Sunteți pe pagina 1din 15

ndice

LNEAS DE ESPERAS 1
INTRODUCCIN Y CASOS DE APLICACIN. 1
DEFINICIONES CARACTERSTICAS Y SUPOSICIONES. 2
TERMINOLOGA Y NOTACIN. 3
PROCESO DE NACIMIENTO Y MUERTE. MODELOS POISSON. 4
UN SERVIDOR, COLA INFINITA, FUENTE INFINITA. 5
SERVIDORES MLTIPLES, COLA INFINITA, FUENTE INFINITA. 6
UN SERVIDOR, FUENTE FINITA, COLA FINITA. 8
CADENAS DE MARKOV 10
INTRODUCCIN. 10
CASOS DE APLICACIN 10
FORMULACIN DE LAS CADENAS DE MARKOV. 12
PROCESOS ESTOCSTICOS. 13
PROGRAMACIN DINMICA 13
CARACTERSTICAS DE LOS PROBLEMAS DE PROGRAMACIN DINMICA: ETAPAS, ESTADOS, FRMULA
RECURSIVA, PROGRAMACIN EN AVANCE Y EN RETROCESO 13
















Lneas de esperas
INTRODUCCIN Y CASOS DE APLICACIN.
Las lneas de espera, filas de espera o colas, son realidades cotidianas:
Personas esperando para realizar sus transacciones ante una caja en un banco,
Estudiantes esperando por obtener copias en la fotocopiadora, vehculos esperando pagar ante
una estacin de peaje o continuar su camino, ante un semforo en rojo, Mquinas daadas a la
espera de ser rehabilitadas.
Los anlisis de colas ayudan a entender el comportamiento de estos sistemas de servicio
(la atencin de las cajeras de un banco, actividades de mantenimiento y reparacin de
maquinaria, el control de las operaciones en planta, etc.).
Desde la perspectiva de la Investigacin de Operaciones, los pacientes que esperan ser
atendidos por el odontlogo o las prensas daadas esperando reparacin, tienen mucho en
comn. Ambos (gente y mquinas) requieren de recursos humanos y recursos materiales como
equipos para que se los cure o se los haga funcionar nuevamente.
DEFINICIONES CARACTERSTICAS Y SUPOSICIONES.
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lnea de espera particulares o sistemas de colas. Los
modelos sirven para encontrar un buen compromiso entre costes del sistema y los tiempos
promedio de la lnea de espera para un sistema dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como modelo,
pueden representar cualquier sistema en donde los trabajos o clientes llegan buscando un
servicio de algn tipo y salen despus de que dicho servicio haya sido atendido. Podemos
modelar los sistemas de este tipo tanto como colas sencillas o como un sistema de colas
interconectadas formando una red de colas
La teora de colas es el estudio matemtico del comportamiento de lneas de espera. Esta
se presenta, cuando los clientes llegan a un lugar demandando un servicio a un servidor, el
cual tiene una cierta capacidad de atencin. Si el servidor no est disponible inmediatamente y el
cliente decide esperar, entonces se forma la lnea de espera.
A lo largo del tiempo se producen llegadas de clientes a la cola de un sistema desde una
determinada fuente demandando un servicio. Los servidores del sistema seleccionan miembros
de la cola segn una regla predefinida denominada disciplina de la cola. Cuando un cliente
seleccionado termina de recibir su servicio (tras un tiempo de servicio) abandona el sistema,
pudiendo o no unirse de nuevo a la fuente de llegadas.
Fuente
Recibe el nombre de fuente el dispositivo del que emanan las unidades que piden un
servicio. Si el nmero de unidades potenciales es finito, se dice que la fuente es finita; en caso
contrario se dice que es infinita.
Cuando la fuente es finita se suele asumir que la probabilidad de que se produzca una
llegada en un intervalo de tiempo es proporcional al tamao de la fuente en ese instante. En
general, nos restringiremos al estudio de sistemas de colas con fuentes infinitas.
Tiempo entre llegadas
Existen dos clases bsicas de tiempo entre llegadas:
Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de tiempo, fijo y
conocido. Un ejemplo clsico es el de una lnea de ensamble, en donde los artculos llegan a una
estacin en intervalos invariables de tiempo.
Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y variable. Los tiempos
entre llegadas probabilsticos se describen mediante una distribucin de probabilidad.
Mecanismos de servicio
Se llama capacidad del servicio al nmero de clientes que pueden ser servidos
simultneamente. Si la capacidad es uno, se dice que hay un solo servidor (o que el sistema es
monocanal) y si hay ms de un servidor, multicanal. El tiempo que el servidor necesita para
atender la demanda de un cliente (tiempo de servicio) puede ser constante o aleatorio.
Disciplina de la cola
En sistemas monocanal, el servidor suele seleccionar al cliente de acuerdo con uno de los
siguientes criterios (prioridades):

El que lleg antes.
El que lleg el ltimo.
El que menos tiempo de servicio requiere.
El que ms requiere.
Supuestos
El modelo simple de teora de colas que se ha definido, se basa en las siguientes
suposiciones:
a) Un solo prestador del servicio y una sola fase.
b) Distribucin de llegadas de poisson donde l = tasa de promedio de llegadas.
c) Tiempo de servicio exponencial en donde m = tasa de promedio del servicio.
d) Disciplina de colas de servicio primero a quien llega primero; todas las llegadas esperan en
lnea hasta que se les da servicio y existe la posibilidad de una longitud infinita en la cola.


TERMINOLOGA Y NOTACIN.

Caractersticas operativas.- Medidas de desempeo para una lnea de espera que
incluyen la probabilidad de que no haya unidades en el sistema, la cantidad promedio en la lnea,
el tiempo de espera promedio, etc.
Operacin de estado estable.- Operacin normal de la lnea de espera despus de que
ha pasado por un periodo inicial o transitorio. Las caractersticas operativas de las lneas de
espera se calculan para condiciones de estado estable.
Tasa media de llegada.- Cantidad promedio de clientes o unidades que llegan en un
periodo dado.
Tasa media de servicio.- Cantidad promedio de clientes o unidades que puede atender
una instalacin de servicio en un periodo dado.
Lnea de espera de canales mltiples.- Lnea de espera con dos o ms instalaciones de
servicio paralelas.
Bloqueado.- Cuando las unidades que llegan no pueden entrar a la lnea de espera debido
a que el sistema est lleno. Las unidades bloqueadas pueden ocurrir cuando no se permiten las
lneas de espera o cuando las lneas de espera tienen una capacidad finita.
Poblacin infinita.- Poblacin de clientes o unidades que pueden buscar servicio, no tiene
un lmite superior especificado.
Poblacin finita.- Poblacin de clientes o unidades que pueden buscar servicio, tiene un
valor fijo y finito.

Usualmente siempre es comn utilizar la siguiente terminologa estndar:

P
0
= Probabilidad de que no haya clientes en el sistema

L
q
= Nmero de clientes promedio en una lnea de espera

L= Nmero de clientes promedio en el sistema (Clientes en cola y
clientes que estn siendo atendidos).

W
q
= Tiempo promedio que un cliente pasa en la lnea de espera.

W= Tiempo total promedio que un cliente pasa en el sistema.

P
n
= Probabilidad de que haya n clientes en el sistema.

P
w
= Probabilidad de que un cliente que llega tenga que esperar por el
servicio.

Todas estas caractersticas operativas de estado estable se obtienen mediante formulas
que dependen del tipo de modelo de lnea de espera que se est manejando. Para calcular stas,
se necesitan los siguientes datos:

= la cantidad promedio de llegadas por periodo (la tasa media de
llegadas)

= la cantidad promedio de servicios por periodo (la tasa media de
servicio).
PROCESO DE NACIMIENTO Y MUERTE. MODELOS POISSON.
La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de
clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de
nacimiento y muerte. Este importante proceso de teora de probabilidad tiene aplicaciones en
varias reas. Sin embrago en el contexto de la teora de colas, el trmino nacimiento se refiere a
llegada de un nuevo cliente al sistema de colas y el trmino muerte se refiere a la salida del
cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de
clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte
describe en trminos probabilsticos cmo cambia N (t) al aumentar t. En general, dice que los
nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas medias de
ocurrencia dependen del estado actual del sistema. De manera ms precisa, las suposiciones del
proceso de nacimiento y muerte son las siguientes:
SUPOSICIN 1. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que falta para el
prximo nacimiento (llegada) es exponencial con parmetro (n=0,1,2,.).
SUPOSICIN 2. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que falta para la
prxima muerte (terminacin de servicio) es exponencial con parmetro (n=1,2,.).
SUPOSICIN 3. La variable aleatoria de la suposicin 1 (el tiempo que falta hasta el prximo
nacimiento) y la variable aleatoria de la suposicin 2 (el tiempo que falta hasta la siguiente
muerte) son mutuamente independientes.
Excepto por algunos casos especiales, el anlisis del proceso de nacimiento y muerte es
complicado cuando el sistema se encuentra en condicin transitoria. Se han obtenido algunos
resultados sobre esta distribucin de probabilidad de N (t) pero son muy complicados para tener
un buen uso prctico. Por otro lado, es bastante directo derivar esta distribucin despus de que
el sistema ha alcanzado la condicin de estado estable (en caso de que pueda alcanzarla).
Distribucin de llegadas.
Definir el proceso de llegada para una lnea de espera implica determinar la distribucin de
probabilidad para la cantidad de llegadas en un periodo dado. Para muchas situaciones de lnea
de espera, cada llegada ocurre aleatoria e independientemente de otras llegadas y no podemos
predecir cundo ocurrir. En tales casos, los analistas cuantitativos has encontrado que la
distribucin de probabilidad de Poisson proporciona una buena descripcin del patrn de
llegadas.
La funcin de probabilidad de Poisson proporciona la probabilidad de x llegadas en un
periodo especfico. La funcin de probabilidad es como sigue:
P(x)=
x
e
-

x!

para x= 0,1,2,
UN SERVIDOR, COLA INFINITA, FUENTE INFINITA.
Las frmulas que pueden usarse para determinar las caractersticas operativas de estado
estable para una lnea de espera de un solo canal se citarn ms adelante. Las frmulas son
aplicables si las llegadas siguen una distribucin de probabilidad de Poisson y los tiempos de
servicio siguen una distribucin de probabilidad exponencial. Mostramos cmo pueden usarse las
frmulas para determinar las caractersticas de operacin de un sistema de un servidor, cola
infinita y fuente infinita, y por tanto, proporcionarle a la administracin informacin til para la toma
de decisiones.

La metodologa matemtica usada para derivar las frmulas para las caractersticas ope-
rativas de las lneas de espera es bastante compleja. Sin embargo, el propsito no es
proporcionar el desarrollo terico de estos modelos, sino mostrar cmo las frmulas que se han
elaborado pueden dar informacin acerca de las caractersticas operativas de la lnea de espera.
Caractersticas operativas.
Las frmulas siguientes pueden usarse para calcular las caractersticas operativas de
estado estable para una lnea de espera de un solo canal con llegadas de Poisson y tiempos de
servicio exponenciales, donde:

= la cantidad promedio de llegadas por periodo (la tasa media de llegada).

= la cantidad promedio de servicios por periodo (la tasa media de servicio).


P
0
= Probabilidad de que no haya clientes en el sistema:




L
q
= Nmero de clientes promedio en una lnea de espera:






L= Nmero de clientes promedio en el sistema (Clientes en cola y
clientes que estn siendo atendidos):






W
q
= Tiempo promedio que un cliente pasa en la lnea de espera:






W= Tiempo total promedio que un cliente pasa en el sistema.





P
n
= Probabilidad de que haya n clientes en el sistema.






P
w
= Probabilidad de que un cliente que llega tenga que esperar por el
servicio.




SERVIDORES MLTIPLES, COLA INFINITA, FUENTE INFINITA.
Una lnea de espera con canales mltiples consiste en dos o ms canales de servicio que
se supone son idnticos desde el punto de vista de su capacidad. En el sistema de canales ml-
tiples, las unidades que llegan esperan en una sola lnea y luego pasan al primer canal disponible
para ser servidas. La operacin de un solo canal de Burger Dome puede expandirse a un sistema
de dos canales al abrir un segundo canal de servicio. La siguiente figura muestra un diagrama de
la lnea de espera de dos canales de Burger Dome.

En esta seccin presentamos frmulas que pueden usarse para determinar las caracters-
ticas operativas de estado estable para una lnea de espera de varios canales. Estas frmulas
son aplicables si existen las siguientes condiciones.
1.-Las llegadas siguen una distribucin de probabilidad de Poisson.
2.-Tiempo de servicio para cada canal sigue una distribucin de probabilidad exponencial.
3.- La tasa media de servicio es la misma para cada canal.
4.- Las llegadas esperan en una sola lnea de espera y luego pasan al primer
canal disponible para el servicio.


Caractersticas
Operativas

Pueden
usarse las
siguientes frmulas
para calcular las
caractersticas
operativas de
estado estable para
lneas de espera
con canales
mltiples, donde:

.- la tasa media de
llegada para el
sistema.
.- la tasa media de servicio para cada canal.
k.- la cantidad de canales.


P
0
= Probabilidad de que no haya clientes en el sistema


L
q
= Nmero de clientes promedio en una lnea de espera


L= Nmero de clientes promedio en el sistema (Clientes en cola y
clientes que estn siendo atendidos).

W
q
= Tiempo promedio que un cliente pasa en la lnea de espera.

W= Tiempo total promedio que un cliente pasa en el sistema.

P
n
= Probabilidad de que haya n clientes en el sistema.






P
w
= Probabilidad de que un cliente que llega tenga que esperar por el
servicio:



Debido a que es la tasa media de servicio para cada canal, k es la tasa media de
servicio para el sistema de canales mltiples. Como sucedi con el modelo de lnea de espera de
un solo canal, las frmulas para las caractersticas operativas de las lneas de espera con
mltiples canales slo pueden aplicarse en situaciones donde la tasa media de servicio para el
sistema es mayor que la tasa media de llegadas; en otras palabras, las frmulas son aplicables
slo si k es mayor que .


UN SERVIDOR, FUENTE FINITA, COLA FINITA.
Para los modelos de lnea de espera introducidos hasta ahora, la poblacin de unidades o
clientes que llegan para servicio se han considerado ilimitadas. En trminos tcnicos, cuando no
se pone lmite respecto a cuntas unidades pueden buscar servicio, se dice que el modelo tiene
una poblacin infinita. Bajo esta suposicin, la tasa media de llegada permanece constante sin
importar cuntas unidades hay en el sistema de lnea de espera. Esta suposicin de una
poblacin infinita se hace en la mayora de los modelos de lnea de espera.

En otros casos, se asume que la cantidad mxima de unidades o clientes que pueden buscar
servicio es finita. En esta situacin, la tasa media de llegada para el sistema cambia, dependiendo
de la cantidad de unidades en la lnea de espera y se dice que el modelo de lnea de espera tiene
una poblacin finita. Las frmulas para las caractersticas operativas de los modelos de lnea de
espera anteriores deben modificarse para explicar el efecto de la poblacin finita.

El modelo de poblacin finita que se expone en esta seccin se basa en las siguientes su-
posiciones.
1. Las llegadas para cada unidad siguen una distribucin de probabilidad de Poisson, con una tasa
media de llegada .
2. Los tiempos de servicio siguen una distribucin de probabilidad exponencial, con una tasa media
de servicio .
3. La poblacin de unidades que pueden buscar servicio es finita.
Con un solo canal, el modelo de lnea de espera se conoce como modelo M/M/1 con una
poblacin finita.


La tasa de llegada media para el modelo M/M/1 con una poblacin finita se define en fun-
cin de cun a menudo llega o busca servicio cada unidad. Esta situacin difiere de la de mo-
delos de lnea de espera anteriores en los que denotaba la tasa media de llegada para el
sistema. Con una poblacin finita, la tasa media de llegada para el sistema vara, dependiendo de
la cantidad de unidades en el sistema. En lugar de ajustar para la tasa de llegada del sistema
cambiante, en el modelo de poblacin finita indica la tasa media de llegada para cada unidad.


Caractersticas operativas para, el modelo M/M/1 con una poblacin finita de demandantes.

Las siguientes formulas se usan para determinar las caractersticas operativas de estado
estable para el modelo M/M/1 con una poblacin finita donde:

= la tasa media de llegada para cada unidad
= la tasa media de servicio
N = el tamao de la poblacin
1. Probabilidad de que no haya unidades en el sistema:


2. Cantidad de unidades promedio en la lnea de espera:

3. Cantidad promedio de unidades en el sistema:

4. Tiempo promedio que pasa una unidad en la lnea de espera:


5. Tiempo promedio que pasa una unidad en el sistema:

6. Probabilidad de que una unidad que llega tenga que esperar por el servicio:

7. Probabilidad de n unidades en el sistema:



CADENAS DE MARKOV
INTRODUCCIN.
En los problemas de toma de decisiones, con frecuencia surge la necesidad de tomar
decisiones basadas en fenmenos que tienen incertidumbre asociada a ellos. Esta incertidumbre
proviene de la variacin inherente a las fuentes de esa variacin que eluden el control o proviene
de la inconsistencia de los fenmenos naturales. En lugar de manejar esta variabilidad como
cualitativa puede incorporarse al modelo matemtico y manejarse en forma cuantitativa. Por lo
general este tratamiento se puede lograr si el fenmeno natural muestra un cierto grado de
regularidad de manera que sea posible describir la variacin mediante un modelo probabilstico.
Este captulo presenta modelos de probabilidad para procesos que evolucionan en el
tiempo de una manera probabilstica. Tales procesos se llaman procesos estocsticos. El captulo
est dedicado a un tipo especial llamado cadena de Markov. Las cadenas de Markov tienen la
propiedad particular de que las probabilidades que describen la forma en que el proceso
evolucionar en el futuro dependen slo del estado actual en que se encuentra el proceso y, por
tanto son independientes de los eventos ocurridos en el pasado. Muchos procesos se ajustan a
esta descripcin por lo que las cadenas de Markov constituyen una clase de modelos
probabilsticos de gran importancia.
CASOS DE APLICACIN
los casos de aplicacin mayormente estn en la decisiones de muchas empresas hoy en da este
es un ejemplo de donde se puede aplicar las cadenas de Markov.
Los administradores de la empresa New Fangled Sofdrink Company consideran que la
probabilidad de que un cliente compre la bebida Red Rot Pop, o el principal producto de
competencia, Sper Cola, se basan en la compra ms reciente del cliente. Supngase que son
apropiadas las siguientes probabilidades de transicin:

Red Rot Pop Super Cola
Red Rot Pop 0.9 0.1
Sper Cola 0.1 0.9

a) Trace el diagrama de rbol de dos periodos para un cliente que compro la ultima vez Red Rot
Pop. Cul es la probabilidad de que este cliente compre Red Rot Pop en una segunda compra?
b) Cul es la participacin de mercado a largo plazo para cada uno de estos dos productos?
c) Se est planeando una importante campaa de publicidad para aumentar la probabilidad de
atraer a los clientes de Sper Cola. Los administradores consideran que la nueva compaa
aumentara a 0.15 la probabilidad de que un cliente cambie de Sper Cola a Red Rot Pop. Cul
es el efecto proyectado de la campaa de publicidad sobre las participaciones del mercado?


Red Rot Pop = 0.81
Primera
compra
Segunda
compra
a)





















[0.82, 0.18]
La probabilidad de que un cliente compre dos veces consecutivas la marca de refresco
Red Rod Pop es de 0.82.


b)





0.9 x + 0.1 y = x
0.1 x + 0.9 y = y

-0.1 x + 0.1y = 0
0.1x 0.1y = 0
x + y = 1

x = 1 y

La participacin en el mercado a largo plazo de ambas marcas es de 0.5 para cada
una de ellas.

c)




0.9x + 0.15y = x
0.1x + 0.85y = y
x + y = 1

-0.1x + 0.15y = 0
0.1(1 y) 0.1y = 0
0.1 0.1y 0.1y = 0
0.1 0.2y = 0
- 0.2y = -0.1
y = -0.1/-0.2
y = 0.5


x = 1 y
x = 1 0.5
x = 0.5
=
=
0.1(1 y) 0.15y = 0
0.1 0.1y 0.15y = 0
0.1 0.25y = 0
-0.25y = -0.1
y = -0.1 / -0.25
y = 0.4
x = 1 y
x = 1 0.4
x = 0.6
0.1x 0.15y = 0
x + y = 1
x = 1 y

Se espera que con la publicidad realizada, el mercado para Red Rot Pop aumente a
0.6, mientras que la fidelidad de la marca Sper Cola caer a 0.40.

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. En efecto, las cadenas de este tipo tienen
memoria. "Recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos futuros.
Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos
independientes, como tirar una moneda al aire o un dado.

En la figura se muestra el proceso para formular una cadena de Markov; el generador de
Markov produce uno de n eventos posibles. E
j.
donde j = 1, 2, . . . , n, a intervalos discretos de
tiempo (que no tiene que ser iguales ). Las probabilidades de ocurrencia para cada uno de estos
eventos dependen del estado del generador. Este estado se describe por el ltimo evento
generado. En la figura 4.1.1, el ltimo evento generado fue E
j
. de manera que el generador se
encuentra en el estado M
j
.

La probabilidad de que E
k
sea el siguiente evento generado es una probabilidad
condicional: P ( E
k
/ M
j
). Esto se llama probabilidad de transicin del estado M
j
al estado E
k
. Para
describir completamente una cadena de Markov es necesario saber el estado actual y todas las
probabilidades de transicin.


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. En sta se ilustra un sistema de Markov con cuatro estados
posibles : M
1
, M
2
, M
3
y M
4
. La probabilidad condicional o de transicin de moverse de un estado
a otro se indica en el diagrama:









Otro mtodo para exhibir las probabilidades de
transicin es usar una matriz de transicin. . La matriz de transicin para el ejemplo del diagrama
de estados se muestra en la tabla siguiente .


Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. .
Para n = 0, 1, 2, ....


El superndice n no se escribe cuando n = 1.
PROCESOS ESTOCSTICOS.
Un proceso estocstico se define sencillamente como una coleccin indexada de variables
aleatorias { X
1
}, donde el subndice t toma valores de un conjunto T dado. Con frecuencia T se
toma como el conjunto de enteros no negativos y X, representa una caracterstica de inters
medible en el tiempo t. Por ejemplo, el proceso estocstico, X
1
, X
2
, X
3
, .., Puede representar la
coleccin de niveles de inventario semanales (o mensuales) de un producto dado, o puede
representar la coleccin de demandas semanales (o mensuales) de este producto.
Un estudio del comportamiento de un sistema de operacin durante algn periodo suele
llevar al anlisis de un proceso estocstico con la siguiente estructura. En puntos especficos del
tiempo t , el sistema se encuentra exactamente en una de un nmero finito de estados
mutuamente excluyentes y exhaustivos, etiquetados 0, 1, . . , S. Los periodos en el tiempo
pueden encontrarse a intervalos iguales o su esparcimiento puede depender del comportamiento
general del sistema en el que se encuentra sumergido el proceso estocstico. Aunque los estados
pueden constituir una caracterizacin tanto cualitativa como cuantitativa del sistema, no hay
prdida de generalidad con las etiquetas numricas 0, 1, . . , M , que se usarn en adelante para
denotar los estados posibles del sistema. As la representacin matemtica del sistema fsico es
la de un proceso estocstico {X
i
}, en donde las variables aleatorias se observan en t = 0, 1, 2,. . .,
y en donde cada variable aleatoria puede tomar el valor de cualquiera de los M + 1 enteros 0, 1, ..
, M . Estos enteros son una caracterizacin de los M + 1 estados del proceso.

PROGRAMACIN DINMICA
CARACTERSTICAS DE LOS PROBLEMAS DE PROGRAMACIN DINMICA: ETAPAS, ESTADOS,
FRMULA RECURSIVA, PROGRAMACIN EN AVANCE Y EN RETROCESO
La programacin dinmica es una tcnica matemtica que se utiliza para la solucin de
problemas matemticos seleccionados, en los cuales se toma una serie de decisiones en forma
secuencial.

Proporciona un procedimiento sistemtico para encontrar la combinacin de decisiones
que maximice la efectividad total, al descomponer el problema en etapas, las que pueden ser
completadas por una o ms formas (estados), y enlazando cada etapa a travs de clculos
recursivos.
La programacin dinmica es un enfoque general para la solucin de problemas en los que
es necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en una etapa
condicionan la evolucin futura del sistema, afectando a las situaciones en las que el sistema se
encontrar en el futuro (denominadas estados), y a las decisiones que se plantearn en el futuro.
La programacin dinmica parte de una pequea porcin del problema y llega a la solucin
ptima para esa pequea parte del problema, entonces gradualmente se agranda el problema
hallando la solucin ptima en curso a partir de la anterior. Este proceso se repite hasta obtener
la solucin ptima del problema original.
El problema de la diligencia es un prototipo literal de los problemas de programacin
dinmica. Por tanto una manera de reconocer una situacin que se puede formular como un
problema de programacin dinmica es poder identificar una estructura anloga a la del problema
de la diligencia.

Caractersticas bsicas.
1.- El problema se puede dividir en etapas que requieren una poltica de decisin en cada una de
ellas.
2.- Cada etapa tiene cierto nmero de estados asociados con su inicio. Los estados son las
distintas condiciones posibles en las que se puede encontrar el sistema en cada etapa del
problema.
3.- El efecto de la poltica de decisin en cada etapa es transformar el estado actual en un estado
asociado con el inicio de la siguiente etapa.
4.- El procedimiento de solucin est diseado para encontrar una poltica ptima para el
problema completo.
5.- Dado el estado actual, una poltica ptima para las etapas restantes es independiente de la
poltica adoptada en etapas anteriores. Este es el principio de optimalidad para programacin
dinmica.
6.- El procedimiento de solucin se inicia al encontrar la poltica ptima para la ltima etapa.
7.- Se dispone de una relacin recursiva que identifica la poltica ptima para la etapa n, dada la
poltica ptima para la etapa n+1. La forma precisa de relacin recursiva difiere de un problema a
otro de programacin dinmica, pero usaremos una notacin anloga a la siguiente:
N = nmero de etapas.
n = etiqueta para la etapa actual ( n = 1,2,...,N)
sn = estado actual para la etapa n
xn = variable de decisin para la etapa n
xn* = valor ptimo de xn (dado sn)
fn(sn,xn) = contribucin a la funcin objetivo de las etapas n, n+1,...,N, si el sistema se encuentra
en el estado sn en la etapa n, la decisin inmediata es xn y en adelante se toman decisiones
ptimas. fn*(sn) = fn(sn,xn*) La relacin recursiva siempre tendr la forma: fn*(sn) = mn fn(sn,xn)
fn*(sn) = max fn(sn,xn)
8.- Cuando se usa esta relacin recursiva, el procedimiento de solucin comienza al final y se
mueve hacia atrs etapa por etapa, hasta que encuentra la poltica ptima desde la etapa inicial.

Procedimiento de solucin.

1. Se construye una relacin recursiva que identifica la poltica ptima para cada estado en la
etapa n, dada la solucin ptima para cada estado en la etapa n + l.

2. Se encuentra la decisin ptima en la ltima etapa de acuerdo a la poltica de decisin
establecida. Comnmente la solucin de esta ltima etapa es trivial, es decir, sin ningn mtodo
establecido, tomando en cuenta solamente la "contribucin" de la ltima etapa.

3. La idea bsica detrs de la relacin recursiva es trabajar "hacia atrs", preguntndose en cada
etapa: qu efecto total tendra en el problema si tomo una decisin particular en esta etapa y
acto ptimamente en todas las etapas siguientes?

Si se resolviera el problema "hacia adelante", es decir, de la primera etapa hacia la sera
necesario realizar una enumeracin exhaustiva de todas las alternativas, que resolvindolo "hacia
atrs" reducimos el nmero de alternativas a analizar, simplificando la solucin del problema.
Cuando se llega a la etapa inicial se encuentra la solucin ptima.