamente desde el nodo i, con residuales positivos C
ij
>0
para toda j S
i
. S
i
0, ir al paso 3. En caso contrario ir al paso 4.
3. Determinar k S
i
tal que:
C
ik
= max {C
ij
}

Igualar a
k
= C
ik
y etiquetar el nodo k con [a
k
, i]. Si k = t, el nodo de sumidero
se ha etiquetado y se ha encontrado una ruta de irrupcin, ir al paso 5. en
caso contrario, igualar i=k y seguir en el paso 2.

4. (retroceso). Si i=1, no hay otras irrupciones posibles; ir al paso 6. en
caso contrario , sea r el nodo que se ha etiquetado inmediatamente antes
del nodo actual i y quitar i del conjunto de nodos adyacentes a r. igualar i = r
y continuar en el paso 2.

5. (determinacin de la red residual). Sea N
p
=(1,k
1
,k
2
,,k
n
);se definen todos
los nodos de la p-sima ruta de irrupcin de nodo fuente s al nodo sumidero
t, entonces el flujo mximo por la ruta se calcula como


} ,..., , , min{
2 1
1 n k k p
a a a a f =
El flujo residual se cambia del actual (C
ij
, C
ji
) a :

a)

Se reinstalan los nodos que se hayan eliminado en el paso 4. Poner i=1 y
regresar al paso 2 para intentar una nueva ruta de irrupcin.

6. (Solucin)
a) Si se han determinado m rutas de irrupcin, el flujo mximo en la red es:




) , ( ) , (
p ji p ij ji ij
f C f C C C + =
m
f f f F ,...,
2 1
+ + =
Ejemplo



S
4
2 3
T 10
30
20
0
0
0
0
0
0
30
40
10
0
20
5
20
C
ik
= max {C
ij
}.
a
1
= max {10,30,20}
a
1
= 30
S
4
2 3
T 10
30
20
0
0
0
0
0
0
30
40
10
0
20
5
20
C
ik
= max {C
ij
}.
a2

= max {0,10,20}
a2

= 20
S
4
2 3
T 10
30
20
0
0
0
0
0
0
30
40
10
0
20
5
20
[, -]
[30,
S]
[20,
3]
} ,..., , , min{
2 1
1 n k k p
a a a a f =
} 20 , 30 , min{
1
= f
20
1
= f
S
4
2 3
T
10
30
20
0
0
0
0
0
0
30
40
10
0
20
5
20
[, -]
[30, S]
[20, 3]
20
1
= f
) , ( ) , (
p ji p ij ji ij
f C f C C C + =
S
4
2 3
T
10
10
20
20
0
0
0
0
20
30
40
10
0
0
5
20
) 20 , 0 ( ) 20 0 , 20 20 ( ) , (
3 , , 3
= + =
t t
C C
) 20 , 10 ( ) 20 0 , 20 30 ( ) , (
, 3 3 ,
= + =
s s
C C
C
ik
= max {C
ij
}.
S
4
2 3
T
10
10
20
20
0
0
0
0
20
30
40
10
0
0
5
20
[20,S]
[40,2]
[10,3]
[20,T]
a
1
= max {10,10,20} = 20
a
2
= max {30,40} = 40
a
3
= max {10,20} = 20
a
4
= max {20} = 20
S
4
2 3
T
10
10
20
20
0
0
0
0
20
30
40
10
0
0
5
20
[20,S]
[40,2]
[10,3]
[20,T]
} ,..., , , min{
2 1
1 n k k p
a a a a f =
} 20 , 10 , 40 , 20 , min{
2
= f
10
2
= f
) , ( ) , (
p ji p ij ji ij
f C f C C C + =
) 10 , 10 ( ) 10 0 , 10 20 ( ) , (
) 10 , 0 ( ) 10 5 , 10 10 ( ) , (
) 10 , 30 ( ) 10 0 , 10 40 ( ) , (
) 10 , 10 ( ) 10 0 , 10 20 ( ) , (
4 , , 4
3 , 4 4 , 3
2 , 3 3 , 2
, 2 2 ,
= + =
= + =
= + =
= + =
t t
s s
C C
C C
C C
C C
S
4
2 3
T
10
10
10
20
10
10
10
0
20
30
30
0
0
0
15
10
S
4
2 3
T
10
10
10
20
10
10
10
0
20
30
30
0
0
0
15
10
[10,s]
[30,2]
} ,..., , , min{
2 1
1 n k k p
a a a a f =
} 30 , 10 , min{
2
= f
10
3
= f
C
ik
= max {C
ij
}.
a
1
= max {10,10,10} = 10
a
2
= max {30,30} = 30
) , ( ) , (
p ji p ij ji ij
f C f C C C + =
) 10 , 20 ( ) 10 0 , 10 30 ( ) , (
) 20 , 0 ( ) 10 10 , 10 10 ( ) , (
2 , , 2
, 2 2 ,
= + =
= + =
t t
s s
C C
C C
S
4
2 3
T
10
10
0
20
20
10
10
10
20
20
30
0
0
0
15
10
S
4
2 3
T
10
10
0
20 20
10
10
10
20
20
30
0
0
0
15
10
[10,s]
[10,3]
} ,..., , , min{
2 1
1 n k k p
a a a a f =
} 20 , 10 , 10 , min{
4
= f
10
4
= f
C
ik
= max {C
ij
}.
a
1
= max {10,10} = 10
a
2
= max {0,0,10} = 10
) , ( ) , (
p ji p ij ji ij
f C f C C C + =
) 20 , 10 ( ) 10 10 , 10 20 ( ) , (
) 40 , 0 ( ) 10 30 , 10 10 ( ) , (
) 30 , 0 ( ) 10 20 , 10 10 ( ) , (
2 , , 2
3 , 2 2 , 3
, 3 3 ,
= + =
= + =
= + =
t t
s s
C C
C C
C C
S
4
2 3
T
10
0
0
30 20
0
10
20
20
10
40
0
0
0
15
10
a
3
= max {20} = 20
[20,2]
S
4
2 3
T
10
0
0
30 20
0
10
20
20
10
40
0
0
0
15
10
[10,s]
[10,4]
} ,..., , , min{
2 1
1 n k k p
a a a a f =
} 10 , 10 , min{
5
= f
10
5
= f
C
ik
= max {C
ij
}.
a
1
= max {10} = 10
a
2
= max {10} = 10
) , ( ) , (
p ji p ij ji ij
f C f C C C + =
) 20 , 0 ( ) 10 10 , 10 10 ( ) , (
, 4 4 ,
= + =
t s
C C
S
4
2 3
T
0
0
0
30 20
0
20
20
20
10
40
0
20
0
15
0
S
4
2 3
T
0
0
0
30 20
0
20
20
20
10
40
0
20
0
15
0
10 10 10 10 20
max
+ + + + = =

k
k
f f
20 ; 20 ; 10 ; 0 ; 20 ; 20 ; 30 ; 20
4 3 34 23 2 4 3 2
= = = = = = = =
t t t s s s
x x x x x x x x

Las cadenas de Markov tienen la propiedad particular de que las
probabilidades que describen la forma en que el proceso evolucionar
en el futuro.

4. Cadenas de Markov

Formulacin de las cadenas de markov

Una cadena de Markov es una serie de eventos, en la cual la
probabilidad de que ocurra un evento depende del evento inmediato
anterior.

Para describir completamente una cadena de Markov es necesario
saber el estado actual y todas las probabilidades de transicin.


Una forma de describir una cadena de Markov es con un diagrama
de estados, como el que se muestra en la figura de abajo.








Otro mtodo para exhibir las probabilidades de transicin es usar
una
matriz de transicin.





0 1
0.1
0.1
0.9
0.9
(

9 . 0 1 . 0
1 . 0 9 . 0
Probabilidades de transicin


Es cuando el estado inicial se va alterando conforme avanza el tiempo.














Es cuando las caractersticas no varan con el tiempo.
Estado de transicin
Estado estable
Ejemplo:

El centro de computacin de la Universidad Rockbottom ha estado
experimentando periodos considerables de tiempo muerto en sus
computadoras. Supngase que se definen los ensayos de un proceso
correspondiente de Markov como periodos de una llora y que la probabilidad
de que el sistema est en estado de operacin o en estado inactivo se basa
en el estado del sistema en el periodo anterior. Los datos histricos muestran
las siguientes probabilidades de transicin:







a) Si el sistema est inicialmente operando, cul es la probabilidad de que
se caiga el sistema en la siguiente hora de operacin? y en la segunda?
b) Cules son las probabilidades de estado estable de que el
sistema se encuentre en estado operante y en estado inoperante?

Operante Inoperante
Operante 0.9 0.1
Inoperante 0.3 0.7
Referencias
Taha Hamdy, Investigacin de Operaciones.
7ma. Edicin, Pearson Educacin, Mxico 2004.

Hiller, Frederick S. Investigacin de Operaciones,
2002.

Ahuja, Magnanti, Orlin. Network Flows, 1993.